基于关联规则的课程信息推荐应用研究.pdf

《基于关联规则的课程信息推荐应用研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第28卷第2期聊城大学学报(自然科学版)V0l_28NO．22015年6月JournalofLiaochengUniversity(Nat．Sci．)Jun．2O15基于关联规则的课程信息推荐应用研究郜振霞(聊城大学传媒技术学院，山东聊城252059)摘要网络教学系统中的课程资源丰富而繁多，借助数据挖掘技术，可以对这些资源进行有效挖掘，以期达到更充分、合理的使用．借助关联规则数据挖据方法，构建课程信息推荐模型，研究网络教学系统中的课程关联，为学生网络学习提供课程信息推荐．关键词关联规则，信息推荐模型，课程推荐中图分类号G642文献

2、标识码A文章编号1672—6634(2015)02—0079—05随着网络在教育领域应用的普及和深入，学生对网络教学系统的使用也越来越频繁．为更好的支持基于网络的个性化教学，对网络教学系统中的课程资源进行合理的信息推荐，满足教学的个性化需求是很有必要的[1]．目前关联规则挖掘是数据挖掘中最重要、最活跃的内容，基于关联规则的课程信息推荐是其中一种较为方便的、准确的网络教学资源推荐方法[2]．1基于关联规则的课程信息推荐模型用户访问教学系统时产生相应的“访问痕迹”，并且被系统主动记录存储下来．通过关联规则挖掘，能够发现这些访问行为中隐

3、含的知识和模式．这些知识和模式能够描述用户的一般行为规律，是构建用户兴趣模型的关键[3]．关联规则挖掘与信息推荐的融合亦是关键[4]．1．1推荐流程课程信息推荐的基本流程是：(1)首先找出规则集R中所有被用户支持的关联规则，即规则R的前件的所有课程都被用户访问过．(2)找出关联规则R预测的但用户还没有访问的所有课程C．(3)直接将课程c全部推荐给用户，或者根据c中课程加权值进行排序，挑选前N门进行推荐(N的值可以根据情况随时调整)．1．2推荐权值利用关联规则进行数据挖掘而得到的规则库中往往包含大量的规则，有时不可能把所有符合条件的

4、课程都推荐给用户，需要设定一个推荐课程数量值N．如果符合推荐条件的课程数小于或等于．N，就直接将全部课程C推荐给用户．否则，计算C中课程加权值，并按照加权值的大小排序，选择前N门课程进行推荐．设为被推荐课程8C的加权值，采用如下公式进行计算．一conf(sl，s2，⋯，ssf)+sus(sl，s2，⋯，s—}sc)+lift(sl，s2，⋯，STl--．~SC)，s1，s2，⋯，s一sf是任一用于推荐的规则，conf(sl，s2，⋯，s一5c)为规则的置信度，sus(sl，s2，⋯，s—sc)为规则的支持度，lift(sl，s2，

5、⋯，s一5c)为规则的作用度．收稿日期：2014—08—28基金项目：山东省教育科学规划课题(2011GG054)通讯作者：郜振霞，E-mail：gaozhenxia@lcu．edu．cn．80聊城大学学报(自然科学版)第28卷规则的支持度越高，说明规则越重要；置信度越高，说明规则的准确度越高；规则的作用度值越大，说明后件与前件的关联程度越大．这里取三者的和作为被推荐课程的加权值，加权值越大，说明课程越值得推荐．1．3用户兴趣模型为了能够表示用户的兴趣，需要建立用户兴趣模型，并为用户建立相应的兴趣描述文件(UserPro—file

6、)Ⅲ．假设R为挖掘到的所有规则的集合，R一{r1，r2，⋯，r)，r是其中一条挖掘到的规则．每条规则r又包括前件和后件，即ri一{fi，bi}，表示规则前件，6表示规则后件．用户兴趣模型可以用三元组形式表示如下：Ui一{(fl，S1，W1)，(f2，S2，W2)，⋯，(fi，Si，Wi)，⋯，(fn，Sn，Wn))，其中表示第i次数据分析得到的用户兴趣模型，为规则的前件，S为所有以为前件的规则的后件，即预被推荐的课程组成的集合{s1，s2，⋯，，⋯，s}，Wi是这些课程的加权值组成的集合{wl，w2，⋯，wi，⋯，Wn)，即课程s

7、的加权值是wi．用户访问模型表示如UAi一{UJD，(CO，TO)，(C1，T1)，⋯，(Ci，T)，⋯，(Cn，T))，UAi表示第i个用户访问模型，UID表示用户标识，表示用户的第i次会话(数据挖掘阶段产生的用户事务)，Ti表示用户的第i次会话生成的时间]．1．4推荐的实施基于关联规则的推荐，需要找到与整个用户会话或事务匹配的规则．Mobasher提出了使用频繁项集图来存储频繁项集．使用频繁项目集图进行推荐，最大的优点是不必生成所有的规则．当频繁项集图中无法找到与用户匹配的频繁项集时，就缩小会话窗口，即删减会话包含的项目数，再

8、进行搜索、匹配．这里基于用户兴趣模型的推荐，借鉴了Mobasher利用频繁项目集图存储频繁项集，不必生成全部规则就进行推荐的思路．主要是将频繁项集及其相关属性存储在二维表，并且匣借助用户兴趣表存储已产生的可用的推荐规图1推荐实施流程则相关属性，具体