教育教学的周期性以及教学环境的变化使高校教务数据具有时序性的特点,并且高校教务数据存在较多的关联冗余,因此挖掘出高效有趣的关联规则较为困难.虽然序列模式挖掘算法能够挖掘出时序频繁项集,但其并不能消除教务数据中的关联冗余,挖掘结果的效用性以及新颖性均无法满足要求.为此,文中提出了一种基于教育领域关联冗余的FUI_DK关联规则挖掘算法.FUI_DK算法基于序列模式挖掘算法产生频繁候选项集,在经典关联规则算法的支持度、置信度的基础上增加效用度以及有趣度这两个参数来得到高效用有趣项集,并根据满足条件的关联规则的支持度、置信度、效用度对其进行排序输出,最终得到具有高效用性以及有趣性的关联规则结果.在某高校学生教务数据上进行实验对比及挖掘结果分析,实验证明该算法缩短了运算时间,领域内已知关联规则的消除率可达43％,可帮助高校进行省时有效的教育数据挖掘.
基于教育数据,通过PCA算法结合双隐层BP神经网络得到高校大学生创新能力预估模型;利用PCA算法对数据进行主成分分析及降维处理,利用双隐层BP神经网络对数据进行训练,并利用LM算法进行参数优化,获得直观的预测评估结果.实验表明,预估模型的误差率为6.6763%,泛化能力强,预估效果理想,可用于对高校大学生创新能力相关问题进行分析.
