基于關聯規則及知識網絡的專業課程關聯分析

2014-04-29 00:00:00孫潔沈桂蘭

中國電力教育 2014年21期

摘要：以北京聯合大學商務學院信息管理與信息系統專業課程為研究對象，通過提取課程大綱內容關鍵詞，應用Apriori算法對課程內容進行關聯分析，得出課程關聯規則，并建立專業課程知識網絡。通過課程關聯分析及知識網絡分析研究課程之間的相關關系和緊密程度，區分核心課程，劃分課程結構，并在此基礎上對專業課程設置及改革提出意見與建議。對于專業課程研究及探索具有較強的理論和實踐意義。

關鍵詞：關聯規則；Apriori算法；知識網絡；專業課程；數據挖掘

中圖分類號：G642.0 文獻標識碼：A 文章編號：1007-0079（2014）21-0055-03

專業課程設置是決定高等教育人才培養質量的重要環節。課程計劃是課程設置的整體規劃，是實現專業人才培養方案的關鍵，決定了教學實施的效果和人才培養的質量。課程設置是否合理、課程之間如何關聯；如何合理地設置專業課程結構、調整專業課程內容；如何用科學的方法對現有專業課程體系進行關聯分析，成為國內高校專業建設與課程改革中極為重要的研究課題。

本文以北京聯合大學信息管理與信息系統專業課程為例，通過提取課程大綱關鍵詞對專業課程進行內容分析，運用Apriori算法發現課程關聯規則，并繪制課程知識網絡圖，在此基礎上分析課程的關聯程度，區分核心課程與非核心課程，對課程進行緊密度劃分，以驗證專業課程設置的合理性，為專業課程計劃的調整提供針對性的意見和建議。

一、關聯規則及Apriori算法綜述

關聯規則最早由Agrawal（1993）等人提出，側重于確定數據中滿足特定要求的不同屬性域之間的相互聯系。關聯規則挖掘過程主要分為三大步驟：①一是求數據庫中滿足相應閥值的所有的頻繁項目集并逐步尋找子集；二是利用挖掘好的頻繁項目集生成所有達到相應閥值的關聯規則；三是對發掘出來的規則進行可視化處理和評估。關聯規則采用的主要算法有：Apriori算法及其衍生算法、增量挖掘算法以及并行挖掘算法等。本文分析的數據集較小且迭代次數不多，因此采用經典Apriori算法對課程進行關聯分析。

Apriori算法是由Agrawal（1994）等人設計并提出的挖掘布爾關聯規則頻繁項集的一種有效算法。其基本思路是重復掃描數據庫，其核心內容是基于頻繁項集的一步步推導，首先找出用戶設定的minsupport閥值的第一頻繁項集L1，使用L1來尋找第二頻繁項集L2，然后L2尋找L3，如此反復，直到找不到頻繁項集為止。②實施步驟主要分為兩步：一是發現頻繁項集，如果一個項集是頻繁的，則其子集也是頻繁的；二是根據所獲得的頻繁項集尋找符合支持度的關聯規則，最后依據設定的置信度指標確定規則。關聯規則實質上是在數據庫中找出置信度和支持度分別大于等于設定好的相應閥值的規則。

置信度也稱為置信水平（Degree of confidence，簡稱Dconf），是估計值與總體參數在一定允許的誤差范圍以內，其相應概率的大小。置信度表示區間估計的把握程度大小，所以要求的把握程度越大，就會得到一個相對寬的置信區間，相應降低了估計的準確程度。在挖掘關聯規則時需要自己設定一個最低準確度的數值，用來選取確定關聯規則，為決策做依據；對于規則X、Y的置信度的計算公式為：

（1）

支持度即被支持的程度（Degree of support，簡稱Dsupp），即在一個數據集中支持被選數據出現的百分比。對于項集X的支持度公式為：

（2）

對于規則X、Y的支持度計算公式為：

（3）

以上X、Y為數據項集的子集，則合格規則X→Y（給定最小支持度α和最小置信度β）可以表示為：。

已有文獻對關聯規則及Apriori算法的改進及優化研究較多，應用于課程關聯分析的文獻并不多見，少數文獻采用學生成績或追蹤畢業生就業狀況來獲取數據源，以此推斷課程設置的合理性。本文以信息管理與信息系統專業課程為研究對象，采用客觀數據即課程大綱提取內容關鍵詞，避免其他主觀因素的影響，再應用Apriori算法提取課程關聯規則，使分析結果更加客觀。

二、課程關聯分析

1.課程編碼及關鍵詞提取

本文研究對象是專業課程，不考慮基礎課和通識教育課，如大學英語、體育等。信息管理與信息系統專業課程主要分為四大類：學科大類必修課、學科大類限選課、專業必修課、專業限選課，本文一共選取了26門專業課程進行關聯分析。

課程大綱是最能客觀反映課程內容的規范性文件，從課程大綱中提取關鍵詞可以較為準確地涵蓋課程主要內容。本文采用Python語言對26門專業課程大綱進行分詞分析，提取高頻詞作為本門課程的關鍵詞，從分詞結果中對每門課程出現頻率最高的30個詞語進行分析，剔除語義不合理的詞匯以及動詞、形容詞等無法反映課程內容的詞匯?？紤]到關聯規則算法對數據的要求，圍繞課程核心保留關鍵詞，經過多次試驗每門課程最終選取10個以內的關鍵詞。由于提取的關鍵詞存在一定的差異性，各門課程提取的有效詞匯數目不同，少數課程提取的有效關鍵詞不足10個但不少于7個，符合本文的分析目的及要求，最后整理課程有效關鍵詞如。

2.提取關聯規則

以上規則反映了課程之間的關聯關系，具體解釋如下：數據庫應用基礎、管理信息系統分析與設計、商務智能；供應鏈與物流管理、電子商務網站建設、商務智能；商務決策、統計學、商務定量分析；客戶關系管理、項目管理、管理學；市場營銷、客戶關系管理、供應鏈與物流管理；供應鏈與物流管理、項目管理、市場營銷；企業資源計劃、商務智能、供應鏈與物流管理；企業資源計劃、商務智能、數據庫應用基礎；信息管理學、商務智能、管理信息系統分析與設計；商務定量分析、統計學、商務決策；電子商務概論、電子商務網站建設、供應鏈與物流管理。每條規則都反映了這幾門課程之間存在較強的內容聯系，或為先修課程與后續課程，或可以通過這些規則發現核心課程，也從一定程度上驗證了課程設置的專業集中度及合理性。

3.課程知識網絡分析

通過關聯規則挖掘得到了部分課程之間的相關性，但無法直觀反映出專業課程體系的整體關聯程度，以下采用社會網絡分析方法（Social Network Analysis）構建課程知識網絡。本文采用NetDraw工具對課程設置構建可視化的知識網絡，以課程及關鍵詞作為節點，對專業課程進行知識網路分析。

圖2反映了課程關聯程度的總體知識網絡結構，其中圓圈代表課程，方塊代表關鍵詞。越趨于中心的課程說明該課程的內容越核心，關鍵詞越靠近外圍說明通過其連接的課程越少，例如極限、動畫、通貨膨脹、求導等關鍵詞都只屬于某一門課程，并未與其他課程關聯。

為了更清晰地分辨課程的分布情況和關聯程度，構建課程關系圖如圖3所示。其中節點圖形越大代表通過它連接的課程或者關鍵詞越多，在整體課程設置計劃或內容中越重要。

三、數據結果分析

通過上述分析可以看出，該專業課程設置整體情況較為合理，所有專業課程之間都可以通過至少一個關鍵詞進行連接，從而形成完整的知識網絡。通過關聯規則提取，得出了11條課程關聯規則，證明多門課程在課程內容設置上存在較強的相關性，反映了專業課程之間的內容聯系。通過對關聯規則中課程緊密程度進行分析，并對知識網絡中每門課程所連接關鍵詞的頻次從高到低排序，確定該專業的核心課程如下：“管理信息系統分析與設計”“商務智能”“信息管理學”“電子商務概論”五門課程。課程內容核心關鍵詞為：商務、模擬、經濟學、軟件、電子商務、信息管理、案例、分析方法等，體現了該專業的方向及特色。通過以上分析可劃分專業課程結構如下：

第一，數學分析類，包括高等數學、統計學、商務定量分析、商務分析方法，主要關鍵詞有微積分、定量分析、假設檢驗、概率論等。

第二，計算機基礎類，包括計算機應用基礎、互聯網應用與開發、數據庫應用基礎，主要關鍵詞為數據、操作系統、軟件等。

第三，管理類，包括管理學、項目管理、客戶關系管理、供應鏈與物流管理，主要關鍵詞為管理學、戰略、分析方法等。

第四，經濟學類，包括宏觀經濟、微觀經濟學、會計學、信息經濟學、市場營銷，主要關鍵詞為經濟學、成本、業務流程、營銷、策略等。

第五，電子商務類，包括電子商務概論、電子商務網站建設，主要關鍵詞為物流、電子商務、模擬等。

第六，信息類，包括管理信息系統分析與設計、信息管理學、商務智能，主要關鍵詞為信息管理、系統、設計、案例等。

第七，商務類，包括商務研究方法、商務決策，主要關鍵詞為商務、案例、方法論、營銷、策略等。

四、建議與總結

本文從關聯分析的角度對北京聯合大學商務學院信息管理與信息系統專業課程進行針對性分析。從課程內容上看，目前該課程體系設置基本合理，但仍然存在部分課程關聯度不高、課程結構設置須進一步合理化等問題。針對以上分析提出課程調整建議如下：一是依據培養目標加強核心課程的內容建設，形成信息管理與信息系統專業特色的核心課程體系；二是依據課程性質及內容關聯程度劃分課程群，形成合理的課程知識鏈條；三是依據課程內容的邏輯關系確定先修課與后續課程，根據課程先后順序設置合理的教學計劃。

注釋：

①高飛.關聯規則挖掘算法研究[D].西安：西安電子科技大學，2001.

②王明，宋順林.基于項集優化重組的頻繁項集發現算法[J].計算機應用，2010，（9）.

參考文獻：

[1]朱文湘，朱建軍.關聯規則分析及其在教務管理系統中的應用[J].微計算機應用，2007，7（2）.

[2]王運鋒，夏德宏，顏堯妹.社會網絡分析與可視化工具NetDraw的應用案例分析[J].現代教育技術，2008，4（18）.

[3]楊靜.關聯規則Apriori算法在學生信息管理中的應用[J].福建電腦，2010，3（1）.

[4]鄧硯谷，佘穎.基于關聯規則的高校課程關聯性分析[J].現代教育技術，2010，（5）.

[5]王明，宋順林.基于項集優化重組的頻繁項集發現算法[J].計算機應用，2010，（9）.

[6]李橋，陽春華.關聯規則Apriori算法在教學評價中的應用[J].計算機與數字工程，2010，6（1）.

[7]崔貫勛，李梁.關聯規則挖掘中Apriori算法的研究與改進[J].計算機應用，2010，11（1）.

[8]高飛.關聯規則挖掘算法研究[D].西安：西安電子科技大學，2001.