基于分級(jí)教學(xué)的Apriori算法改進(jìn)

李 志

(武警學(xué)院 基礎(chǔ)部，河北 廊坊 065000)

基于分級(jí)教學(xué)的Apriori算法改進(jìn)

李 志

(武警學(xué)院 基礎(chǔ)部，河北 廊坊 065000)

學(xué)員之間計(jì)算機(jī)基礎(chǔ)能力的巨大差異，使《大學(xué)計(jì)算機(jī)基礎(chǔ)》實(shí)踐課程分級(jí)教學(xué)的需求越來(lái)越強(qiáng)烈。如何擺脫單純依靠測(cè)試分?jǐn)?shù)進(jìn)行分級(jí)的簡(jiǎn)單方法，得到更加客觀、高效的分級(jí)結(jié)果，是實(shí)施分級(jí)教學(xué)急需解決的首要問(wèn)題。結(jié)合分級(jí)教學(xué)的應(yīng)用目的，將Apriori算法從減少事務(wù)數(shù)據(jù)庫(kù)中事務(wù)數(shù)量和減少候選項(xiàng)集項(xiàng)數(shù)兩方面改進(jìn)后，從新學(xué)員計(jì)算機(jī)基礎(chǔ)能力表中得到對(duì)分級(jí)結(jié)果起決定作用的強(qiáng)關(guān)聯(lián)規(guī)則，提高了分級(jí)結(jié)果的客觀性和高效性。

大學(xué)計(jì)算機(jī)基礎(chǔ)；分級(jí)教學(xué)；關(guān)聯(lián)規(guī)則；Apriori

一、研究背景

隨著大學(xué)生入伍的普及，戰(zhàn)士本科生源中計(jì)算機(jī)基礎(chǔ)能力差異越發(fā)明顯，為計(jì)算機(jī)基礎(chǔ)教學(xué)，尤其是《大學(xué)計(jì)算機(jī)基礎(chǔ)》實(shí)踐課程教學(xué)帶來(lái)很大挑戰(zhàn)。經(jīng)過(guò)廣泛查閱資料、調(diào)查分析、認(rèn)真思考，筆者認(rèn)為：為有效解決學(xué)員計(jì)算機(jī)基礎(chǔ)能力差異帶來(lái)的教學(xué)矛盾，目前最好的方法就是實(shí)施分級(jí)教學(xué)。[1]

分級(jí)教學(xué)，在承認(rèn)學(xué)員個(gè)別差異的前提下，確立以學(xué)員為主體的意識(shí)，在調(diào)查問(wèn)卷、能力測(cè)試、交流座談等基礎(chǔ)上，結(jié)合學(xué)員個(gè)人意愿，依據(jù)教學(xué)大綱和教學(xué)內(nèi)容要求，對(duì)學(xué)員的教學(xué)進(jìn)行分級(jí)。

為保證分級(jí)教學(xué)的有效性，必須首先制定完備、適用、有效的學(xué)員分級(jí)、教學(xué)目標(biāo)分級(jí)和評(píng)價(jià)分級(jí)方案。其中，對(duì)學(xué)員科學(xué)合理的分級(jí)是成功實(shí)施分級(jí)教學(xué)的前提。在充分了解學(xué)員實(shí)際情況的前提下，結(jié)合學(xué)員的入學(xué)計(jì)算機(jī)測(cè)試成績(jī)、基礎(chǔ)能力調(diào)查，在尊重學(xué)員意愿的基礎(chǔ)上，按照學(xué)員基礎(chǔ)水平和學(xué)習(xí)意愿，將學(xué)員劃分為不同的等級(jí)層次。這是一種比較全面、比較理想的學(xué)員分級(jí)方法。目前，陸續(xù)有一些高等院校對(duì)計(jì)算機(jī)基礎(chǔ)課程實(shí)施了分級(jí)教學(xué)。但是，在實(shí)踐應(yīng)用中，大多數(shù)高等院校都采用了摸底成績(jī)決定制的方法對(duì)學(xué)員進(jìn)行簡(jiǎn)單分級(jí)。雖然有些高等院校對(duì)學(xué)員事先進(jìn)行了問(wèn)卷調(diào)查或座談等，但并沒(méi)有應(yīng)用到學(xué)員分級(jí)過(guò)程中，忽略了一些主、客觀因素可能對(duì)摸底成績(jī)的影響，使對(duì)學(xué)員的分級(jí)可能出現(xiàn)一些片面性，分級(jí)結(jié)果具有偶然性。數(shù)據(jù)挖掘技術(shù)在《大學(xué)計(jì)算機(jī)基礎(chǔ)》實(shí)踐課程中對(duì)學(xué)員分級(jí)的應(yīng)用，將有效提高分級(jí)結(jié)果的客觀性和有效性。

二、Apriori算法

關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘領(lǐng)域重要的研究方向之一。關(guān)聯(lián)規(guī)則的任務(wù)是：給定一個(gè)事務(wù)數(shù)據(jù)庫(kù)D，在基于支持度、置信度框架中，發(fā)現(xiàn)數(shù)據(jù)與項(xiàng)目之間大量有趣的相關(guān)聯(lián)系，生成所有支持度和置信度分別高于用戶(hù)給定的最小支持度和最小置信度的關(guān)聯(lián)規(guī)則，以揭示數(shù)據(jù)與數(shù)據(jù)之間未知的相互依賴(lài)關(guān)系。[2]

目前，關(guān)聯(lián)規(guī)則技術(shù)在數(shù)據(jù)挖掘領(lǐng)域研究中，主要應(yīng)用于挖掘大規(guī)模數(shù)據(jù)集數(shù)據(jù)間潛在的、有價(jià)值的聯(lián)系，它既可以檢驗(yàn)業(yè)內(nèi)長(zhǎng)期形成的知識(shí)模式，也能發(fā)現(xiàn)其中隱藏的新規(guī)律[3]，其應(yīng)用已經(jīng)從開(kāi)始的商業(yè)指導(dǎo)廣泛發(fā)展到社會(huì)的各個(gè)領(lǐng)域，如醫(yī)療、金融、保險(xiǎn)、教育等。

Apriori算法根據(jù)有關(guān)頻繁項(xiàng)集特性的先驗(yàn)知識(shí)而命名，它使用一種逐層搜索的迭代方法來(lái)完成頻繁項(xiàng)集的挖掘工作。它是最成熟、最具有影響力的關(guān)聯(lián)規(guī)則挖掘算法之一。

為保證關(guān)聯(lián)規(guī)則的質(zhì)量，需要對(duì)規(guī)則進(jìn)行支持度、置信度和提升度的計(jì)算。

關(guān)聯(lián)規(guī)則是如同A?B的蘊(yùn)含式[4]，項(xiàng)目集A，B均屬于I，且A∩B=?。關(guān)聯(lián)規(guī)則的支持度用Support表示，規(guī)則A?B在事務(wù)數(shù)據(jù)庫(kù)D中的支持度，是指包含項(xiàng)目集A和B的事務(wù)在事務(wù)數(shù)據(jù)庫(kù)D所有事務(wù)之中所占的百分比。其表達(dá)式如下所示：

Support(A?B)=P(A∪B)

關(guān)聯(lián)規(guī)則的置信度用Confidence表示，規(guī)則A?B的置信度，是指同時(shí)包含項(xiàng)目集A和B的事務(wù)在所有包含項(xiàng)目集A的事務(wù)中所占的百分比。其表達(dá)式如下所示：

Confidence(A?B)=(Support(A?B))/

(Support(A))= P(B|A)

關(guān)聯(lián)規(guī)則的提升度用Lift表示，規(guī)則A?B的提升度，是目標(biāo)的密度(置信度)對(duì)總目標(biāo)的密度(規(guī)則中右端的結(jié)果)的比率。其表達(dá)式如下所示：

Lift(A,B) =P(A∩B)/P(A)P(B)

=P(B|A)/(P(B))

支持度是對(duì)關(guān)聯(lián)規(guī)則重要性的衡量，表示規(guī)則的頻度。支持度越大，說(shuō)明關(guān)聯(lián)規(guī)則越重要，同時(shí)說(shuō)明這條規(guī)則應(yīng)用越廣泛。置信度是對(duì)關(guān)聯(lián)規(guī)則準(zhǔn)確度和可信度的衡量，表示規(guī)則的強(qiáng)度。提升度是判斷強(qiáng)關(guān)聯(lián)規(guī)則對(duì)后件屬性的正相關(guān)性的運(yùn)算，Lift(A,B)>1，說(shuō)明A與B正相關(guān)，否則，說(shuō)明A與B負(fù)相關(guān)。

三、算法的改進(jìn)

(一)傳統(tǒng)Apriori算法存在問(wèn)題

由于Apriori算法采用多次迭代的算法，嚴(yán)格按標(biāo)準(zhǔn)尋找不小于最小支持度的頻繁項(xiàng)，此過(guò)程中需要多次掃描事務(wù)數(shù)據(jù)庫(kù)。在事務(wù)數(shù)據(jù)庫(kù)較少的情況下，該算法的性能很好，但隨著事務(wù)數(shù)據(jù)庫(kù)的增大，其較為嚴(yán)重的性能瓶頸就顯現(xiàn)了[5]：

1.多次掃描事務(wù)數(shù)據(jù)庫(kù)，需要的I/O負(fù)載很大。在每次迭代過(guò)程中，候選項(xiàng)集的每一項(xiàng)都需要重新掃描事務(wù)數(shù)據(jù)庫(kù)來(lái)確定其是否為頻繁項(xiàng)集，候選項(xiàng)集中項(xiàng)數(shù)越多，需要掃描事務(wù)數(shù)據(jù)庫(kù)的遍數(shù)就越多，增大了I/O負(fù)載。

2.可能產(chǎn)生龐大的候選項(xiàng)集，造成時(shí)間和空間威脅。候選項(xiàng)集都是由前一項(xiàng)頻繁集連接生成的，其數(shù)量成指數(shù)增長(zhǎng)。隨著頻繁項(xiàng)集的計(jì)算，候選項(xiàng)集的數(shù)量可能會(huì)變得極為龐大。這時(shí)，將對(duì)頻繁項(xiàng)集的計(jì)算時(shí)間和當(dāng)前存儲(chǔ)空間造成很大的威脅。

(二)以分級(jí)教學(xué)為應(yīng)用目的的算法改進(jìn)

針對(duì)Apriori算法面臨的兩大缺陷，對(duì)于該算法的改進(jìn)主要從減少事務(wù)數(shù)據(jù)庫(kù)中事務(wù)數(shù)量和減少候選項(xiàng)集項(xiàng)數(shù)兩方面著手:

1.越過(guò)1項(xiàng)頻繁集，直接計(jì)算2項(xiàng)頻繁集。根據(jù)Apriori算法在此的應(yīng)用目的是尋找對(duì)分級(jí)結(jié)果起決定作用的強(qiáng)關(guān)聯(lián)規(guī)則，確定其應(yīng)用目的為生成關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則至少涉及兩個(gè)不同的項(xiàng)，因此1項(xiàng)頻繁集在這里計(jì)算沒(méi)有任何意義，可以直接越過(guò)，生成2項(xiàng)候選集，進(jìn)入2項(xiàng)頻繁集的運(yùn)算。

2.對(duì)候選項(xiàng)集進(jìn)行過(guò)濾，只保留分級(jí)結(jié)果為后件的項(xiàng)。根本目的是尋找分級(jí)結(jié)果為后件的強(qiáng)關(guān)聯(lián)規(guī)則，因此，可以對(duì)候選項(xiàng)集進(jìn)行過(guò)濾，只保留分級(jí)結(jié)果字段為后件的項(xiàng)作為候選項(xiàng)集即可，這樣，在很大程度上減少了候選項(xiàng)集的數(shù)量。同時(shí)，在強(qiáng)關(guān)聯(lián)規(guī)則的判斷過(guò)程中，也只需要對(duì)分級(jí)結(jié)果為后件的規(guī)則計(jì)算其支持度。

3.強(qiáng)關(guān)聯(lián)規(guī)則分次計(jì)算，及時(shí)刪除確定為強(qiáng)關(guān)聯(lián)規(guī)則的對(duì)應(yīng)事務(wù)。因?yàn)榭梢灶A(yù)想到某些特定項(xiàng)(如：入伍前為計(jì)算機(jī)相關(guān)專(zhuān)業(yè))對(duì)分級(jí)結(jié)果有著很強(qiáng)的決定作用，如果某個(gè)事務(wù)已經(jīng)存在此前提，就沒(méi)必要再進(jìn)行下一項(xiàng)頻繁集的計(jì)算，所以第1步可以先把這種起決定作用的強(qiáng)關(guān)聯(lián)規(guī)則進(jìn)行計(jì)算并存儲(chǔ)、輸出。同時(shí)，該事務(wù)其他項(xiàng)也失去了強(qiáng)代表性，可以從事務(wù)數(shù)據(jù)庫(kù)中刪除。

4.及時(shí)刪除數(shù)據(jù)項(xiàng)小于當(dāng)前頻繁項(xiàng)集個(gè)數(shù)的事務(wù)。一個(gè)非頻繁項(xiàng)集，它的所有超集也一定是非頻繁項(xiàng)集。因此，在計(jì)算候選項(xiàng)集支持度前，可以先對(duì)事務(wù)數(shù)據(jù)庫(kù)進(jìn)行預(yù)掃描，將不包含任何候選項(xiàng)集的事務(wù)刪除，再進(jìn)行候選項(xiàng)集支持度的掃描和計(jì)算。

四、改進(jìn)算法在分級(jí)教學(xué)中的應(yīng)用實(shí)現(xiàn)

在分級(jí)教學(xué)過(guò)程中，根據(jù)教學(xué)內(nèi)容，綜合考慮學(xué)習(xí)者生理、心理特點(diǎn)，結(jié)合學(xué)習(xí)者學(xué)習(xí)能力水平，制定客觀、科學(xué)、合理的層次劃分標(biāo)準(zhǔn)是有效實(shí)施分級(jí)教學(xué)的首要問(wèn)題和關(guān)鍵問(wèn)題。因此，在我院《大學(xué)計(jì)算機(jī)基礎(chǔ)》實(shí)踐課程的分級(jí)教學(xué)中采用入學(xué)摸底測(cè)試、調(diào)查問(wèn)卷和學(xué)生意愿三者結(jié)合的方法。

為充分了解我院入學(xué)新學(xué)員計(jì)算機(jī)基礎(chǔ)能力，在學(xué)員開(kāi)設(shè)計(jì)算機(jī)基礎(chǔ)課程前，統(tǒng)一填寫(xiě)“武警學(xué)院入學(xué)新生計(jì)算機(jī)水平調(diào)查問(wèn)卷”，其內(nèi)容包括籍貫、家庭情況、計(jì)算機(jī)學(xué)習(xí)情況、計(jì)算機(jī)技能掌握情況、計(jì)算機(jī)技能拓展情況、上網(wǎng)情況、興趣判斷等。由于生源的特殊性，對(duì)于戰(zhàn)士生源的學(xué)員還應(yīng)該包括入學(xué)前服役地、入學(xué)前工作性質(zhì)、入伍前最高學(xué)歷、是否大學(xué)生入伍、是否計(jì)算機(jī)相關(guān)專(zhuān)業(yè)等信息。其結(jié)構(gòu)如表1所示。

表1 新生計(jì)算機(jī)水平調(diào)查表

為保證調(diào)查結(jié)果的客觀性，調(diào)查問(wèn)卷設(shè)計(jì)力求全面。然而，在實(shí)際應(yīng)用中，這些字段并不一定與分級(jí)結(jié)果密切相關(guān)，不適宜用于分級(jí)依據(jù)。關(guān)聯(lián)規(guī)則Apriori算法在《大學(xué)計(jì)算機(jī)基礎(chǔ)》實(shí)踐課程分級(jí)教學(xué)的應(yīng)用目的，就是為了通過(guò)對(duì)調(diào)查信息進(jìn)行分析，從眾多字段中尋找與分級(jí)結(jié)果密切相關(guān)的字段，以輔助以后的分級(jí)過(guò)程。

大多數(shù)數(shù)據(jù)挖掘算法都要求處理離散型數(shù)據(jù)，即便是可以處理連續(xù)型數(shù)據(jù)的算法，相對(duì)來(lái)說(shuō)，離散型數(shù)據(jù)處理也更簡(jiǎn)單、更直觀。因此，在對(duì)采集的原始問(wèn)卷調(diào)查數(shù)據(jù)進(jìn)行數(shù)據(jù)清理后，還需要對(duì)其中籍貫和入學(xué)前工作性質(zhì)兩個(gè)字段進(jìn)行離散化。

對(duì)入學(xué)前工作性質(zhì)進(jìn)行匯總整理，其取值可以概括為：戰(zhàn)斗員、通訊員、衛(wèi)生員、話務(wù)員、駕駛員和文書(shū)。根據(jù)工作性質(zhì)與計(jì)算機(jī)接觸幾率分析，將入學(xué)前工作性質(zhì)分成“計(jì)算機(jī)相關(guān)”和“計(jì)算機(jī)無(wú)關(guān)”，其中“計(jì)算機(jī)相關(guān)”包括“通訊員”和“文書(shū)”，“計(jì)算機(jī)無(wú)關(guān)”包括“戰(zhàn)斗員”，“衛(wèi)生員”，“話務(wù)員”和“駕駛員”，完成該字段的泛化離散化。為順利應(yīng)用到關(guān)聯(lián)規(guī)則Apriori算法中，進(jìn)一步將其抽象為邏輯變量“計(jì)算機(jī)相關(guān)工作”，其值分別取Y或N。

籍貫屬性因涉及值較多，其數(shù)據(jù)離散化無(wú)法用一般方法完成。可結(jié)合分級(jí)結(jié)果，借用Apriori算法進(jìn)行數(shù)據(jù)離散化。對(duì)于后件為“A”的強(qiáng)關(guān)聯(lián)規(guī)則，其對(duì)應(yīng)籍貫屬性值可以約簡(jiǎn)為“先”。同理，對(duì)于后件為“B”的強(qiáng)關(guān)聯(lián)規(guī)則，其對(duì)應(yīng)籍貫屬性值可以約簡(jiǎn)為“中”。其他籍貫屬性值均約簡(jiǎn)為“后”。

為簡(jiǎn)化數(shù)據(jù)調(diào)用過(guò)程，將離散化后的能力調(diào)查表與分級(jí)結(jié)果進(jìn)行合并，離散化后的各字段屬性域如表2所示，其部分?jǐn)?shù)據(jù)如表3所示。

對(duì)于離散化后的事務(wù)數(shù)據(jù)庫(kù)進(jìn)行掃描，根據(jù)Apriori算法生成2項(xiàng)頻繁集，設(shè)定其最小支持度為5，篩選后件為分級(jí)的頻繁項(xiàng)，分別計(jì)算其置信度，設(shè)定其最小置信度為60%，其強(qiáng)關(guān)聯(lián)規(guī)則如表4所示。

為確保強(qiáng)關(guān)聯(lián)規(guī)則對(duì)后件屬性的正相關(guān)性，分別計(jì)算各強(qiáng)關(guān)聯(lián)規(guī)則提升度，其結(jié)果如表5所示。

其中，計(jì)算機(jī)相關(guān)專(zhuān)業(yè)?A、通過(guò)計(jì)算機(jī)等級(jí)考試?A、自我興趣判斷A?A提升度高，可以基本決定分級(jí)屬性。其他關(guān)聯(lián)規(guī)則提升度均在1左右，雖然也是正相關(guān)關(guān)系，但還不能直接提取該屬性，需要進(jìn)一步判斷。由此得出，計(jì)算機(jī)相關(guān)專(zhuān)業(yè)、通過(guò)計(jì)算機(jī)等級(jí)考試、自我興趣判斷三個(gè)屬性與分級(jí)結(jié)果密切相關(guān)，可以作為分級(jí)用判斷屬性。

表2 離散化后屬性值域

表3 離散化后部分?jǐn)?shù)據(jù)

表4 計(jì)算強(qiáng)關(guān)聯(lián)規(guī)則

表5 強(qiáng)關(guān)聯(lián)規(guī)則提升度

當(dāng)對(duì)其他屬性計(jì)算其基于3項(xiàng)頻繁集的強(qiáng)關(guān)聯(lián)規(guī)則時(shí)，為減少掃描事務(wù)數(shù)量，將計(jì)算機(jī)相關(guān)專(zhuān)業(yè)=Y、通過(guò)計(jì)算機(jī)等級(jí)考試=Y和自我興趣判斷=A的事務(wù)從事務(wù)數(shù)據(jù)庫(kù)中刪除，并刪除計(jì)算機(jī)相關(guān)專(zhuān)業(yè)和計(jì)算機(jī)等級(jí)考試兩個(gè)屬性。同時(shí)，由于計(jì)算機(jī)相關(guān)競(jìng)賽屬性支持度<5，該屬性也被刪除。

約簡(jiǎn)后的部分?jǐn)?shù)據(jù)如表6所示。

表6 約簡(jiǎn)后部分?jǐn)?shù)據(jù)

再次掃描事務(wù)數(shù)據(jù)庫(kù)，根據(jù)Apriori算法生成3項(xiàng)頻繁集，篩選其后件為分級(jí)的頻繁項(xiàng)，分別計(jì)算其置信度。設(shè)定其最小置信度為60%，其部分強(qiáng)關(guān)聯(lián)規(guī)則如表7所示。

分別計(jì)算各強(qiáng)關(guān)聯(lián)規(guī)則提升度，其結(jié)果如表8所示。

經(jīng)過(guò)分析，計(jì)算機(jī)相關(guān)且大學(xué)生入伍與分級(jí)結(jié)果為A的提升度為4.6，與分級(jí)結(jié)果密切相關(guān)，可以作為下一步進(jìn)行分級(jí)的判斷屬性。

至此，經(jīng)過(guò)分別尋找基于2項(xiàng)頻繁集的強(qiáng)關(guān)聯(lián)規(guī)則和基于3項(xiàng)頻繁集的強(qiáng)關(guān)聯(lián)規(guī)則，共得到與分級(jí)結(jié)果密切相關(guān)屬性有4個(gè)，分別為：計(jì)算機(jī)相關(guān)專(zhuān)業(yè)、通過(guò)計(jì)算機(jī)等級(jí)考試、自我興趣判斷以及計(jì)算機(jī)相關(guān)工作且大學(xué)生入伍。

表7 基于3項(xiàng)頻繁集的強(qiáng)關(guān)聯(lián)規(guī)則

五、結(jié)束語(yǔ)

學(xué)員計(jì)算機(jī)基礎(chǔ)能力差異對(duì)教學(xué)帶來(lái)的困難越來(lái)越大，《大學(xué)計(jì)算機(jī)基礎(chǔ)》實(shí)踐課程分級(jí)教學(xué)的開(kāi)展，對(duì)教學(xué)效果必將有顯著提高。但如何從繁雜的海量數(shù)據(jù)中快速、高效地尋找到有用信息，是客觀、有效地開(kāi)展分級(jí)教學(xué)的第一步。關(guān)聯(lián)規(guī)則Apriori算法的應(yīng)用，通過(guò)對(duì)新生計(jì)算機(jī)水平調(diào)查表中大量數(shù)據(jù)的分析、計(jì)算，從14個(gè)已有字段中抽取出與分級(jí)結(jié)果密切相關(guān)的4個(gè)屬性，為提高分級(jí)結(jié)果的效率和準(zhǔn)確性提供了保障。

表8 基于3項(xiàng)頻繁集的強(qiáng)關(guān)聯(lián)規(guī)則提升度

[1] 李志，張晶．公安現(xiàn)役院校計(jì)算機(jī)基礎(chǔ)課程分級(jí)教學(xué)探析[J]．武警學(xué)院學(xué)報(bào)，2013，29(9).

[2] 紀(jì)希禹．?dāng)?shù)據(jù)挖掘技術(shù)應(yīng)用實(shí)例[M]．北京：機(jī)械工業(yè)出版社，2009.

[3] 劉平．關(guān)聯(lián)規(guī)則算法在高校教務(wù)管理系統(tǒng)中的應(yīng)用與實(shí)現(xiàn)[D]．石家莊：河北科技大學(xué)，2010.

[4] 曹揚(yáng)波．?dāng)?shù)據(jù)挖掘技術(shù)在壽險(xiǎn)市場(chǎng)分析中的應(yīng)用[D]．重慶：重慶大學(xué)，2010.

[5] 楊秋葉．改進(jìn)的Apriori算法在Excel智能考試系統(tǒng)中的應(yīng)用[D]．桂林：廣西師范大學(xué)，2012.

(責(zé)任編輯 李獻(xiàn)惠)

The Improved Apriori Algorithm Based on Gread-teaching

LI Zhi

(DepartmentofBasicCoursesTeaching，TheArmedPoliceAcademy，Langfang，HebeiProvince065000，China)

The bigger difference between a computer basic ability of students produces a strong demand on the grade-teaching inUniversityComputerFoundation’spractical course. How to get rid of the simple way which relys solely on tests in grading for obtaining more objective and efficient classification results. It is the most important to be implemented in grade-teaching. It makes the improvement to the Apriori algorithm based on grade-teaching application， such as reducing the number of scanning and candidate set. The strong association rules which play a decisive role is obtained from new students’ basic computer capability table. The purpose is to improve the classification results of objectivity and efficiency.

UniversityComputerFoundation； grade-teaching； association rules； Apriori

2014-11-13

河北省教育廳項(xiàng)目“公安現(xiàn)役院校《大學(xué)計(jì)算機(jī)基礎(chǔ)》分級(jí)教學(xué)模式研究”(Z2012114)

李志(1977— )，女，河北衡水人，副教授，碩士。

TP311.13

A

1008-2077(2015)05-0066-05