基于DBSCAN算法的大學(xué)生課程興趣度分析

顧寶程 王明艷

摘要 針對(duì)校園無(wú)線網(wǎng)對(duì)大學(xué)生學(xué)習(xí)行為的影響，通過采集的校園無(wú)線網(wǎng)行為數(shù)據(jù)，挖掘分析評(píng)估學(xué)生課程興趣度，更好地輔助教學(xué)管理。本文基于DBSCAN聚類算法評(píng)估了學(xué)生群體課程學(xué)習(xí)興趣度。并通過實(shí)驗(yàn)驗(yàn)證了DBSCAN聚類算法在大學(xué)生課程興趣度分析的有效性，實(shí)驗(yàn)分析結(jié)果可為學(xué)校學(xué)生管理提供了有效決策依據(jù)，研究方法也可為其他高校解決類似問題提供了參考。

【關(guān)鍵詞】數(shù)據(jù)挖掘 DBSCAN算法 聚類算法興趣度分析

隨著高等教育信息化的發(fā)展，越來(lái)越多的高校應(yīng)用無(wú)線網(wǎng)絡(luò)進(jìn)行信息化教學(xué)管理，校園無(wú)線網(wǎng)里面蘊(yùn)藏著大量的用戶上網(wǎng)數(shù)據(jù)。對(duì)高校大量的學(xué)生上網(wǎng)數(shù)據(jù)加以挖掘分析，發(fā)現(xiàn)學(xué)生上網(wǎng)行為特征，對(duì)校園無(wú)線網(wǎng)的調(diào)整和學(xué)生上網(wǎng)行為有著積極的引導(dǎo)作用。目前，基于校園無(wú)線網(wǎng)絡(luò)的數(shù)據(jù)利用比較多，主要是進(jìn)行考勤分析的，入侵檢測(cè)，流量監(jiān)控，后勤管理等方面的研究分析。文獻(xiàn)[2]通過對(duì)基于無(wú)線網(wǎng)對(duì)學(xué)生的出勤率來(lái)分析學(xué)生的學(xué)習(xí)興趣，文獻(xiàn)[3]通過最小關(guān)聯(lián)挖掘的技術(shù)，從學(xué)生選課數(shù)據(jù)庫(kù)中來(lái)分析學(xué)生的學(xué)習(xí)行為。通過挖掘?qū)W生上課時(shí)的上網(wǎng)流量總和對(duì)學(xué)生課程興趣度分析研究較少。本文主要針對(duì)校園網(wǎng)無(wú)線網(wǎng)對(duì)大學(xué)生學(xué)習(xí)行為影響，采用DBSCAN（Density-BasedSpatial Clustering of Applications with Noise）算法來(lái)進(jìn)行聚類分析，對(duì)學(xué)生上網(wǎng)數(shù)據(jù)進(jìn)行挖掘分析，分析學(xué)生上課用網(wǎng)的時(shí)長(zhǎng)和流量總和來(lái)分析體現(xiàn)學(xué)生對(duì)課程的喜愛程度，從而輔助高校教育教學(xué)管理。

1 算法原理

DBSCAN是一種典型的基于密度的聚類算法，將足夠高密度的區(qū)域劃分為簇，在帶有“噪聲”的空間數(shù)據(jù)庫(kù)中發(fā)現(xiàn)任意形狀的聚類，由Erman等人[5]第一次將其運(yùn)用到流量分類中，并證明了DBSCAN算法對(duì)未知流量的識(shí)別準(zhǔn)確率優(yōu)于同是聚類算法的K- means算法。在DBSCAN算法中，有兩個(gè)基本的鄰域參數(shù)，分別是ε領(lǐng)域和MinPts。其中￡領(lǐng)域表示的是在數(shù)據(jù)集D中與樣本點(diǎn)x_i的距離不大于￡的樣本即：Nε（x_i）={x_j∈D|dist（x_i，x_j）≤ε}，如圖1。

在DBSCAN算法中將數(shù)據(jù)點(diǎn)分為核心點(diǎn)（Core Points）、邊界點(diǎn)（Border Points）、噪音點(diǎn)（Noise）。核心點(diǎn)、邊界點(diǎn)和噪音點(diǎn)如圖2，直接密度可達(dá)、密度可達(dá)如圖3。

2 實(shí)驗(yàn)及結(jié)果分析

數(shù)據(jù)來(lái)自校園無(wú)線網(wǎng)的計(jì)費(fèi)數(shù)據(jù)庫(kù)，學(xué)生或者老師每天使用的日志都被記錄下來(lái)。其數(shù)據(jù)庫(kù)的存儲(chǔ)形式如表1。

實(shí)驗(yàn)的環(huán)境采用Python機(jī)器學(xué)習(xí)科學(xué)計(jì)算庫(kù)Scikit leam，簡(jiǎn)稱skleam。通過獲取學(xué)院軟件工程專業(yè)4個(gè)班級(jí)127名學(xué)生在10-11兩個(gè)月學(xué)生上專業(yè)課程的上網(wǎng)信息。分別對(duì)《計(jì)算機(jī)組成原理》、 《計(jì)算機(jī)網(wǎng)絡(luò)原理》、《程序語(yǔ)言與設(shè)計(jì)》3門專業(yè)課學(xué)生上課時(shí)上網(wǎng)行為數(shù)據(jù)進(jìn)行分析。為了客觀公正根據(jù)實(shí)際上課的考勤情況去除缺課學(xué)生的數(shù)據(jù)，通過DBSCAN的算法進(jìn)行分析。數(shù)據(jù)統(tǒng)計(jì)結(jié)果如圖4、5、6所示（圖中橫坐標(biāo)表示時(shí)間，縱坐標(biāo)表示這段時(shí)間累計(jì)的流量的總和）。

首先對(duì)不同課程所有班級(jí)進(jìn)行分析，如圖4-6，學(xué)生學(xué)習(xí)《計(jì)算機(jī)組成原理》大部分學(xué)生使用手機(jī)的時(shí)長(zhǎng)和流量總和遠(yuǎn)高于其他兩門課程，可以發(fā)現(xiàn)學(xué)生對(duì)<計(jì)算機(jī)組成原理》的興趣不是很大。因此任課老師可適當(dāng)?shù)母倪M(jìn)課堂教學(xué)方式，增加學(xué)生互動(dòng)環(huán)節(jié)，提高課堂趣味性來(lái)增加學(xué)生的對(duì)課堂的粘合度，讓更多的學(xué)生參與到課堂中去，提高學(xué)生的積極主動(dòng)性。通過圖6和圖4、5比較可以發(fā)現(xiàn)學(xué)生聽課認(rèn)真程度遠(yuǎn)高于其他兩門課程，可以發(fā)現(xiàn)手機(jī)使用情況兩極分化比較嚴(yán)重， 《程序語(yǔ)言與設(shè)計(jì)》是一門邏輯性比較強(qiáng)的課程，有些學(xué)生沒有能夠掌握好正確學(xué)習(xí)這門課的方法，開始選擇放棄。因此任課的老師可以適當(dāng)?shù)娜リP(guān)注這學(xué)生，給與學(xué)生一些幫助。圖5反映的是《計(jì)算機(jī)網(wǎng)絡(luò)原理》的上課時(shí)學(xué)生的狀態(tài)， 《計(jì)算機(jī)網(wǎng)絡(luò)原理》是偏向理論比較抽象的課程，因此任課老師在講課時(shí)可以適當(dāng)增加學(xué)生討論互動(dòng)環(huán)節(jié)，讓學(xué)生更好地融入課堂。

接著運(yùn)用DBSCAN聚類算法對(duì)同一門課程不同的班級(jí)的上課狀態(tài)進(jìn)行分析。以《計(jì)算機(jī)網(wǎng)絡(luò)原理》課程為例，為客觀公正根據(jù)實(shí)際上課的考勤情況去除缺課人的數(shù)據(jù)，四個(gè)班的《計(jì)算機(jī)網(wǎng)絡(luò)原理>為同一個(gè)任課老師時(shí)學(xué)生上網(wǎng)流量情況統(tǒng)計(jì)如圖7-10所示。

圖7-10可以發(fā)現(xiàn)軟件4班的學(xué)習(xí)氛圍最好，而軟件1班的學(xué)習(xí)狀態(tài)不是特別好，大部分人的上課對(duì)課堂的粘合度比較低，整體班級(jí)的學(xué)習(xí)氛圍以及學(xué)習(xí)方法需要進(jìn)行適當(dāng)?shù)恼{(diào)整。教師及輔導(dǎo)員在生活和課堂中多花精力來(lái)進(jìn)行引導(dǎo)管理，讓學(xué)生及時(shí)發(fā)現(xiàn)自身的問題所在并及時(shí)解決。圖8、10的結(jié)果相對(duì)比較接近，可以發(fā)現(xiàn)這兩個(gè)班級(jí)的學(xué)習(xí)氛圍相對(duì)比較穩(wěn)定少部分的學(xué)習(xí)態(tài)度有問題，需要積極進(jìn)行引導(dǎo)。

3 結(jié)論

通過采集的校園無(wú)線網(wǎng)行為數(shù)據(jù)，將DBSCAN聚類算法應(yīng)用在學(xué)生行為分析中，以計(jì)算機(jī)學(xué)院軟件專業(yè)學(xué)生為例，挖掘分析了學(xué)生課堂上手機(jī)上網(wǎng)流量情況，評(píng)估分析學(xué)生對(duì)課程的興趣度，從而對(duì)學(xué)生管理提出相應(yīng)的教學(xué)管理對(duì)策，該方法可為高效解決類似問題提供一種新的解決問題的辦法，從而輔助高校

參考文獻(xiàn)

[1]王法玉，閏小芹，王勁松，大數(shù)據(jù)時(shí)代下的教育管理信息化建設(shè)實(shí)踐與探索[J].中國(guó)教育信息化，2016.

[2]王法玉，姜妍，基于自組織神經(jīng)網(wǎng)絡(luò)和模糊聚類的校園無(wú)線網(wǎng)戶學(xué)習(xí)興趣度行為分析[J/OL].計(jì)算機(jī)應(yīng)用研究，2018，35 （01）.

[3]姜永超，基于數(shù)據(jù)挖掘的學(xué)生選課及學(xué)習(xí)行為分析算法研究[J].現(xiàn)代電子技術(shù)，2016， 39 （13）：145-148.

[4]安計(jì)勇，韓海英，侯效禮.一種改進(jìn)的DBSCAN聚類算法[J].微電子學(xué)與計(jì)算機(jī)，2015，7 （07）.

[5] Eerman J，Mahanti A，Arlitt M.Internettraffic identification using machinelearning [C]. Global TelecommunicationsConference， GLOBECOM， SanFrancisco， 2006： 1-6.

[6]楊憶，李建國(guó)，葛方振，基于Scikit-Learn的垃圾短信過濾方法實(shí)證研究[J].淮北師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2016， 37 （04）： 39-41.