基于Apriori算法關(guān)聯(lián)規(guī)則推薦教學(xué)視頻應(yīng)用研究

王詩(shī)圓，申 瑩，趙永翼

（沈陽(yáng)師范大學(xué)軟件學(xué)院，沈陽(yáng) 110034）

1 網(wǎng)絡(luò)教學(xué)的優(yōu)勢(shì)

隨著互聯(lián)網(wǎng)行業(yè)技術(shù)快速發(fā)展以及現(xiàn)代互聯(lián)網(wǎng)技術(shù)在各行各業(yè)內(nèi)的廣度深度的推廣，互聯(lián)網(wǎng)內(nèi)用戶的數(shù)量級(jí)也在迅速擴(kuò)大。同時(shí)，隨著現(xiàn)代學(xué)習(xí)型社會(huì)建設(shè)迫切需要，基于互聯(lián)網(wǎng)技術(shù)的網(wǎng)絡(luò)教學(xué)已經(jīng)成為人們學(xué)習(xí)專業(yè)知識(shí)的重要途徑之一。與傳統(tǒng)的學(xué)習(xí)方法相比，網(wǎng)絡(luò)教學(xué)有許多優(yōu)勢(shì)。用戶可以利用課程網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)提供的資源實(shí)現(xiàn)課程的重復(fù)學(xué)習(xí)，及時(shí)擺脫傳統(tǒng)教育中教師的束縛，為不同基礎(chǔ)的學(xué)生掌握課程內(nèi)容提供良好的教學(xué)重復(fù)功能。網(wǎng)絡(luò)技術(shù)和多媒體技術(shù)的結(jié)合使得網(wǎng)絡(luò)教學(xué)能夠?qū)崿F(xiàn)良好的教師和應(yīng)用。家庭之間的交流。隨著Ajax技術(shù)的成熟和普及，除了視頻模式之外，在線教學(xué)還可以通過(guò)直播來(lái)進(jìn)行。在教學(xué)過(guò)程中，用戶還可以使用直播模塊提問(wèn)、討論和與教師或其他用戶交流。課后，用戶也可以使用電子郵件和留言板與老師或其他用戶互動(dòng)。網(wǎng)絡(luò)教學(xué)并不是傳統(tǒng)的以教師和學(xué)生為中心的星型學(xué)習(xí)模式，而是一種以教師為中心的網(wǎng)絡(luò)拓?fù)鋵W(xué)習(xí)模式，更加科學(xué)更加地完善。

2 國(guó)內(nèi)外現(xiàn)狀

20世紀(jì)80年代末，出現(xiàn)了數(shù)據(jù)挖掘技術(shù)，即從海量數(shù)據(jù)信息中獲取有用信息的過(guò)程。在信息數(shù)據(jù)管理、檢索和分析過(guò)程中，基于數(shù)據(jù)庫(kù)技術(shù)，包括關(guān)系數(shù)據(jù)庫(kù)和非關(guān)系數(shù)據(jù)庫(kù)。存儲(chǔ)在數(shù)據(jù)庫(kù)中的數(shù)據(jù)通過(guò)萬(wàn)維網(wǎng)被用戶廣泛使用，用戶的行為數(shù)據(jù)也記錄在數(shù)據(jù)庫(kù)中。分析和挖掘這些數(shù)據(jù)已成為一項(xiàng)重要的任務(wù)。隨著數(shù)據(jù)挖掘技術(shù)的不斷發(fā)展和進(jìn)步，技術(shù)體系逐漸成熟。人們正在轉(zhuǎn)向數(shù)據(jù)挖掘技術(shù)在實(shí)際項(xiàng)目中的應(yīng)用。通過(guò)不同的挖掘策略和數(shù)據(jù)集成方法，可以得到較好的結(jié)果。數(shù)據(jù)挖掘技術(shù)在我們?nèi)粘Ｉ钪械膽?yīng)用是多樣的，并且滲透到我們生活的各個(gè)方面。它對(duì)我們的生活和工作方式有著重要的影響。即使對(duì)人們的學(xué)習(xí)，投資和健康也有微妙的影響。

3 Apriori算法概述

Apriori算法是現(xiàn)在關(guān)聯(lián)規(guī)則算法中最有影響的頻繁項(xiàng)集挖掘算法之一。其中它的基本思想是先找到所有的頻率集，這些頻率集的出現(xiàn)頻率至少與預(yù)先定義的最小支持頻率相同。然后由頻率集生成強(qiáng)關(guān)聯(lián)規(guī)則，滿足最小支持度和最小置信度。然后，我們使用步驟1中找到的頻率集生成預(yù)期規(guī)則，并生成只包含集合項(xiàng)的所有規(guī)則。每個(gè)規(guī)則的右側(cè)只有一個(gè)項(xiàng)目。這里我們使用中間規(guī)則的定義。一旦生成了這些規(guī)則，就只剩下那些大于用戶給定的最低可信度的規(guī)則。為了生成所有頻率集，使用遞歸方法。偽代碼如下：

（1）L1= fi nd_frequent_1-itemsets（E）；

（2）for（k=2 ；Lk-1 ≠ Φ ；k++）{

（3）Ck=apriori_gen（Lk-1，min_sup）；

（4）for each transaction t∈E

（5）Ct=subset（Ck，t）；/

（6）for each candidate c∈Ct

（7）c.count++；

（8）}

（9）Lk={c∈Ck|c.count≥min_sup}

（10）}

（11）return L=∪ k Lk；

4 研究與設(shè)計(jì)

使用關(guān)聯(lián)規(guī)則進(jìn)行內(nèi)容推薦是本文的重點(diǎn)。圖3-1描述了使用關(guān)聯(lián)規(guī)則挖掘關(guān)聯(lián)規(guī)則和實(shí)現(xiàn)內(nèi)容建議的模型。該模型主要由內(nèi)容推薦和關(guān)聯(lián)規(guī)則挖掘模塊組成。關(guān)聯(lián)規(guī)則內(nèi)容推薦模塊主要根據(jù)用戶訪問(wèn)的頁(yè)面內(nèi)容實(shí)現(xiàn)其他內(nèi)容的推薦功能，關(guān)聯(lián)規(guī)則挖掘模塊主要實(shí)現(xiàn)后臺(tái)管理員根據(jù)用戶訪問(wèn)日志挖掘關(guān)聯(lián)規(guī)則的功能，并使用關(guān)聯(lián)規(guī)則挖掘算法挖掘關(guān)聯(lián)規(guī)則，并將挖掘結(jié)果存儲(chǔ)在數(shù)據(jù)庫(kù)中。

5 Apriori內(nèi)容推薦功能測(cè)試

當(dāng)前系統(tǒng)有130項(xiàng)信息（即數(shù)據(jù)項(xiàng)），記錄在當(dāng)前系統(tǒng)中的用戶訪問(wèn)日志被指定為樣本數(shù)據(jù)，過(guò)濾樣本數(shù)據(jù)中的訪問(wèn)日志記錄會(huì)刪除由于異常收集而部分過(guò)長(zhǎng)或日志標(biāo)記為空的訪問(wèn)日志記錄。過(guò)濾后，獲得了3460條訪問(wèn)日志記錄。首先設(shè)置最小支持度為3，最小置信度為50，執(zhí)行Apriori算法，得到26條關(guān)聯(lián)規(guī)則。我們知道，設(shè)置較低級(jí)別的支持當(dāng)然可以獲得更多的關(guān)聯(lián)規(guī)則，但是較低級(jí)別的支持也可以通過(guò)關(guān)聯(lián)規(guī)則挖掘一些用戶不多的行為模式，這樣的推薦沒(méi)有更好的挖掘含義，更有可能影響推薦的效果。精品課程網(wǎng)站的內(nèi)容具有長(zhǎng)期性，因此隨著用戶訪問(wèn)量的增加，挖掘關(guān)聯(lián)規(guī)則時(shí)，相應(yīng)的最低支持度和置信度應(yīng)該逐漸增加。接下來(lái)，最小支持度為0.07，最小置信度為70，Apriori被用于挖掘，產(chǎn)生66個(gè)關(guān)聯(lián)規(guī)則，可以作為課程內(nèi)容推薦。

6 結(jié)束語(yǔ)

在算法系統(tǒng)的實(shí)際實(shí)施過(guò)程中，由于樣本數(shù)量限制等原因，系統(tǒng)中仍有一些問(wèn)題需要進(jìn)一步地討論和改進(jìn)來(lái)去解決實(shí)際遇到的問(wèn)題，如樣本數(shù)量級(jí)不足、數(shù)據(jù)處理方式欠缺等，若混合多種算法進(jìn)行數(shù)據(jù)挖掘，實(shí)驗(yàn)結(jié)果將更加符合期望水平。