[摘要]大數據時代，科技的發(fā)展為教育帶來了巨大變革，教育更關注學習者的需求，更關注學習者能力提升及綜合素質的發(fā)展，數據挖掘支持的高校教學變革勢在必行。提出一種挖掘高校教學網站頻繁訪問節(jié)點數據的新方法MFITTSSW，使該方法可以單遍掃描數據集以獲得推薦模式。通過網站應用實踐，發(fā)現該方法可以有效關注學習者個體發(fā)展需求，對大數據時代進行高校教學變革具有重要意義。
　　 [關鍵詞] 大數據;數據挖掘;高校教學
　　 [中圖分類號]  G642                  [文獻標志碼]  A                       [文章編號]  2096-0603（2018）34-0048-02
　　 隨著現代信息技術的發(fā)展，“教育信息化”與人們日常生活的聯系越來越緊密。教育信息化的改革與發(fā)展，使其成為教育發(fā)展的重點。如，電子白板、在線課程、各種多媒體應用軟件、Web考試系統以及高校教學網站技術相當成熟。但在考試難度控制、題庫選擇等方面還存在一定的問題，主要是題庫選題方法是隨機的，考試的一些重要參數無法統計，很難實現對考試的客觀評價，另外，高校學生尤其是新生在選課以及對自己的專業(yè)考慮不足，很難正確選擇自己需要的課程，很難選擇自己喜歡的教學內容。歸根到底，這些信息化技術最大的不足之處就是缺乏對數據信息的分析，發(fā)掘數據是否有關系，然后透過數據之間的關系來進行相關內容的推薦。而在如今的大數據時代，數字數據以驚人的速度增長，人們的生活方式和生產方式也發(fā)生著前所未有的變化，這些新特點也是當前的教學改革、課程教學方向的熱點。大數據具有三個特征：數據量大、數據產生得快、數據具有多樣性。首先，由于高校課程選擇數據、課程考核數據、評估數據和學習者數據等規(guī)模都非常大，因此用來分析的數據量非常龐大，并且在分析這些數據的過程中會產生新的數據，這些數據通常在運行過程中是指數倍增長，往往超出一般數據庫軟件所能捕捉、存儲和分析的數據量。其次，大數據往往是在課程選擇、課程考核和分析等過程中新產生的數據，這些數據是實時、在某一時間段數據量龐大，而不是事件發(fā)生后去采集的。再次，大數據擁有非常多的數據類型，選課、考試以及觀看教學視頻中的每個步驟都可以跟蹤采集相關學習行為的數據，如選課的路徑模式、觀看教學視頻時間長度、測試數據的分數、通過率、課程討論論壇數據等數據采集、轉換很困難，需要高質量的軟硬件環(huán)境。從以上三點我們可以發(fā)現，大數據背景下，課程的選課模式、學習模式、教學考核模式等是通過挖掘大量相關數據從而科學地進行課程建設和改革的，從而提高教師教學和學生自主學習效率。而選課教學網站的數據挖掘不可能對所有數據進行挖掘，只能通過挖掘近期數據的關鍵信息，從頻繁被訪問的節(jié)點信息，找出數據摘要。從而推薦相應選課內容以及學習內容。國內外的一些專家學者在網站頻繁訪問節(jié)點挖掘方面提出的算法有FTP-DS、DSM-MFI等，彌補了傳統頻繁項集挖掘中多遍速掃描數據集和基于磁盤存儲不足的缺陷。雖然這些算法都可以滿足數據流挖掘中單遍掃描數據和基于內存存儲的特點，但是這些應用滑動窗模型挖掘數據流頻繁訪問節(jié)點算法同樣存在著挖掘效率不高和內存存儲數據量過大的問題。
　　 本文針對滑動窗挖掘模型中存在的不足，提出基于時間和事務雙敏感的滑動窗TTS作為概要結構，從而有效綜合滑動窗模型的優(yōu)點。并構建后綴樹作為基于內存的數據結構存儲到來的訪問節(jié)點，通過壓縮后綴樹（CST）方法減少內存中樹型結構所占用的空間，使算法MFITTSSW可以在單遍掃描數據集的基礎上挖掘滑動窗中的頻繁訪問節(jié)點。文中主要討論如何確立數據的高效存儲、如何確保數據的高質量性以及如何對數據進行挖掘以保障課程選課和學生學習質量。
　　 一、問題定義
　　 設Ψ={i1，i2，…，im}為項的集合。項集X是Ψ的非空子集，k-項集是包含k個項的子集，可以用（x1，x2，…，xk）表示。帶有唯一標識（tid）的事務T和項的集合由〈tid，（x1，x2，…，xq）〉表示，其中xi∈Ψ，■i=1，2，3，…，q。將數據流分為固定事務數量的窗口，稱為基本窗，記為Bi。一個基本窗Bi是由k個事務組成，基本窗由窗的標識Bid唯一確定。
　　 二、時間和事務雙敏感的滑動窗模型
　　 時間敏感的滑動窗模型是以時間為基本單位，如一分鐘或一小時。然而，由于數據流的概念漂移性，在應用時間敏感滑動窗模型時，在某一個或者某幾個時間單位中存在沒有事務或者只存在一個事務的情況。但是以時間敏感的滑動窗為概要設計的算法不得不處理每一個時間單元的事務，這樣就極大地浪費了CPU處理時間。
　　 事務敏感的滑動窗模型相對于時間敏感的滑動窗有一定的優(yōu)勢，然而事務敏感的滑動窗模型存在無法適當的定義事務塊大小的問題。用戶定義過大的事務單元塊時，會對內存造成極大的壓力，不利于處理;當用戶定義較小的事務單元塊時，處理又過于頻繁，造成CPU資源的浪費。
　　 時間和事務雙敏感的滑動窗模型TTS（Time and Transaction Sensitive sliding window）是同時限制時間和事務數量的滑動窗，它包括最小限定事務數y、限定的時間單位Tp和擴充時間單位Te。
　　 當給定一個時間t和時間周期Tp時，在[t-Tp+1，t]時間到來的所有事務集形成一個基本窗，叫做一塊。如果在這一時間塊內的事務數小于某一用戶定義數量值y，這時將記錄一個擴充的時間Te，Te的大小為記錄的時間點開始直到整個中的事務數等于y為止。即在一個時間塊中的事務數必須大于等于y。數據流可以分成這些數據塊的和�；瑒哟暗拇笮】梢杂蓔W|表示，且|W|≥y。這種約束時間和事務的滑動窗稱為時間和事務雙敏感的滑動窗（TTS）模型。

相關熱詞搜索：教學方法 高等教育 個性化 數據 推薦