CN107943946A - 基于Apriori算法的试题库知识点间关联性挖掘方法 - Google Patents

基于Apriori算法的试题库知识点间关联性挖掘方法 Download PDF

Info

Publication number
CN107943946A
CN107943946A CN201711190418.3A CN201711190418A CN107943946A CN 107943946 A CN107943946 A CN 107943946A CN 201711190418 A CN201711190418 A CN 201711190418A CN 107943946 A CN107943946 A CN 107943946A
Authority
CN
China
Prior art keywords
item
frequent
item collection
mrow
collection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711190418.3A
Other languages
English (en)
Other versions
CN107943946B (zh
Inventor
李太福
张堃
辜小花
唐海红
黄迪
黄勇
何光敏
宋健军
胡志轩
何江
刘湘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Jiulongpo District Tianbao Experimental School
Chongqing University of Science and Technology
Original Assignee
Chongqing Jiulongpo District Tianbao Experimental School
Chongqing University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Jiulongpo District Tianbao Experimental School, Chongqing University of Science and Technology filed Critical Chongqing Jiulongpo District Tianbao Experimental School
Priority to CN201711190418.3A priority Critical patent/CN107943946B/zh
Publication of CN107943946A publication Critical patent/CN107943946A/zh
Application granted granted Critical
Publication of CN107943946B publication Critical patent/CN107943946B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于Apriori算法的试题库知识点间关联性挖掘方法，包括步骤S1：将智能题库***日志表内的用户学习行为数据整理成关联规则模型所需要的数据结构，并导入关联规则模型；其中，用户做的全部知识点被记为一个事务，一道试题对应一个知识点，一个知识点称为一个项；步骤S2：在关联规则模型内寻找用户学习行为数据中最大的频繁项集Lk；步骤S3：根据最大频繁项集Lk产生关联规则；步骤S4：将导出的知识点间的关联规则按照从低年级至高年级的顺序进行排列。本发明通过Apriori算法找出用户知识点间的频繁项集，产生关联规则，运用这种关联规则对用户进行智能推荐，使用户对其薄弱的知识点达到逐步掌握的目的。

Description

基于Apriori算法的试题库知识点间关联性挖掘方法
技术领域
本发明涉及网络教育技术领域，更为具体地，涉及一种基于Apriori算法的试题库知识点间关联性挖掘方法。
背景技术
随着互联网技术的普及，大数据时代的来临，网络教育得到了迅速的发展，面对目前积累的TB甚至PB级的海量数字教育资源，数据挖掘类似的大数据信息处理技术需求日益迫切。教育资源推送是现代教育技术以网络为载体所引导的教育模式和教学方法改革的产物，旨在探索一种面向学生和教师，提供优质的信息资源的服务模式。而个性化推荐又是此研究中的热门领域，把个性化推荐与教育资源结合，运用相关大数据挖掘技术提取学习者的学习行为特点，为每一位用户量身定制合理有效的学习方案。
目前传统题库普遍存在单纯大量罗列试题的问题，一般不具备对试题特点进行分析的功能，而目前热门的试题推荐算法也无法做到通过用户记录来追溯其薄弱环节产生的原因。但实际上，试题之间、知识点之间的相互影响是有规律可循的，某一知识点的缺失可能对另一知识点的掌握产生影响，这些规律就隐藏在大量的试题中，如果能通过一定的大数据挖掘技术提取知识点间的关联规则，就能对症下药，逐步解决用户难点弱点问题。
发明内容
鉴于上述问题，本发明的目的是提供一种基于Apriori算法的试题库知识点间关联性挖掘方法，以解决上述背景技术所提出的问题。
本发明提供的基于Apriori算法的试题库知识点间关联性挖掘方法，包括：
步骤S1：将智能题库***日志表内的用户学习行为数据整理成关联规则模型所需要的数据结构，并导入关联规则模型；其中，用户做的全部知识点被记为一个事务，一道试题对应一个知识点，一个知识点称为一个项；
步骤S2：在关联规则模型内寻找用户学习行为数据中最大的频繁项集Lk；其中，在寻找最大频繁项集Lk的过程中，包括如下步骤：
步骤S21：扫描所有事务，计算候选1项集集合C1中每个1项集的支持度，计算公式如下：
其中，候选1项集集合C1为所有事务中的每个1项集的集合，1项集为1个项的集合；
项集{a}的支持度计数为所有事务中包含项a的事务个数；
步骤S22：对选1项集集合C1中各1项集的支持度分别与预设的最小支持度阈值进行比较，保留大于或等于最小支持度阈值的1项集，获得1项频繁集L1；
步骤S23：扫描所有事务，1项频繁集L1与1项频繁集L1自连接获得候选2项集集合C2，并计算候选2项集集合C2中每一个2项集的支持度，计算公式如下：
其中，1项频繁集L1与1项频繁集L1自连接使两个不同的项组成2项集，1项频繁集L1与1项频繁集L1连接后组成的所有2项集构成候选2项集集合C2；
项集{a,b}的支持度计数为所有事务中同时包含项a和项b的事务个数；
步骤S24：根据Apriori算法，剔除候选2项集集合C2中不符合规则的项集，规则为频繁集的所有非空子集均为频繁集；
步骤S25：对候选2项集集合C2中未被剔除的各2项集的支持度分别与最小支持度阈值进行比较，保留大于或等于最小支持度阈值的2项集，获得2项频繁集L2；
步骤S26：扫描所有事务，2项频繁集L2与1项频繁集L1连接获得候选3项集集合C3，并计算候选3项集集合C3中每一个3项集的支持度，计算公式如下：
其中，2项频繁集L2与1项频繁集L1连接使三个不同的项组成3项集，2项频繁集L2与1项频繁集L1连接后组成的所有3项集构成候选3项集集合C3；
项集{a,b,c}的支持度计数为所有事务中同时包含项a、项b和项c的事务个数；
步骤S27：根据Apriori算法，剔除所述候选3项集集合C3中不符合规则的项集，规则为频繁集的所有非空子集均为频繁集；
步骤S28：将候选3项集集合C3中未被提出的各3项集的支持度分别与最小支持度阈值进行比较，保留大于或等于最小支持度阈值的3项集，获得3项频繁集L3，以此进行递归，直到获得最大频繁项集Lk；
步骤S3：根据最大频繁项集Lk产生关联规则；在根据最大频繁项集Lk产生关联规则的过程中，包括如下步骤：
步骤S31：计算最大频繁项集Lk中两个项集之间的置信度，计算公式如下：
其中，Support_count(A∩B)是包含项集A∩B的事务个数，Support_count(A)是包含项集A的事务个数；
步骤S32：当频繁项集同时满足最小支持度和最小置信度时的规则称为强规则，导出相应的知识点间的关联规则和
步骤S4：将导出的知识点间的关联规则按照预定义顺序进行排列。
与现有技术相比，本发明提供的基于Apriori算法的试题库知识点间关联性挖掘方法，其通过Apriori算法找出用户知识点间的频繁项集，然后产生关联规则。运用这种关联规则对用户进行智能推荐，使用户对其薄弱的知识点达到逐步掌握的目的。
具体实施方式
本发明提供的基于Apriori算法的试题库知识点间关联性挖掘方法，包括如下步骤：
步骤S1：将智能题库***日志表内的用户学习行为数据整理成关联规则模型所需要的数据结构，并导入关联规则模型；其中，用户做过的全部知识点记为一个事务，一道试题对应一个知识点，一个知识点称为一个项。
用户学习行为数据例以下表为例进行说明：
为方便起见，可将知识点{小数乘法，小数除法，简易方程，因数与倍数}分别简记为{a,b,c,d}，则上述数据可整理得：
其中，知识点a、b、c、d分别称为一个项，上述用户学习行为数据一共产生4个事务。
步骤S2：在关联规则模型内寻找用户学习行为数据中最大的频繁项集Lk。
其中，在寻找最大频繁项集Lk的过程中，包括如下步骤：
步骤S21：扫描所有事务，计算候选1项集集合C1中每个1项集的支持度，计算公式如下：
其中，候选1项集集合C1为所有事务中的每个1项集的集合，1项集为1个项的集合；C1为项集{a}、项集{b}、项集{c}和项集{d}的集合。
项集是项的集合，包含k个项的项集称为k项集，如{小数乘法，小数除法}是一个2项集。
项集出现的频率是所有包含该项集的事务计数，又称作绝对支持度或支持度计数。如果一个项集的相对支持度满足预先定义的最小支持度阈值，则该项集是频繁项集。
项集{a}的支持度计数为所有事务中包含项a的事务个数，具体为2，所有事物的个数为4。
P({a})＝2÷4＝50％
步骤S22：对选1项集集合C1中各1项集的支持度分别与预设的最小支持度阈值进行比较，保留大于或等于最小支持度阈值的1项集，获得1项频繁集L1。
1项频繁集L1为项集的集合，如果项集{c}和项集{d}被保留下来，则1项频繁集L1包括项集{c}和项集{d}。
步骤S23：扫描所有事务，1项频繁集L1与1项频繁集L1自连接获得候选2项集集合C2，并计算候选2项集集合C2中每一个2项集的支持度，计算公式如下：
其中，1项频繁集L1与1项频繁集L1自连接使两个不同的项组成2项集，1项频繁集L1与1项频繁集L1连接后组成的所有2项集构成候选2项集集合C2；例如：1项频繁集L1包括项集{b}项集{c}和项集{d}，1项频繁集L1与1项频繁集L1自连接获得的2项集集合C2包括项集{b,c}、项集{b,d}和项集{c,d}。
项集{a,b}的支持度计数为所有事务中同时包含项a和项b的事务个数；
步骤S24：根据Apriori算法，剔除候选2项集集合C2中不符合规则的项集，规则为频繁集的所有非空子集均为频繁集。
Apriori算法为现有技术，故在本发明中不再赘述。
步骤S25：对候选2项集集合C2中未被剔除的各2项集的支持度分别与最小支持度阈值进行比较，保留大于或等于最小支持度阈值的2项集，获得2项频繁集L2。
例如：2项频繁集L2包括项集{b,c}和项集{b,d}。
步骤S26：扫描所有事务，2项频繁集L2与1项频繁集L1连接获得候选3项集集合C3，并计算候选3项集集合C3中每一个3项集的支持度，计算公式如下：
其中，2项频繁集L2与1项频繁集L1连接使三个不同的项组成3项集，2项频繁集L2与1项频繁集L1连接后组成的所有3项集构成候选3项集集合C3。
例如：候选3项集集合C3包括{a,b,c}、{a,b,d}等等。
项集{a,b,c}的支持度计数为所有事务中同时包含项a、项b和项c的事务个数；
步骤S27：根据Apriori算法，剔除候选3项集集合C3中不符合规则的项集，规则为频繁集的所有非空子集均为频繁集。
步骤S28：将候选3项集集合C3中未被提出的各3项集的支持度分别与最小支持度阈值进行比较，保留大于或等于最小支持度阈值的3项集，获得3项频繁集L3。
以此类推，进行递归，直到获得最大频繁项集Lk。
由以上过程可知L1,L2,...,Lk都是频繁项集，Lk是最大的频繁项集。
步骤S3：关联规则模型根据最大频繁项集Lk产生关联规则。
在根据最大频繁项集Lk产生关联规则的过程中，包括如下步骤：
步骤S31：计算最大频繁项集Lk中两个项集之间的置信度，计算公式如下：
其中，项集A发生，则项集B也发生的概率为关联规则的置信度，
Support_count(A∩B)是包含项集A∩B的事务个数，Support_count(A)是包含项集A的事务个数。
步骤S32：当频繁项集同时满足最小支持度和最小置信度时的规则称为强规则，导出相应的知识点间的关联规则和
步骤S4：将关联规则模型导出的知识点间的关联规则按照预定义顺序进行排列。
预定义顺序可以为时间顺序、科目顺序等其它顺序。
时间顺序是指关联规则按照从低年级到高年级的顺序进行排列，例如：知识点a为三年级的知识点，知识点b为1年级的知识点，知识点c为二年级的知识点，如果可以通过知识点a关联到知识点b，知识点b关联到知识点c，则关联规则排序为b→c→a。
从上述例子可以看出，用户1年级的知识点没有掌握好，自然2年级的知识点也掌握不好，从关联规则按照从低年级到高年级的顺序进行排列推荐给用户，可以使用户打好基础。
科目顺序是指关联规则按照从一个科目到另一个科目的顺序进行排列。例如：从数学科目的知识点关联到物理科目的知识点，当用户掌握好数学科目的知识点有利于物理科目的知识点的掌握。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (1)

1.一种基于Apriori算法的试题库知识点间关联性挖掘方法，包括：
步骤S1：将智能题库***日志表内的用户学习行为数据整理成关联规则模型所需要的数据结构，并导入所述关联规则模型；其中，用户做的全部知识点被记为一个事务，一道试题对应一个知识点，一个知识点称为一个项；
步骤S2：在所述关联规则模型内寻找所述用户学习行为数据中最大的频繁项集Lk；其中，在寻找所述最大频繁项集Lk的过程中，包括如下步骤：
步骤S21：扫描所有事务，计算候选1项集集合C1中每个1项集的支持度，计算公式如下：
其中，候选1项集集合C1为所有事务中的每个1项集的集合，1项集为1个项的集合；
项集{a}的支持度计数为所有事务中包含项a的事务个数；
步骤S22：对所述选1项集集合C1中各1项集的支持度分别与预设的最小支持度阈值进行比较，保留大于或等于所述最小支持度阈值的1项集，获得1项频繁集L1；
步骤S23：扫描所有事务，所述1项频繁集L1与所述1项频繁集L1自连接获得候选2项集集合C2，并计算所述候选2项集集合C2中每一个2项集的支持度，计算公式如下：
其中，所述1项频繁集L1与所述1项频繁集L1自连接使两个不同的项组成2项集，所述1项频繁集L1与所述1项频繁集L1连接后组成的所有2项集构成候选2项集集合C2；
项集{a,b}的支持度计数为所有事务中同时包含项a和项b的事务个数；
步骤S24：根据Apriori算法，剔除所述候选2项集集合C2中不符合规则的项集，所述规则为频繁集的所有非空子集均为频繁集；
步骤S25：对所述候选2项集集合C2中未被剔除的各2项集的支持度分别与所述最小支持度阈值进行比较，保留大于或等于所述最小支持度阈值的2项集，获得2项频繁集L2；
步骤S26：扫描所有事务，所述2项频繁集L2与所述1项频繁集L1连接获得候选3项集集合C3，并计算所述候选3项集集合C3中每一个3项集的支持度，计算公式如下：
其中，所述2项频繁集L2与所述1项频繁集L1连接使三个不同的项组成3项集，所述2项频繁集L2与所述1项频繁集L1连接后组成的所有3项集构成候选3项集集合C3；
项集{a,b,c}的支持度计数为所有事务中同时包含项a、项b和项c的事务个数；
步骤S27：根据所述Apriori算法，剔除所述候选3项集集合C3中不符合规则的项集，所述规则为频繁集的所有非空子集均为频繁集；
步骤S28：将所述候选3项集集合C3中未被提出的各3项集的支持度分别与所述最小支持度阈值进行比较，保留大于或等于所述最小支持度阈值的3项集，获得3项频繁集L3，以此进行递归，直到获得所述最大频繁项集Lk；
步骤S3：所述关联规则模型根据所述最大频繁项集Lk产生关联规则；在根据所述最大频繁项集Lk产生关联规则的过程中，包括如下步骤：
步骤S31：计算所述最大频繁项集Lk中两个项集之间的置信度，计算公式如下：
<mrow> <mi>C</mi> <mi>o</mi> <mi>n</mi> <mi>f</mi> <mi>i</mi> <mi>d</mi> <mi>e</mi> <mi>n</mi> <mi>c</mi> <mi>e</mi> <mrow> <mo>(</mo> <mrow> <mi>A</mi> <mo>&amp;DoubleRightArrow;</mo> <mi>B</mi> </mrow> <mo>)</mo> </mrow> <mo>=</mo> <mi>P</mi> <mrow> <mo>(</mo> <mrow> <mi>A</mi> <mo>|</mo> <mi>B</mi> </mrow> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>S</mi> <mi>u</mi> <mi>p</mi> <mi>p</mi> <mi>o</mi> <mi>r</mi> <mi>t</mi> <mo>_</mo> <mi>c</mi> <mi>o</mi> <mi>u</mi> <mi>n</mi> <mi>t</mi> <mrow> <mo>(</mo> <mrow> <mi>A</mi> <mo>&amp;cap;</mo> <mi>B</mi> </mrow> <mo>)</mo> </mrow> </mrow> <mrow> <mi>S</mi> <mi>u</mi> <mi>p</mi> <mi>p</mi> <mi>o</mi> <mi>r</mi> <mi>t</mi> <mo>_</mo> <mi>c</mi> <mi>o</mi> <mi>u</mi> <mi>n</mi> <mi>t</mi> <mrow> <mo>(</mo> <mi>A</mi> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>
其中，Support_count(A∩B)是包含项集A∩B的事务个数，Support_count(A)是包含项集A的事务个数；
步骤S32：当频繁项集同时满足所述最小支持度和所述最小置信度时的规则称为强规则，导出相应的知识点间的关联规则和
步骤S4：所述关联规则模型将导出的知识点间的关联规则按照预定义顺序进行排列。
CN201711190418.3A 2017-11-24 2017-11-24 基于Apriori算法的试题库知识点间关联性挖掘方法 Active CN107943946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711190418.3A CN107943946B (zh) 2017-11-24 2017-11-24 基于Apriori算法的试题库知识点间关联性挖掘方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711190418.3A CN107943946B (zh) 2017-11-24 2017-11-24 基于Apriori算法的试题库知识点间关联性挖掘方法

Publications (2)

Publication Number Publication Date
CN107943946A true CN107943946A (zh) 2018-04-20
CN107943946B CN107943946B (zh) 2019-08-30

Family

ID=61949644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711190418.3A Active CN107943946B (zh) 2017-11-24 2017-11-24 基于Apriori算法的试题库知识点间关联性挖掘方法

Country Status (1)

Country Link
CN (1) CN107943946B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830655A (zh) * 2018-06-19 2018-11-16 郑州云海信息技术有限公司 一种用户操作关系获取方法及相关装置
CN111026270A (zh) * 2019-12-09 2020-04-17 大连外国语大学 一种移动情境感知环境下的用户行为模式挖掘方法
CN111158699A (zh) * 2019-12-31 2020-05-15 青岛海尔科技有限公司 基于Apriori算法的应用优化方法、装置和智能设备
CN111291093A (zh) * 2020-02-20 2020-06-16 支付宝(杭州)信息技术有限公司 用于确定业务应用的功能关联规则的方法及装置
CN112000714A (zh) * 2020-08-21 2020-11-27 扬州大学 一种提取教学知识点关联的挖掘方法
CN112286900A (zh) * 2019-07-16 2021-01-29 北京字节跳动网络技术有限公司 一种数据处理方法、装置、设备及存储介质
CN112784899A (zh) * 2021-01-20 2021-05-11 中国电力科学研究院有限公司 变电运维知识频繁模式挖掘方法、装置、设备及存储介质
CN115936904A (zh) * 2022-10-24 2023-04-07 税刻(山东)数字科技有限公司 基于用户行为的财税知识推送方法
CN117056869A (zh) * 2023-10-11 2023-11-14 轩创(广州)网络科技有限公司 一种基于人工智能的电子信息数据关联方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320756A (zh) * 2015-10-15 2016-02-10 江苏省邮电规划设计院有限责任公司 一种基于改进Apriori算法的数据库关联规则挖掘方法
CN105608135A (zh) * 2015-12-18 2016-05-25 Tcl集团股份有限公司 一种基于Apriori算法的数据挖掘方法及***
CN107291877A (zh) * 2017-06-19 2017-10-24 西安电子科技大学 一种基于Apriori算法的频繁项集挖掘方法
US20180032880A1 (en) * 2016-07-28 2018-02-01 International Business Machines Corporation Using Learned Application Flow to Predict Outcomes and Identify Trouble Spots in Network Business Transactions

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320756A (zh) * 2015-10-15 2016-02-10 江苏省邮电规划设计院有限责任公司 一种基于改进Apriori算法的数据库关联规则挖掘方法
CN105608135A (zh) * 2015-12-18 2016-05-25 Tcl集团股份有限公司 一种基于Apriori算法的数据挖掘方法及***
US20180032880A1 (en) * 2016-07-28 2018-02-01 International Business Machines Corporation Using Learned Application Flow to Predict Outcomes and Identify Trouble Spots in Network Business Transactions
CN107291877A (zh) * 2017-06-19 2017-10-24 西安电子科技大学 一种基于Apriori算法的频繁项集挖掘方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830655A (zh) * 2018-06-19 2018-11-16 郑州云海信息技术有限公司 一种用户操作关系获取方法及相关装置
CN112286900A (zh) * 2019-07-16 2021-01-29 北京字节跳动网络技术有限公司 一种数据处理方法、装置、设备及存储介质
CN111026270A (zh) * 2019-12-09 2020-04-17 大连外国语大学 一种移动情境感知环境下的用户行为模式挖掘方法
CN111158699A (zh) * 2019-12-31 2020-05-15 青岛海尔科技有限公司 基于Apriori算法的应用优化方法、装置和智能设备
CN111291093A (zh) * 2020-02-20 2020-06-16 支付宝(杭州)信息技术有限公司 用于确定业务应用的功能关联规则的方法及装置
CN111291093B (zh) * 2020-02-20 2023-08-08 支付宝(杭州)信息技术有限公司 用于确定业务应用的功能关联规则的方法及装置
CN112000714A (zh) * 2020-08-21 2020-11-27 扬州大学 一种提取教学知识点关联的挖掘方法
CN112784899A (zh) * 2021-01-20 2021-05-11 中国电力科学研究院有限公司 变电运维知识频繁模式挖掘方法、装置、设备及存储介质
CN115936904A (zh) * 2022-10-24 2023-04-07 税刻(山东)数字科技有限公司 基于用户行为的财税知识推送方法
CN117056869A (zh) * 2023-10-11 2023-11-14 轩创(广州)网络科技有限公司 一种基于人工智能的电子信息数据关联方法及***

Also Published As

Publication number Publication date
CN107943946B (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
CN107943946A (zh) 基于Apriori算法的试题库知识点间关联性挖掘方法
Zwick et al. Measures of similarity among fuzzy concepts: A comparative analysis
Longobardi et al. Evidence for syntax as a signal of historical relatedness
CN103365997B (zh) 一种基于集成学习的观点挖掘方法
CN109815955A (zh) 题目辅助方法及***
CN101782920B (zh) 面向综合集成研讨环境的信息推荐方法
CN107045533A (zh) 基于标签的教育资源推荐方法及***
CN109992676A (zh) 一种跨媒体资源检索方法及检索***
Kantar et al. Hierarchical structure of the countries based on electricity consumption and economic growth
CN111881688A (zh) 基于屏蔽泛化机制的事件因果关系识别方法、***、装置
Chen et al. Inferring network structure with unobservable nodes from time series data
Adeniji A bibliometric study on learning analytics
Rekha et al. A framework for sentiment analysis in customer product reviews using machine learning
Mahara et al. Deep vs. shallow: a comparative study of machine learning and deep learning approaches for fake health news detection
Chaurasia et al. Predicting mental health of scholars using contextual word embedding
Zhang et al. External correlates of adult digital problem-solving behavior: Log data analysis of a large-scale assessment
Bonacin et al. An ontological model for representing pragmatic aspects of collaborative problem solving
Buscemi et al. Large Language Models' Detection of Political Orientation in Newspapers
Choi et al. Large-Scale Korean Text Dataset for Classifying Biased Speech in Real-World Online Services
Graser et al. Using chatGPT-4 for the identification of common UX factors within a pool of measurement items from established UX questionnaires
Ho et al. Enhancing recommender systems by fusing diverse information sources through data transformation and feature selection
Li et al. Differential Evolution for Rule Extraction and Its application in Recognizing Oil Reservoir.
Ionita et al. HOW HAS THE LAK COMMUNITY EVOLVED IN ITS FIRST DECADE? A DETAILED MODELING THROUGH INTERACTIVE CNA SOCIOGRAMS.
KR20190094863A (ko) 기사 내 부적합 문단 검출시스템
Ulkhaq THE ROLE OF ICT IN EDUCATION: AN EFFICIENCY ANALYSIS

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant