关联规则在独立学院招生决策中的应用

J4 ›› 2012, Vol. 34 ›› Issue (1): 119-123.

关联规则在独立学院招生决策中的应用

俸世洲1,2，周尚波1

(1.重庆大学计算机学院，重庆 400030;2.重庆师范大学涉外商贸学院,重庆 401520)

收稿日期:2010-12-10 修回日期:2011-03-12 出版日期:2012-01-25 发布日期:2012-01-25
基金资助:
211工程三期建设（S-10218）

Application of Association Rules in the Enrollment Decision of Independent Colleges

FENG Shizhou1,2,ZHOU Shangbo1

(1.School of Computer Science,Chongqing University,Chongqing 400030;
2.School of Foreign Trade and Business,Chongqing Normal University,Chongqing 401520,China)

Received:2010-12-10 Revised:2011-03-12 Online:2012-01-25 Published:2012-01-25

摘要/Abstract

摘要：

关联规则（Association Rule）是数据挖掘领域中一个重要的研究课题，广泛应用于各个领域，既可以检验行业内长期形成的知识模式，也能够发现隐藏的新规律。本文利用关联规则对独立学院招生信息进行分析，建立独立学院招生决策模型。首先选取考生高考志愿表中的专业信息，然后利用关联规则进行挖掘，最后对挖掘出的规则进行分析和应用。实验结果表明，利用关联规则对考生高考志愿信息进行挖掘是可行的、有效的，它为独立学院编制招生计划和制定招生宣传方案提供了一种新的参考依据，在独立学院招生领域具有较好的应用前景。

关键词: 数据挖掘, 关联规则, 招生

Abstract:

Association rule is an important research topic in data mining, which has been widely used in various fields. Association rule can be used to test the knowledge model and discover new laws. In this paper we put forward a tentative idea that we can use association rule to analyse enrollment information and construct enrollment decision of independent colleges. First, select the major information in the college entrance examination volunteer table; then, use association rule to perform data mining; Finally, analyse and apply the rules. Experimental results show that association rule is feasible and effective in mining the enrollment information. It can provide a new reference basis for making a list of enrollment plan and school enrolment advertisement of independent colleges, which has potential application prospect in the field of enrollment for independent colleges.

Key words: data mining;association rule;enrollment

俸世洲1,2，周尚波1. 关联规则在独立学院招生决策中的应用[J]. J4, 2012, 34(1): 119-123.

FENG Shizhou1,2,ZHOU Shangbo1. Application of Association Rules in the Enrollment Decision of Independent Colleges[J]. J4, 2012, 34(1): 119-123.

参考文献［12］

［1］	王志浩. 关联规则算法在中职招生宣传中的应用［J］. 中国西部科技, 2010, 9(22):5353.
［2］	陈秋杨, 蔡伟鸿, 冯锐彪, 等. 关联规则挖掘技术在研究生招生管理中的应用［J］. 福建电脑, 2008, 24 (8):7475.
［3］	王冠, 王静. 数据挖掘技术在高校招生工作中的应用［J］. 福建电脑, 2008, 24(6):8889.
［4］	Agrawal R, Srikant R. Mining Association Rules Between Sets of Items in Large Databases［C］∥Proc of ACM SIGMOD Int’l Conf Management of Data, 1993:207216.
［5］	Agrawal R, Srikant R. Fast Algorithms for Mining Association Rules［C］∥Proc of the 20th Int’l Conf Very Large Database, 1994:487499.
［6］	王俊华, 张锡琴, 冯敏敏. 一种增量时态关联规则算法［J］.计算机工程与科学, 2009, 31(10):115117.
［7］	宋威, 李晋宏, 徐章艳, 等. 一种新的频繁项集精简表示方法及其挖掘算法的研究［J］. 计算机研究与发展, 2010, 47(2):277285.
［8］	李成军，杨天奇. 一种改进的加权关联规则挖掘方法［J］. 计算机工程, 2010, 36(7):5557.
［9］	潘海为, 韩启龙, 印桂生, 等. 基于领域知识指导的医学图像关联规则挖掘［J］. 计算机研究与发展, 2007, 44(z3):424428.
［10］	蒋建军, 王以群. 农村社会保障体系数据流关联规则挖掘［J］. 计算机工程, 2009, 35(17): 8688.
［11］	翟少磊, 黄孝彬, 刘吉臻. 基于工况划分的电厂经济性指标挖掘［J］. 中国电力, 2009, 7:6871.
［12］	Dunham M H. 数据挖掘教程［M］. 郭崇慧, 田凤占, 靳晓明, 等译. 北京: 清华大学出版社, 2005.

[1]	雷轩, 程光, 张玉健, 郭靓, 张付存. 基于电力网络态势感知平台的告警信息关联分析[J]. 计算机工程与科学, 2023, 45(07): 1197-1208.
[2]	王晨宇, 温浩珉, 郭晟楠, 林友芳, 万怀宇, . 面向快递员揽收到达时间预测的多任务深度时空网络[J]. 计算机工程与科学, 2023, 45(01): 136-144.
[3]	程小刚, 郭韧, 周长利, . 基于理性密码学的分布式隐私保护数据挖掘框架[J]. 计算机工程与科学, 2022, 44(10): 1781-1787.
[4]	王文涛, 马慧芳, 舒跃育, 贺相春. 基于上下文表示的知识追踪方法[J]. 计算机工程与科学, 2022, 44(09): 1693-1701.
[5]	刘云, 肖添. 网络日志数据中条件因果挖掘算法的优化研究[J]. 计算机工程与科学, 2021, 43(09): 1584-1590.
[6]	文凯, 许萌萌, 张许红, . 基于列表结构的加权可擦除项集挖掘算法[J]. 计算机工程与科学, 2021, 43(09): 1676-1683.
[7]	熊中敏, 汪博, 陶然, 郑宗生, 陈明, . 一种基于主属性判定的关联规则挖掘约简算法[J]. 计算机工程与科学, 2021, 43(04): 738-745.
[8]	藏润强, 左美云, 郭鑫鑫. 基于Doc2Vec和BiLSTM的老年患者疾病预测研究[J]. 计算机工程与科学, 2020, 42(12): 2273-2279.
[9]	杨岚雁, 靳敏, 张迎春, 张珣. 一种基于关联规则的MLKNN多标签分类算法[J]. 计算机工程与科学, 2020, 42(07): 1309-1317.
[10]	何望1,2，林果园1,2. 基于FP-Growth改进算法的云服务器故障数据分析[J]. 计算机工程与科学, 2020, 42(05): 770-775.
[11]	谭胜昔，贾金萍，赵斌，吉根林. 动态空间网络中的黑洞模式挖掘算法[J]. 计算机工程与科学, 2020, 42(02): 325-333.
[12]	杨青1,2,3，张亚文1,2，张琴1，袁佩玲1. 基于Hadoop的多维关联规则挖掘算法研究及应用[J]. 计算机工程与科学, 2019, 41(12): 2127-2133.
[13]	廖纪勇，吴晟，刘爱莲. 基于布尔矩阵约简的Apriori算法改进研究[J]. 计算机工程与科学, 2019, 41(12): 2231-2238.
[14]	何登平1，2，3，何宗浩1,2，李培强1,2. 基于Spark的并行化高效用项集挖掘算法[J]. 计算机工程与科学, 2019, 41(10): 1723-1730.
[15]	陈胜发，贾瑞玉. 基于密度权重Canopy的改进K-medoids算法[J]. 计算机工程与科学, 2019, 41(10): 1823-1828.