高校各个系统蕴含着丰富的学生数据,但是这些系统基本上缺乏综合分析和辅助决策能力。为了利用学生事务数据,挖掘其中隐藏的信息和规律,从而更好地了解高校学生的生活和学习状况,本课题运用数据挖掘技术构建学生事务分析系统,实现学生消费分析和学生成绩分析两大模块。课题从数据层、分析层、应用层和展示层介绍学生事务分析系统的构成。首先,在数据层上系统使用预处理技术整合多个数据源构成适合数据挖掘的数据仓库;然后,在分析层和应用层上,系统针对不同的功能模块选择了不同的数据挖掘算法进行研究,在学生消费分析模块上选用Kmeans算法进行聚类分析,在学生成绩分析模块上使用关联分析算法提取强关联规则;最后,在展示层上实现数据挖掘结构的可视化。课题重点研究了关联分析算法中FP-growth和CAN-tree两种频繁项集挖掘算法。在分析FP-growth和CAN-tree的特性后,结合FP-growth的优势,采用执行时重构技术对CAN-tree算法进行改进,有效地减少了树型结构的结点个数。深入研究树型结构频繁项集挖掘算法后,针对树型结构中同名结点和前缀路径重复遍历以及条件模式树反复构建的问题,提出了树结构改进策略:使用Array-structure和具有两层hash结构的辅助项头表快速定位项结点,并且直接在辅助项头表上挖掘频繁项集,实现无树挖掘。经不同类型数据集实验验证,基于树结构改进策略极大的优化了算法的执行效率。