论文部分内容阅读
摘 要：本文提出了一个基于Web使用挖掘的个性化网络教育模型，它能够应用数据挖掘的方法，从站点上积累下来的信息中提取抽象的、潜在的知识，以实现远程教育的个性化。
关键词：个性化网络教育 数据挖掘 Web使用挖掘
中图分类号：G434文献标识码：A 文章编号：1673-8454（2008）15-0087-02
个性化网络教育是随着Web技术的发展而产生的一种新型教育方式，与传统教育模式相比，它不仅交互性好，同时还强调个性化，按学生的具体情况进行适应性培训，注重学生在学习过程中的积极参与。通过Web挖掘对这些用户特征的理解和分析，开展个性化教育活动。
一、Web挖掘概念
Web挖掘就是将传统的数据挖掘技术和Web技术结合起来，进行Web知识的提取，是对包括Web页面内容、页面之间的结构、用户访问信息等在内的各种数据，应用数据挖掘的方法，提取抽象的、潜在的、有用的知识。[1]
二、Web挖掘的分类
5）事务识别由于不同用户访问的页面属于不同的会话，因此如果一个用户访问的页面跨越时间较长，一般认为用户访问不只一次。最简单的方法是使用时间戳Timeout。
（2）模式发现
模式发现就是利用一些数据挖掘算法来挖掘出模式、规则等。可以使用的数据挖掘算法包括关联规则挖掘算法[4]（如Apriori、AprioriTid和AIS算法）、序列模式挖掘算法[5,6]（如AprioriSome和AprioriAll算法）聚类算法[6,7]等。出于对数据分析有效性和准确性的考虑，可以综合采用上述几种挖掘算法。
（3）模式分析
模式分析就是要利用某些方法和工具（如Web路径图[8]、OLAP技术等）对挖掘得到的模式和规则进行分析，找出那些我们感兴趣的模式和规则（其兴趣度可以用兴趣函数度量），并将其以容易理解的方式（如可视化）显示出来。
3．模型中的使用挖掘技术对个性化教育的支持服务
（1）利用路径分析的结果可以改善教学站点的结构。比如，可以通过对某位学习者在一段时间内的访问路径的跟踪和分析，发现其经常访问的路径，得到其访问模式，系统就可以据此为其提供个性化的学习界面。
（2）利用关联规则发现用户对站点各页面访问之间的关系，发现学习者的知识兴趣点之间的关联，并将它们之间的超链接动态提供给学习者，生成站点浏览推荐。
（3）利用分类算法可以对学习者进行分类。可以按学习者的知识水平分类，然后分级别进行学习；也可以按学习者兴趣分类，然后使不同兴趣的学习者分别直接进入不同的页面进行学习。
（4）利用聚类算法从Web访问信息数据中得到具有相似性的学习。例如，当发现学习某门课程的大多数人都属于某一类学习者时，就可以把这门课程推荐给该类学习者。
（5）利用序列模式挖掘发现学习者学习过程中的时间序列关系，从当前的学习情况预测出下一步的学习内容，为学习者提供学习建议。
四、结束语
本文将数据挖掘技术运用于网络教育，提出了一个基于Web使用挖掘的个性化网络教育模型，并分析了其主要模块所使用的技术方法。该模型可以较好地实现在网络教育系统中因材施教。Web挖掘技术在网络教育中的应用还是一个新的领域，仍处在研究与发展之中。随着国内外对Web使用挖掘研究的进一步深入，个性化网络教育将面临更加光明的未来。
参考文献：
[1]高鹏,高岭.基于Web挖掘的个性化算法及其在网络教学平台的应用[J].计算机应用,2005,25(5):1012-1015.
[2]Jiawei Han, Micheline Kamber著,范明等译.数据挖掘概念与技术[M].北京:机械工业出版社,2001.8.
[3]Chen M S, Park J S, Yu P S. Data Mining for Path Traversal Patterns in a Web Environment [A]. Proceedings of the 16th International Conference on Distributed Computing Systems [C].Anaheim, California: ACTA Press, 1996.27-30.
[4]Mannila H, Toivonen H, Verkamo A I. Discovering Frequent Episodes in Sequences. In Proc. of the First Int’l Conference on Knowledge Discovery and Data Mining, Montreal, Quebec,1995.
[5]Agrawal R, Srikant R. Mining Sequential Patterns：Generalizations and Performance Improvements In Proc. of the Fifth Int’l Conference on Extending Database Technology, Avignon, France, 1996.
[6]Kaufman L, Rousseeuw P j. Finding Groups in Data: an Introduction to Cluster Analysis. John Wiley
关键词：个性化网络教育 数据挖掘 Web使用挖掘
中图分类号：G434文献标识码：A 文章编号：1673-8454（2008）15-0087-02
个性化网络教育是随着Web技术的发展而产生的一种新型教育方式，与传统教育模式相比，它不仅交互性好，同时还强调个性化，按学生的具体情况进行适应性培训，注重学生在学习过程中的积极参与。通过Web挖掘对这些用户特征的理解和分析，开展个性化教育活动。
一、Web挖掘概念
Web挖掘就是将传统的数据挖掘技术和Web技术结合起来，进行Web知识的提取，是对包括Web页面内容、页面之间的结构、用户访问信息等在内的各种数据，应用数据挖掘的方法，提取抽象的、潜在的、有用的知识。[1]
二、Web挖掘的分类
5）事务识别由于不同用户访问的页面属于不同的会话，因此如果一个用户访问的页面跨越时间较长，一般认为用户访问不只一次。最简单的方法是使用时间戳Timeout。
（2）模式发现
模式发现就是利用一些数据挖掘算法来挖掘出模式、规则等。可以使用的数据挖掘算法包括关联规则挖掘算法[4]（如Apriori、AprioriTid和AIS算法）、序列模式挖掘算法[5,6]（如AprioriSome和AprioriAll算法）聚类算法[6,7]等。出于对数据分析有效性和准确性的考虑，可以综合采用上述几种挖掘算法。
（3）模式分析
模式分析就是要利用某些方法和工具（如Web路径图[8]、OLAP技术等）对挖掘得到的模式和规则进行分析，找出那些我们感兴趣的模式和规则（其兴趣度可以用兴趣函数度量），并将其以容易理解的方式（如可视化）显示出来。
3．模型中的使用挖掘技术对个性化教育的支持服务
（1）利用路径分析的结果可以改善教学站点的结构。比如，可以通过对某位学习者在一段时间内的访问路径的跟踪和分析，发现其经常访问的路径，得到其访问模式，系统就可以据此为其提供个性化的学习界面。
（2）利用关联规则发现用户对站点各页面访问之间的关系，发现学习者的知识兴趣点之间的关联，并将它们之间的超链接动态提供给学习者，生成站点浏览推荐。
（3）利用分类算法可以对学习者进行分类。可以按学习者的知识水平分类，然后分级别进行学习；也可以按学习者兴趣分类，然后使不同兴趣的学习者分别直接进入不同的页面进行学习。
（4）利用聚类算法从Web访问信息数据中得到具有相似性的学习。例如，当发现学习某门课程的大多数人都属于某一类学习者时，就可以把这门课程推荐给该类学习者。
（5）利用序列模式挖掘发现学习者学习过程中的时间序列关系，从当前的学习情况预测出下一步的学习内容，为学习者提供学习建议。
四、结束语
本文将数据挖掘技术运用于网络教育，提出了一个基于Web使用挖掘的个性化网络教育模型，并分析了其主要模块所使用的技术方法。该模型可以较好地实现在网络教育系统中因材施教。Web挖掘技术在网络教育中的应用还是一个新的领域，仍处在研究与发展之中。随着国内外对Web使用挖掘研究的进一步深入，个性化网络教育将面临更加光明的未来。
参考文献：
[1]高鹏,高岭.基于Web挖掘的个性化算法及其在网络教学平台的应用[J].计算机应用,2005,25(5):1012-1015.
[2]Jiawei Han, Micheline Kamber著,范明等译.数据挖掘概念与技术[M].北京:机械工业出版社,2001.8.
[3]Chen M S, Park J S, Yu P S. Data Mining for Path Traversal Patterns in a Web Environment [A]. Proceedings of the 16th International Conference on Distributed Computing Systems [C].Anaheim, California: ACTA Press, 1996.27-30.
[4]Mannila H, Toivonen H, Verkamo A I. Discovering Frequent Episodes in Sequences. In Proc. of the First Int’l Conference on Knowledge Discovery and Data Mining, Montreal, Quebec,1995.
[5]Agrawal R, Srikant R. Mining Sequential Patterns：Generalizations and Performance Improvements In Proc. of the Fifth Int’l Conference on Extending Database Technology, Avignon, France, 1996.
[6]Kaufman L, Rousseeuw P j. Finding Groups in Data: an Introduction to Cluster Analysis. John Wiley