Investigación sobre la aplicación del algoritmo de reglas de asociación en la información logística de la

enseñanza del inglés

Recibido: 20 de enero de 2018 / Revisado: 3 de febrero de 2018 / Aceptado: 7 de febrero de 2018

Springer Science + Business Media, LLC, parte de Springer Nature 2018

Resumen
Hoy en día, la aplicación común y el desarrollo de la tecnología informática hace que la tecnología de minería
de datos juegue un papel extremadamente crucial en la educación del inglés de los estudiantes. En este
trabajo, el aprendizaje de inglés de los estudiantes se toma como punto de entrada y se analiza la tecnología
educativa de los estudiantes de inglés en la formación de minería de datos basada en el algoritmo Apriori. Este
artículo analiza las reglas que pueden despertar nuestro interés al introducir el método independiente de
interés de medida de elevación. Para mejorar la eficiencia del algoritmo Apriori clásico y mejorar la eficiencia
del algoritmo Apriori que extrae conjuntos de elementos frecuentes teniendo en cuenta las características de
exclusividad contenidas en los datos de minería, el algoritmo AD-a priori optimizado puede realizar la
complejidad del proceso de minería en tiempo y espacio.

Palabras clave: Algoritmo a priori, Capacidad técnica, Minería de datos

1. Introducción apropiados y traer las sugerencias

El método de minería de datos puede adquirir
mucha información interesante
existente en los datos y las reglas de asociación
pueden adquirir la información y el conocimiento
asociados potenciales. El sistema de minería de
datos de aprendizaje de inglés, que puede
obtenerse del impacto del aprendizaje de los
estudiantes, los factores de inglés proporcionan
evidencia efectiva para explorar y promover el
aprendizaje de inglés de los estudiantes (Wang
et al., 2015). Es como la posibilidad de concluir que
existe una gran relación entre la información del
estilo de vida de los estudiantes y el nivel de
aprendizaje del inglés, lo cual puede servir de
referencia para la toma de decisiones mediante la
asociación entre conjuntos de ítems (Wu & Sakai,
2015). Para el modelo de regla de asociación
tradicional, la influencia de que el valor
antecedente de la regla anterior no se ha tenido
en cuenta sobre la influencia del consecuente de la
regla, por lo que no se puede proporcionar al
usuario una sugerencia científica y racional para la
toma de decisiones (Research and Application of
Apriori Algorithm for Mining Association Rules,
s. f.). Solo en virtud del apoyo de las reglas de
asociación y el grado de confianza para explorar
cómo optimizar el estilo de vida de los estudiantes
para mejorar las restricciones correspondientes en
el nivel del sistema estudiantil (Sethi & Ramesh,
2017). La nueva idea es aprovechar la
'transferencia estatal' concepto para optimizar el
modo de minería de reglas de asociación y
asegurar que los cambios de los atributos
antecedentes de la regla traen consigo cambios de
la regla. Asegúrese de que las reglas de la
asociación puedan mostrar los cambios más
correspondientes para la toma de decisiones.
Estado del arte
Debido a los atributos de la herramienta de
minería de datos, es más eficiente
obtener información que pueda satisfacer la
demanda entre numerosos datos (Guo et al.,
2017). Desde la década de 1980, la minería de
datos se ha seguido desarrollando. Hoy en día, la
tecnología de minería de datos se ha convertido
gradualmente en el foco de investigación en
campos relacionados. Específicamente, la minería
de datos consiste en extraer información
desconocida en una gran base de datos y obtener
la decisión comercial de Nakamura utilizando esta
parte de la información. Schoeman y Johan H
proponen la aplicación de herramientas de minería
de datos en el campo del inglés (Cios et al., 2007).
En la Asociación Nacional de Baloncesto, los
entrenadores de la NBA utilizan herramientas de
minería de datos diseñadas y desarrolladas por
IBM Advanced Scout para ayudar en la preparación
de tácticas (Jia et al., 2017). En el contexto de la
aparición continua de tecnologías de red y una
escala en constante expansión, los riesgos
asociados con las intrusiones en la red y las
oportunidades correspondientes también están
aumentando (Voronina & Tretyakova, 2016). Con
aplicación de tecnología de minería de datos en
detección de intrusiones en la red, Wang Fusheng
construyó un modelo de sistema
de detección de intrusiones en la red basado en la
minería de datos (Kimmelman, 2019). La
competencia cada vez más feroz de muchas
empresas inmobiliarias permite adoptar tecnología
de minería de datos para ejecutar y optimizar el
sistema de "gestión de relaciones con el cliente" y
se ha convertido en el foco de atención de muchos
desarrolladores inmobiliarios (Mao, 2017). En el
área del comercio electrónico, Zhang Dongqing
propuso patrones de minería de datos para
analizar científica y racionalmente para ayudar a
los trabajadores relevantes a preparar decisiones
de marketing comercial específicas bajo la
circunstancia de aumentar la información
comercial y los datos comerciales. La tecnología de
minería de datos tiene un gran potencial de
aplicación en el sistema educativo, transforma los
datos en conocimiento con el análisis de todas las
partes de los datos, optimiza la educación y el
método de gestión puede mejorar
significativamente el trabajo de gestión y la calidad
de la educación (Thoughts on reform in teaching
model of Russian literature of Russian major in
colleges and universities in new situations--
《 Foreign Language Learning Theory and
Practice》2016 年 01 期, s. f.).
2. Metodología
3.1 La introducción de la medición de interés de
medida de elevación
El proceso de minería de reglas de asociación
consta principalmente de dos etapas: la primera
etapa debe encontrar primero todo el grupo de
proyectos de alta frecuencia del conjunto de
datos, la segunda etapa y luego de estas reglas de
asociación generadas por el grupo de proyectos de
alta frecuencia. La primera fase de la minería de
reglas de asociación debe encontrar del conjunto
de datos original todos los conjuntos de elementos
grandes(Randma & Venesaar, 2016). Alta
frecuencia significa que la frecuencia de ocurrencia
de un grupo de proyecto en particular debe
alcanzar un cierto nivel en relación con todos los
registros. La frecuencia de aparición de un grupo
de proyectos se denomina grado de apoyo (Li,
2019). Tomando un conjunto de 2 elementos que
contiene dos elementos A y B como ejemplo,
podemos obtener el grado de apoyo del grupo de
proyectos {A, B} a través de la fórmula. Si el grado
de soporte es mayor o igual a Establecer el valor
de umbral de soporte mínimo, entonces {A, B} se
denomina grupo de proyecto de alta frecuencia.
Un conjunto de k elementos que satisface el
soporte mínimo se denomina conjunto de k
elementos de alta frecuencia, generalmente
expresado como k grande o k frecuente. El
algoritmo recrea Large k + 1 del grupo de proyecto
de Large k hasta que ya no pueda encontrar un
equipo de proyecto de alta frecuencia más largo.
La segunda etapa de la minería de reglas de
asociación es generar reglas de asociación
(Investigation on application of association rule
algorithm in English teaching logistics information
| SpringerLink, s. f.). La generación de reglas de
asociación a partir de un equipo de proyecto de
alta frecuencia genera reglas utilizando el equipo
de proyecto k de alta frecuencia del paso anterior.
Bajo la condición del umbral mínimo de confianza,
si el nivel de confianza determinado por una regla
satisface el Grado mínimo de confianza, decir que
esta regla son las reglas de asociación. Por
ejemplo, la regla AB generada por el grupo de
elementos k de alta frecuencia {A, B} se puede
obtener mediante la fórmula, y AB es la regla de
asociación si la confiabilidad es mayor o igual que
la confiabilidad mínima (Investigation on
application of association rule algorithm in English
teaching logistics information | SpringerLink, s. f.).
Los datos del conjunto de elementos en las reglas
de asociación tradicionales son estáticos y no
cambiarán. Con la introducción del modo de
"transferencia de estado", los cambios de "estado"
pueden ocurrir tanto en el antecedente como en el
consecuente de las reglas de asociación. Los
siguientes ejemplos se utilizan para explorar cómo
introducir el concepto de transferencia de estado.
El comienzo es la unión del concepto de medida de
elevación con un conjunto de datos relacionales D
como se muestra en la
Tabla 1 , asumiendo que diferentes valores de
atributo en el atributo F pueden causar diferentes
resultados del atributo R. Entre ellos, el atributo F
se considera como '' razón '' y el atributo R como ''
resultado '', es decir, el resultado es diferente
debido a razones inconsistentes. Se entiende que
hay tres tipos de valores para el atributo F, a, b, c
(el atributo F solo puede seleccionar uno de los
tres valores en algún momento). Hay dos tipos de
atributo R, x, y (puede ser xoy en algún momento).
En primer lugar, extraer las reglas asociadas con la
condición x del atributo R para adquirir las reglas
1-3. En el caso de alcanzar el umbral especificado,
la Regla 1 muestra que existe una fuerte
correlación entre el valor del atributo a del
atributo F y el valor del atributo x del atributo R. Si
el atributo de valor de atributo R es x en esta base
de datos y se puede reducir tanto como sea
posible, ¿qué métodos tomar? Dado que solo hay
tres factores para los cuales el valor del atributo R
es x, es decir, a, b, c del atributo F. Si se reduce la
tasa de ocurrencia de x, las conexiones cambiarán
la razón de aab o de a a C.
Al comparar las reglas 1-3 anteriores, se puede
concluir que el atributo F
es 1 del grado de elevación del atributo R a X; y el
atributo F es 2/3 del grado
de elevación del atributo R a X. Se puede entender
que en comparación con
el atributo es b con el atributo R es x, el grado de
elevación del atributo F es
c es relativamente pequeño, es decir, la apariencia
tiene el impacto más
bajo en la elevación de x. En virtud de que el valor
del atributo F se
transforma de A a C, se reduce el porcentaje del
atributo R que pertenece a X
en la base de datos general. Se muestra
formalmente que:
Regla r1:
La regla r1 refleja que el atributo F es a y el
atributo R es la cantidad de datos de x
contabilizando 2/8 en la cantidad total. El atributo
F es a en comparación con el atributo F es c excede
2/3 del atributo R es x. La proporción de exceso en
el atributo F es 1/2 del grado de elevación del
atributo R a X. El significado de F ( a → c ) en la
regla rl es "cambiar el
valor del atributo F de A a C". En el ejemplo
anterior, podemos ver que al
agregar un concepto de cambio bajo la premisa de
las reglas de asociación, definamos la validez de la
regla por f la variación del grado de elevación. Sup,
Hft-medida y conf en la regla traen
recomendaciones exactas.
Definimos la medida de interés de la medida de
elevación. Para la base de datos relacional, cada
atributo tiene una probabilidad con múltiples
valores de atributo. Al asociar una base de datos
relacional con una base de datos transaccional,
cada atributo de cada situación de valor de
atributo puede corresponder a un artículo. Para un
atributo particular, no puede tomar dos o más
valores de atributo en un momento específico, al
igual que el atributo '' género ''. En un registro, el
valor de este atributo solo pertenece a hombre o
mujer, todos los tipos de situación de valor de
atributo en atributo se definen como mutuamente
excluyentes; en la base de datos de transacciones,
los elementos mutuamente excluyentes es la
transformación de elementos con el mismo
atributo. El tamaño de los conjuntos de elementos
mutuamente excluyentes pertenece al número de
valores de atributo de este atributo.
En el mismo conjunto de elementos mutuamente
excluyentes, cada elemento es un elemento
mutuamente excluyente del otro. El tamaño del
conjunto mutuamente excluyente pertenece al
número de valores de atributo para este atributo.
Suponga que el conjunto de atributos de razón
específica del usuario y el conjunto de atributos de
resultado en el conjunto de datos relacionales D
es:
Después de transformar la base de datos relacional
en una base de datos transaccional, los conjuntos
de elementos construidos a partir de varios
factores en los conjuntos de atributos de causa se
denotan como F, y los conjuntos de elementos
construidos a partir de cada resultado de los
conjuntos de atributos de resultado se definen
como sigue. Si hay un conjunto de elementos
frecuentes L' entonces L' ⊆ F el tamaño del
conjunto de elementos frecuentes es ¿ L∨¿ ; para
todos los artículosF 'i en el conjunto de elementos
' ' '
frecuentes, hay L ⊆ F i ahí está un artículo F q en
el conjunto de atributos de resultado, hay F 'i ⊆ R;
La regla de asociación se concluye como:
Ecuación ( 4 ) pertenece a la regla de asociación
fuerte, la grado de apoyo de la regla r ' es
¿ ⁡(r ¿¿ ')¿ y el grado de elevación es
lift ⁡(r ¿¿ ' )¿ Frente a cada artículo F 'i de
conjuntos de elementos frecuentes L' ,
Supongamos que el elemento de la base de datos
relacional coincide con el la razón establece los
atributos y el valor es a i el elemento mutuamente
excluyente de F 'i es F ''i , el valor del atributo es a j
la regla de asociación es
'' '' '' '' '
r =F ∧ F ∧ ⋯ ∧ F ⇒ F el grado de apoyo
1 2 L' q
es ¿ ⁡(r ¿¿ ' ' )¿ , el grado de sustentación es minería, y se debe implementar el procesamiento
lift ⁡(r ¿¿ ' ' )¿. El objeto F i( ai →a j ) se previo correspondiente para los datos (Fig. 2 ). La
m ' limpieza de datos elimina el ruido de los datos y
representa como F i suponer F q el atributo de regula la inconsistencia de los datos. El período
resultado es Rk y el valor atributivo es d a la base necesario para implementar el análisis de datos de
de datos relacional, el elemento Rk (d → ∽ d) es alta complejidad y la minería es relativamente
m largo y la viabilidad es relativamente baja. Las
representado como F q entonces
técnicas de reducción de datos pueden
r m =Fm1 ∧ F m2 ∧⋯ ∧ F 'L' ⇒ F 'q'∗F'i Pertenece al
'

estado antes de cambiar F ''i pertenece a la estado

después de cambiar. En este caso, el grado de
apoyo ¿ ⁡(r ) y lift−measure ( r ) y grado de
confianza conf (r) de la regla r son los siguientes:

El grado de apoyo en la regla representa el alcance

de la influencia, que muestra la utilidad de la regla;
la cantidad de elevación muestra el grado de
cambio, cuanto mayor sea El grado de elevación
representa el atributo de resultado R más bajo k es
d después de transformar atributivo F yo desde
una yo a una j; el nivel de confianza muestra la
certeza del cambio.

3.2 Mejora del algoritmo de minería de conjuntos

de elementos frecuentes A priori

Análisis y discusión de resultados

Los datos experimentales son proporcionados por
el Instituto de Inglés de Wuhan, que cubre la
información de la encuesta de los elementos de las
pruebas de inglés y los métodos de aprendizaje
relacionados de estudiantes universitarios de
varios colegios y universidades en Wuhan de 2015
a 2017. Antes del experimento, en vista de los
datos experimentales inconsistentes y la mala
situación general, algunos datos deben ser
tratados para que se puedan alcanzar los
requisitos reales de la minería. Luego, realizamos
el preprocesamiento de datos. Hay relativamente
muchos factores de evaluación para la calidad de
los datos, incluidos los tres factores más críticos:
precisión, integridad y consistencia Fig. 1 . Hay
muchos datos erróneos e incorrectos en muchas
bases de datos y almacenamiento de datos
grandes. Los datos de baja calidad darán como
resultado una mala calidad de los resultados de la
comprime eficazmente los conjuntos de datos y
sigue garantizando la integridad de los datos
originales. Después de la convencionalización del
conjunto de datos, el análisis no tendrá ningún
impacto en la minería y obviamente mejorará la
eficiencia. Desde el principio tenemos que aplicar
compresión a los datos del proyecto de prueba de
aprendizaje de inglés en los datos experimentales
basados en el cuadro de mando de producción y
fusionar esta parte del proyecto de prueba en una
jerarquía institucional de los mismos atributos.
Como:
Los datos de coeficiente se transforman en datos
transaccionales y preparan la lista enlazada
mutuamente excluyente y luego implementan el
procesamiento de minería frecuente de conjuntos
de elementos, y toman un derivado del llamado
método booleano para transformar los datos de la
relación en datos transaccionales, el proceso
específico es como siguiente: En vista de cada
propiedad con una serie de valores diferentes,
llevamos a cabo el procesamiento de datos de
cada dato. Todos los valores de cada atributo
reflejan una serie de números enteros al
correlacionar diferentes valores de un atributo y
un número entero, y usan este número entero
para sustituir el valor de este tipo de atributo. Si
hay q categorías, entonces cualquier valor original
se asigna unívocamente a un número entero en el
intervalo [0, q-1]. Luego considere esta parte del
número entero como un término, use el valor
booleano para mostrar si éste aparece Fig. 3 .
Usamos el caso que se muestra en la tabla a
continuación para tomar prestado el proceso de
conversión booleano. En el caso de los datos
relacionales en la tabla, primero necesitamos
mapear los valores de los atributos F y R en una
serie de números enteros consecutivos. Los
detalles se muestran en la tabla 2 .
Luego, para cada atributo, considere el número
entero correspondiente de cada valor de atributo
como elemento y use el valor booleano para
representar el término (1 significa ocurrencia y 0
significa no ocurrencia). Como se muestra en la
tabla 3 .Según el método anterior, el resultado del
ejemplo anterior después de la conversión
booleana es como se muestra en la Fig. 4 . T1, T2 y
T3 en la Fig. 4 representan tres tipos de estados de
a, b y c respectivamente, y T4 y T5 representan dos
tipos de estados de x e y respectivamente. En la
misma transacción, hay como máximo uno
verdadero entre T1, T2, T3 y solo uno es verdadero
entre T4 y T5. Maneje los elementos de la tabla de
manera adecuada para que pueda generar una
base de datos de transacciones como se muestra
en la Tabla 4 .
El grado de cambio mínimo (min_sup) se establece
en 0,0050, la medida de elevación mínima (medida
de elevación mínima) es 0,0100, la
la confianza mínima (min_conf) es 0.3000, el
conjunto máximo de conjuntos de elementos era
conjuntos de 2 elementos, los conjuntos de
elementos frecuentes requieren que la minería
debe incluir elementos de aprendizaje de inglés
como '' malo '' (donde clasificamos '' aprobado '' y
'' fallado ' 'como' 'malo' ',' 'bueno' 'y' 'excelencia'
'como' 'bueno''). Algunos de los resultados de la
extracción de conjuntos de elementos son los
siguientes: Se generan los resultados de algunas
reglas y se utiliza el algoritmo AD-a priori para
extraer los conjuntos de elementos frecuentes
para descubrir los hábitos de aprendizaje que
están estrechamente relacionados con el bajo
rendimiento en el aprendizaje del inglés. Debido a
las diferencias en los atributos, la estanqueidad
también es diferente. La tabla muestra que la
situación de "revisión poco frecuente" tendrá un
impacto más obvio en el bajo rendimiento de los
estudiantes. La regla 1 muestra que, en
condiciones de menos de 6 h de estudio, los
estudiantes tienen un porcentaje relativamente
bajo de rendimiento académico. Por lo que se
recomienda asegurar de 6 a 9 h de tiempo de
estudio. La regla 3 muestra que cambiar la
situación de aprendizaje de poco frecuente a
regular (es decir, asegurarse de que haya más de 3
sesiones semanales, más de 30 min cada uno, y
niveles intermedios de estudio) garantizarán
buenas calificaciones.
5. Conclusión
El artículo comienza a analizar y resumir
meticulosamente los conceptos relacionados de
las reglas de asociación tradicionales. Aunque las Recuperado 13 de noviembre de 2020, de
reglas de asociación tradicionales pueden adquirir
la información de correlación potencial entre los https://link.springer.com/article/10.1007/
datos, la diferencia entre los valores de todos los
tipos de atributos antecedentes de reglas no tiene s10586-018-2075-5
en cuenta el grado de influencia sobre los
Jia, K., Li, H., & Yuan, Y. (2017). Application of Data
atributos de las reglas. Por lo tanto, a partir del
análisis del '' modelo de minería '' de apoyo a las
Mining in Mobile Health System Based on
reglas de asociación tradicionales, este trabajo
optimiza y ajusta las reglas de asociación con Apriori Algorithm. Beijing Gongye Daxue
referencia al modelo de '' transferencia de estado
'' e introduce el principio de interés de medida de Xuebao/Journal of Beijing University of
elevación. para la minería. Y optimice y mejore los
defectos del algoritmo Aprirori clásico que Technology, 43, 394-401.
enfrenta características mutuamente excluyentes
en la extracción de conjuntos de elementos https://doi.org/10.11936/bjutxb2016120
frecuentes, y la baja eficiencia en la extracción de
conjuntos de elementos frecuentes en estos datos. 059

que utilizamos pertenece a la construcción de Kimmelman, V. (2019). Information Structure in

map_exctran y map_assist para mejorar la e fi
ciencia del algoritmo Apriori en la minería de Sign Languages: Evidence from Russian
conjuntos de elementos frecuentes. El algoritmo
AD-apriori después del ajuste puede reducir Sign Language and Sign Language of the
efectivamente el tiempo en el proceso de minería,
Netherlands. En Information Structure in
así como la complejidad espacial.

Referencias: Sign Languages.

Cios, K. J., Pedrycz, W., Swiniarski, R. W., & Kurgan, https://doi.org/10.1515/9781501510045

L. A. (2007). Data Mining: A Knowledge Li, M. (2019). Investigation on application of

Discovery Approach. Springer Science & association rule algorithm in English

Business Media. teaching logistics information. Cluster

Guo, Y., Wang, M., & Li, X. (2017). Application of Computing, 22(6), 13703-13709.

an improved Apriori algorithm in a mobile https://doi.org/10.1007/s10586-018-

e-commerce recommendation system. 2075-5

Industrial Management & Data Systems, Mao, Y. (2017). Russian Language Teaching in

117(2), 287-303. College under the New Situation. OALib,

https://doi.org/10.1108/IMDS-03-2016- 04, 1-7.

0094 https://doi.org/10.4236/oalib.1103471

Investigation on application of association rule Randma, T., & Venesaar, U. (2016). Does the

algorithm in English teaching logistics general education school curriculum

information | SpringerLink. (s. f.). support the development of enterprising

 people? Baltic Journal of Management, Russian language as a foreign language.

11, 142-166. 11, 12983-12993.

https://doi.org/10.1108/BJM-02-2015- Wang, M., Chen, L., Huang, Y., Zhang, L., Zhang, Z.,

0029 Ding, J., & Shang, H. (2015). The

Research and Application of Apriori Algorithm for application characteristics of traditional

Mining Association Rules. (s. f.). Chinese medical science treatment on

Recuperado 13 de noviembre de 2020, de vertigo based on data mining Apriori

https://www.researchgate.net/publicatio algorithm. International Journal of

n/286801047_Research_and_Application Wireless and Mobile Computing, 9(4),

_of_Apriori_Algorithm_for_Mining_Assoc 349-354.

iation_Rules https://doi.org/10.1504/IJWMC.2015.074

Sethi, K., & Ramesh, D. (2017). HFIM: A Spark- 041

based hybrid frequent itemset mining Wu, M., & Sakai, H. (2015). On Parallelization of

algorithm for big data processing. The the NIS-apriori Algorithm for Data Mining.

Journal of Supercomputing, 73. Procedia Computer Science, 60, 623-631.

https://doi.org/10.1007/s11227-017- https://doi.org/10.1016/j.procs.2015.08.1

1963-4 98

Thoughts on reform in teaching model of Russian

literature of Russian major in colleges and

universities in new situations— 《 Foreign

Language Learning Theory and

Practice 》 2016 年 01 期 . (s. f.).

Recuperado 13 de noviembre de 2020, de

https://en.cnki.com.cn/Article_en/CJFDTo

tal-GWJX201601008.htm

Voronina, M., & Tretyakova, Z. (2016). The Mujer, Jishui, Jiangxi, Vocacional de salud de
Jiangxi Colegio, profesor asociado, Máster, área
experience of teaching of descriptive de investigación: Enseñanza de lengua inglesa.

geometry and engineering graphics in