移动学习及数据挖掘技术关联及应用探究

1、移动学习及数据挖掘技术关联及应用探究摘要：随着网络技术与通信技术的迅速发展，移动学习呈 现出强大的发展势头。本文提出利用数据挖掘技术对移动学 习网站客观数据进行分析研究，对移动学习及数据挖掘技术 研究者具有一定的启发意义和参考价值。关键词：移动学习；数据挖掘；关联规则中图分类号:tp37文献标识码：a文章编号:1006-4311 (2012) 23-0209-030引言移动学习即mlearning,是由elearning延续发展 而来，借助于网络和现代先进的通讯设备，使学习不再受时 间、地域或者教师的限制，这是移动学习最大的优点。但作 为一种全新的学习方式，对于移动学习的概念界定，目前仍 没有

2、一个统一的认识。一般认为国外学者alexzander dye 等人对m-learning的定义较为具体：移动学习是一种在移 动计算设备帮助下的能够在任何时间、任何地点发生的学 习，移动学习所使用的移动计算设备必须能够有效地呈现学 习内容并且提供教师与学习者之间的双向交流。数据挖掘(data mining)就是从存放在数据库、数据 仓库或其他信息库中的大量的数据中获取有效的、新颖的、 潜在有用的、最终可理解的模式的非平凡过程。数据挖掘利 用了如下一些领域的思想：来自统计学的抽样、估计和假 设检验；人工智能、模式识别和机器学习的搜索算法、建 模技术和学习理论1。建在网站上的移动学习平台，可通过数据

3、挖掘技术对网 站客观数据进行分析研究，比如移动学习使用者的特征、对 知识资源个性化推荐、知识资源需求趋势等数据，以便更好 的开展移动学习。1移动学习网站数据挖掘的研究分析1.1移动学习的应用模式由于移动学习理论的不完善 和移动技术的限制，国内外有关移动学习应用模式的研究还 处在发展期。根据无线通信技术的现状，目前可以实施的移 动学习基本上有基于短消息的移动学习、基于连接浏览的移 动学习和基于校园无线网络的准移动学习三种形式2：1. 1. 1基于短消息的(sms-mms)移动学习 学习者通过 手机等学习终端，将短信息发送到位于互联网教学服务器， 教学服务器分析用户的短信息后转化成数据请求，并进行

4、数 据分析、处理，再发送给学习者手机。利用这一特点，可实 现学生通过无线移动网络与互联网之间的通信来完成一定 的教学活动。1.1.2基于连接浏览的(b/s)移动学习对于基于短消 息的移动学习来说，其数据通信呈间断的，不能实时连接， 因而不能利用该种方式实现移动学习终端对学习网站的浏 览，也就很难实现多媒体教学资源的传输和显示。随着通信 芯片的dsp性能的提高以及3g通信协议的推出，移动通信 协议将得到很大改进，通信的速度也会大大提高，基于连接 浏览方式的移动学习将会得到广泛的应用。该方式是学习者 利用移动学习学习终端经过电信的网关后接入互联网，通过 wap协议访问教学服务器，进行浏览、查询和实

5、时交互，类 似于普通的互联网用户。1.1.3基于校园无线网络的(c/s)移动学习所谓准移 动学习是指可以在局部范围内(如一个校园、一栋楼、一片 户外学习区或一个教室)实现移动学习。从3g技术不同标 准之间的争论和产品开发进展来看，在全球或全国范围内完 全实现连接浏览的移动学习估计还需要一段时间，但无线局 域网络(wlan)技术相对比较成熟了，可以作为准移动学习 的实现技术，这也是当前作为校园面授教育的补充移动学习 最现实可行的方式。移动学习正日益成为教育技术研究的热点领域，在这一 学习方式下，学习能够紧随着学习者的需要而发生，满足学 习者随时、随地、按需的学习需求，并为新技术融合、改进、 优化

6、传统教学流程注入了新的元素。随着全球教育信息化基 础设施的广泛普及及网络化学习相关技术的突破，传统教育 观念、理论和模式正在发生转变，与此同时，无线和移动技 术的发展正使得信息成为一种随处可得的环境，这些技术的 教育应用加速着信息时代的教育变革进程，移动学习正是这 一变革进程中出现的融合了新技术、新理论的新型数字化学 习方式。1. 2 web数据挖掘的研究分析 数据挖掘技术在各行各业 的使用都是较为突出的，而基于web的数据挖掘正是当前热 门研究方向之一，而且其应用范围广阔，潜力巨大。web挖 掘技术也在不断提出和改进之中，一般地web挖掘可分为三 类：web内容挖掘、web结构挖掘和web使

7、用记录挖掘。目 前web挖掘研究的主要方向包括：web文本的自动分类、多 层次web信息库的建立、web log挖掘，以及其它涉及信息 安全、搜索的效率、查询结果的质量、搜索工具的可伸缩性 等方面的问题研究。可以预见，随着xml的兴起，web页面 会蕴涵更多的结构化和语义信息，这会使web挖掘变得更有 效。web通过数据挖掘技术，可以使我们得到相关的信息数 据：内容数据，即用户在网页上看到的信息，主要是文本 与图像等；结构数据，描述网页内容的组织方式的数据， 其中，页内结构以html和xml表示成树形结构，页间结构 以连接不同网页的超链接结构表示；访问特征数据，主要 指与用户访问相关的ip地址

8、、url、访问日期、访问时间长 度等数据；用户背景数据，包括用户的注册信息，如姓名、 年龄、籍贯、收入、职业、学历、专业、需求重点、个人爱 好等，典型的数据挖掘系统如图1所示。2移动学习关联规则apriori算法关联规则挖掘一直是数据挖掘中最经典的研究方向，每一个data miner的入门内容多多少少都与之有关。关联规 则反映的是一个事物与其他事物之间的相依性或相联性。如 果两个乃至多个事物之间存在一定得关联关系，那么其中某 个事物之出现就可以通过其他事物之出现而被预料到。关联 规则概念与相关性的区别是相关程度仅仅流于表象，而关联 规则往往是具有内在的联系。agrawal和srikant于19

9、94年提出了基本算法apriori,提出了挖掘关联规则的一个重要方法。apriori算法是挖掘 产生布尔关联规则所需频繁项集的基本算法，也是经典且很 有影响的关联规则挖掘算法。apriori算法就是根据有关频 繁项集特性的先验知识（prior knowledge ）而命名的。apriori算法使用了 一种逐层搜索的迭代方法，首先找出所 有频繁1项目集li, l1用于找频繁2项目集l2, l2用于找频繁3项目集l3,如此下去，直到不能找到频繁项目集为止。具体来讲，apriori算法的第一步是简单统计所有含一个元 素的项目集出现的频率，来决定频繁1项目集；在第k步， 分两个阶段，首先调用函数apriori-gen,通过第（kt）步 中生成的频繁（k-l）项目集来生成候选频繁k项目集；其 次扫描数据集计算候选频繁k项目集中各元素在的支持度。 算法中的k表示候选频繁k项目集，所谓候选是指候选中的 项目集有可能成为频繁项目集，而不属于候选的项目集均不 可能成为频繁项目集。为了提高逐层搜索并产生相应频繁项 集的处理效率，apriori算法利用了一个重要性质，又称为 apriori ?性质来帮助有效缩小频繁项集的搜索空间。apriori 性质：频繁项集的所有非空子集也必须是频繁的。根据定义: 如果一个项集i不满足最小支持度阈值min_sup,那么该项 集