[发明专利]一种基于校园数据的负序列规则影响度分析系统及方法

权利要求书

1.一种基于校园数据的负序列规则影响度分析系统，其特征在于:包括数据预处理模块，用于对从学校信息网络中心拿到的数据进行预处理，将需要的不同数据之间进行结合，以序列的形式储存在学生校园序列数据库中；

频繁模式挖掘模块，用于从学生校园序列数据库中挖掘正和负频繁序列模式，并将正和负频繁序列模式及其对应的支持度存入到频繁模式结果集合中；

面向影响的序列规则挖掘模块，用于根据频繁模式挖掘模块得到的正和负频繁序列模式进行挖掘，得到所有满足约束的面向影响的序列规则；

缺失项的贡献度、影响度分析模块，用于计算得到面向影响的负序列规则前件内缺失的某一项或者某几项对结果发生的贡献度与影响度；

图形化界面表示模块，用于将分析结果以不同的分类在系统的图形化界面上进行表示。

2.一种基于校园数据的负序列规则影响度分析方法，其特征在于，包括以下步骤：

S100，进行数据预处理，对从学校信息网络中心获取的数据进行清洗，用简单的格式替换原始数据中复杂的字段的格式，然后将数据处理成序列的形式存储在学生校园序列数据库中；

S200,频繁模式挖掘，设定最小支持度阈值，并使用序列模式挖掘算法从学生校园序列数据库中挖掘正和负频繁序列模式，并将正和负频繁序列模式及其对应的支持度存入到频繁模式结果集合PNSP中；

S300，面向影响的序列规则挖掘，对上述挖掘的正和负频繁序列模式进行筛选得到符合要求的序列模式，并通过候选序列规则生成方法得到所有面向影响的候选序列规则；然后根据用户设定的最小支持度阈值、最小提升度阈值和最小置信度阈值对面向影响的候选序列规则进行筛选，得到所有满足约束的面向影响的序列规则；

S400，面向影响的负序列规则中缺失项的影响度分析，计算得到面向影响的负序列规则前件内缺失的某一项或者某几项对结果发生的贡献度与影响度；

S500，将分析结果在图形化界面上进行表示。

3.根据权利要求2所述的基于校园数据的负序列规则影响度分析方法，其特征在于：所述步骤S200中采用修改后的PrefixSpan算法挖掘所有正频繁序列模式，使用NegI-NSP算法挖掘所有负频繁序列模式。

4.根据权利要求2所述的基于校园数据的负序列规则影响度分析方法，其特征在于：所述步骤S300具体包括S310对于PNSP集合中的每个序列模式，如果其尺寸大于1且模式中的最后一个元素为影响(或结果)，则使用候选序列规则生成方法生成候选序列规则

S320然后判断面向影响的候选序列规则的前件和后件是否都频繁，如果都是频繁的，则计算候选序列规则的支持度

S330，判断候选序列规则的支持度与用户设定的最小支持度阈值的关系，如果当前候选序列规则的支持度大于或等于用户设定的最小支持度阈值，则计算候选序列规则的提升度

S340,判断候选序列规则的提升度与用户设定的最小提升度阈值的关系，如果当前候选序列规则的提升度大于或等于用户设定的最小提升度阈值，则计算候选序列规则的置信度

S350，判断候选序列规则的置信度与用户设定的最小置信度阈值的关系，如果当前候选序列规则的置信度大于或等于用户设定的最小置信度阈值，则将这条候选序列规则存入到集合SRC中；并对序列规则集中规则的最大置信度的值不断进行更新，最终得到所有候选序列规则中的置信度的最大值max_conf；

S360，计算在SRC集合中的每条序列规则的归一化置信度。

5.根据权利要求4所述的基于校园数据的负序列规则影响度分析方法，其特征在于：候选序列规则生成方法为从已经挖掘的所有正和负频繁序列模式中筛选出所有最后一个元素为影响的序列模式，将其最后一个元素作为规则的后件，其余元素作为规则的前件，生成面向影响的候选序列规则。

6.根据权利要求4所述的基于校园数据的负序列规则影响度分析方法，其特征在于：所述候选序列规则的支持度的计算公式为式中|D|为序列数据库D中的元组数，为将规则的前件X与后件Y合并而得到的序列。