進階搜尋


   電子論文尚未授權公開,紙本請查館藏目錄
(※如查詢不到或館藏狀況顯示「閉架不公開」,表示該本論文不在書庫,無法取用。)
系統識別號 U0026-0812200911301578
論文名稱(中文) 應用跨階層關聯樣式於數位學習課程推薦之研究
論文名稱(英文) Cross-level Association Rule Mining Approach to E-learning Course Recommendation
校院名稱 成功大學
系所名稱(中) 工程科學系碩博士班
系所名稱(英) Department of Engineering Science
學年度 93
學期 2
出版年 94
研究生(中文) 吳梅香
研究生(英文) Mei-Xiang Wu
學號 n9692413
學位類別 碩士
語文別 中文
論文頁數 65頁
口試委員 口試委員-焦惠津
口試委員-鄭淑真
口試委員-朱正忠
指導教授-黃悅民
中文關鍵字 數位學習  跨層級關聯規則  FP-tree 演算法  資料探勘 
英文關鍵字 cross-level association rule  data mining  e-Learning  FP-tree algorithm 
學科別分類
中文摘要 摘 要

  近年來,由於資料探勘(Data Mining)領域的蓬勃發
展,已在業界引起一股風潮,企業主無不希冀能有效利
用資料探勘技術以提升企業的產能。然而在數位學習領
域中,我們卻很少能夠看到資料探勘的應用。另一方面
,以往在資料探勘領域中所談到關聯式規則方面的研究
,大都偏向於探討如何在大量資料中有效率地挖掘單一
階層的規則,但是在數位學習領域中,因科系、課程項
目眾多,加上資料不夠密集,搜尋出的關聯規則數目可
能不如預期,導致許多隱藏的知識無法被挖掘出來。因
此本研究嘗試應用資料探勘的技術於數位學習系統中,
並採取多階層課程樣式探勘法則,以提升其搜尋效能。
  由於一般資料探勘的技術須要反覆掃描資料庫,因此
在面臨龐大的資料庫時,不免要消耗大量的時間於輸入
輸出過程當中。也因此,學者專家發展了FP-tree演算法
以改善此一現象,不僅節省掃描資料庫的時間,也能完
整地探勘出所有具代表性的關聯規則。然而,FP-tree演
算法只能探勘出單一階層的關聯規則,難以適用於數位
學習系統當中,具有多層級概念的課程資料。也因此,
本研究提出以FP-tree為基準而改良的cross-level FP-
tree演算法,利用由下往上的方式來擷取跨層級的關聯
規則,並對不同層級的資料給予不同的最小支持度值,
以更有效率的方式,探勘出具有多層級概念的課程關聯
樣式。經由實例驗證,本演算法在數位學習環境中具有
極高的探勘效率,並且能較其他演算法找出具更高準確
度與代表性的關聯規則。



英文摘要  In recent years, because of its flourishing development, data mining has
already become an achievement in the industry, and enterprises are hoping to
efficiently use data mining technology to increase the business opportunities and
improve production efficiency. However, we rarely see the application of data
mining technology in the field of e-learning. On the other hand, almost all research
on association rules discusses how to efficiently mine out single-level association
rules from a large amount of data, but in the field of e-learning, course data are
numerous but are not intensive enough. Association rules might not appear as good
as anticipated, because a lot of hidden knowledge cannot be mined out. So in this
research, we try to apply data mining technology in the e-learning system and adopt
association rule mining to improve its search efficiency.

 Because most of data mining technology is required to scan a huge database
repeatedly, it must use a large amount of I/O time. So Jaiwei Han proposed an
FP-tree algorithm to improve this phenomenon, which not only decreases the
database scan time, but it also completely mines out all representative association
rules. However, the FP-tree can only mine out single-level association rules. This is
difficult to apply in an e-learning system with hierarchy course data. So, in this
study, we are proposing an adaptive algorithm based on the FP-tree, called the
cross-level FP-tree, to improve the mining efficiency. This method uses a bottom-up
way to fetch out cross-level association rules. We offer different min_sup thresholds
for items at different hierarchy levels, and use a more efficient way to mine out
course data association rules with hierarchy data. Our experiments show that the
cross-level FP-tree method is efficient and scaleable for mining frequent patterns in
the e-learning system, and can also mine out more accurately representative
association rules.
論文目次 目 錄
中文摘要 I
英文摘要 II
誌謝 III
目錄................................................IV
表目錄.............................................VII
圖目錄............................................VIII

第一章 緒論目錄......................................1
1.1 前言.............................................1
1.2 研究動機.........................................2
1.3 研究目的.........................................3
1.4 章節提要.........................................5
第二章 文獻探討......................................6
2.1數位學習之探討....................................6
2.1.1 數位學習簡介...................................6
2.1.2 數位學習的特色/特性............................7
2.1.3 傳統學習與數位學習的差異.......................9
2.1.4 數位學習系統之介紹............................11
2.2 資料探勘 (Data Mining) .........................14
2.3 關聯式規則之探勘................................15
2.3.1 關聯規則之定義................................16
2.3.2 Apriori 演算法................................16
2.3.3 FP-tree演算法.................................17
2.4 多階層關聯規則..................................20
2.4.1 多層級概念....................................20
2.4.4 多層級關聯規則探勘法..........................21
第三章 研究方法.....................................24
3.1 跨層級關聯探勘法................................24
3.1.1 問題描述與與方法..............................24
3.1.2 建構cross-level FP-tree.......................26
3.1.3 Frequent pattern 探勘.........................34
第四章 研究資料處理.................................37
4.1 成功大學網路教學系統簡介........................37
4.2 資料前置處理....................................39
4.2.1 收集學習者日誌檔資料..........................39
4.2.2 資料淨化及篩選................................40
4.2.3 資料轉換......................................41
4.3 典型關聯規則之探討..............................43
第五章 實驗分析.....................................50
5.1 實驗資料........................................50
5.2 實驗規劃........................................51
5.2.1 資料平均長度實驗..............................51
5.2.2 不同層級之最小支持度制定暨實驗................52
5.2.3 提升的門檻值實驗..............................54
5.2.4 規則可信度分析................................55
5.3 驗證規則可靠度..................................56
5.3.1 推薦門檻值實驗分析............................57
5.3.2 信賴值對推薦效率的影響........................58
第六章 結論與未來方向..............................60
6.1 結論...........................................60
6.2 未來方向.......................................61
參考文獻............................................62
參考文獻 參考文獻
中文文獻:
[1] 王坤德,“數位學習教材機制的設計與管理研究”,國立成功大學工學院工程管理專班碩士論文,2003年。
[2] 邱健榮,“基於心理組織法教材編輯模式之SCORM教材設計”, 國立嘉義大學資訊工程研究所碩士論文,2004年。
[3] 邱繽瑩,“開發SCORM教材之多媒體編輯工具實作”,國立成功大學工程科學研究所碩士論文,2003年。
[4] 黃源龍,“使用行動代理者之互動式推播技術”,國立成功大學工程科學研究所碩士論文,2003年。
[5] 楊世強,“Gene Ontology架構下基因表現值的多階層關聯規則探勘”,國立成功大學資訊工程研究所碩士論文,2004年。
[6] 崔青福,“行動網絡環境下之服務樣式探勘機制”, 國立成功大學資訊工程研究所碩士論文,2002年。
[7] 石俊麟,“高效率多重單位關聯式規則探勘與文件分析之應用”, 國立成功大學資訊工程研究所碩士論文,2004年。
[8] 留乃俊,“大型資料庫中高效率之漸進式關聯規則探勘方法”, 國立成功大學資訊工程研究所碩士論文,2002年。
[9] 謝水鳳,“以調整FP樹狀結構為基礎之關聯規則漸進式探勘方法”, 國立台灣師範大學資訊教育研究所碩士論文,2002年。
[10] 林宏韋,“利用CL_FP-tree演算法採擷概念階層間跨階層的關聯規則”, 國立中央大學工業管理研究所碩士論文,2003年。
[11] 趙書榮,“FP-Tree不同實作方式之效能比較”, 國立中央大學資訊管理研究所碩士論文,2002年。
[12] 胡雅涵,“在多重支持度下有效率的挖掘與維護關聯規則”, 國立中央大學資訊管理研究所碩士論文,2003年。
[13] 張元哲,“FP-tree(Frequent Pattern Tree)的調整維護技術研究”, 國立中央大學資訊管理研究所碩士論文,2001年。
[14] 林淑玉,“智慧型網路教學課程推薦與導航之研究”,真理大學管理科學研究所碩士論文,2004年。
[15] 陳杉吉,“國小學童在網際網路專題導向式學習環境中行為歷程之研究”, 國立台南師範學院教師在職進修資訊碩士學位班碩士論文,2004年。
[16] 陳年興、蔡旻芳,“網路學習之學習歷程分析系統”, TANET 2001研討會論文集,2001年。
[17] 田耐青,“由新知識的角度分析教學科技的趨勢”,國民教育雙月刊,第37 期,第1卷,1996 年,頁89~93。
[18] 楊家興,“資訊科技在教育訓練上的應用”,遠距教育期刊,第1 期,1997 年,頁44~48。
[19] 徐振琦,“網路遠距教學經營模式與策略之研究”,國立台灣大學資訊管理研究所碩士論文,2000年。
[20] 莊智明、張基成,“科技化企業訓練新趨勢下的網路化訓練(WBT)-網際網路與全球資訊網在企業教育訓練上的應用”,遠距教育,第8 期,1998年,頁12~18。
[21] 林奇賢,“全球資訊網輔助學習系統-網際網路與國小教育”,資訊與教育,第58期,1997年,頁2~11。
[22] 林忠信,“網路學習應有的體認與作法”,第15 期,南投文教,2001 年,頁91~93。
[23] 李金泉,“非同步式網路輔助教學之研究以技職校院工業安全課程為例”,國立彰化師範大學工業教育學系研究所博士論文,2001年。
[24] Merrill Lynch、Thomas Weisel Partners、Aberdeen Group,資策會MIC 經濟部ITIS 計畫整理,2001 年。
[25] 鍾宜智,“推展與落實網路學習之探討”,文教新潮,第6 卷第2 期,2001年,頁24~ 27。
[26] 巫靜宜,“比較網路教學與傳統教學對學習效果之研究-以Word 2000 之教學為例”,淡江大學資訊管理學系研究所碩士論文,2000年。
[27] 李佳穗,“數位學習平台對不同年資之員工學習成果探討-以國內某公司為例”,銘傳大學,2004年。
[28] 郭暐堃,“適性化個人資訊支援機制研發” ,國立成功大學製造工程研究所碩士論文,2003年。
[29] 吳國禎,“適用於無線多媒體系統的預測性資料配置暨快取置換機制”,國立成功大學資訊工程研究碩士論文,2003年。
[30] 陸津華,“挖掘高獲利性關聯規則之研究,” 東海大學資訊工程與科學研究所碩士論文,2003年。

英文文獻:
[31] Rosenberg Marc J, “E-Learning: Strategies for Delivering Knowledge in the Digital Age” ,McGraw-Hill, 2001.
[32] J. Han and M. Kamber, “Data Mining: Concepts and Techniques”, Morgan Kaufmann Publishers, 2001.
[33] R. Agrawal, T. Imielinski, and A. Swami, “Mining Association Rules between Sets of Items in Large Databases”, Proceedings of the ACM SIGMOD International Conference on Management of Data, 1993.
[34] R. Agrawal and R. Srikant, “Fast Algorithms for Mining Association Rules”,Proceedings of the 20th International Conference on VLDB, 1994.
[35] S. Brin, R. Motwani, J. D. Ullman, and S. Tsur, “Dynamic Itemset Counting and Implication Rules for Market Basket Data”, Proc. of the ACM SIGMOD Intl. Conf.
[36] J. Han,“Mining Knowledge at Multiple Concept Levels”, In ACM International Conference on Information and Knowledge Management (CIKM'95), Baltimore, Maryland, USA, 1995.
[37] J. Han and Y. Fu, “ Discovery of Multiple-Level Association Rules from Large Databases”, In Proc. of the 21st VLDB Conference, Zurich, Switzerland, 1995.
[38] B. Liu, W. Hsu, Y. Ma, “Mining Association Rules with Multiple Min_sups ” ,Proc. 5th Intl. Conf. on Knowledge Discovery and Data Mining (KDD'99),San Diego,CA, USA, Augest 15-18,1999, p337-341.
[39] J. Han, J. Pei and Y. Yin , “Mining Frequent Patterns without Candidate Generation ” , In Proc. of the 2000 ACM SIGKDD International Conference on Management of Data,Dallas, Texas, USA,2000.
[40] Runying Mao, “Adaptive-FP: An Efficient and Effective Method for Multi-level Multi-Dimensional Frequent Pattern”,Department of Computer Science, Simon Fraser University, 1997.
[41] Hall, B., “Web-Based Training Cook Book ” , NY: John Wiley and Sons, 1997.
[42] Harasim, L., Hiltz, S.R., Teles, L., and Turoff, M., “Learning Networks: A Field Guide to Teaching and Learning Online ”,Cambridge, MA: The MIT Press, 1995.
[43] McManus, T. F., “Delivering Instruction on World Wide Web",1996. http://www.edb.utexas.edu/coe/depts/ci/it/projects/wbi/html.
[44] Moore, M. G., and Kearsley, G., “Distance Education: A System View ” ,Belmont: Wadsworth, 1996.
[45] Simonson, M., Smaldino, S., Albight, M., and Zvacek, S.,“Teaching and Learning at Distance: Foundations of Distance Education ”,NJ: Prentice-
Hall, 2000.
[46] http://www.datamining.org.tw
[47] R. Srikant, R. Agrawal “Mining Generalized Association Rules”‘In Proc. of the VLDB Conference,September 1995.
[48] Bamshad Mobasher, Honghua Dai, Tao Luo, Miki Nakagawa,“ Effective Personalization Based on Association Rule Discovery from Web Usage Data, ”WIDM01 , 3rd ACM Workshop on Web Information, Atlanta, GA, USA.
[49] J. Srivastava, R. Cooley, M. Deshpande, P-T. Tan. , “Web usage mining: discovery and applications of usage patterns from Web data, ”SIGKDD E Explorations , 2000.
[50] J. Pei, J. Han, B. Mortazavi-Asl and H.Zhu, “Mining Access Patterns E.ciently from Web Logs”, Proceedings Paci.c-Asia Conferenceon Knowledge Discovery and Data Mining(PAKDD’00), Apr. 2000.
[51] Yijun Lu, “Concept Hierarchy in Data Mining: Specification, Generation and Implementation,” Department of Computer Science, Simon Fraser University, 1997.
論文全文使用權限
  • 同意授權校內瀏覽/列印電子全文服務,於2105-07-07起公開。
  • 同意授權校外瀏覽/列印電子全文服務,於2105-07-07起公開。


  • 如您有疑問,請聯絡圖書館
    聯絡電話:(06)2757575#65773
    聯絡E-mail:etds@email.ncku.edu.tw