随着工业4.0时代产业转型升级，智能制造和数字化技术对红旗班组长技能素质提出了更高要求，传统的职业技能培训难以适应现代班组长型人才的发展要求，需要重构职业能力体系，科学设计课程结构和考核评价方法。

团队同一汽专家共同进行工段班长职业能力调研分析，开发了红旗工段班长“HTL3315"能力模型，从红旗情怀、抗压能力等核心行为特征，生产管理能力、质量管理能力等专业能力，沟通能力、问题解决能力等非专业能力三个维度，构建红旗工段班长能力图谱，对红旗班长、段长、工长分层次、分阶梯建立能力要求。根据能力图谱，开设了标准作业、文件作成、数智化等课程。

     本文运用FP-Growth算法分析大数据分析基础、汽车商务智能、Python、大数据开发与实践等4个课程模块的成绩关联性，挖掘课程关联规则，对课程结构进行科学评估。

1 模块化课程关联性分析方法

1.1相关定义

定义1. 频繁项集。频繁项集是指支持度大于等于最小支持度的集合。

定义2. 支持度（Support）。支持度表示同时包含A和B的事务占所有事务（I）的比例。公式为：Support(A→B)=P(A,B)/P(I)=P(A∪B)/P(I)。

定义3. 提升度（Lift）。提升度表示“包含A的事务中同时包含B事务的比例”与“包含B事务的比例”的比值。公式为： Lift(A→B)=P(B|A)/P(B)。

定义4. 置信度（Confidence）。置信度表示包含A的事务中同时包含B事务的比例，即同时包含A和B的事务占包含A事务的比例。公式为：Confidence(A→B)=P(B|A)= P(A∪B)/P(A)。 

1.2 FP-Growth算法

关联规则是反映一个事物与其他事物之间的相互依存性和关联性。关联规则算法主要有Apriori算法、FP-Growth算法、Eclat算法等。FP-growth算法是一种基于频繁项集树（FP-tree）的关联规则挖掘算法，通过构造FP树避免多次扫描数据集和产生候选项集的过程。算法首先扫描数据集，生成FP树来统计每个项的支持度，然后通过FP树产生候选规则，并根据设定的最小置信度阈值筛选出满足条件的强关联规则。FP-growth算法计算开销小，效率高，尤其适用于大规模数据集。

2 FP-Growth算法下的模块化课程关联性分析

2.1实验环境与数据来源

本研究运用基于Python的Orange3软件进行关联性分析，实验数据来自我校开展的红旗工段班长培训课程大数据分析基础、汽车商务智能、Python、大数据开发与实践等4个学习模块，选取第一期培训学员65条成绩记录作为原始数据。

2.2数据预处理

    原始数据中存在成绩缺失问题，采用去除记录的方式进行数据清洗，最终得到60条有效数据。

    课程的成绩本身为离散型数据，由于课程考核方式和考试难度的差异，若将成绩直接作为事务集输入到模型中，会导致模型的泛化能力变差且效率低下。本研究采用“五级制成绩”进行数据的离散化处理，所得的成绩等级划分如表1所示。 

离散化变换后的数据结果如表2所示。

表2 离散化变换后的成绩数据

3 实验结果与分析

运用Orange3平台获取数据，在Associate组件中选用FP-Growth算法进行成绩的关联性分析，经反复实验，将最小支持度设为0.1，最小置信度设为0.8，按置信度排序，得到课程优秀规则和预警规则。

表3 模块化课程优秀规则

从模块化课程优秀规则可以得出，大数据分析基础、汽车商务智能、Python等课程成绩优异的，大数据开发与实践课程成绩更易取得好的成绩。

表4 模块化课程预警规则

从模块化课程预警规则可以得出，大数据分析基础和汽车商务智能成绩较低的，会导致Python和大数据开发与实践课程成绩低下。提升度均大于1，说明课程模块之间是有效的强关联规则。

4 结语

本文对模块化课程成绩进行数据清洗和离散化后,运用FP-Growth算法分析各模块成绩之间的关联关系, 构建课程优秀规则和预警规则。结果表明，提升度均大于1，说明课程模块之间是有效的强关联规则，FP-Growth算法的应用为课程成绩预警和课程结构的科学规划提供了决策支持。

参考文献

[1]任鸽,吴猛,汗古丽·力提甫,等. 基于改进Apriori算法的高校课程预警规则库构建[J]. 计算机系统应用,2021,30(7):290-295. DOI:10.15888/j.cnki.csa.008040.

[2]刘建树,李健维,刘霖. 基于改进兴趣度的船舶关联规则挖掘[J]. 舰船电子工程,2019,39(1):78-82. DOI:10.3969/j.issn.1672-9730.2019.01.019.