摘要：隨著計算機技術的進步，許多高校相繼建立了日益完善的人事信息管理系統(tǒng)，積累了大量的完整數(shù)據(jù)。本文以教職工信息庫作為基礎信息來處理的，通過對整個院系（或學科）的教職工的個人信息進行加工處理、運用統(tǒng)計方法對每一個學科的院系（或學科）分別進行聚合、挖掘。從而找出影響學科發(fā)展的因素及各因素間的關聯(lián)關系。
　　關鍵詞：高等學校；人事管理；數(shù)據(jù)庫技術；應用研究
　　中圖分類號：G203文獻標識碼：A文章編號：1009-3044(2008)05-10ppp-0c
　　
　　1 引言
　　
　　隨著計算機技術的進步，許多高校相繼建立了日益完善的人事信息管理系統(tǒng)，積累了大量的完整數(shù)據(jù)。目前，這些數(shù)據(jù)的主要用途是向各級管理部門提供各類統(tǒng)計報表和信息查詢，但對這些數(shù)據(jù)所隱藏的價值沒有挖掘利用，十分可惜。借用計算機和數(shù)據(jù)庫管理手段，實現(xiàn)人事管理目錄信息的計算機化和網(wǎng)絡化管理。它包括建立人事檔案部局域網(wǎng)環(huán)境，加強部門內(nèi)部人員之間的信息溝通和網(wǎng)絡化應用：建立人事管理數(shù)據(jù)庫，實現(xiàn)人事管理目錄信息的統(tǒng)一管理：實現(xiàn)對人事管理基本信息的增、刪、查、存、轉等操作以及統(tǒng)計、打印等功能：采用條碼技術實現(xiàn)檔案盤點功能：整合現(xiàn)在文件級數(shù)據(jù)，將單機版數(shù)據(jù)加載到網(wǎng)絡數(shù)據(jù)庫中，實現(xiàn)人事管理數(shù)據(jù)的集中存放和統(tǒng)一模式的管理。本文以高校人事信息庫為對象，研究數(shù)據(jù)挖掘的方法。以圖“透過現(xiàn)象看本質(zhì)”，找出有價值的信息，為管理決策者提供參考。
　　
　　2 高校人事管理數(shù)據(jù)庫概述
　　
　　高校人事信息庫是由幾個子庫組成的，這些子庫按照級別分：院系（或學科）信息庫和院系的教職工信息庫。院系（或學科）信息庫稱院系情況信息庫，它由下列字段組成：學科（或系）代號，學科（或系）名稱，學科（或系）在全國的學術排名。建立時間，教職工總數(shù)，教學人員編制數(shù)，教學人員實有人數(shù)。科研人員編制數(shù)，科研人員實有數(shù)，文獻總量，文獻購置費，儀器設置總值，大型儀器設備臺件數(shù)，國家級重點實驗室個數(shù)，本科生總數(shù)，碩士生總數(shù)，博士研究生總數(shù)，留學生總數(shù)，其他學生數(shù)，學科帶頭人年齡，學歷、性別等，是院系（或學科）的基本情況庫。
　　院系（或學科）的教職工信息庫是由教職工基本情況庫、教職工來源情況庫、工作簡歷情況庫等22個子庫組成，這些情況庫是反映每位教職工的各方面情況的檔案庫。這些庫中有些情況是不會變化的，如：出生年月、性別、民族、出生地等；有些情況變化頻率不高，如部門、室科組、來源情況，婚姻狀況等；有些情況變化頻率較高，如教學工作情況、獎懲情況、發(fā)表論著情況等。如果對所有的情況一并對待不利于數(shù)據(jù)挖掘。本文并未對上述教職工信息庫進行直接挖掘，而是以它作為基礎信息來處理的，通過對整個院系（或學科）的教職工的個人信息進行加工處理、運用統(tǒng)計方法對每一個學科的院系（或學科）分別進行聚合、挖掘目的是：找出影響學科發(fā)展的因素及各因素間的關聯(lián)關系。
　　
　　3 用關聯(lián)規(guī)則發(fā)現(xiàn)技術對人事信息庫進行挖掘
　　
　　關聯(lián)規(guī)則技術是數(shù)據(jù)挖掘領域的一個重要方法，其方法和算法近幾年研究較多。所謂關聯(lián)規(guī)則就是描述數(shù)據(jù)庫中數(shù)據(jù)項（屬性，變量）之間所存在的（潛在）關系的規(guī)則。根據(jù)人事工作戰(zhàn)線上的老同志的經(jīng)驗，在人事管理中，發(fā)現(xiàn)一些平時并不能引起注意的因系（或規(guī)則），具有十分重要的意義。設一個項目的集合I為數(shù)據(jù)庫D中所有的120個項目的集合，每一個記錄中的項都是按字典順序存儲的。數(shù)據(jù)庫D中的一個記錄T（即T含40個項），T I，T與一個唯一標識符Tid相聯(lián)系（即記錄的形式是）。
　　關聯(lián)規(guī)則發(fā)現(xiàn)算法的主要問題是通過怎樣的算法找出所有強項集(large item sets)，然后找出有效關聯(lián)規(guī)則。所以挖掘所有有效關聯(lián)規(guī)則的問題可分為兩個子問題：① 尋找所有的支持度大于最小支持度的項集，即尋找所有的強項集；②用這些強項集去產(chǎn)生想法的規(guī)則。第二個問題相對容易解決。
　　
　　4 算法討論
　　
　　Agrawal等人幾年前提出了關聯(lián)規(guī)則的發(fā)現(xiàn)算法AIS和SETM，1994年又提出了改進算法Apfiofi和ApnofiTid。AIS和SETM算法都是在將記錄數(shù)據(jù)讀人數(shù)據(jù)庫的過程中迅速生成候選數(shù)據(jù)項集。在讀人新的記錄數(shù)據(jù)后，就要決定前次過程中的強的數(shù)據(jù)項集中的哪些應該和這些讀入的記錄數(shù)據(jù)中的數(shù)據(jù)組合，以產(chǎn)生新的候選數(shù)據(jù)項集。這種方法的缺點是導致許多不必要的數(shù)據(jù)項集的生成和計數(shù)。而Apriori和AprioriTid算法只利用前次過程中生成的強的數(shù)據(jù)項集來生成新的候選數(shù)據(jù)項集，因此具有k個數(shù)據(jù)項的候選數(shù)據(jù)項集可以通過對具有k-1個數(shù)據(jù)項的強數(shù)據(jù)項集組合而生成，刪除了那些包含任一k-1子項集不強的數(shù)據(jù)項集。所產(chǎn)生的候選數(shù)據(jù)項集要小得多，提高了算法的效率。
　　文獻給出了多層關聯(lián)規(guī)則的發(fā)現(xiàn)算法ML_T2T1，ML_T1TA，ML_T ML4和ML_T2TA 這幾個算法與Agrawal等人的算法不同在于彩了層次優(yōu)化技術。而層次算法的缺點是層次是由系統(tǒng)早已定好的。不利于挖掘一些人們從未想到過的有效規(guī)則。
　　Apriofi和AprioriTid算法不考慮數(shù)據(jù)庫中具體的記錄來生成候選集。僅僅考慮在上一次掃描中發(fā)現(xiàn)為強的項集，用它們生成候選項集并在本次掃描中計數(shù)。指導思想是任一強項集的子集必定是強的。因此，由k個項組成的候選項集是由k-1個項組成的強項集生成的。并且刪除那些包含任何不強子集的項集。這一過程會導致產(chǎn)生更少數(shù)量的候選結果。
　　Apriori算法中的Apriori-gen函數(shù)是一個極優(yōu)秀的生成候選項函數(shù)，它幾乎生成了不可能再少的候選項集，也一直被后來的研究者引用。可以說Apriori-gen函數(shù)是Apriori算法的精華，其缺點是掃描數(shù)據(jù)庫D次數(shù)很高，尤其是當數(shù)據(jù)庫D非常大時，I/O量很大，會引起系統(tǒng)顛簸和性能降低。
　　AprioriTid算法根據(jù)記錄編碼Tid，對掃描數(shù)據(jù)庫作了一些改進，尤其是當k較大時，生成Ck比原數(shù)據(jù)庫D要小得多，大大提高了速度，但是當k較小，特別是候選項占所有項目的比較較大，這樣生成的C 就比原數(shù)據(jù)庫D要大得多，性能就極差，同樣CPU與I/O的開銷也非常大。
　　后來，A?Sowasere等人提出Paritition算法，這個算法對非常大的數(shù)據(jù)庫較適合，減少了I/O開銷。Paritition算法與以前的算法根本不同之處是它最多只需要讀取數(shù)據(jù)庫二次就能生成所有有意義的規(guī)則，而以前的處落地掃描數(shù)據(jù)庫的次數(shù)能生成所有有意義的規(guī)則，而以前的算法掃描數(shù)據(jù)庫的次數(shù)根本無法先確定，并且這個算法適合構成并行算法。它的基本思想是根據(jù)計算機的內(nèi)存大小和數(shù)據(jù)庫D本身的某些性能，對數(shù)據(jù)庫D進行分區(qū)。算法一次讀取是一個分區(qū)而不是一個記錄，并對每個分區(qū)求強項集。然后把每個分區(qū)的強項集合在一起作為候選項集，再掃描數(shù)據(jù)庫D，計算這些候選項集的支持度，確定強項集，它的理論依據(jù)是：對整個數(shù)據(jù)庫D的任一強項集它必定會是至少某個分區(qū)的強項集。數(shù)據(jù)庫D數(shù)據(jù)量越大，分區(qū)算法的優(yōu)點就越明顯。
　　Paritition算法的缺點也是很明顯的：①如果數(shù)據(jù)庫D中的數(shù)據(jù)性能不好，尤其是對交易數(shù)據(jù)庫D，因為超市中商品的銷售肯定與季節(jié)有關，如果分區(qū)方法剛好與某個季節(jié)和氣候有關，那么在這個分區(qū)里強的項集，在其他分區(qū)里很有可能不強，這樣生成的候選項集將是相當大，但對整個數(shù)據(jù)庫D來說真正強的項集相對這個候選項集來說可能很小。這樣在第二次掃描時將大大增加CPU和I/O的開銷。對人事數(shù)據(jù)庫也同樣，對進人與退休的高峰期，數(shù)據(jù)庫性能就不一定好，還有各種原因都不能保證數(shù)據(jù)性能很好；②大部分強項集在上次掃描時都已經(jīng)在某些分區(qū)中計過數(shù)，但在第二次掃描時，這些信息都丟失了。這樣就增加了CPU的開銷；③當支持度較小時，算法的效果較差。

相關熱詞搜索：人事管理 數(shù)據(jù)庫技術 高校 研究