基于商业智能构建高校智能体系现状研究与探究技术

《基于商业智能构建高校智能体系现状研究与探究技术》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于商业智能构建高校智能体系现状研究与探究技术　　摘要：随着现代高等教育竞争地日趋激烈，大学的管理和决策变的更加错综复杂。如何从成千上万地数据中迅速快捷的提炼和挖掘出有用地信息和知识；如何通过纵横向比较研究认识了解和预测高校地发展优势、遇到的问题；如何增强应对社会经济，特别是现代高等教育市场发展变化地敏感能力；如何构建强大集数据储存、集成、挖掘、分析和报表为一体的知识信息系统是当前院校研究普遍关注的问题。关键词：商业智能；高校智能；可行性；体系中图分类号：TP399文献标识码：A文章编号：1006-4311（2014）05-0199-021国内外研究开发现状和发展趋势7我国的高等教育

2、研究从20世纪90年代到现在，经过了信息时代开始走向一个新的阶段，更加的国际化，在教育研究方面表现出越来越多的技术化和专业化。现在的高等教育研究越来越多的使用到互联网和数据库，这就是研究技术化的集中体现。一些大学从很早的时候就开始基于计算机化和网络化开展各项事务，比如学生注册选课系统、交费系统、工资系统、财务系统等，这对于高等教育研究来说是前进的一大步。而且在大学管理的很多个领域都可以应用到这些理论和模式，比如规划研究、学生事务的研究、财政状况的研究、教师事务的研究等。这也是目前美国院校研究所涵盖的六个主要研究内容。我国的商业智能技术要远远的落后于一些发达国家。与此有关的一些研究报告

3、显示，在2006年，世界上的商业智能系统的市场规模已经达到了140亿美元。这个商业智能系统在国外被应用的比较广，而且很成功，比如借助了商业智能系统的cadbury巧克力公司，它的市场份额就在很短的时间内提升了2%等，还有很多这样成功的应用商业智能系统的案例。7现阶段我国的高等教育信息化主要体现在三个方面：一是包括档案、人事考勤等在内的行政管理类；二是包括教务系统、就业管理、新生入学管理等在内的教学教辅类；三是包括水电缴费、上机管理、门禁管理、校园网缴费在内的一卡通应用类。并且这每个系统之间都是一个独立的个体，它们的结构、分布情况都是不一样的，这无疑会给信息的整理工作带来很多的挑战。如

4、果高校的领导想整体的了解一下高校的状况，没有的一个直接的途径，必须先进入每个系统，然后再通过手工整理每个系统中的信息和数据，最后汇总起来才可以。所以，现在很多的高校开始把各种应用系统整合在一起，建立一种统一的信息门户，实行单点登录，只有这样，数据的整合工作才能变得方便和快捷。总之，虽然采用商业智能技术对高校的信息整合工作很有益处，但是现阶段在我国的普及面还不是很广，甚至一些高校还仅仅处在起步阶段。所以以高等教育院校积极的普及这种商业智能系统，为更多的用户提供决策支持。2项目研究内容、关键技术和研发目标2.1研究内容2.1.1学生事物的研究按系部或二级学院按班级对学生个人全部信息，学生

5、每学期所选课程，学生每学期各门功课考试成绩。2.1.2教师事物的研究按系部或二级学院对教师个人信息，教师工资和课时费，教师每学期所上的课程，课程名称和课时，教师每年的科研项目，发表论文。2.2关键技术2.2.1数据仓库建立数据仓库实际上是一个“以大型数据管理信息系统为基础、附加在这个数据库系统之上地、存储了从企业所有业务数据库中获取的综合数据的、并能利用这些综合数据为用户提供经过处理后的有用信息的应用系统”，它绝不仅仅是一个简单的信息库。ETL（ExtractionTransformationLoading）7就是抽取、清洗、转换、装载，是数据仓库在实现过程中，将数据由数据源系统并向

6、数据仓库系统加载的主要过程。ETL过程关系勤数据地质量，这是非常重要的一个环节，它是数据整合的解决方案，也是建立数据仓库系统的关键一环。用户从数据源抽取出所需的数据以后，经过对数据清洗，最终按照预先定义好的数据仓库的模型，将数据加载到数据仓库中去。2.2.2联机分析处理1993年关系数据库之父（EECodd）首先提出了联机分析处理（on-LineAnalytiealProcessing，oLAp），这是一种能够为准确定义多维模型、操纵多维立方体提供技术基础。这项技术是孕育用户分析大型数据库对数据包含信息深入洞察的技术。OLAP具有汇总、合并和聚集的功能，它还能够从不同的角度观察信息，

7、它是一种分析技术。但是在采用OLAP的工具的时候需要其他分析工具的辅助，它虽然支持多维分析和决策，也可以进行深层次的分析，但只是靠OLAP是不能的。2.2.3数据挖掘通过分析和分类大量的历史和存储数据，可以发现有效的数据模式与关系的过程就是数据挖掘（DataMining，DM），其中还包括过去和预测未来趋势的有用信息。数据挖掘是一门涉及面很广的交叉性学科，包括机器学习、数理统计、神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术，同时它也是一种发掘型的