凌玉龙，张 晓，李 霞，张 勇

(1.西北工业大学 大数据存储与管理工信部重点实验室，陕西 西安 710129； 2.西北工业大学 学生资助服务中心，陕西 西安 710129)

0 引 言

学生群体肩负着祖国的未来，在社会中扮演着重要的角色，因此对学生的行为进行分析具有重大意义。数据挖掘作为一种从海量数据中获取潜在知识的技术，已经在各个领域取得广泛应用。采用数据挖掘技术挖掘学生消费数据中潜在的知识可以充分发挥现有消费数据的作用，为学校管理人员的决策提供数据支持。

作为最经典的数据挖掘算法之一，kmeans算法思想简单，易于实现，有着广泛的应用。随着社会的发展，出现了一系列使用传统kmeans算法难以解决的新问题和新场景，学术界针对传统kmeans算法不断进行改进以适应这些场景。例如，谢修娟[1]为了从微博数据中发现热点舆情，提出一种基于密度的初始聚类中心选择算法，改进算法在微博数据集上拥有更高的准确性和稳定性。马汉达[2]针对传统kmeans在Web日志挖掘中性能不高的缺点，提出了基于粒子群算法的改进kmeans算法,并在Hadoop上实现了并行化，实验证明改进算法不仅提高了聚类准确率，而且提升了运行效率。Lutz[3]为了解决kmeans算法在GPU上效能较低的问题，针对kmeans算法每次迭代计算质心的过程提出了一种新的算法来更新质心，改进后的kmeans算法提高了20%的吞吐量。

如何利用校园消费数据分析学生群体行为，实现贫困生精确资助，提高学生学习生活质量，保障学生安全，已经成为高校急需解决的问题。……