随着移动通信技术与无线宽带网络的的发展,移动互联网无论是在规模上还是在网络应用数量上都呈现指数级的增长。特别是进入Web2.0后,用户产生内容逐渐成为了主流而导致网络通信数据量呈现爆发趋势,尤其是近年来移动互联网的快速发展,大大降低了用户使用互联网的门槛。移动互联网的快速发展已经影响到了我们生活的方方面面,越来越多的桌面应用开始移动化。教学评价系统是一套用于对教师授课情况进行评价的系统,由于其在使用中存在并发高、瞬间请求数据量较大的特点,在对其进行移动化改造的过程中会出现高并发下数据请求时间过长的情况。本文通过提出相应的数据预取与缓存模型以解决这一问题。数据预取的工作本质是将原来的同步数据请求转换为异步数据请求。数据预取通过分析用户以往的数据请求记录以及当前的数据请求状态,通过相应的挖掘算法对用户未来的行为进行预判并读取数据缓存备用,以此来达到降低数据请求等待时间的目的。本文提出了基于FP-Growth算法挖掘关联规则的评教数据预取模型,使用FP-Growth算法作为用户数据请求关联规则的挖掘算法,并在数据预取的过程中加入了对关联规则的泛化过程,同时提出了针对评教数据的预取价值评估算法。数据预取与数据缓存是两个不可分割的统一整体,数据缓存为预取数据提供了存储支持。预取的数据均需要保存在缓存系统中备用,缓存系统的更新与替换策略对缓存的命中率具有非常大的影响。本文提出了基于优先级动态分层的缓存模型,待缓存数据具有动态的优先级,通过实时的优先级改变来达到数据分层的改变。本文同时提出了基于生命周期的主动更新方式,缓存数据的命中情况与数据缓存优先级、数据重要性均被量化为生命周期值,通过生命周期的改变来实现主动的缓存更新与清理。本文对教学评价系统中的数据预取模型进行了较为详尽的研究,全文围绕数据预取模型和数据缓存模型两个方面进行研究。实验结果表明,本文提出的数据预取与缓存模型对教学评价系统中数据请求速度提升有明显的帮助。