在線學(xué)習(xí)社區(qū)意見領(lǐng)袖識(shí)別算法研究

羅凌

摘 要： 協(xié)作學(xué)習(xí)能較好的提高在線學(xué)習(xí)的學(xué)習(xí)效果，意見領(lǐng)袖作為協(xié)作學(xué)習(xí)重要的組織者和實(shí)施者，對(duì)進(jìn)一步提升學(xué)習(xí)效果起著重要作用。本文在分析了學(xué)習(xí)者在線學(xué)習(xí)行為，在此基礎(chǔ)上構(gòu)建了在線學(xué)習(xí)者影響力模型，并基于PageRank設(shè)計(jì)了學(xué)習(xí)者影響力識(shí)別算法，通過該算法可以更準(zhǔn)確地識(shí)別出影響力較高的學(xué)習(xí)者作為意見領(lǐng)袖。

關(guān)鍵詞： 在線學(xué)習(xí)； 影響力； 學(xué)習(xí)領(lǐng)袖； PageRank

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2017）04-60-03

Abstract： Collaborative learning can improve the learning effect of online learning. Opinion leaders as an important organizer and implementer of collaborative learning， play an important role to further enhance the learning effect. Based on the analysis of online learners' behaviors， this paper constructs an online learners' influence model， and designs learners' influence identification algorithm based on PageRank. By the algorithm， some learners who have higher influence will be recognized as the opinion leaders of online learning group.

Key words： online learning； influence； opinion leaders； PageRank

0 引言

近幾年，在線學(xué)習(xí)的熱潮一浪高過一浪，特別是隨著Moocs學(xué)習(xí)的興起，全球有數(shù)億人次參與到在線學(xué)習(xí)中。但是在線學(xué)習(xí)的效果并不是非常理想，學(xué)生輟學(xué)率非常高。

協(xié)作學(xué)習(xí)是加強(qiáng)學(xué)習(xí)者之間的互動(dòng)聯(lián)系，減少網(wǎng)絡(luò)學(xué)習(xí)孤獨(dú)感，提升學(xué)習(xí)體驗(yàn)和學(xué)習(xí)效果的較佳方式。協(xié)作學(xué)習(xí)一般以小組為單位，優(yōu)秀的小組領(lǐng)導(dǎo)者，也稱為意見領(lǐng)袖，能將小組有力地組織起來進(jìn)行交互學(xué)習(xí)，提升學(xué)習(xí)效果[1-2]。國(guó)內(nèi)對(duì)于意見領(lǐng)袖的識(shí)別研究尚集中在論壇、微博、期刊作者等領(lǐng)域，而對(duì)如何有效地識(shí)別在線學(xué)習(xí)社區(qū)中的意見領(lǐng)袖的研究較少。

本文分析了在線學(xué)習(xí)者學(xué)習(xí)行為，在此基礎(chǔ)上，構(gòu)建了學(xué)習(xí)者影響力模型，設(shè)計(jì)基于PageRank的學(xué)習(xí)者影響力識(shí)別算法。根據(jù)算法就能更加準(zhǔn)確的確定影響力較高的學(xué)習(xí)者，并將其作為協(xié)作學(xué)習(xí)小組中的學(xué)習(xí)領(lǐng)袖。

1 學(xué)習(xí)者影響力模型

意見領(lǐng)袖作為學(xué)習(xí)小組的核心人物，在組織和實(shí)施小組協(xié)作學(xué)習(xí)方面起到至關(guān)重要的作用[3]。影響力是識(shí)別學(xué)習(xí)領(lǐng)袖的重要依據(jù)。在虛擬學(xué)習(xí)社區(qū)中，如果學(xué)習(xí)者在論壇和討論中發(fā)帖、回帖次數(shù)較多，可認(rèn)為其興趣度、振奮度較高，表明其學(xué)習(xí)狀態(tài)是活躍的，影響力也較大。在學(xué)習(xí)小組聚類后，就可以從小組中挑選影響力較高的學(xué)生作為學(xué)習(xí)領(lǐng)袖[3]。通過對(duì)學(xué)習(xí)者在線學(xué)習(xí)行為的分析，本文將在線學(xué)習(xí)者影響力分為正面影響力和側(cè)面影響力，并構(gòu)建了學(xué)習(xí)者影響力模型，如圖1所示。

⑴ 正面影響力：即學(xué)習(xí)者主動(dòng)參與各項(xiàng)網(wǎng)絡(luò)活動(dòng)所形成的影響力。

① 論壇：主要指學(xué)習(xí)者發(fā)帖數(shù)、回帖數(shù)和讀貼數(shù)。

② 在線聊天：指學(xué)習(xí)者訪問聊天室的次數(shù)和在線發(fā)言的次數(shù)。其中主要因素為在線發(fā)言次數(shù)，因?yàn)橛械膶W(xué)習(xí)者可能訪問聊天室的目的僅僅是關(guān)注其他學(xué)習(xí)者的討論。

③ 電子郵件：主要指發(fā)出新郵件數(shù)和回復(fù)郵件數(shù)目。

⑵ 側(cè)面影響力：主要指其他學(xué)習(xí)者主動(dòng)與該學(xué)習(xí)者互動(dòng)的過程中，對(duì)該學(xué)習(xí)者的認(rèn)可度，可以從側(cè)面反映出學(xué)習(xí)者的影響力。

① 論壇：主要指被回帖數(shù)，即其他學(xué)習(xí)者回復(fù)該學(xué)習(xí)者的回帖數(shù)，被回帖數(shù)越多，說明該學(xué)習(xí)者的受重視程度越高，側(cè)面影響力越大。此外，被瀏覽次數(shù)也具有參考價(jià)值。因?yàn)橛行W(xué)習(xí)者可能瀏覽了帖子但沒有回復(fù)，不過這些學(xué)習(xí)者瀏覽了帖子，就說明該帖子有一定的價(jià)值。

② 在線聊天：是指該學(xué)習(xí)者被回答問題的次數(shù)。

③ 電子郵件：是指該學(xué)習(xí)者收到其他學(xué)習(xí)者的回復(fù)郵件數(shù)。

2 PageRank算法

PageRank是Google搜索引擎用于網(wǎng)頁重要性排名的重要算法，該算法主要通過計(jì)算得到在不同時(shí)候各個(gè)網(wǎng)頁的鏈接價(jià)值來判斷網(wǎng)頁的重要性。PageRank的核心思想體現(xiàn)在下面兩個(gè)方面：①如果網(wǎng)絡(luò)中有多個(gè)網(wǎng)頁都鏈接到某個(gè)網(wǎng)頁，說明這個(gè)網(wǎng)頁重要性高，其相應(yīng)的鏈接價(jià)值也相對(duì)較高；②如果鏈接到某個(gè)網(wǎng)頁的鏈接中有鏈接價(jià)值比較高的網(wǎng)頁，那么即使鏈接到該網(wǎng)頁的網(wǎng)頁數(shù)量少，該網(wǎng)頁也擁有較高的鏈接價(jià)值[4]。以圖2為例，說明網(wǎng)頁的PageRank價(jià)值如何體現(xiàn)。

圖2中每個(gè)網(wǎng)頁都以一個(gè)圓形表示，網(wǎng)頁的價(jià)值體現(xiàn)在圓形的大小上，圓形越大，說明該網(wǎng)頁擁有更高的鏈接價(jià)值。從圖中可以看出指向網(wǎng)頁A的鏈接數(shù)最多，因此A的鏈接價(jià)值最高。此外，對(duì)于D而言，顯然鏈接到D的網(wǎng)頁很少，但是鏈接價(jià)值最高的網(wǎng)頁A也指向D，因此D同樣擁有較高的鏈接價(jià)值。

PageRank算法的核心公式如式⑴所示：

⑴

其中PR（u）是網(wǎng)頁u 的PageRank值，PR（v）是網(wǎng)頁v的PageRank值，Ru是鏈接到網(wǎng)頁u的網(wǎng)頁集合，N（v）為網(wǎng)頁v向外的所有鏈接數(shù)，d表示頁面u被隨機(jī)訪問的概率。

3 在線學(xué)習(xí)社區(qū)學(xué)習(xí)者影響力識(shí)別算法

在線學(xué)習(xí)社區(qū)中，學(xué)習(xí)者之間的交互關(guān)系也可以抽象為網(wǎng)頁間的關(guān)系。一個(gè)學(xué)習(xí)者如果和網(wǎng)絡(luò)中的其他用戶發(fā)生的交互行為越多，說明該用戶越積極，其影響力越高；同樣，即使該學(xué)習(xí)者和其他學(xué)習(xí)者的交互行為較少，但是和該學(xué)習(xí)者進(jìn)行交互的大都是影響力較高的用戶，相應(yīng)也提升了該學(xué)習(xí)者的影響力。這與PageRank算法對(duì)網(wǎng)頁價(jià)值的判斷相似。因此，本文設(shè)計(jì)了基于PageRank的學(xué)習(xí)者影響力識(shí)別算法。算法具體設(shè)計(jì)如下。

步驟1 根據(jù)影響力模型計(jì)算學(xué)習(xí)者初始影響力。

學(xué)習(xí)者影響力包括正面影響力和側(cè)面影響力，因此需要分別從這兩個(gè)方面綜合計(jì)算學(xué)習(xí)者的初始影響力。

⑴ 正面影響力表征

正面影響力用R1表示，R1={FM，CM，EM}，其中FM表示論壇，CM表示在線聊天，EM表示電子郵件。FM={FM1，F(xiàn)M2，F(xiàn)M3}，各分量分別表示學(xué)習(xí)者在論壇中發(fā)帖，回帖和讀貼數(shù)；CM={CM1，CM2}，各分量分別表示學(xué)習(xí)者在聊天室發(fā)言次數(shù)和訪問聊天室次數(shù)；EM={EM1，EM2}，各分量分別表示學(xué)習(xí)者發(fā)新郵件數(shù)和回復(fù)郵件數(shù)。根據(jù)專家經(jīng)驗(yàn)，F(xiàn)M、CM和EM各分量的權(quán)重分別為：WFM={0.5，0.3，0.2}，WCM={0.7，0.3}，WEM={0.6，0.4}。

⑵ 側(cè)面影響力表征

側(cè)面影響力用R2表示，R2={FS，CS，ES}，F(xiàn)S表示論壇，CS表示在線聊天，ES表示電子郵件。FS={FS1，F(xiàn)S2}，各分量分別表示被回帖數(shù)和被讀貼數(shù)；CS={CS1}，表示被回答問題次數(shù)；ES={ES1}，表示學(xué)習(xí)者收到的其他學(xué)習(xí)者的回復(fù)郵件數(shù)。根據(jù)專家經(jīng)驗(yàn)，F(xiàn)S、CS和ES各分量的權(quán)重分別為：WFS={0.7，0.3}，WCS={1}，WES={1}。

⑶ 初始影響力計(jì)算公式

學(xué)習(xí)者的初始影響力由正面影響力和側(cè)面影響力構(gòu)成，公式為：

步驟2 基于PageRank算法計(jì)算學(xué)習(xí)者實(shí)際影響力

在線學(xué)習(xí)網(wǎng)絡(luò)中，可以將學(xué)習(xí)者視為網(wǎng)絡(luò)中的節(jié)點(diǎn)，學(xué)習(xí)者之間的交互行為視為節(jié)點(diǎn)之間的邊。例如，在郵件系統(tǒng)中，如果學(xué)習(xí)者A給學(xué)習(xí)者B發(fā)送了郵件，則可以建立A指向B的鏈接；同樣，如果B也回復(fù)了A的郵件，則可以建立B指向A的鏈接。學(xué)習(xí)者之間的這種鏈接關(guān)系類似于網(wǎng)頁之間的鏈接關(guān)系[5]，因此可以通過PageRank 算法來計(jì)算用戶的實(shí)際影響力，具體步驟如下：

⑴ 將各個(gè)學(xué)習(xí)者假設(shè)為網(wǎng)頁，將步驟1計(jì)算出來的用戶的影響力作為每個(gè)學(xué)習(xí)者的初始PR值。

⑸

⑵ 如果某個(gè)學(xué)習(xí)者A主動(dòng)和其他學(xué)習(xí)者產(chǎn)生了聯(lián)系，則表示該學(xué)習(xí)者A的鏈接出度為該學(xué)習(xí)者鏈接到的其他學(xué)習(xí)者的鏈接的總和。同理，如果其他學(xué)習(xí)者和學(xué)習(xí)者A進(jìn)行了聯(lián)系，則所有這些其他學(xué)習(xí)者都是該學(xué)習(xí)者A的鏈接入度。根據(jù)PageRank公式⑴計(jì)算每個(gè)用戶的PR值。

⑶ 由于每一次計(jì)算都可能會(huì)改變用戶的PR值，經(jīng)過20次（Google默認(rèn)）重復(fù)運(yùn)算后，各個(gè)網(wǎng)頁的PR值基本達(dá)到穩(wěn)定。

步驟3 根據(jù)步驟2得到的PR值進(jìn)行降序排序，輸出排序后的節(jié)點(diǎn)編號(hào)和該節(jié)點(diǎn)的PR值。

根據(jù)排序后的編號(hào)和PR值就可以準(zhǔn)確的知道每個(gè)學(xué)習(xí)者的影響力，從而在每個(gè)學(xué)習(xí)小組中選擇影響力高的學(xué)習(xí)者作為學(xué)習(xí)領(lǐng)袖。

4 結(jié)論

影響力是識(shí)別意見領(lǐng)袖的重要指標(biāo)。本文對(duì)在線學(xué)習(xí)社區(qū)中學(xué)習(xí)者交互行為進(jìn)行深入分析，在此基礎(chǔ)上，綜合學(xué)習(xí)者的正面影響力和側(cè)面影響力構(gòu)建了在線學(xué)習(xí)社區(qū)學(xué)習(xí)者影響力模型?；谠撃Ｐ?，并結(jié)合PageRank算法設(shè)計(jì)了學(xué)習(xí)者影響力識(shí)別算法，通過該算法可以在大量的在線學(xué)習(xí)者中更加準(zhǔn)確的識(shí)別出影響力較高的學(xué)習(xí)者作為意見領(lǐng)袖。后續(xù)的研究將主要圍繞如何更好的通過意見領(lǐng)袖的交互行為進(jìn)一步加強(qiáng)學(xué)習(xí)小組成員間的聯(lián)系和互動(dòng)，以更好的提升在線學(xué)習(xí)效果展開。

參考文獻(xiàn)（References）：

[1] B.D. De Wever， H.V. Van Keer， T. Schellens， M. Valcke.

Roles as a structuringtool in online discussion groups： the differential impact of different roles on social knowledge construction. Computers in Human Behavior，2010.26：516-523

[2] S. Zha， C.L. Ottendorfer. Effects of peer-led online

asynchronous discussion on undergraduate students' cognitive achievement. The American Journal of Distance Education，2011.25：238-253

[3] 張紅宇，王堅(jiān)強(qiáng)，馬華.結(jié)合社會(huì)網(wǎng)絡(luò)分析和多維特征聚類的學(xué)習(xí)小組劃分方法[J].計(jì)算機(jī)應(yīng)用研究，2013.30（3）：732-735，741

[4] 王冬，雷景生，李壯.基于PageRank的頁面排序改進(jìn)算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2008.29（22）：5921-5923

[5] 吳渝，馬璐璐，林茂，劉洪濤.基于用戶影響力的意見領(lǐng)袖發(fā)現(xiàn)算法[J].小型微型計(jì)算機(jī)系統(tǒng)，2015.36（3）：561-565