基于三元交互決定論的在線學(xué)術(shù)社區(qū)動態(tài)知識推薦服務(wù)模型研究

趙雪芹，王青青，蔡 銓

(湖北大學(xué)歷史文化學(xué)院,武漢 430062)

1 引言

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展與信息更迭速度的增長，傳統(tǒng)的知識獲取模式與知識交流路徑已無法滿足學(xué)者多元化的需求，兼具線上社交與資源共享功能的在線學(xué)術(shù)社區(qū)成為了學(xué)者知識交流與獲取的新路徑。在線學(xué)術(shù)社區(qū)為學(xué)者實現(xiàn)跨時空的學(xué)術(shù)交流與前沿知識獲取提供了便利。但隨著時間積累，在線學(xué)術(shù)社區(qū)的弊端也逐漸顯現(xiàn)，社區(qū)資源的碎片化、高冗余、品質(zhì)不齊等問題增加了用戶的資源獲取成本，降低了用戶對于社區(qū)服務(wù)的滿意度。為改善上述問題，滿足用戶個性化的知識需求，知識推薦被引入到在線學(xué)術(shù)社區(qū)服務(wù)中?，F(xiàn)有的知識推薦服務(wù)主要依賴于用戶與用戶交互數(shù)據(jù)、用戶與平臺交互數(shù)據(jù)、用戶個人屬性數(shù)據(jù)的采集，進行用戶知識需求感知分析，這些數(shù)據(jù)都屬于交互行為數(shù)據(jù)、個體特質(zhì)數(shù)據(jù)范疇[1]。然而已有研究證實用戶的知識需求感知是受多維因素影響的，服務(wù)情境對用戶的知識需求也有顯著的影響作用[2]，是以服務(wù)情境的分析需被納入到學(xué)術(shù)社區(qū)用戶知識需求感知計算中。此外，由于用戶對于知識需求的發(fā)現(xiàn)是一個心理內(nèi)化的過程，其交互行為、個人特質(zhì)、所接受的服務(wù)情境都會交織作用于用戶感知，用戶通過心理分析明確最終的知識需求。那上述3 類影響因素在用戶心中是如何交織作用的，又是如何整合成用戶的最終需求的呢，目前社區(qū)知識推薦領(lǐng)域尚未有學(xué)者給出明確的解釋。而班杜拉的三元交互決定論則指出了個體行為、特質(zhì)、所處情境之間的交互關(guān)系，認為三者是相互連接、互相作用的，三者在互相作用的過程中共同影響用戶心理感知[3]。故本研究擬以三元交互決定論為理論指導(dǎo)，探討學(xué)術(shù)社區(qū)用戶交互行為、個體特質(zhì)、服務(wù)情境的關(guān)系，并基于此構(gòu)建相應(yīng)的推薦模型，以實現(xiàn)對在線學(xué)術(shù)社區(qū)的推薦優(yōu)化。

2 研究綜述

2.1 三元交互決定論的相關(guān)研究

三元交互決定論是心理學(xué)家班杜拉（Albert Bandura）于20 世紀60 年代，以勒溫模型為基礎(chǔ)所提出的理論。班杜拉的三元交互決定論打破了行為主義的環(huán)境決定論，否認了人本主義的個人決定論，而主張交互決定論[4]，其認為個體、行為、環(huán)境這三者是互為因果關(guān)系，彼此相互決定，從而形成一個環(huán)形系統(tǒng)，共同影響著個體的認知。

三元交互決定論最初用于教育心理學(xué)領(lǐng)域，用以對學(xué)生的個人素養(yǎng)的培養(yǎng)、行為糾正等方面的研究[5,6]。近年來圖書情報領(lǐng)域也逐步引入了三元交互決定論，用于對居民閱讀需求的分析、閱讀素養(yǎng)的提升以及網(wǎng)民社會情緒產(chǎn)生的內(nèi)在動因研究。王雅倩等即基于三元交互決定論對中國農(nóng)村留守兒童的課外閱讀需求展開了研究，證實了個體特質(zhì)、個體行為、周邊環(huán)境對于留守兒童閱讀需求的影響作用[7]；馬捷等以三元交互決定論，構(gòu)建了閱讀推廣情境、用戶內(nèi)在個人因素、用戶閱讀行為這3 種主要因素之間的交互因果關(guān)系模型并提出了相應(yīng)的閱讀推廣方案[8]；杜昊在閱讀素養(yǎng)研究中引入了三元交互決定論，揭示了大學(xué)生閱讀素養(yǎng)與三要素的內(nèi)在關(guān)聯(lián)[9]；朱代瓊等以案例分析的方式，基于三元決定論驗證了網(wǎng)絡(luò)用戶個體特質(zhì)、環(huán)境、交互行為對于其網(wǎng)絡(luò)社會情緒的共同影響作用[10]。

綜上，現(xiàn)有的研究已一定程度驗證了三元交互決定論對于個體的內(nèi)在感知作用，為研究的需求感知分析提供了參照依據(jù)，確保了研究的可行性。

2.2 在線學(xué)術(shù)社區(qū)推薦服務(wù)相關(guān)研究

在線學(xué)術(shù)社區(qū)的推薦研究根據(jù)推薦客體的不同，可主要分為3 類：知識推薦研究、專家推薦研究、好友推薦。知識推薦研究主要是向社區(qū)學(xué)者提供基于用戶交互而產(chǎn)生的非結(jié)構(gòu)化知識或完整的論文；專家推薦研究則是挖掘領(lǐng)域研究領(lǐng)袖推薦給同領(lǐng)域或相近領(lǐng)域的社區(qū)學(xué)者；好友推薦則是社區(qū)學(xué)者推薦興趣相投的用戶，促進其交流與合作。知識推薦研究方面，房小可等通過對用戶使用社區(qū)論文或非結(jié)構(gòu)化知識時的情境數(shù)據(jù)采集，對社區(qū)資源進行了語義表示重構(gòu)，在基本的主題描述中加入了情境描述，加強了文本相似度計算的準確度，并基于此改進將與用戶所閱讀過的高相關(guān)度的知識文本推薦給學(xué)者[11]；游鳳霞等基于用戶屬性相似度計算與書籍使用相似度計算，挖掘相似用戶團體，將團體內(nèi)用戶所使用的書籍推薦給彼此，以實現(xiàn)知識推薦[12]。專家推薦方面，李春英等根據(jù)學(xué)者的個體特質(zhì)與發(fā)文主題挖掘不同領(lǐng)域的領(lǐng)袖學(xué)者，并將之推薦給同領(lǐng)域或相鄰領(lǐng)域的學(xué)者[13]；JORDAN等則基于用戶的交互數(shù)據(jù)，構(gòu)建用戶社交網(wǎng)絡(luò)，通過對社交網(wǎng)絡(luò)的中心度計算，挖掘位于核心位置的社區(qū)學(xué)者，并將其推薦給相似領(lǐng)域的學(xué)者[14]。好友推薦方面，張繼東等基于用戶的交互量級、個體特質(zhì)對用戶進行了社群劃分，將共處同一社群的學(xué)者推薦彼此，促進其成為好友[15]；楊豐瑞等基于用戶交互內(nèi)容的主題相似度，將其聚類以構(gòu)建主題社區(qū)并將同處以主題社區(qū)的用戶推薦給彼此[16]。

上述有關(guān)學(xué)術(shù)社區(qū)的推薦研究都是基于個體特質(zhì)、交互行為、服務(wù)情境中的一維或多維數(shù)據(jù)分析開展的，并取得了相應(yīng)的成效，完善了社區(qū)的推薦服務(wù)。本研究擬基于前人的研究基礎(chǔ)與技術(shù)運用展開知識推薦模型的構(gòu)建工作。

3 基于三元交互決定論的知識感知需求分析及動態(tài)推薦模型構(gòu)建

3.1 基于三元交互決定論的知識需求感知分析

根據(jù)前人的研究，本研究將“三元”中的個體特質(zhì)細化為屬性特征與心理特征；用戶交互行為數(shù)據(jù)細分為人機交互與人人交互數(shù)據(jù)；服務(wù)情境細分為時間、地理位置、設(shè)備使用以及周邊環(huán)境等[17]。在線學(xué)術(shù)社區(qū)中用戶的知識需求感知與“三元”緊密相關(guān)。用戶是感知情感產(chǎn)生的主體，用戶的個體特質(zhì)，如學(xué)科背景、研究領(lǐng)域、學(xué)歷層次、個人知識質(zhì)量評定標準等都會影響用戶的知識需求感知；用戶的知識需求感知的產(chǎn)生亦離不開服務(wù)情境，用戶是情境中的客體，任何行為活動都是在相應(yīng)的情境中開展的，服務(wù)情境勢必會影響到用戶的需求感知；而用戶在學(xué)術(shù)社區(qū)中的交互行為結(jié)果則會直接作用到用戶的需求感知。

“三元”在直接作用于用戶的知識需求感知的時候，也會彼此相互作用，促進彼此變化。用戶的個體特質(zhì)影響用戶在社區(qū)中生成的知識內(nèi)容，知識內(nèi)容的性質(zhì)影響著用戶服務(wù)情境的選擇，同時，個體特質(zhì)影響著用戶的交互行為：個體的交互行為受個體特征、自身知識架構(gòu)、認知水平等內(nèi)在因素的影響，個體特質(zhì)推動著用戶在學(xué)術(shù)社區(qū)中交互行為的產(chǎn)生與發(fā)展；用戶的交互行為，可以視作是促進服務(wù)情境與個體特質(zhì)變化的動因：在長期的社區(qū)使用過程中，用戶的交互行為結(jié)果會反饋給用戶的服務(wù)情境感知，促使其調(diào)整交互行為發(fā)生前服務(wù)情境，同理，用戶交互行為的發(fā)生意味著其知識交流和積累的進行，認知水平、知識架構(gòu)、思維信念等內(nèi)在的個體特質(zhì)會受到交互行為結(jié)果的影響；而服務(wù)情境則可以視作個體特質(zhì)與交互行為存在的客觀條件，社區(qū)個體的存在離不開情境，個體的思維、興趣與其認知水平必然會受到情境的綜合影響，用戶交互行為產(chǎn)生的基礎(chǔ)是情境，其對個體交互行為起到一定的引導(dǎo)作用，不同的情境會促使用戶對社區(qū)不同知識服務(wù)功能的使用。

綜上，用戶的知識需求感知是呈動態(tài)變化的?！叭痹诜謩e作用于用戶需求感知的同時也會彼此作用，促進彼此的改變，進而三者重新影響用戶的需求感知，如此循環(huán)往復(fù)，形成了環(huán)形的影響系統(tǒng)，具體如圖1 所示。因而在采用技術(shù)對用戶的需求進行分析時，應(yīng)該采用動態(tài)分析的思路，分別計算出“三元”所表現(xiàn)出來的需求特征后，需進一步構(gòu)建需求鏈，即將各時間段的用戶知識需求串聯(lián)起來，用以明確“三元”交互影響后對于用戶需求變化的動態(tài)影響作用，最終完成完整的需求分析。

圖1 用戶知識需求環(huán)形影響系統(tǒng)Fig.1 The circular influencing system of user knowledge demand

3.2 基于三元交互決定論三維推薦模型的結(jié)構(gòu)

結(jié)合三元交互決定論下的用戶需求分析特征與推薦服務(wù)模型構(gòu)建流程，本研究擬采用“三橫兩縱”的模型構(gòu)建思路。其中“三橫”指的是數(shù)據(jù)層、技術(shù)層、應(yīng)用服務(wù)層，這3 個層級至下而上形成了推薦服務(wù)的內(nèi)部框架，數(shù)據(jù)層的采集、技術(shù)層的技術(shù)選擇均以“三元”為導(dǎo)向，分別采集3 個維度的數(shù)據(jù)并根據(jù)各維度數(shù)據(jù)特征采用相應(yīng)的分析技術(shù)，分析出不同維度下的需求特征與需求變化特征，進而構(gòu)建完整的需求鏈；“兩縱”指知識推薦服務(wù)提供方與平臺用戶，二者貫穿服務(wù)工作的始末，形成了服務(wù)的外部框架，知識推薦服務(wù)提供方與平臺用戶通過反饋渠道不斷進行信息交互，提升知識推薦服務(wù)的質(zhì)量。具體的推薦流程如圖2所示。

3.2.1 數(shù)據(jù)層

數(shù)據(jù)層處于整個服務(wù)體系的最底端，是實現(xiàn)其他層級功能的基礎(chǔ)，該層級主要負責(zé)數(shù)據(jù)采集、預(yù)處理、存儲、安全維護等工作。由于本研究的服務(wù)模型是以三元交互決定論為理論指導(dǎo)而構(gòu)建，而三元交互決定論強調(diào)“三元”對用戶需求的動態(tài)影響，需要明確“三元”對于用戶需求感知的影響變化過程，從而構(gòu)建需求鏈，是以數(shù)據(jù)層的數(shù)據(jù)采集工作需要分時進行，以便數(shù)據(jù)層動態(tài)分析各時間段的用戶需求，為需求鏈的構(gòu)建提供支撐。在資源推薦服務(wù)中已處理好的數(shù)據(jù)主要以數(shù)據(jù)庫的形式進行分類存儲，根據(jù)圖2 數(shù)據(jù)層的數(shù)據(jù)被分裝與4 個數(shù)據(jù)庫：社區(qū)資源數(shù)據(jù)庫，個體特質(zhì)維數(shù)據(jù)庫、交互行為維數(shù)據(jù)庫、服務(wù)情境維數(shù)據(jù)庫，后3 個數(shù)據(jù)庫是根據(jù)三元交互決定論而設(shè)立的，用以服務(wù)上層進行分維度的需求分析。

圖2 動態(tài)知識推薦服務(wù)模型Fig.2 Dynamic knowledge recommendation service model

3.2.2 技術(shù)層

技術(shù)層包含推薦服務(wù)過程中所在涉及到的主要技術(shù)，技術(shù)層是數(shù)據(jù)層與應(yīng)用層的中間層，其通過對下層數(shù)據(jù)的挖掘，向上層的應(yīng)用服務(wù)層提供支撐。對社區(qū)資源數(shù)據(jù)的分析主要采用了LDA 主題聚類與質(zhì)量分級，通過LDA 模型分析各社區(qū)資源的潛在語義，將具有相似語義的資源整合于一個集合中，歸納形成同主題資源集，為了能夠切合用戶心理特征對知識需求感知的影響作用、實現(xiàn)資源質(zhì)量與用戶認知水平的匹配，需進一步引入利用資源質(zhì)量分級技術(shù)對資源進行進一步的分類，以便將既有平臺資源與用戶知識需求進行匹配。個體特質(zhì)維數(shù)據(jù)庫的分析則采用了用戶聚類屬性技術(shù)和心理預(yù)期分級技術(shù)，用戶聚類技術(shù)主要遵循協(xié)同過濾的思路，挖掘用戶初入社區(qū)的知識需求。而心理預(yù)期分級技術(shù)則用以分析用戶對準確率和全面性的側(cè)重，進而進行分情況推薦。交互行為維數(shù)據(jù)庫的分析，主要通過LDA 分析技術(shù)和社區(qū)網(wǎng)絡(luò)分析技術(shù)，利用LDA 技術(shù)對用戶的使用資源主題進行抽取，明確用戶的顯性知識需求，利用社會網(wǎng)絡(luò)分析技術(shù)和LDA技術(shù)，掌握對用戶影響作用明顯的用戶群體，通過對該群體用戶的關(guān)聯(lián)資源的主題抽取，明確目標用戶的隱性知識需求。服務(wù)情境維數(shù)據(jù)庫的分析，需要依賴于資源數(shù)據(jù)庫的分析，通過樸素貝葉斯分類法，計算用戶對不同主題資源的使用情境的偏好，以便在進行分情境的個性化資源推送。由于數(shù)據(jù)采集遵從了三元交互決定論的動態(tài)原則，進行了分時采集，因此依賴于三維數(shù)據(jù)庫的需求分析也是分時的，三元交互理論動態(tài)視閾下的知識鏈的建立則根據(jù)分時知識需求進行串聯(lián)，形成需求鏈，通過各用戶需求鏈的分析與相似度計算，明確用戶的需求變化特征，預(yù)測用戶的需求發(fā)展，提供預(yù)測性的知識服務(wù)。

3.2.3 服務(wù)應(yīng)用層

服務(wù)應(yīng)用層是具體推薦業(yè)務(wù)的執(zhí)行單元，是實現(xiàn)資源利用率最大化的重要載體，該層級面向社區(qū)用戶，通過資源推薦系統(tǒng)的對外接口，為用戶對推薦資源的及時查閱提供便利。在技術(shù)層對用戶的知識需求進行完整的分析后，將資源推送列表按照主題與三元交互中“情境”的映射關(guān)系進行分端口、分時間、分心理狀態(tài)推送，進而將資源呈現(xiàn)在用戶的閱讀界面中，推薦的內(nèi)容包括了當(dāng)下需求資源、潛在需求資源和前沿性需求資源，保障了推薦資源的全面性。與此同時，應(yīng)用服務(wù)層還通過反饋渠道收集用戶對于資源推薦的感知，以提高用戶知識需求分析的準確率和推薦服務(wù)的質(zhì)量。

3.3 三維推薦服務(wù)體系構(gòu)建的核心方法

三維推薦服務(wù)體系構(gòu)建核心在于技術(shù)層需求分析技術(shù)的使用，分析技術(shù)決定了推薦服務(wù)的質(zhì)量，是以本研究對數(shù)據(jù)層所用到的技術(shù)進行了相應(yīng)的調(diào)整與改進，以契合本研究的需求分析目標。

3.3.1 屬性特征的分析方法

個體特質(zhì)維度的知識需求分析利用了屬性相似聚類技術(shù)，對用戶進入社區(qū)的初始知識進行了分析。屬性相似聚類技術(shù)的運用能夠幫助社區(qū)解決推薦服務(wù)中的冷啟動問題，在沒有足夠的用戶社區(qū)使用數(shù)據(jù)的情況下，尋找相近的用戶群體，分析推斷目標用戶的初始知識需求[18]。本研究擬采用歐幾里得屬性相似度的計算，篩選出最相近的用戶，從而通過相近用戶的需求分析預(yù)判目標用戶的資源需求。用戶相似度的計算公式如公式（1）所示，cti表示用戶相同屬性的個數(shù)，CT 表示屬性的總個數(shù)，ru、rv 分別表示目標用戶A 和用戶v 的屬性特征向量。相較于傳統(tǒng)的歐幾里得相似度計算，本研究加入了相似權(quán)重，通過相似屬性數(shù)量與總屬性的比例計算，對用戶的相似性進行精進，進而根據(jù)相似度的排名明確相似用戶名單，對名單中用戶共同的資源需求進行抽取，用戶的初始知識需求。

3.3.2 交互行為維度的分析方法

交互行為維度的知識需求分析主要分為兩個部分，用戶與資源交互作用下的知識需求分析、用戶與社區(qū)其他用戶交互作用下的知識需求分析。對于用戶與資源交互作用下的需求分析，本研究擬采用權(quán)重計算。依托于文本主題抽取技術(shù)，通過用戶對于某一主題資源的訪問頻次與總訪問頻次的比例表示用戶對不同主題資源的偏好，并抽取出排名靠前主題資源推薦給用戶。具體的計算公式如公式（2）所示。其中Freq(u,ri)表示用戶u 對i 主題資源的訪問頻次，∑r∈(1,…n)freq(u,r)表示用戶u 對所有主題資源的訪問頻次。

對于用戶與社區(qū)其他用戶交互作用下的知識需求分析的分析，本研究擬采用社會網(wǎng)絡(luò)分析技術(shù)，通過用戶在討論板塊、興趣組板塊等板塊中的往來關(guān)系，以六度分割理論為基礎(chǔ)，構(gòu)建目標用戶的有向社交網(wǎng)絡(luò)圖。利用社會網(wǎng)絡(luò)分析中的結(jié)構(gòu)動理論，發(fā)現(xiàn)目標用戶的社交網(wǎng)中的影響力用戶，通過影響力用戶的知識需求分析，挖掘用戶的潛在知識需求。結(jié)構(gòu)洞所涉及到的對象至少3 個，在目標用戶社交網(wǎng)絡(luò)，若用戶A 與B 有關(guān)聯(lián)，B 與C 有關(guān)聯(lián)，而A 和C 無關(guān)系，則視該結(jié)構(gòu)是一種結(jié)構(gòu)洞，或者說在用戶A 用戶C 之間存在一個結(jié)構(gòu)洞。結(jié)構(gòu)洞的存在使得社交網(wǎng)絡(luò)中節(jié)點的影響力存在著差異，因而結(jié)構(gòu)洞的挖掘能夠幫助發(fā)現(xiàn)網(wǎng)絡(luò)中的核心用戶。本研究在傳統(tǒng)的結(jié)構(gòu)洞算法上融入了鄰居節(jié)點的點出度和點入度計算，從而更為準確地挖掘網(wǎng)絡(luò)圖中的核心節(jié)點，具體的計算公式如公式（3）所示。

公式中C (A) 表示節(jié)點A 受到網(wǎng)絡(luò)圖中其他節(jié)點的約束程度，當(dāng)C (A) 值較高時，即表示節(jié)點A 信息獲取時受到其他節(jié)點的干預(yù)都較高，對其他節(jié)點知識需求的影響力較低；TB+和TB-分別表示節(jié)點的鄰居節(jié)點B 的點出度和點入度。

3.3.3 服務(wù)情境維度的分析方法

服務(wù)情境維度的分析，主要在于構(gòu)建用戶需求資源與服務(wù)情境的關(guān)聯(lián)關(guān)系，本研究擬通過樸素貝葉斯分類法進行關(guān)系構(gòu)建。樸素貝葉斯分類法是建立在18世紀英國數(shù)學(xué)家托馬斯·貝葉斯（Thomas Bayes）所提出的概率論理論基礎(chǔ)上的分類器，其在處理社區(qū)大數(shù)據(jù)時具有較高的分類準確性和運算性能，能夠充分計算各服務(wù)情境下用戶的資源使用差異，從而準確建立情境與資源的映射關(guān)系[19]。

本研究根據(jù)前人的研究將服務(wù)情境分為了5 種：時間情境、地點情境、用戶心理情境、網(wǎng)絡(luò)情境、設(shè)備情境。其中時間分為3 個時間段：上午、中午、下午、夜晚。用戶心理情境分為：休閑情境、工作情境、其他情境。網(wǎng)絡(luò)情境分為：數(shù)據(jù)網(wǎng)絡(luò)、無線網(wǎng)絡(luò)端。設(shè)備情境分為：移動端、PC 端。在資源與服務(wù)情境分類工作完成時，引入樸素貝葉斯分類法，建立用戶、資源、服務(wù)情境的映射關(guān)系，明確各情境下用戶的知識需求。貝葉斯的計算公式如公式（4）所示，開展推薦服務(wù)時則根據(jù)用戶在不同情境下資源主題的選擇概率大小進行優(yōu)先推送。

其中，p(Sk|Ct,Cw,Cp,Cn,Cd)表示資源主題類別Sk在5類綜合情境下被選擇的概率，p(Ci|Sk)表示用戶在每個服務(wù)情境下關(guān)于社區(qū)主題資源Sk的條件概率，p(Sk)表示資源類別Sk在所有主題類別中出現(xiàn)的概率。

3.3.4 三元交互理論視閾下的需求鏈構(gòu)建方法

在三元交互決定論視角下，用戶的個體特質(zhì)、交互行為、服務(wù)情境選擇三要素形成了一個動態(tài)演變體系，促進著彼此的變化并共同作用于用戶的知識需求認知，推動著用戶知識需求遷移的發(fā)生。是以知識推薦服務(wù)體系構(gòu)建，不應(yīng)簡單地將三要素分析下的用戶知識需求進行分面分析或單純的整合，應(yīng)當(dāng)充分考慮用戶在三要素的動態(tài)演變體系作用下的需求遷移軌跡。在對用戶的知識需求進行分時分維度的分析后，本研究對用戶的知識需求進行了需求鏈構(gòu)建，需求鏈的構(gòu)建能夠幫助社區(qū)管理者明確用戶在三元交互作用下的需求演變軌跡，還可以通過需求鏈的相似度計算挖掘用戶的未來知識需求，提高推薦服務(wù)的前瞻性。用戶在各需求鏈節(jié)點上的知識需求主題可以通過向量進行表示即N1=(W1,W2,W3,W4…)、N2=(W1,W2,W3,W4…) ……，需求鏈的相似度計算即以當(dāng)前時刻為節(jié)點，往前推進m 個時間段，抽取f=（m+1）個節(jié)點上的用戶知識需求，將目標用戶與其他用戶需求鏈上的任意連續(xù)m 個時間段內(nèi)知識需求進行相似度計算，當(dāng)各時間段內(nèi)相似度值均超過閾值Q 時，即認為需求鏈相似度成立，則可以摘取相似用戶的地m+1 時間段上的知識需求用以表示用戶的未來知識需求。需求鏈各時間段需求相似度的計算公式如公式（5）所示，其中a 表示目標用戶，b 表示相似用戶。

4 動態(tài)知識推薦的實現(xiàn)流程

根據(jù)用戶知識需求的多維度、多層級分析，結(jié)合三維推薦服務(wù)體系的模型構(gòu)建，本提出了在線學(xué)術(shù)社區(qū)動態(tài)知識推薦的具體流程，從下至上主要分為4 個流程：信息資源的獲取與預(yù)處理、信息資源主題分析與用戶興趣建模、平臺資源與用戶需求相似度匹配、實現(xiàn)資源推送與反饋。

4.1 信息資源的獲取與預(yù)處理

在線學(xué)術(shù)社區(qū)資源與用戶三維數(shù)據(jù)的獲取是實現(xiàn)動態(tài)知識推送的首要條件。對于社區(qū)資源的信息通過網(wǎng)絡(luò)爬蟲即可獲取，而三元交互決定論視角下的用戶獲取來源較為廣泛、類型較多。特質(zhì)維度的數(shù)據(jù)包含了用戶自然屬性數(shù)據(jù)（如研究層次、性別、年齡等）、心理特征（即資源質(zhì)量預(yù)期）；交互行為維度數(shù)據(jù)包括了資源交互數(shù)據(jù)（即源訪問數(shù)據(jù)）、人人交互數(shù)據(jù)；服務(wù)情景維度的數(shù)據(jù)包括了（時間、地點、設(shè)備等）。對于用戶自然屬性、服務(wù)情境及交互行為相關(guān)數(shù)據(jù)則需要通過網(wǎng)絡(luò)爬蟲技術(shù)、日志挖掘技術(shù)等進行采集，用戶心理層面的數(shù)據(jù)則需要運用到文本分析法、問卷法進行數(shù)據(jù)補充。對已采集到的數(shù)據(jù)需做進一步的預(yù)處理（如分詞、清洗等），使數(shù)據(jù)轉(zhuǎn)化為需求分析所適用的數(shù)據(jù)形式。對于數(shù)據(jù)采集的更新則根據(jù)時間段的跨度定期更新。

由于數(shù)據(jù)采集與清洗對用戶隱私的涉及程度高，存在數(shù)據(jù)竊取于破壞的風(fēng)險，是以該部分除了采集與挖掘技術(shù)的運用，還應(yīng)適當(dāng)采用安全保護技術(shù)，比如匿名技術(shù)、加密技術(shù)、訪問權(quán)限控制技術(shù)。

4.2 信息資源主題分析與用戶興趣建模

將社區(qū)資源進行分詞清洗后，將資源文本導(dǎo)入LDA 模型中，利用Gibbs 抽樣估算LDA 模型中未知參數(shù)，根據(jù)生成的困惑度曲線確定最佳主題數(shù)量，從而實現(xiàn)對在線學(xué)術(shù)社區(qū)資源的主題提取，將抽取后的主體進行聚類并存儲與主聚類題庫。

在進行用戶需求建模時，需要引入時間軸，將時間軸分為若干個等份，時間軸起點的用戶需求利用屬性相似度計算所得的鄰近用戶知識需求表示，其他若干時間段的用戶知識需求則根據(jù)用戶的交互行為分析和需求鏈的分析結(jié)果進行表示。對于各個時間段抽取出來的用戶綜合的知識需求通過標簽“用戶ID-需求標簽-服務(wù)情境偏好-主題資源質(zhì)量預(yù)期級別”的形式儲存于用戶需求數(shù)據(jù)庫中，作為資源與用戶需求匹配分析數(shù)據(jù)集。

4.3 平臺資源與用戶需求相似度匹配

利用LDA 所抽取的資源主題與以LDA 為基礎(chǔ)的用戶需求主題均是通過若干詞向量進行表示的，其表示成文本向量的形式即topic=（R1,R2,…,Rn），對于平臺資源與用戶需求相似度匹配即可通過各主題內(nèi)的詞向量相似度進行余弦相似度計，進而根據(jù)資源主題與用戶知識需求主題相似度的排名，篩選出推薦名單。

根據(jù)上文可知，用戶對于不同主題資源的質(zhì)量預(yù)期存在差異，是以需要對資源推薦名單進行過濾。將資源質(zhì)量級別與用戶預(yù)期級別進行匹配，過濾掉不符合質(zhì)量要求的資源，確保推薦資源質(zhì)量不低于用戶的最低預(yù)期，實現(xiàn)推薦資源的全面與準確。

4.4 實現(xiàn)資源推送與反饋

根據(jù)4.3 計算出來的資源推薦名單和4.2 計算出的資源推薦情境，對不同的主題資源進行分情境推送，以提高用戶對于推薦資源的采納率和利用率。雖然對用戶知識需求的分析跨越了多維度，充分考量了三元交互決定論作用下的需求感知變化，分析所得的需求既包含了歷史需求、當(dāng)下需求、潛在需求、未來需求，但終是無法確保推薦服務(wù)的完全正確，因而需要引入服務(wù)反饋更新機制，及時了解與用戶需求分析與推薦服務(wù)中的不足并進行相應(yīng)調(diào)整。測評的方法主要有3種，分別為：問卷調(diào)查法、在線測評法以及離線測評法。問卷調(diào)查法作為接觸式的測評方法，可確切了解到用戶真實的體驗感受，但受用戶調(diào)查參與意愿的影響，測評調(diào)查范圍有限。在線測評主要是測量用戶的點擊率，即社區(qū)用戶對已推薦知識或主題的點擊數(shù)量與總點擊數(shù)量的比值；覆蓋率，即社區(qū)推薦的知識與主題是否能覆蓋用戶檢索的內(nèi)容。離線評測，主要是通過算法的運用判斷實驗數(shù)據(jù)的運行結(jié)果，評測指標包括準確度、多樣性、新穎性。3 種測評技術(shù)各有優(yōu)缺點，因而在實際需求刻畫效果的測評工作中，需要對3種技術(shù)進行綜合運用，充分發(fā)揮測評對于推薦服務(wù)的優(yōu)化作用。

5 結(jié)語

本研究以三元交互決定論為基礎(chǔ)，探討了個體特質(zhì)、交互行為、服務(wù)情境三要素對于用戶需求影響作用與彼此間的相互作用，并基于三者的交互關(guān)系提出了知識需求鏈，構(gòu)建了動態(tài)知識服務(wù)模型。在理論方面，改變了以往對于各維度需求分析“條塊分割”的思路，指出了“三元”之間對用戶需求的整體作用效果。然而，在實踐方面，本研究還有所欠缺，受限于文章篇幅，尚未進行實證分析。在后續(xù)的研究中，會通過對在線學(xué)術(shù)社區(qū)的數(shù)據(jù)采集，對推薦模型進行實證檢驗。