在线学习社区意见领袖识别算法研究

《在线学习社区意见领袖识别算法研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、在线学习社区意见领袖识别算法研究摘要：协作学习能较好的提高在线学习的学习效果，意见领袖作为协作学习重要的组织者和实施者，对进一步提升学习效果起着重要作用。本文在分析了学习者在线学习行为，在此基础上构建了在线学习者影响力模型，并基于PageRank设计了学习者影响力识别算法，通过该算法可以更准确地识别出影响力较高的学习者作为意见领袖。中国8/vie　　关键词：在线学习；影响力；学习领袖；PageRank　　中图分类号：TP391文献标志码：A：1006-8228（2017）04-60-03　　Abstract：Collaborativelearningcanimprov

2、ethelearningeffectofonlinelearning.Opinionleadersasanimportantorganizerandimplementerofcollaborativelearning，playanimportantroletofurtherenhancethelearningeffect.Basedontheanalysisofonlinelearners'behaviors，thispaperconstructsanonlinelearners'influencemodel，anddesignslearners'influencei

3、dentificationalgorithmbasedonPageRank.Bythealgorithm，somelearnersoocs学习的兴起，全球有数亿人次参与到在线学习中。但是在线学习的效果并不是非常理想，学生辍学率非常高。　　协作学习是加强学习者之间的互动联系，减少网络学习孤独感，提升学习体验和学习效果的较佳方式。协作学习一般以小组为单位，优秀的小组领导者，也称为意见领袖，能将小组有力地组织起来进行交互学习，提升学习效果[1-2]。国内对于意见领袖的识别研究尚集中在论坛、微博、期刊作者等领域，而对如何有效地识别在线学习社区中的意见领袖的研究较少。　　本文分

4、析了在线学习者学习行为，在此基础上，构建了学习者影响力模型，设计基于PageRank的学习者影响力识别算法。根据算法就能更加准确的确定影响力较高的学习者，并将其作为协作学习小组中的学习领袖。　　1�W习者影响力模型　　意见领袖作为学习小组的核心人物，在组织和实施小组协作学习方面起到至关重要的作用[3]。影响力是识别学习领袖的重要依据。在虚拟学习社区中，如果学习者在论坛和讨论中发帖、回帖次数较多，可认为其兴趣度、振奋度较高，表明其学习状态是活跃的，影响力也较大。在学习小组聚类后，就可以从小组中挑选影响力较高的学生作为学习领袖[3]。通过对学习者在线学习行为的分析，本文将

5、在线学习者影响力分为正面影响力和侧面影响力，并构建了学习者影响力模型，如图1所示。　　⑴正面影响力：即学习者主动参与各项网络活动所形成的影响力。　　①论坛：主要指学习者发帖数、回帖数和读贴数。　　②在线聊天：指学习者访问聊天室的次数和在线发言的次数。其中主要因素为在线发言次数，因为有的学习者可能访问聊天室的目的仅仅是关注其他学习者的讨论。　　③电子邮件：主要指发出新邮件数和回复邮件数目。　　⑵侧面影响力：主要指其他学习者主动与该学习者互动的过程中，对该学习者的认可度，可以从侧面反映出学习者的影响力。　　①论坛：主要指被回帖数，即其他学习者回复该学习者的回帖数，被回帖数

6、越多，说明该学习者的受重视程度越高，侧面影响力越大。此外，被浏览次数也具有参考价值。因为有些学习者可能浏览了帖子但没有回复，不过这些学习者浏览了帖子，就说明该帖子有一定的价值。　　②在线聊天：是指该学习者被回答问题的次数。　　③电子邮件：是指该学习者收到其他学习者的回复邮件数。　　2PageRank算法　　PageRank是Google搜索引擎用于网页重要性排名的重要算法，该算法主要通过计算得到在不同时候各个网页的链接价值来判断网页的重要性。PageRank的核心思想体现在下面两个方面：①如果网络中有多个网页都链接到某个网页，说明这个网页重要性高，其相应的链接价值也相

7、对较高；②如果链接到某个网页的链接中有链接价值比较高的网页，那么即使链接到该网页的网页数量少，该网页也拥有较高的链接价值[4]。以图2为例，说明网页的PageRank价值如何体现。　　图2中每个网页都以一个圆形表示，网页的价值体现在圆形的大小上，圆形越大，说明该网页拥有更高的链接价值。从图中可以看出指向网页A的链接数最多，因此A的链接价值最高。此外，对于D而言，显然链接到D的网页很少，但是链接价值最高的网页A也指向D，因此D同样拥有较高的链接价值。　　PageRank算法的核心公式如式⑴所示：　　⑴　　其中PR（u）是网页u的PageRank值，PR