基于社区在线学习系统的学习激励机制构建方法

技术领域

本发明属于一种学习激励机制，尤其是基于社区在线学习系统的学习激励机 制构建方法。

背景技术

MOOC于2008年首次提出，作为一种新的在线学习模式，其出现依赖于以 Wiki、Facebook和Youtube为代表的社交网络技术和云端服务技术的飞速发展， 这些互联网技术极大地方便了人们的交流、沟通和协同工作，使得地理位置上的 距离不再成为问题。MOOC的大规模(Massive)体现在参与的学生、老师、学 校、课程以及投入等方面。MOOC的开放(Open)指学生不再受地域、年龄、 文化和语言等因素的限制，同时也指教学与学习的形式以及教学资源的开放性。 MOOC的在线(Online)意味着教学与学习可以拥有相对低廉的成本，学生通过 在线互动能更多地参与课程建设，并且对教师和学生在线行为的大数据分析可以 更好地完善教学。MOOC在课程(Course)方面的革新体现在老师从课程的主导 者转变为组织者；课程内容非结构化且处于演变中；学生更多地参与课程建设。 换言之，MOOC通过成熟的互联网技术将先进的学习理论付诸在线学习实践中。

众多国内外一流大学都已经加入了开展MOOC的行列。目前影响最大的 MOOC网站有Udacity、Coursera和edX。Coursera和Udacity都由斯坦福大学创 立，为非盈利性平台，其中Coursera有众多大学的加盟。edX是MIT和哈佛大 学共同创办的非盈利性质平台，它也吸引了如伯克利大学等众多一流大学的加 盟，此外还有iversity和Veduca等在线学习平台。清华大学创办的“学堂在线” 是国内首家知名MOOC平台，清华大学的部分课程也加盟edX平台向全世界开 放。

学生在MOOC中不能及时得到学习反馈，原因之一是缺乏有效的激励机制， 因为学习者通过终端设备进行在线交互，比线下学习更耗费精力。调动学习者参 与在线交互的积极性，需要对学习者进行适当的奖励。目前的MOOC网站除了 为学习者提供结课证书外，没有其他系统化的学习激励方式，这不利于学习者完 整地进行课程学习。

目前的在线学习系统中对学生的评价方式评价都是简单的考试或者是提交 平时作业，不能客观的评价的学生的平时成绩，这就需要从学生的参与课程社区 的活动来评价用户的成绩，更为客观的评价学生，我们提出通过评价用户的平时 活动来激励并提高学生参与课程社区活动的兴趣。

目前，对学生评价的方式有很多种，主要分为两种，传统的评价方式是根据 用户的活动，例如，新浪微博中根据用户的活跃天数来评定用户的等级，或者更 加用户发的微博数进行相应的勋章奖励，或者在CSDN中根据用户的回帖数来 给予相应积分等等。这种方式虽然可以量化用户活动，并进行相应奖励，也有一 定的激励作用，但是存在较多的问题，例如用户灌水、作弊等问题，且这种激励 方式不能客观的评价用户对系统的贡献，忽略了用户之间潜在的影响。

在学术界，可以通过计算用户声誉值来评价，主要分为K-core、HITS、 PageRank、TS-S PageRank和IC Model五种方法。K-core分解的方式对传播网络 中所有小于或者等于K的节点，通过递归的方式逐渐去除，这样能描述网络传 播的层次特征，中心节点的用户的声誉值高。HITS和PageRank原本是用于网页 重要性分析算法，但也适用于计算用户声誉值。HITS算法的核心是网页之间的 引用关系，进行挖掘，它主要利用链接权威度(Hub)与内容权威度(Authority) 这两者来综合评价节点的权重，就是利用页面之间的链接跳转来挖掘潜在的信 息，简单概括为重要的节点，它指向的页面也比较重要。PageRank是Google专 有的算法，用于衡量特定网页相对于搜索引擎索引中的其他网页而言的重要程 度。PageRank与HITS算法相似，也是将网页之间的链接作为影响网页权重的因 素，不过算法不一样，节点A指向节点B，即网页A有一链接指向B，算法当 成节点A对节点B的投票，节点的得票数越多，说明节点的重要性越高，它的 权重也是越大。而TS-PageRank算法则是在PageRank算法的基础上引入了主题 相关性，不同主题有不同的侧重程度，来实现PageRank的扩展，提高查询页面 时结果的准确性。IC Model(独立级联模型)采用贪心算法找到一个能是传播最大 化的原始子集，传播过程中，节点A有一定的概率影响与之相邻的节点B，节 点之间的传播是独立，最终得到用户传播的原始子集。

发明内容

为了更为客观、准确的评价在线学习系统中用户的声誉，本发明提出了一种 声誉计算方法，该算法不仅可以客观的计算在线学习系统中用户的声誉值，而且 实现系统的激励机制，激励用户多参与系统的活动。

一种基于社区的在线学习系统中的学习激励机制，包括以下步骤：

步骤1，提取系统用户的相关活动，构建用户交互图；

步骤2，根据步骤1所得的用户交互图，再一次提取系统用户的好友关系情 况，将用户影响传播的中的多级传播和传播衰减因子纳入交互图边的权重计算， 重构交互图边的权重，得到用户影响传播图；

步骤3，根据步骤2得到用户影响传播图，转化为声誉转移矩阵，迭代计算 用户声誉，直至用户声誉值收敛。

所述的步骤1中具体过程如下：

步骤1.1，抽取用户活动；

用户活动包括两个方面：

1.资源下载：表示用户A对用户B的支持情况，用户B对用户A 的影响情况；的计算公式如下：

${\mathrm{Wl}}_{U_A\to U_B}={\sigma }_B/10\times \frac{{\mathrm{dl}}_B}{\max {\mathrm{dl}}_j}$(公式1)

其中σ_B表示用户A对下载资源的投票值，dl_B表示此资源的下载次数，max dl_j为这个社区中所有资源的最多下载次数，表示资源的质量；

2.在线问答：若用户B回答了用户A的问题，则表示用户B对用户A有影 响，其具体计算公式如下所示：

${\mathrm{Wq}}_{U_A\to U_B}={\theta }_B/\max {\theta }_j\times \frac{v_B}{\max v_B}$(公式2)

公式中θ_B为这个答案经过最佳答案选择算法得出的权值，maxθ_j表示得分最 高的答案的权值，用来表示答案权值所占的比重，v_B表示问答中这个答案 的获得用户投票的次数，maxv_B表示这个问题的所有答案中获得投票次数最多的 投票次数，表示回答者对提问题的影响；

表示用户B对用户A的影响，用户A对用户B的支持程度：

$W_{U_A\to U_B}={\mathrm{Wl}}_{U_A\to U_B}+{\mathrm{Wq}}_{U_A\to U_B}$(公式3)

步骤1.2，构建用户交互图；

构建用户交互图，获取在线学习系统的所有用户 U＝{U₁，U₂...U_i...U_n}，1≤i≤n，G<V，E，W>,其中G为用户交互图，V＝{U_i} 表示图的顶点，E是边，W为边的权重，为点A到点B的边的权重。

所述的步骤2中具体过程如下：

步骤2.1，提取用户的好友关系；

计算用户声誉以每门课程作为社区的一个单位，参数α表示每门课程中提取 用户的好友关系，若用户A与用户B是好友关系则用α_AB表示；其具体计算如下：

步骤2.2，初步计算图中边的权重

表示用户A对用户i的投票次数集合(见公式3)； 用户交互图的边的初步计算值用表示，公式如下所示：

${W^{\prime }}_{U_A\to U_B}={\alpha }_{\mathrm{AB}}\times \frac{W_{U_A\to U_B}}{{\Sigma }_i^O{W}_{U_A\to U_i}}$(公式5)

其中O为用户A投票用户的总数；

步骤2.3，多级传播与多级衰减因子的计算；

符号k表示多级传播的级数，符号β_k表示在第k次传播时的传播衰减因子， 它们的计算公式如下：

β_k＝e^-(k-1)，1≤k≤6     (公式6)

步骤2.4，计算用户影响传播图；

表示传播图的边的权重，用其计算综合考虑了用户的投票数、好友 关系、多级传播及多级衰减，得到公式如下：

${W^{\prime \prime }}_{U_A\to U_B}=\underset{k=1}{\overset{6}{\Sigma }}\underset{B}{\overset{Y_k}{\Sigma }}({\beta }_k\times {W^{\prime }}_{U_A\to U_B})$(公式7)

其中1≤k≤6，Y_k表示在第k级传播中对用户A的投票用户的总数；由此 得到用户B对用户A和经过用户B对用户A的总投票值，得到最终用户影响传 播图G<V，E，W”>，W”为最终计算得到的边的权值。

所述的步骤3中具体过程如下：

步骤3.1，用户传播图转换为用户传播矩阵；

计算用户的声誉值之前，将用户影响传播图转化为用户影响矩阵M，其中每 一个值m_AB表示用户U_A对用户U_B的影响，转化公式如下：

$m_{\mathrm{AB}}={W^{\prime \prime }}_{U_A\to U_B}$(公式8)

其中，是用户影响传播图中边的权重，当用户A尚未参与任何活动， 与任何用户有交互行为时，m_AB的计算如下，其中n为一门课程社区中的用户总 数；

$m_{\mathrm{AB}}=\frac{1}{n}$(公式9)

步骤3.2，用户声誉值计算；

得到用户影响转移矩阵后，进行声誉计算，根据用户的声誉值由其影响的用 户数和影响的用户的声誉值得到，故其计算公式为

$\mathrm{RPR}=d\times M\left(\mathrm{RPR}\right)+\frac{{\mathrm{ee}}^T}{n}\times (1-d)$(公式10)

其中RPR是n×1的矩阵，表示所有用户的声誉值，n表示一门课程社区中用 户的个数，d×M×RPR表示用户交互对用户声誉所带来的影响，e是n×1的 单位矩阵，ee^T是一个n×n单位矩阵，d称为阻尼系数，为用户跳出封闭圈的概 率；

公式10转化为用户声誉值计算公式，如下：

${\mathrm{RPR}}_B=d\underset{U_A\in U}{\overset{n}{\Sigma }}(m_{\mathrm{AB}}\times {\mathrm{RPR}}_A)+(1-d)/n$(公式11)

其中，m_AB表示用户U_A对用户U_B的影响，初始时用户的声誉值RPR_A都是1， d称为阻尼系数，n为一门课程社区的用户总数。

所述的步骤3.2中初始计算户声誉值时，用户声誉值的初始声誉都设为1， 如下：

$\mathrm{RPR}=\left(\begin{array}{c}1\\ 1\\ ·\\ ·\\ ·\\ 1\\ 1\end{array}\right)$(公式12)

而用户影响矩阵w为一个n×n矩阵，其中n表示以一门课程为社区的所有 用户，表示如下：

然后计算用户的声誉值，采用公式10，计算完后，设RPR＝RPR′，再代入公 式10中继续计算，直到RPR中的值RPR′矩阵中的值的误差小于0.001时，表 示用户的声誉值已经收敛，则得到最终的用户声誉值。

本发明的技术效果是：一种基于社区的在线学习系统中的学习激励机制，考 虑了学习系统中用户自身的活动和用户之间的好友关系，而且在影响传播中考虑 了传播学中的多级传播和物理学中信息传播过程的衰减，这样可以更为准确评价 用户的声誉值。

附图说明

图1为本发明的激励机制流程图。

具体实施方式

下面通过具体实施例，并结合附图，对本发明的技术方案作进一步具体的说 明。

基于社区的在线学习系统中，用户之间的交互只有两种，在线问答中的提问 回答和个性化资料库中的资源上传下载，其中前者为直接交互，后者为间接交互， 这两者是学习激励机制的主要组成部分，在考虑了用户之间的交互，并考虑用户 之间的关系，如好友关系，还需考虑用户之间的基于中介的影响传播及传播过程 的衰减，这些综合构成了在线学习系统的学习激励机制。

如图1，方法具体操作如下：

步骤1，对于一个在线学习系统，提取系统用户的相关活动，构建用户交互 图，具体过程如下：

步骤1.1，抽取用户活动

用户的活动由两部分构成：用户回答问题的情况和下载资源的情况，其具体 计算如下说明。

1.资源下载：计算用户影响传播时，用户A下载了用户B的资源，则表示 用户A对用户B投了一票，或者说用户B对用户A有了影响，用表示 用户A对用户B的支持情况，也表示用户B对用户A的影响情况。的 计算有两部分构成，用户投票值和用户下载情况，计算公式如下：

${\mathrm{Wl}}_{U_A\to U_B}={\sigma }_B/10\times \frac{{\mathrm{dl}}_B}{\max {\mathrm{dl}}_j}$(公式1)

其中σ_B表示用户A对下载资源的投票值，满分为10分，表示用户对下载的资源 的满意度，dl_B表示此资源的下载次数，max dl_j为这个社区中所有资源的最多下 载次数，它们的比值表示资源的质量，表示资源下载对用户的影响权重。

2.在线问答：在社区问答中，每一个成员就某个问题提问，其他成员运用 其知识给出答案，随着越来越多的人提问，社区知识库也会越来越丰富。在算法 中若用户B回答了用户A的问题，则表示用户B对用户A有影响，在计算声誉 时，加入了回答的实效性，因为回答越积极的用户对提问者产生的影响就越大， 用表示。其具体计算公式如下所示：

${\mathrm{Wq}}_{U_A\to U_B}={\theta }_B/\max {\theta }_j\times \frac{v_B}{\max v_B}$(公式2)

公式中θ_B为这个答案经过最佳答案选择算法得出的权值，maxθ_j表示得分最 高的答案的权值，用来表示答案权值所占的比重，v_B表示问答中这个答案 的获得用户投票的次数，max v_B表示这个问题的所有答案中获得投票次数最多 的投票次数，表示回答者对提问题的影响。

用户参与这两者活动，就是主要构成用户声誉值的部分。表示用户B 对用户A的影响，或者表示用户A对用户B的支持程度：

$W_{U_A\to U_B}={\mathrm{Wl}}_{U_A\to U_B}+{\mathrm{Wq}}_{U_A\to U_B}$(公式3)

步骤1.2，构建用户交互图。

完成步骤1.1之后，就可以构建用户交互图了，获取在线学习系统的所有用 户U＝{U₁，U₂...U_i...U_n)，1≤i≤n，G<V，E，W>,其中V＝{U_i}表示图的顶点， 也是用户，E是边，W为边的权重，例如为点A到点B的边的权重，这 样就初步完成了交互图的构建。

步骤2，根据步骤1所得的用户交互图，再一次提取系统用户的好友关系的 情况，并考虑用户影响传播的中的多级传播和传播衰减，重构交互图边的权重， 得到用户影响传播图。其具体的操作步骤如下：

步骤2.1，提取用户的好友关系。

由于不同的人有不同的职业、不同的生活环境和不同的兴趣等因素，人们形 成了各种各样的社团组织，比如在校园生活中常见的社团组织如青年志愿者协 会、舞蹈协会、英语角、计算机协会等。计算用户声誉都是以每门课程作为社区 的一个单位，因为我们相信，不同用户在不同社区的声誉值是不一样的，如学工 科的学生在文科领域一般都比较弱，专业知识也比较弱，所以需要以课程为单位 计算用户的声誉值。在每门课程中提取用户的好友关系，用参数α表示，若用户 A与用户B是好友关系则用α_AB表示。其具体计算如下：

步骤2.2，初步计算图中边的权重。

在线学习系统中，每个用户都可能下载过很多用户资料或回复过很多用户的 问题，用表示用户A对用户i的投票次数集合。如，用 户A下载过用户B、C和D共三个用户的资源，则A对三个用户的投票都是1/3， 即故用户交互图的边的初步计算值用表示，公 式如下所示：

${W^{\prime }}_{U_A\to U_B}={\alpha }_{\mathrm{AB}}\times \frac{W_{U_A\to U_B}}{{\Sigma }_i^O{W}_{U_A\to U_i}}$(公式5)

其中O为用户A投票用户的总数。

步骤2.3，多级传播与多级衰减

人与人之间的直接交流是一种最简单方便，也是最为普遍的传播方式，在人 际传播中这种方法是使用最广泛的“点到点”的方式。但在实际传播中，可能是 两个人直接传播，也可能通过中介，穿越时空限制，进行间接交流从而进行传播， 中介可以是人、电话、网络等等，在线学习系统中的有问答社区等服务，用户可 以通过在线问答系统进行直接的、一对多或者多对多的交流，也可以通过下载资 源进行间接传播。

社会传播学中的传播理论说明，社会传播经过一系列的中心环节可以不通过 传播对象传播，传播分为信息和影响传播，信息是直接到达接触的受众，而影响 都是多级的，需要经过有影响的中介才能传播。在计算用户声誉值的过程中主要 就是考虑信息传播中的影响流的主要体现，而影响流中的传播是多级的，所以在 计算用户声誉时也需要考虑影响传播的多级传播。用户A与用户E的交互，则 用户A受到用户E的影响，在用户A与用户F交往过程中，用户F受用户A的 影响，那么影响传播过程中，根据多级传播的理论，用户F也受用户E的影响， 认为用户F给用户A的投票的同时，间接给用户E也投票。

“六度空间”的传播理论是任何一个用户最多通过6个人就可以认识世界 上的任何一个人，而在虚拟网络中，用户的影响传播也遵从这个理论，所以在考 虑多级传播时，采用六度传播理论。

电力在通过电线传输时，将会有一部分电力会转化成热能等能量等造成能量 的损耗，而产生能量的减少，这种现象统称为传播衰减。而在线学习系统中，用 户影响多级传播过程中也存在衰减的现象，因为用户D投票用户A，用户A投 票用户E，不代表用户D投票全给用户E，毕竟用户D和E不是直接相邻的关 系，故其中的影响存在一个衰减的现象。结合以上考虑的多级传播和多级衰减， 用户k表示多级传播的级数，用户β_k表示在第k次传播时的传播衰减因子，它们 的计算公式如下：

β_k＝e^-(k-1)，1≤k≤6      (公式6)

步骤2.4，最终计算用户影响传播图。

在把用户交互图转换为用户影响传播图时，需要考虑多级传播、传播衰减等， 并对传播图中的权重重新计算，此时传播图的边的权重用表示，其计算 综合考虑了用户的投票数、好友关系、多级传播及多级衰减，得到公式如下：

${W^{\prime \prime }}_{U_A\to U_B}=\underset{k=1}{\overset{6}{\Sigma }}\underset{B}{\overset{Y_k}{\Sigma }}({\beta }_k\times {W^{\prime }}_{U_A\to U_B})$(公式7)

其中1≤k≤6，Y_k表示在第k级传播中对用户A的投票用户的总数。由此 得到用户B对用户A和经过用户B对用户A的总投票值，得到最终用户影响传 播图G<V，E，W”>，W”为最终计算得到的边的权值。

步骤3，根据步骤2得到用户影响传播图，转化为声誉转移矩阵，然后迭代 计算用户声誉，直至用户声誉值收敛。其具体步骤如下具体说明：

步骤3.1，用户传播图转换为用户传播矩阵。

在完成步骤2后，就完成了用户影响传播图的构建，可以进行最后的声誉计算， 在计算之前，我们需要把用户影响图转为用户影响转移矩阵M，其中每一个值 m_AB表示用户U_A对用户U_B的影响，转化公式如下：

$m_{\mathrm{AB}}={W^{\prime \prime }}_{U_A\to U_B}$(公式8)

其中，是用户影响传播图中边的权重，当用户A尚未参与任何活动， 与任何用户有交互行为时，m_AB的计算如下，其中n为一门课程社区中的用户总 数；

$m_{\mathrm{AB}}=\frac{1}{n}$(公式9)

步骤3.2，用户声誉值计算。

得到用户影响转移矩阵后，可以进行声誉计算，根据用户的声誉值由其影响 的用户数和影响的用户的声誉值得到，故其计算公式为

$\mathrm{RPR}=d\times M\left(\mathrm{RPR}\right)+\frac{{\mathrm{ee}}^T}{n}\times (1-d)$(公式10)

其中RPR是n×1的矩阵，表示所有用户的声誉值，n表示一门课程社区中用 户的个数，d×M×RPR表示用户交互对用户声誉所带来的影响，其中e是n×1 的单位矩阵，ee^T是一个n×n单位矩阵，d称为阻尼系数，就是用户跳出封闭圈 的概率。且公式10可以解决用户初始值的问题，无论用户的初始是多少，计算 之后的用户声誉值都是收敛的。

公式10，亦可转为以单个用户声誉的计算公式，具体公式如下：

${\mathrm{RPR}}_i=d\underset{U_A\in U}{\overset{n}{\Sigma }}(m_{\mathrm{Ai}}\times {\mathrm{RPR}}_A)+(1-d)/n$(公式11)

其中，m_AB表示用户U_A对用户U_B的影响，初始时用户的声誉值RPR_A都是1， d称为阻尼系数，n为一门课程社区的用户总数。经过几轮迭代计算，当达到声 誉值收敛时，就得到最终的用户声誉值。

以上就是在线学习系统中计算用户声誉值的步骤。在计算过程中，不仅考虑 了学习系统中用户自身的活动和用户之间的好友关系，而且在影响传播中考虑了 传播学中的多级传播和物理学中信息传播过程的衰减，这样可以更为准确评价用 户的声誉值。

采用公式10，初始计算时，用户声誉值的初始声誉都设为1，如下：

$\mathrm{RPR}=\left(\begin{array}{c}1\\ 1\\ ·\\ ·\\ ·\\ 1\\ 1\end{array}\right)$(公式12)

而用户影响矩阵w为一个n×n矩阵，其中n表示以一门课程为社区的所有 用户，表示如下：

接着就是计算用户的声誉值，采用公式10，计算完后，接着设RPR＝RPR′， 再代入公式10中继续计算，直到RPR中的值RPR′矩阵中的值的误差小于0.001 时，表示用户的声誉值已经收敛，则得到最终的用户声誉值。

以上就是在线学习系统中计算用户声誉值的步骤，其核心思想就是越多表现 好的人所支持的用户，其表现好的概率越高。在计算过程中，不仅考虑了学习系 统中用户自身的活动和用户之间的好友关系，而且在影响传播中考虑了传播学中 的多级传播和物理学中信息传播过程的衰减，这样更为准确评价用户的声誉值。