在線學習社區意見領袖識別算法研究

羅凌

摘 要： 協作學習能較好的提高在線學習的學習效果，意見領袖作為協作學習重要的組織者和實施者，對進一步提升學習效果起著重要作用。本文在分析了學習者在線學習行為，在此基礎上構建了在線學習者影響力模型，并基于PageRank設計了學習者影響力識別算法，通過該算法可以更準確地識別出影響力較高的學習者作為意見領袖。

關鍵詞： 在線學習； 影響力； 學習領袖； PageRank

中圖分類號：TP391 文獻標志碼：A 文章編號：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，在線學習的熱潮一浪高過一浪，特別是隨著Moocs學習的興起，全球有數億人次參與到在線學習中。但是在線學習的效果并不是非常理想，學生輟學率非常高。

協作學習是加強學習者之間的互動聯系，減少網絡學習孤獨感，提升學習體驗和學習效果的較佳方式。協作學習一般以小組為單位，優秀的小組領導者，也稱為意見領袖，能將小組有力地組織起來進行交互學習，提升學習效果[1-2]。國內對于意見領袖的識別研究尚集中在論壇、微博、期刊作者等領域，而對如何有效地識別在線學習社區中的意見領袖的研究較少。

本文分析了在線學習者學習行為，在此基礎上，構建了學習者影響力模型，設計基于PageRank的學習者影響力識別算法。根據算法就能更加準確的確定影響力較高的學習者，并將其作為協作學習小組中的學習領袖。

1 學習者影響力模型

意見領袖作為學習小組的核心人物，在組織和實施小組協作學習方面起到至關重要的作用[3]。影響力是識別學習領袖的重要依據。在虛擬學習社區中，如果學習者在論壇和討論中發帖、回帖次數較多，可認為其興趣度、振奮度較高，表明其學習狀態是活躍的，影響力也較大。在學習小組聚類后，就可以從小組中挑選影響力較高的學生作為學習領袖[3]。通過對學習者在線學習行為的分析，本文將在線學習者影響力分為正面影響力和側面影響力，并構建了學習者影響力模型，如圖1所示。

⑴ 正面影響力：即學習者主動參與各項網絡活動所形成的影響力。

① 論壇：主要指學習者發帖數、回帖數和讀貼數。

② 在線聊天：指學習者訪問聊天室的次數和在線發言的次數。其中主要因素為在線發言次數，因為有的學習者可能訪問聊天室的目的僅僅是關注其他學習者的討論。

③ 電子郵件：主要指發出新郵件數和回復郵件數目。

⑵ 側面影響力：主要指其他學習者主動與該學習者互動的過程中，對該學習者的認可度，可以從側面反映出學習者的影響力。

① 論壇：主要指被回帖數，即其他學習者回復該學習者的回帖數，被回帖數越多，說明該學習者的受重視程度越高，側面影響力越大。此外，被瀏覽次數也具有參考價值。因為有些學習者可能瀏覽了帖子但沒有回復，不過這些學習者瀏覽了帖子，就說明該帖子有一定的價值。

② 在線聊天：是指該學習者被回答問題的次數。

③ 電子郵件：是指該學習者收到其他學習者的回復郵件數。

2 PageRank算法

PageRank是Google搜索引擎用于網頁重要性排名的重要算法，該算法主要通過計算得到在不同時候各個網頁的鏈接價值來判斷網頁的重要性。PageRank的核心思想體現在下面兩個方面：①如果網絡中有多個網頁都鏈接到某個網頁，說明這個網頁重要性高，其相應的鏈接價值也相對較高；②如果鏈接到某個網頁的鏈接中有鏈接價值比較高的網頁，那么即使鏈接到該網頁的網頁數量少，該網頁也擁有較高的鏈接價值[4]。以圖2為例，說明網頁的PageRank價值如何體現。

圖2中每個網頁都以一個圓形表示，網頁的價值體現在圓形的大小上，圓形越大，說明該網頁擁有更高的鏈接價值。從圖中可以看出指向網頁A的鏈接數最多，因此A的鏈接價值最高。此外，對于D而言，顯然鏈接到D的網頁很少，但是鏈接價值最高的網頁A也指向D，因此D同樣擁有較高的鏈接價值。

PageRank算法的核心公式如式⑴所示：

⑴

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

3 在線學習社區學習者影響力識別算法

在線學習社區中，學習者之間的交互關系也可以抽象為網頁間的關系。一個學習者如果和網絡中的其他用戶發生的交互行為越多，說明該用戶越積極，其影響力越高；同樣，即使該學習者和其他學習者的交互行為較少，但是和該學習者進行交互的大都是影響力較高的用戶，相應也提升了該學習者的影響力。這與PageRank算法對網頁價值的判斷相似。因此，本文設計了基于PageRank的學習者影響力識別算法。算法具體設計如下。

步驟1 根據影響力模型計算學習者初始影響力。

學習者影響力包括正面影響力和側面影響力，因此需要分別從這兩個方面綜合計算學習者的初始影響力。

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，FM2，FM3}，各分量分別表示學習者在論壇中發帖，回帖和讀貼數；CM={CM1，CM2}，各分量分別表示學習者在聊天室發言次數和訪問聊天室次數；EM={EM1，EM2}，各分量分別表示學習者發新郵件數和回復郵件數。根據專家經驗，FM、CM和EM各分量的權重分別為：WFM={0.5，0.3，0.2}，WCM={0.7，0.3}，WEM={0.6，0.4}。

⑵ 側面影響力表征

側面影響力用R2表示，R2={FS，CS，ES}，FS表示論壇，CS表示在線聊天，ES表示電子郵件。FS={FS1，FS2}，各分量分別表示被回帖數和被讀貼數；CS={CS1}，表示被回答問題次數；ES={ES1}，表示學習者收到的其他學習者的回復郵件數。根據專家經驗，FS、CS和ES各分量的權重分別為：WFS={0.7，0.3}，WCS={1}，WES={1}。

⑶ 初始影響力計算公式

學習者的初始影響力由正面影響力和側面影響力構成，公式為：

步驟2 基于PageRank算法計算學習者實際影響力

在線學習網絡中，可以將學習者視為網絡中的節點，學習者之間的交互行為視為節點之間的邊。例如，在郵件系統中，如果學習者A給學習者B發送了郵件，則可以建立A指向B的鏈接；同樣，如果B也回復了A的郵件，則可以建立B指向A的鏈接。學習者之間的這種鏈接關系類似于網頁之間的鏈接關系[5]，因此可以通過PageRank 算法來計算用戶的實際影響力，具體步驟如下：

⑴ 將各個學習者假設為網頁，將步驟1計算出來的用戶的影響力作為每個學習者的初始PR值。

⑸

⑵ 如果某個學習者A主動和其他學習者產生了聯系，則表示該學習者A的鏈接出度為該學習者鏈接到的其他學習者的鏈接的總和。同理，如果其他學習者和學習者A進行了聯系，則所有這些其他學習者都是該學習者A的鏈接入度。根據PageRank公式⑴計算每個用戶的PR值。

⑶ 由于每一次計算都可能會改變用戶的PR值，經過20次（Google默認）重復運算后，各個網頁的PR值基本達到穩定。

步驟3 根據步驟2得到的PR值進行降序排序，輸出排序后的節點編號和該節點的PR值。

根據排序后的編號和PR值就可以準確的知道每個學習者的影響力，從而在每個學習小組中選擇影響力高的學習者作為學習領袖。

4 結論

影響力是識別意見領袖的重要指標。本文對在線學習社區中學習者交互行為進行深入分析，在此基礎上，綜合學習者的正面影響力和側面影響力構建了在線學習社區學習者影響力模型。基于該模型，并結合PageRank算法設計了學習者影響力識別算法，通過該算法可以在大量的在線學習者中更加準確的識別出影響力較高的學習者作為意見領袖。后續的研究將主要圍繞如何更好的通過意見領袖的交互行為進一步加強學習小組成員間的聯系和互動，以更好的提升在線學習效果展開。

參考文獻（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，王堅強，馬華.結合社會網絡分析和多維特征聚類的學習小組劃分方法[J].計算機應用研究，2013.30（3）：732-735，741

[4] 王冬，雷景生，李壯.基于PageRank的頁面排序改進算法[J].計算機工程與設計，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袖發現算法[J].小型微型計算機系統，2015.36（3）：561-565