基于教育论坛回帖关系的虚拟学习社区识别技术研究
时间：2020-12-07 04:01:04 来源：达达文档网 本文已影响 人 
闵磊
摘 要：随着互联网的发展，以论坛进行交互式学习的方式逐渐被学习者所接受。论坛中的发帖回帖等行为数据，蕴含着学习者丰富的兴趣特征，对其进行深入分析具有明显的教育意义。本文将基于发帖回帖关系，分析教育类论坛中虚拟学习社区的识别方法，通过该方法可以对论坛中相似的学习资源进行聚类，对在线学习的发展具有一定的借鉴意义。
关键词：虚拟学习社区;社区识别技术;教育论坛
一、引言
当今时代信息技术飞速发展，“互联网+X”战略的提出使众多领域呈现出变革的发展趋势，教育行业同样如此。以往的观念对学习的理解通常会局限于教室里的课堂讲授，但是，在互联网蓬勃发展的今天，线上教育、碎片化学习、移动学习等概念使得学习的形式产生了颠覆性的转变。
在众多网络化学习方式中，基于教育论坛、博客等形式的非正式学习是传统学习方式的一种有益补充。这种自由的学习形式，使得学习者更容易以解决问题为导向，学习的目的更为明确。而且这种交互性的学习交流方式可以随时随地开展，进而突破了时间与空间的限制。人们熟知的科学网学习论坛、CSDN学习论坛等，就是目前较为著名的学术或学习交流论坛。
学习类论坛的推广为今天的学习活动带来了便利。论坛规模的扩大，也使得学习者能获得更多的学习资源。当面对规模过于庞大的信息时，人们有时不禁会产生这样的想法：“这些学习资源是否可以按照我们的兴趣聚集在一起，使我们查找起来更加便利呢？”在数据为王的互联网时代，如何充分利用好这些资源，真正体现出资源的价值就显得尤为重要。
二、虚拟学习社区识别的意义
在现实社会中，“物以类聚，人以群分”是人际交往的一个典型特点，人们往往倾向于与自己兴趣相似的人进行沟通。事实上，在虚拟的网络空间中，这种事物之间的聚类特性依然存在。在学习类论坛中，人们往往偏向于访问那些自己感兴趣的版块，其他版块则很少访问。如果仔细观察，甚至会发现有一些非常眼熟的用户ID时常出现在我们关注的帖子中，这就是一种典型的聚类特性，只不过这种特性是潜在的。
对于网络论坛中相似的学习资源或具有相近兴趣的学习者，如果能将其进行聚类，那么可以进一步促进人们的交流与学习。例如，如果将论坛中具有相似主题的帖子资源自动汇集在一起，那么人们寻找信息的将会更加便利（论坛中虽有版块划分，但往往粒度较大，无法做到知识点级别的归类）。又如，当人们在论坛中发出了寻求帮助的帖子时，如果这个帖子能在第一時间自动推送到与人们兴趣相似的用户，那么问题的解决和学习活动的交互将会变得更加有效，而将用户按照兴趣进行聚类，即是这种精准推送的基本前提。教育论坛中的这种帖子或用户的聚类，可以理解为一种虚拟学习社区结构。对虚拟学习社区结构进行识别，是社交网络分析在教育领域的应用，对于网络学习的发展具有十分重要的意义。
三、社区识别技术研究
（一）社区识别技术总体分析
识别论坛中的虚拟学习社区结构，一般有两类实现方式，即基于内容的识别法和基于关联关系的识别法。基于内容的识别法一般需要进行文本分析，涉及自然语言处理的相关技术，这种方法对于长文本一般具有较高的准确性。但论坛中往往存在大量短文本，这为基于“词袋”的方法造成了困难。此外，网络语言的广泛使用以及这类语言一词多义的特点，也限制了自然语言分析法的应用。而基于关联关系的识别法，主要考虑用户、帖子以及彼此之间的互动关系，如回帖、点赞等。通常情况下，这类体现关联关系的数据较易获取，且数据结构简单便于处理，因此关联识别法的抗干扰性较强，适用面也较广。鉴于论坛的具体数据特点，本文主要对基于关联分析的社区识别技术进行讨论。
（二）基于关联分析识别法的数据建模
当用户在论坛中发帖以及回帖时，所涉及的实体包含两类，即所发的帖子以及发帖回帖的用户。而对于发帖回帖行为，则可视为用户与帖子之间的交互关系。按照这种逻辑，论坛中的数据可以抽象为一种二分网络结构，网络中的两类节点就是帖子和用户，连边则代表发帖回帖关系。如果以用户节点为中心看待该网络，帖子节点就属于桥接节点，“用户-帖子”以及“帖子-用户”这两段连边，就使不同用户之间产生了一种间接的关联关系，用户兴趣的相似性就蕴含在这种间接连边之中。反之，如果以帖子为中心，用户就可视为连接不同帖子的桥接节点，对应的两段连边就可以体现帖子之间内容的相似性。这样就可以在无须进行文本分析的情况下，仅依靠网络关联信息对资源进行聚类。
在这种基于关联关系的聚类结构中，不管节点是帖子还是用户，都可以被称为虚拟学习社区。根据以上分析，如果要对这种虚拟学习社区进行识别，最基本的是要具备能体现回帖关系的二分网络。因此，对二分网络进行建模是利用关联分析法识别虚拟学习社区的前提。需要注意的是，为了保障社区识别的准确性，网络中的连边可以按加权的形式进行量化，权值的设定需要考虑论坛中的多种行为因素。例如，发帖者与该帖子的关系相较于跟帖者应该更为密切，因此它们之间连边的权值可以设置的略大一些;论坛中进行了文字跟帖的用户应该比仅仅点赞的用户更关注该帖子，因此权值也应该更大。此外，如果论坛系统能够提取用户在当前帖子上的停留时间、浏览次数或转载次数等信息，也可以按照一定的规则量化为连边的权值。对于这种二分网络，不管采用何种因素进行权值设定，都可理解为异质节点之间关系的强弱程度，因此在逻辑上具备较强的可解释性。
（三）虚拟学习社区识别算法
鉴于论坛的运行机制以及上述二分网络数据结构，可设计基于关联分析的虚拟社区识别算法。依据社区识别时所关注的范围，识别算法分为全局社区识别与局部社区识别。进行全局社区识别时，需要将所有节点及连边视为一个整体，将其作为程序的输入参与运算。全局社区识别属于全局优化算法，优化时将模块度作为目标函数，算法运算结束后能获取整个网络中所有的社区结构。算法中模块度设计的准则是社区内部的连边尽可能紧密，社区之间的连边尽可能稀疏。而局部社区识别算法运行时，无须获取完整的网络结构数据，可以仅从需要进行社区识别区域的大致位置作为起点，采取逐渐扩展的方式识别单个社区。
考虑到论坛中数据的规模可能较大，且这些数据处于一种动态更新状态，为了达到实时在线识别的目的，一般情况下更适合使用局部社区识别算法。进行局部社区识别的基本原则也是“高内聚，低耦合”，但与全局算法不同的是，对目标函数进行优化时仅区分当前社区与非当前社区。目标函数可设置为社区内外连边的密度比值，具体为社区内部的连边数与社区内外连边数的比值，可将该目标函数标记为fcommunity。程序流程可设计如下：
步骤一：构建二分网络。遍历论坛中的每一个帖子，将其作为A类节点加入节点集合NodeSetA。同时，对每一个帖子，将发帖者和回帖者作为B类节点加入节点集合NodeSetB，将连接关系加入连边集合LinkSet。節点集合NodeSetA、NodeSetB和连边集合LinkSet共同构成二分网络。
步骤二：对帖子节点进行社区结构识别。从需要识别社区结构的某个帖子节点出发，将其作为初始化节点加入社区节点集合Community。经桥接节点遍历所有的二段连边，寻找使得目标函数fcommunity增大的帖子节点，将其加入Community，同时在Community中找到使得目标函数减小的节点，将其剔出Community。重复该扩张过程，直至Community稳定，此时的Community即是需要识别的社区节点集合。
步骤三：对用户节点进行社区结构识别。从需要识别社区结构的某个用户节点出发，按照与步骤二类似的方式进行社区结构的构建，得到面向用户的社区结构。
步骤四：结束当前社区识别过程，或确定新的初始节点重复步骤二、步骤三。
上述伪代码描述了虚拟学习社区识别算法的大致思路，但在实际操作中，更多的需要考虑网络连边的权值量化问题。权值的量化需要针对论坛的具体特性加以分析，不同论坛所适应的量化准则可能并不相同，需要通过实践加以验证。
四、结语
在“互联网+教育”的背景下，基于教育论坛的学习以一种开放的形式扩展了教育的范畴。对于教育论坛中的学习资源或学习者，按照其相似性或兴趣接近程度进行聚类可对虚拟学习社区进行识别，具有较为明显的现实意义。本文从技术实现的角度，对虚拟学习社区识别的方法进行了初步探讨。笔者相信，随着技术的进步，网络学习定会涌现出新的形式，虚拟学习社区识别技术也一定会呈现新的应用价值。
参考文献：
[1]戴心来，刘聪聪.基于学习分析的虚拟学习社区深度交互研究[J].现代远距离教育，2019（5）：51-58.
[2]张连峰，李慧，遆云鹤.基于虚拟学术社区的知识聚合模型构建研究[J].情报科学，2019（6）：55-60，74.
[3]吴笛，李保强，蔡运荃.弱关系视角下的虚拟学习社区网络交互分析[J].中国远程教育，2017（11）：16-21，30，79.
[4]卢潇，胡凡刚.基于教育大数据的教育虚拟社区交互设计研究[J].远程教育杂志，2017（5）：84-92.
