本發(fā)明涉及基于pagerank算法的問題推薦方法及系統(tǒng)。
背景技術(shù)：
：互聯(lián)網(wǎng)、云計(jì)算的崛起讓軟件開發(fā)商遇到轉(zhuǎn)型難題的同時(shí)，也給有好的創(chuàng)意產(chǎn)品、優(yōu)質(zhì)資源或技術(shù)的社會(huì)群體乃至個(gè)人帶來(lái)了機(jī)會(huì)，眾籌、眾智、眾創(chuàng)成為最有效的資源。問答社區(qū)是信息檢索領(lǐng)域一種新的形式，用戶使用自然語(yǔ)言發(fā)起提問和回答行為。與傳統(tǒng)的信息檢索技術(shù)(如搜索引擎)相比，問答社區(qū)解決了如下兩個(gè)方面的問題：一方面，用戶由使用零星的關(guān)鍵字作為檢索條件轉(zhuǎn)變?yōu)槭褂谜Z(yǔ)義更加豐富、明確的自然語(yǔ)言問題這一形式，因此可以更加清晰地表達(dá)和描述其需求，為得到理想的結(jié)果提供了更加充足、完備的條件。另一方面，問答社區(qū)允許其他用戶回答提問者提出的問題，通過這種協(xié)作的方式，能夠最大限度地發(fā)揮人類智力，從而克服機(jī)器自身的一些限制。由上可知，問答社區(qū)具有高效、實(shí)用、方便等特點(diǎn)，它的不斷完善必將為信息檢索領(lǐng)域的發(fā)展注入新鮮活力和推動(dòng)力。目前在網(wǎng)絡(luò)社區(qū)中，對(duì)于用戶權(quán)威性的分析，主要采用鏈接分析算法。鏈接分析最初在搜索引擎領(lǐng)域使用。目前很多鏈接分析研究領(lǐng)域的算法都是基于pagerank算法。使用pagerank算法來(lái)給網(wǎng)頁(yè)排序時(shí)是根據(jù)網(wǎng)頁(yè)的pagerank值，簡(jiǎn)稱pr值。對(duì)于網(wǎng)頁(yè)pr值的計(jì)算，主要基于這樣的假設(shè)：一方面，如果目標(biāo)頁(yè)面被越多的其他網(wǎng)頁(yè)鏈接，那么目標(biāo)頁(yè)面越重要；另一方面，由于指向目標(biāo)頁(yè)面的其他頁(yè)面質(zhì)量不同，因此其他頁(yè)面的質(zhì)量越高，則目標(biāo)頁(yè)面的質(zhì)量也越高。pagerank算法通過迭代、遞歸的思想來(lái)計(jì)算和更新每個(gè)頁(yè)面的pr值，直到得分趨于穩(wěn)定為止。在實(shí)際應(yīng)用這種，這種算法有若干問題：pagerank算法采用隨機(jī)游走模型，并沒有考慮各網(wǎng)頁(yè)在質(zhì)量上存在的差別，對(duì)于提供答案的用戶，不去考慮用戶回答的質(zhì)量。在用戶的回答中，可能包含錯(cuò)誤答案、隨意的作答甚至是垃圾廣告?；?dòng)問答平臺(tái)中用戶提供的答案質(zhì)量參差不齊，如果將這些答案在衡量用戶權(quán)威性時(shí)視為等同，僅僅根據(jù)用戶的回復(fù)數(shù)量來(lái)確定用戶權(quán)威性，顯然與客觀事實(shí)不符；即便是互動(dòng)問答平臺(tái)中的問答專家，也不可能在每個(gè)領(lǐng)域都有豐富的專業(yè)知識(shí)。任何一位專家勢(shì)必在某些領(lǐng)域有豐富的專業(yè)知識(shí)，而在其他領(lǐng)域則并非如此。傳統(tǒng)pagerank算法由于其具有主題無(wú)關(guān)性的特點(diǎn)，每一位用戶只有一個(gè)權(quán)威值，顯然無(wú)法適應(yīng)問答社區(qū)豐富的分類體系。根據(jù)互動(dòng)問答平臺(tái)中用戶注冊(cè)日期的不同，老用戶更可能回答更多的問題。這類似于在進(jìn)行網(wǎng)頁(yè)鏈接分析時(shí)對(duì)新舊網(wǎng)頁(yè)計(jì)算pr值的情況。老用戶相較于新用戶回答的問題數(shù)量多，即便考慮了答案的質(zhì)量，老用戶回答中被采納為最佳答案的數(shù)量也更多。這就造成了在計(jì)算用戶權(quán)威性時(shí)，存在偏愛老用戶的現(xiàn)象，而實(shí)際情況是在新注冊(cè)的用戶中也存在一部分潛在的問答專家。為有效緩解知識(shí)社區(qū)中提問者被動(dòng)等待他人回答且得不到滿意回答的情況，需要引用一種主動(dòng)推薦機(jī)制，使得最合適的問題能夠推送到最合適的用戶來(lái)解答。技術(shù)實(shí)現(xiàn)要素：為了解決知識(shí)社區(qū)中評(píng)價(jià)機(jī)制和推薦機(jī)制的不足，本發(fā)明提供了一種基于pagerank算法的問題推薦方法及系統(tǒng)。通過對(duì)答案相關(guān)度、答案質(zhì)量、問題難度等語(yǔ)義信息進(jìn)行分析找出高權(quán)權(quán)重用戶；進(jìn)一步的，本發(fā)明還采用基于用戶建模的問題推薦機(jī)制，將最合適的問題推薦給最合適的用戶?；趐agerank算法的問題推薦方法，包括如下步驟：步驟(1)：用戶提出待解決問題，對(duì)問題進(jìn)行分詞，通過lda算法，挖掘出問題所屬的分類；步驟(2)：對(duì)社區(qū)的用戶進(jìn)行權(quán)威性分析；步驟(3)：將用戶提出的待解決問題與社區(qū)的用戶進(jìn)行匹配度計(jì)算；步驟(4)：將待解決問題根據(jù)匹配度計(jì)算結(jié)果推薦給對(duì)應(yīng)的社區(qū)用戶進(jìn)行解答。基于pagerank算法的問題推薦方法，還包括如下步驟：步驟(5)：用戶對(duì)解答發(fā)表主觀評(píng)價(jià)和客觀評(píng)價(jià)，對(duì)于客觀評(píng)價(jià)，收集答案，統(tǒng)計(jì)結(jié)果；對(duì)于主觀評(píng)價(jià)和解決方案回答，根據(jù)參與答題用戶的質(zhì)量權(quán)重，再發(fā)布到社區(qū)中進(jìn)行評(píng)價(jià)，計(jì)算參與答題用戶的質(zhì)量。所述步驟(1)的挖掘出問題所屬的分類，例如：生活常識(shí)類、法律知識(shí)類、娛樂新聞?lì)?、培?xùn)教學(xué)類等等。所述步驟(2)的步驟為：對(duì)于用戶進(jìn)行任務(wù)類型和領(lǐng)域的權(quán)重計(jì)算，步驟如下：步驟(21)：在pagerank算法的基礎(chǔ)上，構(gòu)建一個(gè)用戶問答關(guān)系圖g＝(u,r)，其中用戶問答關(guān)系圖中的每一個(gè)結(jié)點(diǎn)ui∈u表示為一個(gè)用戶，用戶問答關(guān)系圖中的每一條有向邊rij∈r表示為用戶ui到用戶uj之間的問答交互關(guān)系；其中，pr(a)代表網(wǎng)頁(yè)a的pr值，d代表阻尼系數(shù)，取值范圍是0<d<1；pr(ti)代表鏈接到網(wǎng)頁(yè)a的網(wǎng)頁(yè)ti的pr值；c(ti)代表網(wǎng)頁(yè)ti鏈出的網(wǎng)頁(yè)數(shù)量；pr值全稱為pagerank(網(wǎng)頁(yè)級(jí)別)，用來(lái)表現(xiàn)網(wǎng)頁(yè)等級(jí)的一個(gè)標(biāo)準(zhǔn)，級(jí)別分別是0到10；步驟(22)：引入對(duì)答案質(zhì)量的分析，分析用戶的行為，得出初步的用戶權(quán)威性的計(jì)算方法；所述用戶的行為，包括：回答問題、選擇最佳答案、贊成和反對(duì)；設(shè)回答問題的權(quán)重分?jǐn)?shù)為x，其中x>0，選擇最佳答案的權(quán)重分?jǐn)?shù)為ax，其中a>1，贊成的權(quán)重為bx，其中b>0，反對(duì)的權(quán)重為-cx，其中c>0；其中，auth(ui，c)代表用戶ui在問題類別c的權(quán)威性值，n代表總的用戶數(shù)量，代表用戶uj到用戶ui鏈接的權(quán)重，代表用戶uj到所有用戶鏈接權(quán)重之和。步驟(23)：引入對(duì)問題難度的分析，得出用戶權(quán)威性計(jì)算方法；問題難度的計(jì)算公式如下：dif(q)代表解決方案或創(chuàng)意q的難易程度，1<dif(q)<2，a(q)是解決方案或創(chuàng)意q的回答集合，|a(q)|代表解決方案或創(chuàng)意q的回復(fù)數(shù)量；ta(q)代表回復(fù)a的日期，tq(q)代表解決方案或創(chuàng)意的提出日期；ta(q)-tq(q)的單位是秒；其中，tavg是回答問題q的平均耗費(fèi)時(shí)間；η是調(diào)節(jié)參數(shù)；問題的回答數(shù)量越多，表明有越多的用戶知道問題的答案，問題相對(duì)簡(jiǎn)單，當(dāng)問題的平均回答時(shí)間越長(zhǎng)，表明用戶無(wú)法在短時(shí)間之內(nèi)回答該問題，問題相對(duì)困難。最終計(jì)算用戶權(quán)威性的方法：代表加入了問題難度因素之后用戶uj到用戶ui鏈接的權(quán)重。此時(shí)，用戶行為和權(quán)重分?jǐn)?shù)的對(duì)應(yīng)關(guān)系為：回答問題的權(quán)重分?jǐn)?shù)為x，x>0，選擇最佳答案的權(quán)重分?jǐn)?shù)為ax·dif(q)，a>1，贊成的權(quán)重為bx·dif(q)，b>0，反對(duì)的權(quán)重為-cx×(2-dif(q))，c>0；所述步驟(3)的步驟為：設(shè)問題類別構(gòu)成集合c＝{c1，c2，c3，…，cn}，注冊(cè)用戶構(gòu)成集合u＝{u1，u2，u3，…，un}，表征用戶與某個(gè)問題類別相關(guān)程度的計(jì)算方法公式如下：rij＝inm(ui，cj)×authij；(6)其中，rij代表用戶ui與問題類別cj的相關(guān)程度，其含義為：當(dāng)某個(gè)問題屬于類別cj時(shí)，用戶ui回答這一問題的可能性；inm(ui，cj)代表用戶ui在注冊(cè)之后的第m個(gè)月對(duì)于問題類別cj的興趣度，即用戶ui是否有興趣回答類別cj的問題；authij代表用戶ui對(duì)于問題類別cj的權(quán)威度，即用戶ui是否有能力回答問題類別cj的問題；initin是用戶興趣度的初始值；qm-1(ui，cj)代表用戶ui在注冊(cè)之后的第m-1個(gè)月對(duì)類別cj的提問總數(shù)，aqm-1(ui，cj)代表用戶ui在注冊(cè)之后的第m-l個(gè)月對(duì)類別cj的回答總數(shù)。所述步驟(4)的步驟為：將待解決問題按照領(lǐng)域推薦給合適用戶，包含以下幾個(gè)步驟：步驟(41)：計(jì)算待解決問題的優(yōu)先級(jí)，按照優(yōu)先級(jí)從高到低進(jìn)行排序，從而得到排序之后的待解決問題列表；待解決問題優(yōu)先級(jí)的計(jì)算方法如下：在公式中，priority(q)指問題q的優(yōu)先級(jí)，interval(q)代表問題q已發(fā)布的時(shí)間，單位為天，score(q)代表問題q的懸賞分?jǐn)?shù)；當(dāng)已發(fā)布時(shí)間相同時(shí)，懸賞分高的問題的優(yōu)先級(jí)高；當(dāng)問題懸賞分相同時(shí)，發(fā)布時(shí)間更長(zhǎng)的問題獲得更高的優(yōu)先級(jí)；步驟(42)：對(duì)待解決問題列表做非空判斷，如果存在待解決問題，則進(jìn)入步驟(43)，否則結(jié)束推薦；步驟(43)：從用戶問答數(shù)據(jù)庫(kù)中讀取可用用戶集合，并對(duì)可用用戶集合做非空判斷，如果可用用戶集合為空，代表目前沒有用戶有余力接收推薦的問題，推薦結(jié)束，否則進(jìn)入步驟(44)；步驟(44)：從有序的待解決問題列表中獲取優(yōu)先級(jí)最高的問題，根據(jù)步驟(3)，獲取該問題所在的問題類別與各用戶的相關(guān)程度值，選取相關(guān)程度值最高的用戶作為與該問題最匹配的用戶，將問題推薦給該用戶；步驟(45)：當(dāng)完成當(dāng)前問題推薦后，判斷待解決問題列表中是否還有問題，如果還有問題，則跳轉(zhuǎn)至步驟(43)，否則結(jié)束推薦?？捎糜脩艏现杏脩臬@取方法如下：設(shè)u＝{u1，u2，u3，…，un}為平臺(tái)所有用戶的集合，list(ui)代表用戶ui的推薦問題列表，當(dāng)用戶ui回答了list(ui)中的某個(gè)問題后，該問題從用戶ui的問題推薦列表list(ui)刪除。ml(ui)為用戶ui的問題推薦列表的最大長(zhǎng)度。當(dāng)且僅當(dāng)用戶ui的問題推薦列表list(ui)的當(dāng)前長(zhǎng)度小于問題推薦列表的最大長(zhǎng)度ml(ui)，認(rèn)為用戶ui為可用用戶。為了解決評(píng)價(jià)機(jī)制和推薦機(jī)制的不足，本發(fā)明還提供了另一種基于pagerank算法的問題推薦系統(tǒng)，所述系統(tǒng)包括：待解決問題提出模塊，用于用戶提出待解決問題；用戶權(quán)威性分析模塊，用于對(duì)社區(qū)的用戶進(jìn)行權(quán)威性分析；匹配度計(jì)算模塊，用于計(jì)算用戶提出的待解決問題與社區(qū)的用戶進(jìn)行匹配度計(jì)算；問題推薦模塊，用于將待解決問題根據(jù)匹配度計(jì)算結(jié)果推薦給對(duì)應(yīng)的社區(qū)用戶進(jìn)行解答。所述系統(tǒng)還包括：用戶管理模塊：用于維護(hù)用戶的基本資料和操作行為，并且從數(shù)據(jù)庫(kù)中提取基本資料和操作行為用以構(gòu)建用戶模型，計(jì)算用戶的權(quán)重，以用戶模型來(lái)表征用戶的偏好、興趣、習(xí)慣；知識(shí)重用模塊：利用歷史問答記錄和現(xiàn)有知識(shí)庫(kù)來(lái)解決新問題；答案聚類評(píng)估模塊：將眾多答案根據(jù)各自的語(yǔ)義特征，進(jìn)行聚類操作，達(dá)到方便用戶瀏覽和檢索的目的。進(jìn)一步的，用戶權(quán)威性分析模塊：在pagerank算法的基礎(chǔ)上，分析用戶回復(fù)的質(zhì)量，回復(fù)內(nèi)容的相關(guān)性和問題的難度，對(duì)每個(gè)用戶的權(quán)重進(jìn)行量化，得出用戶的每個(gè)領(lǐng)域中的權(quán)威度。進(jìn)一步的，匹配度計(jì)算模塊：首先，取出可用用戶集合。此處的可用用戶集合，是指尚有余力回復(fù)他人問題的用戶構(gòu)成的集合；然后從用戶問答數(shù)據(jù)庫(kù)中取出可用用戶特性分析的結(jié)果，與在列表排序模塊中完成優(yōu)先級(jí)排序的待解決問題進(jìn)行匹配，選取匹配度最高的用戶，將問題推薦至該用戶處。進(jìn)一步的，匹配度的計(jì)算方法是：用戶對(duì)于某個(gè)問題類別的興趣度乘以用戶對(duì)于該問題類別的權(quán)威度。進(jìn)一步的，興趣度的計(jì)算方法是：根據(jù)用戶在某個(gè)時(shí)間段內(nèi)在某一問題類別提出或者回答的問題的數(shù)量，建立興趣度模型。如果數(shù)量多，則興趣度高，反之，興趣度低。進(jìn)一步的，問題推薦模塊：根據(jù)問題列表優(yōu)先級(jí)算法對(duì)待解決問題列表進(jìn)行排序，從而得到排序之后的待解決問題列表；對(duì)待解決問題列表做非空判斷，即如果存在待解決問題，則進(jìn)入下一步，否則結(jié)束推薦。從用戶問答數(shù)據(jù)庫(kù)中讀取可用用戶集合，并對(duì)該集合做非空判斷，即如果可用用戶集合為空，代表目前沒有用戶有余力接收推薦的問題，推薦結(jié)束，否則進(jìn)入下一步。從有序的待解決問題列表中獲取優(yōu)先級(jí)最高的問題，根據(jù)用戶特性分析的結(jié)果，獲取該問題所在的問題類別與各用戶的相關(guān)程度值，選取相關(guān)程度值最高的用戶作為與該問題最匹配的用戶，將問題推薦給該用戶。當(dāng)完成當(dāng)前問題推薦后，判斷待解決問題列表中是否還有問題，如果還有問題，則跳轉(zhuǎn)至讀取可用用戶集合的步驟，否則結(jié)束推薦。具體的，問題列表優(yōu)先級(jí)的計(jì)算方法是：根據(jù)待解決問題已發(fā)布的時(shí)間和問題的懸賞分，基于操作系統(tǒng)領(lǐng)域中的高響應(yīng)比優(yōu)先的調(diào)度算法，通過建立函數(shù)模型，得出當(dāng)前時(shí)刻待解決問題的優(yōu)先級(jí)。具體的，用戶可用性計(jì)算方法是：根據(jù)用戶當(dāng)前問題推薦列表的長(zhǎng)度和其問題推薦列表的最大長(zhǎng)度，判斷該用戶是否是可用用戶。如果某用戶當(dāng)前問題推薦列表的長(zhǎng)度小于其問題推薦列表的最大長(zhǎng)度，則該用戶是可用用戶，否則為不可用用戶。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：改進(jìn)了傳統(tǒng)的pagerank算法，傳統(tǒng)pagerank算法僅根據(jù)用戶問答之間的鏈接數(shù)量來(lái)確定用戶權(quán)重，本發(fā)明對(duì)答案相關(guān)度、答案質(zhì)量、問題難度等語(yǔ)義信息進(jìn)行分析，融入到權(quán)重的計(jì)算中。設(shè)計(jì)了一種基于知識(shí)社區(qū)的問題推薦機(jī)制，結(jié)合用戶的權(quán)威性和興趣度，將最合適的問題問題推薦給最合適的用戶，確保任務(wù)的合理分配?；趐agerank算法，結(jié)合答案相關(guān)度、答案質(zhì)量、問題難度等語(yǔ)義信息，得出用戶的權(quán)威度。針對(duì)系統(tǒng)發(fā)布的創(chuàng)新創(chuàng)意、創(chuàng)新方案，結(jié)合任務(wù)和參與者的匹配度，用戶興趣度和用戶可用性，設(shè)計(jì)了一種推薦機(jī)制，將合適的問題推薦給合適的用戶，進(jìn)行主觀和客觀評(píng)價(jià)。參與者將獲得參與積分，積分可以兌換物質(zhì)獎(jiǎng)勵(lì)，并作為企業(yè)挑選人才的參考。采用本發(fā)明，創(chuàng)新設(shè)計(jì)將作為大眾參與的活動(dòng)。附圖說(shuō)明構(gòu)成本申請(qǐng)的一部分的說(shuō)明書附圖用來(lái)提供對(duì)本申請(qǐng)的進(jìn)一步理解，本申請(qǐng)的示意性實(shí)施例及其說(shuō)明用于解釋本申請(qǐng)，并不構(gòu)成對(duì)本申請(qǐng)的不當(dāng)限定。圖1為本發(fā)明的系統(tǒng)調(diào)度示意圖；圖2為本發(fā)明一個(gè)實(shí)施例的流程圖。具體實(shí)施方式應(yīng)該指出，以下詳細(xì)說(shuō)明都是例示性的，旨在對(duì)本申請(qǐng)?zhí)峁┻M(jìn)一步的說(shuō)明。除非另有指明，本文使用的所有技術(shù)和科學(xué)術(shù)語(yǔ)具有與本申請(qǐng)所屬
技術(shù)領(lǐng)域：
的普通技術(shù)人員通常理解的相同含義。具體來(lái)說(shuō)：一是基于pagerank算法進(jìn)行改進(jìn)，對(duì)系統(tǒng)用戶的權(quán)威性進(jìn)行評(píng)價(jià)。二是建立一種問題推薦架構(gòu)和推薦流程，讓系統(tǒng)自動(dòng)將待解決問題推薦給最合適的用戶。為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案具體包括：用戶分析模塊：用于對(duì)用戶提出的問題，提取特征內(nèi)容加以分析，用戶在各個(gè)領(lǐng)域的權(quán)威性。分析匹配模塊：根據(jù)用戶與問題的匹配結(jié)果，最終決定將待解決問題推薦到哪一個(gè)用戶處作答。問題推薦模塊：與問題分析模塊相聯(lián)系，并結(jié)合系統(tǒng)構(gòu)造的用戶模型為問題尋找到合適的用戶并推薦給他。用戶管理模塊：用于維護(hù)用戶的基本資料、操作行為等，并且從數(shù)據(jù)庫(kù)中提取這些信息用以構(gòu)建用戶模型，計(jì)算用戶的權(quán)重，以此模型來(lái)表征其偏好、興趣、習(xí)慣等。知識(shí)重用模塊：利用歷史問答記錄和現(xiàn)有知識(shí)庫(kù)來(lái)解決新問題。答案聚類評(píng)估模塊：將眾多答案根據(jù)各自的語(yǔ)義信息，通過數(shù)據(jù)挖掘中聚類的思想進(jìn)行聚類操作，達(dá)到方便用戶瀏覽和檢索的目的。具體的，計(jì)算用戶在各個(gè)領(lǐng)域的權(quán)威性的方法是：在pagerank算法的基礎(chǔ)上，分析用戶回復(fù)的質(zhì)量，回復(fù)內(nèi)容的的相關(guān)性和問題的難度，對(duì)每個(gè)用戶的權(quán)重進(jìn)行量化，得出用戶的每個(gè)領(lǐng)域中的權(quán)威度。具體的，分析匹配模塊的方法是：首先，取出可用用戶集合。此處的可用用戶集合，是指尚有余力回復(fù)他人問題的用戶構(gòu)成的集合。然后從用戶問答數(shù)據(jù)庫(kù)中取出可用用戶特性分析的結(jié)果，與在列表排序模塊中完成優(yōu)先級(jí)排序的待解決問題進(jìn)行匹配，選取匹配度最高的用戶，將問題推薦至該用戶處。具體的，匹配度的計(jì)算方法是：用戶對(duì)于某個(gè)問題類別的興趣度乘以用戶對(duì)于該問題類別的權(quán)威度。具體的，興趣度的計(jì)算方法是：根據(jù)用戶在某個(gè)時(shí)間段內(nèi)在某一問題類別提出或者回答的問題的數(shù)量，建立興趣度模型。如果數(shù)量多，則興趣度高，反之，興趣度低。具體的，問題推薦模塊包括以下實(shí)現(xiàn)步驟：a.系統(tǒng)初始化時(shí)，根據(jù)問題列表優(yōu)先級(jí)算法對(duì)待解決問題列表進(jìn)行排序，從而得到排序之后的待解決問題列表。b.對(duì)待解決問題列表做非空判斷，即如果存在待解決問題，則進(jìn)入下一步，否則結(jié)束推薦。c.從用戶問答數(shù)據(jù)庫(kù)中讀取可用用戶集合，并對(duì)該集合做非空判斷，即如果可用用戶集合為空，代表目前沒有用戶有余力接收推薦的問題，推薦結(jié)束，否則進(jìn)入下一步。d.從有序的待解決問題列表中獲取優(yōu)先級(jí)最高的問題，根據(jù)用戶特性分析的結(jié)果，獲取該問題所在的問題類別與各用戶的相關(guān)程度值，選取相關(guān)程度值最高的用戶作為與該問題最匹配的用戶，將問題推薦給該用戶。e.當(dāng)完成當(dāng)前問題推薦后，判斷待解決問題列表中是否還有問題，如果還有問題，則跳轉(zhuǎn)至步驟c，否則結(jié)束推薦。具體的，問題列表優(yōu)先級(jí)的計(jì)算方法是：根據(jù)待解決問題已發(fā)布的時(shí)間和問題的懸賞分，基于操作系統(tǒng)領(lǐng)域中的高響應(yīng)比優(yōu)先的調(diào)度算法，通過建立函數(shù)模型，得出當(dāng)前時(shí)刻待解決問題的優(yōu)先級(jí)。具體的，用戶可用性計(jì)算方法是：根據(jù)用戶當(dāng)前問題推薦列表的的長(zhǎng)度和其問題推薦列表的最大長(zhǎng)度，判斷該用戶是否是可用用戶。如果某用戶當(dāng)前問題推薦列表的的長(zhǎng)度小于其問題推薦列表的最大長(zhǎng)度，則該用戶是可用用戶，否則為不可用用戶。如圖1所示，本發(fā)明中的基于眾智眾創(chuàng)社區(qū)的創(chuàng)新協(xié)同設(shè)計(jì)與評(píng)價(jià)系統(tǒng)包括用戶權(quán)威性分析模塊、分析匹配模塊、解決方案、創(chuàng)意推薦模塊。用戶權(quán)威性分析模塊，讀取用戶問答數(shù)據(jù)庫(kù)中存放的用戶基本資料和操作信息，計(jì)算用戶在各問題領(lǐng)域的興趣度和權(quán)威性，以此為依據(jù)構(gòu)建每個(gè)用戶的用戶模型，進(jìn)而確定用戶與某個(gè)問題領(lǐng)域的相關(guān)程度，并將結(jié)果存入用戶問答數(shù)據(jù)庫(kù)中。由于用戶的基本資料和操作信息是動(dòng)態(tài)變化的，為了保證用戶特性分析模塊計(jì)算的結(jié)果能夠適應(yīng)動(dòng)態(tài)變化這一特點(diǎn)，應(yīng)當(dāng)定期調(diào)用用戶特性分析模塊，使用戶模型保持在一個(gè)較新的狀態(tài)。分析匹配模塊，根據(jù)用戶與問題的匹配結(jié)果，最終決定將待解決問題推薦到哪一個(gè)用戶處作答。在分析匹配模塊中，主要完成如下工作：首先，取出可用用戶集合。此處的可用用戶集合，是指尚有余力回復(fù)他人問題的用戶構(gòu)成的集合。然后從用戶問答數(shù)據(jù)庫(kù)中取出可用用戶特性分析的結(jié)果，與在列表排序模塊中完成優(yōu)先級(jí)排序的待解決問題進(jìn)行匹配，選取匹配度最高的用戶，將問題推薦至該用戶處。解決方案、創(chuàng)意推薦模塊，問題推送模塊根據(jù)分析匹配模塊計(jì)算生成的推薦列表，將問題推薦至指定的用戶處作答。如圖2所示，下面以一個(gè)實(shí)施例對(duì)創(chuàng)新協(xié)同設(shè)計(jì)與評(píng)價(jià)機(jī)制進(jìn)行具體的闡述。步驟201：根據(jù)社區(qū)提供模板，發(fā)布創(chuàng)意、解決方案。步驟202：對(duì)于平臺(tái)用戶進(jìn)行任務(wù)類型和領(lǐng)域的權(quán)重計(jì)算，其步驟如下：分步驟1：在pagerank算法的基礎(chǔ)上，構(gòu)建一個(gè)用戶問答關(guān)系圖g＝(u,r)，其中圖中的每一個(gè)結(jié)點(diǎn)ui∈u表示為一個(gè)用戶，圖中的每一條有向邊rij∈r表示為用戶ui到uj之間的問答交互關(guān)系。在上面pagerank算法中，pr(a)代表網(wǎng)頁(yè)a的pr值，d代表阻尼系數(shù)，取值范圍是0<d<1，一般取為0.85；pr(ti)代表鏈接到網(wǎng)頁(yè)a的網(wǎng)頁(yè)ti的pr值；c(ti)代表網(wǎng)頁(yè)ti鏈出的網(wǎng)頁(yè)數(shù)量。分步驟2：在pagerank算法的基礎(chǔ)上，引入對(duì)答案質(zhì)量的分析，分析用戶的行為，得出初步的用戶權(quán)威性的計(jì)算方法。這里的用戶行為，包括回答問題，選擇最佳答案，贊成和反對(duì)。得出下面公式。設(shè)回答問題的權(quán)重分?jǐn)?shù)為x(x>0)，選擇最佳答案的權(quán)重分?jǐn)?shù)為ax，a>1，贊成的權(quán)重為bx(b>0)，反對(duì)的權(quán)重為-cx(c>0)。auth(ui，c)代表用戶ui在問題類別c的權(quán)威性值，n代表總的用戶數(shù)量，代表用戶uj到用戶ui鏈接的權(quán)重，代表用戶uj到所有用戶鏈接權(quán)重之和。分步驟3：在上述算法基礎(chǔ)上，引入對(duì)問題難度的分析，得出用戶權(quán)威性計(jì)算方法。問題難度的計(jì)算公式如下：dif(q)代表解決方案或創(chuàng)意q的難易程度，1<dif(q)<2，a(q)是解決方案或創(chuàng)意q的回答集合，|a(q)|代表解決方案或創(chuàng)意q的回復(fù)數(shù)量。ta(q)代表回復(fù)a的日期，tq(q)代表解決方案或創(chuàng)意的提出日期。ta(q)-tq(q)的單位是秒。其中，tavg是回答問題q的平均耗費(fèi)時(shí)間。η是一個(gè)調(diào)節(jié)參數(shù)，為避免計(jì)算時(shí)結(jié)果下降太快在這里被設(shè)置為1/3600?？梢钥闯?，問題的回答數(shù)量越多，表明有越多的用戶知道問題的答案，問題相對(duì)簡(jiǎn)單，當(dāng)問題的平均回答時(shí)間越長(zhǎng)，表明用戶無(wú)法在短時(shí)間之內(nèi)回答該問題，問題相對(duì)困難。根據(jù)上述討論，給出最終計(jì)算用戶權(quán)威性的方法：代表加入了問題難度因素之后用戶uj到用戶ui鏈接的權(quán)重。此時(shí)，用戶行為和權(quán)重分?jǐn)?shù)的對(duì)應(yīng)關(guān)系為：回答問題的權(quán)重分?jǐn)?shù)為x(x>0)，選擇最佳答案的權(quán)重分?jǐn)?shù)為ax·dif(q)，a>1，贊成的權(quán)重為bx·dif(q)，(b>0)，反對(duì)的權(quán)重為-cx×(2-dif(q))(c>0)。分步驟4：在上述算法基礎(chǔ)上，引入對(duì)答案相關(guān)性的分析，得出最終的用戶權(quán)威性計(jì)算方法。步驟203：計(jì)算任務(wù)和參與者的匹配度；設(shè)眾智眾創(chuàng)社區(qū)的問題類別構(gòu)成集合c＝{c1，c2，c3，…，cn}，注冊(cè)用戶構(gòu)成集合u＝{u1，u2，u3，…，un}，表征用戶與某個(gè)問題類別相關(guān)程度的計(jì)算方法公式如下：rij＝inm(ui，cj)×authij其中，rij代表用戶ui與問題類別cj的相關(guān)程度，其含義為：當(dāng)某個(gè)問題屬于類別cj時(shí)，用戶ui回答這一問題的可能性。inm(ui，cj)代表用戶ui在注冊(cè)之后的第m個(gè)月對(duì)于問題類別cj的興趣度，即用戶ui是否有興趣回答類別cj的問題；authij代表用戶ui對(duì)于問題類別cj的權(quán)威度，即用戶ui是否有能力回答問題類別cj的問題。initin是用戶興趣度的初始值，設(shè)定為1。qm-1(ui，cj)代表用戶ui在注冊(cè)之后的第m-1個(gè)月對(duì)類別cj的提問總數(shù)，aqm-1(ui，cj))代表用戶ui在注冊(cè)之后的第m-l個(gè)月對(duì)類別cj的回答總數(shù)。步驟204：將任務(wù)按照領(lǐng)域推薦給合適用戶，包含以下幾個(gè)步驟：分步驟1：根據(jù)問題列表優(yōu)先級(jí)算法對(duì)待解決問題列表進(jìn)行排序，從而得到排序之后的待解決問題列表。待解決問題優(yōu)先級(jí)的計(jì)算方法如下：在公式中，priority(q)指問題q的優(yōu)先級(jí)，interval(q)代表問題q已發(fā)布的時(shí)間，單位為天，score(q)代表問題q的懸賞分?jǐn)?shù)。下面通過一個(gè)實(shí)例加以說(shuō)明。表1問題已發(fā)布時(shí)間懸賞分優(yōu)先級(jí)a1天5分3.32b1天10分4.32c2天5分5.64可見，當(dāng)已發(fā)布時(shí)間相同時(shí)，懸賞分高的問題的優(yōu)先級(jí)高。當(dāng)問題懸賞分相同時(shí)，發(fā)布時(shí)間更長(zhǎng)的問題獲得更高的優(yōu)先級(jí)。同時(shí)，為避免資深用戶設(shè)定很高的懸賞分?jǐn)?shù)從而在待解決問題列表中獲得更靠前的排名，使用對(duì)數(shù)形式以減少懸賞分?jǐn)?shù)對(duì)優(yōu)先級(jí)產(chǎn)生的影響。分步驟2：對(duì)待解決問題列表做非空判斷，即如果存在待解決問題，則進(jìn)入下一步，否則結(jié)束推薦。分步驟3：從用戶問答數(shù)據(jù)庫(kù)中讀取可用用戶集合，并對(duì)該集合做非空判斷，即如果可用用戶集合為空，代表目前沒有用戶有余力接收推薦的問題，推薦結(jié)束，否則進(jìn)入下一步。用戶可用性的計(jì)算方法如下：設(shè)u＝{u1，u2，u3，…，un}為平臺(tái)所有用戶的集合，list(ui)代表用戶ui的推薦問題列表，當(dāng)用戶ui回答了list(ui)中的某個(gè)問題后，該問題從用戶ui的問題推薦列表list(ui)刪除。ml(ui)為用戶ui的問題推薦列表的最大長(zhǎng)度。當(dāng)且僅當(dāng)用戶ui的問題推薦列表list(ui)的當(dāng)前長(zhǎng)度小于其問題推薦列表的最大長(zhǎng)度ml(ui)，認(rèn)為用戶ui為可用用戶。分步驟4：從有序的待解決問題列表中獲取優(yōu)先級(jí)最高的問題，根據(jù)用戶特性分析的結(jié)果，獲取該問題所在的問題類別與各用戶的相關(guān)程度值，選取相關(guān)程度值最高的用戶作為與該問題最匹配的用戶，將問題推薦給該用戶。分步驟5：當(dāng)完成當(dāng)前問題推薦后，判斷待解決問題列表中是否還有問題，如果還有問題，則跳轉(zhuǎn)至第三步，否則結(jié)束推薦。步驟205：用戶對(duì)創(chuàng)意或解決方案發(fā)表主觀和客觀評(píng)價(jià)，對(duì)于客觀回答，收集答案，統(tǒng)計(jì)結(jié)果。對(duì)于主觀評(píng)價(jià)和解決方案回答，根據(jù)參與者的質(zhì)量權(quán)重，再發(fā)布到眾智社區(qū)中進(jìn)行評(píng)價(jià)，計(jì)算參與者的質(zhì)量。以上所述僅為本申請(qǐng)的優(yōu)選實(shí)施例而已，并不用于限制本申請(qǐng)，對(duì)于本領(lǐng)域的技術(shù)人員來(lái)說(shuō)，本申請(qǐng)可以有各種更改和變化。凡在本申請(qǐng)的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本申請(qǐng)的保護(hù)范圍之內(nèi)。當(dāng)前第1頁(yè)12