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)、云計算的崛起讓軟件開發(fā)商遇到轉(zhuǎn)型難題的同時,也給有好的創(chuàng)意產(chǎn)品、優(yōu)質(zhì)資源或技術(shù)的社會群體乃至個人帶來了機會,眾籌、眾智、眾創(chuàng)成為最有效的資源。問答社區(qū)是信息檢索領域一種新的形式,用戶使用自然語言發(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)解決了如下兩個方面的問題:一方面,用戶由使用零星的關鍵字作為檢索條件轉(zhuǎn)變?yōu)槭褂谜Z義更加豐富、明確的自然語言問題這一形式,因此可以更加清晰地表達和描述其需求,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,從而克服機器自身的一些限制。由上可知,問答社區(qū)具有高效、實用、方便等特點,它的不斷完善必將為信息檢索領域的發(fā)展注入新鮮活力和推動力。目前在網(wǎng)絡社區(qū)中,對于用戶權(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域使用。目前很多鏈接分析研究領域的算法都是基于pagerank算法。使用pagerank算法來給網(wǎng)頁排序時是根據(jù)網(wǎng)頁的pagerank值,簡稱pr值。對于網(wǎng)頁pr值的計算,主要基于這樣的假設:一方面,如果目標頁面被越多的其他網(wǎng)頁鏈接,那么目標頁面越重要;另一方面,由于指向目標頁面的其他頁面質(zhì)量不同,因此其他頁面的質(zhì)量越高,則目標頁面的質(zhì)量也越高。pagerank算法通過迭代、遞歸的思想來計算和更新每個頁面的pr值,直到得分趨于穩(wěn)定為止。在實際應用這種,這種算法有若干問題:pagerank算法采用隨機游走模型,并沒有考慮各網(wǎng)頁在質(zhì)量上存在的差別,對于提供答案的用戶,不去考慮用戶回答的質(zhì)量。在用戶的回答中,可能包含錯誤答案、隨意的作答甚至是垃圾廣告。互動問答平臺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)威性時視為等同,僅僅根據(jù)用戶的回復數(shù)量來確定用戶權(quán)威性,顯然與客觀事實不符;即便是互動問答平臺中的問答專家,也不可能在每個領域都有豐富的專業(yè)知識。任何一位專家勢必在某些領域有豐富的專業(yè)知識,而在其他領域則并非如此。傳統(tǒng)pagerank算法由于其具有主題無關性的特點,每一位用戶只有一個權(quán)威值,顯然無法適應問答社區(qū)豐富的分類體系。根據(jù)互動問答平臺中用戶注冊日期的不同,老用戶更可能回答更多的問題。這類似于在進行網(wǎng)頁鏈接分析時對新舊網(wǎng)頁計算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。這就造成了在計算用戶權(quán)威性時,存在偏愛老用戶的現(xiàn)象,而實際情況是在新注冊的用戶中也存在一部分潛在的問答專家。為有效緩解知識社區(qū)中提問者被動等待他人回答且得不到滿意回答的情況,需要引用一種主動推薦機制,使得最合適的問題能夠推送到最合適的用戶來解答。技術(shù)實現(xiàn)要素:為了解決知識社區(qū)中評價機制和推薦機制的不足,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)。通過對答案相關度、答案質(zhì)量、問題難度等語義信息進行分析找出高權(quán)權(quán)重用戶;進一步的,本發(fā)明還采用基于用戶建模的問題推薦機制,將最合適的問題推薦給最合適的用戶。基于pagerank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,對問題進行分詞,通過lda算法,挖掘出問題所屬的分類;步驟(2):對社區(qū)的用戶進行權(quán)威性分析;步驟(3):將用戶提出的待解決問題與社區(qū)的用戶進行匹配度計算;步驟(4):將待解決問題根據(jù)匹配度計算結(jié)果推薦給對應的社區(qū)用戶進行解答?;趐agerank算法的問題推薦方法,還包括如下步驟:步驟(5):用戶對解答發(fā)表主觀評價和客觀評價,對于客觀評價,收集答案,統(tǒng)計結(jié)果;對于主觀評價和解決方案回答,根據(jù)參與答題用戶的質(zhì)量權(quán)重,再發(fā)布到社區(qū)中進行評價,計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:生活常識類、法律知識類、娛樂新聞類、培訓教學類等等。所述步驟(2)的步驟為:對于用戶進行任務類型和領域的權(quán)重計算,步驟如下:步驟(21):在pagerank算法的基礎上,構(gòu)建一個用戶問答關系圖g=(u,r),其中用戶問答關系圖中的每一個結(jié)點ui∈u表示為一個用戶,用戶問答關系圖中的每一條有向邊rij∈r表示為用戶ui到用戶uj之間的問答交互關系;其中,pr(a)代表網(wǎng)頁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a的網(wǎng)頁ti的pr值;c(ti)代表網(wǎng)頁ti鏈出的網(wǎng)頁數(shù)量;pr值全稱為pagerank(網(wǎng)頁級別),用來表現(xiàn)網(wǎng)頁等級的一個標準,級別分別是0到10;步驟(22):引入對答案質(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;設回答問題的權(quán)重分數(shù)為x,其中x>0,選擇最佳答案的權(quán)重分數(shù)為ax,其中a>1,贊成的權(quán)重為bx,其中b>0,反對的權(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):引入對問題難度的分析,得出用戶權(quán)威性計算方法;問題難度的計算公式如下: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的回復數(shù)量;ta(q)代表回復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的平均耗費時間;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,問題相對簡單,當問題的平均回答時間越長,表明用戶無法在短時間之內(nèi)回答該問題,問題相對困難。最終計算用戶權(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,用戶行為和權(quán)重分數(shù)的對應關系為:回答問題的權(quán)重分數(shù)為x,x>0,選擇最佳答案的權(quán)重分數(shù)為ax·dif(q),a>1,贊成的權(quán)重為bx·dif(q),b>0,反對的權(quán)重為-cx×(2-dif(q)),c>0;所述步驟(3)的步驟為:設問題類別構(gòu)成集合c={c1,c2,c3,…,cn},注冊用戶構(gòu)成集合u={u1,u2,u3,…,un},表征用戶與某個問題類別相關程度的計算方法公式如下:rij=inm(ui,cj)×authij;(6)其中,rij代表用戶ui與問題類別cj的相關程度,其含義為:當某個問題屬于類別cj時,用戶ui回答這一問題的可能性;inm(ui,cj)代表用戶ui在注冊之后的第m個月對于問題類別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在注冊之后的第m-1個月對類別cj的提問總數(shù),aqm-1(ui,cj)代表用戶ui在注冊之后的第m-l個月對類別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域推薦給合適用戶,包含以下幾個步驟:步驟(41):計算待解決問題的優(yōu)先級,按照優(yōu)先級從高到低進行排序,從而得到排序之后的待解決問題列表;待解決問題優(yōu)先級的計算方法如下:在公式中,priority(q)指問題q的優(yōu)先級,interval(q)代表問題q已發(fā)布的時間,單位為天,score(q)代表問題q的懸賞分數(shù);當已發(fā)布時間相同時,懸賞分高的問題的優(yōu)先級高;當問題懸賞分相同時,發(fā)布時間更長的問題獲得更高的優(yōu)先級;步驟(42):對待解決問題列表做非空判斷,如果存在待解決問題,則進入步驟(43),否則結(jié)束推薦;步驟(43):從用戶問答數(shù)據(jù)庫中讀取可用用戶集合,并對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程度值,選取相關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):當完成當前問題推薦后,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u={u1,u2,u3,…,un}為平臺所有用戶的集合,list(ui)代表用戶ui的推薦問題列表,當用戶ui回答了list(ui)中的某個問題后,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度。當且僅當用戶ui的問題推薦列表list(ui)的當前長度小于問題推薦列表的最大長度ml(ui),認為用戶ui為可用用戶。為了解決評價機制和推薦機制的不足,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,用于對社區(qū)的用戶進行權(quán)威性分析;匹配度計算模塊,用于計算用戶提出的待解決問題與社區(qū)的用戶進行匹配度計算;問題推薦模塊,用于將待解決問題根據(jù)匹配度計算結(jié)果推薦給對應的社區(qū)用戶進行解答。所述系統(tǒng)還包括:用戶管理模塊:用于維護用戶的基本資料和操作行為,并且從數(shù)據(jù)庫中提取基本資料和操作行為用以構(gòu)建用戶模型,計算用戶的權(quán)重,以用戶模型來表征用戶的偏好、興趣、習慣;知識重用模塊:利用歷史問答記錄和現(xiàn)有知識庫來解決新問題;答案聚類評估模塊:將眾多答案根據(jù)各自的語義特征,進行聚類操作,達到方便用戶瀏覽和檢索的目的。進一步的,用戶權(quán)威性分析模塊:在pagerank算法的基礎上,分析用戶回復的質(zhì)量,回復內(nèi)容的相關性和問題的難度,對每個用戶的權(quán)重進行量化,得出用戶的每個領域中的權(quán)威度。進一步的,匹配度計算模塊: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)先級排序的待解決問題進行匹配,選取匹配度最高的用戶,將問題推薦至該用戶處。進一步的,匹配度的計算方法是:用戶對于某個問題類別的興趣度乘以用戶對于該問題類別的權(quán)威度。進一步的,興趣度的計算方法是:根據(jù)用戶在某個時間段內(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。進一步的,問題推薦模塊:根據(jù)問題列表優(yōu)先級算法對待解決問題列表進行排序,從而得到排序之后的待解決問題列表;對待解決問題列表做非空判斷,即如果存在待解決問題,則進入下一步,否則結(jié)束推薦。從用戶問答數(shù)據(jù)庫中讀取可用用戶集合,并對該集合做非空判斷,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,否則進入下一步。從有序的待解決問題列表中獲取優(yōu)先級最高的問題,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程度值,選取相關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。當完成當前問題推薦后,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)先級的計算方法是:根據(jù)待解決問題已發(fā)布的時間和問題的懸賞分,基于操作系統(tǒng)領域中的高響應比優(yōu)先的調(diào)度算法,通過建立函數(shù)模型,得出當前時刻待解決問題的優(yōu)先級。具體的,用戶可用性計算方法是:根據(jù)用戶當前問題推薦列表的長度和其問題推薦列表的最大長度,判斷該用戶是否是可用用戶。如果某用戶當前問題推薦列表的長度小于其問題推薦列表的最大長度,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)量來確定用戶權(quán)重,本發(fā)明對答案相關度、答案質(zhì)量、問題難度等語義信息進行分析,融入到權(quán)重的計算中。設計了一種基于知識社區(qū)的問題推薦機制,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,確保任務的合理分配?;趐agerank算法,結(jié)合答案相關度、答案質(zhì)量、問題難度等語義信息,得出用戶的權(quán)威度。針對系統(tǒng)發(fā)布的創(chuàng)新創(chuàng)意、創(chuàng)新方案,結(jié)合任務和參與者的匹配度,用戶興趣度和用戶可用性,設計了一種推薦機制,將合適的問題推薦給合適的用戶,進行主觀和客觀評價。參與者將獲得參與積分,積分可以兌換物質(zhì)獎勵,并作為企業(yè)挑選人才的參考。采用本發(fā)明,創(chuàng)新設計將作為大眾參與的活動。附圖說明構(gòu)成本申請的一部分的說明書附圖用來提供對本申請的進一步理解,本申請的示意性實施例及其說明用于解釋本申請,并不構(gòu)成對本申請的不當限定。圖1為本發(fā)明的系統(tǒng)調(diào)度示意圖;圖2為本發(fā)明一個實施例的流程圖。具體實施方式應該指出,以下詳細說明都是例示性的,旨在對本申請?zhí)峁┻M一步的說明。除非另有指明,本文使用的所有技術(shù)和科學術(shù)語具有與本申請所屬
技術(shù)領域:
的普通技術(shù)人員通常理解的相同含義。具體來說:一是基于pagerank算法進行改進,對系統(tǒng)用戶的權(quán)威性進行評價。二是建立一種問題推薦架構(gòu)和推薦流程,讓系統(tǒng)自動將待解決問題推薦給最合適的用戶。為了實現(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:用于對用戶提出的問題,提取特征內(nèi)容加以分析,用戶在各個領域的權(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:用于維護用戶的基本資料、操作行為等,并且從數(shù)據(jù)庫中提取這些信息用以構(gòu)建用戶模型,計算用戶的權(quán)重,以此模型來表征其偏好、興趣、習慣等。知識重用模塊:利用歷史問答記錄和現(xiàn)有知識庫來解決新問題。答案聚類評估模塊:將眾多答案根據(jù)各自的語義信息,通過數(shù)據(jù)挖掘中聚類的思想進行聚類操作,達到方便用戶瀏覽和檢索的目的。具體的,計算用戶在各個領域的權(quán)威性的方法是:在pagerank算法的基礎上,分析用戶回復的質(zhì)量,回復內(nèi)容的的相關性和問題的難度,對每個用戶的權(quán)重進行量化,得出用戶的每個領域中的權(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)先級排序的待解決問題進行匹配,選取匹配度最高的用戶,將問題推薦至該用戶處。具體的,匹配度的計算方法是:用戶對于某個問題類別的興趣度乘以用戶對于該問題類別的權(quán)威度。具體的,興趣度的計算方法是:根據(jù)用戶在某個時間段內(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現(xiàn)步驟:a.系統(tǒng)初始化時,根據(jù)問題列表優(yōu)先級算法對待解決問題列表進行排序,從而得到排序之后的待解決問題列表。b.對待解決問題列表做非空判斷,即如果存在待解決問題,則進入下一步,否則結(jié)束推薦。c.從用戶問答數(shù)據(jù)庫中讀取可用用戶集合,并對該集合做非空判斷,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,否則進入下一步。d.從有序的待解決問題列表中獲取優(yōu)先級最高的問題,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程度值,選取相關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.當完成當前問題推薦后,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)先級的計算方法是:根據(jù)待解決問題已發(fā)布的時間和問題的懸賞分,基于操作系統(tǒng)領域中的高響應比優(yōu)先的調(diào)度算法,通過建立函數(shù)模型,得出當前時刻待解決問題的優(yōu)先級。具體的,用戶可用性計算方法是:根據(jù)用戶當前問題推薦列表的的長度和其問題推薦列表的最大長度,判斷該用戶是否是可用用戶。如果某用戶當前問題推薦列表的的長度小于其問題推薦列表的最大長度,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)同設計與評價系統(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)庫中存放的用戶基本資料和操作信息,計算用戶在各問題領域的興趣度和權(quán)威性,以此為依據(jù)構(gòu)建每個用戶的用戶模型,進而確定用戶與某個問題領域的相關程度,并將結(jié)果存入用戶問答數(shù)據(jù)庫中。由于用戶的基本資料和操作信息是動態(tài)變化的,為了保證用戶特性分析模塊計算的結(jié)果能夠適應動態(tài)變化這一特點,應當定期調(diào)用用戶特性分析模塊,使用戶模型保持在一個較新的狀態(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)先級排序的待解決問題進行匹配,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,下面以一個實施例對創(chuàng)新協(xié)同設計與評價機制進行具體的闡述。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:對于平臺用戶進行任務類型和領域的權(quán)重計算,其步驟如下:分步驟1:在pagerank算法的基礎上,構(gòu)建一個用戶問答關系圖g=(u,r),其中圖中的每一個結(jié)點ui∈u表示為一個用戶,圖中的每一條有向邊rij∈r表示為用戶ui到uj之間的問答交互關系。在上面pagerank算法中,pr(a)代表網(wǎng)頁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a的網(wǎng)頁ti的pr值;c(ti)代表網(wǎng)頁ti鏈出的網(wǎng)頁數(shù)量。分步驟2:在pagerank算法的基礎上,引入對答案質(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。得出下面公式。設回答問題的權(quán)重分數(shù)為x(x>0),選擇最佳答案的權(quán)重分數(shù)為ax,a>1,贊成的權(quán)重為bx(b>0),反對的權(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:在上述算法基礎上,引入對問題難度的分析,得出用戶權(quán)威性計算方法。問題難度的計算公式如下: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的回復數(shù)量。ta(q)代表回復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的平均耗費時間。η是一個調(diào)節(jié)參數(shù),為避免計算時結(jié)果下降太快在這里被設置為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,問題相對簡單,當問題的平均回答時間越長,表明用戶無法在短時間之內(nèi)回答該問題,問題相對困難。根據(jù)上述討論,給出最終計算用戶權(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,用戶行為和權(quán)重分數(shù)的對應關系為:回答問題的權(quán)重分數(shù)為x(x>0),選擇最佳答案的權(quán)重分數(shù)為ax·dif(q),a>1,贊成的權(quán)重為bx·dif(q),(b>0),反對的權(quán)重為-cx×(2-dif(q))(c>0)。分步驟4:在上述算法基礎上,引入對答案相關性的分析,得出最終的用戶權(quán)威性計算方法。步驟203:計算任務和參與者的匹配度;設眾智眾創(chuàng)社區(qū)的問題類別構(gòu)成集合c={c1,c2,c3,…,cn},注冊用戶構(gòu)成集合u={u1,u2,u3,…,un},表征用戶與某個問題類別相關程度的計算方法公式如下:rij=inm(ui,cj)×authij其中,rij代表用戶ui與問題類別cj的相關程度,其含義為:當某個問題屬于類別cj時,用戶ui回答這一問題的可能性。inm(ui,cj)代表用戶ui在注冊之后的第m個月對于問題類別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,設定為1。qm-1(ui,cj)代表用戶ui在注冊之后的第m-1個月對類別cj的提問總數(shù),aqm-1(ui,cj))代表用戶ui在注冊之后的第m-l個月對類別cj的回答總數(shù)。步驟204:將任務按照領域推薦給合適用戶,包含以下幾個步驟:分步驟1:根據(jù)問題列表優(yōu)先級算法對待解決問題列表進行排序,從而得到排序之后的待解決問題列表。待解決問題優(yōu)先級的計算方法如下:在公式中,priority(q)指問題q的優(yōu)先級,interval(q)代表問題q已發(fā)布的時間,單位為天,score(q)代表問題q的懸賞分數(shù)。下面通過一個實例加以說明。表1問題已發(fā)布時間懸賞分優(yōu)先級a1天5分3.32b1天10分4.32c2天5分5.64可見,當已發(fā)布時間相同時,懸賞分高的問題的優(yōu)先級高。當問題懸賞分相同時,發(fā)布時間更長的問題獲得更高的優(yōu)先級。同時,為避免資深用戶設定很高的懸賞分數(shù)從而在待解決問題列表中獲得更靠前的排名,使用對數(shù)形式以減少懸賞分數(shù)對優(yōu)先級產(chǎn)生的影響。分步驟2:對待解決問題列表做非空判斷,即如果存在待解決問題,則進入下一步,否則結(jié)束推薦。分步驟3:從用戶問答數(shù)據(jù)庫中讀取可用用戶集合,并對該集合做非空判斷,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,否則進入下一步。用戶可用性的計算方法如下:設u={u1,u2,u3,…,un}為平臺所有用戶的集合,list(ui)代表用戶ui的推薦問題列表,當用戶ui回答了list(ui)中的某個問題后,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度。當且僅當用戶ui的問題推薦列表list(ui)的當前長度小于其問題推薦列表的最大長度ml(ui),認為用戶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程度值,選取相關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:當完成當前問題推薦后,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:用戶對創(chuàng)意或解決方案發(fā)表主觀和客觀評價,對于客觀回答,收集答案,統(tǒng)計結(jié)果。對于主觀評價和解決方案回答,根據(jù)參與者的質(zhì)量權(quán)重,再發(fā)布到眾智社區(qū)中進行評價,計算參與者的質(zhì)量。以上所述僅為本申請的優(yōu)選實施例而已,并不用于限制本申請,對于本領域的技術(shù)人員來說,本申請可以有各種更改和變化。凡在本申請的精神和原則之內(nèi),所作的任何修改、等同替換、改進等,均應包含在本申請的保護范圍之內(nèi)。當前第1頁12