一种基于信任度因子的用户虚拟社区构建装置及方法与流程

本发明涉及移动泛在学习系统应用领域，具体为一种基于信任度因子的用户虚拟社区构建装置及方法。

背景技术：

随着信息技术的不断发展、4G网络通讯技的广泛应用，人类社会已从电脑的互联网时期跨入了移动互网的时代，智能移动终端不仅为人们提供了上网的便利，也为远程高等教育的发展提供了更为便捷的途径，让更多的人可以利用碎片化的时间进行随时随地的开放式泛在学习。然而，移动泛在学习系统存在用户孤独感强烈，用户间缺乏交流；用户间信任度不高，缺乏可靠沟通渠道；系统内课程信息过载、学员学习迷航，缺乏有效的引导等问题，进而导致大量水平不一的学员学习兴趣、学习质量以及学习效率的下降，如何对学员建立通畅、可靠的交流渠道以及引导高效的互助学习成了移动泛在学习系统中亟待解决的问题。

技术实现要素：

针对现有技术存在的不足，本发明的目的在于提供一种基于信任度因子的用户虚拟社区构建装置及方法，通过构建可靠的用户虚拟社区加强相互交流、互助学习，用以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供了如下技术方案：一种基于信任度因子的用户虚拟社区构建装置，包括：

数据采集模块，用于采集数据，其与外部移动终端耦接并通信，采集外部移动终端的用户基本信息、课程基本信息、用户交互行为信息和移动感知数据，采集完成以后将上述信息编译成用户数据包信号输出；

数据处理模块，用于对数据进行处理，其与数据采集模块耦接，以接收并解析用户数据包信号，获得用户基本信息、课程基本信息、用户交互行为信息和移动感知数据，并对上述信息进行处理后进行量化存储，获得处理后的数据；

信任度分析模块，用于计算信任度因子和构建信任度模型，其耦接于数据处理模块，以与数据处理模块通信，调用处理后的数据，并根据数据计算信任度因子，根据信任度因子构建信任度模型，该信任度分析模块还耦接于数据采集模块以接收数据采集模块发出的用户数据包；

用户虚拟社区管理模块，用于构建和管理虚拟社区，耦接于信任度分析模块，以与信任度分析模块通信，调用信任度因子数据和实时用户数据包，根据信任度因子数据和实时用户数据包构建用户社区。

作为本发明的进一步改进，所述数据处理模块包括：

数据清洗部分，耦接于数据采集模块，以接收数据采集模块输出的用户数据包信号，将用户数据包信号经过干扰信号滤波后输出清洗后的数据包信号；

特征提取部分，耦接于数据清洗部分，以接收数据清洗部分输出的清洗后的数据包信号，对该数据包信号进行频段选取，选取该频段的信号并输出提取数据包；

特征量化部分，耦接与特征提取部分，以接收特征提取部分输出的提取数据包，并对提取数据包量化分析，获得离散数据点，供信任度分析模块分析计算信任度因子。

作为本发明的进一步改进，所述数据清洗部分和特征提取部分均为滤波器，所述特征量化部分为带通滤波器。

作为本发明的进一步改进，所述信任度分析模块包括感知数据分析模块、交互数据分析模块、信任度因子构建模块与信任模型创建模块，所述感知数据分析模块、交互数据分析模块、信任度因子构建模块与信任模型创建模块均与数据处理模块和数据采集模块耦接，用以分别接收数据处理模块和数据采集模块输出的实时数据和处理后的数据，并通过感知数据分析模块对实时数据和处理后的数据进行感知分析，获取感知数据，通过交互数据分析模块对实时数据和处理后的数据进行交互分析，获取交互数据，通过信任度因子构建模块对处理后的数据进行分析计算，获得信任度因子，通过信任模型创建模块将信任度因子与实时数据和处理后的数据结合，获得信任模型。

作为本发明的进一步改进，所述用户虚拟社区管理模块包括：

用户社区构建模块，耦接于信任度分析模块，调用信任度分析模块内的信任模型，根据信任模型计算出用户之间的初始信任度，根据用户之间的信任度将多个用户移动终端连接通信，构成用户社区；

社区互动交流模块，设置在用户社区内，与用户社区移动终端内各个成员通信连接，用以提供用户社区成员之间的信息互动；

社区互助学习模块，与社区互动交流模块耦接，其内存储有学习资料，用以向社区互动交流模块输送学习资料；

社区动态调整模块，耦接于信任度分析模块，调用信任度分析模块内的信任模型，根据信任模型计算出用户之间的实时信任度，并根据实时信任度调整用户社区内成员数量。

作为本发明的进一步改进，所述用户移动终端为存储有用户基本信息、课程基本信息、用户交互行为信息和移动感知数据的手机。

本发明另一方面提供了一种基于信任度因子的用户虚拟社区构建方法，包括如下步骤：

步骤一，利用移动终端设备的特有属性，采集新数据源，新的数据源包括用户基本信息、课程基本信息、用户交互行为信息和移动感知数据，完成数据采集；

步骤二，对步骤一中采集到的各类数据进行清洗、筛选和特征提取，最后进行量化存储，完成数据处理；

步骤三，对步骤二处理后的数据中的感知数据、交互行为数据件分析，提取信任度因子，并根据信任度因子构建相应的信任度模型，完成信任度模型构建；

步骤四，结合步骤三中获得信任度因子，利用用户之间的交互信息、资源使用与评价数据、动态的学习实况创建用户虚拟社区，完成用户虚拟社区构建；

步骤五，根据用户进一步的实时社区行为，对社区内的成员进行动态调整，构建更稳定的学习社区，完成虚拟社区的动态调整，其中步骤五不断循环调整。作为本发明的构建方法的进一步改进，所述步骤三(203)中提取信任度因子的提取步骤如下：

A、将网络层设置成输入层(301)、网络学习层(302)和输出层(303)，设定网络中的两个用户分别为用户i和用户j，利用输入层(301)提取用户i和用户j之间的位置距离(i，j)，提取用户i和用户j之间的用户间隔度(i，j)，提取用户i和用户j之间的通讯频次(i，j)；

B、将提取到的位置距离(i，j)，用户间隔度(i，j)和通讯频次(i，j)输入到网络学习层(302)内，通过网络学习层(302)的学习和运算，计算得出信任度因子。

本发明的有益效果，通过数据采集模块的设置，就可以有效的与用户移动终端通信，调用出用户移动终端内存储的用户基本信息、课程基本信息、用户交互行为信息和移动感知数据，如此就可以有效的完成数据的采集了，之后通过数据处理模块的设置，就可以对采集到的数据进行有效的处理，在处理完成以后进行量化存储，供其他模块调用，然后通过信任度分析模块的设置，就可以有效的调用量化存储好的处理完成的数据，根据处理完成的数据计算出信任度因子，之后根据信任度因子有效的构建信任度模型，然后通过用户虚拟社区管理模块，利用信任度模型计算出每个用户的初始信任度构建用户社区，之后继续利用信任度模型计算出每个用户的实时信任度，用户虚拟社区管理模块就可以通过用户的实时信任度对用户社区内部的社区成员进行有效的调整了，如此就可以有效的将移动终端的学习者有效的连接起来，避免了现有技术中移动泛学习存在的学习效率低的问题。

附图说明

图1为本发明的基于信任度因子的用户虚拟社区构建装置的模块框图；

图2为本发明的基于信任度因子的用户虚拟社区构建方法的流程图；

图3为图2中信任度因子计算的框图。

具体实施方式

下面将结合附图所给出的实施例对本发明做进一步的详述。

参照图1至3所示，本实施例的一种基于信任度因子的用户虚拟社区构建装置，包括：

数据采集模块101，用于采集数据，其与外部移动终端耦接并通信，采集外部移动终端的用户基本信息1011、课程基本信息1012、用户交互行为信息1013和移动感知数据，采集完成以后将上述信息编译成用户数据包信号输出；

数据处理模块102，用于对数据进行处理，其与数据采集模块101耦接，以接收并解析用户数据包信号，获得用户基本信息1011、课程基本信息1012、用户交互行为信息1013和移动感知数据，并对上述信息进行处理后进行量化存储，获得处理后的数据；

信任度分析模块103，用于计算信任度因子和构建信任度模型，其耦接于数据处理模块102，以与数据处理模块102通信，调用处理后的数据，并根据数据计算信任度因子，根据信任度因子构建信任度模型，该信任度分析模块103还耦接于数据采集模块101以接收数据采集模块发出的用户数据包；

用户虚拟社区管理模块104，用于构建和管理虚拟社区，耦接于信任度分析模块103，以与信任度分析模块103通信，调用信任度因子数据和用户数据包，根据信任度因子数据和用户数据包构建和调整用户社区，在构建社区的过程中，首先通过数据采集模块101与移动终端进行通信，采集移动终端内的用户基本信息1011、课程基本信息1012、用户交互行为信息1013和移动感知数据，其中本实施例的数据采集模块101为移动终端服务器，然后通过数据处理模块102对采集到的数据进行处理，在处理完成以后获得处理过后存储的量化数据，之后通过信任度分析模块103对量化数据进行分析计算，获得信任度因子，构建信任度模型，之后通过用户虚拟社区管理模块104的设置利用信任度模型计算用户间的信任度，根据用户间的信任度构建出用户虚拟社区，然后继续计算用户间的信任度，根据信任度的值调整用户社区内部的成员，不断的优化用户社区，增加用户的学习兴趣，减少用户的学习孤独感，本实施例的远程用户社区构建装置通过扩充数据采集渠道、扩大数据采集范围、数据分析、提取信任度因子、构建信任度模型，将分散的学员进行了聚类，释放了用户的孤独感，同时将具有相同特征的用户聚焦在一起，进行相互交流和共同学习。最后，通过数据分析、数据挖掘方法，将课程实施例的各类数据发送至数据采集模块101中的数据库中进行保存，作为后期社区动态调整的依据，如此避免了现有技术中移动泛学习存在的诸多问题。

作为改进的一种具体实施方式，所述数据处理模块102包括：

数据清洗部分1021，耦接于数据采集模块101，以接收数据采集模块101输出的用户数据包信号，将用户数据包信号经过干扰信号滤波后输出清洗后的数据包信号；

特征提取部分1022，耦接于数据清洗部分1021，以接收数据清洗部分1021输出的清洗后的数据包信号，对该数据包信号进行频段选取，选取该频段的信号并输出提取数据包；

特征量化部分1023，耦接与特征提取部分1022，以接收特征提取部分1022输出的提取数据包，并对提取数据包量化分析，获得离散数据点，供信任度分析模块103分析计算信任度因子，在电子数据传输的过程中，信号上经常会附上干扰信号，因而通过数据清洗部分1021的设置就可以有效的对数据进行清洗，去除信号的干扰信号，之后通过特征提取部分1022就可以有效的从大量的数据中提取有效的信息，然后特征量化部分1023将提取出的有效的信息进行量化，并且在量化完成以后存储起来，使得的信息能够更好的被调用计算，如此通过数据清洗部分1021、特征提取部分1022和特征量化部分1023的设置，就可以有效的完成对数据的处理。

作为改进的一种具体实施方式，所述数据清洗部分1021和特征提取部分1022均为滤波器，所述特征量化部分1022为带通滤波器，数据清洗和特征提取均是对数据信号进行滤除的过程，因而在本实施例中采用滤波器就可以有效的完成对数据信号进行过滤的效果，实现了对数据的清洗、提取以及量化的效果，如此有效的完成对数据的处理。

作为改进的一种具体实施方式，所述信任度分析模块103包括感知数据分析模块1031、交互数据分析模块1032、信任度因子构建模块1033与信任模型创建模块1034，所述感知数据分析模块1031、交互数据分析模块1032、信任度因子构建模块1033与信任模型创建模块1034均与数据处理模块102和数据采集模块101耦接，用以分别接收数据处理模块102和数据采集模块101输出的实时数据和处理后的数据，并通过感知数据分析模块1031对实时数据和处理后的数据进行感知分析，获取感知数据，通过交互数据分析模块1032对实时数据和处理后的数据进行交互分析，获取交互数据，通过信任度因子构建模块1033对处理后的数据进行分析计算，获得信任度因子，通过信任模型创建模块1034将信任度因子与实时数据和处理后的数据结合，获得信任模型，在信任度分析模块103工作的过程中，感知数据分析模块就会对处理好的数据信息进行分析处理，获得感知数据，得知用户的平时学习过程中的移动感知行为，利用交互数据分析模块1032对用户的交互行为信息进行分析，得知用户的平常的交互行为，进而推断出用户的平常的偏好，然后通过信任度因子构建模块1033根据用户的平常的交互行为和移动感知行为，计算出信任度因子，之后通过信任模型创建模块1034根据信任度因子就可以有效的创建出信任模型，如此便可以实现用户虚拟社区管理模块104利用信任模型计算出每个用户间的信任度的效果，为用户社区的构建提供了构建基础，其中本实施例中的感知数据分析模块1031为频谱感知器，感知用户移动终端的频谱改变过程，交互数据分析模块1032为通信处理器，信任度因子构建模块1033和信任模型创建模块均为采用计算机。

作为改进的一种具体实施方式，所述用户虚拟社区管理模块104包括：

用户社区构建模块1041，耦接于信任度分析模块103，调用信任度分析模块103内的信任模型，根据信任模型计算出用户之间的初始信任度，根据用户之间的信任度将多个用户移动终端连接通信，构成用户社区；

社区互动交流模块1042，设置在用户社区内，与用户社区移动终端内各个成员通信连接，用以提供用户社区成员之间的信息互动；

社区互助学习模块1043，与社区互动交流模块1042耦接，其内存储有学习资料，用以向社区互动交流模块1042输送学习资料；

社区动态调整模块1044，耦接于信任度分析模块103，调用信任度分析模块103内的信任模型，根据信任模型计算出用户之间的实时信任度，并根据实时信任度调整用户社区内成员数量，在构建用户社区的时候，用户社区构建模块1041将感知行为类似，交互行为类似的用户进行划分，然后再根据信任模型计算出用户之间的初始信任度，将初始信任度附加到用户信息内，然后将上述用户按照分类联结，如此便完成了用户社区的构建，在联结的过程中是通过社区互动交流模块1042实现各个用户之间的通信的，同时利用社区互助学习模块1043提供学习资料给社区互动交流模块1042，为用户学习交流过程中提供了支持，最后通过社区动态调整模块1044不断对用户信任度进行重新计算，滤除信任度不高的用户，保证了用户社区的学习环境，其中本实施例中，用户社区构建模块1041采用服务器实现，社区互动交流模块1042采用通信模块，社区互助学习模块1043采用存储器，社区动态调整模块1044整合至用户社区构建模块1041服务器内。

作为改进的一种具体实施方式，所述用户移动终端为存储有用户基本信息1011、课程基本信息1012、用户交互行为信息1013和移动感知数据的手机，手机是目前人们使用最多的移动设备，因而用在这里就可以有效的采集到用户的学习数据了，并且不需要重新设计一个移动终端发放给用户，降低了装置的成本。

本发明还提供了另一种实施例，一种基于信任度因子的用户虚拟社区构建方法，包括如下步骤：

步骤一201，利用移动终端设备的特有属性，采集新数据源，新的数据源包括用户基本信息1011、课程基本信息1012、用户交互行为信息1013和移动感知数据，完成数据采集；

步骤二202，对步骤一201中采集到的各类数据进行清洗、筛选和特征提取，最后进行量化存储，完成数据处理；

步骤三203，对步骤二202处理后的数据中的感知数据、交互行为数据件分析，提取信任度因子，并根据信任度因子构建相应的信任度模型，完成信任度模型构建；

步骤四204，结合步骤三203中获得信任度因子，利用用户之间的交互信息、资源使用与评价数据、动态的学习实况创建用户虚拟社区，完成用户虚拟社区构建；

步骤五205，根据用户进一步的实时社区行为，对社区内的成员进行动态调整，构建更稳定的学习社区，完成虚拟社区的动态调整，其中步骤五205不断循环调整，通过步骤一201的设置就可以有效的完成数据的采集，通过步骤二202的设置就可以有效的完成数据的处理，通过步骤三203的设置就可以有效的计算出信任度因子和构建出信任模型，通过步骤四204的设置就可以建立出用户虚拟社区，然后通过步骤五205的设置，就可以有效的对用户社区进行调整了，避免了现有技术中移动泛学习中出现的各种问题。

作为构建方法改进的一种具体实施方式，所述步骤三203中提取信任度因子的提取步骤如下：

A、将网络层设置成输入层301、网络学习层302和输出层303，设定网络中的两个用户分别为用户i和用户j，利用输入层301提取用户i和用户j之间的位置距离(i，j)，提取用户i和用户j之间的用户间隔度(i，j)，提取用户i和用户j之间的通讯频次(i，j)；

B、将提取到的位置距离(i，j)，用户间隔度(i，j)和通讯频次(i，j)输入到网络学习层302内，通过网络学习层302的学习和运算，计算得出信任度因子，在计算信任度因子之前，先对位置距离(i，j)和用户间隔度(i，j)进行反转，将位置距离(i,j)变换为1/位置距离(i,j)，间隔度(i,j)变换为1/间隔度(i,j)，之后对输入层301中输入的位置距离(i，j)、用户间隔度(i，j)和通讯频次(i，j)上面均附加权重值，权重值之和为1，给三个权重值附加一个定值，选定一个权重值为变值，剩下两个权重值之和为1减去变值，然后将全部的权重值与位置距离(i，j)、用户间隔度(i，j)和通讯频次(i，j)的值相乘后相加获得信任度因子，之后判断此时获得信任度因子计算得出是否正确，若正确，则增加变值的值，其他两个权重值之和减少，若错误，则减少该变值，其他两个权重值之和增加，依照上述步骤不断对变值进行调整，直至变值多次无变化为止，之后确定变值，选择剩下两个权重值中的一个值为新变值，新变值与剩下的权重值之和等于1减去确定好的变值，重复上述计算，正确时新变值增加，剩下的权重值减小，错误时新变值减小，剩下的权重值增加，直至新变值多次无变化为止，如此就可以有效的实现一个学习计算的效果，便可以有效的完成对三个位置距离(i，j)、用户间隔度(i，j)和通讯频次(i，j)数据的权重值的确定，保证计算出来的信任度因子更加的准确无误了，这样就能够有效的计算出准确的信任度因子了。

综上所述，本发明提供的一种基于信任度因子的用户虚拟社区构建装置，将信任度因子、虚拟社区理论、数据挖掘方法等先进成果集成于方法的模块中，将移动泛在学习环境下的普适化学习转变为以用户为中心、基于移动新数据源的交流式个性化互助学习方式，从而有效地提高学习者的学习兴趣和学习效率。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。