一种基于演化博弈模型的社区知识共享评估方法

摘要

本发明属于信息资源共享技术领域，公开了一种基于演化博弈模型的社区知识共享评估方法。本发明通过引入群体信任值作为信息资源共享的关键影响因素，在此基础上构建演化博弈模型，评估群体信任值影响下在线学习社区的知识共享，提升在线学习社区中知识共享水平，促进在线学习社区与用户协同发展。

说明书

技术领域

本发明属于信息资源共享技术领域，更具体地，涉及一种基于演化博弈模型的社区知识共享评估方法。

背景技术

信息技术与教育的不断融合促使在线学习社区成为人们较为理想的学习环境，人们可以打破时空限制通过在线学习社区进行学习和交流。知识共享是在线学习社区发展的关键环节之一，在线学习社区中用户的知识共享水平不仅影响着在线学习社区的知识质量，还能激发其他用户的共享积极性，吸引更多的用户。现有研究证实了群体信任是影响在线学习社区知识共享行为的关键因素，但是均未涉及从微观层面评估其影响下的知识共享。如何评估群体信任值影响下在线学习社区的知识共享，提升在线学习社区中知识共享水平，促进在线学习社区与用户协同发展是本领域需要解决的一个问题。

发明内容

本发明的目的在于提供一种基于演化博弈模型的社区知识共享评估方法，通过引入群体信任值作为信息资源共享的关键影响因素，在此基础上构建演化博弈模型，评估群体信任值影响下在线学习社区的知识共享，提升在线学习社区中知识共享水平，促进在线学习社区与用户协同发展。

本发明提供一种基于演化博弈模型的社区知识共享评估方法，包括以下步骤：

步骤1：构建用于表征在线学习社区中用户交互关系的网络模型；

步骤2：初始化网络模型中每个用户节点的相关参数，所述相关参数包括群体信任值；针对网络模型中的每个用户节点，以相同的概率随机赋予共享策略或不共享策略；

步骤3：用户节点与邻居节点之间进行博弈，计算本轮博弈中每个用户节点在当前的群体信任值下的博弈收益；

步骤4：根据用户收益优先选择方法选择一位邻居作为用户节点的学习对象，根据费米动力学规则对用户节点的策略进行更新；

步骤5：转至步骤3，直至所设时间步结束，得到在当前的群体信任值下群体演化到稳定状态时网络模型中进行共享的用户节点比例。

优选的，所述步骤1中，所述网络模型采用聚类系数可变无标度网络模型。

优选的，所述步骤1包括以下子步骤：

步骤1.1：从一个具有m

步骤1.2：其余m-1条边整体均以概率P

优选的，将所述网络模型的规模设置为用户总人数N＝300。

优选的，所述步骤2中，所述相关参数还包括知识量、共享成本、知识共享增益系数、社区激励系数和收益。

优选的，初始化群体信任值为0.5，初始化知识量为1，初始化共享成本为0.01，初始化知识共享增益系数为1.56，初始化社区激励系数为0.1，初始化收益为0。

优选的，所述步骤3包括以下子步骤：

步骤3.1：在当前的群体信任值下，对用户i参与以邻居j为中心的群体博弈所获得的收益进行计算；

采用的计算方式如下：

式中，P

步骤3.2：在当前的群体信任值下，对用户i在本轮博弈中获得的累计收益进行计算；

采用的计算方式如下：

其中，P

优选的，所述步骤4包括以下子步骤：

步骤4.1：用户根据收益优先方法选择学习对象，用户i选择用户j作为学习对象的概率为：

其中，Q

步骤4.2：根据费米动力学规则更新用户的博弈策略，用户i学习用户j的概率为：

式中，W(s

优选的，所述可调度参数A取值为1，所述环境噪声参数k取值为0.1。

优选的，所述基于演化博弈模型的社区知识共享评估方法还包括：多次更改群体信任值，重复执行步骤2至步骤5，获得在不同群体信任值下群体演化到稳定状态时网络模型中进行共享的用户节点比例。

本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：

在本发明中，首先构建用于表征在线学习社区中用户交互关系的网络模型；然后初始化网络模型中每个用户节点的相关参数，其中一个关键参数为群体信任值；初始化时针对网络模型中的每个用户节点以相同的概率随机赋予共享策略或不共享策略；用户节点与邻居节点之间进行博弈，计算本轮博弈中每个用户节点在当前的群体信任值下的博弈收益；根据用户收益优先选择方法选择一位邻居作为用户节点的学习对象，根据费米动力学规则对策略进行更新；重复上述博弈过程，达到所设时间步后得到在当前的群体信任值下群体演化到稳定状态时网络模型中进行共享的用户节点比例。本发明通过引入群体信任值作为信息资源共享的关键影响因素，在此基础上构建演化博弈模型，构建的网络模型能够较好的描述在线学习社区中知识共享行为，对在线学习社区知识共享行为演化过程进行模拟仿真并分析，从微观层面探究在线学习社区中群体信任影响知识共享行为的演化规律，评估群体信任值影响下在线学习社区的知识共享，提升在线学习社区中知识共享水平，促进在线学习社区与用户协同发展。

附图说明

图1为本发明实施例提供的一种基于演化博弈模型的社区知识共享评估方法的流程图；

图2为通过多次更改群体信任值，获得在不同群体信任值下群体演化到稳定状态时网络模型中进行共享的用户节点比例的流程图。

具体实施方式

本发明基于公共品博弈模型构建有群体信任因素的演化博弈模型以探究在线学习社区中群体信任对知识共享的影响。公共品博弈模型是经典的多人博弈模型：群体中有N个理性的参与者，每位参与者可根据自身想法确定是否向公共箱进行投资，进行投资说明是合作策略，否则就是背叛策略。当所有人都做好决定后，公共箱中的总投资将会翻r倍后平均分配给每一个参与者(包括没有投资的参与者)。我们在公共品博弈模型中引入群体信任值(t)：社区用户对其他用户的信任程度。用群体信任值来代表社区中的群体信任水平，在现实情况下，根据群体信任水平的不同，用户在博弈中投入的资本也会有相应的变化。即本发明在公共品演化博弈过程中引入群体信任值计算博弈收益，在微观上研究在线社区中群体信任对知识共享的影响。

此外，在线社区的用户存在聚集现象，WS小世界网络和BA无标度网络都不能很好的刻画在线学习者间的联结关系，而聚类系数可变无标度网络模型即HK网络在BA网络的基础上引入了可调聚类系数，同时具有无标度特性与高聚类特性，因此本发明构建了HK网络来表征在线学习社区中的学习者交互关系网络，能够更贴近社区网络的真实状态。

在HK网络上构建基于群体信任值的公共品博弈模型进行演化博弈分析的步骤如下：第一步运用增长(growth)机制、第一条边的优先连接(preferential attachment，PA)机制及TF(Triad formation)机制将初始状态下的全连通网络转变成HK网络；第二步初始化每位用户的相关参数(如策略，知识量等)，根据每位用户受到群体信任值影响后的知识贡献量计算其在博弈过程中的收益；第三步通过模仿最高收益的邻居的方法来选择用户模仿对象，运用费米动力学方法来更新策略，之后从第二步开始循环直至所设时间步结束。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

本实施例提供了一种基于演化博弈模型的社区知识共享评估方法，参见图1，包括以下步骤：

步骤1：构建用于表征在线学习社区中用户交互关系的网络模型。

具体的，所述网络模型可采用聚类系数可变无标度网络模型(即HK网络模型)。初始化HK网络模型，合理设置网络模型的规模。为了便于实验仿真，网络模型的规模设置为用户总人数N＝300。

所述步骤1包括以下子步骤：

步骤1.1：从一个具有m

例如，全连通网络具有的节点m

步骤1.2：其余m-1条边整体均以概率P

例如，随机连接的概率P

步骤2：初始化网络模型中每个用户节点的相关参数，所述相关参数包括群体信任值；针对网络模型中的每个用户节点，以相同的概率随机赋予共享策略或不共享策略。

此外，所述相关参数还包括知识量、共享成本、知识共享增益系数、社区激励系数和收益。

针对在线社区用户知识共享的特点，对每一个用户节点i∈N进行了“知识量”“共享成本”“知识共享增益系数”“社区激励系数”“群体信任值”“收益”的定义。知识量K指用户各自拥有的知识量。共享成本C指用户进行知识共享时需要付出的时间、精力等成本。知识共享增益系数r指用户吸收和消化知识、将新旧知识结合生成新知识的能力，由于计算较为复杂，暂不考虑用户之间的差异，在博弈模型中表现为：公共品箱中的总投资翻r倍后，平均分配给社区中的成员。社区激励系数R指进行知识共享的用户获得的奖励。群体信任值t是群体的信任水平，指社区用户对其他用户的信任程度。收益P指用户博弈后获得的知识量。

即所述步骤2包括以下子步骤：

步骤2.1：将HK网络中节点的知识量K、共享成本C、知识共享增益系数r、社区激励系数R、群体信任值t、收益P分别初始化。

例如，用户节点的知识量K初始化为1，共享成本C初始化为0.01，知识共享增益系数r初始化为1.56，社区激励系数R初始化为0.1，群体信任值t初始化为0.5，收益P初始化为0。

步骤2.2：将网络中用户节点以相同的概率随机赋予共享或不共享策略，分别为0和1，即初始HK网络中采取共享策略与采取不共享策略的节点各有一半。

步骤3：用户节点与邻居节点之间进行博弈，计算本轮博弈中每个用户节点在当前的群体信任值下的博弈收益(即计算本轮博弈中每个用户节点受某一群体信任值影响后的博弈收益)。

所述步骤3包括以下子步骤：

步骤3.1：在当前的群体信任值下，对用户i参与以邻居j为中心的群体博弈所获得的收益进行计算。

在公共品博弈中，参与者分别从参与以自身为中心和以其邻居为中心的length(Ω

式中，P

例如，群体信任值t为0.5，增益系数r为1.56，需要将用户i在以邻居j为中心的群体中进行共享的知识量乘以0.5并求和，之后将该邻居群体中成员共享的知识总量翻1.56倍后平均分给该邻居群体中的成员，再减去用户i在该邻居群体中的共享量，这就是用户i在这个邻居群体中获得的收益。

步骤3.2：在当前的群体信任值下，对用户i在本轮博弈中获得的累计收益进行计算。

用户i获得本次博弈的累计收益P

其中，P

例如，社区激励系数R为0.1，群体信任值t为0.5，共享成本C为0.01，用户i选择进行知识共享时，参与所有群体的收益加上0.1乘以0.5乘以自身贡献知识量的奖励之后再减去共享成本0.01便是用户i在本轮博弈中的总收益。

步骤4：根据用户收益优先选择方法选择一位邻居作为用户节点的学习对象，然后通过费米动力学规则对用户节点的策略进行更新。

所述步骤4包括以下子步骤：

步骤4.1：用户根据收益优先方法选择学习对象，用户i选择用户j作为学习对象的概率为：

其中，Q

步骤4.2：根据费米动力学(Fermi dynamics)规则更新用户的博弈策略，用户i学习用户j的概率为：

式中，W(s

由式子可知，用户学习邻居策略的概率很大程度上是取决于二者之间的收益差。参数k描述环境的噪声因素，刻画个体非理性程度。当k→0时：

k→0时意味着个体具有完全理性，它只会学习高于自身收益的邻居的策略，而随着k的增加，个体理性程度降低，学习低收益邻居策略的可能性增加。在现实情况下用户都是有限理性的个体，通常k取0.1。

步骤5：转至步骤3，直至所设时间步结束，得到在当前的群体信任值下群体演化到稳定状态时网络中进行共享的用户节点比例(即群体共享水平)。

例如，所设时间步即蒙特卡罗时间步长为1500。

在上述方案的基础上，还可以多次更改群体信任值，重复进行仿真实验(即重复执行步骤2至步骤5)，观察获得不同群体信任值下群体演化到稳定状态时的群体共享水平变化，参见图2。

例如，t＝0.01，t＝0.25，t＝0.35，t＝0.45，t＝0.75，t＝0.99。

本发明实施例提供的一种基于演化博弈模型的社区知识共享评估方法至少包括如下技术效果：

本发明在公共品演化博弈过程中引入群体信任值计算博弈收益，在微观上研究在线社区中群体信任对知识共享的影响，能够评估群体信任值影响下在线学习社区的知识共享，提升在线学习社区中知识共享水平，促进在线学习社区与用户协同发展，促进信息资源共享。此外，采用HK网络表征在线学习社区中的学习者交互关系网络，相对于其他网络模型更贴近社区网络的真实状态，能够进行更加精准的知识共享评估。

最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。