饒婷婷 代向裕

摘要 針對綜合集成研討環(huán)境中專家權(quán)威值的計算問題，提出了一種較為全面的專家權(quán)威值的計算方法，該方法通過對專家職稱，最高學(xué)歷，參加研討次數(shù)以及專家在研討過程中的行為進(jìn)行分析，客觀的計算出在綜合集成研討環(huán)境下專家的總體權(quán)威值。實驗結(jié)果表明，提出的專家權(quán)威值計算方法合理有效：在綜合集成研討環(huán)境中，對評判專家水平有一定作用，為與會專家在綜合集成研討環(huán)境中進(jìn)行交互提供良好條件。

【關(guān)鍵詞】綜合集成研討廳 群體交互 發(fā)言評論權(quán)威值

1 引言

綜合集成研討廳體系的實質(zhì)是將專家群體（不同領(lǐng)域的有關(guān)專家）、數(shù)據(jù)和各種信息與計算機(jī)技術(shù)有機(jī)結(jié)合起來，把各種學(xué)科的科學(xué)理論和人的經(jīng)驗知識結(jié)合起來，三者構(gòu)成一個體系用來復(fù)雜問題的研究。在這一體系中，把人集合于系統(tǒng)之中，采用人機(jī)結(jié)合，以人為主的技術(shù)路線，充分發(fā)揮人的智慧，使研討的集體在研討過程中互相啟發(fā)，使群體智慧在研討中充分體現(xiàn)。其大致有以下幾點：

（l）專家參加研討次數(shù);

（2）用戶職位;

（3）發(fā)言權(quán)威值;對于專家的總權(quán)威值，專家的發(fā)言權(quán)威值所占的權(quán)重最高，影響專家發(fā)言權(quán)威值的因素有以下兩種：

①發(fā)言數(shù)量，雖然發(fā)言數(shù)量對于發(fā)言權(quán)威值的影響并不大，但是我們不能忽略其對與發(fā)言權(quán)威值的影響，比如某一位專家在研討過程中始終不發(fā)言，不評論，那么這位專家對于問題的解決是沒有提供幫助的，他的權(quán)威值不會增加

②發(fā)言質(zhì)量，專家發(fā)言質(zhì)量是對專家權(quán)威值有直接影響的。在借鑒《一種基于即使發(fā)言評價的專家權(quán)威度計算方法》中的相關(guān)定義后，我做了以下幾種定義：

2 基于PageRank異法的專家方案權(quán)威值計算方法

對于該層次結(jié)構(gòu)，我們進(jìn)行了許多研究，我們將專家方案權(quán)威值的計算分為三個部分，第一個部分主要考慮評論數(shù)量、評論距離和評論的權(quán)威值三個因素：

評論數(shù)量：專家發(fā)言所引發(fā)的評論的數(shù)量：

評論距離：在發(fā)言樹中，評論結(jié)點距離專家發(fā)言結(jié)點的深度;

評論權(quán)威值：專家發(fā)言所引發(fā)的評論的評論者的權(quán)威值;

根據(jù)對以上內(nèi)容的分析，我們提供一種針對發(fā)言鏈接結(jié)構(gòu)的權(quán)威值計算方法。

2.1 PageRank算法簡介

PageRank算法又稱網(wǎng)頁排名算法是Google專有的算法，用于衡量特定網(wǎng)頁相對于搜索引擎中其他網(wǎng)頁而言的重要程度。PageRank算法提出下面兩種假設(shè)：

數(shù)量假設(shè)：如果一個頁面節(jié)點接收到的其他網(wǎng)頁指向的入鏈數(shù)量越多，那么這個頁面越重要

質(zhì)量假設(shè)：指向頁面A的入鏈質(zhì)量不同，質(zhì)量高的頁面會通過鏈接向其他頁面?zhèn)鬟f更多的權(quán)重。所以越是質(zhì)量高的頁面指向頁面A，則頁面A越重要。

在這兩種假設(shè)的前提下，PageRank算法定義了PageRank值（后稱PR值），PR值用來衡量特定頁面的重要程度。PageRank算法首先構(gòu)建網(wǎng)頁之間的鏈接關(guān)系，然后給每個頁面設(shè)置相同的PageRank值，通過若干輪的計算，每個頁面會獲得最終的PageRank值。隨著每一輪的計算進(jìn)行，網(wǎng)頁當(dāng)前的PageRank值會不斷得到更新。

2.2 PageRank算法的改進(jìn)和應(yīng)用

PageRank算法是鏈接分析中鏈接分析算法的一種，它主要對與鏈接的結(jié)構(gòu)進(jìn)行分析。在綜合集成研討廳中，專家群體之間會進(jìn)行有效互動即專家發(fā)表言論，所有專家對已經(jīng)發(fā)表的言論進(jìn)行評價，這種專家之間的響應(yīng)關(guān)系構(gòu)成了一種鏈接關(guān)系一一發(fā)言樹。

在對發(fā)言樹結(jié)構(gòu)進(jìn)行研究的過程中，我們對PageRank算法中的三個問題進(jìn)行了改進(jìn)。

2.2.1 主題漂移問題

即無法判斷網(wǎng)頁內(nèi)容上的相似性，使得主題不相關(guān)的網(wǎng)頁獲得與主題相關(guān)的網(wǎng)頁同樣的重視度。

本文對專家發(fā)言獲得的評論首先進(jìn)行文本分析，得到的結(jié)果為支持、反對或中立。將發(fā)言樹中結(jié)果為支持的結(jié)點設(shè)置為正相關(guān)（增加該方案權(quán)威值）;將發(fā)言樹中結(jié)果為反對的結(jié)點設(shè)置為負(fù)相關(guān)（減少該方案權(quán)威值）;對于發(fā)言樹中結(jié)果為中立的結(jié)點進(jìn)行剪枝操作。

2.2.2 偏重根節(jié)點問題

由于每一個專家方案引發(fā)的評論數(shù)量不同，如果按照PageRank算法單純的累加子節(jié)點的權(quán)威值容易導(dǎo)致專家方案權(quán)威值差距過大，所以，我們再對每一個節(jié)點的權(quán)威值進(jìn)行規(guī)范化處理：對于一棵擁有n個節(jié)點的發(fā)言樹，所有的節(jié)點作為一個集合{ T1，T2……，Tn }，同時有公式：

V（Ti）= V（Ti）÷n

（1）

公式（1）中V（Ti）表示專家發(fā)言樹中第i個節(jié)點的權(quán)威值（每個節(jié)點的權(quán)威值等于該言論提出者的權(quán)威值），n代表發(fā)言樹的節(jié)點數(shù)，V（Ti）表示經(jīng)過規(guī)范化計算后第i個節(jié)點的權(quán)威值。

2.2.3 忽視專家個性化問題

PageRank算法只考慮到鏈接之間的靜態(tài)關(guān)系，但是在專家互動過程中，發(fā)言節(jié)點之間的鏈接結(jié)構(gòu)與時間相關(guān)，與根節(jié)點接近的發(fā)言節(jié)點更容易被評論，葉子結(jié)點被評論的可能性更低，因此，發(fā)言節(jié)點距離根節(jié)點越遠(yuǎn)，對于專家方案的權(quán)威值影響越小，反之越大，所以我們引入距離參數(shù)Ki，Ki表示第i條發(fā)言在發(fā)言樹中的層數(shù)。

公式（2）中V（Ti）表示經(jīng)過規(guī)范化計算后第i個節(jié)點的權(quán)威值，V表示經(jīng)過計算后，發(fā)言樹根節(jié)點（專家方案）的權(quán)威值。

參考文獻(xiàn)

[1]熊才權(quán)，李德華.一種研討模型[J].軟件學(xué)報，2009 （08）：2181-2190.

[2]崔霞，戴汝為，李耀東.群體智慧在綜合集成研討廳體系中的涌現(xiàn)[J]，系統(tǒng)仿真學(xué)報，2003 （01）：146-153.

[3]王艾，李耀東，李維杰，基于SemRank的CWME專家權(quán)威度計算方法[J].計算機(jī)應(yīng)用研究，2010 （07）：2441-2444.