[0001] 本发明涉及社交网络中的伙伴推荐技术，特别是涉及一种远程教育社交网络中学习伙伴自动推荐方法及其系统。

[0002] 社交网络(Social Networks Service，SNS)通过网络这一载体把人们连接起来，形成具有某一特点的团体。SNS以现实社会关系为基础，模拟或重建现实社会中的人际关系网络。它通过帮助人们发现和扩展其社会关系，增加个人对其社会关系网络中的朋友的了解和联系，从而激发他们彼此之间协同工作、学习和娱乐的意愿。远程教育中学生和教师、学生和学生之间处于分离的状态，学生通过自主学习获取知识。由于学习行为孤独单调，缺少感情交流，容易使学生产生厌学情绪，导致学习效率和成绩下降，甚至可能失去继续学习的信心和兴趣。将社交网络应用于现有远程教育平台上，通过在接受远程教育的学生中建立学习小组、结识学习伙伴等方式营造集体学习的氛围，能够促进学生互相帮助共同学习，SNS提供了一种新的利用互联网建立社交网络的交友及交流模式。

[0003] 学习伙伴的添加类似于普通社交网络中好友的添加，通常的方式包括：自主选择和系统推荐，主要根据用户的个人信息进行相关匹配来进行选择或推荐。但是远程教育社交网络中的用户(即远程教育学生)有其独有的特点，用户来自全国各地，大都互不相识，缺少现实社会中的人际关系作为基础，所以传统的好友推荐方法难以在远程教育社交网络(Education Social NetworksService，ESNS)中适用，ESNS是基于远程教育的社交网络系统。

[0073] 以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

[0074] 如图2所示，是本发明的学习伙伴自动推荐方法流程图。该流程的具体步骤如下：

[0075] 步骤S201，首先自动接收用户端发出的学习伙伴推荐申请。

[0076] 该步骤中，学习伙伴推荐申请包括用户主动申请或用户登录页面后自动发出申请；

[0077] 步骤S202，然后响应用户的学习伙伴推荐申请，自动从信息数据库获取用户信息，并建立用户学力模型。

[0078] 该步骤中，将自动获取的用户信息划分为用户个人信息、学业信息、学习伙伴信息三方面信息，并利用学业信息建立用户学力模型；

[0079] 步骤S203，根据用户学力模型得到候选学习伙伴与用户的学业信息匹配度，根据用户个人信息、学习伙伴信息分别得到候选学习伙伴与用户的个人信息匹配度、学习伙伴关系匹配度，根据个人信息匹配度、学业信息匹配度、学习伙伴关系匹配度最终计算得到候选学习伙伴与用户的紧密度；

[0080] 步骤S204，根据候选学习伙伴与用户的紧密度的高低来判定候选学习伙伴成为学习伙伴的可能性，紧密度越高，则候选学习伙伴成为学习伙伴的可能性越大，反之，紧密度越低，则候选学习伙伴成为学习伙伴的可能性越小，并将候选学习伙伴自动返回推荐给用户端。

[0081] 进一步地，上述步骤S203中，还包括：个人信息匹配度计算步骤。

[0082] 用户个人信息包括：专业，公司，年龄，性别，家乡，兴趣爱好，喜欢书籍，喜欢课程等指标。将与用户联系紧密的学业信息中学习进度指标加入用户个人信息中来计算候选学习伙伴与用户的个人信息匹配度。具体计算方法为：候选学习伙伴与用户个人信息中某项指标相同时，该指标的数值记为1，不同时，指标的数值记为0，然后将各指标的数值乘以各自权重后相加作为候选学习伙伴与用户的个人信息匹配度。各指标的权重值可根据实际需要进行修改，只要保证总权重为1即可。用户个人信息指标与权重对应表如下表1所示：

[0083] 表1

[0084]用户个人信息 权重
专业 0.2
公司 0.1
年龄 0.1
性别 0.05
家乡 0.1
兴趣爱好 0.1
喜欢书籍 0.05
喜欢课程 0.1
所学相同课程学习进度 0.2
总权重 1

[0085] 结合表1，当候选学习伙伴仅在“专业”、“兴趣爱好”、“所学相同课程学习进度”三个指标相同，其他指标均不相同时，则候选学习伙伴与用户的个人信息匹配度＝1*0.2+0*0.1+0*0.1+0*0.05+0*0.1+1*0.1+0*0.05+0*0.1+1*0.2＝0.5。

[0086] 进一步地，上述步骤S203中，还包括：学业信息匹配度计算步骤。

[0087] 用户的学业信息主要包括：平均在线时间，平均登录频率，参加网络课程学习时间，参加在线交流时间，作业完成比率，学习进度，论坛中发帖次数，论坛中回帖次数，平均模块学习时间，作业平均绩效值。

[0088] 参考美国哈佛大学Kirby教授2005年出版的专著《学习力》提出的“综合体说”，以及钟志贤、杜安琪2008年发表的文章《赛伯人际管理：提升远程学习者的学习力》中对学力构成要素的观点，结合目前中国远程教育中，网络教学平台中学习行为数据的可获得性，设计了针对接受远程教育学生的学力模型，其中学力要素包括六个方面：学习毅力、学习态度、学习动力、学习方法、学习效率、创造思维。将用户学业信息分别归结到六大学力要素中，并设置相应权重。各指标根据相关规则(详见下表2)获得优、良、中、差、零五个等级中某个等级对应的值(各等级设定值的大小可调整，但要保证值的大小与等级的高低相符)，乘以相应权重后相加得到各学力要素的值，将6个学力要素对应到正六边形的6个顶点(该正六边形为学力模型的基础，其中心到各个顶点的半径长度为下表2中等级“优”所对应的值，本发明中设定为4)，各学力要素的值转化为正六边形的中心到相应顶点的半径方向的线段长度，线段的起点为正六边形的中心，终点为得到的六边形的顶点，所得六边形为学生的学力模型，如图1所示。

[0089] 学力模型设计表如下表2所示：

[0090] 表2

[0091]

[0092]

[0093] 结合表2，具体描述获取学力要素“学习毅力”的值的计算方法：

[0094] 学习毅力的指标包括：登陆平台的总时间(周均时间)、制定的学习计划与实际情况的符合程度。

[0095] 用户的登陆平台的总时间(周均时间)＞＝40分钟，则该指标的值为2，制定的学习计划与实际情况的符合程度为80％，则该指标的值为3，学习毅力的值＝2*0.5(权重)+3*0.5(权重)＝2.5。

[0096] 根据学生学力模型的不同，可以自动为用户推荐学力互补型学习伙伴(如图4(a)、图4(b))和学力相似型学习伙伴(如图5(a)、图5(b))，系统默认为用户推荐学力互补型学习伙伴，用户可以主动申请为其推荐学力相似型学习伙伴，其中图4(a)是本发明用户的学力模型，图4(b)是为用户推荐的学力互补型学习伙伴的学力模型；图5(a)是本发明用户的学力模型，图5(b)是为用户推荐的学力相似型学习伙伴的学力模型。

[0097] 学力互补型学习伙伴与用户的学业信息匹配度的计算方法：分别取出候选学习伙伴和用户的学力模型中相同学力要素的值中的最大值，作为正六边形的中心到六边形顶点的长度，组成一个新的六边形，计算其面积记为S1，正六边形的面积记为S。该类型学业信息匹配度＝S1/S。

[0098] 学力相似型学习伙伴与用户的学业信息匹配度的计算方法：分别计算候选学习伙伴和用户的学力模型中相同学力要素的值的差值，取绝对值之后将6个学力要素的差值相加记为P，该类型学业信息匹配度＝1-P/(6*优等级对应的值)＝1-P/24，其中该优等级对应的值为学力要素的指标为优时所对应的值，此处优等级对应的值为4。

[0099] 进一步地，上述步骤S203中，还包括：学习伙伴关系匹配度计算步骤。

[0100] 用户的学习伙伴关系匹配度通过候选学习伙伴与用户的学习伙伴间的关系来计算，若候选学习伙伴的学习伙伴集合中包含用户的学习伙伴，即候选学习伙伴与用户有相同的学习伙伴，则每个相同的学习伙伴记学习伙伴关系匹配度值为一设定值(如为5％)，可累加，最大值为100％。如A的学习伙伴中有C，B的学习伙伴中也有C，C即为A和B共同的学习伙伴，A与B的学习伙伴关系匹配度增加5％。如此，最终的累加结果作为候选学习伙伴与用户的学习伙伴关系匹配度。其中，设定值的大小可根据实际需求或具体情况而做出相应的调整，并不限定为5％。

[0101] 进一步地，上述步骤S203中，还包括：候选学习伙伴与用户的紧密度计算步骤，该紧密度采用如下公式计算：

[0102] 候选学习伙伴与用户的紧密度＝个人信息匹配度*a％+学业信息匹配度*b％+学习伙伴关系匹配度*c％。

[0103] 上述公式中的系数a％、b％、c％在满足总和为1的前提下，可根据实际需求或具体情况而做出相应的调整，如可以为20％、40％、40％或25％、35％、40％，其中a、b、c为正数。

[0104] 进一步地，上述步骤S204中，还包括：根据各候选学习伙伴与用户的紧密度的大小得到候选学习伙伴集，根据用户的设置可显示不同数量的候选学习伙伴返回至用户端！[0105] 如图3所示，是本发明的学习伙伴自动推荐系统结构图。该系统300包括：申请自动接收模块30、信息自动获取模块31、信息自动划分模块32、学力模型建立模块33、学习伙伴紧密度计算模块34、自动推荐显示模块35。

[0106] 申请自动接收模块30，用于自动接收用户端发出的学习伙伴推荐申请；

[0107] 学习伙伴推荐申请由用户主动发出或用户登录所述远程教育社交网络的页面后自动发出。

[0108] 信息自动获取模块31，连接申请自动接收模块30，用于响应用户的学习伙伴推荐申请，并自动从信息数据库310获取用户信息。

[0109] 信息划分存储模块32，连接信息自动获取模块31，用于将获取的用户信息自动划分为用户个人信息、学业信息、学习伙伴信息，并分别存储在用户个人信息数据库321、学业信息数据库322、学习伙伴信息数据库323中。

[0110] 其中，用户个人信息包括：专业，公司，年龄，性别，家乡，兴趣爱好，喜欢书籍，喜欢课程等指标。用户的学业信息主要包括：平均在线时间，平均登录频率，参加网络课程学习时间，参加在线交流时间，作业完成比率，学习进度，论坛中发帖次数，论坛中回帖次数，平均模块学习时间，作业平均绩效值。

[0111] 学力模型建立模块33，连接信息自动划分模块32，用于利用得到的学业信息建立用户学力模型，具体是：

[0112] 将用户的学业信息分别归结到六大学力要素中，并设置相应权重。各指标根据相关规则(详见上表2)获得优、良、中、差、零五个等级中某个等级对应的值(各等级设定值的大小可调整，但要保证值的大小与等级的高低相符)，乘以相应权重后相加得到各学力要素的值，将6个学力要素对应到正六边形的6个顶点(该正六边形为学力模型的基础，其中心到各个顶点的半径长度为上表2中等级“优”所对应的值，本发明中设定为4)，各学力要素的值转化为正六边形的中心到相应顶点的半径方向的线段长度，线段的起点为正六边形的中心，终点为得到的六边形的顶点，所得六边形为学生的学力模型。

[0113] 学习伙伴紧密度计算模块34，连接信息自动划分模块32、学力模型建立模块33，用于根据用户学力模型得到候选学习伙伴与用户的学业信息匹配度，并根据用户个人信息、学习伙伴信息分别得到候选学习伙伴与用户的个人信息匹配度、学习伙伴关系匹配度，根据个人信息匹配度、学业信息匹配度、学习伙伴关系匹配度最终计算得到候选学习伙伴与用户的紧密度；

[0114] 进一步地，学习伙伴紧密度计算模块34又包括：个人信息匹配度计算模块341、学业信息匹配度计算模块342、学习伙伴关系匹配度计算模块343、紧密度计算模块344。

[0115] 个人信息匹配度计算模块341，用于将与用户联系紧密的学业信息中学习进度指标加入用户个人信息中来计算候选学习伙伴与用户的个人信息匹配度。具体是：候选学习伙伴与用户个人信息中某项指标相同时，该指标的数值记为1，不同时，该指标的数值记为0，然后将各指标的数值乘以各自权重后相加作为候选学习伙伴与用户的个人信息匹配度。
各指标的权重值可根据实际需要进行修改，只要保证总权重为1即可。

[0116] 学业信息匹配度计算模块342，用于根据用户的学力模型、候选学习伙伴的学力模型，得到候选学习伙伴与用户的学业信息匹配度。学业信息匹配度包括学力互补型学习伙伴与用户的学业信息匹配度、学力相似型学习伙伴与用户的学业信息匹配度。

[0117] 进一步地，学业信息匹配度计算模块342又包括：互补型学业信息匹配度模块3421、相似型学业信息匹配度模块3432。

[0118] 互补型学业信息匹配度模块3421，用于计算学力互补型学习伙伴与用户的学业信息匹配度，其是分别取出候选学习伙伴和用户的学力模型中相同学力要素的值中的最大值，作为正六边形的中心到六边形顶点的长度，组成一个新的六边形，计算其面积记为S1，正六边形的面积记为S。该类型学业信息匹配度＝S1/S。

[0119] 相似型学业信息匹配度模块3432，用于计算学力相似型学习伙伴与用户的学业信息匹配度，其是分别计算候选学习伙伴和用户的学力模型中相同学力要素的值的差值，取绝对值之后将6个学力要素的差值相加记为P，该类型学业信息匹配度＝1-P/(6*优等级对应的值)＝1-P/24，其中该优等级对应的值为学力要素的指标为优时所对应的值，此处优等级对应的值为4。

[0120] 学习伙伴关系匹配度计算模块343，用于根据候选学习伙伴与用户的学习伙伴间的关系来计算用户的学习伙伴关系匹配度，若候选学习伙伴的学习伙伴集合中包含用户的学习伙伴，即候选学习伙伴与用户有相同的学习伙伴，则每个相同的学习伙伴记学习伙伴关系匹配度值为一设定值(如为5％)，可累加，最大值为100％。如A的学习伙伴中有C，B的学习伙伴中也有C，C即为A和B共同的学习伙伴，A与B的学习伙伴关系匹配度增加5％。如此，最终的累加结果作为候选学习伙伴与用户的学习伙伴关系匹配度。其中，设定值的大小可根据实际需求或具体情况而做出相应的调整，并不限定为5％。

[0121] 紧密度计算模块344，连接个人信息匹配度计算模块341、学业信息匹配度计算模块342、学习伙伴关系匹配度计算模块343，用于根据个人信息匹配度、学业信息匹配度、学习伙伴关系匹配度最终计算得到候选学习伙伴与用户的紧密度，采用如下公式计算：

[0122] 候选学习伙伴与用户的紧密度＝个人信息匹配度*a％+学业信息匹配度*b％+学习伙伴关系匹配度*c％。

[0123] 上述公式中的系数a％、b％、c％在满足总和为1的前提下，可根据实际需求或具体情况而做出相应的调整，如可以为20％、40％、40％或25％、35％、40％，其中a、b、c为正数。

[0124] 自动推荐显示模块35，连接学习伙伴紧密度计算模块34，用于根据候选学习伙伴与用户的紧密度获取候选学习伙伴，并将候选学习伙伴自动推荐并显示给用户。

[0125] 自动推荐显示模块35还根据各候选学习伙伴与用户的紧密度的大小得到候选学习伙伴集，根据用户的设置可显示不同数量的候选学习伙伴返回至用户端。

[0126] 进一步地，自动推荐显示模块35根据候选学习伙伴与用户的紧密度的高低来判定候选学习伙伴成为学习伙伴的可能性，紧密度越高，则候选学习伙伴成为学习伙伴的可能性越大，反之，紧密度越低，则候选学习伙伴成为学习伙伴的可能性越小。

[0127] 本发明针对传统社交网络中好友的推荐方法不能适用于ESNS中学习伙伴的推荐的局限性，提供一种远程教育社交网络中学习伙伴的推荐系统及方法，实现了远程教育社交网络ESNS中学习伙伴的自动推荐。

[0128] 当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。