CN111858960B

CN111858960B - 面向本质计算的跨dikw图谱的虚拟社区资源处理方法及组件

Info

Publication number: CN111858960B
Application number: CN202010728065.3A
Authority: CN
Inventors: 段玉聪; 胡时京; 雷羽潇
Original assignee: Hainan University; CERNET Corp
Current assignee: Hainan University; CERNET Corp
Priority date: 2020-07-23
Filing date: 2020-07-23
Publication date: 2021-09-10
Anticipated expiration: 2040-07-23
Also published as: CN111858960A

Abstract

本发明公开了一种面向本质计算的跨DIKW图谱的虚拟社区资源处理方法、装置、设备及可读存储介质，该方法包括：利用虚拟社区的网络类型资源，建立DIKW图谱；DIKW图谱中包括数据图谱、信息图谱和知识图谱；对DIKW图谱中的数据、信息和知识进行相互转换，并利用转换结果更新DIKW图谱，直到DIKW图谱达到动态平衡；从DIKW图谱中提取目标客户端的交互关系元组，并利用交互关系元组确定出目标客户端的亲密交流关系客户端；结合交互关系元组和亲密交流关系客户端，确定目标客户端的特征标签；从虚拟社区中确定出与特征标签对应的目标资源，并将目标资源分配给目标客户端。该本方法能够实现个性化分配资源，能够满足用户的个性化需求。

Description

面向本质计算的跨DIKW图谱的虚拟社区资源处理方法及组件

技术领域

本发明涉及计算机应用技术领域，特别是涉及一种面向本质计算的跨DIKW图谱的虚拟社区资源处理方法、装置、设备及可读存储介质。

背景技术

近年来，虚拟社区(即互联网社区)得到了飞跃发展，用户数量呈几何式的增长。虚拟社区为用户提供了可双向交流的平台，可以进行生活、经验、体会等，还可以作为传统商业的延伸，进行广告宣、使用经验分享和商品售后服务等，并形成虚拟品牌社区。

虚拟社区同样也涉及多种资源的分配问题，如带宽资源、存储资源以及流量等资源。若资源分配不合理，往往会导致用户弃用、用户活跃度降低。而虚拟社区的关键在于用户及用户的活跃度，因此需要对资源进行合理分配。但是，目前的虚拟社区资源分配往往是均匀分配或基于一些简单的分配方案来进行分配，难以满足用户的个性化需求。

综上所述，如何有效地进行资源个性化分配等问题，是目前本领域技术人员急需解决的技术问题。

发明内容

本发明的目的是提供一种面向本质计算的跨DIKW图谱的虚拟社区资源处理方法、装置、设备及可读存储介质，以实现资源个性化分配。

为解决上述技术问题，本发明提供如下技术方案：

一种面向本质计算的跨DIKW图谱的虚拟社区资源处理方法，包括：

利用虚拟社区的网络类型资源，建立DIKW图谱；所述DIKW图谱中包括数据图谱、信息图谱和知识图谱；

对所述DIKW图谱中的数据、信息和知识进行相互转换，并利用转换结果更新所述DIKW图谱，直到所述DIKW图谱达到动态平衡；

从所述DIKW图谱中提取目标客户端的交互关系元组，并利用所述交互关系元组确定出所述目标客户端的亲密交流关系客户端；

结合所述交互关系元组和所述亲密交流关系客户端，确定所述目标客户端的特征标签；

从所述虚拟社区中确定出与所述特征标签对应的目标资源，并将所述目标资源分配给所述目标客户端。

优选地，从所述虚拟社区中确定出与所述特征标签对应的目标资源，包括：

按照标签与UGC的对应关系，从所述虚拟社区中确定出利于产生UGC的所述目标资源。

优选地，获取所述网络类型资源的过程，包括：

获取所述虚拟社区中，客户端对应的基本属性和行为记录；

对所述基本属性和所述行为记录进行类型化处理，得到所述网络类型资源。

优选地，结合所述交互关系元组和所述亲密交流关系客户端，确定所述目标客户端的特征标签，包括：

结合所述交互关系元组和所述亲密交流关系客户端，计算所述目标客户端的特征指数；

利用所述特征指数确定所述特征标签；所述特征标签为独立自我型或互依自我型。

若所述特征标签为所述独立自我型，则将能力需求对应的资源确定为所述目标资源；

若所述特征标签为互依自我型，则将关系需求对应的资源确定为所述目标资源。

优选地，在将所述目标资源分配给所述目标客户端之后，还包括：

接收所述目标客户端的反馈信息；

利用所述反馈信息对所述DIKW图谱进行修正，并在修正完成后返回执行从所述DIKW图谱中提取目标客户端的交互关系元组，并利用所述交互关系元组确定出所述目标客户端的亲密交流关系客户端的步骤及后续步骤。

优选地，对所述DIKW图谱中的数据、信息和知识进行相互转换，包括：

将所述数据转换为新数据、新信息或新知识中的至少一种；

将所述信息转换为新数据、新信息或新知识中的至少一种；

将所述知识转换为新数据、新信息或新知识中的至少一种。

一种面向本质计算的跨DIKW图谱的虚拟社区资源处理装置，包括：

图谱构建模块，用于利用虚拟社区的网络类型资源，建立DIKW图谱；所述DIKW图谱中包括数据图谱、信息图谱和知识图谱；

图谱优化模块，用于对所述DIKW图谱中的数据、信息和知识进行相互转换，并利用转换结果更新所述DIKW图谱，直到所述DIKW图谱达到动态平衡；

图谱分析模块，用于从所述DIKW图谱中提取目标客户端的交互关系元组，并利用所述交互关系元组确定出所述目标客户端的亲密交流关系客户端；

特征标签确定模块，用于结合所述交互关系元组和所述亲密交流关系客户端，确定所述目标客户端的特征标签；

资源分配模块，用于从所述虚拟社区中确定出与所述特征标签对应的目标资源，并将所述目标资源分配给所述目标客户端。

一种面向本质计算的跨DIKW图谱的虚拟社区资源处理设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述面向本质计算的跨DIKW图谱的虚拟社区资源处理方法的步骤。

一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述面向本质计算的跨DIKW图谱的虚拟社区资源处理方法的步骤。

应用本发明实施例所提供的方法，利用虚拟社区的网络类型资源，建立DIKW图谱；DIKW图谱中包括数据图谱、信息图谱和知识图谱；对DIKW图谱中的数据、信息和知识进行相互转换，并利用转换结果更新DIKW图谱，直到DIKW图谱达到动态平衡；从DIKW图谱中提取目标客户端的交互关系元组，并利用交互关系元组确定出目标客户端的亲密交流关系客户端；结合交互关系元组和亲密交流关系客户端，确定目标客户端的特征标签；从虚拟社区中确定出与特征标签对应的目标资源，并将目标资源分配给目标客户端。

首先，利用虚拟社区的网络类型资源建立DIKW图谱，由于该DIKW图像包括数据图谱、信息图谱和知识图谱，因此可以跨数据、信息和知识进行分析，即对DIKW图像中的数据、信息和知识进行相互转换，对DIKW图谱进行补充，最终得到一个动态平衡的DIKW图谱。然后，从DIKW图谱中提取出目标客户端的交互关系元组，基于交互关系元组确定出目标客户端的亲密交流关系客户端。结合交互关系元组和亲密交流关系客户端，确定目标客户端的特征标签。最后基于该特征标签将目标资源分配给目标客户端。可见，在本方法中，能够实现个性化分配资源，可使得各个客户端得到的资源更加切换其实际需求，或为客户端分配具有引导作用的资源，进一步满足用户的个性化需求。

相应地，本发明实施例还提供了与上述面向本质计算的跨DIKW图谱的虚拟社区资源处理方法相对应的面向本质计算的跨DIKW图谱的虚拟社区资源处理装置、设备和可读存储介质，具有上述技术效果，在此不再赘述。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中一种面向本质计算的跨DIKW图谱的虚拟社区资源处理方法的实施流程图；

图2为本发明实施例中一种用户类型资源的分类与转换的示意图；

图3为本发明实施例中一种用户性格分类与转换方法流程图；

图4为本发明实施例中一种用户测试反馈机制示意图；

图5为本发明实施例中一种面向本质计算的跨DIKW图谱的虚拟社区资源处理装置的结构示意图；

图6为本发明实施例中一种面向本质计算的跨DIKW图谱的虚拟社区资源处理设备的结构示意图；

图7为本发明实施例中一种面向本质计算的跨DIKW图谱的虚拟社区资源处理设备的具体结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明实施例中一种面向本质计算的跨DIKW图谱的虚拟社区资源处理方法的流程图，该方法包括以下步骤：

S101、利用虚拟社区的网络类型资源，建立DIKW图谱。

DIKW图谱中包括数据图谱、信息图谱和知识图谱。

其中，虚拟社区是网络用户用于分享知识和信息，与有相同爱好或需求的人交流的平台。而用户在虚拟社区上留下的“痕迹内容”能够反映用户自身性格和兴趣偏好，这些“痕迹内容”统称为用户类型资源(TR_DIK)。将用户类型资源进行类型化后，便可得到网络类型资源。

其中，DIKW图谱是处理类型化的资源多层体系结构，分为数据图谱、信息图谱、知识图谱、智慧图谱四个部分。在本发明实施例中，主要涉及数据图片、信息图谱和知识图谱。

在本发明实施例中，可直接从存储介质中读取虚拟社区的网络类型资源，也可通过获取虚拟社区对应的客户端的相关信息内容，进一步分析而获得。具体的，请参考图2，获取网络类型资源的过程，包括：

步骤一、获取虚拟社区中，客户端对应的基本属性和行为记录；

步骤二、对基本属性和行为记录进行类型化处理，得到网络类型资源。

其中，类型化资源Existence：虚拟社区中的确认与用户相关联的TR_DIK内容，可按客观存在和概念存在两种类型划分。客观存在可用逻辑语言“TRUE/FALSE”回答，后者则与人的主观评价“YES/NO”相关，nonexistence则为Existence的否定语义项。

Existence_confirmed:＝＜(existence_objective,existence_conceptual)_positive,.nonexistence_confirmed＞ (1)

Nonexistence：Nonexistence是以否定语义存在的TR_DIK类资源，存在着几种不同情况，包括空项(Null)和经过在一段时间后消失或改变前后不一致的客观存在从而导致客观上前后不一致的客观存在Inconsist_objective，如式(2)。“Null”不仅包括空的概念，还包括不被知道但实际上存在的事物，如式(3)。

Nonexistence_confirmed:＝＜NULL,Inconsist_objective＞ (2)

NULL:＝＜FALSE(existence_objective(TRUE)),existence_objective(FALSE)＞ (3)

类型化资源TR_DIK，可分为数据(Data_DIK)，信息(Information_DIK)和知识(Knowledge_DIK)，在本文中以客户端为主体核心展开。

Data_DIK：由直接观察得到的离散元素，在没有上下文的情况下不具有任何意义，不与人类的某个特定目的相关联。Data_DIK表达单个实体的属性内容，最简单的表达形式为“is_a”。Ex(IS(a))表示实体X具有的属性(a)。

Information_DIK：记录客户端的行为(即用户行为)，用于挖掘、分析、表达两个实体之间的交互关系，实体既可以是另一个人，也可以是客观存在的事物。Information_DIK与人类的某个特定目的相关，透过目的去推断两个实体之间的关系，Information_DIK最简单的表达形式为“has_a”。用R(E1,E2)表示实体E1和E2之间的关系，如式(4)所示。

R(E₁,E₂)::＝"has_a" (4)

Knowledge_DIK：由Data_DIK和Information_DIK经过结构化形式化的推导演绎得到，在Information_DIK的基础上对实体关系的进一步的完善，Information_DIK表示的个体层面，单个实体与单个实体之间的关系。Knowledge_DIK在Information_DIK的基础上对实体关系进行了抽象化的归纳总结。如式(5)中，函数Type将实体E类别化，函数ReverseType将类型Class实体化，Class₁表示实体E₁的所属类别。Knowledge_DIK可表示单个实体与某一类型事物，或是两种类型事物之间的语义关系。如式(6)所示，K₁表示类别Class₁和类别Class₂之间的语义关系“A₁”。K₂表示类别Class₁和实体E₂之间的语义关系“A₂”，K₃表示类别Class₁和实体E₁之间存在从属关系。

Class由多个下属类别viceClass组成，viceClass与Class之间存在继承关系。如式(7)，Class为viceClass的父类，viceClass为Class的子类，实体E既是viceClass的子类，也是Class的子类。一般情况下，子类继承父类的属性与关系，Class_x(IS(a))同一类别Class事物共同拥有的属性(a)。

优选地，在实际应用中，还可将网络类型资源进行概念化。具体的，TR_DIK的概念化是指将TR_DIK映射到现有已知的概念。当观察到一个新事物(Thing_new)，首先将Thing_new与现存已知的具有具体标签的事物的DIKW资源进行相同性评估，若相同性评估结果为肯定，则将Thing_new映射至现有概念Concept_exist；若评估结果为否定，则由函数CreateID为Thing_new创建一个新的概念Concept_new，并将Thing_new与Concept_new联系起来。如式(8)所示，其中，Thing_exist表示已存在的事物或概念。

在相同性评估中，若Thing_new与某一项Thing_exist评估结果为否定，则Thing_new为该Thing_exist的否定语义项，二者之间的关系R(Thing_exist,Thing_new)属于Thing_exist的Nonexistence类Information_DIK资源，如式(9)。

Compare(Thing_new,Thing_exist)::＝"difference"→R(Thing_exist,Thing_new)::＝"negative" (9)

在特殊的情况下，实体E没有完全继承Class的属性和关系，但E仍属于Class的子类，是类别Class中特殊的子类实体。如式(10)，Thing_Special表示类别Class中未继承父类某一种属性(a)的子类实体。

Thing_special＝{Inherit(Class,E)＝TRUE}&{Inherit(Class_x(a),E_x(a))＝FALSE} (10)

基于网络类型资源进行DIKW图谱构建，在构建完成后，便可执行步骤S102的操作。

S102、对DIKW图谱中的数据、信息和知识进行相互转换，并利用转换结果更新DIKW图谱，直到DIKW图谱达到动态平衡。

为了更好地基于DIKW图谱分析用户的特征，在本实施例中，还可对DIKW图谱进行补充。即将数据、信息和知识进行相互转换，互相弥补，最终达到动态平衡。其中，动态平衡可具体为无法再有效改善图谱内容。

具体的，对DIKW图谱中的数据、信息和知识进行相互转换，包括：

步骤一、将数据转换为新数据、新信息或新知识中的至少一种；

步骤二、将信息转换为新数据、新信息或新知识中的至少一种；

步骤三、将知识转换为新数据、新信息或新知识中的至少一种。

也就是说，对于数据而言，其可以进行转换，得到新数据、新信息和信知识；对于信息而言，其可以进行转换，得到新数据、新信息和信知识；对于知识而言，其可以进行转换，得到新数据、新信息和信知识。当然，在实际应用中，可进行一种或多种转换，在本实施例中并不限定具体进行何种转换。

为便于理解如何实现数据、信息和知识三者之间可以相互转换，生成新的数据、信息和知识。下面以具体的转换情况为例，对转换过程进行详细说明：

情况1：Data_DIK→Data_DIK：Data_DIK之间的转换，既可以在单个实体之间实现，也可以跨实体实现，且单个实体和多个实体结合均能够转换，如式(11)。

举例说明：如式(12)中，从一个人的出生年月日可计算得到他的年龄，从一周中每天的数据可得到一周内的平均数据，从班级中每个人的成绩可计算得到全班的平均成绩。

情况2：Data_DIK→Information_DIK：若Data_DIK的产生与人类的行为目的相关，Data_DIK与一或多个特定的目的之间存在联系。Data_DIK与人类目的相联系可反映出人类行为的动机或是人类与另一个实体之间的关系Information_DIK。该实体可以是一人或多人，也可以是物或物体的组合。Information_DIK并不仅仅与现有已存在Data_DIK关联，Nonexistence类Data_DIK作为否定语义存在，与人类目的相联系将表示实体之间的否定关系，生成Nonexistence类Information_DIK。

例如，一名男子拥有一束玫瑰花，他将这朵玫瑰花递给了一名女子。若不清楚这名男子行为背后的目的，将无法确定这名男子与该女子之间的关系。如式(14)所示，若这名男子的目的是求爱，则二者是男女之间的恋人关系；若该男子的目的是售卖，则二者是商家和顾客之间的生意关系。

Nonexistence类Data_DIK资源也可以转换为Information_DIK。举例说明：如式(15)所示，从病人前后不一致的体温症状中可得知病人体温已恢复正常状态：

情况3：Data_DIK→Knowledge_DIK：通过统计学的原理，Data_DIK可直接转换为Knowledge_DIK。当Data_DIK的规模达到一定程度的时候可推理生成Knowledge_DIK，表达事物的总体的发展或变化趋势，预测实体下一步的行为表现。例如，根据往年气温曲线能够预测出今年夏天最高温度出现的时间范围，如式(16)。

情况4：Information_DIK→Data_DIK：Data_DIK与特定的目的结合可以得到Information_DIK，将Information_DIK的与目的剥离则能够生成与实体相关的属性Data_DIK，如式(18)。

Decompose(R(E₁,E₂),purpose)＝{E₁(IS(a₁)),…,E₂(IS(a_n))} (177)

Information_DIK中记录了实体的行为，统计实体各个行为的频率B_freq，可得到与实体有关新的Data_DIK，如式(18)。

E_x(IS(B_freq)))＝Static(R(x,B)) (18)

情况5：Information_DIK→Information_DIK：Information_DIK之间能够互相转换，可以由Information_DIK和Data_DIK结合转换生成Information_DIK，也可以由Information_DIK和Information_DIK结合转换生成新的Information_DIK。

情况6：Information_DIK→Knowledge_DIK：将Information_DIK的内容经过抽象化的分析归纳，可得到Knowledge_DIK，如式(20)所示。

K(E₁,E₂)＝Abstract(R(E₁,E₂)) (20)

实体的行为能够反映出它的偏好，若仅从单一行为推理会产生很大的误差，将表示行为的Information_DIK与表示行为频率的Data_DIK结合，可推理出实体的行为习惯和偏爱的事物。如式(21)，在一名女孩吃的几种水果，苹果、草莓、葡萄中，葡萄出现的频率最高，可得知该名女孩相比其他水果更偏爱葡萄。

情况7：Knowledge_DIK→Data_DIK：从Knowledge_DIK转换到Data_DIK有两种方法，一是从由Data_DIK推导而来的Knowledge_DIK反推得到Data_DIK；二是从现有已存在的Knowledge_DIK预测未来Data_DIK，如式(22)。

Data_DIK＝Predict(Knowledge_DIK(exist))(22)

例如式(23)，根据某地区往年的降雨量，降雪量、温度变化曲线等Data_DIK资源可预测该地区今年的天气情况。

情况8：Knowledge_DIK→Information_DIK：根据现存已知的实体间的抽象关系Knowledge_DIK可预测实体下一步的行为或选择，如式(24)。

Information_DIK＝Predict(Knowledge_DIK(exist)) (24)

例如式(25)，已知一个女孩在食物的选择上更偏爱冰淇淋，则可以预测当一个面包和冰淇淋同时摆在她面前时，她更有可能选择冰淇淋而不是面包。

Knowledge_DIK与Information_DIK相结合也能够转换为新的Information_DIK，甚至可能产生与上文中相反的观点。例如式(26)，若女孩在进行食物选择前曾经接受过牙医的建议不吃冰冷的食物，那么女孩将更有可能选择面包而不是冰淇淋。

情况9：Knowledge_DIK→Knowledge_DIK：当Knowledge_DIK的数量规模积累达到一定程度，将由量变引起质变，通过逻辑推理或是与其他Data_DIK、Information_DIK、Knowledge_DIK之间的结合产生新的Knowledge_DIK，如式(27)所示。

Knowledge_DIK＝Association(Knowledge_DIK,Data_DIK|Information_DIK|Knowledge_DIK) (27)

例如式(28)，已知K₁：老鼠有磨牙的习惯，K₂：老鼠门齿能终生生长。研究人员通过将K₁和K₂结合，根据实验观察总结出K₃：老鼠磨牙是为了求得生存，保证生长平衡。

以上九种转换为不完全转换，Data_DIK、Information_DIK、Knowledge_DIK三者都不会完全转换为另一类型的资源，而是彼此之间达到了一个动态平衡，共同构成了一个以“Human”为核心的DIKW图谱，包括数据图谱、信息图谱、知识图谱，如式(29)。

DIKWGraph_DIK＝{DataGraph_DIK,InformationGraph_DIK,KnowledgeGraph_DIK} (29)

S103、从DIKW图谱中提取目标客户端的交互关系元组，并利用交互关系元组确定出目标客户端的亲密交流关系客户端。

交互关系元组即指找出与目标客户端具有交互关系的客户端，以及具体的交互内容。其中，交互内容可以为点赞、转发、评论、会话等。

基于交互关系元组便可确定出哪些为目标客户端的亲密交流关系客户端。

S104、结合交互关系元组和亲密交流关系客户端，确定目标客户端的特征标签。

在本发明实施例中，可预先设置特征标签的确定标准，或函数，在得到交互关系元组和亲密交流关系客户端之后，便可基于该病灶或函数确定出目标客户端的特征标签。

具体的，还可基于交互关系元组和亲密交流关系客户端计算出目标客户端的特征指数，然后基于特征指数确定特征标签。具体实现过程，包括：

步骤一、结合交互关系元组和亲密交流关系客户端，计算目标客户端的特征指数；

步骤二、利用特征指数确定特征标签；特征标签为独立自我型或互依自我型。

为便于理解，下面结合理论对特征标签确定过程进行详细说明。

自我建构是个体对自我的一种感知，对周围的世界以及他人对自己的行为的理解，是一个人定义自己的过程，被应用在了心理医学、教育、市场营销等各个方面。根据自我构建理论，虚拟社区中的用户可分为两种类型，独立自我型用户(Independent-self user)和互依自我型用户(Interdependent-self user)。独立自我型用户更关注自身的喜好和特质，互依自我型用户则更关注与他人之间的关系。将自我构建理论映射到DIKW图谱上，如式(30)所示，独立自我型用户更关注与自我有关的属性TR_DIK(self)，互依自我型用户更关注自我与他人的关系R(self,other)。

也就是说，基于独立自我型和互依自我型相关定义，确定客户端的标签为独立自我型或互依自我型。

S105、从虚拟社区中确定出与特征标签对应的目标资源，并将目标资源分配给目标客户端。

在本实施例中，通过给目标客户端分配与特征标签对应的目标资源，使得目标客户端能够往期望的方向发展，如继续活跃。其中，目标资源可包括但不限于存储资源、流量资源、带宽资源、内容信息资源等与用户使用相关的资源。

具体的，从虚拟社区中确定出与特征标签对应的目标资源，包括：

情况一：若特征标签为独立自我型，则将能力需求对应的资源确定为目标资源；

情况二：若特征标签为互依自我型，则将关系需求对应的资源确定为目标资源。

也就是说，基于特征标签的具体类型，从而决定分配给目标客户端的目标资源具有是与能力需求对应还是与关系需求对应。

一般来说，虚拟品牌社区中的内容可分为：官方生成的内容(official-generatedcontent，OGC)和用户生成的内容(user-generated content，UGC)。OGC质量高，但更新缓慢且成本高；UGC短，更新快且成本低，对于用户而言，UGC除了可以提供信息或娱乐的潜力外，它的吸引力还在于可以让用户看到不受媒体影响真实数据。因此，许多社区用户更愿意相信UGC内容中关于商品和服务的数据、信息评价等。UGC内容的展现形式多样且用途广泛，例如，用户生成的图像包括图像本身，文本和所有者的社交链接，从而可以用于自我演示，新闻传播等多种目的。Susarla等发现虚拟社区的用户的社交互动对YouTube视频内容受欢迎程度产生显著影响。Daugherty等则通过分析证实了用户动机和UGC内容产出之间存在因果关系，进而用户态度是使用和创建UGC重要因素。已有研究表明虚拟社区中的自我防御等用户态度对用户创建UGC产生了较大影响。因此，在确定目标资源时，可按照标签与UGC的对应关系，从虚拟社区中确定出利于产生UGC的目标资源。

为便于理解，下面将合理分配资源，以期望客户端往预设方向发展的具体理论进行详细说明。

自我决定理论(Self-determination theory，SDT)与人类行为的动机相关，研究人的内在成长倾向和心理需要，以及人类个体在没有外界影响和干扰下，如何根据自己的意愿做出自我选择，以及自我选择和自我决定的程度。

SDT定义了个人的三个普遍的，与生俱来的心理需求，即能力需求，关系需求和自主需求，如式(24)所示，若满足这三类需求便能够最大限度的调动个人的行动积极性。在虚拟社区中，当用户认为其他参与者喜欢他们的UGC并信任社交媒体网站时，用户的自主性将增强，对虚拟社区的依赖感增加，从而促进了用户创作UGC的动机。

Self_need＝{Self(C_need),Self(R_need),Self(A_need)} (31)

能力需求(Competence_need)：用户知道自己有能力完成某项任务，任务的结果将在他的期望之内，这样他会愿意做这件事。如式(32)中，C(input)＝output表示自我拥有的某种能力，将某种的输入转化为输出的能力，其中，input表示输入，output表示输出。Self(Cneed)表示自我个体所拥有的能力集合，满足用户自我的能力需求，将调动自我行动的积极性。

Self(C_need)＝{C₁(input₁)＝output₁,…,C_n(input_n)＝output_n} (32)

关系需求(Relatedness_need)：用户可以在虚拟社区中找到志同道合的人，愿意与他人互动，建立联系并体验关爱他人。用R_degree(self,other)表示自我与他人之间的联系，其中degree表示自我与他人之间的关系程度，degree＝1表示自我与他人之间存在直接联系，互为一级交流关系用户，degree＝2表示自我与他人之间存在同一个一级交流关系用户。如式(33)中，R_degree＝n(self,other)表示自我与他人具有n级交流关系。G_degree＝n(Ua)表示所有与用户Ua具有n级交流关系的他人组成的群体。满足用户的关系需求Self(R_need)，需要满足用户对对一级交流关系群体G_degree＝n(Self)的需求，如式(34)。

Self(R_need)＝G_degree＝1(Self)＝{R_degree＝1(self,other₁),…,R_degree＝1(self,other_n)} (34)

自主需求(Autonomy_need)：用户有更多选择，并且知道他的行为可以由他自己决定，掌握主动权。人们对事物的态度与自主需求有着很大的关联，但自主需求不代表独立于身边的任何一个人。自我的自主需求Self(A_need)与能力需求Self(C_need)，关系需求Self(R_need)相关。自我不同的目的将导致不同的自主需求，不同的自主需求导致不同的能力需求和关系需求，如式(35)。

Satisfy(Self(purpose))＝Satisfy(Self(A_need))＝Satisfy(Self(C_need)|Self(R_need)) (35)

例如式(36)，用户U_a有一个目的P₁：完成任务T₁；但他的能力不够，导致完成任务的自主性不够，在任务完成艰难的情况下用户U_a有可能放弃该项任务。为了用户U_a能够顺利的完成任务而产生了自主需求U_a(A₁)，为了满足U_a(A₁)需要用户具有完成任务T₁的能力，因此产生了能力需求U_a(C₁)。

而用户U_b有一个目的P₂：完成一项科普任务T₂；但他所认识的人有限，无法将科普内容传播，完成任务的自主性同样不够，因此产生了自主需求U_b(A₂)，为了完成任务T₂，产生了用户U_b的关系需求U_b(R₁)。

能力需求Self(C_need)和关系需求Self(R_need)之间也彼此关联，一般情况下，满足一项自主需求需要满足能力需求和关系需求，如式(37)。

Satisfy(Self(purpose))＝Satisfy(Self(A_need))＝Satisfy(Self(C_need),Self(R_need)) (37)

例如式(38)，用户U_c有一个目的P₃：结识某位有学识的人；为了达到这个目的他既需要人脉U_c(R₂)，也需要提升自己知识储备U_c(C₂)，才能提高他完成该任务的自主性，满足自主需求U_c(A₃)，达到目的P₃。

Satisfy(U_c(P₃))＝Satisfy(U_c(A₃))＝Satisfy(U_c(C₂),U_c(R₂)) (38)

总而言之，自我的自主需求与能力需求和关系需求相关，一个人自我的能力越高，能解决的问题越多，自我的自主性就越大。同样，如果自我与他人的关系越多，自我可寻求的帮助就越多，自我的自主性也就越大。三种需求之间具有相互联系的关系，可通过满足能力需求和关系需求来满足用户的自主需求。这三种需求对个人的心理健康和幸福感影响至深，如果满足用户的这三类三个需求，将影响用户对虚拟社区的好感度，对用户创作UGC的动机产生积极影响，有利于虚拟社区的建设。

优选地，考虑到实际应用中，可能会因数据、信息或资源不足的情况，导致特征标签不准确的情况，基于此提出反馈机制，能够对DIKW图谱进行修正，进一步调整资源分配策略。具体实现过程包括：在将目标资源分配给目标客户端之后，接收目标客户端的反馈信息；利用反馈信息对DIKW图谱进行修正，并在修正完成后返回执行从DIKW图谱中提取目标客户端的交互关系元组，并利用交互关系元组确定出目标客户端的亲密交流关系客户端的步骤及后续步骤。即，执行完上述步骤S105之后，还可接收目标客户端的反馈信息，进而基于反馈信息对DIKW图谱进行修正，并在修正后，依次执行步骤S103至步骤S105的操作。

为便于理解本发明实施例所提供的技术方案，下面以通过资源分配，从而实现产生更多UGC的具体应用场景为例，对面向本质计算的跨DIKW图谱的虚拟社区资源处理方法进行详细说明。

从上文可知，在本发明实施例所提供的资源分配的方案中，如图3所示，首先根据网络类型资源TR_DIK建立DIKW图谱，DIKW图谱中包括数据图谱(D_Graph)，信息图谱(I_Graph)，知识图谱(K_Graph)，分别储存着D_DIK，I_DIK，K_DIK三种类型的资源。在Transistion模块(转换模块)中，D_DIK，I_DIK，K_DIK三类资源将相互转换，转换得到的新资源继续存储到DIKW图谱上，最终达到在DIKW图谱上的动态平衡。其次，从DIKW图谱中可提取得到客户端对应用户与他人的交互关系元组Inter(user)，将Inter(user)带入用户亲密度函数Intimacy计算，得到用户的亲密交流关系用户Confidants(与亲密交流关系客户端对应)。将Inter(user)和Confidants带入函数Personality进行用户性格指数(对应特征指数)计算，根据计算结果将用户划分独立自我型和互依自我型用户两种性格类型。在用户类型的基础上根据用户不同的自我需求，采取不同类型的用户性格转换方法。

其中，虚拟社区的DIKW建模：将虚拟社区中确认与用户相关的类型资源TR_DIK进行初步分类，根据TR_DIK自身的性质可分为客观型TR_DIK资源和主观型TR_DIK资源。二者之间的区分标准在于，客观型TR_DIK资源可映射到逻辑语言“True/False”，不因为直接观察者的变化而变化。而主观型的TR_DIK资源属于概念类资源，属性值取决于观察者对事物的主观评价“Yes/No”，评价结果因人而异。例如，在医院资源库的病人DIKW模型上的TR_DIK资源中，确诊书，化验报告，体检报告，病人体温数值等客观存在的事实属于TR_DIK资源。而病人自己对自我身体健康状况的主观评价，例如口述的症状，头疼、胃痛、眩晕等等则属于主观概念类TR_DIK资源。病人DIKW模型上同时还包括的Nonexitence类的TR_DIK资源，例如，针对某一种病毒，病人中的未感染者和无症状感染者在TR_DIK资源上的数值皆为“Null”。而当感染者治愈，症状消失，将构成前后不一致的Nonexitence类的TR_DIK资源Inconsist，如式(39)。值得一提的是，“Null”不包括直接观察者没有客观保证情况下对事物的主观否认，例如，某位患者对自己的身体没有患病的主观评价并不属于Nonexitence类的TR_DIK资源。

对TR_DIK资源进行概念化，将其映射到现有已知概念中。例如，现在某一实验室中检测出了一种病毒基因序列(Virogene_new)，将Virogene_new与现有已知的病毒基因序列Virogeneexist进行比较，若Virogene_new与一种现有病毒其中Virus(a)的基因序列匹配成功，则Virogene_new与Virus(a)相关联。若Virogene_new与所有病毒的基因序列匹配皆不成功，则该病毒属于未曾命名的新型病毒，由CreateID函数根据其特性为其命名，如式(40)。

若某一病毒Virus(X)与已知病毒Virus(T)经过概念化相同性对比结果为否定，则Virus(X)与Virus(T)为否定关系R(Virus(X),Virus(T))::＝“negative”。若Virus(X)的经过基因序列比对，结果显示它属于已存在的S型病毒Virus(S)_Class的一种。但，经过时间和环境的变化，导致病毒Virus(X)的属性产生了变异，丧失了原本S型病毒Virus(S)_Class都具有的某种特性。例如毒性减弱或是失去了传染性，此时Virus(X)是Virus(S)_Class类别中的一个特例，用Virus(X)special表示，如式(41)所示。

K(Virus(S)_Class,Virus(X))＝"Affiliation"

DataGraph_DIK(User)：使用虚拟社区中的用户相关的Data_DIK资源来构建用户属性库，包括用户属性、属性值和属性权重。Attr(U_a)表示用户U_a的属性集，由一个个围绕在中心节点用户U_a之外的离散节点集合组成，共同定义了用户的基本属性。但这些节点彼此之间是离散无联系的，节点的数值可通过数据训练或是问卷调查的方式得到。如式(42)所示，E_x(IS(ai))(1<i<n)表示用户U_a的某个属性结点，共计有n个属性节点用于定义用户U_a。大量的Data_DIK资源中存在一定比例的数据重复，统计Data_DIK资源中各个属性节点出现的频率Attr(U_a)_freq，并将其储存到用户数据图谱DataGraph_DIK(U_a)上。

InformationGraph_DIK(User)：用户U_a的个体的属性能够反映出自我的一部分能力，将式(42)中的Attr(U_a)带入式(32)中，E_Ua(IS(ai))作为输入input，计算用户U_a的自我能力需求U_a(C_need)，如式(43)。将计算得到U_a(C_need)储存到用户U_a的信息图谱InformationGraph_DIK(U_a)上。

用户U_a的Information_DIK资源中记录了用户U_a在虚拟社区中的行为记录，包括上网记录，交互记录，购买记录，在线记录等等，以及和其他用户之间的关系。用户U_a在虚拟社区中有五种基本的社交行为Inter(U_a)，如式(44)所示，统计用户不同交互方法各自的频率Inter(U_a)_freq，储存到用户数据图谱DataGraph_DIK(U_a)上。

Inter(Ua)＝{Send：发送消息给聊天对象；

Receive：收到聊天对象发来的信息；

Post：发布UGC内容；

Reply：在UGC内容下留言； (44)

Like：点赞喜欢的UGC内容}

Inter(U_a)_freq＝{Send_freq，Receive_freq，Post_freq，Reply_freq，Like_freq}

除了发布UGC内容的行为Post之外，Inter(U_a)中的其余四种社交行为都发生在用户U_a与另一名用户U_b之间。式(45)中，R(U_a,U_b)表示用户U_a与U_b之间的社交关系，并计算U_a与U_b之间的不同社交行为的频率R(U_a,U_b)_freq。在R(U_a,U_b)中，Send(U_a,U_b)，Reply(U_a,U_b)，Like(U_a,U_b)为用户U_a的主动行为；Receive(U_a,U_b)，ReceiveReply(U_a,U_b)，ReceiveLike(U_a,U_b)则为用户U_a的被动行为；Send(U_a,U_b)的值等于Receive(U_a,U_b)的值。将Inter(U_a)、R(U_a,U_b)存储到InformationGraph_DIK(U_a)中，计算R(U_a,U_b)_freq储存到DataGraph_DIK(U_a)中。

R(U_a，U_b)＝{Send(U_a，U_b)：U_a发送信息给U_b；

Receive(U_a，U_b)：U_a收到U_b发来的信息；

Reply(U_a，U_b)：U_a在U_b发表的UGC内容下留言；

receiveReply(U_a，U_b)：U_a发表的UGC内容收到U_b留言；

like(U_a，U_b)：U_a点赞U_b发表的UGC内容； (45)

receiveLike(U_a，U_b)：U_a发布的UGC内容收到U_b留言}

Inter(U_a，U_b)_freq＝{Send(U_a，U_b)_freq，Receive(U_a，U_b)_freq，Reply(U_a，U_b)_freq，receiveReply(U_a，U_b)_freq，Like(U_a，U_b)_freq，receiveLike(U_a，U_b)_freq}

根据R(U_a，U_b)和R(U_a，U_b)_freq计算用户U_a和用户U_b之间的交流关系等级R_degree(U_a，U_b)，若用户之间有直接交流，即R(U_a，U_b)不等于0，则用户U_a与用户U_b互为一级交流关系联系人。若用户U_a与用户U_b彼此之间没有联系，但都与用户U_c之间存在联系，则用户U_a与用户U_b属于二级联系人关系，如式(46)。根据式(46)计算用户U_a的各个等级交流关系联系人群体G_degree(U_a)，并储存到InformationGraph_DIK(U_a)上。

KnowledgeGraph_DIK(User)：如式(47)，根据用户U_a的信息图谱InformationGraph_DIK(U_a)上Inter(U_a)中的Post、Reply、Like三项内容，可推理出K₁：K(U_a,content)::＝“preference”；通过K₁可得知用户U_a在虚拟社区中所偏爱和感兴趣的内容。根据Inter(U_a)_freq可推理出K₂：K(U_a,behavior)::＝“habit”；通过K₂可得知用户U_a所习惯的社交行为方式。并将K₁和K₂和其他推理得到的Knowledge_DIK都储存到KnowledgeGraph_DIK(U_a)。

关于用户行为分析；

其中，用户关系计算：根据InformationGraph_DIK(U_a)上用户U_a在虚拟社区中的社交行为记录Inter(U_a)，在用户U_a的一级交流关系人群G_degree＝1(U_a)中筛选出用户U_a的亲密交流关系人群Confidants(U_a)。如式(48)，构造函数Intimacy，根据用户U_a与他的所有一级交流关系人群(U_b∈G_degree＝1(U_a))之间的社交关系R(U_a,U_b)和社交频率R(U_a,U_b)_freq，计算用户U_a与G_degree＝1(U_a)中的每名用户U_b之间的关系亲密度I(U_a,U_b)，当I(U_a,U_b)大于阀值I_w时，则用户U_a与U_b互为对方的亲密用户confidant。取G_degree＝1(U_a)中与用户U_a的亲密值I(U_a,others)大于I_w的用户组成用户U_a的亲密交流关系人群Confidants(U_a)，即用户U_a的亲密用户confidant用户的集合，用Cn(U_a)表示Confidants(U_a)中的用户U_a亲密交流关系人群的总人数。

根据R(U_a,U_b)中各个社交方式所占比例，可将虚拟社区中用户U_a的一级交流关系人群G_degeree＝1(U_a)分为主动联系人(Initiator)，被动联系人(Passives)和好友联系人(Friend)三种类型。取用户U_a与G_degeree＝1(U_a)中每名用户U_b的R(U_a,U_b)中的Send(U_a,U_b)和Receive(U_a,U_b)两项，计算Send(U_a,U_b)在Send(U_a,U_b)和Receive(U_a,U_b)两项之和中所占的比例大小，若该计算值在区间U_F内，则两名用户互为好友联系人，如式(49)。在好友联系人关系中，两名用户的社交关系在一定程度上达到了平衡。

Friend(U_a)＝{G_degree＝1(U_a)|Send(U_a,U_b)/(Send(U_a,U_b)+Receive(U_a,U_b))∈U_F} (49)

G_degeree＝1(U_a)中除用户U_a的好友联系人之外其他用户可分为主动联系人群体(Initiator)和被动联系人群体(Passives)，分类标准是R(U_a,U_b)_freq中主动行为和被动行为频率的占比，若用户U_a对用户U_b的主动行为Send(U_a,U_b)_freq，Reply(U_a,U_b)_freq，Like(U_a,U_b)_freq在R(U_a,U_b)_freq中所占比值越高，则用户U_a对用户U_b主动性(Initiative)越高；反之，若被动行为Receive(U_a,U_b)_freq，ReceiveReply(U_a,U_b)_freq，ReceiveLike(U_a,U_b)_freq在R(U_a,U_b)_freq中所占比值越高，则用户U_a对用户U_b被动性(Passivity)越高。设立阀值P_w，若主动性数值(Initiative)或被动性数值(Passivity)大于P_w，则用户U_a属于用户U_b的主动联系人或被动联系人，如式(50)。

主动联系人和被动联系人之间存在联系，若U_a是U_b的主动联系人，则U_b是U_a的被动联系人。遍历R(U_a,U_b)中用户U_a的除好友联系人(Friend(U_a))之外的其他所有的联系人，得到用户U_a的主动联系人集合Initiator(U_a)和被动联系人集合Passives(U_a)，如式(51)。

分析用户U_a与主动联系人集合Initiator(U_a)、被动联系人集合Passives(U_a)的交集，交集的内容反映了用户的另外两个属性，需求(N)和价值(V)，即用户Ua希望从别人那得到的和别人希望从用户U_a这得到的，如式(52)。

用户性格分类：计算用户的性格指数有两个指标，其一、是根据式(48)计算得到的用户U_a的亲密交流关系人群Confidants(U_a)，Confidants(U_a)一共包含了Cn(U_a)名与用户U_a亲密值I(U_a,others)大于门槛值I_w的用户。Confidants(U_a)可在一定程度上反映用户的社交习惯与需求。若Confidants(U_a)中的两个指标，I(U_a,others)和Cn(U_a)数值都偏高，则用户U_a更可能偏向于注重与他人关系的互依自我型用户；若I(U_a,others)和Cn(U_a)数值都偏低，则用户U_a更可能偏向于注重个人自我特质的独立自我型用户；若I(U_a,others)数值偏高，而Cn(U_a)较低，则表示用户Ua有自己固定的社交圈，与社交圈内的人交流较多，与社交圈外的人交流较少。其二、是InformationGraph_DIK(U_a)中用户U_a的社交行为频率Inter(U_a)_freq，用于分析用户U_a的社交习惯。例如，若Inter(U_a)_freq中Send(U_a)_freq,Receive(U_a)_freq数值所占比重较高，Post(U_a)_freq，Reply(U_a)_freq，Like(U_a)_freq数值所占比重较低，则用户U_a属于偏向于与多人存在交流关系的互依自我型用户；若Inter(U_a)_freq中Send(U_a)_freq,Receive(U_a)_freq数值所占比重较低，Post(U_a)_freq，Reply(U_a)_freq，Like(U_a)_freq数值所占比重较高，则用户U_a偏向于以自我为中心的独立自我型用户。

构造函数Personality，根据用户U_a的亲密交流关系人群Confidants(U_a)和社交行为频率Inter(U_a)_freq来计算用户U_a的性格类型指数，如式(53)：

z＝Personality(Confidants(U_a),Inter(U_a)_freq) (53)

其中z表示用户的性格类型指数，设定其取值范围为[-1,1]，以零点为界限。若z属于[-1,0)区间内，则将该用户归类为独立自我型用户，若z属于(0,1]区间内，则将用户归类为互依自我型用户。

基于资源分配实现用户类型转换(期望用户能够生产更多的UGC)：在虚拟社区中存在着大量不活跃的潜在UGC创作用户，能否成功将这部分用户类型转换，是促成虚拟社区中UGC内容产出增长的关键。关于用户类型转换，Lee等人研究了语音韵律转换方法；Paloutzian等人研究了宗教对个人情感，态度和行为变化产生的影响；但二者研究的都是外部向个体实施的性格转换方法，而忽视了用户之间存在的个体差异，在本发明实施例中通过满足不同用户的不同的心理需求，调动个人的行动积极性和自主性，促进用户创作UGC的动机的产生。有研究表明，通过边缘计算和云处理技术，可使用户在虚拟社区中创作UGC的动机内在化。

将虚拟社区内的与用户U_a相关的TR_DIK资源语义形式化，对于独立自我型用户而言，他们更在意自我的特质，如愿望、喜好、能力等等，用户的能力需求大于关系需求；对于互依自我型用户来说，他们更注重于他人的关系，尤其是与亲密交流者confidant的关系，用户的关系需求大于能力需求。

虚拟社区中的UGC有不同的类型，包括有文本，图片，视频，音频等多种表达形式，以及新闻，娱乐，八卦，研究等多方面的内容。从用户U_a的KnowledgeGraph_DIK(U_a)提取Knowledge_DIK资源K₁：K(U_a,content)::＝“preference”和K₃：K(U_a,CreateForm)::＝“Comptence”。将K₁，K₃分别与UGC的内容和形式进行匹配，如式(54)。当函数Match计算得到的两项结果都为TRUE，可筛选出用户U_a感兴趣且在能力范围之内能够完成的任务。面对这样的任务，用户U_a将感到自己的能力需求U_a(C_need)得到了满足，任务的内容在他的能力范围之内，他会愿意去完成这样一件任务。

Comptence(U_a)表示用户U_a的能力集合，将UGC相关内容UGC_content以某种UGC形式UGC_form输出的能力。CUGC_form(U_a(i))(UG_Ccontent(U_a(j)))表示用户U_a所具有的将某项UGC_content(i)转换为UGC_form(j)的能力，其中，i,j∈(0,n)。在虚拟社区中，将CUGC_form(U_a(i))(UGC_content(U_a(j)))定向推送给特定用户U_a，能够提高UGC产出的效率和质量。

将用户U_a的关系亲密群体Confidants(U_a)与用户U_a的关系需求U_a(R_need)进行比较，若是Confidants(U_a)的总人数Cn(U_a)不能满足U_a(R_need)的需求，则从用户U_a的二级交流关系群体G_degree＝2(U_a)中选择与用户U_a兴趣行为需求匹配的用户，通过推荐机制补充至一级交流关系用户中，如式(55)。

Friend_{recommendation}(U_a)＝{G_degree＝2(U_a)|Match(U_a,G_degree＝2(U_a))} (55)

通过用户DIKW图谱得出的用户能力需求(C_need)和关系需求(R_need)存在一定误差，针对误差设计测试反馈机制“TestFeedback”，降低误差对结果的影响。将“TestFeedback”机制结合式(5)中的Type函数，可将测试范围拓展至实体E或子类vicecClass中的父类Class，完善用户的DIKW图谱。

如图4所示，根据K₁，得到与用户有偏好关系的实体E₁。实体E₁经过式(5)中Type函数计算得到父类Class₁。代入测试反馈机制“TestFeedback”，“TestFeedback”分为负反馈和正反馈，实体E₁的父类Class₁实体推向目标用户进行简单的“Yes/No”测试，用户反馈为“Yes”则生成用户相关新的TR_DIK资源，反馈为“No”则生成Nonexistence类TR_DIK资源，两类资源补充进Transistion模块进行DIK转换，所得到的D_DIK，I_DIK，K_DIK可补充至D_Graph，I_Graph，K_Graph中，完善有关用户的DIKW图谱。

虚拟社区和UGC内容与以往交流方式最大的优势就在于获取资源的低成本和便捷性，若获取资源所要付出的成本代价超过了一定的限度，用户出于对自身利益的维护，会产生“战略性放弃”。在虚拟社区中，每名用户有不同的DIKW图谱，每名用户的目的不同，处理事情的能力效率也不同，所愿意付出的代价成本也存在差异。

UGC内容的生成成本(Generate Cost，GCost)主要取决于用户的自我能力有关，如式(32)中的Self(C_need)，根据式(54)匹配各个用户与之对应的UGC主题内容，在同一个主题Topic＝C_UGCform(UGC_content)下，每位用户的能力高低决定了UGC创作的效率，如式(56)。

虚拟社区中，用户创作UGC需要时间来完成，每名用户所拥有的能够用于UGC创作的空闲时间(LTime)之间存在差异。用户U_a的LTime可根据InformationGraph＝(U_a)中用户的上网时间记录(Record_online)计算得到。在一般情况下，虚拟社区中上网时间越长的用户可用于UGC创作的空闲时间LTime越长，如式(57)。

UGC内容对虚拟社区的好处显而易见，对用户的好处却并不明显。因此，虚拟社区内可设立奖励机制(Award)，如社区积分、排名、创作徽章等等。若奖励机制满足了用户的心理需求，能够影响用户心中对UGC创作成本的评估，用户会愿意花费更多的时间去完成UGC创作的任务，用户U_a的TGCost等于结合用户创作效率Efficiency(U_a)和用户空闲时间LTime(U_a)计算得到的成本减去奖励Award所抵消的成本，如式(58)。

GCost_Ua(Topic)＝Association(Efficiency_Ua(Topic),LTime_Ua(Topic))-Award

Match(Award,U_aneed)＝TRUE (58)

UGC内容的获取成本(Acquisition Cost，ACost)：在虚拟社区中，UGC内容的创作者和阅读者之间是一种双向选择的关系。UGC所涵盖的内容和形式不同，存在资源精细度(Fineness)差异，UGC内容的精细度越高说明包含的资源量越多，但精细度过高也同时也提高了用户的获取成本，导致部分用户的选择性放弃。例如，用户U_a想要了解某种食物是否好吃，他不需要知道该食物使用的是什么原料如何生产出来的，他只需要知道大部分人对这个食物的评价即可。如式(59)所示，用户对UGC内容的获取成本(ACost)既与UGC内容的精度有关，也与用户自身所具有的能力有关。

ACost＝Association(U_a(C_need),UGC_fineness) (59)

为便于本领域技术人员更好的理解本发明实施例所提供的面向本质计算的跨DIKW图谱的虚拟社区资源处理方法的技术效果，下面结合具体实验为例，对技术效果进行详细介绍。

在某虚拟社区中的随机选取n名用户，组成集合Users＝{U₁,U₂,...,U_n}，统计用户近半年内的在虚拟社区中的社交行为记录Inter(user)，并计算用户不同社交行为在总社交次数中所占的频率Inter(user)_freq，统计结果为表1用户社交行为次数统计，和表2用户社交行为频率统计。

User	send	receive	post	reply	like
						U<sub>1</sub>	3983	6364	222	6945	8858
U<sub>2</sub>	7212	4352	61	4607	1894
						U<sub>3</sub>	8829	3143	808	4249	2785
U<sub>4</sub>	752	8319	867	9062	9471
						U<sub>5</sub>	7079	9825	62	1690	856
U<sub>6</sub>	8068	8045	657	1244	3215
						U<sub>7</sub>	1724	1159	366	4473	6873
U<sub>8</sub>	9379	8699	606	9553	6485
						U<sub>9</sub>	3919	8238	891	7769	4297
U<sub>10</sub>	1648	15	595	2834	6946
						...	...	...	...	...	...

表1用户社交行为次数统计

Table 1 Statistics of the number of social behaviors of users

User	send<sub>freq</sub>	receive<sub>freq</sub>	post<sub>freq</sub>	reply<sub>freq</sub>	like<sub>freq</sub>
						U1	15.10％	24.13％	0.84％	26.33％	33.59％
U2	39.79％	24.01％	0.34％	25.42％	10.45％
						U3	44.56％	15.86％	4.08％	21.44％	14.06％
U4	2.64％	29.22％	3.05％	31.83％	33.27％
						U5	36.28％	50.35％	0.32％	8.66％	4.39％
U6	38.00％	37.90％	3.09％	5.86％	15.14％
						U7	11.81％	7.94％	2.51％	30.65％	47.09％
U8	27.01％	25.05％	1.75％	27.51％	18.68％
						U9	15.60％	32.80％	3.55％	30.93％	17.11％
U10	13.69％	0.12％	4.94％	23.54％	57.70％
						...	...	...	...	...	...

表2用户社交行为频率统计

Table 2 Statistics of the frequency of social behaviors of users

根据表1表2，统计用户与用户之间的交互频率，取表1中第一名用户U₁作为示例用户U_a。

表3中统计了用户U_a与一部分其他用户各自的交流频次，用户群U_ax＝{U_a1,U_a2,...,U_a1n}组成了用户U_a的一级交流关系人群G_degree＝1(U_a)。根据式(48)的Intimacy函数计算用户U_a与U_ax亲密值I(U_a,U_ax)，根据式(49)，(51)计算得到用户的好友联系人Friend(U_a)，主动联系人Initiative(U_a)和被动联系人Passive(U_a)。

U<sub>a</sub>	U<sub>a1</sub>	U<sub>a2</sub>	U<sub>a3</sub>	U<sub>a4</sub>	U<sub>a5</sub>	U<sub>a6</sub>	U<sub>a7</sub>	U<sub>a8</sub>	U<sub>a9</sub>	U<sub>a10</sub>	U<sub>a11</sub>	...
													Send	1102	747	520	967	946	832	447	190	252	21	55	...
Receive	1113	84	2137	1098	654	76	69	174	206	177	5	...
													Reply	2072	1266	170	100	705	586	5	135	125	232	0	...
ReceiveReply	2086	498	2167	873	770	375	10	171	91	75	98	...
													Like	2427	984	207	239	1161	479	78	44	133	152	231	...
ReceiveLike	2360	1595	351	376	888	896	1104	692	218	506	29	...
													I(U<sub>a</sub>,U<sub>ax</sub>)	10.09	4.69	6.59	4.81	5.29	3.29	1.61	1.33	1.27	1.07	0.25	...
Send/(Send+Receive)	0.50	0.90	0.2	0.47	0.59	0.92	0.87	0.52	0.55	0.11	0.92	...
													Initiative/Passive	F	0.73	5.19	F	F	0.71	2.23	F	F	1.87	0.46
Passive/Initiative	F	0.90	0.20	F	F	0.92	0.87	F	F	0.11	0.92

表3用户U1与部分用户之间的社交行为频率统计

Table 3 Statistics of social behavior frequency between U1 and otherusers

表3中列出了与用户Ua与亲密值I(U_a,U_ax)最高的11名用户U_ax，在本实验中，设定阀值I_w＝1，区间U_F＝(0.35,0.65)。

可得用户U_a的一级交流关系人群G_degree＝1(U_a)分类：

亲密交流关系人群Confidants(U_a)＝{U_a1,U_a2,...,U＝}，其中Cn(U_a)＝10。

好友联系人Friend(U_a)＝{U_a1,U_a4,U_a5,U_a8,U_a9,...}

主动联系人Initiative(U_a)＝{U_a3,U_a7,U_a10,...}

被动联系人Passive(U_a)＝{U_a2,U_a6,U_a11,...}

根据以上步骤求出的亲密交流关系人群Confidants，根据Confidants和用户社交行为频率Inter(user_)freq，利用式(42)中的Personality函数计算用户的性格类型指数z，如表4所示。

根据表4内容可得：独立自我型用户User(Independent-self)＝{U₁,U₃,U₄,U₆,U₈,U₉...}；互依自我型用户User(Interdependent-self)＝{U₂,U₅,U₇,U₁₀...}。

User	Confidants	Inter<sub>freq</sub>	C<sub>n</sub>	z
					U<sub>1</sub>	Confidants(U<sub>1</sub>)	Inter<sub>freq</sub>(U<sub>1</sub>)	10	0.22
U<sub>2</sub>	Confidants(U<sub>2</sub>)	Inter<sub>freq</sub>(U<sub>2</sub>)	8	-0.44
					U<sub>3</sub>	Confidants(U<sub>3</sub>)	Inter<sub>freq</sub>(U<sub>3</sub>)	6	0.18
U<sub>4</sub>	Confidants(U<sub>4</sub>)	Inter<sub>freq</sub>(U<sub>4</sub>)	14	0.62
					U<sub>5</sub>	Confidants(U<sub>5</sub>)	Inter<sub>freq</sub>(U<sub>5</sub>)	5	-0.33
U<sub>6</sub>	Confidants(U<sub>6</sub>)	Inter<sub>freq</sub>(U<sub>6</sub>)	22	0.21
					U<sub>7</sub>	Confidants(U<sub>7</sub>)	Inter<sub>freq</sub>(U<sub>7</sub>)	8	-0.54
U<sub>8</sub>	Confidants(U<sub>8</sub>)	Inter<sub>freq</sub>(U<sub>8</sub>)	11	0.49
					U<sub>9</sub>	Confidants(U<sub>9</sub>)	Inter<sub>freq</sub>(U<sub>9</sub>)	9	0.14
U<sub>10</sub>	Confidants(U<sub>10</sub>)	Inter<sub>freq</sub>(U<sub>10</sub>)	4	-0.38
					...	...	...	...	...

表4用户性格类型指数计算

Table 4 Calculation of user personality type index

Keyword	Times	Keyword	Times
				Pet	23060	Ballet	11925
Jazz	22168	Swan Lake	11656
				Beethoven	21502	Mozart	10535
Frozen	19937	The Nutcracker	9741
				Disney	18859	Court	7770
Titanic	18546	Attorney	7201
				Defendant	16366	Suspect	5574
Victim	14609	Plaintiff	4253
				Piano	14249	Cinema	2565
Dog	13632	Veterinarian	2463
				...	...	...	...

表5用户Ua在虚拟社区中的关键词

Table 5 Keywords for Ua in virtual communities

基于资源分配实现用户性格转换：表5列出了用户U_a在虚拟社区中关联次数最高的20个关键词，分析这些关键词并将其代入式(5)中的Type函数计算，可得式(60)中关于用户Ua基本属性的定义Attr(U_a)。将Attr(U_a)储存到DataGraph_DIK(U_a)上。

将用户U_a与其主动联系人Initiative(U_a)，被动联系人Passive(U_a)代入式(52)进行U_a(N)和U_a(V)的计算，可得如式(61)，将结果储存至KnowledgeGraph_DIK(U_a)中：

将DIKW图谱上与用户U_a相关的Data_DIK，Information_DIK和Knowledge_DIK之间进行“D-I-K”转换，所得结果如式(62)，可知用户U_a从事法律方面的工作，平时的爱好是音乐，电影和芭蕾舞蹈等等，将所得结果储存到KnowledgeGraph_DIK(U_a)中：

根据KnowledgeGraph_DIK(U_a)，通过“TestFeedback”机制，对用户U_a进行“测试-结果反馈-策略调整”计划。如式(63)，根据式(62)中的K(U_a，Ballet)::＝“hobby”将其他芭蕾舞曲例如《Sleep Beauty》或《Quixote》代入“TestFeedback”机制推荐给用户U_a，若用户U_a回应为“Yes”，则表明用户U_a对其感兴趣，可生成新的TR_DIK资源；若用户U_a若用户U_a回应为“No”，则生成新的Nonexistence类TR_DIK资源，将两项资源都存储至DIKWGraph_DIK(U_a)。

若用户U_a属于独立自我型用户，可根据式(62)中K(U_a,content)::＝“hobby”中的内容向用户U_a进行定向邀请推送。根据式(58)计算用户U_a的UGC内容的生成成本GCost，若GCost较高，则为用户U_a设立奖励机制，奖励的丰厚程度与UGC内容的受欢迎程度挂钩，鼓励优质UGC内容的产出。例如，获得点赞数越高的UGC内容作者得到的奖励将越丰厚。在UGC创作中，可向用户U_a发出有关音乐、芭蕾和电影类主题UGC内容的创作邀请。并为用户U_a设定有吸引力的奖品，例如古典音乐会的门票，电影票等等。除了为用户匹配感兴趣的内容之外，用户本身也是虚拟社区的一种资源，例如根据式(60)中U_a(V)用户U_a是一种法律资源，可解决其他用户有关法律内容的求助，相比用户直接求助社区官方或是其他不专业的人士解决的更及时。

若用户U_a属于互依自我型用户，与他人的关系对用户U_a行为的影响更大。可分析用户U_a与Confidants(U_a)有交集的内容，鼓励多人合作完成UGC创作，由Confidants(U_a)中的用户向用户U_a发出合作完成邀请，促进用户U_a的创作激情。若用户U_a的亲密交流关系人群Confidants(U_d)的数量偏少，可根据G_degree＝2(U_a)的条件，从用户U_a的二级交流关系用户中选出与用户U_a兴趣行为相匹配的用户向用户U_a推荐为好友。必要时可添加类人机器人，模拟用户的Confidants(U_a)的爱好和言行，通过邀请，合作等方式鼓励用户U_a进行UGC内容创作。

可见，在本发明实施例中，主要基于DIKW图谱，研究了虚拟社区中用户类型的分类与性格转换方法。通过对用户类型资源进行DIKW分类和完成“数据-信息-知识”三者间的转换，生成用户DIKW图谱，并结合自我构建理论和自我决定理论，将社区中的用户进行性格分类，对不同用户分配不同的资源，从而实现性格转换，促进虚拟社区内用户生成内容的产生，加强虚拟社区的内容可控性建设。

相应于上面的方法实施例，本发明实施例还提供了一种面向本质计算的跨DIKW图谱的虚拟社区资源处理装置，下文描述的面向本质计算的跨DIKW图谱的虚拟社区资源处理装置与上文描述的面向本质计算的跨DIKW图谱的虚拟社区资源处理方法可相互对应参照。

参见图5所示，该装置包括以下模块：

图谱构建模块101，用于利用虚拟社区的网络类型资源，建立DIKW图谱；DIKW图谱中包括数据图谱、信息图谱和知识图谱；

图谱优化模块102，用于对DIKW图谱中的数据、信息和知识进行相互转换，并利用转换结果更新DIKW图谱，直到DIKW图谱达到动态平衡；

图谱分析模块103，用于从DIKW图谱中提取目标客户端的交互关系元组，并利用交互关系元组确定出目标客户端的亲密交流关系客户端；

特征标签确定模块104，用于结合交互关系元组和亲密交流关系客户端，确定目标客户端的特征标签；

资源分配模块105，用于从虚拟社区中确定出与特征标签对应的目标资源，并将目标资源分配给目标客户端。

应用本发明实施例所提供的装置，利用虚拟社区的网络类型资源，建立DIKW图谱；DIKW图谱中包括数据图谱、信息图谱和知识图谱；对DIKW图谱中的数据、信息和知识进行相互转换，并利用转换结果更新DIKW图谱，直到DIKW图谱达到动态平衡；从DIKW图谱中提取目标客户端的交互关系元组，并利用交互关系元组确定出目标客户端的亲密交流关系客户端；结合交互关系元组和亲密交流关系客户端，确定目标客户端的特征标签；从虚拟社区中确定出与特征标签对应的目标资源，并将目标资源分配给目标客户端。

首先，利用虚拟社区的网络类型资源建立DIKW图谱，由于该DIKW图像包括数据图谱、信息图谱和知识图谱，因此可以跨数据、信息和知识进行分析，即对DIKW图像中的数据、信息和知识进行相互转换，对DIKW图谱进行补充，最终得到一个动态平衡的DIKW图谱。然后，从DIKW图谱中提取出目标客户端的交互关系元组，基于交互关系元组确定出目标客户端的亲密交流关系客户端。结合交互关系元组和亲密交流关系客户端，确定目标客户端的特征标签。最后基于该特征标签将目标资源分配给目标客户端。可见，在本装置中，能够实现个性化分配资源，可使得各个客户端得到的资源更加切换其实际需求，或为客户端分配具有引导作用的资源，进一步满足用户的个性化需求。

在本发明的一种具体实施方式中，资源分配模块105，具体用于按照标签与UGC的对应关系，从虚拟社区中确定出利于产生UGC的目标资源。

在本发明的一种具体实施方式中，网络类型资源获取模块，用于执行获取网络类型资源的过程，包括：获取虚拟社区中，客户端对应的基本属性和行为记录；对基本属性和行为记录进行类型化处理，得到网络类型资源。

在本发明的一种具体实施方式中，特征标签确定模块104，具体用于结合交互关系元组和亲密交流关系客户端，计算目标客户端的特征指数；利用特征指数确定特征标签；特征标签为独立自我型或互依自我型。

在本发明的一种具体实施方式中，资源分配模块105，具体用于若特征标签为独立自我型，则将能力需求对应的资源确定为目标资源；若特征标签为互依自我型，则将关系需求对应的资源确定为目标资源。

在本发明的一种具体实施方式中，还包括：

反馈模块，用于在将目标资源分配给目标客户端之后，接收目标客户端的反馈信息；利用反馈信息对DIKW图谱进行修正，并在修正完成后触发图谱分析模块103。

在本发明的一种具体实施方式中，图谱优化模块102，具体用于将数据转换为新数据、新信息或新知识中的至少一种；将信息转换为新数据、新信息或新知识中的至少一种；将知识转换为新数据、新信息或新知识中的至少一种。

相应于上面的方法实施例，本发明实施例还提供了一种面向本质计算的跨DIKW图谱的虚拟社区资源处理设备，下文描述的一种面向本质计算的跨DIKW图谱的虚拟社区资源处理设备与上文描述的一种面向本质计算的跨DIKW图谱的虚拟社区资源处理方法可相互对应参照。

参见图6所示，该面向本质计算的跨DIKW图谱的虚拟社区资源处理设备包括：

存储器332，用于存储计算机程序；

处理器322，用于执行计算机程序时实现上述方法实施例的面向本质计算的跨DIKW图谱的虚拟社区资源处理方法的步骤。

具体的，请参考图7，图7为本实施例提供的一种面向本质计算的跨DIKW图谱的虚拟社区资源处理设备的具体结构示意图，该面向本质计算的跨DIKW图谱的虚拟社区资源处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)322(例如，一个或一个以上处理器)和存储器332，存储器332存储有一个或一个以上的计算机应用程序342或数据344。其中，存储器332可以是短暂存储或持久存储。存储在存储器332的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储器332通信，在面向本质计算的跨DIKW图谱的虚拟社区资源处理设备301上执行存储器332中的一系列指令操作。

面向本质计算的跨DIKW图谱的虚拟社区资源处理设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341。

上文所描述的面向本质计算的跨DIKW图谱的虚拟社区资源处理方法中的步骤可以由面向本质计算的跨DIKW图谱的虚拟社区资源处理设备的结构实现。

相应于上面的方法实施例，本发明实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种面向本质计算的跨DIKW图谱的虚拟社区资源处理方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的面向本质计算的跨DIKW图谱的虚拟社区资源处理方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

本领域技术人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

Claims

1.一种面向本质计算的跨DIKW图谱的虚拟社区资源处理方法，其特征在于，包括：

从所述虚拟社区中确定出与所述特征标签对应的目标资源，并将所述目标资源分配给所述目标客户端；

其中，获取所述网络类型资源的过程，包括：

获取所述虚拟社区中，客户端对应的基本属性和行为记录；

对所述基本属性和所述行为记录进行类型化处理，得到所述网络类型资源；

其中，结合所述交互关系元组和所述亲密交流关系客户端，确定所述目标客户端的特征标签，包括：

2.根据权利要求1所述的面向本质计算的跨DIKW图谱的虚拟社区资源处理方法，其特征在于，从所述虚拟社区中确定出与所述特征标签对应的目标资源，包括：

3.根据权利要求1所述的面向本质计算的跨DIKW图谱的虚拟社区资源处理方法，其特征在于，从所述虚拟社区中确定出与所述特征标签对应的目标资源，包括：

4.根据权利要求1所述的面向本质计算的跨DIKW图谱的虚拟社区资源处理方法，其特征在于，在将所述目标资源分配给所述目标客户端之后，还包括：

接收所述目标客户端的反馈信息；

5.根据权利要求1所述的面向本质计算的跨DIKW图谱的虚拟社区资源处理方法，其特征在于，对所述DIKW图谱中的数据、信息和知识进行相互转换，包括：

将所述数据转换为新数据、新信息或新知识中的至少一种；

将所述信息转换为新数据、新信息或新知识中的至少一种；

将所述知识转换为新数据、新信息或新知识中的至少一种。

6.一种面向本质计算的跨DIKW图谱的虚拟社区资源处理装置，其特征在于，包括：

资源分配模块，用于从所述虚拟社区中确定出与所述特征标签对应的目标资源，并将所述目标资源分配给所述目标客户端；

网络类型资源获取模块，用于执行获取所述网络类型资源的过程，包括：获取所述虚拟社区中，客户端对应的基本属性和行为记录；对所述基本属性和所述行为记录进行类型化处理，得到所述网络类型资源；

其中，所述特征标签确定模块，具体用于结合所述交互关系元组和所述亲密交流关系客户端，计算所述目标客户端的特征指数；利用所述特征指数确定所述特征标签；所述特征标签为独立自我型或互依自我型。

7.一种面向本质计算的跨DIKW图谱的虚拟社区资源处理设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述面向本质计算的跨DIKW图谱的虚拟社区资源处理方法的步骤。

8.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述面向本质计算的跨DIKW图谱的虚拟社区资源处理方法的步骤。