本發(fā)明涉及移動泛在學(xué)習(xí)系統(tǒng)應(yīng)用領(lǐng)域，具體為一種基于信任度因子的用戶虛擬社區(qū)構(gòu)建裝置及方法。

背景技術(shù)：

隨著信息技術(shù)的不斷發(fā)展、4G網(wǎng)絡(luò)通訊技的廣泛應(yīng)用，人類社會已從電腦的互聯(lián)網(wǎng)時期跨入了移動互網(wǎng)的時代，智能移動終端不僅為人們提供了上網(wǎng)的便利，也為遠程高等教育的發(fā)展提供了更為便捷的途徑，讓更多的人可以利用碎片化的時間進行隨時隨地的開放式泛在學(xué)習(xí)。然而，移動泛在學(xué)習(xí)系統(tǒng)存在用戶孤獨感強烈，用戶間缺乏交流；用戶間信任度不高，缺乏可靠溝通渠道；系統(tǒng)內(nèi)課程信息過載、學(xué)員學(xué)習(xí)迷航，缺乏有效的引導(dǎo)等問題，進而導(dǎo)致大量水平不一的學(xué)員學(xué)習(xí)興趣、學(xué)習(xí)質(zhì)量以及學(xué)習(xí)效率的下降，如何對學(xué)員建立通暢、可靠的交流渠道以及引導(dǎo)高效的互助學(xué)習(xí)成了移動泛在學(xué)習(xí)系統(tǒng)中亟待解決的問題。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的不足，本發(fā)明的目的在于提供一種基于信任度因子的用戶虛擬社區(qū)構(gòu)建裝置及方法，通過構(gòu)建可靠的用戶虛擬社區(qū)加強相互交流、互助學(xué)習(xí)，用以解決上述背景技術(shù)中提出的問題。

為實現(xiàn)上述目的，本發(fā)明提供了如下技術(shù)方案：一種基于信任度因子的用戶虛擬社區(qū)構(gòu)建裝置，包括：

數(shù)據(jù)采集模塊，用于采集數(shù)據(jù)，其與外部移動終端耦接并通信，采集外部移動終端的用戶基本信息、課程基本信息、用戶交互行為信息和移動感知數(shù)據(jù)，采集完成以后將上述信息編譯成用戶數(shù)據(jù)包信號輸出；

數(shù)據(jù)處理模塊，用于對數(shù)據(jù)進行處理，其與數(shù)據(jù)采集模塊耦接，以接收并解析用戶數(shù)據(jù)包信號，獲得用戶基本信息、課程基本信息、用戶交互行為信息和移動感知數(shù)據(jù)，并對上述信息進行處理后進行量化存儲，獲得處理后的數(shù)據(jù)；

信任度分析模塊，用于計算信任度因子和構(gòu)建信任度模型，其耦接于數(shù)據(jù)處理模塊，以與數(shù)據(jù)處理模塊通信，調(diào)用處理后的數(shù)據(jù)，并根據(jù)數(shù)據(jù)計算信任度因子，根據(jù)信任度因子構(gòu)建信任度模型，該信任度分析模塊還耦接于數(shù)據(jù)采集模塊以接收數(shù)據(jù)采集模塊發(fā)出的用戶數(shù)據(jù)包；

用戶虛擬社區(qū)管理模塊，用于構(gòu)建和管理虛擬社區(qū)，耦接于信任度分析模塊，以與信任度分析模塊通信，調(diào)用信任度因子數(shù)據(jù)和實時用戶數(shù)據(jù)包，根據(jù)信任度因子數(shù)據(jù)和實時用戶數(shù)據(jù)包構(gòu)建用戶社區(qū)。

作為本發(fā)明的進一步改進，所述數(shù)據(jù)處理模塊包括：

數(shù)據(jù)清洗部分，耦接于數(shù)據(jù)采集模塊，以接收數(shù)據(jù)采集模塊輸出的用戶數(shù)據(jù)包信號，將用戶數(shù)據(jù)包信號經(jīng)過干擾信號濾波后輸出清洗后的數(shù)據(jù)包信號；

特征提取部分，耦接于數(shù)據(jù)清洗部分，以接收數(shù)據(jù)清洗部分輸出的清洗后的數(shù)據(jù)包信號，對該數(shù)據(jù)包信號進行頻段選取，選取該頻段的信號并輸出提取數(shù)據(jù)包；

特征量化部分，耦接與特征提取部分，以接收特征提取部分輸出的提取數(shù)據(jù)包，并對提取數(shù)據(jù)包量化分析，獲得離散數(shù)據(jù)點，供信任度分析模塊分析計算信任度因子。

作為本發(fā)明的進一步改進，所述數(shù)據(jù)清洗部分和特征提取部分均為濾波器，所述特征量化部分為帶通濾波器。

作為本發(fā)明的進一步改進，所述信任度分析模塊包括感知數(shù)據(jù)分析模塊、交互數(shù)據(jù)分析模塊、信任度因子構(gòu)建模塊與信任模型創(chuàng)建模塊，所述感知數(shù)據(jù)分析模塊、交互數(shù)據(jù)分析模塊、信任度因子構(gòu)建模塊與信任模型創(chuàng)建模塊均與數(shù)據(jù)處理模塊和數(shù)據(jù)采集模塊耦接，用以分別接收數(shù)據(jù)處理模塊和數(shù)據(jù)采集模塊輸出的實時數(shù)據(jù)和處理后的數(shù)據(jù)，并通過感知數(shù)據(jù)分析模塊對實時數(shù)據(jù)和處理后的數(shù)據(jù)進行感知分析，獲取感知數(shù)據(jù)，通過交互數(shù)據(jù)分析模塊對實時數(shù)據(jù)和處理后的數(shù)據(jù)進行交互分析，獲取交互數(shù)據(jù)，通過信任度因子構(gòu)建模塊對處理后的數(shù)據(jù)進行分析計算，獲得信任度因子，通過信任模型創(chuàng)建模塊將信任度因子與實時數(shù)據(jù)和處理后的數(shù)據(jù)結(jié)合，獲得信任模型。

作為本發(fā)明的進一步改進，所述用戶虛擬社區(qū)管理模塊包括：

用戶社區(qū)構(gòu)建模塊，耦接于信任度分析模塊，調(diào)用信任度分析模塊內(nèi)的信任模型，根據(jù)信任模型計算出用戶之間的初始信任度，根據(jù)用戶之間的信任度將多個用戶移動終端連接通信，構(gòu)成用戶社區(qū)；

社區(qū)互動交流模塊，設(shè)置在用戶社區(qū)內(nèi)，與用戶社區(qū)移動終端內(nèi)各個成員通信連接，用以提供用戶社區(qū)成員之間的信息互動；

社區(qū)互助學(xué)習(xí)模塊，與社區(qū)互動交流模塊耦接，其內(nèi)存儲有學(xué)習(xí)資料，用以向社區(qū)互動交流模塊輸送學(xué)習(xí)資料；

社區(qū)動態(tài)調(diào)整模塊，耦接于信任度分析模塊，調(diào)用信任度分析模塊內(nèi)的信任模型，根據(jù)信任模型計算出用戶之間的實時信任度，并根據(jù)實時信任度調(diào)整用戶社區(qū)內(nèi)成員數(shù)量。

作為本發(fā)明的進一步改進，所述用戶移動終端為存儲有用戶基本信息、課程基本信息、用戶交互行為信息和移動感知數(shù)據(jù)的手機。

本發(fā)明另一方面提供了一種基于信任度因子的用戶虛擬社區(qū)構(gòu)建方法，包括如下步驟：

步驟一，利用移動終端設(shè)備的特有屬性，采集新數(shù)據(jù)源，新的數(shù)據(jù)源包括用戶基本信息、課程基本信息、用戶交互行為信息和移動感知數(shù)據(jù)，完成數(shù)據(jù)采集；

步驟二，對步驟一中采集到的各類數(shù)據(jù)進行清洗、篩選和特征提取，最后進行量化存儲，完成數(shù)據(jù)處理；

步驟三，對步驟二處理后的數(shù)據(jù)中的感知數(shù)據(jù)、交互行為數(shù)據(jù)件分析，提取信任度因子，并根據(jù)信任度因子構(gòu)建相應(yīng)的信任度模型，完成信任度模型構(gòu)建；

步驟四，結(jié)合步驟三中獲得信任度因子，利用用戶之間的交互信息、資源使用與評價數(shù)據(jù)、動態(tài)的學(xué)習(xí)實況創(chuàng)建用戶虛擬社區(qū)，完成用戶虛擬社區(qū)構(gòu)建；

步驟五，根據(jù)用戶進一步的實時社區(qū)行為，對社區(qū)內(nèi)的成員進行動態(tài)調(diào)整，構(gòu)建更穩(wěn)定的學(xué)習(xí)社區(qū)，完成虛擬社區(qū)的動態(tài)調(diào)整，其中步驟五不斷循環(huán)調(diào)整。作為本發(fā)明的構(gòu)建方法的進一步改進，所述步驟三(203)中提取信任度因子的提取步驟如下：

A、將網(wǎng)絡(luò)層設(shè)置成輸入層(301)、網(wǎng)絡(luò)學(xué)習(xí)層(302)和輸出層(303)，設(shè)定網(wǎng)絡(luò)中的兩個用戶分別為用戶i和用戶j，利用輸入層(301)提取用戶i和用戶j之間的位置距離(i，j)，提取用戶i和用戶j之間的用戶間隔度(i，j)，提取用戶i和用戶j之間的通訊頻次(i，j)；

B、將提取到的位置距離(i，j)，用戶間隔度(i，j)和通訊頻次(i，j)輸入到網(wǎng)絡(luò)學(xué)習(xí)層(302)內(nèi)，通過網(wǎng)絡(luò)學(xué)習(xí)層(302)的學(xué)習(xí)和運算，計算得出信任度因子。

本發(fā)明的有益效果，通過數(shù)據(jù)采集模塊的設(shè)置，就可以有效的與用戶移動終端通信，調(diào)用出用戶移動終端內(nèi)存儲的用戶基本信息、課程基本信息、用戶交互行為信息和移動感知數(shù)據(jù)，如此就可以有效的完成數(shù)據(jù)的采集了，之后通過數(shù)據(jù)處理模塊的設(shè)置，就可以對采集到的數(shù)據(jù)進行有效的處理，在處理完成以后進行量化存儲，供其他模塊調(diào)用，然后通過信任度分析模塊的設(shè)置，就可以有效的調(diào)用量化存儲好的處理完成的數(shù)據(jù)，根據(jù)處理完成的數(shù)據(jù)計算出信任度因子，之后根據(jù)信任度因子有效的構(gòu)建信任度模型，然后通過用戶虛擬社區(qū)管理模塊，利用信任度模型計算出每個用戶的初始信任度構(gòu)建用戶社區(qū)，之后繼續(xù)利用信任度模型計算出每個用戶的實時信任度，用戶虛擬社區(qū)管理模塊就可以通過用戶的實時信任度對用戶社區(qū)內(nèi)部的社區(qū)成員進行有效的調(diào)整了，如此就可以有效的將移動終端的學(xué)習(xí)者有效的連接起來，避免了現(xiàn)有技術(shù)中移動泛學(xué)習(xí)存在的學(xué)習(xí)效率低的問題。

附圖說明

圖1為本發(fā)明的基于信任度因子的用戶虛擬社區(qū)構(gòu)建裝置的模塊框圖；

圖2為本發(fā)明的基于信任度因子的用戶虛擬社區(qū)構(gòu)建方法的流程圖；

圖3為圖2中信任度因子計算的框圖。

具體實施方式

下面將結(jié)合附圖所給出的實施例對本發(fā)明做進一步的詳述。

參照圖1至3所示，本實施例的一種基于信任度因子的用戶虛擬社區(qū)構(gòu)建裝置，包括：

數(shù)據(jù)采集模塊101，用于采集數(shù)據(jù)，其與外部移動終端耦接并通信，采集外部移動終端的用戶基本信息1011、課程基本信息1012、用戶交互行為信息1013和移動感知數(shù)據(jù)，采集完成以后將上述信息編譯成用戶數(shù)據(jù)包信號輸出；

數(shù)據(jù)處理模塊102，用于對數(shù)據(jù)進行處理，其與數(shù)據(jù)采集模塊101耦接，以接收并解析用戶數(shù)據(jù)包信號，獲得用戶基本信息1011、課程基本信息1012、用戶交互行為信息1013和移動感知數(shù)據(jù)，并對上述信息進行處理后進行量化存儲，獲得處理后的數(shù)據(jù)；

信任度分析模塊103，用于計算信任度因子和構(gòu)建信任度模型，其耦接于數(shù)據(jù)處理模塊102，以與數(shù)據(jù)處理模塊102通信，調(diào)用處理后的數(shù)據(jù)，并根據(jù)數(shù)據(jù)計算信任度因子，根據(jù)信任度因子構(gòu)建信任度模型，該信任度分析模塊103還耦接于數(shù)據(jù)采集模塊101以接收數(shù)據(jù)采集模塊發(fā)出的用戶數(shù)據(jù)包；

用戶虛擬社區(qū)管理模塊104，用于構(gòu)建和管理虛擬社區(qū)，耦接于信任度分析模塊103，以與信任度分析模塊103通信，調(diào)用信任度因子數(shù)據(jù)和用戶數(shù)據(jù)包，根據(jù)信任度因子數(shù)據(jù)和用戶數(shù)據(jù)包構(gòu)建和調(diào)整用戶社區(qū)，在構(gòu)建社區(qū)的過程中，首先通過數(shù)據(jù)采集模塊101與移動終端進行通信，采集移動終端內(nèi)的用戶基本信息1011、課程基本信息1012、用戶交互行為信息1013和移動感知數(shù)據(jù)，其中本實施例的數(shù)據(jù)采集模塊101為移動終端服務(wù)器，然后通過數(shù)據(jù)處理模塊102對采集到的數(shù)據(jù)進行處理，在處理完成以后獲得處理過后存儲的量化數(shù)據(jù)，之后通過信任度分析模塊103對量化數(shù)據(jù)進行分析計算，獲得信任度因子，構(gòu)建信任度模型，之后通過用戶虛擬社區(qū)管理模塊104的設(shè)置利用信任度模型計算用戶間的信任度，根據(jù)用戶間的信任度構(gòu)建出用戶虛擬社區(qū)，然后繼續(xù)計算用戶間的信任度，根據(jù)信任度的值調(diào)整用戶社區(qū)內(nèi)部的成員，不斷的優(yōu)化用戶社區(qū)，增加用戶的學(xué)習(xí)興趣，減少用戶的學(xué)習(xí)孤獨感，本實施例的遠程用戶社區(qū)構(gòu)建裝置通過擴充數(shù)據(jù)采集渠道、擴大數(shù)據(jù)采集范圍、數(shù)據(jù)分析、提取信任度因子、構(gòu)建信任度模型，將分散的學(xué)員進行了聚類，釋放了用戶的孤獨感，同時將具有相同特征的用戶聚焦在一起，進行相互交流和共同學(xué)習(xí)。最后，通過數(shù)據(jù)分析、數(shù)據(jù)挖掘方法，將課程實施例的各類數(shù)據(jù)發(fā)送至數(shù)據(jù)采集模塊101中的數(shù)據(jù)庫中進行保存，作為后期社區(qū)動態(tài)調(diào)整的依據(jù)，如此避免了現(xiàn)有技術(shù)中移動泛學(xué)習(xí)存在的諸多問題。

作為改進的一種具體實施方式，所述數(shù)據(jù)處理模塊102包括：

數(shù)據(jù)清洗部分1021，耦接于數(shù)據(jù)采集模塊101，以接收數(shù)據(jù)采集模塊101輸出的用戶數(shù)據(jù)包信號，將用戶數(shù)據(jù)包信號經(jīng)過干擾信號濾波后輸出清洗后的數(shù)據(jù)包信號；

特征提取部分1022，耦接于數(shù)據(jù)清洗部分1021，以接收數(shù)據(jù)清洗部分1021輸出的清洗后的數(shù)據(jù)包信號，對該數(shù)據(jù)包信號進行頻段選取，選取該頻段的信號并輸出提取數(shù)據(jù)包；

特征量化部分1023，耦接與特征提取部分1022，以接收特征提取部分1022輸出的提取數(shù)據(jù)包，并對提取數(shù)據(jù)包量化分析，獲得離散數(shù)據(jù)點，供信任度分析模塊103分析計算信任度因子，在電子數(shù)據(jù)傳輸?shù)倪^程中，信號上經(jīng)常會附上干擾信號，因而通過數(shù)據(jù)清洗部分1021的設(shè)置就可以有效的對數(shù)據(jù)進行清洗，去除信號的干擾信號，之后通過特征提取部分1022就可以有效的從大量的數(shù)據(jù)中提取有效的信息，然后特征量化部分1023將提取出的有效的信息進行量化，并且在量化完成以后存儲起來，使得的信息能夠更好的被調(diào)用計算，如此通過數(shù)據(jù)清洗部分1021、特征提取部分1022和特征量化部分1023的設(shè)置，就可以有效的完成對數(shù)據(jù)的處理。

作為改進的一種具體實施方式，所述數(shù)據(jù)清洗部分1021和特征提取部分1022均為濾波器，所述特征量化部分1022為帶通濾波器，數(shù)據(jù)清洗和特征提取均是對數(shù)據(jù)信號進行濾除的過程，因而在本實施例中采用濾波器就可以有效的完成對數(shù)據(jù)信號進行過濾的效果，實現(xiàn)了對數(shù)據(jù)的清洗、提取以及量化的效果，如此有效的完成對數(shù)據(jù)的處理。

作為改進的一種具體實施方式，所述信任度分析模塊103包括感知數(shù)據(jù)分析模塊1031、交互數(shù)據(jù)分析模塊1032、信任度因子構(gòu)建模塊1033與信任模型創(chuàng)建模塊1034，所述感知數(shù)據(jù)分析模塊1031、交互數(shù)據(jù)分析模塊1032、信任度因子構(gòu)建模塊1033與信任模型創(chuàng)建模塊1034均與數(shù)據(jù)處理模塊102和數(shù)據(jù)采集模塊101耦接，用以分別接收數(shù)據(jù)處理模塊102和數(shù)據(jù)采集模塊101輸出的實時數(shù)據(jù)和處理后的數(shù)據(jù)，并通過感知數(shù)據(jù)分析模塊1031對實時數(shù)據(jù)和處理后的數(shù)據(jù)進行感知分析，獲取感知數(shù)據(jù)，通過交互數(shù)據(jù)分析模塊1032對實時數(shù)據(jù)和處理后的數(shù)據(jù)進行交互分析，獲取交互數(shù)據(jù)，通過信任度因子構(gòu)建模塊1033對處理后的數(shù)據(jù)進行分析計算，獲得信任度因子，通過信任模型創(chuàng)建模塊1034將信任度因子與實時數(shù)據(jù)和處理后的數(shù)據(jù)結(jié)合，獲得信任模型，在信任度分析模塊103工作的過程中，感知數(shù)據(jù)分析模塊就會對處理好的數(shù)據(jù)信息進行分析處理，獲得感知數(shù)據(jù)，得知用戶的平時學(xué)習(xí)過程中的移動感知行為，利用交互數(shù)據(jù)分析模塊1032對用戶的交互行為信息進行分析，得知用戶的平常的交互行為，進而推斷出用戶的平常的偏好，然后通過信任度因子構(gòu)建模塊1033根據(jù)用戶的平常的交互行為和移動感知行為，計算出信任度因子，之后通過信任模型創(chuàng)建模塊1034根據(jù)信任度因子就可以有效的創(chuàng)建出信任模型，如此便可以實現(xiàn)用戶虛擬社區(qū)管理模塊104利用信任模型計算出每個用戶間的信任度的效果，為用戶社區(qū)的構(gòu)建提供了構(gòu)建基礎(chǔ)，其中本實施例中的感知數(shù)據(jù)分析模塊1031為頻譜感知器，感知用戶移動終端的頻譜改變過程，交互數(shù)據(jù)分析模塊1032為通信處理器，信任度因子構(gòu)建模塊1033和信任模型創(chuàng)建模塊均為采用計算機。

作為改進的一種具體實施方式，所述用戶虛擬社區(qū)管理模塊104包括：

用戶社區(qū)構(gòu)建模塊1041，耦接于信任度分析模塊103，調(diào)用信任度分析模塊103內(nèi)的信任模型，根據(jù)信任模型計算出用戶之間的初始信任度，根據(jù)用戶之間的信任度將多個用戶移動終端連接通信，構(gòu)成用戶社區(qū)；

社區(qū)互動交流模塊1042，設(shè)置在用戶社區(qū)內(nèi)，與用戶社區(qū)移動終端內(nèi)各個成員通信連接，用以提供用戶社區(qū)成員之間的信息互動；

社區(qū)互助學(xué)習(xí)模塊1043，與社區(qū)互動交流模塊1042耦接，其內(nèi)存儲有學(xué)習(xí)資料，用以向社區(qū)互動交流模塊1042輸送學(xué)習(xí)資料；

社區(qū)動態(tài)調(diào)整模塊1044，耦接于信任度分析模塊103，調(diào)用信任度分析模塊103內(nèi)的信任模型，根據(jù)信任模型計算出用戶之間的實時信任度，并根據(jù)實時信任度調(diào)整用戶社區(qū)內(nèi)成員數(shù)量，在構(gòu)建用戶社區(qū)的時候，用戶社區(qū)構(gòu)建模塊1041將感知行為類似，交互行為類似的用戶進行劃分，然后再根據(jù)信任模型計算出用戶之間的初始信任度，將初始信任度附加到用戶信息內(nèi)，然后將上述用戶按照分類聯(lián)結(jié)，如此便完成了用戶社區(qū)的構(gòu)建，在聯(lián)結(jié)的過程中是通過社區(qū)互動交流模塊1042實現(xiàn)各個用戶之間的通信的，同時利用社區(qū)互助學(xué)習(xí)模塊1043提供學(xué)習(xí)資料給社區(qū)互動交流模塊1042，為用戶學(xué)習(xí)交流過程中提供了支持，最后通過社區(qū)動態(tài)調(diào)整模塊1044不斷對用戶信任度進行重新計算，濾除信任度不高的用戶，保證了用戶社區(qū)的學(xué)習(xí)環(huán)境，其中本實施例中，用戶社區(qū)構(gòu)建模塊1041采用服務(wù)器實現(xiàn)，社區(qū)互動交流模塊1042采用通信模塊，社區(qū)互助學(xué)習(xí)模塊1043采用存儲器，社區(qū)動態(tài)調(diào)整模塊1044整合至用戶社區(qū)構(gòu)建模塊1041服務(wù)器內(nèi)。

作為改進的一種具體實施方式，所述用戶移動終端為存儲有用戶基本信息1011、課程基本信息1012、用戶交互行為信息1013和移動感知數(shù)據(jù)的手機，手機是目前人們使用最多的移動設(shè)備，因而用在這里就可以有效的采集到用戶的學(xué)習(xí)數(shù)據(jù)了，并且不需要重新設(shè)計一個移動終端發(fā)放給用戶，降低了裝置的成本。

本發(fā)明還提供了另一種實施例，一種基于信任度因子的用戶虛擬社區(qū)構(gòu)建方法，包括如下步驟：

步驟一201，利用移動終端設(shè)備的特有屬性，采集新數(shù)據(jù)源，新的數(shù)據(jù)源包括用戶基本信息1011、課程基本信息1012、用戶交互行為信息1013和移動感知數(shù)據(jù)，完成數(shù)據(jù)采集；

步驟二202，對步驟一201中采集到的各類數(shù)據(jù)進行清洗、篩選和特征提取，最后進行量化存儲，完成數(shù)據(jù)處理；

步驟三203，對步驟二202處理后的數(shù)據(jù)中的感知數(shù)據(jù)、交互行為數(shù)據(jù)件分析，提取信任度因子，并根據(jù)信任度因子構(gòu)建相應(yīng)的信任度模型，完成信任度模型構(gòu)建；

步驟四204，結(jié)合步驟三203中獲得信任度因子，利用用戶之間的交互信息、資源使用與評價數(shù)據(jù)、動態(tài)的學(xué)習(xí)實況創(chuàng)建用戶虛擬社區(qū)，完成用戶虛擬社區(qū)構(gòu)建；

步驟五205，根據(jù)用戶進一步的實時社區(qū)行為，對社區(qū)內(nèi)的成員進行動態(tài)調(diào)整，構(gòu)建更穩(wěn)定的學(xué)習(xí)社區(qū)，完成虛擬社區(qū)的動態(tài)調(diào)整，其中步驟五205不斷循環(huán)調(diào)整，通過步驟一201的設(shè)置就可以有效的完成數(shù)據(jù)的采集，通過步驟二202的設(shè)置就可以有效的完成數(shù)據(jù)的處理，通過步驟三203的設(shè)置就可以有效的計算出信任度因子和構(gòu)建出信任模型，通過步驟四204的設(shè)置就可以建立出用戶虛擬社區(qū)，然后通過步驟五205的設(shè)置，就可以有效的對用戶社區(qū)進行調(diào)整了，避免了現(xiàn)有技術(shù)中移動泛學(xué)習(xí)中出現(xiàn)的各種問題。

作為構(gòu)建方法改進的一種具體實施方式，所述步驟三203中提取信任度因子的提取步驟如下：

A、將網(wǎng)絡(luò)層設(shè)置成輸入層301、網(wǎng)絡(luò)學(xué)習(xí)層302和輸出層303，設(shè)定網(wǎng)絡(luò)中的兩個用戶分別為用戶i和用戶j，利用輸入層301提取用戶i和用戶j之間的位置距離(i，j)，提取用戶i和用戶j之間的用戶間隔度(i，j)，提取用戶i和用戶j之間的通訊頻次(i，j)；

B、將提取到的位置距離(i，j)，用戶間隔度(i，j)和通訊頻次(i，j)輸入到網(wǎng)絡(luò)學(xué)習(xí)層302內(nèi)，通過網(wǎng)絡(luò)學(xué)習(xí)層302的學(xué)習(xí)和運算，計算得出信任度因子，在計算信任度因子之前，先對位置距離(i，j)和用戶間隔度(i，j)進行反轉(zhuǎn)，將位置距離(i,j)變換為1/位置距離(i,j)，間隔度(i,j)變換為1/間隔度(i,j)，之后對輸入層301中輸入的位置距離(i，j)、用戶間隔度(i，j)和通訊頻次(i，j)上面均附加權(quán)重值，權(quán)重值之和為1，給三個權(quán)重值附加一個定值，選定一個權(quán)重值為變值，剩下兩個權(quán)重值之和為1減去變值，然后將全部的權(quán)重值與位置距離(i，j)、用戶間隔度(i，j)和通訊頻次(i，j)的值相乘后相加獲得信任度因子，之后判斷此時獲得信任度因子計算得出是否正確，若正確，則增加變值的值，其他兩個權(quán)重值之和減少，若錯誤，則減少該變值，其他兩個權(quán)重值之和增加，依照上述步驟不斷對變值進行調(diào)整，直至變值多次無變化為止，之后確定變值，選擇剩下兩個權(quán)重值中的一個值為新變值，新變值與剩下的權(quán)重值之和等于1減去確定好的變值，重復(fù)上述計算，正確時新變值增加，剩下的權(quán)重值減小，錯誤時新變值減小，剩下的權(quán)重值增加，直至新變值多次無變化為止，如此就可以有效的實現(xiàn)一個學(xué)習(xí)計算的效果，便可以有效的完成對三個位置距離(i，j)、用戶間隔度(i，j)和通訊頻次(i，j)數(shù)據(jù)的權(quán)重值的確定，保證計算出來的信任度因子更加的準(zhǔn)確無誤了，這樣就能夠有效的計算出準(zhǔn)確的信任度因子了。

綜上所述，本發(fā)明提供的一種基于信任度因子的用戶虛擬社區(qū)構(gòu)建裝置，將信任度因子、虛擬社區(qū)理論、數(shù)據(jù)挖掘方法等先進成果集成于方法的模塊中，將移動泛在學(xué)習(xí)環(huán)境下的普適化學(xué)習(xí)轉(zhuǎn)變?yōu)橐杂脩魹橹行?、基于移動新?shù)據(jù)源的交流式個性化互助學(xué)習(xí)方式，從而有效地提高學(xué)習(xí)者的學(xué)習(xí)興趣和學(xué)習(xí)效率。

以上所述僅是本發(fā)明的優(yōu)選實施方式，本發(fā)明的保護范圍并不僅局限于上述實施例，凡屬于本發(fā)明思路下的技術(shù)方案均屬于本發(fā)明的保護范圍。應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理前提下的若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明的保護范圍。