許 睿，李艷翠，訾乾龍，李宗儒，張平川

(河南科技學(xué)院 信息工程學(xué)院，河南 新鄉(xiāng) 453003)

0 引 言

“意見(jiàn)領(lǐng)袖”這一概念最早出現(xiàn)于1940年，由拉扎斯菲爾德和貝雷爾森在著名的“伊里調(diào)查”中提出，他們發(fā)現(xiàn)觀念常常是從大眾觀點(diǎn)流向意見(jiàn)領(lǐng)袖，然后通過(guò)意見(jiàn)領(lǐng)袖發(fā)聲傳遞給不太活躍的人群，意見(jiàn)領(lǐng)袖在社會(huì)網(wǎng)絡(luò)中是活躍分子，處于核心地位[1]。在網(wǎng)絡(luò)教學(xué)平臺(tái)的支撐和支持下，虛擬學(xué)習(xí)社區(qū)蓬勃發(fā)展，已經(jīng)成為教育信息傳播和共享的重要途徑，為教師、學(xué)習(xí)者、管理者等提供了多種學(xué)習(xí)途徑，這些用戶(hù)可以自由、開(kāi)放地發(fā)表觀點(diǎn)、討論、分享等，這一系列的互動(dòng)方式最終形成了一個(gè)完整的社會(huì)網(wǎng)絡(luò)[2]。剖析虛擬學(xué)習(xí)社區(qū)成員的日常行為可以發(fā)現(xiàn)，各類(lèi)用戶(hù)主要通過(guò)個(gè)人學(xué)習(xí)、分享學(xué)習(xí)、交流學(xué)習(xí)、指導(dǎo)學(xué)習(xí)等方式獲取知識(shí)，其中意見(jiàn)領(lǐng)袖經(jīng)?？梢酝ㄟ^(guò)直接或者間接的社會(huì)關(guān)系，對(duì)其他用戶(hù)的學(xué)習(xí)行為和學(xué)習(xí)習(xí)慣造成影響，促進(jìn)在線知識(shí)的傳播，提升傳播的速度、廣度以及范圍[3]。對(duì)于虛擬學(xué)習(xí)社區(qū)的研究，主要從兩個(gè)方面進(jìn)行分析。第一，以社區(qū)成員的行為特征為依據(jù)，通過(guò)聚類(lèi)算法分析成員的活躍程度、響應(yīng)值、瀏覽量等得到社區(qū)的意見(jiàn)領(lǐng)袖群[4]；第二，從復(fù)雜網(wǎng)絡(luò)的角度進(jìn)行分析，衡量成員的中心性、特征屬性等識(shí)別出意見(jiàn)領(lǐng)袖[5]。文中將結(jié)合以上兩種思路，從社區(qū)拓?fù)浣Y(jié)構(gòu)和社會(huì)網(wǎng)絡(luò)角色兩方面提取特征，進(jìn)行虛擬學(xué)習(xí)社區(qū)的意見(jiàn)領(lǐng)袖識(shí)別。

1 虛擬學(xué)習(xí)社區(qū)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

1.1 構(gòu)建虛擬學(xué)習(xí)社區(qū)網(wǎng)絡(luò)

在虛擬學(xué)習(xí)社區(qū)中，用戶(hù)的社交行為主要有發(fā)帖、評(píng)論、轉(zhuǎn)發(fā)、關(guān)注等，其中最直接的相互作用方式為“關(guān)注|被關(guān)注”[6]。依據(jù)用戶(hù)間的關(guān)注關(guān)系構(gòu)建用戶(hù)關(guān)系網(wǎng)絡(luò)G(V,E)，其中V為網(wǎng)絡(luò)中節(jié)點(diǎn)的集合，v∈V表示虛擬學(xué)習(xí)社區(qū)中某一個(gè)用戶(hù)；E為有向邊集合，邊∈E表示該用戶(hù)a對(duì)用戶(hù)b存在關(guān)注行為，也可用“a→b”表示由用戶(hù)a指向被關(guān)注用戶(hù)b。虛擬學(xué)習(xí)社區(qū)用戶(hù)關(guān)系網(wǎng)絡(luò)是典型的有向網(wǎng)絡(luò)。

1.2 用戶(hù)關(guān)系網(wǎng)絡(luò)的中心性分析

由于社會(huì)網(wǎng)絡(luò)是復(fù)雜網(wǎng)絡(luò)中一個(gè)重要分支，因此社會(huì)網(wǎng)絡(luò)也具有復(fù)雜網(wǎng)絡(luò)的兩個(gè)重要特性，分別是小世界特性[7]和無(wú)尺度特性[8]。其中無(wú)尺度特性在社會(huì)網(wǎng)絡(luò)中普遍適用，具有成長(zhǎng)性和優(yōu)先連接的特征，主要表現(xiàn)在社會(huì)網(wǎng)絡(luò)中新增節(jié)點(diǎn)趨向于與高連接的節(jié)點(diǎn)相連接，高連接的節(jié)點(diǎn)數(shù)量少，但是和網(wǎng)絡(luò)中大多數(shù)節(jié)點(diǎn)相聯(lián)系，這些節(jié)點(diǎn)被稱(chēng)為節(jié)點(diǎn)中樞或集散節(jié)點(diǎn)[9]。在社會(huì)網(wǎng)絡(luò)中，進(jìn)行節(jié)點(diǎn)的中心性度量，有助于識(shí)別網(wǎng)絡(luò)中的意見(jiàn)領(lǐng)袖，對(duì)于探索意見(jiàn)領(lǐng)袖的網(wǎng)絡(luò)位置和分析信息流傳播規(guī)律有重要的意義。常見(jiàn)的節(jié)點(diǎn)中心性度量方法包括：度中心性(degree centrality，DC)、介數(shù)中心性(betweenness centrality，BC)和特征向量中心性(eigenvector centrality，EC)。

(1)度中心性。

度中心性主要統(tǒng)計(jì)與該節(jié)點(diǎn)直接相鄰的其他節(jié)點(diǎn)的數(shù)目[10]。

(1)

其中，Cij表示社會(huì)網(wǎng)絡(luò)中節(jié)點(diǎn)j到節(jié)點(diǎn)i的權(quán)重值，可用轉(zhuǎn)發(fā)量、回帖量、評(píng)論量等進(jìn)行衡量。節(jié)點(diǎn)的度最容易獲取，當(dāng)某節(jié)點(diǎn)的度值越大，表明該節(jié)點(diǎn)參與的社交行為越多。在有向社會(huì)網(wǎng)絡(luò)中，節(jié)點(diǎn)的度可分為入度和出度，分別反映該節(jié)點(diǎn)被關(guān)注、關(guān)注其他用戶(hù)的數(shù)量。

(2)介數(shù)中心性。

衡量介數(shù)中心性的分式中，分子表示社會(huì)網(wǎng)絡(luò)中通過(guò)某個(gè)節(jié)點(diǎn)v的最短路徑的數(shù)量，分母表示網(wǎng)絡(luò)中所有最短路徑數(shù)[11]。

(2)

用戶(hù)節(jié)點(diǎn)的介數(shù)中心性反映了該用戶(hù)在社會(huì)網(wǎng)絡(luò)中是否處在樞紐位置，介數(shù)值越大，則表明有越多的最短路徑通過(guò)該用戶(hù)進(jìn)行連接。介數(shù)值大的用戶(hù)對(duì)于網(wǎng)絡(luò)信息的傳播有重要的意義，這類(lèi)用戶(hù)一旦被刪除，將會(huì)導(dǎo)致網(wǎng)絡(luò)直徑增大，信息傳播通路中斷。

(3)特征向量中心性。

特征向量中心性是從社會(huì)網(wǎng)絡(luò)整體的角度發(fā)掘具有全局性的核心用戶(hù)節(jié)點(diǎn)[12]。

EC(u)=αmax(u)

(3)

有研究表明社會(huì)網(wǎng)絡(luò)中核心節(jié)點(diǎn)的鄰居節(jié)點(diǎn)比邊界節(jié)點(diǎn)的重要性更高。特征向量中心性就是通過(guò)統(tǒng)計(jì)該用戶(hù)的鄰居的重要程度，反襯出該用戶(hù)在社會(huì)網(wǎng)絡(luò)中的中心程度。

文中選取入度、出度、介數(shù)、特征向量中心性作為評(píng)價(jià)用戶(hù)節(jié)點(diǎn)中心性的四個(gè)特征參數(shù)，用于衡量虛擬學(xué)習(xí)社區(qū)用戶(hù)的重要性程度。

2 基于K-means算法的意見(jiàn)領(lǐng)袖識(shí)別模型

2.1 意見(jiàn)領(lǐng)袖的社會(huì)網(wǎng)絡(luò)角色分析

在社會(huì)網(wǎng)絡(luò)中，眾多用戶(hù)之間存在著規(guī)則性的聯(lián)系，在拓?fù)浣Y(jié)構(gòu)上也具有相似性，依據(jù)用戶(hù)所處的社會(huì)網(wǎng)絡(luò)位置，可以對(duì)用戶(hù)的社會(huì)網(wǎng)絡(luò)角色進(jìn)行劃分，主要包括：中心者、橋梁、邊緣者[13]。

中心者處于社會(huì)網(wǎng)絡(luò)的核心位置，擁有更多的社會(huì)資源，聯(lián)系并影響著眾多其他用戶(hù)；中心者社會(huì)活躍度高，往往是社區(qū)輿論的發(fā)起者；中心者擁有較高的社會(huì)聲望，有能力對(duì)網(wǎng)絡(luò)信息的傳播和網(wǎng)絡(luò)環(huán)境的改變產(chǎn)生影響。

橋梁處于結(jié)構(gòu)洞位置，用于連接社會(huì)網(wǎng)絡(luò)中兩個(gè)毫無(wú)關(guān)系的用戶(hù)或者用戶(hù)群，起到中間人的角色，控制信息的傳遞，容易識(shí)別并獲取不同渠道或群體的信息資源，比其他位置上的用戶(hù)更具有競(jìng)爭(zhēng)力。這一類(lèi)用戶(hù)往往具有特殊的身份，如新聞評(píng)論員、微博大V、論壇管理員、聊天群群主等，對(duì)于輿論傳播和發(fā)展，有管理、識(shí)別、控制、引導(dǎo)等作用。

邊緣者處于社會(huì)網(wǎng)絡(luò)的邊界位置，與其他用戶(hù)較少聯(lián)系。他們參與的網(wǎng)絡(luò)活動(dòng)主要包括瀏覽信息、回復(fù)評(píng)論、關(guān)注用戶(hù)等，對(duì)于社會(huì)網(wǎng)絡(luò)信息的識(shí)別、傳播、控制的能力有限，社會(huì)影響力小。

綜上所述，對(duì)于意見(jiàn)領(lǐng)袖的識(shí)別需要重點(diǎn)研究社會(huì)網(wǎng)絡(luò)中的中心者、橋梁這類(lèi)用戶(hù)。

2.2 社區(qū)用戶(hù)特征向量分析

依照虛擬學(xué)習(xí)社區(qū)用戶(hù)關(guān)系網(wǎng)絡(luò)的拓?fù)涮匦砸约吧鐣?huì)網(wǎng)絡(luò)中意見(jiàn)領(lǐng)袖的角色特性，文中選取以下7個(gè)特征值作為篩選意見(jiàn)領(lǐng)袖的重要條件，并構(gòu)建出用戶(hù)特征向量Ui={v1,v2,v3,v4,v5,v6,v7}。

入度v1：表示其他用戶(hù)對(duì)于該用戶(hù)的關(guān)注數(shù)量，入度值的高低反映該用戶(hù)與其他用戶(hù)的交互情況，通常用來(lái)描述該用戶(hù)間交互的主動(dòng)性與積極性。

出度v2：表示該用戶(hù)關(guān)注其他用戶(hù)的數(shù)量，當(dāng)一個(gè)用戶(hù)關(guān)注的人越多，獲取信息的能力就越強(qiáng)，對(duì)整個(gè)網(wǎng)絡(luò)的信息傳播有著重要意義。

介數(shù)v3：介數(shù)常用來(lái)衡量網(wǎng)絡(luò)中某節(jié)點(diǎn)控制其他節(jié)點(diǎn)間交流的能力，通過(guò)比較其他節(jié)點(diǎn)的交流要通過(guò)該節(jié)點(diǎn)的次數(shù)來(lái)進(jìn)行計(jì)算，可以有效地判別網(wǎng)絡(luò)中節(jié)點(diǎn)的全局重要性。

特征向量中心性v4：特征向量中心性就是通過(guò)統(tǒng)計(jì)該用戶(hù)的鄰居用戶(hù)的重要程度，反襯出該用戶(hù)在社會(huì)網(wǎng)絡(luò)中的中心程度。

用戶(hù)活躍度v5：用戶(hù)活躍度用來(lái)統(tǒng)計(jì)用戶(hù)發(fā)帖的數(shù)量。用戶(hù)活躍度越高，反映該用戶(hù)的社會(huì)行為比較頻繁，在對(duì)信息產(chǎn)生和傳播的數(shù)量上有一定的比重，在篩選意見(jiàn)領(lǐng)袖時(shí)用戶(hù)活躍度是一個(gè)關(guān)鍵的因素。

用戶(hù)帖子轉(zhuǎn)發(fā)量v6：用戶(hù)帖子的轉(zhuǎn)發(fā)量可以直觀地反映信息的傳播情況。轉(zhuǎn)發(fā)量越大，說(shuō)明該消息傳播范圍越廣，發(fā)起者的意見(jiàn)可以直接或間接地影響讀貼人對(duì)某一事件的看法，從而引發(fā)輿情的轉(zhuǎn)變。

用戶(hù)帖子評(píng)論量v7：評(píng)論量的高低體現(xiàn)出話題的熱度。帖子評(píng)論量越高，說(shuō)明該話題被其他用戶(hù)關(guān)注的越多，帖子本身質(zhì)量高并且更具有吸引力。

2.3 基于K-means的用戶(hù)聚類(lèi)算法

聚類(lèi)是一種無(wú)監(jiān)督的學(xué)習(xí)方式，包括劃分法、層次法、模糊聚類(lèi)法等，通過(guò)設(shè)定判斷標(biāo)準(zhǔn)，把原數(shù)據(jù)集分割為多個(gè)單獨(dú)存在的簇，同一簇中數(shù)據(jù)相似性大，不同簇中數(shù)據(jù)差異性大[14]。文中采用的K-means算法是最著名的聚類(lèi)算法之一，具有高效、復(fù)雜度低的特點(diǎn)。算法描述如下：

輸入：樣本集D={x1,x2,…,xm}，聚類(lèi)的簇值k，最大迭代次數(shù)N

構(gòu)建初始簇集C={C1,C2,…,Ck}，隨機(jī)選取k個(gè)樣本點(diǎn)作為初始中心點(diǎn)Q={q1,q2,…,qk}；

repeat

計(jì)算樣本集D到中心點(diǎn)集Q的距離，劃分到各個(gè)簇中Ci(i∈[1,k])；

重新計(jì)算各簇的中心點(diǎn)；

until簇集C'無(wú)變化|迭代次數(shù)≥N

輸出：簇集C'={C1,C2,…,Ck}

2.4 虛擬學(xué)習(xí)社區(qū)意見(jiàn)領(lǐng)袖識(shí)別

虛擬學(xué)習(xí)社區(qū)是教育信息化可持續(xù)發(fā)展的新途徑。在社區(qū)中，意見(jiàn)領(lǐng)袖處于重要的社會(huì)網(wǎng)絡(luò)位置，充當(dāng)關(guān)鍵的社會(huì)網(wǎng)絡(luò)角色，掌握了大量的強(qiáng)聯(lián)結(jié)關(guān)系以及重要的弱聯(lián)結(jié)關(guān)系，對(duì)于建立穩(wěn)定的信息交流秩序和提高學(xué)習(xí)信息的傳播有重要的作用[15]。

依據(jù)意見(jiàn)領(lǐng)袖的拓?fù)涮匦砸约敖巧匦?，文中設(shè)定意見(jiàn)領(lǐng)袖的篩選條件為：①簇成員數(shù)較小；②簇成員的特征向量Ui={v1,v2,v3,v4,v5,v6,v7}的均值較大[16]；③簇成員具有特殊的社會(huì)網(wǎng)絡(luò)角色。

意見(jiàn)領(lǐng)袖識(shí)別過(guò)程如下：首先利用K-means算法獲取聚類(lèi)結(jié)果，簇集C'={C1,C2,…,Ck}；然后選取成員數(shù)較小的簇作為備選意見(jiàn)領(lǐng)袖集合，再分別計(jì)算各備選集合中特征值{v1,v2,v3,v4,v5,v6,v7}的均值，并降序排列；最后分析均值最大的簇中各成員的社會(huì)網(wǎng)絡(luò)角色，最終得到意見(jiàn)領(lǐng)袖集合。具體過(guò)程如圖1所示。

圖1 基于K-means算法的意見(jiàn)領(lǐng)袖識(shí)別模型

3 虛擬學(xué)習(xí)社區(qū)中意見(jiàn)領(lǐng)袖識(shí)別實(shí)證研究

3.1 實(shí)驗(yàn)數(shù)據(jù)

文中選取國(guó)內(nèi)某虛擬社區(qū)的用戶(hù)數(shù)據(jù)作為研究對(duì)象，該社區(qū)數(shù)據(jù)具有用戶(hù)多、特征量多、關(guān)系復(fù)雜等特點(diǎn)。采用Python語(yǔ)言編寫(xiě)爬蟲(chóng)工具，利用Scrapy突破反爬蟲(chóng)機(jī)制，有效地提升爬取速度，對(duì)于該社區(qū)2018年6月1日至2018年12月31日的數(shù)據(jù)進(jìn)行抓取，共爬取了49 996條關(guān)系信息，通過(guò)篩選得到40 231條用戶(hù)信息。文中分別計(jì)算每個(gè)社區(qū)用戶(hù)的特征值，構(gòu)建用戶(hù)的特征向量，并將這些用戶(hù)的特征向量作為K-means算法的測(cè)試數(shù)據(jù)。典型的社區(qū)用戶(hù)特征向量數(shù)據(jù)如表1所示。

表1 典型的社區(qū)用戶(hù)特征向量

3.2 實(shí)驗(yàn)結(jié)果驗(yàn)證及分析

文中采用K-means算法進(jìn)行聚類(lèi)分析，將用戶(hù)特征向量Ui中的7個(gè)特征值作為原始輸入數(shù)據(jù)。首先，選取DBI指數(shù)(Davies-Bouldin指數(shù))作為評(píng)價(jià)聚類(lèi)優(yōu)劣的指標(biāo)，進(jìn)行聚類(lèi)中心數(shù)的選取[14]。當(dāng)DBI指數(shù)越小，所得到的聚類(lèi)結(jié)果越好。如圖2所示，當(dāng)k=6時(shí)，DBI值最小，選取6作為聚類(lèi)中心數(shù)。

圖2 K-means算法聚類(lèi)中心數(shù)選取

運(yùn)行K-means算法程序，對(duì)輸入的用戶(hù)特征向量反復(fù)訓(xùn)練和測(cè)試后，原始輸入數(shù)據(jù)被聚類(lèi)為6個(gè)不同的子類(lèi)，如表2所示。

表2 社區(qū)用戶(hù)聚類(lèi)情況

分析社區(qū)用戶(hù)聚類(lèi)結(jié)果，可見(jiàn)子類(lèi)C4、C0中成員的個(gè)數(shù)較少，占整個(gè)社區(qū)用戶(hù)的比例分別為0.02%、0.07%，符合篩選條件的第一條，這兩個(gè)子類(lèi)中必有一個(gè)子類(lèi)能最大程度滿(mǎn)足意見(jiàn)領(lǐng)袖的特征需求。為了進(jìn)一步篩選出最適合的意見(jiàn)領(lǐng)袖集合，對(duì)于6個(gè)子類(lèi)中的成員，分別統(tǒng)計(jì)出特征值{入度v1，出度v2，介數(shù)v3，特征向量中心性v4}的均值，如表3所示。

表3 子類(lèi)特征值{v1,v2,v3,v4}的均值

表3中，子類(lèi)C4的特征值均值比其他子類(lèi)更具有優(yōu)勢(shì)，其入度、出度的均值最高，說(shuō)明C4成員與其他用戶(hù)間存在著大量的直接關(guān)注關(guān)系，其發(fā)表的言論會(huì)被其他用戶(hù)直接接收，容易產(chǎn)生強(qiáng)大的影響力；介數(shù)均值遠(yuǎn)高于其他用戶(hù)，說(shuō)明C4成員是信息交流過(guò)程中的重要通路，控制著信息的流動(dòng)；特征向量中心性高，說(shuō)明C4成員在社會(huì)網(wǎng)絡(luò)全局角度也具有很強(qiáng)的重要性。綜上所述，子類(lèi)C4中的社區(qū)用戶(hù)比其他用戶(hù)更具有意見(jiàn)領(lǐng)袖的特征。

經(jīng)過(guò)調(diào)查分析，子類(lèi)C4中7位用戶(hù)的社會(huì)網(wǎng)絡(luò)角色均為中心者或者橋梁(如表4)，其中1、2、3、4、7號(hào)用戶(hù)是該社區(qū)的資深會(huì)員，5、6號(hào)用戶(hù)擔(dān)任過(guò)版主，符合篩選條件的第三條。經(jīng)過(guò)以上分析，說(shuō)明子類(lèi)C4是該社區(qū)的意見(jiàn)領(lǐng)袖集合，其中7位成員均為意見(jiàn)領(lǐng)袖。

表4 子類(lèi)C4中用戶(hù)的社會(huì)網(wǎng)絡(luò)角色

3.3 虛擬學(xué)習(xí)社區(qū)中意見(jiàn)領(lǐng)袖的作用

通過(guò)驗(yàn)證分析，發(fā)現(xiàn)社會(huì)網(wǎng)絡(luò)中意見(jiàn)領(lǐng)袖多處于中心者或橋梁位置，占據(jù)著社會(huì)網(wǎng)絡(luò)的優(yōu)勢(shì)位置。意見(jiàn)領(lǐng)袖通常具備豐富的學(xué)識(shí)、廣闊的視野、先進(jìn)的教育理念和專(zhuān)業(yè)的分析能力等，掌握更多的教育資本，可以將擁有的教學(xué)信息分享給其他用戶(hù)，提供更多的課程資料，擴(kuò)充社區(qū)的學(xué)習(xí)資源。通過(guò)意見(jiàn)領(lǐng)袖專(zhuān)業(yè)的信息加工和解釋?zhuān)梢杂行У亟档陀脩?hù)的理解難度，開(kāi)拓視野，促進(jìn)用戶(hù)的專(zhuān)業(yè)發(fā)展。意見(jiàn)領(lǐng)袖并不是以獨(dú)立個(gè)體的形式存在，他們是具有相似的社會(huì)網(wǎng)絡(luò)拓?fù)涮卣骱徒巧卣鞯挠脩?hù)集合。在虛擬學(xué)習(xí)社區(qū)的可持續(xù)發(fā)展中，應(yīng)該充分利用意見(jiàn)領(lǐng)袖集合對(duì)整個(gè)社區(qū)的影響力，協(xié)調(diào)社區(qū)中的各種資源，發(fā)揮其輿論引導(dǎo)能力，有效地控制社區(qū)中信息流動(dòng)，營(yíng)造良好的學(xué)習(xí)氛圍，促進(jìn)社區(qū)的自我組織和良性成長(zhǎng)。

4 結(jié)束語(yǔ)

從社會(huì)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)角度，提取入度、出度、介數(shù)、特征向量中心性等特征參數(shù)，結(jié)合社會(huì)網(wǎng)絡(luò)角色特性，得到社區(qū)用戶(hù)特征向量，作為識(shí)別意見(jiàn)領(lǐng)袖的重要標(biāo)準(zhǔn)之一，通過(guò)K-means聚類(lèi)算法并結(jié)合意見(jiàn)領(lǐng)袖的篩選條件，提出基于K-means算法的意見(jiàn)領(lǐng)袖識(shí)別模型。通過(guò)實(shí)例驗(yàn)證，獲取的意見(jiàn)領(lǐng)袖集合具有很高的準(zhǔn)確性，集合中各成員的社會(huì)網(wǎng)絡(luò)位置和角色均符合意見(jiàn)領(lǐng)袖的特點(diǎn)。意見(jiàn)領(lǐng)袖群體注重各個(gè)領(lǐng)域間的融合，促使學(xué)習(xí)資源由單一的實(shí)用性轉(zhuǎn)向多元化發(fā)展；引導(dǎo)用戶(hù)利用閑暇時(shí)間學(xué)習(xí)，滿(mǎn)足用戶(hù)的日常學(xué)習(xí)需求；打破師生間時(shí)空分離的學(xué)與教，注重用戶(hù)學(xué)習(xí)間的協(xié)作與共享。意見(jiàn)領(lǐng)袖以特殊的社會(huì)網(wǎng)絡(luò)角色，促進(jìn)大數(shù)據(jù)、人工智能等新技術(shù)與在線學(xué)習(xí)有效結(jié)合，推動(dòng)虛擬學(xué)習(xí)社區(qū)的可持續(xù)發(fā)展。