唐洪婷，李志宏，張沙清，3

（1.廣東工業(yè)大學(xué)，廣州 510520；2.華南理工大學(xué)，廣州 510641；3.惠州市廣工大物聯(lián)網(wǎng)協(xié)同創(chuàng)新研究院有限公司，惠州 516025）

1 引 言

隨著用戶(hù)參與創(chuàng)新（user-engaged innovation）在產(chǎn)品創(chuàng)新流程中占據(jù)越來(lái)越重要的作用[1]，眾多企業(yè)都設(shè)立了自己的開(kāi)放創(chuàng)新社區(qū)，以吸納用戶(hù)智慧、謀取創(chuàng)新靈感。研究表明，這種企業(yè)創(chuàng)新社區(qū)的設(shè)立對(duì)企業(yè)的產(chǎn)品創(chuàng)新、口碑傳播、品牌建設(shè)和市場(chǎng)營(yíng)銷(xiāo)等活動(dòng)均具有顯著的正向促進(jìn)作用[2]。其中，用戶(hù)作為企業(yè)創(chuàng)新社區(qū)的關(guān)鍵組成部分，是社區(qū)生存的保證和價(jià)值的體現(xiàn)。聚集在社區(qū)中的用戶(hù)既是創(chuàng)意的傳播者，更是創(chuàng)意的生成者。對(duì)社區(qū)用戶(hù)進(jìn)行合理的組織和利用，一方面，有利于提升用戶(hù)的歸屬感和參與度，保持社區(qū)活力；另一方面，也可以促進(jìn)用戶(hù)內(nèi)容生成，保證社區(qū)的創(chuàng)意輸出。

然而，企業(yè)創(chuàng)新社區(qū)中的用戶(hù)作為獨(dú)立個(gè)體參與社區(qū)知識(shí)活動(dòng)，其對(duì)產(chǎn)品的改進(jìn)需求和創(chuàng)新痛點(diǎn)的看法常常局限于某個(gè)角度，用戶(hù)之間的知識(shí)碰撞與交互合作也存在較大的隨機(jī)性。已有文獻(xiàn)在開(kāi)展用戶(hù)識(shí)別研究時(shí)，往往聚焦于獨(dú)立用戶(hù)以及其個(gè)體屬性[3]。研究表明，用戶(hù)在協(xié)作過(guò)程中的交互與討論能促進(jìn)觀(guān)點(diǎn)的碰撞，通過(guò)品鑒和吸收他人的經(jīng)驗(yàn)，可以激發(fā)用戶(hù)產(chǎn)生更具創(chuàng)意的想法[4]。因此，本文提出根據(jù)用戶(hù)的活動(dòng)軌跡對(duì)社區(qū)中的用戶(hù)進(jìn)行組群發(fā)現(xiàn)，為用戶(hù)協(xié)同提高決策參考，激發(fā)群體智慧的涌現(xiàn)。

已有文獻(xiàn)對(duì)用戶(hù)的知識(shí)特征與行為屬性進(jìn)行了一系列探索。為了最大化用戶(hù)群的協(xié)同效應(yīng)，對(duì)企業(yè)創(chuàng)新社區(qū)這一知識(shí)密集型社區(qū)而言，創(chuàng)新用戶(hù)群的發(fā)現(xiàn)研究存在以下四個(gè)問(wèn)題：其一，知識(shí)度量的局限性，即在知識(shí)度量時(shí)，常常利用知識(shí)存量等統(tǒng)計(jì)指標(biāo)來(lái)表征知識(shí)特征[5]，未對(duì)用戶(hù)的具體知識(shí)屬性進(jìn)行深入探索；其二，用戶(hù)屬性考量的局限性，即在研究中聚焦于考查用戶(hù)個(gè)體的知識(shí)屬性[6]，忽略了對(duì)用戶(hù)意愿及用戶(hù)間的協(xié)同屬性進(jìn)行考量；其三，沒(méi)有考慮用戶(hù)行為的時(shí)變特征，企業(yè)創(chuàng)新社區(qū)是基于互聯(lián)網(wǎng)的用戶(hù)交互系統(tǒng)，用戶(hù)流動(dòng)及知識(shí)更替[7]適勢(shì)發(fā)生，進(jìn)而干擾協(xié)同效果；其四，缺乏合理的用戶(hù)知識(shí)組織框架和量化工具，即面對(duì)企業(yè)創(chuàng)新社區(qū)中龐大的用戶(hù)群和海量的知識(shí)集，如何整合異質(zhì)要素并實(shí)現(xiàn)用戶(hù)屬性量化，也是課題研究中需要面臨的一大挑戰(zhàn)。

基于上述問(wèn)題，本文提出在創(chuàng)新用戶(hù)群發(fā)現(xiàn)研究中，針對(duì)具體知識(shí)創(chuàng)新需求，利用超網(wǎng)絡(luò)這一表達(dá)與分析工具，充分考察動(dòng)態(tài)情景下用戶(hù)的具體知識(shí)組成（知識(shí)質(zhì)量及創(chuàng)新潛力）與參與動(dòng)機(jī)，并兼顧用戶(hù)間的協(xié)同潛力（知識(shí)互補(bǔ)性與知識(shí)協(xié)作能力），從而發(fā)現(xiàn)企業(yè)創(chuàng)新社區(qū)中的最具知識(shí)潛能與協(xié)同潛能的創(chuàng)新用戶(hù)群。本文對(duì)超網(wǎng)絡(luò)方法、用戶(hù)識(shí)別體系和知識(shí)量化方法的完善與融合具有重要的推動(dòng)意義。同時(shí)，本文的研究成果對(duì)用戶(hù)組織、協(xié)同創(chuàng)新等社區(qū)運(yùn)營(yíng)實(shí)踐具有較好的指導(dǎo)意義。

2 相關(guān)研究介紹

2.1 企業(yè)創(chuàng)新社區(qū)

隨著互聯(lián)網(wǎng)社區(qū)的日益成熟，學(xué)者們對(duì)企業(yè)創(chuàng)新社區(qū)的相關(guān)特征的認(rèn)識(shí)已然定型，具體包括：由企業(yè)出資設(shè)立并主導(dǎo)、由產(chǎn)品用戶(hù)及潛在用戶(hù)參與、社區(qū)中的主要活動(dòng)為經(jīng)驗(yàn)分享和信息交互[8]。企業(yè)創(chuàng)新社區(qū)作為以商業(yè)創(chuàng)新為導(dǎo)向的虛擬社區(qū)，其創(chuàng)造價(jià)值的定位與能力一直都是學(xué)者們熱切關(guān)注的對(duì)象。研究表明，成功的企業(yè)創(chuàng)新社區(qū)在產(chǎn)品創(chuàng)新、口碑營(yíng)銷(xiāo)、品牌建設(shè)和市場(chǎng)營(yíng)銷(xiāo)等活動(dòng)中均具有良好的表現(xiàn)[2]。其中，輔助產(chǎn)品創(chuàng)新作為社區(qū)設(shè)立的主要目的，其表現(xiàn)尤為亮眼[9]。不少社區(qū)實(shí)踐也佐證了這一點(diǎn)，如星巴克在經(jīng)營(yíng)慘淡的瓶頸期，及時(shí)推出MyStarbucksIdea用戶(hù)交互平臺(tái)，通過(guò)“聆聽(tīng)”用戶(hù)需求，最終實(shí)現(xiàn)革新、成功破局；小米借助MIUI社區(qū)與用戶(hù)“保持通話(huà)”，利用用戶(hù)反饋持續(xù)改進(jìn)產(chǎn)品，使其保有日益龐大且活躍的用戶(hù)群。

鑒于企業(yè)創(chuàng)新社區(qū)中用戶(hù)參與創(chuàng)新表現(xiàn)出的巨大潛力，許多學(xué)者針對(duì)社區(qū)中的用戶(hù)及其知識(shí)等要素進(jìn)行了多方探索，以期獲取用戶(hù)及其生成內(nèi)容的關(guān)鍵特征，為創(chuàng)新實(shí)踐提供決策參考。例如，相關(guān)文獻(xiàn)對(duì)用戶(hù)角色進(jìn)行了識(shí)別與分析，如領(lǐng)先用戶(hù)、領(lǐng)域?qū)＜液鸵庖?jiàn)領(lǐng)袖等[10-11]。然而，上述研究在衡量用戶(hù)的知識(shí)情況時(shí)，局限于簡(jiǎn)單的統(tǒng)計(jì)指標(biāo)及網(wǎng)絡(luò)分析，并沒(méi)有對(duì)知識(shí)內(nèi)容進(jìn)行深度度量。同時(shí)，上述研究主要專(zhuān)注于利用抽離式思維獲取用戶(hù)特征，沒(méi)有對(duì)用戶(hù)及其知識(shí)間的碰撞的可能性進(jìn)行研究。即便有部分文獻(xiàn)提出對(duì)社區(qū)中的社群進(jìn)行挖掘，但相關(guān)研究更多的聚焦于同質(zhì)性高活用戶(hù)的發(fā)現(xiàn)[12]。為此，本文系統(tǒng)地考慮用戶(hù)的知識(shí)特征及用戶(hù)間協(xié)同屬性，以發(fā)現(xiàn)滿(mǎn)足協(xié)同創(chuàng)新任務(wù)需求的用戶(hù)群。

2.2 用戶(hù)特征

企業(yè)創(chuàng)新社區(qū)中，用戶(hù)基于自身的觀(guān)點(diǎn)、需求及偏好生成相應(yīng)的活動(dòng)軌跡。對(duì)這些活動(dòng)軌跡進(jìn)行挖掘與梳理，有助于企業(yè)制定科學(xué)的用戶(hù)管理策略，進(jìn)一步促進(jìn)用戶(hù)智慧的聚集與生產(chǎn)。目前，已有研究對(duì)用戶(hù)活動(dòng)軌跡的挖掘可概括為5種用戶(hù)特征：①網(wǎng)絡(luò)位置；②活動(dòng)特征；③內(nèi)容特征；④情感；⑤鄰接點(diǎn)得分[13-15]。其具體度量指標(biāo)如表1所示。由表1可知，已有研究將用戶(hù)在社區(qū)中的活動(dòng)軌跡刻畫(huà)得相對(duì)完整。但是，從用戶(hù)創(chuàng)新理論[16]及協(xié)同創(chuàng)新理論[17]的視角來(lái)看，上述指標(biāo)尚未針對(duì)用戶(hù)參與協(xié)同創(chuàng)新的關(guān)鍵特征進(jìn)行考察。

首先，基于用戶(hù)創(chuàng)新理論，用戶(hù)有效參與創(chuàng)新的關(guān)鍵特征在于：①對(duì)產(chǎn)品功能的需求處于市場(chǎng)趨勢(shì)前沿；②有強(qiáng)烈的動(dòng)機(jī)去尋找滿(mǎn)足新興需求的解決方案[18]。結(jié)合本文的企業(yè)創(chuàng)新社區(qū)實(shí)踐，為了取得可觀(guān)的協(xié)同創(chuàng)新成效，用戶(hù)必須具備足夠的產(chǎn)品知識(shí)和經(jīng)驗(yàn)，以及參與創(chuàng)新的積極意愿。因此，在上述特征度量的基礎(chǔ)上，本文提出對(duì)用戶(hù)的具體知識(shí)特征（知識(shí)質(zhì)量與知識(shí)結(jié)構(gòu)）及參與動(dòng)機(jī)特征進(jìn)行度量。

其次，協(xié)同創(chuàng)新理論強(qiáng)調(diào)個(gè)體協(xié)作以實(shí)現(xiàn)“1+1>2”。在企業(yè)創(chuàng)新社區(qū)中，彼此獨(dú)立的用戶(hù)通過(guò)線(xiàn)上交互創(chuàng)造和獲取價(jià)值[19]，實(shí)現(xiàn)協(xié)作。與傳統(tǒng)意義上的協(xié)作不同，這些用戶(hù)不一定彼此了解，而是“隱式”地“碰撞”以產(chǎn)生高質(zhì)量的創(chuàng)意[20]。然而，并非所有的“碰撞”都有意義，低效的交互不僅不利于創(chuàng)意的產(chǎn)生，還會(huì)引起用戶(hù)反感，甚至離開(kāi)社區(qū)。因此，如何根據(jù)已有的用戶(hù)活動(dòng)軌跡評(píng)價(jià)用戶(hù)間的協(xié)同可能性是本文要解決的問(wèn)題。

2.3 超網(wǎng)絡(luò)

超網(wǎng)絡(luò)作為一種由多類(lèi)型節(jié)點(diǎn)與關(guān)系構(gòu)成的復(fù)雜網(wǎng)絡(luò)，為復(fù)雜系統(tǒng)的表達(dá)與分析提供了十分便利的工具。因此，超網(wǎng)絡(luò)在通信、交通、物流等諸多領(lǐng)域得到了廣泛的推廣和應(yīng)用[21]。隨著線(xiàn)上平臺(tái)的發(fā)展和知識(shí)管理研究的推進(jìn)，超網(wǎng)絡(luò)作為知識(shí)網(wǎng)絡(luò)的延伸，開(kāi)始應(yīng)用在知識(shí)管理領(lǐng)域[22]。

近年來(lái)，超網(wǎng)絡(luò)的相關(guān)研究主要包括：①用戶(hù)識(shí)別與分析。即通過(guò)對(duì)社區(qū)中的主要要素進(jìn)行系統(tǒng)建模，發(fā)現(xiàn)其中的關(guān)鍵用戶(hù)[23]。如田儒雅等[24]通過(guò)構(gòu)建包括社交子網(wǎng)、環(huán)境子網(wǎng)、心理子網(wǎng)和觀(guān)點(diǎn)子網(wǎng)的輿論超網(wǎng)絡(luò)，利用測(cè)度指標(biāo)對(duì)輿論領(lǐng)袖進(jìn)行了識(shí)別與分析。②知識(shí)研究。即利用超網(wǎng)絡(luò)對(duì)社區(qū)中的知識(shí)及知識(shí)載體進(jìn)行系統(tǒng)建模，借助可視化分析發(fā)現(xiàn)知識(shí)特征。如遲鈺雪等[25]通過(guò)構(gòu)建基于超網(wǎng)絡(luò)的線(xiàn)上線(xiàn)下輿情演化模型及其仿真框架，探索了同步率及速度對(duì)輿情演化的影響。由此可見(jiàn)，上述研究充分體現(xiàn)了超網(wǎng)絡(luò)表達(dá)及處理復(fù)雜關(guān)系的能力，也為本文利用超網(wǎng)絡(luò)進(jìn)行用戶(hù)及其知識(shí)的表達(dá)及測(cè)度提供了依據(jù)。

本文擬利用超網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)特性捕捉企業(yè)創(chuàng)新社區(qū)中用戶(hù)的知識(shí)特點(diǎn)、關(guān)聯(lián)、結(jié)構(gòu)及其變化，對(duì)用戶(hù)的知識(shí)特征、用戶(hù)間的協(xié)同屬性等多種復(fù)雜異構(gòu)關(guān)系進(jìn)行探索，以發(fā)現(xiàn)具備知識(shí)能力與協(xié)作潛質(zhì)的創(chuàng)新用戶(hù)群。

表1 在線(xiàn)社區(qū)用戶(hù)屬性及其度量指標(biāo)

3 融合知識(shí)特征與協(xié)同屬性的創(chuàng)新用戶(hù)群發(fā)現(xiàn)方法

3.1 用戶(hù)知識(shí)超網(wǎng)絡(luò)模型

為了給后續(xù)的用戶(hù)知識(shí)特征及協(xié)同屬性挖掘提供工具與素材，本文參考已有文獻(xiàn)，將企業(yè)創(chuàng)新社區(qū)中的異質(zhì)要素集成建模為用戶(hù)知識(shí)超網(wǎng)絡(luò)模型[26]。其中，節(jié)點(diǎn)包括用戶(hù)、帖子和知識(shí)點(diǎn)。同時(shí)，鑒于原有用戶(hù)知識(shí)超網(wǎng)絡(luò)模型將超邊直接表達(dá)為不同節(jié)點(diǎn)之間連線(xiàn)，容易丟失“用戶(hù)-帖子-知識(shí)點(diǎn)”間的對(duì)應(yīng)關(guān)系等關(guān)鍵信息。因此，本文將三種不同節(jié)點(diǎn)之間的相互聯(lián)系（社區(qū)中用戶(hù)的主要知識(shí)行為）用超邊予以表達(dá)，構(gòu)成發(fā)帖超邊與評(píng)論超邊[27]。相應(yīng)的用戶(hù)知識(shí)超網(wǎng)絡(luò)可以表達(dá)為如圖1所示，圖1a為企業(yè)創(chuàng)新社區(qū)中的節(jié)點(diǎn)關(guān)系，圖1b為構(gòu)建的用戶(hù)知識(shí)超網(wǎng)絡(luò)的示意圖。

圖1 用戶(hù)知識(shí)超網(wǎng)絡(luò)

為了捕捉社區(qū)中用戶(hù)行為的時(shí)變特征，本文將時(shí)間維度納入了用戶(hù)屬性考量。據(jù)此，本文構(gòu)建新的用戶(hù)知識(shí)超網(wǎng)絡(luò)模型（user knowledge super-net‐work model，UKSNM,）及其具體組成（表2）：

其中，t∈T表示時(shí)間；用戶(hù)Gu(t)、帖子Gp(t)和知識(shí)Gk(t)節(jié)點(diǎn)在模型中通過(guò)數(shù)學(xué)符號(hào)唯一標(biāo)識(shí)，使其權(quán)重在不同時(shí)段內(nèi)彼此各異；發(fā)帖超邊SEp(t)與評(píng)論超邊SEr(t)均由三種不同的節(jié)點(diǎn)組成，其權(quán)重均為帖子p j隸屬于知識(shí)kz的概率θjz。

表2 用戶(hù)知識(shí)超網(wǎng)絡(luò)模型的要素組成

在已有文獻(xiàn)的超網(wǎng)絡(luò)構(gòu)成中，知識(shí)節(jié)點(diǎn)kz常常由關(guān)鍵詞表示。本文為了從語(yǔ)義層面度量用戶(hù)的知識(shí)特征，將知識(shí)節(jié)點(diǎn)kz∈K表示為用戶(hù)生成內(nèi)容的知識(shí)主題，如圖2所示，利用LDA（latent Dirichlet allocation）主題模型[28]，通過(guò)概率生成過(guò)程，生成S個(gè)知識(shí)主題，并確定每個(gè)帖子p j隸屬于不同知識(shí)主題的概率θj，以及每個(gè)知識(shí)主題kz的關(guān)鍵詞的概率組成φz。

通過(guò)將社區(qū)中的關(guān)鍵要素進(jìn)行集成表達(dá)，本文構(gòu)建的用戶(hù)知識(shí)超網(wǎng)絡(luò)模型可為后續(xù)的要素分析提供科學(xué)的工具，有效避免了用戶(hù)特征挖掘時(shí)指標(biāo)映射困難、要素聯(lián)動(dòng)遲鈍的現(xiàn)象。

圖2 LDA主題模型的生成邏輯與結(jié)果

3.2 用戶(hù)特征分析

在第2節(jié)的分析中，本文基于用戶(hù)創(chuàng)新理論提出用戶(hù)有效參與創(chuàng)新在于是否具備：①超前需求；②創(chuàng)新動(dòng)機(jī)。因此，下文是對(duì)用戶(hù)的知識(shí)質(zhì)量、知識(shí)結(jié)構(gòu)以及參與動(dòng)機(jī)進(jìn)行考量。

3.2.1 知識(shí)質(zhì)量評(píng)價(jià)

為了評(píng)價(jià)文本的知識(shí)質(zhì)量，Dong[29]結(jié)合知識(shí)的多維特征設(shè)計(jì)了情景知識(shí)質(zhì)量、可操作知識(shí)質(zhì)量和內(nèi)在知識(shí)質(zhì)量三個(gè)評(píng)價(jià)維度。Valaei等[30]在此基礎(chǔ)上加入可訪(fǎng)問(wèn)知識(shí)質(zhì)量并構(gòu)建了一套四維指標(biāo)體系。然而，這些評(píng)價(jià)大多數(shù)基于問(wèn)卷的方式進(jìn)行，其量化路徑不適用于數(shù)據(jù)科學(xué)研究。本文綜合考慮企業(yè)創(chuàng)新社區(qū)的知識(shí)特征與協(xié)同創(chuàng)新需求，提出從情景知識(shí)質(zhì)量、內(nèi)在知識(shí)質(zhì)量和可訪(fǎng)問(wèn)知識(shí)質(zhì)量三個(gè)方面考察用戶(hù)的知識(shí)情況，即用戶(hù)應(yīng)當(dāng)具有與協(xié)同任務(wù)相關(guān)、準(zhǔn)確且足夠的知識(shí)存量。

3.2.2 知識(shí)結(jié)構(gòu)評(píng)價(jià)

在企業(yè)的產(chǎn)品創(chuàng)新實(shí)踐中，知識(shí)創(chuàng)新任務(wù)包括兩種：設(shè)計(jì)型任務(wù)與技術(shù)型任務(wù)[31]。前者是指存在大量潛在解決方案的非結(jié)構(gòu)化任務(wù)，這需要參與者具有更為廣泛的知識(shí)面以產(chǎn)生跨領(lǐng)域創(chuàng)新；后者是指具有明確操作流程的結(jié)構(gòu)化任務(wù)，其需要參與者擁有相關(guān)領(lǐng)域下深入的專(zhuān)業(yè)知識(shí)以完成常規(guī)性挑戰(zhàn)。本文利用知識(shí)廣度和知識(shí)深度來(lái)評(píng)價(jià)用戶(hù)的知識(shí)結(jié)構(gòu)，以應(yīng)對(duì)不同知識(shí)創(chuàng)新任務(wù)的需要。

3.2.3 參與動(dòng)機(jī)評(píng)價(jià)

基于自我決定理論，用戶(hù)的參與動(dòng)機(jī)可以分為：內(nèi)在動(dòng)機(jī)、外在動(dòng)機(jī)和內(nèi)化的外在動(dòng)機(jī)[32]。在社區(qū)研究中，考慮到數(shù)據(jù)量化需求，學(xué)者們聚焦于量化內(nèi)化的外在動(dòng)機(jī)。內(nèi)化的外在動(dòng)機(jī)是行為外部的結(jié)果，但用戶(hù)可以將其內(nèi)化，常常表現(xiàn)為社區(qū)中設(shè)置的積分及其他互動(dòng)機(jī)制。在理論研究中，這些機(jī)制被學(xué)者概化為：互惠、自我形象和聲譽(yù)。其中，互惠是用戶(hù)參與社區(qū)活動(dòng)的重要決定因素，其表示收到幫助的用戶(hù)更愿意參與合作[33]；自我形象描述用戶(hù)在社區(qū)中的自我感知，這種感知能積極推動(dòng)用戶(hù)參與[34]；聲譽(yù)表示用戶(hù)從外界獲取的反饋，其對(duì)用戶(hù)的知識(shí)參與行為具有較低的預(yù)測(cè)能力[35]。因此，這里對(duì)社區(qū)中的互惠和自我形象機(jī)制進(jìn)行考慮。

在協(xié)同創(chuàng)新任務(wù)中，除了用戶(hù)的知識(shí)特征與參與動(dòng)機(jī)，用戶(hù)之間的配合情況也會(huì)影響到最終的協(xié)同效果?；趨f(xié)同創(chuàng)新理論，協(xié)同創(chuàng)新是一個(gè)“溝通-協(xié)調(diào)-合作-協(xié)同”的過(guò)程，包括各種知識(shí)資源的交互[17]。因此，對(duì)用戶(hù)間的知識(shí)互補(bǔ)情況及協(xié)作潛力等協(xié)同屬性進(jìn)行考察十分必要。

3.2.4 知識(shí)互補(bǔ)性評(píng)價(jià)

在一般知識(shí)創(chuàng)新任務(wù)中，研究者常常選擇具有最多知識(shí)儲(chǔ)備的用戶(hù)。但在協(xié)同創(chuàng)新任務(wù)中，盲目追求知識(shí)存量最大化不利于創(chuàng)新工作的開(kāi)展。若創(chuàng)新用戶(hù)群的知識(shí)過(guò)于相似，則知識(shí)的重疊將阻礙用戶(hù)間的思維碰撞，難以產(chǎn)生創(chuàng)新成果；若創(chuàng)新用戶(hù)群的知識(shí)差異過(guò)大，則將會(huì)增加用戶(hù)協(xié)商成本，甚至阻礙用戶(hù)間的知識(shí)溝通。因此，合理的知識(shí)互補(bǔ)特征十分重要。

3.2.5 知識(shí)協(xié)作能力評(píng)價(jià)

研究表明，人們?cè)诮f(xié)作關(guān)系時(shí)，更傾向于選擇歷史合作伙伴[36]。而在企業(yè)創(chuàng)新社區(qū)中，用戶(hù)間的協(xié)作主要表現(xiàn)為評(píng)論行為。這種行為既反映了用戶(hù)的知識(shí)興趣，又反映出用戶(hù)間的知識(shí)交互能力。因此，本文通過(guò)用戶(hù)間的共同興趣程度與知識(shí)交互能力來(lái)度量用戶(hù)的知識(shí)協(xié)作能力。

創(chuàng)新用戶(hù)群發(fā)現(xiàn)研究的屬性特征可總結(jié)為如表3所示，其具體衡量指標(biāo)將在下文中予以說(shuō)明。

表3 協(xié)同創(chuàng)新用戶(hù)群發(fā)現(xiàn)的關(guān)鍵屬性特征

3.3 用戶(hù)的個(gè)體特征評(píng)價(jià)

3.3.1 知識(shí)質(zhì)量

協(xié)同創(chuàng)新任務(wù)的知識(shí)需求與用戶(hù)的知識(shí)儲(chǔ)備的匹配程度是決定協(xié)同成效的關(guān)鍵因素。本文將用戶(hù)生成內(nèi)容的知識(shí)主題作為具體知識(shí)領(lǐng)域。為了捕捉情景知識(shí)質(zhì)量特征，帖子p j與知識(shí)領(lǐng)域kz的匹配程度可以表示為

除了知識(shí)間的匹配程度，用戶(hù)知識(shí)的內(nèi)在質(zhì)量作為知識(shí)質(zhì)量的基礎(chǔ)，是為創(chuàng)新活動(dòng)提供信息的根本源泉。為了量化內(nèi)在知識(shí)質(zhì)量，本文參考Matei等[37]的研究，利用第三方評(píng)估指標(biāo)（即評(píng)論數(shù)）表示用戶(hù)ui的內(nèi)在知識(shí)質(zhì)量。其中，帖子的評(píng)論數(shù)為

那么，結(jié)合具體知識(shí)領(lǐng)域kz，用戶(hù)ui在時(shí)間t的內(nèi)在知識(shí)質(zhì)量可表達(dá)為

此外，研究表明，用戶(hù)生成內(nèi)容的增加，能夠提高創(chuàng)意生成的概率[38]。因此，考察用戶(hù)生成內(nèi)容的體量（即可訪(fǎng)問(wèn)知識(shí)質(zhì)量）十分重要。針對(duì)企業(yè)創(chuàng)新社區(qū)的數(shù)據(jù)特征，本文擬利用用戶(hù)發(fā)帖內(nèi)容的知識(shí)存量，即有效詞組數(shù)予以衡量。那么，在時(shí)間t內(nèi)用戶(hù)ui在知識(shí)領(lǐng)域kz的可訪(fǎng)問(wèn)知識(shí)質(zhì)量表達(dá)式為

根據(jù)衰退理論[39]，在決策實(shí)踐中，用戶(hù)行為的參考價(jià)值會(huì)隨著時(shí)間流逝而減小。本文在衡量用戶(hù)知識(shí)質(zhì)量時(shí)，引入知識(shí)衰退系數(shù)D，并用知識(shí)衰退率e-t/D表征其時(shí)間價(jià)值變化。基于上述評(píng)述，用戶(hù)ui在相應(yīng)情景下的知識(shí)質(zhì)量可以表示為

其中，δ=ln(KIizt)表示價(jià)值系數(shù)。

為了保證用戶(hù)的知識(shí)質(zhì)量在區(qū)間[0,1]內(nèi)，將其進(jìn)行歸一化處理:

3.3.2 知識(shí)結(jié)構(gòu)

針對(duì)知識(shí)結(jié)構(gòu)（知識(shí)廣度與知識(shí)深度）評(píng)估，目前最具代表性的指標(biāo)包括知識(shí)多樣性、Herfindahl指數(shù)等[40]。然而，這些指標(biāo)大多為專(zhuān)利等線(xiàn)下知識(shí)的評(píng)估而設(shè)立。針對(duì)線(xiàn)上知識(shí)，本文借鑒鞏軍等[41]的研究，利用知識(shí)網(wǎng)絡(luò)的拓?fù)涮卣鬟M(jìn)行結(jié)構(gòu)評(píng)價(jià)。具體來(lái)說(shuō)，本文利用知識(shí)點(diǎn)之間的相似關(guān)系構(gòu)建用戶(hù)知識(shí)子網(wǎng)（相似度計(jì)算利用圖2所示的φ矩陣，即各個(gè)知識(shí)主題的關(guān)鍵詞概率分布向量，并取相似閾值為0.01）。進(jìn)而，本文利用直徑刻畫(huà)用戶(hù)的知識(shí)廣度，利用節(jié)點(diǎn)的平均路徑長(zhǎng)度和度中心性評(píng)估用戶(hù)的知識(shí)深度。其中，直徑描述了網(wǎng)絡(luò)中任意兩點(diǎn)的最遠(yuǎn)距離；平均路徑長(zhǎng)度和度中心性表征某節(jié)點(diǎn)與周邊節(jié)點(diǎn)的緊密程度。那么，用戶(hù)ui的知識(shí)廣度可以表示為

其中，gi為知識(shí)子網(wǎng)Gi的連通圖。

知識(shí)深度可以表示為

用戶(hù)ui在時(shí)間t的知識(shí)結(jié)構(gòu)水平可以表達(dá)為

其中，μa為調(diào)節(jié)參數(shù)，且在評(píng)價(jià)用戶(hù)的知識(shí)結(jié)構(gòu)時(shí)，本文根據(jù)創(chuàng)新任務(wù)的實(shí)際特征（設(shè)計(jì)或技術(shù)型任務(wù)）給定不同的參數(shù)比例。同時(shí)，為了統(tǒng)一知識(shí)廣度與知識(shí)深度的量級(jí)，f(x)表示對(duì)x進(jìn)行歸一化處理。

考慮知識(shí)的時(shí)間衰退特征，用戶(hù)ui的知識(shí)結(jié)構(gòu)水平可以表達(dá)為

3.3.3 參與動(dòng)機(jī)

本文利用互惠規(guī)范和自我形象來(lái)評(píng)價(jià)用戶(hù)的參與動(dòng)機(jī)。首先，在企業(yè)創(chuàng)新社區(qū)中，若用戶(hù)獲取了其他用戶(hù)的知識(shí)，那么其更愿意在社區(qū)中參與知識(shí)貢獻(xiàn)，本文通過(guò)用戶(hù)的評(píng)論行為表征其知識(shí)獲取事實(shí)，其計(jì)算公式為

其次，社區(qū)中用戶(hù)參與行為的獎(jiǎng)勵(lì)信號(hào)機(jī)制主要是積分，本文用積分值表征用戶(hù)的自我形象描繪，那么用戶(hù)ui在時(shí)間t的參與動(dòng)機(jī)可以量化為

考慮知識(shí)的時(shí)間衰退特征，用戶(hù)ui的參與動(dòng)機(jī)可以表達(dá)為

3.4 用戶(hù)的協(xié)同屬性評(píng)價(jià)

3.4.1 知識(shí)互補(bǔ)性

為了最大限度地激發(fā)用戶(hù)間的協(xié)同潛能，本文對(duì)協(xié)同用戶(hù)之間的知識(shí)情況進(jìn)行對(duì)比考察。本文參考蘇加福[42]研究結(jié)果，首先，衡量用戶(hù)ui與用戶(hù)uj在時(shí)間t的知識(shí)比較優(yōu)勢(shì)：

其中，KADijt(kz)為知識(shí)主題kz下用戶(hù)ui與用戶(hù)uj在時(shí)間t的知識(shí)比較優(yōu)勢(shì)；k tz(ui)為用戶(hù)ui在相應(yīng)知識(shí)領(lǐng)域下的知識(shí)存量。

用戶(hù)ui與用戶(hù)uj的知識(shí)互補(bǔ)性可以表達(dá)為

3.4.2 知識(shí)協(xié)作能力

目前，對(duì)用戶(hù)知識(shí)協(xié)作能力的評(píng)價(jià)方法主要有指標(biāo)法和社會(huì)網(wǎng)絡(luò)分析。本文主要利用上述方法對(duì)用戶(hù)的共同興趣程度與知識(shí)交互能力進(jìn)行評(píng)價(jià)。首先，參考學(xué)者Newman[43]的研究成果，利用回帖共現(xiàn)情況度量用戶(hù)間的共同興趣程度，即用戶(hù)ui與用戶(hù)uj在時(shí)間t的共同興趣程度可以表示為

同樣地，可獲得排除時(shí)間因素影響的用戶(hù)共同興趣程度為：

為了將用戶(hù)間的共同興趣程度落在區(qū)間[0,1]內(nèi)，進(jìn)行歸一化處理：

針對(duì)用戶(hù)間的知識(shí)交互能力，本文通過(guò)用戶(hù)對(duì)之間的交互情況予以評(píng)價(jià)。知識(shí)交互能力既體現(xiàn)為用戶(hù)生成內(nèi)容能夠引起他人共鳴，又體現(xiàn)為用戶(hù)能夠?qū)ζ渌说呢暙I(xiàn)內(nèi)容進(jìn)行反饋。本文將用戶(hù)間的知識(shí)交互能力表示為

綜上，結(jié)合用戶(hù)間的共同興趣程度與知識(shí)交互能力，用戶(hù)間的知識(shí)協(xié)作水平可以定義為

3.5 創(chuàng)新用戶(hù)群的發(fā)現(xiàn)

為了發(fā)現(xiàn)企業(yè)創(chuàng)新社區(qū)中的協(xié)同用戶(hù)群，本文綜合考量用戶(hù)的知識(shí)特征及用戶(hù)間的協(xié)同屬性。具體包括：用戶(hù)的知識(shí)質(zhì)量、知識(shí)結(jié)構(gòu)、參與動(dòng)機(jī)、用戶(hù)間的知識(shí)互補(bǔ)性和知識(shí)協(xié)作能力。為了簡(jiǎn)化問(wèn)題，本文提出對(duì)用戶(hù)群的知識(shí)質(zhì)量與知識(shí)協(xié)作能力進(jìn)行最優(yōu)化求解，并將待選用戶(hù)的知識(shí)結(jié)構(gòu)水平、參與動(dòng)機(jī)及用戶(hù)間的知識(shí)互補(bǔ)程度控制在有效區(qū)間內(nèi)，即

針對(duì)滿(mǎn)足上述特征區(qū)間的用戶(hù)，聚焦用戶(hù)的知識(shí)質(zhì)量與用戶(hù)間的知識(shí)協(xié)作能力，構(gòu)建協(xié)同用戶(hù)群發(fā)現(xiàn)的多目標(biāo)決策模型：

其中，公式(29)和公式(30)為優(yōu)化目標(biāo)，即選擇用戶(hù)的知識(shí)質(zhì)量總和最高、用戶(hù)間的協(xié)作能力最佳。公式(31)和公式(32)為約束條件，表示從待選用戶(hù)集合中選擇M個(gè)用戶(hù)作為協(xié)同創(chuàng)新任務(wù)的成員。值得注意的是，本文結(jié)合企業(yè)創(chuàng)新社區(qū)知識(shí)協(xié)同任務(wù)的具體需求構(gòu)建了相應(yīng)的用戶(hù)屬性特征及求解模型。在其他知識(shí)系統(tǒng)中，本文可以根據(jù)實(shí)際需求調(diào)整目標(biāo)函數(shù)及約束條件，構(gòu)建適用于特定情景的協(xié)同創(chuàng)新用戶(hù)群發(fā)現(xiàn)模型。

上述多目標(biāo)決策模型顯然是一個(gè)0-1整數(shù)規(guī)劃問(wèn)題，為了解決這一問(wèn)題，這里利用遺傳算法進(jìn)行求解（其流程如圖3所示）。具體來(lái)說(shuō)，本文利用理想點(diǎn)法將兩個(gè)目標(biāo)函數(shù)進(jìn)行總體評(píng)價(jià)，使各個(gè)目標(biāo)盡可能接近“理想值”。那么，其適應(yīng)度函數(shù)可以表達(dá)為

其中，Z*a表示為第a個(gè)目標(biāo)函數(shù)的理想值，即相應(yīng)單目標(biāo)函數(shù)的最優(yōu)值；Za為第a個(gè)目標(biāo)函數(shù)的當(dāng)前值；ωa為調(diào)節(jié)參數(shù)，且有

圖3 遺傳算法求解流程

在此基礎(chǔ)上，本文對(duì)用戶(hù)進(jìn)行“基因”表達(dá)，并通過(guò)選擇、交叉和突變，實(shí)現(xiàn)多目標(biāo)問(wèn)題求解。由于遺傳算法的應(yīng)用不是本文的創(chuàng)新內(nèi)容，故這里不予贅述。Goldberg等[44]對(duì)遺傳算法的遺傳搜索機(jī)制進(jìn)行了全面的介紹，讀者可以參閱。

4 實(shí)例分析

4.1 數(shù)據(jù)介紹

為了驗(yàn)證本文的有效性與可行性，本文選取了國(guó)內(nèi)典型的企業(yè)創(chuàng)新社區(qū)——MIUI社區(qū)（現(xiàn)已更新至小米社區(qū)）中的用戶(hù)數(shù)據(jù)進(jìn)行了實(shí)例分析。MIUI社區(qū)是小米科技為其產(chǎn)品MIUI系統(tǒng)設(shè)立的用戶(hù)交互平臺(tái)，并以此將用戶(hù)內(nèi)化到小米的產(chǎn)品創(chuàng)新流程中。本文選取MIUI社區(qū)中最具創(chuàng)新代表的“新功能建議”板塊中的數(shù)據(jù)進(jìn)行研究，具體采集字段信息與相關(guān)統(tǒng)計(jì)信息如表4和表5所示。

表4 實(shí)例數(shù)據(jù)的字段信息

表5 實(shí)例數(shù)據(jù)的統(tǒng)計(jì)信息（按月統(tǒng)計(jì)）

4.2 超網(wǎng)絡(luò)模型的構(gòu)建及用戶(hù)特征統(tǒng)計(jì)

基于上述數(shù)據(jù)，本文利用LDA主題算法識(shí)別社區(qū)中存在的知識(shí)主題，其具體參數(shù)設(shè)置為：α=0.1，β=0.01。結(jié)合困惑度[45]的變化情況，將主題數(shù)設(shè)定為60，最終構(gòu)建用戶(hù)知識(shí)超網(wǎng)絡(luò)模型。

為了評(píng)價(jià)用戶(hù)的不同屬性特征，首先，本文確定目標(biāo)知識(shí)領(lǐng)域。通過(guò)統(tǒng)計(jì)不同知識(shí)主題的用戶(hù)關(guān)注度，這里選取用戶(hù)關(guān)注度較高、且當(dāng)前熱門(mén)的知識(shí)主題K31（即“小愛(ài)同學(xué)語(yǔ)音助手”，用戶(hù)關(guān)注度為4630）作為目標(biāo)知識(shí)領(lǐng)域。該領(lǐng)域下，發(fā)表過(guò)相關(guān)帖子的有效用戶(hù)共2196位。其次，在知識(shí)結(jié)構(gòu)評(píng)價(jià)部分，本文暫不考慮知識(shí)創(chuàng)新任務(wù)的具體屬性，將知識(shí)廣度與知識(shí)深度的比重設(shè)定為0.5∶0.5。而在知識(shí)協(xié)作能力部分，本文將共同興趣程度與知識(shí)互動(dòng)能力的重要性等同，并將其比重設(shè)定為0.5∶0.5。此外，參考已有文獻(xiàn)，本文將用戶(hù)行為的時(shí)間衰退系數(shù)設(shè)置為1。相關(guān)用戶(hù)的屬性特征的統(tǒng)計(jì)信息如表6所示。

表6 相關(guān)用戶(hù)的協(xié)同創(chuàng)新屬性的統(tǒng)計(jì)信息

4.3 創(chuàng)新用戶(hù)群的發(fā)現(xiàn)與分析

為了切實(shí)描述用戶(hù)屬性和用戶(hù)間屬性的變化情況，并且確定用戶(hù)知識(shí)結(jié)構(gòu)等指標(biāo)的取值范圍，在圖4中展示出了相應(yīng)的指標(biāo)分布情況（降序排列），各指標(biāo)值均呈長(zhǎng)尾分布，這與已有研究結(jié)論一致：社區(qū)中極少數(shù)的用戶(hù)承擔(dān)了絕大多數(shù)的內(nèi)容貢獻(xiàn)任務(wù)[37]；同時(shí)，用戶(hù)間的協(xié)同指標(biāo)的快速下降進(jìn)一步表明了用戶(hù)間匹配的必要性。為了保證選取創(chuàng)新用戶(hù)群的協(xié)同效果，本文將用戶(hù)知識(shí)結(jié)構(gòu)的取值下界確定為0.2，參與動(dòng)機(jī)的取值下界確定為20，知識(shí)互補(bǔ)性的取值區(qū)間確定為（200,400）。最終獲得滿(mǎn)足上述屬性的目標(biāo)用戶(hù)集，共計(jì)92位用戶(hù)。

在實(shí)例研究中，本文設(shè)定創(chuàng)新用戶(hù)群的目標(biāo)成員數(shù)為8?；谀Ｐ?29)～模型(32)，本文可以得到MIUI社區(qū)的創(chuàng)新用戶(hù)群發(fā)現(xiàn)模型，并利用遺傳算法對(duì)其進(jìn)行求解。為了確定求解過(guò)程中各類(lèi)參數(shù)設(shè)置，本文給出了相關(guān)文獻(xiàn)的常用取值范圍，并根據(jù)以往經(jīng)驗(yàn)確定本文的參數(shù)，具體設(shè)置如表7所示。

表7 遺傳算法求解的部分參數(shù)

本文分別計(jì)算公式(29)和公式(30)的兩個(gè)目標(biāo)函數(shù)的最優(yōu)值，并將其作為多目標(biāo)求解的理想點(diǎn)，這里理想點(diǎn)為：(Z*1,Z*2)=(2.76,2.25)。

綜上所述，本文利用遺傳算法進(jìn)行最后求解，具體操作流程見(jiàn)圖3，其運(yùn)行結(jié)果如圖5所示。從圖5可以看出，當(dāng)?shù)螖?shù)達(dá)到250次左右時(shí)，可獲得參與協(xié)同的創(chuàng)新用戶(hù)群的最佳組合方案，相應(yīng)的用戶(hù)群組合為[U27,U94,U247,U1039,U924,U1,U2634,U296]。該組合方案下，創(chuàng)新用戶(hù)群的各屬性特征的具體情況如圖6所示。在圖6中，選中集表示最終的創(chuàng)新用戶(hù)群；有限隨機(jī)集為限定知識(shí)結(jié)構(gòu)等指標(biāo)的隨機(jī)用戶(hù)集合；隨機(jī)集為發(fā)表過(guò)相關(guān)帖子的隨機(jī)用戶(hù)集合。從圖6還可以發(fā)現(xiàn)，創(chuàng)新用戶(hù)群在各個(gè)指標(biāo)上較原有用戶(hù)群和隨機(jī)用戶(hù)群均有更好表現(xiàn)，表明了該方法的有效性。

為了進(jìn)一步表征創(chuàng)新用戶(hù)群選擇的有效性，本文利用用戶(hù)知識(shí)超網(wǎng)絡(luò)截取了部分用戶(hù)特征。首先，利用超邊關(guān)系構(gòu)建了協(xié)同創(chuàng)新用戶(hù)群之間的評(píng)論關(guān)系，如圖7所示。圖7中創(chuàng)新用戶(hù)群之間的互動(dòng)非常頻繁，且隨著時(shí)間的推移，其關(guān)系愈加緊密。同樣地，本文對(duì)用戶(hù)之間的共同興趣程度進(jìn)行了表達(dá)。即若兩位用戶(hù)在評(píng)論了同一帖子，那么用戶(hù)對(duì)之間存在一條邊。如圖8所示，創(chuàng)新用戶(hù)群的知識(shí)興趣存在較高的一致性，且其隨著時(shí)間的推移愈加明顯。

針對(duì)選擇用戶(hù)群的具體知識(shí)情況，本文基于其生成內(nèi)容給出了相應(yīng)的詞云圖，如圖9所示。從圖9中可以看出，用戶(hù)之間的知識(shí)具有一定的相似性，如“小愛(ài)同學(xué)”“通知”等。同時(shí)，用戶(hù)之間的知識(shí)也存在一定的差異性?；谏鲜龇治?，本文發(fā)現(xiàn)的創(chuàng)新用戶(hù)群在知識(shí)互補(bǔ)及互動(dòng)潛能方面均有較好的表現(xiàn)。

圖5 多目標(biāo)識(shí)別模型求解的迭代收斂情況

5 討論與結(jié)論

隨著市場(chǎng)環(huán)境的轉(zhuǎn)變，將用戶(hù)置于研發(fā)中心，與用戶(hù)交流創(chuàng)新需求，成為企業(yè)尋求產(chǎn)品解決方案的最佳途徑。然而，也正是因?yàn)槭袌?chǎng)環(huán)境的快速變化，企業(yè)創(chuàng)新社區(qū)中的用戶(hù)交互行為與用戶(hù)生成內(nèi)容也應(yīng)適時(shí)更迭變化。現(xiàn)有的用戶(hù)識(shí)別常常聚焦于某個(gè)時(shí)間截面的靜態(tài)數(shù)據(jù)開(kāi)展，這種研究結(jié)果難以適應(yīng)后續(xù)的工作需求。同時(shí)，針對(duì)參與協(xié)同的創(chuàng)新群體的組建，已有研究常常聚焦于用戶(hù)的交互行為，而忽略了對(duì)用戶(hù)的具體知識(shí)內(nèi)涵、用戶(hù)間知識(shí)異同、協(xié)作潛能等協(xié)同屬性的考量。因此，本文提出綜合考慮用戶(hù)行為的動(dòng)態(tài)變化、并融合用戶(hù)的知識(shí)特征與用戶(hù)間協(xié)同屬性，發(fā)現(xiàn)對(duì)產(chǎn)品創(chuàng)新卓有助益的創(chuàng)新用戶(hù)群，為社區(qū)中的協(xié)同創(chuàng)新實(shí)踐提供決策支持，加速群體智慧的有效聚集與涌現(xiàn)。

圖6 選取用戶(hù)群與隨機(jī)用戶(hù)群的指標(biāo)特征

圖7 用戶(hù)評(píng)論關(guān)系時(shí)變圖

具體來(lái)說(shuō)，本文構(gòu)建了用戶(hù)知識(shí)超網(wǎng)絡(luò)模型，將企業(yè)創(chuàng)新社區(qū)中的異質(zhì)要素進(jìn)行集成表達(dá)，為后續(xù)研究提供有效的表達(dá)工具與分析素材。利用這一網(wǎng)絡(luò)模型，本文對(duì)用戶(hù)的個(gè)體屬性（知識(shí)質(zhì)量、知識(shí)結(jié)構(gòu)和參與動(dòng)機(jī)）與協(xié)同屬性（知識(shí)互補(bǔ)性和知識(shí)協(xié)作能力）進(jìn)行分析與量化，并將不同時(shí)段下用戶(hù)行為對(duì)當(dāng)前決策的參考價(jià)值納入考量。最后，結(jié)合具體創(chuàng)新需求構(gòu)建并求解協(xié)同創(chuàng)新用戶(hù)群發(fā)現(xiàn)的多目標(biāo)決策模型。通過(guò)實(shí)際數(shù)據(jù)分析，驗(yàn)證了本文提出方法的可行性和有效性。

另外，本文針對(duì)協(xié)同創(chuàng)新用戶(hù)的屬性度量提出了一套完整的指標(biāo)體系，包括知識(shí)質(zhì)量評(píng)估、知識(shí)互補(bǔ)性度量等，并結(jié)合超網(wǎng)絡(luò)模型給出了利用客觀(guān)數(shù)據(jù)的指標(biāo)量化方法。本文的研究對(duì)超網(wǎng)絡(luò)方法、用戶(hù)識(shí)別體系和知識(shí)量化方法的完善與融合具有重要的推動(dòng)意義。結(jié)合實(shí)踐場(chǎng)景的實(shí)際需求，本文的研究成果可以為社區(qū)中的用戶(hù)組織及推薦提供決策參考；通過(guò)幫助決策者獲取更符合創(chuàng)新任務(wù)需求的創(chuàng)新用戶(hù)群，對(duì)協(xié)同創(chuàng)新等社區(qū)運(yùn)營(yíng)實(shí)踐具有重要的指導(dǎo)意義。與此同時(shí)，本文提出的方法對(duì)其他知識(shí)系統(tǒng)中協(xié)同創(chuàng)新團(tuán)隊(duì)的組建也具有一定的參考意義。

圖8 用戶(hù)共同興趣時(shí)變圖

圖9 創(chuàng)新用戶(hù)群的發(fā)帖關(guān)鍵詞分布

誠(chéng)然，本文尚存在一些不足之處，有待在未來(lái)工作中進(jìn)一步完善。其一，由于自然語(yǔ)言處理技術(shù)的有限發(fā)展，本文在知識(shí)主題發(fā)現(xiàn)和用戶(hù)知識(shí)衡量中的準(zhǔn)確性有待進(jìn)一步提升。其二，雖然超網(wǎng)絡(luò)為本文的表達(dá)與分析提供了很好的工具，但其應(yīng)用具有相對(duì)的局限性，超網(wǎng)絡(luò)中有許多拓?fù)涮匦灾档眠M(jìn)一步研究，這將更為有效地輔助復(fù)雜知識(shí)系統(tǒng)的表達(dá)與分析。