老早之前，就在MSN的邮箱看到有人邀请加入开心网的邮件，还以为是垃圾邮件，就统统的删除了，后来慢慢发现周围的朋友同事都开始上开心网，并且好多人都现场推销，以增加自己的积分，大有“以无聊取天下”的阵势。其实一直以来我对于web 2.0的技术都有浓厚的兴趣，于是就注册了一个帐号，浏览了一下，感觉很多功能应该是受FaceBook的影响，比如：著名的“动他一下”功能。有创意的是那些“争车位”和“朋友买卖”及“投票”等游戏。抛除这些“无聊取天下”的创意之外，我觉得这类网站流行的另外一个主要的原因就是对于好友动态（Activity）的跟踪及人与人的关系展现，一篇新的博文，你的好友加入了新的朋友，一次投票都被清晰的记录了；同时能够在关联中跟踪好友之间的关系。这种强调人与人的关系的网络及人员的Activity 的跟踪，也正是在企业的社会计算Enterprise 2.0中也非常重要的内容。下面我们可以看看在在企业中用户活动跟踪及人与人的关系网络的设计。
基于web 2.0思想而设计的企业应用程序：
在上面的图中，我们可以看出，不仅仅具有传统的通讯录中用户的所具有的查看用户的基本信息，企业的组织架构等，还增加了以下的特性。在“My Activity Stream”区域记录了用户的活动跟踪，如：用户在知识库中发布了一篇文档，增加了一位同事为Contact。同时在“My wall”区域用户可以发布自己的相关的活动。在“Send Kudos”区域就类似“动他一下”的功能了，可以给其他的企业成员发送Kudos。在“External Activities”区域支持用户可以访问在Twitter等Internal上的博文等。在“My Photostream”区域支持其他的Feed引用，如flickr。
(二) 关系网络-Tag 云图
如上图：在Search 栏中我们可以进行全文检索和Tag检索。在左边的视图中可以查看Tag云视图，包括所有的Tag， 个人Tag等。右面的视图，我们可以看到对应的Tag所相关的人员和企业文档条目，我们可以给每个人员添加若干的标签及查看该人员的简要表，查看此人的兴趣Tag和此人的文档。更重要的是检索结果的排序是根据Activity Rank，我们知道Google的检索结果排序是根据Page Rank。而在企业中我们更强调是人员的活动跟踪。同时这一部分对于未来的开心网的发展我想也是非常必要的。因为根据Activity Rank我们可以进行企业的专家定位，而对于开心网之类的web2.0网站，可以实现“六度分割”理论，六度分割理论，简单地说：“你和任何一个陌生人之间所间隔的人不会超过六个，也就是说，最多通过六个人你就能够认识任何一个陌生人。”按照六度分隔理论，每个个体的社交圈都不断放大，最后成为一个大型网络。
同样对于Activity Rank的实现，对于开心网实现人员的准确定位，帮助成员进行朋友圈的运营也是非常必要的，因为开心网中的用户发布的内容信息和企业中是一样的，都是需要登录认证后再发布的，而google后台的信息为匿名的网页信息，所以Google的Page Rank算法是不适合的。
这里对于Activity Rank的算法再简单的介绍一下：也可以参照我的另外一篇文章：
在Google的Page Rank中，决定因素包括了：
² Google 的 PageRank 是基于这样一个理论：若 B 网页上有连接到 A 网页的链接 ( 称 B 为 A 的导入链接 )，说明 B 认为 A 有链接价值，是一个“重要”的网页。当 B 网页级别 ( 重要性 ) 比较高时，则 A 网页可从 B 网页这个导入链接分得一定的级别 ( 重要性 )，并平均分配给 A 网页上的所有导出链接
² 导入链接（也叫逆向链接）是指链接到你网站的站点，也就是我们一般所说的“外部链接”。而当你的网站上有链接指向另外一个站点时，这个站点就是你的“导出链接”。
² 在PageRank算法中，一个网页的级别（重要性）大致由下面两个因素决定：该网页的导入链接的数量和这些导入链接的级别（重要性）。
在我们设计的与人的活动关系相关的Activity Rank中，决定因素包括了：
对于人员的Rank依赖：
² 人员所创建和编辑的文档的数量和文档的Rank值
² 查看人员，给人员设置标签，将人员加入联系人的人员的数量及这些人的Rank值
² 对于文档的Rank依赖：
文档的作者的rank
² 查看文档，给文档设置标签，将文档设为兴趣的人员的数量及这些人的Rank值。
² 同时客户可以根据企业的需求，调正这些影响因素的权重。每个影响的权重是可以不同的。
算法的基本原理：对于文档和人员的引用关系，可以用相邻矩阵表示即邻接矩阵A，使得A[i,j]=1，当且仅当文章i引用了j；否则A[i,j]=0；这意味着，A的第i列反映i被引用的情况；同时引用文章i和文章j的文章数量等于A[*,i]和A[*,j]在相同的行出现1的个数。考虑到E元素的{0,1}特性，即coc[i,j]=∑A[k,i]A[k,j], k=1,2,…,n；或者coc = ATA。
但是这样的方程不一定有解的，所以我们会加入一个常数，
p(i) = c×∑E[k,i]p(k)，k=1,…,n
过程如下图：
首先形成入度矩阵
给定一个常数
设定gt为t次跳转后的，可能的列向量
要求得g，我们需要根据Perron-Frobenius理论。
如果 A 是正的方阵（所有元素均大于0），则
² A 的谱半径 r (A)>0，其中 l1, l 2, ... , ln 为 A 的特征值。
² l =r (A) 是 A 的特征值，且代数重数为 1，即为单特征值。
² 存在唯一的 x > 0，满足 A x = r (A) x，且
² 若 l 是 A 的特征值，且 l ¹ r (A)，则 |l| < r (A) 。
另外一个可以借鉴的是开心网在营销模式中使用的一项技术，通过输入自己在Google, MSN, 163等的用户和密码就可以取得当前用户的所有好友，来发送邀请邮件。我们这里谈论的是这类网站使用的技术，而不谈论这种营销的模式。其实这个在企业中也就是我们常说的“单点登录”和“统一的用户身份管理”。目前Google, MSN等都提供了访问其用户目录的API，所以Internet上的各种服务系统可以直接使用Google或MSN等的帐号信息，或者将来如果一家公司能够一统天下就更好了。比如：开心网这样的新出来的网站，完全可以不需要用户再创建新的帐号，用户可以直接使用自己在Google中的帐号就可以了。这里随便提一句，开心网提示用户输入比如Google的用户和密码，实际上是不安全的，因为实际上密码是提交给了开心网。正确的方法应该是用户输入用户和密码的时候，使用是Google的界面，然后Google弹出是否允许当前认证跳转到开心网，用户同意后才可以取得用户的相关资料，这样用户和密码实际上是提交给了Google，而不是开心网。
本文仅代表作者本人观点，如有转载，请与作者联系：http://space.itpub.net/16184648/
image002.jpg来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/16184648/viewspace-474704/，如需转载，请注明出处，否则将追究法律责任。
转载于:http://blog.itpub.net/16184648/viewspace-474704/
2864
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
