CN104657477A - 社交推荐方法和装置 - Google Patents

Abstract

本发明提出一种社交推荐方法和装置，该社交推荐方法包括获取推荐信息，所述推荐信息包括推荐指数，所述推荐指数是根据预先收集的数据和预设算法确定的；向用户展示所述推荐信息。该方法能够提高社交推荐的精准度，降低交友的时间消耗。

Description

社交推荐方法和装置

技术领域

本发明涉及互联网技术领域，尤其涉及一种社交推荐方法和装置。

背景技术

移动社交日益成为人们不可或缺的社会和情感需求，以微信，陌陌等一大批移动社交应用程序(app)为主的客户端软件，已经分别很好地占领了熟人社交和陌生人社交等方面。

但是，目前的社交推荐方式存在一定的盲目性，增加用户交友的时间消耗。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种社交推荐方法，该方法可以提高社交推荐的精准度，降低交友的时间消耗。

本发明的另一个目的在于提出一种社交推荐装置。

为达到上述目的，本发明第一方面实施例提出的社交推荐方法，包括：获取推荐信息，所述推荐信息包括推荐指数，所述推荐指数是根据预先收集的数据和预设算法确定的；向用户展示所述推荐信息。

本发明第一方面实施例提出的社交推荐方法，通过获取并展示推荐信息，推荐信息中包括推荐指数，由于推荐指数是根据大数据确定的，用户根据推荐指数进行选择时可以提高社交推荐的精准度，降低交友的时间消耗。

为达到上述目的，本发明第二方面实施例提出的社交推荐装置，包括：获取模块，用于获取推荐信息，所述推荐信息包括推荐指数，所述推荐指数是根据预先收集的数据和预设算法确定的；第一展示模块，用于向用户展示所述推荐信息。

本发明第二方面实施例提出的社交推荐装置，通过获取并展示推荐信息，推荐信息中包括推荐指数，由于推荐指数是根据大数据确定的，用户根据推荐指数进行选择时可以提高社交推荐的精准度，降低交友的时间消耗。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明一实施例提出的社交推荐方法的流程示意图；

图2是本发明实施例中客户端与服务端交互的示意图；

图3是本发明另一实施例提出的社交推荐方法的流程示意图；

图4是本发明实施例中社交应用程序的主界面的示意图；

图5是本发明实施例中点击主界面上的一种按钮后的展示示意图；

图6是本发明实施例中点击主界面上的另一种按钮后的展示示意图；

图7是本发明实施例中点击主界面上的另一种按钮后的展示示意图；

图8是本发明实施例中点击主界面上的另一种按钮后的展示示意图；

图9是本发明实施例中采用的神经网络的结构示意图；

图10是本发明另一实施例提出的社交推荐装置的结构示意图；

图11是本发明另一实施例提出的社交推荐装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

图1是本发明一实施例提出的社交推荐方法的流程示意图，该方法包括：

S11：获取推荐信息，所述推荐信息包括推荐指数，所述推荐指数是根据预先收集的数据和预设算法确定的。

其中，用户在打开社交应用程序后，用户可以通过点击社交应用程序上的预设按钮触发社交应用程序从云端服务器获取推荐信息。

如图2所示，社交应用程序可以安装在智能移动设备21上，智能移动设备例如智能手环，智能手机，智能平板电脑，或者，智能手表等。

社交应用程序可以收集自身用户的数据，并将数据发送给云端服务器22，云端服务器22可以根据不同用户的数据生成推荐信息，云端服务器22生成推荐信息后将推荐信息发送给智能移动设备21上的社交应用程序。

云端服务器在生成推荐信息时，如果推荐信息中包括推荐指数，云端服务器可以根据收集的大量数据(可以称为大数据)，以及预设算法确定推荐指数，预设算法例如为神经网络算法。具体的，云端服务器可以根据当前用户的数据以及待推荐的用户或群组的数据，采用神经网络算法，计算两者之间的相似度，将相似度确定为推荐指数。具体计算过程可以参见后续实施例。

S12：向用户展示所述推荐信息。

社交应用程序从云端服务器获取推荐信息，可以展示推荐信息。

其中，对应社交应用程序的不同按钮，可以展示不同的推荐信息。

本实施例中，通过获取并展示推荐信息，推荐信息中包括推荐指数，由于推荐指数是根据大数据确定的，用户根据推荐指数进行选择时可以提高社交推荐的精准度，降低交友的时间消耗，从而实现从“爱是盲目的”到“爱是有数据支持的”的转换。

图3是本发明另一实施例提出的社交推荐方法的流程示意图，该方法包括：

S31：向用户展示社交应用程序的主界面。

例如，当用户打开社交应用程序后，展示如图4所示的主界面。

参见图4，主界面的下方包括“附近，发现，消息，推荐”这四个按钮，主界面上方左边是“个人”信息设置，上方右边是“联系人”按钮，点击之后显示“联系人/群组”列表。

用户可以点击主界面下方的不同按钮展示不同的推荐信息。

其中，用于触发推荐指数展示的按钮可以包括：用于搜索附近用户的按钮，以及，用于推荐的按钮，在图4中，这两个按钮分别用“附近”和“推荐”表示，可以理解的是，上述按钮的名称只是一种示例，也可以采用其他名称。

具体的，参见图5，当用户点击“附近”按钮后，可以根据距离显示人的列表，列表中每一项对应一个待推荐用户的信息，例如，可以包括照片，昵称，签名，特别的，本实施例中还会包括推荐指数。

参见图6，当用户点击“发现”按钮后，可以根据距离显示附近人的留言，同城服务与推广，附近活动等。

参见图7，当用户点击“消息”按钮后，可以向用户展示其接收到的消息，消息可以来自该用户联系人中的用户或者群组，消息可以具有图片，文字，声音，视频等中的一种或多种形式，也支持统一资源定位符(Uniform Resource Locator，URL)形式。

参见图8，当用户点击“推荐”按钮后，可以向用户展示待推荐的用户或者群组。

与现有技术中通常推荐其他的人(也可以称为用户)不同的是，本实施例中不仅可以推荐人，还可以推荐群组。

人的社交从线上到线下，总有一定的不安全感。而很多时候，直接的两个人的线上沟通，效果并不一定好，即一方可能很难全面地了解另外一个人的“社会性”。本实施例通过推荐群组，可以让用户先加入待推荐的人活跃的群组，可以更好地了解对方。甚至为两个人同时推荐一个新的群组，这样当两个人进入一个群组之后，通过大家的信息反馈和信息的交叉检验，可以更好地从社会性的角度提高两个人的互相认识互相了解的可能性。

以用户点击“推荐”按钮为例，本实施例的社交推荐方法还可以包括：

S32：当用户点击所述用于推荐的按钮后，向所述用户展示推荐项，所述推荐项包括用户和群组。

例如，当用户点击“推荐”按钮后，如图8所示，可以向用户展示推荐项，所述推荐项包括用户(图8中用人表示)和群组。

S33：获取推荐信息，并向用户展示所述推荐信息。

例如，用户点击“推荐”按钮后，社交应用程序可以从云端服务器获取相应的推荐信息，并展示推荐信息。

可选的，所述向用户展示所述推荐信息，包括：

默认状态下，展示推荐的用户对应的推荐信息以及推荐的群组对应的推荐信息。

例如，参见图8，展示的推荐信息可以包括用户和群组的推荐信息，例如，包括“人/群组昵称”。或者，

当所述用户点击所述推荐项中的用户后，只展示推荐的用户对应的推荐信息，或者，当所述用户点击所述推荐项中的群组后，只展示推荐的群组对应的推荐信息。

例如，当用户点击“推荐”按钮上的“人”后，则只展示用户的推荐信息，例如，在推荐信息中的每一项只包括“图片，人昵称，推荐指数”，而不包括“群组昵称”及群组对应的其他信息。

本实施例通过展示不同的推荐项，可以让用户根据实际需要选择展示人和/或群组。

另外，如图8所示，推荐信息不仅包括图片，昵称，特别地，还可以包括推荐指数。

如图5或图8所示，本实施例可以向用户展示推荐指数，方便用户根据推荐指数选择，从而可以使得用户选择到自身更感兴趣的用户和/或群组。

推荐指数具体可以是云端服务器根据大数据和神经网络算法确定的。

可选的，所述预设算法是神经网络算法，所述推荐指数是所述用户与待推荐的用户或者群组之间的相似度，所述云端服务器采用如下方式确定所述推荐指数：

从预先收集的数据中获取第一数据和第二数据，所述第一数据是所述用户的数据，所述第二数据是所述待推荐的用户或者群组的数据；

将所述第一数据映射为第一向量，将所述第二数据映射为第二向量；

计算所述第一向量与所述第二向量的相似度，将所述相似度确定为所述推荐指数。

神经网络算法的结构可以如图9所示，x表示待被推荐的当前用户的数据，y表示待推荐的一个用户或者一个群组的数据。参见图9，数据可以包括w1,…,wn个参数，参数例如为距离信息，兴趣爱好，性别，用户发言关键词等。e1,…,em是隐层空间，表示把用户的具体的可解释的有具体含义的各种参数，映射到一个低位稠密空间上。假设映射到隐层空间后的两个向量分别用v1和v2表示，则可以计算v1和v2之间的cos函数，将计算得到的余弦值确定为相似度。

具体的，将w1,…,wn映射为e1,…,em可以表示为：A：x→v1，B：y→v2，其中，A和B是在训练过程中确定的。

训练过程可以包括：

选择候选训练样本，其中，可以将训练数据满足预设条件的训练样本确定为候选训练样本，预设条件例如包括：预设时间窗口(例如一个月)内日常活动范围小于预设范围，指定异性，以及，具有相同兴趣爱好的个数大于1，其中，时间是收集数据时的时间，活动范围可以对用户的位置信息进行检测获取，指定异性以及兴趣爱好可以根据用户注册时的性别信息以及兴趣爱好信息获取；

在候选训练样本中确定出正样本和负样本；其中，正样本和负样本的确定原则也可以预先设置，例如，推荐给用户3个候选人/群组，而用户只点击了其中的1个。则被点击的一个是“正样本”，没有被点击的为“负样本”。或者，用户都点击了，但是最终只和其中的一个保持了进一步的接触的，也同样是一个正样本，两个负样本。

根据正样本和负样本进行训练，得到A和B。

例如，可以以如下参数最小化为目标获取A和B：

L(A,B；x,y,y')＝max(0,Φ(v1,v2')-Φ(v1,v2)+δ)

其中，<x,y>是正样本，<x,y'>是负样本，Φ(v1,v2)＝cos(v1,v2)；

在最小化时例如可以采用随机梯度下降算法。

可以理解的是，上述根据正样本和负样本的训练过程只是一种简化示例，具体的可以采用常用的神经网络的训练算法，例如，前向传播算法或者后向传播算法等。

本实施例通过计算相似度，相似度高则推荐指数高，则可以为用户推荐与自身具有较高相似度的其他用户或群组。

可选的，推荐信息中还可以包括：推荐理由。推荐理由是具有较高相似度的参数，例如，成长经历，作息时间，爱好，爱好例如运动，健身，电影，阅读等。

推荐理由可以根据两个向量相似度计算结果进行反向推导，得到每个参数的权重，将权重大的参数作为推荐理由。例如，当两个向量的成长经历相同时对应的相似度大于两个向量的作息时间相同时对应的相似度，则成长经历的权重大于作息时间的权重。

本实施例中，通过获取并展示推荐信息，推荐信息中包括推荐指数，由于推荐指数是根据大数据确定的，用户根据推荐指数进行选择时可以提高社交推荐的精准度，降低交友的时间消耗，从而实现从“爱是盲目的”到“爱是有数据支持的”的转换；本实施例通过推荐群组，可以方便用户更换的了解对方，提高安全性；本实施例通过在推荐时展示人和群组，可以根据用户选择推荐人和/或群组，为用户提供多种选择；本实施例通过展示推荐理由，可以更方便用户选择，提升用户体验。

图10是本发明另一实施例提出的社交推荐装置的结构示意图，该装置具体可以位于智能移动设备上，该装置100包括获取模块101和第一展示模块102。

获取模块101，用于获取推荐信息，所述推荐信息包括推荐指数，所述推荐指数是根据预先收集的数据和预设算法确定的；

其中，用户在打开社交应用程序后，用户可以通过点击社交应用程序上的预设按钮触发社交应用程序从云端服务器获取推荐信息。

社交应用程序可以安装在智能移动设备上，智能移动设备例如智能手环，智能手机，智能平板电脑，或者，智能手表等。

如图2所示，社交应用程序可以收集自身用户的数据，并将数据发送给云端服务器，云端服务器可以根据不同用户的数据生成推荐信息，云端服务器生成推荐信息后将推荐信息发送给智能移动设备上的社交应用程序。

云端服务器在生成推荐信息时，如果推荐信息中包括推荐指数，云端服务器可以根据收集的大量数据(可以称为大数据)，以及预设算法确定推荐指数，预设算法例如为神经网络算法。具体的，云端服务器可以根据当前用户的数据以及待推荐的用户或群组的数据，采用神经网络算法，计算两者之间的相似度，将相似度确定为推荐指数。

第一展示模块102，用于向用户展示所述推荐信息。

社交应用程序从云端服务器获取推荐信息，可以展示推荐信息。

其中，对应社交应用程序的不同按钮，可以展示不同的推荐信息。

参见图11，该装置100还包括：

第二展示模块103，用于向所述用户展示社交应用程序的主界面；

例如，当用户打开社交应用程序后，展示如图4所示的主界面。

参见图4，主界面的下方包括“附近，发现，消息，推荐”这四个按钮，主界面上方左边是“个人”信息设置，上方右边是“联系人”按钮，点击之后显示“联系人/群组”列表。

所述获取模块101具体用于：在所述用户点击所述主界面中的预设按钮后，从云端服务器获取推荐信息。

其中，用于触发推荐指数展示的按钮可以包括：用于搜索附近用户的按钮，以及，用于推荐的按钮，在图4中，这两个按钮分别用“附近”和“推荐”表示，可以理解的是，上述按钮的名称只是一种示例，也可以采用其他名称。

点击不同的按钮可以获取不同的推荐信息，具体可以参见上述实施例中的相关描述，在此不再赘述。

所述预设算法是神经网络算法，所述推荐指数是所述用户与待推荐的用户或者群组之间的相似度，所述云端服务器采用如下方式确定所述推荐指数：

从预先收集的数据中获取第一数据和第二数据，所述第一数据是所述用户的数据，所述第二数据是所述待推荐的用户或者群组的数据；

将所述第一数据映射为第一向量，将所述第二数据映射为第二向量；

计算所述第一向量与所述第二向量的相似度，将所述相似度确定为所述推荐指数。

具体的计算推荐指数的方式可以参见上述实施例中的相关描述，在此不再赘述。

参见图11，所述预设按钮包括用于推荐的按钮，所述装置100还包括：

第三展示模块104，用于当用户点击所述用于推荐的按钮后，向所述用户展示推荐项，所述推荐项包括用户和群组。

例如，当用户点击“推荐”按钮后，如图8所示，可以向用户展示推荐项，所述推荐项包括用户(图8中用人表示)和群组。

所述第一展示模块102具体用于：

默认状态下，展示推荐的用户对应的推荐信息以及推荐的群组对应的推荐信息；

例如，参见图8，展示的推荐信息可以包括用户和群组的推荐信息，例如，包括“人/群组昵称”。或者，

当所述用户点击所述推荐项中的用户后，只展示推荐的用户对应的推荐信息，或者，当所述用户点击所述推荐项中的群组后，只展示推荐的群组对应的推荐信息。

例如，当用户点击“推荐”按钮上的“人”后，则只展示用户的推荐信息，例如，在推荐信息中的每一项只包括“图片，人昵称，推荐指数”，而不包括“群组昵称”及群组对应的其他信息。

可选的，推荐信息中还可以包括：推荐理由。推荐理由是具有较高相似度的参数，例如，成长经历，作息时间，爱好，爱好例如运动，健身，电影，阅读等。

推荐理由可以根据两个向量相似度计算结果进行反向推导，得到每个参数的权重，将权重大的参数作为推荐理由。例如，当两个向量的成长经历相同时对应的相似度大于两个向量的作息时间相同时对应的相似度，则成长经历的权重大于作息时间的权重。

本实施例中，通过获取并展示推荐信息，推荐信息中包括推荐指数，由于推荐指数是根据大数据确定的，用户根据推荐指数进行选择时可以提高社交推荐的精准度，降低交友的时间消耗，从而实现从“爱是盲目的”到“爱是有数据支持的”的转换。

需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种社交推荐方法，其特征在于，包括：

获取推荐信息，所述推荐信息包括推荐指数，所述推荐指数是根据预先收集的数据和预设算法确定的；

向用户展示所述推荐信息。

2.根据权利要求1所述的方法，其特征在于，还包括：

向所述用户展示社交应用程序的主界面；

所述获取推荐信息，包括：

在所述用户点击所述主界面中的预设按钮后，从云端服务器获取推荐信息。

3.根据权利要求2所述的方法，其特征在于，所述预设算法是神经网络算法，所述推荐指数是所述用户与待推荐的用户或者群组之间的相似度，所述云端服务器采用如下方式确定所述推荐指数：

从预先收集的数据中获取第一数据和第二数据，所述第一数据是所述用户的数据，所述第二数据是所述待推荐的用户或者群组的数据；

将所述第一数据映射为第一向量，将所述第二数据映射为第二向量；

计算所述第一向量与所述第二向量的相似度，将所述相似度确定为所述推荐指数。

4.根据权利要求2所述的方法，其特征在于，所述预设按钮包括用于推荐的按钮，所述方法还包括：

当用户点击所述用于推荐的按钮后，向所述用户展示推荐项，所述推荐项包括用户和群组。

5.根据权利要求4所述的方法，其特征在于，所述向用户展示所述推荐信息，包括：

默认状态下，展示推荐的用户对应的推荐信息以及推荐的群组对应的推荐信息；或者，

当所述用户点击所述推荐项中的用户后，只展示推荐的用户对应的推荐信息，或者，当所述用户点击所述推荐项中的群组后，只展示推荐的群组对应的推荐信息。

6.根据权利要求2所述的方法，其特征在于，所述预设按钮包括用于搜索附近用户的按钮。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述推荐信息还包括：推荐理由。

8.一种社交推荐装置，其特征在于，包括：

获取模块，用于获取推荐信息，所述推荐信息包括推荐指数，所述推荐指数是根据预先收集的数据和预设算法确定的；

第一展示模块，用于向用户展示所述推荐信息。

9.根据权利要求8所述的装置，其特征在于，还包括：

第二展示模块，用于向所述用户展示社交应用程序的主界面；

所述获取模块具体用于：在所述用户点击所述主界面中的预设按钮后，从云端服务器获取推荐信息。

10.根据权利要求9所述的装置，其特征在于，所述预设算法是神经网络算法，所述推荐指数是所述用户与待推荐的用户或者群组之间的相似度，所述云端服务器采用如下方式确定所述推荐指数：

从预先收集的数据中获取第一数据和第二数据，所述第一数据是所述用户的数据，所述第二数据是所述待推荐的用户或者群组的数据；

将所述第一数据映射为第一向量，将所述第二数据映射为第二向量；

计算所述第一向量与所述第二向量的相似度，将所述相似度确定为所述推荐指数。

11.根据权利要求9所述的装置，其特征在于，所述预设按钮包括用于推荐的按钮，所述装置还包括：

第三展示模块，用于当用户点击所述用于推荐的按钮后，向所述用户展示推荐项，所述推荐项包括用户和群组。

12.根据权利要求11所述的装置，其特征在于，所述第一展示模块具体用于：

默认状态下，展示推荐的用户对应的推荐信息以及推荐的群组对应的推荐信息；或者，

当所述用户点击所述推荐项中的用户后，只展示推荐的用户对应的推荐信息，或者，当所述用户点击所述推荐项中的群组后，只展示推荐的群组对应的推荐信息。