CN104717124B - 一种好友推荐方法、装置及服务器 - Google Patents

一种好友推荐方法、装置及服务器 Download PDF

Info

Publication number
CN104717124B
CN104717124B CN201310689161.1A CN201310689161A CN104717124B CN 104717124 B CN104717124 B CN 104717124B CN 201310689161 A CN201310689161 A CN 201310689161A CN 104717124 B CN104717124 B CN 104717124B
Authority
CN
China
Prior art keywords
user
prediction
association
value
prediction model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201310689161.1A
Other languages
English (en)
Other versions
CN104717124A (zh
Inventor
张文龙
焦峰
王彬
曾雷
陈晓晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201310689161.1A priority Critical patent/CN104717124B/zh
Priority to PCT/CN2014/093661 priority patent/WO2015085948A1/en
Priority to US15/101,314 priority patent/US10410128B2/en
Publication of CN104717124A publication Critical patent/CN104717124A/zh
Application granted granted Critical
Publication of CN104717124B publication Critical patent/CN104717124B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
    • H04W4/21—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel for social networking applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种好友推荐方法、装置及服务器，其中，所述方法包括：获取目标用户的用户关联集中各个关联用户的原始数据，所述原始数据包括每一个关联用户与目标用户之间的位置关系数据、关联好友数据、时间关系数据中的任一种或多种；从每一个关联用户的原始数据中筛选出特征数据，构成针对每一个关联用户的特征组合；根据预置的多决策树预测模型对所述特征组合进行预测计算，得到针对每一个关联用户的关联预测值；根据得到的每一个关联用户的关联预测值从所述用户关联集中确定出所述目标用户的好友用户，并将确定的好友用户推荐给所述目标用户。采用本发明，可较为有效地提高了终端用户与推荐用户进行互动的几率。

Description

一种好友推荐方法、装置及服务器
技术领域
本发明涉及计算机应用技术领域，尤其涉及一种好友推荐方法、装置及服务器。
背景技术
随着互联网技术的快速发展，社交网络(SNS，Social Network Service)得到了极速的发展，而SNS中最重要的是关系链。
在SNS中，用户间的关系，用户产生的互联网术语(UGC，User GeneratedContent)，用户转发、评论、用户感兴趣的内容、用户之间的互动，等等，都是基于关系链作为基础来传播散发的，那如何拓展和维系关系链，显得至关重要。
现有的SNS社区，大部分针对扩展关系链，推荐好友，主要是通过两个人的共同关系来找到一些交集，即例如公共城市，共同学校，同一个公司，共同好友等因素来判断是否扩展关系链，是否需要推荐好友，但是如何评估这些因素的权重，现有技术中往往是通过经验由人工来确定并配置各个维度因素的权重，因此该权重的配置是固定的，不利于向用户准确地扩展关系链，使得关系链的推荐不够准确。
发明内容
本发明实施例所要解决的技术问题在于，提供一种好友推荐方法、装置及***，可基于原始数据和多决策树预测模型来自动进行较为准确的预测进行关系链推荐。
为了解决上述技术问题，本发明实施例提供了一种好友推荐方法，其特征在于，包括：
获取目标用户的用户关联集中各个关联用户的原始数据，所述原始数据包括每一个关联用户与目标用户之间的位置关系数据、关联好友数据、时间关系数据中的任一种或多种；
从每一个关联用户的原始数据中筛选出特征数据，构成针对每一个关联用户的特征组合；
根据预置的多决策树预测模型对所述特征组合进行预测计算，得到针对每一个关联用户的关联预测值；
根据得到的每一个关联用户的关联预测值从所述用户关联集中确定出所述目标用户的好友用户，并将确定的好友用户推荐给所述目标用户
相应地，本发明还提供了一种好友推荐装置，包括：
获取模块，用于获取目标用户的用户关联集中各个关联用户的原始数据，所述原始数据包括每一个关联用户与目标用户之间的位置关系数据、关联好友数据、时间关系数据中的任一种或多种；
组合模块，从每一个关联用户的原始数据中筛选出特征数据，构成针对每一个关联用户的特征组合；
处理模块，用于根据预置的多决策树预测模型对所述特征组合进行预测计算，得到针对每一个关联用户的关联预测值；
推荐模块，用于根据得到的每一个关联用户的关联预测值从所述用户关联集中确定出所述目标用户的好友用户，并将确定的好友用户推荐给所述目标用户。
相应地，本发明还提供了一种服务器，包括上述好友推荐装置。
本发明实施例通过提取用户表示关系因素的特征数据，并根据多决策树预测模型，能够自动地确定目标用户与推荐用户之间的关联程度，提高了终端用户与推荐用户进行互动的几率，更利于用户扩展关系链，也满足了好友推荐的自动化智能化需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种好友推荐方法的流程示意图；
图2是本发明实施例的预置多决策树预测模型的方法的流程示意图；
图3是本发明实施例的另一种好友推荐方法的流程示意图；
图4是本发明实施例的一种好友推荐装置的结构示意图；
图5是本发明实施例的另一种好友推荐装置的结构示意图；
图6是图5中的预置模块的其中一种结构示意图；
图7是图5中的推荐模块的其中一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明提供的一种好友推荐方法的流程示意图，本发明实施例可应用在各种即时通信应用、社交网站应用等类型的应用服务器中，在某个用户接入到应用或者发起好友查找时，将该用户作为目标用户触发执行所述的好友推荐方法，具体的，该方法包括：
S101：获取目标用户的用户关联集中各个关联用户的原始数据；
其中，所述原始数据包括每一个关联用户与目标用户之间的位置关系数据、关联好友数据、时间关系数据中的任一种或多种。
具体可以基于所述目标用户当前所处的位置、其已登记的所属的公司、所属的行业、学校、星座等等内容来从登记服务器中确定出一个或者多个与该目标用户关联的其他用户构成用户关联集，该用户关联集中具体可以包括一个或者多个关联用户，例如是否为同一个学校或者某个时间范围内是同一个学校。同时，将这些关联用户的当前所处的位置、已登记的所属的公司、所属的行业、学校、星座、甚至出生地点、生日等信息作为原始数据。
S102：从每一个关联用户的原始数据中筛选出特征数据，构成针对每一个关联用户的特征组合；
对于提取的原始数据，有些数据可能对本次推荐处理并无用处，例如对于初始数据中出生地点、生日等信息基本可以确定对本次推荐处理无用，因此，会剔除这些数据，提取得到诸如所在位置、所属公司、所属行业、学校等数据作为特征数据，进而得到每一个关联用户的特征组合。
S103：根据预置的多决策树预测模型对所述特征组合进行预测计算，得到针对每一个关联用户的关联预测值。
多决策树预测模型可以为基于GBDT(Gradient Boosting Decision Tree，梯度提升决策树)的预测模型，通过预置了相应权重的多个GBDT构成的预测模型，可以得到每一个关联用户的特征组合在相应的权重下的关联预测值。
需要说明的是，多决策树预测模型不像决策树模型那样仅由一棵决策树构成，而是由多棵决策树构成，通常都是上百棵树，而且每棵树规模都较小(即树的深度会比较浅)。本发明实施例中的多决策树预测模型在预测的时候，对于输入的特征组合，例如城市、公司、学校的组合，会根据为每一个决策树中各个节点预置好的权重值，在遍历每一棵决策树时进行计算时，每棵树都会根据节点的权重值对组合进行计算得到每一棵决策树的预测值。初始的权重值可以由人工设置，具体可以根据特征组合中的特征数据与目标用户的数据是否相同来进行设置，例如，对应在两者属于同一城市的节点的权重值为2，对应属于不同城市的节点的权重值设置为0.5，不同决策树中节点的权重值根据损失函数具有不同的值。
根据每一个节点的权重，可以得到每一个棵决策树的预测值，然后将所有的预测值相加，即可得到该关联用户的该特征组合下最终的关联预测值，公式可以采用如下形式：
F(x)＝F0+β1T1(x)+β2T2(x)…+βMTM(x)；
其中M为大于2的自然数；F0是设置的初值，Ti是第i棵决策树。针对特征组合，对于不同的问题(回归问题或者分类问题)以及各GBDT中选择不同的损失函数，相应的权重值的设置是不相同的。
S104：根据得到的每一个关联用户的关联预测值从所述用户关联集中确定出所述目标用户的好友用户，并将确定的好友用户推荐给所述目标用户。
另外，需要说明的是，本发明实施例中的关系链推荐，包括但不限于用户好友推荐、评论推荐、感兴趣新闻推荐等信息推荐。
本发明实施例通过提取用户表示关系因素的特征数据，并根据多决策树预测模型，能够自动地确定目标用户与推荐用户之间的关联程度，提高了终端用户与推荐用户进行互动的几率，更利于用户扩展关系链，也满足了好友推荐的自动化智能化需求。
再请参见图2，是本发明实施例的预置多决策树预测模型的方法的流程示意图，本发明实施例的所述方法可以完成多决策树预测模型的预置，以便于完成上述图1中的确定特征组合的关联预测值，具体的，所述方法包括：
S201：确定出多个预测用户的特征组合；该预测用户为虚拟用户，特征组合为相应的虚拟用户与可能的目标用户之间的特征数据的组合。
S202：采用设置了初始权重值的多决策树预测模型对每一个预测用户的特征组合分别进行预测计算，确定每一个预测用户的特征组合对应的关联预测值；
S203：根据关联预测值的大小对每一个预测用户进行排序，得到排序列表；
S204：若得到的排序列表与预设排序表中预测用户的排序的相同率达到阈值，输出所述设置了初始权重值的多决策树预测模型作为预置的多决策树预测模型；
在预置的过程中，用户首先可以设置A、B、C、D、E五个虚拟的预测用户，该四个虚拟的用户与可能的目标用户之间的关系的亲密度(对应于预测值)可以设置为A、C、B、D、E，即构成预设排序表。
在通过S202至S204的计算后，可以根据特征组合和节点被设置了相应权重值的多决策树预测模型计算出每一个特征组合的关联预测值，该关联预测值作为用户A、B、C、D、E与可能的目标用户之间的亲密度，由此根据关联预测值确定出一个排序列表，两个表之间的排序相同率通过计算排序相同的部分用户数量与全部用户的数量来确定确定相同率，例如，若根据关联预测值确定出一个排序列表为：A、C、B、E、D，即前面的三个A、C、B、的用户排序相同，得到3/5*100％＝60％，根据该排序率与预置的阈值进行比较，即可确定是否输出节点为相应权重值的多决策树预测模型。
S205：否则，调整权重值，再次采用调整权重值后的多决策树预测模型对每一个预测用户的特征组合分别进行预测计算，确定每一个预测用户的特征组合对应的关联预测值；
S206：本次调整权重值后，判断确定的特征组合对应的关联预测值得到的排序列表与预设排序表中的预测用户的排列顺序的相同率是否达到阈值，则执行下述的S207，否则，继续执行S206。
S207：输出经过本次权重值调整后的多决策树预测模型作为预置的多决策树预测模型。
在本发明实施例中，通过上述构建的多决策树预测模型，能够根据多个陌生人的共同关系因素进行学习，自动生成各个因素(特征数据)的权重，代替了现有技术中人为配置的生硬行为，解决了现有技术中的权重不准确问题，从而使得终端用户与推荐用户之间具有较高的关联程度，进而提高了终端用户与推荐用户进行互动的几率，更利于用户扩展关系链。
再请参见图3，是本发明实施例的另一种好友推荐方法的流程示意图，本发明实施例的所述方法可应用在各种即时通信应用、社交网站应用等类型的应用服务器中，在某个用户接入到应用或者发起好友查找时，将该用户作为目标用户触发执行所述的好友推荐方法，具体的，该方法包括：
S301：提取所述目标用户的标记信息，根据所述标记信息来确定关联用户，所述标记信息包括所述目标用户的账号信息和/或位置信息。
具体可以提取该目标用户的账号信息中记录的诸如所属的公司、所属的行业、学校、星座等信息，以及当前登录时所处的位置信息，该位置信息可以根据用户当前所使用的IP地址来确认。
S302：获取目标用户的用户关联集中各个关联用户的原始数据，所述原始数据包括每一个关联用户与目标用户之间的位置关系数据、关联好友数据、时间关系数据中的任一种或多种。
S303：从每一个关联用户的原始数据中筛选出特征数据，构成针对每一个关联用户的特征组合；
S304：根据预置的多决策树预测模型对所述特征组合进行预测计算，得到针对每一个关联用户的关联预测值；所述多决策树预测模型包括基于梯度提升决策树GBDT的预测模型。
所述S302至S304的具体实现可参考上述图1对应实施例的描述，所述预置的多决策树预测模型的具体预置过程可参考上述图2对应实施例的描述。
S305：将关联预测值大于预设的预测阈值的关联用户确定为所述目标用户的好友用户；
S306：根据每一个被确定为好友用户的关联预测值的大小，对确定的好友用户进行排序，并按照排序的结果向目标用户显示确定的好友用户。
具体可以按照排序的结果通过显示这些好友用户头像的方式来向用户作好友推荐，并且在头像中设置一个添加好友的接口，方便用户在点击对应的头像后，发出加为好友的请求执行好友添加流程。
本发明实施例通过提取用户表示关系因素的特征数据，并根据多决策树预测模型，能够自动地确定目标用户与推荐用户之间的关联程度，提高了终端用户与推荐用户进行互动的几率，更利于用户扩展关系链，也满足了好友推荐的自动化智能化需求。
上述详细阐述了本发明实施例的好友推荐方法，下面相应地，详细说明本发明实施例的好友推荐装置。
请参见图4，是本发明实施例的一种好友推荐装置的结构示意图，本发明实施例的所述装置可设置在各种即时通信应用、社交网站应用等类型的应用服务器中，在某个用户接入到应用或者发起好友查找时，将该用户作为目标用户执行针对该目标用户的好友推荐操作，具体的，所述装置包括：
获取模块1，用于获取目标用户的用户关联集中各个关联用户的原始数据，所述原始数据包括每一个关联用户与目标用户之间的位置关系数据、关联好友数据、时间关系数据中的任一种或多种；
组合模块2，用于从每一个关联用户的原始数据中筛选出特征数据，构成针对每一个关联用户的特征组合；
处理模块3，用于用于根据预置的多决策树预测模型对所述特征组合进行预测计算，得到针对每一个关联用户的关联预测值；
推荐模块4，用于根据得到的每一个关联用户的关联预测值从所述用户关联集中确定出所述目标用户的好友用户，并将确定的好友用户推荐给所述目标用户。
具体可以基于所述目标用户当前所处的位置、其已登记的所属的公司、所属的行业、学校、星座等等内容来从登记服务器中确定出一个或者多个与该目标用户关联的其他用户构成用户关联集，该用户关联集中具体可以包括一个或者多个关联用户，例如是否为同一个学校或者某个时间范围内是同一个学校。同时，通过所述获取模块1将这些关联用户的当前所处的位置、已登记的所属的公司、所属的行业、学校、星座、甚至出生地点、生日等信息作为原始数据。
对于提取的原始数据，有些数据可能对本次推荐处理并无用处，例如对于初始数据中出生地点、生日等信息基本可以确定对本次推荐处理无用，因此，所述组合模块2会剔除这些数据，提取得到诸如所在位置、所属公司、所属行业、学校等数据作为特征数据，进而得到每一个关联用户的特征组合。
所述多决策树预测模型可以为基于GBDT(Gradient Boosting Decision Tree，梯度提升决策树)的预测模型，所述处理模块3通过该预置了相应权重的多个GBDT构成的预测模型，可以得到每一个关联用户的特征组合中每一个特征数据在相应的权重下的关联预测值。
需要说明的是，多决策树预测模型不像决策树模型那样仅由一棵决策树构成，而是由多棵决策树构成，通常都是上百棵树，而且每棵树规模都较小(即树的深度会比较浅)。本发明实施例中的多决策树预测模型在预测的时候，对于输入的特征组合，例如城市、公司、学校的组合，会根据为每一个决策树中各个节点预置好的权重值，在遍历每一棵决策树时进行计算时，每棵树都会根据节点的权重值对组合进行计算得到每一棵决策树的预测值，然后将所有的预测值相加，即可得到该关联用户的该特征组合下最终的关联预测值。
本发明实施例通过提取用户表示关系因素的特征数据，并根据多决策树预测模型，能够自动地确定目标用户与推荐用户之间的关联程度，提高了终端用户与推荐用户进行互动的几率，更利于用户扩展关系链，也满足了好友推荐的自动化智能化需求。
再请参见图5，是本发明实施例的另一种好友推荐装置的结构示意图，本发明实施例的所述装置可设置在各种即时通信应用、社交网站应用等类型的应用服务器中，包括上述图4对应实施例中的获取模块1、组合模块2、处理模块3以及推荐模块4，进一步地，在本发明实施例中，所述装置还可以包括：
预置模块5，用于预置多决策树预测模型，所述所述多决策树预测模型包括基于梯度提升决策树GBDT的预测模型。
具体的，请参见图6，所述的预置模块5具体可以包括：
组合确定单元51，用于用于确定出多个预测用户的特征组合；
第一计算单元52，用于采用设置了初始权重值的多决策树预测模型对每一个预测用户的特征组合分别进行预测计算，确定每一个预测用户的特征组合对应的关联预测值；
排序单元53，根据关联预测值的大小对每一个预测用户进行排序，得到排序列表；
第一输出单元54，用于若得到的排序列表与预设排序表中预测用户的排序的相同率达到阈值，输出所述设置了初始权重值的多决策树预测模型作为预置的多决策树预测模型；
第二计算单元55，用于若得到的排序列表与预设排序表中预测用户的排序的相同率未达到阈值，调整权重值，再次采用调整权重值后的多决策树预测模型对每一个预测用户的特征组合分别进行预测计算，确定每一个预测用户的特征组合对应的关联预测值，重复执行权重值的调整直至对应得到的排序列表与预设排序表中的预测用户的排列顺序的相同率达到阈值；
第二输出单元56，用于输出所述第二计算单元中的设置了最终调整后权重值的多决策树预测模型作为预置的多决策树预测模型。
进一步可选地，如图7所示，所述推荐模块4具体可以包括：
好友确定单元41，用于将关联预测值大于预设的预测阈值的关联用户确定为所述目标用户的好友用户；
推荐单元42，用于根据每一个被确定为好友用户的预测值的大小，对好友用户进行排序，并按照排序的结果向目标用户显示确定的好友用户。
所述推荐单元42具体可以按照排序的结果通过显示这些好友用户头像的方式来向用户作好友推荐，并且在头像中设置一个添加好友的接口，方便用户在点击对应的头像后，发出加为好友的请求执行好友添加流程。
进一步可选地，本发明实施例的所述装置还可以包括：
确定模块6，用于提取所述目标用户的标记信息，根据所述标记信息来确定关联用户，所述标记信息包括所述目标用户的账号信息和/或位置信息。
所述确定模块6具体可以提取该目标用户的账号信息中记录的诸如所属的公司、所属的行业、学校、星座等信息，以及当前登录时所处的位置信息，该位置信息可以根据用户当前所使用的IP地址来确认。
本发明实施例通过提取用户表示关系因素的特征数据，并根据多决策树预测模型，能够自动地确定目标用户与推荐用户之间的关联程度，提高了终端用户与推荐用户进行互动的几率，更利于用户扩展关系链，也满足了好友推荐的自动化智能化需求。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (11)

1.一种好友推荐方法，其特征在于，包括：
获取目标用户的用户关联集中各个关联用户的原始数据，所述原始数据包括每一个关联用户与目标用户之间的位置关系数据、关联好友数据、时间关系数据中的任一种或多种；
从每一个关联用户的原始数据中筛选出特征数据，构成针对每一个关联用户的特征组合；
根据预置的多决策树预测模型对所述特征组合进行预测计算，得到针对每一个关联用户的关联预测值；
根据得到的每一个关联用户的关联预测值从所述用户关联集中确定出所述目标用户的好友用户，并将确定的好友用户推荐给所述目标用户；
其中，预置多决策树预测模型包括：确定出多个预测用户的特征组合；采用设置了初始权重值的多决策树预测模型对每一个预测用户的特征组合分别进行预测计算，确定每一个预测用户的特征组合对应的关联预测值；根据关联预测值的大小对每一个预测用户进行排序，得到排序列表；在所述排序列表与预设排序表中预测用户的排序的相同率未达到阈值时，对所述设置了初始权重值的多决策树预测模型中的初始权重值进行调整，以便于得到预置的多决策树预测模型。
2.根据权利要求1所述的方法，其特征在于，所述多决策树预测模型包括基于梯度提升决策树GBDT的预测模型。
3.如权利要求1或2所述的方法，其特征在于，预置多决策树预测模型，还包括：
若得到的排序列表与预设排序表中预测用户的排序的相同率达到阈值，输出所述设置了初始权重值的多决策树预测模型作为预置的多决策树预测模型；
否则，调整权重值，再次采用调整权重值后的多决策树预测模型对每一个预测用户的特征组合分别进行预测计算，确定每一个预测用户的特征组合对应的关联预测值，重复本步骤直至对应得到的排序列表与预设排序表中的预测用户的排列顺序的相同率达到阈值，并输出设置了最终调整后权重值的多决策树预测模型作为预置的多决策树预测模型。
4.根据权利要求3所述的方法，其特征在于，所述根据得到的每一个关联用户的关联预测值从所述用户关联集中确定出所述目标用户的好友用户，并将确定的好友用户推荐给所述目标用户，包括：
将关联预测值大于预设的预测阈值的关联用户确定为所述目标用户的好友用户；
根据每一个被确定为好友用户的预测值的大小，对确定的好友用户进行排序，并按照排序的结果向目标用户显示确定的好友用户。
5.如权利要求4所述的方法，其特征在于，所述获取目标用户的用户关联集中各个关联用户的原始数据之前，还包括：
提取所述目标用户的标记信息，根据所述标记信息来确定关联用户，所述标记信息包括所述目标用户的账号信息和/或位置信息。
6.一种好友推荐装置，其特征在于，包括：
获取模块，用于获取目标用户的用户关联集中各个关联用户的原始数据，所述原始数据包括每一个关联用户与目标用户之间的位置关系数据、关联好友数据、时间关系数据中的任一种或多种；
组合模块，用于从每一个关联用户的原始数据中筛选出特征数据，构成针对每一个关联用户的特征组合；
处理模块，用于根据预置的多决策树预测模型对所述特征组合进行预测计算，得到针对每一个关联用户的关联预测值；
推荐模块，用于根据得到的每一个关联用户的关联预测值从所述用户关联集中确定出所述目标用户的好友用户，并将确定的好友用户推荐给所述目标用户；
其中，预置多决策树预测模型包括：确定出多个预测用户的特征组合；采用设置了初始权重值的多决策树预测模型对每一个预测用户的特征组合分别进行预测计算，确定每一个预测用户的特征组合对应的关联预测值；根据关联预测值的大小对每一个预测用户进行排序，得到排序列表；在所述排序列表与预设排序表中预测用户的排序的相同率未达到阈值时，对所述设置了初始权重值的多决策树预测模型中的初始权重值进行调整，以便于得到预置的多决策树预测模型。
7.如权利要求6所述的装置，其特征在于，还包括：
预置模块，用于预置多决策树预测模型，所述所述多决策树预测模型包括基于梯度提升决策树GBDT的预测模型。
8.如权利要求7所述的装置，其特征在于，所述预置模块包括：
组合确定单元，用于用于确定出多个预测用户的特征组合；
第一计算单元，用于采用设置了初始权重值的多决策树预测模型对每一个预测用户的特征组合分别进行预测计算，确定每一个预测用户的特征组合对应的关联预测值；
排序单元，根据关联预测值的大小对每一个预测用户进行排序，得到排序列表；
第一输出单元，用于若得到的排序列表与预设排序表中预测用户的排序的相同率达到阈值，输出所述设置了初始权重值的多决策树预测模型作为预置的多决策树预测模型；
第二计算单元，用于若得到的排序列表与预设排序表中预测用户的排序的相同率未达到阈值，调整权重值，再次采用调整权重值后的多决策树预测模型对每一个预测用户的特征组合分别进行预测计算，确定每一个预测用户的特征组合对应的关联预测值，重复进行权重值的调整直至对应得到的排序列表与预设排序表中的预测用户的排列顺序的相同率达到阈值；
第二输出单元，用于输出所述第二计算单元中的设置了最终调整后权重值的多决策树预测模型作为预置的多决策树预测模型。
9.如权利要求8所述的装置，其特征在于，所述推荐模块包括：
好友确定单元，用于将关联预测值大于预设的预测阈值的关联用户确定为所述目标用户的好友用户；
推荐单元，用于根据每一个被确定为好友用户的预测值的大小，对确定的好友用户进行排序，并按照排序的结果向目标用户显示确定的好友用户。
10.如权利要求9所述的装置，其特征在于，还包括：
确定模块，用于提取所述目标用户的标记信息，根据所述标记信息来确定关联用户，所述标记信息包括所述目标用户的账号信息和/或位置信息。
11.一种服务器，其特征在于，包括如权利要求6-10任一项所述的装置。
CN201310689161.1A 2013-12-13 2013-12-13 一种好友推荐方法、装置及服务器 Active CN104717124B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201310689161.1A CN104717124B (zh) 2013-12-13 2013-12-13 一种好友推荐方法、装置及服务器
PCT/CN2014/093661 WO2015085948A1 (en) 2013-12-13 2014-12-12 Method, device, and server for friend recommendation
US15/101,314 US10410128B2 (en) 2013-12-13 2014-12-12 Method, device, and server for friend recommendation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310689161.1A CN104717124B (zh) 2013-12-13 2013-12-13 一种好友推荐方法、装置及服务器

Publications (2)

Publication Number Publication Date
CN104717124A CN104717124A (zh) 2015-06-17
CN104717124B true CN104717124B (zh) 2019-07-16

Family

ID=53370639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310689161.1A Active CN104717124B (zh) 2013-12-13 2013-12-13 一种好友推荐方法、装置及服务器

Country Status (3)

Country Link
US (1) US10410128B2 (zh)
CN (1) CN104717124B (zh)
WO (1) WO2015085948A1 (zh)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10380501B2 (en) * 2015-11-13 2019-08-13 Facebook, Inc. Lookalike evaluation
CN105843830A (zh) * 2015-11-30 2016-08-10 维沃移动通信有限公司 一种好友推荐方法及***
US10733678B2 (en) * 2015-12-28 2020-08-04 Facebook, Inc. Systems and methods for predicting page activity to optimize page recommendations
US10366451B2 (en) * 2016-01-27 2019-07-30 Huawei Technologies Co., Ltd. System and method for prediction using synthetic features and gradient boosted decision tree
CN105975537A (zh) * 2016-04-29 2016-09-28 乐视控股（北京）有限公司 一种应用程序的排序方法及装置
CN106097112A (zh) * 2016-06-21 2016-11-09 李振国 一种缘分记录***及基于该***的社交方法
CN106126691A (zh) * 2016-06-29 2016-11-16 北京金山安全软件有限公司 一种添加好友的方法、装置及电子设备
CN106910135A (zh) * 2017-01-25 2017-06-30 百度在线网络技术（北京）有限公司 用户推荐方法及装置
CN106951515A (zh) * 2017-03-17 2017-07-14 上海衡修信息科技有限公司 一种基于社交软件的联系人匹配方法及装置
US10540683B2 (en) * 2017-04-24 2020-01-21 Microsoft Technology Licensing, Llc Machine-learned recommender system for performance optimization of network-transferred electronic content items
CN108875993B (zh) * 2017-05-16 2022-05-10 清华大学 邀请行为预测方法及装置
CN108985309B (zh) * 2017-05-31 2022-11-29 腾讯科技（深圳）有限公司 一种数据处理方法以及装置
CN107392781B (zh) * 2017-06-20 2021-11-02 挖财网络技术有限公司 用户关系的识别方法、对象关系的识别方法及装置
CN107871286A (zh) * 2017-07-20 2018-04-03 上海前隆信息科技有限公司 用户与联系人间亲密度判定方法/***、存储介质及设备
CN107622086A (zh) * 2017-08-16 2018-01-23 北京京东尚科信息技术有限公司 一种点击率预估方法和装置
CN108536726A (zh) * 2018-02-25 2018-09-14 心触动（武汉）科技有限公司 一种校内社交好友智能推荐方法及***
US11115228B2 (en) * 2018-07-30 2021-09-07 Slack Technologies, Inc. Method, apparatus, and computer program product for individual profile telemetry discovery within a group based communication system
CN109241120A (zh) * 2018-08-28 2019-01-18 国信优易数据有限公司 一种用户推荐方法及装置
CN109474845B (zh) * 2018-09-14 2021-11-16 咪咕音乐有限公司 弹幕控制方法、弹幕处理服务器以及计算机可读存储介质
CN109450771B (zh) * 2018-09-26 2022-05-17 深圳壹账通智能科技有限公司 添加好友的方法、装置、计算机设备及存储介质
CN109859061A (zh) * 2018-12-28 2019-06-07 阿里巴巴集团控股有限公司 一种关联用户的推荐方法和装置
CN110322067A (zh) * 2019-07-03 2019-10-11 中山大学 基于因子图模型的移动用户位置预测方法
CN111046283A (zh) * 2019-12-04 2020-04-21 深圳前海微众银行股份有限公司 特征选择方法、装置、设备及存储介质
CN110928913B (zh) * 2019-12-09 2023-10-03 腾讯科技（深圳）有限公司 用户显示方法、装置、计算机设备及计算机可读存储介质
CN110992196B (zh) * 2019-12-13 2023-12-12 北京达佳互联信息技术有限公司 社交关系建立方法、***、终端设备及服务器
CN111221936B (zh) * 2020-01-02 2023-11-07 鼎富智能科技有限公司 一种信息匹配方法、装置、电子设备及存储介质
CN112243193B (zh) * 2020-09-29 2022-08-12 成都长虹网络科技有限责任公司 室内定位方法、装置、计算机设备和可读存储介质
CN112784168B (zh) * 2021-02-25 2023-08-22 平安健康保险股份有限公司 信息推送模型训练方法以及装置、信息推送方法以及装置
CN113051486A (zh) * 2021-04-16 2021-06-29 深圳市珍爱捷云信息技术有限公司 基于交友场景的推荐模型的训练方法、装置、电子设备和计算机可读存储介质
CN115865485B (zh) * 2022-11-30 2024-06-07 上海纽盾科技股份有限公司 基于元宇宙的陌生人安全防范方法及***
CN116450925B (zh) * 2022-12-27 2023-12-15 深圳市网新新思软件有限公司 基于人工智能的用户关系分析方法及***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101685458B (zh) * 2008-09-27 2012-09-19 华为技术有限公司 一种基于协同过滤的推荐方法和***
CN101446961A (zh) * 2008-12-24 2009-06-03 腾讯科技（深圳）有限公司 在网络社区中对用户及其好友进行关联的方法及***
CN101540739B (zh) * 2009-04-14 2011-10-05 腾讯科技（深圳）有限公司 用户推荐方法及用户推荐***
US9449282B2 (en) * 2010-07-01 2016-09-20 Match.Com, L.L.C. System for determining and optimizing for relevance in match-making systems
CN103177129B (zh) * 2013-04-19 2016-03-16 上海新数网络科技股份有限公司 互联网实时信息推荐预测***

Also Published As

Publication number Publication date
WO2015085948A1 (en) 2015-06-18
US10410128B2 (en) 2019-09-10
US20160307101A1 (en) 2016-10-20
CN104717124A (zh) 2015-06-17

Similar Documents

Publication Publication Date Title
CN104717124B (zh) 一种好友推荐方法、装置及服务器
CN107733854B (zh) 一种网络虚拟账户的管理方法
CN104915354A (zh) 多媒体文件推送方法及装置
CN107305611B (zh) 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置
CN103984775A (zh) 一种推荐好友的方法和设备
CN108985954B (zh) 一种建立各标识的关联关系的方法以及相关设备
CN108733791B (zh) 网络事件检测方法
CN112000763B (zh) 兴趣点竞争关系确定方法、装置、设备和介质
CN110929141B (zh) 团伙挖掘方法、装置、设备及存储介质
JP2013003763A (ja) 情報推薦装置、情報推薦方法及び情報推薦プログラム
CN111523035A (zh) App浏览内容的推荐方法、装置、服务器和介质
CN104348871A (zh) 一种同类账号扩展方法及装置
CN115344341A (zh) 基于捆绑会话组的交互方法、装置和计算机设备
CN111557014A (zh) 提供多个个人资料的方法及***
WO2015165230A1 (zh) 一种社交消息的监测方法及装置
CN110704612B (zh) 一种社交群体发现方法、装置和存储介质
CN105653533B (zh) 一种更新分类关联词集合的方法和装置
CN115329078B (zh) 文本数据处理方法、装置、设备以及存储介质
KR101928822B1 (ko) 사물 인터넷 환경에서 낯선 기기에 대한 사용자 신뢰도 계산 시스템 및 방법
CN112396151B (zh) 谣言事件的分析方法、装置、设备及计算机可读存储介质
CN106301880B (zh) 一种确定网络关系稳定度、互联网业务推荐方法和设备
JP6129815B2 (ja) 情報処理装置、方法及びプログラム
CN113806616B (zh) 微博用户识别方法、***、电子设备及存储介质
CN110968785B (zh) 目标帐号的识别方法和装置、存储介质及电子装置
CN107483256B (zh) 一种网络化数据流的标签提取方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant