CN109190033B - 一种用户好友推荐方法及*** - Google Patents
一种用户好友推荐方法及*** Download PDFInfo
- Publication number
- CN109190033B CN109190033B CN201810967953.3A CN201810967953A CN109190033B CN 109190033 B CN109190033 B CN 109190033B CN 201810967953 A CN201810967953 A CN 201810967953A CN 109190033 B CN109190033 B CN 109190033B
- Authority
- CN
- China
- Prior art keywords
- user
- bridge
- recommendation
- relationship
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000006399 behavior Effects 0.000 claims abstract description 50
- 230000003993 interaction Effects 0.000 claims description 53
- 238000007405 data analysis Methods 0.000 claims description 39
- 230000003542 behavioural effect Effects 0.000 claims 2
- 238000011156 evaluation Methods 0.000 abstract description 16
- 238000012795 verification Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 5
- 230000002194 synthesizing effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种用户好友的推荐方法及***,所述方法包括通过用户行为构建目标用户与推荐候选集用户的二级网络关系,综合目标用户与推荐候选集用户之间的关系,根据用户需要,推荐给目标用户符合其兴趣偏好的用户集合。引入行为时间因子进行推荐策略的动态调整,基于用户的二度关系,以中间节点作为推荐的桥梁,建立了基于用户兴趣的好友推荐方法。使得各用户之间的关系亲密度具有时间维度,使得评价数据更加真实,也能更加客观且真实的反应各用户之间亲密关系,增加推荐结果的准确性,从而为用户推荐其最可能感兴趣的用户,并最终用实验验证,证明了推荐结果的精准性及有效性。
Description
技术领域
本文涉及数据处理技术领域,具体涉及一种用户好友推荐方法及***。
背景技术
微博作为目前用户基数最大、成长最迅速的社交网络平台,微博推荐已经成为其提高用户体验并满足用户需求的核心功能之一。而添加好友作为微博平台中的重要活动,如何通过对微博推荐功能的应用,将满足用户兴趣需求的推荐物料,通过最恰当的策略方式,并选择最合适的时机进行推荐,帮助目标用户降低体验成本,并高效快捷的寻找到最感兴趣的信息已经成为亟需解决的问题。通过对微博平台的推荐功能进行调研及总结,如图1所示,目前微博平台共存在如下5种推荐方式:(1)基于属性信息的推荐、(2)基于影响力的推荐、(3)基于社交关系的推荐、(4)基于内容信息的推荐、(5)基于分组的推荐,其中:
(1)基于属性信息的推荐,根据用户在微博上的注册信息,如公司、学校等,将具有相同属性并且位于同一社区网络中的推荐候选推荐给目标用户。在微博平台中通常以“XX大学校友”或“你们来自XX公司”等形式展现。
(2)基于影响力的推荐,微博用户有时兴趣需求表现并不明确,并基于每个用户对热门消息都具有好奇的心理,将一段时期内影响力高并且热门的候选推荐给目标用户。推荐展现理由为“24小时热搜”、“风云人物”等形式。
(3)基于社交关系的推荐,根据微博用户产生的行为构建的复杂网络,将与用户关系最密切、互动频次最高的候选资源推荐给目标用户。该方法推荐展示理由为“好友的好友”、“关注的关注”等形式。其中,前者表达的思想是用户对关系密切的好友所感兴趣的信息也可能感兴趣,而“关注的关注”传达的策略是用户对其感兴趣的关键节点所隶属的兴趣圈子的内容也会产生一定的兴趣。而这两种方式也正是社交网络中用户关系类型的体现。
(4)基于内容信息的推荐,通过词频统计和语义分析的技术手段,分析用户的博文内容,进行关键词提取,并结合用户自身所拥有的兴趣标签,构建代表用户兴趣的向量表示模型,运用标签映射分类体系,将与目标用户兴趣相投的候选以“兴趣相投—XX类别”的形式推荐给目标用户。
(5)基于分组的推荐,根据用户的好友分组信息,将某一名人公开推荐的好友信息有针对性的在其所属的领域组别中进行推荐。其所要表达的思想是用户对其感兴趣的用户认为有价值并值得被分享的信息也同样会感兴趣。在分组内进行查阅和浏览,更加具有针对性,并成功的提高了用户体验。
以上五种推荐方法中虽然各有特色,但都存在一定的不足之处。前两种方法虽然能够很好的解决推荐***中存在冷启动的问题,但用户划分太过于粗粒度,缺乏明显的针对性;基于兴趣进行的推荐只是从用户的博文内容和标签信息提取关键词进行兴趣标签匹配,没有从动态的社交网络中挖潜用户之间的关系,效果比较单一。
发明内容
本发明提供了一种用户好友推荐方法及***,为了解决上述技术问题,本发明采用的技术方案构思为:
一种用户好友的推荐方法,所述方法包括:通过用户行为构建目标用户与推荐候选集用户的二级网络关系,所述目标用户与推荐候选集用户的二级网络关系包括目标用户与桥梁用户的一级网络关系、以及桥梁用户与推荐候选集用户的一级网络关系;
根据所述目标用户与所述桥梁用户的一级网络关系得到所述目标用户与所述桥梁用户的亲密度关系值,并根据所述桥梁用户与所述推荐候选集用户的一级网络关系得到所述桥梁用户与所述推荐候选集用户的相似度关系值;
根据所述目标用户与所述桥梁用户的亲密度关系值以及所述桥梁用户与所述推荐候选集用户的相似度关系值得到所述推荐候选集用户的推荐值;
根据推荐候选集用户的推荐值,选择符合所述目标用户的兴趣偏好的用户集合。
所述根据目标用户与所述桥梁用户的一级网络关系得到所述目标用户与所述桥梁用户的亲密度关系值包括:
根据所述目标用户与所述桥梁用户的亲密度得到所述目标用户与所述桥梁用户的亲密度关系值;
所述目标用户与所述桥梁用户的亲密度包括所述目标用户与所述桥梁用户的互动强度以及所述目标用户与所述桥梁用户的行为时间关系。
所述目标用户与所述桥梁用户的互动强度包括设定时间周期内所述目标用户与所述桥梁用户之间的互动数量、以及互动频率。
所述目标用户与所述桥梁用户的行为时间关系由包含有行为时间因子的函数决定。
所述桥梁用户与所述推荐候选集用户的相似度关系值由所述桥梁用户与所述推荐候选集用户的共同好友数量作为衡量指标得到。
所述***包括:
数据获取单元,用于通过用户行为构建目标用户与推荐候选集用户的二级网络关系,所述目标用户与推荐候选集用户的二级网络关系包括目标用户与桥梁用户的一级网络关系、以及桥梁用户与推荐候选集用户的一级网络关系;
数据分析单元,用于根据数据获取单元构建的二级网络关系,得到各推荐候选集用户的推荐值;具体包括:
第一数据分析模块,用于根据所述目标用户与所述桥梁用户的一级网络关系得到所述目标用户与所述桥梁用户的亲密度关系值;
第二数据分析模块,用于根据所述桥梁用户与所述推荐候选集用户的一级网络关系得到所述桥梁用户与所述推荐候选集用户的相似度关系值;第三数据分析模块,用于根据所述第一数据分析模块得到的亲密度关系值以及所述第二数据分析模块得到的相似度关系值得到所述推荐候选集用户的推荐值;
数据反馈单元,用于根据所述第三数据分析模块得到的所述推荐候选集用户的推荐值,选择符合所述目标用户的兴趣偏好的用户集合。
所述第一数据分析模块,具体用于根据所述目标用户与所述桥梁用户的亲密度得到所述目标用户与所述桥梁用户的亲密度关系值;
所述目标用户与所述桥梁用户的亲密度包括所述目标用户与所述桥梁用户的互动强度以及所述目标用户与所述桥梁用户的行为时间关系。
所述第一数据分析模块中所述目标用户与所述桥梁用户的互动强度包括设定时间周期内所述目标用户与所述桥梁用户之间的互动数量、以及互动频率。
所述第一数据分析模块中所述目标用户与所述桥梁用户的行为时间关系由包含有行为时间因子的函数决定。
所述第二数据分析模块中所述桥梁用户与所述推荐候选集用户的相似度关系值由所述桥梁用户与所述推荐候选集用户的共同好友数量作为衡量指标得到。
采用上述技术方案后,本发明与现有技术相比具有以下有益效果:
首先,本文推荐方法从用户行为出发,通过桥梁用户,从推荐候选集用户中确定与目标节点用户相似度、亲密度到达一定量值的用户集合;其次,本文加入用户行为时间因子作为评价目标节点用户与桥梁用户亲密度关系评价因素,结合用户之间的行为随时间因子的变化规律以及互动强度的特点,综合得出目标节点用户与桥梁用户之间的亲密度公式,使得各用户之间的关系亲密度具有时间维度,使得评价数据更加真实,也能更加客观且真实的反应各用户之间亲密关系,增加推荐结果的准确性,从而为用户推荐其最可能感兴趣的用户,并最终用实验验证,证明了推荐结果的精准性及有效性。
附图说明
其中,图中符号说明如下:
图1是本发明针对现有技术的推荐方法总结图;
图2是本发明实施方式1的用户推荐二级关系网络图;
图3是本发明实施方式1的艾宾斯遗忘曲线图;
图4是本发明实施方式1的基于用户兴趣模型的好友推荐流程图;
图5是本发明实施方式1的80名实验用户与其关注用户的转发、评论和提及的次数统计图;
图6是本发明实施例1的推荐方法性能比较图;
图7是本发明实施例1方法流程图;
图8是本发明实施例3的一种推荐***结构示意图。
具体实施方式
针对现有微博推荐策略的不足,并结合微博文本用词少、不规范等特点,本文从社交关系网络中挖掘用户的兴趣特征,引入时间因子进行推荐策略的动态调整,基于用户的二度关系,以中间节点作为推荐的桥梁,建立了基于用户兴趣的微博好友推荐方法及***。
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
实施例一:
首先对本发明一些专有词汇如桥梁亲密度、用户相似度、用户推荐值等专有词汇逐一阐释,再进行实施例说明:
首先,桥梁亲密度是用来衡量桥梁与目标用户之间互动以及关系强度的重要指标。若目标用户与其关注列表中的好友关系越密切,则二者之间会产生更多的互动。
结合微博网络中如双向强关系代表用户社交属性,而单向弱关系更能代表用户兴趣属性的特点,选取目标节点与桥梁用户之间转发、评论、提及三种动作作为分析用户之间互动强度的行为特征,本文定义,用户i与其桥梁用户j之间的互动强度由公式(1)所示:
其中,ni,j为目标节点i与桥梁用户j互动(转发、评论、提及)的总数,而ni,u代表目标用户与其所有桥梁用户的互动总次数。作为调节因子,结合考虑社交网络中的强弱关系类型,设定当用户之间为双向关注的强关系时而用户的关系类型为单向关注的弱关系时,设定
以上方法只考虑了用户之间的行为因素作为分析两个用户之间的互动强度。而用户的互动行为距离当前时间越近,越能精准的判断两个用户此刻的互动频率强弱,用户很久以前产生的互动行为并不能代表该用户当下的兴趣,而是随着时间因子的不断变化,用户之间的互动强度是不断的进行衰减。衰减规律符合艾宾斯遗忘曲线的分布特点(图3所示)。
从该图可知,遗忘曲线遵循了幂函数的分布特点。因此,将时间因素引入到好友推荐中,设定目标节点与桥梁用户之间的行为时间因子函数为:
其中,θ为用户行为随时间因子变化速率的参数,在本文中设定θ=1,即认为所有用户对不同行为类别随时间因子变化的速度相同,tk代表用户的第k次互动行为距离现在的时间,以天为单位,而n代表用户i与用户j互动(转发和评论)的总次数。
结合用户之间的行为随时间因子的变化规律以及互动强度的特点,综合得出目标节点i与桥梁用户j之间的亲密度公式如(3)所示:
关于用户的相似度702,顾名思义,用户相似度702是用来衡量两个用户特征之间类似程度的指标。若用户i关注了用户j,说明i对用户j所属的兴趣领域感兴趣。而对与桥梁用户j相似程度高、并且j也感兴趣的用户y,同样会充满兴趣,进而产生加关注的欲望。用户的粉丝数正是用来衡量两个用户相似程度的最直观指标。因此,本文定义桥梁用户j与推荐候选y之间的相似度公式(4)所示:
其中,common_cntj,y是用户j与用户y之间的共同粉丝数,用来衡量两个用户之间的相似程度。
关于用户推荐值,上文中分别定义了微博用户不同层级之间的用户亲密度以及相似度的计算方法。而如何将与用户具有二度关系的候选资源推荐给目标用户,并通过亲密度最高的桥梁用户进行展示,从而吸引用户的加关注欲望是本专利的研究重点。
如图2所示,用户节点U0通过关注、转发或评论等行为与自己感兴趣的用户集
U={U1,U2,…Ui}构建社交关系,来获取相应的信息并满足情感需求。将这种与目标节点具有直接关系的用户称为桥梁用户。而基于目标用户对其感兴趣的好友所关注的用户,也会产生一定兴趣的特点,构建目标用户的二级关系网络,从而将推荐候选资源通过桥梁用户为目标用户进行有针对性的推荐,主要包含如下技术流程:
设定目标节点i与推荐候选y共有w个桥梁用户(w1,w2,…,wj),结合用户之间的亲密度以及相似度的计算方法,定义候选用户y被推荐给目标用户i的推荐值得分为:
其中,Xi,j为目标节点与桥梁用户的亲密度得分,而Simj,y为桥梁用户与最终推荐候选之间的相似度得分,综合以上因素,最终得出了候选资源的推荐值大小。
一种微博用户好友推荐的方法,所述方法包括通过微博行为构建目标用户与推荐候选集用户的二级网络关系,综合各用户之间的关系,推荐给目标用户符合其兴趣偏好的用户集合,例如按照推荐值大小选取TOP-N用户集合。
步骤702,通过用户行为构建目标用户与推荐候选集用户的二级网络关系,包括:目标用户与桥梁用户、以及桥梁用户与推荐候选集用户间的一级网络关系。
步骤704,所述通过用户行为构建目标用户与推荐候选集用户的二级网络关系,综合各用户之间的关系,包括:综合所述目标用户与所述桥梁用户的亲密度关系(简称亲密度)以及综合所述桥梁用户与所述推荐候选集用户的相似度关系(简称相似度)以及综合所述目标用户与所述桥梁用户的亲密度关系、所述桥梁用户与所述推荐候选集用户的相似度关系之间的关系。
所述目标节点用户与所述桥梁用户的亲密度关系包括:
所述目标节点与所述桥梁节点的互动以及关系强度,包括所述目标节点与所述桥梁节点的互动强度以及目标节点与所述桥梁节点的行为时间关系。
所述目标节点与所述桥梁节点的互动强度包括所述目标节点与所述桥梁用户之间的微博行为动作表现因子;所述微博行为动作表现因子包括所述目标节点与所述桥梁用户之间互动数量、所述目标节点与所述桥梁用户之间互动频率。
述所述桥梁用户与所述推荐候选集用户的相似度关系包括:所述桥梁用户与所述推荐候选集用户的相似度关系以所述桥梁用户与所述推荐候选集用户的共同粉丝数作为衡量指标。
步骤706、步骤708,所述推荐候选集用户的推荐值由所述目标用户与所述桥梁用户的亲密度关系得到的亲密度得分即亲密度关系值、以及所述桥梁用户与所述推荐候选集用户的相似度得分即相似度关系值共同决定;
所述根据所述目标节点用户与所述桥梁用户的亲密度关系得到的亲密度得分以及所述桥梁用户与所述推荐候选集用户的相似度关系得到的相似度得分计算出的推荐候选集用户的推荐值,根据用户需要向目标用户推荐符合其兴趣偏好的用户集合(例如按照推荐值得分选TOP-N用户集合),用户好友推荐完成。
实施例二:
首先,运用爬虫软件从微博平台上获取真实的用户信息。对原始数据集进行处理和分析后发现,用户只会与其关注列表中感兴趣的少数用户产生互动行为,统计目标节点与桥梁用户之间的互动次数,计算二者的亲密度得分。根据第二章中粉丝数小于50的用户不容易被加关注的特点,过滤推荐候选资源中粉丝数小于50的用户,并以桥梁亲密度得分最高的用户作为推荐展示理由,组成推荐候选资源集合。
其次,在分析目前现有个性化推荐方法的测评指标基础上,选取用来验证本文方法的评价指标,即查全率、查准率、F1均值,并具体给出这四个指标的表达方式。
最后,设计实验证明方法的精准性及有效性。将推荐候选中的用户按照推荐价值得分的高低给用户进行TOP-N展示,将推荐结果交于用户进行人工评价,判断其是否会对推荐的用户产生加关注行为,与此同时,将本文的实验结果与目前微博平台的线上策略进行对比分析,并通过相关指标进行评价;此外,为了验证当用户兴趣发生变化时,用户对推荐结果的接受程度,通过设置四组不同的时间因子,产生不同的推荐列表信息,并对推荐结果进行对比和分析。
为了评价本文提出的基于微博用户兴趣的个性化好友推荐算法的精确度及推荐效果,并验证当用户兴趣发生变化时,对推荐结果的接受程度;通过采集微博平台的真实用户数据集,本文设计了如下两个实验:
实验一:推荐结果的精准性检验。验证通过本文方法得出的待推荐候选资源信息是否会满足用户的兴趣。本实验设置时间因子T=30,即收集目标用户与其关注列表中的用户在一个月内的互动(转发、评论、提及)信息,并结合用户之间的关系类型确定调节因子的取值,得出目标节点与桥梁用户之间的亲密度。进而以亲密度得分较大的桥梁用户作为推荐展示理由,计算出待推荐的候选资源集。交与该用户进行人工划分,将其分为“感兴趣”和“不感兴趣”两类,最后将推荐候选中的用户以TOP-N的形式进行输出,并通过模型评价指标对实验结果进行评价与验证。
为了验证本文结果的准确性,需要采用合理的评价指标对模型进行评价。而目前很多个性化推荐***的应用场景中,关注的焦点不再是***给出多么精准的测评分数,而是用户对这些推荐出来的物品是否感兴趣。而分类精准度正是用于衡量推荐***帮助用户找到其真正喜欢的候选资源的能力大小。本文采用分类精准度的常用指标如准确率(precision)、召回率(recall)、F1均值以及平均准确率(Average Precision)进行实验结果的评价与验证。
准确率的公式如6所示,用来衡量本文方法得出的推荐结果,是用户所感兴趣的概率大小:
其中,分子表示的是推荐***推荐的好友的确是用户标注的感兴趣的用户,而分母表示的是***实际上推荐出的好友数;
而召回率表达的是用户实际感兴趣好友被推送出来的概率。用来衡量推荐结果是否足够全面,能够覆盖用户所有标注为“感兴趣”的好友数,公式如(7)所示:
其中,分子代表推荐列表中用户感兴趣的好友数量,而分母为用户实际感兴趣的好友数量。
协调均值F1如公式(8),是考察查全率和查准率的综合效果指数:
本文所需实验数据均来自实际的微博平台,运用爬虫软件从微博平台开放的API中获取数据。运用广度优先搜索的方式,首先从某一目标用户节点U0开始,收集他的关注列表信息,即用户U0关注的所有用户集合,分别统计U0与其关注列表中每个用户的互动(转发、评论、提及)总数。然后,对用户U0关注的用户(U1,U2,…,Ui…),即作为推荐理由的桥梁用户,分别统计他们与其粉丝,也就是与U0具有二度关系的用户的共同粉丝数,从而计算出待推荐用户的最终推荐价值得分。
通过这样的数据收集方式就可以得到目标节点用户的二度关系数据信息。本文以进行用户兴趣分析的80个用户作为目标用户集。首先通过人工获取(点击浏览记录)及软件处理的方式得到目标用户的关注列表信息,作为二度关系中的桥梁数据。然后运用爬虫工具得到用户之间产生的互动行为以及关注关系的原始数据,并最终导出目标用户转发、评论、提及他关注的每个桥梁用户的总次数以及桥梁用户与最终待推荐候选的共同粉丝数。最后,利用公式(1-4)分别计算出不同层级用户之间的亲密度以及粉丝相似度,并通过公式(5)得出候选资源的最终推荐价值得分。
本文收集了实验用户与其所关注的好友在一个月内的互动行为信息。对这些用户对所产生的互动(转发、评论、提及)的次数进行汇总(如图5所示)后发现,约59.4%的用户之间一次互动都没有产生。大多数桥梁用户被实验用户进行转发、评论、提及的次数较少,互动次数小于等于5的用户数约占总体的74.3%。只有约7.9%的用户互动次数大于20次,而这部分用户群体所产生的总互动次数高达2546次,约占总体的78.6%。因此,本文在选取桥梁信息时,要重点将互动次数高的桥梁用户作为推荐展示理由,与此同时,过滤掉实验用户的关注列表中没有产生互动行为的用户数。
以上数据说明了用户只会与其关注列表中少数感兴趣的好友产生互动,并以该用户作为候选用户的推荐展示信息,从而提高用户的加关注效率。而根据第二章的用户加关注需求分析可知,当用户的粉丝数小于50时,被其他用户加关注的概率很低。因此,在计算桥梁用户与其关注列表中的用户的粉丝相似度时,过滤掉推荐候选中粉丝数小于50的用户。为了便于后文的分析与验证,在计算候选资源用户的最终推荐价值得分时,选取得分值排在前20位的待推荐用户组成目标用户的候选资源集。
为了叙述方便,并将最终推荐给目标用户的候选资源与用户的真实兴趣进行比较,本文以第三章中进行用户兴趣分析的实验用户B为例进行阐述,其他用户的个性化好友推荐方法与其类似。其中,用户B的关注数为108,在时间因子T=30下用户B与其关注列表中的44个用户产生互动,按照本文所示的个性化好友推荐方法,实验用户B的桥梁用户选取和最终用户的推荐价值得分的计算步骤所示如下:
首先,获取与实验用户直接关联的桥梁用户行为数据,组成桥梁用户的候选集合;包括以实验用户B为节点,统计其与关注的好友之间互动(转发、评论以及提及)的总次数;过滤在时间因子T=30下互动次数为0的用户,组成桥梁用户的候选集合;
其次,计算直接关联的桥梁用户与实验用户的亲密值并进行亲密度值排序,包括按照明确目标节点与桥梁用户之间的关系类型,确定调节因子并根据每次互动行为产生时距离当前的时间,按照公式(3)计算目标节点与桥梁用户的亲密度得分,并按照分值高低进行排序输出;
然后,获取与桥梁用户直接关联的推荐候选用户的行为数据,并根据推荐候选用户与桥梁用户的相似度,得到推荐候选用户与桥梁用户的相似值,包括以桥梁用户为节点,过滤每个桥梁用户的关注列表,即推荐候选中粉丝数小于50的用户数,并根据公式(4)计算出推荐候选与桥梁用户的相似度得分;
最后,根据上述步骤得分结果计算推荐候选用户的推荐价值,根据用户需求,输出推荐结果。包括根据上述步骤的统计、合并每个候选资源的桥梁个数,并按照公式(5),计算出实验用户B的候选资源的最终推荐价值得分,并根据用户需求,TOP-N输出推荐结果;
将实验用户B的兴趣模型与桥梁用户、推荐用户的信息及得分值进行汇总,如表1所示:
表1实验用户B的推荐候选及其权重
将实验用户B的推荐候选所属的领域类别及推荐价值与第三章中的用户兴趣信息进行汇总,如表2所示:
表2用户兴趣与推荐候选的价值得分对比
美食 | 时尚 | 笑话 | 电影 | 漫画 | 旅行 | 经济 | |
兴趣权重 | 0.329 | 0.228 | 0.181 | 0.087 | 0.074 | 0.067 | 0.034 |
推荐价值 | 0.282 | 0.243 | 0.163 | 0.122 | 0.085 | 0.054 | 0.051 |
对表2中的数据进行显著性t检验,得到t=0,说明两次获得的实验结果并无显著性差异;对其进行相关性分析,其皮尔逊相关系数r=0.974,说明两组数据存在很高的相关性。
通过以上分析可知,实验用户B对美食、时尚、笑话以及电影等方面的信息感兴趣,而选出的桥梁如时尚街拍、冷笑话精选以及漫画家丁一晨正是用户B提及、转发以及评论次数最多的用户,将其作为推荐展示理由,满足了推荐结果多样性的同时,也在很大程度上促进了关系的成功建立。不仅如此,候选资源中的用户所属领域也基本涵盖了用户B的兴趣领域类别,且通过相关指标的验证,发现二者具有很高的相关性。因此,本文所提出的基于用户兴趣的个性化好友推荐方法具有很好的适用性。
下面就对实验推荐结果的精准性进行检验分析:
虽然通过本文的方法推荐出的候选用户与实验用户B的兴趣之间具有很大的相关性,但并不了解目标用户对推荐结果所产生的行为。因此,本文以上文所提出的指标作为评价标准,验证给目标用户以TOP-N的形式产生推荐时,目标用户是否会产生加关注行为。
将实验用户B的20个推荐候选交由该用户进行人工标注,将其分为“感兴趣”和“不感兴趣”两类。按照推荐价值的得分排序,每次给目标用户推荐@3、@5、@7、@15个用户,统计各个测评指标的结果如表3所示:
表3实验用户B的检验结果统计表
测评指标 | P@3 | P@5 | P@7 | P@15 |
查全率 | 0.143 | 0.286 | 0.357 | 0.429 |
查准率 | 0.667 | 0.800 | 0.714 | 0.400 |
F1 | 0.235 | 0.421 | 0.476 | 0.414 |
将80名实验用户均做同样的处理,最终将各个检验指标的平均值进行汇总,如下表所示:
表4实验用户的总体检验结果统计表
测评指标 | P@3 | P@5 | P@7 | P@15 |
查全率 | 0.169 | 0.273 | 0.336 | 0.462 |
查准率 | 0.703 | 0.756 | 0.683 | 0.429 |
F1 | 0.272 | 0.401 | 0.450 | 0.445 |
从以上结果中可以看出,随着推荐的好友数N的不断增大,查准率会降低,而查全率在不断的提高,F1均值指标的应用正可以在二者之间取得平衡。当N=7时,该指标的数值最大。即每次给用户推荐7个好友时,达到的效果最佳。
为了进行对比分析,并验证本文方法的推荐效果。以目前微博平台现有的3种推荐方法作为对照组进行实验,对照组的数据选取流程如下:
(1)从24小时热搜榜中选取排名前20的热门用户组成推荐候选;
(2)从与目标用户具有相同属性信息(同公司、同学校)中随机选取20名用户组成推荐候选;
(3)以好友的好友为切入点,即通过强关系类型,在用户的二度关系数据中选取共同好友数最多的前20名用户组成推荐候选。
将以上三种推荐策略的选出的数据集按同样的方法进行人工标注,分为“感兴趣”和“不感兴趣”两类,并以TOP N的形式向用户进行输出展示,图6显示了四种不同的推荐策略的性能比较情况。
实验二:
上文中的验证分析说明了通过本文方法得出的推荐结果在很大程度上与用户的兴趣具有相关性。并进行对比分析,发现本文方法在各个评价性能指标上均优于其他经典推荐方法的效果。然而,随着时间的变化,用户兴趣会有所改变。因此,要考虑在不同的时间因子影响下,用户对其推荐列表中的好友的接受程度是否发生变化。
将时间窗口因子调整为T1=5、T2=10、T3=15、T4=30,即分别统计在不同时间因子窗口下目标用户与桥梁用户之间的互动次数,计算出二者之间的亲密度得分,进而将亲密度得分最高的桥梁用户的相似用户推荐给目标用户。本文给实验用户推荐在不同时间因子下TOP7的候选资源,表5显示了实验用户B对推荐列表中的用户信息接受程度。
表5不同时间因子下用户B对推荐列表中的用户接受情况
T<sub>1</sub>=5 | T<sub>2</sub>=10 | T<sub>3</sub>=15 | T<sub>4</sub>=30 |
美食评论家(√) | 美食评论家(√) | 时尚趣味馆(√) | 美食评论家(√) |
漫画铺子(√) | 想念熊(√) | 吃货在北京(√) | 漫画铺子 |
十万冷笑话(√) | 吃货在北京(√) | 潘粤明粉丝团(√) | 财经新闻(√) |
潘粤明粉丝团(√) | 趣闻搞笑(√) | 想念熊(√) | 经济观察报(√) |
想念熊(√) | 电影新资讯(√) | 吉米(造型师) | 吉米(造型师) |
趣闻搞笑(√) | 财经新闻 | 漫画铺子(√) | 幽默大*** |
沪江日语(√) | 吃货小分队(√) | 经济观察报 | 谢国忠 |
注1):(√)表示的是用户B对推荐出的用户信息感兴趣
从该表中可以看出,无论时间因子如何变化,当给用户推荐与美食有关的微博用户时,该用户都会表达出加关注的欲望,即美食是用户的长期兴趣。当时间因子T4=30时,给用户推荐与财经资讯类相关的微博用户,该用户都会对其感兴趣,进而产生加关注的行为;然而当T2=10、T3=15时,用户却并没有选择加关注推荐列表中与财经类相关的微博用户。即随着时间的变化,用户的兴趣也会有所改变。
为了检验实验用户B在不同的时间因子下的推荐效果,对表5中的数据进行检验,并将其余实验用户进行同样的处理,具体检验结果如表6所示:
表6实验用户的检验结果统计表
从该表中可以看出,实验用户的各项检验指标随着时间因子的变化而不断降低,即当用户的兴趣产生漂移时,要精准的捕捉用户兴趣的变化,根据用户的即时兴趣特点产生有针对性的推荐,在满足用户加关注需求的同时,也大幅度的提高了微博的推送效率。
实施例三:
一种用户好友推荐***,所述***包括:数据获取单元801、数据分析单元802、数据反馈单元803。
所述数据获取单元801,用于通过用户行为构建目标用户与推荐候选集用户的二级网络关系,所述目标用户与推荐候选集用户的二级网络关系包括目标用户与桥梁用户的一级网络关系、以及桥梁用户与推荐候选集用户的一级网络关系。
所述数据分析单元802,用于根据数据获取单元构建的二级网络关系,得到各推荐候选集用户的推荐值;具体包括:第一数据分析模块,用于根据所述目标用户与所述桥梁用户的一级网络关系得到所述目标用户与所述桥梁用户的亲密度关系值;第二数据分析模块,用于根据所述桥梁用户与所述推荐候选集用户的一级网络关系得到所述桥梁用户与所述推荐候选集用户的相似度关系值;第三数据分析模块,用于根据所述第一数据分析模块得到的亲密度关系值以及所述第二数据分析模块得到的相似度关系值得到所述推荐候选集用户的推荐值;
所述数据反馈单元803,用于根据所述第三数据分析模块得到的推荐候选集用户的推荐值,选择符合所述目标用户的兴趣偏好的用户集合,具体地可按照推荐值大小选取TOP-N用户集合。
所述数据获取单元的通过用户行为构建目标用户与推荐候选集用户的二级网络关系,所述目标用户与推荐候选集用户的二级网络关系包括目标用户与桥梁用户的一级网络关系、以及桥梁用户与推荐候选集用户的一级网络关系,具体的是指目标用户与桥梁用户以及桥梁用户与推荐候选集用户之间的评论,转发次数、转发频率、评论的次数以及评论的频率等等。
所述数据分析单元用于将数据获取单元构建的二级网络关系进行分析,得到各推荐候选用户的推荐值;包括:第一数据分析模块的根据所述目标用户与所述桥梁用户的一级网络关系得到所述目标用户与所述桥梁用户的亲密度关系值;
第二数据分析模块的根据所述桥梁用户与所述推荐候选集用户的一级网络关系得到所述桥梁用户与所述推荐候选集用户的相似度关系值;
第三数据分析模块的根据所述第一数据分析模块得到的所述目标用户与所述桥梁用户的亲密度关系值以及第二数据分析模块得到的所述桥梁用户与所述推荐候选集用户的相似度关系值得到所述推荐候选集用户的推荐值。
其中,第一数据分析模块,具体用于根据所述目标用户与所述桥梁用户的亲密度得到所述目标用户与所述桥梁用户的亲密度关系值;所述目标用户与所述桥梁用户的亲密度包括所述目标用户与所述桥梁用户的互动强度以及所述目标用户与所述桥梁用户的行为时间关系。所述目标用户与所述桥梁用户的互动强度包括设定时间周期内所述目标用户与所述桥梁用户之间的互动数量、以及互动频率。
所述目标用户与所述桥梁用户的行为时间关系由包含有行为时间因子的函数决定。
所述桥梁用户与所述推荐候选集用户的相似度关系值由所述桥梁用户与所述推荐候选集用户的共同好友数量作为衡量指标得到。
所述数据分析单元分析的推荐候选集用户的推荐值由所述目标用户与所述桥梁用户的亲密度关系值以及所述桥梁用户与所述推荐候选集用户的相似度关系值共同决定。
所述数据反馈单元根据所述数据分析单元分析到的推荐候选集用户的推荐值,根据用户需要,向目标用户推荐符合其兴趣偏好的用户集合,具体地可以按照推荐值大小选取TOP-N用户集合,完成用户好友推荐。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明,上面对所公开实施例进行了描述。对于本领域技术人员来说;这些实施例的各种修改方式都是显而易见的,并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此,本公开并不限于本文给出的实施例,而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个***的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种用户好友的推荐方法,其特征在于,所述方法包括:
通过用户行为构建目标用户与推荐候选集用户的二级网络关系,所述目标用户与推荐候选集用户的二级网络关系包括目标用户与桥梁用户的一级网络关系、以及桥梁用户与推荐候选集用户的一级网络关系;
根据所述目标用户与所述桥梁用户的一级网络关系得到所述目标用户与所述桥梁用户的亲密度关系值,并根据所述桥梁用户与所述推荐候选集用户的一级网络关系得到所述桥梁用户与所述推荐候选集用户的相似度关系值;
根据所述目标用户与所述桥梁用户的亲密度关系值以及所述桥梁用户与所述推荐候选集用户的相似度关系值得到所述推荐候选集用户的推荐值;
根据推荐候选集用户的推荐值,选择符合所述目标用户的兴趣偏好的用户集合;
所述根据目标用户与所述桥梁用户的一级网络关系得到所述目标用户与所述桥梁用户的亲密度关系值包括:
根据所述目标用户与所述桥梁用户的亲密度得到所述目标用户与所述桥梁用户的亲密度关系值;
所述目标用户与所述桥梁用户的亲密度包括所述目标用户与所述桥梁用户的互动强度以及所述目标用户与所述桥梁用户的行为时间关系。
2.根据权利要求1所述的方法,其特征在于,所述目标用户与所述桥梁用户的互动强度包括设定时间周期内所述目标用户与所述桥梁用户之间的互动数量、以及互动频率。
3.根据权利要求1所述的方法,其特征在于,所述目标用户与所述桥梁用户的行为时间关系由包含有行为时间因子的函数决定。
4.根据权利要求1所述的方法,其特征在于,所述桥梁用户与所述推荐候选集用户的相似度关系值由所述桥梁用户与所述推荐候选集用户的共同好友数量作为衡量指标得到。
5.一种用户好友推荐***,其特征在于,所述***包括:
数据获取单元,用于通过用户行为构建目标用户与推荐候选集用户的二级网络关系,所述目标用户与推荐候选集用户的二级网络关系包括目标用户与桥梁用户的一级网络关系、以及桥梁用户与推荐候选集用户的一级网络关系;
数据分析单元,用于根据数据获取单元构建的二级网络关系,得到各推荐候选集用户的推荐值;具体包括:
第一数据分析模块,用于根据所述目标用户与所述桥梁用户的一级网络关系得到所述目标用户与所述桥梁用户的亲密度关系值;
第二数据分析模块,用于根据所述桥梁用户与所述推荐候选集用户的一级网络关系得到所述桥梁用户与所述推荐候选集用户的相似度关系值;
第三数据分析模块,用于根据所述第一数据分析模块得到的亲密度关系值以及所述第二数据分析模块得到的相似度关系值得到所述推荐候选集用户的推荐值;
数据反馈单元,用于根据所述第三数据分析模块得到的所述推荐候选集用户的推荐值,选择符合所述目标用户的兴趣偏好的用户集合;
所述第一数据分析模块,具体用于根据所述目标用户与所述桥梁用户的亲密度得到所述目标用户与所述桥梁用户的亲密度关系值;
所述目标用户与所述桥梁用户的亲密度包括所述目标用户与所述桥梁用户的互动强度以及所述目标用户与所述桥梁用户的行为时间关系。
6.根据权利要求5所述的***,其特征在于,所述第一数据分析模块中所述目标用户与所述桥梁用户的互动强度包括设定时间周期内所述目标用户与所述桥梁用户之间的互动数量、以及互动频率。
7.据权利要求5所述的***,其特征在于,所述第一数据分析模块中所述目标用户与所述桥梁用户的行为时间关系由包含有行为时间因子的函数决定。
8.根据权利要求5所述的***,其特征在于,所述第二数据分析模块中所述桥梁用户与所述推荐候选集用户的相似度关系值由所述桥梁用户与所述推荐候选集用户的共同好友数量作为衡量指标得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810967953.3A CN109190033B (zh) | 2018-08-23 | 2018-08-23 | 一种用户好友推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810967953.3A CN109190033B (zh) | 2018-08-23 | 2018-08-23 | 一种用户好友推荐方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109190033A CN109190033A (zh) | 2019-01-11 |
CN109190033B true CN109190033B (zh) | 2022-01-11 |
Family
ID=64919263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810967953.3A Active CN109190033B (zh) | 2018-08-23 | 2018-08-23 | 一种用户好友推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190033B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674413B (zh) * | 2019-09-09 | 2022-03-25 | 平安科技(深圳)有限公司 | 用户关系挖掘方法、装置、设备和存储介质 |
CN111597454A (zh) * | 2020-04-02 | 2020-08-28 | 微梦创科网络科技(中国)有限公司 | 一种账号推荐方法及装置 |
CN112380423A (zh) * | 2020-10-14 | 2021-02-19 | 广州市百果园网络科技有限公司 | 网络对象推送方法、装置、可读存储介质及电子设备 |
CN112559893A (zh) * | 2021-01-11 | 2021-03-26 | 引粒网络科技(上海)有限公司 | 一种互联网匹配社交场景下用户推荐方法 |
CN113076450B (zh) * | 2021-03-15 | 2024-03-22 | 北京明略软件***有限公司 | 一种目标推荐列表的确定方法和装置 |
KR20220169206A (ko) * | 2021-06-18 | 2022-12-27 | 라인플러스 주식회사 | 타임라인 서비스 내에서 친구를 추천하는 방법, 컴퓨터 장치, 및 컴퓨터 프로그램 |
CN115357632A (zh) * | 2022-07-21 | 2022-11-18 | 广东技术师范大学 | 一种学习者个性化可解释性潜在好友推荐方法及装置 |
CN115186664B (zh) * | 2022-09-13 | 2023-01-13 | 深圳市爱聊科技有限公司 | 基于多维度的主体间相合度测算方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637183A (zh) * | 2011-02-12 | 2012-08-15 | 北京千橡网景科技发展有限公司 | 用于在社交网络中向用户推荐好友的方法和设备 |
CN103294733A (zh) * | 2012-03-05 | 2013-09-11 | 北京千橡网景科技发展有限公司 | 向用户推荐好友的方法和*** |
EP2701103A3 (en) * | 2012-08-24 | 2014-03-26 | Samsung Electronics Co., Ltd | Method of recommending friends, and server and terminal therefor |
CN106326228A (zh) * | 2015-06-17 | 2017-01-11 | 富士通株式会社 | 评估用户的兴趣倾向的方法和装置 |
CN106649781A (zh) * | 2016-12-28 | 2017-05-10 | 北京小米移动软件有限公司 | 应用推荐方法及装置 |
CN107066476A (zh) * | 2016-12-13 | 2017-08-18 | 江苏途致信息科技有限公司 | 一种基于物品相似度的实时推荐方法 |
-
2018
- 2018-08-23 CN CN201810967953.3A patent/CN109190033B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637183A (zh) * | 2011-02-12 | 2012-08-15 | 北京千橡网景科技发展有限公司 | 用于在社交网络中向用户推荐好友的方法和设备 |
CN103294733A (zh) * | 2012-03-05 | 2013-09-11 | 北京千橡网景科技发展有限公司 | 向用户推荐好友的方法和*** |
EP2701103A3 (en) * | 2012-08-24 | 2014-03-26 | Samsung Electronics Co., Ltd | Method of recommending friends, and server and terminal therefor |
CN106326228A (zh) * | 2015-06-17 | 2017-01-11 | 富士通株式会社 | 评估用户的兴趣倾向的方法和装置 |
CN107066476A (zh) * | 2016-12-13 | 2017-08-18 | 江苏途致信息科技有限公司 | 一种基于物品相似度的实时推荐方法 |
CN106649781A (zh) * | 2016-12-28 | 2017-05-10 | 北京小米移动软件有限公司 | 应用推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109190033A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190033B (zh) | 一种用户好友推荐方法及*** | |
US11122009B2 (en) | Systems and methods for identifying geographic locations of social media content collected over social networks | |
CN103246670B (zh) | 微博排序、搜索、展示方法和*** | |
US11176142B2 (en) | Method of data query based on evaluation and device | |
KR102473471B1 (ko) | 쿼리 명확화를 위해 문맥에 따른 콘텐츠 검색 규칙의 학습 및 사용 기법 | |
US20130304818A1 (en) | Systems and methods for discovery of related terms for social media content collection over social networks | |
US20170286524A1 (en) | Systems and methods for classifying electronic documents | |
CN105787025B (zh) | 网络平台公共账号分类方法及装置 | |
US20130297581A1 (en) | Systems and methods for customized filtering and analysis of social media content collected over social networks | |
US20130297694A1 (en) | Systems and methods for interactive presentation and analysis of social media content collection over social networks | |
CN111125453B (zh) | 基于子图同构的社交网络中意见领袖角色识别方法及存储介质 | |
CN113934941B (zh) | 一种基于多维度信息的用户推荐***及方法 | |
CN110334356A (zh) | 文章质量的确定方法、文章筛选方法、以及相应的装置 | |
Röchert et al. | Opinion-based homogeneity on YouTube: Combining sentiment and social network analysis | |
Okazaki et al. | How to mine brand Tweets: Procedural guidelines and pretest | |
Jeon et al. | Hashtag recommendation based on user tweet and hashtag classification on twitter | |
Bornmann et al. | Alternative article‐level metrics: The use of alternative metrics in research evaluation | |
Li et al. | Probabilistic local expert retrieval | |
CN110543601B (zh) | 一种基于中智集的上下文感知兴趣点推荐方法及*** | |
Li et al. | Detecting Promotion Campaigns in Community Question Answering. | |
CN111105117B (zh) | 一种用户信息的确定方法和装置 | |
Heravi et al. | Tweet location detection | |
CN108520012A (zh) | 基于机器学习的移动互联网用户评论挖掘方法 | |
CN114861029A (zh) | 舆情塑造过程分析方法、装置、电子设备以及存储介质 | |
Zhu et al. | Identifying and modeling the dynamic evolution of niche preferences |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |