CN111092804A - 信息推荐方法、信息推荐装置、电子设备和存储介质 - Google Patents
信息推荐方法、信息推荐装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111092804A CN111092804A CN201911235210.8A CN201911235210A CN111092804A CN 111092804 A CN111092804 A CN 111092804A CN 201911235210 A CN201911235210 A CN 201911235210A CN 111092804 A CN111092804 A CN 111092804A
- Authority
- CN
- China
- Prior art keywords
- target
- user
- node
- information
- interaction
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/04—Real-time or near real-time messaging, e.g. instant messaging [IM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
-
- 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
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Information Transfer Between Computers (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信息推荐方法、信息推荐装置、电子设备和存储介质;本发明可以获取第一节点和第二节点,其中,所述第一节点对应于即时通信***中的用户,第二节点对应于具有信息互动行为的用户,对第一节点和第二节点进行组合,得到目标网络,目标网络包括目标用户对应的目标节点以及互动节点,互动节点对应与目标用户具有信息互动行为的互动用户,根据目标网络中节点的用户特征信息和互动行为特征,计算得到每个目标用户的传播影响力参数,根据每个目标用户的传播影响力参数从目标用户中确定推荐用户,向推荐用户对应的终端发送推荐信息。本发明实施例可以提高预估用户的传播影响力结果的准确度。
Description
技术领域
本发明涉及通信技术领域,具体涉及信息推荐方法、信息推荐装置、电子设备和存储介质。
背景技术
在一些应用程序中,服务器可以选择一些用户作为种子用户用来推广产品,种子用户可以通过社交类应用程序的关系链传播分享产品内容。
在选择种子用户的时候,通常会选择传播能力较强的用户来作为种子用户,这样能够提高产品的推广力度,相关技术中,预估用户的传播影响力的方式通常采用社交网络的迭代来获取,这种方式缺少对用户基础特征的使用,使得预估用户的传播影响力结果不够准确。
发明内容
本发明实施例提供信息推荐方法、信息推荐装置、电子设备和存储介质,可以提高预估用户的传播影响力结果的准确度。
本发明实施例提供一种信息推荐方法,包括:
获取第一节点和第二节点,其中,所述第一节点对应于即时通信***中的用户,所述第二节点对应于即时通信***中具有信息互动行为的用户;
对所述第一节点和第二节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征;
根据所述目标网络中节点的用户特征信息和互动行为特征,计算得到每个目标用户的传播影响力参数;
根据每个目标用户的传播影响力参数从至少一个目标用户中确定推荐用户;
向所述推荐用户对应的终端发送推荐信息。
相应的,本发明实施例还提供一种信息推荐装置,包括:
获取单元,用于获取第一节点和第二节点,其中,所述第一节点对应于即时通信***中的用户,所述第二节点对应于即时通信***中具有信息互动行为的用户;
组合单元,用于对所述第一节点和第二节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征;
计算单元,用于根据所述目标网络中节点的用户特征信息和互动行为特征,计算得到每个目标用户的传播影响力参数;
确定单元,用于根据每个目标用户的传播影响力参数从至少一个目标用户中确定推荐用户;
推荐单元,用于向所述推荐用户对应的终端发送推荐信息。
可选的,在一些实施例中,所述计算单元包括第一子融合单元、第二子融合单元以及第一计算子单元,
所述第一子融合单元具体可以用于:将所述目标网络中所有节点的用户特征信息进行融合,得到目标用户特征信息;
所述第二子融合单元具体可以用于:将所述目标网络中所有节点的互动行为特征进行融合,得到目标互动行为特征;
所述第一计算子单元具体可以用于:计算每一个目标节点的目标用户特征信息和目标互动行为特征,得到每个目标用户的传播影响力参数。
可选的,在一些实施例中,还包括提取单元、标注单元以及分类单元,
所述标注单元具体可以用于:提取所述目标网络中所有节点的特征维度信息;
所述标注单元具体可以用于:对所述特征维度信息进行特征标注;
所述分类单元具体可以用于:根据标注后的特征维度信息进行分类,得到目标网络中所有节点的用户特征信息和互动行为特征。
可选的,在一些实施例中,所述计算单元包括聚合单元和第二计算子单元,
所述聚合单元具体还可以用于:将目标节点的目标用户特征信息和目标互动行为特征进行聚合,得到目标节点的社交特征信息;
所述第二计算子单元具体还可以用于:计算每一个目标节点的社交特征信息,得到每个目标用户的传播影响力参数。
可选的,在一些实施例中,所述聚合单元还包括处理单元和聚合子单元,
所述处理单元具体还可以用于:将所述目标用户特征信息和目标互动行为特征进行归一化处理,得到目标用户特征向量和目标互动行为特征向量;
所述聚合子单元具体还可以用于:将目标用户特征向量和目标互动行为特征向量聚合,得到目标节点的社交特征信息。
可选的,在一些实施例中,所述第二计算子单元包括处理子单元:
所述处理子单元具体可以用于:对所述每一个目标节点的社交特征信息线性变换处理,得到每一个目标用户的传播影响力参数。
可选的,在一些实施例中,还包括执行单元,
所述执行单元具体用于:采用预设模型中获取层获取第一节点和第二节点,其中,所述第一节点对应于即时通信***中的用户,所述第二节点对应于即时通信***中具有信息互动行为的用户;
采用预设模型中组合层对所述第一节点和第二节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征;
处于预设模型计算层根据所述目标网络中节点的用户特征信息和互动行为特征,得到每个目标用户的传播影响力参数。
可选的,在一些实施例中,还包括训练单元:
获取样本第一节点和样本第二节点,其中,所述样本第一节点对应于即时通信***中的用户,所述第二节点对应于即时通信***中具有信息互动行为的用户;
对所述样本第一节点和第二节点进行组合,得到至少一个目标用户对应的样本目标网络,所述样本目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述样本目标网络中的节点具有用户特征信息和互动行为特征;
根据所述样本目标网络中节点的用户特征信息和互动行为特征,得到每个目标用户的样本传播影响力参数;
对所述样本传播影响力参数和与预设标注参数进行收敛,并返回执行获取样本第一节点和样本第二节点的步骤,直到所述预设模型训练完毕。
相应的,本发明实施例还提供一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本发明实施例任一提供的方法中的步骤。
相应的,本发明实施例还提供一种存储介质,所述存储介质存储有指令,所述指令被处理器执行时实现本发明实施例任一提供的方法中的步骤。
本发明实施例可以获取第一节点和第二节点,其中,所述第一节点对应于即时通信***中的用户,所述第二节点对应于即时通信***中具有信息互动行为的用户,然后对所述第一节点和第二节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征,其次,根据所述目标网络中节点的用户特征信息和互动行为特征,计算得到每个目标用户的传播影响力参数,再者根据每个目标用户的传播影响力参数从至少一个目标用户中确定推荐用户,最后向所述推荐用户对应的终端发送推荐信息。本申请实施例利用用户的用户特征信息和互动行为特征,对用户的传播影响力参数进行预估,相对于现有技术,能够更加准确的预估每一个用户在社交网络中的传播影响力,进而确定推荐用户,通过推荐用户推广推荐信息,从而提高推荐信息的传播效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明实施例提供的信息推荐***的场景示意图。
图2是本发明实施例提供的信息推荐方法的流程意图。
图3是本发明实施例提供的信息推荐方法的深度神经网络场景示意图。
图4是本发明实施例提供的信息推荐方法的另一种流程意图。
图5是本发明实施例提供的信息推荐方法的又一种流程示意图。
图6是本发明实施例提供的信息推荐方法的应用场景示意图。
图7是本发明实施例提供的信息推荐装置的结构示意图。
图8是本发明实施例提供的电子设备的结构示意图。
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。
在本发明实施例中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
本发明实施例提供信息方法、信息推荐装置、电子设备和存储介质。
请参考图1,本发明实施例提供了一种信息推荐***,信息推荐***包括移动终端和服务器集群,其中,该移动终端可以为手机、平板电脑、笔记本电脑等设备。服务器集群可以至少包括基础服务器、虚拟化的云主机以及云计算平台(该基础服务器和虚拟化的云主机还可以包括更多,具体个数在此不作限定)任一种,该基础服务器即为物理机,也称为实体服务器,是相对于虚拟机(Virtual Machine)而言的实体计算机的称呼,物理机提供给虚拟机的硬件环境。通过对该基础服务器进行虚拟化,每台基础服务器都可以虚拟化出多个云主机,该云主机即为虚拟机,也可以称为虚拟专用服务器(Virtual Private Server,VPS),是将一个服务器分区成多个虚拟独立专享服务器的技术。其中,信息推荐***中服务器集群和电子设备可以进行协同计算。
其中,移动终端与服务器集群连接,其中,移动终端内安装和运行有支持社交属性和信息推荐的应用程序。该应用程序可以是即时通信***、新闻推送***、购物***、在线视频***、基于话题或频道或圈子进行人群聚合的社交类应用程序、或者具有社交属性的其它应用程序***的任意一种。移动终端是用户使用的终端。当然,移动终端可以包括两个、三个甚至多个。多个移动终端与服务器集群连接,不同移动终端对应不同用户使用的终端。
其中,服务器集群包括:接入服务器和信息推荐服务器。信息推荐服务器用于将推荐信息(文章、图片、音频、视频中的至少一项)推荐给移动终端,接入服务器用于提供移动终端接入服务和信息推荐服务。信息推荐服务器可以是一台或多台。比如,在候选用户集合中,确定出传播影响力参数较高的预设数量的推荐用户时,信息推荐服务器可以将推荐信息发送给推荐用户对应的终端。
需要说明的是,图1所示的信息推荐***的场景示意图仅仅是一个示例,本申请实施例描述的信息推荐***以及场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着信息推荐***的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
以下分别进行详细说明。需说明的是,以下实施例的顺序不作为对实施例优选顺序的限定。
在一实施例中,将从信息推荐装置的角度进行描述,该信息推荐装置具体可以集成具有处理能力的服务器中。
请参考图2所示,提供了一种信息推荐方法,具体流程可以如下:
101、获取第一节点和第二节点,其中,所述第一节点对应于即时通信***中的用户,所述第二节点对应于即时通信***中具有信息互动行为的用户。
其中,即时通信***是指多个用户之间通过客户端进行即时通信行为的***,或者多个用户之间通过客户端与服务器进行即时通信行为的***。其中,
其中,第一节点即代表即时通信***中对应的用户,第一节点和第一节点之间具有社交关系。第二节点代表即时通信***中对应的具有信息互动行为的用户,也就是,第二节点和第二节点之间具有信息互动的关联关系。比如,用户A向用户B发送消息,用户B接收,或者用户B向用户A发送消息,用户A接收。又或者。用户A公开点赞消息、转发消息、评论消息和回复消息对用户B可见,用户B公开的点赞消息、转发消息、评论消息和回复消息对用户A可见。
需要说明的是,第一节点至少包括两个,也就是第一节点可以包括两个、二十个、二百个甚至更多个。第二节点至少包括两个,也就是第二节点可以包括两个、二十个、二百个甚至更多个。其中,获取第一节点和第二节点时,可以随机的从即时通信***中获取第一节点和第二节点。或者从同一个社交应用程序中获取第一节点和第二节点。
比如,从社交应用程序中随机的选择若干用户,随机选中的若干用户对应第一节点,从社交应用程序中随机选择发生了信息互动行为的用户,将发生了信息互动行为的用户对应第二节点。
当然,在一些实施例中还可以根据预设规则去获取第一节点和第二节点。比如,将社交应用程序中的用户的属性进行分类,从具有特定属性的用户中获取第一节点和第二节点。其中,属性可以是年龄、性别等。又比如,从社交应用程序中年龄大于50岁的用户中随机选择用户,随机选中的用户对应第一节点,从社交应用程序中年龄大于50岁的用户中随机选择发生了信息互动行为的用户,将随机发生了信息互动行为的用户对应第二节点。
其中,传播影响力参数也可以是目标节点传播影响人数。
102、对所述第一节点和第二节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征。
需要说明的是,目标节点是目标网络中目标用户对应的节点。其中,目标用户可以是目标网络中的任一个。互动节点为与目标节点具有互动关系的节点。
其中,用户特征信息可以表征用户的属性、用户偏好、生活习惯、用户行为等信息。比如,用户的特征信息可以表征出用户的性别为女性。用户偏好搞笑类的节目。用户的运动比较少。用户喜欢网购等。
其中,互动行为特征可以表征用户与用户之间的聊天环境,用户与用户之间的分享人数等信息。比如,用户聊天环境经常在公共信息平台,且在公共信息平台上给用户留言的人数等信息。
其中,所述第一节点和第二节点通过随机游走的方式进行组合,得到至少一个目标用户对应的目标网络。需要说明的是,目标网络为代表目标用户的局部网络。目标网络中节点包括目标节点和与目标节点具有信息互动行为的互动用户。比如,用户A为目标用户,那么用户A向用户B发送消息,用户B接收,或者用户B向用户A发送消息,用户A接收。用户A与用户B之间发生信息互动行为,那么用户B为互动用户。可以理解的是,目标用户连接多个发生信息互动行为的互动用户。
需要说明的是,所述目标网络中的节点均具有用户特征信息和互动行为特征。
103、根据所述目标网络中节点的用户特征信息和互动行为特征,计算目标用户的传播影响力参数,得到每个目标用户的传播影响力参数。
其中,可以根据所述目标网络中节点的用户特征信息和互动行为特征,得到目标用户的社交特征信息,将目标用户的社交特征信息输入到深度网络模型中,通过多次线性转换,得到目标用户的传播影响力参数。将每个目标用户的社交特征信息输入到深度网络模型中,可以得到每一个目标用户的传播影响力参数。
在一些实施例中,所述根据所述目标网络中节点的用户特征信息和互动行为特征,计算目标用户的传播影响力参数,得到每个目标用户的传播影响力参数,具体包括步骤:
(1)将所述目标网络中所有节点的用户特征信息进行融合,得到目标用户特征信息;
(2)将所述目标网络中所有节点的互动行为特征进行融合,得到目标互动行为特征;
(3)计算每一个目标节点的目标用户特征信息和目标互动行为特征,得到每个目标用户的传播影响力参数。
其中,将所述目标网络中所有节点的用户特征信息进行融合的具体过程为,将每一个节点中用户特征信息的位置点重合,对同一个位置点的用户特征信息相加或者矩阵相乘从而实现用户特征信息融合。
其中,将所述目标网络中所有节点的互动行为特征进行融合的具体过程为,将每一个节点中互动行为特征的位置点重合,对同一个位置点的互动行为特征相加或者矩阵相乘从而实现互动行为特征融合。
其中,目标网络中的节点具有多个节点,比如,所述目标网络中具有5个节点,5个节点中均包括用户特征信息和互动行为特征,将所述目标网络中5个节点的用户特征信息融合,得到目标节点的用户特征信息,将所述目标网络中5个节点的所有互动行为特征进行融合,得到目标互动行为特征。
其中,将每一个目标节点的目标用户特征信息和目标互动行为特征输入到深度神经网络中,可以计算得到每一个目标用户的传播影响力参数。
在一些实施例中,所述将所述目标网络中节点的所有用户特征信息进行融合之前,具体包括步骤:
(1)提取所述目标网络中所有节点的特征维度信息;
(2)对所述特征维度信息中的每一个特征信息进行特征标注;
(3)根据标注后的特征维度信息进行分类,得到目标网络中所有节点的用户特征信息和互动行为特征。
其中,目标网络中节点具有特征维度信息,对特征维度信息进行特征提取,得到每一个节点的每一个特征信息。
其中,对每一个特征维度信息进行特征标注。比如,目标网络中的节点包括A、B、C,其中,将A经过的每一个特征维度信息进行特征标注以后得到A1,A2,A3,将B经过的每一个特征维度信息进行特征标注以后得到B1,B2,B3,将C经过的每一个特征维度信息进行特征标注以后得到C1,C2,C3。
其中,根据标注后的特征维度信息进行分类,得到目标网络中所有节点的用户特征信息和互动行为特征。比如,将A1,B1,C1分类为同一类的特征维度信息,将A2,B2,C2分类为同一类的特征维度信息,将A3,B3,C3分类为同一类的特征维度信息,同时确认A1,B1,C1为用户特征信息,那么A1,B1,C1就是目标网络中所有节点的用户特征信息,同时确认A2,B2,C2为互动行为特征,那么A2,B2,C2就是目标网络中所有节点的互动行为特征。
在一些实施例中,所述计算每一个目标节点的目标用户特征信息和目标互动行为特征,计算目标用户的传播影响力参数,得到每个目标用户的传播影响力参数,具体包括步骤:
(1)将目标节点的目标用户特征信息和目标互动行为特征进行聚合,得到目标节点的社交特征信息;
(2)计算每一个目标节点的社交特征信息,得到每个目标用户的传播影响力参数。
其中,将目标节点的目标用户特征信息和目标互动行为特征进行聚合的具体过程为:将目标用户特征信息和目标互动行为特征作为图像注意力网络的输入,输入到图像注意力网络后,图像注意力网络的输出端输入目标节点的社交特征信息。
其中,计算每一个目标节点的社交特征信息,得到每个目标用户的传播影响力参数。将每一个目标节点的社交特征信息输入到深度神经网络中,可以得到每一个目标用户的传播影响力参数。
在一些实施例中,所述将目标节点的目标用户特征信息和目标互动行为特征进行聚合,得到目标节点的社交特征信息,具体包括步骤:
(11)将所述目标用户特征信息和目标互动行为特征进行归一化处理,得到目标用户特征向量和目标互动行为特征向量;
(12)将目标用户特征向量和目标互动行为特征向量聚合,得到目标节点的社交特征信息。
其中,将所述目标用户特征信息和目标互动行为特征进行归一化处理,得到目标用户特征向量和目标互动行为特征向量,目标用户特征向量和目标互动行为特征向量可以作为图形注意力网络的输入。
其中,将目标用户特征向量和目标互动行为特征向量作为图形注意力网络的输入,经过图形注意力网络后得到目标节点的社交特征信息,社交特征信息可以作为深度神经网络的输入。
在一些实施例中,所述计算每一个目标节点的社交特征信息,得到每个目标用户的传播影响力参数信息,具体包括步骤:
(1)对所述每一个目标节点的社交特征信息线性变换处理,得到每一个目标用户的传播影响力参数。
其中,将每一个目标节点的社交特征信息输入到深度网络模型中,经过深度网络模型中多次线性变换,得到每一个目标用户的传播影响力参数。
具体计算过程,请参阅图3所示,其中,目标用户特征信息501包括sns向量501a,MP向量501b以及video向量501c等。目标互动行为特征502包括聊天室502a、分享标题502b以及聊天环境503c等。将目标用户特征信息501和目标互动行为特征信息502聚合的社交特征信息50。将社交特征信息50输入深度神经网络51中relu函数中进行三次线性变换得到实际输出的传播影响力概率值,实际输出的传播响应力概率值和期望输出的传播影响力标注52通过交叉熵函数模块53计算得到目标用户的传播影响力参数。
104、根据每个目标用户的传播影响力参数从至少一个目标用户中确定推荐用户。
其中,当每一个目标用户的传播影响力参数得到以后,可以选取传播影响力最高的一个或者数个确定为推荐用户。
在一些实施例中,所述根据每个目标用户的传播影响力参数从至少一个目标用户中确定推荐用户,具体包括步骤:
(1)计算每一个目标节点对应用户的传播影响力参数。
(2)确定排列在前面的预设数量的用户作为推荐用户。
其中,将每一个目标节点的社交特征信息输入深度网络模型中,得到每一个目标节点对应的目标用户的传播影响力参数。按照传播影响力参数的高低依次排序,选择排着前面预设数量的用户作为推荐用户。其中,预设数量可以通过用户确定。比如,预设数量可以为1,也可以为10、50等。本申请实施例对预设数量不做限定。
105、向所述推荐用户对应的终端发送推荐信息。
其中,推荐信息可以是文章、图片、音频、视频中的至少一项。
在一些实施例,传播影响力参数通过预设模型得到,包括:
1.1采用预设模型中获取层获取第一节点和第二节点,其中,所述第一节点对应于即时通信***中的用户,第二节点对应于即时通信***中具有信息互动行为的用户。
1.2采用预设模型中组合层对所述第一节点和第二节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征。
1.3采用预设模型中计算层根据所述目标网络中节点的用户特征信息和互动行为特征,计算目标用户的传播影响力参数,得到每个目标用户的传播影响力参数。
需要说明的是,上述实施例方法不限于在预设度模型中使用。还可以不需要在其他模型中使用。
步骤“所述预设模型的训练”,具体可以包括:
2.1获取样本第一节点和样本第二节点,其中,所述样本第一节点对应于即时通信***中的用户,所述样本第二节点对应于即时通信***中具有信息互动行为的用户。
2.2对所述样本第一节点和第二节点进行组合,得到至少一个目标用户对应的样本目标网络,所述样本目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述样本目标网络中的节点具有用户特征信息和互动行为特征。
2.3根据所述样本目标网络中节点的用户特征信息和互动行为特征,计算目标用户的传播影响力参数,得到每个目标用户的样本传播影响力参数.
2.4对所述样本传播影响力参数和与预设标注参数进行收敛,并返回执行获取样本第一节点和第二节点的步骤,直到所述预设模型训练完毕。
其中,预设标注参数可以通过第二节点中的节点的多轮传播获得,比如,预设标注参数是节点传播影响人数。其中,传播影响力参数也可以是目标节点传播影响人数。
例如,获取样本第一节点和样本第二节点作为作为当前训练样本,然后,将样本第一节点和样本第二节点中节点进行组合得到样本目标网络,样本网络中至少包括一个目标节点以及与目标节点具有信息互动行为的互动用户。根据所述样本目标网络中节点的用户特征信息和互动行为特征,计算目标用户的传播影响力参数,得到目标用户的社交特征信息,将社交特征信息通过计算,得到每个目标用户的样本传播影响力参数。
本发明实施例可以获取第一节点和第二节点,其中,所述第一节点对应于即时通信***中的用户,所述第二节点对应于即时通信***中具有信息互动行为的用户,然后对所述第一节点和第二节点中的节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征,其次,根据所述目标网络中节点的用户特征信息和互动行为特征,计算得到每个目标用户的传播影响力参数,再者根据每个目标用户的传播影响力参数从至少一个目标用户中确定推荐用户,最后向所述推荐用户对应的终端发送推荐信息。本申请实施例利用用户的用户特征信息和互动行为特征,对用户的传播影响力参数进行预估,相对于现有技术,能够更加准确的预估每一个用户在社交网络中的传播影响力,进而确定推荐用户,通过推荐用户推广推荐信息,从而提高推荐信息的传播效果。
请参考图4所示,提供了另一种信息推荐方法,该信息推荐检测方法可以由服务器执行,具体流程可以如下:
201、服务器获取第一节点和第二节点,其中,所述第一节点对应于即时通信***中的用户,所述第二节点对应于即时通信***中具有信息互动行为的用户。
需要说明的是,多个用户的客户端内安装有即时通信软件后组成一个即时通信***,比如,多个用户在电子设备里面下载社交应用程序,电子设备可以为手机、平板电脑、笔记本电脑等设备,用户与用户可以通过社交应用程序进行连接。其中,第一节点即代表即时通信***中对应的用户,第一节点和第一节点之间具有社交关系。第二节点代表即时通信***中对应的具有信息互动行为的用户,也就是,第二节点和第二节点之间具有信息互动的关联关系。比如,用户A向用户B发送消息,用户B接收,或者用户B向用户A发送消息,用户A接收。又或者。用户A公开点赞消息、转发消息、评论消息和回复消息对用户B可见,用户B公开的点赞消息、转发消息、评论消息和回复消息对用户A可见。
202、服务器对所述第一节点和第二节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征。
需要说明的是,所述第一节点和第二节点通过随机游走的方式进行组合,得到至少一个目标用户对应的目标网络。目标网络为代表目标用户的局部网络。目标网络中节点包括目标节点和与目标节点具有信息互动行为的互动用户。比如,社交应用程序中,用户A发了朋友圈内容,被用户B点赞了或者转发了。那么用户A为目标用户,那么用户B为互动用户,相应的,用户B为目标用户,那么用户A为互动用户。
其中,用户特征信息也就是用户画像特征,用户特征信息可以表征用户的年龄、性别、爱好等。互动行为特征也就是可以表征用户与用户之间聊天的环境、聊天的人数等。
203、服务器提取所述目标网络中所有节点的特征维度信息。
需要说明的是,目标网络中节点具有特征维度信息,服务器对特征维度信息进行特征提取,得到每一个节点的每一个特征信息。
204、服务器对所述特征维度信息中的每一个特征信息进行特征标注。
需要说明的是,对多维度特征信息中,每一个特征信息进行特征标注。比如,目标网络中的节点包括A、B、C,其中,将A经过的每一个特征信息进行特征标注以后得到A1,A2,A3,将B经过的每一个特征信息进行特征标注以后得到B1,B2,B3,将C经过的每一个特征信息进行特征标注以后得到C1,C2,C3。
205、服务器根据标注后的特征维度信息进行分类,得到目标网络中所有节点的用户特征信息和互动行为特征。
需要说明的是,根据标注后的特征维度信息进行分类,得到目标网络中所有节点的用户特征信息和互动行为特征。比如,将A1,B1,C1分类为同一类的特征信息,将A2,B2,C2分类为同一类的特征信息,将A3,B3,C3分类为同一类的特征信息,同时确认A1,B1,C1为用户特征信息,那么A1,B1,C1就是目标网络中所有节点的用户特征信息,同时确认A2,B2,C2为互动行为特征,那么A2,B2,C2就是目标网络中所有节点的互动行为特征。
206、服务器将所述目标网络中所有节点的用户特征信息进行融合,得到目标用户特征信息。
207、服务器将所述目标网络中所有节点的互动行为特征进行融合,得到目标互动行为特征。
208、服务器将目标节点的目标用户特征信息和目标互动行为特征进行聚合,得到目标节点的社交特征信息。
需要说明的是,通过图形注意力网络聚合目标节点的目标用户特征信息和目标互动行为特征,得到目标节点的社交特征信息。
209、服务器对所述每一个目标节点的社交特征信息线性变换处理,计算得到每一个目标用户的传播影响力参数。
需要说明的是,将每一个目标节点的社交特征信息输入到深度网络模型中,经过深度网络模型中多次线性变换,得到每一个目标用户的传播影响力参数。传播影响力参数可以是目标节点影响的传播人数。比如,目标用户可以通过社交应用程序影响的人数。社交应用程序影响的人数可以认为是与目标用户发生互动行为的人数。
210、服务器根据每个目标用户的传播影响力参数从至少一个目标用户中确定推荐用户。
需要说明的是,将每一个目标节点的社交特征信息输入深度网络模型中,得到每一个目标节点对应的目标用户的传播影响力参数。按照传播影响力参数的高低依次排序,选择排着前面预设数量的用户作为推荐用户。
211、服务器向所述推荐用户对应的终端发送推荐信息。
需要说明的是,也就是向推荐用户的终端中推送关于社交应用程序中与推荐用户传播影响力联系紧密的文章、图片、音频以及视频等。
本发明实施例可以获取第一节点和第二节点,其中,所述第一节点对应于即时通信***中的用户,第二节点对应于即时通信***中具有信息互动行为的用户,然后对所述第一节点和第二节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征,其次,根据所述目标网络中节点的用户特征信息和互动行为特征,计算得到每个目标用户的传播影响力参数,再者根据每个目标用户的传播影响力参数从至少一个目标用户中确定推荐用户,最后向所述推荐用户对应的终端发送推荐信息。本发明实施例可以提高。本申请实施例利用用户的用户特征信息和互动行为特征,对用户的传播影响力参数进行预估,相对于现有技术,能够更加准确的预估每一个用户在社交网络中的传播影响力,进而确定推荐用户,通过推荐用户推广推荐信息,从而提高推荐信息的传播效果。
请参考图5所示,其中,本申请实施例信息推荐方法将第一节点601a和第二节点602a通过随机游走的方式组合得到目标网络603,其中,第一节点601a位于社交网络中601,第二节点可以是节点602a位于分享点击网络602中,其中社交网络601中包括多个第一节点601a,社交网络中601的第一节点601a具有社交关系,分享点击网络602中包括多个第二节点602a,分享点击网络602中的第二节点602a具有分享点击的关系。比如,用户A向用户B分享了内容,用户B点击并查看了用户A分享的内容,那么用户A和用户B具有分享点击的关系。目标网络603代表具有目标用户的局域网,目标网络603中包括目标节点603a和互动节点603b,互动节点603b为与目标节点603a发生了分享点击行为的节点。将目标网络603中的节点的用户特征信息融合后得到目标用户特征信息,将目标网络中的节点的互动行为特征融合后得到目标互动行为特征,将目标用户特征信息和互动行为特征输入归一化模块604中进行归一化处理以后得到用户特征向量和互动行为特征向量,将用户特征向量和互动行为特征向量通过GAT算法模块605聚合后得到社交特征信息。将社交特征信息输入深度神经网络606中得到传播影响力参数输出值,通过分享点击网络602的多轮传播,得到预设标签传播人数,预设标签传播人数和传播影响力参数输出值进行交叉熵计算,从而计算出目标节点对应的目标用户的传播影响力参数。
本申请实施例利用用户的用户特征信息和互动行为特征,对用户的传播影响力参数进行预估,相对于现有技术,能够更加准确的预估每一个用户在社交网络中的传播影响力,进而确定推荐用户,通过推荐用户推广推荐信息,从而提高推荐信息的传播效果。
请参考图6所示,本申请实施例还提供一种信息推荐方法应用场景示意图。其中,在微信社交中确定分享传播能力最强的n个用户作为推荐用户。以“看一看欢乐频道”小程序来举例说明产品侧的应用,向推荐用户中小程序的点亮成红点,通过看一看红点引起推荐用户的注意,当其他推荐用户点击红点相关的看一看小程序时,小程序跳转到与看一看的相关视频中,看一看相关视频中包括多个视频频道,其中,包括“看一看欢乐频道”,通过“看一看”小程序的欢乐频道,播放与老人相关的视频或者图片等内容,主要是通过这些内容引发中老年人浏览和分享,带来最初期的一批种子用户,然后通过用户在微信中的传播分享,为供应商带来最大的用户量,扩大看一看用户规模。
根据上面实施例所描述的方法,以下将举例作进一步详细说明。
请参阅图7,图7为本申请实施例提供的信息推荐装置的结构示意图,其中该信息推荐装置可以包括获取单元301、组合单元302、计算单元303、确定单元304及推荐单元305等。
为便于更好的实施本申请实施例提供的信息推荐方法,本申请实施例还提供一种基于上述信息推荐方法的装置。其中名词的含义与上述信息推荐方法中相同,具体实现细节可以参考方法实施例中的说明。
本发明实施例还提供一种信息推荐装置,包括获取单元301、组合单元302、计算单元303、确定单元304及推荐单元305:获取单元301用于获取第一节点和第二节点,其中,所述第一节点对应于即时通信***中的用户,第二节点对应于即时通信***中具有信息互动行为的用户,组合单元302用于对所述第一节点和第二节点中的节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征,计算单元303用于根据所述目标网络中节点的用户特征信息和互动行为特征,计算得到每个目标用户的传播影响力参数,确定单元304用于根据每个目标用户的传播影响力参数从至少一个目标用户中确定推荐用户,推荐单元305用于向所述推荐用户对应的终端发送推荐信息。
可选的,在一些实施例中,所述计算单元303包括第一子融合单元、第二融合子单元以及第一计算子单元,
所述第一子融合单元具体还可以用于:将所述目标网络中所有节点的用户特征信息进行融合,得到目标用户特征信息;
所述第二子融合单元具体还可以用于:将所述目标网络中所有节点的互动行为特征进行融合,得到目标互动行为特征;
所述第一计算子单元具体可以用于:计算每一个目标节点的目标用户特征信息和目标互动行为特征,得到每个目标用户的传播影响力参数。
可选的,在一些实施例中,还包括提取单元、标注单元以及分类单元,
所述标注单元具体可以用于:提取所述目标网络中所有节点的特征维度信息;
所述标注单元具体可以用于:对所述特征维度信息进行特征标注;
所述分类单元具体可以用于:根据标注后的特征维度信息进行分类,得到目标网络中所有节点的用户特征信息和互动行为特征。
可选的,在一些实施例中,所述计算单元包括聚合单元和第二计算子单元,
所述聚合单元具体还可以用于:将目标节点的目标用户特征信息和目标互动行为特征进行聚合,得到目标节点的社交特征信息;
所述第二计算子单元具体还可以用于:计算每一个目标节点的社交特征信息,得到每个目标用户的传播影响力参数。
可选的,在一些实施例中,所述聚合单元还包括处理单元和聚合子单元,
所述处理单元具体还可以用于:将所述目标用户特征信息和目标互动行为特征进行归一化处理,得到目标用户特征向量和目标互动行为特征向量;
所述聚合子单元具体还可以用于:将目标用户特征向量和目标互动行为特征向量聚合,得到目标节点的社交特征信息。
可选的,在一些实施例中,所述第二计算子单元包括处理子单元:
所述处理子单元具体可以用于:对所述每一个目标节点的社交特征信息线性变换处理,得到每一个目标用户的传播影响力参数。
可选的,在一些实施例中,还包括执行单元,
所述执行单元具体用于:采用预设模型中获取层获取第一节点和第二节点,其中,所述第一节点包括多个具有用户特征信息的第一节点,所述第一节点对应于所述即时通信***中的用户;所述第二节点包括多个具有互动行为特征的第二节点,第二节点对应于所述即时通信***中具有信息互动行为的用户;
采用预设模型中组合层对所述第一节点和第二节点中的节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征;
处于预设模型计算层根据所述目标网络中节点的用户特征信息和互动行为特征,得到每个目标用户的传播影响力参数。
可选的,在一些实施例中,还包括训练单元:
获取样本第一节点和样本第二节点,其中,所述第一节点对应于即时通信***中的用户,第二节点对应即时通信***中具有信息互动行为的用户;
对所述样本第一节点和第二节点进行组合,得到至少一个目标用户对应的样本目标网络,所述样本目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述样本目标网络中的节点具有用户特征信息和互动行为特征;
根据所述样本目标网络中节点的用户特征信息和互动行为特征,计算目标用户的传播影响力参数,得到每个目标用户的样本传播影响力参数;
对所述样本传播影响力参数和与预设标注参数进行收敛,并返回执行获取第一节点和第二节点的步骤,直到所述预设模型训练完毕。
本申请实施例的信息推荐装置中获取单元301用于获取第一节点和第二节点,其中,所述第一节点包括多个具有用户特征信息的第一节点,所述第一节点对应于所述即时通信***中的用户,所述第二节点包括多个具有互动行为特征的第二节点,第二节点对应于所述即时通信***中具有信息互动行为的用户,组合单元302用于对所述第一节点和第二节点中的节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征,计算单元303用于根据所述目标网络中节点的用户特征信息和互动行为特征,计算得到每个目标用户的传播影响力参数,确定单元304用于根据每个目标用户的传播影响力参数从至少一个目标用户中确定推荐用户,推荐单元305用于向所述推荐用户对应的终端发送推荐信息。本申请实施例利用用户的用户特征信息和互动行为特征,对用户的传播影响力参数进行预估,相对于现有技术,能够更加准确的预估每一个用户在社交网络中的传播影响力,进而确定推荐用户,通过推荐用户推广推荐信息,从而提高推荐信息的传播效果。
本申请实施例还提供一种电子设备,如图8所示,其示出了本申请实施例所涉及的电子设备的结构示意图,具体来讲:
该电子设备可以为云主机,可以包括一个或者一个以上处理核心的处理器401、一个或一个以上存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图8中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理***与处理器401逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,电子设备还可以包括显示处理器等,在此不再赘述。具体在本实施例中,电子设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
本发明实施例可以获取第一节点和第二节点,其中,所述第一节点对应于即时通信***中的用户,所述第二节点对应于即时通信***中具有信息互动行为的用户,然后对所述第一节点和第二节点中的节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征,其次,根据所述目标网络中节点的用户特征信息和互动行为特征,计算目标用户的传播影响力参数,得到每个目标用户的传播影响力参数,再者根据每个目标用户的传播影响力参数从至少一个目标用户中确定推荐用户,最后向所述推荐用户对应的终端发送推荐信息。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见上文针对信息通信方法的详细描述,此处不再赘述。
由上述可知,本申请实施例的电子设备可以获取第一节点和第二节点,其中,所述第一节点对应于即时通信***中的用户,所述第二节点对应于即时通信***中具有信息互动行为的用户,然后对所述第一节点和第二节点中的节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征,其次,根据所述目标网络中节点的用户特征信息和互动行为特征,计算目标用户的传播影响力参数,得到每个目标用户的传播影响力参数,再者根据每个目标用户的传播影响力参数从至少一个目标用户中确定推荐用户,最后向所述推荐用户对应的终端发送推荐信息。本申请实施例利用用户的用户特征信息和互动行为特征,对用户的传播影响力参数进行预估,相对于现有技术,能够更加准确的预估每一个用户在社交网络中的传播影响力,进而确定推荐用户,通过推荐用户推广推荐信息,从而提高推荐信息的传播效果。
为此,本发明实施例提供存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种信息推荐方法中的步骤。比如:
本发明实施例可以获取第一节点和第二节点,其中,所述第一节点对应于即时通信***中的用户,所述第二节点对应于即时通信***中具有信息互动行为的用户,然后对所述第一节点和第二节点中的节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征,其次,根据所述目标网络中节点的用户特征信息和互动行为特征,计算目标用户的传播影响力参数,得到每个目标用户的传播影响力参数,再者根据每个目标用户的传播影响力参数从至少一个目标用户中确定推荐用户,最后向所述推荐用户对应的终端发送推荐信息。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一种方法中的步骤,因此,可以实现本发明实施例所提供的任一种方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的信息推荐方法、信息推荐装置、电子设备和存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种信息推荐方法,其特征在于,包括:
获取第一节点和第二节点,其中,所述第一节点对应于即时通信***中的用户,所述第二节点对应于即时通信***中具有信息互动行为的用户;
对所述第一节点和第二节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征;
根据所述目标网络中节点的用户特征信息和互动行为特征,计算得到每个目标用户的传播影响力参数;
根据每个目标用户的传播影响力参数从至少一个目标用户中确定推荐用户;
向所述推荐用户对应的终端发送推荐信息。
2.根据权利要求1所述的信息推荐方法,其特征在于,所述根据所述目标网络中节点的用户特征信息和互动行为特征,计算得到每个目标用户的传播影响力参数,包括:
将所述目标网络中所有节点的用户特征信息进行融合,得到目标用户特征信息;
将所述目标网络中所有节点的互动行为特征进行融合,得到目标互动行为特征;
计算每一个目标节点的目标用户特征信息和目标互动行为特征,得到每个目标用户的传播影响力参数。
3.根据权利要求2所述的信息推荐方法,其特征在于,所述将所述目标网络中所有节点的用户特征信息进行融合之前,包括:
提取所述目标网络中所有节点的特征维度信息;
对所述特征维度信息进行特征标注;
根据标注后的特征维度信息进行分类,得到目标网络中所有节点的用户特征信息和互动行为特征。
4.根据权利要求2所述的信息推荐方法,其特征在于,所述计算每一个目标节点的目标用户特征信息和目标互动行为特征,得到每个目标用户的传播影响力参数,包括:
将目标节点的目标用户特征信息和目标互动行为特征进行聚合,得到目标节点的社交特征信息;
计算每一个目标节点的社交特征信息,得到每个目标用户的传播影响力参数。
5.根据权利要求4所述的信息推荐方法,其特征在于,所述将目标节点的目标用户特征信息和目标互动行为特征进行聚合,得到目标节点的社交特征信息,包括:
将所述目标用户特征信息和目标互动行为特征进行归一化处理,得到目标用户特征向量和目标互动行为特征向量;
将目标用户特征向量和目标互动行为特征向量聚合,得到目标节点的社交特征信息。
6.根据权利要求5所述的信息推荐方法,其特征在于,所述计算每一个目标节点的社交特征信息,得到每个目标用户的传播影响力参数,包括:
对所述每一个目标节点的社交特征信息线性变换处理,得到每一个目标用户的传播影响力参数。
7.根据权利要求1所述的信息推荐方法,其特征在于,所述传播影响力参数通过预设模型得到,包括:
采用预设模型中获取层获取第一节点和第二节点,其中,所述第一节点对应于即时通信***中的用户,所述第二节点对应于即时通信***中具有信息互动行为的用户;
采用预设模型中组合层对所述第一节点和第二节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征;
采用预设模型中计算层根据所述目标网络中节点的用户特征信息和互动行为特征,得到每个目标用户的传播影响力参数。
8.根据权利要求7所述的信息推荐方法,其特征在于,所述预设模型的训练方法为:
获取样本第一节点和样本第二节点,其中,所述样本第一节点对应于即时通信***中的用户,所述第二节点对应于即时通信***中具有信息互动行为的用户;
对所述样本第一节点和样本第二节点进行组合,得到至少一个目标用户对应的样本目标网络,所述样本目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述样本目标网络中的节点具有用户特征信息和互动行为特征;
根据所述样本目标网络中节点的用户特征信息和互动行为特征,得到每个目标用户的样本传播影响力参数;
对所述样本传播影响力参数和与预设标注参数进行收敛,并返回执行获取样本第一节点和样本第二节点的步骤,直到所述预设模型训练完毕。
9.一种信息推荐装置,其特征在于,包括:
获取单元,用于获取第一节点和第二节点,其中,所述第一节点对应于即时通信***中的用户,所述第二节点对应于即时通信***中具有信息互动行为的用户;
组合单元,用于对所述第一节点和第二节点进行组合,得到至少一个目标用户对应的目标网络,所述目标网络包括目标用户对应的目标节点以及互动节点,所述互动节点对应与目标用户具有信息互动行为的互动用户,所述目标网络中的节点具有用户特征信息和互动行为特征;
计算单元,用于根据所述目标网络中节点的用户特征信息和互动行为特征,计算得到每个目标用户的传播影响力参数;
确定单元,用于根据每个目标用户的传播影响力参数从至少一个目标用户中确定推荐用户;
推荐单元,用于向所述推荐用户对应的终端发送推荐信息。
10.根据权利要求9所述的信息推荐装置,其特征在于,所述计算单元包括第一子融合单元、第二子融合单元以及第一计算子单元,
所述第一子融合单元用于将所述目标网络中所有节点的用户特征信息进行融合,得到目标用户特征信息;
第二融合子单元用于将所述目标网络中所有节点的互动行为特征进行融合,得到目标互动行为特征;
所述第一计算子单元用于计算每一个目标节点的目标用户特征信息和目标互动行为特征,得到每个目标用户的传播影响力参数。
11.根据权利要求10所述的信息推荐装置,其特征在于,还包括提取单元、标注单元以及分类单元,
所述标注单元用于提取所述目标网络中所有节点的特征维度信息;
所述标注单元用于对所述特征维度信息进行特征标注;
所述分类单元用于根据标注后的特征维度信息进行分类,得到目标网络中所有节点的用户特征信息和互动行为特征。
12.根据权利要求10所述的信息推荐装置,其特征在于,所述计算单元还包括聚合单元和第二计算子单元,
所述聚合单元用于将目标节点的目标用户特征信息和目标互动行为特征进行聚合,得到目标节点的社交特征信息;
所述第二计算子单元用于计算每一个目标节点的社交特征信息,得到每个目标用户的传播影响力参数。
13.根据权利要求10所述的信息推荐装置,其特征在于,所述聚合单元还包括处理单元和聚合子单元,
所述处理单元用于将所述目标用户特征信息和目标互动行为特征进行归一化处理,得到目标用户特征向量和目标互动行为特征向量;
所述聚合子单元用于将目标用户特征向量和目标互动行为特征向量聚合,得到目标节点的社交特征信息。
14.一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-8任一项所述信息推荐方法的步骤。
15.一种存储介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-8任一项所述信息推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911235210.8A CN111092804B (zh) | 2019-12-05 | 2019-12-05 | 信息推荐方法、信息推荐装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911235210.8A CN111092804B (zh) | 2019-12-05 | 2019-12-05 | 信息推荐方法、信息推荐装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111092804A true CN111092804A (zh) | 2020-05-01 |
CN111092804B CN111092804B (zh) | 2022-03-08 |
Family
ID=70394667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911235210.8A Active CN111092804B (zh) | 2019-12-05 | 2019-12-05 | 信息推荐方法、信息推荐装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111092804B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111935259A (zh) * | 2020-07-30 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 目标帐号集合的确定方法和装置、存储介质及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110320462A1 (en) * | 2010-06-29 | 2011-12-29 | International Business Machines Corporation | Method and apparatus for recommending information to users within a social network |
CN103514215A (zh) * | 2012-06-28 | 2014-01-15 | 北京奇虎科技有限公司 | 生成用户社交影响力信息的方法及装置 |
US20160014070A1 (en) * | 2014-07-10 | 2016-01-14 | Facebook, Inc. | Systems and methods for directng messages based on social data |
CN106952166A (zh) * | 2016-01-07 | 2017-07-14 | 腾讯科技(深圳)有限公司 | 一种社交平台的用户影响力估算方法及装置 |
CN107203901A (zh) * | 2017-05-11 | 2017-09-26 | 中国联合网络通信集团有限公司 | 向用户推送产品信息的方法及装置 |
CN107220316A (zh) * | 2017-05-17 | 2017-09-29 | 华为机器有限公司 | 一种通信数据分析方法及装置 |
CN108874821A (zh) * | 2017-05-11 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种应用推荐方法、装置及服务器 |
CN110263250A (zh) * | 2019-06-12 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 一种推荐模型的生成方法及装置 |
CN110457573A (zh) * | 2019-07-04 | 2019-11-15 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备及存储介质 |
-
2019
- 2019-12-05 CN CN201911235210.8A patent/CN111092804B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110320462A1 (en) * | 2010-06-29 | 2011-12-29 | International Business Machines Corporation | Method and apparatus for recommending information to users within a social network |
CN103514215A (zh) * | 2012-06-28 | 2014-01-15 | 北京奇虎科技有限公司 | 生成用户社交影响力信息的方法及装置 |
US20160014070A1 (en) * | 2014-07-10 | 2016-01-14 | Facebook, Inc. | Systems and methods for directng messages based on social data |
CN106952166A (zh) * | 2016-01-07 | 2017-07-14 | 腾讯科技(深圳)有限公司 | 一种社交平台的用户影响力估算方法及装置 |
CN107203901A (zh) * | 2017-05-11 | 2017-09-26 | 中国联合网络通信集团有限公司 | 向用户推送产品信息的方法及装置 |
CN108874821A (zh) * | 2017-05-11 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种应用推荐方法、装置及服务器 |
CN107220316A (zh) * | 2017-05-17 | 2017-09-29 | 华为机器有限公司 | 一种通信数据分析方法及装置 |
CN110263250A (zh) * | 2019-06-12 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 一种推荐模型的生成方法及装置 |
CN110457573A (zh) * | 2019-07-04 | 2019-11-15 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
刘臣等: "在线社会网络用户的信息分享行为预测研究", 《计算机应用研究》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111935259A (zh) * | 2020-07-30 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 目标帐号集合的确定方法和装置、存储介质及电子设备 |
CN111935259B (zh) * | 2020-07-30 | 2021-11-23 | 腾讯科技(深圳)有限公司 | 目标帐号集合的确定方法和装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111092804B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10922714B2 (en) | Identifying spam avatars in a virtual universe based upon turing tests | |
CN106357517B (zh) | 定向标签生成方法及装置 | |
CN109039671B (zh) | 群组消息显示方法、装置、终端及存储介质 | |
CN110458220B (zh) | 人群定向方法、装置、服务器及存储介质 | |
US10469275B1 (en) | Clustering of discussion group participants | |
US10915922B2 (en) | System and method in a virtual universe for identifying spam avatars based upon avatar multimedia characteristics | |
US10726087B2 (en) | Machine learning system and method to identify and connect like-minded users | |
JP5961320B2 (ja) | ソーシャル・メデイアにおけるユーザの分類方法、コンピュータ・プログラム及びコンピュータ | |
US11436446B2 (en) | Image analysis enhanced related item decision | |
CN112818224B (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
US20190073410A1 (en) | Text-based network data analysis and graph clustering | |
CN112395515B (zh) | 一种信息推荐方法、装置、计算机设备及存储介质 | |
US20190073411A1 (en) | Image-based network data analysis and graph clustering | |
CN111092804B (zh) | 信息推荐方法、信息推荐装置、电子设备和存储介质 | |
EP2743882A1 (en) | Unified social graph | |
CN111787042B (zh) | 用于推送信息的方法和装置 | |
CN111557014A (zh) | 提供多个个人资料的方法及*** | |
CN113010737A (zh) | 一种视频标签的分类方法、装置及存储介质 | |
CN111125544A (zh) | 用户推荐方法及装置 | |
CN111354013A (zh) | 目标检测方法及装置、设备和存储介质 | |
CN109660582B (zh) | 帐号信号的推送方法、装置、存储介质和电子设备 | |
Zhan et al. | A model for growth of markets of products or services having hierarchical dependence | |
JP2022087835A (ja) | コミュニティ分類方法、コンピュータプログラム、およびコンピュータ装置 | |
CN115687745A (zh) | 多媒体数据推荐方法、装置、存储介质及计算机设备 | |
CN110855554B (zh) | 一种内容聚合方法、装置、计算机设备和存储介质 |
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 |