CN111143701A - 一种基于多维度的社交网络用户推荐方法及*** - Google Patents
一种基于多维度的社交网络用户推荐方法及*** Download PDFInfo
- Publication number
- CN111143701A CN111143701A CN201911278609.4A CN201911278609A CN111143701A CN 111143701 A CN111143701 A CN 111143701A CN 201911278609 A CN201911278609 A CN 201911278609A CN 111143701 A CN111143701 A CN 111143701A
- Authority
- CN
- China
- Prior art keywords
- user
- social network
- text
- module
- message
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000013598 vector Substances 0.000 claims abstract description 47
- 238000005295 random walk Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 24
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000004141 dimensional analysis Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于多维度的社交网络用户推荐方法及***,所述方法包括:S1:提取社交网络中各个用户的信息;S2:进行数据预处理后合并为一个文本消息;S3:对文本消息使用biterm主题模型进行主题建模,得到基于用户消息的文本向量;S4:构建社交网络;S5:对社交网络进行随机游走得到用户标识序列,再使用biterm主题模型进行主题建模,得到基于用户的社交网络的结构向量;S6:对文本向量及结构向量进行拼接,作为当前用户的特征向量,再和其它用户计算相似度,取相似度最高的k个结果作为用户推荐结果。本发明分析了用户自身属性,同时也考虑了在社交网络中隐形结构的相似性,通过对整个社交网络的整体把握,具有准确率高、覆盖率高和方法先进等优点。
Description
技术领域
本发明涉及互联网中社交网络技术领域,尤其是一种基于多维度的社交网络用户推荐方法及***。
背景技术
随着移动互联网的快速发展,尤其是Twitter、Facebook和微博等新兴社交网络媒体的出现,大量用户在使用这些社交网络平台的同时,可以结交更多的朋友,对于一些感兴趣的话题和相同的爱好会产生不同程度共鸣。再者,由于互联网不受空间或时间的限制,可以随时随地掌握最新的信息,俨然已经成为人们获得信息或分享心得的重要渠道。社交网络中的好友推荐可以针对不同的用户行为推荐和其类似的志同道合的朋友。
现有用户推荐技术中,大多数基于用户自身的行为,如所发推文消息、和好友互动消息等,尚未有考虑社交网络隐式结构的用户推荐方法,从而不能更加细致的进行推荐。并且,网络结构中的隐式表达对于人工筛选特征来说非常困难,常规方法无法有效的挖掘出其隐含的网络结构特征,无法同时考虑用户自身属性与其所处社交网络结构特性。因此,现有技术还有待改进和发展。
发明内容
本发明所要解决的技术问题是:针对上述存在的问题,提供一种基于多维度的社交网络用户推荐方法及***。
本发明提供的一种基于多维度的社交网络用户推荐方法,包括如下步骤:
S1:提取社交网络中各个用户的信息,包括用户好友关系、用户发文消息和用户转发消息;
S2:对步骤S1获取的用户发文消息和用户转发消息进行数据预处理后合并为一个文本消息;
S3:对步骤S2预处理之后的文本消息使用biterm主题模型进行主题建模,得到基于用户消息的文本向量;
S4:根据步骤S1获取的用户好友关系构建社交网络,所述社交网络中的节点为用户并设置唯一标识,社交网络中的边表示用户好友关系;
S5:对步骤S4构建的社交网络设定相应参数进行随机游走得到用户标识序列,将该用户标识序列使用biterm主题模型进行主题建模,得到每一个用户在社交网络结构中的隐式表达,即基于用户的社交网络的结构向量;
S6:对步骤S3得到的基于用户的文本消息的主题向量以及步骤S5得到的基于用户的社交网络的结构向量进行拼接,作为当前用户的特征向量,再和其它用户计算相似度,取相似度最高的k个结果作为相应的用户推荐结果。
其中,步骤S2包括如下子步骤:
S21:将用户发文消息和用户转发消息中包含的URL链接进行文本提取;
S22:对用户发文消息和用户转发消息进行分词处理,并去掉停用词和非法字符;
S23:通过步骤S21和S22处理后,对每一个用户的所有消息过滤重复数据并结构化,最后将一个用户中所有消息合并为一个文本消息。
其中,步骤S5包括如下子步骤:
S51:设定随机游走初始化参数:游走次数N和步长范围[a,b],其中,a表示最小步长,b为最大步长;
S52:对构建的社交网络选取任一节点v开始随机游走,随机选取介于a和b之间的c作为本次随机游走的步长,每一次随机游走都选择当前节点的邻居节点用以构建游走序列;重复N次,得到N条长度介于[a,b]的用户标识序列;
S53:对步骤S52获取的用户标识序列,把每一个用户标识当做一个词语,使用biterm主题模型对用户标识序列进行主题建模,得到每一个用户在社交网络结构中的隐式表达,即基于用户的社交网络的结构向量。
其中,步骤6中计算相似度的计算公式为:
其中,A,B分别表示用户A和用户B的特征向量。
本发明还提供一种基于多维度的社交网络用户推荐***,包括:
信息采集模块,用于提取社交网络中各个用户的信息,包括用户好友关系、用户发文消息和用户转发消息;
文本生成模块,用于对所述信息采集模块获取的用户发文消息和用户转发消息进行数据预处理后合并为一个文本消息;
文本处理模块,用于对所述文本生成模块生成的文本消息使用biterm主题模型进行主题建模,得到基于用户消息的文本向量;
网络构建模块,用于根据所述信息采集模块获取的用户好友关系构建社交网络,所述社交网络中的节点为用户并设置唯一标识,社交网络中的边表示用户好友关系;
网络处理模块,用于对所述网络构建模块构建的社交网络设定相应参数进行随机游走得到用户标识序列,将该用户标识序列使用biterm主题模型进行主题建模,得到每一个用户在社交网络结构中的隐式表达,即基于用户的社交网络的结构向量;
推荐模块,用于对所述文本处理模块得到的基于用户的文本消息的主题向量以及所述网络处理模块得到的基于用户的社交网络的结构向量进行拼接,作为当前用户的特征向量,再和其它用户计算相似度,取相似度最高的k个结果作为相应的用户推荐结果。
其中,所述文本生成模块包括:
链接提取模块,用于将用户发文消息和用户转发消息中包含的URL链接进行文本提取;
分词模块,用于对用户发文消息和用户转发消息进行分词处理,并去掉停用词和非法字符;
文本合成模块,用于在所述链接提取模块和分词模块处理后,对每一个用户的所有消息过滤重复数据并结构化,最后将一个用户中所有消息合并为一个文本消息。
其中,所述网络处理模块包括:
参数设定模块,用于设定随机游走初始化参数:游走次数N和步长范围[a,b],其中,a表示最小步长,b为最大步长;
运行模块,用于对构建的社交网络选取任一节点v开始随机游走,随机选取介于a和b之间的c作为本次随机游走的步长,每一次随机游走都选择当前节点的邻居节点用以构建游走序列;重复前述的处理过程N次,得到N条长度介于[a,b]的用户标识序列;
网络建模模块,用于对所述运行模块获取的用户标识序列,把每一个用户标识当做一个词语,使用biterm主题模型对用户标识序列进行主题建模,得到每一个用户在社交网络结构中的隐式表达,即基于用户的社交网络的结构向量。
其中,所述推荐模块计算相似度的计算公式为:
其中,A,B分别表示用户A和用户B的特征向量。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明对获取的社交网络数据进行多维度分析包括网络构建、随机游走和主题建模;基于上述结果进行相似用户推荐,不仅分析了用户自身的属性,同时也考虑了在社交网络中隐形结构的相似性,通过对整个社交网络的整体把握,具有准确率高、覆盖率高和方法先进等优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明基于多维度的社交网络用户推荐方法的流程框图。
图2为本发明基于多维度的社交网络用户推荐***的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
本发明的设计构思为:biterm主题模型在对文本消息进行建模时,将一条文本消息中的任意两个词语作为一个词组(biterm)进行抽样,可以视为网络中一条边的两个节点进行建模。鉴于此,本发明使用biterm主题模型对网络结构的隐含特性进行挖掘,最后得到每个节点(用户)关于其所在社交网络结构的隐式表达,再结合其本身的固有特性,进行用户推荐。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
如图1所示,本实施例提供的一种基于多维度的社交网络用户推荐方法,包括如下步骤:
S1:提取社交网络中各个用户的信息,包括用户好友(关注)关系、用户发文消息和用户转发消息;
S2:对步骤S1获取的用户发文消息和用户转发消息进行数据预处理后合并为一个文本消息;
步骤S2包括如下子步骤:
S21:将用户发文消息和用户转发消息中包含的URL链接进行文本提取;
S22:对用户发文消息和用户转发消息进行分词处理,并去掉停用词和非法字符;
S23:通过步骤S21和S22处理后,对每一个用户的所有消息过滤重复数据并结构化,最后将一个用户中所有消息合并为一个文本消息。
S3:对步骤S2预处理之后的文本消息使用biterm主题模型进行主题建模,得到基于用户消息的文本向量;
S4:根据步骤S1获取的用户好友关系构建社交网络,所述社交网络中的节点为用户并设置唯一标识,社交网络中的边表示用户好友关系;
S5:对步骤S4构建的社交网络设定相应参数进行随机游走得到用户标识序列,将该用户标识序列使用biterm主题模型进行主题建模,得到每一个用户在社交网络结构中的隐式表达,即基于用户的社交网络的结构向量;
步骤S5包括如下子步骤:
S51:设定随机游走初始化参数:游走次数N和步长范围[a,b],其中,a表示最小步长,b为最大步长;
S52:对构建的社交网络选取任一节点v开始随机游走,随机选取介于a和b之间的c作为本次随机游走的步长,每一次随机游走都选择当前节点的邻居节点用以构建游走序列;重复N次,得到N条长度介于[a,b]的用户标识序列;其中,用户标识和用户标识序列可以采用字母、数字或者字母+数字组合的形式。
S53:对步骤S52获取的用户标识序列,把每一个用户标识当做一个词语,使用biterm主题模型对用户标识序列进行主题建模,得到每一个用户在社交网络结构中的隐式表达,即基于用户的社交网络的结构向量。
S6:对步骤S3得到的基于用户的文本消息的主题向量以及步骤S5得到的基于用户的社交网络的结构向量进行拼接,作为当前用户的特征向量,再和其它用户计算相似度,取相似度最高的k个结果作为相应的用户推荐结果。
本实施例使用余弦相似度计算公式,由此,步骤6中计算相似度的计算公式为:
其中,A,B分别表示用户A和用户B的特征向量。
实施例2
如图2所示,本实施例的一种基于多维度的社交网络用户推荐***,包括:
信息采集模块,用于提取社交网络中各个用户的信息,包括用户好友关系、用户发文消息和用户转发消息;
文本生成模块,用于对所述信息采集模块获取的用户发文消息和用户转发消息进行数据预处理后合并为一个文本消息;
文本处理模块,用于对所述文本生成模块生成的文本消息使用biterm主题模型进行主题建模,得到基于用户消息的文本向量;
网络构建模块,用于根据所述信息采集模块获取的用户好友关系构建社交网络,所述社交网络中的节点为用户并设置唯一标识,社交网络中的边表示用户好友关系;
网络处理模块,用于对所述网络构建模块构建的社交网络设定相应参数进行随机游走得到用户标识序列,将该用户标识序列使用biterm主题模型进行主题建模,得到每一个用户在社交网络结构中的隐式表达,即基于用户的社交网络的结构向量;
推荐模块,用于对所述文本处理模块得到的基于用户的文本消息的主题向量以及所述网络处理模块得到的基于用户的社交网络的结构向量进行拼接,作为当前用户的特征向量,再和其它用户计算相似度,取相似度最高的k个结果作为相应的用户推荐结果。
其中,所述文本生成模块包括:
链接提取模块,用于将用户发文消息和用户转发消息中包含的URL链接进行文本提取;
分词模块,用于对用户发文消息和用户转发消息进行分词处理,并去掉停用词和非法字符;
文本合成模块,用于在所述链接提取模块和分词模块处理后,对每一个用户的所有消息过滤重复数据并结构化,最后将一个用户中所有消息合并为一个文本消息。
其中,所述网络处理模块包括:
参数设定模块,用于设定随机游走初始化参数:游走次数N和步长范围[a,b],其中,a表示最小步长,b为最大步长;
运行模块,用于对构建的社交网络选取任一节点v开始随机游走,随机选取介于a和b之间的c作为本次随机游走的步长,每一次随机游走都选择当前节点的邻居节点用以构建游走序列;重复前述的处理过程N次,得到N条长度介于[a,b]的用户标识序列;
网络建模模块,用于对所述运行模块获取的用户标识序列,把每一个用户标识当做一个词语,使用biterm主题模型对用户标识序列进行主题建模,得到每一个用户在社交网络结构中的隐式表达,即基于用户的社交网络的结构向量。
其中,所述推荐模块计算相似度的计算公式为:
其中,A,B分别表示用户A和用户B的特征向量。
通过上述内容可知,本发明具有如下的有益效果:本发明对获取的社交网络数据进行多维度分析包括网络构建、随机游走和主题建模;基于上述结果进行相似用户推荐,不仅分析了用户自身的属性,同时也考虑了在社交网络中隐形结构的相似性,通过对整个社交网络的整体把握,具有准确率高、覆盖率高和方法先进等优点。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于多维度的社交网络用户推荐方法,其特征在于,包括如下步骤:
S1:提取社交网络中各个用户的信息,包括用户好友关系、用户发文消息和用户转发消息;
S2:对步骤S1获取的用户发文消息和用户转发消息进行数据预处理后合并为一个文本消息;
S3:对步骤S2预处理之后的文本消息使用biterm主题模型进行主题建模,得到基于用户消息的文本向量;
S4:根据步骤S1获取的用户好友关系构建社交网络,所述社交网络中的节点为用户并设置唯一标识,社交网络中的边表示用户好友关系;
S5:对步骤S4构建的社交网络设定相应参数进行随机游走得到用户标识序列,将该用户标识序列使用biterm主题模型进行主题建模,得到每一个用户在社交网络结构中的隐式表达,即基于用户的社交网络的结构向量;
S6:对步骤S3得到的基于用户消息的文本向量以及步骤S5得到的基于用户的社交网络的结构向量进行拼接,作为当前用户的特征向量,再和其它用户计算相似度,取相似度最高的k个结果作为相应的用户推荐结果。
2.根据权利要求1所述的基于多维度的社交网络用户推荐方法,其特征在于,步骤S2包括如下子步骤:
S21:将用户发文消息和用户转发消息中包含的URL链接进行文本提取;
S22:对用户发文消息和用户转发消息进行分词处理,并去掉停用词和非法字符;
S23:通过步骤S21和S22处理后,对每一个用户的所有消息过滤重复数据并结构化,最后将一个用户中所有消息合并为一个文本消息。
3.根据权利要求1所述的基于多维度的社交网络用户推荐方法,其特征在于,步骤S5包括如下子步骤:
S51:设定随机游走初始化参数:游走次数N和步长范围[a,b],其中,a表示最小步长,b为最大步长;
S52:对构建的社交网络选取任一节点v开始随机游走,随机选取介于a和b之间的c作为本次随机游走的步长,每一次随机游走都选择当前节点的邻居节点用以构建游走序列;重复N次,得到N条长度介于[a,b]的用户标识序列;
S53:对步骤S52获取的用户标识序列,把每一个用户标识当做一个词语,使用biterm主题模型对用户标识序列进行主题建模,得到每一个用户在社交网络结构中的隐式表达,即基于用户的社交网络的结构向量。
5.一种基于多维度的社交网络用户推荐***,其特征在于,包括:
信息采集模块,用于提取社交网络中各个用户的信息,包括用户好友关系、用户发文消息和用户转发消息;
文本生成模块,用于对所述信息采集模块获取的用户发文消息和用户转发消息进行数据预处理后合并为一个文本消息;
文本处理模块,用于对所述文本生成模块生成的文本消息使用biterm主题模型进行主题建模,得到基于用户消息的文本向量;
网络构建模块,用于根据所述信息采集模块获取的用户好友关系构建社交网络,所述社交网络中的节点为用户并设置唯一标识,社交网络中的边表示用户好友关系;
网络处理模块,用于对所述网络构建模块构建的社交网络设定相应参数进行随机游走得到用户标识序列,将该用户标识序列使用biterm主题模型进行主题建模,得到每一个用户在社交网络结构中的隐式表达,即基于用户的社交网络的结构向量;
推荐模块,用于对所述文本处理模块得到的基于用户的文本消息的主题向量以及所述网络处理模块得到的基于用户的社交网络的结构向量进行拼接,作为当前用户的特征向量,再和其它用户计算相似度,取相似度最高的k个结果作为相应的用户推荐结果。
6.根据权利要求5所述的基于多维度的社交网络用户推荐***,其特征在于,所述文本生成模块包括:
链接提取模块,用于将用户发文消息和用户转发消息中包含的URL链接进行文本提取;
分词模块,用于对用户发文消息和用户转发消息进行分词处理,并去掉停用词和非法字符;
文本合成模块,用于在所述链接提取模块和分词模块处理后,对每一个用户的所有消息过滤重复数据并结构化,最后将一个用户中所有消息合并为一个文本消息。
7.根据权利要求1所述的基于多维度的社交网络用户推荐***,其特征在于,所述网络处理模块包括:
参数设定模块,用于设定随机游走初始化参数:游走次数N和步长范围[a,b],其中,a表示最小步长,b为最大步长;
运行模块,用于对构建的社交网络选取任一节点v开始随机游走,随机选取介于a和b之间的c作为本次随机游走的步长,每一次随机游走都选择当前节点的邻居节点用以构建游走序列;重复前述的处理过程N次,得到N条长度介于[a,b]的用户标识序列;
网络建模模块,用于对所述运行模块获取的用户标识序列,把每一个用户标识当做一个词语,使用biterm主题模型对用户标识序列进行主题建模,得到每一个用户在社交网络结构中的隐式表达,即基于用户的社交网络的结构向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911278609.4A CN111143701A (zh) | 2019-12-13 | 2019-12-13 | 一种基于多维度的社交网络用户推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911278609.4A CN111143701A (zh) | 2019-12-13 | 2019-12-13 | 一种基于多维度的社交网络用户推荐方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111143701A true CN111143701A (zh) | 2020-05-12 |
Family
ID=70518141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911278609.4A Pending CN111143701A (zh) | 2019-12-13 | 2019-12-13 | 一种基于多维度的社交网络用户推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111143701A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815403A (zh) * | 2020-06-19 | 2020-10-23 | 北京石油化工学院 | 商品推荐方法、装置及终端设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077412A (zh) * | 2014-07-14 | 2014-10-01 | 福州大学 | 一种基于多Markov链的微博用户兴趣预测方法 |
CN105741175A (zh) * | 2016-01-27 | 2016-07-06 | 电子科技大学 | 一种对在线社交网络中账户进行关联的方法 |
CN107526850A (zh) * | 2017-10-12 | 2017-12-29 | 燕山大学 | 基于多重个性化特征混合架构的社交网络好友推荐方法 |
CN107835113A (zh) * | 2017-07-05 | 2018-03-23 | 中山大学 | 一种基于网络映射的社交网络中异常用户检测方法 |
CN109857871A (zh) * | 2019-01-28 | 2019-06-07 | 重庆邮电大学 | 一种基于社交网络海量情景数据的用户关系发现方法 |
CN110032682A (zh) * | 2019-04-17 | 2019-07-19 | 腾讯科技(上海)有限公司 | 一种信息推荐列表生成方法、装置及设备 |
-
2019
- 2019-12-13 CN CN201911278609.4A patent/CN111143701A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077412A (zh) * | 2014-07-14 | 2014-10-01 | 福州大学 | 一种基于多Markov链的微博用户兴趣预测方法 |
CN105741175A (zh) * | 2016-01-27 | 2016-07-06 | 电子科技大学 | 一种对在线社交网络中账户进行关联的方法 |
CN107835113A (zh) * | 2017-07-05 | 2018-03-23 | 中山大学 | 一种基于网络映射的社交网络中异常用户检测方法 |
CN107526850A (zh) * | 2017-10-12 | 2017-12-29 | 燕山大学 | 基于多重个性化特征混合架构的社交网络好友推荐方法 |
CN109857871A (zh) * | 2019-01-28 | 2019-06-07 | 重庆邮电大学 | 一种基于社交网络海量情景数据的用户关系发现方法 |
CN110032682A (zh) * | 2019-04-17 | 2019-07-19 | 腾讯科技(上海)有限公司 | 一种信息推荐列表生成方法、装置及设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815403A (zh) * | 2020-06-19 | 2020-10-23 | 北京石油化工学院 | 商品推荐方法、装置及终端设备 |
CN111815403B (zh) * | 2020-06-19 | 2024-05-10 | 北京石油化工学院 | 商品推荐方法、装置及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10726446B2 (en) | Method and apparatus for pushing information | |
CN107122455B (zh) | 一种基于微博的网络用户增强表示方法 | |
De Choudhury et al. | How does the data sampling strategy impact the discovery of information diffusion in social media? | |
US20150234928A1 (en) | Method and apparatus to identify outliers in social networks | |
CN103793501B (zh) | 基于社交网络的主题社团发现方法 | |
CN107025239B (zh) | 敏感词过滤的方法和装置 | |
KR20160057475A (ko) | 소셜 데이터를 능동적으로 획득하기 위한 시스템 및 방법 | |
CN112269922B (zh) | 一种基于网络表示学习的社区舆论关键人物发现方法 | |
US20150278346A1 (en) | Method and system for decomposing social relationships into domains of interactions | |
CN103793489A (zh) | 一种在线社交网络中社群话题的发现方法 | |
CN107944032B (zh) | 用于生成信息的方法和装置 | |
US11308141B2 (en) | Template generation using directed acyclic word graphs | |
US11010687B2 (en) | Detecting abusive language using character N-gram features | |
CN104424187B (zh) | 一种向客户端用户推荐好友的方法及装置 | |
Garg et al. | Analysis and visualization of Twitter data using k-means clustering | |
CN110224859A (zh) | 用于识别团伙的方法和*** | |
CN107346333B (zh) | 一种基于链路预测的在线社交网络好友推荐方法与*** | |
Luczak-Roesch et al. | From coincidence to purposeful flow? properties of transcendental information cascades | |
CN108197112A (zh) | 一种从新闻中提取事件的方法 | |
CN110297967B (zh) | 兴趣点确定方法、装置、设备及计算机可读存储介质 | |
CN111143701A (zh) | 一种基于多维度的社交网络用户推荐方法及*** | |
Li et al. | Recommendation on social network based on graph model | |
CN109033224A (zh) | 一种风险文本识别方法和装置 | |
Morichetta et al. | LENTA: Longitudinal exploration for network traffic analysis from passive data | |
Murthy et al. | TwitSenti: a real-time Twitter sentiment analysis and visualization framework |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200512 |