CN112836127B - 推荐社交用户的方法、装置、存储介质及电子设备 - Google Patents

推荐社交用户的方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN112836127B
CN112836127B CN202110174284.6A CN202110174284A CN112836127B CN 112836127 B CN112836127 B CN 112836127B CN 202110174284 A CN202110174284 A CN 202110174284A CN 112836127 B CN112836127 B CN 112836127B
Authority
CN
China
Prior art keywords
user
list
recommended
attention
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.)
Active
Application number
CN202110174284.6A
Other languages
English (en)
Other versions
CN112836127A (zh
Inventor
郑礼雄
任彦
曹华平
薛晨
易立
陆希玉
王云荣
窦禹
王一宇
杨昕雨
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.)
National Computer Network and Information Security Management Center
Original Assignee
National Computer Network and Information Security Management Center
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 National Computer Network and Information Security Management Center filed Critical National Computer Network and Information Security Management Center
Priority to CN202110174284.6A priority Critical patent/CN112836127B/zh
Publication of CN112836127A publication Critical patent/CN112836127A/zh
Application granted granted Critical
Publication of CN112836127B publication Critical patent/CN112836127B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (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

本申请实施例公开了一种推荐社交用户的方法，所述方法包括：去除所述目标用户的第一关注列表中的热点用户，得到第二关注列表；基于所述第二关注列表，在所述社交平台的用户数据库中获取待推荐用户列表；基于所述待推荐用户列表，计算所述待推荐用户列表中的每一个待推荐用户的推荐权重；基于所述推荐权重和预设规则，获取所述至少一个待推荐用户中的推荐用户，将所述推荐用户推荐给所述目标用户。采用本申请实施例，可以实现针对目标用户的个性化推荐，显著改善网络社交用户推荐的推荐效果。

Description

推荐社交用户的方法、装置、存储介质及电子设备
技术领域
本申请涉及互联网数据挖掘技术领域，尤其涉及一种推荐社交用户的方法、装置、存储介质及电子设备。
背景技术
随着“互联网+”时代的到来，互联网生态***也逐渐形成，网民作为这个生态***中最活跃和最重要的组成部分，他们的一举一动都影响着这个生态圈。目前，网民们对互联网的需求不仅仅是查阅资料、浏览信息，越来越多的网民通过互联网进行购物、社交、娱乐等活动。其中，在线社交已经成为网民们互联网生活的一部分，诸如微博、抖音等社交平台的流行，给网民提供给了相对开放的信息实时分享场所，同时社交平台的用户关注机制也为网民们提供了一种交友的途径，并满足了网民的信息共享与社交需求。然而在现有技术中，在一个开放的社交平台上，用户想要获取更多的和自己兴趣爱好相同的用户以便进行友好社交时，由于社交平台的推荐算法落后或者推荐算法并不适合该社交平台时，用户往往只能看到自己并不感兴趣的用户。
发明内容
本申请实施例提供了一种推荐社交用户方法、装置、存储介质及电子设备，可以实现针对目标用户的个性化推荐，显著改善网络社交用户推荐的推荐效果。所述技术方案如下：
第一方面，本申请实施例提供了一种推荐社交用户的方法，包括：
去除所述目标用户的第一关注列表中的热点用户，得到第二关注列表；所述热点用户为社交平台中的互动数超过互动阈值和/或被关注数超过关注度阈值的用户；
基于所述第二关注列表，在所述社交平台的用户数据库中获取待推荐用户列表；其中，所述待推荐用户列表包括至少一个待推荐用户，所述待推荐用户的关注列表中包括至少一个所述第二关注列表中的用户；
基于所述待推荐用户列表，计算所述待推荐用户列表中的每一个待推荐用户的推荐权重；
基于所述推荐权重和预设规则，获取所述至少一个待推荐用户中的推荐用户，将所述推荐用户推荐给所述目标用户。
在一个或多个可能的实施例中，在所述去除所述目标用户的第一关注列表中的热点用户，得到第二关注列表之前，还包括：
基于预设算法获取目标用户的隐性关注列表以及显性关注列表；
其中，所述第一关注列表为所述显性关注列表及所述隐性关注列表的并集，所述显性关注列表为所述社交平台上显示的所述目标用户的关注列表，所述隐性关注列表为针对所述社交平台上，所述目标用户通过间接关注的方式进行关注的用户集合。
在一个或多个可能的实施例中，所述基于预设算法获取目标用户的隐性关注列表以及显性关注列表，包括：
获取预设时间段内所述目标用户的发表文本；
提取所述发表文本中的用户指代词；其中，所述用户指代词包括以下至少一项：用户名、用户昵称、话题；
基于所述用户指代词确定所述用户指代词对应的隐性用户，基于所述隐性用户构建所述隐性关注列表。
在一个或多个可能的实施例中，所述基于预设算法获取目标用户的隐性关注列表以及显性关注列表，包括：
判断所述目标用户的活跃度；
在所述目标用户的活跃度小于活跃度阈值的情况下，确定所述目标用户为非活跃用户；
基于所述目标用户的互相关注列表，构建所述目标用户的社交网络关系网；
基于所述社交网络关系网，获取所述社交网络关系网中的活跃用户；
基于所述活跃用户，获取相似用户；其中，所述相似用户为所述活跃用户与所述目标用户的相似度超过相似度阈值的用户；
基于所述相似用户获取所述相似用户的隐性关注列表，将所述相似用户的隐性关注列表作为所述目标用户的隐性关注列表。
在一个或多个可能的实施例中，所述基于所述待推荐用户列表，计算所述待推荐用户列表中的每一个待推荐用户的推荐权重，包括：
获取所述待推荐用户的关注列表与所述目标用户的第二关注列表的交集列表；
计算预设时长内，所述待推荐用户与所述交集列表中每一个用户的互动权重；
将所述互动权重累加后得到所述待推荐用户的推荐权重。
在一个或多个可能的实施例中，所述计算预设时长内，所述待推荐用户与所述交集列表中每一个用户的互动权重，包括：
基于预设的时间粒度，为所述预设时长内的初始互动权重配置衰减权重，得到互动衰减函数；
获取所述待推荐用户与所述交集列表中每一个用户的互动数据，所述互动数据包括互动类型、互动频率和互动时效；
基于所述互动衰减函数和所述互动数据获取所述互动权重。
在一个或多个可能的实施例中，所述计算预设时长内，所述待推荐用户与所述交集列表中每一个用户的互动权重，包括：
计算所述待推荐用户与所述交集列表中的每一个用户的互动时效因子TF(t)，其中：
Figure GDA0003024291630000031
其中，所述t表示基于第一时间粒度对所述预设时长进行划分后，第k次互动发生的时间，所述T1表示基于第二时间粒度的互动结束时间，所述T0表示基于第二时间粒度的互动开始时间；
获取所述待推荐用户与所述交集列表中的每一个用户的进行互动的互动类型，以及所述互动类型对应的互动类型权重V(i，j)，所述V(i,j)取值为1-5之间的整数；
基于所述互动时效因子TF(t)和所述互动类型权重V(i，j)，获取在所述预设时长内，所述待推荐用户与所述交集列表中的每一个用户的第k次的互动权重Wk(i,j,t)，其中：
Wk(i，j，t)＝V(i，j，k)×TF(t)；
基于所述互动权重Wk(i,j,t)计算所述推荐权重W(i,j)，其中：
Figure GDA0003024291630000041
其中，所述K表示在所述预设时长内所述推荐用户与所述交集列表中的每一个用户的进行互动的总次数。
第二方面，本申请实施例提供了推荐社交用户的装置，所述装置包括：
去除热点模块，去除所述目标用户的第一关注列表中的热点用户，得到第二关注列表；所述热点用户为社交平台中的互动数超过互动阈值和/或被关注数超过关注度阈值的用户；
获取列表模块，基于所述第二关注列表，在所述社交平台的用户数据库中获取待推荐用户列表；其中，所述待推荐用户列表包括至少一个待推荐用户，所述待推荐用户的关注列表中包括至少一个所述第二关注列表中的用户；
计算权重模块，基于所述待推荐用户列表，计算所述待推荐用户列表中的每一个待推荐用户的推荐权重；
推荐用户模块，基于所述推荐权重和预设规则，获取所述至少一个待推荐用户中的推荐用户，将所述推荐用户推荐给所述目标用户。
第三方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种电子设备，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
本申请一些实施例提供的技术方案带来的有益效果至少包括：通过去除热点用户的第二关注列表获取待推荐用户列表，以及通过计算所述待推荐用户列表中的每一个待推荐用户的推荐权重，基于推荐权重和预设规则确定推荐用户，以及将推荐用户推荐给目标用户，可以实现针对目标用户的个性化推荐，显著改善网络社交用户推荐的推荐效果，提高为目标用户推荐感兴趣的推荐用户的几率，进一步挖掘目标用户的社交好友网络。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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是本申请实施例提供的一种推荐社交用户的流程示意图；
图2是本申请实施例提供的一种目标用户的显性关注列表的界面示意图；
图3是本申请实施例提供的一种建立目标用户的隐性关注列表的流程示意图；
图4是本申请实施例提供的一种计算推荐权重的流程示意图；
图5是本申请实施例提供的一种目标用户与待推荐用户的关注列表的交集示意图；
图6是本申请实施例提供的一种计算互动权重的流程示意图；
图7是本申请实施例提供的另一种推荐社交用户的流程示意图；
图8是本申请实施例提供的一种目标用户的社交网络关系网的结构示意图；
图9是本申请实施例提供的另一种计算推荐权重的流程示意图；
图10是本申请实施例提供的一种推荐社交好友的装置示意图；
图11是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本申请的描述中，需要说明的是，除非另有明确的规定和限定，“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
下面结合具体的实施例对本申请进行详细说明。
在一个实施例中，如图1所示，特提出了一种推荐社交用户方法，该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的图像来源追踪装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。
具体的，该推荐社交用户方法包括：
S101、去除所述目标用户的第一关注列表中的热点用户，得到第二关注列表。
目标用户，可以理解为社交平台上的任意一位用户账号，用户账号可以是设备号、手机号、用户名等具有唯一指向性的标识，例如微博上一位id叫张三的账号。社交平台，可以理解为现有技术中具有社交功能、好友功能和发表文本功能等社交属性功能的服务平台，例如微博、抖音或soul等。
热点用户，可以理解为社交平台中的互动数超过互动阈值和/或被关注数超过关注度阈值的账号，举例来说，社交平台为微博，互动数为包括点赞、转发和评论的数量和，互动阈值为单条微博文本的互动数为10000，被关注数为关注该用户的人数之和，关注度阈值为该用户的被关注人数为100万，热点用户可以理解为满足上述条件的其中一个或多个的用户账号，例如代表明星张的用户账号。
在一个实施例中，去除目标用户的第一关注列表中的热点用户，得到第二关注列表之前，还包括：基于预设算法获取目标用户的隐性关注列表以及显性关注列表；其中，第一关注列表为显性关注列表及隐性关注列表的并集，显性关注列表为社交平台上显示的目标用户的关注列表，隐性关注列表为针对社交平台上，目标用户通过间接关注的方式进行关注的用户集合。
如图2所示，为本申请实施例提供的一种目标用户的显性关注列表的界面示意图，包括目标用户张三201，显性关注列表为关注列表202中包括的所有用户标识。换而言之，当终端设备检测到【关注】控件上的触发条件，在显示界面上显示关注列表202，关注列表202为显性关注列表。
需要说明的是，当目标用户关注了另一个用户可以理解为一个表示目标用户的节点与表示上述另一个用户的节点建立了单向链路，链路方向为由目标用户的节点指向另一个用户的节点，定义上述关注方式为直接关注；当目标用户在发表文本中提到某个用户指代词的频率超过间接关注阈值，但目标用户并没有与该用户指代词建立单向链路或双向链路时，定义上述关注方式为间接关注。用户指代词包括以下至少一项：用户名、用户昵称、话题，例如，用户名：周xx，用户昵称：JayChou，话题：#你是我的优乐美#，上述都为实体人物周xx以及该社交平台上周xx的账号JayChou的用户指代词。换而言之，间接关注可以理解为目标用户张三在发表文本中提到代表实体人物周xx的用户指代词的次数超过间接关注阈值，但是没有直接关注周xx在该社交平台上的账号，发表文本包括与社交平台上的社交用户的私信、发布在自己账户的发言内容、在其他社交用户的发言内容下的评论区的评论内容等所有目标用户在改社交平台留下的文本数据。
如图3所示，为本申请实施例提供的一种获取目标用户的隐性关注列表的流程示意图，具体步骤包括：
S301、获取预设时间段内目标用户的发表文本；
例如，预设时间段为目标用户从2020年1月1号到2020年12月31号的发表文本，发表文本包括与社交平台上的社交用户的私信、发布在自己账户的发言内容、在其他社交用户的发言内容下的评论区的评论内容等所有目标用户在改社交平台留下的文本数据，例如，目标用户在微博的发言内容为：#你是我的优乐美#今天喝的my周同款草莓味。
S302、提取发表文本中的用户指代词；
用户指代词包括以下至少一项：用户名、用户昵称、话题。例如，目标用户在微博的发言内容为：#你是我的优乐美#今天喝的my周同款草莓味，其中，话题#你是我的优乐美#和用户昵称“my周”都为实体人物周xx以及该社交平台上周xx的账号JayChou的用户指代词。
该步骤的提取算法可以采用自然语言处理的方法，先对发布文本的内容进行词性分割和标注，基于标注在预设自然语言词库中进行匹配相对应的实体人物。
S303、基于用户指代词确定用户指代词对应的隐性用户，基于隐性用户构建隐性关注列表。
本申请一些实施例提供的技术方案带来的有益效果至少包括：通过对用户的发布文本提取隐性用户从而构建隐性用户列表，以及将隐性用户列表和显性用户列表取并集后构成目标用户的第一关注列表，提高挖掘目标用户的兴趣爱好的程度，完善对目标用户的关注列表的建立，避免在后续为目标用户匹配推荐用户时造成偏差和遗漏。
S102、基于所述第二关注列表，在所述社交平台的用户数据库中获取待推荐用户列表。
需要说明的是，待推荐用户列表包括至少一个待推荐用户，以及待推荐用户的关注列表中包括至少一个第二关注列表中的用户。
举例来说，目标用户张三的第二关注列表中包括用户A、用户B、用户C和用户D，社交平台的服务器通过第二关注列表在用户数据库中匹配至少一个待推荐用户，待推荐用户的关注列表至少包括用户A、用户B、用户C和用户D中的一个或多个，例如匹配到待推荐用户1和待推荐用户2，待推荐用户1的关注列表包括用户A，待推荐用户2的关注列表包括用户B和用户D，基于上述至少一个待推荐用户构建待推荐用户列表。
可以理解的是，待推荐用户的关注列表基于上述目标用户的第二关注列表的获取流程获取，换而言之，待推荐用户的关注列表同样由待推荐用户的显性关注列表和隐性关注列表的并集构成。
S103、基于所述待推荐用户列表，计算所述待推荐用户列表中的每一个待推荐用户的推荐权重。
如图4所示，为本申请实施例提供的一种计算推荐权重的流程示意图，具体步骤包括：
S1031、获取待推荐用户的关注列表与目标用户的第二关注列表的交集列表；
如图6所示，为本申请实施例提供的一种目标用户和待推荐用户的关注列表的交集示意图，目标用户张三的第二关注列表中包括用户A、用户B、用户C和用户D，社交平台的服务器通过第二关注列表在用户数据库中匹配待推荐用户1和待推荐用户2，待推荐用户1的关注列表包括用户A，待推荐用户2的关注列表包括用户B和用户D，则待推荐用户列表中包括了用户1和用户2；获取待推荐用户1的关注列表与目标用户的第二关注列表的交集列表，交集列表包括用户A，带推荐用户2的关注列表与目标用户的第二关注列表的交集列表，交集列表包括用户B和用户D。
S1032、计算预设时长内，待推荐用户与交集列表中每一个用户的互动权重；
举例来说，如图5所示，计算预设时长内，待推荐用户与交集列表中每一个用户的互动权重即，可以理解为计算预设时长内，待推荐用户1与用户A的互动权重，以及待推荐用户2分别与用户B和用户D的互动权重。
如图6所示，为本申请实施例提供的一种计算互动权重的流程示意图，具体步骤包括：
S10321、基于预设的时间粒度，为预设时长内的初始互动权重配置衰减权重，得到互动衰减函数；
预设时长可以基于推荐周期设置，例如，社交平台每隔一周为目标用户推荐社交用户，则预设时长可以为一周，计算每周内至少一个待推荐用户的推荐权重，基于推荐权重和预设规则，获取至少一个待推荐用户中的推荐用户，将推荐用户推荐给目标用户。
基于预设的时间粒度，为预设时长内的初始互动权重配置衰减权重，其中，
N(t)＝N0e-at；
N(t)为在预设时长内基于预设的时间粒度划分后，在t个单位时间上的互动衰减函数，N0为初始互动权重，a为衰减权重。
例如时间粒度为天，预设时长为一周，则N(6)为第六天的互动衰减函数。
S10322、获取所述待推荐用户与所述交集列表中每一个用户的互动数据；
互动数据包括互动类型、互动频率和互动时效，举例来说，互动类型包括待推荐用户给交集列表中的用户留言、待推荐用户和交集列表中的用户留言互相点赞等，互动频率为基于时间粒度对预设时长进行划分后，单位时间内待推荐用户与交集列表中的用户发送互动的频率，互动时效为一次交互从开始到结束的时间。
S10323、基于互动衰减函数和互动数据获取互动权重。
例如时间粒度为天，预设时长为一周；第一天，服务器基于第一天待推荐用户与交集列表中的用户发生的互动数据得到初始互动权重30，基于互动衰减函数得到第一天的互动权重为30；第二天，服务器基于第二天待推荐用户与交集列表中的用户发生的互动数据得到初始互动权重25，基于互动衰减函数得到第二天的互动权重为18；第三天，服务器基于第三天待推荐用户与交集列表中的用户发生的互动数据得到初始互动权重32，基于互动衰减函数得到第三天的互动权重为19，以此类推，在预设时长一周内，待推荐用户与交集列表中的该用户的互动权重分别为30、18、19、15、14、17、25，则最终待推荐用户与交集列表中的该用户的互动权重为138。
综上所述，基于步骤S10321、S10322和S10323，可以得到待推荐用户与交集列表中的每一个用户的互动权重。本申请一些实施例提供的技术方案带来的有益效果至少包括：基于互动数据中包括的互动方式多样性得到初始互动权重，有效利用社交平台上不同的互动方式所展示的用户与用户之间不同亲密度关系，提高为目标用户推荐社交用户的准确度；基于时间配置衰减权重，使互动权重乃至推荐权重的计算更合理可靠。
可以理解的是，本申请对如何获取互动权重的方法不作限定。
S1033、将所述互动权重累加后得到所述待推荐用户的推荐权重。
举例来说，如图5所示，待推荐用户1与交集列表中的用户A的互动权重为138，则待推荐用户1的推荐权重为138；待推荐用户2与交集列表中的用户B的互动权重为50，与用户D的互动权重为120，则待推荐用户2的推荐权重为170。
综上所述，基于步骤S1031、S1032和S1033计算待推荐用户的推荐权重。
S104、基于推荐权重和预设规则，获取至少一个待推荐用户中的推荐用户，将推荐用户推荐给目标用户。
预设规则可以是依据推荐权重的数值大小，数值越大则说明待推荐用户的推荐优先级越高，基于社交平台的推荐名额确定待推荐用户的推荐用户。例如，待推荐用户1的推荐权重为138，待推荐用户2的推荐权重为170，社交平台的推荐名额为1，则将待推荐用户2作为推荐用户向目标用户推荐。
在另一个实施例中，预设规则为当待推荐用户的推荐权重大于推荐阈值时，则判断该待推荐用户为推荐用户。例如，推荐阈值为90，待推荐用户1的推荐权重为138，待推荐用户2的推荐权重为170，则将待推荐用户1和待推荐用户2作为推荐用户向目标用户推荐。
本申请一些实施例提供的技术方案带来的有益效果至少包括：通过去除热点用户的第二关注列表获取待推荐用户列表，以及通过计算所述待推荐用户列表中的每一个待推荐用户的推荐权重，基于推荐权重和预设规则确定推荐用户，以及将推荐用户推荐给目标用户，可以实现针对目标用户的个性化推荐，显著改善网络社交用户推荐的推荐效果，提高为目标用户推荐感兴趣的推荐用户的几率，进一步挖掘目标用户的社交好友网络。
如图7所示，为本申请实施例提供的另一种推荐社交用户方法的流程示意图，具体步骤包括：
S701、判断目标用户的活跃度。
在一个实施例中，判断目标用户的活跃度的方法可以是：判断目标用户与社交平台上其他社交用户进行交互的频率，例如每周30次，包括给其他社交用户私信、留言或点赞。
在另一个实施例中，判断目标用户的活跃度的方法可以是计算目标用户的关注数和被关注数的比值，目标用户的关注数通常反映目标用户在该社交平台的参与度，目标用户的被关注数通常反映目标用户的权威程度和受喜爱程度，当关注数/被关注数＞1，则初步判断该目标用户为活跃用户，关注数/被关注数＜1时，初步判断该目标用户为热点人物，需要进一步判断该目标用户是否为活跃用户。上述进一步判断可以采用第一个实施例中的判断方法。
S702、在目标用户的活跃度小于活跃度阈值的情况下，确定所述目标用户为非活跃用户。
基于上述实施例中的方法判断目标用户是否为非活跃用户。例如，定义每周与其他社交用户进行交互的次数为35次为活跃度阈值，而该目标用户的交互频率为30/周，则判断该目标用户为非活跃用户。
在另一个实施例中，判断目标用户为活跃用户时，根据图1～图6所示的方法为目标用户推荐社交用户。
S703、基于目标用户的互相关注列表，构建目标用户的社交网络关系网；
互相关注列表，可以理解为基于社交平台上所有与目标用户建立了双向关注的用户集合。为了方便描述目标用户的社交关系，以便对目标用户的社交网络关系进行挖掘与计算，构建目标用户的社交网络关系网。
如图8所示，为本申请实施例提供的一种目标用户的社交网络关系网的结构示意图。当目标用户关注了另一个用户可以理解为一个表示目标用户的节点与表示上述另一个用户的节点建立了单向链路，链路方向为由目标用户的节点指向另一个用户的节点。当目标用户与另一个用户互相关注时，可以理解为表示目标用户的节点与表示上述另一个用户的节点建立了双向链路。
S704、基于社交网络关系网，获取社交网络关系网中的活跃用户。
活跃用户的判断方法基于步骤S704所述，换而言之，获取目标用户的社交网络关系网的活跃用户。
S705、基于活跃用户，获取相似用户。
相似用户可以理解为活跃用户与目标用户的相似度超过相似度阈值的用户。相似用户的判断算法可以是朋友的朋友算法(Friend of a Friend algorithm，FOFA)得到，该算法主要基于目标用户与活跃用户之间的共同朋友数来判断相似度。相似用户的判断算法还可以是Adamic/Adar算法(Adamic/Adar algorithm，AA)，该算法主要基于计算节点之间的共同属性的加权和来表示节点之间的相似度，即目标用户与活跃用户之间的相似度。
S706、基于相似用户获取所述相似用户的隐性关注列表，将相似用户的隐性关注列表作为目标用户的隐性关注列表。
隐性关注列表为针对社交平台上，相似用户通过间接关注的方式进行关注的用户集合。当相似用户在发表文本中提到某个用户指代词的频率超过间接关注阈值，但相似用户并没有与该用户指代词建立单向链路或双向链路时，定义上述关注方式为间接关注。
获取相似用户的隐形关注列表的方法参照上述图3所示的步骤S301、S302和S303，此处不再赘述。
本申请一些实施例提供的技术方案带来的有益效果至少包括：当判断目标用户为非活跃用户时，利用相似用户的隐性关注列表代替目标用户的隐性关注列表，避免因为目标用户的发布文本过少而无法提取隐性用户，以及无法构建目标用户的隐性关注列表的情况发生，提高向目标用户推荐社交用户的成功率和效果。
S707、获取目标用户的显性关注列表，将显性关注列表和隐性关注列表的并集作为第一关注列表。
如图2所示，为本申请实施例提供的一种目标用户的显性关注列表的界面示意图，包括目标用户张三201，显性关注列表为关注列表202中包括的所有用户标识。换而言之，当终端设备检测到【关注】控件上的触发条件，在显示界面上显示关注列表202，关注列表202为显性关注列表。
社交平台的服务器获取目标用户的显性关注列表，以及通过相似用户获取隐性关注列表，将显性关注列表和隐性关注列表作为第一关注列表。
S708、去除目标用户的第一关注列表中的热点用户，得到第二关注列表。
热点用户为社交平台中的互动数超过互动阈值和/或被关注数超过关注度阈值的用户。步骤708的具体内容参考图1所示的步骤S101，此处不再赘述。
S709、基于第二关注列表，在社交平台的用户数据库中获取待推荐用户列表。
待推荐用户列表包括至少一个待推荐用户，待推荐用户的关注列表中包括至少一个第二关注列表中的用户。步骤709的具体内容参考图1所示的步骤S102，此处不再赘述。
S710、基于待推荐用户列表，计算待推荐用户列表中的每一个待推荐用户的推荐权重。
如图9所示，为本申请实施例提供的另一种获取推荐权重的流程示意图，具体步骤包括：
S7101、计算待推荐用户与交集列表中的每一个用户的互动时效因子TF(t)，其中：
Figure GDA0003024291630000131
其中，t表示基于第一时间粒度对预设时长进行划分后，第k次互动发生的时间，T1表示基于第二时间粒度的互动结束时间，T0表示基于第二时间粒度的互动开始时间。
例如预设时长为一周，第一时间粒度为天，第k次互动发生的时间t为第3天，第二时间粒度为24小时，互动结束时间T1为上午8点，互动开始时间T0为上午7点。
S7102、获取待推荐用户与交集列表中的每一个用户的进行互动的互动类型，以及互动类型对应的互动类型权重V(i，j)。
V(i，j)为取值为1-5之间的整数，V(i，j)取值越大表示目标用户和与交集列表中的每一个用户之间的社交亲密程度越高，例如，目标用户与交集列表中的用户进行互相评论这一互动类型对应的权重为5，目标用户给交集列表中的用户点赞这一互动类型对应的权重为5。
S7103、基于互动时效因子TF(t)和互动类型权重V(i，j)，获取在预设时长内，待推荐用户与交集列表中的每一个用户的第k次的互动权重Wk(i,j,t)，其中：
Wk(i，j，t)＝V(i，j，k)×TF(t)
S7104、基于互动权重Wk(i,j,t)计算推荐权重W(i,j)，其中：
Figure GDA0003024291630000141
其中，K表示在预设时长内推荐用户与交集列表中的每一个用户的进行互动的总次数，例如在预设时长一周内，互动总次数K为40次。
本申请一些实施例提供的技术方案带来的有益效果至少包括：本实施例提供的算法更简单，节约服务器的计算资源，以及提高互动类型对应的权重，即更关注待推荐用户与交集列表中的用户的亲密度，提高目标用户与推荐用户之间的间接亲密关系程度，对目标用户与推荐用户之间建立直接亲密关系具有较好的预测性。
S711、基于推荐权重和预设规则，获取至少一个待推荐用户中的推荐用户，将推荐用户推荐给所述目标用户。
预设规则可以是依据推荐权重的数值大小，数值越大则说明待推荐用户的推荐优先级越高，基于社交平台的推荐名额确定待推荐用户的推荐用户。例如，待推荐用户1的推荐权重为138，待推荐用户2的推荐权重为170，社交平台的推荐名额为1，则将待推荐用户2作为推荐用户向目标用户推荐。
步骤S711的具体内容参考图1所示的步骤S104，此处不再赘述。
本申请一些实施例提供的技术方案带来的有益效果至少包括：当判断目标用户为非活跃用户时，利用相似用户的隐性关注列表代替目标用户的隐性关注列表，避免因为目标用户的发布文本过少而无法提取隐性用户，以及无法构建目标用户的隐性关注列表的情况发生；通过去除热点用户的第二关注列表获取待推荐用户列表，以及通过计算所述待推荐用户列表中的每一个待推荐用户的推荐权重，基于推荐权重和预设规则确定推荐用户，以及将推荐用户推荐给目标用户，可以实现针对目标用户的个性化推荐，显著改善网络社交用户推荐的推荐效果，提高为目标用户推荐感兴趣的推荐用户的几率，进一步挖掘目标用户的社交好友网络。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参见图10，其示出了本申请一个示例性实施例提供的推荐社交用户装置的结构示意图。该推荐社交用户装置可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。该推荐社交用户装置包括去除热点模块1001、获取列表模块1002、计算权重模块1003和推荐用户模块1004。
去除热点模块1001，去除所述目标用户的第一关注列表中的热点用户，得到第二关注列表；所述热点用户为社交平台中的互动数超过互动阈值和/或被关注数超过关注度阈值的用户；
获取列表模块1002，基于所述第二关注列表，在所述社交平台的用户数据库中获取待推荐用户列表；其中，所述待推荐用户列表包括至少一个待推荐用户，所述待推荐用户的关注列表中包括至少一个所述第二关注列表中的用户；
计算权重模块1003，基于所述待推荐用户列表，计算所述待推荐用户列表中的每一个待推荐用户的推荐权重；
推荐用户模块1004，基于所述推荐权重和预设规则，获取所述至少一个待推荐用户中的推荐用户，将所述推荐用户推荐给所述目标用户。
可选的，所述推荐社交用户装置，还包括：
获取模块，基于预设算法获取目标用户的隐性关注列表以及显性关注列表；
其中，所述第一关注列表为所述显性关注列表及所述隐性关注列表的并集，所述显性关注列表为所述社交平台上显示的所述目标用户的关注列表，所述隐性关注列表为针对所述社交平台上，所述目标用户通过间接关注的方式进行关注的用户集合。
可选的，所述获取模块，包括：
预设单元，获取预设时间段内所述目标用户的发表文本；
提取单元，提取所述发表文本中的用户指代词；其中，所述用户指代词包括以下至少一项：用户名、用户昵称、话题；
确定单元，基于所述用户指代词确定所述用户指代词对应的隐性用户，基于所述隐性用户构建所述隐性关注列表。
可选的，所述获取模块，包括：
判断单元，判断所述目标用户的活跃度；
非活跃度单元，在所述目标用户的活跃度小于活跃度阈值的情况下，确定所述目标用户为非活跃用户；
构建单元，基于所述目标用户的互相关注列表，构建所述目标用户的社交网络关系网；
获取活跃用户单元，基于所述社交网络关系网，获取所述社交网络关系网中的活跃用户；
获取相似用户单元，基于所述活跃用户，获取相似用户；其中，所述相似用户为所述活跃用户与所述目标用户的相似度超过相似度阈值的用户；
代替单元，基于所述相似用户获取所述相似用户的隐性关注列表，将所述相似用户的隐性关注列表作为所述目标用户的隐性关注列表。
可选的，所述计算权重模块1003，包括：
获取交集单元，获取所述待推荐用户的关注列表与所述目标用户的第二关注列表的交集列表；
互动权重单元，计算预设时长内，所述待推荐用户与所述交集列表中每一个用户的互动权重；
累加单元，将所述互动权重累加后得到所述待推荐用户的推荐权重。
可选的，互动权重单元，具体用于：
基于预设的时间粒度，为所述预设时长内的初始互动权重配置衰减权重，得到互动衰减函数；
获取所述待推荐用户与所述交集列表中每一个用户的互动数据，所述互动数据包括互动类型、互动频率和互动时效；
基于所述互动衰减函数和所述互动数据获取所述互动权重。
可选的，所述计算权重模块1003，包括：
计算时效单元，计算所述待推荐用户与所述交集列表中的每一个用户的互动时效因子TF(t)，其中：
Figure GDA0003024291630000171
其中，所述t表示基于第一时间粒度对所述预设时长进行划分后，第k次互动发生的时间，所述T1表示基于第二时间粒度的互动结束时间，所述T0表示基于第二时间粒度的互动开始时间；
获取互动类型单元，获取所述待推荐用户与所述交集列表中的每一个用户的进行互动的互动类型，以及所述互动类型对应的互动类型权重V(i，j)，所述V(i,j)取值为1-5之间的整数；
获取互动权重单元，基于所述互动时效因子TF(t)和所述互动类型权重V(i，j)，获取在所述预设时长内，所述待推荐用户与所述交集列表中的每一个用户的第k次的互动权重Wk(i,j,t)，其中：
Wk(i，j，t)＝V(i，j，k)×TF(t)；
计算推荐权重单元，基于所述互动权重Wk(i,j,t)计算所述推荐权重W(i,j)，其中：
Figure GDA0003024291630000172
其中，所述K表示在所述预设时长内所述推荐用户与所述交集列表中的每一个用户的进行互动的总次数。
需要说明的是，上述实施例提供的推荐社交用户装置在执行推荐社交用户方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的推荐社交用户装置与推荐社交用户方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
本申请通过去除热点用户的第二关注列表获取待推荐用户列表，以及通过计算所述待推荐用户列表中的每一个待推荐用户的推荐权重，基于推荐权重和预设规则确定推荐用户，以及将推荐用户推荐给目标用户，可以实现针对目标用户的个性化推荐，显著改善网络社交用户推荐的推荐效果，提高为目标用户推荐感兴趣的推荐用户的几率，进一步挖掘目标用户的社交好友网络。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本申请实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1-图9所示实施例的所述图像来源追踪方法，具体执行过程可以参见图1-图9所示实施例的具体说明，在此不进行赘述。
本申请还提供了一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由所述处理器加载并执行如上述图1-图9所示实施例的所述图像来源追踪方法，具体执行过程可以参见图1-图9所示实施例的具体说明，在此不进行赘述。
请参见图11，为本申请实施例提供了一种电子设备的结构示意图。如图11所示，所述电子设备1100可以包括：至少一个处理器1101，至少一个网络接口1104，用户接口1103，存储器1105，至少一个通信总线1102。
其中，通信总线1102用于实现这些组件之间的连接通信。
其中，用户接口1103可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1103还可以包括标准的有线接口、无线接口。
其中，网络接口1104可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器1101可以包括一个或者多个处理核心。处理器1101利用各种借口和线路连接整个服务器1100内的各个部分，通过运行或执行存储在存储器1105内的指令、程序、代码集或指令集，以及调用存储在存储器1105内的数据，执行服务器1100的各种功能和处理数据。可选的，处理器1101可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1101可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作***、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1101中，单独通过一块芯片进行实现。
其中，存储器1105可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1105包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1105可用于存储指令、程序、代码、代码集或指令集。存储器1105可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1105可选的还可以是至少一个位于远离前述处理器1101的存储装置。如图11所示，作为一种计算机存储介质的存储器1105中可以包括操作***、网络通信模块、用户接口模块以及推荐社交用户应用程序。
在图11所示的电子设备1100中，用户接口1103主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1101可以用于调用存储器1105中存储的推荐社交好友应用程序，并具体执行以下操作：
去除所述目标用户的第一关注列表中的热点用户，得到第二关注列表；所述热点用户为社交平台中的互动数超过互动阈值和/或被关注数超过关注度阈值的用户；
基于所述第二关注列表，在所述社交平台的用户数据库中获取待推荐用户列表；其中，所述待推荐用户列表包括至少一个待推荐用户，所述待推荐用户的关注列表中包括至少一个所述第二关注列表中的用户；
基于所述待推荐用户列表，计算每一个所述待推荐用户的推荐权重；
基于所述推荐权重和预设规则，获取所述至少一个待推荐用户中的推荐用户，将所述推荐用户推荐给所述目标用户。
在一个可能的实施例中，处理器1101执行在所述去除所述目标用户的第一关注列表中的热点用户，得到第二关注列表之前，还执行以下操作：
基于预设算法获取目标用户的隐性关注列表以及显性关注列表；
其中，所述第一关注列表为所述显性关注列表及所述隐性关注列表的并集，所述显性关注列表为所述社交平台上显示的所述目标用户的关注列表，所述隐性关注列表为针对所述社交平台上，所述目标用户通过间接关注的方式进行关注的用户集合。
在一个可能的实施例中，处理器1101执行所述基于预设算法获取目标用户的隐性关注列表以及显性关注列表，具体执行以下操作：
获取预设时间段内所述目标用户的发表文本；
提取所述发表文本中的用户指代词；其中，所述用户指代词包括以下至少一项：用户名、用户昵称、话题；
基于所述用户指代词确定所述用户指代词对应的隐性用户，基于所述隐性用户构建所述隐性关注列表。
在一个可能的实施例中，处理器1101执行所述基于预设算法获取目标用户的隐性关注列表以及显性关注列表，具体执行以下操作：
判断所述目标用户的活跃度；
在所述目标用户的活跃度小于活跃度阈值的情况下，确定所述目标用户为非活跃用户；
基于所述目标用户的互相关注列表，构建所述目标用户的社交网络关系网；
基于所述社交网络关系网，获取所述社交网络关系网中的活跃用户；
基于所述活跃用户，获取相似用户；其中，所述相似用户为所述活跃用户与所述目标用户的相似度超过相似度阈值的用户；
基于所述相似用户获取所述相似用户的隐性关注列表，将所述相似用户的隐性关注列表作为所述目标用户的隐性关注列表。
在一个可能的实施例中，处理器1101执行所述基于所述待推荐用户列表，计算每一个所述待推荐用户的推荐权重，具体执行以下操作：
获取所述待推荐用户的关注列表与所述目标用户的第二关注列表的交集列表；
计算预设时长内，所述待推荐用户与所述交集列表中每一个用户的互动权重；
将所述互动权重累加后得到所述待推荐用户的推荐权重。
在一个可能的实施例中，处理器1101执行所述计算预设时长内，所述待推荐用户与所述交集列表中每一个用户的互动权重，具体执行以下操作：
基于预设的时间粒度，为所述预设时长内的初始互动权重配置衰减权重，得到互动衰减函数；
获取所述待推荐用户与所述交集列表中每一个用户的互动数据，所述互动数据包括互动类型、互动频率和互动时效；
基于所述互动衰减函数和所述互动数据获取所述互动权重。
在一个可能的实施例中，处理器1101执行所述计算预设时长内，所述待推荐用户与所述交集列表中每一个用户的互动权重，具体执行以下操作：
计算所述待推荐用户与所述交集列表中的每一个用户的互动时效因子TF(t)，其中：
Figure GDA0003024291630000211
其中，所述t表示基于第一时间粒度对所述预设时长进行划分后，第k次互动发生的时间，所述T1表示基于第二时间粒度的互动结束时间，所述T0表示基于第二时间粒度的互动开始时间；
获取所述待推荐用户与所述交集列表中的每一个用户的进行互动的互动类型，以及所述互动类型对应的互动类型权重V(i，j)，所述V(i,j)取值为1-5之间的整数；
基于所述互动时效因子TF(t)和所述互动类型权重V(i，j)，获取在所述预设时长内，所述待推荐用户与所述交集列表中的每一个用户的第k次的互动权重Wk(i,j,t)，其中：
Wk(i，j，t)＝V(i，j，k)×TF(t)；
基于所述互动权重Wk(i,j,t)计算所述推荐权重W(i,j)，其中：
Figure GDA0003024291630000212
其中，所述K表示在所述预设时长内所述推荐用户与所述交集列表中的每一个用户的进行互动的总次数。
本申请通过去除热点用户的第二关注列表获取待推荐用户列表，以及通过计算所述待推荐用户列表中的每一个待推荐用户的推荐权重，基于推荐权重和预设规则确定推荐用户，以及将推荐用户推荐给目标用户，可以实现针对目标用户的个性化推荐，显著改善网络社交用户推荐的推荐效果，提高为目标用户推荐感兴趣的推荐用户的几率，进一步挖掘目标用户的社交好友网络。
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、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (8)

1.一种推荐社交用户的方法，其特征在于，所述方法包括：
去除目标用户的第一关注列表中的热点用户，得到第二关注列表；所述热点用户为社交平台中的互动数超过互动阈值和/或被关注数超过关注度阈值的用户；
基于所述第二关注列表，在所述社交平台的用户数据库中获取待推荐用户列表；其中，所述待推荐用户列表包括至少一个待推荐用户，所述待推荐用户的关注列表中包括至少一个所述第二关注列表中的用户；
基于所述待推荐用户列表，计算每一个所述待推荐用户的推荐权重；
基于所述推荐权重和预设规则，获取所述至少一个待推荐用户中的推荐用户，将所述推荐用户推荐给所述目标用户；
其中，在所述去除所述目标用户的第一关注列表中的热点用户，得到第二关注列表之前，还包括：
基于预设算法获取目标用户的隐性关注列表以及显性关注列表；
其中，所述第一关注列表为所述显性关注列表及所述隐性关注列表的并集，所述显性关注列表为所述社交平台上显示的所述目标用户的关注列表，所述隐性关注列表为针对所述社交平台上，所述目标用户通过间接关注的方式进行关注的用户集合；
其中，所述基于预设算法获取目标用户的隐性关注列表以及显性关注列表，包括：
获取预设时间段内所述目标用户的发表文本；
提取所述发表文本中的用户指代词；其中，所述用户指代词包括以下至少一项：用户名、用户昵称、话题；
基于所述用户指代词确定所述用户指代词对应的隐性用户，基于所述隐性用户构建所述隐性关注列表。
2.根据权利要求1所述方法，其特征在于，所述基于预设算法获取目标用户的隐性关注列表以及显性关注列表，包括：
判断所述目标用户的活跃度；
在所述目标用户的活跃度小于活跃度阈值的情况下，确定所述目标用户为非活跃用户；
基于所述目标用户的互相关注列表，构建所述目标用户的社交网络关系网；
基于所述社交网络关系网，获取所述社交网络关系网中的活跃用户；
基于所述活跃用户，获取相似用户；其中，所述相似用户为所述活跃用户与所述目标用户的相似度超过相似度阈值的用户；
基于所述相似用户获取所述相似用户的隐性关注列表，将所述相似用户的隐性关注列表作为所述目标用户的隐性关注列表。
3.根据权利要求1所述方法，其特征在于，所述基于所述待推荐用户列表，计算每一个所述待推荐用户的推荐权重，包括：
获取所述待推荐用户的关注列表与所述目标用户的第二关注列表的交集列表；
计算预设时长内，所述待推荐用户与所述交集列表中每一个用户的互动权重；
将所述互动权重累加后得到所述待推荐用户的推荐权重。
4.根据权利要求3所述方法，其特征在于，所述计算预设时长内，所述待推荐用户与所述交集列表中每一个用户的互动权重，包括：
基于预设的时间粒度，为所述预设时长内的初始互动权重配置衰减权重，得到互动衰减函数；
获取所述待推荐用户与所述交集列表中每一个用户的互动数据，所述互动数据包括互动类型、互动频率和互动时效；
基于所述互动衰减函数和所述互动数据获取所述互动权重。
5.根据权利要求3所述方法，其特征在于，所述计算预设时长内，所述待推荐用户与所述交集列表中每一个用户的互动权重，包括：
计算所述待推荐用户与所述交集列表中的每一个用户的互动时效因子TF（t），其中：
Figure QLYQS_1
；
其中，所述t表示基于第一时间粒度对所述预设时长进行划分后，第k次互动发生的时间，所述T1表示基于第二时间粒度的互动结束时间，所述T0表示基于第二时间粒度的互动开始时间；
获取所述待推荐用户与所述交集列表中的每一个用户的进行互动的互动类型，以及所述互动类型对应的互动类型权重V（i，j），所述V(i,j)取值为1-5之间的整数；
基于所述互动时效因子TF（t）和所述互动类型权重V（i，j），获取在所述预设时长内，所述待推荐用户与所述交集列表中的每一个用户的第k次的互动权重Wk(i,j,t），其中：
Figure QLYQS_2
；
基于所述互动权重Wk(i,j,t）计算所述推荐权重W(i,j），其中：
Figure QLYQS_3
；
其中，所述K表示在所述预设时长内所述推荐用户与所述交集列表中的每一个用户的进行互动的总次数。
6.一种推荐社交用户的装置，其特征在于，所述装置包括：
去除热点模块，去除目标用户的第一关注列表中的热点用户，得到第二关注列表；所述热点用户为社交平台中的互动数超过互动阈值和/或被关注数超过关注度阈值的用户；
获取列表模块，基于所述第二关注列表，在所述社交平台的用户数据库中获取待推荐用户列表；其中，所述待推荐用户列表包括至少一个待推荐用户，所述待推荐用户的关注列表中包括至少一个所述第二关注列表中的用户；
计算权重模块，基于所述待推荐用户列表，计算所述待推荐用户列表中的每一个待推荐用户的推荐权重；
推荐用户模块，基于所述推荐权重和预设规则，获取所述至少一个待推荐用户中的推荐用户，将所述推荐用户推荐给所述目标用户；
所述推荐社交用户装置，还包括：
获取模块，基于预设算法获取目标用户的隐性关注列表以及显性关注列表；
其中，所述第一关注列表为所述显性关注列表及所述隐性关注列表的并集，所述显性关注列表为所述社交平台上显示的所述目标用户的关注列表，所述隐性关注列表为针对所述社交平台上，所述目标用户通过间接关注的方式进行关注的用户集合；
所述获取模块，包括：
预设单元，获取预设时间段内所述目标用户的发表文本；
提取单元，提取所述发表文本中的用户指代词；其中，所述用户指代词包括以下至少一项：用户名、用户昵称、话题；
确定单元，基于所述用户指代词确定所述用户指代词对应的隐性用户，基于所述隐性用户构建所述隐性关注列表。
7.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1~5任意一项的方法步骤。
8.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1~5任意一项的方法步骤。
CN202110174284.6A 2021-02-09 2021-02-09 推荐社交用户的方法、装置、存储介质及电子设备 Active CN112836127B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110174284.6A CN112836127B (zh) 2021-02-09 2021-02-09 推荐社交用户的方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110174284.6A CN112836127B (zh) 2021-02-09 2021-02-09 推荐社交用户的方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN112836127A CN112836127A (zh) 2021-05-25
CN112836127B true CN112836127B (zh) 2023-06-02

Family

ID=75932888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110174284.6A Active CN112836127B (zh) 2021-02-09 2021-02-09 推荐社交用户的方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN112836127B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113934941B (zh) * 2021-10-12 2024-07-02 北京朗玛数联科技有限公司 一种基于多维度信息的用户推荐***及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103823888A (zh) * 2014-03-07 2014-05-28 安徽融数信息科技有限责任公司 一种基于节点亲密度的社交网站好友推荐方法
CN107679239A (zh) * 2017-10-27 2018-02-09 天津理工大学 一种基于用户行为的个性化社区推荐方法
CN111782963A (zh) * 2020-06-15 2020-10-16 中国铁塔股份有限公司 一种基于sns的社交网络数据挖掘方法及***、服务设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8560962B2 (en) * 2010-03-31 2013-10-15 Facebook, Inc. Promoting participation of low-activity users in social networking system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103823888A (zh) * 2014-03-07 2014-05-28 安徽融数信息科技有限责任公司 一种基于节点亲密度的社交网站好友推荐方法
CN107679239A (zh) * 2017-10-27 2018-02-09 天津理工大学 一种基于用户行为的个性化社区推荐方法
CN111782963A (zh) * 2020-06-15 2020-10-16 中国铁塔股份有限公司 一种基于sns的社交网络数据挖掘方法及***、服务设备

Also Published As

Publication number Publication date
CN112836127A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
US11606323B2 (en) Prioritizing messages within a message network
US20230047994A1 (en) Methods, systems, and media for presenting recommended content based on social cues
US10834218B2 (en) Event information system classifying messages using machine learning classification model and pushing selected message to user
CN107087235B (zh) 媒体内容推荐方法、服务器及客户端
US9679074B2 (en) Social genome
US10628030B2 (en) Methods and systems for providing user feedback using an emotion scale
US9972055B2 (en) Fact checking method and system utilizing social networking information
US9380017B2 (en) Human assisted chat information system
US11042590B2 (en) Methods, systems and techniques for personalized search query suggestions
US10845949B2 (en) Continuity of experience card for index
US10412037B2 (en) Methods and systems for providing notifications to users of a social networking service
US20140201125A1 (en) Conversation management systems
WO2014134155A1 (en) Candidate and job trending in employment system
US11232522B2 (en) Methods, systems and techniques for blending online content from multiple disparate content sources including a personal content source or a semi-personal content source
US20170098012A1 (en) Methods, systems and techniques for ranking personalized and generic search query suggestions
CN106487655B (zh) 一种消息交互方法、装置及处理服务器
CN105103176A (zh) 信息处理设备、信息处理方法和程序
CN103577511A (zh) 一种实现媒体应用的方法、装置及***
US11586635B2 (en) Methods and systems for ranking comments on a post in an online service
US20170097986A1 (en) Methods, systems and techniques for providing search query suggestions based on non-personal data and user personal data according to availability of user personal data
KR20170101416A (ko) 크라우드 펀딩 시스템을 통해 엔터테인먼트 관련 펀딩 정보 및 컨설팅 정보를 제공하는 방법
US9894114B2 (en) Adjusting the display of social media updates to varying degrees of richness based on environmental conditions and importance of the update
CN112836127B (zh) 推荐社交用户的方法、装置、存储介质及电子设备
CN114969493A (zh) 一种内容推荐方法和相关装置
CN106412306B (zh) 移动终端社交提醒方法、装置及移动终端

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