CN103581270B - 用户推荐方法和系统 - Google Patents
用户推荐方法和系统 Download PDFInfo
- Publication number
- CN103581270B CN103581270B CN201210280588.1A CN201210280588A CN103581270B CN 103581270 B CN103581270 B CN 103581270B CN 201210280588 A CN201210280588 A CN 201210280588A CN 103581270 B CN103581270 B CN 103581270B
- Authority
- CN
- China
- Prior art keywords
- user
- candidate recommendation
- data
- list
- social
- 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 38
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 15
- 238000013499 data model Methods 0.000 description 9
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000011273 social behavior Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
一种用户推荐方法,包括以下步骤:获取触发推荐用户的指令;根据所述指令生成候选推荐用户列表;读取用户社交质量数据,根据所述用户社交质量数据计算所述候选推荐用户列表中的用户的匹配成功率;从候选推荐用户列表中选取匹配成功率最高的至少一个用户进行推荐。采用该用户推荐方法,能够提高推荐性能和推荐效率。此外,还提供了一种用户推荐系统。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种用户推荐方法和系统。
背景技术
互联网技术特别是移动互联网技术的发展,极大的改变了人们的工作生活,其中,社交应用(如各种即时通讯工具、社区网络等)的形成使得人与人之间的沟通变得快捷和多样。为了稳定和扩展用户关系链,防止社交应用的用户流失,各种社交应用往往都会提供推荐用户的功能,即将某一用户可能感兴趣的其他用户推荐给该用户。
传统的用户推荐方法包含基于六度空间理论的好友推荐和基于兴趣同好的好友推荐。其中,基于六度空间理论的好友推荐是指“最多可通过六个人就能认识任何一个陌生人”,这种用户推荐方法依赖于用户关系链。而基于兴趣同好的好友是指推荐兴趣爱好相同的用户,这种用户推荐方法依赖于用户的个人信息。然而,传统的基于六度空间理论的好友推荐方法需要复杂的六度关系计算过程,而基于兴趣同好的好友推荐方法中,兴趣图谱模型的建立也比较复杂,因此传统的用户推荐方法实现起来复杂,推荐的性能和效率并不高。
发明内容
基于此,有必要针对上述实现复杂的问题,提供一种能够提高推荐性能和效率的用户推荐方法。
一种用户推荐方法,包括以下步骤:
获取触发推荐用户的指令;
根据所述指令生成候选推荐用户列表;
读取用户社交质量数据,根据所述用户社交质量数据计算所述候选推荐用户列表中的用户的匹配成功率;
从候选推荐用户列表中选取匹配成功率最高的至少一个用户进行推荐。
此外,还提供了一种能够提高推荐性能和效率的用户推荐系统。
一种用户推荐系统,包括:
指令获取模块,用于获取触发推荐用户的指令;
候选列表生成模块,用于根据所述指令生成候选推荐用户列表;
匹配成功率计算模块,用于读取用户社交质量数据,根据所述用户社交质量数据计算所述候选推荐用户列表中的用户的匹配成功率;
用户推荐模块,用于从所述候选推荐用户列表中选取匹配成功率最高的至少一个用户进行推荐。
上述用户推荐方法和系统,根据用户社交质量数据计算候选推荐用户列表中的用户的匹配成功率,进而将匹配成功率最高的至少一个用户进行推荐。用户社交质量数据的数据模型相对于兴趣图谱模型的建立更简单,而匹配成功率的计算也相对六度关系计算更简单,因此上述用户推荐方法和系统实现起来简单,能够提高推荐性能和效率。
附图说明
图1为一个实施例中用户推荐方法的流程示意图;
图2为一个实施例中采用贝叶斯方法计算候选推荐用户列表中的用户的匹配成功率的方法流程图;
图3为一个实施例中用户推荐系统的结构示意图;
图4为一个实施例中匹配成功率计算模块的结构示意图;
图5为一个实施例中贝叶斯模块的结构示意图。
具体实施方式
如图1所示,在一个实施例中,一种用户推荐方法,包括以下步骤:
步骤S10,获取触发推荐用户的指令。
具体的,获取触发推荐用户的指令的方式包括以下的其中至少一种:获取对预设的物理按键或虚拟按键的点击指令;获取对移动终端的摇晃操作,生成触发推荐用户的指令。
步骤S20,根据触发推荐用户的指令生成候选推荐用户列表。
在一个实施例中,步骤S20中生成候选推荐用户列表的方式为以下的其中至少一种:
(1)根据对移动终端的操作所对应的操作时间生成候选推荐列表,该候选推荐用户列表包含操作时间的时间差在设定范围内的用户。
具体的,获取对移动终端的操作,生成触发推荐用户的指令,并记录操作所对应的操作时间。所述的对移动终端的操作,可以是对移动终端的摇晃操作或翻转操作等。可通过客户端将当前用户的操作所对应的操作时间上传至服务器,服务器获取到所有用户的操作所对应的操作时间,将操作时间的时间差在设定范围(如0.5S)内的用户推荐给当前用户。
(2)根据移动终端的地理位置生成候选推荐用户列表,该候选推荐用户列表中包含地理位置属于同一区域的用户。
具体的,可通过客户端获取用户当前的地理位置,将地理位置上传到服务器,服务器接收到所有移动终端在触发获取推荐用户的指令后上传的地理位置,根据地理位置得到与当前用户属于同一区域的用户。进一步的,服务器可根据接收到的地理位置获取与当前用户的地理位置的距离在设定范围(如100米)的用户,根据获取的这些用户生成候选推荐用户列表,并下发给当前用户所在的客户端。
(3)根据上传的信息生成候选推荐用户列表,该候选推荐用户列表包含从上传的信息中随机提取的用户。
具体的,上传的信息可以是交友信息、用户个人资料、用户对某个网络应用的评论信息等。其中,交友信息可包含用户在社交网络中为匹配交友所输入的部分个人资料和交友内容等。可通过客户端上传信息至服务器,服务器接收到所有客户端上传的信息,对每个当前用户,在接收到当前用户所在客户端上传的获取推荐用户的指令后,可随机选取多个其他的用户生成当前用户的候选推荐用户列表,并下发至当前用户所在的客户端。
进一步的,随机选取多个其他的用户后,可在随机选取的用户中获取用户的属性信息,该属性信息包含用户所在地区、年龄、评论信息等,可根据用户的属性信息提取预设数量个属性信息匹配的用户,生成候选推荐用户列表。例如,在随机选取的多个用户中提取年龄在预先划分的同一年龄段的用户,生成候选推荐用户列表。
步骤S30,读取用户社交质量数据,根据用户社交质量数据计算候选推荐用户列表中的用户的匹配成功率。
在一个实施例中,用户社交质量数据包括用户个人数据、用户行为数据和建立社交关系的方式数据中的至少一种。其中,用户个人数据包含是否有头像数据、是否有签名数据、是否有地区信息和是否为热门登录用户中的至少一种;用户行为数据包含是否被设置为不良用户、社交关系建立的成功率和是否是热门社交用户中的至少一种;建立社交关系的方式数据包含社交关系建立的方式类型和交互信息的内容详尽度中的至少一种。
具体的,服务器存储了所有用户的用户社交质量数据,服务器统计用户的社交行为信息,并对每个用户的社交质量数据进行更新。其中,用户个人数据可根据用户提交的个人资料中获取得到,用户行为数据和建立社交关系的方式数据可根据统计的社交行为信息建立。
在一个实施例中,步骤S30中根据用户社交质量数据计算候选推荐用户列表中的用户的匹配成功率的步骤为:根据用户社交质量数据生成候选推荐用户列表中的用户分值;根据该用户分值采用贝叶斯方法计算候选推荐用户列表中的用户的匹配成功率。
具体的,可构建包含上述用户个人数据、用户行为数据和建立社交关系的方式数据的数据模型。对于候选推荐用户列表中的每个用户,服务器读取每个用户的社交质量数据,根据用户社交质量数据对每个用户进行打分。例如,用户个人数据越详细、社交关系建立的成功率越高、是热门社交用户等,则该用户的用户分值越高。
进一步的,在一个实施例中,根据用户社交质量数据生成候选推荐用户列表中的用户分值的步骤为:分别读取用户个人数据、用户行为数据和建立社交关系的方式数据所对应的预设权重;根据用户个人数据、用户行为数据和建立社交关系的方式数据及所对应的预设权重,生成候选推荐用户列表中的用户分值。
本实施例中,可预先设置用户个人数据、用户行为数据和建立社交关系的方式数据这三种数据模型所对应的权重,则对候选推荐用户列表中的每个用户打分时,可先分别针对这三种数据模型分别进行打分,然后结合对应的权重,进行综合打分,生成候选推荐用户列表中的用户分值。
在一个实施例中,如图2所示,根据用户分值采用贝叶斯方法计算候选推荐用户列表中的用户的匹配成功率的具体过程为:
步骤S302,根据用户社交质量数据计算参与社交的用户中社交成功的第一概率。
步骤S304,根据用户社交质量数据获取社交成功用户,计算社交成功用户中的用户分值为生成的候选推荐用户列表中的用户分值的第二概率。
步骤S306,计算候选推荐列表中的用户的匹配成功率为第一概率与第二概率的乘积,再除以用户分值。
具体的,可定义UserSocialQuantity=(UserInfo,UserBehave,UserGreet),其中,UserSocialQuantity表示用户社交质量数据模型,UserInfo表示用户个人数据,UserBehave表示用户行为数据,UserGreet表示建立社交关系的方式数据。且定义SocialResult=[success,fail],其中,success表示匹配成功,fail表示匹配不成功。
进一步的,可通过如下的贝叶斯公式计算候选推荐用户列表中的用户的匹配成功率:
其中,P(SocialResult=success|UserSocialQuantity)表示在用户社交质量模型下用户匹配成功的概率(即用户的匹配成功率),P(UserSocialQuantity)表示根据用户的社交质量数据对用户进行的打分(即用户分值),P(UserSocialQuantity|SocialResult=success)表示在所有用户中的社交成功的用户里面,该用户的用户分值为生成的候选推荐用户列表中的用户分值的第二概率,P(SocialResult=success)表示所有参与社交的用户中社交成功的第一概率。
本实施例中,可根据服务器存储的每个用户的社交质量数据的历史数据来估计候选推荐用户列表中每个用户与当前用户匹配成功的概率,实现起来简单快速,因此能够提高推荐的性能和效率。
步骤S40,从候选推荐用户列表中选取匹配成功率最高的至少一个用户进行推荐。
具体的,在计算得到候选推荐用户列表中每个用户的匹配成功率后,根据匹配成功率对用户进行排序,并选取排序靠前的预设数量个用户进行推荐。进一步的,服务器可将这些排序靠前的用户信息下发至触发获取推荐用户的指令的客户端,在客户端的应用界面中通过列表形式进行展示。进一步的,用户可选取展示的推荐用户中的某个用户,发送消息等。
如图3所示,在一个实施例中,一种用户推荐系统,包括指令获取模块10、候选列表生成模块20、匹配成功率计算模块30和用户推荐模块40,其中:
指令获取模块10用于获取触发推荐用户的指令。
具体的,指令获取模块10用于获取触发推荐用户的指令的方式包括以下的其中至少一种:获取对预设的物理按键或虚拟按键的点击指令;获取对移动终端的摇晃操作,生成触发推荐用户的指令。
候选列表生成模块20用于根据触发推荐用户的指令生成候选推荐用户列表。
在一个实施例中,候选列表生成模块20用于生成候选推荐用户列表的方式为以下的其中至少一种:
(1)根据对移动终端的操作所对应的操作时间生成候选推荐列表,该候选推荐用户列表包含操作时间的时间差在设定范围内的用户。
具体的,获取对移动终端的操作,生成触发推荐用户的指令,并记录操作所对应的操作时间。所述的对移动终端的操作,可以是对移动终端的摇晃操作或翻转操作等。可通过客户端将当前用户的操作所对应的操作时间上传至服务器,服务器的候选列表生成模块20获取到所有用户的操作所对应的操作时间,将操作时间的时间差在设定范围(如0.5S)内的用户推荐给当前用户。
(2)根据移动终端的地理位置生成候选推荐用户列表,该候选推荐用户列表中包含地理位置属于同一区域的用户。
具体的,可通过客户端获取用户当前的地理位置,将地理位置上传到服务器,服务器的候选列表生成模块20接收到所有移动终端在触发获取推荐用户的指令后上传的地理位置,根据地理位置得到与当前用户属于同一区域的用户。进一步的,候选列表生成模块20可根据接收到的地理位置获取与当前用户的地理位置的距离在设定范围(如100米)的用户,根据获取的这些用户生成候选推荐用户列表,并下发给当前用户所在的客户端。
(3)根据上传的信息生成候选推荐用户列表,该候选推荐用户列表包含从上传的信息中随机提取的用户。
具体的,上传的信息可以是交友信息、用户个人资料、用户对某个网络应用的评论信息等。其中,交友信息可包含用户在社交网络中为匹配交友所输入的部分个人资料和交友内容等。可通过客户端上传交友信息至服务器,服务器的候选列表生成模块20接收到所有客户端上传的交友信息,对每个当前用户,在接收到当前用户所在客户端上传的获取推荐用户的指令后,可随机选取多个其他的用户生成当前用户的候选推荐用户列表,并下发至当前用户所在的客户端。
进一步的,随机选取多个其他的用户后,可在随机选取的用户中获取用户的属性信息,该属性信息包含用户所在地区、年龄、评论信息等,可根据用户的属性信息提取预设数量个属性信息匹配的用户,生成候选推荐用户列表。例如,在随机选取的多个用户中提取年龄在预先划分的同一年龄段的用户,生成候选推荐用户列表。
匹配成功率计算模块30用于读取用户社交质量数据,根据用户社交质量数据计算候选推荐用户列表中的用户的匹配成功率。
在一个实施例中,用户社交质量数据包括用户个人数据、用户行为数据和建立社交关系的方式数据中的至少一种。其中,用户个人数据包含是否有头像数据、是否有签名数据、是否有地区信息和是否为热门登录用户中的至少一种;用户行为数据包含是否被设置为不良用户、社交关系建立的成功率和是否是热门社交用户中的至少一种;建立社交关系的方式数据包含社交关系建立的方式类型和交互信息的内容详尽度中的至少一种。
具体的,服务器存储了所有用户的用户社交质量数据,服务器统计用户的社交行为信息,并对每个用户的社交质量数据进行更新。其中,用户个人数据可根据用户提交的个人资料中获取得到,用户行为数据和建立社交关系的方式数据可根据统计的社交行为信息建立。
在一个实施例中,如图4所示,匹配成功率计算模块30包括分值生成模块310和贝叶斯模块320,其中:
分值生成模块310用于根据用户社交质量数据生成候选推荐用户列表中的用户分值。
贝叶斯模块320用于根据该用户分值采用贝叶斯方法计算候选推荐用户列表中的用户的匹配成功率。
具体的,可构建包含上述用户个人数据、用户行为数据和建立社交关系的方式数据的数据模型。对于候选推荐用户列表中的每个用户,分值生成模块310读取每个用户的社交质量数据,根据用户社交质量数据对每个用户进行打分。例如,用户个人数据越详细、社交关系建立的成功率越高、是热门社交用户等,则该用户的用户分值越高。
进一步的,在一个实施例中,分值生成模块310还用于分别读取用户个人数据、用户行为数据和建立社交关系的方式数据所对应的预设权重;根据用户个人数据、用户行为数据和建立社交关系的方式数据及所对应的预设权重,生成候选推荐用户列表中的用户分值。
本实施例中,可预先设置用户个人数据、用户行为数据和建立社交关系的方式数据这三种数据模型所对应的权重,则对候选推荐用户列表中的每个用户打分时,分值生成模块310可先分别针对这三种数据模型分别进行打分,然后结合对应的权重,进行综合打分,生成候选推荐用户列表中的用户分值。
在一个实施例中,如图5所示,贝叶斯模块320还包括第一概率计算单元322、第二概率计算单元324和匹配成功率计算单元326,其中:
第一概率计算单元322用于根据用户社交质量数据计算参与社交的用户中社交成功的第一概率。
第二概率计算单元324用于根据用户社交质量数据获取社交成功用户,计算社交成功用户中的用户分值为生成的候选推荐用户列表中的用户分值的第二概率。
匹配成功率计算单元326用于计算候选推荐列表中的用户的匹配成功率为第一概率与第二概率的乘积,再除以用户分值。
本实施例中,可根据服务器存储的每个用户的社交质量数据的历史数据来估计候选推荐用户列表中每个用户与当前用户匹配成功的概率,实现起来简单快速,因此能够提高推荐的性能和效率。
用户推荐模块40用于从候选推荐用户列表中选取匹配成功率最高的至少一个用户进行推荐。
具体的,用户推荐模块40用于根据匹配成功率对用户进行排序,并选取排序靠前的预设数量个用户进行推荐。进一步的,用户推荐模块40可将这些排序靠前的用户信息下发至触发获取推荐用户的指令的客户端,在客户端的应用界面中通过列表形式进行展示。
上述用户推荐方法和系统,根据用户社交质量数据计算候选推荐用户列表中的用户的匹配成功率,进而将匹配成功率最高的至少一个用户进行推荐。用户社交质量数据的数据模型相对于兴趣图谱模型的建立更简单,而匹配成功率的计算也相对六度关系计算更简单,因此上述用户推荐方法和系统实现起来简单,能够提高推荐性能和效率。
进一步的,根据用户社交质量数据的历史数据来计算候选推荐用户列表中的用户的匹配成功率,匹配成功率高的用户更能符合用户需求,能够提高推荐质量,从而提高用户推荐后的匹配成功率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用户推荐方法,包括以下步骤:
获取触发推荐用户的指令;
根据所述指令生成候选推荐用户列表;
读取用户社交质量数据,根据所述用户社交质量数据计算所述候选推荐用户列表中的用户的匹配成功率,所述根据所述用户社交质量数据计算所述候选推荐用户列表中的用户的匹配成功率的步骤为:根据所述用户社交质量数据生成所述候选推荐用户列表中的用户分值;根据所述用户分值采用贝叶斯方法计算所述候选推荐用户列表中的用户的匹配成功率;
从候选推荐用户列表中选取匹配成功率最高的至少一个用户进行推荐。
2.根据权利要求1所述的用户推荐方法,其特征在于,根据所述指令生成候选推荐用户列表的方式为以下的其中至少一种:
根据对移动终端的操作所对应的操作时间生成候选推荐用户列表,所述候选推荐用户列表包含操作时间的时间差在设定范围内的用户;
根据移动终端的地理位置生成候选推荐用户列表,所述候选推荐用户列表中包含地理位置属于同一区域的用户;
根据上传的信息生成候选推荐用户列表,所述候选推荐用户列表包含从上传的信息中随机提取的用户。
3.根据权利要求1所述的用户推荐方法,其特征在于,所述用户社交质量数据包括用户个人数据、用户行为数据和建立社交关系的方式数据中的至少一种;
所述用户个人数据包含是否有头像数据、是否有签名数据、是否有地区信息和是否为热门登录用户中的至少一种;
所述用户行为数据包含是否被设置为不良用户、社交关系建立的成功率和是否是热门社交用户中的至少一种;
所述建立社交关系的方式数据包含社交关系建立的方式类型和交互信息的内容详尽度中的至少一种。
4.根据权利要求1所述的用户推荐方法,其特征在于,根据所述用户社交质量数据生成所述候选推荐用户列表中的用户分值的步骤为:
分别读取用户个人数据、用户行为数据和建立社交关系的方式数据所对应的预设权重;
根据所述用户个人数据、用户行为数据和建立社交关系的方式数据及所对应的预设权重,生成所述候选推荐用户列表中的用户分值。
5.根据权利要求1所述的用户推荐方法,其特征在于,所述根据用户分值采用贝叶斯方法计算所述候选推荐用户列表中的用户的匹配成功率的步骤为:
根据所述用户社交质量数据计算参与社交的用户中社交成功的第一概率;
根据所述用户社交质量数据获取社交成功用户,计算所述社交成功用户中的用户分值为所述生成的候选推荐用户列表中的用户分值的第二概率;
计算所述候选推荐列表中的用户的匹配成功率为所述第一概率与第二概率的乘积,再除以所述用户分值。
6.一种用户推荐系统,其特征在于,包括:
指令获取模块,用于获取触发推荐用户的指令;
候选列表生成模块,用于根据所述指令生成候选推荐用户列表;
匹配成功率计算模块,用于读取用户社交质量数据,根据所述用户社交质量数据计算所述候选推荐用户列表中的用户的匹配成功率;
用户推荐模块,用于从所述候选推荐用户列表中选取匹配成功率最高的至少一个用户进行推荐;
所述匹配成功率计算模块包括:
分值生成模块,用于根据所述用户社交质量数据生成所述候选推荐用户列表中的用户分值;
贝叶斯模块,用于根据所述用户分值采用贝叶斯方法计算所述候选推荐用户列表中的用户的匹配成功率。
7.根据权利要求6所述的用户推荐系统,其特征在于,所述候选列表生成模块生成候选推荐用户列表的方式为以下的其中至少一种:
根据对移动终端的操作所对应的操作时间生成候选推荐用户列表,所述候选推荐用户列表包含操作时间的时间差在设定范围内的用户;
根据移动终端的地理位置生成候选推荐用户列表,所述候选推荐用户列表中包含地理位置属于同一区域的用户;
根据上传的信息生成候选推荐用户列表,所述候选推荐用户列表包含从上传的信息中随机提取的用户。
8.根据权利要求6所述的用户推荐系统,其特征在于,所述用户社交质量数据包括用户个人数据、用户行为数据和建立社交关系的方式数据中的至少一种;
所述用户个人数据包含是否有头像数据、是否有签名数据、是否有地区信息和是否为热门登录用户中的至少一种;
所述用户行为数据包含是否被设置为不良用户、社交关系建立的成功率和是否是热门社交用户中的至少一种;
所述建立社交关系的方式数据包含社交关系建立的方式类型和交互信息的内容详尽度中的至少一种。
9.根据权利要求6所述的用户推荐系统,其特征在于,所述分值生成模块用于分别读取用户个人数据、用户行为数据和建立社交关系的方式数据所对应的预设权重;根据所述用户个人数据、用户行为数据和建立社交关系的方式数据及所对应的预设权重,生成所述候选推荐用户列表中的用户分值。
10.根据权利要求6所述的用户推荐系统,其特征在于,所述贝叶斯模块包括:
第一概率计算单元,用于根据所述用户社交质量数据计算参与社交的用户中社交成功的第一概率;
第二概率计算单元,用于根据所述用户社交质量数据获取社交成功用户,计算所述社交成功用户中的用户分值为所述生成的候选推荐用户列表中的用户分值的第二概率;
匹配成功率计算单元,用于计算所述候选推荐列表中的用户的匹配成功率为所述第一概率与第二概率的乘积,再除以所述用户分值。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210280588.1A CN103581270B (zh) | 2012-08-08 | 2012-08-08 | 用户推荐方法和系统 |
PCT/CN2013/076649 WO2014023123A1 (en) | 2012-08-08 | 2013-06-03 | A user recommendation method and a user recommendation system using the same |
US13/909,008 US9519684B2 (en) | 2012-08-08 | 2013-06-03 | User recommendation method and a user recommendation system using the same |
JP2015525708A JP6017039B2 (ja) | 2012-08-08 | 2013-06-03 | ユーザ推薦方法、及び同方法を用いるユーザ推薦システム |
CA2880737A CA2880737C (en) | 2012-08-08 | 2013-06-03 | A user recommendation method and a user recommendation system using the same |
EP13827265.3A EP2883168A4 (en) | 2012-08-08 | 2013-06-03 | USER RECOMMENDATION AND USER RECOMMENDATION SYSTEM THEREWITH |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210280588.1A CN103581270B (zh) | 2012-08-08 | 2012-08-08 | 用户推荐方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103581270A CN103581270A (zh) | 2014-02-12 |
CN103581270B true CN103581270B (zh) | 2015-12-16 |
Family
ID=50052185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210280588.1A Active CN103581270B (zh) | 2012-08-08 | 2012-08-08 | 用户推荐方法和系统 |
Country Status (6)
Country | Link |
---|---|
US (1) | US9519684B2 (zh) |
EP (1) | EP2883168A4 (zh) |
JP (1) | JP6017039B2 (zh) |
CN (1) | CN103581270B (zh) |
CA (1) | CA2880737C (zh) |
WO (1) | WO2014023123A1 (zh) |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9465522B2 (en) * | 2013-03-28 | 2016-10-11 | Linkedin Corporation | Providing a personalized navigation experience in a mobile application |
CN104809132B (zh) * | 2014-01-27 | 2018-07-31 | 阿里巴巴集团控股有限公司 | 一种获取网络主体社交关系类型的方法及装置 |
US9754306B2 (en) * | 2014-03-03 | 2017-09-05 | Invent.ly LLC | Recommendation engine with profile analysis |
CN105100165B (zh) * | 2014-05-20 | 2017-11-14 | 深圳市腾讯计算机系统有限公司 | 网络服务推荐方法和装置 |
JP5694590B1 (ja) * | 2014-06-03 | 2015-04-01 | 株式会社 ディー・エヌ・エー | サービスの紹介を管理するサーバ、方法、及びプログラム |
CN104199904B (zh) * | 2014-08-27 | 2016-08-24 | 腾讯科技(深圳)有限公司 | 一种社交信息推送方法、服务器、用户终端以及系统 |
CN104408105A (zh) * | 2014-11-20 | 2015-03-11 | 四川长虹电器股份有限公司 | 一种适用于智能tv用户的好友推荐方法 |
CN104504026A (zh) * | 2014-12-11 | 2015-04-08 | 小米科技有限责任公司 | 好友推荐方法及装置 |
CN104573076B (zh) * | 2015-01-27 | 2017-11-03 | 南京烽火星空通信发展有限公司 | 一种社交网站用户中文备注名系统推荐方法 |
JP2016170667A (ja) * | 2015-03-13 | 2016-09-23 | ソニー株式会社 | 情報処理装置、情報処理方法およびプログラム |
CN105574139B (zh) * | 2015-12-14 | 2017-08-01 | 西安交通大学 | 一种基于双吸引度计算的社交网络陌生交友推荐方法及系统 |
CN106022931A (zh) * | 2016-04-19 | 2016-10-12 | 李麟飞 | 公益社交推荐方法 |
CN107369098B (zh) * | 2016-05-11 | 2021-10-26 | 华为技术有限公司 | 社交网络中数据的处理方法和装置 |
CN107809370B (zh) * | 2016-09-09 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 用户推荐方法及装置 |
CN106503122B (zh) * | 2016-10-19 | 2020-02-28 | 广州视源电子科技股份有限公司 | 交友对象的推荐方法和装置 |
CN108066990B (zh) * | 2016-11-18 | 2021-01-22 | 腾讯科技(深圳)有限公司 | 一种从候选用户列表中选择用户的方法、装置及服务器 |
CN106683025B (zh) * | 2017-01-06 | 2020-06-09 | 成都全时云信息技术有限公司 | 老人服务推荐的方法及装置 |
CN106933943A (zh) * | 2017-01-17 | 2017-07-07 | 浙江工业大学 | 一种基于记录时间差的朋友推荐方法 |
CN108306812B (zh) * | 2017-02-08 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 一种数据处理方法以及服务器 |
CN106951515A (zh) * | 2017-03-17 | 2017-07-14 | 上海衡修信息科技有限公司 | 一种基于社交软件的联系人匹配方法及装置 |
CN108805594B (zh) * | 2017-04-27 | 2022-04-12 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN107193984A (zh) * | 2017-05-25 | 2017-09-22 | 上海喆之信息科技有限公司 | 一种高质量的用户推荐系统 |
CN110020099A (zh) * | 2017-08-21 | 2019-07-16 | 武汉斗鱼网络科技有限公司 | 一种视频交友的用户推荐方法和装置 |
CN107689012A (zh) * | 2017-09-06 | 2018-02-13 | 王锦程 | 一种婚恋交友匹配方法 |
CN107862020B (zh) * | 2017-10-31 | 2022-05-31 | 上海掌门科技有限公司 | 一种好友推荐的方法及设备 |
US10769701B1 (en) * | 2018-02-27 | 2020-09-08 | Amazon Technologies, Inc. | Sensory-based delivery of content |
CN109241425B (zh) * | 2018-08-31 | 2022-02-18 | 腾讯科技(深圳)有限公司 | 一种资源推荐方法、装置、设备及存储介质 |
CN109242022B (zh) * | 2018-09-11 | 2021-04-27 | 杭州飞弛网络科技有限公司 | 一种基于位置的陌生人社交分享式支付方法与系统 |
CN109376310A (zh) * | 2018-09-28 | 2019-02-22 | 乐蜜有限公司 | 用户推荐方法、装置、电子设备和计算机可读存储介质 |
CN109299388A (zh) * | 2018-11-16 | 2019-02-01 | 杭州安芯科技有限公司 | 一种查找高质量社交用户的系统及方法 |
CN109710854A (zh) * | 2018-12-28 | 2019-05-03 | 乐蜜有限公司 | 社交应用中推荐用户的方法和装置 |
US11113349B2 (en) * | 2019-02-19 | 2021-09-07 | Microsoft Technology Licensing, Llc | Cohort service |
CN110139288B (zh) * | 2019-04-08 | 2022-07-01 | 简链科技(广东)有限公司 | 一种网络通话方法、装置、系统和记录介质 |
CN110113253A (zh) * | 2019-04-30 | 2019-08-09 | 上海掌门科技有限公司 | 即时通信方法、设备及计算机可读存储介质 |
CN112231587B (zh) * | 2019-06-26 | 2023-09-08 | 腾讯科技(深圳)有限公司 | 一种匹配用户的确定方法、装置、设备和介质 |
CN112231588A (zh) * | 2019-06-28 | 2021-01-15 | 北京智明星通科技股份有限公司 | 一种基于游戏应用程序的游戏好友推荐方法和装置 |
JP7187403B2 (ja) * | 2019-08-09 | 2022-12-12 | Kddi株式会社 | 情報処理装置、情報処理方法およびプログラム |
US20210173962A1 (en) * | 2019-12-10 | 2021-06-10 | 11422049 Canada Inc. | Methods and systems to collect, aggregate and verify collected personal data |
CN113658013A (zh) * | 2021-08-16 | 2021-11-16 | 上海花千树信息科技有限公司 | 一种在婚恋或社交软件上推荐自拍照的方法及装置 |
CN113849725B (zh) * | 2021-08-19 | 2022-03-29 | 齐鲁工业大学 | 一种基于图注意力对抗网络的社会化推荐方法及系统 |
CN113987353B (zh) * | 2021-10-29 | 2022-08-09 | 掌阅科技股份有限公司 | 书籍推荐方法、计算设备及存储介质 |
CN114924818B (zh) * | 2022-04-28 | 2023-11-28 | 阿里巴巴(中国)有限公司 | 流量分流方法、装置、设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540739A (zh) * | 2009-04-14 | 2009-09-23 | 腾讯科技(深圳)有限公司 | 用户推荐方法及用户推荐系统 |
CN102316046A (zh) * | 2010-06-29 | 2012-01-11 | 国际商业机器公司 | 向社交网络中的用户推荐信息的方法和装置 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008287731A (ja) | 1998-06-30 | 2008-11-27 | Masanobu Kujirada | 出会い・交流・連絡もしくは交信の支援のための装置 |
JP3672023B2 (ja) * | 2001-04-23 | 2005-07-13 | 日本電気株式会社 | 番組推薦システムおよび番組推薦方法 |
US7702685B2 (en) * | 2006-01-20 | 2010-04-20 | Microsoft Corporation | Querying social networks |
US20080294655A1 (en) * | 2007-05-25 | 2008-11-27 | Motorola, Inc. | Method and apparatus for generation of a user profile |
US20090198666A1 (en) * | 2008-02-01 | 2009-08-06 | Winston Ronald H | Affinity matching system and method |
US20100174747A1 (en) * | 2009-01-06 | 2010-07-08 | International Business Machines Corporation | Methods for recommending new individuals to be invited into a confirmed social network based on mined social data |
US20110191352A1 (en) | 2009-12-03 | 2011-08-04 | New Jersey Institute Of Technology | Socially- And Context-Aware People-Matching Systems and Methods Relating Thereto |
US9172765B2 (en) * | 2010-07-01 | 2015-10-27 | Desktop Alert, Inc. | Polling-based secure network message notification system and method with performance enhancing features |
CN102004788A (zh) | 2010-12-07 | 2011-04-06 | 北京开心人信息技术有限公司 | 一种智能定位社交网络联系人的方法与系统 |
KR20120087287A (ko) | 2010-12-28 | 2012-08-07 | 주식회사 팬택 | 증강현실 히스토리 정보를 이용하여 소셜 네트워킹 서비스를 제공하는 단말기, 서버 및 이를 이용한 증강현실 제공 시스템 |
US8812506B2 (en) * | 2011-05-19 | 2014-08-19 | Max-Planck-Gesellschaft Zur Foerderung Der Wissenschaften E.V | System and method for conducting processor-assisted indexing and searching |
US20130006765A1 (en) * | 2011-06-28 | 2013-01-03 | United Video Properties, Inc. | Systems and methods for recommending matching profiles in an interactive media guidance application |
US8688796B1 (en) * | 2012-03-06 | 2014-04-01 | Tal Lavian | Rating system for determining whether to accept or reject objection raised by user in social network |
US20140282212A1 (en) * | 2013-03-15 | 2014-09-18 | Gary Shuster | System, method, and apparatus that facilitates modifying a textual input |
-
2012
- 2012-08-08 CN CN201210280588.1A patent/CN103581270B/zh active Active
-
2013
- 2013-06-03 US US13/909,008 patent/US9519684B2/en active Active
- 2013-06-03 WO PCT/CN2013/076649 patent/WO2014023123A1/en active Application Filing
- 2013-06-03 CA CA2880737A patent/CA2880737C/en active Active
- 2013-06-03 EP EP13827265.3A patent/EP2883168A4/en not_active Withdrawn
- 2013-06-03 JP JP2015525708A patent/JP6017039B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540739A (zh) * | 2009-04-14 | 2009-09-23 | 腾讯科技(深圳)有限公司 | 用户推荐方法及用户推荐系统 |
CN102316046A (zh) * | 2010-06-29 | 2012-01-11 | 国际商业机器公司 | 向社交网络中的用户推荐信息的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2014023123A1 (en) | 2014-02-13 |
EP2883168A4 (en) | 2015-08-12 |
EP2883168A1 (en) | 2015-06-17 |
JP6017039B2 (ja) | 2016-10-26 |
US20140046939A1 (en) | 2014-02-13 |
US9519684B2 (en) | 2016-12-13 |
JP2015529904A (ja) | 2015-10-08 |
CA2880737A1 (en) | 2014-02-13 |
CN103581270A (zh) | 2014-02-12 |
CA2880737C (en) | 2017-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103581270B (zh) | 用户推荐方法和系统 | |
US11659050B2 (en) | Discovering signature of electronic social networks | |
Lim et al. | Investigating app store ranking algorithms using a simulation of mobile app ecosystems | |
CN111026971B (zh) | 内容的推送方法及装置、计算机存储介质 | |
US8775332B1 (en) | Adaptive user interfaces | |
CN107798027B (zh) | 一种信息热度预测方法、信息推荐方法及装置 | |
CN105025091A (zh) | 一种基于移动用户位置的商铺推荐方法 | |
CN103338223A (zh) | 一种移动应用的推荐方法、客户端及服务器 | |
CN103166930A (zh) | 推送网络信息的方法和系统 | |
CN104572937A (zh) | 一种基于室内生活圈的线下好友推荐方法 | |
CN108460627A (zh) | 营销活动方案推送方法、装置、计算机设备及存储介质 | |
CN105471715B (zh) | 一种基于地理位置变更的移动社交网络好友推荐方法 | |
CN109710854A (zh) | 社交应用中推荐用户的方法和装置 | |
CN111428127A (zh) | 融合主题匹配与双向偏好的个性化事件推荐方法及系统 | |
CN101404047A (zh) | 一种游戏行为提示方法、装置以及游戏系统 | |
CN110472798A (zh) | 时间序列数据的预测方法、装置及计算机可读存储介质 | |
CN104408105A (zh) | 一种适用于智能tv用户的好友推荐方法 | |
US11468521B2 (en) | Social media account filtering method and apparatus | |
CN117641542B (zh) | 一种物联网终端功耗策略在线优化的方法 | |
CN115481328A (zh) | 生成定制题库方法、装置、计算机设备和存储介质 | |
CN106254208B (zh) | 社交功能信息排序方法及终端 | |
CN102682388A (zh) | 一种通过移动平台中的投票来提供应用软件折扣的方法 | |
CN115018428A (zh) | 考虑预测不确定性的配送调度方法、装置及可存储介质 | |
CN108512891A (zh) | 基于即时位置的数据推送方法及后台服务器 | |
EP3846092A1 (en) | Device and method for promoting eco-friendly actions and helping to achieve predetermined environmental goals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |