CN103581270B - 用户推荐方法和系统 - Google Patents

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

用户推荐方法和系统

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：

$P(\mathrm{SocialResult}=\mathrm{success}|\mathrm{UserSocialQuantity})=$

$\frac{P\left(\mathrm{UserSocialQuantity}\right|\mathrm{SocialResult}=\mathrm{success})*P(\mathrm{SocialResult}=\mathrm{success})}{P\left(\mathrm{UserSocialQuantity}\right)}$

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。