CN102799623A - 信息推送方法 - Google Patents

Abstract

本发明提供一种信息推送方法。所述方法包括：提取每个用户的历史信息中的关键词，并获取所述关键词对应用户的初始权重；根据所述用户与各其他用户之间的数据传输记录，计算各其他用户对所述用户的关联权重；根据所述初始权重及所述关联权重，计算出所述关键词对应所述用户的关联后权重；根据所述关键词对应所述用户的关联后权重，为所述用户推送匹配的信息。本发明实施例将网络平台上各用户之间的影响视为一个动态的影响过程，不仅考虑到各用户受到与其存在数据传输记录的用户的影响，还考虑到用户在受到影响后同时会对其他用户再次造成影响。较现有技术中，本发明实施例提供的所述信息推送方法，信息推送的准确度更高。

Description

信息推送方法

技术领域

本发明涉及互联网技术，尤其涉及一种信息推送方法。

背景技术

随着网络的发展，越来越多的人开始使用网络即时通信工具，例如：Facebook，Twitter和微博等。

现有的即时通信工具，一般由即时通信服务器根据所述服务器内存储的每个用户的历史信息，每个用户注册时存储的注册信息及与所述用户链接的关注用户的历史信息等，单独分析每个用户感兴趣的信息，然后根据分析结果为用户推送相应的信息。现有技术中，服务器仅根据上述信息，独立的分析各用户感兴趣的信息，而未考虑整个网络平台中所有用户之间的互相影响关系，信息推送的准确度低。另外，对于那些在所述即时通信网络平台中新注册的用户或发布信息较少的用户，采用现有技术的方法是无法较准确的分析出新用户感兴趣的信息，并为其推送信息的。

发明内容

本发明提供一种信息推送方法，以进一步提高信息推送的准确性。

本发明提供一种信息推送方法，包括：

提取历史信息中的关键词，并获取所述关键词对应用户的初始权重；

根据所述用户与各其他用户之间的数据传输记录，计算各其他用户对所述用户的关联权重；

根据所述初始权重及所述关联权重，计算出所述关键词对应所述用户的关联后权重；

根据所述关键词对应所述用户的关联后权重，为所述用户推送匹配的信息。

本发明的技术效果是：本发明实施例提供的所述信息推送的方法，充分的考虑了所有影响用户的因素，以及网络平台中各用户之间的影响关系，通过用户与各其他用户之间的数据传输记录，计算出各其他用户对所述用户的关联权重，最后再根据所述初始权重及所述关联权重，计算出所述关键词对应所述用户的关联后权重，并根据所述关联后权重为用户推送匹配的信息。

附图说明

图1为本发明提供的信息推送方法实施例的流程示意图；

图2为各用户之间的数据影响关系示例图。

具体实施方式

如图1所示，本发明提供的信息推送方法实施例的流程示意图。如图中所示，本实施例所述信息推送方法，包括：

步骤S1、提取每个用户的历史信息中的关键词，并获取所述关键词对应用户的初始权重。

具体地，网络平台服务器中存储有各用户通过所述网络平台发布过的历史信息。所述历史信息具体包括：用户发布的信息、用户转发其他用户的发布信息、用户引用其他用户的发布信息、用户评论其他用户的发布信息等等。所述网络平台服务器基于现有的LDA（Latent Dirichlet Allocation，潜在狄利克雷分配模型）话题检测模型从每个用户的历史信息中提取出至少一个关键词，并获取提取出的所述关键字对应用户的初始权重。其中，所述关键词对应用户的初始权重具体可依据该用户的历史信息中所述关键词的出现频率来赋值。值越大，则表明所述用户对该关键词的兴趣越大，反之，则兴趣越小。值为零，则表明所述用户对该关键词没有兴趣。例如，所述LDA话题检测模型从每个用户的历史信息中提取出多个关键词，所述关键词的数量假设总共有N个，对于这N个关键词每个用户都有相应的初始权重。这N个关键词对应各用户的初始权重可表示成如下的U×N矩阵：

其中，U为网络平台中所有用户的集合。V_ij为第j个关键词对应用户i的初始权重，j＝1、2、…N，i=1、2、…︱U︱，︱U︱为用户的数量。

步骤S2、根据所述用户与各其他用户之间的数据传输记录，计算各其他用户对所述用户的关联权重。

所述网络平台服务器中存储有所述用户与各其他用户之间的数据传输记录。所述数据传输记录包括以下一种或任意组合：所述用户转发其他用户的发布信息的记录、所述用户评论其他用户的发布信息的记录、所述用户引用其他用户的发布信息的记录、以及所述用户与其他用户的链接记录。网络服务器根据所述数据传输记录，按照预设的关联权重计算程序计算出各其他用户对所述用户的关联权重。其中，所述预设的关联权重计算程序为预先根据相应算法编写而成，并存在所述服务器存储区域内。

步骤S3、根据所述初始权重及所述关联权重，计算出所述关键词对应所述用户的关联后权重。

具体地，网络平台服务器通过调用相应地计算程序，根据上述步骤S1和步骤S2得出的所述初始权重及所述关联权重，得出所述关键词对应所述用户的关联后权重。

步骤S4、根据所述关键词对应所述用户的关联后权重，为所述用户推送匹配的信息。

具体地，网络平台服务器通过所述关键词对应所述用户的关联后权重，将与关联后权重大的关键词匹配的信息推送给所述用户。

本实施例提供的信息推送方法，充分的考虑了所有影响用户的因素，以及网络平台中各用户之间的影响关系，通过用户与各其他用户之间的数据传输记录，计算出各其他用户对所述用户的关联权重，最后再根据所述初始权重及所述关联权重，计算出所述关键词对应所述用户的关联后权重，并根据所述关联后权重为用户推送匹配的信息。本实施例将网络平台上各用户之间的影响视为一个动态的影响过程，不仅考虑到各用户受到与其存在数据传输记录的用户的影响，还考虑到用户在受到影响后同时会对其他用户再次造成影响。较现有技术中，本发明实施例提供的所述信息推送方法，信息推送的准确度更高。

进一步地，上述实施例中步骤S2，根据所述用户与其他用户之间的数据传输记录，计算各其他用户对所述用户的关联权重，包括：

步骤S201、根据所述用户与其他用户之间的数据传输记录，通过以下公式分别计算出各其他用户对所述用户的关联权重：

$w_{\mathrm{ij}}=\frac{w_{\mathrm{RT}}\·{\mathrm{RT}}_{\mathrm{ij}}+w_{\mathrm{CM}}\·{\mathrm{CM}}_{\mathrm{ij}}+w_{\mathrm{AT}}\·{\mathrm{AT}}_{\mathrm{ij}}+w_f\·f_{\mathrm{ij}}+w_{\mathrm{cf}}\·c{f}_{\mathrm{ij}}}{\underset{j\∈U}{\underset{i\∈U}{\mathrm{\Σ}}}(w_{\mathrm{RT}}\·{\mathrm{RT}}_{\mathrm{ij}}+w_{\mathrm{CM}}\·C{M}_{\mathrm{ij}}+w_{\mathrm{AT}}\·A{T}_{\mathrm{ij}}+w_f\·f_{\mathrm{ij}}+w_{\mathrm{cf}}\·c{f}_{\mathrm{ij}})}---\left(1\right)$

其中，i、j＝1,2,…|U|；U为所有用户的集合；|U|为用户的数量；W_ij为用户i对用户j的关联权重；RT_ij为用户i转发用户j的发布信息的记录次数，CM_ij所述用户i评论用户j的发布信息的记录次数，AT_ij为用户i引用用户j的发布信息的记录次数；当所述数据传输记录中存在用户i与用户j的链接记录时，f_ij=1，当数据传输记录中不存在用户i与用户j的链接记录时，f_ij=0；cf_ij=︱(F_i∩F_j)/(F_i∪F_j)︱,F_i为与用户i链接的其他用户的数量；F_j为与用户j链接的其他用户的数量；w_RT为转发记录的预设权重；w_CM为评论记录的预设权重；w_AT为引用记录的预设权重；w_f为链接记录的预设权重；w_cf为与用户i和用户j均有链接记录的其他用户数量的预设权重。

这里需要说明的是：若用户为新注册用户或与各其他用户之间的数据传输记录为零，则上述式（1）中的分母等于零，即

$\underset{j\∈U}{\underset{i\∈U}{\mathrm{\Σ}}}(w_{\mathrm{RT}}\·R{T}_{\mathrm{ij}}+w_{\mathrm{CM}}\·{\mathrm{CM}}_{\mathrm{ij}}+w_{\mathrm{AT}}\·{\mathrm{AT}}_{\mathrm{ij}}+w_f\·f_{\mathrm{ij}}+w_{\mathrm{cf}}\·{\mathrm{cf}}_{\mathrm{ij}})=0$

此时，则需要采用公式w_ij=1/|U|来计算出各其他用户对所述用户的关联权重。另外，上述式（1）中，转发记录的预设权重w_RT；评论记录的预设权重w_CM；引用记录的预设权重w_AT；链接记录的预设权重w_f；以及与用户i和用户j均有链接记录的其他用户数量的预设权重w_cf，均可通过实际经验来人为设定。或者，分别对所述数据传播记录中的一种，即所述用户转发其他用户的发布信息的记录、所述用户评论其他用户的发布信息的记录、所述用户引用其他用户的发布信息的记录、或所述用户与其他用户的链接记录，通过预设建模模型实验得出相应的预设权重。

进一步地，上述实施例中步骤S3，根据所述初始权重及所述关联权重，计算出所述关键词对应所述用户的关联后权重，包括：

根据所述初始权重及所述关联权重，通过如下迭代公式计算出所述关键词对应所述用户的关联后权重:

I_t=αP·I_t-1+V，t∈1…n;（2）

其中，α为预设的迭代衰减因子；P为由各其他用户对所述用户的关联权重和所述用户对各其它用户的关联权重构成的矩阵；I_t为第t次迭代后的所述关键词对应各用户的关联后权重，I_t矩阵中每一列向量为所述关键词对应相应用户的关联后权重。具体地，矩阵P可表示为如下的矩阵：

其中，w_ij为用户i对用户j的关联权重，w_ij采用上述式（1）计算得出。

矩阵I_t可表示为如下的矩阵：

其中，N为关键词的个数。I_t中每一个行向量（O_i1，O_i2…O_iN）为N个关键词对应用户i的关联后权重。其中，O_i1为第1个关键词对应用户i的关联后权重。依次类推，O_iN为第N个关键词对应用户i的关联后权重。

上述迭代公式（2）可采用以下两种方式终止迭代：一、预设上述迭代公式（2）的迭代次数，即n为预设的最大迭代次数。当迭代到t=n时，停止迭代，I_n即为所述关键词对应各用户的关联后权重，I_n矩阵中每一列向量为所述关键词对应相应用户的关联后权重。二、根据式d=I_t-I_t-1，计算得出的矩阵d中所有元素的绝对值之和小于预设收敛因子时停止迭代，并将I_t作为所述关键词对应各用户的关联后权重，I_t矩阵中每一行向量为所述关键词对应相应用户的关联后权重。

下面结合具体的微博应用平台，对本发明提供的信息推送方法做进一步详细地说明。

微博应用平台上，用户可以不需要得到对方的许可便加对方用户关注。主动发关注行为的用户被称为粉丝，被关注的用户称为朋友。当关注建立后，朋友所发的微博信息都可以被粉丝看到和共享。粉丝也可以转发朋友的微博来共享这条微博信息，或者在其它用户所发的微博内容下进行评论。一个用户还可以在自己发表或者转发一条微博时引用其它用户的名字来提及到相关的用户。

如图2所示，假设本实例中该微博应用平台上注册有6个用户，各用户分别以节点的方式在图中示出。这6个用户包括：用户1、用户2、用户3、用户4、用户5和用户6。各用户之间的数据传输记录在图中以带指向箭头的直线示出。例如，用户2引用用户1发表的信息，则在图2中以用户1指向用户2的方式来代表用户2受用户1的影响。同样，从图中可以看出，用户1受用户4、用户5和用户6的影响。用户1影响用户2和用户3。

首先，所述微博应用服务器基于现有的LDA（Latent DirichletAllocation，潜在狄利克雷分配模型）话题检测模型每个用户的历史信息中提取出N个关键词，并获取对应N个所述关键词对各用户的初始权重。

如下表所示：

	关键字1	关键字2	…	关键字N
					用户1	v11	v12	…	v1N
用户2	V21	V22	…	V2N
					用户3	V31	V32	…	V3N
用户4	V41	V42		V4N
					用户5	V51	V52	…	V5N
用户6	V61	V62		V6N

当然，也可表示为如下所示的U×N矩阵：

$V=\left[\begin{array}{cccc}{v}_{11}& v_{12}& ...& v_{1N}\\ v_{21}& v_{22}& ...& v_{2N}\\ v_{31}& v_{32}& ...& v_{3N}\\ v_{41}& v_{42}& ...& v_{4N}\\ v_{51}& v_{52}& ...& v_{5N}\\ v_{61}& v_{62}& ...& v_{6N}\end{array}\right]$

其中，v_ij的值越大，表明用户i对关键词j的兴趣越大；v_ij的值越小，表明用户i对关键词j的兴趣越小，v_ij的值为零，表明用户i对关键词j没有兴趣。

然后，根据各用户之间的数据传输记录，即用户i转发用户j的发布信息的记录次数、用户i评论用户j的发布信息的记录次数、用户i引用用户j的发布信息的记录次数以及用户i与j用户的链接记录，计算出各用户对某一用户的关联权重。具体可采用如下公式计算得出：

$W_{\mathrm{ij}}=\frac{w_{\mathrm{RT}}\·{\mathrm{RT}}_{\mathrm{ij}}+w_{\mathrm{CM}}\·{\mathrm{CM}}_{\mathrm{ij}}+w_{\mathrm{AT}}\·A{T}_{\mathrm{ij}}+w_f\·f_{\mathrm{ij}}+w_{\mathrm{cf}}\·c{f}_{\mathrm{ij}}}{\underset{i\∈U}{\mathrm{\Σ}}(w_{\mathrm{RT}}\·{\mathrm{RT}}_{\mathrm{ij}}+w_{\mathrm{CM}}\·{\mathrm{CM}}_{\mathrm{ij}}+w_{\mathrm{AT}}\·{\mathrm{AT}}_{\mathrm{ij}}+w_f\·f_{\mathrm{ij}}+w_{\mathrm{cf}}\·c{f}_{\mathrm{ij}})},$

其中，因为本实例中不存在没有数据传输记录的用户，所以不存在上述式中分母等于零的情况。cf_ij=︱F_i∩F_j︱/︱F_i∪F_j︱。根据计算得出的W_ij，得出关联后权重矩阵P：

最后，根据上述得出的关联后权重矩阵P及各用户对应N个所述关键词的初始评度V，通过如下迭代公式计算出所述关键词对应所述用户的关联后权重：

I_t=αP·I_t-1+V，t∈1、2…n;（1）

d＝I_t-I_t-1

当矩阵d中所有元素的绝对值之和小于预设收敛因子ε时，上述迭代公式迭代停止。迭代结束时得到的I_t中的每一行向量即为所述关键词对应相应用户的关联后权重。

具体地，若预设收敛因子ε=0.01，则采用上述迭代公式进行迭代时一般需要10-14次迭代后即可收敛。本实例可通过现有的衡量指标NDCG（Normalized Discounted Cumulative Gain，归一化折算累积获得）值来衡量采用本发明实施例提供的信息推送方法的准确度。基于本发明实施例提供的信息推送方法，分别单独考虑转发、评论、引用、关注关系或共同好友数量时。实验结果为：共同好友这一因素得到的结果最佳，NDCG值为0.3362。其次是关注关系和转发因素，NDCG值分别是0.3215和0.3120，相对最差的结果是利用引用和评论因素，NDCG值分别是0.2576和0.2533。采用本发明实施例提供的信息推送方法且五种因素同时考虑时的结果最好，NDCG达到0.3494。采用现有技术基于用户本身信息及用户朋友的信息来推断推送信息的方法的NDCG值为0.2878。由上述实验结果可知，本发明实施例提供的信息推送方法较现有技术准确度更高。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.一种信息推送方法，其特征在于，包括：

提取每个用户的历史信息中的关键词，并获取所述关键词对应用户的初始权重；

根据用户与各其他用户之间的数据传输记录，计算各其他用户对所述用户的关联权重；

根据所述初始权重及所述关联权重，计算出所述关键词对应所述用户的关联后权重；

根据所述关键词对应所述用户的关联后权重，为所述用户推送匹配的信息。

2.根据权利要求1所述的信息推送方法，其特征在于，所述数据传输记录，包括以下一种或任意组合：

所述用户转发其他用户的发布信息的记录、所述用户评论其他用户的发布信息的记录、所述用户引用其他用户的发布信息的记录、以及所述用户与其他用户的链接记录。

3.根据权利要求2所述的信息推送方法，其特征在于，所述根据用户与其他用户之间的数据传输记录，计算各其他用户对所述用户的关联权重，包括：

根据用户与其他用户之间的数据传输记录，通过以下公式分别计算出各其他用户对所述用户的关联权重：

$W_{\mathrm{ij}}=\frac{w_{\mathrm{RT}}\·{\mathrm{RT}}_{\mathrm{ij}}+w_{\mathrm{CM}}\·{\mathrm{CM}}_{\mathrm{ij}}+w_{\mathrm{AT}}\·{\mathrm{AT}}_{\mathrm{ij}}+w_f\·f_{\mathrm{ij}}+w_{\mathrm{cf}}\·c{f}_{\mathrm{ij}}}{\underset{j\∈U}{\underset{i\∈U}{\mathrm{\Σ}}}(w_{\mathrm{RT}}\·{\mathrm{RT}}_{\mathrm{ij}}+w_{\mathrm{CM}}\·C{M}_{\mathrm{ij}}+w_{\mathrm{AT}}\·A{T}_{\mathrm{ij}}+w_f\·f_{\mathrm{ij}}+w_{\mathrm{cf}}\·c{f}_{\mathrm{ij}})}$

其中，i、j＝1,2,…|U|；U为所有用户的集合；|U|为用户的数量；W_ij为用户i对用户j的关联权重；RT_ij为用户i转发用户j的发布信息的记录次数，CM_ij所述用户i评论用户j的发布信息的记录次数，AT_ij为用户i引用用户j的发布信息的记录次数；当所述数据传输记录中存在用户i与用户j的链接记录时，f_ij=1，当数据传输记录中不存在用户i与用户j的链接记录时，f_ij=0；cf_ij=︱F_i∩F_j︱/︱F_i∪F_j︱,F_i为与用户i链接的其他用户的数量；F_j为与用户j链接的其他用户的数量；w_RT为转发记录的预设权重；w_CM为评论记录的预设权重；w_AT为引用记录的预设权重；w_f为链接记录的预设权重；w_cf为与用户i和用户j均有链接记录的其他用户数量的预设权重。

4.根据权利要求3所述的信息推送方法，其特征在于，所述根据用户与其他用户之间的数据传输记录，计算各其他用户对所述用户的关联权重，还包括：

若 $\underset{j\∈U}{\underset{i\∈U}{\mathrm{\Σ}}}(w_{\mathrm{RT}}\·R{T}_{\mathrm{ij}}+w_{\mathrm{CM}}\·{\mathrm{CM}}_{\mathrm{ij}}+w_{\mathrm{AT}}\·{\mathrm{AT}}_{\mathrm{ij}}+w_f\·f_{\mathrm{ij}}+w_{\mathrm{cf}}\·{\mathrm{cf}}_{\mathrm{ij}})=0$ 则通过以下公式计算出各其他用户对所述用户的关联权重：

w_ij=1/|U|。

5.根据权利要求1至4任一所述的信息推送方法，其特征在于，所述根据所述初始权重及所述关联权重，计算出所述关键词对应所述用户的关联后权重，包括：

根据所述初始权重及所述关联权重，通过如下迭代公式计算出所述关键词对应所述用户的关联后权重:

I_t=αP·I_t-1+V，t∈1…n;

其中，α为预设的迭代衰减因子；P为由各其他用户对所述用户的关联权重和所述用户对各其它用户的关联权重构成的矩阵；V为所述关键词对应用户的初始权重；I_t为第t次迭代后的所述关键词对应各用户的关联后权重，I_t矩阵中每一行向量为所述关键词对应相应用户的关联后权重；n为预设的最大迭代次数。

6.根据权利要求5所述的信息推送方法，其特征在于，所述根据所述初始权重及所述关联权重，计算出所述关键词对应所述用户的关联后权重，还包括：

当I_t与I_t-1之差得出的矩阵d中所有元素的绝对值之和小于预设收敛因子时，停止迭代，并将I_t作为所述关键词对应各用户的关联后权重，I_t矩阵中每一行向量为所述关键词对应相应用户的关联后权重。

Images