CN103279533A - 一种社交关系推荐方法及系统 - Google Patents
一种社交关系推荐方法及系统 Download PDFInfo
- Publication number
- CN103279533A CN103279533A CN2013102135780A CN201310213578A CN103279533A CN 103279533 A CN103279533 A CN 103279533A CN 2013102135780 A CN2013102135780 A CN 2013102135780A CN 201310213578 A CN201310213578 A CN 201310213578A CN 103279533 A CN103279533 A CN 103279533A
- Authority
- CN
- China
- Prior art keywords
- user
- music
- users
- recommendation
- degree
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000003993 interaction Effects 0.000 claims abstract description 50
- 230000006399 behavior Effects 0.000 claims description 69
- 238000004364 calculation method Methods 0.000 claims description 34
- 230000000694 effects Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 244000097202 Rathbunia alamosensis Species 0.000 description 1
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种社交关系推荐方法及系统,所述方法包括:社交关系推荐系统获取用户的音乐行为数据,根据所述音乐行为数据统计用户对各音乐标签的喜好程度值,根据用户对各音乐标签的喜好程度值计算用户间的音乐相似度,并根据用户间的音乐相似度为准备接受推荐的当前用户进行用户推荐。此外,社交关系推荐系统还可以根据用户关系链数据和/或用户交互数据统计得到用户间的亲密度,并根据用户间的音乐相似度和亲密度进行用户推荐。采用本发明的社交关系推荐方法及系统,用户可以使用更为准确、有效的用户推荐信息进行音乐领域社交关系的探索,提升了互联网社交音乐服务中社交关系的建立效率,减少了用户建立社交关系的时间成本。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种社交关系推荐方法及系统。
背景技术
社交音乐服务是一种融合音乐和社交网络功能的互联网服务。社交音乐服务用户在使用这一类型的服务时,通常需要寻找与自己具有一定关系或者具有某种相同音乐爱好的其他用户,并与其构建社交关系,以便从其他用户处得到他们的音乐内容,或向其传播自己喜欢的音乐内容。
现有的互联网社交音乐服务,通常采用用户搜索其它用户的姓名、性别和年龄等特征,或是提交自己喜欢的歌手、歌曲、歌曲类型等数据,然后从用户提交的数据中选取与其拥有相似数据的其他用户的方式来进行社交关系的探索与推荐。
采用现有技术的上述方式进行社交关系的探索与推荐时,由于大多数普通音乐用户往往无法准确地描述并提交自己希望构建社交关系的其他用户的姓名及音乐爱好等信息,导致用户从社交音乐服务系统所选取并推荐的用户群中选择自己希望建立音乐社交关系的用户时需要付出很高的选择成本,用户很难从社交音乐服务系统所推荐的用户群中发现或者探索到其希望建立社交关系的其他用户,浪费了互联网社交音乐服务用户的大量时间成本以及其它相关资源。
发明内容
本发明所要解决的技术问题是,克服现有技术的不足,提供一种可以为用户提供更为准确、有效的用户信息,以便使用户可以高效和准确地建立音乐社交关系的社交关系推荐方法及系统。
为了解决上述问题,本发明提供一种社交关系推荐方法,该方法包括:
A:社交关系推荐系统获取用户的音乐行为数据;所述音乐行为数据中包含:执行音乐行为的用户所对应的用户信息,所执行的音乐行为所对应的音乐数据;所述音乐数据中包含:音乐标识符,音乐标签;
B:社交关系推荐系统根据所述音乐行为数据统计用户对各音乐标签的喜好程度值;
C:社交关系推荐系统根据用户对各音乐标签的喜好程度值计算用户间的音乐相似度;
D:社交关系推荐系统根据用户间的音乐相似度为准备接受推荐的当前用户进行用户推荐。
此外,所述步骤D分为如下子步骤:
D1:社交关系推荐系统根据用户间的音乐相似度,或根据用户间的音乐相似度和用户间的亲密度计算用户间的用户推荐度;
D2:社交关系推荐系统根据计算得到的用户推荐度为所述当前用户进行用户推荐;
其中,所述用户间的亲密度根据用户间的关系度,和/或用户间的交互度获得;所述用户间的关系度根据社交关系推荐系统获取的用户关系链数据统计得到;所述用户间的交互度根据社交关系推荐系统获取的用户交互数据统计得到。
此外,所述步骤D1中,将任意用户i和用户j间的音乐相似度记作Sij,将用户j相对于用户i的亲密度记作Iij(t),采用如下公式之一计算用户j相对于用户i的用户推荐度Aij(dt):
Aij(dt)=α8·Sij+α9·Iij(dt);或
Aij(dt)=Sij×Iij(dt);或
Aij(dt)=α8·Sij+α9·Iij(dt)+Genderij;或
Aij(dt)=Sij×Iij(dt)×Genderij;或
Aij(dt)=α8·Sij+α9·Iij(dt)+Ageij;或
Aij(dt)=Sij×Iij(dt)×Ageij;
其中,α8>0,α9≥0;
Agei表示用户i的年龄,Agej表示用户j的年龄。
此外,将任意用户j相对于用户i的关系度记作Rij,在时间dt内用户j与用户i间的交互度记作Cij(dt),采用如下公式之一计算用户j相对于用户i的亲密度Iij(dt):
Iij(dt)=α6·Rij+α7·Cij(dt);或
Iij(dt)=RijCij(dt);或
其中,所述α6,α7大于或等于0,且α6,α7不全为0。
此外,可使用如下公式统计所述关系度Rij:
其中,a和b大于0。
此外,将时间dt内用户i向用户j发起的交流的总数记作UniCij(dt),将时间dt内用户j向用户i发起的交流的总数记作UniCji(dt),则使用如下公式之一统计所述交互度Cij(dt):
Cij(dt)=UniCij(dt)+UniCji(dt);或
Cij(dt)=min(UniCij(dt),UniCji(dt))。
此外,所述音乐行为数据中还包含音乐行为所对应的行为类型;
所述行为类型包含以下行为中的一种或多种:收听、收藏、分享、评论和评分;
步骤B中,社交关系推荐系统采用如下子步骤统计用户对各音乐标签的喜好程度值:
B1:根据所述音乐行为数据对任一用户i及任一音乐标签t分别统计:用户i对音乐标签t的收听喜好程度值F_Listenit,用户i对音乐标签t的收藏喜好程度值F_Collectit,用户i对音乐标签t的分享喜好程度值F_Shareit,用户i对音乐标签t的评论喜好程度值F_Commentit,用户i对音乐标签t的评分喜好程度值F_Scoreit中的一个或多个;
B2:采用如下公式之一计算用户i对音乐标签t的喜好程度值lit:
lit=(α1·F_Listenit+α2·F_Collectit+α3·F_Shareit
+α4·F_Commentit+α5·F_Scoreit);
其中,α1,α2,α3,α4,α5大于或等于0,且α1,α2,α3,α4,α5不全为0;或
lit=(α1·F_Listenit+α2·F_Collectit+α3·F_Shareit+α4·F_Commentit
+α5·F_Scoreit)/(α1+α2+α3+α4+α5)
其中,α1,α2,α3,α4,α5,α6大于或等于0,且α1,α2,α3,α4,α5,α6不全为0;或
lit=(F_Listenit×F_Collectit×F_Shareit×F_Commentit×F_Scoreit)1/5。
此外,步骤B1中,分别采用如下公式统计所述F_Listenit,F_Collectit,F_Shareit,F_Commentit,F_Scoreit:
将用户i收听过的音乐集合记作Ai={A1,A2,…,Ak},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的收听喜好程度值F_Listenit为:
将用户i收藏过的音乐集合记作Ai={A1,A2,…,Ak},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的收藏喜好程度值F_Collectit为:
将用户i分享过的音乐集合记作Ai={A1,A2,…,Ak},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的分享喜好程度值F_Shareit为:
将用户i评论过的音乐集合记作Ai={A1,A2,…,An},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的评论喜好程度值F_Commentit为:
将用户i评分过的音乐集合记作Ai={A1,A2,…,Ak},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的评分喜好程度值F_Scoreit为:
此外,步骤C中,采用如下公式之一计算用户i和用户j间的音乐相似度Sij:
其中,上述n为音乐标签的总数。
此外,步骤C中,令Li={Li1,Li2,...Lin},其中,则采用如下公式之一计算用户i和用户j间的音乐相似度Sij:
其中,上述n为音乐标签的总数。
此外,所述步骤D2中,社交关系推荐系统采用如下方式为所述当前用户进行用户推荐:将所述当前用户记作用户a,将用户j相对于用户a的用户 推荐度记作Aaj(dt),其中,用户j为其他用户,j=1,2,…,N,N为用户总数;则社交关系推荐系统将Aaj(dt)值最高的一位或多位用户推荐给用户a,和/或社交关系推荐系统将Aaj(dt)值最低的一位或多位用户推荐给用户a;或者,
将所述当前用户记作用户a,用户a选定的目标用户记作用户b,将用户j相对于用户b的用户推荐度记作Abj(dt),其中,用户j为其他用户,j=1,2,…,N,N为用户总数;则社交关系推荐系统将Abj(dt)值最高的一位或多位用户推荐给用户a,和/或社交关系推荐系统将Abj(dt)值最低的一位或多位用户推荐给用户a。
此外,本发明提供一种社交关系推荐系统,该系统包含:相似度计算模块,用户推荐模块;其中:
所述相似度计算模块用于获取用户的音乐行为数据,根据所述音乐行为数据统计用户对各音乐标签的喜好程度值,根据用户对各音乐标签的喜好程度值计算用户间的音乐相似度,并将计算得到的用户间的音乐相似度数据输出至所述用户推荐模块;
所述用户推荐模块用于根据接收到的所述用户间的音乐相似度数据为准备接受推荐的当前用户进行用户推荐;
所述音乐行为数据中包含:执行音乐行为的用户所对应的用户信息,所执行的音乐行为所对应的音乐数据;所述音乐数据中包含:音乐标识符,音乐标签。
此外,所述用户推荐模块采用如下方式进行所述用户推荐:所述用户推荐模块根据接收到的所述用户间的音乐相似度数据计算用户间的用户推荐度,并根据计算得到的用户推荐度为所述当前用户进行用户推荐;或
所述系统中还包含:社交网络数据抓取模块,亲密度计算模块;
所述社交网络数据抓取模块用于从社交网络获取用户关系链数据和/或用户交互数据,并将其输出至所述亲密度计算模块;
所述亲密度计算模块用于根据接收到的所述用户关系链数据统计用户间的关系度,和/或根据接收到的用户交互数据统计用户间的交互度;
所述亲密度计算模块还用于根据统计得到的所述用户间的关系度、和/ 或用户间的交互度获得用户间的亲密度,并将其输出至所述用户推荐模块;
所述用户推荐模块采用如下方式进行所述用户推荐:所述用户推荐模块根据接收到的所述用户间的音乐相似度和用户间的亲密度计算用户间的用户推荐度,并根据计算得到的用户推荐度为所述当前用户进行用户推荐。
此外,将任意用户i和用户j间的音乐相似度记作Sij,将用户j相对于用户i的亲密度记作Iij(t),所述用户推荐模块采用如下公式之一计算用户j相对于用户i的用户推荐度Aij(dt):
Aij(dt)=α8·Sij+α9·Iij(dt);或
Aij(dt)=Sij×Iij(dt);或
Aij(dt)=α8·Sij+α9·Iij(dt)+Genderij;或
Aij(dt)=Sij×Iij(dt)×Genderij;或
Aij(dt)=α8·Sij+α9·Iij(dt)+Ageij;或
Aij(dt)=Sij×Iij(dt)×Ageij;
其中,α8>0,α9≥0;
Agei表示用户i的年龄,Agej表示用户j的年龄。
此外,将任意用户j相对于用户i的关系度记作Rij,在时间dt内用户j与用户i间的交互度记作Cij(dt),所述亲密度计算模块采用如下公式之一计算用户j相对于用户i的亲密度Iij(dt):
Iij(dt)=α6·Rij+α7·Cij(dt);或
Iij(dt)=RijCij(dt);或
其中,所述α6,α7大于或等于0,且α6,α7不全为0。
此外,所述亲密度计算模块使用如下公式统计所述关系度Rij:
其中,a和b大于0。
此外,将时间dt内用户i向用户j发起的交流的总数记作UniCij(dt),将时间dt内用户j向用户i发起的交流的总数记作UniCji(dt),则所述亲密度计算模块使用如下公式之一统计所述交互度Cij(dt):
Cij(dt)=UniCij(dt)+UniCji(dt);或
Cij(dt)=min(UniCij(dt),UniCji(dt))。
此外,所述音乐行为数据中还包含音乐行为所对应的行为类型;
所述行为类型包含以下行为中的一种或多种:收听、收藏、分享、评论和评分;
所述相似度计算模块采用如下方式统计用户对各音乐标签的喜好程度值:
所述相似度计算模块根据所述音乐行为数据对任一用户i及任一音乐标签t分别统计:用户i对音乐标签t的收听喜好程度值F_Listenit,用户i对音乐标签t的收藏喜好程度值F_Collectit,用户i对音乐标签t的分享喜好程度值F_Shareit,用户i对音乐标签t的评论喜好程度值F_Commentit,用户i对音乐标签t的评分喜好程度值F_Scoreit中的一个或多个;并采用如下公式之一计算用户i对音乐标签t的喜好程度值lit:
lit=(α1·F_Listenit+α2·F_Collectit+α3·F_Shareit
+α4·F_Commentit+α5·F_Scoreit);
其中,α1,α2,α3,α4,α5大于或等于0,且α1,α2,α3,α4,α5不全为0;或
lit=(α1·F_Listenit+α2·F_Collectit+α3·F_Shareit+α4·F_Commentit
+α5·F_Scoreit)/(α1+α2+α3+α4+α5);
其中,α1,α2,α3,α4,α5,α6大于或等于0,且α1,α2,α3,α4,α5,α6不全为0;或
lit=(F_Listenit×F_Collectit×F_Shareit×F_Commentit×F_Scoreit)1/5。
所述相似度计算模块分别采用如下公式统计所述F_Listenit,F_Collectit,F_Shareit,F_Commentit,F_Scoreit:
将用户i收听过的音乐集合记作Ai={A1,A2,…,Ak},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的收听喜好程度值F_Listenit为:
将用户i收藏过的音乐集合记作Ai={A1,A2,…,Ak},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的收藏喜好程度值F_Collectit为:
将用户i分享过的音乐集合记作Ai={A1,A2,…,Ak},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的分享喜好程度值F_Shareit为:
将用户i评论过的音乐集合记作Ai={A1,A2,…,An},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的评论喜好程度值F_Commentit为:
将用户i评分过的音乐集合记作Ai={A1,A2,…,Ak},将音乐Am的音乐标 签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的评分喜好程度值F_Scoreit为:
此外,所述相似度计算模块采用如下公式之一计算用户i和用户j间的音乐相似度Sij:
其中,上述n为音乐标签的总数。
此外,令Li={Li1,Li2,...Lin},其中,则所述相似度计算模块采用如下公式之一计算用户i和用户j间的音乐相似度Sij:
或
其中,上述n为音乐标签的总数。
此外,所述用户推荐模块可采用如下方式为所述当前用户进行用户推荐:
将所述当前用户记作用户a,将用户j相对于用户a的用户推荐度记作Aaj(dt),其中,用户j为其他用户,j=1,2,…,N,N为用户总数;则所述用户推荐模块将Aaj(dt)值最高的一位或多位用户推荐给用户a,和/或所述用户推荐模块将Aaj(dt)值最低的一位或多位用户推荐给用户a;或
将所述当前用户记作用户a,用户a选定的目标用户记作用户b,将用户j相对于用户b的用户推荐度记作Abj(dt),其中,用户j为其他用户,j=1,2,…,N,N为用户总数;则所述用户推荐模块将Abj(dt)值最高的一位或多位用户推荐给用户a,和/或所述用户推荐模块将Abj(dt)值最低的一位或多位用户推荐给用户a。
综上所述,采用本发明的社交关系推荐方法及系统,用户可以使用更为准确、有效的用户推荐信息进行音乐领域社交关系的探索,提升了互联网社交音乐服务中社交关系的建立效率,降低了用户建立社交关系的时间成本。
此外,本发明的社交关系推荐方法及系统还可以结合使用现有的通用型社交网络产品所提供的用户关系链数据和用户交互数据辅助进行用户推荐度的计算,帮助用户探索音乐领域的社交关系,既考虑了用户对于音乐内容的共同爱好的需求,又通过已有的好友关系探索好友的好友,在关系的接受成本以及关系的传递性上具有良好的效果。
附图说明
图1是本发明实施例社交关系推荐系统的结构示意图;
图2是本发明实施例社交关系推荐方法流程图。
具体实施方式
本发明的核心是,根据各用户所执行的音乐行为获得各用户对各音乐标签的喜好程度值,并根据各用户对各音乐标签的喜好程度值计算用户间的音乐相似度,进而根据用户间的音乐相似度进行用户推荐(即社交关系推荐)。
此外,在进行用户推荐时,本发明还可以将用户关系度和/或用户交互度与音乐相似度结合使用,以实现更好的用户推荐效果。
下面将结合附图和实施例对本发明进行详细描述。
图1是本发明实施例社交关系推荐系统的结构示意图;如图1所示,本发明的社交关系推荐系统与互联网音乐平台相连,并可以与社交网络相连;社交关系推荐系统还可以通过互联网与用户所使用的用户终端(例如,个人电脑、移动终端等)相连,向用户发送用于进行用户推荐的用户推荐信息。
本实施例中,社交关系推荐系统包含:相似度计算模块,用户推荐模块;此外,社交关系推荐系统还可以包含:社交网络数据抓取模块,亲密度计算模块;其中:
相似度计算模块用于获取用户的音乐行为数据,根据音乐行为数据统计用户对各音乐标签的喜好程度值,根据用户对各音乐标签的喜好程度值计算用户间的音乐相似度,并将计算得到的用户间的音乐相似度数据输出至用户推荐模块;
用户推荐模块用于根据接收到的用户间的音乐相似度数据为准备接受推荐的当前用户进行用户推荐;
上述音乐行为数据中可以包含:执行音乐行为的用户所对应的用户信息,所执行的音乐行为所对应的音乐数据;音乐数据中包含:音乐标识符,音乐标签。上述音乐行为数据的更具体的信息详见下文。
上述社交网络数据抓取模块用于从社交网络获取用户关系链数据和/或用户交互数据,并将其输出至亲密度计算模块;
上述亲密度计算模块用于根据接收到的用户关系链数据统计用户间的关系度,和/或根据接收到的用户交互数据统计用户间的交互度;
此外,亲密度计算模块还可以根据统计得到的用户间的关系度、和/或用户间的交互度获得用户间的亲密度,并将其输出至用户推荐模块。
用户推荐模块可以采用如下方式进行用户推荐:用户推荐模块根据接收到的用户间的音乐相似度数据计算用户间的用户推荐度,并根据计算得到的用户推荐度为当前用户进行用户推荐;或用户推荐模块根据接收到的用户间的音乐相似度和用户间的亲密度计算用户间的用户推荐度,并根据计算得到的用户推荐度为当前用户进行用户推荐。
上述音乐相似度的计算方法、用户推荐度的计算方法、用户间的亲密度的计算方法、用户间的关系度的统计方法和用户间的交互度的统计方法在本文对本发明的社交关系推荐方法的具体描述中详述。
用户推荐模块可以采用如下方式为当前用户进行用户推荐:将当前用户记作用户a,将用户j相对于用户a的用户推荐度记作Aaj(dt),其中,用户j为其他用户,j=1,2,…,N,N为用户总数;则用户推荐模块将Aaj(dt)值最高的一位或多位用户推荐给用户a,和/或用户推荐模块将Aaj(dt)值最低的一位或多位用户推荐给用户a。
此外,用户推荐模块还可以采用如下方式为当前用户进行用户推荐:将当前用户记作用户a,用户a选定的目标用户记作用户b,将用户j相对于用户b的用户推荐度记作Abj(dt),其中,用户j为其他用户,j=1,2,…,N,N为用户总数;则用户推荐模块将Abj(dt)值最高的一位或多位用户推荐给用户a,和/或用户推荐模块将Abj(dt)值最低的一位或多位用户推荐给用户a。
图2是本发明实施例社交关系推荐方法流程图;如图2所示,该方法包含如下步骤:
步骤201:社交关系推荐系统获取用于计算用户间音乐相似度的音乐行为数据;
上述音乐行为数据包括用户在使用本社交关系推荐系统的互联网音乐平台上所执行的音乐创作、收听、收藏、分享、评论和评分等音乐行为的相关数据;上述音乐行为数据具体可以包含:
用户信息,用于对执行音乐行为的用户进行标识和描述的信息,具体包含:用户ID,用户名称,用户个人信息(例如,年龄,性别等);
行为类型,用于标识用户所执行的音乐行为的类型,例如:收听、收藏、分享、评论和评分等;
行为时间:用于表示音乐行为的执行时间;
音乐数据:用于表示用户所执行的音乐行为的目标音乐内容数据,具体可以包含:音乐类型(例如,单曲,专辑,精选辑),音乐ID(IDentification,标识符),音乐属性信息(例如,歌曲名,歌手名,专辑名,精选辑名),音乐标签(简称标签,由用户定义或由编辑人员提供)等。
此外,上述音乐行为数据还可以包括用户针对其它互联网音乐平台的音乐产品,在社交网络上所执行的分享、收藏、转发、评论和评分等操作的相关数据;上述音乐行为数据具体包含:
用户信息,用于标识和描述用户的具体信息,具体包含:用户ID,社交网络名称,用户名称,用户个人信息(例如,年龄,性别等);
来源:其它互联网音乐平台的名称;
行为类型,用于标识用户所执行的音乐行为的类型,例如:收听、收藏、分享、评论和评分等;
行为时间:用于表示音乐行为的执行时间;
音乐数据:用于表示用户所执行的音乐行为的目标音乐内容数据,具体可以包含:音乐类型(例如,单曲,专辑,精选辑),音乐ID,音乐属性信息(例如,歌曲名,歌手名,专辑名,精选辑名),音乐标签(简称标签,由用户定义或由编辑人员提供)等。
步骤202:社交关系推荐系统获取用于计算用户关系度的用户关系链数据;
社交关系推荐系统至少可以采用以下方式之一获取用户关系链数据:
方式一:通过通用型社交网络产品的开放平台和开放接口获取
在通用型社交网络产品(简称产品A),如新浪微博,腾讯微博,人人网等中,均包含用于输出用户关系链数据的开放平台和开放接口。只要在其它社交类型的产品(简称产品B)中接入产品A的开放平台和开放接口,用户就可以使用产品A的账号登陆产品B。此时,产品B就可以使用产品A提供的开放接口,获取到用户关系链数据。
方式二:在互联网音乐平台中生成并存储的用户关系链数据
如果使用本社交关系推荐系统的互联网音乐平台为用户提供相互订阅(关注)功能,当用户在互联网音乐平台订阅(关注)其它用户时则产生新的用户关系,社交关系推荐系统可以在需要时获取相应的用户关系链数据。
本步骤为可选步骤。
步骤203:社交关系推荐系统获取用于计算用户交互度的用户交互数据;
社交关系推荐系统至少可以采用以下方式之一获取用户交互数据:
方式一:通过通用型社交网络产品的开放平台和开放接口获取
在通用型社交网络产品(简称产品A),如新浪微博,腾讯微博,人人网等中,均包含用于输出用户交互数据的开放平台和开放接口。只要在其它社交类型的产品(简称产品B)中接入产品A的开放平台和开放接口,用户就可以使用产品A的账号登陆产品B。此时,产品B就可以使用产品A提供的开放接口,获取到用户交互数据(交互数据包括站内信,私信,消息,转发,评论等)。
方式二:在互联网音乐平台中生成并存储的用户交互数据
如果使用本社交关系推荐系统的互联网音乐平台为用户提供通信、相互评论、留言等功能,当用户在互联网音乐平台进行通信、评论和留言等操作时则生成用户交互数据,社交关系推荐系统可以在需要时获取用户交互数据。
本步骤为可选步骤。
步骤204:社交关系推荐系统根据用户的音乐行为数据统计用户对各音乐标签的喜好程度值;
本步骤具体可细分为如下子步骤:
204a:根据任一用户(例如用户i)的音乐行为数据统计用户i对任一标签(例如,标签t)的:收听喜好程度值,收藏喜好程度值,分享喜好程度值,评论喜好程度值,评分喜好程度值中的一个或多个;
本实施例中采用如下公式统计上述值:
上述音乐m可以是单曲、专辑或精选辑等(以下同)。
204b:采用如下公式之一计算用户i对标签t的喜好程度值lit:
lit=(α1·F_Listenit+α2·F_Collectit+α3·F_Shareit
+α4·F_Commentit+α5·F_Scoreit);
其中,α1,α2,α3,α4,α5大于或等于0,且α1,α2,α3,α4,α5不全为0;
lit=(α1·F_Listenit+α2·F_Collectit+α3·F_Shareit+α4·F_Commentit
+α5·F_Scoreit)/(α1+α2+α3+α4+α5);
其中,α1,α2,α3,α4,α5大于或等于0,且α1,α2,α3,α4,α5不全为0;
公式八:
lit=(F_Listenit×F_Collectit×F_Shareit×F_Commentit×F_Scoreit)1/5。
步骤205:社交关系推荐系统根据用户对各音乐标签的喜好程度值计算用户对音乐的喜好程度集合;
将用户i对音乐的喜好程度集合记作Li={Li1,Li2,...Lin},其中,n为音乐标签的总数;则集合Li中的任一元素Lit的值为:
此外,由公式九可知,用户i对音乐的喜好程度集合中的各元素的值实际上是用户i对各音乐标签的喜好程度值的另一种表示方式。
本步骤可以省略,即也可以令用户i对音乐的喜好程度集合中的各元素的值Lit=lit。
步骤206:社交关系推荐系统根据用户对各音乐标签的喜好程度值或根 据用户对音乐的喜好程度集合计算不同用户(例如用户i与用户j)间的音乐相似度;
将用户i与用户j的音乐相似度记作Sij,音乐标签的总数记作n,则可以使用以下公式之一计算Sij值:
公式十一:
步骤207:社交关系推荐系统根据用户关系链数据统计用户间的关系度;
用户j相对于用户i的关系度Rij可以使用如下公式统计:
其中,a和b大于0;通常情况下,可以令a>b,即当Ui单方关注Uj时的Rij值比Uj单方关注Ui时的Rij值大。
本步骤为可选步骤。
步骤208:社交关系推荐系统根据用户交互数据统计用户间的交互度;
将时间dt内用户i向用户j发起的交流的总数记作UniCij(dt),将时间dt内用户j向用户i发起的交流的总数记作UniCji(dt),则可按照如下公式之一计算用户i和用户j的交互度Cij(dt):
Cij(dt)=UniCij(dt)+UniCji(dt);
即将用户i和用户j之间在时间dt内单向交流次数之和作为用户i和用户j之间在时间dt内的交互度。
Cij(dt)=min(UniCij(dt),UniCji(dt));
即将用户i和用户j之间在时间dt内单向交流次数的最小值作为用户i和用户j之间在时间dt内的交互度。
上述交流可以是用户间的通信、评论和留言等。
本步骤为可选步骤。
步骤209:社交关系推荐系统根据用户间的关系度和/或交互度计算用户间的亲密度;
将用户j相对于用户i的关系度记作Rij,用户i和用户j间的用户交互度记作Cij(dt),则可使用如下公式之一统计用户j相对于用户i的亲密度Iij(dt):
Iij(dt)=α6·Rij+α7·Cij(dt);
上述α6,α7大于或等于0,且α6,α7不全为0;
当α6=1,且α7=0时,上述公式变为Iij(dt)=Rij;
当α6=0,且α7=1时,上述公式变为Iij(dt)=Cij(dt)。
公式十八:
Iij(dt)=RijCij(dt)。
本步骤为可选步骤。
步骤210:社交关系推荐系统根据音乐相似度,或根据音乐相似度和用户间的亲密度计算用户推荐度;
将用户i和用户j的音乐相似度记作Sij,将用户j相对于用户i的亲密度 记作Iij(t),则可以使用如下公式之一计算用于将用户j推荐给用户i的用户推荐度Aij(dt):
Aij(dt)=α8·Sij+α9·Iij(dt);
其中,α8>0,α9≥0;
当α8=1,且α9=0时,上述公式为:Aij(dt)=Sij,即用户推荐度可以与用户间的音乐相似度相同。
Aij(dt)=Sij×Iij(dt)。
除以上计算方法外,还可以将用户个人信息(例如,性别,年龄等)作为计算用户推荐度的参数,如以下公式所示。
Aij(dt)=α8·Sij+α9·Iij(dt)+Genderij;
公式二十五:
Aij(dt)=Sij×Iij(dt)×Genderij;
其中,
上述λ1和λ2的值可由用户或系统根据需要预先设定;例如,将λ1和λ2设置为大于或等于0的值,且λ1<λ2;或将λ1和λ2中的一个设置为负数,另一个设置为正数。
公式二十六:
Aij(dt)=α8·Sij+α9·Iij(dt)+Ageij;
Aij(dt)=Sij×Iij(dt)×Ageij;
步骤211:需要为当前用户进行用户推荐时,社交关系推荐系统根据其他用户相对于当前用户的推荐度值为当前用户进行用户推荐;
将当前用户记作用户a,将其他用户(记作用户j)相对于用户a的推荐度记作Aaj(dt),其中,j=1,2,…N,N为可推荐用户总数,则社交关系推荐系统可以将推荐度Aaj(dt)位于前列(数值由高到低)的X(X≥1)位用户推荐给用户a。例如,社交关系推荐系统可以通过将推荐度Aaj(dt)最高的5位用户的头像和用户个人信息显示给用户a来进行用户推荐。
此外,为了满足某些用户在建立社交关系时的多元化、异质化的需求,社交关系推荐系统还可以将推荐度Aaj(dt)最低的X'(X'≥1)位用户推荐给用户a。例如,社交关系推荐系统可以通过将推荐度Aaj(dt)最低的5位用户的头像和用户个人信息显示给用户a来进行用户推荐。
在本步骤中,社交关系推荐系统根据Aaj(dt)值的大小确定待推荐(显示)用户列表中的用户组成,将推荐度Aaj(dt)值最高的、和/或最低的一位或多位用户包含在待推荐(显示)用户列表中推荐(显示)给用户a。
此外,社交关系推荐系统还可以使用Aaj(dt)值对待推荐(显示)用户列表中的用户的显示顺序进行排序,例如,对于推荐度Aaj(dt)值最高的多位用 户,按照Aaj(dt)值由高到低的顺序依次显示;对于推荐度Aaj(dt)值最低的多位用户,按照Aaj(dt)值由低到高的顺序依次显示。
步骤212:当前用户选定目标用户时,社交关系推荐系统根据其他用户相对于目标用户的推荐度为当前用户进行用户推荐;
将当前用户记作用户a,用户a选定的目标用户记作用户b,其他用户(记作用户j)相对于用户b的推荐度记作Abj(dt),其中,j=1,2,…N,N为可推荐用户总数,则社交关系推荐系统可以将推荐度Abj(dt)位于前列(数值由高到低)的X(X≥1)位用户推荐给用户a。例如,当用户a通过点击社交关系推荐系统显示出的用户b的头像或个人信息选定用户b时,社交关系推荐系统可以通过将推荐度Abj(dt)最高的5位用户的头像和用户个人信息显示给用户a来进行用户推荐。
此外,为了满足某些用户在建立社交关系时的多元化、异质化的需求,社交关系推荐系统可以将推荐度Abj(dt)最低的X'(X'≥1)位用户推荐给用户a。例如,当用户a通过点击社交关系推荐系统显示出的用户b的头像或个人信息选定用户b时,社交关系推荐系统可以通过将推荐度Abj(dt)最低的5位用户的头像和用户个人信息显示给用户a来进行用户推荐。
当然,社交关系推荐系统在向当前用户推荐(显示)用户时,已经推荐(显示)过的用户可以不再推荐(显示)。
在本步骤中,社交关系推荐系统根据Abj(dt)值的大小确定待推荐(显示)用户列表中的用户组成,将推荐度Abj(dt)值最高的、和/或最低的一位或多位用户包含在待推荐(显示)用户列表中推荐(显示)给用户a。
本步骤为可选步骤。
根据本发明的基本原理,本发明的上述实施例还可以进行如下变换:
(一)除了采用步骤211和步骤212所示的用户推荐(显示)方式以外,社交关系推荐系统还可以根据用户设置采用其它用户推荐(显示)方式,例如:
首先为当前用户(用户a)显示其好友(例如,单方关注或互相关注的 用户)列表,该列表中的所有用户都是用户a的好友,该列表可以按照Aaj(dt)由高到低的顺序排序;当用户在其好友列表中选定一位用户(记作用户b)时,社交关系推荐系统按照步骤212所示的方式进行用户推荐(显示),即显示推荐度Abj(dt)值最高或最低的一位或多位用户。
也就是说,在本发明的其它实施例中,推荐度可以仅用于确定待推荐(显示)用户列表中用户的推荐(显示)顺序,而不用于确定待推荐(显示)用户列表中用户组成。
上述待推荐(显示)用户列表可以是单方关注用户列表、“粉丝”用户类表、双方关注用户列表等。
(二)在本发明上述实施例的步骤204中,对不同类型的音乐行为分别计算,得到用户对标签的收听喜好程度值,收藏喜好程度值,分享喜好程度值,评论喜好程度值,评分喜好程度值,然后使用上述不同类型的喜好程度值中的一个或多个计算用户对标签的喜好程度值。
在本发明的其它实施例中,出于减少数据存储量、降低系统复杂度等考虑,可以不对音乐行为类型进行区分,合并计算用户对标签的喜好程度值,例如:
综上所述,采用本发明的社交关系推荐方法及系统,用户可以使用更为准确、有效的用户推荐信息进行音乐领域社交关系的探索,提升了互联网社交音乐服务中社交关系的建立效率,减少了用户建立社交关系的时间成本。
此外,本发明的社交关系推荐方法及系统还可以结合使用现有的通用型社交网络产品所提供的用户关系链数据和用户交互数据进行用户推荐度的计算,进一步帮助用户探索音乐领域的社交关系,既考虑了用户对于音乐内容的共同爱好的需求,又通过已有的好友关系探索好友的好友,在关系的接受成本以及关系的传递性上具有良好的效果。
Claims (24)
1.一种社交关系推荐方法,其特征在于,该方法包括:
A:社交关系推荐系统获取用户的音乐行为数据;所述音乐行为数据中包含:执行音乐行为的用户所对应的用户信息,所执行的音乐行为所对应的音乐数据;所述音乐数据中包含:音乐标识符,音乐标签;
B:社交关系推荐系统根据所述音乐行为数据统计用户对各音乐标签的喜好程度值;
C:社交关系推荐系统根据用户对各音乐标签的喜好程度值计算用户间的音乐相似度;
D:社交关系推荐系统根据用户间的音乐相似度为准备接受推荐的当前用户进行用户推荐。
2.如权利要求1所述的方法,其特征在于,
所述步骤D分为如下子步骤:
D1:社交关系推荐系统根据用户间的音乐相似度,或根据用户间的音乐相似度和用户间的亲密度计算用户间的用户推荐度;
D2:社交关系推荐系统根据计算得到的用户推荐度为所述当前用户进行用户推荐;
其中,所述用户间的亲密度根据用户间的关系度,和/或用户间的交互度获得;所述用户间的关系度根据社交关系推荐系统获取的用户关系链数据统计得到;所述用户间的交互度根据社交关系推荐系统获取的用户交互数据统计得到。
3.如权利要求2所述的方法,其特征在于,
所述步骤D1中,将任意用户i和用户j间的音乐相似度记作Sij,将用户j相对于用户i的亲密度记作Iij(t),采用如下公式之一计算用户j相对于用户i的用户推荐度Aij(dt):
Aij(dt)=α8·Sij+α9·Iij(dt);或
Aij(dt)=Sij×Iij(dt);或
Aij(dt)=α8·Sij+α9·Iij(dt)+Genderij;或
Aij(dt)=Sij×Iij(dt)×Genderij;或
Aij(dt)=α8·Sij+α9·Iij(dt)+Ageij;或
Aij(dt)=Sij×Iij(dt)×Ageij;
其中,α8>0,α9≥0;
Agei表示用户i的年龄,Agej表示用户j的年龄。
6.如权利要求4所述的方法,其特征在于,
将时间dt内用户i向用户j发起的交流的总数记作UniCij(dt),将时间dt内用户j向用户i发起的交流的总数记作UniCji(dt),则使用如下公式之一统计所述交互度Cij(dt):
Cij(dt)=UniCij(dt)+UniCji(dt);或
Cij(dt)=min(UniCij(dt),UniCji(dt))。
7.如权利要求1所述的方法,其特征在于,
所述音乐行为数据中还包含音乐行为所对应的行为类型;
所述行为类型包含以下行为中的一种或多种:收听、收藏、分享、评论和评分;
步骤B中,社交关系推荐系统采用如下子步骤统计用户对各音乐标签的喜好程度值:
B1:根据所述音乐行为数据对任一用户i及任一音乐标签t分别统计:用户i对音乐标签t的收听喜好程度值F_Listenit,用户i对音乐标签t的收藏喜好程度值F_Collectit,用户i对音乐标签t的分享喜好程度值F_Shareit,用户i对音乐标签t的评论喜好程度值F_Commentit,用户i对音乐标签t的评分喜好程度值F_Scoreit中的一个或多个;
B2:采用如下公式之一计算用户i对音乐标签t的喜好程度值lit:
lit=(α1·F_Listenit+α2·F_Collectit+α3·F_Shareit
+α4·F_Commentit+α5·F_Scoreit)
;
其中,α1,α2,α3,α4,α5大于或等于0,且α1,α2,α3,α4,α5不全为0;或
lit=(α1·F_Listenit+α2·F_Collectit+α3·F_Shareit+α4·F_Commentit
+α5·F_Scoreit)/(α1+α2+α3+α4+α5)
;
其中,α1,α2,α3,α4,α5,α6大于或等于0,且α1,α2,α3,α4,α5,α6不全为0;或
lit=(F_Listenit×F_Collectit×F_Shareit×F_Commentit×F_Scoreit)1/5。
8.如权利要求7所述的方法,其特征在于,
步骤B1中,分别采用如下公式统计所述F_Listenit,F_Collectit,F_Shareit,F_Commentit,F_Scoreit:
将用户i收听过的音乐集合记作Ai={A1,A2,…,Ak},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的收听喜好程度值F_Listenit为:
将用户i收藏过的音乐集合记作Ai={A1,A2,…,Ak},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的收藏喜好程度值F_Collectit为:
将用户i分享过的音乐集合记作Ai={A1,A2,…,Ak},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的分享喜好程度值F_Shareit为:
将用户i评论过的音乐集合记作Ai={A1,A2,…,An},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的评论喜好程度值F_Commentit为:
将用户i评分过的音乐集合记作Ai={A1,A2,…,Ak},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的评分喜好程度值 F_Scoreit为:
11.如权利要求2所述的方法,其特征在于,
所述步骤D2中,社交关系推荐系统采用如下方式为所述当前用户进行用户推荐:
将所述当前用户记作用户a,将用户j相对于用户a的用户推荐度记作Aaj(dt),其中,用户j为其他用户,j=1,2,…,N,N为用户总数;则社交关系推荐系统将Aaj(dt)值最高的一位或多位用户推荐给用户a,和/或社交关系推荐系统将Aaj(dt)值最低的一位或多位用户推荐给用户a。
12.如权利要求2或11所述的方法,其特征在于,
所述步骤D2中,社交关系推荐系统采用如下方式为所述当前用户进行用户推荐:
将所述当前用户记作用户a,用户a选定的目标用户记作用户b,将用户j相对于用户b的用户推荐度记作Abj(dt),其中,用户j为其他用户,j=1,2,…,N,N为用户总数;则社交关系推荐系统将Abj(dt)值最高的一位或多位用户推荐给用户a,和/或社交关系推荐系统将Abj(dt)值最低的一位或多位用户推荐给用户a。
13.一种社交关系推荐系统,其特征在于,该系统包含:相似度计算模块,用户推荐模块;其中:
所述相似度计算模块用于获取用户的音乐行为数据,根据所述音乐行为 数据统计用户对各音乐标签的喜好程度值,根据用户对各音乐标签的喜好程度值计算用户间的音乐相似度,并将计算得到的用户间的音乐相似度数据输出至所述用户推荐模块;
所述用户推荐模块用于根据接收到的所述用户间的音乐相似度数据为准备接受推荐的当前用户进行用户推荐;
所述音乐行为数据中包含:执行音乐行为的用户所对应的用户信息,所执行的音乐行为所对应的音乐数据;所述音乐数据中包含:音乐标识符,音乐标签。
14.如权利要求13所述的系统,其特征在于,
所述用户推荐模块采用如下方式进行所述用户推荐:所述用户推荐模块根据接收到的所述用户间的音乐相似度数据计算用户间的用户推荐度,并根据计算得到的用户推荐度为所述当前用户进行用户推荐;或
所述系统中还包含:社交网络数据抓取模块,亲密度计算模块;
所述社交网络数据抓取模块用于从社交网络获取用户关系链数据和/或用户交互数据,并将其输出至所述亲密度计算模块;
所述亲密度计算模块用于根据接收到的所述用户关系链数据统计用户间的关系度,和/或根据接收到的用户交互数据统计用户间的交互度;
所述亲密度计算模块还用于根据统计得到的所述用户间的关系度、和/或用户间的交互度获得用户间的亲密度,并将其输出至所述用户推荐模块;
所述用户推荐模块采用如下方式进行所述用户推荐:所述用户推荐模块根据接收到的所述用户间的音乐相似度和用户间的亲密度计算用户间的用户推荐度,并根据计算得到的用户推荐度为所述当前用户进行用户推荐。
15.如权利要求14所述的系统,其特征在于,
将任意用户i和用户j间的音乐相似度记作Sij,将用户j相对于用户i的亲密度记作Iij(t),所述用户推荐模块采用如下公式之一计算用户j相对于用户i的用户推荐度Aij(dt):
Aij(dt)=α8·Sij+α9·Iij(dt);或
Aij(dt)=Sij×Iij(dt);或
Aij(dt)=α8·Sij+α9·Iij(dt)+Genderij;或
Aij(dt)=Sij×Iij(dt)×Genderij;或
Aij(dt)=α8·Sij+α9·Iij(dt)+Ageij;或
Aij(dt)=Sij×Iij(dt)×Ageij;
其中,α8>0,α9≥0;
Agei表示用户i的年龄,Agej表示用户j的年龄。
18.如权利要求16所述的系统,其特征在于,
将时间dt内用户i向用户j发起的交流的总数记作UniCij(dt),将时间dt内用户j向用户i发起的交流的总数记作UniCji(dt),则所述亲密度计算模块使用如下公式之一统计所述交互度Cij(dt):
Cij(dt)=UniCij(dt)+UniCji(dt);或
Cij(dt)=min(UniCij(dt),UniCji(dt))。
19.如权利要求13所述的系统,其特征在于,
所述音乐行为数据中还包含音乐行为所对应的行为类型;
所述行为类型包含以下行为中的一种或多种:收听、收藏、分享、评论和评分;
所述相似度计算模块采用如下方式统计用户对各音乐标签的喜好程度值:
所述相似度计算模块根据所述音乐行为数据对任一用户i及任一音乐标签t分别统计:用户i对音乐标签t的收听喜好程度值F_Listenit,用户i对音乐标签t的收藏喜好程度值F_Collectit,用户i对音乐标签t的分享喜好程度值F_Shareit,用户i对音乐标签t的评论喜好程度值F_Commentit,用户i对音乐标签t的评分喜好程度值F_Scoreit中的一个或多个;并采用如下公式之一计算用户i对音乐标签t的喜好程度值lit:
lit=(α1·F_Listenit+α2·F_Collectit+α3·F_Shareit
+α4·F_Commentit+α5·F_Scoreit)
;
其中,α1,α2,α3,α4,α5大于或等于0,且α1,α2,α3,α4,α5不全为0;或
lit=(α1·F_Listenit+α2·F_Collectit+α3·F_Shareit+α4·F_Commentit
+α5·F_Scoreit)/(α1+α2+α3+α4+α5)
;
其中,α1,α2,α3,α4,α5,α6大于或等于0,且α1,α2,α3,α4,α5, α6不全为0;或
lit=(F_Listenit×F_Collectit×F_Shareit×F_Commentit×F_Scoreit)1/5。
20.如权利要求19所述的系统,其特征在于,
所述相似度计算模块分别采用如下公式统计所述F_Listenit,F_Collectit,F_Shareit,F_Commentit,F_Scoreit:
将用户i收听过的音乐集合记作Ai={A1,A2,…,Ak},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的收听喜好程度值F_Listenit为:
将用户i收藏过的音乐集合记作Ai={A1,A2,…,Ak},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的收藏喜好程度值F_Collectit为:
将用户i分享过的音乐集合记作Ai={A1,A2,…,Ak},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的分享喜好程度值F_Shareit为:
将用户i评论过的音乐集合记作Ai={A1,A2,…,An},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的评论喜好程度值F_Commentit为:
将用户i评分过的音乐集合记作Ai={A1,A2,…,Ak},将音乐Am的音乐标签集合记作Tm,其中,m=1,2,…k;则用户i对音乐标签t的评分喜好程度值F_Scoreit为:
23.如权利要求14所述的系统,其特征在于,
所述用户推荐模块采用如下方式为所述当前用户进行用户推荐:
将所述当前用户记作用户a,将用户j相对于用户a的用户推荐度记作Aaj(dt),其中,用户j为其他用户,j=1,2,…,N,N为用户总数;则所述用户推荐模块将Aaj(dt)值最高的一位或多位用户推荐给用户a,和/或所述用户推荐模块将Aaj(dt)值最低的一位或多位用户推荐给用户a。
24.如权利要求13所述的系统,其特征在于,
所述用户推荐模块采用如下方式为所述当前用户进行用户推荐:
将所述当前用户记作用户a,用户a选定的目标用户记作用户b,将用户j相对于用户b的用户推荐度记作Abj(dt),其中,用户j为其他用户,j=1,2,…,N,N为用户总数;则所述用户推荐模块将Abj(dt)值最高的一位或多位用户推荐给用户a,和/或所述用户推荐模块将Abj(dt)值最低的一位或多位用户推荐给用户a。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310213578.0A CN103279533B (zh) | 2013-05-31 | 一种社交关系推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310213578.0A CN103279533B (zh) | 2013-05-31 | 一种社交关系推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103279533A true CN103279533A (zh) | 2013-09-04 |
CN103279533B CN103279533B (zh) | 2016-11-30 |
Family
ID=
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317865A (zh) * | 2014-10-16 | 2015-01-28 | 南京邮电大学 | 一种基于音乐情感特征匹配的社交网络搜索交友方法 |
WO2015070683A1 (zh) * | 2013-11-13 | 2015-05-21 | 华为技术有限公司 | 推理社会关系的方法及装置 |
CN104809132A (zh) * | 2014-01-27 | 2015-07-29 | 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 |
CN104850579A (zh) * | 2015-03-20 | 2015-08-19 | 南京邮电大学 | 社交网络中基于评分和特征相似的餐饮推荐算法 |
CN105138572A (zh) * | 2015-07-27 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 获取用户标签的关联度权值的方法和装置 |
CN105447193A (zh) * | 2015-12-22 | 2016-03-30 | 中山大学深圳研究院 | 一种基于机器学习和协同过滤的音乐推荐系统 |
CN106599114A (zh) * | 2016-11-30 | 2017-04-26 | 上海斐讯数据通信技术有限公司 | 音乐推荐方法及系统 |
CN108200505A (zh) * | 2018-03-02 | 2018-06-22 | 深圳明创自控技术有限公司 | 一种能够自主控制的智能耳机 |
CN108369586A (zh) * | 2015-10-20 | 2018-08-03 | 阿克森维伯股份公司 | 用于检测网络中的交互和影响的系统和方法 |
CN108427715A (zh) * | 2018-01-30 | 2018-08-21 | 重庆邮电大学 | 一种融合信任度的社交网络好友推荐方法 |
CN108595674A (zh) * | 2018-05-02 | 2018-09-28 | 上海同砚信息科技有限公司 | 社交关系推荐方法 |
CN109062914A (zh) * | 2017-06-12 | 2018-12-21 | 东软集团股份有限公司 | 用户推荐方法和装置,存储介质和服务器 |
CN109146697A (zh) * | 2018-06-25 | 2019-01-04 | 福来宝电子(深圳)有限公司 | 一种智能音箱的社交分享方法及智能音箱 |
CN109597951A (zh) * | 2018-12-05 | 2019-04-09 | 广州酷狗计算机科技有限公司 | 信息分享方法、装置、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102244812A (zh) * | 2010-06-23 | 2011-11-16 | 微软公司 | 视频内容推荐 |
CN102663047A (zh) * | 2012-03-29 | 2012-09-12 | 中国科学院计算技术研究所 | 移动阅读中的社交关系挖掘方法及装置 |
JP2012208838A (ja) * | 2011-03-30 | 2012-10-25 | Dainippon Printing Co Ltd | ユーザ推薦サーバシステム、ユーザ推薦プログラム及びソーシャルネットワークサービス提供システム |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102244812A (zh) * | 2010-06-23 | 2011-11-16 | 微软公司 | 视频内容推荐 |
JP2012208838A (ja) * | 2011-03-30 | 2012-10-25 | Dainippon Printing Co Ltd | ユーザ推薦サーバシステム、ユーザ推薦プログラム及びソーシャルネットワークサービス提供システム |
CN102663047A (zh) * | 2012-03-29 | 2012-09-12 | 中国科学院计算技术研究所 | 移动阅读中的社交关系挖掘方法及装置 |
Non-Patent Citations (4)
Title |
---|
孟祥武 等: "移动推荐系统及其应用", 《软件学报》, vol. 24, no. 1, 23 August 2012 (2012-08-23), pages 91 - 108 * |
李瑞敏 等: "基于音乐基因组的个性化移动音乐推荐系统", 《计算机应用与软件》, vol. 29, no. 9, 15 September 2012 (2012-09-15), pages 27 - 30 * |
王国霞 等: "个性化推荐系统综述", 《计算机工程与应用》, vol. 48, no. 7, 1 March 2012 (2012-03-01), pages 66 - 76 * |
王玉祥 等: "上下文感知的移动社交网络服务选择机制研究", 《计算机学报》, vol. 33, no. 11, 15 November 2010 (2010-11-15), pages 2126 - 2135 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015070683A1 (zh) * | 2013-11-13 | 2015-05-21 | 华为技术有限公司 | 推理社会关系的方法及装置 |
CN104809132A (zh) * | 2014-01-27 | 2015-07-29 | 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 |
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 |
CN104317865B (zh) * | 2014-10-16 | 2017-06-09 | 南京邮电大学 | 一种基于音乐情感特征匹配的社交网络搜索交友方法 |
CN104317865A (zh) * | 2014-10-16 | 2015-01-28 | 南京邮电大学 | 一种基于音乐情感特征匹配的社交网络搜索交友方法 |
CN104850579A (zh) * | 2015-03-20 | 2015-08-19 | 南京邮电大学 | 社交网络中基于评分和特征相似的餐饮推荐算法 |
CN104850579B (zh) * | 2015-03-20 | 2018-02-02 | 南京邮电大学 | 社交网络中基于评分和特征相似的餐饮推荐算法 |
CN105138572A (zh) * | 2015-07-27 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 获取用户标签的关联度权值的方法和装置 |
CN105138572B (zh) * | 2015-07-27 | 2019-12-10 | 百度在线网络技术(北京)有限公司 | 获取用户标签的关联度权值的方法和装置 |
CN108369586A (zh) * | 2015-10-20 | 2018-08-03 | 阿克森维伯股份公司 | 用于检测网络中的交互和影响的系统和方法 |
CN105447193A (zh) * | 2015-12-22 | 2016-03-30 | 中山大学深圳研究院 | 一种基于机器学习和协同过滤的音乐推荐系统 |
CN106599114A (zh) * | 2016-11-30 | 2017-04-26 | 上海斐讯数据通信技术有限公司 | 音乐推荐方法及系统 |
CN109062914A (zh) * | 2017-06-12 | 2018-12-21 | 东软集团股份有限公司 | 用户推荐方法和装置,存储介质和服务器 |
CN109062914B (zh) * | 2017-06-12 | 2020-10-23 | 东软集团股份有限公司 | 用户推荐方法和装置,存储介质和服务器 |
CN108427715A (zh) * | 2018-01-30 | 2018-08-21 | 重庆邮电大学 | 一种融合信任度的社交网络好友推荐方法 |
CN108200505A (zh) * | 2018-03-02 | 2018-06-22 | 深圳明创自控技术有限公司 | 一种能够自主控制的智能耳机 |
CN108595674A (zh) * | 2018-05-02 | 2018-09-28 | 上海同砚信息科技有限公司 | 社交关系推荐方法 |
CN109146697A (zh) * | 2018-06-25 | 2019-01-04 | 福来宝电子(深圳)有限公司 | 一种智能音箱的社交分享方法及智能音箱 |
CN109597951A (zh) * | 2018-12-05 | 2019-04-09 | 广州酷狗计算机科技有限公司 | 信息分享方法、装置、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI491217B (zh) | 使用自使用者活動更新所得觀點增加內容關聯性之方法 | |
Tinati et al. | Identifying communicator roles in twitter | |
JP6023203B2 (ja) | ソーシャル・ネットワーキング・システム上の構造化オブジェクトおよびアクション | |
US8572169B2 (en) | System, apparatus and method for discovery of music within a social network | |
Weber et al. | The flow of digital news in a network of sources, authorities, and hubs | |
US9032290B2 (en) | Tool for creating structured objects and actions on a social networking system | |
CN108197330B (zh) | 基于社交平台的数据挖掘方法及装置 | |
Matthews | Social media and the evolution of corporate communications | |
US20130073568A1 (en) | Ranking structured objects and actions on a social networking system | |
US20130073983A1 (en) | Integrating structured objects and actions generated on external systems into a social networking system | |
US20130317808A1 (en) | System for and method of analyzing and responding to user generated content | |
US20120174006A1 (en) | System, method, apparatus and computer program for generating and modeling a scene | |
JP2017529618A (ja) | 遠いコンテンツの発見 | |
WO2014052260A2 (en) | Systems, methods and interfaces for evaluating an online entity presence | |
WO2008106497A1 (en) | Entertainment platform with layered advanced search and profiling technology | |
Lica et al. | Predicting product performance with social media | |
CN104506894A (zh) | 多媒体资源评估方法及其装置 | |
CN103455538B (zh) | 信息处理装置、信息处理方法和程序 | |
CN109889891A (zh) | 获取目标媒体文件的方法、装置及存储介质 | |
Pichl et al. | Combining Spotify and Twitter Data for Generating a Recent and Public Dataset for Music Recommendation. | |
CN102664744B (zh) | 网络消息通信中群发推荐的方法 | |
CN106570763A (zh) | 用户影响力评估的方法及系统 | |
CN109636682A (zh) | 一种教学资源自动收集系统 | |
Reilly et al. | Ranking users based on influence in a directional social network | |
Bakare et al. | Forwarding of messages via WhatsApp: the mediating role of emotional evocativeness |
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 | ||
C41 | Transfer of patent application or patent right or utility model | ||
TR01 | Transfer of patent right |
Effective date of registration: 20161206 Address after: 100086 Beijing city Haidian District No. 48 Zhichun Road Yingdu building block C 4 unit 20D Patentee after: BEIJING KOUDAICAIFU INFORMATION TECHNOLOGY CO., LTD. Address before: 100190 Haidian District, Zhongguancun street, No. 1705, room 17, floor 1 Patentee before: Beijing Huayue Bozhi Technology Co., Ltd. |