CN103379158A - 一种社交网络中推荐好友信息的方法及系统 - Google Patents

Abstract

本发明实施例提供了一种社交网络中推荐好友信息的方法及系统。其中方法包括：在接收用户的推荐请求信息之后，利用社交网络内各个用户的操作行为信息和属性信息构建社交网络信息集合；在社交网络信息集合内挖掘出包含有用户及K个其他用户的好友社区集合；分析好友社区集合中K个其他用户的行为取向信息并推荐给用户；本发明实施例提供的社交网络中推荐好友信息的方法及系统，在所产生推荐结果中不仅分析了显性好友的信息，同时也考虑了用户隐性好友的偏好和影响力，推荐效果在精准率上相比于现有方案有进一步提高。

Description

一种社交网络中推荐好友信息的方法及系统

技术领域

本发明涉及业务支撑领域，尤其涉及一种社交网络中推荐好友信息的方法及系统。

背景技术

现有社交网络非常受到互联网用户的喜爱，这是因为用户在其上结交了很多志同道合的好友，有很多感兴趣的话题和相同的爱好让他们产生了一定的粘性。好友的推荐信息非常有价值。现有技术中使用的推荐系统，通过对用户的分析(主要从用户与推荐系统的交互历史以及用户的个人信息两方面)，揣测用户的需要，可以为用户提供感兴趣的内容。

现有技术中，推荐系统一般分为三类：基于协同过滤的方法(CollaborativeFiltering，CF)，基于内容的方法(Content-based Filitering)和两者混合的推荐算法(Hybrid Recommendtation)。CF是推荐系统广泛采用的一种技术，它假设具有相同兴趣爱好的用户在网页上会有相似的点击行为记录。CF又分为两种方式：基于记忆(Memory-based)和基于模型(Model-based)。基于模型的推荐方式通常会遇到计算比较繁琐的问题。因此，基于模型的推荐方式对于复杂的大规模数据，它是不太合适的。基于记忆的方式运用用户好友之间的相似度来推荐出用户的若干个最相似好友。这种方式又分为基于内容项、基于用户项以及他们的结合。因为基于内容项的协同过滤不考虑用户间的系统差别，所以总的来说，基于内容项的推荐系统的精度较差。基于用户项的解决方案需要用户的历史数据，并且要求在用户登陆时能够对其进行“识别”。而如果用户没有留下历史数据，我们就无法准确地发现他的与其他用户之间的“共同兴趣”。因此，基于记忆的方式，主要存在以下缺陷：推荐信息的数据稀疏导致推荐精度差、扩展性不好。

总的来说，现有的社交网络的推荐技术大都是基于用户显性属性的，对当前社交网络的好友社区集合挖掘效果比较差，推荐信息不够全面，因此对于现有技术，如何高效准确的从社交网络中挖掘出用户的好友社区集合并将更准确、更全面的信息推荐给用户是个很难解决的问题。

发明内容

本发明实施例提供了一种社交网络中推荐好友信息的方法及系统，用以高效准确地实现对社交网络中好友社区集合的挖掘，将更全面的推荐信息推荐给用户。

基于上述问题，本发明实施例提供的一种社交网络中推荐好友信息的方法，包括：

接收社交网络内用户的推荐请求；

利用社交网络内各个用户的操作行为信息和属性信息构建社交网络信息集合；

在社交网络信息集合内挖掘出包含有发起推荐请求的用户及K个其他用户的好友社区集合；

分析出所述好友社区集合中所述K个其他用户的行为取向信息；

将分析出的所述K个其他用户的行为取向信息推荐给所述发起推荐请求的用户。

本发明实施例提供的一种社交网络中推荐好友信息的系统，包括：

接收模块，用于接收社交网络内用户的推荐请求；

构建模块，用于利用社交网络内各个用户的操作行为信息和属性信息构建社交网络信息集合；

挖掘模块，用于在社交网络信息集合内挖掘出包含有发起推荐请求的用户及K个其他用户的好友社区集合；

分析模块，用于分析出所述好友社区集合中所述K个其他用户的行为取向信息；

推荐模块，用于将分析出的所述K个其他用户的行为取向信息推荐给发起推荐请求的用户。

本发明实施例的有益效果包括：

本发明实施例提供的一种社交网络中推荐好友信息的方法及系统，在接收社交网络内用户的推荐请求信息之后，利用社交网络内各个用户的操作行为信息和属性信息构建社交网络信息集合；在社交网络信息集合内挖掘包含有发起推荐请求的用户及K个其他用户的好友社区集合；分析好友社区集合中K个其他用户的行为取向信息；将好友社区集合中这K个其他用户的行为取向信息推荐给用户；其中，本发明实施例不仅利用了社交网络内用户的显式信息(社交网络内的各个用户的操作行为信息和属性信息大都是显式信息)，并且，本发明实施例还通过在社交网络信息集合中挖掘用户之间的隐式信息，这种隐式信息体现出用户之间潜在的、深层次之间的关联关系，挖掘结果较现有技术更为高效和全面。与现有技术相比，本发明实施例产生的推荐结果不仅分析了显式好友的信息，同时也考虑了用户隐性好友的偏好和影响力，推荐效果在精准率上相比现有技术有进一步提高。同时，也使好友社区集合的挖掘更高效，提高了社交网络中推荐好友信息的整体效率。

附图说明

图1为本发明实施例提供的社交网络中推荐好友信息的方法的流程图；

图2为本发明实施例提供的利用社交网络内各个用户的操作行为信息和属性信息构建社交网络信息集合的流程图；

图3a-图3d为本发明实施例提供的使用随机游走技术在社交网络信息集合内对种子集合的拓展示意图；

图4为本发明实施例提供的社交网络中推荐好友信息的系统的结构示意图。

具体实施方式

下面结合说明书附图，对本发明实施例提供的一种社交网络中推荐好友信息的方法及系统的具体实施方式进行说明。

本发明实施例提供的一种社交网络中推荐好友信息的方法，如图1所示，具体包括以下步骤：

S101、接收社交网络内用户的推荐请求；

S102、利用社交网络内各个用户的操作行为信息和属性信息构建社交网络信息集合；

S103、在社交网络信息集合内挖掘包含有发起推荐请求的用户及K个其他用户的好友社区集合；

S104、分析出好友社区集合中K个其他用户的行为取向信息；

S105、将分析出的K个其他用户的行为取向信息推荐给该发起推荐请求的用户。

本发明实施例在具体实施时，上述各步骤可以由社交网络中推荐好友信息的系统来完成。下面对上述各步骤进行详细说明：

较佳地，在上述步骤S101之前，还包括执行预先采集并存储社交网络内各个用户的操作行为信息和属性信息的操作，具体地，可利用爬虫程序从社交网络上抓取各个用户的操作行为信息和属性信息并存储。

用户的操作行为信息为用户在社交网络内的历史操作信息(例如用户在某论坛内和某几个朋友通过发帖方式进行交流)。用户的属性信息为用户个人相关的一些信息(比如，用户的性别、年龄、职业等)。爬虫程序抓取操作行为信息和属性信息的具体过程属于现有技术的范畴，在此不再详述。

上述步骤S102中，利用社交网络内各个用户的操作行为信息和属性信息构建社交网络信息集合，如图2所示，具体下述步骤实现：

S201、根据社交网络内各用户的操作行为信息和属性信息，挖掘出社交网络内各个用户之间的关联信息，并根据挖掘出的关联信息计算在设定时间段内各个用户之间的关系权重；

S202、构建包含有各个用户节点和相互连接的若干条边的社交网络信息集合，每个边表征使用该边相连的两个用户节点所代表的用户之间的关系权重。

较佳地，上述步骤S201中，使用基于项的协同过滤技术来识别与用户紧密相连的其他的用户。基于项的协同过滤技术(Collaborative Filtering，CF)擅长于处理项之间的相互作用，比较适合于复杂链接的网络。对于复杂的社交网络，用基于项的CF算法来识别与用户紧密相连的其他的用户，挖掘出社交网络内各个用户之间的关联信息，各个用户之间的关联信息为设定时间内不同用户之间发生相互联系的总次数，例如：设定时间内不同用户在相同的论坛内的交流次数、用户之间的相互关注次数、相互发送消息次数等信息，根据这种关联信息可以计算出用户之间的关联频度，进一步地，可以根据用户之间的关联频度，可计算出各个用户之间的关系权重。用户之间的关系权重可使用各个用户之间的联系频度来度量，联系频度越大，关系权重越大。

上述步骤S202中，社交网络信息集合中每个用户节点与社交网络内的用户一一对应。

在上述步骤S103中，使用随机游走技术在社交网络信息集合内挖掘包含有用户及K个其他用户的好友社区集合，具体可通过下述流程实现：

将社交网络信息集合内发起推荐请求的用户所对应的用户节点作为种子集合的种子节点和随机游走的第一个时间步的扫描出发点；计算用户之间关系权重得到用户之间的初始节点概率值，将其作为第一时间步扩展操作中种子集合与各个用户的节点概率值；

在上述步骤中，社交网络在推荐好友信息的系统里被抽象为一个具有多个(n)节点若干(m)条边的社交网络信息集合。常用G＝(V，E)来表示，V和E分别是节点和边的集合。对n个节点的社交网络信息集合，用如下的邻接矩阵来衡量节点之间的权重，即：

如果A＝(Aij)nxn是网络的邻接矩阵，那么：

D通常为对角矩阵，即主对角线上元素的值为邻接矩阵各行元素之和，其余值为0。I是单位矩阵，即主对角线上元素的值为1，其余值为0。基于上述矩阵，可以得到随机行走转移矩阵为M＝1/[2(I+AD-1)]。随机行走转移矩阵M是随机行走过程扩展的基础。在这个社交网络信息集合的随机游走转移矩阵M中，关系权重一定程度上度量了扩展节点的概率信息。

然后，在执行每个时间步的扫描时，按照下述方式处理：

从当前时间步的扫描出发点出发，对扫描出发点邻接的且在社交网络信息集合中种子集合以外的用户节点进行扫描，每进行一个时间步扫描到若干个用户节点，重新计算种子集合和扫描到的若干个用户节点之间的节点概率值pt(v)；挑选出其中节点概率值大于设定阈值的用户节点，将挑选出的用户节点按节点概率值大小降序排列；

重新计算节点概率值pt(v)即使用随机行走转移矩阵为M重新计算的过程，具体过程属于现有技术，在此不再详述。

将降序排列的用户节点按照节点概率值从大到小的顺序依次添加到所述种子集合中，并在每次添加时判断种子集合中的用户节点数量是否大于K，如果是，结束对所述种子集合的拓展操作；若否，继续对降序排列的其他未添加到种子集合中的用户节点进行添加；，

进一步地，若将降序排列的所有用户节点都添加到种子集合后，种子集合中的用户数量仍然不大于K时，将当前时间步扫描到的所有用户节点作为下一个时间步扫描出发点，继续执行下一个时间步对种子集合的拓展操作，直至种子集合中的用户数量达到K+1；

最后，将扩展操作完成后的种子集合作为好友社区集合。

上述流程中，随机行走技术按照一定的概率拓展种子集合。在每一个时间步，行走者固定在一个节点上，按照一定的概率随机探寻它的邻接节点，行走者的序列构成了马尔可夫链。

下面以一个具体的例子来说明使用随机游走技术在社交网络信息集合内对种子集合的拓展过程，如图3a-图3d所示，图3a-图3d中每个圆圈代表社交网络信息集合的每个用户节点，每两个圆圈间的连接线代表社交网络信息集合中对应的两个用户节点之间的边。其中标有“0”的圆圈为种子集合中的种子节点(以下称为用户节点0)，其他的部分用户节点对应的圆圈也进行了相应标号的标记，黑色阴影的圆圈为当前时间步中添加至种子集合中的用户节点。

如图3a所示，在种子集合在初始状态时，仅包含一个种子节点。

如图3b所示，在第一个时间步内，随机游走从该种子节点出发，对扫描出发点邻接的且在社交网络信息集合中种子集合以外的用户节点(标号为1、2和3用户节点，以下方便称呼为用户节点1、用户节点2和用户节点3)进行扫描。

重新计算种子集合和扫描到的这3个用户节点的节点概率值，挑选出其中节点概率值大于设定阈值的用户节点即用户节点2、用户节点3；

将挑选出的用户节点按节点概率值大小降序排列：用户节点3、用户节点2；依次添加用户节点3、用户节点2，并在每次添加时，判断种子集合中的用户节点数量是否大于11(K通常取奇数，假设K＝11)。显然，依次这两个用户节点添加到种子集合后，当前种子集合数量为3(不大于11)，然后将当前时间步扫描到的所有用户节点(用户节点1、用户节点2和用户节点3)作为下一个时间步扫描出发点；

第二个时间步和第三个时间步的结果分别如图3c和图3d所示，采用的是与第一个时间步相似的处理方法。

第二个时间步中，经过处理后，如图3c所示，种子集合中含有标号为0、2、3、9、10、和11的用户节点。此时，由于种子集合中的数量为6依然不大于11，所以，将当前时间步扫描到的所有用户节点(标号为4、5、6、7、8、9、10、11的用户节点)作为下一个时间步扫描出发点。

在第三个时间步内，经过处理后，如图3d所示，最终扩展的用户节点达到了12(即等于K+1)个，这时结束对种子集合的扩展操作。

在第一个时间步内扫描到用户节点1不满足大于设定的阈值的条件未添加到种子集合中，第三个时间步再次扫描到用户节点1，此时它满足条件被添加到了种子集合中，从这个过程可以看出，在随机游走技术挖掘好友社区集合的过程中，可能在某一个时间步对种子集合的扩展时，某个用户节点暂时不能满足添加为种子集合的条件，但是随着种子集合被添加了一些用户之后，由于种子集合中的用户节点已经发生变化，那么，这个暂时未被添加进来的用户节点，此后仍有可能因为种子集合中新增的用户节点之间的关联关系，再次满足了添加为种子集合的条件而被添加进来。随机游走技术随着时间步的推进，可以对种子集合进行动态地、灵活地扩展，其在扩展的过程中扫描的用户节点的规模是巨大的。基于这些的原因，通过随机游走技术可以准确、高效地挖掘出用户的好友社区集合。而采用这种方法挖掘出来的好友社区集合中的各个用户存在着更全面、更准确、更深层的隐性关系。

上述步骤S104中，分析出好友社区集合中K个其他用户的行为取向信息，具体包括：从存储的各个用户的操作行为信息和属性信息中，分析出K个其他用户的在特定的时间段和/或特定领域内，所具有的相同和相似的行为信息和/或属性信息。

进一步地，推荐好友社区集合中K个其他用户的行为取向信息，有可能是该集合中这K个其他用户在特定的时间段和/或特定领域内相同和相似的行为信息，也可能在特定的时间段和/或特定领域内相同和相似的属性信息。

举例来说，发现该集合中发起推荐信息用户以外其他的K个用户都在某部电影论坛里发布对某部电影好评的信息，该系统将会把这部电影及其相关的内容信息推荐给用户，也有可能是好友社区集合中这K个其他用户中大部分人最近总是和某个好友在论坛里联系，这时将会把这个好友允许公布的个人属性信息推荐给用户。推荐给用户的信息可能是好友社区集合内的某个好友，也可能是书、音乐、电影等信息。因此，推荐好友信息的系统返给用户的推荐信息更全面，对于用户来说更具有参考价值及实用价值。

为了更好地说明本发明实施例提供的社交网络中推荐好友信息的方法，举一个实际的例子加以说明。

在接收用户的推荐视频业务请求信息之后，分析出用户特别喜欢看喜剧电影的信息，根据他在论坛里与其他用户之间的交流内容和次数，构建出含有各个用户的社交网络信息集合。其中，这些交流内容主要是用户在电影及相关业务方面的用户之间的关联信息，首先要挖掘出这些用户在社交网络内的关联信息，再通过关联信息来确定用户之间的联系频度。例如，用户在某段时间内在电影及相关论坛内交流次数及观看某部喜剧电影的次数除以这段时间得到用户之间的联系频度。联系频度越大，用户之间关系权重就越大。

假如挖掘的好友社区集合里有12个用户，会分析并发现好友社区集合中发起推荐请求信息的用户以外的这11个用户中有7人近来都在看《花田喜事》这部电影，把这个分析结果即《花田喜事》这部电影的相关信息反馈给发起推荐请求信息的用户。或者，假如分析并发现好友社区集合中发起推荐请求信息用户以外的这11个用户中有7人近来关注了同一个喜剧电影演员、导演或同一本关于喜剧电影的书，这时该系统会将这个分析结果即这个电影演员、导演或这本书的相关信息推荐给用户。

基于同一发明构思，本发明实施例还提供了一种社交网络中推荐好友信息的系统，由于此系统解决问题的原理与前述一种社交网络中推荐好友信息的方法相似，因此该系统的实施可以参见前述方法的实施，重复之处不再赘述。

本发明实施例提供的一种社交网络中推荐好友信息的系统，如图4所示：

一种社交网络中推荐好友信息的系统，如图4所示，包括：接收模块401、构建模块402、挖掘模块403、分析模块404、推荐模块405和采集模块406；其中：

接收模块401，用于接收社交网络内用户的推荐请求；

构建模块402，用于利用社交网络内各个用户的操作行为信息和属性信息构建社交网络信息集合；

挖掘模块403，用于在社交网络信息集合内挖掘出包含有发起推荐请求的用户及K个其他用户的好友社区集合；

分析模块404，用于分析好友社区集合中K个其他用户的行为取向信息；

推荐模块405，用于将好友社区集合中K个其他用户的行为取向信息推荐给发起推荐请求的用户。

进一步地，本发明实施例提供的一种社交网络中推荐好友信息的系统中的采集模块406，具体用于预先从社交网络上抓取含有各个用户的操作行为信息和属性信息的数据并存储。较佳地，可利用现有的爬虫程序进行用户操作行为信息和属性信息的抓取。

进一步地，上述构建模块402，具体用于根据社交网络内各用户的操作行为信息和属性信息，挖掘出社交网络内各个用户之间的关联信息，并根据挖掘出的关联信息计算在设定时间段内各个用户之间的关系权重；构建包含有各个用户节点和相互连接的若干条边的社交网络信息集合，每个边表征使用该边相连的两个用户节点所代表的用户之间的关系权重；社交网络信息集合中每个用户节点与社交网络内的用户一一对应。

进一步地，上述挖掘模块403，具体用于将发起推荐需求的用户对应的用户节点作为种子集合的种子节点和随机游走的第一个时间步的扫描出发点；计算用户之间关系权重得到用户之间的初始节点概率值；在执行每个时间步的扫描时，从当前时间步的扫描出发点出发，对扫描出发点邻接的且在种子集合以外的用户节点进行扫描，重新计算种子集合和扫描到的若干个用户节点之间的节点概率值；将节点概率值大于设定阈值的用户节点按节点概率值大小降序排列；将降序排列的用户节点按照节点概率值从大到小的顺序依次添加到所述种子集合中，并在每次添加时判断种子集合中的用户节点数量是否大于K，如果是，结束对所述种子集合的拓展操作；若否，继续对降序排列的其他未添加到种子集合中的用户节点进行添加；若将降序排列的所有用户节点都添加到种子集合后，种子集合中的用户数量仍然不大于K时，将当前时间步扫描到的所有用户节点作为下一个时间步扫描出发点，继续执行下一个时间步对种子集合的拓展操作，直至种子集合中的用户数量达到K+1；将扩展操作完成后的种子集合作为好友社区集合。

进一步地，上述分析模块404具体用于从存储各个用户的操作行为信息和属性信息中，分析出K个其他用户的在特定的时间段和/或特定领域内，所具有的相同和相似的行为信息和/或属性信息。

本发明实施例提供的一种社交网络中推荐好友信息的方法及系统，在接收社交网络内用户的推荐请求信息之后，利用社交网络内各个用户的操作行为信息和属性信息构建社交网络信息集合；在社交网络信息集合内挖掘包含有发起推荐请求的用户及K个其他用户的好友社区集合；分析好友社区集合中K个其他用户的行为取向信息；将好友社区集合中这K个其他用户的行为取向信息推荐给用户；其中，本发明实施例不仅利用了社交网络内用户的显式信息(社交网络内的各个用户的操作行为信息和属性信息大都是显式信息)，并且，本发明实施例还通过在社交网络信息集合中挖掘用户之间的隐式信息，这种隐式信息体现出用户之间潜在的、深层次之间的关联关系，挖掘结果显然较现有技术更为高效和全面，与现有技术相比，本发明实施例产生的推荐结果不仅分析了显式好友的信息，同时也考虑了用户隐性好友的偏好和影响力，推荐效果在精准率上相比现有技术有进一步提高。同时，也使好友社区集合的挖掘更高效，提高了社交网络中推荐好友信息的整体效率。

本领域技术人员可以理解附图只是一个优选实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (11)

1.一种社交网络中推荐好友信息的方法，其特征在于，包括：

接收社交网络内用户的推荐请求；

利用社交网络内各个用户的操作行为信息和属性信息构建社交网络信息集合；

在社交网络信息集合内挖掘出包含有发起推荐请求的用户及K个其他用户的好友社区集合；

分析出所述好友社区集合中所述K个其他用户的行为取向信息；

将分析出的所述K个其他用户的行为取向信息推荐给所述发起推荐请求的用户。

2.如权利要求1所述的方法，其特征在于，所述接收社交网络内用户的推荐请求之前，还包括：

预先从社交网络上抓取各个用户的操作行为信息和属性信息并存储。

3.如权利要求1或2所述的方法，其特征在于，所述利用社交网络内各个用户的操作行为信息和属性信息构建社交网络信息集合，具体包括：

根据社交网络内各用户的操作行为信息和属性信息，挖掘出社交网络内各个用户之间的关联信息，并根据挖掘出的关联信息计算在设定时间段内各个用户之间的关系权重；

构建包含有各个用户节点和相互连接的若干条边的社交网络信息集合，每个边表征使用该边相连的两个用户节点所代表的用户之间的关系权重；所述社交网络信息集合中每个用户节点与社交网络内的用户一一对应。

4.如权利要求3所述的方法，其特征在于，所述关系权重使用各个用户之间的联系频度来度量，联系频度越大，关系权重越大。

5.如权利要求1所述的方法，其特征在于，所述在社交网络信息集合内挖掘包含有所述用户及K个其他用户的好友社区集合，具体包括：

将发起推荐需求的所述用户对应的用户节点作为种子集合的种子节点和随机游走的第一个时间步的扫描出发点；计算用户之间关系权重得到用户之间的初始节点概率值；

在执行每个时间步的扫描时，从所述当前时间步的扫描出发点出发，对所述扫描出发点邻接的且在所述种子集合以外的用户节点进行扫描，重新计算种子集合和扫描到的若干个用户节点之间的节点概率值；将节点概率值大于设定阈值的用户节点按节点概率值大小降序排列；

将降序排列的用户节点按照节点概率值从大到小的顺序依次添加到所述种子集合中，并在每次添加时判断种子集合中的用户节点数量是否大于K，如果是，结束对所述种子集合的拓展操作；若否，继续对降序排列的其他未添加到种子集合中的用户节点进行添加；

若将降序排列的所有用户节点都添加到种子集合后，所述种子集合中的用户数量仍然不大于K时，将当前时间步扫描到的所有用户节点作为下一个时间步扫描出发点，继续执行下一个时间步对所述种子集合的拓展操作，直至所述种子集合中的用户数量达到K+1；

将扩展操作完成后的种子集合作为所述好友社区集合。

6.如权利要求1、2或5所述的方法，其特征在于，所述分析出好友社区中K个其他用户的行为取向信息，具体包括：

从所述存储各个用户的操作行为信息和属性信息中，分析出所述K个其他用户的在特定的时间段和/或特定领域内，所具有的相同和相似的行为信息和/或属性信息。

7.一种社交网络中推荐好友信息的系统，其特征在于，包括：

接收模块，用于接收社交网络内用户的推荐请求；

构建模块，用于利用社交网络内各个用户的操作行为信息和属性信息构建社交网络信息集合；

挖掘模块，用于在社交网络信息集合内挖掘出包含有发起推荐请求的用户及K个其他用户的好友社区集合；

分析模块，用于分析出所述好友社区集合中所述K个其他用户的行为取向信息；

推荐模块，用于将分析出的所述K个其他用户的行为取向信息推荐给所述发起推荐请求的用户。

8.如权利要求7所述的系统，其特征在于，还包括：采集模块，用于在接收模块接收社交网络内用户的推荐请求之前，预先从社交网络上抓取各个用户的操作行为信息和属性信息并存储。

9.如权利要求7或8所述的系统，其特征在于，所述构建模块，具体用于根据社交网络内各用户的操作行为信息和属性信息，挖掘出社交网络内各个用户之间的关联信息，并根据挖掘出的关联信息计算在设定时间段内各个用户之间的关系权重；构建包含有各个用户节点和相互连接的若干条边的社交网络信息集合，每个边表征使用该边相连的两个用户节点所代表的用户之间的关系权重；所述社交网络信息集合中每个用户节点与社交网络内的用户一一对应。

10.如权利要求7所述的系统，其特征在于，所述挖掘模块，具体用于将发起推荐需求的所述用户对应的用户节点作为种子集合的种子节点和随机游走的第一个时间步的扫描出发点；计算用户之间关系权重得到用户之间的初始节点概率值；在执行每个时间步的扫描时，从所述当前时间步的扫描出发点出发，对所述扫描出发点邻接的且在所述种子集合以外的用户节点进行扫描，重新计算种子集合和扫描到的若干个用户节点之间的节点概率值；将节点概率值大于设定阈值的用户节点按节点概率值大小降序排列；将降序排列的用户节点按照节点概率值从大到小的顺序依次添加到所述种子集合中，并在每次添加时判断种子集合中的用户节点数量是否大于K，如果是，结束对所述种子集合的拓展操作；若否，继续对降序排列的其他未添加到种子集合中的用户节点进行添加；若将降序排列的所有用户节点都添加到种子集合后，所述种子集合中的用户数量仍然不大于K时，将当前时间步扫描到的所有用户节点作为下一个时间步扫描出发点，继续执行下一个时间步对所述种子集合的拓展操作，直至所述种子集合中的用户数量达到K+1；将扩展操作完成后的种子集合作为所述好友社区集合。

11.如权利要求7、8或10所述的系统，其特征在于，所述分析模块，具体用于从所述存储各个用户的操作行为信息和属性信息中，分析出所述K个其他用户的在特定的时间段和/或特定领域内，所具有的相同和相似的行为信息和/或属性信息。

Images