CN103995909A - 一种基于三维关系强度模型的在线用户关系测量及分类方法 - Google Patents

Abstract

一种基于三维关系强度模型的在线用户关系测量及分类方法，它包括建立三维关系强度模型的步骤；建立关系强度的可视化模型的步骤；社交网络用户关系测量的步骤以及社交用户分类及推荐的步骤；将社交网络中用户之间的社会关联抽象为三个基本维度，即结构维度、心理维度、工具维度，每个维度为0到1之间的连续变量；本发明还采用将三个维度的向量映射为三基色，可以将关系强度转化为颜色问题，从而可以进行关系强度的可视化分析；根据不同的关系类型，更精确的将用户之间的关系进行分类，从而为后续的处理提供依据，能够为SNS等社交网络服务平台提供一种更加实用、方便及准确的用户分类及推荐方法。

Description

一种基于三维关系强度模型的在线用户关系测量及分类方法

技术领域

本发明涉及互联网信息技术领域，特别涉及一种基于三维关系强度模型的在线用户关系测量及分类方法。

背景技术

社会网络分析中，主要研究的对象为行动者、关系及结构，其研究领域主要有两个：整体网及中心网，尽管研究的视角和方法不断变化，但是关系及强弱关系的维度却始终是分析的基础和核心，社会网络理论视社会结构为一张人际关系形成的社会网，其中“节点”(node)代表一个人或者团体，“连线”(line)代表人/团体和人/团体之间的关联，即关系。关系的概念及强弱关系理论是社会网络分析的核心，关系强度的测量建立在格兰诺维特的四个变量基础上，即联系频率、亲密度、情感强度及互惠性，并区分为强弱关系。然而，二维的关系区分十分粗糙，随着在线社交网络的发展，静止、二元的关系强度模式需要重新构造。

三维关系模型将关系强度从三个维度展开，即心理维度、结构维度及工具维度，通过测量在线网络中的互动行为，将每个维度的关系强度归一化为[0,1]的连续变量，从而形成多层次和多维度的关系组合，同现有方法相比，三维关系的区分在细分关系图谱方面更加具有优势，对于设计SNS功能、隐私控制、朋友推荐及信息扩散等方面，三维关系模型无疑具有重要的理论指导作用。

发明内容

本发明的目的是针对用户之间的强弱关系，提供了一种基于三维关系强度模型的在线用户关系测量及分类方法。

本发明的技术方案是：

一种基于三维关系强度模型的在线用户关系测量及分类方法，它包括建立三维关系强度模型的步骤；建立关系强度的可视化模型的步骤；社交网络用户关系测量的步骤以及社交用户分类及推荐的步骤；

建立三维关系强度模型的步骤：将社交网络中用户之间的社会关联抽象为三个基本维度，即结构维度、心理维度、工具维度，各个维度呈现的关系强度的特点不同；

建立关系强度的可视化模型的步骤：采用将三个维度的向量映射为三基色，将关系强度转化为颜色问题，从而进行关系强度的结构分析；

社交网络用户关系测量的步骤：根据在线网络用户的交互关系及结构关系，测量社交用户的三维关系，根据不同的关系类型，精确的将用户之间的关系进行分类，从而为后续的处理提供依据；

社交用户分类及推荐的步骤：根据用户关系的不同，进行相应的处理。

本发明所述的三维关系强度模型中，关系的三个维度为：心理维度(X)、结构维度(Y)、工具维度(Z)，关系强度作为一个连续的变量，通过在线网络的各种交互行为进行测量；

即定义三维关系模型为：设OSN中存在对象i和j，则以i为参照点，i和j之间的关系强度可以用一个三维向量表示：

T(j|i)＝Tx(j|i)X+Ty(j|i)Y+Tz(j|i)Z    (公式1)

其中T(j|i)为i和j之间的关系强度，Tx为心理维度分量，Ty为结构维度分量，Tz为工具维度分量；

公式1中，Tx(j|i)、Ty(j|i)、Tz(j|i)分别表示X、Y、Z向量的值，其取值范围为[0，1]，其中0代表完全没有关系，1代表最大关系强度。

本发明中，建立关系强度的可视化模型的步骤具体包括：

首先借用三基色的原理，将每一个维度转化为用颜色来代表，则总的关系强度的量可以用颜色标示，如下所示：

T＝RGB(Tx,Ty,Tz)    (公式2)

其中Tx表示心理分量，对应红色，Ty表示结构分量，对应绿色，Tz代表工具分量，对应蓝色；

这里颜色的取值也是[0,1]，1代表100％的颜色度；

采用RGB体系时候，当Ux＝Uy＝Uz＝1时，颜色为白色，表示关系强度为最大值，但是在白色背景显示时候为不可见，因此，在此种情况下，可采取绘画三原色(RGB的补色)，即CMYK体系，

T＝CMYK(Tx,Ty,Tz)    (公式3)

其中Tx表示工具分量，对应青色，Ty代表心理分量，对应品红，Tz表示结构分量，对应绿色。

本发明中，借用三基色的原理，将每一个维度转化为用颜色来代表，总的关系强度的量用颜色标示，颜色的取值也是[0,1]，1代表100％的颜色度，

一般我们电脑上所用的是256原色，需要进行适当加权，即

T＝RGB(Ux,Uy,Uz)    (公式4)

其中Ux＝Int(255Tx+0.5))Uy＝Int(255Ty+0.5))Uz＝Int(255Tz+0.5))

其中Ux表示心理分量，对应红色，Uy表示结构分量，对应绿色，Uz代表工具分量。

本发明的社交网络用户之间的关系根据一系列的指标进行测量；

Tx＝α1*X1+α2*X2+……+αk*Xk    (公式5)

其中Xm为心理维度测量指标，αm为权重系数，k为相关指标总数。m∈(1，k)

Ty＝β1*Y1+β2*Y2+……+βs*Ys    (公式6)

其中Yn为结构维度测量指标，βn为权重系数，s为相关指标总数。n∈(1，s)

Tz＝γ1*Z1+γ2*Z2+……+γt*Zt    (公式7)

其中Zp为工具维度测量指标，γp为权重系数，s为相关指标总数。p∈(1，t)

衡量关系强度的一系列指标，包括亲密关系(Intimacy/Closeness)、感情强度(EmotionalIntensity)、交流强度(Intensity)、情感支持(Emotional Support)、陪伴需求(Desire forCompanionship)、互惠程度(Reciprocity)、频率(Frequency)、持续时间(Duration)、社交距离(Social Distance)、自愿投入(Voluntary Investment)、给予/接受建议(Advice Given/Receive)、话题多样性(Multiple Social Context)、相互信任(Mutual Confiding)、社交性(Sociability/Conviviality)、结构(Structure)；

其中亲密关系、感情强度、情感支持及相互信任是和心理维度相关的指标，而结构、话题多样性及社交距离是结构维度的指标，另外，交流强度、陪伴需求、互惠程度、自愿投入、给予/接受建议、社交性是可以看成工具维度指标。

本发明中，社交网络用户关系测量的步骤具体包括：通过在线用户的交互行为，测量在线网络用户的关系强度，社交网络用户之间的关系可以根据一系列的指标测量

假设用户j，j∈{1,2,...,N}，N为与i相关的用户总数，

Tx＝α1*U1+α2*U2+……+αk*Uk    (公式5)

其中Um为心理维度测量指标，αm为权重系数，k为相关指标总数。m∈(1，k)

其中Um为第m项和心理维度相关的互动活动的总数，m＝(1，k)，k为和心理维度相关的互动因素总项目数；

令关系度的范围为[0，1]，进行归一化处理

Tx(j|i)＝Tx(j|i)/Max(Tx(1|i)，Tx(2|i)，…,Tx(N|i))    (公式9)

其中为心理维度测量指标

Ty(j|i)＝β1*V1+β2*V2+……βs*Vs    (公式10)

其中Vn为第n项和结构维度相关的互动活动的总数，n＝(1，s)，s为和结构维度相关的互动因素总项目数；

令关系度的范围为[0，1]，进行归一化处理

Ty(j|i)＝Ty(j|i)/Max(Ty(1|i)，Ty(2|i)，…,Ty(N|i))    (公式11)

Tz(j|i)＝γ1*W1+γ2*W2+……+γt*Wt    (公式12)

其中Wp为第p项和结构维度相关的互动活动的总数，p＝(1，t)，t为和结构维度相关的互动因素总项目数；

令关系度的范围为[0，1]，进行归一化处理

Tz(j|i)＝Tz(j|i)/Max(Tz(1|i)，Tz(2|i)，…,Tz(N|i))    (公式13)

本发明中，和心理维度相关的因素包括感情、亲密度、兴趣、认同感、相互好感、互信及关注，根据下述因素进行测量：

a)亲密关系：主要体现为双方亲密关系的互动，包括：墙上包含亲密词的留言、收件箱内含有的亲密词信息、赠送虚拟礼物、本人在合影中或者在朋友发的照片中出现等行为，亲密词的判断方法可以依据相关的关系词典，或者依据某些特定网络语言及缩写；

b)感情强度：包括留言墙内容交互、内容转发、状态点评、朋友照片点评的行为；

c)情感支持：包括留言墙/收件箱中包含的正面感情词及负面感情词；

d)相互信任：包括照片交换、八卦交流、隐私提及的行为，这些行为依赖双方的信任；

e)互动频率：包括互动越频，相互联系越紧密；

Tx(j|i)＝α1*U1+α2*U2+……+αk*Uk    (公式8)

其中Um为第m项和心理维度相关的互动活动的总数，m＝(1，k)，k为和心理维度相关的互动因素总项目数；

令关系度的范围为[0，1]，进行归一化处理

Tx(j|i)＝Tx(j|i)/Max(Tx(1|i)，Tx(2|i)，…,Tx(N|i))    (公式9)。

本发明中，和结构维度相关的因素包括空间、位置、地位和影响力、占据的资源、地域、归属、血缘关系，根据下述因素进行测量；

a)结构：相同的群组、密友数量、兴趣标签说明及相同的应用；

b)话题多样性及活动多样性；

c)社交距离：包括年龄差距、教育差距、职业差距、宗教重合度及政治派别差距；

d)结构形成时间：结构因素需要长期的接触才能产生强关系，在车站偶然的同处一处并不能形成关系，而同窗4年才能结成铁哥们关系，而这种关系一旦形成，就很难消失，例如血缘、地缘、同学；

Ty(j|i)＝β1*V1+β2*V2+……βs*Vs    (公式10)

其中Vn为第n项和结构维度相关的互动活动的总数，n＝(1，s)，s为和结构维度相关的互动因素总项目数。

令关系度的范围为[0，1]，进行归一化处理

Ty(j|i)＝Ty(j|i)/Max(Ty(1|i)，Ty(2|i)，…,Ty(N|i))    (公式11)

本发明中，和工具维度相关的互动关系包括：工作、业务、生意关系，根据下述因素进行测量：

a)交流强度:Inbox信息交互数、Inbox信息交互深度；

b)陪伴需求：群、朋友圈、讨论组；

c)互惠程度：留言墙交互次数；

d)自愿投入：点赞、转发、足迹；

e)给予/接受建议：问题的提出及解决；

f)社交性：群主、群活跃度；

g)交互频率；

Tz(j|i)＝γ1*W1+γ2*W2+……+γt*Wt    (公式12)

其中Wp为第p项和结构维度相关的互动活动的总数，p＝(1，t)，t为和结构维度相关的互动因素总项目数；

令关系度的范围为[0，1]，进行归一化处理

Tz(j|i)＝Tz(j|i)/Max(Tz(1|i)，Tz(2|i)，…,Tz(N|i))    (公式13)。

本发明中，社交用户分类及推荐的步骤包括：

设OSN中存在对象i和j，则以i为参照点，i和j之间的关系强度可以用一个三维向量表示；

T(j|i)＝Tx(j|i)X+Ty(j|i)Y+Tz(j|i)Z    (公式1)

其中T(j|i)为i和j之间的关系强度，Tx为心理维度分量，Ty为结构维度分量，Tz为工具维度分量；

公式1中，Tx(j|i)、Ty(j|i)、Tz(j|i)分别表示X、Y、Z向量的值，其取值范围为[0，1]，其中0代表完全没有关系，1代表最大关系强度。通常情况下，取阙值为Ts，当关系强度取值大于Ts时视为强关系，而取阙值为Tb，当关系强度取值大于Tb时视为弱关系，在Ts和Tb之间可视为一般关系，一般取Ts＝2/3，Tb＝1/3；

则每个维度的关系可以分为强、一般、弱(无)，则可以把关系分为27种组合，从[强，强，强]到[弱，弱，弱]；

简化的情况，取Ts＝Tb＝1/2，则可以把关系分为8种组合，从[强，强，强]到[弱，弱，弱]；考虑整体关系，将[强，强，强]、[强，强，弱]、[强，弱，强]、[弱，强，强]四种组合界定为强关系，将[强，弱，弱]、[弱，强，弱]、[弱，弱，强]界定为弱关系；

根据三维关系将用户的关系进行分类，依据不同的关系进行对应的推荐，推荐方法包括协同过滤系统、基于内容的推荐系统、基于网络结构的推荐算法及混合推荐算法。

本发明的有益效果：

采用本发明的分类推荐系统和方法，可以弥补传统的社交网络中二元化单向关系强度的不足，更加符合真实的社交关系，从而为SNS等社交网络服务平台提供一种更加实用、方便及准确的用户分类及推荐方法。

本发明将三个维度的向量映射为三基色，可以将关系强度转化为颜色问题，从而可以进行关系强度的可视化分析；根据不同的关系类型，更精确的将用户之间的关系进行分类，从而为后续的处理提供依据；根据用户关系的不同，进行不同的处理，例如结构维度的同构性、心理维度的相似性、工具维度的互换性等，从而形成不同的推荐结果，为后续处理提供依据；采用本发明的分类推荐系统和方法，可以弥补传统的社交网络中二元化单向关系强度的不足，更加符合真实的社交关系，从而为SNS等社交网络服务平台提供一种更加实用、方便及准确的用户分类及推荐方法。

附图说明

图1为三维关系强度的三色模型示意图。

图2为三维关系强度模型示意图。

图3为用户分类的抽取方法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

如图1，一种基于三维关系强度模型的在线用户关系测量及分类方法，包括以下步骤：

定义三维关系模型为：设OSN中存在对象i和j，则以i为参照点，i和j之间的关系强度可以用一个三维向量表示。

T(j|i)＝Tx(j|i)X+Ty(j|i)Y+Tz(j|i)Z

其中T(j|i)为i和j之间的关系强度，Tx为心理维度分量，Ty为结构维度分量，Tz为工具维度分量。

公式中，Tx(j|i)、Ty(j|i)、Tz(j|i)分别表示X、Y、Z向量的值，其取值范围为[0，1]，其中0代表完全没有关系，1代表最大关系强度。

如图1，社交网络用户之间的关系可以根据一系列的指标测量。

Tx＝α1*U1+α2*U2+……+αk*Uk

其中Um为心理维度测量指标，αm为权重系数，k为相关指标总数。m∈(1，k)

Ty＝β1*V1+β2*V2+……+βs*Vs

其中Vn为结构维度测量指标，βn为权重系数，s为相关指标总数。n∈(1，s)

Tz＝γ1*W1+γ2*W2+……+γt*Wt

其中Wp为工具维度测量指标，γp为权重系数，s为相关指标总数。p∈(1，t)

作为示例，假设一个用户j，j∈{1,2,...,N}，N为与i相关的用户总数，本例中N＝10。

在线网络中，和心理维度相关的因素主要体现在感情、亲密度、兴趣、认同感、相互好感、互信及关注等。作为示例，包含但不限于以下交互行为：

1、内容交互、内容转发、状态点评、朋友照片点评等行为，本例中假设总体次数为110。

2、留言信息中包含的正面感情词及负面感情词，本例中假设总体次数为60。

3、照片交换、八卦交流、隐私提及等行为，本例中假设总体次数为40。

Tx＝α1*U1+α2*U2+……+αk*Uk

其中Um为第m项和心理维度相关的互动活动的总数，αm为权重，m∈(1，k)，k为和心理维度相关的互动因素总项目数，本例k＝3。

本例中，假设α1＝α2＝α3＝1/k＝1/3。

U1＝110，U1＝60，U1＝40，带入求得Tx＝70

令关系度的范围为[0，1]，进行归一化处理，作为示例，采取最大值归一化处理，实际中可以根据要求采用其他归一化处理方法。

Tx(j|i)＝Tx(j|i)/Max(Tx(1|i)，Tx(2|i)，…,Tx(N|i)。j∈{1,2,...,N}，N为与i相关的用户总数，本例中N＝10，假设最大值为70；

Tx(j|i)＝1

同样，可以求出Ty(j|i)、Tz(j|i)，假设本示例中，Ty(j|i)＝0.8，Tz(j|i)＝0.2。简化的情况，取Ts＝Tb＝1/2，则可以把关系分为8种组合，从[强，强，强]到[弱，弱，弱]。

本例中，则可以把关系分类为[强，强，弱]，表示之间的关系是强心理维度、强结构维度，较弱的工具维度。

根据三维关系将用户的关系进行分类，依据不同的关系进行推荐，例如本例中，较强的心理维度和结构维度，可以推荐在给用户推荐时作为优先，在内容推荐时，可以将具备的相关内容进行推荐。推荐方法为已知技术，通常为协同过滤系统、基于内容的推荐系统、基于网络结构的推荐算法及混合推荐算法。

尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

虽然已经参考若干具体实施方式描述了本发明，但是应该理解，本发明并不限于所公开的具体实施方式。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。所附权利要求的范围符合最宽泛的解释，从而包含所有这样的修改及等同结构和功能。

Claims (10)

1.一种基于三维关系强度模型的在线用户关系测量及分类方法，其特征在于：它包括建立三维关系强度模型的步骤；建立关系强度的可视化模型的步骤；社交网络用户关系测量的步骤以及社交用户分类及推荐的步骤；

建立三维关系强度模型的步骤：将社交网络中用户之间的社会关联抽象为三个基本维度，即结构维度、心理维度、工具维度，各个维度呈现的关系强度的特点不同；

建立关系强度的可视化模型的步骤：采用将三个维度的向量映射为三基色，将关系强度转化为颜色问题，从而进行关系强度的结构分析；

社交网络用户关系测量的步骤：根据在线网络用户的交互关系及结构关系，测量社交用户的三维关系，根据不同的关系类型，精确的将用户之间的关系进行分类，从而为后续的处理提供依据；

社交用户分类及推荐的步骤：根据用户关系的不同，进行相应的处理。

2.根据权利要求1所述的一种基于三维关系强度模型的在线用户关系测量及分类方法，其特征在于：所述的三维关系强度模型中，关系的三个维度为：心理维度(X)、结构维度(Y)、工具维度(Z)，关系强度作为一个连续的变量，通过在线网络的各种交互行为进行测量；

即定义三维关系模型为：设OSN中存在对象i和j，则以i为参照点，i和j之间的关系强度可以用一个三维向量表示：

T(j|i)＝Tx(j|i)X+Ty(j|i)Y+Tz(j|i)Z    (公式1)

其中T(j|i)为i和j之间的关系强度，Tx为心理维度分量，Ty为结构维度分量，Tz为工具维度分量；

公式1中，Tx(j|i)、Ty(j|i)、Tz(j|i)分别表示X、Y、Z向量的值，其取值范围为[0，1]，其中0代表完全没有关系，1代表最大关系强度。

3.根据权利要求1所述的一种基于三维关系强度模型的在线用户关系测量及分类方法，其特征在于建立关系强度的可视化模型的步骤具体包括：

首先借用三基色的原理，将每一个维度转化为用颜色来代表，则总的关系强度的量可以用颜色标示，如下所示：

T＝RGB(Tx,Ty,Tz)    (公式2)

其中Tx表示心理分量，对应红色，Ty表示结构分量，对应绿色，Tz代表工具分量，对应蓝色；

这里颜色的取值也是[0,1]，1代表100％的颜色度；

采用RGB体系时候，当Ux＝Uy＝Uz＝1时，颜色为白色，表示关系强度为最大值，但是在白色背景显示时候为不可见，因此，在此种情况下，可采取绘画三原色(RGB的补色)，即CMYK体系，

T＝CMYK(Tx,Ty,Tz)    (公式3)

其中Tx表示工具分量，对应青色，Ty代表心理分量，对应品红，Tz表示结构分量，对应绿色。

4.根据权利要求3所述的一种基于三维关系强度模型的在线用户关系测量及分类方法，其特征在于：借用三基色的原理，将每一个维度转化为用颜色来代表，总的关系强度的量用颜色标示，颜色的取值也是[0,1]，1代表100％的颜色度，

一般我们电脑上所用的是256原色，需要进行适当加权，即

T＝RGB(Ux,Uy,Uz)    (公式4)其中Ux＝Int(255Tx+0.5))Uy＝Int(255Ty+0.5))Uz＝Int(255Tz+0.5))

其中Ux表示心理分量，对应红色，Uy表示结构分量，对应绿色，Uz代表工具分量。

5.根据权利要求1所述的一种基于三维关系强度模型的在线用户关系测量及分类方法，其特征在于：社交网络用户之间的关系根据一系列的指标进行测量；

Tx＝α1*X1+α2*X2+……+αk*Xk    (公式5)

其中Xm为心理维度测量指标，αm为权重系数，k为相关指标总数；m∈(1，k)

Ty＝β1*Y1+β2*Y2+……+βs*Ys    (公式6)

其中Yn为结构维度测量指标，βn为权重系数，s为相关指标总数；n∈(1，s)

Tz＝γ1*Z1+γ2*Z2+……+γt*Zt    (公式7)

其中Zp为工具维度测量指标，γp为权重系数，s为相关指标总数；p∈(1，t)

衡量关系强度的一系列指标，包括亲密关系(Intimacy/Closeness)、感情强度(EmotionalIntensity)、交流强度(Intensity)、情感支持(Emotional Support)、陪伴需求(Desire forCompanionship)、互惠程度(Reciprocity)、频率(Frequency)、持续时间(Duration)、社交距离(Social Distance)、自愿投入(Voluntary Investment)、给予/接受建议(AdviceGiven/Receive)、话题多样性(Multiple Social Context)、相互信任(Mutual Confiding)、社交性(Sociability/Conviviality)、结构(Structure)；

其中亲密关系、感情强度、情感支持及相互信任是和心理维度相关的指标，而结构、话题多样性及社交距离是结构维度的指标，另外，交流强度、陪伴需求、互惠程度、自愿投入、给予/接受建议、社交性是可以看成工具维度指标。

6.根据权利要求5所述的一种基于三维关系强度模型的在线用户关系测量及分类方法，其特征在于：社交网络用户关系测量的步骤具体包括：通过在线用户的交互行为，测量在线网络用户的关系强度，社交网络用户之间的关系可以根据一系列的指标测量

假设用户j，j∈{1,2,...,N}，N为与i相关的用户总数，

Tx＝α1*U1+α2*U2+……+αk*Uk    (公式5)

其中Um为心理维度测量指标，αm为权重系数，k为相关指标总数；m∈(1，k)

其中Um为第m项和心理维度相关的互动活动的总数，m＝(1，k)，k为和心理维度相关的互动因素总项目数；

令关系度的范围为[0，1]，进行归一化处理

Tx(j|i)＝Tx(j|i)/Max(Tx(1|i)，Tx(2|i)，…,Tx(N|i))    (公式9)

其中为心理维度测量指标

Ty(j|i)＝β1*V1+β2*V2+……βs*Vs    (公式10)

其中Vn为第n项和结构维度相关的互动活动的总数，n＝(1，s)，s为和结构维度相关的互动因素总项目数；

令关系度的范围为[0，1]，进行归一化处理

Ty(j|i)＝Ty(j|i)/Max(Ty(1|i)，Ty(2|i)，…,Ty(N|i))    (公式11)

Tz(j|i)＝γ1*W1+γ2*W2+……+γt*Wt    (公式12)

其中Wp为第p项和结构维度相关的互动活动的总数，p＝(1，t)，t为和结构维度相关的互动因素总项目数；

令关系度的范围为[0，1]，进行归一化处理

Tz(j|i)＝Tz(j|i)/Max(Tz(1|i)，Tz(2|i)，…,Tz(N|i))    (公式13)。

7.根据权利要求6所述的一种基于三维关系强度模型的在线用户关系测量及分类方法，其特征在于：和心理维度相关的因素包括感情、亲密度、兴趣、认同感、相互好感、互信及关注，根据下述因素进行测量：

a)亲密关系：主要体现为双方亲密关系的互动，包括：墙上包含亲密词的留言、收件箱内含有的亲密词信息、赠送虚拟礼物、本人在合影中或者在朋友发的照片中出现等行为，亲密词的判断方法可以依据相关的关系词典，或者依据某些特定网络语言及缩写；

b)感情强度：包括留言墙内容交互、内容转发、状态点评、朋友照片点评的行为；

c)情感支持：包括留言墙/收件箱中包含的正面感情词及负面感情词；

d)相互信任：包括照片交换、八卦交流、隐私提及的行为，这些行为依赖双方的信任；

e)互动频率：包括互动越频，相互联系越紧密；

Tx(j|i)＝α1*U1+α2*U2+……+αk*Uk    (公式8)

其中Um为第m项和心理维度相关的互动活动的总数，m＝(1，k)，k为和心理维度相关的互动因素总项目数；

令关系度的范围为[0，1]，进行归一化处理

Tx(j|i)＝Tx(j|i)/Max(Tx(1|i)，Tx(2|i)，…,Tx(N|i))    (公式9)。

8.根据权利要求6所述的一种基于三维关系强度模型的在线用户关系测量及分类方法，其特征在于：和结构维度相关的因素包括空间、位置、地位和影响力、占据的资源、地域、归属、血缘关系，根据下述因素进行测量；

a)结构：相同的群组、密友数量、兴趣标签说明及相同的应用；

b)话题多样性及活动多样性；

c)社交距离：包括年龄差距、教育差距、职业差距、宗教重合度及政治派别差距；

d)结构形成时间：结构因素需要长期的接触才能产生强关系，在车站偶然的同处一处并不能形成关系，而同窗4年才能结成铁哥们关系，而这种关系一旦形成，就很难消失，例如血缘、地缘、同学；

Ty(j|i)＝β1*V1+β2*V2+……βs*Vs    (公式10)

其中Vn为第n项和结构维度相关的互动活动的总数，n＝(1，s)，s为和结构维度相关的互动因素总项目数；

令关系度的范围为[0，1]，进行归一化处理

Ty(j|i)＝Ty(j|i)/Max(Ty(1|i)，Ty(2|i)，…,Ty(N|i))    (公式11)。

9.根据权利要求6所述的一种基于三维关系强度模型的在线用户关系测量及分类方法，其特征在于：和工具维度相关的互动关系包括：工作、业务、生意关系，根据下述因素进行测量：

a)交流强度:Inbox信息交互数、Inbox信息交互深度；

b)陪伴需求：群、朋友圈、讨论组；

c)互惠程度：留言墙交互次数；

d)自愿投入：点赞、转发、足迹；

e)给予/接受建议：问题的提出及解决；

f)社交性：群主、群活跃度；

g)交互频率；

Tz(j|i)＝γ1*W1+γ2*W2+……+γt*Wt    (公式12)

其中Wp为第p项和结构维度相关的互动活动的总数，p＝(1，t)，t为和结构维度相关的互动因素总项目数；

令关系度的范围为[0，1]，进行归一化处理

Tz(j|i)＝Tz(j|i)/Max(Tz(1|i)，Tz(2|i)，…,Tz(N|i))    (公式13)。

10.根据权利要求6所述的一种基于三维关系强度模型的在线用户关系测量及分类方法，其特征在于：社交用户分类及推荐的步骤包括：

设OSN中存在对象i和j，则以i为参照点，i和j之间的关系强度可以用一个三维向量表示；

T(j|i)＝Tx(j|i)X+Ty(j|i)Y+Tz(j|i)Z    (公式1)

其中T(j|i)为i和j之间的关系强度，Tx为心理维度分量，Ty为结构维度分量，Tz为工具维度分量；

公式1中，Tx(j|i)、Ty(j|i)、Tz(j|i)分别表示X、Y、Z向量的值，其取值范围为[0，1]，其中0代表完全没有关系，1代表最大关系强度；通常情况下，取阙值为Ts，当关系强度取值大于Ts时视为强关系，而取阙值为Tb，当关系强度取值大于Tb时视为弱关系，在Ts和Tb之间可视为一般关系，一般取Ts＝2/3，Tb＝1/3；

则每个维度的关系可以分为强、一般、弱(无)，则可以把关系分为27种组合，从[强，强，强]到[弱，弱，弱]；

简化的情况，取Ts＝Tb＝1/2，则可以把关系分为8种组合，从[强，强，强]到[弱，弱，弱]；考虑整体关系，将[强，强，强]、[强，强，弱]、[强，弱，强]、[弱，强，强]四种组合界定为强关系，将[强，弱，弱]、[弱，强，弱]、[弱，弱，强]界定为弱关系；

根据三维关系将用户的关系进行分类，依据不同的关系进行对应的推荐，推荐方法包括协同过滤系统、基于内容的推荐系统、基于网络结构的推荐算法及混合推荐算法。