CN104281622A - 一种社交媒体中的信息推荐方法和装置 - Google Patents

Abstract

本发明提供了一种社交媒体中的信息推荐方法和装置，其中方法包括线下流程和线上流程，线下流程包括从目标用户在社交媒体的历史操作信息中确定目标用户的兴趣点；从所述兴趣点相关的优质用户在社交媒体的历史操作信息中选择与所述兴趣点相关的信息作为已标注的语料；将所述已标注的语料作为训练样本训练目标用户的兴趣分类模型。线上流程包括：获取社交媒体的待推荐信息；将所述待推荐信息输入目标用户的兴趣分类模型，以确定所述待推荐信息是否符合目标用户的兴趣；若符合目标用户的兴趣，则将所述待推荐信息推荐给目标用户。通过本发明能够提高社交媒体中信息推荐的效果。

Description

一种社交媒体中的信息推荐方法和装置

【技术领域】

本发明涉及计算机应用技术领域，特别涉及一种社交媒体中的信息推荐方法和装置。

【背景技术】

随着网络技术的不断发展，互联网上的信息总量正以每年50%的增速不断膨胀，近几年产生的数据中，有约80%的数据是个人用户产生的，特别是由社交媒体类型的网站或应用。例如每个月Facebook上分享30亿条内容，每天12TB的Twitter信息。并且，随着移动终端的普及，这种爆炸性的趋势并没有缓解的趋势，新浪微博截止到2012年12月底，注册用户已经超过5亿，日活跃用户为4629万，活跃用户中有75%用户使用移动客户端，全年活跃用户占比稳定在9-10%。

然而信息爆炸的另一面则是垃圾信息的泛滥，为了缓解信息爆炸带来的垃圾信息泛滥的问题，各类信息推荐系统应运而生，目前主要的推荐技术主要有协同过滤和谱分析等。其中协同过滤是基于内容的推荐方法，谱分析是基于扩散的推荐方法，但用于社交媒体时都存在不足，具体表现在：

由于社交媒体中信息数量过于庞大，不能对每一条信息都打上标签，而现有的推荐技术主要基于信息标签实现的推荐，并且社交媒体中信息的时效性较强，这就可能造成很多对用户有价值的信息很少被人转发、评论甚至阅读过，推荐效果较差。

【发明内容】

有鉴于此，本发明提供了一种社交媒体中的信息推荐方法和装置，以提高信息推荐的效果。

具体技术方案如下：

第一方面，本发明实施例提供了一种社交媒体中的信息推荐方法，该方法包括：

线下流程：

S11、从目标用户在社交媒体的历史操作信息中确定目标用户的兴趣点；

S12、从所述兴趣点相关的优质用户在社交媒体的历史操作信息中选择与所述兴趣点相关的信息作为已标注的语料；

S13、将所述已标注的语料作为训练样本训练目标用户的兴趣分类模型；

线上流程：

S21、获取社交媒体的待推荐信息；

S22、将所述待推荐信息输入目标用户的兴趣分类模型，以确定所述待推荐信息是否符合目标用户的兴趣；

S23、若符合目标用户的兴趣，则将所述待推荐信息推荐给目标用户。

在第一方面的第一种可能的实现方式中，所述历史操作信息包括以下信息中的至少一种：

发表的信息、收藏的信息、转发的信息、评论的信息以及标注的标签。

结合第一方面的第一种可能的实现方式，所述步骤S11包括：

利用目标用户在社交媒体中标注的标签确定用户的兴趣点；或者，

将目标用户发表的信息、收藏的信息、转发的信息和评论的信息中的至少一种分别进行分词和去除停用词的处理后，对得到的词语进行语义聚类，利用聚类结果确定目标用户的兴趣点。

在第一方面的第二种可能的实现方式中，所述兴趣点相关的优质用户的确定方法包括：

从预先确定的与所述兴趣点相关的种子用户存在关联关系的用户中选择评分满足预设要求的用户作为优质用户，所述评分由以下因素中的一种或任意组合确定：用户发表、转发或自我描述的信息在内容上与所述兴趣点的匹配程度、用户的活跃度、用户的影响力以及用户信息的传播范围。

结合第一方面或者第一方面的第二种可能的实现方式，所述步骤S12具体包括：

计算所述兴趣点对应的优质用户的历史操作信息中各信息与所述兴趣点之间的语义相似度，选择语义相似度满足预设相似度要求的信息作为所述兴趣点相关的信息。

在第一方面的第三种可能的实现方式中，在所述步骤S13中训练兴趣分类模型时，采用的特征包括信息中的关键词，或者进一步包括信息发布者、信息发布者所关注的人和粉丝、信息评论数、信息转发数、信息收藏数中的一种或任意组合。

在第一方面的第四种可能的实现方式中，所述待推荐信息为实时信息、通知信息或推广信息。

第二方面，本发明实施例提供了一种社交媒体中的信息推荐装置，该装置包括：线下建模单元和线上推荐单元；

所述线下建模单元包括：

兴趣点确定子单元，用于从目标用户在社交媒体的历史操作信息中确定目标用户的兴趣点；

语料选择子单元，用于从所述兴趣点相关的优质用户在社交媒体的历史操作信息中选择与所述兴趣点相关的信息作为已标注的语料；

模型训练子单元，用于将所述已标注的语料作为训练样本训练目标用户的兴趣分类模型；

所述线上推荐单元包括：

信息获取子单元，用于获取社交媒体的待推荐信息；

兴趣辨别子单元，用于将所述待推荐信息输入目标用户的兴趣分类模型，以确定所述待推荐信息是否符合目标用户的兴趣；

信息推荐子单元，用于若所述兴趣辨别子单元确定所述待推荐信息符合目标用户的兴趣，则将所述待推荐信息推荐给目标用户。

在第二方面的第一种可能的实现方式中，所述历史操作信息包括以下信息中的至少一种：

发表的信息、收藏的信息、转发的信息、评论的信息以及标注的标签。

结合第二方面的第一种可能的实现方式，所述兴趣点确定子单元具体执行：利用目标用户在社交媒体中标注的标签确定用户的兴趣点；或者，

将目标用户发表的信息、收藏的信息、转发的信息和评论的信息中的至少一种分别进行分词和去除停用词的处理后，对得到的词语进行语义聚类，利用聚类结果确定目标用户的兴趣点。

在第二方面的第二种可能的实现方式中，所述线下建模单元还包括：

优质用户发现子单元，用于从预先确定的与所述兴趣点相关的种子用户存在关联关系的用户中选择评分满足预设要求的用户作为优质用户，所述评分由以下因素中的一种或任意组合确定：用户发表、转发或自我描述的信息在内容上与所述兴趣点的匹配程度、用户的活跃度、用户的影响力以及用户信息的传播范围。

结合第二方面或者第二方面的第二种可能的实现方式，所述语料选择子单元具体执行：计算所述兴趣点对应的优质用户的历史操作信息中各信息与所述兴趣点之间的语义相似度，选择语义相似度满足预设相似度要求的信息作为所述兴趣点相关的信息。

在第二方面的第三种可能的实现方式中，所述模型训练子单元在训练兴趣分类模型时，采用的特征包括信息中的关键词，或者进一步包括信息发布者、信息发布者所关注的人和粉丝、信息评论数、信息转发数、信息收藏数中的一种或任意组合。

在第二方面的第四种可能的实现方式中，所述待推荐信息为实时信息、通知信息或推广信息。

由以上技术方案可以看出，本发明在建立目标用户的兴趣分类模型时，不再采用人工标注样本的方式，而是通过确定目标用户的兴趣点并挖掘优质用户的历史操作信息中与该兴趣点相关的信息作为训练样本来代替人工标注，使得样本更加丰富，并且在线上能够利用建立的兴趣分类模型对实时信息有效的推荐，提高了社交媒体中信息推荐的效果。

【附图说明】

图1为本发明实施例提供的信息推荐方法的主要流程图；

图2为本发明实施例提供的信息推荐方法的详细流程图；

图3为本发明实施例提供的系统架构图；

图4为本发明实施例提供的信息推荐装置的结构图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

在本发明中主要包括两个阶段：线下流程和线上流程。图1为本发明实施例提供的信息推荐方法的主要流程图。如图1所示，在线下流程中，主要包括以下步骤：

步骤101：从目标用户在社交媒体的历史操作信息中确定目标用户的兴趣点。

步骤102：从该兴趣点相关的优质用户在社交媒体的历史操作信息中选择与该兴趣点相关的信息作为已标注的语料。

步骤103：将已标注的语料作为训练样本训练目标用户的兴趣分类模型。

在线上流程中，主要包括以下步骤：

步骤111：获取社交媒体的待推荐信息。

步骤112：将获取的待推荐信息输入目标用户的兴趣分类模型，以确定该待推荐信息是否符合目标用户的兴趣。

步骤113：若符合目标用户的兴趣，则将该待推荐信息推荐给目标用户。

需要说明的是，上述线下流程和线上流程是两个独立的执行流程。线上流程是在线下流程所建立的兴趣分类模型基础上实现的，通常体现为实时地或者周期性的流程。线下流程用于建立以及更新（该更新过程通常也体现为上述的建立过程）兴趣分类模型，通常体现为周期性的流程。

下面通过一实施例对本发明提供的方法进行详细的描述。图2为本发明实施例提供的信息推荐方法的详细流程图，同样在该实施例所提供的方法中包括线下流程和线上流程，如图2所示，线下流程包括以下步骤：

步骤201：从社交媒体的服务器端获取目标用户的历史操作信息。

在本发明实施例中目标用户可以是在社交媒体中的指定用户，也可以是社交媒体中的所有用户，针对各目标用户分别执行线下流程建立各目标用户的兴趣分类模型。

在获取目标用户的历史操作信息时，可以通过社交媒体提供的API从社交媒体的服务器端获取。其中历史操作信息可以包括但不限于：目标用户发表的信息、目标用户收藏的信息、目标用户转发的信息、目标用户评论的信息或者目标用户标注的tag（标签）等。

步骤202：从目标用户的历史操作信息中确定用户的兴趣点。

所谓兴趣点是能体现出用户感兴趣内容的表述，可以指代一个领域、一个话题、一个事件、甚至是一个关键词，本发明实施例对兴趣点的粒度并不加以限制。本步骤中确定用户兴趣点的方式可以采用但不限于以下两种方式：

第一种方式：利用在社交媒体中目标用户标注的tag确定用户的兴趣点。通常在社交媒体中会为用户提供能够自己标注tag的功能，例如新浪微博中用户能够自己标注tag来对自己进行描述，其主要目的是为了方便其他人了解自己以及找到相似的人成为关注对象或粉丝，这些用户标注的tag通常与用户的职业、爱好等相关，很大程度上反映了用户的兴趣，因此可以直接利用目标用户的tag来确定用户的兴趣点。

例如在新浪微博中，某用户标注了“篮球”、“知识产权”、“周杰伦”，那么在确定用户的兴趣点时，可以直接将这些tag作为该用户的兴趣点，即直接将“篮球”、“知识产权”、“周杰伦”分别作为该用户的兴趣点；也可以将这些tag所属的类别作为用户的兴趣点，即将“篮球”、“法律”、“音乐”作为该用户的兴趣点，至于类别的大小则通过预设策略来确定。

第二种方式：将目标用户发表的信息、目标用户收藏的信息、目标用户转发的信息、目标用户评论的信息等分别进行分词、去除停用词的处理；然后对各词语进行语义聚类，利用聚类结果确定目标用户的兴趣点。

例如，某用户在微博中发表的信息、收藏的信息、转发的信息或评论的信息中很多出现“姚明”、“科比”、“湖人”等词语时，经过语义聚类，这些词语将会被聚为一类，该类别对应篮球类别，那么就可以确定目标用户的兴趣点为“篮球”。

步骤203：利用与目标用户的兴趣点相关的种子用户，确定社交媒体中目标用户的兴趣点对应的优质用户。

本步骤实际上是利用种子用户挖掘优质用户的过程，种子用户通常是预先设定的，例如与兴趣点“IT”相关的种子用户可以设置为“李开复”，与兴趣点“影视”相关的种子用户可以设置为“姚晨”，与兴趣点“篮球”相关的种子用户可以设置为“于嘉”等。种子用户通常是在在社交媒体中其所在行业内影响力较大的用户。

在确定某兴趣点对应的优质用户时，是从与该兴趣点相关的种子用户存在关联关系的用户中选择评分满足预设要求的用户作为优质用户。其中存在关联关系可以包括但不限于：关注关系、粉丝关系、评论关系、转发关系等。

对用户的评分由但不限于以下因素确定：用户发表、转发或自我描述的信息在内容上与兴趣点的匹配程度、用户的活跃度、用户的影响力、用户信息的传播范围等。上述匹配程度越高评分越高，用户的活跃度越高评分越高，影响力越大评分越高，用户信息的传播范围越广评分越高。其中用户的活跃度可以由用户登录社交媒体的频率、登录社交媒体的时间、发布信息数量、转发信息数量、评论信息数量等中的一种或任意组合确定；用户的影响力可以由用户的粉丝数量、用户的等级等确定；用户信息的传播范围可以由用户信息被转发、评论、收藏的次数等中的一种或组合确定。

步骤204：对目标用户的兴趣点对应的优质用户的历史操作信息中选择与该兴趣点相关的信息，将选择出的信息作为兴趣点已标注的语料。

本步骤中，可以计算某兴趣点对应的优质用户发表的信息、收藏的信息、转发的信息、评论的信息等与该兴趣点之间的语义相似度，选择出语义相似度满足预设相似度要求的信息作为与该兴趣点相关的信息，另外，还可以标注该兴趣点相关的信息的操作属性，即是发表的原始信息、评论的信息、转发的信息还是收藏的信息等。

步骤205：将已标注的语料作为训练样本训练目标用户的兴趣分类模型。

在训练兴趣分类模型时，采用的特征主要包括信息中的关键词，还可以包括但不限于：信息发布者、信息发布者所关注的人、粉丝、信息评论数、信息转发数、信息收藏数等中的一种或任意组合。分类模型的训练为已有较成熟的技术。

至此线下针对目标用户的兴趣分类模型的训练过程结束，线上的信息推荐流程包括以下步骤：

步骤211：获取社交媒体的实时信息。

本发明实施例的目的主要是实现实时信息的推荐，因此在本步骤中优选地获取社交媒体的实时信息作为待推荐信息进行推荐，当然也不排除可以用于其他类型信息的推荐，例如某些通知信息、推广信息等。

步骤212：将实时信息输入目标用户的兴趣分类模型，以确定该实时信息是否符合目标用户的兴趣。

将实时信息输入目标用户的兴趣分类模型后，通过对该实时信息中的特征进行分析，该特征与训练兴趣分类模型时所采用的特征一致，最终得到的分类结果是该实时信息是否符合目标用户的兴趣。

步骤213：若符合目标用户的兴趣，则将该实时信息推荐给目标用户。

通常在进行线上匹配时，由于兴趣分类模型是针对各用户分别建立的，因此需要将实时信息分别输入各用户的兴趣分类模型，分别判断是否符合各用户的兴趣，最终将该实时信息推荐给对该实时信息感兴趣的用户。

例如，当社交媒体中存在刚发表的一篇关于“篮球”的微博，则将该微博输入各用户的兴趣分类模型，对篮球有兴趣的用户其对应的兴趣分类模型的分类结果是该微博符合用户兴趣，然后就能够将该关于“篮球”的微博推荐给符合用户兴趣的用户。

在本发明实施例中并不限制将实时信息推荐给目标用户的方式，在此仅举几个例子，例如可以通过客户端的方式将符合目标用户兴趣的实时信息推荐给目标用户，还可以在社交媒体的用户界面中固定的区域展示推荐给目标用户的实时信息，或者通过周期发送邮件的方式向目标用户推荐实时信息，等等。

以上是对本发明实施例所提供的方法进行的详细描述，该方法由本发明实施例所提供的信息推荐装置执行，该信息推荐装置设置在社交媒体的服务器端，在线下从社交媒体的服务器端获取目标用户和优质用户的历史操作信息来建立目标用户的兴趣分类模型，在线上从社交媒体的服务器端获取待推荐信息，将待推荐信息推荐给对其感兴趣的目标用户，并通过诸如客户端或浏览器展现给目标用户，系统架构如图3中所示。

图4为本发明实施例提供的信息推荐装置的结构图，该信息推荐装置可以设置在社交媒体的服务器中，也可以设置在网络侧独立于社交媒体的服务器的设备中，如图4所示，该信息推荐装置包括线下建模单元00和线上推荐单元10，其中线下建模单元00用以完成线下流程，线上推荐单元10用以完成线上流程。

具体地，线下建模单元00包括：兴趣点确定子单元01、语料选择子单元02和模型训练子单元03。

兴趣点确定子单元01用于从目标用户在社交媒体的历史操作信息中确定目标用户的兴趣点。在本发明实施例中目标用户可以是在社交媒体中的指定用户，也可以是社交媒体中的所有用户。

在获取目标用户的历史操作信息时，可以通过社交媒体提供的API从社交媒体的服务器端获取。其中历史操作信息可以包括但不限于：目标用户发表的信息、目标用户收藏的信息、目标用户转发的信息、目标用户评论的信息或者目标用户标注的tag等。

在确定目标用户的兴趣点时，兴趣点确定子单元01可以具体采用但不限于以下两种方式：

第一种方式：利用目标用户在社交媒体中标注的标签确定用户的兴趣点。

第二种方式：将目标用户发表的信息、收藏的信息、转发的信息和评论的信息中的至少一种分别进行分词和去除停用词的处理后，对得到的词语进行语义聚类，利用聚类结果确定目标用户的兴趣点。

语料选择子单元02用于从兴趣点相关的优质用户在社交媒体的历史操作信息中选择与兴趣点相关的信息作为已标注的语料。种子用户通常是预先设定的，通常是在在社交媒体中其所在行业内影响力较大的用户。

在选择与兴趣点相关的信息时，语料选择子单元02可以具计算兴趣点对应的优质用户的历史操作信息中各信息与兴趣点之间的语义相似度，选择语义相似度满足预设相似度要求的信息作为兴趣点相关的信息。另外，还可以标注该兴趣点相关的信息的操作属性，即是发表的原始信息、评论的信息、转发的信息还是收藏的信息等。

模型训练子单元03用于将已标注的语料作为训练样本训练目标用户的兴趣分类模型。

模型训练子单元在训练兴趣分类模型时，采用的特征包括信息中的关键词，或者进一步包括信息发布者、信息发布者所关注的人和粉丝、信息评论数、信息转发数、信息收藏数中的一种或任意组合。

另外，为了实现优质用户的选择，该线下建模单元00还可以包括：优质用户发现子单元04。优质用户发现子单元04从预先确定的与兴趣点相关的种子用户存在关联关系的用户中选择评分满足预设要求的用户作为优质用户。其中存在关联关系可以包括但不限于：关注关系、粉丝关系、评论关系、转发关系等。用户的评分由以下因素中的一种或任意组合确定：用户发表、转发或自我描述的信息在内容上与兴趣点的匹配程度、用户的活跃度、用户的影响力以及用户信息的传播范围。上述匹配程度越高评分越高，用户的活跃度越高评分越高，影响力越大评分越高，用户信息的传播范围越广评分越高。其中用户的活跃度可以由用户登录社交媒体的频率、登录社交媒体的时间、发布信息数量、转发信息数量、评论信息数量等中的一种或任意组合确定；用户的影响力可以由用户的粉丝数量、用户的等级等确定；用户信息的传播范围可以由用户信息被转发、评论、收藏的次数等中的一种或组合确定。

线上推荐单元10包括：信息获取子单元11、兴趣辨别子单元12和信息推荐子单元13。

其中，信息获取子单元11用于获取社交媒体的待推荐信息，这里待推荐信息主要是社交媒体的实时信息，还可以是诸如通知信息或推广信息等。

兴趣辨别子单元12用于将待推荐信息输入目标用户的兴趣分类模型，以确定待推荐信息是否符合目标用户的兴趣，将实时信息输入目标用户的兴趣分类模型后，通过对该实时信息中的特征进行分析，该特征与训练兴趣分类模型时所采用的特征一致，最终得到的分类结果是该实时信息是否符合目标用户的兴趣。

若兴趣辨别子单元12确定待推荐信息符合目标用户的兴趣，则信息推荐子单元13将待推荐信息推荐给目标用户。在本发明实施例中并不限制将实时信息推荐给目标用户的方式，在此仅举几个例子，例如可以通过客户端的方式将符合目标用户兴趣的实时信息推荐给目标用户，还可以在社交媒体的用户界面中固定的区域展示推荐给目标用户的实时信息，或者通过周期发送邮件的方式向目标用户推荐实时信息，等等。

本发明实施例中所涉及的社交媒体包括：博客、轻博客、微博客、论坛、社交网站等。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (14)

1.一种社交媒体中的信息推荐方法，其特征在于，该方法包括：

线下流程：

S11、从目标用户在社交媒体的历史操作信息中确定目标用户的兴趣点；

S12、从所述兴趣点相关的优质用户在社交媒体的历史操作信息中选择与所述兴趣点相关的信息作为已标注的语料；

S13、将所述已标注的语料作为训练样本训练目标用户的兴趣分类模型；

线上流程：

S21、获取社交媒体的待推荐信息；

S22、将所述待推荐信息输入目标用户的兴趣分类模型，以确定所述待推荐信息是否符合目标用户的兴趣；

S23、若符合目标用户的兴趣，则将所述待推荐信息推荐给目标用户。

2.根据权利要求1所述的方法，其特征在于，所述历史操作信息包括以下信息中的至少一种：

发表的信息、收藏的信息、转发的信息、评论的信息以及标注的标签。

3.根据权利要求2所述的方法，其特征在于，所述步骤S11包括：

利用目标用户在社交媒体中标注的标签确定用户的兴趣点；或者，

将目标用户发表的信息、收藏的信息、转发的信息和评论的信息中的至少一种分别进行分词和去除停用词的处理后，对得到的词语进行语义聚类，利用聚类结果确定目标用户的兴趣点。

4.根据权利要求1所述的方法，其特征在于，所述兴趣点相关的优质用户的确定方法包括：

从预先确定的与所述兴趣点相关的种子用户存在关联关系的用户中选择评分满足预设要求的用户作为优质用户，所述评分由以下因素中的一种或任意组合确定：用户发表、转发或自我描述的信息在内容上与所述兴趣点的匹配程度、用户的活跃度、用户的影响力以及用户信息的传播范围。

5.根据权利要求1或4所述的方法，其特征在于，所述步骤S12具体包括：

计算所述兴趣点对应的优质用户的历史操作信息中各信息与所述兴趣点之间的语义相似度，选择语义相似度满足预设相似度要求的信息作为所述兴趣点相关的信息。

6.根据权利要求1所述的方法，其特征在于，在所述步骤S13中训练兴趣分类模型时，采用的特征包括信息中的关键词，或者进一步包括信息发布者、信息发布者所关注的人和粉丝、信息评论数、信息转发数、信息收藏数中的一种或任意组合。

7.根据权利要求1所述的方法，其特征在于，所述待推荐信息为实时信息、通知信息或推广信息。

8.一种社交媒体中的信息推荐装置，其特征在于，该装置包括：线下建模单元和线上推荐单元；

所述线下建模单元包括：

兴趣点确定子单元，用于从目标用户在社交媒体的历史操作信息中确定目标用户的兴趣点；

语料选择子单元，用于从所述兴趣点相关的优质用户在社交媒体的历史操作信息中选择与所述兴趣点相关的信息作为已标注的语料；

模型训练子单元，用于将所述已标注的语料作为训练样本训练目标用户的兴趣分类模型；

所述线上推荐单元包括：

信息获取子单元，用于获取社交媒体的待推荐信息；

兴趣辨别子单元，用于将所述待推荐信息输入目标用户的兴趣分类模型，以确定所述待推荐信息是否符合目标用户的兴趣；

信息推荐子单元，用于若所述兴趣辨别子单元确定所述待推荐信息符合目标用户的兴趣，则将所述待推荐信息推荐给目标用户。

9.根据权利要求8所述的装置，其特征在于，所述历史操作信息包括以下信息中的至少一种：

发表的信息、收藏的信息、转发的信息、评论的信息以及标注的标签。

10.根据权利要求9所述的装置，其特征在于，所述兴趣点确定子单元具体执行：利用目标用户在社交媒体中标注的标签确定用户的兴趣点；或者，

将目标用户发表的信息、收藏的信息、转发的信息和评论的信息中的至少一种分别进行分词和去除停用词的处理后，对得到的词语进行语义聚类，利用聚类结果确定目标用户的兴趣点。

11.根据权利要求8所述的装置，其特征在于，所述线下建模单元还包括：

优质用户发现子单元，用于从预先确定的与所述兴趣点相关的种子用户存在关联关系的用户中选择评分满足预设要求的用户作为优质用户，所述评分由以下因素中的一种或任意组合确定：用户发表、转发或自我描述的信息在内容上与所述兴趣点的匹配程度、用户的活跃度、用户的影响力以及用户信息的传播范围。

12.根据权利要求8或11所述的装置，其特征在于，所述语料选择子单元具体执行：计算所述兴趣点对应的优质用户的历史操作信息中各信息与所述兴趣点之间的语义相似度，选择语义相似度满足预设相似度要求的信息作为所述兴趣点相关的信息。

13.根据权利要求8所述的装置，其特征在于，所述模型训练子单元在训练兴趣分类模型时，采用的特征包括信息中的关键词，或者进一步包括信息发布者、信息发布者所关注的人和粉丝、信息评论数、信息转发数、信息收藏数中的一种或任意组合。

14.根据权利要求8所述的装置，其特征在于，所述待推荐信息为实时信息、通知信息或推广信息。