CN104615775A - 一种用户推荐方法及装置 - Google Patents

一种用户推荐方法及装置 Download PDF

Info

Publication number
CN104615775A
CN104615775A CN201510089046.XA CN201510089046A CN104615775A CN 104615775 A CN104615775 A CN 104615775A CN 201510089046 A CN201510089046 A CN 201510089046A CN 104615775 A CN104615775 A CN 104615775A
Authority
CN
China
Prior art keywords
user
candidate
candidate user
behavior
content object
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
Application number
CN201510089046.XA
Other languages
English (en)
Other versions
CN104615775B (zh
Inventor
宋华
周燕红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing QIYI Century Science and Technology Co Ltd
Original Assignee
Beijing QIYI Century Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing QIYI Century Science and Technology Co Ltd filed Critical Beijing QIYI Century Science and Technology Co Ltd
Priority to CN201510089046.XA priority Critical patent/CN104615775B/zh
Publication of CN104615775A publication Critical patent/CN104615775A/zh
Application granted granted Critical
Publication of CN104615775B publication Critical patent/CN104615775B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例公开了一种用户推荐方法及装置，一种用户推荐方法，包括以下步骤：当需要为第一注册用户推荐用户时，获得所述第一注册用户的行为数据和好友数据；当所述第一注册用户的行为数据不为空时，获得候选用户的行为数据和好友数据；计算各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度；计算各个候选用户与所述第一注册用户的好友相似程度；根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的计算结果，将满足预设条件的候选用户推荐给所述第一注册用户。应用本发明实施例所提供的技术方案，可以增加用户对网站的粘性，提升用户体验。

Description

一种用户推荐方法及装置
技术领域
本发明涉及互联网技术领域，特别涉及一种用户推荐方法及装置。
背景技术
随着互联网技术的快速发展，各种类型网站大量涌现，给人们的工作和生活带来了便利。用户数量和规模逐渐成为衡量网站运营效果的重要因素。很多网站为了稳定和扩展其用户关系链，防止网站用户的流失，往往提供推荐用户的功能，即将与当前用户相关的其他用户推荐给当前用户，以通过用户之间的互动来提升用户的归属感和荣誉感。
目前，常见的用户推荐方法是通过当前用户和其他用户之间的好友关系来为当前用户推荐其可能认识或者感兴趣的其他用户。
现有的这种用户推荐方法单纯依靠当前用户和其他用户之间的好友关系，比较单一，在当前用户没有添加任何好友的情况下，会导致网站无法将其他用户推荐给当前用户，从而不能很好的通过用户之间的互动来提升用户的归属感和荣誉感，减少了用户对网站的粘性，用户体验不佳。
发明内容
本发明实施例的目的在于提供一种用户推荐方法及装置，以能够将较为合适的用户推荐给第一注册用户(即当前用户)，增加用户对网站的粘性，提升用户体验。技术方案如下：
一种用户推荐方法，包括：
当需要为第一注册用户推荐用户时，获得所述第一注册用户的行为数据和好友数据；
当所述第一注册用户的行为数据不为空时，获得候选用户的行为数据和好友数据；所述候选用户为系统中除所述第一注册用户外的所有注册用户；
根据所述第一注册用户的行为数据和各个候选用户的行为数据，计算各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度；
根据所述第一注册用户的好友数据和各个候选用户的好友数据，计算各个候选用户与所述第一注册用户的好友相似程度；
根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的计算结果，将满足预设条件的候选用户推荐给所述第一注册用户。
在本发明的一种具体实施方式中，所述根据所述第一注册用户的行为数据和各个候选用户的行为数据，计算各个候选用户与所述第一注册用户的行为相似程度，包括：
从所述第一注册用户的行为数据中，获取所述第一注册用户的行为的类型、行为所对应的内容对象、行为发生的时刻；
针对每个所述第一注册用户的行为所对应的内容对象，从各个候选用户的行为数据中，获取各个候选用户对该内容对象发生的行为的类型和行为发生的时刻；
针对每个所述第一注册用户的行为所对应的内容对象，根据所述第一注册用户和各个候选用户相对于该内容对象的行为的类型、行为发生的时刻，计算所述第一注册用户和各个候选用户对该内容对象的喜好分数；
根据所述喜好分数的计算结果，计算各个候选用户与所述第一注册用户的行为相似程度。
在本发明的一种具体实施方式中，所述针对每个所述第一注册用户的行为所对应的内容对象，根据所述第一注册用户和各个候选用户相对于该内容对象的行为的类型、行为发生的时刻，计算所述第一注册用户和各个候选用户对该内容对象的喜好分数，包括：
针对每个所述第一注册用户的行为所对应的内容对象，根据喜好分数的计算公式，分别计算所述第一注册用户和各个候选用户对该内容对象的喜好分数；
其中，所述喜好分数的计算公式为：
其中，Suf为用户u对内容对象f的喜好分数；a＝1,2,…,N，分别表示不同行为的类型；wa为a行为对应的预设权重；fa表示用户u是否对内容对象f发生了a行为；Δt(a)为当前时刻与a行为发生的时刻的差值，为预设的与Δt(a)对应的权重因子，如果Δt(a)为正值，则α为预设的小于1、且大于0的常量，如果Δt(a)为负值，则α为预设的大于1的常量；所述用户u为所述第一注册用户和各个候选用户中的任一个用户；
相应的，所述根据所述喜好分数的计算结果，计算各个候选用户与所述第一注册用户的行为相似程度，包括：
针对所述第一注册用户的行为所对应的内容对象，根据行为相似程度的计算公式，分别计算各个候选用户与所述第一注册用户的行为相似程度；
所述行为相似程度的计算公式为：
其中，sim(m,v)表示用户m和用户v的行为相似程度；f＝1,2,…,N，分别表示不同内容对象；Smf为用户m对内容对象f的喜好分数；Svf为用户v对内容对象f的喜好分数；所述用户m为所述第一注册用户；所述用户v为候选用户中的任一个用户。
在本发明的一种具体实施方式中，所述根据所述第一注册用户的行为数据和各个候选用户的行为数据，计算各个候选用户与所述第一注册用户的行为对应程度，包括：
从所述第一注册用户的行为数据中提取所述第一注册用户查看的内容对象的标识；
从各个候选用户的行为数据中提取各个候选用户上传的内容对象的标识；
将所述第一注册用户查看的内容对象的标识分别与各个候选用户上传的内容对象的标识进行匹配，确定具有相同标识的内容对象的数量；
根据所确定的具有相同标识的内容对象的数量，计算各个候选用户与所述第一注册用户的行为对应程度。
在本发明的一种具体实施方式中，所述根据所述第一注册用户的好友数据和各个候选用户的好友数据，计算各个候选用户与所述第一注册用户的好友相似程度，包括：
从所述第一注册用户的好友数据和各个候选用户的好友数据中分别提取：所述第一注册用户的好友的标识、各个候选用户的好友的标识；
将所述第一注册用户的好友的标识分别与各个候选用户的好友的标识进行匹配，确定各个候选用户与所述第一注册用户的共同好友数量；
根据确定的共同好友数量，计算各个候选用户与所述第一注册用户的好友相似程度。
在本发明的一种具体实施方式中，所述根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的计算结果，将满足预设条件的候选用户推荐给所述第一注册用户，包括：
根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的加权，计算各个候选用户相对于所述第一注册用户的第一推荐度；
将第一推荐度大于预设第一阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
在本发明的一种具体实施方式中，在所述获得候选用户的行为数据和好友数据之后，还包括：
从所述第一注册用户的行为数据和各个候选用户的行为数据中，获取所述第一注册用户关注的用户的信息和各个候选用户关注的用户的信息；
针对每个候选用户，确定关注了该候选用户的用户为所述第一注册用户关注的用户的数量，计算该候选用户与所述第一注册用户的关注匹配程度；
相应的，根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的计算结果，将满足预设条件的候选用户推荐给所述第一注册用户，包括：
根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度、关注匹配程度的加权，计算各个候选用户相对于所述第一注册用户的第二推荐度；
将第二推荐度大于预设第二阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
在本发明的一种具体实施方式中，在所述获得候选用户的行为数据和好友数据之后，还包括：
从各个候选用户的行为数据中，获取候选用户的个人空间中至少一个维度的空间状态信息、查看的内容对象信息和上传的内容对象信息；
根据各个候选用户的空间状态信息，计算各个候选用户的空间活跃度；
根据各个候选用户查看的内容对象信息，计算各个候选用户的查看活跃度；
根据各个候选用户上传的内容对象信息，计算各个候选用户的热度；
相应的，所述根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度、关注匹配程度的加权，计算各个候选用户相对于所述第一注册用户的第二推荐度；将第二推荐度大于预设第二阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户，包括：
根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度、关注匹配程度及各个候选用户的空间活跃度、查看活跃度、热度的加权，计算各个候选用户相对于所述第一注册用户的第三推荐度；
将第三推荐度大于预设第三阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
在本发明的一种具体实施方式中，还包括：
当所述第一注册用户的行为数据为空时，获得候选用户的行为数据，所述行为数据中至少包含候选用户的个人空间中至少一个维度的空间状态信息、查看的内容对象信息和上传的内容对象信息；
根据各个候选用户的空间状态信息，计算各个候选用户的空间活跃度；
根据各个候选用户查看的内容对象信息，计算各个候选用户的查看活跃度；
根据各个候选用户上传的内容对象信息，计算各个候选用户的热度；
根据各个候选用户的空间活跃度、查看活跃度、热度的加权，计算各个候选用户相对于所述第一注册用户的第四推荐度；
将第四推荐度大于预设第四阈值的候选用户推荐给所述第一注册用户。
在本发明的一种具体实施方式中，
所述空间活跃度的计算公式为：
其中，Pk为用户k的空间活跃度；N为用户k的个人空间信息维度数；wi为预设的第i维度空间信息的权重；cnti为用户k的第i维度空间信息的数量值；maxi为系统中所有用户的第i维度空间信息的最大数量值；mini为系统中所有用户的第i维度空间信息的最小数量值；所述用户k为候选用户中的任一个用户；
所述查看活跃度的计算公式为：
其中，Wk为用户k的查看活跃度；watchk为用户k在预设第一时间段内查看的内容对象的数量；w max为系统中所有用户在预设第一时间段内查看的内容对象最大的数量；w min为系统中所有用户在预设第一时间段内查看的内容对象最小的数量；所述用户k为候选用户中的任一个用户。
在本发明的一种具体实施方式中，所述根据各个候选用户上传的内容对象信息，计算各个候选用户的热度，包括：
根据各个候选用户上传的内容对象信息，确定各个候选用户上传的内容对象在预设第二时间段内被查看的次数；
根据各个候选用户上传的内容对象在预设第二时间段内被查看的次数，计算各个候选用户的热度。
在本发明的一种具体实施方式中，所述热度的计算公式为：
其中，Hk为用户k的热度；lookk为用户k上传的内容对象在预设第二时间段内被查看的数量；l max为系统中所有用户上传的内容对象在预设第二时间段内被查看的最大的数量；l min为系统中所有用户上传的内容对象在预设第二时间段内被查看的最小的数量；所述用户k为候选用户中的任一个用户。
一种用户推荐装置，包括：
第一注册用户数据获得模块，用于在需要为第一注册用户推荐用户的情况下，获得所述第一注册用户的行为数据和好友数据；
候选用户数据获得第一模块，用于在所述第一注册用户的行为数据不为空的情况下，获得候选用户的行为数据和好友数据；所述候选用户为系统中除所述第一注册用户外的所有注册用户；
行为程度计算模块，用于根据所述第一注册用户的行为数据和各个候选用户的行为数据，计算各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度；
好友相似程度计算模块，用于根据所述第一注册用户的好友数据和各个候选用户的好友数据，计算各个候选用户与所述第一注册用户的好友相似程度；
第一推荐模块，用于根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的计算结果，将满足预设条件的候选用户推荐给所述第一注册用户。
在本发明的一种具体实施方式中，所述行为程度计算模块，包括：
第一注册用户行为信息获取子模块，用于从所述第一注册用户的行为数据中，获取所述第一注册用户的行为的类型、行为所对应的内容对象、行为发生的时刻；
候选用户行为信息获取子模块，用于针对每个所述第一注册用户的行为所对应的内容对象，从各个候选用户的行为数据中，获取各个候选用户对该内容对象发生的行为的类型和行为发生的时刻；
喜好分数计算子模块，用于针对每个所述第一注册用户的行为所对应的内容对象，根据所述第一注册用户和各个候选用户相对于该内容对象的行为的类型、行为发生的时刻，计算所述第一注册用户和各个候选用户对该内容对象的喜好分数；
行为相似程度计算子模块，用于根据所述喜好分数的计算结果，计算各个候选用户与所述第一注册用户的行为相似程度。
在本发明的一种具体实施方式中，所述喜好分数计算子模块具体用于：
针对每个所述第一注册用户的行为所对应的内容对象，根据喜好分数的计算公式，分别计算所述第一注册用户和各个候选用户对该内容对象的喜好分数；
其中，所述喜好分数的计算公式为：
其中，Suf为用户u对内容对象f的喜好分数；a＝1,2,…,N，分别表示不同行为的类型；wa为a行为对应的预设权重；fa表示用户u是否对内容对象f发生了a行为；Δt(a)为当前时刻与a行为发生的时刻的差值，为预设的与Δt(a)对应的权重因子，如果Δt(a)为正值，则α为预设的小于1、且大于0的常量，如果Δt(a)为负值，则α为预设的大于1的常量；所述用户u为所述第一注册用户和各个候选用户中的任一个用户；
相应的，所述行为相似程度计算子模块具体用于：
针对所述第一注册用户的行为所对应的内容对象，根据行为相似程度的计算公式，分别计算各个候选用户与所述第一注册用户的行为相似程度；
所述行为相似程度的计算公式为：
其中，sim(m,v)表示用户m和用户v的行为相似程度；f＝1,2,…,N，分别表示不同内容对象；Smf为用户m对内容对象f的喜好分数；Svf为用户v对内容对象f的喜好分数；所述用户m为所述第一注册用户；所述用户v为候选用户中的任一个用户。
在本发明的一种具体实施方式中，所述行为程度计算模块，包括：
第一注册用户查看对象提取子模块，用于从所述第一注册用户的行为数据中提取所述第一注册用户查看的内容对象的标识；
候选用户上传对象提取子模块，用于从各个候选用户的行为数据中提取各个候选用户上传的内容对象的标识；
相同对象数量确定子模块，用于将所述第一注册用户查看的内容对象的标识分别与各个候选用户上传的内容对象的标识进行匹配，确定具有相同标识的内容对象的数量；
行为对应程度计算子模块，用于根据所确定的具有相同标识的内容对象的数量，计算各个候选用户与所述第一注册用户的行为对应程度。
在本发明的一种具体实施方式中，所述好友相似程度计算模块，包括：
好友标识提取子模块，用于从所述第一注册用户的好友数据和各个候选用户的好友数据中分别提取：所述第一注册用户的好友的标识、各个候选用户的好友的标识；
共同好友数量确定子模块，用于将所述第一注册用户的好友的标识分别与各个候选用户的好友的标识进行匹配，确定各个候选用户与所述第一注册用户的共同好友数量；
好友相似程度计算子模块，用于根据确定的共同好友数量，计算各个候选用户与所述第一注册用户的好友相似程度。
在本发明的一种具体实施方式中，所述第一推荐模块，包括：
第一推荐度计算子模块，用于根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的加权，计算各个候选用户相对于所述第一注册用户的第一推荐度；
第一推荐子模块，用于将第一推荐度大于预设第一阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
在本发明的一种具体实施方式中，还包括：
关注用户信息获取模块，用于从所述第一注册用户的行为数据和各个候选用户的行为数据中，获取所述第一注册用户关注的用户的信息和各个候选用户关注的用户的信息；
关注匹配程度计算模块，用于针对每个候选用户，确定关注了该候选用户的用户为所述第一注册用户关注的用户的数量，计算该候选用户与所述第一注册用户的关注匹配程度；
相应的，所述第一推荐模块具体用于：
根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度、关注匹配程度的加权，计算各个候选用户相对于所述第一注册用户的第二推荐度；
将第二推荐度大于预设第二阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
在本发明的一种具体实施方式中，还包括：
多信息获取模块，用于从各个候选用户的行为数据中，获取候选用户的个人空间中至少一个维度的空间状态信息、查看的内容对象信息和上传的内容对象信息；
空间活跃度计算模块，用于根据各个候选用户的空间状态信息，计算各个候选用户的空间活跃度；
查看活跃度计算模块，用于根据各个候选用户查看的内容对象信息，计算各个候选用户的查看活跃度；
热度计算模块，用于根据各个候选用户上传的内容对象信息，计算各个候选用户的热度；
相应的，所述第一推荐模块具体用于：
根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度、关注匹配程度及各个候选用户的空间活跃度、查看活跃度、热度的加权，计算各个候选用户相对于所述第一注册用户的第三推荐度；
将第三推荐度大于预设第三阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
在本发明的一种具体实施方式中，还包括：
候选用户数据获得第二模块，用于在所述第一注册用户的行为数据为空的情况下，获得候选用户的行为数据，所述行为数据中至少包含候选用户的个人空间中至少一个维度的空间状态信息、查看的内容对象信息和上传的内容对象信息；
空间活跃度计算模块，用于根据各个候选用户的空间状态信息，计算各个候选用户的空间活跃度；
查看活跃度计算模块，用于根据各个候选用户查看的内容对象信息，计算各个候选用户的查看活跃度；
热度计算模块，用于根据各个候选用户上传的内容对象信息，计算各个候选用户的热度；
第四推荐度计算模块，用于针对每个候选用户，根据所述空间活跃度计算模块计算的该候选用户的空间活跃度、所述查看活跃度计算模块计算的该候选用户的查看活跃度、所述热度计算模块计算的该候选用户的热度的加权，计算各个候选用户相对于所述第一注册用户的第四推荐度；
第二推荐模块，用于将第四推荐度大于预设第四阈值的候选用户推荐给所述第一注册用户。
在本发明的一种具体实施方式中，
所述空间活跃度的计算公式为：
其中，Pk为用户k的空间活跃度；N为用户k的个人空间信息维度数；wi为预设的第i维度空间信息的权重；cnti为用户k的第i维度空间信息的数量值；maxi为系统中所有用户的第i维度空间信息的最大数量值；mini为系统中所有用户的第i维度空间信息的最小数量值；所述用户k为候选用户中的任一个用户；
所述查看活跃度的计算公式为：
其中，Wk为用户k的查看活跃度；watchk为用户k在预设第一时间段内查看的内容对象的数量；w max为系统中所有用户在预设第一时间段内查看的内容对象最大的数量；w min为系统中所有用户在预设第一时间段内查看的内容对象最小的数量；所述用户k为候选用户中的任一个用户。
在本发明的一种具体实施方式中，所述热度计算模块具体用于：
根据各个候选用户上传的内容对象信息，确定各个候选用户上传的内容对象在预设第二时间段内被查看的次数；
根据各个候选用户上传的内容对象在预设第二时间段内被查看的次数，计算各个候选用户的热度。
在本发明的一种具体实施方式中，所述热度的计算公式为：
其中，Hk为用户k的热度；lookk为用户k上传的内容对象在预设第二时间段内被查看的数量；l max为系统中所有用户上传的内容对象在预设第二时间段内被查看的最大的数量；l min为系统中所有用户上传的内容对象在预设第二时间段内被查看的最小的数量；所述用户k为候选用户中的任一个用户。
应用本发明实施例所提供的技术方案，综合考虑第一注册用户和候选用户的行为相似程度和/或行为对应程度、及好友相似程度这些推荐因素进行用户推荐，而不是单纯依靠第一注册用户和候选用户间的好友关系，这样，即使第一注册用户没有添加任何好友，网站也能够为其推荐比较合适的用户，从而可以较好地通过用户之间的互动来提升用户的归属感和荣誉感，增加用户对网站的粘性，提升用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的用户推荐方法的一种实施流程图；
图2为本发明实施例提供的用户推荐方法的另一种实施流程图；
图3为本发明实施例提供的用户推荐方法的另一种实施流程图；
图4为本发明实施例提供的用户推荐装置的一种结构示意图；
图5为本发明实施例提供的用户推荐装置的另一种结构示意图。
具体实施方式
首先对本发明实施例提供的一种用户推荐方法进行说明，该方法可以包括以下步骤：
当需要为第一注册用户推荐用户时，获得所述第一注册用户的行为数据和好友数据；
当所述第一注册用户的行为数据不为空时，获得候选用户的行为数据和好友数据；所述候选用户为系统中除所述第一注册用户外的所有注册用户；
根据所述第一注册用户的行为数据和各个候选用户的行为数据，计算各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度；
根据所述第一注册用户的好友数据和各个候选用户的好友数据，计算各个候选用户与所述第一注册用户的好友相似程度；
根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的计算结果，将满足预设条件的候选用户推荐给所述第一注册用户。
上述步骤的执行主体为网站服务器端，执行以上步骤可以为第一注册用户推荐用户。可以理解的是，从用户的行为数据中可以得到用户对网站的内容对象的兴趣，从用户的好友数据中可以得到用户对网站的其他用户的兴趣。将用户的行为数据与好友数据结合起来进行分析，可以将更合适的候选用户推荐给第一注册用户。
需要说明的是，使用用户推荐的网站可以是视频网站、音乐网站或者其他类型的网站，本发明对此不做限制。但为方便理解，以下对本发明实施例中各步骤的描述均以视频网站为例进行说明。
应用本发明实施例所提供的技术方案，综合考虑第一注册用户和候选用户的行为相似程度和/或行为对应程度、及好友相似程度这些推荐因素进行用户推荐，而不是单纯依靠第一注册用户和候选用户间的好友关系，这样，即使第一注册用户没有添加任何好友，网站也能够为其推荐比较合适的用户，从而可以较好地通过用户之间的互动来提升用户的归属感和荣誉感，增加用户对网站的粘性，提升用户体验。
为了使本领域技术人员更好地理解本发明实施例中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1所示，为本发明实施例提供的用户推荐方法的一种实施流程图，该方法可以包括以下步骤：
S110：当需要为第一注册用户推荐用户时，获得第一注册用户的行为数据和好友数据；
在实际应用中，网站为注册用户提供了更多的功能，更好的服务。在网站服务器端的数据库中可以存储注册用户的行为数据和好友数据，这些数据信息可以由网站服务器实时记录，还可以由网站客户端上传至服务器后由服务器进行记录。
可以理解的是，用户在网站中对网站的内容对象的操作都属于用户行为，对这些操作的记录构成了用户行为数据。以视频网站为例，在视频网站中，用户的行为数据可以是用户在该视频网站中观看了哪些视频文件、上传了哪些视频文件、针对哪些视频文件发表过评论、分享过哪些视频文件等等。容易理解的是，用户的好友数据主要是与该用户具有好友关系的用户的信息。
当需要为当前用户，即第一注册用户推荐用户时，首先获得第一注册用户的行为数据和好友数据。
S120：当第一注册用户的行为数据不为空时，获得候选用户的行为数据和好友数据；
所述候选用户为系统中除所述第一注册用户外的所有注册用户。
在步骤S110获得第一注册用户的行为数据，当第一注册用户的行为数据不为空时，表示该用户在网站中执行过相关行为操作，可以进一步获得候选用户的行为数据和好友数据，继续执行步骤S130及步骤S140的操作。
S130：根据第一注册用户的行为数据和各个候选用户的行为数据，计算各个候选用户与第一注册用户的行为相似程度和/或行为对应程度；
可以理解的是，用户的行为数据可以包含多种行为特征，将第一注册用户的行为数据中的某些特征与各个候选用户的行为数据中的相应特征进行对比，可以计算得到各个候选用户与第一注册用户的行为相似程度、或行为对应程度、或同时得到行为相似程度和行为对应程度。
在本发明的一种具体实施方式中，根据所述第一注册用户的行为数据和各个候选用户的行为数据，计算各个候选用户与所述第一注册用户的行为相似程度，可以包括以下四个步骤：
步骤一：从所述第一注册用户的行为数据中，获取所述第一注册用户的行为的类型、行为所对应的内容对象、行为发生的时刻；
步骤二：针对每个所述第一注册用户的行为所对应的内容对象，从各个候选用户的行为数据中，获取各个候选用户对该内容对象发生的行为的类型和行为发生的时刻；
步骤三：针对每个所述第一注册用户的行为所对应的内容对象，根据所述第一注册用户和各个候选用户相对于该内容对象的行为的类型、行为发生的时刻，计算所述第一注册用户和各个候选用户对该内容对象的喜好分数；
步骤四：根据所述喜好分数的计算结果，计算各个候选用户与所述第一注册用户的行为相似程度。
可以理解的是，各类型网站均由各自的内容对象构成，在不同类型的网站中，用户对该网站的内容对象发生的行为的类型也不同，用户对内容对象的不同行为可以代表用户对该内容对象的喜好程度。如视频网站，视频网站的内容对象为视频文件，用户对视频文件发生的行为可以有观看、上传、分享、点赞、评论等，相比于用户点赞的视频文件，用户可能更喜欢其分享的视频文件。
具体的，第一注册用户和各个候选用户对某内容对象的喜好分数可以通过下面的公式进行计算：
S uf = Σ a = 1 N ( w a * f a * α Δt ( a ) step ) - - - ( 1 )
其中，Suf为用户u对内容对象f的喜好分数；a＝1,2,…,N，分别表示不同行为的类型；wa为a行为对应的预设权重；fa表示用户u是否对内容对象f发生了a行为；Δt(a)为当前时刻与a行为发生的时刻的差值，为预设的与Δt(a)对应的权重因子，如果Δt(a)为正值，则α为预设的小于1、且大于0的常量，如果Δt(a)为负值，则α为预设的大于1的常量；所述用户u为所述第一注册用户和各个候选用户中的任一个用户。
可以理解的是，用户的兴趣和喜好并不是一成不变的，用户对网站的内容对象发生某一行为的时刻距离当前时刻的远近可以反映出该用户的喜好的变化。如以当前时刻为基准，用户在距离当前时刻一周的某时刻分享了“视频X”，在距离当前时刻一年的某时刻分享了“视频Y”，则从当前时刻来看，相比于“视频Y”，用户可能更喜欢“视频X”，所以可以针对用户行为发生的时刻对用户的喜好分数做衰减，距离当前时刻越久远的用户行为对计算用户对内容对象的喜好分数的影响越小。对于用户对内容对象发生某类行为的权重可以根据实际情况进行设置和调整。
相应的，各个候选用户与第一注册用户的行为相似程度的具体计算公式可以为：
sim ( m , v ) = Σ f = 1 N ( S mf * S vf ) - - - ( 2 )
其中，sim(m,v)表示用户m和用户v的行为相似程度；f＝1,2,…,N，分别表示不同内容对象；Smf为根据公式(1)计算的用户m对内容对象f的喜好分数；Svf为根据公式(1)计算的用户v对内容对象f的喜好分数；所述用户m为所述第一注册用户；所述用户v为候选用户中的任一个用户。
为方便理解，将以上四个步骤结合起来以视频网站为例进行说明。
视频网站的内容对象即为视频文件，用户对某视频文件的行为主要有三种类型：评论、赞和分享，当然实际应用中不限于这三种类型。从获得的第一注册用户的行为数据中，可以获取到第一注册用户的行为的类型(评论、赞或分享)、行为对应的视频文件、行为发生的时刻。如第一注册用户评论过视频A、视频B，赞过视频C，分享过视频D。针对这里的四个视频文件，可以从各个候选用户的行为数据中得到各个候选用户对这些视频文件发生过哪些行为和行为发生的时刻，从而针对每个视频文件，可以根据第一注册用户和各个候选用户相对于该视频文件的行为的类型、行为发生的时刻，计算得到第一注册用户和各个候选用户对该视频文件的喜好分数，并进一步根据喜好分数的计算结果，得到各个候选用户与第一注册用户的行为相似程度。
也就是说，如果两个用户在距离当前时刻较近的时刻对同一内容对象发生了相同行为，则表示两个用户的行为相似程度较高。
在本发明的另一种具体实施方式中，根据所述第一注册用户的行为数据和各个候选用户的行为数据，计算各个候选用户与所述第一注册用户的行为对应程度，可以包括以下四个步骤：
第一个步骤：从所述第一注册用户的行为数据中提取所述第一注册用户查看的内容对象的标识；
第二个步骤：从各个候选用户的行为数据中提取各个候选用户上传的内容对象的标识；
第三个步骤：将所述第一注册用户查看的内容对象的标识分别与各个候选用户上传的内容对象的标识进行匹配，确定具有相同标识的内容对象的数量；
第四个步骤：根据所确定的具有相同标识的内容对象的数量，计算各个候选用户与所述第一注册用户的行为对应程度。
仍以视频网站为例将上述四个步骤结合起来进行说明。在视频网站中，用户具有多种属性，也就是说，用户不仅可以是视频的消费者(即观看视频的用户)，还可以是视频的生产者(即上传视频的用户)。如果将视频的生产者推荐给视频的消费者可以间接的建立起用户和视频之间的关系，用户通过关注视频的生产者可以及时发现该视频生产者上传的新视频，从而可以增加用户对网站的粘性。
可以理解的是，通常情况下，用户上传或查看的内容对象总是自己较为感兴趣的。第一注册用户所查看的内容对象与某候选用户上传的内容对象相同的数量越多，表明二者的共同兴趣越多，行为对应程度越高。
需要说明的是，上述两个具体实施方式分别可以得到各个候选用户与第一注册用户的行为相似程度、行为对应程度，将这两个具体实施方式结合起来，可以同时得到各个候选用户与第一注册用户的行为相似程度和行为对应程度。
S140：根据第一注册用户的好友数据和各个候选用户的好友数据，计算各个候选用户与第一注册用户的好友相似程度；
可以理解的是，用户一般对自己所添加的好友有一定的兴趣，或者与好友认识，或者对好友的关注领域比较感兴趣。将第一注册用户的好友数据和各个候选用户的好友数据进行对比，可以计算得到各个候选用户与第一注册用户的好友相似程度。
在本发明的一种具体实施方式中，步骤S140可以包括以下三个步骤：
步骤一：从所述第一注册用户的好友数据和各个候选用户的好友数据中分别提取：所述第一注册用户的好友的标识、各个候选用户的好友的标识；
步骤二：将所述第一注册用户的好友的标识分别与各个候选用户的好友的标识进行匹配，确定所述第一注册用户与各个候选用户的共同好友数量；
步骤三：根据确定的共同好友数量，计算各个候选用户与所述第一注册用户的好友相似程度。
可以理解的是，两个用户的共同好友越多说明两个用户关注的领域越相似，这两个用户可能对彼此越感兴趣。所以可以根据共同好友数量，计算各个候选用户与第一注册用户的好友相似程度，尽量将与第一注册用户具有更多共同好友的候选用户推荐给第一注册用户，容易得到第一注册用户的认可。
需要说明的是，本发明实施例对步骤S130和步骤S140的执行顺序不做限制，可以顺序执行，还可以同步执行。
S150：根据各个候选用户与第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的计算结果，将满足预设条件的候选用户推荐给第一注册用户。
通过执行步骤S130和步骤S140，可以获得各个候选用户相对于第一注册用户推荐因素，如行为相似程度、行为对应程度、好友相似程度，综合考虑这些推荐因素，如综合行为相似程度和好友相似程度，或者综合行为相似程度、好友相似程度和行为对应程度，或者综合行为对应程度和好友相似程度，将满足预设条件的候选用户推荐给第一注册用户。
在本发明的一种具体实施方式中，步骤S150可以包括以下两个步骤：
步骤一：根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的加权，计算各个候选用户相对于所述第一注册用户的第一推荐度；
步骤二：将第一推荐度大于预设第一阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
在实际应用中，可以将各个候选用户相对于第一注册用户的行为相似程度、行为对应程度、好友相似程度的计算结果归一化至(0，1)之间，比如用sigmoid函数将各推荐因素的计算结果转化为0-1之间的得分，并根据各推荐因素的加权，如加权和或加权乘积，计算各个候选用户相对于第一注册用户的第一推荐度。因为本发明实施例所定义的候选用户为系统中除第一注册用户外的所有注册用户，所以应考虑到第一注册用户与候选用户是否已为好友关系，将第一推荐度大于第一阈值、且不为第一注册用户好友的候选用户推荐给第一注册用户。
需要说明的是，各推荐因素的权重可以根据具体情况进行设定和调整，本发明对此不做限制。
应用本发明实施例所提供的技术方案，综合考虑第一注册用户和候选用户的行为相似程度和/或行为对应程度、及好友相似程度这些推荐因素进行用户推荐，而不是单纯依靠第一注册用户和候选用户间的好友关系，这样，即使第一注册用户没有添加任何好友，网站也能够为其推荐比较合适的用户，从而可以较好地通过用户之间的互动来提升用户的归属感和荣誉感，增加用户对网站的粘性，提升用户体验。
在本发明的另一个实施例中，在步骤S120之后，还可以包括以下两个步骤：
第一个步骤：从所述第一注册用户的行为数据和各个候选用户的行为数据中，获取所述第一注册用户关注的用户的信息和各个候选用户关注的用户的信息；
第二个步骤：针对每个候选用户，确定关注了该候选用户的用户为所述第一注册用户关注的用户的数量，获得该候选用户与所述第一注册用户的关注匹配程度；
需要说明的是，这里所说的关注为单向关注。可以理解的是，如果用户A关注了用户B，用户B关注了用户C，则用户A可能对用户B所关注的用户C感兴趣。如果用户A关注的大部分用户都关注了用户C，可以表明用户C是用户A关注的用户较为认可的用户，那么将用户C推荐给用户A，可能会得到用户A的认可。所以，通过确定关注了某候选用户的用户是第一注册用户关注的用户的数量，可以获得该候选用户与第一注册用户的关注匹配程度。
相应的，步骤S150可以包括以下两个步骤：
步骤一：根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度、关注匹配程度的加权，计算各个候选用户相对于所述第一注册用户的第二推荐度；
步骤二：将第二推荐度大于预设第二阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
在实际应用中，可以将各个候选用户相对于第一注册用户的行为相似程度、行为对应程度、好友相似程度、关注匹配程度的计算结果归一化至(0，1)之间，比如用sigmoid函数将各推荐因素的计算结果转化为0-1之间的得分，并根据各推荐因素的加权，如加权和或加权乘积，计算各个候选用户相对于第一注册用户的第二推荐度。因为本发明实施例所定义的候选用户为系统中除第一注册用户外的所有注册用户，所以应考虑到第一注册用户与候选用户是否已为好友关系，将第二推荐度大于第二阈值、且不为第一注册用户好友的候选用户推荐给第一注册用户。
需要说明的是，各推荐因素的权重可以根据具体情况进行设定和调整，本发明对此不做限制。
在本发明的另一个实施例中，在步骤S120之后，还可以包括以下四个步骤：
第一个步骤：从各个候选用户的行为数据中，获取候选用户的个人空间中至少一个维度的空间状态信息、查看的内容对象信息和上传的内容对象信息；
在实际应用中，候选用户的个人空间状态信息可以包括几个维度的信息，如用户粉丝数、用户的关注数、用户空间访问量、用户空间被赞次数、用户空间评论次数、用户空间分享次数等，如果候选用户为内容对象上传者，则其个人空间状态信息还可以包括：用户空间上传的内容对象总量、用户空间内容对象被查看的次数等。这些维度的信息可以表征候选用户的空间活跃度。
第二个步骤：根据各个候选用户的空间状态信息，计算各个候选用户的空间活跃度；
根据第一个步骤获取到的候选用户的个人空间状态信息，可以通过各维度空间信息的具体数量值计算各个候选用户的空间活跃度。
在本发明的一种具体实施方式中，空间活跃度的计算公式为：
P k = Σ i = 1 N w i * cnt i - min i max i - min i - - - ( 3 )
其中，Pk为用户k的空间活跃度；N为用户k的个人空间信息维度数；wi为预设的第i维度空间信息的权重；cnti为用户k的第i维度空间信息的数量值；maxi为系统中所有用户的第i维度空间信息的最大数量值；mini为系统中所有用户的第i维度空间信息的最小数量值；所述用户k为候选用户中的任一个用户。
第三个步骤：根据各个候选用户查看的内容对象信息，计算各个候选用户的查看活跃度；
根据第一个步骤获取到的候选用户查看的内容对象信息，可以通过查看数量计算各个候选用户的查看活跃度。
在本发明的一种具体实施方式中，查看活跃度的计算公式为：
W k = watch k - w min w max - w min - - - ( 4 )
其中，Wk为用户k的查看活跃度；watchk为用户k在预设第一时间段内查看的内容对象的数量；w max为系统中所有用户在预设第一时间段内查看的内容对象最大的数量；w min为系统中所有用户在预设第一时间段内查看的内容对象最小的数量；所述用户k为候选用户中的任一个用户。
第四个步骤：根据各个候选用户上传的内容对象信息，计算各个候选用户的热度。
根据第一个步骤获取到的候选用户上传的内容对象信息，可以通过这些内容对象被查看的次数计算各个候选用户的热度。
具体的，可以根据各个候选用户上传的内容对象信息，确定各个候选用户上传的内容对象在预设第二时间段内被查看的次数；再根据各个候选用户上传的内容对象在预设第二时间段内被查看的次数，计算各个候选用户的热度。
在本发明的一种具体实施方式中，热度的计算公式为：
H k = look k - l min l max - l min - - - ( 5 )
其中，Hk为用户k的热度；lookk为用户k上传的内容对象在预设第二时间段内被查看的数量；l max为系统中所有用户上传的内容对象在预设第二时间段内被查看的最大的数量；l min为系统中所有用户上传的内容对象在预设第二时间段内被查看的最小的数量；所述用户k为候选用户中的任一个用户。
需要说明的是，本发明实施例对上述第二个步骤、第三个步骤、第四个步骤的执行顺序不做限制。
相应的，所述根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度、关注匹配程度的加权，计算各个候选用户相对于所述第一注册用户的第二推荐度；将第二推荐度大于预设第二阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户，可以包括以下两个步骤：
步骤一：根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度、关注匹配程度及各个候选用户的空间活跃度、查看活跃度、热度的加权，计算各个候选用户相对于所述第一注册用户的第三推荐度；
步骤二：将第三推荐度大于预设第三阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
在实际应用中，可以将各个候选用户相对于第一注册用户的行为相似程度、行为对应程度、好友相似程度、关注匹配程度及各个候选用户的空间活跃度、查看活跃度、热度的计算结果归一化至(0，1)之间，比如用sigmoid函数将各推荐因素的计算结果转化为0-1之间的得分，并根据各推荐因素的加权，如加权和或加权乘积，计算各个候选用户相对于第一注册用户的第三推荐度。因为本发明实施例所定义的候选用户为系统中除第一注册用户外的所有注册用户，所以应考虑到第一注册用户与候选用户是否已为好友关系，将第三推荐度大于第三阈值、且不为第一注册用户好友的候选用户推荐给第一注册用户。
具体的，参见图2所示，获得第一注册用户和各个候选用户的行为数据和好友数据之后，可以根据行为相似程度、行为对应程度、好友相似程度、关注匹配程度、空间活跃度、查看活跃度、热度的归一化结果的加权，如加权和或加权乘积，获得各个候选用户相对于第一注册用户的第三推荐度，从而可以将符合预设条件的候选用户推荐给第一注册用户。
需要说明的是，各推荐因素的权重可以根据具体情况进行设定和调整，本发明对此不做限制。
根据以上对各实施例的描述，在实际应用中，可以根据实际情况，分别考虑以上各实施例中的推荐因素，或者综合考虑以上各实施例中的推荐因素，将不同的推荐因素结合起来进行分析，以便将更为合适的候选用户推荐给第一注册用户。
在本发明的另一个实施例中，该方法还可以包括：当第一注册用户的行为数据为空时，执行以下六个步骤：
S210：获得候选用户的行为数据；
候选用户的行为数据中至少包含候选用户的个人空间中至少一个维度的空间状态信息、查看的内容对象信息和上传的内容对象信息。
在实际应用中，候选用户的个人空间状态信息可以包括几个维度的信息，如用户粉丝数、用户的关注数、用户空间访问量、用户空间被赞次数、用户空间评论次数、用户空间分享次数等，如果候选用户为内容对象上传者，则其个人空间状态信息还可以包括：用户空间上传的内容对象总量、用户空间内容对象被查看的次数等。这些维度的信息可以表征候选用户的空间活跃度。
S220：计算各个候选用户的空间活跃度；
根据步骤S210获取到的各个候选用户行为数据中的个人空间状态信息，可以通过各维度空间信息的具体数量值计算各个候选用户的空间活跃度。
具体的，可以利用公式(3)计算各个候选用户的空间活跃度。
S230：计算各个候选用户的查看活跃度；
根据步骤S210获取到的各个候选用户行为数据中的查看的内容对象信息，可以通过查看数量计算各个候选用户的查看活跃度。
具体的，可以利用公式(4)计算各个候选用户的查看活跃度。
S240：计算各个候选用户的热度；
根据步骤S210获取到的各个候选用户行为数据中上传的内容对象信息，可以通过这些内容对象在预设时间段内被查看的次数，计算各个候选用户的热度。
具体的，可以利用公式(5)计算各个候选用户的热度。
需要说明的是，本发明实施例对步骤S220、步骤S230和步骤S240的执行顺序不做限制。
S250：计算各个候选用户相对于所述第一注册用户的第四推荐度；
根据步骤S220、步骤S230、步骤S240计算得到的各个候选用户的空间活跃度、查看活跃度、热度的加权，如加权和或加权乘积，计算各个候选用户相对于第一注册用户的第四推荐度。权重可以根据实际情况进行设定和调整。
S260：将第四推荐度大于预设第四阈值的候选用户推荐给所述第一注册用户。
如果第一注册用户的行为数据为空，则无法根据其行为数据获得到兴趣信息，这种情况下，可以根据候选用户的活跃度、热度等计算结果，将高质量的用户推荐给第一注册用户，以增加第一注册用户对网站的粘性，提升用户体验。
综合以上对各实施例的描述，可以理解到，无论网站服务器端是否有针对第一注册用户的行为数据或好友数据，网站均可以通过各推荐因素的不同组合，为其推荐较为合适的候选用户，从而增加第一注册用户对网站的粘性，提升用户体验。
相应于上面的方法实施例，本发明实施例还提供了一种用户推荐装置，参见图4所示，该装置可以包括以下模块：
第一注册用户数据获得模块310，用于在需要为第一注册用户推荐用户的情况下，获得所述第一注册用户的行为数据和好友数据；
候选用户数据获得第一模块320，用于在所述第一注册用户的行为数据不为空的情况下，获得候选用户的行为数据和好友数据；所述候选用户为系统中除所述第一注册用户外的所有注册用户；
行为程度计算模块330，用于根据所述第一注册用户的行为数据和各个候选用户的行为数据，计算各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度；
好友相似程度计算模块340，用于根据所述第一注册用户的好友数据和各个候选用户的好友数据，计算各个候选用户与所述第一注册用户的好友相似程度；
第一推荐模块350，用于根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的计算结果，将满足预设条件的候选用户推荐给所述第一注册用户。
应用本发明实施例所提供的装置，综合考虑第一注册用户和候选用户的行为相似程度和/或行为对应程度、及好友相似程度这些推荐因素进行用户推荐，而不是单纯依靠第一注册用户和候选用户间的好友关系，这样，即使第一注册用户没有添加任何好友，网站也能够为其推荐比较合适的用户，从而可以较好地通过用户之间的互动来提升用户的归属感和荣誉感，增加用户对网站的粘性，提升用户体验。
在本发明的一种具体实施方式中，所述行为程度计算模块330，可以包括以下子模块：
第一注册用户行为信息获取子模块，用于从所述第一注册用户的行为数据中，获取所述第一注册用户的行为的类型、行为所对应的内容对象、行为发生的时刻；
候选用户行为信息获取子模块，用于针对每个所述第一注册用户的行为所对应的内容对象，从各个候选用户的行为数据中，获取各个候选用户对该内容对象发生的行为的类型和行为发生的时刻；
喜好分数计算子模块，用于针对每个所述第一注册用户的行为所对应的内容对象，根据所述第一注册用户和各个候选用户相对于该内容对象的行为的类型、行为发生的时刻，计算所述第一注册用户和各个候选用户对该内容对象的喜好分数；
行为相似程度计算子模块，用于根据所述喜好分数的计算结果，计算各个候选用户与所述第一注册用户的行为相似程度。
在本发明的一种具体实施方式中，所述喜好分数计算子模块可以具体用于：
针对每个所述第一注册用户的行为所对应的内容对象，根据喜好分数的计算公式，分别计算所述第一注册用户和各个候选用户对该内容对象的喜好分数；
其中，所述喜好分数的计算公式为：
其中，Suf为用户u对内容对象f的喜好分数；a＝1,2,…,N，分别表示不同行为的类型；wa为a行为对应的预设权重；fa表示用户u是否对内容对象f发生了a行为；Δt(a)为当前时刻与a行为发生的时刻的差值，为预设的与Δt(a)对应的权重因子，如果Δt(a)为正值，则α为预设的小于1、且大于0的常量，如果Δt(a)为负值，则α为预设的大于1的常量；所述用户u为所述第一注册用户和各个候选用户中的任一个用户；
相应的，所述行为相似程度计算子模块可以具体用于：
针对所述第一注册用户的行为所对应的内容对象，根据行为相似程度的计算公式，分别计算各个候选用户与所述第一注册用户的行为相似程度；
所述行为相似程度的计算公式为：
其中，sim(m,v)表示用户m和用户v的行为相似程度；f＝1,2,…,N，分别表示不同内容对象；Smf为用户m对内容对象f的喜好分数；Svf为用户v对内容对象f的喜好分数；所述用户m为所述第一注册用户；所述用户v为候选用户中的任一个用户。
在本发明的一种具体实施方式中，所述行为程度计算模块330可以包括以下子模块：
第一注册用户查看对象提取子模块，用于从所述第一注册用户的行为数据中提取所述第一注册用户查看的内容对象的标识；
候选用户上传对象提取子模块，用于从各个候选用户的行为数据中提取各个候选用户上传的内容对象的标识；
相同对象数量确定子模块，用于将所述第一注册用户查看的内容对象的标识分别与各个候选用户上传的内容对象的标识进行匹配，确定具有相同标识的内容对象的数量；
行为对应程度计算子模块，用于根据所确定的具有相同标识的内容对象的数量，计算各个候选用户与所述第一注册用户的行为对应程度。
在本发明的一种具体实施方式中，所述好友相似程度计算模块340，包括：
好友标识提取子模块，用于从所述第一注册用户的好友数据和各个候选用户的好友数据中分别提取：所述第一注册用户的好友的标识、各个候选用户的好友的标识；
共同好友数量确定子模块，用于将所述第一注册用户的好友的标识分别与各个候选用户的好友的标识进行匹配，确定各个候选用户与所述第一注册用户的共同好友数量；
好友相似程度计算子模块，用于根据确定的共同好友数量，计算各个候选用户与所述第一注册用户的好友相似程度。
在本发明的一种具体实施方式中，所述第一推荐模块350可以包括以下子模块：
第一推荐度计算子模块，用于根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的加权，计算各个候选用户相对于所述第一注册用户的第一推荐度；
第一推荐子模块，用于将第一推荐度大于预设第一阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
在本发明的另一个实施例中，还可以包括以下模块：
关注用户信息获取模块，用于从所述第一注册用户的行为数据和各个候选用户的行为数据中，获取所述第一注册用户关注的用户的信息和各个候选用户关注的用户的信息；
关注匹配程度计算模块，用于针对每个候选用户，确定关注了该候选用户的用户为所述第一注册用户关注的用户的数量，计算该候选用户与所述第一注册用户的关注匹配程度；
相应的，所述第一推荐模块350可以具体用于：
根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度、关注匹配程度的加权，计算各个候选用户相对于所述第一注册用户的第二推荐度；
将第二推荐度大于预设第二阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
在本发明的另一个实施例中，还可以包括以下模块：
多信息获取模块，用于从各个候选用户的行为数据中，获取候选用户的个人空间中至少一个维度的空间状态信息、查看的内容对象信息和上传的内容对象信息；
空间活跃度计算模块，用于根据各个候选用户的空间状态信息，计算各个候选用户的空间活跃度；
查看活跃度计算模块，用于根据各个候选用户查看的内容对象信息，计算各个候选用户的查看活跃度；
热度计算模块，用于根据各个候选用户上传的内容对象信息，计算各个候选用户的热度；
相应的，所述第一推荐模块350可以具体用于：
根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度、关注匹配程度及各个候选用户的空间活跃度、查看活跃度、热度的加权，计算各个候选用户相对于所述第一注册用户的第三推荐度；
将第三推荐度大于预设第三阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
参见图5所述，在本发明的另一个实施例中，还可以包括以下模块：
候选用户数据获得第二模块410，用于在所述第一注册用户的行为数据为空的情况下，获得候选用户的行为数据，所述行为数据中至少包含候选用户的个人空间中至少一个维度的空间状态信息、查看的内容对象信息和上传的内容对象信息；
空间活跃度计算模块420，用于根据各个候选用户的空间状态信息，计算各个候选用户的空间活跃度；
查看活跃度计算模块430，用于根据各个候选用户查看的内容对象信息，计算各个候选用户的查看活跃度；
热度计算模块440，用于根据各个候选用户上传的内容对象信息，计算各个候选用户的热度；
第四推荐度计算模块450，用于针对每个候选用户，根据所述空间活跃度计算模块计算的该候选用户的空间活跃度、所述查看活跃度计算模块计算的该候选用户的查看活跃度、所述热度计算模块计算的该候选用户的热度的加权，计算各个候选用户相对于所述第一注册用户的第四推荐度；
第二推荐模块460，用于将第四推荐度大于预设第四阈值的候选用户推荐给所述第一注册用户。
在本发明的一种具体实施方式中，所述空间活跃度的计算公式为：
其中，Pk为用户k的空间活跃度；N为用户k的个人空间信息维度数；wi为预设的第i维度空间信息的权重；cnti为用户k的第i维度空间信息的数量值；maxi为系统中所有用户的第i维度空间信息的最大数量值；mini为系统中所有用户的第i维度空间信息的最小数量值；所述用户k为候选用户中的任一个用户；
所述查看活跃度的计算公式为：
其中，Wk为用户k的查看活跃度；watchk为用户k在预设第一时间段内查看的内容对象的数量；w max为系统中所有用户在预设第一时间段内查看的内容对象最大的数量；w min为系统中所有用户在预设第一时间段内查看的内容对象最小的数量；所述用户k为候选用户中的任一个用户。
在本发明的一种具体实施方式中，所述热度计算模块440可以具体用于：
根据各个候选用户上传的内容对象信息，确定各个候选用户上传的内容对象在预设第二时间段内被查看的次数；
根据各个候选用户上传的内容对象在预设第二时间段内被查看的次数，计算各个候选用户的热度。
在本发明的一种具体实施方式中，所述热度的计算公式为：
其中，Hk为用户k的热度；lookk为用户k上传的内容对象在预设第二时间段内被查看的数量；l max为系统中所有用户上传的内容对象在预设第二时间段内被查看的最大的数量；l min为系统中所有用户上传的内容对象在预设第二时间段内被查看的最小的数量；所述用户k为候选用户中的任一个用户。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称得的存储介质，如：ROM/RAM、磁碟、光盘等。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (24)

1.一种用户推荐方法，其特征在于，包括：
当需要为第一注册用户推荐用户时，获得所述第一注册用户的行为数据和好友数据；
当所述第一注册用户的行为数据不为空时，获得候选用户的行为数据和好友数据；所述候选用户为系统中除所述第一注册用户外的所有注册用户；
根据所述第一注册用户的行为数据和各个候选用户的行为数据，计算各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度；
根据所述第一注册用户的好友数据和各个候选用户的好友数据，计算各个候选用户与所述第一注册用户的好友相似程度；
根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的计算结果，将满足预设条件的候选用户推荐给所述第一注册用户。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一注册用户的行为数据和各个候选用户的行为数据，计算各个候选用户与所述第一注册用户的行为相似程度，包括：
从所述第一注册用户的行为数据中，获取所述第一注册用户的行为的类型、行为所对应的内容对象、行为发生的时刻；
针对每个所述第一注册用户的行为所对应的内容对象，从各个候选用户的行为数据中，获取各个候选用户对该内容对象发生的行为的类型和行为发生的时刻；
针对每个所述第一注册用户的行为所对应的内容对象，根据所述第一注册用户和各个候选用户相对于该内容对象的行为的类型、行为发生的时刻，计算所述第一注册用户和各个候选用户对该内容对象的喜好分数；
根据所述喜好分数的计算结果，计算各个候选用户与所述第一注册用户的行为相似程度。
3.根据权利要求2所述的方法，其特征在于，所述针对每个所述第一注册用户的行为所对应的内容对象，根据所述第一注册用户和各个候选用户相对于该内容对象的行为的类型、行为发生的时刻，计算所述第一注册用户和各个候选用户对该内容对象的喜好分数，包括：
针对每个所述第一注册用户的行为所对应的内容对象，根据喜好分数的计算公式，分别计算所述第一注册用户和各个候选用户对该内容对象的喜好分数；
其中，所述喜好分数的计算公式为：
其中，Suf为用户u对内容对象f的喜好分数；a＝1,2,…,N，分别表示不同行为的类型；wa为a行为对应的预设权重；fa表示用户u是否对内容对象f发生了a行为；Δt(a)为当前时刻与a行为发生的时刻的差值，为预设的与Δt(a)对应的权重因子，如果Δt(a)为正值，则α为预设的小于1、且大于0的常量，如果Δt(a)为负值，则α为预设的大于1的常量；所述用户u为所述第一注册用户和各个候选用户中的任一个用户；
相应的，所述根据所述喜好分数的计算结果，计算各个候选用户与所述第一注册用户的行为相似程度，包括：
针对所述第一注册用户的行为所对应的内容对象，根据行为相似程度的计算公式，分别计算各个候选用户与所述第一注册用户的行为相似程度；
所述行为相似程度的计算公式为：
其中，sim(m,v)表示用户m和用户v的行为相似程度；f＝1,2,…,N，分别表示不同内容对象；Smf为用户m对内容对象f的喜好分数；Svf为用户v对内容对象f的喜好分数；所述用户m为所述第一注册用户；所述用户v为候选用户中的任一个用户。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一注册用户的行为数据和各个候选用户的行为数据，计算各个候选用户与所述第一注册用户的行为对应程度，包括：
从所述第一注册用户的行为数据中提取所述第一注册用户查看的内容对象的标识；
从各个候选用户的行为数据中提取各个候选用户上传的内容对象的标识；
将所述第一注册用户查看的内容对象的标识分别与各个候选用户上传的内容对象的标识进行匹配，确定具有相同标识的内容对象的数量；
根据所确定的具有相同标识的内容对象的数量，计算各个候选用户与所述第一注册用户的行为对应程度。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一注册用户的好友数据和各个候选用户的好友数据，计算各个候选用户与所述第一注册用户的好友相似程度，包括：
从所述第一注册用户的好友数据和各个候选用户的好友数据中分别提取：所述第一注册用户的好友的标识、各个候选用户的好友的标识；
将所述第一注册用户的好友的标识分别与各个候选用户的好友的标识进行匹配，确定各个候选用户与所述第一注册用户的共同好友数量；
根据确定的共同好友数量，计算各个候选用户与所述第一注册用户的好友相似程度。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的计算结果，将满足预设条件的候选用户推荐给所述第一注册用户，包括：
根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的加权，计算各个候选用户相对于所述第一注册用户的第一推荐度；
将第一推荐度大于预设第一阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
7.根据权利要求1所述的方法，其特征在于，在所述获得候选用户的行为数据和好友数据之后，还包括：
从所述第一注册用户的行为数据和各个候选用户的行为数据中，获取所述第一注册用户关注的用户的信息和各个候选用户关注的用户的信息；
针对每个候选用户，确定关注了该候选用户的用户为所述第一注册用户关注的用户的数量，计算该候选用户与所述第一注册用户的关注匹配程度；
相应的，根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的计算结果，将满足预设条件的候选用户推荐给所述第一注册用户，包括：
根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度、关注匹配程度的加权，计算各个候选用户相对于所述第一注册用户的第二推荐度；
将第二推荐度大于预设第二阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
8.根据权利要求7所述的方法，其特征在于，在所述获得候选用户的行为数据和好友数据之后，还包括：
从各个候选用户的行为数据中，获取候选用户的个人空间中至少一个维度的空间状态信息、查看的内容对象信息和上传的内容对象信息；
根据各个候选用户的空间状态信息，计算各个候选用户的空间活跃度；
根据各个候选用户查看的内容对象信息，计算各个候选用户的查看活跃度；
根据各个候选用户上传的内容对象信息，计算各个候选用户的热度；
相应的，所述根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度、关注匹配程度的加权，计算各个候选用户相对于所述第一注册用户的第二推荐度；将第二推荐度大于预设第二阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户，包括：
根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度、关注匹配程度及各个候选用户的空间活跃度、查看活跃度、热度的加权，计算各个候选用户相对于所述第一注册用户的第三推荐度；
将第三推荐度大于预设第三阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
9.根据权利要求1所述的方法，其特征在于，还包括：
当所述第一注册用户的行为数据为空时，获得候选用户的行为数据，所述行为数据中至少包含候选用户的个人空间中至少一个维度的空间状态信息、查看的内容对象信息和上传的内容对象信息；
根据各个候选用户的空间状态信息，计算各个候选用户的空间活跃度；
根据各个候选用户查看的内容对象信息，计算各个候选用户的查看活跃度；
根据各个候选用户上传的内容对象信息，计算各个候选用户的热度；
根据各个候选用户的空间活跃度、查看活跃度、热度的加权，计算各个候选用户相对于所述第一注册用户的第四推荐度；
将第四推荐度大于预设第四阈值的候选用户推荐给所述第一注册用户。
10.根据权利要求8或9所述的方法，其特征在于，
所述空间活跃度的计算公式为：
其中，Pk为用户k的空间活跃度；N为用户k的个人空间信息维度数；wi为预设的第i维度空间信息的权重；cnti为用户k的第i维度空间信息的数量值；maxi为系统中所有用户的第i维度空间信息的最大数量值；mini为系统中所有用户的第i维度空间信息的最小数量值；所述用户k为候选用户中的任一个用户；
所述查看活跃度的计算公式为：
其中，Wk为用户k的查看活跃度；watchk为用户k在预设第一时间段内查看的内容对象的数量；w max为系统中所有用户在预设第一时间段内查看的内容对象最大的数量；w min为系统中所有用户在预设第一时间段内查看的内容对象最小的数量；所述用户k为候选用户中的任一个用户。
11.根据权利要求8或9所述的方法，其特征在于，所述根据各个候选用户上传的内容对象信息，计算各个候选用户的热度，包括：
根据各个候选用户上传的内容对象信息，确定各个候选用户上传的内容对象在预设第二时间段内被查看的次数；
根据各个候选用户上传的内容对象在预设第二时间段内被查看的次数，计算各个候选用户的热度。
12.根据权利要求11所述的方法，其特征在于，所述热度的计算公式为：
其中，Hk为用户k的热度；lookk为用户k上传的内容对象在预设第二时间段内被查看的数量；l max为系统中所有用户上传的内容对象在预设第二时间段内被查看的最大的数量；l min为系统中所有用户上传的内容对象在预设第二时间段内被查看的最小的数量；所述用户k为候选用户中的任一个用户。
13.一种用户推荐装置，其特征在于，包括：
第一注册用户数据获得模块，用于在需要为第一注册用户推荐用户的情况下，获得所述第一注册用户的行为数据和好友数据；
候选用户数据获得第一模块，用于在所述第一注册用户的行为数据不为空的情况下，获得候选用户的行为数据和好友数据；所述候选用户为系统中除所述第一注册用户外的所有注册用户；
行为程度计算模块，用于根据所述第一注册用户的行为数据和各个候选用户的行为数据，计算各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度；
好友相似程度计算模块，用于根据所述第一注册用户的好友数据和各个候选用户的好友数据，计算各个候选用户与所述第一注册用户的好友相似程度；
第一推荐模块，用于根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的计算结果，将满足预设条件的候选用户推荐给所述第一注册用户。
14.根据权利要求13所述的装置，其特征在于，所述行为程度计算模块，包括：
第一注册用户行为信息获取子模块，用于从所述第一注册用户的行为数据中，获取所述第一注册用户的行为的类型、行为所对应的内容对象、行为发生的时刻；
候选用户行为信息获取子模块，用于针对每个所述第一注册用户的行为所对应的内容对象，从各个候选用户的行为数据中，获取各个候选用户对该内容对象发生的行为的类型和行为发生的时刻；
喜好分数计算子模块，用于针对每个所述第一注册用户的行为所对应的内容对象，根据所述第一注册用户和各个候选用户相对于该内容对象的行为的类型、行为发生的时刻，计算所述第一注册用户和各个候选用户对该内容对象的喜好分数；
行为相似程度计算子模块，用于根据所述喜好分数的计算结果，计算各个候选用户与所述第一注册用户的行为相似程度。
15.根据权利要求14所述的装置，其特征在于，所述喜好分数计算子模块具体用于：
针对每个所述第一注册用户的行为所对应的内容对象，根据喜好分数的计算公式，分别计算所述第一注册用户和各个候选用户对该内容对象的喜好分数；
其中，所述喜好分数的计算公式为：
其中，Suf为用户u对内容对象f的喜好分数；a＝1,2,…,N，分别表示不同行为的类型；wa为a行为对应的预设权重；fa表示用户u是否对内容对象f发生了a行为；Δt(a)为当前时刻与a行为发生的时刻的差值，为预设的与Δt(a)对应的权重因子，如果Δt(a)为正值，则α为预设的小于1、且大于0的常量，如果Δt(a)为负值，则α为预设的大于1的常量；所述用户u为所述第一注册用户和各个候选用户中的任一个用户；
相应的，所述行为相似程度计算子模块具体用于：
针对所述第一注册用户的行为所对应的内容对象，根据行为相似程度的计算公式，分别计算各个候选用户与所述第一注册用户的行为相似程度；
所述行为相似程度的计算公式为：
其中，sim(m,v)表示用户m和用户v的行为相似程度；f＝1,2,…,N，分别表示不同内容对象；Smf为用户m对内容对象f的喜好分数；Svf为用户v对内容对象f的喜好分数；所述用户m为所述第一注册用户；所述用户v为候选用户中的任一个用户。
16.根据权利要求13所述的装置，其特征在于，所述行为程度计算模块，包括：
第一注册用户查看对象提取子模块，用于从所述第一注册用户的行为数据中提取所述第一注册用户查看的内容对象的标识；
候选用户上传对象提取子模块，用于从各个候选用户的行为数据中提取各个候选用户上传的内容对象的标识；
相同对象数量确定子模块，用于将所述第一注册用户查看的内容对象的标识分别与各个候选用户上传的内容对象的标识进行匹配，确定具有相同标识的内容对象的数量；
行为对应程度计算子模块，用于根据所确定的具有相同标识的内容对象的数量，计算各个候选用户与所述第一注册用户的行为对应程度。
17.根据权利要求13所述的装置，其特征在于，所述好友相似程度计算模块，包括：
好友标识提取子模块，用于从所述第一注册用户的好友数据和各个候选用户的好友数据中分别提取：所述第一注册用户的好友的标识、各个候选用户的好友的标识；
共同好友数量确定子模块，用于将所述第一注册用户的好友的标识分别与各个候选用户的好友的标识进行匹配，确定各个候选用户与所述第一注册用户的共同好友数量；
好友相似程度计算子模块，用于根据确定的共同好友数量，计算各个候选用户与所述第一注册用户的好友相似程度。
18.根据权利要求13至17任一项所述的装置，其特征在于，所述第一推荐模块，包括：
第一推荐度计算子模块，用于根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度的加权，计算各个候选用户相对于所述第一注册用户的第一推荐度；
第一推荐子模块，用于将第一推荐度大于预设第一阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
19.根据权利要求13所述的装置，其特征在于，还包括：
关注用户信息获取模块，用于从所述第一注册用户的行为数据和各个候选用户的行为数据中，获取所述第一注册用户关注的用户的信息和各个候选用户关注的用户的信息；
关注匹配程度计算模块，用于针对每个候选用户，确定关注了该候选用户的用户为所述第一注册用户关注的用户的数量，计算该候选用户与所述第一注册用户的关注匹配程度；
相应的，所述第一推荐模块具体用于：
根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度、关注匹配程度的加权，计算各个候选用户相对于所述第一注册用户的第二推荐度；
将第二推荐度大于预设第二阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
20.根据权利要求19所述的装置，其特征在于，还包括：
多信息获取模块，用于从各个候选用户的行为数据中，获取候选用户的个人空间中至少一个维度的空间状态信息、查看的内容对象信息和上传的内容对象信息；
空间活跃度计算模块，用于根据各个候选用户的空间状态信息，计算各个候选用户的空间活跃度；
查看活跃度计算模块，用于根据各个候选用户查看的内容对象信息，计算各个候选用户的查看活跃度；
热度计算模块，用于根据各个候选用户上传的内容对象信息，计算各个候选用户的热度；
相应的，所述第一推荐模块具体用于：
根据各个候选用户与所述第一注册用户的行为相似程度和/或行为对应程度、及好友相似程度、关注匹配程度及各个候选用户的空间活跃度、查看活跃度、热度的加权，计算各个候选用户相对于所述第一注册用户的第三推荐度；
将第三推荐度大于预设第三阈值、且不为所述第一注册用户好友的候选用户推荐给所述第一注册用户。
21.根据权利要求13所述的装置，其特征在于，还包括：
候选用户数据获得第二模块，用于在所述第一注册用户的行为数据为空的情况下，获得候选用户的行为数据，所述行为数据中至少包含候选用户的个人空间中至少一个维度的空间状态信息、查看的内容对象信息和上传的内容对象信息；
空间活跃度计算模块，用于根据各个候选用户的空间状态信息，计算各个候选用户的空间活跃度；
查看活跃度计算模块，用于根据各个候选用户查看的内容对象信息，计算各个候选用户的查看活跃度；
热度计算模块，用于根据各个候选用户上传的内容对象信息，计算各个候选用户的热度；
第四推荐度计算模块，用于针对每个候选用户，根据所述空间活跃度计算模块计算的该候选用户的空间活跃度、所述查看活跃度计算模块计算的该候选用户的查看活跃度、所述热度计算模块计算的该候选用户的热度的加权，计算各个候选用户相对于所述第一注册用户的第四推荐度；
第二推荐模块，用于将第四推荐度大于预设第四阈值的候选用户推荐给所述第一注册用户。
22.根据权利要求20或21所述的装置，其特征在于，
所述空间活跃度的计算公式为：
其中，Pk为用户k的空间活跃度；N为用户k的个人空间信息维度数；wi为预设的第i维度空间信息的权重；cnti为用户k的第i维度空间信息的数量值；maxi为系统中所有用户的第i维度空间信息的最大数量值；mini为系统中所有用户的第i维度空间信息的最小数量值；所述用户k为候选用户中的任一个用户；
所述查看活跃度的计算公式为：
其中，Wk为用户k的查看活跃度；watchk为用户k在预设第一时间段内查看的内容对象的数量；w max为系统中所有用户在预设第一时间段内查看的内容对象最大的数量；w min为系统中所有用户在预设第一时间段内查看的内容对象最小的数量；所述用户k为候选用户中的任一个用户。
23.根据权利要求20或21所述的装置，其特征在于，所述热度计算模块具体用于：
根据各个候选用户上传的内容对象信息，确定各个候选用户上传的内容对象在预设第二时间段内被查看的次数；
根据各个候选用户上传的内容对象在预设第二时间段内被查看的次数，计算各个候选用户的热度。
24.根据权利要求23所述的装置，其特征在于，所述热度的计算公式为：
其中，Hk为用户k的热度；lookk为用户k上传的内容对象在预设第二时间段内被查看的数量；l max为系统中所有用户上传的内容对象在预设第二时间段内被查看的最大的数量；l min为系统中所有用户上传的内容对象在预设第二时间段内被查看的最小的数量；所述用户k为候选用户中的任一个用户。
CN201510089046.XA 2015-02-26 2015-02-26 一种用户推荐方法及装置 Active CN104615775B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510089046.XA CN104615775B (zh) 2015-02-26 2015-02-26 一种用户推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510089046.XA CN104615775B (zh) 2015-02-26 2015-02-26 一种用户推荐方法及装置

Publications (2)

Publication Number Publication Date
CN104615775A true CN104615775A (zh) 2015-05-13
CN104615775B CN104615775B (zh) 2018-08-07

Family

ID=53150217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510089046.XA Active CN104615775B (zh) 2015-02-26 2015-02-26 一种用户推荐方法及装置

Country Status (1)

Country Link
CN (1) CN104615775B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657369A (zh) * 2013-11-19 2015-05-27 深圳市腾讯计算机系统有限公司 用户属性信息的生成方法及系统
CN105894254A (zh) * 2016-06-28 2016-08-24 上海理工大学 一种基于度数分布与用户评分的社交推荐系统
CN106411716A (zh) * 2016-10-28 2017-02-15 珠海市魅族科技有限公司 好友添加方法和装置
CN106445909A (zh) * 2015-08-10 2017-02-22 北京奇虎科技有限公司 基于即时通讯平台的关注对象推送方法及装置
CN106709750A (zh) * 2015-11-18 2017-05-24 腾讯科技（深圳）有限公司 一种用户推荐方法及装置
WO2018081966A1 (zh) * 2016-11-03 2018-05-11 华为技术有限公司 一种关联用户的方法、终端和服务器
WO2019000864A1 (zh) * 2017-06-29 2019-01-03 武汉斗鱼网络科技有限公司 粉丝身份标识的配置方法、存储介质、电子设备及系统
CN109977152A (zh) * 2019-04-03 2019-07-05 翟红鹰 基于区块链技术的智能匹配方法、系统及存储介质
CN110362748A (zh) * 2019-07-11 2019-10-22 广州市百果园信息技术有限公司 用户推荐方法、装置、设备、存储介质和系统
CN110515520A (zh) * 2019-08-27 2019-11-29 北京字节跳动网络技术有限公司 一种正反馈方法、装置及存储介质
CN111859117A (zh) * 2020-06-19 2020-10-30 腾讯科技（深圳）有限公司 信息推荐方法、装置、电子设备及可读存储介质
CN111984871A (zh) * 2020-09-04 2020-11-24 广州繁星互娱信息科技有限公司 好友推荐方法、好友推荐显示方法、装置及设备
CN113592589A (zh) * 2021-07-27 2021-11-02 上海致景信息科技有限公司 纺织原料推荐方法、装置及处理器
CN113704315A (zh) * 2021-08-24 2021-11-26 北京达佳互联信息技术有限公司 一种用户推荐方法、装置、电子设备及存储介质
US11863595B2 (en) 2021-02-19 2024-01-02 Tiya Pte. Ltd. Method and apparatus for matching users, computer device, and storage medium

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637183A (zh) * 2011-02-12 2012-08-15 北京千橡网景科技发展有限公司 用于在社交网络中向用户推荐好友的方法和设备
CN104021233A (zh) * 2014-06-30 2014-09-03 电子科技大学 一种基于社区发现的社交网络好友推荐方法
CN104102648A (zh) * 2013-04-07 2014-10-15 腾讯科技（深圳）有限公司 基于用户行为数据的兴趣推荐方法及装置
US20140330653A1 (en) * 2012-06-27 2014-11-06 Huawei Technologies Co., Ltd. Information Recommendation Method and Apparatus

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637183A (zh) * 2011-02-12 2012-08-15 北京千橡网景科技发展有限公司 用于在社交网络中向用户推荐好友的方法和设备
US20140330653A1 (en) * 2012-06-27 2014-11-06 Huawei Technologies Co., Ltd. Information Recommendation Method and Apparatus
CN104102648A (zh) * 2013-04-07 2014-10-15 腾讯科技（深圳）有限公司 基于用户行为数据的兴趣推荐方法及装置
CN104021233A (zh) * 2014-06-30 2014-09-03 电子科技大学 一种基于社区发现的社交网络好友推荐方法

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657369A (zh) * 2013-11-19 2015-05-27 深圳市腾讯计算机系统有限公司 用户属性信息的生成方法及系统
CN106445909A (zh) * 2015-08-10 2017-02-22 北京奇虎科技有限公司 基于即时通讯平台的关注对象推送方法及装置
CN106709750A (zh) * 2015-11-18 2017-05-24 腾讯科技（深圳）有限公司 一种用户推荐方法及装置
CN105894254A (zh) * 2016-06-28 2016-08-24 上海理工大学 一种基于度数分布与用户评分的社交推荐系统
CN106411716A (zh) * 2016-10-28 2017-02-15 珠海市魅族科技有限公司 好友添加方法和装置
WO2018081966A1 (zh) * 2016-11-03 2018-05-11 华为技术有限公司 一种关联用户的方法、终端和服务器
WO2019000864A1 (zh) * 2017-06-29 2019-01-03 武汉斗鱼网络科技有限公司 粉丝身份标识的配置方法、存储介质、电子设备及系统
CN109977152A (zh) * 2019-04-03 2019-07-05 翟红鹰 基于区块链技术的智能匹配方法、系统及存储介质
CN110362748A (zh) * 2019-07-11 2019-10-22 广州市百果园信息技术有限公司 用户推荐方法、装置、设备、存储介质和系统
CN110515520A (zh) * 2019-08-27 2019-11-29 北京字节跳动网络技术有限公司 一种正反馈方法、装置及存储介质
CN111859117A (zh) * 2020-06-19 2020-10-30 腾讯科技（深圳）有限公司 信息推荐方法、装置、电子设备及可读存储介质
CN111859117B (zh) * 2020-06-19 2024-03-26 腾讯科技（深圳）有限公司 信息推荐方法、装置、电子设备及可读存储介质
CN111984871A (zh) * 2020-09-04 2020-11-24 广州繁星互娱信息科技有限公司 好友推荐方法、好友推荐显示方法、装置及设备
US11863595B2 (en) 2021-02-19 2024-01-02 Tiya Pte. Ltd. Method and apparatus for matching users, computer device, and storage medium
CN113592589A (zh) * 2021-07-27 2021-11-02 上海致景信息科技有限公司 纺织原料推荐方法、装置及处理器
CN113592589B (zh) * 2021-07-27 2024-03-29 上海致景信息科技有限公司 纺织原料推荐方法、装置及处理器
CN113704315A (zh) * 2021-08-24 2021-11-26 北京达佳互联信息技术有限公司 一种用户推荐方法、装置、电子设备及存储介质
CN113704315B (zh) * 2021-08-24 2024-04-16 北京达佳互联信息技术有限公司 一种用户推荐方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN104615775B (zh) 2018-08-07

Similar Documents

Publication Publication Date Title
CN104615775A (zh) 一种用户推荐方法及装置
US11107118B2 (en) Management of the display of online ad content consistent with one or more performance objectives for a webpage and/or website
CN105430504B (zh) 基于电视观看日志挖掘的家庭成员结构识别方法与系统
CN108153791B (zh) 一种资源推荐方法和相关装置
Manzerolle et al. Consumer databases, neoliberalism, and the commercial mediation of identity: A medium theory analysis
CN103678518A (zh) 一种推荐列表调整方法和装置
CN105426550A (zh) 一种基于用户质量模型的协同过滤标签推荐方法及系统
US20140337304A1 (en) Application retention metrics
Gandy The political economy of personal information
CN106570031A (zh) 一种业务对象的推荐方法和装置
CN113781139A (zh) 物品推荐方法、物品推荐装置、设备和介质
Tiwari et al. Amalgamating contextual information into recommender system
CN107481058A (zh) 一种产品推荐方法以及产品推荐装置
CN117390289B (zh) 基于用户画像的房屋建造方案推荐方法、装置、设备
Tkachenko et al. Plackett-luce regression mixture model for heterogeneous rankings
Edi Surya et al. Recommendation System with Content-Based Filtering in NFT Marketplace
Steeley Forecasting the Term Structure when Short‐Term Rates are Near Zero
Osaysa Improving the quality of marketing analytics systems
Maryati et al. E-commerce adoption strategy for e-library development in Indonesia
Chalupkova et al. Application of the analytic hierarchy process method in a comparison of financial leasing and loans
Liu et al. Animation user value portrait based on RFM model under big data
Fischer et al. Personalization through user attributes for transformer-based sequential recommendation
CN105447087A (zh) 一种视频推荐方法及装置
CN107066602A (zh) 一种新闻信息推送方法及系统
Meng et al. Joint model of topics, expertises, activities and trends for question answering web applications

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant