CN104750716A - 一种社交网站好友推荐方法及装置 - Google Patents

Abstract

本发明公开了一种社交网站好友推荐方法及装置。该方法包括：计算每两个用户在步数统计周期内的平均步数分布曲线的相关性，得到相关性参数；根据统计得到的用户的日常运动的地理位置和运动路线，确定每两个用户的运动路线质心距离；统计每两个用户的共同好友数量；根据所述相关性参数、运动路线质心距离、共同好友数量及其各自所占的权重，计算得到好友推荐参考分值；根据所述好友推荐参考分值为用户推荐好友。本发明还公开了用于实现所述方法的装置。

Description

一种社交网站好友推荐方法及装置

技术领域

本发明涉及网络服务技术领域，尤其涉及一种社交网站好友推荐方法及装置。

背景技术

现有社交网络的好友推荐一般是按照社交关系中用户的共同好友数量或相熟度为规则，朋友网、开心网、飞信、微博等都是这样的推荐方法；而这种方式建立在社交网站的用户数量大且用户之间广泛建立了好友关系的基础上，对于诸如运动社交网站之类的用户数量不够大且用户之间没有广泛建立好友关系的社交网站，其一般需要推荐运动爱好相同或相近的用户建立好友关系，由于其用户数量和好友关系上的欠缺，采用上述方法将不能很好地进行网站好友的推荐。

目前还有一种建立好友关系的好友推荐机制，就是初始定义每个好友的优先级，再根据用户的选择调整每个好友的优先级，进而决定向用户的推荐好友的顺序。这种方式也不太适合运动社交网站这种需要找寻具有相同或相近运动爱好的好友的社交网站的好友推荐需求。

因此，对于用户数量不够大且用户之间没有广泛建立好友关系的社交网站，缺少一种有效的好友推荐机制，不能很好的为用户推荐同一个运动社交平台上最有可能与其成为好友关系的用户，促使其建立联系。例如，对于运动社交网站，为用户推荐好友使其建立运动伙伴关系等，上述两种方式都不能满足这种需求。

可见，现有的好友推荐规则不能完全满足运动类社交网络的用户需求，即不能满足在行为相似的用户之间建立好友关系的好友推荐需求。

发明内容

本发明实施例提供一种社交网站好友推荐方法及装置，用于解决现有技术中的好友推荐机制不能满足在行为类似的用户之间建立好友关系的好友推荐需求的问题。

本发明实施例提供一种社交网站好友推荐方法，包括以下步骤：

计算每两个用户在步数统计周期内的平均步数分布曲线的相关性，得到相关性参数；

根据统计得到的用户的日常运动的地理位置和运动路线，确定每两个用户的运动路线质心距离；

统计每两个用户的共同好友数量；

根据所述相关性参数、运动路线质心距离、共同好友数量及其各自所占的权重，计算得到好友推荐参考分值；

根据所述好友推荐参考分值为用户推荐好友。

在一些可选的实施例中，所述得到相关性参数的过程，具体包括：

按设定的步数统计周期，统计每个用户在步数统计周期内的平均步数，得到平均步数分布曲线；

根据设定的相关性计算公式，计算每两个用户的平均步数分布曲线的相关性，得到所述相关性参数。

在一些可选的实施例中，通过下列公式计算每两个用户的平均步数分布曲线的相关性A：

A＝(X_i·X_j)/|X_i·X_j|

其中，[X_i]表示一个用户的平均步数分布曲线，i＝1,2,......,M；[X_j]表示一个用户的平均步数分布曲线，j＝1,2,......,M；M为步数统计周期与统计粒度的比值。

在一些可选的实施例中，所述确定每两个用户的运动路线质心距离，具体包括：

统计用户在设定的路线统计周期内的每个统计时间段的日常运动地理位置和运动路线；

针对每个统计时间段，对统计得到的运动路线进行分组，计算每组内每两个用户的运动路线质心距离。

在一些可选的实施例中，通过下列公式计算每两个用户的运动路线质心距离B：B＝sqrt[(Δx^-)²+(Δy^-)²]；

(x^-,y^-)为统计得到的用户的运动路线的质心，质心(x^-,y^-)通过下列公式计算得到：

x^-＝∫xρ(x,y)ds/∫ρ(x,y)ds；

y^-＝∫yρ(x,y)ds/∫ρ(x,y)ds；

其中，ds＝sqrt(dx²+dy²)。

在一些可选的实施例中，所述计算得到好友推荐参考分值的过程具体包括：

根据所述相关性参数、运动路线质心距离、共同好友数量分别确定相关性分值、质心距离分值和共同好友数量分值；

用所述相关性分值、质心距离分值和共同好友数量分值分别乘以各自的权重因子之后求和，得到所述好友推荐参考分值。

在一些可选的实施例中，所述得到好友推荐参考分值之前，还包括：对所述相关性分值、质心距离分值和共同好友数量分值进行归一化处理。

在一些可选的实施例中，所述根据所述好友推荐参考分值为用户推荐好友，具体包括：

获取所述好友推荐参考分值中分值最高的设定数量的用户，作为推荐给用户的好友用户；或

获取所述好友推荐参考分值中分值大于设定的分值阈值的用户，作为推荐给用户的好友用户。

本发明实施例提供一种社交网站好友推荐装置，包括：

第一确定模块，用于计算每两个用户在步数统计周期内的平均步数分布曲线的相关性，得到相关性参数；

第二确定模块，用于根据统计得到的用户的日常运动的地理位置和运动路线，确定每两个用户的运动路线质心距离；

第三确定模块，用于统计每两个用户的共同好友数量；

参考计算模块，用于根据所述相关性参数、运动路线质心距离、共同好友数量及其各自所占的权重，计算得到好友推荐参考分值；

推荐执行模块，用于根据所述好友推荐参考分值为用户推荐好友。

在一些可选的实施例中，所述第一确定模块，具体用于：

按设定的步数统计周期，统计每个用户在步数统计周期内的平均步数，得到平均步数分布曲线；

根据设定的相关性计算公式，计算每两个用户的平均步数分布曲线的相关性，得到所述相关性参数。

在一些可选的实施例中，所述第一确定模块，具体用于通过下列公式计算每两个用户的平均步数分布曲线的相关性A：

A＝(X_i·X_j)/|X_i·X_j|

其中，[X_i]表示一个用户的平均步数分布曲线，i＝1,2,......,M；[Xj]表示一个用户的平均步数分布曲线，j＝1,2,......,M；M为步数统计周期与统计粒度的比值。

在一些可选的实施例中，所述第二确定模块，具体用于：

统计用户在设定的路线统计周期内的每个统计时间段的日常运动地理位置和运动路线；

针对每个统计时间段，对统计得到的运动路线进行分组，计算每组内每两个用户的运动路线质心距离。

在一些可选的实施例中，所述第二确定模块，具体用于通过下列公式计算每两个用户的运动路线质心距离B：B＝sqrt[(Δx^-)²+(Δy^-)²]；

(x^-,y^-)为统计得到的用户的运动路线的质心，质心(x^-,y^-)通过下列公式计算得到：

x^-＝∫xρ(x,y)ds/∫ρ(x,y)ds；

y^-＝∫yρ(x,y)ds/∫ρ(x,y)ds；

其中，ds＝sqrt(dx²+dy²)。

在一些可选的实施例中，所述参考计算模块，具体用于：

根据所述相关性参数、运动路线质心距离、共同好友数量分别确定相关性分值、质心距离分值和共同好友数量分值；

用所述相关性分值、质心距离分值和共同好友数量分值分别乘以各自的权重因子之后求和，得到所述好友推荐参考分值。

在一些可选的实施例中，所述参考计算模块，还用于：在得到好友推荐参考分值之前，对所述相关性分值、质心距离分值和共同好友数量分值进行归一化处理。

在一些可选的实施例中，所述推荐执行模块，具体用于：

获取所述好友推荐参考分值中分值最高的设定数量的用户，作为推荐给用户的好友用户；或

获取所述好友推荐参考分值中分值大于设定的分值阈值的用户，作为推荐给用户的好友用户。

本发明实施例提供的社交网站好友推荐方法及装置，通过用户平均步数分布曲线的相关性，日常运动的运动路线质心距离，共同好友数量等因素进行权重评分，得到好友推荐参考分值，根据好友推荐参考分值为用户推荐好友，从而实现为用户推荐行为类似的其他用户，实现了在行为类似的用户之间建立好友关系，满足在行为相似的用户之间建立好友关系的好友推荐需求。这种方式推荐的好友行为相似匹配度高，能够更好地满足用户的需求。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中社交网站好友推荐方法的流程图；

图2为本发明实施例中统计得到的步数分布图示例；

图3为本发明实施例中拟合出的平均步数分布曲线图；

图4为本发明实施例中社交网站好友推荐装置的结构示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

为了解决现有技术中社交网站上不能实现为行为相似的用户推荐好友并建立好友关系的问题，本发明实时例提供一种社交网站好友推荐方法，以用户所在的地理位置和用户的行为相似性为运动社交的主要因素，以传统社交相熟度为辅助因素，进行好友的推荐，匹配出行为比较相似的好友。该方法流程如图1所示，包括如下步骤：

步骤S101：计算每两个用户在步数统计周期内的平均步数分布曲线的相关性，得到相关性参数。

该步骤为影响好友推荐的一个因素——运动相似性因素。在该步骤中执行统计用户的步数操作，假设步数统计周期为1天，即24小时，如果每隔5分钟记录一次步数，则一个用户一天24小时的步数分布可以通过如图2所示的步数分布图显示。图2中以横轴表示时间，纵轴表示步数。

将用户历史数据中每天的步数进行累积平均，得到每个用户的平均步数分布曲线。如图3所示为根据类似于图2所示的步数分布图，通过12*24个数值拟合出来的平均步数分布曲线。图3中给出了用户1和用户2两个用户的平均步数分布曲线，其中以数据粒度为每小时在曲线上标识一个数值的情况为例的。

然后根据平均步数分布曲线计算两个用户平均步数分布曲线的相关性，得到相关性参数。

上述得到相关性参数的过程，具体可以包括：按设定的步数统计周期，统计每个用户在步数统计周期内的平均步数，得到平均步数分布曲线；根据设定的相关性计算公式，计算每两个用户的平均步数分布曲线的相关性，得到相关性参数。

优选的，可以通过下列公式计算每两个用户的平均步数分布曲线的相关性A：

A＝(X_i·X_j)/|X_i·X_j|

其中，[X_i]表示一个用户的平均步数分布曲线，i＝1,2,......,M；[X_j]表示一个用户的平均步数分布曲线，j＝1,2,......,M；M为步数统计周期与统计粒度的比值。以图2和图3所示为例，则M=24。

当然，也可以选用其他的相关性计算平均步数分布曲线的公式计算相关性。

步骤S102：根据统计得到的用户的日常运动的地理位置和运动路线，确定每两个用户的运动路线质心距离。

该步骤为影响好友推荐的一个因素——地理位置相近性。在该步骤中，统计每个用户日常运动的地理位置和运动路线，并同时记录运动时间，按时间段将不同路线分组，在每组路线中计算任意两个用户路线的质心距离。在路线图上，运动路线可以量化为一个曲线ρ(x,y)，运动路线可以根据其日常运动的地理位置量化得到。地理位置可以用经纬度、位置坐标等方式表示。

上述确定每两个用户的运动路线质心距离，具体包括：统计用户在设定的路线统计周期内的每个统计时间段的日常运动地理位置和运动路线；针对每个统计时间段，对统计得到的运动路线进行分组，计算每组内每两个用户的运动路线质心距离。

优选的，通过下列公式计算每两个用户的运动路线质心距离B：

B＝sqrt[(Δx^-)²+(Δy^-)²]

其中，(x^-,y^-)为统计得到的用户的运动路线的质心。

假设用户的运动路线表示为ρ(x,y)，则质心(x^-,y^-)通过下列公式计算得到：

x^-＝∫xρ(x,y)ds/∫ρ(x,y)ds；

y^-＝∫yρ(x,y)ds/∫ρ(x,y)ds；

其中，ds＝sqrt(dx²+dy²)。

步骤S103：统计每两个用户的共同好友数量。

该步骤为影响好友推荐的一个因素——社交相熟度因素。通过用户之间的好友关系，统计各个用户的好友，找到任意两个用户的共同好友，得到每两个用户的共同好友的个数。

上述步骤S101、步骤S102、步骤S103的执行顺序不分先后，可以交换顺序执行，也可以同时执行。

步骤S104：根据确定出的相关性参数、运动路线质心距离、共同好友数量及其各自所占的权重，计算得到好友推荐参考分值。

上述步骤S101、步骤S102、步骤S103得到相关性参数、运动路线质心距离、共同好友数量之后，对其进行打分，得到相应的相关性分值、质心距离分值和共同好友数量分值；此外，得到相关性参数、运动路线质心距离、共同好友数量之后，进行权重分配，为每个参数分配一个权重因子。为后续计算好友推荐参考分值做好准备。其中权重分配时，可以允许用户自主选择三个因子的权重比例。

上述计算得到好友推荐参考分值的过程具体包括：根据相关性参数、运动路线质心距离、共同好友数量分别确定相关性分值、质心距离分值和共同好友数量分值；用相关性分值、质心距离分值和共同好友数量分值分别乘以各自的权重因子之后求和，得到好友推荐参考分值。

得到好友推荐参考分值之前，还包括：对相关性分值、质心距离分值和共同好友数量分值进行归一化处理。归一化处理是为了使相关性参数、运动路线质心距离、共同好友数量三个参数的打分标准趋于一致。例如使其最高分值相等。

上述相关性参数、运动路线质心距离、共同好友数量之后，对其进行打分，得到相应的相关性分值、质心距离分值和共同好友数量分值，可以根据设定的打分规则进行打分。例如：两个用户的平均步数分布曲线的相关性越高，相关性分值就越高；又例如：两个用户的运动路线质心距离越小，质心距离分值越高；再例如：两个用户的共同好友数量越多，共同好友数量分值越高。

步骤S105：根据得到的好友推荐参考分值为用户推荐好友。

为用户推荐好友时，可以推荐指定数量的好友，也可以推荐满足设定要求的好友。具体的：

获取好友推荐参考分值中分值最高的设定数量的用户，作为推荐给用户的好友用户。该方式将好友推荐参考分值排名靠前的指定数量的用户推荐给用户作为好友，例如前N个。

或者，获取好友推荐参考分值中分值大于设定的分值阈值的用户，作为推荐给用户的好友用户。该方式不限定数量，只要满足指定条件的都推荐给用户作为好友。

基于同一发明构思，本发明实施例还提供一种社交网站好友推荐装置，该装置用于实现上述的社交网站好友推荐方法，可以设置在需要为用户推荐好友的网络设备或终端设备中，其结构如图4所示，该装置包括：第一确定模块201、第二确定模块202、第三确定模块203、参考计算模块204和推荐执行模块205。

第一确定模块201，用于计算每两个用户在步数统计周期内的平均步数分布曲线的相关性，得到相关性参数。

第二确定模块202，用于根据统计得到的用户的日常运动的地理位置和运动路线，确定每两个用户的运动路线质心距离。

第三确定模块203，用于统计每两个用户的共同好友数量。

参考计算模块204，用于根据得到的相关性参数、运动路线质心距离、共同好友数量及其各自所占的权重，计算得到好友推荐参考分值。

推荐执行模块205，用于根据得到的好友推荐参考分值为用户推荐好友。

优选的，上述第一确定模块201，具体用于：按设定的步数统计周期，统计每个用户在步数统计周期内的平均步数，得到平均步数分布曲线；根据设定的相关性计算公式，计算每两个用户的平均步数分布曲线的相关性，得到所述相关性参数。

优选的，上述第一确定模块201，具体用于通过下列公式计算每两个用户的平均步数分布曲线的相关性A：A＝(X_i·X_j)/|X_i·X_j|；

其中，[X_i]表示一个用户的平均步数分布曲线，i＝1,2,......,M；[X_j]表示一个用户的平均步数分布曲线，j＝1,2,......,M；M为步数统计周期与统计粒度的比值。

优选的，上述第二确定模块202，具体用于：统计用户在设定的路线统计周期内的每个统计时间段的日常运动地理位置和运动路线；针对每个统计时间段，对统计得到的运动路线进行分组，计算每组内每两个用户的运动路线质心距离。

优选的，上述第二确定模块202，具体用于通过下列公式计算每两个用户的运动路线质心距离B：B＝sqrt[(Δx^-)²+(Δy^-)²]；

(x^-,y^-)为统计得到的用户的运动路线的质心，质心(x^-,y^-)通过下列公式计算得到：

x^-＝∫xρ(x,y)ds/∫ρ(x,y)ds；

y^-＝∫yρ(x,y)ds/∫ρ(x,y)ds；

其中，ds＝sqrt(dx²+dy²)。

优选的，上述参考计算模块204，具体用于：根据确定的相关性参数、运动路线质心距离、共同好友数量分别确定相关性分值、质心距离分值和共同好友数量分值；用得到的相关性分值、质心距离分值和共同好友数量分值分别乘以各自的权重因子之后求和，得到好友推荐参考分值。

优选的，上述参考计算模块204，还用于：在得到好友推荐参考分值之前，对得到的相关性分值、质心距离分值和共同好友数量分值进行归一化处理。

优选的，上述推荐执行模块205，具体用于：获取好友推荐参考分值中分值最高的设定数量的用户，作为推荐给用户的好友用户；或获取好友推荐参考分值中分值大于设定的分值阈值的用户，作为推荐给用户的好友用户。

本发明实施例提供的社交网站好友推荐方法及装置，以用户平均步数分布曲线的相关性，日常运动的运动路线质心距离等地理位置和行为相似性因素作为推荐参考因素；以共同好友数量等传统社交相熟度为辅助因素，灵活分配不同的权重因子，进行好友推荐评分，得到好友推荐参考分值，根据好友推荐参考分值为用户推荐好友，从而实现为用户推荐行为类似的其他用户，实现了在行为类似的用户之间建立好友关系，满足在行为相似的用户之间建立好友关系的好友推荐需求。这种方式推荐的好友行为相似匹配度高，且可以让用户自由选择推荐好友的各参数的权重，策略调整灵活，普遍适用性强，能够更好地满足用户的需求。比如针对运动型社交网站，采用该方法让用户自定义推荐规则，匹配不同的权重因子，将行为相似的用户推荐为好友，从而可以顺利找到满足各自需求的合适的运动伙伴，便于用户进行运动社交。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

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 (16)

1.一种社交网站好友推荐方法，其特征在于，包括：

计算每两个用户在步数统计周期内的平均步数分布曲线的相关性，得到相关性参数；

根据统计得到的用户的日常运动的地理位置和运动路线，确定每两个用户的运动路线质心距离；

统计每两个用户的共同好友数量；

根据所述相关性参数、运动路线质心距离、共同好友数量及其各自所占的权重，计算得到好友推荐参考分值；

根据所述好友推荐参考分值为用户推荐好友。

2.如权利要求1所述的方法，其特征在于，所述得到相关性参数的过程，具体包括：

按设定的步数统计周期，统计每个用户在步数统计周期内的平均步数，得到平均步数分布曲线；

根据设定的相关性计算公式，计算每两个用户的平均步数分布曲线的相关性，得到所述相关性参数。

3.如权利要求2所述的方法，其特征在于，通过下列公式计算每两个用户的平均步数分布曲线的相关性A：

A＝(X_i·X_j)/|X_i·X_j|

其中，[X_i]表示一个用户的平均步数分布曲线，i＝1,2,.......,M；[X_j]表示一个用户的平均步数分布曲线，j＝1,2,......,M；M为步数统计周期与统计粒度的比值。

4.如权利要求1所述的方法，其特征在于，所述确定每两个用户的运动路线质心距离，具体包括：

统计用户在设定的路线统计周期内的每个统计时间段的日常运动地理位置和运动路线；

针对每个统计时间段，对统计得到的运动路线进行分组，计算每组内每两个用户的运动路线质心距离。

5.如权利要求1所述的方法，其特征在于，通过下列公式计算每两个用户的运动路线质心距离B：B＝sqrt[(Δx^-)²+(Δy^-)²]；

(x^-,y^-)为统计得到的用户的运动路线的质心，质心(x^-,y^-)通过下列公式计算得到：

x^-＝∫xρ(x,y)ds/∫ρ(x,y)ds；

y^-＝∫yρ(x,y)ds/∫ρ(x,y)ds；

其中，ds＝sqrt(dx²+dy²)。

6.如权利要求1所述的方法，其特征在于，所述计算得到好友推荐参考分值的过程具体包括：

根据所述相关性参数、运动路线质心距离、共同好友数量分别确定相关性分值、质心距离分值和共同好友数量分值；

用所述相关性分值、质心距离分值和共同好友数量分值分别乘以各自的权重因子之后求和，得到所述好友推荐参考分值。

7.如权利要求6所述的方法，其特征在于，所述得到好友推荐参考分值之前，还包括：对所述相关性分值、质心距离分值和共同好友数量分值进行归一化处理。

8.如权利要求1-7任一所述的方法，其特征在于，所述根据所述好友推荐参考分值为用户推荐好友，具体包括：

获取所述好友推荐参考分值中分值最高的设定数量的用户，作为推荐给用户的好友用户；或

获取所述好友推荐参考分值中分值大于设定的分值阈值的用户，作为推荐给用户的好友用户。

9.一种社交网站好友推荐装置，其特征在于，包括：

第一确定模块，用于计算每两个用户在步数统计周期内的平均步数分布曲线的相关性，得到相关性参数；

第二确定模块，用于根据统计得到的用户的日常运动的地理位置和运动路线，确定每两个用户的运动路线质心距离；

第三确定模块，用于统计每两个用户的共同好友数量；

参考计算模块，用于根据所述相关性参数、运动路线质心距离、共同好友数量及其各自所占的权重，计算得到好友推荐参考分值；

推荐执行模块，用于根据所述好友推荐参考分值为用户推荐好友。

10.如权利要求9所述的装置，其特征在于，所述第一确定模块，具体用于：

按设定的步数统计周期，统计每个用户在步数统计周期内的平均步数，得到平均步数分布曲线；

根据设定的相关性计算公式，计算每两个用户的平均步数分布曲线的相关性，得到所述相关性参数。

11.如权利要求10所述的装置，其特征在于，所述第一确定模块，具体用于通过下列公式计算每两个用户的平均步数分布曲线的相关性A：

A＝(X_i·X_j)/|X_i·X_j|

其中，[X_i]表示一个用户的平均步数分布曲线，i＝1,2,......,M；[X_j]表示一个用户的平均步数分布曲线，j＝1,2,......,M；M为步数统计周期与统计粒度的比值。

12.如权利要求9所述的装置，其特征在于，所述第二确定模块，具体用于：

统计用户在设定的路线统计周期内的每个统计时间段的日常运动地理位置和运动路线；

针对每个统计时间段，对统计得到的运动路线进行分组，计算每组内每两个用户的运动路线质心距离。

13.如权利要求12所述的装置，其特征在于，所述第二确定模块，具体用于通过下列公式计算每两个用户的运动路线质心距离B：B＝sqrt[(Δx^-)²+(Δy^-)²]；

(x^-,y^-)为统计得到的用户的运动路线的质心，质心(x^-,y^-)通过下列公式计算得到：

x^-＝∫xρ(x,y)ds/∫ρ(x,y)ds；

y^-＝∫yρ(x,y)ds/∫ρ(x,y)ds；

其中，ds＝sqrt(dx²+dy²)。

14.如权利要求9所述的装置，其特征在于，所述参考计算模块，具体用于：

根据所述相关性参数、运动路线质心距离、共同好友数量分别确定相关性分值、质心距离分值和共同好友数量分值；

用所述相关性分值、质心距离分值和共同好友数量分值分别乘以各自的权重因子之后求和，得到所述好友推荐参考分值。

15.如权利要求14所述的装置，其特征在于，所述所述参考计算模块，还用于：在得到好友推荐参考分值之前，对所述相关性分值、质心距离分值和共同好友数量分值进行归一化处理。

16.如权利要求9-15任一所述的装置，其特征在于，所述推荐执行模块，具体用于：

获取所述好友推荐参考分值中分值最高的设定数量的用户，作为推荐给用户的好友用户；或

获取所述好友推荐参考分值中分值大于设定的分值阈值的用户，作为推荐给用户的好友用户。