CN104765730B - 感兴趣人员推荐方法和装置 - Google Patents
感兴趣人员推荐方法和装置 Download PDFInfo
- Publication number
- CN104765730B CN104765730B CN201410001119.0A CN201410001119A CN104765730B CN 104765730 B CN104765730 B CN 104765730B CN 201410001119 A CN201410001119 A CN 201410001119A CN 104765730 B CN104765730 B CN 104765730B
- Authority
- CN
- China
- Prior art keywords
- user
- interested
- event
- meeting
- talk
- 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.)
- Expired - Fee Related
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
提供了在现场多人沟通场景下为用户推荐感兴趣人员的感兴趣人员推荐方法和装置,该方法包括:获取关于描述现场用户之间的“会见”和“谈话”事件的现场行为数据;根据描述现场用户之间的“会见”和“谈话”事件的现场行为数据,确定第一用户的潜在感兴趣的用户的集合;向该第一用户发送指示该潜在感兴趣的用户的集合中的一个或更多个用户的信息,以便向第一用户推荐该一个或更多个用户。利用根据本发明实施例的感兴趣人员推荐方法和装置,即便事先不具有用户的个人信息,也能够为用户发现和推荐感兴趣人员。
Description
技术领域
本发明总体地涉及信息处理,更具体地涉及现场感兴趣人员推荐方法和装置。
背景技术
近年来,基于因特网等网络技术的社交网络发展如火如荼,例如facebook,linkedin等的社交网络应用越来越多地影响人类的社交行为。
关于社交网络应用,已经提出了一些为用户推荐他/她可能感兴趣的人,或者可能与之有关系的人的技术。
例如,2010年3月16日授权公开的Google Inc.的美国专利US7680770 中,提出了在社交网络中社区的自动产生和推荐方法,包括(1)识别社交网络中存储的至少2条用户信息之间的匹配,具体地,根据信息条目之间是否使用了相同的或者相似的单词判断是否匹配,以及通过概念聚类方法或者主体论匹配方法来识别匹配(2)根据匹配的用户信息自动创建新的社区(3)在一个新的社区里,识别出表现用户可能的兴趣爱好的其他的用户信息(4)邀请每个识别出的其他的用户信息加入新的社区。
2008年5月22日公开的AVAYA科技有限公司的美国专利申请公开 US20080120261中,提出了一种基于社交网络模型的强聚合力小组成员选择方法,包括(1)在组织内使用社交网络模型来描述沟通的模式;(2)根据社交网络中的关系,估算每一对用户之间的关系强度,关系强度定义为每一对用户之间交互次数;(3)使用关系强度来估计所选择的小组成员的凝聚力。
2012年9月13日公开的美国专利申请公开号US20120233238中,提出了一种地理社交网络系统中的动态推荐方法,包括:(1)访问接近第一个用户位置数据的一个或多个数据存储;(2)根据一个或多个接近第一个用户的位置数据生成一组推荐结果;(3)为第一个用户给出一个或者多个这组推荐结果中的推荐项目。
在2009年6月25日公开的Yahoo!Inc.的美国专利申请公开 US20090164897中,提出了一种基于社交行为分析和词汇分类法的推荐系统,包括(1)为多个用户获取基于单词的社交网络相关信息(2)使用基于词汇表的语义分析法分析获得的机遇单词的社交网路行为信息,以及判断包括多个用户的暗指特定主题的社交网络(3)在特定主题的社交网路中,判断一个物体或者用户的潜在兴趣,并推荐给社交网络中的用户集合。
在2012年7月26日公开的LINKEDIN公司的美国专利申请公开 US20120191776中,提出了一种基于环境的交互内容推荐方法和系统,包括 (1)检测对网页文档的交互行为,判断和网页文档相关的主题,其中已知和某个主题关联的环境被识别出来,例如一个在线或者离线的论坛;(2)这个被识别的环境被显示给用户作为用户可能感兴趣的内容来源的推荐。
发明内容
在许多面对面的现场沟通场景下,例如招聘会、供需交流会、贸易会、技术论坛等,大多数用户的希望是寻找现场的感兴趣用户,和他们面对面交谈。然而,寻找现场感兴趣用户的命中率很低,因为人们不知道谁是他的感兴趣用户,并且不知道感兴趣的用户的位置。
在这种现场会议中,通常人们缺少或者不具有足够的与会人员的详细信息。而基于用户个人信息的推荐通常需要较完整和准确的用户个人信息,这可能需要很多的输入数据,因此一般不适合在现场沟通场景下使用,如会议和展览等场景中。另外,在很多情况下,人们参加这种会议的目的不是去和朋友会见,而是希望知道应该和谁会谈,如何找到该用户等。因此,已有的社交网络上的用户个人信息(通常称为用户简介,user profile)至多能提供辅助作用,但不能满足现场会议场景中的用户需要。
存在针对多人现场沟通场景下,即便事先不具有用户的个人信息,也能够为用户发现和推荐感兴趣人员的技术的需要。
根据本发明的一个方面,提供了一种在现场多人沟通场景下为用户推荐感兴趣人员的感兴趣人员推荐方法,包括:获取关于描述现场用户之间的“会见”和“谈话”事件的现场行为数据;根据描述现场用户之间的“会见”和“谈话”事件的现场行为数据,确定第一用户的潜在感兴趣的用户的集合;向该第一用户发送指示该潜在感兴趣的用户的集合中的一个或更多个用户的信息,以便向第一用户推荐该一个或更多个用户。
根据本发明的另一方面,提供了一种在现场多人沟通场景下为用户推荐感兴趣人员的感兴趣人员推荐装置,包括:现场行为数据获得部件,获取关于描述现场用户之间的“会见”和“谈话”事件的现场行为数据;潜在感兴趣用户确定部件,根据描述现场用户之间的“会见”和“谈话”事件的现场行为数据,确定第一用户的潜在感兴趣的用户的集合;以及推荐部件,向该第一用户推荐该潜在感兴趣的用户的集合中的一个或更多个用户。
利用根据本发明实施例的感兴趣人员推荐方法和装置,即便事先不具有用户的个人信息,也能够为用户发现和推荐感兴趣人员。
附图说明
从下面结合附图对本发明实施例的详细描述中,本发明的这些和/或其它方面和优点将变得更加清楚并更容易理解,其中:
图1示出了根据本发明实施例的感兴趣人员推荐方法和装置可以应用的场景的示意图。
图2示出了根据本发明实施例的感兴趣人员推荐系统的工作过程示意图。
图3示出了根据本发明一个实施例的感兴趣人员推荐装置300的配置框图。
图4示出了根据本发明一个实施例的一种在现场多人沟通场景下为用户推荐感兴趣人员的感兴趣人员推荐方法400的总体流程图。
图5(a)、(b)、(c)分别示意性地示出了对用户位置的定位和跟踪、以矩阵形式表示的现场行为数据和标准化处理后的现场行为数据。
图6示出了根据本发明一个实施例根据描述现场用户之间的“会见”和/ 或“谈话”事件的现场行为数据,确定第一用户的潜在感兴趣的用户的集合的示例性方法420的总体流程图。
图7(a)和(b)示出了根据用户B和F之间“会见和谈话”现场行为数据来计算相似度的操作示意图。
图8(a)示出了标准化后的现场行为数据矩阵M’,图8(b)示出了用户A、F、 E、B之间的连通结构图,图8(c)示出了对应的B和其它用户之间的连通度,以及F和其它用户之间的连通度。
图9(a)示意性示出了基于用户B和F之间的相似度修正后的现场行为数据矩阵,图9(b)示意性示出了修正后的图形结构,其中用户B和F之间用一条虚线连接,图9(c)示意性示出因为用户B和F之间的连接导致的连通度的修正。
图10示出了根据本发明一个实施例的根据用户之间的相似度和连通度,为第一用户确定潜在感兴趣用户的方法423的总体流程图。
图11示出了通过一用户的强相似用户来为该用户发掘其潜在感兴趣的对象的示意图。
图12示出了通过一用户的强相似用户来为该用户发掘其潜在感兴趣的对象的示意图。
图13示出了根据本发明实施例的根据标准化现场行为数据矩阵M’,求得的用户“会见”的权重Wmeet(x)结果。
图14示出了根据本发明一实施例的现场感兴趣人员推荐系统的工作流程。
图15示出了根据本发明一个实施例的本发明的现场感兴趣人员系统的顺序图。
图16示出了适于用来实现本发明实施方式的示例性计算系统600的框图。
具体实施方式
为了使本领域技术人员更好地理解本发明,下面结合附图和具体实施方式对本发明作进一步详细说明。
在详细介绍本发明具体实施例之前,为便于本领域技术人员总体地把握和更好地理解本发明,首先概括介绍一下本发明的发明思想。本发明人考虑到,可以通过定位和跟踪技术来定位和跟踪现场用户,并根据用户的现场行为来判断用户之间的会见和谈话事件,根据用户之间的会见和谈话事件,来确定用户的潜在感兴趣的用户的集合。
例如,考虑现实生活中的招聘会、展销会等,在这样的会议场景中,与会人员通常处于两种角色之一,一种人是属于采购角色,一种人是属于推销角色;两类人之间彼此具有相互寻找到匹配自身需求的对象的需要;以及同一种类的人之间也存在相互交流经验的需要。例如,对于招聘会,两个需求相近的求职者A和B,可能各自对若干用人单位有所了解,因此会存在与共同的用人单位进行洽谈的行为,但是通常也会存在不相同的洽谈对象;因此求职者A和B之间可能存在一定的互相交流的兴趣,以及也可能对彼此不相重叠的交谈对象感兴趣。因此通过监控会场用户的行为并进行分析,有可能为用户找到他/她感兴趣的对象。
图1示出了根据本发明实施例的感兴趣人员推荐方法和装置可以应用的场景的示意图。所示场景可以为招聘会、贸易会、供需交流会等。
图2示出了根据本发明实施例的感兴趣人员推荐系统的工作过程示意图。如图所示,对于现场的各个人员进行定位和跟踪,得到定位和跟踪结果,基于这样的定位和跟踪结果,分析得到会见和谈话的现场行为数据,计算装置获得这样的会见和谈话的现场行为数据,并进行分析,然后可以对任一用户给出其可能感兴趣人员的推荐列表。需要说明的是,定位和跟踪操作、对定位和跟踪结果进行分析以便得到会见和谈话的现场行为数据的操作、以及分析各个用户的现场行为数据来得出用户的感兴趣人员推荐列表的操作可以集成在一个计算装置上执行,也可以分布到不同的计算装置上执行。
图3示出了根据本发明一个实施例的感兴趣人员推荐装置300的配置框图。
如图3所示,感兴趣人员推荐装置300可以包括现场行为数据获得部件 310、潜在感兴趣用户确定部件320、推荐部件330。
现场行为数据获得部件310配置为获取关于描述现场用户之间的“会见”和“谈话”事件的现场行为数据。
在一个实施例中,现场行为数据获得部件310可以包括定位和跟踪部件,配置为定位和跟踪每一个用户,获得用户的定位和跟踪数据,例如可以实现为用户随身携带的无线收发器和分布于会场各个位置的无线收发器的形式,或者实现为摄像机和图像处理设备的形式等等;以及用户之间会见和谈话事件确定部件,配置为分析用户的定位和跟踪数据,以判定用户之间是否发生了会见和谈话事件,以及现场行为数据记录部件,用于记录有关描述现场用户之间的“会见”或“谈话”事件的信息。
潜在感兴趣用户确定部件320配置为根据描述现场用户之间的“会见”和“谈话”事件的现场行为数据,确定第一用户的潜在感兴趣的用户的集合。
例如,在一个实施例中,可以根据现场行为数据,分析各个用户之间的行为相似度和/或各个用户之间的连通度,并基于用户之间的相似度和/或连通度来确定用户可能感兴趣的用户。
推荐部件330配置为向该第一用户发送指示该潜在感兴趣的用户的集合中的一个或更多个用户的信息,以便向第一用户推荐该一个或更多个用户。
图4示出了根据本发明一个实施例的一种在现场多人沟通场景下为用户推荐感兴趣人员的感兴趣人员推荐方法400的总体流程图。
如图4所示,在步骤S410中,获取关于描述现场用户之间的“会见”和“谈话”事件的现场行为数据。
在一个示例中,获取关于描述现场用户之间的“会见”和“谈话”事件的现场行为数据可以包括:定位和跟踪每一个用户,获得用户的定位和跟踪数据;根据用户的定位和跟踪数据,确定现场用户之间的“会见”事件是否发生以及“谈话”事件是否发生,并获得关于描述现场用户之间的“会见”或“谈话”事件的现场行为数据,其中如果用户之间的物理距离小于预定距离阈值,确定用户之间的“会见”事件发生;如果用户之间“会见”事件的持续时间大于预定的时间阈值,确定用户之间的“谈话”事件发生。
作为定位和跟踪用户的技术的示例,可以采用基于无线传感器网络 (wirelesssensor network)的方案。
无线网络传感器是一种集传感器、控制器、计算能力、通信能力于一身的嵌入式设备。它们跟外界物理环境交互,将收集到的信息通过传感器网络传送给其它的计算设备,如传统的计算机等。随着传感器技术、嵌入式计算技术、通信技术和半导体与微机电系统制造技术的飞速发展,制造微型、弹性、低功耗的无线网络传感器己逐渐成为现实。无线网络传感器一般集成一个低功耗的微控制器(MCU)以及若千存储器、无线电/光通信装置、传感器等组件,通过传感器、动臂机构、以及通信装置和它们所处的外界物理环境交互。一般说来,单个传感器的功能是非常有限的,但是当它们被大量地分布到物理环境中,并组织成一个传感器网络,再配置以性能良好的系统软件平台,就可以完成强大的实时跟踪、环境监测、状态监测等功能。位置信息是传感器节点采集数据中不可缺少的部分。确定事件发生的位置或采集数据的节点位置是传感器网络最基本的功能之一。目前的定位技术有基于距离的定位,如基于TOA的定位、基于AOA的定位、基于RSSI的定位等;和与距离无关的定位算法,如质心算法、DV-Hop算法、APIT算法等等。
例如,作为一种示例性实现,可以在每个用户进入会场前分发唯一的无线传感器设备,由此利用无线网络传感器方案来对每个用户进行定位和跟踪。
作为定位和跟踪用户的技术的另一示例,可以采用基于立体视觉的方案,其中利用诸如双目相机的立体视觉技术,计算出对象的三维坐标以实现精确定位,根据对各帧图像的处理而进行对象的跟踪。
在另一个示例中,可以基于蓝牙或RFID等技术来进行对象的定位和跟踪。
在另一个示例中,可以预先登记用户的移动电话信息,如果该移动电话具有定位功能,则可以通过与该移动电话之间的通信来获知用户的位置和移动轨迹。
上述定位和跟踪的实现方案仅为示例,任何能够对移动目标进行定位和跟踪的技术都可以应用于本发明。
在前述示例中,根据用户的定位和跟踪数据,确定现场用户之间的“会见”事件是否发生以及“谈话”事件是否发生,并获得关于描述现场用户之间的“会见”或“谈话”事件的现场行为数据,其中如果用户之间的物理距离小于预定距离阈值,确定用户之间的“会见”事件发生;如果用户之间“会见”事件的持续时间大于预定的时间阈值,确定用户之间的“谈话”事件发生。
在另一个示例中,在判断用户之间的会见事件时,可以结合面部朝向识别技术,即在确定两个人基本面对面且相互间距离小于预定距离阈值时,才确定用户之间的“会见”事件发生,因为一般情况下现实生活中两个人谈话都是要基本面对面进行的。这可以避免如下情况:由于会场人员较多彼此间距离较近,将两个人虽然相当一段时间相距较近但实际上未发生会见和谈话的人归类为进行了会见和谈话。
在一个示例中,现场行为数据可以包括指示用户之间的“会见”事件是否发生,在“会见”事件发生的情况下“谈话”事件是否发生,以及在发生了“谈话”事件的情况下,“谈话”事件持续的时间,以及诸如此类的信息。
图5(a)、(b)、(c)分别示意性地示出了对用户位置的定位和跟踪、以矩阵形式表示的现场行为数据和标准化处理后的现场行为数据。其中图5(a)示出了一段时间内各个用户A-E的运动轨迹;图5(b)示出了基于监控的用户的位置/时间和用户停留在一起的时间,生成的监控结果矩阵M[i,j],例如第一行第二列的元素0表示用户A和B之间没有会见,第一行第三列的元素300表示用户A和C之间会见并且一起停留了300秒,类似地,用户A和D之间没有会见,用户A和E之间没有会见,用户A和F之间会见并且一起停留了 90秒,用户B和C之间会见并且一起停留了20秒,用户B和D之间没有会见,用户B和E之间会见并且一起停留了100秒,用户B和F之间没有会见,用户C和D之间会见并且一起停留了400秒,用户C和E之间没有会见,用户C和F之间会见并且一起停留了50秒,用户D和E之间会见并且一起停留了220秒,用户D和F之间没有会见,用户E和F之间会见并且一起停留了500秒。
在一个示例中,可以设置谈话时间阈值来判断是否用户会见并谈话了。例如,设置谈话时间阈值tth=60秒。图5(b)中用框框起来的数字表示相关用户会见但是没有发生谈话,而加了下划线的数字表示相关用户会见并且发生谈话,这对图5(c)同样适用。
在一个示例中,可以使用谈话时间阈值基于例如公式(1)对行为监控结果矩阵M[i,j]进行标准化:
公式(1)中,tth表示谈话时间阈值,[M[i,j]/tth]表示当用户i和j在一起停留时间大于谈话时间阈值tth时,停留时间除以谈话时间阈值所得的值的取整,取整方法可以是截尾取整、四舍五入取整、凑整中的任一种,该实施例中为凑整,即向上取整;当M[i,j]大于0但是小于谈话时间阈值tth。
图5(c)示出了图5(b)所示的标准化之后的标准化矩阵M’[i,j]。该标准化矩阵M’[i,j]变得更加简单,便于下一步计算处理。标准化矩阵M’[i,j]中框起来的数字“-1”表示用户互相不感兴趣因为他们会见但是没有谈话,标准化矩阵M’[i,j]中加有下划线的数字表示用户互相感兴趣和感兴趣程度,因为他们会见并谈话而且谈话时间长短不同。
回到图4,在步骤S420中,根据描述现场用户之间的“会见”和“谈话”事件的现场行为数据,确定第一用户的潜在感兴趣的用户的集合。
在一个示例中,可以根据现场行为数据,确定用户之间的相似度,进而基于用户之间的相似度来确定第一用户的潜在感兴趣的用户的集合。
在另一个示例中,可以根据现场行为数据,确定用户之间的连通度,进而基于用户之间的连通度来确定第一用户的潜在感兴趣的用户的集合。
在另一个示例中,可以根据现场行为数据,确定用户之间的相似度和连通度,进而基于用户之间的相似度和连通度来确定第一用户的潜在感兴趣的用户的集合。
在另一个示例中,如果还可以通过某些途径获得用户的个人信息,例如性别、年龄、职业、爱好等等,则还可以根据现场行为数据结合个人信息来确定用户的潜在感兴趣用户。
后面将结合附图详细描述根据现场行为数据来确定用户的潜在感兴趣用户的示例性方法。
在步骤S430中,向该第一用户发送指示该潜在感兴趣的用户的集合中的一个或更多个用户的信息,以便向第一用户推荐该一个或更多个用户。
可以通过各种通信手段来向用户传送其潜在感兴趣用户的信息,以向其推荐一个或更多个用户。
在一个示例中,在例如在用户进入会场前分发了唯一的无线传感器(或称无线收发器)设备的情况下,可以利用无线传感器网络来向各个无线传感器来发送信息。
在另一个示例中,如果已经事先登记了用户的移动终端信息,则可以向用户的移动终端发送该推荐信息。
有关推荐信息的形式,没有限制,只要能有助于用户识别和/或定位其潜在感兴趣用户即可。
例如,可以向用户发送其潜在感兴趣用户的头像信息和/或当前位置信息。关于位置信息,可以是相对于用户的距离和方向,或者是可视性的实时 3D显示(如地图中的街景形式那样)。
在另一个示例中,可以在一个用户的潜在感兴趣人员接近其时,向该用户发送提醒通知,通知可以是声音形式、文本形式、图像形式、识别视频形式等等。
在另一个示例中,可以根据描述现场用户之间的“会见”和“谈话”事件的现场行为数据,确定用户的受欢迎程度;以及按照用户的受欢迎程度的降序顺序,向该第一用户推荐该潜在感兴趣的用户的集合中的一个或更多个用户。后文将对此方面的示例性实现进行详细描述。
利用根据本发明上述实施例的感兴趣人员推荐方法和装置,通过例如现场对用户进行定位和跟踪,获取关于描述现场用户之间的“会见”和“谈话”事件的现场行为数据,并且根据该现场行为数据,来确定用户的潜在感兴趣的人员,并向用户发送关于其感兴趣人员的信息,从而向用户推荐其可能感兴趣的人员,由此能够在即便事先不具有用户的个人信息以及用户之间的关系信息的情况下,也为用户发现和推荐潜在感兴趣人员。
下面结合附图描述根据描述现场用户之间的“会见”和/或谈话”事件的现场行为数据,确定第一用户的潜在感兴趣的用户的集合的示例性方法。
首先,说明本文中涉及的有关用户之间关系或者社交描述性词汇的含义。
如下面的表1第一行所示(指表格内容部分的第一行,非表头行),在本文中,两个用户感兴趣表示他们已经发生了会见并谈话或者通过后续的相似度和连通度计算预期他们希望会见并谈话。
如表1第二行所示,两个用户不感兴趣表示他们之间会见但不谈话,或者预期他们不希望会见并谈话。
如表1第三行所示,两个用户相似是表示他们对于现场用户的行为表现方面大体类似。
如表1中第四行所示,两个用户连通表示,他们或者之间相互感兴趣(现场行为表现为直接会见并谈话),或者之间可以通过其它共同感兴趣用户连通,例如A与B之间感兴趣(例如,会见并谈话),B与C之间感兴趣(例如,会见并谈话),则推出A与C之间互相感兴趣。
如表1中第五行所示,一个用户的受欢迎度可以由已经与之会见并谈话以及希望与之会见并谈话的人的数目来指示。
表1
图6示出了根据本发明一个实施例根据描述现场用户之间的“会见”和/ 或谈话”事件的现场行为数据,确定第一用户的潜在感兴趣的用户的集合的示例性方法420的总体流程图。
如图6所示,在步骤S421中,根据描述现场用户之间的“会见”和“谈话”事件的现场行为数据,确定彼此之间不曾发生“会见”事件的用户之间的相似度。
具体地,在一个示例中,为任意2个未会见的用户选择和分析所有相关的“会见和谈话”数据,包括他们和谁会见了,和谁在一起停留了多久。例如,在图5(c)所示的标准化现场行为数据矩阵M’[i,j]中,未曾会见的用户为对应的矩阵元素值为零的两个用户。
下文假设选择了用户B和F,要计算用户B和F之间的相似度。
然后,根据用户的“会见和谈话”数据的相似度计算用户之间的相似度,例如他们会见了多少个相同的用户,他们和相同的用户停留了多久。
图7(a)和(b)示出了根据用户B和F之间“会见和谈话”现场行为数据来计算相似度的操作示意图。其中,图7(a)与图5(c)相同,为标准化现场行为数据矩阵M’[i,j]。
从矩阵M’[i,j]选择描述用户B与其它用户之间的会见和谈话的现场行为数据,以及选择描述用户F与其它用户之间的会见和谈话的现场行为数据,构成简化的部分矩阵,如图7中的(b)的下面部分所示,图7中的(b)上面部分显示了用户B的现场行为直接体现出的感兴趣的人(B与其的连线为带箭头直线)和不感兴趣的人(B与其的连线上点缀有三角),具体地,用户B对C 不感兴趣(因为会见但未谈话),用户B对E感兴趣(会见并且谈话);图7 中的(b)上面部分还显示了用户F已经显现的感兴趣的人和不感兴趣的人,具体地,用户F对C不感兴趣(因为会见但未谈话),用户F对A和E感兴趣(因为会见并且谈话)。基于相似的用户对其它用户的会见和谈话行为大体相似的前提,计算他们的感兴趣用户的相似度,从而得到2个用户之间的现场行为相似度。
在一个示例中,可以通过下述公式(2)来计算用户x和y之间的相似度 S(x,y)。
其中i,x,y均为用户编号,n为现场用户的数目,i≠x,i≠y;f(i,x,y)表示用户x和y在与用户i之间的现场行为上的匹配度。
在一个示例中,f(i,x,y)可以通过下述公式(3)来求得。
可见,如果用户x和用户i会见但未谈话,以及用户y和用户i会见但未谈话(即M[i,x]=M[i,y]=-1),则用户x和y在与用户i之间的现场行为上的匹配度f(i,x,y)=1;如果用户x和用户i未会见或者用户y和用户i未会见,则用户x和y在与用户i之间不存在可供参考的现场行为,故设置匹配度f(i,x,y)=0;如果用户x和用户i会见但未谈话或者用户y和用户i会见但未谈话,但是二者并不同时满足,则设置用户x和y在与用户i之间的现场行为上的匹配度 f(i,x,y)=-1;其它情况下,即用户x和y均与用户i会见并谈话,此时用以e 为底的指数函数来计算用户x和y在与用户i之间的现场行为上的匹配度。
以计算用户B和F之间的相似度为例,将图7(b)下部分中的数据代入公式(2)和(3),可求得用户B和F之间的相似度S(B,F)为
S(B,F)=1+e-3/5=1.55
其中上述加和中的项1为用户C贡献的匹配度,项e-3/5为用户E贡献的匹配度。
回到图6,在步骤S422中,根据描述现场用户之间的“会见”或“谈话”事件的现场行为数据,依据图形结构确定用户之间的连通度,在该图形结构中,每个用户表示一个节点,节点之间的边表示两个节点之间存在关系,用户之间的连通度表示要从一个用户行进到另一个用户的最小跳数。
在一个示例中,仅当两个用户之间发生会见且谈话时,才在图形结构中连接两个节点,表示这两个节点之间的连通度为1。对于不曾发生会见并谈话的部件,两者之间可以通过共同的会见并谈话人员而加以连通,这在图形上表示为从一个节点行进到另一个节点的最小跳数,或者称为连通度,或者称为连通路径的长度。
图8(a)示出了标准化后的现场行为数据矩阵M’,图8(b)示出了用户A、 F、E、B之间的连通结构图,图8(c)示出了对应的B和其它用户之间的连通度,以及F和其它用户之间的连通度。可见A和B之间的连通度为3,B和 F之间的连通度为2。
在一个示例中,可以根据计算的用户之间相似度的结果,来强制修改用户之间的连通性。具体地,依据图形结构确定用户之间的连通度作为初始连通度之后,根据两个用户之间的相似度确定是否添加连接两个用户的两个对应节点的边,具体地,例如设置一个强相似导致连通阈值,如果两个用户之间的相似度大于该强相似导致连通阈值,则添加连接两个用户的两个对应节点的边,,并且在添加了连接两个用户的两个对应节点的边的情况下,相应地更新用户之间的连通度。
例如,在一个示例中,可以根据用户之间的相似度来更新现场行为数据矩阵M’,并进而会得到更新的连通度数据。例如,如果2个用户x,y之间的相似度S(x,y)大于相似度阈值(例如S(x,y)>1),则更新M’[i,j],设置M’ [x,y]=[S(x,y)](例如S(x,y)的凑整或者说向上取整),例如S(B,F)=1.55,则 M’[B,F]=2。然后,根据更新的M’[i,j]计算任意2个连通的用户之间的连通路径长度,例如,如果2个用户“会见并谈话”,则他们的连通度值为1,如果他们没有“会见并谈话”,计算他们之间最短的通过其他任意“会见并谈话”的用户连通路径。考虑了行为相似性之后,某些用户之间的连通路径将会被缩短。
例如图9(a)示意性示出了基于用户B和F之间的相似度修正后的现场行为数据矩阵,图9(b)示意性示出了修正后的图形结构,其中用户B和F之间用一条虚线连接,图9(c)示意性示出因为用户B和F之间的连接导致的连通度的修正,可见,A和B之间,初始连通路径为A—>F—>E—>B,即连通度为3;修正后的连通路径为A—>F—>B,即连通度为2。类似地用户B和F 之间初始连通度为2,修正后连通度为1。
回到图6,在步骤S423中,根据用户之间的相似度和连通度,为第一用户确定潜在感兴趣用户。
图10示出了根据本发明一个实施例的根据用户之间的相似度和连通度,为第一用户确定潜在感兴趣用户的方法423的总体流程图。
如图10所示,在步骤S4231中,根据用户之间的相似度,确定第一用户的潜在感兴趣用户。
在一个示例中,根据用户之间的相似度,确定第一用户的潜在感兴趣用户可以包括:将与第一用户的相似度大于第一相似度阈值的用户添加到第一用户的潜在感兴趣的用户的集合中;将与第一用户的相似度大于第二相似度阈值的用户确定作为第一用户的强相似用户;将与第一用户的强相似用户的相似度大于第三相似度阈值的用户添加到第一用户的潜在感兴趣用户的集合中;其中第二相似度阈值大于第一相似度阈值。
上述过程可以用下述公式(4)表示为
SPoI(B)={x|S(B,x)>T1orS(F,x)>T1}其中S(B,F)>T2,T2>T1 (4)
即,通过相似度找用户B的感兴趣用户的集合SPoI(B)实际上为找与用户B的相似度大于第一相似度阈值的用户(认为相似度大于第一相似度阈值的用户为潜在感兴趣的用户),以及找与用户B的强相似用户(即F)的相似度大于第一相似度阈值的用户。这是因为,现实生活中,一般情况下,两个高度相似的人所感兴趣的对象也是类似的。
在一个示例中,设置第一相似度阈值为0,第二相似度阈值为1。
图11示出了通过一用户的强相似用户来为该用户发掘其潜在感兴趣的对象的示意图。如图11所示,如前所述,已经计算得到用户B和F之间的相似度为1.55,大于第二相似度阈值(例如1),故两者为强相似用户,则在为用户B挖掘潜在感兴趣对象时,寻找与F相似度大于第一相似度阈值(例如 0)的用户,即用户A和E,并确定用户A和E为B的潜在感兴趣对象。
在步骤S4232中,根据用户之间的连通度,确定第一用户的潜在感兴趣用户。
在一个示例中,根据用户之间的连通度,确定第一用户的潜在感兴趣用户包括:将与第一用户的连通度小于第一连通度阈值的用户添加到第一用户的潜在感兴趣的用户的集合中;将与第一用户的强相似用户的连通度小于第二连通度阈值的用户添加到第一用户的潜在感兴趣用户的集合中。
上述过程可以用公式(5)表示。
CPoI(B)={x|C(B,x)≤PorC(F,x)≤P}其中S(B,F)>第二相似度阈值T2 (5)
即,通过连通度找用户B的感兴趣用户的集合CPoI(B)实际上为找与用户B的连通度大于第一连通度阈值的用户(认为连通度大于第一连通度阈值的用户为潜在感兴趣的用户),以及找与用户B的强相似用户(即F)的连通度大于第一连通度阈值的用户。这是因为,现实生活中,一把情况下,如果两个人A和B高度相似,则B所联系的人也会是A感兴趣的。
在一个示例中,设置第一连通度阈值为2,设置第二相似度阈值T2为1。
图12示出了通过一用户的强相似用户来为该用户发掘其潜在感兴趣的对象的示意图。如前所述,已经计算得到用户B和F之间的相似度为1.55,大于第二相似度阈值(例如1),故两者为强相似用户,则在为用户B挖掘潜在感兴趣对象时,除了寻找与用户B的连通度小于等于第一连通度阈值(例如2)的用户(A、D、E、F)作为感兴趣用户外,还寻找与F连通度小于等于第一连通度阈值(例如2)的用户,即用户A、D和E,最后合并得到了用户B的潜在感兴趣用户是A、D、E、F。
需要说明的是,在前述示例中,通过相似度为用户B寻找潜在感兴趣用户时,通过用户B直接找潜在感兴趣用户(与用户B相似度大于第一相似度阈值)和间接通过强相似用户F来寻找潜在感兴趣用户(与用户F相似度大于第一相似度阈值)时,使用了相同的相似度阈值(均为第一相似度阈值),不过这仅为示例,实际上直接找潜在感兴趣用户和间接找潜在感兴趣用户可以使用不同的相似度阈值,比如与用户F相似度大于第三相似度阈值的用户被确定为用户B的潜在感兴趣用户,而且在一个示例中,第三相似度阈值可以大于第一相似度阈值。类似地,在通过连通度为用户B寻找潜在感兴趣对象时,直接找潜在感兴趣用户和间接找潜在感兴趣用户可以使用不同的连通度阈值,比如与强相似用户F的连通度大于第二连通度阈值的用户被确定为用户B的潜在感兴趣用户,而且在一个示例中,第二连通度阈值可以大于第一连通度阈值。
在步骤S4233中,合并基于相似度确定的潜在感兴趣用户和基于连通度确定的潜在感兴趣用户。
用公式(6)表示用户B的潜在感兴趣用户集合PoI(B)为:
PoI(B)=SPoI(B,F)∪CPoI(B,F) (6)
仍以前述为例,经公式(6)合并后的用户B的潜在感兴趣用户集合为{A、 D、E}
上面参考图10描述了根据用户之间的相似度和连通度,为第一用户确定潜在感兴趣用户的示例性方法。
在另一个示例中,为第一用户确定潜在感兴趣用户还包括从潜在感兴趣用户集合中去除该第一用户已经会见过的用户。
假设用户B会见过的用户集合用Met(B)表示,则Met(B)为例如图5所示的标准化现场用户行为数据矩阵M’中元素值大于0的元素涉及的用户,以公式(7)表示为:
Met(B)={x|M’[B,x]>0} (7)
去除已会见过的用户的潜在感兴趣用户集合可以利用公式(8)表示。
PoI(B)=SPoI(B,F)∪CPoI(B,F)-Met(B) (8)
仍以前述为例,用户B会见过用户E,则去除该用户E后,得到的潜在感兴趣用户集合为{A、D、F}
如前所述,在向用户传送指示其潜在感兴趣的用户的集合中的一个或更多个用户的信息时,可以考虑各个用户的受欢迎程度来对用户进行排序,并且按照受欢迎度从大到小的顺序来提供各个潜在感兴趣用户的信息。
下面描述计算用户的受欢迎程度的示例性方法。
在一个示例中,可以根据用户多少次会见其他用户,使用如下公式(9)、 (10)计算用户“会见”的权重Wmeet(x):
例如,根据标准化现场行为数据矩阵M’,求得的用户“会见”的权重Wmeet(x) 结果如图13所示。
根据用户和其他用户谈话的时间长度,使用如下公式(11)计算用户“谈话”的权重Wtalk(x):
例如,用户“谈话”的权重Wtalk(x)结果如图13所示。
在一个示例中,可以仅将在用户周围一定距离内的潜在感兴趣用户的信息提供给该用户,并且可以是按照受欢迎度排序了的。
仍以为用户B推荐感兴趣用户为例,按照用户的Wmeet(x)*Wtalk(x)值排序用户A、D、F,把排序后的感兴趣用户推荐给用户。例如,根据监控用户现场行为的数据M[i,j],用户B的感兴趣用户的排序结果是用户F>用户D>用户A。
在前述示例中,将用户的受欢迎度等同于重要度。不过这仅为示例,两者可以是不等同的,在某些情况下受欢迎程度高的用户未必是重要用户。
为便于全面理解,图14示出了根据本发明一实施例的现场感兴趣人员推荐系统的工作流程。
如图14,监视现场感兴趣人员,获得用户的会见事件指示数据,谈话事件指示数据以及谈话持续时间指示数据,然后进行数据分析和挖掘,来找到相似的用户组,以及感兴趣用户的连通关系,找到最受欢迎的人和重要度最高的人。
为便于理解,图15示出了根据本发明一个实施例的本发明的现场感兴趣人员系统的顺序图。
如图15所示,该系统可以分为6大部分,即输入用户现场定位数据部分 P1、现场行为监控部分P2、相似度计算部分P3、连通度计算部分P4、感兴趣人员发掘部分P5、感兴趣人员推荐部分P6。
其中涉及如下操作:监视位置和记录时间(步骤S1)、判定“会见和谈话”(步骤S2)、标准化现场行为数据(步骤S3)、选择“会见和谈话”数据(步骤S4)、计算相似度(步骤S5)、基于相似度估计感兴趣人员(步骤S6)、选择“会见和谈话”数据(步骤S7)、计算连通度(步骤S8)、基于连通度估计感兴趣人员(步骤S9)、选择基于相似度估计的感兴趣人员(步骤S10)、选择基于连通度估计的感兴趣人员(步骤S11)、计算感兴趣人员的受欢迎度和重要性(步骤S12)、按照受欢迎度和/或重要性的顺序对感兴趣人员进行排序并推荐(步骤S13)。
前面示例性地给出了在多人现场沟通的场景下,为用户确定感兴趣人员以供推荐的方法和装置。前面的描述仅为示例,本领域技术人员可以根据需要进行步骤或部件的添加或删除、改变、替换等等。
例如,在前面的示例中,在确定用户的感兴趣对象时,是基于用户之间的相似度和连通度两者的。不过,在一个示例中,可以仅基于用户之间的相似度来确定用户的感兴趣用户。在另一个示例中,可以仅基于用户之间的连通度来确定用户的感兴趣用户。
另外,在前述示例中,将一个用户的强相似用户确定为该用户的感兴趣用户。不过,需要说明的是,在某些情况下,可以认为强相似用户之间不是彼此感兴趣的对象,例如,在供需会中,通常存在采购方和销售方,一个销售方通常只对采购方感兴趣,而对其它销售方不感兴趣,在这种情况下,可能两个销售方的现场行为高度相似,此时,两者为强相似用户,但两者彼此并不感兴趣。则在此情况下,可以不将一个用户的强相似用户确定为该用户的感兴趣用户,但是一个销售很可能对另一个销售感兴趣的采购方同样感兴趣,因此仍然可以借助于强相似信息,来将与之强相似用户的感兴趣确定为一用户的潜在感兴趣用户。
另外,在前述示例中,描述了事先不具有用户的个人信息,而仅利用用户的现场行为数据来分析确定用户的潜在感兴趣用户的示例。不过本发明并不局限于此。例如,在事先具有了用户的个人信息的情况下,可以将用户的个人信息与用户的现场行为表现数据结合起来,例如可以单独地基于用户的个人信息来确定用户可能感兴趣的第一一个或更多个用户,并且单独地基于用户的现场行为数据如本发明上述各实施例那样来确定用户可能感兴趣的第二一个或更多个用户,然后将这样的第一一个或更多个用户与第二一个或更多个用户进行合并,而且在进行合并时,也可以对各个潜在感兴趣用户进行权重计算,并排序,然后将排序后的列表传送给用户。再例如,在计算用户之间的相似度时,可以不仅仅考虑如本发明上述实施例介绍的现场行为数据而且还结合考虑用户的个人信息之间的匹配程度,来综合确定相似度;以及在计算用户之间的连通度时,可以不仅仅考虑如本发明上述实施例中的现场行为数据,而且还例如结合用户在社交网络上彼此之间是否进行通信(如发送短消息,电子邮件等)来综合确定连通度。进而,后续可以类似地利用如本发明实施例中的方法基于相似度和/或连通度来确定用户的潜在感兴趣用户。
本发明还可以通过一种用于的计算系统来实施。图16示出了适于用来实现本发明实施方式的示例性计算系统600的框图。如图16所示,计算系统600可以包括:CPU(中央处理单元)601、RAM(随机存取存储器)602、 ROM(只读存储器)603、系统总线604、硬盘控制器605、键盘控制器606、串行接口控制器607、并行接口控制器608、显示控制器609、硬盘610、键盘611、串行外部设备612、并行外部设备613和显示器614。在这些设备中,与系统总线604耦合的有CPU601、RAM602、ROM603、硬盘控制器605、键盘控制器606、串行接口控制器607、并行接口控制器608和显示控制器 609。硬盘610与硬盘控制器605耦合,键盘611与键盘控制器606耦合,串行外部设备612与串行接口控制器607耦合,并行外部设备613与并行接口控制器648耦合,以及显示器614与显示控制器609耦合。应当理解,图16 所述的结构框图仅仅是为了示例的目的,而不是对本发明范围的限制。在某些情况下,可以根据具体情况增加或减少某些设备。
所属技术领域的技术人员知道,本发明可以实现为系统、装置、方法或计算机程序产品。因此,本发明可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”、“装置”或“系统”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如 Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN) 或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
上面参照本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,这些计算机程序指令通过计算机或其它可编程数据处理装置执行,产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。
也可以把这些计算机程序指令存储在能使得计算机或其它可编程数据处理装置以特定方式工作的计算机可读介质中,这样,存储在计算机可读介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置的制造品。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其它可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种在现场多人沟通场景下为用户推荐感兴趣人员的感兴趣人员推荐方法,包括:
获取关于描述现场用户之间的“会见”和“谈话”事件的现场行为数据;
根据描述现场用户之间的“会见”和“谈话”事件的现场行为数据,确定第一用户的潜在感兴趣的用户的集合;
向该第一用户发送指示该潜在感兴趣的用户的集合中的一个或更多个用户的信息,以便向第一用户推荐该一个或更多个用户;其中
所述获取关于描述现场用户之间的“会见”和“谈话”事件的现场行为数据包括:
定位和跟踪每一个用户,获得用户的定位和跟踪数据;根据用户的定位和跟踪数据,确定现场用户之间的“会见”事件是否发生以及“谈话”事件是否发生,并获得关于描述现场用户之间的“会见”或“谈话”事件的现场行为数据,其中如果用户之间的物理距离小于预定距离阈值,确定用户之间的“会见”事件发生;如果用户之间“会见”事件的持续时间大于预定的时间阈值,确定用户之间的“谈话”事件发生;
所述根据描述现场用户之间的“会见”和“谈话”事件的现场行为数据,确定第一用户的潜在感兴趣的用户的集合包括:
根据描述现场用户之间的“会见”和“谈话”事件的现场行为数据,确定彼此之间不曾发生“会见”事件的用户之间的相似度;以及根据用户之间的相似度,为第一用户确定潜在感兴趣的用户。
2.如权利要求1所述的感兴趣人员推荐方法,还包括:
根据描述现场用户之间的“会见”和“谈话”事件的现场行为数据,确定用户的受欢迎程度;以及
按照用户的受欢迎程度的降序顺序,向该第一用户推荐该潜在感兴趣的用户的集合中的一个或更多个用户。
3.如权利要求1所述的感兴趣人员推荐方法,所述根据用户之间的相似度,为第一用户确定潜在感兴趣的用户包括:
将与第一用户的相似度大于第一相似度阈值的用户添加到第一用户的潜在感兴趣的用户的集合中;
将与第一用户的相似度大于第二相似度阈值的用户确定作为强相似用户;以及
将与强相似用户的相似度大于第三相似度阈值的用户添加到第一用户的潜在感兴趣用户的集合中,
其中第二相似度阈值大于第一相似度阈值。
4.如权利要求1所述的感兴趣人员推荐方法,所述根据描述现场用户之间的“会见”或和谈话”事件的现场行为数据,确定第一用户的潜在感兴趣的用户的集合包括:
根据描述现场用户之间的“会见”或“谈话”事件的现场行为数据,依据图形结构确定用户之间的连通度,在该图形结构中,每个用户表示一个节点,节点之间的边表示两个节点之间存在关系,用户之间的连通度表示在图形结构中要从一个用户行进到另一个用户的最小跳数;以及
根据用户之间的连通度,确定第一用户的潜在感兴趣的用户的集合。
5.如权利要求1所述的感兴趣人员推荐方法,还包括:
根据描述现场用户之间的“会见”和“谈话”事件的现场行为数据,确定彼此之间不曾发生“会见”事件的用户之间的相似度;
根据描述现场用户之间的“会见”或“谈话”事件的现场行为数据,依据图形结构确定用户之间的连通度,在该图形结构中,每个用户表示一个节点,节点之间的边表示两个节点之间存在关系,用户之间的连通度表示要从一个用户行进到另一个用户的最小跳数;
根据用户之间的相似度和用户之间的连通度,为第一用户确定潜在感兴趣的用户。
6.如权利要求5所述的感兴趣人员推荐方法,根据用户之间相似度和连通度,为第一用户确定潜在感兴趣的用户包括:
将与第一用户的相似度大于第一相似度阈值的用户添加到第一用户的潜在感兴趣的用户的集合中;
将与第一用户的相似度大于第二相似度阈值的用户确定作为第一用户的强相似用户;
将与第一用户的强相似用户的相似度大于第三相似度阈值的用户添加到第一用户的潜在感兴趣用户的集合中;
其中第二相似度阈值大于第一相似度阈值;
将与第一用户的连通度小于第一连通度阈值的用户添加到第一用户的潜在感兴趣的用户的集合中;
将与第一用户的强相似用户的连通度小于第二连通度阈值的用户添加到第一用户的潜在感兴趣用户的集合中。
7.如权利要求5所述的感兴趣人员推荐方法,如果两个用户之间发生“会见”事件并发生“谈话”事件,该两个用户之间的连通度为1;以及
依据图形结构确定用户之间的连通度作为初始连通度之后,根据两个用户之间的相似度与预定阈值的比较,确定添加连接两个用户的两个对应节点的边,并且在添加了连接两个用户的两个对应节点的边的情况下,相应地更新用户之间的连通度。
8.一种在现场多人沟通场景下为用户推荐感兴趣人员的感兴趣人员推荐装置,包括:
现场行为数据获得部件,获取关于描述现场用户之间的“会见”和“谈话”事件的现场行为数据;
潜在感兴趣用户确定部件,根据描述现场用户之间的“会见”和“谈话”事件的现场行为数据,确定第一用户的潜在感兴趣的用户的集合;以及
推荐部件,向该第一用户推荐该潜在感兴趣的用户的集合中的一个或更多个用户;其中
所述获取关于描述现场用户之间的“会见”和“谈话”事件的现场行为数据包括:
定位和跟踪每一个用户,获得用户的定位和跟踪数据;根据用户的定位和跟踪数据,确定现场用户之间的“会见”事件是否发生以及“谈话”事件是否发生,并获得关于描述现场用户之间的“会见”或“谈话”事件的现场行为数据,其中如果用户之间的物理距离小于预定距离阈值,确定用户之间的“会见”事件发生;如果用户之间“会见”事件的持续时间大于预定的时间阈值,确定用户之间的“谈话”事件发生;
所述根据描述现场用户之间的“会见”和“谈话”事件的现场行为数据,确定第一用户的潜在感兴趣的用户的集合包括:
根据描述现场用户之间的“会见”和“谈话”事件的现场行为数据,确定彼此之间不曾发生“会见”事件的用户之间的相似度;以及根据用户之间的相似度,为第一用户确定潜在感兴趣的用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410001119.0A CN104765730B (zh) | 2014-01-02 | 2014-01-02 | 感兴趣人员推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410001119.0A CN104765730B (zh) | 2014-01-02 | 2014-01-02 | 感兴趣人员推荐方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104765730A CN104765730A (zh) | 2015-07-08 |
CN104765730B true CN104765730B (zh) | 2018-06-05 |
Family
ID=53647565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410001119.0A Expired - Fee Related CN104765730B (zh) | 2014-01-02 | 2014-01-02 | 感兴趣人员推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104765730B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469286A (zh) * | 2016-01-04 | 2016-04-06 | 广西住朋购友文化传媒有限公司 | 一种房产用户筛选方法 |
CN108632092B (zh) * | 2018-05-08 | 2021-11-30 | 汤东澜 | 信息管理方法及装置 |
CN110749351A (zh) * | 2019-11-05 | 2020-02-04 | 苏州美能华智能科技有限公司 | 对象的关注目标确定方法、装置及系统 |
CN112948568B (zh) * | 2019-12-10 | 2022-08-30 | 武汉渔见晚科技有限责任公司 | 一种基于文本概念网络的内容推荐方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101442546A (zh) * | 2007-11-19 | 2009-05-27 | 韩国科亚电子股份有限公司 | 利用标记云的内容推荐设备和方法 |
CN102316046A (zh) * | 2010-06-29 | 2012-01-11 | 国际商业机器公司 | 向社交网络中的用户推荐信息的方法和装置 |
CN102968416A (zh) * | 2011-09-01 | 2013-03-13 | 佳能株式会社 | 基于用户意图识别执行推荐的设备和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9560094B2 (en) * | 2012-02-02 | 2017-01-31 | Tata Consultancy Services Limited | System and method for identifying and analyzing personal context of a user |
-
2014
- 2014-01-02 CN CN201410001119.0A patent/CN104765730B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101442546A (zh) * | 2007-11-19 | 2009-05-27 | 韩国科亚电子股份有限公司 | 利用标记云的内容推荐设备和方法 |
CN102316046A (zh) * | 2010-06-29 | 2012-01-11 | 国际商业机器公司 | 向社交网络中的用户推荐信息的方法和装置 |
CN102968416A (zh) * | 2011-09-01 | 2013-03-13 | 佳能株式会社 | 基于用户意图识别执行推荐的设备和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104765730A (zh) | 2015-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11070643B2 (en) | Discovering signature of electronic social networks | |
WO2017202006A1 (zh) | 数据处理方法和装置、计算机存储介质 | |
Asabere et al. | Improving smart conference participation through socially aware recommendation | |
CN112017015B (zh) | 一种商品信息推荐的方法、相关装置、设备及存储介质 | |
US20110087968A1 (en) | Managing connections between real world and virtual world communities | |
CN107924506A (zh) | 推断通信的用户可用性和基于用户可用性或上下文改变通知设置 | |
CN107548500A (zh) | 基于用户例程模型的事件异常 | |
JP5819572B1 (ja) | 階層ベース配列の機械学習モデル | |
CN104765730B (zh) | 感兴趣人员推荐方法和装置 | |
US10726087B2 (en) | Machine learning system and method to identify and connect like-minded users | |
CN104202319A (zh) | 一种社交关系推荐方法及装置 | |
KR102490009B1 (ko) | 인공지능 기반 인플루언서 연계 제품 구매 및 판매 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
Xia et al. | Socially-aware venue recommendation for conference participants | |
US20210056376A1 (en) | Training machine learning models for automated composition generation | |
CN106097019A (zh) | 虚拟物品包发送方法、装置和系统 | |
CN111428091A (zh) | 一种编码器的训练方法、信息推荐的方法以及相关装置 | |
CN105580043A (zh) | 用于推荐系统的基于强度的建模 | |
CN115270001B (zh) | 基于云端协同学习的隐私保护推荐方法及系统 | |
Gordon et al. | Group activity recognition using belief propagation for wearable devices | |
CN105814582A (zh) | 用于识别人脸的方法和系统 | |
US20230090253A1 (en) | Systems and methods for authoring and managing extended reality (xr) avatars | |
Büyüközkan et al. | Extending fuzzy QFD methodology with GDM approaches: An application for IT planning in collaborative product development | |
Zhuang et al. | Inferring geographic coincidence in ephemeral social networks | |
Shaw | Time geography in a hybrid physical–virtual world | |
CN111652673B (zh) | 智能推荐方法、装置、服务器和存储介质 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180605 Termination date: 20220102 |