CN105446973A - 社交网络中用户推荐模型的建立及应用方法和装置 - Google Patents

社交网络中用户推荐模型的建立及应用方法和装置 Download PDF

Info

Publication number
CN105446973A
CN105446973A CN201410281345.9A CN201410281345A CN105446973A CN 105446973 A CN105446973 A CN 105446973A CN 201410281345 A CN201410281345 A CN 201410281345A CN 105446973 A CN105446973 A CN 105446973A
Authority
CN
China
Prior art keywords
user
data
training data
association relation
view data
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
CN201410281345.9A
Other languages
English (en)
Other versions
CN105446973B (zh
Inventor
杨强
甄毅
戴文渊
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201410281345.9A priority Critical patent/CN105446973B/zh
Priority to PCT/CN2015/071382 priority patent/WO2015192655A1/zh
Publication of CN105446973A publication Critical patent/CN105446973A/zh
Priority to US15/383,759 priority patent/US20170098165A1/en
Application granted granted Critical
Publication of CN105446973B publication Critical patent/CN105446973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种社交网络中用户推荐模型的建立及应用方法和装置，可基于异构数据进行社交网络中用户的推荐，以解决现有技术难以满足当前的用户推荐要求的技术问题。在本发明一些可行的实施方式中，社交网络中用户推荐模型的建立方法包括：从社交网络中获取训练数据，所述训练数据包括文本数据和图像数据以及用户的相关数据；对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义；以文本数据为中介打通用户与图像数据之间的联系，根据所述训练数据的语义和用户与图像数据之间的联系，在图像数据和用户之间建立语义关联关系；根据所述语义关联关系建立用户推荐模型，所述用户推荐模型包括图像数据和用户的语义关联关系。

Description

社交网络中用户推荐模型的建立及应用方法和装置
技术领域
本发明涉及通信技术领域，具体涉及一种社交网络中用户推荐模型的建立方法和装置。
背景技术
社交网络，例如微博，已成为普通用户生活的必不可少的一部分。在微博中，关注感兴趣的知名微博用户，即，所谓的微博大V用户，是用户使用微博的第一步，也是最重要的一步，只要这一步做好了，可以极大地满足用户的数据需求。由于微博大V用户数量规模极大，用户不可能通过浏览的方式来找到感兴趣的微博大V用户。由于用户的数据需求较难用很短的文字表达，用户也不可能用过搜索的方式来找到足够多的微博大V用户。向用户进行微博大V用户推荐是一种非常有效的方式。
但是，微博等社交网络数据包括文本和图片或视频等多种类型，是异构并且海量的，传统的基于同构数据的推荐技术很难满足当前用户推荐的要求。
发明内容
本发明实施例提供一种社交网络中用户推荐模型的建立及应用方法和装置，可基于异构数据进行用户推荐，以解决现有技术难以满足当前用户推荐要求的技术问题。
本发明第一方面提供一种社交网络中用户推荐模型的建立方法，包括：
从社交网络中获取训练数据，所述训练数据包括文本数据和图像数据以及用户的相关数据；对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义；以文本数据为中介打通用户与图像数据之间的联系，根据所述训练数据的语义和用户与图像数据之间的联系，在图像数据和用户之间建立语义关联关系；根据所述语义关联关系建立用户推荐模型，所述用户推荐模型包括图像数据和用户的语义关联关系。
在第一种可能的实现方式中，所述以文本数据为中介打通用户与图像数据之间的联系包括：根据所述训练数据，建立图像数据和文本数据的联系；根据所述用户的相关数据，建立用户和文本数据的联系。
结合第一方面或者第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义包括：采用协方差转换，或者多任务学习，或者样本TrAdaboost迁移学习方法，或者概率潜在语义分析PLSA算法，或者主成分分析PCA算法，或者线性判别分析LDA算法，或者贝叶斯模型，或者支持向量机，或者主题模型，对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义。
本发明第二方面提供一种社交网络中的用户推荐方法，包括：
获取目标用户的相关数据，所述目标用户的相关数据至少包括图像数据；利用用户推荐模型查找与所述目标用户的图像数据具有语义关联关系的用户，所述用户推荐模型是基于对训练数据进行异构数据迁移学习而建立的；当所述语义关联关系满足预设条件时，将满足预设条件的语义关联关系对应的用户推荐给所述目标用户。
在第一种可能的实现方式中，所述将满足预设条件的语义关联关系对应的用户推荐给所述目标用户包括：将用户的标识数据推送给所述目标用户。
本发明第三方面提供一种社交网络中用户推荐模型的建立装置，包括：
获取模块，用于从社交网络中获取训练数据，所述训练数据包括文本数据和图像数据以及用户的相关数据；学习模块，用于对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义；关系模块，用于以文本数据为中介打通用户与图像数据之间的联系，根据所述训练数据的语义和用户与图像数据之间的联系，在图像数据和用户之间建立语义关联关系；创建模块，用于根据所述语义关联关系建立用户推荐模型，所述用户推荐模型包括图像数据和用户的语义关联关系。
在第一种可能的实现方式中，所述关系模块，具体用于根据所述训练数据，建立图像数据和文本数据的联系；根据所述用户的相关数据，建立用户和文本数据的联系。
结合第三方面或者第三方面的第一种可能的实现方式，在第二种可能的实现方式中，所述学习模块，具体用于采用协方差转换，或者给多任务学习，或者样本TrAdaboost迁移学习方法，或者概率潜在语义分析PLSA算法，或者主成分分析PCA算法，或者线性判别分析LDA算法，或者贝叶斯模型，或者支持向量机，或者主题模型，对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义。
本发明第四方面提供一种社交网络中的用户推荐装置，包括：
获取模块，用于获取目标用户的相关数据，所述目标用户的相关数据至少包括图像数据；查找模块，用于利用用户推荐模型查找与所述目标用户的图像数据具有语义关联关系的用户，所述用户推荐模型是基于对训练数据进行异构数据迁移学习而建立的；推荐模块，用于当所述语义关联关系满足预设条件时，将满足预设条件的语义关联关系对应的用户推荐给所述目标用户。
在第一种可能的实现方式中，所述推荐模块，具体用于将用户的标识数据推送给所述目标用户。
本发明第五方面提供一种计算机设备，所述计算机设备包括处理器、存储器、总线和通信接口；所述存储器用于存储计算机执行指令，所述处理器与所述存储器通过所述总线连接，当所述计算机设备运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述计算机设备执行如本发明第一方面提供的社交网络中用户推荐模型的建立方法，或者如本发明第二方面提供的社交网络中的用户推荐方法。
本发明第六方面提供一种计算机可读介质，包括计算机执行指令，以供计算机的处理器执行所述计算机执行指令时，所述计算机执行如本发明第一方面提供的社交网络中用户推荐模型的建立方法，或者如本发明第二方面提供的社交网络中的用户推荐方法。
由上可见，本发明实施例采用从社交网络中获取异构的训练数据，学习出训练数据的语义，在图像数据和用户之间建立语义关联关系，进而建立基于异构数据的用户推荐模型的技术方案，可以利用该用户推荐模型，基于图像数据，向目标用户推荐与其图像数据相关联的其它用户，解决了现有技术难以满足当前用户推荐要求的技术问题。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例和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它的附图。
图1是本发明实施例提供的一种社交网络中用户推荐模型的建立方法的示意图；
图2是本发明实施例提供的一种用户推荐方法的原理图；
图3是本发明实施例提供的一种社交网络中的用户推荐方法的示意图；
图4是本发明实施例提供的一种社交网络中用户推荐模型的建立装置的示意图；
图5是本发明实施例提供的一种社交网络中的用户推荐装置的示意图；
图6是本发明实施例提供的一种计算机设备的示意图。
具体实施方式
本发明实施例提供一种社交网络中用户推荐模型的建立方法和装置以及一种社交网络中的用户推荐方法和装置，可基于异构数据进行推荐，以解决现有技术难以满足当前用户推荐要求的技术问题。
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
下面通过具体实施例，分别进行详细的说明。
请参考图1，本发明实施例提供的一种社交网络中用户推荐模型的建立方法，可包括：
110、从社交网络中获取训练数据，训练数据包括文本数据和图像数据以及用户的相关数据。
本发明实施例中，所说的社交网络可以包括微博、博客、QQ、微信等。本文中以微博为例进行说明。部署在社交网络中的服务器，例如微博系统服务器，可以从社交网络中获取训练数据，所述训练数据包括文本数据和图像数据以及用户的相关数据。其中，所述的文本数据和图像数据，可以是从各种网络资源中提取的文本数据和图像数据，所说的网络资源可包括：各种门户网站，或者论坛，或者图片分享网站，例如雅虎旗下图片分享网站Flickr等。所说的图像数据具体可包括图片、照片和视频等。以微博为例，所说的用户优选是具有一定知名度的微博用户。用户的相关数据，可以包括用户的名字，注册数据，所发表的文本，图片，视频等数据，或者还可包括与用户相关的其它各种数据。
120、对训练数据进行异构数据迁移学习，学习出训练数据的语义；以文本数据为中介打通用户与图像数据之间的联系，根据所述训练数据的语义和用户与图像数据之间的联系，在图像数据和用户之间建立语义关联关系。
本发明实施例采用机器学习技术中的异构数据迁移学习技术，对获取的训练数据进行学习。如图2所示的原理图，微博系统服务器可通过部署的异构数据迁移学习模块对获取的社交网络数据进行学习，输出结果用高阶的语义表示，包括文本的语义、图像的语义等。
本发明实施例中，还以文本数据为中介打通用户与图像数据之间的联系。其中，可通过分析训练数据中的普通网络数据(不包括用户相关数据的其它文本数据和图像数据)，建立文本数据和图像数据的联系；例如，图片分享网站Flickr中有大量分享的照片，每张照片通常都附加有文本标签以表示照片相关内容，于是，可以在照片和文本标签之间建立联系；或者，也可以通过一些算法直接分析图像，获取图像的主题数据，并用文本数据表示，例如，分析出一张图片是猫的照片，则可以建立起文本数据“猫”与该图像的联系。可通过分析训练数据中用户的相关数据，例如微博用户的注册数据或者微博用户发表的文章等，建立起该微博用户与一些文本数据的联系，例如，某微博用户发表了大量体育方面的数据，则可以建立该微博用户与文本数据“体育”的联系；例如，某微博用户是某搜索网站的负责人，则可以建立该微博用户与文本数据“搜索”的联系。
对于文本，图像等各种类型的异构数据，不能放在一起进行分析处理，本发明实施例中，通过进行异构数据迁移学习，用高阶的语义来表示获取到的各种类型的训练数据，在语义的表示层进行处理操作。对于计算机科学来说，语义一般是指用户对于那些用来描述现实世界的计算机表示(即符号)的解释，也就是用户用来联系计算机表示和现实世界的途径。所说的语义是指隐藏在数据背后的语义，是一种概念，例如一篇文章的主题，例如，文字的“猫”和一张猫的图片都可以对应的“猫”这个概念上。本发明实施例中，可根据学习出的训练数据的语义，以及打通的用户与图像数据之间的联系，在图像数据和用户之间建立语义关联关系，即，用高阶的语义表示的关联关系。
本发明一些实施例中，对训练数据进行异构数据迁移学习，可包括：采用协方差转换(covarianceshift)，或者多任务学习，或者样本(TrAdaboost)迁移学习方法，或者概率潜在语义分析(ProbabilityLatentSemanticAnalysis，PLSA)算法，或者主成分分析(PrincipalComponentAnalysis，PCA)算法，或者线性判别分析(LinearDiscriminantAnalysis，LDA)算法，或者贝叶斯模型(BayesianModel)，或者支持向量机(supportvectormachine)，或者主题模型，对训练数据进行异构数据迁移学习，学习出训练数据的语义。
本发明一些实施例中，在学习出训练数据的语义的基础上，还可以在学习出的语义的基础上，进行进一步学习，对训练数据进行聚类或分类，以便后续建立语义关联关系时，可根据不同的分类或聚类快速建立关联关系。
130、根据所述语义关联关系建立用户推荐模型，所述用户推荐模型包括图像数据和用户的语义关联关系。
本发明实施例中，可根据上一步骤建立的图像数据与用户的语义关联关系，进行分析统计，建立用户推荐模型。该用户推荐模型可包括矩阵形式的数据结构，矩阵的一行(或一列)可表示一个可推荐的用户，一行中的每一列可表示一种与该用户具有语义关联关系的图像数据或者图像数据的语义，这样，一组用户和一组图像数据或其语义组成一个矩阵。优选的，可以在矩阵中用关联系数表示语义关联关系的高低或强弱，关联系数可记录在行与列的交叉处。
本发明实施例中，所建立的用户推荐模型，可以是一个动态的模型，该模型可根据步骤110和120的学习结果不断改进。
该用户推荐模型可用于进行用户推荐，输入图像数据或者图像数据的语义给该用户推荐模型，该用户推荐模型可输出与输入图形数据有语义关联关系的用户。所说的用户，例如微博用户，可用注册的名字或者昵称等表示。
本发明实施例方法，可以不断的从社交网络中获取各种训练数据，不断的进行异构数据迁移学习，不断的改进用户推荐模型。
可以理解，本发明实施例上述方案例如可以在微博系统服务器等计算机设备具体实施。
以上，本发明实施例公开了一种社交网络中用户推荐模型的建立方法，该方法采用从社交网络中获取异构的训练数据，学习出训练数据的语义，在图像数据和用户之间建立语义关联关系，进而基于语义关联关系，建立用户推荐模型的技术方案，可以利用该用户推荐模型，基于图像数据，向目标用户推荐与其图像数据相关联的其它用户，解决了现有技术难以满足当前用户推荐要求的技术问题。
请参考图3，本发明实施例还提供一种社交网络中的用户推荐方法，包括：
210、获取目标用户的相关数据，所述目标用户的相关数据至少包括图像数据；
220、利用用户推荐模型查找与所述目标用户的图像数据具有语义关联关系的用户，所述用户推荐模型是基于对训练数据进行异构数据迁移学习而建立的；
230、当所述语义关联关系满足预设条件时，将满足预设条件的语义关联关系对应的用户推荐给所述目标用户。
本发明实施例中，所述用户推荐模型可以是采用图1实施例公开的方法建立的。
本发明实施例中，用户推荐流程可包括：获取目标用户的相关数据，所述相关数据包括图像数据，例如从用户公开的网络相册中获取图像数据；图1实施例公开方法建立的用户推荐模型中，记录有图像数据和用户的语义关联关系，本实施例中可利用该用户推荐模型查找与所述目标用户的图像数据具有语义关联关系的用户；然后，将查找到的用户中的、语义关联关系满足预设条件的用户推荐给所述目标用户。具体的，可将查找到的用户的标识数据，例如用户名，或者昵称等，推送给所述目标用户。一些实施例中，所述预设条件可以是：根据语义关联关系的关联系数的高低进行排序，认为关联系数高于设定值或者关联系数位于排序的最前面若干个，则满足预设条件。优选的，可根据关联系数的排序，推荐设定数量的用户给目标用户。为便于描述，本文中将满足预设条件的语义关联关系，简称为推荐关系。
举例说明，目标用户可以分享自己的相册，例如QQ空间或者Flickr中的相册，供微博系统服务器查询，服务器可以获取这些相册中的照片，找出与这些照片具有推荐关系的用户，推荐给目标用户，例如，将查找到的用户的标识数据推送给目标用户，显示在目标用户正在使用的终端设备上。一些实施例中，目标用户可以将分享给微博系统服务器的照片添加标签，表示自己喜欢或讨厌，用户推荐模型可以将标注为喜欢的照片作为正例，找出有推荐关系的用户进行推荐；将标注为讨厌的照片作为负例，不允许推荐与这些负例照片有推荐关系的用户。
本发明实施例方法，可以不断的从社交网络中获取各种训练数据，不断的进行异构数据迁移学习，不断的改进用户推荐模型，以此提高推荐效果，改善用户体验，提高用户使用粘性。
可以理解，本发明实施例上述方案例如可以在微博系统服务器等计算机设备具体实施。
由上可见，在本发明的一些可行的实施方式中，采用基于异构数据的用户推荐模型进行用户推荐，可以基于图像数据，向目标用户推荐相关的用户，解决了现有技术难以满足当前用户推荐要求的技术问题，例如现有技术难以满足当前微博大V用户推荐要求的技术问题。为了更好的实施本发明实施例的上述方案，下面还提供用于配合实施上述方案的相关装置。
请参考图4，本发明实施例提供一种社交网络中用户推荐模型的建立装置300，可包括：
获取模块310，用于从社交网络中获取训练数据，所述训练数据包括文本数据和图像数据以及用户的相关数据；
学习模块320，用于对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义；
关系模块330，用于以文本数据为中介打通用户与图像数据之间的联系，根据所述训练数据的语义和用户与图像数据之间的联系，在图像数据和用户之间建立语义关联关系；
创建模块340，用于根据所述语义关联关系建立用户推荐模型，所述用户推荐模型包括图像数据和用户的语义关联关系。
在本发明的一些实施例中，所述关系模块330，具体用于根据所述训练数据，建立图像数据和文本数据的联系；根据所述用户的相关数据，建立用户和文本数据的联系。
在本发明的一些实施例中，所述学习模块320，具体用于采用协方差转换，或者给多任务学习，或者样本TrAdaboost迁移学习方法，或者概率潜在语义分析PLSA算法，或者主成分分析PCA算法，或者线性判别分析LDA算法，或者贝叶斯模型，或者支持向量机，或者主题模型，对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义。
可以理解，本发明实施例装置例如可以是微博系统服务器等计算机设备。
可以理解，本发明实施例装置的各个功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可参照上述方法实施例中的相关描述，此处不再赘述。
以上，本发明实施例公开了一种社交网络中用户推荐模型的建立装置，该装置可以从社交网络中获取异构的训练数据，学习出训练数据的语义，在图像数据和用户之间建立语义关联关系，进而基于语义关联关系，建立用户推荐模型，利用该推荐模型，可以基于图像数据，向目标用户推荐与其图像数据相关联的其它用户，解决了现有技术难以满足当前用户推荐要求的技术问题。
请参考图5，本发明实施例提供一种社交网络中的用户推荐装置400，可包括：获取模块410，用于获取目标用户的相关数据，所述目标用户的相关数据至少包括图像数据；
查找模块420，用于利用用户推荐模型查找与所述目标用户的图像数据具有语义关联关系的用户，所述用户推荐模型是基于对训练数据进行异构数据迁移学习而建立的；
推荐模块430，用于当所述语义关联关系满足预设条件时，将满足预设条件的语义关联关系对应的用户推荐给所述目标用户。
其中，所述用户推荐模型可以是是由图4实施例提供的装置建立的。
在本发明的一些实施例中，所述推荐模块430，具体可用于将查找到的用户的标识数据推送给所述目标用户。
本发明实施例装置例如可以是微博系统服务器等计算机设备。
可以理解，本发明实施例装置的各个功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可参照上述方法实施例中的相关描述，此处不再赘述。
由上可见，在本发明的一些可行的实施方式中，采用基于异构数据的用户推荐模型进行用户推荐，可以基于图像数据，向目标用户推荐相关的用户，解决了现有技术难以满足当前用户推荐要求的技术问题，例如现有技术难以满足当前微博大V用户推荐要求的技术问题。本发明实施例还提供一种计算机可读介质，其特征在于，包括计算机执行指令，以供计算机的处理器执行所述计算机执行指令时，所述计算机执行如图1实施例公开的社交网络中用户推荐模型的建立方法，或者，如图3实施例公开的社交网络中的用户推荐方法。
请参考图6，本发明实施例还提供一种计算机设备500，可包括：处理器510，存储器520，通信接口530，总线540；所述处理器510，存储器520，通信接口530通过所述总线540连接以及相互的通信；所述通信接口530，用于接收和发送数据；所述存储器520用于存储计算机执行指令；当所述计算机设备运行时，所述处理器510用于执行所述存储器中的所述计算机执行指令，以所述计算机设备执行如图1实施例公开的社交网络中用户推荐模型的建立方法，或者，如图3实施例公开的社交网络中的用户推荐方法。
以上，本发明实施例公开了一种计算机设备，该设备采用从社交网络中获取异构的训练数据，学习出训练数据的语义，在图像数据和用户之间建立语义关联关系，进而基于语义关联关系，建立用户推荐模型的技术方案，利用该推荐模型，可以基于图像数据，向目标用户推荐与其图像数据相关联的其它用户，解决了现有技术难以满足当前用户推荐要求的技术问题。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
本领域普通技术人员可以理解上述实施例的各种方法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，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
以上对本发明实施例所提供的社交网络中用户推荐模型的建立方法和装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (12)

1.一种社交网络中用户推荐模型的建立方法，其特征在于，包括：
从社交网络中获取训练数据，所述训练数据包括文本数据和图像数据以及用户的相关数据；
对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义；
以文本数据为中介打通用户与图像数据之间的联系，根据所述训练数据的语义和用户与图像数据之间的联系，在图像数据和用户之间建立语义关联关系；
根据所述语义关联关系建立用户推荐模型，所述用户推荐模型包括图像数据和用户的语义关联关系。
2.根据权利要求1所述的方法，其特征在于，所述以文本数据为中介打通用户与图像数据之间的联系包括：
根据所述训练数据，建立图像数据和文本数据的联系；
根据所述用户的相关数据，建立用户和文本数据的联系。
3.根据权利要求1或2所述的方法，其特征在于，所述对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义包括：
采用协方差转换，或者多任务学习，或者样本TrAdaboost迁移学习方法，或者概率潜在语义分析PLSA算法，或者主成分分析PCA算法，或者线性判别分析LDA算法，或者贝叶斯模型，或者支持向量机，或者主题模型，对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义。
4.一种社交网络中的用户推荐方法，其特征在于，包括：
获取目标用户的相关数据，所述目标用户的相关数据至少包括图像数据；
利用用户推荐模型查找与所述目标用户的图像数据具有语义关联关系的用户，所述用户推荐模型是基于对训练数据进行异构数据迁移学习而建立的；
当所述语义关联关系满足预设条件时，将满足预设条件的语义关联关系对应的用户推荐给所述目标用户。
5.根据权利要求4所述的方法，其特征在于，所述将满足预设条件的语义关联关系对应的用户推荐给所述目标用户包括：
将用户的标识数据推送给所述目标用户。
6.一种社交网络中用户推荐模型的建立装置，其特征在于，包括：
获取模块，用于从社交网络中获取训练数据，所述训练数据包括文本数据和图像数据以及用户的相关数据；
学习模块，用于对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义；
关系模块，用于以文本数据为中介打通用户与图像数据之间的联系，根据所述训练数据的语义和用户与图像数据之间的联系，在图像数据和用户之间建立语义关联关系；
创建模块，用于根据所述语义关联关系建立用户推荐模型，所述用户推荐模型包括图像数据和用户的语义关联关系。
7.根据权利要求6所述的装置，其特征在于：
所述关系模块，具体用于根据所述训练数据，建立图像数据和文本数据的联系；根据所述用户的相关数据，建立用户和文本数据的联系。
8.根据权利要求6或7所述的装置，其特征在于：
所述学习模块，具体用于采用协方差转换，或者给多任务学习，或者样本TrAdaboost迁移学习方法，或者概率潜在语义分析PLSA算法，或者主成分分析PCA算法，或者线性判别分析LDA算法，或者贝叶斯模型，或者支持向量机，或者主题模型，对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义。
9.一种社交网络中的用户推荐装置，其特征在于，包括：
获取模块，用于获取目标用户的相关数据，所述目标用户的相关数据至少包括图像数据；
查找模块，用于利用用户推荐模型查找与所述目标用户的图像数据具有语义关联关系的用户，所述用户推荐模型是基于对训练数据进行异构数据迁移学习而建立的；
推荐模块，用于当所述语义关联关系满足预设条件时，将满足预设条件的语义关联关系对应的用户推荐给所述目标用户。
10.根据权利要求9所述的装置，其特征在于：
所述推荐模块，具体用于将用户的标识数据推送给所述目标用户。
11.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器、总线和通信接口；
所述存储器用于存储计算机执行指令，所述处理器与所述存储器通过所述总线连接，当所述计算机设备运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述计算机设备执行如权利要求1-3中任一项所述的社交网络中用户推荐模型的建立方法，或者如权利要求4或5所述的社交网络中的用户推荐方法。
12.一种计算机可读介质，其特征在于，包括计算机执行指令，以供计算机的处理器执行所述计算机执行指令时，所述计算机执行如权利要求1-3中任一项所述的社交网络中用户推荐模型的建立方法，或者如权利要求4或5所述的社交网络中的用户推荐方法。
CN201410281345.9A 2014-06-20 2014-06-20 社交网络中用户推荐模型的建立及应用方法和装置 Active CN105446973B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201410281345.9A CN105446973B (zh) 2014-06-20 2014-06-20 社交网络中用户推荐模型的建立及应用方法和装置
PCT/CN2015/071382 WO2015192655A1 (zh) 2014-06-20 2015-01-23 社交网络中用户推荐模型的建立及应用方法和装置
US15/383,759 US20170098165A1 (en) 2014-06-20 2016-12-19 Method and Apparatus for Establishing and Using User Recommendation Model in Social Network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410281345.9A CN105446973B (zh) 2014-06-20 2014-06-20 社交网络中用户推荐模型的建立及应用方法和装置

Publications (2)

Publication Number Publication Date
CN105446973A true CN105446973A (zh) 2016-03-30
CN105446973B CN105446973B (zh) 2019-02-26

Family

ID=54934833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410281345.9A Active CN105446973B (zh) 2014-06-20 2014-06-20 社交网络中用户推荐模型的建立及应用方法和装置

Country Status (3)

Country Link
US (1) US20170098165A1 (zh)
CN (1) CN105446973B (zh)
WO (1) WO2015192655A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106489159A (zh) * 2016-06-29 2017-03-08 深圳狗尾草智能科技有限公司 一种基于深度神经网络的用户画像表示学习系统及方法
CN107463572A (zh) * 2016-06-03 2017-12-12 阿里巴巴集团控股有限公司 一种数据处理系统、方法及装置
CN107909629A (zh) * 2017-11-06 2018-04-13 广东欧珀移动通信有限公司 贴纸的推荐方法、装置、存储介质及终端设备
CN108230171A (zh) * 2017-12-26 2018-06-29 爱品克科技（武汉）股份有限公司 一种基于时间节点lda主题算法
CN108305180A (zh) * 2017-01-13 2018-07-20 中国移动通信有限公司研究院 一种好友推荐方法及装置
CN108776974A (zh) * 2018-05-24 2018-11-09 南京行者易智能交通科技有限公司 一种适用于公共交通场景的实时目标跟踪方法
CN109711461A (zh) * 2018-12-25 2019-05-03 中国人民解放军战略支援部队航天工程大学 基于主成分分析的迁移学习图片分类方法及其装置
CN109842757A (zh) * 2017-11-29 2019-06-04 中兴通讯股份有限公司 图像处理方法及装置
CN109872242A (zh) * 2019-01-30 2019-06-11 北京字节跳动网络技术有限公司 信息推送方法和装置
CN112889065A (zh) * 2018-10-25 2021-06-01 莱雅公司 用于使用深度学习来提供个性化产品推荐的系统和方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016115716A1 (zh) * 2015-01-23 2016-07-28 华为技术有限公司 一种语音播放方法和语音播放设备
US10721528B1 (en) * 2016-08-23 2020-07-21 Parrot Analytics Limited System and method for predicting specific audience response to new entertainment content
CN106934462A (zh) * 2017-02-09 2017-07-07 华南理工大学 基于迁移的对抗性环境下的防御毒化攻击的学习方法
CN110020121A (zh) * 2017-10-16 2019-07-16 上海交通大学 基于迁移学习的软件众包项目推荐方法及系统
US11301718B2 (en) * 2018-12-28 2022-04-12 Vizit Labs, Inc. Systems, methods, and storage media for training a machine learning model
CN110134868B (zh) * 2019-05-14 2023-04-07 辽宁工程技术大学 一种基于用户偏好异构性分析的推荐方法
CN110598576B (zh) * 2019-08-21 2023-06-23 腾讯科技（深圳）有限公司 一种手语交互方法、装置及计算机介质
CN111368219B (zh) * 2020-02-27 2024-04-26 广州腾讯科技有限公司 信息推荐方法、装置、计算机设备以及存储介质
CN112699949B (zh) * 2021-01-05 2023-05-26 百威投资(中国)有限公司 一种基于社交平台数据的潜在用户识别方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289509A (zh) * 2011-08-31 2011-12-21 南京大学 一种网站数据的获取及迁移使用方法
CN103020116A (zh) * 2012-11-13 2013-04-03 中国科学院自动化研究所 在社交媒体网络上自动筛选有影响力用户的方法
CN103440352A (zh) * 2013-09-24 2013-12-11 中国科学院自动化研究所 基于深度学习的对象间的关联分析方法及其装置
CN103559191A (zh) * 2013-09-10 2014-02-05 浙江大学 基于隐空间学习和双向排序学习的跨媒体排序方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4389973B2 (ja) * 2007-06-26 2009-12-24 ソニー株式会社 情報処理装置および方法、並びにプログラム
US20110320441A1 (en) * 2010-06-25 2011-12-29 Microsoft Corporation Adjusting search results based on user social profiles
US9268859B2 (en) * 2011-10-13 2016-02-23 Yahoo! Inc. Method and system for customizing a web site
CN102902821B (zh) * 2012-11-01 2015-08-12 北京邮电大学 基于网络热点话题的图像高级语义标注、检索方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289509A (zh) * 2011-08-31 2011-12-21 南京大学 一种网站数据的获取及迁移使用方法
CN103020116A (zh) * 2012-11-13 2013-04-03 中国科学院自动化研究所 在社交媒体网络上自动筛选有影响力用户的方法
CN103559191A (zh) * 2013-09-10 2014-02-05 浙江大学 基于隐空间学习和双向排序学习的跨媒体排序方法
CN103440352A (zh) * 2013-09-24 2013-12-11 中国科学院自动化研究所 基于深度学习的对象间的关联分析方法及其装置

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463572A (zh) * 2016-06-03 2017-12-12 阿里巴巴集团控股有限公司 一种数据处理系统、方法及装置
CN106489159A (zh) * 2016-06-29 2017-03-08 深圳狗尾草智能科技有限公司 一种基于深度神经网络的用户画像表示学习系统及方法
CN108305180B (zh) * 2017-01-13 2020-08-25 中国移动通信有限公司研究院 一种好友推荐方法及装置
CN108305180A (zh) * 2017-01-13 2018-07-20 中国移动通信有限公司研究院 一种好友推荐方法及装置
CN107909629A (zh) * 2017-11-06 2018-04-13 广东欧珀移动通信有限公司 贴纸的推荐方法、装置、存储介质及终端设备
CN109842757A (zh) * 2017-11-29 2019-06-04 中兴通讯股份有限公司 图像处理方法及装置
CN109842757B (zh) * 2017-11-29 2021-08-24 中兴通讯股份有限公司 图像处理方法及装置
CN108230171A (zh) * 2017-12-26 2018-06-29 爱品克科技（武汉）股份有限公司 一种基于时间节点lda主题算法
CN108776974A (zh) * 2018-05-24 2018-11-09 南京行者易智能交通科技有限公司 一种适用于公共交通场景的实时目标跟踪方法
CN112889065A (zh) * 2018-10-25 2021-06-01 莱雅公司 用于使用深度学习来提供个性化产品推荐的系统和方法
CN109711461A (zh) * 2018-12-25 2019-05-03 中国人民解放军战略支援部队航天工程大学 基于主成分分析的迁移学习图片分类方法及其装置
CN109711461B (zh) * 2018-12-25 2020-04-10 中国人民解放军战略支援部队航天工程大学 基于主成分分析的迁移学习图片分类方法及其装置
CN109872242A (zh) * 2019-01-30 2019-06-11 北京字节跳动网络技术有限公司 信息推送方法和装置

Also Published As

Publication number Publication date
WO2015192655A1 (zh) 2015-12-23
US20170098165A1 (en) 2017-04-06
CN105446973B (zh) 2019-02-26

Similar Documents

Publication Publication Date Title
CN105446973A (zh) 社交网络中用户推荐模型的建立及应用方法和装置
US11893071B2 (en) Content recommendation method and apparatus, electronic device, and storage medium
US20240078258A1 (en) Training Image and Text Embedding Models
CN111680219B (zh) 内容推荐方法、装置、设备及可读存储介质
CN107346336B (zh) 基于人工智能的信息处理方法和装置
CN107506402B (zh) 搜索结果的排序方法、装置、设备及计算机可读存储介质
CN109299994B (zh) 推荐方法、装置、设备及可读存储介质
US10902077B2 (en) Search result aggregation method and apparatus based on artificial intelligence and search engine
US11586927B2 (en) Training image and text embedding models
US10776885B2 (en) Mutually reinforcing ranking of social media accounts and contents
CN111382361B (zh) 信息推送方法、装置、存储介质和计算机设备
US20150378986A1 (en) Context-aware approach to detection of short irrelevant texts
CN109948121A (zh) 文章相似度挖掘方法、系统、设备及存储介质
US20140298200A1 (en) Providing user interface elements for interactive sessions
JP6402408B2 (ja) タグ処理方法及びタグ処理装置
CN108959323B (zh) 视频分类方法和装置
US9767417B1 (en) Category predictions for user behavior
CN111522886B (zh) 一种信息推荐方法、终端及存储介质
US20170235836A1 (en) Information identification and extraction
US9129216B1 (en) System, method and apparatus for computer aided association of relevant images with text
CN106250464A (zh) 排序模型的训练方法及装置
CN111563158A (zh) 文本排序方法、排序装置、服务器和计算机可读存储介质
CN109819002B (zh) 数据推送方法和装置、存储介质及电子装置
CN114201516A (zh) 一种用户画像构建的方法、信息推荐的方法以及相关装置
CN110717008A (zh) 基于语意识别的搜索结果排序方法及相关装置

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