CN105468598B - 好友推荐方法及装置 - Google Patents

Abstract

本发明公开了一种好友推荐方法及装置，可用于提高向用户推荐好友的精确度及用户使用满意度。所述方法包括：获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；及依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐。

Description

好友推荐方法及装置

技术领域

本发明涉及通信领域的社交网络技术，尤其涉及一种好友推荐方法及装置。

背景技术

随着互联网技术的不断发展，互联网公司提供各种各样社交网络产品；用户通过所述社交网络产品可以形成社交圈。具体如，用户通过网络结交新朋友及联系老朋友。如果用户的好友数量很少，用户就不容易体验到社交网络产品带来的网络社交的便利性，因此好友推荐模块是社交网络服务的重要组成部分。为了增强社交网络产品的黏性，微博、校友录、微信及其他即时通讯等社交网络均会进行好友推荐，让用户在社交网络产品上建立更多的关系链。

现有的好友推方法通常为：依据用户填写的属性信息的相似度向用户推荐好友，显然这是一种静态的推荐方法；显然有时候推荐的用户并非用户想要的好友。故具体如何向用户推荐用户满意的好友，提升用户的使用满意度，是现有技术需要进一步研究和探讨的问题。

发明内容

有鉴于此，本发明实施例期望提供一种好友推荐方法及装置，能够向用户推荐其满意的用户，提升用户的使用满意度。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例第一方面提供一种好友推荐方法，所述方法包括：

获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

优选地，

所述属性相似度包括基本属性相似度；

所述依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度包括：

以第一权值及所述当前用户属性计算第一属性相似度值；

以第二权值及所述历史用户属性计算第二属性相似度值；

依据所述第一属性相似度值和所述第二属性相似度值，确定所述被推荐用户与所述第一用户的基本属性相似度；

其中，所述第一权值大于所述第二权值；所述第二权值为自然数。

优选地，

所述属性相似度还包括突变属性相似度；

所述依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度还包括：

依据所述当前用户属性及所述历史用户属性，确定所述第一用户在所述第一指定时间内的用户属性突变特征；

采用以下公式确定所述被推荐用户与所述第一用户的突变属性相似度S₁；

其中，所述a_m为第m个用户属性突变特征的权重因子；当所述被推荐用户具有所述第m个用户属性突变特征时，所述b_m为1；当所述被推荐用户不具有所述第m个用户属性突变特征时，所述b_m为0；

其中，所述M为不小于1的整数，为所述用户属性突变特征的总个数；所述m为不大于所述M的正整数。

优选地，

所述社交关系数据包括好友信息及添加好友的时序；

所述分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度包括：

获取所述第一用户的第一好友信息及第一时序；

获取所述被推荐用户的第二好友信息及第二时序；

依据所述第一好友信息、所述第二好友信息、所述第一时序及所述第二时序确定所述被推荐用户与所述第一用户的结构相似度。

优选地，

所述依据所述第一好友信息、所述第二好友信息、所述第一时序及所述第二时序确定所述被推荐用户与所述第一用户的结构相似度包括：

按照预设解析方法解析所述第一好友信息及所述第一时序，确定所述第一用户形成的第一社交关系结构特征及形成所述第一社交关系结构特征的第一时序特征；

按照预设解析方法解析所述第二好友信息及所述第二时序，确定所述被推荐用户的第二社交关系结构特征及形成所述第二社交关系结构特征的第二时序特征；

确定所述第一社交关系结构特征及所述第二社交关系结构特征的结构相似性；

依据所述第一时序特及所述第二时序特征确定所述第一结构特征及所述第二结构特征的时序关联性；

依据结构形似度及所述时序关联性，确定所述结构相似度。

优选地，

所述第一好友信息为所述被推荐用户的好友集合；所述第二好友信息为所述第一用户的好友集合；

其中，所述依据所述第一好友信息、所述第二好友信息、所述第一时序及所述第二时序确定所述被推荐用户与所述第一用户的结构相似度包括：

利用如下公式计算所述被推荐用户与所述第一用户的结构相似度S₂；

所述i为所述第一用户；所述j为所述被推荐用户；所述N(i)是第一用户的好友集合；所述N(j)为所述被推荐用户的好友集合；

所述|N(i)∪N(j)|为所述第一用户和所述被推荐用户的好友集合的并集；

所述N(i)∩N(j)为所述第一用户和所述被推荐用户的共同好友集合；

所述α为时间衰减因子；

所述t_ik为所述第一用户添加所述N(i)∩N(j)中第k个共同好友的时序；

所述t_jk为所述被推荐用户添加所述N(i)∩N(j)中第k个共同好友的时序；

所述|t_ij-t_ik|为第一用户和所述被推荐用户分别添加所述第k个共同好友的时序差；

所述K为所述N(i)∩N(j)包含的用户个数，为0或正整数。

优选地，

所述依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐包括：

依据所述属性相似度及所述结构相似度，计算所述被推荐用户与所述第一用户的相似度；

将各所述被推荐用户与第一用户的相似度进行排序，形成排序结果；

依据所述排序结果，选择满足预设条件所述被推荐用户向所述第一用户推荐。

优选地，

所述方法还包括：

统计第三指定时间内向所述第一用户推荐好友的准确度；所述准确度为所述第一用户将被推荐用户添加为好友的数量占被推荐用户总数的比例；

依据所述准确度确定向所述第一用户推荐好友的频率；

所述依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐包括：

依据所述频率、所述属性相似度及所述结构相似度，选择所述被推荐用户向所述第一用户推荐；

其中，所述第三指定时间的截止时间与所述第一指定时间的截止时间相同。

优选地，

所述方法还包括：

统计第三指定时间内向所述第一用户推荐好友的准确度；所述准确度为所述第一用户将被推荐用户添加为好友的数量占被推荐用户总数的比例；依据所述准确度确定单次向所述第一用户推荐好友的数量；

所述依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐包括：

依据所述数量、所述属性相似度及所述结构相似度，选择所述被推荐用户向所述第一用户推荐；

其中，所述第三指定时间的截止时间与所述第一指定时间的截止时间相同。

优选地，

所述方法还包括：

依据所述第一用户的用户属性，生成至少包括一个被推荐用户的被推荐列表；

所述依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度包括：

依据所述当前用户属性及所述历史用户属性，确定所述被推荐列表中被推荐用户与所述第一用户的属性相似度；

所述分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度包括：

分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐列表中所述被推荐用户与所述第一用户社交关系的结构相似度；

所述依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐包括：

依据所述属性相似度及所述结构相似度，选择所述被推荐列表中的全部或部分被推荐用户向所述第一用户推荐。

优选地，

所述方法还包括：建立所述第一用户的黑名单；所述黑名单中的用户包括以下的至少其中之一：被所述第一用户拒绝添加为好友的被推荐用户、被所述第一用户从好友列表中删除过的被推荐用户及被所述第一用户添加到黑名单的被推荐用户；

在确定被推荐用户与所述第一用户的属性相似度及所述结构相似度之前，从所述被推荐列表中删除位于所述黑名单中的用户。

优选地，

所述方法还包括：

建立所述第一用户的白名单；所述白名单为所述第一用户在所述第二指定时间内添加为好友的用户；

依据所述白名单确定对应于用于确定所述属性相似度的用户属性的权值。

本发明实施例第二方面提供一种好友推荐装置，所述装置包括：

获取单元，用于获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

第一确定单元，用于依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

第二确定单元，用于分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

选择推荐单元，用于依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

优选地，

所述属性相似度包括基本属性相似度；

所述第一确定单元包括：

第一计算模块，用于以第一权值及所述当前用户属性计算第一属性相似度值；

第二计算模块，用于以第二权值及所述历史用户属性计算第二属性相似度值；

第一确定模块，用于依据所述第一属性相似度值和所述第二属性相似度值，确定所述被推荐用户与所述第一用户的基本属性相似度；

其中，所述第一权值大于所述第二权值；所述第二权值为自然数。

优选地，

所述属性相似度还包括突变属性相似度；

所述第一确定单元还包括：

第二确定模块，用于依据所述当前用户属性及所述历史用户属性，确定所述第一用户在所述第一指定时间内的用户属性突变特征；

第三计算模块，用于采用以下公式确定所述被推荐用户与所述第一用户的突变属性相似度S₁；

其中，所述a_m为第m个用户属性突变特征的权重因子；当所述被推荐用户具有所述第m个用户属性突变特征时，所述b_m为1；当所述被推荐用户不具有所述第m个用户属性突变特征时，所述b_m为0；

其中，所述M为不小于1的整数，为所述用户属性突变特征的总个数；所述m为不大于所述M的正整数。

优选地，

所述社交关系数据包括好友信息及添加好友的时序；

所述第二确定单元包括：

第一获取模块，用于获取所述第一用户的第一好友信息及第一时序；

第二获取模块，用于获取所述被推荐用户的第二好友信息及第二时序；

第三确定模块，用于依据所述第一好友信息、所述第二好友信息、所述第一时序及所述第二时序确定所述被推荐用户与所述第一用户的结构相似度。

优选地，

所述第三确定模块包括：

第一解析子模块，用于按照预设解析方法解析所述第一好友信息及所述第一时序，确定所述第一用户形成的第一社交关系结构特征及形成所述第一社交关系结构特征的第一时序特征；

第二解析子模块，用于按照预设解析方法解析所述第二好友信息及所述第二时序，确定所述被推荐用户的第二社交关系结构特征及形成所述第二社交关系结构特征的第二时序特征；

第一确定子模块，用于确定所述第一社交关系结构特征及所述第二社交关系结构特征的结构相似性；

第二确定子模块，用于依据所述第一时序特及所述第二时序特征确定所述第一结构特征及所述第二结构特征的时序关联性；

第三确定子模块，用于依据结构形似度及所述时序关联性，确定所述结构相似度。

优选地，

所述第一好友信息为所述被推荐用户的好友集合；所述第二好友信息为所述第一用户的好友集合；

其中，所述第三确定模块包括：

第一计算子模块，用于利用如下公式计算所述被推荐用户与所述第一用户的结构相似度S₂；

所述i为所述第一用户；所述j为所述被推荐用户；所述N(i)是第一用户的好友集合；所述N(j)为所述被推荐用户的好友集合；

所述|N(i)∪N(j)|为所述第一用户和所述被推荐用户的好友集合的并集；

所述N(i)∩N(j)为所述第一用户和所述被推荐用户的共同好友集合；

所述α为时间衰减因子；

所述t_ik为所述第一用户添加所述N(i)∩N(j)中第k个共同好友的时序；

所述t_jk为所述被推荐用户添加所述N(i)∩N(j)中第k个共同好友的时序；

所述|t_ij-t_ik|为第一用户和所述被推荐用户分别添加所述第k个共同好友的时序差；

所述K为所述N(i)∩N(j)包含的用户个数，为0或正整数。

优选地，

所述选择推荐单元包括：

第三计算模块，用于依据所述属性相似度及所述结构相似度，计算所述被推荐用户与所述第一用户的相似度；

排序模块，用于将各所述被推荐用户与第一用户的相似度进行排序，形成排序结果；

选择推荐模块，用于依据所述排序结果，选择满足预设条件所述被推荐用户向所述第一用户推荐。

优选地，

所述装置还包括：

统计单元，用于统计第三指定时间内向所述第一用户推荐好友的准确度；所述准确度为所述第一用户将被推荐用户添加为好友的数量占被推荐用户总数的比例；

第三确定单元，用于依据所述准确度确定向所述第一用户推荐好友的频率；

所述选择推荐单元，具体用于依据所述频率、所述属性相似度及所述结构相似度，选择所述被推荐用户向所述第一用户推荐；

其中，所述第三指定时间的截止时间与所述第一指定时间的截止时间相同。

优选地，

所述装置还包括：

统计单元，用于统计第三指定时间内向所述第一用户推荐好友的准确度；所述准确度为所述第一用户将被推荐用户添加为好友的数量占被推荐用户总数的比例；

第四确定单元，用于依据所述准确度确定单次向所述第一用户推荐好友的数量；

所述选择推荐单元，具体用于依据所述数量、所述属性相似度及所述结构相似度，选择所述被推荐用户向所述第一用户推荐；

其中，所述第三指定时间的截止时间与所述第一指定时间的截止时间相同。

优选地，

所述装置还包括：

列表形成单元，用于依据所述第一用户的用户属性，生成至少包括一个被推荐用户的被推荐列表；

所述第一确定单元，具体用于依据所述当前用户属性及所述历史用户属性，确定所述被推荐列表中被推荐用户与所述第一用户的属性相似度；

所述第二确定单元，具体用于分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐列表中所述被推荐用户与所述第一用户社交关系的结构相似度；

所述选择推荐单元，具体用于依据所述属性相似度及所述结构相似度，选择所述被推荐列表中的全部或部分被推荐用户向所述第一用户推荐。

优选地，

所述装置还包括：

第一建立单元，用于建立所述第一用户的黑名单；所述黑名单中的用户包括以下的至少其中之一：被所述第一用户拒绝添加为好友的被推荐用户、被所述第一用户从好友列表中删除过的被推荐用户及被所述第一用户添加到黑名单的被推荐用户；

删除单元，用于在确定被推荐用户与所述第一用户的属性相似度及所述结构相似度之前，从所述被推荐列表中删除位于所述黑名单中的用户。

优选地，

所述装置还包括：

第二建立单元，用于建立所述第一用户的白名单；所述白名单为所述第一用户在所述第二指定时间内添加为好友的用户；

第五确定单元，用于依据所述白名单确定对应于用于确定所述属性相似度的用户属性的权值。

本发明实施例中所述的好友推荐方法及装置，通过获取第一用户的当前用户属性及第一指定时间内形成的当前用户属性对应的历史用户属性确定属性相似度；在依据第一用户与被推荐用户之间的社交关系数据确定第一用户与被推荐用户之间的结构相似度，最后依据属性相似度和结构相似度选择被推荐用户向第一用户推荐；首先，向第一用户推荐好友的参考因素包括属性相似度和结构相似度；其次，属性相似度和结构相似度的决定因素又包括用户在使用社交产品中形成的动态信息；相对于现有方法，首先从两个维度来选择向第一用户推荐的被推荐用户，其次避免了现有的静态的根据用户的静态填写的信息来推荐好友导致的推荐的好友不能满足用户交友需求的问题，能提升用户对推荐好友的接受度，从而提高好友推荐的准确度和成功率，同时避免用户的反感，提升用户的使用满意度。

附图说明

图1为本发明实施例所述的好友推荐方法的流程示意图之一；

图2为本发明实施例所述的确定属性相似度的流程示意图之一；

图3为本发明实施例所述的确定属性相似度的流程示意图之二；

图4为本发明实施例所述的确定结构相似度的流程示意图之一；

图5为本发明实施例所述的确定结构相似度的流程示意图之二；

图6为本发明实施例所述的确定结构相似度的流程示意图之三；

图7为本发明实施例所述的好友推荐方法的流程示意图之二；

图8为本发明实施例所述的好友推荐方法的流程示意图之三；

图9为本发明实施例所述的好友推荐装置的结构示意图之一；

图10为本发明实施例所述的第一确定单元的结构示意图之一；

图11为本发明实施例所述的第一确定单元的结构示意图之二；

图12为本发明实施例所述的第二确定单元的结构示意图之一；

图13为本发明实施例所述的好友推荐的结构示意图之二；

图14为本发明实施例所述的好友推荐的结构示意图之三；

图15为本发明示例所述的好友推荐方法的流程示意图；

图16为本发明示例所述的好友推荐装置的结构示意图。

具体实施方式

以下结合说明书附图及具体实施例对本发明的技术方案做进一步的详细阐述。

方法实施例一

如图1所示，本实施例提供一种好友推荐方法，所述方法包括：

步骤S110：获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

步骤S120：依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

步骤S130：分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

步骤S140：依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

所述第一指定时间具体可为截止时间为当前时间的一段时间，具体为最近的3个月、半年或1个月等时间。所述第二指定时间也优选为截止时间为当前时间的一段时间，优选为半年、3个月、1年或2年等。优选为所述第二指定时间对应的时长比所述第一指定时间对应的时长长。其中，所述当前时间为向第一用户推荐好友的时间。

在所述被推荐用户及第一用户的所述用户属性，通常可包括用户通过填写或确认等操作记载在对应社交产品上的用户信息，通常可包括所述用户属性可包括个人身份属性以及表征用户行为特征的行为属性。所述个人身份属性包括年龄、性别、家乡、所在地、民族、学校及职业等信息。所述行为属性包括利用社交产品参与某一向活动或参加了与社交产品绑定的某些活动；如用户A在QQ空间内玩QQ游戏A，所述游戏A为QQ游戏中的一种，如枪战游戏或领养电子宠物的游戏。再比如用户利用社交产品参与了某些社交团体，如参加了旅游群。上述行为属性信息能显示出用户的喜好以及个性；从而可以根据上述用户属性向用户推荐有相同爱好或相同个性的好友，满足用户的交友需求。

根据形成的用户属性可分为当前用户属性和历史用户属性；具体如在15天前第一用户从北京搬迁到了上海，则上海则对应着第一用户的当前用户属性，北京则对应着被推荐用户的历史用户属性。

通常用户的用户属性发生了变化，如用户的地址变了，用户可能不会及时的更新，采用现有技术中的依据用户填写在社交产品中静态的用户属性来向其推荐好友，显然不能满足用户的交友需求。例如第一用户搬迁到了上海，当然向结交更多的上海的朋友，若此时其社交产品上的地址户属性还是北京，向第一用户推荐北京的被推荐用户，显然满足不了第一用户的需求，显然可能不被第一用户所接受，导致推荐的精确度和接受度低。

在本实施例中首先获取用户的当前用户属性，且同时获取在第一指定时间内形成的所述当前用户属性的历史用户属性，来选择被推荐用户。

采用上述实施例若第一指定时间为当前时间之前的一个月，则所述15天前是位于一个月之内，显然第一用户的当前地址属性是上海，历史地址属性为北京。因为用户在北京呆过，即便搬迁到了上海，虽然想急切结交更多上海的朋友，同时也还是想结交一些北京的朋友，与北京的朋友保持一定联系。本实施例综合考虑了这种情况，故在计算属性相似度时，将同时引入上海这一当前用户属性对应的当前地址属性，同时还将引入北京这一历史用户属性对应的历史地址属性，来确定被推荐用户与第一用户的属性相似度。这样北京的被推荐用户和上海的被推荐用户都有可能被推荐给第一用户。

本实施例所述的这种依据用户当前用户属性及部分历史用户属性，来确定被推荐用户与第一用户属性相似度的方法，首先是一种根据用户动态信息来确定推荐好友的方法，其次，不仅仅考虑当前用户属性，还同时在指定时间内发生变迁的历史用户属性，这同样能满足用户在用户属性发生变化的指定时间内的交友心态和需求，从而能提高推荐好友的精确度。

不同的用户可能喜欢和不同的人结交，形成各自的朋友圈或好友圈，进而形成各自的社交关系；所述社交关系可以通过社交关系数据来反映，具体如好友识别信息、好友的用户属性以及添加该好后的时间信息等。显然社交关系也能够反映出第一用户的社交需求。故在本实施例中，还包括步骤130，确定所述被推荐用户与第一用户在第一指定时间内形成的社交关系的结构相似度。用户的社交关系是会随着时间变化以及用户结交朋友的变化而发生变化的，是一种动态信息，能够动态反映出用户交友需求的变化，与所述属性相似度结合能更加准确的反映出用户的当前交友需求；故依据基于社交关系数据形成的结构相似度向第一用户推荐好友，能提高向第一用户推荐好友的精确度，能使第一用户从被推荐的好友中结交到自己想认识和结交的好友。

综合上述所述方法，本实施例所述的方法，首先，整体上将确定第一用户与被推荐用户的属性相似度和结构相似度，综合这两方面向第一用户推荐好友，显然比现有方法单纯仅参照用户属性来推荐好友，参考因素更多，能获得更多用户交友需求信息；其次，在确定所述属性相似度和结构相似度时，都参照了用户的当前信息，是动态反映用户交友需求的信息，显然能获更加准确的用户当前交友需求，从而能提高向用户推荐好友的精确度和接受度。

方法实施例二：

如图1所示，本实施例提供一种好友推荐方法，所述方法包括：

步骤S110：获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

步骤S120：依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

步骤S130：分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

步骤S140：依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

所述属性相似度包括基本属性相似度；

如图2所示，所述步骤S120包括：

步骤S121：以第一权值及所述当前用户属性计算第一属性相似度值；

步骤S122：以第二权值及所述历史用户属性计算第二属性相似度值；

步骤S123：依据所述第一属性相似度值和所述第二属性相似度值，确定所述被推荐用户与所述第一用户的基本属性相似度；

其中，所述第一权值大于所述第二权值；所述第二权值为自然数。

具体如第一用户从北京搬迁到了上海，显然虽然还会想结交北京的朋友，但是当前更急切的交友需求显然是向结交更多上海的朋友，故针对这一特点，在设置权值时，对应于当前用户属性的第一权值大于对应于历史用户属性的第二权值。

再比如，第一用户从高中升上了大学，虽然可能第一用户还会想结交高中的朋友，显然第一用户会对大学生活充满好奇感，想结交更多的大学的朋友。此时对应于用户属性中的身份属性时，第一用户的当前身份属性(大学)的第一权值大于历史身份属性(高中)的第二权值。上述情况同样也适用于用户从一种行业身份转换到另一种行业身份。

在具体的实现过程中，用户不同用户属性对应的权值大小可相同也可以不同，这可根据不同用户属性对用户交友的影响程度不同而设计；若当前用户向结交同城的好友，则地址用户属性对应的权值可以较职业用户属性对应的权值大，以提高好友的推荐程度。

在本实施例中具体实现限定了所述用户属性包括基本用户属性，其次具体限定了如何计算基本用户属性，显然具有实现简单，且能精确反映用户当前的交友需求。

方法实施例三：

如图1所示，本实施例提供一种好友推荐方法，所述方法包括：

步骤S110：获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

步骤S120：依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

步骤S130：分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

步骤S140：依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

所述属性相似度包括基本属性相似度；

如图2所示，所述步骤S120包括：

步骤S121：以第一权值及所述当前用户属性计算第一属性相似度值；

步骤S122：以第二权值及所述历史用户属性计算第二属性相似度值；

步骤S123：依据所述第一属性相似度值和所述第二属性相似度值，确定所述被推荐用户与所述第一用户的基本属性相似度；

其中，所述第一权值大于所述第二权值；所述第二权值为自然数。

所述属性相似度还包括突变属性相似度；

如图3所示，所述步骤S120还包括：

步骤S124：依据所述当前用户属性及所述历史用户属性，确定所述第一用户在所述第一指定时间内的用户属性突变特征；

步骤S125：采用以下公式确定所述被推荐用户与所述第一用户的突变属性相似度S₁；

其中，所述a_m为第m个用户属性突变特征的权重因子；当所述被推荐用户具有所述第m个用户属性突变特征时，所述b_m为1；当所述被推荐用户不具有所述第m个用户属性突变特征时，所述b_m为0；

其中，所述M为不小于1的整数，为所述用户属性突变特征的总个数；所述m为不大于所述M的正整数。

如，第一用户从北京迁移到了上海，若此时有第二用户也是从北京搬迁到上海来的，他们有共同的变迁轨迹，对于北京和上海都有共同的话题。显然这两个用户可能会成为很好的朋友，故在本实施例中引入了所述突变属性相似度，以提高有同一用户属性突变特征的用户相互称为好友的几率，能再次提高好友推荐的精确度和接受度。

作为本实施例的进一步优选，以进一步提高精确度；所述方法还包括判断被推荐用户的户属性突变是否发生在第一指定时间内，若是发生在第一指定时间内时，所述b_m优先为大于1的数。具体如第一用户和被推荐用户都是刚刚从初中升上高中，在适应学生身份转变的过程中，有着同样的焦虑，能更好的理解对方，从而能称为更好的朋友。故基于上述方案的基础上，还可以根据用户属性特变特征的相似度来调整所述b_m的大小，以向第一用户推荐其想要结交的好友。

方法实施例四：

如图1所示，本实施例提供一种好友推荐方法，所述方法包括：

步骤S110：获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

步骤S120：依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

步骤S130：分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

步骤S140：依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

所述社交关系数据包括好友信息及添加好友的时序；

如图4所示，所述步骤S130包括：

步骤S131：获取所述第一用户的第一好友信息及第一时序；

步骤S132：获取所述被推荐用户的第二好友信息及第二时序；

步骤S133：依据所述第一好友信息、所述第二好友信息、所述第一时序及所述第二时序确定所述被推荐用户与所述第一用户的结构相似度。

所述第一用户的第一好友信息表示的第一用户结交了哪些好友，这些好友有哪些特点；从而可以分析出所述第一用户的社交关系，所述第一时序则反映了第一用户行形成对应社交关系的时间信息；依据所述第一用户的社交关系及实现信息，显然可以获取第一用户对交友需求的逐步演化信息及当前交友需求；根据该特点对所述被推荐用户做同样的处理，从而选择与第一用户有着同样的逐步演化信息当前交友需求的被推荐用户给第一用户，显然第一用户与被推荐用户将可能由共同的好友，共同的社交关系，显然将有更多的共同话题，从而分别第一用户和被推荐用户提高了满足其交友需求的好友，从而能提高推荐交友的精确度。

方法实施例五：

如图1所示，本实施例提供一种好友推荐方法，所述方法包括：

步骤S110：获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

步骤S120：依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

步骤S130：分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

步骤S140：依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

所述社交关系数据包括好友信息及添加好友的时序；

如图4所示，所述步骤S130包括：

步骤S131：获取所述第一用户的第一好友信息及第一时序；

步骤S132：获取所述被推荐用户的第二好友信息及第二时序；

步骤S133：依据所述第一好友信息、所述第二好友信息、所述第一时序及所述第二时序确定所述被推荐用户与所述第一用户的结构相似度。

其中，如图5所示，所述步骤S133具体包括：

步骤S1331：按照预设解析方法解析所述第一好友信息及所述第一时序，确定所述第一用户形成的第一社交关系结构特征及形成所述第一社交关系结构特征的第一时序特征；

步骤S1332：按照预设解析方法解析所述第二好友信息及所述第二时序，确定所述被推荐用户的第二社交关系结构特征及形成所述第二社交关系结构特征的第二时序特征；

步骤S1333：确定所述第一社交关系结构特征及所述第二社交关系结构特征的结构相似性；

步骤S1334：依据所述第一时序特及所述第二时序特征确定所述第一结构特征及所述第二结构特征的时序关联性；

步骤S1335：依据结构形似度及所述时序关联性，确定所述结构相似度。

所述预设解析方法可以为实现确定的预设解析规则或预设解析函数等；具体实现有多种方法，如可以通过聚类算法分析所述第一用户和被推荐用户的社交关系结构，具体以基于密度的聚类算法，基于距离的聚类算法；实现方法有多种，在此就不再一一详细阐述了；以下提供一个具体示例，具体如下：

按照预设解析方法获得第一用户的社交关系结构特征；所述社交关系结构特征是以地点划分所述第一用户好友所在地形成比例参数来表示的：

10％在北京；

20％在长沙；

20％在美国；

15％在天津；

其他好友比较分散，在好友中所占比例较少故省略。

北京是第一用户的工作地；美国为第一用户经常出差的地方；天津为第一用户上大学的地方；长沙为第一用户上研究生的地方。

以下，按照预设解析方法获得被推荐用户的社交关系结构特征；所述社交关系结构特征是以地点划分所述被推荐用户好友所在地形成比例参数来表示的：：

13％在北京；

20％在日本；

9％在长沙；

7％在大连；

其他好友比较分散，在好友中所占比例较少故省略。

北京是被推荐的家乡所在地；日本为被推荐用户经常出差的地方；长沙为被推荐用户上大学的地方；大连为被推荐用户曾经的上班地。

通过比较可知被推荐用户与第一用户的好友中都有很大比例的北京与长沙好友；第一用户与被推荐用户具有较高的结构相似性；第一用户与被推荐用户可能有很多共同话题，且同样的经常出差，可以有很多关于出差的交流；可以互荐为好友。

为了避免上述信息不具有时限性，在做上述社交关系分析时，还提取具有相同属性的好友的添加时间(即所述第一时序及第二时序的参数之一)；分析第一用户添加具有共同属性的好友是否有时间关联性。所述时间关联性可以用于时间关联因子来表示；再利用时间关联因子来计算所述结构相似度。所述时间关联因子可以是用来衡量第一用户和被推荐用户添加具有同一用户属性的好友的时间差异程度。

具体如，若在第一种情形下第一用户的10％在北京的好友都是最近半年添加的；且被推荐用户13％在北京的好友也有很多是最近3个月内添加的；此时第一用户和被推荐用户添加的有同一属性的好友的时间很近，表明了此时第一用户和被推荐用户最近一段时间内都有与北京用户结交的交友需求，此时时间关联因子的取值高。

若在第二种情形下第一用户的10％在北京的好友都是3年添加的；且被推荐用户13％在北京的好友也有很多是最近1个月内添加的；表明了此时第一用户在3年前有较为强烈的结交北京好友的交友需求，而被推荐用户时在最近一段时间内才有结交北京好友的交友需求，显然第一用户和被推荐用户对结交北京好友的交友需需求在时间上有很大差异，此时时间关联因子取值低。利用该时间关联因子计算出来的结构相似度，相较于比利用在第一种情形下对应的时间关联因子计算出来的结构相似度低。

所述利用时间关联因子及结构相似性来结构相似度具体可为：取被推荐用户与第一用户中具有相同属性的好友的比例乘上时间关联因子。具体如10％*a1+9％*a2；其中，所述10％为第一用户与被推荐用户在北京好友所占比例中较小的一个；a1为第一用户与被推荐用户在北京的好友对应的时间关联因子。所述9％为第一用户与被推荐用户在长沙的好友所占比例中较小的一个；a2为第一用户与被推荐用户在北京的好友对应的时间关联因子。

以上，仅是以地址这一分析维度来分析所述第一用户和被推荐用户的结构相似度；在具体的实现过程中，还可以以职业用户属性或年龄用户属性等从多个分析维度来确定所述第一用户与被推荐用户之间的结构相似度。

本实施例在上一方法实施例的基础上，提供了一种具体的实现方法，采用这种方法，不仅提高了推荐的精确度和接收度，还具有实现简便快捷的优点。

方法实施例六：

如图1所示，本实施例提供一种好友推荐方法，所述方法包括：

步骤S110：获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

步骤S120：依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

步骤S130：分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

步骤S140：依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

所述社交关系数据包括好友信息及添加好友的时序；

如图4所示，所述步骤S130包括：

步骤S131：获取所述第一用户的第一好友信息及第一时序；

步骤S132：获取所述被推荐用户的第二好友信息及第二时序；

步骤S133：依据所述第一好友信息、所述第二好友信息、所述第一时序及所述第二时序确定所述被推荐用户与所述第一用户的结构相似度。

所述第一好友信息为所述被推荐用户的好友集合；所述第二好友信息为所述第一用户的好友集合；

其中，所述步骤S133可包括：

利用如下公式计算所述被推荐用户与所述第一用户的结构相似度S₂；

所述i为所述第一用户；所述j为所述被推荐用户；所述N(i)是第一用户的好友集合；所述N(j)为所述被推荐用户的好友集合；

所述|N(i)∪N(j)|为所述第一用户和所述被推荐用户的好友集合的并集；

所述N(i)∩N(j)为所述第一用户和所述被推荐用户的共同好友集合；

所述α为时间衰减因子；

所述t_ik为所述第一用户添加所述N(i)∩N(j)中第k个共同好友的时序；

所述t_jk为所述被推荐用户添加所述N(i)∩N(j)中第k个共同好友的时序；

所述|t_ij-t_ik|为第一用户和所述被推荐用户分别添加所述第k个共同好友的时序差；

所述K为所述N(i)∩N(j)包含的用户个数，为0或正整数。

所述好友集合为所述第二指定时间内形成的好友集合。本实施例提供的所述结构相似度的计算方法，是依据第一用户与被推荐用户是否有相同好友以及添加相同好友的时序性来确定两者的结构相似度的，同样的具有能精确的向第一用户推荐好友的优点，还同时兼具实现简单便捷的优点。

方法实施例七：

如图1所示，本实施例提供一种好友推荐方法，所述方法包括：

步骤S110：获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

步骤S120：依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

步骤S130：分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

步骤S140：依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

如图6所示，所述140可包括：

步骤S141：依据所述属性相似度及所述结构相似度，计算所述被推荐用户与所述第一用户的相似度；

步骤S142：将各所述被推荐用户与第一用户的相似度进行排序，形成排序结果；

步骤S143：依据所述排序结果，选择满足预设条件所述被推荐用户向所述第一用户推荐。

本实施例所述的方法是在上述任一方法实施例的基础上的进一步改进，首先步骤S141中确定所述被推荐用于与所述第一用户的相似度，具体可采用以下公式计算：

S＝a*A1+b*B1；

其中，所述S为相似度；所述A1为属性相似度；所述B1为结构相似度；所述a为属性相似度的权重因子；所述b为结构相似度的权重因子；所述a及所述b均为正数。在具体的实现过程中，根据所述属性相似度和结构相似度对用户交友的影响程度来调整所述权重因子，以向第一用户精确推荐好友。

在所述步骤S142中将所述相似度S可以按照从大到小进行排序，形成排序结果。

在步骤S142具体可以选择排名最大的M个被推荐用户向第一用户推荐，或者选择S大于指定阈值的向所述第一用户推荐等；实现方式有多种，在此就不一一详细阐述了。

本实施例在上述任意所述的方法的基础上，提供具体如何依据结构相似度及属性相似度向第一用户推荐好友，同样的具有推荐精确度高的优点，同时还具有实现简便的优点。

方法实施例八：

如图7所示，本实施例提供一种好友推荐方法，所述方法包括：

步骤S110：获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

步骤S120：依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

步骤S130：分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

步骤S140：依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

所述方法还包括：

步骤S150：统计第三指定时间内向所述第一用户推荐好友的准确度；所述准确度为所述第一用户将被推荐用户添加为好友的数量占被推荐用户总数的比例；

步骤S160：依据所述准确度确定向所述第一用户推荐好友的频率；

所述步骤S140可包括：

依据所述频率、所述属性相似度及所述结构相似度，选择所述被推荐用户向所述第一用户推荐；

其中，所述第三指定时间的截止时间与所述第一指定时间的截止时间相同。

所述第三指定时间对应的具体时间为从当前时刻到当前时刻往前推一个所述第三指定时间所在的时刻内。所述当前时刻为本次向用户推荐好友的时刻。所述第三指定时间可以与所述第一指定时间全部或部分相同；所述第三指定时间可以与所述第二指定时间全部或部分相同。

当所述准确度很低的原因可以包括以下几个：

第一：用户最近一段时间内不想结交新的好友；

第二：推荐的用户不满足用户的交友需求。

若是第一种减低推荐频率显然能提升用户的满意度；若是第二种降低推荐频率可争取一段时间确定用户的交友需求，同样的可提升用户的满意度。

所述步骤S150具体可包括：

当所述准确度大于第一准确度阈值时，以第一频率向所述第一用户推荐好友；当所述准确度不大于所述第一准确度阈值时，以第二频率向所述第一用户推荐好友；所述第一频率大于所述第二频率。所述第一准确度阈值为事先设定的阈值；具体取值为60％、50％或75％；还可以如45％以上的任意一个值。

本实施例相对于上一实施例进一步明确了，在准确度高时增加向第一用户推荐的频率；在准确度低是降低向第一用户推荐的频率，再次提高了用户使用满意度。

方法实施例九：

如图8所示，本实施例提供一种好友推荐方法，所述方法包括：

步骤S110：获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

步骤S120：依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

步骤S130：分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

步骤S140：依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

所述方法还包括：

步骤S150：统计第三指定时间内向所述第一用户推荐好友的准确度；所述准确度为所述第一用户将被推荐用户添加为好友的数量占被推荐用户总数的比例；

步骤S160’：依据所述准确度确定单次向所述第一用户推荐好友的数量；

所述步骤S140具体可包括：

依据所述数量、所述属性相似度及所述结构相似度，选择所述被推荐用户向所述第一用户推荐；

其中，所述第三指定时间的截止时间与所述第一指定时间的截止时间相同。

若推荐好友的准确度高，表明第一用户当前一段时间内有交友需求且推荐的好友满足第一用户的交友需求，可以适当的增加在前一次推荐的好友的基础上增加好友的数量；或根据预设的规则使推荐的好友的数量大于或等于指定值等。

通过这种方法，能及时动态的知道第一用户当前的交友需求，并对具体如何推荐好友、推荐频率以及一次推荐好友的数量进行调整，以提高用户使用满意度。

在具体的实现过程中，可以结合上一实施例，通过所述步骤S150确定出所述准确度，然后分别根据所述准确度确定推荐的频率以及单次推荐用户的数量，最后依据所述频率及所述数量向第一用户推荐被推荐用户为好友。

方法实施例十：

如图1所示，本实施例提供一种好友推荐方法，所述方法包括：

步骤S110：获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

步骤S120：依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

步骤S130：分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

步骤S140：依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

所述方法还包括：依据所述第一用户的用户属性，生成至少包括一个被推荐用户的被推荐列表；

所述步骤S120包括：

依据所述当前用户属性及所述历史用户属性，确定所述被推荐列表中被推荐用户与所述第一用户的属性相似度；

所述步骤S130具体包括：

分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐列表中所述被推荐用户与所述第一用户社交关系的结构相似度；

所述步骤S140具体包括：

依据所述属性相似度及所述结构相似度，选择所述被推荐列表中的全部或部分被推荐用户向所述第一用户推荐。

在本实施例中，首先根据所述第一用户的用户属性，生成一个被推荐列表；在确定所述属性相似度和结构相似度时，是确认了被推荐列表中被推荐用户与第一用户之间的属性相似度和结构相似度；实现了对被推荐用户的第一次筛选；减少了向第一用户推荐好友的处理量。

在确定所述被推荐列表时，优选为依据第一用户的用户属性中指定的重要用户属性来确定。第一用户有很多用户属性，每一个用户属性对用户交友有不同的影响程度；通常有一些用户属性对交友的影响程度大，有一些影响程度小；在本实施例中可根据影响程度大的指定用户属性来确定。

方法实施例十一：

如图1所示，本实施例提供一种好友推荐方法，所述方法包括：

步骤S110：获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

步骤S120：依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

步骤S130：分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

步骤S140：依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

所述方法还包括：建立所述第一用户的黑名单；所述黑名单中的用户包括以下的至少其中之一：被所述第一用户拒绝添加为好友的被推荐用户、被所述第一用户从好友列表中删除过的被推荐用户及被所述第一用户添加到黑名单的被推荐用户；

在确定被推荐用户与所述第一用户的属性相似度及所述结构相似度之前，从所述被推荐列表中删除位于所述黑名单中的用户。

在第一用户使用社交应用或社交网页等社交产品的过程中，还同步建立黑名单。被第一用户拒绝天健为好友的被推荐用户，显然第一用户已经拒绝过一次了，显然是不满足第一用户交友需求的用户；被所述第一用户从好友列表中删除过的被推荐用户，也不是受第一用户欢迎的用户；被第一用户添加到黑名单中的用户，也是第一用户不喜欢的用户。

故为了避免招致第一用户的反感，向第一用户推荐满足第一用户需求的好友，从被推荐列表中删除黑名单中的用户，向第一用户推荐的被推荐用户为黑名单之外的用户。

在具体的实现过程中，还可以通过提取黑名单中用户的共同用户属性，知道第一用户不喜欢与怎样的用户结交；故在计算属性相似度的时候，可以对相应的属性赋予负的权值。具体如，通过统计黑名单用户的共同属性，发现作为运动员的第一用户不喜欢和从事技术工作的人交朋友；故对应职业这一属性；若被推荐的用户为IT工程师这样的技术工作，在计算被推荐用户与第一用户的属性相似度时，可以给一个负的权值；这样就会降低被推荐用户与第一用户的属性相似度；以尽量少的向第一用户推荐从事技术工作的好友。

如用户A与第一用户具有相同的用户属性a和用户属性b；用户B也与第一用户具有相同的用户属性a和用户属性b；用户A从事的工作为演员，职业用户属性与作为运动员的第一用户的职业用户属性不同，此时用户A与第一用户的职业用户属性相似度为0。用户B为IT工程师，IT工程师为技术工作，该用户属性是从黑名单中统计出来的第一用户不喜欢的用户属性，则用户B与第一用户的职业用户属性相似度为负数。用户A与第一用户的用户属性相似度将大于用户B与第一用户的用户属性相似度。

方法实施例十二:

如图1所示，本实施例提供一种好友推荐方法，所述方法包括：

步骤S110：获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

步骤S120：依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

步骤S130：分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

步骤S140：依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

所述方法还包括：

建立所述第一用户的白名单；所述白名单为所述第一用户在所述第二指定时间内添加为好友的用户；

依据所述白名单确定对应于用于确定所述属性相似度的用户属性的权值。

所述白名单的用户包括用户主动添加的好友、接受推荐添加的好友以及应答其他用户好友添加而添加的好友。

在本实施例中通过白名单的建立，提取并统计最近一段时间用户添加好友的共同用户属性特征，并据此确认计算属性相似度的权值，再次能动态反映用户当前的交友需求，进而向用户推荐其向结交的好友，再次提高了推荐的精确度及准确度。

设备实施例一：

如图9所示，本实施例提供一种好友推荐装置，所述装置包括：

获取单元110，用于获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

第一确定单元120，用于依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

第二确定单元130，用于分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

选择推荐单元140，用于依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

所述获取单元110的具体结构可以根据获取的方式的不同而结构不同，具体如接收外设发送的所述用户属性信息，则所述获取单元110为通信接口，如接收天线；如自行检测可包括传感器；如GPS定位接收装置，还可以是包括处理器及存储介质；所述存储介质上存储有变化之前后及变化之后的用户属性；所述处理器通过提取变化之前和变化之后的用户属性，可以获得所述用户属性变化特征以及所述交友行为演化信息。

所述第一确定单元120、第二确定单元130及选择推荐单元140的具体结构可包括形成推荐信息的处理器以及向用户展示推荐信息人机交互接口；如显示屏或音频输出装置等结构。

所述处理器可以为单片机、中央处理器、数字信号处理或可编程逻辑阵列等具有处理功能的电子元器件。

本实施例所述的装置，用于为方法实施例一所述的方法提供硬件支撑，能用于实现方法实施例一所述的任一技术方案，同样的能提取用户的动态信息，确定用户的交友需求，提高向用户推荐好友的准确度及用户的使用满意度。

所述装置具体可以是位于网络侧的服务器；所述服务器还包括通信接口，用于向用户持有的客户端发送推荐信息。所述推荐信息包括向第一用户推荐的好友的相关信息。

所述装置还可以是用于用户侧的客户端，如智能手机或平板电脑。

所述装置还可以是包括服务器和客户端；如所述服务器执行获取单元110的功能；所述客户端与所述装置通过网络进行连接；接收装置发送的用户相关信息，并根据用户相关信息向用户推荐好友等。

设备实施例二：

如图9所示，本实施例提供一种好友推荐装置，所述装置包括：

获取单元110，用于获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

第一确定单元120，用于依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

第二确定单元130，用于分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

选择推荐单元140，用于依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

所述属性相似度包括基本属性相似度；

如图10所示，所述第一确定单元120包括：

第一计算模块121，用于以第一权值及所述当前用户属性计算第一属性相似度值；

第二计算模块122，用于以第二权值及所述历史用户属性计算第二属性相似度值；

第一确定模块123，用于依据所述第一属性相似度值和所述第二属性相似度值，确定所述被推荐用户与所述第一用户的基本属性相似度；

其中，所述第一权值大于所述第二权值；所述第二权值为自然数。

所述第一计算模块121及第二计算模块122及所述第一确定模块123的具体结构均可包括计算器及与所述计算器连接的存储介质。所述计算器还可以是被具有计算功能的处理器所替代。

本实施例所述电子设备为方法实施例二中任意所述的技术方案提供了具体的实现硬件，能够实现精确的向第一用户推荐其想结交的好友，并具有结构简单的优点。

设备实施例三：

如图9所示，本实施例提供一种好友推荐装置，所述装置包括：

获取单元110，用于获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

第一确定单元120，用于依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

第二确定单元130，用于分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

选择推荐单元140，用于依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

所述属性相似度包括基本属性相似度；

所述属性相似度还包括突变属性相似度；

如图11所示，所述第一确定单元120包括：

第一计算模块121，用于以第一权值及所述当前用户属性计算第一属性相似度值；

第二计算模块122，用于以第二权值及所述历史用户属性计算第二属性相似度值；

第一确定模块123，用于依据所述第一属性相似度值和所述第二属性相似度值，确定所述被推荐用户与所述第一用户的基本属性相似度；

其中，所述第一权值大于所述第二权值；所述第二权值为自然数。

所述第一确定单元还包括：

第二确定模块124，用于依据所述当前用户属性及所述历史用户属性，确定所述第一用户在所述第一指定时间内的用户属性突变特征；

第三计算模块125，用于采用以下公式确定所述被推荐用户与所述第一用户的突变属性相似度S₁；

其中，所述a_m为第m个用户属性突变特征的权重因子；当所述被推荐用户具有所述第m个用户属性突变特征时，所述b_m为1；当所述被推荐用户不具有所述第m个用户属性突变特征时，所述b_m为0；

其中，所述M为不小于1的整数，为所述用户属性突变特征的总个数；所述m为不大于所述M的正整数。

所述第二确定模块124的具体结构可包括处理器，所述处理器依据所述当前用户属性及在第一指定时间内发生变化的历史用户属性形成用户属性突变特征；所述属性突变特征可以用户向量表示或数组表示；所述第二确定模块124包括存储介质。

所述第三计算模块125的具体结构可包括计算器或具有计算功能的计算器；所述第一计算模块121、第二计算模块和第三计算模块可以分别对应不同的计算器或具有计算功能的处理器，或集成对应同一计算器或具有计算功能的处理器。

本实施例所述的装置，在上一实施例的基础上通过所述第二确定模块124及第三计算模块的增加，在计算属性相似度时，不仅计算基本属性相似度还计算突变属性相似度，再次提高了向第一用户推荐满足其交友需求的好友的精确度。

本实施例所述电子设备为方法实施例三中任意所述的技术方案提供了具体的实现硬件，能够实现精确的向第一用户推荐其想结交的好友，并具有结构简单的优点。

设备实施例四：

如图9所示，本实施例提供一种好友推荐装置，所述装置包括：

获取单元110，用于获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

第一确定单元120，用于依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

第二确定单元130，用于分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

选择推荐单元140，用于依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

所述社交关系数据包括好友信息及添加好友的时序；

如图12所示，所述第二确定单元130包括：

第一获取模块131，用于获取所述第一用户的第一好友信息及第一时序；

第二获取模块132，用于获取所述被推荐用户的第二好友信息及第二时序；

第三确定模块133，用于依据所述第一好友信息、所述第二好友信息、所述第一时序及所述第二时序确定所述被推荐用户与所述第一用户的结构相似度。

所述第一获取模块131及第二获取模块132的具体结构可包括通信接口；所述通信接口可以包括内置通信接口，用于从所述装置内置的存储介质中读取所述第一好友信息及第一时序；还可包括外设通信接口，从外接电子设备中读取所述第二好友信息及第二时序；在具体的实现过程中，所述第一好友信息及第二时序可以是从外接电子设备中读取的，如从网络服务器中读取的。

所述第三确定模块133的具体结构可包括计算器或具有计算功能的处理器；依据所述第一好友信息、第二好友信息、第一时序及第二时序计算所述结构相似度。

本实施例所述电子设备是在上述任意设备实施例基础上的进一步改进，为方法实施例四中任意所述的技术方案提供了具体的实现硬件，能够实现精确的向第一用户推荐其想结交的好友，并具有结构简单的优点。

设备实施例五：

如图9所示，本实施例提供一种好友推荐装置，所述装置包括：

获取单元110，用于获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

第一确定单元120，用于依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

第二确定单元130，用于分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

选择推荐单元140，用于依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

所述社交关系数据包括好友信息及添加好友的时序；

如图12所示，所述第二确定单元130包括：

第一获取模块131，用于获取所述第一用户的第一好友信息及第一时序；

第二获取模块132，用于获取所述被推荐用户的第二好友信息及第二时序；

第三确定模块133，用于依据所述第一好友信息、所述第二好友信息、所述第一时序及所述第二时序确定所述被推荐用户与所述第一用户的结构相似度。

所述第三确定模块133包括：

第一解析子模块，用于按照预设解析方法解析所述第一好友信息及所述第一时序，确定所述第一用户形成的第一社交关系结构特征及形成所述第一社交关系结构特征的第一时序特征；

第二解析子模块，用于按照预设解析方法解析所述第二好友信息及所述第二时序，确定所述被推荐用户的第二社交关系结构特征及形成所述第二社交关系结构特征的第二时序特征；

第一确定子模块，用于确定所述第一社交关系结构特征及所述第二社交关系结构特征的结构相似性；

第二确定子模块，用于依据所述第一时序特及所述第二时序特征确定所述第一结构特征及所述第二结构特征的时序关联性；

第三确定子模块，用于依据结构形似度及所述时序关联性，确定所述结构相似度。

所述第一解析子模块及第二解析子模块对应的具体结构可包括解析器；所述第三确定模块133中的其他模块都可对应于处理器；所述处理器可以单片机、数字信号处理器等具有处理功能的电子元器件。

本实施例所述电子设备是在上一设备实施例基础上的进一步改进，为方法实施例五中任意所述的技术方案提供了具体的实现硬件，能够实现精确的向第一用户推荐其想结交的好友，并具有结构简单的优点。

设备实施例六：

如图9所示，本实施例提供一种好友推荐装置，所述装置包括：

获取单元110，用于获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

第一确定单元120，用于依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

第二确定单元130，用于分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

选择推荐单元140，用于依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

所述社交关系数据包括好友信息及添加好友的时序；

如图12所示，所述第二确定单元130包括：

第一获取模块131，用于获取所述第一用户的第一好友信息及第一时序；

第二获取模块132，用于获取所述被推荐用户的第二好友信息及第二时序；

第三确定模块133，用于依据所述第一好友信息、所述第二好友信息、所述第一时序及所述第二时序确定所述被推荐用户与所述第一用户的结构相似度。

所述第一好友信息为所述被推荐用户的好友集合；所述第二好友信息为所述第一用户的好友集合；

其中，所述第三确定模块133包括：

第一计算子模块，用于利用如下公式计算所述被推荐用户与所述第一用户的结构相似度S₂；

所述i为所述第一用户；所述j为所述被推荐用户；所述N(i)是第一用户的好友集合；所述N(j)为所述被推荐用户的好友集合；

所述|N(i)∪N(j)|为所述第一用户和所述被推荐用户的好友集合的并集；

所述N(i)∩N(j)为所述第一用户和所述被推荐用户的共同好友集合；

所述α为时间衰减因子；

所述t_ik为所述第一用户添加所述N(i)∩N(j)中第k个共同好友的时序；

所述t_jk为所述被推荐用户添加所述N(i)∩N(j)中第k个共同好友的时序；

所述|t_ij-t_ik|为第一用户和所述被推荐用户分别添加所述第k个共同好友的时序差；

所述K为所述N(i)∩N(j)包含的用户个数，为0或正整数。

所述第一计算子模块可包括计算器或具有计算功能处理器或具有计算功能的逻辑电路等结构。

本实施例所述电子设备是在设备实施例四基础上的进一步改进，为方法实施例六中任意所述的技术方案提供了具体的实现硬件，能够实现精确的向第一用户推荐其想结交的好友，并具有结构简单的优点。

设备实施例七：

如图9所示，本实施例提供一种好友推荐装置，所述装置包括：

获取单元110，用于获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

第一确定单元120，用于依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

第二确定单元130，用于分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

选择推荐单元140，用于依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

所述选择推荐单元140包括：

第三计算模块，用于依据所述属性相似度及所述结构相似度，计算所述被推荐用户与所述第一用户的相似度；

排序模块，用于将各所述被推荐用户与第一用户的相似度进行排序，形成排序结果；

选择推荐模块，用于依据所述排序结果，选择满足预设条件所述被推荐用户向所述第一用户推荐。

所述第三计算模块的具体结构可包括计算器或具有计算功能的处理器；用于依据所述属性相似度及结构相似度，计算出第一用户与被推荐用户之间的相似度。

所述排序模块的具体结构可包括比较器或具有比较功能的处理器，从而依据所述相似度形成所述排序结果。

所述选择推荐模块的具体结构可包括处理器；所述处理器依据所述排序模块得到的排序结果选择对应的被推荐用户向第一用户推荐。

本实施例所述电子设备是在上述任一设备实施例基础上的进一步改进，为方法实施例七中任意所述的技术方案提供了具体的实现硬件，能够实现精确的向第一用户推荐其想结交的好友，并具有结构简单的优点。

设备实施例八：

如图9所示，本实施例提供一种好友推荐装置，所述装置包括：

获取单元110，用于获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

第一确定单元120，用于依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

第二确定单元130，用于分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

选择推荐单元140，用于依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

如图13所示，所述装置还包括：

统计单元150，用于统计第三指定时间内向所述第一用户推荐好友的准确度；所述准确度为所述第一用户将被推荐用户添加为好友的数量占被推荐用户总数的比例；

第三确定单元160，用于依据所述准确度确定向所述第一用户推荐好友的频率；

所述选择推荐单元140，具体用于依据所述频率、所述属性相似度及所述结构相似度，选择所述被推荐用户向所述第一用户推荐；

其中，所述第三指定时间的截止时间与所述第一指定时间的截止时间相同。

所述统计单元150可包括计数器；所述计数器用于统计所述准确度。

所述第三确定单元160的具体结构可以是处理器。

本实施例所述电子设备是在上述任一设备实施例基础上的进一步改进，为方法实施例八中任意所述的技术方案提供了具体的实现硬件，能够实现精确的向第一用户推荐其想结交的好友，并具有结构简单的优点。

设备实施例九：

如图9所示，本实施例提供一种好友推荐装置，所述装置包括：

获取单元110，用于获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

第一确定单元120，用于依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

第二确定单元130，用于分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

选择推荐单元140，用于依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

如图14所示，所述装置还包括：

统计单元150，用于统计第三指定时间内向所述第一用户推荐好友的准确度；所述准确度为所述第一用户将被推荐用户添加为好友的数量占被推荐用户总数的比例；

第四确定单元160’，用于依据所述准确度确定单次向所述第一用户推荐好友的数量；

所述选择推荐单元140，具体用于依据所述数量、所述属性相似度及所述结构相似度，选择所述被推荐用户向所述第一用户推荐；

其中，所述第三指定时间的截止时间与所述第一指定时间的截止时间相同。

本实施例同样是在设备实施例一至设备实施例七的基础上的进一步改进，所述统计单元150的结构可以与设备实施例八所述的统计单元是一样的；所述第四确定单元160’的结构也可以包括处理器等。

本实施例所述的电子设备为方法实施例九中任意所述的技术方案提供了具体的实现硬件，能够实现精确的向第一用户推荐其想结交的好友，并具有结构简单的优点。

设备实施例十：

如图9所示，本实施例提供一种好友推荐装置，所述装置包括：

获取单元110，用于获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

第一确定单元120，用于依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

第二确定单元130，用于分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

选择推荐单元140，用于依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

所述装置还包括：

列表形成单元，用于依据所述第一用户的用户属性，生成至少包括一个被推荐用户的被推荐列表；

所述第一确定单元120，具体用于依据所述当前用户属性及所述历史用户属性，确定所述被推荐列表中被推荐用户与所述第一用户的属性相似度；

所述第二确定单元130，具体用于分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐列表中所述被推荐用户与所述第一用户社交关系的结构相似度；

所述选择推荐单元140，具体用于依据所述属性相似度及所述结构相似度，选择所述被推荐列表中的全部或部分被推荐用户向所述第一用户推荐。

所述列表形成单元的具体结构包括处理器及存储介质；所述存储介质中存储计算机可执行指令；所述处理器读取所述计算机可执行指令能够生成所述被推荐列表，并将所述被推荐列表存储在所述存储介质中。

本实施例所述的电子设备在上述任意设备实施例所述的装置上的进一步改进，通过所述列表生成单元的设置，可以减少数据处理量，为方法实施例十中任意所述的技术方案提供了具体的实现硬件，能够实现精确的向第一用户推荐其想结交的好友，并具有结构简单的优点。

设备实施例十一：

如图9所示，本实施例提供一种好友推荐装置，所述装置包括：

获取单元110，用于获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

第一确定单元120，用于依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

第二确定单元130，用于分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

选择推荐单元140，用于依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

所述装置还包括：

第一建立单元，用于建立所述第一用户的黑名单；所述黑名单中的用户包括以下的至少其中之一：被所述第一用户拒绝添加为好友的被推荐用户、被所述第一用户从好友列表中删除过的被推荐用户及被所述第一用户添加到黑名单的被推荐用户；

删除单元，用于在确定被推荐用户与所述第一用户的属性相似度及所述结构相似度之前，从所述被推荐列表中删除位于所述黑名单中的用户。

所述第一建立单元与所述删除单元的具体结构都可以是各种类型的处理器。所述处理器执行指定的代码即可实现各单元对应的功能。

所述第一建立单元用于建立第一用户的黑名单，所述黑名单中记载的都是第一用户不愿意结交的其他用户名单；通过黑名单的建立，在形成所述被推荐列表之后，删除所述被推荐列表中的被推荐用户，从而能避免向第一用户推荐其不想结交的用户，提高了用户的使用满意度。

本实施例所述的电子设备在上述任意设备实施例所述的装置上的进一步改进，通过所述列表生成单元的设置，可以减少数据处理量，为方法实施例十一中任意所述的技术方案提供了具体的实现硬件，能够实现精确的向第一用户推荐其想结交的好友，并具有结构简单的优点。

设备实施例十二：

如图9所示，本实施例提供一种好友推荐装置，所述装置包括：

获取单元110，用于获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

第一确定单元120，用于依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

第二确定单元130，用于分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

选择推荐单元140，用于依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

所述装置还包括：

第二建立单元，用于建立所述第一用户的白名单；所述白名单为所述第一用户在所述第二指定时间内添加为好友的用户；

第五确定单元，用于依据所述白名单确定对应于用于确定所述属性相似度的用户属性的权值。

计算属性相似度的权值可以是根据各用户属性对用户结交好友的影响度来进行静态赋值，还可以是采用本实施例中所述的方法通过建立白名单，依据白名单中各用户的用户属性来确定计算用于参与计算属性相似度的用户属性以及对应的权值。

本实施例所述的电子设备在上述任意设备实施例所述的装置上的进一步改进，通过所述列表生成单元的设置，可以减少数据处理量，为方法实施例十二中任意所述的技术方案提供了具体的实现硬件，能够实现精确的向第一用户推荐其想结交的好友，并具有结构简单的优点。

以下结合方法实施例和设备实施例提供一个具体示例：

如图15所示，本示例所述的方法包括：

步骤S101'：初始化第一用户的属性相似度因子、推荐频率及推荐数量；所述第一用户为待推荐好友的用户，通常接收被推荐用户为好友或拒绝被推荐用户为好友；所述属性相似度因子是用于计算属性相似度的各用户属性对应的具体权值。具体如所述属性相似度因子包括地址因子，身份因子，年龄因子，兴趣爱好因子。所述推荐频率为向第一用户推荐好友的频率；所述推荐数量为一次向第一用户推荐好友的数量。

步骤S102'：获取第一用户的当前用户属性。具体如何获取第一用户的当前的用户属性，可以通过对第一用户的个人身份信息进行解析，提取用户属性。例如，可以获取所述第一用户的ID，如所述第一用户为QQ用户，则所述ID为QQ号；所述第一用户为微信用户，则所述ID为微信号或微信注册邮箱等。所述ID为可以区分第一用户与其他用户的标识信息。所述第一用户的性别、年龄、学校、班级、工作地点、家乡、第一用户的校友、第一用户的好友等信息均可为所述用户属性。通常在实际使用中，第一用户在初次使用社交产品时，都会注册到服务器，在服务器中主动填写个人身份信息。此外，所述第一用户还可能在初次注册后的使用过程中，更改服务器中的个人身份信息；所述个人身份信息为用户属性信息的其中一种；故在执行所述步骤S102'时，可以通过第一用户的ID到记录有第一用户的服务器中查询第一用户的用户属性。且在使用的过程中，所述第一用户的用户属性会发生变化，该步骤获取的第一用户的用户属性为当前时刻的用户属性。

步骤S103'：依据所述第一用户的当前用户属性，生成第一推荐列表。具体的如，依据第一用户的当前的用户属性，获取与第一用户具有相同或相似用户属性的被推荐用户，形成第一推荐列表。所述第一推荐列表包括一个或多个预备推荐为第一用户好友的用户。具体的所述第一推荐列表至少包括一个或多个用户的用户ID等具有标识不同用户的标识信息。

步骤S104'：将第一推荐列表中位于黑名单中的用户删除，形成第二推荐列表。此外，若所述第一推荐列表包括第一用户的已添加为好友的用户，所述步骤S104'还包括删除所述已被第一用户添加为好友的用户，使所述第二推荐列表不包括已是第一用户好友的用户列表

步骤S105'：获取第一用户的用户属性突变特征，依据所述用户属性突变特征计算第一用户与第二推荐列表中被推荐用户的属性相似度。在步骤S103'中获取第一用户的当前用户属性，在本实施中再次获取了第一用户的用户属性突变特征；所述属性突变特征为在第一指定时间内的属性变化特征。

依据步骤S101'中确定的属性相似度因子、第一用户的属性突变特征及第二列表中被推荐用户的用户属性计算第一用户与第二推荐列表中各被推荐用户的属性相似度。

用于用户的用户属性信息有多个，对应一个属性可以赋予多个属性相似度因子；对应不同的用户属性的属性相似度因子的取值可以相同也可以不同；具体的对应第一用户的学校的属性相似度因子的具体取值为两个，分别是20和0，当被推荐用户与第一用户的学校相同时，属性相似度因子取值为20；当被推荐用户与第一用户的学校不相同时，属性相似度因子取值为0。第一用户的用户属性在第一指定时间内发生变化的属性相似度因子可以对应为至少两个；具体如地址属性相似度因子，一个为对应于变化前的地址属性相似度因子，另一为对应于变化后的地址属性相似度因子。具体如，变化前的地址属性相似度因子的具体取值为5或0；变化后的地址属性相似度因子的具体取值为30或0。当第二列表的被推荐用户的当前地址与第一用户变化之前的地址相同，则地址属性相似度因子取值为5，否则取值为0；当第二列表的被推荐用户的当前地址与第一用户变化之后的地址相同，则地址属性相似度因子取值为30，否则取值为0。将多个属性相似度因子的最终取值求和，即可获得所述第一用户与第二列表中被推荐用户的属性相似度。

在具体的计算属性相似度还可以应用本发明实施例中所述的基本属性度与突变相似度的方法来进行计算。

步骤S106'：根据社交关系数据计算第一用户与第二推荐列表中被推荐用户的结构相似度。所述社交关系数据包括第一用户的社交关系数据和被推荐用户的社交关系数据。具体的计算方法有多种，可以参见本发明方法实施例中的任意一种，再次就不再做进一步的详细阐述了。

步骤S107'：综合考虑到属性相似度及结构相似度，从第二推荐列表中选择被推荐用户向第一用户推荐。

所述综合考虑属性相似度及结构相似度，可以为分别为属性相似度及结构相似度赋予权值，计算属性相似度与其权值相乘之后得到第一乘积；结构相似度与其权值相乘后得到第二乘积；对第一乘积和第二乘积求和，即得到第一用户与第二用户的综合相似度。接下来，可以将第二列表各推荐用户与第一用户的综合相似度进行排序，可以取综合相似度位于前X位的被推荐用户为向第一用户推荐的好友；所述X的取值为步骤S101'中所确定的推荐数量。

在具体的实现过程中，也可以根据计算的综合相似度来确定是否需要调整所述推荐数量；如当所述前X位有被推荐用户与第一用户的综合相似度小于综合相似度阈值时，则仅取X位中所述综合相似度大于综合相似度阈值的被推荐用户向第一用户推荐。

在本实施例中计算所述综合相似度时，采用的时线性计算方法，具体的还可以采用非线性的计算方法，所述非线性的计算方法可以采用仿真模型等进行拟合得到，具体的方法有多种，在此就不再做进一步详细的阐述了。

步骤S108'：根据推荐的准确度更新推荐频率及推荐数量。本次向第一用户推荐后，第一用户会接收推荐或拒绝推荐；可根据第一用户对本次推荐的反馈，统计出推荐的准确度；并根据所述准确度更新推荐频率及推荐数量，为下一次向第一用户推荐好友提供初始化的推荐频率和推荐数量。

具体的如何确定推荐频率和推荐数量，可以通过准确度与第一准确度阈值、第二准确度阈值的比较判断来确定，具体可参见方法实施例的相应部分。

步骤S109'：根据约束条件建立白名单或黑名单；对于建立白名单的所述约束条件可以是：在指定时间内被推荐用户添加为好友的用户列表，还可以是用户在指定时间内添加的所有的好友的用户列表。对于建立黑名单的所述约束条件可以是，在指定时间内被推荐用户拒绝添加为好友的用户列表，还可以包括用户主动删除的好友的用户列表。

步骤S110'：根据白名单不同用户属性的用户所占的比例更新属性相似度因子，为下一次向第一用户推荐好友的属性相似度的计算提供初始值。

在具体的执行过程中，所述步骤S109'及步骤S110'与所述步骤S107'及S108'的执行顺序，具体如，所述步骤S107'及S108'可位于步骤S109'及步骤S110'之前或之后，所述步骤S107'及S108'还可与所述步骤S109'及步骤S110'同时执行。

以下结合方法实施例和设备实施例还提供一个具体示例：

本示例基于上述任一设备实施例提供一个具体的硬件，如图16所示，所述装置包括处理器302、存储介质304以及至少一个外部通信接口301；所述处理器302、存储介质304以及外部通信接口301均通过总线303连接。所述处理器302可为微处理器、中央处理器、数字信号处理器或可编程逻辑阵列等具有处理功能的电子元器件。

所述存储介质304上存储有计算机可执行指令；所述处理器302执行所述存储介质304中存储的所述计算机可执行指令可实现以下方案：

获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的属性相似度；

分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

依据所述属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

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

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (22)

1.一种好友推荐方法，其特征在于，所述方法包括：

获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

依据所述当前用户属性及所述历史用户属性，确定所述第一用户在所述第一指定时间内的用户属性突变特征；

采用以下公式确定被推荐用户与所述第一用户的突变属性相似度S₁；

其中，所述a_m为第m个用户属性突变特征的权重因子；当所述被推荐用户具有所述第m个用户属性突变特征时，所述b_m为1；当所述被推荐用户不具有所述第m个用户属性突变特征时，所述b_m为0；

其中，所述M为不小于1的整数，为所述用户属性突变特征的总个数；所述m为不大于所述M的正整数；

分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

依据所述突变属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

2.根据权利要求1所述的方法，其特征在于，

所述社交关系数据包括好友信息及添加好友的时序；

所述分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度包括：

获取所述第一用户的第一好友信息及第一时序；

获取所述被推荐用户的第二好友信息及第二时序；

依据所述第一好友信息、所述第二好友信息、所述第一时序及所述第二时序确定所述被推荐用户与所述第一用户的结构相似度。

3.根据权利要求2所述的方法，其特征在于，

所述依据所述第一好友信息、所述第二好友信息、所述第一时序及所述第二时序确定所述被推荐用户与所述第一用户的结构相似度包括：

按照预设解析方法解析所述第一好友信息及所述第一时序，确定所述第一用户形成的第一社交关系结构特征及形成所述第一社交关系结构特征的第一时序特征；

按照预设解析方法解析所述第二好友信息及所述第二时序，确定所述被推荐用户的第二社交关系结构特征及形成所述第二社交关系结构特征的第二时序特征；

确定所述第一社交关系结构特征及所述第二社交关系结构特征的结构相似性；

依据所述第一时序特征及所述第二时序特征确定所述第一社交关系结构特征及所述第二社交关系结构特征的时序关联性；

依据所述结构相似性及所述时序关联性，确定所述结构相似度。

4.根据权利要求2所述的方法，其特征在于，

所述第一好友信息为所述被推荐用户的好友集合；所述第二好友信息为所述第一用户的好友集合；

其中，所述依据所述第一好友信息、所述第二好友信息、所述第一时序及所述第二时序确定所述被推荐用户与所述第一用户的结构相似度包括：

利用如下公式计算所述被推荐用户与所述第一用户的结构相似度S₂；

所述i为所述第一用户；所述j为所述被推荐用户；所述N(i)是第一用户的好友集合；所述N(j)为所述被推荐用户的好友集合；

所述|N(i)∪N(j)|为所述第一用户和所述被推荐用户的好友集合的并集；

所述N(i)∩N(j)为所述第一用户和所述被推荐用户的共同好友集合；

所述α为时间衰减因子；

所述t_ik为所述第一用户添加所述N(i)∩N(j)中第k个共同好友的时序；

所述t_jk为所述被推荐用户添加所述N(i)∩N(j)中第k个共同好友的时序；

所述|t_ij-t_ik|为第一用户和所述被推荐用户分别添加所述第k个共同好友的时序差；

所述K为所述N(i)∩N(j)包含的用户个数，为0或正整数。

5.根据权利要求1所述的方法，其特征在于，

所述依据所述突变属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐包括：

依据所述突变属性相似度及所述结构相似度，计算所述被推荐用户与所述第一用户的相似度；

将各所述被推荐用户与第一用户的相似度进行排序，形成排序结果；

依据所述排序结果，选择满足预设条件所述被推荐用户向所述第一用户推荐。

6.根据权利要求1所述的方法，其特征在于，

所述方法还包括：

统计第三指定时间内向所述第一用户推荐好友的准确度；所述准确度为所述第一用户将被推荐用户添加为好友的数量占被推荐用户总数的比例；

依据所述准确度确定向所述第一用户推荐好友的频率；

所述依据所述突变属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐包括：

依据所述频率、所述突变属性相似度及所述结构相似度，选择所述被推荐用户向所述第一用户推荐；

其中，所述第三指定时间的截止时间与所述第一指定时间的截止时间相同。

7.根据权利要求1所述的方法，其特征在于，

所述方法还包括：

统计第三指定时间内向所述第一用户推荐好友的准确度；所述准确度为所述第一用户将被推荐用户添加为好友的数量占被推荐用户总数的比例；依据所述准确度确定单次向所述第一用户推荐好友的数量；

所述依据所述突变属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐包括：

依据所述数量、所述突变属性相似度及所述结构相似度，选择所述被推荐用户向所述第一用户推荐；

其中，所述第三指定时间的截止时间与所述第一指定时间的截止时间相同。

8.根据权利要求1所述的方法，其特征在于，

所述方法还包括：

依据所述第一用户的用户属性，生成至少包括一个被推荐用户的被推荐列表；

所述依据所述当前用户属性及所述历史用户属性，确定被推荐用户与所述第一用户的突变属性相似度包括：

依据所述当前用户属性及所述历史用户属性，确定所述被推荐列表中被推荐用户与所述第一用户的突变属性相似度；

所述分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度包括：

分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐列表中所述被推荐用户与所述第一用户社交关系的结构相似度；

所述依据所述突变属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐包括：

依据所述突变属性相似度及所述结构相似度，选择所述被推荐列表中的全部或部分被推荐用户向所述第一用户推荐。

9.根据权利要求1所述的方法，其特征在于，

所述方法还包括：建立所述第一用户的黑名单；所述黑名单中的用户包括以下的至少其中之一：被所述第一用户拒绝添加为好友的被推荐用户、被所述第一用户从好友列表中删除过的被推荐用户及被所述第一用户添加到黑名单的被推荐用户；

在确定被推荐用户与所述第一用户的突变属性相似度及所述结构相似度之前，从所述被推荐列表中删除位于所述黑名单中的用户。

10.根据权利要求1所述的方法，其特征在于，

所述方法还包括：

建立所述第一用户的白名单；所述白名单为所述第一用户在所述第二指定时间内添加为好友的用户；

依据所述白名单确定对应于用于确定所述突变属性相似度的用户属性的权值。

11.一种好友推荐装置，其特征在于，所述装置包括：

获取单元，用于获取第一用户的当前用户属性及在第一指定时间内形成的所述当前用户属性对应的历史用户属性；

第一确定单元，用于依据所述当前用户属性及所述历史用户属性，确定所述第一用户在所述第一指定时间内的用户属性突变特征；

采用以下公式确定被推荐用户与所述第一用户的突变属性相似度S₁；

其中，所述a_m为第m个用户属性突变特征的权重因子；当所述被推荐用户具有所述第m个用户属性突变特征时，所述b_m为1；当所述被推荐用户不具有所述第m个用户属性突变特征时，所述b_m为0；

其中，所述M为不小于1的整数，为所述用户属性突变特征的总个数；所述m为不大于所述M的正整数；

第二确定单元，用于分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐用户与所述第一用户社交关系的结构相似度；

选择推荐单元，用于依据所述突变属性相似度及所述结构相似度，选择被推荐用户向所述第一用户推荐；

其中，所述第一指定时间和所述第二指定时间的截止时间相同。

12.根据权利要求11所述的装置，其特征在于，

所述社交关系数据包括好友信息及添加好友的时序；

所述第二确定单元包括：

第一获取模块，用于获取所述第一用户的第一好友信息及第一时序；

第二获取模块，用于获取所述被推荐用户的第二好友信息及第二时序；

第三确定模块，用于依据所述第一好友信息、所述第二好友信息、所述第一时序及所述第二时序确定所述被推荐用户与所述第一用户的结构相似度。

13.根据权利要求12所述的装置，其特征在于，

所述第三确定模块包括：

第一解析子模块，用于按照预设解析方法解析所述第一好友信息及所述第一时序，确定所述第一用户形成的第一社交关系结构特征及形成所述第一社交关系结构特征的第一时序特征；

第二解析子模块，用于按照预设解析方法解析所述第二好友信息及所述第二时序，确定所述被推荐用户的第二社交关系结构特征及形成所述第二社交关系结构特征的第二时序特征；

第一确定子模块，用于确定所述第一社交关系结构特征及所述第二社交关系结构特征的结构相似性；

第二确定子模块，用于依据所述第一时序特征及所述第二时序特征确定所述第一社交关系结构特征及所述第二社交关系结构特征的时序关联性；

第三确定子模块，用于依据所述结构相似性及所述时序关联性，确定所述结构相似度。

14.根据权利要求12所述的装置，其特征在于，

所述第一好友信息为所述被推荐用户的好友集合；所述第二好友信息为所述第一用户的好友集合；

其中，所述第三确定模块包括：

第一计算子模块，用于利用如下公式计算所述被推荐用户与所述第一用户的结构相似度S₂；

所述i为所述第一用户；所述j为所述被推荐用户；所述N(i)是第一用户的好友集合；所述N(j)为所述被推荐用户的好友集合；

所述|N(i)∪N(j)|为所述第一用户和所述被推荐用户的好友集合的并集；

所述N(i)∩N(j)为所述第一用户和所述被推荐用户的共同好友集合；

所述α为时间衰减因子；

所述t_ik为所述第一用户添加所述N(i)∩N(j)中第k个共同好友的时序；

所述t_jk为所述被推荐用户添加所述N(i)∩N(j)中第k个共同好友的时序；

所述|t_ij-t_ik|为第一用户和所述被推荐用户分别添加所述第k个共同好友的时序差；

所述K为所述N(i)∩N(j)包含的用户个数，为0或正整数。

15.根据权利要求11所述的装置，其特征在于，

所述选择推荐单元包括：

第三计算模块，用于依据所述突变属性相似度及所述结构相似度，计算所述被推荐用户与所述第一用户的相似度；

排序模块，用于将各所述被推荐用户与第一用户的相似度进行排序，形成排序结果；

选择推荐模块，用于依据所述排序结果，选择满足预设条件所述被推荐用户向所述第一用户推荐。

16.根据权利要求11所述的装置，其特征在于，

所述装置还包括：

统计单元，用于统计第三指定时间内向所述第一用户推荐好友的准确度；所述准确度为所述第一用户将被推荐用户添加为好友的数量占被推荐用户总数的比例；

第三确定单元，用于依据所述准确度确定向所述第一用户推荐好友的频率；

所述选择推荐单元，具体用于依据所述频率、所述突变属性相似度及所述结构相似度，选择所述被推荐用户向所述第一用户推荐；

其中，所述第三指定时间的截止时间与所述第一指定时间的截止时间相同。

17.根据权利要求11所述的装置，其特征在于，

所述装置还包括：

统计单元，用于统计第三指定时间内向所述第一用户推荐好友的准确度；所述准确度为所述第一用户将被推荐用户添加为好友的数量占被推荐用户总数的比例；

第四确定单元，用于依据所述准确度确定单次向所述第一用户推荐好友的数量；

所述选择推荐单元，具体用于依据所述数量、所述突变属性相似度及所述结构相似度，选择所述被推荐用户向所述第一用户推荐；

其中，所述第三指定时间的截止时间与所述第一指定时间的截止时间相同。

18.根据权利要求11所述的装置，其特征在于，

所述装置还包括：

列表形成单元，用于依据所述第一用户的用户属性，生成至少包括一个被推荐用户的被推荐列表；

所述第一确定单元，具体用于依据所述当前用户属性及所述历史用户属性，确定所述被推荐列表中被推荐用户与所述第一用户的突变属性相似度；

所述第二确定单元，具体用于分别获取所述被推荐用户与所述第一用户在第二指定时间内形成的社交关系数据，依据所述社交关系数据确定所述被推荐列表中所述被推荐用户与所述第一用户社交关系的结构相似度；

所述选择推荐单元，具体用于依据所述突变属性相似度及所述结构相似度，选择所述被推荐列表中的全部或部分被推荐用户向所述第一用户推荐。

19.根据权利要求11所述的装置，其特征在于，

所述装置还包括：

第一建立单元，用于建立所述第一用户的黑名单；所述黑名单中的用户包括以下的至少其中之一：被所述第一用户拒绝添加为好友的被推荐用户、被所述第一用户从好友列表中删除过的被推荐用户及被所述第一用户添加到黑名单的被推荐用户；

删除单元，用于在确定被推荐用户与所述第一用户的突变属性相似度及所述结构相似度之前，从所述被推荐列表中删除位于所述黑名单中的用户。

20.根据权利要求11所述的装置，其特征在于，

所述装置还包括：

第二建立单元，用于建立所述第一用户的白名单；所述白名单为所述第一用户在所述第二指定时间内添加为好友的用户；

第五确定单元，用于依据所述白名单确定对应于用于确定所述突变属性相似度的用户属性的权值。

21.一种电子设备，其特征在于，所述电子设备包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现如权利要求1至10任一项所述的好友推荐方法。

22.一种存储介质，其特征在于，存储有可执行指令，所述可执行指令被处理器执行时，实现如权利要求1至10任一项所述的好友推荐方法。

Images