CN105635210B - 网络信息的推荐方法及装置、阅读系统 - Google Patents
网络信息的推荐方法及装置、阅读系统 Download PDFInfo
- Publication number
- CN105635210B CN105635210B CN201410605949.4A CN201410605949A CN105635210B CN 105635210 B CN105635210 B CN 105635210B CN 201410605949 A CN201410605949 A CN 201410605949A CN 105635210 B CN105635210 B CN 105635210B
- Authority
- CN
- China
- Prior art keywords
- recommendation
- information
- user
- reading
- friend
- 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.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种网络信息的推荐方法,包括:接收用户利用终端上的阅读应用所发送的推荐信息;获取与所述用户对应的关系链;计算所述推荐信息对于所述关系链上的各好友时,所述推荐信息的推荐值;根据所计算的推荐信息的推荐值,形成所述用户对应的关系链上各好友的新的推荐表;将所述新的推荐表下发至各好友的阅读应用。本发明还公开一种网络信息的推荐装置及阅读系统。本发明改变了阅读应用服务器的单一推荐,可以给用户推荐更加丰富的内容,而且还能够为用户推荐更准确、更多自己感兴趣的文章,进而满足人们的网络信息获取要求,也提高了用户的阅读效率。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及网络信息的推荐方法及装置、阅读系统。
背景技术
随着移动互联网的快速发展,人们可以通过移动终端随时随地浏览互联网上的新闻。因此,也出现了各类阅读应用。通过在移动终端上安装阅读应用,即可查看大量的新闻信息,而且还可以分类查看,例如财经新闻、科技新闻、社会新闻、娱乐新闻等等。
现有的阅读应用中提供订阅功能及主动推荐功能,其中订阅功能是根据用户的订阅设置,而提供用户订阅的文章;主动推荐功能是指阅读应用通过采集用户阅读行为并进行机器学习后的推荐。但是订阅需要用户主动去选择自己感兴趣的文章,而且是在用户的知识范围内去选择,具有一定的局限性;主动推荐需要充分了解用户的阅读行为,并且需要经过一段时间的学习后才能达到好的推荐效果,另外阅读应用的机器学习算法非常复杂,无法满足人们越来越高的阅读需求。
发明内容
本发明实施例的主要目的旨在解决现有的信息推荐方式推荐效率不高,无法满足人们的阅读需求的技术问题。
为实现上述目的,本发明实施例提供了一种网络信息的推荐方法,应用于阅读应用服务器,所述阅读应用服务器将生成每个用户的推荐表,并下发至用户对应的阅读应用;所述网络信息的推荐方法包括以下步骤:
接收用户利用终端上的阅读应用所发送的推荐信息;
获取与所述用户对应的关系链;
计算所述推荐信息对于所述关系链上的各好友时,所述推荐信息的推荐值;
根据所计算的推荐信息的推荐值,形成所述用户对应的关系链上各好友的新的推荐表;
将所述新的推荐表对应下发至好友的阅读应用。
此外,为实现上述目的,本发明实施例还提供了一种网络信息的推荐装置,包括:
推荐信息接收模块,用于接收用户利用终端上的阅读应用所发送的推荐信息;
关系链获取模块,用于获取与所述用户对应的关系链;
推荐值计算模块,用于计算所述推荐信息对于所述关系链上的各好友时,所述推荐信息的推荐值;
推荐表生成模块,用于根据所计算的推荐信息的推荐值,形成所述用户对应关系链上各好友的新的推荐表;
推荐表下发模块,用于将所述新的推荐表对应下发至好友的阅读应用。
此外,为实现上述目的,本发明实施例还提供了一种网络信息的阅读系统,包括移动终端及阅读应用服务器,所述移动终端上安装有阅读应用,所述阅读应用通过移动终端与所述阅读应用服务器进行通讯;所述阅读应用服务器包括上述推荐装置。
本发明实施例通过用户关系链的推荐形成推荐表,还将计算推荐信息的推荐值,并根据所计算的推荐信息对应的推荐值,对推荐表中的推荐信息进行排序。因此,本发明实施例通过使用阅读应用的各个用户之间进行互相推荐的方式,改变了阅读应用服务器的单一推荐,使得人们的阅读方式从个人阅读向群体阅读发展,可以给用户推荐更加丰富的内容,扩大了用户的阅读视野;而且还能够为用户推荐更准确、更多自己感兴趣的文章,进而满足人们的网络信息获取要求,也提高了用户的阅读效率。
附图说明
图1为实现本发明移动终端中的阅读应用与阅读应用服务器的交互示意图;
图2为图1中阅读应用服务器的硬件结构示意图;
图3为本发明网络信息的推荐装置的功能模块示意图;
图4为本发明中用户利用阅读应用阅读网络信息的界面示例图;
图5为本发明用户利用阅读应用推荐所阅读的信息至关系链上的用户时,阅读应用服务器与各用户对应的阅读应用的交互示例图;
图6为本发明网络信息的推荐装置中推荐值计算模块第一实施例的功能模块示意图;
图7为根据图6中推荐值计算模块所计算的推荐值形成的新的推荐表相对于旧的推荐表的变化示例图;
图8为本发明网络信息的推荐装置中推荐值计算模块第二实施例的功能模块示意图;
图9为根据图8中推荐值计算模块所计算的推荐值形成的新的推荐表相对于旧的推荐表的变化示例图;
图10为本发明网络信息的推荐装置中推荐值计算模块第三实施例的功能模块示意图;
图11为根据图10的推荐值计算模块生成的新的推荐表过程中,阅读应用服务器与各用户对应的阅读应用的交互示例图;
图12为本发明网络信息的推荐装置中推荐值计算模块第四实施例的功能模块示意图;
图13为本发明网络信息的推荐装置生成的推荐表的一界面示例图;
图14为本发明网络信息的推荐装置第二实施例的功能模块示意图;
图15为本发明网络信息的推荐装置中接收好友对推荐信息的响应并发送至推荐用户的界面示例图;
图16为本发明网络信息的推荐装置第三实施例的功能模块示意图;
图17为本发明阅读应用服务器对关系链上所有用户的阅读行为数据进行统计并分析时,阅读应用服务器与各阅读应用的交互示例图;
图18为本发明用户登录阅读应用时的操作界面示例图;
图19为本发明网络信息的推荐方法第一实施例的流程示意图;
图20为本发明网络信息的推荐方法中计算推荐信息的推荐值一实施例的流程示意图;
图21为本发明网络信息的推荐方法中计算推荐信息的推荐值另一实施例的流程示意图;
图22为本发明网络信息的推荐方法第二实施例的流程示意图;
图23为本发明网络信息的推荐方法第三实施例的流程示意图;
图24为本发明网络信息的推荐方法第四实施例的流程示意图;
图25为本发明网络信息的推荐方法第五实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
以下结合说明书附图及具体实施例进一步说明本发明的技术方案。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提出了一种基于用户关系链的网络信息的推荐方式,通过使用阅读应用的各个用户之间进行互相推荐的方式,改变了阅读应用服务器的单一推荐,可以给用户推荐更加丰富的内容,而且还能够为用户推荐更准确、更多自己感兴趣的文章,进而满足人们的网络信息获取要求,也提高了用户的阅读效率。该用户关系链是指使用阅读应用的用户某个账号的关系链,该关系链可以理解为好友关系、关注关系等等。例如,在互联网中,一方通过应用软件向另一方发送好友添加请求,并得到另一方允许,互相成为对方的好友的关系。再例如,在互联网中,一方通过应用软件关注另一方时,则一方与另一方为关注关系。
如图1所示,示出了基于用户关系链的互联网信息推荐系统中移动终端的阅读应用与阅读应用服务器的通讯示意图。移动终端100可以为手机、ipad、平板电脑、PDA等终端设备,而且该移动终端100上已经安装了阅读应用101。阅读应用服务器200上收集有供用户阅读的各类信息,且阅读应用服务器200将同类属性的信息聚合在一起,形成频道,例如“热点”、“社会”、“娱乐”、“体育”等等。用户首先必须登录该阅读应用101,然后可以在阅读应用101设置自己需要关注的内容。该阅读应用101所在的移动终端100则与阅读应用服务器200进行通讯,将用户的设置发送至阅读应用服务器200,以便阅读应用服务器200根据用户的设置下发相应类型的信息至阅读应用101。因此,用户不再需要从互联网的海量信息中搜索并筛选出自己感兴趣的信息进行阅读,通过阅读应用101即可浏览到更多自己感兴趣的信息。可以理解的是,该阅读应用服务器200还具有信息搜索功能,可定期进行最新信息的搜索,并更新阅读应用服务器200的信息库。
首先,先描述一下上述阅读应用服务器200一实施例的硬件结构。如图2所示,该阅读应用服务器200包括处理器201、存储器202、通讯模块203以及通信总线204。通信总线204用于该阅读应用服务器200中各组成部件之间的通信。通讯模块203用于实现阅读应用服务器200与外部设备例如移动终端、其他服务器等进行互相通讯,该通讯模块203可包括RS232模块、射频模块、WIFI模块等等。存储器202可以包括一个或一个以上计算机可读存储介质,而且其不但包括内部存储器,还包括外部存储器。该存储器202中存储有操作系统、信息推荐装置等等。处理器201调用存储器202中的信息推荐装置以及其他组件,以实现信息的推荐等功能。可以理解的是,本发明中所提及的推荐信息不仅仅包括新闻信息,还可以包括互联网上的各类文章、报道等。
上述存储器202中还包括第一信息库及第二信息库。其中第一信息库包括用户基本信息、关系链、推荐记录、信息阅读记录、信息阅读标签、推荐表以及好友之间的互动,用户的基本信息可包括用户的账号、密码、联系方式、爱好等信息。用户的关系链可包括与该用户建立关系的其他用户的信息,例如账号、联系方式、爱好等信息。第二信息库包括供用户浏览的互联网信息等等。
如图3所示,上述信息推荐装置可包括:
推荐信息接收模块310,用于接收用户利用终端上的阅读应用所发送的推荐信息;
关系链获取模块320,用于获取与所述用户对应的关系链;
推荐值计算模块330,用于计算所述推荐信息对于所述关系链上的各好友时,所述推荐信息的推荐值;
推荐表生成模块340,用于根据所计算的推荐信息的推荐值,形成所述用户对应的关系链上各好友的新的推荐表;
推荐表下发模块350,用于将所述新的推荐表对应下发至好友的阅读应用。
如图4及图5所示,当用户A利用移动终端100中的阅读应用101正在阅读一篇文章,并希望将其推荐至关系链上的其他用户时,则可以触发阅读页面上的“推荐”控件S1,即可触发推荐请求,该推荐请求可包括推荐的文章信息以及推荐理由等。阅读应用服务器200中通讯模块203将接收到该推荐请求,并将其发送至处理器201。处理器201调用信息推荐装置响应所述推荐请求。即推荐信息接收模块310用于接收用户A发送的推荐信息。关系链获取模块320将从第一信息库中获取该用户A的关系链上的所有好友信息。例如,该用户A的关系链上的所有好友为用户B、用户C、用户D。然后推荐值计算模块330按照预设的计算规则,计算所述用户A对应关系链上所有好友(即用户B、用户C、用户D)的推荐值R1、R2、R3。推荐表生成模块340根据推荐值R1,将推荐信息插入用户B的推荐表中的相应位置,生成用户B的新的推荐表;根据推荐值R2,将推荐信息插入用户C的推荐表中的相应位置,生成用户C的新的推荐表;根据推荐值R3,将推荐信息插入用户D的推荐表中的相应位置,形成新的推荐表,生成用户D的新的推荐表。推荐表下发模块350则将生成的新的推荐表通过通讯模块203下发至各好友对应的阅读应用中。本发明实施例中,该推荐表中的推荐信息为由各推荐信息的推荐值从高到低排列,当然并不限定可以由其他方式排列。凡是根据推荐值而形成的推荐表的其他排列方式均在本发明的保护范围之内。
本发明实施例通过用户关系链的推荐形成推荐表,还将计算推荐信息的推荐值,并根据所计算的推荐信息对应的推荐值,对推荐表中的推荐信息进行排序。因此,本发明实施例通过使用阅读应用的各个用户之间进行互相推荐的方式,改变了阅读应用服务器的单一推荐,可以给用户推荐更加丰富的内容,而且还能够为用户推荐更准确、更多自己感兴趣的文章,进而满足人们的网络信息获取要求,也提高了用户的阅读效率。
上述预设的计算规则可以包括很多种规则,以下将描述几种推荐值计算规则,根据该预设的计算规则所计算的推荐值形成的新的推荐表,使得推荐表中满足用户的阅读需求的推荐信息会被用户最先阅读到,提高了推荐效率。
如图6所示,上述推荐值计算模块330可包括:
匹配信息获取单元331,用于获取所述用户的关系链上各好友的信息阅读标签;获取所述推荐信息所属的信息类型和/或推荐信息中提取的关键词;
第一计算单元332,用于根据所述推荐信息所属的信息类型和/或推荐信息中提取的关键词与所述用户的关系链上的好友的所述信息阅读标签的匹配程度,计算获得所述推荐信息对于所述关系链上的各好友时,所述推荐信息的推荐值。
本实施例的推荐表的形成方式为:匹配信息获取单元331从第一信息库中获取推荐信息的用户的关系链上的所有好友以及各好友对应的信息阅读标签。并且匹配信息获取单元331还获取推荐信息所属的信息类型,例如“科技”频道,或者匹配信息获取单元331从推荐信息中提取关键词。然后,第一计算单元332根据推荐信息所属的信息类型和/或推荐信息中提取的关键词与要推荐的用户(即关系链上的每个好友)的信息阅读标签的重合度,计算推荐信息对应关系链上每个好友的推荐值,以使得推荐表生成模块340根据该计算的推荐值,将推荐信息插入原先的推荐表的相应位置,形成新的推荐表。即推荐表中将根据推荐值进行排序,推荐值较高的将排在推荐表的靠前位置。推荐表下发模块350将该新的推荐表下发至用户对应的阅读应用。本实施例中,该推荐值的取值范围为0~100,若推荐信息所属的信息类型正好为该用户喜欢阅读的信息类型,则该推荐信息对应用户的推荐值越高,将出现在推荐表的靠前位置,从而用户可以最快阅读到。例如,推荐信息所属的信息类型为“科技”频道,关系链上某好友对应的信息阅读标签包括“科技”类,则计算该推荐信息对应该好友的推荐值为100。若推荐信息中提取的关键词与关系链上的某好友的信息阅读标签的重合度越高,则该推荐信息对应该好友的推荐值越高。例如,推荐信息中提取的关键词为“iphone5S”,关系链上某好友对应的信息阅读标签包括“苹果”、“iphone5S”等等,则计算该推荐信息对应该好友的推荐值为100。
该实施例中的信息阅读标签可以通过用户在阅读应用中设置的订阅信息或者爱好信息而获得,也可以为阅读应用服务器200分析用户的阅读行为数据而获得。具体为:周期性地统计各用户的信息阅读情况;根据所统计的用户自身的信息阅读情况,按照预设的分析规则,分析获得该用户对应的信息阅读标签。该预设的分析规则可以设置为:若用户阅读某频道的文章数量超过一定数量,则将该频道信息添加至信息阅读标签;若用户阅读包含某关键词的文章的数量超过一定数量,例如“iphone”,则将“iphone”添加至信息阅读标签。
通过本实施例计算的推荐值所生成的推荐表,使得用户推荐的信息可以准确地推荐至关系链上真正感兴趣的好友进行阅读,提高了推荐效率。同时,本实施例还可以避免关系链上好友阅读到过多的不感兴趣的推荐信息,进一步提高了推荐效率。
如图7所示,若用户阅读的文章的类型为“科技”类,且该文章的内容是关于“iphone”。而用户的关系链上某好友的信息阅读标签中也包含“科技”、“iPhone”等标签。因此,根据第一计算单元332所计算后的推荐值而形成的推荐表中,该用户推荐的推荐信息将出现在该好友的推荐表的靠前位置。当该好友利用移动终端打开阅读应用后,可以从该阅读应用的推荐表中更早地浏览到该用户的推荐信息。
如图8所示,上述推荐值计算模块330可包括:
交互情况获取单元333,用于获取所述用户与关系链上各好友之间的交互情况;
匹配信息获取单元334,用于匹配获取所述用户的关系链上各好友对应的信息阅读标签;获取所述推荐信息所属的信息类型和/或推荐信息中提取的关键词;
第二计算单元335,用于根据所述推荐信息所属的信息类型和/或推荐信息中提取的关键词与所述用户的关系链上的好友的信息阅读标签的匹配程度及所述用户与关系链上该好友之间的交互情况进行加权计算,获得所述推荐信息对于所述关系链上的各好友时,所述推荐信息的推荐值。
本实施例的推荐表的形成方式为:在用户基于关系链进行推荐的过程中,计算推荐信息的推荐值不但考虑推荐信息是否为用户真正感兴趣的,而且还要考虑推荐用户与被推荐用户之间的交互程度,以使推荐表生成模块340根据该计算的推荐值形成新的推荐表,推荐表下发模块350将该新的推荐表下发至用户对应的阅读应用。本实施例中,推荐用户与关系链上所有好友之间的交互情况的取值范围为0~100,且推荐用户与关系链上所有好友之间的交互情况的取值可以受推荐用户与关系链上各好友的关注程度、评论次数或频率、点赞次数或频率的影响。例如推荐用户所推荐的推荐信息,关系链上其他好友阅读所推荐的推荐信息的次数越多、评论的次数越多或阅读频率越高等等,该交互情况的取值越高。
若对推荐信息的信息类型和/或推荐信息中提取的关键词与用户的关系链上的好友的信息阅读标签的匹配程度分配的权值为0.4,且推荐信息的信息类型和/或推荐信息中提取的关键词与用户的关系链上某好友的信息阅读标签的匹配程度为80;推荐用户与该用户的关系链上的好友之间的交互情况分配的权值为0.6,推荐用户与关系链上该好友之间的交互情况为50,则计算获得推荐信息对用户的关系链上该好友的推荐值为0.4*80+0.6*50=62。
通过本实施例计算的推荐值所生成的推荐表,不但可以使得用户推荐的信息可以准确地推荐至关系链上真正感兴趣的用户进行阅读,提高了推荐效率。而且还可以使得即使推荐用户所推荐的推荐信息不是被推荐的用户感兴趣的,与推荐用户关系密切的被推荐用户也可以更早地阅读到推荐用户所推荐的信息,增强了用户之间的交互程度。
如图9所示,若用户A所阅读的文章的类型为“科技”类,且该文章的内容是关于“iphone”。用户A发起推荐请求后,阅读应用服务器200所获取的用户A的关系链上的用户B的信息阅读标签中包含“科技”、“iPhone”等标签。但是,若用户A与用户B的关系较密切,则根据第二计算单元335所计算的推荐值较高;若用户A与用户B的关系不够密切,则根据第二计算单元335所计算的推荐值较低,由此该推荐信息在推荐表中的位置也会发生变化。如图9(b)为用户A推荐之前用户B的推荐表;图9(a)为用户A推荐之后用户B的推荐表,且该用户A与用户B的关系较密切;图9(c)为用户A推荐之后用户B的推荐表,且该用户A与用户B的关系不够密切。由此可知,用户关系密切的用户之间所推荐的信息将出现在推荐表的靠前位置,从而可以更早地阅读到。
进一步地,阅读应用服务器200所生成的推荐表中,除了包括用户基于关系链进行主动推荐的主动推荐信息,还包括应用服务器200自动推荐的隐式推荐信息,例如应用服务器200根据该用户的关系链上其他用户所阅读的热门文章推荐给该用户。如图10所示,上述推荐值计算模块330可包括:
阅读统计单元336,用于周期性地统计所述用户的关系链上各好友的信息阅读情况;
第三计算单元337,用于根据所统计的各好友的信息阅读情况,计算用户的关系链上各好友所阅读的信息的推荐值。
本实施例的推荐表形成方式为:根据所统计的所述用户的关系链上所有好友的信息阅读情况,然后计算所有好友所阅读的信息的推荐值,根据所统计的所有好友的信息的推荐值,以使推荐表生成模块340根据该计算的推荐值形成新的推荐表,推荐表下发模块350将该新的推荐表下发至该用户对应的阅读应用,从而可以实现将关系链上的好友关注度较高的信息推荐至该用户。如图11所示,本实施例中,阅读应用服务器200的阅读统计单元336将周期性地统计用户A的关系链上所有好友的阅读行为数据,并形成阅读情况表,记录所有用户的信息阅读情况。该信息阅读情况可包括用户所阅读的信息、用户评论过的信息、用户点过赞的信息、用户所推荐的信息等体现用户阅读足迹的信息。然后第三计算单元337根据阅读统计单元336所统计的用户A的关系链上各好友的信息阅读情况,计算各好友所阅读的信息的推荐值。若统计的用户A的关系链上所有好友的信息阅读情况中,同一篇文章被阅读的用户数量、被评论的用户数量、被推荐的用户数量越多,该文章的推荐值越高。推荐表生成模块340则根据该所计算的好友所阅读的信息的推荐值,将所述好友所阅读的信息插入所述用户对应的推荐表中,形成新的推荐表。如阅读应用服务器200生成的用户A的推荐表中,标题1的推荐信息位于推荐表的靠前位置,标题2的推荐信息位于推荐表的靠后位置。
通过本发明实施例计算的推荐值所生成的推荐表,不但使得用户推荐的信息可以准确地推荐至关系链上真正感兴趣的好友进行阅读,提高了推荐效率。而且还可以使得关系链上各好友所阅读的信息,即使不是用户感兴趣的,用户也可能阅读到,从而增强了用户之间的交互程度,而且还可以增强用户的阅读能力。
基于上述阅读应用服务器200分析获得的信息阅读标签或者用户所设置的信息阅读标签,阅读应用服务器200所生成的推荐表中还包括应用服务器200根据该用户的信息阅读标签而自动推荐给该用户的隐式推荐信息。如图12所示,上述推荐值计算模块330可包括:
信息搜索单元338,用于根据所述用户的信息阅读标签,周期性地搜索与所述用户的信息阅读标签对应的信息;
第四计算单元339,用于计算搜索到的与所述用户的信息阅读标签对应的信息的推荐值。
本实施例的推荐表形成方式为:周期性地搜索与用户的信息阅读标签对应的文章,然后计算搜索到的文章的推荐值。与信息阅读标签对应的文章的推荐值的取值范围为0~100,该推荐值可以为一固定值,也可以根据信息阅读标签的等级而设置浮动值。例如该信息阅读标签由阅读应用中设置的订阅信息中得出,则该信息阅读标签的等级较高,该信息阅读标签由阅读应用服务器200分析用户的行为数据而得出,则该信息阅读标签的等级较低。推荐表生成模块340则根据第四计算单元339所计算的推荐值形成新的推荐表,推荐表下发模块350将该新的推荐表下发至用户对应的阅读应用,从而实现了阅读应用的自动推荐,避免了不存在关系链的推荐信息时,用户仍然可以阅读到自己感兴趣的信息。
通过本发明实施例计算的推荐值所生成的推荐表,使得除了基于关系链的推荐信息外,阅读应用服务器200也可以自动推荐用户感兴趣的信息至用户,从而丰富了推荐内容。
可以理解的是,本发明实施例推荐表的形成方式可以包括上述各实施例的形成方式的总和,即推荐表中的推荐信息可包括关系链上的好友所推荐的信息、阅读应用通过学习而推荐的信息、关系链上的好友关注度较高的信息等等。上述三类推荐信息将根据对应的推荐值而设置在推荐表的相应位置,而且每一条推荐信息还将显示其推荐来源。本实施例中,还将给上述三类推荐信息设置相应的权值,且权值由大到小为:关系链上其他好友推荐的信息>阅读应用通过学习而推荐的信息>关系链上的好友关注度较高的信息。因此,若存在关系链上好友所推荐的信息时,则该信息将在推荐表中靠前显示;若不存在关系链上好友所推荐的信息时,则阅读应用通过学习而推荐的信息将在推荐表中靠前显示。
另外,上述推荐表也可以根据上述三类推荐信息而对应设置相应的显示区域,用于对应显示上述三类推荐信息。如图13所示,该推荐表中包括三个显示区域,即区域S2、区域S3和区域S4,每个区域中显示相应的信息列表,且每个区域中还具有控件S5,通过触发该控件S5可以展开该区域中的更多信息列表。可以理解的是,若相应区域中不存在推荐信息,则该区域可以不予显示。阅读应用服务器200除了根据用户的推荐请求而更新推荐表,还可以周期性地搜索到新的推荐信息来更新该推荐表,然后阅读应用服务器200将最新的推荐表下发至阅读应用101。
而且,上述推荐表可以指阅读应用中“推荐”频道下的推荐表,也可以指阅读应用中某频道下的推荐表,本发明并不限定。
如图14所示,上述信息推荐装置还可包括:
推荐信息响应模块360,用于接收用户所推荐的推荐信息的阅读响应,并将所述阅读响应发送至该用户对应的阅读应用。
当用户推荐的信息由阅读应用服务器200下发至关系链上的好友的推荐表中,且好友对其做出了响应时,阅读应用服务器200将接收好友所做出的响应,并将所述响应发送至推荐用户对应的阅读应用中。该响应可包括好友已经阅读过该推荐信息,或者该好友已经对其进行评论,或者该好友已经对其点过赞等等。
如图15所示,用户D开启移动终端上的阅读应用后,“推荐”频道的推荐表中将显示由推荐值进行排序后的推荐信息。其中由关系链上的好友A推荐的推荐信息1位于推荐表的最前面。当用户D点击该推荐信息进行阅读时,阅读应用将侦测到该用户的操作,并将该用户对推荐信息的响应发送至阅读应用服务器200。阅读应用服务器200的推荐信息响应模块360则通过通讯模块接收到该响应,并将该响应发送至用户A对应的阅读应用中。当用户开启移动终端的阅读应用后,则可以查看自己的推荐信息的阅读情况,即推荐信息1对应有1条信息。用户A可以阅读该新的信息,也就是用户D的阅读响应。当然,该新的信息还可以包括好友对该推荐信息的评论、点赞等等。本实施例中,该响应是以信息的形式通知用户A,其实也可以为弹出对话框通知用户A,还可以为直接显示推荐信息1的对应显示位置。
本发明实施例通过关系链的信息推荐,而且所推荐的信息的阅读情况也可以及时地反馈至推荐用户对应的阅读应用,从而进一步加强了用户之间的互动,也增强了好友推荐的积极性,进一步提高了用户的阅读效率。
进一步地,上述阅读应用服务器200还可以收集使用该阅读应用的各用户的阅读行为数据,例如一周内统计关系链上所有用户的阅读情况、推荐情况以及推荐响应情况,然后形成统计结果,以向用户展示。具体地,如图16所示,上述信息推荐装置还可包括:
信息统计模块370,用于统计预设周期内,用户的关系链上各好友的阅读行为数据以及用户自己的阅读行为数据,并对其进行统计分析,获得统计结果,然后将所述统计结果发送至该关系链上的所有用户对应的阅读应用。
如图17所示,阅读应用服务器200将收集各阅读应用的用户的阅读行为数据,然后对所收集的数据进行统计并分析,可以获得本周期内推荐文章最多的用户信息,本周期内推荐文章得到反馈最多的用户信息,本周期内评论或最多的用户信息,本周期内点赞最多的用户信息,本周期内阅读得分最高的用户信息,关系链上本周期内最热的文章信息等等。阅读应用服务器200统计获得上述信息后,可以以图表形式展示给用户,也可以直接以上述列表信息的形式展示给用户。
本实施例通过对关系链上所有用户的阅读行为进行统计并分析,使得用户可以了解自己和关系链上的好友本周期内的总体阅读状态,不但提升了用户的阅读乐趣,而且还可以使用户发现更多的文章。
基于上述信息统计模块370所统计的信息,上述推荐表中的推荐信息不但包括推荐信息的标题等信息,还可以包括该推荐信息的阅读情况,例如该推荐信息被关系链上其他好友阅读过的数量,关系链上其他好友对该推荐信息的评论信息、点赞数量等等。上述推荐表生成模块340还将实时监测所生成的推荐表中推荐信息的阅读情况是否发生变化,一旦推荐表中的推荐信息的阅读情况有变化时,推荐表生成模块340将对推荐表中的推荐信息进行更新。如此也可以提升用户的阅读乐趣,而且还可以使用户发现更多的文章。
进一步地,上述阅读应用服务器200中的存储器中还包括账户验证装置,该账户验证装置用于根据所述用户登录请求,对所述用户进行验证,并在验证成功后,允许所述用户登录。
如图18所示,用户打开阅读应用101以浏览新闻时,阅读应用101将获取用户输入的账号和密码。若该用户为第一次登录,则阅读应用101将提醒用户进行注册,注册之后再进行登录。若该用户之前已经登录,而且已经保存了账号和密码,阅读应用101则可以获取存储的账号和密码,并将所述账号和密码发送至阅读应用服务器200进行验证。若用户之前已经登录,但未保存账号和密码,阅读应用101则提醒用户输入账号和密码进行登录,阅读应用101获取用户输入的账号和密码,并将该账号和密码发送至阅读应用服务器200进行验证。阅读应用服务器200通过通讯模块203接收到移动终端100发送的登录请求时,则从存储器202的第一信息库中获取验证信息,并根据第一信息库中的验证信息对登录请求中的账号和密码进行验证,验证成功时则允许该用户登录;验证失败时则拒绝该用户登录。
可以理解的是,用户可以使用满足该阅读应用101所规范的账号进行登录,也可以使用其他经过许可的软件账号进行登录,例如即时通讯软件账号。而且用户在使用满足阅读应用规范的账号进行登录之后,还可以绑定其他经过授权登录的软件账号,以便用户忘记登录阅读应用的账号和密码时,可以通过绑定账号和密码进行登录。因此,登录阅读应用的账号信息可包括以下账号信息中的一个或多个:在阅读应用101中注册的注册账号信息、与所述注册账号绑定的绑定账号信息、已通过阅读应用授权登录的授权账号信息。
由于本发明的阅读应用服务器200引入了用户的关系链,通过用户之间的互相推荐而形成推荐表,不但提高了推荐效率,而且还加强了用户之间的交互能力,使得阅读应用的个人阅读方式变为群体阅读方式。因此,在用户登录阅读应用后,阅读应用服务器200将为每个用户建立关系链。该关系链记录与该用户建立好友关系、关注关系的用户信息。以好友关系为例,其具体的建立过程如下:
一示例中,根据用户的创建指令,建立关系链,且该关系链将同步至对应的移动终端100上的阅读应用101中。例如,用户A登录阅读应用后,向阅读应用服务器200发送好友搜索请求,阅读应用服务器200收到该好友搜索请求时,则从用户信息库中搜索所有使用该阅读应用的用户,并返回好友搜索结果至移动终端100。移动终端接收到用户在搜索结果中选择的用户B后,向阅读应用服务器200发起好友添加请求,阅读应用服务器200将好友添加请求发送至对应的用户B,并在接收到该用户B返回的允许添加响应时,建立用户A和用户B的好友关系,并将该好友关系存储在用户信息库中,形成关系链。
另一示例中,根据登录阅读应用的账号信息,从账号信息对应的服务器中获得与所述账号信息对应的好友信息;从所述好友信息中删除未在阅读应用中使用的好友信息,形成所述账号信息对应的关系链,且所述关系链将同步至对应的移动终端100上的阅读应用101中。例如,用户A登录阅读应用后,若登录阅读应用的账号为即时通讯账号或者阅读应用的绑定账号为即时通讯账号,而且该即时通讯账号已经建立了相应的好友关系时,阅读应用服务器200则可以与该即时通讯账号对应的社交应用服务器进行通讯,从该社交应用服务器中获得已经与该用户A建立好友关系的好友信息,形成关系链。具体为:阅读应用服务器200向社交应用服务器发送好友信息获取请求,该好友信息请求包括登录阅读应用的账号,社交应用服务器则根据好友信息请求中的账号信息,查询与该账号信息对应、且使用阅读应用101的好友信息,并将查询到的好友信息发送至阅读应用服务器200。
对应地,本发明还提供了一种网络信息的推荐方法。如图19所示,本发明网络信息的推荐方法包括以下步骤:
步骤S110、接收用户利用终端上的阅读应用所发送的推荐信息;
步骤S120、获取与所述用户对应的关系链;
步骤S130、计算所述推荐信息对于所述关系链上的各好友时,所述推荐信息的推荐值;
步骤S140、根据所计算的推荐信息的推荐值,形成所述用户对应的关系链上各好友的新的推荐表;
步骤S150、将所述新的推荐表对应下发至各好友的阅读应用。
当用户A利用移动终端100中的阅读应用101正在阅读一篇文章,并希望将其推荐至关系链上的其他用户时,则可以触发阅读页面上的“推荐”控件,即可触发推荐请求,该推荐请求可包括推荐的文章信息以及推荐理由等。阅读应用服务器200中通讯模块203将接收到该推荐请求,并将其发送至处理器201。处理器201调用信息推荐装置响应所述推荐请求。具体为:解析所述推荐请求,获得推荐信息。然后从第一信息库中获取该用户A的关系链上的所有好友信息,按照预设的计算规则,计算所述用户A对应关系链上所有好友的推荐值,并根据所计算的推荐值,将推荐信息对应插入相应好友的推荐表中的相应位置,形成新的推荐表。将生成的新的推荐表通过通讯模块203下发至各好友对应的阅读应用中。本发明实施例中,该推荐表中的推荐信息为由各推荐信息的推荐值从高到低排列,当然并不限定可以由其他方式排列。凡是根据推荐值而形成的推荐表的其他排列方式均在本发明的保护范围之内。
本发明实施例通过用户关系链的推荐形成推荐表,还将计算推荐信息的推荐值,并根据所计算的推荐信息对应的推荐值,对推荐表中的推荐信息进行排序。因此,本发明实施例通过使用阅读应用的各个用户之间进行互相推荐的方式,改变了阅读应用服务器的单一推荐,可以给用户推荐更加丰富的内容,而且还能够为用户推荐更准确、更多自己感兴趣的文章,进而满足人们的网络信息获取要求,也提高了用户的阅读效率。
进一步地,如图20所示,上述步骤S130可包括:
步骤S131、获取所述用户的关系链上各好友的信息阅读标签;
步骤S132、获取所述推荐信息所属的信息类型和/或所述推荐信息中提取的关键词;
步骤S133、根据所述推荐信息所属的信息类型和/或所述推荐信息中提取的关键词与所述用户的关系链上的好友的信息阅读标签的匹配程度,计算获得所述推荐信息对于所述关系链上的各好友时,所述推荐信息的推荐值。
本实施例的推荐表的形成方式为:根据推荐信息所属的信息类型和/或推荐信息中提取的关键词与要推荐的用户(即关系链上的每个好友)的信息阅读标签的重合度,计算推荐信息对应关系链上每个好友的推荐值,以根据该计算的推荐值,将推荐信息插入原先的推荐表的相应位置,形成新的推荐表。即推荐表中将根据推荐值进行排序,推荐值较高的将排在推荐表的靠前位置。然后将该新的推荐表下发至用户对应的阅读应用。本实施例中,该推荐值的取值范围为0~100,若推荐信息所属的信息类型正好为该用户喜欢阅读的信息类型,则该推荐信息对应用户的推荐值越高,将出现在推荐表的靠前位置,从而用户可以最快阅读到。例如,推荐信息所属的信息类型为“科技”频道,关系链上某好友对应的信息阅读标签包括“科技”类,则计算该推荐信息对应该好友的推荐值为100。若推荐信息中提取的关键词与关系链上某好友的信息阅读标签的重合度越高,则该推荐信息对应该好友的推荐值越高。例如,推荐信息中提取的关键词为“iphone5S”,关系链上某好友对应的信息阅读标签包括“苹果”、“iphone5S”等等,则计算该推荐信息对应该好友的推荐值为100。
通过本实施例计算的推荐值所生成的推荐表,使得用户推荐的信息可以准确地推荐至关系链上真正感兴趣的好友进行阅读,提高了推荐效率。同时,本实施例还可以避免关系链上好友阅读到过多的不感兴趣的推荐信息,进一步提高了推荐效率。
进一步地,如图21所示,上述步骤S130可包括:
步骤S134、获取所述用户与关系链上各好友之间的交互情况;
步骤S135、获取所述用户的关系链上各好友对应的信息阅读标签;
步骤S136、获取所述推荐信息所属的信息类型和/或推荐信息中提取的关键词;
步骤S137、根据所述信息类型和/或推荐信息中提取的关键词与所述用户的关系链上的好友的信息阅读标签的匹配程度及所述用户与关系链上该好友之间的交互情况进行加权计算,获得所述推荐信息对于所述关系链上的各好友时,所述推荐信息的推荐值。
本实施例的推荐表的形成方式为:在用户基于关系链进行推荐的过程中,计算推荐信息的推荐值不但考虑推荐信息是否为用户感兴趣的,而且还要考虑推荐用户与被推荐用户之间的交互程度,以根据该计算的推荐值形成新的推荐表,并将该新的推荐表下发至用户对应的阅读应用。本实施例中,推荐用户与关系链上所有好友之间的交互情况的取值范围为0~100,且推荐用户与关系链上所有好友之间的交互情况的取值可以受推荐用户与关系链上各好友的关注程度、评论次数或频率、点赞次数或频率的影响。例如推荐用户所推荐的推荐信息,关系链上其他好友阅读所推荐的推荐信息的次数越多、评论的次数越多或阅读频率越高等等,该交互情况的取值越高。
通过本实施例计算的推荐值所生成的推荐表,不但可以使得用户推荐的信息可以准确地推荐至关系链上真正感兴趣的用户进行阅读,提高了推荐效率。而且还可以使得即使推荐用户所推荐的推荐信息不是被推荐的用户感兴趣的,与推荐用户关系密切的被推荐用户也可以更早地阅读到推荐用户所推荐的信息,增强了用户之间的交互程度。
进一步地,阅读应用服务器200所生成的推荐表中,除了包括用户基于关系链进行主动推荐的主动推荐信息,还包括应用服务器200自动推荐的隐式推荐信息,例如应用服务器200根据该用户的关系链上其他用户所阅读的热门文章推荐给该用户。如图22所示,上述网络信息的推荐方法还包括以下步骤:
步骤S160、周期性地统计所述用户的关系链上各好友的信息阅读情况;
步骤S170、根据所统计的所有好友的信息阅读情况,计算所述用户的关系链上各好友所阅读的信息的推荐值;
步骤S180、根据所计算的所述用户的关系链上各好友所阅读的信息的推荐值,形成所述用户的新的推荐表。
本实施例的推荐表形成方式为:根据所统计的所述用户的关系链上所有好友的信息阅读情况,然后计算所有好友所阅读的信息的推荐值,根据所统计的所有好友的信息的推荐值,以根据该计算的推荐值形成新的推荐表,并将该新的推荐表下发至该用户对应的阅读应用,从而可以实现将关系链上用户阅读量较高的信息推荐至该用户。
通过本发明实施例计算的推荐值所生成的推荐表,不但使得用户推荐的信息可以准确地推荐至关系链上真正感兴趣的好友进行阅读,提高了推荐效率。而且还可以使得关系链上各好友所阅读的信息,即使不是用户感兴趣的,用户也可能阅读到,从而增强了用户之间的交互程度,而且还可以增强用户的阅读能力。
进一步地,基于上述阅读应用服务器200分析获得的信息阅读标签或者用户所设置的信息阅读标签,阅读应用服务器200所生成的推荐表中还包括应用服务器200根据该用户的信息阅读标签而自动推荐给该用户的隐式推荐信息。如图23所示,上述网络信息的推荐方法还包括以下步骤:
步骤S190、根据所述用户的信息阅读标签,周期性地搜索与所述用户的信息阅读标签对应的信息;
步骤S200、计算搜索到的与所述用户的信息阅读标签对应的信息的推荐值;
步骤S210、根据所计算的与所述用户的信息阅读标签对应的信息的推荐值,形成所述用户的新的推荐表。
本实施例的推荐表形成方式为:周期性地搜索与所述用户的信息阅读标签对应的文章,然后计算搜索到的文章的推荐值,以根据该计算的推荐值形成新的推荐表,并将该新的推荐表下发至所述用户对应的阅读应用,从而实现了阅读应用的自动推荐,避免了不存在关系链的推荐信息时,用户仍然可以阅读到自己感兴趣的信息。
通过本发明实施例计算的推荐值所生成的推荐表,使得除了基于关系链的推荐信息外,阅读应用服务器200也可以自动推荐用户感兴趣的信息至用户,从而丰富了推荐内容。
进一步地,如图24所示,上述网络信息的推荐方法还可包括以下步骤:
步骤S220、接收关系链上的好友对用户所推荐的推荐信息的阅读响应,并将所述阅读响应发送至该用户对应的阅读应用。
当用户推荐的信息由阅读应用服务器200下发至关系链上的好友的推荐表中,且好友对其做出了响应时,阅读应用服务器200将接收好友所做出的响应,并将所述响应发送至推荐用户对应的阅读应用中。该响应可包括好友已经阅读过该推荐信息,或者该好友已经对其进行评论,或者该好友已经对其点过赞等等。
本发明实施例通过关系链的信息推荐,而且所推荐的信息的阅读情况也可以及时地反馈至推荐用户对应的阅读应用,从而进一步加强了用户之间的互动,也增强了好友推荐的积极性,进一步提高了用户的阅读效率。
进一步地,如图25所示,上述网络信息的推荐方法还可包括以下步骤:
步骤S230、统计预设周期内,用户的关系链上各好友的阅读行为数据以及用户自己的阅读行为数据,并对其进行统计分析,获得统计结果;
步骤S240、将所述统计结果发送至该关系链上的所有用户对应的阅读应用。
阅读应用服务器200将收集各阅读应用的用户的阅读行为数据,然后对所收集的数据进行统计并分析,可以获得本周期内推荐文章最多的用户信息,本周期内推荐文章得到反馈最多的用户信息,本周期内评论或最多的用户信息,本周期内点赞最多的用户信息,本周期内阅读得分最高的用户信息,关系链上本周期内最热的文章信息等等。阅读应用服务器200统计获得上述信息后,可以以图表形式展示给用户,也可以直接以上述列表信息的形式展示给用户。
本实施例通过对关系链上所有用户的阅读行为进行统计并分析,使得用户可以了解自己和关系链上的好友本周期内的总体阅读状态,不但提升了用户的阅读乐趣,而且还可以使用户发现更多的文章。
以上所述仅为本发明的优选实施例,并非因此限制其专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (12)
1.一种网络信息的推荐方法,其特征在于,所述网络信息的推荐方法包括以下步骤:
接收用户利用终端上的阅读应用所发送的推荐信息,其中,所述用户利用终端上的阅读应用所发送的推荐信息为,用户在阅读应用中通过推荐操作所发出的推荐信息;
获取与所述用户对应的关系链;
对于所述关系链上的每一个好友,计算所述推荐信息对于该好友的推荐值;其中,所述推荐信息对于该好友的推荐值体为:根据所述推荐信息的信息类型和/或推荐信息中提取的关键词与所述用户的关系链上的好友的信息阅读标签的匹配程度分配的权值、推荐信息的信息类型和/或推荐信息中提取的关键词与用户的关系链上某好友的信息阅读标签的匹配程度及所述推荐用户与该用户的关系链上的好友之间的交互情况分配的权值、推荐用户与关系链上该好友之间的交互情况进行加权计算,获得的所述推荐信息对于所述关系链上的各好友时,所述推荐信息的推荐值;
根据所述推荐信息对于该好友的推荐值,将所述推荐信息插入该好友的推荐表中的相应位置,形成该好友对应的新的推荐表;所述新的推荐表中包括多个用户发送的推荐信息、阅读应用通过学习而推荐的信息,以及基于统计的关系链上的各好友的信息阅读情况推荐的信息,所述新的推荐表中的推荐信息根据推荐值进行排序;其中,所述用户发送的推荐信息的权值大于所述阅读应用通过学习而推荐的信息的权值,所述阅读应用通过学习而推荐的信息的权值大于所述基于统计的关系链上的各好友的信息阅读情况推荐的信息的权值;权值越大,在所述推荐表的排序越靠前;
将所述新的推荐表下发至该好友的阅读应用。
2.如权利要求1所述的网络信息的推荐方法,其特征在于,所述网络信息的推荐方法还包括以下步骤:
周期性地统计所述用户的关系链上各好友的信息阅读情况;
根据所统计的各好友的信息阅读情况,计算所述用户的关系链上各好友所阅读的信息的推荐值;
根据所计算的所述用户的关系链上各好友所阅读的信息的推荐值,形成所述用户的新的推荐表。
3.如权利要求1所述的网络信息的推荐方法,其特征在于,所述网络信息的推荐方法还包括以下步骤:
根据所述用户的信息阅读标签,周期性地搜索与所述用户的信息阅读标签对应的信息;
计算搜索到的与所述用户的信息阅读标签对应的信息的推荐值;
根据所计算的与所述用户的信息阅读标签对应的信息的推荐值,形成所述用户的新的推荐表。
4.如权利要求1-3任一项所述的网络信息的推荐方法,其特征在于,所述网络信息的推荐方法还包括:
接收关系链上的好友对用户所推荐的推荐信息的阅读响应,并将所述阅读响应发送至该用户对应的阅读应用。
5.如权利要求1-3任一项所述的网络信息的推荐方法,其特征在于,所述网络信息的推荐方法还包括:
统计预设周期内,用户的关系链上各好友的阅读行为数据以及用户自己的阅读行为数据,并对其进行统计分析,获得统计结果;
将所述统计结果发送至该关系链上的所有用户对应的阅读应用。
6.一种网络信息的推荐装置,其特征在于,所述网络信息的推荐装置包括:
推荐信息接收模块,用于接收用户利用终端上的阅读应用所发送的推荐信息,其中,所述用户利用终端上的阅读应用所发送的推荐信息为,用户在阅读应用中通过推荐操作所发出的推荐信息;
关系链获取模块,用于获取与所述用户对应的关系链;
推荐值计算模块,用于对于所述关系链上的每一个好友,计算所述推荐信息对于所述关系链上的该好友的推荐值;其中,所述推荐信息对于该好友的推荐值体为:根据所述推荐信息的信息类型和/或推荐信息中提取的关键词与所述用户的关系链上的好友的信息阅读标签的匹配程度分配的权值、推荐信息的信息类型和/或推荐信息中提取的关键词与用户的关系链上某好友的信息阅读标签的匹配程度及所述推荐用户与该用户的关系链上的好友之间的交互情况分配的权值、推荐用户与关系链上该好友之间的交互情况进行加权计算,获得的所述推荐信息对于所述关系链上的各好友时,所述推荐信息的推荐值;
推荐表生成模块,用于根据所述推荐信息对于该好友的推荐值,将所述推荐信息插入该好友的推荐表中的相应位置,形成该好友对应的新的推荐表;所述新的推荐表中包括多个用户发送的推荐信息、阅读应用通过学习而推荐的信息,以及基于统计的关系链上的各好友的信息阅读情况推荐的信息,所述新的推荐表中的推荐信息根据推荐值进行排序;其中,所述用户发送的推荐信息的权值大于所述阅读应用通过学习而推荐的信息的权值,所述阅读应用通过学习而推荐的信息的权值大于所述基于统计的关系链上的各好友的信息阅读情况推荐的信息的权值;权值越大,在所述推荐表的排序越靠前;
推荐表下发模块,用于将所述新的推荐表下发至该好友的阅读应用。
7.如权利要求6所述的网络信息的推荐装置,其特征在于,所述推荐值计算模块包括:
阅读统计单元,用于周期性地统计所述用户的关系链上各好友的信息阅读情况;
第三计算单元,用于根据所统计的各好友的信息阅读情况,计算所述用户的关系链上各好友所阅读的信息的推荐值;
所述推荐表生成模块还用于:根据所计算的所述用户的关系链上各好友所阅读的信息的推荐值,形成所述用户的新的推荐表。
8.如权利要求6所述的网络信息的推荐装置,其特征在于,所述推荐值计算模块包括:
信息搜索单元,用于根据所述用户的信息阅读标签,周期性地搜索与所述用户的信息阅读标签对应的信息;
第四计算单元,用于计算搜索到的与所述用户的信息阅读标签对应的信息的推荐值;
所述推荐表生成模块还用于:根据所计算的与所述用户的信息阅读标签对应的信息的推荐值,形成所述用户的新的推荐表。
9.如权利要求6-8任一项所述的网络信息的推荐装置,其特征在于,所述网络信息的推荐装置还包括:
推荐信息响应模块,用于接收关系链上的好友对用户所推荐的推荐信息的阅读响应,并将所述阅读响应发送至该用户对应的阅读应用。
10.如权利要求6-8任一项所述的网络信息的推荐装置,其特征在于,所述网络信息的推荐装置还包括:
信息统计模块,用于统计预设周期内,用户的关系链上各好友的阅读行为数据以及用户自己的阅读行为数据,并对其进行统计分析,获得统计结果,然后将所述统计结果发送至该关系链上的所有用户对应的阅读应用。
11.一种网络信息的阅读系统,其特征在于,包括移动终端及阅读应用服务器,所述移动终端上安装有阅读应用,所述阅读应用通过移动终端与所述阅读应用服务器进行通讯;所述阅读应用服务器包括如权利要求6-10任一项所述的推荐装置。
12.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1-5中任一项所述的网络信息的推荐方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410605949.4A CN105635210B (zh) | 2014-10-30 | 2014-10-30 | 网络信息的推荐方法及装置、阅读系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410605949.4A CN105635210B (zh) | 2014-10-30 | 2014-10-30 | 网络信息的推荐方法及装置、阅读系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105635210A CN105635210A (zh) | 2016-06-01 |
CN105635210B true CN105635210B (zh) | 2021-04-27 |
Family
ID=56049696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410605949.4A Active CN105635210B (zh) | 2014-10-30 | 2014-10-30 | 网络信息的推荐方法及装置、阅读系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105635210B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893487B (zh) * | 2016-03-29 | 2019-03-12 | 网易(杭州)网络有限公司 | 一种阅读互动方法和装置 |
CN106254208B (zh) * | 2016-06-22 | 2019-11-15 | 中国联合网络通信集团有限公司 | 社交功能信息排序方法及终端 |
CN107766361A (zh) * | 2016-08-17 | 2018-03-06 | 腾讯科技(深圳)有限公司 | 向目标用户推荐书籍的方法及装置 |
CN106341312B (zh) * | 2016-09-29 | 2020-06-02 | 中国联合网络通信集团有限公司 | 社交信息显示方法、系统和服务器 |
CN110781404A (zh) * | 2019-09-26 | 2020-02-11 | 平安科技(深圳)有限公司 | 好友关系链匹配方法、系统、计算机设备及可读存储介质 |
CN111914187B (zh) * | 2020-07-23 | 2023-09-08 | 向杰 | 一种商品推荐及推荐关系链跟踪的方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100530185C (zh) * | 2006-10-27 | 2009-08-19 | 北京搜神网络技术有限责任公司 | 基于网络行为的个性化推荐方法和系统 |
US8417698B2 (en) * | 2008-05-06 | 2013-04-09 | Yellowpages.Com Llc | Systems and methods to provide search based on social graphs and affinity groups |
CN101520791A (zh) * | 2008-12-26 | 2009-09-02 | 候万春 | 一种实现博客把其博文推送到其好友的系统和方法 |
CN101771957B (zh) * | 2008-12-26 | 2012-10-03 | 中国移动通信集团公司 | 一种用户兴趣点确定方法与装置 |
CN102110098B (zh) * | 2009-12-25 | 2016-04-13 | 腾讯科技(深圳)有限公司 | 网络信息推荐方法及系统 |
CN102611785B (zh) * | 2011-01-20 | 2014-04-02 | 北京邮电大学 | 面向手机的移动用户个性化新闻主动推荐服务系统及方法 |
CN103164450A (zh) * | 2011-12-15 | 2013-06-19 | 腾讯科技(深圳)有限公司 | 一种向目标用户推送信息的方法及装置 |
CN103166930B (zh) * | 2011-12-15 | 2016-04-13 | 腾讯科技(深圳)有限公司 | 推送网络信息的方法和系统 |
CN102855542A (zh) * | 2012-07-19 | 2013-01-02 | 周宇 | “学习基因”个体学习能力测评方法 |
CN103823908B (zh) * | 2014-03-21 | 2017-07-14 | 北京飞流九天科技有限公司 | 基于用户偏好的内容推荐方法和服务器 |
-
2014
- 2014-10-30 CN CN201410605949.4A patent/CN105635210B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105635210A (zh) | 2016-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105635210B (zh) | 网络信息的推荐方法及装置、阅读系统 | |
US11128582B2 (en) | Emoji recommendation method and apparatus | |
US11727048B2 (en) | Methods, systems, and media for presenting recommended content based on social cues | |
CN106357517B (zh) | 定向标签生成方法及装置 | |
US11252245B2 (en) | Information pushing method and device | |
CN106302085B (zh) | 即时通讯群组的推荐方法及系统 | |
JP5571145B2 (ja) | 広告配信装置および広告配信方法 | |
CN114448921B (zh) | 基于社交关系链的信息展示方法、装置及服务器 | |
CN106341312B (zh) | 社交信息显示方法、系统和服务器 | |
CN104750760B (zh) | 一种推荐应用软件的实现方法及装置 | |
CN103714471A (zh) | 二维码调查方法及系统 | |
CN105574182A (zh) | 一种新闻推荐方法和装置、一种用于新闻推荐的装置 | |
CN105740481A (zh) | 搜索推荐方法和装置 | |
CN106487655B (zh) | 一种消息交互方法、装置及处理服务器 | |
CN105447149A (zh) | 一种用于网络搜索的交互方法、装置及电子设备 | |
KR101559719B1 (ko) | 효과적인 마케팅을 도출하는 자동학습 시스템 및 방법 | |
CN106649781B (zh) | 应用推荐方法及装置 | |
CN110162691B (zh) | 在线内容服务中的话题推荐、运营方法、装置和机器设备 | |
US8825698B1 (en) | Showing prominent users for information retrieval requests | |
Zhang et al. | A novel social situation analytics-based recommendation algorithm for multimedia social networks | |
CN112650946A (zh) | 产品信息的推荐方法、装置、系统及存储介质 | |
WO2020135420A1 (zh) | 对用户进行分类的方法和装置 | |
CN110874639A (zh) | 操作信息的获取方法及装置 | |
KR20140054136A (ko) | 마이크로블로그에서의 검색 방법, 시스템 및 컴퓨터 저장 매체 | |
US10776438B2 (en) | Information providing system, information providing server, information providing method, and program for information providing system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |