CN105809558A - 基于社交网络的推荐方法和装置 - Google Patents

基于社交网络的推荐方法和装置 Download PDF

Info

Publication number
CN105809558A
CN105809558A CN201610147519.1A CN201610147519A CN105809558A CN 105809558 A CN105809558 A CN 105809558A CN 201610147519 A CN201610147519 A CN 201610147519A CN 105809558 A CN105809558 A CN 105809558A
Authority
CN
China
Prior art keywords
user
content recommendation
recommendation
influence
tag
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.)
Pending
Application number
CN201610147519.1A
Other languages
English (en)
Inventor
王建明
史光辉
卢东东
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201610147519.1A priority Critical patent/CN105809558A/zh
Publication of CN105809558A publication Critical patent/CN105809558A/zh
Priority to PCT/CN2017/074500 priority patent/WO2017157149A1/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • 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
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G06F16/9562—Bookmark management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提出了一种基于社交网络的推荐方法，所述方法包括：获取用户标签，根据所述用户标签计算用户对推荐内容的转化率，获取用户的社交关系，根据所述社交关系计算用户对所述推荐内容的社交影响度，根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度预测用户对所述推荐内容的转化影响力，根据所述用户对所述推荐内容的转化影响力进行推荐。该方法不但考虑了推荐的个体效应即用户对推荐内容的转化率，还考虑了推荐的群体效应，扩大了推荐的范围，降低了推荐的成本。此外，还提出了一种基于社交网络的推荐装置。

Description

基于社交网络的推荐方法和装置
技术领域
本发明涉及计算机处理领域，特别是涉及一种基于社交网络的推荐方法和装置。
背景技术
随着互联网的发展，人们的生活越来越多的与互联网紧密联系在了一起。越来越多的商家为了促进商品的销售，会通过网络将产品推荐给潜在用户。传统的将产品推荐给用户往往只考虑了推荐的个体效应，即往往只是根据用户个人偏好为当前用户推荐可能感兴趣的信息或者商品，这样由于每次推荐针对的范围小，导致推荐的成本高。
发明内容
基于此，为了解决上述推荐成本高的问题，提出了一种基于社交网络的推荐方法和装置。
一种基于社交网络的推荐方法，所述方法包括以下步骤：获取用户标签；根据所述用户标签计算用户对推荐内容的转化率；获取用户的社交关系；根据所述社交关系计算用户对所述推荐内容的社交影响度；根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度确定用户对所述推荐内容的转化影响力；根据所述用户对所述推荐内容的转化影响力进行推荐。
在其中一个实施例中，所述根据所述用户标签计算用户对推荐内容的转化率的步骤包括：获取用户标签的初始权重；计算用户标签对推荐内容的影响权重；根据所述初始权重和所述影响权重计算用户对所述推荐内容的转化率。
在其中一个实施例中，所述计算用户标签对推荐内容的影响权重的步骤为：采用TF-idf算法计算用户标签对推荐内容的影响权重。
在其中一个实施例中，所述根据所述社交关系计算用户对所述推荐内容的社交影响度的步骤包括：根据所述用户标签计算用户在所述推荐内容上对社交关系中的每个用户的影响度；根据计算得到的用户在所述推荐内容上对社交关系中的每个用户的影响度，计算用户对所述推荐内容的社交影响度。
在其中一个实施例中，所述根据所述用户对所述推荐内容的转化影响力进行推荐的步骤包括：判断得到的所述用户对所述推荐内容的转化影响力是否大于预设的阈值；若是，则将所述推荐内容推荐给所述用户。
一种基于社交网络的推荐装置，所述装置包括：第一获取模块，用于获取用户标签；第一计算模块，用于根据所述用户标签计算用户对推荐内容的转化率；第二获取模块，用于获取用户的社交关系；第二计算模块，用于根据所述社交关系计算用户对所述推荐内容的社交影响度；确定模块，用于根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度确定用户对所述推荐内容的转化影响力；推荐模块，用于根据所述用户对所述推荐内容的转化影响力进行推荐。
在其中一个实施例中，所述第一计算模块包括：初始权重获取模块，用于获取用户标签的初始权重；影响权重计算模块，计算用户标签对推荐内容的影响权重；转化率计算模块，用于根据所述初始权重和所述影响权重计算用户对所述推荐内容的转化率。
在其中一个实施例中，所述影响权重计算模块还用于采用TF-idf算法计算用户标签对推荐内容的影响权重。
在其中一个实施例中，所述第二计算模块包括：影响度计算模块，根据所述用户标签计算用户在所述推荐内容上对社交关系中的每个用户的影响度；社交影响度计算模块，根据计算得到的用户在所述推荐内容上对社交关系中的每个用户的影响度，计算用户对所述推荐内容的社交影响度。
在其中一个实施例中，所述推荐模块还用于判断得到的所述用户对所述推荐内容的转化影响力是否大于预设的阈值，若是，则将所述推荐内容推荐给所述用户。
上述基于社交网络的推荐方法和装置，通过获取用户标签，根据所述用户标签计算用户对推荐内容的转化率，获取用户的社交关系，根据所述社交关系计算用户对所述推荐内容的社交影响度，根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度确定用户对所述推荐内容的转化影响力，根据所述用户对所述推荐内容的转化影响力进行推荐。通过计算用户对推荐内容的转化率和用户对推荐内容的社交影响力预测用户对推荐内容的转化影响力，最终根据得到的转化影响力进行推荐。该方法不但考虑了推荐的个体效应即用户对推荐内容的转化率，还考虑了推荐的群体效应，即用户对推荐内容在社交关系中的影响力，也就是说，推荐内容的投放不仅是针对用户个人，更是针对用户的社交圈，扩大了推荐的范围，降低了推荐的成本。
附图说明
图1为一个实施例中基于社交网络的推荐方法的流程图；
图2为一个实施例中计算用户对推荐内容的转化率的方法流程图；
图3为一个实施例中计算用户对推荐内容的社交影响度的方法流程图；
图4为一个实施例中对社交关系中的用户影响度的示意图；
图5为一个实施例中进行推荐的方法流程图；
图6为一个实施例中基于社交网络的推荐装置的结构框图；
图7为一个实施例中第一计算模块的结构框图；
图8为一个实施例中第二计算模块的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
如图1所示，在一个实施例中，提出了一种基于社交网络的推荐方法，该方法包括以下步骤：
步骤102，获取用户标签。
具体的，用户标签分为静态标签和动态标签。其中，静态标签包括：性别、年龄、职业等用户的固有属性，动态标签是通过用户浏览、点击、购买、发布动态等动态行为生成的标签，比如，根据用户浏览7k7k游戏，水果忍者游戏，生成小游戏标签；根据购买化妆品，生成购物、女性等标签；用户的动态标签往往会随着时间衰减，所以动态标签会随时间按小时、按天数更新。用户标签实际上代表的是用户的特征，用户标签的生成也就是用户特征的生成。
步骤104，根据用户标签计算用户对推荐内容的转化率。
在本实施例中，用户对推荐内容的转化率就是指用户对推荐内容的关注或者购买的可能概率。这里的推荐内容可以是产品信息、也可以是新闻信息，还可以是其他信息，可以根据不同的需要设置不同的推荐内容。具体的，如果推荐内容只有一个产品的话，可以直接使用用户标签作为特征，利用之前已有的转化数据作为模板，用机器学习的算法进行预测其他用户的转化率。若是有多个产品，则分别计算针对不同产品的转化率，针对不同的产品，对用户的标签T算出一个权重，W(T,C)，其中，C代表产品；再用W(T,C)来替换之前的用户标签特征，进行机器学习的训练和预测。不同的业务场景，转化的定义可能不同，有的可能点击推荐内容就算转化，有的是注册为会员或者进行了产品的购买才算是转化，转化的定义可以根据业务方或者广告方自行设定。根据用户标签计算用户对推荐内容的转化率就是判断当前用户是否是该推荐内容的潜在用户，比如，假设推荐内容是一款化妆品，该化妆品的潜在用户一般集中在20-30岁的女性，那么通过获取的用户标签来计算当前用户购买该化妆品的概率即用户对该化妆品的转化率，如果该用户标签中有女性，20-30岁，购物等标签，那么该用户购买该化妆品的概率就比较高，如果用户标签为男性、游戏等标签，那么该用户购买该化妆品的概率就比较低。
步骤106，获取用户的社交关系。
具体的，用户的社交关系分为静态社交关系和动态社交关系。静态社交关系就是不考虑用户动作情况下的用户关系，比如社交关系中用户的好友关系，关注被关注关系等。动态社交关系就是用户动作相关联的数据，比如，用户发布或者分享信息影响到好友进行评论、点赞、转发等。
步骤108，根据社交关系计算用户对推荐内容的社交影响度。
在本实施例中，用户对推荐内容的社交影响度就是指该用户对社交关系中的其他用户在推荐内容上的影响度，也就是说，用户对推荐内容关注或者购买后，其社交关系中的其他用户看到该用户关注或者购买后，也进行关注或者购买的概率。根据用户的社交关系计算用户对推荐内容的社交影响力具体是通过计算用户对社交关系中的每个用户的影响度，根据计算得到的用户在推荐内容上对每个用户的影响度估算用户在整个社交关系中的社交影响力。比如，计算用户U对用户A的影响度，可以通过用户U和用户A的静态关系*动态关系来计算。其中，静态关系为：用户U具有标签T后，A相应也具有标签T。动态关系为U具有某种动作后，A也相应有某种动作。
步骤110，根据用户对推荐内容的转化率和用户对推荐内容的社交影响度计算用户对推荐内容的转化影响力。
具体的，用户对推荐内容的转化影响力反应了当前用户对推荐内容的感兴趣度以及当前用户在该推荐内容上的影响度。根据计算得到的用户对推荐内容的转化率即用户关注或购买该推荐内容的概率和用户对推荐内容的社交影响度即影响其他用户关注或购买该推荐内容的概率，计算用户对推荐内容的转化影响力。
步骤112，根据用户对推荐内容的转化影响力进行推荐。
具体的，用户对推荐内容的转化影响力反应了当前用户对推荐内容的感兴趣度和对该推荐内容的传播能力。用户对推荐内容的转化影响力越大，说明该用户对推荐内容的感兴趣度和对该内容的传播能力越大，对该用户进行推荐达到的效果就越好，反之，则推荐效果不好。
在本实施例中，基于社交网络的推荐方法通过获取用户标签，根据所述用户标签计算用户对推荐内容的转化率，获取用户的社交关系，根据所述社交关系计算用户对所述推荐内容的社交影响度，根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度预测用户对所述推荐内容的转化影响力，根据所述用户的转化影响力进行推荐。通过计算用户对推荐内容的转化率和用户对推荐内容的社交影响力预测用户对推荐内容的转化影响力，最终根据得到的转化影响力进行推荐。该方法不但考虑了推荐的个体效应即用户对推荐内容的转化率，还考虑了推荐的群体效应，即用户对推荐内容在社交关系中的影响度，也就是说，推荐内容的投放不仅是针对用户个人，更是针对用户的社交圈，扩大了推荐的范围，降低了推荐的成本。
如图2所示，在一个实施例中，根据用户标签计算用户对推荐内容的转化率的步骤104包括：
步骤104a，获取用户标签的初始权重。
具体的，一个用户往往对应多个用户标签，而用户对不同事物的感兴趣度不同，所以每个用户标签所占的权重也是不同的。获取用户标签的初始权重，也就是获取用户的具体特征。用户标签的初始权重如表1所示。
步骤104b，计算用户标签对推荐内容的影响权重。
具体的，对于不同的推荐内容，每个用户标签的影响权重不同。针对不同的推荐内容，首先要计算每个用户标签对该推荐内容的影响权重。比如，如果推荐的内容为高跟鞋，那么用户标签中的女性、购物标签所占的权重要大一些。计算用户标签的影响权重可以采用TF-idf(termfrequency-inversedocumentfrequency，词频-逆向文件频率)算法。
步骤104c，根据初始权重和影响权重计算用户对推荐内容的转化率。
在本实施例中，根据用户标签的初始权重和用户标签对推荐内容的影响权重确定用户对推荐内容的转化率即预测用户转化该推荐内容的概率。具体的，用户标签的初始权重为Weight(U，T_i)，其中U代表用户，T_i代表标签，i为自然数。计算得到的用户标签对推荐内容的影响权重为W(T_i，C)，其中，C代表推荐内容。用户标签的初始权重Weight(U，T_i)和用户标签对推荐内容的影响权重W(T_i，C)构成了用户U的特征向量，具体表示为：用户U的特征向量＝[Weight(U，T_0)*W(T_0，C)，Weight(U，T_1)*W(T_1，C)，Weight(U，T_2)*W(T_2，C)，……]，根据已有的样本数据即之前大量具有相同或相似的用户标签的用户是否关注或购买推荐内容作为模板进行机器训练，用训练出的模型，根据用户的特征向量进行回归学习得到用户对推荐内容的转化率。
在一个实施例中，计算用户标签对推荐内容的影响权重的步骤为：采用TF-idf算法计算用户标签对推荐内容的影响权重。
具体的，计算用户标签对推荐内容的影响权重采用TF-idf(词频-逆向文件频率)算法，词频指的是某一个给定的词语在该文件中出现的频率，这个数字是对词数的归一化，以防止它偏向长的文件。逆向文件频率是一个词语普遍重要性的度量。某一特定文件内的高词语频率，以及该词语在整个文件集合中的低文件频率可以产生高权重的TF-idf值。
如图3所示，在一个实施例中，根据社交关系计算用户对推荐内容的社交影响度的步骤包括：
步骤108a，根据用户标签计算用户在推荐内容上对社交关系中的每个用户的影响度。
在本实施例中，一个用户的社交关系中往往有多个好友关系，分别计算用户对社交关系中的每个用户的影响度。具体的，用机器学习的算法计算用户U对其他用户在产品P上的关系程度，比如，计算用户U对用户A在产品P上的影响度Act(U，A，P)，用户U对用户A标签关联的特征向量为：[Act(U，A，T_0)，Act(U，A，T_1)，Act(U，A，T_2)，……]，以已有的数据模板，判断用户U发布或者分享产品P的信息后，用户A是否转换，用训练数据建立的模型对用户U的所有好友边的特征向量进行回归学习得到Act(U，A，P)，如图4所示，在一个实施例中，用户U对好友A、B、C在产品P上的影响度的示意图，其中，用户U对自身的影响度为1，即Act(U，U，P)＝1。
步骤108b，根据计算得到的用户在推荐内容上对社交关系中的每个用户的影响度，计算用户对推荐内容的社交影响度。
在本实施例中，通过计算得到用户在推荐内容上对社交关系中的每个用户的影响度计算用户对推荐内容的社交影响度，具体的，用户对推荐内容的社交影响度可以表示为对社交关系中的各个用户的影响度之和ΣAct(U，A_i，P)。其中，i为自然数，分别表示不同的用户A_0，A_1，A_2，……。
如图5所示，在一个实施例中，根据用户对推荐内容的转化影响力进行推荐的步骤包括：
步骤112a，判断得到的用户对推荐内容的转化影响力是否大于预设的阈值，若是，则进入步骤112b，若否，则结束。
具体的，通过计算得到用户对推荐内容的转化影响力后，判断得到的用户对推荐内容的转化影响力是否大于预设的阈值，若是，则将推荐内容推荐给该用户，若否，则不推荐。
步骤112b，将推荐内容推荐给用户。
具体的，当用户对推荐内容的转化影响力大于设定的预设阈值时，则将推荐内容推荐给该用户。在本实施例中，通过考虑用户的个性效应及其群体效应进行推荐，扩大了每次推荐的范围，节省了推荐成本。
如图6所示，在一个实施例中，提出了一种基于社交网络的推荐装置，该装置包括：
第一获取模块602，用于获取用户标签。
具体的，用户标签分为静态标签和动态标签。其中，静态标签包括：性别、年龄、职业等用户的固有属性，动态标签是通过用户浏览、点击、购买、发布动态等动态行为生成的标签，比如，根据用户浏览7k7k游戏，水果忍者游戏，生成小游戏标签；根据购买化妆品，生成购物、女性等标签；用户的动态标签往往会随着时间衰减，所以动态标签会随时间按小时、按天数更新。用户标签实际上代表的是用户的特征，用户标签的生成也就是用户特征的生成。
第一计算模块604，用于根据用户标签计算用户对推荐内容的转化率。
在本实施例中，用户对推荐内容的转化率就是指用户对推荐内容的关注或者购买的可能概率。这里的推荐内容可以是产品信息、也可以是新闻信息，还可以是其他信息，可以根据不同的需要设置不同的推荐内容。具体的，如果推荐内容只有一个产品的话，可以直接使用用户标签作为特征，利用之前已有的转化数据作为模板，用机器学习的算法进行预测其他用户的转化率。若是有多个产品，则分别计算针对不同产品的转化率，针对不同的产品，对用户的标签T算出一个权重，W(T,C)，其中，C代表产品；再用W(T,C)来替换之前的用户标签特征，进行机器学习的训练和预测。不同的业务场景，转化的定义可能不同，有的可能点击推荐内容就算转化，有的是注册为会员或者进行了产品的购买才算是转化，转化的定义可以根据业务方或者广告方自行设定。根据用户标签计算用户对推荐内容的转化率就是判断当前用户是否是该推荐内容的潜在用户，比如，假设推荐内容是一款化妆品，该化妆品的潜在用户一般集中在20-30岁的女性，那么通过获取的用户标签来计算当前用户购买该化妆品的概率即用户对该化妆品的转化率，如果该用户标签中有女性，20-30岁，购物等标签，那么该用户购买该化妆品的概率就比较高，如果用户标签为男性、游戏等标签，那么该用户购买该化妆品的概率就比较低。
第二获取模块606，用于获取用户的社交关系。
具体的，用户的社交关系分为静态社交关系和动态社交关系。静态社交关系就是不考虑用户动作情况下的用户关系，比如社交关系中用户的好友关系，关注被关注关系等。动态社交关系就是用户动作相关联的数据，比如，用户发布或者分享信息影响到好友进行评论、点赞、转发等。
第二计算模块608，用于根据社交关系计算用户对推荐内容的社交影响度。
在本实施例中，用户对推荐内容的社交影响度就是指该用户对社交关系中的其他用户在推荐内容上的影响度，也就是说，用户对推荐内容关注或者购买后，其社交关系中的其他用户看到该用户关注或者购买后，也进行关注或者购买的概率。根据用户的社交关系计算用户对推荐内容的社交影响力具体是通过计算用户对社交关系中的每个用户的影响度，根据计算得到的用户在推荐内容上对每个用户的影响度估算用户在整个社交关系中的社交影响力。比如，计算用户U对用户A的影响度，可以通过用户U和用户A的静态关系*动态关系来计算。其中，静态关系为：用户U具有标签T后，A相应也具有标签T。动态关系为U具有某种动作后，A也相应有某种动作。
确定模块610，用于根据用户对所述推荐内容的转化率和用户对推荐内容的社交影响度确定用户对推荐内容的转化影响力。
具体的，用户对推荐内容的转化影响力反应了当前用户对推荐内容的感兴趣度以及当前用户在该推荐内容上的影响度。根据计算得到的用户对推荐内容的转化率即用户关注或购买该推荐内容的概率和用户对推荐内容的社交影响度即影响其他用户关注或购买该推荐内容的概率，计算用户对推荐内容的转化影响力。
推荐模块612，用于根据用户对推荐内容的转化影响力进行推荐。
具体的，用户对推荐内容的转化影响力反应了当前用户对推荐内容的感兴趣度和对该推荐内容的传播能力。用户对推荐内容的转化影响力越大，说明该用户对推荐内容的感兴趣度和对该内容的传播能力越大，对该用户进行推荐达到的效果就越好，反之，则推荐效果不好。
在本实施例中，基于社交网络的推荐方法通过获取用户标签，根据所述用户标签计算用户对推荐内容的转化率，获取用户的社交关系，根据所述社交关系计算用户对所述推荐内容的社交影响度，根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度预测用户对所述推荐内容的转化影响力，根据所述用户的转化影响力进行推荐。通过计算用户对推荐内容的转化率和用户对推荐内容的社交影响力预测用户对推荐内容的转化影响力，最终根据得到的转化影响力进行推荐。该方法不但考虑了推荐的个体效应即用户对推荐内容的转化率，还考虑了推荐的群体效应，即用户对推荐内容在社交关系中的影响度，也就是说，推荐内容的投放不仅是针对用户个人，更是针对用户的社交圈，扩大了推荐的范围，降低了推荐的成本。
如图7所示，在一个实施例中，第一计算模块604包括：
初始权重获取模块604a，用于获取用户标签的初始权重。
具体的，一个用户往往对应多个用户标签，而用户对不同事物的感兴趣度不同，所以每个用户标签所占的权重也是不同的。获取用户标签的初始权重，也就是获取用户的具体特征。用户标签的初始权重如表1所示。
影响权重计算模块604b，计算用户标签对推荐内容的影响权重。
具体的，对于不同的推荐内容，每个用户标签的影响权重不同。针对不同的推荐内容，首先要计算每个用户标签对该推荐内容的影响权重。比如，如果推荐的内容为高跟鞋，那么用户标签中的女性、购物标签所占的权重要大一些。计算用户标签的影响权重可以采用TF-idf(termfrequency-inversedocumentfrequency，词频-逆向文件频率)算法。
转化率计算模块604c，用于根据初始权重和所述影响权重计算用户对推荐内容的转化率。
在本实施例中，根据用户标签的初始权重和用户标签对推荐内容的影响权重确定用户对推荐内容的转化率即预测用户转化该推荐内容的概率。具体的，用户标签的初始权重为Weight(U，T_i)，其中U代表用户，T_i代表标签，i为自然数。计算得到的用户标签对推荐内容的影响权重为W(T_i，C)，其中，C代表推荐内容。用户标签的初始权重Weight(U，T_i)和用户标签对推荐内容的影响权重W(T_i，C)构成了用户U的特征向量，具体表示为：用户U的特征向量＝[Weight(U，T_0)*W(T_0，C)，Weight(U，T_1)*W(T_1，C)，Weight(U，T_2)*W(T_2，C)，……]，根据已有的样本数据即之前大量具有相同或相似的用户标签的用户是否关注或购买推荐内容作为模板进行机器训练，用训练出的模型，根据用户的特征向量进行回归学习得到用户对推荐内容的转化率。
在一个实施例中，所述影响权重计算模块还用于采用TF-idf算法计算用户标签对推荐内容的影响权重。
具体的，计算用户标签对推荐内容的影响权重采用TF-idf(词频-逆向文件频率)算法，词频指的是某一个给定的词语在该文件中出现的频率，这个数字是对词数的归一化，以防止它偏向长的文件。逆向文件频率是一个词语普遍重要性的度量。某一特定文件内的高词语频率，以及该词语在整个文件集合中的低文件频率可以产生高权重的TF-idf值。
如图8所示，在一个实施例中，第二计算模块608包括：
影响度计算模块608a，根据用户标签计算用户在推荐内容上对社交关系中的每个用户的影响度。
在本实施例中，一个用户的社交关系中往往有多个好友关系，分别计算用户对社交关系中的每个用户的影响度。具体的，用机器学习的算法计算用户U对其他用户在产品P上的关系程度，比如，计算用户U对用户A在产品P上的影响度Act(U，A，P)，用户U对用户A标签关联的特征向量为：[Act(U，A，T_0)，Act(U，A，T_1)，Act(U，A，T_2)，……]，以已有的数据模板，判断用户U发布或者分享产品P的信息后，用户A是否转换，用训练数据建立的模型对用户U的所有好友边的特征向量进行回归学习得到Act(U，A，P)，如图4所示，在一个实施例中，用户U对好友A、B、C在产品P上的影响度的示意图，其中，用户U对自身的影响度为1，即Act(U，U，P)＝1。
社交影响度计算模块608b，根据计算得到的用户在推荐内容上对社交关系中的每个用户的影响度，计算用户对推荐内容的社交影响度。
在本实施例中，通过计算得到用户在推荐内容上对社交关系中的每个用户的影响度计算用户对推荐内容的社交影响度，具体的，用户对推荐内容的社交影响度可以表示为对社交关系中的各个用户的影响度之和ΣAct(U，A_i，P)。其中，i为自然数，分别表示不同的用户A_0，A_1，A_2，……。
在一个实施例中，推荐模块612还用于判断得到的用户对推荐内容的转化影响力是否大于预设的阈值，若是，则将推荐内容推荐给所述用户。
具体的，通过计算得到用户对推荐内容的转化影响力后，判断得到的用户对推荐内容的转化影响力是否大于预设的阈值，若是，则将推荐内容推荐给该用户，若否，则不推荐。在本实施例中，通过考虑用户的个性效应及其群体效应进行推荐，扩大了每次推荐的范围，节省了推荐成本。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于社交网络的推荐方法，所述方法包括以下步骤：
获取用户标签；
根据所述用户标签计算用户对推荐内容的转化率；
获取用户的社交关系；
根据所述社交关系计算用户对所述推荐内容的社交影响度；
根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度确定用户对所述推荐内容的转化影响力；
根据所述用户对所述推荐内容的转化影响力进行推荐。
2.根据权利要求1所述的方法，其特征在于，所述根据所述用户标签计算用户对推荐内容的转化率的步骤包括：
获取用户标签的初始权重；
计算用户标签对推荐内容的影响权重；
根据所述初始权重和所述影响权重计算用户对所述推荐内容的转化率。
3.根据权利要求2所述的方法，其特征在于，所述计算用户标签对推荐内容的影响权重的步骤为：采用TF-idf算法计算用户标签对推荐内容的影响权重。
4.根据权利要求1所述的方法，其特征在于，所述根据所述社交关系计算用户对所述推荐内容的社交影响度的步骤包括：
根据所述用户标签计算用户在所述推荐内容上对社交关系中的每个用户的影响度；
根据计算得到的用户在所述推荐内容上对社交关系中的每个用户的影响度，计算用户对所述推荐内容的社交影响度。
5.根据权利要求1所述的方法，其特征在于，所述根据所述用户对所述推荐内容的转化影响力进行推荐的步骤包括：
判断得到的所述用户对所述推荐内容的转化影响力是否大于预设的阈值；
若是，则将所述推荐内容推荐给所述用户。
6.一种基于社交网络的推荐装置，其特征在于，所述装置包括：
第一获取模块，用于获取用户标签；
第一计算模块，用于根据所述用户标签计算用户对推荐内容的转化率；
第二获取模块，用于获取用户的社交关系；
第二计算模块，用于根据所述社交关系计算用户对所述推荐内容的社交影响度；
确定模块，用于根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度确定用户对所述推荐内容的转化影响力；
推荐模块，用于根据所述用户对所述推荐内容的转化影响力进行推荐。
7.根据权利要求6所述的装置，其特征在于，所述第一计算模块包括：
初始权重获取模块，用于获取用户标签的初始权重；
影响权重计算模块，计算用户标签对推荐内容的影响权重；
转化率计算模块，用于根据所述初始权重和所述影响权重计算用户对所述推荐内容的转化率。
8.根据权利要求7所述的装置，其特征在于，所述影响权重计算模块还用于采用TF-idf算法计算用户标签对推荐内容的影响权重。
9.根据权利要求6所述的装置，其特征在于，所述第二计算模块包括：
影响度计算模块，根据所述用户标签计算用户在所述推荐内容上对社交关系中的每个用户的影响度；
社交影响度计算模块，根据计算得到的用户在所述推荐内容上对社交关系中的每个用户的影响度，计算用户对所述推荐内容的社交影响度。
10.根据权利要求6所述的装置，其特征在于，所述推荐模块还用于判断得到的所述用户对所述推荐内容的转化影响力是否大于预设的阈值，若是，则将所述推荐内容推荐给所述用户。
CN201610147519.1A 2016-03-15 2016-03-15 基于社交网络的推荐方法和装置 Pending CN105809558A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201610147519.1A CN105809558A (zh) 2016-03-15 2016-03-15 基于社交网络的推荐方法和装置
PCT/CN2017/074500 WO2017157149A1 (zh) 2016-03-15 2017-02-23 基于社交网络的推荐方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610147519.1A CN105809558A (zh) 2016-03-15 2016-03-15 基于社交网络的推荐方法和装置

Publications (1)

Publication Number Publication Date
CN105809558A true CN105809558A (zh) 2016-07-27

Family

ID=56468420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610147519.1A Pending CN105809558A (zh) 2016-03-15 2016-03-15 基于社交网络的推荐方法和装置

Country Status (2)

Country Link
CN (1) CN105809558A (zh)
WO (1) WO2017157149A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017157149A1 (zh) * 2016-03-15 2017-09-21 平安科技（深圳）有限公司 基于社交网络的推荐方法、装置、服务器及存储介质
CN108305181A (zh) * 2017-08-31 2018-07-20 腾讯科技（深圳）有限公司 社交影响力确定、信息投放方法及装置、设备及存储介质
CN109118379A (zh) * 2017-06-22 2019-01-01 腾讯科技（深圳）有限公司 基于社交网络的推荐方法和装置
CN109241427A (zh) * 2018-09-04 2019-01-18 中国平安人寿保险股份有限公司 信息推送方法、装置、计算机设备和存储介质
CN109948037A (zh) * 2017-11-24 2019-06-28 腾讯科技（深圳）有限公司 信息投放方法、装置及存储设备
CN110399185A (zh) * 2018-04-24 2019-11-01 华为技术有限公司 一种调整智能推荐的方法、终端及服务器
CN111125574A (zh) * 2018-10-31 2020-05-08 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
CN111352678A (zh) * 2018-12-20 2020-06-30 阿里巴巴集团控股有限公司 信息处理方法及装置
CN112313687A (zh) * 2018-06-11 2021-02-02 奥姆尼欧斯株式会社 利用社交网络的影响力测量方法及装置
US20220156791A1 (en) * 2015-09-21 2022-05-19 Walmart Apollo, Llc Method and system for data driven personalization

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110502693B (zh) * 2019-07-11 2023-04-11 创新先进技术有限公司 在项目推荐中使用的方法、装置、计算设备及存储介质
CN111753213A (zh) * 2020-06-10 2020-10-09 西北工业大学 一种问答社交网络用户分享行为的传染力度量方法
CN112883268B (zh) * 2021-02-22 2022-02-01 中国计量大学 一种考虑用户多兴趣以及社交影响的会话推荐方法
CN113240408A (zh) * 2021-06-18 2021-08-10 中国银行股份有限公司 手机银行app推荐方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103403748A (zh) * 2010-12-17 2013-11-20 南加州大学 估算计算机网络系统的用户对其它用户的社会影响值
CN103617289A (zh) * 2013-12-12 2014-03-05 北京交通大学长三角研究院 基于用户特征及网络关系的微博推荐方法
CN104021163A (zh) * 2014-05-28 2014-09-03 深圳市盛讯达科技股份有限公司 产品推荐系统及方法
CN104281622A (zh) * 2013-07-11 2015-01-14 华为技术有限公司 一种社交媒体中的信息推荐方法和装置
CN104965889A (zh) * 2015-06-17 2015-10-07 腾讯科技（深圳）有限公司 内容推荐方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100088327A1 (en) * 2008-10-02 2010-04-08 Nokia Corporation Method, Apparatus, and Computer Program Product for Identifying Media Item Similarities
CN105809558A (zh) * 2016-03-15 2016-07-27 平安科技（深圳）有限公司 基于社交网络的推荐方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103403748A (zh) * 2010-12-17 2013-11-20 南加州大学 估算计算机网络系统的用户对其它用户的社会影响值
CN104281622A (zh) * 2013-07-11 2015-01-14 华为技术有限公司 一种社交媒体中的信息推荐方法和装置
CN103617289A (zh) * 2013-12-12 2014-03-05 北京交通大学长三角研究院 基于用户特征及网络关系的微博推荐方法
CN104021163A (zh) * 2014-05-28 2014-09-03 深圳市盛讯达科技股份有限公司 产品推荐系统及方法
CN104965889A (zh) * 2015-06-17 2015-10-07 腾讯科技（深圳）有限公司 内容推荐方法及装置

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220156791A1 (en) * 2015-09-21 2022-05-19 Walmart Apollo, Llc Method and system for data driven personalization
WO2017157149A1 (zh) * 2016-03-15 2017-09-21 平安科技（深圳）有限公司 基于社交网络的推荐方法、装置、服务器及存储介质
CN109118379A (zh) * 2017-06-22 2019-01-01 腾讯科技（深圳）有限公司 基于社交网络的推荐方法和装置
CN109118379B (zh) * 2017-06-22 2023-03-21 腾讯科技（深圳）有限公司 基于社交网络的推荐方法和装置
CN108305181B (zh) * 2017-08-31 2021-12-14 腾讯科技（深圳）有限公司 社交影响力确定、信息投放方法及装置、设备及存储介质
CN108305181A (zh) * 2017-08-31 2018-07-20 腾讯科技（深圳）有限公司 社交影响力确定、信息投放方法及装置、设备及存储介质
CN109948037A (zh) * 2017-11-24 2019-06-28 腾讯科技（深圳）有限公司 信息投放方法、装置及存储设备
US11442751B2 (en) 2018-04-24 2022-09-13 Huawei Technologies Co., Ltd. Method for adjusting intelligent recommendation, terminal, and server
CN110399185B (zh) * 2018-04-24 2022-05-06 华为技术有限公司 一种调整智能推荐的方法、终端及服务器
CN110399185A (zh) * 2018-04-24 2019-11-01 华为技术有限公司 一种调整智能推荐的方法、终端及服务器
CN112313687A (zh) * 2018-06-11 2021-02-02 奥姆尼欧斯株式会社 利用社交网络的影响力测量方法及装置
CN112313687B (zh) * 2018-06-11 2024-05-07 奥姆尼欧斯株式会社 利用社交网络的影响力测量方法及装置
CN109241427A (zh) * 2018-09-04 2019-01-18 中国平安人寿保险股份有限公司 信息推送方法、装置、计算机设备和存储介质
CN109241427B (zh) * 2018-09-04 2023-08-18 中国平安人寿保险股份有限公司 信息推送方法、装置、计算机设备和存储介质
CN111125574A (zh) * 2018-10-31 2020-05-08 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
CN111125574B (zh) * 2018-10-31 2023-04-28 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
CN111352678A (zh) * 2018-12-20 2020-06-30 阿里巴巴集团控股有限公司 信息处理方法及装置
CN111352678B (zh) * 2018-12-20 2024-05-07 阿里巴巴集团控股有限公司 信息处理方法及装置

Also Published As

Publication number Publication date
WO2017157149A1 (zh) 2017-09-21

Similar Documents

Publication Publication Date Title
CN105809558A (zh) 基于社交网络的推荐方法和装置
AU2011205137B2 (en) Social media variable analytical system
CN102902691B (zh) 推荐方法及系统
US8732015B1 (en) Social media pricing engine
US20160188734A1 (en) Method and apparatus for programmatically synthesizing multiple sources of data for providing a recommendation
US20160253325A1 (en) Method and apparatus for programmatically adjusting the relative importance of content data as behavioral data changes
US20110218859A1 (en) Method, Apparatus and System for Increasing Website Data Transfer Speed
CN105976229A (zh) 一种基于用户和项目混合的协同过滤算法
Scholz et al. Using PageRank for non-personalized default rankings in dynamic markets
CN112528153B (zh) 内容推荐方法、装置、设备、存储介质以及程序产品
US11321724B1 (en) Product evaluation system and method of use
US20150161670A1 (en) System and method for estimating and clustering multiple-dimension characteristics for auction-based message delivery
TW202008265A (zh) 透過深度強化學習進行行銷成本控制的方法及裝置
US20140122221A1 (en) Optimizing bidding with multiple campaign types
Kim et al. An intelligent product recommendation model to reflect the recent purchasing patterns of customers
CN111967924A (zh) 商品推荐方法、商品推荐装置、计算机设备和介质
Ge A user-based collaborative filtering recommendation algorithm based on folksonomy smoothing
CN114841760B (zh) 一种基于受众行为特征分析的广告推荐管理方法及系统
US11756064B2 (en) Self-learning valuation
US10013699B1 (en) Reverse associate website discovery
TWM607437U (zh) 用於推薦行銷廣告的行銷伺服裝置
CN110264250B (zh) 确定产品对等资源量在多个地域的分布数据的方法及装置
CN114596109A (zh) 推荐信息的确定方法、装置、电子设备及存储介质
Thakur et al. Bayesian Belief Networks–Based Product Prediction for E-Commerce Recommendation
Deng et al. Mechanism design for multi-slot ads auction in sponsored search markets

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20160727