CN105843830A - 一种好友推荐方法及系统 - Google Patents

一种好友推荐方法及系统 Download PDF

Info

Publication number
CN105843830A
CN105843830A CN201510867670.8A CN201510867670A CN105843830A CN 105843830 A CN105843830 A CN 105843830A CN 201510867670 A CN201510867670 A CN 201510867670A CN 105843830 A CN105843830 A CN 105843830A
Authority
CN
China
Prior art keywords
user
network node
friend
dimensional information
recommendation
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
CN201510867670.8A
Other languages
English (en)
Inventor
毛源泽
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.)
Vivo Mobile Communication Co Ltd
Original Assignee
Vivo Mobile Communication 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 Vivo Mobile Communication Co Ltd filed Critical Vivo Mobile Communication Co Ltd
Priority to CN201510867670.8A priority Critical patent/CN105843830A/zh
Publication of CN105843830A publication Critical patent/CN105843830A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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

Landscapes

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

Abstract

本发明公开了一种好友推荐方法，该方法包括：搜集同一社交网络的多个用户及每个用户的用户基本信息；将所述多个用户中每个用户作为一个网络节点构建一个用户网络；根据所述用户基本信息，统计所述用户网络中任意两个网络节点之间的七个维度信息；根据所述任意两个网络节点之间的七个维度信息，通过预设算法计算得到所述任意两个网络节点之间的七个维度信息中每个维度信息的权值；根据所述任意两个网络节点之间的七个维度信息中每个维度信息的权值，通过预设法则确定相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。本发明的好友推荐方法实现了对符合好友推荐条件的用户进行好友推荐，提高了好友推荐的成功率。

Description

一种好友推荐方法及系统
技术领域
本发明涉及网络技术领域，尤其涉及一种好友推荐方法及系统。
背景技术
随着互联网和通讯技术的发展，各种社交网络和社交工具不断涌现，像国外有Face book、twitter和Flisckr等，国内则有新浪微博、人人网、QQ、微信等社交网址和工具，上述社交平台为用户广泛结交朋友带来了很大的便利。
目前常用的好友推荐的方法包括根据用户在社交网络注册的个人信息来推荐好友，例如现有的交友社区，大部分通过两个用户的共同关系确定是否有交集，例如是否为公共的城市，是否是共同的学校，同一个公司，共同的好友；或将与目标用户距离最近的另一用户推荐给目标用户作为好友，上述两种推荐好友的方法都存在好友推荐随机性大、好友推荐的成功率不高的问题。
发明内容
本发明提供一种好友推荐方法，以解决现有的好友推荐方法存在好友推荐随机性大、好友推荐的成功率不高的问题。
第一方面，提供了一种好友推荐方法，所述方法包括：
搜集同一社交网络的多个用户及每个用户的用户基本信息，所述用户基本信息包括所述用户的个人档案、个人影响度、活跃度、日常好友数以及联系频繁度，参与圈子次数；
将所述多个用户中每个用户作为一个网络节点构建一个用户网络；
根据所述用户基本信息，统计所述用户网络中任意两个网络节点之间的七个维度信息，所述七个维度信息包括用户档案相似度值、用户个人影响度值、用户活跃度值、用户共同好友数、用户与共同好友联系的频繁度值、用户参与共同圈子的次数和用户之间的实际距离值；
根据所述任意两个网络节点之间的七个维度信息，通过预设算法计算得到所述任意两个网络节点之间的七个维度信息中每个维度信息的权值；
根据所述任意两个网络节点之间的七个维度信息中每个维度信息的权值，通过预设法则确定相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。
第二方面，还提供了一种好友推荐系统，包括：客户端，用于将用户的基本信息传输至服务器，并用于接受所推荐的好友，所述好友推荐系统还包括：
服务器，用于搜集同一社交网络的多个用户及每个用户的用户基本信息，所述用户基本信息包括所述用户的个人档案、个人影响度、活跃度、日常好友数以及联系频繁度，参与圈子次数；
用户网络构建模块，用于将所述服务器搜集到的所述多个用户中每个用户作为一个网络节点构建一个用户网络；
信息统计模块，用于根据所述用户搜集模块搜集到的所述用户基本信息，统计所述用户网络中任意两个网络节点之间的七个维度信息，所述七个维度信息包括用户档案相似度值、用户个人影响度值、用户活跃度值、用户共同好友数、用户与共同好友联系的频繁度值、用户参与共同圈子的次数和用户之间的实际距离值；
权值计算模块，用于根据所述信息统计模块统计的任意两个网络节点之间的七个维度信息，通过预设算法计算得到所述任意两个网络节点之间的七个维度信息中每个维度信息的权值；
好友推荐模块，用于根据所述权值计算模块计算得到的任意两个网络节点之间的七个维度信息中每个维度信息的权值，通过预设法则确定相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。
这样，本发明实施例中，通过搜集同一社交网络的多个用户及每个用户的用户基本信息；将所述多个用户中每个用户作为一个网络节点构建一个用户网络；根据所述用户基本信息，统计所述用户网络中任意两个网络节点之间的七个维度信息；根据所述任意两个网络节点之间的七个维度信息，通过预设算法计算得到所述任意两个网络节点之间的七个维度信息中每个维度信息的权值；根据所述任意两个网络节点之间的七个维度信息中每个维度信息的权值，通过预设法则确定相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐，避免了现有的好友推荐方法的随机性，实现了对符合好友推荐条件的用户进行好友推荐，提高了好友推荐的成功率，从而更大可能的为用户挖掘潜在的好友。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例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他的附图。
图1是本发明好友推荐方法的一个实施例的流程图；
图2是本发明好友推荐系统的一个实施例的一个结构图；
图3是本发明好友推荐系统的一个实施例的另一个结构图。
具体实施方式
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，都属于本发明保护的范围。
实施例一
图1是本发明好友推荐方法的一个实施例的流程图。参照图1所示，本发明实施例提供的好友推荐方法应用于终端的各类社交网络或社交工具，例如人人网、微博、qq或微信等，该方法具体包括如下步骤：
步骤101：搜集同一社交网络的多个用户及每个用户的用户基本信息，所述用户的基本信息包括所述用户的个人档案、个人影响度、活跃度、日常好友数以及联系频繁度，参与圈子次数。
本发明实施例中，对统一社交网络的已注册的用户进行搜集，并搜集每个用户的基本信息。所述用户基本信息包括所述用户的个人档案、个人影响度、活跃度、日常好友数以及联系频繁度，参与圈子次数。其中，用户的个人档案包括用户的姓名、网名、性别和年龄等信息。
步骤102：将所述多个用户中每个用户作为一个网络节点构建一个用户网络。
本发明实施例中，根据复杂网络理论，将搜集到的多个用户中每个用户作为一个网络节点构建一个用户网络，由于将每个用户作为一个网络节点，因此网络节点数与用户数相同。
步骤103：根据所述用户基本信息，统计所述用户网络中任意两个网络节点之间的七个维度信息，所述七个维度信息包括用户档案相似度值、用户个人影响度值、用户活跃度值、用户共同好友数、用户与共同好友联系的频繁度值、用户参与共同圈子的次数和用户之间的实际距离值。
本发明实施例中，根据复杂网络理论，通过统计所述用户网络中任意两个网络节点之间的七个维度信息，从而判定用户之间是否能相连，即是否能互相进行好友推荐。
本发明实施例中，对于以上七个维度信息，分别用字母进行表示，具体包括为：用N1表示用户档案相似度值、用N2表示用户个人影响度值、用N3表示用户活跃度值、用N4表示用户共同好友数、用N5表示用户与共同好友联系的频繁度值、用N6表示用户参与共同圈子次数、用N7表示用户之间的实际距离值。
其中，用户档案相似度值N1取值范围为0到1。将用户个人影响度值N2定义为用户在用户网络中的度与用户网络中的节点总数的比值，所述用户在用户网络中的度为用户所在的网络节点上的连接边的个数，例如用户网络中的节点总数为50，A用户所在的网络节点有另外两个网络节点与A用户所在的网络节点相连，则A用户在用户网络中的度为2，那么，用户个人影响度值N2为2与50的比值；且两个用户之间的用户个人影响度值N2由值较大的一方确定取值，例如用户A的个人影响度为0.1，用户B的个人影响度为0.2，则用户A和用户B之间的用户个人影响度值N2为0.2。
同样，两个用户之间的用户活跃度值N3也由值较大的一方确定取值，例如用户A的活跃度为0.1，用户B的活跃度为0.2，则用户A和用户B之间的用户活跃度值N3为0.2。
为了保证在计算过程中的量纲的一致，将用户共同好友数N4、用户与共同好友联系的频繁度值N5、用户参与共同圈子次数N6以及用户之间的实际距离值N7作如下定义：
(1)用户共同好友数N4：
N 4 = N 4 6 ( N 4 < 6 ) 1 ( N 4 &GreaterEqual; 6 )
如果两个用户的共同好友数小于6，则N4等于共同好友数除以6，如果共同好友数大于或等于6，则将N4确定为1。
(2)用户与共同好友联系的频繁度值N5：
N 5 = N 5 3 ( N 5 < 3 ) 1 ( N 5 &GreaterEqual; 3 )
如果两个用户分别与共同好友的联系的频繁度小于3，则N5等于频繁度除以3，如果该频繁度大于或等于3，则将N5确定为1。
(3)用户参与共同圈子次数N6：
N 6 = N 6 3 ( N 6 < 3 ) 1 ( N 6 &GreaterEqual; 3 )
如果两个用户参与的共同圈子次数小于3，则N6等于共同圈子次数除以3，如果该共同圈子次数大于或等于3，则将N6确定为1。
(4)用户之间的实际距离值N7：
N 7 = 1 - N 7 D ( N 7 < D ) 0 ( N 7 &GreaterEqual; D )
如果两个用户间的实际距离小于预设的最大距离，则N7等于1减去实际距离除以最大距离，如果实际距离大于或等于该最大距离，则将N7确定为0。
上述公式中的D表示可推荐好友的两个用户之间的最大距离，D>0，最大距离D的取值可根据具体情况进行设置，例如将D设置为500(m)时，则用户之间的实际距离值在500(m)以内的用户之间可进行好友推荐，用户之间的实际距离值超出500(m)的用户之间不推荐为好友。
步骤104：根据所述任意两个网络节点之间的七个维度信息，通过预设算法计算得到所述任意两个网络节点之间的七个维度信息中每个维度信息的权值。
本发明实施例中，为七个维度信息中的每个维度信息分配相应的权值，将P1作为用户档案相似度值N1的权值、将P2作为用户个人影响度值N2的权值、用P3作为用户活跃度值N3的权值、用P4作为用户共同好友数N4的权值、用P5作为用户与共同好友联系的频繁度值N5的权值、用P6作为用户参与共同圈子次数N6的权值、用于P7表示用户之间的实际距离值N7的权值，且上述权值P1～P7满足关系式P1+P2+P3+P4+P5+P6+P7＝1。
本步骤中，根据所述任意两个网络节点之间的七个维度信息用户档案相似度值N1、用户个人影响度值N2、用户活跃度值N3、用户共同好友数N4、用户与共同好友联系的频繁度值N5、用户参与共同圈子次数N6、用户之间的实际距离值N7，通过以下公式计算任意两个网络节点之间的七个维度信息中每个维度信息的权值：
P n = N n ( N 1 + N 2 + N 3 + N 4 + N 5 + N 6 + N 7 )
其中，n取值为1、2、3、4、5、6、7，在计算P1、P2、P3、P4、P5、P6、P7时，分别将N1、N2、N3、N4、N5、N6、N7作为分子带入上述公式进行计算，即可得到任意两个网络节点之间的七个维度信息中每个维度信息的权值。
步骤105：根据所述任意两个网络节点之间的七个维度信息中每个维度信息的权值，通过预设法则确定相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。
本步骤按照以下六种情况来判断用户是否符合好友推荐条件，从而对好友推荐条件的用户进行好友推荐：
(1)第一种情况：符合好友推荐条件
根据六度分割理论，当两个网络节点之间的七个维度信息中的用户与共同好友联系的频繁度值大于0、或用户参与共同圈子的次数大于0，且用户共同好友数大于6时，则确定所述两个网络节点为相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐，即将两个用户中的A用户推荐给B用户为好友，并还将B用户推荐给A用户为好友。
本发明实施例根据六度分割理论，当用户与共同好友联系的频繁度值大于0、或用户参与共同圈子的次数大于0，且用户共同好友数大于6时，才对连个用户进行好友推荐，实现了对符合好友推荐条件的用户进行好友推荐，提高了好友推荐的成功率。
(2)第二种情况：符合好友推荐条件
当两个网络节点之间的七个维度信息中的用户档案相似度值大于0、或用户活跃度值大于0，且用户参与共同圈子的次数大于3时，则确定所述两个网络节点为相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。
(3)第三种情况：符合好友推荐条件
当位于第一网络节点的用户的个人影响度值大于预设影响度阈值，且所述第一网络节点的用户参与共同圈子的次数大于0时，则确定所述第一网络节点的用户为可推荐给其他所有网络节点上用户的好友，将所述位于第一网络节点的用户推荐给所述用户网络的位于其他所有网络节点上的用户为好友，所述预设影响度阈值取值范围为0～1。所述第一网络节点仅是对符合第三种情况的多个用户中的一个用户的举例说明。
(4)第四种情况：不符合好友推荐条件
当两个网络节点之间的七个维度信息中的用户活跃度值等于0，或根据150法则(英国牛津大学的人类学家罗宾·邓巴(Robin Dunbar)提出，人类智力将允许人类拥有稳定社交网络的人数是148人，四舍五入大约是150人)，用户共同好友数大于150，则确定所述两个网络节点为不相连的网络节点，对位于所述相连的网络节点上的用户不进行相互好友推荐。
本发明实施例中，当两个用户A和B的共同好友数大于150时，说明用户A和用户B的好友数已经达到了好友的上限，如果对用户A和用户B推荐好友，由于用户A和用户B已经没有时间和精力来维护自己的好友圈，因此，即使向用户A和B推荐了好友，用户A和B也不会接受好友的推荐请求。本发明实施例根据150法则对用户共同好友数大于150不进行好友推荐，从而降低了好友推荐失败率，避免了现有的好友推荐方法的随机性。
(5)第五种情况：不符合好友推荐条件。
根据150法则，当位于第二网络节点的用户的日常好友数大于150，且所述第二网络节点的用户与好友的联系频繁度大于0，则确定所述位于第二网络节点的用户为不需要推荐好友的用户，不对所述位于第二网络节点的用户推荐好友。所述第二网络节点仅是对符合第五种情况的多个用户中的一个用户的举例说明。
(6)第六种情况：符合好友推荐条件和不符合好友推荐条件两种情况都可能存在
当上述一至五种情况均不满足的情况下，将所述任意两个网络节点之间的七个维度信息中每个维度信息与匹配的权值进行加权求和运算，得到任意两个网络节点之间的推荐指数值；将任意两个网络节点之间的推荐指数值与预设推荐指数阈值进行比较，所述预设推荐指数阈值取值范围为0.5～1；当所述两个网络节点之间的推荐指数值大于或等于所述预设推荐指数阈值时，则确定所述推荐指数对应的两个网络节点为相连的网络节点。所述预设推荐指数值优选取值为0.5。当所述两个网络节点之间的推荐指数值小于所述预设推荐指数阈值时，则确定所述两个网络节点为不相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。
下面以一个具体实例对上述步骤进行说明：
假设有两个用户A和用户B，A和B的用户档案相似度值为N1，N1的权值为P1；A和B的用户个人影响度值为N2，N2的权值为P2；A和B的用户活跃度值为N3，N3的权值为P3；A和B的用户共同好友数为N4，N4的权值为P4；A和B的用户与共同好友联系的频繁度值为N5，N5的权值为P5；A和B的用户参与共同圈子的次数为N6，N6的权值为P6；A和B的用户之间的实际距离值为N7，N7的权值为P7。
设N1＝0.5，P1＝0.128；N2＝0.5，P2＝0.128；N3＝0.5，P3＝0.128；N4＝0.5，0.128；N5＝0.33，P5＝0.085；N6＝0.67，P6＝0.172；N7＝0.9，P6＝0.231，且最大好友推荐距离D设置为100Km，预设推荐指数阈值M＝0.5。
通过加权求和运算，用户A和B的推荐指数值P＝N1*P1+N2*P2+N3*P3+N4*P4+N5*P5+N6*P6+N7*P7＝0.5*0.128+0.5*0.128+0.5*0.128+0.5*0.128+0.33*0.085+0.67*0.172+0.9*0.231＝0.607，由于P(0.607)>M(0.5)，所以用户A和用户B之间可进行相互好友推荐；反之，如果P<M，则用户A和用户B不会被互相推荐为好友。
本发明实施例还通过任意两个网络节点之间的推荐指数值来判断是否进行好友推荐，能够更加准确地分析每个用户是否符合好友推荐的条件，进一步提高了好友推荐的成功率。
本发明实施例通过搜集同一社交网络的多个用户及每个用户的用户基本信息；将所述多个用户中每个用户作为一个网络节点构建一个用户网络；根据所述用户基本信息，统计所述用户网络中任意两个网络节点之间的七个维度信息；根据所述任意两个网络节点之间的七个维度信息，通过预设算法计算得到所述任意两个网络节点之间的七个维度信息中每个维度信息的权值；根据所述任意两个网络节点之间的七个维度信息中每个维度信息的权值，通过预设法则确定相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。本发明实施例的好友推荐方法应用复杂网络理论，把用户抽象为复杂网络中的节点，然后结合六度分割理论和150法则来进行好友推荐，进一步从七个维度来确定可推荐的好友，这样，避免了现有的好友推荐方法的随机性，实现了对符合好友推荐条件的用户进行好友推荐，提高了好友推荐的成功率，从而更大可能的为用户挖掘潜在的好友。
实施例二
图2是本发明好友推荐系统的一个实施例的一个结构图。
参照图2所示，本发明提供的好友推荐系统包括客户端201、服务器202、用户网络构建模块203、信息统计模块204、权值计算模块205以及好友推荐模块206。
客户端201，用于将用户的基本信息传输至服务器，并用于接受所推荐的好友。
本发明实施例中，客户端201可为运行于移动终端的各类社交工具，例如人人网、微博、qq或微信等。所述移动终端包括手机、平板电脑、个人数字助理(PersonalDigitalAssistant，PDA)等终端。
服务器202，用于搜集同一社交网络的多个用户及每个用户的用户基本信息，所述用户基本信息包括所述用户的个人档案、个人影响度、活跃度、日常好友数以及联系频繁度，参与圈子次数。
服务器202对统一社交网络的已注册的用户进行搜集，并搜集客户端201传输的每个用户的基本信息。所述用户的基本信息包括所述用户的个人档案、个人影响度、活跃度、日常好友数以及联系频繁度，参与圈子次数。其中，用户的个人档案包括用户的姓名、网名、性别和年龄等信息。
用户网络构建模块203，用于将所述服务器搜集到的所述多个用户中每个用户作为一个网络节点构建一个用户网络。
用户网络构建模块203根据复杂网络理论，将搜集到的多个用户中每个用户作为一个网络节点构建一个用户网络，由于用户网络构建模块203将每个用户作为一个网络节点，因此网络节点数与用户数相同。
信息统计模块204，用于根据所述用户搜集模块搜集到的所述用户基本信息，统计所述用户网络中任意两个网络节点之间的七个维度信息，所述七个维度信息包括用户档案相似度值、用户个人影响度值、用户活跃度值、用户共同好友数、用户与共同好友联系的频繁度值、用户参与共同圈子的次数和用户之间的实际距离值。
信息统计模块204根据复杂网络理论，通过统计所述用户网络中任意两个网络节点之间的七个维度信息，从而判定用户之间是否能相连，即是否能互相进行好友推荐。
本发明实施例中，信息统计模块204对以上七个维度信息有如下定义：用N1表示用户档案相似度值、用N2表示用户个人影响度值、用N3表示用户活跃度值、用N4表示用户共同好友数、用N5表示用户与共同好友联系的频繁度值、用N6表示用户参与共同圈子次数、用N7表示用户之间的实际距离值。
其中，用户档案相似度值N1取值范围为0到1。将用户个人影响度值N2定义为用户在用户网络中的度与用户网络中的节点总数的比值，所述用户在用户网络中的度为用户所在的网络节点上的连接边的个数，例如用户网络中的节点总数为50，A用户所在的网络节点有另外两个网络节点与A用户所在的网络节点相连，则A用户在用户网络中的度为2，那么，用户个人影响度值N2为2与50的比值；且两个用户之间的用户个人影响度值N2由值较大的一方确定取值，例如用户A的个人影响度为0.1，用户B的个人影响度为0.2，则用户A和用户B之间的用户个人影响度值N2为0.2。
同样，两个用户之间的用户活跃度值N3也由值较大的一方确定取值，例如用户A的活跃度为0.1，用户B的活跃度为0.2，则用户A和用户B之间的用户活跃度值N3为0.2。
为了保证在计算过程中的量纲的一致，信息统计模块204将用户共同好友数N4、用户与共同好友联系的频繁度值N5、用户参与共同圈子次数N6以及用户之间的实际距离值N7作如下定义：
(1)用户共同好友数N4：
N 4 = N 4 6 ( N 4 < 6 ) 1 ( N 4 &GreaterEqual; 6 )
如果两个用户的共同好友数小于6，则N4等于共同好友数除以6，如果共同好友数大于或等于6，则信息统计模块204将N4确定为1。
(2)用户与共同好友联系的频繁度值N5：
N 5 = N 5 3 ( N 5 < 3 ) 1 ( N 5 &GreaterEqual; 3 )
如果两个用户分别与共同好友的联系的频繁度小于3，则N5等于频繁度除以3，如果该频繁度大于或等于3，则信息统计模块204将N5确定为1。
(3)用户参与共同圈子次数N6：
N 6 = N 6 3 ( N 6 < 3 ) 1 ( N 6 &GreaterEqual; 3 )
如果两个用户参与的共同圈子次数小于3，则N6等于共同圈子次数除以3，如果该共同圈子次数大于或等于3，则信息统计模块204将N6确定为1。
(4)用户之间的实际距离值N7：
N 7 = 1 - N 7 D ( N 7 < D ) 0 ( N 7 &GreaterEqual; D )
如果两个用户间的实际距离小于预设的最大距离，则N7等于1减去实际距离除以最大距离，如果实际距离大于或等于该最大距离，则信息统计模块204将N7确定为0。
上述公式中的D表示可推荐好友的两个用户之间的最大距离，D>0，最大距离D的取值可根据具体情况进行设置，例如将D设置为500(m)时，则用户之间的实际距离值在500(m)以内的用户之间可进行好友推荐，用户之间的实际距离值超出500(m)的用户之间不推荐为好友。
权值计算模块205，用于根据所述信息统计模块统计的任意两个网络节点之间的七个维度信息，通过预设算法计算得到所述任意两个网络节点之间的七个维度信息中每个维度信息的权值。
本发明实施例中，权值计算模块205为七个维度信息中的每个维度信息分配相应的权值，将P1作为用户档案相似度值N1的权值、将P2作为用户个人影响度值N2的权值、用P3作为用户活跃度值N3的权值、用P4作为用户共同好友数N4的权值、用P5作为用户与共同好友联系的频繁度值N5的权值、用P6作为用户参与共同圈子次数N6的权值、用于P7表示用户之间的实际距离值N7的权值，且上述权值P1～P7满足关系式P1+P2+P3+P4+P5+P6+P7＝1。
权值计算模块205根据所述任意两个网络节点之间的七个维度信息用户档案相似度值N1、用户个人影响度值N2、用户活跃度值N3、用户共同好友数N4、用户与共同好友联系的频繁度值N5、用户参与共同圈子次数N6、用户之间的实际距离值N7，通过以下公式计算任意两个网络节点之间的七个维度信息中每个维度信息的权值：
P n = N n ( N 1 + N 2 + N 3 + N 4 + N 5 + N 6 + N 7 )
其中，n取值为1、2、3、4、5、6、7，在计算P1、P2、P3、P4、P5、P6、P7时，分别将N1、N2、N3、N4、N5、N6、N7作为分子带入上述公式进行计算，即可得到任意两个网络节点之间的七个维度信息中每个维度信息的权值。
好友推荐模块206，用于根据所述权值计算模块计算得到的任意两个网络节点之间的七个维度信息中每个维度信息的权值，通过预设法则确定相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。
好友推荐模块206通过不同的单元按照上述实施例一中的六种情况来判断用户是否符合好友推荐条件，从而对好友推荐条件的用户进行好友推荐，其中，第二处理单元2064用于处理第一种情况，第三处理单元2065用于处理第二种情况，第四处理单元2066用于处理第三种情况，第五处理单元2067用于处理第四种情况，第六处理单元2068用于处理第五种情况，第一计算单元2061、比较单元2062和第一处理单元2063共同用于处理第六种情况。
具体的，参照图3所示，本实施例中的好友推荐模块206还包括：
第一计算单元2061，用于将所述任意两个网络节点之间的七个维度信息中每个维度信息与匹配的权值进行加权求和运算，得到任意两个网络节点之间的推荐指数值。
比较单元2062，用于将第一计算单元计算得到的任意两个网络节点之间的推荐指数值与预设推荐指数阈值进行比较，所述预设推荐指数阈值取值范围为0.5～1。
第一处理单元2063，用于当所述比较单元判定所述两个网络节点之间的推荐指数值大于或等于所述预设推荐指数阈值时，第一处理单元2063确定所述推荐指数对应的两个网络节点为相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。当所述两个网络节点之间的推荐指数值小于所述预设推荐指数阈值时，则第一处理单元2063确定所述两个网络节点为不相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。
第二处理单元2064，用于当两个网络节点之间的七个维度信息中的用户与共同好友联系的频繁度值大于0、或用户参与共同圈子的次数大于0，且用户共同好友数大于6时，确定所述两个网络节点为相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。即将两个用户中的A用户推荐给B用户为好友，并还将B用户推荐给A用户为好友。
该第二处理单元2064根据六度分割理论，当用户与共同好友联系的频繁度值大于0、或用户参与共同圈子的次数大于0，且用户共同好友数大于6时，第二处理单元2064才对连个用户进行好友推荐，实现了对符合好友推荐条件的用户进行好友推荐，提高了好友推荐的成功率。
第三处理单元2065，用于当两个网络节点之间的七个维度信息中的用户档案相似度值大于0、或用户活跃度值大于0，且用户参与共同圈子的次数大于3时，确定所述两个网络节点为相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。
第四处理单元2066，用于当位于第一网络节点的用户的个人影响度值大于预设影响度阈值，且所述第一网络节点的用户参与共同圈子的次数大于0时，则确定所述第一网络节点的用户为可推荐给其他所有网络节点上用户的好友，将所述位于第一网络节点的用户推荐给所述用户网络的位于其他所有网络节点上的用户为好友，所述预设影响度阈值取值范围为0～1。所述第一网络节点仅是对符合第三种情况的多个用户中的一个用户的举例说明。
第五处理单元2067，用于当两个网络节点之间的七个维度信息中的用户活跃度值等于0，或根据150法则(英国牛津大学的人类学家罗宾·邓巴(Robin Dunbar)提出，人类智力将允许人类拥有稳定社交网络的人数是148人，四舍五入大约是150人)，用户共同好友数大于150，则确定所述两个网络节点为不相连的网络节点，对位于所述相连的网络节点上的用户不进行相互好友推荐。
本发明实施例中，当两个用户A和B的共同好友数大于150时，说明用户A和用户B的好友数已经达到了好友的上限，如果第五处理单元2067对用户A和用户B推荐好友，由于用户A和用户B已经没有时间和精力来维护自己的好友圈，因此，即使第五处理单元2067向用户A和B推荐了好友，用户A和B也不会接受好友的推荐请求。第五处理单元2067根据150法则对用户共同好友数大于150不进行好友推荐，从而降低了好友推荐失败率，避免了现有的好友推荐方法的随机性。
第六处理单元2068，用于根据150法则，当位于第二网络节点的用户的日常好友数大于150，且所述第二网络节点的用户与好友的联系频繁度大于0，则确定所述位于第二网络节点的用户为不需要推荐好友的用户，不对所述位于第二网络节点的用户推荐好友。所述第二网络节点仅是对符合第五种情况的多个用户中的一个用户的举例说明。
本发明实施例的好友推荐系统200能够实现图1的方法实施例中的各个步骤，为避免重复，这里不再赘述。
本发明实施例的好友推荐系统通过服务器202搜集同一社交网络的多个用户及每个用户的用户基本信息；用户网络构建模块203将所述多个用户中每个用户作为一个网络节点构建一个用户网络；信息统计模块204根据所述用户基本信息，统计所述用户网络中任意两个网络节点之间的七个维度信息；权值计算模块205根据所述任意两个网络节点之间的七个维度信息，通过预设算法计算得到所述任意两个网络节点之间的七个维度信息中每个维度信息的权值；好友推荐模块206根据所述任意两个网络节点之间的七个维度信息中每个维度信息的权值，通过预设法则确定相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐，避免了现有的好友推荐方法的随机性，实现了对符合好友推荐条件的用户进行好友推荐，提高了好友推荐的成功率，从而更大可能的为用户挖掘潜在的好友。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、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权利要求的保护范围为准。

Claims (14)

1.一种好友推荐方法，其特征在于，包括：
搜集同一社交网络的多个用户及每个用户的用户基本信息，所述用户基本信息包括所述用户的个人档案、个人影响度、活跃度、日常好友数以及联系频繁度，参与圈子次数；
将所述多个用户中每个用户作为一个网络节点构建一个用户网络；
根据所述用户基本信息，统计所述用户网络中任意两个网络节点之间的七个维度信息，所述七个维度信息包括用户档案相似度值、用户个人影响度值、用户活跃度值、用户共同好友数、用户与共同好友联系的频繁度值、用户参与共同圈子的次数和用户之间的实际距离值；
根据所述任意两个网络节点之间的七个维度信息，通过预设算法计算得到所述任意两个网络节点之间的七个维度信息中每个维度信息的权值；
根据所述任意两个网络节点之间的七个维度信息中每个维度信息的权值，通过预设法则确定相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。
2.根据权利要求1所述的方法，其特征在于，所述根据所述任意两个网络节点之间的七个维度信息中每个维度信息的权值，通过预设法则确定相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐的步骤，包括：
将所述任意两个网络节点之间的七个维度信息中每个维度信息与匹配的权值进行加权求和运算，得到任意两个网络节点之间的推荐指数值；
将任意两个网络节点之间的推荐指数值与预设推荐指数阈值进行比较，所述预设推荐指数阈值取值范围为0.5～1；
当所述两个网络节点之间的推荐指数值大于或等于所述预设推荐指数阈值时，则确定所述推荐指数对应的两个网络节点为相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。
3.根据权利要求1所述的方法，其特征在于，所述根据所述任意两个网络节点之间的七个维度信息中每个维度信息的权值，通过预设法则确定相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐的步骤，包括：
当两个网络节点之间的七个维度信息中的用户与共同好友联系的频繁度值大于0、或用户参与共同圈子的次数大于0，且用户共同好友数大于6时，则确定所述两个网络节点为相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。
4.根据权利要求1所述的方法，其特征在于，所述根据所述任意两个网络节点之间的七个维度信息中每个维度信息的权值，通过预设法则确定相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐的步骤，包括：
当两个网络节点之间的七个维度信息中的用户档案相似度值大于0、或用户活跃度值大于0，且用户参与共同圈子的次数大于3时，则确定所述两个网络节点为相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。
5.根据权利要求1所述的方法，其特征在于，所述根据所述任意两个网络节点之间的七个维度信息中每个维度信息的权值，通过预设法则确定相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐的步骤，包括：
当位于第一网络节点的用户的个人影响度值大于预设影响度阈值，且所述第一网络节点的用户参与共同圈子的次数大于0时，则确定所述第一网络节点的用户为可推荐给其他所有网络节点上用户的好友，将所述位于第一网络节点的用户推荐给所述用户网络的位于其他所有网络节点上的用户为好友，所述预设影响度阈值取值范围为0～1。
6.根据权利要求1所述的方法，其特征在于，所述根据所述任意两个网络节点之间的七个维度信息中每个维度信息的权值，通过预设法则确定相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐的步骤，包括：
当两个网络节点之间的七个维度信息中的用户活跃度值等于0，或用户共同好友数大于150，则确定所述两个网络节点为不相连的网络节点，对位于所述相连的网络节点上的用户不进行相互好友推荐。
7.根据权利要求1所述的方法，其特征在于，所述根据所述任意两个网络节点之间的七个维度信息中每个维度信息的权值，通过预设法则确定相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐的步骤，包括：
当位于第二网络节点的用户的日常好友数大于150，且所述第二网络节点的用户与好友的联系频繁度大于0，则确定所述位于第二网络节点的用户为不需要推荐好友的用户，不对所述位于第二网络节点的用户推荐好友。
8.一种好友推荐系统，包括：客户端，用于将用户的基本信息传输至服务器，并用于接受所推荐的好友，其特征在于，所述好友推荐系统还包括：
服务器，用于搜集同一社交网络的多个用户及每个用户的用户基本信息，所述用户基本信息包括所述用户的个人档案、个人影响度、活跃度、日常好友数以及联系频繁度，参与圈子次数；
用户网络构建模块，用于将所述服务器搜集到的所述多个用户中每个用户作为一个网络节点构建一个用户网络；
信息统计模块，用于根据所述用户搜集模块搜集到的所述用户基本信息，统计所述用户网络中任意两个网络节点之间的七个维度信息，所述七个维度信息包括用户档案相似度值、用户个人影响度值、用户活跃度值、用户共同好友数、用户与共同好友联系的频繁度值、用户参与共同圈子的次数和用户之间的实际距离值；
权值计算模块，用于根据所述信息统计模块统计的任意两个网络节点之间的七个维度信息，通过预设算法计算得到所述任意两个网络节点之间的七个维度信息中每个维度信息的权值；
好友推荐模块，用于根据所述权值计算模块计算得到的任意两个网络节点之间的七个维度信息中每个维度信息的权值，通过预设法则确定相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。
9.根据权利要求8所述的系统，其特征在于，所述好友推荐模块包括：
第一计算单元，用于将所述任意两个网络节点之间的七个维度信息中每个维度信息与匹配的权值进行加权求和运算，得到任意两个网络节点之间的推荐指数值；
比较单元，用于将第一计算单元计算得到的任意两个网络节点之间的推荐指数值与预设推荐指数阈值进行比较，所述预设推荐指数阈值取值范围为0.5～1；
第一处理单元，用于当所述比较单元判定所述两个网络节点之间的推荐指数值大于或等于所述预设推荐指数阈值时，确定所述推荐指数对应的两个网络节点为相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。
10.根据权利要求8所述的系统，其特征在于，所述好友推荐模块包括：
第二处理单元，用于当两个网络节点之间的七个维度信息中的用户与共同好友联系的频繁度值大于0、或用户参与共同圈子的次数大于0，且用户共同好友数大于6时，确定所述两个网络节点为相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。
11.根据权利要求8所述的系统，其特征在于，所述好友推荐模块包括：
第三处理单元，用于当两个网络节点之间的七个维度信息中的用户档案相似度值大于0、或用户活跃度值大于0，且用户参与共同圈子的次数大于3时，确定所述两个网络节点为相连的网络节点，将位于所述相连的网络节点上的用户进行相互好友推荐。
12.根据权利要求8所述的系统，其特征在于，所述好友推荐模块包括：
第四处理单元，用于当位于第一网络节点的用户的个人影响度值大于预设影响度阈值，且所述第一网络节点的用户参与共同圈子的次数大于0时，则确定所述第一网络节点的用户为可推荐给其他所有网络节点上用户的好友，将所述位于第一网络节点的用户推荐给所述用户网络的位于其他所有网络节点上的用户为好友，所述预设影响度阈值取值范围为0～1。
13.根据权利要求8所述的系统，其特征在于，所述好友推荐模块包括：
第五处理单元，用于当两个网络节点之间的七个维度信息中的用户活跃度值等于0，或用户共同好友数大于150，则确定所述两个网络节点为不相连的网络节点，对位于所述相连的网络节点上的用户不进行相互好友推荐。
14.根据权利要求8所述的系统，其特征在于，所述好友推荐模块包括：
第六处理单元，用于当位于第二网络节点的用户的日常好友数大于150，且所述第二网络节点的用户与好友的联系频繁度大于0，则确定所述位于第二网络节点的用户为不需要推荐好友的用户，不对所述位于第二网络节点的用户推荐好友。
CN201510867670.8A 2015-11-30 2015-11-30 一种好友推荐方法及系统 Pending CN105843830A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510867670.8A CN105843830A (zh) 2015-11-30 2015-11-30 一种好友推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510867670.8A CN105843830A (zh) 2015-11-30 2015-11-30 一种好友推荐方法及系统

Publications (1)

Publication Number Publication Date
CN105843830A true CN105843830A (zh) 2016-08-10

Family

ID=56580843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510867670.8A Pending CN105843830A (zh) 2015-11-30 2015-11-30 一种好友推荐方法及系统

Country Status (1)

Country Link
CN (1) CN105843830A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106571997A (zh) * 2016-10-14 2017-04-19 北京橙鑫数据科技有限公司 一种基于数字名片的好友推荐方法及装置
CN113868423A (zh) * 2021-10-13 2021-12-31 上海市研发公共服务平台管理中心 人才引进路径选择方法、装置、存储介质及终端

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130005477A1 (en) * 2011-06-30 2013-01-03 Mccaffery Daniel Friend recommendation system for a computer-implemented game
CN103200279A (zh) * 2013-04-28 2013-07-10 百度在线网络技术（北京）有限公司 推荐方法和云端服务器
CN103678531A (zh) * 2013-12-02 2014-03-26 三星电子（中国）研发中心 好友推荐方法和装置
CN104601438A (zh) * 2014-04-28 2015-05-06 腾讯科技（深圳）有限公司 一种好友推荐方法和装置
CN104717124A (zh) * 2013-12-13 2015-06-17 腾讯科技（深圳）有限公司 一种好友推荐方法、装置及服务器
CN104731962A (zh) * 2015-04-03 2015-06-24 重庆邮电大学 一种社交网络中基于相似社团的好友推荐方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130005477A1 (en) * 2011-06-30 2013-01-03 Mccaffery Daniel Friend recommendation system for a computer-implemented game
CN103200279A (zh) * 2013-04-28 2013-07-10 百度在线网络技术（北京）有限公司 推荐方法和云端服务器
CN103678531A (zh) * 2013-12-02 2014-03-26 三星电子（中国）研发中心 好友推荐方法和装置
CN104717124A (zh) * 2013-12-13 2015-06-17 腾讯科技（深圳）有限公司 一种好友推荐方法、装置及服务器
CN104601438A (zh) * 2014-04-28 2015-05-06 腾讯科技（深圳）有限公司 一种好友推荐方法和装置
CN104731962A (zh) * 2015-04-03 2015-06-24 重庆邮电大学 一种社交网络中基于相似社团的好友推荐方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106571997A (zh) * 2016-10-14 2017-04-19 北京橙鑫数据科技有限公司 一种基于数字名片的好友推荐方法及装置
CN113868423A (zh) * 2021-10-13 2021-12-31 上海市研发公共服务平台管理中心 人才引进路径选择方法、装置、存储介质及终端

Similar Documents

Publication Publication Date Title
Dong et al. Inferring user demographics and social strategies in mobile social networks
Weber et al. The flow of digital news in a network of sources, authorities, and hubs
CN109102371A (zh) 商品推荐方法、装置、计算机设备及存储介质
JP5401633B2 (ja) データ推薦方法及びデータ推薦装置
CN104331411B (zh) 推荐项目的方法和装置
CN102591873B (zh) 一种信息推荐方法和设备
CN109360057A (zh) 信息推送方法、装置、计算机设备及存储介质
US9147009B2 (en) Method of temporal bipartite projection
CN103838819A (zh) 一种信息发布方法及系统
CN109522475A (zh) 一种基于用户历史消费数据的商家推荐方法
CN103150678B (zh) 微博中用户间潜在关注关系的发现方法及装置
US20130110835A1 (en) Method for calculating proximities between nodes in multiple social graphs
CN110032603A (zh) 一种对关系网络图中的节点进行聚类的方法及装置
CN104077723A (zh) 一种社交网络推荐系统及方法
Aliakbary et al. Feature extraction from degree distribution for comparison and analysis of complex networks
Doan et al. Mining business competitiveness from user visitation data
CN105843830A (zh) 一种好友推荐方法及系统
CN110287373A (zh) 基于评分预测和用户特征的协同过滤电影推荐方法及系统
CN109308654A (zh) 基于物品能量扩散和用户偏好的协同过滤推荐方法
CN105808743B (zh) 终端推荐方法和终端推荐系统
CN102750288B (zh) 一种互联网内容推荐方法及装置
CN101639856B (zh) 检测互联网信息传播的网页关联评价装置
CN108063810A (zh) 一种基于网络局部结构信息过滤的推荐方法
Kim et al. Friend recommendation using offline and online social information for face-to-face interactions
CN110059272A (zh) 一种页面特征识别方法和装置

Legal Events

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

Application publication date: 20160810