CN107123057A - 用户推荐方法及装置 - Google Patents

Abstract

本申请提供一种用户推荐方法，包括：从采集到的用户数据中提取用户属性信息；基于提取到的多个维度的用户属性信息构建用户模型，并基于提取到的新增用户属性信息对所述用户模型进行动态更新；计算目标用户的用户模型与待推送用户的用户模型的相似度；将与所述目标用户的用户模型的相似度达到预设阈值的待推送用户的个人信息，推送至所述目标用户。本申请可以提升用户推送的精准度，避免由用户来手动设置复杂的用户筛选条件。

Description

用户推荐方法及装置

技术领域

本申请涉及计算机应用领域，尤其涉及一种用户推荐方法及装置。

背景技术

在社交应用领域，对用户进行精准的用户推荐，是一项应用非常普遍的功能；例如，在婚恋应用中，为用户精准的推送潜在的交往对象，是一项非常重要的功能。在传统的用户推荐中，通常可以基于用户自己的描述，来建立起各式各样的筛选条件，然后通过这些筛选条件来为用户筛选出符合该用户要求的其它用户，并完成推送。

然而，通过这种方式，筛选条件通常比较固定，并且最终的推送精准度取决于建立的筛选条件的数量；筛选条件太少，推送精准度无法保证；而筛选条件太多，用户的操作又比较复杂。甚至，在大多数情况下，用户本人可能也无法确定哪一类用户符合自己的要求，从而影响推送精准度。

发明内容

本申请提出一种用户推荐方法，应用于服务端，所述方法包括：

从采集到的用户数据中提取用户属性信息；

基于提取到的多个维度的用户属性信息构建用户模型，并基于提取到的新增用户属性信息对所述用户模型进行动态更新；

计算目标用户的用户模型与待推送用户的用户模型的相似度；

将与所述目标用户的用户模型的相似度达到预设阈值的待推送用户的个人信息，推送至所述目标用户。

本申请还提出一种用户推荐装置，应用于服务端，所述装置包括：

提取模块，从采集到的用户数据中提取用户属性信息；

构建模块，基于提取到的多个维度的用户属性信息构建用户模型，并基于提取到的新增用户属性信息对所述用户模型进行动态更新；

计算模块，计算目标用户的用户模型与待推送用户的用户模型的相似度；

推送模块，将与所述目标用户的用户模型的相似度达到预设阈值的待推送用户的个人信息，推送至所述目标用户。

本申请中，服务端通过从采集到的用户数据中提取用户属性信息，基于提取到的多个维度的用户属性信息构建用户模型，并基于提取到的新增用户属性信息对该用户模型进行动态更新；当针对目标用户进行用户推荐时，可以计算该目标用户与待推送用户的用户模型的相似度，并将与该目标用户的用户模型的相似度达到预设阈值的待推送用户的个人信息，推送至该目标用户，实现了可以基于从用户数据中自主的学习到的多个维度的用户属性信息，为用户动态的构建用户模型，并通过量化不同的用户模型之间的相似度，来完成针对目标用户的用户推荐，从而可以提升用户推荐的精准度，避免由用户手动设置复杂的用户筛选条件。

附图说明

图1是本申请一实施例示出的一种用户推荐方法的流程图；

图2是本申请一实施例示出的一种用户推荐装置的逻辑框图；

图3是本申请一实施例示出的承载所述用户推荐装置的服务端所涉及的硬件结构图。

具体实施方式

随着移动互联网的不断发展，越来越多的一站式生活服务平台的出现，使得用户通过移动终端，就可以在线上快速的享受到各式各样的生活服务。例如，以支付宝为例(alipay)，作为一个一站式生活服务平台，除了提供基础的支付服务以外，还提供诸如城市服务、市政服务、生活缴费等各式各样的线上或者线下的服务。

在一站式生活服务平台中，由于其整合了各式各样的生活服务，对于平台方而言，将会采集到来自用户的各式各样的用户数据；因此，如何利用好这些数据，来实现精准的用户推荐，对于提升用户推荐的精准度则具有十分重要的意义。

有鉴于此，本申请提出一种依托于一站式生活服务平台中汇聚的各式各样的用户数据的用户推荐方案。

在具体实现时，一站式生活服务平台对应的服务端可以从采集到的用户数据中提取用户属性信息，基于提取到的多个维度的用户属性信息构建用户模型，并基于提取到的新增用户属性信息对该用户模型进行动态更新；当针对目标用户进行用户推荐时，可以计算目标用户与待推送用户的用户模型的相似度，并将与该目标用户的用户模型的相似度达到预设阈值的待推送用户的个人信息，推送至该目标用户；

通过以上方案，实现了可以基于从用户数据中自主的学习到的多个维度的用户属性信息，为用户动态的构建用户模型，并通过量化不同的用户模型之间的相似度，来完成针对目标用户的用户推荐，从而可以提升用户推荐的精准度，避免由用户手动设置复杂的用户筛选条件。

例如，仍以支付宝为例(alipay)，作为一个一站式生活服务平台，除了可以提供诸如城市服务、市政服务、生活缴费等基础的线上或者线下的服务以外，还可以进一步提供“婚恋交友”的服务。

支付宝平台可以从采集到的用户数据中提取用户属性信息，并根据提取到的多个维度的用户属性信息来构建用户模型，来描述用户的用户特征以及用户偏好；同时，平台方还可以根据从用户数据中提取到的新增用户属性信息，对构建完成的用户模型中的用户属性信息不断的进行扩展更新，对用户模型加以完善。

当支付宝平台需要针对某一目标用户推荐潜在的交往对象时，可以分别量化该目标用户，与待推送用户的用户模型之间的相似度，并通过得到的相似度，筛选出与该目标用户在用户特征以及用户偏好上都较为适配的用户，然后将该用户的个人信息作为推荐用户，推送到该目标用户的客户端向该目标用户进行展示。

通过以上方案，在对目标用户执行用户推荐时，该目标用户不再需要通过客户端来设置复杂的用户筛选条件，平台方可以在后台不断学习该用户的用户属性信息进行建模，并通过度量用户模型之间的相似度对该目标用户有针对性的推荐用户，从而可以显著的提升用户的精准度。

下面通过具体实施例并结合具体的应用场景对本申请进行描述。

请参考图1，图1是本申请一实施例提供的一种用户推荐方法，应用于服务端，所述方法执行以下步骤：

步骤101，从采集到的用户数据中提取用户属性信息；

上述服务端，具体可以包括用于承载一站式生活服务平台的服务器、服务器集群或者基于服务器集群搭建的业务平台；例如，以上述一站式生活服务平台为支付宝平台为例，上述服务端则可以是承载该支付宝平台的服务器、服务器集群或者是基于服务器集群搭建的业务平台；

上述用户属性信息，可以包括任意类型的能够描述用户特点的属性信息；例如，在实际应用中，上述用户属性信息通常可以划分为能够表征用户基本特征的属性信息，和能够表征用户偏好的属性信息两类。在这种情况下，上述用户属性信息，则可以包括这两类属性信息中的任意一类，或者同时包含这两类属性信息。

其中，能够表征用户基本特征的用户属性信息，具体可以包括那些能够从用户数据中直接提取出的，可以直观的表达出用户的个人特点的属性信息；例如，以支付宝平台为例，这类用户属性信息可以包括诸如用户的学历，年龄，身高，体重，月开销，信用评分，购物品类，余额宝金额，是否已婚，行走捐数额，话费充值额度，社交朋友数量等；

能够表征用户偏好的用户属性信息，具体可以包括那些通过对用户数据数据分析后，基于数据分析结果生成的，可以抽象的表达出用户的行为偏好的属性信息；例如，仍然以支付宝平台为例，这类属性信息可以包括诸如用户的购物偏好、性格偏好、兴趣偏好等。

上述用户数据，与上述用户属性信息的具体类型相对应，可以包括任意形式的能够从中提取出描述用户特点的属性信息的用户数据；例如，在实际应用中，上述用户数据，具体可以包括用户的个人资料数据、购物数据、页面访问数据、社交数据、服务数据、账户数据，等等。

在初始状态下，上述服务端可以收集与搭载的各种线上或者线下服务相关的用户日志文件，并对收集到的用户日志文件进行数据处理，来采集各种来源的用户数据。

同时，上述服务端还可以预先在后台创建数据库，并将采集到的各个来源的用户数据，在数据库中进行集中存储，以便于对采集到的各个来源的用户数据进行集中管理和维护。

对于存储在数据仓库中的各种类型的用户数据，上述服务端可以执行进一步的数据处理，从中提取出能够描述出用户特点的各类用户属性信息。

在示出的一种实施方式中，对于能够表征用户基本特征的这一类用户属性信息，上述服务端可以对收集到的相关用户数据进行简单的数据处理，从用户数据中直接提取出相关的用户属性信息即可；

例如，以支付宝平台为例，在这种情况下，上述用户数据可以是用户在进行个人信息设置时产生的个人资料数据，上述服务端可以对这类个人资料数据进行简单的数据处理后，直接从个人资料数据中提取诸如用户的学历，年龄，身高，体重等属性信息；又如，在这种情况下，上述用户数据也可以是用户在进行日常购物时产生的订单数据，上述服务端可以对这类订单数据进行简单的数据处理后，直接从订单数据中提取诸如用户的月开销，购物品类等属性信息，等等。

在示出的另一种实施方式中，能够表征用户偏好的用户属性信息，上述服务端可以基于搭载的相关的数据挖掘算法，对收集到的相关用户数据进行数据挖掘，以分析出用户的行为偏好，然后基于数据分析结果生成能够表征用户偏好的用户属性信息；

例如，仍以支付宝平台为例，在这种情况下，上述用户数据可以是用户在进行日常购物时产生的订单数据，上述服务端可以对这类订单数据进行数据挖掘，以分析出用户的购物偏好，然后基于数据分析结果为用户生成能够表征用户购物偏好的用户偏好标签。又如，在这种情况下，上述用户数据也可以是用户日常产生的页面访问数据、社交数据或者相关的服务数据，上述服务端可以对这些数据进行数据挖掘，以分析出用户的性格偏好或者兴趣偏好，然后基于数据分析结果为用户生成能够表征性格偏好或者兴趣偏好的用户偏好标签。

其中，需要说明的是，上述数据挖掘算法的具体类型，以及基于上述数据挖掘算法对采集到的用户数据进行数据挖掘，以分析用户的行为偏好的具体过程，在本申请中不再进行详述，本领域技术人员在将本申请的技术方案付诸实施时，可以参考相关技术中的记载。

步骤102，基于提取到的多个维度的用户属性信息构建用户模型，并基于提取到的新增用户属性信息对所述用户模型进行动态更新；

在本例中，上述服务端可以从采集到的每一个用户的用户数据中，分别提取用户属性信息，并基于提取到的多个维度的用户属性信息，为每一个用户分别来创建用户模型。

其中，上述用户模型，具体可以是一个由多个维度的用户属性信息构成的用户属性信息的集合。通过将提取到的多个维度的用户属性信息，整合成为一个用户属性集合，可以通过这些用户属性信息，通过不同的角度来全方位的描述一个用户，进而通过比对不同用户的用户模型，就可以有效的区分出不同的用户。

例如，在示出的一种实施方式中，以支付宝平台为例，上述用户模型具体可以是一个由用户的学历，年龄，身高，体重，月开销，信用评分，购物品类，余额宝金额，是否已婚，行走捐数额，话费充值额度，社交朋友数量等12个维度构成的用户属性信息的集合。

其中，需要说明的是，上述服务端为每一个用户分别创建用户模型时，所采用的用户属性信息的维度的数量，在本申请中不进行特别限定。在实际应用中，为了最大程度的描述出不同用户之间的差异，凡是能够从采集到的用户数据中提取到的用户属性信息，均可以用于上述用户模型的创建。

在示出的一种实施方式中，上述服务端可以预先设定一个用于触发创建用户模型的维度的初始数量，当提取到的用户属性信息的维度的数量达到该初始数量后，此时上述服务端可以立即基于已经提取到的这些用户属性信息来创建上述用户模型。

与此同时，上述服务端仍然可以继续从采集到的用户数据中提取用户属性信息，并将提取到的用户属性信息与创建完成的上述用户模型中各个维度的用户属性信息进行比较；如果提取到的用户属性信息，未包含在该用户模型之内，表明提取到的用户属性信息为新增用户属性信息；在这种情况下，上述服务端可以基于该新增数据信息对已创建完成的上述用户模型中的已使用维度进行扩展，对该用户模型进行动态更新。

通过这种方式，使得上述服务端可以持续的从采集到的用户数据中提取用户属性信息，并基于采集到的新增用户属性信息，持续的对上述用户模型中已使用的用户属性信息的维度进行扩展添加，从而可以不断的对创建完成的用户模型进行动态更新加以完善，有助于提升用户模型的实效性以及可用性，使得用户模型能够实时的描述出用户的用户特征以及用户偏好的变化情况。

步骤103，计算目标用户的用户模型与待推送用户的用户模型的相似度；

在本例中，当需要针对目标用户执行用户推荐时，上述服务端可以进一步通过量化该目标用户的用户模型，与其它待推送用户的用户模型之间的相似度，来向该目标用户有针对性的推荐用户。

在示出的一种实施方式中，对于创建完成的用户模型中的每一个维度的用户属性信息，上述服务端可以分别预配置一个对应的相似度量化规则。

其中，上述相似度量化规则，用于量化出不同的用户模型中同一个维度的用户属性信息的相似度评分。

例如，以按照用户的学历，年龄，身高，体重，月开销，信用评分，购物品类，余额宝金额，是否已婚，行走捐数额，话费充值额度，社交朋友数量等12个维度创建的用户模型为例，上述服务端可以针对以上12个维度中的每一个维度，分别预配置一个对应的相似度量化规则，并使用该相似度量化规则，分别量化出不同的用户模型中各维度的用户属性信息之间的相似度，得到12个相似度评分。

其中，上述相似度量化规则所包含的相似度量化逻辑，在本申请中不进行特别限定，在实际应用中可以基于实际的相似度量化需求，来自定义配置。

需要强调的是，对于不同维度的用户属性信息而言，上述相似度量化规则中所包含的相似度量化逻辑可以存在一定的差异。即在实际应用中，可以结合不同维度的用户属性信息的特点，来差异化配置不同的相似度量化规则。

一方面，对于用户模型中能够量化出具体的数值的用户属性信息而言(比如年龄、身高、体重、月开销、信用评分等等)，上述相似度量化规则，具体可以包括多个预先划分出的差值区间，每一个差值区间可以分别预配置一个对应的相似度评分。

在这种情况下，在对两个不同的用户模型中对应于该维度的用户属性信息进行相似度量化时，可以将这两个用户模型中对应于该维度的用户属性信息的取值进行匹配，并计算二者的差值，然后查找该差值命中的差值区间，并将该差值命中的差值区间对应的相似度评分，确定为这两个用户模型对应于该维度的用户属性信息的相似度评分。

例如，仍以按照用户的学历，年龄，身高，体重，月开销，信用评分，购物品类，余额宝金额，是否已婚，行走捐数额，话费充值额度，社交朋友数量等12个维度创建的用户模型为例，对于上述用户模型中“身高”维度的用户属性信息而言，其对应的相似度量化规则具体可以包括多个差值区间，每一个差值区间可以分别预配置一个对应的相似度评分；

在量化两个不同的用户模型中对应于“身高”维度的用户属性信息的相似评分时，可以计算这两个模型中对应于“身高”维度的用户属性信息的具体取值，然后取二者的差值，并查找与该差值对应的差值区间，然后将为查找到的该差值区间预配置的相似度评分，确定为这两个用户模型对应于“身高”维度的用户属性信息的相似度评分；比如，假设两个不同用户模型对应于“身高”维度的用户属性信息的相似度量化规则包括0-10厘米的差值区间，并且该差值区间预配置的相似度评分为1(即认为两个用户的身高差距在10厘米以内，即认为两个用户的相似度为100％)；如果这两个不同用户模型对应于“身高”维度的用户属性信息的差值为5厘米，则命中了该差值区间，那么可以将1确定为这两个用户模型对应于“身高”维度的用户属性信息的相似度评分。

另一方面，对于用户模型中无法量化出具体的数值的用户属性信息而言(比如学历，购物品类，是否已婚等等)，由于这一类用户属性信息通常无法通过数值上差异来量化出相似程度，因此上述相似度量化规则，具体可以针对“匹配”与“不匹配”两种情况分别预配置的一个固定的相似度评分即可。比如，针对“匹配”的情况，预配置一个相似度评分1；针对“不匹配”的情况预配置一个相似度评分0。

在这种情况下，在对两个不同的用户模型中对应于该维度的用户属性信息进行相似度量化时，可以对这两个用户模型中对应于该维度的用户属性信息进行匹配；如果二者匹配，可以将为“匹配”这种情况预配置的相似度评分，确定为这两个用户模型对应于该维度的用户属性信息的相似度评分。反之，如果二者不匹配，则可以将为“不匹配”这种情况预配置的相似度评分，确定为这两个用户模型对应于该维度的用户属性信息的相似度评分。

例如，仍以按照用户的学历，年龄，身高，体重，月开销，信用评分，购物品类，余额宝金额，是否已婚，行走捐数额，话费充值额度，社交朋友数量等12个维度创建的用户模型为例，对于上述用户模型中“学历”维度的用户属性信息而言，其对应的相似度量化规则具体可以针对“匹配”与“不匹配”两种情况分别预配置的一个固定的相似度评分即可。比如，针对“匹配”的情况，预配置一个相似度评分1；针对“不匹配”的情况预配置一个相似度评分0；

在量化两个不同的用户模型中对应于“学历”维度的用户属性信息的相似评分时，可以对这两个模型中对应于“学历”维度的用户属性信息的具体取值进行匹配；如果二者匹配，可以将这两个用户模型对应于“学历”维度的用户属性信息的相似度评分确定为1；如果二者不匹配，可以将这两个用户模型对应于“学历”维度的用户属性信息的相似度评分确定为0。

在本例中，上述服务端在计算目标用户的用户模型，与其它待推送用户的用户模型的相似度时，首先可以将目标用户的用户模型中各个维度的用户属性信息，分别与待推送用户的用户模型中对应维度的用户属性信息进行匹配；然后基于为各维度的用户属性信息预配置的相似度量化规则，对匹配结果分别进行相似度量化，得到对应于各个维度的用户属性信息的相似度评分；其中，具体的相似度量化过程，不再赘述。

当得到对应于各个维度的用户属性信息的相似度评分后，上述服务端可以针对各个维度的用户属性信息对应的相似度评分进行加权计算，得到上述目标用户的用户模型与所述待推送用户的用户模型的相似度评分。

其中，对各个维度的用户属性信息对应的相似度评分进行加权计算的具体方式，在本申请也不进行特别限定；

例如，在一种方式中，可以采用直接求和的方式进行加权；在另一种方式中，本领域技术人员可以基于实际的需求对各个维度的用户属性信息分别预配置一个对应的加权系数，并计算各个维度的用户属性信息的相似度评分与对应的加权系统的乘积，然后再对乘积进行求和。

步骤104，将与所述目标用户的用户模型的相似度达到预设阈值的待推送用户的个人信息，推送至所述目标用户。

在本例中，上述服务端可以预配置一个相似度阈值；当上述服务端通过以上示出的相似度量化方法，计算出上述目标用户与各待推送用户的用户模型的相似度评分后，此时可以进一步将该相似度评分与上述相似度阈值进行比较，并基于比较结果筛选出所有待推送用户的用户模型中，与上述目标用户的用户模型的相似度评分达到上述相似度阈值的用户模型；

当筛选完毕，上述服务端可以进一步将筛选出的这些用户模型对应的待推送用户的个人信息，作为“推荐用户”，推送至上述目标用户的客户端。

当然，在实际应用中，限制于上述服务端的单次推送数量，上述服务端在执行用户推荐时，也可以仅将上述相似度评分达到上述相似度阈值的所有的用户模型中，相似度评分最高的N(N可以是上述服务端单次用户推送的最大数量)个相似度评分对应的待推送用户的个人信息，推送至上述目标用户。

其中，需要说明的是，上述相似度阈值的具体大小，在本申请中不进行特别限定，本领域技术人员也可以基于实际的推送需求进行自定义设置。

可见，通过这种方式，上述服务端可以基于从用户数据中提取到的多个维度的用户属性信息，为用户动态的构建用户模型，并通过量化不同的用户模型之间的相似度，来完成针对目标用户的用户推荐，从而可以提升用户推荐的精准度，避免由用户来手动设置复杂的用户筛选条件。

在本例中，当上述目标用户的客户端在接收到上述服务端推送的“推荐用户”的个人信息后，可以在用户界面中输出上述这些用户的个人信息，以向该目标用户进行展示。

在示出的一种实施方式中，上述目标用户的客户端，在通过用户界面中展示服务端输出“推荐用户”的个人信息时，可以针对每一个“推荐用户”分别提供一个对应的“接收选项”和一个“拒绝选项”，上述目标用户在查看了各个“推荐用户”的个人信息后，可以通过触发上述“接收选项”或者“拒绝选项”向上述服务端主动反馈对本次用户推荐的接收程度；比如，当上述目标用户在查看了某一“推荐用户”的个人信息后，对该“推荐用户”不感兴趣，那么上述目标用户可以通过触发与该“推荐用户”对应的“拒绝选项”，通过上述目标用户的客户端向上述服务端发送第一类反馈信息；其中，第一类反馈信息用于指示上述目标用户已关注了上述“推送用户”。

反之，如果上述目标用户在查看了某一“推荐用户”的个人信息后，对该“推荐用户”很感兴趣，那么上述目标用户也可以通过触发与该“推荐用户”对应的“接收选项”，通过上述目标用户的客户端向上述服务端发送第二类反馈信息；其中，第二类反馈信息用于指示上述目标用户未关注上述“推荐用户”。

当上述服务端接收到上述目标用户的反馈信息后，可以对接收到的反馈信息进行解析；如果通过解析确认上述反馈信息指示上述目标用户已关注所述已推送用户，此时上述服务端可以将对应的“推荐用户”标注为上述目标用户的“适配用户”。

相反，如果通过解析确认上述反馈信息指示上述目标用户未关注所述已推送用户，此时上述服务端可以将对应的“推荐用户”标注为上述目标用户的“非适配用户”，并同步的对所有待推送用户中的“非适配用户”进行过滤。

在示出的一种实施方式中，上述目标用户的客户端，在通过用户界面中展示服务端输出“推荐用户”的个人信息时，也可以针对每一个“推荐用户”分别提供一个对应的“会话选项”；其中，该会话选项用于触发发起与该“推荐用户”的社交会话。

如果上述目标用户在查看了某一“推荐用户”的个人信息后，对该“推荐用户”很感兴趣，那么上述目标用户可以通过触发与该“推荐用户”对应的“会话选项”，发起与该“推荐用户”的会话，由上述客户端创建与该“推荐用户”的社交会话界面，并将该“推荐用户”添加为社交联系人。

而上述服务端可以在后台监测上述目标用户是否发起了与“推荐用户”的社交会话；比如，上述服务端可以在后台监听上述目标用户的客户端发出的与上述“推荐用户”建立社交会话的请求，来确认是否监测到用户发起的与“推荐用户”的社交会话。

当上述服务端监测到上述目标用户发起的与任一“推荐用户”的社交会话时，此时可以立即将该“推荐用户”标注为该目标用户的“适配用户”。进一步的，上述服务端还可以统计上述目标用户与上述“推荐用户”的社交会话的中断时长，并判断上述中断时长是否达到预设阈值；如果是，此时表明上“推荐用户”很可能与上述目标用户并不适配，在这种情况下，上述服务端可以将该“推荐用户”重新标注为“非适配用户”，并同步的对所有待推送用户中的“非适配用户”进行过滤。

在示出的一种实施方式中，为了不断提升用户推荐的精准度：

一方面，当上述服务端将任一“推荐用户”标注为上述目标用户的“非适配用户”后，此时上述服务端可以将该“非适配用户”的用户模型中各个维度的用户属性信息作为该目标用户的“非适配用户的筛选条件”，添加到该目标用户的用户模型中；从而，当上述服务端通过量化上述目标用户的用户模型与各待推送用户的用户模型的相似度，来为该目标用户进行用户推荐时，任一待推送用户命中上述“非适配用户”的筛选条件时，则可以将该待推送用户直接标注为“非适配用户”，并同步的对该“非适配用户”进行过滤。

另一方面，当上述服务端将任一“推荐用户”标注为上述目标用户的“适配用户”后，由于该“适配用户”源自于上述目标用户对上述服务端推送的各“推荐用户”的反馈结果，能够真实表达上述目标用户的用户推送需求，因此在这种情况下，上述服务端可以基于该被标注为“适配用户”的“推荐用户”的用户模型中各个维度的用户属性信息，与上述目标用户的用户模型中对应维度的用户属性信息的匹配结果，对与上述目标用户的用户模型中各个维度的用户属性信息对应的相似度量化规则进行反向调整，从而来提高针对上述目标用户的用户推荐的精准度。

其中，具体的调整策略，对于不同维度的用户属性而言可以存在一定的差异。

一方面，对于用户模型中能够量化出具体的数值的用户属性信息而言，由于在这种情况下，上述相似度量化规则，具体可以包括多个预先划分出的差值区间，且每一个差值区间分别预配置一个对应的相似度评分；因此，上述服务端在对上述相似度量化规则进行调整时，可以将该被标注为“适配用户”的“推荐用户”的用户模型中各个维度的用户属性信息，与上述目标用户的用户模型中对应维度的用户属性信息的取值进行匹配，并计算二者的差值，然后基于计算得到的差值对上述差值区间进行调整，以使得上述相似度量化规则中预配置的上述差值区间，能够最大程度的满足上述目标用户实际的用户推荐需求，进而提升用户推荐的精准度。

例如，仍以按照用户的学历，年龄，身高，体重，月开销，信用评分，购物品类，余额宝金额，是否已婚，行走捐数额，话费充值额度，社交朋友数量等12个维度创建的用户模型为例，对于上述用户模型中“身高”维度的用户属性信息而言，其对应的相似度量化规则具体可以包括多个差值区间，每一个差值区间可以分别预配置一个对应的相似度评分；

假设在默认情况下，两个不同用户模型对应于“身高”维度的用户属性信息的相似度量化规则，包括0-10厘米的差值区间，并且该差值区间预配置的相似度评分为1。如果某一与上述目标用户的身高差值为15厘米的“推荐用户”被标记为“适配用户”(目标用户手动选择的结果)，此时上述服务端可以基于该“适配用户”的用户模型中，对应于“身高”维度的用户属性信息的取值，对上述差值区间进行调整；比如，可以将上述差值区间，由0-10厘米调整为0-15厘米。此时表明上述目标用户对“推荐用户”的身高与自身的身高的差值的接受度，为0-15厘米之间。

另一方面，对于用户模型中无法量化出具体的数值的用户属性信息而言，由于在这种情况下，上述相似度量化规则，具体可以包括针对“匹配”与“不匹配”两种情况分别预配置的一个固定的相似度评分。因此，上述服务端在对上述相似度量化规则进行调整时，可以直接使用该被标注为“适配用户”的“推荐用户”的用户模型中各个维度的用户属性信息，对原有的相似度量化规则中的匹配项进行扩展即可。

例如，仍以按照用户的学历，年龄，身高，体重，月开销，信用评分，购物品类，余额宝金额，是否已婚，行走捐数额，话费充值额度，社交朋友数量等12个维度创建的用户模型为例，对于上述用户模型中“学历”维度的用户属性信息而言，其对应的相似度量化规则具体可以包括针对“匹配”与“不匹配”两种情况分别预配置的一个固定的相似度评分；比如，针对“匹配”的情况，预配置一个相似度评分1；针对“不匹配”的情况预配置一个相似度评分0。

假设在默认情况下，上述相似度量化规则定义的“匹配”的情况是指两个不同用户模型对应于“学历”维度的用户属性信息完全匹配；比如，默认上述目标用户只对“学历”与自身完全一致的“推荐用户”感兴趣；如果某一“学历”与上述目标用户不一致的“推荐用户”被标记为“适配用户”(目标用户手动选择的结果)，此时上述服务端可以直接使用该“适配用户”的用户模型中，对应于“学历”维度的用户属性信息的取值，对上述相似度量化规则中定义的“匹配”的情况的匹配项进行扩展即可；比如，假设上述目标用户的“学历”为“硕士”，被标记为“适配用户”的“推荐用户”的“学历”为“学士”，此时上述服务端可以将上述相似度量化规则中定义的“匹配”的情况对应的匹配项扩展为{硕士、学士}。此时表明上述目标用户对“推荐用户”的“学历”的接受程度将同时包含“硕士”和“学士”。

可见，通过这种反向调整上述相似度量化规则的机制，使得上述服务端可以基于上述目标用户对推送的“推荐用户”的真实反馈结果，对用户模型进行不断的优化，从而能够最大程度的按照用户更容易接受的用户类型，为该目标用户有针对性的推荐用户，有助于提升用户推荐的精准度；

例如，在默认情况下，上述服务端可以针对不同的用户的用户模型中各个维度的用户属性信息，分别预配置统一的相似度量化规则；在完成初始的“用户推荐”后，由于不同的用户对推荐结果的反馈存在差异(比如不同的用户可能会对不同类型的“推荐用户”感兴趣)；因此，通过这种反向调整机制，可以基于不同的用户实际的用户推送需求，对不同的用户的用户模型不断的进行优化，最终可以结合每一个用户的“兴趣点”，为每一个具有“用户推荐”需求的目标用户，分别生成专属的用户推荐模型，来完成用户推荐。

以下结合具体的应用场景对以上实施例中的技术方案进行详细描述。

以支付宝平台为例进行说明，作为一个一站式生活服务平台，支付宝平台中除了可以提供诸如城市服务、市政服务、生活缴费等基础的线上或者线下的服务以外，在本例中还可以进一步提供“婚恋交友”的服务。

在本例中，支付宝平台可以从采集到的用户在执行平台提供的各种服务时，所产生的个人资料数据、购物数据、页面访问数据、社交数据、服务数据、账户数据等用户数据中，提取多个维度的用户属性信息，来构建用户模型，通过该用户模型来描述用户的用户特征和用户偏好。

在一个例子中，上述多维度的用户属性信息至少可以包括用户的学历，年龄，身高，体重，月开销，信用评分，购物品类，余额宝金额，是否已婚，行走捐数额，话费充值额度，社交朋友数量等维度。

当支付宝平台需要针对某一目标用户执行潜在交往对象的用户推荐时，可以分别量化该目标用户，与待推送用户的用户模型之间的相似度，并将相似度达到预设的相似度阈值的用户模型对应的待推送用户的个人信息，作为“推荐用户”推送至上述目标用户的支付宝客户端进行展示。

在一种实施方式中，上述目标用户的支付客户端，在通过用户界面中展示服务端输出“推荐用户”的个人信息时，可以针对每一个“推荐用户”分别提供一个对应的“接收选项”和一个“拒绝选项”，上述目标用户在查看了各个“推荐用户”的个人信息后，可以通过触发上述“接收选项”或者“拒绝选项”向上述服务端主动反馈对本次用户推荐的接受程度；

当上述目标用户在查看了某一“推荐用户”的个人信息后，对该“推荐用户”不感兴趣，那么上述目标用户可以通过触发与该“推荐用户”对应的“拒绝选项”拒绝该“推荐用户”。反之，如果上述目标用户在查看了某一“推荐用户”的个人信息后，对该“推荐用户”很感兴趣，那么上述目标用户也可以通过触发与该“推荐用户”对应的“接收选项”接收该“推荐用户”。

如果上述目标用户拒绝了某个“推荐用户”后，支付宝平台可以将该“推荐用户”标注“非适配用户”；反之，如果上述目标用户接收了某个“推荐用户”后，支付宝平台可以将该“推荐用户”标注“适配用户”。

在另一种实施方式中，上述目标用户的支付客户端，在通过用户界面中展示服务端输出“推荐用户”的个人信息时，也可以针对每一个“推荐用户”分别提供一个对应的“会话选项”；比如该会话选项具体可以是一个“聊天入口”。如果上述目标用户在查看了某一“推荐用户”的个人信息后，对该“推荐用户”很感兴趣，那么上述目标用户可以通过触发与该“推荐用户”对应的“聊天入口”，发起与该“推荐用户”的聊天会话。

当支付宝平台监测到上述目标用户发起的与某一“推荐用户”的聊天会话后，可以将该“推荐用户”标注为“适配用户”；同时，支付宝平台可以进一步统计上述目标用户与上述“适配用户”的聊天会话的中断时长，并判断该中断时长是否大于预设阈值(比如三个月)；如果是，可以将该“适配用户”重新标记为“非适配用户”。

对于所有被标记为“非适配用户”的待推送用户，支付宝平台可以在后台同步的对所有待推送用户中的“非适配用户”进行过滤。

同时，为了对上述目标用户的用户模型不断的进行优化，对于标记为“适配用户”的“推荐用户”，支付宝平台可以基于该“推荐用户”的用户模型中各个维度的用户属性信息，对在量化上述目标用户的用户模型与各待推送用户的用户模型的相似度时，所采用的相似度量化规则进行反向调整，进而可以不断的提高在利用上述目标用户的用户模型进行用户推荐时的推荐精准度。

而对于标记为“非适配用户”的“推荐用户”，支付宝平台可以将“推荐用户”的用户模型中各个维度的用户属性信息，作为非适配用户的筛选条件(即排斥条件)，添加至上述目标用户的用户模型；上述服务端在通过量化上述目标用户的用户模型与各待推送用户的用户模型的相似度，为该目标用户进行用户推荐的过程中，如果任一待推送用户命中上述“非适配用户”的筛选条件时，则可以直接将该待推送用户直接标注为“非适配用户”。

可见，通过这种方式，与传统的“用户推荐”机制相比，目标用户不再需要通过支付宝客户端来手动设置复杂的用户筛选条件，支付宝平台通过在后台不断学习该用户的多个维度的用户属性信息进行建模，并通过度量用户模型之间的相似度，就可以从多个维度进行用户筛选，为上述目标用户有针对性的推送与该目标用户的用户特征以及用户偏好适配的潜在交往对象；

比如，支付宝平台可以利用平台中已经沉淀的各类用户数据，为上述目标用户推送和自己信用评分一致的用户、和自己兴趣爱好一致的用户、和自己物质基础差不多的用户，等等；能够在物质条件和精神需求层级最大程度的做到一个平衡。同时，支付宝平台通过对上述目标用户感兴趣的潜在交往对象实时的进行标注，还可以避免该目标用户被同时交往多个对象的人欺骗的问题。

与上述方法实施例相对应，本申请还提供了装置的实施例。

请参见图2，本申请提出一种用户推荐装置20，应用于服务端；其中，请参见图3，作为承载所述用户推荐装置20的服务端所涉及的硬件架构中，通常包括CPU、内存、非易失性存储器、网络接口以及内部总线等；以软件实现为例，所述用户推荐装置20通常可以理解为加载在内存中的计算机程序，通过CPU运行之后形成的软硬件相结合的逻辑装置，所述装置20包括：

提取模块201，从采集到的用户数据中提取用户属性信息；

构建模块202，基于提取到的多个维度的用户属性信息构建用户模型，并基于提取到的新增用户属性信息对所述用户模型进行动态更新；

计算模块203，计算目标用户的用户模型与待推送用户的用户模型的相似度；

推送模块204，将与所述目标用户的用户模型的相似度达到预设阈值的待推送用户的个人信息，推送至所述目标用户。

在本例中，所述用户属性信息，包括表征用户特征的用户属性信息，以及表征用户偏好的用户属性信息；

所述提取模块201：

从采集到的用户数据中提取表征用户特征的用户属性信息；和/或，

针对采集到的用户数据进行数据分析，并基于数据分析结果生成表征用户偏好的用户属性信息。

在本例中，所述用户模型中各个维度的用户属性信息分别预设了对应的相似度量化规则；

所述计算模块203：

将目标用户的用户模型中各个维度的用户属性信息，分别与待推送用户的用户模型中对应维度的用户属性信息进行匹配；

基于所述相似度量化规则对匹配结果分别进行相似度量化，得到对应于各个维度的用户属性信息的相似度评分；

针对各个维度的用户属性信息对应的相似度评分进行加权计算，得到所述目标用户的用户模型与所述待推送用户的用户模型的相似度评分。

在本例中，所述推送模块204进一步：

接收所述目标用户针对已推送用户的反馈信息；如果所述反馈信息指示所述目标用户已关注所述已推送用户，将所述已推送用户标注为所述目标用户的适配用户；如果所述反馈信息指示所述目标用户未关注所述已推送用户，将所述已推送用户标注为所述目标用户的非适配用户。

在本例中，所述推送模块204进一步：

监测所述目标用户是否发起了与已推送用户的社交会话；

如果检测到所述目标用户触发了与所述已推送用户的社交会话，将所述已推送用户标注为所述目标用户的适配用户；以及，

统计所述目标用户与所述已推送用户的社交会话的中断时长，并判断所述中断时长是否达到预设阈值；如果是，将所述已推送用户标注为所述目标用户的非适配用户。

在本例中，所述装置20还包括：

调整模块205(图2中未示出)，当任一已推送用户被所述标注模块标注为所述目标用户的适配用户时，基于该已推送用户的用户模型中各个维度的用户属性信息，与所述目标用户的用户模型中对应维度的用户属性信息的匹配结果，对与所述目标用户的用户模型中各个维度的用户属性信息对应的相似度量化规则进行调整，以提高针对所述目标用户的用户推荐精准度。

在本例中，所述装置20还包括：

添加模块206(图2中未示出)，当任一已推送用户被标注为所述目标用户的非适配用户时，将该已推送用户的用户模型中各个维度的用户属性信息作为非适配用户的筛选条件，添加至所述目标用户的用户模型；其中，当任一待推送用户命中所述非适配用户的筛选条件时，将被标注为所述目标用户的非适配用户。

在本例中，所述装置20还包括：

过滤模块207(图2中未示出)，过滤被标注为所述目标用户的非适配用户的待推送用户。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (16)

1.一种用户推荐方法，其特征在于，应用于服务端，所述方法包括：

从采集到的用户数据中提取用户属性信息；

基于提取到的多个维度的用户属性信息构建用户模型，并基于提取到的新增用户属性信息对所述用户模型进行动态更新；

计算目标用户的用户模型与待推送用户的用户模型的相似度；

将与所述目标用户的用户模型的相似度达到预设阈值的待推送用户的个人信息，推送至所述目标用户。

2.根据权利要求1所述的方法，其特征在于，所述用户属性信息，包括表征用户特征的用户属性信息，以及表征用户偏好的用户属性信息；

所述从采集到的用户数据中提取用户属性信息，包括：

从采集到的用户数据中提取表征用户特征的用户属性信息；和/或，

针对采集到的用户数据进行数据分析，并基于数据分析结果生成表征用户偏好的用户属性信息。

3.根据权利要求1所述的方法，其特征在于，所述用户模型中各个维度的用户属性信息分别预设了对应的相似度量化规则；

所述计算目标用户的用户模型与待推送用户的用户模型的相似度，包括：

将目标用户的用户模型中各个维度的用户属性信息，分别与待推送用户的用户模型中对应维度的用户属性信息进行匹配；

基于所述相似度量化规则对匹配结果分别进行相似度量化，得到对应于各个维度的用户属性信息的相似度评分；

针对各个维度的用户属性信息对应的相似度评分进行加权计算，得到所述目标用户的用户模型与所述待推送用户的用户模型的相似度评分。

4.根据权利要求1所述的方法，其特征在于，还包括：

接收所述目标用户针对已推送用户的反馈信息；

如果所述反馈信息指示所述目标用户已关注所述已推送用户，将所述已推送用户标注为所述目标用户的适配用户；

如果所述反馈信息指示所述目标用户未关注所述已推送用户，将所述已推送用户标注为所述目标用户的非适配用户。

5.根据权利要求1所述的方法，其特征在于，还包括：

监测所述目标用户是否发起了与已推送用户的社交会话；

如果检测到所述目标用户触发了与所述已推送用户的社交会话，将所述已推送用户标注为所述目标用户的适配用户；以及，

统计所述目标用户与所述已推送用户的社交会话的中断时长，并判断所述中断时长是否达到预设阈值；如果是，将所述已推送用户标注为所述目标用户的非适配用户。

6.根据权利要求4或5所述的方法，其特征在于，还包括：

当任一已推送用户被标注为所述目标用户的适配用户时，基于该已推送用户的用户模型中各个维度的用户属性信息，与所述目标用户的用户模型中对应维度的用户属性信息的匹配结果，对与所述目标用户的用户模型中各个维度的用户属性信息对应的相似度量化规则分别进行调整，以提高针对所述目标用户的用户推荐精准度。

7.根据权利要求4或5所述的方法，其特征在于，还包括：

当任一已推送用户被标注为所述目标用户的非适配用户时，将该已推送用户的用户模型中各个维度的用户属性信息作为非适配用户的筛选条件，添加至所述目标用户的用户模型；其中，当任一待推送用户命中所述非适配用户的筛选条件时，将被标注为所述目标用户的非适配用户。

8.根据权利要求4或5所述的方法，其特征在于，还包括：

过滤被标注为所述目标用户的非适配用户的待推送用户。

9.一种用户推荐装置，其特征在于，应用于服务端，所述装置包括：

提取模块，从采集到的用户数据中提取用户属性信息；

构建模块，基于提取到的多个维度的用户属性信息构建用户模型，并基于提取到的新增用户属性信息对所述用户模型进行动态更新；

计算模块，计算目标用户的用户模型与待推送用户的用户模型的相似度；

推送模块，将与所述目标用户的用户模型的相似度达到预设阈值的待推送用户的个人信息，推送至所述目标用户。

10.根据权利要求9所述的装置，其特征在于，所述用户属性信息，包括表征用户特征的用户属性信息，以及表征用户偏好的用户属性信息；

所述提取模块：

从采集到的用户数据中提取表征用户特征的用户属性信息；和/或，

针对采集到的用户数据进行数据分析，并基于数据分析结果生成表征用户偏好的用户属性信息。

11.根据权利要求9所述的装置，其特征在于，所述用户模型中各个维度的用户属性信息分别预设了对应的相似度量化规则；

所述计算模块：

将目标用户的用户模型中各个维度的用户属性信息，分别与待推送用户的用户模型中对应维度的用户属性信息进行匹配；

基于所述相似度量化规则对匹配结果分别进行相似度量化，得到对应于各个维度的用户属性信息的相似度评分；

针对各个维度的用户属性信息对应的相似度评分进行加权计算，得到所述目标用户的用户模型与所述待推送用户的用户模型的相似度评分。

12.根据权利要求9所述的装置，其特征在于，所述推送模块进一步：

接收所述目标用户针对已推送用户的反馈信息；

如果所述反馈信息指示所述目标用户已关注所述已推送用户，将所述已推送用户标注为所述目标用户的适配用户；

如果所述反馈信息指示所述目标用户未关注所述已推送用户，将所述已推送用户标注为所述目标用户的非适配用户。

13.根据权利要求9所述的装置，其特征在于，所述推送模块进一步：

监测所述目标用户是否发起了与已推送用户的社交会话；

如果检测到所述目标用户触发了与所述已推送用户的社交会话，将所述已推送用户标注为所述目标用户的适配用户；以及，

统计所述目标用户与所述已推送用户的社交会话的中断时长，并判断所述中断时长是否达到预设阈值；如果是，将所述已推送用户标注为所述目标用户的非适配用户。

14.根据权利要求12或13所述的装置，其特征在于，所述装置还包括：

调整模块，当任一已推送用户被所述标注模块标注为所述目标用户的适配用户时，基于该已推送用户的用户模型中各个维度的用户属性信息，与所述目标用户的用户模型中对应维度的用户属性信息的匹配结果，对与所述目标用户的用户模型中各个维度的用户属性信息对应的相似度量化规则分别进行调整，以提高针对所述目标用户的用户推荐精准度。

15.根据权利要求12或13所述的装置，其特征在于，所述装置还包括：

添加模块，当任一已推送用户被标注为所述目标用户的非适配用户时，将该已推送用户的用户模型中各个维度的用户属性信息作为非适配用户的筛选条件，添加至所述目标用户的用户模型；其中，当任一待推送用户命中所述非适配用户的筛选条件时，将被标注为所述目标用户的非适配用户。

16.根据权利要求12或13所述的装置，其特征在于，所述装置还包括：

过滤模块，过滤被标注为所述目标用户的非适配用户的待推送用户。