CN107203901A - 向用户推送产品信息的方法及装置 - Google Patents
向用户推送产品信息的方法及装置 Download PDFInfo
- Publication number
- CN107203901A CN107203901A CN201710330724.6A CN201710330724A CN107203901A CN 107203901 A CN107203901 A CN 107203901A CN 201710330724 A CN201710330724 A CN 201710330724A CN 107203901 A CN107203901 A CN 107203901A
- Authority
- CN
- China
- Prior art keywords
- user
- mrow
- users
- factor
- similarity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 7
- 238000013016 damping Methods 0.000 claims description 4
- 238000011144 upstream manufacturing Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 10
- 238000011156 evaluation Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 101000911753 Homo sapiens Protein FAM107B Proteins 0.000 description 1
- 102100026983 Protein FAM107B Human genes 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种向用户推送产品信息的方法及装置，通过获取任意两个用户之间的相似度因子、亲密度因子及每个用户的单向联系个数，并根据用户之间的相似度因子、亲密度因子及所述单向联系个数，获取每个用户的影响力指数，从而可以得到用户的影响力指数排名，进而根据影响力指数向用户终端发送产品信息。本发明的向用户推送产品信息的方法综合考虑了用户之间的相似度因子和亲密度因子，在用户之间的有向联系中，上游用户的影响力指数依据相似度和亲密度赋予给与其通过有向边连接的各下游用户，更符合现实生活中用户间相互影响的情况，提高了对用户影响力评估结果的准确性，进而提高了向用户终端发送产品信息的效果。
Description
技术领域
本发明实施例涉及互联网技术领域，尤其涉及一种向用户推送产品信息的方法及装置。
背景技术
在当前的社交网络大潮中，通过用户社交圈进行产品信息推送正在成为传统行业所做的积极尝试。企业将系统地看待目标用户群体，利用用户之间相互联系和相互作用的机理，识别、引导和培育出一个用户影响力体系，并将它运用于市场营销，即所谓的“影响力营销”的概念。如何应用互联网对社交网络进行数据挖掘，评估社交圈中用户的影响力，识别社交圈中拥有巨大影响力的用户一直是企业所面临的重点和难点。
目前对影响力评估常应用PageRank算法(网页排名算法)，其中PageRank算法是Google的创始人拉里·佩奇和谢尔盖·布林开发的技术，用于衡量特定网页相对于搜索引擎索引中的其他网页而言的重要程度。而将PageRank算法应用于对用户的影响力评估领域中，则以用户为节点，用户之间的关系为有向边，例如在微博等社交网站或即时通信软件中的关注与被关注的关系，对于影响力越高的用户，关注他的用户越多，而被影响力越高的用户关注，其影响力也越高。
现有的用户影响力评估模型中，将用户之间的相互影响采取等价处理的方式，即用户之间的有向边是等价的，上游用户的影响力指数平均赋予给与其通过有向边连接的各下游用户，因此导致用户影响力评估结果并不准确，根据该用户影响力评估结果进行产品信息推送也无法达到较好的信息推送效果。
发明内容
本发明提供一种向用户推送产品信息的方法及装置，以提供基于相似度和亲密度进行用户影响力评估，用户影响力评估结果较为准确，应用于向用户推送产品信息的领域中，可提高产品信息推送的实施效果。
本发明的一个方面提供一种向用户推送产品信息的方法，包括：
根据每个用户的相似度相关特征获取任意两个用户之间的相似度因子；
根据每个用户的亲密度相关特征获取任意两个用户之间的亲密度因子；
获取每个用户的单向联系个数；
根据用户之间的相似度因子、亲密度因子及所述单向联系个数，获取每个用户的影响力指数；
根据所述影响力指数向用户终端发送产品信息。
本发明的另一个方面提供一种向用户推送产品信息的装置，包括：
相似度因子获取模块，用于根据每个用户的相似度相关特征获取任意两个用户之间的相似度因子；
亲密度因子获取模块，用于根据每个用户的亲密度相关特征获取任意两个用户之间的亲密度因子；
联系状态获取模块，用于获取每个用户的单向联系个数；
影响力指数获取模块，用于根据用户之间的相似度因子、亲密度因子及所述单向联系个数，获取每个用户的影响力指数；
发送模块，用于根据所述影响力指数向用户终端发送产品信息。
本发明提供的向用户推送产品信息的方法及装置，通过获取任意两个用户之间的相似度因子、亲密度因子及每个用户的单向联系个数，并根据用户之间的相似度因子、亲密度因子及所述单向联系个数，获取每个用户的影响力指数，从而可以得到社交网络中用户的影响力指数排名，进而根据影响力指数向用户终端发送产品信息。本发明的向用户推送产品信息的方法综合考虑了用户之间的相似度因子和亲密度因子，在用户之间的有向联系中，上游用户的影响力指数依据相似度和亲密度赋予给与其通过有向边连接的各下游用户，更符合现实生活中用户间相互影响的情况，提高了对用户影响力评估结果的准确性，进而提高了向用户终端发送产品信息的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的向用户推送产品信息的方法流程图；
图2为本发明另一实施例提供的向用户推送产品信息的方法流程图；
图3为本发明又一实施例提供的向用户推送产品信息的方法流程图；
图4为本发明一实施例提供的向用户推送产品信息的装置的结构图；
图5为本发明另一实施例提供的相似度因子获取模块的结构图；
图6为本发明又一实施例提供的亲密度因子获取模块的系统的结构图。
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。
图1为本发明一实施例提供的向用户推送产品信息的方法流程图。如图1所示，本实施例提供一种向用户推送产品信息的方法，该方法具体步骤如下：
S101、根据每个用户的相似度相关特征获取任意两个用户之间的相似度因子。
本实施例中，相似度相关特征可以包括用户性别、年龄、职业、学历、消费数据、活跃地理区域信息和兴趣信息等等，本实施例中的相似度相关特征可以包括上述的一种或多种，当然也可包括其他的表征用户信息的特征，此处不再赘述。相似度因子是基于相似度相关特征来衡量两个用户之间的相似程度，相似度因子的获取可以采用向量空间模型，例如欧氏距离或余弦相似度，当然也可以采用其他相似度算法，例如基于hash方法的相似计算等等。
S102、根据每个用户的亲密度相关特征获取任意两个用户之间的亲密度因子。
本实施例中，亲密度相关特征可以包括预定时段内用户之间固定电话或移动电话的主动呼叫频次、及每次主动呼叫的通话时长，也可以为即时通信软件的联系记录，例如视频聊天或语音聊天的主动发起频次、及每次聊天的时长，或者语音信息的发送频次、及每段语音信息的时长等等。亲密度因子是基于亲密度相关特征来衡量两个用户之间的亲密度因子，用户间联系越频繁则亲密度因子越大，当然若两个用户没有联系，亲密度因子计为零。
S103、获取每个用户的单向联系个数。
本实施例中，单向联系是区分主动联系与被动联系，例如用户A主动呼叫用户B，则用户A与用户B之间存在一次由用户A指向用户B的单向联系，当在预定时段内用户A分别主动呼叫了用户B、用户C和用户D，则用户A的单向联系个数为3。
需要说明的是步骤S101、S102和S103之间并不区分先后顺序，也可同步执行。
S104、根据用户之间的相似度因子、亲密度因子及所述单向联系个数，获取每个用户的影响力指数。
用户的影响力指数用来衡量用户的影响力的大小，影响力指数的数值较大的用户在社交圈中拥有较大的影响力。本实施中用户的影响力指数可采用PageRank算法或其衍生算法，也可采用HITS算法或其衍生算法，并综合考虑到用户与用户间的相似度因子和亲密度因子，以获得更准确的影响力指数，从而寻找到社交网络中的影响力较大的用户。
S105、根据所述影响力指数向用户终端发送产品信息。
本实施例中，可根据影响力指数的数值大小进行排序，影响力指数的数值较大的用户则是社交圈中拥有较大影响力的用户，作为推送产品信息的对象，对其推送产品信息，即向用户终端如手机或即时通信软件的账号等发送产品信息，将其转化为潜在客户，利用口碑传播的影响力，可以实现更有效的产品宣传。
本实施例提供的向用户推送产品信息的方法及装置，通过获取任意两个用户之间的相似度因子、亲密度因子及每个用户的单向联系个数，并根据用户之间的相似度因子、亲密度因子及所述单向联系个数，获取每个用户的影响力指数，从而可以得到社交网络中用户的影响力指数排名，进而根据影响力指数向用户终端发送产品信息。本实施例的向用户推送产品信息的方法综合考虑了用户之间的相似度因子和亲密度因子，在用户之间的有向联系中，上游用户的影响力指数依据相似度和亲密度赋予给与其通过有向边连接的各下游用户，更符合现实生活中用户间相互影响的情况，提高了对用户影响力评估结果的准确性，进而提高了向用户终端发送产品信息的效果。
在上述实施例的基础上，S104中根据用户之间的相似度因子、亲密度因子及所述单向联系个数，获取每个用户的影响力指数，具体包括：
根据如下公式获取每个用户的影响力指数；
其中，T为用户总数，为用户i的影响力指数，i为1-T中的整数；为与所述用户i有单向联系的用户j的影响力指数，j为1-T中的整数，Lj为由所述用户j单向联系的用户的个数，的初始为1/T；d为阻尼因子，1-d表示除所述用户j外的其他随机用户单向联系所述用户i的概率；为所述用户j与所述用户i之间的相似度因子；为所述用户j与所述用户i之间的亲密度因子；
更新所述用户j的影响力指数后根据所述用户影响力评估模型进行迭代，直到任意用户i的影响力指数为恒定或达到预定迭代次数，以获取每一用户的影响力指数。
目前对影响力评估常应用PageRank算法(网页排名算法)，其中PageRank算法是Google的创始人拉里·佩奇和谢尔盖·布林开发的技术，用于衡量特定网页相对于搜索引擎索引中的其他网页而言的重要程度。而将PageRank算法应用于对用户的影响力评估领域中，则以用户为节点，用户之间的关系为有向边，例如在微博等社交网站或即时通信软件中的关注与被关注的关系，对于影响力越高的用户，关注他的用户越多，而被影响力越高的用户关注，其影响力也越高。
本实施例中考虑到现有的基于PageRank算法用户影响力评估模型中，将用户之间的相互影响采取等价处理的方式，即用户之间的有向边是等价的，上游用户的影响力指数平均赋予给与其通过有向边连接的各下游用户。而现实生活中用户具有趋同性，例如相似度较高的用户(如年龄相仿、兴趣相近、活动区域重叠度高)之间进行口碑传播，效果更优；并且交往密切的用户(如朋友、亲戚之间)之间的信息传播，可提高用户对信息的信任度和认同度，效果优于陌生用户之间(如营销人员、中介推广等)的信息推荐。再如，在微博中的相互关注，除了用户间的关注与被关注关系，用户间的兴趣爱好、联系亲密度等，也对微博的用户影响力评估结果有影响。即，现有的基于PageRank算法用户影响力评估模型中上游用户对与其通过有向边连接的各下游用户会依据相似度和亲密度的不同产生不同的相互影响，而忽略了用户间的相似度和亲密度，必然影响用户影响力评估结果的准确性。
因此，本实施例基于PageRank算法，同时考虑了用户之间的相似度因子和亲密度因子，相当于给PageRank算法中用户之间的有向边赋予权重，而并非等价处理，即将用户的影响力指数并非平均赋予给与该用户单向联系的各用户，而是增加了用户间的相似度和亲密度作为权重因子，用户j单向联系多个用户，如果其中的用户i与用户j之间的相似度越高或亲密度越高，那么用户j的影响力指数对用户i的影响力指数的计算结果影响更大，在用户之间的有向联系中的上游用户的影响力指数依据相似度和亲密度赋予给与其通过有向边连接的各下游用户。该算法更符合用户间相互影响的实际情况，所得的用户的影响力指数更为准确，提高了对用户影响力评估结果的准确性。
图2为本发明另一实施例提供的向用户推送产品信息的方法流程图，在上述实施例的基础上，S101中根据每个用户的相似度相关特征获取任意两个用户之间的相似度因子，可具体通过下述步骤实现：
S201、将用户的每一相似度相关特征按预定规则进行分组，并离散化，获取对应的相似度相关特征值。
所述相似度相关特征包括用户性别参数、年龄参数、消费数据、活跃地理区域信息和兴趣信息中的一个或多个，当然也并不仅限于上述特征。本实施例中以用户性别参数、年龄参数、消费数据、活跃地理区域信息和兴趣信息这五个特征作相似度相关特征进行举例说明。
对于用户i，将其每一相似度相关特征按预定规则进行分组，并离散化，从而获取对应的相似度相关特征值：为用户性别参数的特征值，为年龄参数的特征值，为消费数据的特征值，为活跃地理区域信息的特征值，为兴趣信息的特征值。其预定规则可以为：对于上述各相似度相关特征中为数值的，根据数值大小进行分组并离散化；对于上述各相似度相关特征中不为数值的，例如用户性别参数，首先按类别进行分组，在对各组进行赋值量化，从而实现离散化，获取对应的相似度相关特征值。具体如表1-5所示。
表1
| 性别 | 特征值 |
| 男性 | f1 i＝1 |
| 女性 | f1 i＝2 |
表2
表3
表4
表5
本实施例中按预定规则进行分组并离散化的目的是均衡的考虑各相似度相关特征，避免某一相似度相关特征对欧氏距离的影响过大，导致各相似度相关特征无可比性，从而使所得的相似度因子不准确。
S202、根据所述相似度相关特征值获取任意两个用户之间的欧氏距离。
欧氏距离又称欧几里得度量(Euclidean metric)，是在m维空间中两个点之间的真实距离，欧氏距离常用于应用最广泛的一个基础相似度计算模型——向量空间模型(Vector space model)中。因此，本实施例中可以根据上述各相似度相关特征值对于每一用户构建特征向量，以便于进行后续分析。基于上述S201中的举例，对于用户i可构建特征向量
更具体的，根据如下公式获取任意两个用户的欧氏距离：
其中，sji为用户j与用户i之间的欧氏距离，n为相似度相关特征的类别数量，n为正整数，k为1-n中的整数；与分别为所述用户i与所述用户j与第k类相似度相关特征对应的相似度相关特征值。
S203、通过将所述欧氏距离归一化处理，获取任意两个用户之间的相似度因子。
通过归一化处理，使欧氏距离处于同一个数量级别上，可以进行综合测评分析。
具体的，可根据如下公式将所述欧氏距离归一化处理，获取用户j与用户i之间的相似度因子
其中，μs为所有用户中任意两个用户之间的欧氏距离的平均值，σs为所有用户中任意两个用户之间的欧氏距离的标准差。
进一步的，本实施例中所述相似度相关特征包括用户性别参数、年龄参数、消费数据、活跃地理区域信息和兴趣信息中的一个或多个；其中，所述用户性别参数、所述年龄参数及所述消费数据由通信系统中BSS域获取，活跃地理区域信息及用户兴趣信息由通信系统中OSS域获取。
其中，通信系统中BSS域是指电话公司或电信运营商的业务支撑系统(Businesssupport system)，通信系统中OSS域是指电话公司或电信运营商的运营支撑系统(Operation Support System)，是电信运营商的一体化、信息资源共享的支持系统，主要由网络管理、系统管理、计费、营业、账务和客户服务等部分组成。本实施例中，用户性别参数、年龄参数可通过BSS域的用户基础信息表中的性别、年龄字段获取，消费数据通过BSS域的用户月账单表中的ARPU值(Average Revenue Per User，每用户平均收入)字段获取，用户活跃地理区域信息通过OSS域的Iu-PS表中的LAC(Location Area Code，位置区识别码)、CI(Cellular Identity，小区识别)字段获取，用户兴趣信息通过OSS域Iu-PS表中的手机软件APP字段获取。
具体的，用户活跃地理区域信息获取方式如下：将某城市工参数据中的LAC、CI按各地城市规划映射成各大商圈，将OSS域Iu-PS数据中用户活动所在的LAC、CI与工参数据中的LAC、CI进行匹配，并以商圈为维度进行汇总，将用户发生业务最多的商圈定义为用户活跃地理区域，并记录活跃商圈编号。用户兴趣信息获取方式如下：将Iu-PS数据中能够解析的手机软件APP进行分类，按照电商、金融、旅游出行、汽车、母婴、视频、新闻等类别进行归类，将用户使用频次最高的类别，定义为用户兴趣信息，并记录用户兴趣点编号。
本实施例通过通信系统中BSS域和OSS域联合数据分析，选取用户的相似度相关特征，并对特征进行量化和离散化，其数据源优于其他基于互联网(微博、论坛等)获取数据的领域，具有较高的精度，并且数据的获取更加便捷。
图3为本发明又一实施例提供的向用户推送产品信息的方法流程图，在上述实施例的基础上，S102中根据每个用户的亲密度相关特征获取任意两个用户之间的亲密度因子，可具体通过下述步骤实现：
S301、获取在预定时段内任意用户j对用户i的主动呼叫频次、以及每次主动呼叫的通话时长。
本实施例中，预定时段内任意用户j对用户i的主动呼叫频次、以及每次主动呼叫的通话时长，可为从通信系统中BSS域数据用户语音通话详单中获取的固定电话或移动通信数据，当然也可以是从网络服务器获取的视频、语音聊天的记录等等。
S302、根据在预定时段内所述用户j对所述用户i的主动呼叫频次以及每次主动呼叫的通话时长，获取用户j与用户i之间的亲密度因子。
亲密度因子的获取具体可采用以下两种方案：
方案一：根据预定时段内所述用户j对所述用户i的每次主动呼叫的通话时长获取单次通话平均时长；
将预定时段内所述用户j对所述用户i的主动呼叫频次、以及单次通话平均时长分别按取值范围区间分组并进行离散化，并根据获取用户j与用户i之间的亲密度因子
其中，代表离散化后的预定时段内所述用户j对所述用户i的主动呼叫频次，代表离散化后的所述单次通话平均时长。
本方案中，将预定时段内所述用户j对所述用户i的主动呼叫频次、以及单次通话平均时长分别按取值范围区间分组并进行离散化，可以如表6和表7所示，通过分组和离散化将亲密度因子限定于有限的25种结果，从而使得用户之间的亲密度因子有可比性，且避免了影响力指数的计算中亲密度因子对结果产生较大的影响，可以是亲密度因子和相似度因子对影响力指数结果的影响较为均衡。当然分组和离散化并不仅限于表中所示的方式。
表6
表7
方案二：根据预定时段内所述用户j对所述用户i的主动呼叫频次以及每次主动呼叫的通话时长，获取在预定时段内所述用户j对所述用户i的主动呼叫的通话总时长；
将预定时段内所述用户j对所述用户i的主动呼叫的通话总时长按取值范围区间分组并进行离散化，并根据获取用户j与用户i之间的亲密度因子
其中，代表离散化后的所述用户j对所述用户i的主动呼叫的通话总时长。
本方案中，将预定时段内所述用户j对所述用户i的主动呼叫的通话总时长按取值范围区间分组并进行离散化，可如表8所示，当然分组和离散化并不仅限于表中所示的方式。
表8
进一步的，所述获取用户j与用户i之间的亲密度因子后，还包括：
将所述用户亲密度因子根据如下公式进行归一化处理，并以归一化处理后的结果为用户j与用户i之间的亲密度因子：
其中，μq为所有用户中任意两个用户之间的亲密度因子的平均值，σq为所有用户中任意两个用户之间的亲密度因子的标准差。通过归一化处理，使亲密度因子处于同一个数量级别上，可以进行综合测评分析。
图4为本发明一实施例提供的向用户推送产品信息的装置的结构图。本实施例提供的向用户推送产品信息的装置可以执行上述图像拼接方法实施例提供的处理流程，如图4所示，该向用户推送产品信息的装置包括：相似度因子获取模块10、亲密度因子获取模块20、联系状态获取模块30、影响力指数获取模块40、以及发送模块50。
其中，相似度因子获取模块10用于根据每个用户的相似度相关特征获取任意两个用户之间的相似度因子；
亲密度因子获取模块20用于根据每个用户的亲密度相关特征获取任意两个用户之间的亲密度因子；
联系状态获取模块30用于获取每个用户的单向联系个数；
影响力指数获取模块40用于根据用户之间的相似度因子、亲密度因子及所述单向联系个数，获取每个用户的影响力指数；
发送模块50用于根据所述影响力指数向用户终端发送产品信息。
本实施例提供的向用户推送产品信息的装置，通过获取任意两个用户之间的相似度因子、亲密度因子及每个用户的单向联系个数，并根据用户之间的相似度因子、亲密度因子及所述单向联系个数，获取每个用户的影响力指数，从而可以得到社交网络中用户的影响力指数排名，进而根据影响力指数向用户终端发送产品信息。本实施例的向用户推送产品信息的装置综合考虑了用户之间的相似度因子和亲密度因子，在用户之间的有向联系中，上游用户的影响力指数依据相似度和亲密度赋予给与其通过有向边连接的各下游用户，更符合现实生活中用户间相互影响的情况，提高了对用户影响力评估结果的准确性，进而提高了向用户终端发送产品信息的效果。
进一步的，所述影响力指数获取模块40具体用于：
根据如下公式获取每个用户的影响力指数；
其中，T为用户总数，为用户i的影响力指数，i为1-T中的整数；为与所述用户i有单向联系的用户j的影响力指数，j为1-T中的整数，Lj为由所述用户j单向联系的用户的个数，的初始为1/T；d为阻尼因子，1-d表示除所述用户j外的其他随机用户单向联系所述用户i的概率；为所述用户j与所述用户i之间的相似度因子；为所述用户j与所述用户i之间的亲密度因子；
更新所述用户j的影响力指数后根据所述用户影响力评估模型进行迭代，直到任意用户i的影响力指数为恒定或达到预定迭代次数，以获取每一用户的影响力指数。
进一步的，如图5所示，所述相似度因子获取模块10包括：相似度相关特征值获取子模块11、欧氏距离获取子模块12以及归一化子模块13，可具体执行如图2所示方法的流程，此处不再赘述。
其中，相似度相关特征值获取子模块11用于将用户的每一相似度相关特征按预定规则进行分组，并离散化，获取对应的相似度相关特征值；
欧氏距离获取子模块12用于根据所述相似度相关特征值获取任意两个用户之间的欧氏距离；
归一化子模块13用于通过将所述欧氏距离归一化处理，获取任意两个用户之间的相似度因子。
进一步的，所述相似度相关特征包括用户性别参数、年龄参数、消费数据、活跃地理区域信息和兴趣信息中的一个或多个；
其中，所述用户性别参数、所述年龄参数及所述消费数据由通信系统中BSS域获取，活跃地理区域信息及用户兴趣信息由通信系统中OSS域获取。
进一步的，所述欧氏距离获取子模块12具体用于根据如下公式获取任意两个用户的欧氏距离：
其中，sji为用户j与用户i之间的欧氏距离，n为相似度相关特征的类别数量，n为正整数，k为1-n中的整数；与分别为所述用户i与所述用户j与第k类相似度相关特征对应的相似度相关特征值；
所述归一化子模块13具体用于根据如下公式将所述欧氏距离归一化处理，获取用户j与用户i之间的相似度因子
其中，μs为所有用户中任意两个用户之间的欧氏距离的平均值，σs为所有用户中任意两个用户之间的欧氏距离的标准差。
进一步的，如图6所示，所述亲密度因子获取模块20具体包括：通话记录获取子模块21以及亲密度因子计算子模块22，可具体执行如图3所示方法的流程，此处不再赘述。
其中，通话记录获取子模块21，用于获取在预定时段内任意用户j对用户i的主动呼叫频次、以及每次主动呼叫的通话时长；
亲密度因子计算子模块22，用于根据在预定时段内所述用户j对所述用户i的主动呼叫频次以及每次主动呼叫的通话时长，获取用户j与用户i之间的亲密度因子。
进一步的，所述亲密度因子计算子模块22具体用于：
根据预定时段内所述用户j对所述用户i的每次主动呼叫的通话时长获取单次通话平均时长；
将预定时段内所述用户j对所述用户i的主动呼叫频次、以及单次通话平均时长分别按取值范围区间分组并进行离散化，并根据获取用户j与用户i之间的亲密度因子
其中，代表离散化后的预定时段内所述用户j对所述用户i的主动呼叫频次，代表离散化后的所述单次通话平均时长；
或者，
根据预定时段内所述用户j对所述用户i的主动呼叫频次以及每次主动呼叫的通话时长，获取在预定时段内所述用户j对所述用户i的主动呼叫的通话总时长；
将预定时段内所述用户j对所述用户i的主动呼叫的通话总时长按取值范围区间分组并进行离散化，并根据获取用户j与用户i之间的亲密度因子
其中，代表离散化后的所述用户j对所述用户i的主动呼叫的通话总时长。
进一步的，所述亲密度因子计算子模块22还用于：
将所述用户亲密度因子根据如下公式进行归一化处理，并以归一化处理后的结果为用户j与用户i之间的亲密度因子：
其中，μq为所有用户中任意两个用户之间的亲密度因子的平均值，σq为所有用户中任意两个用户之间的亲密度因子的标准差。
本实施例提供的向用户推送产品信息的装置可以具体用于执行上述方法实施例的处理流程，具体功能此处不再赘述。本实施例提供的向用户推送产品信息的装置中各模块均为程序模块，执行的设备可以是服务器，存储器中存储程序模块，通过服务器调用存储器中存储的程序模块来执行上述方法实施例中相应的步骤。
在本发明所提供的几个实施例中，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，例如多个单元可以结合，或一些特征可以忽略，或不执行。
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。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (16)
1.一种向用户推送产品信息的方法，其特征在于，包括：
根据每个用户的相似度相关特征获取任意两个用户之间的相似度因子；
根据每个用户的亲密度相关特征获取任意两个用户之间的亲密度因子；
获取每个用户的单向联系个数；
根据用户之间的相似度因子、亲密度因子及所述单向联系个数，获取每个用户的影响力指数；
根据所述影响力指数向用户终端发送产品信息。
2.根据权利要求1所述的方法，其特征在于，所述根据用户之间的相似度因子、亲密度因子及所述单向联系个数，获取每个用户的影响力指数，具体包括：
根据如下公式获取每个用户的影响力指数；
<mrow>
<msubsup>
<mi>PR</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>d</mi>
</mrow>
<mi>T</mi>
</mfrac>
<mo>+</mo>
<mi>d</mi>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mfrac>
<mrow>
<msubsup>
<mi>PR</mi>
<mi>j</mi>
<mo>*</mo>
</msubsup>
</mrow>
<msub>
<mi>L</mi>
<mi>j</mi>
</msub>
</mfrac>
<mo>&times;</mo>
<msubsup>
<mi>s</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>&times;</mo>
<msubsup>
<mi>q</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mo>*</mo>
</msubsup>
</mrow>
其中，T为用户总数，为用户i的影响力指数，i为1-T中的整数；为与所述用户i有单向联系的用户j的影响力指数，j为1-T中的整数，Lj为由所述用户j单向联系的用户的个数，的初始为1/T；d为阻尼因子，1-d表示除所述用户j外的其他随机用户单向联系所述用户i的概率；为所述用户j与所述用户i之间的相似度因子；为所述用户j与所述用户i之间的亲密度因子；
更新所述用户j的影响力指数后根据所述用户影响力评估模型进行迭代，直到任意用户i的影响力指数为恒定或达到预定迭代次数，以获取每一用户的影响力指数。
3.根据权利要求1所述的方法，其特征在于，所述根据每个用户的相似度相关特征获取任意两个用户之间的相似度因子，具体包括：
将用户的每一相似度相关特征按预定规则进行分组，并离散化，获取对应的相似度相关特征值；
根据所述相似度相关特征值获取任意两个用户之间的欧氏距离；
通过将所述欧氏距离归一化处理，获取任意两个用户之间的相似度因子。
4.根据权利要求3所述的方法，其特征在于，所述相似度相关特征包括用户性别参数、年龄参数、消费数据、活跃地理区域信息和兴趣信息中的一个或多个；
其中，所述用户性别参数、所述年龄参数及所述消费数据由通信系统中BSS域获取，活跃地理区域信息及用户兴趣信息由通信系统中OSS域获取。
5.根据权利要求3所述的方法，其特征在于，所述根据所述相似度相关特征值获取任意两个用户之间的欧氏距离，具体包括：
根据如下公式获取任意两个用户的欧氏距离：
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>f</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>f</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中，sji为用户j与用户i之间的欧氏距离，n为相似度相关特征的类别数量，n为正整数，k为1-n中的整数；与分别为所述用户i与所述用户j与第k类相似度相关特征对应的相似度相关特征值；
所述通过将所述欧氏距离归一化处理，获取任意两个用户之间的相似度因子，具体包括：
根据如下公式将所述欧氏距离归一化处理，获取用户j与用户i之间的相似度因子
<mrow>
<msubsup>
<mi>s</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>s</mi>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>s</mi>
</msub>
</mfrac>
</mrow>
其中，μs为所有用户中任意两个用户之间的欧氏距离的平均值，σs为所有用户中任意两个用户之间的欧氏距离的标准差。
6.根据权利要求1所述的方法，其特征在于，所述根据每个用户的亲密度相关特征获取任意两个用户之间的亲密度因子，具体包括：
获取在预定时段内任意用户j对用户i的主动呼叫频次、以及每次主动呼叫的通话时长；
根据在预定时段内所述用户j对所述用户i的主动呼叫频次以及每次主动呼叫的通话时长，获取用户j与用户i之间的亲密度因子。
7.根据权利要求6所述的方法，其特征在于，所述根据主动呼叫频次以及每次主动呼叫的通话时长，获取用户j与用户i之间的亲密度因子，具体包括：
根据预定时段内所述用户j对所述用户i的每次主动呼叫的通话时长获取单次通话平均时长；
将预定时段内所述用户j对所述用户i的主动呼叫频次、以及单次通话平均时长分别按取值范围区间分组并进行离散化，并根据获取用户j与用户i之间的亲密度因子
其中，代表离散化后的预定时段内所述用户j对所述用户i的主动呼叫频次，代表离散化后的所述单次通话平均时长；
或者，
根据预定时段内所述用户j对所述用户i的主动呼叫频次以及每次主动呼叫的通话时长，获取在预定时段内所述用户j对所述用户i的主动呼叫的通话总时长；
将预定时段内所述用户j对所述用户i的主动呼叫的通话总时长按取值范围区间分组并进行离散化，并根据获取用户j与用户i之间的亲密度因子
其中，代表离散化后的所述用户j对所述用户i的主动呼叫的通话总时长。
8.根据权利要求7所述的方法，其特征在于，所述获取用户j与用户i之间的亲密度因子后，还包括：
将所述用户亲密度因子根据如下公式进行归一化处理，并以归一化处理后的结果为用户j与用户i之间的亲密度因子：
<mrow>
<msubsup>
<mi>q</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>q</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>q</mi>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>q</mi>
</msub>
</mfrac>
</mrow>
其中，μq为所有用户中任意两个用户之间的亲密度因子的平均值，σq为所有用户中任意两个用户之间的亲密度因子的标准差。
9.一种向用户推送产品信息的装置，其特征在于，包括：
相似度因子获取模块，用于根据每个用户的相似度相关特征获取任意两个用户之间的相似度因子；
亲密度因子获取模块，用于根据每个用户的亲密度相关特征获取任意两个用户之间的亲密度因子；
联系状态获取模块，用于获取每个用户的单向联系个数；
影响力指数获取模块，用于根据用户之间的相似度因子、亲密度因子及所述单向联系个数，获取每个用户的影响力指数；
发送模块，用于根据所述影响力指数向用户终端发送产品信息。
10.根据权利要求9所述的装置，其特征在于，所述影响力指数获取模块具体用于：
根据如下公式获取每个用户的影响力指数；
<mrow>
<msubsup>
<mi>PR</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>d</mi>
</mrow>
<mi>T</mi>
</mfrac>
<mo>+</mo>
<mi>d</mi>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mfrac>
<mrow>
<msubsup>
<mi>PR</mi>
<mi>j</mi>
<mo>*</mo>
</msubsup>
</mrow>
<msub>
<mi>L</mi>
<mi>j</mi>
</msub>
</mfrac>
<mo>&times;</mo>
<msubsup>
<mi>s</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>&times;</mo>
<msubsup>
<mi>q</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mo>*</mo>
</msubsup>
</mrow>
其中，T为用户总数，为用户i的影响力指数，i为1-T中的整数；为与所述用户i有单向联系的用户j的影响力指数，j为1-T中的整数，Lj为由所述用户j单向联系的用户的个数，的初始为1/T；d为阻尼因子，1-d表示除所述用户j外的其他随机用户单向联系所述用户i的概率；为所述用户j与所述用户i之间的相似度因子；为所述用户j与所述用户i之间的亲密度因子；
更新所述用户j的影响力指数后根据所述用户影响力评估模型进行迭代，直到任意用户i的影响力指数为恒定或达到预定迭代次数，以获取每一用户的影响力指数。
11.根据权利要求9所述的装置，其特征在于，所述相似度因子获取模块包括：
相似度相关特征值获取子模块，用于将用户的每一相似度相关特征按预定规则进行分组，并离散化，获取对应的相似度相关特征值；
欧氏距离获取子模块，用于根据所述相似度相关特征值获取任意两个用户之间的欧氏距离；
归一化子模块，用于通过将所述欧氏距离归一化处理，获取任意两个用户之间的相似度因子。
12.根据权利要求11所述的装置，其特征在于，所述相似度相关特征包括用户性别参数、年龄参数、消费数据、活跃地理区域信息和兴趣信息中的一个或多个；
其中，所述用户性别参数、所述年龄参数及所述消费数据由通信系统中BSS域获取，活跃地理区域信息及用户兴趣信息由通信系统中OSS域获取。
13.根据权利要求11所述的装置，其特征在于，
所述欧氏距离获取子模块具体用于根据如下公式获取任意两个用户的欧氏距离：
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>f</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>f</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中，sji为用户j与用户i之间的欧氏距离，n为相似度相关特征的类别数量，n为正整数，k为1-n中的整数；与分别为所述用户i与所述用户j与第k类相似度相关特征对应的相似度相关特征值；
所述归一化子模块具体用于根据如下公式将所述欧氏距离归一化处理，获取用户j与用户i之间的相似度因子
<mrow>
<msubsup>
<mi>s</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>s</mi>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>s</mi>
</msub>
</mfrac>
</mrow>
其中，μs为所有用户中任意两个用户之间的欧氏距离的平均值，σs为所有用户中任意两个用户之间的欧氏距离的标准差。
14.根据权利要求9所述的装置，其特征在于，所述亲密度因子获取模块具体包括：
通话记录获取子模块，用于获取在预定时段内任意用户j对用户i的主动呼叫频次、以及每次主动呼叫的通话时长；
亲密度因子计算子模块，用于根据在预定时段内所述用户j对所述用户i的主动呼叫频次以及每次主动呼叫的通话时长，获取用户j与用户i之间的亲密度因子。
15.根据权利要求14所述的装置，其特征在于，所述亲密度因子计算子模块具体用于：
根据预定时段内所述用户j对所述用户i的每次主动呼叫的通话时长获取单次通话平均时长；
将预定时段内所述用户j对所述用户i的主动呼叫频次、以及单次通话平均时长分别按取值范围区间分组并进行离散化，并根据获取用户j与用户i之间的亲密度因子
其中，代表离散化后的预定时段内所述用户j对所述用户i的主动呼叫频次，代表离散化后的所述单次通话平均时长；
或者，
根据预定时段内所述用户j对所述用户i的主动呼叫频次以及每次主动呼叫的通话时长，获取在预定时段内所述用户j对所述用户i的主动呼叫的通话总时长；
将预定时段内所述用户j对所述用户i的主动呼叫的通话总时长按取值范围区间分组并进行离散化，并根据获取用户j与用户i之间的亲密度因子
其中，代表离散化后的所述用户j对所述用户i的主动呼叫的通话总时长。
16.根据权利要求15所述的装置，其特征在于，所述亲密度因子计算子模块还用于：
将所述用户亲密度因子根据如下公式进行归一化处理，并以归一化处理后的结果为用户j与用户i之间的亲密度因子：
<mrow>
<msubsup>
<mi>q</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>q</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>q</mi>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>q</mi>
</msub>
</mfrac>
</mrow>
其中，μq为所有用户中任意两个用户之间的亲密度因子的平均值，σq为所有用户中任意两个用户之间的亲密度因子的标准差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710330724.6A CN107203901A (zh) | 2017-05-11 | 2017-05-11 | 向用户推送产品信息的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710330724.6A CN107203901A (zh) | 2017-05-11 | 2017-05-11 | 向用户推送产品信息的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107203901A true CN107203901A (zh) | 2017-09-26 |
Family
ID=59905650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710330724.6A Pending CN107203901A (zh) | 2017-05-11 | 2017-05-11 | 向用户推送产品信息的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107203901A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109345284A (zh) * | 2018-08-31 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 商家营销的返佣系数的确定方法、装置及服务器 |
| CN109726326A (zh) * | 2018-11-28 | 2019-05-07 | 国云科技股份有限公司 | 一种基于标准化欧氏距离和k最邻近的书籍推荐方法 |
| CN111092804A (zh) * | 2019-12-05 | 2020-05-01 | 腾讯科技（深圳）有限公司 | 信息推荐方法、信息推荐装置、电子设备和存储介质 |
| CN111242147A (zh) * | 2018-11-28 | 2020-06-05 | 中移（杭州）信息技术有限公司 | 一种亲密联系人和频繁活跃区域识别的方法及装置 |
| CN111339468A (zh) * | 2020-02-28 | 2020-06-26 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、电子设备和存储介质 |
| CN112003953A (zh) * | 2020-09-29 | 2020-11-27 | 中移（杭州）信息技术有限公司 | 广告推送方法及服务器 |
| CN112153221A (zh) * | 2020-09-16 | 2020-12-29 | 北京邮电大学 | 一种基于社交网络图计算的通信行为识别方法 |
| CN112800329A (zh) * | 2021-01-29 | 2021-05-14 | 深圳维创乐科技有限公司 | 信息推送方法、装置、电子设备及存储介质 |
| WO2021174495A1 (zh) * | 2020-03-05 | 2021-09-10 | 深圳市欢太科技有限公司 | 信息推送方法、装置、服务器及存储介质 |
-
2017
- 2017-05-11 CN CN201710330724.6A patent/CN107203901A/zh active Pending
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109345284A (zh) * | 2018-08-31 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 商家营销的返佣系数的确定方法、装置及服务器 |
| CN109726326A (zh) * | 2018-11-28 | 2019-05-07 | 国云科技股份有限公司 | 一种基于标准化欧氏距离和k最邻近的书籍推荐方法 |
| CN111242147A (zh) * | 2018-11-28 | 2020-06-05 | 中移（杭州）信息技术有限公司 | 一种亲密联系人和频繁活跃区域识别的方法及装置 |
| CN111242147B (zh) * | 2018-11-28 | 2023-07-07 | 中移（杭州）信息技术有限公司 | 一种亲密联系人和频繁活跃区域识别的方法及装置 |
| CN111092804A (zh) * | 2019-12-05 | 2020-05-01 | 腾讯科技（深圳）有限公司 | 信息推荐方法、信息推荐装置、电子设备和存储介质 |
| CN111092804B (zh) * | 2019-12-05 | 2022-03-08 | 腾讯科技（深圳）有限公司 | 信息推荐方法、信息推荐装置、电子设备和存储介质 |
| CN111339468A (zh) * | 2020-02-28 | 2020-06-26 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、电子设备和存储介质 |
| CN111339468B (zh) * | 2020-02-28 | 2023-08-04 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、电子设备和存储介质 |
| WO2021174495A1 (zh) * | 2020-03-05 | 2021-09-10 | 深圳市欢太科技有限公司 | 信息推送方法、装置、服务器及存储介质 |
| CN115023934A (zh) * | 2020-03-05 | 2022-09-06 | 深圳市欢太科技有限公司 | 信息推送方法、装置、服务器及存储介质 |
| CN112153221B (zh) * | 2020-09-16 | 2021-06-29 | 北京邮电大学 | 一种基于社交网络图计算的通信行为识别方法 |
| CN112153221A (zh) * | 2020-09-16 | 2020-12-29 | 北京邮电大学 | 一种基于社交网络图计算的通信行为识别方法 |
| CN112003953A (zh) * | 2020-09-29 | 2020-11-27 | 中移（杭州）信息技术有限公司 | 广告推送方法及服务器 |
| CN112800329A (zh) * | 2021-01-29 | 2021-05-14 | 深圳维创乐科技有限公司 | 信息推送方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107203901A (zh) | 向用户推送产品信息的方法及装置 | |
| Libert | An automated approach to auditing disclosure of third-party data collection in website privacy policies | |
| US11847612B2 (en) | Social media profiling for one or more authors using one or more social media platforms | |
| CN109460520B (zh) | 基于地理-社会关系与深隐式兴趣挖掘的兴趣点推荐方法 | |
| CN108154425B (zh) | 一种结合社会网络和位置的线下商户推荐方法 | |
| Cheng et al. | Who is the barbecue king of texas? A geo-spatial approach to finding local experts on twitter | |
| US20150058320A1 (en) | Method and system for hybrid information query | |
| Wang et al. | Analysis of user behaviors by mining large network data sets | |
| US20130159254A1 (en) | System and methods for providing content via the internet | |
| Qin et al. | Demographic information prediction: A portrait of smartphone application users | |
| CN106682686A (zh) | 一种基于手机上网行为的用户性别预测方法 | |
| CN107808346B (zh) | 一种潜在目标对象的评估方法及评估装置 | |
| US20130204658A1 (en) | System and method for improving effectiveness of internet marketing | |
| CN107896153B (zh) | 一种基于移动用户上网行为的流量套餐推荐方法及装置 | |
| Yu et al. | Semantic-aware spatio-temporal app usage representation via graph convolutional network | |
| Weggenmann et al. | Differential privacy for directional data | |
| CN111695046A (zh) | 基于时空移动数据表征学习的用户画像推断方法及装置 | |
| CN107368499A (zh) | 一种客户标签建模及推荐方法及装置 | |
| Li et al. | Modeling and analysis of group user portrait through WeChat mini program | |
| Tournier et al. | Expanding the attack surface: Robust profiling attacks threaten the privacy of sparse behavioral data | |
| Elangovan et al. | Location‐based social network recommendations with computational intelligence‐based similarity computation and user check‐in behavior | |
| CN111177526A (zh) | 网络意见领袖识别方法及装置 | |
| Bok et al. | Recommending similar users using moving patterns in mobile social networks | |
| US20220051273A1 (en) | Telecommunications Data Used For Lookalike Analysis | |
| ElSherief et al. | The quest for user similarity in mobile societies |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170926 |
|
| RJ01 | Rejection of invention patent application after publication |