CN107563898A - 一种社交圈推荐方法及装置 - Google Patents
一种社交圈推荐方法及装置 Download PDFInfo
- Publication number
- CN107563898A CN107563898A CN201710879654.XA CN201710879654A CN107563898A CN 107563898 A CN107563898 A CN 107563898A CN 201710879654 A CN201710879654 A CN 201710879654A CN 107563898 A CN107563898 A CN 107563898A
- Authority
- CN
- China
- Prior art keywords
- mrow
- classification
- msub
- user
- cluster centre
- 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 45
- 230000009466 transformation Effects 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 17
- 238000007621 cluster analysis Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000018199 S phase Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种社交圈推荐方法及装置，该方法包括：确定至少一个类别，其中，每一个所述类别对应一种社交圈的主题；获取至少两个用户的特征信息；针对每一个所述类别，通过聚类算法对各个所述用户的特征信息进行聚类分析，获得每一个所述用户相对于所述类别的聚类中心的隶属度；针对每一个所述类别，将相对于所述类别的聚类中心的隶属度大于预设隶属度阈值的各个所述用户划分到同一社交分组；针对每一个所述社交分组，向所述社交分组包括的每一个所述用户发送推荐信息，以邀请所述用户加入与所述社交分组对应于同一所述类别的所述社交圈。本方案能够提升用户的使用体验。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种社交圈推荐方法及装置。
背景技术
随着计算机技术和互联网技术的不断发展与进步，出现了各种网络社交软件，不同用户通过网络社交软件可以加入同一社交圈，在社交圈内针对共同感兴趣的话题进行讨论和分享，比如数码社交圈、足球社交圈、汽车社交圈等。
目前，一个社交圈在形成后，用户可以通过关键词对该社交圈进行检索，进而可以加入该社交圈。
针对目前用户加入社交圈的方法，需要用户自定义关键词对社交圈进行检索，当用户有多个想要加入的社交圈时，需要定义不同的关键词对社交圈进行多次检索，导致用户的使用体验较差。
发明内容
本发明实施例提供了一种社交圈推荐方法及装置，能够提升用户的使用体验。
第一方面，本发明实施例提供了一种社交圈推荐方法，包括：
确定至少一个类别，其中，每一个所述类别对应一种社交圈的主题；
获取至少两个用户的特征信息；
针对每一个所述类别，通过聚类算法对各个所述用户的特征信息进行聚类分析，获得每一个所述用户相对于所述类别的聚类中心的隶属度；
针对每一个所述类别，将相对于所述类别的聚类中心的隶属度大于预设隶属度阈值的各个所述用户划分到同一社交分组；
针对每一个所述社交分组，向所述社交分组包括的每一个所述用户发送推荐信息，以邀请所述用户加入与所述社交分组对应于同一所述类别的所述社交圈。
可选地，所述通过聚类算法对各个所述用户的特征信息进行聚类分析，获得每一个所述用户相对于所述类别的聚类中心的隶属度，包括：
根据预先设定的转换规则，获得所述特征信息和所述聚类中心对应的数值，并通过如下公式一计算每一个所述用户相对于所述类别的聚类中心的隶属度；
所述公式一包括：
其中，所述μj(xi)表征第i个所述用户相对于第j个所述类别的聚类中心的隶属度，所述xi表征第i个所述用户的特征信息对应的数值，所述mj表征第j个所述类别的聚类中心对应的数值，所述ms表征第s个所述类别的聚类中心对应的数值，所述k表征所述类别的总数量，所述b表征常数。
可选地，所述根据预先设定的转换规则获得所述特征信息对应的数值，包括：
根据所述转换规则，将所述特征信息包括的至少一个特征维度转换为对应的数值；
根据各个所述特征维度对应的数值，以及预先设定的分别对应于每一个所述特征维度的权重值，通过如下公式二计算所述特征信息对应的数值；
所述公式二包括：
其中，所述xi表征第i个所述用户的特征信息对应的数值，所述zt表征所述特征信息包括的第t个特征维度对应的数值，所述ht表征所述第t个特征维度对应的权重值，所述p表征第i个所述用户的特征信息所包括特征维度的总数量。
可选地，在所述通过公式一计算每一个所述用户相对于所述类别的聚类中心的隶属度之前，进一步包括：
S1：根据所述类别的聚类中心对应的预设初始数值，通过所述公式一计算每一个所述用户相对于所述类别的聚类中心的中间隶属度；
S2：根据各个所述用户相对于所述类别的聚类中心的中间隶属度，通过如下公式三计算所述类别的聚类中心对应的中间数值；
所述公式三包括：
其中，所述mj表征第j个所述类别的聚类中心对应的中间数值，所述xi表征第i个所述用户的特征信息对应的数值，所述μj(xi)表征第i个所述用户相对于第j个所述类别的聚类中心的中间隶属度，所述n表征所述用户的总数量，所述b表征常数；
S3：判断所述类别的聚类中心对应的中间数值是否小于预设收敛阈值，如果是，执行S4，否则执行S5；
S4：将S2计算出的所述聚类中心对应的中间数值作为所述类别的聚类中心对应的数值，并结束当前流程；
S5：根据所述S2计算出的所述聚类中心对应的中间数值，通过所述公式一计算各个所述用户相对于所述类别的聚类中心的中间隶属度，并执行S2。
可选地，在所述向所述社交分组包括的每一个所述用户发送推荐信息之后，进一步包括：
每经过一个预先设定的推荐周期，确定每一个所述用户所加入的所述社交圈；
将每一个所述用户所加入的所述社交圈的信息作为所述用户的特征信息包括的一项特征维度，执行所述确定至少一个类别。
第二方面，本发明实施例还提供了一种社交圈推荐装置，包括：预处理单元、分析单元、划分单元和推荐单元；
所述预处理单元，用于确定至少一个类别，并获取至少两个用户的特征信息，其中，每一个所述类别对应一种社交圈的主题；
所述分析单元，用于针对所述预处理单元确定出的每一个所述类别，通过聚类算法对各个所述用户的特征信息进行聚类分析，获取每一个所述用户相对于所述类别的聚类中心的隶属度；
所述划分单元，用于针对每一个所述类别，根据所述分析单元获取到的所述隶属度，将相对于所述类别的聚类中心的隶属度大于预设隶属度阈值的各个所述用户划分到用以社交分组；
所述推荐单元，用于针对所述划分单元划分出的每一个所述社交分组，向所述社交分组包括的每一个所述用户发送推荐信息，以邀请所述用户加入与所述社交分组对应于同一所述类别的所述社交圈。
可选地，
所述分析单元，用于根据预先设定的转换规则，获取所述特征信息和所述聚类中心对应的数值，并通过如下公式一计算每一个所述用户相对于所述类别的聚类中心的隶属度；
所述公式一包括：
其中，所述μj(xi)表征第i个所述用户相对于第j个所述类别的聚类中心的隶属度，所述xi表征第i个所述用户的特征信息对应的数值，所述mj表征第j个所述类别的聚类中心对应的数值，所述ms表征第s个所述类别的聚类中心对应的数值，所述k表征所述类别的总数量，所述b表征常数。
可选地，
所述分析单元包括：特征信息运算子单元；
所述特征信息运算子单元，用于根据所述转换规则，将所述特征信息包括的至少一个特征维度转换为对应的数值，并根据各个所述特征维度对应的数值，以及预先设定的分别对应于每一个所述特征维度的权重值，通过如下公式二计算所述特征信息对应的数值；
所述公式二包括：
其中，所述xi表征第i个所述用户的特征信息对应的数值，所述zt表征所述特征信息包括的第t个特征维度对应的数值，所述ht表征所述第t个特征维度对应的权重值，所述p表征第i个所述用户的特征信息所包括特征维度的总数量。
可选地，
该社交圈推荐装置进一步包括：聚类中心运算单元；
所述聚类中心运算单元，用于针对每一个所述类别执行如下步骤：
S1：根据所述类别的聚类中心对应的预设初始数值，通过所述公式一计算每一个所述用户相对于所述类别的聚类中心的中间隶属度；
S2：根据各个所述用户相对于所述类别的聚类中心的中间隶属度，通过如下公式三计算所述类别的聚类中心对应的中间数值；
所述公式三包括：
其中，所述mj表征第j个所述类别的聚类中心对应的中间数值，所述xi表征第i个所述用户的特征信息对应的数值，所述μj(xi)表征第i个所述用户相对于第j个所述类别的聚类中心的中间隶属度，所述n表征所述用户的总数量，所述b表征常数；
S3：判断所述类别的聚类中心对应的中间数值是否小于预设收敛阈值，如果是，执行S4，否则执行S5；
S4：将S2计算出的所述聚类中心对应的中间数值作为所述类别的聚类中心对应的数值，并结束当前流程；
S5：根据所述S2计算出的所述聚类中心对应的中间数值，通过所述公式一计算各个所述用户相对于所述类别的聚类中心的中间隶属度，并执行S2。
可选地，
该社交圈推荐装置进一步包括：更新单元；
所述更新单元，用于每经过一个预先设定的推荐周期，确定每一个所述用户所加入的所述社交圈，将每一个所述用户所加入的所述社交圈的信息作为所述用户的特征信息包括的一项特征维度，并触发所述预处理单元执行所述确定至少一个类别并获取至少两个用户的特征信息。
本发明实施例提供的社交圈推荐方法及装置，根据一个社交圈的主题确定对应的类别后，获取多个用户的特征信息，通过聚类算法对各个用户的特征信息进行分析，可以获得每一个用户相对于该类别的聚类中心的隶属度，将相对于该类别的聚类中心的隶属度大于隶属度阈值的各个用户划分到同一社交分组，之后可以向该社交分组包括的每一个用户发送推荐信息，以要求用户加入该类别对应的社交圈。由此可见，通过对用户的特征信息进行聚类分析可以确定用户相对于聚类中心的隶属度，而当相对于聚类中心的隶属度大于预设隶属度阈值后，说明用户与对应社交圈主题之间的相关性较大，用户可能会对该社交圈主题感兴趣，进而向用户发送推荐信息以邀请用户加入该社交圈。这样，通过聚类算法分析用户与聚类中心的隶属度来确定用户所感兴趣的社交圈，进而向用户发送推荐信息邀请用户加入社交圈，用户在接收到推荐信息后仅需要决定是否加入对应的社交圈，无需对社交圈进行检索，从而提升了用户的使用体验。
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是本发明一个实施例提供的一种社交圈推荐方法的流程图；
图2是本发明一个实施例提供的一种聚类中心对应数值获取方法的流程图；
图3是本发明一个实施例提供的另一种社交圈推荐方法的流程图；
图4是本发明一个实施例提供的一种社交圈推荐装置所在设备的示意图；
图5是本发明一个实施例提供的一种社交圈推荐装置的示意图；
图6是本发明一个实施例提供的另一种社交圈推荐装置的示意图；
图7是本发明一个实施例提供的又一种社交圈推荐装置的示意图；
图8是本发明一个实施例提供的再一种社交圈推荐装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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的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。
如图1所示，本发明实施例提供了一种社交圈推荐方法，该方法可以包括以下步骤：
步骤101：确定至少一个类别，其中，每一个所述类别对应一种社交圈的主题；
步骤102：获取至少两个用户的特征信息；
步骤103：针对每一个所述类别，通过聚类算法对各个所述用户的特征信息进行聚类分析，获得每一个所述用户相对于所述类别的聚类中心的隶属度；
步骤104：针对每一个所述类别，将相对于所述类别的聚类中心的隶属度大于预设隶属度阈值的各个所述用户划分到同一社交分组；
步骤105：针对每一个所述社交分组，向所述社交分组包括的每一个所述用户发送推荐信息，以邀请所述用户加入与所述社交分组对应于同一所述类别的所述社交圈。
本发明实施例提供了一种社交圈推荐方法，根据一个社交圈的主题确定对应的类别后，获取多个用户的特征信息，通过聚类算法对各个用户的特征信息进行分析，可以获得每一个用户相对于该类别的聚类中心的隶属度，将相对于该类别的聚类中心的隶属度大于隶属度阈值的各个用户划分到同一社交分组，之后可以向该社交分组包括的每一个用户发送推荐信息，以要求用户加入该类别对应的社交圈。由此可见，通过对用户的特征信息进行聚类分析可以确定用户相对于聚类中心的隶属度，而当相对于聚类中心的隶属度大于预设隶属度阈值后，说明用户与对应社交圈主题之间的相关性较大，用户可能会对该社交圈主题感兴趣，进而向用户发送推荐信息以邀请用户加入该社交圈。这样，通过聚类算法分析用户与聚类中心的隶属度来确定用户所感兴趣的社交圈，进而向用户发送推荐信息邀请用户加入社交圈，用户在接收到推荐信息后仅需要决定是否加入对应的社交圈，无需对社交圈进行检索，从而提升了用户的使用体验。
可选地，如图1所示，
步骤103中通过聚类算法对各个用户的特征信息进行聚类分析，获得每一个用户相对于一个类别的聚类中心的隶属度时，首先可以根据预先设定的转换规则，获得各个用户的特征信息对应的数值，并获取各个类别的聚类中心对应的数值，之后通过如下公式一计算每一个用户相对于每一个类别的聚类中心的隶属度；
公式一可以包括：
其中，μj(xi)表征第i个用户相对于第j个类别的聚类中心的隶属度，xi表征第i个用户的特征信息对应的数值，mj表征第j个类别的聚类中心对应的数值，ms表征第s个类别的聚类中心对应的数值，k表征类别的总数量，b表征常数。
每一个类别对应有一个聚类中心，为了计算各个用户相对于该聚类中心的隶属度，需要预先设定转换规则，并根据转换规则将聚类中心和用户的特征信息转换为可用于计算的数值，具体地，用于表征聚类中心和特征信息的数值可以为二维坐标系中的坐标值。
当表征聚类中心和特征信息的数值可以为二维坐标系中的坐标值时，针对每一个用户的特征信息，通过范数运算可以计算每一个聚类中心与该特征信息之间的距离，例如||xi-mj||表征了聚类中心mj与特征信息xi之间的距离。为特征信息与聚类中心之间距离设置对应的加权指数-2/(b-1)，以控制特征信息在不同类别之间的分享程度，通常情况下b可以取值2。
针对与任意一个用户和任意一个聚类中心，由于加权指数为负数，当该用户相对于该聚类中心的隶属度越大时，该用户的特征信息与该聚类中心之间的距离越小，说明该用户的特征信息与该聚类中心所对应类别的相关性越大，该用户对该聚类中心所对应社交圈感兴趣的可能性越大。因此，通过合理设置隶属度阈值，当一个用户相对于一个聚类中心的隶属度大于隶属度阈值后，便可以向该用户发送推荐信息，以邀请该用户加入该聚类中心所对应的社交圈。
将用户的特征信息和类别的聚类中心转换为对应的数值后，通过公式一分别计算每一个用户相对于每一个聚类中心的隶属度，根据隶属度确定每一个用户对各个聚类中心所对应社交圈的感兴趣程度。当隶属度超过一定值后，说明用户对相应社交圈的感兴趣程度较高，向用户发送推荐信息，邀请用户加入对应的社交圈。这样，通过计算用户相对于各个社交圈所对应聚类中心的隶属度，可以确定用户对各个社交圈的感兴趣程度，主动向用户推荐其感兴趣程度较高的社交圈，无需用户对社交圈进行检索，提高了用户加入社交圈的方便性。
可选地，如图1所示，
步骤103通过聚类算法获得每一个用户相对于各个聚类中心的隶属度时，首先需要将用户的特征信息转换为对应的数值。一个用户的特征信息可以包括多个特征维度，其中，特征维度可以是用户的年龄、性别、所学专业、所处地理位置信息、工作类型或所在单位类型等。通过设定转换规则，可以将每一个特征维度转换为对应的数值；根据各个特征维度对用户所感兴趣社交主题的影响程度，可以为每一个特征维度设定对应的权重值，其中，权重值为大于等于0且小于等于1的实数。为了综合各个特征维度对用户所感兴趣社交主题的影响，通过如下公式二计算特征信息对应的数值；
公式二包括：
其中，xi表征第i个用户的特征信息对应的数值，zt表征特征信息包括的第t个特征维度对应的数值，ht表征第t个特征维度对应的权重值，p表征第i个用户的特征信息所包括特征维度的总数量。
根据各个特征维度对用户所感兴趣社交主题的影响程度，为每一个特征维度设定对应的权重值，计算各个特征维度所对应数值与所对应权重值的乘积之和作为特征信息对应的数值。这样，通过合理设定每一个特征维度对应的权重值，平衡各个特征维度对特征信息所对应数值的影响程度，保证特征信息所对应的数值的准确性，进而保证向用户推荐社交圈的准确性。
可选地，如图1所示，
在步骤103计算每一个用户相对于各个聚类中心的隶属度之前，需要确定各个聚类中心对应的数值。针对于任意一个类别的聚类中心，在确定该聚类中心对应的数值时，需要预先为该聚类中心定义一个初始数值，然后根据各个用户的特征信息对该聚类中心对应的数值进行不断优化，直至该聚类中心收敛，具体地，如图2所示，该过程可以通过如下步骤实现：
步骤201：根据一个聚类中心对应的预设初始数值，通过公式一计算每一个用户相对于该聚类中心的中间隶属度；
步骤202：根据各个用户相对于该聚类中心的中间隶属度，通过如下公式三计算该聚类中心对应的中间数值；
公式三包括：
其中，mj表征第j个类别的聚类中心对应的中间数值，xi表征第i个用户的特征信息对应的数值，μj(xi)表征第i个用户相对于第j个类别的聚类中心的中间隶属度，n表征用户的总数量，b表征常数；
步骤203：判断该聚类中心对应的中间数值是否小于预设收敛阈值，如果是，执行步骤204，否则执行步骤205；
步骤204：将该聚类中心对应的中间数值作为该聚类中心对应的数值，并结束当前流程；
步骤205：根据该聚类中心对应的中间数值，通过公式一计算各个用户相对于该聚类中心的中间隶属度，并执行步骤202。
针对每一个类别，由于该类别的聚类中心对应的数值事前无法准备确定，因此预先为该聚类中心模糊设定一个初始数值，将该聚类中心对应的初始数值代入公式一分别计算各个用户相对于该聚类中心的中间隶属度之后，将各个用户相对于该聚类中心的中间隶属度代入公式三计算出该聚类中心对应的中间数值；如果该聚类中心对应的中间数值小于预设的收敛阈值，说明该聚类中心已经达到了目标要求(该聚类中心已经收敛)，此时将该聚类中心对应的中间数值作为该聚类中心对应的数值去计算各个用户相对于各个聚类中心的隶属度；如果该聚类中心对应的数值大于或等于预设的收敛阈值，说明该聚类中心还没有达到目标要求(该聚类中心仍为收敛或收敛程度不足)，此时将该聚类中心对应的中间数值代入公式一分别计算各个用户相对于该聚类中心的中间隶属度后，执行将各个用户相对于该聚类中心的中间隶属度代入公式三计算出该聚类中心对应的中间数值，循环执行这一过程，直至该聚类中心对应的中间数值小于预设的收敛阈值。
针对每一个类别的聚类中心，预先为该聚类中心设定一个初始值后，通过公式一和公式三对该聚类中心对应的数值和各个用户相对于该聚类中心的隶属度进行迭代运算，直至该聚类中心对应的数值小于预设的收敛阈值后，说明聚类算法收敛。在各个类别的聚类中心对应的数值均小于对应的收敛阈值后，通过此时各个聚类中心对应的数值来计算各个用户相对于各个聚类中心的隶属度，保证所获得隶属度的准确性，进而保证向各个用户推荐社交圈的准确性。
可选地，如图1所示，
在步骤105向各个用户发送推荐信息后，用户可以选择是否加入所推荐的社交圈。每经过一个预先设定的推荐周期，确定每一个用户所加入的社交圈，将用户所加入社交圈的信息作为用户的特征信息包括的一项特征维度后，重新开始执行步骤101。
将用户所加入的社交圈作为用户特征信息的一部分，定时计算用户相对于各个类别的聚类中心的隶属度，从而定时向用户推荐对应的社交圈。这样，根据用户特征信息的变化，更新向用户推荐的社交圈，一方面可以保证向用户所推荐社交圈被采纳的概率，另一方面可以向用户推荐新的社交圈。
下面以用户为计算机行业的科技工作者为例，对本发明实施例提供的社交圈推荐方法作进一步详细说明，如图3所示，该方法可以包括以下步骤：
步骤301：确定至少一个类别。
在本发明一个实施例中，根据计算机行业涉及的内容，确定至少一个类别，其中每一个类别对都对应了一种社交圈的主题。
例如，根据计算机行业涉及的内容确定3个类别，分别为计算机硬件、Java语言、C++语言。其中，计算机硬件为计算机硬件社交圈的主题，在该计算机硬件社交圈中，用户可以讨论与计算机硬件相关的话题，还可以发表与计算机硬件相关的信息；Java语言为Java社交圈的主题，在该计算机硬件社交圈中，用户可以讨论与Java语言相连的话题，还可以发表与Java语言相关的科研信息及会议信息等；C++语言为C++社交圈的主题，在该C++社交圈中国，用户可以讨论与C++语言相连的话题，还可以发表与C++语言相关的信息。
步骤302：获取多个用户的特征信息。
在本发明一个实施例中，首先确定多个用户作为推荐社交圈的目标用户，然后分别获取每一个用户的特征信息。其中，每一个用户的特征信息包括有多个特征维度，特征维度可以是用户的年龄、性别、所学专业、所处地理位置信息、工作类型或所在单位类型等。
例如，将各个用户的年龄、性别、所学专业和工作类型这四个特征维度作为用户的特征信息，确定出1000个用户作为推荐社交圈的目标用户，分别获取每一个用户的特征信息。
步骤303：将各个用户的特征信息转换为对应的数值。
在本发明一个实施例中，预先设定转换规则和对应于每一个特征维度的权重值，其中，转换规则能够将每一个特征维度转换为对应的数值。针对每一个用户，在通过转换规则将该用户特征信息包括的各个特征维度转换为对应的数值后，结合各个维度对应的权重值，通过如下公式二计算用户的特征信息对应的数值；
公式二包括：
其中，所述xi表征第i个所述用户的特征信息对应的数值，所述zt表征所述特征信息包括的第t个特征维度对应的数值，所述ht表征所述第t个特征维度对应的权重值，所述p表征第i个所述用户的特征信息所包括特征维度的总数量。
例如，针对年龄、性别、所学专业和工作类型这四个特征维度，年龄对应的权重值为0.2，性别对应的权重值为0.1，所学专业对应的权重值为0.4，工作类型对应的权重值为0.3。根据转换规则将各个用户的年龄、性别、所学专业和工作类型转换为对应的数值后，代入上述公式三，分别计算出每一个用户的特征信息对应的数值。其中，在上述公式三中，p等于4，i等于1至1000。
步骤304：分别确定每一个类别的聚类中心对应的数值。
在本发明一个实施例中，预先为每一个类别的聚类中心设置一个对应的初始数值。针对每一个类别的聚类中心，将该居来中心对应的初始数值作为输入，通过如下公式一计算各个用户相对于该聚类中心的中间隶属度，根据计算出的中间隶属度通过如下公式三计算该聚类中心对应的中间数值，如果计算出的中间数值大于预设的收敛阈值，则将该中间数值作为该聚类中心对应的数值执行后续步骤，如果计算出的中间数值小于或等于预设的收敛阈值，则将该中间数值作为输入，通过公式一计算各个用户相对于该聚类中心的中间隶属度，重复上述过程，直至该聚类中心对应的中间数值小于收敛阈值；
公式一包括：
其中，μj(xi)表征第i个用户相对于第j个类别的聚类中心的隶属度，xi表征第i个用户的特征信息对应的数值，mj表征第j个类别的聚类中心对应的数值，ms表征第s个类别的聚类中心对应的数值，k表征类别的总数量，b表征常数；
公式三包括：
其中，mj表征第j个类别的聚类中心对应的中间数值，xi表征第i个用户的特征信息对应的数值，μj(xi)表征第i个用户相对于第j个类别的聚类中心的中间隶属度，n表征用户的总数量，b表征常数。
例如，通过迭代运行，计算出计算机硬件的聚类中心对应的数值为m1，计算出Java语言的聚类中心对应的数值为m2，计算出C++语言的聚类中心对应的数值为m3。
步骤305：针对每一个类别，根据该类别的聚类中心对应的数值和各个用户的特征信息对应的数值，确定每一个用户相对于每一个聚类中心的隶属度。
在本发明一个实施例中，在获得每一个用户的特征信息对应的数值和每一个类别的聚类中心对应的数值后，针对每一个类别，通过如下公式一计算出各个用户相对于该类别的聚类中心的隶属度；
公式一包括：
其中，μj(xi)表征第i个用户相对于第j个类别的聚类中心的隶属度，xi表征第i个用户的特征信息对应的数值，mj表征第j个类别的聚类中心对应的数值，ms表征第s个类别的聚类中心对应的数值，k表征类别的总数量，b表征常数。
例如，针对计算机硬件，将m1作为mj通过上述公式一，分别计算出1000个用户相对于计算机硬件的聚类中心的隶属度；针对Java语言，将m2作为mj通过上述公式一，分别计算出1000个用户相对于Java语言的聚类中心的隶属度；针对C++语言，将m3作为mj通过上述公式一，分别计算出1000个用户相对于C++语言的聚类中心的隶属度。
步骤306：针对每一个类别，将相对于该类别的聚类中心的隶属度大于隶属度阈值的各个用户划分到同一个社交分组。
在本发明一个实施例中，预先设定隶属度阈值，针对每一个类别，将相对于该类别的聚类中心的隶属度大于隶属度阈值的各个用户划分到同一个社交分组，每一个类别对应一个社交分组。
例如，预设隶属度阈值为0.6。在1000个用户中，有600个用户相对于计算机硬件的聚类中心的隶属度大于0.6，则将这600个用户划分到与计算机硬件相对应的社交分组1中；在1000个用户中，有400个用户相对于Java语言的聚类中心的隶属度大于0.6，则将这400个用户划分到Java语言相对应的社交分组2中；在1000个用户中，有500个用户相对于C++语言的聚类中心的隶属度大于0.6，则将这500个用户划分到C++语言相对应的社交分组3中。
步骤307：针对每一个社交分组，向该社交分组包括的各个用户发送推荐对应社交圈的推荐信息。
在本发明一个实施例中，在确定出多个社交分组之后，针对每一个社交分组，向该社交分组包括的各个用户发送推荐信息，以邀请该社交分组所包括的用户加入该社交分组对应的社交圈。
例如，向社交分组1包括的600个用户发送推荐信息，推荐这600个用户加入计算机硬件社交圈；向社交分组2包括的400个用户发送推荐信息，推荐这400个用户加入Java社交圈；向社交分组3包括的500个用户发送推荐信息，推荐这500个用户加入C++社交圈。
如图4、图5所示，本发明实施例提供了一种社交圈推荐装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图4所示，为本发明实施例提供的社交圈推荐装置所在设备的一种硬件结构图，除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图5所示，作为一个逻辑意义上的装置，是通过其所在设备的CPU将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。本实施例提供的社交圈推荐装置，包括：预处理单元501、分析单元502、划分单元503和推荐单元504；
预处理单元501，用于确定至少一个类别，并获取至少两个用户的特征信息，其中，每一个类别对应一种社交圈的主题；
分析单元502，用于针对预处理单元501确定出的每一个类别，通过聚类算法对各个用户的特征信息进行聚类分析，获取每一个用户相对于类别的聚类中心的隶属度；
划分单元503，用于针对每一个类别，根据分析单元502获取到的隶属度，将相对于类别的聚类中心的隶属度大于预设隶属度阈值的各个用户划分到用以社交分组；
推荐单元504，用于针对划分单元503划分出的每一个社交分组，向社交分组包括的每一个用户发送推荐信息，以邀请用户加入与社交分组对应于同一类别的社交圈。
可选地，如图5所示，
分析单元502用于根据预先设定的转换规则，获取特征信息和聚类中心对应的数值，并通过如下公式一计算每一个用户相对于类别的聚类中心的隶属度；
公式一包括：
其中，μj(xi)表征第i个用户相对于第j个类别的聚类中心的隶属度，xi表征第i个用户的特征信息对应的数值，mj表征第j个类别的聚类中心对应的数值，ms表征第s个类别的聚类中心对应的数值，k表征类别的总数量，b表征常数。
可选地，在图5所示社交圈推荐装置的基础上，如图6所示，分析单元502包括：特征信息运算子单元5021；
特征信息运算子单元5021，用于根据转换规则，将特征信息包括的至少一个特征维度转换为对应的数值，并根据各个特征维度对应的数值，以及预先设定的分别对应于每一个特征维度的权重值，通过如下公式二计算特征信息对应的数值；
公式二包括：
其中，xi表征第i个用户的特征信息对应的数值，zt表征特征信息包括的第t个特征维度对应的数值，ht表征第t个特征维度对应的权重值，p表征第i个用户的特征信息所包括特征维度的总数量。
可选地，在图5所示社交圈推荐装置的基础上，如图7所示，该社交圈推荐装置还可以包括：聚类中心运算单元705；
聚类中心运算单元705用于针对每一个类别执行如下步骤：
S1：根据类别的聚类中心对应的预设初始数值，通过公式一计算每一个用户相对于类别的聚类中心的中间隶属度；
S2：根据各个用户相对于类别的聚类中心的中间隶属度，通过如下公式三计算类别的聚类中心对应的中间数值；
公式三包括：
其中，mj表征第j个类别的聚类中心对应的中间数值，xi表征第i个用户的特征信息对应的数值，μj(xi)表征第i个用户相对于第j个类别的聚类中心的中间隶属度，n表征用户的总数量，b表征常数；
S3：判断类别的聚类中心对应的中间数值是否小于预设收敛阈值，如果是，执行S4，否则执行S5；
S4：将S2计算出的聚类中心对应的中间数值作为类别的聚类中心对应的数值，并结束当前流程；
S5：根据S2计算出的聚类中心对应的中间数值，通过公式一计算各个用户相对于类别的聚类中心的中间隶属度，并执行S2。
可选地，在图5至6中任一所示社交圈推荐装置的基础上，如图8所示，该社交圈推荐装置还可以包括：更新单元806；
更新单元806，用于每经过一个预先设定的推荐周期，确定每一个用户所加入的社交圈，将每一个用户所加入的社交圈的信息作为用户的特征信息包括的一项特征维度，并触发预处理单元501执行确定至少一个类别并获取至少两个用户的特征信息。
需要说明的是，上述装置内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种可读介质，包括执行指令，当存储控制器的处理器执行所述执行指令时，所述存储控制器执行上述各个实施例提供的社交圈推荐方法。
本发明实施例还提供了一种存储控制器，包括：处理器、存储器和总线；
所述存储器用于存储执行指令，所述处理器与所述存储器通过所述总线连接，当所述存储控制器运行时，所述处理器执行所述存储器存储的所述执行指令，以使所述存储控制器执行上述各个实施例提供的社交圈推荐方法。
综上所述，本发明各个实施例提供的社交圈推荐方法及装置，至少具有如下有益效果：
1、在本发明实施例中，根据一个社交圈的主题确定对应的类别后，获取多个用户的特征信息，通过聚类算法对各个用户的特征信息进行分析，可以获得每一个用户相对于该类别的聚类中心的隶属度，将相对于该类别的聚类中心的隶属度大于隶属度阈值的各个用户划分到同一社交分组，之后可以向该社交分组包括的每一个用户发送推荐信息，以要求用户加入该类别对应的社交圈。由此可见，通过对用户的特征信息进行聚类分析可以确定用户相对于聚类中心的隶属度，而当相对于聚类中心的隶属度大于预设隶属度阈值后，说明用户与对应社交圈主题之间的相关性较大，用户可能会对该社交圈主题感兴趣，进而向用户发送推荐信息以邀请用户加入该社交圈。这样，通过聚类算法分析用户与聚类中心的隶属度来确定用户所感兴趣的社交圈，进而向用户发送推荐信息邀请用户加入社交圈，用户在接收到推荐信息后仅需要决定是否加入对应的社交圈，无需对社交圈进行检索，从而提升了用户的使用体验。
2、在本发明实施例中，通过计算用户相对于各个社交圈所对应聚类中心的隶属度，可以确定用户对各个社交圈的感兴趣程度，主动向用户推荐其感兴趣程度较高的社交圈，无需用户对社交圈进行检索，提高了用户加入社交圈的方便性。
3、在本发明实施例中，通过合理设定每一个特征维度对应的权重值，平衡各个特征维度对特征信息所对应数值的影响程度，保证特征信息所对应的数值的准确性，进而保证向用户推荐社交圈的准确性。
4、在本发明实施例中，针对每一个类别的聚类中心，预先为该聚类中心设定一个初始值后，对该聚类中心对应的数值和各个用户相对于该聚类中心的隶属度进行迭代运算，直至该聚类中心对应的数值小于预设的收敛阈值后，说明聚类算法收敛。在各个类别的聚类中心对应的数值均小于对应的收敛阈值后，通过此时各个聚类中心对应的数值来计算各个用户相对于各个聚类中心的隶属度，保证所获得隶属度的准确性，进而保证向各个用户推荐社交圈的准确性。
5、在本发明实施例中，将用户所加入的社交圈作为用户特征信息的一部分，定时计算用户相对于各个类别的聚类中心的隶属度，从而定时向用户推荐对应的社交圈。这样，根据用户特征信息的变化，更新向用户推荐的社交圈，一方面可以保证向用户所推荐社交圈被采纳的概率，另一方面可以向用户推荐新的社交圈。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个〃····〃”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种社交圈推荐方法，其特征在于，包括：
确定至少一个类别，其中，每一个所述类别对应一种社交圈的主题；
获取至少两个用户的特征信息；
针对每一个所述类别，通过聚类算法对各个所述用户的特征信息进行聚类分析，获得每一个所述用户相对于所述类别的聚类中心的隶属度；
针对每一个所述类别，将相对于所述类别的聚类中心的隶属度大于预设隶属度阈值的各个所述用户划分到同一社交分组；
针对每一个所述社交分组，向所述社交分组包括的每一个所述用户发送推荐信息，以邀请所述用户加入与所述社交分组对应于同一所述类别的所述社交圈。
2.根据权利要求1所述的方法，其特征在于，所述通过聚类算法对各个所述用户的特征信息进行聚类分析，获得每一个所述用户相对于所述类别的聚类中心的隶属度，包括：
根据预先设定的转换规则，获得所述特征信息和所述聚类中心对应的数值，并通过如下公式一计算每一个所述用户相对于所述类别的聚类中心的隶属度；
所述公式一包括：
<mrow>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mrow>
<mo>-</mo>
<mn>2</mn>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>s</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mrow>
<mo>-</mo>
<mn>2</mn>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
其中，所述μj(xi)表征第i个所述用户相对于第j个所述类别的聚类中心的隶属度，所述xi表征第i个所述用户的特征信息对应的数值，所述mj表征第j个所述类别的聚类中心对应的数值，所述ms表征第s个所述类别的聚类中心对应的数值，所述k表征所述类别的总数量，所述b表征常数。
3.根据权利要求2所述的方法，其特征在于，所述根据预先设定的转换规则获得所述特征信息对应的数值，包括：
根据所述转换规则，将所述特征信息包括的至少一个特征维度转换为对应的数值；
根据各个所述特征维度对应的数值，以及预先设定的分别对应于每一个所述特征维度的权重值，通过如下公式二计算所述特征信息对应的数值；
所述公式二包括：
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mi>t</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>z</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中，所述xi表征第i个所述用户的特征信息对应的数值，所述zt表征所述特征信息包括的第t个特征维度对应的数值，所述ht表征所述第t个特征维度对应的权重值，所述p表征第i个所述用户的特征信息所包括特征维度的总数量。
4.根据权利要求2所述的方法，其特征在于，在所述通过公式一计算每一个所述用户相对于所述类别的聚类中心的隶属度之前，进一步包括：
S1：根据所述类别的聚类中心对应的预设初始数值，通过所述公式一计算每一个所述用户相对于所述类别的聚类中心的中间隶属度；
S2：根据各个所述用户相对于所述类别的聚类中心的中间隶属度，通过如下公式三计算所述类别的聚类中心对应的中间数值；
所述公式三包括：
<mrow>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>{</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>b</mi>
</msup>
<mo>&CenterDot;</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>}</mo>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>b</mi>
</msup>
</mrow>
</mfrac>
</mrow>
其中，所述mj表征第j个所述类别的聚类中心对应的中间数值，所述xi表征第i个所述用户的特征信息对应的数值，所述μj(xi)表征第i个所述用户相对于第j个所述类别的聚类中心的中间隶属度，所述n表征所述用户的总数量，所述b表征常数；
S3：判断所述类别的聚类中心对应的中间数值是否小于预设收敛阈值，如果是，执行S4，否则执行S5；
S4：将S2计算出的所述聚类中心对应的中间数值作为所述类别的聚类中心对应的数值，并结束当前流程；
S5：根据所述S2计算出的所述聚类中心对应的中间数值，通过所述公式一计算各个所述用户相对于所述类别的聚类中心的中间隶属度，并执行S2。
5.根据权利要求1至4中任一所述的方法，其特征在于，在所述向所述社交分组包括的每一个所述用户发送推荐信息之后，进一步包括：
每经过一个预先设定的推荐周期，确定每一个所述用户所加入的所述社交圈；
将每一个所述用户所加入的所述社交圈的信息作为所述用户的特征信息包括的一项特征维度，执行所述确定至少一个类别。
6.一种社交圈推荐装置，其特征在于，包括：预处理单元、分析单元、划分单元和推荐单元；
所述预处理单元，用于确定至少一个类别，并获取至少两个用户的特征信息，其中，每一个所述类别对应一种社交圈的主题；
所述分析单元，用于针对所述预处理单元确定出的每一个所述类别，通过聚类算法对各个所述用户的特征信息进行聚类分析，获取每一个所述用户相对于所述类别的聚类中心的隶属度；
所述划分单元，用于针对每一个所述类别，根据所述分析单元获取到的所述隶属度，将相对于所述类别的聚类中心的隶属度大于预设隶属度阈值的各个所述用户划分到用以社交分组；
所述推荐单元，用于针对所述划分单元划分出的每一个所述社交分组，向所述社交分组包括的每一个所述用户发送推荐信息，以邀请所述用户加入与所述社交分组对应于同一所述类别的所述社交圈。
7.根据权利要求6所述的装置，其特征在于，
所述分析单元，用于根据预先设定的转换规则，获取所述特征信息和所述聚类中心对应的数值，并通过如下公式一计算每一个所述用户相对于所述类别的聚类中心的隶属度；
所述公式一包括：
<mrow>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mrow>
<mo>-</mo>
<mn>2</mn>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>s</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mrow>
<mo>-</mo>
<mn>2</mn>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
其中，所述μj(xi)表征第i个所述用户相对于第j个所述类别的聚类中心的隶属度，所述xi表征第i个所述用户的特征信息对应的数值，所述mj表征第j个所述类别的聚类中心对应的数值，所述ms表征第s个所述类别的聚类中心对应的数值，所述k表征所述类别的总数量，所述b表征常数。
8.根据权利要求7所述的装置，其特征在于，
所述分析单元包括：特征信息运算子单元；
所述特征信息运算子单元，用于根据所述转换规则，将所述特征信息包括的至少一个特征维度转换为对应的数值，并根据各个所述特征维度对应的数值，以及预先设定的分别对应于每一个所述特征维度的权重值，通过如下公式二计算所述特征信息对应的数值；
所述公式二包括：
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mi>t</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>z</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中，所述xi表征第i个所述用户的特征信息对应的数值，所述zt表征所述特征信息包括的第t个特征维度对应的数值，所述ht表征所述第t个特征维度对应的权重值，所述p表征第i个所述用户的特征信息所包括特征维度的总数量。
9.根据权利要求7所述的装置，其特征在于，进一步包括：聚类中心运算单元；
所述聚类中心运算单元，用于针对每一个所述类别执行如下步骤：
S1：根据所述类别的聚类中心对应的预设初始数值，通过所述公式一计算每一个所述用户相对于所述类别的聚类中心的中间隶属度；
S2：根据各个所述用户相对于所述类别的聚类中心的中间隶属度，通过如下公式三计算所述类别的聚类中心对应的中间数值；
所述公式三包括：
<mrow>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>{</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>b</mi>
</msup>
<mo>&CenterDot;</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>}</mo>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>b</mi>
</msup>
</mrow>
</mfrac>
</mrow>
其中，所述mj表征第j个所述类别的聚类中心对应的中间数值，所述xi表征第i个所述用户的特征信息对应的数值，所述μj(xi)表征第i个所述用户相对于第j个所述类别的聚类中心的中间隶属度，所述n表征所述用户的总数量，所述b表征常数；
S3：判断所述类别的聚类中心对应的中间数值是否小于预设收敛阈值，如果是，执行S4，否则执行S5；
S4：将S2计算出的所述聚类中心对应的中间数值作为所述类别的聚类中心对应的数值，并结束当前流程；
S5：根据所述S2计算出的所述聚类中心对应的中间数值，通过所述公式一计算各个所述用户相对于所述类别的聚类中心的中间隶属度，并执行S2。
10.根据权利要求6至9中任一所述的装置，其特征在于，进一步包括：更新单元；
所述更新单元，用于每经过一个预先设定的推荐周期，确定每一个所述用户所加入的所述社交圈，将每一个所述用户所加入的所述社交圈的信息作为所述用户的特征信息包括的一项特征维度，并触发所述预处理单元执行所述确定至少一个类别并获取至少两个用户的特征信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710879654.XA CN107563898A (zh) | 2017-09-26 | 2017-09-26 | 一种社交圈推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710879654.XA CN107563898A (zh) | 2017-09-26 | 2017-09-26 | 一种社交圈推荐方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107563898A true CN107563898A (zh) | 2018-01-09 |
Family
ID=60981918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710879654.XA Pending CN107563898A (zh) | 2017-09-26 | 2017-09-26 | 一种社交圈推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107563898A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109413459A (zh) * | 2018-09-30 | 2019-03-01 | 武汉斗鱼网络科技有限公司 | 一种直播平台中用户的推荐方法以及相关设备 |
| CN109886823A (zh) * | 2019-02-25 | 2019-06-14 | 北京奇艺世纪科技有限公司 | 一种社交圈的推荐方法及装置 |
| CN109903086A (zh) * | 2019-02-14 | 2019-06-18 | 北京奇艺世纪科技有限公司 | 一种相似人群扩展方法、装置及电子设备 |
| CN110378798A (zh) * | 2019-06-03 | 2019-10-25 | 中移互联网有限公司 | 异构社交网络构建方法、群组推荐方法、装置及设备 |
| CN110737846A (zh) * | 2019-10-28 | 2020-01-31 | 北京字节跳动网络技术有限公司 | 一种社交界面推荐方法、装置、电子设备及存储介质 |
| CN110780966A (zh) * | 2019-10-28 | 2020-02-11 | 北京字节跳动网络技术有限公司 | 一种社交界面的处理方法、装置、电子设备及存储介质 |
| CN111199491A (zh) * | 2018-10-31 | 2020-05-26 | 百度在线网络技术（北京）有限公司 | 社交圈的推荐方法和装置 |
| CN111581532A (zh) * | 2020-05-08 | 2020-08-25 | 深圳市万佳安人工智能数据技术有限公司 | 一种基于随机块的社交网络交友推荐方法和系统 |
-
2017
- 2017-09-26 CN CN201710879654.XA patent/CN107563898A/zh active Pending
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109413459A (zh) * | 2018-09-30 | 2019-03-01 | 武汉斗鱼网络科技有限公司 | 一种直播平台中用户的推荐方法以及相关设备 |
| CN109413459B (zh) * | 2018-09-30 | 2020-10-16 | 武汉斗鱼网络科技有限公司 | 一种直播平台中用户的推荐方法以及相关设备 |
| CN111199491A (zh) * | 2018-10-31 | 2020-05-26 | 百度在线网络技术（北京）有限公司 | 社交圈的推荐方法和装置 |
| CN111199491B (zh) * | 2018-10-31 | 2023-08-22 | 百度在线网络技术（北京）有限公司 | 社交圈的推荐方法和装置 |
| CN109903086A (zh) * | 2019-02-14 | 2019-06-18 | 北京奇艺世纪科技有限公司 | 一种相似人群扩展方法、装置及电子设备 |
| CN109903086B (zh) * | 2019-02-14 | 2020-12-18 | 北京奇艺世纪科技有限公司 | 一种相似人群扩展方法、装置及电子设备 |
| CN109886823A (zh) * | 2019-02-25 | 2019-06-14 | 北京奇艺世纪科技有限公司 | 一种社交圈的推荐方法及装置 |
| CN110378798A (zh) * | 2019-06-03 | 2019-10-25 | 中移互联网有限公司 | 异构社交网络构建方法、群组推荐方法、装置及设备 |
| CN110737846A (zh) * | 2019-10-28 | 2020-01-31 | 北京字节跳动网络技术有限公司 | 一种社交界面推荐方法、装置、电子设备及存储介质 |
| CN110780966A (zh) * | 2019-10-28 | 2020-02-11 | 北京字节跳动网络技术有限公司 | 一种社交界面的处理方法、装置、电子设备及存储介质 |
| CN111581532A (zh) * | 2020-05-08 | 2020-08-25 | 深圳市万佳安人工智能数据技术有限公司 | 一种基于随机块的社交网络交友推荐方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107563898A (zh) | 一种社交圈推荐方法及装置 | |
| Çebi et al. | An Application of Fuzzy Analytic Hierarchy Process (FAHP) for Evaluating Students' Project. | |
| Ashraf et al. | Symmetric sum based aggregation operators for spherical fuzzy information: Application in multi-attribute group decision making problem | |
| CN105808590B (zh) | 搜索引擎实现方法、搜索方法以及装置 | |
| CN110442790A (zh) | 推荐多媒体数据的方法、装置、服务器和存储介质 | |
| CN102117325A (zh) | 动态社会网络用户行为的预测方法 | |
| CN102214169B (zh) | 关键词信息与目标信息的提供方法及装置 | |
| CN108287881A (zh) | 一种基于随机游走关系发现的优化方法 | |
| Tan et al. | ECRModel: An elastic collision-based rumor-propagation model in online social networks | |
| CN110309308A (zh) | 一种文字信息的分类方法、装置及电子设备 | |
| Shih et al. | A multiattribute GDSS for aiding problem-solving | |
| CN108446297A (zh) | 一种推荐方法及装置，电子设备 | |
| CN107506350A (zh) | 一种识别信息的方法和设备 | |
| CN111523940A (zh) | 一种带负反馈的基于深度强化学习的推荐方法及系统 | |
| Dolhopolov et al. | Use of artificial intelligence systems for determining the career guidance of future university student | |
| CN104750762A (zh) | 一种信息检索方法及装置 | |
| CN110222838A (zh) | 深度神经网络及其训练方法、装置、电子设备及存储介质 | |
| Wang et al. | Adversarial training-based mean Bayesian personalized ranking for recommender system | |
| CN109871492A (zh) | 任务处理方法、装置、计算机设备及计算机存储介质 | |
| CN106339578A (zh) | 一种多策略融合的医院患者挂号推荐方法 | |
| CN105447117B (zh) | 一种用户聚类的方法和装置 | |
| CN116976739A (zh) | 一种云计算产品需求优先级排序方法和系统 | |
| CN104462480B (zh) | 基于典型性的评论大数据挖掘方法 | |
| CN111415265A (zh) | 生成式对抗网络的社交关系数据生成方法 | |
| CN116150489A (zh) | 基于多属性决策的娱乐场所推荐方法及系统 |
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: 20180109 |
|
| RJ01 | Rejection of invention patent application after publication |