CN107809370A - 用户推荐方法及装置 - Google Patents
用户推荐方法及装置 Download PDFInfo
- Publication number
- CN107809370A CN107809370A CN201610816182.9A CN201610816182A CN107809370A CN 107809370 A CN107809370 A CN 107809370A CN 201610816182 A CN201610816182 A CN 201610816182A CN 107809370 A CN107809370 A CN 107809370A
- Authority
- CN
- China
- Prior art keywords
- account number
- user account
- strange
- user
- credit score
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/04—Real-time or near real-time messaging, e.g. instant messaging [IM]
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种用户推荐方法及装置，属于社交网络领域。所述方法包括：通过获取陌生用户帐号的信用分值，根据陌生用户帐号的信用分值确定出第二用户帐号，向第一用户帐号推荐第二用户帐号；解决了由于服务器推荐的聊天对象是基于简单的随机策略挑选的，所以服务器推荐的第二用户很可能恶意用户的问题；达到了能够根据信用分值推荐用户，增加优良用户被推荐的可能性，降低恶意用户被推荐的可能性，从而提高陌生人社交网络的可信度和安全性的效果。
Description
技术领域
本发明实施例涉及社交网络领域，特别涉及一种用户推荐方法及装置。
背景技术
陌生人聊天应用是一种用户无需查找并添加好友，通过服务器选择的聊天对象进行陌生人聊天的社交应用。
在目前的陌生人聊天应用中，第一用户能够设置简单的匹配条件，匹配条件包括：性别、年龄段、国籍、职业等。服务器基于第一用户设置的匹配条件，选取出陌生人聊天对象集合，从陌生人聊天对象集合中随机选择出第二用户推荐给第一用户，使得第一用户和第二用户进行陌生人聊天。
由于服务器推荐的聊天对象是基于简单的随机策略挑选的，所以服务器推荐的第二用户很可能是骗子、在社交网络上宣泄负面能量之类的恶意用户。
发明内容
为了解决服务器推荐的聊天对象是基于简单的随机策略挑选的，所以服务器推荐的第二用户很可能是恶意用户的问题，本发明实施例提供了一种用户推荐方法及装置。所述技术方案如下：
第一方面，提供了一种用户推荐方法，所述方法包括：
获取与第一用户帐号对应的陌生人候选集合，所述陌生人候选集合包括至少一个陌生用户帐号；
获取所述陌生用户帐号的信用分值，所述信用分值用于表征所述陌生用户帐号的信用级别；
根据所述陌生用户帐号的所述信用分值确定出第二用户帐号；
向所述第一用户帐号推荐所述第二用户帐号。
第二方面，提供了一种用户推荐装置，所述装置包括：
集合获取模块，用于获取与第一用户帐号对应的陌生人候选集合，所述陌生人候选集合包括至少一个陌生用户帐号；
分值获取模块，用于获取所述陌生用户帐号的信用分值，所述信用分值用于表征所述陌生用户帐号的信用级别；
帐号确定模块，用于根据所述陌生用户帐号的所述信用分值确定出第二用户帐号；
帐号推荐模块，用于向所述第一用户帐号推荐所述第二用户帐号。
本发明实施例提供的技术方案带来的有益效果是：
通过获取陌生用户帐号的信用分值，根据陌生用户帐号的信用分值确定出第二用户帐号，向第一用户帐号推荐第二用户帐号；解决了由于服务器推荐的聊天对象是基于简单的随机策略挑选的，所以服务器推荐的第二用户很可能恶意用户的问题；达到了能够根据信用分值推荐用户，增加优良用户被推荐的可能性，降低恶意用户被推荐的可能性，从而提高陌生人社交网络的可信度和安全性的效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对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是本发明各个实施例所涉及的一种陌生人聊天系统的结构示意图；
图2是本发明一个实施例提供的用户推荐方法的流程图；
图3A是本发明另一个实施例提供的用户推荐方法的流程图；
图3B是本发明另一个实施例提供的社交软件客户端界面的示意图；
图3C是本发明另一个实施例提供的用户帐号筛选流程的示意图；
图4是本发明另一个实施例提供的违约概率计算方法的流程图；
图5是本发明一个实施例提供的用户推荐装置的结构方框图；
图6是本发明另一个实施例提供的用户推荐装置的结构方框图；
图7是本发明一个实施例提供的服务器的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
请参考图1，其示出了本发明实施例所涉及的一种陌生人聊天系统的示意图。该系统包括：第一终端120、服务器140和至少一个第二终端160。
其中，第一终端120和第二终端160中运行有社交软件客户端。可选地，该社交软件客户端是陌生人聊天软件客户端。该社交软件客户端具有随机聊天功能。第一终端120和第二终端160可以是手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、可穿戴设备、膝上型便携计算机和台式计算机等等。
第一终端120和服务器140之间通过有线网络或无线网络相连，服务器140和第二终端160之间通过有线网络或无线网络相连。
服务器140是一台服务器，或者由若干台服务器，或者是一个虚拟化平台，或者是一个云计算服务中心。
可选的，服务器140包括用于提供即时通讯服务的陌生人聊天服务器142。陌生人聊天服务器用于获取陌生用户帐号的用户信息和已推荐次数等数据。陌生人聊天服务器142用于向第一用户帐号推荐第二用户帐号，向互相为陌生人的两个用户帐号之间提供通讯服务。也即，为第一用户帐号和第二用户帐号之间提供通讯服务。
可选地，服务器140还包括用于计算违约概率或信用分值并存储的信用分值服务器144。信用分值服务器144用于根据各个用户帐号的用户信息计算各个用户帐号的违约概率。可选地，信用分值服务器144还用于根据违约概率和已推荐次数计算各个用户帐号的信用分值。可选地，该信用分值服务器144是位于服务器140内部的服务器，也可以是位于服务器140外部的服务器。当信用分值服务器144，由服务器140向信用分值服务器144请求各个用户帐号的违约概率或信用分值。
可选的，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-up Language，HTML)、可扩展标记语言(Extensible MarkupLanguage，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Trassport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(Internet ProtocolSecurity，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
请参考图2，其示出了本发明一个实施例提供的用户推荐方法的方法流程图，本实施例以该用户推荐方法应用于图1所示服务器140中进行举例说明。该用户推荐方法可以包括如下几个步骤：
步骤202，获取与第一用户帐号对应的陌生人候选集合，陌生人候选集合包括至少一个陌生用户帐号；
步骤204，获取陌生用户帐号的信用分值，信用分值用于表征陌生用户帐号的信用级别；
步骤206，根据陌生用户帐号的信用分值确定出第二用户帐号；
步骤208，向第一用户帐号推荐第二用户帐号。
综上所述，本实施例提供的用户推荐方法，通过获取陌生用户帐号的信用分值，根据陌生用户帐号的信用分值确定出第二用户帐号，向第一用户帐号推荐第二用户帐号；解决了由于服务器推荐的聊天对象是基于简单的随机策略挑选的，所以服务器推荐的第二用户很可能恶意用户的问题；达到了能够根据信用分值推荐用户，增加优良用户被推荐的可能性，降低恶意用户被推荐的可能性，从而提高陌生人社交网络的可信度和安全性的效果。
请参考图3A，其示出了本发明一个实施例提供的用户推荐方法的方法流程图，本实施例以该用户推荐方法应用于图1所示陌生人聊天系统中进行举例说明。该用户推荐方法可以包括如下几个步骤：
步骤301，服务器获取与第一用户帐号对应的陌生人候选集合，陌生人候选集合包括至少一个陌生用户帐号。
第一用户帐号是指发起随机聊天的用户的帐号。如图3B所示，用户A点击了社交软件客户端界面001中的随机聊天按钮002，则用户A的用户帐号即第一用户帐号。
陌生用户帐号是指与第一用户帐号不具有好友关系的用户帐号。比如，用户B与用户A非好友，用户B的用户帐号不存在于用户A的用户帐号的好友列表中，用户B的用户帐号即陌生用户帐号。
陌生人候选集合包括有一个或多个陌生用户帐号。如图3C所示，陌生人候选集合a中包括用户B的用户帐号、用户C的用户帐号、用户D的用户帐号、用户E的用户帐号和用户F的用户帐号。
可选地，服务器在陌生人聊天系统中获取与第一用户帐号对应的陌生人候选集合。获取方式包括但不限于如下两种方式中的任意一种：
第一种获取方式，服务器随机选择出若干个陌生用户帐号，将若干个陌生用户帐号添加至陌生人候选集合。比如，服务器随机选择出10个陌生用户帐号，将10个陌生用户帐号添加至陌生人候选集合。
第二种获取方式，服务器选择出符合匹配规则的陌生用户帐号，匹配规则是第一用户帐号所设置的匹配条件；服务器将符合匹配规则的陌生用户帐号添加至陌生人候选集合。
可选地，第一用户帐号会提前设定匹配规则，该匹配规则包括性别、年龄、区域、语言、话题、宗教信仰、兴趣爱好中的一种或多种。
比如，用户A的用户帐号中所设置的匹配条件包括：性别“女性”、年龄“20～30岁”、地区“华东地区”。假设用户B的用户帐号所表现出的特征为：女性、25岁，由于用户B的用户帐号符合该匹配条件，则服务器将用户B的用户帐号添加至陌生人候选集合a中。假设用户C的用户帐号所表现出的特征为：女性、26岁、地区上海，由于用户C的用户帐号符合该匹配规则，则服务器将用户C的用户帐号添加至陌生人候选集合a中。假设用户G的用户帐号所表现出的特征为：男性、地区青海。由于用户G的用户帐号不符合该匹配规则，服务器则会排除用户G的用户帐号，不会将其添加至陌生人候选集合a中。
步骤302，服务器按照过滤条件对陌生人候选集合中的陌生用户帐号进行过滤；
可选地，过滤条件包括如下条件中的至少一种：
陌生用户帐号不在线；
在预设的历史时间段内，陌生用户帐号已被推荐给第一用户帐号；
陌生用户帐号的已推荐次数大于预设次数。
由于通常符合匹配规则的陌生用户帐号有很多，为了节约网络资源和提高效率，服务器按照过滤条件对陌生人候选集合中的陌生用户帐号进行过滤。
比如，服务器将不在线的陌生用户帐号从陌生人候选集合中删除。又比如，服务器将最近一天已被推荐给第一用户帐号的陌生用户帐号从陌生人候选集合中删除。再比如，服务器将已推荐次数大于10的陌生用户帐号从陌生人候选集合中删除。
如图3C所示，陌生人候选集合a中包括用户B的用户帐号、用户C的用户帐号、用户D的用户帐号、用户E的用户帐号和用户F的用户帐号。服务器检测出用户B的用户帐号不在线，用户E的用户帐号最近一天已被推荐给用户A的用户帐号，则服务器将用户B的用户帐号和用户E的用户帐号从陌生人候选集合a中删除。经过过滤，陌生人候选集合a中包括用户C的用户帐号、用户D的用户帐号和用户F的用户帐号。
步骤303，服务器获取陌生用户帐号的违约概率；
对于陌生人候选集合中的每个陌生用户帐号，服务器获取该陌生用户帐号的违约概率。
违约概率是指陌生用户帐号违约的可能性大小。违约概率越大，该用户帐号的诚信度越差；违约概率越低，该用户帐号的诚信度越好。违约概率属于一种信用概率。违约概率由信用分值计算器预先计算得到。
示意性的，信用分值服务器中存储有用户帐号和违约概率之间的对应关系。或者，用户帐号的关联标识与违约概率之间的对应关系。用户帐号的关联标识是姓名、身份证号码、护照号码、固定电话号码、移动电话号码、银行帐号等。
服务器从信用分值服务器中查询到陌生用户帐号的违约概率。
步骤304，服务器获取陌生用户帐号的已推荐次数。
对于陌生人候选集合中的每个陌生用户帐号，服务器获取该陌生用户帐号的已推荐次数。
已推荐次数是陌生用户帐号在聊天系统中被推荐为其它用户帐号的聊天对象的次数。
步骤305，服务器根据违约概率和已推荐次数计算陌生用户帐号的信用分值，信用分值与违约概率呈负相关关系，信用分值与已推荐次数呈负相关关系。
为了向第一用户帐号推荐更为可信的陌生用户帐号，服务器根据违约概率计算陌生用户帐号的信用分值，信用分值与违约概率呈负相关关系。
为了使更多的陌生用户帐号能够得到被推荐的机会，提高各个用户被推荐的公平性，服务器还根据已推荐次数计算陌生用户帐号的信用分值，信用分值与已推荐次数呈负相关关系。
信用分值与违约概率呈负相关关系是指违约概率越大，信用分值越低；违约概率越小，信用分值越高。
信用分值与已推荐次数呈负相关关系是指已推荐次数越多，信用分值越低；已推荐次数越少，信用分值越低。
可选地，服务器通过如下公式计算信用分值：
S是陌生用户帐号的信用分值，base是基准分值，step是步长，p是陌生用户帐号的违约概率，N是陌生用户帐号的已推荐次数，C为常量参数。
基准分值可预先设定，step可预先设定。
假设：base＝100，step＝10，p＝0.8，N＝0，C＝1；将数值代入上述公式计算出信用分值S＝101.33。
假设：base＝100，step＝10，p＝0.6，N＝0，C＝1；将数值代入上述公式计算出信用分值S＝102.75。
假设：base＝100，step＝10，p＝0.6，N＝8，C＝1；将数值代入上述公式计算出信用分值S＝11.3。
假设：base＝100，step＝10，p＝0.6，N＝1，C＝1；将数值代入上述公式计算出信用分值S＝51.3。
步骤306，服务器根据信用分值，对陌生候选集合中的陌生用户帐号进行排序。
可选地，服务器根据信用分值，对陌生候选集合中的陌生用户帐号由高到低进行排序。如图3C所示，陌生人候选集合a中包括用户C的用户帐号、用户D的用户帐号和用户F的用户帐号。用户C的用户帐号的信用分值为70，用户D的用户帐号的信用分值为95，用户F的用户帐号的信用分值为60。服务器根据信用分值由高到低对上述三个用户帐号进行排序。表一示意性的示出了该序列。
表一
| 序号 | 信用分值 | 用户帐号 |
| 1 | 95 | 用户D的用户帐号 |
| 2 | 70 | 用户C的用户帐号 |
| 3 | 60 | 用户F的用户帐号 |
步骤307，服务器将排序在前n位的陌生用户帐号确定为第二用户帐号，n为正整数。
n的大小可根据实际情况来设定。
比如，如图3C所示，用户D的用户帐号信用分值最高，排在第1位，服务器将排序在前1位的用户D的用户帐号确定为第二用户帐号。又比如，服务器将排序在前3位的陌生用户帐号确定为第二用户帐号。
步骤308，服务器向第一用户帐号推荐第二用户帐号。
如图3C所示，服务器向用户A的用户帐号推荐用户D的用户帐号。
可选地，第二用户帐号显示在第一用户帐号的聊天对象推荐列表中。如图3B所示，用户D的用户帐号显示在用户A的用户帐号聊天对象推荐列表中。
若第一用户帐号接受服务器本次推荐的聊天对象，则第一用户帐号与第二用户帐号进行聊天。
综上所述，本实施例提供的用户推荐方法，通过获取陌生用户帐号的信用分值，根据陌生用户帐号的信用分值确定出第二用户帐号，向第一用户帐号推荐第二用户帐号；解决了由于服务器推荐的聊天对象是基于简单的随机策略挑选的，所以服务器推荐的第二用户很可能恶意用户的问题；达到了能够根据信用分值推荐用户，增加优良用户被推荐的可能性，降低恶意用户被推荐的可能性，从而提高陌生人社交网络的可信度和安全性的效果。
另外，本实施例提供的用户推荐方法，还通过按照过滤条件对陌生人候选集合中的陌生用户帐号进行过滤，达到了降低无效用户推荐的风险，提高用户推荐的公平性，节约网络资源和提高效率的效果。
可选地，在图3A实施例中提及的违约概率是由用户帐号的用户信息所计算得到的。图4示出了本发明一个实施例提供的违约概率计算方法的流程图。本实施例以该违约概率计算方法应用于信用分值服务器中举例说明。所述方法包括：
步骤401，信用分值服务器在聊天系统中采集多个样本用户帐号的用户信息；
示意性的，用户信息包括：用户注册信息、用户设置信息、用户行为信息和用户标签信息中的至少一种。
用户注册信息包括：帐号ID、注册邮箱、注册地址和绑定的手机号等。
用户设置信息包括：性别、年龄、区域、语言、头像和签名等。
用户行为信息包括：选择聊天对象的方式、设置的匹配规则、每次陌生人聊天的时长和聊天信息等。
用户标签信息包括：话题、兴趣爱好和朋友评价等。
可选地，样本用户帐号越多，所训练得到的违约概率计算模型越精准。
步骤402，信用分值服务器对用户信息进行预处理，预处理包括：数据清洗和数据补齐；
数据清洗包括：对用户信息中的奇异数据进行清洗，和/或，对用户信息中的重复数据进行清洗。
奇异数据是实际取值超出可能性取值的数据。比如，年龄的可能性取值为：6岁～90岁，则年龄为120岁的数据属于奇异数据。信用分值服务器对该用户信息进行清洗。
重复数据是指对同一用户帐号进行了两次或两次以上的重复采集，导致同一用户帐号的用户信息重复出现。信用分值服务器对该用户信息进行清洗。
数据补齐包括：对用户信息中缺失的数据进行补齐，补齐为默认值。
在对各个样本用户帐号的用户信息进行预处理后，信用分值服务器将样本用户帐号的用户信息存储至数据库中。
步骤403，信用分值服务器根据举报数据对样本用户帐号进行标注，得到标注后的训练集和测试集；
举报数据是由其它用户帐号对样本用户帐号进行违约举报后所得到的数据，举报数据用于指示样本用户帐号的类型。示意性的，该类型包括：优秀用户和违约用户。可选地，使用取值0来标识优秀用户，使用取值1来标识违约用户。
示意性的，表二示出了标注后的样本用户帐号的示意。
表二
| 样本用户帐号 | 性别 | 年龄 | 学历 | 区域 | 注册地址 | 其它信息项 | 标注类型 |
| 用户1 | 男 | 30 | 硕士 | 上海 | 上海 | 足球、科技 | 0 |
| 用户2 | 女 | 25 | 本科 | 西藏 | 西藏 | 明星、小说 | 1 |
| 用户3 | 男 | 18 | 高中 | 北京 | 北京 | 吉他、鲜肉 | 1 |
| 用户4 | 女 | 40 | 博士 | 南京 | 南京 | 旅游、气质女 | 0 |
| 用户5 | 男 | 20 | 大专 | 苏州 | 苏州 | 摄影、阳光 | 0 |
信用分值服务器将一部分已标注的样本用户帐号归类为训练集，将另一部分样本用户帐号归类为测试集。其中，训练集是用于对违约概率计算模型进行训练的样本集合，测试集是用于对违约概率计算模型的训练结果进行检验的样本集合。
在可选的实施例中，信用分值服务器还将用户信息中的各个信息项，量化为计算机可读数据。比如，将性别男量化为取值1，性别女量化为取值0；又比如，将学历量化为取值1至7，取值1代表小学、取值2代表初中、取值3代表高中、取值4代表大学，取值5代表硕士，取值6代表博士，取值7代表博士以上”。
可选地，信用分值服务器按照一定比率将样本用户帐号划分为训练集和测试集。
步骤404，信用分值服务器使用训练集对初始的违约概率计算模型进行训练，得到训练后的违约概率计算模型；
可选的，违约概率计算模型为逻辑回归模型，或者，违约概率计算模型为朴素贝叶斯模型，或者，违约概率计算模型为决策树模型，或决策模型为AdaBoost元模型。
初始的违约概率计算模型中包括各个信息项所对应的参数；通过将训练集中的样本用户帐号的用户信息和标注类型，不断输入至违约概率计算模型中进行训练，能够改变违约概率计算模型中的各个参数。经过多次迭代训练后，最终得到训练后的违约概率计算模型。
步骤405，信用分值服务器使用训练集对训练后的违约概率计算模型进行测试，得到符合预设精度要求的违约概率计算模型。
在得到训练后的违约概率计算模型后，信用分值服务器将训练集中的样本用户帐号的用户信息输入至违约概率计算模型，对违约概率计算模型的计算准确度进行测试。
可选地，信用分值服务器将训练集中的样本用户帐号的用户信息输入至违约概率计算模型，计算出违约概率。根据计算出的违约概率判断违约概率计算模型区分好坏用户的区分能力和稳定性，如果符合预定精度要求，则停止训练；否则重新训练。
步骤406，信用分值服务器使用测试集对训练后的违约概率计算模型进行测试，得到符合预设精度要求的违约概率计算模型。
在得到训练后的违约概率计算模型后，信用分值服务器将测试集中的样本用户帐号的用户信息输入至违约概率计算模型，对违约概率计算模型的计算准确度进行测试。
若违约概率计算模型的计算准确度符合预设精度要求，则停止训练；若违约概率计算模型的计算准确度不符合预设精度要求，则继续训练。
可选地，信用分值服务器将测试集中的样本用户帐号的用户信息输入至违约概率计算模型，计算出违约概率。信用分值服务器根据计算出的违约概率，判断违约概率计算模型区分好坏用户的区分能力和稳定性。信用分值服务器还检查违约概率计算模型是否过拟合，过拟合是指违约概率计算模型在训练集和测试集上区分好坏用户的区分能力的下降程度超过第一条件，若过拟合则重新训练模型。可选地，信用分值服务器还根据计算出的违约概率，检查违约概率计算模型的稳定性差于第二条件，稳定性是指违约概率计算模型对群体预测的稳定程度，若稳定性差于第二条件则重新训练模型。可选地，对变量进行衍生变换后，重新训练模型。在得到符合预设精度要求的违约概率计算模型后，信用分值服务器计算各个陌生用户帐号的违约概率，包括如下步骤：
步骤407，信用分值服务器采集陌生用户帐号在聊天系统中的用户信息。
用户信息包括：用户注册信息、用户设置信息、用户行为信息和用户标签信息中的至少一种。示意性的：
用户注册信息包括：帐号ID、注册邮箱、注册地址和绑定的手机号等。
用户设置信息包括：性别、年龄、区域、语言、头像和签名等。
用户行为信息包括：选择聊天对象的方式、设置的匹配规则、每次陌生人聊天的时长和聊天信息等。
用户标签信息包括：话题、兴趣爱好和朋友评价等。
信用分值服务器对用户信息进行预处理，预处理包括：数据清洗和数据补齐。数据清洗包括：对用户信息中的奇异数据进行清洗，和/或，对用户信息中的重复数据进行清洗。数据补齐包括：对用户信息中缺失的数据进行补齐，补齐为默认值。
步骤408，信用分值服务器将陌生用户帐号的用户信息输入至已训练好的违约概率计算模型，得到陌生用户帐号的违约概率。
违约概率是基于陌生用户帐号的用户信息所计算出的概率值。违约概率是指陌生用户帐号违约的可能性大小。违约概率越大，该用户帐号的诚信度越差；违约概率越低，该用户帐号的诚信度越好。
违约概率计算模型是预先根据多个已标注的样本用户标识的用户信息所训练得到的计算模型。也即，根据步骤401至步骤406所训练得到的模型。
可选地，违约概率的计算过程在图3A所示的推荐过程之前执行。
综上所述，本实施例提供的违约概率计算方法，通过采集陌生用户帐号在聊天系统中的用户信息；将用户信息输入至违约概率计算模型，得到陌生用户帐号的违约概率，达到了能够根据在聊天系统中的用户信息得到陌生用户帐号的违约概率，该违约概率能够准确地反应陌生用户帐号在聊天系统中的信用分值的效果。
需要说明的是，本发明实施例对违约概率的计算方法不加以限定。上述计算过程仅为示意性说明
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
请参考图5，其示出了本发明一个实施例提供的用户推荐装置的结构方框图，该用户推荐装置可通过软件、硬件或者两者的结合实现成为图1所示陌生人聊天系统中的服务器的部分或者全部。该用户推荐装置可以包括：
集合获取模块520，用于获取与第一用户帐号对应的陌生人候选集合，陌生人候选集合包括至少一个陌生用户帐号；
分值获取模块540，用于获取陌生用户帐号的信用分值，信用分值用于表征陌生用户帐号的信用级别；
帐号确定模块560，用于根据陌生用户帐号的信用分值确定出第二用户帐号；
帐号推荐模块580，用于向第一用户帐号推荐第二用户帐号。
综上所述，本实施例提供的用户推荐装置，通过获取陌生用户帐号的信用分值，根据陌生用户帐号的信用分值确定出第二用户帐号，向第一用户帐号推荐第二用户帐号；解决了由于服务器推荐的聊天对象是基于简单的随机策略挑选的，所以服务器推荐的第二用户很可能恶意用户的问题；达到了能够根据信用分值推荐用户，增加优良用户被推荐的可能性，降低恶意用户被推荐的可能性，从而提高陌生人社交网络的可信度和安全性的效果。
请参考图6，其示出了本发明一个实施例提供的用户推荐装置的结构方框图，该用户推荐装置可通过软件、硬件或者两者的结合实现成为图1所示陌生人聊天系统中的服务器的部分或者全部。该用户推荐装置可以包括：
集合获取模块620，用于获取与第一用户帐号对应的陌生人候选集合，陌生人候选集合包括至少一个陌生用户帐号；
分值获取模块640，用于获取陌生用户帐号的信用分值，信用分值用于表征陌生用户帐号的信用级别；
帐号确定模块660，用于根据陌生用户帐号的信用分值确定出第二用户帐号；
帐号推荐模块680，用于向第一用户帐号推荐第二用户帐号。
可选地，帐号确定模块660，包括：
帐号排序单元661，用于根据信用分值，对陌生候选集合中的陌生用户帐号进行排序；
帐号确定单元662，用于将排序在前n位的陌生用户帐号确定为第二用户帐号，n为正整数。
可选地，分值获取模块640，包括：
概率获取单元641，用于获取陌生用户帐号的违约概率，违约概率是基于陌生用户帐号的用户信息所计算出的概率值；
次数获取单元642，用于获取陌生用户帐号的已推荐次数，已推荐次数是陌生用户帐号作为其它用户帐号的推荐聊天对象的次数；
分值计算单元643，用于根据违约概率和已推荐次数计算陌生用户帐号的信用分值，信用分值与违约概率呈负相关关系，信用分值与已推荐次数呈负相关关系。
可选地，
分值计算单元643，用于通过如下公式计算信用分值：
S是陌生用户帐号的信用分值，base是基准分值，step是步长，p是陌生用户帐号的违约概率，N是陌生用户帐号的已推荐次数，C为常量参数。
可选地，概率获取单元641，包括：
信息采集子单元644，用于采集陌生用户帐号在聊天系统中的用户信息，用户信息包括：用户注册信息、用户设置信息、用户行为信息和用户标签信息中的至少一种；
概率获取子单元645，用于将用户信息输入至违约概率计算模型，得到陌生用户帐号的违约概率，违约概率计算模型是预先根据多个已标注的用户样本所训练得到的计算模型。
可选地，
集合获取模块620，用于随机选择出若干个陌生用户帐号，将若干个陌生用户帐号添加至陌生人候选集合；
或，
集合获取模块620，用于选择出符合匹配规则的陌生用户帐号，匹配规则是第一用户帐号所设置的匹配条件；将符合匹配规则的陌生用户帐号添加至陌生人候选集合。
可选地，该装置，还包括：
帐号过滤模块690，用于按照过滤条件对陌生人候选集合中的陌生用户帐号进行过滤；
其中，过滤条件包括如下条件中的至少一种：
陌生用户帐号不在线；
在预设的历史时间段内，陌生用户帐号已被推荐给第一用户帐号；
陌生用户帐号的已推荐次数大于预设次数。
综上所述，本实施例提供的用户推荐装置，通过获取陌生用户帐号的信用分值，根据陌生用户帐号的信用分值确定出第二用户帐号，向第一用户帐号推荐第二用户帐号；解决了由于服务器推荐的聊天对象是基于简单的随机策略挑选的，所以服务器推荐的第二用户很可能恶意用户的问题；达到了能够根据信用分值推荐用户，增加优良用户被推荐的可能性，降低恶意用户被推荐的可能性，从而提高陌生人社交网络的可信度和安全性的效果。
另外，本实施例提供的用户推荐装置，还通过按照过滤条件对陌生人候选集合中的陌生用户帐号进行过滤，达到了降低无效用户推荐的风险，提高用户推荐的公平性，节约网络资源和提高效率的效果。
需要说明的是：上述实施例提供的用户推荐装置在进行推荐用户时，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，即将设备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。另外，上述实施例提供的用户推荐装置与用户推荐方法的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
请参考图7，其示出了本发明一个实施例提供的服务器的结构示意图。该服务器可以是图1所示陌生人聊天系统中的服务器。服务器用于实施上述图2、图3A所示实施例提供的用户推荐方法，和图4所示实施例提供的违约概率计算方法。
如图7所示，所述服务器700包括中央处理单元(CPU)701、包括随机存取存储器(RAM)702和只读存储器(ROM)703的系统存储器704，以及连接系统存储器704和中央处理单元701的系统总线705。所述服务器700还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)706，和用于存储操作系统713、应用程序714和其他程序模块715的大容量存储设备707。
所述基本输入/输出系统706包括有用于显示信息的显示器708和用于用户输入信息的诸如鼠标、键盘之类的输入设备709。其中所述显示器708和输入设备707都通过连接到系统总线705的输入输出控制器710连接到中央处理单元701。所述基本输入/输出系统706还可以包括输入输出控制器710以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器710还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备707通过连接到系统总线705的大容量存储控制器(未示出)连接到中央处理单元701。所述大容量存储设备707及其相关联的计算机可读介质为服务器700提供非易失性存储。也就是说，所述大容量存储设备707可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器704和大容量存储设备707可以统称为存储器。
根据本发明的各种实施例，所述服务器700还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器700可以通过连接在所述系统总线705上的网络接口单元711连接到网络712，或者说，也可以使用网络接口单元711来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，所述一个或者一个以上程序用于执行上述实施例提供的由服务器执行的用户推荐方法或违约概率计算方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (14)
1.一种用户推荐方法，其特征在于，所述方法包括：
获取与第一用户帐号对应的陌生人候选集合，所述陌生人候选集合包括至少一个陌生用户帐号；
获取所述陌生用户帐号的信用分值，所述信用分值用于表征所述陌生用户帐号的信用级别；
根据所述陌生用户帐号的所述信用分值确定出第二用户帐号；
向所述第一用户帐号推荐所述第二用户帐号。
2.根据权利要求1所述的方法，其特征在于，所述根据所述陌生用户帐号的所述信用分值确定出第二用户帐号，包括：
根据所述信用分值，对所述陌生候选集合中的所述陌生用户帐号进行排序；
将排序在前n位的所述陌生用户帐号确定为所述第二用户帐号，n为正整数。
3.根据权利要求1所述的方法，其特征在于，所述获取所述陌生用户帐号的信用分值，包括：
获取所述陌生用户帐号的违约概率，所述违约概率是基于所述陌生用户帐号的用户信息所计算出的概率值；
获取所述陌生用户帐号的已推荐次数，所述已推荐次数是所述陌生用户帐号作为其它用户帐号的推荐聊天对象的次数；
根据所述违约概率和所述已推荐次数计算所述陌生用户帐号的信用分值，所述信用分值与所述违约概率呈负相关关系，所述信用分值与所述已推荐次数呈负相关关系。
4.根据权利要求3所述的方法，其特征在于，所述根据所述违约概率和所述已推荐次数计算所述陌生用户帐号的信用分值，包括：
通过如下公式计算所述信用分值：
<mrow>
<mi>S</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mi>a</mi>
<mi>s</mi>
<mi>e</mi>
<mo>+</mo>
<mfrac>
<mrow>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mi>p</mi>
</mfrac>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>s</mi>
<mi>t</mi>
<mi>e</mi>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>l</mi>
<mi>n</mi>
<mn>2</mn>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mfrac>
<mi>C</mi>
<mrow>
<mi>N</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
S是所述陌生用户帐号的信用分值，base是基准分值，step是步长，p是所述陌生用户帐号的违约概率，N是所述陌生用户帐号的已推荐次数，C为常量参数。
5.根据权利要求3所述的方法，其特征在于，所述获取所述陌生用户帐号的违约概率，包括：
采集所述陌生用户帐号在聊天系统中的用户信息，所述用户信息包括：用户注册信息、用户设置信息、用户行为信息和用户标签信息中的至少一种；
将所述用户信息输入至违约概率计算模型，得到所述陌生用户帐号的违约概率，所述违约概率计算模型是预先根据多个已标注的用户样本所训练得到的计算模型。
6.根据权利要求1至5任一所述的方法，其特征在于，所述获取与第一用户帐号对应的陌生人候选集合，包括：
随机选择出若干个陌生用户帐号，将所述若干个陌生用户帐号添加至所述陌生人候选集合；
或，
选择出符合匹配规则的陌生用户帐号，所述匹配规则是所述第一用户帐号所设置的匹配条件；将符合所述匹配规则的所述陌生用户帐号添加至所述陌生人候选集合。
7.根据权利要求1至5任一所述的方法，其特征在于，所述方法，还包括：
按照过滤条件对所述陌生人候选集合中的所述陌生用户帐号进行过滤；
其中，所述过滤条件包括如下条件中的至少一种：
所述陌生用户帐号不在线；
在预设的历史时间段内，所述陌生用户帐号已被推荐给所述第一用户帐号；
所述陌生用户帐号的已推荐次数大于预设次数。
8.一种用户推荐装置，其特征在于，所述装置包括：
集合获取模块，用于获取与第一用户帐号对应的陌生人候选集合，所述陌生人候选集合包括至少一个陌生用户帐号；
分值获取模块，用于获取所述陌生用户帐号的信用分值，所述信用分值用于表征所述陌生用户帐号的信用级别；
帐号确定模块，用于根据所述陌生用户帐号的所述信用分值确定出第二用户帐号；
帐号推荐模块，用于向所述第一用户帐号推荐所述第二用户帐号。
9.根据权利要求8所述的装置，其特征在于，所述帐号确定模块，包括：
帐号排序单元，用于根据所述信用分值，对所述陌生候选集合中的所述陌生用户帐号进行排序；
帐号确定单元，用于将排序在前n位的所述陌生用户帐号确定为所述第二用户帐号，n为正整数。
10.根据权利要求8所述的装置，其特征在于，所述分值获取模块，包括：
概率获取单元，用于获取所述陌生用户帐号的违约概率，所述违约概率是基于所述陌生用户帐号的用户信息所计算出的概率值；
次数获取单元，用于获取所述陌生用户帐号的已推荐次数，所述已推荐次数是所述陌生用户帐号作为其它用户帐号的推荐聊天对象的次数；
分值计算单元，用于根据所述违约概率和所述已推荐次数计算所述陌生用户帐号的信用分值，所述信用分值与所述违约概率呈负相关关系，所述信用分值与所述已推荐次数呈负相关关系。
11.根据权利要求10所述的装置，其特征在于，
所述分值计算单元，用于通过如下公式计算所述信用分值：
<mrow>
<mi>S</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mi>a</mi>
<mi>s</mi>
<mi>e</mi>
<mo>+</mo>
<mfrac>
<mrow>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mi>p</mi>
</mfrac>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>s</mi>
<mi>t</mi>
<mi>e</mi>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>l</mi>
<mi>n</mi>
<mn>2</mn>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mfrac>
<mi>C</mi>
<mrow>
<mi>N</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
S是所述陌生用户帐号的信用分值，base是基准分值，step是步长，p是所述陌生用户帐号的违约概率，N是所述陌生用户帐号的已推荐次数，C为常量参数。
12.根据权利要求10所述的装置，其特征在于，所述概率获取单元，包括：
信息采集子单元，用于采集所述陌生用户帐号在聊天系统中的用户信息，所述用户信息包括：用户注册信息、用户设置信息、用户行为信息和用户标签信息中的至少一种；
概率获取子单元，用于将所述用户信息输入至违约概率计算模型，得到所述陌生用户帐号的违约概率，所述违约概率计算模型是预先根据多个已标注的用户样本所训练得到的计算模型。
13.根据权利要求8至12任一所述的装置，其特征在于，
所述集合获取模块，用于随机选择出若干个陌生用户帐号，将所述若干个陌生用户帐号添加至所述陌生人候选集合；
或，
所述集合获取模块，用于选择出符合匹配规则的陌生用户帐号，所述匹配规则是所述第一用户帐号所设置的匹配条件；将符合所述匹配规则的所述陌生用户帐号添加至所述陌生人候选集合。
14.根据权利要求8至12任一所述的装置，其特征在于，所述装置，还包括：
帐号过滤模块，用于按照过滤条件对所述陌生人候选集合中的所述陌生用户帐号进行过滤；
其中，所述过滤条件包括如下条件中的至少一种：
所述陌生用户帐号不在线；
在预设的历史时间段内，所述陌生用户帐号已被推荐给所述第一用户帐号；
所述陌生用户帐号的已推荐次数大于预设次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610816182.9A CN107809370B (zh) | 2016-09-09 | 2016-09-09 | 用户推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610816182.9A CN107809370B (zh) | 2016-09-09 | 2016-09-09 | 用户推荐方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107809370A true CN107809370A (zh) | 2018-03-16 |
| CN107809370B CN107809370B (zh) | 2020-02-14 |
Family
ID=61569763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610816182.9A Active CN107809370B (zh) | 2016-09-09 | 2016-09-09 | 用户推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107809370B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109146702A (zh) * | 2018-08-25 | 2019-01-04 | 彭卫国 | 一种基于保证金的用户推荐方法及系统 |
| CN110245787A (zh) * | 2019-05-24 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 一种目标群体预测方法、装置及设备 |
| CN110300051A (zh) * | 2019-06-03 | 2019-10-01 | 上海掌门科技有限公司 | 即时通信方法、设备及计算机可读存储介质 |
| CN111193939A (zh) * | 2019-11-29 | 2020-05-22 | 腾讯科技（深圳）有限公司 | 在线视频互助方法、装置、电子设备及存储介质 |
| CN112153220A (zh) * | 2020-08-26 | 2020-12-29 | 北京邮电大学 | 一种基于社交评价动态更新的通信行为识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130072233A1 (en) * | 2011-09-15 | 2013-03-21 | Thomas E. Sandholm | Geographically partitioned online content services |
| CN103581270A (zh) * | 2012-08-08 | 2014-02-12 | 腾讯科技（深圳）有限公司 | 用户推荐方法和系统 |
| 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 |
| CN105512896A (zh) * | 2014-09-25 | 2016-04-20 | 腾讯科技（深圳）有限公司 | 举报信息处理方法和系统 |
-
2016
- 2016-09-09 CN CN201610816182.9A patent/CN107809370B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130072233A1 (en) * | 2011-09-15 | 2013-03-21 | Thomas E. Sandholm | Geographically partitioned online content services |
| CN103581270A (zh) * | 2012-08-08 | 2014-02-12 | 腾讯科技（深圳）有限公司 | 用户推荐方法和系统 |
| 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 |
| CN105512896A (zh) * | 2014-09-25 | 2016-04-20 | 腾讯科技（深圳）有限公司 | 举报信息处理方法和系统 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109146702A (zh) * | 2018-08-25 | 2019-01-04 | 彭卫国 | 一种基于保证金的用户推荐方法及系统 |
| CN110245787A (zh) * | 2019-05-24 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 一种目标群体预测方法、装置及设备 |
| CN110245787B (zh) * | 2019-05-24 | 2023-11-17 | 创新先进技术有限公司 | 一种目标群体预测方法、装置及设备 |
| CN110300051A (zh) * | 2019-06-03 | 2019-10-01 | 上海掌门科技有限公司 | 即时通信方法、设备及计算机可读存储介质 |
| CN111193939A (zh) * | 2019-11-29 | 2020-05-22 | 腾讯科技（深圳）有限公司 | 在线视频互助方法、装置、电子设备及存储介质 |
| CN111193939B (zh) * | 2019-11-29 | 2021-06-15 | 腾讯科技（深圳）有限公司 | 在线视频互助方法、装置、电子设备及存储介质 |
| CN112153220A (zh) * | 2020-08-26 | 2020-12-29 | 北京邮电大学 | 一种基于社交评价动态更新的通信行为识别方法 |
| CN112153220B (zh) * | 2020-08-26 | 2021-08-27 | 北京邮电大学 | 一种基于社交评价动态更新的通信行为识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107809370B (zh) | 2020-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11226988B1 (en) | Generating event suggestions for users from social information | |
| CN103279515B (zh) | 基于微群的推荐方法及微群推荐装置 | |
| CN107809370A (zh) | 用户推荐方法及装置 | |
| CN108763314A (zh) | 一种兴趣推荐方法、装置、服务器及存储介质 | |
| CN103346957B (zh) | 一种根据联系人消息改变联系人头像表情的系统及方法 | |
| CN109063010B (zh) | 一种基于PageRank的意见领袖挖掘方法 | |
| Williams et al. | The value of Twitter for sports fans | |
| CN102880644B (zh) | 社区发现方法 | |
| CN104991899B (zh) | 用户属性的识别方法及装置 | |
| CN103823888B (zh) | 一种基于节点亲密度的社交网站好友推荐方法 | |
| CN107123057A (zh) | 用户推荐方法及装置 | |
| KR101543780B1 (ko) | 동적 사용자 프로필 및 소셜 네트워크 신뢰성을 이용한 전문가 검색 시스템 및 방법 | |
| CN103324636A (zh) | 在社交网络中推荐好友的系统和方法 | |
| CN104834695A (zh) | 基于用户兴趣度和地理位置的活动推荐方法 | |
| CN107577782B (zh) | 一种基于异质数据的人物相似度刻画方法 | |
| CN108287857A (zh) | 表情图片推荐方法及装置 | |
| CN103530428A (zh) | 一种基于开发者实践技能相似性的同行推荐方法 | |
| CN111127222B (zh) | 业务服务的处理方法、装置、设备及存储介质 | |
| CN112100221B (zh) | 一种资讯推荐方法、装置、推荐服务器及存储介质 | |
| CN108039198A (zh) | 一种面向移动医疗的医生推荐方法及系统 | |
| CN106294676B (zh) | 一种电子商务政务系统的数据检索方法 | |
| CN106921795A (zh) | 一种联系人数据管理方法及其系统 | |
| EP2613275B1 (en) | Search device, search method, search program, and computer-readable memory medium for recording search program | |
| CN109871492A (zh) | 任务处理方法、装置、计算机设备及计算机存储介质 | |
| CN102902674B (zh) | 服务群组分类方法和系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |