CN107947951B - 用户群组推荐方法、装置及存储介质和服务器 - Google Patents
用户群组推荐方法、装置及存储介质和服务器 Download PDFInfo
- Publication number
- CN107947951B CN107947951B CN201711393215.4A CN201711393215A CN107947951B CN 107947951 B CN107947951 B CN 107947951B CN 201711393215 A CN201711393215 A CN 201711393215A CN 107947951 B CN107947951 B CN 107947951B
- Authority
- CN
- China
- Prior art keywords
- groups
- users
- classification
- attribute classification
- application program
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/02—Details
- H04L12/16—Arrangements for providing special services to substations
- H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
- H04L12/185—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast with management of multicast group membership
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/02—Details
- H04L12/16—Arrangements for providing special services to substations
- H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
- H04L12/1859—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast adapted to provide push services, e.g. data channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Abstract
本申请实施例公开了一种用户群组推荐方法、装置及存储介质和服务器,所述方法包括确定第二应用程序下,自身属性类别与所属用户群组属性类别不匹配的目标群成员;利用预设分类模型,获取与所述目标群成员匹配的目标用户群组,所述预设分类模型基于机器学习方法由多个已知属性类别的用户群组样本训练生成,用于对用户群组进行属性类别标记;将所述目标用户群组推送给所述目标群成员所在终端。本申请实施例提供的技术方案,可以为目标群成员推荐与其匹配度高的用户群组,提升了用户群组推荐的准确性。
Description
技术领域
本申请实施例涉及信息推荐技术领域,尤其涉及一种用户群组推荐方法、装置及存储介质和服务器。
背景技术
随着互联网通信技术的发展,不同的终端用户之间可以通过建立用户群组来相互通信,例如,在微信应用程序下建立用户群组进行通信,在跑步应用程序下建立用户群组进行运动状态和技巧的沟通交流。但有时候用户所在的用户群组与用户自身并不匹配,导致用户在该用户群组下不能很好的满足用户对该应用程序的需求,需要改进。
发明内容
本申请实施例提供一种用户群组推荐方法、装置及存储介质和服务器,可以合理的进行用户群组推荐。
在第一方面,本申请实施例提供了一种用户群组推荐方法,包括:
确定第二应用程序下,自身属性类别与所属用户群组属性类别不匹配的目标群成员;
利用预设分类模型,获取与所述目标群成员匹配的目标用户群组,所述预设分类模型基于机器学习方法由多个已知属性类别的用户群组样本训练生成,用于对用户群组进行属性类别标记;
将所述目标用户群组推送给所述目标群成员所在终端。
在第二方面,本申请实施例提供了一种用户群组推荐装置,包括:
目标群成员确定模块,用于确定第二应用程序下,自身属性类别与所属用户群组属性类别不匹配的目标群成员;
目标用户群组获取模块,用于利用预设分类模型,获取与所述目标群成员匹配的目标用户群组,所述预设分类模型基于机器学习方法由多个已知属性类别的用户群组样本训练生成,用于对用户群组进行属性类别标记;
目标用户群组推荐模块,用于将所述目标用户群组推送给所述目标群成员所在终端。
在第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所提供的用户群组推荐方法。
在第四方面,本申请实施例提供了一种服务器,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现如第一方面所提供的用户群组推荐方法。
本申请实施例提供的用户群组推荐方案,通过对应用程序下所建立的用户群组中的群成员属性类别与用户群组属性类别进行分析,确定自身属性类别与所属用户群组的属性类别不匹配的目标群成员,利用预设分类模型,获取与目标群成员匹配的目标用户群组,将目标用户群组推送给目标群成员所在终端,可以为目标群成员推荐与其匹配度高的用户群组,提升了用户群组推荐的准确性。
附图说明
图1是本申请实施例提供的一种用户群组推荐方法的流程图;
图2是本申请实施例提供的另一种用户群组推荐方法的流程图;
图3是本申请实施例提供的另一种用户群组推荐方法的流程图;
图4是本申请实施例提供的一种用户群组推荐装置的结构示意图;
图5是本申请实施例提供的一种服务器的结构示意图;
图6是本申请实施例提供的另一种服务器的结构示意图;
图7是本申请实施例提供的一种移动终端的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1给出了本申请实施例提供的一种用户群组推荐方法的流程图,本实施例的方法可以由用户群组推荐装置来执行,该装置可通过硬件和/或软件的方式实现,所述装置可作为服务器一部分设置在所述服务器的内部。
如图1所示,本实施例提供的用户群组推荐方法包括以下步骤:
步骤101、确定第二应用程序下,自身属性类别与所属用户群组属性类别不匹配的目标群成员。
在移动终端中一般都安装有各式各样的应用程序,用户通过操作该应用程序来实现相应的功能,例如用户通过电话应用程序进行接打电话,通过微信、QQ等社交类应用程序进行聊天和发表状态,通过运动类应用程序进行运动健身,通过竞技类应用程序来玩游戏。在用户使用应用程序的过程中,会建立或者加入相应应用程序下的用户群组,以方便群成员之间的沟通交流。每个应用程序都有其对应的服务器来控制应用程序功能的实现,可以是每个应用程序分别对应一个服务器,也可以是相同生厂商的应用程序对应该生产商的一个服务器,本实施例对此并不进行限制。
一个应用程序下可能建立多个用户群组,在移动终端侧可以对群成员的操作信息进行分析,得到群成员的属性类别信息,并将群成员的操作信息和属性类别信息上传至服务器。对于有些应用程序下的用户群组属性类别可以通过根据用户群组建立信息或者群主直接输入的群组属性来得到,这类应用程序称为第一应用程序;对于有些应用程序下的用户群组属性类别无法通过上述方法得到,这类应用程序称为第二应用程序。其中,第一应用程序和第二应用程序可以为相同类别的应用程序,示例性的,可以都为竞技类应用程序。
可选的,应用程序可以包括社交类应用程序、运动类应用程序和竞技类应用程序,所述竞技类应用程序可以包括游戏类应用程序。若所述应用程序为社交类应用程序,则属性类别包括活跃、一般和不活跃,若所述应用程序为运动类应用程序,则属性类别包括勤奋、中等和懒惰,若所述应用程序为竞技类应用程序,则属性类别包括初级水平、中级水平和高级水平。
在步骤101之前,还包括确定第二应用程序下各个用户群组属性类别的步骤。可以先通过将第一应用程序下的各个用户群组作为样本进行训练生成预设分类模型,该预设分类模型可用于对第二应用程序下的用户群组属性类别进行标记,然后,将第二应用程序下的各个用户群组中群成员的操作信息和属性类别输入至预设分类模型,来得到第二应用程序下各个用户群组的属性类别。相应的,本实施例提供的用户群组推荐方法还可以包括以下步骤:采集第一应用程序下已知属性类别的用户群组样本基于机器学习方法进行训练,生成预设分类模型。在生成预设分类模型之后还可以包括以下步骤:获取第二应用程序下建立的各个用户群组中群成员的操作信息和属性类别;将所述各个用户群组中群成员的操作信息和属性类别输入至所述预设分类模型,得到所述预设分类模型输出的各个用户群组的属性类别。
在基于预设分类模型获取到第二应用程序下的各个用户群组的属性类别之后,可以确定第二应用程序下,自身属性类别与所属用户群组属性类别不匹配的目标群成员。
其中,自身属性类别与所属用户群组属性类别不匹配可以包括自身属性类别与所属用户群组属性类别不同,示例性的,群成员A的属性类别为高级水平,群成员A所属的用户群组的属性类别为初级水平,那么群成员A的自身属性类别与所属用户群组属性类别不匹配;自身属性类别与所属用户群组属性类别不匹配还可以包括自身属性类别与所属用户群组属性类别不配对,当然可以预先设置第二应用程序下互相配对的属性类别,示例性的,群成员B的属性类别为类别1,与类别1配对的为类别2,若群成员B所属用户群组的属性类别为类别1或者类别3,则群成员B的属性类别与所属用户群组的属性类别不匹配。
可选的,所述机器学习方法包括:神经网络方法、支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法和随机森林方法。
步骤102、利用预设分类模型,获取与所述目标群成员匹配的目标用户群组,所述预设分类模型基于机器学习方法由多个已知属性类别的用户群组样本训练生成,用于对用户群组进行属性类别标记。
在获取第二应用程序下建立的各个用户群组中群成员的操作信息和属性类别;将所述各个用户群组中群成员的操作信息和属性类别输入至所述预设分类模型,得到所述预设分类模型输出的各个用户群组的属性类别之后,对第二应用程序下的各个用户群组的属性类别进行标记。然后,利用预设分类模型,获取属性类别与所述目标群成员的属性类别匹配的目标用户群组。相应的,该步骤102可以包括:对所述各个用户群组的属性类别进行标记;将属性类别与所述目标群成员属性类别匹配的用户群组确定为目标用户群组。
步骤103、将所述目标用户群组推送给所述目标群成员所在终端。
具体可以将目标用户群组的群号和属性类别信息推送给所述目标群成员所在终端。
本实施例提供的用户群组推荐方法,通过对应用程序下所建立的用户群组中的群成员属性与用户群组属性进行分析,确定自身属性类别与所属用户群组的属性类别不匹配的目标群成员,利用预设分类模型,获取与目标群成员匹配的目标用户群组,将目标用户群组推送给目标群成员所在终端,可以为目标群成员推荐与其匹配度高的用户群组,提升了用户群组推荐的准确性。
下面对基于机器学习方法建立预设分类模型,利用预设分类模型进行用户群组推荐的方法进行说明。图2给出了本申请实施例提供的另一种用户群组推荐方法的流程图。如图2所示,本实施例提供的方法包括以下步骤:
步骤201、采集第一应用程序下已知属性类别的用户群组样本基于机器学习方法进行训练,生成预设分类模型。
其中,所述应用程序包括社交类应用程序、运动类应用程序和竞技类应用程序。可选的,若所述应用程序为社交类应用程序,则属性类别包括活跃、一般和不活跃,若所述应用程序为运动类应用程序,则属性类别包括勤奋、中等和懒惰,若所述应用程序为竞技类应用程序,则属性类别包括初级水平、中级水平和高级水平。
可选的,该步骤可以包括:采集第一应用程序下已知属性类别的用户群组样本基于不同的机器学习方法进行训练,生成多个候选分类模型;将所述多个候选分类模型中准确度最高的作为预设分类模型。
步骤202、获取第二应用程序下建立的各个用户群组中群成员的操作信息和属性类别。
其中,第二应用程序与第一应用程序为相同类型的应用程序。
其中,所述操作信息可以包括群成员在群组中发表的言论,也可以包括群成员在应用程序下的实际操作信息,例如运动类应用程序下用户的跑步公里数、持续时间,竞技类应用程序下用户发动的技能、胜利比例等。
步骤203、将所述各个用户群组中群成员的操作信息和属性类别输入至所述预设分类模型,得到所述预设分类模型输出的各个用户群组的属性类别。
步骤204、确定第二应用程序下,自身属性类别与所属用户群组属性类别不匹配的目标群成员。
步骤205、将属性类别与所述目标群成员属性类别匹配的用户群组确定为目标用户群组。
步骤206、将所述目标用户群组推送给所述目标群成员所在终端。
本实施例提供的用户群组推荐方法,通过先利用已知属性类别的第一应用程序下的用户群组作为训练样本基于机器学习方法进行训练生成预设分类模型,然后将第二应用程序下的用户群成员的操作信息和属性类别输入至预设分类模型中,得到第二应用程序下各个用户群组的属性类别,在第二应用程序在存在自身属性类别与所属群成员属性类别不匹配的目标群成员时,从各个用户群组中查找与目标群成员匹配的目标用户群组,将目标用户群组推送给所述目标群成员所在终端,充分利用了第一应用程序的用户群组属性类别资源,建立了预设分类模型,可以自动的为群成员推荐与其匹配度高的用户群组,提升了用户群组推荐的准确性。
下面以机器学习方法为神经网络方法为例,对采用神经网络方法生成预设分类模型,并利用预设分类模型进行用户群组推荐的方法进行简要描述。其中,所述网络方法包括输入层、隐藏层和输出层。图3给出了本申请实施例提供的另一种用户群组推荐方法的流程图。如图3所示,本实施例提供的用户群组推荐方法包括以下步骤:
步骤301、采集第一应用程序下已知属性类别的用户群组样本。
步骤302、将用户群组样本中的各个群成员的实际属性类别和操作信息输入至输入层,并经过与所述隐藏层各层节点对应的激活函数的计算,输出中间属性类别。
其中,在群成员为多个时,中间属性类别也为多个,每个群成员对应一个中间属性类别。
步骤303、利用所述中间属性类别与用户群组样本中的实际属性类别之间的差值,以及优化算法对所述激活函数中的权重进行反复修正,直至所述中间属性类别与所述用户群组样本中的属性类别之间的差值在预设范围之内,得到训练完成的各个节点的激活函数,生成预设分类模型。
将每个中间属性类别分别与对应的群成员的实际属性类别进行比较,得到中间属性类别与实际属性类别之间的差值,若差值不在预设范围内,则采用优化算法对激活函数中的权重进行反复修正,直到所述差值在预设范围内。
其中,所述激活函数是指为神经网络系统提供非线性建模能力,一般而言是非线性函数。激活函数可以包括relu函数、sigmoid函数、tanh函数或者maxout函数。
sigmoid是常用的非线性的激活函数,它的数学形式如下:它的输出为0-1之间的值。tanh跟sigmoid还是很像的,实际上,tanh是sigmoid的变形:tanh(x)=2sigmoid(2x)-1,与sigmoid不同的是,tanh是0均值的。近年来,relu变的越来越受欢迎。它的数学表达式如下:f(x)=max(0,x),其中,输入信号<0时,输出都是0,输入信号>0的情况下,输出等于输入。maxout函数的表达式如下:fi(x)=maxj∈[1,k]Zij。假设输入节点包括x1和x2,对应的权重分别为w1和w2,还包括权重b,那么输出节点Y=f(w1*x1+w2*x2+b),其中f为激活函数。另外,输入层和输出层的个数通常均为一个,隐藏层可以由多层构成。
所述优化算法包括随机梯度下降(Stochastic Gradient Descent,SGD)算法、适应性矩估计(adaptive moment estimation,adam)算法或者Momentum算法。
步骤304、确定第二应用程序下,自身属性类别与所属用户群组属性类别不匹配的目标群成员。
步骤305、利用所述预设分类模型,获取与所述目标群成员匹配的目标用户群组。所述预设分类模型基于机器学习方法由多个已知属性类别的用户群组样本训练生成,用于对用户群组进行属性类别标记。
步骤306、将所述目标用户群组推送给所述目标群成员所在终端。
本实施例提供的用户群组推荐方法,先利用已知属性类别的第一应用程序下的用户群组作为训练样本基于神经网络方法进行训练生成预设分类模型,然后将第二应用程序下的用户群成员的操作信息和属性类别输入至预设分类模型中,得到第二应用程序下各个用户群组的属性类别,在第二应用程序在存在自身属性类别与所属群成员属性类别不匹配的目标群成员时,从各个用户群组中查找与目标群成员匹配的目标用户群组,将目标用户群组推送给所述目标群成员所在终端,充分利用了第一应用程序的用户群组属性类别资源,建立了预设分类模型,可以自动的为群成员推荐与其匹配度高的用户群组,提升了用户群组推荐的准确性。
图4为本申请实施例提供的一种用户群组推荐装置的结构示意图,该装置可由软件和/或硬件实现,集成在移动终端中。如图4所示,该装置包括目标群成员确定模块401、目标用户群组获取模块402和目标用户群组推荐模块403。
所述目标群成员确定模块401,用于确定第二应用程序下,自身属性类别与所属用户群组属性类别不匹配的目标群成员;
所述目标用户群组获取模块402,用于利用预设分类模型,获取与所述目标群成员匹配的目标用户群组,所述预设分类模型基于机器学习方法由多个已知属性类别的用户群组样本训练生成,用于对用户群组进行属性类别标记;
所述目标用户群组推荐模块403,用于将所述目标用户群组推送给所述目标群成员所在终端。
可选的,所述装置还可以包括:
预设分类模型生成模块,用于采集第一应用程序下已知属性类别的用户群组样本基于机器学习方法进行训练,生成预设分类模型。
可选的,所述装置还可以包括:
用户群组信息获取模块,用于获取第二应用程序下建立的各个用户群组中群成员的操作信息和属性类别;
用户群组属性类别获取模块,用于将所述各个用户群组中群成员的操作信息和属性类别输入至所述预设分类模型,得到所述预设分类模型输出的各个用户群组的属性类别;
所述目标用户群组获取模块具体用于:
对所述各个用户群组的属性类别进行标记;
将属性类别与所述目标群成员属性类别匹配的用户群组确定为目标用户群组。
可选的,所述应用程序包括社交类应用程序、运动类应用程序和竞技类应用程序。
可选的,若所述应用程序为社交类应用程序,则属性类别包括活跃、一般和不活跃,若所述应用程序为运动类应用程序,则属性类别包括勤奋、中等和懒惰,若所述应用程序为竞技类应用程序,则属性类别包括初级水平、中级水平和高级水平。
可选的,所述机器学习方法包括:神经网络方法、支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法和随机森林方法。
可选的,所述机器学习方法包括神经网络方法,所述神经网络方法包括输入层、隐藏层和输出层,所述预设分类模型生成模块具体用于:
采集第一应用程序下已知属性类别的用户群组样本;
将用户群组样本中的各个群成员的实际属性类别和操作信息输入至输入层,并经过与所述隐藏层各层节点对应的激活函数的计算,输出中间属性类别;
利用所述中间属性类别与用户群组样本中的实际属性类别之间的差值,以及优化算法对所述激活函数中的权重进行反复修正,直至所述中间属性类别与所述用户群组样本中的实际属性类别之间的差值在预设范围之内,得到训练完成的各个节点的激活函数,生成预设分类模型。
本实施例提供的装置,通过对应用程序下所建立的用户群组中的群成员属性类别与用户群组属性类别进行分析,确定自身属性类别与所属用户群组的属性类别不匹配的目标群成员,利用预设分类模型,获取与目标群成员匹配的目标用户群组,将目标用户群组推送给目标群成员所在终端,可以为目标群成员推荐与其匹配度高的用户群组,提升了用户群组推荐的准确性。
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种用户群组推荐方法,该方法包括:
确定第二应用程序下,自身属性类别与所属用户群组属性类别不匹配的目标群成员;
利用预设分类模型,获取与所述目标群成员匹配的目标用户群组,所述预设分类模型基于机器学习方法由多个已知属性类别的用户群组样本训练生成,用于对用户群组进行属性类别标记;
将所述目标用户群组推送给所述目标群成员所在终端。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的用户群组推荐操作,还可以执行本申请任意实施例所提供的用户群组推荐方法中的相关操作。
本申请实施例提供了一种移动终端服务器,该服务器中可集成本申请实施例提供的群组推荐装置。图5为本申请实施例提供的一种服务器的结构示意图。服务器500可以包括:存储器501,处理器502及存储在存储器501上并可在处理器502运行的计算机程序,所述处理器502执行所述计算机程序时实现如本申请实施例所述的用户群组推荐方法。
本实施例提供的服务器,通过对应用程序下所建立的用户群组中的群成员属性类别与用户群组属性类别进行分析,确定自身属性类别与所属用户群组的属性类别不匹配的目标群成员,利用预设分类模型,获取与目标群成员匹配的目标用户群组,将目标用户群组推送给目标群成员所在终端,可以为目标群成员推荐与其匹配度高的用户群组,提升了用户群组推荐的准确性。
图6为本申请实施例提供的另一种服务器的结构示意图。图6显示的服务器12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,服务器12以通用计算设备的形式表现。服务器12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该服务器12交互的设备通信,和/或与使得该服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与服务器12的其它模块通信。应当明白,尽管图中未示出,可以结合服务器12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本申请实施例所提供的用户群组推荐方法。
上述实施例中提供的用户群组推荐装置、存储介质及移动终端可执行本申请任意实施例所提供的用户群组推荐方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的用户群组推荐方法。
本申请实施例还提供另一种用户群组推荐方法,该方法可以由用户群组推荐装置来执行,该装置可通过硬件和/或软件的方式实现,所述装置可作为移动终端一部分设置在所述移动终端的内部。该用户群组推荐方法包括:获取移动终端用户在第二应用程序下的用户群组中的操作信息;对所述操作信息进行分析,得到所述移动终端用户的属性类别;将所述属性类别和操作信息上传至服务器;获取所述服务器推荐的目标用户群组,所述目标用户群组的属性类别与所述移动中单用户的属性类别相匹配;根据用户的操作指令将移动终端用户加入所述目标用户群组。
本实施例提供的用户群组推荐方法,通过对移动终端用户的操作信息进行分析得到移动终端用户的属性类别,将操作信息和属性类别上传至服务器,获取到服务器推荐的目标用户群组,加入所述目标用户群组,实现了移动终端自动获取与移动终端用户自身属性类别匹配的用户群组,提升了移动终端为用户匹配用户群组的准确度。
本申请实施例还提供另一种用户群组推荐装置,该装置包括操作信息获取模块、属性类别获取模块、属性类别上传模块、目标用户群组接收模块和目标用户群组加入模块。所述操作信息获取模块,用于获取移动终端用户在第二应用程序下的用户群组中的操作信息;属性类别获取模块,用于对所述操作信息进行分析,得到所述移动终端用户的属性类别;属性类别上传模块,用于将所述属性类别和操作信息上传至服务器;目标用户群组获取模块,用于获取所述服务器推荐的目标用户群组,所述目标用户群组的属性类别与所述移动中单用户的属性类别相匹配;目标用户群组加入模块,用于根据用户的操作指令将移动终端用户加入所述目标用户群组。
本申请实施例还提供一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的用户群组推荐操作,还可以执行本申请任意实施例所提供的用户群组推荐方法中的相关操作。
本申请实施例提供了一种移动终端,该移动终端中可集成本申请实施例提供的群组推荐装置。如图7所示,该移动终端可以包括存储器601、中央处理器(CentralProcessing Unit,CPU)602(又称处理器,以下简称CPU)、所述存储器601,用于存储可执行程序代码;所述处理器602通过读取所述存储器601中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于执行:获取移动终端用户在第二应用程序下的用户群组中的操作信息;对所述操作信息进行分析,得到所述移动终端用户的属性类别;将所述属性类别和操作信息上传至服务器;获取所述服务器推荐的目标用户群组,所述目标用户群组的属性类别与所述移动中单用户的属性类别相匹配;根据用户的操作指令将移动终端用户加入所述目标用户群组。
所述移动终端还可以包括:外设接口603、RF(Radio Frequency,射频)电路605、音频电路606、扬声器611、电源管理芯片608、输入/输出(I/O)子系统609、触摸屏612、其他输入/控制设备610以及外部端口604,这些部件通过一个或多个通信总线或信号线607来通信。
应该理解的是,图示移动终端600仅仅是移动终端的一个范例,并且移动终端600可以具有比图中所示出的更多的或者更少的部件,可以组合两个或更多的部件,或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
下面就本实施例提供的移动终端为智能手机为例,进行详细描述。
存储器601,所述存储器601可以被CPU602、外设接口603等访问,所述存储器601可以包括高速随机存取存储器,还可以包括非易失性存储器,例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
外设接口603,所述外设接口603可以将设备的输入和输出外设连接到CPU502和存储器601。
I/O子系统609,所述I/O子系统609可以将设备上的输入输出外设,例如触摸屏612和其他输入/控制设备610,连接到外设接口603。I/O子系统609可以包括显示控制器6091和用于控制其他输入/控制设备610的一个或多个输入控制器6092。其中,一个或多个输入控制器6092从其他输入/控制设备610接收电信号或者向其他输入/控制设备610发送电信号,其他输入/控制设备610可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是,输入控制器6092可以与以下任一个连接:键盘、红外端口、USB接口以及诸如鼠标的指示设备。
触摸屏612,所述触摸屏612是用户终端与用户之间的输入接口和输出接口,将可视输出显示给用户,可视输出可以包括图形、文本、图标、视频等。
I/O子系统609中的显示控制器6091从触摸屏612接收电信号或者向触摸屏612发送电信号。触摸屏612检测触摸屏上的接触,显示控制器6091将检测到的接触转换为与显示在触摸屏612上的用户界面对象的交互,即实现人机交互,显示在触摸屏612上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是,设备还可以包括光鼠,光鼠是不显示可视输出的触摸敏感表面,或者是由触摸屏形成的触摸敏感表面的延伸。
RF电路605,主要用于建立手机与无线网络(即网络侧)的通信,实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地,RF电路605接收并发送RF信号,RF信号也称为电磁信号,RF电路605将电信号转换为电磁信号或将电磁信号转换为电信号,并且通过该电磁信号与通信网络以及其他设备进行通信。RF电路605可以包括用于执行这些功能的已知电路,其包括但不限于天线系统、RF收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC(COder-DECoder,编译码器)芯片组、用户标识模块(Subscriber Identity Module,SIM)等等。
音频电路606,主要用于从外设接口603接收音频数据,将该音频数据转换为电信号,并且将该电信号发送给扬声器611。
扬声器611,用于将手机通过RF电路605从无线网络接收的语音信号,还原为声音并向用户播放该声音。
电源管理芯片608,用于为CPU602、I/O子系统及外设接口603所连接的硬件进行供电及电源管理。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由权利要求的范围决定。
Claims (9)
1.一种用户群组推荐方法,其特征在于,包括:
采集第一应用程序下已知属性类别的用户群组样本基于机器学习方法进行训练,生成预设分类模型;
获取第二应用程序下建立的各个用户群组中群成员的操作信息和属性类别;
将所述各个用户群组中群成员的操作信息和属性类别输入至所述预设分类模型,得到所述预设分类模型输出的各个用户群组的属性类别;
确定第二应用程序下,自身属性类别与所属用户群组属性类别不匹配的目标群成员,所述自身属性类别与所属用户群组属性类别不匹配包括:自身属性类别与所属用户群组属性类别不同,或者自身属性类别与所属用户群组属性类别不配对;
利用预设分类模型,获取与所述目标群成员匹配的目标用户群组,所述预设分类模型基于机器学习方法由多个已知属性类别的用户群组样本训练生成,用于对用户群组进行属性类别标记;
将所述目标用户群组推送给所述目标群成员所在终端。
2.根据权利要求1所述的用户群组推荐方法,其特征在于,
所述利用预设分类模型,获取所述目标群成员匹配的目标用户群组包括:
对所述各个用户群组的属性类别进行标记;
将属性类别与所述目标群成员属性类别匹配的用户群组确定为目标用户群组。
3.根据权利要求1所述的群组推荐方法,其特征在于,所述应用程序包括社交类应用程序、运动类应用程序和竞技类应用程序。
4.根据权利要求3所述的群组推荐方法,其特征在于,若所述应用程序为社交类应用程序,则属性类别包括活跃、一般和不活跃,若所述应用程序为运动类应用程序,则属性类别包括勤奋、中等和懒惰,若所述应用程序为竞技类应用程序,则属性类别包括初级水平、中级水平和高级水平。
5.根据权利要求1-4任一项所述的用户群组推荐方法,其特征在于,所述机器学习方法包括:神经网络方法、支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法和随机森林方法。
6.根据权利要求1所述的用户群组推荐方法,其特征在于,所述机器学习方法包括神经网络方法,所述神经网络方法包括输入层、隐藏层和输出层,所述采集第一应用程序下已知属性类别的用户群组样本基于机器学习方法进行训练,生成预设分类模型包括:
采集第一应用程序下已知属性类别的用户群组样本;
将用户群组样本中的各个群成员的实际属性类别和操作信息输入至输入层,并经过与所述隐藏层各层节点对应的激活函数的计算,输出中间属性类别;
利用所述中间属性类别与用户群组样本中的实际属性类别之间的差值,以及优化算法对所述激活函数中的权重进行反复修正,直至所述中间属性类别与所述用户群组样本中的实际属性类别之间的差值在预设范围之内,得到训练完成的各个节点的激活函数,生成预设分类模型。
7.一种用户群组推荐装置,其特征在于,包括:
目标群成员确定模块,用于采集第一应用程序下已知属性类别的用户群组样本基于机器学习方法进行训练,生成预设分类模型;获取第二应用程序下建立的各个用户群组中群成员的操作信息和属性类别;将所述各个用户群组中群成员的操作信息和属性类别输入至所述预设分类模型,得到所述预设分类模型输出的各个用户群组的属性类别;确定第二应用程序下,自身属性类别与所属用户群组属性类别不匹配的目标群成员,所述自身属性类别与所属用户群组属性类别不匹配包括:自身属性类别与所属用户群组属性类别不同,或者自身属性类别与所属用户群组属性类别不配对;
目标用户群组获取模块,用于利用预设分类模型,获取与所述目标群成员匹配的目标用户群组,所述预设分类模型基于机器学习方法由多个已知属性类别的用户群组样本训练生成,用于对用户群组进行属性类别标记;
目标用户群组推荐模块,用于将所述目标用户群组推送给所述目标群成员所在终端。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的用户群组推荐方法。
9.一种服务器,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-6中任一所述的用户群组推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711393215.4A CN107947951B (zh) | 2017-12-21 | 2017-12-21 | 用户群组推荐方法、装置及存储介质和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711393215.4A CN107947951B (zh) | 2017-12-21 | 2017-12-21 | 用户群组推荐方法、装置及存储介质和服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107947951A CN107947951A (zh) | 2018-04-20 |
CN107947951B true CN107947951B (zh) | 2019-10-15 |
Family
ID=61941023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711393215.4A Active CN107947951B (zh) | 2017-12-21 | 2017-12-21 | 用户群组推荐方法、装置及存储介质和服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107947951B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108777701B (zh) * | 2018-04-24 | 2022-01-25 | 微梦创科网络科技(中国)有限公司 | 一种确定信息受众的方法及装置 |
CN108616824B (zh) * | 2018-04-25 | 2021-07-27 | 咪咕互动娱乐有限公司 | 一种运动群组的切换方法、装置及计算机可读存储介质 |
CN110489131B (zh) * | 2018-05-15 | 2023-04-07 | 中国移动通信集团浙江有限公司 | 一种灰度用户选取方法及装置 |
CN109189905A (zh) * | 2018-08-15 | 2019-01-11 | 苏州至纤至悉信息科技有限公司 | 一种大数据行为模式多维智能匹配推送软件 |
CN110955821A (zh) * | 2018-09-25 | 2020-04-03 | 北京搜狗科技发展有限公司 | 一种推荐方法、装置及可读介质 |
CN109450771B (zh) * | 2018-09-26 | 2022-05-17 | 深圳壹账通智能科技有限公司 | 添加好友的方法、装置、计算机设备及存储介质 |
CN109787784B (zh) * | 2018-10-26 | 2022-04-22 | 深圳壹账通智能科技有限公司 | 群组推荐方法、装置、存储介质和计算机设备 |
CN111262712B (zh) * | 2018-12-03 | 2022-11-04 | 北京嘀嘀无限科技发展有限公司 | 群组推荐方法、推荐装置、终端、服务器和存储介质 |
CN111062824B (zh) * | 2019-12-04 | 2023-08-18 | 腾讯科技(深圳)有限公司 | 群组成员处理方法、装置、计算机设备及存储介质 |
CN111709770B (zh) * | 2020-05-20 | 2024-02-23 | 口碑(上海)信息技术有限公司 | 一种数据处理方法以及装置 |
CN112269928A (zh) * | 2020-10-23 | 2021-01-26 | 百度在线网络技术(北京)有限公司 | 用户推荐方法及装置、电子设备、计算机可读介质 |
CN112558842B (zh) * | 2020-12-18 | 2022-06-07 | 北京百度网讯科技有限公司 | 推荐群组成员的方法、装置、电子设备和介质 |
CN113064981A (zh) * | 2021-03-26 | 2021-07-02 | 北京达佳互联信息技术有限公司 | 群组头像生成方法、装置、设备及存储介质 |
CN114611172B (zh) * | 2022-02-17 | 2023-05-23 | 广东时谛智能科技有限公司 | 基于收集的数据对鞋体模型进行调整的方法和装置 |
CN116823410B (zh) * | 2023-08-29 | 2024-01-12 | 阿里巴巴(成都)软件技术有限公司 | 数据处理方法、对象处理方法、推荐方法及计算设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104243517B (zh) * | 2013-06-14 | 2018-12-11 | 腾讯科技(深圳)有限公司 | 不同终端之间的内容分享方法及装置 |
CN106302085B (zh) * | 2015-05-18 | 2020-08-25 | 腾讯科技(深圳)有限公司 | 即时通讯群组的推荐方法及系统 |
US20170330074A1 (en) * | 2016-05-11 | 2017-11-16 | The Board Of Regents Of The Nevada System Of Higher Education On Behalf Of The University Of NV | Methods And Systems For Providing Travel Recommendations |
CN106126597A (zh) * | 2016-06-20 | 2016-11-16 | 乐视控股(北京)有限公司 | 用户属性预测方法及装置 |
CN106909990A (zh) * | 2017-03-01 | 2017-06-30 | 腾讯科技(深圳)有限公司 | 一种基于历史数据的预测方法及装置 |
-
2017
- 2017-12-21 CN CN201711393215.4A patent/CN107947951B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107947951A (zh) | 2018-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107947951B (zh) | 用户群组推荐方法、装置及存储介质和服务器 | |
CN107911491B (zh) | 信息推荐方法、装置及存储介质、服务器和移动终端 | |
CN108076154B (zh) | 应用信息推荐方法、装置及存储介质和服务器 | |
JP7108122B2 (ja) | コンピュータによるエージェントのための合成音声の選択 | |
CN111897964B (zh) | 文本分类模型训练方法、装置、设备及存储介质 | |
CN108153463B (zh) | 应用界面显示控制方法、装置及存储介质和移动终端 | |
CN107995428A (zh) | 图像处理方法、装置及存储介质和移动终端 | |
CN107995370B (zh) | 通话控制方法、装置及存储介质和移动终端 | |
CN106462608A (zh) | 改进语言模型的知识源个性化 | |
CN111552888A (zh) | 内容推荐方法、装置、设备及存储介质 | |
CN111680123B (zh) | 对话模型的训练方法、装置、计算机设备及存储介质 | |
CN112820299B (zh) | 声纹识别模型训练方法、装置及相关设备 | |
WO2021003673A1 (zh) | 内容推送方法及相关产品 | |
CN107678823A (zh) | 移动终端应用的控制方法、装置及存储介质和移动终端 | |
CN110069715A (zh) | 一种信息推荐模型训练的方法、信息推荐的方法及装置 | |
CN110162604B (zh) | 语句生成方法、装置、设备及存储介质 | |
CN110245714A (zh) | 图像识别方法、装置及电子设备 | |
CN113344184A (zh) | 用户画像预测方法、装置、终端和计算机可读存储介质 | |
CN109214333A (zh) | 卷积神经网络结构、人脸属性识别方法、装置及终端设备 | |
CN111243604B (zh) | 支持多唤醒词的说话人识别神经网络模型的训练方法、说话人识别方法及系统 | |
US20230229245A1 (en) | Emoji recommendation method of electronic device and same electronic device | |
CN114817742B (zh) | 基于知识蒸馏的推荐模型配置方法、装置、设备、介质 | |
CN107846493B (zh) | 通话联系人控制方法、装置及存储介质和移动终端 | |
CN113486260B (zh) | 互动信息的生成方法、装置、计算机设备及存储介质 | |
CN113762585B (zh) | 数据的处理方法、账号类型的识别方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant after: OPPO Guangdong Mobile Communications Co., Ltd. Address before: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant before: Guangdong OPPO Mobile Communications Co., Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |