CN108173746A - 好友推荐方法、装置和计算机设备 - Google Patents
好友推荐方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN108173746A CN108173746A CN201711437147.7A CN201711437147A CN108173746A CN 108173746 A CN108173746 A CN 108173746A CN 201711437147 A CN201711437147 A CN 201711437147A CN 108173746 A CN108173746 A CN 108173746A
- Authority
- CN
- China
- Prior art keywords
- user
- node
- path
- friend
- candidate
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种好友推荐方法、装置和计算机设备,其中,方法包括:以目标用户的节点作为起始节点,从异构网络中获取与预设的元路径模式对应的所有候选路径,进而获取与各候选路径的结束节点对应的候选用户;根据与预设的元路径模式对应的所有候选路径,计算目标用户与每个候选用户关联成为朋友的概率;将目标用户与每个候选用户关联成为朋友的概率与预设阈值进行比较,将概率大于所述阈值的候选用户作为目标好友推荐给目标用户。由此,该方法解决了社交网络中推荐好友过于片面的技术问题,基于用户个人信息充分挖掘潜在的好友关系,结合多个维度综合考虑不同用户间成为好友的概率,提高了推荐好友的全面性和准确性。
Description
技术领域
本申请涉及网络通信领域,尤其涉及一种好友推荐方法、装置和计算机设备。
背景技术
目前,人们在社交网络中沟通交流已经非常普遍,在应用端添加好友后可以快速便捷的与好友通信。在用户未能主动添加好友的情况下,通过向用户推荐可能认识的好友有助于完善用户的朋友圈,便于用户添加好友并沟通交流。
相关技术中,各种社交软件推荐好友时只考虑线上的好友关系,通过共同好友的数量推荐可能认识的朋友给用户,导致推荐好友的数量和质量具有一定的局限性。
申请内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种好友推荐方法,该方法基于用户个人信息充分挖掘潜在的好友关系,结合多个维度综合考虑成为好友的概率,提高了推荐好友的全面性和准确性。
本申请的第二个目的在于提出一种好友推荐装置。
本申请的第三个目的在于提出一种计算机设备。
本申请的第四个目的在于提出一种非临时性计算机可读存储介质。
为了实现上述目的,本申请第一方面实施例提出了一种好友推荐方法,包括以下步骤:以目标用户的节点作为起始节点,从异构网络中获取与预设的元路径模式对应的所有候选路径,进而获取与各候选路径的结束节点对应的候选用户;根据与预设的元路径模式对应的所有候选路径,计算目标用户与每个候选用户关联成为朋友的概率;将目标用户与每个候选用户关联成为朋友的概率与预设阈值进行比较,将概率大于所述阈值的候选用户作为目标好友推荐给目标用户。
本申请实施例的好友推荐方法,以目标用户的节点作为起始节点,从异构网络中获取与预设的元路径模式对应的所有候选路径,进而获取与各候选路径的结束节点对应的候选用户,根据与预设的元路径模式对应的所有候选路径,计算目标用户与每个候选用户关联成为朋友的概率,进而,将目标用户与每个候选用户关联成为朋友的概率与预设阈值进行比较,将概率大于阈值的候选用户作为目标好友推荐给目标用户。由此,该方法解决了社交网络中推荐好友过于片面的技术问题,基于用户个人信息充分挖掘潜在的好友关系,结合多个维度综合考虑成为好友的概率,提高了推荐好友的全面性和准确性。
另外,根据本申请上述实施例的好友推荐方法,还具有如下附加的技术特征:
在本申请一个实施例中,获取用户与用户之间的亲密度,根据所述亲密度确定用户之间的连线权重;获取用户对兴趣点的签到次数,以及所述签到次数与用户签到总数的比值,根据所述比值确定用户与兴趣点之间的连线权重;获取兴趣点与兴趣点之间的地理关系和内容相关性,根据所述地理关系和内容相关性确定兴趣点之间的连线权重;根据所述用户之间的连线权重、所述用户与兴趣点之间的连线权重、以及所述兴趣点之间的连线权重构建包含用户和兴趣点的异构网络。
在本申请一个实施例中,包含用户和兴趣点的异构网络设置所述元路径模式包括:第一元路径模式,具体包括:从用户节点开始经过用户节点到用户节点结束;第二元路径模式,具体包括:从用户节点开始经过兴趣点节点到用户节点结束;第三元路径模式,具体包括:从用户节点开始经过兴趣点节点,再次经过兴趣点节点到用户节点结束;第四元路径模式,具体包括:从用户节点开始经过兴趣点节点,再次经过用户节点到用户节点结束。
在本申请一个实施例中,根据与预设的元路径模式对应的所有候选路径,计算所述目标用户与每个候选用户关联成为朋友的概率,包括:获取所述目标用户与每个候选用户之间与每种元路径模式对应的候选路径集合;计算每个候选路径集合中各候选路径的关联概率并求和,获取所述目标用户与每个候选用户之间每种元路径模式的特征值;根据所述目标用户与每个候选用户之间每种元路径模式的特征值,获取所述目标用户与每个候选用户关联成为朋友的概率。
在本申请一个实施例中,所述计算每个候选路径集合中各候选路径的关联概率,包括:假设每个候选路径L包括n个节点(a1,a2,......an-1,an),则应用下述公式计算节点a1通过路径L到节点an的概率为:P(L)=ΠP(ai,ai+1),i∈[0,n-1]
其中,
其中,w(a1,a2)为ai,ai+1边上的权值,N(a1)代表与ai节点相邻并且与ai+1节点类型相同的节点集合。
在本申请一个实施例中,根据所述目标用户与每个候选用户之间每种元路径模式的特征值,获取所述目标用户与每个候选用户关联成为朋友的概率,包括:获取预设的与每种元路径模式对应的权重信息;根据目标用户与每个候选用户之间每种元路径模式的特征值以及与每种元路径模式对应的权重信息,获取目标用户与每个候选用户关联成为朋友的概率。
在本申请一个实施例中,获取每种元路径模式下进行好友推荐信息的准确率和召回率;根据所述准确率和召回率设置与每种元路径模式对应的权重信息。
为了实现上述目的,本申请第二方面实施例提出了一种好友推荐装置,包括:获取模块,用于以目标用户的节点作为起始节点,从异构网络中获取与预设的元路径模式对应的所有候选路径,进而获取与各候选路径的结束节点对应的候选用户;计算模块,用于根据与预设的元路径模式对应的所有候选路径,计算所述目标用户与每个候选用户关联成为朋友的概率;推荐模块,用于将所述目标用户与每个候选用户关联成为朋友的概率与预设阈值进行比较,将概率大于所述阈值的候选用户作为目标好友推荐给目标用户。
本申请实施例的好友推荐装置,以目标用户的节点作为起始节点,从异构网络中获取与预设的元路径模式对应的所有候选路径,进而获取与各候选路径的结束节点对应的候选用户,根据与预设的元路径模式对应的所有候选路径,计算目标用户与每个候选用户关联成为朋友的概率,进而,将目标用户与每个候选用户关联成为朋友的概率与预设阈值进行比较,将概率大于阈值的候选用户作为目标好友推荐给目标用户。由此,该方法解决了社交网络中推荐好友过于片面的技术问题,基于用户个人信息充分挖掘潜在的好友关系,结合多个维度综合考虑成为好友的概率,提高了推荐好友的全面性和准确性。
为了实现上述目的,本申请第三方面实施例提出了一种计算机设备,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,处理器执行计算机程序时,执行一种如上述实施例所述的好友推荐方法。
为了实现上述目的,本申请第四方面实施例提出了一种非临时性计算机可读存储介质,当存储介质中的指令由处理器被执行时,使得能够执行如上述实施例所述的好友推荐方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请一个实施例的好友推荐方法的流程图;
图2为本申请一个实施例的异构网络的结构示意图;
图3为本申请另一个实施例的好友推荐方法的流程图;
图4为本申请又一个实施例的好友推荐方法的流程图;
图5是根据本申请一个实施例的好友推荐装置的结构示意图;
图6是根据本申请一个实施例的来实现本申请实施方式的示例性计算机设备的框图;
图7是根据本申请一个实施例的基于异构网络的元路径进行好友推荐和其他三种路径的好友推荐方法的准确率和召回率的柱状图;
图8是根据本申请另一个实施例的基于异构网络的元路径进行好友推荐和其他三种路径的好友推荐方法的准确率和召回率的柱状图;以及
图9是根据本申请一个实施例的α值与实验准确率和召回率的关系折线图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的好友推荐方法、装置和计算机设备。
图1是根据本申请一个实施例的好友推荐方法的流程图,如图1所示,该好友推荐方法可包括:
步骤101,以目标用户的节点作为起始节点,从异构网络中获取与预设的元路径模式对应的所有候选路径,进而获取与各候选路径的结束节点对应的候选用户。
可以理解,现有技术中,进行好友推荐的方式仅仅考虑线上的好友关系,按照朋友的朋友是朋友的逻辑进行好友推荐,用户之间的共同好友越多,则越可能是朋友。
然而,正如以上提到的,这种推荐方式比较片面,仅仅考虑了线上的好友关系,考虑的维度单一,事实上,在实际应用中,用户之间可能成为好友的因素除了共同好友之外,还可包括个人兴趣、生活环境等,比如,共同爱好滑冰运动的用户较可能成为好友,又比如,在同一个地点工作的用户较可能成为好友等,因而,在本申请的实施例中,基于多种可能的维度进行好友推荐,优化原有的好友推荐方法。
具体而言,在本申请的实施例中,基于异质网络进行好友推荐,其中,异质网络中包含了多种类型的节点,多种类型的节点对应于推荐好友的不同的参考维度,多种类型的节点之间可以通过不同的连接关系进行连接,在本申请中基于预设的元路径模式进行连接,其中元路径模式所对应的语义为可以成为好友可能的节点连接关系,从而,可以以目标用户的节点作为起始节点,从异构网络中获取与预设的元路径模式对应的所有候选路径,进而获取与各候选路径的结束节点对应的候选用户,以便于进一步从该候选用户中为用户推荐好友。
为了更加清楚的描述步骤101的实施过程,下面以异构网络中包含了两种类型的节点,一类节点为用户节点,另一类节点为兴趣节点为例进行说明:
如图2所示,在本示例中的异质网络可以理解为一种基于位置的社交网络,该网络中包含两类节点,一类节点为用户节点(图2中的U节点),另一类节点为兴趣节点(图2 中的L节点),其中,继续参照图2,在异质网络中,用户节点与用户节点之间的连线代表用户之间有好友关系,用户节点与兴趣节点之间的连接线代表用户对兴趣点与签到动作。
如图3所示,在构建本申请实施例中的异质网络时,可以包括如下步骤:
步骤201,获取用户与用户之间的亲密度,根据亲密度确定用户之间的连线权重。
在本实施例中,通过用户之间的亲密度建立用户节点与用户节点之间的连线权重,其中,权重值可以为0-1之间的值,权重值越高,代表用户之间越亲密。
其中,在不同的应用场景下,获取用户与用户之间的亲密度的方式包括但不限于根据用户之间的聊天内容的多少、聊天频率等方式来确定。
步骤202,获取用户对兴趣点的签到次数,以及签到次数与用户签到总数的比值,根据比值确定用户与兴趣点之间的连线权重。
具体地,由于用户对相关兴趣点的签到次数相较于用户签到总数的比值越高,则证明用户越是对该兴趣点感兴趣,从而,在本实施例中,可以根据比值确定用户与兴趣点之间的连线权重,比值越高,连线权重越高。
步骤203,获取兴趣点与兴趣点之间的地理关系和内容相关性,根据地理关系和内容相关性确定兴趣点之间的连线权重。
应当理解的是,当用户对某个兴趣点感兴趣,则其可能对该兴趣点附近的兴趣点或者是与该兴趣点相关联的其他兴趣点也感兴趣,比如,用户对猫咪主题的咖啡厅A感兴趣,则可能会对咖啡厅A旁边的商场或者是其他猫咪主题的咖啡厅B和C也感兴趣,因而,为了充分挖掘用户的兴趣点的这种关联性,获取兴趣点与兴趣点之间的地理关系和内容相关性,根据地理关系和内容相关性确定兴趣点之间的连线权重。
需要强调的是,在实际执行过程中,除了可以基于上述描述的地理关系和内容相关性确定兴趣点之间的连线权重的方式外,还可以基于其他方式确定挖掘兴趣点之间的关联性,比如,用户在短时间内如果连续签到两个兴趣点,那么可以认为这两个兴趣点在现实世界中也是相互关联的,因而,还可以基于兴趣点与兴趣点之间签到的时间差值确定兴趣点之间的连线权重。
步骤204,根据用户之间的连线权重、用户与兴趣点之间的连线权重、以及兴趣点之间的连线权重构建包含用户和兴趣点的异构网络。
在本示例中的异构网络中的用户节点和用户节点的连接边表示用户之间的好友关系,用户节点和兴趣节点之间的连接边表示用户对兴趣点的访问签到,兴趣节点和兴趣节点之间的连接边表示兴趣点之间的相关性,从而不难理解,本申请中的异构网络,考虑到基于共同好友的用户可能成为好友、基于共同兴趣点的用户可能成为好友,基于拥有相关联的兴趣点的用户可能成为好友等节点之间的关系。
为了表达上述节点之间的直接关系和潜在关系都与好友推荐息息相关,本申请中预设以下四种元路径来刻画节点之间的这种关系:
第一元路径模式:从用户节点开始经过用户节点到用户节点结束。
具体而言,第一元路径模式可以为图2中的U-U-U对应的路径,所表达的语义为用户朋友的朋友可能会成为该用户的朋友。
第二元路径模式,从用户节点开始经过兴趣点节点到用户节点结束。
具体而言,第二元路径模式可以为图2中的U-L-U对应的路径,所表达的语义为和用户到过同一兴趣点或者对该兴趣点感兴趣的人可能成为用户的朋友。
第三元路径模式,从用户节点开始经过兴趣点节点,再次经过兴趣点节点到用户节点结束。
具体而言,第三元路径模式可以为图2中的U-L-L-U对应的路径,所表达的语义为签到与用户签到或偏好的兴趣点关联性强的兴趣点的用户可能会成为该用户的朋友。
第四元路径模式,从用户节点开始经过兴趣点节点,再次经过用户节点到用户节点结束。
具体而言,第四元路径模式可以为图2中的U-L-U-U对应的路径,所表达的语义为和用户到过同一兴趣点或者对该兴趣点感兴趣的用户的朋友可能会为成为该用户的朋友。
由此,以上四种元路径模式均可以为好友推荐提供候选用户,可以以目标用户的节点作为起始节点,从异构网络中获取与预设的上述四种元路径模式对应的所有候选路径,进而获取与各候选路径的结束节点对应的候选用户。
举例而言,继续参考图2,在当前场景中为目标用户U1好友推荐时,以U1作为起始节点,从异构网络中获取与预设的上述四种元路径模式对应的所有候选路径中包括: U1-U2-U5、U1-U3-U5、U1-L1-U4、U1-L3-L4-U6、U1-L1-U3-U5等,每个候选路径都中的结束节点对应的用户都可能成为用户U1好友,因此将U4、U5和U6等用户作为U1 好友推荐的候选用户。
步骤102,根据与预设的元路径模式对应的所有候选路径,计算目标用户与每个候选用户关联成为朋友的概率。
步骤103,将目标用户与每个候选用户关联成为朋友的概率与预设阈值进行比较,将概率大于阈值的候选用户作为目标好友推荐给目标用户。
应当理解的是,由于元路径所包含的节点与节点之间的关联性的强弱是有区别的,比如,如图2中所示的异构网络中,用户节点与用户节点、用户节点与兴趣节点等之间的连线权重不同,因此,每个候选路径所确定出的候选用户成为目标用户的朋友的概率也是不相同的,为了提高好友推荐的准确率,在本申请的实施例中,根据与预设的元路径模式对应的所有候选路径,计算目标用户与每个候选用户关联成为朋友的概率,进而,将目标用户与每个候选用户关联成为朋友的概率与预设阈值进行比较,将概率大于阈值的候选用户作为目标好友推荐给目标用户,其中,该预设阈值与异构网络的结构有关,可以根据大量实验数据标定。
需要说明的是,根据应用场景的不同,根据与预设的元路径模式对应的所有候选路径,计算目标用户与每个候选用户关联成为朋友的概率的实现方式不同,作为一种可能的方式,如图4所示,该计算目标用户与每个候选用户关联成为朋友的概率的方法可以包括以下步骤:
步骤301,获取目标用户与每个候选用户之间与每种元路径模式对应的候选路径集合。
可以理解,目标用户与每个候选用户之间与每种元路径模式可能具有一个或多个对应的候选路径,比如,继续参照图2,路径U1—U2—U5和路径U1—U3—U5都符合元路径模式U—U—U,路径U1-L1—U4和路径U1—L3—U4也均符合元路径模式U-L-U等,每个候选路径确定出的最终的候选用户均有可能成为目标用户的朋友。
步骤302,计算每个候选路径集合中各候选路径的关联概率并求和,获取目标用户与每个候选用户之间每种元路径模式的特征值。
在本申请中,定义目标用户与每个候选用户之间在每种元路径模式下的关联程度为特征值,通过计算每个候选路径集合中各候选路径的关联概率并求和确定出该特征值。
为了更加清楚的说明计算特征值的步骤,下面以计算一个元路径模式A对应的候选集合中一个候选路径L的关联概率的实施方式进行解释说明,其中,候选路径L中所包含的节点从目标用户到对应的候选用户为:a1,a2,......an-1,an:
具体而言,在计算节点的关联性的强弱时,对候选路径的每个节点之间的关联性的强弱进行归一化处理,在本实施例中,将每个节点之间的关联性的强弱(节点之间连接边上的权值)归一化处理为0-1的概率值。
首先,由于与节点a1相邻的节点除了a2之外,还包括其他多个同类型的节点,从而计算节点a1可以跳转到a2的概率为其中,w(a1,a2)为a1,a2边上的权值,N(a1)代表与a1节点相邻并且与a2节点类型相同的节点集合,v是N(a1)中的任一节点,则是a1节点与N(a1)集合中每个节点组成的边的边上的权值的和。
进而,基于同样的原理,节点a2可以跳转到节点a3的概率为其中,w(a2,a3)为a2,a3边上的权值,N(a2)代表与a2节点相邻并且与a3节点类型相同的节点集合。依次类推,计算出节点an-1跳转到节点an的概率为P(an-1,an)。
由于节点和节点之间的跳转的事件是相对独立的,比如从节点a1跳转到节点a2的概率,和节点a2跳转到节点a3的概率是相互独立的,因此,节点a1通过候选路径L跳转到节点an的概率为:
P(L)=ΠP(ai,ai+1),i∈[0,n-1]
最后,针对元路径模式A中各个候选路径的关联概率为:
其中,l为符合元路径模式A下的所有候选路径A的集合。
步骤303,根据目标用户与每个候选用户之间每种元路径模式的特征值,获取目标用户与每个候选用户关联成为朋友的概率。
具体地,由于每种元路径的特征值均表示了目标用户和候选用户之间可能成为朋友的概率,因而,可以根据目标用户与每个候选用户之间每种元路径模式的特征值,获取目标用户与每个候选用户关联成为朋友的概率,比如,将目标用户与每个候选用户之间每种元路径模式的特征值相加,获取目标用户与每个候选用户关联成为朋友的概率。
然而,在实际应用中,可能每一种元路径模式对目标用户与每个候选用户关联成为朋友的确定的准确率不同,比如,在一些场景下,元路径模式U—U—U,相对于元路径模式U-L-U确定的朋友的准确度不同,因而,在本申请的一个实施例中,为了进一步提高好友推荐的准确度,还可基于每种元路径模式的确定的朋友的准确率的不同最终确定出目标用户与每个候选用户关联成为朋友的概率。
更具体地,可以基于每种元路径模式的确定的朋友的准确度,预先设置每种元路径模式对应的权重信息,进而,根据目标用户与每个候选用户之间每种元路径模式的特征值以及与每种元路径模式对应的权重信息,获取目标用户与每个候选用户关联成为朋友的概率。
比如,当元路径模式为A1、A2、A3、A4四种时,经过实验获取到元路径A1,元路径A2与A4的召回率基本为25%-30%之间,但元路径A3的召回效果可以达到50%以上,因此在考虑四种元路径的权重时,更应该加大A3元路径的权重,最终获取到对应四种元路径模式的权重信息分别为w1、w2、w3、w4,则确定的对应异构网络中目标用户与每个候选用户关联成为朋友的概率P=w1P(A1)+w2P(A2)+w3P(A3)+w4P(A4)。
其中,基于每种元路径模式的确定的朋友的准确度,预先设置每种元路径模式对应的权重信息的方式包括但不限于以下方式:
在一些可能的示例中,获取每种元路径模式下进行好友推荐信息的准确率和召回率,根据准确率和召回率设置与每种元路径模式对应的权重信息,其中,准确率和召回率越高,设置的对应元路径模式对应的权重信息越高。
为了使得本领域的技术人员更加清楚的了解本申请实施例的好友推荐方法,下面仍旧以图2中所示出的包含用户节点和兴趣节点的构网络为基础,进行好友推荐方法实施算法的描述:
该算法中的输入为:目标用户U1,元路径模式W,LBSN同构网络G=(V,E)。
该算法的计算过程为:
1.计算任意两点之间的关联性,确定兴趣点与兴趣点,用户与兴趣点的连线情况。
2.候选朋友集为FU1{}。初始为空,推荐朋友集为RU1{},初始为空。
2.foreach E in W:
3.L=findallpath(U1,E)//找到所有以U1为起始节点,符合元路径模式E的真实路径。
4.F1.add(findlatentfriends(U1,E))//候选朋友集加入通过元路径模式E加入的朋友。
5.foreach ui in FU1:
6.P(E,U1,Ui)=Eig(E,U1,Ui)//计算用户U1与Ui通过元路径模式E成为朋友的概率。
7.foreach ui in FU1:
8.Pf(U1,Ui)=0
9.foreach E in W:
10.Pf(U1,Ui)+=wi·P(E,U1,Ui)
11.Sort(FU1)by Pf//根据Pf值对候选朋友集进行排序。
12.RU1=getFriends(FU1,λ)//选择候选朋友集中P值大于λ的朋友为推荐朋友集。
输出为:RU1。
由此,本申请实施例的好友推荐方法,以随机游走思想进行好友推荐,基于异质网络的好友推荐方法,改进了原有好友推荐方法中只考虑线上关系带来的片面性影响,提高了好友推荐的准确性和用户的满意度。
为了更加直观的说明本申请实施例的好友推荐方法的效果,下面结合实验验证结果进行说明:在实验验证时,以SVM、Bayes和线性方程这三种进行好友推荐的方式进行对比,经过实验,本申请中基于异构网络的元路径进行好友推荐和其他三种路径的好友推荐方法的准确率和召回率如下表1所示:
表1
方法名称 | 元路径 | SVM | Bayes | 线性方程 |
准确率 | 89.8% | 78.3% | 77.6% | 73.7% |
召回率 | 65% | 38.6% | 34.5% | 32.4% |
通过柱状图表展示表1中的数据为图7所示。
由此,从实验结果可以看到,本文提出的以随机游走思想的好友推荐方法的推荐效果明显好于其他几种好友推荐分类方法。
本申请中以元路径为基础,其他方法以用户的三个特征属性为基础建模。在本实验中,本申请中的异构网络对应的四条元路径命名为S1(U—U—U),S2(U—L— U),S3(U-U-L-U),S4(U—L—L—U),其他好友推荐方法的三个特征属性为P1,P2,P3,从上述七种或者它们的若干组合单一维度的角度看,它们的准确率与召回率如图8所示。
由图8可以看出,几种元路径的准确率基本都可以达到90%左右,比用户的三种特征单一的准确率要高出很多。从召回率上分析,元路径S1,元路径S2与S4它们的召回率基本为25%-30%之间,效果不是很理想。但元路径S3的召回效果可以达到50%以上,因此在随机游走模型考虑四种元路径的权重时,更应该加大S3元路径U-U-L-U的权重。设元路径 S3的权重为α,其他元路径的权重为(1-α)/3。则α值与该实验准确率和召回率的关系折线图9所示:
其中,图9中的折线代表准确率,下方折线代表召回率,横坐标是α值,可以看出,随着ɑ值得增大,模型推荐的准确率上升,召回率则略有下降,并且准确率与召回率呈现负相关。
综上所述,本申请实施例的好友推荐方法,以目标用户的节点作为起始节点,从异构网络中获取与预设的元路径模式对应的所有候选路径,进而获取与各候选路径的结束节点对应的候选用户,根据与预设的元路径模式对应的所有候选路径,计算目标用户与每个候选用户关联成为朋友的概率,进而,将目标用户与每个候选用户关联成为朋友的概率与预设阈值进行比较,将概率大于阈值的候选用户作为目标好友推荐给目标用户。由此,该方法解决了社交网络中推荐好友过于片面的技术问题,基于用户个人信息充分挖掘潜在的好友关系,结合多个维度综合考虑成为好友的概率,提高了推荐好友的全面性和准确性。
为了实现上述实施例,本申请还提出一种好友推荐装置,图5是根据本申请一个实施例的好友推荐装置的结构示意图,如图5所示,该装置包括:获取模块100、计算模块200和推荐模块300。
其中,获取模块100,用于以目标用户的节点作为起始节点,从异构网络中获取与预设的元路径模式对应的所有候选路径,进而获取与各候选路径的结束节点对应的候选用户。
计算模块200,用于根据与预设的元路径模式对应的所有候选路径,计算目标用户与每个候选用户关联成为朋友的概率;
推荐模块300,用于将目标用户与每个候选用户关联成为朋友的概率与预设阈值进行比较,将概率大于阈值的候选用户作为目标好友推荐给目标用户。
需要说明的是,前述对方法实施例的解释说明也适用于该实施例的装置,此处不再赘述。
综上所述,本申请实施例的好友推荐装置,以目标用户的节点作为起始节点,从异构网络中获取与预设的元路径模式对应的所有候选路径,进而获取与各候选路径的结束节点对应的候选用户,根据与预设的元路径模式对应的所有候选路径,计算目标用户与每个候选用户关联成为朋友的概率,进而,将目标用户与每个候选用户关联成为朋友的概率与预设阈值进行比较,将概率大于阈值的候选用户作为目标好友推荐给目标用户。由此,该方法解决了社交网络中推荐好友过于片面的技术问题,基于用户个人信息充分挖掘潜在的好友关系,结合多个维度综合考虑成为好友的概率,提高了推荐好友的全面性和准确性。
为了实现上述实施例。本申请还提出了一种计算机设备,图6示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图6显示的计算机设备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,计算机设备12以通用计算设备的形式表现。计算机设备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(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备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计算机设备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。
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 (Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备 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:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称: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申请各实施例的功能。
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通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备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计算机系统/服务器12交互的设备通信,和/ 或与使得该计算机系统/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,计算机设备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(Local AreaNetwork;以下简称:LAN),广域网(Wide Area Network;以下简称: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与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备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,例如实现前述实施例中提及的方法。
为了实现上述实施例,本申请还提出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前述实施例所述的好友推荐方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种好友推荐方法,其特征在于,包括以下步骤:
以目标用户的节点作为起始节点,从异构网络中获取与预设的元路径模式对应的所有候选路径,进而获取与各候选路径的结束节点对应的候选用户;
根据与预设的元路径模式对应的所有候选路径,计算所述目标用户与每个候选用户关联成为朋友的概率;
将所述目标用户与每个候选用户关联成为朋友的概率与预设阈值进行比较,将概率大于所述阈值的候选用户作为目标好友推荐给所述目标用户。
2.如权利要求1所述的方法,其特征在于,还包括:
获取用户与用户之间的亲密度,根据所述亲密度确定用户之间的连线权重;
获取用户对兴趣点的签到次数,以及所述签到次数与用户签到总数的比值,根据所述比值确定用户与兴趣点之间的连线权重;
获取兴趣点与兴趣点之间的地理关系和内容相关性,根据所述地理关系和内容相关性确定兴趣点之间的连线权重;
根据所述用户之间的连线权重、所述用户与兴趣点之间的连线权重、以及所述兴趣点之间的连线权重构建包含用户和兴趣点的异构网络。
3.如权利要求2所述的方法,其特征在于,根据所述包含用户和兴趣点的异构网络设置所述元路径模式:包括:
第一元路径模式,具体包括:从用户节点开始经过用户节点到用户节点结束;
第二元路径模式,具体包括:从用户节点开始经过兴趣点节点到用户节点结束;
第三元路径模式,具体包括:从用户节点开始经过兴趣点节点,再次经过兴趣点节点到用户节点结束;
第四元路径模式,具体包括:从用户节点开始经过兴趣点节点,再次经过用户节点到用户节点结束。
4.如权利要求1-3任一所述的方法,其特征在于,所述根据与预设的元路径模式对应的所有候选路径,计算所述目标用户与每个候选用户关联成为朋友的概率,包括:
获取所述目标用户与每个候选用户之间与每种元路径模式对应的候选路径集合;
计算每个候选路径集合中各候选路径的关联概率并求和,获取所述目标用户与每个候选用户之间每种元路径模式的特征值;
根据所述目标用户与每个候选用户之间每种元路径模式的特征值,获取所述目标用户与每个候选用户关联成为朋友的概率。
5.如权利要求4所述的方法,其特征在于,所述计算每个候选路径集合中各候选路径的关联概率,包括:
假设每个候选路径L包括n个节点(a1,a2,......an-1,an),则应用下述公式计算节点a1通过路径L到节点an的概率为:
P(L)=ΠP(ai,ai+1),i∈[0,n-1]
其中,
其中,w(a1,a2)为ai,ai+1边上的权值,N(a1)代表与ai节点相邻并且与ai+1节点类型相同的节点集合。
6.如权利要求4所述的方法,其特征在于,所述根据所述目标用户与每个候选用户之间每种元路径模式的特征值,获取所述目标用户与每个候选用户关联成为朋友的概率,包括:
获取预设的与每种元路径模式对应的权重信息;
根据所述目标用户与每个候选用户之间每种元路径模式的特征值以及与每种元路径模式对应的权重信息,获取所述目标用户与每个候选用户关联成为朋友的概率。
7.如权利要求6所述的方法,其特征在于,还包括:
获取每种元路径模式下进行好友推荐信息的准确率和召回率;
根据所述准确率和召回率设置与每种元路径模式对应的权重信息。
8.一种好友推荐装置,其特征在于,包括:
获取模块,用于以目标用户的节点作为起始节点,从异构网络中获取与预设的元路径模式对应的所有候选路径,进而获取与各候选路径的结束节点对应的候选用户;
计算模块,用于根据与预设的元路径模式对应的所有候选路径,计算所述目标用户与每个候选用户关联成为朋友的概率;
推荐模块,用于将所述目标用户与每个候选用户关联成为朋友的概率与预设阈值进行比较,将概率大于所述阈值的候选用户作为目标好友推荐给所述目标用户。
9.一种计算机设备,其特征在于,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,所述处理器执行所述计算机程序时,实现如权利要求1-7中任一项所述的好友推荐方法。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的好友推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711437147.7A CN108173746A (zh) | 2017-12-26 | 2017-12-26 | 好友推荐方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711437147.7A CN108173746A (zh) | 2017-12-26 | 2017-12-26 | 好友推荐方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108173746A true CN108173746A (zh) | 2018-06-15 |
Family
ID=62521351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711437147.7A Pending CN108173746A (zh) | 2017-12-26 | 2017-12-26 | 好友推荐方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108173746A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766761A (zh) * | 2018-12-15 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 滑冰评级方法、装置、设备及存储介质 |
CN109859061A (zh) * | 2018-12-28 | 2019-06-07 | 阿里巴巴集团控股有限公司 | 一种关联用户的推荐方法和装置 |
CN110083767A (zh) * | 2019-04-28 | 2019-08-02 | 广东工业大学 | 一种基于元路径的兴趣点推荐方法及相关装置 |
CN110738563A (zh) * | 2019-10-16 | 2020-01-31 | 北京明略软件系统有限公司 | 识别目标企业对应的最终受益人的方法及装置 |
WO2020156389A1 (zh) * | 2019-01-30 | 2020-08-06 | 北京字节跳动网络技术有限公司 | 信息推送方法和装置 |
CN112116485A (zh) * | 2019-06-21 | 2020-12-22 | 腾讯科技(深圳)有限公司 | 实现社交网络中亲属关联信息获取的方法及装置 |
CN113065573A (zh) * | 2020-01-02 | 2021-07-02 | 阿里巴巴集团控股有限公司 | 用户分类方法、用户分类装置及电子设备 |
CN113486258A (zh) * | 2021-07-05 | 2021-10-08 | 北京易数科技有限公司 | 基于社交网络的数据分析方法、装置、介质、电子设备 |
CN113692746A (zh) * | 2020-03-13 | 2021-11-23 | 谷歌有限责任公司 | 具有基于知识的媒体内容推荐和统一用户界面的联网电视装置 |
CN115187345A (zh) * | 2022-09-13 | 2022-10-14 | 深圳装速配科技有限公司 | 智能家居建材推荐方法、装置、设备及存储介质 |
CN113065573B (zh) * | 2020-01-02 | 2024-06-11 | 阿里巴巴集团控股有限公司 | 用户分类方法、用户分类装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722566A (zh) * | 2012-06-04 | 2012-10-10 | 上海电力学院 | 社交网络中潜在好友查询方法 |
US20120311033A1 (en) * | 2011-06-03 | 2012-12-06 | Erick Tseng | Überfeed |
CN103077247A (zh) * | 2013-01-17 | 2013-05-01 | 清华大学 | 一种社交网络中的朋友关系传递树的建立方法 |
CN103164480A (zh) * | 2011-12-13 | 2013-06-19 | 北京千橡网景科技发展有限公司 | 用于在社交网络中推荐兴趣点的方法和设备 |
CN103488678A (zh) * | 2013-08-05 | 2014-01-01 | 北京航空航天大学 | 一种基于用户签到相似度的好友推荐系统 |
-
2017
- 2017-12-26 CN CN201711437147.7A patent/CN108173746A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120311033A1 (en) * | 2011-06-03 | 2012-12-06 | Erick Tseng | Überfeed |
CN103164480A (zh) * | 2011-12-13 | 2013-06-19 | 北京千橡网景科技发展有限公司 | 用于在社交网络中推荐兴趣点的方法和设备 |
CN102722566A (zh) * | 2012-06-04 | 2012-10-10 | 上海电力学院 | 社交网络中潜在好友查询方法 |
CN103077247A (zh) * | 2013-01-17 | 2013-05-01 | 清华大学 | 一种社交网络中的朋友关系传递树的建立方法 |
CN103488678A (zh) * | 2013-08-05 | 2014-01-01 | 北京航空航天大学 | 一种基于用户签到相似度的好友推荐系统 |
Non-Patent Citations (1)
Title |
---|
任若愚: "基于位置社交网络的个性化推荐方法的研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766761A (zh) * | 2018-12-15 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 滑冰评级方法、装置、设备及存储介质 |
CN109859061A (zh) * | 2018-12-28 | 2019-06-07 | 阿里巴巴集团控股有限公司 | 一种关联用户的推荐方法和装置 |
WO2020156389A1 (zh) * | 2019-01-30 | 2020-08-06 | 北京字节跳动网络技术有限公司 | 信息推送方法和装置 |
CN110083767A (zh) * | 2019-04-28 | 2019-08-02 | 广东工业大学 | 一种基于元路径的兴趣点推荐方法及相关装置 |
CN112116485A (zh) * | 2019-06-21 | 2020-12-22 | 腾讯科技(深圳)有限公司 | 实现社交网络中亲属关联信息获取的方法及装置 |
CN110738563A (zh) * | 2019-10-16 | 2020-01-31 | 北京明略软件系统有限公司 | 识别目标企业对应的最终受益人的方法及装置 |
CN113065573A (zh) * | 2020-01-02 | 2021-07-02 | 阿里巴巴集团控股有限公司 | 用户分类方法、用户分类装置及电子设备 |
CN113065573B (zh) * | 2020-01-02 | 2024-06-11 | 阿里巴巴集团控股有限公司 | 用户分类方法、用户分类装置及电子设备 |
CN113692746A (zh) * | 2020-03-13 | 2021-11-23 | 谷歌有限责任公司 | 具有基于知识的媒体内容推荐和统一用户界面的联网电视装置 |
CN113692746B (zh) * | 2020-03-13 | 2024-03-01 | 谷歌有限责任公司 | 具有基于知识的媒体内容推荐和统一用户界面的联网电视装置 |
CN113486258A (zh) * | 2021-07-05 | 2021-10-08 | 北京易数科技有限公司 | 基于社交网络的数据分析方法、装置、介质、电子设备 |
CN115187345A (zh) * | 2022-09-13 | 2022-10-14 | 深圳装速配科技有限公司 | 智能家居建材推荐方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108173746A (zh) | 好友推荐方法、装置和计算机设备 | |
CN105359130B (zh) | 用于生成社交网络系统中的灵活语句的方法和系统 | |
CN104462364B (zh) | 搜索推荐方法及装置 | |
CN103514204B (zh) | 信息推荐方法和装置 | |
CN109710805A (zh) | 基于兴趣簇的视频交互方法和装置 | |
US8694890B2 (en) | Use of color in a site analysis report | |
CN101681252B (zh) | 用于为与用户简档相关联的应用提供隐私设置的系统和方法 | |
Woerndl et al. | Utilizing physical and social context to improve recommender systems | |
CN108076154A (zh) | 应用信息推荐方法、装置及存储介质和服务器 | |
CN103955464B (zh) | 一种基于情境融合感知的推荐方法 | |
CN103685207B (zh) | 跨数据源的数据整合系统、装置及方法 | |
CN108369586A (zh) | 用于检测网络中的交互和影响的系统和方法 | |
Ren et al. | Geovisualization of human hybrid activity‐travel patterns | |
Willson | The politics of social filtering | |
US8812957B2 (en) | Relevance slider in a site analysis report | |
JP2020501266A (ja) | 予測されるユーザ嗜好に基づいたコンテンツのカスタマイズ | |
CN113850393A (zh) | 基于图学习的特征工程的系统和方法 | |
CN108563655A (zh) | 基于文本的事件识别方法和装置 | |
CN107749033A (zh) | 一种网络社区活跃用户簇的发现方法、终端设备及存储介质 | |
CN106097019A (zh) | 虚拟物品包发送方法、装置和系统 | |
JP2015523628A (ja) | ソーシャルネットワークのノードをグループ化する方法、装置、およびコンピュータ記憶媒体 | |
CN107918778A (zh) | 一种信息匹配方法及相关装置 | |
Ebrahimi | Smarterdeals: a context-aware deal recommendation system based on the smartercontext engine | |
CN106133776A (zh) | 基于与用户的受管交互构建用户对简档创建和推荐的信任 | |
CN108647273A (zh) | 交友推荐方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180615 |