CN108305181A - 社交影响力确定、信息投放方法及装置、设备及存储介质 - Google Patents
社交影响力确定、信息投放方法及装置、设备及存储介质 Download PDFInfo
- Publication number
- CN108305181A CN108305181A CN201710772949.7A CN201710772949A CN108305181A CN 108305181 A CN108305181 A CN 108305181A CN 201710772949 A CN201710772949 A CN 201710772949A CN 108305181 A CN108305181 A CN 108305181A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- influence power
- social influence
- good friend
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 132
- 238000010276 construction Methods 0.000 claims abstract description 26
- 230000006399 behavior Effects 0.000 claims description 110
- 230000002452 interceptive effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 210000003813 thumb Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种社交影响力确定方法、装置、设备及存储介质,获取候选信息以及行为好友信息;所述行为好友信息为待推用户的好友中对所述候选信息有交互行为的行为好友的信息;获取所述待推用户与所述行为好友的属性,并根据所述属性构建特征向量;将所述特征向量作为预设的社交影响力模型的输入,确定所述行为好友针对所述候选信息对所述待推用户的社交影响力。该社交影响力的计算融入了社交网络的特点,从而可以大力提高信息投放到社交网络平台时的针对性。本发明还提供一种应用该社交影响力确定方法或装置的信息投放方法、装置、设备及存储介质。
Description
技术领域
本发明涉及信息处理技术领域,特别是涉及一种社交影响力确定、信息投放方法及装置、计算机设备及存储介质。
背景技术
随着互联网技术的发展,各种社交应用也越来越广泛,在社交网络平台上,用户可以分享自己的心情、关注好友的状态以及了解一些热门话题、新闻等,因此,在社交网络平台进行信息投放(例如投放广告),逐渐成为信息投放的一个重要渠道。传统的信息投放方式基于用户兴趣进行,其通过用户画像、数据信息内容及上下文环境(如用户最近的浏览和点击行为)等特征计算待投放信息与待推用户(广告种子用户)的匹配度,并基于匹配度对各待投放信息进行排序。
这种传统的信息投放方式,将用户画像、数据信息内容及上下文环境作为影响因素作为对各待投放信息进行排序的影响因素,并未充分利用到社交网络平台的特殊性,使得在将信息投放到社交网络平台时针对性不强。
发明内容
基于此,有必要针对社交网络平台,提供一种社交影响力确定、信息投放方法及装置、计算机设备及存储介质。
一种社交影响力确定方法,包括:
获取候选信息以及行为好友信息;所述行为好友信息为待推用户的好友中对所述候选信息有交互行为的行为好友的信息;
获取所述待推用户与所述行为好友的属性,并根据所述属性构建特征向量;
将所述特征向量作为预设的社交影响力模型的输入,确定所述行为好友针对所述候选信息对所述待推用户的社交影响力。
一种信息投放方法,包括:
获取根据上述的社交影响力确定方法,确定的所述行为好友针对所述候选信息对所述待推用户的社交影响力;
根据所述社交影响力,确定所述候选信息针对所述待推用户的投放方式。
一种社交影响力确定装置,包括:
信息获取模块,用于获取候选信息以及行为好友信息;所述行为好友信息为待推用户的好友中对所述候选信息有交互行为的行为好友的信息;
特征确定模块,用于获取所述待推用户与所述行为好友的属性,并根据所述属性构建特征向量;
影响确定模块,用于将所述特征向量作为预设的社交影响力模型的输入,确定所述行为好友针对所述候选信息对所述待推用户的社交影响力。
一种信息投放装置,包括:
社交影响模块,用于获取根据上述的社交影响力确定装置确定的所述行为好友针对所述候选信息对所述待推用户的社交影响力;
方式确定模块,用于根据所述社交影响力,确定所述候选信息针对所述待推用户的投放方式。
一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述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,实现上述的方法的步骤。
一种计算机存储介质,所述计算机存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现上述的方法的步骤。
上述社交影响力确定、信息投入方法及装置、计算机设备及存储介质,由于获取的好友信息为待推用户的好友中对候选信息有交互行为的行为好友的信息;根据待推用户与行为好友的属性构建特征向量;并将该特征向量作为预设的社交影响力模型的输入,确定所述行为好友针对所述候选信息对所述待推用户的社交影响力。因此,该社交影响力的计算融入了社交网络的特点,以根据待推用户及该待推用户的好友中对候选信息有交互行为的行为好友的属性为影响因素,构建特征向量作为社交影响力模型的输入,最终确定行为好友针对候选信息对待推用户的社交影响力,从而可以根据该社交影响力在社交网络平台上对待推用户进行信息投放方式的确定,大力提高了信息投放到社交网络平台时的针对性。
附图说明
图1为一实施方式的社交影响力确定方法及装置的执行设备的内部结构示意图;
图2为一实施方式的社交影响力确定方法的流程图;
图3为图2的社交影响力确定方法的一个步骤的具体流程图;
图4为一具体实施例中网络嵌入式技术的原理图示意;
图5为一具体实施例的社交影响力确定方法的过程示意图;
图6为一具体实施例的社交影响力确定方法的原理示意图;
图7为一实施方式的信息投放方法的流程图;
图8为一具体实施例的信息投放方法的应用示例图;
图9为另一实施方式的信息投放方法的流程图;
图10为一具体实施例的信息投放方法的原理图;
图11为一实施方式的社交影响力确定装置的结构图;
图12为另一实施方式的社交影响力确定装置的结构图;
图13为一实施方式的信息投放装置的结构图;
图14为另一实施方式的信息投放装置的结构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
图1为一实施方式中的执行设备的内部结构示意图。执行设备可以为服务器或客户终端。执行设备包括通过系统总线连接的处理器、存储介质、内存储器、输出装置和输入装置。其中,执行设备的存储介质存储有操作系统以及一种社交影响力确定装置或/及一种信息投放装置的计算机应用程序,该社交影响力确定装置的计算机应用程序被处理器执行时,实现一种社交影响力确定方法或/及一种信息投放方法。该处理器用于提供计算和控制能力,支撑整个执行设备的运行。执行设备的内存储器为存储介质中的社交影响力确定装置运行提供环境,该内存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种社交影响力确定方法或/及一种信息投放方法。本领域技术人员可以理解,图1中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的执行设备的限定,具体的执行设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
请参照图2,在一实施方式中,提供一种社交影响力确定方法,该方法运行在如图1所示的执行设备中,该方法包括以下步骤:
S210:获取候选信息以及行为好友信息。
行为好友信息为待推用户的好友中对候选信息有交互行为的行为好友的信息。可以理解地,行为好友为对候选信息有交互行为的好友。候选信息为可以投放至待推用户的数据信息;数据信息为通过数据形式表达的信息。如,可以是广告信息。
进一步地,候选信息为与行为好友有交互行为并可以投放至待推用户的数据信息。此时,可以通过先获取待推用户信息及数据信息;再根据数据信息及待推用户的好友对数据信息的交互行为获取到候选信息以及行为好友信息。
需要说明的是,当执行设备为社交网络平台的服务器时,可以直接从服务器中获取到候选信息;但执行设备为访问社交网络平台的客户端终端时,可以从服务器获取候选信息至客户端终端。
S220:获取待推用户与行为好友的属性,并根据属性构建特征向量。
获取待推用户以及行为好友的各类属性,进而根据这些属性构建特征向量。这些属性可以包括全局属性或/及局部属性,其中,全局属性用于构建大规模图形嵌入式特征向量,局部属性用于构建关系链画像特征向量。全局属性是以待推用户和行为好友分别作为独立个体,当属性包括全局属性时,获取到的属性包括待推用户和行为好友的各类全局属性。局部属性是以待推用户和行为好友作为整体,当属性包括局部属性时,获取到的属性是待推用户与行为好友之间的关系属性。
可以通过接收离线日志数据的方式,获取待推用户与行为好友的各类属性。离线日志数据可以包括C2C(Customer to Customer,个人对个人)互动信息、好友关系链信息、公众号关注信息、文章阅读信息、游戏信息、支付信息等。
S230:将特征向量作为预设的社交影响力模型的输入,确定行为好友针对候选信息对待推用户的社交影响力。
将特征向量作为预设的社交影响力模型的输入,可以确定行为好友针对候选信息对待推用户的社交影响力,因此,该预设的社交影响力模型是以特征向量作为输入、以行为好友针对候选信息对待推用户的社交影响力作为输出的模型。
可以预先通过模型训练的方式训练得到该预设的社交影响力模型。训练过程中使用的训练样本包括特征向量及社交影响力。可以理解地,该特征向量为训练样本中的特征向量及其对应的社交影响力。
进一步地,社交影响力可以综合考虑待推用户对该行为好友的文章阅读转发率、广告共同互动率、游戏邀请成功率等因素,按照预设权值进行融合得到社交影响力的量化值。在训练该社交影响力模型时,可以将待推用户对该行为好友的文章阅读转发率、广告共同互动率、游戏邀请成功率等因素作为标签(label)进行监督训练。
在将特征向量作为预设的社交影响力模型的输入的步骤,之前,还可以包括步骤:获取预设的社交影响力模型。
上述社交影响力确定方法,由于获取的好友信息为待推用户的好友中对候选信息有交互行为的行为好友的信息;根据待推用户与行为好友的属性构建特征向量;并将该特征向量作为预设的社交影响力模型的输入,确定行为好友针对候选信息对待推用户的社交影响力。因此,该社交影响力的计算融入了社交网络的特点,以根据待推用户及该待推用户的好友中对候选信息有交互行为的行为好友的属性为影响因素,构建特征向量作为社交影响力模型的输入,最终确定行为好友针对候选信息对待推用户的社交影响力,从而可以根据该社交影响力在社交网络平台上对待推用户进行信息投放方式的确定,大力提高了信息投放到社交网络平台时的针对性。
需要说明的是,上述实施方式中,行为好友的数量可以为不少于1个。当行为好友的数量不低于2时,社交影响力的量化值为各个行为好友针对候选信息对待推用户的社交影响力的叠加。在其中一具体实施例中,可以通过非线性叠加的方式得到最终的社交影响力。可以理解地,在其它实施例中,还可以通过权值融合的方式,即各好友针对候选信息对待推用户的社交影响力以一定权重进行叠加的方式,确定最终的社交影响力。
在其中一实施方式中,属性包括局部属性,局部属性为待推用户与行为好友之间的关系属性,关系属性包括:消息交互信息、用户画像差异信息及社交结构信息中的至少一项。特征向量包括关系链画像特征。根据属性构建特征向量的步骤包括:根据局部属性构建关系链画像特征向量。需要说明的是,消息交互信息可以包括消息沟通频率、朋友圈点赞评论次数等。用户画像差异信息可以包括年龄差异、学历差异、性别差异、兴趣标签差异等。社交结构信息可以包括共同好友数、共同加群数、共同文章阅读数等。
在本实施例中,待推用户与行为好友的属性包括局部属性,即待推用户与行为好友之间的关系属性。对应地,根据属性构建的特征向量为关系链画像特征,即根据关系属性构建的特征向量为关系链画像特征。如此,通过待推用户与行为好友之间的关系属性,来构建特征向量,从而将待推用户与行为好友之间的关系作为影响因素,构建特征向量作为社交影响力模型的输入,最终确定行为好友针对候选信息对待推用户的社交影响力,因此,社交影响力的确定融入了社交网络的特点,即融入了待推用户与行为好友之间的关系属性。
为了进一步提高该社交影响力的准确性,属性还包括全局属性,全局属性包括好友结构信息、公众号关注信息、阅读文章信息、C2C互动信息、游戏信息及支付信息中的至少一项。特征向量还包括大规模图形嵌入式特征向量。根据属性构建特征向量的步骤,还包括:根据全局属性构建大规模图形嵌入式特征向量。
进一步地,可以根据好友结构信息确定社交结构特征向量,根据公众号关注信息确定公众号兴趣特征向量,根据阅读文章信息确定阅读文章兴趣特征向量,根据C2C互动信息确定亲密圈子特征向量,根据游戏信息确定游戏兴趣特征向量,根据支付信息确定购买兴趣特征向量。在本实施例中,根据全局属性构建大规模图形嵌入式特征向量的步骤,包括上述各项中的至少一项。大规模图形嵌入式特征向量包括社交结构特征向量、公众号兴趣特征向量、阅读文章兴趣特征向量、亲密圈子特征向量、游戏兴趣特征向量以及购买兴趣特征向量中的至少一项。
可以理解地,全局属性还可以包括用户基本信息,从而可以通过用户基本信息确定用户画像,大规模图形嵌入式特征向量还包括用户画像特征向量。在其中一个实施例中,局部属性可以通过对全局属性的分析从而得到局部属性。如,可以对用户基本信息进行分析,得到用户画像差异信息。可以对全局的C2C互动信息进行分析,得到局部的消息交互信息;该待推用户与行为好友的互动信息即为该消息互助信息。可以对全局的好友结构信息进行分析,得到局部的社交结构信息,该社交结构信息可以从该待推用户与行为好友的共同好友结构中获得。
由于该特征向量还包括大规模图形嵌入式特征向量,融入了社交网络中待推用户与行为好友的全局属性作为影响因素,可以得到更为准确的社交影响力。
如图3所示,在其中一实施方式中,根据属性构建特征向量的步骤,即步骤S220包括:
S321:将属性构建成网络。
可以采用Deepwalk(深度游走)、Node2vec(节点到向量)及LINE(大规模信息网络嵌入)等技术将属性构建成网络。如,将用户与用户的好友关系作为边构成好友关系网络,将用户关注公众号的关系作为边构成关注公众号网络、将用户与文章的阅读关系作为边构造阅读公众号文章网络;将用户与用户的沟通关系作为边构造C2C互动网络(即沟通互动网络)等。
S323:采用图特征表达的方式将属性在网络中对应的网络节点在低维空间上进行向量表示,得到特征向量。
图特征表达的方式可以将网络中的节点(node)映射成低维空间的向量。图特征表达的方式可以为网络嵌入式(Network embedding),网络嵌入式是一种图特征表达的学习算法。如图4所示,通过将属性在网络中对应的网络节点(node)在低维空间上进行向量表示,可以得到特征向量,如用户的社交结构、公众号兴趣、阅读文章兴趣和亲密圈子的特征向量表示,即社交结构特征向量、公众号兴趣特征向量、阅读文章兴趣特征向量、亲密圈子特征向量。
如此,进行特征向量的表示。由于全局属性相较于局部属性更适用于构建网络,在其中一个实施例中,将全局属性构建成网络,采用图特征表达的方式将全局属性所在网络中对应的网络节点在低维空间上进行向量表示,得到大规模图形嵌入式特征向量。
如图5所示,在其中一实施例中,将各类属性作为基础数据,构建成网络。如,好友关系网络、关注公众号网络、阅读公众号文章网络和C2C互动网络(即沟通互动网络)等。然后,将属性在网络中对应的网络节点在低维空间上进行向量表示,得到大规模图形嵌入式特征向量。如,社交结构特征向量(属于拓扑类特征向量)、公众号兴趣特征向量(属于兴趣类特征向量)、阅读文章兴趣特征向量(属于兴趣类特征向量)、亲密圈子特征向量(即亲密度特征向量)。最后,将这些大规模图形嵌入式特征向量以及关系链画像特征向量输入至社交影响力模型,确定行为好友针对候选信息对待推用户的社交影响力。
在其中一实施方式中,社交影响力模型为以特征向量作为输入、以行为好友针对候选信息对待推用户的社交影响力作为输出的深度神经网络模型。
可以理解地,在其它实施方式中,社交影响力模型还可以是以特征向量作为输入、以行为好友针对候选信息对待推用户的社交影响力作为输出的传统模型,如LR(LogisticRegression,逻辑回归)模型、GBDT(Gradient Boost Decision Tree,梯度提升决策树)模型。
在本实施方式中,深度神经网络模型可以为FNN(Factorisation-machinesupported Neural Networks,基于因子分解机支持的神经网络)模型、PNN(Product-baseNerual Network,基于乘积的神经网络)模型和DeepFM(深度因子分解机)模型等。相较于传统模型,深度神经网络模型的优势在于可以同时提取浅层交叉特征和高层交叉特征,在特征交叉中可以无需大量人工参与,并拥有比传统模型更好的效果,得到的社交影响力更为准确。
如图6所示,在其中一个具体实施例中,在获取到待推用户与行为好友信息后,通过接收离线日志数据的方式,获取待推用户与行为好友的各类属性。然后根据各类属性进行特征构建,得到特征向量;该特征向量报包括大规模Graph Embedding特征向量(即大规模图形嵌入式特征向量)及关系链画像特征向量。继而,通过模型构建的方式预设的社交影响力模型,该社交影响力模型可以为以特征向量作为输入、以行为好友针对候选信息对待推用户的社交影响力作为输出的LR模型、GBDT模型、FNN模型、PNN模型或DeepFM模型。最后,将特征向量输入至该预设的社交影响力模型,从而进行影响力量化,即确定行为好友针对候选信息对待推用户的社交影响力。
请参阅图7,本发明还提供一种信息投放方法,包括:
S710:获取根据社交影响力确定方法,确定的行为好友针对候选信息对待推用户的社交影响力。
获取根据上述的社交影响力确定方法,确定的行为好友针对候选信息对待推用户的社交影响力。
S730:根据社交影响力,确定候选信息针对待推用户的投放方式。
投放方式包括投放顺序,如可以将较大的社交影响力对应的候选信息先进行投放。投放方式还可以包括投放概率,如可以将较大的社交影响力对应的候选信息的投放概率设置为较高值。
当用户看到候选信息的互动用户(可以包括点赞的和评论的)中有自己的好友,即行为好友,可以激发待推用户本身对候选信息的互动兴趣,达到更为精准的信息投放效果。需要说明的是,该待推用户对候选信息进行互动之后,可以作为其好友针对该候选信息的行为好友,进一步影响其好友的行为。
上述信息投放方法,由于获取的好友信息为待推用户的好友中对候选信息有交互行为的行为好友的信息;根据待推用户与行为好友的属性构建特征向量;并将该特征向量作为预设的社交影响力模型的输入,确定行为好友针对候选信息对待推用户的社交影响力。因此,该社交影响力的计算融入了社交网络的特点,以根据待推用户及该待推用户的好友中对候选信息有交互行为的行为好友的属性为影响因素,构建特征向量作为社交影响力模型的输入,最终确定行为好友针对候选信息对待推用户的社交影响力,从而可以根据该社交影响力在社交网络平台上对待推用户进行信息投放方式的确定,大力提高了信息投放到社交网络平台时的针对性。而由于该社交影响力的计算融入了社交网络的特点,该数据信息的投入方式必然也融入了社交网络的特点。
如图8所示,以数据信息为广告信息为例,在行为好友H对一条广告信息进行点赞或评论之后,可以提高该好友针对该广告信息对待推用户的社交影响力,因此,可以提高广告信息在推荐用户的社交网络平台上的展示概率。需要说明的是,将行为好友H的任意一个好友作为待推用户时,均可提高该行为好友H针对该广告信息对待推用户的影响力,可以激发行为好友H的好友的信任互动,因此,可以提高行为好友H的好友们作为待推用户时,该广告信息在待推用户的社交网络平台上的展示概率即投放概率。如,在好友H未对该广告信息进行点赞前的投放概率为20%,好友H对该广告信息进行点赞后的投放概率可能提升至95%。
请参阅图9,在其中一实施方式中,信息投放方法,还包括:
S920:获取待推用户的用户画像特征、候选信息的特征及上下文环境。
上下文环境为待推用户所打开的社交网络平台当前所展示的数据信息的特征。
根据社交影响力,确定候选信息针对待推用户的投放方式的步骤,包括:
S930:根据用户画像特征、候选信息的特征及上下文环境及社交影响力,确定候选信息针对待推用户的投放方式。
如此,可以根据用户画像特征、候选信息的特征及上下文环境为该待推用户对该候选信息的兴趣进行打分。进而,可以融合社交影响力及用户兴趣确定候选信息针对待推用户的投放方式。
在其中一个具体实施例中,如图10所示,以广告信息为例。首先,获取到候选广告及与该候选广告有交互行为的行为好友信息;在获取待推用户与行为好友的属性,并根据属性构建好友关系链画像特征向量及大规模图形嵌入式特征向量之后,通过预设的社交影响力模型计算得到社交影响力;另一方面,根据获取的用户画像特征、广告特征及上下文环境为对候选广告进行用户广告兴趣打分;最后,根据社交影响力及用户兴趣得分可以确定融合了社交影响力及用户兴趣的广告投放方式。
请参阅图11,本发明还提供一种与上述社交影响力确定对应的社交影响力确定装置。该装置包括:
信息获取模块210,用于获取候选信息以及行为好友信息;所述行为好友信息为待推用户的好友中对所述候选信息有交互行为的行为好友的信息;
特征确定模块220,用于获取所述待推用户与所述行为好友的属性,并根据所述属性构建特征向量;
影响确定模块230,用于将所述特征向量作为预设的社交影响力模型的输入,确定所述行为好友针对所述候选信息对所述待推用户的社交影响力。
上述社交影响力确定装置,由于获取的好友信息为待推用户的好友中对候选信息有交互行为的行为好友的信息;根据待推用户与行为好友的属性构建特征向量;并将该特征向量作为预设的社交影响力模型的输入,确定所述行为好友针对所述候选信息对所述待推用户的社交影响力。因此,该社交影响力的计算融入了社交网络的特点,以根据待推用户及该待推用户的好友中对候选信息有交互行为的行为好友的属性为影响因素,构建特征向量作为社交影响力模型的输入,最终确定行为好友针对候选信息对待推用户的社交影响力,从而可以根据该社交影响力在社交网络平台上对待推用户进行信息投放方式的确定,大力提高了信息投放到社交网络平台时的针对性。
请参阅图12,在其中一实施方式中,所述属性包括局部属性,所述局部属性为所述待推用户与所述行为好友之间的关系属性,所述关系属性包括:消息交互信息、用户画像差异信息及社交结构信息中的至少一项;
所述特征向量包括关系链画像特征;
所述特征确定模块320包括关系链特征单元331;所述关系链特征单元331用于根据所述局部属性构建所述关系链画像特征向量。
在其中一实施方式中,所述属性还包括全局属性,所述全局属性包括好友结构信息、公众号关注信息、阅读文章信息、C2C互动信息、游戏信息及支付信息中的至少一项;
所述特征向量还包括大规模图形特征向量;
所述特征确定模块320还包括大规模确定单元333;所述大规模确定单元333,用于根据所述全局属性构建大规模图形嵌入式特征向量。
在其中一实施方式中,所述大规模图形嵌入式特征向量包括社交结构特征向量、公众号兴趣特征向量、阅读文章兴趣特征向量、亲密圈子特征向量、游戏兴趣特征向量以及购买兴趣特征向量中的至少一项;
还包括下述各项中的至少一项:
大规模确定单元333根据所述好友结构信息确定社交结构特征向量;
大规模确定单元333根据所述公众号关注信息确定公众号兴趣特征向量;
大规模确定单元333根据所述阅读文章信息确定阅读文章兴趣特征向量;
大规模确定单元333根据所述C2C互动信息确定亲密圈子特征向量;
大规模确定单元333根据所述游戏信息确定游戏兴趣特征向量;以及,
大规模确定单元333根据所述支付信息确定购买兴趣特征向量。
请继续参阅图12,在其中一实施方式中,所述特征确定模块320包括:
网络构建单元321,用于将所述属性构建成网络;
向量表示单元323,用于采用图特征表达的方式将所述属性在所述网络中对应的网络节点在低维空间上进行向量表示,得到特征向量。
在其中一实施方式中,所述社交影响力模型为以特征向量作为输入、以行为好友针对候选信息对待推用户的社交影响力作为输出的深度神经网络模型。
请参阅图13,本发明还提供一种与信息投放方法对应的信息投放装置,包括:
社交影响模块410,用于获取根据上述的社交影响力确定装置确定的所述行为好友针对所述候选信息对所述待推用户的社交影响力;
方式确定模块430,用于根据所述社交影响力,确定所述候选信息针对所述待推用户的投放方式。
上述信息投放装置,由于获取的好友信息为待推用户的好友中对候选信息有交互行为的行为好友的信息;根据待推用户与行为好友的属性构建特征向量;并将该特征向量作为预设的社交影响力模型的输入,确定行为好友针对候选信息对待推用户的社交影响力。因此,该社交影响力的计算融入了社交网络的特点,以根据待推用户及该待推用户的好友中对候选信息有交互行为的行为好友的属性为影响因素,构建特征向量作为社交影响力模型的输入,最终确定行为好友针对候选信息对待推用户的社交影响力,从而可以根据该社交影响力在社交网络平台上对待推用户进行信息投放方式的确定,大力提高了信息投放到社交网络平台时的针对性。而由于该社交影响力的计算融入了社交网络的特点,该数据信息的投入方式必然也融入了社交网络的特点。
请参阅图14,在其中一实施方式中,该信息投放装置,还包括特征获取模块520;
所述特征获取模块520,用于获取所述待推用户的用户画像特征、所述候选信息的特征及上下文环境;
所述方式确定模块530,用于根据所述用户画像特征、所述候选信息的特征及所述上下文环境及所述社交影响力,确定所述候选信息针对所述待推用户的投放方式。
本发明还提供与上述方法相对应的计算机设备及计算机存储介质。
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实现上述的方法的步骤。
本发明还提供一种计算机存储介质,计算机存储介质上存储有计算机程序,计算机程序被处理器执行时,实现上述的方法的步骤。
由于上述的装置与上述的方法相互对应,对于装置中与上述方法对应的具体技术特征,在此不作赘述。上述计算机设备及计算机存储介质均与上述方法相互对应,对于计算机设备及存储介质中与上述方法对应的技术特征,在此也不作赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于一非易失性的计算机可读取存储介质中,如本发明实施例中,该程序可存储于计算机系统的存储介质中,并被该计算机系统中的至少一个处理器执行,以实现包括如上述各方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccess Memory,RAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种社交影响力确定方法,包括:
获取候选信息以及行为好友信息;所述行为好友信息为待推用户的好友中对所述候选信息有交互行为的行为好友的信息;
获取所述待推用户与所述行为好友的属性,并根据所述属性构建特征向量;
将所述特征向量作为预设的社交影响力模型的输入,确定所述行为好友针对所述候选信息对所述待推用户的社交影响力。
2.根据权利要求1所述的社交影响力确定方法,其特征在于:
所述属性包括局部属性,所述局部属性为所述待推用户与所述行为好友之间的关系属性,所述关系属性包括:消息交互信息、用户画像差异信息及社交结构信息中的至少一项;
所述特征向量包括关系链画像特征;
根据所述属性构建特征向量的步骤包括:根据所述局部属性构建所述关系链画像特征向量。
3.根据权利要求2所述的社交影响力确定方法,其特征在于:
所述属性还包括全局属性,所述全局属性包括好友结构信息、公众号关注信息、阅读文章信息、C2C互动信息、游戏信息及支付信息中的至少一项;
所述特征向量还包括大规模图形特征向量;
所述根据所述属性构建特征向量的步骤,还包括:根据所述全局属性构建大规模图形嵌入式特征向量。
4.根据权利要求3所述的社交影响力确定方法,其特征在于:
所述大规模图形嵌入式特征向量包括社交结构特征向量、公众号兴趣特征向量、阅读文章兴趣特征向量、亲密圈子特征向量、游戏兴趣特征向量以及购买兴趣特征向量中的至少一项;
所述根据所述全局属性构建大规模图形嵌入式特征向量的步骤,包括下述各项中的至少一项:
根据所述好友结构信息确定社交结构特征向量;
根据所述公众号关注信息确定公众号兴趣特征向量;
根据所述阅读文章信息确定阅读文章兴趣特征向量;
根据所述C2C互动信息确定亲密圈子特征向量;
根据所述游戏信息确定游戏兴趣特征向量;以及,
根据所述支付信息确定购买兴趣特征向量。
5.根据权利要求1所述的社交影响力确定方法,其特征在于,所述根据所述属性构建特征向量的步骤包括:
将所述属性构建成网络;
采用图特征表达的方式将所述属性在所述网络中对应的网络节点在低维空间上进行向量表示,得到特征向量。
6.根据权利要求1所述的社交影响力确定方法,其特征在于,所述社交影响力模型为以特征向量作为输入、以行为好友针对候选信息对待推用户的社交影响力作为输出的深度神经网络模型。
7.一种信息投放方法,包括:
获取根据权利要求1-6任意一项所述的社交影响力确定方法确定的所述行为好友针对所述候选信息对所述待推用户的社交影响力;
根据所述社交影响力,确定所述候选信息针对所述待推用户的投放方式。
8.根据权利要求7所述的信息投放方法,其特征在于,还包括:
获取所述待推用户的用户画像特征、所述候选信息的特征及上下文环境;
所述根据所述社交影响力,确定所述候选信息针对所述待推用户的投放方式的步骤,包括:根据所述用户画像特征、所述候选信息的特征及所述上下文环境及所述社交影响力,确定所述候选信息针对所述待推用户的投放方式。
9.一种社交影响力确定装置,包括:
信息获取模块,用于获取候选信息以及行为好友信息;所述行为好友信息为待推用户的好友中对所述候选信息有交互行为的行为好友的信息;
特征确定模块,用于获取所述待推用户与所述行为好友的属性,并根据所述属性构建特征向量;
影响确定模块,用于将所述特征向量作为预设的社交影响力模型的输入,确定所述行为好友针对所述候选信息对所述待推用户的社交影响力。
10.根据权利要求9所述的社交影响力确定装置,其特征在于,所述特征确定模块,包括:
网络构建单元,用于将所述属性构建成网络;
向量表示单元,用于采用图特征表达的方式将所述属性在所述网络中对应的网络节点在低维空间上进行向量表示,得到特征向量。
11.根据权利要求9所述的社交影响力确定装置,其特征在于,所述社交影响力模型为以特征向量作为输入、以行为好友针对候选信息对待推用户的社交影响力作为输出的深度神经网络模型。
12.一种信息投放装置,包括:
社交影响模块,用于获取根据权利要求9-14任意一项所述的社交影响力确定装置确定的所述行为好友针对所述候选信息对所述待推用户的社交影响力;
方式确定模块,用于根据所述社交影响力,确定所述候选信息针对所述待推用户的投放方式。
13.根据权利要求12所述的信息投放装置,其特征在于,还包括特征获取模块;
所述特征获取模块,用于获取所述待推用户的用户画像特征、所述候选信息的特征及上下文环境;
所述方式确定模块,用于根据所述用户画像特征、所述候选信息的特征及所述上下文环境及所述社交影响力,确定所述候选信息针对所述待推用户的投放方式。
14.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述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,实现权利要求1-8任意一项所述的方法的步骤。
15.一种计算机存储介质,所述计算机存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1-8任意一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710772949.7A CN108305181B (zh) | 2017-08-31 | 2017-08-31 | 社交影响力确定、信息投放方法及装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710772949.7A CN108305181B (zh) | 2017-08-31 | 2017-08-31 | 社交影响力确定、信息投放方法及装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108305181A true CN108305181A (zh) | 2018-07-20 |
CN108305181B CN108305181B (zh) | 2021-12-14 |
Family
ID=62869645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710772949.7A Active CN108305181B (zh) | 2017-08-31 | 2017-08-31 | 社交影响力确定、信息投放方法及装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108305181B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242710A (zh) * | 2018-08-16 | 2019-01-18 | 北京交通大学 | 社交网络节点影响力排序方法及系统 |
CN110457589A (zh) * | 2019-08-19 | 2019-11-15 | 上海新共赢信息科技有限公司 | 一种车辆推荐方法、装置、设备及存储介质 |
CN110727881A (zh) * | 2019-10-23 | 2020-01-24 | 精硕科技(北京)股份有限公司 | 一种目标公众人物的确定方法及装置 |
CN110852755A (zh) * | 2019-11-06 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 针对交易场景的用户身份识别方法和装置 |
CN111368150A (zh) * | 2018-12-25 | 2020-07-03 | 北京奇虎科技有限公司 | 预测模型的训练方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617279A (zh) * | 2013-12-09 | 2014-03-05 | 南京邮电大学 | 基于Pagerank方法的微博信息传播影响力评估模型的实现方法 |
US20140152666A1 (en) * | 2012-11-30 | 2014-06-05 | Peter Xiu Deng | Personalized-Recommendation Graph |
CN104967679A (zh) * | 2015-06-09 | 2015-10-07 | 深圳市腾讯计算机系统有限公司 | 信息推荐系统、方法及装置 |
CN105809558A (zh) * | 2016-03-15 | 2016-07-27 | 平安科技(深圳)有限公司 | 基于社交网络的推荐方法和装置 |
CN205405506U (zh) * | 2016-02-26 | 2016-07-27 | 云南六个人网络科技有限公司 | 基于神经网络的社交网络用户可信度认证装置 |
CN107103057A (zh) * | 2017-04-13 | 2017-08-29 | 腾讯科技(深圳)有限公司 | 一种资源推送方法及装置 |
-
2017
- 2017-08-31 CN CN201710772949.7A patent/CN108305181B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140152666A1 (en) * | 2012-11-30 | 2014-06-05 | Peter Xiu Deng | Personalized-Recommendation Graph |
CN103617279A (zh) * | 2013-12-09 | 2014-03-05 | 南京邮电大学 | 基于Pagerank方法的微博信息传播影响力评估模型的实现方法 |
CN104967679A (zh) * | 2015-06-09 | 2015-10-07 | 深圳市腾讯计算机系统有限公司 | 信息推荐系统、方法及装置 |
CN205405506U (zh) * | 2016-02-26 | 2016-07-27 | 云南六个人网络科技有限公司 | 基于神经网络的社交网络用户可信度认证装置 |
CN105809558A (zh) * | 2016-03-15 | 2016-07-27 | 平安科技(深圳)有限公司 | 基于社交网络的推荐方法和装置 |
CN107103057A (zh) * | 2017-04-13 | 2017-08-29 | 腾讯科技(深圳)有限公司 | 一种资源推送方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242710A (zh) * | 2018-08-16 | 2019-01-18 | 北京交通大学 | 社交网络节点影响力排序方法及系统 |
CN111368150A (zh) * | 2018-12-25 | 2020-07-03 | 北京奇虎科技有限公司 | 预测模型的训练方法、装置及电子设备 |
CN111368150B (zh) * | 2018-12-25 | 2024-04-02 | 北京奇虎科技有限公司 | 预测模型的训练方法、装置及电子设备 |
CN110457589A (zh) * | 2019-08-19 | 2019-11-15 | 上海新共赢信息科技有限公司 | 一种车辆推荐方法、装置、设备及存储介质 |
CN110727881A (zh) * | 2019-10-23 | 2020-01-24 | 精硕科技(北京)股份有限公司 | 一种目标公众人物的确定方法及装置 |
CN110852755A (zh) * | 2019-11-06 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 针对交易场景的用户身份识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108305181B (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108305181A (zh) | 社交影响力确定、信息投放方法及装置、设备及存储介质 | |
CN107871244A (zh) | 一种广告效果的检测方法和装置 | |
CN105023165A (zh) | 社交网络平台中投放任务的控制方法、装置及系统 | |
CN108427708A (zh) | 数据处理方法、装置、存储介质和电子装置 | |
WO2022252363A1 (zh) | 数据处理方法、计算机设备以及可读存储介质 | |
CN102073956A (zh) | 一种基于数据挖掘的定向广告投放方法、系统和设备 | |
CN106886518A (zh) | 一种微博账号分类的方法 | |
CN108665064A (zh) | 神经网络模型训练、对象推荐方法及装置 | |
CN109389447A (zh) | 项目推荐方法、项目推荐系统以及计算机可读介质 | |
CN111008335A (zh) | 一种信息处理方法、装置、设备及存储介质 | |
CN110222894A (zh) | 广告投放方法、装置及设备 | |
Saxena et al. | Hybrid technique based on DBSCAN for selection of improved features for intrusion detection system | |
CN110515904A (zh) | 媒体文件的质量预测模型训练方法、质量预测方法及装置 | |
CN117172887B (zh) | 商品推荐模型训练方法及商品推荐方法 | |
CN108932625A (zh) | 用户行为数据的分析方法、装置、介质和电子设备 | |
CN110162609A (zh) | 用于向用户推荐咨询问题的方法及装置 | |
CN107077455A (zh) | 釆用基于事件的流量评分确定流量质量 | |
CN108399551A (zh) | 一种确定用户标签和推送信息的方法及系统 | |
Chatterjee et al. | A novel meta‐heuristic approach for influence maximization in social networks | |
Beni et al. | A fast module identification and filtering approach for influence maximization problem in social networks | |
Yuan et al. | Overlapping community detection on complex networks with Graph Convolutional Networks | |
CN114461690A (zh) | 数据处理方法、装置、计算设备和存储介质 | |
CN110035053A (zh) | 用于检测欺诈性的用户-内容提供者对的方法和系统 | |
CN110347916A (zh) | 跨场景的项目推荐方法、装置、电子设备及存储介质 | |
CN112818241B (zh) | 一种内容推广方法、装置、计算机设备和存储介质 |
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 |