CN108647273A - 交友推荐方法及装置 - Google Patents

Abstract

本发明提出一种交友推荐方法及装置，其中，交友推荐方法包括：获取待推荐用户的互联网数据；对所述待推荐用户的互联网数据进行特征分析，得到所述待推荐用户的特征数据；根据所述待推荐用户的特征数据，获取与所述待推荐用户的特征数据对应的匹配特征数据；根据所述匹配特征数据，获取与所述匹配特征数据对应的场景数据；将所述与所述匹配特征数据对应的场景数据推荐给所述待推荐用户。该交友推荐方法及装置，基于待推荐用户的互联网数据，得到待推荐用户的特征数据，进而得到对应的匹配特征数据和与匹配特征数据对应的场景数据，向待推荐用户推荐与匹配特征数据对应的场景数据，实现了基于人工智能的交友场景推荐，提高了交友成功率。

Description

交友推荐方法及装置

技术领域

本发明涉及互联网技术领域，尤其涉及一种交友推荐方法及装置。

背景技术

我国目前存在大量的单身青年，高知、高净值人群的婚恋难问题尤其突出。为了解决该问题，社会上出现了种种相亲、速配等活动。

现有技术中，基于线下熟人圈子的交友推荐方式，交友成功率较低。

发明内容

本发明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，本发明的第一个目的在于提出一种交友推荐方法，以提高交友成功率。

本发明的第二个目的在于提出一种交友推荐装置。

本发明的第三个目的在于提出一种计算机设备。

本发明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。

本发明的第五个目的在于提出一种计算机程序产品。

为达上述目的，本发明第一方面实施例提出了一种交友推荐方法，包括：

获取待推荐用户的互联网数据；

对所述待推荐用户的互联网数据进行特征分析，得到所述待推荐用户的特征数据；

根据所述待推荐用户的特征数据，获取与所述待推荐用户的特征数据对应的匹配特征数据；

根据所述匹配特征数据，获取与所述匹配特征数据对应的场景数据；

将所述与所述匹配特征数据对应的场景数据推荐给所述待推荐用户。

本发明实施例的交友推荐方法，基于待推荐用户的互联网数据，得到待推荐用户的特征数据，进而得到对应的匹配特征数据和与匹配特征数据对应的场景数据，向待推荐用户推荐与匹配特征数据对应的场景数据，实现了基于人工智能的交友场景推荐，提高了交友成功率。

为达上述目的，本发明第二方面实施例提出了一种交友推荐装置，包括：

第一获取模块，用于获取待推荐用户的互联网数据；

第一分析模块，用于对所述待推荐用户的互联网数据进行特征分析，得到所述待推荐用户的特征数据；

第二获取模块，用于根据所述待推荐用户的特征数据，获取与所述待推荐用户的特征数据对应的匹配特征数据；

第三获取模块，用于根据所述匹配特征数据，获取与所述匹配特征数据对应的场景数据；

推荐模块，用于将所述与所述匹配特征数据对应的场景数据推荐给所述待推荐用户。

本发明实施例的交友推荐装置，基于待推荐用户的互联网数据，得到待推荐用户的特征数据，进而得到对应的匹配特征数据和与匹配特征数据对应的场景数据，向待推荐用户推荐与匹配特征数据对应的场景数据，实现了基于人工智能的交友场景推荐，提高了交友成功率。

为达上述目的，本发明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程序时，实现如本发明第一方面实施例所述的交友推荐方法。

为达上述目的，本发明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，其上存储有计算机程序，该程序被处理器执行时实现如本发明第一方面实施例所述的交友推荐方法。

为达上述目的，本发明第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行如本发明第一方面实施例所述的交友推荐方法。

本发明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，或通过本发明的实践了解到。

附图说明

本发明上述的和/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为本发明实施例所提供的一种交友推荐方法的流程示意图；

图2为本发明实施例所提供的另一种交友推荐方法的流程示意图；

图3为本发明实施例所提供的一种交友推荐装置的结构示意图；

图4为本发明实施例所提供的另一种交友推荐装置的结构示意图；以及

图5为本发明实施例所提供的计算机设备的结构框图。

具体实施方式

下面详细描述本发明的实施例，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，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本发明实施例的交友推荐方法及装置。

图1为本发明实施例所提供的一种交友推荐方法的流程示意图。如图1所示，该交友推荐方法具体包括以下步骤：

S101，获取待推荐用户的互联网数据。

具体的，待推荐用户即需要交友推荐的用户。获取待推荐用户在多个互联网平台中的互联网数据。其中，互联网数据具体可包括但不限于以下数据中的任意一种或多种的组合：搜索数据、电子商务数据、理财数据和本地生活数据。为便于统一接入上游业务数据，以及下游任务和模块的存取和使用，可以设置专门的模块对互联网数据进行抽取、转换、加载成统一的数据格式。

S102，对待推荐用户的互联网数据进行特征分析，得到待推荐用户的特征数据。

具体的，可以基于以下技术中的任意一种或多种的组合：深度学习、知识图谱、用户画像和自然语言理解，对待推荐用户的互联网数据进行特征分析，得到待推荐用户的特征数据。其中，特征数据具体可包括显式特征数据和隐式特征数据。显式特征数据具体可包括但不限于以下数据中的任意一种或多种的组合：兴趣偏好数据、财务状况数据和生活习惯数据。隐式特征数据为对人不可理解，但对后续的数据分析产生正面影响的隐含关联数据，例如关系向量数据。

S103，根据待推荐用户的特征数据，获取与待推荐用户的特征数据对应的匹配特征数据。

具体的，可以根据预先建立的多个特征数据和多个对应的特征数据的对应关系，也可以根据预先训练好的特征匹配模型，获取与待推荐用户的特征数据对应的匹配特征数据。具有与待推荐用户的特征数据对应的匹配特征数据的用户，容易与待推荐用户形成长期稳定的关系。

S104，根据匹配特征数据，获取与匹配特征数据对应的场景数据。

具体的，可以根据预先建立的多个特征数据和多个对应的场景数据的对应关系，也可以根据预先训练好的特征场景匹配模型，获取与匹配特征数据对应的场景数据，即获取到容易与待推荐用户形成长期稳定的关系的用户经常出现的场景。场景数据具体可包括地点数据、时间+地点数据和/或集会数据(例如音乐会、球赛)等。

S105，将与匹配特征数据对应的场景数据推荐给待推荐用户。

具体的，将与匹配特征数据对应的场景数据推荐给待推荐用户，即将容易与待推荐用户形成长期稳定的关系的用户经常出现的场景推荐给待推荐用户，待推荐用户在推荐的场景数据对应的地点、时间+地点或集会等中，找到形成长期稳定的关系的交友对象的几率很高。

为清楚说明本发明实施例的交友推荐方法的具体过程，举例如下：对于待推荐用户X，获取用户X的互联网数据，对用户X的互联网数据进行特征分析，得到用户X的特征数据为：男性、有车一族等。假设预先建立的多个特征数据和多个对应的特征数据的对应关系，或预先训练好的特征匹配模型中定义的特征数据匹配关系如下：“男性”匹配“25～35岁、女性”，“有车一族”匹配“美食爱好者”，“性别男、爱好运动”匹配“25～35岁、女性”。则获取到与用户X的特征数据为：男性、有车一族等对应的匹配特征数据为“25～35岁、女性”、“美食爱好者”等。假设预先建立的多个特征数据和多个对应的场景数据的对应关系，或预先训练好的特征场景匹配模型中定义的特征场景数据匹配关系如下：长泰广场：美食爱好者、25～35岁、女性，世纪公园：热爱运动、性别男、有车一族。则获取到与匹配特征数据“25～35岁、女性”、“美食爱好者”等对应的场景数据为“长泰广场”，因此将“长泰广场”推荐给待推荐用户。

本实施例中，基于待推荐用户的互联网数据，得到待推荐用户的特征数据，进而得到对应的匹配特征数据和与匹配特征数据对应的场景数据，向待推荐用户推荐与匹配特征数据对应的场景数据，实现了基于人工智能的交友场景推荐，提高了交友成功率。

为了清楚说明上一实施例，本实施例提供了另一种交友推荐方法，图2为本发明实施例所提供的另一种交友推荐方法的流程示意图。如图2所示，该方法可以包括以下步骤：

S201，获取待推荐用户的互联网数据。

S202，对待推荐用户的互联网数据进行特征分析，得到待推荐用户的特征数据。

具体的，步骤S201、S202与上一实施例中的步骤S101-S102相同，此处不再赘述。

上一实施例中的步骤S103具体可包括以下步骤S203。

S203，采用特征匹配模型对待推荐用户的特征数据进行预测，得到与待推荐用户的特征数据对应的匹配特征数据。

上一实施例中的步骤S104具体可包括以下步骤S204。

S204，根据匹配特征数据，在预先存储的场景特征数据库中查找与匹配特征数据对应的场景数据，场景特征数据库中包括多个场景数据和多个特征数据的对应关系。

若步骤S204中与匹配特征数据对应的场景数据为多个，则上一实施例中的步骤105具体可包括以下步骤S205和S206。

S205，根据多个场景数据和多个特征数据的对应关系，对多个与匹配特征数据对应的场景数据分别进行交友成功率打分；

具体的，假设与匹配特征数据“25～35岁、女性”的对应的场景数据为两个：“长泰广场”和“美食广场”，则分别对“长泰广场”和“美食广场”这两个场景数据进行交友成功率打分。

S206，将分数最高的与匹配特征数据对应的场景数据，推荐给待推荐用户。

具体的，根据步骤S205的打分结果，向待推荐用户推荐与匹配特征数据对应的多个场景数据中分数最高的场景数据。用户在推荐的场景数据对应的地点、时间+地点或集会等中，找到形成长期稳定的关系的交友对象的几率很高。例如，仍以与匹配特征数据“25～35岁、女性”的对应的场景数据为“长泰广场”和“美食广场”为例，假设“长泰广场”这个场景数据对应的交友成功率分数高于“美食广场”这个场景数据对应的交友成功率分数，则向待推荐用户推荐“长泰广场”场景数据。待推荐用户在“长泰广场”这个场景数据对应的地点“长泰广场”，找到形成长期稳定的关系的交友对象的几率很高。

进一步的，在上一实施例的基础上，本发明实施例的交友推荐方法还可以包括以下训练得到步骤S203中的特征匹配模型的步骤：获取多个样本用户的互联网数据；对样本用户的互联网数据进行用户特征分析，得到样本用户的用户特征数据，用户特征数据包括样本用户的标识和与样本用户的标识对应的特征数据；根据多个样本用户的用户特征数据，训练得到特征匹配模型。

具体的，获取多个样本用户的互联网数据，对多个样本用户的互联网数据按照用户进行划分，得到用户业务数据，用户业务数据包括样本用户的标识和与样本用户的标识对应的业务数据。根据用户业务数据，对与样本用户的标识对应的业务数据进行特征分析，得到样本用户的用户特征数据，用户特征数据包括样本用户的标识和与样本用户的标识对应的特征数据。根据多个样本用户的用户特征数据，通过机器学习训练得到特征匹配模型。

举例如下：假设对多个样本用户的互联网数据按照用户进行划分，得到的用户业务数据如下：用户A在某业务数据中填写的年龄是25～35；用户A使用钱包App在『长泰广场』某餐饮门店消费；用户A使用钱包App在『长泰广场』消费，内容是女性化妆品。用户B使用某运动健身app，打卡一次1个小时的拳击运动；用户B使用导航app，目的地是『世纪公园』。对用户业务进行特征分析，得到的样本用户的用户特征数据如下：用户A：显式特征数据：美食爱好者、25～35岁、女，隐式特征数据：64维向量(0.2，0.5，…)。用户B：显式特征数据：热爱运动、性别男、有车一族，隐式特征数据：64维向量(1.1，-0.1，…)。根据用户A和用户B的用户特征数据，通过机器学习训练得到的特征匹配模型如下(为了便于说明，以单维特征、规则为例)：『男性』匹配『25～35岁、女』，『美食爱好者』匹配『有车一族』，『25～35岁、女性』匹配『性别男、爱好运动』。

进一步的，在上一实施例的基础上，本发明实施例的交友推荐方法还可以包括以下得到步骤S203中的场景特征数据库中的多个场景数据和多个特征数据的对应关系的步骤：获取多个样本用户的互联网数据；对样本用户的互联网数据进行用户特征分析，得到样本用户的用户特征数据，用户特征数据包括样本用户的标识和与样本用户的标识对应的特征数据；对样本用户的互联网数据进行用户场景分析，得到样本用户的用户场景数据，用户特征数据包括样本用户的标识和与样本用户的标识对应的场景数据；将多个样本用户的用户特征数据和用户场景数据进行匹配，得到多个场景数据和多个特征数据的对应关系。

具体的，获取多个样本用户的互联网数据，对多个样本用户的互联网数据按照用户进行划分，得到用户业务数据，用户业务数据包括样本用户的标识和与样本用户的标识对应的业务数据。根据用户业务数据，对与样本用户的标识对应的业务数据进行特征分析，得到样本用户的用户特征数据，用户特征数据包括样本用户的标识和与样本用户的标识对应的特征数据。根据用户业务数据，对与样本用户的标识对应的业务数据进行场景分析，得到样本用户的用户场景数据，用户特征数据包括样本用户的标识和与样本用户的标识对应的场景数据。将多个样本用户的用户特征数据和用户场景数据进行匹配，得到多个场景数据和多个特征数据的对应关系。

举例如下：假设对多个样本用户的互联网数据按照用户进行划分，得到的用户业务数据如下：用户A在某业务数据中填写的年龄是25～35；用户A使用钱包App在『长泰广场』某餐饮门店消费；用户A使用钱包App在『长泰广场』消费，内容是女性化妆品。用户B使用某运动健身app，打卡一次1个小时的拳击运动；用户B使用导航app，目的地是『世纪公园』。对用户业务进行特征分析，得到的样本用户的用户特征数据如下：用户A：显式特征数据：美食爱好者、25～35岁、女，隐式特征数据：64维向量(0.2，0.5，…)。用户B：显式特征数据：热爱运动、性别男、有车一族，隐式特征数据：64维向量(1.1，-0.1，…)。对用户业务进行场景分析，得到的样本用户的用户场景数据如下：用户A<->长泰广场，用户B<->世纪公园。将用户A的用户特征数据和用户场景数据进行匹配，得到场景数据和特征数据的对应关系如下：长泰广场：美食爱好者、25～35岁、女。将用户B的用户特征数据和用户场景数据进行匹配，得到场景数据和特征数据的对应关系如下：世纪公园：热爱运动、男、有车一族。

本实施例中，基于待推荐用户的互联网数据，得到待推荐用户的特征数据，进而得到对应的匹配特征数据和与匹配特征数据对应的场景数据，向待推荐用户推荐与匹配特征数据对应的场景数据，实现了基于人工智能的交友场景推荐，提高了交友成功率。且基于大量样本用户的互联网数据，得到对应的匹配特征数据和与匹配特征数据对应的场景数据，因此覆盖范围广，实现了基于大数据的交友场景推荐，进一步提高了交友成功率。

为了实现上述实施例，本发明还提出一种交友推荐装置。图3为本发明实施例所提供的一种交友推荐装置的结构示意图。如图3所示，该交友推荐装置包括：第一获取模块51、第一分析模块52、第二获取模块53、第三获取模块54和推荐模块55。

第一获取模块51，用于获取待推荐用户的互联网数据。

第一分析模块52，用于对待推荐用户的互联网数据进行特征分析，得到待推荐用户的特征数据。

第二获取模块53，用于根据待推荐用户的特征数据，获取与待推荐用户的特征数据对应的匹配特征数据。

第三获取模块54，用于根据匹配特征数据，获取与匹配特征数据对应的场景数据。

推荐模块55，用于将与匹配特征数据对应的场景数据推荐给待推荐用户。

需要说明的是，前述对交友推荐方法实施例的解释说明也适用于该实施例的交友推荐装置，此处不再赘述。

本实施例中，基于待推荐用户的互联网数据，得到待推荐用户的特征数据，进而得到对应的匹配特征数据和与匹配特征数据对应的场景数据，向待推荐用户推荐与匹配特征数据对应的场景数据，实现了基于人工智能的交友场景推荐，提高了交友成功率。

基于上述实施例，本发明实施例还提供了一种交友推荐装置的可能的实现方式。图4为本发明实施例所提供的另一种交友推荐装置的结构示意图。如图4所示，在上一实施例的基础上，第二获取模块53可具体用于：

采用特征匹配模型对待推荐用户的特征数据进行预测，得到与待推荐用户的特征数据对应的匹配特征数据。

进一步地，在本发明实施例的一种可能的实现方式中，第三获取模块54可具体用于：根据匹配特征数据，在预先存储的场景特征数据库中查找与匹配特征数据对应的场景数据，场景特征数据库中包括多个场景数据和多个特征数据的对应关系。

进一步地，在本发明实施例的一种可能的实现方式中，推荐模块55可具体包括：打分单元551和推荐单元552。

打分单元551，用于若与匹配特征数据对应的场景数据为多个，则根据多个场景数据和多个特征数据的对应关系，对多个与匹配特征数据对应的场景数据分别进行交友成功率打分。

推荐单元552，用于将分数最高的与匹配特征数据对应的场景数据，推荐给待推荐用户。

进一步地，在本发明实施例的一种可能的实现方式中，本发明实施例的交友推荐装置还可包括：第四获取模块、第二分析模块和训练模块。

第四获取模块，用于获取多个样本用户的互联网数据。

第二分析模块，用于对样本用户的互联网数据进行用户特征分析，得到样本用户的用户特征数据，用户特征数据包括样本用户的标识和与样本用户的标识对应的特征数据。

训练模块，用于根据多个样本用户的用户特征数据，训练得到特征匹配模型。

进一步地，在本发明实施例的一种可能的实现方式中，本发明实施例的交友推荐装置还可包括：第五获取模块、第三分析模块、第四分析模块和匹配模块。

第五获取模块，用于获取多个样本用户的互联网数据。

第三分析模块，用于对样本用户的互联网数据进行用户特征分析，得到样本用户的用户特征数据，用户特征数据包括样本用户的标识和与样本用户的标识对应的特征数据。

第四分析模块，用于对样本用户的互联网数据进行用户场景分析，得到样本用户的用户场景数据，用户特征数据包括样本用户的标识和与样本用户的标识对应的场景数据。

匹配模块，用于将多个样本用户的用户特征数据和用户场景数据进行匹配，得到多个场景数据和多个特征数据的对应关系。

需要说明的是，前述对交友推荐方法实施例的解释说明也适用于该实施例的交友推荐装置，此处不再赘述。

本实施例中，基于待推荐用户的互联网数据，得到待推荐用户的特征数据，进而得到对应的匹配特征数据和与匹配特征数据对应的场景数据，向待推荐用户推荐与匹配特征数据对应的场景数据，实现了基于人工智能的交友场景推荐，提高了交友成功率。且基于大量样本用户的互联网数据，得到对应的匹配特征数据和与匹配特征数据对应的场景数据，因此覆盖范围广，实现了基于大数据的交友场景推荐，进一步提高了交友成功率。

为了实现上述实施例，本发明还提出一种计算机设备，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，处理器执行程序时，实现如上述实施例所示的交友推荐方法。

为了实现上述实施例，本发明还提出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，该程序被处理器执行时实现如上述实施例所示的交友推荐方法。

为了实现上述实施例，本发明还提出一种计算机程序产品，当计算机程序产品中的指令由处理器执行时，执行如上述实施例所示的交友推荐方法。

图5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5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5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5未显示，通常称为“硬盘驱动器”)。尽管图5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5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5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。

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发明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。在本发明的描述中，“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，并且本发明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，这应被本发明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程序，然后将其存储在计算机存储器中。

应当理解，本发明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，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，在本发明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。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发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (15)

1.一种交友推荐方法，其特征在于，包括以下步骤：

获取待推荐用户的互联网数据；

对所述待推荐用户的互联网数据进行特征分析，得到所述待推荐用户的特征数据；

根据所述待推荐用户的特征数据，获取与所述待推荐用户的特征数据对应的匹配特征数据；

根据所述匹配特征数据，获取与所述匹配特征数据对应的场景数据；

将所述与所述匹配特征数据对应的场景数据推荐给所述待推荐用户。

2.根据权利要求1所述的交友推荐方法，其特征在于，所述根据所述待推荐用户的特征数据，获取与所述待推荐用户的特征数据对应的匹配特征数据，包括：

采用特征匹配模型对所述待推荐用户的特征数据进行预测，得到所述与所述待推荐用户的特征数据对应的匹配特征数据。

3.根据权利要求1所述的交友推荐方法，其特征在于，所述根据所述匹配特征数据，获取与所述匹配特征数据对应的场景数据，包括：

根据所述匹配特征数据，在预先存储的场景特征数据库中查找所述与所述匹配特征数据对应的场景数据，所述场景特征数据库中包括多个所述场景数据和多个所述特征数据的对应关系。

4.根据权利要求1所述的交友推荐方法，其特征在于，若所述与所述匹配特征数据对应的场景数据为多个，则所述将所述与所述匹配特征数据对应的场景数据推荐给所述待推荐用户，包括：

根据所述多个所述场景数据和多个特征数据的对应关系，对多个所述与所述匹配特征数据对应的场景数据分别进行交友成功率打分；

将分数最高的所述与所述匹配特征数据对应的场景数据，推荐给所述待推荐用户。

5.根据权利要求2所述的交友推荐方法，其特征在于，还包括：

获取多个样本用户的互联网数据；

对所述样本用户的互联网数据进行用户特征分析，得到所述样本用户的用户特征数据，所述用户特征数据包括所述样本用户的标识和与所述样本用户的标识对应的所述特征数据；

根据多个所述样本用户的所述用户特征数据，训练得到所述特征匹配模型。

6.根据权利要求3所述的交友推荐方法，其特征在于，还包括：

获取多个样本用户的互联网数据；

对所述样本用户的互联网数据进行用户特征分析，得到所述样本用户的用户特征数据，所述用户特征数据包括所述样本用户的标识和与所述样本用户的标识对应的所述特征数据；

对所述样本用户的互联网数据进行用户场景分析，得到所述样本用户的用户场景数据，所述用户特征数据包括所述样本用户的标识和与所述样本用户的标识对应的所述场景数据；

将多个所述样本用户的所述用户特征数据和所述用户场景数据进行匹配，得到所述多个所述场景数据和多个所述特征数据的对应关系。

7.一种交友推荐装置，其特征在于，包括：

第一获取模块，用于获取待推荐用户的互联网数据；

第一分析模块，用于对所述待推荐用户的互联网数据进行特征分析，得到所述待推荐用户的特征数据；

第二获取模块，用于根据所述待推荐用户的特征数据，获取与所述待推荐用户的特征数据对应的匹配特征数据；

第三获取模块，用于根据所述匹配特征数据，获取与所述匹配特征数据对应的场景数据；

推荐模块，用于将所述与所述匹配特征数据对应的场景数据推荐给所述待推荐用户。

8.根据权利要求7所述的交友推荐装置，其特征在于，所述第二获取模块具体用于：

采用特征匹配模型对所述待推荐用户的特征数据进行预测，得到所述与所述待推荐用户的特征数据对应的匹配特征数据。

9.根据权利要求7所述的交友推荐装置，其特征在于，所述第三获取模块具体用于：

根据所述匹配特征数据，在预先存储的场景特征数据库中查找所述与所述匹配特征数据对应的场景数据，所述场景特征数据库中包括多个所述场景数据和多个所述特征数据的对应关系。

10.根据权利要求7所述的交友推荐装置，其特征在于，所述推荐模块包括：

打分单元，用于若所述与所述匹配特征数据对应的场景数据为多个，则根据所述多个所述场景数据和多个特征数据的对应关系，对多个所述与所述匹配特征数据对应的场景数据分别进行交友成功率打分；

推荐单元，用于将分数最高的所述与所述匹配特征数据对应的场景数据，推荐给所述待推荐用户。

11.根据权利要求8所述的交友推荐装置，其特征在于，还包括：

第四获取模块，用于获取多个样本用户的互联网数据；

第二分析模块，用于对所述样本用户的互联网数据进行用户特征分析，得到所述样本用户的用户特征数据，所述用户特征数据包括所述样本用户的标识和与所述样本用户的标识对应的所述特征数据；

训练模块，用于根据多个所述样本用户的所述用户特征数据，训练得到所述特征匹配模型。

12.根据权利要求9所述的交友推荐装置，其特征在于，还包括：

第五获取模块，用于获取多个样本用户的互联网数据；

第三分析模块，用于对所述样本用户的互联网数据进行用户特征分析，得到所述样本用户的用户特征数据，所述用户特征数据包括所述样本用户的标识和与所述样本用户的标识对应的所述特征数据；

第四分析模块，用于对所述样本用户的互联网数据进行用户场景分析，得到所述样本用户的用户场景数据，所述用户特征数据包括所述样本用户的标识和与所述样本用户的标识对应的所述场景数据；

匹配模块，用于将多个所述样本用户的所述用户特征数据和所述用户场景数据进行匹配，得到所述多个所述场景数据和多个所述特征数据的对应关系。

13.一种计算机设备，其特征在于，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程序时，实现如权利要求1-6中任一所述的交友推荐方法。

14.一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，该程序被处理器执行时实现如权利要求1-6中任一所述的交友推荐方法。

15.一种计算机程序产品，其特征在于，当所述计算机程序产品中的指令由处理器执行时，执行如权利要求1-6中任一所述的交友推荐方法。