CN108874821A - 一种应用推荐方法、装置及服务器 - Google Patents
一种应用推荐方法、装置及服务器 Download PDFInfo
- Publication number
- CN108874821A CN108874821A CN201710330671.8A CN201710330671A CN108874821A CN 108874821 A CN108874821 A CN 108874821A CN 201710330671 A CN201710330671 A CN 201710330671A CN 108874821 A CN108874821 A CN 108874821A
- Authority
- CN
- China
- Prior art keywords
- target
- good friend
- friend
- user
- influence power
- 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 90
- 230000003997 social interaction Effects 0.000 claims abstract description 94
- 238000012549 training Methods 0.000 claims abstract description 40
- 230000006399 behavior Effects 0.000 claims description 38
- 238000010801 machine learning Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 7
- 230000018199 S phase Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 210000003813 thumb Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012706 support-vector machine Methods 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
-
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computational Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种应用推荐方法、装置及服务器,该方法包括:从目标用户的好友中确定目标好友;获取目标用户与各目标好友的社交互动特征;根据预训练的目标应用的好友影响力预测模型,及目标用户与各目标好友的社交互动特征,分别确定各目标好友对目标用户注册目标应用的影响力,得到各目标好友对应的第一影响力;至少根据各目标好友对应的第一影响力,确定与目标用户相应的目标应用的推荐得分;根据所述推荐得分,为目标用户推荐所述目标应用。本发明实施例可实现基于用户的社交关系的应用推荐,丰富应用的推荐方案,提升用户可能下载的应用被推荐发现的概率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种应用推荐方法、装置及服务器。
背景技术
目前适用于终端设备(如智能手机或个人计算PC等)的应用越来越多,为使得用户能够快捷、准确的寻找到感兴趣的应用,对用户进行应用推荐越来越重要。
为用户提供应用下载服务的应用下载平台(如应用市场、APP商店等)往往也会设置有进行应用推荐的机制;目前主流的应用推荐方式主要是,基于应用的下载热度进行应用排序,优先对下载数量多、排序靠前的应用进行推荐;基于下载热度的应用推荐方式,虽然能够使得用户发现目前流行的应用,但面对用户不断变化的应用下载需求,这种应用推荐方式显得较为单一;因此如何提供一种新的应用推荐方式,以丰富应用的推荐方案,成为了需要考虑的问题。
发明内容
有鉴于此,本发明实施例提供一种应用推荐方法、装置及服务器,以提供一种新的应用推荐方式,以丰富应用的推荐方案。
为实现上述目的,本发明实施例提供如下技术方案:
一种应用推荐方法,包括:
从目标用户的好友中确定目标好友;
获取目标用户与各目标好友的社交互动特征;
根据预训练的目标应用的好友影响力预测模型,及目标用户与各目标好友的社交互动特征,分别确定各目标好友对目标用户注册目标应用的影响力,得到各目标好友对应的第一影响力;其中,所述好友影响力预测模型根据目标应用的注册用户的好友中,注册目标应用的好友以及未注册目标应用的好友的社交互动特征训练得到;
至少根据各目标好友对应的第一影响力,确定与目标用户相应的目标应用的推荐得分;
根据所述推荐得分,为目标用户推荐所述目标应用。
本发明实施例还提供一种应用推荐装置,包括:
好友确定模块,用于从目标用户的好友中确定目标好友;
互动特征获取模块,用于获取目标用户与各目标好友的社交互动特征;
第一影响力确定模块,用于根据预训练的目标应用的好友影响力预测模型,及目标用户与各目标好友的社交互动特征,分别确定各目标好友对目标用户注册目标应用的影响力,得到各目标好友对应的第一影响力;其中,所述好友影响力预测模型根据目标应用的注册用户的好友中,注册目标应用的好友以及未注册目标应用的好友的社交互动特征训练得到;
推荐得分确定模块,用于至少根据各目标好友对应的第一影响力,确定与目标用户相应的目标应用的推荐得分;
推荐模块,用于根据所述推荐得分,为目标用户推荐所述目标应用。
本发明实施例还提供一种服务器,包括:至少一个存储器和至少一个处理器;
其中,存储器用于存储程序,处理器用于调用所述存储器所存储的程序;
所述程序用于:
从目标用户的好友中确定目标好友;
获取目标用户与各目标好友的社交互动特征;
根据预训练的目标应用的好友影响力预测模型,及目标用户与各目标好友的社交互动特征,分别确定各目标好友对目标用户注册目标应用的影响力,得到各目标好友对应的第一影响力;其中,所述好友影响力预测模型根据目标应用的注册用户的好友中,注册目标应用的好友以及未注册目标应用的好友的社交互动特征训练得到;
至少根据各目标好友对应的第一影响力,确定与目标用户相应的目标应用的推荐得分;
根据所述推荐得分,为目标用户推荐所述目标应用。
基于上述技术方案,本发明实施例提供的应用推荐方法,可通过目标用户的社交关系,根据预训练的目标应用的好友影响力预测模型,确定出目标用户的各目标好友对目标用户注册目标应用的第一影响力,从而可至少根据各目标好友对应的第一影响力,确定与目标用户相应的目标应用的推荐得分,根据所述推荐得分,为目标用户推荐所述目标应用,实现基于目标用户的社交关系的应用推荐,丰富应用的推荐方案;
同时,相比于基于下载热度所实现的应用推荐,通过本发明实施例提供的基于用户的好友对用户注册应用的影响力,所实现的应用推荐方法,可使得非热门应用会因为用户的社交关系的推荐而被用户发现,提升用户可能下载的应用被推荐发现的概率;另外,相比于基于用户的兴趣所实现的应用推荐,本发明实施例可弥补新用户由于应用体验数据不足无法通过兴趣推荐应用的缺陷,提升用户可能下载的应用被推荐发现的概率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的服务器的硬件结构框图;
图2为本发明实施例提供的应用推荐方法的流程图;
图3为社交数据的获取示意图;
图4为本发明实施例提供的训练好友影响力预测模型的流程图;
图5为本发明实施例提供的应用推荐方法的另一流程图;
图6为本发明实施例提供的应用推荐方法的再一流程图;
图7为本发明实施例提供的应用推荐方法的又一流程图;
图8为本发明实施例提供的确定好友圈对目标用户注册目标应用的影响力的方法流程图;
图9为本发明实施例提供的确定好友圈的方法流程图;
图10为无共同好友的直接好友的示例图;
图11为刷新节点的关系标签的示意图;
图12为节点集群的示意图;
图13为本发明实施例提供的好友圈分类的方法流程图;
图14为本发明实施例提供的好友圈分类预测模型的建立流程图;
图15为本发明实施例提供的应用推荐装置的结构框图;
图16为本发明实施例提供的应用推荐装置的另一结构框图;
图17为本发明实施例提供的应用推荐装置的再一结构框图;
图18为本发明实施例提供的应用推荐装置的又一结构框图。
具体实施方式
本发明的发明人发现,用户的社交关系对于用户是否下载某一应用起到了一定的作用,比如用户的较多好友在使用一款应用,则用户在好友的影响下使用该应用的概率也将提升;且随着游戏等应用的社交属性越来越强,有必要提供一种新的基于用户的社交关系,实现应用推荐的方案,以丰富应用的推荐方式。
基于此,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的应用推荐方法可应用于服务器,该服务器可以是应用下载平台的服务器,本发明实施例可在服务器中装载相应程序,实现本发明实施例提供的应用推荐方法,该程序可由服务器中的存储器存储,并由处理器调用实施。
可选的,图1示出了本发明实施例提供的服务器的硬件结构框图,参照图1,该服务器可以包括:至少一个处理器1,至少一个通信接口2,至少一个存储器3和至少一个通信总线4;
在本发明实施例中,处理器1、通信接口2、存储器3、通信总线4的数量为至少一个,且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;显然,图1所示的处理器1、通信接口2、存储器3和通信总线4的通信连接示意仅是可选的;
可选的,通信接口2可以为通信模块的接口,如GSM模块的接口;
处理器1可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
其中,存储器3存储有程序,处理器1调用存储器3所存储的程序实现本发明实施例提供的应用推荐方法。
下面站在服务器的角度,对本发明实施例提供的应用推荐方法进行描述,下文描述的应用推荐方法内容,可由服务器装载的相应程序实现。
图2为本发明实施例提供的应用推荐方法的流程图,该方法可应用于服务器,参照图2,该方法可以包括:
步骤S100、从目标用户的好友中确定目标好友。
目标用户可以是本发明实施例待进行应用推荐的用户,例如,针对每一个注册应用下载平台的用户,本发明实施例均可作为目标用户,并以本发明实施例提供的应用推荐方法对目标用户进行应用的推荐。
目标用户的好友可以是目标用户的社交关系链表示的用户中,与目标用户为设定度内好友关系的用户;其中,一度好友关系可以是目标用户的直接好友,如被目标用户添加为好友关系并添加成功的用户,和/或,与目标用户相互添加好友关系并添加成功的用户,目标用户的社交关系链中与目标用户为一度好友关系的用户,称为目标用户的一度好友;
二度好友关系可以是目标用户的社交关系链表示的非目标用户的一度好友中,被目标用户的一度好友添加为好友关系的用户(称为目标用户的二度好友),三度好友关系,四度好友关系等定义以此类推;
此处所指的设定度内好友关系可以包含一度好友关系至设定度好友关系,设定度好友关系可以根据实际情况设定,如选择一度好友关系,二度好友关系等;相应的,本发明实施例所指的目标用户的好友可以是,目标用户的一度好友,二度好友等,具体可根据实际情况设定。
目标用户的社交关系链可以是社交应用等具有好友添加功能的应用,所对应的以链接形式表示的目标用户的社交关系;图2所示方法应用的服务器,可接入社交应用的服务器的数据,以获取到社交应用提供的各用户的社交关系链等社交数据;
可选的,图2所示方法应用的服务器,可与社交应用的服务器同用一账号体系;例如,如图3所示,用户可通过社交应用的账号登录应用下载平台,应用下载平台可通过用户的社交应用账号,从社交应用的服务器获取用户的社交数据。
可选的,本发明实施例从目标用户的好友中确定的目标好友,可以是目标用户的好友中注册目标应用的好友,数量为至少一个;目标应用可以是本发明实施例待推荐的任一应用;可选的,本发明实施例也可将目标用户的好友直接确定为目标好友;目标好友的定义方式可以根据本发明实施例提供的应用推荐方法的不同实施手段调整。
步骤S110、获取目标用户与各目标好友的社交互动特征。
可选的,本发明实施例所指的社交互动特征可以包括:两个好友之间在设定互动周期内各设定社交互动行为类型的次数;
例如,设定社交互动行为类型可以包括:收发信息,视频聊天,语音聊天,状态评论(如朋友圈状态评论),点赞等;则本发明实施例可从两个好友之间的社交数据中,抽取出设定互动周期内(如一个月内,具体时间数值可根据实际需要调整),该两个好友之间收发信息次数,视频聊天次数,语音聊天次数,状态评论次数,点赞次数等,形成该两个好友之间的社交互动特征;即本发明实施例可将两个好友之间的设定互动周期内各设定社交互动行为类型的数据进行量化,形成该两个好友之间的社交互动特征;
可选的,下表1示出了两个好友之间的社交互动特征示例,其中x1表示收发信息的社交互动行为类型的次数,x2表示视频聊天的社交互动行为类型的次数,x3表示语音聊天的社交互动行为类型的次数,x4表示状态评论的社交互动行为类型的次数,x5表示点赞的社交互动行为类型的次数;
表1
本发明实施例对于目标用户的每一目标好友,均需要获取到目标用户与目标好友的社交互动特征。
步骤S120、根据预训练的目标应用的好友影响力预测模型,及目标用户与各目标好友的社交互动特征,分别确定各目标好友对目标用户注册目标应用的影响力,得到各目标好友对应的第一影响力。
可选的,目标应用为本发明实施例待推荐的一应用,本发明实施例可将每一待推荐的应用分别作为目标应用,以图2所示方法进行处理,相应的,不同的应用所对应的好友影响力预测模型可能不同;可选的,目标应用的类型本发明实施例并不作限制,可以是应用下载平台中提供应用下载服务的任一类型的应用,如游戏类型的应用,视频类型的应用等。
可选的,目标应用的好友影响力预测模型为本发明实施例以机器学习方法预先训练的预测模型,能够通过目标用户与目标好友的社交互动特征,确定目标好友对目标用户注册目标应用的影响力;该目标应用的好友影响力预测模型可以根据目标应用的注册用户的好友中,注册目标应用的好友以及未注册目标应用的好友的社交互动特征训练得到;
可选的,本发明实施例可将目标应用的注册用户的好友中,注册目标应用的好友的社交互动特征作为正样本特征,未注册目标应用的好友的社交互动特征作为负样本特征,从而通过机器学习算法训练正样本特征和负样本特征,得到目标应用的好友影响力预测模型。
对于目标用户的一目标好友,本发明实施例可根据目标应用的好友影响力预测模型,以及目标用户与该目标好友的社交互动特征,确定出该目标好友对目标用户注册目标应用的影响力,得到该目标好友对应的第一影响力;从而对于目标用户的每一目标好友均进行此处理,可确定出各目标好友对目标用户注册目标应用的影响力,得到各目标好友对应第一影响力;此处所指的一目标好友的第一影响力是指,一目标好友对目标用户注册目标应用的影响力,可通过数值形式表示。
步骤S130、至少根据各目标好友对应的第一影响力,确定与目标用户相应的目标应用的推荐得分。
可选的,如果目标用户的目标好友均为注册目标应用的好友,则可将各目标好友对应的第一影响力相加,并根据相加结果得出目标好友的影响力总和,从而根据目标好友的影响力总和,确定与目标用户相应的目标应用的推荐得分;
可选的,如果将目标用户的好友直接确定为目标好友,则目标好友中可能存在未注册目标应用的好友,本发明实施例可根据目标好友是否注册目标应用,为各目标好友设置评分阈值,从而将各目标好友对应的第一影响力,与相应的评分阈值相结合(如相乘),并将各个结合结果相加,根据相加结果得出目标好友的影响力总和,从而根据目标好友的影响力总和,确定与目标用户相应的目标应用的推荐得分;
可选的,如果目标好友注册目标应用,则相应的评分阈值可以为第一值,第一值如1等(具体数值可以根据实际情况设定),如果目标好友未注册目标应用,则相应的评分阈值可以为第二值,第二值如0等(具体数值可以根据实际情况设定);
可选的,在得到目标好友的影响力总和后,本发明实施例可以直接将目标好友的影响力总和作为与目标用户相应的目标应用的推荐得分;可选的,如果本发明实施例结合目标用户的其他社交属性(如好友圈等),则目标好友的影响力总和,还可以与目标用户的其他社交属性的影响力相结合,从而确定出与目标用户相应的目标应用的推荐得分。
步骤S140、根据所述推荐得分,为目标用户推荐所述目标应用。
可选的,对于每一待推荐给目标用户的应用,可通过图2所示方法确定出相应的推荐得分,从而根据各应用的推荐得分进行排序,以排序后的应用为目标用户进行应用推荐;
相应的,在确定目标用户的推荐得分后,本发明实施例可在为目标用户推荐的至少一个应用中确定目标应用的推荐排序,从而以此推荐排序为目标用户推荐所述目标应用。
可以看出,本发明实施例提供的应用推荐方法,可通过目标用户的社交关系,根据预训练的目标应用的好友影响力预测模型,确定出目标用户的各目标好友对目标用户注册目标应用的第一影响力,从而可至少根据各目标好友对应的第一影响力,确定与目标用户相应的目标应用的推荐得分,根据所述推荐得分,为目标用户推荐所述目标应用,实现基于目标用户的社交关系的应用推荐,丰富应用的推荐方案;
同时,相比于基于下载热度所实现的应用推荐,通过本发明实施例提供的基于用户的好友对用户注册应用的影响力,所实现的应用推荐方法,可使得非热门应用会因为用户的社交关系的推荐而被用户发现,提升用户可能下载的应用被推荐发现的概率;另外,相比于基于用户的兴趣所实现的应用推荐,本发明实施例可弥补新用户由于应用体验数据不足无法通过兴趣推荐应用的缺陷,提升用户可能下载的应用被推荐发现的概率。
可选的,本发明实施例所提供的目标应用的好友影响力预测模型的训练过程可以如图4所示,可将每一个待推荐的应用分别作为目标应用,以图4所示方法训练出每一个待推荐的应用相应的好友影响力预测模型;参照图4,该方法可以应用于服务器,该方法可以包括:
步骤S200、从已注册目标应用的用户中抽样预设数量阈值的注册用户。
可选的,本发明实施例可在目标应用的运营初始阶段(目标应用的运营初始阶段可以是目标应用上线后的一定时间内,该一定时间的具体时间数值可以根据实际情况调整,一般认为是用户量未达到饱和时),确定已注册目标应用的用户,并从中抽样出预设数量阈值(预设数量阈值的数值可以根据实际需要调整设定)的注册用户;可选的,抽样方式可以根据实际需要选择,如选择均匀抽样的方式(可以是根据地理位置均匀抽样,根据不同的注册时间均匀抽样,根据年龄段均匀抽样等)。
步骤S210、对于每一注册用户,从注册用户的好友中选取注册目标应用的好友作为正样本,选取未注册目标应用的好友作为负样本,得到每一注册用户相应的正样本和负样本。
对于抽样到的每一注册用户,可根据注册用户的社交关系链确定注册用户的好友;
此处所指的注册用户的好友可以是注册用户的社交关系链表示的用户中,与注册用户为设定度内好友关系的用户,概念可以与图2所示步骤S100部分类似,可相互参照。
本发明实施例可从注册用户的好友中选取注册目标应用的好友作为正样本,选取未注册目标应用的好友作为负样本;对于每一注册用户均作此处理,则可得到每一注册用户相应的正样本和负样本。
可选的,一个注册用户相应的正样本的数量可以为至少一个,相应的负样本的数量可以为至少一个。
可选的,选取注册用户的正样本和负样本的时机可以是,注册用户注册目标应用后的设定观察时期内(设定观察时期如注册用户注册目标应用后的一个月内,具体的时期数值可以根据实际需要调整);相应的,本发明实施例对于每一注册用户,可在注册用户注册目标应用后的设定观察时期内,将注册用户的好友中注册目标应用的好友作为正样本,将未注册目标应用的好友作为负样本;
例如,对于抽样到的一注册用户,其正样本和负样本的示例可如下表2所示;
表2
步骤S220、对于每一注册用户,获取注册用户分别与各正样本的社交互动特征,得到各注册用户相应的正样本特征;及对于每一注册用户,获取注册用户分别与各负样本的社交互动特征,得到各注册用户相应的负样本特征。
可选的,本发明实施例所指的社交互动特征可以包括:两个好友之间在设定互动周期内各设定社交互动行为类型的次数;关于社交互动特征的内容可参照图1所示步骤S110。
相应的,对于每一注册用户,本发明实施例可确定注册用户分别与相应的各正样本,在设定互动周期内各设定社交互动行为类型的次数,获取到注册用户与相应的各正样本的社交互动特征,得到注册用户相应的正样本特征,从而对于每一注册用户均进行此处理,可得到各注册用户相应的正样本特征。
可选的,设定社交互动行为类型的选取可以通过各类型的社交互动行为的特征(即各类型的社交互动行为次数量化后的特征)的信息增益排序后,根据信息增益的取值,选取信息增益最大的设定数量类型的社交互动行为实现;
如本发明实施例可确定注册用户与好友各类型的社交互动行为的特征,从而确定各类型的社交互动行为的特征的信息增益,根据信息增益的大小,对各类型的社交互动行为的特征进行排序,选取特征的信息增益最大的设定数量类型的社交互动行为,作为设定社交互动行为类型。
可选的,设定社交互动行为类型也可以是设定的所有类型的社交互动行为,只是选取设定的所有类型的社交互动行为的方式,可能存在数据处理量较大的问题,其他方面与上文通过信息增益选取设定社交互动行为类型的差异较小。
步骤S230、根据机器学习算法,训练各注册用户相应的正样本特征和负样本特征,得到目标应用的好友影响力预测模型。
在获取到各注册用户相应的正样本特征和负样本特征后,本发明实施例可利用机器学习算法进行训练,得到训练结果,即训练得到目标应用的好友影响力预测模型;该目标应用的好友影响力预测模型能够预测,用户的好友对用户注册目标应用的影响力,影响力可通过数值形式表示;
可选的,本发明实施例可以根据实际情况调整,选择所使用的机器学习算法的类型,如可选择使用线性模型的机器学习算法(相应的好友影响力预测模型可以对应,各设定社交互动行为类型的权重),又如可选择使用决策树等形成树形分类器的机器学习算法,又如可选择使用支持向量机的机器学习算法等。
可选的,在训练过程中,本发明实施例可使用交叉验证等方式,对好友影响力预测模型的预测效果进行检验,并避免好友影响力预测模型的过拟合情况等。
在得到目标应用的好友影响力预测模型后,本发明实施例可实现步骤S120的执行,即根据预训练的目标应用的好友影响力预测模型,及目标用户与各目标好友的社交互动特征,分别确定各目标好友对目标用户注册目标应用的影响力,得到各目标好友对应的第一影响力;如将目标用户与各目标好友的社交互动特征,分别输入该好友影响力预测模型,从而根据该好友影响力预测模型,确定出目标用户的各目标好友,对目标用户注册目标应用的第一影响力;
如对于目标用户的一目标好友,本发明实施例可获取到目标用户与该目标好友在设定互动周期内各设定社交互动行为类型的次数,从而得到量化的目标用户与该目标好友的社交互动特征,根据好友影响力预测模型可确定出该社交互动特征相应的第一影响力,而该第一影响力表示该目标好友对目标用户注册目标应用的影响力。
可选的,以使用线性模型的机器学习算法为例,则训练得到的好友影响力预测模型可以对应各设定社交互动行为类型的权重,对于目标用户的一目标好友,本发明实施例可将目标用户与该目标好友在设定互动周期内各设定社交互动行为类型的次数,分别与好友影响力预测模型表示的相应社交互动行为类型的权重相结合,根据结合结果确定该目标好友对目标用户注册目标应用的第一影响力;
例如,以ui表示社交互动行为类型xi的权重,则可选的,目标用户的一好友,对目标用户注册目标应用的影响力可以用如下公式1计算实现,其中,b表示常数;
可选的,ui和公式1可以由好友影响力预测模型表示对应,即好友影响力预测模型可以预置有ui,且实现公式1功能,以在将目标用户与一好友的社交互动特征输入好友影响力预测模型后,可通过好友影响力预测模型输出相应的影响力的数值。
可选的,本发明实施例的一种实现方式可以是,直接通过各目标好友对目标用户注册目标应用的第一影响力,确定与目标用户相应的目标应用的推荐得分;与目标用户相应的目标应用的推荐得分可以是,针对目标用户而言,目标应用的推荐得分,对于不同的待推荐用户,由于处理的社交互动特征不同,同一应用所得出的推荐得分也可能不同;
可选的,图5示出了本发明实施例提供的应用推荐方法的另一流程图,该方法可应用于服务器,参照图5,该方法可以包括:
步骤S300、从目标用户的好友中确定注册目标应用的目标好友。
步骤S310、获取目标用户与各目标好友的社交互动特征。
步骤S320、根据预训练的目标应用的好友影响力预测模型,及目标用户与各目标好友的社交互动特征,分别确定各目标好友对目标用户注册目标应用的影响力,得到各目标好友对应的第一影响力。
步骤S330、将各目标好友对应的第一影响力相加,根据相加结果得出目标好友的影响力总和。
可选的,将各目标好友对应的第一影响力相加后,本发明实施例还可以将相加结果与设定第一初始值相结合(如相乘),得到目标好友的影响力总和;
设目标用户的好友中注册目标应用的目标好友为N个,其中i∈N,即i表示第i个目标好友,则目标好友的影响力总和的计算公式2可以如下:
其中,Fi表示目标用户的目标好友i,对目标用户注册目标应用的第一影响力,为设定第一初始值。
步骤S340、将所述影响力总和作为与目标用户相应的目标应用的推荐得分。
步骤S350、根据所述推荐得分,为目标用户推荐所述目标应用。
图5所示方法是基于目标好友为目标用户的好友中注册目标应用的情况,当然本发明实施例也可以将目标用户的好友直接作为目标好友,并在后续调整处理方式实现应用推荐;
可选的,图6示出了本发明实施例提供的应用推荐方法的再一流程图,该方法可应用于服务器,参照图6,该方法可以包括:
步骤S400、将目标用户的好友确定为目标好友。
步骤S410、获取目标用户与各目标好友的社交互动特征。
步骤S420、根据预训练的目标应用的好友影响力预测模型,及目标用户与各目标好友的社交互动特征,分别确定各目标好友对目标用户注册目标应用的影响力,得到各目标好友对应的第一影响力。
步骤S430、为注册目标应用的目标好友设置评分阈值为第一值,及为未注册目标应用的目标好友设置评分阈值为第二值。
可选的,本发明实施例可为目标好友i设置评分阈值flagi,其中,若目标好友i注册目标应用,则flagi为第一值(如1),若目标好友i未注册目标应用,则flagi为第二值(如0)。
步骤S440、将各目标好友对应的第一影响力,与相应的评分阈值相结合,并将各个结合结果相加;根据相加结果得出目标好友的影响力总和。
可选的,本发明实施例可将各目标好友对应的第一影响力,分别与相应的评分阈值相乘(作为可选的,如果目标好友未注册目标应用,相应的评分阈值为第二值0,则该目标好友对于目标用户注册目标应用的影响将消除),从而将各个相乘结果相加,将相加结果与设定第一初始值相结合(如相乘),得到目标好友的影响力总和;
设目标用户的目标好友为N个,其中i∈N,则目标好友的影响力总和的计算公式3可以如下:
其中,Fi表示目标用户的目标好友i,对目标用户注册目标应用的第一影响力,为设定第一初始值。
步骤S450、将所述影响力总和作为与目标用户相应的目标应用的推荐得分。
步骤S460、根据所述推荐得分,为目标用户推荐所述目标应用。
可见,本发明实施例可根据各目标好友对应的第一影响力,确定目标好友的影响力总和(对于目标好友的定义不同,目标好友的影响力总和的确定方法可相应在图5和图6所示方法中调整),从而至少根据目标好友的影响力总和,确定与目标用户相应的目标应用的推荐得分;
至少根据目标好友的影响力总和,确定与目标用户相应的目标应用的推荐得分的一种可选方式,可以是将目标好友的影响力总和,作为与目标用户相应的目标应用的推荐得分。
另一种可选的方式可以是:本发明实施例除直接将目标好友的影响力总和作为与目标用户相应的目标应用的推荐得分外,还可结合目标用户的其他社交属性(如好友圈等)实现与目标用户相应的目标应用的推荐得分的确定;
例如,好友间的影响力并不是完全互动关联的,部分类型的好友,例如“同事”虽然社交互动行为较少,但是线下交流多影响也较大大。按照好友的关系类型,可以将好友分为同学,朋友,亲友,同事和其他由工作或生活事物建立的好友关系的联系人,不同的好友类型对用户的影响力各不相同。另外好友间的收发信,语音视频聊天,相互转发,点赞等互动行为的差异也会导致好友间影响力不尽相同,此外好友的历史应用数据也能对好友影响力起到很好的印证作用。而不同类型的应用流行于不同的圈子,例如不同的游戏适合在不同的好友圈中流行,有的游戏适合同事在工作之余一起体验,有的游戏则流行于一圈有共同兴趣的圈子等;
因此,本发明实施例还可通过确定目标用户的好友圈,确定好友圈对目标用户注册目标应用的影响力,从而与目标用户的目标好友的影响力相结合,确定与目标用户相应的目标应用的推荐得分;
可选的,图7示出了本发明实施例提供的应用推荐方法的又一流程图,该方法可应用于服务器,参照图7,该方法可以包括:
步骤S500、从目标用户的好友中确定目标好友。
步骤S510、获取目标用户与各目标好友的社交互动特征。
步骤S520、根据预训练的目标应用的好友影响力预测模型,及目标用户与各目标好友的社交互动特征,分别确定各目标好友对目标用户注册目标应用的影响力,得到各目标好友对应的第一影响力。
步骤S530、确定目标用户的至少一个好友圈,并确定各好友圈对目标用户注册目标应用的第二影响力。
步骤S540、根据各目标好友对应的第一影响力,以及各好友圈对目标用户注册目标应用的第二影响力,确定与目标用户相应的目标应用的推荐得分。
可选的,本发明实施例可根据各目标好友对应的第一影响力,确定目标好友的影响力总和;及根据各好友圈对目标用户注册目标应用的第二影响力,确定好友圈对目标用户注册目标应用的影响力总和;从而将目标好友的影响力总和,与好友圈对目标用户注册目标应用的影响力总和相加,得到与目标用户相应的目标应用的推荐得分。
可以看出,与图1所示方法相比,图7所示方法还需进一步确定出目标用户的至少一个好友圈,并确定各好友圈对目标用户注册目标应用的第二影响力,从而在确定与目标用户相应的目标应用的推荐得分时,可以根据各目标好友对应的第一影响力,以及各好友圈对目标用户注册目标应用的第二影响力实现。
步骤S550、根据所述推荐得分,为目标用户推荐所述目标应用。
可选的,本发明实施例在确定目标用户的好友圈后,对于目标用户的任一好友圈,本发明实施例可通过好友圈中注册目标应用的好友数量,以及好友圈中相应的好友对象,实现好友圈对目标用户注册目标应用的第二影响力的确定;
可选的,图8示出了本发明实施例提供的确定好友圈对目标用户注册目标应用的第二影响力的方法流程图,该方法可应用于服务器,参照图8,该方法可以包括:
步骤S600、从目标用户的好友中确定注册目标应用的好友,并确定注册目标应用的好友所处于的目标用户的好友圈,不同的好友圈以不同的好友圈分类区分。
可选的,对于目标用户的每一好友,本发明实施例可判断该好友是否注册目标应用,从而从目标用户的好友中确定注册目标应用的好友,对于注册目标应用的好友,本发明实施例可分别判断注册目标应用的好友所处于的目标用户的好友圈,并且不同的好友圈可以不同的好友圈分类进行区分。
可选的,本发明实施例可在目标应用上线后的一定时间内(比如一个月内),判断目标用户的好友中注册目标应用的好友,并确定注册游戏的好友所处于的目标用户的好友圈。
步骤S610、对于目标用户的任一好友圈,根据好友圈中注册目标应用的好友数量,以及好友圈中的注册目标应用的好友与目标用户相互间对应的好友对数,确定好友圈对目标用户注册目标应用的第二影响力。
在确定出目标用户的每一个好友圈中,注册目标应用的好友后,本发明实施例可确定出目标用户的每一个好友圈中,注册目标应用的好友数量,以及目标用户的每一个好友圈中注册目标应用的好友与目标用户相互间对应的好友对数;一好友圈中注册目标应用的好友与目标用户相互间对应的好友对数可以认为是,以好友圈中注册目标应用的好友与目标用户为集合,判断集合中用户之间相互为好友的对数;从而对于目标用户的每一好友圈,可根据好友圈中注册目标应用的好友数量,以及好友圈中的注册目标应用的好友与目标用户相互间对应的好友对数,确定出该好友圈对目标用户注册目标应用的第二影响力;
可选的,一好友圈对目标用户注册目标应用的第二影响力的计算方式可以如下:
该好友圈注册目标应用的好友数量,除以,该好友圈中的注册目标应用的好友与目标用户相互间对应的好友对数。
在得到各好友圈对目标用户注册目标应用的第二影响力后,本发明实施例可将各好友圈对目标用户注册目标应用的第二影响力相加,并将相加结果与设定第二初始值相结合(如相乘),得到好友圈对目标用户注册目标应用的影响力总和,从而可将目标好友的影响力总和,与好友圈对目标用户注册目标应用的影响力总和相加,得到与目标用户相应的目标应用的推荐得分;
可选的,设目标用户的好友圈具有M个,且j∈M,即认为j是目标用户的第j个好友圈,则好友圈对目标用户注册目标应用的影响力总和可通过如下公式4实现:
其中,Gj为目标用户的好友圈j对目标用户注册目标应用的第二影响力,β为设定第二初始值。
相应的,与目标用户相应的目标应用的推荐得分的计算公式可以如公式5所示:
显然,公式5中所使用的计算目标好友的影响力总和的方式仅是可选的,也可能是通过公式2等实现目标好友的影响力总和的计算。
可选的,对于设定第一初始值和设定第二初始值β,本发明实施例可以通过圈子好友推荐的注册率来实现和β的值更新,一般认为通过圈子推荐的注册率较高,则认为圈子影响力重要,如果通过好友推荐的注册率较高,则认为好友影响力重要,从而可以用户的注册率反馈来相应的更新和β。
可选的,目标用户的好友圈可以是目标用户可自行设置多个好友圈,并定义各个好友圈中的好友;本发明实施例可以基于目标用户的好友,实现目标用户的好友圈发现;
可选的,图9示出了本发明实施例提供的确定目标用户的至少一个好友圈的方法流程,该方法可应用于服务器,参照图9,该方法可以包括:
步骤S700、确定目标用户的直接好友。
可选的,本发明实施例可根据目标用户的社交关系链,确定与目标用户为一度好友关系的好友,得到目标用户的直接好友。
步骤S710、将所述直接好友中共同好友数为零的直接好友剔除,得到目标用户相应的待划分好友圈的好友范围。
在获取目标用户的直接好友后,可确定各直接好友的好友,将目标用户的直接好友中,与其他直接好友没有共同好友的直接好友剔除,得到目标用户的待划分好友圈的好友范围;即该好友范围包括目标用户的直接好友中,剔除共同好友数为零后的至少一个直接好友;
例如,如图10所示,目标用户的直接好友包括好友1,好友2,好友3,其中,好友1与好友2存在共同好友,而好友3与好友1和好友2均不存在共同好友,则可将好友3剔除,将目标用户的直接好友1和2作为目标用户的待划分好友圈的好友范围;显然,对于目标用户的直接好友的数量并不限于3个,此处的举例仅为便于理解剔除共同好友数为零的直接好友的说明;
目标用户的待划分好友圈的好友范围可以认为是,目标用户的好友中待进行目标用户的好友圈划分的至少一个好友,本发明实施例主要基于目标用户的待划分好友圈的好友范围进行目标用户的好友圈划分。
可选的,上述方式仅是确定目标用户相应的待划分好友圈的好友范围的一种可选实现,除从目标用户的直接好友中剔除共同好友数为零的直接好友,来得到目标用户相应的待划分好友圈的好友范围外,本发明实施例也可以采样其他的如直接将目标用户的直接好友,作为目标用户相应的待划分好友圈的好友范围等方式;对于目标用户相应的待划分好友圈的好友范围的定义,可以根据实际情况调整。
步骤S720、将所述好友范围中的各好友设置为节点,并以所述好友范围中各好友的社交关系连接各节点。
在获取到目标用户相应的待划分好友圈的好友范围后,本发明实施例可以将好友范围中各好友分别定义为一个节点,并通过好友范围中各好友之间的社交关系连接各个节点。
步骤S730、根据目标用户与所述好友范围中各好友的社交关系类型,为所述好友范围中各好友相应的节点指定关系标签。
本发明实施例可在连接好友范围的各好友的节点后,根据目标用户与好友范围中各好友的社交关系类型,为好友范围中各好友相应的节点指定关系标签,即一节点的关系标签表示了目标用户,与该节点表示的好友范围中好友的社交关系类型;可选的,社交关系类型可以如配偶、父子、表姐等亲属关系,如同事、大学同学、高中同学等社会关系。
步骤S740、逐轮刷新所有节点的关系标签,直至达到预定刷新收敛条件,得到节点集群;其中每轮刷新过程为:对于任一节点,确定该节点的邻居节点的关系标签,将邻居节点的关系标签中数量最多的关系标签赋予该节点。
可选的,预定刷新收敛条件可以是刷新后节点的关系标签不再变动,或者,刷新后节点的关系标签的表动率小于阈值;
即本发明实施例可逐轮刷新所有节点的关系标签,直至刷新后节点的关系标签不再变动,或者,刷新后节点的关系标签的表动率小于阈值;而一轮属性的过程为,对于一个被刷新的节点,可确定该节点的邻居节点的关系标签,将邻居节点的关系标签中数量最多的关系标签赋予该被刷新的节点;
例如,如图11所示,目标用户与节点01的关系标签为同学,目标用户与节点02的关系标签为同事,目标用户与节点03的关系标签为同事,目标用户与节点04的关系标签为同事,则对节点01进行刷新时,可确定节点01的邻居节点02,03和04,确定节点01的邻居节点的关系标签中数量最多的关系标签为同事,从而将同事的关系标签赋予节点01;对于每一节点均以此方式刷新,并进行循环,直至刷新后节点的关系标签不再变动,或者,刷新后节点的关系标签的表动率小于阈值。
步骤S750、将节点集群中相聚集的节点对应的目标用户的好友,聚合为目标用户的一个好友圈。
在刷新所有节点的关系标签,直至达到预定刷新收敛条件后,可得到节点集群,如图12所示,节点集群中相聚集的节点对应的目标用户的好友可以聚合为目标用户的一个好友圈,从而实现目标用户的好友圈的发现。
可选的,在确定目标用户的好友圈后,本发明实施例可对目标用户的各个好友圈进行分类,从而确定出目标用户的各个好友圈的类型;可选的,对于建立群聊较多的好友圈,本发明实施例可收集群聊名称文本,从而通过文本分类方式,实现好友圈的分类。
相应的,图13示出了好友圈分类的一种可选流程,该流程可以包括:
步骤S800、从目标用户的好友圈中确定建立群聊的次数达到次数阈值的至少一个第一好友圈。
可选的,对于目标用户的各好友圈,本发明实施例可分析各好友圈中的好友建立群聊的次数,从而得到目标用户的各好友圈中建立群聊的次数,进而根据各好友圈中建立群聊的次数,确定出建立群聊的次数达到次数阈值的第一好友圈(为便于描述,本发明实施例使用第一好友圈表示目标用户的好友圈中,建立群聊的次数达到次数阈值的好友圈),第一好友圈的数量可能为至少一个。
步骤S810、从各第一好友圈建立的群聊中,分别确定第一好友圈的成员所占比例大于预定比例的群聊。
在通过上述步骤S800确定到第一好友圈后,本发明实施例可分析第一好友圈建立的群聊中,第一好友圈的成员在群聊用户中所占比例大于预定比例的群聊。
步骤S820、收集所确定的群聊的名称文本。
在从好友圈建立的群聊中,确定好友圈的成员所占比例大于预定比例的群聊后,可收集该群聊的名称文本信息,以便后续进行文本分类处理。
步骤S830、将所述名称文本进行文本分类,得到第一好友圈的分类。
可选的,文本分类的方法包括但不局限于:关键词分类,svm分类,神经网络分类等机器学习深度学习方法等;例如,本发明实施例可预置各好友圈分类的文本特征,从而将所确定的群聊的名称文本的文本特征,与各好友圈分类的文本特征进行匹配,将匹配度最高的好友圈分类,确定为第一好友圈的分类。
可选的,对于建立群聊较少的好友圈,本发明实施例可能无法通过群聊的名称文本进行好友圈的分类,对此,本发明实施例可预先训练出好友圈分类预测模型,通过该好友圈分类预测模型对目标用户的好友圈的分类进行预测;
好友圈分类预测模型的建立过程可以如图14所示,包括如下步骤:
步骤S900、获取目标好友圈分类的好友圈的圈子特征,作为正样本特征,及获取非目标好友圈分类的好友圈的圈子特征,作为负样本特征。
目标好友圈分类可以是任一好友圈分类,在训练能够预测目标好友圈分类的好友圈分类预测模型时,本发明实施例可获取目标好友圈分类的好友圈的圈子特征,并作为正样本特征;属于目标好友圈分类的好友圈,可以通过上述图13方法,以目标好友圈分类的好友圈中建立的群聊的名称文本实现,即本发明实施例可以通过图13方法,以好友圈中建立的群聊的名称文本,分类出属于目标好友圈分类的好友圈,得到正样本,从而以属于目标好友圈分类的好友圈的圈子特征,作为正样本特征;
可选的,圈子特征可以是好友圈的成员的年龄、性别等基础特征,以及圈子互动特征(如圈子内的好友之间的互动特征,包含圈内好友的语音数,互聊次数,朋友圈评价次数等);
可选的,在通过好友圈中建立的群聊的名称文本,分类出不属于目标好友圈分类的好友圈后,本发明实施例可将分类出的非目标好友圈分类的好友圈,作为负样本,并以非目标好友圈分类的好友圈的圈子特征,作为负样本特征。
步骤S910、根据机器学习方法,训练该正样本特征和负样本特征,得到目标好友圈分类的预测模型。
本发明实施例可将任一好友圈分类,分别作为目标好友圈分类,以上述方法得到各好友圈分类的预测模型。
在得到各好友圈分类的预测模型后,本发明实施例可将待确定好友圈分类的好友圈的圈子特征,导入各好友圈分类的预测模型,从而将预测结果中概率最大的好友圈分类,作为待确定好友圈分类的好友圈所对应的好友圈分类。
可选的,本发明实施例提供的应用推荐方法,可以用于为用户进行游戏的推荐,从而基于用户的好友和好友圈中已注册游戏的社交信息,确定出用户的好友与好友圈对用户注册游戏的影响力,得到将游戏推荐给用户的推荐得分,从而根据该推荐得分,在多个为用户推荐的游戏中进行游戏的推荐排序,以排序后的游戏为用户进行游戏推荐。
本实施例采用基于用户的社交关系的应用推荐方法,结合用户的社交关系进行应用的推荐,丰富了应用推荐方式,并可以有效的发挥游戏等应用的社交优势,利用好友的拉动进行推荐更有亲和力,而且关系链特征覆盖广,可以有效的实现应用的推荐。
下面对本发明实施例提供的应用推荐装置进行介绍,下文描述的应用推荐装置可以认为是,服务器为实现本发明实施例提供的应用推荐方法所需设置的程序模块;下文描述的应用推荐装置的功能可通过服务器中相应的程序功能实现。
图15为本发明实施例提供的应用推荐装置的结构框图,该装置可应用于服务器,参照图15,该装置可以包括:
好友确定模块100,用于从目标用户的好友中确定目标好友;
互动特征获取模块200,用于获取目标用户与各目标好友的社交互动特征;
第一影响力确定模块300,用于根据预训练的目标应用的好友影响力预测模型,及目标用户与各目标好友的社交互动特征,分别确定各目标好友对目标用户注册目标应用的影响力,得到各目标好友对应的第一影响力;其中,所述好友影响力预测模型根据目标应用的注册用户的好友中,注册目标应用的好友以及未注册目标应用的好友的社交互动特征训练得到;
推荐得分确定模块400,用于至少根据各目标好友对应的第一影响力,确定与目标用户相应的目标应用的推荐得分;
推荐模块500,用于根据所述推荐得分,为目标用户推荐所述目标应用。
可选的,图16示出了本发明实施例提供的应用推荐装置的另一结构框图,结合图15和图16所示,该装置还可以包括:
第一训练模块600,用于从已注册目标应用的用户中抽样预设数量阈值的注册用户;对于每一注册用户,从注册用户的好友中选取注册目标应用的好友作为正样本,选取未注册目标应用的好友作为负样本,得到每一注册用户相应的正样本和负样本;对于每一注册用户,获取注册用户分别与各正样本的社交互动特征,得到各注册用户相应的正样本特征;及对于每一注册用户,获取注册用户分别与各负样本的社交互动特征,得到各注册用户相应的负样本特征;根据机器学习算法,训练各注册用户相应的正样本特征和负样本特征,得到目标应用的好友影响力预测模型。
可选的,目标用户与一目标好友的社交互动特征可以包括:目标用户与该目标好友在设定互动周期内,各设定社交互动行为类型的次数;
可选的,所述好友影响力预测模型可以表示有各设定社交互动行为类型的权重;
作为可选的,第一影响力确定模块300,用于根据预训练的目标应用的好友影响力预测模型,及目标用户与各目标好友的社交互动特征,分别确定各目标好友对目标用户注册目标应用的影响力,具体包括:
对于目标用户的一目标好友,将目标用户与该目标好友在设定互动周期内各设定社交互动行为类型的次数,分别与好友影响力预测模型表示的相应社交互动行为类型的权重相结合;
根据结合结果确定该目标好友对目标用户注册目标应用的第一影响力。
可选的,推荐得分确定模块400,用于至少根据各目标好友对应的第一影响力,确定与目标用户相应的目标应用的推荐得分,具体包括:
根据各目标好友对应的第一影响力,确定目标好友的影响力总和;
将目标好友的影响力总和,作为与目标用户相应的目标应用的推荐得分。
可选的,图17示出了本发明实施例提供的应用推荐装置的再一结构框图,结合图15和图17所示,该装置还可以包括:
第二影响力确定模块700,用于确定目标用户的至少一个好友圈;确定各好友圈对目标用户注册目标应用的第二影响力;
相应的,推荐得分确定模块400,用于至少根据各目标好友对应的第一影响力,确定与目标用户相应的目标应用的推荐得分,具体包括:
根据各目标好友对应的第一影响力,以及各好友圈对目标用户注册目标应用的第二影响力,确定与目标用户相应的目标应用的推荐得分。
可选的,推荐得分确定模块400,用于根据各目标好友对应的第一影响力,以及各好友圈对目标用户注册目标应用的第二影响力,确定与目标用户相应的目标应用的推荐得分,具体包括:
根据各目标好友对应的第一影响力,确定目标好友的影响力总和;及根据各好友圈对目标用户注册目标应用的第二影响力,确定好友圈对目标用户注册目标应用的影响力总和;
将目标好友的影响力总和,与好友圈对目标用户注册目标应用的影响力总和相加,得到与目标用户相应的目标应用的推荐得分。
可选的,上文中,推荐得分确定模块400,用于根据各目标好友对应的第一影响力,确定目标好友的影响力总和的方式可以包括:
若目标好友为目标用户的好友中注册目标应用的好友,则将各目标好友对应的第一影响力相加,并根据相加结果得出目标好友的影响力总和;
或,若直接将目标用户的好友确定为目标好友,则为注册目标应用的目标好友设置评分阈值为第一值,及为未注册目标应用的目标好友设置评分阈值为第二值,将各目标好友对应的第一影响力,与相应的评分阈值相结合,并将各个结合结果相加,根据相加结果得出目标好友的影响力总和。
可选的,推荐得分确定模块400,用于根据各好友圈对目标用户注册目标应用的第二影响力,确定好友圈对目标用户注册目标应用的影响力总和,具体包括:
将各好友圈对目标用户注册目标应用的第二影响力相加,并根据相加结果得到好友圈对目标用户注册目标应用的影响力总和。
可选的,第二影响力确定模块700,用于确定目标用户的至少一个好友圈,具体包括:
确定目标用户的直接好友;
将所述直接好友中共同好友数为零的直接好友剔除,得到目标用户相应的待划分好友圈的好友范围;
将所述好友范围中的各好友设置为节点,并以所述好友范围中各好友的社交关系连接各节点;
根据目标用户与所述好友范围中各好友的社交关系类型,为所述好友范围中各好友相应的节点指定关系标签;
逐轮刷新所有节点的关系标签,直至达到预定刷新收敛条件,得到节点集群;其中每轮刷新过程为:对于任一节点,确定该节点的邻居节点的关系标签,将邻居节点的关系标签中数量最多的关系标签赋予该节点。
可选的,第二影响力确定模块700,用于确定各好友圈对目标用户注册目标应用的第二影响力,具体包括:
从目标用户的好友中确定注册目标应用的好友,并确定注册目标应用的好友所处于的目标用户的好友圈,不同的好友圈以不同的好友圈分类区分;
对于目标用户的任一好友圈,根据好友圈中注册目标应用的好友数量,以及好友圈中的注册目标应用的好友与目标用户相互间对应的好友对数,确定好友圈对目标用户注册目标应用的第二影响力。
可选的,图18示出了本发明实施例提供的应用推荐装置的又一结构框图,结合图15和图18所示,该装置还可以包括:本发明实施例提供的应用推荐装置还可以包括:
第一好友圈分类模块800,用于从目标用户的好友圈中确定建立群聊的次数达到次数阈值的至少一个第一好友圈,从各第一好友圈建立的群聊中,分别确定第一好友圈的成员所占比例大于预定比例的群聊,收集所确定的群聊的名称文本,将所述名称文本进行文本分类,得到第一好友圈的分类;
第二好友圈分类模块900,用于根据预训练的各好友圈分类的预测模型,以及待确定好友圈分类的好友圈的圈子特征,确定各好友圈分类的预测模型的预测结果,将预测结果中概率最大的好友圈分类,确定为该好友圈的好友圈分类;其中,一好友圈分类的预测模型根据该好友圈分类的好友圈的圈子特征,以及非该好友圈分类的好友圈的圈子特征训练得到。
可选的,第一好友圈分类模块800和第二好友圈分类模块900也可以择一使用。
本发明实施例还提供一种服务器,该服务器的硬件结构可以如图1所示,包括:至少一个存储器和至少一个处理器;
其中,存储器用于存储程序,处理器用于调用所述存储器所存储的程序;
所述程序用于:
从目标用户的好友中确定目标好友;
获取目标用户与各目标好友的社交互动特征;
根据预训练的目标应用的好友影响力预测模型,及目标用户与各目标好友的社交互动特征,分别确定各目标好友对目标用户注册目标应用的影响力,得到各目标好友对应的第一影响力;其中,所述好友影响力预测模型根据目标应用的注册用户的好友中,注册目标应用的好友以及未注册目标应用的好友的社交互动特征训练得到;
至少根据各目标好友对应的第一影响力,确定与目标用户相应的目标应用的推荐得分;
根据所述推荐得分,为目标用户推荐所述目标应用。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的核心思想或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (14)
1.一种应用推荐方法,其特征在于,包括:
从目标用户的好友中确定目标好友;
获取目标用户与各目标好友的社交互动特征;
根据预训练的目标应用的好友影响力预测模型,及目标用户与各目标好友的社交互动特征,分别确定各目标好友对目标用户注册目标应用的影响力,得到各目标好友对应的第一影响力;其中,所述好友影响力预测模型根据目标应用的注册用户的好友中,注册目标应用的好友以及未注册目标应用的好友的社交互动特征训练得到;
至少根据各目标好友对应的第一影响力,确定与目标用户相应的目标应用的推荐得分;
根据所述推荐得分,为目标用户推荐所述目标应用。
2.根据权利要求1所述的应用推荐方法,其特征在于,还包括:
从已注册目标应用的用户中抽样预设数量阈值的注册用户;
对于每一注册用户,从注册用户的好友中选取注册目标应用的好友作为正样本,选取未注册目标应用的好友作为负样本,得到每一注册用户相应的正样本和负样本;
对于每一注册用户,获取注册用户分别与各正样本的社交互动特征,得到各注册用户相应的正样本特征;及对于每一注册用户,获取注册用户分别与各负样本的社交互动特征,得到各注册用户相应的负样本特征;
根据机器学习算法,训练各注册用户相应的正样本特征和负样本特征,得到目标应用的好友影响力预测模型。
3.根据权利要求1或2所述的应用推荐方法,其特征在于,目标用户与一目标好友的社交互动特征包括:目标用户与该目标好友在设定互动周期内,各设定社交互动行为类型的次数。
4.根据权利要求3所述的应用推荐方法,其特征在于,所述好友影响力预测模型表示有各设定社交互动行为类型的权重;
所述根据预训练的目标应用的好友影响力预测模型,及目标用户与各目标好友的社交互动特征,分别确定各目标好友对目标用户注册目标应用的影响力包括:
对于目标用户的一目标好友,将目标用户与该目标好友在设定互动周期内各设定社交互动行为类型的次数,分别与好友影响力预测模型表示的相应社交互动行为类型的权重相结合;
根据结合结果确定该目标好友对目标用户注册目标应用的第一影响力。
5.根据权利要求1所述的应用推荐方法,其特征在于,所述至少根据各目标好友对应的第一影响力,确定与目标用户相应的目标应用的推荐得分包括:
根据各目标好友对应的第一影响力,确定目标好友的影响力总和;
将目标好友的影响力总和,作为与目标用户相应的目标应用的推荐得分。
6.根据权利要求1所述的应用推荐方法,其特征在于,还包括:
确定目标用户的至少一个好友圈;
确定各好友圈对目标用户注册目标应用的第二影响力;
所述至少根据各目标好友对应的第一影响力,确定与目标用户相应的目标应用的推荐得分包括:
根据各目标好友对应的第一影响力,以及各好友圈对目标用户注册目标应用的第二影响力,确定与目标用户相应的目标应用的推荐得分。
7.根据权利要求6所述的应用推荐方法,其特征在于,所述根据各目标好友对应的第一影响力,以及各好友圈对目标用户注册目标应用的第二影响力,确定与目标用户相应的目标应用的推荐得分包括:
根据各目标好友对应的第一影响力,确定目标好友的影响力总和;及根据各好友圈对目标用户注册目标应用的第二影响力,确定好友圈对目标用户注册目标应用的影响力总和;
将目标好友的影响力总和,与好友圈对目标用户注册目标应用的影响力总和相加,得到与目标用户相应的目标应用的推荐得分。
8.根据权利要求5或7所述的应用推荐方法,其特征在于,所述根据各目标好友对应的第一影响力,确定目标好友的影响力总和包括:
若目标好友为目标用户的好友中注册目标应用的好友,则将各目标好友对应的第一影响力相加,并根据相加结果得出目标好友的影响力总和;
或,若直接将目标用户的好友确定为目标好友,则为注册目标应用的目标好友设置评分阈值为第一值,及为未注册目标应用的目标好友设置评分阈值为第二值,将各目标好友对应的第一影响力,与相应的评分阈值相结合,并将各个结合结果相加,根据相加结果得出目标好友的影响力总和。
9.根据权利要求7所述的应用推荐方法,其特征在于,所述根据各好友圈对目标用户注册目标应用的第二影响力,确定好友圈对目标用户注册目标应用的影响力总和包括:
将各好友圈对目标用户注册目标应用的第二影响力相加,并根据相加结果得到好友圈对目标用户注册目标应用的影响力总和。
10.根据权利要求6或7所述的应用推荐方法,其特征在于,所述确定目标用户的至少一个好友圈包括:
确定目标用户的直接好友;
将所述直接好友中共同好友数为零的直接好友剔除,得到目标用户相应的待划分好友圈的好友范围;
将所述好友范围中的各好友设置为节点,并以所述好友范围中各好友的社交关系连接各节点;
根据目标用户与所述好友范围中各好友的社交关系类型,为所述好友范围中各好友相应的节点指定关系标签;
逐轮刷新所有节点的关系标签,直至达到预定刷新收敛条件,得到节点集群;其中每轮刷新过程为:对于任一节点,确定该节点的邻居节点的关系标签,将邻居节点的关系标签中数量最多的关系标签赋予该节点。
11.根据权利要求6或7所述的应用推荐方法,其特征在于,所述确定各好友圈对目标用户注册目标应用的第二影响力包括:
从目标用户的好友中确定注册目标应用的好友,并确定注册目标应用的好友所处于的目标用户的好友圈,不同的好友圈以不同的好友圈分类区分;
对于目标用户的任一好友圈,根据好友圈中注册目标应用的好友数量,以及好友圈中的注册目标应用的好友与目标用户相互间对应的好友对数,确定好友圈对目标用户注册目标应用的第二影响力。
12.根据权利要求11所述的应用推荐方法,其特征在于,还包括:
从目标用户的好友圈中确定建立群聊的次数达到次数阈值的至少一个第一好友圈,从各第一好友圈建立的群聊中,分别确定第一好友圈的成员所占比例大于预定比例的群聊,收集所确定的群聊的名称文本,将所述名称文本进行文本分类,得到第一好友圈的分类;
和/或,根据预训练的各好友圈分类的预测模型,以及待确定好友圈分类的好友圈的圈子特征,确定各好友圈分类的预测模型的预测结果,将预测结果中概率最大的好友圈分类,确定为该好友圈的好友圈分类;其中,一好友圈分类的预测模型根据该好友圈分类的好友圈的圈子特征,以及非该好友圈分类的好友圈的圈子特征训练得到。
13.一种应用推荐装置,其特征在于,包括:
好友确定模块,用于从目标用户的好友中确定目标好友;
互动特征获取模块,用于获取目标用户与各目标好友的社交互动特征;
第一影响力确定模块,用于根据预训练的目标应用的好友影响力预测模型,及目标用户与各目标好友的社交互动特征,分别确定各目标好友对目标用户注册目标应用的影响力,得到各目标好友对应的第一影响力;其中,所述好友影响力预测模型根据目标应用的注册用户的好友中,注册目标应用的好友以及未注册目标应用的好友的社交互动特征训练得到;
推荐得分确定模块,用于至少根据各目标好友对应的第一影响力,确定与目标用户相应的目标应用的推荐得分;
推荐模块,用于根据所述推荐得分,为目标用户推荐所述目标应用。
14.一种服务器,其特征在于,包括:至少一个存储器和至少一个处理器;
其中,存储器用于存储程序,处理器用于调用所述存储器所存储的程序;
所述程序用于:
从目标用户的好友中确定目标好友;
获取目标用户与各目标好友的社交互动特征;
根据预训练的目标应用的好友影响力预测模型,及目标用户与各目标好友的社交互动特征,分别确定各目标好友对目标用户注册目标应用的影响力,得到各目标好友对应的第一影响力;其中,所述好友影响力预测模型根据目标应用的注册用户的好友中,注册目标应用的好友以及未注册目标应用的好友的社交互动特征训练得到;
至少根据各目标好友对应的第一影响力,确定与目标用户相应的目标应用的推荐得分;
根据所述推荐得分,为目标用户推荐所述目标应用。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710330671.8A CN108874821B (zh) | 2017-05-11 | 2017-05-11 | 一种应用推荐方法、装置及服务器 |
PCT/CN2018/083909 WO2018205817A1 (zh) | 2017-05-11 | 2018-04-20 | 应用推荐方法、装置及服务器 |
US16/550,405 US11423107B2 (en) | 2017-05-11 | 2019-08-26 | Application recommendation method and apparatus, and server |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710330671.8A CN108874821B (zh) | 2017-05-11 | 2017-05-11 | 一种应用推荐方法、装置及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108874821A true CN108874821A (zh) | 2018-11-23 |
CN108874821B CN108874821B (zh) | 2021-06-15 |
Family
ID=64105070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710330671.8A Active CN108874821B (zh) | 2017-05-11 | 2017-05-11 | 一种应用推荐方法、装置及服务器 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11423107B2 (zh) |
CN (1) | CN108874821B (zh) |
WO (1) | WO2018205817A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902753A (zh) * | 2019-03-06 | 2019-06-18 | 深圳市珍爱捷云信息技术有限公司 | 用户推荐模型训练方法、装置、计算机设备和存储介质 |
CN111046291A (zh) * | 2020-03-10 | 2020-04-21 | 北京淇瑀信息科技有限公司 | 基于pagerank的用户推荐方法、装置及电子设备 |
CN111092804A (zh) * | 2019-12-05 | 2020-05-01 | 腾讯科技(深圳)有限公司 | 信息推荐方法、信息推荐装置、电子设备和存储介质 |
CN111191143A (zh) * | 2019-07-17 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 应用推荐方法及装置 |
CN112804134A (zh) * | 2020-12-31 | 2021-05-14 | 深圳市镜玩科技有限公司 | 基于即时通信的任务发起方法、相关装置、设备及介质 |
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 |
CN114417174A (zh) * | 2022-03-23 | 2022-04-29 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、设备及计算机存储介质 |
CN115357632A (zh) * | 2022-07-21 | 2022-11-18 | 广东技术师范大学 | 一种学习者个性化可解释性潜在好友推荐方法及装置 |
WO2023286019A1 (en) * | 2021-07-16 | 2023-01-19 | Atphizyom Limited | Investment platform |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11282052B2 (en) * | 2019-05-06 | 2022-03-22 | Advanced New Technologies Co., Ltd. | Payment channel recommendation |
CN112364259A (zh) * | 2020-11-24 | 2021-02-12 | 深圳市元征科技股份有限公司 | 一种信息推荐方法、装置、设备及介质 |
CN114676324A (zh) * | 2022-03-28 | 2022-06-28 | 网易(杭州)网络有限公司 | 一种数据处理方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902717A (zh) * | 2012-08-24 | 2013-01-30 | 百度在线网络技术(北京)有限公司 | 在应用商店中对多个应用程序进行组织的方法、系统和装置 |
US8452797B1 (en) * | 2011-03-09 | 2013-05-28 | Amazon Technologies, Inc. | Personalized recommendations based on item usage |
JP2014228986A (ja) * | 2013-05-21 | 2014-12-08 | Kddi株式会社 | アプリケーション情報共有システム、アプリケーション情報共有方法およびプログラム |
CN104615608A (zh) * | 2014-04-28 | 2015-05-13 | 腾讯科技(深圳)有限公司 | 一种数据挖掘处理系统及方法 |
CN105959365A (zh) * | 2016-04-26 | 2016-09-21 | 中国联合网络通信集团有限公司 | 应用推荐方法和应用推荐装置 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9159034B2 (en) * | 2007-11-02 | 2015-10-13 | Ebay Inc. | Geographically localized recommendations in a computing advice facility |
US8180804B1 (en) * | 2010-04-19 | 2012-05-15 | Facebook, Inc. | Dynamically generating recommendations based on social graph information |
US8433620B2 (en) * | 2010-11-04 | 2013-04-30 | Microsoft Corporation | Application store tastemaker recommendations |
US9280789B2 (en) * | 2012-08-17 | 2016-03-08 | Google Inc. | Recommending native applications |
US20140201681A1 (en) * | 2013-01-16 | 2014-07-17 | Lookout, Inc. | Method and system for managing and displaying activity icons on a mobile device |
US11188543B2 (en) * | 2013-10-14 | 2021-11-30 | International Business Machines Corporation | Utilizing social information for recommending an application |
CN104951465B (zh) * | 2014-03-28 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 应用推荐方法及装置 |
US10891698B2 (en) * | 2014-11-14 | 2021-01-12 | Facebook, Inc. | Ranking applications for recommendation to social networking system users |
CN104348714A (zh) * | 2014-11-18 | 2015-02-11 | 北京奇虎科技有限公司 | 移动终端、服务器以及基于好友的应用程序推荐方法 |
US10771959B2 (en) * | 2016-06-03 | 2020-09-08 | Facebook, Inc. | Recommending applications using social networking information |
US20170353603A1 (en) * | 2016-06-03 | 2017-12-07 | Facebook, Inc. | Recommending applications using social networking information |
US10932004B2 (en) * | 2017-01-24 | 2021-02-23 | Adobe Inc. | Recommending content based on group collaboration |
US10558701B2 (en) * | 2017-02-08 | 2020-02-11 | International Business Machines Corporation | Method and system to recommend images in a social application |
-
2017
- 2017-05-11 CN CN201710330671.8A patent/CN108874821B/zh active Active
-
2018
- 2018-04-20 WO PCT/CN2018/083909 patent/WO2018205817A1/zh active Application Filing
-
2019
- 2019-08-26 US US16/550,405 patent/US11423107B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8452797B1 (en) * | 2011-03-09 | 2013-05-28 | Amazon Technologies, Inc. | Personalized recommendations based on item usage |
CN102902717A (zh) * | 2012-08-24 | 2013-01-30 | 百度在线网络技术(北京)有限公司 | 在应用商店中对多个应用程序进行组织的方法、系统和装置 |
JP2014228986A (ja) * | 2013-05-21 | 2014-12-08 | Kddi株式会社 | アプリケーション情報共有システム、アプリケーション情報共有方法およびプログラム |
CN104615608A (zh) * | 2014-04-28 | 2015-05-13 | 腾讯科技(深圳)有限公司 | 一种数据挖掘处理系统及方法 |
CN105959365A (zh) * | 2016-04-26 | 2016-09-21 | 中国联合网络通信集团有限公司 | 应用推荐方法和应用推荐装置 |
Non-Patent Citations (2)
Title |
---|
LIU Y: "ANovelAPPsRecommendationAlgorithm BasedonAPPsPopularityandUserBehaviors", 《IEEEFIRSTINTERNATIONALCONFERENCEONDATASCIENCEINCYBERSPACE》 * |
李迎辰: "基于社交网络的移动应用推荐系统研究及应用", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902753A (zh) * | 2019-03-06 | 2019-06-18 | 深圳市珍爱捷云信息技术有限公司 | 用户推荐模型训练方法、装置、计算机设备和存储介质 |
CN109902753B (zh) * | 2019-03-06 | 2023-01-13 | 深圳市珍爱捷云信息技术有限公司 | 用户推荐模型训练方法、装置、计算机设备和存储介质 |
CN111191143A (zh) * | 2019-07-17 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 应用推荐方法及装置 |
CN111191143B (zh) * | 2019-07-17 | 2023-10-24 | 腾讯科技(深圳)有限公司 | 应用推荐方法及装置 |
CN111092804A (zh) * | 2019-12-05 | 2020-05-01 | 腾讯科技(深圳)有限公司 | 信息推荐方法、信息推荐装置、电子设备和存储介质 |
CN111092804B (zh) * | 2019-12-05 | 2022-03-08 | 腾讯科技(深圳)有限公司 | 信息推荐方法、信息推荐装置、电子设备和存储介质 |
CN111046291A (zh) * | 2020-03-10 | 2020-04-21 | 北京淇瑀信息科技有限公司 | 基于pagerank的用户推荐方法、装置及电子设备 |
CN111046291B (zh) * | 2020-03-10 | 2023-06-06 | 北京淇瑀信息科技有限公司 | 基于pagerank的用户推荐方法、装置及电子设备 |
CN112804134A (zh) * | 2020-12-31 | 2021-05-14 | 深圳市镜玩科技有限公司 | 基于即时通信的任务发起方法、相关装置、设备及介质 |
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 |
WO2023286019A1 (en) * | 2021-07-16 | 2023-01-19 | Atphizyom Limited | Investment platform |
CN114417174A (zh) * | 2022-03-23 | 2022-04-29 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、设备及计算机存储介质 |
CN115357632A (zh) * | 2022-07-21 | 2022-11-18 | 广东技术师范大学 | 一种学习者个性化可解释性潜在好友推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US11423107B2 (en) | 2022-08-23 |
WO2018205817A1 (zh) | 2018-11-15 |
US20190377768A1 (en) | 2019-12-12 |
CN108874821B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108874821A (zh) | 一种应用推荐方法、装置及服务器 | |
US20210011959A1 (en) | Online social networking service with human matchmaking | |
CN108763314B (zh) | 一种兴趣推荐方法、装置、服务器及存储介质 | |
US11128582B2 (en) | Emoji recommendation method and apparatus | |
US8775351B2 (en) | System and method for providing recommendations with a location-based service | |
CA2829252C (en) | System and method for providing recommendations with a location-based service | |
US20130018838A1 (en) | System and Method for Social Influence Credentialing within a Sentiment Sharing Community | |
US20110066507A1 (en) | Context Enhanced Marketing of Content and Targeted Advertising to Mobile Device Users | |
US20090327168A1 (en) | Playful incentive for labeling content | |
CN107111651A (zh) | 一种匹配度计算方法、装置以及用户设备 | |
TWI643084B (zh) | 基於供需候選推薦以發展深度人際社交網絡的社群系統與方法 | |
CN108009058A (zh) | 异常设备识别方法及装置和电子设备 | |
Bahulkar et al. | Influence of personal preferences on link dynamics in social networks | |
Liu et al. | A hybrid book recommendation algorithm based on context awareness and social network | |
CN107391637B (zh) | 针对具备地理社交信息的群组推荐方法 | |
JP2007018415A (ja) | ネットワーク要素検索方法、及びネットワーク要素検索プログラム | |
CN110196951A (zh) | 用户匹配方法及设备 | |
CN110209704B (zh) | 用户匹配方法及设备 | |
CN110941769B (zh) | 目标帐号的确定方法和装置、电子装置 | |
CN117251586A (zh) | 多媒体资源推荐方法、装置及存储介质 | |
Li et al. | A novel random walk and scale control method for event recommendation | |
KR101491986B1 (ko) | 개인화된 페르소나 그룹을 통한 소셜 질의응답 시스템 | |
Celdir et al. | Popularity bias in online dating platforms: Theory and empirical evidence | |
Pascoal et al. | A social-evolutionary approach to compose a similarity function used on event recommendation | |
CN110163684A (zh) | 一种对电信合作伙伴欺诈行为的标记方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |