CN109426985A - 信息处理方法、装置、计算机设备和存储介质 - Google Patents
信息处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109426985A CN109426985A CN201710787560.XA CN201710787560A CN109426985A CN 109426985 A CN109426985 A CN 109426985A CN 201710787560 A CN201710787560 A CN 201710787560A CN 109426985 A CN109426985 A CN 109426985A
- Authority
- CN
- China
- Prior art keywords
- user
- recommended
- resource
- belief
- degree
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种信息处理方法、装置、计算机设备和存储介质,所述方法包括:获取待推荐用户和所述待推荐用户的关联关系;根据所述待推荐用户的关联关系获取所述待推荐用户的关联用户,得到目标参考用户;获取所述待推荐用户对所述各个目标参考用户的信任度;获取所述目标参考用户的历史资源转移数据;根据所述待推荐用户对所述各个目标参考用户的信任度以及所述各个目标参考用户对应的历史资源转移数据得到所述待推荐用户对应的资源推荐信息。上述方法可以推荐信息的可信赖度,用户接受率高,能够减少无效的推荐,避免垃圾信息的干扰。
Description
技术领域
本发明涉及互联网领域,特别是涉及信息处理方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的发展,人们对互联网的使用越来越频繁,越来越多的用户通过网络进行资源数值转移,资源数值转移是指资源从第一帐户转移到第二帐户,用于标识资源数量的资源数值相应变化的过程。数值转移的资源包括但不限于虚拟红包、电子券、积分券、积分、电子代金券、游戏币、虚拟物品、购买理财产品等等。
在很多场景下都存在向用户推荐资源信息的需求,例如向用户推荐理财产品以及理财产品的额度等。传统技术中,向用户推荐的资源往往是当前增长率高的资源,或者推荐的转移数值是用户上一期对该资源的资源转移数值,但是资源的状况例如资源增长率、行情是不断变化的,因此现有单一的推荐方式所推荐的信息并不满足用户需要,导致推荐信息可信赖度低,对用户造成干扰。
发明内容
基于此,有必要针对上述的问题,提供一种信息处理方法、装置、计算机设备和存储介质,可根据待推荐用户的关联关系选取目标参考用户,并根据目标参考用户的历史资源转移数据以及待推荐用户对目标参考用户的信任度得到待推荐用户的资源推荐信息,这种基于待推荐用户的社交属性得到资源推荐信息的方法,增强了资源推荐信息的可信赖度,能够减少无效的推荐。
一种信息处理方法,所述方法包括:获取待推荐用户和所述待推荐用户的关联关系;根据所述待推荐用户的关联关系获取所述待推荐用户的关联用户,得到目标参考用户;获取所述待推荐用户对所述各个目标参考用户的信任度;获取所述目标参考用户的历史资源转移数据;根据所述待推荐用户对所述各个目标参考用户的信任度以及所述各个目标参考用户对应的历史资源转移数据得到所述待推荐用户对应的资源推荐信息。
一种信息处理装置,所述装置包括:待推荐用户信息获取模块,用于获取待推荐用户和所述待推荐用户的关联关系;目标参考用户得到模块,用于根据所述待推荐用户的关联关系获取所述待推荐用户的关联用户,得到目标参考用户;信任度获取模块,用于获取所述待推荐用户对所述各个目标参考用户的信任度;历史数据获取模块,用于获取所述目标参考用户的历史资源转移数据;推荐信息得到模块,用于根据所述待推荐用户对所述各个目标参考用户的信任度以及所述各个目标参考用户对应的历史资源转移数据得到所述待推荐用户对应的资源推荐信息。
一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述信息处理方法的步骤。
一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述信息处理方法的步骤。
上述信息处理方法、装置、计算机设备和存储介质,要获取待推荐用户对应的资源推荐信息时,根据待推荐用户的关联关系获取待推荐用户的关联用户,得到目标参考用户,进而根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到待推荐用户对应的资源推荐信息。这种利用待推荐用户的关联关系选取目标参考用户,并根据目标参考用户的历史资源转移数据以及待推荐用户对目标参考用户的信任度得到待推荐用户的资源推荐信息的方法,基于待推荐用户的社交属性得到资源推荐信息,增强了推荐信息的可信赖度,用户接受率高,能够减少无效的推荐,避免垃圾信息的干扰。
附图说明
图1为一个实施例中提供的信息处理方法的实施环境图;
图2为一个实施例中信息处理方法的流程图;
图3A为一个实施例中获取待推荐用户对各个目标参考用户的信任度的流程图;
图3B为一个实施例中待推荐用户的关系拓扑图;
图4为一个实施例中获取待推荐用户对当前目标参考用户的直接信任度的流程图;
图5为一个实施例中根据待推荐用户与当前目标参考用户的第一目标关系链得到待推荐用户对当前目标参考用户的间接信任度的流程图;
图6为一个实施例中根据待推荐用户与当前目标参考用户的第一目标关系链得到待推荐用户对当前目标参考用户的间接信任度的流程图;
图7为一个实施例中获取第一目标关系链上相邻用户间的相似度的流程图;
图8为一个实施例中获取第一目标关系链上相邻用户间的社交相似度的流程图;
图9A为一个实施例中信息处理方法的流程图;
图9B为一个实施例中的初始信任矩阵示意图;
图10为一个实施例中信息处理方法的流程图;
图11为一个实施例中信息处理方法的流程图;
图12A为一个实施例中信息处理方法的流程图;
图12B为一个实施例中的初始推荐矩阵示意图;
图13为一个实施例中信息处理装置的结构框图;
图14为一个实施例中信任度获取模块的结构框图;
图15为一个实施例中第一间接信任度得到单元的结构框图;
图16为一个实施例中信息处理装置的结构框图;
图17为一个实施例中第一相似度获取模块的结构框图;
图18为一个实施例中社交相似度获取单元的结构框图;
图19为一个实施例中第一直接信任度获取单元的结构框图;
图20为一个实施例中信息处理装置的结构框图;
图21为一个实施例中信息处理装置的结构框图;
图22为一个实施例中信息处理装置的结构框图;
图23为一个实施例中信息处理装置的结构框图;
图24为一个实施例中计算机设备的内部结构框图。
具体实施方式
为了使本发明的目的、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详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一目标关系链称为第二目标关系链,且类似地,可将第二目标关系链称为第一目标关系链。
图1为一个实施例中提供的信息处理方法的实施环境图,如图1所示,在该实施环境中,包括终端110以及计算机设备120。当需要获取待推荐用户对应的资源推荐信息例如计算机设备120接收到终端110发送的资源转移推荐请求时,计算机设备120根据资源转移推荐请求得到待推荐用户对应的资源推荐信息,将资源推荐信息返回至终端110。
在一个实施例中,计算机设备120也可以自动触发获取待推荐用户对应的资源推荐信息的步骤,例如可以设置到了资金定投周期或者计算机设备120每隔预设时间自动执行本发明实施例中提供的信息处理方法的步骤。
在一个实施例中,得到待推荐用户对应的资源推荐信息后,计算机设备120可以实时地将资源推荐信息发送至对应的待推荐用户,也可以将待推荐用户与待推荐用户对应的资源推荐信息关联存储,当接收到待推荐用户的资源推荐请求时或者在预设时间再发送给当前待推荐用户对应的终端。
计算机设备120可以是独立的物理服务器或终端,也可以是多个物理服务器构成的服务器集群,可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器。终端110可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。计算机设备120以及终端110可以网络等通讯连接方式进行连接,本发明在此不做限制。
如图2所示,在一个实施例中,提出了一种信息处理方法,该信息处理方法可以应用于上述的计算机设备120中,具体可以包括以下步骤:
步骤S202,获取待推荐用户和待推荐用户的关联关系。
具体地,待推荐用户指需要获取资源推荐信息的用户,待推荐用户可以是随机获取的,也可以是指定的用户例如某一个地区的用户或者需要进行资源转移的用户,或者当收到用户发送的资源信息推荐请求时,将发送资源信息推荐请求的用户作为待推荐用户。关联关系是指用户与用户之间存在联系,可以包括直接的关联关系以及间接的关联关系。例如社交应用上的好友关系、同一个社交群的用户以及游戏平台上游戏玩家的队友关系等等。
社交应用可为即时通信应用、SNS(Social Network Services,社会网络服务)应用、贴吧应用等。即时通信应用可包括微信、QQ以及MSN等。SNS应用可包括人人网以及Facebook等,但不限于此。
步骤S204,根据待推荐用户的关联关系获取待推荐用户的关联用户,得到目标参考用户。
具体地,待推荐用户的关联用户指与待推荐用户存在关联关系的用户,例如社交应用中待推荐用户的好友或者待推荐用户关注的用户可以为待推荐用户的关联用户。获取到关联用户后,可以将全部关联用户作为目标参考用户。也可以对关联用户进一步筛选得到目标参考用户。例如,将近期购买过资源的关联用户作为目标参考用户。
步骤S206,获取待推荐用户对各个目标参考用户的信任度。
具体地,信任度指信任的程度。可以用数值进行表示,也可以用其他字符进行标识。例如,信任度为0.2,或者信任度为A级等。可以理解,待推荐用户对目标参考用户的信任度以及目标参考用户对待推荐用户的信任度所表示的意义不同的。例如A用户信任B用户,并不代表B用户信任A用户。待推荐用户对各个目标参考用户的信任度可以是待推荐用户设置的,也可以是根据预设的获取方法计算得到的,获取方法具体可以根据需要进行定义。例如可以根据待推荐用户与目标参考用户之间的属性以及交互行为等确定待推荐用户对各个目标参考用户的信任度。交互行为可以为待推荐用户与目标参考用户的联系次数以及联系频率等等。或者结合目标参考用户的信用得到待推荐用户对各个目标参考用户的信任度。
步骤S208,获取目标参考用户的历史资源转移数据。
具体地,历史资源转移数据指当前时间之前目标参考用户的资源转移数据,可以包括一个或多个,可以是当前时间之前的全部资源转移数据,也可以是预设时间段内例如一年内的资源转移数据等,具体可以根据需要进行获取。资源转移数据可以包括进行过数值转移的历史转移资源、对各个历史转移资源的历史资源转移数值、历史转移资源的增长率、转移次数以及与历史转移资源关联的时长中的一种或多种。与历史转移资源关联的时长指将用户对应的账户持有该资源的时长。关联的时长的获取可以根据需要设置,例如可以为第一次进行资源数值转移开始到当前时间的累积关联时长,也可以是某一时间段内的关联时长。例如,可以是半年内持有该基金的时长,也可以是从刚开始购买该基金到当前时间持有该基金的时长。
步骤S210,根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到待推荐用户对应的资源推荐信息。
具体地,资源可以通过设定转移数值从一个用户的账户转移到另一个用户的账户。例如可以为理财产品如某一基金或股票等。资源推荐信息指与资源相关的推荐信息,例如可以包括推荐的资源,资源的推荐指数、推荐资源转移数值中的一种或多种。推荐资源转移数值可以包括某一个资源的推荐资源转移数值、某一类资源的推荐转移数值或者总的资源转移数值的一种或多种。推荐指数可以用具体的数值例如推荐分数表示,也可以用推荐级别表示。例如,推荐指数为五颗星、推荐指数为A级别等等。得到资源推荐信息后,可以将资源推荐信息实时地发送给待推荐用户对应的终端,以在终端上展示资源推荐信息。也可以将待推荐用户与待推荐用户对应的资源推荐信息关联存储,当接收到待推荐用户的资源推荐请求时或者在预设时间再发送给当前待推荐用户。根据待推荐用户对各个目标参考用户的信任度以及该目标参考用户对应的得历史资源转移数据得到待推荐用户对当前待推荐资源的推荐资源推荐信息的方法可以根据需求进行设置,具体不做限制。
在一个实施例中,可以设置关联时长、历史资源转移数值以及转移次数与推荐分值的对应关系,然后根据各个目标参考用户的历史转移数据得到推荐分,根据推荐分以及信任度得到资源的推荐指数。还可以在得到资源的推荐指数后,将推荐指数排序在前的资源作为目标推荐资源。举个例子,可以设置关联时长为1个月、1个月到1年以及1年以上对应的分值分别为10分、30分以及60分,若目标参考用户对某一资源的关联时长为2年,则得分为60分,待推荐用户对目标参考用户的信任度为0.8,则关联时长对应的推荐指数为0.8*60=48分。
在一个实施例中,还可以将购买了同一个资源的目标参考用户中当前用户对目标参考用户的信任度相加,将相加得到的总信任度排序在前的资源作为待推荐用户对应的推荐资源。
在一个实施例中,可以设置信任度与推荐权重的对应关系,根据信任度得到推荐权重,进而根据推荐权重以及目标参考用户对应的历史资源转移数据得到待推荐用户对应的资源推荐信息。或者可以比较信任度的大小以及历史资源转移数值的大小,将信任度低但是历史资源转移数值大于预设条件例如大于目标参考用户的历史资源转移数值的平均值的2倍的目标参考用户剔除后,再根据待推荐用户对其他目标参考用户的信用度以及对应的历史资源转移数值得到待推荐用户对当前待推荐资源的推荐资源转移数值。
例如,当信任度用级别表示时,可以设置每个级别对应的推荐权重,进而根据推荐权重以及目标参考用户对应的历史资源转移数值得到该目标参考用户的推荐数值,并统计每个目标参考用户的推荐数值,得到待推荐用户对当前待推荐资源的推荐资源转移数值。当信任度用具体用数值表示时,可以计算待推荐用户对每个目标参考用户的信任度在目标参考用户的信任度权重,进而根据信任度权重以及对应的历史资源转移数据得到待推荐用户对当前待推荐资源的推荐资源转移数据。举个例子,假设有三个目标参考用户A用户、B用户以及C用户,待推荐用户对A用户、B用户以及C用户的信任度分别为0.05,0.2以及0.25,历史资源转移数值是1000元、2000元以及5000。则可以计算得到总信任度为0.05+0.2+0.25=0.5,A用户、B用户以及C用户的信任度权重分别为0.05/0.5=0.1、0.2/05=0.4以及0.25/0.5=0.5,则待推荐用户对应的推荐资源转移数值为0.1*1000+0.4*2000+0.5*5000=3400元。
在一个实施例中,还可以结合行情或者舆情得到当前待推荐资源的推荐资源转移数据。如当得到推荐的资源后,若得到的舆情对该推荐的资源的增长率预期为悲观时,可以降低推荐的资源的推荐指数。也可以设置上证指数变化率或者当前待推荐资源的预测增长率与影响因子的对应关系,根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数值计算出初始推荐资源转移数值后,再根据影响因子与初始推荐资源转移数值得到推荐资源转移数值。例如,预测的股票的走势为上涨,对应的影响因子为1.2,根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数值计算出初始推荐资源转移数值为400。则待推荐用户对当前待推荐资源的推荐资源转移数值为1.2*400=480元。
在一个实施例中,若待推荐用户对资源进行过数值转移,例如购买过该基金或者股票等,还可以结合待推荐用户对资源的历史资源转移数值得到待推荐用户对当前待推荐资源的推荐资源转移数值。具体地,可以设置待推荐用户对应的推荐影响因子以及目标参考用户对应的推荐影响因子。然后根据待推荐用户对资源的历史资源转移数值、待推荐用户对应的推荐影响因子、目标参考用户对应的推荐影响因子以及根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数值计算得到的数值得到待推荐用户对当前待推荐资源的推荐资源转移数值。例如,待推荐用户上一期购买了1000元某一资源,对应的推荐影响因子为0.3。根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数值计算得到的数值为2000元,对应的推荐影响因子为0.7。则待推荐用户对某一资源的推荐资源转移数值为0.3*1000+0.7*2000=1700元。
上述信息处理方法,要获取待推荐用户对应的资源推荐信息时,根据待推荐用户的关联关系获取待推荐用户的关联用户,得到目标参考用户,进而根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到待推荐用户对应的资源推荐信息。这种利用待推荐用户的关联关系选取目标参考用户,并根据目标参考用户的历史资源转移数据以及待推荐用户对目标参考用户的信任度得到待推荐用户的资源推荐信息的方法,基于待推荐用户的社交属性得到资源推荐信息,增强了推荐信息的可信赖度,用户接受率高,能够减少无效的推荐,避免垃圾信息的干扰。
如图3A所示,在一个实施例中,步骤S206即获取待推荐用户对各个目标参考用户的信任度的步骤包括:
步骤S302,获取待推荐用户对当前目标参考用户的直接信任度。
具体地,直接信任度是指通过信任方与被信任方的直接交互行为进行评价得到的信任方对被信任方的信任度。目标参考用户为一个或多个,当前目标参考用户为目标参考用户中的用户。待推荐用户对当前目标参考用户的直接信任度可以是待推荐用户设置的,也可以是从第三方法平台获取或者计算得到的,计算方法可以根据需求自定义,例如根据待推荐用户与当前目标参考用户的交互行为以及当前目标参考用户的信用分的至少一个得到待推荐用户对目标参考用户的直接信任度。
步骤S304,根据待推荐用户与当前目标参考用户的第一目标关系链得到待推荐用户对当前目标参考用户的间接信任度。
具体地,间接信任度是指通过中间用户建立起来的信任方对被信任方的信任度。待推荐用户与当前目标参考用户的第一目标关系链由待推荐用户通过中间用户关联到当前目标参考用户的用户顺序组成。把用户看成一个节点,具有关联关系的节点与节点之间进行连线作为路径,那么由待推荐用户到达当前目标参考用户的路径上的节点为中间用户。以图3B的关系拓扑图为例,在图3B中,用户与用户间具有连接线表示具有关联关系,在该关系拓扑图中,可以看出,待推荐用户的好友为a1,a1的好友为a2,a2的好友为当前目标参考用户,因此a1、a2为中间用户。第一目标关系链为待推荐用户→a1→a2→当前目标参考用户。此外,待推荐用户与当前目标参考用户的共同好友为a3,因此,另外一条第一目标关系链为待推荐用户→a3→当前目标参考用户。
在一个实施例中,为了减少计算量,可以限制第一目标关系链中用户的数量。例如,第一目标关系链的用户数量为3,即中间用户为待推荐用户以及当前目标参考用户的共同的关联用户。在一个实施例中,第一目标关系链的用户数量小于5。
步骤S306,根据直接信任度以及间接信任度得到待推荐用户对当前目标参考用户的信任度。
具体地,在得到直接信任度以及间接信任度后,根据直接信任度以及间接信任度得到待推荐用户对当前目标参考用户的信任度。根据直接信任度以及间接信任度得到待推荐用户对当前目标参考用户的信任度的计算方法可以预先根据需求设置。在一个实施例中,可以将直接信任度与间接信任度相加得到待推荐用户对当前目标参考用户的信任度。在一个实施例中,待推荐用户对当前目标参考用户的信任度的计算方法为:待推荐用户对当前目标参考用户的信任度=a*直接信任度+(1-a)*间接信任度。其中a的取值范围为大于0小于1,具体可以根据实际需要设置,例如可为0.6。
在一个实施例中,可以将待推荐用户与当前目标参考用户的直接信任度作为待推荐用户与当前目标参考用户的信任度。或者将待推荐用户与当前目标参考用户的间接信任度作为待推荐用户与当前目标参考用户的信任度。即公式:待推荐用户对当前目标参考用户的信任度=a*直接信任度+(1-a)*间接信任度中,a也可以取值为1或者为0。
上述计算待推荐用户对目标参考用户的信任度的方法,由于信任度具有传递性,即待推荐用户信任a1,a1信任当前目标参考用户,那么基于信任的传递性待推荐用户对当前目标参考用户也有一定的信任度,因此,基于信任的传递性通过待推荐用户与当前目标参考用户的第一目标关系链得到的待推荐用户对当前目标参考用户的间接信任度,再结合直接信任度以及间接信任度得到待推荐用户对当前目标参考用户的信任度,计算出的待推荐用户对当前目标参考用户的信任度的准确性高,进一步提高了得到待推荐用户对应的资源推荐信息的可信赖度。
在一个实施例中,如图4所示,步骤S302即获取待推荐用户对当前目标参考用户的直接信任度的步骤包括:
步骤S402,根据当前目标参考用户的信用值、待推荐用户与当前目标参考用户的联系紧密度计算待推荐用户对当前目标参考用户的当前信用强度。
具体地,信用值是对用户的信用信息进行量化分析后得到的数值,用于衡量用户的信用,信用值高的用户信用好。信用值的获取方法可以根据需要进行设置。例如可以从银行、征信平台等第三方平台中获取信用值,也可以根据用户的行为例如购物、消费行为得到用户的信用值。联系紧密度是根据用户之间的交互行为例如联系次数以及联系时长等得到的数值。例如,联系紧密度可以为每个月联系10次,或者连续7天进行联系等等。可以根据需要设置根据当前目标参考用户的信用值、待推荐用户与当前目标参考用户的联系紧密度计算待推荐用户对当前目标参考用户的当前信用强度的方法。
在一个实施例中,待推荐用户与当前目标参考用户的联系紧密度根据预设时间内待推荐用户与当前目标参考用户的联系次数占待推荐用户与待推荐用户的关联用户的联系总次数得到。可以采用公式计算待推荐用户与当前目标参考用户的联系紧密度,其中,P(i,j)表示待推荐用户与当前目标参考用户的联系紧密度,i表示待推荐用户,j表示当前目标参考用户,n表示待推荐用户的关联用户的数量,Cj表示待推荐用户i与当前目标参考用户j在预设时间内的联系次数,表示待推荐用户与待推荐用户的关联用户在预设时间内的联系总次数。由上述公式可知,在本发明实施例中,由于待推荐用户以及当前目标参考用户与其对应的关联用户的联系总次数可能不一样,因此待推荐用户与当前目标参考用户的联系紧密度以及当前目标参考用户与待推荐用户的联系紧密度可能是不同的。
在一个实施例中,当前信用强度可以为信用值与联系紧密度的乘积。举例来说,假设预设时间为前一个月,当前目标参考用户的信用值为800,待推荐用户与当前目标参考用户在前一个月的联系次数为200,而待推荐用户与待推荐用户的所有关联用户的联系总次数为2000,则待推荐用户与当前目标参考用户的联系紧密度为200/2000=0.1,待推荐用户对当前目标参考用户的当前信用强度为800*0.1=80。
步骤S404,根据待推荐用户的各个关联用户的信用值、待推荐用户与待推荐用户的各个关联用户的联系紧密度计算待推荐用户对待推荐用户的各个关联用户的信用强度,统计待推荐用户对待推荐用户的各个关联用户的信用强度得到总信用强度。
具体地,待推荐用户的关联用户有一个或多个,分别根据待推荐用户的关联用户的信用值以及待推荐用户与该关联用户的联系紧密度得到各个待推荐用户的关联用户的信用强度,然后统计各个关联用户的信用强度,得到总信用强度。
在一个实施例中,待推荐用户与每个关联用户的联系紧密度可以根据预设时间内待推荐用户与该关联用户的联系次数占待推荐用户与各个关联用户的联系总次数得到。
步骤S406,计算当前信用强度占总信用强度的比例得到待推荐用户对当前目标参考用户的直接信任度。
具体地,得到待推荐用户对当前目标参考用户的当前信用强度以及总信用强度后,计算当前信用强度与总信用强度的比值,待推荐用户对当前目标参考用户的直接信任度。
在一个实施例中,上述的步骤S402~S406描述的计算方法可以用以下公式表示,其中W(i,j)指待推荐用户i对当前目标参考用户j的直接信任度,Credit_Score指信用值,用户k为待推荐用户i的关联用户,Pi,j指待推荐用户i与当前目标参考用户j的联系紧密度,Pi,k指用户i与用户k的联系紧密度,n为用户i的关联用户的个数。举例来说,假设待推荐用户一共有3个关联用户b1、b2以及b3,信用值依次为500分、600分以及800分,预设时间内待推荐用户与b1、b2以及b3的联系次数为100、200以及200。其中b1为当前目标参考用户,则待推荐用户与关联用户在预设时间内的联系总次数为500次,待推荐用户与b1、b2以及b3的联系紧密度分别为100/500=0.2、200/500=0.4以及200/500=0.4。待推荐用户与b1、b2以及b3的信用强度分别为500*0.2=100、600*0.4=240以及800*0.4=320。则待推荐用户与当前目标参考用户b1的直接信任度为100/(100+240+320)=0.156。
如图5所示,在一个实施例中,步骤S304即根据待推荐用户与当前目标参考用户的第一目标关系链得到待推荐用户对当前目标参考用户的间接信任度的步骤包括:
步骤S502,获取第一目标关系链,以待推荐用户为起始用户,当前目标参考用户为终止用户确定第一目标关系链的正向方向。
具体地,按照由待推荐用户通过中间用户关联到当前目标参考用户的用户顺序进行排列,得到一条第一目标关系链。可以理解,由于通过中间用户关联到当前目标参考用户的情况可以有一种或多种,因此第一目标关系链上可以有一条或多条。第一目标关系链的正向方向定义为从待推荐用户到当前目标参考用户的方向。即以待推荐用户为起始用户,当前目标参考用户为终止用户确定第一目标关系链的正向方向。例如,第一目标关系链为:待推荐用户→a1→a2→当前目标参考用户,则正向方向上的用户依次为待推荐用户、a1、a2、当前目标参考用户。
在一个实施例中,第一目标关系链中的用户数为3。即中间用户为待推荐用户与当前目标参考用户的共同关联用户。因此获取待推荐用户与当前目标参考用户的第一目标关系链的步骤可以包括:获取待推荐用户与当前目标参考用户的共同关联用户,按照待推荐用户、共同关联用户以及当前目标参考用户的顺序形成第一目标关系链。例如,待推荐用户的好友包括h1、h2、h3以及h4,当前目标参考用户为h1,h1的好友包括h2、h4以及h5,则待推荐用户与当前目标参考用户的共同关联用户为h2以及h4。第一目标关系链包括两条:待推荐用户→h2→h1以及待推荐用户→h4→h1。
步骤S504,获取第一目标关系链的正向方向上相邻用户间的直接信任度。
具体地,可以参照本发明实施例中的直接信任度的获取方法也可以根据其他方法得到直接信任度,在此不再赘述。正向方向上相邻用户间的直接信任度是指正向方向上前一用户对后一用户的直接信任度,不包括后一用户对前一用户的直接信任度。例如,待推荐用户→a1→a2→当前目标参考用户的关系链中,正向方向上相邻用户间的直接信任度包括待推荐用户对用户a1的直接信任度,用户a1对用户a2的直接信任度以及用户a2对当前目标参考用户的直接信任度。
步骤S506,根据第一目标关系链的正向方向上相邻用户间的直接信任度得到待推荐用户对当前目标参考用户的间接信任度。
具体地,根据计算得到的第一目标关系链的正向方向上各个相邻用户间的直接信任度得到待推荐用户对当前目标参考用户的间接信任度。具体地计算方法可以根据实际需要进行设定。例如,根据第一目标关系链的正向方向上相邻用户间的直接信任度的平均值或者中位数得到待推荐用户对当前目标参考用户的间接信任度。
在一个实施例中,可以计算第一目标关系链中正向方向上相邻用户间的直接信任度的乘积,然后根据各个第一目标关系链的乘积的和得到待推荐用户对当前目标参考用户的间接信任度。例如,第一目标关系链包括两条:待推荐用户→h2→h1以及待推荐用户→h4→h1。其中h1为当前目标参考用户,待推荐用户对用户h2的直接信任度为0.2,用户h2对用户h1的直接信任度为0.5。待推荐用户对用户h4的直接信任度为0.3,用户h4对用户h1的直接信任度为0.4。则待推荐用户对当前目标参考用户的间接信任度=0.2*0.5+0.3*0.4=0.22。在一个实施例中,还可以对间接信任度进行归一化,归一化方法可以包括:计算待推荐用户对各个待推荐用户的关联用户的间接信任度,统计待推荐用户对待推荐用户的关联用户的间接信任度,得到总间接信任度后,计算待推荐用户对当前目标参考用户的间接信任度占总间接信任度的比例,得到归一化后的待推荐用户对当前目标参考用户的间接信任度。
如图6所示,在一个实施例中,信息处理方法还可以包括步骤S602:获取第一目标关系链上相邻用户间的相似度。步骤S506根据第一目标关系链的正向方向上相邻用户间的直接信任度得到待推荐用户对当前目标参考用户的间接信任度的步骤包括:根据第一目标关系链的正向方向上相邻用户间的直接信任度以及第一目标关系链上相邻用户间的相似度得到待推荐用户与当前目标参考用户的间接信任度。
具体地,相似度用于衡量用户间相似的程度,相似度越大,则用户越相似。在根据第一目标关系链的正向方向上相邻用户间的直接信任度计算待推荐用户对当前目标参考用户的间接信任度时,可以结合第一目标关系链上相邻用户间的相似度进行计算,以提高获取的间接相似度的准确性。在一个实施例中,可以计算第一目标关系链正向方向上相邻用户间的直接信任度与相邻用户间的相似度的乘积,然后根据各个第一目标关系链得到的乘积的和得到待推荐用户对当前目标参考用户的间接信任度。例如,第一目标关系链包括两条:待推荐用户→h2→h1以及待推荐用户→h4→h1。其中h1为当前目标参考用户,待推荐用户对用户h2的直接信任度为0.2,相似度为0.5。用户h2对用户h1的直接信任度为0.5,相似度为0.6。待推荐用户对用户h4的直接信任度为0.3,相似度为0.8。用户h2对用户h1的直接信任度为0.4,相似度为0.9。则待推荐用户对当前目标参考用户的间接信任度=0.5*0.2*0.5*0.6+0.4*0.3*0.8*0.9=0.116。
如图7所示,在一个实施例中,步骤S602即获取第一目标关系链上相邻用户间的相似度的步骤包括:
步骤S702,获取第一目标关系链上相邻用户间的社交相似度。
具体地,社交相似度指用户间在社交关系上的相似度。例如相同的关联用户以及用户的关系拓扑图的相似性等。
步骤S704,获取第一目标关系链上相邻用户间的用户属性相似度。
具体地,用户属性相似度指用户间在用户属性上的相似度,用户属性可以为一个或多个,例如为性别、性格、兴趣、收入以及居住地等。当用户属性为多个时,可以设置各个属性相似度的权重,然后根据各个属性相似度的权重以及对应的各个属性的相似度得到相邻用户间的用户属性相似度。各个属性的相似度以及属性权重可以根据需要进行定义或者设置。
在一个实施例中,各个属性相似度的权重可以是利用模型训练得到的。可以获取多个训练样本对,根据训练样本对训练得到每个属性相似度的权重。每一个样本对包括用户间属性的相似度以及相似度标签,相似度标签包括相似或者不相似。用户间属性间相似度的算法可以根据实际需要设定,相似度标签可以是人工标注的。
以用户的属性包括性别、性格、兴趣、收入以及居住地为例,用户属性相似度=w1*年龄相似度+w2*收入相似度+w3*性格相似度+w4*地理位置相似度+w5*兴趣相似度,其中,w1~w5为属性的权重,年龄相似度可根据如下公式获取:对于性格相似度,可以设置各个性格间匹配程度,根据性格间是否匹配设置一个相似度值,例如性格相似度为1或者0。对于收入相似度,可以根据收入间的差异值计算得到,具体可以根据需要设置,其中前一用户和后一用户分别指第一目标关系链正向方向上相邻用户中的在前的用户和在后的用户。对于地理位置相似度,若位于相同地区,则相似度为1,若位于不同地区,则相似度为0,地区的范围可以根据实际设置,例如为一个城市。 其中,Ab表示用户A对兴趣b感兴趣的程度,Bb表示用户B对兴趣b感兴趣的程度,h表示兴趣的个数,用户对某一兴趣感情趣的程度可以根据用户的设置以及用户的兴趣爱好信息得到,也可以根据用户行为例如参加的活动以及阅读的文章等等获取,在此不做限制。
步骤S706,根据第一目标关系链上相邻用户间的社交相似度和对应的用户属性相似度得到第一目标关系链上相邻用户间的相似度。
具体地,根据第一目标关系链上相邻用户间的社交相似度和对应的用户属性相似度得到第一目标关系链上相邻用户间的相似度的计算方法可以根据需要设置。在一个实施例中,第一目标关系链上相邻用户间的相似度的计算方法为:第一目标关系链上每一个相邻用户间的相似度=β*社交相似度+(1-β)*用户属性相似度。其中β的取值范围为大于0小于1,具体可以根据实际需要设置。可以理解,β的也可以为0或者1,即根据社交相似度得到相邻间用户的相似度或者根据用户属性相似度得到相邻用户间的相似度。
在一个实施例中,如图8所示,步骤S702即获取第一目标关系链上相邻用户间的社交相似度的步骤包括:
步骤S802,获取关系链集合,关系链集合中的用户包括第一目标关系链上相邻用户间的各个用户。
具体地,关系链集合中的关系链是按照关联关系的不断延伸得到。即获取第一用户的一个关联用户作为第二用户,获取第二用户的一个关联用户作为第三用户……获取第n-1个用户的关联用户作为第n个用户,直到关系链中的用户个数达到预设阈值,然后将用户按照关联的顺序排列,得到一条关系链。例如,可以随机获取一个用户a,从用户a的好友列表中随机选出一个好友b,从用户b的好友(排除a)中随机选出一个他的好友c,从用户c的好友(排除b)中随机选出一个好友d,从用户d的好友(排除c)中随机选出一个好友e,得到一条关系链(a,b,c,d,e)。关系链中的用户个数可以根据需要进行设置。在一个实施例中为大于2小于5。
步骤S804,将关系链集合输入至向量模型中,得到第一目标关系链上相邻用户间的各个用户对应的向量。
具体地,向量模型可以为无监督的神经网络模型。在一个实施例中,向量模型为word2vec词向量模型,word2vec是Google于2013年开源推出的一个用于获取词向量的模型,将文本内容输入到word2vec词向量模型中,可以将文本中的词或者字转换成向量。由于关系链集合中包括向量用户间的各个用户。因此,将关系链集合中的关系链输入至向量模型中,可以得到第一目标关系链上相邻用户间的各个用户对应的向量。
步骤S806,根据第一目标关系链上相邻用户间的用户的向量得到第一目标关系链上相邻用户间的社交相似度。
具体地,得到相邻用户间各个用户的向量后,根据相邻用户间各个用户的向量得到第一目标关系链上相邻用户间的社交相似度。相似度的算法可以根据实际需要进行选择,例如可以采用余弦相似度计算方法或者欧式距离计算方法等。
在一个实施例中,如图9A所示,在获取待推荐用户对各个目标参考用户的信任度的步骤之前还可以包括以下步骤:
步骤S902,获取第一用户集合,第一用户集合中包括存在关联关系的用户。
具体地,第一用户集合中包括多个用户,第一用户集合中包括存在关联关系的用户,例如第一用户集合中的a用户与b用户以及c用户为好友关系。用户集合中的用户个数可以根据实际需要进行设置。举个例子,对于社交应用微信,假设微信上有八亿用户,则第一用户集合的个数可以为八亿个。当然,也可以从这八亿用户中选取部分用户组成第一用户集合。例如将八亿个用户中超过预设时间未使用的用户剔除掉再组成第一用户集合。
步骤S904,获取第一用户集合中的任意两个用户形成信任方和被信任方,计算各个信任方和被信任方对应的直接信任度,将各个直接信任度作为矩阵值得到初始信任矩阵。
具体地,可以参照本发明实施例中的直接信任度的获取方法也可以根据其他方法得到直接信任度,在此不再赘述。初始信任矩阵中,每一行或者每一列表示每一个信任方对各个被信任方的直接信任度,以图9B为例,假设第一用户集合中有m个用户,则初始信任矩阵可表示为m行*m列的矩阵,第一行表示第一个信任方对各个被信任方的直接信任度,如c1m表示第一个用户对第m个用户的直接信任度。第n行(n大于0小于等于m)表示第n个信任方对各个被信任方的直接信任度,第m行表示第m个信任方对各个被信任方的直接信任度,如cm1表示第m个用户对第1个用户的直接信任度。当然也可以是第n列表示第n个信任方对各个被信任方的直接信任度。可以理解,初始信任矩阵中用户k行第k列的数值即用户对自己的直接信任度可以为默认值,例如为0。
步骤S906,根据初始信任矩阵进行至少一次第一矩阵迭代运算,得到目标信任矩阵,其中,第一矩阵迭代运算中,迭代后的信任矩阵中各个矩阵值根据上一信任矩阵中相同位置的矩阵值对应的信任方与对被信任方形成的第二目标关系链正向方向上相邻用户间的信任度得到。
具体地,得到初始信任矩阵后,根据初始信任矩阵进行迭代运算,以对矩阵进行更新,得到更新后的矩阵。迭代停止的时间可以根据具体需要进行设定,例如,可以设定迭代预设次数后或者迭代预设时间后停止迭代,也可以设置当上一信任矩阵与迭代后的信任矩阵中相同位置的矩阵值小于设定阈值例如为0.2时停止迭代。信任方与被信任方形成的第二目标关系链由信任方通过中间用户关联到被信任方的用户按照顺序排列组成。信任方与被信任方形成的第二目标关系链的正向方向定义为以信任方为起始用户,被信任方为终止用户确定的方向。迭代后的信任矩阵中各个矩阵值是根据上一信任矩阵中相同位置的矩阵值对应的信任方与对被信任方形成的第二目标关系链正向方向上相邻用户间的信任度得到。
举例而言,在进行第一次迭代时,获取初始信任矩阵中的第一矩阵值作为当前待更新矩阵值,然后获取当前待更新矩阵值对应的目标信任方和目标被信任方以及获取目标信任方与目标被信任方形成的第二目标关系链,根据从初始信任矩阵中获取的第二目标关系链的正向方向上相邻用户间的直接信任度计算得到更新信任度,用更新信任度替换当前待更新矩阵值;更新完一个矩阵值后,获取初始信任矩阵中的下一个矩阵值作为当前待更新矩阵值,进入获取当前待更新矩阵值对应的当前信任方和当前被信任方的步骤,直至初始信任矩阵中所有矩阵值更新完毕得到第一迭代信任矩阵。得到第一迭代信任矩阵后,可以继续根据上述的方法进行迭代,也可以停止迭代,将第一迭代信任矩阵作为目标信任矩阵。可以理解,进行矩阵迭代时,矩阵值可以是依次计算得到的。也可以并行计算得到的。
在一个实施例中,获取迭代后的信任矩阵中的矩阵值时,可以获取上一信任矩阵中信任方与被信任方形成的第二目标关系链正向方向上相邻用户间的信任度的乘积,然后统计信任方与被信任方形成的所有目标关系链的乘积的和得到新的矩阵值。以信任方与被信任方形成的用户数量为3为例,用公式表示如下:其中,k为信任方i与信任方j的共同关联用户,n为信任方i与被信任方j形成的第二目标关系链的数量,new_h(i,j)表示迭代后的信任矩阵中信任方i对被信任方j的信任度,lasth(i,k)以及lasth(k,j)分别表示上一信任矩阵中信任方i对被信任方k的信任度以及信任方k对被信任方j的信任度。
在一个实施例中,可以设置信任方与被信任方形成的第二目标关系链中用户的数量。例如,信任方与被信任方形成的第二目标关系链的用户数量为3,即中间用户为信任方与被信任方的共同关联用户。在一个实施例中,信任方与被信任方形成的第二目标关系链的用户数量小于5。
在一个实施例中,得到迭代后的信任矩阵后或者得到目标信任矩阵后,还可以对矩阵中的信任度进行归一化,归一化方法可以包括:统计矩阵中信任方对各个被信任方的信任度,得到矩阵中信任方的矩阵信任度,计算矩阵中信任方对被信任方的信任度占信任方的矩阵信任度的比例,得到归一化后的信任方户对各个被信任方的信任度。以矩阵中的行表示一个信任方对各个被信任方的信任度为例,按行对矩阵的值进行归一化,归一化公式可以表示为:其中,i指信任方,j指被信任方,n指矩阵中列的数量,k指其中的一列,n指被信任方的数量,即矩阵中列的数量,next_h(i,j)指迭代后且归一化后的信任矩阵中的信任方i对被信任方j的信任度,new_h(i,j)以及new_h(i,k)分别指迭代后且归一化前的信任矩阵中信任方i对被信任方j的信任度以及信任方i对被信任方k的信任度。
步骤S206即获取待推荐用户对各个目标参考用户的信任度的步骤包括:
步骤S908,以待推荐用户作为当前信任方,以目标参考用户作为当前被信任方,从目标信任矩阵中获取当前信任方对当前被信任方的目标信任度。
具体地,得到目标信任矩阵后,以待推荐用户作为当前信任方,以目标参考用户作为当前被信任方,根据当前信任方以及当前被信任方找到对应的行与列,然后根据对应的行与列获取信任方对目标被信任方的目标信用度,该目标信用度可看作为上述实施例中的间接信用度。以矩阵的行表示当信任方对各个被信任方的目标信任度为例,以信任方对应的行以及当前被信任方对应的列所对应的矩阵位置上的矩阵值作为信任方对被信任方的目标信用度。
步骤S910,获取待推荐用户对目标参考用户的直接信任度。
具体地,待推荐用户对目标参考用户的直接信任度的获取方法可以参照本发明实施例中的直接信任度获取方法或者其他计算方法获取,具体可以根据需求设置,在此不再赘述。
步骤S912,根据直接信任度以及目标信任度得到待推荐用户对目标参考用户的信任度。
具体地,根据直接信任度以及目标信任度得到待推荐用户对目标参考用户的信任度的获取方法可以参照本发明实施例中提供的获取方法或者其他计算方法获取,具体可以根据需求设置,在此不再赘述。
在一个实施例中,信息处理方法还可以包括获取信任方与被信任方形成的第二目标关系链上相邻用户间的相似度的步骤,步骤S906即根据初始信任矩阵进行至少一次第一矩阵迭代运算,得到目标信任矩阵的步骤包括:根据初始信任矩阵进行至少一次第一矩阵迭代运算,得到目标信任矩阵,其中,第一矩阵迭代运算中,迭代后的信任矩阵中各个矩阵值根据上一信任矩阵中相同位置的矩阵值对应的信任方与对被信任方形成的第二目标关系链正向方向上相邻用户间的信任度以及第二目标关系链上相邻用户间的相似度得到。
具体地,根据上一信任矩阵中相同位置的矩阵值对应的信任方与被信任方形成的第二目标关系链正向方向上相邻用户间的信任度以及相邻用户间的相似度得到迭代后的信任矩阵中各个矩阵值的方法可以根据需要进行设置。在一个实施例中,可以计算上一信任矩阵中信任方与被信任方形成的第二目标关系链正向方向上相邻用户间的信任度与相邻用户间的相似度的乘积,然后根据信任方与被信任方形成的所有目标关系链的乘积的得到信任方对被信任方的信任度。以信任方与被信任方形成的第二目标关系链的用户数量为3为例,,用公式表示如下:其中,i指信任方,j指被信任方,n为信任方i与被信任方j形成的第二目标关系链的数量,k指中间用户即信任方i与信任方j的共同关联用户。new_h(i,j)表示迭代后的信任矩阵中信任方i对被信任方j的信任度,lasth(i,k)以及lasth(k,j)分别表示上一信任矩阵中信任方i对被信任方k的信任度以及信任方k对被信任方j的信任度。sim(i,k)以及sim(k,j)分别指信任方i与被信任方k的相似度以及信任方k与被信任方j的相似度。
在一个实施例中,如图10,步骤208即获取目标参考用户的历史资源转移数据的步骤包括:获取目标参考用户的各个历史转移资源的历史资源转移数据,将各个历史转移资源作为候选推荐资源。
具体地,历史转移资源指用户在当前时间之前进行过资源数值转移的资源。目标参考用户有一个或多个,每个目标参考用户进行过资源数值转移的资源也可以有一个或多个。历史资源转移数据指与资源数值转移有关的数据,包括目标参考用户对历史转移资源的历史增长率、目标参考用户对历史转移资源的历史资源转移数值、目标参考用户与历史转移资源的关联时长中的至少一种。
步骤S210即根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到待推荐用户对应的资源推荐信息的步骤包括:
步骤S1002,根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到候选推荐资源的推荐指数和/或推荐资源转移数值。
具体地,推荐指数用于衡量资源的是否值得推荐,推荐指数越高,则资源越值得推荐。根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到候选推荐资源的推荐指数和/或推荐资源转移数值的方法具体可以根据需要设置。
在一个实施例中,可以设置关联时长、目标参考用户对历史转移资源的收益值、历史资源转移数值以及转移次数与推荐分值的对应关系,然后根据目标参考用户的历史转移数据得到推荐分,然后根据推荐分以及信任度的乘积得到资源的推荐指数。还可以在得到资源的推荐指数后,将推荐指数排序在前的资源作为推荐的资源。举个例子,可以设置关联时长为1个月、1个月到1年以及1年以上对应的分值分别为10分、30分以及60分,若目标参考用户对某一资源的关联时长为2年,则得分为60分。则关联时长对应的推荐指数为0.8*60=48分。
在一个实施例中,还可以根据购买了同一个资源的目标参考用户中当前用户对目标参考用户的信任度得到待推荐用户对应的推荐资源。例如,将购买了同一个资源的目标参考用户中当前用户对目标参考用户的信任度相加,将相加得到的总信任度或者平均信任度作为推荐指数。
在一个实施例中,可以设置信任度与推荐权重的对应关系,根据信任度得到推荐权重,进而根据推荐权重以及目标参考用户对应的历史资源转移数据得到待推荐用户对应的资源推荐信息。或者可以比较信任度的大小以及历史资源转移数值的大小,将信任度低但是历史资源转移数值大于预设条件例如大于目标参考用户的历史资源转移数值的平均值的2倍的目标参考用户剔除后,再根据待推荐用户对其他目标参考用户的信用度以及对应的历史资源转移数值得到待推荐用户对当前待推荐资源的推荐资源转移数值。
在一个实施例中,可以根据目标参考用户与历史转移资源的关联时长以及目标参考用户对历史转移资源的增长率中的至少一个得到一个比例系数,根据信任度与目标参考用户的历史资源转移数据得到初始推荐资源转移数值,然后根据得到的比例系数与初始推荐资源转移数值得到最终的推荐资源转移数值。例如,关联时间大于2年对应的比例系数是1.1,若根据信任度与目标参考用户的历史资源转移数据得到初始推荐资源转移数值为3000元,则最终的推荐资源转移数值可以为1.1*3000=3300元。
步骤S1004,将候选推荐资源和候选推荐资源对应的推荐指数和/或推荐资源转移数值关联。
具体地,可以将候选推荐资源和候选推荐资源对应的推荐指数和/或推荐资源转移数值关联存储,或者将候选推荐资源以及候选推荐资源对应的推荐指数和/或推荐资源转移数值发送到待推荐用户对应的终端中。
在一个实施例中,可以根据候选推荐资源对应的推荐指数和/或推荐资源转移数值得到目标推荐资源。例如,可以将推荐指数排序在前的预设个候选推荐资源作为目标推荐资源。也可以将推荐资源数值与用户的收入匹配的候选推荐资源作为目标推荐资源。或者还可以将推荐指数排序在前且推荐资源数值与用户的收入匹配的预设个候选推荐资源作为目标推荐资源。
在一个实施例中,如图11,信息处理方法还可以包括步骤S1102:获取第一当前待推荐资源。
具体地,第一当前待推荐资源为当前目标参考用户的历史转移资源中的一个或者多个。
步骤S210即根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到待推荐用户对应的资源推荐信息的步骤包括的步骤包括:
步骤S1104,根据目标参考用户对第一当前待推荐资源的历史增长率以及目标参考用户对第一当前待推荐资源的历史资源转移数值得到目标参考用户对第一当前待推荐资源的增长数值。
具体地,增长率指某一时间内的第一当前待推荐资源的价值相对于第一当前待推荐资源转移时的第一当前待推荐资源的价值的增量与第一当前待推荐资源转移时的第一当前待推荐资源的价值的比例。例如,股票上涨了10%,那么增长率为10%。可以理解,增长数值可以为正值也可以为负值。例如,若购买的股票下跌,则增长率为负。当目标参考用户有多个时,分别计算每个目标参考用户对第一当前待推荐资源的增长数值。增长数值根据历史增长率以及目标参考用户对第一当前待推荐资源的历史资源转移数值的乘积得到。
步骤S1106,根据目标参考用户对各个历史转移资源的历史增长率以及对应的历史资源转移数值得到目标参考用户对各个历史转移资源的增长数值,统计目标参考用户对各个历史转移资源的增长数值得到目标参考用户的总增长数值。
具体地,每个目标参考用户对应有一个或多个历史转移资源,例如,购买了多个基金或者某个股票。因此,可以分别计算目标参考用户对各个历史转移资源的增长数值,统计得到目标参考用户的总增长数值。
步骤S1108,计算目标参考用户对第一当前待推荐资源的增长数值占目标参考用户的总增长数值的比例,得到目标参考用户对第一当前待推荐资源的增长权重。
具体地,得到目标参考用户对第一当前待推荐资源的增长数值以及目标参考用户的总增长数值后,计算目标参考用户对第一当前待推荐资源的增长数值占目标参考用户的总增长数值的比值,得到目标参考用户对第一当前待推荐资源的增长权重。
步骤S1110,根据目标参考用户对第一当前待推荐资源的增长权重以及目标参考用户的总资源转移数值得到目标参考用户对第一当前待推荐资源的推荐数值。
具体地,根据目标参考用户对第一当前待推荐资源的增长权重以及目标参考用户的总资源转移数值得到目标参考用户对第一当前待推荐资源的推荐数值可以根据需要进行定义。在一个实施例中,可以根据增长权重与总资源转移数值乘积得到推荐数值。
步骤S1112,根据待推荐用户对各个目标参考用户的信任度以及目标参考用户对第一当前待推荐资源的推荐数值得到待推荐用户对第一当前待推荐资源的推荐资源转移数值。
具体地,得到待推荐用户对各个目标参考用户的信任度以及目标参考用户对第一当前待推荐资源的推荐数值后,根据待推荐用户对各个目标参考用户的信任度以及目标参考用户对第一当前待推荐资源的推荐数值计算待推荐用户对第一当前待推荐资源的推荐资源转移数值。
在一个实施例中,还可以结合行情得到第一当前待推荐资源的推荐资源转移数值。如设置上证指数变化率或者第一当前待推荐资源的预测增长率与影响因子的对应关系,根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的推荐数值计算出初始推荐资源转移数值,然后计算影响因子与初始推荐资源转移数值的乘积,得到推荐资源转移数值。
在一个实施例中,如图12A所示,信息处理方法还可以包括步骤S1202:获取第二当前待推荐资源。
具体地,第二当前待推荐资源为当前目标参考用户的历史转移资源中的一个或者多个。
步骤S204即根据待推荐用户的关联关系获取待推荐用户的关联用户,得到目标参考用户的步骤包括:
步骤S1204,获取第二用户集合,第二用户集合中包括存在关联关系的用户。
具体地,第二用户集合中包括多个用户,第二用户集合中包括存在关联关系的用户,例如第二用户集合中的a用户与b用户以及c用户为好友关系。第二用户集合中包括待推荐用户。第二用户集合的用户个数可以根据需要进行设置。举个例子,对于社交应用微信,假设微信上有八亿用户,则组成用户的个数可以为八亿个。当然,也可以从这八亿用户中选取部分用户作为组成用户。例如,将八亿个用户中超过预设时间未使用的用户剔除掉后剩余的用户作为第二用户集合中的组成用户。
步骤S1206,根据第二用户集合中各个组成用户的关联关系获取组成用户的关联用户,得到基础参考用户。
具体地,组成用户的关联用户指与组成用户存在关联关系的用户,例如社交应用中组成用户的好友或者组成用户关注的用户为组成用户的关联用户。获取到关联用户后,可以将全部关联用户作为基础参考用户。也可以对关联用户进一步筛选得到基础参考用户。例如,将近期购买过资源的关联用户作为基础参考用户。
步骤S206即获取待推荐用户与各个目标参考用户的信任度的步骤包括:获取组成用户对各个基础参考用户的信任度。
具体地,获取组成用户对各个基础参考用户的信任度可以参考本发明实施例中提供获取信任度的方法与也可以根据其他方法获取。具体不再赘述,可以理解,由于用户集合中具有待推荐用户,因此,组成用户对各个基础参考用户的信任度包括了待推荐用户对目标参考用户的信任度。
步骤S208即获取目标参考用户的历史资源转移数据的步骤包括:获取基础参考用户对第二当前待推荐资源的历史资源转移数值。
具体地,历史资源转移数值指当前时间之前目标参考用户的资源转移数值。可以是当前时间之前的全部资源转移数值,也可以是预设时间段内例如一年内的资源转移数值等,具体可以根据需要进行获取。
步骤S210即根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到待推荐用户对应的资源推荐信息的步骤包括:
步骤S1208,根据基础参考用户对第二当前待推荐资源的历史资源转移数值以及组成用户对第二当前待推荐资源的历史资源转移数值中的至少一种得到组成用户对第二当前待推荐资源的初始推荐资源转移数值。
具体地,可以根据基础参考用户对第二当前待推荐资源的历史资源转移数值或者根据组成用户对第二当前待推荐资源的历史资源转移数值得到组成用户对第二当前待推荐资源的初始推荐资源转移数值。也可以根据基础参考用户对第二当前待推荐资源的历史资源转移数值以及组成用户对第二当前待推荐资源的历史资源转移数值得到组成用户对第二当前待推荐资源的初始推荐资源转移数值。例如,用公式可以表示为:初始推荐资源转移数值=d*基础参考用户对第二当前待推荐资源的历史资源转移数值+(1-d)*组成用户对第二当前待推荐资源的历史资源转移数值。其中,d为大于等于0,以及小于等于1的数值。
在一个实施例中,可以根据组成用户对各个基础参考用户的信任度以及基础参考用户对第二当前待推荐资源的历史资源转移数值得到每一个组成用户对第二当前待推荐资源的初始推荐资源转移数值。具体的计算方法可以根据需要进行设置。
在一个实施例中,对于各个组成用户,当信任度用数值表示时,可以计算每个基础参考用户的信任度在组成用户的基础参考用户的信任度权重,进而根据信任度权重以及基础参考用户的历史资源转移数值得到组成用户对第二当前待推荐资源的初始推荐资源转移数值。
在一个实施例中,可以根据基础参考用户的历史资源转移数值得到基础参考用户对第二当前待推荐资源的推荐数值。然后根据组成用户对基础参考用户的信任度以及基础参考用户对第二当前待推荐资源的推荐数值得到待推荐用户对第二当前待推荐资源的推荐资源数值。基础参考用户对第二当前待推荐资源的推荐数值可以采用以下步骤得到:根据基础参考用户对第二当前待推荐资源的历史增长率以及基础参考用户对第二当前待推荐资源的历史资源转移数值得到基础参考用户对第二当前待推荐资源的增长数值,以及根据基础参考用户对各个历史转移资源的历史增长率以及对应的历史资源转移数值得到基础参考用户对各个历史转移资源的增长数值,并统计基础参考用户对各个历史转移资源的增长数值得到基础参考用户的总增长数值;然后计算基础参考用户对第二当前待推荐资源的增长数值占当前基础参考用户的总增长数值的比例得到基础参考用户对第二当前待推荐资源的增长权重,根据基础参考用户对第二当前待推荐资源的增长权重以及基础参考用户的总资源转移数值得到基础参考用户对第二当前待推荐资源的推荐数值。
步骤S1210,将各个组成用户对第二当前待推荐资源的初始推荐资源转移数值作为矩阵值得到初始推荐矩阵。
具体地,初始推荐矩阵是a行*b列的矩阵,a表示组成用户的数量,b表示第二当前待推荐资源的数量。第m行n列的矩阵值为第m个组成用户对第b个第二当前待推荐资源的初始推荐资源转移数值。以图12B为例,在该初始推荐矩阵中,q11以及q1b表示第一个组成用户对第一个第二当前待推荐资源以及第b个第二当前待推荐资源的初始推荐资源转移数值,qa1以及qab分别表示第a个组成用户对第一个第二当前待推荐资源以及第b个第二当前待推荐资源的初始推荐资源转移数值。
步骤S1212,根据初始推荐矩阵进行至少一次的第二矩阵迭代运算,得到目标推荐矩阵,其中,第二矩阵迭代运算中,迭代后的推荐矩阵中各个矩阵值根据上一推荐矩阵中相同位置的矩阵值对应的组成用户的基础参考用户的资源转移数值以及组成用户对基础参考用户的信任度得到。
具体地,得到初始推荐矩阵后,对初始推荐矩阵进行迭代运算,以对矩阵进行更新,得到更新后的矩阵。其中,迭代后的推荐矩阵中的矩阵值根据上一推荐矩阵中相同位置的矩阵值对应的组成用户的基础参考用户的第二当前待推荐资源转移数值以及组成用户对基础参考用户的信任度得到。进行迭代运算的时间可以根据具体需要进行设定,例如,可以设定迭代预设次数后或者迭代预设时间后停止迭代,也可以设置当上一推荐矩阵与当前推荐矩阵中相同位置的矩阵值小于设定阈值例如为0.2时停止迭代。
在一个实施例中,可以根据组成用户对各个基础参考用户的信任度得到各个基础参考用户对应的信任度权重,然后根据基础参考用户对应的权重以及上一矩阵中基础参考用户对应的资源转移数值得到迭代后的组成用户的资源转移数值。具体地,根据信任度权重以及上一矩阵中基础参考用户对应的资源转移数值可以采用公式表示,其中i代表组成用户,x代表第二当前待推荐资源,n代表组成用户的基础参考用户的数量,now Q(i,x)指迭代后的推荐矩阵中组成用户i对第二当前待推荐资源x的推荐资源转移数值,last_Qj,x指上一矩阵中组成用户的基础参考用户j对第二当前待推荐资源x的推荐资源转移数值。credit_W(i,j)指组成用户i对基础参考用户j的信任度。
步骤S1214,以待推荐用户作为目标组成用户,根据从目标推荐矩阵中获取的目标组成用户对应的矩阵值得到待推荐用户对第二当前待推荐资源的推荐资源转移数值。
具体地,得到目标推荐矩阵后,以待推荐用户作为目标组成用户,在目标推荐矩阵中获取目标组成用户对应的矩阵值,根据待推荐用户对应的矩阵值得到待推荐用户对第二当前待推荐资源的推荐资源转移数值的计算方法可以根据需要进行定义。在一个实施例中可以将待推荐用户对应的矩阵值作为推荐资源转移数值。在一个实施例中,也可以结合行情的变化以及待推荐用户对应的矩阵值得到推荐资源转移数值。例如,当第二当前待推荐资源的预期增长率为上涨时,则可以在待推荐用户对应的矩阵值的基础上增加相应的数值,得到推荐资源转移数值。在一个实施例中,若待推荐用户之前对第二当前待推荐资源进行过资源数值转移,例如购买过该基金或者股票等,还可以结合待推荐用户对第二当前待推荐资源的历史资源转移数值得到待推荐用户对第二当前待推荐资源的推荐资源转移数值。
上述通过矩阵迭代获取待推荐用户对第二当前待推荐资源的推荐资源转移数值的方法,每经过一次迭代,信任度高的目标参考用户的历史资源转移数值对待推荐用户对第二当前待推荐资源的推荐资源转移数值影响越大,即越信任的目标参考用户对待推荐用户对第二当前待推荐资源的推荐资源转移数值的影响越大,提高了待推荐用户对第二当前待推荐资源的推荐资源转移数值的可信赖性,而且通过形成矩阵进行迭代的方式进行计算,可以快速计算得到多个用户对应的推荐资源转移数值,效率高。
在一个实施例中,以当前待推荐资源为基金为例,对本发明实施提供的信息处理方法进行说明:
1.获取第一用户集合,第一用户集合中包括存在关联关系的用户。
2.获取第一用户集合中的任意两个用户形成信任方和被信任方,计算各个信任方和被信任方对应的直接信任度,将各个直接信任度作为矩阵值得到初始信任矩阵。
3.获取信任方与被信任方的共同关联用户,形成按照信任方、共同好友以及被信任方排序的第二目标关系链,第二目标关系链的正向为从信任方到被信任方的方向。
4.获取第二目标关系链上相邻用户间的相似度。
5.根据初始信任矩阵进行3次第一矩阵迭代运算,得到目标信任矩阵。将目标信任矩阵中的矩阵值作为信任方对被信任方的间接信任度。其中,第一矩阵迭代运算中,迭代后的信任矩阵中各个矩阵值根据上一信任矩阵中相同位置的矩阵值对应的信任方与对被信任方的第二目标关系链正向方向上相邻用户间的信任度以及相邻用户间的相似度得到。
6.获取第一用户集合中各个用户的好友,作为基础参考好友。
7.计算用户对基础参考好友的直接信任度,并根据步骤S1405中计算得到的目标信任矩阵中用户对基础参考好友的间接信任度以及用户对基础参考好友的直接信任度得到用户对基础参考好友的信任度。
8.根据用户对基础参考好友的信任度计算每个基础参考好友在用户的所有基础参考用户的信任度权重。
9.根据基础参考好友上一个月购买该基金的数额以及基金收益率得到基础参考用户对该基金的收益,以及获取基础参考好友在上个月进行基金理财的总收益值。根据基础参考好友对该基金的收益以及总收益值得到该基金的增长权重。
10.基础参考用户对该基金的增长权重与基础参考用户在上个月进行基金理财的总投入数额相乘,得到基础参考用户对该基金的推荐数值。
11.计算每个基础参考好友的信任度权重与基础参考用户对该基金的推荐数值的乘积,统计乘积的和,得到用户对基金的推荐购买额度。
在一个实施例中,如图13所示。提供了一种信息处理装置,装置可以集成与上述的计算机设备120中,装置包括:
待推荐用户信息获取模块1302,用于获取待推荐用户和所述待推荐用户的关联关系;
目标参考用户得到模块1304,用于根据所述待推荐用户的关联关系获取所述待推荐用户的关联用户,得到目标参考用户;
信任度获取模块1306,用于获取所述待推荐用户对所述各个目标参考用户的信任度;
历史数据获取模块1308,用于获取所述目标参考用户的历史资源转移数据;
推荐信息得到模块1310,用于根据所述待推荐用户对所述各个目标参考用户的信任度以及所述各个目标参考用户对应的历史资源转移数据得到所述待推荐用户对应的资源推荐信息。
在一个实施例中,如图14所示,信任度获取模块1306包括:
第一直接信任度获取单元1402,用于获取待推荐用户对当前目标参考用户的直接信任度。
第一间接信任度得到单元1404,用于根据待推荐用户与当前目标参考用户的第一目标关系链得到待推荐用户对当前目标参考用户的间接信任度。
第一信任度得到单元1406,用于根据直接信任度以及间接信任度得到待推荐用户对当前目标参考用户的信任度。
在一个实施例中,如图15所示,第一间接信任度得到单元1404包括:
关系链获取子单元1502,用于获取第一目标关系链,以待推荐用户为起始用户,当前目标参考用户为终止用户确定第一目标关系链的正向方向。
第一直接信任度获取子单元1504,用于获取第一目标关系链的正向方向上相邻用户间的直接信任度。
第一间接信任度得到子单元1506,用于根据第一目标关系链的正向方向上相邻用户间的直接信任度得到待推荐用户对当前目标参考用户的间接信任度。
在一个实施例中,如图16所示,装置还包括:第一相似度获取模块1602,用于获取第一目标关系链上相邻用户间的相似度。
第一间接信任度得到子单元1506用于:根据第一目标关系链的正向方向上相邻用户间的直接信任度以及第一目标关系链上相邻用户间的相似度得到待推荐用户对当前目标参考用户的间接信任度。
在一个实施例中,如图17所示,第一相似度获取模块1602包括:
社交相似度获取单元1702,用于获取第一目标关系链上相邻用户间的社交相似度。
属性相似度获取单元1704,用于获取第一目标关系链上相邻用户间用户属性相似度。
第一相似度获取单元1706,用于根据第一目标关系链上相邻用户间的社交相似度和对应的用户属性相似度得到第一目标关系链上相邻用户间的相似度。
在一个实施例中,如图18所示,社交相似度获取单元1702包括:
关系链集合获取子单元1802,用于获取关系链集合,关系链集合中的用户包括第一目标关系链上相邻用户间的各个用户。
向量得到子单元1804,用于将关系链集合输入至向量模型中,得到第一目标关系链上相邻用户间的各个用户对应的向量。
社交相似度得到子单元1806,用于根据第一目标关系链上相邻用户间的用户的向量得到第一目标关系链上相邻用户间的社交相似度。
在一个实施例中,如图19所示,第一直接信任度获取单元1402包括:
当前强度计算子单元1902,用于根据当前目标参考用户的信用值、待推荐用户对当前目标参考用户的联系紧密度计算待推荐用户对当前目标参考用户的当前信用强度。
总强度统计子单元1904,用于根据待推荐用户的各个关联用户的信用值、待推荐用户与待推荐用户的各个关联用户的联系紧密度计算待推荐用户对待推荐用户的各个关联用户的信用强度,统计待推荐用户对待推荐用户的各个关联用户的信用强度得到总信用强度。
第一直接信任度得到子单元1906,用于计算当前信用强度占总信用强度的比例得到待推荐用户对当前目标参考用户的直接信任度。
在一个实施例中,如图20所示,装置还包括:
第一用户集合获取模块2002,用于获取第一用户集合,第一用户集合中包括存在关联关系的用户。
初始信任矩阵得到模块2004,用于获取第一用户集合中的任意两个用户形成信任方和被信任方,计算各个信任方和被信任方对应的直接信任度,将各个信任方和被信任方对应的直接信任度作为矩阵值得到初始信任矩阵。
目标信任矩阵得到模块2006,用于根据初始信任矩阵进行至少一次第一矩阵迭代运算,得到目标信任矩阵,其中,第一矩阵迭代运算中,迭代后的信任矩阵中各个矩阵值根据上一信任矩阵中相同位置的矩阵值对应的信任方与对被信任方形成的第二目标关系链正向方向上相邻用户间的信任度得到。
信任度获取模块1306包括:
目标信任度获取单元2008,以待推荐用户作为当前信任方,以目标参考用户作为当前被信任方,从目标信任矩阵中获取当前信任方对当前被信任方的目标信任度。
第二直接信任度获取单元2010,获取待推荐用户对目标参考用户的直接信任度。
第二信任度得到单元2012,用于根据直接信任度以及目标信任度得到待推荐用户对目标参考用户的信任度。
在一个实施例中,信息处理装置还包括:第二相似度获取模块,用于获取信任方与被信任方形成的第二目标关系链上相邻用户间的相似度。目标信任矩阵得到模块1906用于:根据初始信任矩阵进行至少一次第一矩阵迭代运算,得到目标信任矩阵,其中,第一矩阵迭代运算中,迭代后的信任矩阵中各个矩阵值根据上一信任矩阵中相同位置的矩阵值对应的信任方与对被信任方形成的第二目标关系链正向方向上相邻用户间的信任度以及第二目标关系链上相邻用户间的相似度得到。
在一个实施例中,历史数据获取模块1308用于:获取目标参考用户的各个历史转移资源的历史资源转移数据,将各个历史转移资源作为候选推荐资源。
如图21所示,推荐信息得到模块1310包括:
候选推荐资源信息得到单元2102,用于根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到候选推荐资源的推荐指数和/或推荐资源转移数值。
关联单元2104,将候选推荐资源和候选推荐资源对应的推荐指数和/或推荐资源转移数值关联。
在一个实施例中,如图22所示,信息处理装装置还可以包括第一待推荐资源获取模块2202,用于获取第一当前待推荐资源。
推荐信息得到模块1310包括:
目标增长数值得到单元2204,用于根据目标参考用户对第一当前待推荐资源的历史增长率以及目标参考用户对第一当前待推荐资源的历史资源转移数值得到目标参考用户对第一当前待推荐资源的增长数值。
总增长数值统计单元2206,用于根据目标参考用户对各个历史转移资源的历史增长率以及对应的历史资源转移数值得到目标参考用户对各个历史转移资源的增长数值,统计目标参考用户对各个历史转移资源的增长数值得到目标参考用户的总增长数值。
增长权重计算单元2208,用于计算目标参考用户对第一当前待推荐资源的增长数值占目标参考用户的总增长数值的比例,得到目标参考用户对第一当前待推荐资源的增长权重。
参考数值得到单元210,用于根据目标参考用户对第一当前待推荐资源的增长权重以及目标参考用户的总资源转移数值得到目标参考用户对第一当前待推荐资源的推荐数值。
第一推荐数值得到单元2212,用于根据待推荐用户对各个目标参考用户的信任度以及目标参考用户对当前待推荐资源的推荐数值得到待推荐用户对第一当前待推荐资源的推荐资源转移数值。
在一个实施例中,如图23所示,信息处理装置还可以包括第二待推荐资源获取模块2302:用于获取第二当前待推荐资源。
目标参考用户得到模块1304包括:
第二用户集合获取单元1304A,用于获取第二用户集合,第二用户集合中包括存在关联关系的用户,第二用户集合中包括待推荐用户;
基础参考用户得到单元1304B,用于获取第二用户集合中各个组成用户的关联用户,从组成用户的关联用户中筛选与第二当前待推荐资源标识关联的用户,得到基础参考用户;
信任度获取模块1306用于获取组成用户对各个基础参考用户的信任度。
历史数据获取模块1308用于获取基础参考用户对第二当前待推荐资源的历史资源转移数值。
推荐信息得到模块1310包括:
初始推荐数值得到单元1310A,根据基础参考用户对当前待推荐资源第二当前待推荐资源的历史资源转移数值以及组成用户对当前待推荐资源第二当前待推荐资源的历史资源转移数值中的至少一种得到组成用户对当前待推荐资源第二当前待推荐资源的初始推荐资源转移数值。。
初始推荐矩阵得到单元1310B,用于将各个组成用户对第二当前待推荐资源的初始推荐资源转移数值作为矩阵值得到初始推荐矩阵。
目标推荐矩阵得到单元1310C,用于根据初始推荐矩阵进行至少一次的第二矩阵迭代运算,得到目标推荐矩阵,其中,第二矩阵迭代运算中,迭代后的推荐矩阵中各个矩阵值根据上一推荐矩阵中相同位置的矩阵值对应的组成用户的基础参考用户的资源转移数值以及组成用户对基础参考用户的信任度得到。
第二推荐数值得到单元1310D,用于以待推荐用户作为目标组成用户,根据从目标推荐矩阵中获取的目标组成用户对应的矩阵值得到待推荐用户对第二当前待推荐资源的推荐资源转移数值。
如图24所示,为一个实施例中计算机设备的内部结构图,该计算机设备通过系统连接总线连接处理器、非易失性存储介质、内存储器和网络接口。其中,该计算机设备的非易失性存储介质可存储操作系统和计算机程序,该计算机程序被执行时,可使得处理器执行一种信息处理方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该内存储器中可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行一种信息处理方法。计算机设备的网络接口用于进行网络通信,如接收资源转移推荐请求等。本领域技术人员可以理解,图24中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机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。
在一个实施例中,本申请提供的信息处理装置可以实现为一种计算机程序的形式,计算机程序可在如图24所示的计算机设备上运行,计算机设备的非易失性存储介质可存储组成该信息处理装置的各个程序模块,比如图13中的待推荐用户信息获取模块1302、目标参考用户得到模块1304、信任度获取模块1306、历史数据获取模块1308以及推荐信息得到模块1310。各个程序模块中包括计算机程序,计算机程序用于使计算机设备执行本说明书中描述的本申请各个实施例的信息处理方法中的步骤,例如,计算机设备可以通过如图13所示的信息处理装置中的待推荐用户信息获取模块1302获取待推荐用户和待推荐用户的关联关系,通过目标参考用户得到模块1304根据待推荐用户的关联关系获取待推荐用户的关联用户,得到目标参考用户,通过信任度获取模块1306获取待推荐用户对各个目标参考用户的信任度,通过历史数据获取模块1308获取目标参考用户的历史资源转移数据,通过推荐信息得到模块1310根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到待推荐用户对应的资源推荐信息。
在一个实施例中,提出了一种计算机设备,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以下步骤:获取待推荐用户和待推荐用户的关联关系;根据待推荐用户的关联关系获取待推荐用户的关联用户,得到目标参考用户;获取待推荐用户对各个目标参考用户的信任度;获取目标参考用户的历史资源转移数据;根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到待推荐用户对应的资源推荐信息。
在一个实施例中,获取待推荐用户对各个目标参考用户的信任度的步骤包括:获取待推荐用户对当前目标参考用户的直接信任度;根据待推荐用户与当前目标参考用户的第一目标关系链得到待推荐用户对当前目标参考用户的间接信任度;根据直接信任度以及间接信任度得到待推荐用户对当前目标参考用户的信任度。
在一个实施例中,根据待推荐用户与当前目标参考用户的第一目标关系链得到待推荐用户对当前目标参考用户的间接信任度的步骤包括:获取第一目标关系链,以待推荐用户为起始用户,当前目标参考用户为终止用户确定第一目标关系链的正向方向;获取第一目标关系链的正向方向上相邻用户间的直接信任度;根据第一目标关系链的正向方向上相邻用户间的直接信任度得到待推荐用户对当前目标参考用户的间接信任度。
在一个实施例中,处理器执行计算机程序时还执行以下步骤:获取第一目标关系链上相邻用户间的相似度;根据第一目标关系链的正向方向上相邻用户间的直接信任度得到待推荐用户与当前目标参考用户的间接信任度的步骤包括:根据第一目标关系链的正向方向上相邻用户间的直接信任度以及第一目标关系链上相邻用户间的相似度得到待推荐用户对当前目标参考用户的间接信任度。
在一个实施例中,述获取第一目标关系链上相邻用户间的相似度的步骤包括:获取第一目标关系链上相邻用户间的社交相似度;获取第一目标关系链上相邻用户间用户属性相似度;根据第一目标关系链上相邻用户间的社交相似度和对应的用户属性相似度得到第一目标关系链上相邻用户间的相似度。
在一个实施例中,获取第一目标关系链上相邻用户间的社交相似度的步骤包括:获取关系链集合,关系链集合中的用户包括第一目标关系链上相邻用户间的各个用户;将关系链集合输入至向量模型中,得到第一目标关系链上相邻用户间的各个用户对应的向量;根据第一目标关系链上相邻用户间的用户的向量得到第一目标关系链上相邻用户间的社交相似度。
在一个实施例中,所述获取待推荐用户对当前目标参考用户的直接信任度的步骤包括:根据当前目标参考用户的信用值、待推荐用户对当前目标参考用户的联系紧密度计算待推荐用户对当前目标参考用户的当前信用强度;根据待推荐用户的各个关联用户的信用值、待推荐用户与待推荐用户的各个关联用户的联系紧密度计算待推荐用户对待推荐用户的各个关联用户的信用强度,统计待推荐用户对待推荐用户的各个关联用户的信用强度得到总信用强度;计算当前信用强度占总信用强度的比例得到待推荐用户对当前目标参考用户的直接信任度。
在一个实施例中,获取待推荐用户对各个目标参考用户的信任度的步骤之前,处理器执行计算机程序时还执行以下步骤:获取第一用户集合,第一用户集合中包括存在关联关系的用户;获取第一用户集合中的任意两个用户形成信任方和被信任方,计算各个信任方和被信任方对应的直接信任度,将各个信任方和被信任方对应的直接信任度作为矩阵值得到初始信任矩阵;根据初始信任矩阵进行至少一次第一矩阵迭代运算,得到目标信任矩阵,其中,第一矩阵迭代运算中,迭代后的信任矩阵中各个矩阵值根据上一信任矩阵中相同位置的矩阵值对应的信任方与对被信任方形成的第二目标关系链正向方向上相邻用户间的信任度得到;获取待推荐用户对各个目标参考用户的信任度的步骤包括:以待推荐用户作为当前信任方,以目标参考用户作为当前被信任方,从目标信任矩阵中获取当前信任方对当前被信任方的目标信任度;获取待推荐用户对目标参考用户的直接信任度;根据直接信任度以及目标信任度得到待推荐用户对目标参考用户的信任度。
在一个实施例中,处理器执行计算机程序时还执行以下步骤:获取信任方与被信任方形成的第二目标关系链上相邻用户间的相似度;根据初始信任矩阵进行至少一次第一矩阵迭代运算,得到目标信任矩阵的步骤包括:根据初始信任矩阵进行至少一次第一矩阵迭代运算,得到目标信任矩阵,其中,第一矩阵迭代运算中,迭代后的信任矩阵中各个矩阵值根据上一信任矩阵中相同位置的矩阵值对应的信任方与对被信任方形成的第二目标关系链正向方向上相邻用户间的信任度以及第二目标关系链上相邻用户间的相似度得到。
在一个实施例中,获取目标参考用户的历史资源转移数据的步骤包括:获取目标参考用户的各个历史转移资源的历史资源转移数据,将各个历史转移资源作为候选推荐资源,历史资源转移数据包括目标参考用户对历史转移资源的历史增长率、目标参考用户对历史转移资源的历史资源转移数值、目标参考用户与历史转移资源的关联时长中的至少一种;根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到待推荐用户对应的资源推荐信息的步骤包括:根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到候选推荐资源的推荐指数和/或推荐资源转移数值;将候选推荐资源和候选推荐资源对应的推荐指数和/或推荐资源转移数值关联。
在一个实施例中,处理器执行计算机程序时还执行以下步骤:获取第一当前待推荐资源;根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到待推荐用户对应的资源推荐信息的步骤包括:根据目标参考用户对第一当前待推荐资源的历史增长率以及目标参考用户对第一当前待推荐资源的历史资源转移数值得到目标参考用户对第一当前待推荐资源的增长数值;根据目标参考用户对各个历史转移资源的历史增长率以及对应的历史资源转移数值得到目标参考用户对各个历史转移资源的增长数值,统计目标参考用户对各个历史转移资源的增长数值得到目标参考用户的总增长数值;计算目标参考用户对第一当前待推荐资源的增长数值占目标参考用户的总增长数值的比例,得到目标参考用户对第一当前待推荐资源的增长权重;根据目标参考用户对第一当前待推荐资源的增长权重以及目标参考用户的总资源转移数值得到目标参考用户对第一当前待推荐资源的推荐数值;根据待推荐用户对各个目标参考用户的信任度以及目标参考用户对第一当前待推荐资源的推荐数值得到待推荐用户对第一当前待推荐资源的推荐资源转移数值。
在一个实施例中,处理器执行计算机程序时还执行以下步骤:获取第二当前待推荐资源;根据待推荐用户的关联关系获取待推荐用户的关联用户,得到目标参考用户的步骤包括:获取第二用户集合,第二用户集合中包括存在关联关系的用户,第二用户集合中包括待推荐用户;根据第二用户集合中各个组成用户的关联关系获取组成用户的关联用户,得到基础参考用户;获取目标参考用户的历史资源转移数据的步骤包括:获取基础参考用户对第二当前待推荐资源的历史资源转移数值。获取待推荐用户对各个目标参考用户的信任度的步骤包括:获取组成用户对各个基础参考用户的信任度;根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到待推荐用户对应的资源推荐信息的步骤包括:根据基础参考用户对第二当前待推荐资源的历史资源转移数值以及组成用户对第二当前待推荐资源的历史资源转移数值中的至少一种得到组成用户对第二当前待推荐资源的初始推荐资源转移数值;将各个组成用户对第二当前待推荐资源的初始推荐资源转移数值作为矩阵值得到初始推荐矩阵;根据初始推荐矩阵进行至少一次的第二矩阵迭代运算,得到目标推荐矩阵,其中,第二矩阵迭代运算中,迭代后的推荐矩阵中各个矩阵值根据上一推荐矩阵中相同位置的矩阵值对应的组成用户的基础参考用户的资源转移数值以及组成用户对基础参考用户的信任度得到;以待推荐用户作为目标组成用户,根据从目标推荐矩阵中获取的目标组成用户对应的矩阵值得到待推荐用户对第二当前待推荐资源的推荐资源转移数值。
在一个实施例中,提供一种计算机可读存储介质,计算机可读存储介质配置在服务器上,计算机可读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,使得处理器执行以下步骤:获取待推荐用户和待推荐用户的关联关系;根据待推荐用户的关联关系获取待推荐用户的关联用户,得到目标参考用户;获取待推荐用户对各个目标参考用户的信任度;获取目标参考用户的历史资源转移数据;根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到待推荐用户对应的资源推荐信息。
在一个实施例中,获取待推荐用户对各个目标参考用户的信任度的步骤包括:获取待推荐用户对当前目标参考用户的直接信任度;根据待推荐用户与当前目标参考用户的第一目标关系链得到待推荐用户对当前目标参考用户的间接信任度;根据直接信任度以及间接信任度得到待推荐用户对当前目标参考用户的信任度。
在一个实施例中,根据待推荐用户与当前目标参考用户的第一目标关系链得到待推荐用户对当前目标参考用户的间接信任度的步骤包括:获取第一目标关系链,以待推荐用户为起始用户,当前目标参考用户为终止用户确定第一目标关系链的正向方向;获取第一目标关系链的正向方向上相邻用户间的直接信任度;根据第一目标关系链的正向方向上相邻用户间的直接信任度得到待推荐用户对当前目标参考用户的间接信任度。
在一个实施例中,处理器执行计算机程序时还执行以下步骤:获取第一目标关系链上相邻用户间的相似度;根据第一目标关系链的正向方向上相邻用户间的直接信任度得到待推荐用户与当前目标参考用户的间接信任度的步骤包括:根据第一目标关系链的正向方向上相邻用户间的直接信任度以及第一目标关系链上相邻用户间的相似度得到待推荐用户对当前目标参考用户的间接信任度。
在一个实施例中,述获取第一目标关系链上相邻用户间的相似度的步骤包括:获取第一目标关系链上相邻用户间的社交相似度;获取第一目标关系链上相邻用户间用户属性相似度;根据第一目标关系链上相邻用户间的社交相似度和对应的用户属性相似度得到第一目标关系链上相邻用户间的相似度。
在一个实施例中,获取第一目标关系链上相邻用户间的社交相似度的步骤包括:获取关系链集合,关系链集合中的用户包括第一目标关系链上相邻用户间的各个用户;将关系链集合输入至向量模型中,得到第一目标关系链上相邻用户间的各个用户对应的向量;根据第一目标关系链上相邻用户间的用户的向量得到第一目标关系链上相邻用户间的社交相似度。
在一个实施例中,所述获取待推荐用户对当前目标参考用户的直接信任度的步骤包括:根据当前目标参考用户的信用值、待推荐用户对当前目标参考用户的联系紧密度计算待推荐用户对当前目标参考用户的当前信用强度;根据待推荐用户的各个关联用户的信用值、待推荐用户与待推荐用户的各个关联用户的联系紧密度计算待推荐用户对待推荐用户的各个关联用户的信用强度,统计待推荐用户对待推荐用户的各个关联用户的信用强度得到总信用强度;计算当前信用强度占总信用强度的比例得到待推荐用户对当前目标参考用户的直接信任度。
在一个实施例中,获取待推荐用户对各个目标参考用户的信任度的步骤之前,处理器执行计算机程序时还执行以下步骤:获取第一用户集合,第一用户集合中包括存在关联关系的用户;获取第一用户集合中的任意两个用户形成信任方和被信任方,计算各个信任方和被信任方对应的直接信任度,将各个信任方和被信任方对应的直接信任度作为矩阵值得到初始信任矩阵;根据初始信任矩阵进行至少一次第一矩阵迭代运算,得到目标信任矩阵,其中,第一矩阵迭代运算中,迭代后的信任矩阵中各个矩阵值根据上一信任矩阵中相同位置的矩阵值对应的信任方与对被信任方形成的第二目标关系链正向方向上相邻用户间的信任度得到;获取待推荐用户对各个目标参考用户的信任度的步骤包括:以待推荐用户作为当前信任方,以目标参考用户作为当前被信任方,从目标信任矩阵中获取当前信任方对当前被信任方的目标信任度;获取待推荐用户对目标参考用户的直接信任度;根据直接信任度以及目标信任度得到待推荐用户对目标参考用户的信任度。
在一个实施例中,处理器执行计算机程序时还执行以下步骤:获取信任方与被信任方形成的第二目标关系链上相邻用户间的相似度;根据初始信任矩阵进行至少一次第一矩阵迭代运算,得到目标信任矩阵的步骤包括:根据初始信任矩阵进行至少一次第一矩阵迭代运算,得到目标信任矩阵,其中,第一矩阵迭代运算中,迭代后的信任矩阵中各个矩阵值根据上一信任矩阵中相同位置的矩阵值对应的信任方与对被信任方形成的第二目标关系链正向方向上相邻用户间的信任度以及第二目标关系链上相邻用户间的相似度得到。
在一个实施例中,获取目标参考用户的历史资源转移数据的步骤包括:获取目标参考用户的各个历史转移资源的历史资源转移数据,将各个历史转移资源作为候选推荐资源,历史资源转移数据包括目标参考用户对历史转移资源的历史增长率、目标参考用户对历史转移资源的历史资源转移数值、目标参考用户与历史转移资源的关联时长中的至少一种;根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到待推荐用户对应的资源推荐信息的步骤包括:根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到候选推荐资源的推荐指数和/或推荐资源转移数值;将候选推荐资源和候选推荐资源对应的推荐指数和/或推荐资源转移数值关联。
在一个实施例中,处理器执行计算机程序时还执行以下步骤:获取第一当前待推荐资源;根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到待推荐用户对应的资源推荐信息的步骤包括:根据目标参考用户对第一当前待推荐资源的历史增长率以及目标参考用户对第一当前待推荐资源的历史资源转移数值得到目标参考用户对第一当前待推荐资源的增长数值;根据目标参考用户对各个历史转移资源的历史增长率以及对应的历史资源转移数值得到目标参考用户对各个历史转移资源的增长数值,统计目标参考用户对各个历史转移资源的增长数值得到目标参考用户的总增长数值;计算目标参考用户对第一当前待推荐资源的增长数值占目标参考用户的总增长数值的比例,得到目标参考用户对第一当前待推荐资源的增长权重;根据目标参考用户对第一当前待推荐资源的增长权重以及目标参考用户的总资源转移数值得到目标参考用户对第一当前待推荐资源的推荐数值;根据待推荐用户对各个目标参考用户的信任度以及目标参考用户对第一当前待推荐资源的推荐数值得到待推荐用户对第一当前待推荐资源的推荐资源转移数值。
在一个实施例中,处理器执行计算机程序时还执行以下步骤:获取第二当前待推荐资源;根据待推荐用户的关联关系获取待推荐用户的关联用户,得到目标参考用户的步骤包括:获取第二用户集合,第二用户集合中包括存在关联关系的用户,第二用户集合中包括待推荐用户;根据第二用户集合中各个组成用户的关联关系获取组成用户的关联用户,得到基础参考用户;获取目标参考用户的历史资源转移数据的步骤包括:获取基础参考用户对第二当前待推荐资源的历史资源转移数值。获取待推荐用户对各个目标参考用户的信任度的步骤包括:获取组成用户对各个基础参考用户的信任度;根据待推荐用户对各个目标参考用户的信任度以及各个目标参考用户对应的历史资源转移数据得到待推荐用户对应的资源推荐信息的步骤包括:根据基础参考用户对第二当前待推荐资源的历史资源转移数值以及组成用户对第二当前待推荐资源的历史资源转移数值中的至少一种得到组成用户对第二当前待推荐资源的初始推荐资源转移数值;将各个组成用户对第二当前待推荐资源的初始推荐资源转移数值作为矩阵值得到初始推荐矩阵;根据初始推荐矩阵进行至少一次的第二矩阵迭代运算,得到目标推荐矩阵,其中,第二矩阵迭代运算中,迭代后的推荐矩阵中各个矩阵值根据上一推荐矩阵中相同位置的矩阵值对应的组成用户的基础参考用户的资源转移数值以及组成用户对基础参考用户的信任度得到;以待推荐用户作为目标组成用户,根据从目标推荐矩阵中获取的目标组成用户对应的矩阵值得到待推荐用户对第二当前待推荐资源的推荐资源转移数值。
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,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access 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本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)
1.一种信息处理方法,所述方法包括:
获取待推荐用户和所述待推荐用户的关联关系;
根据所述待推荐用户的关联关系获取所述待推荐用户的关联用户,得到目标参考用户;
获取所述待推荐用户对所述各个目标参考用户的信任度;
获取所述目标参考用户的历史资源转移数据;
根据所述待推荐用户对所述各个目标参考用户的信任度以及所述各个目标参考用户对应的历史资源转移数据得到所述待推荐用户对应的资源推荐信息。
2.根据权利要求1所述的方法,其特征在于,所述获取所述待推荐用户对所述各个目标参考用户的信任度的步骤包括:
获取所述待推荐用户对当前目标参考用户的直接信任度;
根据所述待推荐用户与所述当前目标参考用户的第一目标关系链得到所述待推荐用户对所述当前目标参考用户的间接信任度;
根据所述直接信任度以及所述间接信任度得到所述待推荐用户对所述当前目标参考用户的信任度。
3.根据权利要求2所述的方法,其特征在于,所述根据所述待推荐用户与所述当前目标参考用户的第一目标关系链得到所述待推荐用户对所述当前目标参考用户的间接信任度的步骤包括:
获取所述第一目标关系链,以所述待推荐用户为起始用户,所述当前目标参考用户为终止用户确定所述第一目标关系链的正向方向;
获取所述第一目标关系链的正向方向上相邻用户间的直接信任度;
根据所述第一目标关系链的正向方向上相邻用户间的直接信任度得到所述待推荐用户对所述当前目标参考用户的间接信任度。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取所述第一目标关系链上相邻用户间的相似度;
所述根据所述第一目标关系链的正向方向上相邻用户间的直接信任度得到所述待推荐用户对所述当前目标参考用户的间接信任度的步骤包括:
根据所述第一目标关系链的正向方向上相邻用户间的直接信任度以及所述第一目标关系链上相邻用户间的相似度得到所述待推荐用户对所述当前目标参考用户的间接信任度。
5.根据权利要求4所述的方法,其特征在于,所述获取所述第一目标关系链上相邻用户间的相似度的步骤包括:
获取所述第一目标关系链上相邻用户间的社交相似度;
获取所述第一目标关系链上相邻用户间的用户属性相似度;
根据所述第一目标关系链上相邻用户间的社交相似度和对应的用户属性相似度得到所述第一目标关系链上相邻用户间的相似度。
6.根据权利要求5所述的方法,其特征在于,所述获取所述第一目标关系链上相邻用户间的社交相似度的步骤包括:
获取关系链集合,所述关系链集合中的用户包括所述第一目标关系链上相邻用户间的各个用户;
将所述关系链集合输入至向量模型中,得到所述第一目标关系链上相邻用户间的各个用户对应的向量;
根据所述第一目标关系链上相邻用户间的用户的向量得到所述第一目标关系链上相邻用户间的社交相似度。
7.根据权利要求2所述的方法,其特征在于,所述获取所述待推荐用户对所述当前目标参考用户的直接信任度的步骤包括:
根据所述当前目标参考用户的信用值、所述待推荐用户与所述当前目标参考用户的联系紧密度计算所述待推荐用户对所述当前目标参考用户的当前信用强度;
根据所述待推荐用户的各个关联用户的信用值、所述待推荐用户与所述待推荐用户的各个关联用户的联系紧密度计算所述待推荐用户对所述待推荐用户的各个关联用户的信用强度,统计所述待推荐用户对所述待推荐用户的各个关联用户的信用强度得到总信用强度;
计算所述当前信用强度占所述总信用强度的比例得到所述待推荐用户对所述当前目标参考用户的直接信任度。
8.根据权利要求1所述的方法,其特征在于,所述获取所述待推荐用户对所述各个目标参考用户的信任度的步骤之前,还包括:
获取第一用户集合,所述第一用户集合中包括存在关联关系的用户;
获取所述第一用户集合中的任意两个用户形成信任方和被信任方,计算所述各个信任方和被信任方对应的直接信任度,将所述各个信任方和被信任方对应的直接信任度作为矩阵值得到初始信任矩阵;
根据所述初始信任矩阵进行至少一次第一矩阵迭代运算,得到目标信任矩阵,其中,所述第一矩阵迭代运算中,迭代后的信任矩阵中各个矩阵值根据上一信任矩阵中相同位置的矩阵值对应的信任方与对被信任方形成的第二目标关系链正向方向上相邻用户间的信任度得到;
所述获取所述待推荐用户对所述各个目标参考用户的信任度的步骤包括:
以所述待推荐用户作为当前信任方,以所述目标参考用户作为当前被信任方,从所述目标信任矩阵中获取所述当前信任方对所述当前被信任方的目标信任度;
获取所述待推荐用户对所述目标参考用户的直接信任度;
根据所述直接信任度以及所述目标信任度得到所述待推荐用户对所述目标参考用户的信任度。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
获取所述信任方与所述被信任方形成的第二目标关系链上相邻用户间的相似度;
所述根据所述初始信任矩阵进行至少一次第一矩阵迭代运算,得到目标信任矩阵的步骤包括:
根据所述初始信任矩阵进行至少一次第一矩阵迭代运算,得到目标信任矩阵,其中,所述第一矩阵迭代运算中,迭代后的信任矩阵中各个矩阵值根据上一信任矩阵中相同位置的矩阵值对应的信任方与对被信任方形成的第二目标关系链正向方向上相邻用户间的信任度以及所述第二目标关系链上相邻用户间的相似度得到。
10.根据权利要求1~9任一项权利要求所述的方法,其特征在于,所述获取所述目标参考用户的历史资源转移数据的步骤包括:
获取所述目标参考用户的各个历史转移资源的历史资源转移数据,将所述各个历史转移资源作为候选推荐资源,所述历史资源转移数据包括所述目标参考用户对所述历史转移资源的历史增长率、所述目标参考用户对所述历史转移资源的历史资源转移数值、所述目标参考用户与所述历史转移资源的关联时长中的至少一种;
所述根据所述待推荐用户对所述各个目标参考用户的信任度以及所述各个目标参考用户对应的历史资源转移数据得到所述待推荐用户对应的资源推荐信息的步骤包括:
根据所述待推荐用户对所述各个目标参考用户的信任度以及所述各个目标参考用户对应的历史资源转移数据得到所述候选推荐资源的推荐指数和/或推荐资源转移数值;
将所述候选推荐资源和所述候选推荐资源对应的推荐指数和/或推荐资源转移数值关联。
11.根据权利要求1至9任一权利要求所述的方法,其特征在于,所述方法还包括:
获取第一当前待推荐资源;
所述根据所述待推荐用户对所述各个目标参考用户的信任度以及所述各个目标参考用户对应的历史资源转移数据得到所述待推荐用户对应的资源推荐信息的步骤包括:
根据所述目标参考用户对所述第一当前待推荐资源的历史增长率以及所述目标参考用户对所述第一当前待推荐资源的历史资源转移数值得到所述目标参考用户对所述第一当前待推荐资源的增长数值;
根据所述目标参考用户对各个历史转移资源的历史增长率以及对应的历史资源转移数值得到所述目标参考用户对各个历史转移资源的增长数值,统计所述目标参考用户对所述各个历史转移资源的增长数值得到所述目标参考用户的总增长数值;
计算所述目标参考用户对所述第一当前待推荐资源的增长数值占所述目标参考用户的总增长数值的比例,得到所述目标参考用户对所述第一当前待推荐资源的增长权重;
根据所述目标参考用户对所述第一当前待推荐资源的增长权重以及所述目标参考用户的总资源转移数值得到所述目标参考用户对所述第一当前待推荐资源的推荐数值;
根据所述待推荐用户对各个所述目标参考用户的信任度以及所述目标参考用户对所述第一当前待推荐资源的推荐数值得到所述待推荐用户对所述第一当前待推荐资源的推荐资源转移数值。
12.根据权利要求1至9任一权利要求所述的方法,其特征在于,所述方法还包括:
获取第二当前待推荐资源;
所述根据所述待推荐用户的关联关系获取所述待推荐用户的关联用户,得到目标参考用户的步骤包括:
获取第二用户集合,所述第二用户集合中包括存在关联关系的用户,所述第二用户集合中包括所述待推荐用户;
根据所述第二用户集合中各个组成用户的关联关系获取所述组成用户的关联用户,得到基础参考用户;
所述获取所述目标参考用户的历史资源转移数据的步骤包括:获取所述基础参考用户对所述第二当前待推荐资源的历史资源转移数值;
所述获取所述待推荐用户对各个所述目标参考用户的信任度的步骤包括:
获取所述组成用户对所述各个基础参考用户的信任度;
所述根据所述待推荐用户对所述各个目标参考用户的信任度以及所述各个目标参考用户对应的历史资源转移数据得到所述待推荐用户对应的资源推荐信息的步骤包括:
根据所述基础参考用户对所述第二当前待推荐资源的历史资源转移数值以及所述组成用户对所述第二当前待推荐资源的历史资源转移数值中的至少一种得到所述组成用户对所述第二当前待推荐资源的初始推荐资源转移数值;
将所述各个组成用户对所述第二当前待推荐资源的初始推荐资源转移数值作为矩阵值得到初始推荐矩阵;
根据所述初始推荐矩阵进行至少一次的第二矩阵迭代运算,得到目标推荐矩阵,其中,所述第二矩阵迭代运算中,迭代后的推荐矩阵中各个矩阵值根据上一推荐矩阵中相同位置的矩阵值对应的组成用户的基础参考用户的资源转移数值以及所述组成用户对所述基础参考用户的信任度得到;
以所述待推荐用户作为目标组成用户,根据从所述目标推荐矩阵中获取的所述目标组成用户对应的矩阵值得到所述待推荐用户对所述第二当前待推荐资源的推荐资源转移数值。
13.一种信息处理装置,所述装置包括:
待推荐用户信息获取模块,用于获取待推荐用户和所述待推荐用户的关联关系;
目标参考用户得到模块,用于根据所述待推荐用户的关联关系获取所述待推荐用户的关联用户,得到目标参考用户;
信任度获取模块,用于获取所述待推荐用户对所述各个目标参考用户的信任度;
历史数据获取模块,用于获取所述目标参考用户的历史资源转移数据;
推荐信息得到模块,用于根据所述待推荐用户对所述各个目标参考用户的信任度以及所述各个目标参考用户对应的历史资源转移数据得到所述待推荐用户对应的资源推荐信息。
14.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1至12中任一项权利要求所述信息处理方法的步骤。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1至12中任一项权利要求所述信息处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710787560.XA CN109426985A (zh) | 2017-09-04 | 2017-09-04 | 信息处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710787560.XA CN109426985A (zh) | 2017-09-04 | 2017-09-04 | 信息处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109426985A true CN109426985A (zh) | 2019-03-05 |
Family
ID=65513823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710787560.XA Pending CN109426985A (zh) | 2017-09-04 | 2017-09-04 | 信息处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109426985A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110347973A (zh) * | 2019-07-15 | 2019-10-18 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN110851729A (zh) * | 2019-11-19 | 2020-02-28 | 深圳前海微众银行股份有限公司 | 资源信息推荐方法、装置、设备及计算机存储介质 |
CN112307334A (zh) * | 2020-10-29 | 2021-02-02 | 泰康保险集团股份有限公司 | 信息推荐方法、信息推荐装置、存储介质与电子设备 |
CN113360756A (zh) * | 2021-05-31 | 2021-09-07 | 北京百度网讯科技有限公司 | 资源推荐方法、装置、电子设备和介质 |
CN113676505A (zh) * | 2020-05-15 | 2021-11-19 | 财付通支付科技有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
CN114615029A (zh) * | 2022-02-25 | 2022-06-10 | 广东工业大学 | 一种终端信任度评估方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101466098A (zh) * | 2009-01-21 | 2009-06-24 | 中国人民解放军信息工程大学 | 网络信任度评估方法、装置和通信系统 |
US20090284531A1 (en) * | 2008-05-19 | 2009-11-19 | Takuya Ishioka | Information Processing Apparatus, Information Processing Method and Program |
CN102982108A (zh) * | 2012-11-07 | 2013-03-20 | 上海师范大学 | 一种社交网络环境中的用户间推荐信任度计算方法 |
CN103995823A (zh) * | 2014-03-25 | 2014-08-20 | 南京邮电大学 | 一种基于社交网络的信息推荐方法 |
-
2017
- 2017-09-04 CN CN201710787560.XA patent/CN109426985A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090284531A1 (en) * | 2008-05-19 | 2009-11-19 | Takuya Ishioka | Information Processing Apparatus, Information Processing Method and Program |
CN101466098A (zh) * | 2009-01-21 | 2009-06-24 | 中国人民解放军信息工程大学 | 网络信任度评估方法、装置和通信系统 |
CN102982108A (zh) * | 2012-11-07 | 2013-03-20 | 上海师范大学 | 一种社交网络环境中的用户间推荐信任度计算方法 |
CN103995823A (zh) * | 2014-03-25 | 2014-08-20 | 南京邮电大学 | 一种基于社交网络的信息推荐方法 |
Non-Patent Citations (1)
Title |
---|
何秀娟: ""基于信任的协同过滤推荐模型研究"", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑(月刊)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110347973A (zh) * | 2019-07-15 | 2019-10-18 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN110851729A (zh) * | 2019-11-19 | 2020-02-28 | 深圳前海微众银行股份有限公司 | 资源信息推荐方法、装置、设备及计算机存储介质 |
CN113676505A (zh) * | 2020-05-15 | 2021-11-19 | 财付通支付科技有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
CN113676505B (zh) * | 2020-05-15 | 2023-11-28 | 财付通支付科技有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
CN112307334A (zh) * | 2020-10-29 | 2021-02-02 | 泰康保险集团股份有限公司 | 信息推荐方法、信息推荐装置、存储介质与电子设备 |
CN112307334B (zh) * | 2020-10-29 | 2023-09-12 | 泰康保险集团股份有限公司 | 信息推荐方法、信息推荐装置、存储介质与电子设备 |
CN113360756A (zh) * | 2021-05-31 | 2021-09-07 | 北京百度网讯科技有限公司 | 资源推荐方法、装置、电子设备和介质 |
CN114615029A (zh) * | 2022-02-25 | 2022-06-10 | 广东工业大学 | 一种终端信任度评估方法、装置、设备及存储介质 |
CN114615029B (zh) * | 2022-02-25 | 2023-07-18 | 广东工业大学 | 一种终端信任度评估方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109426985A (zh) | 信息处理方法、装置、计算机设备和存储介质 | |
US11659050B2 (en) | Discovering signature of electronic social networks | |
CN109345302A (zh) | 机器学习模型训练方法、装置、存储介质和计算机设备 | |
CN109615454A (zh) | 确定用户金融违约风险的方法及装置 | |
CN110009384A (zh) | 预测业务指标的方法及装置 | |
CN109087178A (zh) | 商品推荐方法和装置 | |
CN108133013A (zh) | 信息处理方法、装置、计算机设备和存储介质 | |
CN108874823A (zh) | 智能客服的实现方法和装置 | |
TW202008264A (zh) | 透過深度強化學習進行推薦行銷的方法及裝置 | |
US11227217B1 (en) | Entity transaction attribute determination method and apparatus | |
CN109102393A (zh) | 训练和使用关系网络嵌入模型的方法及装置 | |
CN111461841A (zh) | 物品推荐方法、装置、服务器及存储介质 | |
CN103761254A (zh) | 多领域服务主题匹配推荐方法 | |
CN108932582A (zh) | 风险信息确定方法、装置、计算机设备和存储介质 | |
CN107767152A (zh) | 产品购买倾向分析方法及服务器 | |
CN113191838A (zh) | 一种基于异质图神经网络的购物推荐方法及系统 | |
CN107368499B (zh) | 一种客户标签建模及推荐方法及装置 | |
CN106202151A (zh) | 一种用于提高个性化推荐系统多样性的方法 | |
CN107784511A (zh) | 一种用户流失预测方法及装置 | |
CN105589966A (zh) | 一种基于综合得分的好友推荐方法 | |
CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
CN109075987A (zh) | 优化数字组件分析系统 | |
CN114155009A (zh) | 欺诈检测方法、装置、电子设备及存储介质 | |
CN110264364B (zh) | 一种投资方的推荐方法 | |
CN113821827A (zh) | 保护多方数据隐私的联合建模方法及装置 |
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 |