CN109544396B - 账号推荐方法、装置、服务器、终端及存储介质 - Google Patents
账号推荐方法、装置、服务器、终端及存储介质 Download PDFInfo
- Publication number
- CN109544396B CN109544396B CN201910024644.7A CN201910024644A CN109544396B CN 109544396 B CN109544396 B CN 109544396B CN 201910024644 A CN201910024644 A CN 201910024644A CN 109544396 B CN109544396 B CN 109544396B
- Authority
- CN
- China
- Prior art keywords
- account
- social
- similarity
- accounts
- interaction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000003993 interaction Effects 0.000 claims description 143
- 239000013598 vector Substances 0.000 claims description 44
- 230000002452 interceptive effect Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 20
- 238000012545 processing Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种账号推荐方法、装置、服务器、终端及存储介质,属于互联网设备领域。所述方法包括:接收目标客户端发送的社交推荐请求,社交推荐请求中包含第一账号;根据第一账号对应的第一社交关系链,确定至少一个第二账号,第二账号不属于第一社交关系链,且第二账号对应的第二社交关系链与第一社交关系链之间存在交集;获取第一账号和各个第二账号的社交相似度,获取第一账号和各个第二账号的兴趣相似度;根据各个第二账号对应的社交相似度和兴趣相似度,在至少一个第二账号中确定候选推荐账号;向目标客户端发送候选推荐账号。本申请能够扩大社交推荐的推荐范围,避免相关技术中推荐局限性的问题。
Description
技术领域
本申请实施例涉及互联网社交领域,特别涉及一种账号推荐方法、装置、服务器、终端及存储介质。
背景技术
随着互联网技术的不断发展,越来越多的应用程序开始具备社交功能。比如,视频类应用程序或者新闻阅读类应用程序开始具备社交功能。
用户在使用具备社交功能的应用程序时,可以通过该社交功能与其他使用该应用程序的用户进行社交。相关技术中,当用户使用手机号注册应用程序内的账号时,应用程序获取终端通讯录中联系人的手机号码,然后通过服务器查询与该手机号码对应的联系人账号。若查询到联系人账号,则在应用程序中对该联系人账号进行推荐,以便在应用程序中与通讯录中的联系人建立社交关系。
然而,相关技术中基于通讯录进行社交推荐时,只能够实现推荐通讯录中的已有联系人,导致社交推荐的推荐范围有限。
发明内容
本申请实施例提供了一种账号推荐方法、装置、服务器、终端及存储介质,可以解决相关技术中基于通讯录进行社交推荐时,只能够实现推荐通讯录中的已有联系人,导致社交推荐的推荐范围有限的问题。所述技术方案如下:
一方面,提供了一种账号推荐方法,所述方法包括:
接收目标客户端发送的社交推荐请求,所述社交推荐请求中包含第一账号;
根据所述第一账号对应的第一社交关系链,确定至少一个第二账号,所述第二账号不属于所述第一社交关系链,且所述第二账号对应的第二社交关系链与所述第一社交关系链之间存在交集;
获取所述第一账号和各个所述第二账号的社交相似度,所述社交相似度用于表示两个账号的社交关系之间的相似程度;
获取所述第一账号和各个所述第二账号的兴趣相似度,所述兴趣相似度用于表示两个账号的兴趣喜好之间的相似程度;
根据各个所述第二账号对应的所述社交相似度和所述兴趣相似度,在所述至少一个第二账号中确定候选推荐账号;
向所述目标客户端发送所述候选推荐账号。
另一方面,提供了一种账号推荐方法,所述方法包括:
显示目标客户端对应的客户端界面;
向服务器发送社交推荐请求,所述社交推荐请求中包含第一账号;
接收所述服务器发送的候选推荐账号,所述候选推荐账号是根据所述第一账号与各个第二账号的社交相似度,以及所述第一账号与各个第二账号的兴趣相似度,从至少一个所述第二账号中确定得到,所述第二账号不属于所述第一账号对应的第一社交关系链,且所述第二账号对应的第二社交关系链与所述第一社交关系链之间存在交集;
在所述客户端界面中显示所述候选推荐账号。
另一方面,提供了一种账号推荐装置,所述装置包括:
第一接收模块,用于接收目标客户端发送的社交推荐请求,所述社交推荐请求中包含第一账号;
第一确定模块,用于根据所述第一账号对应的第一社交关系链,确定至少一个第二账号,所述第二账号不属于所述第一社交关系链,且所述第二账号对应的第二社交关系链与所述第一社交关系链之间存在交集;
第一获取模块,用于获取所述第一账号和各个所述第二账号的社交相似度,所述社交相似度用于表示两个账号的社交关系之间的相似程度;
第二获取模块,用于获取所述第一账号和各个所述第二账号的兴趣相似度,所述兴趣相似度用于表示两个账号的兴趣喜好之间的相似程度;
第二确定模块,用于根据各个所述第二账号对应的所述社交相似度和所述兴趣相似度,在所述至少一个第二账号中确定候选推荐账号;
推荐模块,用于向所述目标客户端发送所述候选推荐账号。
另一方面,提供了一种账号推荐装置,所述装置包括:
第一显示模块,用于显示目标客户端对应的客户端界面;
发送模块,用于向服务器发送社交推荐请求,所述社交推荐请求中包含第一账号;
接收模块,用于接收所述服务器发送的候选推荐账号,所述候选推荐账号是根据所述第一账号与各个第二账号的社交相似度,以及所述第一账号与各个第二账号的兴趣相似度,从至少一个所述第二账号中确定得到,所述第二账号不属于所述第一账号对应的第一社交关系链,且所述第二账号对应的第二社交关系链与所述第一社交关系链之间存在交集;
第二显示模块,用于在所述客户端界面中显示所述候选推荐账号。
另一方面,提供了一种服务器,所述服务器包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现如上述方面所述的账号推荐方法。
另一方面,提供了一种终端,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现如上述方面所述的账号推荐方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现如上述方面所述的账号推荐方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
当接收到目标客户端发送的社交推荐请求时,根据社交推荐请求中第一账号对应的第一社交关系链,确定出不属于第一社交关系链,且与第一账号的社交关系链存在交集的第二账号,并基于第一账号与第二账号的社交相似度以及兴趣相似度,从多个第二账号中筛选出候选推荐账号,进而将候选推荐账号推荐给目标客户端,以便目标客户端根据用户选择与候选推荐账号建立社交关系;本申请实施例中,由于筛选出的候选推荐账号不属于第一账号的社交关系链,因此能够扩大社交推荐的推荐范围,避免基于通讯录进行社交推荐造成的推荐局限性;并且,基于账号之间的社交关系以及账号对应的喜好进行账号推荐,有利于提高推荐账号被用户点击并建立社交关系的概率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1示出了本申请一个实施例提供的实施环境的示意图;
图2是一个实施例提供的账号推荐系统的系统架构图;
图3示出了本申请一个实施例提供的账号推荐方法的流程图;
图4示出了本申请另一个实施例提供的账号推荐方法的流程图;
图5是终端显示候选推荐账号的界面示意图;
图6是服务器确定候选推荐账号过程的原理示意图;
图7示出了本申请另一个实施例提供的账号推荐方法的流程图;
图8是确定第一账号与第二账号间关系链交集过程的实施示意图;
图9示出了本申请一个实施例提供的账号推荐装置的框图;
图10示出了本申请一个实施例提供的服务器的结构示意图;
图11示出了本申请另一个实施例提供的账号推荐装置的框图;
图12示出了本申请一个实施例提供的终端的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
为了方便理解,下面对本申请实施例中涉及的名词进行说明。
社交关系链:一种用于描述不同账号之间社交关系的链式结构。其中,不同账号对应各自的社交关系链,该社交关系链中即包含与账号建立有社交关系的其它账号。比如,账号A对应的社交关系链可以表示为A:[B,C,D,E,F],其中,账号B、C、D、E、F与账号A建立有社交关系。
可选的,账号间的社交关系可以是好友关系、相互关注关系或者单向关注关系。在建立好友关系时,双方账号将对方账号添加到各自的社交关系链中;在建立单向关注关系时,关注方账号将被关注方账号添加到自身的社交关系链中,后续若被关注方账号也关注了关注方账号,则被关注方账号将关注方账号添加到自身的社交关系链中,从而建立双向关注关系。本申请实施例并不对社交关系的类型以及社交关系的建立方式进行限定。
交互数据:指账号间交互是产生的数据,该交互数据可以是赞同、评论、收藏、转发、分享等正面(positive)交互产生的数据,也可以是不赞同、忽略、屏蔽等负面(negative)交互产生的数据。
并且,在不同的应用程序中,产生交互数据的方式也不同。比如,在视频类应用程序中,对视频的评论和弹幕产生交互数据;在新闻类应用程序中,对新闻的分享和转发产生交互数据;在购物类应用程序中,对商品的评价和分享产生交互数据。
特征标签:一种用于指示账号特征的标识,本申请实施例中,特征标签用于指示账号的喜好特征,且特征标签基于客户端上报的历史使用记录生成。其中,每个账号对应的特征标签的数量可能相同,也可能不同,且历史使用记录越丰富,特征标签的准确度越高。
在不同的应用程序中,账号的特征标签所表征的喜好类型不同。比如,在视频类应用程序中,账号的特征标签用于表征视频观看喜好,比如视频类型、视频长度、观看时段等等;在购物类应用程序中,账号的特征标签用于表征购物喜好,比如商品类型、品牌、风格等等;在新闻类应用程序中,账号的特征标签用于表征新闻喜好,比如新闻类型(娱乐、体育、军事等等)、新闻形式(图文、视频等等)等等。
请参考图1,其示出了本申请一个实施例提供的实施环境的示意图。该实施环境中包括终端120和服务器140。
终端120是安装有目标客户端的电子设备,该电子设备可以是智能手机、平板电脑或个人计算机等等。图1中以终端120是智能手机为例进行说明。
其中,目标客户端是具有社交功能的客户端,其可以是视频类客户端、新闻类客户端、即时通信类客户端、购物类客户端等等,本申请实施例并不对目标客户端的类型进行限定。
终端120中的目标客户端登陆有账号,该账号可以视作社交网络中的社交用户,并可以与其他账号建立社交关系。
终端120与服务器140之间通过有线或无线网络相连。
服务器140是一台服务器、若干台服务器构成的服务器集群或云计算中心。本申请实施例中,服务器140是终端120中目标客户端的后台服务器,用于根据终端120发送的社交推荐请求,向终端120反馈候选推荐账号。
可选的,服务器140可以包括用户行为数据服务器141、用户特征服务器142、关系链服务器143和社交消息服务器144。
其中,用户行为数据服务器141用于存储目标客户端上报的用户行为数据,该用户行为数据是用户使用目标客户端过程中产生的数据,比如,对于视频类客户端,该用户行为数据可以是观看视频产生的数据、分享视频产生的数据、点赞视频产生的数据等等。
用户特征服务器142用于存储各个账号对应用户的用户特征,该用户特征可以采用特征标签的形式。比如,对于视频类客户端,该特征标签可以包括视频类型喜好标签、观看时段喜好标签、演员喜好标签等等。可选的,该用户特征根据用户行为数据分析得到。
关系链服务器143用于存储各个账号对应的社交关系链,并根据目标客户端添加账号以及删除账号的行为,对相应账号的社交关系链进行更新。比如,对于视频类客户端,该社交关系链中包含若干个视频账号。
社交消息服务器144用于存储各个账号对应的社交消息,该社交消息可以是账号发送的消息,也可以是账号接收到的消息。比如,对于视频类客户端,该社交消息可以是对视频发表的评论,也可以是接收到的其它账号发表的评论。
在一种可能的实施方式中,当接收到终端120中目标客户端(登陆有第一账号)发送的社交推荐请求后,基于关系链服务器143中存储的社交关系链,用户特征服务器142中存储的用户特征以及社交消息服务器144中存储的社交消息,服务器140向终端120反馈候选推荐账号。
可选地,上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络,包括但不限于局域网(Local Area Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中,使用包括超文本标记语言(Hyper Text Mark-up Language,HTML)、可扩展标记语言(Extensible MarkupLanguage,XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer,SSL)、传输层安全(Transport Layer Security,TLS)、虚拟专用网络(Virtual Private Network,VPN)、网际协议安全(Internet ProtocolSecurity,IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中,还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
本申请各个实施例提供的服务器侧的账号推荐方法由图1中的服务器140执行,终端侧的账号推荐方法由图1中的终端120执行,为了方便表述,下述各个实施例以账号推荐方法由服务器和终端执行为例进行说明。
本申请实施例提供的账号推荐方法可以用于为应用程序内的账号推荐场景,该应用程序可以是视频应用程序、购物应用程序、新闻应用程序或即时通信应用程序等。下面以应用于不同应用程序的账号推荐场景为例进行说明。
视频应用程序的账号推荐场景
应用于视频应用程序时,服务器基于账号对应的社交关系链(包含多个好友账号)、与社交关系链中好友账号的视频评论消息以及账号的历史视频观看记录,确定出未建立社交关系但具有相似视频观看喜好的候选推荐账号,并在接收到社交推荐请求时,将该候选推荐账号发送给视频应用程序,供视频应用程序进行显示。用户在使用视频应用程序时,即可该候选推荐账号建立社交关系。
购物应用程序的账号推荐场景
应用于购物应用程序时,服务器基于账号对应的社交关系链、与社交关系链中好友账号的商品评论消息以及账号的历史购物记录,确定出未建立社交关系但拥有相似购物喜好的候选推荐账号,并在接收到社交推荐请求时,将候选推荐账号发送给购物应用程序,供购物应用程序进行显示。用户在使用购物应用程序时,即可与候选推荐账号建立社交关系。
新闻应用程序的账号推荐场景
应用于新闻应用程序时,服务器基于账号对应的社交关系链、与社交关系链中好友账号的新闻评论消息以及账号的历史新闻阅读记录,确定出未建立社交关系但拥有相似新闻阅读偏好的候选推荐账号,并在接收到社交推荐请求时,将候选推荐账号发送给新闻应用程序,供新闻应用程序进行显示。用户在使用新闻应用程序时,即可与候选推荐账号建立社交关系。
即时通信应用程序的账号推荐场景
应用于即时通信应用程序时,服务器基于账号对应的社交关系链、与社交关系链中好友账号的历史聊天记录以及账号对应的用户标签,确定出未建立社交关系但拥有相似用户标签的候选推荐账号,并在接收到社交推荐请求时,将候选推荐账号发送给即时通信应用程序,供即时通信应用程序进行显示,以便用户与候选推荐账号建立社交关系。
当然,上述账号推荐方法还可以用于其它需要进行账号推荐的应用场景,比如视频创作者关注推荐场景,本申请仅以上述场景进行示意性说明,但并不对此构成限定。
以目标客户端为视频客户端为例,实现本申请实施例提供账号推荐方法的社交推荐系统的系统架构如图2所示。该系统可以分为接入层210、逻辑层220以及数据层230。
接入层21负责视频客户端请求的接入,其中包括用户行为数据上报接口211、社交推荐接口212、社交关系添加接口213以及社交消息读写接口214。
逻辑层220负责处理业务逻辑,其中包括用户行为数据上报服务221、社交推荐服务222、社交关系添加服务器223和社交消息读写服务224。
数据层230负责数据存储,其中包括用户行为数据存储服务231(可以由图1中的用户行为数据服务器141执行)、用户特征信息存储服务232(可以由图1中的用户特征服务器142执行)、关系链存储服务233(可以由图1中的关系链服务器143执行)和社交消息存储服务234(可以由图1中的社交消息服务器144执行)。
用户行为数据上报接口211用于接收视频客户端上报的用户行为数据,该用户行为数据包括视频观看数据、视频搜索数据、视频收藏数据等等;用户行为数据上报服务221对用户行为数据上报接口211上报的用户行为数据进行整理补齐处理,并将处理后的用户行为数据交由用户行为数据存储服务231进行存储。
社交关系添加接口213用于接收视频客户端发送的社交关系建立请求,由社交关系添加服务器223根据该请求,对关系链存储服务器233中的关系链进行更新。
社交消息读写接口214用于接收视频客户端发送的社交消息读写请求(接收其他账号发送的社交消息或者向其他账号发送社交消息),由社交消息读写服务器224根据该请求,将社交消息存储到社交消息存储服务234中。
此外,数据层230还提供用户画像服务,用于根据用户行为数据存储服务231和社交消息存储服务234中存储的数据生成用户画像,并将该用户画像存储在用户特征信息存储服务232中。
社交推荐接口212用于接收视频客户端发送的社交推荐请求,由社交推荐服务222根据用户特征信息存储服务232中存储的用户特征,以及关系链存储服务233中存储的社交关系链,确定候选推荐账号,并通过社交推荐接口212将候选推荐用户反馈给视频客户端。
请参考图3,其示出了本申请一个实施例提供的账号推荐方法的流程图。本实施例以该方法应用于图1中的服务器140来举例说明,该方法可以包括以下几个步骤:
步骤301,接收目标客户端发送的社交推荐请求,社交推荐请求中包含第一账号。
其中,该社交推荐请求由用户手动触发发送,或者,由目标客户端主动发送。本申请并不对社交推荐请求的发送时机进行限定。
在一种可能的实施方式中,当目标客户端中设置有社交推荐入口时,用户通过该社交推荐入口即可触发目标客户端向服务器发送社交推荐请求。比如,当接收到对客户端界面中的好友推荐控件的触发操作时,目标客户端向服务器发送社交推荐请求。
在另一种可能的实施方式中,目标客户端按照预定时间间隔向服务器发送社交推荐请求。比如,目标客户端在每天首次开启时面向目标服务器发送社交推荐请求。
为了使服务器知悉请求社交推荐的账号,目标客户端发送的社交推荐请求中包含目标客户端中登陆的第一账号。
示意性的,如图2所示,服务器通过社交推荐接口212接收该社交推荐请求。
步骤302,根据第一账号对应的第一社交关系链,确定至少一个第二账号,第二账号不属于第一社交关系链,且第二账号对应的第二社交关系链与第一社交关系链之间存在交集。
为了实现向用户推荐已有社交关系链以外的其他用户,并避免推荐的其他用户与当前用户之间不存在交集,服务器根据第一账号对应的第一社交关系链,确定出至少一个不属于第一社交关系链,且自身社交关系链与第一社交关系链存在交集的第二账号。
比如,账号A(第一账号)对应的第一社交关系链为[B,C,D,E,F],账号G(第二账号)对应的第二社交关系链为[B,C,H,I,J],账号G不属于账号A的社交关系链,且账号G的社交关系链与账号A的社交关系链之间存在交集(账号B和C)。
在一种可能的实施方式中,第一社交关系链和第二社交关系链属于同一应用程序。比如,第一社交关系链为微信账号A对应的微信好友关系链,而第二社交关系链为微信账号G对应的微信好友关系链,在这种情况下,第一社交关系链与第二社交关系链之间存在交集是指:第一社交关系链和第二社交关系链中包含相同的微信好友。
在另一种可能的实施方式中,第一社交关系链和第二社交关系链属于不同应用程序。比如,第一社交关系链为微信账号A对应的微信好友关系链,而第二社交关系链为QQ帐号G对应的QQ好友关系链,在这种情况下,第一社交关系链与第二社交关系链之间存在交集是指:第二社交关系链中包含第一社交关系链中某一微信好友对应的QQ账号。
为了方便表述,下述实施例以第一社交关系链和第二社交关系链属于同一应用程序为例进行说明。
示意性的,如图2所示,服务器根据第一账号,从关系链存储服务233处获取第一社交关系链。
步骤303,获取第一账号和各个第二账号的社交相似度,社交相似度用于表示两个账号的社交关系之间的相似程度。
由于具有相似社交关系的两个账号之间建立社交关系的概率较高,因此,服务器计算第一账号与第二账号的社交相似度,并将社交相似度作为候选推荐账号的一个选取维度。
可选的,该社交相似度根据第一账号和第二账号对应社交关系链的相似程度相关;和/或,与第一账号与共同账号的交互度以及第二账号与共同账号的交互度相关,该共同账号既属于第一账号的社交关系链,又属于第二账号的社交关系链。
可选的,第一账号与第二账号之间的社交相似度可以实时计算,也可以预先计算并存储,本实施例对此不做限定。
示意性的,如图2所示,服务器基于关系链存储服务233确定账号间社交关系链的相似程度;基于社交消息存储服务234确定账号之间的交互度。
步骤304,获取第一账号和各个第二账号的兴趣相似度,兴趣相似度用于表示两个账号的兴趣喜好之间的相似程度。
由于具有相似喜好的两个账号之间建立社交关系的概率较高,因此,服务器计算第一账号和第二账号的兴趣相似度,并将兴趣相似度作为候选推荐账号的一个选取维度。
可选的,第一账号与第二账号之间的兴趣相似度可以实时计算,也可以预先计算并存储,本实施例对此不做限定。
示意性的,如图2所示,服务器基于用户特征信息存储服务232确定账号之间的兴趣相似度。
需要说明的是,步骤303和步骤304之间不存在严格的先后关系,即两者可以同步执行也可以异步执行,本申请实施例并不对此进行限定。
步骤305,根据各个第二账号对应的社交相似度和兴趣相似度,在至少一个第二账号中确定候选推荐账号。
进一步的,基于第一账号与第二账号的社交相似度以及兴趣相似度,服务器从至少一个第二账号中筛选出至少一个候选推荐账号。
在一种可能的实施方式中,根据社交相似度、社交相似度对应的第一推荐权重,兴趣相似度、兴趣相似度对应的第二推荐权重,计算各个第二账号对应推荐指数,从而根据该推荐指数选取候选推荐账号。
在另一种可能的实施方式中,服务器预先通过深度学习训练出推荐预测模型,然后将各个第二账号对应的社交相似度和兴趣相似度输入推荐预测模型中,从而得到各个第二账号对应的预测添加概率,进而根据该预测添加概率选取候选推荐账号。
示意性的,如图2所示,社交推荐服务222根据账号间的社交相似度以及兴趣相似度,确定出候选推荐账号。
步骤306,向目标客户端发送候选推荐账号。
服务器将确定出的候选推荐账号反馈给目标客户端,由目标客户端进行显示,进而从中选择某一账号建立社交关系。
示意性的,如图2所示,服务器通过社交推荐接口向视频客户端发送候选推荐账号。
在一种可能的实施方式中,向目标客户端发送候选推荐账号时,为了使用户知悉推荐理由,服务器向目标客户端发送各个候选推荐账号与第一账号之间共同账号数量,和/或,发送各个候选推荐账号与第一账号之间的共同兴趣。
采用本申请实施例提供的账号推荐方法,服务器能够向用户推荐其社交关系链以外具有一定社交关联性(具有社交链交集),且具有相似喜好的其他用户,从而扩展了社交推荐的推荐广度,并有利于提高用户活跃度和用户粘性。
综上所述,本申请实施例中,当接收到目标客户端发送的社交推荐请求时,根据社交推荐请求中第一账号对应的第一社交关系链,确定出不属于第一社交关系链,且与第一账号的社交关系链存在交集的第二账号,并基于第一账号与第二账号的社交相似度以及兴趣相似度,从多个第二账号中筛选出候选推荐账号,进而将候选推荐账号推荐给目标客户端,以便目标客户端根据用户选择与候选推荐账号建立社交关系;本申请实施例中,由于筛选出的候选推荐账号不属于第一账号的社交关系链,因此能够扩大社交推荐的推荐范围,避免基于通讯录进行社交推荐造成的推荐局限性;并且,基于账号之间的社交关系以及账号对应的喜好进行账号推荐,有利于提高推荐账号被用户点击并建立社交关系的概率;同时,由于目标客户端进行社交推荐时并不依赖终端通讯录,因此即便目标应用程序不具备通讯录读取权限,也能够实现社交推荐,从而扩大了社交推荐的应用场景。
请参考图4,其示出了本申请另一个实施例提供的账号推荐方法的流程图。本实施例以该方法应用于图1中的终端120来举例说明,该方法可以包括以下几个步骤:
步骤401,显示目标客户端对应的客户端界面。
当接收到客户端开启操作时(比如接收到对目标客户端对应应用图标的点击操作),终端开启目标客户端,并显示客户端界面。
对于视频客户端,该客户端界面中包含若干视频元素及视频播放控件,对于新闻客户端,该客户端界面中包含若干新闻元素,对于购物客户端,该客户端界面中包含若干购物元素及购物控件。本申请实施例并不对客户端界面中包含的具体内容进行限定。
示意性的,如图5所示,终端显示视频客户端对应的客户端界面51。
步骤402,向服务器发送社交推荐请求,社交推荐请求中包含第一账号。
可选的,当接收到推荐触发信号时,终端向服务器发送社交推荐请求。
该推荐触发信号由用户手动触发(比如点击账号推荐控件时触发),也可以由目标客户端主动触发(比如每日首次开启目标客户端时主动触发)。且为了使服务器推荐未建立社交关系的账号,该社交推荐请求中包含目标客户端登陆的第一账号。
步骤403,接收服务器发送的候选推荐账号,候选推荐账号是根据第一账号与各个第二账号的社交相似度,以及第一账号与各个第二账号的兴趣相似度,从至少一个第二账号中确定得到,第二账号不属于第一账号对应的第一社交关系链,且第二账号对应的第二社交关系链与第一社交关系链之间存在交集。
服务器接收到社交推荐请求后,基于各个账号的社交关系链以及各个账号的兴趣喜好,确定候选推荐账号。其中,确定候选推荐账号的过程可以参考图3所示的实施例,本实施例在此不再赘述。
步骤404,在客户端界面中显示候选推荐账号。
终端将接收到的候选推荐账号显示在客户端界面中,以便用户选择建立社交关系。
可选的,客户端界面中显示候选推荐账号对应的账号名称、账号头像和推荐理由中的至少一项内容。
示意性的,如图5所示,客户端界面51中显示各个候选推荐账号52。
在一种可能的实施方式中,如图6所示,服务器通过获取第一账号和第二账号各自对应的社交关系链601,确定第一账号与第二账号之间的关系链交集602,并根据第一账号和第二账号各自的交互数据603,确定第一账号与第二账号之间的预计交互度604,从而根据关系链交集602和预计交互度604确定出账号之间的社交相似度;同时,服务器根据第一账号和第二账号各自对应的特征标签606,确定第一账号与第二账号之间的兴趣相似度607,进而将社交相似度605和兴趣相似度607输入预先训练的推荐预测模型608,从而得到输入的候选推荐账号。下面采用示意性的实施例进行说明。
请参考图7,其示出了本申请另一个实施例提供的账号推荐方法的流程图。本实施例以该方法应用于图1中的服务器140来举例说明,该方法可以包括以下几个步骤:
步骤701,接收目标客户端发送的社交推荐请求,社交推荐请求中包含第一账号。
本步骤的实施方式可以参考上述步骤301,本实施例在此不再赘述。
步骤702,获取第一账号对应的第一社交关系链,第一社交关系链中包括第三账号。
示意性的,如图2所示,终端根据第一账号从关系链存储服务233处获取第一账号对应的第一社交关系链,该第一社交关系链中包含与第一账号建立有社交关系的至少一个第三账号。
如图8所示,服务器获取到账号A(第一账号)对应的第一社交关系链71,第一社交关系链81中包含账号B、C、D、E和F。
步骤703,获取第三账号对应的第三社交关系链。
针对第一社交关系链81中的每个第三账号,服务器获取第三账号对应的第三社交关系链。
示意性的,如图8所示,服务器分别获取账号B、C、D、E以及F各自对应的第三社交关系链82、83、84、85和86。
在一种可能的实施方式中,为了减少计算量,服务器获取第一账号与各个第三账号的亲密度,并获取亲密度高于亲密度阈值的第三账号对应的第三社交关系链。本实施例对此不做限定。
步骤704,将属于第三社交关系链,且不属于第一社交关系链的账号确定为第二账号。
为了避免重复推荐第一社交关系链中已有的账号,服务器基于第一社交关系链和第三社交关系链,将属于第三社交关系链且不属于第一社交关系链的账号确定为第二账号。
在一种可能的实施方式中,对于各个第三社交关系链,服务器计算第三社交关系链与第一社交关系链的关系链交集,并从第三社交关系链中去除关系链交集中的账号,得到第二账号。
示意性的,如图8所示,服务器根据第一社交关系链81和第三社交关系链82,确定第二账号为账号G和H;根据第一社交关系链81和第三社交关系链83,确定第二账号为空;根据第一社交关系链81和第三社交关系链84,确定第二账号为空;根据第一社交关系链81和第三社交关系链85,确定第二账号为账号H;根据第一社交关系链81和第三社交关系链86,确定第二账号为账号J。
步骤705,确定第一社交关系链和第二社交关系链的关系链交集,关系链交集中包含至少一个共有账号。
对于确定出的每个第二账号,服务器获取第二账号对应的第二社交关系链,并通过计算第一社交关系链和第二社交关系链的关系链交集。由于第二账号属于第三账号的第三社交关系链,因此,第一社交关系链和第二社交关系链之间包含至少一个共有账号。
示意性的,以图8中确定出的账号G(第二账号)为例,账号G对应的第二社交关系链87中包含账号B、C、H、I和K,从而确定与账号A对应第一社交关系链81的关系链交集中包含共有账号B和账号C。
步骤706,根据第一账号和第二账号各自的交互数据,确定第一账号和第二账号的预计交互度,交互数据是至少两个账号之间交互过程产生的数据。
建立有社交关系的账号之间可以进行交互,且正面交互的次数越多,表明账号之间的相似度和亲密度也越高,因此服务器可以基于账号间交互过程产生的交互数据确定账号之间的交互度,进而以交互度作为确定社交相似度的一个维度。
然而,由于第一账号和第二账号之间并未建立社交关系,因此第一账号和第二账号之间无法直接进行交互,进而无法之间计算第一账号和第二账号之间的交互度。同时,由于第一账号和第二账号之间存在关系链交集,因此服务器可以基于第一账号与关系链交集中账号的交互数据,以及第二账号与关系链交集中账号的交互数据,间接计算出第一账号和第二账号的预计交互度。在一种可能的实施方式中,本步骤可以包括如下步骤:
一、根据第一账号与共有账号的交互数据,确定第一账号与共有账号的第一交互度。
通过上述步骤705获取到第一账号与第二账号的关系链交集后,服务器获取第一账号与关系链交集中各个共有账号之间的交互数据,从而根据该交互数据确定第一账号与共有账号的第一交互度。
在一种可能的实施方式中,服务器获取第一账号与共有账号之间的正面交互数据以及负面交互数据,其中,正面交互数据是正面交互过程产生的数据,比如赞同、评论、收藏、转发、分享;负面交互数据则是负面交互过程产生的数据,比如,不赞同、忽略、屏蔽。可选的,该交互数据存储在图2所示的社交消息存储服务234中。
获取到正面交互数据和负面交互数据后,服务器根据正面交互数据指示的正面交互次数以及负面交互数据指示的负面交互次数,计算第一账号与共有账号的第一交互度,其中,正面交互次数与第一交互度呈正相关关系,负面交互次数与第一交互度呈负相关关系。
可选的,服务器首先根据正面交互次数在预设交互度的基础上提高交互度,然后根据负面交互次数降低交互度,并将最终得到的交互度归一化,从而得到第一交互度。
比如,服务器计算得到第一账号与共有账号之间的第一交互度为0.7。
二、根据第二账号与共有账号的交互数据,确定第二账号与共有账号的第二交互度。
与确定第一账号与共有账号间第一交互度相似的,服务器获取第二账号与共有账号的交互数据,进而确定第二账号与共有账号的第二交互度。基于交互数据确定交互度的步骤可以参考上述步骤,本实施例在此不再赘述。
比如,服务器计算得到第二账号与共有账号之间的第一交互度为0.5。
三、根据第一交互度和第二交互度确定第一账号和第二账号的预计交互度。
进一步的,根据计算得到的第一交互度和第二交互度,服务器计算第一账号和第二账号之间的预计交互度。
在一种可能的实施方式中,服务器根据第一交互度、第一交互度对应的第一权重、第二交互度以及第二交互度对应的第二权重,计算得到第一账号与第二账号的预计交互度,其中,预计交互度=(第一交互度×第一权重)+(第二交互度×第二权重)。比如,第一权重为0.6,第二权重为0.4。
当然,服务器还可以采用其他方式计算预计交互度,本实施例并不对计算预计交互度的具体方式构成限定。
需要说明的是,步骤705和706之间不存在严格的先后关系,即两者可以同步执行也可以异步执行,本申请实施例并不对此进行限定。
步骤707,根据关系链交集和预计交互度确定社交相似度。
获取到第一账号与第二账号之间的关系链交集和预计交互度后,服务器进一步计算第一账号与第二账号的社交相似度。
通常情况下,账号之间共有账号的数量越多,和/或,账号之间交互度越高,表明账号间社交关系的相似度越高,因此,在一种可能的实施方式中,服务器根据关系链交集中共有账号的数量以及预计交互度计算社交相似度。
可选的,根据共有账号的数量和预计交互度计算社交相似度时,共有账号的数量以及预计交互度对应各自的计算权重,服务器即根据共有账号的数量、预计交互度以及各自计算权重计算社交相似度(归一化后结果)。
比如,社交相似度=(共有账号数量×第三权重)+(预计交互度×第四权重)。
步骤708,获取第一账号对应的第一特征标签,以及第二账号对应的第二特征标签。
在一种可能的实施方式中,各个账号包含各自对应的特征标签,该特征标签根据目标客户端上报的历史使用记录生成,用于指示账号的特征。
可选的,对于视频客户端,视频客户端向服务器上报视频观看历史、视频搜索历史和视频收藏历史等历史使用记录,由服务器基于上报的历史使用记录生成账号对应的特征标签,其中,不同账号对应的特征标签的数量可以相同也可以不同。
由于特征标签能够指示用户使用目标客户端时的兴趣喜好,因此,服务器根据第一账号和第二账号各自对应的特征标签,确定两者的兴趣相似度。
示意性的,如图2所示,服务器从用户特征信息存储服务232处获取第一账号和第二账号各自对应的特征标签。
比如,服务器获取到第一账号的第一特征标签包括:动作片、喜剧片、惊悚片;获取到第二账号的第二特征标签包括:爱情片、动作片、喜剧片。
需要说明的是,上述步骤708与步骤705和706之间不存在严格的先后关系,即步骤708与步骤705和706可以同步执行也可以异步执行,本申请实施例并不对此进行限定。
步骤709,根据第一特征标签和第二特征标签,确定第一账号和第二账号的兴趣相似度。
在一种可能的实施方式中,服务器首先对第一特征标签和第二特征标签进行向量化(即将特征标签映射到向量空间),进而根据得到的特征向量确定账号之间的兴趣相似度。本步骤可以包括如下步骤。
一、对第一特征标签进行向量化处理,得到第一特征向量。
在一种可能的实施方式中,服务器采用词向量模型(Word to vector,Word2vec)来生成各个特征标签对应的特征向量。本申请实施例并不对向量化处理的具体方式进行限定。
可选的,对特征标签进行向量化处理可以是将特征标签转化为稠密词向量,其中,稠密词向量的每一维度都具有特定的含义,因此能够使相关联的词语之间的向量距离更加接近,从而可以衡量词语之间的相关性,进而提高后续计算特征向量相似度的准确性。
可选的,当账号包含多个特征标签时,服务器对各个特征标签进行向量化,并将向量化后的特征向量进行向量平均处理,得到账号对应的特征向量。
二、对第二特征标签进行向量化处理,得到第二特征向量。
本步骤的实施方式可以参考上述步骤,在此不再赘述。
三、根据第一特征向量和第二特征向量的余弦距离确定兴趣相似度。
由于不同账号对应的特征标签的数量,导致不同账号对应特征向量的维度不同,因此,计算特征向量的余弦距离,进而根据计算得到的余弦距离确定兴趣相似度。
第一特征向量和第二特征向量之间形成有向量夹角,该向量夹角的余弦值即为第一特征向量和第二特征向量的余弦距离。余弦距离表征了两向量之间在方向上的差异,从而衡量了信息之间的差异,其范围为[-1,1]。
余弦距离与兴趣相似度呈正相关关系,即余弦距离越大,账号之间的兴趣相似度就越高。可选地,由于在计算两个特征向量之间的余弦距离是有可能出现负值,而兴趣相似度通常为正值,因此,服务器可以将[-1,1]这一范围内的余弦距离映射为[0,1]这一范围内的兴趣相似度,以便后期数据处理。
当然,服务器还可以通过计算特征向量之间的欧式距离或者马氏距离来确定兴趣相似度,本申请并不对此进行限定。
步骤710,将社交相似度和兴趣相似度输入第一推荐预测模型,得到各个第二账号对应的预测添加概率,第一推荐预测模型通过深度学习训练得到,预测添加概率是第一账号与推荐的第二账号建立社交关系的概率。
通过上述步骤得到第一账号与各个第二账号之间的社交相似度和兴趣相似度后,服务器将社交相似度和兴趣相似度输入该第一推荐预测模型,从而得到各个第二账号各自对应的预测添加概率。
可选的,该第一推荐预测模型可以是基于卷积神经网络(Convolutional NeuralNetwork,CNN)训练生成。
步骤711,根据各个第二账号对应的预测添加概率确定候选推荐账号,候选推荐账号的预测添加概率高于其它第二账号的预测添加概率。
进一步的,服务器根据各个账号对应的预测添加概率,从中筛选出若干个候选推荐账号用于后续推荐。
在一种可能的实施方式中,服务器根据预测添加概率的降序,对第二账号进行排序,然后采用最高K个(Top-K)算法,从第二账号中筛选出K个候选推荐账号。
步骤712,向目标客户端发送候选推荐账号。
本步骤的实施方式可以参考上述步骤306,本实施例在此不再赘述。
在一种可能的实施方式中,服务器预先确定出候选推荐账号,并将候选推荐账号推送给目标客户端,由目标客户端进行存储。当满足候选推荐账号显示条件时,目标客户端即对本地存储的候选推荐账号进行显示。
本实施例中,服务器基于第一账号与共有账号之间的交互度,以及第二账号与共有账号之间的交互度,间接计算出第一账号与第二账号之间的预计交互度,以便后续基于该预计交互度计算账号之间的社交相似度,提高了社交相似度计算的全面性和准确性。
另外,本实施例中,服务器通过获取账号对应的特征标签,并对特征标签进行向量化,得到账号对应的特征向量,从而根据特征向量之间的余弦距离确定账号之间的兴趣相似度,提高了确定出的兴趣相似度的准确性。
关于上述步骤710中第一推荐预测模型的训练过程,在一种可能的实施方式中,模型训练服务器获取样本账号对应的社交关系链、特征标签以及交互数据,基于社交关系链和交互数据确定账号之间的样本社交相似度,基于账号的特征标签确定账号之间的样本兴趣相似度。
进一步的,模型训练服务器对样本账号进行推荐,并根据各个被推荐样本账号被添加的概率,确定各个被推荐的样本账号对应的样本添加概率。
根据账号对应的样本社交相似度、样本兴趣相似度(输入样本)以及样本添加概率(输出样本),模型训练服务器采用误差反向传播算法进行模型训练,最终训练得到第一推荐预测模型。由于推荐预测模型的预测准确度与输入参数的数量相关,因此,为了进一步提高推荐预测模型的预测准确度,在一种可能的实施方式中,在训练推荐预测模型时,除了将样本社交相似度和样本兴趣相似度作为输入样本外,模型训练服务器还将账号对应的特征向量(由账号的特征标签向量化得到)作为输入样本共同进行模型训练,得到第二推荐预测模型。
后续利用推荐预测模型进行预测时,服务器将第一账号与第二账号的社交相似度、兴趣相似度、第一账号的第一特征向量和第二账号的第二特征向量输入第二推荐预测模型,得到各个第二账号对应的预测添加概率。后续服务器根据各个第二账号对应的预测添加概率确定候选推荐账号。
相较于仅利用社交相似度和兴趣相似度进行预测,增加账号的特征向量进行预测能够提高模型输入的数据维度,进而提高预测结果的准确性。
为了进一步提高推荐预测模型输出结果的准确性,在一种可能的实施方式中,服务器向目标客户端发送候选推荐账号之后,接收目标客户端发送的社交关系建立请求,该社交关系建立请求中包含目标账号,目标账号属于候选推荐账号。服务器根据该社交关系建立请求,建立第一账号与目标账号之间的社交关系,并更新更新目标账号和第一账号的社交关系链。
进一步的,服务器根据目标账号对应的社交相似度、兴趣相似度以及预测添加概率,反向训练推荐预测模型。
可选的,服务器将目标账号对应的社交相似度以及兴趣相似度输入原推荐预测模型,得到模型输出的预测添加概率,进而根据预测添加概率和实际添加概率的差值,采用反向传播算法对推荐预测模型进行反向训练,从而得到更新后的推荐预测模型。后续进行预测时,即使用更新后的推荐预测模型。
本实施例中,服务器根据推荐目标客户端发送的社交关系建立请求,反向训练推荐预测模型,提高了推荐预测模型的准确性,进而提高了后续候选推荐账号被用户点击并建立社交关系的概率。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参考图9,其示出了本申请一个实施例提供的账号推荐装置的框图。该装置可以是图1所示实施环境中的服务器140,也可以设置在服务器140上。该装置可以包括:
第一接收模块810,用于接收目标客户端发送的社交推荐请求,所述社交推荐请求中包含第一账号;
第一确定模块820,用于根据所述第一账号对应的第一社交关系链,确定至少一个第二账号,所述第二账号不属于所述第一社交关系链,且所述第二账号对应的第二社交关系链与所述第一社交关系链之间存在交集;
第一获取模块830,用于获取所述第一账号和各个所述第二账号的社交相似度,所述社交相似度用于表示两个账号的社交关系之间的相似程度;
第二获取模块840,用于获取所述第一账号和各个所述第二账号的兴趣相似度,所述兴趣相似度用于表示两个账号的兴趣喜好之间的相似程度;
第二确定模块850,用于根据各个所述第二账号对应的所述社交相似度和所述兴趣相似度,在所述至少一个第二账号中确定候选推荐账号;
推荐模块860,用于向所述目标客户端发送所述候选推荐账号。
可选的,所述第二确定模块850,包括;
第一模型预测单元,用于将所述社交相似度和所述兴趣相似度输入第一推荐预测模型,得到各个所述第二账号对应的预测添加概率,所述第一推荐预测模型通过深度学习训练得到,所述预测添加概率是所述第一账号与推荐的所述第二账号建立社交关系的概率;
第六确定单元,用于根据各个所述第二账号对应的预测添加概率确定所述候选推荐账号,所述候选推荐账号的所述预测添加概率高于其它第二账号的所述预测添加概率。
可选的,所述装置还包括:
第二接收模块,用于接收所述目标客户端发送的社交关系建立请求,所述社交关系建立请求中包含目标账号,所述目标账号属于所述候选推荐账号;
更新模块,用于更新所述目标账号和所述第一账号的社交关系链;
训练模块,用于根据所述目标账号对应的所述社交相似度、所述兴趣相似度以及所述预测添加概率,反向训练所述推荐预测模型。
可选的,所述第一确定模块820,包括:
第一获取单元,用于获取所述第一账号对应的所述第一社交关系链,所述第一社交关系链中包括第三账号;
第二获取单元,用于获取所述第三账号对应的第三社交关系链;
第一确定单元,用于将属于所述第三社交关系链,且不属于所述第一社交关系链的账号确定为所述第二账号。
可选的,所述第一获取模块830,包括:
第二确定单元,用于确定所述第一社交关系链和所述第二社交关系链的关系链交集,所述关系链交集中包含至少一个共有账号;
第三确定单元,用于根据所述第一账号和所述第二账号各自的交互数据,确定所述第一账号和所述第二账号的预计交互度,所述交互数据是至少两个账号之间交互过程产生的数据;
第四确定单元,用于根据所述关系链交集和所述预计交互度确定所述社交相似度;
其中,所述关系链交集中账号的数量与所述社交相似度呈正相关关系,所述预计交互度与所述社交相似度呈正相关关系。
可选的,所述第三确定单元,用于:
根据所述第一账号与所述共有账号的交互数据,确定所述第一账号与所述共有账号的第一交互度;
根据所述第二账号与所述共有账号的交互数据,确定所述第二账号与所述共有账号的第二交互度;
根据所述第一交互度和所述第二交互度确定所述第一账号和所述第二账号的所述预计交互度。
可选的,各个账号包含对应的特征标签,所述特征标签根据所述目标客户端上报的历史使用记录生成;
所述第二获取模块840,包括:
第三获取单元,用于获取所述第一账号对应的第一特征标签,以及所述第二账号对应的第二特征标签;
第五确定单元,用于根据所述第一特征标签和所述第二特征标签,确定所述第一账号和所述第二账号的所述兴趣相似度。
可选的,所述第五确定单元,用于:
对所述第一特征标签进行向量化处理,得到第一特征向量;
对所述第二特征标签进行向量化处理,得到第二特征向量;
根据所述第一特征向量和所述第二特征向量的欧氏距离确定所述兴趣相似度。
可选的,所述第二确定模块850,还包括:
第二模型预测单元,用于将所述社交相似度、所述兴趣相似度、所述第一特征向量和所述第二特征向量输入第二推荐预测模型,所述第二推荐预测模型通过深度学习训练得到,得到各个所述第二账号对应的预测添加概率,所述预测添加概率是所述第一账号与推荐的所述第二账号建立社交关系的概率;
所述第六确定单元,用于根据各个所述第二账号对应的预测添加概率确定所述候选推荐账号,所述候选推荐账号的所述预测添加概率高于其它第二账号的所述预测添加概率。
综上所述,本实施例中,当接收到目标客户端发送的社交推荐请求时,根据社交推荐请求中第一账号对应的第一社交关系链,确定出不属于第一社交关系链,且与第一账号的社交关系链存在交集的第二账号,并基于第一账号与第二账号的社交相似度以及兴趣相似度,从多个第二账号中筛选出候选推荐账号,进而将候选推荐账号推荐给目标客户端,以便目标客户端根据用户选择与候选推荐账号建立社交关系;本申请实施例中,由于筛选出的候选推荐账号不属于第一账号的社交关系链,因此能够扩大社交推荐的推荐范围,避免基于通讯录进行社交推荐造成的推荐局限性;并且,基于账号之间的社交关系以及账号对应的喜好进行账号推荐,有利于提高推荐账号被用户点击并建立社交关系的概率。
请参考图10,其示出了本申请一个实施例提供的服务器的结构示意图。该服务器可以实现成为图1所示实施环境中的服务器140,以实施上述实施例提供的账号推荐方法。具体来讲:
服务器1000包括中央处理单元(CPU)1001、包括随机存取存储器(RAM)1002和只读存储器(ROM)1003的系统存储器1004,以及连接系统存储器1004和中央处理单元1001的系统总线1005。所述服务器1000还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)1006,和用于存储操作系统1013、应用程序1014和其他程序模块1015的大容量存储设备1007。
所述基本输入/输出系统1006包括有用于显示信息的显示器1008和用于用户输入信息的诸如鼠标、键盘之类的输入设备1009。其中所述显示器1008和输入设备1009都通过连接到系统总线1005的输入输出控制器1010连接到中央处理单元1001。所述基本输入/输出系统1006还可以包括输入输出控制器1010以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器1010还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1007通过连接到系统总线1005的大容量存储控制器(未示出)连接到中央处理单元1001。所述大容量存储设备1007及其相关联的计算机可读介质为服务器1000提供非易失性存储。也就是说,所述大容量存储设备1007可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术,CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1004和大容量存储设备1007可以统称为存储器。
根据本申请的各种实施例,所述服务器1000还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器1000可以通过连接在所述系统总线1005上的网络接口单元1011连接到网络1012,或者说,也可以使用网络接口单元1011来连接到其他类型的网络或远程计算机系统。
所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集经配置以由一个或者一个以上处理器执行,以实现上述账号推荐方法中各个步骤的功能。
请参考图11,其示出了本申请另一个实施例提供的账号推荐装置的框图。该装置可以是图1所示实施环境中的终端120,也可以设置在终端120上。该装置可以包括:
第一显示模块1110,用于显示目标客户端对应的客户端界面;
发送模块1120,用于当接收到推荐触发信号时,向服务器发送社交推荐请求,所述社交推荐请求中包含第一账号;
接收模块1130,用于接收所述服务器发送的候选推荐账号,所述候选推荐账号是根据所述第一账号与各个第二账号的社交相似度,以及所述第一账号与各个第二账号的兴趣相似度,从至少一个所述第二账号中确定得到,所述第二账号不属于所述第一账号对应的第一社交关系链,且所述第二账号对应的第二社交关系链与所述第一社交关系链之间存在交集;
第二显示模块1140,用于在所述客户端界面中显示所述候选推荐账号。
请参考图12,其示出了本申请一个实施例提供的终端的结构示意图。该服务器可以实现成为图1所示实施环境中的终端120,以实施上述实施例提供的账号推荐方法。具体来讲:
终端包括有:处理器1201和存储器1202。
处理器1201可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1201可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1201也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器1201可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1201还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。可选的,本申请实施例中,该AI处理器为具有手势识别功能的神经网络处理器(芯片)。
存储器1202可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是有形的和非暂态的。存储器1202还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器1202中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器1201所执行以实现本申请中提供的账号推荐方法。
在一些实施例中,终端还可选包括有:外围设备接口1203和至少一个外围设备。具体地,外围设备包括:射频电路1204、触摸显示屏1205、摄像头1206、音频电路1207、定位组件1208和电源1209中的至少一种。
在一些实施例中,终端还包括有一个或多个传感器1210。该一个或多个传感器1210包括但不限于:加速度传感器1211、陀螺仪传感器1212、压力传感器1213、指纹传感器1214、光学传感器1215以及接近传感器1216。
本领域技术人员可以理解,图12中示出的结构并不构成对终端的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
Claims (13)
1.一种账号推荐方法,其特征在于,所述方法包括:
接收目标客户端发送的社交推荐请求,所述社交推荐请求中包含第一账号;
根据所述第一账号对应的第一社交关系链,确定至少一个第二账号,所述第二账号不属于所述第一社交关系链,且所述第二账号对应的第二社交关系链与所述第一社交关系链之间存在交集;
确定所述第一社交关系链和所述第二社交关系链的关系链交集,所述关系链交集中包含至少一个共有账号;
根据所述第一账号与所述共有账号的交互数据,确定所述第一账号与所述共有账号的第一交互度,所述交互数据是至少两个账号之间交互过程产生的数据,所述交互数据包含正面交互数据与负面交互数据,所述正面交互数据与交互度呈正相关关系,所述负面交互数据与交互度呈负相关关系;
根据所述第二账号与所述共有账号的交互数据,确定所述第二账号与所述共有账号的第二交互度;
根据所述第一交互度和所述第二交互度确定所述第一账号和所述第二账号的预计交互度;
根据所述关系链交集和所述预计交互度确定所述第一账号与所述第二账号的社交相似度,其中,所述关系链交集中账号的数量与所述社交相似度呈正相关关系,所述预计交互度与所述社交相似度呈正相关关系,所述社交相似度用于表示两个账号的社交关系之间的相似程度;
获取所述第一账号和各个所述第二账号的兴趣相似度,所述兴趣相似度用于表示两个账号的兴趣喜好之间的相似程度;
根据各个所述第二账号对应的所述社交相似度和所述兴趣相似度,在所述至少一个第二账号中确定候选推荐账号;
向所述目标客户端发送所述候选推荐账号。
2.根据权利要求1所述的方法,其特征在于,所述根据各个所述第二账号对应的所述社交相似度和所述兴趣相似度,在所述至少一个第二账号中确定候选推荐账号,包括:
将所述社交相似度和所述兴趣相似度输入第一推荐预测模型,得到各个所述第二账号对应的预测添加概率,所述第一推荐预测模型通过深度学习训练得到,所述预测添加概率是所述第一账号与推荐的所述第二账号建立社交关系的概率;
根据各个所述第二账号对应的预测添加概率确定所述候选推荐账号,所述候选推荐账号的所述预测添加概率高于其它第二账号的所述预测添加概率。
3.根据权利要求2所述的方法,其特征在于,所述向所述目标客户端发送所述候选推荐账号之后,所述方法还包括:
接收所述目标客户端发送的社交关系建立请求,所述社交关系建立请求中包含目标账号,所述目标账号属于所述候选推荐账号;
更新所述目标账号和所述第一账号的社交关系链;
根据所述目标账号对应的所述社交相似度、所述兴趣相似度以及所述预测添加概率,反向训练所述第一推荐预测模型。
4.根据权利要求1至3任一所述的方法,其特征在于,所述根据所述第一账号对应的第一社交关系链,确定至少一个第二账号,包括:
获取所述第一账号对应的所述第一社交关系链,所述第一社交关系链中包括第三账号;
获取所述第三账号对应的第三社交关系链;
将属于所述第三社交关系链,且不属于所述第一社交关系链的账号确定为所述第二账号。
5.根据权利要求1至3任一所述的方法,其特征在于,各个账号包含对应的特征标签,所述特征标签根据所述目标客户端上报的历史使用记录生成;
所述获取所述第一账号和各个所述第二账号的兴趣相似度,包括:
获取所述第一账号对应的第一特征标签,以及所述第二账号对应的第二特征标签;
根据所述第一特征标签和所述第二特征标签,确定所述第一账号和所述第二账号的所述兴趣相似度。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一特征标签和所述第二特征标签,确定所述第一账号和所述第二账号的所述兴趣相似度,包括:
对所述第一特征标签进行向量化处理,得到第一特征向量;
对所述第二特征标签进行向量化处理,得到第二特征向量;
根据所述第一特征向量和所述第二特征向量的余弦距离确定所述兴趣相似度。
7.根据权利要求6所述的方法,其特征在于,所述根据各个所述第二账号对应的所述社交相似度和所述兴趣相似度,在所述至少一个第二账号中确定候选推荐账号,还包括:
将所述社交相似度、所述兴趣相似度、所述第一特征向量和所述第二特征向量输入第二推荐预测模型,所述第二推荐预测模型通过深度学习训练得到,得到各个所述第二账号对应的预测添加概率,所述预测添加概率是所述第一账号与推荐的所述第二账号建立社交关系的概率;
根据各个所述第二账号对应的预测添加概率确定所述候选推荐账号,所述候选推荐账号的所述预测添加概率高于其它第二账号的所述预测添加概率。
8.一种账号推荐方法,其特征在于,所述方法包括:
显示目标客户端对应的客户端界面;
向服务器发送社交推荐请求,所述社交推荐请求中包含第一账号;
接收所述服务器发送的候选推荐账号,所述候选推荐账号是根据所述第一账号与各个第二账号的社交相似度,以及所述第一账号与各个第二账号的兴趣相似度,从至少一个所述第二账号中确定得到,所述第二账号不属于所述第一账号对应的第一社交关系链,且所述第二账号对应的第二社交关系链与所述第一社交关系链之间存在交集,所述第一账号与所述第二账号的社交相似度根据关系链交集和预计交互度确定,所述关系链交集是所述第一社交关系链和所述第二社交关系链的交集,所述关系链交集中包含至少一个共有账号,所述关系链交集中账号的数量与所述社交相似度呈正相关关系,所述预计交互度根据第一交互度与第二交互度确定,所述第一交互度根据所述第一账号与所述共有账号间的交互数据确定,所述第二交互度根据所述第二账号与所述共有账号间的交互数据确定,所述交互数据包含正面交互数据与负面交互数据,所述正面交互数据与交互度呈正相关关系,所述负面交互数据与交互度呈负相关关系,所述预计交互度与所述社交相似度呈正相关关系;
在所述客户端界面中显示所述候选推荐账号。
9.一种账号推荐装置,其特征在于,所述装置包括:
第一接收模块,用于接收目标客户端发送的社交推荐请求,所述社交推荐请求中包含第一账号;
第一确定模块,用于根据所述第一账号对应的第一社交关系链,确定至少一个第二账号,所述第二账号不属于所述第一社交关系链,且所述第二账号对应的第二社交关系链与所述第一社交关系链之间存在交集;
包含第二确定单元、第三确定单元以及第四确定单元的第一获取模块,所述第二确定单元用于确定所述第一社交关系链和所述第二社交关系链的关系链交集,所述关系链交集中包含至少一个共有账号;
所述第三确定单元,用于根据所述第一账号与所述共有账号的交互数据,确定所述第一账号与所述共有账号的第一交互度,所述交互数据是至少两个账号之间交互过程产生的数据,所述交互数据包含正面交互数据与负面交互数据,所述正面交互数据与交互度呈正相关关系,所述负面交互数据与交互度呈负相关关系;
根据所述第二账号与所述共有账号的交互数据,确定所述第二账号与所述共有账号的第二交互度;
根据所述第一交互度和所述第二交互度确定所述第一账号和所述第二账号的预计交互度;
所述第四确定单元,用于根据所述关系链交集和所述预计交互度确定所述第一账号与所述第二账号的社交相似度,其中,所述关系链交集中账号的数量与所述社交相似度呈正相关关系,所述预计交互度与所述社交相似度呈正相关关系,所述社交相似度用于表示两个账号的社交关系之间的相似程度;
第二获取模块,用于获取所述第一账号和各个所述第二账号的兴趣相似度,所述兴趣相似度用于表示两个账号的兴趣喜好之间的相似程度;
第二确定模块,用于根据各个所述第二账号对应的所述社交相似度和所述兴趣相似度,在所述至少一个第二账号中确定候选推荐账号;
推荐模块,用于向所述目标客户端发送所述候选推荐账号。
10.一种账号推荐装置,其特征在于,所述装置包括:
第一显示模块,用于显示目标客户端对应的客户端界面;
发送模块,用于向服务器发送社交推荐请求,所述社交推荐请求中包含第一账号;
接收模块,用于接收所述服务器发送的候选推荐账号,所述候选推荐账号是根据所述第一账号与各个第二账号的社交相似度,以及所述第一账号与各个第二账号的兴趣相似度,从至少一个所述第二账号中确定得到,所述第二账号不属于所述第一账号对应的第一社交关系链,且所述第二账号对应的第二社交关系链与所述第一社交关系链之间存在交集,所述第一账号与所述第二账号的社交相似度根据关系链交集和预计交互度确定,所述关系链交集是所述第一社交关系链和所述第二社交关系链的交集,所述关系链交集中包含至少一个共有账号,所述关系链交集中账号的数量与所述社交相似度呈正相关关系,所述预计交互度根据第一交互度与第二交互度确定,所述第一交互度根据所述第一账号与所述共有账号间的交互数据确定,所述第二交互度根据所述第二账号与所述共有账号间的交互数据确定,所述交互数据包含正面交互数据与负面交互数据,所述正面交互数据与交互度呈正相关关系,所述负面交互数据与交互度呈负相关关系,所述预计交互度与所述社交相似度呈正相关关系;
第二显示模块,用于在所述客户端界面中显示所述候选推荐账号。
11.一种服务器,其特征在于,所述服务器包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现如权利要求1至7任一所述的账号推荐方法。
12.一种终端,其特征在于,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现如权利要求8所述的账号推荐方法。
13.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器执行以实现如权利要求1至7任一所述的账号推荐方法,或者,以实现如权利要求8 所述的账号推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910024644.7A CN109544396B (zh) | 2019-01-10 | 2019-01-10 | 账号推荐方法、装置、服务器、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910024644.7A CN109544396B (zh) | 2019-01-10 | 2019-01-10 | 账号推荐方法、装置、服务器、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109544396A CN109544396A (zh) | 2019-03-29 |
CN109544396B true CN109544396B (zh) | 2022-07-12 |
Family
ID=65834820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910024644.7A Active CN109544396B (zh) | 2019-01-10 | 2019-01-10 | 账号推荐方法、装置、服务器、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544396B (zh) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119476A (zh) * | 2019-04-26 | 2019-08-13 | 广州美术学院 | 一种账号自动推荐方法、装置、终端设备及存储介质 |
CN111988642B (zh) * | 2019-05-24 | 2022-05-24 | 北京达佳互联信息技术有限公司 | 推荐视频的方法、装置、服务器和存储介质 |
CN112328865B (zh) * | 2019-07-31 | 2024-01-05 | 北京达佳互联信息技术有限公司 | 信息处理和推荐方法、装置、设备及存储介质 |
CN110489664A (zh) * | 2019-08-07 | 2019-11-22 | 北京达佳互联信息技术有限公司 | 一种基于契合度的客户端推荐方法及装置 |
CN112446716B (zh) * | 2019-08-27 | 2024-03-05 | 百度在线网络技术(北京)有限公司 | Ugc处理方法、装置、电子设备和存储介质 |
CN110619558B (zh) * | 2019-09-18 | 2021-02-05 | 北京三快在线科技有限公司 | 在线住宿产品的搜索排序方法、系统及设备 |
CN110781404A (zh) * | 2019-09-26 | 2020-02-11 | 平安科技(深圳)有限公司 | 好友关系链匹配方法、系统、计算机设备及可读存储介质 |
CN110809169B (zh) * | 2019-09-28 | 2020-12-01 | 广东地球村计算机系统股份有限公司 | 互联网评论信息定向屏蔽系统及方法 |
CN110941769B (zh) * | 2019-11-19 | 2023-03-28 | 腾讯科技(深圳)有限公司 | 目标帐号的确定方法和装置、电子装置 |
CN112861015A (zh) * | 2019-11-27 | 2021-05-28 | 北京达佳互联信息技术有限公司 | 一种应用程序中账户关联信息获取方法、装置及电子设备 |
CN111079027B (zh) * | 2019-11-29 | 2023-03-31 | 东软集团股份有限公司 | 用户推荐方法、装置、可读存储介质及电子设备 |
CN111125544A (zh) * | 2019-12-20 | 2020-05-08 | 腾讯数码(天津)有限公司 | 用户推荐方法及装置 |
CN113032686B (zh) * | 2019-12-25 | 2024-05-28 | 北京达佳互联信息技术有限公司 | 内容推荐方法、装置、存储介质及服务器 |
CN111080376A (zh) * | 2019-12-30 | 2020-04-28 | 深圳市云积分科技有限公司 | 一种基于信息分享提高用户社交性的方法和装置 |
CN111158576A (zh) * | 2019-12-31 | 2020-05-15 | 广州酷狗计算机科技有限公司 | 基于直播场景的社交关系建立方法、装置及存储介质 |
CN111368219B (zh) * | 2020-02-27 | 2024-04-26 | 广州腾讯科技有限公司 | 信息推荐方法、装置、计算机设备以及存储介质 |
CN111597454A (zh) * | 2020-04-02 | 2020-08-28 | 微梦创科网络科技(中国)有限公司 | 一种账号推荐方法及装置 |
CN113626681B (zh) * | 2020-05-08 | 2023-09-26 | 北京达佳互联信息技术有限公司 | 一种账户信息的处理方法、装置、电子设备及存储介质 |
CN113742562B (zh) * | 2020-05-27 | 2023-10-10 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置、电子设备及存储介质 |
CN111753203A (zh) * | 2020-06-24 | 2020-10-09 | 中国建设银行股份有限公司 | 一种卡号推荐方法、装置、设备和介质 |
CN111885399B (zh) * | 2020-06-29 | 2023-06-13 | 腾讯科技(武汉)有限公司 | 内容分发方法、装置、电子设备以及存储介质 |
CN111652451B (zh) * | 2020-08-06 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 社交关系的获取方法和装置及存储介质 |
CN111866541B (zh) * | 2020-08-06 | 2022-07-29 | 广州繁星互娱信息科技有限公司 | 直播推荐方法、装置、服务器及存储介质 |
CN114157630B (zh) * | 2020-09-07 | 2023-08-04 | 腾讯科技(深圳)有限公司 | 社交关系链的迁移方法、装置、设备及存储介质 |
CN112199599A (zh) * | 2020-10-28 | 2021-01-08 | 新华智云科技有限公司 | 一种媒体画像生成方法和系统 |
CN112333085B (zh) * | 2020-10-30 | 2023-02-03 | 维沃移动通信有限公司 | 社交方法和电子设备 |
CN112765400B (zh) * | 2020-12-31 | 2024-04-23 | 上海众源网络有限公司 | 兴趣标签的权重更新方法、内容推荐方法、装置及设备 |
CN113190748B (zh) * | 2021-04-30 | 2023-11-28 | 北京达佳互联信息技术有限公司 | 账户推荐方法、装置、电子设备、计算机可读存储介质 |
CN113221006B (zh) * | 2021-05-24 | 2023-12-19 | 北京搜狐新媒体信息技术有限公司 | 物品推荐方法及装置、电子设备、计算机存储介质 |
CN115495598A (zh) * | 2021-06-17 | 2022-12-20 | 腾讯科技(深圳)有限公司 | 一种对多媒体资源的推荐方法、装置、设备及存储介质 |
CN114936953A (zh) * | 2022-05-20 | 2022-08-23 | 海信集团控股股份有限公司 | 学习讨论室的成员确定方法及电子设备 |
CN116132745A (zh) * | 2023-04-17 | 2023-05-16 | 北京盘腾科技有限公司 | 一种多终端的视频交互方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819607A (zh) * | 2012-08-21 | 2012-12-12 | 北京小米科技有限责任公司 | 一种推荐用户的方法和装置 |
CN104202319A (zh) * | 2014-08-28 | 2014-12-10 | 北京淘友天下科技发展有限公司 | 一种社交关系推荐方法及装置 |
CN107301181A (zh) * | 2016-04-14 | 2017-10-27 | 腾讯科技(深圳)有限公司 | 账号推荐方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070129959A1 (en) * | 2005-12-07 | 2007-06-07 | Joseph Bransky | Virtual business card and method for sharing contact information electronically |
-
2019
- 2019-01-10 CN CN201910024644.7A patent/CN109544396B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819607A (zh) * | 2012-08-21 | 2012-12-12 | 北京小米科技有限责任公司 | 一种推荐用户的方法和装置 |
CN104202319A (zh) * | 2014-08-28 | 2014-12-10 | 北京淘友天下科技发展有限公司 | 一种社交关系推荐方法及装置 |
CN107301181A (zh) * | 2016-04-14 | 2017-10-27 | 腾讯科技(深圳)有限公司 | 账号推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109544396A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544396B (zh) | 账号推荐方法、装置、服务器、终端及存储介质 | |
US11397763B1 (en) | Live video recommendation by an online system | |
CN110378732B (zh) | 信息显示方法、信息关联方法、装置、设备及存储介质 | |
CN110321958B (zh) | 神经网络模型的训练方法、视频相似度确定方法 | |
TW202007178A (zh) | 用戶特徵的生成方法、裝置、設備及儲存介質 | |
CN108776676B (zh) | 信息推荐方法、装置、计算机可读介质及电子设备 | |
US20230017667A1 (en) | Data recommendation method and apparatus, computer device, and storage medium | |
CN109993627B (zh) | 推荐方法、推荐模型的训练方法、装置和存储介质 | |
US10230748B2 (en) | Data resource anomaly detection | |
US20230252232A1 (en) | Systems and methods for using machine learning models to organize and select modular components for user interface templates | |
US20230244939A1 (en) | Computer-based systems configured for detecting and splitting data types in a data file and methods of use thereof | |
US11250039B1 (en) | Extreme multi-label classification | |
CN114119123A (zh) | 信息推送的方法和装置 | |
CN110955840B (zh) | 通知和推送的联合优化 | |
CN112307243B (zh) | 用于检索图像的方法和装置 | |
CN113255819B (zh) | 用于识别信息的方法和装置 | |
CN112269942B (zh) | 一种推荐对象的方法、装置、系统及电子设备 | |
CN114139059A (zh) | 资源推荐模型的训练方法、资源推荐方法及装置 | |
CN114510627A (zh) | 对象推送方法、装置、电子设备及存储介质 | |
CN112905885A (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN111784377A (zh) | 用于生成信息的方法和装置 | |
WO2022262603A1 (zh) | 多媒体资源的推荐方法、装置、设备、存储介质及计算机程序产品 | |
CN116501993B (zh) | 房源数据推荐方法及装置 | |
CN110858235B (zh) | 热启动广义加性混合效应(game)框架 | |
CN116561735B (zh) | 一种基于多认证源的互信认证方法、系统及电子设备 |
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 |