CN109951377A - 一种好友分组方法、装置、计算机设备和存储介质 - Google Patents
一种好友分组方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109951377A CN109951377A CN201910212130.4A CN201910212130A CN109951377A CN 109951377 A CN109951377 A CN 109951377A CN 201910212130 A CN201910212130 A CN 201910212130A CN 109951377 A CN109951377 A CN 109951377A
- Authority
- CN
- China
- Prior art keywords
- node
- good friend
- user
- network structure
- relational network
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于计算机领域,提供了一种好友分组方法、装置、计算机设备和存储介质,所述好友分组方法包括以下步骤:获取用户好友列表,根据所述好友列表构建含有用户及用户好友的关系网络结构,所述用户及每个所述用户好友均形成所述关系网络结构中的一个节点;在所述关系网络结构中随机获取多组预设长度的节点序列;通过预设模型对所述节点序列进行训练,得到各节点对应的节点向量;对所述节点向量进行聚类划分,得到所述节点向量的分组,从而确定好友分组。本发明通过对关系网络中节点进行向量化表示,并对节点向量进行聚类划分实现好友的自动分组,避免了手动分组的操作繁琐,提高对好友分组的准确度,降低用户隐私泄露的风险。
Description
技术领域
本发明属于计算机领域,尤其涉及一种好友分组方法、装置、计算机设备和存储介质。
背景技术
社交平台的用户规模逐年扩增,人们对这些应用的依赖程度也越来越高。但人们在利用社交软件进行数据分享的同时也容易遭受隐私泄露的风险。由于社交网络的不断扩大,导致用户的分享表达与隐私保护间存在巨大矛盾,在用户发布个人动态时容易暴露自己的隐私内容或位置信息。因此防止隐私信息的过度泄露,许多社交平台采用好友分组的方式来控制信息传播范围,达到减少隐私过度传播的目的。
现在社交平台上已有的好友分组方法一般是用户手动划分社区并添加成员。
但是这种单靠用户手动对好友管理的方法,好友分组的准确度不够,用户在发布动态选择可见好友分组时,用户隐私泄露的风险高。
发明内容
本发明实施例的目的在于提供一种好友分组方法,旨在解决现有技术中单靠用户手动对好友管理的方法,好友分组的准确度不够,用户在发布动态选择可见好友分组时,用户隐私泄露的风险高的问题。
本发明实施例是这样实现的:
获取用户好友列表,根据好友列表构建含有用户及用户好友的关系网络结构,用户及每个用户好友均形成关系网络结构中的一个节点;
在关系网络结构中随机获取多组预设长度的节点序列,预设长度表示节点序列中包含的节点数量;
通过预设模型对节点序列进行训练,得到各节点对应的节点向量;
对节点向量进行聚类划分,得到节点向量的分组,从而确定好友分组。
本发明实施例的另一目的在于提供一种好友分组装置,包括:
第一获取模块,用于获取用户好友列表,根据好友列表构建含有用户及用户好友的关系网络结构,用户及每个用户好友均形成关系网络结构中的一个节点;
第二获取模块,用于在关系网络结构中随机获取多组预设长度的节点序列,预设长度表示所述节点序列中包含的节点数量;
向量化模块,用通过预设模型对节点序列进行训练,得到各节点对应的节点向量;
聚类划分模块,用于对节点向量进行聚类划分,得到节点向量的分组,从而确定好友分组。
本发明实施例的另一目的在于提供一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述好友分组方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质,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,使得处理器执行上述好友分组方法的步骤。
本发明实施例提供的一种好友分组方法,通过构建关系网络,并对关系网络中节点进行向量化表示,然后对节点向量进行聚类划分实现好友的自动分组,避免了手动分组的操作繁琐,提高对好友分组的准确度,降低用户隐私泄露的风险。
附图说明
图1为本发明实施例提供的一种好友分组方法的应用环境图;
图2为本发明实施例提供的一种好友分组方法的流程图;
图3为本发明实施例提供的一种好友分组方法中构建关系网络结构的流程图;
图4为本发明实施例提供的关系网络结构的示意图;
图5为本发明实施例提供的一种好友分组方法中获取节点序列的流程图;
图6为本发明实施例提供的一种好友分组方法中聚类划分的流程图
图7为本发明另一实施例提供的一种好友分组方法的流程图;
图8为本发明另一实施例提供的一种好友分组方法中亲密度划分的流程图;
图9为本发明另一实施例提供的一种好友分组方法的流程图;
图10为本发明实施例提供的一种好友分组装置的结构框图;
图11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xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
图1为本发明实施例提供的一种好友分组方法的应用环境图,如图1所示,在该应用环境中,包括终端110以及服务器120,其中终端110包括用户终端以及用户好友终端。
服务器120可以是独立的物理服务器,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。终端110以及服务器120可以通过网络进行连接,本发明在此不做限制。
如图2所示,在一个实施例中,提出了一种好友分组方法,本实施例主要以该方法应用于上述图1中的服务器120来举例说明。一种好友分组方法,具体可以包括以下步骤:
步骤S202,获取用户好友列表,根据好友列表构建含有用户及用户好友的关系网络结构,用户及每个用户好友均形成关系网络结构中的一个节点。
在本发明实施例中,用户好友列表是指用户使用的网络社交平台中的好友列表,社交平台可以是国外的Facebook(脸书)、MSN(Microsoft Service Network,门户网站),或者国内的微信、腾讯QQ、人人网、以及新浪微博等社交平台,但不限于此。可以通过读取社交平台后台的好友信息文件获取用户的好友列表。
在本发明实施例中,如图3所示,根据好友列表构建含有用户及用户好友的关系网络结构,可以包括以下步骤:
步骤S302,根据好友列表获取好友与用户、好友与好友之间的交互信息。
在本发明实施例中,根据用户好友列表确定用户的好友,获取每个好友与用户对应的交互信息以及好友与好友之间对应的交互信息。好友与用户之间、好友与好友之间的交互信息可以是好友请求信息、接受好友请求信息、点赞或者评论互动信息,但不仅限于此。
步骤S304,根据交互信息构建含有用户及用户好友的关系网络结构。
在本发明实施例中,用户与好友以及好友与好友之间的交互信息能够反映各节点之间的关系,通过所述交互信息构建的关系网络结构,能够更准确地反映各节点之间的相互关系,根据好友列表构建关系网络结构的步骤不仅限于此。
在本发明实施例中,用户及每个用户好友均形成关系网络结构中的一个节点,用户以及每个用户好友可以用不同的数字表示,则关系网络结构中每一个数字均代表一个节点,形成的关系网络结构示意图,如图4所示,节点相连表示两节点在网络社交中是好友关系。
步骤S204,在关系网络结构中随机获取多组预设长度的节点序列,预设长度表示节点序列中包含的节点数量。
在本发明实施例中需要预先设定节点序列的组数和每组节点序列中包含的节点数量。所述节点序列为由多个节点组成的一个序列,例如,当用字母表示节点,长度为五的节点序列可以为ABDEF;当用数字表示节点,长度为七的节点序列可以表示为1234567。在本发明实施例中,以用数字表示节点为例说明。在本发明实施例中可以通过DeepWalk随机游走模型获取多组预设长度的节点序列,DeepWalk随机游走模型是一种算法,其主要思路是利用构造节点在网络上的随机游走路径,来模仿文本生成的过程,最后提供一个节点序列。
在本发明实施例中,如图5所示,在所述关系网络结构中随机获取多组预设长度的节点序列,可以包括以下步骤:
步骤S402,在关系网络结构中随机选择开始节点,从开始节点进行随机游走,直至游走长度达到预设长度,该随机游走的路径所包含的节点构成节点序列。
在本发明实施例中,以DeepWalk随机游走模型为例说明,在该模型中,随机游走指移动节点随机选择一个方向和速度来从当前位置移动到新的位置。应用到本发明的关系网络结构中,则每个随机游走过程随机选取关系网络结构中的一个节点作为游走的开始节点,然后从当前节点随机选取相邻的节点作为下一个节点,循环以上步骤,直到游走路径达到预设长度。在随机游走过程中每个节点可以多次出现在节点序列中。根据图4所示的关系网络结构示意图,假设节点序列的预设长度为四,为方便下文描述,定义数字N对应的节点为节点N,例如数字1对应的节点为节点1,获取长度为四的节点序列的过程,例如,随机选择节点1作为开始节点,随机选择与节点1的相邻节点作为下一个节点,可以是节点2、节点6、节点5、节点4、节点3中的任一个,该处以选择节点2为例说明,然后随机选择与节点2相邻的节点,为节点1,再次随机选择与节点1相邻的节点,可以是节点2、节点6、节点5、节点4、节点3中的任一个,该处以选择节点5为例说明,则形成的随机游走路径为1→2→1→5,对应的节点序列为1215。
步骤S404,重复执行上一步骤,以获取多组节点序列。
在本发明实施例中,重复执行上一步骤,再随机选择一个开始节点,生成一个预设长度的节点序列。根据图4,重复执行上一步骤,得到一系列节点序列。随机游走过程中形成多种游走路径,例如,2→1→4→3、3→1→5→1、6→1→4→3、4→3→1→6等,但不限于此,则对应得到的节点序列为2143、3151、6143、4316,最终得到五组长度为四的序列1215、2143、3151、6143、4316。
在本发明实施例中,通过在关系网络结构中随机获取节点序列,方便对节点进行后续处理,最终实现好友分组。且通过使用DeepWalk随机游走模型获取节点序列的时候,如果两个节点连接越紧密,在一个游走过程中同时出现在一个随机游走的路径中的可能性越大,可以很好地体现关系网络结构中各节点之间的连接情况。
步骤S206,通过预设模型对节点序列进行训练,得到各节点对应的节点向量。
在本发明实施例中,预设模型可以是Word2Vec(word to vector)中的Skip-Gram模型。Word2vec是一群用来产生词向量的相关模型,这些模型为浅而双层的神经网络,用来训练以重新建构语言学之词文本,训练完成之后,word2vec模型可用来映射每个词到一个向量,可用来表示词与词之间的关系。Skip-Gram模型是Word2Vec模型中的一种,本发明实施例中的节点序列可以代表自然语言中的句子,节点序列中的节点可以代表句子中的词,利用Skip-Gram模型对节点序列进行训练,可以得到节点序列中各节点对应的节点向量,从而可以表示节点与节点之间的关系。
在本发明实施例中,通过对节点序列进行训练,得到各节点对应的节点向量,可以通过节点向量表示关系网络结构中节点与节点之间的关系,进一步反应社交平台中用户与好友以及好友与好友之间的关系,为好友分组提供依据,提高了好友分组的准确性。
步骤S208,对节点向量进行聚类划分,得到节点向量的分组,从而确定好友分组。
在本发明实施例中,聚类是指根据一定的准则,把一份事物按照这个准则归纳成互不重合的几份。机器学习中,聚类指按照一个标准,这个标准通常是相似性(有时候也称为样本间的距离),把样本分成几份,使得相似程度高的聚在一起,相似程度低的互相分开。
在本发明实施例中,对节点向量进行聚类划分可以利用K-means聚类算法(k-means clustering algorithm,K均值聚类算法)、均值漂移算法、DBSCAN(Density-BasedSpatial Clustering of Applications with Noise,基于密度的聚类算法)、以及凝聚层次聚类算法中的任一种,但不仅限于此。
在本发明实施例中,以利用K-means聚类算法对节点向量进行聚类划分为例说明,K-means聚类算法的主要思路是先随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心,聚类中心以及分配给它们的对象就代表一个聚类,一旦全部对象都被分配了,每个聚类的聚类中心会根据聚类中现有的对象被重新计算,这个过程将不断重复直到满足某个终止条件,终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类,没有(或最小数目)聚类中心再发生变化,误差平方和局部最小。通过将各个节点向量输入到K-means聚类算法中进行训练,可以得到节点向量的分组,从而实现好友分组。如图6所示,对节点向量进行聚类划分,得到节点向量的分组,可以包括以下步骤:
步骤S502,在关系网络结构中随机选取第一预设数量的节点,作为质心节点,第一预设数量表示聚类划分的分组数量。
在本发明实施例中,随机选取的质心节点可以代表K-means聚类算法中的初始的聚类中心。第一预设数量表示聚类划分的分组数量也就是好友分组的分组数量。
步骤S504,计算关系网络结构中每个节点向量与所述质心节点的距离;
在本发明实施例中,关系网络结构可以表示一个二维向量空间,质心节点可以表示原点,则每个节点向量到原点之间的距离可以通过节点向量的长度来表示,进而可以通过计算节点向量的模得到每个节点向量与质心节点的距离。
步骤S506,将每个节点向量划分到距离最小的质心节点代表的组别中。
步骤S508,重新计算每个组别中质心节点的位置,直到所述质心节点位置不再变化,得到所述节点向量的分组。
在本发明实施例中,随着质心节点位置的变化,判断聚类效果好坏的指标误差平方和(SSE)也不断变化,差平方和局部最小时,停止重新计算每个组别中质心节点的位置。
所述误差平方和(SSE)的计算公式为:
上式中,Ci是第i个簇,p是Ci中的样本点,mi是Ci的质心(Ci中所有样本的均值)。
在本发明实施例提供了一种好友分组方法,通过获取关系网络结构中的节点序列,对节点序列中的节点进行向量化表示,并对节点向量进行聚类划分实现好友的自动分组,避免了手动分组的操作繁琐,提高对好友分组的准确度,降低用户隐私泄露的风险。
在一个实施例中,如图7所示,一种好友分组方法,其与图2所示的方法相比,区别在于,还包括步骤S210。
步骤S210,对好友分组内的好友进行亲密度划分。
在本发明实施例中,对每个好友分组内的好友根据用户与好友之间亲密度进一步划分,用户与好友之间的亲密度可以通过用户与好友之间互动类型、互动频率等进行判断,但不限于此。
在本发明实施例中,如图8所示,对好友分组内的好友进行亲密度划分,可以包括以下步骤:
步骤S602,在关系网络结构中获取第二预设数量的样本节点。
步骤S604,获取样本节点中每个所述样本节点对应的属性信息,所述属性信息至少包括性别、年龄、地理位置、互动类型、互动频率以及共同好友和群组的数量中的一种或多种。
在本发明实施例中互动类型可以是私信、评论、点赞转发,但不限于此。样本节点的年龄、性别以及地理位置可以从用户、好友的个人信息中获取,互动类型、互动频率可以从用户在平台上发布的数据中获取。以表1为例说明用户的属性信,表1中的行代表训练数据实例,表示用户与其好友之间的互动信息;表1中的列代表基于互动行为中的累计行为特征及属性特征,如私信数目、点赞数、评论数,性别与地理位置是一个二元属性,性别特征中1表示男性,0表示女性;位置特征中1表示用户与朋友具有相同地理位置标签,否则为0;表的最后一列表示了其对应的亲密度数值。
表1
步骤S606,对样本节点进行建模与训练,得到节点亲密度与所述节点对应的属性信息之间的回归方程;
在本发明实施例中,利用数据挖掘平台WEKA(Waikato Environment forKnowledge Analysis,怀卡托智能分析环境)对训练样本进行关系建模与训练,WEKA基于JAVA环境下开源的机器学习(machine learning)以及数据挖掘(data mining)平台,集成了大量挖掘任务的机器学习算法,包括对数据进行预处理、分类、回归、聚类等操作。通过WEKA平台结合步骤S604中的数据得到用户间亲密度关系的回归方程。
所述亲密度关系的回归方程,如下:
I=a1*S1+a2*S2+....an*sn+a0
其中I表示的亲密度值;sn表示的是各个节点属性,如性别、年龄、地理位置、互动类型、互动频率以及共同好友和群组的数量等,但不限于此;an表示经过平台训练得到的每种属性对应的权重值,也是我们希望通过数据挖掘所求得的最终结果。
步骤S608,根据回归方程对节点分组内的节点进行亲密度计算,并对节点对应的亲密度值按预设等级对节点分组内的节点进行划分。
在本发明实施例中,可以通过对亲密度值进行排序,或者利用分类算法实现对节点分组内的节点进行划分,例如,在一次根据亲密度值划分过程中,将每个节点分组内的节点划分为5个等级,如亲密(0.99~0.80)、较好(0.79~0.7)、一般(0.69~0.4)、疏远(0.39~0.2)、陌生(0.19~0.01),但不限于此。
在本发明实施例提供了一种好友分组方法,通过对好友分组内的好友按亲密度值进一步划分,进一步提高了好友分组的准确度,保护了用户隐私的安全。
在一个实施例中,如图7所示,一种好友分组方法,其与图2所示的方法相比,区别在于,还包括步骤S212。
步骤212,向用户推送所述好友分组。
在本发明实施例中,推送是指将经过整理的信息资源以网页的形式迅速转发至用户的界面,实现用户的多层次需求,使得用户能够自己设定所需要的信息频道,并直接在用户端接收定制信息的实现方式。
在本发明实施例中当用户在社交平台进行动态信息发布时,可以自动向用户推送好友分组,用户通过选择可见的好友分组,有效降低用户隐私被盗的风险。
如图10所示,在一个实施例中,提供了一种好友分组装置,该好友分组装置可以集成于上述的用户终端110中,具体可以包括第一获取模块710、第二获取模块720、向量化模块730、聚类划分模块740。
第一获取模块710,用于获取用户好友列表,根据好友列表构建含有用户及用户好友的关系网络结构,用户及每个所述用户好友均形成关系网络结构中的一个节点。
在本发明实施例中,所述第一获取模块可以包括:
第一获取单元711,用于根据好友列表获取所述好友与用户、好友与好友之间的交互信息。
构建单元712,用于根据交互信息构建含有用户及用户好友的关系网络结构。
第二获取模块720,用于在关系网络结构中随机获取多组预设长度的节点序列,所述预设长度表示所述节点序列中包含的节点数量。
在本发明实施例中,所述第二获取模块720可以包括:
随机游走单元721,用于在关系网络结构中随机选择开始节点,从开始节点进行随机游走,直至游走长度达到预设长度,该随机游走的路径所包含的节点构成节点序列。
重复执行单元722,用于重复执行上一步骤,以获取多组所述节点序列。
向量化模块730,用于通过预设模型对节点序列进行训练,得到各节点对应的节点向量。
聚类划分模块740,用于对所述节点向量进行聚类划分,得到所述节点向量的分组,从而确定好友分组。
在本发明实施例中,所述聚类划分模块740,可以包括:
选择单元741,用于随机选取第一预设数量的节点,作为质心节点,第一预设数量表示聚类划分的分组数量。
第一计算单元742,用于计算关系网络结构中每个节点向量与所述质心节点的距离。
划分单元743,用于将每个节点向量划分到距离最小的质心节点代表的组别中。
第二计算单元744,用于新计算每个组别中质心节点的位置,直到质心节点位置不再变化,得到节点向量的分组。
在本发明实施例中的好友分组装置,所包含的第一获取模块710、第二获取模块720、向量化模块730以及聚类划分模块740的功能实现与上文的好友分组方法中的步骤S202、步骤S204、步骤S206以及步骤S208一一对应;所述第一获取模块710中包含的第一获取单元711、构建单元712的功能实现与上文的好友分组方法中的步骤S202中包含的步骤S302、步骤S304一一对应;所述第二获取模块720中包含的随机游走单元721、重复执行单元722的功能实现与上文的好友分组方法中的步骤S204中包含的步骤S402、步骤S404一一对应;所述聚类划分模块740中包含的选择单元741、第一计算单元742、划分单元743以及第二计算单元744的功能实现与上文的好友分组方法中的步骤S208中包含的步骤S502、步骤S504、步骤S506以及步骤S508一一对应;对于该好友分组装置中的具体解释,以及相关的细化、优化的内容参见上文好友分组方法中的具体实施例,此处不再赘述。
在本发明实施例提供了一种好友分组装置,通过对好友分组内的好友按亲密度值进一步划分,进一步提高了好友分组的准确度,保护了用户隐私的安全。
图11示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的服务器120。如图11所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现上述好友分组方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行上述好友分组方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图11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,本申请提供的一种好友分组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11所示的计算机设备上运行。计算机设备的存储器中可存储组成该好友分组装置的各个程序模块,比如,图9所示的第一获取模块710、第二获取模块720、向量化模块730以及聚类划分模块740。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的好友分组方法中的步骤。
例如,图11所示的计算机设备可以通过如图9所示的一种好友分组装置中的第一获取模块710执行步骤S202。计算机设备可通过第二获取模块720执行步骤S204。计算机设备可通过向量化模块730执行步骤S206。计算机设备可通过聚类划分模块740执行步骤S208。
在一个实施例中,提出了一种计算机设备,所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
步骤S202,获取用户好友列表,根据好友列表构建含有用户及用户好友的关系网络结构,用户及每个用户好友均形成关系网络结构中的一个节点。
步骤S204,在关系网络结构中随机获取多组预设长度的节点序列,预设长度表示节点序列中包含的节点数量。
步骤S206,通过预设模型对节点序列进行训练,得到各节点对应的节点向量。
步骤S208,对节点向量进行聚类划分,得到节点向量的分组,从而确定好友分组。
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:
步骤S202,获取用户好友列表,根据好友列表构建含有用户及用户好友的关系网络结构,用户及每个用户好友均形成关系网络结构中的一个节点。
步骤S204,在关系网络结构中随机获取多组预设长度的节点序列,预设长度表示节点序列中包含的节点数量。
步骤S206,通过预设模型对节点序列进行训练,得到各节点对应的节点向量。
步骤S208,对节点向量进行聚类划分,得到节点向量的分组,从而确定好友分组。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
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,所述的程序可存储于一非易失性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,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)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。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种好友分组方法,其特征在于,所述方法包括:
获取用户好友列表,根据所述好友列表构建含有用户及用户好友的关系网络结构,所述用户及每个所述用户好友均形成所述关系网络结构中的一个节点;
在所述关系网络结构中随机获取多组预设长度的节点序列,所述预设长度表示所述节点序列中包含的节点数量;
通过预设模型对所述节点序列进行训练,得到各节点对应的节点向量;
对所述节点向量进行聚类划分,得到所述节点向量的分组,从而确定好友分组。
2.根据权利要求1所述的一种好友分组方法,其特征在于,所述根据所述好友列表构建含有用户及用户好友的关系网络结构,包括:
根据所述好友列表获取所述好友与用户、所述好友与好友之间的交互信息;
根据所述交互信息构建含有用户及用户好友的关系网络结构。
3.根据权利要求1所述的一种好友分组方法,其特征在于,所述在所述关系网络结构中随机获取多组预设长度的节点序列,包括:
在所述关系网络结构中随机选择开始节点,从所述开始节点进行随机游走,直至游走长度达到所述预设长度,该随机游走的路径所包含的节点构成所述节点序列;
重复执行上一步骤,以获取多组所述节点序列。
4.据权利要求1所述的一种好友分组方法,其特征在于,所述对所述节点向量进行聚类划分,包括:
在所述关系网络结构中随机选取第一预设数量的节点,作为质心节点,所述第一预设数量表示聚类划分的分组数量;
计算所述关系网络结构中每个节点向量与所述质心节点的距离;
将每个节点向量划分到所述距离最小的所述质心节点代表的组别中;
重新计算每个组别中质心节点的位置,直到所述质心节点位置不再变化,得到所述节点向量的分组。
5.权利要求1所述的一种好友分组方法,其特征在于,所述方法还包括:
对所述好友分组内的好友进行亲密度划分。
6.根据权利要求5所述的一种好友分组方法,其特征在于,所述对所述好友分组内的好友进行亲密度划分,包括:
在所述关系网络结构中获取第二预设数量的样本节点;
获取所述样本节点中每个所述样本节点对应的属性信息,所述属性信息至少包括性别、年龄、地理位置、互动类型、互动频率以及共同好友和群组的数量中的一种或多种;
对所述样本节点进行建模与训练,得到节点亲密度与所述节点对应的属性信息之间的回归方程;
根据所述回归方程对所述节点分组内的节点进行亲密度计算,并对所述节点对应的亲密度值按预设等级对所述节点分组内的节点进行划分。
7.权利要求1所述的一种好友分组方法,其特征在于,所述方法还包括:
向用户推送所述好友分组。
8.一种好友分组装置,其特征在于,所述装置包括:
第一获取模块,用于获取用户好友列表,根据所述好友列表构建含有用户及用户好友的关系网络结构,所述用户及每个所述用户好友均形成所述关系网络结构中的一个节点;
第二获取模块,用于在所述关系网络结构中随机获取多组预设长度的节点序列,所述预设长度表示所述节点序列中包含的节点数量;
向量化模块,用于通过预设模型对所述节点序列进行训练,得到各节点对应的节点向量;
聚类划分模块,用于对所述节点向量进行聚类划分,得到所述节点向量的分组,从而确定好友分组。
9.一种计算机设备,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权利要求1至7中任一项权利要求所述好友分组方法的步骤。
10.一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7中任一项权利要求所述好友分组方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910212130.4A CN109951377A (zh) | 2019-03-20 | 2019-03-20 | 一种好友分组方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910212130.4A CN109951377A (zh) | 2019-03-20 | 2019-03-20 | 一种好友分组方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109951377A true CN109951377A (zh) | 2019-06-28 |
Family
ID=67011090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910212130.4A Pending CN109951377A (zh) | 2019-03-20 | 2019-03-20 | 一种好友分组方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109951377A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110365379A (zh) * | 2019-07-23 | 2019-10-22 | 东南大学 | 一种大规模天线系统联合码分和波束分多址方法 |
CN110555149A (zh) * | 2019-09-05 | 2019-12-10 | 深圳前海微众银行股份有限公司 | 言论数据处理方法、装置、设备及可读存储介质 |
CN110569655A (zh) * | 2019-09-06 | 2019-12-13 | 中国科学院信息工程研究所 | 一种群组隐私信息发现方法及系统 |
CN110674413A (zh) * | 2019-09-09 | 2020-01-10 | 平安科技(深圳)有限公司 | 用户关系挖掘方法、装置、设备和存储介质 |
CN110851655A (zh) * | 2019-11-07 | 2020-02-28 | 中国银联股份有限公司 | 一种用于简化复杂网络的方法和系统 |
CN111260493A (zh) * | 2020-04-27 | 2020-06-09 | 深圳市爱聊科技有限公司 | 基于亲密度的用户交友分组方法、电子装置及存储介质 |
CN112131569A (zh) * | 2020-09-15 | 2020-12-25 | 上海交通大学 | 一种基于图网络随机游走的风险用户预测方法 |
CN113407659A (zh) * | 2021-07-09 | 2021-09-17 | 上海明略人工智能(集团)有限公司 | 员工社区发现方法、系统、计算机和可读存储介质 |
-
2019
- 2019-03-20 CN CN201910212130.4A patent/CN109951377A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110365379A (zh) * | 2019-07-23 | 2019-10-22 | 东南大学 | 一种大规模天线系统联合码分和波束分多址方法 |
CN110365379B (zh) * | 2019-07-23 | 2021-09-07 | 东南大学 | 一种大规模天线系统联合码分和波束分多址方法 |
CN110555149A (zh) * | 2019-09-05 | 2019-12-10 | 深圳前海微众银行股份有限公司 | 言论数据处理方法、装置、设备及可读存储介质 |
CN110569655A (zh) * | 2019-09-06 | 2019-12-13 | 中国科学院信息工程研究所 | 一种群组隐私信息发现方法及系统 |
CN110569655B (zh) * | 2019-09-06 | 2021-05-25 | 中国科学院信息工程研究所 | 一种群组隐私信息发现方法及系统 |
CN110674413B (zh) * | 2019-09-09 | 2022-03-25 | 平安科技(深圳)有限公司 | 用户关系挖掘方法、装置、设备和存储介质 |
CN110674413A (zh) * | 2019-09-09 | 2020-01-10 | 平安科技(深圳)有限公司 | 用户关系挖掘方法、装置、设备和存储介质 |
CN110851655A (zh) * | 2019-11-07 | 2020-02-28 | 中国银联股份有限公司 | 一种用于简化复杂网络的方法和系统 |
CN110851655B (zh) * | 2019-11-07 | 2024-05-17 | 中国银联股份有限公司 | 一种用于简化复杂网络的方法和系统 |
CN111260493A (zh) * | 2020-04-27 | 2020-06-09 | 深圳市爱聊科技有限公司 | 基于亲密度的用户交友分组方法、电子装置及存储介质 |
CN112131569A (zh) * | 2020-09-15 | 2020-12-25 | 上海交通大学 | 一种基于图网络随机游走的风险用户预测方法 |
CN112131569B (zh) * | 2020-09-15 | 2024-01-05 | 上海交通大学 | 一种基于图网络随机游走的风险用户预测方法 |
CN113407659A (zh) * | 2021-07-09 | 2021-09-17 | 上海明略人工智能(集团)有限公司 | 员工社区发现方法、系统、计算机和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109951377A (zh) | 一种好友分组方法、装置、计算机设备和存储介质 | |
Serafino et al. | True scale-free networks hidden by finite size effects | |
Guo et al. | Deep-distributed-learning-based POI recommendation under mobile-edge networks | |
Yin et al. | Modeling location-based user rating profiles for personalized recommendation | |
Zhang et al. | CoRe: Exploiting the personalized influence of two-dimensional geographic coordinates for location recommendations | |
Ying et al. | A temporal-aware POI recommendation system using context-aware tensor decomposition and weighted HITS | |
CN103325061A (zh) | 一种社区发现方法和系统 | |
Al Hasan Haldar et al. | Location prediction in large-scale social networks: an in-depth benchmarking study | |
Liao et al. | POI recommendation of location-based social networks using tensor factorization | |
KR20210040892A (ko) | 융합 관계 네트워크에 기반한 정보 추천 방법, 장치, 전자 장비, 비 일시적 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램 | |
CN112434811A (zh) | 知识图谱构建方法及装置、计算设备、存储介质 | |
CN112989169B (zh) | 目标对象识别方法、信息推荐方法、装置、设备及介质 | |
Chen et al. | Next POI recommendation based on location interest mining with recurrent neural networks | |
CN112131261B (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
Chen et al. | A temporal recommendation mechanism based on signed network of user interest changes | |
Wang et al. | ST-SAGE: A spatial-temporal sparse additive generative model for spatial item recommendation | |
Chen et al. | Follow whom? Chinese users have different choice | |
Shafik et al. | Recommendation system comparative analysis: internet of things aided networks | |
Zhang et al. | Context-enhanced probabilistic diffusion for urban point-of-interest recommendation | |
Frost et al. | Art i don’t like: An anti-recommender system for visual art | |
Yang et al. | Deep learning for latent events forecasting in content caching networks | |
Liu et al. | A hybrid book recommendation algorithm based on context awareness and social network | |
CN104123321A (zh) | 一种确定推荐图片的方法及装置 | |
Liang | Intelligent Tourism Personalized Recommendation Based on Multi‐Fusion of Clustering Algorithms | |
Aroza et al. | Chaotic behaviour of birth-and-death models with proliferation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190628 |