CN110147486A - 好友推荐方法和装置 - Google Patents
好友推荐方法和装置 Download PDFInfo
- Publication number
- CN110147486A CN110147486A CN201710956823.5A CN201710956823A CN110147486A CN 110147486 A CN110147486 A CN 110147486A CN 201710956823 A CN201710956823 A CN 201710956823A CN 110147486 A CN110147486 A CN 110147486A
- Authority
- CN
- China
- Prior art keywords
- head portrait
- similarity
- picture
- color
- target user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims description 39
- 238000005516 engineering process Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000004040 coloring Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 30
- 241001465754 Metazoa Species 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001062009 Indigofera Species 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种好友推荐方法和装置。该方法包括:针对识别社交网络群体中所有用户的头像图片,构建头像图片特征模型;获取目标用户头像的头像特征;将目标用户头像的头像特征在头像图片特征模型进行匹配,生成好友推荐名单。本发明基于用户头像特征进行好友推荐,与其它基于位置、关系、行为等好友推荐方式完全不同,构建多层分类的内容特征模型,对于任一目标用户,基于该用户的头像特征,在模型中进行层级匹配,从而大大提升了陌生人好友推荐的推荐成功率。
Description
技术领域
本发明涉及大数据和社交网络领域,特别涉及一种好友推荐方法和装置。
背景技术
随着即时通讯、微博、社交网络的发展,如何更好地从亿万社交用户中发现“相似”用户并推荐其成功地互加好友一直是社交服务提供商努力的方向。
目前社交好友推荐普遍采用通讯录名单导入、好友间各自关联用户推荐、有相似的行为或爱好用户推荐等方式,但对于陌生人好友推荐的成功率一般都不高,如何提升陌生人好友推荐成功率,不单是用户间关联关系发现的问题,还是一个如何拉近陌生人间心理距离的问题。
发明内容
鉴于以上技术问题,本发明提供了一种好友推荐方法和装置,基于用户头像特征进行分析挖掘的方法,大大提升了陌生人好友推荐的成功率。
根据本发明的一个方面,提供一种好友推荐方法,包括:
针对识别社交网络群体中所有用户的头像图片,构建头像图片特征模型;
获取目标用户头像的头像特征;
将目标用户头像的头像特征在头像图片特征模型进行匹配,生成好友推荐名单。
在本发明的一个实施例中,所述头像图片特征模型包括头像内容特征模型和头像颜色特征模型中的至少一项;
所述目标用户头像的头像特征相应地包括头像内容特征和头像颜色特征中的至少一项。
在本发明的一个实施例中,所述构建头像图片特征模型包括:
获取头像内容信息;
基于头像内容信息构建多层级分类体系和相似度值。
在本发明的一个实施例中,所述基于头像内容信息构建多层级分类体系和相似度值包括:
根据头像内容信息确定至少一个头像词;
针对每个头像词,确定一个多层次分类序列;
为多层次分类序列的每个层级确定对应的相似度值。
在本发明的一个实施例中,所述获取头像内容信息的步骤包括:
通过图片搜索引擎获取头像内容信息;
采用深度学习技术识别未搜索到的目标用户头像的头像内容信息。
在本发明的一个实施例中,所述构建头像图片特征模型包括:
采集头像颜色;
基于头像颜色构建多层分类的头像颜色特征模型。
在本发明的一个实施例中,所述基于头像颜色构建多层分类的头像颜色特征模型包括:
利用颜色直方图将头像颜色离散化映射到一个颜色数值向量;
将颜色数值向量向上层汇聚;
确定每层颜色数值向量对应的相似度值。
在本发明的一个实施例中,所述将目标用户头像的头像特征在头像图片特征模型进行匹配,生成好友推荐名单包括:
将目标用户头像的头像特征在头像图片特征模型进行匹配,确定模型头像图片与目标用户头像的头像相似度;
将与目标用户头像的头像相似度大于预定值的模型头像图片对应的用户作为相似用户;
将相似用户按照头像相似度由高到底的顺序构成好友推荐名单。
在本发明的一个实施例中,所述将目标用户头像的头像特征在头像图片特征模型进行匹配,生成好友推荐名单还包括:
获取相似用户的历史推荐成功率;
根据相似用户的历史推荐成功率对相似用户头像与目标用户头像的头像相似度进行修正;
将相似用户按照修正后的头像相似度由高到底的顺序构成好友推荐名单。
在本发明的一个实施例中,若所述头像图片特征模型包括头像内容特征模型,则所述确定模型头像图片与目标用户头像的头像相似度包括:确定模型头像图片与目标用户头像的头像内容相似度;将所述头像内容相似度作为模型头像图片与目标用户头像的头像相似度。
在本发明的一个实施例中,若所述头像图片特征模型包括头像颜色特征模型,则所述确定模型头像图片与目标用户头像的头像相似度包括:确定模型头像图片与目标用户头像的头像颜色相似度;将所述头像颜色相似度作为模型头像图片与目标用户头像的头像相似度。
在本发明的一个实施例中,若所述头像图片特征模型包括头像内容特征模型和头像颜色特征模型,则所述确定模型头像图片与目标用户头像的头像相似度包括:确定模型头像图片与目标用户头像的头像内容相似度;确定模型头像图片与目标用户头像的头像颜色相似度;根据所述头像内容相似度和所述头像颜色相似度确定模型头像图片与目标用户头像的头像相似度。
在本发明的一个实施例中,所述确定模型头像图片与目标用户头像的头像内容相似度包括:
根据目标用户头像的头像内容信息确定头像词向量,其中所述头像词向量包括至少一个头像词;
比对头像词向量和分类词库,确定与头像词匹配的多层次分类序列的层级为内容匹配层级;
将所述内容匹配层级的相似度值作为模型头像图片与目标用户头像的头像内容相似度。
在本发明的一个实施例中,所述确定模型头像图片与目标用户头像的头像颜色相似度包括:
将目标用户头像的颜色信息色离散化映射到一个颜色数值向量;
比对所述颜色数值向量与多层分类的头像颜色特征模型,确定与所述颜色数值向量匹配的颜色匹配层级;
将所述颜色匹配层级的相似度值作为模型头像图片与目标用户头像的头像颜色相似度。
根据本发明的另一方面,提供一种好友推荐装置,包括:
特征模型构建模块,用于针对识别社交网络群体中所有用户的头像图片,构建头像图片特征模型;
目标头像特征获取模块,用于获取目标用户头像的头像特征;
推荐名单确定模块,用于将目标用户头像的头像特征在头像图片特征模型进行匹配,生成好友推荐名单。
在本发明的一个实施例中,所述好友推荐装置用于实现上述任一实施例所述的好友推荐方法步骤。
根据本发明的另一方面,提供一种好友推荐装置,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,所述处理器执行所述程序时实现上述任一实施例所述的好友推荐方法步骤。
本发明基于用户头像特征进行好友推荐,与其它基于位置、关系、行为等好友推荐方式完全不同,构建多层分类的内容特征模型,对于任一目标用户,基于该用户的头像特征,在模型中进行层级匹配,从而大大提升了陌生人好友推荐的推荐成功率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明好友推荐方法一个实施例的示意图。
图2为本发明一个实施例中构建头像内容特征模型的示意图。
图3为本发明一个实施例中确定头像内容信息的示意图。
图4为本发明一个具体实施例中构建头像内容特征模型的示意图。
图5为本发明一个实施例中头像图片特征模型的示意图。
图6为本发明一个具体实施例中构建头像颜色特征模型的示意图。
图7为本发明一个实施例中确定好友推荐名单的示意图。
图8为本发明一个实施例中确定头像内容相似度的示意图。
图9为本发明一个实施例中目标用户头像的示意图。
图10为本发明一个实施例中确定头像颜色相似度的示意图。
图11为本发明一个实施例中确定模型头像图片与目标用户头像的头像相似度的示意图。
图12为本发明另一实施例中确定好友推荐名单的示意图。
图13为本发明好友推荐装置一个实施例的示意图。
图14为本发明好友推荐装置另一实施例的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
申请人发现,社交好友推荐时能提供给用户进行判断的信息不多,而头像恰恰是最醒目的用户个性化标识,它一定程度上反映出用户的某种倾向,如宠物头像可能说明用户有爱心,能够让同样养宠物的人产生共鸣。基于此,本发明提出了一种对用户头像特征进行分析挖掘的方法,用于提升陌生人好友推荐的成功率。
图1为本发明好友推荐方法一个实施例的示意图。优选的,本实施例可由本发明好友推荐装置执行。该方法包括以下步骤:
步骤1,针对识别社交网络群体中所有用户的头像图片,构建头像图片特征模型。
在本发明的一个实施例中,所述头像图片特征模型包括头像内容特征模型和头像颜色特征模型中的至少一项。
图2为本发明一个实施例中构建头像内容特征模型的示意图。如图2所示,图1实施例步骤1中所述构建头像图片特征模型的步骤可以包括:
步骤11,获取头像内容信息。
在本发明的一个实施例中,步骤11可以包括:通过调用google/百度等图片搜索引擎获取头像内容信息。
在本发明的另一实施例中,步骤11还可以包括:在通过图片搜索引擎获取头像内容信息之后,进一步采用深度学习技术识别未搜索到的目标用户头像的头像内容信息。
步骤12,基于头像内容信息构建多层级分类体系和相似度值。
在本发明的一个实施例中,步骤12可以包括:
步骤121,根据头像内容信息确定至少一个头像词。
在本发明的一个具体实施例中,步骤121可以包括:对图片搜索结果构建头像词向量(x1,x2,x3…),其中xi为头像词。
例如:对于图3所示的卡通少女的头像,可以确定“可爱、卡通和少女”三个头像词。
步骤122,利用预定义的分类词库,对头像识别结果分类。针对每个头像词,确定一个多层次分类序列。其中,预定义分类词库(y1-y2-y3-y4,y1-y2-y5-y6…),其中yi为单词(头像词),y1为y2的父亲。
步骤123,为多层次分类序列的每个层级确定对应的相似度值。
在本发明的一个具体实施例中,步骤123可以包括:比对头像词向量与分类词库,如x1=y3,则x1属于y1-y2-y3-y4序列的第3级,对应一个相似度值。
在本发明上述实施例中,同一层级的相似度值利用IDF(Inverse DocumentFrequency,逆向文件频率)进行计算,以此来区分不同单词的重要程度,越常用的单词的相似度值越高。
具体地,同一层以IDF的倒数的大小来确定词语相似度高低。
在本发明上述实施例中,层级越深,相似度值越高。子层匹配相似度高于父层。
图4为本发明一个具体实施例中构建头像内容特征模型的示意图。
对于如图4所示的小猫的图片,首先,通过图片搜索引擎获取头像内容信息为“伤心的小猫”。
然后,根据头像内容信息确定两个头像词“伤心”和“猫”。
之后,利用预定义的分类词库,对头像识别结果分类,针对每个头像词,分别确定一个多层次分类序列。其中,对于头像词“猫”可以获得多层次分类序列“猫-宠物-动物”;对于头像词“伤心”可以获得多层次分类序列“伤心-情感-心理”。
最后,比对头像词向量与分类词库,为头像词及其多层次分类序列的每一层级确定相应的相似度值。其中,多层次分类序列“猫-宠物-动物”的相似度分别为“4-3-1”;多层次分类序列“伤心-情感-心理”的相似度分别为“8-4-2”。由于头像词“伤心”比头像词“猫”重要,因此,在同一层级,“伤心-情感-心理”多层次分类序列的相似度值均高于“猫-宠物-动物”多层次分类序列的相似度值。
图5为本发明一个实施例中头像图片特征模型的示意图。如图5所示,图1实施例的步骤1中所述构建头像图片特征模型的步骤可以包括:
步骤1a,采集头像颜色。
步骤1b,基于头像颜色构建多层分类的头像颜色特征模型。
在本发明的一个实施例中,步骤1b可以包括:利用颜色直方图等技术将头像图片中的色彩映射到数字向量空间,构建多层颜色分类体系及相似度值。
在本发明的一个具体实施例中,所述步骤1b可以包括:
步骤1b1,利用颜色直方图将头像的RGB/HSL颜色离散化映射到一个颜色数值向量,如128位。
步骤1b2,将颜色数值向量向上层汇聚,如32位—8位—4位等。
步骤1b3,确定每层颜色数值向量对应的相似度值,其中,底层相似度值高于上层,同层的相似度值相同。
图6为本发明一个具体实施例中构建头像颜色特征模型的示意图。对于如图6所示的小猫的图片,可以构建“(红10%、绿70%、蓝30%)-绿色系-中性色调”的多层颜色分类体系,并为每一层级分别设置相似度值“7-3-1”。
步骤2,获取目标用户头像的头像特征。
在本发明的一个实施例中,与步骤1中构建的头像图片特征模型相对应地,所述目标用户头像的头像特征相应包括头像内容特征和头像颜色特征中的至少一项。
步骤3,将目标用户头像的头像特征在头像图片特征模型进行匹配,生成好友推荐名单。
图7为本发明一个实施例中确定好友推荐名单的示意图。如图7所示,图1实施例的步骤3可以包括:
步骤31,将目标用户头像的头像特征在头像图片特征模型进行匹配,确定模型头像图片与目标用户头像的头像相似度。
在本发明第一实施例中,若所述头像图片特征模型包括头像内容特征模型,则步骤31中所述确定模型头像图片与目标用户头像的头像相似度的步骤可以包括:确定模型头像图片与目标用户头像的头像内容相似度;将所述头像内容相似度作为模型头像图片与目标用户头像的头像相似度。
图8为本发明一个实施例中确定头像内容相似度的示意图。图9为本发明一个实施例中目标用户头像的示意图。如图8所示,所述确定模型头像图片与目标用户头像的头像内容相似度的步骤可以包括:
步骤311,根据目标用户头像的头像内容信息确定头像词向量,其中所述头像词向量包括至少一个头像词。例如图9所示的目标用户头像可以确定头像词“动物”。
步骤312,比对头像词向量和分类词库,确定与头像词匹配的多层次分类序列的层级为内容匹配层级。
步骤313,将所述内容匹配层级的相似度值作为模型头像图片与目标用户头像的头像内容相似度。
例如:图9所示的目标用户头像可以匹配到图3所示头像内容特征模型“小猫图片”的多层次分类序列“猫-宠物-动物”,具体可以匹配到多层次分类序列“猫-宠物-动物”的层级为“动物”,则多层次分类序列“猫-宠物-动物”的层级“动物”为图9所示目标用户头像的内容匹配层级。由此,可以所述内容匹配层级“动物”的相似度值1作为图3所示模型头像图片与图9所示目标用户头像的头像内容相似度。
在本发明第二实施例中,若所述头像图片特征模型包括头像颜色特征模型,则步骤31中所述确定模型头像图片与目标用户头像的头像相似度的步骤可以包括:确定模型头像图片与目标用户头像的头像颜色相似度;将所述头像颜色相似度作为模型头像图片与目标用户头像的头像相似度。
图10为本发明一个实施例中确定头像颜色相似度的示意图。如图10所示,所述确定模型头像图片与目标用户头像的头像颜色相似度的步骤可以包括:
步骤31a,将目标用户头像的颜色信息色离散化映射到一个颜色数值向量。
步骤31b,比对所述颜色数值向量与多层分类的头像颜色特征模型,确定与所述颜色数值向量匹配的颜色匹配层级。
步骤31c,将所述颜色匹配层级的相似度值作为模型头像图片与目标用户头像的头像颜色相似度。
例如:对图9所示目标用户头像进行处理后可以得到“(红10%、绿80%、蓝10%)-绿色系-中性色调”的颜色数值向量。将所述颜色数值向量与图6所示小猫的多层颜色分类体系进行比对,确定颜色匹配层级为小猫的多层颜色分类体系的“绿色系”层级,从而可以所述颜色匹配层级“绿色系”的相似度值3作为图6所示模型头像图片与图9所示目标用户头像的头像颜色相似度。
在本发明第三实施例中,若所述头像图片特征模型包括头像内容特征模型和头像颜色特征模型,则步骤31中所述确定模型头像图片与目标用户头像的头像相似度的步骤可以包括:确定模型头像图片与目标用户头像的头像内容相似度;确定模型头像图片与目标用户头像的头像颜色相似度;根据所述头像内容相似度和所述头像颜色相似度确定模型头像图片与目标用户头像的头像相似度。
图11为本发明一个实施例中确定模型头像图片与目标用户头像的头像相似度的示意图。如图11所示,对于所述头像图片特征模型包括头像内容特征模型和头像颜色特征模型的情况,需要在按照图8和图10实施例的方法分别在头像内容特征模型库和头像颜色特征模型库中进行匹配(且需同时满足:颜色达到预设阈值,单词匹配相同),分别确定内容和颜色相似度值,并进行加权,生成一个模型头像图片与目标用户头像的头像相似度。
具体地,如图11所示,头像相似度可以通过如下公式(1)确定。
头像相似度=80%*头像颜色相似度+20%*头像颜色相似度(1)
代入具体值可得:头像相似度=80%*1+20%*3=1.4
步骤32,将与目标用户头像的头像相似度大于预定值的模型头像图片对应的用户作为相似用户。
步骤33,将相似用户按照头像相似度由高到底的顺序构成好友推荐名单。
在本发明的一个实施例中,步骤33可以包括:任一目标用户头像,在模型库中进行匹配(颜色达到预设阈值,单词匹配相同),在全部匹配上的层,以及同层、下层按相似度高低排序生成。
基于本发明上述实施例提供的基于用户头像特征的社交好友推荐方法,可以利用网络图片搜索结合深度学习技术,识别社交网络群体中所有用户的头像图片,对头像识别结果构建多层分类的内容特征模型,同时利用颜色直方图技术对头像色彩进行特征提取构建多层分类颜色特征模型。对于任一目标用户,基于该用户的头像内容特征和颜色特征,在模型中进行层级匹配,从而大大提高了陌生人好友推荐的推荐成功率。
本发明上述实施例与其它已有的基于位置、关系、行为等好友推荐方式完全不同,本发明上述实施例还可以基于已有的好友推荐方法,进一步筛选符合头像内容和颜色特征的用户,以进一步提升推荐成功率。
图12为本发明另一实施例中确定好友推荐名单的示意图。如图12所示,所述好友推荐名单确定方法可以包括:
步骤31,将目标用户头像的头像特征在头像图片特征模型进行匹配,确定模型头像图片与目标用户头像的头像相似度。
步骤32,将与目标用户头像的头像相似度大于预定值的模型头像图片对应的用户作为相似用户。
步骤34,获取相似用户的历史推荐成功率。
步骤35,根据相似用户的历史推荐成功率对相似用户头像与目标用户头像的头像相似度进行修正。
步骤36,将相似用户按照修正后的头像相似度由高到底的顺序构成好友推荐名单。
本发明上述实施例可以基于历史推荐成功率,修正用户相似度值,包括推荐成功、推荐失败、推荐成功后又取消等情况,对相似度值进行增减微调。
本发明上述实施例可以根据用户头像特征匹配相似用户,结合每个相似用户历史推荐成功率,生成推荐名单。由此本发明上述实施例可以基于好友推荐成功率修正好友间相似度,从而进一步提升了推荐成功率。
本发明上述实施例中,对于一个用户更新过头像的情况,对每个头像都生成一个相似度值,并按时间远近赋权,生成一个用户的多个相似度值。本发明上述实施例中对于多次更新的头像的情况,按时间先后建立多个相似度值,可按时间远近赋予不同权重优先级。
本发明上述实施例基于时间序列的单用户多相似度模型,实现用户头像更新效果。
图13为本发明好友推荐装置一个实施例的示意图。如图13所示,所述好友推荐装置可以包括特征模型构建模块100、目标头像特征获取模块200和推荐名单确定模块300,其中:
特征模型构建模块100,用于针对识别社交网络群体中所有用户的头像图片,构建头像图片特征模型。
目标头像特征获取模块200,用于获取目标用户头像的头像特征。
推荐名单确定模块300,用于将目标用户头像的头像特征在头像图片特征模型进行匹配,生成好友推荐名单。
在本发明的一个实施例中,所述好友推荐装置用于实现上述任一实施例所述的好友推荐方法步骤。
在本发明的一个实施例中,特征模型构建模块100确定的头像图片特征模型包括头像内容特征模型和头像颜色特征模型中的至少一项。目标头像特征获取模块200获取的目标用户头像的头像特征相应地包括头像内容特征和头像颜色特征中的至少一项。
在本发明的一个实施例中,特征模型构建模块100可以用于获取头像内容信息;基于头像内容信息构建多层级分类体系和相似度值。
在本发明的一个具体实施例中,特征模型构建模块100可以用于通过图片搜索引擎获取头像内容信息;采用深度学习技术识别未搜索到的目标用户头像的头像内容信息。本发明上述实施例可以利用图片搜索引擎将用户头像转换为词语内容。
在本发明的另一具体实施例中,特征模型构建模块100可以用于根据头像内容信息确定至少一个头像词;针对每个头像词,确定一个多层次分类序列;为多层次分类序列的每个层级确定对应的相似度值。
本发明上述实施例可以对用户头像内容建立分类分层的树形结构,同层相似度值利用逆文档词频IDF进行计算,以此来区分不同单词的重要程度,越常用的单词的相似度值越高;层级越深,相似度值越高。
本发明上述实施例对于头像内容识别结果,提出了分层分类相似度计算模型,且引入逆文档词频IDF来区分同层内容单词重要性程度,能够更好地标识出头像之间的相似度。
在本发明的一个实施例中,特征模型构建模块100可以用于采集头像颜色;基于头像颜色构建多层分类的头像颜色特征模型。
在本发明的一个具体实施例中,特征模型构建模块100可以用于利用颜色直方图将头像颜色离散化映射到一个颜色数值向量;将颜色数值向量向上层汇聚;确定每层颜色数值向量对应的相似度值。
本发明上述实施例可以利用颜色直方图构建分层相似度计算模型,具体利用颜色直方图将头像的RGB/HSL颜色离散化映射到一个颜色数值向量,并逐层汇聚,如32位—8位—4位等,构建层级树形结构,并定义相似度值,底层相似度值高于上层,同层的相似度值相同。
在本发明的一个实施例中,推荐名单确定模块300可以用于将目标用户头像的头像特征在头像图片特征模型进行匹配,确定模型头像图片与目标用户头像的头像相似度;将与目标用户头像的头像相似度大于预定值的模型头像图片对应的用户作为相似用户;将相似用户按照头像相似度由高到底的顺序构成好友推荐名单。
在本发明的一个实施例中,推荐名单确定模块300可以用于在所述头像图片特征模型包括头像内容特征模型的情况下,确定模型头像图片与目标用户头像的头像内容相似度;将所述头像内容相似度作为模型头像图片与目标用户头像的头像相似度。
在本发明的一个实施例中,推荐名单确定模块300可以用于在所述头像图片特征模型包括头像颜色特征模型的情况下,确定模型头像图片与目标用户头像的头像颜色相似度;将所述头像颜色相似度作为模型头像图片与目标用户头像的头像相似度。
在本发明的一个实施例中,推荐名单确定模块300可以用于在所述头像图片特征模型包括头像内容特征模型和头像颜色特征模型的情况下,确定模型头像图片与目标用户头像的头像内容相似度;确定模型头像图片与目标用户头像的头像颜色相似度;根据所述头像内容相似度和所述头像颜色相似度确定模型头像图片与目标用户头像的头像相似度。
在本发明的一个具体实施例中,推荐名单确定模块300可以用于根据目标用户头像的头像内容信息确定头像词向量,其中所述头像词向量包括至少一个头像词;比对头像词向量和分类词库,确定与头像词匹配的多层次分类序列的层级为内容匹配层级;将所述内容匹配层级的相似度值作为模型头像图片与目标用户头像的头像内容相似度。
在本发明的一个具体实施例中,推荐名单确定模块300可以用于将目标用户头像的颜色信息色离散化映射到一个颜色数值向量;比对所述颜色数值向量与多层分类的头像颜色特征模型,确定与所述颜色数值向量匹配的颜色匹配层级;将所述颜色匹配层级的相似度值作为模型头像图片与目标用户头像的头像颜色相似度。
基于本发明上述实施例提供的基于用户头像特征的社交好友推荐装置,可以利用网络图片搜索结合深度学习技术,识别社交网络群体中所有用户的头像图片,对头像识别结果构建多层分类的内容特征模型,同时利用颜色直方图技术对头像色彩进行特征提取构建多层分类颜色特征模型。对于任一目标用户,基于该用户的头像内容特征和颜色特征,在模型中进行层级匹配,从而大大提高了陌生人好友推荐的推荐成功率。
在本发明的另一实施例中,推荐名单确定模块300可以用于将目标用户头像的头像特征在头像图片特征模型进行匹配,确定模型头像图片与目标用户头像的头像相似度;将与目标用户头像的头像相似度大于预定值的模型头像图片对应的用户作为相似用户;获取相似用户的历史推荐成功率;根据相似用户的历史推荐成功率对相似用户头像与目标用户头像的头像相似度进行修正;将相似用户按照修正后的头像相似度由高到底的顺序构成好友推荐名单。
本发明上述实施例可以基于历史推荐成功率,修正用户相似度值,包括推荐成功、推荐失败、推荐成功后又取消等情况,对相似度值进行增减微调。
本发明上述实施例可以根据用户头像特征匹配相似用户,结合每个相似用户历史推荐成功率,生成推荐名单。由此本发明上述实施例可以基于好友推荐成功率修正好友间相似度,从而进一步提升了推荐成功率。
本发明上述实施例中,对于一个用户更新过头像的情况,对每个头像都生成一个相似度值,并按时间远近赋权,生成一个用户的多个相似度值。本发明上述实施例中对于多次更新的头像的情况,按时间先后建立多个相似度值,可按时间远近赋予不同权重优先级。
本发明上述实施例基于时间序列的单用户多相似度模型,实现用户头像更新效果。
图14为本发明好友推荐装置另一实施例的示意图。如图14所示,所述好友推荐装置可以包括存储器400、处理器500及存储在存储器400上并可在处理器500上运行的计算机程序,其中,所述处理器500执行所述程序时实现上述任一实施例所述的好友推荐方法步骤。
基于本发明上述实施例提供的基于用户头像特征的社交好友推荐装置,可以利用网络图片搜索结合深度学习技术,识别社交网络群体中所有用户的头像图片,对头像识别结果构建多层分类的内容特征模型,同时利用颜色直方图技术对头像色彩进行特征提取构建多层分类颜色特征模型。对于任一目标用户,基于该用户的头像内容特征和颜色特征,在模型中进行层级匹配,从而大大提高了陌生人好友推荐的推荐成功率。
本发明上述实施例的好友推荐方法和装置可以用于网络社交陌生人好友推荐,也可以辅助其它推荐方法,提升好友推荐的成功率。
在上面所描述的好友推荐装置可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
至此,已经详细描述了本发明。为了避免遮蔽本发明的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (15)
1.一种好友推荐方法,其特征在于,包括:
针对识别社交网络群体中所有用户的头像图片,构建头像图片特征模型;
获取目标用户头像的头像特征;
将目标用户头像的头像特征在头像图片特征模型进行匹配,生成好友推荐名单。
2.根据权利要求1所述的方法,其特征在于,
所述头像图片特征模型包括头像内容特征模型和头像颜色特征模型中的至少一项;
所述目标用户头像的头像特征相应地包括头像内容特征和头像颜色特征中的至少一项。
3.根据权利要求2所述的方法,其特征在于,所述构建头像图片特征模型包括:
获取头像内容信息;
基于头像内容信息构建多层级分类体系和相似度值。
4.根据权利要求3所述的方法,其特征在于,所述基于头像内容信息构建多层级分类体系和相似度值包括:
根据头像内容信息确定至少一个头像词;
针对每个头像词,确定一个多层次分类序列;
为多层次分类序列的每个层级确定对应的相似度值。
5.根据权利要求3所述的方法,其特征在于,所述获取头像内容信息的步骤包括:
通过图片搜索引擎获取头像内容信息;
采用深度学习技术识别未搜索到的目标用户头像的头像内容信息。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述构建头像图片特征模型包括:
采集头像颜色;
基于头像颜色构建多层分类的头像颜色特征模型。
7.根据权利要求6所述的方法,其特征在于,所述基于头像颜色构建多层分类的头像颜色特征模型包括:
利用颜色直方图将头像颜色离散化映射到一个颜色数值向量;
将颜色数值向量向上层汇聚;
确定每层颜色数值向量对应的相似度值。
8.根据权利要求1-5中任一项所述的方法,其特征在于,所述将目标用户头像的头像特征在头像图片特征模型进行匹配,生成好友推荐名单包括:
将目标用户头像的头像特征在头像图片特征模型进行匹配,确定模型头像图片与目标用户头像的头像相似度;
将与目标用户头像的头像相似度大于预定值的模型头像图片对应的用户作为相似用户;
将相似用户按照头像相似度由高到底的顺序构成好友推荐名单。
9.根据权利要求8所述的方法,其特征在于,所述将目标用户头像的头像特征在头像图片特征模型进行匹配,生成好友推荐名单还包括:
获取相似用户的历史推荐成功率;
根据相似用户的历史推荐成功率对相似用户头像与目标用户头像的头像相似度进行修正;
将相似用户按照修正后的头像相似度由高到底的顺序构成好友推荐名单。
10.根据权利要求8所述的方法,其特征在于,
若所述头像图片特征模型包括头像内容特征模型,则所述确定模型头像图片与目标用户头像的头像相似度包括:确定模型头像图片与目标用户头像的头像内容相似度;将所述头像内容相似度作为模型头像图片与目标用户头像的头像相似度;
若所述头像图片特征模型包括头像颜色特征模型,则所述确定模型头像图片与目标用户头像的头像相似度包括:确定模型头像图片与目标用户头像的头像颜色相似度;将所述头像颜色相似度作为模型头像图片与目标用户头像的头像相似度;
若所述头像图片特征模型包括头像内容特征模型和头像颜色特征模型,则所述确定模型头像图片与目标用户头像的头像相似度包括:确定模型头像图片与目标用户头像的头像内容相似度;确定模型头像图片与目标用户头像的头像颜色相似度;根据所述头像内容相似度和所述头像颜色相似度确定模型头像图片与目标用户头像的头像相似度。
11.根据权利要求10所述的方法,其特征在于,所述确定模型头像图片与目标用户头像的头像内容相似度包括:
根据目标用户头像的头像内容信息确定头像词向量,其中所述头像词向量包括至少一个头像词;
比对头像词向量和分类词库,确定与头像词匹配的多层次分类序列的层级为内容匹配层级;
将所述内容匹配层级的相似度值作为模型头像图片与目标用户头像的头像内容相似度。
12.根据权利要求10所述的方法,其特征在于,所述确定模型头像图片与目标用户头像的头像颜色相似度包括:
将目标用户头像的颜色信息色离散化映射到一个颜色数值向量;
比对所述颜色数值向量与多层分类的头像颜色特征模型,确定与所述颜色数值向量匹配的颜色匹配层级;
将所述颜色匹配层级的相似度值作为模型头像图片与目标用户头像的头像颜色相似度。
13.一种好友推荐装置,其特征在于,包括:
特征模型构建模块,用于针对识别社交网络群体中所有用户的头像图片,构建头像图片特征模型;
目标头像特征获取模块,用于获取目标用户头像的头像特征;
推荐名单确定模块,用于将目标用户头像的头像特征在头像图片特征模型进行匹配,生成好友推荐名单。
14.根据权利要求13所述的好友推荐装置,其特征在于,所述好友推荐装置用于实现权利要求1-12中任一项所述的方法步骤。
15.一种好友推荐装置,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,其特征在于,所述处理器执行所述程序时实现权利要求1-12中任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710956823.5A CN110147486B (zh) | 2017-10-16 | 2017-10-16 | 好友推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710956823.5A CN110147486B (zh) | 2017-10-16 | 2017-10-16 | 好友推荐方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110147486A true CN110147486A (zh) | 2019-08-20 |
CN110147486B CN110147486B (zh) | 2021-10-29 |
Family
ID=67587987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710956823.5A Active CN110147486B (zh) | 2017-10-16 | 2017-10-16 | 好友推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147486B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113434633A (zh) * | 2021-06-28 | 2021-09-24 | 平安科技(深圳)有限公司 | 基于头像的社交话题推荐方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324636A (zh) * | 2012-03-22 | 2013-09-25 | 三星电子(中国)研发中心 | 在社交网络中推荐好友的系统和方法 |
CN103577592A (zh) * | 2013-11-13 | 2014-02-12 | 西安工程大学 | 基于性格相似度匹配计算的网络社区用户好友推荐方法 |
CN103678323A (zh) * | 2012-09-03 | 2014-03-26 | 上海唐里信息技术有限公司 | Sns网络中好友推荐方法与系统 |
CN103984775A (zh) * | 2014-06-05 | 2014-08-13 | 网易(杭州)网络有限公司 | 一种推荐好友的方法和设备 |
CN104243276A (zh) * | 2013-06-20 | 2014-12-24 | 腾讯科技(深圳)有限公司 | 一种联系人推荐方法及装置 |
CN105100193A (zh) * | 2015-05-26 | 2015-11-25 | 小米科技有限责任公司 | 云名片推荐方法及装置 |
CN105468596A (zh) * | 2014-08-12 | 2016-04-06 | 腾讯科技(深圳)有限公司 | 图片检索方法和装置 |
CN106504104A (zh) * | 2016-10-27 | 2017-03-15 | 江西瓷肌电子商务有限公司 | 一种基于面部识别交友社交的方法 |
US20170076505A1 (en) * | 2015-06-24 | 2017-03-16 | Microsoft Technology Licensing, Llc | Virtual place-located anchor |
CN106528709A (zh) * | 2016-10-26 | 2017-03-22 | 北京小米移动软件有限公司 | 社交信息推荐方法及装置 |
CN106528834A (zh) * | 2016-11-17 | 2017-03-22 | 百度在线网络技术(北京)有限公司 | 基于人工智能的图片资源推送方法及装置 |
CN106910135A (zh) * | 2017-01-25 | 2017-06-30 | 百度在线网络技术(北京)有限公司 | 用户推荐方法及装置 |
-
2017
- 2017-10-16 CN CN201710956823.5A patent/CN110147486B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324636A (zh) * | 2012-03-22 | 2013-09-25 | 三星电子(中国)研发中心 | 在社交网络中推荐好友的系统和方法 |
CN103678323A (zh) * | 2012-09-03 | 2014-03-26 | 上海唐里信息技术有限公司 | Sns网络中好友推荐方法与系统 |
CN104243276A (zh) * | 2013-06-20 | 2014-12-24 | 腾讯科技(深圳)有限公司 | 一种联系人推荐方法及装置 |
CN103577592A (zh) * | 2013-11-13 | 2014-02-12 | 西安工程大学 | 基于性格相似度匹配计算的网络社区用户好友推荐方法 |
CN103984775A (zh) * | 2014-06-05 | 2014-08-13 | 网易(杭州)网络有限公司 | 一种推荐好友的方法和设备 |
CN105468596A (zh) * | 2014-08-12 | 2016-04-06 | 腾讯科技(深圳)有限公司 | 图片检索方法和装置 |
CN105100193A (zh) * | 2015-05-26 | 2015-11-25 | 小米科技有限责任公司 | 云名片推荐方法及装置 |
US20170076505A1 (en) * | 2015-06-24 | 2017-03-16 | Microsoft Technology Licensing, Llc | Virtual place-located anchor |
CN106528709A (zh) * | 2016-10-26 | 2017-03-22 | 北京小米移动软件有限公司 | 社交信息推荐方法及装置 |
CN106504104A (zh) * | 2016-10-27 | 2017-03-15 | 江西瓷肌电子商务有限公司 | 一种基于面部识别交友社交的方法 |
CN106528834A (zh) * | 2016-11-17 | 2017-03-22 | 百度在线网络技术(北京)有限公司 | 基于人工智能的图片资源推送方法及装置 |
CN106910135A (zh) * | 2017-01-25 | 2017-06-30 | 百度在线网络技术(北京)有限公司 | 用户推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
李梅文: "爱奇艺会员系统的设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113434633A (zh) * | 2021-06-28 | 2021-09-24 | 平安科技(深圳)有限公司 | 基于头像的社交话题推荐方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110147486B (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837550B (zh) | 基于知识图谱的问答方法、装置、电子设备及存储介质 | |
US11657084B2 (en) | Correlating image annotations with foreground features | |
US9466297B2 (en) | Communication system | |
CN106980868A (zh) | 用于具有多个文本标签的图像的嵌入空间 | |
JP2021510429A (ja) | 知識および自然言語処理を統合するための機械学習 | |
CN105975531B (zh) | 基于对话知识库的机器人对话控制方法和系统 | |
CN106980867A (zh) | 将嵌入空间中的语义概念建模为分布 | |
CN112131472B (zh) | 信息推荐方法、装置、电子设备和存储介质 | |
Attard et al. | Ontology-based situation recognition for context-aware systems | |
CN104537341B (zh) | 人脸图片信息获取方法和装置 | |
US10248847B2 (en) | Profile information identification | |
CN106462598A (zh) | 信息处理设备、信息处理方法与程序 | |
CN111858861B (zh) | 一种基于绘本的问答交互方法及电子设备 | |
EP3210133A1 (en) | Tagging personal photos with deep networks | |
CN109643332B (zh) | 一种语句推荐方法及装置 | |
CN104915351A (zh) | 图片排序方法及终端 | |
CN101305368A (zh) | 语义可视搜索引擎 | |
WO2021184776A1 (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN110209810A (zh) | 相似文本识别方法以及装置 | |
CN112069326A (zh) | 知识图谱的构建方法、装置、电子设备及存储介质 | |
KR20120087214A (ko) | 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법, 이를 위한 기록 매체 및 이를 이용하는 소셜 네트워킹 서비스 및 서버 | |
CN112000763A (zh) | 兴趣点竞争关系确定方法、装置、设备和介质 | |
CN109741108A (zh) | 基于情境感知的流式应用推荐方法、装置和电子设备 | |
CN112948608A (zh) | 图片查找方法、装置、电子设备及计算机可读存储介质 | |
US20160267425A1 (en) | Data processing techniques |
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 |