CN110162717B - 一种推荐好友的方法和设备 - Google Patents

Abstract

本发明的实施方式提供了一种推荐好友的方法。该方法之一包括：获取第一用户的交友条件，并查找基本信息满足该交友条件的各第二用户；依据第一用户的基本信息与各第二用户的基本信息，计算各第二用户与第一用户之间的匹配度；依据各第二用户的基本信息，计算第一用户对各第二用户的偏好度；依据各第二用户的基本信息和/或历史行为，计算表示各第二用户的使用表征度；根据所述匹配度、所述偏好度和所述使用表征度，从各第二用户中筛选出至少一个第三用户向第一用户推荐。通过本发明实施方式的方法，不仅可以使得推荐好友更符合该用户的偏好，而且在社交网络中可以减少无法推荐好友的情况发生。此外，本发明的实施方式提供了一种推荐好友的设备。

Description

一种推荐好友的方法和设备

本申请对申请号为201410246939.6，申请日为2014年06月05日，发明名称为“一种推荐好友的方法和设备”的中国专利申请提出分案申请。

技术领域

本发明的实施方式涉及网络信息处理领域，更具体地，本发明的实施方式涉及一种推荐好友的方法和设备。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

随着互联网的普及和发展，越来越多的人们通过社交网络进行沟通、结识朋友，甚至是结识婚恋对象。在社交网络中，为了便于用户结识新的好友，系统可以将某用户可能感兴趣的其他用户作为推荐好友向该用户推荐，以便该用户可以与推荐好友进行信息交互。例如，在婚恋等场景下的社交网络中，各个用户可以具有表示个人情况的基本信息，当系统需要为某一用户推荐好友时，可以依据表示该用户交友兴趣的交友条件(如择偶条件)，将基本信息满足该用户交友条件的其他用户推荐给该用户。

对于某一用户来说，通常在一个社交网络中基本信息能够满足该用户交友条件的其他用户数量非常多，而其中往往仅有很少的一部分是该用户真正感兴趣的。为了向用户推荐更符合用户偏好的其他用户，现有技术中采用的是，根据用户的基本信息获得与该用户基本信息相同或相似的至少一个其他用户作为类似用户，然后从类似用户偏好的好友用户中筛选出基本信息满足该用户交友条件的至少一个好友用户推荐给该用户。这样，由于基本信息相似的用户偏好类似，现有技术为某一用户推荐好友时，通过将好友用户的筛选范围缩小到与该用户基本信息相同或相似的其他用户所偏好的好友用户，使得为该用户推荐的好友更符合用户的偏好。

发明内容

但是，由于现有技术中为该用户推荐的好友均是与该用户基本信息相同或相似的类似用户所偏好的好友用户，在社交网络中有时难以找到与该用户基本信息相同或相似的类似用户，有时虽然能够找到类似用户，但类似用户偏好的好友用户数量也往往过少，以至于难以找到基本信息满足该用户交友条件的好友用户，这些情况都会导致无法为该用户推荐出好友。

因此在现有技术中，为了向用户推荐更符合用户偏好的好友而使得为该用户推荐的好友均是与该用户基本信息相同或相似的类似用户所偏好的好友用户，使得在社交网络中不具有该用户的类似用户或类似用户偏好的好友用户过少时容易导致无法为用户推荐好友，这是非常令人烦恼的过程。

为此，非常需要一种改进的推荐好友的方法和设备，以使在向用户推荐更符合用户偏好的好友时无需从该用户的类似用户所偏好的好友用户中筛选推荐好友，从而避免在社交网络中不具有该用户的类似用户或类似用户偏好的好友用户过少时无法为用户推荐好友的问题。

在本上下文中，本发明的实施方式期望提供一种推荐好友的方法和设备。

在本发明实施方式的第一方面中，提供了一种推荐好友的方法，包括：获取第一用户的交友条件，并查找基本信息满足所述交友条件的各个第二用户；依据所述第一用户的基本信息与各个所述第二用户的基本信息，利用匹配模型，计算各个所述第二用户与所述第一用户之间的匹配度，所述匹配模型为预先依据社交网络中具有历史信息交互的相应两个历史匹配用户的基本信息以及相应两个历史匹配用户之间历史交互信息量而建立的；根据各个所述第二用户与所述第一用户之间的匹配度，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐。

在本发明实施方式的第二方面中，提供了一种推荐好友的方法，包括：获取第一用户的交友条件，并查找基本信息满足所述交友条件的各个第二用户；依据各个所述第二用户的基本信息，利用所述第一用户的交友偏好模型，计算所述第一用户对各个所述第二用户的偏好度，所述交友偏好模型为预先依据所述第一用户的历史交友行为以及作为所述历史交友行为对象的用户的基本信息而建立的；根据所述第一用户对各个所述第二用户的偏好度，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐。

在本发明实施方式的第三方面中，提供了一种推荐好友的设备，包括：交友条件匹配模块，用于获取第一用户的交友条件，并查找基本信息满足所述交友条件的各个第二用户；匹配度计算模块，用于依据所述第一用户的基本信息与各个所述第二用户的基本信息，利用匹配模型，计算各个所述第二用户与所述第一用户之间的匹配度，所述匹配模型为预先依据社交网络中具有历史信息交互的相应两个历史匹配用户的基本信息以及相应两个历史匹配用户之间历史交互信息量而建立的；第一推荐模块，用于根据各个所述第二用户与所述第一用户之间的匹配度，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐。

在本发明实施方式的第四方面中，提供了一种推荐好友的设备，包括：交友条件匹配模块，用于获取第一用户的交友条件，并查找基本信息满足所述交友条件的各个第二用户；偏好度计算模块，用于依据各个所述第二用户的基本信息，利用所述第一用户的交友偏好模型，计算所述第一用户对各个所述第二用户的偏好度，所述交友偏好模型为预先依据所述第一用户的历史交友行为以及作为所述历史交友行为对象的用户的基本信息而建立的；第二推荐模块，用于根据所述第一用户对各个所述第二用户的偏好度，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐。

根据本发明实施方式的推荐好友的方法和设备，当为第一用户推荐好友时，可以在满足第一用户交友条件的各个第二用户中，通过相应两个历史匹配用户的基本信息与两者历史交互信息量之间的对应关系，基于第一用户的基本信息和各个第二用户的基本信息来预测表示第一用户对各个第二用户偏好程度的匹配度，和/或，通过作为第一用户历史交友行为对象的用户的基本信息与该历史交友行为之间的对应关系，基于各个第二用户的基本信息来预测表示第一用户对各个第二用户偏好程度的偏好度，从而可以根据预测出的匹配度和/或偏好度来筛选用于向第一用户推荐的第三用户。因此，在向用户推荐好友时，可以依据历史交友行为或具有历史信息交互的用户匹配历史情况预测当前推荐的好友被用户接受的可能性，这不仅使得向该用户推荐的好友更符合该用户的偏好，而且无需从该用户的类似用户所偏好的好友用户中筛选推荐好友，从而在社交网络中不具有该用户的类似用户或类似用户偏好的好友用户过少时也可以实现向该用户推荐好友，显著地减少了无法推荐好友的情况发生，为用户带来了更好的体验。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1示意性地示出了本发明的实施方式的一个示例性应用场景的框架示意图；

图2示意性地示出了本发明中推荐好友的方法一实施例的流程图；

图3示意性地示出了本发明实施例中筛选第三用户一实施方式的流程图；

图4示意性地示出了本发明中推荐好友的方法另一实施例的流程图；

图5示意性地示出了本发明中推荐好友的设备一实施例的结构图；

图6示意性地示出了本发明中推荐好友的设备另一实施例的结构图；

图7示意性地示出了本发明中推荐好友的设备又一实施例的结构图；

图8示意性地示出了本发明实施例中第一推荐模块503一实施方式的结构图；

图9示意性地示出了本发明实施例中用户推荐子模块802一实施方式的结构图；

图10示意性地示出了本发明中推荐好友的设备再一实施例的结构图；

在附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

根据本发明的实施方式，提出了一种推荐好友的方法和设备。

在本文中，需要理解的是，所涉及的术语“第一用户”、“第二用户”、“第三用户”分别表示的是同一个推荐好友过程中接受推荐的用户、满足接受推荐用户交友条件的用户以及最终推荐出的好友用户。可以理解的是，在不同的推荐过程中，第一用户可以是社交网络中的任意用户，例如，一推荐过程中的某第二用户或第三用户也可以是另一推荐过程的第一用户。对于推荐过程中接受推荐的“第一用户”，本发明不做限定。此外，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。

下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。

发明概述

本发明人发现，通常社交网络中符合一个用户交友条件的用户数量都是十分巨大的，但其中往往仅有很少一部分会被该用户真正感兴趣而接受为好友，为了向用户推荐更符合用户偏好的好友，现有技术采用的方式主要是仅在基本信息与该用户相似的类似用户所偏好的好友用户中筛选推荐给该用户的好友用户。通过这种方式，现有技术虽然能使推荐给该用户的好友用户更符合该用户的偏好，但却会在该用户不具有基本信息相似的类似好友或者类似好友的好友用户数量太少而导致无法向该用户推荐好友，可见，现有技术中导致无法为该用户推荐好友的原因主要在于向该用户推荐的好友用户都是从该用户的类似用户所偏好的好友用户中筛选出的。因此，为了避免无法推荐的问题，就需要在使向用户推荐更符合用户偏好的好友的同时，避免采用仅从该用户的类似用户所偏好的用户中筛选推荐给该用户的好友。

基于上述研究，本发明的基本思想在于：当为第一用户推荐好友时，可以在满足第一用户交友条件的各个第二用户中，通过相应两个历史匹配用户的基本信息与两者历史交互信息量之间的对应关系，基于第一用户的基本信息和各个第二用户的基本信息来预测表示第一用户对各个第二用户偏好程度的匹配度，和/或，通过作为第一用户历史交友行为对象的用户的基本信息与该历史交友行为之间的对应关系，基于各个第二用户的基本信息来预测表示第一用户对各个第二用户偏好程度的偏好度，从而可以根据预测出的匹配度和/或偏好度来筛选用于向第一用户推荐的第三用户。这样，不仅可以使得向该用户推荐的好友更符合该用户的偏好，而且也无需从该用户的类似用户所偏好的好友用户中筛选推荐好友，从而在社交网络中不具有该用户的类似用户或类似用户偏好的好友用户过少时也可以实现向该用户推荐好友，减少了无法推荐好友的情况发生。

在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。

应用场景总览

首先参考图1，图1是本发明的实施方式的一个示例性应用场景的框架示意图。其中，用户通过客户端102与提供社交网络服务的服务器101进行交互。本领域技术人员可以理解，图1所示的框架示意图仅是本发明的实施方式可以在其中得以实现的一个示例。本发明实施方式的适用范围不受到该框架任何方面的限制。

需要注意的是，此处的客户端102可以是现有的、正在研发的或将来研发的、能够通过任何形式的有线和/或无线连接(例如，Wi-Fi、LAN、蜂窝、同轴电缆等)与服务器101交互的任何客户端，包括但不限于：现有的、正在研发的或将来研发的智能手机、非智能手机、平板电脑、膝上型个人计算机、桌面型个人计算机、小型计算机、中型计算机、大型计算机等。

还需要注意的是，此处的服务器101仅是现有的、正在研发的或将来研发的、能够向用户提供业务资源的设备的一个示例。本发明的实施方式在此方面不受任何限制。

基于图1所示的框架，在第一种示例性应用场景下，服务器101可以获取第一用户的交友条件，并查找基本信息满足所述交友条件的各个第二用户。然后，服务器101可以依据所述第一用户的基本信息与各个所述第二用户的基本信息，利用匹配模型，计算各个所述第二用户与所述第一用户之间的匹配度，所述匹配模型为预先依据社交网络中具有历史信息交互的相应两个历史匹配用户的基本信息以及相应两个历史匹配用户之间历史交互信息量而建立的。再之后，服务器101可以根据各个所述第二用户与所述第一用户之间的匹配度，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐。

基于图1所示的框架，在第二种示例性应用场景下，服务器101可以获取第一用户的交友条件，并查找基本信息满足所述交友条件的各个第二用户。然后，服务器101可以依据各个所述第二用户的基本信息，利用所述第一用户的交友偏好模型，计算所述第一用户对各个所述第二用户的偏好度，所述交友偏好模型为预先依据所述第一用户的历史交友行为以及作为所述历史交友行为对象的用户的基本信息而建立的。再之后，服务器101可以根据所述第一用户对各个所述第二用户的偏好度，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐。

可以理解的是，本发明的应用场景中，虽然此处和下面将本发明实施方式的动作描述为由服务器101执行，但是这些动作也可以由客户端102执行，当然也可以部分由客户端102执行、部分由服务器101执行。本发明在执行主体方面不受限制，只要执行了本发明实施方式所公开的动作即可。

示例性方法

下面结合图1的应用场景，参考图2～5来描述根据本发明示例性实施方式的用于推荐好友的方法。需要注意的是，上述应用场景仅是为了便于理解本发明的精神和原理而示出，本发明的实施方式在此方面不受任何限制。相反，本发明的实施方式可以应用于适用的任何场景。

参见图2，示出了本发明中推荐好友的方法一实施例的流程图。在本实施例中，例如具体可以包括如下步骤：

步骤201、获取第一用户的交友条件，并查找基本信息满足所述交友条件的各个第二用户。

在社交网络中的任一用户，一方面该用户可以设置表示其个人情况的基本信息，另一方面该用户可以依据个人需求设置其好友的个人情况需要满足的交友条件，而其他用户可以查看该用户的基本信息及交友条件，以便确定是否与该用户进行交友行为。例如，在婚恋交友的社交网络中，交友条件可以是用户的择偶条件。又如，在校友沟通的社交网络中，交友条件可以是用户的学校、学院等。其中，交友条件例如可以包括性别、地区、年龄、身高、收入、学历等限制条件。

在本实施例中，为了向第一用户推荐好友，可以获取第一用户预先设置的交友条件，然后以社交网络中其他用户的基本信息去匹配第一用户的交友条件，从而查找出基本信息满足第一用户交友条件的第二用户。其中，第一用户的交友条件用于表示第一用户对其好友用户个人情况的要求，例如可以包括所在地、学历情况、工作情况、性格等条件；第二用户的基本信息用于表示第二用户的个人情况，例如可以包括第二用户的姓名、所在地、学历情况、工作情况、性格等信息。

需要说明的是，由于第一用户的交友条件往往仅能粗略地体现个人需求，而第二用户的基本信息也往往仅能粗略地体现个人情况，因此，往往基本信息满足第一用户交友条件的第二用户数量非常多，但许多第二用户却并非是第一用户真正感兴趣的好友用户。为此，在查找到第二用户之后，还需要进入后续步骤，以便从第二用户中继续筛选，从而得到更符合第一用户偏好的好友用户。

步骤202、依据所述第一用户的基本信息与各个所述第二用户的基本信息，利用匹配模型，计算各个所述第二用户与所述第一用户之间的匹配度，所述匹配模型为预先依据社交网络中具有历史信息交互的相应两个历史匹配用户的基本信息以及相应两个历史匹配用户之间历史交互信息量而建立的。

在本实施例中，所涉及的“模型”可以表示，依据输入变量与输出变量之间已知具有对应关系的历史变量值而建立的、表示输入变量与输出变量之间对应关系的计算工具，可以用于为任意输入变量的变量值计算出对应输出变量的变量值，从而可以实现依据历史交友或匹配情况预测当前推荐的好友被用户接受的可能性。

例如，此处的匹配模型可以表示两个用户的基本信息与该两个用户之间的匹配度之间的对应关系，也即，该匹配模型中，输入变量是两个用户的基本信息，输出变量则是两个用户的匹配度，其中，匹配度可以用于表示这两个用户之间的信息交互深入程度、由这两个用户之间的信息交互量而计算得到的，例如，匹配度可以是一个[0,1]内的数值，其越接近于1表明两个用户间的信息交流越多、越深入。另外，作为匹配模型的输入变量，进行匹配的两个用户的基本信息可以分别单独组成一个有序特征向量，每一用户的有序特征向量中的维度例如可以包括性别、头像信息、居住省份、居住城市、出生年份、出生月份、出生日、薪资范围、教育水平、工作职位、婚姻状态、行业、住房状况、购车状况、出生省份、出生城市、恋爱状态、是否首次登入、用户头像质量、身高、体重、星座、血型、微博状态和/或个人独白状态等基本信息。

如前所述，匹配模型可以是依据社交网络中此前曾经交互过的相应两个历史用户之间的历史信息交互(例如评论、点赞、收藏、回复、即时通信功能(如私聊功能)、不喜欢、拉黑)情况而建立的。具体地，两个曾经进行过一定量的正面的信息交互的用户可以被认为是相应两个历史匹配用户，这相应两个历史匹配用户的历史匹配度可以是由两者间历史信息交互量计算出的，在此基础上，这相应两个历史匹配用户的基本信息与其历史匹配度可以被认为是具有已知的对应关系。因此，由于社交网络中存在大量曾经进行过信息交互的相应两个历史匹配用户，可以以这些相应两个历史匹配用户的基本信息作为匹配模型输入变量的历史变量值，以这些相应两个历史匹配用户的历史匹配度作为匹配模型输出变量的历史变量值，训练出表示相应两个用户的基本信息与相应两个用户的匹配度之间对应关系的匹配模型。其中，为了使得匹配模型能够不断适应社交网络中用户基本信息与信息交互深入程度之间对应关系的变化，可以定期采用新发生的信息交互对社交网络的匹配模型进行更新，例如可以每周更新一次匹配模型。

在为第一用户推荐好友时，针对各个基本满足第一用户交友条件的第二用户，可以以各个第二用户的基本信息分别与第一用户的基本信息一起作为输入变量的变量值，通过已训练的匹配模型计算输出变量的变量值，作为各个第二用户与第一用户的匹配度，用于预测各个第二用户与第一用户可能会出现的信息交互深入程度。

可以理解的是，本实施例中“模型”例如可以是决策树、随机森林、支持向量机、朴素贝叶斯分类、人工神经网络等等。例如，本实施例可以采用决策树算法实现，决策树采用代价复杂性剪枝，这样可以避免训练数据过拟合，而且转化的叶子节点相比其他剪枝算法有更高的准确率和支持率。此外，决策树算法还支持位置属性值集的样本的预测，并且训练结果支持序列化以及持久化，可以通过快速更新训练样本和模型以满足在线的高效实时请求。但需要说明的是，决策树算法仅是本实施例中的各个“模型”可以采用的一种计算工具示例，对于本实施例中各个“模型”分别采用何种计算工具来实现，本实施例对此不做限定。

另外，本实施例中所涉及的术语“历史”表示的是当前推荐过程之前发生过的事件或事件相关因素。例如，“历史匹配用户”可以表示在当前推荐过程之前彼此间发生过信息交互的相应两个用户，相应地，“历史信息交互”可以表示相应两个历史匹配用户在当前推荐过程之前进行过的信息交互。

步骤203、根据各个所述第二用户与所述第一用户之间的匹配度，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐。

在从第二用户中筛选第三用户时，各个第二用户与第一用户间的匹配度可以作为筛选的一个依据。这样，通过匹配模型，对于基本信息满足第一用户交友条件的各个第二用户，可以预估各个第二用户与第一用户间的信息交互深入程度，并以此从第二用户中筛选出更可能与第一用户进行深入信息交互的第三用户，以使得推荐给第一用户的第三用户更符合第一用户的偏好。因此，一方面，由于无需在基本信息与第一用户相似的类似用户所偏好的用户中筛选推荐给第一用户的好友用户，不仅可以使得推荐给第一用户的第三用户更符合第一用户的偏好，而且在社交网络中不具有第一用户的类似用户或类似用户偏好的好友用户过少时也可以是实现向第一用户推荐好友；另一方面，由于预估各个第二用户与第一用户间匹配度仅需要第一用户的基本信息而无需第一用户的历史交友行为，即使对于新注册用户等历史交友行为或信息交互过少的第一用户来说，也可以实现为其推荐好友，从而解决为新注册用户等历史交友行为或信息交互过少的用户实现推荐好友的冷启动问题。

此外，通常各个第二用户也具有各自的交友条件，为了使推荐之后双方用户都有兴趣跟对方进行交友行为，还可以在筛选第三用户时保证所述第一用户的基本信息均满足各个所述第三用户的交友条件，这样可以使得第一用户与第三用户的基本信息均满足对方的交友条件。

可以理解的是，本实施例中，在从第二用户中筛选第三用户时，可以仅根据各个第二用户与第一用户之间的匹配度这一个依据，或者也可以综合考虑包括匹配度在内的多个依据。

在采用多个依据筛选第三用户的第一种可能的实施方式中，由于各个第二用户与第一用户间的匹配度是以社交网络中所有用户间的历史信息交互情况为依据来预测的，其反映的是整个社交网络内用户的交友情况，但却不能反映第一用户的个性化偏好，因此，为了使得筛选出的第三用户更偏向第一用户个性化的偏好，还可以在匹配度的基础上，再增加一个偏好度的依据，以便综合考虑匹配度和偏好度来筛选第三用户，其中，偏好度可以是以第一用户的历史交友行为为依据而预测出的，这样就可以使得第三用户的筛选更符合第一用户的个性化偏好。

具体地，在同时依据匹配度和偏好度来筛选第三用户的实施方式中，在图2所示的方法步骤基础上，例如还可以依据各个所述第二用户的基本信息，利用所述第一用户的交友偏好模型，计算所述第一用户对各个所述第二用户的偏好度，以及，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐时，可以还根据所述第一用户对各个所述第二用户的偏好度。其中，所述交友偏好模型可以为预先依据所述第一用户的历史交友行为以及作为所述历史交友行为对象的用户的基本信息而建立的。

需要说明的是，此处的交友偏好模型是针对第一用户而为第一用户单独建立的，其可以表示作为第一用户交友行为对象的用户的基本信息与第一用户对该对象用户的偏好度之间的对应关系，也即，该交友偏好模型中，输入变量是作为第一用户交友行为对象的用户的基本信息，输出变量则是第一用户对该对象用户的偏好度，其中，偏好度可以用于表示第一用户对该对象用户的交友行为所体现出的偏好程度、由第一用户对该对象用户的交友行为情况而计算得到的。例如，偏好度可以是一个[0,1]内的数值，其越接近于1表明第一用户对该对象用户越偏好，其越接近于0则表明第一用户对该对象用户越不偏好。其中，用于计算偏好度的交友行为可以分为正反馈行为(即使偏好度增大的行为)、负反馈行为(即使偏好度减小的行为)以及未有显著反馈行为(即对偏好度无影响的行为)。其中，正反馈例如可以包括评论、回复、即时通信(如私聊)、点赞、收藏等行为，负反馈例如可以包括拉黑、不感兴趣等行为，未有显著反馈行为例如可以包括点击查看等行为。另外，作为交友偏好模型的输入变量，作为第一用户交友行为对象的用户的基本信息例如可以包括长相评分、职业、年龄、收入、学历、地区、身高、住房情况、购车情况、被赞数量、被收藏数量等维度。

可以理解的是，交友偏好模型可以是依据社交网络中第一用户此前曾经执行过的历史交友行为情况来建立的。具体地，对于第一用户曾经执行过历史交友行为的历史对象用户，第一用户对该历史对象的历史偏好度可以是由第一用户对该历史对象的所有历史交友行为而计算出的，在此基础上，该历史对象用户的基本信息与第一用户对其的历史偏好度可以被认为是具有已知的对应关系。因此，由于在社交网络中存在许多第一用户曾经进行过历史交友行为的历史对象用户，可以以这些历史对象用户的基本信息作为交友偏好模型输入变量的历史变量值，以第一用户对这些历史对象用户的历史偏好度作为交友偏好模型输出变量的历史变量值，训练出表示第一用户交友行为的对象用户的基本信息与第一用户对该对象用户的偏好度之间对应关系的交友偏好模型。其中，为了使得交友偏好模型能够不断适应社交网络中第一用户个性化偏好的变化，可以定期采用第一用户新发生的交友行为对第一用户的交友偏好模型进行更新。

在为第一用户推荐好友时，针对各个基本信息满足第一用户交友条件的第二用户，可以以各个第二用户的基本信息分别作为输入变量的变量值，通过已训练的交友偏好模型计算输出变量的变量值，作为第一用户对各个第二用户的偏好度，用于预测第一用户对各个第二用户可能会出现的交友行为所能体现的偏好程度。

在采用多个依据筛选第三用户的第二种可能的实施方式中，由于各个第二用户中往往存在一些不常使用或不能深度使用社交网络的用户，这些用户推荐给第一用户之后往往不能与第一用户进行较好的交友互动而导致推荐不够成功，因此，为了避免将对社交网络使用情况不好的第二用户推荐给第一用户，还可以在匹配度的基础上，再增加一个使用表征度的依据，以便综合考虑匹配度和使用表征度来筛选第三用户，其中，使用表征度可以表示各个第二用户对社交网络的使用情况，这样就可以使得避免那些对社交网络使用情况不好的第二用户被筛选成第三用户。

具体地，在同时依据匹配度和使用表征度来筛选第三用户的实施方式中，在图2所示的方法步骤基础上，例如还可以依据各个所述第二用户的基本信息和/或历史行为，为各个所述第二用户计算表示各个所述第二用户对社交网络使用情况的使用表征度，以及，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐时，可以还根据各个所述第二用户的使用表征度。

需要说明的是，筛选第三用户时作为依据的各个第二用户的使用表征度例如可以是各个第二用户的活跃度、诚意度、热门度和交流开放度中的任意一个或多个。

所述活跃度可以表示各个所述第二用户在所述社交网络中触发历史行为的频繁程度，可以是由各个第二用户的多种历史行为作为维度而计算出的。其中，用于计算活跃度的历史行为例如可以包括登录、发动态、点赞、评论等维度，各个维度例如可以采用一定参数的效用递减函数转换得到指示值，然后将各个维度的指示值线性加权，得到活跃度。通过各个第二用户的活跃度，可以体现出各个第二用户在社交网络中的活跃程度，因此，依据各个第二用户的活跃度来筛选第三用户，可以实现为第一用户推荐较为活跃的第二用户，而避免推荐那些不活跃的第二用户。

所述诚意度可以表示由各个所述第二用户在所述社交网络中的等级程度、基本信息完整程度、基本信息真实程度以及历史行为所产生对象的数量所体现出的各个所述第二用户使用所述社交网络的诚意程度。其中，用于计算诚意度的维度例如可以包括资料真实性、用户等级、拉黑数、发出信息数、资料完成度、最近登录时间、动态发布数、认证等级得分和形象照等级得分等，各个维度例如可以采用一定参数的效用递减函数转换得到指示值，然后将各个维度的指示值线性加权，得到诚意度。通过各个第二用户的诚意度，可以体现出各个第二用户使用社交网络的诚意情况，其诚意度越高表明其越积极地使用社交网络，其诚意度越低表明其越可能是恶意用户或不活跃参与使用社交网络的用户，因此，依据各个第二用户的诚意度来筛选第三用户，可以实现为第一用户推荐较为积极使用社交网络的第二用户，而避免推荐那些属于恶意用户的或不活跃参与使用社交网络的第二用户。

所述热门度可以表示各个所述第二用户在所述社交网络中被其他用户执行历史行为的频繁程度，可以是由以各个第二用户作为行为对象的多种历史行为作为维度而计算出的，其中，用于计算热门度的历史行为例如可以包括每日的被访问数、被评论、被赞等维度，各个维度例如可以采用一定参数的效用递减函数转换得到指示值，然后将各个维度的指示值线性加权，得到当日的热门度。更进一步地，还可以将第二用户最近的短期(如最近一周)内的各日热门度按照时间衰减加权累积而计算出近期热门度，甚至还可以进一步将第二用户最近的长期(如最近30天)内的各日热门度累计得到总热门度。通过各个第二用户的热门度，可以体现出各个第二用户的受欢迎程度，因此，依据各个第二用户的热门度来筛选第三用户，可以实现为第一用户推荐较为受欢迎的第二用户。

所述交流开放度可以表示各个所述第二用户对所述社交网络中其他用户主动触发的历史交友行为的反馈程度，可以是由各个第二用户接收到其他用户主动触发的历史交友行为数量以及第二用户发出的反馈信息数量而计算出的。例如，第二用户的交流开放度可以是反馈数量与主动交流数量的比值，其中，主动交流数量是主动与第二用户交流的用户数量，反馈数量则是第二用户对主动交流进行了反馈的用户数量。通过各个第二用户的交流开放度，可以体现出各个第二用户对第一用户的主动交流做出回应的可能性，因此，依据各个第二用户的交流开放度来筛选第三用户，不仅可以实现为第一用户推荐对主动交流回应较频繁的第二用户，另一方面还可以使社交网络中接收到主动交流信息较少的用户优先被推荐而减少孤立用户，再一方面还可以避免推荐社交网络中接收到主动交流信息较多的热门用户而避免热门用户被过多信息骚扰的情况。

可以理解的是，对于同时依据匹配度和使用表征度来筛选第三用户的实施方式，可以依据实际需求选择活跃度、诚意度、热门度和交流开放度中的任意一个或多个使用表征度作为筛选第三用户的依据。此外，还需要说明的是，在筛选第三用户时，除了上述的实施方式之外，还可以同时根据匹配度、偏好度和使用表征度来实现。

在本实施例的一些实施方式中，当采用多个依据筛选第三用户时，为了便于筛选，可以先为每一个第二用户利用其各个依据计算出一个推荐接受度，然后再根据各个第二用户的推荐接受度来筛选第三用户。进一步而言，为了使向第一用户推荐的好友更进一步符合第一用户的偏好，可以利用社交网络中曾经发生过的历史推荐过程之后历史受推荐用户对历史被推荐用户的接受程度来预测各个第二用户在被推荐之后第一用户接受的可能性，作为各个第二用户的推荐接受度。

例如，对于同时根据匹配度、偏好度和使用表征度作为筛选依据的一些实施方式中，参照图3，步骤203具体可以包括：

步骤301、依据各个所述第二用户与所述第一用户的匹配度、所述第一用户对各个所述第二用户的偏好度及各个所述第二用户的使用表征度，利用推荐预测模型，计算所述第一用户对各个所述第二用户的推荐接受度，所述推荐预测模型为预先依据所述社交网络中历史受推荐用户与历史被推荐用户的匹配度、历史受推荐用户对历史被推荐用户的偏好度、历史被推荐用户的使用表征度、以及、历史受推荐用户对历史被推荐用户的历史交友行为所表示的推荐接受度而建立的。

在一个推荐过程中，以接受好友推荐的用户作为受推荐用户，以被推荐给该受推荐用户的用户作为被推荐用户，则对于受推荐用户与被推荐用户间的匹配度、受推荐用户对被推荐用户的偏好度、被推荐用户的使用表征度以及受推荐用户对被推荐用户的推荐接受度，此处的推荐预测模型可以表示该匹配度、偏好度、使用表征度与该推荐接受度之间的对应关系，也即，该推荐预测模型中，输入变量可以至少包括受推荐用户与被推荐用户间的匹配度、受推荐用户对被推荐用户的偏好度、被推荐用户的使用表征度，输出变量则可以是受推荐用户对被推荐用户的推荐接受度，推荐接受度可以用于表示受推荐用户对被推荐用户的交友行为所体现出的接受程度、由受推荐用户对被推荐用户的交友行为情况而计算得到的。其中，用于计算推荐接受度的交友行为可以分为正反馈行为(即使推荐接受度增大的行为)和负反馈行为(即使推荐接受度减小的行为)，正反馈例如可以包括点赞、收藏等行为，负反馈例如可以包括拉黑、不喜欢等行为。另外，除了前述匹配度、偏好度和使用表征度，推荐预测模型的输入变量例如还可以包括被推荐用户是否为新注册用户、被推荐用户是否在近期内(如最近一周内)登录过社交网络等维度。此外，除了本实施例前述为“模型”列举的示例之外，推荐预测模型例如还可以是logistic回归方式。

需要说明的是，推荐预测模型可以是依据社交网络中此前曾经进行过的历史推荐过程中历史受推荐用户对历史被推荐用户的历史交友行为情况而建立的。具体地，对于一个历史推荐过程来说，其历史受推荐用户对历史被推荐用户的历史推荐接受度可以是由推荐之后历史受推荐用户对历史被用户的历史交友行为而计算出的，而历史受推荐用户与历史被推荐用户间的历史匹配度、历史受推荐用户对历史被推荐用户的历史偏好度以及历史被推荐用户的使用表征度可以通过本实施例前述的相应实施方式而计算得到，在此基础上，该历史推荐过程对应的历史匹配度、历史偏好度和历史使用表征度与该历史推荐过程对应的历史推荐接受度可以被认为是具有已知的对应关系。因此，由于社交网络中存在大量曾经发生过的历史推荐过程，可以以这些历史推荐过程对应的历史匹配度、历史偏好度和历史使用表征度作为推荐预测模型输入变量的历史变量值，以这些历史推荐过程对应的历史推荐接受度作为推荐预测模型输出变量的历史变量值，训练出表示推荐过程对应的匹配度、偏好度和使用表征度与推荐过程对应的推荐接受度之间对应关系的推荐预测模型。

在为第一用户推荐好友时，针对各个基本信息满足第一用户交友条件的第二用户，可以以前述为各个第二用户计算出的匹配度、偏好度和使用表征度一起作为输入变量的变量值，通过已训练的推荐预测模型计算输出变量的变量值，作为第一用户对各个第二用户的推荐接受度，用于预测在推荐各个第二用户之后第一用户可能会出现的交友行为所能体现的接受程度。

其中，对于某些场景的社交网络，推荐预测模型可以是针对不同类型的受推荐用户分别建立的，而为不同类型的第一用户推荐好友时采用与第一用户类型相同的推荐预测模型来计算第二用户的推荐接受度。例如，在婚恋交友的社交网络中，可以为男用户和女用户分别建立一个推荐预测模型，而为男用户推荐好友时可以采用男用户的推荐预测模型，为女用户推荐好友时可以采用女用户的推荐预测模型。

步骤302、根据所述第一用户对各个所述第二用户的推荐接受度，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐。

在根据推荐接受度筛选第三用户时，一些实施方式中，例如可以按照第一用户对各个第二用户的推荐接受度由高到低的顺序将各个第二用户形成一个初期推荐列表，然后按照初期推荐列表的顺序选择一定数量的第二用户作为第三用户向第一用户推荐。

可以理解的是，仅按照推荐接受度由高到低的顺序选取第三用户，会使得向用户推荐的好友都是较为活跃的热门用户，新注册用户及较不热门的用户被推荐的可能性较低。为了避免这种“马太效应”，使得各类用户具有较为均衡的被推荐几率，在另一些实施方式中，可以依据不同登录情况对第二用户进行分类，并从不同类别中分别抽取一些第二用户作为第三用户推荐给第一用户。具体到根据推荐接受度筛选第三用户的实施方式中，步骤302例如可以包括：将各个所述第二用户按照在社交网络中的登录情况划分成多个候选用户类别；分别对于每一候选用户类别，按照所述第一用户对所述候选用户类别中各个所述第二用户的推荐接受度由高到底的顺序，从所述候选用户类别的各个所述第二用户中抽取与所述候选用户类别的选取比例相对应的第三用户；汇总各个所述候选用户类别中抽出的第三用户向所述第一用户推荐。具体地，在从各个候选用户类别的第二用户分别筛选第三用户时，可以是在前述初期推荐列表的基础上，按照初期推荐列表从前到后的排列顺序，分别为各个候选用户类别抽取其类别所对应比例数量的第二用户作为第三用户，从而以抽取出的所有第三用户形成一个混排推荐列表。其中，用户候选类别例如可以包括新注册用户、在线用户、近期(如最近一周内)登录用户、近期未登录用户等。在所有第三用户中，各个用户候选类别中的第二用户占据的比例可以是依据当日社交网络中各类用户的比例来确定。可以理解的是，相对于前述活跃度、诚意度和推荐接受度的计算依据中用户登录情况仅是作为多个维度的其中之一不同，候选用户类别的划分依据中用户登录情况是唯一的维度，这样才可以使得热门程度不同的各类用户具有较为均衡的被推荐几率。

需要说明的是，在根据推荐接受度按照登录情况分类筛选第三用户的实施方式中，还可以要求第一用户的基本信息满足筛选出的第三用户交友条件，以使得推荐之后双方用户都有兴趣跟对方进行交友行为。具体地，一些实施方式中，例如可以在前述混排推荐列表的基础上，对混排列表中的第三用户顺序进行重排，将双方基本信息满足对方交友条件的第三用户重新排列到推荐列表前部，而将剩余第三用户排列到推荐列表后部，从而形成重排推荐列表，以便按照重排推荐列表的顺序向第一用户推荐。

接着返回图2。

在步骤203执行完成之后，如果筛选出的第三用户数量过少，还可以依据第一用户对其交友条件的设置历史而删除其中某些第一用户不敏感的条件，以便对筛选出的第三用户数量进行补充。

通过本实施例的技术方案，一方面，由于无需在基本信息与第一用户相似的类似用户所偏好的用户中筛选推荐给第一用户的好友用户，不仅可以使得推荐给第一用户的第三用户更符合第一用户的偏好，而且在社交网络中不具有第一用户的类似用户或类似用户偏好的好友用户过少时也可以是实现向第一用户推荐好友；另一方面，由于预估各个第二用户与第一用户间匹配度仅需要第一用户的基本信息而无需第一用户的历史交友行为，即使对于新注册用户等历史交友行为或信息交互过少的第一用户来说，也可以实现为其推荐好友，从而解决为新注册用户等历史交友行为或信息交互过少的用户实现推荐好友的冷启动问题。

参见图4，示出了本发明中推荐好友的方法另一实施例的流程图。在本实施例中，例如具体可以包括如下步骤：

步骤401、获取第一用户的交友条件，并查找基本信息满足所述交友条件的各个第二用户。

步骤402、依据各个所述第二用户的基本信息，利用所述第一用户的交友偏好模型，计算所述第一用户对各个所述第二用户的偏好度，所述交友偏好模型为预先依据所述第一用户的历史交友行为以及作为所述历史交友行为对象的用户的基本信息而建立的。

其中，交友偏好模型可以是针对第一用户而为第一用户单独建立的，其可以表示作为第一用户交友行为对象的用户的基本信息与第一用户对该对象用户的偏好度之间的对应关系，也即，该交友偏好模型中，输入变量是作为第一用户交友行为对象的用户的基本信息，输出变量则是第一用户对该对象用户的偏好度，其中，偏好度可以用于表示第一用户对该对象用户的交友行为所体现出的偏好程度、由第一用户对该对象用户的交友行为情况而计算得到的。例如，偏好度可以是一个[0,1]内的数值，其越接近于1表明第一用户对该对象用户越偏好，其越接近于0则表明第一用户对该对象用户越不偏好。其中，用于计算偏好度的交友行为可以分为正反馈行为(即使偏好度增大的行为)、负反馈行为(即使偏好度减小的行为)以及未有显著反馈行为(即对偏好度无影响的行为)。其中，正反馈例如可以包括评论、回复、即时通信(如私聊)、点赞、收藏等行为，负反馈例如可以包括拉黑、不感兴趣等行为，未有显著反馈行为例如可以包括点击查看等行为。另外，作为交友偏好模型的输入变量，作为第一用户交友行为对象的用户的基本信息例如可以包括长相评分、职业、年龄、收入、学历、所在地区、身高、住房情况、购车情况、被赞数量、被收藏数量等维度。

可以理解的是，交友偏好模型可以是依据社交网络中第一用户此前曾经执行过的历史交友行为情况来建立的。具体地，对于第一用户曾经执行过历史交友行为的历史对象用户，第一用户对该历史对象的历史偏好度可以是由第一用户对该历史对象的所有历史交友行为而计算出的，在此基础上，该历史对象用户的基本信息与第一用户对其历史偏好度可以被认为是具有已知的对应关系。因此，由于在社交网络中存在许多第一用户曾经对其进行过历史交友行为的历史对象用户，可以以这些历史对象用户的基本信息作为交友偏好模型输入变量的历史变量值，以第一用户对这些历史对象用户的历史偏好度作为交友偏好模型输出变量的历史变量值，训练出表示第一用户交友行为的对象用户的基本信息与第一用户对该对象用户的偏好度之间对应关系的交友偏好模型。其中，为了使得交友偏好模型能够不断适应社交网络中第一用户个性化偏好的变化，可以定期采用第一用户新发生的交友行为对第一用户的交友偏好模型进行更新。

在为第一用户推荐好友时，针对各个基本满足第一用户交友条件的第二用户，可以以各个第二用户的基本信息分别作为输入变量的变量值，通过已训练的交友偏好模型计算输出变量的变量值，作为第一用户对各个第二用户与第一用户的偏好度，用于预测第一用户对各个第二用户可能会出现的交友行为所能体现的偏好程度。

步骤403、根据所述第一用户对各个所述第二用户的偏好度，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐。

通过交友偏好模型，对于基本信息满足第一用户交友条件的各个第二用户，可以实现依据第一用户的历史交友行为预估第一用户对各个第二用户的偏好程度，并以此从第二用户中筛选出更可能与第一用户进行深入信息交互的第三用户，以使得推荐给第一用户的第三用户更符合第一用户的偏好。

因此，本实施例的技术方案，一方面，由于无需在基本信息与第一用户相似的类似用户所偏好的用户中筛选推荐给第一用户的好友用户，不仅可以使得推荐给第一用户的第三用户更符合第一用户的偏好，而且在社交网络中不具有第一用户的类似用户或类似用户偏好的好友用户过少时也可以是实现向第一用户推荐好友；另一方面，由于第一用户对各个第二用户的偏好度是基于第一用户的历史交友行为来预估的，可以避免向第一用户推荐的基本信息相似的第三用户趋于相同，这不仅有利于用户在更广泛的范围结识好友，而且还可以使得筛选出的第三用户更偏向第一用户的个性化偏好。

示例性设备

在介绍了本发明示例性实施方式的方法之后，接下来，参考图5～10描述本发明示例性实施方式的、用于推荐好友的设备。

参见图5，示出了本发明中推荐好友的设备一实施例的结构图。在本实施例中，所述设备例如具体可以包括：

交友条件匹配模块501，用于获取第一用户的交友条件，并查找基本信息满足所述交友条件的各个第二用户；

匹配度计算模块502，用于依据所述第一用户的基本信息与各个所述第二用户的基本信息，利用匹配模型，计算各个所述第二用户与所述第一用户之间的匹配度，所述匹配模型为预先依据社交网络中具有历史信息交互的相应两个历史匹配用户的基本信息以及相应两个历史匹配用户之间历史交互信息量而建立的；

第一推荐模块503，用于根据各个所述第二用户与所述第一用户之间的匹配度，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐。

参见图6，示出了本发明中推荐好友的设备另一实施例的结构图。在本实施例中，除了前述图5示出的所有结构以外，所述设备例如还可以包括：

偏好度计算模块601，用于依据各个所述第二用户的基本信息，利用所述第一用户的交友偏好模型，计算所述第一用户对各个所述第二用户的偏好度，所述交友偏好模型为预先依据所述第一用户的历史交友行为以及作为所述历史交友行为对象的用户的基本信息而建立的，以及

其中，所述第一推荐模块503从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐时，还根据所述第一用户对各个所述第二用户的偏好度。

参见图7，示出了本发明中推荐好友的设备又一实施例的结构图。在本实施例中，除了前述图6示出的所有结构以外，所述设备例如还可以包括：

使用表征度计算模块701，用于依据各个所述第二用户的基本信息和/或历史行为，为各个所述第二用户计算表示各个所述第二用户对社交网络使用情况的使用表征度，以及

其中，所述第一推荐模块503从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐时，还根据各个所述第二用户的使用表征度。

进一步而言，可选的，所述使用表征度例如具体可以包括活跃度、诚意度、热门度和交流开放度中的任意一个或多个；

所述活跃度可以表示各个所述第二用户在所述社交网络中触发历史行为的频繁程度；

所述诚意度可以表示由各个所述第二用户在所述社交网络中的等级程度、基本信息完整程度、基本信息真实程度以及历史行为所产生对象的数量所体现出的各个所述第二用户使用所述社交网络的诚意程度；

所述热门度可以表示各个所述第二用户在所述社交网络中被其他用户执行历史行为的频繁程度；

所述交流开放度可以表示各个所述第二用户在对所述社交网络中其他用户主动触发的历史交友行为的反馈程度。

参见图8，示出了本发明实施例中第一推荐模块503一实施方式的结构图。在本实施方式中，所述第一推荐模块503例如具体可以包括：

推荐接受度计算子模块801，用于依据各个所述第二用户与所述第一用户的匹配度、所述第一用户对各个所述第二用户的偏好度及各个所述第二用户的使用表征度，利用推荐预测模型，计算所述第一用户对各个所述第二用户的推荐接受度，所述推荐预测模型为预先依据所述社交网络中历史受推荐用户与历史被推荐用户的匹配度、历史受推荐用户对历史被推荐用户的偏好度、历史被推荐用户的使用表征度、以及、历史受推荐用户对历史被推荐用户的历史交友行为所表示的推荐接受度而建立的；

用户推荐子模块802，用于根据所述第一用户对各个所述第二用户的推荐接受度，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐。

参见图9，示出了本发明实施例中用户推荐子模块802一实施方式的结构图。在本实施方式中，所述用户推荐子模块802例如具体可以包括：

候选用户分类子模块901，用于将各个所述第二用户按照在社交网络中的登录情况划分成多个候选用户类别；

推荐用户抽取子模块902，用于分别对于每一候选用户类别，按照所述第一用户对所述候选用户类别中各个所述第二用户的推荐接受度由高到底的顺序，从所述候选用户类别的各个所述第二用户中抽取与所述候选用户类别的选取比例相对应的第三用户；

汇总用户推荐子模块903，用于汇总各个所述候选用户类别中抽出的第三用户向所述第一用户推荐。

其中，可选地，本发明实施例的一些实施方式中，所述第一用户的基本信息可以均满足各个所述第三用户的交友条件。

参见图10，示出了本发明中推荐好友的设备再一实施例的结构图。在本实施例中，所述设备例如具体可以包括：

交友条件匹配模块501，用于获取第一用户的交友条件，并查找基本信息满足所述交友条件的各个第二用户；

偏好度计算模块601，用于依据各个所述第二用户的基本信息，利用所述第一用户的交友偏好模型，计算所述第一用户对各个所述第二用户的偏好度，所述交友偏好模型为预先依据所述第一用户的历史交友行为以及作为所述历史交友行为对象的用户的基本信息而建立的；

第二推荐模块1001，用于根据所述第一用户对各个所述第二用户的偏好度，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐。

通过本发明提供的设备实施例，不仅可以使得向该用户推荐的好友更符合该用户的偏好，而且也无需从该用户的类似用户所偏好的好友用户中筛选推荐好友，从而在社交网络中不具有该用户的类似用户或类似用户偏好的好友用户过少时也可以实现向该用户推荐好友，减少了无法推荐好友的情况发生。

应当注意，尽管在上文详细描述中提及了推荐好友的设备的若干装置或子装置，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多装置的特征和功能可以在一个装置中具体化。反之，上文描述的一个装置的特征和功能可以进一步划分为由多个装置来具体化。

此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

例如，在以偏好度来推荐好友的本实施例中，也可以结合前述以匹配度来推荐好友的实施例中的各种可能的实施方式来实现。例如，本实施例的一些实施方式中，还可以同时依据匹配度和偏好度来筛选第三用户。又如，本实施例的另一些实施方式中，还可以同时依据匹配度、偏好度和至少一个使用表征度来筛选第三用户。再如，本实施例的又一些实施方式中，可以依据由匹配度、偏好度、使用表征度计算出的推荐接受度来筛选第三用户。又再如，本实施例的再一些实施方式中，可以先将第二用户划分到不同的候选用户类别中，再从各个候选用户类别中分别筛选第三用户。又再如，在本实施例的又再一些实施方式中，可以要求筛选出的第三用户的基本信息满足第一用户的交友条件。

Claims (2)

1.一种推荐好友的方法，包括：

获取第一用户的交友条件，并查找基本信息满足所述交友条件的各个第二用户；

依据所述第一用户的基本信息与各个所述第二用户的基本信息，利用匹配模型，计算各个所述第二用户与所述第一用户之间的匹配度，所述匹配模型为预先依据社交网络中具有历史信息交互的相应两个历史匹配用户的基本信息以及相应两个历史匹配用户之间历史交互信息量而建立的；其中，所述匹配模型可用于表示所述相应两个历史匹配用户的基本信息与所述相应两个历史匹配用户的历史匹配度之间的对应关系，所述相应两个历史匹配用户的历史匹配度是根据所述相应两个历史匹配用户的历史交互信息量而计算得到的，所述相应两个历史匹配用户的历史匹配度表示所述相应两个历史匹配用户之间的历史信息交互深入程度；

依据各个所述第二用户的基本信息，利用所述第一用户的交友偏好模型，计算所述第一用户对各个所述第二用户的偏好度，所述交友偏好模型为预先依据所述第一用户的历史交友行为以及作为所述历史交友行为对象的用户的基本信息而建立的；其中，所述交友偏好模型可用于表示所述历史交友行为的用户的基本信息与所述第一用户对所述历史交友行为的用户的偏好度之间的对应关系，所述第一用户对所述历史交友行为的用户的偏好度是根据所述历史交友行为而计算得到的；

依据各个所述第二用户的基本信息和/或历史行为，为各个所述第二用户计算表示各个所述第二用户对社交网络使用情况的使用表征度；

根据各个所述第二用户与所述第一用户之间的匹配度、所述第一用户对各个所述第二用户的偏好度和各个所述第二用户的使用表征度，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐，其中，所述第一用户的基本信息均满足各个所述第三用户的交友条件；

其中，所述从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐，包括：

依据各个所述第二用户与所述第一用户的匹配度、所述第一用户对各个所述第二用户的偏好度及各个所述第二用户的使用表征度，利用推荐预测模型，计算所述第一用户对各个所述第二用户的推荐接受度，所述推荐预测模型为预先依据所述社交网络中历史受推荐用户与历史被推荐用户的匹配度、历史受推荐用户对历史被推荐用户的偏好度、历史被推荐用户的使用表征度、以及、历史受推荐用户对历史被推荐用户的历史交友行为所表示的推荐接受度而建立的；

根据所述第一用户对各个所述第二用户的推荐接受度，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐，包括：

将各个所述第二用户按照在社交网络中的登录情况划分成多个候选用户类别，所述候选用户类别包括新注册用户、在线用户、近期登录用户、近期未登录用户；

分别对于每一候选用户类别，按照所述第一用户对所述候选用户类别中各个所述第二用户的推荐接受度由高到低的顺序，从所述候选用户类别的各个所述第二用户中抽取与所述候选用户类别的选取比例相对应的第三用户，所述候选用户类别的选取比例是依据当日社交网络中各类用户的比例来确定的；

汇总各个所述候选用户类别中抽出的第三用户向所述第一用户推荐；

其中，所述使用表征度包括活跃度、诚意度、热门度和交流开放度中的任意一个或多个；

所述活跃度表示各个所述第二用户在所述社交网络中触发历史行为的频繁程度；

所述诚意度表示由各个所述第二用户在所述社交网络中的等级程度、基本信息完整程度、基本信息真实程度以及历史行为所产生对象的数量所体现出的各个所述第二用户使用所述社交网络的诚意程度；

所述热门度表示各个所述第二用户在所述社交网络中被其他用户执行历史行为的频繁程度；

所述交流开放度表示各个所述第二用户在对所述社交网络中其他用户主动触发的历史交友行为的反馈程度。

2.一种推荐好友的设备，包括：

交友条件匹配模块，用于获取第一用户的交友条件，并查找基本信息满足所述交友条件的各个第二用户；

匹配度计算模块，用于依据所述第一用户的基本信息与各个所述第二用户的基本信息，利用匹配模型，计算各个所述第二用户与所述第一用户之间的匹配度，所述匹配模型为预先依据社交网络中具有历史信息交互的相应两个历史匹配用户的基本信息以及相应两个历史匹配用户之间历史交互信息量而建立的；其中，所述匹配模型可用于表示所述相应两个历史匹配用户的基本信息与所述相应两个历史匹配用户的历史匹配度之间的对应关系，所述相应两个历史匹配用户的历史匹配度是根据所述相应两个历史匹配用户的历史交互信息量而计算得到的，所述相应两个历史匹配用户的历史匹配度表示所述相应两个历史匹配用户之间的历史信息交互深入程度；

偏好度计算模块，用于依据各个所述第二用户的基本信息，利用所述第一用户的交友偏好模型，计算所述第一用户对各个所述第二用户的偏好度，所述交友偏好模型为预先依据所述第一用户的历史交友行为以及作为所述历史交友行为对象的用户的基本信息而建立的；其中，所述交友偏好模型可用于表示所述历史交友行为的用户的基本信息与所述第一用户对所述历史交友行为的用户的偏好度之间的对应关系，所述第一用户对所述历史交友行为的用户的偏好度是根据所述历史交友行为而计算得到的；

使用表征度计算模块，用于依据各个所述第二用户的基本信息和/或历史行为，为各个所述第二用户计算表示各个所述第二用户对社交网络使用情况的使用表征度；

第一推荐模块，用于根据各个所述第二用户与所述第一用户之间的匹配度、所述第一用户对各个所述第二用户的偏好度和各个所述第二用户的使用表征度，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐，其中，所述第一用户的基本信息均满足各个所述第三用户的交友条件；

其中，所述第一推荐模块包括：

推荐接受度计算子模块，用于依据各个所述第二用户与所述第一用户的匹配度、所述第一用户对各个所述第二用户的偏好度及各个所述第二用户的使用表征度，利用推荐预测模型，计算所述第一用户对各个所述第二用户的推荐接受度，所述推荐预测模型为预先依据所述社交网络中历史受推荐用户与历史被推荐用户的匹配度、历史受推荐用户对历史被推荐用户的偏好度、历史被推荐用户的使用表征度、以及、历史受推荐用户对历史被推荐用户的历史交友行为所表示的推荐接受度而建立的；

用户推荐子模块，用于根据所述第一用户对各个所述第二用户的推荐接受度，从各个所述第二用户中筛选出至少一个第三用户向所述第一用户推荐；

所述用户推荐子模块包括：

候选用户分类子模块，用于将各个所述第二用户按照在社交网络中的登录情况划分成多个候选用户类别，所述候选用户类别包括新注册用户、在线用户、近期登录用户、近期未登录用户；

推荐用户抽取子模块，用于分别对于每一候选用户类别，按照所述第一用户对所述候选用户类别中各个所述第二用户的推荐接受度由高到低的顺序，从所述候选用户类别的各个所述第二用户中抽取与所述候选用户类别的选取比例相对应的第三用户；

汇总用户推荐子模块，用于汇总各个所述候选用户类别中抽出的第三用户向所述第一用户推荐，所述候选用户类别的选取比例是依据当日社交网络中各类用户的比例来确定的；

其中，所述使用表征度包括活跃度、诚意度、热门度和交流开放度中的任意一个或多个；

所述活跃度表示各个所述第二用户在所述社交网络中触发历史行为的频繁程度；

所述诚意度表示由各个所述第二用户在所述社交网络中的等级程度、基本信息完整程度、基本信息真实程度以及历史行为所产生对象的数量所体现出的各个所述第二用户使用所述社交网络的诚意程度；

所述热门度表示各个所述第二用户在所述社交网络中被其他用户执行历史行为的频繁程度；

所述交流开放度表示各个所述第二用户在对所述社交网络中其他用户主动触发的历史交友行为的反馈程度。

Images