CN110175299B - 一种推荐信息确定的方法及服务器 - Google Patents

一种推荐信息确定的方法及服务器 Download PDF

Info

Publication number
CN110175299B
CN110175299B CN201910454124.XA CN201910454124A CN110175299B CN 110175299 B CN110175299 B CN 110175299B CN 201910454124 A CN201910454124 A CN 201910454124A CN 110175299 B CN110175299 B CN 110175299B
Authority
CN
China
Prior art keywords
node
social network
nodes
determining
vector
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
Application number
CN201910454124.XA
Other languages
English (en)
Other versions
CN110175299A (zh
Inventor
林文清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shanghai Co Ltd
Original Assignee
Tencent Technology Shanghai Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shanghai Co Ltd filed Critical Tencent Technology Shanghai Co Ltd
Priority to CN201910454124.XA priority Critical patent/CN110175299B/zh
Publication of CN110175299A publication Critical patent/CN110175299A/zh
Application granted granted Critical
Publication of CN110175299B publication Critical patent/CN110175299B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种推荐信息确定的方法及服务器，通过结合用户本身的属性信息和用户之间的互动信息，设置了在社交网络上进行随机游走的游走概率，充分考虑到属性信息和交互信息对于游走概率的影响，基于更全面的信息构建推荐节点，能够获得更为精准的推荐结果。本申请方法包括：获取社交网络的关系结构；根据社交网络的关系结构确定节点特征值和边特征值；根据节点特征值和边特征值确定游走概率，其中，游走概率表示在社交网络的关系结构中每个节点的游走概率；根据游走概率在社交网络的关系结构获取游走路径；根据游走路径确定第一推荐节点集合，推荐节点集合包括游走路径所对应的至少一个节点。

Description

一种推荐信息确定的方法及服务器
技术领域
本申请涉及互联网技术领域，尤其涉及一种推荐信息确定的方法及服务器。
背景技术
随着互联网技术的发展，社交网络在近些年也得到了飞速的发展，受到了越来越多人的关注。好友推荐是社交网络中一项重要的功能，许多具有社交网络服务的社交应用、游戏等均依靠为用户推荐好友来吸引用户以及增强用户的粘性。
目前，社交网络上的好友推荐技术普遍面临着数据稀疏性挑战，虽然现有的基于随机游走策略的好友推荐方法能够有效应对用户数据稀疏的问题，但是基于随机游走策略的好友推荐方法主要根据用户相互间的社交关系来开展潜在好友关系的搜索，好友推荐的效果较差，难以为用户提供精准的好友推荐服务。
发明内容
本申请实施例提供了一种推荐信息确定的方法及服务器，通过结合用户本身的属性信息和用户之间的互动信息，设置了在社交网络上进行随机游走的游走概率，使得在社交网络上进行随机游走能够获得更为精准的推荐结果。
本申请第一方面提供一种推荐信息确定的方法，包括：
获取社交网络的关系结构，其中，社交网络的关系结构包括有多个节点和多个边，每个节点表示社交网络中的一个用户，每个边连接多个节点中的两个节点，每个边用于指示由两个节点表示的两个用户之间的关系；
根据社交网络的关系结构确定节点特征值和边特征值，其中，节点特征值用于指示节点的属性信息，边特征值用于指示两个节点之间的交互信息；
根据节点特征值和边特征值确定游走概率，其中，游走概率表示在社交网络的关系结构中每个节点的游走概率；
根据游走概率在社交网络的关系结构获取游走路径；
根据游走路径确定第一推荐节点集合，推荐节点集合包括游走路径所对应的至少一个节点。
本申请第二方面提供一种服务器，包括：
获取单元，用于获取社交网络的关系结构，其中，社交网络的关系结构包括有多个节点和多个边，每个节点表示社交网络中的一个用户，每个边连接多个节点中的两个节点，每个边用于指示由两个节点表示的两个用户之间的关系；
确定单元，用于根据社交网络的关系结构确定节点特征值和边特征值，其中，节点特征值用于指示节点的属性信息，边特征值用于指示两个节点之间的交互信息；
确定单元，还用于根据节点特征值和边特征值确定游走概率，其中，游走概率表示在社交网络的关系结构中每个节点的游走概率；
获取单元，还用于根据游走概率在社交网络的关系结构获取游走路径；
确定单元，还用于根据游走路径确定第一推荐节点集合，推荐节点集合包括游走路径所对应的至少一个节点。
在一种可能的设计中，在本申请实施例的第二方面的第一种实现方式中，
确定单元，还用于根据社交网络的关系结构确定用于表示节点特征值的节点向量，其中，节点向量中的每个值用于指示节点的一种属性；
确定单元，还用于根据社交网络的关系结构确定用于表示边特征值的边向量，其中，边向量中的每个值用于指示两个节点之间的一种交互特征。
在一种可能的设计中，在本申请实施例的第二方面的第二种实现方式中，
确定单元，还用于根据第一节点的节点向量和第二节点的节点向量确定第一节点与第二节点之间的相似度值，其中，第一节点和第二节点均属于社交网络的关系结构中的节点，且第一节点和第二节点之间连接有边；
确定单元，还用于根据相似度值和边向量确定游走概率。
在一种可能的设计中，在本申请实施例的第二方面的第三种实现方式中，还包括计算单元；
计算单元，用于通过欧式距离计算公式计算第一节点与第二节点之间的欧式距离值，欧式距离值用于表示相似度值；
欧氏距离计算公式具体为：
Figure BDA0002075610780000021
其中，de表示欧式距离值，
Figure BDA0002075610780000022
表示根号，∑表示求和符号，第一节点的节点向量表示为/>
Figure BDA0002075610780000023
Figure BDA0002075610780000024
表示第一节点的节点向量中的一个值，第二节点的节点向量表示为/>
Figure BDA0002075610780000025
Figure BDA0002075610780000026
表示第二节点的节点向量中的一个值。
在一种可能的设计中，在本申请实施例的第二方面的第四种实现方式中，
确定单元，还用于根据相似度值和边向量通过归一化公式确定游走概率；
归一化公式为：
Figure BDA0002075610780000027
其中，p(s,v)表示游走概率，e是自然对数的底数，|| ||表示求取向量的长度，csv表示相似度值，yv表示边向量。
在一种可能的设计中，在本申请实施例的第二方面的第五种实现方式中，
确定单元，还用于在社交网络的关系结构中确定第一游走路径，其中，第一游走路径至少包括一个节点；
确定单元，还用于若第一游走路径不满足预置条件，则确定第一游走路径的末端节点；
确定单元，还用于根据末端节点的游走概率确定第一游走路径中新的末端节点，获得第二游走路径；
确定单元，还用于若第二游走路径满足预置条件，则将第二游走路径作为用于确定推荐节点集合的路径。
在一种可能的设计中，在本申请实施例的第二方面的第六种实现方式中，
确定单元，还用于根据社交网络的关系结构确定游走路径的起始节点，起始节点为社交网络的关系结构中的任意一个节点；
获取单元，还用于根据起始节点在社交网络的关系结构获取多条第三游走路径；
确定单元，还用于根据多条第三游走路径确定第二推荐节点集合，其中，第二推荐节点集合中包含有多条第三游走路径对应的节点，且第二推荐节点集合中不包含有起始节点。
在一种可能的设计中，在本申请实施例的第二方面的第七种实现方式中，还包括排序单元；
排序单元，用于通过推荐排序模型对第一推荐节点集合中的节点进行排序，获得排序结果，其中，排序结果中包括第一推荐节点集合中的至少一个节点。
本申请实施例的第三方面提供了一种服务器，服务器包括：存储器、收发器、处理器以及总线系统；
其中，存储器用于存储程序；
处理器用于执行存储器中的程序，包括如下步骤：
获取社交网络的关系结构，其中，社交网络的关系结构包括有多个节点和多个边，每个节点表示社交网络中的一个用户，每个边连接多个节点中的两个节点，每个边用于指示由两个节点表示的两个用户之间的关系；
根据社交网络的关系结构确定节点特征值和边特征值，其中，节点特征值用于指示节点的属性信息，边特征值用于指示两个节点之间的交互信息；
根据节点特征值和边特征值确定游走概率，其中，游走概率表示在社交网络的关系结构中每个节点的游走概率；
根据游走概率在社交网络的关系结构获取游走路径；
根据游走路径确定第一推荐节点集合，推荐节点集合包括游走路径所对应的至少一个节点；
总线系统用于连接存储器以及处理器，以使存储器以及处理器进行通信。
本申请实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面的方法。
本申请实施例的第五方面提供了一种包含指令的计算机程序产品，当其在计算机或处理器上运行时，使得计算机或处理器执行上述任一方面的方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例提供了一种推荐信息确定的方法及服务器，通过结合用户本身的属性信息和用户之间的互动信息，设置了在社交网络上进行随机游走的游走概率，充分考虑到属性信息和交互信息对于游走概率的影响，基于更全面的信息构建推荐节点，能够获得更为精准的推荐结果。
附图说明
图1为本申请实施例中推荐信息确定的系统的一个架构示意图；
图2为本申请实施例中推荐信息确定的方法一个实施例的示意图；
图3为本申请实施例提供的一种关系结构图的示例图；
图4为本申请实施例提供的一种节点特征值和边特征值的表示示意图；
图5为本申请实施例提供的一个基于注意力模型确定游走概率的示意图；
图6为本申请实施例提供的一种随机游走的流程示意图；
图7为本申请实施例中提供的一种好友推荐的示意图；
图8为本申请实施例中提供的一种师徒推荐的示意图；
图9为在同一游戏中应用不同的推荐信息的确定方法的效果对比图；
图10为本申请实施例中提供的一种服务器一个实施例示意图；
图11为本申请实施例中提供的一种服务器另一个实施例示意图；
图12为本申请实施例中提供的一种服务器另一个实施例示意图；
图13是本申请实施例提供的一种服务器结构示意图。
具体实施方式
本申请实施例提供了一种推荐信息确定的方法及服务器，通过结合用户本身的属性信息和用户之间的互动信息，设置了在社交网络上进行随机游走的游走概率，充分考虑到属性信息和交互信息对于游走概率的影响，基于更全面的信息构建推荐节点，能够获得更为精准的推荐结果。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应理解，本申请实施例提供的推荐信息确定的方法可以应用于社交网络中新的社交关系推荐的场景，具体地，可以应用于具有社交网络服务的社交应用、社交网站或游戏中，例如，微博、脸书(Facebook)、微信(Wechat)、QQ等社交应用或者多人在线战术竞技游戏(Multiplayer Online Battle Arena，MOBA)等网络游戏。在这些具有社交网络服务的社交应用、社交网站或游戏中，用户可以与其他用户建立社交关系，例如，好友关系、师徒关系、情侣关系等。为了鼓励用户建立新的关系链，社交应用或游戏往往会提供新的社交关系推荐的服务，针对某一用户，从大量的其他陌生用户中选取出最有可能与该用户建立新的社交关系的部分用户，并且将选取出来的这部分用户推荐给用户。然而，目前用于为用户提供推荐结果的方法的推荐效果较差，难以为用户提供精准的推荐结果。
为了解决上述问题，本申请实施例提出了一种推荐信息确定的方法，该方法应用于图1所示的推荐信息确定的系统，请参阅图1，图1为本申请实施例中推荐信息确定的系统的一个架构示意图，如图所示，服务器通过网络与终端设备建立通信连接，不同的终端设备通过服务器进行交互，并且构建了社交网络的关系结构；服务器基于该社交网络的关系结构确定用于提供给终端设备的推荐信息，然后，服务器将该推荐信息发送给终端设备之后，终端设备向用户展示该推荐信息，以便于用户基于该推荐信息建立新的社交关系。
其中，图1中所示的终端设备仅为一个示意，在实际应用中，终端设备包含但不仅限于手机、台式电脑、平板电脑、笔记本电脑以及掌上电脑。
下面将从服务器的角度，对本申请中推荐信息确定的方法进行介绍，请参阅图2，本申请实施例中推荐信息确定的方法一个实施例包括：
201、获取社交网络的关系结构，其中，社交网络的关系结构包括有多个节点和多个边，每个节点表示社交网络中的一个用户，每个边连接多个节点中的两个节点，每个边用于指示由两个节点表示的两个用户之间的关系；
本实施例中，社交网络的关系结构指的是用户之间通过社会关系结成的网络系统，具体可以用一关系结构图进行表示，如图3所示，图3为本申请实施例提供的一种关系结构图的示例图。在关系结构图中，用户也称为节点，是参与社交活动的人，可以是组织、个人、网络ID等不同含义的实体或虚拟个体。而用户之间的关系可以是好友、亲友等实体关系，也可以是动作行为、收发消息等交互关系；对于一些游戏而言，在其社交网络的关系结构中，用户之间的相互关系还可以是师徒、情侣或者同一战队等关系。
可以理解的是，在社交网络中，用户间会实时地发生交互行为，具体包括建立或解除好友关系、相互发聊天信息、共同参与话题讨论等。在社交网络中，用户之间的这些活跃的交互行为会促使社交网络的关系结构不断地发生着演化，并使得社交网络具有用户群体互动、信息传播与演化等特征。因此，服务器在获取社交网络的关系结构时，可以实时获取最新的社交网络的关系结构。
202、根据社交网络的关系结构确定节点特征值和边特征值，其中，节点特征值用于指示节点的属性信息，边特征值用于指示两个节点之间的交互信息；
在本实施例中，节点的属性信息指的是用户在社交应用、社交网站或游戏中固有的一些属性特征或行为统计。
以社交应用(例如QQ)为例，节点的属性信息具体可以是用户的QQ等级、用户登记的性别、用户登记的年龄、用户每天的登录时长、用户每天的登录次数等。
此外，以网络游戏为例，节点的属性信息具体可以分为活跃相关、游戏相关、社交相关、消费相关等几个类别。其中，活跃相关类别中具体包括：登录次数、游戏时长、工作日登录次数、非工作日登录次数、早上登录次数、中午登录次数、下午登录次数、晚上登录次数、最近一个月登录次数等等。游戏相关类别中具体包括：游戏等级、游戏通关数量、游戏角色类型等等。社交相关类别中具体包括：好友数量、聊天次数、对局次数、送礼物次数、战队成员、情侣等等。消费相关类中具体包括：消费登记、道具数量、充值次数等等。
可以理解的是，上述的属性信息中的任意一项均可以用一具体的数值或者是否值(1或0)来表示，因此，在本实施例中，服务器通过对节点的属性信息进行识别并且量化之后，可以得到具体的能够用于指示节点属性信息的节点特征值。
在本实施例中，两个节点之间的交互信息指的是两个用户之间相互交互的信息。具体地，同样以上述的网络游戏为例，交互信息具体可以分为好友相关类别、互动相关类别。其中，好友相关类别具体包括：共同好友个数、是否共同战队、是否情侣、是否师徒等等。互动相关类别具体包括：聊天次数、聊天时长、对局次数、送礼物次数等等。
可以理解的是，上述的交互信息中的任意一项同样可以用一具体的数值或者是否值(1或0)来表示，因此，在本实施例中，服务器通过对节点之间的交互信息进行识别并且量化之后，可以得到具体的能够用于指示节点之间的属性信息的边特征值。
203、根据节点特征值和边特征值确定游走概率，其中，游走概率表示在社交网络的关系结构中每个节点的游走概率；
在本实施例中，可以通过随机游走的方法在社交网络的关系结构中获取用于推荐的节点。其中，随机游走(random walk)也称为随机漫步，是指基于社交网络的关系结构中节点与节点之间的好友关系，即连接节点与节点的边，进行随机的扩散游走。例如，以节点A作为随机游走的起点，假设节点A有N个好友，分别为节点B1至节点BN，开始随机游走之后，从节点B1至节点BN中随机选择一个节点(例如B1)作为随机游走的下一个节点；然后，基于节点B1，再从节点B1的M个好友(假设为C1至CM)中随机选择一个节点(例如CM)作为随机游走的下一个节点，以此类推，在社交网络的关系结构中进行随机游走，即可得到一条包含有多个节点(A--B1--CM--…)的游走路径，这条游走路径上的节点便可以作为用于推荐给用户的节点。
对于上述所介绍的随机游走方法，在一个节点游走到下一个节点的时候是完全随机的，即从节点A游走到节点B1至节点BN中的任意节点的概率都是一样的(均为1/N)。然而，对于用户而言，当用户好友中的好友被推荐给用户的时候，用户并非是愿意和其自身好友的好友中的所有人都成为好友的，例如，对于拥有好友B1至好友BN的用户A而言，好友B1是用户A更为熟络、联系更为密切的好友，用户A通常也更愿意和好友B1的其他好友成为好友，而对于用户不是很熟络的好友BN，用户A通常也不太愿意和好友BN的其他好友成为好友。
有鉴于此，在本实施例中，根据节点特征值和边特征值确定在进行随机游走时的游走概率，其中，游走概率指的是从一个节点游走到另一个节点的概率，例如，对于节点A而言，从节点A游走到节点B1至节点BN中的一个节点所对应的概率分别为p1至pN，其中，每一个概率值均是基于节点A的节点特征值、该节点的节点特征值以及节点A与该节点之间的边特征值来确定的。
由于在两个节点所对应的节点特征值较为接近时，即两个用户的属性特征或行为统计较为相似的时候，这两个用户往往更倾向于成为彼此的好友；在两个节点之间的边特征值较为复杂的时候，即两个用户之间的交互较为密切的时候，这两个用户往往也更倾向于成为彼此的好友。因此，通过充分考虑属性信息和交互信息对于游走概率的影响，可以使得通过随机游走的方式获取推荐节点时，能够得到更容易被用户接受的推荐结果，即得到更为精确的推荐结果。
204、根据游走概率在社交网络的关系结构获取游走路径；
在本实施例中，基于两个节点的特征值和两个节点之间的边特征值，可以得到在社交网络的关系结构中从任意一个节点游走到与该节点有连接边的下一个节点的游走概率，基于这些游走概率，在社交网络的关系结构中进行有针对性的随机游走，便可以得到游走路径。
205、根据游走路径确定第一推荐节点集合，推荐节点集合包括游走路径所对应的至少一个节点。
在本实施例中，由于游走路径是由节点所构成的，因此，在得到游走路径之后，通过将游走路径中的节点选取出来，便可以得到推荐节点。例如，对于游走路径A1--B2--C3--D4--E5，将里面的节点B2、节点C3、节点D4、节点E5选取出来，这些节点便可以作为推荐给节点A1的推荐节点。
在本实施例中，通过结合用户本身的属性信息和用户之间的互动信息，设置了在社交网络上进行随机游走的游走概率，充分考虑到属性信息和交互信息对于游走概率的影响，基于更全面的信息构建推荐节点，能够获得更为精准的推荐结果。
可选地，在上述图2对应的第一个实施例的基础上，本申请实施例提供的推荐信息确定的方法一个可选实施例中，
根据社交网络的关系结构确定节点特征值和边特征值，包括：
根据社交网络的关系结构确定用于表示节点特征值的节点向量，其中，节点向量中的每个值用于指示节点的一种属性；
根据社交网络的关系结构确定用于表示边特征值的边向量，其中，边向量中的每个值用于指示两个节点之间的一种交互特征。
在本实施例中，由于每个节点的属性信息中往往可能包括有多种属性，因此，为了能够把每个节点的多种属性均考虑到，可以采用节点向量来表示节点特征值，且节点特征值中的每一个值均指示节点的一种属性。例如，以网络游戏为例，登录次数可以作为节点向量中的一个值(例如，一天登录5次，则值为5)，游戏等级也可以作为节点向量中的一个值(例如，游戏中等级为3级，则值为3)，是否是同一战队成员也可以作为节点向量中的一个值(例如，是同一战队成员的值为1，不是同一战队成员的值为0)；通过对节点的每一种属性都赋予一个值，即可以构成一个包括有多个值的节点向量。
值得注意的是，除了用一个值直接表示节点的一种属性，还可以采用独热编码(One-Hot Encoding)的一组值来表示节点的一种属性。具体地，针对一些只能用枚举值或者离散值来表示的属性，由于枚举值或离散值并不是连续的数值，在后续通过计算特征值之间的距离来获取特征值之间的相似度时会存在一定的困难，此时，可以采用独热编码的一组值来进行表示该属性特征，可以使得后续计算特征值之间的距离更为合理。其中，独热编码，又称为一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候，其中只有一位有效。可以这样理解，对于每一个特征，如果它有m个可能值，那么经过独热编码后，就变成了m个二元特征(例如针对成绩这个特征，有好，中，差三种可能，变成独热编码就是100,010,001)。并且，这些特征互斥，每次只有一个激活。因此，数据会变成稀疏的。这样做的好处主要有：解决了分类器不好处理属性数据的问题；在一定程度上也起到了扩充特征的作用。
举例来说，针对游戏角色类型这个属性，如果有5个类型，例如分别为战士、法师、刺客、医生、召唤师，则每个类型分别可以用10000、01000、00100、00010、00001来表示。
此外，在本实施例中，由于每两个节点之间的交互信息中往往可能包括有多种交互特征，因此，为了能够把每个边的多种交互特征均考虑到，可以采用边向量来表示边特征值，且边特征值中的每一个值均指示边的一种交互特征。例如，以网络游戏为例，好友相关的类别采用了共同好友个数、是否为师徒关系、是否为情侣关系这几个特征；互动相关类别采用了聊天次数、对局次数这几个特征。那么玩家a与玩家b如果有3个共同好友、是师徒关系、不是情侣关系、聊天10次、对局20次，则他们的边向量是[3,1,0,10,20]。
具体地，可以参阅图4，图4为本申请实施例提供的一种节点特征值和边特征值的表示示意图。如图4所示，针对节点s，可以用节点向量Xs来表示其等级、游戏时长、消费水平等属性；同样，针对节点t，可以用节点向量Xt来表示其等级、游戏时长、消费水平等属性；针对节点s和节点t之间的边，可以用边向量Cst来表示其聊天次数、聊天时长、共同好友个数、对局次数以及送礼物次数等交互特征。
此外，对于节点向量和边向量，可以对节点向量的每一维或边向量的每一维分别做归一化处理。具体来说，对每一维，可以先统计出这一维的最大值max和最小值min，然后对这一维里的所有值v，更新为
Figure BDA0002075610780000081
通过归一化处理，能够将向量中的绝对值变成相对值，能够有效地简化后续的计算过程。
其次，本实施例中，分别用节点向量以及边向量来表示节点特征值和边特征值，能够将节点的多种属性以及边的多种交互特征，将可能影响推荐结果精确性的多种属性和多种交互特征考虑进去，基于更全面的信息构建推荐节点，能够获得更为精准的推荐结果。
可选地，在上述可选的实施例的基础上，本申请实施例提供的推荐信息确定的方法一个可选实施例中，根据节点特征值和边特征值确定游走概率，包括：
根据第一节点的节点向量和第二节点的节点向量确定第一节点与第二节点之间的相似度值，其中，第一节点和第二节点均属于社交网络的关系结构中的节点，且第一节点和第二节点之间连接有边；
根据相似度值和边向量确定游走概率。
在本实施例中，在确定了在社交网络的关系结构中每个节点的节点向量之后，针对任意两个连接有边的节点，可以根据两个节点对应的节点向量来求取两个节点之间的相似度值，该相似度值用于表征两个节点之间的相似度。可以理解的是，当两个节点的属性信息越相似的时候，即两个用户之间的属性特征或行为特征越相似的时候，相对而言，这两个用户更容易成为相互的好友，因此，可以通过求取两个节点的相似度值来进一步确定游走概率。例如，在网络游戏中，当两个玩家的游戏等级越相似时，这两个玩家的游戏水平越接近，他们更有可能成为相互的好友；当两个玩家每天的游戏时长越相似时，这两个玩家在游戏中互动的频率会越高，他们也更有可能成为相互的好友；当两个玩家的消费水平越相似时，这两个玩家在游戏中的游戏策略(游戏玩法)会越接近，他们会有更多相同的游戏话题，显然他们也更有可能成为相互的好友。因此，基于两个节点之间的相似度值求取对应的游走概率，能够获得更为有效的游走概率。
其次，本实施例中，选取节点之间的相似度值作为影响游走概率的一个重要因素，能够充分考虑到节点对应的属性对于用户选择好友的影响，从而更有效地确定游走概率，最终能够获得更为精准的推荐结果。
可选地，在上述可选的实施例的基础上，本申请实施例提供的推荐信息确定的方法一个可选实施例中，根据第一节点的节点向量和第二节点的节点向量确定第一节点与第二节点之间的相似度值，包括：
通过欧式距离计算公式计算第一节点与第二节点之间的欧式距离值，欧式距离值用于表示相似度值；
欧氏距离计算公式具体为：
Figure BDA0002075610780000091
其中，de表示欧式距离值，
Figure BDA0002075610780000092
表示根号运算，∑表示求和运算，第一节点的节点向量表示为/>
Figure BDA0002075610780000093
Figure BDA0002075610780000094
表示第一节点的节点向量中的一个值，第二节点的节点向量表示为/>
Figure BDA0002075610780000095
Figure BDA0002075610780000096
表示第二节点的节点向量中的一个值。
在本实施例中，欧式距离是一个距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)，其中，欧式距离主要用于衡量个体在空间上存在的距离，距离越远说明个体间的差异越大。由于欧氏距离能够体现个体数值特征的绝对差异，所以欧式距离更多的应用于需要从维度的数值大小中体现差异的分析，如使用用户行为指标分析用户价值的相似度或差异等。因此，在本实施例中可以采用欧式距离来表示相似度值，当欧式距离值越大的时候，代表两个节点之间的差异越大，即两个节点的相似度低；当欧式距离值越小的时候，代表两个节点之间的差异越小，即两个节点之间的相似度高。
其次，本实施例中，通过求取两个节点之间的欧式距离值来确定两个节点之间的差异度，进而确定两个节点之间的相似度值，从而得到更有效的相似度值。
可选地，在上述可选的实施例的基础上，本申请实施例提供的推荐信息确定的方法一个可选实施例中，根据相似度值和边特征值确定游走概率，包括:
根据相似度值和边向量通过归一化公式确定游走概率；
归一化公式为：
Figure BDA0002075610780000097
其中，p(s,v)表示游走概率，e是自然对数的底数，|| ||表示求取向量的长度，csv表示相似度值，yv表示边向量。
在本实施例中，在对节点的相似度值进行归一化处理的时候，可以同时考虑两个节点之间的边向量。具体来说，对于一个节点s，其好友集合为N(s)，在对节点s与好友集合N(s)里的每个节点v的相似度值yv做归一化处理时，还可以考虑节点s和节点v之间的边向量，即通过上述的归一化公式来确定对应的游走概率。
具体地，在本实施例中，可以通过引入注意力模型来确定游走概率。可以理解的是，在社交网络上，一个用户的好友数量可能很多，而用户一般不会把精力或者注意力平均地分配给每个好友，而是会集中在一些比较重要的好友。基于这样的情况，可以通过引入注意力模型来学习用户与好友之间的权重，从而获得随意游走的概率值，即游走概率。
如图5所示，图5为本申请实施例提供的一个基于注意力模型确定游走概率的示意图。假设一个节点s，有4个好友节点，分别是v1,v2,v3,v4，那么，在确定了节点s的节点向量Xs，4个好友节点对应的节点向量Xv1、Xv2、Xv3、Xv4以及节点a与4个好友节点之间的边向量Csv1、Csv2、Csv3、Csv4之后，便可以基于注意力模型确定对应的游走概率。其中，注意力模型主要有两层，第一层计算节点s和每个好友节点v之间的相似度F(xs，xv)，得到相似度值yv；第二层做softmax归一化处理，得到节点s对每个好友节点v的注意力值p(s,v)，其中，注意力值可以理解为节点s所代表的用户分配给好友节点v所代表的好友用户的注意力，也可以理解为节点s所代表的用户对好友节点v所代表的好友用户的关注程度，实际上，在本实施例中，可以采用注意力值作为游走概率。其中，softmax归一化处理指的是采用softmax函数(归一化指数函数)进行归一化处理。
其次，本实施例中，通过引入注意力模型，基于相似度值和边特征值来学习玩家与好友之间的权重，从而能够确定更为准确的游走概率。
可选地，在上述可选的实施例的基础上，本申请实施例提供的推荐信息确定的方法一个可选实施例中，根据游走概率在社交网络的关系结构获取游走路径，包括：
在社交网络的关系结构中确定第一游走路径，其中，第一游走路径至少包括一个节点；
若第一游走路径不满足预置条件，则确定第一游走路径的末端节点；
根据末端节点的游走概率确定第一游走路径中新的末端节点，获得第二游走路径；
若第二游走路径满足预置条件，则将第二游走路径作为用于确定推荐节点集合的路径。
在本实施例中，第一游走路径为初始化的随机游走路径，第一游走路径中包括一个作为随机游走起始点的节点，即起始节点，同时还包括有一个当前游走路径的末端节点；在第一游走路径只有一个节点的情况下，该节点既是起始节点，也是末端节点。在确定了第一游走路径之后，判断第一游走路径是否满足预置条件，该预置条件具体可以是游走路径的长度达到预设的长度，例如游走路径中已经包括有N个节点，其中，N可以是10；该预置条件还可以是在每次获得游走路径之后，以设定的概率值停止继续游走，即以一个概率来判定第一游走路径是否需要停止游走，例如以0.5的概率值判定第一游走路径需要停止游走，0.5的概率值判定第一游走路径需要继续游走。如果第一游走路径不满足预置条件时，也就是说，第一游走路径的长度没达到预设的长度，或者是以一个概率值判定第一游走路径是否停止时，第一游走路径被判定为不停止，此时，则确定第一游走路径的末端节点，并且在该末端节点处继续进行随机游走，然后基于该末端节点的游走概率，从与该末端节点边连接的节点中选择一个节点作为新的末端节点，加入到第一游走路径中，得到第二游走路径，即新的第一游走路径。如果获得的第二游走路径满足预置条件，则将第二游走路径作为用于确定推荐节点集合的路径；如果获得的第二游走路径仍不满足预置条件，则继续从该第二游走路径中选取末端节点进行随机游走，直至最终得到的游走路径满足预置条件为止。
可选地，在上述可选的实施例的基础上，本申请实施例提供的推荐信息确定的方法一个可选实施例中，还包括：
根据社交网络的关系结构确定游走路径的起始节点，起始节点为社交网络的关系结构中的任意一个节点；
根据起始节点在社交网络的关系结构获取多条第三游走路径；
根据游走路径确定第一推荐节点集合，包括
根据多条第三游走路径确定第二推荐节点集合，其中，第二推荐节点集合中包含有多条第三游走路径对应的节点，且第二推荐节点集合中不包含有起始节点。
在本实施例中，在确定了游走路径的起始节点之后，基于该起始节点进行多次随机游走，从而获得多条游走路径；然后，再综合多条游走路径得到包含有多条游走路径对应的节点的节点集合，能够降低只进行一次随机游走时偶然性所带来的影响，既能够保证推荐结果的准确性，还能够避免推荐集合过小。
其次，本实施例中，通过对同一起始节点进行多次随机游走，提高了推荐集合中所包含的节点数据的有效性，从而保证推荐结果的准确性。
具体地，可以参阅图6，图6为本申请实施例提供的一种随机游走的流程示意图。在图6中，基于游走概率，对社交网络的关系结构中的每个节点分别进行多次随机游走处理，并且得到多条游走路径。其中，C代表对每个节点进行随机游走处理的次数，R表示最后得到的游走路径集合。
如图6所示，具体步骤如下：
S1、设C为对节点进行随机游走处理的次数，并且初始化C的值，例如，设置C为50。
S2、判断C是否大于0，如果C大于0，则执行步骤S3，如果C等于0，则结束流程。
S3、对于每个节点s，初始化节点s的随机游走路径为<s>。
S4、设S为所有节点的初始随机游走的路径集合。
S5、判断S是否不为空集合。
S6、如果S是空集合，则将C减1，并且转至执行步骤S1。
S7、如果S不是空集合，则对于S中的每一条游走路径P＝<s，…，t>，确定路径P的末端点t。
S8、从t的好友集合N(t)中以游走概率p(t，x)的概率选取一个节点x∈N(t)。
S9、将节点x加入到路径P的末端，形成新的路径P＝<s，…，t，x>。
S10、如果路径P满足停止条件，则将P从集合S中删除，将路径P加入到结果集合R中，并且再转至执行步骤S5。
可选地，在上述可选的实施例的基础上，本申请实施例提供的推荐信息确定的方法一个可选实施例中，还包括：
通过推荐排序模型对第一推荐节点集合中的节点进行排序，获得排序结果，其中，排序结果中包括第一推荐节点集合中的至少一个节点。
可以理解的是，在本实施例中，所获得的第一推荐节点集合中往往可能包括有较多的节点(例如，可能包括有数十个甚至上百个节点)，每个节点都代表了可能被添加为好友的用户，然而实际上每个节点对应的用户被添加为好友的可能性都是不一样的，并且所有节点所对应的用户都被添加为好友也不太可能，因此，为了能够将部分更容易被添加为好友的用户所对应的节点选取出来，可以采用推荐排序模型对第一推荐节点集合中的节点进行排序。例如，针对每个节点s的第一推荐节点集合B(s)，可以将s的节点特征值
Figure BDA0002075610780000111
与B(s)中的每个节点的节点特征值/>
Figure BDA0002075610780000121
输入到推荐排序模型中，从而获得排序结果。其中，推荐排序模型可以为一机器学习模型，通过预先选取一定的训练数据，并采用训练数据训练得到该机器学习模型。其中，训练数据可以是已经被添加为好友的用户所对应的节点，通过机器学习模型学习影响节点成为好友节点的因素，从而使得训练后的机器学习模型能够对第一推荐节点集合中的节点进行排序，得到更容易被用户所接受的排序结果。
此外，在本实施例中，还可以预先对第一推荐节点集合中的节点进行过滤，将部分节点过滤掉之后，再通过推荐排序模型对剩下的节点进行排序。具体地，过滤条件可以是节点在游走路径中出现的次数，即包含有该节点的游走路径的条数；例如，对某一起始节点进行多次随机游走之后得到50条游走路径，其中，包含有某一节点的游走路径的条数小于5条，则可以认为游走到该节点的概率较低，可以将该节点过滤掉。通过预先过滤的方法，能够将部分无效节点先过滤掉，再通过推荐排序模型对剩下节点进行排序，降低了推荐排序模型进行排序处理的复杂性。
为了便于理解，以下将对本实施例提供的推荐信息的确定方法在游戏中进行应用的场景进行介绍。可以参阅图7和图8，图7为本申请实施例中提供的一种好友推荐的示意图；图8为本申请实施例中提供的一种师徒推荐的示意图。如图7和图8所示，图7为在某一MOBA网络游戏中对应的好友推荐界面，其中，该好友推荐界面中显示了推荐给用户的好友，并且还显示了每个推荐好友相应的属性信息，例如，推荐好友的用户昵称、用户性别、游戏等级(白银、黄金、铂金或者钻石等)、登录时段等，用户可以选择其中的一个或者多个推荐好友来添加为好友。图8为在某一MOBA网络游戏中对应的师徒推荐界面，其中，该师徒推荐界面中显示了推荐给用户的师傅，并且还显示了每个推荐师傅相应的属性信息，例如推荐师傅的用户昵称、用户性别、游戏等级等，用户可以选择其中的一个推荐师傅来添加为师傅。
可以参阅图9，图9为在同一游戏中应用不同的推荐信息的确定方法的效果对比图。其中，图9中分别表示了三种现有技术中的信息推荐方法与本实施例中提供的推荐信息的确定方法，在同一游戏中的好友推荐业务中应用时对应的应用效果；其中，基于网络距离进行好友推荐的方案对应的点击率(即用户点击该好友推荐业务的频率)为6.71％，基于特征空间距离进行好友推荐的方案对应的点击率为6.67％，随机进行好友推荐的方案对应的点击率为6.46％，而基于本实施例中提供的推荐信息的确定方法进行好友推荐的方案对应的点击率为7.33％，显然，本实施例提供的方案相对于其他的方案在点击率上相对提升了至少9.24％。在好友推荐、师徒推荐等业务场景中，通过采用本实施例提供的推荐信息的确定方法进行好友推荐或师徒推荐能够提高推荐结果的准确性，从而提高用户的点击率，提升用户的活跃度。
下面对本申请实施例中的服务器进行详细描述，请参阅图10，图10为本申请实施例中提供的一种服务器一个实施例示意图，服务器100包括：
获取单元1001，用于获取社交网络的关系结构，其中，社交网络的关系结构包括有多个节点和多个边，每个节点表示社交网络中的一个用户，每个边连接多个节点中的两个节点，每个边用于指示由两个节点表示的两个用户之间的关系；
确定单元1002，用于根据社交网络的关系结构确定节点特征值和边特征值，其中，节点特征值用于指示节点的属性信息，边特征值用于指示两个节点之间的交互信息；
确定单元1002，还用于根据节点特征值和边特征值确定游走概率，其中，游走概率表示在社交网络的关系结构中每个节点的游走概率；
获取单元1001，还用于根据游走概率在社交网络的关系结构获取游走路径；
确定单元1002，还用于根据游走路径确定第一推荐节点集合，推荐节点集合包括游走路径所对应的至少一个节点。
可选地，在上述图10所对应的实施例的基础上，本申请实施例提供的服务器100的另一实施例中，
确定单元1002，还用于根据社交网络的关系结构确定用于表示节点特征值的节点向量，其中，节点向量中的每个值用于指示节点的一种属性；
确定单元1002，还用于根据社交网络的关系结构确定用于表示边特征值的边向量，其中，边向量中的每个值用于指示两个节点之间的一种交互特征。
可选地，在上述图10所对应的实施例的基础上，本申请实施例提供的服务器100的另一实施例中，
确定单元1002，还用于根据第一节点的节点向量和第二节点的节点向量确定第一节点与第二节点之间的相似度值，其中，第一节点和第二节点均属于社交网络的关系结构中的节点，且第一节点和第二节点之间连接有边；
确定单元1002，还用于根据相似度值和边向量确定游走概率。
可选地，在上述图10所对应的实施例的基础上，请参阅图11，本申请实施例提供的服务器100的另一实施例中，还包括计算单元1003；
计算单元1003，用于通过欧式距离计算公式计算第一节点与第二节点之间的欧式距离值，欧式距离值用于表示相似度值；
欧氏距离计算公式具体为：
Figure BDA0002075610780000131
其中，de表示欧式距离值，
Figure BDA0002075610780000132
表示根号，∑表示求和符号，第一节点的节点向量表示为/>
Figure BDA0002075610780000133
Figure BDA0002075610780000134
表示第一节点的节点向量中的一个值，第二节点的节点向量表示为/>
Figure BDA0002075610780000135
Figure BDA0002075610780000136
表示第二节点的节点向量中的一个值。
可选地，在上述图11所对应的实施例的基础上，本申请实施例提供的服务器100的另一实施例中，
确定单元1002，还用于根据相似度值和边向量通过归一化公式确定游走概率；
归一化公式为：
Figure BDA0002075610780000137
其中，p(s,v)表示游走概率，e是自然对数的底数，|| ||表示求取向量的长度，csv表示相似度值，yv表示边向量。
可选地，在上述图10所对应的实施例的基础上，本申请实施例提供的服务器100的另一实施例中，
确定单元1002，还用于在社交网络的关系结构中确定第一游走路径，其中，第一游走路径至少包括一个节点；
确定单元1002，还用于若第一游走路径不满足预置条件，则确定第一游走路径的末端节点；
确定单元1002，还用于根据末端节点的游走概率确定第一游走路径中新的末端节点，获得第二游走路径；
确定单元1002，还用于若第二游走路径满足预置条件，则将第二游走路径作为用于确定推荐节点集合的路径。
可选地，在上述图10所对应的实施例的基础上，本申请实施例提供的服务器100的另一实施例中，
确定单元1002，还用于根据社交网络的关系结构确定游走路径的起始节点，起始节点为社交网络的关系结构中的任意一个节点；
获取单元1001，还用于根据起始节点在社交网络的关系结构获取多条第三游走路径；
确定单元1002，还用于根据多条第三游走路径确定第二推荐节点集合，其中，第二推荐节点集合中包含有多条第三游走路径对应的节点，且第二推荐节点集合中不包含有起始节点。
可选地，在上述图10所对应的实施例的基础上，请参阅图12，本申请实施例提供的服务器100的另一实施例中，还包括排序单元1004；
排序单元1004，用于通过推荐排序模型对第一推荐节点集合中的节点进行排序，获得排序结果，其中，排序结果中包括第一推荐节点集合中的至少一个节点。
图13是本申请实施例提供的一种服务器结构示意图，该服务器1300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processingunits，CPU)1322(例如，一个或一个以上处理器)和存储器1332，一个或一个以上存储应用程序1342或数据1344的存储介质1330(例如一个或一个以上海量存储设备)。其中，存储器1332和存储介质1330可以是短暂存储或持久存储。存储在存储介质1330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1322可以设置为与存储介质1330通信，在服务器1300上执行存储介质1330中的一系列指令操作。
服务器1300还可以包括一个或一个以上电源1326，一个或一个以上有线或无线网络接口1350，一个或一个以上输入输出接口1358，和/或，一个或一个以上操作系统1341，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
在本申请实施例中，该服务器1300所包括的CPU 1322还具有以下功能：
获取社交网络的关系结构，其中，社交网络的关系结构包括有多个节点和多个边，每个节点表示社交网络中的一个用户，每个边连接多个节点中的两个节点，每个边用于指示由两个节点表示的两个用户之间的关系；
根据社交网络的关系结构确定节点特征值和边特征值，其中，节点特征值用于指示节点的属性信息，边特征值用于指示两个节点之间的交互信息；
根据节点特征值和边特征值确定游走概率，其中，游走概率表示在社交网络的关系结构中每个节点的游走概率；
根据游走概率在社交网络的关系结构获取游走路径；
根据游走路径确定第一推荐节点集合，推荐节点集合包括游走路径所对应的至少一个节点。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (8)

1.一种推荐信息确定的方法，其特征在于，包括：
获取社交网络的关系结构，其中，所述社交网络的关系结构包括有多个节点和多个边，每个节点表示社交网络中的一个用户，每个边连接所述多个节点中的两个节点，所述每个边用于指示由所述两个节点表示的两个用户之间的关系；
根据所述社交网络的关系结构确定用于表示节点特征值的节点向量，其中，所述节点特征值用于指示节点的属性信息，所述节点向量中的每个值用于指示节点的一种属性；
根据所述社交网络的关系结构确定用于表示边特征值的边向量，其中，所述边特征值用于指示两个节点之间的交互信息，所述边向量中的每个值用于指示两个节点之间的一种交互特征；
根据第一节点的节点向量和第二节点的节点向量确定第一节点与第二节点之间的相似度值，其中，所述第一节点和所述第二节点均属于所述社交网络的关系结构中的节点，且所述第一节点和所述第二节点之间连接有边；
根据所述相似度值和所述边向量确定游走概率，其中，所述游走概率表示在所述社交网络的关系结构中所述每个节点的游走概率；
根据所述游走概率在所述社交网络的关系结构获取游走路径；
根据所述游走路径确定第一推荐节点集合，所述推荐节点集合包括所述游走路径所对应的至少一个节点。
2.根据权利要求1所述的推荐信息确定的方法，其特征在于，所述根据第一节点的节点向量和第二节点的节点向量确定第一节点与第二节点之间的相似度值，包括：
通过欧氏距离计算公式计算所述第一节点与所述第二节点之间的欧氏距离值，所述欧氏距离值用于表示所述相似度值；
所述欧氏距离计算公式具体为：
Figure FDA0004201261240000011
其中，所述de表示欧氏距离值，所述第一节点的节点向量表示为
Figure FDA0004201261240000012
所述/>
Figure FDA0004201261240000013
表示第一节点的节点向量中的一个值，所述第二节点的节点向量表示为/>
Figure FDA0004201261240000014
所述/>
Figure FDA0004201261240000015
表示所述第二节点的节点向量中的一个值。
3.根据权利要求1所述的推荐信息确定的方法，其特征在于，所述根据所述相似度值和所述边向量确定游走概率，包括:
根据所述相似度值和所述边向量通过归一化公式确定游走概率；
所述归一化公式为：
Figure FDA0004201261240000016
其中，所述p(s,v)表示游走概率，所述e是自然对数的底数，所述|| ||表示求取向量的长度，所述csv表示节点s与节点v的相似度值，所述yv表示节点s与节点v的边向量，所述csu表示节点s与节点u的相似度值，所述yu表示节点s与节点u的边向量。
4.根据权利要求1至2任意一项所述的推荐信息确定的方法，其特征在于，所述根据所述游走概率在所述社交网络的关系结构获取游走路径，包括：
在所述社交网络的关系结构中确定第一游走路径，其中，所述第一游走路径至少包括一个节点；
若所述第一游走路径不满足预置条件，则确定所述第一游走路径的末端节点；
根据所述末端节点的游走概率确定所述第一游走路径中新的末端节点，获得第二游走路径；
若所述第二游走路径满足预置条件，则将所述第二游走路径作为用于确定所述推荐节点集合的路径。
5.根据权利要求1所述的推荐信息确定的方法，其特征在于，还包括：
根据社交网络的关系结构确定游走路径的起始节点，所述起始节点为所述社交网络的关系结构中的任意一个节点；
根据所述起始节点在所述社交网络的关系结构获取多条第三游走路径；
所述根据所述游走路径确定第一推荐节点集合，包括：
根据所述多条第三游走路径确定第二推荐节点集合，其中，所述第二推荐节点集合中包含有所述多条第三游走路径对应的节点，且所述第二推荐节点集合中不包含有所述起始节点。
6.根据权利要求1所述的推荐信息确定的方法，其特征在于，还包括：
通过推荐排序模型对所述第一推荐节点集合中的节点进行排序，获得排序结果，其中，所述排序结果中包括所述第一推荐节点集合中的至少一个节点。
7.一种服务器，其特征在于，包括：
获取单元，用于获取社交网络的关系结构，其中，所述社交网络的关系结构包括有多个节点和多个边，每个节点表示社交网络中的一个用户，每个边连接所述多个节点中的两个节点，所述每个边用于指示由所述两个节点表示的两个用户之间的关系；
确定单元，用于根据所述社交网络的关系结构确定用于表示节点特征值的节点向量，其中，所述节点特征值用于指示节点的属性信息，所述节点向量中的每个值用于指示节点的一种属性；
所述确定单元，还用于根据所述社交网络的关系结构确定用于表示边特征值的边向量，其中，所述边特征值用于指示两个节点之间的交互信息，所述边向量中的每个值用于指示两个节点之间的一种交互特征；
所述确定单元，还用于根据第一节点的节点向量和第二节点的节点向量确定第一节点与第二节点之间的相似度值，其中，所述第一节点和所述第二节点均属于所述社交网络的关系结构中的节点，且所述第一节点和所述第二节点之间连接有边；
所述确定单元，还用于根据所述相似度值和所述边向量确定游走概率，其中，所述游走概率表示在所述社交网络的关系结构中所述每个节点的游走概率；
所述获取单元，还用于根据所述游走概率在所述社交网络的关系结构获取游走路径；
所述确定单元，还用于根据所述游走路径确定第一推荐节点集合，所述推荐节点集合包括所述游走路径所对应的至少一个节点。
8.一种服务器，其特征在于，包括：存储器、收发器、处理器以及总线系统；
其中，所述存储器用于存储程序；
所述处理器用于执行所述存储器中的程序，包括如下步骤：
获取社交网络的关系结构，其中，所述社交网络的关系结构包括有多个节点和多个边，每个节点表示社交网络中的一个用户，每个边连接所述多个节点中的两个节点，所述每个边用于指示由所述两个节点表示的两个用户之间的关系；
根据所述社交网络的关系结构确定用于表示节点特征值的节点向量，其中，所述节点特征值用于指示节点的属性信息，所述节点向量中的每个值用于指示节点的一种属性；
根据所述社交网络的关系结构确定用于表示边特征值的边向量，其中，所述边特征值用于指示两个节点之间的交互信息，所述边向量中的每个值用于指示两个节点之间的一种交互特征；
根据第一节点的节点向量和第二节点的节点向量确定第一节点与第二节点之间的相似度值，其中，所述第一节点和所述第二节点均属于所述社交网络的关系结构中的节点，且所述第一节点和所述第二节点之间连接有边；
根据所述相似度值和所述边向量确定游走概率，其中，所述游走概率表示在所述社交网络的关系结构中所述每个节点的游走概率；
根据所述游走概率在所述社交网络的关系结构获取游走路径；
根据所述游走路径确定第一推荐节点集合，所述推荐节点集合包括所述游走路径所对应的至少一个节点；
所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。
CN201910454124.XA 2019-05-28 2019-05-28 一种推荐信息确定的方法及服务器 Active CN110175299B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910454124.XA CN110175299B (zh) 2019-05-28 2019-05-28 一种推荐信息确定的方法及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910454124.XA CN110175299B (zh) 2019-05-28 2019-05-28 一种推荐信息确定的方法及服务器

Publications (2)

Publication Number Publication Date
CN110175299A CN110175299A (zh) 2019-08-27
CN110175299B true CN110175299B (zh) 2023-06-06

Family

ID=67695842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910454124.XA Active CN110175299B (zh) 2019-05-28 2019-05-28 一种推荐信息确定的方法及服务器

Country Status (1)

Country Link
CN (1) CN110175299B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507244B (zh) * 2019-09-16 2023-09-26 腾讯科技（深圳）有限公司 社交数据推荐方法、装置、分布式计算集群及存储介质
CN110929172B (zh) * 2019-11-27 2022-11-18 中科曙光国际信息产业有限公司 信息选择方法、装置、电子设备及可读存储介质
CN112989215B (zh) * 2019-12-13 2022-06-14 复旦大学 一种基于稀疏用户行为数据的知识图谱增强的推荐系统
CN111128307B (zh) * 2019-12-14 2023-05-12 中国科学院深圳先进技术研究院 代谢路径预测方法、装置、终端设备及可读存储介质
CN111090783B (zh) * 2019-12-18 2023-10-03 北京百度网讯科技有限公司 推荐方法、装置和系统、图嵌入的游走方法、电子设备
CN111401998B (zh) * 2020-03-12 2023-06-30 重庆智慧之源科技有限公司 技术转移意向客户精准推荐方法、装置、服务器
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103379158A (zh) * 2012-04-24 2013-10-30 中国移动通信集团公司 一种社交网络中推荐好友信息的方法及系统
CN107590243A (zh) * 2017-09-14 2018-01-16 中国人民解放军信息工程大学 基于随机游走和多样性图排序的个性化服务推荐方法
CN108449209A (zh) * 2018-03-17 2018-08-24 北京工业大学 基于路径信息和节点信息融合的社交网络好友推荐方法
CN108596774A (zh) * 2018-04-24 2018-09-28 山东师范大学 基于深层次网络嵌入特征的社会化信息推荐算法及系统
CN108920527A (zh) * 2018-06-07 2018-11-30 桂林电子科技大学 一种基于知识图谱的个性化推荐方法
CN109802859A (zh) * 2019-01-15 2019-05-24 腾讯科技（深圳）有限公司 一种网络图中的节点推荐方法和服务器

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8433670B2 (en) * 2011-03-03 2013-04-30 Xerox Corporation System and method for recommending items in multi-relational environments

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103379158A (zh) * 2012-04-24 2013-10-30 中国移动通信集团公司 一种社交网络中推荐好友信息的方法及系统
CN107590243A (zh) * 2017-09-14 2018-01-16 中国人民解放军信息工程大学 基于随机游走和多样性图排序的个性化服务推荐方法
CN108449209A (zh) * 2018-03-17 2018-08-24 北京工业大学 基于路径信息和节点信息融合的社交网络好友推荐方法
CN108596774A (zh) * 2018-04-24 2018-09-28 山东师范大学 基于深层次网络嵌入特征的社会化信息推荐算法及系统
CN108920527A (zh) * 2018-06-07 2018-11-30 桂林电子科技大学 一种基于知识图谱的个性化推荐方法
CN109802859A (zh) * 2019-01-15 2019-05-24 腾讯科技（深圳）有限公司 一种网络图中的节点推荐方法和服务器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于连通性和随机游走的好友推荐算法;周芝民;龙华;杜庆志;邵玉斌;;信息技术(第08期);全文 *

Also Published As

Publication number Publication date
CN110175299A (zh) 2019-08-27

Similar Documents

Publication Publication Date Title
CN110175299B (zh) 一种推荐信息确定的方法及服务器
US9968849B1 (en) System and method for providing targeted recommendations to segments of users of a virtual space
JP2021532515A (ja) 推薦方法と装置、コンピューティング装置、及びプログラム
US10965775B2 (en) Discovering signature of electronic social networks
CN108763314A (zh) 一种兴趣推荐方法、装置、服务器及存储介质
CN102289444A (zh) 对在线社交网络中的用户分级的方法、装置以及制造品
US20160381158A1 (en) Automatic Invitation Delivery System
CN103034774A (zh) 基于社交网络为用户推荐游戏的方法和设备
Doshi et al. Modeling influencer marketing campaigns in social networks
CN110136015B (zh) 一种在线社交网络中节点相似性与凝聚力并重的信息传播方法
CN112990987B (zh) 信息推广方法、装置、电子设备及存储介质
US11468521B2 (en) Social media account filtering method and apparatus
CN103020416A (zh) 用于多用户联网游戏的好友推荐的方法和设备
Zhan et al. A model for collective behaviour propagation: a case study of video game industry
CN111667029B (zh) 一种聚类方法、装置、设备及存储介质
Roy Computational trust at various granularities in social networks
Seufert et al. Assessment of subjective influence and trust with an online social network game
CN109660582B (zh) 帐号信号的推送方法、装置、存储介质和电子设备
Zhan et al. A model for growth of markets of products or services having hierarchical dependence
CN117009631A (zh) 投放对象筛选方法、装置、设备和存储介质
CN112765449B (zh) 一种应用程序展示方法、装置及存储介质
Kinsey et al. Building a Personalized Messaging System for Health Intervention in Underprivileged Regions Using Reinforcement Learning.
Budden et al. Simulation leagues: Analysis of competition formats
Wang et al. Blind Spots: Unveiling users' true willingness in online social networks
Tao et al. GMTL: A gart based multi-task learning model for multi-social-temporal prediction in online games

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