CN110188123A - 用户匹配方法及设备 - Google Patents

用户匹配方法及设备 Download PDF

Info

Publication number
CN110188123A
CN110188123A CN201910335668.4A CN201910335668A CN110188123A CN 110188123 A CN110188123 A CN 110188123A CN 201910335668 A CN201910335668 A CN 201910335668A CN 110188123 A CN110188123 A CN 110188123A
Authority
CN
China
Prior art keywords
user
matched
matching
screening
similarity
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.)
Withdrawn
Application number
CN201910335668.4A
Other languages
English (en)
Inventor
张璐
陶明
张小亮
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.)
Shanghai Yimen Technology Co Ltd
Original Assignee
Shanghai Yimen Technology 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 Shanghai Yimen Technology Co Ltd filed Critical Shanghai Yimen Technology Co Ltd
Priority to CN201910335668.4A priority Critical patent/CN110188123A/zh
Publication of CN110188123A publication Critical patent/CN110188123A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22Indexing; Data structures therefor; Storage structures
    • G06F16/2228Indexing structures
    • G06F16/2237Vectors, bitmaps or matrices
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/245Query processing
    • G06F16/2458Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462Approximate or statistical queries
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/245Query processing
    • G06F16/2458Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465Query processing support for facilitating data mining operations in structured databases
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (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

本发明提供一种用户匹配方法及设备,所述方法包括:获取用户特征信息;根据特征信息计算用户间的相似度以及当前用户的躯壳,躯壳用于表征用户特征按照关联度划分的组别;对待匹配用户集合进行躯壳筛选;按照所述相似度对筛选后的待匹配集合中的待匹配用户进行排序;按照待匹配用户的排序进行匹配。通过双方的相似度进行匹配,由于躯壳和相似度均为待匹配用户双方共同确定的,可实现匹配的用户双方均存在较多的共同特征,使得用户可以无需花费大量时间寻找与自己特征相近的用户,提高的陌生人社交建立概率。可以在用户建立社交时节省大量的时间,使得陌生人建立社交时简单并且高效。为用户带来了更好的体验。

Description

用户匹配方法及设备
技术领域
本发明涉及数据挖掘领域,具体涉及一种用户匹配方法及设备。
背景技术
社交是指社会上人与人的交际往来,是人们运用一定的方式(工具)传递信息、交流思想的意识,以达到某种目的的社会各项活动。当今时代,经济和社会环境的变化使得人与人之间的交往显得更加重要。因为我们只有不断地与各类人员进行交往和信息沟通,才能不断地丰富自己、发展自己、扩充自己。
随着科学技术的发展和互联网资源在生活中的应用,人与人之间的交往开始借助互联网来实现,陌生人之间也可以通过互联网进行社交,实现进一步发展自己和扩充自己的目的。例如,现有技术中已经出现了一些主打陌生人社交服务的互联网平台和服务,例如搜索附近的人进行线上对话、传送网络漂流瓶等。
然而,由于整个平台上所发布的社交活动以及面向的用户群体都是海量级的,现有的陌生人社交网络平台多数基于地域、年龄等信息为用户推荐可进行匹配聊天的陌生人,然而,由于用户不了解平台推荐的用户的兴趣、爱好甚至三观是否与自己相同或相似,导致用户再寻找社交对象无法较为准确的定位到自己意向的社交对象,即使存在自己意向的社交对象,但是可能自己并非对方意向的社交对象,即使匹配成功,由于双方的意向不同或三观不同导致也难以建立正常的社交行为,此时,用户需要通过大量的提问、交流确定双方是否为较为合适的社交对象,使得陌生人之间建立社交繁杂低效。
发明内容
有鉴于此,本发明提供一种用户匹配方法,以提升陌生人社交建立的概率以及效率。该匹配方法可以包括:获取用户特征信息;根据所述特征信息计算用户间的相似度以及当前用户的躯壳,所述躯壳用于表征所述用户特征按照关联度划分的组别;获取待匹配用户集合;对所述待匹配用户集合进行躯壳筛选;按照所述相似度对筛选后的待匹配集合中的待匹配用户进行排序;按照待匹配用户的排序进行匹配,得到匹配结果。
可选地,所述用户属性特征包括多个类别,每包括多个层级;所述根据所述特征信息计算用户的躯壳包括:分别计算每种类别在不同层级上的相近值;根据所述相近值计算与其他用户的关联度;选取关联度大于预设值的用户作为当前用户目标躯壳。
可选地,所述用户特征信息包括至用户的至少一个属性特征信息和/或用户的至少一个行为特征信息;所述根据所述特征信息计算用户间的相似度包括:根据用户属性特征得到用户属性向量;根据用户行为特征得到用户行为向量;计算用户属性向量之间的第一距离和/或用户行为向量之间的第二距离;根据所述第一距离和/或所述第二距离确定所述用户间的相似度。
可选地,所述获取待匹配用户集合包括:获取主动匹配的第一用户;获取非发出主动匹配且活跃度大于预设活跃度的第二用户;将所述第一用户和所述第二用户作为待匹配用户。
可选地,所述按照待匹配用户的排序进行匹配包括:对筛选后的待匹配集合进行排序;按照排序结果获取有效用户,记录第一匹配结果;获取被其他用户匹配的第二匹配结果;根据所述第一匹配结果和所述第二匹配结果得到所述匹配结果,其中,所述第一匹配结果的优先级大于所述第二匹配结果的优先级。
可选地,当所述匹配结果为未匹配到用户时,间隔预设时长后,重复执行获取待匹配用户集合;对所述待匹配用户集合进行躯壳筛选;按照所述相似度对筛选后的待匹配集合中的待匹配用户进行排序;按照待匹配用户的排序进行匹配的匹配线程,直至得到匹配结果或达到预设匹配时长。
可选地,所述对所述待匹配用户集合进行躯壳筛选包括:获取用户匹配线程执行次数;判断所述执行次数所在的预设区间;当所述执行次数在第一预设区间内,对待匹配集合进行双向躯壳筛选,所述双向躯壳筛选为进行双向躯壳筛选后的用户与当前用户都是互为目标躯壳;当所述执行次数在第二预设区间内,对待匹配集合进行单项躯壳筛选,所述单项躯壳筛选为进行单项躯壳筛选后的用户为当前用户的单项目标躯壳;其中,第一预设区间中的最大值小于或等于第二预设区间内的最小值。
可选地,所述对所述待匹配用户集合进行躯壳筛选包括:当所述执行次数在第三预设区间内,不进行躯壳筛选。
可选地,在获取待匹配用户集合之前包括:获取用户的匹配请求;判断所述用户请求是否满足预设匹配条件;当所述用户请求满足所述预设匹配条件时,进入步骤获取待匹配用户集合。
本发明还提供一种用户匹配设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述用户匹配方法。
根据本发明提供的用户匹配方法及设备,通过用户特征信息对按照用户特征关联度对用户特征进行分组并计算用户之间的相似度,在按照用户相似度在该组别中寻找可与当前用户匹配的目标用户的过程中,通过对躯壳的筛选,得到与当前用户特征匹配的用户。先根据用户特征确定目标用户所属的躯壳,确定与当前用户相关度较高的用户,在根据用户特征的相似度对用户进行匹配,由于关联度和相似度均为待匹配用户双方共同确定的,因此,利用用户特征寻找当前用户目标躯壳集中相似度较高的用户作为当前用户的匹配目标用户,可实现匹配的用户双方均存在较多的共同特征,使得用户可以无需花费大量时间寻找与自己特征相近的用户,极大的提高的陌生人社交建立的可能性。可以在用户建立社交时节省大量的时间,使得陌生人建立社交时简单并且高效。为用户带来了更好的体验。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例中的用户匹配方法流程图;
图2为本发明实施例中的用户匹配装置的虚拟装置结构图;
图3为本发明实施例中的用户匹配设备的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
在一个社交网络中包括多个用户端和至少一个服务器,这些用户端之间通过服务器进行交互,交互包括即时通讯和非即时通讯。例如用户之间既可以通过服务器进行实时的文字交流,也可以互相查看发布的内容,如用户个人主页、发表图片、发表文字内容。
本发明提供了一种用户匹配方法,在社交网络中,存在多个用户端,每个用户端的目的为寻找符合自己意向,并且自己也符合他人意向的陌生人建立社交,本发明的目的是为了对用户匹配双方均有意向的陌生人建立社交,为了清楚地说明本发明的目的,本实施例以其中一个用户的角度对本方法进行详细说明。本方法可以由社交网络中的服务器或者服务器集群来执行,如图1所示该方法包括如下步骤:
S1,获取用户特征信息。在本实施例中,用户特征信息可以包括用户属性特征信息,还可以包括用户行为特征信息,其中,用户属性特征可以包括用户的量化特征,例如:用户的所在地、年龄、身高、体重、收入状况、所用终端的品牌、价格等;用户属性特征还可以包括用户的虚拟特征,例如用户的教育程度、学习能力、社交能力、智商、情商等。不同的特征均可以作为一个用户的属性特征。所称用户的行为特征可以为包括:用户活跃的时间段、是经常运动以及经常做哪些运动,是否喜欢旅游、所到过的旅游地点等用户的兴趣爱好以及用户的行为习惯。在本实施例中,所称获取用户的特征信息,可以通过获取用户在平台上填写的自己的信息获取,也可以通过用户进行的测试题目,经过心理学分析获取到,还可以利用机器学习学习用户平常的使用平台的习惯得到。例如,用户的行为特征可以采集用户平时的使用行为作为机器学习模型的训练样本,对机器学习模型进行训练,最终根据用户的使用习惯得到用户的行为特征,具体的训练方法可以参照其他机器学习模型的训练方法,在本实施例中不再赘述。
S2.根据特征信息计算用户间的相似度以及当前用户的躯壳。在本实施例中,躯壳用于表征用户特征按照关联度划分的组别。在本实施例中,用户属性特征可以包括多个,可以将这些特征按照一定的规则划分到不同的分组中,其中,每一个分组可以代表一个躯壳。下面通过举例对躯壳的划分进行说明,例如用户的属性可以包括X属性,Y属性和Z属性,例如可以分别表示所在城市、年龄和所用手机的信息(品牌、价格等信息),X属性例如可以为用户所在城市,可以按照城市级别将用户所在城市划分为x个层级,例如,一线城市、二线城市、三线城市等。Y属性可以为年龄,例如可以按照年龄段对将年龄分为y个层级,例如可以为少年、青年、中年等,Z属性例如为手机信息,可以按照手机价格或品牌对手机划分为z个层级。为方便说明,在本实施例中,可以将X属性记为D,将Y属性记为A,将Z属性记为C,其中,躯壳种类表达式可以为:S=D|A|C,躯壳种类个数可以为:x*y*z种。在本实施例中,可以根据用户的属性特征,可以将用户划分为属于哪种躯壳,即用户的外在特征进行较为直观划分,这样可以对用户进行初步的筛选,例如,两个用户所在城市的级别相差比较大,用户A在一线城市,用户B在五线城市,则两个用户的生活习惯或者消费观等可能不同,则两个用户的躯壳可能差别比较大,或者,可以再加上其他属性特征,例如,用户A与用户B的手机价格可能相差比较大,则可以认为两个人使用手机的习惯不同,可以确认某些性格相差比较大,则用户的躯壳可能差别比较大。下面将详细介绍如何确定用户目标躯壳:
以两个用户为例进行说明,其中,用户A的躯壳为:S1=D1|A1|C1;用户B的躯壳为S2=D2|A2|C2,基于用户属性特征的层级计算属性特征之间的相近值,根据相近值计算与其他用户的关联度;选取关联度大于预设值的用户作为当前用户目标躯壳集。为方便说明,在本实施例中,以具体实例为例进行说明,例如:X属性的相近值可以为:ds1s2,其中ds1s2为X属性的相近值,D1为用户A的X属性的量化值,D2位用户B的X属性的量化值,以X属性为用户所用手机为例,用户A所用手机价格较高或者为热门品牌,用户B所用手机价格较高或者为热门品牌,则用户A与用户B在X属性上的差别较小,相近值较高;如果B所用手机价格较用户A的手机价格较低或者品牌热度较差,则可以认为用户A与用户B在X属性上的差别中等,相近值中等。如果用户B所有手机价格较低或品牌比较冷门,则可以认为用户A与用户B在X属性上的差别较大,相近值较小。在本实施例中,手机价格可以根据实际情况进行分档,手机品牌热度可以根据手机销售量按照实际情况分档。具体的分档规则可以自由选择,在本实施例中不做限定。在本实施例中,对于相近值较大的用户可以认为两个用户之间的关联度较大,具体的可以参见下式:
其中,ds1s2为X属性的相近值,9、6、0可以分别表示两个用户的相近值评分,在本实施例中只是举例说明,还可以采用其他数值表征不同的关联度评分。
同理,可以按照Y属性的类别,基于用户属性特征的层级计算属性特征之间的相近值,例如,Y属性可以为用户年龄,两个用户的年龄在预设年限之间的可以为用户A和用户B的相近值较大,在预设年限之外的可以为相近值较小,具体的可以参加下式:
as1s2为X属性的相近值,A1为用户A的Y属性(可以为年龄)的量化值,A2位用户B的Y属性(可以为年龄)的量化值,6、0可以分别表示两个用户的相近值评分,|A1-A2|为用户年龄的差,在本实施例中只是举例说明,还可以采用其他数值表征不同的关联度评分。即年龄差别在3年以内的可以认为用户的相近值较大,在3年以上的可以为相近值较小。
同理,可以按照Z属性的类别,基于用户属性特征的层级计算属性特征之间的相近值,例如,Z属性可以为用户所在城市,两个用户的之间城市级别相同,可以为用户A和用户B的相近值较大,城市级别相差较大的可以为相近值较小,具体的可以参加下式:
cs1s2为X属性的相近值,C1为用户A的Z属性(可以为所在城市级别)的量化值,C2位用户B的Z属性(可以为所在城市级别)的量化值,9、6、0可以分别表示两个用户的相近值评分。例如,用户A与用户B在同一城市在本实施例中只是举例说明,还可以采用其他数值表征不同的关联度评分。。
在计算出各个用户的多个特征的相近值的量化值后,可以综合用户的多个属性特征的相近值量化值计算当前用户对其他用户的关联度,例如,可以将多个属性特征的相近值量化值相加得到用户之间的关联度的值,具体的,可以参见下式:
其中,vs1s2位当前用户与其他用户的关联度的量化值,在本实施例中,确定当前用户对其他用户的关联度后,判断关联度是否大于预设值,当大于预设值时,确定其他用户为当前用户的目标躯壳,可以分别计算当前用户与多个用户的关联度,确定当前用户目标躯壳集。
在本实施例中,还可以根据特征信息计算用户间的相似度。在本实施例中,用户特征信息还可以包括用户的至少一个行为特征信,在本实施例中,根据用户属性特征得到用户属性向量;根据用户行为特征得到用户行为向量;计算用户属性向量之间的第一距离和/或用户行为向量之间的第二距离;根据第一距离和/或第二距离确定用户间的相似度。具体的,用户的属性特征可以包括多个,用户的行为也可以包括多个,对用户属性特征进行量化可以得到一个n维属性向量,可以记为:P=(p1,p2,…,pn)。其中,p1…pn分别为用户属性特征的维度,例如,用户的所在城市、年龄、手机信息等均可以作为属性向量的维度。对用户行为特征进行量化可以得到一个m维属性向量,可以记为:Q=(q1,q2,…,qm)。其中,p1…pn分别为用户属性特征的维度,例如,用户所喜欢的运动、用户的活跃时段、用户的所喜欢的出行方式等均可以作为用户行向量的维度。
在本实施例中,可以利用属性向量和/或行为向量计算用户属性向量之间的第一距离和/或用户行为向量之间的第二距离,具体的,可以第一距离和第二距离可以为欧氏距离也可为向量夹角余弦值。在本实施例中可以以向量夹角余弦值为例进行说明,具体的,向量夹角可以采用下式表示:
其中,Pi与Pj为不同的向量。
具体的,采用上式计算两个用户的属性向量夹角可以cos(PAPB),其中,PA为用户A的属性向量,PB为用户B的属性向量。采用上式计算两个用户的行为向量夹角可以cos(PAPB),其中,QA为用户A的行为向量,QB为用户B的行为向量。将属性值作为用户属性向量之间的第一距离。将行为向量夹角余弦值作为用户行为向量之间的第二距离。
在本实施例中,可以采用第一距离或第二距离单独表征用户的相似度,也可以采用第一距离和第二距离共同表征用户的相似度,具体的,向量夹角余弦值的取值范围为【-1,1】,在向量夹角余弦值为1时,则认为两个向量相同,在为-1时认为两个向量完全相反。以此可以定义用户的相似度。
S3.获取待匹配用户集合。在本实施例中,待匹配用户集合可以包括主动匹配池的用户以及活跃用户池中最活跃的n个用户对性别进行筛选后的用户,在本实施例中,具体的对性别进行筛选可以为筛选与当前用户性别不同的用户,例如当前用户为男性用户,可以只选择活跃用户池中的用户中的女性用户,当然,在本实施例中,对性别进行筛选还可以对当前用户指定的性别进行筛选。所称主动匹配池可以为用户主动发起灵魂匹配的用户集合,活跃用户池可以为用户活跃时间在一段时间内的用户的集合,具体的获取待匹配用户集合的过程可以包括:获取主动匹配的第一用户;获取非发出主动匹配且活跃度大于预设活跃度的第二用户;将第一用户和第二用户作为待匹配用户。
S4.对待匹配用户集合进行躯壳筛选。在本实施例中,在获取到待匹配用户集合后,进入匹配线程,具体的,可以对待匹配用户集合中的用户进行匹配,获取用户匹配线程执行次数;判断执行次数所在的预设区间;当执行次数在第一预设区间内,对待匹配集合进行双向躯壳筛选,进行双向躯壳筛选后的用户与当前用户都是互为目标躯壳;当执行次数在第二预设区间内,对待匹配集合进行单项躯壳筛选,进行单项躯壳筛选后的用户为当前用户的单项目标躯壳;其中,第一预设区间中的最大值小于或等于第二预设区间内的最小值。具体的,第一预设区间的范围可以为1-10次,第二预设区间的范围可以为10-20次,执行次数大于20次时,则可以认为当前用户匹配较为困难,需要扩大匹配范围,则对待匹配用户集合不进行躯壳筛选。具体的匹配过程可以参见步骤S5-S6。
S5.按照相似度对筛选后的待匹配集合中的待匹配用户进行排序。
S6.按照待匹配用户的排序进行匹配,得到匹配结果。对筛选后的待匹配集合进行排序;按照排序结果获取有效用户,记录第一匹配结果;获取被其他用户匹配的第二匹配结果;根据第一匹配结果和第二匹配结果得到匹配结果。,在本实施例中,所述第一匹配结果的优先级大于所述第二匹配结果的优先级,即如果待匹配用户同时在发起匹配,优先匹配在发起的用户。可以增加用户互动的概率。当匹配结果为未匹配到用户时,间隔预设时长后,重复执行步骤S3-S6的匹配线程。直至达到预设匹配时长。在本实施例中,所称的预设匹配时长可以为规定的匹配时长,即匹配行为在该预设时长内进行,如果超过预设匹配时长,则匹配超时,结束匹配。
在本实施例中,为防止用户恶意匹配占用资源,或者防止违规用户对其他用户进行干扰,在本实施例中,在执行匹配线程之前可以获取用户的匹配请求;判断用户请求是否满足预设匹配条件;当用户请求满足预设匹配条件时,进入步骤S3。所称匹配条件可以包括:用户被投诉次数超过预设次数,或者,用户存在违反预设规则的行为。在本实施例中,并不限于上述两种情况,其他匹配条件同样适用于本实施例。
下面将对具体的匹配过程进行详细的介绍:在本实施例中,所称匹配可为灵魂匹配,具体的,用户发起灵魂匹配,判断用户是否满足匹配条件,当用户满足预设匹配条件时,将用户放入主动匹配池,并进行匹配记时,开始匹配过程:获取主动匹配池的用户以及非主动匹配池中最活跃的前n个用户合并成一个待匹配集合如果匹配次数小于等于10次,对匹配集合进行双向躯壳筛选,即筛选后的用户与当前用户都是互为躯壳;如果匹配次数大于10次小于20次,则对匹配集合进行单项躯壳筛选,即筛选后的用户为当前用户的单向躯壳用户;否则不进行躯壳筛选。然后对待匹配集合进行特征相似度从大到小排序,按顺序获取有效的用户(此时没有被别的用户匹配到的用户),记录匹配结果,同时记录当前用户为被匹配用户的匹配结果,结束此次匹配。如果没有匹配到用户,停顿预设时长,例如1s,匹配执行次数增加1,重复执行匹配过程,直到倒计时结束,结束匹配。
上述实施例中的匹配方法利用用户特征寻找当前用户目标躯壳集中相似度较高的用户作为当前用户的匹配目标用户,可实现匹配的用户双方均存在较多的共同特征,使得用户可以无需花费大量时间寻找与自己特征相近的用户,极大的提高的陌生人社交建立的可能性。可以在用户建立社交时节省大量的时间,使得陌生人建立社交时简单并且高效。为用户带来了更好的体验。
本发明还提供了一种用户匹配装置,如图2所示,该装置包括:
第一获取单元10,获取用户特征信息;计算单元20,用于根据特征信息计算用户间的相似度以及当前用户目标躯壳集,躯壳用于表征用户特征按照关联度划分的组别;第二获取单元30,用于获取待匹配用户集合;筛选单元40,用于对待匹配用户集合进行躯壳筛选;排序单元50,用于按照相似度对筛选后的待匹配集合中的待匹配用户进行排序;匹配单元60,用于按照待匹配用户的排序进行匹配,得到匹配结果。
本发明还提供了一种用户交互监控设备,如图3所示,包括一个或多个处理器41以及存储器42,图3中以一个处理器43为例。
控制单元还可以包括:输入装置43和输出装置44。
处理器41、存储器42、输入装置43和输出装置44可以通过总线或者其他方式连接,图3中以通过总线连接为例。
处理器41可以为中央处理器(Central Processing Unit,CPU)。处理器41还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器42作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本申请实施例中的用户匹配对应的程序指令/模块。处理器41通过运行存储在存储器42中的非暂态软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的用户匹配方法。
存储器42可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外,存储器42可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器42可选包括相对于处理器41远程设置的存储器,这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置43可接收输入的数字或字符信息,以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置44可包括显示屏等显示设备。
一个或者多个模块存储在存储器42中,当被一个或者多个处理器41执行时,执行如图1所示的方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种用户匹配方法,其特征在于,包括:
获取用户特征信息;
根据所述特征信息计算用户间的相似度以及当前用户的躯壳,所述躯壳用于表征所述用户特征按照关联度划分的组别;
获取待匹配用户集合;
对所述待匹配用户集合进行躯壳筛选;
按照所述相似度对筛选后的待匹配集合中的待匹配用户进行排序;
按照待匹配用户的排序进行匹配,得到匹配结果。
2.如权利要求1所述的方法,其特征在于,所述用户属性特征包括多个类别,每包括多个层级;所述根据所述特征信息计算用户的躯壳包括:
分别计算每种类别在不同层级上的相近值;
根据所述相近值计算与其他用户的关联度;
选取关联度大于预设值的用户作为当前用户目标躯壳。
3.如权利要求1所述的方法,其特征在于,所述用户特征信息包括至用户的至少一个属性特征信息和/或用户的至少一个行为特征信息;所述根据所述特征信息计算用户间的相似度包括:
根据用户属性特征得到用户属性向量;
根据用户行为特征得到用户行为向量;
计算用户属性向量之间的第一距离和/或用户行为向量之间的第二距离;
根据所述第一距离和/或所述第二距离确定所述用户间的相似度。
4.如权利要求1所述的方法,其特征在于,所述获取待匹配用户集合包括:
获取主动匹配的第一用户;
获取非发出主动匹配且活跃度大于预设活跃度的第二用户;
将所述第一用户和所述第二用户作为待匹配用户。
5.如权利要求1所述的方法,其特征在于,所述按照待匹配用户的排序进行匹配包括:
对筛选后的待匹配集合进行排序;
按照排序结果获取有效用户,记录第一匹配结果;
获取被其他用户匹配的第二匹配结果;
根据所述第一匹配结果和所述第二匹配结果得到所述匹配结果,其中,所述第一匹配结果的优先级大于所述第二匹配结果的优先级。
6.如权利要求5所述的方法,其特征在于,
当所述匹配结果为未匹配到用户时,间隔预设时长后,重复执行获取待匹配用户集合;对所述待匹配用户集合进行躯壳筛选;按照所述相似度对筛选后的待匹配集合中的待匹配用户进行排序;按照待匹配用户的排序进行匹配的匹配线程,直至得到匹配结果或达到预设匹配时长。
7.如权利要求6任一项所述的方法,其特征在于,所述对所述待匹配用户集合进行躯壳筛选包括:
获取用户匹配线程执行次数;
判断所述执行次数所在的预设区间;
当所述执行次数在第一预设区间内,对待匹配集合进行双向躯壳筛选,所述双向躯壳筛选为进行双向躯壳筛选后的用户与当前用户都是互为目标躯壳;
当所述执行次数在第二预设区间内,对待匹配集合进行单项躯壳筛选,所述单项躯壳筛选为进行单项躯壳筛选后的用户为当前用户的单项目标躯壳;
其中,第一预设区间中的最大值小于或等于第二预设区间内的最小值。
8.如权利要求7所述的方法,其特征在于,所述对所述待匹配用户集合进行躯壳筛选包括:
当所述执行次数在第三预设区间内,不进行躯壳筛选。
9.如权利要求7所述的方法,其特征在于,在获取待匹配用户集合之前包括:
获取用户的匹配请求;
判断所述用户请求是否满足预设匹配条件;
当所述用户请求满足所述预设匹配条件时,进入步骤获取待匹配用户集合。
10.一种用户匹配设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-9中任一项所述的用户匹配方法。
CN201910335668.4A 2019-04-24 2019-04-24 用户匹配方法及设备 Withdrawn CN110188123A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910335668.4A CN110188123A (zh) 2019-04-24 2019-04-24 用户匹配方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910335668.4A CN110188123A (zh) 2019-04-24 2019-04-24 用户匹配方法及设备

Publications (1)

Publication Number Publication Date
CN110188123A true CN110188123A (zh) 2019-08-30

Family

ID=67715126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910335668.4A Withdrawn CN110188123A (zh) 2019-04-24 2019-04-24 用户匹配方法及设备

Country Status (1)

Country Link
CN (1) CN110188123A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112559893A (zh) * 2021-01-11 2021-03-26 引粒网络科技(上海)有限公司 一种互联网匹配社交场景下用户推荐方法
CN112583698A (zh) * 2020-11-25 2021-03-30 北京达佳互联信息技术有限公司 一种视频连线方法和装置
CN113837576A (zh) * 2021-09-14 2021-12-24 上海任意门科技有限公司 用于内容推荐的方法、计算设备和计算机可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112583698A (zh) * 2020-11-25 2021-03-30 北京达佳互联信息技术有限公司 一种视频连线方法和装置
US11418553B2 (en) 2020-11-25 2022-08-16 Beijing Dajia Internet Information Technology Co., Ltd. Video connection method and apparatus, and non-transitory computer-readable storage medium
CN112559893A (zh) * 2021-01-11 2021-03-26 引粒网络科技(上海)有限公司 一种互联网匹配社交场景下用户推荐方法
CN113837576A (zh) * 2021-09-14 2021-12-24 上海任意门科技有限公司 用于内容推荐的方法、计算设备和计算机可读存储介质

Similar Documents

Publication Publication Date Title
JP5432243B2 (ja) メディアオブジェクト照会の送信および反応
CN105051732B (zh) 本地应用内容的排名
Chen et al. Spatial Crowdsourcing: Challenges and Opportunities.
CN110188123A (zh) 用户匹配方法及设备
CN106372101B (zh) 一种视频推荐方法和装置
CN102165441A (zh) 用于分级媒体共享频道的方法、系统以及设备
CN104750716A (zh) 一种社交网站好友推荐方法及装置
CN110196951A (zh) 用户匹配方法及设备
US20240033644A1 (en) Automatic detection of prohibited gaming content
CN109446415A (zh) 一种应用推荐、获取方法及设备
CN110209704A (zh) 用户匹配方法及设备
CN105096161B (zh) 一种进行信息展示的方法和装置
CN117196723A (zh) 广告位匹配方法、系统、介质及设备
Gao et al. Understanding sequential user behavior in social computing: To answer or to vote?
CN111461188A (zh) 一种目标业务控制方法、装置、计算设备及存储介质
CN106294395B (zh) 一种任务处理的方法及装置
CN106815285A (zh) 基于视频网站的视频推荐的方法、装置及电子设备
CN113780415B (zh) 基于小程序游戏的用户画像生成方法、装置、设备及介质
US20160210873A1 (en) User performance skill enhancement based on curricular mapping
KR102530298B1 (ko) 악성 게임의 탐지
US20240160663A1 (en) System, Process, and Method for Matching Users Based on Photos
Chen et al. The design and evaluation of task assignment algorithms for gwap-based geospatial tagging systems
CN116977987A (zh) 图像识别方法、装置、电子设备及存储介质
Wang et al. Status Analysis and Future Development Planning of Fitness APP Based on Intelligent Word Frequency Analysis
US20100228745A1 (en) System, method, and apparatus for sorting at least partially dynamic data

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20190830

WW01 Invention patent application withdrawn after publication