CN110209923B - 话题影响力用户的推送方法和装置 - Google Patents

Abstract

本发明提出一种话题影响力用户的推送方法和装置，其中，方法包括：获取话题影响力的订阅查询请求，所述订阅查询请求包括至少一个话题；根据社交网络中社交行为事件流，计算社交网络中各个用户对应所述话题的影响力；根据所述影响力确定与每个话题对应的符合预设影响力推送条件的实时用户集合；将所述实时用户集合推送给所述查询用户。由此，结合动态变化的社交网络中社交行为事件流确定每个话题对应的影响力较大的实时用户集合，保证了确定的实时用户集合中用户的话题影响力较高，为有关商家的营销决策提供可靠支持。

Description

话题影响力用户的推送方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种话题影响力用户的推送方法和装置。

背景技术

社交网络用户影响力分析是近年来数据库和数据挖掘领域的热点，其目的在于对信息在社交网络上的传播规律进行建模，以及分析用户对于信息传播的影响力，有着显著的商业及社会管理前景。例如，可以帮助企业进行“病毒营销”，利用社交网络上的口耳相传扩大产品的营销范围。目前，越来越多的企业愿意把社交网络当作营销的工具。

通常，用户影响力分析的一个核心计算问题是影响力最大化(InfluenceMaximization，简称IM)。该问题立足于在社交网络中选择k个用户作为“种子”，使得通过种子用户将信息传播出去的影响力范围最大，即影响尽可能多的用户。该问题可以直接应用于“病毒营销”，如选择种子用户发放免费试用品，从而通过社交网络影响尽可能多的人。然而，相关技术中，影响力最大化的研究工作主要基于静态的社交网络，难以适应社交网络频繁更新的现状，导致给上层应用(如病毒营销)带来低效甚至错误的决策支持。

发明内容

本发明提供一种话题影响力用户的推送方法和装置，以解决现有技术中，影响力最大化的研究工作主要基于静态的社交网络，难以适应社交网络频繁更新的现状，导致给上层应用(如病毒营销)带来低效甚至错误的决策支持的技术问题。

本发明第一实施例提供一种话题影响力用户的推送方法，包括：获取话题影响力的订阅查询请求，所述订阅查询请求包括至少一个话题；根据社交网络中社交行为事件流，计算社交网络中各个用户对应所述话题的影响力；根据所述影响力确定与每个话题对应的符合预设影响力推送条件的实时用户集合；将所述实时用户集合推送给查询用户。

本发明第二实施例提供一种话题影响力用户的推送装置，包括：获取模块，用于获取话题影响力的订阅查询请求，所述订阅查询请求包括至少一个话题；计算模块，用于根据社交网络中社交行为事件流，计算社交网络中各个用户对应所述话题的影响力；确定模块，用于根据所述影响力确定与每个话题对应的符合预设影响力推送条件的实时用户集合；推送模块，用于将所述实时用户集合推送给查询用户。

本发明第三实施例提供一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例所述的话题影响力用户的推送方法。

本发明实施例提供的技术方案可以包括以下有益效果：

结合动态变化的社交网络中社交行为事件流确定每个话题对应的影响力较大的实时用户集合，保证了确定的实时用户集合中用户的话题影响力较高，为有关商家的营销决策提供可靠支持。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中，

图1是根据本发明一个实施例的话题影响力用户的推送方法的流程图；

图2是根据本发明一个实施例的话题影响力用户的推送方法的应用场景示意图；

图3是根据本发明另一个实施例的话题影响力用户的推送方法的流程图；

图4是根据本发明又一个实施例的话题影响力用户的推送方法的流程图；

图5是根据本发明一个实施例的影响力计算模型的结构示意图；

图6是根据本发明另一个实施例的话题影响力用户的推送方法的应用场景示意图；

图7是根据本发明再一个实施例的话题影响力用户的推送方法的流程图；

图8是根据本发明一个实施例的话题影响力用户的推送场景的流程图；

图9是根据本发明一个实施例的剪枝过滤技术工作的基本流程图；

图10是根据本发明一个实施例的话题影响力用户的推送方法在产品中应用的示意图；

图11是根据本发明一个实施例的话题影响力用户的推送装置的结构示意图；以及

图12是根据本发明又一个实施例的话题影响力用户的推送方法的应用场景示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

基于以上分析可知，发现影响力较大的用户以确定最终的种子用户，对给上层应用(如病毒营销)带来高效正确的决策支持具有重要意义，相关技术中，基于静态的社交网络的影响力强度来确定出种子用户。

然而，实际上，社交网络上的影响力强度除了与用户拥有朋友的数量等静态参考因素有关外，与用户之间的社交行为事件强相关，如引用社交网络中的论文引用或微信朋友圈中的点赞/转发行为等。一般来讲，用户之间的社交行为越频繁，影响力强度则越大。现有影响力最大化研究假设影响力强度是预先算好并保持不变的，并基于静态的影响力强度计算最有影响力的用户。

然而，在真实场景下，由于用户之间的社交行为频繁更新，影响力强度是持续地动态变化的。显然，在更新频繁的场景下，现有研究基于静态影响力强度计算出的种子用户会快速地“过时”，无法反映社交网络的最新状态，导致给上层应用(如病毒营销)带来低效甚至错误的决策支持。

针对上述问题，本发明提出针对社交流数据进行话题影响力用户的实时推送，一方面针对具体话题计算较有影响力的k个种子用户，另一方面根据社交数据流中实时的社交行为数据对影响力用户进行更新和推送，从而提供实时更新的用户影响力分析，以便于提供及时的决策支持。

下面参考附图描述本发明实施例的话题影响力用户的推送方法和装置。

图1是根据本发明一个实施例的话题影响力用户的推送方法的流程图，如图1所示，该话题影响力用户的推送方法包括以下步骤：

步骤101，获取话题影响力的订阅查询请求，订阅查询请求包括至少一个话题。

其中，本发明实施例中发送话题影响力的订阅查询请求的可以包括需要获取到种子用户，以根据种子用户进行决策支持的上层应用的商家等，比如，为病毒营销的商家等。

可以理解，为了对决策进行支持，需要根据待推广的产品等选择影响力较大的种子用户，在本发明的实施例中，基于包含话题的查询请求定位出种子用户，其中，发送的订阅查询请求中的话题与待推广的产品等有关，比如，对于推广运动产品时发送的订阅查询请求中的话题与运动及其周边相关。

步骤102，根据社交网络中社交行为事件流，计算各个用户对应的话题影响力。

步骤103，根据影响力确定与每个话题对应的符合预设影响力推送条件的实时用户集合。

步骤104，将实时用户集合推送给查询用户。

其中，查询用户可以理解为上述发送话题影响力的订阅查询请求的用户，本发明实施例中的查询用户包括需要获取到种子用户，以根据种子用户进行决策支持的上层应用的商家等，比如，为病毒营销的商家等。

容易理解的是，社交网络中社交行为事件流可以体现出用户的话题影响力，比如，点赞数量、转发数量等，因而，根据社交相位事件流计算各个用户对应的话题影响力，以便于进一步筛选出影响力较大的种子用户组成的实时用户集合。

其中，实时用户集合为与当前社交网络的最新状态实时对应的种子用户的集合，该实时用户集合中的种子用户由于与当前社交网络的更新状态实时对应，因而，不会“过时”，为上层应用的决策提供高效、有力的支持。

另外，为了保证可实施性，在本发明的一个实施例中，预先设置一用户门限值以用于限制实时用户集合的数量，上述预设的用户门限值对应于最终确定的实时用户集合中种子用户的数量，与查询用户推广的范围需求有关，一般来讲，查询用户的推广的范围的需求较大，则对应的种子用户的数量较多，查询用户的推广的范围的需求较小，则对应的种子用户的数量较少。

具体而言，在本实施例中，根据社交网络中社交行为事件流，比如，点赞情况、转发情况等，从社交网络用户中确定与每个话题对应的影响力较大的实时用户集合，进而，将与每个话题对应的影响力最大的实时用户集合推送给查询用户，以便于查询用户随着社交网络中社交行为事件流的更新，实时地为每个查询用户推送响应领域最有影响力的用户，查询可以根据推送的实时结果调整与更新营销策略等，保证营销的成功。

需要说明的是，根据应用场景的不同，根据社交网络中社交行为事件流，计算社交网络中各个用户对应话题的影响力，进而，根据影响力确定实时用户集合的方式不同，示例说明如下：

在一个示例中，根据社交行为事件流，通过预设的影响力模型计算社交网络中各个用户对应话题的影响力。

可以理解，在本示例中，如图2所示，预先根据大量实验数据构建影响力模型，该影响力模型的输入为用户的社交行为事件流，输出为对应用户对相关话题的影响力。

应当理解的是，用户对话题的影响力与用户的兴趣有关，通常用户对某一个话题越是感兴趣，则用户对该话题的影响力相对越大。比如，对运动感兴趣的用户，可能其在社交网络中具有较多的运动交友，以及受到较多关心运动的用户的关注，因而，其在运动话题上的影响力较大，反之，一个不关心运动的用户，可能在运动话题上的影响力较小。因此，在本示例中，为了提高效率，以用户的兴趣为切入点进行实时用户集合的确定。

具体而言，图3是根据本发明另一个实施例的话题影响力用户的推送方法的流程图，如图3所示，上述步骤：通过预设的影响力模型计算社交网络中各个用户对应话题的影响力包括：

步骤201，将每个社交网络用户的兴趣集合与每个话题进行匹配，获取与每个话题匹配成功的关联用户集合。

具体地，由于影响力较大的种子用户，通常为对当前查询用户发送的订阅查询请求包括的话题感兴趣的用户，因而，将每个社交网络用户的兴趣集合与每个话题进行匹配，获取与每个话题匹配成功的关联用户集合，以缩减种子用户的确定范围、提高运算效率，其中，用户的兴趣集合可以是分析每个社交网络用户的语料信息(包括用户的关注信息、聊天信息、点赞信息、回复信息等)提取出的，也可以是根据用户的注册信息提取的用户在注册时输入的兴趣集合等。

在不同的应用场景下，将每个社交网络用户的兴趣集合与每个话题进行匹配，获取与每个话题匹配成功的关联用户集合的方式，包括但不限于以下几种：

根据其中一种方式，将每个社交网络用户的兴趣集合与每个话题的关键字进行匹配，当关键字匹配成功后，获取与每个话题匹配成功的关联用户集合。

比如，用户1的兴趣集合中包括“运动”、“美食”，话题“运动”与用户1的兴趣集合中的“运动”匹配，从而确定用户1为关联用户。

根据另一种方式，预先针对用户的兴趣集合，按照相同的兴趣进行群体划分，比如，对“运动”感兴趣的用户包括用户1、用户2和用户3等，并为每个划分的群体设置标签，比如，为对“运动”感兴趣的用户群体设置标签“运动”等，从而，将每个话题与每个用户群体的标签进行关键词或者语义的匹配等，最后，将匹配成功的标签对应的用户群体作为关联用户集合。

步骤202，根据社交行为事件流，通过第一影响力模型计算关联用户集合中每个关联用户的影响力。

不难理解的是，由于每个用户在社交网络上的活跃度等的不同，即使对当前话题感兴趣，也不代表该用户对对应话题的影响力较大，因而，在本实施例中，需要按照预设的第一影响力模型根据社交行为事件流，计算关联用户集合中每个关联用户的影响力，其中，社交行为事件流中的点赞数量、转发数量越多，则表明相关关联用户对当前话题的影响力越大，比如，将话题A推送给关联用户1后，会引起较明显的社交行为事件流的变化，比如引起大量转发和评论等，则表明用户1对当前话题的影响力较大。

其中，上述第一影响力模型的输入为社交行为事件流的变化情况，输出为关联用户的影响力，在不用的应用场景下，影响力可以通过百分制、十分制等表述，在此不作限制。第一影响力模型可以表现为深度学习网络模型、算法公式等基于社交行为事件流的变化与对话题的影响力的正向关系计算关联用户的影响力的形式。

当然，在实际应用中，考虑到用户之间的影响力是会随着时间衰减的，原因在于新的社会事件一方面更能反映用户对于当前话题的兴趣，另一方面也更能反映出用户之间的当下响应行为，因此，基于用户当前感兴趣的话题进行影响力的确定更加能把握住社交网络的实时更新情况。

因而，在一些可能的示例中，继续参照图2，结合这种随时间衰减的影响力进行种子用户的确定。

具体而言，图4是根据本发明又一个实施例的话题影响力用户的推送方法的流程图，如图4所示，上述步骤202包括：

步骤301，采用指数时间衰减模型计算每个关联用户对社交行为事件流的影响程度。

步骤302，根据影响程度，计算每个关联用户对社交行为事件流的影响力。

具体地，采用指数时间衰减模型计算每个关联用户对社交行为事件流的影响程度，根据影响程度，计算每个关联用户对社交行为事件流的变化情况的影响力。通常情况下，时间过去越久，获取的每个关联用户对社交行为事件流的影响程度越低，以保证确定的种子用户为当前对该话题影响力较大的用户。

其中，指数衰减模型在不同的应用场景下的实现方式不同，下面以一种可能的实现方式进行示例说明，其中，在说明之前，先对一些公式元素进行概念解释：

在下述示例中，社交网络定义为有向图G(V,E),其中V＝{u₁,u₂,...u_|V|}表示社交网络上的用户，任意一条有向边e＝(u,v)表示用户u到用户v的社交关系(如微博的关注、微信的好友关系)。社交网络中的每个用户u都包含一组兴趣话题，这些话题可以使用现有自然语言处理技术从用户发送的社交内容中提取。形式化地，使用Ω＝{w₁,w₂,...w_m}表示包含兴趣话题的用户兴趣集合，每个用户兴趣集合表示为

话题影响力订阅查询包含查询用户(如广告主)感兴趣的一组话题(注：本发明同时使用w和q表示话题，前者用于描述社交网络用户感兴趣的话题，后者用于描述查询用户对应的查询话题)。

针对订阅某一查询Q及一个用户集合引入符号σ(S|Q)表示给定查询Q条件下用户集合S对社交网络的影响力。

基于上述符号定义，给出本发明重点解决的问题定义：给定查询用户提交的一组话题影响力订阅查询Q＝{Q₁,Q₂,...Q_n}，随着社交行为事件流A(T)的更新，实时地向每个查询Q_i∈Q推送整体影响力较大的实时用户集合，即其中k表示实时用户集合中种子用户的数量最多不超过一个预设的用户门限值k，其中，k为正整数。

在本示例中，图5给出了影响力计算模型的示意。图中的a_t表示t时刻的事件，表示为a_t＝<u,a'_t>，其中u是发起该事件的用户，a'_t是响应事件。例如，图4示意了两个用户u₁和u₂，前者发起了事件a₁和a₂，后者发起a₄与a_T-1；其中a₄响应了a₂，a_T-1响应了a₁。给定当前时刻T，采用指数时间衰减模型度量每个关联用户对社交行为事件流的影响程度：

w(a_t)＝e^-λ(T-t)

本发明考虑事件之间的一次响应观察，如a_t响应了a'_t，反映了对应用户，如u_i到u_j的影响力关系，并使用I(u_i→u_j|a_t,a'_t)表示，其计算同时参考a_t与a'_t的重要性，比如，点赞社交行为事件相比于转发的影响力较低，重要性相对较低，具体为：

另一方面，给定订阅查询Q,定义用户集合V_Q是与查询相关的关联用户集合，即基于如下公式，根据每个社交网络用户的兴趣集合获取关联用户集合：

V_Q＝{u|u∈V,W(u)∩Q≠φ}

基于上述定义，可以给出用户集合给定查询Q时的影响力σ(S|Q)的计算模型，其基本想法是考虑社交网络中每个用户受到的影响力，即

上式的含义是针对任意用户v∈V，考虑关联用户集合V_Q∩S中的任意关联用户u作为受到话题影响的用户，针对事件流A(T)中与v有关的时间计算I(u→v|a_t,a'_t)，并取出其中最大的作为v被影响的影响力，其原理在于v可能会收到来自不同关联用户的不同程度的影响力，最大的I(u→v|a_t,a'_t)反映了最新的影响，该最新的影响力越大，表示对应事件发起的关联用户的影响力较大，该关联用户就是我们需要确定的种子用户。

进一步地，在一些可能的示例中，在确定关联用户的影响力后，按照预设算法对每个关联用户的影响力进行计算，比如，按照预设的算法对没个关联用户的影响力进行量化处理，确定关联用户集合中与每个话题对应的符合预设影响力推送条件的实时用户集合，比如，确定关联用户集合中与每个话题对应的量化后的影响力大于预设值(该预设值可以根据大量实验数据标定)的用户加入实时用户集合。

在另一示例中，根据社交行为事件流，通过预设的影响力估界算法计算社交网络中各个用户对应所述话题的影响力。

可以理解，在本示例中，如图6所示，输入用户的社交行为事件流，通过预设的影响力估界算法计算社交网络中各个用户对应话题的影响力影响力。

在本示例中，如图7所示，上述步骤根据社交行为事件流，通过预设的影响力估界算法计算社交网络中各个用户对应所述话题的影响力，包括：

步骤401，根据社交行为事件流，检测社交网络用户中与每个话题对应的影响力发生变化的候选用户。

可以理解，对于可能与当前订阅查询请求中的话题影响力较大的用户而言，必然会在明显感应到社交流事件发生变化时，发生影响力的明显变化，因而，当社交行为事件流变化时，根据社交行为事件流中点赞数量、转发数量等变化情况，检测社交网络用户中与每个话题对应的影响力发生变化的候选用户，以便于进一步在候选用户中确定出实时用户集合。

步骤402，根据预设算法获取与每个话题对应的用于估界的多个阈值，以及与每个阈值对应的中间结果集合。

应当理解的是，为了体现话题针对不同的社交网络上的用户传播时的影响力，预先针对每个话题设置多个阈值，以及与每个话题对应的中间结果集合，其中，阈值用于衡量该话题的影响力程度，当影响力大于对应阈值，则表明当前用户对该话题的影响力较大等，每个话题对应的阈值的中间结果集合中包括对当前话题影响力较高的候选种子用户。

步骤403，按照预设的第二影响力模型依次计算将每个候选用户添加到每个阈值的中间结果集合产生的影响力增益。

其中，每个候选用户添加到每个阈值的中间结果结合中产生的影响力增益，不仅考量了该候选用户基于述社交行为事件流的变化情况，还考量了中间用户集合中用户与用户之间的影响力。

进一步地，在一些可能的示例中，继续参照图7，该方法还包括：

步骤404，当影响力增益超过当前使用的阈值并且与当前使用的阈值对应的中间结果集合的用户数量小于等于用户门限值，则将当前候选用户添加到与当前使用的阈值对应的中间结果集合中。

步骤405，比较所有阈值的中间结果集合，确定与每个话题对应的符合预设影响力推送条件的实时用户集合。

其中，预设影响力推送条件用于筛选出影响力较大的种子用户，该预设的影响力推送条件可以为大于预设的根据大量实验数据标定的影响力值，从而，当用户对话题的影响力大于该预设的影响力值时，则表明用户对话题的影响力较大，符合种子用户的要求，从而将其加人实时用户集合。

具体而言，本实施例中，如图8所示，针对每个订阅查询请求Q，该方案维护若干阈值，并为每个阈值B_θ维护一个中间结果当社交行为事件流发生更新时，如添加了新的事件a_t，首先检测出影响力发生变化的候选用户，表示为/>等。然后，针对每个阈值/>判断将这些用户，如/>添加到/>中所带来的影响力增益是否超过阈值B_θ。如果超过，将/>添加到/>中。之后比较所有阈值的/>将影响力/>最大的返回并推送给Q_i。也就是说，能带来最大的影响力变化的用户是我们要寻找的种子用户。

为了表述方便，使用m表示给定查询Q最大的单用户集合影响力，即m＝max_u∈Vσ({u}|Q)。首先选取一组参数θ＝{θ＝(1+ε)ⁱ≤2*k*m，针对设置如下阈值:

其中为阈值B_θ所对应的中间结果集合。另一方面，用/>表示用户u给集合/>带来的影响力增益，即/>如果并且中间结果/>尚不满k个，则将u添加到/>中。最终，更新查询Q的结果为

由于本实施例中，并不是直接根据影响力的具体数值来确定种子用户的，而是根据影响力的增益情况间接近似的确定出种子用户的，这种计算方式由于不需要直接计算影响力，因而，计算的效率得到了提高，并且，可以证明，根据以上方法选择出的结果S_Q，有着1/2-ε的近似比，因此，本实施例的计算方式可靠性较高，具有实用性。

在实际应用中，随着时间变化，阈值B_θ也会进行相应的衰减，因而，随着预设时间函数的变化对每个话题对应的多个阈值进行更新，即B_θ会更新为其中ΔT为当前时刻与B_θ初始化时刻的时间差。

当然，可能预先针对每个话题设置的阈值相对较多，而当候选用户不同时，能影响到的阈值是不同的，比如，不关心“运动”的候选用户能影响到的阈值不包含“运动”对应的阈值等，因而，为了提高运算效率，在本申请的实施例中，还可以预先筛选出与当前候选用户有关的阈值。

具体而言，在本发明的一个实施例中，继续参照图6，预先构建倒排索引，根据预先构建的倒排索引，将与影响力发生变化的候选用户无关联的话题进行过滤，获取剩余的候选话题，获取与候选话题对应的多个阈值以及每个阈值的中间结果集合。

也就是说，考虑到查询集合Q＝{Q₁,Q₂,...Q_n}的规模可能会很大，因此，还可对查询请求中的话题集合和对应的中间结果集合进行过滤处理，在本发明的一个实施例中，进一步参照图6，进一步设计了剪枝技术过滤掉明显不会发生推送的阈值对应的中间结果集合的查询。

图9给出了剪枝过滤技术工作的基本流程。给定影响力发生变化的候选用户，如首先提取出该候选用户涉及的话题即感兴趣的话题，如/>然后通过进行如下的过滤剪枝操作：

步骤一：基于话题过滤。根据预先构建的倒排索引找到与w₁，w₂相关的候选话题，如图9中的Q₁,Q₂,...Q_m，从而过滤掉与当前更新用户在话题上无关的话题。

进一步地，通过查询Q与中间结果s_Bθ之间的对应关系找到中间结果集合标记为

步骤二：基于估界过滤。针对C中任意候选结果集合本发明进一步对将/>添加到/>中的增量收益/>估计上界，如果这个上界已经小于阈值B_i，则可将/>提前过滤掉，避免进行精确的增量收益计算。目前，本发明采用的估界策略主要基于影响力函数的次模性，即维护之前计算过的中间结果与影响力增益，以此作为上界。

经过过滤后，会得到新的候选结果集合C^*，针对该集合中的按照上一小节提供的方法计算增量收益，与阈值进行比较，进行/>的更新操作。并最终更新中间结果集合的结果，得到最终的实时用户集合。

为了更加清楚的说明本发明实施例的话题影响力用户的推送方法的实施过程，下面结合具体的应用场景进行描述：

本发明实施例的应用场景为针对社交网络用户的订阅服务产品，通过关键词或标签让用户订阅某一话题(如健康、科技等)，实现该话题最有影响力的k个种子用户的实时推送。例如，本发明方案可应用于腾讯的广点通社交广告平台，让关心不同话题的广告主订阅社交网络(如微信、QQ等)中相关话题的最有影响力的用户，从而实现广告的定向投放，最大程度上扩大广告在社交网络上的传播范围。

图10给出了本发明在产品中应用的示意图。给定一个社交网络(如微信朋友圈)，以及一个社交行为事件流，如图中每个社交行为事件表示在t时刻用户u对用户v进行了交互(如对v的更新点赞或转发等)。本发明支持查询用户(如广告主)提交不同话题的订阅，如图中的“时尚运动”与“餐饮健康”。针对用户的订阅，随着社交行为事件流的更新，实时地为每个查询用户推送相应领域最有影响力的种子用户。广告主可以根据推送的实时结果调整与更新营销策略。

需要说明的是，本发明具有一定的通用性。除了广告平台之外，也可以应用于其它社交网络用户订阅场景。例如，可以应用于微信的话题热门公众号(如文章被最大范围的微信用户阅读)订阅、知乎的优秀话题回答者(如回答被最多知乎用户点赞)订阅等产品中。本发明能够很好地适用于微信或知乎这类更新频繁的场景，提供实时的订阅体验。

由此，本发明的实施例，结合流数据处理与影响力最大化技术，可以让社交网络用户通过关键词或标签订阅话题。进而，随着社会事件流的更新，实现该话题最有影响力的k个种子用户的实时推送。从而使用户在最短的时间内更新话题的“意见领袖”，从而实现广告等信息的定向投放，扩大广告在社交网络上的传播范围。

综上所述，本发明实施例的话题影响力用户的推送方法，结合动态变化的社交网络中社交行为事件流确定每个话题对应的影响力较大的实时用户集合，保证了确定的实时用户集合中用户的话题影响力较高，为有关商家的营销决策提供可靠支持。

为了实现上述实施例，本发明还提出了一种话题影响力用户的推送装置，图11是根据本发明一个实施例的话题影响力用户的推送装置的结构示意图，如图11所示，该装置包括：获取模块100、计算模块200、确定模块300和推送模块400。

其中，获取模块100，用于获取话题影响力的订阅查询请求，所述订阅查询请求包括至少一个话题。

计算模块200，用于根据社交网络中社交行为事件流，计算社交网络中各个用户对应所述话题的影响力。

确定模块300，用于根据所述影响力确定与每个话题对应的符合预设影响力推送条件的实时用户集合。

推送模块400，用于将所述实时用户集合推送给查询用户。

需要说明的是，前述对话题影响力用户的推送方法实施例的解释说明也适用于该实施例的话题影响力用户的推送装置，其实现原理类似，在此不再赘述。

综上所述，本发明实施例的话题影响力用户的推送装置，结合动态变化的社交网络中社交行为事件流确定每个话题对应的影响力较大的实时用户集合，保证了确定的实时用户集合中用户的话题影响力较高，为有关商家的营销决策提供可靠支持。

为了实现上述实施例，本发明还提出了一种计算机设备，图12是根据本发明一个实施例的话题影响力用户的推送方法的应用场景示意图，如图12所示，计算机设备获取查询用户所在终端侧发送的话题影响力的订阅查询请求，订阅查询请求包括至少一个话题，计算机设备从服务器侧从获取社交网络中社交行为事件流，进而，根据社交网络中社交行为事件流，计算社交网络中各个用户对应话题的影响力，根据影响力确定与每个话题对应的符合预设影响力推送条件的实时用户集合，最终将实时用户集合推送给查询用户。其中，参照图12，计算机设备包括：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，实现如上述实施例描述的话题影响力用户的推送方法。

为了实现上述实施例，本发明还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例描述的话题影响力用户的推送方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是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，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种话题影响力用户的推送方法，其特征在于，包括：

获取话题影响力的订阅查询请求，所述订阅查询请求包括至少一个话题；

根据社交网络中社交行为事件流，计算社交网络中各个用户对应所述话题的影响力；

根据所述影响力确定与每个话题对应的符合预设影响力推送条件的实时用户集合；

将所述实时用户集合推送给查询用户；

所述根据社交网络中社交行为事件流，计算社交网络中各个用户对应所述话题的影响力，包括：

根据所述社交行为事件流，通过预设的影响力估界算法计算社交网络中各个用户对应所述话题的影响力；

所述根据所述社交行为事件流，通过预设的影响力估界算法计算社交网络中各个用户对应所述话题的影响力，包括：

根据所述社交行为事件流，检测社交网络用户中与每个话题对应的影响力发生变化的候选用户；

根据预设算法获取与每个话题对应的用于估界的多个阈值，以及与每个阈值对应的中间结果集合；

按照预设的第二影响力模型依次计算将每个候选用户添加到每个阈值的中间结果集合产生的影响力增益；

所述推送方法还包括：

按照预设的时间函数对所述每个话题对应的多个阈值进行更新。

2.如权利要求1所述的方法，其特征在于，所述根据社交网络中社交行为事件流，计算社交网络中各个用户对应所述话题的影响力，包括：

根据所述社交行为事件流，通过预设的影响力模型计算社交网络中各个用户对应所述话题的影响力。

3.如权利要求2所述的方法，其特征在于，所述根据所述社交行为事件流，通过预设的影响力模型计算社交网络中各个用户对应所述话题的影响力，包括：

将每个社交网络用户的兴趣集合与每个话题进行匹配，获取与每个话题匹配成功的关联用户集合；

根据所述社交行为事件流，通过第一影响力模型计算所述关联用户集合中每个关联用户的影响力。

4.如权利要求3所述的方法，其特征在于，所述根据所述社交行为事件流，通过第一影响力模型计算所述关联用户集合中每个关联用户的影响力，包括：

采用指数时间衰减模型计算每个关联用户对社交行为事件流的影响程度；

根据所述影响程度，计算所述每个关联用户对社交行为事件流的影响力。

5.如权利要求2所述的方法，其特征在于，还包括：

分析每个社交网络用户的语料信息，提取每个社交网络用户的兴趣集合。

6.如权利要求3所述的方法，其特征在于，所述根据所述影响力确定与每个话题对应的符合预设影响力推送条件的实时用户集合，包括：

按照预设算法对所述每个关联用户的影响力进行计算，确定所述关联用户集合中与每个话题对应的符合预设影响力推送条件的实时用户集合。

7.如权利要求1所述的方法，其特征在于，所述根据所述影响力确定与每个话题对应的符合预设影响力推送条件的实时用户集合，包括：

当所述影响力增益超过当前使用的阈值并且与当前使用的阈值对应的中间结果集合的用户数量小于等于用户门限值，则将当前候选用户添加到与当前使用的阈值对应的中间结果集合中；

比较所有阈值的中间结果集合，确定与每个话题对应的符合预设影响力推送条件的实时用户集合。

8.如权利要求1所述的方法，其特征在于，还包括：

对所述订阅查询请求中的话题集合和对应的中间结果集合进行过滤处理。

9.如权利要求8所述的方法，其特征在于，所述对所述订阅查询请求中的话题集合和对应的中间结果集合进行过滤处理，包括：

根据预先构建的倒排索引，将与所述影响力发生变化的候选用户无关联的话题进行过滤，获取剩余的候选话题；

获取与所述候选话题对应的多个阈值以及每个阈值的中间结果集合。

10.如权利要求1所述的方法，其特征在于，

设置用户门限值，其中，所述实时用户集合的用户数量小于等于所述用户门限值。

11.一种话题影响力用户的推送装置，其特征在于，包括：

获取模块，用于获取话题影响力的订阅查询请求，所述订阅查询请求包括至少一个话题；

计算模块，用于根据社交网络中社交行为事件流，计算社交网络中各个用户对应所述话题的影响力；

确定模块，用于根据所述影响力确定与每个话题对应的符合预设影响力推送条件的实时用户集合；

推送模块，用于将所述实时用户集合推送给查询用户；

所述计算模块还用于：

根据所述社交行为事件流，通过预设的影响力估界算法计算社交网络中各个用户对应所述话题的影响力；

根据所述社交行为事件流，检测社交网络用户中与每个话题对应的影响力发生变化的候选用户；

根据预设算法获取与每个话题对应的用于估界的多个阈值，以及与每个阈值对应的中间结果集合；

按照预设的第二影响力模型依次计算将每个候选用户添加到每个阈值的中间结果集合产生的影响力增益；

按照预设的时间函数对所述每个话题对应的多个阈值进行更新。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-10中任一所述的话题影响力用户的推送方法。