CN110413898B - 社交网络中的推荐方法及设备 - Google Patents
社交网络中的推荐方法及设备 Download PDFInfo
- Publication number
- CN110413898B CN110413898B CN201910537762.8A CN201910537762A CN110413898B CN 110413898 B CN110413898 B CN 110413898B CN 201910537762 A CN201910537762 A CN 201910537762A CN 110413898 B CN110413898 B CN 110413898B
- Authority
- CN
- China
- Prior art keywords
- resources
- resource
- published
- candidate
- social network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004364 calculation method Methods 0.000 claims abstract description 44
- 238000012216 screening Methods 0.000 claims abstract description 15
- 230000006399 behavior Effects 0.000 claims description 51
- 238000011156 evaluation Methods 0.000 claims description 41
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims 1
- 230000009471 action Effects 0.000 abstract description 10
- 230000000875 corresponding effect Effects 0.000 description 67
- 238000012545 processing Methods 0.000 description 13
- 101100099158 Xenopus laevis rela gene Proteins 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000007935 neutral effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000004044 response 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
- G06F16/9536—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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明揭示了一种社交网络中的推荐方法和设备。所述方法包括：根据社交网络中用户对已发布资源的反馈数据进行筛选，从所述已发布资源获得候选资源，在反馈数据的作用下保证所获得候选资源的高质量；按照所述社交网络中的圈子类别，进行所述候选资源与一类圈子之间的相关性计算，获得所述候选资源对此类圈子的相关度；以社交网络中的用户为目标用户，对其所在圈子中候选资源相关的获取行为，根据候选资源与所在圈子对应圈子类别的相关度计算推荐权重，所述推荐权重将作为向所述目标用户推荐候选资源的依据。由此能够以推荐权重为依据，在需要时进行相应目标用户的高质量候选资源推荐，且保证了所推荐高质量候选资源对目标用户的精准适应性。
Description
技术领域
本发明涉及计算机应用技术领域，特别涉及一种社交网络中的推荐方法及设备。
背景技术
随着网络信息技术的发展，用户经由网络获得各种已发布资源，满足其在工作和生活中的各种需求。存在于网络中的各种已发布资源，可以是自行处理之后随意发布至网络中的，但无论如何，已发布资源都对应着一定的内容，且质量大都参差不齐。
因此，将借助于所进行的资源推荐来使得用户能够获得所需要的已发布资源，所需要的已发布资源免于淹没在海量网络资源中，也避免用户无法获得自身所适用的已发布资源。
例如，近年来随着电子商务的兴起，越来越多的人们对所持有的商品生成网络资源，比如相应的商品描述信息，进而发布到网络中。与之相对应的，他人也将通过网络中资源推荐的进行而获得已发布资源，即发布的商品描述信息，进而了解商品，完成电子商务中的商品交易。
但是，由于已发布资源质量的参差不齐，且在内容上也并非适应于用户意图，网络中已发布资源往往都存在着一个通用的问题，即，如何在诸多已发布资源中精准的为用户确定可推荐的候选资源。
综上所述的，如何精准的适应于用户而面向于已发布资源实现高质量候选资源的推荐，成为当前亟待解决的问题。
发明内容
为了解决现有资源推荐中无法精准适应于用户而面向已发布资源实现高质量候选资源推荐，本发明提供了一种社交网络中的推荐方法和设备。
一种社交网络中的推荐方法，所述方法包括：
根据社交网络中用户对已发布资源的反馈数据进行筛选，从所述已发布资源获得候选资源；
按照所述社交网络中的圈子类别，进行所述候选资源与一类圈子之间的相关性计算，获得所述候选资源对此类圈子的相关度；
以社交网络中的用户为目标用户，对其所在圈子中候选资源相关的获取行为，根据所述候选资源与所在圈子对应圈子类别的相关度计算推荐权重，所述推荐权重将作为向所述目标用户推荐候选资源的依据。
一种社交网络中的推荐设备，所述设备包括：
资源筛选模块，用于根据社交网络中用户对已发布资源的反馈数据进行筛选，从所述已发布资源获得候选资源；
相关性计算模块，用于按照所述社交网络中的圈子类别，进行所述候选资源与一类圈子之间的相关性计算，获得所述候选资源对此类圈子的相关度；
推荐权重计算模块，用于以社交网络中的用户为目标用户，对其所在圈子中候选资源相关的获取行为，根据所述候选资源与所在圈子对应圈子类别的相关度计算推荐权重，所述推荐权重将作为向所述目标用户推荐候选资源的依据。
一种计算机设备，部署于社交网络架构下，所述计算机设备包括：
处理器；以及
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如前所述的社交网络中的推荐方法。
本发明的实施例提供的技术方案可以包括以下有益效果：
社交网络的推荐实现中，对已发布资源，首先根据社交网络中用户对已发布资源的反馈数据进行筛选，从已发布资源获得候选资源，在反馈数据的作用下保证所获得候选资源的高质量，然后按照社交网络中的圈子类别，进行候选资源与一类圈子之间的相关性计算，获得候选资源对此类圈子的相关度，最后以社交网络中的用户作为目标用户，对其所在圈子中候选资源相关的获取行为，根据获取的候选资源和所在圈子对应圈子类别的相关度计算推荐权重，便能够以推荐权重为依据，在需要时进行相应目标用户的高质量候选资源推荐，且保证了所推荐高质量候选资源对目标用户的精准适应性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1是根据本发明所涉及的实施环境的示意图；
图2是根据一示例性实施例示出的一种计算机设备的框图；
图3是根据一示例性实施例示出的一种社交网络中的推荐方法的流程图；
图4是根据另一示例性实施例示出的一种社交网络中的推荐方法的流程图；
图5是根据图4对应实施例示出的对步骤510进行描述的流程图；
图6是根据图3对应实施例示出的对步骤310进行描述的流程图；
图7是根据图6对应实施例示出的对步骤311进行描述的流程图；
图8是根据图3对应实施例示出的对步骤330进行描述的流程图；
图9是根据图8对应实施例示出的对步骤333进行描述的流程图；
图10是根据图3对应实施例示出的对步骤350进行描述的流程图；
图11是根据另一示例性实施例示出的一种社交网络中的推荐方法的流程图；
图12是根据图11对应实施例示出的一种社交网络中的推荐方法的流程图；
图13是根据一示例性实施例示出的为电商服务实现商品推荐的总体架构示意图；
图14是根据一示例性实施例示出的一种本发明实现社交网络中的推荐设备的框图。
通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述，这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的设备和方法的例子。
图1是根据本发明所涉及的实施环境的示意图。该实施环境包括：终端110以及与终端110进行数据交互的网络资源处理服务器130。
终端110能够获得各种已发布资源，也将基于搭建社交网络获得用户对已发布资源的获取和反馈，例如，社交网络中用户根据某一商品所相关已发布资源购买此商品时，发生了用户对已发布资源的获取，而对此商品在社交网络中面向其他用户的推荐和评价，则是社交网络中用户对已发布资源的反馈。
网络资源处理服务器130将根据终端110上用户对已发布资源的获取和反馈，进行着各种已发布资源是否推荐给用户的评估，进而获得可供推荐给社交网络中各用户的候选资源。
也就是说，通过终端110和网络资源处理服务器130二者之间的配合来实现社交网络中的推荐。
社交网络中的任意用户都可以作为请求方，通过自身与终端110之间的交互来进入推荐页面，进而获得网络资源处理服务器130经由终端110返回并展现的推荐结果。
举例说明的，终端110上设置有社交平台，通过社交平台而使得终端110所登录用户加入到社交网络中。在终端110所设置社交平台上进行的社交网络相关页面显示中，例如，朋友圈页面显示，所接入电商平台的商品页面显示，都将借助于本发明社交网络中推荐的实现获得推荐的商品所相关商品描述信息，以供用户浏览，进而购买商品。
图2是根据一示例性实施例示出的一种计算机设备的框图。例如，在一个示例性实施例中，其可以是对应于1中的终端110，也可以是对应于网络资源处理服务器130。
参见图2，该计算机设备200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 processing units，CPU)222(例如，一个或一个以上处理器)和存储器232，一个或一个以上存储应用程序242或数据244的存储介质230(例如一个或一个以上海量存储设备)。其中，存储器232和存储介质230可以是短暂存储或持久存储。存储在存储介质230的程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对计算机设备200中的一系列指令操作。更进一步地，中央处理器222可以设置为与存储介质230通信，在计算机设备200上执行存储介质230中的一系列指令操作。计算机设备200还可以包括一个或一个以上电源226，一个或一个以上有线或无线网络接口250，一个或一个以上输入输出接口258，和/或，一个或一个以上操作系统241，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。本申请图3至图12所示实施例中的步骤可以基于该图2所示的计算机设备来执行。
图3是根据一示例性实施例示出的一种社交网络中的推荐方法的流程图。在一个示例性实施例中，该社交网络中的推荐方法，可在终端110和网络资源处理服务器130的作用下共同实现，也可以由终端110执行，或由网络资源服务器130执行。
本实施例将以网络资源处理服务器130执行为例来说明社交网络中推荐方法的实现。该社交网络中的推荐方法，如图3所示，包括以下步骤。
在步骤310中，根据社交网络中用户对已发布资源的反馈数据进行筛选，从已发布资源获得候选资源。
其中，首先应当说明的是，已发布资源将不限于社交网络中任意用户所发布的网络资源，例如，社交网络所构建电商平台下，与商品相关的已发布网络资源；又例如，社交网络中公众账号运营主体发布的网络资源等；除此之外，已发布资源也可来自于社交网络之外存在于网络中的网络资源，也可以是社交网络中传递的网络资源，在此不进行限定。任意可供用户获取的网络资源，都可作为社交网络中实现网络资源推荐的目标对象。
而在内容上，已发布资源可以面向于同类内容，例如，都与所发布的商品相关，都是商品的描述信息，也可以面向于不同类内容的，已发布资源可为网络文章、随意发表的网络消息、发布的帖子以及对于实体商品的描述信息、对虚拟游戏的描述和说明信息、虚拟商品的详情信息等。
所能够获得的任意已发布资源，都将作为可供向社交网络中用户推荐的网络资源。在此所指的用户，是存在于社交网络中的用户，并非某一特定用户。
用户对已发布资源的反馈数据，首先是描述了此用户对这一已发布资源的反馈，例如，对与所发布商品相关的已发布资源，其反馈数据除了包含所发布商品的属性以及用户自身的属性之外，还对应于此用户的反馈行为，比如用户购买且推荐给其他用户的反馈行为。也就是说，用户对已发布资源的反馈数据，包括用户属性、内容上所相关的属性，并且与此用户的反馈行为相关。
随着用户对已发布资源的反馈，便可为此用户生成其对这一已发布资源的反馈数据。这一已发布资源，有着社交网络中不同用户对其的反馈数据。
因此，在网络资源处理服务器130所进行的社交网络推荐中，根据反馈数据来进行所对应已发布资源的筛选，进而从这些已发布资源中获得候选资源。
由于所进行的已发布资源筛选是以反馈数据为依据的，而反馈数据则表征了对于用户而言的喜好强度以及质量优劣，因此根据反馈数据所进行的已发布资源筛选，将得以获得社交网络中用户喜好强度高且优质的候选资源。
以用户发布至网络贩卖的商品为例，其所对应的已发布资源，将根据用户购买此商品的行为以及推荐、评价等行为来生成相应的反馈数据，所生成反馈数据如果表明用户既购买了此商品又对此商品进行了推荐，即相应已发布资源的推荐，则说明此商品相关的已发布资源被用户所喜欢且为高质量的。
在一个示例性实施例中，反馈数据在内容上包括反馈权重、所对应已发布资源的类别信息等。与之相对应的，网络资源服务器130根据反馈数据而进行的已发布资源筛选，是类别信息所指示同类已发布资源中，抽取成对同类已发布资源来配对比较获得其中一已发布资源相对另一已发布资源的喜好强度，进而生成质量得分来筛选已发布资源获得候选资源的执行过程。
由此对于筛选而获得的候选资源，将是社交网络中被用户所喜欢并且具备较高质量的已发布资源，应当理解的，社交网络中进行的资源推荐中，可供推荐给用户的候选资源的高质量，在一个层面上是指内容上的优质性，而在另一个层面上，也包含了被社交网络中用户喜欢和推崇的含义，借由步骤310的执行而为社交网络中进行的资源推荐提供高质量的候选资源。
此外，在另一个示例性实施例中，所指的社交网络中的用户，也可为社交网络中的活跃用户，以进一步增强社交网络中资源推荐的可靠性。已发布资源，也可以是被发布于社交网络中的网络资源，以此来增强社交网络所进行资源推荐的针对性，进而以此来增强在社交网络发布网络资源的广泛传播性，以及用户获取社交网络所发布网络资源的便捷性。
在步骤330中，按照社交网络中的圈子类别，进行候选资源与一类圈子之间的相关性计算，获得候选资源对此类圈子的相关度。
其中，正如前述步骤310所描述的，候选资源是高质量的已发布资源，对应于高质量得分。在此基础之上，适应于用户所在的社交网络，按照社交网络中的圈子类别来评估候选资源与一类圈之间的相关性，进而借助于此来量化社交网络中候选资源与用户的相关性。
在社交网络，用户被划分形成不同圈子，一用户往往拥有几个圈子，例如，亲属圈、同事圈、校友圈以及户外圈等。一个圈子，除了用户自己之外，还包括了其他用户的参与加入。由此可知，社交网络中存在着诸多的圈子分布，但是，每一圈子都有着所对应的圈子类别，换而言之，社交网络中存在着若干类圈子。
面向于社交网络中存在的若干类圈子，按照圈子类别，对所得到的候选资源进行其与一类圈子之间的相关性计算，得到这一候选资源对此类圈子的相关度。以此类推，对于所得到的每一候选资源，都进行着其与每一类圈子的相关性计算。候选资源对一类圈子的相关度将用于表征候选资源相对此类圈子的相关性程度，相关度越高，则候选资源与此类圈子以及此类圈子下的用户越为密切相关。
在步骤350中，以社交网络中的用户为目标用户，对其所在圈子中候选资源相关的获取行为，根据候选资源与所在圈子对应圈子类别的相关度计算推荐权重，推荐权重将作为向目标用户推荐候选资源的依据。
其中，社交网络中的用户，都会作为目标用户而向其进行资源推荐，因此，网络资源服务器130需以社交网络中的用户作为目标用户，为其进行候选资源所对应推荐权重的计算，进而以此而在此用户作为目标用户的情况下依据推荐权重简单快速的实现资源推荐。
对于社交网络中的一用户而言，其所在圈子中被其他用户所获取的候选资源，将成为对此用户进行资源推荐的目标对象，在此目标对象中依据计算得到的推荐权重来确定所推荐的候选资源。
也就是说，网络资源服务器130对于经由步骤310所筛选得到的高质量已发布资源，即候选资源，并非全部用于进行推荐权重的计算，推荐权重的计算仅限于目标用户所在圈子中被其他用户所获取的候选资源。
在此仍然以商品所相关已发布资源的推荐为例进行说明。目标用户所在圈子中用户购买商品所相关的候选资源，将进行推荐权重的计算，由此，可以明确，向目标用户所推荐的候选资源，是与目标用户所在圈子中其他用户所购买商品相关的。
此外，还应当说明的是，在此所指的目标用户所在圈子，可以是目标用户所在的一圈子，也可以是目标用户所在的几个圈子，在此不进行限定。
通过步骤350的执行，将对社交网络中的用户都分别视为目标用户而进行相应候选资源的推荐权重计算，由此，在需要向一用户推荐资源时，即可根据以此用户作为目标用户而计算得到对应于候选资源的推荐权重，实时确定向此用户推荐的候选资源，不会产生额外的耗时。
通过此示例性实施例，得以实现社交网络场景下的资源推荐，结合社交网络与电商平台等各种业务来对用户进行精准可靠的资源推荐，保证了所进行资源推荐的针对性和可靠性，进而适应对社交网络中用户所实现的各种业务。
可以理解的，随着社交网络的迅猛发展以及日趋普及，社交网络在人们的生活和工作中占据重要地位，例如，人们实现各自业务、获得各种服务都将基于自身在社交网络中的身份，即以社交网络中的身份而贯穿到各自业务和各种服务中，其所登录的身份标识即为社交网络中的身份标识，因此，在面向各自业务和服务所实现的资源推荐中，结合社交网络，必然适应于用户而实现资源的精准推荐。
图4是根据另一示例性实施例示出的一种社交网络中的推荐方法的流程图。在另一个示例性实施例中，该社交网络中的推荐方法，在执行步骤310之前，如图4所示，还包括以下步骤。
在步骤510中，根据社交网络中用户对已发布资源的反馈，生成用户对已发布资源的反馈权重。
其中，已发布资源是指所发布的网络资源，而用户，则是社交网络中的任意用户。由此，用户对已发布资源的反馈，是指社交网络中的任意一用户对一已发布资源的反馈，换而言之，所发生的反馈将对应于一已发布资源和一用户，进而生成相应的反馈权重，与之相对应的，这一反馈权重便是对应于一已发布资源和一用户的。
反馈权重作为一具体数值，是用户对已发布资源所触发反馈行为的量化，反馈权重将用于衡量用户对已发布资源的满意程度，例如对于商品所相关的已发布资源而言，在此所指的满意程序亦可称之为用户对商品的喜欢程度。
所进行的反馈权重生成，是根据反馈行为的类型而赋值的过程。在一个示例性实施例中，反馈，即反馈行为的类型，包括用户对已发布资源的获取行为、推荐行为以及评价行为中的一种或者任意组合。而评价行为根据其评价内容的不同对已发布资源有着不同的反馈方向。
基于此，获取相应的数值来生成用户对应已发布资源的反馈权重。任一已发布资源，一旦发生用户对其的反馈，都将生成此用户对这一已发布资源的反馈权重。
在步骤530中，根据反馈权重生成用户对已发布资源的反馈数据。
其中，在生成用户对已发布资源的反馈权重之后，即可将此反馈权重与相应的用户属性、资源属性一并形成用户对已发布资源的反馈数据。
也就是说，在内容上，用户对已发布资源的反馈数据包括用户属性、资源属性以及反馈权重，其中用户属性与此用户相关，资源属性则与这一已发布资源相关。
例如，对于商品所相关已发布资源而言，用户对这一已发布资源的反馈数据包括用户标识、商品类别、原始商品名、商户和反馈权重，即在数据结构上，用户对已发布资源的反馈数据，可以是如下形式：
<用户标识、商品类别、原始商品名、商户、反馈权重>
随着社交网络中用户对已发布资源反馈的发生，都将进行反馈权重的计算和反馈数据的生成，以便于为后续所进行的已发布资源筛选提供准确的数据依据。
通过此示例性实施例，量化社交网络中用户对已发布资源的反馈行为，以此来使得社交网络中用户对已发布资源的反馈融入到所进行的资源推荐中，充分利用社交网络中的用户行为，以此来增强资源推荐的自适应性和精准性。
在一个示例性实施例中，用户对已发布资源的反馈包括用户对已发布资源的获取行为和/或推荐行为，即获取行为或者推荐行为、获取行为与推荐行为的组合。
以商品所对应已发布资源为例进行说明的，用户对已发布资源的获取行为，即为对此商品的购买行为，而推荐行为则是指用户对此商品的推荐。
又以网络文件作为已发布资源为例进行说明，与之相对应的，用户对已发布资源的获取行为，即为请求加载浏览的行为，而推荐行为则是指用户推荐这一网络文章的行为。
再以音乐所对应已发布资源为例，用户对已发布资源的获取行为是下载或者播放此音乐的行为。
在此示例性实施例中，与之相对应的，步骤510包括：根据用户对已发布资源的获取行为和/或推荐行为，获取所分别映射的数值生成用户对已发布资源的反馈权重。
其中，获取行为和推荐行为，其作为单一的行为发生，或者行为组合，都将映射了为同的数值，根据所映射的数值来生成反馈权重。
例如，用户对商品所相关已发布资源的反馈中，购买商品并且推荐给朋友的行为，所映射的数值为10；没有购买但推荐给朋友的行为，所映射的数值为5。
在另一个示例性实施例中，用户对已发布资源的反馈还包括用户对已发布资源的评价行为。应当理解的，所指的评价行为必然对应于评价内容的生成，即存在着用户对已发布资源的评价内容，由此，亦可根据评价内容来生成用户对已发布资源的反馈权重。
与之相对应的，图5是根据图4对应实施例示出的对步骤510进行描述的流程图。在此示例性实施例中，步骤510如图5所示的，还包括以下步骤。
在步骤511中，获取用户对已发布资源触发评价行为所生成的评价内容。
其中，用户对已发布资源触发评价行为而生成的评价内容，以文本的形式存在，在此评价行为触发之后，即为此而获取文本形式的评价内容。
在步骤513中，进行评价内容的文本分类获得评价内容归属的已发布资源反馈方向。
其中，首先应当说明的是，所指的已发布资源反馈方向用于表征用户对已发布资源喜欢与否，在一个示例性实施例中，已发布资源反馈方向包括正向、中性和负向，所对应的评价内容即为正向评价内容、中性评价内容和负面评价内容。
通过所进行的二分类来实现评价内容的文本分类，输出评价内容归属于正向的概率以及归属于负向的概率，进而确定此评价内容是正向还是负向，而在此评价内容都不属于正向和负向时，认为此评价内容所归属的反馈方向是中性的。
具体的，当预测评价内容归属于正向的概率P1>＝T1(T1为常数阈值，0<＝T1<＝1)，则认为评价内容是归属于正向的；当预测评价内容归属于负向的概率P2>＝T2(常数阈值)，则认为评价内容是归属于负向的，否则就是中性的评价内容。
应当理解的，所进行的二分类，将通过基于文本评价内容的正负样本训练的分类器实现。在此分类器的训练中，可将用户所推荐的评价内容作为正样本，用户所不喜欢的评价内容作为负样本，应用最大熵或者svm、xghoost、决策树、深度学习的方法来执行训练过程。
在步骤515中，按照已发布资源反馈方向映射的数值生成用户对已发布资源的反馈权重。
其中，无论正向评价内容、中性评价内容和负面评价内容有映射的数值，按照此数值来生成用户对已发布资源的反馈权重。
例如，正向评价内容，映射的数值为3，则可生成数值为3的反馈权重；与此相类似的，负向评价内容映射的数值为-10，中性评价内容映射的数值为1。
通过此示例性实施例，快速准确的实现了反馈权重的生成，进而为反馈数据的收集提供了极大的便利。
图6是根据图3对应实施例示出的对步骤310进行描述的流程图。在一个示例性实施例中，反馈数据包括反馈权重，步骤310如图6所示，包括以下步骤。
在步骤311中，对已发布资源，根据相应反馈数据中的反馈权重进行同类已发布资源之间的配对比较，生成质量得分，质量得分用于表征已发布资源的可推荐度。
其中，根据用户对已发布资源的反馈数据，所进行的已发布资源筛选中，由于每一已发布资源都有着对应的反馈数据，并且反馈数据是一用户针对于这一已发布资源所生成的，因此，对于同类已发布资源，两两进行同类已发布资源之间反馈权重的配对比较，以此来对一已发布资源生成其在同类已发布资源中的质量得分。
质量得分越高，则说明已发布资源的可推荐度越高。通过所进行的配对比较，得到一已发布资源相对同类已发布资源的用户喜好强度，进而通过所构建损失函数的求解来输出这一已发布资源的质量得分。
在步骤313中，按照已发布资源的质量得分，从已发布资源选取候选资源。
其中，根据质量得分的高低从已发布候选资源选取出高质量的候选资源，即若干对应于高质量得分的候选资源。
通过此示例性实施例，得以基于用户反馈行为所映射的反馈权重来评估已发布资源质量，并在此质量评估中引入了用户对已发布资源的喜好强度，这也是反馈权重所能够反映的，因此，将有利于增强所计算质量得分的可信程度。
在一个示例性实施例中，正如前述所指出的，反馈数据还包括了已发布资源的发布者，则步骤310包括：
对已发布资源的发布者，根据所持有已发布资源的质量得分计算发布者质量得分，发布者质量得分作为候选资源选取中区别于已发布资源质量得分的另一选取依据。
其中，已发布资源的发布者，除了这一已发布资源之后，大都持有其它已发布资源，因此，将通过其所持有的已发布资源来评价这位发布者被社交网络中用户的认可程度，即通过发布者质量得分来表征。
任一已发布资源，都有对应的发布者，例如，商品所相关的已发布资源，其发布者即为商户。对于一发布者而言，其所持有的已发布资源通过所进行的配对比较，都有着对应的质量得分，根据这些已发布资源的质量得分即可衡量发布者是否被社交网络中的用户认可。
由此，即可将已发布资源的质量得分和所对应发布者质量得分构成二元组来选取向用户推荐的候选资源。
基于二元组所进行的候选资源选取，包括：按二元组<scorex，Qi>进行从大到小排序，排在前n个的已发布资源，作为候选资源，其中，scorex为已发布资源的质量得分，Qi为发布者质量得分，n为经验值，可取n<＝20。
在一个示例性实施例中，对发布者根据所持有已发布资源的质量得分进行的发布者质量得分计算过程包括：对发布者所持有已发布资源的质量得分，计算平均值和均方差，根据平均值和均方差识别优质发布者，并以所述平均值作为发布者质量得分，即：
对于任意一发布者i，
平均值：
均方差：
当avgi≥F1且时，认为发布者i是优质发布者，并且置Qi＝avgi。
与之相对应的，在基于二元组进行对已发布资源选取候选资源之前，将首先对已发布资源，根据其发布者是否为优质发布者来确定是否将这一已发布资源加入到候选资源的选取中。如果其发布者为优质发布者，则构成二元组而加入到候选资源的选取。
通过如上所述的示例性实施例，使得已发布资源的质量得分和所对应发布者质量得分都被引入执行候选资源的选取，增强了候选资源选取中数据依据的准确性和可靠性。
图7是根据图6对应实施例示出的对步骤311进行描述的流程图。在一个示例性实施例中，步骤311，如图7所示，包括以下步骤。
在步骤701中，根据反馈数据中已发布资源的类别信息，获得同类的已发布资源，已发布资源形成同类资源集合。
其中，正如前述描述所指出的，用户对已发布资源的反馈数据包括已发布资源的类别信息，也就是说，每一已发布资源，都能够通过其反馈数据获得类别信息，进而由此来得到同类的已发布资源形成同类资源集合。
在步骤703中，在同类资源集合中，将用户对已发布资源的反馈权重，进行两个已发布资源之间的配对比较，获得同类资源集合中一个已发布资源相对另一个已发布资源的用户喜好强度。
其中，对同类资源集合，进行其所包含已发布资源的反馈权重两两配对比较，以此来基于其它已发布资源来获得一个已发布资源的用户喜好强度。
应当说明的是，面向于同类资源集合中的已发布资源，是针对于同一用户对其的反馈权重而进行两两配对比较的，所配对比较得到此用户对一个已发布资源相对于另一个已发布资源具备更高的反馈权重时，累加次数以获得相应的用户喜好强度。
值得一提的是，在社交网络中，已发布资源以配置的资源标识存在，如已发布资源为商品，为商品配置商品id。为描述方便，用对应的资源标识表示已发布资源，例如将资源标识为x的已发布资源称之为已发布资源x。
在一个示例性实施例的具体实现中，同类资源集合中，对于一用户i，其对已发布资源x和y都有着相应的反馈权重，即用户i对已发布资源x的反馈权重wi,x，对已发布资源的反馈权重wi,y。
那么在对已发布资源x和y所进行的配对比较中，如果wi,x＞wi,y，则累加次数，即cntx,y加1；
如果wi,x＜wi,y，也将相应累加次数，即cnty,x加1。
其中，所累加次数得到的cntx,y用于表征已发布资源x比已发布资源y反馈好的次数，与此相对应的，则cnty,x用于表征已发布资源y比已发布资源x反馈好的次数。
进而cntx,y即可作为相对于已发布资源y，用户对已发布资源x的喜好强度，cnty,x作为相对于已发布资源x，用户对已发布资源y的喜好强度。
在步骤705中，对同类资源集合中的已发布资源，根据其相对其它已发布资源具有更高质量的概率，执行所构建损失函数的计算，获得已发布资源的质量得分。
其中，假设同类资源集合，例如同一类商品所对应已发布资源中，已发布资源x的质量得分是scorex。
那么已发布资源x比已发布资源具备更优质量的概率计算公式如下：
其中，0≤α≤1，α是根据经验所确定的常数，scorey是已发布资源y的质量得分。
为便利计算，控制x<＝y，已发布资源x的标识小于已发布资源y的标识，以此来节省计算量。
由于不同类已发布资源，不可进行配对比较，因此，设置默认值为0，例如，cntx,y＝0，Px,y＝0。
所构建的损失函数为：
其中，N表示同类资源集合中的已发布资源总量，其取值为正整数。
通过优化算法，例如随机梯度下降法等，求解出损失函数Loss值最小时每一已发布资源x的scorex值，由此来获得已发布资源的质量得分。
图8是根据图3对应实施例示出的对步骤330进行描述的流程图。在一个示例性实施例中，如图8所示，该步骤330包括：
在步骤331中，对候选资源面向社交网络和社交网络中对应于圈子类别的一类圈子，分别进行候选资源被获取次数以及已发布资源被获取人数的统计。
其中，对于从已发布资源筛选得到的候选资源，分别面向整个社交网络和社交网络所存在圈子类别对应的一类圈子，进行着此候选资源被获取次数的统计以及各种已发布资源被获取人数的统计。
由此来统计得到整个社交网络中候选资源被获取次数、所存在的已发布资源获取总人数、对应于一类圈子的候选资源被获取次数、此类圈子所存在的已发布资源获取总人数。
具体而言，可通过两个步骤的执行来实现步骤331。一个步骤包括：对每一候选资源x，都进行整个社交网络中被获取次数buyx以及总获取人数S的统计；另一步骤包括：对一类圈子k，假定整个社交网络中有G个第k类圈子，则统计对应于第k类圈子的候选资源x被获取的次数buyx,k以及获取所存在已发布资源的总人数Sk。
具体的，表示第g个圈子有多少人购买x。
在步骤333中，根据统计结果进行候选资源与此类圈子之间的相关性计算，获得候选资源对此类圈子的相关度。
其中，由所获得的统计结果来进行候选资源与一类圈子之间的相关性计算，所得到候选资源对此类圈子的相关度也将表征了候选资源与此类圈子下的用户之间的相关度，进而以此来增强对用户所进行资源推荐的针对性。
在此应当说明的是，对于所进行的相关性计算，可借助于一种计算方式实现，但也可结合两种以上的计算方式实现，在此不进行限定。
图9是根据图8对应实施例示出的对步骤333进行描述的流程图。在一个示例性实施例中，相关性计算的进行包括两向以上的计算方式，步骤333如图9所示，包括以下步骤。
在步骤901中，根据统计结果通过两种以上的计算方式分别进行候选资源与此类圈子之间的相关性计算，获得候选资源对此类圈子的两个以上相关度。
其中，对统计结果采用至少两种计算方式来进行相关性的计算，以此来分别计算得到两种以上的相关度。
例如，对于候选资源x与第k类圈子的相关性rel1，将分别通过下述公式计算得到，即：
(1)计算候选资源x的出现概率px，即
(2)计算第k类圈子出现的概率即/>
(3)计算第k类圈子候选资源x出现的概率ffpk，即
(4)计算候选资源x与第k类圈子的相关度rel1(x,k)，即
而对于候选资源x与第k类圈子的相关性rel2，则通过下述公式计算得到，即：
(1)计算第k类圈子可能获取候选资源x的次数v，即
(2)计算候选资源x与第k类圈子的相关度rel2(x,k)，即
在步骤903中，分别按照候选资源对此类圈子的两个以上相关度，进行此类圈子所相关候选资源的排序和选取，对此类圈子获得两个以上的候选资源集合。
其中，所指的候选资源排序，是按照相关度从大到小的顺序所进行的，在此基础之上所进行的候选资源选取，将是选取与此类圈子相关度最高的候选资源的过程。
具体的，对第k类圈子，按rel1排序，取top m的候选资源，即排序中前m个候选资源，形成候选资源集合；按rel2排序，仍然取top m的候选资源，即排序中前m个候选资源，形成另一候选资源集合。
在步骤905中，以候选资源集合共有的候选资源为此类圈子用于推荐的候选资源，并在候选资源对此类圈子的两个以上相关度中取一相关度为候选资源对此类圈子的相关度。
至此，对候选资源集合取并集，所得到的候选资源集合共有候选资源即为此类圈子用于推荐的候选资源，对此候选资源取一相关度，例如rel1作为其对此类圈子的相关度。
在另一个示例性实施例中，步骤330之前，该社交网络中的推荐方法还包括：
对社交网络中分布的圈子获取所存在的圈子类别，圈子类别是社交网络所分布圈子的类别描述。
其中，社交网络中的圈子类别，可通过社区发现算法，例如LPA(标签传播算法)、SLPA(speaker listener label propagation algorithm)等对社交网络中分布的圈子打上属性，该属性便对应于圈子类别。
图10是根据图3对应实施例示出的对步骤350进行描述的流程图。在一个示例性实施例中，该步骤350如图10所示，至少包括：
在步骤351中，将社交网络中的用户作为目标用户，根据所在圈子中其他用户对候选资源的获取行为，统计候选资源在此圈子对应的资源获取人数。
在步骤353中，根据候选资源在此圈子对应的资源获取人数和候选资源与对应圈子类别的相关度，计算推荐权重。
其中，对社交网络中的任意用户，都将其作为目标用户而为此进行候选资源的推荐权重计算，由此来评估此候选资源推荐给目标用户的可能性。
对于推荐权重的计算，根据候选资源与对应圈子类别的相关度确定候选资源与对应圈子类别的相关性指数，其中，对于相关性指数的确定，可以直接将候选资源与对应圈子类别的相关度作为该候选资源对于此圈子类别的相关性指数，例如将上文所计算得到rel1(x,k)和rel2(x,k)中的任意一个作为候选资源x对圈子k的相关性指数；还可以根据实际需要对相关度进行数学运算，如线性运算，获得用于进行推荐权重计算的相关性指数，例如将rel1(x,k)+rel2(x,k)作为候选资源x对圈子k的相关性指数，在其他实施例中，还可以对所计算得到的相关度进行加权计算，来确定相关性指数，在此不进行具体限定。值得一提的是，相关度和相关性指数均反映了候选资源与对应圈子类别的相关性，而为了使得所计算得到的推荐权重更能满足实际的应用，因而，将相关度进行适应性变换得到相关性指数。
对于目标用户i，其有着h个圈子，此时，对于目标用户的每一个圈子g，都统计候选资源x在圈子g中对应的资源获取人数buyi,g,x，然后计算候选资源x推荐给用户i的权重，即推荐权重wi,k，计算公式如下所示：
wi,k＝buyi,g,x*Zg,x
其中，Zg,x是根据候选资源x对圈子g的相关度所确定的候选资源x相对圈子g的相关性指数。在一具体实施例中，将上文所计算得到的rel1作为相关性指数。
图11是根据另一示例性实施例示出的一种社交网络中的推荐方法的流程图。在一个示例性实施例中，步骤350之后，该社交网络中的推荐方法还包括：
在步骤1010中，根据推荐权重，对目标用户所在圈子中用户触发获取行为的候选资源排序。
在步骤1030中，从排序的候选资源中选取候选资源，选取的候选资源用于进行目标用户在社交网络中的资源推荐。
其中，正如前述描述所指出的，社交网络中的任意用户，都将作为目标用户而为其获得可用于资源推荐的候选资源。因此，根据所计算得到的推荐权重，面向社交网络中的用户逐一提供可进行资源推荐的候选资源。
具体的，目标用户所在圈子中用户获取的候选资源，例如，被圈子中其他用户所购买商品相关的候选资源，是对目标用户推荐的候选资源，对这些候选资源，将根据推荐权重来进行排序，取对应于最高推荐权重的若干候选资源来生成目标用户的推荐结果。
图12是根据图11对应实施例示出的一种社交网络中的推荐方法的流程图。在另一个示例性实施例中，步骤1030之后，该社交网络中的推荐方法还包括：
在步骤1110中，为社交网络中请求进行资源推荐的目标用户获取所选取的候选资源。
在步骤1130中，将选取的候选资源推送给目标用户。
其中，应当理解的，前述根据反馈数据筛选已发布资源直至为用户获得可推荐的候选资源这一系列步骤，对于社交网络中进行的资源推荐而言，可离线进行，以便于减少资源推荐的耗时。
随着社交网络中用户请求进行资源推荐，将获取为此用户离线计算所选取得到的候选资源，以此候选资源来向用户返回和展示推荐结果。
在一个示例性实施例中，社交网络中用户对资源推荐的请求，在社交网络应用中推荐页面的加载下发起的。用户，即所进行资源推荐的目标用户，进入社交网络的推荐页面时，请求终端110为其进行资源推荐，此时，终端110将向网络资源处理服务器130，即一离线计算平台获取离线计算好的结果，进而向用户返回并展现推荐结果。而离线计算平台将定时面向社交网络中的用户进行着高质量已发布资源的选取及其与每类圈子的相关性计算，直至获得用户可进行资源推荐的候选资源。
在如上所述示例性实施例的作用下，得以从社交网络挖掘高质量已发布资源，并根据用户圈子为用户推荐高质量已发布资源，使得所进行的资源推荐更为可信和准确，增强所实现业务和服务，例如电商服务的能力。
通过如上所述示例性实施例，实现了完全自动化的资源推荐，充分利用用户对已发布资源的反馈数据，结合社交网络，无人工监督的给用户推荐高质量已发布资源。
以电商服务所实现的商品推荐为例，结合上述方法进行详细阐述。
电商服务通过相应商品描述信息的发布而在网络中贩卖商品，因此，在此电商服务下，商户，即为前述所指的发布者，其所发布的商品描述信息即为已发布资源。
将通过对用户所进行的已发布资源推荐来为电商服务实现商品推荐。图13是根据一示例性实施例示出的为电商服务实现商品推荐的总体架构示意图。在为电商服务所实现的商品推荐中，随着用户a在终端110上的操控而进入社交网络的商品推荐页面，终端110将从离线计算平台获取向用户a推荐商品所对应的商品描述信息，换而言之，离线计算平台向社交平台推送离线算好的结果，由社交平台向用户a返回并展现用户的推荐结果。
离线计算平台将面向于电商服务贩卖的商品，进行社交网络中用户对商品的反馈数据，即<用户标识、商品类别、原始商品名、商户、反馈权重>的收集。
对于任意商品，其反馈权重可分为以下5种情况：
购买后并且推荐给朋友，反馈权重10；
没有购买推荐给朋友，反馈权重5；
正向的评价，反馈权重3；
评价中性，反馈权重为1；
负面反馈，不喜欢等负向的评价，权重-10；
基于反馈权重进行同类商品的配对比较计算商品x的质量得分，此质量得分亦为商品x所相关描述信息的质量得分。根据商品的质量得分，也进行发布者质量得分，即商户质量得分的计算，以筛选出一批用户认可的好店，进而对某类商品x计算出整个社交网络中排名在前的好店所发布的商品，即得到所相关的商品描述信息。
在此基础之上，根据商品与每一类圈子之间的相关性来针对于用户每个圈子获得针对用户个性化推荐的高质量商品，即可个性化推荐给用户的商品描述信息，从而得以减少用户购买决策难度。
下述为本发明装置实施例，可以用于执行本发明上述社交网络中的推荐方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明实现社交网络中的推荐方法实施例。
图14是根据一示例性实施例示出的一种本发明实现社交网络中的推荐设备的框图，该社交网络中的推荐设备可以设置于图1所示的终端110，也可以设置于网络资源服务器130。
在一个示例性实施例中，本实施例以设置在网络资源服务器130中为例来说明该社交网络中的推荐设备。该本发明实现社交网络中的推荐设备，如图14所示，包括：资源筛选模块1310、相关性计算模块1330和推荐权重计算模块1350。
资源筛选模块1310，用于根据社交网络中用户对已发布资源的反馈数据进行筛选，从所述已发布资源获得候选资源；
相关性计算模块1330，用于按照所述社交网络中的圈子类别，进行所述候选资源与一类圈子之间的相关性计算，获得所述候选资源对此类圈子的相关度；
推荐权重计算模块1350，用于以社交网络中的用户为目标用户，对其所在圈子中候选资源相关的获取行为，根据所述候选资源与所在圈子对应圈子类别的相关度计算推荐权重，所述推荐权重将作为向所述目标用户推荐候选资源的依据。
可选的，本发明还提供一种计算机设备，可以是对应于1中的终端110，也可以是对应图1中的网络资源处理服务器130，执行图3至图12任一所示的社交网络中的推荐方法的全部或者部分步骤，所述计算机设备包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行如上所述的方法。
该实施例中的计算机设备的处理器执行操作的具体方式已经在有关该社交网络中的推荐方法的实施例中执行了详细描述，此处将不做详细阐述说明。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (14)
1.一种社交网络中的推荐方法，其特征在于，所述方法包括：
根据社交网络中用户对已发布资源的反馈数据进行筛选，从所述已发布资源获得候选资源；
按照所述社交网络中的圈子类别，进行所述候选资源与一类圈子之间的相关性计算，获得所述候选资源对此类圈子的相关度；
将社交网络中的用户作为目标用户，根据所在圈子中其他用户对候选资源的获取行为，统计所述候选资源在所述圈子对应的资源获取人数；
根据所述候选资源在所述圈子对应的资源获取人数和所述候选资源与对应圈子类别的相关度，计算推荐权重，所述推荐权重将作为向所述目标用户推荐候选资源的依据。
2.根据权利要求1所述的方法，其特征在于，所述根据社交网络中用户对已发布资源的反馈数据进行筛选，从所述已发布资源获得候选资源之前，所述方法还包括：
根据社交网络中用户对已发布资源的反馈，生成用户对所述已发布资源的反馈权重；
根据所述反馈权重生成用户对所述已发布资源的反馈数据。
3.根据权利要求2所述的方法，其特征在于，所述反馈包括用户对已发布资源的获取行为和/或推荐行为，所述根据社交网络中用户对已发布资源的反馈，生成用户对所述已发布资源的反馈权重，包括：
根据用户对所述已发布资源的获取行为和/或推荐行为，获取所分别映射的数值生成用户对所述已发布资源的反馈权重。
4.根据权利要求2所述的方法，其特征在于，所述反馈包括用户对所述已发布资源的评价行为，所述根据社交网络中用户对已发布资源的反馈，生成用户对所述已发布资源的反馈权重，包括：
获取用户对所述已发布资源触发评价行为所生成的评价内容；
进行所述评价内容的文本分类获得所述评价内容归属的已发布资源反馈方向；
按照所述已发布资源反馈方向映射的数值生成所述用户对所述已发布资源的反馈权重。
5.根据权利要求1所述的方法，其特征在于，所述反馈数据包括反馈权重，所述根据社交网络中用户对已发布资源的反馈数据进行筛选，从所述已发布资源获得候选资源，包括：
对所述已发布资源，根据相应反馈数据中的反馈权重进行同类已发布资源之间的配对比较，生成质量得分，所述质量得分用于表征所述已发布资源的可推荐度；
按照所述已发布资源的质量得分，从所述已发布资源选取候选资源。
6.根据权利要求5所述的方法，其特征在于，所述反馈数据还包括所述已发布资源的发布者，所述根据社交网络中用户对已发布资源的反馈数据进行筛选，从所述已发布资源获得候选资源，还包括：
对所述已发布资源的发布者，根据所持有已发布资源的质量得分计算发布者质量得分，所述发布者质量得分作为所述候选资源选取中区别于已发布资源质量得分的另一选取依据。
7.根据权利要求5所述的方法，其特征在于，所述反馈数据还包括所对应已发布资源的类别信息，所述对所述已发布资源，根据相应反馈数据中的反馈权重进行同类已发布资源之间的配对比较，生成质量得分，包括：
根据所述反馈数据中已发布资源的类别信息，获得同类的所述已发布资源，所述已发布资源形成同类资源集合；
在所述同类资源集合中，将用户对所述已发布资源的反馈权重，进行两个已发布资源之间的配对比较，获得所述同类资源集合中一个已发布资源相对另一个已发布资源的用户喜好强度；
对所述同类资源集合中的已发布资源，根据其相对其它已发布资源具有更高质量的概率，执行所构建损失函数的计算，获得所述已发布资源的质量得分。
8.根据权利要求1所述的方法，其特征在于，所述按照所述社交网络中的圈子类别，进行所述候选资源与一类圈子之间的相关性计算，获得所述候选资源对此类圈子的相关度，包括：
对所述候选资源面向所述社交网络和所述社交网络中对应于圈子类别的一类圈子，分别进行候选资源被获取次数以及所述已发布资源被获取人数的统计；
根据统计结果进行所述候选资源与此类圈子之间的相关性计算，获得所述候选资源对此类圈子的相关度。
9.根据权利要求8所述的方法，其特征在于，所述相关性计算的进行包括两种以上的计算方式，所述根据统计结果进行所述候选资源与此类圈子之间的相关性计算，获得所述候选资源对此类圈子的相关度，包括：
根据所述统计结果通过两种以上的计算方式分别进行所述候选资源与此类圈子之间的相关性计算，获得所述候选资源对此类圈子的两个以上相关度；
分别按照所述候选资源对此类圈子的两个以上相关度，进行此类圈子所相关候选资源的排序和选取，对此类圈子获得两个以上的候选资源集合；
以所述候选资源集合共有的候选资源为此类圈子用于推荐的候选资源，并在所述候选资源对此类圈子的两个以上相关度中取一个相关度为所述候选资源对此类圈子的相关度。
10.根据权利要求1所述的方法，其特征在于，所述按照所述社交网络中的圈子类别，进行所述候选资源与一类圈子之间的相关性计算，获得所述候选资源对此类圈子的相关度之前，所述方法还包括：
对所述社交网络中分布的圈子获取所存在的圈子类别，所述圈子类别是社交网络所分布圈子的类别描述。
11.根据权利要求1所述的方法，其特征在于，所述根据所述候选资源在所述圈子对应的资源获取人数和所述候选资源与对应圈子类别的相关度，计算推荐权重之后，所述方法还包括：
根据所述推荐权重，对所述目标用户所在圈子中用户触发获取行为的候选资源排序；
从排序的所述候选资源中选取候选资源，选取的所述候选资源用于进行目标用户在社交网络中的资源推荐。
12.根据权利要求11所述的方法，其特征在于，所述从排序的所述候选资源中选取候选资源之后，所述方法还包括：
为所述社交网络中请求进行资源推荐的目标用户获取所选取的候选资源；
将选取的所述候选资源推送给所述目标用户。
13.一种社交网络中的推荐设备，其特征在于，所述设备包括：
资源筛选模块，用于根据社交网络中用户对已发布资源的反馈数据进行筛选，从所述已发布资源获得候选资源；
相关性计算模块，用于按照所述社交网络中的圈子类别，进行所述候选资源与一类圈子之间的相关性计算，获得所述候选资源对此类圈子的相关度；
推荐权重计算模块，用于将社交网络中的用户作为目标用户，根据所在圈子中其他用户对候选资源的获取行为，统计所述候选资源在所述圈子对应的资源获取人数，并根据所述候选资源在所述圈子对应的资源获取人数和所述候选资源与对应圈子类别的相关度，计算推荐权重，所述推荐权重将作为向所述目标用户推荐候选资源的依据。
14.一种计算机设备，其特征在于，所述计算机设备部署于社交网络架构下，所述计算机设备包括：
处理器；以及
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如权利要求1至12中任一项所述的社交网络中的推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910537762.8A CN110413898B (zh) | 2019-06-20 | 2019-06-20 | 社交网络中的推荐方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910537762.8A CN110413898B (zh) | 2019-06-20 | 2019-06-20 | 社交网络中的推荐方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110413898A CN110413898A (zh) | 2019-11-05 |
| CN110413898B true CN110413898B (zh) | 2023-10-24 |
Family
ID=68359416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910537762.8A Active CN110413898B (zh) | 2019-06-20 | 2019-06-20 | 社交网络中的推荐方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110413898B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180004726A1 (en) * | 2015-01-16 | 2018-01-04 | Hewlett-Packard Development Company, L.P. | Reading difficulty level based resource recommendation |
| CN108846042A (zh) * | 2018-05-29 | 2018-11-20 | 昆明理工大学 | 一种结合用户反馈机制的社交网络推荐方法 |
-
2019
- 2019-06-20 CN CN201910537762.8A patent/CN110413898B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180004726A1 (en) * | 2015-01-16 | 2018-01-04 | Hewlett-Packard Development Company, L.P. | Reading difficulty level based resource recommendation |
| CN108846042A (zh) * | 2018-05-29 | 2018-11-20 | 昆明理工大学 | 一种结合用户反馈机制的社交网络推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110413898A (zh) | 2019-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902708B (zh) | 一种推荐模型训练方法及相关装置 | |
| TWI740106B (zh) | 產品推薦方法和裝置 | |
| US11659050B2 (en) | Discovering signature of electronic social networks | |
| US11574139B2 (en) | Information pushing method, storage medium and server | |
| US11087413B2 (en) | Identity mapping between commerce customers and social media users | |
| CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
| CN107808314B (zh) | 用户推荐方法及装置 | |
| CN108429776B (zh) | 网络对象的推送方法、装置、客户端、交互设备以及系统 | |
| CN113422986A (zh) | 用于直播间推荐的方法、装置、设备、介质和程序产品 | |
| CN110245684B (zh) | 数据处理方法、电子设备和介质 | |
| CN112560105B (zh) | 保护多方数据隐私的联合建模方法及装置 | |
| CN110427545B (zh) | 一种信息推送方法及系统 | |
| CN108647986A (zh) | 一种目标用户确定方法、装置及电子设备 | |
| CN110413898B (zh) | 社交网络中的推荐方法及设备 | |
| CN108932658B (zh) | 数据处理方法、装置和计算机可读存储介质 | |
| CN109344327B (zh) | 用于生成信息的方法和装置 | |
| CN109460778B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
| CN108460630B (zh) | 基于用户数据进行分类分析的方法和装置 | |
| CN111325228A (zh) | 一种模型训练方法及装置 | |
| CN115034788A (zh) | 交易风险评估方法及装置、电子设备、存储介质 | |
| CN110347905B (zh) | 确定信息关联度、信息推荐的方法、装置和存储介质 | |
| Wang et al. | Click-through prediction for sponsored search advertising with hybrid models | |
| US20140372212A1 (en) | Relevance index correction apparatus and relevance index correction method | |
| CN116932349A (zh) | 推荐系统的评估方法、评估装置及电子设备 | |
| CN117611289A (zh) | 对象信息推送方法、装置、计算机设备和存储介质 |
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 |