CN110555172A - 用户关系挖掘方法及装置、电子设备和存储介质 - Google Patents

用户关系挖掘方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN110555172A
CN110555172A CN201910815911.2A CN201910815911A CN110555172A CN 110555172 A CN110555172 A CN 110555172A CN 201910815911 A CN201910815911 A CN 201910815911A CN 110555172 A CN110555172 A CN 110555172A
Authority
CN
China
Prior art keywords
user
label
tag
initial
result
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.)
Granted
Application number
CN201910815911.2A
Other languages
English (en)
Other versions
CN110555172B (zh
Inventor
宋宇航
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.)
JD Digital Technology Holdings Co Ltd
Original Assignee
JD Digital Technology Holdings 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 JD Digital Technology Holdings Co Ltd filed Critical JD Digital Technology Holdings Co Ltd
Priority to CN201910815911.2A priority Critical patent/CN110555172B/zh
Publication of CN110555172A publication Critical patent/CN110555172A/zh
Application granted granted Critical
Publication of CN110555172B publication Critical patent/CN110555172B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开是关于一种用户关系挖掘方法、用户关系挖掘装置、电子设备以及计算机可读存储介质，涉及大数据分析与挖掘技术领域，可以应用于对用户行为进行分析，以完成对用户关系挖掘的应用场景。该用户关系挖掘方法包括：获取用户关系数据，确定用户关系数据中待处理用户的用户标签；其中，待处理用户包括目标用户以及目标用户的邻居用户；获取最大分组数量；根据最大分组数量以及邻居用户的用户标签对目标用户的用户标签进行标签更新操作，以确定目标用户的结果标签；根据结果标签确定目标用户的用户分组。本公开可以对用户关系通过不同维度进行分析，即包括以社区为对象的粗粒度分析和以用户为对象的细粒度分析。

Description

用户关系挖掘方法及装置、电子设备和存储介质
技术领域
本公开涉及大数据分析与挖掘技术领域，具体而言，涉及一种用户关系挖掘方法、用户关系挖掘装置、电子设备以及计算机可读存储介质。
背景技术
在电商业务实践中，随着业务范围的不断扩张，用户量日趋饱和，对于用户画像的构建，用户行为的分析已经成为一项重要研究课题。对于用户关系的挖掘，可以作为精准营销的一种重要手段。
目前，可以采用标签传播算法(Label Propagation Algorithm，LPA)对用户关系进行分析，然而，在实际应用的复杂用户社交网络中，由于在每次的迭代计算中，一个节点的邻居标签不唯一，对于迭代至标签完全一致的收敛条件难以实现。
另外，基于LPA的社区发现算法是以社区为对象一种较粗粒度的分析手段，在具体细化到用户维度的分析场景中无法适用；并且采用LPA算法分析用户关系时，每个节点的社区属性唯一。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种用户关系挖掘方法、用户关系挖掘装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服基于LPA算法分析用户关系的方法在实际应用的复杂用户社交网络不能适用的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本公开的第一方面，提供一种用户关系挖掘方法，包括：获取用户关系数据，确定用户关系数据中待处理用户的用户标签；其中，待处理用户包括目标用户以及目标用户的邻居用户；获取最大分组数量；根据最大分组数量以及邻居用户的用户标签对目标用户的用户标签进行标签更新操作，以确定目标用户的结果标签；根据结果标签确定目标用户的用户分组。
可选的，获取用户关系数据，包括：获取采集数据，对采集数据进行加密处理得到加密用户数据；从加密用户数据中确定待处理用户的关联信息元组；统计关联信息元组的关联数量作为关联信息元组的权重；将包含权重的关联信息元组作为用户关系数据。
可选的，在确定用户关系数据中待处理用户的用户标签之前，上述方法还包括：确定用户关系数据中的初始用户；对初始用户进行异常用户剔除处理，以得到待处理用户。
可选的，根据最大分组数量以及邻居用户的用户标签对目标用户的用户标签进行标签更新操作，以确定目标用户的结果标签，包括：确定待处理用户的初始标签；其中，初始标签包括目标用户的初始用户标签以及邻居用户的初始邻居标签；根据最大分组数量与初始邻居标签更新初始用户标签，直至标签更新操作满足更新停止条件，确定结果标签。
可选的，确定待处理用户的初始标签，包括：确定待处理用户的初始用户分组与初始系数；将待处理用户的初始用户分组与初始系数进行组合处理以形成初始标签。
可选的，根据最大分组数量与初始邻居标签更新初始用户标签，直至标签更新操作满足更新停止条件，确定结果标签，包括：将根据初始邻居标签计算得到目标用户的用户标签作为当前用户标签；如果当前用户标签满足更新停止条件，则将当前用户标签作为结果标签；其中，结果标签中的用户分组数量小于最大分组数量。
可选的，目标用户的数量为多个，更新停止条件包括以下任意一个或多个的组合：各目标用户的用户分组的数量小于等于最大分组数量；各目标用户对应的分组数量与上次更新计算得到的分组数量相同；标签更新操作的次数大于预设最大更新次数。
根据本公开的第二方面，提供一种用户关系挖掘方法，包括：获取用户关系数据，确定用户关系数据中的用户；其中，用户包括目标用户以及目标用户的关联用户；从用户关系数据中确定用户的初始用户标签；根据初始用户标签进行传播更新操作，以得到与初始用户标签对应的结果用户标签；根据结果用户标签确定结果关联用户；其中，结果关联用户与目标用户具有共同邻居用户且关联系数达到预设阈值。
可选的，初始用户标签包括目标用户的初始目标用户标签以及关联用户的初始关联用户标签，根据初始用户标签进行传播更新操作，以得到与初始用户标签对应的结果用户标签，包括：将初始目标用户标签更新至初始关联用户标签得到中间关联用户标签；将初始关联用户标签更新至初始目标用户标签得到中间目标用户标签；根据中间关联用户标签再次进行标签更新操作后，删除中间关联用户标签，得到结果关联用户标签；根据中间目标用户标签再次进行标签更新操作后，删除中间目标用户标签，得到结果目标用户标签；将结果关联用户标签与结果目标用户标签作为结果用户标签。
可选的，根据结果用户标签确定结果关联用户，包括：确定与目标用户具有共同邻居用户的用户作为初始关联用户；确定目标用户与初始关联用户的共同邻居数量；按照共同邻居数量对结果用户标签进行预排序处理得到预排序结果；对预排序结果进行异常性补偿排序处理以得到输出结果集；将根据输出结果集确定出的关联用户作为结果关联用户。
根据本公开的第三方面，提供一种用户关系挖掘装置，包括：标签确定模块，用于获取用户关系数据，确定用户关系数据中待处理用户的用户标签；其中，待处理用户包括目标用户以及目标用户的邻居用户；分组数量确定模块，用于获取最大分组数量；标签更新模块，用于根据最大分组数量以及邻居用户的用户标签对目标用户的用户标签进行标签更新操作，以确定目标用户的结果标签；分组确定模块，用于根据结果标签确定目标用户的用户分组。
在本公开的一些示例实施例中，基于前述方案，标签确定模块包括数据获取单元，数据获取单元被配置为：获取采集数据，对采集数据进行加密处理得到加密用户数据；从加密用户数据中确定待处理用户的关联信息元组；统计关联信息元组的关联数量作为关联信息元组的权重；将包含权重的关联信息元组作为用户关系数据。
在本公开的一些示例实施例中，基于前述方案，标签确定模块还包括用户确定单元，用户确定单元被配置为：确定用户关系数据中的初始用户；对初始用户进行异常用户剔除处理，以得到待处理用户。
在本公开的一些示例实施例中，基于前述方案，标签更新模块包括标签确定单元，标签确定单元被配置为：确定待处理用户的初始标签；其中，初始标签包括目标用户的初始用户标签以及邻居用户的初始邻居标签；根据最大分组数量与初始邻居标签更新初始用户标签，直至标签更新操作满足更新停止条件，确定结果标签。
在本公开的一些示例实施例中，基于前述方案，标签确定单元包括初始标签确定子单元，初始标签确定子单元被配置为：确定待处理用户的初始用户分组与初始系数；将待处理用户的初始用户分组与初始系数进行组合处理以形成初始标签。
在本公开的一些示例实施例中，基于前述方案，标签确定单元包括结果标签确定子单元，结果标签确定子单元被配置为：将根据初始邻居标签计算得到目标用户的用户标签作为当前用户标签；如果当前用户标签满足更新停止条件，则将当前用户标签作为结果标签；其中，结果标签中的用户分组数量小于最大分组数量。
根据本公开的第四方面，提供一种用户关系挖掘装置，包括：用户确定模块，用于获取用户关系数据，确定用户关系数据中的用户；其中，用户包括目标用户以及目标用户的关联用户；标签确定模块，用于从用户关系数据中确定用户的初始用户标签；标签更新模块，用于根据初始用户标签进行传播更新操作，以得到与初始用户标签对应的结果用户标签；结果用户确定模块，用于根据结果用户标签确定结果关联用户；其中，结果关联用户与目标用户具有共同邻居用户且关联系数达到预设阈值。
在本公开的一些示例实施例中，基于前述方案，标签更新模块包括标签确定单元，标签确定单元被配置为：将初始目标用户标签更新至初始关联用户标签得到中间关联用户标签；将初始关联用户标签更新至初始目标用户标签得到中间目标用户标签；根据中间关联用户标签再次进行标签更新操作后，删除中间关联用户标签，得到结果关联用户标签；根据中间目标用户标签再次进行标签更新操作后，删除中间目标用户标签，得到结果目标用户标签；将结果关联用户标签与结果目标用户标签作为结果用户标签。
在本公开的一些示例实施例中，基于前述方案，结果用户确定模块包括用户确定单元，用户确定单元被配置为：确定与目标用户具有共同邻居用户的用户作为初始关联用户；确定目标用户与初始关联用户的共同邻居数量；按照共同邻居数量对结果用户标签进行预排序处理得到预排序结果；对预排序结果进行异常性补偿排序处理以得到输出结果集；将根据输出结果集确定出的关联用户作为结果关联用户。
根据本公开的第五方面，提供一种电子设备，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根据上述任意一项所述的用户关系挖掘方法。
根据本公开的第六方面，提供一种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根据上述任意一项所述的用户关系挖掘方法。
本公开提供的技术方案可以包括以下有益效果：
本公开的示例性实施例中的用户关系挖掘方法，首先，获取用户关系数据，确定用户关系数据中待处理用户的用户标签；其中，待处理用户包括目标用户以及目标用户的邻居用户；其次，获取最大分组数量；再次，根据最大分组数量以及邻居用户的用户标签对目标用户的用户标签进行标签更新操作，以确定目标用户的结果标签；接下来，根据结果标签确定目标用户的用户分组。通过本公开的用户关系挖掘方法，一方面，获取到用户关系数据后，可以根据用户关系数据确定出待处理用户的用户标签，以便根据获取到的用户标签对用户关系进行分析处理。另一方面，获取最大分组数量，可以根据最大分组数量与邻居用户的用户标签对目标用户的用户标签进行标签更新操作，以确定目标用户的结果标签，以便根据结果标签确定目标用户对应的用户分组。又一方面，根据结果标签确定出的用户分组的数量可以为一个或多个，能够满足复杂社交网络中，每个用户节点可能对应多个分组(社区)的需求。再一方面，确定出目标用户对应的用户分组，是一种以社区维度对用户关系进行分析的方法，可以为用户画像、物品精准推广活动等应用提供数据基础。
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和解释性的，并不能限制本公开。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。在附图中：
图1示意性示出了根据本公开的一些示例性实施方式的用户关系挖掘方法的流程图；
图2示意性示出了根据本公开的示例性实施方式的用户关系挖掘方法的整体流程图；
图3示意性示出了根据本公开的示例性实施方式的异常节点剔除处理的流程图；
图4示意性示出了根据本公开的示例性实施方式的基于COPRA算法的用户关系分析处理的流程图；
图5示意性示出了根据本公开的另一示例性实施方式的用户关系挖掘方法的流程图；
图6示意性示出了根据本公开的示例性实施方式的基于二跳邻居算法进行用户关系处理的流程图；
图7示意性示出了根据本公开的示例性实施方式的基于二跳邻居算法进行第一次标签传播的节点标签信息图；
图8示意性示出了根据本公开的示例性实施方式的基于二跳邻居算法进行第二次标签传播的节点标签信息图；
图9示意性示出了根据本公开的示例性实施方式的基于二跳邻居算法对标签集合进行预排序的结果图；
图10示意性示出了根据本公开的一些示例性实施方式的用户关系挖掘装置的方框图；
图11示意性示出了根据本公开的另一示例性实施方式的用户关系挖掘装置的方框图；
图12示意性示出了根据本公开一示例性实施例的电子设备的框图；
图13示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在电商业务事件中，用户行为分析已经成为一项重要研究内容。目前，通常采用LPA算法进行用户关系挖掘，然而，LPA算法在节点更新时，当次数最多的标签不唯一时，由于选择的随机性，每次输出的结果会不一致。LPA算法中每个节点的社区属性全局唯一，不能满足每个节点对应多个社区的应用场景；另外，基于LPA的社区发现算法是以社区为对象一种较粗粒度的分析手段，当具体细化到用户维度的分析场景中不适用。
基于此，在本示例实施例中，首先提供了一种用户关系挖掘方法，可以利用服务器来实现本公开的用用户关系挖掘方法，也可以利用终端设备来实现本公开所述的方法，其中，本公开中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、个人数字助理(Personal Digital Assistant，PDA)、等移动终端，以及诸如台式计算机等固定终端。图1示意性示出了根据本公开的一些实施例的用户关系挖掘方法流程的示意图。参考图1，该用户关系挖掘方法可以包括以下步骤：
步骤S110，获取用户关系数据，确定用户关系数据中待处理用户的用户标签；其中，待处理用户包括目标用户以及目标用户的邻居用户。
步骤S120，获取最大分组数量。
步骤S130，根据最大分组数量以及邻居用户的用户标签对目标用户的用户标签进行标签更新操作，以确定目标用户的结果标签。
步骤S140，根据结果标签确定目标用户的用户分组。
根据本示例实施例中的用户关系挖掘方法，一方面，获取到用户关系数据后，可以根据用户关系数据确定出待处理用户的用户标签，以便根据获取到的用户标签对用户关系进行分析处理。另一方面，获取最大分组数量，可以根据最大分组数量与邻居用户的用户标签对目标用户的用户标签进行标签更新操作，以确定目标用户的结果标签，以便根据结果标签确定目标用户对应的用户分组。又一方面，根据结果标签确定出的用户分组的数量可以为一个或多个，能够满足复杂社交网络中，每个用户节点可能对应多个分组(社区)的需求。再一方面，确定出目标用户对应的用户分组，是一种以社区维度对用户关系进行分析的方法，可以为用户画像、物品精准推广活动等应用提供数据基础。
下面，将对本示例实施例中的用户关系挖掘方法进行进一步的说明。
在步骤S110中，获取用户关系数据，确定用户关系数据中待处理用户的用户标签；其中，待处理用户包括目标用户以及目标用户的邻居用户。
在本公开的一些示例性实施方式中，用户关系数据可以是能够反映不同用户之间关联关系的数据。待处理用户可以是用户关系数据中所包含的所有用户。目标用户可以是从待处理用户中确定出来的本次需要确定用户分组的用户。邻居用户可以是与目标用户具有直接关联关系的用户。用户标签可以是能够反映不同用户之间连接关系的标签，用户标签中包括了该用户与其他用户之间的连接信息。
获取到用户关系数据后，可以从用户关系数据中确定出待处理用户以及待处理用户的用户标签，以便根据用户标签对目标用户进行用户关系处理。
根据本公开的一些示例性实施例，获取采集数据，对采集数据进行加密处理得到加密用户数据；从加密用户数据中确定待处理用户的关联信息元组；统计关联信息元组的关联数量作为关联信息元组的权重；将包含权重的关联信息元组作为用户关系数据。
采集数据可以是预先采集到的包含用户行为或用户个人信息的数据，采集数据可以包括但不限于离线用户数据和实时用户数据等。具体的，离线用户数据可以是对历史用户数据进行归档整合后形成的用户数据。实时用户数据可以是通过终端设备实时采集到的在线数据，实时用户数据可以包括但不限于用户订单数据以及用户在线访问行为产生的数据等；其中，通过用户订单数据可以获取到用户的性别、年龄、联系方式等用户信息；另外，用户在线访问行为产生的数据可以包括但不限于不同用户之间互相分享信息所产生的数据，不同用户之间通过聊天等在线社交活动产生的交互数据等。
加密用户数据可以对采集数据进行加密处理后形成的数据。为了防止用户个人信息的泄露，对于采集到的用户信息，需要做加密处理，在保证数据安全的同时，确保用户数据的唯一性。举例而言，可以采用MD5消息摘要算法(Message-Digest Algorithm，MD5)等加密处理方式对采集数据进行加密处理。
关联信息元组可以是从加密用户数据中抽取出来的表示不同用户之间的用户关系的用户关系对。对采集数据进行加密处理得到加密用户数据后，可以对加密用户数据中格式不规范的数据进行剔除，以对加密用户数据进行数据清洗操作。数据清洗操作完成后，可以从经过数据清洗操作后的用户加密数据中抽取用户关系对作为关联信息元组，例如，关联信息元组可以表示为(useri，userj)，并将得到的关联信息元组存储到Hadoop分布式文件系统(Hadoop Distributed File System，HDFS)中，以便后续从HDFS中获取到关联信息元组并对其进行分析处理。
关联信息元组的权重可以是表示两个用户之间关联程度的数值。可以对经过数据清洗后的用户加密数据进行数据预处理，统计每个用户对出现的频次，即用户对出现的频次可以表示不同用户之间的通信次数，可以将通信次数作为用户对的权重。关联信息元组的权重可以表示为wij，其中，wij可以表示i与j之间的信息权重，即用户i与用户j之间的通信次数。用户关系数据可以是包含权重的关联信息元组，例如，关联信息元组的格式可以表示为(useri，userj，wij)。
参考图2，图2示意性示出了本示例性实施例进行用户关系挖掘的整体流程图，在步骤S210～步骤S220中，可以从数据库中获取离线数据，并可以从个人计算机(PersonalComputer，PC)端和移动(Mobile)端获取到在线实时数据等采集数据；在步骤S230～步骤S240中，可以对获取到的采集数据进行加密处理、数据清洗处理等一系列处理后，从经过处理的用户数据中抽取用户关系对作为关联信息元组，然后，统计关联信息元组中不同用户之间的通信次数，并根据通信次数确定关联信息元组的权重，可以将包含权重的关联信息元组作为用户关系数据，以便后续基于用户关系数据对用户关系进行分析和挖掘。
根据本公开的另一示例性实施例，确定用户关系数据中的初始用户；对初始用户进行异常用户剔除处理，以得到待处理用户。初始用户可以是从用户关系数据中包含的所有用户，可以将每个初始用户看作是一个用户节点。异常用户剔除处理可以是对初始用户中贡献度低的用户以及具有负影响的用户进行剔除的操作。异常用户通常是由于用户之间误发送信息而导致推广信息或广告信息产生的用户。待处理用户可以是对初始用户进行异常用户剔除处理后得到的那部分用户。参考图2，在步骤S250中，可以对用户关系数据中的初始用户进行异常用户剔除处理，以便后续对经剔除处理后得到的待处理用户进行分析处理，以确定待处理用户对应的用户分组或其他信息。
由于每个用户可以看作是一个用户节点，则异常用户可以看作是一个异常节点。为了保证分析结果的准确性，本方法采用了一种用于图和图计算的组件GraphX自带的PageRank算法来过滤异常节点。参考图3，图3示意性示出了采用PageRank算法进行异常点剔除的算法流程图。在步骤S310中，可以确定出关系对数据PageRank精度参数剔除阈值，可以用T表示剔除阈值；在步骤S320～步骤S330中，可以根据用户关系数据构建有向图，并计算每个用户节点的PageRank(即PR)值；在步骤S340中，计算所有节点的PR值之后，可以计算出平均值Avr；在步骤S350中，将计算出的PR值、Avr值、T值进行对比，以便剔除异常节点，具体的，在步骤S360～步骤S370中，可以将PR>Avr*T的节点视作是异常点，并对这些异常节点剔除，保留满足条件的节点，以便进行后续处理。
在步骤S120中，获取最大分组数量。
在本公开的一些示例性实施方式中，最大分组数量，也称为最大重叠社区数，可以是预先确定的表示目标用户所属的不同分组的总数量，可以用v表示最大分组数量。采用重叠社区发现算法(Community Overlap Propagation Algorithm，COPRA)算法进行用户关系分析时，确定出的用户对应的分组数量可以为一个或多个。
COPRA算法中最大重叠社区数v对最后的社区划分影响较大，且对于算法的迭代次数也有影响，在执行前需对数据确定一个全局的最优解。通过对比多次计算结果发现，取所有节点的平均度数作为v值，结果相对较优。平均度v的计算方式如下：
在步骤S130中，根据最大分组数量以及邻居用户的用户标签对目标用户的用户标签进行标签更新操作，以确定目标用户的结果标签。
在本公开的一些示例性实施方式中，标签更新操作可以是采用COPRA算法对目标用户的用户标签进行更新的操作。结果标签可以是标签更新操作结束后，目标用户对应的用户标签，结果标签中包含了目标用户的分组信息。
参考图4，图4示意性示出了采用COPRA算法的用户关系分析处理的流程图。在步骤S410～步骤S420中，采用COPRA算法对用户关系进行分析时，可以从用户关系数据中确定待处理用户对应的用户节点，并构建这些用户节点对应的无向关系图，以便根据构建出的无向关系图对用户标签进行更新，确定用户的所属分组情况。
根据本公开的一些示例性实施例，确定待处理用户的初始标签；其中，初始标签包括目标用户的初始用户标签以及邻居用户的初始邻居标签；根据最大分组数量与初始邻居标签更新初始用户标签，直至标签更新操作满足更新停止条件，确定结果标签。
初始标签可以是采用COPRA算法进行用户关系分析处理时，初始时为待处理用户分配的标签。初始用户标签可以是初始时为目标用户分配的标签。初始邻居标签可以是初始时为目标用户的邻居用户分配的标签。更新停止条件可以是在对用户标签进行标签更新操作时，更新后的用户标签满足可以使更新操作停止时所对应的条件。在步骤S430～步骤S470中，根据确定出的最大分组数量以及初始邻居标签可以对初始用户标签进行更新，直到标签更新结果可以满足更新停止条件时，停止标签更新操作。
根据本公开的一些示例性实施例，确定待处理用户的初始用户分组与初始系数；将待处理用户的初始用户分组与初始系数进行组合处理以形成初始标签。初始用户分组可以是在采用COPRA算法对用户关系进行分析处理之前，待处理用户对应的用户分组，用户分组也称为用户社区。初始系数可以是在进行标签初始化时，用户节点在与其对应的用户分组中的从属系数。
COPRA算法相对于LPA算法，定义了新的标签结构，标签对(a，b)。对于每个用户节点，存在一个用户节点包含多个标签对的结构，从而比采用LPA算法进行用户关系处理时提供更多的信息。具体的，可以采用参数a来表示用户节点所在的社区，参数b可以表示用户节点在社区a中的从属系数，各个用户节点的所有标签系数之和为1。
根据标签结构可以对待处理用户的用户节点进行标签初始化处理，对于每一个节点x，初始分配一个唯一的标签cx，同时初始化从属系数为1，即(cx，1)。
根据本公开的一些示例性实施例，将根据初始邻居标签计算得到目标用户的用户标签作为当前用户标签；如果当前用户标签满足更新停止条件，则将当前用户标签作为结果标签；其中，结果标签中的用户分组数量小于最大分组数量。当前用户标签可以是对用户节点的标签进行传播迭代处理时得到的用户标签，当前用户标签可以是经过一次或多次迭代操作(即标签更新操作)后得到的用户标签。更新停止条件可以是判断标签更新操作是否可以结束所采用的判断条件。结果标签可以是当用户标签中包括的标签信息满足更新停止条件时，用户节点所对应的标签。
由于标签传播过程需要进行多步迭代，节点标签(cx，1)可以根据邻居节点标签集合更新自己的标签，当存在多个标签时，区别于LPA随机选取一个标签，COPRA选取v(最大重叠社区数)个标签。可以定义传播公式，如公式2所示，公式2表示第t次的从属系数是由t-1次计算得到的。
其中，N(x)表示该节点的所有邻居节点。
为了防止标签过度传播，当节点(cx，1)的标签集中包含了初始标签，则将初始标签作为更新后的标签，同时对从属系数归一化。
具体的，目标用户的数量为多个，更新停止条件包括以下任意一个或多个的组合：各目标用户的用户分组的数量小于等于最大分组数量；各目标用户对应的分组数量与上次更新计算得到的分组数量相同；标签更新操作的次数大于预设最大更新次数。最大更新次数可以是对标签进行更新并进行迭代计算的次数。
更新停止条件也可以认为是判断节点标签属性是否达到了收敛条件，在每轮迭代计算后，汇总所有的节点，判断节点属性是否达到收敛条件。具体的，更新停止条件可以包括判断依据计算结果的每个社区中节点的个数是否与上一轮的结果一致，一致表示节点达到稳定状态。同时为了防止算法无限迭代，设置预设最大更新次数，即最大迭代次数M，超过迭代次数停止计算；
在步骤S140中，根据结果标签确定目标用户的用户分组。
在本公开的一些示例性实施方式中，目标用户的用户分组可以是对用户关系进行分析处理后得到的目标用户对应的分组信息。举例而言，在采用COPRA算法对用户关系进行分析处理后，得到目标用户对应的结果标签，从结果标签中可以得到目标用户所属的用户分组，即目标用户所在的社区。通过该方法，可以确定出目标用户对应的一个或多个用户分组，目标用户可能具有多个社区属性，可以满足在实际应用中一个用户可能对应多个用户分组的实际需求。
参考图5所示，根据本公开的另一个实施例的用户关系挖掘方法，可以利用服务器来实现本公开的用用户关系挖掘方法，也可以利用终端设备来实现本公开所述的方法，其中，本公开中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、个人数字助理(Personal Digital Assistant，PDA)、等移动终端，以及诸如台式计算机等固定终端。图5示意性示出了根据本公开的另一实施例的用户关系挖掘方法流程的示意图。参考图5，该用户关系挖掘方法可以包括以下步骤：
包括如下步骤S510至步骤S540，以下详细进行阐述。
步骤S510，获取用户关系数据，确定用户关系数据中的用户；其中，用户包括目标用户以及目标用户的关联用户。
步骤S520，从用户关系数据中确定用户的初始用户标签。
步骤S530，根据初始用户标签进行传播更新操作，以得到与初始用户标签对应的结果用户标签。
步骤S540，根据结果用户标签确定结果关联用户；其中，结果关联用户与目标用户具有共同邻居用户且关联系数达到预设阈值。
采用本示例性实施例的用户关系挖掘方法，一方面，获取到用户关系数据后，可以根据用户关系数据确定出用户的初始用户标签，以便根据初始用户标签对用户关系进行分析处理。另一方面，根据初始用户标签进行传播更新操作，可以得到经过标签更新操作后得到的结果用户标签，以便根据结果用户标签确定与目标用户对应的结果关联用户。再一方面，根据结果用户标签确定出与目标用户具有共同邻居用户且关联系数达到预设阈值的结果关联用户，可以确定出与目标用户具有共同好友的其他用户，是以用户维度对用户关系进行分析，为用户画像、物品精准推广活动提供了数据基础。
下面，将对本示例实施例中的用户关系挖掘方法进行进一步的说明。
在步骤S510中，获取用户关系数据，确定用户关系数据中的用户；其中，用户包括目标用户以及目标用户的关联用户。
在本公开的一些示例性实施方式中，用户关系数据可以是能够反映不同用户之间关联关系的数据。用户可以是用户关系数据中包含的所有用户。目标用户可以是从用户中随机确定出的用户。目标用户的关联用户可以是与目标用户之间存在关联关系的用户。获取到用户关系数据后，可以从用户关系数据中确定包括目标用户以及目标用户的关联用户等的用户信息。
在步骤S520中，从用户关系数据中确定用户的初始用户标签。
在本公开的一些示例性实施方式中，初始用户标签可以是初始化为每个用户设定的用户标签。从用户关系数据中可以确定出每个用户的初始用户标签。根据确定出的初始用户标签可以进行标签更新操作，以便在进行标签更新操作后对用户关系进行分析处理。
在步骤S530中，根据初始用户标签进行传播更新操作，以得到与初始用户标签对应的结果用户标签。
在本公开的一些示例性实施方式中，传播更新操作可以是根据初始用户标签在所有用户之间进行的标签更新操作。结果用户标签可以是对初始用户标签进行传播更新操作后，各个用户对应的标签。在进行传播更新操作时，每个用户可以唯一对应一个用户节点，将目标用户节点的初始用户标签传播更新至与目标用户节点关联的用户节点上，对目标用户关联的其他用户的用户标签进行更新，以便得到经过更新处理后的结果用户标签。具体的，传播更新操作可以是基于二跳邻居算法进行的标签传播更新操作。
根据本公开的一些示例性实施例，初始用户标签包括目标用户的初始目标用户标签以及关联用户的初始关联用户标签，将初始目标用户标签更新至初始关联用户标签得到中间关联用户标签；将初始关联用户标签更新至初始目标用户标签得到中间目标用户标签；根据中间关联用户标签再次进行标签更新操作后，删除中间关联用户标签，得到结果关联用户标签；根据中间目标用户标签再次进行标签更新操作后，删除中间目标用户标签，得到结果目标用户标签；将结果关联用户标签与结果目标用户标签作为结果用户标签。
初始目标用户标签可以是在初始化时目标用户对应的用户标签。初始关联用户标签可以是初始化时与目标用户关联的关联用户对应的用户标签。从获取到的用户关系数据中可以确定初始目标用户标签和初始关联用户标签，以便利用初始目标用户标签和初始关联用户标签进行标签传播更新操作，以进行用户关系分析处理。
将初始用户标签更新至初始邻居标签得到中间邻居标签；确定与邻居用户对应的间隔邻居用户以及间隔邻居用户的间隔邻居标签；根据中间邻居标签更新间隔邻居标签，并将更新后的间隔邻居标签作为结果邻居标签。
中间关联用户标签可以是在标签传播更新过程中，经过传播更新操作处理后关联用户节点对应的标签。关联用户可以包括直接邻居用户和间隔邻居用户，且直接邻居用户对应邻居用户标签，间隔邻居用户对应间隔邻居标签。间隔邻居用户可以是与目标用户之间有一个共同用户的用户，例如，如果用户A与用户B直接相连，用户B与用户C直接相连，则用户C是用户A的间隔邻居用户。
中间目标用户标签可以是在标签传播更新过程中，经过传播更新操作处理后目标用户节点对应的标签。结果目标用户标签可以是标签更新操作结束后，目标用户对应的用户标签。结果关联用户标签可以是标签更新操作结束后，结果用户对应的用户标签。
参考图6，在步骤S610～步骤S620中，获取到用户关系数据后，可以根据用户关系数据构建对应的用户关系图，以便基于用户关系图对用户关系进行处理。在步骤S630中，进行第一次标签传播，对于每个用户节点，可以将自己对应的用户标签传播给邻居用户节点，对邻居用户节点的初始邻居标签进行更新。参考图7，图7中示意性示出了第一次标签传播操作结束后，各个用户节点对应的用户标签结果。举例而言，节点1、节点2、节点3、节点4分别对应的初始用户标签为(1,1)、(2,1)、(3,1)、(4,1)，经过第一次标签传播操作后，节点1、节点2、节点3、节点4分别对应的中间用户标签分别为(2,1)、(4,1)(3,1)(1,1)、(2,1)(4,1)、(2,1)、(3,1)。
在第一次标签传播操作结束后，可以根据第一次标签传播操作结束后，各用户对应的标签进行第二次标签传播操作。第二次标签传播过程相对于第一次传播过程，区别在于vertexProgram阶段，对于第一次传播获取的标签数据做删除，而非汇总标签更新结果。由于第一次传播获得的标签都是来自于一跳邻居节点，直接相关，需要剔除此部分的数据，得到的才是不直接相关的二跳邻居的标签。
参考图6和图8，图8示意性示出了第二次标签传播操作结束后，各个用户节点对应的用户标签结果。在步骤S640中，进行第二次标签传播更新操作，则节点1、节点2、节点3、节点4分别对应的标签由(4,1)(3,1)(1,1)、(4,1)(3,1)(2,3)、(2,1)(4,1)(1,1)(3,1)、(4,2)(3,1)(2,1)(4,1)变为(4,1)(3,1)、空、(1,1)、(1,1)。
在步骤S540中，根据结果用户标签确定结果关联用户；其中，结果关联用户与目标用户具有共同邻居用户且关联系数达到预设阈值。
在本公开的一些示例性实施方式中，关联系数可以是能够表示目标用户和与其之间有关联的用户之间关联程度的系数。预设阈值可以是预先确定的用于与关联系数进行对比的数值。结果关联用户可以是与目标用户之间有共同好友用户且关联系数达到预设阈值的用户。
根据本公开的一些示例性实施例，确定与目标用户具有共同邻居用户的用户作为初始关联用户；确定目标用户与初始关联用户的共同邻居数量；按照共同邻居数量对结果用户标签进行预排序处理得到预排序结果；对预排序结果进行异常性补偿排序处理以得到输出结果集；将根据输出结果集确定出的关联用户作为结果关联用户。
初始关联用户可以是所有与目标用户具有共同邻居用户的用户。共同邻居数量可以是初始关联用户与目标用户之间对应的共同邻居用户的数量。预排序处理可以是对第二次标签传播操作结束后得到的标签集合按照共同邻居节点的数目进行排序的过程。异常性补偿排序处理可以是对预排序处理后得到的标签结果进行的再排序处理过程。输出结果集可以是经异常性补偿排序处理后得到的标签结果集合。
基于二跳邻居算法的拓展分析，上述结果的标签带有权重，权重由该节点的邻居节点个数决定，即表明从其他用户节点到目标节点的路径个数，可以视为共同的邻居节点个数。在步骤S650～步骤S680中，可以对标签传播更新操作结束后确定出的标签结果进行处理，以确定结果关联用户。参考图9，图9示意性示出了基于二跳邻居算法对标签集合进行预排序的结果图。举例而言，当第二次标签传播操作结束后，对图中用户节点进行预排序，预排序结果如下。
预排序结果中表明，节点4到达节点5的路径个数为2，节点4到达节点5的路径个数为2，节点4到达节点7的路径个数为1。该结果表示：节点4与节点5有2个共同好友节点，分别为节点1和节点3；节点4与节点2有2个共同好友节点，分别为节点1和节点3；节点4与节点7有1个共同好友节点，为节点1。同理，可以确定出其他用户节点的好友节点。
由于对于出入度较高的节点，对应的二跳邻居节点很多，如果简单的对于数目排序，则有可能会把弱关系的节点联系起来。因此，采用对共同好友数目按照比例归一化的方式再排序，可以一定程度上降低数据分布的干扰，提高算法在不同数据集的适应性。定义异常性补偿公式如下：
其中，d(u)和d(v)分别表示节点u和节点v的度数。将经过异常点补偿再排序处理后的标签集合作为输出结果集。对于输出数据集，可以根据节点间的共同邻居数目，通过量化的方式来划分节点的关系程度，将每个节点的不同关系程度的邻居节点作为输出保存，进而应用于推荐系统等不同的应用中。
综上所述，首先，获取用户关系数据，确定用户关系数据中待处理用户的用户标签；其中，待处理用户包括目标用户以及目标用户的邻居用户；其次，获取最大分组数量；再次，根据最大分组数量以及邻居用户的用户标签对目标用户的用户标签进行标签更新操作，以确定目标用户的结果标签；接下来，根据结果标签确定目标用户的用户分组。通过本公开的用户关系挖掘方法，一方面，对获取到采集数据进行加密处理、数据清洗处理、数据抽取处理后可以得到用户关系数据，将进行过异常点剔除处理后的用户关系数据作为对用户关系挖掘处理的数据基础，以便根进行后续的用户关系的分析处理。另一方面，采用COPRA算法对用户关系数据进行分析处理时，基于用户关系数据可以对待处理用户的用户节点确定新的标签结构，根据用户标签对目标用户的用户标签进行标签更新操作，可以根据标签更新操作结束时，目标用户对应的结果标签确定目标用户对应的一个或多个用户分组，可以满足在实际应用中一个用户可能对应多个用户分组的实际需求。又一方面，采用二跳邻居算法对用户关系数据进行处理时，可以对用户标签进行两次标签传播更新过程，计算出与目标用户具有共同用户节点的用户节点，并从计算出的用户节点中确定与目标用户的关联系数达到预设阈值的关联用户，可以将用户关系分析处理细化到用户维度，弥补了采用LPA算法只能以社区维度等较粗粒度进行用户关系分析的不足。再一方面，计算得到的用户分组结果和关联用户结果，可以为用户画像、精准营销等应用提供数据基础。
需要说明的是，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
此外，在本示例实施例中，还提供了一种用户关系挖掘装置。参考图10，该用户关系挖掘装置1000可以包括：标签确定模块1010、分组数量确定模块1020、标签更新模块1030以及分组确定模块1040。
具体的，标签确定模块1010可以用于获取用户关系数据，确定用户关系数据中待处理用户的用户标签；其中，待处理用户包括目标用户以及目标用户的邻居用户；分组数量确定模块1020可以用于获取最大分组数量；标签更新模块1030可以用于根据最大分组数量以及邻居用户的用户标签对目标用户的用户标签进行标签更新操作，以确定目标用户的结果标签；分组确定模块1040可以用于根据结果标签确定目标用户的用户分组。
用户关系挖掘装置1000可以从获取到的用户关系数据中确定用户标签，并确定最大分组数量，根据最大分组数量和用户标签对目标用户的用户标签进行标签更新操作，以确定目标用户的结果标签，从确定出的结果标签中确定目标用户的用户分组信息，其中，目标用户对应的分组数量可以为一个或多个，实现在复杂用户社交网络中，一个目标用户可能对应多个用户分组的实际需求。
在本公开的一些示例实施例中，基于前述方案，标签确定模块包括数据获取单元，数据获取单元被配置为：获取采集数据，对采集数据进行加密处理得到加密用户数据；从加密用户数据中确定待处理用户的关联信息元组；统计关联信息元组的关联数量作为关联信息元组的权重；将包含权重的关联信息元组作为用户关系数据。
在本公开的一些示例实施例中，基于前述方案，标签确定模块还包括用户确定单元，用户确定单元被配置为：确定用户关系数据中的初始用户；对初始用户进行异常用户剔除处理，以得到待处理用户。
在本公开的一些示例实施例中，基于前述方案，标签更新模块包括标签确定单元，标签确定单元被配置为：确定待处理用户的初始标签；其中，初始标签包括目标用户的初始用户标签以及邻居用户的初始邻居标签；根据最大分组数量与初始邻居标签更新初始用户标签，直至标签更新操作满足更新停止条件，确定结果标签。
在本公开的一些示例实施例中，基于前述方案，标签确定单元包括初始标签确定子单元，初始标签确定子单元被配置为：确定待处理用户的初始用户分组与初始系数；将待处理用户的初始用户分组与初始系数进行组合处理以形成初始标签。
在本公开的一些示例实施例中，基于前述方案，标签确定单元包括结果标签确定子单元，结果标签确定子单元被配置为：将根据初始邻居标签计算得到目标用户的用户标签作为当前用户标签；如果当前用户标签满足更新停止条件，则将当前用户标签作为结果标签；其中，结果标签中的用户分组数量小于最大分组数量。
在本公开的另一实施方式中，还提供了一种用户关系挖掘装置。参考图11，该用户关系挖掘装置1100可以包括：用户确定模块1110、标签确定模块1120、标签更新模块1130以及结果用户确定模块1140。
具体的，用户确定模块1110可以用于获取用户关系数据，确定用户关系数据中的用户；其中，用户包括目标用户以及目标用户的关联用户；标签确定模块1120可以用于从用户关系数据中确定用户的初始用户标签；标签更新模块1130可以用于根据初始用户标签进行传播更新操作，以得到与初始用户标签对应的结果用户标签；结果用户确定模块1140可以用于根据结果用户标签确定结果关联用户；其中，结果关联用户与目标用户具有共同邻居用户且关联系数达到预设阈值。
用户关系挖掘装置1100可以从获取到的用户关系数据中确定目标用户和目标用户的关联用户分别对应的初始用户标签，根据确定出的初始用户标签可以进行标签更新操作，得到结果用户标签，并从结果用户标签中确定与目标用户具有共同邻居用户且关联系数达到预设阈值的结果关联用户，实现从用户维度对用户关系进行分析处理的需求。
在本公开的一些示例实施例中，基于前述方案，标签更新模块包括标签确定单元，标签确定单元被配置为：将初始目标用户标签更新至初始关联用户标签得到中间关联用户标签；将初始关联用户标签更新至初始目标用户标签得到中间目标用户标签；根据中间关联用户标签再次进行标签更新操作后，删除中间关联用户标签，得到结果关联用户标签；根据中间目标用户标签再次进行标签更新操作后，删除中间目标用户标签，得到结果目标用户标签；将结果关联用户标签与结果目标用户标签作为结果用户标签。
在本公开的一些示例实施例中，基于前述方案，结果用户确定模块包括用户确定单元，用户确定单元被配置为：确定与目标用户具有共同邻居用户的用户作为初始关联用户；确定目标用户与初始关联用户的共同邻居数量；按照共同邻居数量对结果用户标签进行预排序处理得到预排序结果；对预排序结果进行异常性补偿排序处理以得到输出结果集；将根据输出结果集确定出的关联用户作为结果关联用户。
上述中各虚拟用户关系挖掘装置模块的具体细节已经在对应的用户关系挖掘方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用户关系挖掘装置的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。
下面参照图12来描述根据本发明的这种实施例的电子设备1200。图12显示的电子设备1200仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图12所示，电子设备1200以通用计算设备的形式表现。电子设备1200的组件可以包括但不限于：上述至少一个处理单元1210、上述至少一个存储单元1220、连接不同系统组件(包括存储单元1220和处理单元1210)的总线1230、显示单元1240。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1210执行，使得所述处理单元1210执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
存储单元1220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)1221和/或高速缓存存储单元1222，还可以进一步包括只读存储单元(ROM)1223。
存储单元1220还可以包括具有一组(至少一个)程序模块1225的程序/实用工具1224，这样的程序模块1225包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1200也可以与一个或多个外部设备1270(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1200交互的设备通信，和/或与使得该电子设备1200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1250进行。并且，电子设备1200还可以通过网络适配器1260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1260通过总线1230与电子设备1200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图13所示，描述了根据本发明的实施例的用于实现上述方法的程序产品1300，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开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进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (14)

1.一种用户关系挖掘方法，其特征在于，包括：
获取用户关系数据，确定所述用户关系数据中待处理用户的用户标签；其中，所述待处理用户包括目标用户以及所述目标用户的邻居用户；
获取最大分组数量；
根据所述最大分组数量以及所述邻居用户的用户标签对所述目标用户的用户标签进行标签更新操作，以确定所述目标用户的结果标签；
根据所述结果标签确定所述目标用户的用户分组。
2.根据权利要求1所述的用户关系挖掘方法，其特征在于，所述获取用户关系数据，包括：
获取采集数据，对所述采集数据进行加密处理得到加密用户数据；
从所述加密用户数据中确定所述待处理用户的关联信息元组；
统计所述关联信息元组的关联数量作为所述关联信息元组的权重；
将包含所述权重的所述关联信息元组作为所述用户关系数据。
3.根据权利要求1所述的用户关系挖掘方法，其特征在于，在所述确定所述用户关系数据中待处理用户的用户标签之前，所述方法还包括：
确定所述用户关系数据中的初始用户；
对所述初始用户进行异常用户剔除处理，以得到所述待处理用户。
4.根据权利要求1所述的用户关系挖掘方法，其特征在于，所述根据所述最大分组数量以及所述邻居用户的用户标签对所述目标用户的用户标签进行标签更新操作，以确定所述目标用户的结果标签，包括：
确定所述待处理用户的初始标签；其中，所述初始标签包括目标用户的初始用户标签以及所述邻居用户的初始邻居标签；
根据所述最大分组数量与所述初始邻居标签更新所述初始用户标签，直至标签更新操作满足更新停止条件，确定所述结果标签。
5.根据权利要求4所述的用户关系挖掘方法，其特征在于，所述确定所述待处理用户的初始标签，包括：
确定所述待处理用户的初始用户分组与初始系数；
将所述待处理用户的所述初始用户分组与所述初始系数进行组合处理以形成所述初始标签。
6.根据权利要求4所述的用户关系挖掘方法，其特征在于，所述根据所述最大分组数量与所述初始邻居标签更新所述初始用户标签，直至标签更新操作满足更新停止条件，确定所述结果标签，包括：
将根据所述初始邻居标签计算得到所述目标用户的用户标签作为当前用户标签；
如果所述当前用户标签满足更新停止条件，则将所述当前用户标签作为所述结果标签；其中，所述结果标签中的用户分组数量小于最大分组数量。
7.根据权利要求6所述的用户关系挖掘方法，其特征在于，所述目标用户的数量为多个，所述更新停止条件包括以下任意一个或多个的组合：
各所述目标用户的用户分组的数量小于等于最大分组数量；
各所述目标用户对应的分组数量与上次更新计算得到的分组数量相同；
所述标签更新操作的次数大于预设最大更新次数。
8.一种用户关系挖掘方法，其特征在于，包括：
获取用户关系数据，确定所述用户关系数据中的用户；其中，所述用户包括目标用户以及所述目标用户的关联用户；
从所述用户关系数据中确定所述用户的初始用户标签；
根据所述初始用户标签进行传播更新操作，以得到与所述初始用户标签对应的结果用户标签；
根据所述结果用户标签确定结果关联用户；其中，所述结果关联用户与所述目标用户具有共同邻居用户且关联系数达到预设阈值。
9.根据权利要求8所述的用户关系挖掘方法，其特征在于，所述初始用户标签包括所述目标用户的初始目标用户标签以及所述关联用户的初始关联用户标签，所述根据所述初始用户标签进行传播更新操作，以得到与所述初始用户标签对应的结果用户标签，包括：
将所述初始目标用户标签更新至所述初始关联用户标签得到中间关联用户标签；
将所述初始关联用户标签更新至所述初始目标用户标签得到中间目标用户标签；
根据所述中间关联用户标签再次进行标签更新操作后，删除所述中间关联用户标签，得到结果关联用户标签；
根据所述中间目标用户标签再次进行标签更新操作后，删除所述中间目标用户标签，得到结果目标用户标签；
将所述结果关联用户标签与所述结果目标用户标签作为所述结果用户标签。
10.根据权利要求8所述的用户关系挖掘方法，其特征在于，所述根据所述结果用户标签确定结果关联用户，包括：
确定与所述目标用户具有所述共同邻居用户的用户作为初始关联用户；
确定所述目标用户与所述初始关联用户的共同邻居数量；
按照共同邻居数量对所述结果用户标签进行预排序处理得到预排序结果；
对所述预排序结果进行异常性补偿排序处理以得到输出结果集；
将根据所述输出结果集确定出的关联用户作为所述结果关联用户。
11.一种用户关系挖掘装置，其特征在于，包括：
标签确定模块，用于获取用户关系数据，确定所述用户关系数据中待处理用户的用户标签；其中，所述待处理用户包括目标用户以及所述目标用户的邻居用户；
分组数量确定模块，用于获取最大分组数量；
标签更新模块，用于根据所述最大分组数量以及所述邻居用户的用户标签对所述目标用户的用户标签进行标签更新操作，以确定所述目标用户的结果标签；
分组确定模块，用于根据所述结果标签确定所述目标用户的用户分组。
12.一种用户关系挖掘装置，其特征在于，包括：
用户确定模块，用于获取用户关系数据，确定所述用户关系数据中的用户；其中，所述用户包括目标用户以及所述目标用户的关联用户；
标签确定模块，用于从所述用户关系数据中确定所述用户的初始用户标签；
标签更新模块，用于根据所述初始用户标签进行传播更新操作，以得到与所述初始用户标签对应的结果用户标签；
结果用户确定模块，用于根据所述结果用户标签确定结果关联用户；其中，所述结果关联用户与所述目标用户具有共同邻居用户且关联系数达到预设阈值。
13.一种电子设备，其特征在于，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根据权利要求1至10中任一项所述的用户关系挖掘方法。
14.一种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根据权利要求1至10中任一项所述的用户关系挖掘方法。
CN201910815911.2A 2019-08-30 2019-08-30 用户关系挖掘方法及装置、电子设备和存储介质 Active CN110555172B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910815911.2A CN110555172B (zh) 2019-08-30 2019-08-30 用户关系挖掘方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910815911.2A CN110555172B (zh) 2019-08-30 2019-08-30 用户关系挖掘方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN110555172A true CN110555172A (zh) 2019-12-10
CN110555172B CN110555172B (zh) 2023-04-07

Family

ID=68738586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910815911.2A Active CN110555172B (zh) 2019-08-30 2019-08-30 用户关系挖掘方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN110555172B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177123A (zh) * 2019-12-30 2020-05-19 联想(北京)有限公司 用于优化标签库的方法、装置、电子设备和介质
CN111400448A (zh) * 2020-03-12 2020-07-10 中国建设银行股份有限公司 对象的关联关系分析方法及装置
CN111460323A (zh) * 2020-06-17 2020-07-28 腾讯科技（深圳）有限公司 基于人工智能的焦点用户挖掘方法和装置
CN111858709A (zh) * 2020-07-14 2020-10-30 中国建设银行股份有限公司 关联关系挖掘方法及装置
CN116109121A (zh) * 2023-04-17 2023-05-12 西昌学院 基于大数据分析的用户需求挖掘方法及系统
CN111159158B (zh) * 2019-12-31 2024-03-29 北京懿医云科技有限公司 数据归一方法及装置、计算机可读存储介质、电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130232156A1 (en) * 2012-03-01 2013-09-05 Salesforce.Com, Inc. Systems and methods for tagging a social network object
CN105279187A (zh) * 2014-07-15 2016-01-27 天津科技大学 一种基于边聚集系数的社会网络群体划分方法
CN106339948A (zh) * 2016-08-26 2017-01-18 微梦创科网络科技（中国）有限公司 一种基于社交网络的关联用户的挖掘方法及装置
CN106570082A (zh) * 2016-10-19 2017-04-19 浙江工业大学 一种结合网络拓扑特征和用户行为特征的朋友关系挖掘方法
CN109615461A (zh) * 2018-11-09 2019-04-12 阿里巴巴集团控股有限公司 目标用户识别方法、违规商户识别方法和装置
CN110083777A (zh) * 2018-01-26 2019-08-02 腾讯科技（深圳）有限公司 一种社交网络用户分组方法、装置及服务器

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130232156A1 (en) * 2012-03-01 2013-09-05 Salesforce.Com, Inc. Systems and methods for tagging a social network object
CN105279187A (zh) * 2014-07-15 2016-01-27 天津科技大学 一种基于边聚集系数的社会网络群体划分方法
CN106339948A (zh) * 2016-08-26 2017-01-18 微梦创科网络科技（中国）有限公司 一种基于社交网络的关联用户的挖掘方法及装置
CN106570082A (zh) * 2016-10-19 2017-04-19 浙江工业大学 一种结合网络拓扑特征和用户行为特征的朋友关系挖掘方法
CN110083777A (zh) * 2018-01-26 2019-08-02 腾讯科技（深圳）有限公司 一种社交网络用户分组方法、装置及服务器
CN109615461A (zh) * 2018-11-09 2019-04-12 阿里巴巴集团控股有限公司 目标用户识别方法、违规商户识别方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
USHA NANDINI RAGHAVAN,R´EKA ALBERT AND SOUNDAR KUMARA: "Near linear time algorithm to detect community structures in large-scale networks", 《HTTPS://ARXIV.ORG/ABS/0709.2938》 *
李敬伟，童向荣: "二阶邻居网络算法研究", 《小型微型计算机系统》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177123A (zh) * 2019-12-30 2020-05-19 联想(北京)有限公司 用于优化标签库的方法、装置、电子设备和介质
CN111159158B (zh) * 2019-12-31 2024-03-29 北京懿医云科技有限公司 数据归一方法及装置、计算机可读存储介质、电子设备
CN111400448A (zh) * 2020-03-12 2020-07-10 中国建设银行股份有限公司 对象的关联关系分析方法及装置
CN111460323A (zh) * 2020-06-17 2020-07-28 腾讯科技（深圳）有限公司 基于人工智能的焦点用户挖掘方法和装置
CN111460323B (zh) * 2020-06-17 2020-09-25 腾讯科技（深圳）有限公司 基于人工智能的焦点用户挖掘方法和装置
CN111858709A (zh) * 2020-07-14 2020-10-30 中国建设银行股份有限公司 关联关系挖掘方法及装置
CN116109121A (zh) * 2023-04-17 2023-05-12 西昌学院 基于大数据分析的用户需求挖掘方法及系统
CN116109121B (zh) * 2023-04-17 2023-06-30 西昌学院 基于大数据分析的用户需求挖掘方法及系统

Also Published As

Publication number Publication date
CN110555172B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110555172B (zh) 用户关系挖掘方法及装置、电子设备和存储介质
CN111782965B (zh) 意图推荐方法、装置、设备及存储介质
US9679074B2 (en) Social genome
US20160132904A1 (en) Influence score of a brand
CN114265979B (zh) 确定融合参数的方法、信息推荐方法和模型训练方法
CN107545451B (zh) 一种广告推送方法及装置
CN104077723B (zh) 一种社交网络推荐系统及方法
EP3014492B1 (en) Method and apparatus for automating network data analysis of user's activities
CN113392150A (zh) 一种基于业务域的数据表展示方法、装置、设备及介质
CN112818230A (zh) 内容推荐方法、装置、电子设备和存储介质
CN108021713B (zh) 一种文档聚类的方法和装置
CN116955817A (zh) 内容推荐方法、装置、电子设备以及存储介质
CN116304236A (zh) 一种用户画像生成方法、装置、电子设备和存储介质
CN113722593B (zh) 事件数据处理方法、装置、电子设备和介质
CN111127232A (zh) 兴趣圈发现方法、装置、服务器和介质
CN115758271A (zh) 数据处理方法、装置、计算机设备和存储介质
CN112905885A (zh) 向用户推荐资源的方法、装置、设备、介质和程序产品
CN113220983A (zh) 基于深度学习的选品方法和装置
CN112131484A (zh) 一种多人会话建立方法、装置、设备和存储介质
CN113010769A (zh) 基于知识图谱的物品推荐方法、装置、电子设备及介质
CN113360765B (zh) 事件信息的处理方法、装置、电子设备和介质
CN113362097B (zh) 一种用户确定方法和装置
US20230126932A1 (en) Recommended audience size
CN113127750B (zh) 信息列表生成方法及装置、存储介质、电子设备
CN110532540B (zh) 确定用户偏好的方法、系统、计算机系统和可读存储介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176

Applicant after: Jingdong Digital Technology Holding Co.,Ltd.

Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone, 100176

Applicant before: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd.

Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176

Applicant after: Jingdong Technology Holding Co.,Ltd.

Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176

Applicant before: Jingdong Digital Technology Holding Co.,Ltd.

GR01 Patent grant
GR01 Patent grant