CN111199421A - 一种基于社交关系的用户推荐方法、装置及电子设备 - Google Patents
一种基于社交关系的用户推荐方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111199421A CN111199421A CN201911331024.4A CN201911331024A CN111199421A CN 111199421 A CN111199421 A CN 111199421A CN 201911331024 A CN201911331024 A CN 201911331024A CN 111199421 A CN111199421 A CN 111199421A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- social
- feature
- probability
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000012546 transfer Methods 0.000 claims abstract description 12
- 238000000547 structure data Methods 0.000 claims description 24
- 238000004891 communication Methods 0.000 abstract description 14
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0214—Referral reward systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于社交关系的用户推荐方法、装置及电子设备，所述方法包括：获取用户社交数据；基于社交网能量传递属性将所述社交数据进行特征工程加工得到特征数据；将所述特征数据输入组合模型中得到潜在用户概率；根据所述潜在用户概率向用户联系人发送推荐信息。本发明充分考虑每个老用户的社交传播能力，通过特征工程对老用户的社交数据进行特征分类，得到能够表征老用户社交传播能力的特征数据，将这些特征数据通过组合模型分析得到该用户联系人的潜在用户概率；再根据潜在用户概率向不同的联系人发送不同的推荐信息，提高了平台纳新用户的成功率，促进产品销售。本发明具有预测精准、推荐针对性强的优点。
Description
技术领域
本发明涉及推荐技术领域，具体而言，涉及一种基于社交关系的用户推荐方法、装置、电子设备及计算机可读介质。
背景技术
随着互联网及网络营销技术的发展，出现很多网上购物平台、金融平台和相应的APP(Application，应用程序)，如淘宝网、各大银行的手机银行等。这些平台通过注册会员的方式向用户推荐产品，达到销售产品的目的。其中，通过社交关系吸收新用户的方式被广泛应用，具体通过向平台的老用户发送邀约优惠信息，如邀请一位新用户奖励5元优惠卷的方式鼓励老用户通过社交关系引入新用户。
在这种方式中，对所有老用户发放相同的邀约优惠信息，老用户通过向自己社交关系网中的联系人发送平台的推荐信息，而得到相应的优惠。这种方式一方面不足以调动所有的老用户去邀约新用户，另一方面，老用户并不知道哪个联系人会注册该平台，只是随机的发送推荐信息，可能会对不感兴趣的联系人发送了平台的推荐信息，而对感兴趣的联系人未发送平台的推荐信息，造成推荐成功注册率低下的问题，影响产品营销。
发明内容
本发明旨在解决现有技术中平台吸纳新用户的成功率低的技术问题。
为了解决上述技术问题，本发明第一方面提出一种基于社交关系的用户推荐方法，所述方法包括：
获取用户社交数据；
基于社交网能量传递属性将所述社交数据进行特征工程加工得到特征数据；
将所述特征数据输入组合模型中得到潜在用户概率；
根据所述潜在用户概率向用户联系人发送推荐信息。
根据本发明一种优选的实施方式，所述基于社交网能量传递属性将所述社交数据进行特征工程加工得到特征数据包括：
将所述社交数据基于复杂网络进行基础特征加工，得到欧式结构数据；
将所述欧式结构数据基于复杂网络进行算法特征加工，得到特征数据。
根据本发明一种优选的实施方式，所述将所述欧式结构数据基于复杂网络进行算法特征加工包括：
根据社交网之间的关系通过社群发现算法确定属于同一社交网的社群用户；
基于同一社交网中所有社群用户的欧式结构数据确定所述社交网的传播值。
根据本发明一种优选的实施方式，所述将所述欧式结构数据基于复杂网络进行算法特征加工包括：
根据用户的欧式结构数据确定用户与其他社交网用户沟通的最短距离。
根据本发明一种优选的实施方式，所述将所述特征数据输入组合模型中得到潜在用户概率包括：
将所述特征数据输入XGB模型得到第一数据；
将所述特征数据输入标签传播算法模型得到第二数据；
将所述第一数据和所述第二数据合并后输入DNN模型得到潜在用户概率。
根据本发明一种优选的实施方式，所述根据所述潜在用户概率向用户联系人发送推荐信息包括：
根据所述潜在用户概率生成不同的人群包；
向同一人群包中的用户联系人发送该人群包对应的推荐信息。
为了解决上述技术问题，本发明第二方面提供一种基于社交关系的用户推荐装置，所述装置包括：
获取模块，用于获取用户社交数据；
加工模块，用于基于社交网能量传递属性将所述社交数据进行特征工程加工得到特征数据；
模型处理模块，用于将所述特征数据输入组合模型中得到潜在用户概率；
发送模块，用于根据所述潜在用户概率向用户联系人发送推荐信息。
根据本发明一种优选的实施方式，所述加工模块包括：
基础加工模块，用于将所述社交数据基于复杂网络进行基础特征加工，得到欧式结构数据；
算法加工模块，用于将所述欧式结构数据基于复杂网络进行算法特征加工，得到特征数据。
根据本发明一种优选的实施方式，所述算法加工模块包括：
第一确定模块，用于根据社交网之间的关系通过社群发现算法确定属于同一社交网的社群用户；
第二确定模块，用于基于同一社交网中所有社群用户的欧式结构数据确定所述社交网的传播值。
根据本发明一种优选的实施方式，所述算法加工模块，具体用于根据用户的欧式结构数据确定用户与其他社交网用户沟通的最短距离。
根据本发明一种优选的实施方式，所述模型处理模块包括：
第一模型处理模块，用于将所述特征数据输入XGB模型得到第一数据；
第二模型处理模块，用于将所述特征数据输入标签传播算法模型得到第二数据；
第三模型处理模块，用于将所述第一数据和所述第二数据合并后输入DNN模型得到潜在用户概率。
根据本发明一种优选的实施方式，所述发送模块包括：生成模块，用于根据所述潜在用户概率生成不同的人群包；
子发送模块，用于向同一人群包中的用户联系人发送该人群包对应的推荐信息。
为了解决上述技术问题，本发明第三方面提供一种电子设备，包括：
处理器；以及
存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行上述的方法。
为了解决上述技术问题，本发明第四方面提出一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现上述方法。
本发明充分考虑每个老用户的社交传播能力，通过特征工程对老用户的社交数据进行特征分类，得到能够表征老用户社交传播能力的特征数据，将这些特征数据通过组合模型分析得到该用户联系人的潜在用户概率；再根据潜在用户概率向不同的联系人发送不同的推荐信息，提高了平台纳新用户的成功率，促进产品销售。本发明具有预测精准、推荐针对性强的优点。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明的示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是本发明一种基于社交关系的用户推荐方法的流程示意图；
图2是本发明基于社交网能量传递属性的示意图；
图3是本发明用户与其他社交网的用户沟通的最短距离的示意图；
图4是本发明基于社交关系的用户推荐装置的结构框架示意图；
图5是根据本发明的一种电子设备的示例性实施例的结构框图；
图6是本发明一个计算机可读介质实施例的示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例，虽然各示例性实施例能够以多种具体的方式实施，但不应理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例是为了使本发明的内容更加完整，更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体，并不一定必然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，或在一个或多个硬件模块或集成电路中实现这些功能实体，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。
各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
如图1是本发明提供的一种基于社交关系的用户推荐方法的流程示意图；所述方法包括：
S1、获取用户社交数据；
其中，所述用户社交数据可以是用户通讯录中的联系人、联系方式、沟通记录等。如：张三，手机号码12345、微信号112，最近一天通过手机沟通2次，通过微信沟通5次。本发明中，可以通过平台或APP向用户发送授权信息，通过用户授权的方式来获取用户社交数据。
S2、基于社交网能量传递属性将所述社交数据进行特征工程加工得到特征数据；
本发明中，所述社交网能量传递属性是指根据用户社交网传递信息时，信息的传播扩散能力越来越小的属性。如图2所示，用户A的社交网中包括用户B，用户B的社交网中包含用户C，若用户A通过自己社交网将推荐信息a传送给用户B，用户B通过自己的社交网将推荐信息a传送给C，则推荐信息a从用户A传送到用户B的传播扩散能力大于其从用户A传送到用户C的传播扩散能力。
本步骤具体可以基于复杂网络先进行基础特征加工，得到规范的欧式结构数据，再对欧式结果数据进行算法特征加工，得到特征数据。
示例性的，本步骤包括：
S21、将所述社交数据基于复杂网络进行基础特征加工，得到欧式结构数据；
例如，通过用户与联系人的电话联系、短信联系、QQ联系或者微信联系等联系方式确定用户与关系网中各个联系人的沟通次数、沟通频率等。本步骤通过基础特征加工将社交数据整合成可以表示沟通次数、沟通频率的欧式结构数据，其中，欧式结构数据是便于计算机存储的一种数据结构，其是整齐排列，可以通过矩阵表示的数据。
S22、将所述欧式结构数据基于复杂网络进行算法特征加工，得到特征数据。
本发明中，一种算法特征加工可以基于用户社交网判断属于同一社交网的社群用户，再基于各个社群用户的欧式结构数据确定用户所在社交网的传播值，将该传播值作为特征数据。具体的，本步骤包括：
S221、根据社交网之间的关系通过社群发现算法确定属于同一社交网的社群用户；
其中，所述社群发现(Community Detection)用来发现网络中的社群结构，本发明中，基于用户社交网通过社群发现算法可以确定用户联系人中属于同一社交网的社群用户。
S222、基于同一社交网中所有社群用户的欧式结构数据确定所述社交网的传播值。
具体的，对于同一个社交网，根据该社交网中所有社群用户的欧式结构数据确定该社交网的传播值，进而可以确定用户联系人所处各个社交网的传播值，将各个社交网的传播值作为特征数据。
本发明中，另一种算法特征加工可以根据用户的欧式结构数据确定该用户与其他社交网的用户沟通的最短距离，将该用户与不同用户沟通的最短距离作为特征数据。例如图3中，用户A与用户B属于第一社交网，而用户B与用户C和D属于第二社交网，用户D与用户E属于第三社交网，则用户A与用户E进行沟通的最短距离为：用户A到用户B，用户B到用户D，用户D再到用户E的距离总和。
通过步骤S2将用户社交数据经过特征工程加工分成不同类型的特征数据，即经过特征工程加工对用户社交数据进行分类，得到特征数据。
S3、将所述特征数据输入组合模型中得到潜在用户概率；
本发明利用不同模型之间的差异，将多个模型组合使用，可以降低模型不拟合的情况，提高模型的拟合效果，从而提高结果的准确性。
在一种具体方式中，将XGB模型、标签传播算法模型及DNN模型进行组合，则所述将所述特征数据输入组合模型中得到潜在用户概率包括：
S31、将所述特征数据输入XGB模型得到第一数据；
具体的，将特征数据输入XGB模型中，通过XGB模型不断地添加树，不断地进行特征分裂来生长一棵树，每次添加一个树，其实是学习一个新函数，去拟合上次预测的残差。本发明中，通过XGB模型对生成叶子节点，将用户的特征数据进一步扩充，得到第一数据。当训练完成得到k棵树时，根据所述特征数据的特点，在每棵树中会落到对应的一个叶子节点，每个叶子节点对应一个分数，最后只需要将每棵树对应的分数加起来就是所述特征数据的预测值。
S32、将所述特征数据输入标签传播算法模型得到第二数据；
其中，标签传播算法是是一种基于图的半监督学习方法，其基本思路是用已标记节点的标签信息去预测未标记节点的标签信息。利用样本间的关系建立关系完全图模型，在完全图中，节点包括已标注和未标注数据，其边表示两个节点的相似度，节点的标签按相似度传递给其他节点。标签数据就像是一个源头，可以对无标签数据进行标注，节点的相似度越大，标签越容易传播。本发明通过标签传播算法对每个特征数据打上标签得到第二数据，例如，将用户联系人中会是平台潜在用户的特征数据打上1的标签，将用户联系人中不会是平台潜在用户的特征数据打上0的标签。
S33、将所述第一数据和所述第二数据合并后输入DNN模型得到潜在用户概率。
其中，第一数据是特征数据通过XGB生成的叶子节点数据，第二数据是通过标签传播算法打上标签的特征数据，本发明中，先通过特征数据查找所述叶子节点数据对应的打上标签的特征数据，再将相对应的叶子节点数据和打上标签的特征数据直接进行拼接，即将打上标签的特征数据直接放入其对应的叶子节点数据中得到合并后的特征数据，再将合并后的特征数据输入DNN模型中。
DNN(Deep Neural Networks，深度神经网络)模型拥有输入层、输出层和一个隐含层。输入的特征数据通过隐含层变换达到输出层，在输出层得到分类结果。DNN模型中通过响应函数Sigmoid函数将不同层的各个神经元激活，根据各个神经元的响应得到分类结果。其中，Sigmoid函数是一个在生物学中常见的S型函数，也称为S型生长曲线。由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的阈值函数。本发明中通过Sigmoid函数将合并后的特征数据映射到0，1之间，进一步将XGB模型和标签传播算法模型对特征数据的识别率提高了一个显著的档次，提高预测精度。
合并后的特征数据经过DNN模型后会得到该合并后的特征数据对应的用户联系人是否是平台潜在用户的概率，例如，DNN模型输出1表示该联系人是平台的潜在用户，DNN模型输出0表示该联系人不是平台的联系人。
需要说明的是：以上仅仅是对本发明一种组合模型的举例说明，本发明也可以将上述几个模型进行其他方式的组合来输出潜在用户概率，本发明还可以选择其他模型进行组合来输出潜在用户概率。所述潜在用户概率可以通过0，1来表示不是平台潜在用户或者是平台潜在用于，也可以通过具体的百分率数值来表示是平台潜在用户的概率，本发明不作具体限定。
S4、根据所述潜在用户概率向用户联系人发送推荐信息。
本发明中，所述潜在用户概率可以如步骤S3的组合模型中以0，1来表示，也可以通过具体的百分率数值来表示，如某个联系人是平台潜在用户的概率为40％。
示例性的，本步骤包括：
S41、根据所述潜在用户概率生成不同的人群包；
具体可以根据潜在用户概率的大小将对应的联系人划分到不同的人群包中，例如将潜在用户概率为1的联系人分到第一人群包中，将潜在用户概率为50％～90％的联系人分到第二人群包中。
本步骤可进一步为不同的人群包设置不同的推荐信息，例如，对第一人群包设置推荐信息为：“注册×××平台，奖励50元优惠卷”等。
S42、向同一人群包中的用户联系人发送该人群包对应的推荐信息。
具体可以通过短信的方式进行发送。
图4是本发明一种基于社交关系的用户推荐装置的结构框架示意图，如图4所示，所述装置包括：获取模块41，加工模块42，模型处理模块43和发送模块44；其中：
获取模块41，用于获取用户社交数据；
加工模块42，用于基于社交网能量传递属性将所述社交数据进行特征工程加工得到特征数据；
模型处理模块43，用于将所述特征数据输入组合模型中得到潜在用户概率；
发送模块44，用于根据所述潜在用户概率向用户联系人发送推荐信息。
所述加工模块42包括：
基础加工模块421，用于将所述社交数据基于复杂网络进行基础特征加工，得到欧式结构数据；
算法加工模块422，用于将所述欧式结构数据基于复杂网络进行算法特征加工，得到特征数据。
在一种可选方式中，所述算法加工模块422包括：
第一确定模块，用于根据社交网之间的关系通过社群发现算法确定属于同一社交网的社群用户；
第二确定模块，用于基于同一社交网中所有社群用户的欧式结构数据确定所述社交网的传播值。
在另一种可选方式中，所述算法加工模块422，具体用于根据用户的欧式结构数据确定用户与其他社交网用户沟通的最短距离。
所述模型处理模块43包括：
第一模型处理模块431，用于将所述特征数据输入XGB模型得到第一数据；
第二模型处理模块432，用于将所述特征数据输入标签传播算法模型得到第二数据；
第三模型处理模块433，用于将所述第一数据和所述第二数据合并后输入DNN模型得到潜在用户概率。
所述发送模块44包括：
生成模块441，用于根据所述潜在用户概率生成不同的人群包；
子发送模块442，用于向同一人群包中的用户联系人发送该人群包对应的推荐信息。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图5是根据本发明的一种电子设备的示例性实施例的结构框图。图5显示的电子设备仅仅是一个示例，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5所示，该示例性实施例的电子设备500以通用数据处理设备的形式表现。电子设备500的组件可以包括但不限于：至少一个处理单元510、至少一个存储单元520、连接不同电子设备组件(包括存储单元520和处理单元510)的总线530、显示单元540等。
其中，所述存储单元520存储有计算机可读程序，其可以是源程序或都只读程序的代码。所述程序可以被处理单元510执行，使得所述处理单元510执行本发明各种实施方式的步骤。例如，所述处理单元510可以执行如图1所示的步骤。
所述存储单元520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)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作电子设备、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530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500也可以与一个或多个外部设备300(例如键盘、显示器、网络设备、蓝牙设备等)通信，使得用户能经由这些外部设备500与该电子设备500交互，和/或使得该电子设备500能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(I/O)接口550进行，还可以通过网络适配器560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)进行。网络适配器560可以通过总线530与电子设备500的其它模块通信。应当明白，尽管图5中未示出，电子设备500中可使用其它硬件和/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电子设备、磁带驱动器以及数据备份存储电子设备等。
图6是本发明的一个计算机可读介质实施例的示意图。如图6所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机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、或半导体的电子设备、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。当所述计算机程序被一个或多个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：获取用户社交数据；基于社交网能量传递属性将所述社交数据进行特征工程加工得到特征数据；将所述特征数据输入组合模型中得到潜在用户概率；根据所述潜在用户概率向用户联系人发送推荐信息。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性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，根据本发明实施方式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计算机可读的存储介质(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数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
所述计算机可读存储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。可读存储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电子设备、装置或者器件使用或者与其结合使用的程序。可读存储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)。
综上所述，本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于社交关系的用户推荐方法，其特征在于，所述方法包括：
获取用户社交数据；
基于社交网能量传递属性将所述社交数据进行特征工程加工得到特征数据；
将所述特征数据输入组合模型中得到潜在用户概率；
根据所述潜在用户概率向用户联系人发送推荐信息。
2.根据权利要求1所述的方法，其特征在于，所述基于社交网能量传递属性将所述社交数据进行特征工程加工得到特征数据包括：
将所述社交数据基于复杂网络进行基础特征加工，得到欧式结构数据；
将所述欧式结构数据基于复杂网络进行算法特征加工，得到特征数据。
3.根据权利要求1-2所述的方法，其特征在于，所述将所述欧式结构数据基于复杂网络进行算法特征加工包括：
根据社交网之间的关系通过社群发现算法确定属于同一社交网的社群用户；
基于同一社交网中所有社群用户的欧式结构数据确定所述社交网的传播值。
4.根据权利要求1-3所述的方法，其特征在于，所述将所述欧式结构数据基于复杂网络进行算法特征加工包括：
根据用户的欧式结构数据确定用户与其他社交网用户沟通的最短距离。
5.根据权利要求1-4所述的方法，其特征在于，所述将所述特征数据输入组合模型中得到潜在用户概率包括：
将所述特征数据输入XGB模型得到第一数据；
将所述特征数据输入标签传播算法模型得到第二数据；
将所述第一数据和所述第二数据合并后输入DNN模型得到潜在用户概率。
6.根据权利要求1-5所述的方法，其特征在于，所述根据所述潜在用户概率向用户联系人发送推荐信息包括：
根据所述潜在用户概率生成不同的人群包；
向同一人群包中的用户联系人发送该人群包对应的推荐信息。
7.一种基于社交关系的用户推荐装置，其特征在于，所述装置包括：
获取模块，用于获取用户社交数据；
加工模块，用于基于社交网能量传递属性将所述社交数据进行特征工程加工得到特征数据；
模型处理模块，用于将所述特征数据输入组合模型中得到潜在用户概率；
发送模块，用于根据所述潜在用户概率向用户联系人发送推荐信息。
8.根据权利要求7所述的装置，其特征在于，所述加工模块包括：
基础加工模块，用于将所述社交数据基于复杂网络进行基础特征加工，得到欧式结构数据；
算法加工模块，用于将所述欧式结构数据基于复杂网络进行算法特征加工，得到特征数据。
9.一种电子设备，包括：
处理器；以及
存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911331024.4A CN111199421B (zh) | 2019-12-20 | 2019-12-20 | 一种基于社交关系的用户推荐方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911331024.4A CN111199421B (zh) | 2019-12-20 | 2019-12-20 | 一种基于社交关系的用户推荐方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111199421A true CN111199421A (zh) | 2020-05-26 |
| CN111199421B CN111199421B (zh) | 2023-09-29 |
Family
ID=70746977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911331024.4A Active CN111199421B (zh) | 2019-12-20 | 2019-12-20 | 一种基于社交关系的用户推荐方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111199421B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112633901A (zh) * | 2020-12-18 | 2021-04-09 | 深圳市思为软件技术有限公司 | 判客方法及相关设备 |
| CN113240408A (zh) * | 2021-06-18 | 2021-08-10 | 中国银行股份有限公司 | 手机银行app推荐方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120278147A1 (en) * | 2011-04-29 | 2012-11-01 | Kogan Technologies Pty Ltd | Method and Apparatus for Online Marketing |
| CN103139192A (zh) * | 2011-11-24 | 2013-06-05 | 北京千橡网景科技发展有限公司 | 推荐注册方法和系统 |
| CN109074385A (zh) * | 2016-02-29 | 2018-12-21 | 微软技术许可有限责任公司 | 混合连接推荐流 |
| CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
-
2019
- 2019-12-20 CN CN201911331024.4A patent/CN111199421B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120278147A1 (en) * | 2011-04-29 | 2012-11-01 | Kogan Technologies Pty Ltd | Method and Apparatus for Online Marketing |
| CN103139192A (zh) * | 2011-11-24 | 2013-06-05 | 北京千橡网景科技发展有限公司 | 推荐注册方法和系统 |
| CN109074385A (zh) * | 2016-02-29 | 2018-12-21 | 微软技术许可有限责任公司 | 混合连接推荐流 |
| CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| 赵园丁: "社交网络在电子商务中的应用", 办公自动化 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112633901A (zh) * | 2020-12-18 | 2021-04-09 | 深圳市思为软件技术有限公司 | 判客方法及相关设备 |
| CN113240408A (zh) * | 2021-06-18 | 2021-08-10 | 中国银行股份有限公司 | 手机银行app推荐方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111199421B (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11531817B2 (en) | Creating a knowledge graph based on text-based knowledge corpora | |
| Ren et al. | Financial news recommendation based on graph embeddings | |
| US20220164683A1 (en) | Generating a domain-specific knowledge graph from unstructured computer text | |
| US10657544B2 (en) | Targeted E-commerce business strategies based on affiliation networks derived from predictive cognitive traits | |
| CN112017059A (zh) | 一种分级优化的风险控制方法、装置和电子设备 | |
| CN110362663A (zh) | 自适应多感知相似度检测和解析 | |
| CN111199421B (zh) | 一种基于社交关系的用户推荐方法、装置及电子设备 | |
| WO2022018676A1 (en) | Natural language enrichment using action explanations | |
| EP4060517A1 (en) | System and method for designing artificial intelligence (ai) based hierarchical multi-conversation system | |
| CN115374259A (zh) | 一种问答数据挖掘方法、装置及电子设备 | |
| US20200110834A1 (en) | Dynamic Linguistic Assessment and Measurement | |
| CN111026973A (zh) | 一种商品兴趣度预测方法、装置及电子设备 | |
| CN111787042A (zh) | 用于推送信息的方法和装置 | |
| CN113297258B (zh) | 一种基于目标人群数据提取的定制化信息推送方法及装置 | |
| US11714855B2 (en) | Virtual dialog system performance assessment and enrichment | |
| JP2023554210A (ja) | インテリジェント推奨用のソートモデルトレーニング方法及び装置、インテリジェント推奨方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
| Sänger et al. | Fine-grained opinion mining from mobile app reviews with word embedding features | |
| TWI681308B (zh) | 文章的回應預測裝置及方法 | |
| CN112200602A (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
| CN111583015A (zh) | 一种信贷申请分类方法、装置及电子设备 | |
| CN111753548A (zh) | 信息获取方法及装置、计算机存储介质、电子设备 | |
| CN111199287A (zh) | 一种特征工程实时推荐方法、装置及电子设备 | |
| Ortiz de Zarate et al. | Vocabulary-based method for quantifying controversy in social media | |
| US20230385556A1 (en) | Systems and methods for reducing input to and increasing processing speeds of natural language processing models | |
| US20230316101A1 (en) | Knowledge Graph Driven Content Generation |
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 |