CN111400609A - 用户推荐方法、装置、存储介质及服务器 - Google Patents
用户推荐方法、装置、存储介质及服务器 Download PDFInfo
- Publication number
- CN111400609A CN111400609A CN201811614530.XA CN201811614530A CN111400609A CN 111400609 A CN111400609 A CN 111400609A CN 201811614530 A CN201811614530 A CN 201811614530A CN 111400609 A CN111400609 A CN 111400609A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- users
- similarity
- feature
- 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 44
- 239000013598 vector Substances 0.000 claims description 70
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 49
- 230000004083 survival effect Effects 0.000 description 16
- 230000015654 memory Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000003068 static effect Effects 0.000 description 6
- 241000287828 Gallus gallus Species 0.000 description 5
- 235000013330 chicken meat Nutrition 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种用户推荐方法、装置、存储介质及服务器,所述用户推荐方法包括:获取各个用户的用户行为信息;提取所述用户行为信息的特征信息;根据所述特征信息计算所述用户的相似度,根据所述相似度划分用户群组;在所述用户群组内进行用户的相互推荐。本发明实现了根据用户行为信息这一动态数据,筛选出具有相同兴趣爱好的用户,形成用户群组,自动在用户群组内进行相互推荐,由于动态数据更能反映用户的兴趣爱好,因此推荐的好友的精准度更高。
Description
技术领域
本发明涉及推荐技术领域,具体而言,本发明涉及一种用户推荐方法、装置、存储介质及服务器。
背景技术
随着互联网的飞速发展,智能终端和社交网络的普及,人与人的联系更加紧密。为用户推荐具有相同兴趣的朋友成为满足人们社交需求中重要的组成部分,通过推荐技术,可以增加用户对产品的粘性,增加产品的口碑。
目前,对于社交平台上海量的用户群体,有交友需求的用户无法通过合适的渠道交到合适的朋友。即便一些平台可根据用户基本信息来推荐好友,但这些用户基本信息是静态片面数据,使得推荐的好友的准确性不高。
发明内容
本发明的目的旨在提供一种用户推荐方法、装置、存储介质及服务器,以解决在为当前用户推荐好友时,只能通过用户的静态片面数据来筛选待推荐好友,使得推荐的好友的准确性不高的问题。
本发明提供的一种用户推荐方法,包括:
获取各个用户的用户行为信息;
提取所述用户行为信息的特征信息;
根据所述特征信息计算所述用户的相似度,根据所述相似度划分用户群组;
在所述用户群组内进行用户的相互推荐。
可选地,所述根据所述特征信息计算所述用户的相似度之前,还包括:
获取各个用户的用户基本信息;
所述根据所述特征信息计算所述用户的相似度的步骤,包括:
根据所述特征信息和用户基本信息计算所述用户的相似度。
可选地,所述根据所述特征信息和用户基本信息计算所述用户的相似度的步骤,包括:
利用所述特征信息和用户基本信息生成用户特征向量;
根据所述用户特征向量计算所述用户的相似度。
可选地,所述利用所述特征信息和用户基本信息生成用户特征向量的步骤,包括:
利用所述特征信息生成第一特征向量;
利用所述用户基本信息生成第二特征向量;
将所述第一特征向量与所述第二特征向量进行合并;
将合并后的特征向量进行归一化处理,得到用户特征向量。
可选地,所述行为信息包括历史浏览内容,所述提取所述用户行为信息的特征信息的步骤,包括:
对历史浏览内容进行分词;
将所述分词累加至对应的标签,得到标签值;
所述利用所述特征信息生成第一特征向量的步骤,包括:
利用所述标签值生成第一特征向量。
可选地,所述对历史浏览内容进行分词之前,还包括:
获取用户的浏览内容;
当浏览内容的浏览时长超过预设值时,得到历史浏览内容。
可选地,所述根据所述用户特征向量计算所述用户的相似度的步骤,包括:
通过聚类分析或计算用户特征向量间的距离,得到所述用户的相似度。
可选地,所述在所述用户群组内进行用户的相互推荐之后,还包括:
根据所述特征信息和用户基本信息生成用户标签;
将推荐用户的用户标签显示在当前用户界面上。
可选地,所述获取各个用户的用户行为信息的步骤,包括:
以预置周期获取各个用户的用户行为信息。
本发明提供的一种用户推荐装置,包括:
获取模块,用于获取各个用户的用户行为信息;
提取模块,用于提取所述用户行为信息的特征信息;
计算模块,用于根据所述特征信息计算所述用户的相似度,根据所述相似度划分用户群组;
推荐模块,用于在所述用户群组内进行用户的相互推荐。
本发明提供的一种存储介质,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上述任意一项技术方案所述的用户推荐方法。
本发明提供的一种服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述任意一项技术方案所述的用户推荐方法。
相对于现有技术,本发明具有以下优势:
本发明提供的用户推荐方法,根据获取到的用户行为信息,从用户行为信息中提取出特征信息,然后利用所述特征信息计算用户的相似度,以根据所述相似度划分用户群组,最后在所述用户群组内进行用户的相互推荐,从而根据用户行为信息这一动态数据,筛选出具有相同兴趣爱好的用户,形成用户群组,自动在用户群组内进行相互推荐,由于动态数据更能反映用户的兴趣爱好,因此推荐的好友的精准度更高。
本发明提供的用户推荐方法,还可通过获取各个用户的用户基本信息,根据特征信息和用户基本信息计算相似度,从而进一步结合用户的基本信息这一静态数据,使用户的相似度的计算更精确,当利用所述相似度划分用户群组,在用户群组内进行相互推荐时,使得推荐的好友的准确度进一步提高。
本发明提供的用户推荐方法,通过将第一特征向量与第二特征向量进行合并;然后将合并后的特征向量进行归一化处理,使处理后的特征向量的每个分量限制在一定范围内,便于后续相似度的计算,提高相似度计算效率。
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为一个实施例中提供的用户推荐方法的实施环境图;
图2为本发明一个实施例中提供的用户推荐方法的流程框图;
图3为本发明一个实施例中提供的划分用户群组的示意图;
图4为本发明一个实施例中提供的推荐用户的界面展示图;
图5为本发明又一个实施例中提供的用户推荐方法的流程框图;
图6为本发明一个实施例中提供的用户推荐装置的模块框图;
图7为本发明一个实施例的服务器的结构示意图。
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,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
图1为一个实施例中提供的用户推荐方法的实施环境图,如图1所示,在该实施环境中,包括第一终端110、服务器120、第二终端130。其中,所述第一终端110、第二终端130上安装有客户端,所述第一终端110、第二终端130通过网络与服务器120连接,实现两者之间的交互。其中,上述网络可以包括因特网、2G/3G/4G、wifi等。
需要说明的是,服务器120可以是独立的物理服务器或终端,也可以是多个物理服务器构成的服务器集群,可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器。
此外,连接服务器120的终端不局限于所述第一终端110、第二终端130,还可以连接更多的终端。所述终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。
如图2所示,本发明提供了一种用户推荐方法,以解决在为当前用户推荐好友时,只能通过用户的静态片面数据来筛选待推荐好友,使得推荐的好友的匹配度不高的问题。所述用户推荐方法可包括如下步骤:
S21、获取各个用户的用户行为信息;
在本实施例中,服务器可从数据库中提取所有用户的用户行为信息。其中,所述用户行为信息为用户在访问服务器时产生的历史浏览数据,如点击率、浏览时间、浏览内容、评论等信息,服务器将所述用户行为信息保存在本地数据库中,用于后续调取使用,如用于分析用户的个性化特征,以了解用户的兴趣爱好。
S23、提取所述用户行为信息的特征信息;
在本实施例中,当获取到各个用户的用户行为信息后,从所述用户行为信息中分别提取出每个用户的特征信息。其中,所述特征信息可用于表征用户的兴趣偏向。
例如,当用户在观看直播时,分别观看了“唱歌、美食、舞蹈、王者荣耀、绝地求生”等直播内容,则可根据用户的观看时长分析出用户的兴趣偏向,如在观看的这些直播内容中,王者荣耀这类的直播内容的累计观看时长最长、互动次数最多,则可得出“王者荣耀”这一特征信息,进而确定用户偏好于王者荣耀游戏。
在提取出特征信息时,可根据用户行为信息对特征信息进行综合分析,如可根据用户行为信息的生成时间或用户行为信息的类型设置相应的权重,以确保特征信息更能反应用户的个性化特征。
具体的,假如当前用户观看王者荣耀和绝地求生的累计时间大致相同,但最近观看绝地求生的累计时间远多于王者荣耀的观看时间,因最近产生的用户行为信息更能反映当前用户的兴趣偏向,则可为最近生成的用户行为信息设置较高的权重,从而分析得到当前用户更偏向于绝地求生的游戏,从而提取出“绝地求生”这一特征信息。
S25、根据所述特征信息计算所述用户的相似度,根据所述相似度划分用户群组;
在本实施例中,可利用提取出的特征信息计算用户的相似度。计算时,可分别提取出各用户的所有特征信息,当两个用户相同的特征信息较多时,则两个用户的兴趣爱好较为相似,将两个用户划在同一群组;反之,则表示两个用户的兴趣爱好具有较大差异,分别划在不同群组中。
进一步地,在步骤S25中,还可根据历史浏览数据对所有特征信息进行排序,选取排名靠前的若干个特征信息作为综合表征用户的兴趣偏向,并利用其计算用户的相似度。
以浏览时长为例,用户在当天分别观看了“舞蹈、绝地求生、斗地主、唱歌”的直播内容,对应观看时长分别为30分钟、1小时、20分钟、40分钟,则可根据观看时长对“舞蹈、绝地求生、斗地主、唱歌”进行排序,得到的排列顺序为“绝地求生、唱歌、舞蹈、斗地主”,从中选取出“绝地求生、唱歌”的特征信息作为表征用户的兴趣偏向。当然,除了浏览时长,还可根据点击率、互动次数、点赞次数等任意至少一种历史浏览数据对特征信息进行排序,本发明在此不做具体限定。
S27、在所述用户群组内进行用户的相互推荐。
在划分用户群组后,对同一群组内的用户进行相互推荐;由于同一用户群组内的用户具有较高的相似度,有相同的兴趣爱好,因此,推荐的好友的精准度更高。
如图3所示,本实施例根据用户的相似度将6个用户(用户A、B、C、D、E、F)划分为两个用户群组(用户群组1、用户群组2),在用户群组1内进行相互推荐时,服务器将用户A推荐给用户B,同时将用户B推荐给用户A,其他用户的推荐同理。
进一步地,如图4所示,推荐时,可将其他用户的账号、昵称、头像、性别、关注虚拟键等信息显示在当前用户的界面上,当前用户可通过点击关注虚拟键,将该用户添加至好友列表中。此外,还可通过用户主动刷新或定时被动刷新,不断更新显示在界面上的推荐用户,如当用户点击图中的换一换虚拟键时,服务器替换当前的推荐用户,将同一群组内的其他用户显示在当前用户的界面上。
本发明提供的用户推荐方法,根据获取到的用户行为信息,从用户行为信息中提取出特征信息,然后利用所述特征信息计算用户的相似度,以根据所述相似度划分用户群组,最后在所述用户群组内进行用户的相互推荐,从而根据用户行为信息这一动态数据,筛选出具有相同兴趣爱好的用户,形成用户群组,自动在用户群组内进行相互推荐,由于动态数据更能反映用户的兴趣爱好,因此推荐的好友的精准度更高。
为了更加清晰本发明实施例的技术方案及其技术效果,下面结合附图对用户推荐方法的实施例做进一步阐述。
在一个实施例中,所述步骤S21中的获取各个用户的用户行为信息的步骤,可以以预置周期获取各个用户的用户行为信息。
由于一段时间内的用户行为信息只能反映用户该段时间的兴趣偏向,而随着互联网的快速发展,网上的内容日新月异,用户的兴趣爱好也会随着转变,尤其是对于游戏爱好者来说,短时间内可能会热衷于不同款的游戏产品。
因此,本实施例可按预置周期获取各个用户的用户行为信息,从而可以根据最新采集的用户行为信息,提取出新的特征信息,根据新的特征信息计算用户的相似度,从而根据用户的相似度定时更新用户群组的用户,修正相互推荐的用户,实现实时的个性化用户特征更新及用户推荐学习策略。
在一实施例中,如图5所示,在所述步骤S25之前,还可以包括获取用户信息的步骤,具体包括:
S24、获取各个用户的用户基本信息;
其中,所述用户基本信息可以为用户的静态数据,不随时间改变或随时间的变化较小,如用户的性别、生日、学历、专业、住址等信息。所述用户基本信息可通过用户注册账号时获取,将其保存在本地数据库中。
对于步骤S25可以具体为:根据所述特征信息和用户基本信息计算所述用户的相似度,根据所述相似度划分用户群组。
对于新用户来说,服务器能获取的用户行为信息较少,提取的特征信息也不多,因此,在本实施例中,计算用户相似度时,还可进一步结合用户的用户基本信息,利用所述特征信息和用户基本信息计算用户的相似度,从而充分利用用户的静态数据和动态数据,使用户的相似度的计算更精确,当利用所述相似度划分用户群组,在用户群组内进行相互推荐时,使得推荐的好友的准确度进一步提高。
在一实施例中,在所述步骤S27的在所述用户群组内进行用户的相互推荐之后,还可包括:
根据所述特征信息和用户基本信息生成用户标签;将推荐用户的用户标签显示在当前用户界面上。
在本实施例中,可根据所述特征信息和用户基本信息生成用户标签。所述用户标签用于表征当前用户感兴趣的内容,生成时,可从特征信息和用户基本信息中筛选出出现频率最高的关键词作为当前用户的用户标签,如吃鸡、足球、NBA、王者荣耀或主播等。
相互推荐时,同时在界面上用文案展示对方与你较为匹配的用户标签,如可显示“当前用户与你相近的爱好有:吃鸡、NBA”;也可只显示用户标签,如图4所示的“音乐”、“美食”、“王者荣耀”、“旅游”的文字标签,当前用户可根据推荐用户的用户标签决定是否添加其为好友,添加后,还可为用户提供破冰话题,让匹配信息可视化,从而提高两者成为好友的概率。
在一实施例中,所述根据所述特征信息和用户基本信息计算所述用户的相似度的步骤,可包括:
利用所述特征信息和用户基本信息生成用户特征向量;
根据所述用户特征向量计算所述用户的相似度。
在本实施例中,可分别从特征信息和用户基本信息中提取出关键词及所述关键词对应的数据,将关键词和所述关键词对应的数据输入预先训练的深度神经网络模型,生成用户特征向量,从而根据所述用户特征向量计算所述用户的相似度。
可选地,所述利用所述特征信息和用户基本信息生成用户特征向量的步骤,可包括:
利用所述特征信息生成第一特征向量;
利用所述用户基本信息生成第二特征向量;
将所述第一特征向量与所述第二特征向量进行合并;
将合并后的特征向量进行归一化处理,得到用户特征向量。
在本实施例中,利用所述特征信息生成第一特征向量,利用所述用户基本信息生成第二特征向量;并将所述第一特征向量与所述第二特征向量进行拼接组合,如交集或并集,将合并后的特征向量进行归一化处理,形成用户特征向量使处理后的特征向量的每个分量限制在一定范围内,便于后续相似度的计算,提高相似度计算效率。
对于所述行为信息,可以包括历史浏览内容,则对于步骤S23的提取所述用户行为信息的特征信息的步骤,包括:
对历史浏览内容进行分词;
在本实施例中,当所述行为信息为历史浏览内容时,如文章、新闻、聊天内容等具有文字信息的内容,则可将所述历史浏览内容的标题、摘要、正文等进行分词。
将所述分词累加至对应的标签,得到标签值;
本实施例根据分词的类型,将每个分词划分至对应的预先设定的标签,如将篮球、足球、兵乓等分词划分至体育类的标签,将三级头盔、三级甲、急救包、98k等字词划分至吃鸡的标签,每将一分词分配至对应的标签时,则相应标签的标签值加一,标签值根据访问该类标签的历史浏览内容进行累加,访问该类标签的次数越多,该标签被分配的分词越多,则该标签对应的标签值就越大。
所述利用所述特征信息生成第一特征向量的步骤,包括:
利用所述标签值生成第一特征向量。
在本实施例中,可根据所述标签值生成第一特征向量,用于表征用户的兴趣偏向情况。例如,当前用户的标签包括了吃鸡、NBA、唱歌三种标签,假设其对应的标签值分别为1000、800、500,则表示当前用户偏向于吃鸡游戏,生成的第一特征向量可表示为
可选地,所述对历史浏览内容进行分词之前,还可包括:
获取用户的浏览内容;
当浏览内容的浏览时长超过预设值时,得到历史浏览内容。
由于用户短时间的内容访问,不能很好地表示用户对该类内容感兴趣,因此,本实施例从数据库中获取用户的浏览内容后,将浏览内容进行筛选,得到有效浏览内容。具体的,当用户对平台的内容进行访问时,当访问或阅读时长超过预设值时(如3分钟),则可认为是有效访问行为,得到历史浏览内容进行保存。
在一实施例中,所述根据所述用户特征向量计算所述用户的相似度的步骤,可包括:
通过聚类分析或计算用户特征向量间的距离,得到所述用户的相似度。
在得到用户特征向量后,利用户特征向量进行用户相似度计算时,可通过聚类分析或者计算用户特征向量间的距离。
当通过聚类分析的方式时,可先设定k个类别数,即根据用户特征向量划分为k个用户群组,每个用户群组至少有一个用户对应的用户特征向量,每个用户特征向量必须属于而且只能属于一个用户群组,k支持根据用户特征向量的数量及差异进行调整配置。具体地,该方法可采用按照给定的k个划分要求,先给定一个初始的划分,然后利用迭代重定位技术,通过对象在划分之间的移动来改进划分,通过矩阵及类别数量的聚类分析训练后,得到一个k个类别中心及对应类别的若干个用户。此时,一个用户对应类别内的其他用户即为其特征相近的用户,可作为其推荐的用户列表。
在一实施例中,还可将所有用户特征向量随机分配到k个非空的用户群组中,计算每个用户群组的平均用户特征向量,计算每个用户特征向量与各个用户群组中平均用户特征向量的距离,将用户特征向量对应的用户分配给距离最近的用户群组。
当通过计算用户特征向量间距离的方式时,先计算一个用户的用户特征向量与所有其他用户的用户特征向量间的距离(如欧式距离、余弦距离、杰卡德距离等),距离越小则代表其相似度越高,将相似度高于预设值的用户划分在同一用户群组,在同一用户群组中,还可根据相似度进行排序,推荐时,优先显示排名靠前的用户。
请参考图6,本发明的实施例还提供一种用户推荐装置,一种本实施例中,包括获取模块61、提取模块62、计算模块63和推荐模块64。其中,
获取模块61,用于获取各个用户的用户行为信息;
在本实施例中,服务器可从数据库中提取所有用户的用户行为信息。其中,所述用户行为信息为用户在访问服务器时产生的历史浏览数据,如点击率、浏览时间、浏览内容、评论等信息,服务器将所述用户行为信息保存在本地数据库中,用于后续调取使用,如用于分析用户的个性化特征,以了解用户的兴趣爱好。
提取模块62,用于提取所述用户行为信息的特征信息;
在本实施例中,当获取到各个用户的用户行为信息后,从所述用户行为信息中分别提取出每个用户的特征信息。其中,所述特征信息可用于表征用户的兴趣偏向。例如,当用户在观看直播时,分别观看了“唱歌、美食、舞蹈、王者荣耀、绝地求生”等直播内容,则可根据用户的观看时长分析出用户的兴趣偏向,如在观看的这些直播内容中,王者荣耀这类的直播内容的累计观看时长最长、互动次数最多,则可得出王者荣耀这一特征信息,进而确定用户偏好于王者荣耀游戏。
在提取出特征信息时,可根据用户行为信息对特征信息进行综合分析,如可根据用户行为信息的生成时间或用户行为信息的类型设置相应的权重,以确保特征信息更能反应用户的个性化特征。具体的,假如当前用户观看王者荣耀和绝地求生的累计时间大致相同,但最近观看绝地求生的累计时间远多于王者荣耀的观看时间,因最近产生的用户行为信息更能反映当前用户的兴趣偏向,则可为最近生成的用户行为信息设置较高的权重,从而分析得到当前用户更偏向于绝地求生的游戏,从而提取出“绝地求生”这一特征信息。
计算模块63,用于根据所述特征信息计算所述用户的相似度,根据所述相似度划分用户群组;
在本实施例中,可利用提取出的特征信息计算用户的相似度。计算时,可分别提取出各用户的所有特征信息,当两个用户相同的特征信息较多时,则两个用户的兴趣爱好较为相似,将两个用户划在同一群组;反之,则表示两个用户的兴趣爱好具有较大差异,分别划在不同群组中。
进一步地,还可根据历史浏览数据对所有特征信息进行排序,选取排名靠前的若干个特征信息作为综合表征用户的兴趣偏向,并利用其计算用户的相似度。以浏览时长为例,用户在当天分别观看了“舞蹈、绝地求生、斗地主、唱歌”的直播内容,对应观看时长分别为30分钟、1小时、20分钟、40分钟,则可根据观看时长对“舞蹈、绝地求生、斗地主、唱歌”进行排序,得到的排列顺序为“绝地求生、唱歌、舞蹈、斗地主”,从中选取出“绝地求生、唱歌”的特征信息作为表征用户的兴趣偏向。当然,除了浏览时长,还可根据点击率、互动次数、点赞次数等任意至少一种历史浏览数据对特征信息进行排序,本发明在此不做具体限定。
推荐模块64,用于在所述用户群组内进行用户的相互推荐。
划分用户群组后,同一用户群组内的用户具有较高的相似度,有相同的兴趣爱好,本实施例对同一群组内的用户进行相互推荐。如图3所示,本实施例根据用户的相似度将6个用户(用户A、B、C、D、E、F)划分为两个用户群组(用户群组1、用户群组2),在用户群组1内进行相互推荐时,服务器将用户A推荐给用户B,同时将用户B推荐给用户A,其他用户的推荐同理。
进一步地,如图4所示,推荐时,可将其他用户的账号、昵称、头像、性别、关注虚拟键等信息显示在当前用户的界面上,当前用户可通过点击关注虚拟键,将该用户添加至好友列表中。此外,还可通过用户主动刷新或定时被动刷新,不断更新显示在界面上的推荐用户,如当用户点击图中的换一换虚拟键时,服务器替换当前的推荐用户,将同一群组内的其他用户显示在当前用户的界面上。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明提供的一种存储介质,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上述任意一项技术方案所述的用户推荐方法。
其中,所述存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random AcceSS Memory,随即存储器)、EPROM(EraSable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically EraSable Programmable Read-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,存储介质包括由设备(例如,计算机)以能够读的形式存储或传输信息的任何介质。可以是只读存储器,磁盘或光盘等。
本发明提供的一种服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述任意一项技术方案所述的用户推荐方法。
图7为本发明服务器的结构示意图,包括处理器720、存储装置730、输入单元740以及显示单元750等器件。本领域技术人员可以理解,图7示出的结构器件并不构成对所有服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件。存储装置730可用于存储应用程序710以及各功能模块,处理器720运行存储在存储装置730的应用程序710,从而执行设备的各种功能应用以及数据处理。存储装置730可以是内存储器或外存储器,或者包括内存储器和外存储器两者。内存储器可以包括只读存储器、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储装置包括但不限于这些类型的存储装置。本发明所公开的存储装置730只作为例子而非作为限定。
输入单元740用于接收信号的输入,以及用户输入的访问请求。输入单元740可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并根据预先设定的程序驱动相应的连接装置;其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元750可用于显示用户输入的信息或提供给用户的信息以及计算机设备的各种菜单。显示单元750可采用液晶显示器、有机发光二极管等形式。处理器720是计算机设备的控制中心,利用各种接口和线路连接整个电脑的各个部分,通过运行或执行存储在存储装置730内的软件程序和/或模块,以及调用存储在存储装置内的数据,执行各种功能和处理数据。
在一实施方式中,服务器包括一个或多个处理器720,以及一个或多个存储装置730,一个或多个应用程序710,其中所述一个或多个应用程序710被存储在存储装置730中并被配置为由所述一个或多个处理器720执行,所述一个或多个应用程序710配置用于执行以上实施例所述的用户推荐方法。
综合上述实施例可知,本发明最大的有益效果在于:
本发明提供的用户推荐方法、装置、存储介质及服务器,根据获取到的用户行为信息,从用户行为信息中提取出特征信息,然后利用所述特征信息计算用户的相似度,以根据所述相似度划分用户群组,最后在所述用户群组内进行用户的相互推荐,从而根据用户行为信息这一动态数据,筛选出具有相同兴趣爱好的用户,形成用户群组,自动在用户群组内进行相互推荐,由于动态数据更能反映用户的兴趣爱好,因此推荐的好友的精准度更高。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种用户推荐方法,其特征在于,包括:
获取各个用户的用户行为信息;
提取所述用户行为信息的特征信息;
根据所述特征信息计算所述用户的相似度,根据所述相似度划分用户群组;
在所述用户群组内进行用户的相互推荐。
2.根据权利要求1所述的用户推荐方法,其特征在于,所述根据所述特征信息计算所述用户的相似度之前,还包括:
获取各个用户的用户基本信息;
所述根据所述特征信息计算所述用户的相似度的步骤,包括:
根据所述特征信息和用户基本信息计算所述用户的相似度。
3.根据权利要求2所述的用户推荐方法,其特征在于,所述根据所述特征信息和用户基本信息计算所述用户的相似度的步骤,包括:
利用所述特征信息和用户基本信息生成用户特征向量;
根据所述用户特征向量计算所述用户的相似度。
4.根据权利要求3所述的用户推荐方法,其特征在于,所述利用所述特征信息和用户基本信息生成用户特征向量的步骤,包括:
利用所述特征信息生成第一特征向量;
利用所述用户基本信息生成第二特征向量;
将所述第一特征向量与所述第二特征向量进行合并;
将合并后的特征向量进行归一化处理,得到用户特征向量。
5.根据权利要求4所述的用户推荐方法,其特征在于,所述行为信息包括历史浏览内容,所述提取所述用户行为信息的特征信息的步骤,包括:
对历史浏览内容进行分词;
将所述分词累加至对应的标签,得到标签值;
所述利用所述特征信息生成第一特征向量的步骤,包括:
利用所述标签值生成第一特征向量。
6.根据权利要求5所述的用户推荐方法,其特征在于,所述对历史浏览内容进行分词之前,还包括:
获取用户的浏览内容;
当浏览内容的浏览时长超过预设值时,得到历史浏览内容。
7.根据权利要求3所述的用户推荐方法,其特征在于,所述根据所述用户特征向量计算所述用户的相似度的步骤,包括:
通过聚类分析或计算用户特征向量间的距离,得到所述用户的相似度。
8.根据权利要求2所述的用户推荐方法,其特征在于,所述在所述用户群组内进行用户的相互推荐之后,还包括:
根据所述特征信息和用户基本信息生成用户标签;
将推荐用户的用户标签显示在当前用户界面上。
9.根据权利要求1所述的用户推荐方法,其特征在于,所述获取各个用户的用户行为信息的步骤,包括:
以预置周期获取各个用户的用户行为信息。
10.一种用户推荐装置,其特征在于,包括:
获取模块,用于获取各个用户的用户行为信息;
提取模块,用于提取所述用户行为信息的特征信息;
计算模块,用于根据所述特征信息计算所述用户的相似度,根据所述相似度划分用户群组;
推荐模块,用于在所述用户群组内进行用户的相互推荐。
11.一种存储介质,其上存储有计算机程序,其特征在于:
所述计算机程序被处理器执行时实现如权利要求1至9中任意一项所述的用户推荐方法。
12.一种服务器,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至9中任意一项所述的用户推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811614530.XA CN111400609B (zh) | 2018-12-27 | 2018-12-27 | 用户推荐方法、装置、存储介质及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811614530.XA CN111400609B (zh) | 2018-12-27 | 2018-12-27 | 用户推荐方法、装置、存储介质及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111400609A true CN111400609A (zh) | 2020-07-10 |
CN111400609B CN111400609B (zh) | 2024-02-13 |
Family
ID=71430101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811614530.XA Active CN111400609B (zh) | 2018-12-27 | 2018-12-27 | 用户推荐方法、装置、存储介质及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111400609B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111888769A (zh) * | 2020-08-11 | 2020-11-06 | 网易(杭州)网络有限公司 | 一种群组推荐方法、装置、电子设备及存储介质 |
CN112016003A (zh) * | 2020-08-19 | 2020-12-01 | 重庆邮电大学 | 基于cnn的社交小众用户标签挖掘及相似用户推荐方法 |
CN112612974A (zh) * | 2021-01-04 | 2021-04-06 | 上海明略人工智能(集团)有限公司 | 一种基于路径排序的好友推荐方法与系统 |
CN114021060A (zh) * | 2021-11-10 | 2022-02-08 | 北京达佳互联信息技术有限公司 | 一种用户标签展示方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104216965A (zh) * | 2014-08-21 | 2014-12-17 | 北京金山安全软件有限公司 | 信息推荐方法和装置 |
CN104965889A (zh) * | 2015-06-17 | 2015-10-07 | 腾讯科技(深圳)有限公司 | 内容推荐方法及装置 |
CN107784066A (zh) * | 2017-08-25 | 2018-03-09 | 上海壹账通金融科技有限公司 | 信息推荐方法、装置、服务器及存储介质 |
CN108062375A (zh) * | 2017-12-12 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 一种用户画像的处理方法、装置、终端和存储介质 |
-
2018
- 2018-12-27 CN CN201811614530.XA patent/CN111400609B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104216965A (zh) * | 2014-08-21 | 2014-12-17 | 北京金山安全软件有限公司 | 信息推荐方法和装置 |
CN104965889A (zh) * | 2015-06-17 | 2015-10-07 | 腾讯科技(深圳)有限公司 | 内容推荐方法及装置 |
CN107784066A (zh) * | 2017-08-25 | 2018-03-09 | 上海壹账通金融科技有限公司 | 信息推荐方法、装置、服务器及存储介质 |
CN108062375A (zh) * | 2017-12-12 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 一种用户画像的处理方法、装置、终端和存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111888769A (zh) * | 2020-08-11 | 2020-11-06 | 网易(杭州)网络有限公司 | 一种群组推荐方法、装置、电子设备及存储介质 |
CN111888769B (zh) * | 2020-08-11 | 2024-02-09 | 网易(杭州)网络有限公司 | 一种群组推荐方法、装置、电子设备及存储介质 |
CN112016003A (zh) * | 2020-08-19 | 2020-12-01 | 重庆邮电大学 | 基于cnn的社交小众用户标签挖掘及相似用户推荐方法 |
CN112612974A (zh) * | 2021-01-04 | 2021-04-06 | 上海明略人工智能(集团)有限公司 | 一种基于路径排序的好友推荐方法与系统 |
CN114021060A (zh) * | 2021-11-10 | 2022-02-08 | 北京达佳互联信息技术有限公司 | 一种用户标签展示方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111400609B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543111B (zh) | 推荐信息筛选方法、装置、存储介质及服务器 | |
CN110941740B (zh) | 视频推荐方法及计算机可读存储介质 | |
Karimi et al. | News recommender systems–Survey and roads ahead | |
US9979777B1 (en) | Scoring stream items with models based on user interests | |
CN111400609B (zh) | 用户推荐方法、装置、存储介质及服务器 | |
US9348898B2 (en) | Recommendation system with dual collaborative filter usage matrix | |
TWI636416B (zh) | 內容個人化之多相排序方法和系統 | |
CN110543598B (zh) | 信息推荐方法、装置及终端 | |
CN107424043A (zh) | 一种产品推荐方法及装置,电子设备 | |
US20220405607A1 (en) | Method for obtaining user portrait and related apparatus | |
CN112612957B (zh) | 兴趣点的推荐方法、兴趣点推荐模型的训练方法、装置 | |
CN106202393B (zh) | 媒体信息推送方法及装置 | |
CN111597446B (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
CN113742567B (zh) | 一种多媒体资源的推荐方法、装置、电子设备及存储介质 | |
CN110347781B (zh) | 文章倒排方法、文章推荐方法、装置、设备及存储介质 | |
CN112559879A (zh) | 兴趣模型训练方法、兴趣点推荐方法、装置和设备 | |
US20120271844A1 (en) | Providng relevant information for a term in a user message | |
CN106844724B (zh) | 一种基于用户已安装应用来推荐应用的方法和装置 | |
CN102314422A (zh) | 一种基于用户兴趣优选开放式互动版块的方法与设备 | |
CN116821475A (zh) | 基于客户数据的视频推荐方法、装置及计算机设备 | |
CN116634008A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN116521937A (zh) | 视频表单的生成方法、装置、设备及存储介质、程序产品 | |
CN114564653A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN110659419A (zh) | 确定目标用户的方法及相关装置 | |
CN116843935A (zh) | 素材数据聚类方法及相关装置 |
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 |