CN111475737B - 用户推荐方法、装置、电子设备、存储介质 - Google Patents

用户推荐方法、装置、电子设备、存储介质 Download PDF

Info

Publication number
CN111475737B
CN111475737B CN202010208665.7A CN202010208665A CN111475737B CN 111475737 B CN111475737 B CN 111475737B CN 202010208665 A CN202010208665 A CN 202010208665A CN 111475737 B CN111475737 B CN 111475737B
Authority
CN
China
Prior art keywords
user
directed graph
recommendation
node
users
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
Application number
CN202010208665.7A
Other languages
English (en)
Other versions
CN111475737A (zh
Inventor
刘伟
孟伟
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.)
Ping An Zhitong Consulting Co Ltd
Original Assignee
Ping An Zhitong Consulting 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 Ping An Zhitong Consulting Co Ltd filed Critical Ping An Zhitong Consulting Co Ltd
Priority to CN202010208665.7A priority Critical patent/CN111475737B/zh
Publication of CN111475737A publication Critical patent/CN111475737A/zh
Application granted granted Critical
Publication of CN111475737B publication Critical patent/CN111475737B/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]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy
    • 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]
    • G06Q30/0631—Item recommendations
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Abstract

本发明提供一种用户推荐方法、装置、电子设备、存储介质，方法包括：响应于第一用户推荐商品对象，获取第一用户于社交平台上的账号及第一用户数据；根据第一用户于社交平台上的账号，获取第一用户于社交平台上的好友用户账号及好友用户数据；根据第一用户数据及好友用户数据计算第一用户与各好友用户的相似度；根据相似度计算自第一用户于社交平台上的好友用户中计算生成候选推荐用户集合；向第一用户展示候选推荐用户集合；以及响应于第一用户对候选推荐用户集合的操作，向候选推荐用户集合中的至少一第二用户发送商品对象的信息。本发明通过推荐者和被推荐者的数据管理以及向用户提供被推荐的候选用户，从而实现高效的数据管理和用户推荐效率。

Description

用户推荐方法、装置、电子设备、存储介质
技术领域
本发明涉及计算机应用领域，尤其涉及一种用户推荐方法、装置、电子设备、存储介质。
背景技术
为了推广实体商品/服务商品，可以通过使用该实体商品/服务商品的用户，向其亲友推荐该实体商品/服务商品。
现有的实现方式中，要么通过线下场景中人工记录的方式，确定推荐者及被推荐者；要么通过用户向其亲友发送带有该用户标识的链接(或二维码)，亲友通过点击该链接(或扫描该二维码)进而对所推荐的实体商品/服务商品进行操作，从而确定推荐者及被推荐者。根据确定的推荐者和被推荐者，来向推荐者和被推荐者提供优惠信息。
然而，上述方式仍然存在如下缺陷：
一方面，对于推荐者和被推荐者的数据没有高效有序的管理方式，从而在对推荐者和被推荐者的数据进行处理时，容易产生混乱和错误的情况；另一方面，对于推荐者而言，在其进行推荐时，没有可以参考的内容，根据主观想法进行推荐，容易推荐至对所推荐实体商品/服务商品不感兴趣的亲友，从而降低推荐效率。
由此，如何实现推荐者和被推荐者的数据以及向用户提供被推荐的候选用户，从而实现高效的数据管理和用户推荐效率是本领域亟待解决的技术问题。
发明内容
本发明为了克服上述相关技术存在的缺陷，提供一种用户推荐方法、装置、电子设备、存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本发明的一个方面，提供一种用户推荐方法，包括：
响应于第一用户推荐商品对象，获取第一用户于社交平台上的账号及第一用户数据；
根据所述第一用户于社交平台上的账号，获取所述第一用户于社交平台上的好友用户账号及好友用户数据；
根据所述第一用户数据及好友用户数据计算所述第一用户与各好友用户的相似度；
根据所述相似度计算自所述第一用户于社交平台上的好友用户中计算生成候选推荐用户集合；
向所述第一用户展示所述候选推荐用户集合；以及
响应于所述第一用户对所述候选推荐用户集合的操作，向所述候选推荐用户集合中的至少一第二用户发送所述商品对象的信息。
在本发明的一些实施例中，所述响应于所述第一用户对所述候选推荐用户集合的操作，向所述候选推荐用户集合中的至少一第二用户发送所述商品对象的信息之后，还包括：
将接收所述商品对象的信息的第二用户加入所述第一用户的结构网中，在所述第一用户的结构网中，按该第二用户对所述商品对象的信息的不同操作，以不同的关联关系关联所述第一用户。
在本发明的一些实施例中，当所述第一用户推荐多个商品对象时，按所述第一用户推荐的商品对象的类型，分别根据所述第一用户数据及好友用户数据计算所述第一用户与各好友用户的相似度，以根据不同的商品对象的类型，向所述第一用户展示不同的候选推荐用户集合。
在本发明的一些实施例中，还包括：
根据各第一用户的结构网生成推荐有向图，所述推荐有向图的节点为各第一用户和第二用户；
根据所述推荐有向图，对每一所述第一用户，计算该第一用户至每一节点的最短距离；
对每一所述第一用户，累加该第一用户至每一节点的最短距离作为关联该第一用户的总距离；
对每一所述第一用户，根据所述总距离计算该第一用户的权重；以及
根据各所述第一用户的权重设置各第一用户操作商品对象时的硬件参数。
在本发明的一些实施例中，所生成的推荐有向图为一第一有向图，在所述第一有向图中，当所述第二用户以第一关联关系关联所述第一用户时，形成所述第一用户朝向所述第二用户的边，且该边的长度与该第一用户发送至该第二用户的商品对象的售价正相关，所述第一关联关系指示所述第二用户已购买所述第一用户向该所述第二用户的商品对象。
在本发明的一些实施例中，所生成的推荐有向图为多个第二有向图，每一第二有向图关联一商品对象，所述第二有向图中，形成所述第一用户朝向所述第二用户的边，且该边的长度根据该第二用户与该第一用户的关联关系确定，其中，对每一商品对象：
根据该商品对象关联的所述第二有向图，对每一所述第一用户，计算该第一用户至每一节点的距离；
对每一所述第一用户，累加该第一用户至每一节点的距离作为关联该第一用户的总距离；
对每一所述第一用户，根据每一商品对象的所述总距离计算该第一用户的权重；以及
根据各所述第一用户的权重设置各第一用户操作该商品对象时的硬件参数。
在本发明的一些实施例中，还包括：
根据自所述社交平台上获取的数据形成社交有向图，所述社交有向图的节点为所述社交平台上的用户，当一用户关注另一用户时，形成该用户朝向另一用户的边；
对于所述社交有向图及所述推荐有向图，对所述社交有向图中的每一条边，判断所述社交有向图中的该条边是否存在于所述推荐有向图；
若所述社交有向图中的该条边不存在于所述推荐有向图，则保留该条边；
根据所保留的边生成潜在推荐有向图；
对于所述潜在推荐有向图中的各节点：
将该节点作为准第一节点；
将准第一节点所指向的节点作为潜在推荐节点；
获取各潜在推荐节点于所述推荐有向图中指向其它节点的边关联的商品对象；
根据所获取的商品对象确定相似商品对象；以及
将所述潜在推荐节点及对应的所述相似商品对象展示至所述准第一节点对应的用户。
在本发明的一些实施例中，所述商品对象为在线课程，各第一用户操作所述商品对象时的硬件参数包括如下硬件参数中的一项或多项：
所述第一用户的设备进入所述在线课程后的下载速度上限；
所述第一用户的设备加入所述在线课程的虚拟教室的排队顺序；
所述第一用户的设备向所述在线课程的服务器发送信息的传输优先级；
所述第一用户的设备接收所述在线课程的服务器发送信息的传输优先级。
在本发明的一些实施例中，各所述第一用户的权重用以计算第一用户的积分，还包括：
根据各所述第一用户的积分，兑换候选商品对象。
根据本发明的又一方面，还提供一种用户推荐装置，包括：
第一获取模块，用于响应于第一用户推荐商品对象，获取第一用户于社交平台上的账号及第一用户数据；
第二获取模块，用于根据所述第一用户于社交平台上的账号，获取所述第一用户于社交平台上的好友用户账号及好友用户数据；
计算模块，用于根据所述第一用户数据及好友用户数据计算所述第一用户与各好友用户的相似度；
生成模块，用于根据所述相似度计算自所述第一用户于社交平台上的好友用户中计算生成候选推荐用户集合；
展示模块，用于向所述第一用户展示所述候选推荐用户集合；以及
发送模块，用于响应于所述第一用户对所述候选推荐用户集合的操作，向所述候选推荐用户集合中的至少一第二用户发送所述商品对象的信息。
根据本发明的又一方面，还提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如上所述的步骤。
根据本发明的又一方面，还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上所述的步骤。
相比现有技术，本发明的优势在于：
本发明通过推荐者和被推荐者的数据管理以及向用户提供被推荐的候选用户，从而实现高效的数据管理和用户推荐效率。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1示出了根据本发明实施例的用户推荐方法的流程图。
图2示出了根据本发明具体实施例的根据推荐有向图的设置第一用户操作商品对象的硬件参数的流程图。
图3示出了根据本发明具体实施例的根据第一有向图的设置第一用户操作商品对象的硬件参数的的流程图。
图4示出了根据本发明具体实施例的第一有向图的示意图。
图5示出了根据本发明具体实施例的根据第二有向图的设置第一用户操作商品对象的硬件参数的的流程图。
图6示出了根据本发明具体实施例的第二有向图的示意图。
图7示出了根据本发明具体实施例的根据推荐有向图及社交有向图进行潜在推荐节点推荐商品对象的流程图。
图8示出了根据本发明实施例的用户推荐装置的模块图。
图9示意性示出本发明示例性实施例中一种计算机可读存储介质示意图。
图10示意性示出本发明示例性实施例中一种电子设备示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。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方式中。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。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。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。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。
附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。
在本发明的各个实施例中，本发明适用于用户与用户之间的商品对象的推荐，而并非用户商家/电商平台等与用户之间的商品对象的推荐。进一步地，本发明通过用户之间的数据管理和数据处理，以便于用户向其好友推荐的商品对象是其好友有兴趣的商品对象。
本发明各个实施例中所描述的“商品对象”可以是实体商品、服务类商品、虚拟商品等，本发明并非以此为限制。
本发明各个实施例中，各用户于社交平台上的账号及用户数据皆可经由用户授权后获取。
图1示出了根据本发明实施例的用户推荐方法的流程图。用户推荐方法包括如下步骤：
步骤S110：响应于第一用户推荐商品对象，获取第一用户于社交平台上的账号及第一用户数据。
具体而言，所述的第一用户推荐商品对象可以是第一用户转发该推荐商品对象的操作。第一用户推荐商品对象的操作可以有多种实现方式，本发明并非以此为限制。
具体而言，步骤S110中所述的社交平台可以是用户选择的社交平台。例如，当第一用户选择转发该推荐商品对象时，向该第一用户提供多个社交平台的选择，基于该第一用户对社交平台的选择执行上述步骤S110。在一些变化例中，步骤S110中所述的社交平台可以是多个社交平台，换言之，可以分别对多个社交平台执行步骤S110至步骤S150。在该变化例中，分别对多个社交平台执行步骤S110至步骤S150，获得多个候选推荐用户集合，以在用户选择转发该推荐商品对象时，向该第一用户提供多个社交平台及各平台对应的候选推荐用户集合。
具体而言，第一用户数据例如可以包括第一用户的年龄、性别、职业、操作过的内容数据(例如浏览、转发、收藏、发布等)，本发明并非以此为限制。
步骤S120：根据所述第一用户于社交平台上的账号，获取所述第一用户于社交平台上的好友用户账号及好友用户数据。
具体而言，第一用户于社交平台上的好友可以指该第一用户关注的用户、关注该第一用户的用户或者该第一用户关注且关注该第一用户的用户。好友用户数据与第一用户数据可以具有相同的内容和格式。
步骤S130：根据所述第一用户数据及好友用户数据计算所述第一用户与各好友用户的相似度。
具体而言，步骤S130可以包括将第一用户数据和好友用户数据转化为特征矩阵的步骤。第一用户数据和好友用户数据的特征矩阵的转化可以通过不同类型的用户数据的拼接。例如，对于文字型用户数据，可以将其通过word2vec算法转换为特征向量。对于数据型用户数据可以进行归一化处理。对于复合型用户数据，例如对于某一类型的内容数据的用户操作及用户操作次数，可以通过上述处理方式或自定义编码的方式进行转换。本发明并非以此为限制。
具体而言，所述的相似度计算例如可以通过余弦算法来实现。在一些变化例中，本发明也可以机器学习模型来实现。本发明所采用的机器学习模块例如为现有的有监督模型或无监督模型，本发明并非以此为限制。机器学习模型可以通过预先训练来实现，并同时实际使用不断更新迭代，以此提高机器学习的准确率。本发明并非以此为限制。
步骤S140：根据所述相似度计算自所述第一用户于社交平台上的好友用户中计算生成候选推荐用户集合。
具体而言，步骤S140可以将相似度高于预定阈值的好友用户作为第二用户，以将各第二用户加入候选推荐用户集合中。在一些变化例中，本发明也可以将相似度位于前N％(N为大于0且小于30的常数)的好友用户作为第二用户，以将各第二用户加入候选推荐用户集合中。本发明可以实现更多的变化方式，在此不予赘述。
步骤S150：向所述第一用户展示所述候选推荐用户集合。
如前所述，当基于用户选定的社交平台时，可以直接向第一用户展示候选推荐用户集合的列表。当提供多个社交平台及各平台对应的候选推荐用户集合时，可以分别对应各社交平台提供多个并列的候选推荐用户集合的列表。
进一步地，在各列表中，候选推荐用户集合中的第二用户可以按相似度自高至低排序。
步骤S160：响应于所述第一用户对所述候选推荐用户集合的操作，向所述候选推荐用户集合中的至少一第二用户发送所述商品对象的信息。
具体而言，所发送的商品对象的信息通过该候选推荐用户集合对应的社交平台，展示于该第一用户与该第二用户的通信界面中。
具体而言，所发送的商品对象的信息可以包括商品对象的链接、包含商品对象链接的二维码、包含前述二维码的图片、包含商品对象链接的口令等。本发明并非以此为限制。
在本发明提供的用户推荐方法中，本发明通过推荐者和被推荐者的数据管理以及向用户提供被推荐的候选用户，从而实现高效的数据管理和用户推荐效率。
在本发明的一些实施例中，所述步骤S160响应于所述第一用户对所述候选推荐用户集合的操作，向所述候选推荐用户集合中的至少一第二用户发送所述商品对象的信息之后，还可以包括如下步骤：将接收所述商品对象的信息的第二用户加入所述第一用户的结构网中，在所述第一用户的结构网中，按该第二用户对所述商品对象的信息的不同操作，以不同的关联关系关联所述第一用户。具体而言，该实施例中，根据第二用户对所述商品对象的信息的点击、浏览、转发、收藏、购买等不同的操作，定义不同的关联关系，使第二用户根据其操作与第一用户关联。本发明可以通过用户的结构网，以对用户的商品推荐进行记录和管理，当用户下次推荐对象商品时，可以参照结构网，对推荐过同样商品对象的被推荐用户进行排除，同时也可以对推荐过同类型商品对象，但并未对商品对象的信息进行操作或者仅对商品对象的信息进行点击的被推荐用户进行排除。
在本发明的一些实施例中，当所述第一用户推荐多个商品对象时，按所述第一用户推荐的商品对象的类型，分别根据所述第一用户数据及好友用户数据计算所述第一用户与各好友用户的相似度，以根据不同的商品对象的类型，向所述第一用户展示不同的候选推荐用户集合。具体而言，在本实施例中，商品对象的类型可以作为相似度计算的输入，通过机器学习模型进行，从而根据不同的商品对象的类型，学习第一用户及其好友之间的相似度计算方式。本发明并非以此为限制。本实施例进一步通过商品对象的类型，提高用户相似度计算的精准度，从而便于用户的商品对象的推荐。
下面参见图2，图2示出了根据本发明具体实施例的根据推荐有向图的设置第一用户操作商品对象的硬件参数的流程图。具体而言，本实施例中，将各个用户的结构网结合以生成推荐有向图，通过生成的有向图，不仅可以明确推荐用户和被推荐用户之间的关系，还可以明确跨用户的用户间的关系。从而可以根据有向图的节点和节点之间的边，来计算每个节点的权重。根据权重来设置各第一用户操作商品对象时的硬件参数，以按权重提升用户操作商品对象的用户体现。图2共示出如下步骤：
步骤S210：根据各第一用户的结构网生成推荐有向图，所述推荐有向图的节点为各第一用户和第二用户。
步骤S220：根据所述推荐有向图，对每一所述第一用户，计算该第一用户至每一节点的距离。
步骤S230：对每一所述第一用户，累加该第一用户至每一节点的距离作为关联该第一用户的总距离。
步骤S240：对每一所述第一用户，根据所述总距离计算该第一用户的权重。
步骤S250：根据各所述第一用户的权重设置各第一用户操作商品对象时的硬件参数。
在本发明的一些实施例中，所述商品对象为在线课程，各第一用户操作所述商品对象时的硬件参数包括：所述第一用户的设备进入所述在线课程后的下载速度上限；所述第一用户的设备加入所述在线课程的虚拟教室的排队顺序；所述第一用户的设备向所述在线课程的服务器发送信息的传输优先级；所述第一用户的设备接收所述在线课程的服务器发送信息的传输优先级。由此，可以对于权重高的用户，利用硬件参数提供更优的商品服务。
在本发明的一些实施例中，各所述第一用户的权重可以用以计算第一用户的积分，由此，上述步骤还可以包括根据各所述第一用户的积分，兑换候选商品对象。由此，进一步促进用户通过推荐商品对象以与其好友进行互动。
下面以两个具体实施例说明本发明提供的推荐有向图的生成。
首先，参见图3及图4，图3示出了根据本发明具体实施例的根据第一有向图的设置第一用户操作商品对象的硬件参数的的流程图。图4示出了根据本发明具体实施例的第一有向图的示意图。图3共示出如下步骤：
步骤S211：根据各第一用户的结构网生成一第一有向图，所述第一有向图的节点为各第一用户和第二用户，在所述第一有向图中，当所述第二用户以第一关联关系关联所述第一用户时，形成所述第一用户朝向所述第二用户的边，且该边的长度与该第一用户发送至该第二用户的商品对象的售价正相关，所述第一关联关系指示所述第二用户已购买所述第一用户向该所述第二用户的商品对象。
具体而言，第一有向图用于描述被推荐用户已购买推荐用户推荐的商品对象的各被推荐用户与推荐用户之间的关系。换言之，在通过第一用户的机构网生成所述第一有向图时，仅保留第一用户和第二用户之间的第一关联关系。进一步地，在通过第一用户的机构网生成所述第一有向图时，可以确定一第一用户，获取该第一用户的结构网，对该结构网中，当所述第二用户以第一关联关系关联所述第一用户时，形成所述第一用户朝向所述第二用户的边。对于该第一用户朝向的多个第二用户中，依次将第二用户作为第一用户，获取其结构网，获取该第一用户的结构网，对该结构网中，当所述第二用户以第一关联关系关联所述第一用户时，形成所述第一用户朝向所述第二用户的边。依次类推进行第一有向图的扩充。其中，可以采用深度遍历或广度遍历的方式进行第一有向图的扩充，本发明并非以此为限制。
以图4为例，当节点a1作为第一用户时，其向节点a2推荐并且节点a2购买了两个商品对象，因此，节点a1有两条朝向节点a2的边b1和b2。节点a1作为第一用户时，分别向节点a5和节点a6推荐并且节点a5和点a6分别购买了一个商品对象，因此，节点a1有两条分别朝向节点a5和节点a6的边b7和b10。节点a2作为第一用户时，分别向节点a3和节点a4推荐并且节点a3和点a4分别购买了一个商品对象，因此，节点a2有两条分别朝向节点a3和节点a4的边b4和b5。节点a4作为第一用户时，分别向节点a3和节点a5推荐并且节点a3和点a5分别购买了一个商品对象和两个商品对象，因此，节点a4有一条朝向节点a3的边b3，以及两条朝向节点a5的边b8和b9。当节点a6作为第一用户时，其向节点a2推荐并且节点a2购买了一个商品对象，因此，节点a6有一条朝向节点a2的边b3。在图4中，各边b1至b10的长度与其所关联的商品对象的售价正相关。也就是说商品对象的售价越高，该边的长度越长。
步骤S221：根据所述第一有向图，对每一所述第一用户，计算该第一用户至每一节点的距离。
在一些实施例中，该第一用户至每一节点的距离根据如下方式计算：若该第一用户能够通过一条边到达该节点，则该第一用户至该节点的距离为该第一用户至该节点的最长边。若若该第一用户无法通过一条边到达该节点，则该第一用户至该节点的距离为该第一用户至该节点通过的节点最少的路径中最长边之和。参照图4，节点a1至节点a2为一条边可达，则节点a1至节点a2的距离为边b1至b2中的最长边b2。节点a1至节点a3为一条边不可达，则节点a1至节点a3之间的路径包括自节点a1、节点a2至节点a3以及自节点a1、节点a2、节点a4至节点a3，其中，经过节点最少的路径为节点a1、节点a2至节点a3。将该路径中的最长边之和作为节点a1至节点a3的距离(边b2和边b4之和)。在该实施例中，可以通过节点数量找出最少节点可达路径，再通过节点之间的边的长度，多条最少节点可达路径中的最长边之和，以此作为一条边不可达的两个节点之间的距离。由此，以每次商品推荐的传播中的最高商品售价计算各用户的权重的同时，减少商品推荐的冗余传播的计算。尽管本实施例的第一有向图并非基于同于商品推荐，但可以理解，被推荐用户的权重越高，其越能够成功推荐商品对象，则当推荐用户向该被推荐用户推荐商品对象时，所推荐的商品对象更容易被再次推荐至其它用户进行购买，因此，被推荐用户的权重越高，推荐用户的权重也越高。上述距离的计算方式正是符合了这一点。
在本发明的一些变化例中，可将节点之间的最短路径的边长和作为节点之间的距离。在本发明的又一些变化例中，可将节点之间所有可达路径的各条边的和作为节点之间的距离。本发明可以实现更多的变化方式，在此不予赘述。
步骤S231：对每一所述第一用户，累加该第一用户至每一节点的距离作为关联该第一用户的总距离。
步骤S241：对每一所述第一用户，根据所述总距离计算该第一用户的权重。
权重的计算例如可以通过归一化处理来实现，本发明并非以此为限制。
步骤S251：根据各所述第一用户的权重设置各第一用户操作任意商品对象或所有商品对象时的硬件参数。
具体而言，对于权重更高的第一用户，可以增加所述第一用户的设备进入所述在线课程后的下载速度上限、提高所述第一用户的设备加入所述在线课程的虚拟教室的排队位置、提高所述第一用户的设备向所述在线课程的服务器发送信息的传输优先级或者提高所述第一用户的设备接收所述在线课程的服务器发送信息的传输优先级。本发明并非以此为限制。
下面参见图5和图6，图5示出了根据本发明具体实施例的根据第二有向图的设置第一用户操作商品对象的硬件参数的的流程图。图6示出了根据本发明具体实施例的第二有向图的示意图。图5示出如下步骤：
步骤S212：根据各第一用户的结构网生成第二有向图，所述第二有向图的节点为各第一用户和第二用户。每一第二有向图关联一商品对象，所述第二有向图中，形成所述第一用户朝向所述第二用户的边，且该边的长度根据该第二用户与该第一用户的关联关系确定。
具体而言，针对每一商品对象，生成一第二有向图用于描述对于同一商品对象的各推荐用户与被推荐用户之间的关系。换言之，在通过第一用户的机构网生成所述第一有向图时，仅保留与同一商品对象关联的第一用户和第二用户之间关系。由此，在第二有向图中，自一节点向另一节点最多只有一条边。本实施例中，可以采用深度遍历或广度遍历的方式进行第二有向图的扩充，本发明并非以此为限制。
以图6为例，当节点a1作为第一用户时，其分别向节点a2、节点a5、节点a6推荐了商品对象X，因此，节点a1分别有三条各自朝向节点a2、节点a5、节点a6的边c1、c7、c10。节点a2作为第一用户时，分别向节点a3和节点a4推荐了商品对象X，因此，节点a2分别有两条各自朝向节点a3、节点a4的边c4、c5。节点a4作为第一用户时，向节点a3和节点a5推荐了商品对象X，因此，节点a4分别有两条各自朝向节点a3和节点a5的边c6和c8。当节点a6作为第一用户时，其向节点a2推荐了商品对象X，因此，节点a6有一条朝向节点a2的边c3。在图6中，各边的长度与第二用户(被推荐用户)对商品对象X的信息操作而定。例如，边的长度根据如下顺序依次减小：第二用户(被推荐用户)购买商品对象X；第二用户(被推荐用户)转发商品对象X；第二用户(被推荐用户)收藏商品对象X；第二用户(被推荐用户)点击商品对象X。以上仅仅是示意性地描述本发明的一个实现方式，本发明并非以此为限制。
步骤S222：根据该商品对象关联的所述第二有向图，对每一所述第一用户，计算该第一用户至每一节点的距离。
具体而言，本实施例中，由于第二有向图中，一节点至另一节点的边最多只有一条，因此，节点之间的距离计算可以区别于第一有向图。在本实施例中，第一用户至各节点的距离可以是第一用户至各节点的最长路径的长度。以此，对同一商品对象即考虑商品对象的推荐传播广度，又考虑了各被推荐对象对该同一商品对象的操作，从而使得第一用户的权重计算更为精准。
步骤S232：对每一所述第一用户，累加该第一用户至每一节点的距离作为关联该第一用户的总距离。
步骤S242：对每一所述第一用户，根据每一商品对象的所述总距离计算该第一用户的权重。
在一些实施例中，例如可以将每一商品对象，第一用户的总距离之和的归一化处理来计算该第一用户的权重。又例如，可以计算每一用户关联各商品对象的权重。本发明并非以此为限制。
步骤S252：根据各所述第一用户的权重设置各第一用户操作该商品对象时的硬件参数。
由此，可以根据第二有向图计算的权重，来设置各第一用户操作该商品对象时的硬件参数
具体而言，对于每一商品对象，权重更高的第一用户，可以增加所述第一用户的设备进入该在线课程后的下载速度上限、提高所述第一用户的设备加入该在线课程的虚拟教室的排队位置、提高所述第一用户的设备向该在线课程的服务器发送关联该在线课程的信息的传输优先级或者提高所述第一用户的设备接收该在线课程的服务器发送关联该在线课程的信息的传输优先级。本发明并非以此为限制。
本发明通过上述实施例方式，将用户之间的关系转换为有向图，以便于通过有向图的结构，实现用户权重的计算，基于有向图的算法更为便捷且计算速度更快。
下面参见图7，图7示出了根据本发明具体实施例的根据推荐有向图及社交有向图进行潜在推荐节点推荐商品对象的流程图。图7共示出如下步骤：
:步骤S310：根据自所述社交平台上获取的数据形成社交有向图，所述社交有向图的节点为所述社交平台上的用户，当一用户关注另一用户时，形成该用户朝向另一用户的边。
:步骤S320：对于所述社交有向图及所述推荐有向图，对所述社交有向图中的每一条边，判断所述社交有向图中的该条边是否存在于所述推荐有向图。
若所述社交有向图中的该条边不存在于所述推荐有向图，则执行步骤S330：保留该条边。
步骤S340：根据所保留的边生成潜在推荐有向图。
对于所述潜在推荐有向图中的各节点执行如下步骤：
步骤S351：将该节点作为准第一节点。
步骤S352：将准第一节点所指向的节点作为潜在推荐节点。
步骤S353：获取各潜在推荐节点于所述推荐有向图中指向其它节点的边关联的商品对象。
步骤S354：根据所获取的商品对象确定相似商品对象。其中相似商品对象例如可以是同类型的商品对象，也可以是商品对象名称的相似度更高的商品对象。
步骤S355：将所述潜在推荐节点及对应的所述相似商品对象展示至所述准第一节点对应的用户。
在上述实施例的优选例中，考虑到计算速度与计算效率，由于第一有向图仅为一幅，由此，与社交有向图进行匹配比较的可以为第一有向图。
在上述实施例的变化例中，考虑到生成更准确的潜在推荐有向图，可以使得社交有向图与第二有向图进行匹配比较。具体而言，在该实施例中，可以通过边的长度来确定潜在推荐有向图。例如，将社交有向图中各边的长度设置为预设值，将各边的长度与第二有向图的各边的长度进行比较，仅保留短于第二有向图的对应边的长度的社交有向图中的边，以形成潜在推荐有向图。换言之，潜在推荐有向图中不仅保留了第一用户未推荐商品对象的节点，也保留了第一用户推荐商品对象后未进行兴趣操作(例如购买、收藏、转发等)的节点，由此，可以增大潜在推荐有向图。在本实施例中，考虑到存在多个第二有向图，当分别与社交有向图进行比较和匹配时，不对已加入潜在推荐有向图的边进行再次匹配。该步骤例如可以通过将已加入潜在推荐有向图的边进自社交有向图中删除，来实现。
上述实施例通过有向图的比较和匹配，来获取潜在推荐有向图，从而进一步向用户提供商品对象的推荐信息，以便于用户能够根据上述信息实现进一步地推荐。在上述实施例中，有向图的比较和匹配，相对表格或其它格式数据的数据处理更为直观、便捷和快速。由此，可进一步促进前述的硬件参数的配置。
以上仅仅是本发明的一个具体实现方式，本发明并非以此为限制。
图8示出了根据本发明实施例的用户推荐装置的模块图。用户推荐装置400包括第一获取模块410、第二获取模块420、计算模块430、生成模块440、展示模块450以及发送模块460。
第一获取模块410用于响应于第一用户推荐商品对象，获取第一用户于社交平台上的账号及第一用户数据；
第二获取模块420用于根据所述第一用户于社交平台上的账号，获取所述第一用户于社交平台上的好友用户账号及好友用户数据；
计算模块430用于根据所述第一用户数据及好友用户数据计算所述第一用户与各好友用户的相似度；
生成模块440用于根据所述相似度计算自所述第一用户于社交平台上的好友用户中计算生成候选推荐用户集合；
展示模块450用于向所述第一用户展示所述候选推荐用户集合；以及
发送模块460用于响应于所述第一用户对所述候选推荐用户集合的操作，向所述候选推荐用户集合中的至少一第二用户发送所述商品对象的信息。
在本发明的示例性实施方式的用户推荐装置中，本发明通过推荐者和被推荐者的数据管理以及向用户提供被推荐的候选用户，从而实现高效的数据管理和用户推荐效率。
图8仅仅是示意性的示出本发明提供的用户推荐装置400，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的用户推荐装置400可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明并非以此为限。
在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述用户推荐方法的步骤。在一些可能的实施方式中，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用户推荐方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图9所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，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。
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系统、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租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租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)，连接到租户计算设备，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)。
在本发明的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述用户推荐方法的步骤。
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：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图10来描述根据本发明的这种实施方式的电子设备500。图10显示的电子设备500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10所示，电子设备500以通用计算设备的形式表现。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、连接不同系统组件(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，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述用户推荐方法部分中描述的根据本发明各种示例性实施方式的步骤。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600(例如键盘、指向设备、蓝牙设备等)通讯，还可与一个或者多个使得租户能与该电子设备500交互的设备通讯，和/或与使得该电子设备500能与一个或多个其它计算设备进行通讯的任何设备(例如路由器、调制解调器等等)通讯。这种通讯可以通过输入/输出(I/O)接口550进行。并且，电子设备500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)通讯。网络适配器560可以通过总线530与电子设备500的其它模块通讯。应当明白，尽管图中未示出，可以结合电子设备500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。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，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、或者网络设备等)执行根据本发明实施方式的上述用户推荐方法。
相比现有技术，本发明的优势在于：
本发明通过推荐者和被推荐者的数据管理以及向用户提供被推荐的候选用户，从而实现高效的数据管理和用户推荐效率。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、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发明的一般性原理并包括本发明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，本发明的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种用户推荐方法，其特征在于，包括：
响应于第一用户推荐商品对象，获取第一用户于社交平台上的账号及第一用户数据；
根据所述第一用户于社交平台上的账号，获取所述第一用户于社交平台上的好友用户账号及好友用户数据；
根据所述第一用户数据及好友用户数据计算所述第一用户与各好友用户的相似度；
根据所述相似度计算自所述第一用户于社交平台上的好友用户中计算生成候选推荐用户集合；
向所述第一用户展示所述候选推荐用户集合；以及
响应于所述第一用户对所述候选推荐用户集合的操作，向所述候选推荐用户集合中的至少一第二用户发送所述商品对象的信息；
将接收所述商品对象的信息的第二用户加入所述第一用户的结构网中，在所述第一用户的结构网中，按该第二用户对所述商品对象的信息的不同操作，以不同的关联关系关联所述第一用户；
根据各第一用户的结构网生成推荐有向图，所述推荐有向图的节点为各第一用户和第二用户；
根据所述推荐有向图，对每一所述第一用户，计算该第一用户至每一节点的距离；
对每一所述第一用户，累加该第一用户至每一节点的距离作为关联该第一用户的总距离；
对每一所述第一用户，根据所述总距离计算该第一用户的权重；以及
根据各所述第一用户的权重设置各第一用户操作商品对象时的硬件参数。
2.如权利要求1所述的用户推荐方法，其特征在于，当所述第一用户推荐多个商品对象时，按所述第一用户推荐的商品对象的类型，分别根据所述第一用户数据及好友用户数据计算所述第一用户与各好友用户的相似度，以根据不同的商品对象的类型，向所述第一用户展示不同的候选推荐用户集合。
3.如权利要求1所述的用户推荐方法，其特征在于，所生成的推荐有向图为一第一有向图，在所述第一有向图中，当所述第二用户以第一关联关系关联所述第一用户时，形成所述第一用户朝向所述第二用户的边，且该边的长度与该第一用户发送至该第二用户的商品对象的售价正相关，所述第一关联关系指示所述第二用户已购买所述第一用户向该所述第二用户的商品对象。
4.如权利要求1所述的用户推荐方法，其特征在于，所生成的推荐有向图为多个第二有向图，每一第二有向图关联一商品对象，所述第二有向图中，形成所述第一用户朝向所述第二用户的边，且该边的长度根据该第二用户与该第一用户的关联关系确定，其中，对每一商品对象：
根据该商品对象关联的所述第二有向图，对每一所述第一用户，计算该第一用户至每一节点的距离；
对每一所述第一用户，累加该第一用户至每一节点的距离作为关联该第一用户的总距离；
对每一所述第一用户，根据每一商品对象的所述总距离计算该第一用户的权重；以及
根据各所述第一用户的权重设置各第一用户操作该商品对象时的硬件参数。
5.如权利要求1所述的用户推荐方法，其特征在于，还包括：
根据自所述社交平台上获取的数据形成社交有向图，所述社交有向图的节点为所述社交平台上的用户，当一用户关注另一用户时，形成该用户朝向另一用户的边；
对于所述社交有向图及所述推荐有向图，对所述社交有向图中的每一条边，判断所述社交有向图中的该条边是否存在于所述推荐有向图；
若所述社交有向图中的该条边不存在于所述推荐有向图，则保留该条边；根据所保留的边生成潜在推荐有向图；
对于所述潜在推荐有向图中的各节点：将该节点作为准第一节点；
将准第一节点所指向的节点作为潜在推荐节点；获取各潜在推荐节点于所述推荐有向图中指向其它节点的边关联的商品对象；
根据所获取的商品对象确定相似商品对象；以及将所述潜在推荐节点及对应的所述相似商品对象展示至所述准第一节点对应的用户。
6.如权利要求1-4任一项所述的用户推荐方法，其特征在于，所述商品对象为在线课程，各第一用户操作所述商品对象时的硬件参数包括如下硬件参数中的一项或多项：
所述第一用户的设备进入所述在线课程后的下载速度上限；
所述第一用户的设备加入所述在线课程的虚拟教室的排队顺序；
所述第一用户的设备向所述在线课程的服务器发送信息的传输优先级；
所述第一用户的设备接收所述在线课程的服务器发送信息的传输优先级。
7.如权利要求1-4任一项所述的用户推荐方法，其特征在于，各所述第一用户的权重用以计算第一用户的积分，还包括：
根据各所述第一用户的积分，兑换候选商品对象。
8.一种用户推荐装置，其特征在于，包括：
第一获取模块，用于响应于第一用户推荐商品对象，获取第一用户于社交平台上的账号及第一用户数据；
第二获取模块，用于根据所述第一用户于社交平台上的账号，获取所述第一用户于社交平台上的好友用户账号及好友用户数据；
计算模块，用于根据所述第一用户数据及好友用户数据计算所述第一用户与各好友用户的相似度；
生成模块，用于根据所述相似度计算自所述第一用户于社交平台上的好友用户中计算生成候选推荐用户集合；
展示模块，用于向所述第一用户展示所述候选推荐用户集合；
发送模块，用于响应于所述第一用户对所述候选推荐用户集合的操作，向所述候选推荐用户集合中的至少一第二用户发送所述商品对象的信息；
所述计算模块，还用于；
将接收所述商品对象的信息的第二用户加入所述第一用户的结构网中，在所述第一用户的结构网中，按该第二用户对所述商品对象的信息的不同操作，以不同的关联关系关联所述第一用户；
根据各第一用户的结构网生成推荐有向图，所述推荐有向图的节点为各第一用户和第二用户；
根据所述推荐有向图，对每一所述第一用户，计算该第一用户至每一节点的距离；
对每一所述第一用户，累加该第一用户至每一节点的距离作为关联该第一用户的总距离；
对每一所述第一用户，根据所述总距离计算该第一用户的权重；以及
根据各所述第一用户的权重设置各第一用户操作商品对象时的硬件参数。
9.一种电子设备，其特征在于，所述电子设备包括：
处理器；
存储器，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如权利要求1至7任一项所述的用户推荐方法。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一项所述的用户推荐方法。
CN202010208665.7A 2020-03-23 2020-03-23 用户推荐方法、装置、电子设备、存储介质 Active CN111475737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010208665.7A CN111475737B (zh) 2020-03-23 2020-03-23 用户推荐方法、装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010208665.7A CN111475737B (zh) 2020-03-23 2020-03-23 用户推荐方法、装置、电子设备、存储介质

Publications (2)

Publication Number Publication Date
CN111475737A CN111475737A (zh) 2020-07-31
CN111475737B true CN111475737B (zh) 2023-08-18

Family

ID=71750272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010208665.7A Active CN111475737B (zh) 2020-03-23 2020-03-23 用户推荐方法、装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN111475737B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914188A (zh) * 2020-08-19 2020-11-10 英华达（上海）科技有限公司 推荐目标用户的选择方法、系统、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109089168A (zh) * 2018-10-10 2018-12-25 腾讯科技（深圳）有限公司 视频分享方法、装置、系统及存储介质
CN109087183A (zh) * 2018-09-28 2018-12-25 深圳壹账通智能科技有限公司 产品推荐方法、装置、计算机可读存储介质和计算机设备
CN110335123A (zh) * 2019-07-11 2019-10-15 创新奇智(合肥)科技有限公司 基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置
CN110457573A (zh) * 2019-07-04 2019-11-15 平安科技（深圳）有限公司 产品推荐方法、装置、计算机设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087183A (zh) * 2018-09-28 2018-12-25 深圳壹账通智能科技有限公司 产品推荐方法、装置、计算机可读存储介质和计算机设备
CN109089168A (zh) * 2018-10-10 2018-12-25 腾讯科技（深圳）有限公司 视频分享方法、装置、系统及存储介质
CN110457573A (zh) * 2019-07-04 2019-11-15 平安科技（深圳）有限公司 产品推荐方法、装置、计算机设备及存储介质
CN110335123A (zh) * 2019-07-11 2019-10-15 创新奇智(合肥)科技有限公司 基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置

Also Published As

Publication number Publication date
CN111475737A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
WO2020083020A1 (zh) 确定用户对物品的兴趣度的方法与装置、设备和存储介质
US20220114199A1 (en) System and method for information recommendation
CN110046965A (zh) 信息推荐方法、装置、设备和介质
US20180342004A1 (en) Cumulative success-based recommendations for repeat users
CN112074857A (zh) 组合机器学习和社交数据以生成个性化推荐
JP2011529224A (ja) 相関性のある情報の推薦
CN109389442A (zh) 商品推荐方法及装置、存储介质及电子终端
Garanayak et al. Recommender system using item based collaborative filtering (CF) and K-means
TWI823036B (zh) 推薦目標用戶的選擇方法、系統、設備及儲存媒體
CN112100513A (zh) 基于知识图谱的推荐方法、装置、设备及计算机可读介质
CN109377401A (zh) 一种数据处理方法、装置、系统、服务器及存储介质
JP5864651B2 (ja) 対話型ネットワークベースの情報オブジェクトの貨幣化のための方法、システム及び媒体
US9020962B2 (en) Interest expansion using a taxonomy
Xin et al. ATNN: adversarial two-tower neural network for new item’s popularity prediction in E-commerce
DeValve et al. Approximate submodularity in network design problems
CN111475737B (zh) 用户推荐方法、装置、电子设备、存储介质
CN110674404A (zh) 链接信息生成方法、装置、系统、存储介质及电子设备
CN112950321A (zh) 一种物品推荐方法和装置
CN111368189B (zh) 货源排序推荐方法、装置、电子设备、存储介质
Zheng et al. Incorporating price into recommendation with graph convolutional networks
Nazi et al. The TagAdvisor: Luring the lurkers to review web items
US20160140454A1 (en) User Interest Learning through Hierarchical Interest Graphs
US11373210B2 (en) Content interest from interaction information
CN111666481B (zh) 数据挖掘方法、装置、计算机可读介质及电子设备
CN113779186A (zh) 一种文本生成方法和装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201231

Address after: 200030 unit 01, room 801, 166 Kaibin Road, Xuhui District, Shanghai

Applicant after: Shanghai Ping An Education Technology Co.,Ltd.

Address before: 152, 86 Tianshui Road, Hongkou District, Shanghai

Applicant before: TUTORABC NETWORK TECHNOLOGY (SHANGHAI) Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221207

Address after: 4 / F, Times financial center, 4001 Shennan Avenue, Futian District, Shenzhen, Guangdong 518000

Applicant after: PING'AN ZHITONG CONSULTING Co.,Ltd.

Address before: 200030 unit 01, room 801, 166 Kaibin Road, Xuhui District, Shanghai

Applicant before: Shanghai Ping An Education Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant