CN111523048B - 社交网络中好友的推荐方法、装置、存储介质及终端 - Google Patents

社交网络中好友的推荐方法、装置、存储介质及终端 Download PDF

Info

Publication number
CN111523048B
CN111523048B CN202010293794.0A CN202010293794A CN111523048B CN 111523048 B CN111523048 B CN 111523048B CN 202010293794 A CN202010293794 A CN 202010293794A CN 111523048 B CN111523048 B CN 111523048B
Authority
CN
China
Prior art keywords
user
behavior data
node
target
bipartite graph
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
CN202010293794.0A
Other languages
English (en)
Other versions
CN111523048A (zh
Inventor
赵圆方
陈运文
纪达麒
于敬
刘文海
柳凯
陈雨
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.)
Daguan Data Co ltd
Original Assignee
Daguan Data 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 Daguan Data Co ltd filed Critical Daguan Data Co ltd
Priority to CN202010293794.0A priority Critical patent/CN111523048B/zh
Publication of CN111523048A publication Critical patent/CN111523048A/zh
Application granted granted Critical
Publication of CN111523048B publication Critical patent/CN111523048B/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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例公开了一种社交网络中好友的推荐方法、装置、存储介质及终端。方法包括：当接收到社交网络中目标用户的好友推荐请求时，获取社交网络中的用户行为数据；确定用户行为数据所涉及的各个行为类型；分别基于用户行为数据中各个行为类型对应的目标行为数据集，构造与各个行为类型对应的用户‑物品二分图；基于各个用户‑物品二分图确定将用户行为数据所涉及的各个用户推荐给目标用户的推荐分数；基于推荐分数向目标用户进行好友推荐。通过采用上述技术方案，能够综合利用社交网络上用户的所有行为数据进行好友推荐，避免了单一行为数据蕴含的用户偏好不全的问题，提高了好友推荐的准确率。

Description

社交网络中好友的推荐方法、装置、存储介质及终端
技术领域
本发明实施例涉及智能推荐技术领域，尤其涉及一种社交好友的推荐方法、装置、存储介质及终端。
背景技术
随着互联网的快速发展，以微信、微博等移动社交应用程序为代表的软件，极大的丰富了用户的社交活动，在社交软件中，存在着用户之间互相关注、用户发布动态、用户回复动态留言等多种用户行为，在大量的行为中蕴含着用户兴趣、好友关系等有价值的信息。
现有社交网络中的好友推荐，主要通过用户的属性信息(如性别、年龄、居住地等)进行推荐，或通过用户某种具体行为(如对某条动态的阅读等)找到相似用户进行推荐。然而，上述好友推荐方式中，不能充分利用用户在社交网络中产生的行为数据，在好友推荐任务上的效果不够理想。
发明内容
本发明实施例提供一种社交好友的推荐方法、装置、存储介质及终端，以提高好友推荐的准确性。
第一方面，本发明实施例提供了一种社交网络中好友的推荐方法，该方法包括：
当接收到社交网络中目标用户的好友推荐请求时，获取所述社交网络中的用户行为数据；
确定所述用户行为数据所涉及的各个行为类型；
分别基于所述用户行为数据中所述各个行为类型对应的目标行为数据集，构造与所述各个行为类型对应的用户-物品二分图；
基于各个用户-物品二分图确定所述将用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数；
基于所述推荐分数向所述目标用户进行好友推荐。
第二方面，本发明实施例还提供了一种社交网络中好友的推荐装置，该装置包括：
用户行为数据获取模块，用于当接收到社交网络中目标用户的好友推荐请求时，获取所述社交网络中的用户行为数据；
行为类型确定模块，用于确定所述用户行为数据所涉及的各个行为类型；
二分图构造模块，用于分别基于所述用户行为数据中所述各个行为类型对应的目标行为数据集，构造与所述各个行为类型对应的用户-物品二分图；
推荐分数确定模块，用于基于各个用户-物品二分图确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数；
好友推荐模块，用于基于所述推荐分数向所述目标用户进行好友推荐。
第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例提供的社交网络中好友的推荐方法。
第四方面，本发明实施例提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例提供的社交网络中好友的推荐方法。
本发明实施例中提供的社交网络中好友的推荐方案，当接收到社交网络中目标用户的好友推荐请求时，获取所述社交网络中的用户行为数据；确定所述用户行为数据所涉及的各个行为类型；分别基于所述用户行为数据中所述各个行为类型对应的目标行为数据集，构造与所述各个行为类型对应的用户-物品二分图；基于各个用户-物品二分图确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数；基于所述推荐分数向所述目标用户进行好友推荐。通过采用上述技术手段，能够综合利用社交网络上用户的所有行为数据，构造不同行为类型对应的用户-物品二分图，并基于用户-物品二分图确定每个用户相对于目标用户的推荐分数，并基于推荐分数向目标用户进行好友推荐，避免了单一行为数据蕴含的用户偏好不全的问题，提高了好友推荐的准确率。
附图说明
图1为本发明实施例提供的一种社交网络中好友的推荐方法的流程示意图；
图2为本发明实施例提供的用户关注帖子这一行为类型对应的用户-物品二分图；
图3为本发明实施例提供的用户关注用户这一行为类型对应的用户-物品二分图；
图4为本发明实施例提供的另一种社交网络中好友的推荐方法的流程示意图；
图5为本发明实施例提供的一种社交网络中好友的推荐装置的结构框图；
图6为本发明实施例提供的一种终端的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供的一种社交网络中好友的推荐方法的流程示意图，该方法可以由社交网络中好友的推荐装置执行，其中该装置可由软件和/或硬件实现，一般可集成在终端中。如图1所示，该方法包括：
步骤101、当接收到社交网络中目标用户的好友推荐请求时，获取所述社交网络中的用户行为数据。
在本发明实施例中，社交网络中目标用户的好友推荐请求可以是由目标用户主动发起的请求信息，也可以是商家根据业务需求主动向目标用户推荐好友的请求信息。当接收到社交网络中目标用户的好友推荐请求时，获取社交网络中的用户行为数据，其中，获取的社交网络中的用户行为数据可以包括社交网络中各个用户的操作行为信息，并且社交网络中的用户行为数据包括目标用户的相关行为数据。示例性的，可以利用爬虫技术从社交网络中抓取预设时间段内各个用户的行为数据。其中，用户行为数据可以包括但不限于用户对其他用户帖子的点击、收藏等行为，用户对其他用户的关注、取消关注等行为数据。
步骤102、确定所述用户行为数据所涉及的各个行为类型。
在本发明实施例中，对社交网络中的用户行为数据进行分析，确定所有用户行为数据所涉及的各个行为类型。示例性的，可以将用户行为数据中用户对其他用户帖子的点击、收藏等行为数据划分为一类行为类型，将用户对其他用户的关注行为数据划分为另一类行为类型，将用户对其他用户取消关注的行为数据划分为另外一种行为类型。例如，将用户行为数据所涉及的各个行为类型可以表示为：action_type1，action_type2，…，action_typen。
步骤103、分别基于所述用户行为数据中所述各个行为类型对应的目标行为数据集，构造与所述各个行为类型对应的用户-物品二分图。
可选的，分别基于所述用户行为数据中所述各个行为类型对应的目标行为数据集，构造与所述各个行为类型对应的用户-物品二分图，包括：分别针对所述用户行为数据中所述各个行为类型对应的目标行为数据集，确定当前目标行为数据集所涉及的各个主动行为用户的操作记录集合；其中，当目标行为数据集中的用户行为数据为用户对用户的操作数据时，将被操作用户作为与所述被操作用户对应的物品进行记录；根据所述操作记录集合确定与行为类型对应的用户-物品二分图。这样设置的好处在于，可以通过构建用户-物品二分图，无论是针对用户对物品的行为类型，还是用户对用户的行为类型，均可以直接或间接建立用户与用户间的关联关系，有助于后续进一步确定社交网络中其他用户相对于目标用户的推荐分数。
示例性的，从社交网络中的用户行为数据中查找与步骤102确定的各个行为类型对应的目标行为数据，构成目标行为数据集。可以理解的是，按照确定的行为类型将步骤101获取的用户行为数据划分为不同行为类型对应的目标行为数据集。可选的，可以将不同行为类型对应的目标行为数据集汇总在不同行为数据表中。
在本发明实施例中，分别确定各个行为类型对应的目标行为数据集所涉及的各个主动行为用户的操作记录集合。例如，针对用户关注帖子这一行为类型对应的目标行为数据集包括：用户A关注了帖子a，帖子c；用户B关注了帖子a，帖子b，帖子c，帖子d；用户C关注了帖子c和帖子d；则用户A、用户B和用户C为主动行为用户，针对用户A的操作记录集合为{a，c}；针对用户B的操作记录集合为{a，b，c，d}；针对用户C的操作记录集合为{c，d}}。根据操作记录集合确定与行为类型对应的用户-物品二分图，例如，根据上述操作记录集合确定的与用户关注帖子这一行为类型对应的用户-物品二分图如图2所示。
又示例性的，当目标行为数据集中的用户行为数据为用户对用户的操作数据时，将被操作用户作为与所述被操作用户对应的物品进行记录。可以理解的是，处理用户对用户这类行为数据时，将被行为对象的用户作为物品，区别对待。例如，用户A关注了用户B，则在这条行为数据中将用户B记为用户B’；用户B关注了用户C，则在这条行为数据中将用户B依然记作用户B，将用户C记作用户C’。例如，用户关注用户这一行为类型对应的目标行为数据集包括：用户A关注了用户B，用户C；用户B关注了用户A，用户C；用户C关注了用户A；用户D关注了用户A，用户B；则用户A、用户B、用户C和用户D为主动行为用户，针对用户A的操作记录集合为{B’，C’}；针对用户B的操作记录集合为{A’，C’}；针对用户C的操作记录集合为{A’}；针对用户D的操作记录集合为{A’，B’}。根据操作记录集合确定与行为类型对应的用户-物品二分图，例如，根据上述操作记录集合确定的与用户关注用户这一行为类型对应的用户-物品二分图如图3所示。
其中，在构建的用户-物品二分图中包含了各个用户节点、各个物品节点以及用户节点和物品节点间的连线，其中，用户节点是由用户行为数据中的主动行为用户构成的，物品节点是由用户行为数据中的被动行为对象(也即被操作对象)构成的，并且在二分图中用户节点位于一侧，物品节点位于另一侧，每个用户节点和物品节点的连线反映了每条用户行为数据。
步骤104、基于各个用户-物品二分图确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数。
可选的，基于各个用户-物品二分图确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数，包括：基于随机游走算法确定各个用户-物品二分图中每个节点的用户排名PR值；基于预先设定的各个行为类型对应的权重值及所述各个用户-物品二分图中每个节点的PR值确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数。
可选的，基于随机游走算法确定各个用户-物品二分图中每个节点的用户排名PR值，包括：针对各个用户-物品二分图，以目标用户为初始出发节点，将所述初始出发节点的初始PR值设置为1，所述用户-物品二分图中其他节点的初始PR值设置为0；在所述用户-物品二分图中，分别根据如下公式逐轮更新所述用户-物品二分图中各个节点的PR值，直至所述用户-物品二分图中的所有节点的PR值保持不变为止；其中，第一轮更新操作中以各个节点的初始PR值为参考值，第二轮更新操作中以第一轮更新操作更新后的各个节点的PR值为参考值，第三轮更新操作中以第二轮更新操作更新后的各个节点的PR值为参考值，以此类推，直至完成最后一轮更新操作；
其中，v表示用户-物品二分图中任一节点，PR(v)表示节点v的PR值，in(v)表示在用户-物品二分图中节点v的各个入节点构成的集合，v′表示in(v)中的任一节点，|out(v′)|表示在用户-物品二分图中节点v′的出节点的个数，u表示所述目标用户对应的节点，α表示预设概率值。
示例性的，假如用户A为目标用户，在图2所示的用户-物品二分图中，以代表目标用户的节点A为初始出发节点，将节点A的初始PR(Personal Rank，用户排名)值设置为1，用户-物品二分图中的其他节点(无论是用户节点还是物品节点)的初始PR值均设置为0。也即，在图2所示的用户-物品二分图中，初始化时，节点A的PR值为1，节点B、C、a、b、c及d的PR值均为0。在根据上述公式(1)对用户-物品二分图中的各个节点的PR值的第一轮更新操作中，各个节点的参考值为(A，1，B，0，C，0，a，0，b，0，c，0，d，0)，其中，各个字母后面的数字表示该字母对应的节点的PR值。在图2所示的用户-物品二分图中，假如α＝0.6，则在第一轮更新操作中，根据公式(1)计算节点a的PR值时，v＝a，节点a的入节点包括节点A和节点B，则in(v)＝{A，B}，当v′＝A时，由于节点A的出节点包括节点a和节点c，也即节点A共有两个出节点，则|out(A)|＝2；当v′＝B时，由于节点B的出节点包括节点a、节点b、节点c和节点d，也即节点B共有四个出节点，则|out(B)|＝4，因此，根据公式(1)计算的 同样的，在第一轮更新操作中可以按照上述方式完成对用户-物品二分图中其他节点的PR值的计算。其中，经过第一轮更新操作后，各个节点的PR值为(A，0.4，B，0，C，0，a，0.3，b，0，c，0.3，d，0)。根据上述公式(1)对用户-物品二分图中的各个节点的PR值的第二轮更新操作中，各个节点的参考值为(A，0.4，B，0，C，0，a，0.3，b，0，c，0.3，d，0)，按照上述方式，经过第二轮更新操作后，各个节点的PR值为(A，0.55，B，0.15，C，0.06，a，0.12，b，0，c，0.12，d，0)，依次类推，直至完成最后一轮更新操作为止，也即直至用户-物品二分图中的所有节点的PR值保持不变为止。
可选的，基于预先设定的各个行为类型对应的权重值及所述各个用户-物品二分图中每个节点的PR值确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数，包括：分别根据各个用户-物品二分图中的每个节点的PR值确定各个用户-物品二分图中的每个用户节点的PR值；其中，当用户-物品二分图中的物品节点为将被操作用户作为物品的节点时，将所述物品节点的PR值与物品对应的同一用户的目标用户节点PR值的和作为所述目标用户节点的最终PR值；基于预先设定的各个行为类型对应的权重值及所述各个用户-物品二分图中的每个用户节点的PR值确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数。
示例性的，针对每个用户-物品二分图计算得到的各节点的PR值反映了在该类行为类型的用户行为数据中，每个节点相对于初始出发节点的重要程度，也即反映了其他用户与目标用户的关联密切度。因此，可根据每个用户-物品二分图中各个节点的PR值计算每个用户相对于目标用户的推荐分数。
其中，在用户对用户的行为类型对应的用户-物品二分图中，也即用户-物品二分图中的物品节点为将被操作用户作为物品的节点时，由于在计算PR值时，是将被操作用户作为物品对待分别计算各个节点的PR值的，如针对图3所示的用户-物品二分图，节点B和节点B’分别计算PR值，但在计算各个用户的推荐分数时，将物品B’和用户B视为同一用户B，将节点B和节点B’PR值相加得到用户B的PR值。例如，基于随机游走算法计算的节点B的PR值为0.2，节点B’的PR值为0.1，则用户B的最终PR值是PR(B)+PR(B’)＝0.3。
在本发明实施例中，在向目标用户推荐社交网络好友时，目标用户对社交网络中不同类型的行为数据的重视程度不同，或者说，不同行为类型的行为数据反映的用户与用户间的关联程度不同，因此，可以针对不同行为类型设置不同的权重值。根据预先设定的各个行为类型对应的权重值以及各个用户-物品二分图中每个用户节点的PR值，计算各个用户相对于目标用户的推荐分数(也即将各个用户推荐给目标用户的推荐分数)。例如，用户A为目标用户，将用户B推荐给用户A，则可以根据如下公式计算用户B相对于用户A的推荐分数：
其中，scoreB表示用户B的推荐分数，ωi表示第i个行为类型对应的权重值，PRi(B)表示根据第i个行为类型对应的用户-物品二分图计算的用户B的PR值，Action表示全部行为类型集合。
需要说明的是，推荐分数越大，用户与目标用户的关联度越大，或者说目标用户对该用户越关注；反之，推荐分数越小，用户与目标用户的关联度越小，或者说目标用户对该用户越不关注。
步骤105、基于所述推荐分数向所述目标用户进行好友推荐。
在本发明实施例中，对步骤104中得到的用户推荐分数按照从高到低的顺序排序，得到社交网络中将各个用户推荐给目标用户的排列顺序。可以将排列分数最大的用户推荐给目标用户，或者，将推荐分数位于前3的用户推荐给目标用户。
可选的，可将上述步骤确定的各个用户的推荐分数保存在非关系型数据库里，并保存一段时间，作为社交网络中向目标用户推荐好友的推荐依据，如果超出推荐时间，则可通过上述步骤重新计算并存储推荐结果。
本发明实施例中提供的社交网络中好友的推荐方法，当接收到社交网络中目标用户的好友推荐请求时，获取社交网络中的用户行为数据；确定用户行为数据所涉及的各个行为类型；分别基于用户行为数据中各个行为类型对应的目标行为数据集，构造与各个行为类型对应的用户-物品二分图；基于各个用户-物品二分图确定将用户行为数据所涉及的各个用户推荐给目标用户的推荐分数；基于推荐分数向目标用户进行好友推荐。通过采用上述技术手段，能够综合利用社交网络上用户的所有行为数据，构造不同行为类型对应的用户-物品二分图，并基于用户-物品二分图确定每个用户相对于目标用户的推荐分数，并基于推荐分数向目标用户进行好友推荐，避免了单一行为数据蕴含的用户偏好不全的问题，提高了好友推荐的准确率。
图4为本发明实施例提供的另一种社交网络中好友的推荐方法的流程示意图，如图4所示，该方法包括如下步骤：
步骤401、当接收到社交网络中目标用户的好友推荐请求时，获取所述社交网络中的用户行为数据。
步骤402、确定所述用户行为数据所涉及的各个行为类型。
步骤403、分别针对所述用户行为数据中所述各个行为类型对应的目标行为数据集，确定当前目标行为数据集所涉及的各个主动行为用户的操作记录集合。
其中，当目标行为数据集中的用户行为数据为用户对用户的操作数据时，将被操作用户作为与所述被操作用户对应的物品进行记录。
步骤404、根据所述操作记录集合确定与行为类型对应的用户-物品二分图。
步骤405、基于随机游走算法确定各个用户-物品二分图中每个节点的用户排名PR值。
可选的，基于随机游走算法确定各个用户-物品二分图中每个节点的用户排名PR值，包括：针对各个用户-物品二分图，以目标用户为初始出发节点，将所述初始出发节点的初始PR值设置为1，所述用户-物品二分图中其他节点的初始PR值设置为0；在所述用户-物品二分图中，分别根据如下公式逐轮更新所述用户-物品二分图中各个节点的PR值，直至所述用户-物品二分图中的所有节点的PR值保持不变为止；其中，第一轮更新操作中以各个节点的初始PR值为参考值，第二轮更新操作中以第一轮更新操作更新后的各个节点的PR值为参考值，第三轮更新操作中以第二轮更新操作更新后的各个节点的PR值为参考值，以此类推，直至完成最后一轮更新操作；
其中，v表示用户-物品二分图中任一节点，PR(v)表示节点v的PR值，in(v)表示在用户-物品二分图中节点v的各个入节点构成的集合，v’表示in(v)中的任一节点，|out(v’)|表示在用户-物品二分图中节点v’的出节点的个数,表示所述目标用户对应的节点，α表示预设概率值。
步骤406、分别根据各个用户-物品二分图中的每个节点的PR值确定各个用户-物品二分图中的每个用户节点的PR值。
其中，当用户-物品二分图中的物品节点为将被操作用户作为物品的节点时，将所述物品节点的PR值与物品对应的同一用户的目标用户节点PR值的和作为所述目标用户节点的最终PR值。
步骤407、基于预先设定的各个行为类型对应的权重值及所述各个用户-物品二分图中的每个用户节点的PR值确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数。
步骤408、基于所述推荐分数向所述目标用户进行好友推荐。
本发明实施例提供的社交网络中好友的推荐方法，能够综合利用社交网络上用户的所有行为数据，构造不同行为类型对应的用户-物品二分图，基于随机游走算法确定各个二分图中每个节点的PR值，并预先设定的各个行为类型对应的权重值及各个用户-物品二分图中每个节点的PR值确定各个用户相对于目标用户的推荐分数，最后基于推荐分数向目标用户进行好友推荐，避免了单一行为数据蕴含的用户偏好不全的问题，提高了好友推荐的准确率。
图5为本发明实施例提供的一种社交网络中好友的推荐装置的结构框图，该装置可由软件和/或硬件实现，一般集成在终端中，可通过执行社交网络中好友的推荐方法来进行社交网络中好友的推荐。如图5所示，该装置包括：
用户行为数据获取模块501，用于当接收到社交网络中目标用户的好友推荐请求时，获取所述社交网络中的用户行为数据；
行为类型确定模块502，用于确定所述用户行为数据所涉及的各个行为类型；
二分图构造模块503，用于分别基于所述用户行为数据中所述各个行为类型对应的目标行为数据集，构造与所述各个行为类型对应的用户-物品二分图；
推荐分数确定模块504，用于基于各个用户-物品二分图确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数；
好友推荐模块505，用于基于所述推荐分数向所述目标用户进行好友推荐。
本发明实施例中提供的社交网络中好友的推荐装置，当接收到社交网络中目标用户的好友推荐请求时，获取所述社交网络中的用户行为数据；确定所述用户行为数据所涉及的各个行为类型；分别基于所述用户行为数据中所述各个行为类型对应的目标行为数据集，构造与所述各个行为类型对应的用户-物品二分图；基于各个用户-物品二分图确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数；基于所述推荐分数向所述目标用户进行好友推荐。通过采用上述技术手段，能够综合利用社交网络上用户的所有行为数据，构造不同行为类型对应的用户-物品二分图，并基于用户-物品二分图确定每个用户相对于目标用户的推荐分数，并基于推荐分数向目标用户进行好友推荐，避免了单一行为数据蕴含的用户偏好不全的问题，提高了好友推荐的准确率。
可选的，所述二分图构造模块，用于：
分别针对所述用户行为数据中所述各个行为类型对应的目标行为数据集，确定当前目标行为数据集所涉及的各个主动行为用户的操作记录集合；其中，当目标行为数据集中的用户行为数据为用户对用户的操作数据时，将被操作用户作为与所述被操作用户对应的物品进行记录；
根据所述操作记录集合确定与行为类型对应的用户-物品二分图。
可选的，所述推荐分数确定模块，包括：
PR值确定单元，用于基于随机游走算法确定各个用户-物品二分图中每个节点的用户排名PR值；
推荐分数确定单元，用于基于预先设定的各个行为类型对应的权重值及所述各个用户-物品二分图中每个节点的PR值确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数。
可选的，所述PR值确定单元，用于：
针对各个用户-物品二分图，以目标用户为初始出发节点，将所述初始出发节点的初始PR值设置为1，所述用户-物品二分图中其他节点的初始PR值设置为0；
在所述用户-物品二分图中，分别根据如下公式逐轮更新所述用户-物品二分图中各个节点的PR值，直至所述用户-物品二分图中的所有节点的PR值保持不变为止；其中，第一轮更新操作中以各个节点的初始PR值为参考值，第二轮更新操作中以第一轮更新操作更新后的各个节点的PR值为参考值，第三轮更新操作中以第二轮更新操作更新后的各个节点的PR值为参考值，以此类推，直至完成最后一轮更新操作；
其中，v表示用户-物品二分图中任一节点，PR(v)表示节点v的PR值，in(v)表示在用户-物品二分图中节点v的各个入节点构成的集合，v’表示in(v)中的任一节点，|out(v’)|表示在用户-物品二分图中节点v’的出节点的个数,表示所述目标用户对应的节点，α表示预设概率值。
可选的，所述推荐分数确定单元，用于：
分别根据各个用户-物品二分图中的每个节点的PR值确定各个用户-物品二分图中的每个用户节点的PR值；其中，当用户-物品二分图中的物品节点为将被操作用户作为物品的节点时，将所述物品节点的PR值与物品对应的同一用户的目标用户节点PR值的和作为所述目标用户节点的最终PR值；
基于预先设定的各个行为类型对应的权重值及所述各个用户-物品二分图中的每个用户节点的PR值确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数。
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行社交网络中好友的推荐方法，该方法包括：
当接收到社交网络中目标用户的好友推荐请求时，获取所述社交网络中的用户行为数据；
确定所述用户行为数据所涉及的各个行为类型；
分别基于所述用户行为数据中所述各个行为类型对应的目标行为数据集，构造与所述各个行为类型对应的用户-物品二分图；
基于各个用户-物品二分图确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数；
基于所述推荐分数向所述目标用户进行好友推荐。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDORAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的社交网络中好友的推荐操作，还可以执行本发明任意实施例所提供的社交网络中好友的推荐方法中的相关操作。
本发明实施例提供了一种终端，该终端中可集成本发明实施例提供的社交网络中好友的推荐装置。图6为本发明实施例提供的一种终端的结构框图。终端600可以包括：存储器601，处理器602及存储在存储器601上并可在处理器运行的计算机程序，所述处理器602执行所述计算机程序时实现如本发明实施例所述的社交网络中好友的推荐方法。
本发明实施例中提供的终端，当接收到社交网络中目标用户的好友推荐请求时，获取所述社交网络中的用户行为数据；确定所述用户行为数据所涉及的各个行为类型；分别基于所述用户行为数据中所述各个行为类型对应的目标行为数据集，构造与所述各个行为类型对应的用户-物品二分图；基于各个用户-物品二分图确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数；基于所述推荐分数向所述目标用户进行好友推荐。通过采用上述技术手段，能够综合利用社交网络上用户的所有行为数据，构造不同行为类型对应的用户-物品二分图，并基于用户-物品二分图确定每个用户相对于目标用户的推荐分数，并基于推荐分数向目标用户进行好友推荐，避免了单一行为数据蕴含的用户偏好不全的问题，提高了好友推荐的准确率。
上述实施例中提供的社交网络中好友的推荐装置、存储介质及终端可执行本发明任意实施例所提供的社交网络中好友的推荐方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的社交网络中好友的推荐方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.一种社交网络中好友的推荐方法，其特征在于，包括：
当接收到社交网络中目标用户的好友推荐请求时，获取所述社交网络中的用户行为数据；
确定所述用户行为数据所涉及的各个行为类型；
分别基于所述用户行为数据中所述各个行为类型对应的目标行为数据集，构造与所述各个行为类型对应的用户-物品二分图；
基于各个用户-物品二分图确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数；
基于所述推荐分数向所述目标用户进行好友推荐；
其中，基于各个用户-物品二分图确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数，包括：
基于随机游走算法确定各个用户-物品二分图中每个节点的用户排名PR值；
基于预先设定的各个行为类型对应的权重值及所述各个用户-物品二分图中每个节点的PR值确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数。
2.根据权利要求1所述的方法，其特征在于，分别基于所述用户行为数据中所述各个行为类型对应的目标行为数据集，构造与所述各个行为类型对应的用户-物品二分图，包括：
分别针对所述用户行为数据中所述各个行为类型对应的目标行为数据集，确定当前目标行为数据集所涉及的各个主动行为用户的操作记录集合；其中，当目标行为数据集中的用户行为数据为用户对用户的操作数据时，将被操作用户作为与所述被操作用户对应的物品进行记录；
根据所述操作记录集合确定与行为类型对应的用户-物品二分图。
3.根据权利要求1所述的方法，其特征在于，基于随机游走算法确定各个用户-物品二分图中每个节点的用户排名PR值，包括：
针对各个用户-物品二分图，以目标用户为初始出发节点，将所述初始出发节点的初始PR值设置为1，所述用户-物品二分图中其他节点的初始PR值设置为0；
在所述用户-物品二分图中，分别根据如下公式逐轮更新所述用户-物品二分图中各个节点的PR值，直至所述用户-物品二分图中的所有节点的PR值保持不变为止；其中，第一轮更新操作中以各个节点的初始PR值为参考值，第二轮更新操作中以第一轮更新操作更新后的各个节点的PR值为参考值，第三轮更新操作中以第二轮更新操作更新后的各个节点的PR值为参考值，以此类推，直至完成最后一轮更新操作；
其中，v表示用户-物品二分图中任一节点，PR(v)表示节点v的PR值，in(v)表示在用户-物品二分图中节点v的各个入节点构成的集合，v′表示in(v)中的任一节点，|out(v′)|表示在用户-物品二分图中节点v′的出节点的个数，u表示所述目标用户对应的节点，α表示预设概率值。
4.根据权利要求1所述的方法，其特征在于，基于预先设定的各个行为类型对应的权重值及所述各个用户-物品二分图中每个节点的PR值确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数，包括：
分别根据各个用户-物品二分图中的每个节点的PR值确定各个用户-物品二分图中的每个用户节点的PR值；其中，当用户-物品二分图中的物品节点为将被操作用户作为物品的节点时，将所述物品节点的PR值与物品对应的同一用户的目标用户节点PR值的和作为所述目标用户节点的最终PR值；
基于预先设定的各个行为类型对应的权重值及所述各个用户-物品二分图中的每个用户节点的PR值确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数。
5.一种社交网络中好友的推荐装置，其特征在于，包括：
用户行为数据获取模块，用于当接收到社交网络中目标用户的好友推荐请求时，获取所述社交网络中的用户行为数据；
行为类型确定模块，用于确定所述用户行为数据所涉及的各个行为类型；
二分图构造模块，用于分别基于所述用户行为数据中所述各个行为类型对应的目标行为数据集，构造与所述各个行为类型对应的用户-物品二分图；
推荐分数确定模块，用于基于各个用户-物品二分图确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数；
好友推荐模块，用于基于所述推荐分数向所述目标用户进行好友推荐；
其中，所述推荐分数确定模块，包括：
PR值确定单元，用于基于随机游走算法确定各个用户-物品二分图中每个节点的用户排名PR值；
推荐分数确定单元，用于基于预先设定的各个行为类型对应的权重值及所述各个用户-物品二分图中每个节点的PR值确定将所述用户行为数据所涉及的各个用户推荐给所述目标用户的推荐分数。
6.根据权利要求5所述的装置，其特征在于，所述二分图构造模块，用于：
分别针对所述用户行为数据中所述各个行为类型对应的目标行为数据集，确定当前目标行为数据集所涉及的各个主动行为用户的操作记录集合；其中，当目标行为数据集中的用户行为数据为用户对用户的操作数据时，将被操作用户作为与所述被操作用户对应的物品进行记录；
根据所述操作记录集合确定与行为类型对应的用户-物品二分图。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4任一所述的社交网络中好友的推荐方法。
8.一种终端，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4任一所述的社交网络中好友的推荐方法。
CN202010293794.0A 2020-04-15 2020-04-15 社交网络中好友的推荐方法、装置、存储介质及终端 Active CN111523048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010293794.0A CN111523048B (zh) 2020-04-15 2020-04-15 社交网络中好友的推荐方法、装置、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010293794.0A CN111523048B (zh) 2020-04-15 2020-04-15 社交网络中好友的推荐方法、装置、存储介质及终端

Publications (2)

Publication Number Publication Date
CN111523048A CN111523048A (zh) 2020-08-11
CN111523048B true CN111523048B (zh) 2024-04-12

Family

ID=71902849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010293794.0A Active CN111523048B (zh) 2020-04-15 2020-04-15 社交网络中好友的推荐方法、装置、存储介质及终端

Country Status (1)

Country Link
CN (1) CN111523048B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112015990A (zh) * 2020-08-31 2020-12-01 广州市百果园信息技术有限公司 待推荐网络资源的确定方法、装置、计算机设备及介质
CN114401242B (zh) * 2022-02-16 2023-07-18 中国银联股份有限公司 用户推荐方法、装置、设备及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116639A (zh) * 2013-02-20 2013-05-22 新浪网技术(中国)有限公司 基于用户-物品二分图模型的物品推荐方法及系统
CN104021233A (zh) * 2014-06-30 2014-09-03 电子科技大学 一种基于社区发现的社交网络好友推荐方法
CN104202319A (zh) * 2014-08-28 2014-12-10 北京淘友天下科技发展有限公司 一种社交关系推荐方法及装置
CN110457592A (zh) * 2019-07-11 2019-11-15 天津大学 一种基于图熵的社交网络推荐方法
CN110503506A (zh) * 2019-07-05 2019-11-26 平安科技（深圳）有限公司 基于评分数据的物品推荐方法、装置及介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116639A (zh) * 2013-02-20 2013-05-22 新浪网技术(中国)有限公司 基于用户-物品二分图模型的物品推荐方法及系统
CN104021233A (zh) * 2014-06-30 2014-09-03 电子科技大学 一种基于社区发现的社交网络好友推荐方法
CN104202319A (zh) * 2014-08-28 2014-12-10 北京淘友天下科技发展有限公司 一种社交关系推荐方法及装置
CN110503506A (zh) * 2019-07-05 2019-11-26 平安科技（深圳）有限公司 基于评分数据的物品推荐方法、装置及介质
CN110457592A (zh) * 2019-07-11 2019-11-15 天津大学 一种基于图熵的社交网络推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肖迎元 ; 张红玉 ; .基于用户潜在特征的社交网络好友推荐方法.计算机科学.2018,(03),全文. *

Also Published As

Publication number Publication date
CN111523048A (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
Karabatak et al. Performance comparison of classifiers on reduced phishing website dataset
CN111339427B (zh) 一种图书信息推荐方法、装置、系统及存储介质
Rausch et al. Predicting online shopping cart abandonment with machine learning approaches
EP2693669A2 (en) Content feed for facilitating topic discovery in social networking environments
US9251292B2 (en) Search result ranking using query clustering
US9128988B2 (en) Search result ranking by department
US9558273B2 (en) System and method for generating influencer scores
KR20140058522A (ko) 소셜 네트워크의 강화된 쿼리 제안 기법
JP2010500649A5 (zh)
CN111523048B (zh) 社交网络中好友的推荐方法、装置、存储介质及终端
Sisodia et al. Fast prediction of web user browsing behaviours using most interesting patterns
CN110765286A (zh) 跨媒体检索方法、装置、计算机设备和存储介质
US20150095183A1 (en) Methods and Apparatus for Generating Recommendations
US20150302088A1 (en) Method and System for Providing Personalized Content
Swaminathan et al. Wearmail: On-the-go access to information in your email with a privacy-preserving human computation workflow
WO2009136411A2 (en) Online literary social network
US20190188327A1 (en) Online Outreach-Based Reward Model Generation for User Information Search
Guan et al. dpSmart: a flexible group based recommendation framework for digital repository systems
Kim et al. Topic-Driven SocialRank: Personalized search result ranking by identifying similar, credible users in a social network
US20220215931A1 (en) Generating multi-dimensional recommendation data objects based on decentralized crowd sourcing
US20190325531A1 (en) Location-based candidate generation in matching systems
CN113268589B (zh) 关键用户识别方法、装置、可读存储介质和计算机设备
Kumar Fake review detection using behavioral and contextual features
WO2019187107A1 (ja) 情報処理装置、制御方法、及びプログラム
CN113868608A (zh) 一种身份验证方法及装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: China

Address after: Room 501, 502, 503, No. 66 Boxia Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai, March 2012

Applicant after: Daguan Data Co.,Ltd.

Address before: Room 301, 303 and 304, block B, 112 liangxiu Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai, 201203

Applicant before: DATAGRAND INFORMATION TECHNOLOGY (SHANGHAI) Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant