CN111652451A - 社交关系的获取方法和装置及存储介质 - Google Patents
社交关系的获取方法和装置及存储介质 Download PDFInfo
- Publication number
- CN111652451A CN111652451A CN202010780677.7A CN202010780677A CN111652451A CN 111652451 A CN111652451 A CN 111652451A CN 202010780677 A CN202010780677 A CN 202010780677A CN 111652451 A CN111652451 A CN 111652451A
- Authority
- CN
- China
- Prior art keywords
- behavior
- tag
- target
- subsequence
- sample
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
本发明公开了一种大数据技术领域下的社交关系的获取方法和装置及存储介质,涉及数据计算、用户画像等技术。其中,该方法包括:获取目标行为集合;利用与多个第一行为对应的第一行为标签子序列,及与多个第二行为对应的第二行为标签子序列构建行为标签序列,并根据行为标签序列获取行为标签特征;利用目标行为集合中在目标时间段内被触发且按触发时间点排序的第一行为与第二行为构建行为关系序列,并根据行为关系序列获取行为关系特征;将关系指示系数中最大值所指示的目标社交关系,确定为第一账号与第二账号之间的社交关系。本发明解决了社交关系的获取准确性较差的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种社交关系的获取方法和装置及存储介质。
背景技术
近年来对社交关系的利用越发广泛,例如根据情侣关系、父子关系、母子关系、同事关系等关系进行相关推荐和精准营销,能够有效提高推荐和营销效果。而现有技术中,社交关系的获取往往基于人工设定规则挖掘社交网络关系方法通过人工指定关系对规则,对待挖掘对象的交互行为进行识别,例如在情人节当天许多情侣会发送金额为520、1314、52.0等数字的红包,通过人工制定该规则匹配红包行为数据来识别构成情侣关系的关系对象,但这种人工制定的规则本身就具有局限性,并且需要定期维护关系规则库,才能确保挖掘关系的准确性和时效性;
此外,现有技术中还有一种基于分类机器学习模型关系预测方法通过构建与各个关系预测相关的特征,将关系类型预测作为分类目标问题,输入到机器学习模型进行多标签分类,但因并未考虑用户关系对类型具有一定的行为序列模式和同一关系用户行为往往具有一定的相关性,例如情侣关系先后在情人节当天发布了朋友圈,进而导致训练出的模型对社会关系的获取准确性不高。因此,存在社交关系的获取准确性较低的问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种社交关系的获取方法和装置及存储介质,以至少解决社交关系的获取准确性较差的技术问题。
根据本发明实施例的一个方面,提供了一种社交关系的获取方法,包括:获取目标行为集合,其中,上述目标行为集合包括目标应用中第一账号在目标时间内触发的多个第一行为、上述目标应用中第二账号在上述目标时间内触发的多个第二行为,以及各行为的触发时间点;利用与上述多个第一行为对应的第一行为标签子序列,及与上述多个第二行为对应的第二行为标签子序列构建行为标签序列,并根据上述行为标签序列获取行为标签特征,其中,上述第一行为标签子序列用于指示按照上述触发时间点执行的上述多个第一行为的行为类型标签,上述第二行为标签子序列用于指示按照上述触发时间点执行的上述多个第二行为的行为类型标签,上述行为标签特征用于指示上述第一行为标签子序列及上述第二行为标签子序列的相关度;利用上述目标行为集合中在目标时间段内被触发且按上述触发时间点排序的上述第一行为与上述第二行为构建行为关系序列,并根据上述行为关系序列获取行为关系特征,其中,上述行为关系特征用于指示上述行为关系序列中至少两个连续行为之间的相关度;根据上述行为标签特征与上述行为关系特征,获取上述第一账号与上述第二账号之间的关系指示系数;将上述关系指示系数中最大值所指示的目标社交关系,确定为上述第一账号与上述第二账号之间的社交关系。
根据本发明实施例的另一方面,还提供了一种社交关系的获取装置,包括:第一获取单元,用于获取目标行为集合,其中,上述目标行为集合包括目标应用中第一账号在目标时间内触发的多个第一行为、上述目标应用中第二账号在上述目标时间内触发的多个第二行为,以及各行为的触发时间点;第二获取单元,用于利用与上述多个第一行为对应的第一行为标签子序列,及与上述多个第二行为对应的第二行为标签子序列构建行为标签序列,并根据上述行为标签序列获取行为标签特征,其中,上述第一行为标签子序列用于指示按照上述触发时间点执行的上述多个第一行为的行为类型标签,上述第二行为标签子序列用于指示按照上述触发时间点执行的上述多个第二行为的行为类型标签,上述行为标签特征用于指示上述第一行为标签子序列及上述第二行为标签子序列的相关度;第三获取单元,用于利用上述目标行为集合中在目标时间段内被触发且按上述触发时间点排序的上述第一行为与上述第二行为构建行为关系序列,并根据上述行为关系序列获取行为关系特征,其中,上述行为关系特征用于指示上述行为关系序列中至少两个连续行为之间的相关度;第四获取单元,用于根据上述行为标签特征与上述行为关系特征,获取上述第一账号与上述第二账号之间的关系指示系数;第一确定单元,用于将上述关系指示系数中最大值所指示的目标社交关系,确定为上述第一账号与上述第二账号之间的社交关系。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述社交关系的获取方法。
根据本发明实施例的又一方面,还提供了一种电子装置,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,其中,上述处理器通过计算机程序执行上述的社交关系的获取方法。
在本发明实施例中,获取目标行为集合,其中,目标行为集合包括目标应用中第一账号在目标时间内触发的多个第一行为、目标应用中第二账号在目标时间内触发的多个第二行为,以及各行为的触发时间点;利用与多个第一行为对应的第一行为标签子序列,及与多个第二行为对应的第二行为标签子序列构建行为标签序列,并根据行为标签序列获取行为标签特征,其中,第一行为标签子序列用于指示按照触发时间点执行的多个第一行为的行为类型标签,第二行为标签子序列用于指示按照触发时间点执行的多个第二行为的行为类型标签,行为标签特征用于指示第一行为标签子序列及第二行为标签子序列的相关度;利用目标行为集合中在目标时间段内被触发且按触发时间点排序的第一行为与第二行为构建行为关系序列,并根据行为关系序列获取行为关系特征,其中,行为关系特征用于指示行为关系序列中至少两个连续行为之间的相关度;根据行为标签特征与行为关系特征,获取第一账号与第二账号之间的关系指示系数;将关系指示系数中最大值所指示的目标社交关系,确定为第一账号与第二账号之间的社交关系,通过用于指示多种类型相关度的行为特征,以达到获取更加准确的社交关系的目的,从而实现了提高社交关系的获取准确性的效果,进而解决了社交关系的获取准确性较差的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的社交关系的获取方法的应用环境的示意图;
图2是根据本发明实施例的一种可选的社交关系的获取方法的流程图的示意图;
图3是根据本发明实施例的另一种可选的社交关系的获取方法的流程图的示意图;
图4是根据本发明实施例的另一种可选的社交关系的获取方法的示意图;
图5是根据本发明实施例的另一种可选的社交关系的获取方法的示意图;
图6是根据本发明实施例的另一种可选的社交关系的获取方法的示意图;
图7是根据本发明实施例的另一种可选的社交关系的获取方法的示意图;
图8是根据本发明实施例的另一种可选的社交关系的获取方法的示意图;
图9是根据本发明实施例的另一种可选的社交关系的获取方法的示意图;
图10是根据本发明实施例的另一种可选的社交关系的获取方法的示意图;
图11是根据本发明实施例的另一种可选的社交关系的获取方法的示意图;
图12是根据本发明实施例的一种可选的社交关系的获取装置的示意图;
图13是根据本发明实施例的一种可选的电子装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。
云技术(Cloud technology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑,只能通过云计算来实现。
大数据(Big data)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着云时代的来临,大数据也吸引了越来越多的关注,大数据需要特殊的技术,以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术,包括大规模并行处理数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。
根据本发明实施例的一个方面,提供了一种社交关系的获取方法,可选地,作为一种可选的实施方式,上述社交关系的获取方法可以但不限于应用于如图1所示的环境中。其中,可以但不限于包括用户设备102、网络110及服务器112,其中,该用户设备102上可以但不限于包括显示器108、处理器106及存储器104,显示器108可以但不限用于显示第一账号1022、第二账号1024以及用于表示第一账号1022与第二账号1024社会关系的目标社会关系1026。
具体过程可如下步骤:
步骤S102,用户设备102分别获取第一账号1022与第二账号1024上产生的行为数据,并根据行为数据,根据行为类型对行为数据进行编码标签,获取用于表示行为类型的行为标签,以及根据行为数据的触发时间点对行为数据进行排序,进而获取用于表示行为标签之间的相关度的行为标签特征以及用于表示排序后的行为数据之间的相关度行为关系特征;
步骤S104-S106,用户设备102通过网络110将行为标签特征、行为关系特征发送给服务器112;
步骤S108,服务器112通过处理引擎116将行为标签特征、行为关系特征进行处理,从而生成至少一个关系指示系数;
步骤S110,服务器112通过处理引擎116在至少一个关系指示系数中,确定最大的关系指示系数,并通过数据库114查找与该关系指示系数对应的目标社交关1026系;
步骤S112-S114,服务器112通过网络110将目标社交关系1026发送给用户设备102,用户设备102中的处理器106将目标社交关系1026显示在显示器108中,并将目标社交关系1026存储在存储器104中。其中,目标社交关系1026可以但不限于存储在服务器112或用户设备102中。
可选地,作为一种可选的实施方式,如图2所示,社交关系的获取方法包括:
S202,获取目标行为集合,其中,目标行为集合包括目标应用中第一账号在目标时间内触发的多个第一行为、目标应用中第二账号在目标时间内触发的多个第二行为,以及各行为的触发时间点;
S204,利用与多个第一行为对应的第一行为标签子序列,及与多个第二行为对应的第二行为标签子序列构建行为标签序列,并根据行为标签序列获取行为标签特征,其中,第一行为标签子序列用于指示按照触发时间点执行的多个第一行为的行为类型标签,第二行为标签子序列用于指示按照触发时间点执行的多个第二行为的行为类型标签,行为标签特征用于指示第一行为标签子序列及第二行为标签子序列的相关度;
S206,利用目标行为集合中在目标时间段内被触发且按触发时间点排序的第一行为与第二行为构建行为关系序列,并根据行为关系序列获取行为关系特征,其中,行为关系特征用于指示行为关系序列中至少两个连续行为之间的相关度;
S208,根据行为标签特征与行为关系特征,获取第一账号与第二账号之间的关系指示系数;
S210,将关系指示系数中最大值所指示的目标社交关系,确定为第一账号与第二账号之间的社交关系。
可选的,社交关系的获取方法可以但不限于应用在挖掘社交关系的场景下,还可以但不限于应用在基于社交网络关系的推荐和精准营销。社交关系可以但不限于为在社交网络上,相互往来,进行物质、精神交流的社会活动的个体关系。社交关系可以但不限于包括情侣关系、父子关系、母子关系、同事关系等。目标行为集合可以但不限于包括预设场景下的行为集合,可选的,预设场景可以但不限于为关系链场景,关系链可以但不限于包括情侣关系、父子关系、母子关系、同事关系等,可选的,行为集合可以但不限与预设场景相关联的行为,行为集合可以但不限与预设规则相关的行为,预设规则可以但不限包括红包金额、转账金额、消息内容等,行为集合可以但不限于包括发红包行为、点赞行为、转发行为、转账行为、评论行为、消息传递行为等,可选的,行为类型标签可以但不限用于表示同类型下的行为,例如发红包行为类型下的行为,无论红包金额是多少,都属于发红包行为类型标签。
需要说明的是,获取目标行为集合,其中,目标行为集合包括目标应用中第一账号在目标时间内触发的多个第一行为、目标应用中第二账号在目标时间内触发的多个第二行为,以及各行为的触发时间点;利用与多个第一行为对应的第一行为标签子序列,及与多个第二行为对应的第二行为标签子序列构建行为标签序列,并根据行为标签序列获取行为标签特征,其中,第一行为标签子序列用于指示按照触发时间点执行的多个第一行为的行为类型标签,第二行为标签子序列用于指示按照触发时间点执行的多个第二行为的行为类型标签,行为标签特征用于指示第一行为标签子序列及第二行为标签子序列的相关度;利用目标行为集合中在目标时间段内被触发且按触发时间点排序的第一行为与第二行为构建行为关系序列,并根据行为关系序列获取行为关系特征,其中,行为关系特征用于指示行为关系序列中至少两个连续行为之间的相关度;根据行为标签特征与行为关系特征,获取第一账号与第二账号之间的关系指示系数;将关系指示系数中最大值所指示的目标社交关系,确定为第一账号与第二账号之间的社交关系。可选的,关系指示系数可以但不限于其所指示的社交关系为第一账号与第二账号之间的社交关系的概率成正相关或负相关。
可选的,社交关系的获取方法可以但不限于通过目标应用中的第一账号以及第二账号的行为实现,换言之,本实施例中的第一账号以及第二账号仅为说明,并不对账号的数量或行为的数量作限定。
可选的,目标时间可以但不限于为关键时间,例如情人节当天、父亲节当天、账号用户生日当天等,也可以但不限于为关键时间的前后时间,如情人节前一天、父亲节前一天、账号用户生日前一天等。可选的,例如抓取关键时间前后的红包、转账等数据信息;
进一步举例说明,可选的例如抓取情人节前后D天的数据,观察范围为[情人节-D,情人节+D]日,对所有用户在该时间段的数据进行抓取构建各时间节点用户行为序列;将用户红包、转账等行为构建映射标签,对各个关系对进行行为序列标注;例如,用户A转账给用户B金额520元并接收了,映射行为标签对于用户A记为:A-转账520-B,对于用户记为:B-接收转账520-A;其他数据的行为序列模式标注,可以包括:用户A和用户B在关键时间节点内先后顺序或同时发布了朋友圈、用户A邀请用户B关注特定主题的公众号(如婚纱摄影等);红包转账金额进行同类型标识处理,如520、5.20、52.0、99、1314、13.14、131.4、999等金额为同类型,将同类型的红包转账金额进行统一标识符标识。
进一步举例说明,可选的例如图3所示,包括多个账号(图中未示出)在目标时间内的目标应用(图中未示出)上触发的多个行为数据的目标行为集合302,对目标行为集合302中的行为数据进行处理,具体的,根据行为数据的触发时间点,以及行为数据的行为类型,获取行为标签序列304-1以及行为关系序列304-2;根据行为标签序列304-1以及行为关系序列304-2获取行为标签特征306-1以及行为关系特征306-2;根据行为标签特征306-1以及行为关系特征306-2获取关系指数系数308,其中,关系指数系数308用于指示多个账号之间的社交关系。
通过本申请提供的实施例,获取目标行为集合,其中,目标行为集合包括目标应用中第一账号在目标时间内触发的多个第一行为、目标应用中第二账号在目标时间内触发的多个第二行为,以及各行为的触发时间点;利用与多个第一行为对应的第一行为标签子序列,及与多个第二行为对应的第二行为标签子序列构建行为标签序列,并根据行为标签序列获取行为标签特征,其中,第一行为标签子序列用于指示按照触发时间点执行的多个第一行为的行为类型标签,第二行为标签子序列用于指示按照触发时间点执行的多个第二行为的行为类型标签,行为标签特征用于指示第一行为标签子序列及第二行为标签子序列的相关度;利用目标行为集合中在目标时间段内被触发且按触发时间点排序的第一行为与第二行为构建行为关系序列,并根据行为关系序列获取行为关系特征,其中,行为关系特征用于指示行为关系序列中至少两个连续行为之间的相关度;根据行为标签特征与行为关系特征,获取第一账号与第二账号之间的关系指示系数;将关系指示系数中最大值所指示的目标社交关系,确定为第一账号与第二账号之间的社交关系,通过用于指示多种类型相关度的行为特征,以达到获取更加准确的社交关系的目的,从而实现了提高社交关系的获取准确性的效果。
作为一种可选的方案,利用与多个第一行为对应的第一行为标签子序列,及与多个第二行为对应的第二行为标签子序列构建行为标签序列包括:
S1,将第一行为子序列与第二行为子序列进行比对,以得到N个标签前缀,其中,标签前缀包括满足最小支持条件的至少一个行为标签;
S2,根据N个标签前缀,获取N个行为标签子序列,其中,N个行为标签子序列用于构建行为标签序列。
可选的,可以但不限于通过prefixspan(Prefix-Projected Pattern Growth)算法得到N个标签前缀,其中,prefixspan算法可以但不限于为前缀投影的模式挖掘方法,前缀可以但不限于为序列数据前面部分内的子序列,前缀投影可以但不限于为后缀,可选的,序列包括前缀和后缀。N为大于等于0的整数。
需要说明的是,将第一行为子序列与第二行为子序列进行比对,以得到N个标签前缀,其中,标签前缀包括满足最小支持条件的至少一个行为标签;根据N个标签前缀,获取N个行为标签子序列,其中,N个行为标签子序列用于构建行为标签序列。可选的,标签前缀可以但不限于包括多种类型,例如根据前缀项数量进行划分等。
可选的,支持度(Support)可以但不限于表示前项与后项在一个数据集中同时出现的频率,可以但不限于通过百分比的形式表示。例如,满足最小支持条件可以但不限于包括大于最小支持度,其中,最小支持度的计算可以但不限于参考下述公式(1):
其中, min·sup为最小支持度,n为相同关系类型的关系对数,a为最小支持率参数,可选的,最小支持率参数a可以但不限于根据具体需求进行调整,例如根据账号数量、社会关系类型等。
进一步举例说明,可选的最小支持度的计算方法的具体操作步骤如下:
1、找出单位长度为1的时间行为序列元素所在上下文序列前缀和对应投影数据集;
2、统计时间行为序列元素所在上下文序列前缀出现频率并将支持度高于最小支持度阈值的前缀添加到数据集,获取频繁一项集序列模式;
3、对所有长度为i且满足最小支持度要求的前缀递归挖掘:
(1)、挖掘前缀的投影数据集,如果投影数据为空集合,则返回递归;
(2)、统计对应投影数据集中各项的最小支持度,将满足支持度的各单项与当前前缀合并,得到新前缀,不满足支持度要求则递归返回;
(3)、令i=i+1,前缀为合并单项后的各个新前缀,分别递归执行第3步;
(4)、最终返回该时间行为序列元素所在上下文序列样本集中所有序列模式。
进一步举例说明,可选的例如第一行为子序列为“bca”,第二行为子序列为“bcd”,其中,“a”用于表示行为类型“a”的行为标签,“b”、“c”同理;可选的例如图4所示,比较第一行为子序列402以及第二行为子序列404,获取3个标签前缀406“b”、“c”以及“bc”,并根据该行为标签,获取3个行为标签子序列408、行为标签子序列410、行为标签子序列412。
通过本申请提供的实施例,将第一行为子序列与第二行为子序列进行比对,以得到N个标签前缀,其中,标签前缀包括满足最小支持条件的至少一个行为标签;根据N个标签前缀,获取N个行为标签子序列,其中,N个行为标签子序列用于构建行为标签序列,达到了通过标签前缀快速获取行为标签序列的目的,实现了提高行为标签序列的获取效率的效果。
作为一种可选的方案,利用与多个第一行为对应的第一行为标签子序列,及与多个第二行为对应的第二行为标签子序列构建行为标签序列包括:
S1,将第一行为子序列作为当前行为子序列,重复执行以下步骤,直至遍历第二行为子序列;
S2,从当前行为子序列中确定当前行为标签;
S3,将当前行为标签与第二行为子序列中的每个行为标签依次进行比对;
S4,在第二行为子序列中存在与当前行为标签相同的行为标签的情况下,将当前行为标签作为标签前缀;
S5,在第二行为子序列中不存在与当前行为标签相同的行为标签的情况下,将从当前行为子序列中获取下一个行为标签作为当前行为标签。
需要说明的是,将第一行为子序列作为当前行为子序列,重复执行以下步骤,直至遍历第二行为子序列;从当前行为子序列中确定当前行为标签;将当前行为标签与第二行为子序列中的每个行为标签依次进行比对;在第二行为子序列中存在与当前行为标签相同的行为标签的情况下,将当前行为标签作为标签前缀;在第二行为子序列中不存在与当前行为标签相同的行为标签的情况下,将从当前行为子序列中获取下一个行为标签作为当前行为标签。
进一步举例说明,可选的例如转账或红包同类型的红包转账金额标识为行为标签“a”、关键时间节点内都发布朋友圈标识为行为“b”、关注相同公众号标识为行为标签“c”等(其余标签皆有对应的行为,在此不做更多举例说明),从而将关系对的互动行为编码为行为序列如abc。假设第一用户的第一行为子序列为:bcafgh;第二用户的第二行为子序列为:bcdaghf,可选的,如图5所示,包括行为序列表格501,其中,行为序列表格501包括多个一项前缀502以及对应的多个对应后缀504(不同行代表不同的序列归属,例如第一行为第一行为子序列的对应后续,第二行为子序列的对应后续),同理如图6、7、8、9所示,分别包括行为序列表格601、行为序列表格701、行为序列表格801以及行为序列表格901,具体的,行为序列表格601包括多个二项前缀602以及对应的多个对应后缀604,行为序列表格701包括多个三项前缀702以及对应的多个对应后缀704,行为序列表格801包括多个四项前缀802以及对应的多个对应后缀804,行为序列表格901包括多个五项前缀902以及对应的多个对应后缀904,至此,完成基于第一行为子序列对第二行为子序列的遍历。
通过本申请提供的实施例,将第一行为子序列作为当前行为子序列,重复执行以下步骤,直至遍历第二行为子序列;从当前行为子序列中确定当前行为标签;将当前行为标签与第二行为子序列中的每个行为标签依次进行比对;在第二行为子序列中存在与当前行为标签相同的行为标签的情况下,将当前行为标签作为标签前缀;在第二行为子序列中不存在与当前行为标签相同的行为标签的情况下,将从当前行为子序列中获取下一个行为标签作为当前行为标签,达到了遍历第二行为子序列以获得全面的的行为标签目的,实现了提高行为标签的获取全面性的效果。
作为一种可选的方案,利用目标行为集合中在目标时间段内被触发且按触发时间点排序的第一行为与第二行构建行为关系序列包括:
S1,将目标行为集合中在目标时间段内的第一行为与第二行为进行编码,获得多个行为编码;
S2,根据触发时间点,对多个行为编码进行排序。
需要说明的是,将目标行为集合中在目标时间段内的第一行为与第二行为进行编码,获得多个行为编码;根据触发时间点,对多个行为编码进行排序。可选的,编码可以但不限于为一位有效(one-hot)编码,其中,one-hot编码可以但不限于为采用M位状态寄存器来对M个状态进行编码,M为大于等于0的整数。可选的,排序可以但不限于按照行为发生时间顺序进行拼接。
进一步举例说明,可选的,例如目标时间段内的第一行为与第二行为为对象A1在关键时间节点内转发了对象A2的朋友圈、对象A2给对象A1的朋友圈点赞、对象A2给对象A1转发了某个电商购物链接、对象A1点击购买等,将上述行为进行编码,并根据行为的触发时间对编码进行排序,以构建行为关系序列。
通过本申请提供的实施例,将目标行为集合中在目标时间段内的第一行为与第二行为进行编码,获得多个行为编码;根据触发时间点,对多个行为编码进行排序,达到了获取携带有时间属性的交互行为序列的目的,实现了提高行为数据的获取全面性的效果。
作为一种可选的方案,根据行为标签序列获取行为标签特征包括:
S1,将行为标签序列输入第一神经网络;
S2,获取第一神经网络输出的行为标签特征,其中,第一神经网络用于捕捉输入序列中各个行为元素的关联特征。
可选的,第一神经网络可以但不限于为卷积神经网络(Cnovolutional NeruralNetworks,简称CNN)、循环神经网络(Recurrent Neural Network,简称RNN)以及Transformer神经网络。
需要说明的是,将行为标签序列输入第一神经网络;获取第一神经网络输出的行为标签特征,其中,第一神经网络用于捕捉输入序列中各个行为元素的关联特征。可选的,Transformer神经网络较于CNN能够获取全局信息,同时Transformer改进了RNN训练慢的缺点,利用self-attention机制实现快速并行。
进一步举例说明,可选的例如将以one-hot编码形式的行为标签序列输入Transformer模型中,以获得Transformer模型输出的行为标签特征。
作为一种可选的方案,根据行为关系序列获取行为关系特征包括:
将行为关系序列输入第一神经网络;获取第一神经网络输出的行为关系特征。
需要说明的是,将行为关系序列输入第一神经网络;获取第一神经网络输出的行为关系特征。
进一步举例说明,可选的例如将以one-hot编码形式的行为关系序列输入CNN模型中,以获得CNN模型输出的行为关系特征。
通过本申请提供的实施例,根据行为关系序列获取行为关系特征包括:将行为关系序列输入第一神经网络;获取第一神经网络输出的行为关系特征;将行为标签序列输入第一神经网络;获取第一神经网络输出的行为标签特征,其中,第一神经网络用于捕捉输入序列中各个行为元素的关联特征,达到了获取用于表示行为相关性的行为标签特征的目的,实现了提高获取的行为数据的相关度的效果。
作为一种可选的方案,根据行为标签特征与行为关系特征,获取第一账号与第二账号之间的关系指示系数包括:
S1,将目标行为特征输入第二神经网络,其中,目标行为特征用于表示行为标签特征与行为关系特征;
S2,获取第二神经网络的输出结果,其中,输出结果用于指示关系指示系数。
需要说明的是,将目标行为特征输入第二神经网络,其中,目标行为特征用于表示行为标签特征与行为关系特征;获取第二神经网络的输出结果,其中,输出结果用于指示关系指示系数。
进一步举例说明,可选的例如第二神经网络使用sigmoid函数作为输出层,损失函数是标准的交叉熵损失,具体可参考公式(2)所示:
通过本申请提供的实施例,将目标行为特征输入第二神经网络,其中,目标行为特征用于表示行为标签特征与行为关系特征;获取第二神经网络的输出结果,其中,输出结果用于指示关系指示系数,达到了自动输出用于指示账号用户之间社会关系的关系指示系数的目的,实现了提高社会关系的获取灵活性的效果。
作为一种可选的方案,在获取目标行为集合之前,包括:
S1,获取多个样本行为集合,其中,样本行为集合中至少包括目标应用中,同为样本社会关系的第一样本账号与第二样本账号在目标样本时间内分别触发的多个第一样本行为以及多个第二样本行为,以及各样本行为的样本触发时间点;
S2,依次将每个样本行为集合作为当前样本行为集合执行以下操作,直至达到收敛条件;
S3,利用与多个第一样本行为对应的第一样本行为标签子序列,及与多个第二样本行为对应的第二样本行为标签子序列构建样本行为标签序列,并根据样本行为标签序列获取样本行为标签特征;
S4,利用当前样本行为集合中在目标时间段内被触发且按样本触发时间点排序的第一样本行为与第二样本行为构建样本行为关系序列,并根据样本行为关系序列获取样本行为关系特征;
S5,将目标样本行为特征输入当前的第二神经网络,其中,目标样本行为特征为样本行为标签特征与样本行为关系特征;
S6,获取第二神经网络的当前输出结果,其中,当前输出结果包括第一样本账号与第二样本账号为第三社交关系的第三概率,以及第一样本账号与第二样本账号为其他社交关系的第四概率;
S7,在当前输出结果达到收敛条件的情况下,确定当前的第二神经网络为训练好的第二神经网络。
需要说明的是,获取多个样本行为集合,其中,样本行为集合中至少包括目标应用中,同为样本社会关系的第一样本账号与第二样本账号在目标样本时间内分别触发的多个第一样本行为以及多个第二样本行为,以及各样本行为的样本触发时间点;依次将每个样本行为集合作为当前样本行为集合执行以下操作,直至达到收敛条件;利用与多个第一样本行为对应的第一样本行为标签子序列,及与多个第二样本行为对应的第二样本行为标签子序列构建样本行为标签序列,并根据样本行为标签序列获取样本行为标签特征;利用当前样本行为集合中在目标时间段内被触发且按样本触发时间点排序的第一样本行为与第二样本行为构建样本行为关系序列,并根据样本行为关系序列获取样本行为关系特征;将目标样本行为特征输入当前的第二神经网络,其中,目标样本行为特征为样本行为标签特征与样本行为关系特征;获取第二神经网络的当前输出结果,其中,当前输出结果包括第一样本账号与第二样本账号为第三社交关系的第三概率,以及第一样本账号与第二样本账号为其他社交关系的第四概率;在当前输出结果达到收敛条件的情况下,确定当前的第二神经网络为训练好的第二神经网络。
进一步举例说明,可选的例如,将根据样本行为集合中多个样本行为获取的样本行为标签特征以及样本行为关系序列,输入第一神经网络中,得到两部分的特征后再进行特征抽取以及特征融合,将处理好的特征输入前馈神经网络,以处理其他特征的有效信息。以预测关系类型概率为输出构建例如图10所示的第二神经网络,最终输出社交关系对属于某个关系类型的概率,例如,关系类型标签可分为:情侣、母子、父子、同事、朋友、其他等,以模型输出的最高概率类别标签作为输入的当前样本账号之间最终所属的社交关系类别。
通过本申请提供的实施例,获取多个样本行为集合,其中,样本行为集合中至少包括目标应用中,同为样本社会关系的第一样本账号与第二样本账号在目标样本时间内分别触发的多个第一样本行为以及多个第二样本行为,以及各样本行为的样本触发时间点;依次将每个样本行为集合作为当前样本行为集合执行以下操作,直至达到收敛条件;利用与多个第一样本行为对应的第一样本行为标签子序列,及与多个第二样本行为对应的第二样本行为标签子序列构建样本行为标签序列,并根据样本行为标签序列获取样本行为标签特征;利用当前样本行为集合中在目标时间段内被触发且按样本触发时间点排序的第一样本行为与第二样本行为构建样本行为关系序列,并根据样本行为关系序列获取样本行为关系特征;将目标样本行为特征输入当前的第二神经网络,其中,目标样本行为特征为样本行为标签特征与样本行为关系特征;获取第二神经网络的当前输出结果,其中,当前输出结果包括第一样本账号与第二样本账号为第三社交关系的第三概率,以及第一样本账号与第二样本账号为其他社交关系的第四概率;在当前输出结果达到收敛条件的情况下,确定当前的第二神经网络为训练好的第二神经网络,达到了根据更深层次的隐含特征以训练神经网络的目的,实现了提高神经网络模型的泛化性的效果。
作为一种可选的方案,在将目标行为特征输入第二神经网络之前,包括:
S1,将第一行为特征与第二行为特征输入第三神经网络;
S2,通过第三神经网络对行为标签特征与行为关系特征执行深度抽取操作,获得第一深度行为特征与第二深度行为特征;
S3,对第一深度行为特征与第二深度行为特征执行融合操作,获得目标行为特征。
可选的,第三神经网络可以但不限于为门控循环单元(GRU)、第二神经网络的前馈神经网络、长短期记忆网络(LSTM)等。
需要说明的是,将第一行为特征与第二行为特征输入第三神经网络;通过第三神经网络对行为标签特征与行为关系特征执行深度抽取操作,获得第一深度行为特征与第二深度行为特征;对第一深度行为特征与第二深度行为特征执行融合操作,获得目标行为特征。
进一步举例说明,可选的例如基于GRU进行特征抽取与特征融合,GRU是比LSTM参数更少的能够很好的处理序列信息的模型,接下来将融合特征输入前馈神经网络。
可选的,GRU层是为了进行深度特征抽取,也可以省略GRU层替换为多拼接几层第二神经网络的前馈神经网络层,同样能够有效的处理和融合特征。
通过本申请提供的实施例,将第一行为特征与第二行为特征输入第三神经网络;通过第三神经网络对行为标签特征与行为关系特征执行深度抽取操作,获得第一深度行为特征与第二深度行为特征;对第一深度行为特征与第二深度行为特征执行融合操作,获得目标行为特征,达到了有效的处理和融合特征的目的,实现了提高处理和融合特征的效率的效果。
作为一种可选的方案,在将关系指示系数中最大值所指示的目标社交关系,确定为第一账号与第二账号之间的社交关系之后,包括:
发送广告信息至第一账号与第二账号,其中,广告信息用于显示与目标社会关系相关的产品推荐信息。
需要说明的是,发送广告信息至第一账号与第二账号,其中,广告信息用于显示与目标社会关系相关的产品推荐信息。
进一步举例说明,可选的例如图11所示,在已知第一账号与第二账号的社会关系为情侣关系的情况下,向第一账号1102与第二账号1104发送“最新款情侣皮肤已上架”的广告信息1106,以充分贴合消费者的消费方向。
通过本申请提供的实施例,发送广告信息至第一账号与第二账号,其中,广告信息用于显示与目标社会关系相关的产品推荐信息,达到了根据社交关系推送相关消息的目的,实现了提高消息推送的效率的效果。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面,还提供了一种用于实施上述社交关系的获取方法的社交关系的获取装置。如图12所示,该装置包括:
第一获取单元1202,用于获取目标行为集合,其中,目标行为集合包括目标应用中第一账号在目标时间内触发的多个第一行为、目标应用中第二账号在目标时间内触发的多个第二行为,以及各行为的触发时间点;
第二获取单元1204,用于利用与多个第一行为对应的第一行为标签子序列,及与多个第二行为对应的第二行为标签子序列构建行为标签序列,并根据行为标签序列获取行为标签特征,其中,第一行为标签子序列用于指示按照触发时间点执行的多个第一行为的行为类型标签,第二行为标签子序列用于指示按照触发时间点执行的多个第二行为的行为类型标签,行为标签特征用于指示第一行为标签子序列及第二行为标签子序列的相关度;
第三获取单元1206,用于利用目标行为集合中在目标时间段内被触发且按触发时间点排序的第一行为与第二行为构建行为关系序列,并根据行为关系序列获取行为关系特征,其中,行为关系特征用于指示行为关系序列中至少两个连续行为之间的相关度;
第四获取单元1208,用于根据行为标签特征与行为关系特征,获取第一账号与第二账号之间的关系指示系数;
第一确定单元1210,用于将关系指示系数中最大值所指示的目标社交关系,确定为第一账号与第二账号之间的社交关系。
可选的,社交关系的获取装置可以但不限于应用在挖掘社交关系的场景下,还可以但不限于应用在基于社交网络关系的推荐和精准营销。社交关系可以但不限于为在社交网络上,相互往来,进行物质、精神交流的社会活动的个体关系。社交关系可以但不限于包括情侣关系、父子关系、母子关系、同事关系等。目标行为集合可以但不限于包括预设场景下的行为集合,可选的,预设场景可以但不限于为关系链场景,关系链可以但不限于包括情侣关系、父子关系、母子关系、同事关系等,可选的,行为集合可以但不限与预设场景相关联的行为,行为集合可以但不限与预设规则相关的行为,预设规则可以但不限包括红包金额、转账金额、消息内容等,行为集合可以但不限于包括发红包行为、点赞行为、转发行为、转账行为、评论行为、消息传递行为等,可选的,行为类型标签可以但不限用于表示同类型下的行为,例如发红包行为类型下的行为,无论红包金额是多少,都属于发红包行为类型标签。
需要说明的是,第一获取单元,用于获取目标行为集合,其中,目标行为集合包括目标应用中第一账号在目标时间内触发的多个第一行为、目标应用中第二账号在目标时间内触发的多个第二行为,以及各行为的触发时间点;第二获取单元,用于利用与多个第一行为对应的第一行为标签子序列,及与多个第二行为对应的第二行为标签子序列构建行为标签序列,并根据行为标签序列获取行为标签特征,其中,第一行为标签子序列用于指示按照触发时间点执行的多个第一行为的行为类型标签,第二行为标签子序列用于指示按照触发时间点执行的多个第二行为的行为类型标签,行为标签特征用于指示第一行为标签子序列及第二行为标签子序列的相关度;第三获取单元,用于利用目标行为集合中在目标时间段内被触发且按触发时间点排序的第一行为与第二行为构建行为关系序列,并根据行为关系序列获取行为关系特征,其中,行为关系特征用于指示行为关系序列中至少两个连续行为之间的相关度;第四获取单元,用于根据行为标签特征与行为关系特征,获取第一账号与第二账号之间的关系指示系数;第一确定单元,用于将关系指示系数中最大值所指示的目标社交关系,确定为第一账号与第二账号之间的社交关系。
可选的,目标时间可以但不限于为关键时间,例如情人节当天、父亲节当天、账号用户生日当天等,也可以但不限于为关键时间的前后时间,如情人节前一天、父亲节前一天、账号用户生日前一天等。可选的,例如抓取关键时间前后的红包、转账等数据信息;
具体实施例可以参考上述社交关系的获取方法中所示示例,本示例中在此不再赘述。
通过本申请提供的实施例,获取目标行为集合,其中,目标行为集合包括目标应用中第一账号在目标时间内触发的多个第一行为、目标应用中第二账号在目标时间内触发的多个第二行为,以及各行为的触发时间点;利用与多个第一行为对应的第一行为标签子序列,及与多个第二行为对应的第二行为标签子序列构建行为标签序列,并根据行为标签序列获取行为标签特征,其中,第一行为标签子序列用于指示按照触发时间点执行的多个第一行为的行为类型标签,第二行为标签子序列用于指示按照触发时间点执行的多个第二行为的行为类型标签,行为标签特征用于指示第一行为标签子序列及第二行为标签子序列的相关度;利用目标行为集合中在目标时间段内被触发且按触发时间点排序的第一行为与第二行为构建行为关系序列,并根据行为关系序列获取行为关系特征,其中,行为关系特征用于指示行为关系序列中至少两个连续行为之间的相关度;根据行为标签特征与行为关系特征,获取第一账号与第二账号之间的关系指示系数;将关系指示系数中最大值所指示的目标社交关系,确定为第一账号与第二账号之间的社交关系,通过用于指示多种类型相关度的行为特征,以达到获取更加准确的社交关系的目的,从而实现了提高社交关系的获取准确性的效果。
作为一种可选的方案,第二获取单元1204包括:
第一比对模块,用于将第一行为子序列与第二行为子序列进行比对,以得到N个标签前缀,其中,标签前缀包括满足最小支持条件的至少一个行为标签;
第一获取模块,用于根据N个标签前缀,获取N个行为标签子序列,其中,N个行为标签子序列用于构建行为标签序列。
具体实施例可以参考上述社交关系的获取方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,第二获取单元1204包括:
重复模块,用于将第一行为子序列作为当前行为子序列,重复执行以下步骤,直至遍历第二行为子序列;
第一确定模块,用于从当前行为子序列中确定当前行为标签;
第二比对模块,用于将当前行为标签与第二行为子序列中的每个行为标签依次进行比对;
第三比对模块,用于在第二行为子序列中存在与当前行为标签相同的行为标签的情况下,将当前行为标签作为标签前缀;
第二确定模块,用于在第二行为子序列中不存在与当前行为标签相同的行为标签的情况下,将从当前行为子序列中获取下一个行为标签作为当前行为标签。
具体实施例可以参考上述社交关系的获取方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,第三获取单元1206包括:
编码模块,用于将目标行为集合中在目标时间段内的第一行为与第二行为进行编码,获得多个行为编码;
排序模块,用于根据触发时间点,对多个行为编码进行排序。
具体实施例可以参考上述社交关系的获取方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,第二获取单元包括:第一输入模块,用于将行为标签序列输入第一神经网络;第二获取模块,用于获取第一神经网络输出的行为标签特征,其中,第一神经网络用于捕捉输入序列中各个行为元素的关联特征;
第三获取单元包括:第二输入模块,用于将行为关系序列输入第一神经网络;第三获取模块,用于获取第一神经网络输出的行为关系特征。
具体实施例可以参考上述社交关系的获取方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,第四获取单元1208包括:
第一输入单元,用于将目标行为特征输入第二神经网络,其中,目标行为特征用于表示行为标签特征与行为关系特征;
第五获取单元,用于获取第二神经网络的输出结果,其中,输出结果用于指示关系指示系数。
具体实施例可以参考上述社交关系的获取方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,包括:
第六获取单元,用于在获取目标行为集合之前,获取多个样本行为集合,其中,样本行为集合中至少包括目标应用中,同为样本社会关系的第一样本账号与第二样本账号在目标样本时间内分别触发的多个第一样本行为以及多个第二样本行为,以及各样本行为的样本触发时间点;
执行单元,用于在获取目标行为集合之前,依次将每个样本行为集合作为当前样本行为集合执行以下操作,直至达到收敛条件;
第六获取单元,用于在获取目标行为集合之前,利用与多个第一样本行为对应的第一样本行为标签子序列,及与多个第二样本行为对应的第二样本行为标签子序列构建样本行为标签序列,并根据样本行为标签序列获取样本行为标签特征;
第七获取单元,用于利用当前样本行为集合中在目标时间段内被触发且按样本触发时间点排序的第一样本行为与第二样本行为构建样本行为关系序列,并根据样本行为关系序列获取样本行为关系特征;
第二输入单元,用于将目标样本行为特征输入当前的第二神经网络,其中,目标样本行为特征为样本行为标签特征与样本行为关系特征;
第八获取单元,用于获取第二神经网络的当前输出结果,其中,当前输出结果包括第一样本账号与第二样本账号为第三社交关系的第三概率,以及第一样本账号与第二样本账号为其他社交关系的第四概率;
第二确定单元,用于在当前输出结果达到收敛条件的情况下,确定当前的第二神经网络为训练好的第二神经网络。
具体实施例可以参考上述社交关系的获取方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,
具体实施例可以参考上述社交关系的获取方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,包括:
第三输入单元,用于在将目标行为特征输入第二神经网络之前,将第一行为特征与第二行为特征输入第三神经网络;
抽取单元,用于在将目标行为特征输入第二神经网络之前,通过第三神经网络对行为标签特征与行为关系特征执行深度抽取操作,获得第一深度行为特征与第二深度行为特征;
融合单元,用于在将目标行为特征输入第二神经网络之前,对第一深度行为特征与第二深度行为特征执行融合操作,获得目标行为特征。
具体实施例可以参考上述社交关系的获取方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,包括:
发送单元,用于在将关系指示系数中最大值所指示的目标社交关系,确定为第一账号与第二账号之间的社交关系之后,发送广告信息至第一账号与第二账号,其中,广告信息用于显示与目标社会关系相关的产品推荐信息。
具体实施例可以参考上述社交关系的获取方法中所示示例,本示例中在此不再赘述。
根据本发明实施例的又一个方面,还提供了一种用于实施上述社交关系的获取方法的电子装置,如图13所示,该电子装置包括存储器1302和处理器1304,该存储器1302中存储有计算机程序,该处理器1304被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取目标行为集合,其中,目标行为集合包括目标应用中第一账号在目标时间内触发的多个第一行为、目标应用中第二账号在目标时间内触发的多个第二行为,以及各行为的触发时间点;
S2,利用与多个第一行为对应的第一行为标签子序列,及与多个第二行为对应的第二行为标签子序列构建行为标签序列,并根据行为标签序列获取行为标签特征,其中,第一行为标签子序列用于指示按照触发时间点执行的多个第一行为的行为类型标签,第二行为标签子序列用于指示按照触发时间点执行的多个第二行为的行为类型标签,行为标签特征用于指示第一行为标签子序列及第二行为标签子序列的相关度;
S3,利用目标行为集合中在目标时间段内被触发且按触发时间点排序的第一行为与第二行为构建行为关系序列,并根据行为关系序列获取行为关系特征,其中,行为关系特征用于指示行为关系序列中至少两个连续行为之间的相关度;
S4,根据行为标签特征与行为关系特征,获取第一账号与第二账号之间的关系指示系数;
S5,将关系指示系数中最大值所指示的目标社交关系,确定为第一账号与第二账号之间的社交关系。
可选地,本领域普通技术人员可以理解,图13所示的结构仅为示意,电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图13其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图13中所示更多或者更少的组件(如网络接口等),或者具有与图13所示不同的配置。
其中,存储器1302可用于存储软件程序以及模块,如本发明实施例中的社交关系的获取方法和装置对应的程序指令/模块,处理器1304通过运行存储在存储器1302内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的社交关系的获取方法。存储器1302可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1302可进一步包括相对于处理器1304远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器1302具体可以但不限于用于存储行为标签特征、行为关系特征以及关系指示系数等信息。作为一种示例,如图13所示,上述存储器1302中可以但不限于包括上述社交关系的获取装置中的第一获取单元1202、第二获取单元1204、第三获取单元1206、第四获取单元1208及调整单元第一确定单元1210。此外,还可以包括但不限于上述社交关系的获取装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置1306用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1306包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置1306为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子装置还包括:显示器1308,用于显示上述标签特征、行为关系特征以及关系指示系数等信息;和连接总线1310,用于连接上述电子装置中的各个模块部件。
根据本发明的实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取目标行为集合,其中,目标行为集合包括目标应用中第一账号在目标时间内触发的多个第一行为、目标应用中第二账号在目标时间内触发的多个第二行为,以及各行为的触发时间点;
S2,利用与多个第一行为对应的第一行为标签子序列,及与多个第二行为对应的第二行为标签子序列构建行为标签序列,并根据行为标签序列获取行为标签特征,其中,第一行为标签子序列用于指示按照触发时间点执行的多个第一行为的行为类型标签,第二行为标签子序列用于指示按照触发时间点执行的多个第二行为的行为类型标签,行为标签特征用于指示第一行为标签子序列及第二行为标签子序列的相关度;
S3,利用目标行为集合中在目标时间段内被触发且按触发时间点排序的第一行为与第二行为构建行为关系序列,并根据行为关系序列获取行为关系特征,其中,行为关系特征用于指示行为关系序列中至少两个连续行为之间的相关度;
S4,根据行为标签特征与行为关系特征,获取第一账号与第二账号之间的关系指示系数;
S5,将关系指示系数中最大值所指示的目标社交关系,确定为第一账号与第二账号之间的社交关系。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上仅是本发明的优选实施方式,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 (15)
1.一种社交关系的获取方法,其特征在于,包括:
获取目标行为集合,其中,所述目标行为集合包括目标应用中第一账号在目标时间内触发的多个第一行为、所述目标应用中第二账号在所述目标时间内触发的多个第二行为,以及各行为的触发时间点;
利用与所述多个第一行为对应的第一行为标签子序列,及与所述多个第二行为对应的第二行为标签子序列构建行为标签序列,并根据所述行为标签序列获取行为标签特征,其中,所述第一行为标签子序列用于指示按照所述触发时间点执行的所述多个第一行为的行为类型标签,所述第二行为标签子序列用于指示按照所述触发时间点执行的所述多个第二行为的行为类型标签,所述行为标签特征用于指示所述第一行为标签子序列及所述第二行为标签子序列的相关度;
利用所述目标行为集合中在目标时间段内被触发且按所述触发时间点排序的所述第一行为与所述第二行为构建行为关系序列,并根据所述行为关系序列获取行为关系特征,其中,所述行为关系特征用于指示所述行为关系序列中至少两个连续行为之间的相关度;
根据所述行为标签特征与所述行为关系特征,获取所述第一账号与所述第二账号之间的关系指示系数;
将所述关系指示系数中最大值所指示的目标社交关系,确定为所述第一账号与所述第二账号之间的社交关系。
2.根据权利要求1所述的方法,其特征在于,利用与所述多个第一行为对应的第一行为标签子序列,及与所述多个第二行为对应的第二行为标签子序列构建行为标签序列包括:
将第一行为子序列与所述第二行为子序列进行比对,以得到N个标签前缀,其中,所述标签前缀包括满足最小支持条件的至少一个所述行为标签;
根据N个所述标签前缀,获取N个行为标签子序列,其中,所述N个行为标签子序列用于构建所述行为标签序列。
3.根据权利要求2所述的方法,其特征在于,利用与所述多个第一行为对应的第一行为标签子序列,及与所述多个第二行为对应的第二行为标签子序列构建行为标签序列包括:
将所述第一行为子序列作为当前行为子序列,重复执行以下步骤,直至遍历所述第二行为子序列;
从所述当前行为子序列中确定当前行为标签;
将所述当前行为标签与所述第二行为子序列中的每个行为标签依次进行比对;
在所述第二行为子序列中存在与所述当前行为标签相同的行为标签的情况下,将所述当前行为标签作为所述标签前缀;
在所述第二行为子序列中不存在与所述当前行为标签相同的行为标签的情况下,将从所述当前行为子序列中获取下一个行为标签作为所述当前行为标签。
4.根据权利要求1所述的方法,其特征在于,所述利用所述目标行为集合中在目标时间段内被触发且按所述触发时间点排序的所述第一行为与所述第二行构建行为关系序列包括:
将所述目标行为集合中在目标时间段内的所述第一行为与所述第二行为进行编码,获得多个行为编码;
根据所述触发时间点,对所述多个行为编码进行排序。
5.根据权利要求1所述的方法,其特征在于,
所述根据所述行为标签序列获取行为标签特征包括:将所述行为标签序列输入第一神经网络;获取所述第一神经网络输出的所述行为标签特征,其中,所述第一神经网络用于捕捉输入序列中各个行为元素的关联特征;
根据所述行为关系序列获取行为关系特征包括:将所述行为关系序列输入所述第一神经网络;获取所述第一神经网络输出的所述行为关系特征。
6.根据权利要求1所述的方法,其特征在于,根据所述行为标签特征与所述行为关系特征,获取所述第一账号与所述第二账号之间的关系指示系数包括:
将目标行为特征输入第二神经网络,其中,所述目标行为特征用于表示所述行为标签特征与所述行为关系特征;
获取所述第二神经网络的输出结果,其中,所述输出结果用于指示所述关系指示系数。
7.根据权利要求6所述的方法,其特征在于,在所述获取目标行为集合之前,包括:
获取多个样本行为集合,其中,所述样本行为集合中至少包括所述目标应用中,同为样本社会关系的第一样本账号与第二样本账号在目标样本时间内分别触发的多个第一样本行为以及多个第二样本行为,以及各样本行为的样本触发时间点;
依次将每个所述样本行为集合作为当前样本行为集合执行以下操作,直至达到收敛条件;
利用与所述多个第一样本行为对应的第一样本行为标签子序列,及与所述多个第二样本行为对应的第二样本行为标签子序列构建样本行为标签序列,并根据所述样本行为标签序列获取样本行为标签特征;
利用所述当前样本行为集合中在所述目标时间段内被触发且按所述样本触发时间点排序的所述第一样本行为与所述第二样本行为构建样本行为关系序列,并根据所述样本行为关系序列获取样本行为关系特征;
将目标样本行为特征输入当前的所述第二神经网络,其中,所述目标样本行为特征为所述样本行为标签特征与所述样本行为关系特征;
获取所述第二神经网络的当前输出结果,其中,所述当前输出结果包括所述第一样本账号与所述第二样本账号为第三社交关系的第三概率,以及所述第一样本账号与所述第二样本账号为其他社交关系的第四概率;
在所述当前输出结果达到收敛条件的情况下,确定当前的所述第二神经网络为训练好的所述第二神经网络。
8.根据权利要求6所述的方法,其特征在于,在所述将目标行为特征输入第二神经网络之前,包括:
将所述第一行为特征与所述第二行为特征输入第三神经网络;
通过所述第三神经网络对所述行为标签特征与所述行为关系特征执行深度抽取操作,获得第一深度行为特征与第二深度行为特征;
对所述第一深度行为特征与所述第二深度行为特征执行融合操作,获得所述目标行为特征。
9.根据权利要求1所述的方法,其特征在于,在所述将所述关系指示系数中最大值所指示的目标社交关系,确定为所述第一账号与所述第二账号之间的社交关系之后,包括:
发送广告信息至所述第一账号与所述第二账号,其中,所述广告信息用于显示与所述目标社会关系相关的产品推荐信息。
10.一种社交关系的获取装置,其特征在于,包括:
第一获取单元,用于获取目标行为集合,其中,所述目标行为集合包括目标应用中第一账号在目标时间内触发的多个第一行为、所述目标应用中第二账号在所述目标时间内触发的多个第二行为,以及各行为的触发时间点;
第二获取单元,用于利用与所述多个第一行为对应的第一行为标签子序列,及与所述多个第二行为对应的第二行为标签子序列构建行为标签序列,并根据所述行为标签序列获取行为标签特征,其中,所述第一行为标签子序列用于指示按照所述触发时间点执行的所述多个第一行为的行为类型标签,所述第二行为标签子序列用于指示按照所述触发时间点执行的所述多个第二行为的行为类型标签,所述行为标签特征用于指示所述第一行为标签子序列及所述第二行为标签子序列的相关度;
第三获取单元,用于利用所述目标行为集合中在目标时间段内被触发且按所述触发时间点排序的所述第一行为与所述第二行为构建行为关系序列,并根据所述行为关系序列获取行为关系特征,其中,所述行为关系特征用于指示所述行为关系序列中至少两个连续行为之间的相关度;
第四获取单元,用于根据所述行为标签特征与所述行为关系特征,获取所述第一账号与所述第二账号之间的关系指示系数;
第一确定单元,用于将所述关系指示系数中最大值所指示的目标社交关系,确定为所述第一账号与所述第二账号之间的社交关系。
11.根据权利要求10所述的装置,其特征在于,所述第二获取单元包括:
第一比对模块,用于将第一行为子序列与所述第二行为子序列进行比对,以得到N个标签前缀,其中,所述标签前缀包括满足最小支持条件的至少一个所述行为标签;
第一获取模块,用于根据N个所述标签前缀,获取N个行为标签子序列,其中,所述N个行为标签子序列用于构建所述行为标签序列。
12.根据权利要求11所述的装置,其特征在于,所述第二获取单元包括:
重复模块,用于将所述第一行为子序列作为当前行为子序列,重复执行以下步骤,直至遍历所述第二行为子序列;
第一确定模块,用于从所述当前行为子序列中确定当前行为标签;
第二比对模块,用于将所述当前行为标签与所述第二行为子序列中的每个行为标签依次进行比对;
第三比对模块,用于在所述第二行为子序列中存在与所述当前行为标签相同的行为标签的情况下,将所述当前行为标签作为所述标签前缀;
第二确定模块,用于在所述第二行为子序列中不存在与所述当前行为标签相同的行为标签的情况下,将从所述当前行为子序列中获取下一个行为标签作为所述当前行为标签。
13.根据权利要求10所述的装置,其特征在于,所述第三获取单元包括:
编码模块,用于将所述目标行为集合中在目标时间段内的所述第一行为与所述第二行为进行编码,获得多个行为编码;
排序模块,用于根据所述触发时间点,对所述多个行为编码进行排序。
14.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至9任一项中所述的方法。
15.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至9任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010780677.7A CN111652451B (zh) | 2020-08-06 | 2020-08-06 | 社交关系的获取方法和装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010780677.7A CN111652451B (zh) | 2020-08-06 | 2020-08-06 | 社交关系的获取方法和装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652451A true CN111652451A (zh) | 2020-09-11 |
CN111652451B CN111652451B (zh) | 2020-12-01 |
Family
ID=72348683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010780677.7A Active CN111652451B (zh) | 2020-08-06 | 2020-08-06 | 社交关系的获取方法和装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652451B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707990A (zh) * | 2022-03-23 | 2022-07-05 | 支付宝(杭州)信息技术有限公司 | 一种用户行为模式的识别方法和装置 |
WO2022262561A1 (zh) * | 2021-06-17 | 2022-12-22 | 腾讯科技(深圳)有限公司 | 多媒体资源的处理方法、装置、设备及存储介质 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103119620A (zh) * | 2008-10-25 | 2013-05-22 | 高智83基金会有限责任公司 | 基于推测的社会关系的行为建议 |
US20130218687A1 (en) * | 2012-02-17 | 2013-08-22 | Graphdive, Inc. | Methods, systems and devices for determining a user interest and/or characteristic by employing a personalization engine |
CN104462592A (zh) * | 2014-12-29 | 2015-03-25 | 东北大学 | 基于不确定语义的社交网用户行为关系推演系统及方法 |
CN104809132A (zh) * | 2014-01-27 | 2015-07-29 | 阿里巴巴集团控股有限公司 | 一种获取网络主体社交关系类型的方法及装置 |
CN104850567A (zh) * | 2014-02-19 | 2015-08-19 | 阿里巴巴集团控股有限公司 | 一种识别网络用户之间关联关系的方法和装置 |
US20160292163A1 (en) * | 2015-03-31 | 2016-10-06 | Linkedln Corporation | Proactive identification of content items for a member of a social network |
US20160292600A1 (en) * | 2015-03-30 | 2016-10-06 | International Business Machines Corporation | Generation of social business insights by fractal analysis |
US20160371792A1 (en) * | 2014-03-10 | 2016-12-22 | Huawei Technologies Co., Ltd. | Method and Apparatus for Mining Social Relationship Based on Financial Data |
CN106326345A (zh) * | 2016-08-08 | 2017-01-11 | 浙江工业大学 | 一种基于用户行为的社交网络中朋友关系挖掘方法 |
CN106372072A (zh) * | 2015-07-20 | 2017-02-01 | 北京大学 | 一种基于位置的移动社会网络用户关系的识别方法 |
CN107220899A (zh) * | 2016-03-21 | 2017-09-29 | 阿里巴巴集团控股有限公司 | 社交网络构建、信息推荐方法、装置及服务器 |
CN107423406A (zh) * | 2017-07-27 | 2017-12-01 | 电子科技大学 | 一种校园学生关系网络的构建方法 |
CN107909038A (zh) * | 2017-11-16 | 2018-04-13 | 北京邮电大学 | 一种社交关系分类模型训练方法、装置、电子设备及介质 |
CN108280115A (zh) * | 2017-10-24 | 2018-07-13 | 腾讯科技(深圳)有限公司 | 识别用户关系的方法及装置 |
CN108280458A (zh) * | 2017-01-05 | 2018-07-13 | 腾讯科技(深圳)有限公司 | 群体关系类型识别方法及装置 |
CN109241241A (zh) * | 2018-08-20 | 2019-01-18 | 电信科学技术第五研究所有限公司 | 一种基于通信数据的移动用户关系类型识别方法 |
CN109299198A (zh) * | 2018-10-12 | 2019-02-01 | 元力云网络有限公司 | 一种基于多维数据的社交关系分析方法 |
CN109544396A (zh) * | 2019-01-10 | 2019-03-29 | 腾讯科技(深圳)有限公司 | 账号推荐方法、装置、服务器、终端及存储介质 |
CN109829485A (zh) * | 2019-01-08 | 2019-05-31 | 科大国创软件股份有限公司 | 一种基于移动通信数据的用户关系挖掘方法及系统 |
CN110033353A (zh) * | 2019-04-15 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 用户对象推荐方法、装置、计算机可读存储介质和计算机设备 |
CN110598122A (zh) * | 2018-06-13 | 2019-12-20 | 百度在线网络技术(北京)有限公司 | 社交群体挖掘方法、装置、设备及存储介质 |
-
2020
- 2020-08-06 CN CN202010780677.7A patent/CN111652451B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103119620A (zh) * | 2008-10-25 | 2013-05-22 | 高智83基金会有限责任公司 | 基于推测的社会关系的行为建议 |
US20130218687A1 (en) * | 2012-02-17 | 2013-08-22 | Graphdive, Inc. | Methods, systems and devices for determining a user interest and/or characteristic by employing a personalization engine |
CN104809132A (zh) * | 2014-01-27 | 2015-07-29 | 阿里巴巴集团控股有限公司 | 一种获取网络主体社交关系类型的方法及装置 |
CN104850567A (zh) * | 2014-02-19 | 2015-08-19 | 阿里巴巴集团控股有限公司 | 一种识别网络用户之间关联关系的方法和装置 |
US20160371792A1 (en) * | 2014-03-10 | 2016-12-22 | Huawei Technologies Co., Ltd. | Method and Apparatus for Mining Social Relationship Based on Financial Data |
CN104462592A (zh) * | 2014-12-29 | 2015-03-25 | 东北大学 | 基于不确定语义的社交网用户行为关系推演系统及方法 |
US20160292600A1 (en) * | 2015-03-30 | 2016-10-06 | International Business Machines Corporation | Generation of social business insights by fractal analysis |
US20160292163A1 (en) * | 2015-03-31 | 2016-10-06 | Linkedln Corporation | Proactive identification of content items for a member of a social network |
CN106372072A (zh) * | 2015-07-20 | 2017-02-01 | 北京大学 | 一种基于位置的移动社会网络用户关系的识别方法 |
CN107220899A (zh) * | 2016-03-21 | 2017-09-29 | 阿里巴巴集团控股有限公司 | 社交网络构建、信息推荐方法、装置及服务器 |
CN106326345A (zh) * | 2016-08-08 | 2017-01-11 | 浙江工业大学 | 一种基于用户行为的社交网络中朋友关系挖掘方法 |
CN108280458A (zh) * | 2017-01-05 | 2018-07-13 | 腾讯科技(深圳)有限公司 | 群体关系类型识别方法及装置 |
CN107423406A (zh) * | 2017-07-27 | 2017-12-01 | 电子科技大学 | 一种校园学生关系网络的构建方法 |
CN108280115A (zh) * | 2017-10-24 | 2018-07-13 | 腾讯科技(深圳)有限公司 | 识别用户关系的方法及装置 |
CN107909038A (zh) * | 2017-11-16 | 2018-04-13 | 北京邮电大学 | 一种社交关系分类模型训练方法、装置、电子设备及介质 |
CN110598122A (zh) * | 2018-06-13 | 2019-12-20 | 百度在线网络技术(北京)有限公司 | 社交群体挖掘方法、装置、设备及存储介质 |
CN109241241A (zh) * | 2018-08-20 | 2019-01-18 | 电信科学技术第五研究所有限公司 | 一种基于通信数据的移动用户关系类型识别方法 |
CN109299198A (zh) * | 2018-10-12 | 2019-02-01 | 元力云网络有限公司 | 一种基于多维数据的社交关系分析方法 |
CN109829485A (zh) * | 2019-01-08 | 2019-05-31 | 科大国创软件股份有限公司 | 一种基于移动通信数据的用户关系挖掘方法及系统 |
CN109544396A (zh) * | 2019-01-10 | 2019-03-29 | 腾讯科技(深圳)有限公司 | 账号推荐方法、装置、服务器、终端及存储介质 |
CN110033353A (zh) * | 2019-04-15 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 用户对象推荐方法、装置、计算机可读存储介质和计算机设备 |
Non-Patent Citations (3)
Title |
---|
S.LATIF等: "Correlations and Associations Analysis for Identification and Prediction of Relationships and Their Activeness", 《2006 2ND INTERNATIONAL CONFERENCE ON INFORMATION & COMMUNICATION TECHNOLOGIES》 * |
YIZHOU SUN等: "Co-author Relationship Prediction in Heterogeneous Bibliographic Networks", 《2011 INTERNATIONAL CONFERENCE ON ADVANCES IN SOCIAL NETWORKS ANALYSIS AND MINING》 * |
赵姝: "社交关系挖掘研究综述", 《计算机学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022262561A1 (zh) * | 2021-06-17 | 2022-12-22 | 腾讯科技(深圳)有限公司 | 多媒体资源的处理方法、装置、设备及存储介质 |
CN114707990A (zh) * | 2022-03-23 | 2022-07-05 | 支付宝(杭州)信息技术有限公司 | 一种用户行为模式的识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111652451B (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10460353B2 (en) | Real-time cross-device user category synchronization in an advertising campaign | |
CN108280115B (zh) | 识别用户关系的方法及装置 | |
JP5702374B2 (ja) | ソーシャルネットワーキングサービスにおけるコネクションについての情報の収集 | |
US10521818B2 (en) | Extending audience reach in messaging campaigns using super profiles | |
CN112115367B (zh) | 基于融合关系网络的信息推荐方法、装置、设备和介质 | |
CN109906451A (zh) | 使用多义码的相似性搜索 | |
CN111079015B (zh) | 一种推荐方法、装置、计算机设备和存储介质 | |
CN107545451B (zh) | 一种广告推送方法及装置 | |
CN110598103B (zh) | 一种内容聚合方法、装置、计算机设备和存储介质 | |
CN104063383A (zh) | 信息推荐方法及装置 | |
CN108369709A (zh) | 基于网络的广告数据业务时延减小 | |
CN111652451B (zh) | 社交关系的获取方法和装置及存储介质 | |
CN103109273B (zh) | 用于管理数据的方法和装置 | |
US8856249B2 (en) | Method and system for email sequence identification | |
CN112559896B (zh) | 信息推荐方法、装置、设备及计算机可读存储介质 | |
CN110008999B (zh) | 目标帐号的确定方法、装置、存储介质及电子装置 | |
CN107527274A (zh) | 信息推荐平台、装置、系统、方法和终端 | |
CN112989169B (zh) | 目标对象识别方法、信息推荐方法、装置、设备及介质 | |
US20160012130A1 (en) | Aiding composition of themed articles about popular and novel topics and offering users a navigable experience of associated content | |
CN103827895A (zh) | 实体指纹 | |
CN110399564B (zh) | 帐号分类方法和装置、存储介质及电子装置 | |
US9367624B2 (en) | Identity workflow that utilizes multiple storage engines to support various lifecycles | |
US20130282493A1 (en) | Non-unique identifier for a group of mobile users | |
CN114398973B (zh) | 一种媒体内容标签识别方法、装置、设备及存储介质 | |
Xhafa et al. | Modeling and processing for next-generation Big-Data technologies |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40028587 Country of ref document: HK |