CN112328865B - 信息处理和推荐方法、装置、设备及存储介质 - Google Patents

信息处理和推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112328865B
CN112328865B CN201910703743.8A CN201910703743A CN112328865B CN 112328865 B CN112328865 B CN 112328865B CN 201910703743 A CN201910703743 A CN 201910703743A CN 112328865 B CN112328865 B CN 112328865B
Authority
CN
China
Prior art keywords
user
social
target
account
user account
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
CN201910703743.8A
Other languages
English (en)
Other versions
CN112328865A (zh
Inventor
占恺峤
郑东
周亮
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.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology 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 Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN201910703743.8A priority Critical patent/CN112328865B/zh
Publication of CN112328865A publication Critical patent/CN112328865A/zh
Application granted granted Critical
Publication of CN112328865B publication Critical patent/CN112328865B/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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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

Landscapes

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

Abstract

本公开关于一种信息处理和推荐方法、装置、设备及存储介质；其中的信息处理方法包括：收到客户端发送的信息推荐请求时，确定所述客户端绑定的目标账号的第一社交关系用户集、以及所述第一社交关系用户集的用户账号的第二社交关系用户集；确定所述目标账号与所述第一社交关系用户集的用户账号的第一互动参数、以及第一社交关系用户集的用户账号与第二社交关系用户集的用户账号的第二互动参数；根据所述第一互动参数和所述第二互动参数确定所述目标账号与所述第二社交关系用户集的用户账户的目标互动参数；根据所述目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集。

Description

信息处理和推荐方法、装置、设备及存储介质
技术领域
本公开涉及计算机技术，尤其涉及一种信息处理和推荐方法、装置、设备及存储介质。
背景技术
推荐系统是为解决信息过载问题而提出的一种服务系统，能从大量信息中选择出符合用户兴趣偏好的资源向用户进行推荐，已被广泛应用于各种领域，如视频推荐、新闻推荐、文章推荐、商品推荐等。
相关技术中，推荐系统一般包括召回阶段和排序阶段。在召回阶段中，推荐系统根据用户在某些维度的兴趣偏好，在大量信息中进行一次粗筛选，以从大量信息中筛选出一个较小的候选集；在排序阶段中，推荐系统根据用户对信息的偏好程度，对在召回阶段中筛选得到的候选集的信息进行排序后推荐给用户。
但其中，推荐系统在召回阶段采用的召回方式只能依赖于用户兴趣偏好或需求来进行信息筛选，筛选得到的信息更多反映的是用户兴趣维度。因此，相关技术的召回方式较为单一，无法为用户筛选到更多维度的信息。
发明内容
本公开提供一种信息处理和推荐方法、装置、设备及存储介质，以至少解决相关技术中无法为用户筛选得到更多维度的信息的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种信息处理方法，包括：
收到客户端发送的信息推荐请求时，确定所述客户端绑定的目标账号的第一社交关系用户集、以及所述第一社交关系用户集的用户账号的第二社交关系用户集；
确定所述目标账号与所述第一社交关系用户集的用户账号的第一互动参数、以及第一社交关系用户集的用户账号与第二社交关系用户集的用户账号的第二互动参数；所述第一互动参数和所述第二互动参数基于用户账号与用户账号之间的社交行为数据获得；
根据所述第一互动参数和所述第二互动参数确定所述目标账号与所述第二社交关系用户集的用户账户的目标互动参数；
根据所述目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集。
根据本公开实施例的第二方面，提供一种信息推荐方法，包括：
收到客户端发送的信息推荐请求时，确定所述客户端绑定的目标账号的第一社交关系用户集、以及所述第一社交关系用户集的用户账号的第二社交关系用户集；
确定所述目标账号与所述第一社交关系用户集的用户账号的第一互动参数、以及第一社交关系用户集的用户账号与第二社交关系用户集的用户账号的第二互动参数；所述第一互动参数和所述第二互动参数基于用户账号与用户账号之间的社交行为数据获得；
根据所述第一互动参数和所述第二互动参数确定所述目标账号与所述第二社交关系用户集的用户账号的目标互动参数；
根据所述目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集；
对所述候选作品集进行排序处理以确定目标召回作品集；
向所述目标账号推荐所述目标召回作品集。
根据本公开实施例的第三方面，提供一种信息处理装置，包括：
第一确定模块，被配置为在收到客户端发送的信息推荐请求时，确定所述客户端绑定的目标账号的第一社交关系用户集、以及所述第一社交关系用户集的用户账号的第二社交关系用户集；
第二确定模块，被配置为确定所述目标账号与所述第一社交关系用户集的用户账号的第一互动参数、以及第一社交关系用户集的用户账号与第二社交关系用户集的用户账号的第二互动参数；所述第一互动参数和所述第二互动参数基于用户账号与用户账号之间的社交行为数据获得；
计算模块，被配置为根据所述第一互动参数和所述第二互动参数确定所述目标账号与所述第二社交关系用户集的用户账号的目标互动参数；
筛选模块，被配置为根据所述目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集。
根据本公开实施例的第四方面，提供一种信息推荐装置，包括：
第一确定模块，被配置为在收到客户端发送的信息推荐请求时，确定所述客户端绑定的目标账号的第一社交关系用户集、以及所述第一社交关系用户集的用户账号的第二社交关系用户集；
第二确定模块，被配置为确定所述目标账号与所述第一社交关系用户集的用户账号的第一互动参数、以及第一社交关系用户集的用户账号与第二社交关系用户集的用户账号的第二互动参数；所述第一互动参数和所述第二互动参数基于用户账号与用户账号之间的社交行为数据获得；
计算模块，被配置为根据所述第一互动参数和所述第二互动参数确定所述目标账号与所述第二社交关系用户集的用户账号的目标互动参数；
筛选模块，被配置为根据所述目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集；
排序模块，被配置为对所述候选作品集进行排序处理以确定目标召回作品集；
推荐模块，被配置为向所述目标账号推荐所述目标召回作品集。
根据本公开实施例的第五方面，提供一种电子设备，包括：
处理器；
存储器，用于存储可由所述处理器执行的计算机程序；
其中，所述处理器被配置为在执行所述计算机程序时，实现所述的信息处理方法的步骤和/或所述的信息推荐方法的步骤。
根据本公开实施例的第六方面，提供一种计算机可读存储介质，当所述存储介质中的计算机程序由处理器执行时，使得所述处理器能够执行所述的信息处理方法的步骤和/或所述的信息推荐方法的步骤。
根据本公开实施例的第七方面，提供一种计算机程序产品；所述计算机程序产品包括可执行程序代码，当所述程序代码被载入处理器并由所述处理器执行时，使得所述处理器能够执行所述的信息处理方法的步骤和/或所述的信息推荐方法的步骤。
本公开的实施例提供的技术方案至少带来以下有益效果：
一方面，对于在召回阶段涉及的信息处理的技术方案，由于第二社交关系用户集中的用户账号为所述目标账号关注的用户账号所关注的用户账号，一般来说，用户与其所关注的用户之间一般存在相同的兴趣爱好，所以本公开通过从目标账号的二度关注用户账号(即所述第二社交关系用户集中的用户账号)对应的已发布的作品筛选出候选作品集，可以使得所述候选作品集不仅可以满足所述目标账号关联的用户在兴趣维度上的需求，而且还可以为所述目标账号关联的用户提供获知可能感兴趣的未知用户的途径，满足所述目标账号关联的用户在社交维度上的需求，有利于降低所述目标账号关联的用户获知兴趣关联的未知用户的难度，扩大用户社交圈。其中，通过基于目标账号与其二度关注用户账号的互动参数筛选出候选作品集，有利于提高所述目标账号关联的用户对尚未建立社交关系但在社交网络中距离很近的二度关注用户账号关联的用户进行关注的可能性，并扩充用户所在平台的社交网络和促进用户之间的社交关系的构建。
另一方面，对于信息推荐的技术方案，由于其在召回阶段采用了上述信息处理的技术方案，因此所述信息推荐的技术方案具有所述信息处理的技术方案所产生的有益技术效果，在此不进行赘述。另外，信息推荐的技术方案通过对候选作品集进行排序后筛选出向目标账号推荐用的目标召回作品集，有利于获得更加符合目标账号关联的用户所需求的作品，可以更好地扩充用户所在平台的社交网络和促进用户之间的社交关系的构建。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是本公开根据一示例性实施例示出的一种信息处理方法的流程图。
图2是本公开根据一示例性实施例示出的一种信息推荐方法的流程图。
图3是本公开根据一示例性实施例示出的一种信息处理装置的框图。
图4是本公开根据一示例性实施例示出的一种信息推荐装置的框图。
图5是本公开根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开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，以便这里描述的本公开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。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
为至少解决相关技术中无法为用户筛选得到更多维度的信息的问题，本公开实施例提出了一种信息处理方法，通过从目标账号的二度关注用户账号(即所述第二社交关系用户集中的用户账号)对应的已发布的作品筛选出候选作品集，可以使得所述候选作品集不仅可以满足所述目标账号关联的用户在兴趣维度上的需求，而且还可以为所述目标账号关联的用户提供获知可能感兴趣的未知用户的途径，满足所述目标账号关联的用户在社交维度上的需求，有利于降低所述目标账号关联的用户获知兴趣关联的未知用户的难度，扩大用户社交圈。其中，通过基于目标账号与其二度关注用户账号的互动参数筛选出候选作品集，有利于提高所述目标账号关联的用户对尚未建立社交关系但在社交网络中距离很近的二度关注用户账号关联的用户进行关注的可能性，并扩充用户所在平台的社交网络和促进用户之间的社交关系的构建。
本公开提供的所述信息处理方法可以应用于推荐系统的召回阶段，所述推荐系统可以应用于具有信息推荐功能或具有信息推荐需求的服务端中。其中，所述服务端可以包括但不限于社交平台、购物平台、新闻平台、游戏平台、阅读平台、学习平台中至少一用户平台的服务端。各用户平台可以为面向用户群体的客户端应用程序或网页平台，例如，所述社交平台可以包括以下至少之一但不限于：直播平台、微博、微信、QQ。
接下来，如图1所示，图1是本公开根据一示例性实施例示出的一种信息处理方法的流程图，所述方法可以应用于服务端，其包括以下步骤：
在步骤S11中，收到客户端发送的信息推荐请求时，确定所述客户端绑定的目标账号的第一社交关系用户集、以及所述第一社交关系用户集的用户账号的第二社交关系用户集。
在步骤S12中，确定所述目标账号与所述第一社交关系用户集的用户账号的第一互动参数、以及第一社交关系用户集的用户账号与第二社交关系用户集的用户账号的第二互动参数；所述第一互动参数和所述第二互动参数基于用户账号与用户账号之间的社交行为数据获得。
在步骤S13中，根据所述第一互动参数和所述第二互动参数确定所述目标账号与所述第二社交关系用户集的用户账户的目标互动参数。
在步骤S14中，根据所述目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集。
上述中，所述信息推荐请求可以携带有所述目标账号信息，并可由所述目标账号关联的用户在上述任一平台中对信息进行查看的操作触发，例如，在信息推荐领域，当目标账号关联的用户通过用户平台，如通过直播平台中的关注栏目下查看其所关注的用户已发布的作品或发现栏目下查看服务端推送的作品时，又如通过微博中的关注栏目下查看其所关注的用户已发布的作品或热门栏目下查看服务端推送的作品时，所产生的操作都可以触发相关平台向服务端发送信息推荐请求。所述服务端接收到所述信息推荐请求之后，可以将所述目标账号关注的所有用户账号对应的已发布作品发送给所述目标账号绑定的用户平台，除此之外，还可以将所述目标账号关注的所有用户账号所关注的用户账号对应的已发布作品发送给所述目标账号。
为实现将所述目标账号的二度关注用户账号的作品推荐给所述目标账号，在本公开实施例中，在接收到所述目标账号绑定的客户端发送的信息推荐请求时，可以先根据所述信息推荐请求携带的目标账号信息确定所述目标账号以及所述目标账号关注的所有用户账号，由此，可以将所述目标账号关注的所有用户账号保存为第一社交关系用户集。获得所述第一社交关系用户集之后，可以获取所述第一社交关系用户集的各用户账号所关注的所有用户账号，以获得第一社交关系用户集的各用户账号的第二社交关系用户集。其中，可以采用广度优先搜索的方式获得第二社交关系用户集，但本公开不限于此。
由此可知，所述第一社交关系用户集的数量可以仅为1；所述第二社交关系用户集的数量可以与所述第一社交关系用户集包含的所有用户账号的总数相同，也可以为1。
此外，为明确第一社交关系用户集中的各用户账号与第二社交关系用户集中的各用户账号之间的关注关系，还可以保存有第一社交关系用户集的各用户账号与其所关注的第二用户关系集中的用户账号之间的关注映射关系。
需要说明的是，所述第一社交关系用户集和所述第二社交关系用户集可以以集合的形式表达，也可以以表格的方式表达。另外，为方便描述，以下将第一社交关系用户集中的用户账号称为第一用户账号，将第二社交关系用户集中的用户账号称为第二用户账号。
获得所述目标账号的第一社交关系用户集、以及所述第一社交关系用户集的第一用户账号的第二社交关系用户集之后，对于每个第一用户账号，可以根据所述目标账号与所述第一用户账号之间的社交行为数据来确定所述目标账号与所述第一用户账号之间的第一互动参数。同理，对于每个第一用户账号关注的每个第二用户账号，可以根据所述第一用户账号与所述第二用户账号之间的社交行为数据来确定所述第一用户账号与所述第二用户账号之间的第二互动参数。其中的社交行为数据可以包括正向信息和负向信息中的至少一项；所述正向信息可以包括以下至少之一但不限于：点击次数、点赞次数、评论次数、交流次数；所述负向信息可以包括但不限于：讨厌次数。以下，以用户账号A针对用户账号B对应的已发布作品产生的社交行为数据为例来说明一下上述各次数的含义：
所述点击次数用于表征用户账号A观看用户账号B的作品的总次数。所述点赞次数可以为以下其中一项或以下两项的和或加权和：所述用户账号A的收藏夹中所包含的用户账号B的作品的数量、用户账号B的作品中关联有用于表征用户账号A对作品表示认同或喜欢的标记的作品的数量。所述评论次数用于表征用户账号A针对用户账号B的作品向用户账号B发送过的评论信息的总条数。所述交流次数用于表征用户账号A针对用户账号B的作品在当前登录平台上与用户账号B建立通信的次数或向用户账号B发送的聊天消息的总条数。所述讨厌次数可以为以下其中一项或以下两项的和或加权和：用户账号A对已收藏的用户账号B的作品执行取消收藏操作的总次数、用户账号B的作品中关联有用于表征用户账号A对作品表示不认同或讨厌的标记的作品的数量。
基于此，在一实施例中，本公开提供了一种第一互动参数和第二互动参数的确定方式，如下：
所述步骤S12中，对于所述第一社交关系用户集的每个第一用户账号，所述第一互动参数的确定过程包括：
在步骤S1211中，根据所述目标账号针对所述第一用户账号对应的已发布作品产生的社交行为数据，计算得到对应的第一互动参数。
所述步骤S12中，对于所述第一社交关系用户集的每个第一用户账号，所述第二互动参数的确定过程包括：
在步骤S1212中，对于所述第一用户账号的第二社交关系用户集的每个第二用户账号，根据所述第一用户账号针对所述第二用户账号对应的已发布作品产生的社交行为数据，计算得到对应的第二互动参数。
所述步骤S1211中，可以依据所述目标账号针对所述第一用户账号对应的已发布作品产生的正向信息和负向信息中的至少一项，计算得到对应的第一互动参数。其中，在一示例中，可以仅基于正向信息计算第一互动参数，例如，可以直接将正向信息中任一项的值或任几项的值的总和作为第一互动参数，也可以将正向信息中任几项的值的加权和作为第一互动参数；在另一示例中，可以仅基于负向信息计算第一互动参数，例如，可以直接将负向信息的值，即所述讨厌次数的值作为第一互动参数。但是，上述任一种计算第一互动参数的方式会导致计算得到的第一互动参数只能正面或反面反映用户账号与用户账号的亲密程度，客观性比较欠缺，因此，为了解决这一技术问题，以更全面地反映用户账号与用户账号的亲密程度，获得一个较为合理的第一互动参数，在又一示例中，可以结合正向信息和负向信息计算第一互动参数，例如，可以将正向信息中任一项的值或任一项的值的总和与负向信息的值之差，作为第一互动参数；也可以计算正向信息中任几项的值的加权和、以及负向信息的值与预设权重之积，然后将所述加权和和所述负向信息的值与预设权重之积的差值作为第一互动参数。
同理，所述步骤S1212中，可以依据所述第一用户账号针对所述第二用户账号对应的已发布作品产生的正向信息和负向信息中的至少一项，计算得到对应的第二互动参数。其中，在一示例中，可以仅基于正向信息计算第二互动参数，例如，可以直接将正向信息中任一项的值或任几项的值的总和作为第二互动参数，也可以将正向信息中任几项的值的加权和作为第二互动参数；在另一示例中，可以仅基于负向信息计算第二互动参数，例如，可以直接将负向信息的值，即所述讨厌次数的值作为第二互动参数。但是，上述任一种计算第二互动参数的方式会导致计算得到的第二互动参数只能正面或反面反映用户账号与用户账号的亲密程度，客观性比较欠缺，因此，为了解决这一技术问题，以更全面地反映用户账号与用户账号的亲密程度，获得一个较为合理的第二互动参数，在又一示例中，可以结合正向信息和负向信息计算第二互动参数，例如，可以将正向信息中任一项的值或任一项的值的总和与负向信息的值之差，作为第二互动参数；也可以计算正向信息中任几项的值的加权和、以及负向信息的值与预设权重之积，然后将所述加权和和所述负向信息的值与预设权重之积的差值作为第二互动参数。
不过，为了更加客观准确地体现用户与用户之间的社交情况，以更好地提高筛选出的候选作品集的合理性，在另一实施例中，本公开提供了另一种基于社交行为数据计算对应的互动参数的技术方案，如下：
在所述步骤S1211中，根据所述目标账号针对所述第一用户账号对应的已发布作品产生的社交行为数据，计算得到对应的第一互动参数，可以包括以下步骤：
在步骤S12111中，基于所述目标账号针对所述第一用户账号对应的已发布作品产生的点击次数、点赞次数、评论次数、讨厌次数和交流次数分别计算得到对应的点击率、点赞率、评论率、讨厌率和交流率；
在步骤S12112中，根据通过所述步骤S12111计算得到的点击率、所述点赞率、所述评论率、所述交流率和所述讨厌率中的至少一项，计算得到对应的第一互动参数。
同理，在所述步骤S1212中，对于所述第一用户账号的第二社交关系用户集的每个第二用户账号，根据所述第一用户账号针对所述第二用户账号对应的已发布作品产生的社交行为数据，计算得到对应的第二互动参数，可以包括以下步骤：
在步骤S12121中，基于所述第一用户账号针对所述第二用户账号对应的已发布作品产生的点击次数、点赞次数、评论次数、讨厌次数和交流次数分别计算得到对应的点击率、点赞率、评论率、讨厌率和交流率；
在步骤S12122中，根据通过所述步骤S12121计算得到的所述点击率、所述点赞率、所述评论率、所述交流率和所述讨厌率中的至少一项，计算得到对应的第二互动参数。
所述步骤S12111中，对于点击率，所述点击率可以等于所述点击次数与所述第一用户账号对应的已发布作品向所述目标账号发送的次数的比值，例如，如果所述第一用户账号对应的已发布作品有N个，每个作品向所述目标账号发送2次，则可以认为所述第一用户账号对应的已发布作品向所述目标账号发送的次数为N×2＝2N次；基于此，如果所述目标账号对所述第一用户账号对应的已发布的每个作品都点击观看1次，则可以认为对应的点击次数为N×1＝N次；这么一来，所述点击率为N/2N＝0.5。对于点赞率，所述点赞率可以等于所述点赞次数与所述点击次数的比值，基于此，可进一步结合上述对点击率的解释示例对所述点赞率进行理解。对于评论率，所述评论率可以等于所述评论次数与所述点击次数的比值，基于此，可进一步结合上述对点击率的解释示例对所述评论率进行理解。对于交流率，所述交流率可以等于所述交流次数与所述点击次数的比值，基于此，可进一步结合上述对点击率的解释示例对所述交流率进行理解。对于讨厌率，所述讨厌率可等于所述讨厌次数与所述点击次数的比值，基于此，可进一步结合上述对点击率的解释示例对所述讨厌率进行理解。
另外，可以基于上述记载获知所述步骤S12121中点击率、点赞率、评论率、交流率和讨厌率的含义及计算原理，在此不进行赘述。
需要说明的是，社交行为数据中的任一项数据的统计时段可以为用户账号与用户账号成功建立社交关系时到当前时刻的这一时段，也可以为用户账号与用户账号成功建立社交关系时到当前时刻的这一时段中的某个预设时段，所述预设时段可以根据实际需求或经验设定，本公开对此不进行限定。
其中，为简化第一互动参数和第二互动参数的计算过程和降低计算难度，进而提高信息召回效率，同时提高第一互动参数和第二互动参数的准确性，基于上一实施例，在一实施例中，对于所述第一社交关系用户集的每个第一用户账号，所述第一互动参数等于对应的点击率、点赞率、评论率和交流率的第一加权和，或等于所述第一加权和、与讨厌率和讨厌率对应的权重之积的差值。同理，对于所述第一社交关系用户集的每个第一用户账号以及所述第一用户账号的第二社交关系用户集的每个第二用户账号，所述第二互动参数等于对应的点击率、点赞率、评论率和交流率的第二加权和，或等于所述第二加权和、与讨厌率和讨厌率对应的权重之积的差值。其中，为进一步简化计算过程，在一示例中，可以将交流率和讨厌率的权重系数置为0，此时相当于仅采用了点击率、点赞率和评论率计算互动参数。
需要说明的是，所述第一互动参数和所述第二互动参数都用于表征对应的用户与用户之间的亲密程度，并与亲密程度呈正相关关系。
由此，可以根据实际状况为点击率、点赞率、评论率、交流率和讨厌率分配对应的权重系数，从而有利于平衡各数值在亲密程度中的占比，提高计算所得的第一互动参数和第二互动参数的合理性和准确性，且因加权求和/差的计算方式涉及的运算步骤较少，因而可以简化第一互动参数和第二互动参数的计算过程和降低计算难度，进而提高信息召回效率。
虽然通过上一实施例中的记载可以计算得到合理性和准确性较高的第一互动参数和第二互动参数，但是，由于用户账号与其关注的各用户账号之间的亲密程度是参差不齐的，因而可能导致计算得到的第一互动参数或第二互动参数可能会出现过大或过小的现象，由此可能会对目标互动参数的计算产生不良影响，如增加目标互动参数的计算复杂程度，因此，为解决这一技术问题，在另一实施例中，本公开提供了另一种基于社交行为数据计算对应的互动参数的技术方案，如下：
在所述步骤S1211中，根据所述目标账号针对所述第一用户账号对应的已发布作品产生的社交行为数据，计算得到对应的第一互动参数，可以包括以下步骤：
在步骤S12111’中，基于所述目标账号针对所述第一用户账号对应的已发布作品产生的点击次数、点赞次数、评论次数、讨厌次数和交流次数分别计算得到对应的点击率、点赞率、评论率、讨厌率和交流率；
在步骤S12112’中，计算通过所述步骤S12111’得到的所述点击率、所述点赞率、所述评论率和所述交流率的第一加权和，并计算所述第一加权和与所述讨厌率和所述讨厌率对应的权重之积的第一差值；
在步骤S12113’中，将所述第一差值转换为位于区间[0，1]中的值，以获得对应的第一互动参数。
同理，在所述步骤S1212中，对于所述第一用户账号的第二社交关系用户集的每个第二用户账号，根据所述第一用户账号针对所述第二用户账号对应的已发布作品产生的社交行为数据，计算得到对应的第二互动参数，可以包括以下步骤：在步骤S12121’中，基于所述第一用户账号针对所述第二用户账号对应的已发布作品产生的点击次数、点赞次数、评论次数、讨厌次数和交流次数分别计算得到对应的点击率、点赞率、评论率、讨厌率和交流率；
在步骤S12122’中，计算通过所述步骤S12121’得到的所述点击率、所述点赞率、所述评论率和所述交流率的第一加权和，并计算所述第一加权和与所述讨厌率和所述讨厌率对应的权重之积的第二差值；
在步骤S12123’中，将所述第二差值转换为位于区间[0，1]中的值，以获得对应的第二互动参数。
其中，在一例子中，将所述第一差值或第二差值转换为位于区间[0，1]中的值可以通过以下公式①实现：
M＝min(max(a×ctr+b×ltr+c×cmtr+d×Int-e×dil，0)，1)——公式①
所述公式①中，M表示互动参数；ctr表示点击率，a表示点击率的权重系数；ltr表示点赞率，b表示点赞率的权重系数；cmtr表示评论率，c表示评论率的权重系数；Int表示交流率，d表示交流率的权重系数；dil表示讨厌率，e表示讨厌率的权重系数。
在另一实施例中，如果无需根据负向信息计算第一互动参数和第二互动参数，则可以将讨厌率的权重系数置为零，基于此，所述步骤S12112’可以适应性地调整为：计算通过所述步骤S12111’得到的所述点击率、所述点赞率、所述评论率和所述交流率的第一加权和；所述步骤S12113’相应地调整为：将所述第一加权和转换为位于区间[0，1]中的值，以获得对应的第一互动参数。同理，所述步骤S12122’可以适应性地调整为：计算通过所述步骤S12121’得到的所述点击率、所述点赞率、所述评论率和所述交流率的第一加权和；所述步骤S12123’相应地调整为：将所述第二加权和转换为位于区间[0，1]中的值，以获得对应的第二互动参数。相应地，所述公式①可以适应性地调整为：M＝min(max(a×ctr+b×ltr+c×cmtr+d×Int，0)，1)。
由此，通过min和max函数可以实现第一互动参数和第二互动参数的取值在区间[0，1]。
通过上述第一互动参数和第二互动参数的任一种计算方式计算得到第一互动参数和第二互动参数之后，即可基于所述第一互动参数和所述第二互动参数计算得到所述目标账号与所述第二社交关系用户集的各第二用户账号之间的目标互动参数。在一实施例中，对于每个第二用户账号，所述目标互动参数的计算过程可以包括：对于与所述第二用户账号存在社交关系的每个第一用户账号，计算所述第一用户账号对应的第一互动参数和第二互动参数的乘积；计算所得的所有乘积之和，以获得所述目标互动参数。
以下，举个例子说明一下目标账号与任一第二用户账号之间的目标互动参数的计算过程：
假设第一社交关系用户集中的第一用户账号的总数为n，第二社交关系用户集中的第二用户账号的总数为m，第一社交关系用户集中与第二社交关系用户集中的第i个第二用户账号存在社交关系的第一用户账号的总数为i(也可以理解为：第一社交关系用户集中关注有第二社交关系用户集中的第j个第二用户账号的第一用户账号的总数为i)，其中，i为整数且1≤i≤n，j为整数且1≤j≤m。基于此，在所述i个第一用户账号中，其中的第k个第一用户账号与所述目标账号的第一互动参数可以表示为Mk，1，其中的第k个第一用户账号与所述第j个第二用户账号的第二互动参数可以表示为k为整数且1≤k≤i。基于此，对于所述第j个第二用户账号，可以通过以下公式②计算得到所述第j个第二用户账号与所述目标账号之间的目标互动参数Dj：
由此，可以通过公式②计算得到目标账号与每个第二用户账号之间的目标互动参数。
计算得到第二社交关系用户集中的所有第二用户账号分别与所述目标账号的目标互动参数之后，可以根据计算所得的所有目标互动参数从所述第二社交关系用户集中确定候选用户集，以将所述候选用户集中的用户账号对应的已发布作品作为候选作品集。在一个例子中，可以将大于第一预设阈值的目标互动参数对应的第二用户账号对应的已发布作品作为候选作品集，其中所述第一预设阈值可以根据实际需求或经验或实验预设。在另一个例子中，可以按照从大到小的顺序对所有目标互动参数进行依序排序，将排序在前的预设数量个目标互动参数对应的第二用户账号对应的已发布作品作为候选作品集。在又一个例子中，可以按照从小到大的顺序对所有目标互动参数进行依序排序，将排序在后的预设数量个目标互动参数对应的第二用户账号对应的已发布作品作为候选作品集。
虽然通过上述依据目标互动参数的大小来筛选得到候选作品集的任一实施例都可以提高目标账号对尚未建立关注关系但在社交网络中距离很近的第二用户账号进行关注的可能性，并扩充用户所在平台的社交网络和促进用户之间的社交关系的构建。但由于在短期内目标账号与第二用户账号之间的亲密程度的变化较小，上述仅依据目标互动参数的大小来筛选得到候选作品集的方式可能导致在短期内的每次推荐中，向目标账号推荐的都是同一批第二用户账号已发布的作品，导致亲密程度没那么高的第二用户账号的作品没有透出的机会，致使平台中社交网络的构建受到一定的局限。因此，为解决这一技术问题，实现保证第二用户账号对应的作品被选中的概率大小与其对应的目标互动参数呈正相关关系的同时，使得值较小的目标互动参数对应的第二用户账号对应的作品也有透出的机会，打破社交网络构建和信息推荐的局限，在一实施例中，本公开提供了另一种根据目标互动参数筛选候选作品集的实施方式，本实施例在所述步骤S14中，加入了蓄水池抽样法，可以理解为：所述根据所述目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集，包括：
在步骤S141中，对于所述第二社交关系用户集的每个用户账号，生成所述用户账号对应的随机数。
在步骤S142中，对于所述第二社交关系用户集的每个用户账号，根据所述用户账号对应的随机数和目标互动参数，计算得到用于表征所述用户被选中的概率大小的候选参考值；所述候选参考值与所述目标互动参数呈正相关关系；
在步骤S143中，根据计算所得的候选参考值从所述第二社交关系用户集中确定候选用户集，并将所述候选用户集的用户账号对应的已发布作品作为候选作品集。
由此，通过应用蓄水池抽样法，基于为所述第二用户账号生成的随机数和所述第二用户账号对应的目标互动参数，计算得到用于表征所述第二用户账号被选中的概率大小的候选参考值，且在这一计算过程中限定所述候选参考值和目标互动参数呈正相关关系，可以保证利用随机数结合目标互动参数实现第二用户账号被选中的概率大小与其对应的目标互动参数成正相关关系的同时，使得值较小的目标互动参数对应的第二用户账号的作品也有透出的机会。
上述中，随机数的生成可以参见相关技术，在此不进行赘述。
本公开中，为简化计算步骤，为每个第二用户账号生成一个的随机数在区间(0，1)中。基于此，可以通过以下公式③计算得到每个第二用户账号的候选参考值：
所述公式③中，Kj表示所述第二社交关系用户集中第j个第二用户账号的候选参考值，Tj表示所述第二社交关系用户集中第j个第二用户账号对应的随机数，Dj表示所述第二社交关系用户集中第j个第二用户账号对应的目标互动参数。由此，可以通过所述公式③计算得到每个第二用户账号的候选参考值。
计算得到每个第二用户账号的候选参考值之后，在一个例子中，所述步骤S143中，所述候选用户集的确定过程可以包括：从所述第二社交关系用户集中确定大于或等于第二预设阈值的候选参考值对应的用户，以获得候选用户集，其中所述第二预设阈值可以根据实际需求或经验或实验预设。在另一个例子中，所述步骤S143中，所述候选用户集的确定过程可以包括：按照从大到小的顺序，对计算所得的所有候选参考值进行依序排序；从所述第二社交关系用户集中选取排序在前的预设数量个候选参考值对应的用户账号，以获得候选用户集。在又一个例子中，所述步骤S143中，所述候选用户集的确定过程可以包括：按照从小到大的顺序，对计算所得的所有候选参考值进行依序排序；从所述第二社交关系用户集中选取排序在后的预设数量个候选参考值对应的用户账号，以获得候选用户集。
通过上述任一实施例获得候选用户集之后，可以将所述候选用户集中的用户账号对应的已发布作品作为候选作品集。
需要说明的是，本公开实施例不限于通过蓄水池抽样法来确定候选作品集，例如，如果不需要保证第二用户账号被选中的概率与目标互动参数呈正相关关系，而是需要实现其他目标，那么，可以采用其他抽样法来实现对候选作品集的确定。
另外，由于用户账号与用户账号之间可以存在相互关注的社交关系，因此会存在所述第一社交关系用户集中的用户账号的第二社交关系用户集中包含有目标账号的可能性，这么一来，可能会出现将目标账号对应的作品推荐回给所述目标账号的情形，这样不仅影响用户体验，而且还会增加系统工作负担。因此，为解决这一技术问题，在一实施例中，在所述步骤S12之前，所述方法还可以包括：确定所述第二社交关系用户集中是否存在所述目标账号；如果所述第二社交关系用户集中存在所述目标账号，则从所述第二社交关系用户集中删除所述目标账号。由此，可以使得所述步骤S12中的第二社交关系用户集不包含所述目标账号，从而避免将目标账号的作品推荐回给所述目标账号的现象发生。
另外，在一方面，在所述第二社交关系用户集中，由于可能存在某些第二用户账号的粉丝数量很多的情况，如一些大V用户，可以理解是在社交网络具有一定影响力的学者、名人、网红或明星等。这些大V用户相对其他普通用户更容易收获到粉丝的互动行为，也更容易被所述目标账号关注的第一社交关系用户集中的用户账号关联的用户关注，因而这些大V用户的账号对应的目标互动参数也会较高，从而很容易导致大量流量向这些粉丝数量很多的第二社交关系用户集中，造成社交网络构建存在不平等性。在另一方面，在所述第二社交关系用户集中，可能存在粉丝数量很多或被举报次数很多的第二用户账号，如果将这些被举报多次的第二用户账号对应的作品推荐给目标账号，很可能会影响社交网络的健康构建。因此，为解决其中至少一技术问题，在一实施例中，在所述步骤S14之前，先对所述目标互动参数进行修正处理，可以理解为，在所述根据所述目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集之前，所述方法还可以包括：对于每个目标互动参数，根据与所述目标互动参数对应的第二社交关系用户集的第二用户账号存在社交关系的用户账号的总数、以及所述第二用户账号被其他用户账号举报的总数中的至少一项，更新所述目标互动参数。其中，与所述目标互动参数对应的第二社交关系用户集的第二用户账号存在社交关系的用户账号的总数可以理解为所述第二用户账号的粉丝总数，所述第二用户账号被其他用户账号举报的总数可以理解为所述第二用户账号被举报的被举报总数，也可以理解为服务端收到用于指示所述第二用户账号被举报的通知消息的总条数。由此，可以使得所述步骤S14中采用的目标互动参数为更新后的目标互动参数。
其中，在只有避免大量流量向粉丝数量很多的第二社交关系用户集中的需求下，对于每个目标互动参数，可以仅基于所述目标互动参数对应的第二用户账号的粉丝总数对所述目标互动参数进行更新，例如，可以通过公式④——对目标互动参数进行更新，其中，D′j1表示所述第二社交关系用户集中第j个第二用户账号更新后的目标互动参数；Dj表示所述第j个第二用户账号更新前的目标互动参数；Fj表示所述第j个第二用户账号的粉丝总数；f表示一个常数，作为分母的平滑项，可以根据实际需求或经验或实验预设，在此不进行赘述。
在只有避免被举报多次的第二用户账号对社交网络的健康构建造成不良影响的需求下，对于每个目标互动参数，可以仅基于所述目标互动参数对应的第二用户账号的被举报总数对所述目标互动参数进行更新，例如，可以通过公式⑤——对目标互动参数进行更新，其中，D′j2表示所述第二社交关系用户集中第j个第二用户账号更新后的目标互动参数；Dj表示所述第j个第二用户账号更新前的目标互动参数；Gj表示所述第j个第二用户账号的被举报总数；g表示一个常数，作为分母的平滑项，可以根据实际需求或经验或实验预设，在此不进行赘述。
在同时具有避免大量流量向粉丝总数很多的第二社交关系用户集中和被举报多次的第二用户账号对社交网络的健康构建造成不良影响的需求下，对于每个目标互动参数，可以仅基于所述目标互动参数对应的第二用户账号的粉丝总数和被举报总数对所述目标互动参数进行更新，例如，可以通过公式⑥——对目标互动参数进行更新，其中，D′j表示所述第二社交关系用户集中第j个第二用户账号更新后的目标互动参数；Dj表示所述第j个第二用户账号更新前的目标互动参数；Fj表示所述第j个第二用户账号的粉丝总数；Gj表示所述第j个第二用户账号的被举报总数；o表示一个常数，作为分母的平滑项，可以根据实际需求或经验或实验预设，在此不进行赘述。
需要说明的是，本公开对所述目标互动参数的更新不限于上述任一种更新方式，例如，在其他实施例中，可以只对粉丝总数超过第一阈值或被举报总数超过第二阈值的第二用户账号对应的目标互动参数进行更新；或者，可以通过公式④～⑥以外的其他公式实现对目标互动参数的更新，只要使得更新后的目标互动参数相对于更新前的目标互动参数处于一个合理的数值范围，能达到修正的目的即可。
不过，在更新目标互动参数之前，如果有极致优化消费体验，不介意流量向少部分优质第二社交关系用户集中的需求，那么可以认为向目标账号推荐粉丝总数高的第二用户账号对应的已发布作品是合理的，此时可以忽略第二用户账号的粉丝总数的影响，基于此，可以不对目标互动参数进行更新，或可以仅依据第二用户账号的被举报总数对目标亲密度进行更新。反之，如果有弱化头部生产者如粉丝总数很高的第二用户账号的影响力，偏向构建平等的社区氛围的需求，可以对公式④或⑥进行调整，加重对粉丝总数过多的第二用户账号的打压，例如，增大公式④或⑥中分母，以使更新后的目标互动参数相对更新前的目标互动参数变小。当然，也可以根据其他需求来调整所述目标互动参数的更新策略。
在另一方面，为对候选作品集进行排序后筛选出向目标账号推荐用的目标召回作品集，以获得更加符合目标账号需求的作品，更好地扩充用户所在平台的社交网络和促进用户之间的社交关系的构建，基于上述任一实施例所提供的信息处理方法，本公开还提供了一种包含上述任一实施例所提供的信息处理方法的信息推荐方法。
如图2所示，图2是本公开根据一示例性实施例示出的一种信息推荐方法的流程图，所述信息推荐方法可应用于服务端，其包括以下步骤：
在步骤S21中，收到客户端发送的信息推荐请求时，确定所述客户端绑定的目标账号的第一社交关系用户集、以及所述第一社交关系用户集的用户账号的第二社交关系用户集。
在步骤S22中，确定所述目标账号与所述第一社交关系用户集的用户账号的第一互动参数、以及第一社交关系用户集的用户账号与第二社交关系用户集的用户账号的第二互动参数；所述第一互动参数和所述第二互动参数基于用户账号与用户账号之间的社交行为数据获得。
在步骤S23中，根据所述第一互动参数和所述第二互动参数确定所述目标账号与所述第二社交关系用户集的用户账号的目标互动参数。
在步骤S24中，根据所述目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集。
在步骤S25中，对所述候选作品集进行排序处理以确定目标召回作品集。
在步骤S26中，向所述目标账号推荐所述目标召回作品集。
其中，对所述步骤S21～S24的说明请参见所述信息处理方法所记载的技术方案，在此不进行赘述。而对所述步骤S25和S26的理解可以参见相关技术的推荐系统在排序阶段的处理原理，在此不进行赘述。
在一实施例中，可以在所述步骤S26之前，可以增加对目标召回作品集进行重排序处理的步骤，以增加最终向目标账号推荐的作品的多样性。
需要说明的是，本公开实施例提供的所述信息推荐方法在召回阶段应用到了本公开上述任一实施例提供的所述信息处理方法，故所述信息推荐方法具有上述任一实施例记载的信息处理方法所产生的有益技术效果。并且，方案涉及的用户信息、账户信息均为经用户授权而采集并进行后续处理分析的。
与前述信息处理方法对应，本公开还提供了一种信息处理装置，如图3所示，图3是本公开根据一示例性实施例示出的一种信息处理装置的框图，所述信息处理装置包括第一确定模块31、第二确定模块32、计算模块33和筛选模块34。
所述第一确定模块31被配置为在收到客户端发送的信息推荐请求时，确定所述客户端绑定的目标账号的第一社交关系用户集、以及所述第一社交关系用户集的用户账号的第二社交关系用户集。
所述第二确定模块32被配置为确定所述目标账号与所述第一社交关系用户集的用户账号的第一互动参数、以及第一社交关系用户集的用户账号与第二社交关系用户集的用户账号的第二互动参数；所述第一互动参数和所述第二互动参数基于用户账号与用户账号之间的社交行为数据获得。
所述计算模块33被配置为根据所述第一互动参数和所述第二互动参数确定所述目标账号与所述第二社交关系用户集的用户账号的目标互动参数。
所述筛选模块34被配置为根据所述目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集。
在一实施例中，所述第二确定模块32包括第一计算单元和第二计算单元。
所述第一计算单元被配置为对于所述第一社交关系用户集的每个用户账号，根据所述目标账号针对所述用户账号对应的已发布作品产生的社交行为数据，计算得到对应的第一互动参数。
所述第二计算单元被配置为对于所述第一社交关系用户集的每个用户账号、以及对于所述用户账号的第二社交关系用户集的每个第二用户账号，根据所述用户账号针对所述第二用户账号对应的已发布作品产生的社交行为数据，计算得到对应的第二互动参数。
在一实施例中，所述信息处理装置还包括更新模块。
所述更新模块被配置为在所述筛选模块34筛选出候选作品集之前，对于每个目标互动参数，根据与所述目标互动参数对应的第二社交关系用户集的第二用户账号存在社交关系的用户账号的总数、以及所述第二用户账号被其他用户账号举报的总数中的至少一项，更新所述目标互动参数，以使所述筛选模块34根据更新后的目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集。
在一实施例中，所述筛选模块34包括生成单元、第三计算单元和确定单元。
所述生成单元被配置为对于所述第二社交关系用户集的每个用户账号，生成所述用户账号对应的随机数。
所述第三计算单元被配置为对于所述第二社交关系用户集的每个用户账号，根据所述用户账号对应的随机数和目标互动参数，计算得到用于表征所述用户账号被选中的概率大小的候选参考值；所述候选参考值与所述目标互动参数呈正相关关系。
所述确定单元被配置为根据计算所得的候选参考值从所述第二社交关系用户集中确定候选用户集，并将所述候选用户集的用户账号对应的已发布作品作为候选作品集。
在一实施例中，所述确定单元包括排序子单元和选取子单元。
所述排序子单元被配置为按照从大到小的顺序，对计算所得的所有候选参考值进行依序排序。
所述选取子单元被配置为从所述第二社交关系用户集中选取排序在前的预设数量个候选参考值对应的用户账号，以获得候选用户集。
与前述信息推荐方法对应，本公开还提供了一种包含上述任一实施例提供的信息处理装置的信息推荐装置，如图4所示，图4是本公开根据一示例性实施例示出的一种信息推荐装置的框图，所述信息推荐装置包括第一确定模块41、第二确定模块42、计算模块43、筛选模块44、排序模块45和推荐模块46。
所述第一确定模块41被配置为在收到客户端发送的信息推荐请求时，确定所述客户端绑定的目标账号的第一社交关系用户集、以及所述第一社交关系用户集的用户账号的第二社交关系用户集。
所述第二确定模块42被配置为确定所述目标账号与所述第一社交关系用户集的用户账号的第一互动参数、以及第一社交关系用户集的用户账号与第二社交关系用户集的用户账号的第二互动参数；所述第一互动参数和所述第二互动参数基于用户账号与用户账号之间的社交行为数据获得。
所述计算模块43被配置为根据所述第一互动参数和所述第二互动参数确定所述目标账号与所述第二社交关系用户集的用户账号的目标互动参数。
所述筛选模块44被配置为根据所述目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集。
所述排序模块45被配置为对所述候选作品集进行排序处理以确定目标召回作品集；
所述推荐模块46被配置为向所述目标账号推荐所述目标召回作品集。
需要说明的是，所述信息推荐装置中除了排序模块45和推荐模块46以外，其他模块与所述信息处理装置具有相同的功能。另外，由于所述信息推荐装置包含上述任一实施例中的信息处理装置，因此所述信息推荐装置具有上述任一实施例中的信息处理装置所包含的所有模块、所有单元和所有子单元，在此不进行赘述。
关于上述各实施例中的装置，其中各个模块和各个单元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。并且，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块和/或单元可以是或者也可以不是物理上分来的，作为单元显示的部件可以是也可以不是物理单元。
与前述方法实施例对应，本公开还提供了一种电子设备。在一个例子中，所述电子设备可以被提供为一服务器，如图5所示，图5是本公开根据一示例性实施例示出的一种电子设备的框图。所述电子设备500包括处理组件522和存储器532。
其中，所述存储器532用于存储可由所述处理组件522执行的计算机程序；所述处理组件522被配置为在执行所述计算机程序时，实现上述任一实施例中的所述信息处理方法和/或上述任一实施例中的信息推荐方法。
在一实施例中，所述处理组件522可以包括一个或多个处理器。
在一实施例中，所述存储器532可以存储有除上述计算机程序以外的存储器资源，例如若干应用程序。所述存储器532中存储的应用程序可以包括一个或一个以上的对应于一组指令的模块。
在一实施例中，所述电子设备500还可以包括电源组件526。所述电源组件526可以被配置为执行所述电子设备500的电源管理操作。
在一实施例中，所述电子设备500还可以包括有线或无线网络接口550、以及输入输出(I/O)接口558。所述网络接口550被配置为将电子设备500连接到网络。
另外，所述电子设备500可以操作存储在存储器532的操作系统，例如Android、IOS、Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
与前述方法实施例对应，在示例性实施例中，还提供了一种包括计算机程序的计算机可读存储介质，例如包括计算机程序的存储器532。上述计算机程序可由所述电子设备500的处理组件522执行以完成上述任一实施例中的所述信息处理方法和/或上述任一实施例中的信息推荐方法。
所述计算机可读存储介质可以包括：永久性或非永久性的可移动或非可移动媒体。所述计算机可读存储介质的信息存储功能可以由任何可以实现的方法或技术实现。所述信息可以是计算机可读指令、数据结构、程序的模型或其它数据。
另外，所述计算机可读存储介质包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其它类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其它内存技术的记忆体、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其它光学存储器、磁盒式磁带、磁带磁盘存储或其它磁性存储设备或可用于存储可被计算设备访问的信息的其它非传输介质。
在示例性实施例中，本公开还提供了一种计算机程序产品，用于执行上述任一实施例中的所述信息处理方法和/或上述任一实施例中的信息推荐方法的各个步骤。所述计算机程序产品包括可执行程序代码。所述电子设备500的处理组件522载入并执行所述程序代码后，可以执行上述任一实施例中的所述信息处理方法和/或上述任一实施例中的信息推荐方法，以实现相应功能。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (20)

1.一种信息处理方法，其特征在于，包括：
收到客户端发送的信息推荐请求时，确定所述客户端绑定的目标账号的第一社交关系用户集、以及所述第一社交关系用户集的用户账号的第二社交关系用户集；
确定所述目标账号与所述第一社交关系用户集的用户账号的第一互动参数、以及第一社交关系用户集的用户账号与第二社交关系用户集的用户账号的第二互动参数；所述第一互动参数和所述第二互动参数基于用户账号与用户账号之间的社交行为数据获得；
根据所述第一互动参数和所述第二互动参数确定所述目标账号与所述第二社交关系用户集的用户账户的目标互动参数；
根据所述目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集；包括：
对于所述第二社交关系用户集的每个用户账号，生成所述用户账号对应的随机数；对于所述第二社交关系用户集的每个用户账号，根据所述用户账号对应的随机数和目标互动参数，计算得到用于表征所述用户账号被选中的概率大小的候选参考值；所述候选参考值与所述目标互动参数呈正相关关系；根据计算所得的候选参考值从所述第二社交关系用户集中确定候选用户集，并将所述候选用户集的用户账号对应的已发布作品作为候选作品集。
2.根据权利要求1所述的方法，其特征在于，对于所述第一社交关系用户集的每个用户账号，所述第一互动参数的确定过程包括：
根据所述目标账号针对所述用户账号对应的已发布作品产生的社交行为数据，计算得到对应的第一互动参数。
3.根据权利要求1所述的方法，其特征在于，对于所述第一社交关系用户集的每个用户账号，所述第二互动参数的确定过程包括：
对于所述用户账号的第二社交关系用户集的每个第二用户账号，根据所述用户账号针对所述第二用户账号对应的已发布作品产生的社交行为数据，计算得到对应的第二互动参数。
4.根据权利要求1所述的方法，其特征在于，在所述根据所述目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集之前，所述方法还包括：
对于每个目标互动参数，根据与所述目标互动参数对应的第二社交关系用户集的第二用户账号存在社交关系的用户账号的总数、以及所述第二用户账号被其他用户账号举报的总数中的至少一项，更新所述目标互动参数。
5.根据权利要求1所述的方法，其特征在于，所述根据计算所得的候选参考值从所述第二社交关系用户集中确定候选用户集，包括：
按照从大到小的顺序，对计算所得的所有候选参考值进行依序排序；
从所述第二社交关系用户集中选取排序在前的预设数量个候选参考值对应的用户账号，以获得候选用户集。
6.一种信息推荐方法，其特征在于，包括：
收到客户端发送的信息推荐请求时，确定所述客户端绑定的目标账号的第一社交关系用户集、以及所述第一社交关系用户集的用户账号的第二社交关系用户集；
确定所述目标账号与所述第一社交关系用户集的用户账号的第一互动参数、以及第一社交关系用户集的用户账号与第二社交关系用户集的用户账号的第二互动参数；所述第一互动参数和所述第二互动参数基于用户账号与用户账号之间的社交行为数据获得；
根据所述第一互动参数和所述第二互动参数确定所述目标账号与所述第二社交关系用户集的用户账号的目标互动参数；
根据所述目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集，包括：
对于所述第二社交关系用户集的每个用户账号，生成所述用户账号对应的随机数；对于所述第二社交关系用户集的每个用户账号，根据所述用户账号对应的随机数和目标互动参数，计算得到用于表征所述用户账号被选中的概率大小的候选参考值；所述候选参考值与所述目标互动参数呈正相关关系；根据计算所得的候选参考值从所述第二社交关系用户集中确定候选用户集，并将所述候选用户集的用户账号对应的已发布作品作为候选作品集；
对所述候选作品集进行排序处理以确定目标召回作品集；
向所述目标账号推荐所述目标召回作品集。
7.根据权利要求6所述的方法，其特征在于，对于所述第一社交关系用户集的每个用户账号，所述第一互动参数的确定过程包括：
根据所述目标账号针对所述用户账号对应的已发布作品产生的社交行为数据，计算得到对应的第一互动参数。
8.根据权利要求6所述的方法，其特征在于，对于所述第一社交关系用户集的每个用户账号，所述第二互动参数的确定过程包括：
对于所述用户账号关注的第二社交关系用户集的每个第二用户账号，根据所述用户账号针对所述第二用户账号对应的已发布作品产生的社交行为数据，计算得到对应的第二互动参数。
9.根据权利要求6所述的方法，其特征在于，在所述根据所述目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集之前，所述方法还包括：
对于每个目标互动参数，根据与所述目标互动参数对应的第二社交关系用户集的第二用户账号存在社交关系的用户账号的总数、以及所述第二用户账号被其他用户账号举报的总数中的至少一项，更新所述目标互动参数。
10.根据权利要求6所述的方法，其特征在于，所述根据计算所得的候选参考值从所述第二社交关系用户集中确定候选用户集，包括：
按照从大到小的顺序，对计算所得的所有候选参考值进行依序排序；
从所述第二社交关系用户集中选取排序在前的预设数量个候选参考值对应的用户账号，以获得候选用户集。
11.一种信息处理装置，其特征在于，包括：
第一确定模块，被配置为在收到客户端发送的信息推荐请求时，确定所述客户端绑定的目标账号的第一社交关系用户集、以及所述第一社交关系用户集的用户账号的第二社交关系用户集；
第二确定模块，被配置为确定所述目标账号与所述第一社交关系用户集的用户账号的第一互动参数、以及第一社交关系用户集的用户账号与第二社交关系用户集的用户账号的第二互动参数；所述第一互动参数和所述第二互动参数基于用户账号与用户账号之间的社交行为数据获得；
计算模块，被配置为根据所述第一互动参数和所述第二互动参数确定所述目标账号与所述第二社交关系用户集的用户账号的目标互动参数；
筛选模块，被配置为根据所述目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集；
所述筛选模块包括：
生成单元，被配置为对于所述第二社交关系用户集的每个用户账号，生成所述用户账号对应的随机数；
第三计算单元，被配置为对于所述第二社交关系用户集的每个用户账号，根据所述用户账号对应的随机数和目标互动参数，计算得到用于表征所述用户账号被选中的概率大小的候选参考值；所述候选参考值与所述目标互动参数呈正相关关系；
确定单元，被配置为根据计算所得的候选参考值从所述第二社交关系用户集中确定候选用户集，并将所述候选用户集的用户账号对应的已发布作品作为候选作品集。
12.根据权利要求11所述的装置，其特征在于，所述第二确定模块包括：
第一计算单元，被配置为对于所述第一社交关系用户集的每个用户账号，根据所述目标账号针对所述用户账号对应的已发布作品产生的社交行为数据，计算得到对应的第一互动参数；
第二计算单元，被配置为对于所述第一社交关系用户集的每个用户账号、以及对于所述用户账号的第二社交关系用户集的每个第二用户账号，根据所述用户账号针对所述第二用户账号对应的已发布作品产生的社交行为数据，计算得到对应的第二互动参数。
13.根据权利要求11所述的装置，其特征在于，所述装置还包括：
更新模块，被配置为在所述筛选模块筛选出候选作品集之前，对于每个目标互动参数，根据与所述目标互动参数对应的第二社交关系用户集的第二用户账号存在社交关系的用户账号的总数、以及所述第二用户账号被其他用户账号举报的总数中的至少一项，更新所述目标互动参数，以使所述筛选模块根据更新后的目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集。
14.根据权利要求11所述的装置，其特征在于，所述确定单元包括：
排序子单元，被配置为按照从大到小的顺序，对计算所得的所有候选参考值进行依序排序；
选取子单元，被配置为从所述第二社交关系用户集中选取排序在前的预设数量个候选参考值对应的用户账号，以获得候选用户集。
15.一种信息推荐装置，其特征在于，包括：
第一确定模块，被配置为在收到客户端发送的信息推荐请求时，确定所述客户端绑定的目标账号的第一社交关系用户集、以及所述第一社交关系用户集的用户账号的第二社交关系用户集；
第二确定模块，被配置为确定所述目标账号与所述第一社交关系用户集的用户账号的第一互动参数、以及第一社交关系用户集的用户账号与第二社交关系用户集的用户账号的第二互动参数；所述第一互动参数和所述第二互动参数基于用户账号与用户账号之间的社交行为数据获得；
计算模块，被配置为根据所述第一互动参数和所述第二互动参数确定所述目标账号与所述第二社交关系用户集的用户账号的目标互动参数；
筛选模块，被配置为根据所述目标互动参数从所述第二社交关系用户集的用户账号对应的已发布作品中筛选出候选作品集；
所述筛选模块包括：
生成单元，被配置为对于所述第二社交关系用户集的每个用户账号，生成所述用户账号对应的随机数；
第三计算单元，被配置为对于所述第二社交关系用户集的每个用户账号，根据所述用户账号对应的随机数和目标互动参数，计算得到用于表征所述用户账号被选中的概率大小的候选参考值；所述候选参考值与所述目标互动参数呈正相关关系；
确定单元，被配置为根据计算所得的候选参考值从所述第二社交关系用户集中确定候选用户集，并将所述候选用户集的用户账号对应的已发布作品作为候选作品集；
排序模块，被配置为对所述候选作品集进行排序处理以确定目标召回作品集；
推荐模块，被配置为向所述目标账号推荐所述目标召回作品集。
16.根据权利要求15所述的装置，其特征在于，所述第二确定模块包括：
第一计算单元，被配置为对于所述第一社交关系用户集的每个用户账号，根据所述目标账号针对所述用户账号对应的已发布作品产生的社交行为数据，计算得到对应的第一互动参数；
第二计算单元，被配置为对于所述第一社交关系用户集的每个用户账号、以及对于所述用户账号关注的第二社交关系用户集的每个第二用户账号，根据所述用户账号针对所述第二用户账号对应的已发布作品产生的社交行为数据，计算得到对应的第二互动参数。
17.根据权利要求15所述的装置，其特征在于，所述装置还包括：
更新模块，被配置为在所述筛选模块筛选出候选作品集之前，对于每个目标互动参数，根据与所述目标互动参数对应的第二社交关系用户集的第二用户账号存在社交关系的用户账号的总数、以及所述第二用户账号被其他用户账号举报的总数中的至少一项，更新所述目标互动参数。
18.根据权利要求15所述的装置，其特征在于，所述确定单元包括：
排序子单元，被配置为按照从大到小的顺序，对计算所得的所有候选参考值进行依序排序；
选取子单元，被配置为从所述第二社交关系用户集中选取排序在前的预设数量个候选参考值对应的用户账号，以获得候选用户集。
19.一种电子设备，其特征在于，包括：
处理器；
存储器，用于存储可由所述处理器执行的计算机程序；
其中，所述处理器被配置为在执行所述计算机程序时，实现如权利要求1至5中任一项所述的信息处理方法的步骤和/或如权利要求6至10中任一项所述的信息推荐方法的步骤。
20.一种计算机可读存储介质，当所述存储介质中的计算机程序由处理器执行时，使得所述处理器能够执行如权利要求1至5中任一项所述的信息处理方法的步骤和/或如权利要求6至10中任一项所述的信息推荐方法的步骤。
CN201910703743.8A 2019-07-31 2019-07-31 信息处理和推荐方法、装置、设备及存储介质 Active CN112328865B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910703743.8A CN112328865B (zh) 2019-07-31 2019-07-31 信息处理和推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910703743.8A CN112328865B (zh) 2019-07-31 2019-07-31 信息处理和推荐方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112328865A CN112328865A (zh) 2021-02-05
CN112328865B true CN112328865B (zh) 2024-01-05

Family

ID=74319543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910703743.8A Active CN112328865B (zh) 2019-07-31 2019-07-31 信息处理和推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112328865B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113365090B (zh) * 2021-05-31 2022-11-18 北京百度网讯科技有限公司 对象推荐方法、对象推荐装置、电子设备及可读存储介质
CN113722594B (zh) * 2021-09-01 2024-01-09 北京百度网讯科技有限公司 推荐模型的训练方法、推荐方法、装置、电子设备及介质
CN114564675B (zh) * 2022-04-28 2022-07-22 深圳格隆汇信息科技有限公司 一种信息推荐方法、装置及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101540739A (zh) * 2009-04-14 2009-09-23 腾讯科技（深圳）有限公司 用户推荐方法及用户推荐系统
WO2010144208A1 (en) * 2009-06-12 2010-12-16 Alibaba Group Holding Limited Method and apparatus for processing authentication request message in a social network
CN103034774A (zh) * 2011-10-10 2013-04-10 北京千橡网景科技发展有限公司 基于社交网络为用户推荐游戏的方法和设备
CN105468653A (zh) * 2014-09-12 2016-04-06 腾讯科技（北京）有限公司 基于社交应用软件的数据推荐方法和装置
CN106446218A (zh) * 2016-09-30 2017-02-22 北京奇虎科技有限公司 推荐数据的方法及装置
CN107104883A (zh) * 2017-04-21 2017-08-29 腾讯科技（深圳）有限公司 一种社交关系链中的信息分享方法、客户端及服务器
CN107220328A (zh) * 2017-05-23 2017-09-29 南京大学 基于社交网络的弱关系和强关系的视频推荐方法
CN107835120A (zh) * 2017-11-03 2018-03-23 上海掌门科技有限公司 用于提供目标好友的发布信息的方法与设备
CN107909428A (zh) * 2017-11-01 2018-04-13 平安科技（深圳）有限公司 电子装置、产品推荐方法和计算机可读存储介质
CN108133013A (zh) * 2017-12-22 2018-06-08 平安养老保险股份有限公司 信息处理方法、装置、计算机设备和存储介质
CN109241425A (zh) * 2018-08-31 2019-01-18 腾讯科技（深圳）有限公司 一种资源推荐方法、装置、设备及存储介质
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

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101540739A (zh) * 2009-04-14 2009-09-23 腾讯科技（深圳）有限公司 用户推荐方法及用户推荐系统
WO2010144208A1 (en) * 2009-06-12 2010-12-16 Alibaba Group Holding Limited Method and apparatus for processing authentication request message in a social network
CN103034774A (zh) * 2011-10-10 2013-04-10 北京千橡网景科技发展有限公司 基于社交网络为用户推荐游戏的方法和设备
CN105468653A (zh) * 2014-09-12 2016-04-06 腾讯科技（北京）有限公司 基于社交应用软件的数据推荐方法和装置
CN106446218A (zh) * 2016-09-30 2017-02-22 北京奇虎科技有限公司 推荐数据的方法及装置
CN107104883A (zh) * 2017-04-21 2017-08-29 腾讯科技（深圳）有限公司 一种社交关系链中的信息分享方法、客户端及服务器
CN107220328A (zh) * 2017-05-23 2017-09-29 南京大学 基于社交网络的弱关系和强关系的视频推荐方法
CN107909428A (zh) * 2017-11-01 2018-04-13 平安科技（深圳）有限公司 电子装置、产品推荐方法和计算机可读存储介质
CN107835120A (zh) * 2017-11-03 2018-03-23 上海掌门科技有限公司 用于提供目标好友的发布信息的方法与设备
CN108133013A (zh) * 2017-12-22 2018-06-08 平安养老保险股份有限公司 信息处理方法、装置、计算机设备和存储介质
CN109241425A (zh) * 2018-08-31 2019-01-18 腾讯科技（深圳）有限公司 一种资源推荐方法、装置、设备及存储介质
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

Also Published As

Publication number Publication date
CN112328865A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
EP3893154A1 (en) Recommendation model training method and related apparatus
US20210329094A1 (en) Discovering signature of electronic social networks
CN112328865B (zh) 信息处理和推荐方法、装置、设备及存储介质
US10354201B1 (en) Scalable clustering for mixed machine learning data
CN109062919B (zh) 一种基于深度强化学习的内容推荐方法及装置
CN111159564A (zh) 信息推荐方法、装置、存储介质及计算机设备
WO2018126953A1 (zh) 种子人群扩散方法、装置、信息投放系统以及存储介质
US9043317B2 (en) System and method for event-driven prioritization
US20060235859A1 (en) Prescriptive architecutre recommendations
WO2012068557A1 (en) Real-time analytics of streaming data
JP2019049783A (ja) 機械学習プログラム、機械学習方法、および機械学習装置
CN111125574A (zh) 用于生成信息的方法和装置
CN109558544B (zh) 排序方法及装置、服务器和存储介质
CN112346936A (zh) 应用故障根因定位方法及系统
KR20110096488A (ko) 최적화된 도메인간 정보 퀄리티 평가를 갖는 협동적 네트워킹
CN114245185B (zh) 视频推荐方法、模型训练方法、装置、电子设备及介质
Németh et al. A snapshot of the frontiers of client selection in federated learning
CN108038001B (zh) 垃圾文件清理策略生成方法、装置及服务器
CN104917812A (zh) 一种应用于群智计算的服务节点选择方法
CN113158022A (zh) 业务推荐方法、装置、服务器及存储介质
CN113836388A (zh) 信息推荐方法、装置、服务器及存储介质
CN116264575A (zh) 边缘节点调度方法、装置、计算设备及存储介质
Santhosh et al. Cloud-based software development lifecycle: A simplified algorithm for cloud service provider evaluation with metric analysis
Sadeghiram et al. A distance-based genetic algorithm for robust data-intensive web service composition in dynamic bandwidth environment
CN113034231B (zh) 一种基于SaaS云服务的多供应链商品智能推荐系统及方法

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