CN113032685A - 基于社交关系的对象推送方法、装置、设备及存储介质 - Google Patents

Abstract

本公开提供一种基于社交关系的对象推送方法、装置、设备及存储介质，涉及计算机技术领域，用于优化推送具有潜在的社交关系的对象的过程。该方法包括：确定第一社交关系网中对象与目标对象的第一关系紧密度，第一关系紧密度是根据至少一个对象的社交关系数据确定的；根据第一关系紧密度从所述对象中确定目标对象对应的候选对象；根据第二社交关系网中的社交属性数据确定候选对象与目标对象的第二关系紧密度，第二社交关系网是对原始社交关系网中的社交属性数据进行调整得到的，原始社交关系网是根据至少一个对象的社交关系数据确定的；根据第二关系紧密度向目标对象推送候选对象。该方法中两次筛选候选对象，提升了推送的候选对象的可靠性。

Description

基于社交关系的对象推送方法、装置、设备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种基于社交关系的对象推送方法、装置、设备及存储介质。

背景技术

相关技术中，相关技术中，常用知识图谱的形式表示社交关系网，社交关系网指社会个体成员之间通过社交关系形成的网络体系，知识图谱是描述真实世界中存在的各种实体概念及其关系的语义网络，对于用知识图谱表示的社交关系网，节点表示对象等实体，边表示社交关系等。

在分析社交关系时，可以向目标对象推送与其可能具有潜在的社交关系的对象，但目前在基于社交关系向目标对象推送具有潜在的社交关系的对象时，只能推送与目标对象具有直接的社交关系的对象具有社交关系的对象，这种方式推送的好友的可靠性低。

发明内容

本公开实施例提供一种基于社交关系的对象推送方法、装置、设备及存储介质，用于优化推送具有潜在的社交关系的对象的过程。

本公开第一方面，提供一种基于社交关系的对象推送方法，包括：

确定第一社交关系网中对象与目标对象的第一关系紧密度，其中所述第一社交关系网是根据至少一个对象的社交关系数据确定的，所述第一关系紧密度是根据所述至少一个对象的社交关系数据确定的；

根据所述第一关系紧密度从所述对象中确定目标对象对应的候选对象；

根据第二社交关系网中的社交属性数据确定所述候选对象与所述目标对象的第二关系紧密度，其中所述第二社交关系网是对原始社交关系网中的社交属性数据进行调整得到的，所述第二社交关系网中包括所述目标对象和所述候选对象，所述原始社交关系网是根据至少一个对象的社交关系数据确定的；

根据所述第二关系紧密度向所述目标对象推送候选对象。

在一种可能的实现方式中，所述根据所述第一关系紧密度从所述对象中确定目标对象对应的候选对象的步骤，包括：

根据所述第一关系紧密度将所述对象划分为多个候选对象集合，同一候选对象集合中的对象与所述目标对象的第一关系紧密度相同；

确定第一关系紧密度排序在第一指定序位的候选对象集合中的对象为所述候选对象，以及从其他的候选对象集合中选择候选对象。

在一种可能的实现方式中，所述从其他的候选对象子集合中选择候选对象的步骤，包括：

针对其他的候选对象集合中的任意一个对象，确定所述任意一个对象的共享对象的数量，其中所述共享对象与所述任意一个对象之间的关系类型为指定关系类型，且与所述目标对象之间的关系类型为指定关系类型；以及

若所述共享对象的数量排序在第二指定序位，则将所述任意一个对象确定为所述候选对象。

在一种可能的实现方式中，还包括：

从所述共享对象的数量未排序在第二指定序位的对象中，随机选择预设数量的对象为所述候选对象。

在一种可能的实现方式中，所述根据所述第一关系紧密度从所述对象中确定目标对象对应的候选对象的步骤之后，所述确定第二社交关系网中所述候选对象与所述目标对象的第二关系紧密度的步骤之前，还包括：

删除与所述目标对象之间的关系类型为指定关系类型的候选对象。

在一种可能的实现方式中，所述社交属性数据用于表示对象在所述社交关系网中的位置，所述根据第二社交关系网中的社交属性数据确定所述候选对象与所述目标对象的第二关系紧密度的步骤，包括：

从所述第二社交关系网中确定出所述目标对象的社交属性数据以及各个候选对象的社交属性数据；

分别确定各个候选对象的社交属性数据和所述目标对象的社交属性数据之差为各个候选对象和所述目标对象的第二关系紧密度。

在一种可能的实现方式中，根据所述第二关系紧密度向所述目标对象推送候选对象的步骤，包括：

确定与所述目标对象的第二关系紧密度排序在第三指定序位的候选对象；

向所述目标对象推送确定的候选对象。

在一种可能的实现方式中，所述确定第一社交关系网中对象与目标对象的第一关系紧密度的步骤之前，还包括：

获取所述至少一个对象的社交关系数据；

若确定所述至少一个对象中的异常对象，则删除所述异常对象的社交关系数据，其中所述异常对象为影响所述第一社交关系网中其它对象与所述目标对象的第一关系紧密度的对象；

根据获取的至少一个对象的社交关系数据确定所述第一社交关系网。

本公开第二方面，提供一种基于社交关系的对象推送装置，包括第一关系紧密度确定单元、候选对象确定单元、第二关系紧密度确定单元以及对象推送单元，其中：

所述第一关系紧密度确定单元被配置为执行确定第一社交关系网中对象与目标对象的第一关系紧密度，其中所述第一社交关系网是根据至少一个对象的社交关系数据确定的，所述第一关系紧密度是根据所述至少一个对象的社交关系数据确定的；

所述候选对象确定单元被配置为执行根据所述第一关系紧密度从所述对象中确定目标对象对应的候选对象；

所述第二关系紧密度确定单元被配置为执行根据第二社交关系网中的社交属性数据确定所述候选对象与所述目标对象的第二关系紧密度，其中所述第二社交关系网是对原始社交关系网中的社交属性数据进行调整得到的，所述第二社交关系网中包括所述目标对象和所述候选对象，所述原始社交关系网是根据至少一个对象的社交关系数据确定的；

所述对象推送单元被配置为执行根据所述第二关系紧密度向所述目标对象推送候选对象。

在一种可能的实现方式中，所述候选对象确定单元具体被配置为执行：

根据所述第一关系紧密度将所述对象划分为多个候选对象集合，同一候选对象集合中的对象与所述目标对象的第一关系紧密度相同；

确定第一关系紧密度排序在第一指定序位的候选对象集合中的对象为所述候选对象，以及从其他的候选对象集合中选择候选对象。

在一种可能的实现方式中，所述候选对象确定单元具体被配置为执行：

针对其他的候选对象集合中的任意一个对象，确定所述任意一个对象的共享对象的数量，其中所述共享对象与所述任意一个对象之间的关系类型为指定关系类型，且与所述目标对象之间的关系类型为指定关系类型；以及

若所述共享对象的数量排序在第二指定序位，则将所述任意一个对象确定为所述候选对象。

在一种可能的实现方式中，所述候选对象确定单元还被配置为执行：

从所述共享对象的数量未排序在第二指定序位的对象中，随机选择预设数量的对象为所述候选对象。

在一种可能的实现方式中，所述候选对象确定单元还被配置为执行：

所述根据所述第一关系紧密度从所述对象中确定目标对象对应的候选对象的步骤之后，所述确定第二社交关系网中所述候选对象与所述目标对象的第二关系紧密度的步骤之前，删除与所述目标对象之间的关系类型为指定关系类型的候选对象。

在一种可能的实现方式中，所述社交属性数据用于表示对象在所述社交关系网中的位置，所述第二关系紧密度确定单元具体被配置为执行：

从所述第二社交关系网中确定出所述目标对象的社交属性数据以及各个候选对象的社交属性数据；

分别确定各个候选对象的社交属性数据和所述目标对象的社交属性数据之差为各个候选对象和所述目标对象的第二关系紧密度。

在一种可能的实现方式中，所述对象推送单元具体被配置为执行：

确定与所述目标对象的第二关系紧密度排序在第三指定序位的候选对象；

向所述目标对象推送确定的候选对象。

在一种可能的实现方式中，所述第一关系紧密度确定单元还被配置为执行：

所述确定第一社交关系网中对象与目标对象的第一关系紧密度的步骤之前，获取所述至少一个对象的社交关系数据；

若确定所述至少一个对象中的异常对象，则删除所述异常对象的社交关系数据，其中所述异常对象为影响所述第一社交关系网中其它对象与所述目标对象的第一关系紧密度的对象；

根据获取的至少一个对象的社交关系数据确定所述第一社交关系网。

本公开第三方面，提供一种计算机设备，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程序时实现第一方面及一种可能的实施方式中任一所述的方法。

本公开第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如第一方面及一种可能的实施方式中任一所述的方法。

本公开的方案至少带来以下的有益效果：

本公开的方案中，通过第一社交关系网确定目标对象对应的候选对象，进而通过调整原始社交关系网得到的第二社交关系网对候选对象进行二次筛选，将筛选出的候选对象推送给目标对象，提升了推送的候选对象的可靠性。

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为本公开示例性实施例提供的基于社交关系的对象推送方法的流程示意图；

图2为本公开示例性实施例提供的一种第一社交关系网的结构示意图；

图3为本公开示例性实施例提供的一种第二社交关系网的结构示意图；

图4为本公开示例性实施例提供的另一种第一社交关系网的结构示意图；

图5为本公开示例性实施例提供的一种候选对象的示意图；

图6为本公开示例性实施例提供的另一种候选对象的示意图；

图7为本公开示例性实施例提供的一种确定候选对象的示意图；

图8为本公开示例性实施例提供的一种确定推送的候选对象的过程示意图；

图9为本公开示例性实施例提供的一种基于社交关系的对象推送装置的示意图；

图10为本公开示例性实施例提供的一种电子设备的结构示意图。

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。

为了便于本领域技术人员更好地理解本公开的技术方案，下面对本公开涉及的技术名词进行说明。

社交关系分析一般基于社交关系网实现，社交关系网是指社会个体成员之间通过社会关系结成的网络体系，社交关系网一般以知识图谱的形式存在，目的在于基于社交关系网理解人类各种社交关系形成、行为特点、信息传播规律等。

知识图谱(Knowledge Graph)：是一种本体论在信息领域的实现方式，是指描述真实世界中存在的各种实体概念及其关系的巨大的语义网络图，它通过实体和关系描述真实事件的物体、事物和联系。其中实体是指可区别性且独立存在的某种事物，在图形化分析中往往以“节点”的形式出现；关系是用来表达实体和实体之间的某种联系，在图形化分析中常展现为实体节点之间的连线即连接两个点的边，对于用知识图谱形式表示的社交关系网社，节点表示人物、概念等实体，边则表示节点间的社交关系。

embedding数据(嵌入向量数据)：用低维向量对实体进行编码且能保留其含义的，即用一个低维的向量表示一个实体，这个实体可以是一个词，或是一个物品，或是一个视频、一个人物等；embedding数据的性质是能使空间中距离相近的向量对应的实体有相近的含义或紧密的关系连接，比如互为亲戚或者好友的两个用户之间的向量距离就会很接近，但两个完全陌生的用户之间的向量距离就会比较远。

下面对本公开的设计思想进行说明。

随着互联网技术的发展，每个对象都会在社交平台上与其他对象建立社交关系，如好友关系、关注关系、点赞关系等；社交平台上会形成一个个社区，各个对象可以在社区中参与活动以及互相交流等，可以基于不同对象在社区中的社交关系向目标对象推送存在潜在的社交关系的对象，如与A具有社交关系的对象有B和C，与B具有社交关系的对象包括D和E，与C具有社交关系的对象包括F，现有技术中，在向A推送具有潜在的社交关系的对象时，只能从B至F中推送，其可推送的对象范围小，且推送的对象的可靠性较差，A极大可能对推送的对象并不感兴趣，其中，A、B、C、D、E和F各为一个对象。

鉴于此，本公开设计一种基于社交关系的对象推送方法、装置、设备及存储介质，用以优化推送具有潜在的社交关系的对象的过程，本公开的方法包括：确定第一社交关系网中对象与目标对象的第一关系紧密度，第一社交关系网是根据至少一个对象的社交关系数据确定的，上述第一关系紧密度是根据确定第一社交关系网的至少一个对象的社交关系数据确定的；根据上述第一关系紧密度从上述对象中确定目标对象对应的候选对象；根据第二社交关系网中的社交属性数据确定上述候选对象与上述目标对象的第二关系紧密度；根据上述第二关系紧密度向上述目标对象推送候选对象，其中：

第二社交关系网是对原始社交关系网中的社交属性数据进行调整得到的，第二社交关系网中包括上述目标对象和上述候选对象；原始社交关系网是根据至少一个对象的社交关系数据确定的。

应当说明的是，本公开实施例中的对象可以理解为社交平台中的用户，本公开文件中对象与用户表示同一含义。

以下结合附图对本公开的方案进行详细说明。

请参见图1，提供一种基于社交关系的对象推送方法，具体包括如下步骤：

步骤S101，确定第一社交关系网中对象与目标对象的第一关系紧密度，其中上述第一社交关系网是根据至少一个对象的社交关系数据确定的，上述第一关系紧密度是根据上述至少一个对象的社交关系数据确定的。

作为一种实施例，在确定第一社交关系网中对象与目标对象的第一关系紧密度的之前，首先需要获取第一社交关系网，具体而言，可以获取至少一个对象的社交关系数据，并根据获取的社交关系数据确定第一社交关系网，请参见图2，提供一种第一社交关系网的示意图，该第一社交关系网是基于biggraph模型建立的，其中节点A、B1至B3、C1至C5以及D1至D11各为一个对象，节点之间的边表示对象间的社交关系，上述社交关系是根据获取的社交关系数据确定的。

在此步骤中可以根据第一社交关系网中各个边表示的社交关系，分别确定第一社交关系网中各对象与目标对象的第一关系紧密度，即第一关系紧密度是根据第一社交关系网中各边表示的社交关系确定的。

应当说明的是，本公开中各社交关系网中的边仅是对象间的社交关系的抽象表示，并不能表示社交关系网中各对象间的空间距离。

上述第一关系紧密度可以理解为各对象和目标对象的社交关系的远近，本领域的技术人员可根据实际需求设计社交关系的远近的计算标准。

作为一种实施例，可以在第一社交关系网中，通过基于社交关系的游走算法确定各对象和目标对象间的第一关系紧密度；请继续参见图2，如基于社交关系从A出发进行游走算法，即第一次游走从A出发沿与A连接的边游走至B1至B3和D8，此时则认为B1至B3和D8与A之间的第一关系紧密度相同，继续进行第二次游走，此时从B1至B3和D8出发，沿着与B1至B3和D8连接的边游走至C1至C5，则认为C1至C5与A之间的第一关系紧密度相同，继续进行第三次游走，此时从C1至C5出发，沿着与C1至C5连接的边游走至D1至D11，则认为D1至D11与A之间的第一关系紧密度相同，且D1至D11与A之间的第一关系紧密度低于C1至C5与A的第一关系紧密度，C1至C5与A的第一关系紧密度低于B1至B3和D8与A的第一关系紧密度。

作为一种实施例，由于社交平台上的社交关系数据在实时更新，进而会影响到第一社交关系网中各对象间的社交关系，因此可以每间隔一段时间如每一天重新获取一次社交关系数据，用获取的社交关系数据更新第一社交关系网。

步骤S102，根据上述第一关系紧密度从上述对象中确定目标对象对应的候选对象。

作为一种实施例，可以根据上述第一关系紧密度将上述对象划分为多个候选对象集合，同一候选对象集合中的对象与上述目标对象的第一关系紧密度相同；

确定第一关系紧密度排序在第一指定序位的候选对象集合中的对象为上述候选对象，以及从其他的候选对象集合中选择候选对象。对上述第一指定序位不做过多限定，本领域的技术人员可根据实际需求设置，如将关系紧密按照从高到低进行排序，将排序在前X个的候选对象集合中对象作为候选对象，其中X为非负整数。

请继续参见图2，若通过基于社交关系的游走算法确定各对象和目标对象间的第一关系紧密度，则由于通过游走算法确定B1至B3和D8与A的第一关系紧密度相同，C1至C5与A的第一关系紧密度相同，D1至D11与A之间的第一关系紧密度相同，则可以将B1至B3和D8的集合作为第一候选对象集合，将C1至C5的集合作为第二候选对象集合，D1至D11的集合作为第三候选对象集合。

在获取各候选对象集合后，可以按照第一关系紧密度将各候选对象集合排序，请参见表1，给出一种候选对象集合的排序的示例。

表1：

参见表1，若X为2，则可以将B1至B3和D8以及C1至C5确定为候选对象，进而再从D1至D11中选择部分或全部对象作为候选对象，将第三候选对象集合作为其他的候选对象几个，进而从第三候选集合中选择候选对象。

作为一种实施例，若第三候选集合中的对象过少时，还可以基于社交关系的游走算法，继续进行第四次游走，此时从D1至D11出发，沿着与D1至D11连接的边游走其他的对象，将其他的对象确定为其他的候选对象集合，至其他的候选对象集合中的对象的数量满足要求。

步骤S103，根据第二社交关系网中的社交属性数据确定上述候选对象与上述目标对象的第二关系紧密度，第二社交关系网是对原始社交关系网中的社交属性数据进行调整得到的，第二社交关系网中包括上述目标对象和候选对象，上述原始社交关系网是根据至少一个对象的社交关系数据确定的。

作为一种实施例，原始社交关系网的构建方式可参照第一社交关系网的构建方式，基于biggraph模型建立；原始社交关系网中包括各对象(其中包含目标对象和候选对象)的社交属性数据，可以通过不断地调整各对象的社交属性数据得到第二社交关系网。

作为一种实施例，社交关系数据的更新会影响对象间的社交关系，而社交关系的改变对一些对象间的第一关系紧密度的影响较大，进而可能对确定目标对象对应的候选对象的过程影响较大；但由于本公开中各社交关系网是针对大规模的对象间的社交关系的表示，小部分对象间的社交关系的改变对各对象的社交属性向量的影响较小，因此确定第一社交关系网的社交关系数据和确定原始社交关系网的社交关系数据可以完全相同也可以部分相同。

作为一种实施例，当确定第一社交关系网的社交关系数据和确定原始社交关系网的社交关系数据完全相同时，可以将第一社交关系网作为原始社交关系网；当确定第一社交关系网的社交关系数据和确定原始社交关系网的社交关系数据部分相同时，可以将最近一次得到的第二社交关系网作为原始社交关系网。

作为一种实施例，在对原始社交关系网进行调整时，可以每间隔一段时间如每隔一周对原始社交关系网调整一次得到第二社交关系网，再次调整时将当前的第二社交关系网作为原始社交关系网，或者将最近一次得到的第一社交关系网作为原始社交关系网，进而对原始社交关系网进行调整得到第二社交关系网，使得调整后的第二社交关系网中具有社交关系的对象间的第二关系紧密度，高于原始社交关系网络中的第二关系紧密度，如图3所示，给出了一种第二社交关系网的示意图，图3示出的第二社交关系网为对图2示出的第一社交关系网进行调整得到的。

应当说明的是，本公开的方案在初次实施时，可以直接将获取的第一社交关系网作为原始社交关系网。

作为一种实施例，上述社交属性数据用于表示对象在上述社交关系网中的位置，在确定第二关系紧密度时，可以从第二社交关系网中确定出目标对象的社交属性数据以及各个候选对象的社交属性数据；分别确定各个候选对象的社交属性数据和目标对象的社交属性数据之差为各个候选对象和目标对象的第二关系紧密度。

其中，上述候选对象的社交属性数据和目标对象的社交属性数据之差可以理解为候选对象和目标对象在第二社交关系网中的空间距离。

应当说明的是，第一关系紧密度和第二关系紧密度虽然都是用于确定对象间社交关系的紧密度，但第一关系紧密度是根据第一社交关系网中各边表示的社交关系确定的，第二关系紧密度是根据不同对象在第二社交关系网中的空间位置确定的，第一关系紧密度表示不同对象间的社交关系的远近，第二关系紧密度表示对象在社交关系网中的位置的远近，第一关系紧密度和第二关系紧密度仅是从两个角度表示不同对象间的关系紧密程度。

作为一种实施例，对象的社交属性数据可以为对象的embedding数据，可以计算各个候选对象与目标对象的embedding数据的向量距离，根据向量距离确定各个对象与上述目标对象的第二关系紧密度，上述向量距离表示两个对象在第二社交关系网中的空间距离，向量距离越小，表示两个对象间的空间距离越短，两个对象间的第二关系紧密度越高。

步骤S104，根据上述第二关系紧密度向上述目标对象推送候选对象。

作为一种实施例，可以确定与上述目标对象的第二关系紧密度排序在第三指定序位的候选对象；向上述目标对象推送确定的候选对象。

对上述第三指定序位不做过多限定，本领域的技术人员可根据实际需求设置，如将关系紧密按照从高到低进行排序，将排序在前Y个的候选对象集合中对象作为候选对象，其中Y为非负整数。

由上述内容可知，第二关系紧密度表示不同对象间的空间距离，在获得各候选对象和目标对象的第二关系紧密度后，可以第二关系紧密度从高至低的顺序(即与目标对象的空间距离从近至远的顺序)，将各候选对象排序，如表2所示：

表2：

参见表2，其中的数字1至n仅为了区分不同的候选对象，n为正整数；若Y为4，则可以向目标对象推送候选对象1、候选对象2、候选对象3和候选对象4。

作为一种实施例，本公开实施例中的社交关系可以包括多种关系类型，如关注关系、好友关系、互动关系、第三方关系等。

关注关系可以包括单向关注关系和双向关注关系；单向关注关系可以理解为A关注了B，但B未关注A的关系；双向关注关系可以理解A和B互相关注；针对关注可以理解为A关注B后，A即可观看到B在社交平台上发布的内容，该内容可以是音频、视频、文字、图片以及主播内容等，其中A和B各表示一个对象。

上述好友关系包括单向好友关系和双向好友关系；单向好友关系可以理解为A是B在社交平台上的社交朋友，但B不是A的社交朋友；双向好友关系可以理解为A和B互相是对方的社交朋友；针对社交朋友可以理解为，A是B的社交朋友，则A可以通过聊天界面等向B发送消息，该消息可以是音频、视频、文字、图片等，其中A和B各表示一个对象。

应当理解的是，上述关注关系与好友关系在一些社交平台上可能等同，而在另一些社交平台两者可能不等同。

上述互动关系可以但不局限于包括点赞/评论关系、组队关系。

点赞/评论关系包括单向点赞/评论关系和双向点赞关系，单向点赞/评论关系可以理解为A对B在社交平台上发表的内容进行点赞/评论行为的关系，但B不存在对A在社交平台上发表的内容进行点赞/评论行为的关系；双向点赞关系可以理解为A和B互相为对方在社交平台上发表的内容进行点赞/评论行为关系，其中，A和B各表示一个对象。

组队关系可以理解为A和B在社交平台的某一活动中，同在一支队伍中参加活动的关系，其中，A和B各表示一个对象。

上述第三方关系可以理解为A和B在当前的社交平台以外的其他社交平台上具有某一种或多种社交关系，A和B各表示一个对象。

作为一种实施例，在步骤S101获取第一社交关系网时，可以但不局限于通过一个或多个社交平台获取各对象的社交关系数据，如通过各社交平台的日志系统和数据挖掘系统，收集各个社交平台中对象的社交关系数据，进而根据收集到的社交关系数据确定第一社交关系网，根据社交关系数据确定第一社交关系网的具体方法可以参照本实施例上述方法，此处不再重复叙述。

作为一种实施例，由于构建第一社交关系网的社交关系数据的数量很大，一些异常的社交关系数据会对第一社交关系网中不同对象的社交关系产生较大的影响，因此为了避免这些影响，还可以在获取至少一个对象的社交关系数据之后，根据获取的社交关系数据确定第一社交关系网之前，对获取的社交关系数据进行数据清洗，具体而言，可以判断上述至少一个对象中是否存在异常对象，若存在异常对象，则将异常对象的社交关系数据从社交关系数据集中删除，该异常对象为影响第一社交关系网中其它对象与目标对象的第一关系紧密度的对象，其中可以根据各对象的社交关系数据的数据量确定其是否为异常对象。

上述异常对象可以但不局限于包括过多关注对象和低活跃度对象，其中，若关注某一对象的用户的数量超过某一设定值，或者与该对象的社交关系数据的数据量超过某一设定数据量，则将上述某一对象确定为过多关注对象，或者，确定某一对象超过设定时间未登录社交平台上的社交账户时，确定该对象为低活跃度对象；如关注A的用户的数量超过1万或10万时，确定A为异常对象，若B在最近的一个月内未登录其社交账户，则确定B为低活跃度对象，A和B各表示一个对象。

在对获取的社交关系数据进行数据清洗后，可以避免异常对象的社交数据关系对其它对象与目标对象的第一关系紧密度的影响，进而能避免异常的社交属性数据对确定候选对象的影响，提高确定的候选对象的可靠性。

作为一种实施例，在步骤S102中，可以按照如下方式从其他的候选对象集合中选择候选对象：

针对其他的候选对象集合中的任意一个对象，确定上述任意一个对象的共享对象的数量，其中上述共享对象与上述任意一个对象之间的关系类型为指定关系类型，且与上述目标对象之间的关系类型为指定关系类型；以及

若上述共享对象的数量排序在第二指定序位，则将上述任意一个对象确定为上述候选对象。

对上述第二指定序位不做过多限定，本领域的技术人员可根据实际需求设置，如将共享对象的数量按照从大到小进行排序，将排序在前Z个的共享对象的数量对应的对象为候选对象，Z为非负整数。

参见图4，若图4所示的边均表示好友关系，指定关系类型为好友关系，且第三候选对象集合作为其他的候选集合，第三候选对象集合中包括D1至D11，则共享对象为第三候选对象集合中各对象和A的共同的社交朋友，根据图4所示的第一社交关系网，可以确定第三候选对象集合中各对象与A的共享好友的数量，具体各对象与A的共享好友及其数量如表3所示，其中A为目标对象，D1至D11各代表一个对象：

表3：

对象	共享好友	共享好友的数量
			D1	B2	1
D2	无	0
			D3	B1、B2、D8	3
D4	B1	1
			D5	无	0
D6	B3、D8	2
			D7	无	0
D8	无	0
			D9	无	0
D10	无	0
			D11	B2、B3	2

按照共享对象的数量按照从大到小进行排序后，D1至D11各对象的排序可以为表4或表5所示：

表4：

共享好友的数量	对象
		3	D3
2	D6、D11
		1	D1、D4
0	D2、D5、D7、D8、D9、D10

表5：

将第三候选对象集合中的对象进行排序时，可以将共享好友的数量相同的对象排序在相同位置如表4所示，也可以将共享好友的数量相同的对象排序在不同的位置如表5。

按照表4将对象进行排序时，上述Z可以为共享好友的数量的排序位置，此时，若Z为3，则将表4中的D3、D6、D11、D1、D4确定为候选对象；按照表5将对象进行排序时，上述Z可以为对象的排序位置，此时，若Z为3，则将表5中的D3、D6、D11确定为候选对象。

应当说明的是，上述表3至表5中各对象的共享好友的数量仅为举例说明，在实施本公开的技术方案时，某一对象的共享好友的数量可能与表3至表5中列举的共享好友的数量相同。

应当说明的是，上述从其他的候选对象集合中选择候选对象的方法并不唯一，本领域的技术人员还可以按照其他方法从其他的候选对象集合中选择候选对象，如随机从其他的候选对象集合中选择候选对象，此处不再做过多叙述。

作为一种实施例，若在多次向目标对象推送候选对象时，若每次推动的候选对象完全相同，则会造成目标对象的用户体验差，因此为避免每次向目标对象推送的候选对象相同，在通过上述方法确定候选对象时，或者确定候选对象之后，还可以从其他的候选对象集合中随机或者按照其他筛选方式添加选择一些对象作为候选对象，如将从共享对象的数量未排序在第二指定序位的对象中，随机选择预设数量的对象为上述候选对象。

对上述预设数量不做过多限定，本领域的技术人员可根据实际需求设置，如将其设置为2、3、5等。

如当基于表4，根据共享好友的数量将D3、D6、D11、D1、D4确定为候选对象后，还可以从D2、D5、D7、D8、D9、D10中随机选择2个对象作为候选对象。

根据上述各方法确定目标对象对应的候选对象中，可能存在与目标对象之间的关系类型为指定关系类型的候选对象，当针对指定关系类型向目标对象推送候选对象时，有可能会推送与目标对象之间为指定关系类型的候选对象，此时目标对象的体验感较差。

鉴于此，本实施在根据上述第一关系紧密度从上述对象中确定目标对象对应的候选对象的步骤之后，上述确定第二社交关系网中上述候选对象与上述目标对象的第二关系紧密度的步骤之前，还可以删除与上述目标对象之间的关系类型为指定关系类型的候选对象，如若指定关系类型为好友关系，则可以删除已经是目标对象A的社交好友的候选对象，通过这种方式，在多次向目标对象A推荐社交朋友时，可以避免向目标对象推荐已是其社交朋友的候选对象，提升用户的体验。

作为一种实施例，在步骤S103调整原始社交关系网时，由于社交关系网是超大规模多维度的对象表示，社交关系网可能包含数十亿级别的节点和数百亿级别的社交关系，其中的数据量太大，将整个社交关系网放在单个训练节点如服务器上调整，对训练节点造成的压力较大，其次，这种大规模的社交关系网占用的内存资源可能会超过单个训练节点的内存，无法将其装进单个训练节点的内存中，因此可以对社交关系网进行分布式调整至满足预设停止条件。

以下对步骤S103中对原始社交关系网进行调整详细的示例性说明。

该示例中，对基于biggraph模型建立的原始社交关系网进行调整，其过程主要包括划分对象关系样本、设置原始社交关系网的参数以及对原始社交关系网进行分布式调整的过程，具体如下：

1)划分对象关系样本

原始社交关系网中的节点可以用对象的标识信息如账户ID等标记，可以根据原始社交关系网中账户ID将获取的对象关系样本进行划分，将其划分成若干个样本集合，使得每个样本集合中包含部分对象关系样本中都能包含部分对象关系，其中对象关系样本可以理解为社交关系网中对象间的社交关系，即社交关系网中连接节点的边。

2)设置调整社交关系网的参数

上述参数可以但不局限于包括：划分的样本集合的数量、训练节点数量、距离函数、表示维度、目标函数。

上述划分的样本集合的数量可以是训练节点数量的两倍。

上述距离函数用于根据不同对象的社交属性数据计算对象间的空间距离，如根据两个对象的embedding数据的向量距离，根据向量距离确定上述两个对象的关系紧密度。

上述表示维度表示对象的社交属性数据能够表达信息量的多少，如社交属性数据为embedding数据时，表示维度为embedding数据的维度，其维度的值越大，代表embedding数据表达的信息越丰富。

上述目标函数代表优化的目标，其函数值表示原始社交关系网中不同对象间的第二关系紧密度的大小，其目标致力于使具有社交关系的对象越来越紧凑，使不具有社交关系的对象越来越疏远，目标函数的值越大，表示目标优化的越好，目标函数的函数值达到预设函数值时，表示调整的社交关系网满足了需求，其中，对预设函数值的具体数值不做过多限定，本领域的技术人员可根据实际需求设置。

本公开实施例中给出一种目标函数的示例，请参见公式1：

公式1：

公式1中，G为正样本集合，其包括社交关系网中的正样本，正样本为社交关系网中的边；

S’为负样本集合，其包括社交关系网中的采样的负样本，负样本为采样选取的两个没有边的对象间的样本，如若A与B之间存在边，A和C之间不存在边，则<A，B>为一个正样本，<A，C>为一个负样本，其中<A，B>和<A，C>为边的表示形式，A、B和C均为一个对象；

e为正样本，f(e)为e对应的两个节点的向量内积；

e’为负样本，f(e’)为e’对应的两个节点的向量内积；

L代表社交关系网调整的目标，L的值越大，表示社交关系网中正样本对应的节点更紧凑，负样本对应的节点更疏远。

应当说明的是，应当从社交关系网中样本的整体去理解正样本对应的节点更紧凑，负样本对应的节点更疏远。

3)调整原始社交关系网

根据划分的样本集合的数量、训练节点数量、表示维度等对原始社交关系网进行分布式调整，具体可以参照如下过程对原始社交关系网进行每一次的调整：

在每次调整原始社交关系网时，可以根据目标函数的函数值，通过距离函数调整各个对象的embedding数据，以使调整后具有社交关系的不同对象间的关系紧密度高于调整前的关系紧密度直至满足预设停止条件，将此时的原始社交关系网作为第二社交关系网。

应当说明的是，上述调整后的社交关系网中具有社交关系的不同对象间的关系紧密度高于调整前的关系紧密度，可以理解为目标函数中的正样本对应的节点更紧凑，负样本对应的节点更疏远。

上述预设停止条件可以但不局限于包括：

第一种预设停止条件：

第一对象的数量达到预设数量，该第一对象为对原始社交关系网进行调整时社交属性数据的更新次数达到预设次数的对象。

在每次对原始社交关系网进行调整时，有可能所有对象的社交属性数据都需要调整，但也可能一些对象的社交属性数据不需要调整，此时设置一个预设次数作为原始社交关系网的调整次数，当有预设数量的对象的社交属性数据的更新次数达到预设次数时，即认为达到了原始社交关系网的调整次数，结束对原始社交关系网的调整。

对上述预设数量和预设次数不做过多限定，本领域的技术人员可根据实际需求设置。

第二种预设停止条件：

目标函数的函数值达到预设函数值。

当目标函数的函数值达到预设函数值时，表即认为表示调整的社交关系网满足了需求，此时即可结束对原始社交关系网的调整。

以下给出一个基于社交关系的对象推送的完整过程的示例，具体包括如下几个过程：

该示例中以基于好友关系向目标对象推送社交朋友的场景进行说明，以图2所示的社交关系网作为第一社交关系网以及原始社交关系网，以A作为目标对象。

第一个过程：获取第一社交关系网以及第二社交关系网

通过某社交平台的日志系统好数据挖掘系统，获取社交关系数据；对社交关系数据进行数据清理，删除异常对象的社交关系数据；

将删除异常对象的社交关系数据进行融合，得到图2所示的第一社交关系网，其中每个点表示一个对象，对象间的边表示某种类型的社交关系。

将第一社交关系网作为原始社交关系网，通过不断调整第一社交关系网中各对象的embedding数据，对第一社交关系网进行分布式调整至满足预设停止条件，将调整后第一社交关系网作为第二社交关系网。

第二个过程：基于第一社交关系网获取目标对象对应的候选对象

通过游走算法确定第一社交关系网中各对象与A的第一关系紧密度，将第一关系紧密度的对象作为一个候选对象集合，请继续参见表1，此处A的候选对象集合包括第一候选对象集合、第二候选对象集合以及第三候选对象集合，其中第一候选对象集合包括B1至B3和D8，第二候选对象集合包括C1至C5，第三候选对象包括D1至D11，其中第一候选对象集合中对象与A的第一关系紧密度。

假定前述第一指定序位为2，则将第一候选对象中的B1至B3和D8，以及第二候选对象集合的C1至C5，作为候选对象，参见图5和图6。

进而作为其他的候选对象的第三候选对象集合中选择候选对象，此处假定根据共享好友的数量将D3、D6、D11、D1、D4确定为候选对象，此时候选对象为B1、B2、B3、D8、C1、C2、C3、C4、C5、D1、D3、D4、D6、D11；进而从D2、D5、D7、D8、D9、D10中随机选择D9和D10作为候选对象，此时的候选对象如图7所示。

进一步地，将已经是A的社交朋友的候选对象删除，此时假设D8为A的社交朋友，此时将D8删除，候选对象包括B1、B2、B3、C1、C2、C3、C4、C5、D1、D3、D4、D6、D9、D10、D11。

第三个过程：确定各候选对象和目标对象间的第二关系紧密度

从已获得的第二社交关系对象中确定各候选对象和A的embedding数据，使用欧式距离公式计算各候选对象与A的embedding数据的向量距离，以向量距离确定第二关系紧密度。

第四个过程：向目标对象推送候选对象

如图8所示，按照第二关系紧密度从高到低的顺序，将各候选对象进行排序，若候选对象的排序为B1、C1、B3、D11、C2、D9、C3、C4、B2、D3、C5、D1、D4、D6、D10，若上述表示第三指定序位的Y为4，则可以将候选对象B1、C1、B3、D11、C2作为潜在的社交朋友推送给目标对象A。

本公开中，通过第一社交关系网中各对象与目标对象的第一关系紧密度确定候选对象，增加了推送的候选对象的选择范围，且通过调整原始社交关系网得到的第二社交关系网，从已确定的候选对象中选择候选对象推送给目标对象，进一步筛选了候选对象，增加了推送的候选对象的可靠性。

请参见图9，基于相同的发明构思，本公开实施例还提供一种基于社交关系的对象推送装置900，包括第一关系紧密度确定单元901、候选对象确定单元902、第二关系紧密度确定单元903以及对象推送单元904，其中：

上述第一关系紧密度确定单元901被配置为执行确定第一社交关系网中对象与目标对象的第一关系紧密度，其中上述第一社交关系网是根据至少一个对象的社交关系数据确定的，上述第一关系紧密度是根据上述至少一个对象的社交关系数据确定的；

上述候选对象确定单元902被配置为执行根据上述第一关系紧密度从上述对象中确定目标对象对应的候选对象；

上述第二关系紧密度确定单元903被配置为执行根据第二社交关系网中的社交属性数据确定上述候选对象与上述目标对象的第二关系紧密度，其中上述第二社交关系网是对原始社交关系网中的社交属性数据进行调整得到的，上述第二社交关系网中包括上述目标对象和上述候选对象，上述原始社交关系网是根据至少一个对象的社交关系数据确定的；

上述对象推送单元904被配置为执行根据上述第二关系紧密度向上述目标对象推送候选对象。

作为一种可选的实施例，上述候选对象确定单元具体被配置为执行：

根据上述第一关系紧密度将上述对象划分为多个候选对象集合，同一候选对象集合中的对象与上述目标对象的第一关系紧密度相同；

确定第一关系紧密度排序在第一指定序位的候选对象集合中的对象为上述候选对象，以及从其他的候选对象集合中选择候选对象。

作为一种可选的实施例，上述候选对象确定单元具体被配置为执行：

针对其他的候选对象集合中的任意一个对象，确定上述任意一个对象的共享对象的数量，其中上述共享对象与上述任意一个对象之间的关系类型为指定关系类型，且与上述目标对象之间的关系类型为指定关系类型；以及

若上述共享对象的数量排序在第二指定序位，则将上述任意一个对象确定为上述候选对象。

作为一种可选的实施例，上述候选对象确定单元还被配置为执行：

从上述共享对象的数量未排序在第二指定序位的对象中，随机选择预设数量的对象为上述候选对象。

作为一种可选的实施例，上述候选对象确定单元还被配置为执行：

上述根据上述第一关系紧密度从上述对象中确定目标对象对应的候选对象的步骤之后，上述确定第二社交关系网中上述候选对象与上述目标对象的第二关系紧密度的步骤之前，删除与上述目标对象之间的关系类型为指定关系类型的候选对象。

作为一种可选的实施例，上述社交属性数据用于表示对象在上述社交关系网中的位置，上述第二关系紧密度确定单元具体被配置为执行：

从上述第二社交关系网中确定出上述目标对象的社交属性数据以及各个候选对象的社交属性数据；

分别确定各个候选对象的社交属性数据和上述目标对象的社交属性数据之差为各个候选对象和上述目标对象的第二关系紧密度。

作为一种可选的实施例，上述对象推送单元具体被配置为执行：

确定与上述目标对象的第二关系紧密度排序在第三指定序位的候选对象；

向上述目标对象推送确定的候选对象。

作为一种可选的实施例，上述第一关系紧密度确定单元还被配置为执行：

上述确定第一社交关系网中对象与目标对象的第一关系紧密度的步骤之前，获取上述至少一个对象的社交关系数据；

若确定上述至少一个对象中的异常对象，则删除上述异常对象的社交关系数据，其中上述异常对象为影响上述第一社交关系网中其它对象与上述目标对象的第一关系紧密度的对象；

根据获取的至少一个对象的社交关系数据确定上述第一社交关系网。

请参见图10，基于相同的发明构思，本公开实施例还提供一种电子设备1000，包括处理器1001、用于存储上述处理器可执行指令的存储器1002；

其中，上述处理器被配置为执行如下过程：

确定第一社交关系网中对象与目标对象的第一关系紧密度，其中上述第一社交关系网是根据至少一个对象的社交关系数据确定的，上述第一关系紧密度是根据上述至少一个对象的社交关系数据确定的；

根据上述第一关系紧密度从上述对象中确定目标对象对应的候选对象；

根据第二社交关系网中的社交属性数据确定上述候选对象与上述目标对象的第二关系紧密度，其中上述第二社交关系网是对原始社交关系网中的社交属性数据进行调整得到的，上述第二社交关系网中包括上述目标对象和上述候选对象，上述原始社交关系网是根据至少一个对象的社交关系数据确定的；

根据上述第二关系紧密度向上述目标对象推送候选对象。

作为一种可选的实施例，上述处理器具体被配置为执行：

根据上述第一关系紧密度将上述对象划分为多个候选对象集合，同一候选对象集合中的对象与上述目标对象的第一关系紧密度相同；

确定第一关系紧密度排序在第一指定序位的候选对象集合中的对象为上述候选对象，以及从其他的候选对象集合中选择候选对象。

作为一种可选的实施例，上述处理器具体被配置为执行：

针对其他的候选对象集合中的任意一个对象，确定上述任意一个对象的共享对象的数量，其中上述共享对象与上述任意一个对象之间的关系类型为指定关系类型，且与上述目标对象之间的关系类型为指定关系类型；以及

若上述共享对象的数量排序在第二指定序位，则将上述任意一个对象确定为上述候选对象。

作为一种可选的实施例，上述处理器还被配置为执行：

从上述共享对象的数量未排序在第二指定序位的对象中，随机选择预设数量的对象为上述候选对象。

作为一种可选的实施例，上述处理器还被配置为执行：

上述根据上述第一关系紧密度从上述对象中确定目标对象对应的候选对象的步骤之后，上述确定第二社交关系网中上述候选对象与上述目标对象的第二关系紧密度的步骤之前，删除与上述目标对象之间的关系类型为指定关系类型的候选对象。

作为一种可选的实施例，上述社交属性数据用于表示对象在上述社交关系网中的位置，上述处理器具体被配置为执行：

从上述第二社交关系网中确定出上述目标对象的社交属性数据以及各个候选对象的社交属性数据；

分别确定各个候选对象的社交属性数据和上述目标对象的社交属性数据之差为各个候选对象和上述目标对象的第二关系紧密度。

作为一种可选的实施例，上述处理器具体被配置为执行：

确定与上述目标对象的第二关系紧密度排序在第三指定序位的候选对象；

向上述目标对象推送确定的候选对象。

作为一种可选的实施例，上述处理器还被配置为执行：

上述确定第一社交关系网中对象与目标对象的第一关系紧密度的步骤之前，获取上述至少一个对象的社交关系数据；

若确定上述至少一个对象中的异常对象，则删除上述异常对象的社交关系数据，其中上述异常对象为影响上述第一社交关系网中其它对象与上述目标对象的第一关系紧密度的对象；

根据获取的至少一个对象的社交关系数据确定上述第一社交关系网。

需要说明的是，本公开涉及的用户/账户的信息均为经过用户/账户的授权而采集并进行后续处理分析的。

在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器，上述指令可由上述电子设备的处理器执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，上述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

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。本公开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 (10)

1.一种基于社交关系的对象推送方法，其特征在于，包括：

确定第一社交关系网中对象与目标对象的第一关系紧密度，其中所述第一社交关系网是根据至少一个对象的社交关系数据确定的，所述第一关系紧密度是根据所述至少一个对象的社交关系数据确定的；

根据所述第一关系紧密度从所述对象中确定目标对象对应的候选对象；

根据第二社交关系网中的社交属性数据确定所述候选对象与所述目标对象的第二关系紧密度，所述第二社交关系网是对原始社交关系网中的社交属性数据进行调整得到的，所述第二社交关系网中包括所述目标对象和所述候选对象，所述原始社交关系网是根据至少一个对象的社交关系数据确定的；

根据所述第二关系紧密度向所述目标对象推送候选对象。

2.如权利要求1所述的方法，其特征在于，所述根据所述第一关系紧密度从所述对象中确定目标对象对应的候选对象的步骤，包括：

根据所述第一关系紧密度将所述对象划分为多个候选对象集合，同一候选对象集合中的对象与所述目标对象的第一关系紧密度相同；

确定第一关系紧密度排序在第一指定序位的候选对象集合中的对象为所述候选对象，以及从其他的候选对象集合中选择候选对象。

3.如权利要求2所述的方法，其特征在于，所述从其他的候选对象子集合中选择候选对象的步骤，包括：

针对其他的候选对象集合中的任意一个对象，确定所述任意一个对象的共享对象的数量，其中所述共享对象与所述任意一个对象之间的关系类型为指定关系类型，且与所述目标对象之间的关系类型为指定关系类型；以及

若所述共享对象的数量排序在第二指定序位，则将所述任意一个对象确定为所述候选对象。

4.如权利要求3所述的方法，其特征在于，还包括：

从所述共享对象的数量未排序在第二指定序位的对象中，随机选择预设数量的对象为所述候选对象。

5.如权利要求1所述的方法，其特征在于，所述社交属性数据用于表示对象在所述社交关系网中的位置，所述根据第二社交关系网中的社交属性数据确定所述候选对象与所述目标对象的第二关系紧密度的步骤，包括：

从所述第二社交关系网中确定出所述目标对象的社交属性数据以及各个候选对象的社交属性数据；

分别确定各个候选对象的社交属性数据和所述目标对象的社交属性数据之差为各个候选对象和所述目标对象的第二关系紧密度。

6.如权利要求1或5所述的方法，其特征在于，根据所述第二关系紧密度向所述目标对象推送候选对象的步骤，包括：

确定与所述目标对象的第二关系紧密度排序在第三指定序位的候选对象；

向所述目标对象推送确定的候选对象。

7.如权利要求1所述的方法，其特征在于，所述确定第一社交关系网中对象与目标对象的第一关系紧密度的步骤之前，还包括：

获取所述至少一个对象的社交关系数据；

若确定所述至少一个对象中的异常对象，则删除所述异常对象的社交关系数据，其中所述异常对象为影响所述第一社交关系网中其它对象与所述目标对象的第一关系紧密度的对象；

根据获取的至少一个对象的社交关系数据确定所述第一社交关系网。

8.一种基于社交关系的对象推送装置，其特征在于，包括第一关系紧密度确定单元、候选对象确定单元、第二关系紧密度确定单元以及对象推送单元，其中：

所述第一关系紧密度确定单元被配置为执行确定第一社交关系网中对象与目标对象的第一关系紧密度，其中所述第一社交关系网是根据至少一个对象的社交关系数据确定的，所述第一关系紧密度是根据所述至少一个对象的社交关系数据确定的；

所述候选对象确定单元被配置为执行根据所述第一关系紧密度从所述对象中确定目标对象对应的候选对象；

所述第二关系紧密度确定单元被配置为执行根据第二社交关系网中的社交属性数据确定所述候选对象与所述目标对象的第二关系紧密度，其中所述第二社交关系网是对原始社交关系网中的社交属性数据进行调整得到的，所述第二社交关系网中包括所述目标对象和所述候选对象，所述原始社交关系网是根据至少一个对象的社交关系数据确定的；

所述对象推送单元被配置为执行根据所述第二关系紧密度向所述目标对象推送候选对象。

9.一种电子设备，其特征在于，包括处理器、用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行权利要求1至7中任一项所述的方法。

Images