CN113065361B - 用户亲密度的确定方法及装置、电子设备和存储介质 - Google Patents
用户亲密度的确定方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113065361B CN113065361B CN202110281161.2A CN202110281161A CN113065361B CN 113065361 B CN113065361 B CN 113065361B CN 202110281161 A CN202110281161 A CN 202110281161A CN 113065361 B CN113065361 B CN 113065361B
- Authority
- CN
- China
- Prior art keywords
- data
- user
- item
- intimacy
- value corresponding
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000002452 interceptive effect Effects 0.000 claims abstract description 225
- 230000003993 interaction Effects 0.000 claims abstract description 224
- 238000007405 data analysis Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims description 373
- 238000013528 artificial neural network Methods 0.000 claims description 66
- 238000004458 analytical method Methods 0.000 claims description 43
- 230000015654 memory Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 14
- 230000008451 emotion Effects 0.000 claims description 12
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 description 24
- 238000012545 processing Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种用户亲密度的确定方法及装置、电子设备和存储介质。所述方法包括:获取第一用户与第二用户之间的至少一项互动数据;对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值;向服务端发送所述至少一项互动数据对应的亲密度预测值,以由所述服务端根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种用户亲密度的确定方法及装置、电子设备和存储介质。
背景技术
近年来,各种网络社交软件已经成为人们生活的一部分。准确地确定用户之间的亲密度,能够为用户的网络社交带来更多趣味,社交软件和/或社交平台也能根据用户之间的亲密度推出更多功能,进而为用户的网络社交带来方便,提高用户通过社交软件和/或社交平台进行网络社交的体验。
发明内容
本公开提供了一种用户亲密度的确定技术方案。
根据本公开的一方面,提供了一种用户亲密度的确定方法,包括:
获取第一用户与第二用户之间的至少一项互动数据;
对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值;
向服务端发送所述至少一项互动数据对应的亲密度预测值,以由所述服务端根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。
通过用户终端获取第一用户与第二用户之间的至少一项互动数据,对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值,并向服务端发送所述至少一项互动数据对应的亲密度预测值,以由所述服务端根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度,由此通过所述用户终端对所述第一用户与所述第二用户之间的至少一项互动数据进行数据分析,无需将所述第一用户与所述第二用户之间的互动数据(例如聊天内容)上传至服务端,只需将所述第一用户与所述第二用户之间的互动数据对应的亲密度预测值上传至服务端,从而能够在保护所述第一用户与所述第二用户的隐私的前提下,准确地确定所述第一用户与所述第二用户之间的亲密度。
在一种可能的实现方式中,所述至少一项互动数据包括文字数据;
所述对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值,包括:
对于所述至少一项互动数据中的文字数据,将所述文字数据输入预先训练的第一神经网络,经由所述第一神经网络对所述文字数据进行语义分析,得到所述文字数据对应的亲密度预测值。
在该实现方式中,通过对于所述至少一项互动数据中的文字数据,将所述文字数据输入预先训练的第一神经网络,经由所述第一神经网络对所述文字数据进行语义分析,得到所述文字数据对应的亲密度预测值,由此对用户之间的互动的文字数据进行语义分析,从互动内容的实质上分析用户之间的亲密度,从而能够准确地确定两个用户之间的亲密度,并且,通过采用所述第一神经网络,能够提高确定所述至少一项互动数据对应的亲密度预测值的准确度和速度。
在一种可能的实现方式中,所述至少一项互动数据包括非文字数据;
所述对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值,包括:
将所述至少一项互动数据中的非文字数据转换为文字数据,并对转换得到的文字数据进行语义分析,得到所述非文字数据对应的亲密度预测值;
和/或,
响应于所述非文字数据包括图像数据,对所述至少一项互动数据中的图像数据进行情感预测,得到所述图像数据对应的亲密度预测值。
在该实现方式中,通过将所述至少一项互动数据中的非文字数据转换为文字数据,并对转换得到的文字数据进行语义分析,得到所述非文字数据对应的亲密度预测值,和/或,响应于所述非文字数据包括图像数据,对所述至少一项互动数据中的图像数据进行情感预测,得到所述图像数据对应的亲密度预测值,由此能够进一步提高所述至少一项互动数据对应的亲密度预测值的准确度。
在一种可能的实现方式中,在所述将所述文字数据输入预先训练的第一神经网络之前,所述方法还包括:
获取多项训练数据,其中,所述多项训练数据中的任意一项训练数据为不同用户之间的互动数据;
获取所述多项训练数据对应的亲密度真值;
对于所述多项训练数据中的任意一项训练数据,将所述训练数据输入所述第一神经网络,经由所述第一神经网络对所述训练数据进行语义分析,得到所述训练数据对应的亲密度预测值;
根据所述训练数据对应的亲密度预测值和所述训练数据对应的亲密度真值,训练所述第一神经网络。
在该实现方式中,通过获取多项训练数据,获取所述多项训练数据对应的亲密度真值,对于所述多项训练数据中的任意一项训练数据,将所述训练数据输入所述第一神经网络,经由所述第一神经网络对所述训练数据进行语义分析,得到所述训练数据对应的亲密度预测值,并根据所述训练数据对应的亲密度预测值和所述训练数据对应的亲密度真值,训练所述第一神经网络,由此训练得到的第一神经网络能够学习到预测互动数据对应的亲密度预测值的能力。
在一种可能的实现方式中,所述多项训练数据包括多项第一训练数据和多项第二训练数据;
所述获取所述多项训练数据对应的亲密度真值,包括:
对于任意一项第一训练数据,获取人工标注的所述第一训练数据对应的亲密度真值;
对于任意一项第二训练数据,根据所述多项第一训练数据中的至少一项第一训练数据对应的亲密度真值,以及所述第二训练数据与所述至少一项第一训练数据之间的相关性,预测所述第二训练数据对应的亲密度真值。
在该实现方式中,通过对于任意一项第一训练数据,获取人工标注的所述第一训练数据对应的亲密度真值,由此能够获得第一训练数据的准确的亲密度真值;通过对于任意一项第二训练数据,根据所述多项第一训练数据中的至少一项第一训练数据对应的亲密度真值,以及所述第二训练数据与所述至少一项第一训练数据之间的相关性,预测所述第二训练数据对应的亲密度真值,由此能够快速确定第二训练数据对应的亲密度真值,无需人工对第二训练数据进行标注,且能够基于第一训练数据的准确的亲密度真值,获得准确性较高的第二训练数据对应的亲密度真值。
在一种可能的实现方式中,所述对于任意一项第二训练数据,根据所述多项第一训练数据中的至少一项第一训练数据对应的亲密度真值,以及所述第二训练数据与所述至少一项第一训练数据之间的相关性,预测所述第二训练数据对应的亲密度真值,包括:
根据所述多项第一训练数据对应的亲密度真值,所述多项第二训练数据与所述多项第一训练数据两两之间的相关性,以及所述多项第二训练数据两两之间的相关性,预测所述多项第二训练数据对应的亲密度真值。
在该实现方式中,通过根据所述多项第一训练数据对应的亲密度真值,所述多项第二训练数据与所述多项第一训练数据两两之间的相关性,以及所述多项第二训练数据两两之间的相关性,预测所述多项第二训练数据对应的亲密度真值,由此能够基于第一训练数据的准确的亲密度真值,所述多项第二训练数据与所述多项第一训练数据两两之间的相关性,以及所述多项第二训练数据两两之间的相关性,获得准确性较高的第二训练数据对应的亲密度真值。
根据本公开的一方面,提供了一种用户亲密度的确定方法,应用于服务端,所述方法包括:
从用户终端获取第一用户与第二用户之间的至少一项互动数据对应的亲密度预测值,其中,所述至少一项互动数据对应的亲密度预测值,是由所述用户终端对所述至少一项互动数据进行数据分析得到的;
根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。
通过服务端从用户终端获取第一用户与第二用户之间的至少一项互动数据对应的亲密度预测值,其中,所述至少一项互动数据对应的亲密度预测值,是由所述用户终端对所述至少一项互动数据进行数据分析得到的,所述服务端根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度,由此通过所述用户终端对所述第一用户与所述第二用户之间的至少一项互动数据进行数据分析,无需将所述第一用户与所述第二用户之间的互动数据(例如聊天内容)上传至服务端,只需将所述第一用户与所述第二用户之间的互动数据对应的亲密度预测值上传至服务端,从而能够在保护所述第一用户与所述第二用户的隐私的前提下,准确地确定所述第一用户与所述第二用户之间的亲密度。
在一种可能的实现方式中,所述根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度,包括:
对于所述至少一项互动数据中的任意一项互动数据,获取所述互动数据对应的权重;
根据所述至少一项互动数据对应的亲密度预测值,以及所述至少一项互动数据对应的权重,确定所述第一用户与所述第二用户之间的亲密度。
在该实现方式中,通过获取所述至少一项互动数据中的各项互动数据对应的权重,根据所述至少一项互动数据对应的亲密度预测值,以及所述至少一项互动数据对应的权重,确定所述第一用户与所述第二用户之间的亲密度,由此能够进一步提高所确定的两个用户之间的亲密度的准确性。
在一种可能的实现方式中,所述对于所述至少一项互动数据中的任意一项互动数据,获取所述互动数据对应的权重,包括:
对于所述至少一项互动数据中的任意一项互动数据,根据所述互动数据在所述至少一项互动数据中的顺序或者所述互动数据对应的互动时间,确定所述互动数据对应的权重。
在该实现方式中,通过对于所述至少一项互动数据中的任意一项互动数据,根据所述互动数据在所述至少一项互动数据中的顺序或者所述互动数据对应的互动时间,确定所述互动数据对应的权重,由此能够对新产生的互动数据赋予较大的权重,对旧的互动数据赋予较小的权重,从而能够更准确地确定用户之间的亲密度。
根据本公开的一方面,提供了一种用户亲密度的确定方法,应用于用户终端,所述方法包括:
获取第一用户与第二用户之间的至少一项互动数据;
对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值;
根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。
根据本公开的一方面,提供了一种用户亲密度的确定装置,应用于用户终端,所述装置包括:
第一获取模块,用于获取第一用户与第二用户之间的至少一项互动数据;
第一数据分析模块,用于对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值;
发送模块,用于向服务端发送所述至少一项互动数据对应的亲密度预测值,以由所述服务端根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。
在一种可能的实现方式中,所述至少一项互动数据包括文字数据;
所述第一数据分析模块用于:
对于所述至少一项互动数据中的文字数据,将所述文字数据输入预先训练的第一神经网络,经由所述第一神经网络对所述文字数据进行语义分析,得到所述文字数据对应的亲密度预测值。
在一种可能的实现方式中,所述至少一项互动数据包括非文字数据;
所述第一数据分析模块用于:
将所述至少一项互动数据中的非文字数据转换为文字数据,并对转换得到的文字数据进行语义分析,得到所述非文字数据对应的亲密度预测值;
和/或,
响应于所述非文字数据包括图像数据,对所述至少一项互动数据中的图像数据进行情感预测,得到所述图像数据对应的亲密度预测值。
在一种可能的实现方式中,所述装置还包括:
第四获取模块,用于获取多项训练数据,其中,所述多项训练数据中的任意一项训练数据为不同用户之间的互动数据;
第五获取模块,用于获取所述多项训练数据对应的亲密度真值;
第一语义分析模块,用于对于所述多项训练数据中的任意一项训练数据,将所述训练数据输入所述第一神经网络,经由所述第一神经网络对所述训练数据进行语义分析,得到所述训练数据对应的亲密度预测值;
第一训练模块,用于根据所述训练数据对应的亲密度预测值和所述训练数据对应的亲密度真值,训练所述第一神经网络。
在一种可能的实现方式中,所述多项训练数据包括多项第一训练数据和多项第二训练数据;
所述第五获取模块用于:
对于任意一项第一训练数据,获取人工标注的所述第一训练数据对应的亲密度真值;
对于任意一项第二训练数据,根据所述多项第一训练数据中的至少一项第一训练数据对应的亲密度真值,以及所述第二训练数据与所述至少一项第一训练数据之间的相关性,预测所述第二训练数据对应的亲密度真值。
在一种可能的实现方式中,所述第五获取模块用于:
根据所述多项第一训练数据对应的亲密度真值,所述多项第二训练数据与所述多项第一训练数据两两之间的相关性,以及所述多项第二训练数据两两之间的相关性,预测所述多项第二训练数据对应的亲密度真值。
根据本公开的一方面,提供了一种用户亲密度的确定装置,应用于服务端,所述装置包括:
第二获取模块,用于从用户终端获取第一用户与第二用户之间的至少一项互动数据对应的亲密度预测值,其中,所述至少一项互动数据对应的亲密度预测值,是由所述用户终端对所述至少一项互动数据进行数据分析得到的;
第一确定模块,用于根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。
在一种可能的实现方式中,所述第一确定模块用于:
对于所述至少一项互动数据中的任意一项互动数据,获取所述互动数据对应的权重;
根据所述至少一项互动数据对应的亲密度预测值,以及所述至少一项互动数据对应的权重,确定所述第一用户与所述第二用户之间的亲密度。
在一种可能的实现方式中,所述第一确定模块用于:
对于所述至少一项互动数据中的任意一项互动数据,根据所述互动数据在所述至少一项互动数据中的顺序或者所述互动数据对应的互动时间,确定所述互动数据对应的权重。
根据本公开的一方面,提供了一种用户亲密度的确定装置,,应用于用户终端,所述装置包括:
第三获取模块,用于获取第一用户与第二用户之间的至少一项互动数据;
第二数据分析模块,用于对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值;
第二确定模块,用于根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。
根据本公开的一方面,提供了一种电子设备,包括:一个或多个处理器;用于存储可执行指令的存储器;其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,通过用户终端获取第一用户与第二用户之间的至少一项互动数据,对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值,并向服务端发送所述至少一项互动数据对应的亲密度预测值,以由所述服务端根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度,由此通过所述用户终端对所述第一用户与所述第二用户之间的至少一项互动数据进行数据分析,无需将所述第一用户与所述第二用户之间的互动数据(例如聊天内容)上传至服务端,只需将所述第一用户与所述第二用户之间的互动数据对应的亲密度预测值上传至服务端,从而能够在保护所述第一用户与所述第二用户的隐私的前提下,准确地确定所述第一用户与所述第二用户之间的亲密度。
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,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
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,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例提供的用户亲密度的确定方法的一示例性的流程图。
图2示出本公开实施例提供的用户亲密度的确定方法的另一示例性的流程图。
图3示出本公开实施例提供的用户亲密度的确定方法的另一示例性的流程图。
图4示出本公开实施例提供的用户亲密度的确定装置的一示例性的框图。
图5示出本公开实施例提供的用户亲密度的确定装置的另一示例性的框图。
图6示出本公开实施例提供的用户亲密度的确定装置的另一示例性的框图。
图7示出本公开实施例提供的一种电子设备800的框图。
图8示出本公开实施例提供的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
在本公开实施例中,通过用户终端获取第一用户与第二用户之间的至少一项互动数据,对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值,并向服务端发送所述至少一项互动数据对应的亲密度预测值,以由所述服务端根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度,由此通过所述用户终端对所述第一用户与所述第二用户之间的至少一项互动数据进行数据分析,无需将所述第一用户与所述第二用户之间的互动数据(例如聊天内容)上传至服务端,只需将所述第一用户与所述第二用户之间的互动数据对应的亲密度预测值上传至服务端,从而能够在保护所述第一用户与所述第二用户的隐私的前提下,准确地确定所述第一用户与所述第二用户之间的亲密度。
下面结合附图对本公开实施例提供的用户亲密度的确定方法进行详细的说明。
图1示出本公开实施例提供的用户亲密度的确定方法的一示例性的流程图。所述用户亲密度的确定方法可以由用户终端执行。其中,用户终端可以是用户设备(UserEquipment,UE)、移动设备、蜂窝电话、无绳电话、个人数字助理(Personal DigitalAssistant,PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中,所述用户亲密度的确定方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示,所述用户亲密度的确定方法包括步骤S11至步骤S13。
在步骤S11中,获取第一用户与第二用户之间的至少一项互动数据。
在步骤S12中,对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值。
在步骤S13中,向服务端发送所述至少一项互动数据对应的亲密度预测值,以由所述服务端根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。
在本公开实施例中,所述用户终端可以为所述第一用户对应的用户终端或者所述第二用户对应的用户终端。其中,所述第一用户对应的用户终端可以表示能够被所述第一用户操作的用户终端,所述第二用户对应的用户终端可以表示能够被所述第二用户操作的用户终端。例如,所述用户终端可以是所述第一用户的手机、所述第一用户的平板电脑、所述第二用户的手机或者所述第二用户的平板电脑等。
在本公开实施例中,所述第一用户与所述第二用户是不同的用户。所述第一用户和所述第二用户可以是通过社交软件和/或社交平台等进行互动的任意两个用户。所述第一用户与所述第二用户之间的互动数据,可以包括所述第一用户与所述第二用户之间的任意一种互动行为所产生的互动数据。其中,所述第一用户与所述第二用户之间的互动行为可以包括双向的互动行为,例如聊天等,也可以包括单向的互动行为,例如评论、发弹幕、点赞、收藏、转发、关注等中的至少之一。
在本公开实施例中,可以在所述互动数据对应的各用户均授权的情况下,获取所述互动数据。其中,所述互动数据对应的各用户可以表示所述互动数据涉及的各个用户。例如,所述互动数据为所述第一用户与所述第二用户之间的互动数据,则可以在第一用户与第二用户均授权的情况下,获取所述互动数据。又如,所述互动数据为所述第一用户、所述第二用户与第三用户之间的互动数据,则可以在所述第一用户、所述第二用户和第三用户均授权的情况下,获取所述互动数据。
在一种可能的实现方式中,所述获取第一用户与所述第二用户之间的互动数据,可以包括:获取所述第一用户与所述第二用户之间的至少一项聊天数据。根据该实现方式,可以基于所述第一用户与所述第二用户之间的聊天数据的数据分析结果准确地确定两个用户之间的亲密度,例如,可以基于所述第一用户与所述第二用户之间的聊天数据的语义分析结果准确地确定两个用户之间的亲密度。在一种可能的实现方式中,所述至少一项互动数据中的任意一项互动数据可以对应于一个句子,即,任意一项互动数据可以是所述第一用户与所述第二用户之间的聊天数据中的一句话。
在本公开实施例中,所述第一用户与所述第二用户之间的亲密度可以表示所述第一用户与所述第二用户之间人际关系的亲密程度。在一些实施例中,亲密度还可能被称为情感值或者情感度等。在本公开实施例中,所述第一用户与所述第二用户之间的亲密度越高,则可以表示所述第一用户与所述第二用户越亲密,即,所述第一用户与所述第二用户之间的人际关系越好;所述第一用户与所述第二用户之间的亲密度越低,则可以表示所述第一用户与所述第二用户越不亲密,即,所述第一用户与所述第二用户之间的人际关系越不好。所述至少一项互动数据中的任意一项互动数据对应的亲密度预测值,可以表示所述互动数据所反映的所述第一用户与所述第二用户之间的人际关系的亲密程度的预测值。
在本公开实施例中,在互动数据包括多项的情况下,可以对各项互动数据分别进行数据分析,也可以对相关的互动数据合并后进行数据分析。例如,可以响应于任意两项互动数据的发送时间的时间间隔小于或等于第一阈值,将该两项互动数据确定为相关的互动数据。
在一种可能的实现方式中,所述至少一项互动数据包括文字数据;所述对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值,包括:对于所述至少一项互动数据中的文字数据,将所述文字数据输入预先训练的第一神经网络,经由所述第一神经网络对所述文字数据进行语义分析,得到所述文字数据对应的亲密度预测值。
在该实现方式中,所述文字数据可以包括:所述第一用户与所述第二用户之间发送的文字数据,和/或,根据所述第一用户与所述第二用户之间的互动行为确定的文字数据。例如,所述文字数据可以包括所述第一用户与所述第二用户通过聊天互相发送的文字数据。又如,所述文字数据可以包括所述第一用户评论所述第二用户的文字数据和/或所述第二用户评论所述第一用户的文字数据。又如,所述文字数据可以包括根据所述第一用户与所述第二用户通过聊天互相发送的表情包确定的文字数据。
在该实现方式中,所述第一神经网络可以通过自然语言处理对所述文字数据进行语义分析,得到所述文字数据对应的亲密度预测值。所述第一神经网络可以采用LSTM(LongShort Term Memory,长短期记忆网络)或者Bi-LSTM(Bi-directional Long Short TermMemory,双向长短期记忆网络)等,在此不作限定。
相关技术中,社交软件和/或社交平台大多根据两个用户之间的聊天频率和/或聊天持续时长来确定两个用户之间的亲密度。但实际上两个用户之间可能只是通过聊天交流工作,那么,即使这两个用户之间聊天很频繁也只是普通同事关系。因此,这种方式所确定的用户之间的亲密度的准确性较低。在以上实现方式中,通过对于所述至少一项互动数据中的文字数据,将所述文字数据输入预先训练的第一神经网络,经由所述第一神经网络对所述文字数据进行语义分析,得到所述文字数据对应的亲密度预测值,由此对用户之间的互动的文字数据进行语义分析,从互动内容的实质上分析用户之间的亲密度,从而能够准确地确定两个用户之间的亲密度,并且,通过采用所述第一神经网络,能够提高确定所述至少一项互动数据对应的亲密度预测值的准确度和速度。
在另一种可能的实现方式中,可以预先设计用于对互动数据中的文字数据进行语义分析的第一函数,对于所述至少一项互动数据中的文字数据,经由该第一函数对所述文字数据进行语义分析,得到所述文字数据对应的亲密度预测值。
在一种可能的实现方式中,在所述将所述文字数据输入预先训练的第一神经网络之前,所述方法还包括:获取多项训练数据,其中,所述多项训练数据中的任意一项训练数据为不同用户之间的互动数据;获取所述多项训练数据对应的亲密度真值;对于所述多项训练数据中的任意一项训练数据,将所述训练数据输入所述第一神经网络,经由所述第一神经网络对所述训练数据进行语义分析,得到所述训练数据对应的亲密度预测值;根据所述训练数据对应的亲密度预测值和所述训练数据对应的亲密度真值,训练所述第一神经网络。在该实现方式中,可以在任意一项互动数据对应的各用户均授权的前提下,获取所述互动数据作为训练数据,由此可以基于不同用户之间的大量的互动数据训练所述第一神经网络,例如,可以基于不同用户之间的大量的聊天数据训练所述第一神经网络。其中,任意一项互动数据对应的用户均授权,可以指所述互动数据涉及的各用户均授权。例如,所述互动数据为用户A与用户B之间的聊天数据,用户A与用户B均授权。在该实现方式中,可以根据所述训练数据对应的亲密度预测值与所述训练数据对应的亲密度真值之间的差异,确定所述第一神经网络对应的损失函数的值,并基于所述损失函数的值,训练所述第一神经网络。例如,可以采用梯度下降的反向传播方法等,训练所述第一神经网络。在该实现方式中,通过获取多项训练数据,获取所述多项训练数据对应的亲密度真值,对于所述多项训练数据中的任意一项训练数据,将所述训练数据输入所述第一神经网络,经由所述第一神经网络对所述训练数据进行语义分析,得到所述训练数据对应的亲密度预测值,并根据所述训练数据对应的亲密度预测值和所述训练数据对应的亲密度真值,训练所述第一神经网络,由此训练得到的第一神经网络能够学习到预测互动数据对应的亲密度预测值的能力。
作为该实现方式的一个示例,所述多项训练数据包括多项第一训练数据和多项第二训练数据;所述获取所述多项训练数据对应的亲密度真值,包括:对于任意一项第一训练数据,获取人工标注的所述第一训练数据对应的亲密度真值;对于任意一项第二训练数据,根据所述多项第一训练数据中的至少一项第一训练数据对应的亲密度真值,以及所述第二训练数据与所述至少一项第一训练数据之间的相关性,预测所述第二训练数据对应的亲密度真值。在该示例中,可以将所述多项训练数据划分为第一训练数据和第二训练数据,其中,任意一项第一训练数据对应的亲密度真值可以是人工标注的,任意一项第二训练数据对应的亲密度真值可以是非人工标注的,即,标注人员可以仅对所述多项训练数据中的多项第一训练数据进行标注。
在该示例中,对于任意一项第二训练数据和任意一项第一训练数据,可以生成所述第二训练数据对应的向量和所述第一训练数据对应的向量,并可以根据所述第二训练数据对应的向量与所述第一训练数据对应的向量之间的相似度,确定所述第二训练数据与所述第一训练数据之间的相关性。在一个例子中,可以将所述第二训练数据对应的向量与所述第一训练数据对应的向量之间的相似度,作为所述第二训练数据与所述第一训练数据之间的相关性。在另一个例子中,可以对所述第二训练数据对应的向量与所述第一训练数据对应的向量之间的相似度进行归一化,得到所述第二训练数据与所述第一训练数据之间的相关性。在这个例子中,可以将第一相似度与所述第二训练数据对应的相似度和值的比值,作为所述第二训练数据与所述第一训练数据之间的相关性;其中,所述第一相似度表示所述第二训练数据对应的向量与所述第一训练数据对应的向量之间的相似度;所述第二训练数据对应的相似度和值可以表示所述第二训练数据对应的向量与各项第一训练数据对应的向量之间的相似度的和值。
在一个例子中,所述根据所述生成所述第二训练数据对应的向量,可以包括:对所述第二训练数据进行分词;生成所述第二训练数据中的各个词对应的词向量;根据所述第二训练数据中的各个词对应的词向量,确定所述第二训练数据对应的向量。例如,可以将所述第二训练数据中的各个词对应的词向量的平均值,作为所述第二训练数据对应的向量。又如,可以将所述第二训练数据中的各个词对应的词向量之和,作为所述第二训练数据对应的向量。当然,还可以采用Doc2vec等方法,生成所述第二训练数据对应的向量,本领域技术人员可以根据实际应用场景需求灵活选择。
在该示例中,生成所述第一训练数据对应的向量的方法与生成所述第二训练数据对应的向量的方法类似,在此不再赘述。
在该示例中,通过对于任意一项第一训练数据,获取人工标注的所述第一训练数据对应的亲密度真值,由此能够获得第一训练数据的准确的亲密度真值;通过对于任意一项第二训练数据,根据所述多项第一训练数据中的至少一项第一训练数据对应的亲密度真值,以及所述第二训练数据与所述至少一项第一训练数据之间的相关性,预测所述第二训练数据对应的亲密度真值,由此能够快速确定第二训练数据对应的亲密度真值,无需人工对第二训练数据进行标注,且能够基于第一训练数据的准确的亲密度真值,获得准确性较高的第二训练数据对应的亲密度真值。
在一个例子中,所述对于任意一项第二训练数据,根据所述多项第一训练数据中的至少一项第一训练数据对应的亲密度真值,以及所述第二训练数据与所述至少一项第一训练数据之间的相关性,预测所述第二训练数据对应的亲密度真值,包括:根据所述多项第一训练数据对应的亲密度真值,所述多项第二训练数据与所述多项第一训练数据两两之间的相关性,以及所述多项第二训练数据两两之间的相关性,预测所述多项第二训练数据对应的亲密度真值。例如,可以将所述多项第一训练数据和所述多项第二训练数据分别作为无向图中的节点,在所述无向图中,节点的值等于节点对应的训练数据对应的亲密度真值,在每两个节点之间建立边,两个节点之间的边的权重等于相应的两项训练数据之间的相关性。在所述无向图中,根据节点之间的边的权重,传播亲密度真值。其中,在每轮传播后,各项第一训练数据对应的节点的值恢复为其初始的亲密度真值(即人工标注的亲密度真值)。经过多轮传播,所述无向图收敛后,可以得到所述多项第二训练数据中的各项第二训练数据对应的亲密度真值。又如,可以将所述多项第一训练数据和所述多项第二训练数据分别作为无向图中的节点,在所述无向图中,节点的值等于节点对应的训练数据对应的亲密度真值,在第一训练数据与第二训练数据对应的节点之间建立边,在两项第二训练数据对应的节点之间建立边,其中,两个节点之间的边的权重等于相应的两项训练数据之间的相关性。在这个例子中,在两项第一训练数据对应的节点之间不建立边。在所述无向图中,根据节点之间的边的权重,传播亲密度真值。其中,在每轮传播后,各项第一训练数据对应的节点的值恢复为其初始的亲密度真值(即人工标注的亲密度真值)。经过多轮传播,所述无向图收敛后,可以得到所述多项第二训练数据中的各项第二训练数据对应的亲密度真值。在上述例子中,通过根据所述多项第一训练数据对应的亲密度真值,所述多项第二训练数据与所述多项第一训练数据两两之间的相关性,以及所述多项第二训练数据两两之间的相关性,预测所述多项第二训练数据对应的亲密度真值,由此能够基于第一训练数据的准确的亲密度真值,所述多项第二训练数据与所述多项第一训练数据两两之间的相关性,以及所述多项第二训练数据两两之间的相关性,获得准确性较高的第二训练数据对应的亲密度真值。
在另一个例子中,可以不考虑所述多项第二训练数据两两之间的相关性,对于任意一项第二训练数据,可以仅根据所述第二训练数据与所述多项第一训练数据中的各项第一训练数据之间的相关性,以及所述多项第一训练数据对应的亲密度真值,预测所述第二训练数据对应的亲密度真值。例如,第一训练数据包括N项,第二训练数据包括M项。M项第二训练数据中的第j项第二训练数据与N项第一训练数据中的第i项第一训练数据之间的相关性可以记为wij,第i项第一训练数据对应的亲密度真值可以记为ri,那么,第j项第二训练数据对应的亲密度真值可以等于其中,1≤i≤N,1≤j≤M。
作为该实现方式的另一个示例,所述多项训练数据中的各项训练数据对应的亲密度真值可以均是人工标注的。
在一种可能的实现方式中,所述至少一项互动数据包括非文字数据;所述对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值,包括:将所述至少一项互动数据中的非文字数据转换为文字数据,并对转换得到的文字数据进行语义分析,得到所述非文字数据对应的亲密度预测值;和/或,响应于所述非文字数据包括图像数据,对所述至少一项互动数据中的图像数据进行情感预测,得到所述图像数据对应的亲密度预测值。在该实现方式中,所述非文字数据可以包括:所述第一用户与所述第二用户之间发送的非文字数据,和/或,所述第一用户与所述第二用户之间的单向互动行为产生的互动数据。其中,所述第一用户与所述第二用户之间发送的非文字数据可以包括图像数据、音频数据、链接等中的至少之一。所述图像数据可以包括表情包图像,也可以包括用户之间互动的其他图像,在此不作限定。所述图像数据可以为静态图像数据,也可以为动态图像数据。
作为该实现方式的一个示例,可以将转换得到的文字数据输入预先训练的第一神经网络,经由所述第一神经网络对所述转换得到的文字数据进行语义分析,得到所述转换得到的文字数据对应的亲密度预测值。
作为该实现方式的一个示例,可以将所述至少一项互动数据中的图像数据输入预先训练的第二神经网络,经由所述第二神经网络对所述图像数据进行情感预测,得到所述图像数据对应的亲密度预测值。作为该实现方式的另一个示例,可以预先设计用于对互动数据中的图像数据进行语义分析的第二函数,对于所述至少一项互动数据中的图像数据,经由该第二函数对所述图像数据进行语义分析,得到所述图像数据对应的亲密度预测值。
在该实现方式中,通过将所述至少一项互动数据中的非文字数据转换为文字数据,并对转换得到的文字数据进行语义分析,得到所述非文字数据对应的亲密度预测值,和/或,响应于所述非文字数据包括图像数据,对所述至少一项互动数据中的图像数据进行情感预测,得到所述图像数据对应的亲密度预测值,由此能够进一步提高所述至少一项互动数据对应的亲密度预测值的准确度。
在本公开实施例中,所述服务端可以是社交软件和/或社交平台对应的服务端,在此不作限定。在本公开实施例中,可以综合用户之间的历史互动数据确定用户之间的亲密度。例如,所述服务端可以根据所述第一用户与所述第二用户之间在预设时间范围内的多项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。例如,所述服务端可以根据所述第一用户与所述第二用户之间在预设时间范围内的各项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。例如,所述预设时间范围可以是一个星期、一个月、3个月、半年等等。在本公开实施例中,所述服务端在获取所述第一用户与所述第二用户之间的至少一项互动数据对应的亲密度预测值,可以根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。例如,在互动数据包括多项的情况下,所述服务端可以根据多项互动数据对应的亲密度预测值的加权和或者平均值,确定所述第一用户与所述第二用户之间的亲密度。
图2示出本公开实施例提供的用户亲密度的确定方法的另一示例性的流程图。所述用户亲密度的确定方法应用于服务端。在一种可能的实现方式中,所述用户亲密度的确定方法可以由服务端的一个或多个服务器执行。在一些可能的实现方式中,所述用户亲密度的确定方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图2所示,所述用户亲密度的确定方法包括步骤S21至步骤S22。
在步骤S21中,从用户终端获取第一用户与第二用户之间的至少一项互动数据对应的亲密度预测值,其中,所述至少一项互动数据对应的亲密度预测值,是由所述用户终端对所述至少一项互动数据进行数据分析得到的。
在步骤S22中,根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。
在本公开实施例中,所述服务端可以是社交软件和/或社交平台对应的服务端,在此不作限定。在本公开实施例中,可以综合用户之间的历史互动数据确定用户之间的亲密度。例如,所述服务端可以根据所述第一用户与所述第二用户之间在预设时间范围内的多项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。例如,所述服务端可以根据所述第一用户与所述第二用户之间在预设时间范围内的各项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。例如,所述预设时间范围可以是一个星期、一个月、3个月、半年等等。
在本公开实施例中,服务端从用户终端获取第一用户与第二用户之间的至少一项互动数据对应的亲密度预测值,其中,所述至少一项互动数据对应的亲密度预测值,是由所述用户终端对所述至少一项互动数据进行数据分析得到的,所述服务端根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度,由此通过所述用户终端对所述第一用户与所述第二用户之间的至少一项互动数据进行数据分析,无需将所述第一用户与所述第二用户之间的互动数据(例如聊天内容)上传至服务端,只需将所述第一用户与所述第二用户之间的互动数据对应的亲密度预测值上传至服务端,从而能够在保护所述第一用户与所述第二用户的隐私的前提下,准确地确定所述第一用户与所述第二用户之间的亲密度。
在一种可能的实现方式中,所述根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度,包括:对于所述至少一项互动数据中的任意一项互动数据,获取所述互动数据对应的权重;根据所述至少一项互动数据对应的亲密度预测值,以及所述至少一项互动数据对应的权重,确定所述第一用户与所述第二用户之间的亲密度。在该实现方式中,可以根据所述至少一项互动数据对应的亲密度预测值的加权和,确定所述第一用户与所述第二用户之间的亲密度。例如,可以将所述加权和与所述至少一项互动数据对应的权重之和的比值,作为所述第一用户与所述第二用户之间的亲密度。又如,可以将所述加权和作为所述第一用户与所述第二用户之间的亲密度。在该实现方式中,通过获取所述至少一项互动数据中的各项互动数据对应的权重,根据所述至少一项互动数据对应的亲密度预测值,以及所述至少一项互动数据对应的权重,确定所述第一用户与所述第二用户之间的亲密度,由此能够进一步提高所确定的两个用户之间的亲密度的准确性。
作为该实现方式的一个示例,所述对于所述至少一项互动数据中的任意一项互动数据,获取所述互动数据对应的权重,包括:对于所述至少一项互动数据中的任意一项互动数据,根据所述互动数据在所述至少一项互动数据中的顺序或者所述互动数据对应的互动时间,确定所述互动数据对应的权重。
在一个例子中,对于所述至少一项互动数据中的任意一项互动数据,可以根据所述互动数据在所述至少一项互动数据中的顺序,确定所述互动数据对应的权重。在这个例子中,所述互动数据在所述至少一项互动数据中的排序越前,则可以表示所述互动数据越新,从而所述互动数据对应的权重越大;所述互动数据在所述至少一项互动数据中的排序越后,则可以表示所述互动数据越旧,从而所述互动数据对应的权重越小。
在另一个例子中,对于所述至少一项互动数据中的任意一项互动数据,可以根据所述互动数据对应的互动时间,确定所述互动数据对应的权重。在这个例子中,所述互动数据对应的互动时间越早(即与当前时间之间的距离越大),则所述互动数据对应的权重越小;所述互动数据对应的互动时间越晚(即与当前时间之间的距离越小),则所述互动数据对应的权重越大。
在该示例中,通过对于所述至少一项互动数据中的任意一项互动数据,根据所述互动数据在所述至少一项互动数据中的顺序或者所述互动数据对应的互动时间,确定所述互动数据对应的权重,由此能够对新产生的互动数据赋予较大的权重,对旧的互动数据赋予较小的权重,从而能够更准确地确定用户之间的亲密度。
在一个例子中,所述服务端可以采用式1确定所述第一用户与所述第二用户之间的亲密度Q:
其中,n表示用于确定所述第一用户与所述第二用户之间的亲密度的、所述第一用户与所述第二用户之间的互动数据的数量,qk表示第k项互动数据对应的亲密度预测值,αk表示第k项互动数据对应的权重,1≤k≤n。其中,0<α<1,例如,α=0.9。k=1对应于距离当前时间最近的互动数据,即,n项互动数据中的第1项互动数据是距离当前时间最近的互动数据,q1为距离当前时间最近的互动数据对应的亲密度预测值;k=2对应于距离当前时间第二近的互动数据,即,n项互动数据中的第2项互动数据是距离当前时间第二近的互动数据,q1为距离当前时间第二近的互动数据对应的亲密度预测值;以此类推。其中,当前时间表示确定所述第一用户与所述第二用户之间的亲密度的时间。
在另一种可能的实现方式中,可以不考虑所述互动数据对应的权重,根据所述至少一项互动数据对应的亲密度预测值的平均值,确定所述第一用户与所述第二用户之间的亲密度。例如,可以将所述至少一项互动数据对应的亲密度预测值的平均值,作为所述第一用户与所述第二用户之间的亲密度。
图3示出本公开实施例提供的用户亲密度的确定方法的另一示例性的流程图。所述用户亲密度的确定方法可以由用户终端执行。其中,用户终端可以是用户设备、移动设备、蜂窝电话、无绳电话、个人数字助理、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中,所述用户亲密度的确定方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图3所示,所述用户亲密度的确定方法包括步骤S31至步骤S33。
在步骤S31中,获取第一用户与第二用户之间的至少一项互动数据。
在步骤S32中,对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值。
在步骤S33中,根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。
在本公开实施例中,通过用户终端获取第一用户与第二用户之间的至少一项互动数据,对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值,并根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度,由此通过所述用户终端对所述第一用户与所述第二用户之间的至少一项互动数据进行数据分析,无需将所述第一用户与所述第二用户之间的互动数据(例如聊天内容)上传至服务端,从而能够在保护所述第一用户与所述第二用户的隐私的前提下,准确地确定所述第一用户与所述第二用户之间的亲密度。
在一种可能的实现方式中,所述至少一项互动数据包括文字数据;所述对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值,包括:对于所述至少一项互动数据中的文字数据,将所述文字数据输入预先训练的第一神经网络,经由所述第一神经网络对所述文字数据进行语义分析,得到所述文字数据对应的亲密度预测值。
在一种可能的实现方式中,所述至少一项互动数据包括非文字数据;所述对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值,包括:将所述至少一项互动数据中的非文字数据转换为文字数据,并对转换得到的文字数据进行语义分析,得到所述非文字数据对应的亲密度预测值;和/或,响应于所述非文字数据包括图像数据,对所述至少一项互动数据中的图像数据进行情感预测,得到所述图像数据对应的亲密度预测值。
在一种可能的实现方式中,在所述将所述文字数据输入预先训练的第一神经网络之前,所述方法还包括:获取多项训练数据,其中,所述多项训练数据中的任意一项训练数据为不同用户之间的互动数据;获取所述多项训练数据对应的亲密度真值;对于所述多项训练数据中的任意一项训练数据,将所述训练数据输入所述第一神经网络,经由所述第一神经网络对所述训练数据进行语义分析,得到所述训练数据对应的亲密度预测值;根据所述训练数据对应的亲密度预测值和所述训练数据对应的亲密度真值,训练所述第一神经网络。
作为该实现方式的一个示例,所述多项训练数据包括多项第一训练数据和多项第二训练数据;所述获取所述多项训练数据对应的亲密度真值,包括:对于任意一项第一训练数据,获取人工标注的所述第一训练数据对应的亲密度真值;对于任意一项第二训练数据,根据所述多项第一训练数据中的至少一项第一训练数据对应的亲密度真值,以及所述第二训练数据与所述至少一项第一训练数据之间的相关性,预测所述第二训练数据对应的亲密度真值。
在一个例子中,所述对于任意一项第二训练数据,根据所述多项第一训练数据中的至少一项第一训练数据对应的亲密度真值,以及所述第二训练数据与所述至少一项第一训练数据之间的相关性,预测所述第二训练数据对应的亲密度真值,包括:根据所述多项第一训练数据对应的亲密度真值,所述多项第二训练数据与所述多项第一训练数据两两之间的相关性,以及所述多项第二训练数据两两之间的相关性,预测所述多项第二训练数据对应的亲密度真值。
在一种可能的实现方式中,所述根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度,包括:对于所述至少一项互动数据中的任意一项互动数据,获取所述互动数据对应的权重;根据所述至少一项互动数据对应的亲密度预测值,以及所述至少一项互动数据对应的权重,确定所述第一用户与所述第二用户之间的亲密度。
作为该实现方式的一个示例,所述对于所述至少一项互动数据中的任意一项互动数据,获取所述互动数据对应的权重,包括:对于所述至少一项互动数据中的任意一项互动数据,根据所述互动数据在所述至少一项互动数据中的顺序或者所述互动数据对应的互动时间,确定所述互动数据对应的权重。
本公开实施例可以应用于社交软件或者社交平台等。下面通过一个具体的应用场景说明本公开实施例提供的用户亲密度的确定方法。在该应用场景中,用户终端在第一用户与第二用户均授权的前提下,获取所述第一用户与所述第二用户之间的n项聊天数据。所述用户终端将所述n项聊天数据分别输入预先训练的第一神经网络,经由所述第一神经网络对所述n项聊天数据分别进行语义分析,得到所述n项聊天数据对应的亲密度预测值。所述用户终端向服务端发送所述n项聊天数据对应的亲密度预测值,且无需向所述服务端发送所述n项聊天数据。所述服务端根据所述n项聊天数据中的各项聊天数据在所述n项聊天数据中的顺序,确定所述n项聊天数据中的各项聊天数据对应的权重,并采用式1确定所述第一用户与所述第二用户之间的亲密度。
在一个应用场景中,所述服务端和/或所述用户终端可以根据所述第一用户与所述第二用户之间的亲密度,进行亲密度提示。例如,若所述第一用户与所述第二用户之间的亲密度属于第一预设区间,则可以采用第一图标表示所述第一用户与所述第二用户之间的亲密度;若所述第一用户与所述第二用户之间的亲密度属于第二预设区间,则可以采用第二图标表示所述第一用户与所述第二用户之间的亲密度。
在另一个应用场景中,所述服务端可以根据所述第一用户与所述第二用户之间的亲密度,进行基于亲密度进行大数据分析,分析不同亲密度的双方的交流习惯、研究促进情感发展的交流用语推荐算法等等。例如,可以在两个用户聊天的过程中,根据两者的互动数据确定两者之间的亲密度,然后根据亲密度向用户推荐交流用语。又如,可以将有助于促进情感发展的交流用语用于AI(Artificial Intelligence,人工智能)客服,以提高AI客服与用户之间交流的流畅度,从而提高用户与AI客服进行交流的体验。
在另一个应用场景中,可以将用户之间的亲密度应用于账号申诉中,使系统能够更准确地判断用户填写的邀请好友辅助申诉的资料的有效性,从而有助于保护用户的账号安全。例如,用户在进行账号申诉时(如账号找回、账号解封申请等),需邀请一个好友并提供该好友信息(如该好友的账号信息)辅助申诉;系统(服务器)获取到该好友信息时,根据用户与该好友之间的互动数据分析确定两者的亲密度,进而根据该亲密度判断该好友是否可作为申诉考虑因素,如该亲密度低于一定阈值,则可认为该好友过于陌生,无法将该好友作为申诉考虑因素,可要求用户邀请另一好友辅助申诉;而若该亲密度高于或等于一定阈值,则可将该好友作为申诉考虑因素,并进行后续申诉处理。通过该方式,可降低用户账号被他人通过邀请陌生好友的方式恶意获取的可能性,有利于提高用户账号的安全性。
在另一个应用场景中,第一用户对应的用户终端可以根据第一用户与不同用户的亲密度,将与第一用户亲密度较高的用户设置在好友列表的前面,又或者是将亲密度处于同一区间的若干个用户设置至同一组别以进行显示,从而能够节省第一用户从好友列表中找好友的时间。其中,在该亲密度是由服务器分析确定的情况下,服务器可将确定的亲密度信息发送至用户终端,由用户终端根据该亲密度进行好友显示;而在该亲密度是在用户终端本地分析确定的情况下,用户终端可根据本地分析确定的亲密度进行好友显示。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了用户亲密度的确定装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种用户亲密度的确定方法,相应技术方案和技术效果可参见方法部分的相应记载,不再赘述。
图4示出本公开实施例提供的用户亲密度的确定装置的一示例性的框图。所述用户亲密度的确定装置应用于用户终端。如图4所示,所述用户亲密度的确定装置包括:
第一获取模块41,用于获取第一用户与第二用户之间的至少一项互动数据;
第一数据分析模块42,用于对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值;
发送模块43,用于向服务端发送所述至少一项互动数据对应的亲密度预测值,以由所述服务端根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。
在一种可能的实现方式中,所述至少一项互动数据包括文字数据;
所述第一数据分析模块42用于:
对于所述至少一项互动数据中的文字数据,将所述文字数据输入预先训练的第一神经网络,经由所述第一神经网络对所述文字数据进行语义分析,得到所述文字数据对应的亲密度预测值。
在一种可能的实现方式中,所述至少一项互动数据包括非文字数据;
所述第一数据分析模块42用于:
将所述至少一项互动数据中的非文字数据转换为文字数据,并对转换得到的文字数据进行语义分析,得到所述非文字数据对应的亲密度预测值;
和/或,
响应于所述非文字数据包括图像数据,对所述至少一项互动数据中的图像数据进行情感预测,得到所述图像数据对应的亲密度预测值。
在一种可能的实现方式中,所述装置还包括:
第四获取模块,用于获取多项训练数据,其中,所述多项训练数据中的任意一项训练数据为不同用户之间的互动数据;
第五获取模块,用于获取所述多项训练数据对应的亲密度真值;
第一语义分析模块,用于对于所述多项训练数据中的任意一项训练数据,将所述训练数据输入所述第一神经网络,经由所述第一神经网络对所述训练数据进行语义分析,得到所述训练数据对应的亲密度预测值;
第一训练模块,用于根据所述训练数据对应的亲密度预测值和所述训练数据对应的亲密度真值,训练所述第一神经网络。
在一种可能的实现方式中,所述多项训练数据包括多项第一训练数据和多项第二训练数据;
所述第五获取模块用于:
对于任意一项第一训练数据,获取人工标注的所述第一训练数据对应的亲密度真值;
对于任意一项第二训练数据,根据所述多项第一训练数据中的至少一项第一训练数据对应的亲密度真值,以及所述第二训练数据与所述至少一项第一训练数据之间的相关性,预测所述第二训练数据对应的亲密度真值。
在一种可能的实现方式中,所述第五获取模块用于:
根据所述多项第一训练数据对应的亲密度真值,所述多项第二训练数据与所述多项第一训练数据两两之间的相关性,以及所述多项第二训练数据两两之间的相关性,预测所述多项第二训练数据对应的亲密度真值。
在本公开实施例中,通过用户终端获取第一用户与第二用户之间的至少一项互动数据,对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值,并向服务端发送所述至少一项互动数据对应的亲密度预测值,以由所述服务端根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度,由此通过所述用户终端对所述第一用户与所述第二用户之间的至少一项互动数据进行数据分析,无需将所述第一用户与所述第二用户之间的互动数据(例如聊天内容)上传至服务端,只需将所述第一用户与所述第二用户之间的互动数据对应的亲密度预测值上传至服务端,从而能够在保护所述第一用户与所述第二用户的隐私的前提下,准确地确定所述第一用户与所述第二用户之间的亲密度。
图5示出本公开实施例提供的用户亲密度的确定装置的另一示例性的框图。所述用户亲密度的确定装置应用于服务端。如图5所示,所述用户亲密度的确定装置包括:
第二获取模块51,用于从用户终端获取第一用户与第二用户之间的至少一项互动数据对应的亲密度预测值,其中,所述至少一项互动数据对应的亲密度预测值,是由所述用户终端对所述至少一项互动数据进行数据分析得到的;
第一确定模块52,用于根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。
在一种可能的实现方式中,所述第一确定模块52用于:
对于所述至少一项互动数据中的任意一项互动数据,获取所述互动数据对应的权重;
根据所述至少一项互动数据对应的亲密度预测值,以及所述至少一项互动数据对应的权重,确定所述第一用户与所述第二用户之间的亲密度。
在一种可能的实现方式中,所述第一确定模块52用于:
对于所述至少一项互动数据中的任意一项互动数据,根据所述互动数据在所述至少一项互动数据中的顺序或者所述互动数据对应的互动时间,确定所述互动数据对应的权重。
在本公开实施例中,通过服务端从用户终端获取第一用户与第二用户之间的至少一项互动数据对应的亲密度预测值,其中,所述至少一项互动数据对应的亲密度预测值,是由所述用户终端对所述至少一项互动数据进行数据分析得到的,所述服务端根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度,由此通过所述用户终端对所述第一用户与所述第二用户之间的至少一项互动数据进行数据分析,无需将所述第一用户与所述第二用户之间的互动数据(例如聊天内容)上传至服务端,只需将所述第一用户与所述第二用户之间的互动数据对应的亲密度预测值上传至服务端,从而能够在保护所述第一用户与所述第二用户的隐私的前提下,准确地确定所述第一用户与所述第二用户之间的亲密度。
图6示出本公开实施例提供的用户亲密度的确定装置的另一示例性的框图。所述用户亲密度的确定装置应用于用户终端。如图6所示,所述用户亲密度的确定装置包括:
第三获取模块61,用于获取第一用户与第二用户之间的至少一项互动数据;
第二数据分析模块62,用于对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值;
第二确定模块63,用于根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。
在一种可能的实现方式中,所述至少一项互动数据包括文字数据;
所述第二数据分析模块62用于:
对于所述至少一项互动数据中的文字数据,将所述文字数据输入预先训练的第一神经网络,经由所述第一神经网络对所述文字数据进行语义分析,得到所述文字数据对应的亲密度预测值。
在一种可能的实现方式中,所述至少一项互动数据包括非文字数据;
所述第二数据分析模块62用于:
将所述至少一项互动数据中的非文字数据转换为文字数据,并对转换得到的文字数据进行语义分析,得到所述非文字数据对应的亲密度预测值;
和/或,
响应于所述非文字数据包括图像数据,对所述至少一项互动数据中的图像数据进行情感预测,得到所述图像数据对应的亲密度预测值。
在一种可能的实现方式中,所述装置还包括:
第六获取模块,用于获取多项训练数据,其中,所述多项训练数据中的任意一项训练数据为不同用户之间的互动数据;
第七获取模块,用于获取所述多项训练数据对应的亲密度真值;
第二语义分析模块,用于对于所述多项训练数据中的任意一项训练数据,将所述训练数据输入所述第一神经网络,经由所述第一神经网络对所述训练数据进行语义分析,得到所述训练数据对应的亲密度预测值;
第二训练模块,用于根据所述训练数据对应的亲密度预测值和所述训练数据对应的亲密度真值,训练所述第一神经网络。
作为该实现方式的一个示例,所述多项训练数据包括多项第一训练数据和多项第二训练数据;
所述第七获取模块用于:
对于任意一项第一训练数据,获取人工标注的所述第一训练数据对应的亲密度真值;
对于任意一项第二训练数据,根据所述多项第一训练数据中的至少一项第一训练数据对应的亲密度真值,以及所述第二训练数据与所述至少一项第一训练数据之间的相关性,预测所述第二训练数据对应的亲密度真值。
在一个例子中,所述第七获取模块用于:
根据所述多项第一训练数据对应的亲密度真值,所述多项第二训练数据与所述多项第一训练数据两两之间的相关性,以及所述多项第二训练数据两两之间的相关性,预测所述多项第二训练数据对应的亲密度真值。
在一种可能的实现方式中,所述第二确定模块63用于:
对于所述至少一项互动数据中的任意一项互动数据,获取所述互动数据对应的权重;
根据所述至少一项互动数据对应的亲密度预测值,以及所述至少一项互动数据对应的权重,确定所述第一用户与所述第二用户之间的亲密度。
作为该实现方式的一个示例,所述第二确定模块63用于:
对于所述至少一项互动数据中的任意一项互动数据,根据所述互动数据在所述至少一项互动数据中的顺序或者所述互动数据对应的互动时间,确定所述互动数据对应的权重。
在本公开实施例中,通过用户终端获取第一用户与第二用户之间的至少一项互动数据,对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值,并根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度,由此通过所述用户终端对所述第一用户与所述第二用户之间的至少一项互动数据进行数据分析,无需将所述第一用户与所述第二用户之间的互动数据(例如聊天内容)上传至服务端,从而能够在保护所述第一用户与所述第二用户的隐私的前提下,准确地确定所述第一用户与所述第二用户之间的亲密度。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现和技术效果可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。其中,所述计算机可读存储介质可以是非易失性计算机可读存储介质,或者可以是易失性计算机可读存储介质。
本公开实施例还提出一种计算机程序,包括计算机可读代码,当所述计算机可读代码在电子设备中运行时,所述电子设备中的处理器执行用于实现上述方法。
本公开实施例还提供了一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的用户亲密度的确定方法的操作。
本公开实施例还提供一种电子设备,包括:一个或多个处理器;用于存储可执行指令的存储器;其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出本公开实施例提供的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图7,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(Wi-Fi)、第二代移动通信技术(2G)、第三代移动通信技术(3G)、第四代移动通信技术(4G)/通用移动通信技术的长期演进(LTE)、第五代移动通信技术(5G)或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8示出本公开实施例提供的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图8,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如微软服务器操作系统(Windows ServerTM),苹果公司推出的基于图形用户界面操作系统(Mac OSXTM),多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM),开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (13)
1.一种用户亲密度的确定方法,其特征在于,应用于用户终端,其中,所述用户终端为第一用户对应的用户终端或者第二用户对应的用户终端,且所述第一用户与所述第二用户为不同的用户,所述方法包括:
获取第一用户与第二用户之间的至少一项互动数据,其中,所述至少一项互动数据包括所述第一用户与所述第二用户之间的双向的互动行为和/或单向的互动行为产生的数据;
对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值;其中,所述至少一项互动数据中的任意一项互动数据对应的亲密度预测值,表示所述互动数据所反映的所述第一用户与所述第二用户之间的人际关系的亲密程度的预测值;
向服务端发送所述至少一项互动数据对应的亲密度预测值,以由所述服务端根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。
2.根据权利要求1所述的方法,其特征在于,所述至少一项互动数据包括文字数据;
所述对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值,包括:
对于所述至少一项互动数据中的文字数据,将所述文字数据输入预先训练的第一神经网络,经由所述第一神经网络对所述文字数据进行语义分析,得到所述文字数据对应的亲密度预测值。
3.根据权利要求1或2所述的方法,其特征在于,所述至少一项互动数据包括非文字数据;
所述对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值,包括:
将所述至少一项互动数据中的非文字数据转换为文字数据,并对转换得到的文字数据进行语义分析,得到所述非文字数据对应的亲密度预测值;
和/或,
响应于所述非文字数据包括图像数据,对所述至少一项互动数据中的图像数据进行情感预测,得到所述图像数据对应的亲密度预测值。
4.根据权利要求2所述的方法,其特征在于,在所述将所述文字数据输入预先训练的第一神经网络之前,所述方法还包括:
获取多项训练数据,其中,所述多项训练数据中的任意一项训练数据为不同用户之间的互动数据;
获取所述多项训练数据对应的亲密度真值;
对于所述多项训练数据中的任意一项训练数据,将所述训练数据输入所述第一神经网络,经由所述第一神经网络对所述训练数据进行语义分析,得到所述训练数据对应的亲密度预测值;
根据所述训练数据对应的亲密度预测值和所述训练数据对应的亲密度真值,训练所述第一神经网络。
5.根据权利要求4所述的方法,其特征在于,所述多项训练数据包括多项第一训练数据和多项第二训练数据;
所述获取所述多项训练数据对应的亲密度真值,包括:
对于任意一项第一训练数据,获取人工标注的所述第一训练数据对应的亲密度真值;
对于任意一项第二训练数据,根据所述多项第一训练数据中的至少一项第一训练数据对应的亲密度真值,以及所述第二训练数据与所述至少一项第一训练数据之间的相关性,预测所述第二训练数据对应的亲密度真值。
6.根据权利要求5所述的方法,其特征在于,所述对于任意一项第二训练数据,根据所述多项第一训练数据中的至少一项第一训练数据对应的亲密度真值,以及所述第二训练数据与所述至少一项第一训练数据之间的相关性,预测所述第二训练数据对应的亲密度真值,包括:
根据所述多项第一训练数据对应的亲密度真值,所述多项第二训练数据与所述多项第一训练数据两两之间的相关性,以及所述多项第二训练数据两两之间的相关性,预测所述多项第二训练数据对应的亲密度真值。
7.一种用户亲密度的确定方法,其特征在于,应用于服务端,所述方法包括:
从用户终端获取第一用户与第二用户之间的至少一项互动数据对应的亲密度预测值;其中,所述用户终端为第一用户对应的用户终端或者第二用户对应的用户终端,且所述第一用户与所述第二用户为不同的用户;所述至少一项互动数据对应的亲密度预测值,是由所述用户终端对所述至少一项互动数据进行数据分析得到的;所述至少一项互动数据包括所述第一用户与所述第二用户之间的双向的互动行为和/或单向的互动行为产生的数据;所述至少一项互动数据中的任意一项互动数据对应的亲密度预测值,表示所述互动数据所反映的所述第一用户与所述第二用户之间的人际关系的亲密程度的预测值;
根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。
8.根据权利要求7所述的方法,其特征在于,所述根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度,包括:
对于所述至少一项互动数据中的任意一项互动数据,获取所述互动数据对应的权重;
根据所述至少一项互动数据对应的亲密度预测值,以及所述至少一项互动数据对应的权重,确定所述第一用户与所述第二用户之间的亲密度。
9.根据权利要求8所述的方法,其特征在于,所述对于所述至少一项互动数据中的任意一项互动数据,获取所述互动数据对应的权重,包括:
对于所述至少一项互动数据中的任意一项互动数据,根据所述互动数据在所述至少一项互动数据中的顺序或者所述互动数据对应的互动时间,确定所述互动数据对应的权重。
10.一种用户亲密度的确定装置,其特征在于,应用于用户终端,其中,所述用户终端为第一用户对应的用户终端或者第二用户对应的用户终端,且所述第一用户与所述第二用户为不同的用户,所述装置包括:
第一获取模块,用于获取第一用户与第二用户之间的至少一项互动数据,其中,所述至少一项互动数据包括所述第一用户与所述第二用户之间的双向的互动行为和/或单向的互动行为产生的数据;
第一数据分析模块,用于对所述至少一项互动数据进行数据分析,得到所述至少一项互动数据对应的亲密度预测值;其中,所述至少一项互动数据中的任意一项互动数据对应的亲密度预测值,表示所述互动数据所反映的所述第一用户与所述第二用户之间的人际关系的亲密程度的预测值;
发送模块,用于向服务端发送所述至少一项互动数据对应的亲密度预测值,以由所述服务端根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。
11.一种用户亲密度的确定装置,其特征在于,应用于服务端,所述装置包括:
第二获取模块,用于从用户终端获取第一用户与第二用户之间的至少一项互动数据对应的亲密度预测值;其中,所述用户终端为第一用户对应的用户终端或者第二用户对应的用户终端,且所述第一用户与所述第二用户为不同的用户;所述至少一项互动数据对应的亲密度预测值,是由所述用户终端对所述至少一项互动数据进行数据分析得到的;所述至少一项互动数据包括所述第一用户与所述第二用户之间的双向的互动行为和/或单向的互动行为产生的数据;所述至少一项互动数据中的任意一项互动数据对应的亲密度预测值,表示所述互动数据所反映的所述第一用户与所述第二用户之间的人际关系的亲密程度的预测值;
第一确定模块,用于根据所述至少一项互动数据对应的亲密度预测值,确定所述第一用户与所述第二用户之间的亲密度。
12.一种电子设备,其特征在于,包括:
一个或多个处理器;
用于存储可执行指令的存储器;
其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行权利要求1至9中任意一项所述的方法。
13.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110281161.2A CN113065361B (zh) | 2021-03-16 | 2021-03-16 | 用户亲密度的确定方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110281161.2A CN113065361B (zh) | 2021-03-16 | 2021-03-16 | 用户亲密度的确定方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113065361A CN113065361A (zh) | 2021-07-02 |
CN113065361B true CN113065361B (zh) | 2023-01-20 |
Family
ID=76561111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110281161.2A Active CN113065361B (zh) | 2021-03-16 | 2021-03-16 | 用户亲密度的确定方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065361B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805241A (zh) * | 2023-08-27 | 2023-09-26 | 贵州睿至大数据有限公司 | 一种基于大数据分析的信息管理系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111198967A (zh) * | 2019-12-20 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 基于关系图谱的用户分组方法、装置及电子设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9721228B2 (en) * | 2009-07-08 | 2017-08-01 | Yahoo! Inc. | Locally hosting a social network using social data stored on a user's computer |
CN104811428B (zh) * | 2014-01-28 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 利用社交关系数据验证客户端身份的方法、装置及系统 |
US20160191450A1 (en) * | 2014-12-31 | 2016-06-30 | Socialtopias, Llc | Recommendations Engine in a Layered Social Media Webpage |
CN109996192B (zh) * | 2018-01-02 | 2022-02-18 | 中国移动通信有限公司研究院 | 基于亲密度的信息推荐方法、装置及计算机可读存储介质 |
CN108537506A (zh) * | 2018-03-30 | 2018-09-14 | 努比亚技术有限公司 | 一种基于用户亲密度的信息提醒方法、装置及存储介质 |
CN110648657B (zh) * | 2018-06-27 | 2024-02-02 | 北京搜狗科技发展有限公司 | 一种语言模型训练方法、构建方法和装置 |
US11216614B2 (en) * | 2019-07-25 | 2022-01-04 | Wipro Limited | Method and device for determining a relation between two or more entities |
CN111178714A (zh) * | 2019-12-19 | 2020-05-19 | 浙江大搜车软件技术有限公司 | 亲密度确定方法、装置、计算机设备和存储介质 |
CN111260493A (zh) * | 2020-04-27 | 2020-06-09 | 深圳市爱聊科技有限公司 | 基于亲密度的用户交友分组方法、电子装置及存储介质 |
-
2021
- 2021-03-16 CN CN202110281161.2A patent/CN113065361B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111198967A (zh) * | 2019-12-20 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 基于关系图谱的用户分组方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113065361A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753822A (zh) | 文本识别方法及装置、电子设备和存储介质 | |
CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
CN109919300B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN109615006B (zh) | 文字识别方法及装置、电子设备和存储介质 | |
CN110889469A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110781813B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN106960014B (zh) | 关联用户推荐方法及装置 | |
CN111539410B (zh) | 字符识别方法及装置、电子设备和存储介质 | |
CN109858614B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN109685041B (zh) | 图像分析方法及装置、电子设备和存储介质 | |
CN111898018B (zh) | 一种虚拟资源的发送方法、装置、电子设备及存储介质 | |
US11335348B2 (en) | Input method, device, apparatus, and storage medium | |
CN112001364A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN111931844A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111242303A (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN112328398A (zh) | 任务处理方法及装置、电子设备和存储介质 | |
CN112559673A (zh) | 语言处理模型的训练方法及装置、电子设备及存储介质 | |
CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN111160047A (zh) | 一种数据处理方法、装置和用于数据处理的装置 | |
CN113065361B (zh) | 用户亲密度的确定方法及装置、电子设备和存储介质 | |
CN113807253A (zh) | 人脸识别方法及装置、电子设备和存储介质 | |
CN110955800A (zh) | 视频检索方法及装置 | |
CN112102300A (zh) | 计数方法及装置、电子设备和存储介质 | |
CN109887492B (zh) | 一种数据处理方法、装置和电子设备 | |
CN110659625A (zh) | 物体识别网络的训练方法及装置、电子设备和存储介质 |
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 |