CN113111255A - 用户群体划分方法、装置、电子设备及计算机存储介质 - Google Patents

用户群体划分方法、装置、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN113111255A
CN113111255A CN202110321359.9A CN202110321359A CN113111255A CN 113111255 A CN113111255 A CN 113111255A CN 202110321359 A CN202110321359 A CN 202110321359A CN 113111255 A CN113111255 A CN 113111255A
Authority
CN
China
Prior art keywords
user groups
user
value
user group
same
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.)
Pending
Application number
CN202110321359.9A
Other languages
English (en)
Inventor
吴良顺
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.)
Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Original Assignee
Zhuo Erzhi Lian Wuhan Research Institute 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 Zhuo Erzhi Lian Wuhan Research Institute Co Ltd filed Critical Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Priority to CN202110321359.9A priority Critical patent/CN113111255A/zh
Publication of CN113111255A publication Critical patent/CN113111255A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种用户群体划分方法，所述方法包括：根据用户之间的对同一对象的操作，构建节点图；其中，一个所述节点代表成员，不同所述节点之间的边代表所述边连接的两个成员对同一个对象执行的操作满足第一预设关系；在所述节点图中，确定用户群体；其中，所述用户群体包含的任意两个成员在所述节点图中对应的节点之间都连接有边；根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系；可体现相近的兴趣爱好下的用户群体之间的关联关系，进而方便更智能地实现定向推荐，从而提高平台的效益。

Description

用户群体划分方法、装置、电子设备及计算机存储介质
技术领域
本公开涉及信息技术领域，特别是涉及用户群体划分方法、装置、电子设备及计算机存储介质。
背景技术
随着数字媒介和移动信息技术的发展，关于捕捉用户兴趣爱好或消费习惯等行为习惯来划分用户群体时，往往将用户划分为若干个相互分离的群体，然而对于拥有一些相近的兴趣爱好的用户群体，则由于相互分离的划分方式，无法体现相近的兴趣爱好下的用户群体之间的关联关系。
因此，需要能体现用户群体之间的相互关联关系的装置，方便更智能地实现定向推荐，从而提高平台的效益。
发明内容
本公开提供一种用户群体划分方法、装置、电子设备及计算机存储介质。
根据本公开实施例的第一方面，本公开实施例提供了一种用户群体划分方法，所述方法包括：
根据用户之间的对同一对象的操作，构建节点图；其中，一个所述节点代表成员，不同所述节点之间的边代表所述边连接的两个成员对同一个对象执行的操作满足第一预设关系；
在所述节点图中，确定用户群体；其中，所述用户群体包含的任意两个成员在所述节点图中对应的节点之间都连接有边；
根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系。
可选地，所述根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系，包括：
当两个所述用户群体包含的共同成员大于或等于第一阈值时，建立两个所述用户群体之间的第一类关联关系。
可选地，所述根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系，还包括：
当两个所述用户群体包含的共同成员小于第一阈值且大于或等于第二阈值时，建立两个所述用户群体之间的第二类关联关系；其中，所述第二阈值小于所述第一阈值；所述第二类关联关系弱于所述第一类关联关系。
可选地，所述方法还包括：
在两个所述用户群体包含的共同成员小于所述第二阈值时，确定两个所述用户群体没有关联关系。
可选地，所述方法还包括：
在两个所述用户群体包含的共同成员小于所述第一阈值时，确定两个所述用户群体没有关联关系。
可选地，对同一个对象执行的操作满足第一预设关系，包括：
对同一个对象有执行相同操作；
或者，
对同一个对象执行的相同操作的次数达到第三阈值；
或者，
对同一个对象执行的相同操作次数占对所述对象执行的操作的比值达到第四阈值。
可选地，所述对同一个对象执行有相同操作为第一类操作；
所述第一类操作，至少包括以下之一：
点赞操作；
收藏操作；
置顶操作；
正面评价操作。
可选地，在所述根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系之前，所述方法还包括：
根据各所述用户群体的节点数量，以及两个所述用户群体之间包含相同节点数量，建立重叠矩阵；其中，同一个用户群体的成员对应于所述重叠矩阵的同一行或者同一列上的元素；所述重叠矩阵中的主对角线上的元素，对应所述同一个用户群体的成员数量；所述重叠矩阵中的副对角线以及在矩阵中第一位置上的元素，对应所述两个用户群体包含共同成员的数量；其中，所述在矩阵中第一位置是指：在矩阵中位于所述主对角线以及所述副对角线之外的位置。
可选地，所述方法还包括：
根据所述重叠矩阵，构建邻接矩阵，包括：在所述重叠矩阵中，将所述重叠矩阵中的副对角线以及在矩阵中第一位置上大于第一阈值的元素，设置为第一值；
将所述重叠矩阵中的副对角线以及在矩阵中第一位置上小于第一阈值且大于或等于第二阈值的元素，设置为第二值；
将所述重叠矩阵中的副对角线以及在矩阵中第一位置上小于第二阈值的元素，设置为第三值；
根据所述第一值、第二值以及第三值，构建邻接矩阵；其中，所述第一值、所述第二值以及所述第三值是大小不同的数值。
可选地，所述方法还包括：
根据所述重叠矩阵，构建邻接矩阵，包括：在所述重叠矩阵中，将所述重叠矩阵中的副对角线以及在矩阵中第一位置上大于第一阈值的元素，设置为第一值；
将所述重叠矩阵中的副对角线以及在矩阵中第一位置上小于第一阈值的元素，设置为第二值；
根据所述第一值、第二值，构建邻接矩阵；其中，所述第一值与所述第二值是大小不同的数值。
可选地，所述方法还包括：
根据所述重叠矩阵，构建邻接矩阵，包括：在所述重叠矩阵中，将所述重叠矩阵中的副对角线以及在矩阵中第一位置上大于第二阈值的元素，设置为第一值；
将所述重叠矩阵中的副对角线以及在矩阵中第一位置上小于第二阈值的元素，设置为第二值；
根据所述第一值、第二值，构建邻接矩阵；其中，所述第一值与所述第二值是大小不同的数值。
可选地，所述方法还包括：
根据所述邻接矩阵中的第一值，筛选出所述第一值所在的行以及所在的列对应的两个用户群体，建立所述两个用户群体之间的第一类关联关系；
根据所述邻接矩阵中的第二值，筛选出所述第二值所在的行以及所在的列对应的两个用户群体，建立所述两个用户群体之间的第二类关联关系；
根据所述邻接矩阵中的第三值，筛选出所述第三值所在的行以及所在的列对应的两个用户群体，确定所述两个用户群体之间没有关联关系。
可选地，所述方法还包括：
根据所述邻接矩阵中的第二值，筛选出所述第二值所在的行以及所在的列对应的两个用户群体，确定所述两个用户群体之间没有关联关系。
根据本公开实施例的第二方面，本公开实施例提供了一种用户群体划分装置，所述装置包括：
构建模块，用于根据用户之间的对同一对象的操作，构建节点图；其中，一个所述节点代表成员，不同所述节点之间的边代表所述边连接的两个成员对同一个对象执行的操作满足第一预设关系；
第一确定模块，用于在所述节点图中，确定用户群体；其中，所述用户群体包含的任意两个成员在所述节点图中对应的节点之间都连接有边；
建立模块，用于根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系。
根据本公开实施例的第三方面，本公开实施例提供了电子设备，包括：
存储器；
处理器，与所述存储器连接，用于通过所述存储器存储的计算机执行指令，能够实现前述第一方面提供的用户群体划分的方法中的步骤。
根据本公开实施例的第四方面，本公开实施例提供一种计算机存储介质，所述计算机存储介质中存储有可执行指令；所述计算机可执行指令被处理器执行后，能够实现前述第一方面提供的用户群体划分的方法中的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：与现有的直接将具有不同兴趣用户划分为若干个相互分离的群体相比，用户群体包含的任意两个成员在所述节点图中对应的节点之间都连接有边，可以提升用户群体划分的精确度，使得在选择有关联关系的两个用户群体时，选择范围更小更精确；根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系，可以挖掘出属性相近的用户群体之间的关联关系，以根据这种关联关系执行与用户群体相关的操作。
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
图1为本公开实施例示出的一种用户群体划分方法的流程示意图；
图2为本公开实施例示出的一种用户群体划分方法的流程示意图；
图3为本公开实施例示出的一种用户群体划分方法的流程示意图；
图4为本公开实施例示出的一种用户群体划分方法的流程示意图；
图5为本公开实施例示出的一种用户群体划分方法的流程示意图；
图6为本公开实施例示出的一种用户群体划分方法的流程示意图；
图7为本公开实施例示出的一种用户群体划分方法的流程示意图；
图8为本公开实施例示出的一种用户群体划分装置图；
图9为本公开实施例示出的一种用户群体划分方法的节点示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。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实施例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、本公开实施例的一些方面相一致的装置和方法的例子。
结合图1所示，本公开实施例提供了一种用户群体划分方法，所述方法包括：
步骤S110，根据用户之间的对同一对象的操作，构建节点图；其中，一个所述节点代表成员，不同所述节点之间的边代表所述边连接的两个成员对同一个对象执行的操作满足第一预设关系；
步骤S130，在所述节点图中，确定用户群体；其中，所述用户群体包含的任意两个成员在所述节点图中对应的节点之间都连接有边；
步骤S150，根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系。
本公开实施例中，同一对象，可以包括但不限于是：同一条新闻；同一个广告；同一段音频；同一条博文；同一个微博博主等。在一些实施例中，所述音频包括：一段播音、一段短视频或一部电影或电视剧。
本公开实施例中，对于建立了关联关系的两个用户群体，可以推荐同样或相似的新闻、同类产品类型或风格的广告、同样或类似的音频、同样或类似的博文、推荐关注类似风格的微博博主等。
本公开实施例中，两个用户群体的关联关系，可以用数值的大小来衡量关联关系的强弱，例如，使用数值百分比0至99％来衡量关联关系的强弱，使用0表示两个用户群体之间没有关联关系。使用数字99％表示两个用户群体关联关系很强。示例性地，将数值80％至99％的关联关系值归为第一类关联关系。将数值60％至79％的关联关系值归为第二类关联关系。第二类关联关系弱于第一类关联关系。
本公开实施例中，用户群体包含的任意两个成员在所述节点图中对应的节点之间都连接有边，可以提升用户群体划分的精确度，使得在选择有关联关系的两个用户群体时，选择范围更小更精确；根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系，可以体现属性相近的用户群体之间的关联关系，进而方便更智能地实现定向推荐，从而提高平台的效益。
本公开实施例中，结合图2，所述步骤S150，所述根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系，包括：
步骤S1501，当两个所述用户群体包含的共同成员大于或等于第一阈值时，建立两个所述用户群体之间的第一类关联关系。
本公开实施例中，在两个所述用户群体中，其中一个用户群体的成员数量值为第一成员数量值，另一个用户群体的成员数量值为第二成员数量值，若第一成员数量值大于第二成员数量值，则两个用户群体包含的共同成员数量值小于等于第二成员数量值，设置所述第一阈值小于或等于第二成员数量值，则当这两个用户群体包含的共同成员大于或等于第一阈值时，建立两个所述用户群体之间的第一类关联关系，即建立强关联关系。
本公开实施例中，关于设置所述第一阈值的大小，由系统按照一定的规则默认设置，例如，设置的第一阈值小于所述第二成员数量值一定数量。所述一定数量占所述第二成员数量值的比例较小，例如但不限于是：所述一定数量占所述第二成员数量值的比例小于或等于20％。
本公开实施例中，所述第一类关联关系为强关联关系，例如，两个所述用户群体中，其中一个用户群体的数量值为1000，另一个用户群体的数量值为900，则两个用户群体包含的共同成员小于等于900，设置所述第一阈值为800，则当这两个用户群体包含的共同成员大于或等于800时，建立两个所述用户群体之间的第一类关联关系，即建立为强关联关系。
在本公开实施例中，由于当两个所述用户群体包含的共同成员大于或等于第一阈值时，建立两个所述用户的关联关系，使得共同成员较多的用户群体之间具有关联性，进而未将用户群体完全隔离开来，这样便于在给特定用户群体推荐内容时，还可以根据关联关系，对与所述特定用户群体关联关系强的另一用户群体推荐相同或类似的内容。
本公开实施例中，结合图2，所述步骤S150，所述根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系，还包括：
步骤S1502，当两个所述用户群体包含的共同成员小于第一阈值且大于或等于第二阈值时，建立两个所述用户群体之间的第二类关联关系；其中，所述第二阈值小于所述第一阈值；所述第二类关联关系弱于所述第一类关联关系。
在本公开实施例中，在两个所述用户群体中，其中一个用户群体的成员数量值为第一成员数量值，另一个用户群体的成员数量值为第二成员数量值，若第一成员数量值大于第二成员数量值，则两个用户群体包含的共同成员数量值小于等于第二成员数量值，设置所述第二阈值小于所述第一阈值，所述第一阈值小于或等于第二成员数量值，则当这两个用户群体包含的共同成员小于第一阈值且大于或等于第二阈值时，建立两个所述用户群体之间的第二类关联关系，即弱关联关系。
本公开实施例中，所述第一阈值可以是根据两个用户群体中的成员数量较小的成员数和预设比例转换的，例如，按照公式h1＝k*min(Numa，Numb)转换所述第一阈值；h1为第一阈值，k为预设比例，取值范围可以但不限于是80％～99％，Numa为用户群体a的成员数量和Numb为用户群体b的成员数量。
在本公开实施例中，关于设置第二阈值的大小，与前述设置所述第一阈值大小的方法类似，设置的第二阈值小于第一阈值的同时，也小于所述第二成员数量值一定数量。所述一定数量占所述第二成员数量值的比例较大，例如但不限于是：所述一定数量占所述第二成员数量值的比例大于或等于20％，小于或等于40％。
在本公开实施例中，对于两个用户群体之间的关联关系进行分类建立，可方便分级别的推荐相似的内容，例如，对于第一类关联关系，即强关联关系的用户群体，可较为频繁地，推荐多一些相同的或类似的对象内容。对于第二类关联关系，即弱关联关系的用户群体，可较不频繁地，推荐一些相同或类似的对象内容，或者减少推荐。这样可变于后续有针对性地推荐对象内容。
在本公开实施例中，将所述用户群体的关联关系分为第一类关联关系和第二类关联关系，尤其对于用户群体的成员基数较大的用户群体，实现有效的推荐管理，同时也不浪费弱关联关系的用户群体之间的共同成员资源，例如，在成员基数较大的用户群体中，即使是弱关联关系的用户群体之间的共同成员数量也是可观的，对这类用户群体推荐相同或类似的对象内容，也有利于后续在推荐相同或类似的对象内容后所带来的诸如：浏览量、购买量的提升。
本公开实施例中，所述方法还包括：
步骤S1601，在两个所述用户群体包含的共同成员小于所述第二阈值时，确定两个所述用户群体没有关联关系。
在本公开实施例中，在确定两个所述用户群体没有关联关系时，可不对两个所述用户群体推荐相同的或类似的内容，避免无效推荐，提升智能性，节约资源。
本公开实施例中，所述方法还包括：
步骤S1602，在两个所述用户群体包含的共同成员小于所述第一阈值时，确定两个所述用户群体没有关联关系。
在本公开实施例中，两个所述用户群体之间的关联关系，除了第一类关联关系即强关联关系之外，只要两个所述用户群体的关联关系在强关联关系之外，则没有关联关系，后续不再推荐相同或类似的内容，适用于用户群体成员数量的基数较小的情况，进而避免无效推荐，提升智能性，节约资源。
本公开实施例中，对同一个对象执行的操作满足第一预设关系，包括：
对同一个对象有执行相同操作；
或者，
对同一个对象执行的相同操作的次数达到第三阈值；
或者，
对同一个对象执行的相同操作次数占对所述对象执行的操作的比值达到第四阈值。
本公开实施例中，对同一对象只要有执行过相同操作，就可以将其记录为满足第一预设关系。
本公开实施例中，避免误操作的情况下，对同一对象执行的相同操作的次数达到第三阈值，可以将其记录为满足第一预设关系。
本公开实施例中，对同一对象执行相同操作次数占对所述对象执行的操作的比值达到第四阈值，可以将其记录为满足第一预设关系。
本公开实施例中，对同一对象执行的操作，进行不同的统计方式，可以更全面有效地抓取用户的行为方式，便于更全面的统计。
本公开实施例中，所述对同一个对象执行有相同操作为第一类操作；
所述第一类操作，至少包括以下之一：
点赞操作；
收藏操作；
置顶操作；
正面评价操作。
在本公开实施例中，所述第一类操作还可以包括，关注操作。
在本公开实施例中，所述对同一个对象执行有相同操作，包括但不限于：对同一条新闻、广告、音频、博文进行点赞操作；对一条新闻、广告、音频、博文进行收藏操作；对同一条新闻、广告、音频、博文进行置顶操作；对同一条新闻、广告、音频、博文进行正面评价操作；对同一个博主进行关注操作等。
在本公开实施例中，所述第一类操作可为成员表达自身喜好和/或兴趣的积极正面操作。
本公开实施例中，将多种操作例如：点赞操作、收藏操作、置顶操作、正面评价操作、关注操作等正向操作，归属于第一类操作，再根据第一类操作的行为，可精准有效且全面地对用户的对于兴趣爱好的倾向进行统计，有效地抓取了用户的行为资源。
若第一类操作表带成员自身喜好和/或兴趣的操作，则两个具有关联关系用户群体，可能是对相同对象均具有兴趣和/或喜好。
在另一个实施例中，所述第一类操作还可以表达成员表达自己不喜欢或者厌恶的操作。此时，示例性地，所述第一类操作可为：屏蔽操作、关注取消操作、社交好友拉黑操作或者多媒体信息的提前关闭操作，商品或服务的负面评价操作等。
若第一类操作表带成员自身厌恶和/或不喜欢的操作，则两个具有关联关系用户群体，可能是对相同对象均具有厌恶感。
本公开实施例中，结合图3所示，在所述步骤S150，根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系之前，所述方法还包括：
步骤S140，根据各所述用户群体的节点数量，以及两个所述用户群体之间包含相同节点数量，建立重叠矩阵；其中，同一个用户群体的成员对应于所述重叠矩阵的同一行或者同一列上的元素；所述重叠矩阵中的主对角线上的元素，对应所述同一个用户群体的成员数量；所述重叠矩阵中的副对角线以及在矩阵中第一位置上的元素，对应所述两个用户群体包含共同成员的数量；其中，所述在矩阵中第一位置是指：在矩阵中位于所述主对角线以及所述副对角线之外的位置。
本公开实施例中，所述重叠矩阵中可以包括n个用户群体，同一个用户群体放置在重叠矩阵中的行数或列数相同的行和列上。具体包括：第i列和第j行中，i等于j时，第i行和第j列都是代表同一个用户群体。例如，第1列和第1行都是代表第1个用户群体的成员数量的元素；第2列和第2行都是代表第2个用户群体的成员数量的元素；第3列和第3行都是代表第3个用户群体的成员数量的元素；以此类推，第n列和第n行都是代表第n个用户群体的成员数量的元素。
本公开实施例中，所述重叠矩阵中，关于重叠矩阵中的主对角线上的元素，对应所述同一个用户群体的成员数量。具体包括：第i列和第j行中，i等于j时，第i行和第j列上的交点上的元素为主对角线上的元素，代表同一个用户群体的成员数量。例如，第1列和第1行的交点处的元素为主对角线上的元素，代表第1列和第1行所代表的第1个用户群体的成员数量；第2列和第2行的交点处的元素为主对角线上的元素，代表第2列和第2行所代表的第2个用户群体的成员数量；第3列和第3行的交点处的元素为主对角线上的元素，代表第3个用户群体的成员数量；以此类推，第n列和第n行交点处的元素为主对角线上的元素，代表第n个用户群体的成员数量。
本公开实施例中，所述重叠矩阵中的副对角线以及在矩阵中第一位置的元素，对应所述两个用户群体包含共同成员的数量；其中，所述在矩阵中的第一位置是指：在矩阵中位于所述主对角线以及所述副对角线之外的位置。具体包括：第i列和第j行中，i不等于j时，第i列所代表的第i个用户群体与第j行所代表的第j个用户群体之间的交点，对应第i个用户群体与第j个用户群体包含共同成员的数量。例如，第1列和第2行代表第1个用户群体和第2个用户群体包含共同成员的数量；第2列和第3行代表第2个用户群体和第3个用户群体包含共同成员的数量。
本公开实施例中，关于i、j均小于等于n，并且i、j、n均为正整数，且有i、j＝1,2,3，···，n。
本公开实施例中，通过重叠矩阵，可以将各所述用户群体的节点数量以及两个所述用户群体之间包含相同节点数量在重叠矩阵中显示出来，重叠矩阵有利于建立用户群体之间关于数量的关系，便于后续的构建邻接矩阵。
本公开实施例中，重叠矩阵计算显示用户群体的成员数量以及用户群体之间的共同成员数量，对于用户群体这类成员数量普遍较多，导致计算量级较大或者很大的情况，通过建立矩阵来计算，通过将庞杂的数据建立矩阵计算的方式，可以提升计算设备的计算速率，因此提升用户的群体划分时，建立关联关系的速率。这对于需要频繁使用各类平台以及对多个用户推荐内容时，通过矩阵计算能提升对用户行为的反应速率。
本公开实施例中，结合图4，所述方法还包括：
步骤S160，根据所述重叠矩阵，构建邻接矩阵，包括：
步骤S1601，在所述重叠矩阵中，将所述重叠矩阵中的副对角线以及在矩阵中第一位置上大于第一阈值的元素，设置为第一值；
步骤S1602，将所述重叠矩阵中的副对角线以及在矩阵中第一位置上小于第一阈值且大于或等于第二阈值的元素，设置为第二值；
步骤S1603，将所述重叠矩阵中的副对角线以及在矩阵中第一位置上小于第二阈值的元素，设置为第三值；
步骤S1604，根据所述第一值、第二值以及第三值，构建邻接矩阵；其中，所述第一值、所述第二值以及所述第三值是大小不同的数值。
本公开实施例中，关于所述第一值、第二值以及所述第三值的取值，可以是任意三个大小不同的数值，所述数值可以是整数，也可以是分数或小数。在一些优选实施例中，所述数值是整数。例如，第一值可以取1，第二值可以取2，第三值可以取0。
本公开实施例中，将小于第五阈值的，在所述重叠矩阵中主对角线上的元素，设置为第四值。第五阈值的取值参照最大用户群体的成员数量。例如，第五阈值取值为某应用的用户群体的最大值时，第四值可以取0或其他数值。或者在另一些实施例中，将小于第一阈值加一定数值的，在所述重叠矩阵中主对角线上的元素，设置为第三值。例如，第三值可以取0或其他数值。
本公开实施例中，结合上述实施例，将第一值、第二值以及第三值和/或第四值，组成邻接矩阵。
本公开实施例中，通过邻接矩阵的元素中的数值，可以筛选出具有不同关联关系的两个用户群体。具体包括：根据第一值在邻接矩阵中的位置，得到所对应的两个用户群体，建立这两个用户群体之间的第一类关联关系；根据第二值在邻接矩阵中的位置，得到所对应的两个用户群体，建立这两个用户群体之间的第二类关联关系。根据第三值在邻接矩阵中的位置，得到所对应的两个用户群体，确定这两个用户群体之间没有关联关系。
本公开实施例中，可直接根据邻接矩阵中不同的数值，可以划分出具有第一类关联关系、具有第二类关联关系或者没有关联关系的用户群体。这样便于后续对划分出来的用户群体实行定向推荐。
本公开实施例中，若是对于两个具有关联关系的用户群体，是基于对相同对象均具有兴趣和/或喜好建立时，则推荐相同或类似的推荐内容，此时的推荐内容包括但不限于:相同的或类似的新闻、广告、音频、博文或商品，或是类似的博主推荐。在另一些实施例中，若是对于两个具有关联关系的用户群体，是基于对相同对象均具有厌恶感时，则可以对这两个具有关联关系的用户群体不推荐任何内容。或者推荐内容时，避免向这两个具有关联关系的用户群体厌恶的内容：如新闻、广告、音频、博文、商品或类似的博主。
在另一些实施例中，可以分别基于用户群体同时感兴趣的对象和厌恶的对象，综合建立两个具有关联关系的用户群体，在进行定向推荐内容时，推荐共同感兴趣的新闻、广告、音频、博文、商品或类似的博主的同时，也避免推荐共同厌恶的新闻、广告、音频、博文、商品或类似的博主。
本公开实施例中，结合图5所示，所述方法还包括：
步骤S160，根据所述重叠矩阵，构建邻接矩阵，包括：
步骤S1605，在所述重叠矩阵中，将所述重叠矩阵中的副对角线以及在矩阵中第一位置上大于第一阈值的元素，设置为第一值；
步骤S1606，将所述重叠矩阵中的副对角线以及在矩阵中第一位置上小于第一阈值的元素，设置为第二值；
步骤S1607，根据所述第一值、第二值，构建邻接矩阵；其中，所述第一值与所述第二值是大小不同的数值。
本公开实施例中，关于所述第一值和第二值的取值，可以是任意两个大小不同的数值，所述数值可以是整数，也可以是分数或小数。在一些优选实施例中，所述数值是整数。例如，第一值可以取1，第二值可以取0。
本公开实施例中，将小于第五阈值的，在所述重叠矩阵中主对角线上的元素，设置为第四值。第五阈值的取值参照最大用户群体的成员数量。例如，第五阈值取值为某应用的用户群体的最大值，第四值可以取0或其他数值。或者在另一些实施例中，将小于第一阈值加一定数值的，在所述重叠矩阵中主对角线上的元素，设置为第二值。例如，第二值可以取0或其他数值。
本公开实施例中，结合上述实施例，将第一值、第二值和/或第四值，组成邻接矩阵。
本公开实施例中，通过邻接矩阵的元素中的数值，可以筛选出具有不同关联关系的两个用户群体。具体包括：根据第一值在邻接矩阵中的位置，得到所对应的两个用户群体，建立这两个用户群体之间的第一类关联关系；根据第二值在邻接矩阵中的位置，得到所对应的两个用户群体，确定这两个用户群体之间没有关联关系。
本公开实施例中，可直接根据邻接矩阵中不同的数值，可以划分出具有第一类关联关系或者没有关联关系的用户群体。这样便于后续对划分出来的用户群体实行定向推荐。
本公开实施例中，结合图6所示，所述方法还包括：
步骤S160，根据所述重叠矩阵，构建邻接矩阵，包括：
步骤S1608，在所述重叠矩阵中，将所述重叠矩阵中的副对角线以及在矩阵中第一位置上大于第二阈值的元素，设置为第一值；
步骤S1609，将所述重叠矩阵中的副对角线以及在矩阵中第一位置上小于第二阈值的元素，设置为第二值；
步骤S1610，根据所述第一值、第二值，构建邻接矩阵；其中，所述第一值与所述第二值是大小不同的数值。
本公开实施例中，关于所述第一值和第二值的取值，可以是任意两个大小不同的数值，所述数值可以是整数，也可以是分数或小数。在一些优选实施例中，所述数值是整数。例如，第一值可以取1，第二值可以取0。
本公开实施例中，将小于第五阈值的，在所述重叠矩阵中主对角线上的元素，设置为第四值。第五阈值的取值参照最大用户群体的成员数量。例如，第五阈值取值为某应用的用户群体的最大值，第四值可以取0或其他数值。或者在另一些实施例中，将小于第二阈值加一定数值的，在所述重叠矩阵中主对角线上的元素，设置为第二值。例如，第二值可以取0或其他数值。
本公开实施例中，结合上述实施例，将第一值、第二值和/或第四值，组成邻接矩阵。
本公开实施例中，通过邻接矩阵的元素中的数值，可以筛选出具有不同关联关系的两个用户群体。具体包括：根据第一值在邻接矩阵中的位置，得到所对应的两个用户群体，建立这两个用户群体之间的第一类关联关系；根据第二值在邻接矩阵中的位置，得到所对应的两个用户群体，确定这两个用户群体之间没有关联关系。
本公开实施例中，可直接根据邻接矩阵中不同的数值，可以划分出具有第一类关联关系或者没有关联关系的用户群体。这样便于后续对划分出来的用户群体实行定向推荐。
本公开实施例中，结合图7所示，所述方法还包括：
步骤S1503，根据所述邻接矩阵中的第一值，筛选出所述第一值所在的行以及所在的列对应的两个用户群体，建立所述两个用户群体之间的第一类关联关系；
步骤S1504，根据所述邻接矩阵中的第二值，筛选出所述第二值所在的行以及所在的列对应的两个用户群体，建立所述两个用户群体之间的第二类关联关系；
步骤S1505，根据所述邻接矩阵中的第三值，筛选出所述第三值所在的行以及所在的列对应的两个用户群体，确定所述两个用户群体之间没有关联关系。
本公开实施例中，通过邻接矩阵的元素中的数值，可以筛选出具有不同关联关系的两个用户群体。具体包括：根据第一值在邻接矩阵中的位置，得到所对应的两个用户群体，建立这两个用户群体之间的第一类关联关系；根据第二值在邻接矩阵中的位置，得到所对应的两个用户群体，建立这两个用户群体之间的第二类关联关系。根据第三值在邻接矩阵中的位置，得到所对应的两个用户群体，确定这两个用户群体之间没有关联关系。
本公开实施例中，所述方法还包括：
步骤S1506，根据所述邻接矩阵中的第二值，筛选出所述第二值所在的行以及所在的列对应的两个用户群体，确定所述两个用户群体之间没有关联关系。
本公开实施例中，通过邻接矩阵的元素中的数值，可以筛选出具有不同关联关系的两个用户群体。具体包括：根据第二值在邻接矩阵中的位置，得到所对应的两个用户群体，确定这两个用户群体之间没有关联关系。
本公开实施例中，确定用户群体之间没有关联关系，无需对没有关联关系的两个用户群体推荐相同或类似的内容，可以避免无效推荐，提高效益的同时，也可以降低用户对平台的无针对性的推荐产生反感情绪。而对于有第一类关联关系或第二类关联关系的用户，实行不同程度的定向推荐相似的或相同的内容，也可以不浪费用户资源，提升效益，如浏览量或关注量的提升可带来的购买量、或商务资源量的提升。
本公开实施例中，与现有的直接将具有不同兴趣用户划分为若干个相互分离的群体相比，用户群体包含的任意两个成员在所述节点图中对应的节点之间都连接有边，可以提升用户群体划分的精确度，使得在选择有关联关系的两个用户群体时，选择范围更小更精确；根据两个用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系，可以体现属性相近的用户群体之间的关联关系，进而方便更智能地实现定向推荐。
本公开实施例中，对于用户群体之间关联关系的建立，可以针对用户群体总量的大小，实现不同的建立关联关系的方式。例如对于用户数量基数较大的用户群体，可以将两个用户群体之间划分成第一类关联关系、第二类关联关系，没有关联关系。用户群体基数越大，划分的关联关系的分类就越多，例如还可以有第三类关联关系、第四类关联关系等，以此类推。如此，对于用户数量基数大的用户，可以避免用户资源的浪费。
结合上述实施例提供一种考虑群体关联性的用户群体划分方法：
示例1：
随着数字媒介和移动IT技术的发展，短视频、社交平台、直播等新型媒体形式日益活跃，如何根据用户的点赞、停留时长等行为捕捉用户兴趣爱好，从而划分用户群体，实现定向推荐，是提高平台效益的重要方式。
现有的技术多将网络划分为若干个相互分离的群体，但实际上，并不会存在独立的群体关系，用户大多彼此重叠、相互关联。例如，喜欢二次元的群体往往也会喜欢cosplay，喜欢篮球的群体往往也会喜欢拳击等刺激运动、喜欢旅行的群体也会喜欢历史文化等。现有的群体划分方法无法体现群体的这些相互关联关系。
示例1提供一种考虑群体关联性的用户群体划分方法，包括以下步骤：
步骤S310，结合图9所示，构建网络：
如果用户A和用户B对同一条新闻(广告、短视频、博文等)点赞，则用户A和用户B存在一条边。
或者，用户A和用户B对同一条新闻(广告、短视频、博文等)点赞，用户A和用户B的共同点赞数/(用户A的点赞数+用户B的点赞书)>某一阈值，则用户A和用户B存在一条边。
步骤S320，找到全耦合图(任意两个节点都有边)。如图9中，该网络包含6个群体，分别是G1＝{v1,v2,v3,v5,v6}，G2＝{v1，v2，v6，v7}，G3＝{v3，v4，v5,v6}，G4＝{v6,v7，v8,v9}，G5＝{v5,v6，v9}，G6＝{v5，v9，v10}。
步骤S330，求得重叠矩阵。
重叠矩阵为对称的方阵，每一行(列)代表一个群体；
对角线上的元素表示群体大小(即群体包含的节点数目)；
非对角线元素表示两个群体之间的共同节点数。
对于图9，求得其重叠矩阵为：
Figure BDA0002992982330000191
步骤S340，求得邻接矩阵。
将重叠矩阵对角线元素小于k值，非对角线上小于k-1的元素置0，其他元素置为1，再将主对角线上的元素置0。
求得的邻接矩阵为：
Figure BDA0002992982330000192
则群体中有k个成员，且与其他群体有至少k-1个共同成员的群体被划分出来了：G2＝{v1，v2，v6，v7}，G3＝{v3，v4，v5，v6}。即G2有4个成员，且与群体G1有至少3个共同成员。G3有4个成员，且与G1至少有3个共同成员。
这里，k以及k-1均为参数。
这里需要指出的是：以下用户群体划分的处理装置项的描述，与用户群体划分的处理方法项描述是类似的，同方法的有益效果描述，不做赘述。对于本发明用户群体划分的装置实施例中未披露的技术细节，请参照本发明用户群体划分的方法实施例的描述。
结合图8所示，在本公开实施例中，提供一种用户群体划分装置200，所述装置包括:
构建模块210，用于根据用户之间的对同一对象的操作，构建节点图；其中，一个所述节点代表成员，不同所述节点之间的边代表所述边连接的两个成员对同一个对象执行的操作满足第一预设关系；
第一确定模块230，用于在所述节点图中，确定用户群体；其中，所述用户群体包含的任意两个成员在所述节点图中对应的节点之间都连接有边；
建立模块250，用于根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系。
本公开实施例中，所述建立模块250，还配置为：用于当两个所述用户群体包含的共同成员大于或等于第一阈值时，建立两个所述用户群体之间的第一类关联关系。
本公开实施例中，所述建立模块250，还配置为：用于当两个所述用户群体包含的共同成员小于第一阈值且大于或等于第二阈值时，建立两个所述用户群体之间的第二类关联关系；其中，所述第二阈值小于所述第一阈值；所述第二类关联关系弱于所述第一类关联关系。
本公开实施例中，所述用户群体划分装置200，还包括：第二确定模块232，用于在两个所述用户群体包含的共同成员小于所述第二阈值时，确定两个所述用户群体没有关联关系。
本公开实施例中，所述用户群体划分装置200，还包括：第三确定模块234，用于在两个所述用户群体包含的共同成员小于所述第一阈值时，确定两个所述用户群体没有关联关系。
本公开实施例中，所述用户群体划分装置200，还配置为：对同一个对象执行的操作满足第一预设关系，包括：
对同一个对象有执行相同操作；
或者，
对同一个对象执行的相同操作的次数达到第三阈值；
或者，
对同一个对象执行的相同操作次数占对所述对象执行的操作的比值达到第四阈值。
本公开实施例中，所述用户群体划分装置200，还配置为：所述对同一个对象执行有相同操作为第一类操作；
所述第一类操作，至少包括以下之一：
点赞操作；
收藏操作；
置顶操作；
正面评价操作。
本公开实施例中，所述用户群体划分装置200，还配置为：用于在所述根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系之前，用于根据各所述用户群体的节点数量，以及两个所述用户群体之间包含相同节点数量，建立重叠矩阵；其中，同一个用户群体的成员对应于所述重叠矩阵的同一行或者同一列上的元素；所述重叠矩阵中的主对角线上的元素，对应所述同一个用户群体的成员数量；所述重叠矩阵中的副对角线以及在矩阵中第一位置上的元素，对应所述两个用户群体包含共同成员的数量；其中，所述在矩阵中第一位置是指：在矩阵中位于所述主对角线以及所述副对角线之外的位置。
本公开实施例中，所述用户群体划分装置200，还配置为：用于根据所述重叠矩阵，构建邻接矩阵，包括：在所述重叠矩阵中，将所述重叠矩阵中的副对角线以及在矩阵中第一位置上大于第一阈值的元素，设置为第一值；
将所述重叠矩阵中的副对角线以及在矩阵中第一位置上小于第一阈值且大于或等于第二阈值的元素，设置为第二值；
将所述重叠矩阵中的副对角线以及在矩阵中第一位置上小于第二阈值的元素，设置为第三值；
根据所述第一值、第二值以及第三值，构建邻接矩阵；其中，所述第一值、所述第二值以及所述第三值是大小不同的数值。
本公开实施例中，所述用户群体划分装置200，还配置为：用于根据所述重叠矩阵，构建邻接矩阵，包括：在所述重叠矩阵中，将所述重叠矩阵中的副对角线以及在矩阵中第一位置上大于第一阈值的元素，设置为第一值；
将所述重叠矩阵中的副对角线以及在矩阵中第一位置上小于第一阈值的元素，设置为第二值；
根据所述第一值、第二值，构建邻接矩阵；其中，所述第一值与所述第二值是大小不同的数值。
本公开实施例中，所述用户群体划分装置200，还配置为：用于根据所述重叠矩阵，构建邻接矩阵，包括：在所述重叠矩阵中，将所述重叠矩阵中的副对角线以及在矩阵中第一位置上大于第二阈值的元素，设置为第一值；
将所述重叠矩阵中的副对角线以及在矩阵中第一位置上小于第二阈值的元素，设置为第二值；
根据所述第一值、第二值，构建邻接矩阵；其中，所述第一值与所述第二值是大小不同的数值。
本公开实施例中，所述用户群体划分装置200，还配置为：用于根据所述邻接矩阵中的第一值，筛选出所述第一值所在的行以及所在的列对应的两个用户群体，建立所述两个用户群体之间的第一类关联关系；
根据所述邻接矩阵中的第二值，筛选出所述第二值所在的行以及所在的列对应的两个用户群体，建立所述两个用户群体之间的第二类关联关系；
根据所述邻接矩阵中的第三值，筛选出所述第三值所在的行以及所在的列对应的两个用户群体，确定所述两个用户群体之间没有关联关系。
本公开实施例中，所述用户群体划分装置200，还配置为：用于根据所述邻接矩阵中的第二值，筛选出所述第二值所在的行以及所在的列对应的两个用户群体，确定所述两个用户群体之间没有关联关系。
在本公开实施例中，提供一种电子设备，所述电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中所述处理器用于运行所述计算机服务时，实现上述所述的用户群体划分方法中的步骤。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本公开实施例中，提供一种存储介质，所述存储介质中有计算机可执行指令，所述计算机可执行指令被处理器执行实现上述所述的用户群体划分方法中的步骤。
或者，本发明实施例上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种用户群体划分方法，其特征在于，所述方法包括：
根据用户之间的对同一对象的操作，构建节点图；其中，一个所述节点代表成员，不同所述节点之间的边代表所述边连接的两个成员对同一个对象执行的操作满足第一预设关系；
在所述节点图中，确定用户群体；其中，所述用户群体包含的任意两个成员在所述节点图中对应的节点之间都连接有边；
根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系。
2.根据权利要求1所述的用户群体划分方法，其特征在于，所述根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系，包括：
当两个所述用户群体包含的共同成员大于或等于第一阈值时，建立两个所述用户群体之间的第一类关联关系。
3.根据权利要求1所述的用户群体划分方法，其特征在于，所述根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系，还包括：
当两个所述用户群体包含的共同成员小于第一阈值且大于或等于第二阈值时，建立两个所述用户群体之间的第二类关联关系；其中，所述第二阈值小于所述第一阈值；所述第二类关联关系弱于所述第一类关联关系。
4.根据权利要求1或3所述的用户群体划分方法，其特征在于，所述方法还包括：
在两个所述用户群体包含的共同成员小于所述第二阈值时，确定两个所述用户群体没有关联关系。
5.根据权利要求1或2所述的用户群体划分方法，其特征在于，
所述方法还包括：
在两个所述用户群体包含的共同成员小于所述第一阈值时，确定两个所述用户群体没有关联关系。
6.根据权利要求1所述的用户群体划分方法，其特征在于，对同一个对象执行的操作满足第一预设关系，包括：
对同一个对象有执行相同操作；
或者，
对同一个对象执行的相同操作的次数达到第三阈值；
或者，
对同一个对象执行的相同操作次数占对所述对象执行的操作的比值达到第四阈值。
7.根据权利要求1所述的用户群体划分方法，其特征在于，所述对同一个对象执行有相同操作为第一类操作；
所述第一类操作，至少包括以下之一：
点赞操作；
收藏操作；
置顶操作；
正面评价操作。
8.一种用户群体划分装置，其特征在于，所述装置包括：
构建模块，用于根据用户之间的对同一对象的操作，构建节点图；其中，一个所述节点代表成员，不同所述节点之间的边代表所述边连接的两个成员对同一个对象执行的操作满足第一预设关系；
第一确定模块，用于在所述节点图中，确定用户群体；其中，所述用户群体包含的任意两个成员在所述节点图中对应的节点之间都连接有边；
建立模块，用于根据两个所述用户群体之间包含相同节点的数量，建立两个所述用户群体之间的关联关系。
9.一种电子设备，其特征在于，包括：
存储器；
处理器，与所述存储器连接，用于通过所述存储器存储的计算机执行指令，能够实现权利要求1至7任一项所述的方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有所述计算机可执行指令；所述计算机可执行指令被处理器执行后，能够实现权利要求1至7任一项所述的方法。
CN202110321359.9A 2021-03-25 2021-03-25 用户群体划分方法、装置、电子设备及计算机存储介质 Pending CN113111255A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110321359.9A CN113111255A (zh) 2021-03-25 2021-03-25 用户群体划分方法、装置、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110321359.9A CN113111255A (zh) 2021-03-25 2021-03-25 用户群体划分方法、装置、电子设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN113111255A true CN113111255A (zh) 2021-07-13

Family

ID=76712143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110321359.9A Pending CN113111255A (zh) 2021-03-25 2021-03-25 用户群体划分方法、装置、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113111255A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023011483A1 (zh) * 2021-08-05 2023-02-09 维沃移动通信有限公司 消息发送方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767278A (zh) * 2016-08-15 2018-03-06 腾讯科技（深圳）有限公司 社群层次结构构建方法和装置
CN108287864A (zh) * 2017-12-06 2018-07-17 深圳市腾讯计算机系统有限公司 一种兴趣群组划分方法、装置、介质及计算设备
US10025843B1 (en) * 2014-09-24 2018-07-17 EMC IP Holding Company LLC Adjusting consistency groups during asynchronous replication
TW201828193A (zh) * 2017-01-20 2018-08-01 阿里巴巴集團服務有限公司 一種用戶群體的劃分方法和裝置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10025843B1 (en) * 2014-09-24 2018-07-17 EMC IP Holding Company LLC Adjusting consistency groups during asynchronous replication
CN107767278A (zh) * 2016-08-15 2018-03-06 腾讯科技（深圳）有限公司 社群层次结构构建方法和装置
TW201828193A (zh) * 2017-01-20 2018-08-01 阿里巴巴集團服務有限公司 一種用戶群體的劃分方法和裝置
CN108287864A (zh) * 2017-12-06 2018-07-17 深圳市腾讯计算机系统有限公司 一种兴趣群组划分方法、装置、介质及计算设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023011483A1 (zh) * 2021-08-05 2023-02-09 维沃移动通信有限公司 消息发送方法、装置及电子设备

Similar Documents

Publication Publication Date Title
US20210334827A1 (en) Method and system for influencing auction based advertising opportunities based on user characteristics
Baek et al. Electronic word-of-mouth, box office revenue and social media
CA2700030C (en) Touchpoint customization system
Graves et al. Confusion online: Faulty metrics and the future of digital journalism
Miklošík Changes in purchasing decision-making process of consumers in the digital era
CN102365637A (zh) 表征用户信息
Xu et al. An empirical investigation of taxi driver response behavior to ride-hailing requests: A spatio-temporal perspective
US11032609B2 (en) Analysis of television viewership data for creating electronic content schedules
US20180307733A1 (en) User characteristic extraction method and apparatus, and storage medium
US10592548B2 (en) Image search persona techniques and systems
Chung et al. Understanding music streaming services via text mining of online customer reviews
KR101725510B1 (ko) 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치
An et al. Validating social media data for automatic persona generation
US8918409B2 (en) System and method for determining affinity profiles for research, marketing, and recommendation systems
CN108965360B (zh) 一种推荐数据处理方法及服务器、计算机存储介质
US20240177184A1 (en) Self-learning valuation and access to digital content
CN113111255A (zh) 用户群体划分方法、装置、电子设备及计算机存储介质
Baek et al. Chronological analysis of the electronic word-of-mouth effect of four social media channels on movie sales: comparing Twitter, Yahoo! Movies, Youtube, and Blogs
WO2015187485A1 (en) Systems and methods of generating notifications
WO2020135420A1 (zh) 对用户进行分类的方法和装置
Alamsyah et al. Social Network Performance Analysis and Content Engagement on Indonesia's E-Commerce
CN110796465B (zh) 资源展示设备确定方法、广告展示屏幕确定方法及装置
US20200387935A1 (en) Automated data analysis and processing for targeted advertising
CN113158032A (zh) 一种信息推送方法和装置
CN112488764A (zh) 营销策略匹配方法、系统及计算机可读存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210713