CN113360764A - 基于生活服务消费场景的社交网络构建方法及系统 - Google Patents
基于生活服务消费场景的社交网络构建方法及系统 Download PDFInfo
- Publication number
- CN113360764A CN113360764A CN202110699211.9A CN202110699211A CN113360764A CN 113360764 A CN113360764 A CN 113360764A CN 202110699211 A CN202110699211 A CN 202110699211A CN 113360764 A CN113360764 A CN 113360764A
- Authority
- CN
- China
- Prior art keywords
- user
- social network
- user node
- life service
- node
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000012163 sequencing technique Methods 0.000 claims abstract description 8
- 230000003993 interaction Effects 0.000 claims description 30
- 230000000694 effects Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
基于生活服务消费场景的社交网络构建方法及装置,通过构建用户对象和生活服务对象,用户对象包括预设的用户节点;创建预设的用户节点之间的第一链接表达式;构建指定用户节点和生活服务对象的第二链接表达式;计算用户对象包含的用户节点在社交网络中基于共同关联的生活服务对象的亲密度;根据生活服务对象的推荐分值,确定对用户节点进行推荐的生活服务对象的排序优先级。本发明不仅以单个用户为中心,而是将用户置于社交网络节点中整体考虑,计算出目标用户节点与周围用户节点的亲密度函数,然后再基于社交网络协同过滤智能推荐目标用户感兴趣的服务,因此可以保证推荐既是目标用户喜欢的服务,也是其与共同好友共情共频的服务。
Description
技术领域
本发明属于消费数据处理技术领域,具体涉及一种基于生活服务消费场景的社交网络构建方法及系统。
背景技术
目前,移动支付和移动互联网的发展,深刻的改变了用户线下生活服务消费的方式。未来商业的DNA是网络协同和数据智能,全球最值钱的互联网公司,都呈现两者的“双螺旋”。谷歌的两个核心价值是:精准广告技术(数据智能)和庞大的广告联盟(网络协同)。淘宝的价值,来源于买家、卖家和其他第三方角色的零售网络(网络协同),以及背后搜索和推荐引擎(数据智能)。领先的企业,要么强在数据智能,要么强在网络协同,如果一个企业在数据和网络任一方面都没有质的突破,在新一轮的竞争中也必然没有生存空间。
推荐算法是计算机专业中的一种算法,能够推测出用户可能喜欢的东西,目前应用推荐算法比较好的地方主要是网络,其中淘宝做的比较好。所谓推荐算法就是利用用户的一些行为,通过一些数学算法,推测出用户可能喜欢的东西。
基于协同过滤的推荐算法技术是推荐系统中应用最早和最为成功的技术之一,一般采用最近邻技术,利用用户的历史喜好信息计算用户之间的距离,然后利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度,从而根据这一喜好程度来对目标用户进行推荐。基于协同过滤的推荐算法最大优点是对推荐对象没有特殊的要求,能处理非结构化的复杂对象,如音乐、电影等。
线下吃喝玩乐的生活服务相关需求,本质是社交需求。中心化的生活服务电商平台以为用户打标签的方式进行机器学习和智能推荐的算法,过度聚焦于单个用户本身,无法精确高效的判断哪些吃喝玩乐服务品类是目标用户与其好友共情共频度最高的,无法应对现实中不同的生活服务场景,满足不了用户复杂的消费需求。
发明内容
为此,本发明提供一种基于生活服务消费场景的社交网络构建方法及系统,不仅以单个用户为中心,而是将用户置于社交网络节点中整体考虑,可以保证推荐既是目标用户喜欢的服务,也是其与共同好友共情共频的服务。
为了实现上述目的,本发明提供如下技术方案:基于生活服务消费场景的社交网络构建方法,包括以下步骤:
构建用户对象C和生活服务对象S,所述用户对象C包括预设的用户节点;
创建预设的所述用户节点之间的第一链接表达式C(X,R),第一链接表达式中X为指定用户节点在社交网络中链接用户的总数,第一链接表达式中R为指定用户节点在社交网络中与剩余用户节点交互的总频次;
构建指定用户节点和生活服务对象S的第二链接表达式Cs(Y,L),第二链接表达式中Y为指定用户节点在社交网络中链接的生活服务对象的总数,第二链接表达式中L为指定用户节点对所链接的生活服务对象的交互总频次;
计算用户对象C包含的用户节点在社交网络中基于共同关联的生活服务对象S的亲密度;
根据生活服务对象S的推荐分值L,确定对用户节点进行推荐的生活服务对象S的排序优先级。
作为基于生活服务消费场景的社交网络构建方法的优选方案,计算用户对象C包含的用户节点在社交网络中基于共同关联的生活服务对象S的总亲密度:KC1-C2=a(e+j)d+1+ah;
式中,d:时空关联常数,用户对象C中的用户节点C1与C2之间出现绝对距离小于等于15米的次数;
e:用户对象C中的用户节点C1与C2共同关联的好友节点数;
j:用户对象C中的用户节点C1与C2的共同关联的服务节点数;
h:用户对象C中的用户节点C1与C2的用户活跃度关联常数;
a:用户对象C中的用户节点C1与C2之间共频常数。
作为基于生活服务消费场景的社交网络构建方法的优选方案,用户对象C中的用户节点C1与C2之间共频常数:a=Re+Lj;
式中,Re为用户对象C中的用户节点C1、C2与共同好友交互频次总和;
Lj为用户对象C中的用户节点C1、C2与共同关联的生活服务对象交互的频次总和。
作为基于生活服务消费场景的社交网络构建方法的优选方案,当无法准确获取用户对象C中的用户节点C1与C2是否存在共同好友时:
用户对象C包含的用户节点在社交网络中基于共同关联的生活服务对象S的总亲密度:KC1-C2=ajd+1+ah;
式中,d:时空关联常数,用户对象C中的用户节点C1与C2之间出现绝对距离小于等于15米的次数;
j:用户对象C中的用户节点C1与C2的共同关联的服务节点数;
h:用户对象C中的用户节点C1与C2的用户活跃度关联常数;
a:用户对象C中的用户节点C1与C2之间共频常数。
作为基于生活服务消费场景的社交网络构建方法的优选方案,计算用户对象C包含的用户节点在社交网络中基于共同关联的单个生活服务对象S的亲密度:KC1-C2=a(e+1)d+1+ah;
式中,d:时空关联常数,用户对象C中的用户节点C1与C2之间出现绝对距离小于等于15米的次数;
e:用户对象C中的用户节点C1与C2共同关联的好友节点数;
h:用户对象C中的用户节点C1与C2的用户活跃度关联常数;
a:用户对象C中的用户节点C1与C2之间共频常数。
作为基于生活服务消费场景的社交网络构建方法的优选方案,用户对象C中的用户节点C1与C2之间共频常数:a=Re+L1;
式中,Re为用户对象C中的用户节点C1、C2与共同好友交互频次总和;
L1为用户对象C中的用户节点C1、C2在社交网络中关联的单个生活服务对象的交互总频次。
作为基于生活服务消费场景的社交网络构建方法的优选方案,生活服务对象S的推荐分值L的计算公式为:L=m+10n+50f+60u+70v+90w;
其中,m:点击;n:浏览;f:助力;u:收藏;v:待付;w:购买。
作为基于生活服务消费场景的社交网络构建方法的优选方案,用户对象C在生活服务消费场景的社交网络中的活跃度为:HC=X×R+Y×L。
作为基于生活服务消费场景的社交网络构建方法的优选方案,当用户对象C中的用户节点C1和C2的活跃度都大于整体平均数时,取用户节点C1和C2活跃度中的最大值;
当用户对象C中的用户节点C1和C2的活跃度都小于整体平均数时,取用户节点C1和C2活跃度中的最小值;
当用户对象C中的用户节点C1和C2的活跃度中有且只有一个小于整体平均数时,取C1和C2活跃度的平均值。
本发明还提供一种基于生活服务消费场景的社交网络构建装置,采用上述的基于生活服务消费场景的社交网络构建方法,包括:
对象构建模块,用于构建用户对象C和生活服务对象S,所述用户对象C包括预设的用户节点;
第一链接表达模块,用于创建预设的所述用户节点之间的第一链接表达式C(X,R),第一链接表达式中X为指定用户节点在社交网络中链接用户的总数,第一链接表达式中R为指定用户节点在社交网络中与剩余用户节点交互的总频次;
第二链接表达模块,用于构建指定用户节点和生活服务对象S的第二链接表达式Cs(Y,L),第二链接表达式中Y为指定用户节点在社交网络中链接的生活服务对象的总数,第二链接表达式中L为指定用户节点对所链接的生活服务对象的交互总频次;
亲密度计算模块,用于计算用户对象C包含的用户节点在社交网络中基于共同关联的生活服务对象S的亲密度;
推荐处理模块,用于根据生活服务对象S的推荐分值L,确定对用户节点进行推荐的生活服务对象S的排序优先级。
本发明具有如下优点:通过构建用户对象和生活服务对象,用户对象包括预设的用户节点;创建预设的用户节点之间的第一链接表达式;构建指定用户节点和生活服务对象的第二链接表达式;计算用户对象包含的用户节点在社交网络中基于共同关联的生活服务对象的亲密度;根据生活服务对象的推荐分值,确定对用户节点进行推荐的生活服务对象的排序优先级。本发明不仅以单个用户为中心,而是将用户置于社交网络节点中整体考虑,计算出目标用户节点与周围用户节点的亲密度函数,然后再基于社交网络协同过滤智能推荐目标用户感兴趣的服务,因此可以保证推荐既是目标用户喜欢的服务,也是其与共同好友共情共频的服务;与传统中心化打标签的推荐相比,本发明能够过滤难以进行机器自动内容分析的信息,如艺术品、音乐、电影、美食等;共享其他人的经验,避免了内容分析的不完全和不精确,并且能够基于一些复杂的,难以表述的概念(如信息质量、个人品位)进行过滤;有推荐新信息的能力;可以发现内容上完全不相似的信息,用户对推荐信息的内容事先是预料不到的;能够有效地使用其他相似用户的反馈信息,减少用户的反馈量,加快个性化学习的速度。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本发明实施例1提供的基于生活服务消费场景的社交网络构建方法示意图;
图2为本发明实施例1提供的基于生活服务消费场景的社交网络构建方法中用户对象关系模型;
图3为本发明实施例1提供的基于生活服务消费场景的社交网络构建方法中用户对象和生活服务对象关系模型;
图4为本发明实施例1提供的基于生活服务消费场景的社交网络构建方法中亲密度模型示意图;
图5为本发明实施例1提供的基于生活服务消费场景的社交网络构建方法中活跃度模型示意图;
图6为本发明实施例2提供的基于生活服务消费场景的社交网络构建装置示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
参见图1、图2、图3和图4,提供一种基于生活服务消费场景的社交网络构建方法,包括以下步骤:
S1、构建用户对象C和生活服务对象S,所述用户对象C包括预设的用户节点;
S2、创建预设的所述用户节点之间的第一链接表达式C(X,R),第一链接表达式中X为指定用户节点在社交网络中链接用户的总数,第一链接表达式中R为指定用户节点在社交网络中与剩余用户节点交互的总频次;
S3、构建指定用户节点和生活服务对象S的第二链接表达式Cs(Y,L),第二链接表达式中Y为指定用户节点在社交网络中链接的生活服务对象的总数,第二链接表达式中L为指定用户节点对所链接的生活服务对象的交互总频次;
S4、计算用户对象C包含的用户节点在社交网络中基于共同关联的生活服务对象S的亲密度;
S5、根据生活服务对象S的推荐分值L,确定对用户节点进行推荐的生活服务对象S的排序优先级。
参见图2,本实施例中,以用户对象C包含的用户节点C1和用户节点C2为例,用户节点C1与C2的链接表达式为:C1-2(X1-2,R1-2),X1-2为用户节点C1与C2的链接计数(黑线条数),此时恒等于1。R1-2为用户节点C1与C2的交互频次(黑线粗细数)。
参见图3,本实施例中,圆形代表用户对象,三角形代表生活服务对象,某用户对象C与某生活服务对象S的链接表达式为:Cs(Yc-s,Lc-s),Yc-s为某用户对象C与某生活服务对象S链接的计数(虚线条数),此时恒等于1。Lc-s为用户对象C与某生活服务对象S的交互频次(虚线粗细)。
本实施例中,计算用户对象C包含的用户节点在社交网络中基于共同关联的生活服务对象S的总亲密度:KC1-C2=a(e+j)d+1+ah;
式中,d:时空关联常数,用户对象C中的用户节点C1与C2之间出现绝对距离小于等于15米的次数;
e:用户对象C中的用户节点C1与C2共同关联的好友节点数;
j:用户对象C中的用户节点C1与C2的共同关联的服务节点数;
h:用户对象C中的用户节点C1与C2的用户活跃度关联常数;
a:用户对象C中的用户节点C1与C2之间共频常数。
具体的,用户对象C中的用户节点C1与C2之间共频常数:a=Re+Lj;
式中,Re为用户对象C中的用户节点C1、C2与共同好友交互频次总和;
Lj为用户对象C中的用户节点C1、C2与共同关联的生活服务对象交互的频次总和,Lj=sum(lC1-s1:lC1-sj)+sum(lC2-s1:lC2-sj)。
本实施例中,当无法准确获取用户对象C中的用户节点C1与C2是否存在共同好友时:
用户对象C包含的用户节点在社交网络中基于共同关联的生活服务对象S的总亲密度:KC1-C2=ajd+1+ah;
式中,d:时空关联常数,用户对象C中的用户节点C1与C2之间出现绝对距离小于等于15米的次数;
j:用户对象C中的用户节点C1与C2的共同关联的服务节点数;
h:用户对象C中的用户节点C1与C2的用户活跃度关联常数;
a:用户对象C中的用户节点C1与C2之间共频常数,a=Lj,此时,用户节点C1与C2在涉及网络中基于关联的某个S1的亲密度(当d>3才计算):KC1-s1-C2=(lC1-s1+lC2-s1)d+1+hd。
本实施例中,计算用户对象C包含的用户节点在社交网络中基于共同关联的单个生活服务对象S的亲密度:KC1-C2=a(e+1)d+1+ah;
式中,d:时空关联常数,用户对象C中的用户节点C1与C2之间出现绝对距离小于等于15米的次数;
e:用户对象C中的用户节点C1与C2共同关联的好友节点数;
h:用户对象C中的用户节点C1与C2的用户活跃度关联常数;
a:用户对象C中的用户节点C1与C2之间共频常数。
具体的,用户对象C中的用户节点C1与C2之间共频常数:a=Re+L1;
式中,Re为用户对象C中的用户节点C1、C2与共同好友交互频次总和;
L1为用户对象C中的用户节点C1、C2在社交网络中关联的单个生活服务对象的交互总频次。
本实施例中,生活服务对象S的推荐分值L的计算公式为:L=m+10n+50f+60u+70v+90w;
其中,m:点击;n:浏览;f:助力;u:收藏;v:待付;w:购买。
具体的,用户节点C1关联的生活服务对象S集合SC1=Enum(Y),Enum()为枚举函数。与中心化的电商平台推荐排序的本质区别在于SC1的不同,本发明的SC1是基于好友交互所关联的生活服务对象S。
参见图5,本实施例中,用户对象C在生活服务消费场景的社交网络中的活跃度为:HC=X×R+Y×L。当用户对象C中的用户节点C1和C2的活跃度都大于整体平均数时,取用户节点C1和C2活跃度中的最大值;
当用户对象C中的用户节点C1和C2的活跃度都小于整体平均数时,取用户节点C1和C2活跃度中的最小值;
当用户对象C中的用户节点C1和C2的活跃度中有且只有一个小于整体平均数时,取C1和C2活跃度的平均值。
基于本发明的技术方案进行算法模拟,构建用户对象:用户C(X,R),C1/C2/C3...Cn,以下算法模拟仅三个用户的情况:C1,C2,C3;构建生活服务对象S(Y,L),S1/S2/S3...Sn,以下可以模拟n(n>3)个生活服务SKU(一款商品,每款都有出现一个SKU,便于电商品牌识别商品)。
初始化(以n=60为例):
1,循环读取C1与S1/S2/S3...S60之间的初始化参数(Yc-s,Lc-s)
例:C1:S1(Y1-1,L1-1)、C1:S2(Y1-2,L1-2)、C2:S1(Y2-1,L2-1)...
L=m+10*n+50*f+60*u+70*v+90*w
当L=0时,Y恒等于0.当L>0时,Y恒等于1。
2,请输入:m=?;n=?;f=?;u=?;v=?;w=?。“?”代表输入值,循环输入180次,为S1-S60赋值。读取C1.txt,C2.txt,C2.txt内用户初始化数据。
初始化完成。
4,求与C1关联的S的集合SC1,即是Y1-60中Y>0的所有S的集合。比如(S1,S8,S9,S17,S60)。
5,求与C2关联的S的集合SC2,即是Y2-60中Y>0的所有S的集合。比如(S1,S8,S11,S25,S60)。
6,求与C3关联的S的集合Sc3,即是Y3-60中Y>0的所有S的集合。比如(S2,S8,S21,S25,S60)。
7,求S1,即是SC1&SC2&Sc3交集,例如(S8,S60)。
8,求S2,即是SC1&SC2的交集中去掉S1。
9,求S3,即是SC1&Sc3的交集中去掉S1。。
10,求S4,即是SC1中去掉S1+S2+S3。
11,求S5,即是SC2&Sc3的交集中去掉S1。
12,求S6,即是SC2中去掉S1+S2+S5。
13,求S7,即是Sc3中去掉S1+S3+S5。
14,请输入推荐对象C=?;“?”代表输入值,如C=1,即是对C1进行智能推荐。
14-1,求C1与C2之间的亲密度函数,KC1-C2=a(e+j)d+1+h;
14-1-1:
请输入d=?:时空关联常数,“?”代表输入值,C1与C2之间出现绝对距离小于等于15米的次数。
14-1-2:
e=1:C1与C2的共同关联的好友节点数。此时恒等于1.
14-1-3:
计算j:C1与C2的共同关联的服务节点数,即是集合S1+S2中元素S的个数。
14-1-4:
计算h:C1和C2用户活跃度关联常数;
用户C1在生活服务消费场景的社交网中的活跃度,即衡量C1与涉及网络中所有用户及所有服务的关联性。
HC1=X1*R+Y1*L1
此时,X1=x1-1+x1-2;R=r1-2+r1-3.X1=2,R=2;
Y1=Y1_1+Y1_2+...Y1_60;L1=L1_1+L1_2...+L1_60;
同理,计算HC2。
C1和C2用户活跃度关联常数h:h=(HCMAX,HCMIN,HCAVG);
当C1和C2的活跃度都大于整体平均数时,取C1和C2活跃度中的最大值。当C1和C2的活跃度都小于整体平均数时,取C1和C2活跃度中的最小值。当C1和C2的活跃度中有且只有一个小于整体平均数时,取C1和C2活跃度的平均值。
14-1-5:
计算a:C1与C2之间共频常数:a=Re+Lj;
Re:C1、C2与共同好友交互频次总和。此时,Re=2;
Lj:C1、C2与共同关联的服务交互的频次总和。
即集合S1+S2中所有元素S的L的总和。
14-1-6,同上,求C1与C3之间的亲密度函数,KC1-c3=a(e+j)d+1+ah。
14-1-7,同上,求C2与C3之间的亲密度函数,KC2-c3=a(e+j)d+1+ah。
14-1-8,对KC1-c3;KC2-c3;KC2-c3进行大小排序。
14-1-9,确定S1,S2,S3...S7集合的优先级排序。
如,KC1-C2>KC2-c3>KC1-c3则S1>S2>S3>S4>S5>S6>S7。
15,对C1推荐:
15-1:先推荐S1中的S,并将其按照由大到小优先级进行排序。输出推荐结果。例如S1(S8,S60),其中S8(Y1-8,L1-8),S60(Y1-60,L1-60),赋值结果为S8(1,9);S60(1,12).输出结果为:S60;S8。
15-2:推荐S2中的S,并将其按照由大到小优先级进行排序。输出推荐结果。
...
15-7:推荐S7中的S,并将其按照由大到小优先级进行排序。输出推荐结果。
16,对C1推荐的总结果为,15-1....15-7的集合。
全部S推荐完毕。
综上所述,本发明通过构建用户对象和生活服务对象,用户对象包括预设的用户节点;创建预设的用户节点之间的第一链接表达式;构建指定用户节点和生活服务对象的第二链接表达式;计算用户对象包含的用户节点在社交网络中基于共同关联的生活服务对象的亲密度;根据生活服务对象的推荐分值,确定对用户节点进行推荐的生活服务对象的排序优先级。本发明不仅以单个用户为中心,而是将用户置于社交网络节点中整体考虑,计算出目标用户节点与周围用户节点的亲密度函数,然后再基于社交网络协同过滤智能推荐目标用户感兴趣的服务,因此可以保证推荐既是目标用户喜欢的服务,也是其与共同好友共情共频的服务;与传统中心化打标签的推荐相比,本发明能够过滤难以进行机器自动内容分析的信息,如艺术品、音乐、电影、美食等;共享其他人的经验,避免了内容分析的不完全和不精确,并且能够基于一些复杂的,难以表述的概念(如信息质量、个人品位)进行过滤;有推荐新信息的能力;可以发现内容上完全不相似的信息,用户对推荐信息的内容事先是预料不到的;能够有效地使用其他相似用户的反馈信息,减少用户的反馈量,加快个性化学习的速度。
实施例2
参见图6,本发明实施例2还提供一种基于生活服务消费场景的社交网络构建装置,采用实施例1或其任意可能实现方式的基于生活服务消费场景的社交网络构建方法,包括:
对象构建模块1,用于构建用户对象C和生活服务对象S,所述用户对象C包括预设的用户节点;
第一链接表达模块2,用于创建预设的所述用户节点之间的第一链接表达式C(X,R),第一链接表达式中X为指定用户节点在社交网络中链接用户的总数,第一链接表达式中R为指定用户节点在社交网络中与剩余用户节点交互的总频次;
第二链接表达模块3,用于构建指定用户节点和生活服务对象S的第二链接表达式Cs(Y,L),第二链接表达式中Y为指定用户节点在社交网络中链接的生活服务对象的总数,第二链接表达式中L为指定用户节点对所链接的生活服务对象的交互总频次;
亲密度计算模块4,用于计算用户对象C包含的用户节点在社交网络中基于共同关联的生活服务对象S的亲密度;
推荐处理模块5,用于根据生活服务对象S的推荐分值L,确定对用户节点进行推荐的生活服务对象S的排序优先级。
需要说明的是,上述装置各模块/单元之间的信息交互、执行过程等内容,由于与本申请实施例1中的方法实施例基于同一构思,其带来的技术效果与本申请方法实施例相同,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
实施例3
本发明实施例3提供一种计算机可读存储介质,所述计算机可读存储介质中存储用于基于生活服务消费场景的社交网络构建方法的程序代码,所述程序代码包括用于执行实施例1或其任意可能实现方式的基于生活服务消费场景的社交网络构建方法的指令。
计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(SolidStateDisk、SSD))等。
实施例4
本发明实施例4提供一种电子设备,所述电子设备包括处理器,所述处理器与存储介质耦合,当所述处理器执行存储介质中的指令时,使得所述电子设备执行实施例1或其任意可能实现方式的基于生活服务消费场景的社交网络构建方法。
具体的,处理器可以通过硬件来实现也可以通过软件来实现,当通过硬件实现时,该处理器可以是逻辑电路、集成电路等;当通过软件来实现时,该处理器可以是一个通用处理器,通过读取存储器中存储的软件代码来实现,该存储器可以集成在处理器中,可以位于所述处理器之外,独立存在。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.基于生活服务消费场景的社交网络构建方法,其特征在于,包括以下步骤:
构建用户对象C和生活服务对象S,所述用户对象C包括预设的用户节点;
创建预设的所述用户节点之间的第一链接表达式C(X,R),第一链接表达式中X为指定用户节点在社交网络中链接用户的总数,第一链接表达式中R为指定用户节点在社交网络中与剩余用户节点交互的总频次;
构建指定用户节点和生活服务对象S的第二链接表达式Cs(Y,L),第二链接表达式中Y为指定用户节点在社交网络中链接的生活服务对象的总数,第二链接表达式中L为指定用户节点对所链接的生活服务对象的交互总频次;
计算用户对象C包含的用户节点在社交网络中基于共同关联的生活服务对象S的亲密度;
根据生活服务对象S的推荐分值L,确定对用户节点进行推荐的生活服务对象S的排序优先级。
2.根据权利要求1所述的基于生活服务消费场景的社交网络构建方法,其特征在于,计算用户对象C包含的用户节点在社交网络中基于共同关联的生活服务对象S的总亲密度:KC1-C2=a(e+j)d+1+ah;
式中,d:时空关联常数,用户对象C中的用户节点C1与C2之间出现绝对距离小于等于15米的次数;
e:用户对象C中的用户节点C1与C2共同关联的好友节点数;
j:用户对象C中的用户节点C1与C2的共同关联的服务节点数;
h:用户对象C中的用户节点C1与C2的用户活跃度关联常数;
a:用户对象C中的用户节点C1与C2之间共频常数。
3.根据权利要求2所述的基于生活服务消费场景的社交网络构建方法,其特征在于,用户对象C中的用户节点C1与C2之间共频常数:a=Re+Lj;
式中,Re为用户对象C中的用户节点C1、C2与共同好友交互频次总和;
Lj为用户对象C中的用户节点C1、C2与共同关联的生活服务对象交互的频次总和。
4.根据权利要求2所述的基于生活服务消费场景的社交网络构建方法,其特征在于,当无法准确获取用户对象C中的用户节点C1与C2是否存在共同好友时:
用户对象C包含的用户节点在社交网络中基于共同关联的生活服务对象S的总亲密度:KC1-C2=ajd+1+ah;
式中,d:时空关联常数,用户对象C中的用户节点C1与C2之间出现绝对距离小于等于15米的次数;
j:用户对象C中的用户节点C1与C2的共同关联的服务节点数;
h:用户对象C中的用户节点C1与C2的用户活跃度关联常数;
a:用户对象C中的用户节点C1与C2之间共频常数。
5.根据权利要求1所述的基于生活服务消费场景的社交网络构建方法,其特征在于,计算用户对象C包含的用户节点在社交网络中基于共同关联的单个生活服务对象S的亲密度:KC1-C2=a(e+1)d+1+ah;
式中,d:时空关联常数,用户对象C中的用户节点C1与C2之间出现绝对距离小于等于15米的次数;
e:用户对象C中的用户节点C1与C2共同关联的好友节点数;
h:用户对象C中的用户节点C1与C2的用户活跃度关联常数;
a:用户对象C中的用户节点C1与C2之间共频常数。
6.根据权利要求5所述的基于生活服务消费场景的社交网络构建方法,其特征在于,用户对象C中的用户节点C1与C2之间共频常数:a=Re+L1;
式中,Re为用户对象C中的用户节点C1、C2与共同好友交互频次总和;
L1为用户对象C中的用户节点C1、C2在社交网络中关联的单个生活服务对象的交互总频次。
7.根据权利要求1所述的基于生活服务消费场景的社交网络构建方法,其特征在于,生活服务对象S的推荐分值L的计算公式为:L=m+10n+50f+60u+70v+90w;
其中,m:点击;n:浏览;f:助力;u:收藏;v:待付;w:购买。
8.根据权利要求1所述的基于生活服务消费场景的社交网络构建方法,其特征在于,用户对象C在生活服务消费场景的社交网络中的活跃度为:HC=X×R+Y×L。
9.根据权利要求7所述的基于生活服务消费场景的社交网络构建方法,其特征在于,当用户对象C中的用户节点C1和C2的活跃度都大于整体平均数时,取用户节点C1和C2活跃度中的最大值;
当用户对象C中的用户节点C1和C2的活跃度都小于整体平均数时,取用户节点C1和C2活跃度中的最小值;
当用户对象C中的用户节点C1和C2的活跃度中有且只有一个小于整体平均数时,取C1和C2活跃度的平均值。
10.基于生活服务消费场景的社交网络构建装置,采用权利要求1至9任一项所述的基于生活服务消费场景的社交网络构建方法,其特征在于,包括:
对象构建模块,用于构建用户对象C和生活服务对象S,所述用户对象C包括预设的用户节点;
第一链接表达模块,用于创建预设的所述用户节点之间的第一链接表达式C(X,R),第一链接表达式中X为指定用户节点在社交网络中链接用户的总数,第一链接表达式中R为指定用户节点在社交网络中与剩余用户节点交互的总频次;
第二链接表达模块,用于构建指定用户节点和生活服务对象S的第二链接表达式Cs(Y,L),第二链接表达式中Y为指定用户节点在社交网络中链接的生活服务对象的总数,第二链接表达式中L为指定用户节点对所链接的生活服务对象的交互总频次;
亲密度计算模块,用于计算用户对象C包含的用户节点在社交网络中基于共同关联的生活服务对象S的亲密度;
推荐处理模块,用于根据生活服务对象S的推荐分值L,确定对用户节点进行推荐的生活服务对象S的排序优先级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110699211.9A CN113360764A (zh) | 2021-06-23 | 2021-06-23 | 基于生活服务消费场景的社交网络构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110699211.9A CN113360764A (zh) | 2021-06-23 | 2021-06-23 | 基于生活服务消费场景的社交网络构建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113360764A true CN113360764A (zh) | 2021-09-07 |
Family
ID=77535977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110699211.9A Pending CN113360764A (zh) | 2021-06-23 | 2021-06-23 | 基于生活服务消费场景的社交网络构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113360764A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130086057A1 (en) * | 2011-10-04 | 2013-04-04 | Microsoft Corporation | Social network recommended content and recommending members for personalized search results |
CN103823888A (zh) * | 2014-03-07 | 2014-05-28 | 安徽融数信息科技有限责任公司 | 一种基于节点亲密度的社交网站好友推荐方法 |
CN104166702A (zh) * | 2014-08-04 | 2014-11-26 | 浙江财经大学 | 一种面向服务供应链网络的服务推荐方法 |
CN107526850A (zh) * | 2017-10-12 | 2017-12-29 | 燕山大学 | 基于多重个性化特征混合架构的社交网络好友推荐方法 |
CN109241412A (zh) * | 2018-08-17 | 2019-01-18 | 深圳先进技术研究院 | 一种基于网络表示学习的推荐方法、系统及电子设备 |
US20190188806A1 (en) * | 2017-12-20 | 2019-06-20 | Torre Technologies Co. | Business-Oriented Social Network Employing Recommendations and Associated Weights |
US20210150378A1 (en) * | 2018-04-12 | 2021-05-20 | Boe Technology Group Co., Ltd. | Recommendation method, recommendation apparatus, recommendation device, recommendation system and storage medium |
-
2021
- 2021-06-23 CN CN202110699211.9A patent/CN113360764A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130086057A1 (en) * | 2011-10-04 | 2013-04-04 | Microsoft Corporation | Social network recommended content and recommending members for personalized search results |
CN103823888A (zh) * | 2014-03-07 | 2014-05-28 | 安徽融数信息科技有限责任公司 | 一种基于节点亲密度的社交网站好友推荐方法 |
CN104166702A (zh) * | 2014-08-04 | 2014-11-26 | 浙江财经大学 | 一种面向服务供应链网络的服务推荐方法 |
CN107526850A (zh) * | 2017-10-12 | 2017-12-29 | 燕山大学 | 基于多重个性化特征混合架构的社交网络好友推荐方法 |
US20190188806A1 (en) * | 2017-12-20 | 2019-06-20 | Torre Technologies Co. | Business-Oriented Social Network Employing Recommendations and Associated Weights |
US20210150378A1 (en) * | 2018-04-12 | 2021-05-20 | Boe Technology Group Co., Ltd. | Recommendation method, recommendation apparatus, recommendation device, recommendation system and storage medium |
CN109241412A (zh) * | 2018-08-17 | 2019-01-18 | 深圳先进技术研究院 | 一种基于网络表示学习的推荐方法、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11632407B2 (en) | Supplementing user web-browsing | |
US9152969B2 (en) | Recommendation ranking system with distrust | |
Aral et al. | Tie strength, embeddedness, and social influence: A large-scale networked experiment | |
Saheb et al. | Quantitative analysis of the development of digital marketing field: Bibliometric analysis and network mapping | |
US20150127628A1 (en) | Method and System for Display Dynamic & Accessible Actions with Unique Identifiers and Activities | |
CN108960992A (zh) | 一种信息推荐方法以及相关设备 | |
US10826953B2 (en) | Supplementing user web-browsing | |
CA2944652C (en) | Inference model for traveler classification | |
Piao et al. | Research on e-commerce transaction networks using multi-agent modelling and open application programming interface | |
CN105144154A (zh) | 内容病毒式传播力的确定及可视化 | |
CN109087162A (zh) | 数据处理方法、系统、介质和计算设备 | |
CN115270001B (zh) | 基于云端协同学习的隐私保护推荐方法及系统 | |
CN108446297A (zh) | 一种推荐方法及装置,电子设备 | |
CN113379494A (zh) | 基于异质社交关系的商品推荐方法、装置和电子设备 | |
CN110135646A (zh) | 一种餐厅预估快速上菜的方法、装置及存储介质 | |
CN112581226A (zh) | 产品推荐方法及系统 | |
Vijayakumar | Digital twin in consumer choice modeling | |
CN109063120A (zh) | 一种基于聚类的协同过滤推荐方法和装置 | |
CN115423555A (zh) | 一种商品推荐方法、装置、电子设备及存储介质 | |
CN111353103A (zh) | 用于确定用户社群信息的方法和装置 | |
WO2018078761A1 (ja) | クラスタリングシステム、方法およびプログラム、並びに、レコメンドシステム | |
CN112950321A (zh) | 一种物品推荐方法和装置 | |
US20160350835A1 (en) | System and method for finding possible bartering partners in both two-party and multi-party scenarios via smartphone/mobile device application. | |
CN117251586A (zh) | 多媒体资源推荐方法、装置及存储介质 | |
CN113360764A (zh) | 基于生活服务消费场景的社交网络构建方法及系统 |
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 |