CN116361566A - 一种基于大数据的用户关系推荐方法及装置 - Google Patents
一种基于大数据的用户关系推荐方法及装置 Download PDFInfo
- Publication number
- CN116361566A CN116361566A CN202310323195.2A CN202310323195A CN116361566A CN 116361566 A CN116361566 A CN 116361566A CN 202310323195 A CN202310323195 A CN 202310323195A CN 116361566 A CN116361566 A CN 116361566A
- Authority
- CN
- China
- Prior art keywords
- user
- users
- relationship
- labels
- personal relationship
- 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
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种基于大数据的用户关系推荐方法及装置，其包括：从大数据平台采集用户的个人关系信息数据；根据用户的个人关系资料信息数据进行分析和处理后生成用户的多个标签；对每个用户的不同标签进行分类，并根据类别将标签划分到不同的标签集内；对标签集内的不同标签基于训练模型进行训练，根据训练得到用户间的关系匹配度；根据用户间的关系匹配度给用户提供用户关系推荐。本发明在传统基于用户关系推荐的基础上，根据大数据和特殊的处理算法对用户的关系进行分类和分级处理，这样在用户关系推荐时，可推荐给用户以关系匹配度更高的用户，使得推荐结果更加精确，使用户能更准确的找到想要找到的用户，更符合用户对于关系推荐的需求。
Description
技术领域
本发明涉及用户关系推荐技术领域，特别是涉及一种基于大数据的用户关系推荐方法及装置。
背景技术
在大数据时代，数据库的发展形成了利用数据建模归纳总结过去并对未来做预测的“计算科学”；而互联网/大数据年代，通过收集大量的数据，形成了让计算机去规律的学习并优化模型的“数据科学”。社会化网络中用户关系匹配度是用户在网络社交的重要依据之一,用户关系匹配度的精确计算能够提高用户相互推荐的针对性与准确性,实现精准社交。但是随着互联网上的人际关系日渐复杂，由于传统的推荐方法针对性与准确性差，使得用户越来越难以从互联网中找到与其关具有相同点的用户。
发明内容
本发明要解决的技术问题是：现有技术中的用户关系推荐方法存在精确度低，不能满足用户对于关系推荐需求的问题。
为了解决上述技术问题，本发明提供了一种基于大数据的用户关系推荐方法，包括：
步骤S100：从大数据平台采集用户的个人关系信息数据；
步骤S200：根据用户的个人关系资料信息数据进行分析和处理后生成用户的多个标签；
步骤S300：对每个用户的不同标签进行分类，并根据类别将标签划分到不同的标签集内；
步骤S400：对标签集内的不同标签基于训练模型进行训练，根据训练得到用户间的关系匹配度；
步骤S500：根据用户间的关系匹配度给用户提供用户关系推荐。
进一步的，在所述步骤S200中，根据用户的个人关系资料信息数据进行分析和处理后生成用户的多个标签，包括；
步骤S210：通过机器处理算法对获得用户的个人关系资料信息进行分析和处理后生成用户的个人关系初级标签；
步骤S220：通过预设的数据分析处理流程对用户的个人关系初级标签进行分析和处理后生成用户的个人关系高级标签。
进一步的，在所述步骤S220中，通过预设的数据分析处理流程对用户的个人关系初级标签进行分析和处理后生成用户的个人关系高级标签，包括：
步骤S221：将用户的个人关系初级标签输入到标签数据库中，对输入的用户的个人关系初级标签通过机器进行归一化处理，得到用户的个人关系初级标签的分值；
步骤S222：判断用户的个人关系初级标签的分值是否大于一个预设的分数阈值，若大于所述分数阈值，则升级为用户的个人关系高级标签，若不大于所述分数阈值，则继续保留为用户的个人关系初级标签。
进一步的，在所述步骤S300中，对每个用户的不同标签进行分类，并根据类别将标签划分到不同的标签集内，包括：
步骤S310：从生成的用户的个人关系高级标签和用户的个人关系初级标签中提取关键词；
步骤S320：根据关键词从标签公共字典表中匹配相应的主题；
步骤S330：根据标签公共字典表中的主题创建多个标签集，并将用户的个人关系高级标签和用户的个人关系初级标签划分到不同的标签集内。
进一步的，在所述步骤S320中，根据关键词从标签公共字典表中匹配相应的主题，包括；
步骤S321：设定从生成的用户的个人关系高级标签和用户的个人关系初级标签中提取关键词为n个，标签公共字典表中的主题为m个，其中，n和m均为大于0的自然数；
步骤S322：将n个关键词和m个主题进行排序，按照排序顺序依次将第i个关键词与第j个主题进行匹配，直到所有的关键词都匹配到对应的主题中则确定为匹配成功。
进一步的，在所述步骤S400中，对标签集内的不同标签基于训练模型进行训练，根据训练得到用户间的关系匹配度，包括：
步骤S410：获取所有的标签集，将不同标签集内的标签都根据高级标签和初级标签进行分组得到个人关系高级标签组和个人关系初级标签组；
步骤S420：对不同标签集的个人关系高级标签组和个人关系初级标签组内的标签标注上用户名称；
步骤S430：根据预先设置的训练模型对不同用户名称组合进行训练运算后得到用户间的关系匹配度。
进一步的，在所述步骤S430中，根据预先设置的训练模型对在同一标签组而不在同一标签集内的不同用户名称组合进行训练后得到用户间的关系匹配度，包括：
步骤S431：对个人关系高级标签组中的用户赋予主优先级权重，对个人关系初级标签组的用户赋予次优先级权重；
步骤S431：将在同一标签组内的不同用户名称组合进行数据统计；
步骤S431：将在同一标签组内的不同用户名称组合得到的数据统计在不同标签集内按照优先级权重在训练模型中进行训练运算，得到不同优先级的用户间的匹配关系；
步骤S431：对不同优先级的用户间的匹配关系进行打分，得到用户间的关系匹配度。
进一步的，在所述步骤S500中，根据用户间的关系匹配度给用户提供用户关系推荐，包括：
根据用户间的关系匹配度将与用户间关系匹配度较高的用户进行相互推荐，并在推荐过程中展示出用户间的关系匹配度的数值。
一种基于大数据的用户关系推荐装置，包括：数据采集模块，用于从大数据平台采集用户的个人关系资料信息数据；
数据处理模块，用于根据用户的个人关系信息数据进行分析和处理后生成用户的多个标签；
划分数据集模块，用于对每个用户的不同标签进行分类，并根据类别将标签划分到不同的标签集内；
数据训练模块，用于对标签集内的不同标签基于训练模型进行训练，根据训练得到用户间的关系匹配度；
关系推荐模块，用于根据用户间的关系匹配度给用户提供用户关系推荐。
进一步的，所述计算机程序被处理器执行时实现所述基于大数据的用户关系推荐方法的步骤。
本发明实施例一种基于大数据的用户关系推荐方法及装置与现有技术相比，其有益效果在于：
从大数据平台采集用户的个人关系信息数据；根据用户的个人关系资料信息数据进行分析和处理后生成用户的多个标签；对每个用户的不同标签进行分类，并根据类别将标签划分到不同的标签集内；对标签集内的不同标签基于训练模型进行训练，根据训练得到用户间的关系匹配度；根据用户间的关系匹配度给用户提供用户关系推荐。本发明在传统基于用户关系推荐的基础上，根据大数据和特殊的处理算法对用户的关系进行分类和分级处理，这样在用户关系推荐时，可推荐给用户以关系匹配度更高的用户，使得推荐结果更加精确，使用户能更准确的找到想要找到的用户，更符合用户对于关系推荐的需求。
附图说明
图1是本发明实施例中基于大数据的用户关系推荐方法的示意图；
图2是本发明实施例中基于大数据的用户关系推荐方法的示意图；
图3是本发明实施例中基于大数据的用户关系推荐方法的示意图；
图4是本发明实施例中基于大数据的用户关系推荐方法的示意图；
图5是本发明实施例中基于大数据的用户关系推荐装置的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
在本申请的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
术语“”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
如图1所示，在本申请的实施例中，提供了一种基于大数据的用户关系推荐方法，包括：步骤S100：从大数据平台采集用户的个人关系信息数据；步骤S200：根据用户的个人关系资料信息数据进行分析和处理后生成用户的多个标签；步骤S300：对每个用户的不同标签进行分类，并根据类别将标签划分到不同的标签集内；步骤S400：对标签集内的不同标签基于训练模型进行训练，根据训练得到用户间的关系匹配度；步骤S500：根据用户间的关系匹配度给用户提供用户关系推荐。
进一步的，本发明在传统基于用户关系推荐的基础上，根据大数据和特殊的处理算法对用户的关系进行分类和分级处理，这样在用户关系推荐时，可推荐给用户以关系匹配度更高的用户，使得推荐结果更加精确，使用户能更准确的找到想要找到的用户，更符合用户对于关系推荐的需求。
具体的，在获取用户数据时，对用户数据进行处理的过程中，每个计算状态都可以存储在装置内部，不需要存储在外部系统，降低了计算引擎对外部系统的依赖以及部署，使运维更加简单，同时对该用户数据标签处理设备的性能也带来了极大的提升。
如图2所示，在本申请的实施例中，提供了一种基于大数据的用户关系推荐方法，在所述步骤S200中，根据用户的个人关系资料信息数据进行分析和处理后生成用户的多个标签，包括；
步骤S210：通过机器处理算法对获得用户的个人关系资料信息进行分析和处理后生成用户的个人关系初级标签；
具体的，当获得的用户的个人关系资料信息较为模糊，无法获取用户数据中的数据特征时，还可以根据机器学习算法，对用户数据进行分析计算，生成用户的个人关系初级标签。
步骤S220：通过预设的数据分析处理流程对用户的个人关系初级标签进行分析和处理后生成用户的个人关系高级标签。
在本申请的实施例中，提供了一种基于大数据的用户关系推荐方法，在所述步骤S220中，通过预设的数据分析处理流程对用户的个人关系初级标签进行分析和处理后生成用户的个人关系高级标签，包括：
步骤S221：将用户的个人关系初级标签输入到标签数据库中，对输入的用户的个人关系初级标签通过机器进行归一化处理，得到用户的个人关系初级标签的分值；
步骤S222：判断用户的个人关系初级标签的分值是否大于一个预设的分数阈值，若大于所述分数阈值，则升级为用户的个人关系高级标签，若不大于所述分数阈值，则继续保留为用户的个人关系初级标签。
具体的，用户的个人关系高级标签代表用户间存在相似度很高的标签，此类标签的分值可以根据具体的参数进行设定，以保证其较用户的个人关系初级标签更加重要，确保了精确性。
如图3所示，在本申请的实施例中，提供了一种基于大数据的用户关系推荐方法，在所述步骤S300中，对每个用户的不同标签进行分类，并根据类别将标签划分到不同的标签集内，包括：
步骤S310：从生成的用户的个人关系高级标签和用户的个人关系初级标签中提取关键词；
步骤S320：根据关键词从标签公共字典表中匹配相应的主题；
步骤S330：根据标签公共字典表中的主题创建多个标签集，并将用户的个人关系高级标签和用户的个人关系初级标签划分到不同的标签集内。
具体的，可以从个人关系高级标签和用户的个人关系初级标签中提取多个关键词，对多个关键词进行筛选，最后将与标签具有有最高关联度的关键词作为最终关键词，并从标签公共字典表中选出相应匹配的主题来创建标签集。
在本申请的实施例中，提供了一种基于大数据的用户关系推荐方法，在所述步骤S320中，根据关键词从标签公共字典表中匹配相应的主题，包括；
步骤S321：设定从生成的用户的个人关系高级标签和用户的个人关系初级标签中提取关键词为n个，标签公共字典表中的主题为m个，其中，n和m均为大于0的自然数；
步骤S322：将n个关键词和m个主题进行排序，按照排序顺序依次将第i个关键词与第j个主题进行匹配，直到所有的关键词都匹配到对应的主题中则确定为匹配成功。
具体的，最终提取出的n个关键词要匹配放入到m个主题标签集内，并且每个主题标签集内都要匹配到至少一个关键词，确保每个关键词都不被浪费。
如图4所示，在本申请的实施例中，提供了一种基于大数据的用户关系推荐方法，在所述步骤S400中，对标签集内的不同标签基于训练模型进行训练，根据训练得到用户间的关系匹配度，包括：
步骤S410：获取所有的标签集，将不同标签集内的标签都根据高级标签和初级标签进行分组得到个人关系高级标签组和个人关系初级标签组；
步骤S420：对不同标签集的个人关系高级标签组和个人关系初级标签组内的标签标注上用户名称；
步骤S430：根据预先设置的训练模型对不同用户名称组合进行训练运算后得到用户间的关系匹配度。
在本申请的实施例中，提供了一种基于大数据的用户关系推荐方法，在所述步骤S430中，根据预先设置的训练模型对在同一标签组而不在同一标签集内的不同用户名称组合进行训练后得到用户间的关系匹配度，包括：
步骤S431：对个人关系高级标签组中的用户赋予主优先级权重，对个人关系初级标签组的用户赋予次优先级权重；
步骤S431：将在同一标签组内的不同用户名称组合进行数据统计；
步骤S431：将在同一标签组内的不同用户名称组合得到的数据统计在不同标签集内按照优先级权重在训练模型中进行训练运算，得到不同优先级的用户间的匹配关系；
步骤S431：对不同优先级的用户间的匹配关系进行打分，得到用户间的关系匹配度。
具体的，位于高级标签组中的用户与用户间关系度较高，根据他们之间在不同标签集内优先级权重及出现频次得到不同优先级的用户间的匹配关系，以使具有较高关系匹配度的用户间能够相互推荐。
在本申请的实施例中，提供了一种基于大数据的用户关系推荐方法，在所述步骤S500中，根据用户间的关系匹配度给用户提供用户关系推荐，包括：
根据用户间的关系匹配度将与用户间关系匹配度较高的用户进行相互推荐，并在推荐过程中展示出用户间的关系匹配度的数值。
如图5所示，在本申请的实施例中，提供一种基于大数据的用户关系推荐装置，包括：数据采集模块、数据处理模块、划分数据集模块、数据训练模块和关系推荐模块；具体的，所述数据采集模块用于从大数据平台上采集有关于用户的个人关系资料信息数据；所述数据处理模块用于根据用户的个人关系信息数据进行分析和处理后生成用户的多个标签；所述划分数据集模块用于对每个用户的不同标签进行分类，并根据类别将标签划分到不同的标签集内；所述数据训练模块用于对标签集内的不同标签基于训练模型进行训练，根据训练得到用户间的关系匹配度；所述关系推荐模块用于根据用户间的关系匹配度给用户提供用户关系推荐。
在本申请的实施例中，提供一种基于大数据的用户关系推荐装置，所述计算机程序被处理器执行时实现以下的步骤：
从大数据平台采集用户的个人关系信息数据；
根据用户的个人关系资料信息数据进行分析和处理后生成用户的多个标签；
对每个用户的不同标签进行分类，并根据类别将标签划分到不同的标签集内；
对标签集内的不同标签基于训练模型进行训练，根据训练得到用户间的关系匹配度；
根据用户间的关系匹配度给用户提供用户关系推荐。
综上，本发明实施例提供一种基于大数据的用户关系推荐方法及装置，其包括：从大数据平台采集用户的个人关系信息数据；根据用户的个人关系资料信息数据进行分析和处理后生成用户的多个标签；对每个用户的不同标签进行分类，并根据类别将标签划分到不同的标签集内；对标签集内的不同标签基于训练模型进行训练，根据训练得到用户间的关系匹配度；根据用户间的关系匹配度给用户提供用户关系推荐。本发明在传统基于用户关系推荐的基础上，根据大数据和特殊的处理算法对用户的关系进行分类和分级处理，这样在用户关系推荐时，可推荐给用户以关系匹配度更高的用户，使得推荐结果更加精确，使用户能更准确的找到想要找到的用户，更符合用户对于关系推荐的需求。
最后应说明的是：显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
以上所述仅为本发明的一个实施例子，但不能以此限制本发明的范围，凡依据本发明所做的结构上的变化，只要不失本发明的要义所在，都应视为落入本发明保护范围之内受到制约。所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的进一步实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
Claims (10)
1.一种基于大数据的用户关系推荐方法，其特征在于，包括：
步骤S100：从大数据平台采集用户的个人关系信息数据；
步骤S200：根据用户的个人关系资料信息数据进行分析和处理后生成用户的多个标签；
步骤S300：对每个用户的不同标签进行分类，并根据类别将标签划分到不同的标签集内；
步骤S400：对标签集内的不同标签基于训练模型进行训练，根据训练得到用户间的关系匹配度；
步骤S500：根据用户间的关系匹配度给用户提供用户关系推荐。
2.根据权利要求1所述的一种基于大数据的用户关系推荐方法，其特征在于，在所述步骤S200中，根据用户的个人关系资料信息数据进行分析和处理后生成用户的多个标签，包括；
步骤S210：通过机器处理算法对获得用户的个人关系资料信息进行分析和处理后生成用户的个人关系初级标签；
步骤S220：通过预设的数据分析处理流程对用户的个人关系初级标签进行分析和处理后生成用户的个人关系高级标签。
3.根据权利要求2所述的一种基于大数据的用户关系推荐方法，其特征在于，在所述步骤S220中，通过预设的数据分析处理流程对用户的个人关系初级标签进行分析和处理后生成用户的个人关系高级标签，包括：
步骤S221：将用户的个人关系初级标签输入到标签数据库中，对输入的用户的个人关系初级标签通过机器进行归一化处理，得到用户的个人关系初级标签的分值；
步骤S222：判断用户的个人关系初级标签的分值是否大于一个预设的分数阈值，若大于所述分数阈值，则升级为用户的个人关系高级标签，若不大于所述分数阈值，则继续保留为用户的个人关系初级标签。
4.根据权利要求1所述的一种基于大数据的用户关系推荐方法，其特征在于，在所述步骤S300中，对每个用户的不同标签进行分类，并根据类别将标签划分到不同的标签集内，包括：
步骤S310：从生成的用户的个人关系高级标签和用户的个人关系初级标签中提取关键词；
步骤S320：根据关键词从标签公共字典表中匹配相应的主题；
步骤S330：根据标签公共字典表中的主题创建多个标签集，并将用户的个人关系高级标签和用户的个人关系初级标签划分到不同的标签集内。
5.根据权利要求4所述的一种基于大数据的用户关系推荐方法，其特征在于，在所述步骤S320中，根据关键词从标签公共字典表中匹配相应的主题，包括；
步骤S321：设定从生成的用户的个人关系高级标签和用户的个人关系初级标签中提取关键词为n个，标签公共字典表中的主题为m个，其中，n和m均为大于0的自然数；
步骤S322：将n个关键词和m个主题进行排序，按照排序顺序依次将第i个关键词与第j个主题进行匹配，直到所有的关键词都匹配到对应的主题中则确定为匹配成功。
6.根据权利要求1所述的一种基于大数据的用户关系推荐方法，其特征在于，在所述步骤S400中，对标签集内的不同标签基于训练模型进行训练，根据训练得到用户间的关系匹配度，包括：
步骤S410：获取所有的标签集，将不同标签集内的标签都根据高级标签和初级标签进行分组得到个人关系高级标签组和个人关系初级标签组；
步骤S420：对不同标签集的个人关系高级标签组和个人关系初级标签组内的标签标注上用户名称；
步骤S430：根据预先设置的训练模型对不同用户名称组合进行训练运算后得到用户间的关系匹配度。
7.根据权利要求6所述的一种基于大数据的用户关系推荐方法，其特征在于，在所述步骤S430中，根据预先设置的训练模型对在同一标签组而不在同一标签集内的不同用户名称组合进行训练后得到用户间的关系匹配度，包括：
步骤S431：对个人关系高级标签组中的用户赋予主优先级权重，对个人关系初级标签组的用户赋予次优先级权重；
步骤S431：将在同一标签组内的不同用户名称组合进行数据统计；
步骤S431：将在同一标签组内的不同用户名称组合得到的数据统计在不同标签集内按照优先级权重在训练模型中进行训练运算，得到不同优先级的用户间的匹配关系；
步骤S431：对不同优先级的用户间的匹配关系进行打分，得到用户间的关系匹配度。
8.根据权利要求1所述的一种基于大数据的用户关系推荐方法，其特征在于，在所述步骤S500中，根据用户间的关系匹配度给用户提供用户关系推荐，包括：
根据用户间的关系匹配度将与用户间关系匹配度较高的用户进行相互推荐，并在推荐过程中展示出用户间的关系匹配度的数值。
9.一种基于大数据的用户关系推荐装置，其特征在于，包括：
数据采集模块，用于从大数据平台采集用户的个人关系资料信息数据；
数据处理模块，用于根据用户的个人关系信息数据进行分析和处理后生成用户的多个标签；
划分数据集模块，用于对每个用户的不同标签进行分类，并根据类别将标签划分到不同的标签集内；
数据训练模块，用于对标签集内的不同标签基于训练模型进行训练，根据训练得到用户间的关系匹配度；
关系推荐模块，用于根据用户间的关系匹配度给用户提供用户关系推荐。
10.一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程序，其特征在于，所述计算机程序被处理器执行时实现所述基于大数据的用户关系推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310323195.2A CN116361566A (zh) | 2023-03-29 | 2023-03-29 | 一种基于大数据的用户关系推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310323195.2A CN116361566A (zh) | 2023-03-29 | 2023-03-29 | 一种基于大数据的用户关系推荐方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116361566A true CN116361566A (zh) | 2023-06-30 |
Family
ID=86918670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310323195.2A Pending CN116361566A (zh) | 2023-03-29 | 2023-03-29 | 一种基于大数据的用户关系推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116361566A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102929959A (zh) * | 2012-10-10 | 2013-02-13 | 杭州东信北邮信息技术有限公司 | 一种基于用户行为的图书推荐方法 |
| CN103984775A (zh) * | 2014-06-05 | 2014-08-13 | 网易（杭州）网络有限公司 | 一种推荐好友的方法和设备 |
| CN104317959A (zh) * | 2014-11-10 | 2015-01-28 | 北京字节跳动网络技术有限公司 | 基于社交平台的数据挖掘方法及装置 |
| CN105740366A (zh) * | 2016-01-26 | 2016-07-06 | 哈尔滨工业大学深圳研究生院 | 微博用户兴趣推理方法及装置 |
| CN108090197A (zh) * | 2017-12-22 | 2018-05-29 | 河南科技大学 | 一种多维社交网络的社区发现方法 |
| CN108228847A (zh) * | 2018-01-10 | 2018-06-29 | 北京奇艺世纪科技有限公司 | 用户匹配方法、装置及电子设备 |
| CN109933731A (zh) * | 2019-03-18 | 2019-06-25 | 苏州亿歌网络科技有限公司 | 一种好友推荐方法、装置、设备及存储介质 |
| CN110969535A (zh) * | 2018-09-30 | 2020-04-07 | 武汉斗鱼网络科技有限公司 | 一种用户之间匹配的方法、设备、系统和介质 |
| CN113254804A (zh) * | 2021-07-06 | 2021-08-13 | 武汉荟友网络科技有限公司 | 一种基于用户属性和行为特征的社会关系推荐方法及系统 |
| CN113515699A (zh) * | 2021-06-16 | 2021-10-19 | 中国邮政储蓄银行股份有限公司 | 信息推荐方法及装置、计算机可读存储介质、处理器 |
-
2023
- 2023-03-29 CN CN202310323195.2A patent/CN116361566A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102929959A (zh) * | 2012-10-10 | 2013-02-13 | 杭州东信北邮信息技术有限公司 | 一种基于用户行为的图书推荐方法 |
| CN103984775A (zh) * | 2014-06-05 | 2014-08-13 | 网易（杭州）网络有限公司 | 一种推荐好友的方法和设备 |
| CN104317959A (zh) * | 2014-11-10 | 2015-01-28 | 北京字节跳动网络技术有限公司 | 基于社交平台的数据挖掘方法及装置 |
| CN105740366A (zh) * | 2016-01-26 | 2016-07-06 | 哈尔滨工业大学深圳研究生院 | 微博用户兴趣推理方法及装置 |
| CN108090197A (zh) * | 2017-12-22 | 2018-05-29 | 河南科技大学 | 一种多维社交网络的社区发现方法 |
| CN108228847A (zh) * | 2018-01-10 | 2018-06-29 | 北京奇艺世纪科技有限公司 | 用户匹配方法、装置及电子设备 |
| CN110969535A (zh) * | 2018-09-30 | 2020-04-07 | 武汉斗鱼网络科技有限公司 | 一种用户之间匹配的方法、设备、系统和介质 |
| CN109933731A (zh) * | 2019-03-18 | 2019-06-25 | 苏州亿歌网络科技有限公司 | 一种好友推荐方法、装置、设备及存储介质 |
| CN113515699A (zh) * | 2021-06-16 | 2021-10-19 | 中国邮政储蓄银行股份有限公司 | 信息推荐方法及装置、计算机可读存储介质、处理器 |
| CN113254804A (zh) * | 2021-07-06 | 2021-08-13 | 武汉荟友网络科技有限公司 | 一种基于用户属性和行为特征的社会关系推荐方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110502621B (zh) | 问答方法、问答装置、计算机设备及存储介质 | |
| CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
| CN108829822B (zh) | 媒体内容的推荐方法和装置、存储介质、电子装置 | |
| CN109598995B (zh) | 基于贝叶斯知识跟踪模型的智能教学系统 | |
| KR100816934B1 (ko) | 문서검색 결과를 이용한 군집화 시스템 및 그 방법 | |
| CN110209808A (zh) | 一种基于文本信息的事件生成方法以及相关装置 | |
| CN108363790A (zh) | 用于对评论进行评估的方法、装置、设备和存储介质 | |
| CN112667794A (zh) | 一种基于孪生网络bert模型的智能问答匹配方法及系统 | |
| CN106649742A (zh) | 数据库维护方法和装置 | |
| CN110120001B (zh) | 一种基于知识图谱库与记忆曲线结合提分的方法及系统 | |
| CN111950285A (zh) | 多模态数据融合的医疗知识图谱智能自动构建系统和方法 | |
| CN110297893B (zh) | 自然语言问答方法、装置、计算机装置及存储介质 | |
| CN112559684A (zh) | 一种关键词提取及信息检索方法 | |
| CN112632228A (zh) | 一种基于文本挖掘的辅助评标方法及系统 | |
| CN112163077A (zh) | 一种面向领域问答的知识图谱构建方法 | |
| CN110347701B (zh) | 一种面向实体检索查询的目标类型标识方法 | |
| CN112035675A (zh) | 医疗文本标注方法、装置、设备及存储介质 | |
| CN111080055A (zh) | 酒店评分方法、酒店推荐方法、电子装置和存储介质 | |
| CN112182145A (zh) | 文本相似度确定方法、装置、设备和存储介质 | |
| CN115544348A (zh) | 一种基于互联网大数据的海量信息智能搜索系统 | |
| CN111460145A (zh) | 一种学习资源推荐方法、设备及存储介质 | |
| CN115688760A (zh) | 一种智能化导诊方法、装置、设备及存储介质 | |
| CN113868406B (zh) | 搜索方法、系统、计算机可读存储介质 | |
| CN115577698A (zh) | 一种基于机器学习的数据和文本处理系统及其方法 | |
| CN109992667B (zh) | 一种文本分类方法以及装置 |
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 |