KR20130075630A - 사용자들간의 친밀도에 기초하여 친구의 친구를 추천하는 소셜 네트워크 서비스 시스템 및 방법 - Google Patents

사용자들간의 친밀도에 기초하여 친구의 친구를 추천하는 소셜 네트워크 서비스 시스템 및 방법 Download PDF

Info

Publication number
KR20130075630A
KR20130075630A KR1020120063775A KR20120063775A KR20130075630A KR 20130075630 A KR20130075630 A KR 20130075630A KR 1020120063775 A KR1020120063775 A KR 1020120063775A KR 20120063775 A KR20120063775 A KR 20120063775A KR 20130075630 A KR20130075630 A KR 20130075630A
Authority
KR
South Korea
Prior art keywords
friend
intimacy
social network
user
network service
Prior art date
Application number
KR1020120063775A
Other languages
English (en)
Other versions
KR101540451B1 (ko
Inventor
강호성
Original Assignee
엔에이치엔(주)
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 엔에이치엔(주) filed Critical 엔에이치엔(주)
Priority to US13/727,075 priority Critical patent/US9104681B2/en
Priority to JP2012285390A priority patent/JP6259568B2/ja
Publication of KR20130075630A publication Critical patent/KR20130075630A/ko
Application granted granted Critical
Publication of KR101540451B1 publication Critical patent/KR101540451B1/ko

Links

Images

Classifications

    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

사용자들간의 친밀도에 기초하여 친구의 친구를 추천하는 소셜 네트워크 서비스 시스템 및 방법이 개시된다.
소셜 네트워크 서비스 시스템에 있어서, 사용자와 1촌 친구의 친구 관계에서, 그리고 사용자의 친구와 친구 관계인 2촌 친구의 친구 관계에서 커뮤니케이션 정보를 추출하는 추출부; 추출된 커뮤니케이션 정보에 기초하여 친구 관계의 친밀도를 계산하는 계산부; 계산된 친밀도에 기초하여 추천하는 상기 2촌 친구의 리스트를 생성하는 생성부를 포함한다.

Description

사용자들간의 친밀도에 기초하여 친구의 친구를 추천하는 소셜 네트워크 서비스 시스템 및 방법{SOCIAL NETWORK SERVICE SYSTEM AND METHOD FOR RECOMMENDING FRIEND OF FRIEND BASED ON INTIMATENESS BETWEEN USERS}
본 발명의 실시예들은 사용자들간의 친밀도에 기초하여 친구의 친구를 추천하는 소셜 네트워크 서비스 시스템 및 방법에 관한 것이다.
소셜 네트워크 서비스(Social Network Service, SNS)에서의 친구추천 기능은, 사용자에게 새로운 친구를 사귈 수 있도록 도움을 주기 위한 기능으로서, 친구 관계가 맺어진 친구 수가 적은 유저에게 유용한 기능이다. 종래기술에서는 특정 사용자의 친구를 1촌 친구, 그리고 1촌 친구의 친구를 2촌 친구(특정 사용자의 관점에서)라 정의할 때, 특정 사용자에게 2촌 친구를 추천하는 기능(친구의 친구 추천방식)을 제공하고 있다.
예를 들어, 사용자 A, B가 친구관계 (F(A, B) = True)이고, 사용자 A, C의 공통 친구 수(Mutual Friend Count)를 M.F.C(A, C)라고 가정하면, A의 추천친구 집합은 A와 친구 관계인 B 의 친구 중 A와 친구 관계가 설정되지 않은 C들의 집합 (F(A, B)=True and F(B, C)=True and F(A, C)= not True) 으로 정의될 수 있다. 이때, 종래기술에서는 각각의 C마다 사용자 A, C 의 공통 친구 수, M.F.C(A, C)가 높은 순서로 정렬하고, 정렬된 순서대로 또는 정렬된 순서에서 사용자 A, C 의 공통 친구 수, M.F.C(A, C)가 설정된 값 이상인 친구를 사용자 A에게 추천할 수 있다.
그러나, 종래기술에 따른 친구의 친구 추천방식은 특정 사용자에게 2촌 친구인 친구의 친구를 추천하는데 있어서, 추천 우선순위를 친구의 친구와 특정 사용자가 얼마나 많은 공통된 친구를 가지고 있는가(즉, 상술한 공통 친구 수)에 의해서만 결정이 되었기 때문에, 실제로 두 사용자(특정 사용자와 2촌 친구)가 서로 얼마나 관련이 있는 사이인가는 반영되지 못하는 문제점이 있다. 일례로, 특정 사용자와 2촌 친구가 서로 100명의 공통된 친구가 있다고 하더라도, 두 사용자는 서로 전혀 모르는 사이일 수도 있다. 즉, 공통 친구 수는 두 사용자가 서로 얼마나 관련이 있는 사이인가를 나타낼 수 없는 문제점이 있다.
본 명세서에서는, 소셜 네트워크 서비스에서 보다 효과적으로 친구를 추천할 수 있는 소셜 네트워크 서비스 시스템 및 방법이 제공된다.
사용자간의 댓글 수나 공감 수 등과 같은 인터렉션 수나 친구지속시간 등과 같은 커뮤니케이션 정보에 기초하여 사용자간의 친밀도를 계산하고, 계산된 친밀도에 기초하여 친구의 친구를 추천함으로써, 실제 사용자들간의 친밀도에 기초하여 친구의 친구를 추천할 수 있는 소셜 네트워크 서비스 시스템 및 방법을 제공한다.
친구를 추천하는 소셜 네트워크 서비스 시스템에 있어서, 사용자와 1촌 친구의 친구 관계에서, 그리고 상기 사용자의 친구와 친구 관계인 2촌 친구의 친구 관계에서 커뮤니케이션 정보를 추출하는 추출부; 추출된 커뮤니케이션 정보에 기초하여 친구 관계의 친밀도를 계산하는 계산부; 계산된 친밀도에 기초하여 추천하는 2촌 친구의 리스트를 생성하는 생성부를 포함하는 소셜 네트워크 서비스 시스템이 개시된다.
일례에 있어서, 추출부에서 추출하는 커뮤니케이션 정보는 댓글 수나 공감 수 등과 같은 인터렉션 정보와 친구 지속 시간 중 적어도 하나를 포함하며, 인터렉션 정보는 친구 관계에서 발생하는 상호작용으로 적어도 하나의 행위에 따른 수에 기초하여 결정한다
또 다른 측면에 있어서, 계산부는 사용자와 1촌 친구의 친구 관계의, 그리고 1촌 친구와 2촌 친구의 친구 관계의 친밀도를 계산한다.
또 다른 측면에 있어서, 계산부는 친밀도를 수학식 1에 반영하여 계산한다.
수학식 1:
Figure pat00001
(여기서, 사용자를 X, X에게 추천되는 2촌 친구를 Z라 하며, 그 둘의 공통 친구 수(Mutual Friend Count)를 M.F.C(X, Z)라고 칭한다. 또한, 사용자의 1촌 친구를 B라 하며, I(X, Yi)는 사용자 Z와 1촌 친구 Y의 친밀 지수, 즉 소통량을 수치화 한 값이며, I(Yi, Z)는 1촌 친구 Y와 그의 친구인 2촌 친구 Z의 친밀 지수를 의미하고, 친밀 지수는 X와 Z의 공통 친구 수만큼 구한다.)
또 다른 측면에 있어서, 계산부에서 계산되는 친밀도는 산정 후 검증 과정을 거쳐 이용되며, 계속적으로 변화되는 커뮤니케이션 정보를 반영하기 위해 상기 추출부로 피드백 과정을 거치게 된다.
또 다른 측면에 있어서, 생성부는 계산된 친밀도를 기준으로 일정 수의 추천하는 2촌 친구만 남겨두고 나머지는 제거한다.
또 다른 측면에 있어서, 소셜 네트워크 서비스 시스템은 사용자간의 친구 관계를 나타내는 참조 포인터(Reference Pointer)를 트래킹(Tracking)하여 원하는 데이터를 얻는 그래프 모델(Graph Model)의 쿼리 방법을 수행한다.
또 다른 측면에 있어서, 소셜 네트워크 서비스 시스템은 관련 데이터를 저장하는 메모리부를 더 포함하고, 메모리부의 메모리 용량을 초과하는 데이터를 SSD(Solid State Drive)에 저장하며, 캐시 알고리즘(Cache Algorithm)에 따라 메모리에 데이터를 유지한다.
또 다른 측면에 있어서, 소셜 네트워크 서비스 시스템은 관련 데이터를 저장하는 메모리부를 더 포함하고, 메모리부의 메모리를 분류하여 데이터를 분산시켜 저장하며, 원격 캐시 클라우드(Remote Cache Cloud)를 포함하여 분산된 메모리에서 데이터를 찾지 못할 때 참조하도록 한다.
친구를 추천하는 소셜 네트워크 서비스 방법에 있어서, 사용자와 1촌 친구의 친구 관계에서, 그리고 상기 사용자의 1촌 친구와 친구 관계인 2촌 친구의 친구 관계에서 커뮤니케이션 정보를 추출하는 단계; 추출된 커뮤니케이션 정보에 기초하여 친구 관계의 친밀도를 계산하는 단계; 계산된 친밀도에 기초하여 추천하는 상기 2촌 친구의 리스트를 생성하는 단계를 포함한다.
댓글 수나 공감 수 등과 같은 인터렉션 수나 친구지속시간 등과 같은 커뮤니케이션 정보에 기초하여 사용자들간의 친밀도를 계산하고, 계산된 친밀도에 기초하여 친구의 친구를 추천함으로써, 실제 사용자들간의 친밀도에 기초하여 친구의 친구를 추천할 수 있다.
소셜 네트워크 시스템에 적합한, 보다 빠른 응답속도를 가지는 데이터 모델을 구축함으로써, 소셜 네트워크 서비스와 관련하여 보다 효율적으로 데이터를 얻을 수 있다.
도 1은 본 발명의 일실시예에 있어서, 소셜 네트워크 서비스 시스템의 내부 구성을 설명하기 위한 블록도이다.
도 2는 본 발명의 일실시예에 있어서, 사용자와 친구 사이를 나타내고 친밀도를 계산하는 일례를 도시한 도면이다.
도 3은 본 발명의 일실시예에 있어서, 친밀도 값의 산정 프로세스를 설명하는 일례를 도시한 도면이다.
도 4는 본 발명의 일실시예에 있어서, 소셜 네트워크 서비스 시스템에 적용 가능한 데이터 모델 구조를 나타낸 도면이다.
도 5는 본 발명의 일실시예에 있어서, 소셜 네트워크 서비스 시스템에 적용 가능한 데이터 모델 구조를 나타낸 도면이다.
도 6은 본 발명의 일실시예에 있어서, 관계 모델링 구조와 그래픽 모델링 구조의 성능을 비교한 표이다.
도 7은 본 발명의 일실시예에 있어서, 관계 모델링 구조와 그래프 모델링 구조, 그리고 기설정된 수의 친구수를 이용하는 경우의 그래프 모델링 구조의 성능을 비교한 표이다.
도 8은 본 발명의 일실시예에 있어서, 추천하는 모든 친구를 표시하는 그래프 모델링 구조와 추천하는 친구의 수를 설정하는 경우의 그래프 모델링 구조의 성능을 비교한 표이다.
도 9는 본 발명의 일실시예에 있어서, 소셜 네트워크 서비스 시스템을 확장하기 위한 방안의 일례를 나타낸 도면이다.
도 10은 본 발명의 일실시예에 있어서, 소셜 네트워크 서비스 시스템을 확장하기 위한 방안의 다른 예를 나타낸 도면이다.
도 11은 본 발명의 일실시예에 있어서, 소셜 네트워크 서비스 방법의 흐름도를 도시한 도면이다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
본 발명의 실시예들은 소셜 네트워크 서비스상에서 특정 사용자의 입장에서 특정 사용자와 친구 관계가 형성된 친구인 1촌 친구, 그리고 1촌 친구와 친구 관계가 형성된 친구인 특정 사용자의 2촌 친구(즉, 친구의 친구)를 1촌 친구로서 추천하여 사용자가 인맥을 넓힐 수 있도록 하기 위한 소셜 네트워크 서비스 시스템 및 방법에 관한 것이다.
이때, 본 발명의 일실시예에 따른 소셜 네트워크 서비스 시스템 및 방법에서는, 2촌 친구를 특정 사용자에게 추천하기 위해, 기본적으로 특정 사용자와 친밀도(intimacy)가 높은 1촌 친구, 또한 특정 사용자와 친밀도가 높은 1촌 친구와 친밀도가 높은 2촌 친구를 우선적으로 특정 사용자에게 추천해줄 수 있다.
기존의 친구의 친구 추천방식은 친구의 친구를 추천하는데 있어서 추천 우선순위를 친구의 친구와 특정 사용자가 얼마나 많은 공통된 친구를 가지고 있는가'(즉, 공통 친구 수)에 의해서만 결정이 되었다면, 본 발명의 실시예들에서는 친구 관계에 친밀도 수치를 반영함으로써 실생활과 비슷하게 친밀도 위주로 조금 더 친한 친구에 비중을 둘 수 있다.
도 1은 본 발명의 실시예에 있어서, 소셜 네트워크 서비스 시스템(100)의 내부 구성을 설명하기 위한 블록도이다. 본 실시예에 따른 소셜 네트워크 서비스 시스템(100)은 도 1에 도시된 바와 같이 추출부(110), 계산부(120) 및 생성부(130)를 포함할 수 있다.
먼저 추출부(110)는 사용자와 1촌 친구의 친구 관계에서의 커뮤니케이션 정보를, 그리고 상기 사용자의 친구와 친구 관계인 2촌 친구의 친구 관계에서 커뮤니케이션 정보를 추출한다.
커뮤니케이션 정보는 댓글 수나 공감 수 등과 같은 인터렉션 정보와 친구 지속 시간 중 적어도 하나를 포함할 수 있으며, 인터렉션 정보는 친구 관계에서 발생하는 상호작용으로 적어도 하나의 행위에 따른 수에 기초하여 결정될 수 있다. 예를 들면, 게시물에 댓글을 단 횟수나 공감한 횟수, 게시물 퍼가기나 관심 친구 설정 등의 행위가 발생한 횟수에 기초하여 인터렉션 정보가 결정될 수 있다.
계산부(120)에서는 추출된 커뮤니케이션 정보에 기초하여 친구 관계의 친밀도를 계산한다. 여기서 계산하는 친밀도는 사용자와 1촌 친구의 친구 관계의 친밀도, 그리고 사용자와 1촌 친구와 2촌 친구의 친구 관계의 친밀도이다.
도 2를 참고하면, 본 발명의 실시예에 있어서, 사용자 A부터 사용자 G까지 총 7명의 사용자를 나타내고 있다. 사용자 A는 사용자에 해당하며 사용자 B, C, D는 사용자 A의 1촌 친구, 사용자 E, F, G는 사용자 A에게 추천될 수 있는 친구, 즉 2촌 친구이다. 도 2에서 양방향 화살표가 연결된 사용자들은 서로 친구 관계가 맺어진 사용자들을 의미할 수 있고, 화살표 위에 나타난 숫자는 양방향 화살표로 연결되어 서로 친구 관계를 맺어진 사용자들간의 친밀도를 나타낸다.
친밀도는 얼마나 상대방에게 댓글을 쓰고 공감을 했는가를 측정하는 것이 척도가 될 수 있다. 댓글을 많이 쓰고 공감을 많이 할수록 친밀도가 높게 측정되며, 공개된 게시물에 대해서 연산을 수행할 수 있다.
친구 관계가 맺어진 직후 얼마간은 친밀도를 형성하며, 친구 맺은 날이 지날수록 친밀도가 감소할 수 있고, 정해진 날짜가 지나면 1로 표시된다. 친구 관계임을 표시하기 위한 기본값은 1이 될 수 있다.
친밀도를 계산하는데 있어서, 친밀도의 일변 편차를 줄이기 위해서, 기존의 친밀도 값이 남아 있어 평준화되는 개념이 도입될 수 있기에, 최근 며칠간의 값을 평준화하여 계산할 수 있다. 먼저, 이후에서는 본 발명의 일실시예에 따른 친구 추천 알고리즘을 설명한다. 우선, 사용자 X를 기준으로, X와 Y가 친구관계일 때, 'F(X, Y) = True'이고, 사용자 X와 Z의 공통 친구 수(Mutual Friend Count)를 M.F.C(X, Z)라고 가정하면, 사용자 X의 추천 친구 집합은, F(X, Y)이고 F(Y, Z)인 Z들의 집합으로 정의될 수 있다. 이때, I(X, Y)를 'X → Y'의 친밀도(즉, X에서 Y로의 소통량을 수치로 표시한 값)라 가정하면, X에 대한 Z의 친밀도는 아래 수학식 1과 같이 계산될 수 있다.
Figure pat00002
수학식 1의 X는 사용자, Yi는 사용자와 1촌 친구, Z는 사용자와 2촌 친구를 나타낸다. 위의 식을 이용한 일례로 도 2에 나타난 사용자 A와 2촌 친구 사용자 E, F, G간의 친밀도를 구할 수 있다. 사용자 A와 E의 공통 친구 수, 즉 M.F.C(A, E)는 '3', 사용자 A와 F의 공통 친구 수, 즉 M.F.C(A, F)는 '1', 사용자 A와 G의 공통 친구 수, 즉 M.F.C(A, G)는 '2'임을 알 수 있다. 따라서, 기존 기술에 따르면, 공통 친구 수를 기준으로 친구를 추천한 것이기 때문에, 사용자 E가 사용자 A에게 추천될 확률이 가장 높을 것이다. 하지만, 본 발명의 일실시예에 따라, 수학식 1을 이용하여 계산된 사용자 A에 대한 사용자 E, 사용자 F, 사용자 G의 친밀도는 각각 구하면 '1*2+5*1+2*1=9', '5*4=20', '5*2+2*3=16'으로 사용자 A에 대한 사용자 F의 친밀도가 가장 높아 기존 기술과 차별성을 가짐을 알 수 있다.
또한, 계산부(120)에서 계산되는 친밀도는 산정 후 검증 과정을 거쳐 이용되며, 계속적으로 변화되는 커뮤니케이션 정보를 반영하기 위해 추출부(110)로 피드백(Feedback)과정을 반복하여 거치게 된다.
도 3은 본 발명의 실시예에 있어서, 친밀도를 산정하는 프로세스를 설명하는 도면이다. 추출부(110)에서 추출하는 관심 친구 설정이나 댓글 달기, 공감(미투)하기, 친구 지속 시간 등은 변수로써 계속적으로 변하기 때문에, 전체 통계치를 집계하고, 미리 정해진 범위 내에 수치를 표시하기 위해서 그 수치를 정상화(Normalize, 혹은 정규화)하여 조정하며, 이에 대한 가중치를 적용하여 그 친밀도 값을 산정한다. 이렇게 산정된 친밀도 값은 다시 미리 정해진 방식의 검증 과정을 거쳐서 계산될 수 있으며, 계속적으로 변하는 수치를 반영하기 위해서 피드백과정을 반복할 수 있다.
친밀도를 산정하는 프로세스에 있어서, 친밀도 값을 정규화 하는 과정에서 친밀도 값의 치우침이 있을 수 있기 때문에, 이하의 두 가지 식 중 하나를 선택하여 정규화할 수 있다.
Figure pat00003
수학식 2에서 위의 식은 최소-최대 정규화 방법으로 친밀도의 최대와 최소를 이용한 식이고, 아래의 식은 z-score 정규화 방법으로 정규화 이전의 친밀도와 친밀도의 평균과 표준편차를 이용한 식이다. 수학식 2에서 I 는 친밀도 원본 값, I'는 정규화된 친밀도 값, A 는 친밀도의 평균, б 는 친밀도의 표준편차를 나타낸다.
도 4와 도 5는 소셜 네트워크 서비스 시스템(100)에 적용 가능한 데이터 모델링 구조를 도시한 도면이다. 소셜 네트워크에 적합한 데이터 모델은 관계 모델(Relational Model)과 그래프 모델(Graph Model)로 나타낼 수 있다. 도 4는 관계 모델, 도 5는 그래프 모델의 모델링 기법을 설명하고 있다.
도 4의 관계 모델은 사용자와 사용자의 1촌 친구, 그리고 1촌 친구의 친구를 일대일 관계로 연결하여 대응 시키도록 결합 연산(Join Operation)이나 재쿼리 방법을 수행하는 모델이며, 도 5의 그래프 모델은 소셜 네트워크 서비스의 사용자를 기준으로 노드를 형성하고, 사용자간의 친구 관계를 나타내는 참조 포인터(Reference Pointer)를 트래킹(Tracking)하여 원하는 데이터를 얻는 쿼리 방법을 수행하는 모델이다.
사용자의 친구의 친구를 구한다고 할 때, 사용자의 친구의 데이터를 가져오고, 친구의 친구 데이터를 순서대로 가져오며, 이 과정에서 중복되는 데이터나, 이미 친구인 데이터를 제거하는 과정을 거쳐서 구할 수 있다.
이러한 과정을 진행하는데 있어서, 결합 연산 방법과 재쿼리 방법이 있는 것이다. 두 방법은 시스템(100) 내에서 처리하는 것은 거의 유사하다. 재쿼리를 많이 하거나 결합 연산을 하게 되면 전, 후 처리가 추가적으로 필요해져서 연산량이 증가하게 되는데, 실제로는 그래프 모델을 사용할 때 더 빠른 데이터 처리가 가능하다. 그 이유로는 연산 처리가 메모리 연산으로만 가능하기 때문인데, 참조 포인터로 연결되어 있다는 것은 노드에서 다른 노드의 메모리 주소를 가지고 있다는 점이다. 즉, 노드에서 다른 노드로 이동할 때, 메모리 연산만으로 가능하다는 것이다.
일례로, 상술한 관계 모델과 그래픽 모델 구조의 성능을 비교한 표로써 도 6을 참고할 수 있다. 도 6의 실시예는 25만 명의 친구를 가진 사용자의 2촌 친구를 구하는 연산을 관계 모델 구조와 그래픽 모델 구조에 대해 각각 수행할 때의 응답 속도를 나타내고 있다. 실시예에서 결과로 도출된 2촌 친구의 수는 9,060,712명이며, 2촌 친구를 도출해내는 데까지 걸리는 시간을 비교하면, 관계 모델은 5.9초, 그래프 모델은 0.15초로 약 40배의 속도 차이가 나며 그래프 모델의 응답 속도가 빠른 응답 속도를 보이는 것을 확인할 수 있다.
그래프 모델이 적용 가능한 상품의 특성은 유효성(Availability)와 수행 능력(Performance)에 따라 많은 종류로 나뉘는데, 이 중 특정 상품의 구현 방식을 참고하여 실시하고, 시스템의 유효성을 향상시키기 위해 응답 페일오버(Replication Failover) 기능을 수행할 수 있다. 응답 페일오버 기능은 데이터를 대체 컴퓨터 시스템에 백업해두어, 소셜 네트워크 서비스 시스템(100)에 장애가 발생하여 이용할 수 없을 경우 대체 시스템을 작동시키도록 할 수 있는 것이다.
소셜 네트워크 서비스 시스템(100)에 있어서, 생성부(130)는 계산된 친밀도를 기준으로 일정 수의 추천하는 2촌 친구만 남겨두고 나머지는 제거할 수 있는데, 이러한 수행 과정은 친구 수가 매우 많은 사용자들은 사용자 본인과 친구에게 친구 추천 연산 성능을 저하시키는 일이 발생할 수 있기 때문이며, 실제로 소셜 네트워크 서비스를 이용하는 사람이 증가하면서 사용자의 친구 수가 매우 많은 사용자 또한 증가하고 있다.
따라서, 친구 수가 많은 사용자로 인한 성능 저하를 극복하기 위해, 친밀도 순으로 설정된 수의 친구 수만 추천하는 방법을 이용할 수 있는데, 이 설정하는 수는 던바 숫자(Dunbar's number)에 기반할 수 있다. 던바 숫자란, 옥스퍼드 대학의 진화인류학 교수였던 로빈 던바(Robin Dunbar)의 연구 결과로 인간의 뇌가 가까운 인맥으로 기억할 수 있는 사람의 숫자는 150명 정도라고 하는 이론에서 나온 수로써, 본 발명에서 추천하는 친구의 수를 설정하는데 이용될 수 있으며, 여기서 제외한 친구들은 연산에서 제외될 수 있다.
이에 관련된 일례로, 앞에서 보였던 실시예를 확장하여 25만 명의 친구를 가진 사용자에 대해, 관계 모델과 그래프 모델, 그리고 25만 명의 친구 중에 친밀도에 따라 설정된 친구 수(예컨대 150명)로 제한한 그래프 모델 이렇게 세 가지의 모델에서 사용자의 2촌 친구를 구할 때의 성능을 비교하는 표가 도 7에 도시되어 있다.
도시된 바와 같이, 관계 모델과 그래프 모델의 응답 속도는 약 40배정도의 차이로 그래프 모델의 성능이 뛰어났지만, 같은 조건에서 사용자의 친구를 25만 명에서 150명으로 축소하게 될 때의 응답 시간은 0.0005초 정도로 같은 그래프 모델의 응답 속도의 300배정도의 성능이 나타날 수 있다.
좀 더 자세히 그래프 모델과 친밀도에 따라 설정된 친구 수를 이용하는 경우의 그래프 모델을 비교한다. 도 8에서는 그래프 모델 및 친밀도에 따라 설정된 친구 수를 이용하는 경우의 그래프 모델링 기법을 이용하여 친구의 친구를 구하는 연산을 수행한 경우의 결과 수(Result count, 구해진 친구의 친구 수), 메모리 사용량(Memory), 부하시간(Load time)을 각각 나타내고 있다. 비교한 결과, 친밀도에 따라 친구 수를 설정하는 경우의 그래프 모델이 Result Count를 99% 정도, Memory를 32% 정도, Load Time을 23% 정도 줄임으로써, 소셜 네트워크 서비스 시스템(100)의 성능을 향상시킬 수 있다.
소셜 네트워크 서비스 시스템(100)은 서비스의 급격한 성장에 따라 하나의 서버나 하나의 메모리를 통해 친구 관계에 따른 인맥 정보를 모두 저장할 수 없는 경우가 발생할 수 있다. 실제로 전세계적으로 실시되는 소셜 네트워크 서비스는 그 가입자 수가 억 명 대에 이르며, 이에 따른 데이터 또한 그 양이 방대할 것이라 예상할 수 있다.
따라서, 시스템의 데이터 저장의 확장성 문제를 해결하기 위해 소셜 네트워크 서비스 시스템(100)은 관련 데이터를 저장하는 메모리부(140)를 더 포함하고, 메모리부(140)는 적어도 한 개의 메모리를 포함하며, 도 9의 도면처럼, 메모리부(140)의 메모리의 용량을 초과하는 데이터는 별도의 반도체 저장 매체인 SSD(Solid State Drive)에 저장하며, 캐시 알고리즘(Cache Algorithm)에 따라 메모리에 데이터를 유지할 수 있다. 캐시 알고리즘은 LRU(Least Recently Used)나 LFU(Least Frequently Used)에 해당하여, 메모리의 사용 빈도나 최근 사용 여부에 따라 메모리에 데이터를 유지할 수 있다.
또는, 도 10을 참고하여 설명하면, 시스템의 데이터 확장성 문제를 해결하기 위해, 메모리부(140)의 메모리를 분류 알고리즘을 이용하여 데이터를 분산시켜 저장하며, 로컬 메모리에서 데이터를 찾지 못하거나 존재하지 않는 경우, 원격 캐시 클라우드(Remote Cache Cloud)를 통하여 분산된 메모리에서 데이터를 참조하도록 할 수 있다.
도 11은 본 발명의 일실시예에 있어서, 소셜 네트워크 서비스 방법을 도시한 흐름도이다. 실시예에 따른 소셜 네트워크 서비스 방법은 도 1을 통해 설명한 소셜 네트워크 서비스 시스템(100)에 의해 각 단계가 수행될 수 있다.
친구를 추천하는 소셜 네트워크 서비스 방법에 있어서, 단계(1110)에서 소셜 네트워크 서비스 시스템(100)은 사용자와 1촌 친구의 친구 관계에서, 그리고 사용자의 1촌 친구와 친구 관계인 2촌 친구의 친구 관계에서 커뮤니케이션 정보를 추출할 수 있다. 단계(1110)에서 추출하는 커뮤니케이션 정보는 댓글 수나 공감 수 등과 같은 인터렉션 정보와 친구 지속 시간 중 적어도 하나를 포함할 수 있으며, 인터렉션 정보는 친구 관계에서 발생하는 상호 작용으로써 적어도 하나의 행위에 따른 수에 기초하여 결정될 수 있다.
또한, 단계(1120)에서 소셜 네트워크 서비스 시스템(100)은, 단계(1110)에서 추출된 커뮤니케이션 정보에 기초하여 친구 관계의 친밀도를 계산할 수 있다.
단계(1120)는 사용자와 1촌 친구의 친구 관계의, 그리고 1촌 친구와 2촌 친구의 친구 관계의 친밀도를 계산할 수 있으며, 친구 관계에서의 소통량을 수치화하여, 1촌 친구와 그의 친구 2촌 친구의 친밀도를 구하는데 수치화된 소통량의 곱을 이용하며, 친밀도는 사용자와 사용자에게 추천될 2촌 친구의 공통 친구 수만큼 구할 수 있다.
이와 더불어, 계산되는 친밀도는 산정 후 검증 과정을 거쳐 이용되며, 계속적으로 변화되는 커뮤니케이션 정보를 반영하기 위해, 사용자와 1촌 친구의 친구 관계에서, 그리고 사용자의 1촌 친구와 친구 관계인 2촌 친구의 친구 관계에서 커뮤니케이션 정보를 추출하는 단계로 피드백과정을 거칠 수 있는데, 피드백과정을 통해 친밀도 값이 산정되고 검증이 완료되면, 다시 커뮤니케이션 정보를 집계하여 새로운 친밀도 값을 산정할 수 있다.
친밀도가 계산된 후, 소셜 네트워크 서비스 시스템(100)은, 단계(1120)을 통해 계산된 친밀도에 기초하여 추천하는 2촌 친구의 리스트를 생성하는 단계(1130)를 실행할 수 있다.
단계(1130)는 계산된 친밀도를 기준으로 일정 수의 추천하는 2촌 친구만 남겨두고 나머지는 제거할 수 있는데, 추천하는 친구 수는 던바 숫자인 150명을 기준으로 할 수 있으며, 이렇게 추천하는 친구 수를 제한하는 것은 불필요한 추천 친구 목록을 줄여 사용자에게 간결한 시스템을 제공하는데 있거나, 소셜 네트워크 서비스 시스템(100)의 확장성의 문제와 관련될 수 있다.
이와 같이, 본 발명의 실시예들에 따르면, 댓글 수나 공감 수 등과 같은 인터렉션 수나 친구 지속 시간 등과 같은 커뮤니케이션 정보에 기초하여 사용자들간의 친밀도를 계산하고, 계산된 친밀도에 기초하여 친구의 친구를 추천함으로써, 실제 사용자들간의 친밀도에 기초하여 친구의 친구를 추천할 수 있다.
본 발명의 실시 예에 따른 방법들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상술한 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100: 소셜 네트워크 서비스 시스템
110: 추출부
120: 계산부
130: 생성부
140: 메모리부

Claims (16)

  1. 친구를 추천하는 소셜 네트워크 서비스 시스템에 있어서,
    사용자와 친구인 1촌 친구의 친구 관계에서, 그리고 상기 사용자의 친구와 친구 관계인 2촌 친구의 친구 관계에서 커뮤니케이션 정보를 추출하는 추출부;
    상기 추출된 커뮤니케이션 정보에 기초하여 친구 관계의 친밀도를 계산하는 계산부; 및
    상기 계산된 친밀도에 기초하여 추천하는 상기 2촌 친구의 리스트를 생성하는 생성부
    를 포함하는 소셜 네트워크 서비스 시스템.
  2. 제1항에 있어서,
    상기 추출부에서 추출하는 상기 커뮤니케이션 정보는,
    댓글 수나 공감 수의 인터렉션 정보와 친구 지속 시간 중 적어도 하나를 포함하며,
    상기 인터렉션 정보는 친구 관계에서 발생하는 상호작용으로 적어도 하나의 행위에 따른 수에 기초하여 결정되는 것
    을 특징으로 하는 소셜 네트워크 서비스 시스템.
  3. 제1항에 있어서,
    상기 계산부는
    상기 사용자와 상기 1촌 친구의 친구 관계의, 그리고 상기 1촌 친구와 상기 2촌 친구의 친구 관계의 친밀도를 계산하는 것
    을 특징으로 하는 소셜 네트워크 서비스 시스템.
  4. 제3항에 있어서,
    상기 계산부는
    상기 친밀도를 수학식 1에 반영하여 계산하는 것
    을 특징으로 하는 소셜 네트워크 서비스 시스템.
    수학식 1:
    Figure pat00004

    (여기서, 사용자를 X, X에게 추천되는 2촌 친구를 Z라 하며, 그 둘의 공통 친구 수(Mutual Friend Count)를 M.F.C(X, Z)라고 칭한다. 또한, 사용자의 1촌 친구를 Y라 하며, I(X, Yi)는 사용자 X와 1촌 친구 Y의 친밀도, 즉 소통량을 수치화 한 값이며, I(Yi, Z)는 1촌 친구 Y와 그의 친구인 2촌 친구 Z의 친밀도를 의미하고, 친밀도는 X와 Z의 공통 친구 수만큼 구하여 사용자 X에 대한 사용자 Z의 친밀도를 구한다.)
  5. 제1항에 있어서,
    상기 계산부에서 계산되는 친밀도는 산정 후 검증 과정을 거쳐 이용되며,
    계속적으로 변화되는 상기 커뮤니케이션 정보를 반영하기 위해 상기 추출부로 피드백 과정을 거치는 것
    을 특징으로 하는 소셜 네트워크 서비스 시스템.
  6. 제1항에 있어서,
    상기 생성부는,
    상기 계산된 친밀도를 기준으로 일정 수의 추천하는 상기 2촌 친구만 남겨두고 나머지는 제거하는 것
    을 특징으로 하는 소셜 네트워크 서비스 시스템.
  7. 제1항에 있어서,
    상기 소셜 네트워크 서비스 시스템은
    상기 소셜 네트워크 서비스의 사용자를 기준으로 노드를 형성하고,
    사용자간의 친구 관계를 나타내는 참조 포인터(Reference Pointer)를 트래킹(Tracking)하여 원하는 데이터를 얻는 그래프 모델(Graph Model)의 쿼리 방법을 수행하는 것
    을 특징으로 하는 소셜 네트워크 서비스 시스템.
  8. 제1항에 있어서,
    상기 소셜 네트워크 서비스 시스템은 관련 데이터를 저장하는 메모리부를 더 포함하고,
    상기 메모리부의 메모리의 용량을 초과하는 데이터를 SSD(Solid State Drive)에 저장하며,
    캐시 알고리즘(Cache Algorithm)에 따라 상기 메모리에 상기 데이터를 유지하는 것
    을 특징으로 하는 소셜 네트워크 서비스 시스템.
  9. 제1항에 있어서,
    상기 소셜 네트워크 서비스 시스템은 관련 데이터를 저장하는 메모리부를 더 포함하고,
    상기 메모리부의 메모리를 분류하여 상기 데이터를 분산시켜 저장하며,
    원격 캐시 클라우드(Remote Cache Cloud)를 포함하여 상기 분산된 메모리에서 상기 데이터를 찾지 못할 때 참조하도록 하는 것
    을 특징으로 하는 소셜 네트워크 서비스 시스템.
  10. 친구를 추천하는 소셜 네트워크 서비스 방법에 있어서,
    사용자와 친구인 1촌 친구의 친구 관계에서, 그리고 상기 사용자의 1촌 친구와 친구 관계인 2촌 친구의 친구 관계에서 커뮤니케이션 정보를 추출하는 단계;
    상기 추출된 커뮤니케이션 정보에 기초하여 친구 관계의 친밀도를 계산하는 단계; 및
    상기 계산된 친밀도에 기초하여 추천하는 상기 2촌 친구의 리스트를 생성하는 단계
    를 포함하는 소셜 네트워크 서비스 방법.
  11. 제10항에 있어서,
    상기 사용자와 1촌 친구의 친구 관계에서, 그리고 상기 사용자의 1촌 친구와 친구 관계인 2촌 친구의 친구 관계에서 커뮤니케이션 정보를 추출하는 단계에서 추출하는 상기 커뮤니케이션 정보는,
    댓글 수나 공감 수의 인터렉션 정보와 친구 지속 시간 중 적어도 하나를 포함하며,
    상기 인터렉션 정보는 친구 관계에서 발생하는 상호작용으로 적어도 하나의 행위에 따른 수에 기초하여 결정되는 것
    을 특징으로 하는 소셜 네트워크 서비스 방법.
  12. 제10항에 있어서,
    상기 추출된 커뮤니케이션 정보에 기초하여 친구 관계의 친밀도를 계산하는 단계는
    상기 사용자와 상기 1촌 친구의 친구 관계의, 그리고 상기 1촌 친구와 상기 2촌 친구의 친구 관계의 친밀도를 계산하는 것
    을 특징으로 하는 소셜 네트워크 서비스 방법.
  13. 제12항에 있어서,
    상기 추출된 커뮤니케이션 정보에 기초하여 친구 관계의 친밀도를 계산하는 단계는
    상기 친밀도를 수학식 2에 반영하여 계산하는 것
    을 특징으로 하는 소셜 네트워크 서비스 방법.
    수학식 2:
    Figure pat00005

    (여기서, 사용자를 X, X에게 추천되는 2촌 친구를 Z라 하며, 그 둘의 공통 친구 수(Mutual Friend Count)를 M.F.C(X, Z)라고 칭한다. 또한, 사용자의 1촌 친구를 Y라 하며, I(X, Yi)는 사용자 X와 1촌 친구 Y의 친밀도, 즉 소통량을 수치화 한 값이며, I(Yi, Z)는 1촌 친구 Y와 그의 친구인 2촌 친구 Z의 친밀도를 의미하고, 친밀도는 X와 Z의 공통 친구 수만큼 구하여 사용자 X에 대한 사용자 Z의 친밀도를 구한다.)
  14. 제10항에 있어서,
    상기 추출된 커뮤니케이션 정보에 기초하여 친구 관계의 친밀도를 계산하는 단계에서 계산되는 친밀도는 산정 후 검증 과정을 거쳐 이용되며,
    계속적으로 변화되는 상기 커뮤니케이션 정보를 반영하기 위해,
    상기 사용자와 1촌 친구의 친구 관계에서, 그리고 상기 사용자의 1촌 친구와 친구 관계인 2촌 친구의 친구 관계에서 커뮤니케이션 정보를 추출하는 단계로 피드백 과정을 거치는 것
    을 특징으로 하는 소셜 네트워크 서비스 방법.
  15. 제10항에 있어서,
    상기 계산된 친밀도에 기초하여 추천하는 상기 2촌 친구의 리스트를 생성하는 단계는,
    상기 계산된 친밀도를 기준으로 일정 수의 추천하는 상기 2촌 친구만 남겨두고 나머지는 제거하는 것
    을 특징으로 하는 소셜 네트워크 서비스 방법.
  16. 제10항 내지 제15항 중 어느 한 항에 따른 방법을 수행하기 위한 프로그램을 기록한 컴퓨터 판독 가능 매체.
KR1020120063775A 2011-12-27 2012-06-14 사용자들간의 친밀도에 기초하여 친구의 친구를 추천하는 소셜 네트워크 서비스 시스템 및 방법 KR101540451B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US13/727,075 US9104681B2 (en) 2011-12-27 2012-12-26 Social network service system and method for recommending friend of friend based on intimacy between users
JP2012285390A JP6259568B2 (ja) 2011-12-27 2012-12-27 ユーザ間の親密度に基づいて友人の友人を推薦するソーシャルネットワークサービスシステム及びその提供方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20110143617 2011-12-27
KR1020110143617 2011-12-27

Publications (2)

Publication Number Publication Date
KR20130075630A true KR20130075630A (ko) 2013-07-05
KR101540451B1 KR101540451B1 (ko) 2015-07-31

Family

ID=48989480

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120063775A KR101540451B1 (ko) 2011-12-27 2012-06-14 사용자들간의 친밀도에 기초하여 친구의 친구를 추천하는 소셜 네트워크 서비스 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101540451B1 (ko)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015049680A (ja) * 2013-08-30 2015-03-16 富士通株式会社 情報処理装置、更新プログラム、更新方法およびソーシャルネットワークシステム
KR20160037335A (ko) * 2014-09-26 2016-04-06 라인 가부시키가이샤 소셜 서비스와 결합된 동영상 서비스를 제공하는 방법과 시스템, 그리고 기록 매체
KR20160037332A (ko) * 2014-09-26 2016-04-06 라인 가부시키가이샤 소셜 플랫폼을 통해 동영상 콘텐츠 및 동영상 콘텐츠와 관련된 부가 콘텐츠를 제공하는 방법과 시스템, 그리고 기록 매체
KR20160037333A (ko) * 2014-09-26 2016-04-06 라인 가부시키가이샤 소셜 플랫폼을 통해 멀티트랙 동영상 콘텐츠를 제공하는 방법과 시스템, 그리고 기록 매체
KR20160037330A (ko) * 2014-09-26 2016-04-06 라인 가부시키가이샤 소셜 플랫폼을 통해 동영상 콘텐츠를 제공하는 방법과 시스템, 그리고 기록 매체 및 파일 배포 시스템
KR20160037331A (ko) * 2014-09-26 2016-04-06 라인 가부시키가이샤 소셜 플랫폼을 통해 동영상 콘텐츠 및 동영상 콘텐츠와 관련된 혜택 정보를 제공하는 방법과 시스템, 그리고 기록 매체 및 파일 배포 시스템
KR20180036072A (ko) * 2016-09-30 2018-04-09 주식회사 넥슨코리아 친구 등록 방법 및 장치
KR102005932B1 (ko) * 2019-01-02 2019-10-01 영남대학교산학협력단 소셜 네트워크 친구 관리 서버 및 이를 이용한 소셜 네트워크 친구 관리 방법
CN111523050A (zh) * 2020-04-16 2020-08-11 咪咕文化科技有限公司 内容推荐方法、服务器及存储介质
KR102360969B1 (ko) * 2021-08-17 2022-02-10 (주)브이플랫폼 광고 제공 방법 및 시스템

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030056701A (ko) * 2001-12-28 2003-07-04 한국전자통신연구원 Ｐ２ｐ 방식을 이용한 멀티미디어 스트리밍 장치 및 방법
US20080005504A1 (en) * 2006-06-30 2008-01-03 Jesse Barnes Global overflow method for virtualized transactional memory
US8176057B2 (en) * 2009-04-01 2012-05-08 Korea Institute Of Science And Technology Assessment of a user reputation and a content reliability
KR20100130003A (ko) * 2009-06-02 2010-12-10 케이티하이텔 주식회사 온라인 소셜 네트워크 서비스 제공 장치 및 방법

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015049680A (ja) * 2013-08-30 2015-03-16 富士通株式会社 情報処理装置、更新プログラム、更新方法およびソーシャルネットワークシステム
KR20160037335A (ko) * 2014-09-26 2016-04-06 라인 가부시키가이샤 소셜 서비스와 결합된 동영상 서비스를 제공하는 방법과 시스템, 그리고 기록 매체
KR20160037332A (ko) * 2014-09-26 2016-04-06 라인 가부시키가이샤 소셜 플랫폼을 통해 동영상 콘텐츠 및 동영상 콘텐츠와 관련된 부가 콘텐츠를 제공하는 방법과 시스템, 그리고 기록 매체
KR20160037333A (ko) * 2014-09-26 2016-04-06 라인 가부시키가이샤 소셜 플랫폼을 통해 멀티트랙 동영상 콘텐츠를 제공하는 방법과 시스템, 그리고 기록 매체
KR20160037330A (ko) * 2014-09-26 2016-04-06 라인 가부시키가이샤 소셜 플랫폼을 통해 동영상 콘텐츠를 제공하는 방법과 시스템, 그리고 기록 매체 및 파일 배포 시스템
KR20160037331A (ko) * 2014-09-26 2016-04-06 라인 가부시키가이샤 소셜 플랫폼을 통해 동영상 콘텐츠 및 동영상 콘텐츠와 관련된 혜택 정보를 제공하는 방법과 시스템, 그리고 기록 매체 및 파일 배포 시스템
KR20180036072A (ko) * 2016-09-30 2018-04-09 주식회사 넥슨코리아 친구 등록 방법 및 장치
KR102005932B1 (ko) * 2019-01-02 2019-10-01 영남대학교산학협력단 소셜 네트워크 친구 관리 서버 및 이를 이용한 소셜 네트워크 친구 관리 방법
CN111523050A (zh) * 2020-04-16 2020-08-11 咪咕文化科技有限公司 内容推荐方法、服务器及存储介质
CN111523050B (zh) * 2020-04-16 2023-09-19 咪咕文化科技有限公司 内容推荐方法、服务器及存储介质
KR102360969B1 (ko) * 2021-08-17 2022-02-10 (주)브이플랫폼 광고 제공 방법 및 시스템
KR102451571B1 (ko) * 2021-08-17 2022-10-06 (주)브이플랫폼 조인 연산과 그래프 모델을 이용한 친구관계 모델링 기법에 기초한 광고 제공 방법 및 시스템

Also Published As

Publication number Publication date
KR101540451B1 (ko) 2015-07-31

Similar Documents

Publication Publication Date Title
JP6259568B2 (ja) ユーザ間の親密度に基づいて友人の友人を推薦するソーシャルネットワークサービスシステム及びその提供方法
KR20130075630A (ko) 사용자들간의 친밀도에 기초하여 친구의 친구를 추천하는 소셜 네트워크 서비스 시스템 및 방법
US11593894B2 (en) Interest recommendation method, computer device, and storage medium
US11665072B2 (en) Parallel computational framework and application server for determining path connectivity
US20210258236A1 (en) Systems and methods for social graph data analytics to determine connectivity within a community
US10311106B2 (en) Social graph visualization and user interface
JP6310071B2 (ja) クラスタリングに基づくマッピングおよびルーティングのためのシステムおよび方法
Chen et al. Effective and efficient user account linkage across location based social networks
IL261465A (en) Method, system and computer software product for updating a trust score
US20120130940A1 (en) Real-time analytics of streaming data
US20180315083A1 (en) Method to maximize message spreading in social networks and find the most influential people in social media
US9705801B2 (en) Systems and methods for mapping and routing based on clustering
CN107895038B (zh) 一种链路预测关系推荐方法及装置
US20170270210A1 (en) Data Infrastructure and Method for Ingesting and Updating A Continuously Evolving Social Network
MX2014007025A (es) Metodo y sistema para medir y mejorar la eficiencia de campañas de medios sociales.
WO2016165414A1 (zh) 一种推送信息的方法和装置
CN111046237A (zh) 用户行为数据处理方法、装置、电子设备及可读介质
CN111506823A (zh) 信息推荐方法、装置及计算机设备
Elagib et al. Big data analysis solutions using MapReduce framework
JP6110781B2 (ja) ソーシャルネットワークの解析
Grua et al. Clustream-GT: Online clustering for personalization in the health domain
JP2015153157A (ja) 仮想情報管理システム
CN112115382A (zh) 数据处理方法及装置、存储介质、电子装置
Nordheimer et al. Trustworthiness in networks: A simulation approach for approximating local trust and distrust values
Jiang et al. Efficiency improvements in social network communication via MapReduce

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20190701

Year of fee payment: 5