TW201814647A - 好友推薦方法 - Google Patents
好友推薦方法 Download PDFInfo
- Publication number
- TW201814647A TW201814647A TW106131629A TW106131629A TW201814647A TW 201814647 A TW201814647 A TW 201814647A TW 106131629 A TW106131629 A TW 106131629A TW 106131629 A TW106131629 A TW 106131629A TW 201814647 A TW201814647 A TW 201814647A
- Authority
- TW
- Taiwan
- Prior art keywords
- target user
- vector
- motion
- recommended
- users
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 161
- 230000000694 effects Effects 0.000 claims abstract description 45
- 210000000577 adipose tissue Anatomy 0.000 claims description 12
- 230000001351 cycling effect Effects 0.000 description 4
- 208000008589 Obesity Diseases 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 235000020824 obesity Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G06Q50/01—Social networking
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0021—Tracking a path or terminating locations
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0021—Tracking a path or terminating locations
- A63B2024/0025—Tracking the path or location of one or more users, e.g. players of a game
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physical Education & Sports Medicine (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一種好友推薦方法，該方法包含：根據網路中預定數量個用戶的運動時間向量、運動空間向量以及運動形態向量，對目標用戶第一次聚類，確定目標用戶所在的至少一個初始待推薦好友列表；根據初始待推薦好友列表中每個用戶的運動強度向量和運動效果向量，對目標用戶第二次聚類，確定目標用戶所在的最終待推薦好友列表。
Description
本案是有關於一種好友推薦方法，且特別是有關於互聯網資訊技術領域的好友推薦方法。
社交網路隨著Internet用戶的普及已經逐漸替代傳統的資訊獲取管道。例如Facebook，微博等。大家通過發消息和狀態，發佈自己所要表達的資訊。當然，個人的精力是有限的，不可能通過自己去尋找，然後手動地關注所有可能感興趣的內容或結點。所以互聯網資訊服務方需要研究如何去有效地向用戶推薦他們會感興趣的內容或結點。
現實生活中有很多人喜歡運動，例如慢走，跑步，騎行。但是也許他的身邊沒有合適他的朋友，即使有相同興趣，例如都喜歡慢走，但是也可能因為運動時間和位置的衝突而無法一起相約運動。也有可能雖然運動時間和位置吻合，但是由於運動強度不同，一個人每天能走10萬步以上，而另一個人每天只能走1萬步，這也是不合適的，兩人也無法一起相約運動。
因此，如何根據相似的運動規律有效推薦好友，成為需要解決的問題。
本案的目的在於提供了一種好友推薦方法，能夠基於相似的運動規律有效推薦好友。
本案是在提供一種好友推薦方法。此方法包含以下步驟：根據網路中預定數量個用戶的運動時間向量、運動空間向量以及運動形態向量，對目標用戶第一次聚類，確定目標用戶所在的至少一個初始待推薦好友列表；根據初始待推薦好友列表中每個用戶的運動強度向量和運動效果向量，對目標用戶第二次聚類，確定目標用戶所在的最終待推薦好友列表。
在一些實施例中，對目標用戶第二次聚類之後，該方法更包含：根據運動效果向量對最終待推薦好友列表中的用戶進行排序。
在一些實施例中，根據運動強度向量和運動效果向量對最終待推薦好友列表中的用戶進行排序的方法包含：對最終待推薦好友列表中的用戶按運動效果向量計算到目標用戶的距離，距離目標用戶越近，則該用戶在最終待推薦好友列表中的排序越靠前。
在一些實施例中，根據網路中預定數量個用戶的運動時間向量、運動空間向量以及運動形態向量，對目標用戶第一次聚類，確定目標用戶所在的至少一個初始待 推薦好友列表，包含：計算目標用戶的運動時間向量、運動空間向量以及運動形態向量與每個用戶的相似度，將相似度大於第一預設閾值的用戶以及該目標用戶加入到同一初始待推薦好友列表。
在一些實施例中，根據初始待推薦好友列表中每個用戶的運動強度向量和運動效果向量，對目標用戶第二次聚類，確定目標用戶所在的最終待推薦好友列表，包含：計算目標用戶的運動強度向量和運動效果向量與初始待推薦好友列表中每個用戶的相似度，將相似度大於第二預設閾值的用戶以及該目標用戶加入到同一最終待推薦好友列表。
在一些實施例中，當網路中預定數量個用戶各自屬於不同社區，則根據網路中預定數量個用戶的運動時間向量、運動空間向量以及運動形態向量，對目標用戶第一次聚類，確定目標用戶所在的至少一個初始待推薦好友列表，包含以下步驟：對於其中任意一個社區，計算目標用戶的運動時間向量、運動空間向量以及運動形態向量與該社區中的每個用戶的相似度；計算目標用戶與該社區中的每個用戶的相似度的平均值；以及將相似度平均值大於第三預設閾值的目標用戶加入該社區，形成一個初始待推薦好友列表。
在一些實施例中，當初始待推薦好友列表為多個時，根據初始待推薦好友列表中每個用戶的運動強度向量和運動效果向量，對目標用戶第二次聚類，確定目標用 戶所在的最終待推薦好友列表，包含：計算目標用戶的運動強度向量和運動效果向量與每個初始待推薦好友列表中每個用戶的相似度，將相似度大於第四預設閾值的用戶以及該目標用戶加入到同一最終待推薦好友列表。
在一些實施例中，運動形態向量包含散步、慢跑、騎行。在一些實施例中，運動強度向量包含目標步數、達成率。在一些實施例中，運動效果向量包含體脂率、身體年齡、身體品質指數。
本案效果在於，第一次篩選相似運動時間，運動空間，以及運動形態的用戶形成初始待推薦好友列表，進一步第二次篩選相似運動強度和運動效果的用戶形成最終待推薦好友列表。通過兩次篩選，使具有相似運動規律的用戶有機會聚在一起，成為相約一起運動的好朋友。
10‧‧‧好友推薦方法
11、12‧‧‧步驟
20‧‧‧目標用戶運動軌跡範圍
第1圖係根據本案之一些實施例所繪示之一種好友推薦方法的流程示意圖；以及第2圖係根據本案之一些實施例所繪示之一種目標用戶運動軌跡範圍示意圖。
以下揭示提供許多不同實施例或例證用以實施本案的不同特徵。特殊例證中的元件及配置在以下討論中被用來簡化本揭示。所討論的任何例證只用來作解說的用 途，並不會以任何方式限制本案或其例證之範圍和意義。此外，本揭示在不同例證中可能重複引用數字符號且/或字母，這些重複皆為了簡化及闡述，其本身並未指定以下討論中不同實施例且/或配置之間的關係。
在全篇說明書與申請專利範圍所使用之用詞(terms)，除有特別註明外，通常具有每個用詞使用在此領域中、在此揭露之內容中與特殊內容中的平常意義。某些用以描述本揭露之用詞將於下或在此說明書的別處討論，以提供本領域技術人員在有關本揭露之描述上額外的引導。
關於本文中所使用之『耦接』或『連接』，均可指二或多個元件相互直接作實體或電性接觸，或是相互間接作實體或電性接觸，而『耦接』或『連接』還可指二或多個元件相互操作或動作。本案文件中提到的「及/或」是指表列元件的任一者、全部或至少一者的任意組合。
為使本案的目的、技術方案及優點更加清楚明白，以下參照附圖並舉實施例，對本案的方法作進一步地詳細說明。
本案把每個用戶ui對應一個n維向量，每一維對應于一個運動向量，具體地，本案中定義每個ui對應一個五維向量：(Vi1，Vi2，Vi3，Vi4，Vi5，)。Vi1表示運動時間向量，Vi2表示運動空間向量，Vi3表示運動形態向量，Vi4表示運動強度向量，Vi5表示運動效果向量。第一次篩選相似運動時間，運動空間，以及運動形態的用 戶形成初始待推薦好友列表，進一步第二次篩選相似運動強度和運動效果的用戶形成最終待推薦好友列表。
本案提供的一種好友推薦方法10的流程示意圖如第1圖所示，該方法包含：步驟11：根據網路中預定數量個用戶的運動時間向量、運動空間向量以及運動形態向量，對目標用戶第一次聚類，確定目標用戶所在的至少一個初始待推薦好友列表；步驟12：根據初始待推薦好友列表中每個用戶的運動強度向量和運動效果向量，對目標用戶第二次聚類，確定目標用戶所在的最終待推薦好友列表。
其中，運動形態向量包含但不限於散步、慢跑、騎行；運動強度向量包含但不限於目標步數、達成率；運動效果向量包含但不限於體脂率、身體年齡、身體品質指數。不同的運動向量可以根據具體運動進行相應的設定，不限於上述內容。
為了向目標用戶從最終待推薦好友列表中推薦運動效果好的榜樣用戶，本案在步驟12對目標用戶第二次聚類之後，該方法更包含：根據運動效果向量對最終待推薦好友列表中的用戶進行排序。具體實現為：對最終待推薦好友列表中的用戶按運動效果向量計算到目標用戶的距離，距離目標用戶越近，則該用戶在最終待推薦好友列表中的排序越靠前。
一種可以實現的實施例中，根據網路中預定數 量個用戶的運動時間向量、運動空間向量以及運動形態向量，對目標用戶第一次聚類，確定目標用戶所在的至少一個初始待推薦好友列表，包含：計算目標用戶的運動時間向量、運動空間向量以及運動形態向量與每個用戶的相似度，將相似度大於第一預設閾值的用戶以及該目標用戶加入到同一初始待推薦好友列表。
根據初始待推薦好友列表中每個用戶的運動強度向量和運動效果向量，對目標用戶第二次聚類，確定目標用戶所在的最終待推薦好友列表，包含：計算目標用戶的運動強度向量和運動效果向量與初始待推薦好友列表中每個用戶的相似度，將相似度大於第二預設閾值的用戶以及該目標用戶加入到同一最終待推薦好友列表。
一種可以實現的實施例中，當網路中預定數量個用戶各自屬於不同社區，則，根據網路中預定數量個用戶的運動時間向量、運動空間向量以及運動形態向量，對目標用戶第一次聚類，確定目標用戶所在的至少一個初始待推薦好友列表，包含：對於其中任意一個社區，計算目標用戶的運動時間向量、運動空間向量以及運動形態向量與該社區中的每個用戶的相似度；計算目標用戶與該社區中的每個用戶的相似度的平均值；將相似度平均值大於第三預設閾值的目標用戶加入該社區，形成一個初始待推薦好友列表。
當初始待推薦好友列表為多個時，根據初始待推薦好友列表中每個用戶的運動強度向量和運動效果向 量，對目標用戶第二次聚類，確定目標用戶所在的最終待推薦好友列表，包含：計算目標用戶的運動強度向量和運動效果向量與每個初始待推薦好友列表中每個用戶的相似度，將相似度大於第四預設閾值的用戶以及該目標用戶加入到同一最終待推薦好友列表。
至此，完成了本案的好友推薦方法10，最終待推薦好友列表和目標用戶不僅有相似的運動空間、運動時間以及運動形態，而且有相似的運動強度和運動效果，將用戶在現實生活中認識的可能性達到最大，從而有效達到好友推薦的效果。
為清楚說明本案，下面列舉具體場景進行詳細闡述。
實施例一：
1)假設網路中有100個會員用戶，目標用戶作為新加入的會員，要形成最終待推薦好友列表，則，需要搜集每個用戶的運動資料，得到每個用戶的多個運動向量。
具體實現可以為：以1個月的時間來統計。
搜集每個用戶的運動空間資料，可以是每個用戶的運動軌跡範圍。得到每個用戶這個月每天的運動軌跡範圍。
如果用1、2、3、4、5、6分別對應表示運動時間(6，8)點，(8，12)點，(12，14)點，(14，17)點，(18，20)點，(20，24)點，則，搜集每個用戶的運動時間資料，得到每個用戶這個月落入每個時間段的次 數。
如果用1、2、3分別對應表示運動形態散步、慢跑和騎行，則，搜集每個用戶的運動形態資料，得到每個用戶這個月進行不同運動形態的次數。
對於目標用戶，可以通過預設目標用戶的各運動向量，在目標用戶一加入網路時，就確定目標用戶所在最終待推薦好友列表；也可以對目標用戶進行一段時間的運動資料獲取，根據搜集的運動資料，決定該目標用戶所在最終待推薦好友列表。
本實施例中，目標用戶運動軌跡範圍20如第2圖所示。運動時間向量為[(1,7)，(2,2)，(3,0)，(4,0)，(5,3)，(6,1)]，表示在同一個月內，(6，8)點的運動次數為7次，(8，12)點的運動次數為2次，(12，14)點的運動次數為0次，(14，17)點的運動次數為0次，(18，20)點的運動次數為3次，(20，24)點的運動次數為1次。運動形態向量為[(1,20)，(2,5)，(3,0)]，表示在同一個月內，散步的次數為20次，慢跑的次數為5次，騎行的次數為0次。
對100個會員用戶中任意三個用戶的運動向量進行舉例：
用戶1：運動空間向量用這個月落入目標用戶運動軌跡範圍的次數來表示，同一天落入目標用戶運動軌跡範圍的次數只統計一次。本實施例中用戶1的運動空間向量為15，表示在同一個月內，用戶1與目標用戶運動軌跡範 圍重疊的次數為15。
運動時間向量為[(1,10)，(2,0)，(3,0)，(4,0)，(5,3)，(6,1)]，表示在同一個月內，(6，8)點的運動次數為10次，(8，12)點的運動次數為0次，(12，14)點的運動次數為0次，(14，17)點的運動次數為0次，(18，20)點的運動次數為3次，(20，24)點的運動次數為1次。
運動形態向量為[(1,19)，(2,6)，(3,0)]，表示在同一個月內，散步的次數為19次，慢跑的次數為6次，騎行的次數為0次。
用戶2：運動空間向量用這個月落入目標用戶運動軌跡範圍的次數來表示，同一天落入目標用戶運動軌跡範圍的次數只統計一次。本實施例中用戶2的運動空間向量為1，表示在同一個月內，用戶2與目標用戶運動軌跡範圍重疊的次數為1。
運動時間向量為[(1,8)，(2,0)，(3,0)，(4,0)，(5,1)，(6,0)]，表示在同一個月內，(6，8)點的運動次數為8次，(8，12)點的運動次數為0次，(12，14)點的運動次數為0次，(14，17)點的運動次數為0次，(18，20)點的運動次數為1次，(20，24)點的運動次數為0次。
運動形態向量為[(1,10)，(2,5)，(3,0)]，表示在同一個月內，散步的次數為10次，慢跑的次數為5次，騎行的次數為0次。
用戶3：運動空間向量用這個月落入目標用戶 運動軌跡範圍的次數來表示，同一天落入目標用戶運動軌跡範圍的次數只統計一次。本實施例中用戶3的運動空間向量為0，表示在同一個月內，用戶3與目標用戶運動軌跡範圍重疊的次數為0。
運動時間向量為[(1,0)，(2,0)，(3,0)，(4,0)，(5,3)，(6,10)]，表示在同一個月內，(6，8)點的運動次數為0次，(8，12)點的運動次數為0次，(12，14)點的運動次數為0次，(14，17)點的運動次數為0次，(18，20)點的運動次數為3次，(20，24)點的運動次數為10次。
運動形態向量為[(1,0)，(2,5)，(3,10)]，表示在同一個月內，散步的次數為0次，慢跑的次數為5次，騎行的次數為10次。
Φ1為預先設定的第一相似度閾值，如果目標用戶的運動時間向量、運動空間向量以及運動形態向量與網路中任意用戶的相似度大於Φ1，則確定目標用戶與該用戶具有高相似度；反之，如果小於Φ1，則確定目標用戶與該用戶具有低相似度。
本案中計算目標用戶的運動時間向量、運動空間向量以及運動形態向量與用戶1的相似度，得到的相似度大於Φ1，則確定目標用戶與用戶1具有高相似度；計算目標用戶的運動時間向量、運動空間向量以及運動形態向量與用戶2的相似度，得到的相似度小於Φ1，則確定目標用戶與用戶2具有低相似度；計算目標用戶的運動時間向量、 運動空間向量以及運動形態向量與用戶3的相似度，得到的相似度小於Φ1，則確定目標用戶與用戶3具有低相似度；依此類推，遍歷100個會員用戶，計算目標用戶的運動時間向量、運動空間向量以及運動形態向量與每個用戶的相似度，將目標用戶，以及包含用戶1在內的，與目標用戶具有高相似度的用戶都加入到同一初始待推薦好友列表。假設初始待推薦好友列表中包含目標用戶在內，一共有20個好友。
2)搜集每個用戶的運動強度資料，包含每天的目標步數；每個月完成目標的天數，即達成率等。
搜集每個用戶的運動效果資料，包含體脂率、身體年齡、身體品質指數等。
對於以具體數值表示的資料，比如運動強度中的每天目標步數、達成率，運動效果中的體脂率、身體年齡、身體品質指數等，首先進行歸一化，然後再轉化為-1、0和1表示。
對於運動強度，可用-1表示弱，0表示一般，1表示強。
對於體脂率，將大於22%的體脂率用-1表示，將10%~15%的體脂率用0表示，將小於15%的體脂率用1表示。
對於身體年齡，與運動強度有關，將與實際年齡相比大於5歲的用-1表示，將與實際年齡相比大於1~5歲的0表示，將與實際年齡相比小於5歲的用1表示。
對於身體品質指數，可以由體脂率和體重得到，將大於30的指數用-1表示肥胖，將小於19，或者在25~30範圍內的指數用0表示偏瘦或偏胖，將在19~25範圍內的指數用1表示正常範圍。
綜上，通過量化每個用戶的運動強度資料和運動效果資料，從而獲得每個用戶的運動強度向量和運動效果向量。
本實施例中，目標用戶運動強度向量為1，表示運動強度強。目標用戶運動效果向量集合為[1，0，1]，表示目標用戶體脂率小於15%，身體年齡與實際年齡相比大於1~5歲，身體品質指數在正常範圍。
初始待推薦好友列表中，除目標用戶外，19個用戶的運動強度向量和運動效果向量如表1所示。
Φ2為預先設定的第二相似度閾值，如果目標用戶的運動強度向量、運動效果向量與初始待推薦好友列表中任意用戶的相似度大於Φ2，則確定目標用戶與該用戶具有高相似度；反之，如果小於Φ2，則確定目標用戶與該用戶具有低相似度。
由表1可以看出，初始待推薦好友列表中有11個用戶與目標用戶的相似度高，因此，將該11個用戶和目標用戶加入到最終待推薦好友列表。這11個用戶和目標用 戶不僅有相似的運動空間、運動時間以及運動形態，而且有相似的運動強度和運動效果。
需要說明的是，本案實施例中對於各運動向量的具體設定可以靈活處理，不限於上述情形，只要能夠計算目標用戶與各用戶的相似度，以確定初始待推薦好友列表以及最終待推薦好友列表，都在本案的保護範圍內。各運動向量可以由智慧手環、體脂器等硬體設備統計得到。
3)對最終待推薦好友列表中的11個用戶按運動效果向量計算到目標用戶的距離，距離目標用戶越近，則該用戶在最終待推薦好友列表中的排序越靠前。由此，可以尋找到最終待推薦好友列表中運動效果較好的用戶為目標用戶起到運動榜樣的作用。
實施例二：
假設網路中有100個會員用戶，且每個會員用戶已經各自屬於不同社區，目標用戶作為新加入的會員，要形成最終待推薦好友列表，則需要搜集每個用戶的運動資料，得到每個用戶的多個運動向量。
1)對於其中任意一個社區，計算目標用戶的運動時間向量、運動空間向量以及運動形態向量與該社區中的每個用戶的相似度；
2)計算目標用戶與該社區中的每個用戶的相似度的平均值；
3)Φ3為預先設定的第三相似度平均值閾值，如果目標用戶的運動時間向量、運動空間向量以及運動形 態向量與該社區中每個用戶的相似度平均值大於Φ3，則確定目標用戶與該社區具有高相似度，目標用戶可以加入該社區；反之，如果小於Φ3，則確定目標用戶與該社區具有低相似度。
4)由於社區有多個，由此計算出的目標用戶可以加入的社區也可以有多個，即，目標用戶屬於重疊社區，這些社區中的用戶與目標用戶有相似的運動時間、運動空間以及運動形態。將與目標用戶具有高相似度的每個社區作為一個初始待推薦好友列表，如此，就可以形成多個初始待推薦好友列表。
5)計算目標用戶的運動強度向量和運動效果向量與每個初始待推薦好友列表中每個用戶的相似度。
6)Φ4為預先設定的第四相似度閾值，如果目標用戶的運動強度向量、運動效果向量與初始待推薦好友列表中任意用戶的相似度大於Φ4，則確定目標用戶與該用戶具有高相似度；反之，如果小於Φ4，則確定目標用戶與該用戶具有低相似度。
7)將相似度大於Φ4的用戶以及該目標用戶加入到同一最終待推薦好友列表。
至此，完成了本實施例的好友推薦方法10。其中，閾值的數值可以根據具體應用靈活設置。
綜上，本案的有益效果是：
一、相似的運動時間，運動軌跡，以及運動形態能夠使推薦的好友經常聚在一起，而相似的運動強度和 運動效果使推薦得到的好友更能夠成為好朋友，進而相約一起運動。
二、通過將最終待推薦好友列表中的用戶進行排序，推薦出好的有運動效果的朋友可以更好地成為榜樣。
以上所述僅為本案的較佳實施例而已，並不用以限制本案，凡在本案的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本案保護的範圍之內。
另外，上述例示包含依序的示範步驟，但該些步驟不必依所顯示的順序被執行。以不同順序執行該些步驟皆在本揭示內容的考量範圍內。在本揭示內容之實施例的精神與範圍內，可視情況增加、取代、變更順序及/或省略該些步驟。
雖然本案已以實施方式揭示如上，然其並非用以限定本案，任何熟習此技藝者，在不脫離本案之精神和範圍內，當可作各種之更動與潤飾，因此本案之保護範圍當視後附之申請專利範圍所界定者為準。
Claims (8)
- 一種好友推薦方法，包含：根據一網路中一預定數量的複數個用戶的複數個運動時間向量、複數個運動空間向量以及複數個運動形態向量，對一目標用戶第一次聚類，確定該目標用戶所在的至少一初始待推薦好友列表；以及根據該至少一初始待推薦好友列表中複數個用戶中的每一者的一運動強度向量和一運動效果向量，對該目標用戶第二次聚類，確定該目標用戶所在的一最終待推薦好友列表。
- 如請求項第1項所述之好友推薦方法，其中對該目標用戶第二次聚類之後，該方法更包含：根據該些用戶中的每一者的該運動效果向量對該最終待推薦好友列表中的複數個用戶進行排序。
- 如請求項第2項所述之好友推薦方法，其中根據該些用戶中的每一者的該運動強度向量和該運動效果向量對該最終待推薦好友列表中的該些用戶進行排序包含：對該最終待推薦好友列表中的該些用戶中的每一者按該運動效果向量計算到該目標用戶的一距離，該些用戶中的一者距離該目標用戶越近，則該些用戶中的該者在該最終待推薦好友列表中的一排序越靠前。
- 如請求項第1項所述之好友推薦方法，其中根據該網路中該預定數量的該些用戶的該些運動時間向量、該些運動空間向量以及該些運動形態向量，對該目標用戶第一次聚類，確定該目標用戶所在的該至少一初始待推薦好友列表，包含：計算該目標用戶的一運動時間向量、一運動空間向量以及一運動形態向量與該些用戶中的每一者的一相似度，該相似度大於一第一預設閾值的該些用戶以及該目標用戶加入到相同的該至少一初始待推薦好友列表。
- 如請求項第4項所述之好友推薦方法，其中根據該至少一初始待推薦好友列表中該些用戶中的每一者的該運動強度向量和該運動效果向量，對該目標用戶第二次聚類，確定該目標用戶所在的該最終待推薦好友列表，包含：計算該目標用戶的一運動強度向量和一運動效果向量與該至少一初始待推薦好友列表中該些用戶中的每一者的一相似度，將該相似度大於一第二預設閾值的該些用戶以及該目標用戶加入到相同的該最終待推薦好友列表。
- 如請求項第1項所述之好友推薦方法，其中當該網路中該預定數量的該些用戶各自屬於一不同社區，則根據該網路中該預定數量的該些用戶的該些運動時間向量、該些運動空間向量以及該些運動形態向量，對該目標 用戶第一次聚類，確定該目標用戶所在的該至少一初始待推薦好友列表，包含：對於複數個社區中的任一者，計算該目標用戶的一運動時間向量、一運動空間向量以及一運動形態向量與該些社區中的一者的複數個用戶中的每一者的一相似度；計算目標用戶與該些社區中的一者的該些用戶中的每一者的該相似度的一相似度平均值；以及將該相似度平均值大於一第三預設閾值的該目標用戶加入該些社區中的該者，形成該至少一初始待推薦好友列表。
- 如請求項第6項所述之好友推薦方法，其中當該至少一初始待推薦好友列表為複數個時，根據該至少一初始待推薦好友列表中該些用戶中的每一者的該運動強度向量和該運動效果向量，對該目標用戶第二次聚類，確定該目標用戶所在的該最終待推薦好友列表，包含：計算該目標用戶的該運動強度向量和該運動效果向量與該些初始待推薦好友列表中複數個用戶中的每一者的一相似度，將該相似度大於第四預設閾值的該些用戶以及該目標用戶加入到相同的該最終待推薦好友列表。
- 如請求項第1-7項所述之好友推薦方法，其中該運動形態向量包含散步、慢跑、騎行；其中該運動強度向量包含目標步數、達成率； 其中該運動效果向量包含體脂率、身體年齡、身體品質指數。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610844598.1A CN106407412A (zh) | 2016-09-23 | 2016-09-23 | 一种好友推荐方法 |
| ??201610844598.1 | 2016-09-23 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201814647A true TW201814647A (zh) | 2018-04-16 |
| TWI668667B TWI668667B (zh) | 2019-08-11 |
Family
ID=57997906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW106131629A TWI668667B (zh) | 2016-09-23 | 2017-09-14 | 好友推薦方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20180089768A1 (zh) |
| CN (1) | CN106407412A (zh) |
| TW (1) | TWI668667B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI828186B (zh) * | 2021-06-18 | 2024-01-01 | 韓商連加股份有限公司 | 好友推薦方法、電腦裝置及電腦可讀取記錄媒體 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107645555A (zh) * | 2017-09-25 | 2018-01-30 | 咪咕互动娱乐有限公司 | 一种推荐方法、服务器及计算机可读存储介质 |
| CN108076231A (zh) * | 2017-12-28 | 2018-05-25 | 努比亚技术有限公司 | 一种运动交流辅助方法及装置 |
| CN109065122A (zh) * | 2018-08-20 | 2018-12-21 | 深圳智裳科技有限公司 | 一种健康运动交友的方法及系统 |
| CN110263261A (zh) * | 2019-06-14 | 2019-09-20 | 韶关市启之信息技术有限公司 | 一种基于盆栽养殖行为的好友推荐方法与装置 |
| AU2020327213A1 (en) * | 2019-08-02 | 2022-03-03 | Astellas Pharma Inc. | Exercise management system, server system, terminal device, and exercise management method |
| CN111368219B (zh) * | 2020-02-27 | 2024-04-26 | 广州腾讯科技有限公司 | 信息推荐方法、装置、计算机设备以及存储介质 |
| CN117275665B (zh) * | 2023-10-12 | 2024-05-03 | 首都体育学院 | 基于pams编码的运动方案推荐方法、系统及电子设备 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070219059A1 (en) * | 2006-03-17 | 2007-09-20 | Schwartz Mark H | Method and system for continuous monitoring and training of exercise |
| US7743081B2 (en) * | 2007-09-18 | 2010-06-22 | Palo Alto Research Center Incorporated | Fast local recommender queries via modified spatial data structure querying |
| US7769740B2 (en) * | 2007-12-21 | 2010-08-03 | Yahoo! Inc. | Systems and methods of ranking attention |
| US20130215116A1 (en) * | 2008-03-21 | 2013-08-22 | Dressbot, Inc. | System and Method for Collaborative Shopping, Business and Entertainment |
| US9554754B2 (en) * | 2010-01-08 | 2017-01-31 | Jeffrey Ruby | System, method and computer program for weight, lifestyle and/or disease management integrating nutrition, exercise and behaviour management |
| US20130282812A1 (en) * | 2012-04-24 | 2013-10-24 | Samuel Lessin | Adaptive audiences for claims in a social networking system |
| US10185934B2 (en) * | 2013-07-09 | 2019-01-22 | Qualcomm Incorporated | Real-time context aware recommendation engine based on a user internet of things environment |
| CN104750716B (zh) * | 2013-12-27 | 2018-12-28 | 中国移动通信集团公司 | 一种社交网站好友推荐方法及装置 |
| KR102302439B1 (ko) * | 2014-02-21 | 2021-09-15 | 삼성전자주식회사 | 전자 장치 |
| CN105095214A (zh) * | 2014-04-22 | 2015-11-25 | 北京三星通信技术研究有限公司 | 基于运动识别进行信息推荐的方法及装置 |
| CN105282184A (zh) * | 2014-05-29 | 2016-01-27 | 昆达电脑科技(昆山)有限公司 | 利用运动信息帮助配对交友的方法及系统 |
| CN105404658A (zh) * | 2015-11-04 | 2016-03-16 | 中国联合网络通信集团有限公司 | 同态交友关系的建立方法、建立系统及移动终端 |
| US20170146386A1 (en) * | 2015-11-20 | 2017-05-25 | PhysioWave, Inc. | Scale-based user-physiological social grouping system |
-
2016
- 2016-09-23 CN CN201610844598.1A patent/CN106407412A/zh active Pending
-
2017
- 2017-09-14 TW TW106131629A patent/TWI668667B/zh active
- 2017-09-22 US US15/712,163 patent/US20180089768A1/en not_active Abandoned
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI828186B (zh) * | 2021-06-18 | 2024-01-01 | 韓商連加股份有限公司 | 好友推薦方法、電腦裝置及電腦可讀取記錄媒體 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106407412A (zh) | 2017-02-15 |
| US20180089768A1 (en) | 2018-03-29 |
| TWI668667B (zh) | 2019-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI668667B (zh) | 好友推薦方法 | |
| Yuan et al. | COM: a generative model for group recommendation | |
| Liu et al. | Exploring personal impact for group recommendation | |
| Farseev et al. | Harvesting multiple sources for user profile learning: a big data study | |
| CN108197330B (zh) | 基于社交平台的数据挖掘方法及装置 | |
| Xia et al. | Reciprocal recommendation system for online dating | |
| AU2014304803B2 (en) | Systems and methods for image classification by correlating contextual cues with images | |
| CN109241405A (zh) | 一种基于知识关联的学习资源协同过滤推荐方法及系统 | |
| CN109769128A (zh) | 视频推荐方法、视频推荐装置和计算机可读存储介质 | |
| CN107633260B (zh) | 一种基于聚类的社交网络意见领袖挖掘方法 | |
| CN107894998B (zh) | 视频推荐方法及装置 | |
| Han et al. | Collecting, organizing, and sharing pins in pinterest: interest-driven or social-driven? | |
| CN109118336A (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
| CN105723402A (zh) | 用于确定社交数据网络中的影响者的系统和方法 | |
| CN105608121B (zh) | 一种个性化推荐方法及装置 | |
| CN103995823A (zh) | 一种基于社交网络的信息推荐方法 | |
| CN105468653B (zh) | 基于社交应用软件的数据推荐方法和装置 | |
| CN108920577A (zh) | 电视智能推荐方法 | |
| CN105378720A (zh) | 媒体内容发现以及角色组织技术 | |
| CN104750716B (zh) | 一种社交网站好友推荐方法及装置 | |
| CN104572733B (zh) | 用户兴趣标签分类的方法及装置 | |
| Likhyani et al. | LoCaTe: Influence Quantification for Location Promotion in Location-based Social Networks. | |
| CN105335476B (zh) | 一种热点事件分类方法及装置 | |
| Smith et al. | Balancing the picture: Debiasing vision-language datasets with synthetic contrast sets | |
| EP2835748A1 (en) | Systems and methods for image classification by correlating contextual cues with images |