WO2015003480A1 - 一种社交媒体中的信息推荐方法和装置 - Google Patents

一种社交媒体中的信息推荐方法和装置 Download PDF

Info

Publication number
WO2015003480A1
WO2015003480A1 PCT/CN2014/070070 CN2014070070W WO2015003480A1 WO 2015003480 A1 WO2015003480 A1 WO 2015003480A1 CN 2014070070 W CN2014070070 W CN 2014070070W WO 2015003480 A1 WO2015003480 A1 WO 2015003480A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
interest
user
point
target user
Prior art date
Application number
PCT/CN2014/070070
Other languages
English (en)
French (fr)
Inventor
张�杰
张轶博
李航
Original Assignee
华为技术有限公司
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 华为技术有限公司 filed Critical 华为技术有限公司
Priority to EP14822848.9A priority Critical patent/EP3021264A1/en
Publication of WO2015003480A1 publication Critical patent/WO2015003480A1/zh
Priority to US14/991,651 priority patent/US10810499B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • 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

Definitions

  • the present invention relates to the field of computer application technologies, and in particular, to a method and apparatus for recommending information in social media.
  • the present invention provides a method and apparatus for recommending information in social media to improve the effect of information recommendation.
  • an embodiment of the present invention provides a method for recommending information in a social media, where the method includes:
  • the labeled corpus is used as a training classification target training user target classification model
  • the historical operation information includes at least one of the following information:
  • step S11 includes:
  • the collected information, the forwarded information, and the commented information is separately segmented and the stop words are removed, the obtained words are semantically clustered, and the clustering result is used to determine the target.
  • the target User's point of interest.
  • the method for determining a good user related to the point of interest includes:
  • step S12 specifically includes:
  • the adopted feature when the interest classification model is trained in the step S13, includes a keyword in the information, or further includes an information publisher and a person concerned by the information publisher And one or any combination of fans, information comments, information forwarding number, and information collection number.
  • the to-be-recommended information is real-time information, notification information, or promotion information.
  • an embodiment of the present invention provides an information recommendation apparatus in a social media, where the apparatus includes: an offline modeling unit and an online recommendation unit;
  • the offline modeling unit includes:
  • a point of interest determining subunit configured to determine, from the historical operation information of the social media by the target user, a point of interest of the target user;
  • a corpus selection subunit configured to select, from the historical user information related to the point of interest, information related to the point of interest in the historical operation information of the social media as the marked corpus;
  • a model training subunit configured to use the labeled corpus as an interest classification model of a training target training target user
  • the online recommendation unit includes:
  • An information acquisition subunit configured to obtain information to be recommended for social media
  • An interest discriminating subunit configured to input the to-be-recommended information into a target user's interest classification model to determine whether the to-be-recommended information conforms to the target user's interest;
  • the information recommendation subunit is configured to: if the interest discrimination subunit determines that the to-be-recommended information meets the interest of the target user, recommend the to-be-recommended information to the target user.
  • the historical operation information includes at least one of the following information:
  • the point of interest determining sub-unit performs: determining a user's interest point by using a label marked by the target user in the social media; or
  • the collected information, the forwarded information, and the commented information is separately segmented and the stop words are removed, the obtained words are semantically clustered, and the clustering result is used to determine the target.
  • the target User's point of interest.
  • the offline modeling unit further includes:
  • a quality user discovery subunit configured to select, as a quality user, a user whose rating meets a preset requirement from among a predetermined user having a relationship with the seed user related to the point of interest, the rating being one of the following factors or Any combination determines the degree to which the information published, forwarded, or self-described by the user matches the point of interest, the activity of the user, the influence of the user, and the extent of dissemination of the user information.
  • the corpus selection sub-unit is specifically configured to: calculate, between the information in the historical operation information of the high-quality user corresponding to the point of interest, and the point of interest Semantic similarity, selecting information whose semantic similarity satisfies the preset similarity requirement as the information related to the interest point.
  • the adopted feature when the model training subunit is training the interest classification model, includes a keyword in the information, or further includes an information publisher and an information publisher.
  • the adopted feature includes a keyword in the information, or further includes an information publisher and an information publisher.
  • the to-be-recommended information is real-time information, notification information, or promotion information.
  • the present invention does not use the method of manually labeling the sample when establishing the interest classification model of the target user, but by identifying the target user's interest point and mining the historical operation information of the high-quality user and the interest.
  • Point-related information is used as a training sample instead of manual labeling, which makes the sample more abundant, and can effectively use the established interest classification model to recommend real-time information online, which improves the effect of information recommendation in social media.
  • FIG. 1 is a main flowchart of an information recommendation method according to an embodiment of the present invention.
  • FIG. 2 is a detailed flowchart of a method for recommending information provided by an embodiment of the present invention
  • FIG. 3 is a system architecture diagram provided by an embodiment of the present invention.
  • FIG. 4 is a structural diagram of an information recommendation apparatus according to an embodiment of the present invention.
  • FIG. 1 is a main flowchart of an information recommendation method according to an embodiment of the present invention.
  • the online process mainly includes the following steps:
  • Step 101 Determine a target user's point of interest from the target user's historical operation information of the social media.
  • Step 102 Select, from the historical user information related to the point of interest, information related to the point of interest as the marked corpus in the historical operation information of the social media.
  • Step 103 The marked corpus is used as the training classification target training user target interest classification model.
  • Step 111 Acquire the to-be-recommended information of the social media.
  • Step 112 Enter the obtained to-be-recommended information into the interest classification model of the target user to determine whether the information to be recommended meets the interest of the target user.
  • Step 113 If the interest of the target user is met, the information to be recommended is recommended to the target user.
  • the online process is implemented based on the interest classification model established by the online process, and is usually embodied in a real-time or periodic process.
  • the offline process is used to build and update (this update process is usually also reflected in the above-mentioned establishment process) interest classification model, usually embodied in a cyclical process.
  • FIG. 2 is a detailed flowchart of an information recommendation method according to an embodiment of the present invention.
  • the method provided in this embodiment also includes an offline process and an online process. As shown in FIG. 2, the offline process includes the following steps:
  • Step 201 Obtain historical operation information of the target user from a server end of the social media.
  • the target user may be a designated user in the social media, or may be all users in the social media, and perform a offline process for each target user to establish an interest classification model of each target user.
  • the historical operation information of the target user When the historical operation information of the target user is obtained, it can be obtained from the server side of the social media through an API provided by the social media.
  • the historical operation information may include, but is not limited to, information published by the target user, information collected by the target user, information forwarded by the target user, information of the target user comment, or a tag tagged by the target user.
  • Step 202 Determine a user's interest point from the historical operation information of the target user.
  • the so-called point of interest is a representation that can reflect the content of the user's interest, and can refer to a field, a topic, an event, or even a keyword.
  • the embodiment of the present invention does not limit the granularity of the point of interest.
  • the method for determining the user's point of interest in this step may be, but is not limited to, the following two methods:
  • the first way use the tag labeled by the target user in social media to determine the user's point of interest.
  • users are provided with the ability to tag their own tags.
  • tags marked by these users are usually related to the user's occupation, hobbies, etc., which largely reflects the user's interest, so the target user's tag can be directly used to determine the user's interest points.
  • the second way the information published by the target user, the information collected by the target user, the information forwarded by the target user, the information of the target user's comment, etc. are respectively segmented and removed, and then the semantic clustering is performed on each word. The clustering result is used to determine the target user's point of interest.
  • Step 203 Determine, by using a seed user related to the target user's point of interest, a quality user corresponding to the target user's point of interest in the social media.
  • This step is actually a process of exploiting the seed user to mine high-quality users.
  • the seed user is usually preset.
  • the seed user related to the point of interest “IT” can be set as “Li Kaifu”, and the seed related to the “point of film” of the interest point.
  • the user can set it to “Yao Chen”, and the seed user related to the “point of basketball” of interest can be set to “Yu Jia” and so on.
  • Seed users are often the most influential users in their industry in social media.
  • a user whose rating is in a relationship with the seed user associated with the point of interest is selected as a quality user.
  • the relationship may exist, but is not limited to: attention relationship, fan relationship, comment relationship, forwarding relationship, and the like.
  • the rating of the user is determined by, but not limited to, the following factors: the degree to which the information published, forwarded, or self-described by the user matches the point of interest, the activity of the user, the influence of the user, the range of spread of the user information, and the like.
  • the activity of the user may be determined by one or any combination of the frequency of the user logging in to the social media, the time of logging in to the social media, the number of posting information, the number of forwarding information, the number of commenting information, and the like; the influence of the user may be influenced by the user's fans.
  • Step 204 Select information related to the interest point in the historical operation information of the high-quality user corresponding to the target user's point of interest, and use the selected information as the corpus marked by the interest point.
  • the semantic similarity between the information published by the high-quality user corresponding to the point of interest, the collected information, the forwarded information, the commented information, and the like may be calculated, and the semantic similarity is selected to satisfy the preset similarity.
  • the requested information is used as information related to the point of interest.
  • the operation attribute of the information related to the point of interest may be marked, that is, the original information of the publication, the information of the comment, the information to be forwarded, or the information to be collected.
  • Step 205 The labeled corpus is used as the interest classification model of the training target training target user.
  • the features used mainly include keywords in the information, and may include but are not limited to: the information publisher, the person concerned by the information publisher, the fans, the number of information comments, the number of information forwarding, and the number of information collections. One or any combination of the others.
  • the training of classification models is a more mature technology.
  • the training process for the target user's interest classification model ends, and the online information recommendation process includes the following steps:
  • Step 211 Acquire real-time information of the social media.
  • the purpose of the embodiment of the present invention is mainly to implement the recommendation of the real-time information. Therefore, in this step, the real-time information of the social media is preferably obtained as the information to be recommended for recommendation, and of course, the recommendation that can be used for other types of information, such as some Notification information, promotion information, etc.
  • Step 212 Enter real-time information into the interest classification model of the target user to determine whether the real-time information meets the interest of the target user.
  • the feature in the real-time information is analyzed, and the feature is consistent with the feature used in training the interest classification model, and the final classification result is whether the real-time information meets the target user. interest of.
  • Step 213 If the target user's interest is met, the real-time information is recommended to the target user.
  • the microblog is input into the interest classification model of each user, and the classification result of the corresponding interest classification model of the user who is interested in basketball is Weibo is in line with the user's interest, and then the Weibo about "Basketball" can be recommended to users who are interested in the user.
  • the manner of recommending the real-time information to the target user is not limited.
  • the real-time information that meets the target user's interest may be recommended to the target user by means of the client, and may also be socialized.
  • a fixed area in the user interface of the media displays real-time information recommended to the target user, or recommends real-time information to the target user by periodically sending the mail, and the like.
  • the above is a detailed description of the method provided by the embodiment of the present invention.
  • the method is implemented by the information recommendation apparatus provided by the embodiment of the present invention.
  • the information recommendation apparatus is disposed on the server side of the social media, and is obtained offline from the server end of the social media.
  • the historical operation information of the target user and the high-quality user is used to establish an interest classification model of the target user, and the information to be recommended is obtained from the server side of the social media on the line, and the information to be recommended is recommended to the target user interested in it, and through a client such as a client.
  • the browser is presented to the target user, and the system architecture is as shown in Figure 3.
  • the information recommendation apparatus may be disposed in a server of a social media, or may be disposed in a device of a server independent of the social media on the network side, as shown in FIG. 4
  • the information recommendation device includes an offline modeling unit 00 and an online recommendation unit 10, wherein the offline modeling unit 00 is used to complete the offline process, and the online recommendation unit 10 is used to complete the online process.
  • the offline modeling unit 00 includes a point of interest determination subunit 01, a corpus selection subunit 02, and a model training subunit 03.
  • the point of interest determination sub-unit 01 is for determining a point of interest of the target user from the historical operation information of the social media from the target user.
  • the target user may be a designated user in the social media, or may be all users in the social media.
  • the historical operation information of the target user When the historical operation information of the target user is obtained, it can be obtained from the server side of the social media through an API provided by the social media.
  • the historical operation information may include, but is not limited to, information published by the target user, information collected by the target user, information forwarded by the target user, information of the target user comment, or a tag marked by the target user.
  • the interest point determining subunit 01 may specifically adopt the following two methods:
  • the first way use the label tagged by the target user in social media to determine the user's point of interest.
  • the second method performing semantic segmentation on the obtained words by using at least one of the information published by the target user, the collected information, the forwarded information, and the commented information to perform word segmentation and removal of the stop words respectively.
  • the clustering result determines the point of interest of the target user.
  • the corpus selection sub-unit 02 is configured to select information related to the point of interest as the annotated corpus from the historical user information related to the point of interest in the historical operation information of the social media. Seed users are usually pre-set, usually in a more influential user in their industry on social media.
  • the corpus selection sub-unit 02 may calculate the semantic similarity between each information and the point of interest in the historical operation information of the high-quality user corresponding to the point of interest, and select the semantic similarity to satisfy the preset similarity.
  • the requested information is used as information related to the point of interest.
  • the model training sub-unit 03 is used to use the annotated corpus as the interest classification model of the training target training target user.
  • the model training sub-unit includes the keywords in the information, or further includes the information publisher, the person and the fan of the information publisher, the number of information comments, the number of information forwarding, and the number of information collections. One or any combination.
  • the offline modeling unit 00 may further include: a quality user discovery subunit 04.
  • the high-quality user discovery sub-unit 04 selects a user whose score meets the preset requirement from among the users who have a predetermined association relationship with the seed user related to the point of interest as the quality user.
  • the relationship may exist, but is not limited to: attention relationship, fan relationship, comment relationship, forwarding relationship, and the like.
  • the user's rating is determined by one or any combination of the following factors: the degree to which the user posts, forwards, or self-described information matches the point of interest in the content, the user's activity, the user's influence, and the extent to which the user's information is propagated.
  • the activity of the user may be determined by one or any combination of the frequency of the user logging in to the social media, the time of logging in to the social media, the number of posting information, the number of forwarding information, the number of commenting information, and the like; the influence of the user may be influenced by the user's fans.
  • the number, the level of the user, and the like are determined; the range of propagation of the user information may be determined by one or a combination of the user information being forwarded, commented, and the number of times of collection.
  • the online recommendation unit 10 includes an information acquisition sub-unit 11, an interest discrimination sub-unit 12, and an information recommendation sub-unit 13.
  • the information obtaining sub-unit 11 is configured to acquire information to be recommended for the social media, where the information to be recommended is mainly real-time information of the social media, and may also be, for example, notification information or promotion information.
  • the interest discriminating sub-unit 12 is configured to input the information to be recommended into the interest classification model of the target user, to determine whether the information to be recommended meets the interest of the target user, and input the real-time information into the interest classification model of the target user, and then pass the real-time information into the real-time information.
  • the feature is analyzed, and the feature is consistent with the feature used in training the interest classification model, and the final classification result is whether the real-time information meets the interest of the target user.
  • the information recommendation sub-unit 13 recommends the information to be recommended to the target user.
  • the manner of recommending the real-time information to the target user is not limited.
  • the real-time information that meets the target user's interest may be recommended to the target user by means of the client, and may also be socialized.
  • a fixed area in the user interface of the media displays real-time information recommended to the target user, or recommends real-time information to the target user by periodically sending the mail, and the like.
  • the social media involved in the embodiments of the present invention include: a blog, a light blog, a micro blog, a forum, a social networking website, and the like.
  • the units described as separate components may or may not be physically separated, and the components displayed as units may or may not be physical units, that is, may be located in one place, or may be distributed to multiple network units. Some or all of the units may be selected according to actual needs to achieve the purpose of the solution of the embodiment.
  • each functional unit in each embodiment of the present invention may be integrated into one processing unit, or each unit may exist physically separately, or two or more units may be integrated into one unit.
  • the above integrated unit can be implemented in the form of hardware or in the form of hardware plus software functional units.
  • the above-described integrated unit implemented in the form of a software functional unit can be stored in a computer readable storage medium.
  • the above software functional unit is stored in a storage medium and includes instructions for causing a computer device (which may be a personal computer, a server, or a network device, etc.) or a processor to perform the methods of the various embodiments of the present invention. Part of the steps.
  • the foregoing storage medium includes: a U disk, a mobile hard disk, and a read only memory (Read-Only) Memory, ROM, random access memory (RAM), disk or optical disc, and other media that can store program code.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种社交媒体中的信息推荐方法和装置，其中方法包括线下流程和线上流程，线下流程包括从目标用户在社交媒体的历史操作信息中确定目标用户的兴趣点；从所述兴趣点相关的优质用户在社交媒体的历史操作信息中选择与所述兴趣点相关的信息作为已标注的语料；将所述已标注的语料作为训练样本训练目标用户的兴趣分类模型。线上流程包括：获取社交媒体的待推荐信息；将所述待推荐信息输入目标用户的兴趣分类模型，以确定所述待推荐信息是否符合目标用户的兴趣；若符合目标用户的兴趣，则将所述待推荐信息推荐给目标用户。通过本发明能够提高社交媒体中信息推荐的效果。

Description

一种社交媒体中的信息推荐方法和装置
【技术领域】
本发明涉及计算机应用技术领域，特别涉及一种社交媒体中的信息推荐方法和装置。
【背景技术】
随着网络技术的不断发展，互联网上的信息总量正以每年50%的增速不断膨胀，近几年产生的数据中，有约80%的数据是个人用户产生的，特别是由社交媒体类型的网站或应用。例如每个月Facebook上分享30亿条内容，每天12TB的Twitter信息。并且，随着移动终端的普及，这种爆炸性的趋势并没有缓解的趋势，新浪微博截止到2012年12月底，注册用户已经超过5亿，日活跃用户为4629万，活跃用户中有75%用户使用移动客户端，全年活跃用户占比稳定在9-10%。
然而信息爆炸的另一面则是垃圾信息的泛滥，为了缓解信息爆炸带来的垃圾信息泛滥的问题，各类信息推荐系统应运而生，目前主要的推荐技术主要有协同过滤和谱分析等。其中协同过滤是基于内容的推荐方法，谱分析是基于扩散的推荐方法，但用于社交媒体时都存在不足，具体表现在：
由于社交媒体中信息数量过于庞大，不能对每一条信息都打上标签，而现有的推荐技术主要基于信息标签实现的推荐，并且社交媒体中信息的时效性较强，这就可能造成很多对用户有价值的信息很少被人转发、评论甚至阅读过，推荐效果较差。
【发明内容】
有鉴于此，本发明提供了一种社交媒体中的信息推荐方法和装置，以提高信息推荐的效果。
具体技术方案如下：
第一方面，本发明实施例提供了一种社交媒体中的信息推荐方法，该方法包括：
线下流程：
S11、从目标用户在社交媒体的历史操作信息中确定目标用户的兴趣点；
S12、从所述兴趣点相关的优质用户在社交媒体的历史操作信息中选择与所述兴趣点相关的信息作为已标注的语料；
S13、将所述已标注的语料作为训练样本训练目标用户的兴趣分类模型；
线上流程：
S21、获取社交媒体的待推荐信息；
S22、将所述待推荐信息输入目标用户的兴趣分类模型，以确定所述待推荐信息是否符合目标用户的兴趣；
S23、若符合目标用户的兴趣，则将所述待推荐信息推荐给目标用户。
在第一方面的第一种可能的实现方式中，所述历史操作信息包括以下信息中的至少一种：
发表的信息、收藏的信息、转发的信息、评论的信息以及标注的标签。
结合第一方面的第一种可能的实现方式，所述步骤S11包括：
利用目标用户在社交媒体中标注的标签确定用户的兴趣点；或者，
将目标用户发表的信息、收藏的信息、转发的信息和评论的信息中的至少一种分别进行分词和去除停用词的处理后，对得到的词语进行语义聚类，利用聚类结果确定目标用户的兴趣点。
在第一方面的第二种可能的实现方式中，所述兴趣点相关的优质用户的确定方法包括：
从预先确定的与所述兴趣点相关的种子用户存在关联关系的用户中选择评分满足预设要求的用户作为优质用户，所述评分由以下因素中的一种或任意组合确定：用户发表、转发或自我描述的信息在内容上与所述兴趣点的匹配程度、用户的活跃度、用户的影响力以及用户信息的传播范围。
结合第一方面或者第一方面的第二种可能的实现方式，所述步骤S12具体包括：
计算所述兴趣点对应的优质用户的历史操作信息中各信息与所述兴趣点之间的语义相似度，选择语义相似度满足预设相似度要求的信息作为所述兴趣点相关的信息。
在第一方面的第三种可能的实现方式中，在所述步骤S13中训练兴趣分类模型时，采用的特征包括信息中的关键词，或者进一步包括信息发布者、信息发布者所关注的人和粉丝、信息评论数、信息转发数、信息收藏数中的一种或任意组合。
在第一方面的第四种可能的实现方式中，所述待推荐信息为实时信息、通知信息或推广信息。
第二方面，本发明实施例提供了一种社交媒体中的信息推荐装置，该装置包括：线下建模单元和线上推荐单元；
所述线下建模单元包括：
兴趣点确定子单元，用于从目标用户在社交媒体的历史操作信息中确定目标用户的兴趣点；
语料选择子单元，用于从所述兴趣点相关的优质用户在社交媒体的历史操作信息中选择与所述兴趣点相关的信息作为已标注的语料；
模型训练子单元，用于将所述已标注的语料作为训练样本训练目标用户的兴趣分类模型；
所述线上推荐单元包括：
信息获取子单元，用于获取社交媒体的待推荐信息；
兴趣辨别子单元，用于将所述待推荐信息输入目标用户的兴趣分类模型，以确定所述待推荐信息是否符合目标用户的兴趣；
信息推荐子单元，用于若所述兴趣辨别子单元确定所述待推荐信息符合目标用户的兴趣，则将所述待推荐信息推荐给目标用户。
在第二方面的第一种可能的实现方式中，所述历史操作信息包括以下信息中的至少一种：
发表的信息、收藏的信息、转发的信息、评论的信息以及标注的标签。
结合第二方面的第一种可能的实现方式，所述兴趣点确定子单元具体执行：利用目标用户在社交媒体中标注的标签确定用户的兴趣点；或者，
将目标用户发表的信息、收藏的信息、转发的信息和评论的信息中的至少一种分别进行分词和去除停用词的处理后，对得到的词语进行语义聚类，利用聚类结果确定目标用户的兴趣点。
在第二方面的第二种可能的实现方式中，所述线下建模单元还包括：
优质用户发现子单元，用于从预先确定的与所述兴趣点相关的种子用户存在关联关系的用户中选择评分满足预设要求的用户作为优质用户，所述评分由以下因素中的一种或任意组合确定：用户发表、转发或自我描述的信息在内容上与所述兴趣点的匹配程度、用户的活跃度、用户的影响力以及用户信息的传播范围。
结合第二方面或者第二方面的第二种可能的实现方式，所述语料选择子单元具体执行：计算所述兴趣点对应的优质用户的历史操作信息中各信息与所述兴趣点之间的语义相似度，选择语义相似度满足预设相似度要求的信息作为所述兴趣点相关的信息。
在第二方面的第三种可能的实现方式中，所述模型训练子单元在训练兴趣分类模型时，采用的特征包括信息中的关键词，或者进一步包括信息发布者、信息发布者所关注的人和粉丝、信息评论数、信息转发数、信息收藏数中的一种或任意组合。
在第二方面的第四种可能的实现方式中，所述待推荐信息为实时信息、通知信息或推广信息。
由以上技术方案可以看出，本发明在建立目标用户的兴趣分类模型时，不再采用人工标注样本的方式，而是通过确定目标用户的兴趣点并挖掘优质用户的历史操作信息中与该兴趣点相关的信息作为训练样本来代替人工标注，使得样本更加丰富，并且在线上能够利用建立的兴趣分类模型对实时信息有效的推荐，提高了社交媒体中信息推荐的效果。
【附图说明】
图1是本发明实施例提供的信息推荐方法的主要流程图；
图2是本发明实施例提供的信息推荐方法的详细流程图；
图3是本发明实施例提供的系统架构图；
图4是本发明实施例提供的信息推荐装置的结构图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
在本发明中主要包括两个阶段：线下流程和线上流程。图1为本发明实施例提供的信息推荐方法的主要流程图。如图1所示，在线下流程中，主要包括以下步骤：
步骤101：从目标用户在社交媒体的历史操作信息中确定目标用户的兴趣点。
步骤102：从该兴趣点相关的优质用户在社交媒体的历史操作信息中选择与该兴趣点相关的信息作为已标注的语料。
步骤103：将已标注的语料作为训练样本训练目标用户的兴趣分类模型。
在线上流程中，主要包括以下步骤：
步骤111：获取社交媒体的待推荐信息。
步骤112：将获取的待推荐信息输入目标用户的兴趣分类模型，以确定该待推荐信息是否符合目标用户的兴趣。
步骤113：若符合目标用户的兴趣，则将该待推荐信息推荐给目标用户。
需要说明的是，上述线下流程和线上流程是两个独立的执行流程。线上流程是在线下流程所建立的兴趣分类模型基础上实现的，通常体现为实时地或者周期性的流程。线下流程用于建立以及更新（该更新过程通常也体现为上述的建立过程）兴趣分类模型，通常体现为周期性的流程。
下面通过一实施例对本发明提供的方法进行详细的描述。图2为本发明实施例提供的信息推荐方法的详细流程图，同样在该实施例所提供的方法中包括线下流程和线上流程，如图2所示，线下流程包括以下步骤：
步骤201：从社交媒体的服务器端获取目标用户的历史操作信息。
在本发明实施例中目标用户可以是在社交媒体中的指定用户，也可以是社交媒体中的所有用户，针对各目标用户分别执行线下流程建立各目标用户的兴趣分类模型。
在获取目标用户的历史操作信息时，可以通过社交媒体提供的API从社交媒体的服务器端获取。其中历史操作信息可以包括但不限于：目标用户发表的信息、目标用户收藏的信息、目标用户转发的信息、目标用户评论的信息或者目标用户标注的tag（标签）等。
步骤202：从目标用户的历史操作信息中确定用户的兴趣点。
所谓兴趣点是能体现出用户感兴趣内容的表述，可以指代一个领域、一个话题、一个事件、甚至是一个关键词，本发明实施例对兴趣点的粒度并不加以限制。本步骤中确定用户兴趣点的方式可以采用但不限于以下两种方式：
第一种方式：利用在社交媒体中目标用户标注的tag确定用户的兴趣点。通常在社交媒体中会为用户提供能够自己标注tag的功能，例如新浪微博中用户能够自己标注tag来对自己进行描述，其主要目的是为了方便其他人了解自己以及找到相似的人成为关注对象或粉丝，这些用户标注的tag通常与用户的职业、爱好等相关，很大程度上反映了用户的兴趣，因此可以直接利用目标用户的tag来确定用户的兴趣点。
例如在新浪微博中，某用户标注了“篮球”、“知识产权”、“周杰伦”，那么在确定用户的兴趣点时，可以直接将这些tag作为该用户的兴趣点，即直接将“篮球”、“知识产权”、“周杰伦”分别作为该用户的兴趣点；也可以将这些tag所属的类别作为用户的兴趣点，即将“篮球”、“法律”、“音乐”作为该用户的兴趣点，至于类别的大小则通过预设策略来确定。
第二种方式：将目标用户发表的信息、目标用户收藏的信息、目标用户转发的信息、目标用户评论的信息等分别进行分词、去除停用词的处理；然后对各词语进行语义聚类，利用聚类结果确定目标用户的兴趣点。
例如，某用户在微博中发表的信息、收藏的信息、转发的信息或评论的信息中很多出现“姚明”、“科比”、“湖人”等词语时，经过语义聚类，这些词语将会被聚为一类，该类别对应篮球类别，那么就可以确定目标用户的兴趣点为“篮球”。
步骤203：利用与目标用户的兴趣点相关的种子用户，确定社交媒体中目标用户的兴趣点对应的优质用户。
本步骤实际上是利用种子用户挖掘优质用户的过程，种子用户通常是预先设定的，例如与兴趣点“IT”相关的种子用户可以设置为“李开复”，与兴趣点“影视”相关的种子用户可以设置为“姚晨”，与兴趣点“篮球”相关的种子用户可以设置为“于嘉”等。种子用户通常是在在社交媒体中其所在行业内影响力较大的用户。
在确定某兴趣点对应的优质用户时，是从与该兴趣点相关的种子用户存在关联关系的用户中选择评分满足预设要求的用户作为优质用户。其中存在关联关系可以包括但不限于：关注关系、粉丝关系、评论关系、转发关系等。
对用户的评分由但不限于以下因素确定：用户发表、转发或自我描述的信息在内容上与兴趣点的匹配程度、用户的活跃度、用户的影响力、用户信息的传播范围等。上述匹配程度越高评分越高，用户的活跃度越高评分越高，影响力越大评分越高，用户信息的传播范围越广评分越高。其中用户的活跃度可以由用户登录社交媒体的频率、登录社交媒体的时间、发布信息数量、转发信息数量、评论信息数量等中的一种或任意组合确定；用户的影响力可以由用户的粉丝数量、用户的等级等确定；用户信息的传播范围可以由用户信息被转发、评论、收藏的次数等中的一种或组合确定。
步骤204：对目标用户的兴趣点对应的优质用户的历史操作信息中选择与该兴趣点相关的信息，将选择出的信息作为兴趣点已标注的语料。
本步骤中，可以计算某兴趣点对应的优质用户发表的信息、收藏的信息、转发的信息、评论的信息等与该兴趣点之间的语义相似度，选择出语义相似度满足预设相似度要求的信息作为与该兴趣点相关的信息，另外，还可以标注该兴趣点相关的信息的操作属性，即是发表的原始信息、评论的信息、转发的信息还是收藏的信息等。
步骤205：将已标注的语料作为训练样本训练目标用户的兴趣分类模型。
在训练兴趣分类模型时，采用的特征主要包括信息中的关键词，还可以包括但不限于：信息发布者、信息发布者所关注的人、粉丝、信息评论数、信息转发数、信息收藏数等中的一种或任意组合。分类模型的训练为已有较成熟的技术。
至此线下针对目标用户的兴趣分类模型的训练过程结束，线上的信息推荐流程包括以下步骤：
步骤211：获取社交媒体的实时信息。
本发明实施例的目的主要是实现实时信息的推荐，因此在本步骤中优选地获取社交媒体的实时信息作为待推荐信息进行推荐，当然也不排除可以用于其他类型信息的推荐，例如某些通知信息、推广信息等。
步骤212：将实时信息输入目标用户的兴趣分类模型，以确定该实时信息是否符合目标用户的兴趣。
将实时信息输入目标用户的兴趣分类模型后，通过对该实时信息中的特征进行分析，该特征与训练兴趣分类模型时所采用的特征一致，最终得到的分类结果是该实时信息是否符合目标用户的兴趣。
步骤213：若符合目标用户的兴趣，则将该实时信息推荐给目标用户。
通常在进行线上匹配时，由于兴趣分类模型是针对各用户分别建立的，因此需要将实时信息分别输入各用户的兴趣分类模型，分别判断是否符合各用户的兴趣，最终将该实时信息推荐给对该实时信息感兴趣的用户。
例如，当社交媒体中存在刚发表的一篇关于“篮球”的微博，则将该微博输入各用户的兴趣分类模型，对篮球有兴趣的用户其对应的兴趣分类模型的分类结果是该微博符合用户兴趣，然后就能够将该关于“篮球”的微博推荐给符合用户兴趣的用户。
在本发明实施例中并不限制将实时信息推荐给目标用户的方式，在此仅举几个例子，例如可以通过客户端的方式将符合目标用户兴趣的实时信息推荐给目标用户，还可以在社交媒体的用户界面中固定的区域展示推荐给目标用户的实时信息，或者通过周期发送邮件的方式向目标用户推荐实时信息，等等。
以上是对本发明实施例所提供的方法进行的详细描述，该方法由本发明实施例所提供的信息推荐装置执行，该信息推荐装置设置在社交媒体的服务器端，在线下从社交媒体的服务器端获取目标用户和优质用户的历史操作信息来建立目标用户的兴趣分类模型，在线上从社交媒体的服务器端获取待推荐信息，将待推荐信息推荐给对其感兴趣的目标用户，并通过诸如客户端或浏览器展现给目标用户，系统架构如图3中所示。
图4为本发明实施例提供的信息推荐装置的结构图，该信息推荐装置可以设置在社交媒体的服务器中，也可以设置在网络侧独立于社交媒体的服务器的设备中，如图4所示，该信息推荐装置包括线下建模单元00和线上推荐单元10，其中线下建模单元00用以完成线下流程，线上推荐单元10用以完成线上流程。
具体地，线下建模单元00包括：兴趣点确定子单元01、语料选择子单元02和模型训练子单元03。
兴趣点确定子单元01用于从目标用户在社交媒体的历史操作信息中确定目标用户的兴趣点。在本发明实施例中目标用户可以是在社交媒体中的指定用户，也可以是社交媒体中的所有用户。
在获取目标用户的历史操作信息时，可以通过社交媒体提供的API从社交媒体的服务器端获取。其中历史操作信息可以包括但不限于：目标用户发表的信息、目标用户收藏的信息、目标用户转发的信息、目标用户评论的信息或者目标用户标注的tag等。
在确定目标用户的兴趣点时，兴趣点确定子单元01可以具体采用但不限于以下两种方式：
第一种方式：利用目标用户在社交媒体中标注的标签确定用户的兴趣点。
第二种方式：将目标用户发表的信息、收藏的信息、转发的信息和评论的信息中的至少一种分别进行分词和去除停用词的处理后，对得到的词语进行语义聚类，利用聚类结果确定目标用户的兴趣点。
语料选择子单元02用于从兴趣点相关的优质用户在社交媒体的历史操作信息中选择与兴趣点相关的信息作为已标注的语料。种子用户通常是预先设定的，通常是在在社交媒体中其所在行业内影响力较大的用户。
在选择与兴趣点相关的信息时，语料选择子单元02可以具计算兴趣点对应的优质用户的历史操作信息中各信息与兴趣点之间的语义相似度，选择语义相似度满足预设相似度要求的信息作为兴趣点相关的信息。另外，还可以标注该兴趣点相关的信息的操作属性，即是发表的原始信息、评论的信息、转发的信息还是收藏的信息等。
模型训练子单元03用于将已标注的语料作为训练样本训练目标用户的兴趣分类模型。
模型训练子单元在训练兴趣分类模型时，采用的特征包括信息中的关键词，或者进一步包括信息发布者、信息发布者所关注的人和粉丝、信息评论数、信息转发数、信息收藏数中的一种或任意组合。
另外，为了实现优质用户的选择，该线下建模单元00还可以包括：优质用户发现子单元04。优质用户发现子单元04从预先确定的与兴趣点相关的种子用户存在关联关系的用户中选择评分满足预设要求的用户作为优质用户。其中存在关联关系可以包括但不限于：关注关系、粉丝关系、评论关系、转发关系等。用户的评分由以下因素中的一种或任意组合确定：用户发表、转发或自我描述的信息在内容上与兴趣点的匹配程度、用户的活跃度、用户的影响力以及用户信息的传播范围。上述匹配程度越高评分越高，用户的活跃度越高评分越高，影响力越大评分越高，用户信息的传播范围越广评分越高。其中用户的活跃度可以由用户登录社交媒体的频率、登录社交媒体的时间、发布信息数量、转发信息数量、评论信息数量等中的一种或任意组合确定；用户的影响力可以由用户的粉丝数量、用户的等级等确定；用户信息的传播范围可以由用户信息被转发、评论、收藏的次数等中的一种或组合确定。
线上推荐单元10包括：信息获取子单元11、兴趣辨别子单元12和信息推荐子单元13。
其中，信息获取子单元11用于获取社交媒体的待推荐信息，这里待推荐信息主要是社交媒体的实时信息，还可以是诸如通知信息或推广信息等。
兴趣辨别子单元12用于将待推荐信息输入目标用户的兴趣分类模型，以确定待推荐信息是否符合目标用户的兴趣，将实时信息输入目标用户的兴趣分类模型后，通过对该实时信息中的特征进行分析，该特征与训练兴趣分类模型时所采用的特征一致，最终得到的分类结果是该实时信息是否符合目标用户的兴趣。
若兴趣辨别子单元12确定待推荐信息符合目标用户的兴趣，则信息推荐子单元13将待推荐信息推荐给目标用户。在本发明实施例中并不限制将实时信息推荐给目标用户的方式，在此仅举几个例子，例如可以通过客户端的方式将符合目标用户兴趣的实时信息推荐给目标用户，还可以在社交媒体的用户界面中固定的区域展示推荐给目标用户的实时信息，或者通过周期发送邮件的方式向目标用户推荐实时信息，等等。
本发明实施例中所涉及的社交媒体包括：博客、轻博客、微博客、论坛、社交网站等。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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）或处理器（processor）执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (14)

  1. 一种社交媒体中的信息推荐方法，其中，该方法包括：
    线下流程：
    S11、从目标用户在社交媒体的历史操作信息中确定目标用户的兴趣点；
    S12、从所述兴趣点相关的优质用户在社交媒体的历史操作信息中选择与所述兴趣点相关的信息作为已标注的语料；
    S13、将所述已标注的语料作为训练样本训练目标用户的兴趣分类模型；
    线上流程：
    S21、获取社交媒体的待推荐信息；
    S22、将所述待推荐信息输入目标用户的兴趣分类模型，以确定所述待推荐信息是否符合目标用户的兴趣；
    S23、若符合目标用户的兴趣，则将所述待推荐信息推荐给目标用户。
  2. 根据权利要求1所述的方法，其中，所述历史操作信息包括以下信息中的至少一种：
    发表的信息、收藏的信息、转发的信息、评论的信息以及标注的标签。
  3. 根据权利要求2所述的方法，其中，所述步骤S11包括：
    利用目标用户在社交媒体中标注的标签确定用户的兴趣点；或者，
    将目标用户发表的信息、收藏的信息、转发的信息和评论的信息中的至少一种分别进行分词和去除停用词的处理后，对得到的词语进行语义聚类，利用聚类结果确定目标用户的兴趣点。
  4. 根据权利要求1所述的方法，其中，所述兴趣点相关的优质用户的确定方法包括：
    从预先确定的与所述兴趣点相关的种子用户存在关联关系的用户中选择评分满足预设要求的用户作为优质用户，所述评分由以下因素中的一种或任意组合确定：用户发表、转发或自我描述的信息在内容上与所述兴趣点的匹配程度、用户的活跃度、用户的影响力以及用户信息的传播范围。
  5. 根据权利要求1或4所述的方法，其中，所述步骤S12具体包括：
    计算所述兴趣点对应的优质用户的历史操作信息中各信息与所述兴趣点之间的语义相似度，选择语义相似度满足预设相似度要求的信息作为所述兴趣点相关的信息。
  6. 根据权利要求1所述的方法，其中，在所述步骤S13中训练兴趣分类模型时，采用的特征包括信息中的关键词，或者进一步包括信息发布者、信息发布者所关注的人和粉丝、信息评论数、信息转发数、信息收藏数中的一种或任意组合。
  7. 根据权利要求1所述的方法，其中，所述待推荐信息为实时信息、通知信息或推广信息。
  8. 一种社交媒体中的信息推荐装置，其中，该装置包括：线下建模单元和线上推荐单元；
    所述线下建模单元包括：
    兴趣点确定子单元，用于从目标用户在社交媒体的历史操作信息中确定目标用户的兴趣点；
    语料选择子单元，用于从所述兴趣点相关的优质用户在社交媒体的历史操作信息中选择与所述兴趣点相关的信息作为已标注的语料；
    模型训练子单元，用于将所述已标注的语料作为训练样本训练目标用户的兴趣分类模型；
    所述线上推荐单元包括：
    信息获取子单元，用于获取社交媒体的待推荐信息；
    兴趣辨别子单元，用于将所述待推荐信息输入目标用户的兴趣分类模型，以确定所述待推荐信息是否符合目标用户的兴趣；
    信息推荐子单元，用于若所述兴趣辨别子单元确定所述待推荐信息符合目标用户的兴趣，则将所述待推荐信息推荐给目标用户。
  9. 根据权利要求8所述的装置，其中，所述历史操作信息包括以下信息中的至少一种：
    发表的信息、收藏的信息、转发的信息、评论的信息以及标注的标签。
  10. 根据权利要求9所述的装置，其中，所述兴趣点确定子单元具体执行：利用目标用户在社交媒体中标注的标签确定用户的兴趣点；或者，
    将目标用户发表的信息、收藏的信息、转发的信息和评论的信息中的至少一种分别进行分词和去除停用词的处理后，对得到的词语进行语义聚类，利用聚类结果确定目标用户的兴趣点。
  11. 根据权利要求8所述的装置，其中，所述线下建模单元还包括：
    优质用户发现子单元，用于从预先确定的与所述兴趣点相关的种子用户存在关联关系的用户中选择评分满足预设要求的用户作为优质用户，所述评分由以下因素中的一种或任意组合确定：用户发表、转发或自我描述的信息在内容上与所述兴趣点的匹配程度、用户的活跃度、用户的影响力以及用户信息的传播范围。
  12. 根据权利要求8或11所述的装置，其中，所述语料选择子单元具体执行：计算所述兴趣点对应的优质用户的历史操作信息中各信息与所述兴趣点之间的语义相似度，选择语义相似度满足预设相似度要求的信息作为所述兴趣点相关的信息。
  13. 根据权利要求8所述的装置，其中，所述模型训练子单元在训练兴趣分类模型时，采用的特征包括信息中的关键词，或者进一步包括信息发布者、信息发布者所关注的人和粉丝、信息评论数、信息转发数、信息收藏数中的一种或任意组合。
  14. 根据权利要求8所述的装置，其中，所述待推荐信息为实时信息、通知信息或推广信息。
PCT/CN2014/070070 2013-07-11 2014-01-03 一种社交媒体中的信息推荐方法和装置 WO2015003480A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP14822848.9A EP3021264A1 (en) 2013-07-11 2014-01-03 Information recommendation method and apparatus in social media
US14/991,651 US10810499B2 (en) 2013-07-11 2016-01-08 Method and apparatus for recommending social media information

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201310292232.4A CN104281622B (zh) 2013-07-11 2013-07-11 一种社交媒体中的信息推荐方法和装置
CN201310292232.4 2013-07-11

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US14/991,651 Continuation US10810499B2 (en) 2013-07-11 2016-01-08 Method and apparatus for recommending social media information

Publications (1)

Publication Number Publication Date
WO2015003480A1 true WO2015003480A1 (zh) 2015-01-15

Family

ID=52256498

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2014/070070 WO2015003480A1 (zh) 2013-07-11 2014-01-03 一种社交媒体中的信息推荐方法和装置

Country Status (4)

Country Link
US (1) US10810499B2 (zh)
EP (1) EP3021264A1 (zh)
CN (1) CN104281622B (zh)
WO (1) WO2015003480A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933171A (zh) * 2015-06-30 2015-09-23 百度在线网络技术（北京）有限公司 兴趣点数据关联方法和装置
CN108829771A (zh) * 2018-05-29 2018-11-16 广州虎牙信息科技有限公司 主播推荐方法、装置、计算机存储介质及服务器
EP3457300A4 (en) * 2016-05-12 2019-05-22 Alibaba Group Holding Limited METHOD FOR DETERMINING THE USER BEHAVIOR AND METHOD AND DEVICE FOR PRESENTING RECOMMENDATION INFORMATION
CN110035302A (zh) * 2018-01-11 2019-07-19 阿里巴巴集团控股有限公司 信息推荐及模型训练方法和装置、计算设备、存储介质
CN113590968A (zh) * 2021-08-10 2021-11-02 平安普惠企业管理有限公司 资源推荐方法、装置、计算机设备及存储介质
CN117217808A (zh) * 2023-07-21 2023-12-12 广州有机云计算有限责任公司 一种智能的活动邀请裂变能力分析预测方法

Families Citing this family (58)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10028116B2 (en) * 2015-02-10 2018-07-17 Microsoft Technology Licensing, Llc De-siloing applications for personalization and task completion services
CN104809169A (zh) * 2015-04-03 2015-07-29 北京奇虎科技有限公司 一种基于关系的数据处理方法和系统
CN106294515B (zh) * 2015-06-11 2020-08-21 腾讯科技（深圳）有限公司 推广信息处理方法和装置
CN105183908B (zh) * 2015-09-30 2019-05-28 北京奇虎科技有限公司 一种兴趣点poi数据的分类方法和装置
CN105630946B (zh) * 2015-12-23 2019-03-19 百度在线网络技术（北京）有限公司 一种基于大数据的领域交叉推荐方法及装置
CN105868254A (zh) * 2015-12-25 2016-08-17 乐视网信息技术（北京）股份有限公司 信息推荐方法及装置
CN106528584B (zh) * 2016-02-15 2019-10-29 中山大学 一种基于组合学习的群组推荐方法
CN105808641A (zh) 2016-02-24 2016-07-27 百度在线网络技术（北京）有限公司 线下资源的挖掘方法和装置
CN105809558A (zh) * 2016-03-15 2016-07-27 平安科技（深圳）有限公司 基于社交网络的推荐方法和装置
CN107291684B (zh) * 2016-04-12 2021-02-09 华为技术有限公司 语言文本的分词方法和系统
CN105915438B (zh) * 2016-04-15 2019-02-19 北京奇虎科技有限公司 消息推送方法、装置及系统
CN105871700A (zh) * 2016-05-31 2016-08-17 腾讯科技（深圳）有限公司 一种消息传播方法及服务器
CN106202252A (zh) * 2016-06-29 2016-12-07 厦门趣处网络科技有限公司 一种基于用户情绪分析的出行推荐方法、系统
CN106326440B (zh) * 2016-08-26 2019-11-29 北京光年无限科技有限公司 一种面向智能机器人的人机交互方法及装置
US20180060743A1 (en) * 2016-08-31 2018-03-01 Google Inc. Electronic Book Reader with Supplemental Marginal Display
CN108280670B (zh) * 2017-01-06 2022-06-21 腾讯科技（深圳）有限公司 种子人群扩散方法、装置以及信息投放系统
CN108446281B (zh) 2017-02-13 2021-03-12 北京嘀嘀无限科技发展有限公司 确定用户亲密度的方法、装置及存储介质
US10298706B2 (en) 2017-02-20 2019-05-21 At&T Intellectual Property I, L.P. Social media and location-based informed entertainment recommendations
CN106952129A (zh) * 2017-02-23 2017-07-14 广东小天才科技有限公司 一种应用商店的应用推荐方法及装置
WO2018223271A1 (en) * 2017-06-05 2018-12-13 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for providing recommendations based on seeded supervised learning
CN109145280B (zh) * 2017-06-15 2023-05-12 北京京东尚科信息技术有限公司 信息推送的方法和装置
CN107451196A (zh) * 2017-07-03 2017-12-08 李洪海 信息推荐方法、装置、设备及系统
CN108304440B (zh) * 2017-11-01 2021-08-31 腾讯科技（深圳）有限公司 游戏推送的方法、装置、计算机设备及存储介质
CN109756541A (zh) * 2017-11-07 2019-05-14 北京嘀嘀无限科技发展有限公司 信息推送方法、装置、服务器和计算机可读存储介质
CN109189880A (zh) * 2017-12-26 2019-01-11 爱品克科技（武汉）股份有限公司 一种基于短文本的用户兴趣分类方法
CN108062573A (zh) * 2017-12-29 2018-05-22 广东欧珀移动通信有限公司 模型训练方法及装置
CN108268617B (zh) * 2018-01-05 2021-10-29 创新先进技术有限公司 用户意图确定方法及装置
CN108416006B (zh) * 2018-02-28 2019-10-08 百度在线网络技术（北京）有限公司 离线信息推荐方法、装置、客户端、服务器及存储介质
CN110390415A (zh) * 2018-04-18 2019-10-29 北京嘀嘀无限科技发展有限公司 一种基于用户出行大数据进行出行方式推荐的方法及系统
CN110209920A (zh) * 2018-05-02 2019-09-06 腾讯科技（深圳）有限公司 媒体资源的处理方法和装置、存储介质及电子装置
CN108829766B (zh) * 2018-05-29 2021-09-21 苏州大学 一种兴趣点推荐方法、系统、设备及计算机可读存储介质
CN108737256A (zh) * 2018-06-13 2018-11-02 佛山市澄澜点寸科技有限公司 一种用于接收分享消息的处理方法及处理装置
CN110633408B (zh) * 2018-06-20 2024-03-15 北京正和岛信息科技有限公司 智能商业资讯的推荐方法和系统
CN109189899A (zh) * 2018-08-01 2019-01-11 优视科技新加坡有限公司 内容兴趣采集及内容数据推荐方法、装置、设备/终端/服务器及存储介质
CN109102371A (zh) * 2018-08-22 2018-12-28 平安科技（深圳）有限公司 商品推荐方法、装置、计算机设备及存储介质
CN109446432A (zh) * 2018-12-17 2019-03-08 微梦创科网络科技（中国）有限公司 一种信息推荐方法及装置
CN109885770B (zh) * 2019-02-20 2022-01-07 杭州威佩网络科技有限公司 一种信息推荐方法、装置、电子设备及存储介质
CN109977215B (zh) 2019-03-29 2021-06-18 百度在线网络技术（北京）有限公司 基于关联兴趣点的语句推荐方法和装置
CN113950678A (zh) * 2019-07-26 2022-01-18 深圳市欢太科技有限公司 应用推送方法及相关装置
CN110489506A (zh) * 2019-08-08 2019-11-22 武汉东湖大数据交易中心股份有限公司 一种基于社交媒体数据进行城市兴趣域识别的方法
CN112417260B (zh) * 2019-08-20 2023-08-18 腾讯科技（深圳）有限公司 本地化推荐方法、装置及存储介质
CN112784142A (zh) * 2019-10-24 2021-05-11 北京搜狗科技发展有限公司 一种信息推荐方法及装置
US11250337B2 (en) * 2019-11-04 2022-02-15 Kpn Innovations Llc Systems and methods for classifying media according to user negative propensities
CN111144974B (zh) * 2019-12-04 2022-03-08 北京三快在线科技有限公司 一种信息展示方法及装置
CN111310048B (zh) * 2020-02-25 2023-06-20 西安电子科技大学 基于多层感知机的新闻推荐方法
CN111368131B (zh) * 2020-03-06 2023-08-18 咪咕音乐有限公司 用户关系识别方法、装置、电子设备及存储介质
CN111090756B (zh) * 2020-03-24 2020-07-17 腾讯科技（深圳）有限公司 基于人工智能的多目标推荐模型的训练方法及装置
CN113449177A (zh) * 2020-03-27 2021-09-28 北京达佳互联信息技术有限公司 信息推荐方法、装置、电子设备及存储介质
CN111914188A (zh) * 2020-08-19 2020-11-10 英华达（上海）科技有限公司 推荐目标用户的选择方法、系统、设备及存储介质
CN112085114A (zh) * 2020-09-14 2020-12-15 杭州中奥科技有限公司 线上线下身份匹配方法、装置、设备及存储介质
CN115336281A (zh) * 2020-09-29 2022-11-11 多玩国株式会社 动画发布装置、动画发布方法以及记录介质
CN112231563B (zh) * 2020-10-15 2023-10-13 腾讯科技（深圳）有限公司 一种内容推荐方法、装置及存储介质
CN112559901B (zh) * 2020-12-11 2022-02-08 百度在线网络技术（北京）有限公司 资源推荐的方法、装置、电子设备、存储介质及计算机程序产品
CN113407040A (zh) * 2021-05-13 2021-09-17 北京搜狗科技发展有限公司 一种信息处理方法、装置和介质
CN113407861B (zh) * 2021-05-19 2022-07-15 中国科学技术大学 基于去中心化图神经网络的社交推荐方法
CN113254843B (zh) * 2021-06-29 2021-10-01 腾讯科技（深圳）有限公司 一种信息推送方法、装置和存储介质
CN113704510B (zh) * 2021-07-30 2024-02-06 北京达佳互联信息技术有限公司 一种媒体内容推荐方法、装置、电子设备及存储介质
CN117609282B (zh) * 2024-01-23 2024-03-22 中航信移动科技有限公司 字段标准化处理方法、介质和设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101694652A (zh) * 2009-09-30 2010-04-14 西安交通大学 一种基于极速神经网络的网络资源个性化推荐方法
CN101826114A (zh) * 2010-05-26 2010-09-08 南京大学 一种基于多马尔可夫链的内容推荐方法
US20120054666A1 (en) * 2010-08-31 2012-03-01 Baird-Smith Anselm P Networked system with supporting media access and social networking
EP2549423A1 (en) * 2011-07-22 2013-01-23 Axel Springer Digital TV Guide GmbH Automatic determination of the relevance of recommendations in a social network

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6845374B1 (en) * 2000-11-27 2005-01-18 Mailfrontier, Inc System and method for adaptive text recommendation
CN100412870C (zh) * 2006-07-17 2008-08-20 北京航空航天大学 采用元推荐引擎的门户个性化推荐服务方法和系统
US8930376B2 (en) * 2008-02-15 2015-01-06 Yahoo! Inc. Search result abstract quality using community metadata
CN101583169B (zh) 2008-05-12 2011-07-27 中国移动通信集团上海有限公司 为终端设备选择小区接入的方法及设备
US20100169160A1 (en) * 2008-12-30 2010-07-01 Ebay Inc. Gift recommendation method and system
CN101873566B (zh) 2009-04-24 2014-04-09 中兴通讯股份有限公司 一种既定线路沿线用户终端的移动性管理方法及系统
CN101986748B (zh) 2009-07-29 2015-05-20 中兴通讯股份有限公司 一种测量结果上报及小区切换的方法及系统
CN101819572A (zh) * 2009-09-15 2010-09-01 电子科技大学 一种用户兴趣模型的建立方法
US8780729B2 (en) 2010-05-03 2014-07-15 Nokia Corporation Monitoring pattern separation between component carriers based on user equipment RF layout
CN102479202A (zh) * 2010-11-26 2012-05-30 卓望数码技术（深圳）有限公司 一种基于领域专家的推荐系统
CN102647766B (zh) 2011-02-21 2014-07-16 鼎桥通信技术有限公司 高铁通信网络中用户迁移的方法及装置
US8744450B2 (en) 2011-04-04 2014-06-03 Kyocera Corporation Mobile communication method
CN102300279B (zh) 2011-08-03 2014-03-12 北京交通大学 高速移动环境下基于载波聚合的切换方法
CN102938917B (zh) 2011-08-15 2015-06-03 鼎桥通信技术有限公司 非高铁用户切换方法和无线网络控制器
US20130054407A1 (en) 2011-08-30 2013-02-28 Google Inc. System and Method for Recommending Items to Users Based on Social Graph Information
CN102413520B (zh) 2011-09-29 2015-03-04 中国科学院计算技术研究所 面向高速铁路的lte通信系统中的切换方法及系统
US9414276B2 (en) 2011-12-31 2016-08-09 Telefonaktiebolaget L M Ericsson (Publ) Mobility management method and apparatus in high speed railway
CN102831199B (zh) * 2012-08-07 2015-07-08 北京奇虎科技有限公司 建立兴趣模型的方法及装置
CN103167569B (zh) 2013-03-01 2016-06-08 北京邮电大学 一种基于接力切换的td-lte通信系统的快速切换方法
CN103702329A (zh) 2013-11-15 2014-04-02 北京创毅讯联科技股份有限公司 一种通信终端身份验证的方法、一种通信终端和一种基站
CN103813403B (zh) 2013-11-25 2017-04-19 北京交通大学 基于广播的lte‑r同步操控通信系统及切换方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101694652A (zh) * 2009-09-30 2010-04-14 西安交通大学 一种基于极速神经网络的网络资源个性化推荐方法
CN101826114A (zh) * 2010-05-26 2010-09-08 南京大学 一种基于多马尔可夫链的内容推荐方法
US20120054666A1 (en) * 2010-08-31 2012-03-01 Baird-Smith Anselm P Networked system with supporting media access and social networking
EP2549423A1 (en) * 2011-07-22 2013-01-23 Axel Springer Digital TV Guide GmbH Automatic determination of the relevance of recommendations in a social network

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933171A (zh) * 2015-06-30 2015-09-23 百度在线网络技术（北京）有限公司 兴趣点数据关联方法和装置
EP3457300A4 (en) * 2016-05-12 2019-05-22 Alibaba Group Holding Limited METHOD FOR DETERMINING THE USER BEHAVIOR AND METHOD AND DEVICE FOR PRESENTING RECOMMENDATION INFORMATION
US11086882B2 (en) 2016-05-12 2021-08-10 Advanced New Technologies Co., Ltd. Method for determining user behavior preference, and method and device for presenting recommendation information
US11281675B2 (en) 2016-05-12 2022-03-22 Advanced New Technologies Co., Ltd. Method for determining user behavior preference, and method and device for presenting recommendation information
CN110035302A (zh) * 2018-01-11 2019-07-19 阿里巴巴集团控股有限公司 信息推荐及模型训练方法和装置、计算设备、存储介质
CN110035302B (zh) * 2018-01-11 2021-06-15 斑马智行网络(香港)有限公司 信息推荐及模型训练方法和装置、计算设备、存储介质
CN108829771A (zh) * 2018-05-29 2018-11-16 广州虎牙信息科技有限公司 主播推荐方法、装置、计算机存储介质及服务器
CN113590968A (zh) * 2021-08-10 2021-11-02 平安普惠企业管理有限公司 资源推荐方法、装置、计算机设备及存储介质
CN117217808A (zh) * 2023-07-21 2023-12-12 广州有机云计算有限责任公司 一种智能的活动邀请裂变能力分析预测方法
CN117217808B (zh) * 2023-07-21 2024-04-05 广州有机云计算有限责任公司 一种智能的活动邀请裂变能力分析预测方法

Also Published As

Publication number Publication date
EP3021264A4 (en) 2016-05-18
CN104281622A (zh) 2015-01-14
US10810499B2 (en) 2020-10-20
CN104281622B (zh) 2017-12-05
US20160117595A1 (en) 2016-04-28
EP3021264A1 (en) 2016-05-18

Similar Documents

Publication Publication Date Title
WO2015003480A1 (zh) 一种社交媒体中的信息推荐方法和装置
US11122009B2 (en) Systems and methods for identifying geographic locations of social media content collected over social networks
US9990368B2 (en) System and method for automatic generation of information-rich content from multiple microblogs, each microblog containing only sparse information
JP6420507B2 (ja) 動的に割り当てられた仮想電話番号を介して音声呼に関連するデータを同期するためのシステムおよび方法
US20130304818A1 (en) Systems and methods for discovery of related terms for social media content collection over social networks
US20130297581A1 (en) Systems and methods for customized filtering and analysis of social media content collected over social networks
US9614807B2 (en) System and method for analyzing messages in a network or across networks
US20130297694A1 (en) Systems and methods for interactive presentation and analysis of social media content collection over social networks
US20170091839A1 (en) Product recommendation using sentiment and semantic analysis
WO2018113241A1 (zh) 页面展示方法、装置、服务器和存储介质
US9483462B2 (en) Generating training data for disambiguation
WO2016000555A1 (zh) 基于社交网络的内容、新闻推荐方法和系统
US20120198056A1 (en) Techniques for Analyzing Website Content
US10529031B2 (en) Method and systems of implementing a ranked health-content article feed
US20190182195A1 (en) Event-Based Scoring of Communication Messages
WO2021179481A1 (zh) 数据内容个性化推送冷启动方法、装置、设备和存储介质
US11640420B2 (en) System and method for automatic summarization of content with event based analysis
EP1209599A2 (en) Group forming system, group forming apparatus, group forming method, program, and medium
WO2021237196A1 (en) Generation and delivery of content curated for a client
TWI575391B (zh) 社群資料篩選系統、方法及其非揮發性電腦可讀取紀錄媒體
KR102097912B1 (ko) 개인화 추천 컨텐츠를 제공하는 방법
US20230090601A1 (en) System and method for polarity analysis
WO2013097622A1 (zh) 在移动搜索系统中展示移动媒介信息的方法、装置以及机器可读介质
TWM617933U (zh) 新聞及公眾意見分析系統
CN113934910A (zh) 一种自动优化、更新的主题库构建方法，及热点事件实时更新方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14822848

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2014822848

Country of ref document: EP