WO2017121259A1 - 信息推荐方法、装置及服务器 - Google Patents

信息推荐方法、装置及服务器 Download PDF

Info

Publication number
WO2017121259A1
WO2017121259A1 PCT/CN2016/113895 CN2016113895W WO2017121259A1 WO 2017121259 A1 WO2017121259 A1 WO 2017121259A1 CN 2016113895 W CN2016113895 W CN 2016113895W WO 2017121259 A1 WO2017121259 A1 WO 2017121259A1
Authority
WO
WIPO (PCT)
Prior art keywords
target
information
friend
degree
influence
Prior art date
Application number
PCT/CN2016/113895
Other languages
English (en)
French (fr)
Inventor
刘大鹏
曹孝卿
Original Assignee
腾讯科技（深圳）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 腾讯科技（深圳）有限公司 filed Critical 腾讯科技（深圳）有限公司
Priority to KR1020177032473A priority Critical patent/KR20170136593A/ko
Priority to JP2017559541A priority patent/JP6494801B2/ja
Priority to EP16884810.9A priority patent/EP3404556B1/en
Publication of WO2017121259A1 publication Critical patent/WO2017121259A1/zh
Priority to US15/791,259 priority patent/US20180046724A1/en

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services

Definitions

  • FIG. 2 is a flowchart of a method for determining an interaction weight and a setting constant according to an embodiment of the present invention
  • FIG. 12 is a block diagram showing the hardware structure of still another information recommendation apparatus according to an embodiment of the present invention.
  • the interaction data and the pre-analysis are performed for each target user.
  • the function relationship is determined to determine the influence of the target friend on the target user interaction target recommendation information.
  • the number of interactions between the user and the recommended information that the user has interacted with should be the interaction between the user and the user after interacting with the recommendation information on the basis of the recommendation information.
  • the number of times; if the user's interactive recommendation information has not been interacted with by the user's friend before, the user's interaction with the recommendation information that was not previously interacted by the user's friend should not be counted as the number of interactions of the user's recommended information that the user's friend has interacted with.
  • step S220 the ratio of the number of interactions of the user's recommended information that the user has interacted with, and the number of interactions of the user's friends with the plurality of pieces of recommendation information, is determined as the influence of the user's friend on the user's interactive recommendation information. Like .
  • step S230 For the specific execution of step S230, reference may be made to the step S110 shown in FIG.
  • the interaction number n ij of the target user i to the history sharing information that has been posted by the target friend j may be a combination of the setting type interactions performed by the target user i on the historical sharing information that the target friend j has posted. After the number of interactions, the total number of interactions obtained; the corresponding w can be a comprehensive interaction weight. Corresponding to the calculation shown in FIG. 2, the history of the number of interactions can be integrated like n number of interactions.
  • the embodiment of the present invention can define each set of history sharing information that the target user has posted to the target friend.
  • the interaction type is used as a feature vector for the interaction of a set type interaction performed by the target user on the historical share information published by the target friend, and a set type interaction corresponds to a set interaction type, and each feature vector is set.
  • a feature vector set is obtained, and the feature vector set is used as interaction data of the history share information that the target user has posted to the target friend.
  • FIG. 3 is another flowchart of the information recommendation method provided by the embodiment of the present invention.
  • the method may be applied to a server or the like. Referring to FIG. 3, the method may include steps S300 to S350.
  • the determination may be consistent with the pre-determination.
  • Set conditions to push the target recommendation information to the target user it may be determined whether the possibility is greater than a set possibility, so that when the probability is greater than the set possibility, the determination may be consistent with the pre-determination.
  • the impact determination module 300 is configured to use the determined target user to publish the calendar of the target friend.
  • the interactive data of the history sharing information determines the influence degree of each target friend on the target user interaction target recommendation information;
  • the information recommendation apparatus provided by the embodiment of the invention improves the accuracy of the determined possibility of the user interaction recommendation information, so that the effectiveness of the recommendation information push is improved.
  • the embodiment of the invention further provides a server, which may include the information recommendation device described above.
  • the steps of a method or algorithm described in connection with the embodiments disclosed herein can be implemented directly in hardware, a software module executed by a processor, or a combination of both.
  • the software module can be placed in random access memory (RAM), memory, read only memory (ROM), electrically programmable ROM, electrically erasable programmable ROM, registers, hard disk, removable disk, CD-ROM, or technical field. Any other form of storage medium known.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

一种信息推荐方法、装置及服务器，所述方法包括：确定目标用户的好友中已对目标推荐信息进行互动的目标好友（S100）；确定目标用户对目标好友已发布的历史分享信息的互动数据（S110）；根据所确定的目标用户对各目标好友已发布的历史分享信息的互动数据，确定目标好友对目标用户与目标推荐信息互动的影响度（S120）；根据目标好友对目标用户与目标推荐信息互动的影响度，确定目标影响度（S130）；根据目标影响度确定目标用户与目标推荐信息互动的可能度（S140）；如果可能度符合预设条件，将目标推荐信息推送给目标用户（S150）。所述方法、装置及服务器提升了所确定的用户互动推荐信息的可能性的准确度，提升了推荐信息推送的有效性。

Description

信息推荐方法、装置及服务器
本申请要求于2016年1月12日提交中国专利局、申请号为201610019783.7发明名称为“一种信息推荐方法、装置及服务器”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本发明涉及信息处理技术领域，具体涉及一种信息推荐方法、装置及服务器。
背景技术
随着社交应用的发展，通过社交应用为用户推送广告、天气等推荐信息，成为了信息服务提供商向用户推荐信息的一种新途径；与社交应用的好友之间分享信息类似，用户可对通过社交应用推送的广告、天气等推荐信息进行评论、点赞等互动。为实现推荐信息的有效推送，预估推荐信息在推送给用户后，用户对推荐信息进行评论、点赞等互动的可能性显得尤为必要，用户对推荐信息进行互动的可能性越高，则推荐信息推送后的互动效果越好。
目前在进行推荐信息的推送时，主要是通过用户与推荐信息之间的关联度，衡量用户对推荐信息的感兴趣程度，用户对推荐信息的感兴趣程度越高，则用户对推荐信息进行互动的可能性越高，从而基于用户对推荐信息的感兴趣程度，判断是否将推荐信息推送给用户。
发明内容
有鉴于此，本发明实施例提供一种信息推荐方法、装置及服务器。
为实现上述目的，本发明实施例提供如下技术方案：
一种信息推荐方法，包括：
确定目标用户的好友中已对目标推荐信息进行互动的目标好友；
确定所述目标用户对所述目标好友已发布的历史分享信息的互动数据；
根据所述目标用户对所述目标好友已发布的历史分享信息的互动数据，确 定所述目标好友对所述目标用户与所述目标推荐信息互动的影响度；
根据所述目标好友对所述目标用户与所述目标推荐信息互动的影响度，确定目标影响度；
根据所述目标影响度确定所述目标用户与所述目标推荐信息互动的可能度；
如果所述可能度符合预设条件，将所述目标推荐信息推送给所述目标用户。
本发明实施例还提供一种信息推荐装置，包括：一个或多个处理器和存储有操作指令的存储介质，当运行所述存储介质中的操作指令时，所述处理器执行如下步骤：
确定目标用户的好友中已对目标推荐信息进行互动的目标好友；
确定所述目标用户对所述目标好友已发布的历史分享信息的互动数据；
根据所述目标用户对所述目标好友已发布的历史分享信息的互动数据，确定所述目标好友对所述目标用户与所述目标推荐信息互动的影响度；
根据所述目标好友对所述目标用户与所述目标推荐信息互动的影响度，确定目标影响度；
根据所述目标影响度确定所述目标用户与所述目标推荐信息互动的可能度；以及
如果所述可能度符合预设条件，将所述目标推荐信息推送给所述目标用户。
本发明实施例还提供一种服务器，包括上述所述的信息推荐装置。
基于上述技术方案，本发明实施例基于用户对好友已发布的分享信息的互动规律，与好友对用户互动推荐信息的影响相关这一发现，可对目标用户的好友中已对目标推荐信息进行互动的目标好友，确定目标用户对目标好友已发布的历史分享信息的互动数据；从而确定出相关的目标好友对目标用户互动目标推荐信息的影响度，进而整合各目标好友对目标用户互动目标推荐信息的影响度，确定出已对目标推荐信息进行互动的好友对目标用户互动目标推荐信息的目标影响度；基于该目标影响度确定所述目标用户互动所述目标推荐信息的可能度，实现目标推荐信息的推送。由于本发明实施例在确定目标用户互动目标 推荐信息的可能度时，结合了好友对目标用户互动目标推荐信息的影响度，提升了所确定的用户互动推荐信息的可能性的准确度，使得推荐信息推送的有效性得以提升。
附图说明
图1为本发明实施例提供的一种信息推荐方法的流程图；
图2为本发明实施例提供的互动权重和设定常数的确定方法流程图；
图3为本发明实施例提供的另一种信息推荐方法的流程图；
图4为本发明实施例提供的再一种信息推荐方法的流程图；
图5为朋友圈关系示意图；
图6为本发明实施例提供的一种信息推荐装置的结构框图；
图7为本发明实施例提供的影响度确定模块的结构框图；
图8为本发明实施例提供的线性计算单元的结构框图；
图9为本发明实施例提供的另一种信息推荐装置的结构框图；
图10为本发明实施例提供的目标影响度确定模块的结构框图；
图11为本发明实施例提供的目标影响度确定模块的另一结构框图；以及
图12为本发明实施例提供的再一种信息推荐装置的硬件结构框图。
具体实施方式
当用户的好友与推荐信息发生互动后，将提升用户与该推荐信息发生互动的可能性，如该用户的好友与该推荐信息发生了某一类型的互动(如评论、点赞等互动类型中的某一类型)，则将提升用户与该推荐信息发生相同的互动的可能性。
基于此，本发明实施例提供的信息推荐方法，将结合目标用户的好友与推荐信息发生互动后，所影响的目标用户与推荐信息的互动规律，来实现推荐信息的推送，从而提升所确定的用户互动推荐信息的可能性的准确度，提升推荐信息推送的有效性。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的信息推荐方法的流程图，该方法可应用于服务器，该服务器可以收集社交应用的用户行为数据，对该数据进行分析处理，并进行推荐信息的推送。
参照图1，本发明实施例提供的信息推荐方法可以包括步骤S100至步骤S150。
在步骤S100中，确定目标用户的好友中已对目标推荐信息进行互动的目标好友。
目标推荐信息为待推荐给目标用户的推荐信息；在本发明实施例中，目标推荐信息已推送给目标用户的至少一个好友，但并未推送给目标用户，并且该至少一个好友中存在有已与目标推荐信息发生互动(如评论、点赞等)的目标好友。
在步骤S110中，确定目标用户对目标好友已发布的历史分享信息的互动数据。
社交应用提供有在好友间分享信息的功能，用户可通过社交应用将文章、音乐等信息分享给其好友，并且好友可对用户分享的信息进行评论、转发、点赞等互动，同理，用户也可对其好友分享的信息进行互动。
在本发明实施例中，对于目标好友，本发明实施例可分析设定时间段内，目标用户对目标好友已发布的历史分享信息的互动情况，得到互动数据。
在本发明实施例中，对于各确定的目标好友，可分析设定时间段内，目标用户对目标好友已发布的历史分享信息所进行的各设定类型互动的互动次数；设定类型互动如点赞、评论等用户可对分享信息进行的互动操作，具体设定类型的设定可视实际使用需求调整；从而本发明实施例可以一个设定类型互动的互动次数作为一个特征向量，并集合各特征向量得到特征向量集合，以该特征向量集合作为目标用户对目标好友已发布的历史分享信息的互动数据。
在本发明是实施例中，对于各确定的目标好友，可分析设定时间段内，目标用户对目标好友已发布的历史分享信息所进行的各设定类型互动的互动次数，从而综合各设定类型互动的互动次数，得到综合互动次数，以该综合互动 次数作为目标用户对目标好友已发布的历史分享信息的互动数据。
在步骤S120中，根据目标用户对目标好友已发布的历史分享信息的互动数据，确定目标好友对目标用户互动目标推荐信息的影响度。
基于用户好友与推荐信息发生互动后，将提升用户与该推荐信息发生互动的可能性这一发现，本发明实施例可将用户好友与推荐信息发生互动后，所影响的用户与推荐信息的互动规律，量化为目标好友对目标用户互动目标推荐信息的影响度；将用户对好友所发布的分享信息的互动规律，量化为目标用户对目标好友已发布的历史分享信息的互动数据。
从而基于预先分析出的好友对用户互动目标推荐信息的影响度，与用户对好友已发布的历史分享信息的互动数据间的函数关系，针对各目标用户，通过所述互动数据及所述预先分析出的函数关系，确定目标好友对目标用户互动目标推荐信息的影响度。
在本发明实施例中，通过分析历史行为数据，发现目标用户对好友所发布的分享信息的互动规律，与目标用户的好友对推荐信息进行互动后，所影响的目标用户与推荐信息的互动规律具有极高的相似性，两者呈线性关系；即目标用户的好友与推荐信息发生互动后，所影响的目标用户与推荐信息的互动规律，与目标用户对好友所发布的分享信息的互动规律间呈线性关系；因此对于各目标好友，在得到目标用户对目标好友已发布的历史分享信息的互动数据后，本发明实施例可基于所述线性关系，计算出目标好友对目标用户互动目标推荐信息的影响度。
用户好友与推荐信息发生互动后，所影响的用户与推荐信息的互动规律，与用户对好友所发布的分享信息的互动规律间呈线性关系，仅是上述所指函数关系的一种可选形式；根据实际情况，该关系还可能是除线性关系外的其他函数关系。
在步骤S130中，根据目标好友对目标用户互动目标推荐信息的影响度，确定目标影响度。
目标影响度为至少一个目标好友，对目标用户互动目标推荐信息的整体影响度。
在本发明实施例中，可将各目标好友对目标用户互动目标推荐信息的影响 度作加和处理，确定出目标影响度。
由于各目标好友与目标推荐信息发生互动的时间是不一样的，存在互动时间的先后顺序的区别，而目标好友与目标推荐信息不同先后顺序的互动时间，对目标用户互动目标推荐信息的影响度也是不一样的；因此对于互动时间较旧的影响度，本发明实施例可结合时间衰减因子，调整互动时间发生较旧的影响度，使得各目标好友对目标用户互动目标推荐信息的影响度与相应的互动时间匹配，提升将各目标好友对目标用户互动目标推荐信息的影响度作加和处理后，所确定的目标影响度的准确度。
在步骤S140中，根据目标影响度确定目标用户与目标推荐信息互动的可能度。
在本发明实施例中，目标影响度可与确定出的目标用户对目标推荐信息的感兴趣程度相结合，从而确定目标用户与目标推荐信息互动的可能度；本发明实施例并不排除单独将目标影响度作为目标用户互动所述目标推荐信息的可能度的情况。
在步骤S150中，如果可能度符合预设条件，将目标推荐信息推送给目标用户。
在本发明实施例中，预设条件可视实际使用需求调整。
可以看出，本发明实施例基于用户对好友已发布的分享信息的互动规律，与好友对用户互动推荐信息的影响相关这一发现，可对目标用户的好友中已对目标推荐信息进行互动的目标好友，确定目标用户对目标好友已发布的历史分享信息的互动数据；从而确定出相关的目标好友对目标用户互动目标推荐信息的影响度，进而整合各目标好友对目标用户互动目标推荐信息的影响度，确定出已对目标推荐信息进行互动的好友对目标用户互动目标推荐信息的目标影响度；基于该目标影响度确定所述目标用户互动所述目标推荐信息的可能度，实现目标推荐信息的推送。由于本发明实施例在确定目标用户互动目标推荐信息的可能度时，结合了好友对目标用户互动目标推荐信息的影响度，提升了用户互动推荐信息的可能性的准确度，使得推荐信息推送的有效性得以提升。
在本发明实施例中，目标用户对目标好友已发布的历史分享信息的互动数据，与目标好友对目标用户互动目标推荐信息的影响度呈线性关系；因此，本 发明实施例可根据目标用户对各目标好友已发布的历史分享信息的互动数据和所述线性关系，确定各目标好友对目标用户互动目标推荐信息的影响度。
线性关系主要是一元线性回归方程的表达，本发明实施例可将目标用户对目标好友已发布的历史分享信息的互动数据，和目标好友对目标用户互动目标推荐信息的影响度作为一元线性回归方程的变量，通过一元线性回归方程设定的系数和常数，求解方程，得出与互动数据相应的影响度。
本发明实施例可根据如下公式计算各目标好友对目标用户互动目标推荐信息的影响度：
根据公式cij＝w·nij+b，确定一目标好友对目标用户互动目标推荐信息的影响度；
设定目标好友为j，目标用户为i，则公式中，cij为目标好友j对目标用户i互动推荐信息的影响度，nij为目标用户i对目标好友j已发布的历史分享信息的互动次数，w为设定的互动权重，b为设定常数。
为求解上述公式，本发明实施例需确定出设定互动权重w和设定常数b，从而在确定出目标用户对目标好友已发布的历史分享信息的互动数据nij后，可得出相应的cij。
相应的，图2示出了互动权重w和设定常数b的确定方法流程，参照图2，该方法可以包括步骤S200至步骤S240。
在步骤S200中，将多条推荐信息推送给用户及用户好友。
步骤S200中的用户及用户好友可以是为确定w和b所抽样的用户，及抽样的用户对应的好友。
在步骤S210中，统计用户好友对多条推荐信息的互动次数，及用户对用户好友已互动的推荐信息的互动次数。
例如：推送给用户及用户好友的推荐信息有10条，用户好友对10条推荐信息均进行了互动，而用户在用户好友与该10条发生互动后，仅与其中的3条发生互动，则可认为用户好友对所述多条推荐信息的互动次数为10，用户对用户好友已互动的推荐信息的互动次数为3。
用户对用户好友已互动的推荐信息的互动次数，应是用户好友互动某一推荐信息后，用户在此基础上又互动了该推荐信息时，用户对该推荐信息的互动 次数；如果用户所互动的推荐信息之前未被用户好友互动，则用户对之前未被用户好友互动的推荐信息所进行的互动，不应算作用户对用户好友已互动的推荐信息的互动次数。
在步骤S220中，将用户对用户好友已互动的推荐信息的互动次数，与用户好友对所述多条推荐信息的互动次数的比值，确定为用户好友对用户互动推荐信息的影响度样值c样。
例如，用户好友对所述多条推荐信息的互动次数为10，用户对用户好友已互动的推荐信息的互动次数为3，则认为用户好友对用户互动推荐信息的影响度样值c样为3/10。
在本发明实施例中，用户好友的数量可能有多个，可对于各用户好友，均确定用户好友对所述多条推荐信息的互动次数，及用户对用户好友已互动的推荐信息的互动次数，从而计算出各用户好友相应的影响度，进而将各用户好友相应的影响度集合作为影响度样值c样。
显然，本发明实施例并不排除仅有一个用户好友的情况。
在步骤S230中，获取用户对用户好友已发布的历史分享信息的历史互动次数n样。
步骤S230的具体执行可参照图1所示步骤S110部分。
在步骤S240中，以多元回归分析算法，根据所述影响度样值c样及所述历史互动次数n样，确定所述w和b。
本发明实施例可建立一元线性回归方程，将影响度样值c样和历史互动次数n样作为变量，以多元回归分析算法计算出w和b。
在计算出w和b后，可基于所获取的目标用户对目标好友已发布的历史分享信息的互动数据nij，计算目标好友对目标用户互动目标推荐信息的影响度cij。
在本发明实施例中，目标用户i对目标好友j已发布的历史分享信息的互动次数nij可以是综合了目标用户i对目标好友j已发布的历史分享信息所进行的各设定类型互动的互动次数后，所得到的综合互动次数；相应的w可以是综合的互动权重。对应的，图2所示计算中，历史互动次数n样可以为综合的互动次数。
本发明实施例可定义目标用户对目标好友已发布的历史分享信息的各设 定互动类型，从而以目标用户对目标好友已发布的历史分享信息所进行的一个设定类型互动的互动次数作为一个特征向量，一个设定类型互动对应一个设定互动类型，并集合各特征向量得到特征向量集合，以该特征向量集合作为目标用户对目标好友已发布的历史分享信息的互动数据。
例如：设定互动类型包括：目标用户对目标好友已发布的历史分享信息的点赞，评论，及目标用户与目标好友的聊天频次(如平均每天的聊天次数)；则本发明实施例对于各目标好友，可确定出目标用户对目标好友已发布的历史分享信息的点赞数，评论数，及目标用户与目标好友的聊天频次，从而将所确定的点赞数，评论数，聊天频次分别作为特征向量，并集合成特征向量集合得到nij。
nij可具体表达为nij＝(hij,kij,mij)，hij为目标用户i对目标好友j已发布的历史分享信息的点赞数，kij目标用户i对目标好友j已发布的历史分享信息的评论数，mij为目标用户i与目标好友j的聊天频次。
对应的，w可以表达为w＝(wh,wk,wm)，wh为点赞相应的权重，wk为评论相应的权重，wm为聊天频次相应的权重。
相应的，图2所示方法中，历史互动次数n样可以为各设定类型互动的互动次数的特征向量集合，w可以为各设定类型互动相应的权重的集合。
上文所示的目标用户对目标好友已发布的历史分享信息的点赞，评论，及目标用户与目标好友的聊天频次，仅为设定互动类型的可选形式，具体的设定互动类型的内容可视使用情况调整，显然也不排除设定互动类型仅为一个的情况。
图3示出了本发明实施例提供的信息推荐方法的另一流程图，该方法可以应用于服务器等设备，参照图3，该方法可以包括步骤S300至步骤S350。
在步骤S300中，确定目标用户i的好友中已对目标推荐信息进行互动的至少一个目标好友j。
在步骤S310中，确定目标用户i对目标好友j已发布的历史分享信息所进行的各设定类型互动的互动次数，将各设定类型互动的互动次数相集合，得到nij。
在步骤S320中，根据公式cij＝w·nij+b，确定目标好友j对目标用户i互动目标推荐信息的影响度，以得到各目标好友对目标用户互动目标推荐信息的影响 度；其中，cij为目标好友j对目标用户i互动推荐信息的影响度，w为各设定类型互动相应的权重的集合，b为设定常数。
在步骤S330中，根据各目标好友对目标用户互动目标推荐信息的影响度，确定目标影响度。
在步骤S340中，根据目标影响度确定目标用户与目标推荐信息互动的可能度。
在步骤S350中，如果可能度符合预设条件，将目标推荐信息推送给目标用户。
在本发明实施例中，在得到各目标好友对目标用户互动目标推荐信息的影响度后，可对各目标好友对目标用户互动目标推荐信息的影响度进行整合，得到目标影响度。
一种确定目标影响度的方式可以为：根据公式
Figure PCTCN2016113895-appb-000001
确定所述目标影响度，其中InfluScore为所述目标影响度，N为目标用户的好友中已对目标推荐信息进行互动的至少一个目标好友的集合；即将各目标好友对目标用户互动目标推荐信息的影响度作加和处理，得到目标影响度。
另一种确定目标影响度的方式可以为：根据公式InfluScore＝新cij+f·InfluScore_old确定所述目标影响度，其中InfluScore为所述目标影响度，新cij为当前时间相邻的上一个时间段内对目标推荐信息互动的目标好友对目标用户互动目标推荐信息的影响度，f为当前时间衰减因子，InfluScore_old为其他目标好友的影响度之和，其中InfluScore_old的计算方法与InfluScore相同，此处不做赘述。
由于目标好友与目标推荐信息的互动时间存在先后顺序，而不同的互动时间将造成目标好友对目标用户互动目标推荐信息的影响度存在差异，因此当前存在一个新的目标好友与目标推荐信息发生互动时，需要对之前其它好友已经产生的影响度做一个衰减，即InfluScore＝新cij+f·InfluScore_old；显然，InfluScore_old也存在依据互动时间衰减影响度的情况。
例如，目标好友A1，A2，A3为对目标用户产生影响的好友，且目标好友 A1，A2，A3依序先后与目标推荐信息产生了互动，则在A2与目标推荐信息发生互动时，目标影响度为：A2影响度+f2*A1影响度；在A3与目标推荐信息发生互动时，目标影响度为：A3影响度+f3*(A2影响度+f2*A1影响度)。
时间衰减因子f可以为当前时间的倒数，如f2可以为A2与目标推荐信息发生互动时的时间的倒数，f3同理。
在确定出目标影响度后，本发明实施例可与现有技术确定的目标用户对目标推荐信息的感兴趣程度相结合，来确定目标用户互动目标推荐信息的可能度。
本发明实施例可确定目标用户对目标推荐信息的感兴趣程度，进而根据所述感兴趣程度和所述目标影响度，确定所述目标用户互动所述目标推荐信息的可能度。
在本发明实施例中目标用户对目标推荐信息的感兴趣程度可依据现有技术提供的任一方式确定。
所述感兴趣程度和所述目标影响度结合的方式，可以是将所述感兴趣程度和所述目标影响度作为模型的输入，然后以逻辑回归模型等算法模型，计算出输出结果(即目标用户互动目标推荐信息的可能度)。
在本发明实施例中，可将所述感兴趣程度和所述目标影响度作加和处理。
图4示出了本发明实施例提供的信息推荐方法的再一流程图，该方法可以应用于服务器等设备，参照图4，该方法可以包括步骤S400至步骤450。
在步骤S400中，确定目标用户i的好友中已对目标推荐信息进行互动的至少一个目标好友j。
在步骤S410中，确定目标用户i对目标好友j已发布的历史分享信息所进行的各设定类型互动的互动次数，将各设定类型互动的互动次数相集合，得到nij。
在步骤S420中，根据公式cij＝w·nij+b，确定目标好友j对目标用户i互动目标推荐信息的影响度，以得到各目标好友对目标用户互动目标推荐信息的影响度；其中，cij为目标好友j对目标用户i互动推荐信息的影响度，w为各设定类型互动相应的权重的集合，b为设定常数。
在步骤S430中，根据公式InfluScore＝新cij+f·InfluScore_old确定目标影响度，其中InfluScore为目标影响度，新cij为与当前时间相邻的上一时间段内对目 标推荐信息进行互动的目标好友，对目标用户互动目标推荐信息的影响度，f为当前时间衰减因子，InfluScore_old为除新cij外的其他目标好友的影响度之和，InfluScore_old的计算方法与InfluScore相同，此处不做赘述。
在步骤S440中，确定目标用户对目标推荐信息的感兴趣程度，根据感兴趣程度和目标影响度，确定目标用户与目标推荐信息互动的可能度。
在步骤S450中，如果可能度符合预设条件，将目标推荐信息推送给目标用户。
在本发明实施例中，在得到目标用户与目标推荐信息互动的可能度后，可判断所述可能度是否大于设定可能度，从而在可能度大于设定可能度时，确定可能度符合预设条件，进而将目标推荐信息推送给目标用户。
目标推荐信息可能是众多候选信息中的一个，本发明实施例可以上述提供的可能度确定方式，确定目标用户互动各候选推荐信息的可能度，从而在确定目标用户互动各候选推荐信息的可能度后，根据各候选推荐信息的可能度对各候选推荐信息进行排序，如果目标推荐信息的排序符合设定排序条件，则确定可能度符合预设条件，进而将目标推荐信息推送给目标用户；如目标推荐信息的排序处于设定排序，则可确定可能度符合预设条件，可将目标推荐信息推送给目标用户。
本发明实施例提供的信息推荐方法的一个应用为进行广告的推送，下面以广告的推送为例，对本发明实施例提供的信息推荐方法的应用例进行介绍。
图5示出了一个朋友圈关系，朋友圈为社交应用提供的一个好友社交圈；参照图5，设目标用户i的好友为j1，j2，j3，j4和j5，且j1，j2和j3分别在时刻t1，t2和t3对广告进行了互动，t1＜t2＜t3；j4虽然被广告曝光，但没有与广告进行互动，j5则没有被广告曝光；因此只有好友j1，j2和j3将对用户i产生影响，则确定目标用户i的好友中已对广告进行互动的目标好友为j1，j2和j3。
对于好友j1，可确定在设定时间段内，用户i对好友j1已发布的历史分享信息所进行的各设定类型互动的次数，从而将各设定类型互动的次数的集合，作为用户i好友j1已发布的历史分享信息的互动次数nij1；设定类型如用户i对好友j1已发布的历史分享信息的点赞，评论，及用户i与好友j1的聊天频次，显然也可自定义设置设定类型。
对于好友j2，可确定在设定时间段内，用户i对好友j2已发布的历史分享信息所进行的各设定类型互动的次数，从而将各设定类型互动的次数的集合，作为用户i好友j2已发布的历史分享信息的互动次数nij2。
对于好友j3，可确定在设定时间段内，用户i对好友j3已发布的历史分享信息所进行的各设定类型互动的次数，从而将各设定类型互动的次数的集合，作为用户i好友j3已发布的历史分享信息的互动次数nij3。
对于好友j1，根据公式cij1＝w·nij1+b，确定好友j1对用户i互动广告的影响度；对于好友j2，根据公式cij2＝w·nij2+b，确定好友j2对用户i互动广告的影响度；对于好友j3，根据公式cij3＝w·nij3+b，确定好友j3对用户i互动广告的影响度；w为预先计算的各设定类型互动相应的权重的集合，b为预先计算的常数。
在得到cij1，cij2，cij3后，由于好友j1，j2和j3对广告进行互动的时刻分别为t1，t2和t3，且t1＜t2＜t3，考虑时间对影响度的衰减，可计算目标影响度为：cij3+f3(cij2+f2cij1)，f2与t2对应，可以为t2的倒数，f3同理。
在得到目标影响度后，可将目标影响度与用户i对该广告的感兴趣程度结合，确定用户i互动该广告的可能度；从而基于用户i互动该广告的可能度，确定该广告在候选广告中的排序，如果所确定的排序处于设定排序，则可将该广告推送给用户i；在广告推送给用户i后，由于用户i与该广告互动的可能性较高，因此提升了该广告推送后的互动效果，使得广告推送的有效性得以提升。
本发明实施例提供的信息推荐方法，提升了所确定的用户互动推荐信息的可能性的准确度，使得推荐信息推送的有效性得以提升。
下面对本发明实施例提供的信息推荐装置进行介绍，下文描述的信息推荐装置可与上文描述的信息推荐方法相互对应参照。
图6为本发明实施例提供的信息推荐装置的结构框图，该装置可应用于服务器，参照图6，该信息推荐装置可以包括：
目标好友确定模块100，用于确定目标用户的好友中已对目标推荐信息进行互动的目标好友；
互动数据确定模块200，用于确定目标用户对目标好友已发布的历史分享信息的互动数据；
影响度确定模块300，用于根据所确定的目标用户对目标好友已发布的历 史分享信息的互动数据，确定各目标好友对目标用户互动目标推荐信息的影响度；
目标影响度确定模块400，用于根据目标好友对目标用户互动目标推荐信息的影响度，确定目标影响度；
可能度确定模块500，用于根据目标影响度确定目标用户与目标推荐信息互动的可能度；
推荐模块600，用于如果可能度符合预设条件，将目标推荐信息推送给目标用户。
目标用户对目标好友已发布的历史分享信息的互动数据，与目标好友对目标用户互动目标推荐信息的影响度呈线性关系；相应的，图7示出了影响度确定模块300的一种可选结构，参照图7，影响度确定模块300可以包括：
线性计算单元310，用于根据目标用户对目标好友已发布的历史分享信息的互动数据和所述线性关系，确定目标好友对目标用户互动目标推荐信息的影响度。
图8示出了线性计算单元310的一种可选结构，参照图8，线性计算单元310可以包括：
公式计算单元311，用于根据公式cij＝w·nij+b，确定一目标好友对目标用户互动目标推荐信息的影响度；其中，cij为目标好友j对目标用户i互动目标推荐信息的影响度，nij为目标用户i对目标好友j已发布的历史分享信息的互动次数，w为设定的互动权重，b为设定常数。
图9示出了本发明实施例提供的信息推荐装置的另一结构框图，结合图6、图8和图9所示，该装置还可以包括：
参数计算模块700，用于将多条推荐信息推送给用户及用户好友；统计用户好友对所述多条推荐信息的互动次数，及用户对用户好友已互动的推荐信息的互动次数；将用户对用户好友已互动的推荐信息的互动次数，与用户好友对所述多条推荐信息的互动次数的比值，确定为用户好友对用户互动推荐信息的影响度样值c样；获取用户对用户好友已发布的历史分享信息的历史互动次数n样；以多元回归分析算法，根据所述影响度样值c样及所述历史互动次数n样，确定所述w和b。
所述nij包括：目标用户i对目标好友j已发布的历史分享信息所进行的各设定类型互动的互动次数的集合；相应的，所述w包括：各设定类型互动相应的权重的集合。
图10示出了目标影响度确定模块400的一种可选结构，参照图10，目标影响度确定模块400可以包括：
加和处理单元410，用于根据公式
Figure PCTCN2016113895-appb-000002
确定所述目标影响度，其中InfluScore为所述目标影响度，N为目标用户的好友中已对目标推荐信息进行互动的至少一个目标好友的集合。
可选的，图11示出了本发明实施例提供的目标影响度确定模块400的另一种可选结构，参照图11，目标影响度确定模块400可以包括：
衰减加和处理单元420，用于根据公式InfluScore＝新cij+f·InfluScore_old确定所述目标影响度，其中InfluScore为所述目标影响度，新cij为与当前时间相邻的上一时间段内对目标推荐信息进行互动的目标好友，对目标用户互动目标推荐信息的影响度，f为当前时间衰减因子，InfluScore_old为除新cij外的其他目标好友的影响度之和，InfluScore_old的计算方法与InfluScore相同，此处不做赘述。
可能度确定模块500可用于，确定目标用户对目标推荐信息的感兴趣程度；根据感兴趣程度和目标影响度，确定目标用户与目标推荐信息互动的可能度。
一方面，推荐模块600具体可用于，在可能度大于设定可能度时，确定可能度符合预设条件，将目标推荐信息推送给目标用户。
另一方面，推荐模块600具体可用于，在确定目标用户互动各候选推荐信息的可能度后，候选推荐信息包含目标推荐信息，根据各候选推荐信息的可能度对各候选推荐信息进行排序，如果目标推荐信息的排序符合设定排序条件，则确定可能度符合预设条件，将目标推荐信息推送给目标用户。
本发明实施例提供的信息推荐装置，提升了所确定的用户互动推荐信息的可能性的准确度，使得推荐信息推送的有效性得以提升。
可选的，图12示出了本发明实施例提供另一种信息推荐装置的硬件结构 框图，参照图12，该装置可以包括：处理器1，通信接口2，存储器3和通信总线4；
其中处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
可选的，通信接口2可以为通信模块的接口，如GSM模块的接口；
处理器1，用于执行程序；
存储器3，用于存放程序；
程序可以包括程序代码，所述程序代码包括计算机操作指令。
处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(Application Specific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
其中，程序可具体用于：
确定目标用户的好友中已对目标推荐信息进行互动的目标好友；
确定目标用户对目标好友已发布的历史分享信息的互动数据；
根据所确定的目标用户对目标好友已发布的历史分享信息的互动数据，确定目标好友对目标用户互动目标推荐信息的影响度；
根据目标好友对目标用户互动目标推荐信息的影响度，确定目标影响度；
根据目标影响度确定目标用户与目标推荐信息互动的可能度；
如果可能度符合预设条件，将目标推荐信息推送给目标用户。
本发明实施例还提供一种服务器，该服务器可以包括上述所述的信息推荐装置。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描 述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (13)

  1. 一种信息推荐方法，包括：
    确定目标用户的好友中已对目标推荐信息进行互动的目标好友；
    确定所述目标用户对所述目标好友已发布的历史分享信息的互动数据；
    根据所述目标用户对所述目标好友已发布的历史分享信息的互动数据，确定所述目标好友对所述目标用户与所述目标推荐信息互动的影响度；
    根据所述目标好友对所述目标用户与所述目标推荐信息互动的影响度，确定目标影响度；
    根据所述目标影响度确定所述目标用户与所述目标推荐信息互动的可能度；以及
    如果所述可能度符合预设条件，将所述目标推荐信息推送给所述目标用户。
  2. 根据权利要求1所述的信息推荐方法，其中，所述目标用户对所述目标好友已发布的历史分享信息的互动数据，与所述目标好友对所述目标用户与所述目标推荐信息互动的影响度呈线性关系；所述根据所述目标用户对所述目标好友已发布的历史分享信息的互动数据，确定所述目标好友对所述目标用户与所述目标推荐信息互动的影响度包括：
    根据所述目标用户对所述目标好友已发布的历史分享信息的互动数据和所述线性关系，确定所述目标好友对所述目标用户与所述目标推荐信息互动的影响度。
  3. 根据权利要求2所述的信息推荐方法，其中，所述根据所述目标用户对所述目标好友已发布的历史分享信息的互动数据和所述线性关系，确定所述目标好友对所述目标用户与所述目标推荐信息互动的影响度包括：
    根据公式cij＝w·nij+b，确定所述目标好友对所述目标用户与所述目标推荐信息互动的影响度；其中，cij为所述目标好友j对所述目标用户i与所述目标推荐信息互动的影响度，nij为所述目标用户i对所述目标好友j已发布的历 史分享信息的互动次数，w为设定的互动权重，b为设定的常数。
  4. 根据权利要求3所述的信息推荐方法，其中，所述w和b的确定过程包括：
    将多条推荐信息推送给所述目标用户及所述目标好友；
    统计所述目标好友对所述多条推荐信息的互动次数，及所述目标用户对所述目标好友已互动的推荐信息的互动次数；
    将所述目标用户对所述目标好友已互动的推荐信息的互动次数，与所述目标好友对所述多条推荐信息的互动次数的比值，确定为所述目标好友对所述目标用户与所述推荐信息互动的影响度样值c样；
    获取所述目标用户对所述目标好友已发布的历史分享信息的历史互动次数n样；以及
    以多元回归分析算法，根据所述影响度样值c样及所述历史互动次数n样，确定所述w和b。
  5. 根据权利要求3所述的信息推荐方法，其中，所述nij包括：所述目标用户i对所述目标好友j已发布的历史分享信息所进行的各设定类型互动的互动次数的集合；
    所述w包括：各设定类型互动相应的权重的集合。
  6. 根据权利要求3-5任一项所述的信息推荐方法，其中，所述根据所述目标好友对所述目标用户与所述目标推荐信息互动的影响度，确定目标影响度包括：
    根据公式
    Figure PCTCN2016113895-appb-100001
    确定所述目标影响度，其中InfluScore为所述目标影响度，N为所述目标用户的好友中已对目标推荐信息互动的所述目标好友的个数；或
    根据公式InfluScore＝新cij+f·InfluScore_old确定所述目标影响度，其中 InfluScore为所述目标影响度，新cij为与当前时间相邻的时间段内对所述目标推荐信息进行互动的所述目标好友对所述目标用户与所述目标推荐信息互动的影响度，f为当前时间衰减因子，InfluScore_old为其他目标好友的影响度之和。
  7. 根据权利要求1所述的信息推荐方法，其中，所述根据所述目标影响度确定所述目标用户与所述目标推荐信息互动的可能度包括：
    确定所述目标用户对所述目标推荐信息的感兴趣程度；以及
    根据所述感兴趣程度和所述目标影响度，确定所述目标用户与所述目标推荐信息互动的可能度。
  8. 根据权利要求7所述的信息推荐方法，其中，所述可能度符合预设条件包括：
    在所述可能度大于设定可能度时，确定所述可能度符合预设条件；
    或，在确定所述目标用户与各候选推荐信息的可能度后，所述候选推荐信息包含所述目标推荐信息，根据各候选推荐信息的可能度对各候选推荐信息进行排序，如果所述目标推荐信息的排序符合设定排序条件，则确定所述可能度符合预设条件。
  9. 一种信息推荐装置，包括：一个或多个处理器和存储有操作指令的存储介质，当运行所述存储介质中的操作指令时，所述处理器执行如下步骤：
    确定目标用户的好友中已对目标推荐信息进行互动的目标好友；
    确定所述目标用户对所述目标好友已发布的历史分享信息的互动数据；
    根据所述目标用户对所述目标好友已发布的历史分享信息的互动数据，确定所述目标好友对所述目标用户与所述目标推荐信息互动的影响度；
    根据所述目标好友对所述目标用户与所述目标推荐信息互动的影响度，确定目标影响度；
    根据所述目标影响度确定所述目标用户与所述目标推荐信息互动的可能度；以及
    如果所述可能度符合预设条件，将所述目标推荐信息推送给所述目标用 户。
  10. 根据权利要求9所述的信息推荐装置，其中，所述目标用户对所述目标好友已发布的历史分享信息的互动数据，与所述目标好友对所述目标用户与所述目标推荐信息互动的影响度呈线性关系；所述处理器执行：
    根据所述目标用户对所述目标好友已发布的历史分享信息的互动数据和所述线性关系，确定所述目标好友对所述目标用户与所述目标推荐信息互动的影响度。
  11. 根据权利要求10所述的信息推荐装置，其中，所述处理器执行：
    根据公式cij＝w·nij+b，确定所述目标好友对所述目标用户与所述目标推荐信息互动的影响度；其中，cij为所述目标好友j对所述目标用户i与所述目标推荐信息互动的影响度，nij为所述目标用户i对所述目标好友j已发布的历史分享信息的互动次数，w为设定的互动权重，b为设定常数。
  12. 根据权利要求11所述的信息推荐装置，其中，所述处理器执行：
    根据公式
    Figure PCTCN2016113895-appb-100002
    确定所述目标影响度，其中InfluScore为所述目标影响度，N为所述目标用户的好友中已对目标推荐信息进行互动的所述目标好友的个数；或
    根据公式InfluScore＝新cij+f·InfluScore_old确定所述目标影响度，其中InfluScore为所述目标影响度，新cij为与当前时间相邻的上一时间段内对所述目标推荐信息进行互动的所述目标好友，对所述目标用户与所述目标推荐信息互动的影响度，f为当前时间衰减因子，InfluScore_old为其他目标好友的影响度之和。
  13. 一种服务器，包括权利要求9-12任一项所述的信息推荐装置。
PCT/CN2016/113895 2016-01-12 2016-12-30 信息推荐方法、装置及服务器 WO2017121259A1 (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020177032473A KR20170136593A (ko) 2016-01-12 2016-12-30 정보 추천 방법 및 장치, 및 서버
JP2017559541A JP6494801B2 (ja) 2016-01-12 2016-12-30 情報推奨方法および装置、ならびにサーバ
EP16884810.9A EP3404556B1 (en) 2016-01-12 2016-12-30 Information recommendation method and apparatus, and server
US15/791,259 US20180046724A1 (en) 2016-01-12 2017-10-23 Information recommendation method and apparatus, and server

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610019783.7A CN105677881B (zh) 2016-01-12 2016-01-12 一种信息推荐方法、装置及服务器
CN201610019783.7 2016-01-12

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US15/791,259 Continuation US20180046724A1 (en) 2016-01-12 2017-10-23 Information recommendation method and apparatus, and server

Publications (1)

Publication Number Publication Date
WO2017121259A1 true WO2017121259A1 (zh) 2017-07-20

Family

ID=56300365

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/113895 WO2017121259A1 (zh) 2016-01-12 2016-12-30 信息推荐方法、装置及服务器

Country Status (6)

Country Link
US (1) US20180046724A1 (zh)
EP (1) EP3404556B1 (zh)
JP (1) JP6494801B2 (zh)
KR (1) KR20170136593A (zh)
CN (1) CN105677881B (zh)
WO (1) WO2017121259A1 (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11074618B2 (en) * 2013-06-13 2021-07-27 Blackberry Limited Method and apparatus pertaining to history-based content-sharing recommendations
CN105677881B (zh) * 2016-01-12 2020-07-03 腾讯科技（深圳）有限公司 一种信息推荐方法、装置及服务器
CN106339172A (zh) * 2016-08-25 2017-01-18 北京小米移动软件有限公司 喜好信息获取方法及装置
CN106453528B (zh) * 2016-09-27 2019-11-01 北京小米移动软件有限公司 推送消息的方法及装置
CN106341312B (zh) * 2016-09-29 2020-06-02 中国联合网络通信集团有限公司 社交信息显示方法、系统和服务器
CN108574618B (zh) * 2017-03-09 2021-08-13 腾讯科技（北京）有限公司 基于社交关系链的推送信息展示方法及装置
US11514353B2 (en) * 2017-10-26 2022-11-29 Google Llc Generating, using a machine learning model, request agnostic interaction scores for electronic communications, and utilization of same
CN107909428A (zh) * 2017-11-01 2018-04-13 平安科技（深圳）有限公司 电子装置、产品推荐方法和计算机可读存储介质
CN109948037A (zh) * 2017-11-24 2019-06-28 腾讯科技（深圳）有限公司 信息投放方法、装置及存储设备
CN108133013B (zh) * 2017-12-22 2021-02-09 平安养老保险股份有限公司 信息处理方法、装置、计算机设备和存储介质
CN109165742A (zh) * 2018-08-28 2019-01-08 北京百度网讯科技有限公司 推荐方法、装置、存储介质和终端设备
CN111131356B (zh) * 2018-10-31 2021-06-25 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
CN111125574B (zh) * 2018-10-31 2023-04-28 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
KR102181835B1 (ko) * 2018-11-15 2020-11-23 경희대학교 산학협력단 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템
CN109558542B (zh) * 2018-12-04 2020-11-27 北京达佳互联信息技术有限公司 一种信息质量评估方法、信息推送方法及装置
CN110209952B (zh) * 2018-12-18 2023-03-24 腾讯科技（深圳）有限公司 信息推荐方法、装置、设备及存储介质
CN109902753B (zh) * 2019-03-06 2023-01-13 深圳市珍爱捷云信息技术有限公司 用户推荐模型训练方法、装置、计算机设备和存储介质
CN110287414A (zh) * 2019-06-25 2019-09-27 北京向上一心科技有限公司 信息推送方法、装置和电子设备
CN112307355A (zh) * 2019-10-09 2021-02-02 吴仁超 基于大数据的用户隐私保护的推荐方法
CN111460049A (zh) * 2020-04-01 2020-07-28 北京字节跳动网络技术有限公司 内容分享方法、装置、电子设备及计算机可读存储介质
CN111711829B (zh) * 2020-06-12 2022-02-11 广州酷狗计算机科技有限公司 直播间推荐方法、装置、计算机可读存储介质及设备
CN112364259A (zh) * 2020-11-24 2021-02-12 深圳市元征科技股份有限公司 一种信息推荐方法、装置、设备及介质
US20240232535A9 (en) * 2022-10-25 2024-07-11 Microsoft Technology Licensing, Llc Measuring probability of influence using multi-dimensional statistics on deep learning embeddings

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880691A (zh) * 2012-09-19 2013-01-16 北京航空航天大学深圳研究院 一种基于用户亲密度的混合推荐系统及方法
CN102915307A (zh) * 2011-08-02 2013-02-06 腾讯科技（深圳）有限公司 一种个性化信息推荐的方法、装置及信息处理系统
US20130086082A1 (en) * 2011-09-29 2013-04-04 Postech Academy-Industry Foundation Method and system for providing personalization service based on personal tendency
CN103166930A (zh) * 2011-12-15 2013-06-19 腾讯科技（深圳）有限公司 推送网络信息的方法和系统
CN104301207A (zh) * 2014-10-24 2015-01-21 腾讯科技（深圳）有限公司 网络信息处理方法及装置
CN105677881A (zh) * 2016-01-12 2016-06-15 腾讯科技（深圳）有限公司 一种信息推荐方法、装置及服务器

Family Cites Families (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004227354A (ja) * 2003-01-23 2004-08-12 Nippon Telegr & Teleph Corp <Ntt> 情報推薦装置、情報推薦方法、プログラム及び記録媒体
JP2007502482A (ja) * 2003-05-22 2007-02-08 パーシング インヴェストメンツ，エルエルシー 望ましい顧客を特定するための格付けシステムおよび方法
US8010460B2 (en) * 2004-09-02 2011-08-30 Linkedin Corporation Method and system for reputation evaluation of online users in a social networking scheme
US20070198510A1 (en) * 2006-02-03 2007-08-23 Customerforce.Com Method and system for assigning customer influence ranking scores to internet users
EP1989639A4 (en) * 2006-02-28 2012-05-02 Buzzlogic Inc SOCIAL ANALYSIS SYSTEM AND METHOD FOR ANALYZING CONVERSATIONS ON SOCIAL MULTIMEDIA CONTENT
US9219351B2 (en) * 2008-08-28 2015-12-22 Federal-Mogul Ignition Company Spark plug with ceramic electrode tip
CA2754120C (en) * 2009-03-03 2016-11-15 Google, Inc. Adheat advertisement model for social network
BRPI0924542A2 (pt) * 2009-03-03 2015-06-30 Google Inc Método e sistema para fornecimento de publicidade para usuários de rede social
US8489515B2 (en) * 2009-05-08 2013-07-16 Comcast Interactive Media, LLC. Social network based recommendation method and system
US20110295626A1 (en) * 2010-05-28 2011-12-01 Microsoft Corporation Influence assessment in social networks
CN102316046B (zh) * 2010-06-29 2016-03-30 国际商业机器公司 向社交网络中的用户推荐信息的方法和装置
US20120089482A1 (en) * 2010-10-06 2012-04-12 Narendra Patel Last-room-available search apparatus and method
JP5667466B2 (ja) * 2011-02-16 2015-02-12 株式会社ミクシィ ユーザ間の親密度に基づいた表示序列制御システム、方法及びプログラム、並びに、表示序列に反映されるべきユーザ間の親密度を判定する情報処理システム、方法及びプログラム
US8954503B2 (en) * 2011-03-03 2015-02-10 Facebook, Inc. Identify experts and influencers in a social network
US8909637B2 (en) * 2011-06-03 2014-12-09 Facebook, Inc. Context-based ranking of search results
US9031888B2 (en) * 2011-08-10 2015-05-12 International Business Machines Corporation Predicting influence in social networks
US8838581B2 (en) * 2011-08-19 2014-09-16 Facebook, Inc. Sending notifications about other users with whom a user is likely to interact
WO2013059290A1 (en) * 2011-10-17 2013-04-25 Metavana, Inc. Sentiment and influence analysis of twitter tweets
WO2013070582A2 (en) * 2011-11-07 2013-05-16 New York University Identifying influential and susceptible members of social networks
US20130124627A1 (en) * 2011-11-11 2013-05-16 Robert William Cathcart Providing universal social context for concepts in a social networking system
CN103138954B (zh) * 2011-12-02 2015-11-04 中国移动通信集团公司 一种推荐项的推送方法、系统及推荐服务器
US9070140B2 (en) * 2011-12-21 2015-06-30 Paul Allard System and method for measuring and improving the efficiency of social media campaigns
US10685361B2 (en) * 2012-03-02 2020-06-16 Facebook, Inc. Targeting advertisements to groups of social networking system users
US10380629B2 (en) * 2012-05-25 2019-08-13 Microsoft Technology Licensing, Llc Leveraging a social graph to deliver relevant recommendations
US10565598B2 (en) * 2012-07-10 2020-02-18 Facebook, Inc. Sponsored advertisement ranking and pricing in a social networking system
US20140025478A1 (en) * 2012-07-17 2014-01-23 Maven Analytics Inc. Measuring influence in a social network
US9235865B1 (en) * 2012-10-26 2016-01-12 Sprint Communications Company L.P. Identifying influencers using social information
JP2014134923A (ja) * 2013-01-09 2014-07-24 Sony Corp 情報処理装置、情報処理方法、プログラム及び端末装置
IN2013DE00429A (zh) * 2013-02-14 2015-06-19 Eagle
US20140297739A1 (en) * 2013-03-27 2014-10-02 Howard T. Stein Media Previews Based on Social Context
US11120491B2 (en) * 2013-09-24 2021-09-14 Ebay Inc. Method, medium, and system for social media based recommendations
WO2015058307A1 (en) * 2013-10-25 2015-04-30 Sysomos L.P. Systems and methods for dynamically determining influencers in a social data network using weighted analysis
KR102340792B1 (ko) * 2013-11-18 2021-12-17 삼성전자주식회사 소셜 네트워크의 소셜 업데이트를 기초로 한 어플리케이션 제어 방법 및 장치
US20150278221A1 (en) * 2014-03-28 2015-10-01 Xomad Llc Contact manager for utilizing social media influence
US9646096B2 (en) * 2014-06-03 2017-05-09 Go Daddy Operating Company, LLC System and methods for analyzing and improving online engagement
CN104967679B (zh) * 2015-06-09 2017-07-21 深圳市腾讯计算机系统有限公司 信息推荐系统、方法及装置
CN106909594B (zh) * 2016-06-06 2020-05-05 阿里巴巴集团控股有限公司 信息推送方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915307A (zh) * 2011-08-02 2013-02-06 腾讯科技（深圳）有限公司 一种个性化信息推荐的方法、装置及信息处理系统
US20130086082A1 (en) * 2011-09-29 2013-04-04 Postech Academy-Industry Foundation Method and system for providing personalization service based on personal tendency
CN103166930A (zh) * 2011-12-15 2013-06-19 腾讯科技（深圳）有限公司 推送网络信息的方法和系统
CN102880691A (zh) * 2012-09-19 2013-01-16 北京航空航天大学深圳研究院 一种基于用户亲密度的混合推荐系统及方法
CN104301207A (zh) * 2014-10-24 2015-01-21 腾讯科技（深圳）有限公司 网络信息处理方法及装置
CN105677881A (zh) * 2016-01-12 2016-06-15 腾讯科技（深圳）有限公司 一种信息推荐方法、装置及服务器

Also Published As

Publication number Publication date
CN105677881A (zh) 2016-06-15
CN105677881B (zh) 2020-07-03
US20180046724A1 (en) 2018-02-15
JP6494801B2 (ja) 2019-04-03
KR20170136593A (ko) 2017-12-11
JP2018516404A (ja) 2018-06-21
EP3404556B1 (en) 2023-07-12
EP3404556A1 (en) 2018-11-21
EP3404556A4 (en) 2019-08-21

Similar Documents

Publication Publication Date Title
WO2017121259A1 (zh) 信息推荐方法、装置及服务器
US11070643B2 (en) Discovering signature of electronic social networks
CN105678587B (zh) 一种推荐特征确定方法、信息推荐方法及装置
CN108364195B (zh) 用户留存概率预测方法、装置、预测服务器及存储介质
Zhang et al. Who influenced you? predicting retweet via social influence locality
US9183293B2 (en) Systems and methods for scalable topic detection in social media
Zhang et al. Product information diffusion in a social network
CN106780073B (zh) 一种考虑用户行为和情感的社会网络影响力最大化初始节点选取方法
CN108537567A (zh) 一种目标用户群体的确定方法和装置
CN111460384B (zh) 策略的评估方法、装置和设备
US10621516B2 (en) Content delivery method, apparatus, and storage medium
US8793258B2 (en) Predicting sharing on a social network
Venanzi et al. Time-sensitive bayesian information aggregation for crowdsourcing systems
Moradi et al. A trust-aware recommender algorithm based on users overlapping community structure
WO2013131025A2 (en) Product cycle analysis using social media data
US11200501B2 (en) Accurate and interpretable rules for user segmentation
KR101790788B1 (ko) 최적화된 도메인간 정보 퀄리티 평가를 갖는 협동적 네트워킹
JP5662303B2 (ja) コンテンツ推薦装置及び方法及びプログラム
CN110968802A (zh) 一种用户特征的分析方法、分析装置及可读存储介质
CN110213209B (zh) 一种推送信息点击的作弊检测方法、装置及存储介质
JP2013109427A (ja) コンテンツ推薦装置及び方法及びプログラム
CN111882349B (zh) 一种数据处理方法、装置及存储介质
CN112218114B (zh) 视频缓存控制方法、装置和计算机可读存储介质
WO2015017921A1 (en) Computing social influenceability of products and social influencers
CN111143700B (zh) 一种活动推荐方法、装置、服务器及计算机存储介质

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: 16884810

Country of ref document: EP

Kind code of ref document: A1

REEP Request for entry into the european phase

Ref document number: 2016884810

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 20177032473

Country of ref document: KR

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2017559541

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE