WO2017157149A1 - 基于社交网络的推荐方法、装置、服务器及存储介质 - Google Patents

基于社交网络的推荐方法、装置、服务器及存储介质 Download PDF

Info

Publication number
WO2017157149A1
WO2017157149A1 PCT/CN2017/074500 CN2017074500W WO2017157149A1 WO 2017157149 A1 WO2017157149 A1 WO 2017157149A1 CN 2017074500 W CN2017074500 W CN 2017074500W WO 2017157149 A1 WO2017157149 A1 WO 2017157149A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
recommended content
influence
social
calculating
Prior art date
Application number
PCT/CN2017/074500
Other languages
English (en)
French (fr)
Inventor
王建明
史光辉
卢东东
Original Assignee
平安科技（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 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2017157149A1 publication Critical patent/WO2017157149A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • 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
    • 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
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G06F16/9562—Bookmark management

Definitions

  • the recommendation is made according to the user's influence on the conversion of the recommended content.
  • a second obtaining module configured to acquire a social relationship of the user
  • a recommendation module configured to perform recommendation according to the conversion influence of the user on the recommended content.
  • a server comprising a memory and a processor, the memory storing computer executable instructions, the computer executable instructions being executed by the processor, such that the processor performs the following steps:
  • the recommendation is made according to the user's influence on the conversion of the recommended content.
  • FIG. 1 is an application environment diagram of a social network-based recommendation method in an embodiment
  • FIG. 2 is a flow chart of a social network based recommendation method in one embodiment
  • FIG. 3 is a flow chart of a method for calculating a conversion rate of a user to a recommended content in one embodiment
  • FIG. 5 is a schematic diagram of the degree of influence on users in a social relationship in an embodiment
  • FIG. 7 is a structural block diagram of a social network-based recommendation device in an embodiment
  • server 10 communicates with terminal 20 over a network.
  • the server 10 obtains the login request sent by the terminal 20, obtains the user tag according to the login request of the user, calculates the conversion rate of the user to the recommended content according to the user tag, acquires the social relationship of the user, and calculates the social influence degree of the user on the recommended content according to the social relationship.
  • the user's conversion influence on the recommended content and the social influence degree of the user on the recommended content are determined according to the user's influence on the recommended content, and the corresponding content is sent to the terminal 20 for recommendation according to the user's conversion influence on the recommended content.
  • the terminal 20 includes, but is not limited to, various personal computers, smart phones, tablet computers, notebook computers, portable wearable devices, etc., which are not enumerated here.
  • a social network-based recommendation method is proposed, which is applicable to the server as described in FIG. 1, and specifically includes the following steps:
  • static tags include: the inherent attributes of users such as gender, age, occupation, etc.
  • Dynamic tags are tags generated by dynamic behaviors such as user browsing, clicking, purchasing, and posting dynamics. For example, according to the user browsing 7k7k game, fruit ninja game, generate Small game tags; according to the purchase of cosmetics, generate shopping, women and other labels; users' dynamic labels tend to decay over time, so dynamic labels will be updated by the hour, by the number of days.
  • the user tag actually represents the characteristics of the user, and the generation of the user tag is also the generation of the user feature.
  • Step 204 Calculate a conversion rate of the user to the recommended content according to the user label.
  • the conversion rate of the user to the recommended content refers to the user's concern about the recommended content or the probability of the purchase.
  • the recommended content here may be product information, news information, or other information, and different recommended contents may be set according to different needs.
  • the user tag can be directly used as a feature, and the previously used conversion data is used as a template, and the learning algorithm of the machine learning algorithm is used to calculate the influencing factors that affect the user's attention or purchase of the recommended content. And the degree of influence corresponding to each influencing factor. Then predicting the conversion rate of other users according to the user's label (ie, obtaining the corresponding influencing factors), that is, predicting the probability that the user recommends or purchases the product.
  • Step 206 Acquire a social relationship of the user.
  • the user's social relationship is divided into a static social relationship and a dynamic social relationship.
  • a static social relationship is a user relationship that does not take into account user actions, such as a user's friend relationship in a social relationship, and a concern relationship.
  • a dynamic social relationship is data associated with a user action. For example, a user posting or sharing information affects a friend for commenting, like, forwarding, and the like.
  • Step 208 Calculate the social influence degree of the user on the recommended content according to the social relationship.
  • the user's affinity with other users is quantified by the number of interactions, interaction frequency, and interaction time of the user with other users, and the degree of influence of the user on other users is determined according to the degree of closeness.
  • the social influence of the user in the entire social relationship is estimated based on the calculated influence of the user on the recommended content on each user. For example, calculating the degree of influence of user U on user A can be calculated by the static relationship* dynamic relationship between user U and user A. The static relationship is: after the user U has the label T, the corresponding A also has the label. The probability of T. After the dynamic relationship is that U has some kind of action, A also has the probability of some action.
  • the social influence of the user on the recommended content is determined by calculating the degree of influence of the user on all users in the social relationship.
  • the user's influence on the conversion of the recommended content reflects the current user's interest in the recommended content and the current user's influence on the recommended content.
  • Calculating the user's conversion to the recommended content according to the calculated conversion rate of the recommended content by the user that is, the probability that the user pays attention to or purchases the recommended content and the social influence degree of the user on the recommended content affects the probability that other users pay attention to or purchase the recommended content. Influence.
  • the user's influence on the conversion of the recommended content may be calculated by multiplying the calculated conversion rate of the user's recommended content by the social influence degree of the user on the recommended content.
  • the method not only considers the recommended individual effect, that is, the user's conversion rate to the recommended content, but also considers the recommended group effect, that is, the user's influence on the recommended content in the social relationship, that is, the recommended content is not only targeted Individual users are more focused on the user's social circle, which expands the scope of recommendations and reduces the cost of recommendations.
  • the step 304 of calculating a conversion rate of the user for the recommended content according to the user tag includes:
  • step 304a the initial weight of the user tag is obtained.
  • one user often corresponds to multiple user tags, and the user's degree of interest in different things is different, so each user tag occupies a different weight.
  • Get the initial weight of the user tag that is, get the specific characteristics of the user.
  • the initial weights of the user tags are shown in Table 1.
  • step 304b the weight of the influence of the user tag on the recommended content is calculated.
  • the impact weight of each user tag is different.
  • the TF-idf (term frequency-inverse document frequency) algorithm may be used to calculate the influence weight of the user label. For example, by performing statistical analysis on the tag information corresponding to a large number of users who have purchased a large number of high-heeled shoes, the TF-idf algorithm is used to calculate the influence weight of each tag according to the frequency of occurrence of different tags.
  • the initial weight of the user tag and the influence of the user tag on the recommended content Re-determine the user’s conversion rate to the recommended content, which is the probability that the user will be converted to the recommended content.
  • the initial weight of the user label is Weight(U, T_i), where U represents the user, T_i represents the label, and i is a natural number, which is used to mark different labels.
  • the weight of the calculated user tag on the recommended content is W(T_i, C), where C represents the recommended content.
  • the step of calculating the weight of the impact of the user tag on the recommended content is: using the TF-idf algorithm to calculate the weight of the user tag's influence on the recommended content.
  • the weight of the influence of the user tag on the recommended content is calculated by using a TF-idf (word frequency-reverse file frequency) algorithm, and the word frequency refers to the frequency at which a given word appears in the file, and the number is the number of words. Normalize to prevent it from biasing towards long files.
  • the reverse file frequency is a measure of the universal importance of a word.
  • the high word frequency within a particular file, and the low file frequency of the word in the entire file set, can produce a high weight TF-idf value.
  • the user can analyze the large amount of data of the existing user tag, and calculate the weight of the user tag on the recommended content according to the word frequency of each tag for the recommended content.
  • the step of calculating the social influence of the user on the recommended content according to the social relationship includes:
  • a user's social relationship often has multiple friend relationships, and the current user's influence on other users in the social relationship is calculated.
  • Other users are users who are different from the current user in social relationships.
  • the machine learning algorithm is used to calculate the relationship between the current user U and other users on the product P. For example, calculate the influence of the user U on the user A on the product P, Act(U, A, P), and the user U pair.
  • Step 308b Calculate the social influence degree of the user on the recommended content according to the calculated degree of influence of the user on the recommended content on other users in the social relationship.
  • the social influence degree of the user on the recommended content is calculated by calculating the influence degree of the user on the recommended content on the recommended content in the social relationship.
  • the social influence degree of the user on the recommended content may be expressed as social interaction.
  • the sum of influences of individual users in the relationship ⁇ Act(U, A_i, P). Where i is a natural number, indicating different users A_0, A_1, A_2, ....
  • step 312a it is determined whether the obtained user's influence on the conversion of the recommended content is greater than a preset threshold. If yes, the process proceeds to step 312b, and if not, the process ends.
  • the recommended content is recommended to the user.
  • the recommendation is made by considering the personality effect of the user and its group effect, and the influence range of each recommendation is expanded, thereby saving the recommendation cost.
  • a social network based recommendation device comprising:
  • the first obtaining module 702 is configured to acquire a user label.
  • the user tags are divided into static tags and dynamic tags.
  • static tags include: The intrinsic attributes of users such as gender, age, occupation, etc.
  • Dynamic tags are tags generated by dynamic behaviors such as user browsing, clicking, purchasing, and posting dynamics. For example, according to the user browsing 7k7k games, fruit ninja games, generating small game tags; Cosmetics, which generate labels for shopping, women, etc.; users' dynamic labels tend to decay over time, so dynamic labels are updated hour by hour and by number of days.
  • the user tag actually represents the characteristics of the user, and the generation of the user tag is also the generation of the user feature.
  • the first calculating module 704 is configured to calculate a conversion rate of the user to the recommended content according to the user tag.
  • the conversion rate of the user to the recommended content refers to the user's concern about the recommended content or the probability of the purchase.
  • the recommended content here may be product information, news information, or other information, and different recommended contents may be set according to different needs.
  • the user tag can be directly used as a feature, and the previously used conversion data is used as a template, and the learning algorithm of the machine learning algorithm is used to calculate the influencing factors that affect the user's attention or purchase of the recommended content. And the degree of influence corresponding to each influencing factor. Then predicting the conversion rate of other users according to the user's label (ie, obtaining the corresponding influencing factors), that is, predicting the probability that the user recommends or purchases the product.
  • the definition of conversion may be different, some may click on the recommended content even if the conversion, some are registered as a member or the purchase of the product is considered a conversion, the definition of the conversion can be set according to the business party or the advertiser.
  • Calculating the conversion rate of the user to the recommended content according to the user label is determining whether the current user is a potential user of the recommended content. For example, if the recommended content is a cosmetic, the potential users of the cosmetic are generally concentrated in women aged 20-30, then Calculate the probability that the current user purchases the cosmetic by the user tag obtained, that is, the conversion rate of the user to the cosmetic. If the user tag has a female, 20-30, shopping, etc. label, then the probability of the user purchasing the cosmetic is compared. High, if the user tag is a tag for a male, a game, etc., then the probability that the user purchases the cosmetic is relatively low.
  • the second obtaining module 706 is configured to acquire a social relationship of the user.
  • the social influence degree of the user on the recommended content refers to the degree of influence of the user on the recommended content in the social relationship, that is, the user pays attention to the recommended content or purchases in the social relationship. Other users see the probability that the user will pay attention or purchase after paying attention or purchasing. Calculating the social influence degree of the user on the recommended content according to the social relationship of the user, specifically calculating the degree of influence of the user on each user in the social relationship, and calculating the degree of influence of the user by calculating the closeness of the user with other users.
  • the user's affinity with other users is quantified by the number of interactions, interaction frequency, and interaction time of the user with other users, and the degree of influence of the user on other users is determined according to the degree of closeness.
  • the social influence of the user in the entire social relationship is estimated based on the calculated influence of the user on the recommended content on each user. For example, calculating the degree of influence of user U on user A can be calculated by the static relationship* dynamic relationship between user U and user A.
  • the static relationship is: after the user U has the tag T, the A also has the probability of having the tag T.
  • the dynamic relationship is that U has some kind of action, A also has the probability of some action.
  • the social influence of the user on the recommended content is determined by calculating the degree of influence of the user on all users in the social relationship.
  • the determining module 710 is configured to determine a user's influence on the conversion of the recommended content according to the conversion rate of the recommended content by the user and the social influence degree of the user on the recommended content. Specifically, the user's influence on the conversion of the recommended content may be calculated by multiplying the calculated conversion rate of the user's recommended content by the social influence degree of the user on the recommended content. In this embodiment, the user's influence on the conversion of the recommended content reflects the current user's interest in the recommended content and the current user's influence on the recommended content.
  • Calculating the user's conversion to the recommended content according to the calculated conversion rate of the recommended content by the user that is, the probability that the user pays attention to or purchases the recommended content and the social influence degree of the user on the recommended content affects the probability that other users pay attention to or purchase the recommended content.
  • the user's influence on the conversion of the recommended content may be calculated by multiplying the calculated conversion rate of the user's recommended content by the social influence degree of the user on the recommended content.
  • the recommendation module 712 is configured to perform recommendation according to the user's influence on the conversion of the recommended content.
  • the user's influence on the conversion of the recommended content reflects the current user's interest in the recommended content and the ability to disseminate the recommended content.
  • the greater the influence of the user on the conversion of the recommended content the greater the degree of interest of the user in the recommended content and the ability to disseminate the content, the better the effect of recommending the user, and vice versa. . Therefore, the subsequent user can selectively recommend the conversion influence of the recommended content according to the calculation, so as to improve the efficiency of the recommendation and reduce the overall cost of the recommendation.
  • the social network-based recommendation method calculates a user's conversion rate of the recommended content according to the user label, obtains a social relationship of the user, and calculates a user's recommendation content according to the social relationship. a degree of social influence, predicting a user's influence on the conversion of the recommended content according to the conversion rate of the recommended content by the user and the social influence degree of the user on the recommended content, according to the conversion influence of the user recommend.
  • the user's influence on the conversion of the recommended content is predicted, and finally the recommendation is made according to the obtained conversion influence.
  • the method not only considers the recommended individual effect, that is, the user's conversion rate to the recommended content, but also considers the recommended group effect, that is, the user's influence on the recommended content in the social relationship, that is, the recommended content is not only targeted Individual users are more focused on the user's social circle, which expands the scope of recommendations and reduces the cost of recommendations.
  • the first computing module 704 includes:
  • the initial weight obtaining module 704a is configured to obtain an initial weight of the user label.
  • one user often corresponds to multiple user tags, and the user's degree of interest in different things is different, so each user tag occupies a different weight.
  • Get the initial weight of the user tag that is, get the specific characteristics of the user.
  • the initial weights of the user tags are shown in Table 1.
  • the conversion rate calculation module 704c is configured to calculate a conversion rate of the user for the recommended content according to the initial weight and the influence weight.
  • the conversion rate of the user to the recommended content that is, the probability that the user converts the recommended content is predicted.
  • the initial weight of the user label is Weight(U, T_i), where U represents the user, T_i represents the label, and i is a natural number, which is used to mark different labels.
  • the weight of the calculated user tag on the recommended content is W(T_i, C), where C represents the recommended content.
  • the influence weight calculation module is further configured to calculate a weight of influence of the user label on the recommended content by using a TF-idf algorithm.
  • the weight of the influence of the user tag on the recommended content is calculated by using a TF-idf (word frequency-reverse file frequency) algorithm, and the word frequency refers to the frequency at which a given word appears in the file.
  • TF-idf word frequency-reverse file frequency
  • the reverse file frequency is a measure of the universal importance of a word.
  • the high word frequency within a particular file, and the low file frequency of the word in the entire file set, can produce a high weight TF-idf value.
  • the user can analyze the large amount of data of the existing user tag, and calculate the weight of the user tag on the recommended content according to the word frequency of each tag for the recommended content.
  • the influence calculation module 708a calculates the degree of influence of the user on the recommended content on other users in the social relationship according to the user tag.
  • the social impact calculation module 708b calculates the social influence degree of the user on the recommended content according to the calculated degree of influence of the user on the recommended content on other users in the social relationship.
  • the social influence degree of the user on the recommended content is calculated by calculating the influence degree of the user on the recommended content on each user in the social relationship.
  • the social influence degree of the user on the recommended content may be expressed as The sum of influences of individual users in a social relationship ⁇ Act(U, A_i, P). Where i is a natural number, indicating different users A_0, A_1, A_2, ....
  • the recommendation module 712 is further configured to determine whether the obtained user's conversion influence on the recommended content is greater than a preset threshold, and if yes, recommend the recommended content to the user.
  • server 10 is only a block diagram of a part of the structure related to the solution of the present application, and does not constitute a limitation of the server 10 to which the solution of the present application is applied.
  • the specific server 10 may It includes more or fewer components than those shown in the figures, or some components are combined, or have different component arrangements.
  • the processor when the computer executable instructions in the server in FIG. 10 are executed by the processor, the processor is caused to perform the steps of: acquiring a user tag; calculating a conversion rate of the user for the recommended content according to the user tag; a social relationship of the user; calculating a social influence degree of the user on the recommended content according to the social relationship; determining a user pair according to the conversion rate of the recommended content by the user and the social influence degree of the user on the recommended content The conversion influence of the recommended content; and recommending according to the user's influence on the conversion of the recommended content.
  • the calculating, by the processor in the server, the conversion rate of the user to the recommended content according to the user label comprises: obtaining an initial weight of the user label; calculating a weight of the user label affecting the recommended content; The initial weight and the impact weight calculate a conversion rate of the user to the recommended content.
  • the weight of the calculation of the user tag performed by the processor in the server is: the TF-idf algorithm is used to calculate the weight of the user tag on the recommended content.
  • the calculating, by the processor in the server, the social influence degree of the user on the recommended content according to the social relationship comprises: calculating, according to the user label, the user socializing on the recommended content The degree of influence of other users in the relationship; calculating the social influence degree of the user on the recommended content according to the calculated degree of influence of the user on the recommended content on other users in the social relationship.
  • the storage medium may be a non-volatile storage medium such as a magnetic disk, an optical disk, a read-only memory (ROM), or a random access memory (RAM).

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于社交网络的推荐方法，包括：获取用户标签，根据所述用户标签计算用户对推荐内容的转化率，获取用户的社交关系，根据所述社交关系计算用户对所述推荐内容的社交影响度，根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度预测用户对所述推荐内容的转化影响力，根据所述用户对所述推荐内容的转化影响力进行推荐。

Description

基于社交网络的推荐方法、装置、服务器及存储介质
本申请要求于2016年3月15日提交中国专利局、申请号为2016101475191、发明名称为“基于社交网络的推荐方法和装置”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
本发明涉及计算机处理领域，特别是涉及一种基于社交网络的推荐方法、装置、服务器及存储介质。
背景技术
随着互联网的发展，人们的生活越来越多的与互联网紧密联系在了一起。越来越多的商家为了促进商品的销售，会通过网络将产品推荐给潜在用户。传统的将产品推荐给用户往往只考虑了推荐的个体效应，即往往只是根据用户个人偏好为当前用户推荐可能感兴趣的信息或者商品，这样由于每次推荐针对的范围小，导致推荐的成本高。
发明内容
根据本申请的各种实施例，提供一种基于社交网络的推荐方法、装置、服务器及存储介质。
一种基于社交网络的推荐方法，包括：
获取用户标签；
根据所述用户标签计算用户对推荐内容的转化率；
获取用户的社交关系；
根据所述社交关系计算用户对所述推荐内容的社交影响度；
根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度确定用户对所述推荐内容的转化影响力；及
根据所述用户对所述推荐内容的转化影响力进行推荐。
一种基于社交网络的推荐装置，包括：
第一获取模块，用于获取用户标签；
第一计算模块，用于根据所述用户标签计算用户对推荐内容的转化率；
第二获取模块，用于获取用户的社交关系；
第二计算模块，用于根据所述社交关系计算用户对所述推荐内容的社交影响度；
确定模块，用于根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度确定用户对所述推荐内容的转化影响力；及
推荐模块，用于根据所述用户对所述推荐内容的转化影响力进行推荐。
一种服务器，包括存储器和处理器，所述存储器中存储有计算机可执行指令，所述计算机可执行指令被所述处理器执行时，使得所述处理器执行以下步骤：
获取用户标签；
根据所述用户标签计算用户对推荐内容的转化率；
获取用户的社交关系；
根据所述社交关系计算用户对所述推荐内容的社交影响度；
根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度确定用户对所述推荐内容的转化影响力；及
根据所述用户对所述推荐内容的转化影响力进行推荐。
一个或多个存储有计算机可执行指令的非易失性可读存储介质，所述计算机可执行指令被一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：
获取用户标签；
根据所述用户标签计算用户对推荐内容的转化率；
获取用户的社交关系；
根据所述社交关系计算用户对所述推荐内容的社交影响度；
根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度确定用户对所述推荐内容的转化影响力；及
根据所述用户对所述推荐内容的转化影响力进行推荐。
本发明的一个或多个实施例的细节在下面的附图和描述中提出。本发明的其它特征、目的和优点将从说明书、附图以及权利要求书变得明显。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中基于社交网络的推荐方法的应用环境图；
图2为一个实施例中基于社交网络的推荐方法的流程图；
图3为一个实施例中计算用户对推荐内容的转化率的方法流程图；
图4为一个实施例中计算用户对推荐内容的社交影响度的方法流程图；
图5为一个实施例中对社交关系中的用户影响度的示意图；
图6为一个实施例中进行推荐的方法流程图；
图7为一个实施例中基于社交网络的推荐装置的结构框图；
图8为一个实施例中第一计算模块的结构框图；
图9为一个实施例中第二计算模块的结构框图；
图10为一个实施例中服务器的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅 仅用以解释本发明，并不用于限定本发明。
本申请实施例所提供的基于社交网络的推荐方法可应用于如图1所示的环境中。参考图1，服务器10通过网络与终端20进行通信。服务器10获取终端20发送的登录请求，根据用户的登录请求获取用户标签，根据用户标签计算用户对推荐内容的转化率，获取用户的社交关系，根据社交关系计算用户对推荐内容的社交影响度，根据用户对推荐内容的转化率和用户对推荐内容的社交影响度确定用户对推荐内容的转化影响力及根据用户对推荐内容的转化影响力将对应的内容发送到终端20进行推荐。可以理解，终端20包括但不限于各种个人计算机、智能手机、平板电脑、笔记本电脑、便携式穿戴设备等，在此不一一列举。如图2所示，在一个实施例中，提出了一种基于社交网络的推荐方法，该方法可应用于如图1所述的服务器中，具体包括以下步骤：
步骤202，获取用户标签。
具体的，用户标签分为静态标签和动态标签。其中，静态标签包括：性别、年龄、职业等用户的固有属性，动态标签是通过用户浏览、点击、购买、发布动态等动态行为生成的标签，比如，根据用户浏览7k7k游戏，水果忍者游戏，生成小游戏标签；根据购买化妆品，生成购物、女性等标签；用户的动态标签往往会随着时间衰减，所以动态标签会随时间按小时、按天数更新。用户标签实际上代表的是用户的特征，用户标签的生成也就是用户特征的生成。
步骤204，根据用户标签计算用户对推荐内容的转化率。
在本实施例中，用户对推荐内容的转化率就是指用户对推荐内容的关注或者购买的可能概率。这里的推荐内容可以是产品信息、也可以是新闻信息，还可以是其他信息，可以根据不同的需要设置不同的推荐内容。具体地，如果推荐内容只有一个产品的话，可以直接使用用户标签作为特征，利用之前已有的转化数据作为模板，用机器学习的算法进行训练学习计算出影响用户关注或购买推荐内容的影响因素，以及每个影响因素对应的影响度。然后根据用户的标签(即获取相应的影响因素)来对其他用户的转化率进行预测计算即预测用户推荐或购买该产品的概率。在另一个实施例中，若是有多个产品，则分别计算针对不同产品的转化率，针对不同的产品，对用户的标签T算出一个权重， W(T，C)，其中，C代表产品；再用W(T，C)来替换之前的用户标签特征，进行机器学习的训练和预测，最后根据计算得到的各个标签对产品的影响权重来确定用户对该产品的转化率即关注或购买该产品的概率。不同的业务场景，转化的定义可能不同，有的可能点击推荐内容就算转化，有的是注册为会员或者进行了产品的购买才算是转化，转化的定义可以根据业务方或者广告方自行设定。根据用户标签计算用户对推荐内容的转化率就是判断当前用户是否是该推荐内容的潜在用户，比如，假设推荐内容是一款化妆品，该化妆品的潜在用户一般集中在20-30岁的女性，那么通过获取的用户标签来计算当前用户购买该化妆品的概率即用户对该化妆品的转化率，如果该用户标签中有女性，20-30岁，购物等标签，那么该用户购买该化妆品的概率就比较高，如果用户标签为男性、游戏等标签，那么该用户购买该化妆品的概率就比较低。
步骤206，获取用户的社交关系。
具体的，用户的社交关系分为静态社交关系和动态社交关系。静态社交关系就是不考虑用户动作情况下的用户关系，比如社交关系中用户的好友关系，关注被关注关系等。动态社交关系就是用户动作相关联的数据，比如，用户发布或者分享信息影响到好友进行评论、点赞、转发等。
步骤208，根据社交关系计算用户对推荐内容的社交影响度。
在本实施例中，用户对推荐内容的社交影响度就是指该用户对社交关系中的其他用户在推荐内容上的影响度，也就是说，用户对推荐内容关注或者购买后，其社交关系中的其他用户看到该用户关注或者购买后，也进行关注或者购买的概率。根据用户的社交关系计算用户对推荐内容的社交影响度，具体是通过计算用户对社交关系中的每个用户的影响度，对用户影响度的计算是通过计算该用户与其他用户的亲近度来量化的，在一个实施例中，具体是通过用户与其他用户的互动次数、互动频率以及互动时间等来量化用户与其他用户的亲近度，进而根据亲近度来确定用户对其他用户的影响度。根据计算得到的用户在推荐内容上对每个用户的影响度估算用户在整个社交关系中的社交影响力。比如，计算用户U对用户A的影响度，可以通过用户U和用户A的静态关系*动态关系来计算。其中，静态关系为：用户U具有标签T后，A相应也具有标签 T的概率。动态关系为U具有某种动作后，A也相应有某种动作的概率。通过计算用户对社交关系中所有用户的影响度来确定用户对该推荐内容的社交影响度。
步骤210，根据用户对推荐内容的转化率和用户对推荐内容的社交影响度计算用户对推荐内容的转化影响力。
在本实施例中，用户对推荐内容的转化影响力反应了当前用户对推荐内容的感兴趣度以及当前用户在该推荐内容上的影响度。根据计算得到的用户对推荐内容的转化率即用户关注或购买该推荐内容的概率和用户对推荐内容的社交影响度即影响其他用户关注或购买该推荐内容的概率，计算用户对推荐内容的转化影响力。具体地，用户对推荐内容的转化影响力可以通过对计算得到的用户对推荐内容的转化率乘以用户对推荐内容的社交影响度来计算得到。
步骤212，根据用户对推荐内容的转化影响力进行推荐。
在本实施例中，用户对推荐内容的转化影响力反应了当前用户对推荐内容的感兴趣度和对该推荐内容的传播能力。用户对推荐内容的转化影响力越大，说明该用户对推荐内容的感兴趣度和对该内容的传播能力越大，对该用户进行推荐达到的效果就越好，反之，则推荐效果不好。所以后续可以根据计算得到的用户对推荐内容的转化影响力有选择地进行推荐，以便提高推荐的效率，降低推荐的整体成本。
在本实施例中，基于社交网络的推荐方法通过获取用户标签，根据所述用户标签计算用户对推荐内容的转化率，获取用户的社交关系，根据所述社交关系计算用户对所述推荐内容的社交影响度，根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度预测用户对所述推荐内容的转化影响力，根据所述用户的转化影响力进行推荐。通过计算用户对推荐内容的转化率和用户对推荐内容的社交影响度预测用户对推荐内容的转化影响力，最终根据得到的转化影响力进行推荐。该方法不但考虑了推荐的个体效应即用户对推荐内容的转化率，还考虑了推荐的群体效应，即用户对推荐内容在社交关系中的影响度，也就是说，推荐内容的投放不仅是针对用户个人，更是针对用户的社交圈，扩大了推荐的范围，降低了推荐的成本。
如图3所示，在一个实施例中，根据用户标签计算用户对推荐内容的转化率的步骤304包括：
步骤304a，获取用户标签的初始权重。
在本实施例中，一个用户往往对应多个用户标签，而用户对不同事物的感兴趣度不同，所以每个用户标签所占的权重也是不同的。获取用户标签的初始权重，也就是获取用户的具体特征。用户标签的初始权重如表1所示。
Figure PCTCN2017074500-appb-000001
上述表1中是通过统一的标准来表示用户的初始权重，在后续的计算中，可以通过统一乘以每个标签各自对应的初始权重来计算用户对推荐内容的转化率。在另一个实施例中，标签的初始权重也可以是通过统一除以总的权重，然后采用百分比的形式来表示每个标签的初始权重。标签的初始权重不管是以哪种形式表示的，最后得到的对推荐内容的转化率都是相同的。
步骤304b，计算用户标签对推荐内容的影响权重。
具体的，对于不同的推荐内容，每个用户标签的影响权重不同。针对不同的推荐内容，首先要计算每个用户标签对该推荐内容的影响权重。比如，如果推荐的内容为高跟鞋，那么用户标签中的女性、购物标签所占的权重相对要大一些。具体地，计算用户标签的影响权重可以采用TF-idf(term frequency-inverse document frequency，词频-逆向文件频率)算法。比如，通过对已知的大量的购买过高跟鞋的用户所对应的标签信息进行统计分析，根据不同标签出现的频率，采用TF-idf算法来计算每个标签的影响权重。
步骤304c，根据初始权重和影响权重计算用户对推荐内容的转化率。
在本实施例中，根据用户标签的初始权重和用户标签对推荐内容的影响权 重确定用户对推荐内容的转化率即预测用户转化该推荐内容的概率。具体的，用户标签的初始权重为Weight(U，T_i)，其中U代表用户，T_i代表标签，i为自然数，用于标记不同的标签。计算得到的用户标签对推荐内容的影响权重为W(T_i，C)，其中，C代表推荐内容。用户标签的初始权重Weight(U，T_i)和用户标签对推荐内容的影响权重W(T_i，C)构成了用户U的特征向量，具体表示为：用户U的特征向量＝[Weight(U，T_0)*W(T_0，C)，Weight(U，T_1)*W(T_1，C)，Weight(U，T_2)*W(T_2，C)，……]，根据已有的样本数据即之前大量具有相同或相似的用户标签的用户是否关注或购买推荐内容作为模板进行机器训练，用训练出的模型，根据用户的特征向量进行回归学习得到用户对推荐内容的转化率。
在一个实施例中，计算用户标签对推荐内容的影响权重的步骤为：采用TF-idf算法计算用户标签对推荐内容的影响权重。
具体的，计算用户标签对推荐内容的影响权重采用TF-idf(词频-逆向文件频率)算法，词频指的是某一个给定的词语在该文件中出现的频率，这个数字是对词数的归一化，以防止它偏向长的文件。逆向文件频率是一个词语普遍重要性的度量。某一特定文件内的高词语频率，以及该词语在整个文件集合中的低文件频率可以产生高权重的TF-idf值。在计算用户标签对推荐内容的转化率时可以通过对已有的用户标签的大量数据进行分析，针对推荐内容，根据每个标签出现的词频来计算用户标签对推荐内容的影响权重。
如图4所示，在一个实施例中，根据社交关系计算用户对推荐内容的社交影响度的步骤包括：
步骤308a，根据用户标签计算用户在推荐内容上对社交关系中的其他用户的影响度。
在本实施例中，一个用户的社交关系中往往有多个好友关系，分别计算当前用户对社交关系中的其他用户的影响度。其他用户是指在社交关系中区别于当前用户的用户。具体的，用机器学习的算法计算当前用户U对其他用户在产品P上的关系程度，比如，计算用户U对用户A在产品P上的影响度Act(U，A，P)，用户U对用户A标签关联的特征向量为：[Act(U，A，T_0)，Act(U， A，T_1)，Act(U，A，T_2)，……]，以已有的数据模板，判断用户U发布或者分享产品P的信息后，用户A是否转换，用训练数据建立的模型对用户U的所有好友边的特征向量进行回归学习得到Act(U，A，P)，如图5所示，在一个实施例中，用户U对好友A、B、C在产品P上的影响度的示意图，其中，用户U对自身的影响度为1，即Act(U，U，P)＝1。
步骤308b，根据计算得到的用户在推荐内容上对社交关系中的其他用户的影响度，计算用户对推荐内容的社交影响度。
在本实施例中，通过计算得到用户在推荐内容上对社交关系中的其他用户的影响度计算用户对推荐内容的社交影响度，具体的，用户对推荐内容的社交影响度可以表示为对社交关系中的各个用户的影响度之和∑Act(U，A_i，P)。其中，i为自然数，分别表示不同的用户A_0，A_1，A_2，……。
如图6所示，在一个实施例中，根据用户对推荐内容的转化影响力进行推荐的步骤包括：
步骤312a，判断得到的用户对推荐内容的转化影响力是否大于预设的阈值，若是，则进入步骤312b，若否，则结束。
在本实施例中，通过计算得到用户对推荐内容的转化影响力后，判断得到的用户对推荐内容的转化影响力是否大于预设的阈值，若是，则将推荐内容推荐给该用户，若否，则不推荐。即计算得到用户对推荐内容的转化影响力后，通过将计算得到的转化影响力与预设的阈值进行比较来确定是否对该用户推荐该内容。
步骤312b，将推荐内容推荐给用户。
具体的，当用户对推荐内容的转化影响力大于设定的预设阈值时，则将推荐内容推荐给该用户。在本实施例中，通过考虑用户的个性效应及其群体效应进行推荐，扩大了每次推荐的影响范围，从而节省了推荐成本。
如图7所示，在一个实施例中，提出了一种基于社交网络的推荐装置，该装置包括：
第一获取模块702，用于获取用户标签。
在本实施例中，用户标签分为静态标签和动态标签。其中，静态标签包括： 性别、年龄、职业等用户的固有属性，动态标签是通过用户浏览、点击、购买、发布动态等动态行为生成的标签，比如，根据用户浏览7k7k游戏，水果忍者游戏，生成小游戏标签；根据购买化妆品，生成购物、女性等标签；用户的动态标签往往会随着时间衰减，所以动态标签会随时间按小时、按天数更新。用户标签实际上代表的是用户的特征，用户标签的生成也就是用户特征的生成。
第一计算模块704，用于根据用户标签计算用户对推荐内容的转化率。
在本实施例中，用户对推荐内容的转化率就是指用户对推荐内容的关注或者购买的可能概率。这里的推荐内容可以是产品信息、也可以是新闻信息，还可以是其他信息，可以根据不同的需要设置不同的推荐内容。具体地，如果推荐内容只有一个产品的话，可以直接使用用户标签作为特征，利用之前已有的转化数据作为模板，用机器学习的算法进行训练学习计算出影响用户关注或购买推荐内容的影响因素，以及每个影响因素对应的影响度。然后根据用户的标签(即获取相应的影响因素)来对其他用户的转化率进行预测计算即预测用户推荐或购买该产品的概率。在另一个实施例中，若是有多个产品，则分别计算针对不同产品的转化率，针对不同的产品，对用户的标签T算出一个权重，W(T，C)，其中，C代表产品；再用W(T，C)来替换之前的用户标签特征，进行机器学习的训练和预测，最后根据计算得到的各个标签对产品的影响权重来确定用户对该产品的转化率即关注或购买该产品的概率。
不同的业务场景，转化的定义可能不同，有的可能点击推荐内容就算转化，有的是注册为会员或者进行了产品的购买才算是转化，转化的定义可以根据业务方或者广告方自行设定。根据用户标签计算用户对推荐内容的转化率就是判断当前用户是否是该推荐内容的潜在用户，比如，假设推荐内容是一款化妆品，该化妆品的潜在用户一般集中在20-30岁的女性，那么通过获取的用户标签来计算当前用户购买该化妆品的概率即用户对该化妆品的转化率，如果该用户标签中有女性，20-30岁，购物等标签，那么该用户购买该化妆品的概率就比较高，如果用户标签为男性、游戏等标签，那么该用户购买该化妆品的概率就比较低。
第二获取模块706，用于获取用户的社交关系。
在本实施例中，用户的社交关系分为静态社交关系和动态社交关系。静态 社交关系就是不考虑用户动作情况下的用户关系，比如社交关系中用户的好友关系，关注被关注关系等。动态社交关系就是用户动作相关联的数据，比如，用户发布或者分享信息影响到好友进行评论、点赞、转发等。
第二计算模块708，用于根据社交关系计算用户对推荐内容的社交影响度。
在本实施例中，用户对推荐内容的社交影响度就是指该用户对社交关系中的其他用户在推荐内容上的影响度，也就是说，用户对推荐内容关注或者购买后，其社交关系中的其他用户看到该用户关注或者购买后，也进行关注或者购买的概率。根据用户的社交关系计算用户对推荐内容的社交影响度，具体是通过计算用户对社交关系中的每个用户的影响度，对用户影响度的计算是通过计算该用户与其他用户的亲近度来量化的，在一个实施例中，具体是通过用户与其他用户的互动次数、互动频率以及互动时间等来量化用户与其他用户的亲近度，进而根据亲近度来确定用户对其他用户的影响度。根据计算得到的用户在推荐内容上对每个用户的影响度估算用户在整个社交关系中的社交影响力。比如，计算用户U对用户A的影响度，可以通过用户U和用户A的静态关系*动态关系来计算。其中，静态关系为：用户U具有标签T后，A相应也具有标签T的概率。动态关系为U具有某种动作后，A也相应有某种动作的概率。通过计算用户对社交关系中所有用户的影响度来确定用户对该推荐内容的社交影响度。
确定模块710，用于根据用户对所述推荐内容的转化率和用户对推荐内容的社交影响度确定用户对推荐内容的转化影响力。具体地，用户对推荐内容的转化影响力可以通过对计算得到的用户对推荐内容的转化率乘以用户对推荐内容的社交影响度来计算得到。在本实施例中，用户对推荐内容的转化影响力反应了当前用户对推荐内容的感兴趣度以及当前用户在该推荐内容上的影响度。根据计算得到的用户对推荐内容的转化率即用户关注或购买该推荐内容的概率和用户对推荐内容的社交影响度即影响其他用户关注或购买该推荐内容的概率，计算用户对推荐内容的转化影响力。具体地，用户对推荐内容的转化影响力可以通过对计算得到的用户对推荐内容的转化率乘以用户对推荐内容的社交影响度来计算得到。
推荐模块712，用于根据用户对推荐内容的转化影响力进行推荐。
在本实施例中，用户对推荐内容的转化影响力反应了当前用户对推荐内容的感兴趣度和对该推荐内容的传播能力。用户对推荐内容的转化影响力越大，说明该用户对推荐内容的感兴趣度和对该内容的传播能力越大，对该用户进行推荐达到的效果就越好，反之，则推荐效果不好。所以后续可以根据计算得到的用户对推荐内容的转化影响力有选择地进行推荐，以便提高推荐的效率，降低推荐的整体成本。
在本实施例中，基于社交网络的推荐方法通过获取用户标签，根据所述用户标签计算用户对推荐内容的转化率，获取用户的社交关系，根据所述社交关系计算用户对所述推荐内容的社交影响度，根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度预测用户对所述推荐内容的转化影响力，根据所述用户的转化影响力进行推荐。通过计算用户对推荐内容的转化率和用户对推荐内容的社交影响度预测用户对推荐内容的转化影响力，最终根据得到的转化影响力进行推荐。该方法不但考虑了推荐的个体效应即用户对推荐内容的转化率，还考虑了推荐的群体效应，即用户对推荐内容在社交关系中的影响度，也就是说，推荐内容的投放不仅是针对用户个人，更是针对用户的社交圈，扩大了推荐的范围，降低了推荐的成本。
如图8所示，在一个实施例中，第一计算模块704包括：
初始权重获取模块704a，用于获取用户标签的初始权重。
在本实施例中，一个用户往往对应多个用户标签，而用户对不同事物的感兴趣度不同，所以每个用户标签所占的权重也是不同的。获取用户标签的初始权重，也就是获取用户的具体特征。用户标签的初始权重如表1所示。
影响权重计算模块704b，计算用户标签对推荐内容的影响权重。
在本实施例中，对于不同的推荐内容，每个用户标签的影响权重不同。针对不同的推荐内容，首先要计算每个用户标签对该推荐内容的影响权重。比如，如果推荐的内容为高跟鞋，那么用户标签中的女性、购物标签所占的权重要大一些。计算用户标签的影响权重可以采用TF-idf(term frequency-inverse document frequency，词频-逆向文件频率)算法。比如，通过对已知的大量的购买过高跟 鞋的用户所对应的标签信息进行统计分析，根据不同标签出现的频率，采用TF-idf算法来计算每个标签的影响权重。
转化率计算模块704c，用于根据初始权重和所述影响权重计算用户对推荐内容的转化率。
在本实施例中，根据用户标签的初始权重和用户标签对推荐内容的影响权重确定用户对推荐内容的转化率即预测用户转化该推荐内容的概率。具体的，用户标签的初始权重为Weight(U，T_i)，其中U代表用户，T_i代表标签，i为自然数，用于标记不同的标签。计算得到的用户标签对推荐内容的影响权重为W(T_i，C)，其中，C代表推荐内容。用户标签的初始权重Weight(U，T_i)和用户标签对推荐内容的影响权重W(T_i，C)构成了用户U的特征向量，具体表示为：用户U的特征向量＝[Weight(U，T_0)*W(T_0，C)，Weight(U，T_1)*W(T_1，C)，Weight(U，T_2)*W(T_2，C)，……]，根据已有的样本数据即之前大量具有相同或相似的用户标签的用户是否关注或购买推荐内容作为模板进行机器训练，用训练出的模型，根据用户的特征向量进行回归学习得到用户对推荐内容的转化率。
在一个实施例中，所述影响权重计算模块还用于采用TF-idf算法计算用户标签对推荐内容的影响权重。
在本实施例中，计算用户标签对推荐内容的影响权重采用TF-idf(词频-逆向文件频率)算法，词频指的是某一个给定的词语在该文件中出现的频率，这个数字是对词数的归一化，以防止它偏向长的文件。逆向文件频率是一个词语普遍重要性的度量。某一特定文件内的高词语频率，以及该词语在整个文件集合中的低文件频率可以产生高权重的TF-idf值。在计算用户标签对推荐内容的转化率时可以通过对已有的用户标签的大量数据进行分析，针对推荐内容，根据每个标签出现的词频来计算用户标签对推荐内容的影响权重。
如图9所示，在一个实施例中，第二计算模块708包括：
影响度计算模块708a，根据用户标签计算用户在推荐内容上对社交关系中的其他用户的影响度。
在本实施例中，一个用户的社交关系中往往有多个好友关系，分别计算用 户对社交关系中的其他用户的影响度，其他用户是指在社交关系中区别于当前用户的用户。具体的，用机器学习的算法计算当前用户U对其他用户在产品P上的关系程度，比如，计算用户U对用户A在产品P上的影响度Act(U，A，P)，用户U对用户A标签关联的特征向量为：[Act(U，A，T_0)，Act(U，A，T_1)，Act(U，A，T_2)，……]，以已有的数据模板，判断用户U发布或者分享产品P的信息后，用户A是否转换，用训练数据建立的模型对用户U的所有好友边的特征向量进行回归学习得到Act(U，A，P)，如图5所示，在一个实施例中，用户U对好友A、B、C在产品P上的影响度的示意图，其中，用户U对自身的影响度为1，即Act(U，U，P)＝1。
社交影响度计算模块708b，根据计算得到的用户在推荐内容上对社交关系中的其他用户的影响度，计算用户对推荐内容的社交影响度。
在本实施例中，通过计算得到用户在推荐内容上对社交关系中的每个用户的影响度计算用户对推荐内容的社交影响度，具体的，用户对推荐内容的社交影响度可以表示为对社交关系中的各个用户的影响度之和∑Act(U，A_i，P)。其中，i为自然数，分别表示不同的用户A_0，A_1，A_2，……。
在一个实施例中，推荐模块712还用于判断得到的用户对推荐内容的转化影响力是否大于预设的阈值，若是，则将推荐内容推荐给所述用户。
在本实施例中，通过计算得到用户对推荐内容的转化影响力后，判断得到的用户对推荐内容的转化影响力是否大于预设的阈值，若是，则将推荐内容推荐给该用户，若否，则不推荐。在本实施例中，通过考虑用户的个性效应及其群体效应进行推荐，扩大了每次推荐的范围，节省了推荐成本。
上述基于社交网络的推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。其中，网络接口可以是以太网卡或无线网卡等。上述各模块可以硬件形式内嵌于或独立于服务器中的处理器中，也可以以软件形式存储于服务器中的存储器中，以便于处理器调用执行以上各个模块对应的操作。该处理器可以为中央处理单元(CPU)、微处理器、单片机等。
如图10所示，在一个实施例中，示出了图1中服务器10的结构框图，该服务器10包括通过系统总线连接的处理器、非易失性存储介质、内存储器和网 络接口。其中，该服务器10的非易失性存储介质存储有操作系统和计算机可执行指令，该计算机可执行指令可被处理器执行以实现适用于服务器10的一种基于社交网络的推荐方法。该处理器用于提供计算和控制能力，支撑整个服务器的运行。服务器10中的内存储器为非易失性存储介质中的操作系统和计算机可执行指令的运行提供环境，该服务器10的网络接口用于与终端进行网络通信。本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的服务器10的限定，具体的服务器10可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，图10中服务器中的所述计算机可执行指令被处理器执行时，使得处理器执行以下步骤：获取用户标签；根据所述用户标签计算用户对推荐内容的转化率；获取用户的社交关系；根据所述社交关系计算用户对所述推荐内容的社交影响度；根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度确定用户对所述推荐内容的转化影响力；及根据所述用户对所述推荐内容的转化影响力进行推荐。
在一个实施例中，上述服务器中的处理器所执行的所述根据所述用户标签计算用户对推荐内容的转化率包括：获取用户标签的初始权重；计算用户标签对推荐内容的影响权重；根据所述初始权重和所述影响权重计算用户对所述推荐内容的转化率。
在一个实施例中，上述服务器中的处理器所执行的所述计算用户标签对推荐内容的影响权重为：采用TF-idf算法计算用户标签对推荐内容的影响权重。
在一个实施例中，上述服务器中的处理器所执行的所述根据所述社交关系计算用户对所述推荐内容的社交影响度包括：根据所述用户标签计算用户在所述推荐内容上对社交关系中的其他用户的影响度；根据计算得到的用户在所述推荐内容上对社交关系中的其他用户的影响度，计算用户对所述推荐内容的社交影响度。
在一个实施例中，上述服务器中的处理器所执行的所述根据所述用户对所述推荐内容的转化影响力进行推荐包括：判断得到的所述用户对所述推荐内容 的转化影响力是否大于预设的阈值；若是，则将所述推荐内容推荐给所述用户。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (20)

  1. 一种基于社交网络的推荐方法，包括：
    获取用户标签；
    根据所述用户标签计算用户对推荐内容的转化率；
    获取用户的社交关系；
    根据所述社交关系计算用户对所述推荐内容的社交影响度；
    根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度确定用户对所述推荐内容的转化影响力；及
    根据所述用户对所述推荐内容的转化影响力进行推荐。
  2. 根据权利要求1所述的方法，其特征在于，所述根据所述用户标签计算用户对推荐内容的转化率包括：
    获取用户标签的初始权重；
    计算用户标签对推荐内容的影响权重；
    根据所述初始权重和所述影响权重计算用户对所述推荐内容的转化率。
  3. 根据权利要求2所述的方法，其特征在于，所述计算用户标签对推荐内容的影响权重为：采用TF-idf算法计算用户标签对推荐内容的影响权重。
  4. 根据权利要求1所述的方法，其特征在于，所述根据所述社交关系计算用户对所述推荐内容的社交影响度包括：
    根据所述用户标签计算用户在所述推荐内容上对社交关系中的其他用户的影响度；
    根据计算得到的用户在所述推荐内容上对社交关系中的其他用户的影响度，计算用户对所述推荐内容的社交影响度。
  5. 根据权利要求1所述的方法，其特征在于，所述根据所述用户对所述推荐内容的转化影响力进行推荐包括：
    判断得到的所述用户对所述推荐内容的转化影响力是否大于预设的阈值；
    若是，则将所述推荐内容推荐给所述用户。
  6. 一种基于社交网络的推荐装置，包括：
    第一获取模块，用于获取用户标签；
    第一计算模块，用于根据所述用户标签计算用户对推荐内容的转化率；
    第二获取模块，用于获取用户的社交关系；
    第二计算模块，用于根据所述社交关系计算用户对所述推荐内容的社交影响度；
    确定模块，用于根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度确定用户对所述推荐内容的转化影响力；及
    推荐模块，用于根据所述用户对所述推荐内容的转化影响力进行推荐。
  7. 根据权利要求6所述的装置，其特征在于，所述第一计算模块包括：
    初始权重获取模块，用于获取用户标签的初始权重；
    影响权重计算模块，计算用户标签对推荐内容的影响权重；
    转化率计算模块，用于根据所述初始权重和所述影响权重计算用户对所述推荐内容的转化率。
  8. 根据权利要求7所述的装置，其特征在于，所述影响权重计算模块还用于采用TF-idf算法计算用户标签对推荐内容的影响权重。
  9. 根据权利要求6所述的装置，其特征在于，所述第二计算模块包括：
    影响度计算模块，根据所述用户标签计算用户在所述推荐内容上对社交关系中的其他用户的影响度；
    社交影响度计算模块，根据计算得到的用户在所述推荐内容上对社交关系中的其他用户的影响度，计算用户对所述推荐内容的社交影响度。
  10. 根据权利要求6所述的装置，其特征在于，所述推荐模块还用于判断得到的所述用户对所述推荐内容的转化影响力是否大于预设的阈值，若是，则将所述推荐内容推荐给所述用户。
  11. 一种服务器，包括存储器和处理器，所述存储器中存储有计算机可执行指令，所述计算机可执行指令被所述处理器执行时，使得所述处理器执行以下步骤：
    获取用户标签；
    根据所述用户标签计算用户对推荐内容的转化率；
    获取用户的社交关系；
    根据所述社交关系计算用户对所述推荐内容的社交影响度；
    根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度确定用户对所述推荐内容的转化影响力；及
    根据所述用户对所述推荐内容的转化影响力进行推荐。
  12. 根据权利要求11所述的服务器，其特征在于，所述处理器所执行的所述根据所述用户标签计算用户对推荐内容的转化率包括：
    获取用户标签的初始权重；
    计算用户标签对推荐内容的影响权重；
    根据所述初始权重和所述影响权重计算用户对所述推荐内容的转化率。
  13. 根据权利要求11所述的服务器，其特征在于，所述处理器所执行的所述计算用户标签对推荐内容的影响权重为：采用TF-idf算法计算用户标签对推荐内容的影响权重。
  14. 根据权利要求13所述的服务器，其特征在于，所述处理器所执行的所述根据所述社交关系计算用户对所述推荐内容的社交影响度包括：
    根据所述用户标签计算用户在所述推荐内容上对社交关系中的其他用户的影响度；
    根据计算得到的用户在所述推荐内容上对社交关系中的其他用户的影响度，计算用户对所述推荐内容的社交影响度。
  15. 根据权利要求11所述的服务器，其特征在于，所述处理器所执行的所述根据所述用户对所述推荐内容的转化影响力进行推荐包括：
    判断得到的所述用户对所述推荐内容的转化影响力是否大于预设的阈值；
    若是，则将所述推荐内容推荐给所述用户。
  16. 一个或多个存储有计算机可执行指令的非易失性可读存储介质，所述计算机可执行指令被一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：
    获取用户标签；
    根据所述用户标签计算用户对推荐内容的转化率；
    获取用户的社交关系；
    根据所述社交关系计算用户对所述推荐内容的社交影响度；
    根据所述用户对所述推荐内容的转化率和所述用户对所述推荐内容的社交影响度确定用户对所述推荐内容的转化影响力；及
    根据所述用户对所述推荐内容的转化影响力进行推荐。
  17. 根据权利要求16所述的非易失性可读存储介质，其特征在于，所述处理器所执行的所述根据所述用户标签计算用户对推荐内容的转化率包括：
    获取用户标签的初始权重；
    计算用户标签对推荐内容的影响权重；
    根据所述初始权重和所述影响权重计算用户对所述推荐内容的转化率。
  18. 根据权利要求16所述的非易失性可读存储介质，其特征在于，所述处理器所执行的所述计算用户标签对推荐内容的影响权重为：采用TF-idf算法计算用户标签对推荐内容的影响权重。
  19. 根据权利要求18所述的非易失性可读存储介质，其特征在于，所述处理器所执行的所述根据所述社交关系计算用户对所述推荐内容的社交影响度包括：
    根据所述用户标签计算用户在所述推荐内容上对社交关系中的其他用户的影响度；
    根据计算得到的用户在所述推荐内容上对社交关系中的其他用户的影响度，计算用户对所述推荐内容的社交影响度。
  20. 根据权利要求16所述的非易失性可读存储介质，其特征在于，所述处理器所执行的所述根据所述用户对所述推荐内容的转化影响力进行推荐包括：
    判断得到的所述用户对所述推荐内容的转化影响力是否大于预设的阈值；
    若是，则将所述推荐内容推荐给所述用户。
PCT/CN2017/074500 2016-03-15 2017-02-23 基于社交网络的推荐方法、装置、服务器及存储介质 WO2017157149A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610147519.1 2016-03-15
CN201610147519.1A CN105809558A (zh) 2016-03-15 2016-03-15 基于社交网络的推荐方法和装置

Publications (1)

Publication Number Publication Date
WO2017157149A1 true WO2017157149A1 (zh) 2017-09-21

Family

ID=56468420

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/074500 WO2017157149A1 (zh) 2016-03-15 2017-02-23 基于社交网络的推荐方法、装置、服务器及存储介质

Country Status (2)

Country Link
CN (1) CN105809558A (zh)
WO (1) WO2017157149A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110502693A (zh) * 2019-07-11 2019-11-26 阿里巴巴集团控股有限公司 在项目推荐中使用的方法、装置、计算设备及存储介质
CN111144986A (zh) * 2019-12-25 2020-05-12 清华大学 一种基于分享行为的社交电商网站商品推荐方法及装置
CN111753213A (zh) * 2020-06-10 2020-10-09 西北工业大学 一种问答社交网络用户分享行为的传染力度量方法
CN112883268A (zh) * 2021-02-22 2021-06-01 中国计量大学 一种考虑用户多兴趣以及社交影响的会话推荐方法
CN113240408A (zh) * 2021-06-18 2021-08-10 中国银行股份有限公司 手机银行app推荐方法及装置
CN114936873A (zh) * 2022-05-19 2022-08-23 北京趣云万维信息技术有限公司 电商引流转化智能引导分析方法、装置、存储介质和电子设备

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11238495B2 (en) * 2015-09-21 2022-02-01 Walmart Apollo, Llc Method and system for data driven personalization
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
CN109118379B (zh) * 2017-06-22 2023-03-21 腾讯科技（深圳）有限公司 基于社交网络的推荐方法和装置
CN108305181B (zh) * 2017-08-31 2021-12-14 腾讯科技（深圳）有限公司 社交影响力确定、信息投放方法及装置、设备及存储介质
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
CN110399185B (zh) * 2018-04-24 2022-05-06 华为技术有限公司 一种调整智能推荐的方法、终端及服务器
KR102052344B1 (ko) * 2018-06-11 2019-12-04 옴니어스 주식회사 소셜 네트워크를 이용한 영향력 측정 방법 및 장치
CN109241427B (zh) * 2018-09-04 2023-08-18 中国平安人寿保险股份有限公司 信息推送方法、装置、计算机设备和存储介质
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
CN111352678B (zh) * 2018-12-20 2024-05-07 阿里巴巴集团控股有限公司 信息处理方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100088327A1 (en) * 2008-10-02 2010-04-08 Nokia Corporation Method, Apparatus, and Computer Program Product for Identifying Media Item Similarities
CN103403748A (zh) * 2010-12-17 2013-11-20 南加州大学 估算计算机网络系统的用户对其它用户的社会影响值
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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104281622B (zh) * 2013-07-11 2017-12-05 华为技术有限公司 一种社交媒体中的信息推荐方法和装置
CN103617289B (zh) * 2013-12-12 2017-09-19 北京交通大学长三角研究院 基于用户特征及网络关系的微博推荐方法
CN104021163B (zh) * 2014-05-28 2017-10-24 深圳市盛讯达科技股份有限公司 产品推荐系统及方法
CN104965889B (zh) * 2015-06-17 2017-06-13 腾讯科技（深圳）有限公司 内容推荐方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100088327A1 (en) * 2008-10-02 2010-04-08 Nokia Corporation Method, Apparatus, and Computer Program Product for Identifying Media Item Similarities
CN103403748A (zh) * 2010-12-17 2013-11-20 南加州大学 估算计算机网络系统的用户对其它用户的社会影响值
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

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110502693A (zh) * 2019-07-11 2019-11-26 阿里巴巴集团控股有限公司 在项目推荐中使用的方法、装置、计算设备及存储介质
CN110502693B (zh) * 2019-07-11 2023-04-11 创新先进技术有限公司 在项目推荐中使用的方法、装置、计算设备及存储介质
CN111144986A (zh) * 2019-12-25 2020-05-12 清华大学 一种基于分享行为的社交电商网站商品推荐方法及装置
CN111144986B (zh) * 2019-12-25 2024-05-31 清华大学 一种基于分享行为的社交电商网站商品推荐方法及装置
CN111753213A (zh) * 2020-06-10 2020-10-09 西北工业大学 一种问答社交网络用户分享行为的传染力度量方法
CN112883268A (zh) * 2021-02-22 2021-06-01 中国计量大学 一种考虑用户多兴趣以及社交影响的会话推荐方法
CN112883268B (zh) * 2021-02-22 2022-02-01 中国计量大学 一种考虑用户多兴趣以及社交影响的会话推荐方法
CN113240408A (zh) * 2021-06-18 2021-08-10 中国银行股份有限公司 手机银行app推荐方法及装置
CN114936873A (zh) * 2022-05-19 2022-08-23 北京趣云万维信息技术有限公司 电商引流转化智能引导分析方法、装置、存储介质和电子设备

Also Published As

Publication number Publication date
CN105809558A (zh) 2016-07-27

Similar Documents

Publication Publication Date Title
WO2017157149A1 (zh) 基于社交网络的推荐方法、装置、服务器及存储介质
US20240028658A1 (en) Systems, apparatuses, and methods for providing a quality score based recommendation
US8793154B2 (en) Customer relevance scores and methods of use
US20160188734A1 (en) Method and apparatus for programmatically synthesizing multiple sources of data for providing a recommendation
US20160253325A1 (en) Method and apparatus for programmatically adjusting the relative importance of content data as behavioral data changes
US20210056458A1 (en) Predicting a persona class based on overlap-agnostic machine learning models for distributing persona-based digital content
CN111095330B (zh) 用于预测在线用户交互的机器学习方法和系统
US20240202769A1 (en) Method, apparatus, device, storage medium and program product for promoter determination
US20130231975A1 (en) Product cycle analysis using social media data
US20140032475A1 (en) Systems And Methods For Determining Customer Brand Commitment Using Social Media Data
US10937070B2 (en) Collaborative filtering to generate recommendations
US20140122221A1 (en) Optimizing bidding with multiple campaign types
CN111400613A (zh) 物品推荐方法、装置、介质及计算机设备
WO2020221022A1 (zh) 业务对象推荐方法
US20170142119A1 (en) Method for creating group user profile, electronic device, and non-transitory computer-readable storage medium
WO2021081914A1 (zh) 推送对象确定方法、装置、终端设备及存储介质
US20210192549A1 (en) Generating analytics tools using a personalized market share
CN111967924A (zh) 商品推荐方法、商品推荐装置、计算机设备和介质
CN111787042B (zh) 用于推送信息的方法和装置
CN111582901B (zh) 一种展示链接效果的量化方法、装置、系统及存储介质
US11604942B2 (en) Method and apparatus for determining data linkage confidence levels
CN112925982B (zh) 用户重定向方法及装置、存储介质、计算机设备
JP6679415B2 (ja) 選択装置、選択方法および選択プログラム
JP6549742B1 (ja) 決定装置、決定方法および決定プログラム
US10304115B2 (en) Quantification of user receptiveness via machine learning

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

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

Ref document number: 17765691

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205N DATED 17.01.2019)

122 Ep: pct application non-entry in european phase

Ref document number: 17765691

Country of ref document: EP

Kind code of ref document: A1