CN104281599A - 用于向社交网络中的用户推荐信息的方法和装置 - Google Patents

Abstract

一种向社交网络中的用户推荐信息的方法和装置，包括：将用户在社交网络中的多个好友用户归类为两个或多个一级好友用户集合；针对两个或多个一级好友用户集合中的每一个，计算用户对每个一级好友用户集合的倾向性，从而得到两个或多个相应的倾向值；根据两个或多个相应的倾向值，基于两个或多个一级好友用户集合中的各个元素在社交网络中的各自好友信息，向用户推荐相关的信息。

Description

用于向社交网络中的用户推荐信息的方法和装置

技术领域

本发明涉及社交网络中的信息推荐。

背景技术

近年来社交网络(SNS)被人们频繁使用。社交网络是人们与例如具有相同背景或爱好的个人或群组进行社交的平台。在社交网络上用户通常具有代表个人身份的个人简档以及他的网络链接。社交网络允许用户例如加好友、张贴个人信息(例如资料、状态、相片)、例如通过发信息、玩游戏等方式与好友进行交流，或者向好友分享新闻、评论或视频之类的信息。社交网络的形式可以是网站、软件或应用等。用户可以通过计算机，包括诸如桌上型计算机、膝上型计算机之类的电子设备或者诸如智能移动电话、平板电脑之类的移动设备来访问社交网络。通常依赖于包括此类用户设备、服务器等的社交网络系统来实现社交网络的功能。其中向用户推荐信息是社交网络的一项重要功能，其对提高用户活跃度和保留用户有很大帮助。

发明内容

本发明提供了一种向社交网络中的用户推荐信息的方法，包括：将用户在社交网络中的多个好友用户归类为两个或多个一级好友用户集合；针对两个或多个一级好友用户集合中的每一个，计算用户对每个一级好友用户集合的倾向性，从而得到两个或多个相应的倾向值；根据两个或多个相应的倾向值，基于两个或多个一级好友用户集合中的各个元素在社交网络中的各自好友信息，向用户推荐相关的信息。

本发明还提供了一种用于向社交网络中的用户推荐信息的装置，包括：用于将用户在社交网络中的多个好友用户归类为两个或多个一级好友用户集合的装置；用于针对两个或多个一级好友用户集合中的每一个，计算用户对每个一级好友用户集合的倾向性，从而得到两个或多个相应的倾向值的装置；以及用于根据两个或多个相应的倾向值，基于两个或多个一级好友用户集合中的各个元素在社交网络中的各自好友信息，向用户推荐相关的信息的装置。

附图说明

图1是示出社交网络中的用户好友关系的一部分的示意图；

图2是示出根据本发明的实施例的方法的流程图；

图3是示出根据本发明的实施例的归类步骤和推荐相关的信息的步骤的示意图；

图4是示出根据本发明的实施例的推荐相关的信息的步骤的某些子步骤的流程图；以及

图5是示出根据本发明的实施例的向用户推荐信息的显示的示例。

具体实施方式

存在许多种类的社交网络，例如实名制社交网站、微博客、即时通信系统、基于位置的社交应用、视频分享、社交游戏等。虽然社交网络的类型不同，但是其基本功能之一是推荐信息。推荐的信息包括用户可能感兴趣的新闻信息、视频信息或者该社交网络中的其他用户的信息等。用户可以根据推荐的信息选择各种操作，例如浏览推荐的新闻信息、观看推荐的视频、访问被推荐的用户的页面或者将其加为好友。其中，推荐与用户有关的信息(在社交网络中通常被称为推荐好友)的功能是很有利，这是因为通过用户搜索的方式来加好友具有效率低以及相关度不高等缺陷，而向用户推荐合适的好友可以使用户具有较多并且相关的好友，十分有利于增加社交网络的活跃用户以及保留用户。

以推荐好友信息为例，社交网络线上使用的好友推荐方法包括二级好友(FOF)推荐、好友簇推荐、资料推荐以及通讯录推荐等，其中二级好友推荐具有候选集广泛、属于基础数据集、能够通过用户与二级好友的共同好友说明两人之间存在联系等优点。随着社交网络的发展，社交圈检测越来越受到关注，社交圈例如是包括具有某些共同特征或共同背景的好友的集合。与提升用户的整体好友数相比，提升与用户更相关的社交圈的好友数可以使得好友推荐更能够起到增加用户活跃度和保留用户的作用。

以好友推荐为例，目前的好友推荐算法存在很大的衰减，即推荐结果无法持续很久的时间就失去与用户的相关度。这是因为社交圈与用户的相关度随时间变化以及二级好友本身的选取衰减。因此例如好友推荐的信息推荐需要考虑到社交圈某时刻的相关度等因素来进行诸如好友推荐之类的信息推荐。

图1示意性示出了社交网络中的用户好友关系的一部分。如图1所示，在社交网络中，用户A可以具有例如包括F01、F02、F03在内的多个好友用户。好友关系(以用户之间的连线表示)通常为双向的，互为好友的两个用户可以具有例如互相发送即时信息、查看资料、访问相册等权限。使用户具有较多好友可以使该用户在社交网站上更加活跃并且更有更小的可能性离开，这对于社交网站而言是有利的。

如图1所示，用户A的好友用户(或一级好友用户)F01、F02、F03可以具有FOF101、FOF102、FOF103、FOF201、FOF202、FOF301等好友用户。这些尚未与A成为好友，但是以用户A的好友用户为好友的用户被称为用户A的二级好友。在图1中可见用户A的二级好友FOF103具有与F01和F02两者的好友关系，则其与A具有至少F01和F02两个共同好友。

用户可以通过向另一用户发出好友申请来加好友，好友申请经对方同意好友申请后两者成为好友。向用户推荐与该社交网络中的其他用户的信息允许向用户提供更多，与其具有更大相关度的好友。而基于用户的好友用户的集合来有针对性地向用户推荐信息则使得推荐结果不易于失去与用户的相关度。

图5是向用户推荐信息的界面的示例，其中FOF201、FOF103、FOF301、FOF101是作为推荐结果的二级好友。用户可以对推荐结果进行申请加对方为好友(502)、选择不再推荐此人(503)以及访问其个人页面(501)等操作。

图2是示出根据本发明的实施例的方法的流程图。

如图2所示，根据本发明的实施例的方法包括：将用户在社交网络中的多个好友用户归类为两个或多个一级好友用户集合(S202)；针对两个或多个一级好友用户集合中的每一个，计算用户对每个一级好友用户集合的倾向性，从而得到两个或多个相应的倾向值(S203)；并且根据两个或多个相应的倾向值，基于两个或多个一级好友用户集合中的各个元素在社交网络中的各自好友信息，向用户推荐相关的信息(S204)。然后可以返回上述步骤，使得上述步骤按预先确定的周期反复运行，以确保相关结果在该周期后被更新(S205)。

图2中实施例的归类步骤(S202)包括将每个用户的好友用户归类为多个一级好友用户集合(community)。在该步骤中，产生具有多个好友用户互相之间的权重的数据列表，并且将数据列表代入社区检测算法中来对所述多个好友用户归类。实现其需要获得用户的好友用户列表、用户已有的好友分组信息、两个好友用户之间的交互信息以及用户的好友用户之间是否具有好友关系的信息。首先(1)建立表示用户的两个好友之间关系程度的权重(weight)<friend-id1，friend-id2，weight>，其中friend-id1、friend-id2表示用户的两个好友用户，weight的值可以是0到1。然后(2)可以基于用户已有的好友分组来修改weight值，这可以通过如下方式实现：如果用户已经将两个好友用户归为一组(例如用户通过对社交网站显示的好友列表进行操作)，则将weight提高0.1，直到加到最大值1。随后(3)可以基于该社交网络中的两个用户的交互信息来修改weight值，计算方式例如是：

$\mathrm{weight}(\mathrm{id}1,\mathrm{id}2)=\left\{\begin{array}{c}0.05*n,\\ 0.02*m,\\ 0.01*t,\end{array}\right.---\left(1\right)$

其中n为包括交互的写行为次数、m为交互的读个人页面的行为次数，并且t为其他交互的读行为次数。之后(4)可以将上述数据作为输入代入社区检测算法中来对该用户的好友用户进行归类并且将经归类的好友用户加入相应的一级好友用户集合，该社区检测算法例如walktrap算法。

归类步骤(S202)进一步包括对用户的每个一级好友用户集合中的元素(即用户的好友用户)进行排序。可以基于该好友用户对用户的交互程度Pref(hostid，friendid)(其中hoistid代表用户)和该好友用户的活跃程度active(id)来计算该好友用户相对于用户的一级好友权重并且依据该一级好友权重排序，该权重

score(hosted，friendid)的计算方式例如是：

score(hostid，friendid)＝Pref(hostid，frendid)×0.618+acitve(friendid)×0.382(2)

交互程度的计算方式例如是：

Pref_n+1＝0.76*Pref_n+ΔPref_n+1       (3)

${\mathrm{\&Delta;Pref}}_{n+1}=\underset{k=0}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{weight}}_k(\mathrm{hostid},\mathrm{friendid})---\left(4\right)$

其中n是从建立好友关系开始的大周期数，大周期可以是预先确定的(例如1天)。并且其中weight_k是在一个较短的时间周期内(例如1小时)，用户对该好友用户的一级好友权重最高的一次行为的权重计算，行为的分值定义如下：m是在大周期内(例如1天)，有多少个小周期(例如1小时)。weight_k的确定方式例如为：

一级好友用户权重的计算还取决于好友用户的活跃程度(active(id))，活跃程度的确定方式例如为：

active(id)＝过去7个周期的登陆总时长*0.5+过去7个周期的总行为次数*0.5                                 (6)然后将活跃程度归一化，使结果在0～1之间取值。

归类结果的示例如图3中的301和302所示，其中301和302是分别是一个一级好友用户集合。F01和F02属于同一个一级好友用户集合，F01被排序在F02之前而F03则属于另一个一级好友用户集合。

如图2所示，在实施例中向用户推荐信息的方法还包括针对两个或多个一级好友用户集合中的每一个，计算用户对每个一级好友用户集合的倾向性，从而得到两个或多个相应的倾向值(S203)。在该步骤中，基于所接收的用户在社交网络中的历史活动信息，来计算两个或多个一级好友用户集合(community_i)相应的两个或多个相应的倾向值Pref(hosted，community_i)。其中历史活动信息包括以下中的一种或多种：用户针对曾被推荐的信息的申请加为好友的操作的次数add_count；用户针对曾被推荐的信息的选择不再推荐与该好友有关的信息的操作次数forbit_count；曾推荐的信息被推荐显示的次数show_count，以及用户进入与相关的信息相关联的页面的次数go_to_prf_count。可以接收例如在图5中显示的界面中例如通过点击相应框来进行的上述操作的信息。倾向值的计算方式例如如下：

$\mathrm{Pref}(\mathrm{hostid},{\mathrm{community}}_i)={\mathrm{\&Sigma;}}_{k=0}^n\mathrm{pref}\{\mathrm{hostid},{\mathrm{fofid}}_k\}---\left(7\right)$

其中n为该一级好友用户集合所延伸的二级好友数(将在下文提到)，另外其中：

$\mathrm{pref}\{\mathrm{hostid},{\mathrm{fofid}}_k\}=\left\{\begin{array}{c}1,\mathrm{show}\_\mathrm{count}=0\\ 1+\frac{\mathrm{add}\_\mathrm{count}*10+\mathrm{click}\_\mathrm{count}-\mathrm{forbid}\_\mathrm{count}*5)}{\mathrm{show}\_\mathrm{count}},{\mathrm{show}}_{\mathrm{count}}>0\end{array}\right.---\left(8\right)$

然后对Γref(hostid，community_i)进行归一化：

$\mathrm{Pref}(\mathrm{hostid},\mathrm{communit}{y}_i)=\frac{\mathrm{Pref}\{\mathrm{hostid},{\mathrm{community}}_i\}}{{\mathrm{\&Sigma;}}_{k=0}^m\mathrm{pref}\{\mathrm{hostid},{\mathrm{community}}_k\}}---\left(9\right)$

其中m为一级好友用户集合的个数。

在可替换实施例中，在计算倾向值的步骤中，可以基于用户与两个或多个一级好友用户集合中的每一个中的各个元素的交互程度，来计算两个或多个相应的倾向值。可以对Top N个一级好友用户集合内好友的交互程度作平均来计算倾向值：

Pref(hostid，community_i)＝∑pref(hostid，community_i)/N     (10)

Pref(hostid，community_i)＝pref(hostid，community_i)/∑pref(hostid，community_i)(11)

在另一可替换实施例中，在计算倾向值的步骤中，可以通过诸如PCA之类的模型预估的方式来计算两个或多个相应的倾向值。

上述描述的计算倾向值的方式可以根据特定情况来使用。

根据实施例，向用户推荐相关的信息的步骤(S204)包括选择每个一级好友用户集合中的各个元素的各自好友，将满足要求的结果加入该一级好友用户集合的延伸集合的步骤(S402)；对每个延伸集合中的元素进行过滤(S403)的步骤，以及对于经过滤仍保留的元素，计算其关于用户的相关值并且排序的步骤(S404)。

在实施例中，首先选择每个一级好友用户集合中的各个元素的各自好友，将满足要求的结果加入该一级好友用户集合的延伸集合(S402)。如图3所示，FOF101、FOF103、FOF201为从一级用户集合301延伸的二级好友。将一个从某个一级好友用户集合community_i延伸出的二级好友和该集合内的一个元素(好友用户)有好友关系称为是该二级好友与集合的一条入度(degree)，根据不同的两个或多个一级好友用户集合中的每一个中的元素的数量(size(community_i))，则二级好友加入延伸集合需满足以下条件：

(1)当一级好友用户集合包括20个以下的元素时，即size(community_i)＜20时，二级好友的degree＞size(community_i)*0.8。这是由于集合内元素个数较少时，入度需满足较高的阈值，这时能保证候选源的相关度；

(2)当32＞size(community_i)＞＝20时，二级好友的degree＞＝16；

(3)当size(community_i)＞＝32时，二级好友的degree＞size(community_i)*0.5。即集合内元素较多时，入度的阈值可适当放宽，使得候选源数量较多，以便选择时保持数据完整。

然后对每个延伸中的元素(即二级好友)进行过滤(S403)。其中判断潜在的推荐的二级好友是否曾作为推荐结果显示，当与二级好友相关的信息曾被推荐而显示的次数超过一定阈值(例如：10次)后则将其过滤；如果一个用户已经被过滤了较高的时长(例如：7个大周期，例如7天)，则该二级好友的信息层被推荐的次数被设置为0，重新按照前述原则判断是否过滤该用户。

然后计算过滤后仍然保留的推荐的二级好友关于用户的相关值(S404)。计算可以使用机器学习模型来计算权重并且根据权重排序。其中模型特征集合例如：i)静态方面资料的匹配程度，包括：学校、公司、家乡、喜好；ii)活跃度因素，包括：登录频率、好友数iii)用户及二级好友彼此之间的动态连接，包括：共同好友数、是否有访问纪录等。其中模型label标注的正样本例如为是否有申请加为好友；负样本例如定义为作为推荐结果显示了5次以上，但仍未加为好友的样本。另外其中机器学习模型可以选择Logistic Regression。最后相关值的结果为score(hostid，fofid)，并且根据该相关值排序。

根据实施例，向用户推荐相关的信息的步骤(S204)还包括基于计算的两个或多个倾向值对延伸的二级好友进行选择和排序并且作为推荐结果显示。其中选择排序包括至少以下两种方式：

(1)以所述相应的倾向值为比例分配待推荐的所述相关信息。例如预先确定共推荐80个好友，如果Pref(hostid，community₁)＝0.4是倾向值最高的一级好友用户集合，则取80*0.4个community₁的延伸集合中排序在前的二级好友相关的信息放在最前，以此类推。

(2)计算各个元素的各个好友用户的排序值，并且根据排序值对各个元素的各自好友一起进行全排序。排序值可以表示为：

rank(hoted，fofid)＝Pref(hostid，community_i)×score(hostid，fofid)×score(hostid，friendid)(12)

按照rank(hosted，fofid)做全排序，取前预定个数(例如80个)的二级好友的相关信息作为最后的推荐结果。

另外由于各一级好友用户集合的延伸集合中的二级好友可能重复，因此可以在上述步骤之后进行去重。

向用户推荐的信息的显示如图5所示。要注意的是，图5仅用于示例的目的，该显示可以包括更多或更少的推荐信息、其他用户交互项目或者不同的布局。

此外，上述向用户推荐信息的方法的步骤可以例如按照预先确定的周期(例如1天)循环运行(S205)，使得信息的推荐是实时的，以确保推荐结果能够更新，而不随一级好友用户集合的倾向性降低而衰减。

根据本发明的实施例，还提供了一种用于向社交网络中的用户推荐信息的装置，包括：用于将用户在社交网络中的多个好友用户归类为两个或多个一级好友用户集合的装置；用于针对两个或多个一级好友用户集合中的每一个，计算用户对每个一级好友用户集合的倾向性，从而得到两个或多个相应的倾向值的装置；以及用于根据两个或多个相应的倾向值，基于两个或多个一级好友用户集合中的各个元素在社交网络中的各自好友信息，向用户推荐相关的信息的装置。

用于归类的装置包括：用于产生具有多个好友用户互相之间的权重的数据列表，并且将数据列表代入社区检测算法中来对多个好友用户归类的装置。

用于计算倾向值的装置被配置为：基于所接收的用户在社交网络中的历史活动信息，来计算两个或多个相应的倾向值。

其中历史活动信息包括以下中的一种或多种：用户针对曾被推荐的信息的申请加为好友的操作的次数；用户针对曾被推荐的信息的选择不再推荐与该好友有关的信息的操作次数；曾推荐的信息被推荐的次数；以及用户进入与相关的信息相关联的页面的次数。

用于计算倾向值的装置还被配置为：基于用户与两个或多个一级好友用户集合中的每一个中的各个元素的交互程度，来计算两个或多个相应的倾向值。

用于计算倾向值的装置还被配置为：通过模型预估的方式来计算两个或多个相应的倾向值。

各个元素在社交网络中的各自好友信息包括以下中的一种或多种：两个或多个一级好友用户集合中的每一个中的元素的数量；元素的各自好友与其所在的一级好友用户集合中的所有元素的好友关系的数量；与各自好友相关的信息曾被推荐的次数；限制与各自好友相关的信息被推荐的时长；以及计算的各自好友关于用户的相关值。

用于推荐相关的信息的步骤包括：用于以相应的倾向值为比例分配待推荐的相关信息的装置。

用于推荐相关的信息的步骤的装置还包括：用于计算各个元素的各个好友的排序值，并且根据排序值对各个元素的各自好友一起进行全排序的装置。

虽然出于说明的目的示出了前文的步骤和装置，但本发明并不限于这些步骤或装置，并且其中某些步骤可以组合或者改变顺序。在实施中，在适当情况下某些步骤或装置甚至可以省略。参照本发明的说明书和附图，本领域技术人员易于做出本发明的各种变化而不超出本发明的范围。

Claims (18)

1.一种向社交网络中的用户推荐信息的方法，包括：

将所述用户在所述社交网络中的多个好友用户归类为两个或多个一级好友用户集合；

针对所述两个或多个一级好友用户集合中的每一个，计算所述用户对每个所述一级好友用户集合的倾向性，从而得到两个或多个相应的倾向值；并且

根据所述两个或多个相应的倾向值，基于所述两个或多个一级好友用户集合中的各个元素在所述社交网络中的各自好友信息，向所述用户推荐相关的信息。

2.根据权利要求1所述的方法，其中所述归类的步骤包括：产生具有所述多个好友用户互相之间的权重的数据列表，并且将所述数据列表代入社区检测算法中来对所述多个好友用户归类。

3.根据权利要求1所述的方法，其中在所述计算所述倾向值的步骤中，基于所接收的所述用户在所述社交网络中的历史活动信息，来计算所述两个或多个相应的倾向值。

4.根据权利要求3所述的方法，其中所述历史活动信息包括以下中的一种或多种：

所述用户针对曾被推荐的信息的申请加为好友的操作的次数；

所述用户针对所述曾被推荐的信息的选择不再推荐所述好友的操作次数；

所述曾推荐的信息被推荐的次数；以及

所述用户进入与所述相关的信息相关联的页面的次数。

5.根据权利要求1所述的方法，其中在所述计算所述倾向值的步骤中，基于所述用户与所述两个或多个所述一级好友用户集合中的每一个中的所述各个元素的交互程度，来计算所述两个或多个相应的倾向值。

6.根据权利要求1所述的方法，其中在所述计算所述倾向值的步骤中，通过模型预估的方式来计算所述两个或多个相应的倾向值。

7.根据权利要求1所述的方法，其中所述各自好友信息包括以下中的一种或多种：

所述两个或多个一级好友用户集合中的每一个中的所述元素的数量；

所述元素的各自好友与其所在的所述一级好友用户集合中的所有所述元素的好友关系的数量；

与所述各自好友相关的信息曾被推荐的次数；

限制与所述各自好友相关的信息被推荐的时长；以及

计算的所述各自好友关于所述用户的相关值。

8.根据权利要求1所述的方法，其中所述推荐相关的信息的步骤包括：以所述相应的倾向值为比例分配待推荐的所述相关信息。

9.根据权利要求1所述的方法，其中所述推荐相关的信息的步骤还包括：计算所述各个元素的所述各个好友用户的排序值，并且根据所述排序值对所述各个元素的所述各自好友一起进行全排序。

10.一种用于向社交网络中的用户推荐信息的装置，包括：

用于将所述用户在所述社交网络中的多个好友用户归类为两个或多个一级好友用户集合的装置；

用于针对所述两个或多个一级好友用户集合中的每一个，计算所述用户对每个所述一级好友用户集合的倾向性，从而得到两个或多个相应的倾向值的装置；以及

用于根据所述两个或多个相应的倾向值，基于所述两个或多个一级好友用户集合中的各个元素在所述社交网络中的各自好友信息，向所述用户推荐相关的信息的装置。

11.根据权利要求10所述的装置，其中所述用于归类的装置包括：用于产生具有所述多个好友用户互相之间的权重的数据列表，并且将所述数据列表代入社区检测算法中来对所述多个好友用户归类的装置。

12.根据权利要求10所述的装置，其中所述用于计算所述倾向值的装置被配置为：基于所接收的所述用户在所述社交网络中的历史活动信息，来计算所述两个或多个相应的倾向值。

13.根据权利要求12所述的装置，其中所述历史活动信息包括以下中的一种或多种：

所述用户针对曾被推荐的信息的申请加为好友的操作的次数；

所述用户针对所述曾被推荐的信息的选择不再推荐所述好友的操作次数；

所述曾推荐的信息被推荐的次数；以及

所述用户进入与所述相关的信息相关联的页面的次数。

14.根据权利要求10所述的装置，其中在所述用于计算所述倾向值的装置被配置为：基于所述用户与所述两个或多个所述一级好友用户集合中的每一个中的所述各个元素的交互程度，来计算所述两个或多个相应的倾向值。

15.根据权利要求10所述的装置，其中所述用于计算所述倾向值的装置被配置为：通过模型预估的方式来计算所述两个或多个相应的倾向值。

16.根据权利要求10所述的装置，其中所述各自好友信息包括以下中的一种或多种：

所述两个或多个一级好友用户集合中的每一个中的所述元素的数量；

所述元素的各自好友与其所在的所述一级好友用户集合中的所有所述元素的好友关系的数量；

与所述各自好友相关的信息曾被推荐的次数；

限制与所述各自好友相关的信息被推荐的时长；以及

计算的所述各自好友关于所述用户的相关值。

17.根据权利要求10所述的装置，其中所述用于推荐相关的信息的步骤包括：用于以所述相应的倾向值为比例分配待推荐的所述相关信息的装置。

18.根据权利要求10所述的装置，其中所述用于推荐相关的信息的装置还包括：用于计算所述各个元素的所述各个好友的排序值，并且根据所述排序值对所述各个元素的所述各自好友一起进行全排序的装置。