一種好友推薦方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種好友推薦方法，該方法包括：搜集同一社交網(wǎng)絡(luò)的多個用戶及每個用戶的用戶基本信息；將所述多個用戶中每個用戶作為一個網(wǎng)絡(luò)節(jié)點構(gòu)建一個用戶網(wǎng)絡(luò)；根據(jù)所述用戶基本信息，統(tǒng)計所述用戶網(wǎng)絡(luò)中任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息；根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息，通過預(yù)設(shè)算法計算得到所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每個維度信息的權(quán)值；根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每個維度信息的權(quán)值，通過預(yù)設(shè)法則確定相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦。本發(fā)明的好友推薦方法實現(xiàn)了對符合好友推薦條件的用戶進行好友推薦，提高了好友推薦的成功率。
【專利說明】
一種好友推薦方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及網(wǎng)絡(luò)技術(shù)領(lǐng)域，尤其涉及一種好友推薦方法及系統(tǒng)。
【背景技術(shù)】
[0002] 隨著互聯(lián)網(wǎng)和通訊技術(shù)的發(fā)展，各種社交網(wǎng)絡(luò)和社交工具不斷涌現(xiàn)，像國外有 Face book、twitter和Flisckr等，國內(nèi)則有新浪微博、人人網(wǎng)、QQ、微信等社交網(wǎng)址和工具， 上述社交平臺為用戶廣泛結(jié)交朋友帶來了很大的便利。
[0003] 目前常用的好友推薦的方法包括根據(jù)用戶在社交網(wǎng)絡(luò)注冊的個人信息來推薦好 友，例如現(xiàn)有的交友社區(qū)，大部分通過兩個用戶的共同關(guān)系確定是否有交集，例如是否為公 共的城市，是否是共同的學校，同一個公司，共同的好友;或?qū)⑴c目標用戶距離最近的另一 用戶推薦給目標用戶作為好友，上述兩種推薦好友的方法都存在好友推薦隨機性大、好友 推薦的成功率不高的問題。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明提供一種好友推薦方法，以解決現(xiàn)有的好友推薦方法存在好友推薦隨機性 大、好友推薦的成功率不高的問題。
[0005] 第一方面，提供了一種好友推薦方法，所述方法包括：
[0006] 搜集同一社交網(wǎng)絡(luò)的多個用戶及每個用戶的用戶基本信息，所述用戶基本信息包 括所述用戶的個人檔案、個人影響度、活躍度、日常好友數(shù)以及聯(lián)系頻繁度，參與圈子次數(shù)；
[0007] 將所述多個用戶中每個用戶作為一個網(wǎng)絡(luò)節(jié)點構(gòu)建一個用戶網(wǎng)絡(luò)；
[0008] 根據(jù)所述用戶基本信息，統(tǒng)計所述用戶網(wǎng)絡(luò)中任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度 信息，所述七個維度信息包括用戶檔案相似度值、用戶個人影響度值、用戶活躍度值、用戶 共同好友數(shù)、用戶與共同好友聯(lián)系的頻繁度值、用戶參與共同圈子的次數(shù)和用戶之間的實 際距離值；
[0009] 根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息，通過預(yù)設(shè)算法計算得到所述任 意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每個維度信息的權(quán)值；
[0010] 根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每個維度信息的權(quán)值，通過預(yù) 設(shè)法則確定相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦。
[0011] 第二方面，還提供了一種好友推薦系統(tǒng)，包括:客戶端，用于將用戶的基本信息傳 輸至服務(wù)器，并用于接受所推薦的好友，所述好友推薦系統(tǒng)還包括：
[0012] 服務(wù)器，用于搜集同一社交網(wǎng)絡(luò)的多個用戶及每個用戶的用戶基本信息，所述用 戶基本信息包括所述用戶的個人檔案、個人影響度、活躍度、日常好友數(shù)以及聯(lián)系頻繁度， 參與圈子次數(shù)；
[0013] 用戶網(wǎng)絡(luò)構(gòu)建模塊，用于將所述服務(wù)器搜集到的所述多個用戶中每個用戶作為一 個網(wǎng)絡(luò)節(jié)點構(gòu)建一個用戶網(wǎng)絡(luò)；
[0014] 信息統(tǒng)計模塊，用于根據(jù)所述用戶搜集模塊搜集到的所述用戶基本信息，統(tǒng)計所 述用戶網(wǎng)絡(luò)中任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息，所述七個維度信息包括用戶檔案相 似度值、用戶個人影響度值、用戶活躍度值、用戶共同好友數(shù)、用戶與共同好友聯(lián)系的頻繁 度值、用戶參與共同圈子的次數(shù)和用戶之間的實際距離值；
[0015] 權(quán)值計算模塊，用于根據(jù)所述信息統(tǒng)計模塊統(tǒng)計的任意兩個網(wǎng)絡(luò)節(jié)點之間的七個 維度信息，通過預(yù)設(shè)算法計算得到所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每個維度 信息的權(quán)值；
[0016] 好友推薦模塊，用于根據(jù)所述權(quán)值計算模塊計算得到的任意兩個網(wǎng)絡(luò)節(jié)點之間的 七個維度信息中每個維度信息的權(quán)值，通過預(yù)設(shè)法則確定相連的網(wǎng)絡(luò)節(jié)點，將位于所述相 連的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦。
[0017] 這樣，本發(fā)明實施例中，通過搜集同一社交網(wǎng)絡(luò)的多個用戶及每個用戶的用戶基 本信息;將所述多個用戶中每個用戶作為一個網(wǎng)絡(luò)節(jié)點構(gòu)建一個用戶網(wǎng)絡(luò);根據(jù)所述用戶 基本信息，統(tǒng)計所述用戶網(wǎng)絡(luò)中任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息;根據(jù)所述任意兩 個網(wǎng)絡(luò)節(jié)點之間的七個維度信息，通過預(yù)設(shè)算法計算得到所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七 個維度信息中每個維度信息的權(quán)值;根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每 個維度信息的權(quán)值，通過預(yù)設(shè)法則確定相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上的 用戶進行相互好友推薦，避免了現(xiàn)有的好友推薦方法的隨機性，實現(xiàn)了對符合好友推薦條 件的用戶進行好友推薦，提高了好友推薦的成功率，從而更大可能的為用戶挖掘潛在的好 友。
【附圖說明】
[0018] 為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對本發(fā)明實施例描述中所需 要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例， 對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得 其他的附圖。
[0019] 圖1是本發(fā)明好友推薦方法的一個實施例的流程圖；
[0020] 圖2是本發(fā)明好友推薦系統(tǒng)的一個實施例的一個結(jié)構(gòu)圖；
[0021] 圖3是本發(fā)明好友推薦系統(tǒng)的一個實施例的另一個結(jié)構(gòu)圖。
【具體實施方式】
[0022] 下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于 本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他 實施例，都屬于本發(fā)明保護的范圍。
[0023] 實施例一
[0024] 圖1是本發(fā)明好友推薦方法的一個實施例的流程圖。參照圖1所示，本發(fā)明實施例 提供的好友推薦方法應(yīng)用于終端的各類社交網(wǎng)絡(luò)或社交工具，例如人人網(wǎng)、微博、qq或微信 等，該方法具體包括如下步驟：
[0025] 步驟101:搜集同一社交網(wǎng)絡(luò)的多個用戶及每個用戶的用戶基本信息，所述用戶的 基本信息包括所述用戶的個人檔案、個人影響度、活躍度、日常好友數(shù)以及聯(lián)系頻繁度，參 與圈子次數(shù)。
[0026]本發(fā)明實施例中，對統(tǒng)一社交網(wǎng)絡(luò)的已注冊的用戶進行搜集，并搜集每個用戶的 基本信息。所述用戶基本信息包括所述用戶的個人檔案、個人影響度、活躍度、日常好友數(shù) 以及聯(lián)系頻繁度，參與圈子次數(shù)。其中，用戶的個人檔案包括用戶的姓名、網(wǎng)名、性別和年齡 等信息。
[0027]步驟102:將所述多個用戶中每個用戶作為一個網(wǎng)絡(luò)節(jié)點構(gòu)建一個用戶網(wǎng)絡(luò)。
[0028] 本發(fā)明實施例中，根據(jù)復(fù)雜網(wǎng)絡(luò)理論，將搜集到的多個用戶中每個用戶作為一個 網(wǎng)絡(luò)節(jié)點構(gòu)建一個用戶網(wǎng)絡(luò)，由于將每個用戶作為一個網(wǎng)絡(luò)節(jié)點，因此網(wǎng)絡(luò)節(jié)點數(shù)與用戶 數(shù)相同。
[0029] 步驟103:根據(jù)所述用戶基本信息，統(tǒng)計所述用戶網(wǎng)絡(luò)中任意兩個網(wǎng)絡(luò)節(jié)點之間的 七個維度信息，所述七個維度信息包括用戶檔案相似度值、用戶個人影響度值、用戶活躍度 值、用戶共同好友數(shù)、用戶與共同好友聯(lián)系的頻繁度值、用戶參與共同圈子的次數(shù)和用戶之 間的實際距離值。
[0030] 本發(fā)明實施例中，根據(jù)復(fù)雜網(wǎng)絡(luò)理論，通過統(tǒng)計所述用戶網(wǎng)絡(luò)中任意兩個網(wǎng)絡(luò)節(jié) 點之間的七個維度信息，從而判定用戶之間是否能相連，即是否能互相進行好友推薦。
[0031] 本發(fā)明實施例中，對于以上七個維度信息，分別用字母進行表示，具體包括為：用 Nl表示用戶檔案相似度值、用N2表示用戶個人影響度值、用N3表示用戶活躍度值、用M表示 用戶共同好友數(shù)、用N5表示用戶與共同好友聯(lián)系的頻繁度值、用N6表示用戶參與共同圈子 次數(shù)、用N7表示用戶之間的實際距離值。
[0032]其中，用戶檔案相似度值Nl取值范圍為0到1。將用戶個人影響度值N2定義為用戶 在用戶網(wǎng)絡(luò)中的度與用戶網(wǎng)絡(luò)中的節(jié)點總數(shù)的比值，所述用戶在用戶網(wǎng)絡(luò)中的度為用戶所 在的網(wǎng)絡(luò)節(jié)點上的連接邊的個數(shù)，例如用戶網(wǎng)絡(luò)中的節(jié)點總數(shù)為50，A用戶所在的網(wǎng)絡(luò)節(jié)點 有另外兩個網(wǎng)絡(luò)節(jié)點與A用戶所在的網(wǎng)絡(luò)節(jié)點相連，則A用戶在用戶網(wǎng)絡(luò)中的度為2,那么， 用戶個人影響度值N2為2與50的比值;且兩個用戶之間的用戶個人影響度值N2由值較大的 一方確定取值，例如用戶A的個人影響度為0.1，用戶B的個人影響度為0.2,則用戶A和用戶B 之間的用戶個人影響度值N2為0.2。
[0033]同樣，兩個用戶之間的用戶活躍度值N3也由值較大的一方確定取值，例如用戶A的 活躍度為〇. 1，用戶B的活躍度為0.2，則用戶A和用戶B之間的用戶活躍度值N3為0.2。
[0034]為了保證在計算過程中的量綱的一致，將用戶共同好友數(shù)N4、用戶與共同好友聯(lián) 系的頻繁度值N5、用戶參與共同圈子次數(shù)N6以及用戶之間的實際距離值N7作如下定義： [0035] (1)用戶共同好友數(shù)N4:
[0036]
[0037]如果兩個用戶的共同好友數(shù)小于6,則N4等于共同好友數(shù)除以6,如果共同好友數(shù) 大于或等于6，則將M確定為1。
[0038] (2)用戶與共同好友聯(lián)系的頻繁度值N5:
[0039]
[0040] 如果兩個用戶分別與共同好友的聯(lián)系的頻繁度小于3,則N5等于頻繁度除以3,如 果該頻繁度大于或等于3，則將N5確定為1。
[0041] (3)用戶參與共同圈子次數(shù)N6:
[0042]
[0043]如果兩個用戶參與的共同圈子次數(shù)小于3,則N6等于共同圈子次數(shù)除以3,如果該 共同圈子次數(shù)大于或等于3,則將N6確定為1。
[0044] (4)用戶之間的實際距離值N7:
[0045]
[0046] 如果兩個用戶間的實際距離小于預(yù)設(shè)的最大距離，則N7等于1減去實際距離除以 最大距離，如果實際距離大于或等于該最大距離，則將N7確定為0。
[0047] 上述公式中的D表示可推薦好友的兩個用戶之間的最大距離，D>0,最大距離D的取 值可根據(jù)具體情況進行設(shè)置，例如將D設(shè)置為500(m)時，則用戶之間的實際距離值在500(m) 以內(nèi)的用戶之間可進行好友推薦，用戶之間的實際距離值超出500(m)的用戶之間不推薦為 好友。
[0048] 步驟104:根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息，通過預(yù)設(shè)算法計算得 到所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每個維度信息的權(quán)值。
[0049] 本發(fā)明實施例中，為七個維度信息中的每個維度信息分配相應(yīng)的權(quán)值，將Pl作為 用戶檔案相似度值Nl的權(quán)值、將P2作為用戶個人影響度值N2的權(quán)值、用P3作為用戶活躍度 值N3的權(quán)值、用P4作為用戶共同好友數(shù)M的權(quán)值、用P5作為用戶與共同好友聯(lián)系的頻繁度 值N5的權(quán)值、用P6作為用戶參與共同圈子次數(shù)N6的權(quán)值、用于P7表示用戶之間的實際距離 值N7的權(quán)值，且上述權(quán)值Pl~P7滿足關(guān)系式P1+P2+P3+P4+P5+P6+P7 = 1。
[0050] 本步驟中，根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息用戶檔案相似度值 N1、用戶個人影響度值N2、用戶活躍度值N3、用戶共同好友數(shù)N4、用戶與共同好友聯(lián)系的頻 繁度值N5、用戶參與共同圈子次數(shù)N6、用戶之間的實際距離值N7,通過以下公式計算任意兩 個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每個維度信息的權(quán)值：
[0051]
[0052] 其中，η取值為1、2、3、4、5、6、7,在計算卩1、？2、？3、？4、？5、？6、卩7時，分別將價、似、 吧、財、陽、冊、階作為分子帶入上述公式進行計算，即可得到任意兩個網(wǎng)絡(luò)節(jié)點之間的七個 維度信息中每個維度信息的權(quán)值。
[0053] 步驟105:根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每個維度信息的權(quán) 值，通過預(yù)設(shè)法則確定相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好 友推薦。
[0054] 本步驟按照以下六種情況來判斷用戶是否符合好友推薦條件，從而對好友推薦條 件的用戶進行好友推薦：
[0055] (I)第一種情況:符合好友推薦條件
[0056] 根據(jù)六度分割理論，當兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中的用戶與共同好友聯(lián) 系的頻繁度值大于〇、或用戶參與共同圈子的次數(shù)大于〇,且用戶共同好友數(shù)大于6時，則確 定所述兩個網(wǎng)絡(luò)節(jié)點為相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好 友推薦，即將兩個用戶中的A用戶推薦給B用戶為好友，并還將B用戶推薦給A用戶為好友。
[0057] 本發(fā)明實施例根據(jù)六度分割理論，當用戶與共同好友聯(lián)系的頻繁度值大于0、或用 戶參與共同圈子的次數(shù)大于〇,且用戶共同好友數(shù)大于6時，才對連個用戶進行好友推薦，實 現(xiàn)了對符合好友推薦條件的用戶進行好友推薦，提高了好友推薦的成功率。
[0058] (2)第二種情況:符合好友推薦條件
[0059] 當兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中的用戶檔案相似度值大于0、或用戶活躍 度值大于〇,且用戶參與共同圈子的次數(shù)大于3時，則確定所述兩個網(wǎng)絡(luò)節(jié)點為相連的網(wǎng)絡(luò) 節(jié)點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦。
[0060] (3)第三種情況:符合好友推薦條件
[0061] 當位于第一網(wǎng)絡(luò)節(jié)點的用戶的個人影響度值大于預(yù)設(shè)影響度閾值，且所述第一網(wǎng) 絡(luò)節(jié)點的用戶參與共同圈子的次數(shù)大于〇時，則確定所述第一網(wǎng)絡(luò)節(jié)點的用戶為可推薦給 其他所有網(wǎng)絡(luò)節(jié)點上用戶的好友，將所述位于第一網(wǎng)絡(luò)節(jié)點的用戶推薦給所述用戶網(wǎng)絡(luò)的 位于其他所有網(wǎng)絡(luò)節(jié)點上的用戶為好友，所述預(yù)設(shè)影響度閾值取值范圍為〇~1。所述第一 網(wǎng)絡(luò)節(jié)點僅是對符合第三種情況的多個用戶中的一個用戶的舉例說明。
[0062] (4)第四種情況:不符合好友推薦條件
[0063] 當兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中的用戶活躍度值等于0,或根據(jù)150法則 (英國牛津大學的人類學家羅賓?鄧巴(Robin Dunbar)提出，人類智力將允許人類擁有穩(wěn) 定社交網(wǎng)絡(luò)的人數(shù)是148人，四舍五入大約是150人），用戶共同好友數(shù)大于150,則確定所述 兩個網(wǎng)絡(luò)節(jié)點為不相連的網(wǎng)絡(luò)節(jié)點，對位于所述相連的網(wǎng)絡(luò)節(jié)點上的用戶不進行相互好友 推薦。
[0064] 本發(fā)明實施例中，當兩個用戶A和B的共同好友數(shù)大于150時，說明用戶A和用戶B的 好友數(shù)已經(jīng)達到了好友的上限，如果對用戶A和用戶B推薦好友，由于用戶A和用戶B已經(jīng)沒 有時間和精力來維護自己的好友圈，因此，即使向用戶A和B推薦了好友，用戶A和B也不會接 受好友的推薦請求。本發(fā)明實施例根據(jù)150法則對用戶共同好友數(shù)大于150不進行好友推 薦，從而降低了好友推薦失敗率，避免了現(xiàn)有的好友推薦方法的隨機性。
[0065] (5)第五種情況:不符合好友推薦條件。
[0066] 根據(jù)150法則，當位于第二網(wǎng)絡(luò)節(jié)點的用戶的日常好友數(shù)大于150,且所述第二網(wǎng) 絡(luò)節(jié)點的用戶與好友的聯(lián)系頻繁度大于〇,則確定所述位于第二網(wǎng)絡(luò)節(jié)點的用戶為不需要 推薦好友的用戶，不對所述位于第二網(wǎng)絡(luò)節(jié)點的用戶推薦好友。所述第二網(wǎng)絡(luò)節(jié)點僅是對 符合第五種情況的多個用戶中的一個用戶的舉例說明。
[0067] (6)第六種情況:符合好友推薦條件和不符合好友推薦條件兩種情況都可能存在
[0068] 當上述一至五種情況均不滿足的情況下，將所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維 度信息中每個維度信息與匹配的權(quán)值進行加權(quán)求和運算，得到任意兩個網(wǎng)絡(luò)節(jié)點之間的推 薦指數(shù)值;將任意兩個網(wǎng)絡(luò)節(jié)點之間的推薦指數(shù)值與預(yù)設(shè)推薦指數(shù)閾值進行比較，所述預(yù) 設(shè)推薦指數(shù)閾值取值范圍為〇 . 5~1;當所述兩個網(wǎng)絡(luò)節(jié)點之間的推薦指數(shù)值大于或等于所 述預(yù)設(shè)推薦指數(shù)閾值時，則確定所述推薦指數(shù)對應(yīng)的兩個網(wǎng)絡(luò)節(jié)點為相連的網(wǎng)絡(luò)節(jié)點。所 述預(yù)設(shè)推薦指數(shù)值優(yōu)選取值為0.5。當所述兩個網(wǎng)絡(luò)節(jié)點之間的推薦指數(shù)值小于所述預(yù)設(shè) 推薦指數(shù)閾值時，則確定所述兩個網(wǎng)絡(luò)節(jié)點為不相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的網(wǎng)絡(luò) 節(jié)點上的用戶進行相互好友推薦。
[0069] 下面以一個具體實例對上述步驟進行說明：
[0070] 假設(shè)有兩個用戶A和用戶B，A和B的用戶檔案相似度值為NI，N1的權(quán)值為Pl ;A和B的 用戶個人影響度值為N2，N2的權(quán)值為P2;A和B的用戶活躍度值為N3，N3的權(quán)值為P3;A和B的 用戶共同好友數(shù)為N4，M的權(quán)值為P4; A和B的用戶與共同好友聯(lián)系的頻繁度值為N5，N5的權(quán) 值為P5; A和B的用戶參與共同圈子的次數(shù)為N6，N6的權(quán)值為P6; A和B的用戶之間的實際距離 值為N7，N7的權(quán)值為P7。
[0071] 設(shè) Ν1 = 0·5，Ρ1 = 0· 128;Ν2 = 0·5，Ρ2 = 0· 128;Ν3 = 0·5，Ρ3 = 0· 128;Ν4 = 0·5， 0·128;Ν5 = 0·33，Ρ5 = 0·085;Ν6 = 0·67，Ρ6 = 0·172;Ν7 = 0·9，Ρ6 = 0·231，且最大好友推薦 距離D設(shè)置為I OOKm，預(yù)設(shè)推薦指數(shù)閾值M=0.5。
[0072] 通過加權(quán)求和運算，用戶A和B的推薦指數(shù)值P = N1*P1+N2*P2+N3*P3+N4*P4+N5*P5 +N6*P6+N7*P7 = 0.5*0.128+0.5*0.128+0.5*0.128+0.5*0.128+0.33*0.085+0.67*0.172+ 0.9*0.231 = 0.607，由于？(0.607)鴻(0.5)，所以用戶4和用戶8之間可進行相互好友推薦； 反之，如果P〈M，則用戶A和用戶B不會被互相推薦為好友。
[0073] 本發(fā)明實施例還通過任意兩個網(wǎng)絡(luò)節(jié)點之間的推薦指數(shù)值來判斷是否進行好友 推薦，能夠更加準確地分析每個用戶是否符合好友推薦的條件，進一步提高了好友推薦的 成功率。
[0074] 本發(fā)明實施例通過搜集同一社交網(wǎng)絡(luò)的多個用戶及每個用戶的用戶基本信息;將 所述多個用戶中每個用戶作為一個網(wǎng)絡(luò)節(jié)點構(gòu)建一個用戶網(wǎng)絡(luò);根據(jù)所述用戶基本信息， 統(tǒng)計所述用戶網(wǎng)絡(luò)中任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息;根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點 之間的七個維度信息，通過預(yù)設(shè)算法計算得到所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息 中每個維度信息的權(quán)值;根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每個維度信息 的權(quán)值，通過預(yù)設(shè)法則確定相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上的用戶進行相 互好友推薦。本發(fā)明實施例的好友推薦方法應(yīng)用復(fù)雜網(wǎng)絡(luò)理論，把用戶抽象為復(fù)雜網(wǎng)絡(luò)中 的節(jié)點，然后結(jié)合六度分割理論和150法則來進行好友推薦，進一步從七個維度來確定可推 薦的好友，這樣，避免了現(xiàn)有的好友推薦方法的隨機性，實現(xiàn)了對符合好友推薦條件的用戶 進行好友推薦，提高了好友推薦的成功率，從而更大可能的為用戶挖掘潛在的好友。
[0075] 實施例二
[0076]圖2是本發(fā)明好友推薦系統(tǒng)的一個實施例的一個結(jié)構(gòu)圖。
[0077]參照圖2所示，本發(fā)明提供的好友推薦系統(tǒng)包括客戶端201、服務(wù)器202、用戶網(wǎng)絡(luò) 構(gòu)建模塊203、信息統(tǒng)計模塊204、權(quán)值計算模塊205以及好友推薦模塊206。
[0078] 客戶端201，用于將用戶的基本信息傳輸至服務(wù)器，并用于接受所推薦的好友。
[0079] 本發(fā)明實施例中，客戶端201可為運行于移動終端的各類社交工具，例如人人網(wǎng)、 微博、qq或微信等。所述移動終端包括手機、平板電腦、個人數(shù)字助理(PersonalDigital Assistant，PDA)等終端。
[0080] 服務(wù)器202,用于搜集同一社交網(wǎng)絡(luò)的多個用戶及每個用戶的用戶基本信息，所述 用戶基本信息包括所述用戶的個人檔案、個人影響度、活躍度、日常好友數(shù)以及聯(lián)系頻繁 度，參與圈子次數(shù)。
[0081] 服務(wù)器202對統(tǒng)一社交網(wǎng)絡(luò)的已注冊的用戶進行搜集，并搜集客戶端201傳輸?shù)拿?個用戶的基本信息。所述用戶的基本信息包括所述用戶的個人檔案、個人影響度、活躍度、 曰常好友數(shù)以及聯(lián)系頻繁度，參與圈子次數(shù)。其中，用戶的個人檔案包括用戶的姓名、網(wǎng)名、 性別和年齡等信息。
[0082] 用戶網(wǎng)絡(luò)構(gòu)建模塊203,用于將所述服務(wù)器搜集到的所述多個用戶中每個用戶作 為一個網(wǎng)絡(luò)節(jié)點構(gòu)建一個用戶網(wǎng)絡(luò)。
[0083]用戶網(wǎng)絡(luò)構(gòu)建模塊203根據(jù)復(fù)雜網(wǎng)絡(luò)理論，將搜集到的多個用戶中每個用戶作為 一個網(wǎng)絡(luò)節(jié)點構(gòu)建一個用戶網(wǎng)絡(luò)，由于用戶網(wǎng)絡(luò)構(gòu)建模塊203將每個用戶作為一個網(wǎng)絡(luò)節(jié) 點，因此網(wǎng)絡(luò)節(jié)點數(shù)與用戶數(shù)相同。
[0084]信息統(tǒng)計模塊204,用于根據(jù)所述用戶搜集模塊搜集到的所述用戶基本信息，統(tǒng)計 所述用戶網(wǎng)絡(luò)中任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息，所述七個維度信息包括用戶檔案 相似度值、用戶個人影響度值、用戶活躍度值、用戶共同好友數(shù)、用戶與共同好友聯(lián)系的頻 繁度值、用戶參與共同圈子的次數(shù)和用戶之間的實際距離值。
[0085]信息統(tǒng)計模塊204根據(jù)復(fù)雜網(wǎng)絡(luò)理論，通過統(tǒng)計所述用戶網(wǎng)絡(luò)中任意兩個網(wǎng)絡(luò)節(jié) 點之間的七個維度信息，從而判定用戶之間是否能相連，即是否能互相進行好友推薦。 [0086]本發(fā)明實施例中，信息統(tǒng)計模塊204對以上七個維度信息有如下定義：用Nl表示用 戶檔案相似度值、用N2表示用戶個人影響度值、用N3表示用戶活躍度值、用M表示用戶共同 好友數(shù)、用N5表示用戶與共同好友聯(lián)系的頻繁度值、用N6表示用戶參與共同圈子次數(shù)、用N7 表示用戶之間的實際距離值。
[0087]其中，用戶檔案相似度值Nl取值范圍為0到1。將用戶個人影響度值N2定義為用戶 在用戶網(wǎng)絡(luò)中的度與用戶網(wǎng)絡(luò)中的節(jié)點總數(shù)的比值，所述用戶在用戶網(wǎng)絡(luò)中的度為用戶所 在的網(wǎng)絡(luò)節(jié)點上的連接邊的個數(shù)，例如用戶網(wǎng)絡(luò)中的節(jié)點總數(shù)為50，A用戶所在的網(wǎng)絡(luò)節(jié)點 有另外兩個網(wǎng)絡(luò)節(jié)點與A用戶所在的網(wǎng)絡(luò)節(jié)點相連，則A用戶在用戶網(wǎng)絡(luò)中的度為2,那么， 用戶個人影響度值N2為2與50的比值;且兩個用戶之間的用戶個人影響度值N2由值較大的 一方確定取值，例如用戶A的個人影響度為0.1，用戶B的個人影響度為0.2,則用戶A和用戶B 之間的用戶個人影響度值N2為0.2。
[0088]同樣，兩個用戶之間的用戶活躍度值N3也由值較大的一方確定取值，例如用戶A的 活躍度為〇. 1，用戶B的活躍度為0.2，則用戶A和用戶B之間的用戶活躍度值N3為0.2。
[0089]為了保證在計算過程中的量綱的一致，信息統(tǒng)計模塊204將用戶共同好友數(shù)N4、用 戶與共同好友聯(lián)系的頻繁度值N5、用戶參與共同圈子次數(shù)N6以及用戶之間的實際距離值N7 作如下定義：
[0090] (1)用戶共同好友數(shù)N4:
[0091]
[0092] 如果兩個用戶的共同好友數(shù)小于6,則N4等于共同好友數(shù)除以6,如果共同好友數(shù) 大于或等于6，則信息統(tǒng)計模塊204將M確定為1。
[0093] (2)用戶與共同好友聯(lián)系的頻繁度值N5:
[0094]
[0095]如果兩個用戶分別與共同好友的聯(lián)系的頻繁度小于3,則N5等于頻繁度除以3,如 果該頻繁度大于或等于3，則信息統(tǒng)計模塊204將N5確定為1。
[0096] (3)用戶參與共同圈子次數(shù)N6:
[0097]
[0098]如果兩個用戶參與的共同圈子次數(shù)小于3,則N6等于共同圈子次數(shù)除以3,如果該 共同圈子次數(shù)大于或等于3，則信息統(tǒng)計模塊204將N6確定為1。
[0099] (4)用戶之間的實際距離值N7:
[0100]
[0101]如果兩個用戶間的實際距離小于預(yù)設(shè)的最大距離，則N7等于1減去實際距離除以 最大距離，如果實際距離大于或等于該最大距離，則信息統(tǒng)計模塊204將N7確定為0。
[0102] 上述公式中的D表示可推薦好友的兩個用戶之間的最大距離，D>0,最大距離D的取 值可根據(jù)具體情況進行設(shè)置，例如將D設(shè)置為500(m)時，則用戶之間的實際距離值在500(m) 以內(nèi)的用戶之間可進行好友推薦，用戶之間的實際距離值超出500(m)的用戶之間不推薦為 好友。
[0103] 權(quán)值計算模塊205,用于根據(jù)所述信息統(tǒng)計模塊統(tǒng)計的任意兩個網(wǎng)絡(luò)節(jié)點之間的 七個維度信息，通過預(yù)設(shè)算法計算得到所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每個 維度信息的權(quán)值。
[0104] 本發(fā)明實施例中，權(quán)值計算模塊205為七個維度信息中的每個維度信息分配相應(yīng) 的權(quán)值，將Pl作為用戶檔案相似度值Nl的權(quán)值、將P2作為用戶個人影響度值N2的權(quán)值、用P3 作為用戶活躍度值N3的權(quán)值、用P4作為用戶共同好友數(shù)M的權(quán)值、用P5作為用戶與共同好 友聯(lián)系的頻繁度值N5的權(quán)值、用P6作為用戶參與共同圈子次數(shù)N6的權(quán)值、用于P7表示用戶 之間的實際距離值N7的權(quán)值，且上述權(quán)值Pl~P7滿足關(guān)系式Pl+P2+P3+P4+P5+P6+P7 = l。
[0105] 權(quán)值計算模塊205根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息用戶檔案相似 度值N1、用戶個人影響度值N2、用戶活躍度值N3、用戶共同好友數(shù)N4、用戶與共同好友聯(lián)系 的頻繁度值N5、用戶參與共同圈子次數(shù)N6、用戶之間的實際距離值N7,通過以下公式計算任 意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每個維度信息的權(quán)值：
[0106]
[0107] 其中，η取值為1、2、3、4、5、6、7,在計算卩1、？2、？3、？4、？5、？6、卩7時，分別將價、似、 吧、財、陽、冊、階作為分子帶入上述公式進行計算，即可得到任意兩個網(wǎng)絡(luò)節(jié)點之間的七個 維度信息中每個維度信息的權(quán)值。
[0108] 好友推薦模塊206,用于根據(jù)所述權(quán)值計算模塊計算得到的任意兩個網(wǎng)絡(luò)節(jié)點之 間的七個維度信息中每個維度信息的權(quán)值，通過預(yù)設(shè)法則確定相連的網(wǎng)絡(luò)節(jié)點，將位于所 述相連的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦。
[0109] 好友推薦模塊206通過不同的單元按照上述實施例一中的六種情況來判斷用戶是 否符合好友推薦條件，從而對好友推薦條件的用戶進行好友推薦，其中，第二處理單元2064 用于處理第一種情況，第三處理單元2065用于處理第二種情況，第四處理單元2066用于處 理第三種情況，第五處理單元2067用于處理第四種情況，第六處理單元2068用于處理第五 種情況，第一計算單元2061、比較單元2062和第一處理單元2063共同用于處理第六種情況。
[0110] 具體的，參照圖3所示，本實施例中的好友推薦模塊206還包括：
[0111] 第一計算單元2061，用于將所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每個維 度信息與匹配的權(quán)值進行加權(quán)求和運算，得到任意兩個網(wǎng)絡(luò)節(jié)點之間的推薦指數(shù)值。
[0112]比較單元2062,用于將第一計算單元計算得到的任意兩個網(wǎng)絡(luò)節(jié)點之間的推薦指 數(shù)值與預(yù)設(shè)推薦指數(shù)閾值進行比較，所述預(yù)設(shè)推薦指數(shù)閾值取值范圍為0.5~1。
[0113]第一處理單元2063,用于當所述比較單元判定所述兩個網(wǎng)絡(luò)節(jié)點之間的推薦指數(shù) 值大于或等于所述預(yù)設(shè)推薦指數(shù)閾值時，第一處理單元2063確定所述推薦指數(shù)對應(yīng)的兩個 網(wǎng)絡(luò)節(jié)點為相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦。當 所述兩個網(wǎng)絡(luò)節(jié)點之間的推薦指數(shù)值小于所述預(yù)設(shè)推薦指數(shù)閾值時，則第一處理單元2063 確定所述兩個網(wǎng)絡(luò)節(jié)點為不相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上的用戶進行相 互好友推薦。
[0114]第二處理單元2064,用于當兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中的用戶與共同好 友聯(lián)系的頻繁度值大于〇、或用戶參與共同圈子的次數(shù)大于〇,且用戶共同好友數(shù)大于6時， 確定所述兩個網(wǎng)絡(luò)節(jié)點為相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上的用戶進行相互 好友推薦。即將兩個用戶中的A用戶推薦給B用戶為好友，并還將B用戶推薦給A用戶為好友。 [0115]該第二處理單元2064根據(jù)六度分割理論，當用戶與共同好友聯(lián)系的頻繁度值大于 〇、或用戶參與共同圈子的次數(shù)大于〇,且用戶共同好友數(shù)大于6時，第二處理單元2064才對 連個用戶進行好友推薦，實現(xiàn)了對符合好友推薦條件的用戶進行好友推薦，提高了好友推 薦的成功率。
[0116]第三處理單元2065,用于當兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中的用戶檔案相似 度值大于〇、或用戶活躍度值大于〇,且用戶參與共同圈子的次數(shù)大于3時，確定所述兩個網(wǎng) 絡(luò)節(jié)點為相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦。
[0117]第四處理單元2066,用于當位于第一網(wǎng)絡(luò)節(jié)點的用戶的個人影響度值大于預(yù)設(shè)影 響度閾值，且所述第一網(wǎng)絡(luò)節(jié)點的用戶參與共同圈子的次數(shù)大于〇時，則確定所述第一網(wǎng)絡(luò) 節(jié)點的用戶為可推薦給其他所有網(wǎng)絡(luò)節(jié)點上用戶的好友，將所述位于第一網(wǎng)絡(luò)節(jié)點的用戶 推薦給所述用戶網(wǎng)絡(luò)的位于其他所有網(wǎng)絡(luò)節(jié)點上的用戶為好友，所述預(yù)設(shè)影響度閾值取值 范圍為0~1。所述第一網(wǎng)絡(luò)節(jié)點僅是對符合第三種情況的多個用戶中的一個用戶的舉例說 明。
[0118]第五處理單元2067,用于當兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中的用戶活躍度值 等于0,或根據(jù)150法則(英國牛津大學的人類學家羅賓?鄧巴(Robin Dunbar)提出，人類智 力將允許人類擁有穩(wěn)定社交網(wǎng)絡(luò)的人數(shù)是148人，四舍五入大約是150人），用戶共同好友數(shù) 大于150,則確定所述兩個網(wǎng)絡(luò)節(jié)點為不相連的網(wǎng)絡(luò)節(jié)點，對位于所述相連的網(wǎng)絡(luò)節(jié)點上的 用戶不進行相互好友推薦。
[0119]本發(fā)明實施例中，當兩個用戶A和B的共同好友數(shù)大于150時，說明用戶A和用戶B的 好友數(shù)已經(jīng)達到了好友的上限，如果第五處理單元2067對用戶A和用戶B推薦好友，由于用 戶A和用戶B已經(jīng)沒有時間和精力來維護自己的好友圈，因此，即使第五處理單元2067向用 戶A和B推薦了好友，用戶A和B也不會接受好友的推薦請求。第五處理單元2067根據(jù)150法則 對用戶共同好友數(shù)大于150不進行好友推薦，從而降低了好友推薦失敗率，避免了現(xiàn)有的好 友推薦方法的隨機性。
[0120]第六處理單元2068,用于根據(jù)150法則，當位于第二網(wǎng)絡(luò)節(jié)點的用戶的日常好友數(shù) 大于150,且所述第二網(wǎng)絡(luò)節(jié)點的用戶與好友的聯(lián)系頻繁度大于0,則確定所述位于第二網(wǎng) 絡(luò)節(jié)點的用戶為不需要推薦好友的用戶，不對所述位于第二網(wǎng)絡(luò)節(jié)點的用戶推薦好友。所 述第二網(wǎng)絡(luò)節(jié)點僅是對符合第五種情況的多個用戶中的一個用戶的舉例說明。
[0121] 本發(fā)明實施例的好友推薦系統(tǒng)200能夠?qū)崿F(xiàn)圖1的方法實施例中的各個步驟，為避 免重復(fù)，這里不再贅述。
[0122] 本發(fā)明實施例的好友推薦系統(tǒng)通過服務(wù)器202搜集同一社交網(wǎng)絡(luò)的多個用戶及每 個用戶的用戶基本信息；用戶網(wǎng)絡(luò)構(gòu)建模塊203將所述多個用戶中每個用戶作為一個網(wǎng)絡(luò) 節(jié)點構(gòu)建一個用戶網(wǎng)絡(luò);信息統(tǒng)計模塊204根據(jù)所述用戶基本信息，統(tǒng)計所述用戶網(wǎng)絡(luò)中任 意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息;權(quán)值計算模塊205根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間 的七個維度信息，通過預(yù)設(shè)算法計算得到所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每 個維度信息的權(quán)值;好友推薦模塊206根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中 每個維度信息的權(quán)值，通過預(yù)設(shè)法則確定相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上 的用戶進行相互好友推薦，避免了現(xiàn)有的好友推薦方法的隨機性，實現(xiàn)了對符合好友推薦 條件的用戶進行好友推薦，提高了好友推薦的成功率，從而更大可能的為用戶挖掘潛在的 好友。
[0123] 本說明書中的各個實施例均采用遞進的方式描述，每個實施例重點說明的都是與 其他實施例的不同之處，各個實施例之間相同相似的部分互相參見即可。
[0124] 本領(lǐng)域普通技術(shù)人員可以意識到，結(jié)合本發(fā)明中所公開的實施例描述的各示例的 單元及算法步驟，能夠以電子硬件、或者計算機軟件和電子硬件的結(jié)合來實現(xiàn)。這些功能究 竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計約束條件。專業(yè)技術(shù)人 員可以對每個特定的應(yīng)用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應(yīng)認為超 出本發(fā)明的范圍。
[0125] 所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統(tǒng)、 裝置和單元的具體工作過程，可以參考前述方法實施例中的對應(yīng)過程，在此不再贅述。
[0126] 在本申請所提供的實施例中，應(yīng)該理解到，所揭露的裝置和方法，可以通過其它的 方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為 一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或 者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互 之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連 接，可以是電性，機械或其它的形式。
[0127] 所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯 示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個 網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目 的。
[0128] 另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以 是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。
[0129] 所述功能如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以 存儲在一個計算機可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說 對現(xiàn)有技術(shù)做出貢獻的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計 算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設(shè)備(可以是個 人計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。 而前述的存儲介質(zhì)包括:U盤、移動硬盤、R0M、RAM、磁碟或者光盤等各種可以存儲程序代碼 的介質(zhì)。
[0130] 以上所述，僅為本發(fā)明的【具體實施方式】，但本發(fā)明的保護范圍并不局限于此，任何 熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵 蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)以權(quán)利要求的保護范圍為準。
【主權(quán)項】
1. 一種好友推薦方法，其特征在于，包括： 搜集同一社交網(wǎng)絡(luò)的多個用戶及每個用戶的用戶基本信息，所述用戶基本信息包括所 述用戶的個人檔案、個人影響度、活躍度、日常好友數(shù)以及聯(lián)系頻繁度，參與圈子次數(shù)； 將所述多個用戶中每個用戶作為一個網(wǎng)絡(luò)節(jié)點構(gòu)建一個用戶網(wǎng)絡(luò)； 根據(jù)所述用戶基本信息，統(tǒng)計所述用戶網(wǎng)絡(luò)中任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信 息，所述七個維度信息包括用戶檔案相似度值、用戶個人影響度值、用戶活躍度值、用戶共 同好友數(shù)、用戶與共同好友聯(lián)系的頻繁度值、用戶參與共同圈子的次數(shù)和用戶之間的實際 距離值； 根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息，通過預(yù)設(shè)算法計算得到所述任意兩 個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每個維度信息的權(quán)值； 根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每個維度信息的權(quán)值，通過預(yù)設(shè)法 則確定相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七 個維度信息中每個維度信息的權(quán)值，通過預(yù)設(shè)法則確定相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連 的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦的步驟，包括： 將所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每個維度信息與匹配的權(quán)值進行加 權(quán)求和運算，得到任意兩個網(wǎng)絡(luò)節(jié)點之間的推薦指數(shù)值； 將任意兩個網(wǎng)絡(luò)節(jié)點之間的推薦指數(shù)值與預(yù)設(shè)推薦指數(shù)閾值進行比較，所述預(yù)設(shè)推薦 指數(shù)閾值取值范圍為〇. 5~1; 當所述兩個網(wǎng)絡(luò)節(jié)點之間的推薦指數(shù)值大于或等于所述預(yù)設(shè)推薦指數(shù)閾值時，則確定 所述推薦指數(shù)對應(yīng)的兩個網(wǎng)絡(luò)節(jié)點為相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上的用 戶進行相互好友推薦。3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七 個維度信息中每個維度信息的權(quán)值，通過預(yù)設(shè)法則確定相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連 的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦的步驟，包括： 當兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中的用戶與共同好友聯(lián)系的頻繁度值大于0、或 用戶參與共同圈子的次數(shù)大于〇,且用戶共同好友數(shù)大于6時，則確定所述兩個網(wǎng)絡(luò)節(jié)點為 相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦。4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七 個維度信息中每個維度信息的權(quán)值，通過預(yù)設(shè)法則確定相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連 的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦的步驟，包括： 當兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中的用戶檔案相似度值大于0、或用戶活躍度值 大于0,且用戶參與共同圈子的次數(shù)大于3時，則確定所述兩個網(wǎng)絡(luò)節(jié)點為相連的網(wǎng)絡(luò)節(jié)點， 將位于所述相連的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦。5. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七 個維度信息中每個維度信息的權(quán)值，通過預(yù)設(shè)法則確定相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連 的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦的步驟，包括： 當位于第一網(wǎng)絡(luò)節(jié)點的用戶的個人影響度值大于預(yù)設(shè)影響度閾值，且所述第一網(wǎng)絡(luò)節(jié) 點的用戶參與共同圈子的次數(shù)大于〇時，則確定所述第一網(wǎng)絡(luò)節(jié)點的用戶為可推薦給其他 所有網(wǎng)絡(luò)節(jié)點上用戶的好友，將所述位于第一網(wǎng)絡(luò)節(jié)點的用戶推薦給所述用戶網(wǎng)絡(luò)的位于 其他所有網(wǎng)絡(luò)節(jié)點上的用戶為好友，所述預(yù)設(shè)影響度閾值取值范圍為0~1。6. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七 個維度信息中每個維度信息的權(quán)值，通過預(yù)設(shè)法則確定相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連 的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦的步驟，包括： 當兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中的用戶活躍度值等于0,或用戶共同好友數(shù)大 于150,則確定所述兩個網(wǎng)絡(luò)節(jié)點為不相連的網(wǎng)絡(luò)節(jié)點，對位于所述相連的網(wǎng)絡(luò)節(jié)點上的用 戶不進行相互好友推薦。7. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七 個維度信息中每個維度信息的權(quán)值，通過預(yù)設(shè)法則確定相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連 的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦的步驟，包括： 當位于第二網(wǎng)絡(luò)節(jié)點的用戶的日常好友數(shù)大于150,且所述第二網(wǎng)絡(luò)節(jié)點的用戶與好 友的聯(lián)系頻繁度大于〇,則確定所述位于第二網(wǎng)絡(luò)節(jié)點的用戶為不需要推薦好友的用戶，不 對所述位于第二網(wǎng)絡(luò)節(jié)點的用戶推薦好友。8. -種好友推薦系統(tǒng)，包括:客戶端，用于將用戶的基本信息傳輸至服務(wù)器，并用于接 受所推薦的好友，其特征在于，所述好友推薦系統(tǒng)還包括： 服務(wù)器，用于搜集同一社交網(wǎng)絡(luò)的多個用戶及每個用戶的用戶基本信息，所述用戶基 本信息包括所述用戶的個人檔案、個人影響度、活躍度、日常好友數(shù)以及聯(lián)系頻繁度，參與 圈子次數(shù)； 用戶網(wǎng)絡(luò)構(gòu)建模塊，用于將所述服務(wù)器搜集到的所述多個用戶中每個用戶作為一個網(wǎng) 絡(luò)節(jié)點構(gòu)建一個用戶網(wǎng)絡(luò)； 信息統(tǒng)計模塊，用于根據(jù)所述用戶搜集模塊搜集到的所述用戶基本信息，統(tǒng)計所述用 戶網(wǎng)絡(luò)中任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息，所述七個維度信息包括用戶檔案相似度 值、用戶個人影響度值、用戶活躍度值、用戶共同好友數(shù)、用戶與共同好友聯(lián)系的頻繁度值、 用戶參與共同圈子的次數(shù)和用戶之間的實際距離值； 權(quán)值計算模塊，用于根據(jù)所述信息統(tǒng)計模塊統(tǒng)計的任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度 信息，通過預(yù)設(shè)算法計算得到所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每個維度信息 的權(quán)值； 好友推薦模塊，用于根據(jù)所述權(quán)值計算模塊計算得到的任意兩個網(wǎng)絡(luò)節(jié)點之間的七個 維度信息中每個維度信息的權(quán)值，通過預(yù)設(shè)法則確定相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的 網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦。9. 根據(jù)權(quán)利要求8所述的系統(tǒng)，其特征在于，所述好友推薦模塊包括： 第一計算單元，用于將所述任意兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中每個維度信息與 匹配的權(quán)值進行加權(quán)求和運算，得到任意兩個網(wǎng)絡(luò)節(jié)點之間的推薦指數(shù)值； 比較單元，用于將第一計算單元計算得到的任意兩個網(wǎng)絡(luò)節(jié)點之間的推薦指數(shù)值與預(yù) 設(shè)推薦指數(shù)閾值進行比較，所述預(yù)設(shè)推薦指數(shù)閾值取值范圍為0.5~1; 第一處理單元，用于當所述比較單元判定所述兩個網(wǎng)絡(luò)節(jié)點之間的推薦指數(shù)值大于或 等于所述預(yù)設(shè)推薦指數(shù)閾值時，確定所述推薦指數(shù)對應(yīng)的兩個網(wǎng)絡(luò)節(jié)點為相連的網(wǎng)絡(luò)節(jié) 點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦。10. 根據(jù)權(quán)利要求8所述的系統(tǒng)，其特征在于，所述好友推薦模塊包括： 第二處理單元，用于當兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中的用戶與共同好友聯(lián)系的 頻繁度值大于〇、或用戶參與共同圈子的次數(shù)大于〇,且用戶共同好友數(shù)大于6時，確定所述 兩個網(wǎng)絡(luò)節(jié)點為相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推 薦。11. 根據(jù)權(quán)利要求8所述的系統(tǒng)，其特征在于，所述好友推薦模塊包括： 第三處理單元，用于當兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中的用戶檔案相似度值大于 〇、或用戶活躍度值大于〇,且用戶參與共同圈子的次數(shù)大于3時，確定所述兩個網(wǎng)絡(luò)節(jié)點為 相連的網(wǎng)絡(luò)節(jié)點，將位于所述相連的網(wǎng)絡(luò)節(jié)點上的用戶進行相互好友推薦。12. 根據(jù)權(quán)利要求8所述的系統(tǒng)，其特征在于，所述好友推薦模塊包括： 第四處理單元，用于當位于第一網(wǎng)絡(luò)節(jié)點的用戶的個人影響度值大于預(yù)設(shè)影響度閾 值，且所述第一網(wǎng)絡(luò)節(jié)點的用戶參與共同圈子的次數(shù)大于〇時，則確定所述第一網(wǎng)絡(luò)節(jié)點的 用戶為可推薦給其他所有網(wǎng)絡(luò)節(jié)點上用戶的好友，將所述位于第一網(wǎng)絡(luò)節(jié)點的用戶推薦給 所述用戶網(wǎng)絡(luò)的位于其他所有網(wǎng)絡(luò)節(jié)點上的用戶為好友，所述預(yù)設(shè)影響度閾值取值范圍為 0~1 〇13. 根據(jù)權(quán)利要求8所述的系統(tǒng)，其特征在于，所述好友推薦模塊包括： 第五處理單元，用于當兩個網(wǎng)絡(luò)節(jié)點之間的七個維度信息中的用戶活躍度值等于0,或 用戶共同好友數(shù)大于150,則確定所述兩個網(wǎng)絡(luò)節(jié)點為不相連的網(wǎng)絡(luò)節(jié)點，對位于所述相連 的網(wǎng)絡(luò)節(jié)點上的用戶不進行相互好友推薦。14. 根據(jù)權(quán)利要求8所述的系統(tǒng)，其特征在于，所述好友推薦模塊包括： 第六處理單元，用于當位于第二網(wǎng)絡(luò)節(jié)點的用戶的日常好友數(shù)大于150,且所述第二網(wǎng) 絡(luò)節(jié)點的用戶與好友的聯(lián)系頻繁度大于〇,則確定所述位于第二網(wǎng)絡(luò)節(jié)點的用戶為不需要 推薦好友的用戶，不對所述位于第二網(wǎng)絡(luò)節(jié)點的用戶推薦好友。
【文檔編號】G06F17/30GK105843830SQ201510867670
【公開日】2016年8月10日
【申請日】2015年11月30日
【發(fā)明人】毛源澤
【申請人】維沃移動通信有限公司