一种用户的兴趣推荐方法和装置制造方法
【专利摘要】本发明适用于社交网络领域，提供了一种用户兴趣推荐方法和装置，该方法包括：根据社交网络的用户生成内容UGC，获取用户的兴趣标签信息；根据获取的兴趣标签信息，对同类别的兴趣标签的用户聚类形成聚类簇；对同一聚类簇中的用户的兴趣标签推荐至该聚类簇中的用户，或对同一聚类簇中的用户互相推荐为相同兴趣的好友。由于从用户生成内容中获取用户的兴趣标签，其兴趣标签匹配的准确度高，基于准确度高而形成的聚类簇中的用户进行兴趣标签或好友推荐，其推荐的准确度高，有利于提高推荐效率，可进一步完善用户兴趣标签。
【专利说明】一种用户的兴趣推荐方法和装置
【技术领域】
[0001]本发明属于社交网络领域，尤其涉及一种用户的兴趣标签推荐方法和装置。
【背景技术】
[0002]在现有的社交网络如校友、空间、博客和微博中，拥有庞大的用户群。为了更好的便于用户的信息交流与沟通，在各社交网络都有推出用户的兴趣标签服务，在用户匹配了相应的兴趣标签后，将用户归为具有相同兴趣标签的用户群组。
[0003]现有的根据用户的兴趣标签进行用户兴趣标签的推荐方法，一般采用如下方式:给用户随机推荐兴趣标签或者根据当前热点事件给用户推荐兴趣标签，或者在建立了用户兴趣标签体系后，对用户推荐不冋类别的兴趣标签。
[0004]随机推荐选用比较常用的兴趣标签推荐给用户，而当前热点兴趣标签推荐为当前活跃度比较高的兴趣标签，这种推荐方式不能有效的设定真正属于用户的兴趣标签，推荐兴趣标签的准确度不高。
【发明内容】
[0005]本发明实施例的目的在于提供一种用户的兴趣推荐方法，旨在解决现有技术中在进行用户推荐时，用户推荐的兴趣标签或推荐的用户的准确度不高的问题，从而提高用户兴趣标签或用户推荐效率。
[0006]本发明实施例是这样实现的，一种用户的兴趣推荐的方法，所述方法包括下述步骤:
[0007]根据社交网络的用户生成内容，获取用户的兴趣标签信息；
[0008]根据获取的兴趣标签信息，对同类别的兴趣标签的用户聚类形成聚类簇；
[0009]对同一聚类簇中的用户的兴趣标签推荐至该聚类簇中的用户，或对同一聚类簇中的用户互相推荐为相同兴趣的好友。
[0010]本发明实施例的另一目的在于提供一种用户的兴趣推荐装置，所述装置包括:
[0011]获取模块，用于根据社交网络的用户生成内容UGC，获取用户的兴趣标签信息；
[0012]聚类模块，用于根据获取的兴趣标签信息，对同类别的兴趣标签的用户聚类形成聚类簇；
[0013]推荐模块，用于对同一聚类簇中的用户的兴趣标签推荐至该聚类簇中的用户，或对同一聚类簇中的用户互相推荐为相同兴趣的好友。
[0014]在本发明实施例中，根据用户生成内容UGC中获取的兴趣标签信息，将具有同类别的兴趣标签的用户进行聚类，生成聚类簇，并将同一聚类簇中用户的兴趣标签推荐至聚类簇中的用户，或者将同一聚类簇中的用户互相推荐为相同兴趣的好友。由于从用户生成内容中获取用户的兴趣标签，其兴趣标签匹配的准确度高，基于准确度高而形成的聚类簇中的用户进行兴趣标签或好友推荐，其推荐的准确度高，有利于提高推荐效率，可进一步完善用户兴趣标签。【专利附图】
【附图说明】
[0015]图1是本发明第一实施例提供的用户兴趣推荐方法的实现流程图；
[0016]图2是本发明第二实施例提供的用户兴趣推荐方法的实现流程图；
[0017]图3是本发明第三实施例提供的用户兴趣推荐装置的结构框图；
[0018]图4是本发明第四实施例提供的用户兴趣推荐装置的结构框图。
【具体实施方式】
[0019]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。
[0020]实施例一
[0021]图1示出了本发明用户兴趣推荐方法的实现流程，详述如下:
[0022]在步骤SlOl中，根据社交网络的用户生成内容UGC，获取用户的兴趣标签信息。
[0023]具体的,用户生成内容(英文全称为users generate content,英文简称为UGC),包括用户发布的微博、博客、转载的文章或者修个性签名等。
[0024]根据社交网络的用户生成内容UGC，获取用户的兴趣标签信息步骤中，取得兴趣标签信息可以包括如下方式中的一种或两种:
[0025]1、在用户生成内容中查找用户的兴趣标签信息。具体可通过建立一个包括常用的兴趣标签的库。根据兴趣标签库中的兴趣标签，在用户生成内各中查找是否出现兴趣标签库的兴趣标签，如果出现则将所述出现的兴趣标签作为与用户匹配的兴趣标签。如兴趣标签的库中包括“NBA”、“科幻片”、“官场小说” “八零后”等，而用户生成内容中包括“NBA”、“科幻片”关键词，则将这两个兴趣标签与用户匹配关联。
[0026]在第二种方式中，在用户已经有定义的兴趣标签或者发布的信息的关键词的情况下，直接将定义的兴趣标签和发布的信息的关键字作为用户的兴趣标签，如用户在发表文章前的关键字或者兴趣标签印象中的自我描述等。
[0027]在步骤S102中，根据查找的兴趣标签信息，对同类别的兴趣标签的用户聚类形成
聚类簇。
[0028]其中，所述聚类簇是指具有相同或相近似的兴趣标签的用户的集合。根据上述基于用户生成内容中得到的兴趣标签信息，将同类别的兴趣标签的用户聚类形成聚类簇，可提高用户聚类的准确度。如对于同样都具有“林书豪”兴趣标签的用户，可能存在具有多个相同或者相似兴趣标签的用户，因此，可以采用层次聚类算法进行聚类。
[0029]层次聚类自算法包括凝聚式算法和分裂式算法。凝聚式算法是以“自底向上”的方式进行的。首先将每个用户作为一个聚类，然后合并相似性最大的聚类为一个大的聚类，直到所有的聚类都被融合成一个大的聚类。它以η个聚类开始，以I个聚类结束，分裂式算法是以一种“自顶向下”的方式进行的。一开始它将整个样本看作一个大的聚类，然后，在算法进行的过程中考察所有可能的分裂方法把整个聚类分成若干个小的聚类。第I步分成2类，第2步分成3类，这样一直能够进行下去直到最后一步分成η类。在每一步中选择一个使得相异程度最小的分裂。运用这种方法，可以得到一个相反结构的系统树图，它以I个聚类开始，以η个聚类结束。从系统树图中得到多个不同相似度的聚类簇。
[0030]在步骤S103中，对同一聚类簇中的用户的兴趣标签推荐至该聚类簇中的用户，或对同一聚类簇中的用户互相推荐为相同兴趣的好友。
[0031]具体的，由步骤S102中得到的聚类簇，其中包含多个具有相同或相似兴趣的用户，根据聚类簇中用户的特点，可以作以下用户兴趣推荐:
[0032]1、统计同一聚类簇中的用户的兴趣标签，将所述聚类簇中的用户兴趣标签推荐至该聚类簇中的用户。在推荐用户兴趣标签时，可包括一判断步骤，判断用户是否具有推荐的兴趣标签，如果没有则推荐至用户，如果有则换下一个兴趣标签继续推荐。这样可以防止在用户具有待推荐的兴趣标签的情况下重复推荐的情况，提高用户体验效果。
[0033]2、对同一聚类簇中的用户互相推荐为相同兴趣的好友，同样，在推荐前也可包括一判断步骤，判断待推荐的用户是否已经是被推荐的用户的好友，如果没有则推荐其为被推荐用户的好友，否则判断下一位。
[0034]本发明实施例通过在用户生成内容中获取用户的兴趣标签信息，得到更加真实的用户兴趣标签，基于该用户兴趣标签进行用户聚类得到聚类簇，在聚类簇中进行用户兴趣标签的推荐和用户好友推荐，本发明实施例所得到的用户兴趣标签更加真实，有利于提高用户兴趣标签和用户的推荐准确度，推荐效率高。
[0035]实施例二
[0036]图2为本发明实施例第二实施例提供的用户兴趣推荐方法流程图，详述如下:
[0037]在步骤S201中，根据用户生成内容，获取用户的兴趣标签信息，所述兴趣标签信息包括用户兴趣标签和用户兴趣标签在用户生内容中出现的频率。
[0038]用户的兴趣标签来源包括从用户生成内容、用户自定义的兴趣标签。
[0039]在取得用户兴趣标签的同时，统计用户兴趣标签在用户生成内容中出现的次数。对于用户自定义的兴趣标签，也可以在匹配用户生成内容时，统计其出现的次数。生成的用户兴趣标签如:运动20，篮球25，爬山80，乒乓球15这样的形式。
[0040]在步骤S202中，根据获取的兴趣标签和兴趣标签出现的频率，对同类别的兴趣标签的用户聚类形成聚类簇。
[0041]在得到的用户兴趣标签信息中包括用户兴趣标签和兴趣标签出现的频率，在进行用户聚类时，在用户具备相同的用户兴趣标签时，根据用户兴趣标签出现的频率值，用以判断为不同的相似度。如用户Α、用户B和用户C都具有兴趣标签“篮球”，用户A的兴趣标签的频率为38，用户B的兴趣标签的频率为40，用户C的兴趣标签的频率为5，那么在进行相似度判断时，A与B的相似度要高于A与C或者A与B之间的相似度。
[0042]在步骤S203中，对同一聚类簇中的用户的所有兴趣标签，根据兴趣标签在聚类簇中出现的次数由多到少推荐至该聚类簇中的用户。
[0043]在得到聚类簇后，对聚类簇中的用户的兴趣标签进行统计，得到聚类簇中用户的所有兴趣标签的出现次数或者累积出现频率较高的兴趣标签，与实施例一不同之处在于，本实施例所统计的兴趣标签包括出现次数，在进行兴趣标签推荐时，优先推荐出现次数较多的兴趣标签，以提高推荐的成功率和准确度。
[0044]在步骤S204中，对同一聚类簇中的用户，根据用户兴趣标签的相似度，互相推荐为相同兴趣好友。[0045]在得到聚类簇后，对聚类簇中的用户的兴趣标签的相似度与相同兴趣标签的出现次数进行统计，在两个用户的相同、相似兴趣标签达到规定的个数或者相同、相似兴趣标签的出现次数达到一定值后，对这两个用户互相对其为好友。当然，与实施例一类似，在推荐前还可包括用户是否为好友进行判断。
[0046]另外，作为本发明实施例另一种较优的实施方式，还可包括获取用户的社交网络的属性信息，如常在用户注册信息中包括的用户的年龄、姓名、职业等。在聚类步骤中，根据获取的兴趣标签信息和用户的社交网络的属性信息，对同类别的兴趣标签的用户聚类形成聚类簇。由于增加用户的属性信息，可进一步对用户的特征进行定位，提高用户相似度判断的准确性。
[0047]本发明实施例与实施例一相比，在根据用户生成内容得到兴趣标签时，还包括获取兴趣标签的出现次数，根据用户的兴趣标签和出现次数对用户聚类，在得到聚类簇后，根据用户兴趣标签和兴趣标签的出现次数进行兴趣标签的推荐和好友推荐，由于生成聚类簇和进行推荐时增加了兴趣标签的出现频率，可以进一步提高推荐的准确度，提高推荐效率。而通过增加用户属性信息，也能提高推荐精准度的效率。
[0048]实施例三
[0049]图3为本发明实施例所提供的用户的兴趣推荐装置的结构框图，详述如下:
[0050]本发明实施例所述的用户聚类装置，包括获取模块301、聚类模块302和推荐模块303，其中:
[0051]所述获取模块301，用于根据社交网络的用户生成内容UGC，获取用户的兴趣标签
信息；
[0052]所述聚类模块302:用于根据获取的兴趣标签信息，对同类别的兴趣标签的用户聚类形成聚类簇；
[0053]推荐模块303，用于对同一聚类簇中的用户的兴趣标签推荐至该聚类簇中的用户，或对同一聚类簇中的用户互相推荐为相同兴趣的好友。
[0054]由获取模块301根据用户生成内容，获取的用户的兴趣标签信息，聚类模块302根据用户的兴趣标签进行聚类，聚类模块302所采用的聚类方法采用现有技术中较为成熟的层次聚类算法，如AGNES算法等。在得到聚类簇后，对聚类簇中用户的兴趣标签进行统计，将统计后的兴趣标签推荐至聚类簇中的用户或者，在聚类簇中的用户互相推荐好友。由于从用户生成内容生成的兴趣标签，其准确度高，因而在得到聚类簇后，进行用户兴趣标签推荐和用户推荐的准确度更好，效率更高。
[0055]实施例四:
[0056]图4为本发明实施例所提供的用户的兴趣推荐装置的结构框图，详述如下:
[0057]本发明实施例所述的用户聚类装置，包括第一获取模块401、聚类模块402、推荐模块403，其中:
[0058]所述第一获取模块401，用于根据社交网络的用户生成内容UGC，获取用户的兴趣标签信息。所述兴趣标签信息包括用户的兴趣标签和兴趣标签在社交网络的用户生成内容中出现的次数。
[0059]所述聚类模块402，用于根据获取的兴趣标签信息，对同类别的兴趣标签的用户聚类形成聚类簇；[0060]所述推荐模块403:对同一聚类簇中的用户的兴趣标签，根据兴趣标签在聚类簇中出现的次数由多到少推荐至该聚类簇中的用户，或对同一聚类簇中的用户，根据用户兴趣标签的相似度，互相推荐为相同兴趣好友。
[0061]所述第一获取模块401具体包括，
[0062]查找子模块4011，用于在用户生成内容中查找用户的兴趣标签信息，和/或
[0063]获取子模块4012，用于获取用户生成内容中自定义的兴趣标签信息。
[0064]其中，所述查找子模块4011具体包括:
[0065]生成子单元40121，用于生成一个包括常用的兴趣标签的库；
[0066]匹配子单元40122，用于在用户生成内容中查找与兴趣标签的库中相匹配的兴趣标签，作为用户兴趣标签。
[0067]作为本发明实施例进一步优选的，所述装置还包括第二获取模块404，用于获取用户的社交网络的属性信息，所述推荐模块403具体用于，根据获取的兴趣标签信息和用户的社交网络的属性信息，对同类别的兴趣标签的用户聚类形成聚类簇。
[0068]第一获取模块401获取的用户的兴趣标签信息，其包括兴趣标签和兴趣标签在用户生成内容中出现的次数，由聚类模块402根据用户的兴趣标签信息对用户进行聚类，得到聚类簇。在同一聚类簇中的用户，由推荐模块403根据用户的兴趣标签和兴趣标签出现的次数，在聚类簇中的用户互相推荐好友或将聚类簇中用户的兴趣标签推荐至聚类簇中的用户。为进一步提高聚类精确度，由第二获取模块获取用户的属性信息，从而为聚类和推荐提供更为精确的判断数据。本发明实施例二的装置实施例与实施例二所述的方法实施例相对应，在此不再重复赘述。
[0069]本发明实施例通过从用户生成内容UGC中获取用户兴趣标签，根据用户兴趣标签得到聚类簇后，将聚类簇中的用户的兴趣标签推荐至聚类簇中的用户或者在聚类簇中的好友互相推荐为好友。由于从用户生成内容获取用户兴趣标签，其获取的兴趣标签的准确度高，使得用户或者兴趣标签推荐的成功率高，而通过增加用户属性信息和用户兴趣标签的出现次数，可以进一步提高用户推荐的准确度。
[0070]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
【权利要求】
1.一种用户的兴趣推荐方法，其特征在于，所述方法包括: 根据社交网络的用户生成内容，获取用户的兴趣标签信息； 根据获取的兴趣标签信息，对同类别的兴趣标签的用户聚类形成聚类簇； 对同一聚类簇中的用户的兴趣标签推荐至该聚类簇中的用户，或对同一聚类簇中的用户互相推荐为相同兴趣的好友。
2.根据权利要求1所述的方法，其特征在于，所述步骤根据社交网络的用户生成内容，获取用户的兴趣标签信息包括: 在用户生成内容中查找用户的兴趣标签信息，和/或 获取用户生成内容中自定义的兴趣标签信息。
3.根据权利要求2所述的方法，其特征在于，所述步骤在用户生成内容中查找用户的兴趣标签信息具体为: 生成一个包括常用的兴趣标签的库； 在用户生成内各中查找与兴趣标签的库中相匹配的兴趣标签，作为用户兴趣标签。
4.根据权利要求1所述的方法，其特征在于，所述兴趣标签信息包括用户的兴趣标签和兴趣标签在社交网络的用户生成内容中出现的次数。
5.根据权利要求4所述的方法，其特征在于，所述步骤对同一聚类簇中的用户的兴趣标签推荐至该聚类簇中的用户，或对同一聚类簇中的用户互相推荐为相同兴趣好友具体为: 对同一聚类簇中的用户的兴趣标签，根据兴趣标签在聚类簇中出现的次数由多到少推荐至该聚类簇中的用户，或对同一聚类簇中的用户，根据用户兴趣标签的相似度，互相推荐为相同兴趣好友。
6.根据权利要求1-5任一项所述方法，其特征在于，还包括获取用户的社交网络的属性信息的步骤，所述步骤根据获取的兴趣标签信息，对同类别的兴趣标签的用户聚类形成聚类簇具体为: 根据获取的兴趣标签信息和用户的社交网络的属性信息，对同类别的兴趣标签的用户聚类形成聚类簇。
7.一种用户的兴趣推荐装置，其特征在于，所述装置包括: 获取模块，用于根据社交网络的用户生成内容UGC，获取用户的兴趣标签信息； 聚类模块，用于根据获取的兴趣标签信息，对同类别的兴趣标签的用户聚类形成聚类簇； 推荐模块，用于对同一聚类簇中的用户的兴趣标签推荐至该聚类簇中的用户，或对同一聚类簇中的用户互相推荐为相同兴趣的好友。
8.根据权利要求7所述的装置，其特征在于，所述获取模块具体包括， 查找子模块，用于在用户生成内容中查找用户的兴趣标签信息，和/或 获取子模块，用于获取用户生成内容中自定义的兴趣标签信息。
9.根据权利要求8所述的装置，其特征在于，所述查找子模块包括: 生成子单元，用于生成一个包括常用的兴趣标签的库； 匹配子单元，用于在用户生成 内容中查找与兴趣标签的库中相匹配的兴趣标签，作为用户兴趣标签。
10.根据权利要求7所述的装置，其特征在于，所述兴趣标签信息包括用户的兴趣标签和兴趣标签在社交网络的用户生成内容中出现的次数。
11.根据权利要求10所述的装置，其特征在于，所述推荐模块具体用于:对同一聚类簇中的用户的兴趣标签，根据兴趣标签在聚类簇中出现的次数由多到少推荐至该聚类簇中的用户，或对同一聚类簇中的用户，根据用户兴趣标签的相似度，互相推荐为相同兴趣好友。
12.根据权利要求7-11任一项所述的装置，其特征在于，还包括第二获取模块，用于获取用户的社交网络的属性信息，所述推荐模块具体用于，根据获取的兴趣标签信息和用户的社交网络的属性信息，对同类别的兴趣标签的用户聚类形成聚类簇。
【文档编号】G06F17/30GK103810192SQ201210445772
【公开日】2014年5月21日 申请日期:2012年11月9日 优先权日:2012年11月9日
【发明者】贺翔, 陈建群, 付昭 申请人:腾讯科技（深圳）有限公司