[发明专利]一种好友推荐方法和装置

摘要

本发明适用于互联网领域，提供了一种好友推荐的方法和装置，该方法包括获取用户的数据信息；根据所述用户的数据信息，确定所述用户候选的推荐好友以及所述候选的推荐好友的特征向量，所述特征向量包括用户的个人属性的量化信息和社交网络拓扑结构的量化信息；根据预先训练得到的模型，计算所述特征向量对应的分值，得到用户好友的分值排序；根据计算得到的用户好友的分值排序，向用户推荐好友。本发明实施例通过综合用户的个人属性信息以及拓扑网络结构信息，推荐的参考数据更加全面。此外，通过用户的个人数据信息确定候选的推荐好友，使推荐好友的覆盖率更全面，可以显著的提高用户好友推荐的准确率。

主权项

一种好友推荐方法，其特征在于，所述方法包括：获取用户的数据信息，所述用户的数据信息包括用户的个人属性信息和社交网络拓扑结构信息；根据所述用户的数据信息，确定所述用户候选的推荐好友以及所述候选的推荐好友的特征向量，所述特征向量包括用户的个人属性的量化信息和社交网络拓扑结构的量化信息；获取m个用户的训练样本数据，所述训练样本数据包括每个用户候选的推荐好友的特征向量、好友推荐的目标序列y(i)，0<i<m+1，m为正整数；由候选的推荐好友的特征向量作为神经网络模型的输入样本，好友推荐的目标序列作为神经网络模型的输出样本，训练得到神经网络模型，包括：获取随机生成的用户的候选的推荐好友的排序序列z(i)；计算所对应的特征向量的分数，其中，目标序列y(i)与排序序列z(i)的交叉熵表示为：L(y(i),z(i))=-Σ∀g∈Gk(j1,j2,...,jk)Py(i)(g)log(PZ(i)(g)),]]>k表示候选的推荐好友的特征向量的个数，jk表示第k个特征向量，Gk(j1,j2,…,jk)表示k个特征向量j1,j2,…,jk的所有排列组合，表示候选推荐好友l的第t个特征向量的分数，n(i)是用户i的候选推荐好友个数，l为大于0的正整数；根据所述特征向量的分数得到所述特征向量对应的权系数，根据所述特征向量对应的权系数生成神经网络模型；根据预先训练得到的神经网络模型，计算所述特征向量对应的分值，得到用户好友的分值排序；根据计算得到的用户好友的分值排序，向用户推荐好友。