一种好友推荐方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种好友推荐方法、装置、设备及存储介质，包括：根据预设数据更新规则，获取更新的至少一个用户的用户数据；根据更新的用户数据以及预先训练生成的标签模型树，确定与每个用户对应的用户标签信息；其中，标签模型树为分布式结构模型；根据用户标签信息以及预设推荐规则，确定向每个用户推荐的好友信息。本发明专利技术实施例能够提高所推荐的好友信息的准确性和及时性，同时降低了对执行硬件的要求。

【技术实现步骤摘要】
一种好友推荐方法、装置、设备及存储介质
本专利技术实施例涉及数据推荐技术，尤其涉及一种好友推荐方法、装置、设备及存储介质。
技术介绍
随着信息技术的不断发展，面向用户的应用种类不断增多，在应用中为用户推荐其他用户，已经成为促进用户间互动，进而实现应用功能的重要手段。在现有技术中，协同过滤算法是实现信息推荐的重要算法之一，基于该算法以及改进该算法后的好友推荐方法得到了广泛的应用，但是这些方法的执行过程由于缺乏数据的动态处理和学习，往往不能及时为用户推荐合理的信息，且当用户数据较多，算法的计算规模较大时，对执行该方法的硬件也有较高的要求。
技术实现思路
本专利技术实施例提供一种好友推荐方法、装置、设备及存储介质，以提高所推荐的好友信息的准确性和及时性，同时降低了对执行硬件的要求。第一方面，本专利技术实施例提供了一种好友推荐方法，包括：根据预设数据更新规则，获取更新的至少一个用户的用户数据；根据更新的所述用户数据以及预先训练生成的标签模型树，确定与每个所述用户对应的用户标签信息；其中，所述标签模型树为分布式结构模型；根据所述用户标签信息以及预设推荐规则，确定向每个所述用户推荐的好友信息。第二方面，本专利技术实施例还提供了一种好友推荐装置，包括：用户数据获取模块，用于根据预设数据更新规则，获取更新的至少一个用户的用户数据；标签信息确定模块，用于根据更新的所述用户数据以及预先训练生成的标签模型树，确定与每个所述用户对应的用户标签信息；其中，所述标签模型树为分布式结构模型；好友信息确定模块，用于根据所述用户标签信息以及预设推荐规则，确定向每个所述用户推荐的好友信息。第三方面，本专利技术实施例还提供了一种设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术任意实施例提供的好友推荐方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本专利技术任意实施例提供的好友推荐方法。本专利技术通过根据预设数据更新规则，获取不断更新的用户数据，并根据更新的用户数据以及预先训练生成的分布式标签模型树，确定与每个用户对应的用户标签信息，在结合用户标签信息与预设推荐规则，确定向每个用户推荐的好友信息，即本专利技术实现了对用户数据的动态上报和处理，并通过建立分布式结构模型缓解了数据加载和运算的压力。解决了现有技术中，缺乏用户数据的动态处理和学习过程，以及对执行现有技术的硬件有较高的要求的问题，实现了提高所推荐的好友信息的准确性和及时性，同时降低对执行硬件的要求的效果。附图说明图1是本专利技术实施例一提供的一种好友推荐方法的流程图；图2是本专利技术实施例二提供的一种好友推荐方法的流程图；图3是本专利技术实施例三提供的一种好友推荐方法的流程图；图4是本专利技术实施例四提供的一种好友推荐装置的结构示意图；图5是本专利技术实施例五提供的一种设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1是本专利技术实施例一提供的一种好友推荐方法的流程图，本实施例可适用于向平台内的用户推荐好友信息的情况，典型的，所述平台为面向用户的应用程序，该方法可以由好友推荐装置来执行，该装置可以由硬件和/或软件构成，并可以集成在各种通用计算机设备中，典型的，所述通用计算机设备为平台服务器。本实施例具体包括如下步骤：步骤110、根据预设数据更新规则，获取更新的至少一个用户的用户数据。其中，预设数据更新规则是基于具体条件对用户数据进行动态更新的规则，所述具体条件由后台根据用户数据以及对应应用程序的具体属性设置，所述具体条件可以是基于时间的条件，例如，每隔1小时对用户数据进行更新，也可以是基于数据量的条件，例如，用户数据每增加1万条触发数据更新，当然，所述具体条件并不限于上述两种。在本实施例中，用户数据至少包括本平台内的数据，当本平台获取到其他第三方平台的授权时，用户数据还可以包括第三方平台数据，对此并不做限定。本实施例中，根据预设数据更新规则，触发平台服务器动态获取不断变化的用户数据，为后续确定用户标签信息提供了及时有效的数据来源，避免了现有的好友推荐方法中，缺乏用户数据处理与用户数据获取间的动态衔接，导致数据源不能反映用户当前状态的问题。步骤120、根据更新的用户数据以及预先训练生成的标签模型树，确定与每个用户对应的用户标签信息；其中，标签模型树为分布式结构模型。其中，标签模型树是基于用户数据预先训练生成的，具有分布式结构的多级模型系统，标签模型树用于确定与每个用户对应的用户标签信息，用户标签信息是根据用户数据确定的用户属性值，例如，某用户经常推送购物信息，则可以对该用户添加“购物爱好者”的标签。在本实施例中，首先，从标签模型树的横向设置来看，标签模型树可以具有多级模型，下级模型为上级模型的细化处理子模型(例如，上级模型确定用户的标签为：运动爱好者，下级模型可以确定的用户标签为：游泳爱好者、跑步爱好者或者攀岩爱好者等)，虽然每级模型处理的用户数据量相同，但是由于数据计算为逐层深入的形式，减少了每级模型在处理用户数据时的计算量；其次，从标签模型树的纵向设置来看，标签模型树可以具有多个独立的标签分类，即每级模型中可以存在多个独立的模型分类(例如，上级模型可以从运动、饮食和文化三个方面为用户确定标签，对应的下级模型可以从运动、饮食和文化的具体形式对用户的标签细化)，这样，针对同级相对独立的模型而言，每个独立模型处理的用户数据减少；最后，标签模型树的分布式结构，保证了无论从横向还是纵向，都易于实现对模型树的扩展操作，即增加新的标签分类，可见，本实施例中分布式结构的标签模型树，可以解决传统集中式模型确定用户标签时的瓶颈问题，提高了标签模型树的可靠性、可用性以及扩展性。步骤130、根据用户标签信息以及预设推荐规则，确定向每个用户推荐的好友信息。其中，预设推荐规则是由后台设置的，用于对获取的用户标签信息进行处理，得到最终的向每个用户推荐的好友信息的规则，例如，预设推荐规则可以为：将具有相同用户标签信息的用户互相推荐为好友。本实施例的技术方案，通过根据预设数据更新规则，获取不断更新的用户数据，并根据更新的用户数据以及预先训练生成的分布式标签模型树，确定与每个用户对应的用户标签信息，在结合用户标签信息与预设推荐规则，确定向每个用户推荐的好友信息，即本实施例的技术方案实现了对用户数据的动态上报和处理，并通过建立分布式结构模型缓解了数据加载和运算的压力。解决了现有技术中，缺乏用户数据的动态处理和学习过程，以及对执行现有技术的硬件有较高的要求的问题，实现了提高所推荐的好友信息的准确性和及时性，同时降低对执行硬件的要求的效果。实施例二图2是本专利技术实施例二提供的一种好友推荐方法的流程图，本实施例可以与上述一个或者多个实施例中各个可选方案结合，提供了在根据预设数据更新规则，获取更新的用户数据之前的具体实施步骤。下面结合图2对本专利技术实施例二提供的一种好友推荐方法进行说明，包括以下步骤：步骤210、使用历史用户数据，本文档来自技高网...

【技术保护点】
1.一种好友推荐方法，其特征在于，包括：根据预设数据更新规则，获取更新的至少一个用户的用户数据；根据更新的所述用户数据以及预先训练生成的标签模型树，确定与每个所述用户对应的用户标签信息；其中，所述标签模型树为分布式结构模型；根据所述用户标签信息以及预设推荐规则，确定向每个所述用户推荐的好友信息。

【技术特征摘要】
1.一种好友推荐方法，其特征在于，包括：根据预设数据更新规则，获取更新的至少一个用户的用户数据；根据更新的所述用户数据以及预先训练生成的标签模型树，确定与每个所述用户对应的用户标签信息；其中，所述标签模型树为分布式结构模型；根据所述用户标签信息以及预设推荐规则，确定向每个所述用户推荐的好友信息。2.根据权利要求1所述的方法，其特征在于，在根据预设数据更新规则，获取更新的用户数据之前，还包括：使用历史用户数据，对标准模型树进行训练，得到所述标签模型树；其中，所述标签模型树包括：父类标签模型和至少一级子类标签模型；由所述父类标签模型确定的用户标签信息包含对应的子类标签模型确定的用户标签信息。3.根据权利要求1或2所述的方法，其特征在于，所述用户标签信息包括：用户标签以及与所述用户标签对应的权重值。4.根据权利要求3所述的方法，其特征在于，根据所述用户标签信息以及预设推荐规则，确定向每个用户推荐的好友信息，包括：将当前待推荐好友的用户作为目标用户；获取所述目标用户的用户标签以及与所述用户标签对应的权重值；将所述目标用户的用户标签对应的权重值排序，获取预设比例的所述权重值对应的用户标签，作为所述目标用户的目标标签；在所述用户标签信息中，获取对应的用户标签与所述目标用户的至少一个目标标签相同的用户，作为向所述目标用户推荐的好友。5.根据权利要求4所述的方法，其特征在于，将所述目标用户的用户标签对应的权重值排序，包括：计算所述目标用户的用户标签对应的权重值与时间衰减函数的拟合权重值；将所述目标用户...

【专利技术属性】
技术研发人员：宋大伟，
申请(专利权)人：苏州亿歌网络科技有限公司，
类型：发明
国别省市：江苏,32