一种资源推送方法及装置制造方法及图纸

本发明专利技术提供一种资源推送方法及装置，该方法包括：获取基准用户的目标关系链；根据所述基准用户和目标关系链确定所述基准用户的关系用户；从预设数据库中获取所述关系用户的参数特征；根据所述参数特征确定每一所述关系用户与对应的基准用户的相似度值，或根据所述参数特征确定每一所述关系用户的概率值；根据所述相似度值或概率值从所述关系用户中确定推送用户，向所述推送用户推送目标资源。由于在本发明专利技术实施例中采用基准用户的关系用户作为候选用户集，然后从候选用户集中选取推送用户，从而有效利用了用户群社交同质性以及用户群社交影响力，因此提高了对资源推送的精准度，进而提升了资源推送的效果。

【技术实现步骤摘要】
一种资源推送方法及装置
本专利技术涉及通信
，尤其涉及一种资源推送方法及装置。
技术介绍
随着网络技术的发展，社交网络成为了重要的交流平台之一。众所周知，在社交网络中进行资源推送，是资源推广的重要方式。然而在传统的资源推送方式中，通常采用是将全量用户按照预设规则进行过滤，得到候选用户集，然后利用种子用户加负样本构成的训练集训练模型对候选用户集，排序过滤出目标投放用户群，然后进行资源的一次性推送，这种推送方式的精准度较差。
技术实现思路
本专利技术实施例提供一种资源推送方法及装置，以解决资源推送精准度较差的问题。第一方面，本专利技术实施例提供了一种资源推送方法，包括：获取基准用户的目标关系链；根据所述基准用户和目标关系链确定所述基准用户的关系用户；从预设数据库中获取所述关系用户的参数特征；根据所述参数特征确定每一所述关系用户与对应的基准用户的相似度值，或根据所述参数特征确定每一所述关系用户的概率值；根据所述相似度值或概率值从所述关系用户中确定推送用户，向所述推送用户推送目标资源。第二方面，本专利技术实施例还提供了一种资源推送装置，包括：关系链获取模块，用于获取基准用户的目标关系链；第一确定模块，用于根据所述基准用户和目标关系链确定所述基准用户的关系用户；圈子定向关系链拉取模块，用于从预设数据库中获取所述关系用户的参数特征；第二确定模块，用于根据所述参数特征确定每一所述关系用户与对应的基准用户的相似度值，或根据所述参数特征确定每一所述关系用户的概率值；排序过滤模块，用于根据所述相似度值或概率值从所述关系用户中确定推送用户，向所述推送用户推送目标资源。这样，本专利技术实施例中，获取基准用户的目标关系链；根据所述基准用户和目标关系链确定所述基准用户的关系用户；从预设数据库中获取所述关系用户的参数特征；根据所述参数特征确定每一所述关系用户与对应的基准用户的相似度值，或根据所述参数特征确定每一所述关系用户的概率值；根据所述相似度值或概率值从所述关系用户中确定推送用户，向所述推送用户推送目标资源。由于在本专利技术实施例中采用基准用户的关系用户作为候选用户集，然后从候选用户集中选取推送用户，从而有效利用了用户群社交同质性(相似性)以及用户群社交影响力，因此提高了对资源推送的精准度，进而提升了资源推送的效果。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的资源推送方法的流程图；图2是本专利技术又一实施例提供的资源推送方法的流程图；图3是本专利技术实施例提供的资源推送方法中预测概率值的流程图；图4是本专利技术又一实施例提供的资源推送方法的流程图；图5是本专利技术又一实施例提供的资源推送方法的流程图；图6是本专利技术实施例提供的资源推送方法中种子用户上传界面图；图7是本专利技术实施例提供的资源推送方法应用的系统架构图；图8是本专利技术实施例提供的资源推送方法中用户画像特征和兴趣标签的分析流程图；图9是本专利技术实施例提供的资源推送方法中合并向量的直观图；图10是本专利技术实施例提供的资源推送装置的结构图；图11是本专利技术又一实施例提供的资源推送装置的结构图；图12是本专利技术又一实施例提供的资源推送装置的结构图；图13是本专利技术又一实施例提供的资源推送装置的结构图；图14本专利技术实施例提供的服务器的结构图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参照图1，本专利技术实施例提供了一种资源推送方法，包括：步骤101，获取基准用户的目标关系链；本专利技术实施例提供的资源推送方法主要应用于资源推送服务器中，用于对目标资源的推送进行管理。该步骤中，上述目标关系链可以由用户进行设定，例如用户可以通过预设的交互界面设定目标关系链，例如该目标关系链包括全部好友或者部分好友，例如对好友进行分类包括朋友、亲人、同学、同事和亲人时，上述目标关系链包括朋友、亲人、同学、同事和亲人中的一项或者多项。本专利技术实施例中，对目标资源进行推送时，可以采取多次动态的推送方式，在首次进行目标资源推送时，上述基准用户为种子用户(即资源推送方提供的用户)；后续每一次进行资源推送时，上述基准用户为历史推送用户中选取的用户。例如，可以根据上一次进行目标资源推送的推送用户选取下一次进行资源推送对应的基准用户。其中，同一用户作为基准用户使用的次数只能为一次，也就是说，在对同一目标资源进行推送时，每一用户仅被允许一次作为基准用户。步骤102，根据所述基准用户和目标关系链确定基准用户的关系用户；步骤103，从预设数据库中获取所述关系用户的参数特征；上述参数特征的具体内容可以根据实际需要进行设置，例如，在本实施例中，该参数特征可以包括用户画像特征和嵌入(embedding)向量，其中，该embedding向量为用户位于共同类网络中的网络节点所映射的向量。可选的，为了提高对用户相似度计算的精准度，上述参数特征还可以包括：用于反应用户喜好资源类型的兴趣标签，该兴趣标签的划分规则可以根据实际需要进行设置，例如可以进行大类和小类逐层划分，例如兴趣标签可以包括体育类、军事类和阅读类等划分大类，再从大类进行小类划分，例如，在阅读内中可以划分为杂志类、小说类和文艺类等，其具体的划分细节在此不再一一列举。其中，上述用户画像特征、embedding向量和兴趣标签通常是在之前进行了统计并储存。本实施例中，可以根据基准用户和目标关系链获取存储的参数特征，从而获得关系用户的参数特征。可选的，上述基准用户的数量可以根据实际需要进行设置，且每一基准用户的目标关系链对应的关系用户数量可以根据实际需要进行设置，应当说明的是，基准用户的目标关系链对应的关系用户数量和与关系用户的互动类行为状态均可以反应该基准用户的社交影响力，互动类行为包括两个用户在社交平台上的收发消息、点赞评论、视频通话和语音通话。步骤104，根据所述参数特征确定每一所述关系用户与对应的基准用户的相似度值，或根据所述参数特征确定每一所述关系用户的概率值；该步骤中，可以根据预设的相似度模型或者概率分析模型对上述预设特征进行分析计算，得到每一关系用户与对应的基准用户的相似度值，或根据所述参数特征确定每一所述关系用户的概率值。步骤105，根据所述相似度值或概率值从所述关系用户中确定推送用户，向所述推送用户推送目标资源。该步骤中，可以根据每一关系用户与对应的基准用户的相似度或者每一关系用户的概率值进行关系用户的排序，然后根据排序的顺序确定本次进行资源推送的推送用户。其中确定推送用户的方式可以根据实际需要进行设置，例如可以对每一基准用户的关系用户进行排序，分别选取与对应的基准用户的相似度值或者概率值排列前N位的关系用户作为本次资源推送的推送用户，即从每一基准用户对应的关系用户中选取相似度值或者概率值排列前N位的关系用户；还可以将所有关系用户与对应的基准用户的相似度值或者关本文档来自技高网...

【技术保护点】
一种资源推送方法，其特征在于，包括：获取基准用户的目标关系链；根据所述基准用户和目标关系链确定所述基准用户的关系用户；从预设数据库中获取所述关系用户的参数特征；根据所述参数特征确定每一所述关系用户与对应的基准用户的相似度值，或根据所述参数特征确定每一所述关系用户的概率值；根据所述相似度值或概率值从所述关系用户中确定推送用户，向所述推送用户推送目标资源。

【技术特征摘要】
1.一种资源推送方法，其特征在于，包括：获取基准用户的目标关系链；根据所述基准用户和目标关系链确定所述基准用户的关系用户；从预设数据库中获取所述关系用户的参数特征；根据所述参数特征确定每一所述关系用户与对应的基准用户的相似度值，或根据所述参数特征确定每一所述关系用户的概率值；根据所述相似度值或概率值从所述关系用户中确定推送用户，向所述推送用户推送目标资源。2.根据权利要求1所述的方法，其特征在于，所述根据所述相似度值或概率值从所述关系用户中确定推送用户，向所述推送用户推送目标资的步骤之后，所述方法还包括：从所述推送用户中选择下一次对所述目标资源进行资源推送的基准用户。3.根据权利要求2所述的方法，其特征在于，所述从所述推送用户中选择下一次对所述目标资源进行资源推送的基准用户的步骤包括：将所述推送用户中的正向反馈用户设定为下一次对所述目标资源进行资源推送的基准用户。4.根据权利要求1所述的方法，其特征在于，所述参数特征包括用户画像特征和嵌入向量，所述嵌入向量为用户位于共同类网络中的网络节点所映射的向量。5.根据权利要求4所述的方法，其特征在于，所述根据所述参数特征确定每一所述关系用户的概率值的步骤，包括：将所述参数特征输入到逻辑回归LR/支持向量机SVM模型中，预测所述每一所述关系用户的概率值，其中，所述LR/SVM模型是根据梯度提升决策树GBDT树叶子节点序列和所述嵌入向量进行训练的，所述GBDT树叶子节点序列是将预设的样本训练集输入到GBDT模型中转换获得的。6.根据权利要求4所述的方法，其特征在于，所述根据所述参数特征确定每一所述关系用户与对应的基准用户的相似度值的步骤包括：将所述参数特征进行合并得到，每一所述关系用户的第一预设维目标向量，并将所述基准用户的参数特征进行合并得到每一所述基准用户的第二预设维目标向量；根据预设函数计算每一所述基准用户的第二预设维目标向量和对应的关系用户的第一预设维目标向量之间的相似度，得到每一关系用户与对应的基准用户之间的相似度值。7.根据权利要求6所述的方法，其特征在于，所述预设函数包括皮尔逊相关系数、余弦相似度、杰卡德相似度和欧式距离中的任一项。8.根据权利要求4所述的方法，其特征在于，所述参数特征还包括：用于反应用户喜好资源类型的兴趣标签。9.根据权利要求1所述的方法，其特征在于，所述根据所述参数特征确定每一所述关系用户与对应的基准用户的相似...

【专利技术属性】
技术研发人员：高文尧，易玲玲，贺鹏，邱立威，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44