一种分布式数据智能处理方法、系统及计算机存储介质与流程

1.本发明涉及数据处理技术领域，尤其涉及社交数据处理技术，具体为一种分布式数据智能处理方法、系统及计算机存储介质。


背景技术：

2.随着网络技术的高速发展和网络普及率的飞速提升,社交平台例如微信、微博、抖音和推特等已经渗透到人们日常生活的各个方面，成为人们进行社交网络交友的重要渠道。为了让在社交平台上注册的用户交到志同道合的朋友,社交平台往往以推荐的形式为注册用户提供交友渠道。
3.目前的好友推荐模式都是首先分析注册用户的兴趣话题，然后基于注册用户的兴趣话题从社交网络中筛选出与注册用户兴趣话题相匹配的社交用户，从而进行好友推荐，但这种推荐模式由于对注册用户的特征信息关注较少，导致推荐效果不佳，具体体现在以下方面：
4.1.目前好友推荐模式在分析注册用户的兴趣话题过程中，只是单纯以注册用户发布相同主题信息的数量作为分析依据，即将发布数量最高的信息主题作为注册用户的兴趣话题，忽略了相邻信息发布间隔时长对分析注册用户对应兴趣话题的影响，使得注册用户兴趣话题的分析依据过于单一，导致兴趣话题的分析精准度不高，进而间接影响了社交好友的推荐准确度；
5.2.目前好友推荐模式推荐的社交好友是从整个社交平台上注册的用户中筛选出来的，其社交好友筛选范围过于宽广，一方面降低了社交好友的筛选效率，另一方面很容易出现筛选出的社交好友对于注册用户来说是陌生人，进而降低了注册用户对推荐好友的接受度。
6.3.目前好友推荐模式在推荐好友过程中只是将待推荐的好友账号推送给相应的注册用户，缺乏对待推荐好友的推荐标识，使得用户在考虑是否添加其为好友时，过于被动、盲目，从而不利于用户对待推荐好友的主动选择。


技术实现要素：

7.针对上述问题，本发明旨在提供一种分布式数据智能处理方法、系统及计算机存储介质。
8.本发明创造的目的通过以下技术方案实现：
9.本发明的第一方面提供一种分布式数据智能处理方法，包括以下步骤：
10.步骤1：设定采集时间段，从社交平台后台采集在设定采集时间段内的所有注册用户，并将各注册用户按照注册时间点的先后顺序依次标记为1,2,...,i,...,n；
11.步骤2：根据各注册用户的账号通过社交平台后台提取各注册用户对应的若干好友用户，将其构成各注册用户对应的好友集合，进而据此绘制各注册用户对应的社交好友基础拓扑图，其中各好友用户分别对应社交好友基础拓扑图中的一级分支；
12.步骤3：将各注册用户对应的各好友用户按照步骤2的方法得到各好友用户对应的好友集合，进而据此绘制各好友用户对应的社交好友基础拓扑图，从而将其连接在各好友用户对应的一级分支上，形成各一级分支对应的若干二级分支，以此类推，最终构成各注册用户对应的社交好友关联拓扑图；
13.步骤4：从社交平台后台采集各注册用户在设定采集时间段内发布的所有信息，并对发布的各条信息进行发布主题识别；
14.步骤5：将各注册用户发布的各条信息对应的发布主题进行相互对比，从中分析出各注册用户对应的兴趣话题；
15.步骤6：将各注册用户对应的社交好友关联拓扑图中各级分支所属的好友用户按照步骤4和步骤5的方法进行发布信息采集，并基于采集的发布信息分析各级分支所属好友用户对应的兴趣话题；
16.步骤7：将各注册用户对应社交好友关联拓扑图中各级分支所属好友用户对应的兴趣话题与该注册用户对应的兴趣话题进行匹配，从中筛选出匹配成功的好友用户，记为特定好友用户；
17.步骤8：统计各注册用户对应的特定好友用户数量，并获取各特定好友用户对应的分支级别，进而基于预定义的各分支级别对应的好友类型，得到各注册用户对应各特定好友用户的好友类型；
18.步骤9：从各注册用户对应各特定好友用户的好友类型中筛选出间接好友对应的特定好友用户，并将其向对应的注册用户进行智能推荐。
19.在本发明第一方面的优选方案中，所述对发布的各条信息进行发布主题识别具体参照以下步骤：
20.a1:解析各条信息对应的信息类别；
21.a2:根据各条信息对应的信息类别，将各条信息导入所属信息类别的发布主题识别算法，由此得到各条信息对应的发布主题。
22.在本发明第一方面的优选方案中，所述信息类别包括文字、图片和视频。
23.在本发明第一方面的优选方案中，所述分析出各注册用户对应兴趣话题的分析方法如下：
24.b1:将各注册用户对应各条信息的发布主题进行相互对比，进而将相同发布主题对应的信息进行归类，得到各相同发布主题所属信息集合；
25.b2:统计相同发布主题的数量，并将相同发布主题记为备选发布主题，此时将各备选发布主题分别编号为1,2,...,d,...,k；
26.b3:统计各注册用户对应各备选发布主题所属信息集合中存在的信息数量，作为各注册用户对应各备选发布主题的信息发布总数量，记为zid；
27.b4:获取各备选发布主题所属信息集合中各条信息对应的发布时间点，由此计算各注册用户对应各备选发布主题内各相邻信息的发布间隔时长，并将其进行均值处理，得到各注册用户对应各备选发布主题的相邻信息发布平均间隔时长，记为tid；
28.b5:基于各注册用户对应各备选发布主题的信息发布总数量和相邻信息发布平均间
隔时长统计各注册用户对应各备选发布主题的倾向度，其计算公式为ηid表示为第i个注册用户对应第d个备选发布主题对应的倾向度，zid、tid分别表示为第i个注册用户对应第d个备选发布主题的信息发布总数量、相邻信息平均发布间隔时长，mi表示为第i个注册用户在设定采集时间段内的发布信息总数量，t表示为设定采集时间段对应的天数，α、β分别表示为信息发布总数量、相邻信息平均发布间隔时长对应的权重系数；
29.b6:从各注册用户对应的各备选发布主题中提取倾向度最大的备选发布主题作为各注册用户对应的兴趣话题。
30.在本发明第一方面的优选方案中，所述各分支级别对应的好友类型具体为一级分支对应的好友类型为直接好友，非一级分支对应的好友类型为间接好友。
31.在本发明第一方面的优选方案中，所述从各注册用户对应各特定好友用户的好友类型中筛选出间接好友对应的特定好友用户，并将其向对应的注册用户进行智能推荐的执行步骤如下：
32.c1:将各注册用户所属间接好友对应的特定好友用户作为待推荐好友，此时统计各注册用户对应的待推荐好友数量，并将其依次标记为1,2,...,j,...,m；
33.c2:解析各注册用户所属各待推荐好友与该注册用户之间的关联结构关系，并基于此评估各注册用户所属各待推荐好友与该注册用户之间的关联程度指数；
34.c3:将各注册用户所属各待推荐好友与该注册用户之间的关联结构关系及关联程度指数作为好友推荐标识，并获取各待推荐好友的用户账号，由此将各注册用户所属各待推荐好友的用户账号及好友推荐标识向对应的注册用户进行推送。
35.在本发明第一方面的优选方案中，所述评估各注册用户所属各待推荐好友与该注册用户之间的关联程度指数对应的评估方法如下：
36.d1:从各注册用户所属各待推荐好友与该注册用户之间的关联结构关系中统计分支级别数量，并获取第一分支级别对应的好友用户，进而将第一分支级别对应的好友用户记为指定直接好友；
37.d2:分析各注册用户与其所属各待推荐好友对应指定直接好友之间的互动亲密度，记为
38.d3：从各注册用户对应的社交好友关联拓扑图中统计总分支级别数量；
39.d4：基于各注册用户所属各待推荐好友与该注册用户之间的关联结构关系中存在的分支级别数量、各注册用户与其所属各待推荐好友对应指定直接好友之间的互动亲密度、各注册用户对应社交好友关联拓扑图中存在的总分支级别数量评估各注册用户所属各待推荐好友与该注册用户之间的关联程度指数,其计算公式为待推荐好友与该注册用户之间的关联程度指数,其计算公式为表示为第i个注册用户所属第j个待推荐好友与该注册用户之间的关联程度指数，表示为第i个注册用户所属第j个待推荐好友与该注册用户之间关联结构关系中存在的分支级别数量，yi表示为第i个注册用户对应社交好友关联拓扑图中存在的总分支级别数量，表示为第i个注册用户与其所属第j个待推荐好友对应指定直接好友之间的互动亲密
度，e表示为自然常数。
40.在本发明第一方面的优选方案中，所述分析各注册用户与其所属各待推荐好友对应指定直接好友之间互动亲密度对应的分析方法包括：
41.e1:在设定采集时间段内统计各注册用户与其所属各待推荐好友对应指定直接好友之间的互动日数量，并获取各互动日对应的互动消息数量，进而将其进行均值处理，得到各注册用户与其所属各待推荐好友对应指定直接好友之间的平均日互动消息数量；
42.e2:统计各注册用户在设定采集时间段内发送的社交消息总数量；
43.e3:根据各注册用户与其所属各待推荐好友对应指定直接好友之间的互动日数量和平均日互动消息数量统计各注册用户与其所属各待推荐好友对应指定直接好友之间的互动亲密度，其计算公式为互动亲密度，其计算公式为分别表示为第i个注册用户与其所属第j个待推荐好友对应指定直接好友之间的互动日数量、平均日互动消息数量，wi表示为第i个注册用户在设定采集时间段内发送的社交消息总数量，a、b分别表示为互动日数量、平均日互动消息数量对应的影响因子，且a b＝1。
44.本发明的第二方面提供一种分布式数据智能处理系统，包括：
45.社交平台注册用户采集模块，用于设定采集时间段，通过社交平台后台采集在设定采集时间段内的所有注册用户；
46.社交好友关联拓扑图构成模块，用于根据各注册用户的账号通过社交平台后台提取各注册用户对应的若干好友用户，将其构成各注册用户对应的好友集合，进而据此构成各注册用户对应的社交好友关联拓扑图；
47.注册用户兴趣话题分析模块，用于从社交平台后台采集各注册用户在设定采集时间段内发布的所有信息，并据此分析各注册用户对应的兴趣话题；
48.分支好友用户兴趣话题分析模块，用于对各注册用户对应的社交好友关联拓扑图中各级分支所属的好友用户进行兴趣话题分析；
49.特定好友用户筛选模块，用于将各注册用户对应社交好友关联拓扑图中各级分支所属好友用户对应的兴趣话题与该注册用户对应的兴趣话题进行匹配，从中筛选出特定好友用户；
50.特定好友用户智能推荐终端，用于统计各注册用户对应的特定好友用户数量，并识别各特定好友用户对应的好友类型，由此从各注册用户对应各特定好友用户的好友类型中筛选出间接好友对应的特定好友用户，并将其向对应的注册用户进行智能推荐。
51.本发明的第三方面提供一种计算机存储介质，所述计算机存储介质烧录有计算机程序，所述计算机程序在服务器的内存中运行时实现本发明所述的一种分布式数据智能处理方法。
52.结合上述的所有技术方案，本发明所具备的优点及积极效果为：
53.(1)本发明在分析注册用户对应兴趣话题的过程中，通过从社交平台后台采集各注册用户在设定采集时间段内发布的所有信息，并对发布的各条信息进行发布主题识别，同时将相同发布主题对应的信息进行归类，由此获取各注册用户对应各备选发布主题的信息发布总数量和相邻信息发布平均间隔时长，进而将其作为分析注册用户兴趣话题的分析依据，从而以此分析出各注册用户对应的兴趣话题，该分析方式丰富了兴趣话题的分析依
据，弥补了目前好友推荐模式在分析注册用户的兴趣话题过程中分析依据过于单一的弊端，在一定程度上提高了兴趣话题的分析精准度，为后续进行社交好友推荐提供了可靠的分析基础，有利于提升社交好友的推荐准确度。
54.(2)本发明通过采用分布式数据分析方式在社交平台上注册的各用户进行社交好友关联拓扑图构建，并将其作为各注册用户对应的社交好友筛选范围，实现了社交好友筛选范围的缩小，一方面提供了社交好友的筛选效率，另一方面由于其社交好友筛选范围是基于各注册用户对应的社交好友关联拓扑图设置的，使得社交好友筛选范围内的各好友用户与注册用户之间存在关联关系，由此减少了陌生社交好友的出现率，从而提高了注册用户对待推荐好友的接受度，有利于提升社交平台的好友推荐效果。
55.(3)本发明在筛选出待推荐好友后，对所有待推荐好友均进行好友推荐标识，在将待推荐好友的用户账号推送给注册用户时，将待推荐好友的好友推荐标识也同一时间进行推送，使得注册用户能够及时直观了解待推荐好友与该注册用户之间的关联关系，为注册用户对待推荐好友的选择提供了可靠的选择依据，从而大大弱化了注册用户在考虑是否添加其为好友时的被动、盲目性。
附图说明
56.利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
57.图1为本发明的方法实施步骤流程图；
58.图2为本发明的系统模块连接示意图。
具体实施方式
59.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
60.实施例1
61.参照图1所示，本发明提供一种分布式数据智能处理方法，包括以下步骤：
62.步骤1：设定采集时间段，从社交平台后台采集在设定采集时间段内的所有注册用户，并将各注册用户按照注册时间点的先后顺序依次标记为1,2,...,i,...,n；
63.步骤2：根据各注册用户的账号通过社交平台后台提取各注册用户对应的若干好友用户，将其构成各注册用户对应的好友集合，进而据此绘制各注册用户对应的社交好友基础拓扑图，其中各好友用户分别对应社交好友基础拓扑图中的一级分支；
64.步骤3：将各注册用户对应的各好友用户按照步骤2的方法得到各好友用户对应的好友集合，进而据此绘制各好友用户对应的社交好友基础拓扑图，从而将其连接在各好友用户对应的一级分支上，形成各一级分支对应的若干二级分支，以此类推，最终构成各注册用户对应的社交好友关联拓扑图；
65.步骤4：从社交平台后台采集各注册用户在设定采集时间段内发布的所有信息，并
对发布的各条信息进行发布主题识别，其具体识别步骤参照以下：
66.a1:解析各条信息对应的信息类别，其中信息类别包括文字、图片和视频；
67.a2:根据各条信息对应的信息类别，将各条信息导入所属信息类别的发布主题识别算法，由此得到各条信息对应的发布主题。
68.在一个具体实施例中，所述文字类别发布主题识别算法对应的操作步骤如下：
69.对文字类别对应的信息进行分词处理，得到若干分词；
70.将得到的若干分词进行去停用词处理，得到保留下的若干分词，将其记为有效分词；
71.获取各有效分词对应的词性，并从中筛选出词性为名词的有效分词，进而将其记为目标分词；
72.统计目标分词的数量，并将各目标分词进行相互对比，以此将相同目标分词进行归类，从中获取相同目标分词的数量及各相同目标分词出现的频次，进而从中提取出现频次最高的相同目标分词作为发布主题；
73.所述图片类别发布主题识别算法对应的操作步骤如下：
74.对图片类别对应的信息统计信息中包含的元素数量，若信息中包含的元素只有一个，则获取该元素名称，并将该元素名称作为信息的发布主题，若信息中包含的元素不只一个，则获取各元素在信息中的占有面积及各元素在信息中所属区域距离图片中心点的距离；
75.基于各元素在信息中的占有面积及各元素在信息中所属区域距离图片中心点的距离统计各元素在信息中的重要程度系数，并从中筛选出重要程度系数最大的元素，并将该元素名称作为信息的发布主题。
76.示例性地，将图片类别对应的信息中存在的各元素依次标记为1,2,...,f,...,r，其中各元素在信息中重要程度系数的计算公式为其中各元素在信息中重要程度系数的计算公式为表示为第f个元素在信息中的重要程度系数，sf、lf分别表示为第f个元素在信息中的占有面积、在信息中所属区域距离图片中心点的距离，s表示为信息的总面积，l表示为参考距离，是方便计算的；
77.所述视频类别发布主题识别算法对应的操作步骤如下：
78.将视频类别对应的信息进行视频分割，得到若干图片；
79.将各图片按照图片类别信息对应的发布主题识别方式获取各图片对应的展示主题；
80.将各图片对应的展示主题进行相互对比，以此将相同展示主题对应的图片进行归类，从中获取相同展示主题的数量及各相同展示主题出现的频次，进而从中提取出现频次最高的相同展示主题作为发布主题；
81.步骤5：将各注册用户发布的各条信息对应的发布主题进行相互对比，从中分析出各注册用户对应的兴趣话题，具体分析方法如下：
82.b1:将各注册用户对应各条信息的发布主题进行相互对比，进而将相同发布主题对应的信息进行归类，得到各相同发布主题所属信息集合；
83.b2:统计相同发布主题的数量，并将相同发布主题记为备选发布主题，此时将各备选发布主题分别编号为1,2,...,d,...,k；
84.b3:统计各注册用户对应各备选发布主题所属信息集合中存在的信息数量，作为各注册用户对应各备选发布主题的信息发布总数量，记为zid；
85.b4:获取各备选发布主题所属信息集合中各条信息对应的发布时间点，由此计算各注册用户对应各备选发布主题内各相邻信息的发布间隔时长，并将其进行均值处理，得到各注册用户对应各备选发布主题的相邻信息发布平均间隔时长，记为tid；
86.b5:基于各注册用户对应各备选发布主题的信息发布总数量和相邻信息发布平均间隔时长统计各注册用户对应各备选发布主题的倾向度，其计算公式为ηid表示为第i个注册用户对应第d个备选发布主题对应的倾向度，zid、tid分别表示为第i个注册用户对应第d个备选发布主题的信息发布总数量、相邻信息平均发布间隔时长，mi表示为第i个注册用户在设定采集时间段内的发布信息总数量，t表示为设定采集时间段对应的天数，α、β分别表示为信息发布总数量、相邻信息平均发布间隔时长对应的权重系数；
87.需要说明的是，在上述各注册用户对应各备选发布主题的倾向度计算公式中，信息发布总数量对倾向度的影响是正影响，相邻信息发布平均间隔时长对倾向度的影响为负影响，即信息发布总数量越多，相邻信息发布平均间隔时长越短，倾向度越大；
88.b6:从各注册用户对应的各备选发布主题中提取倾向度最大的备选发布主题作为各注册用户对应的兴趣话题；
89.本发明实施例在分析注册用户对应兴趣话题的过程中，通过从社交平台后台采集各注册用户在设定采集时间段内发布的所有信息，并对发布的各条信息进行发布主题识别，同时将相同发布主题对应的信息进行归类，由此获取各注册用户对应各备选发布主题的信息发布总数量和相邻信息发布平均间隔时长，进而将其作为分析注册用户兴趣话题的分析依据，从而以此分析出各注册用户对应的兴趣话题，该分析方式丰富了兴趣话题的分析依据，弥补了目前好友推荐模式在分析注册用户的兴趣话题过程中分析依据过于单一的弊端，在一定程度上提高了兴趣话题的分析精准度，为后续进行社交好友推荐提供了可靠的分析基础，有利于提升社交好友的推荐准确度；
90.步骤6：将各注册用户对应的社交好友关联拓扑图中各级分支所属的好友用户按照步骤4和步骤5的方法进行发布信息采集，并基于采集的发布信息分析各级分支所属好友用户对应的兴趣话题；
91.步骤7：将各注册用户对应社交好友关联拓扑图中各级分支所属好友用户对应的兴趣话题与该注册用户对应的兴趣话题进行匹配，从中筛选出匹配成功的好友用户，记为特定好友用户；
92.步骤8：统计各注册用户对应的特定好友用户数量，并获取各特定好友用户对应的分支级别，进而基于预定义的各分支级别对应的好友类型，其中各分支级别对应的好友类型具体为一级分支对应的好友类型为直接好友，非一级分支对应的好友类型为间接好友，得到各注册用户对应各特定好友用户的好友类型；
93.步骤9：从各注册用户对应各特定好友用户的好友类型中筛选出间接好友对应的特定好友用户，并将其向对应的注册用户进行智能推荐，其推荐步骤如下：
94.c1:将各注册用户所属间接好友对应的特定好友用户作为待推荐好友，此时统计
各注册用户对应的待推荐好友数量，并将其依次标记为1,2,...,j,...,m；
95.c2:解析各注册用户所属各待推荐好友与该注册用户之间的关联结构关系，并基于此评估各注册用户所属各待推荐好友与该注册用户之间的关联程度指数；
96.在一个具体实施例中解析各注册用户所属各待推荐好友与该注册用户之间关联结构关系对应的解析方法为首先获取各待推荐好友的分支级别，然后识别其分支级别是否为一级分支，若某待推荐好友对应的分支级别不是一级分支，则对该待推荐好友进行所属上级分支对应的好友用户追溯，同时分析该上级分支是否为一级分支，若不为一级分支，则继续对该待推荐好友进行所属上上级分支对应的好友用户追溯，并接着分析该上上级分支是否为一级分支，若为一级分支，则停止分析，若不为一级分支，则继续进行分析，直至追溯到一级分支，示例性地，若某待推荐好友与其对应注册用户之间相隔三个分支级别，则该待推荐好友与其对应注册用户之间的关联结构关系可以按照如下表示：
[0097][0098]
在一个具体实施例中，评估各注册用户所属各待推荐好友与该注册用户之间的关联程度指数对应的评估方法如下：
[0099]
d1:从各注册用户所属各待推荐好友与该注册用户之间的关联结构关系中统计分支级别数量，并获取第一分支级别对应的好友用户，进而将第一分支级别对应的好友用户记为指定直接好友；
[0100]
d2:分析各注册用户与其所属各待推荐好友对应指定直接好友之间的互动亲密度，其分析方法包括：
[0101]
e1:在设定采集时间段内统计各注册用户与其所属各待推荐好友对应指定直接好友之间的互动日数量，并获取各互动日对应的互动消息数量，进而将其进行均值处理，得到各注册用户与其所属各待推荐好友对应指定直接好友之间的平均日互动消息数量；
[0102]
e2:统计各注册用户在设定采集时间段内发送的社交消息总数量；
[0103]
e3:根据各注册用户与其所属各待推荐好友对应指定直接好友之间的互动日数量和平均日互动消息数量统计各注册用户与其所属各待推荐好友对应指定直接好友之间的互动亲密度，其计算公式为互动亲密度，其计算公式为分别表示为第i个注册用户与其所属第j个待推荐好友对应指定直接好友之间的互动日数量、平均日互动消息数量，wi表示为第i个注册用户在设定采集时间段内发送的社交消息总数量，a、b分别表示为互动日数量、平均日互动消息数量对应的影响因子，且a b＝1；
[0104]
需要说明的是，上述互动亲密度的计算公式中互动日数量和平均日互动消息数量均对互动亲密度的影响为正影响；
[0105]
d3：从各注册用户对应的社交好友关联拓扑图中统计总分支级别数量；
[0106]
d4：基于各注册用户所属各待推荐好友与该注册用户之间的关联结构关系中存在的分支级别数量、各注册用户与其所属各待推荐好友对应指定直接好友之间的互动亲密度、各注册用户对应社交好友关联拓扑图中存在的总分支级别数量评估各注册用户所属各待推荐好友与该注册用户之间的关联程度指数,其计算公式为待推荐好友与该注册用户之间的关联程度指数,其计算公式为
表示为第i个注册用户所属第j个待推荐好友与该注册用户之间的关联程度指数，表示为第i个注册用户所属第j个待推荐好友与该注册用户之间关联结构关系中存在的分支级别数量，yi表示为第i个注册用户对应社交好友关联拓扑图中存在的总分支级别数量，表示为第i个注册用户与其所属第j个待推荐好友对应指定直接好友之间的互动亲密度，e表示为自然常数；
[0107]
需要说明的是，上述关联程度指数计算公式中，某待推荐好友对应关联结构关系中存在的分支级别数量越少，注册用户与所属某待推荐好友对应指定直接好友之间的互动亲密度越大，该待推荐好友的关联程度指数越大，其中某待推荐好友对应关联结构关系中存在的分支级别数量越少，表明该待推荐好友与注册用户之间相隔的分支级别数量越少，代表该待推荐好友与注册用户之间越接近，而注册用户与所属某待推荐好友对应指定直接好友之间的互动亲密度越大，表明注册用户与该推荐好友之间对应的直接关联度越大；
[0108]
本发明实施例通过采用分布式数据分析方式在社交平台上注册的各用户进行社交好友关联拓扑图构建，并将其作为各注册用户对应的社交好友筛选范围，实现了社交好友筛选范围的缩小，一方面提供了社交好友的筛选效率，另一方面由于其社交好友筛选范围是基于各注册用户对应的社交好友关联拓扑图设置的，使得社交好友筛选范围内的各好友用户与注册用户之间存在关联关系，由此减少了陌生社交好友的出现率，从而提高了注册用户对待推荐好友的接受度，有利于提升社交平台的好友推荐效果；
[0109]
c3:将各注册用户所属各待推荐好友与该注册用户之间的关联结构关系及关联程度指数作为好友推荐标识，并获取各待推荐好友的用户账号，由此将各注册用户所属各待推荐好友的用户账号及好友推荐标识向对应的注册用户进行推送，实现了社交好友的智能推荐。
[0110]
本发明实施例在筛选出待推荐好友后，对所有待推荐好友均进行好友推荐标识，在将待推荐好友的用户账号推送给注册用户时，将待推荐好友的好友推荐标识也同一时间进行推送，使得注册用户能够及时直观了解待推荐好友与该注册用户之间的关联关系，为注册用户对待推荐好友的选择提供了可靠的选择依据，从而大大弱化了注册用户在考虑是否添加其为好友时的被动、盲目性。
[0111]
实施例2
[0112]
参照图2所示，本发明提供一种分布式数据智能处理系统，该系统包括以下模块：
[0113]
社交平台注册用户采集模块，用于设定采集时间段，通过社交平台后台采集在设定采集时间段内的所有注册用户；
[0114]
社交好友关联拓扑图构成模块，与社交平台注册用户采集模块连接，用于根据各注册用户的账号通过社交平台后台提取各注册用户对应的若干好友用户，将其构成各注册用户对应的好友集合，进而据此构成各注册用户对应的社交好友关联拓扑图；
[0115]
注册用户兴趣话题分析模块，与社交平台注册用户采集模块连接，用于从社交平台后台采集各注册用户在设定采集时间段内发布的所有信息，并据此分析各注册用户对应的兴趣话题；
[0116]
分支好友用户兴趣话题分析模块，与社交好友关联拓扑图构成模块连接，用于对各注册用户对应的社交好友关联拓扑图中各级分支所属的好友用户进行兴趣话题分析；
[0117]
特定好友用户筛选模块，分别与注册用户兴趣话题分析模块和分支好友用户兴趣
话题分析模块连接，用于将各注册用户对应社交好友关联拓扑图中各级分支所属好友用户对应的兴趣话题与该注册用户对应的兴趣话题进行匹配，从中筛选出特定好友用户；
[0118]
特定好友用户智能推荐终端，与特定好友用户筛选模块连接，用于统计各注册用户对应的特定好友用户数量，并识别各特定好友用户对应的好友类型，由此从各注册用户对应各特定好友用户的好友类型中筛选出间接好友对应的特定好友用户，并将其向对应的注册用户进行智能推荐。
[0119]
实施例3
[0120]
本发明提供一种计算机存储介质，所述计算机存储介质烧录有计算机程序，所述计算机程序在服务器的内存中运行时实现本发明所述的一种分布式数据智能处理方法。
[0121]
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。