一种推荐用户的方法、装置及存储介质与流程

1.本技术涉及计算机信息处理技术领域，具体涉及一种推荐用户的方法、装置及存储介质。


背景技术：

2.现有的软件的用户推荐方法存在如下问题：1、推荐方式单一，大多数是采用粉丝数量也就是用户的个人权重作为考量去推荐，这样导致粉丝多的用户粉丝越来越多，没有热度的用户很难被推荐。2、推荐不准确，没有采取大数据对用户个人喜好的判定，很难去推荐有共同行为习惯的人给用户。3、没有多种方式融合的推荐方式。因此，需要提供一种融合多种方式去推荐用户的方法，来解决现有技术中推荐方式单一、推荐不准确以及没有多种推荐方式融合的问题。


技术实现要素：

3.本技术实施例的目的在于提供一种推荐用户的方法、装置及存储介质，用以解决现有技术中的软件的用户推荐方法存在推荐方式单一、推荐不准确以及没有多种推荐方式融合的问题。
4.为实现上述目的，本技术实施例提供一种推荐用户的方法，包括步骤：获取预设的第一待推荐用户，将所述第一待推荐用户放入用户推荐池中；获取所述用户的活跃度排名，将所述活跃度排名中前预设数量名的所述用户设为第二待推荐用户；获取所述用户的第一行为数据，将所述第一行为数据放入数据池中；获取目标用户的第二行为数据，基于所述第二行为数据，从所述数据池中获取和所述目标用户的行为习惯相同的第三待推荐用户，将所述第三待推荐用户推荐给所述目标用户；将所述第一待推荐用户和所述第二推荐用户推荐给所述目标用户。
5.可选地，所述第一行为数据和所述第二行为数据分别为根据所述用户和所述目标用户的查看内容、评论和/或点赞的行为产生的人与物的关系数据。
6.可选地，所述数据池的生成方法包括：基于从不同的所述用户获取的所述第一行为数据，聚合相同的内容，形成若干聚合物，所述聚合物关联所述内容对应的所述用户。
7.可选地，获取所述用户的所述活跃度排名的方法包括：根据内容的浏览次数、点赞次数和/或点评次数，基于流行度的推荐算法获取所述用户产出的所述内容的流行度；基于所述内容的流行度，按照预设权重，对所述内容对应的浏览次数、点赞次数和/或点评次数进行加权计算；根据所述加权计算得到的流行度数值，从高到低对所述用户进行活跃度排名。
8.可选地，对所述用户发布的内容指定分类标签，基于所述分类标签和所述内容的发布时间的倒序进行内容聚合推荐。
9.为实现上述目的，本技术还提供一种推荐用户的装置，包括：存储器；以及与所述存储器连接的处理器，所述处理器被配置成：获取预设的第一待推荐用户，将所述第一待推荐用户放入用户推荐池中；获取所述用户的活跃度排名，将所述活跃度排名中前预设数量名的所述用户设为第二待推荐用户；获取所述用户的第一行为数据，将所述第一行为数据放入数据池中；获取目标用户的第二行为数据，基于所述第二行为数据，从所述数据池中获取和所述目标用户的行为习惯相同的第三待推荐用户，将所述第三待推荐用户推荐给所述目标用户；将所述第一待推荐用户和所述第二推荐用户推荐给所述目标用户。
10.可选地，所述处理器还被配置成：所述第一行为数据和所述第二行为数据分别为根据所述用户和所述目标用户的查看内容、评论和/或点赞的行为产生的人与物的关系数据。
11.可选地，所述处理器还被配置成：所述数据池的生成方法包括：基于从不同的所述用户获取的所述第一行为数据，聚合相同的内容，形成若干聚合物，所述聚合物关联所述内容对应的所述用户。
12.可选地，所述处理器还被配置成：获取所述用户的所述活跃度排名的方法包括：根据内容的浏览次数、点赞次数和/或点评次数，基于流行度的推荐算法获取所述用户产出的所述内容的流行度；基于所述内容的流行度，按照预设权重，对所述内容对应的浏览次数、点赞次数和/或点评次数进行加权计算；根据所述加权计算得到的流行度数值，从高到低对所述用户进行活跃度排名。
13.为实现上述目的，本技术还提供一种计算机存储介质，其上存储有计算机程序，其中所述计算机程序被机器执行时实现如上所述的方法的步骤。
14.本技术实施例具有如下优点：本技术实施例提供一种推荐用户的方法，包括步骤：获取预设的第一待推荐用户，将所述第一待推荐用户放入用户推荐池中；获取所述用户的活跃度排名，将所述活跃度排名中前预设数量名的所述用户设为第二待推荐用户；获取所述用户的第一行为数据，将所述第一行为数据放入数据池中；获取目标用户的第二行为数据，基于所述第二行为数据，从所述数据池中获取和所述目标用户的行为习惯相同的第三待推荐用户，将所述第三待推荐用户推荐给所述目标用户；将所述第一待推荐用户和所述第二推荐用户推荐给所述目标用户。
15.通过上述方法，利用现在社会人们习惯在互联网中交友的习惯和喜欢追踪大v的习惯，通过系统的推荐将用户感兴趣的人推荐给用户，使用户能够正在找到有热度的人和跟自己有共同兴趣爱好的人。解决了现有推广用户形式单一，推广不准确，没有多种推荐方式融合以及推广门槛高等技术问题。
附图说明
16.为了更清楚地说明本技术的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
17.图1为本技术实施例提供的一种推荐用户的方法的流程图；图2为本技术实施例提供的一种推荐用户的装置的模块框图。
具体实施方式
18.以下由特定的具体实施例说明本技术的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本技术的其他优点及功效，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
19.此外，下面所描述的本技术不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
20.本技术一实施例提供一种推荐用户的方法，参考图1，图1为本技术的一实施方式中提供的一种推荐用户的方法的流程图，应当理解的是，该方法还可以包括未示出的附加框和/或可以省略所示出的框，本技术的范围在此方面不受限制。
21.在步骤101处，获取预设的第一待推荐用户，将所述第一待推荐用户放入用户推荐池中。
22.具体地，增加用户推荐池，小程序管理者可以直接添加自己想添加的用户，主要添加一些大v用户。
23.在步骤102处，获取所述用户的活跃度排名，将所述活跃度排名中前预设数量名的所述用户设为第二待推荐用户。
24.在一些实施例中，获取所述用户的所述活跃度排名的方法包括：根据内容的浏览次数、点赞次数和/或点评次数，基于流行度的推荐算法获取所述用户产出的所述内容的流行度；基于所述内容的流行度，按照预设权重，对所述内容对应的浏览次数、点赞次数和/或点评次数进行加权计算；根据所述加权计算得到的流行度数值，从高到低对所述用户进行活跃度排名。
25.具体地，根据用户的行为和权重计算公式，对用户在小程序中的活跃度进行计算，算出每一个用户在小程序中的活跃度，只要是越活跃的用户，在小程序中就越有可能被推荐给目标用户。
26.针对新用户还没有产生过行为或者行为较少的用户，内容推荐存在不准确或者数量不够的情况。此时需要结合内容流行度的推荐算法进行结果补充。例如推荐系统返回来3条，我们需要结合流行度算法补充剩下的7条和更多页的内容数据。
27.基于流行度的推荐算法（浏览次数、点赞次数、点评次数等），基于内容的流行度，例如按照浏览次数，点赞次数，评论次数进行加权计算，其中加权值评论*1》点赞*0.3》浏览*0.1。
28.依次加权值计算出每个内容的流行度数值，然后按照流行度数值从高到低聚合内容推荐对应的第二待推荐用户给目标用户。
29.此推荐算法与人的个性化行为无关。
30.在步骤103处，获取所述用户的第一行为数据，将所述第一行为数据放入数据池中。
31.具体地，对用户的行为进行记录，用户对小程序中的每一个内容都会生成一条记录，放入数据池中。
32.在一些实施例中，所述数据池的生成方法包括：基于从不同的所述用户获取的所述第一行为数据，聚合相同的内容，形成若干聚合物，所述聚合物关联所述内容对应的所述用户。
33.在步骤104处，获取目标用户的第二行为数据，基于所述第二行为数据，从所述数据池中获取和所述目标用户的行为习惯相同的第三待推荐用户，将所述第三待推荐用户推荐给所述目标用户。
34.在一些实施例中，所述第一行为数据和所述第二行为数据分别为根据所述用户和所述目标用户的查看内容、评论和/或点赞的行为产生的人与物的关系数据。
35.具体地，多次对相同内容发生行为的用户，会被认为是有相同的行为习惯，会被相互推荐。当数据池里面的数据越来越多，数据量越来越大的时候，该推荐会变的越来越准确，就越能够找到与自己有相同认知，相同行为习惯的人。
36.用户行为数据是根据不同用户查看内容，评论，点赞等产生人与物的关系数据，随着此行为数据的增加，关系数据越精准，根据不同的人的行为，生成自己的行为数据，然后基于行为数据，聚合有同行为人看过的内容聚合，推荐内容聚合物中对应的其他有相同行为习惯的用户给到目标用户。
37.在步骤105处，将所述第一待推荐用户和所述第二推荐用户推荐给所述目标用户。
38.具体地，系统会去三个池（用户推荐池、数据池、第二待推荐用户的名单池）中去取数据，会将三部分推荐内容融合在一起，一并推给用户，为用户去推荐朋友，这样推荐出来的用户准确性更加高。
39.在一些实施例中，还包括：对所述用户发布的内容指定分类标签，基于所述分类标签和所述内容的发布时间的倒序进行内容聚合推荐。
40.具体地，内容分类算法是基于内容发布时设定的分类进行聚合，此策略与用户的行为，内容的流行度无关。
41.内容发布的时候设定分类，聚合内容的时候选择按照内容分类且指定具体的分类标签，然后系统会按照内容的分类标签和内容的发布时间倒序进行内容聚合推荐。
42.通过上述方法，利用现在社会人们习惯在互联网中交友的习惯和喜欢追踪大v的习惯，通过系统的推荐将用户感兴趣的人推荐给用户，使用户能够正在找到有热度的人和跟自己有共同兴趣爱好的人。解决了现有推广用户形式单一，推广不准确，没有多种推荐方式融合以及推广门槛高等技术问题。
43.图2为本技术实施例提供的一种推荐用户的装置的模块框图。该装置包括：存储器201；以及与所述存储器201连接的处理器202，所述处理器202被配置成：获取预设的第一待推荐用户，将所述第一待推荐用户放入用户推荐池中；
获取所述用户的活跃度排名，将所述活跃度排名中前预设数量名的所述用户设为第二待推荐用户；获取所述用户的第一行为数据，将所述第一行为数据放入数据池中；获取目标用户的第二行为数据，基于所述第二行为数据，从所述数据池中获取和所述目标用户的行为习惯相同的第三待推荐用户，将所述第三待推荐用户推荐给所述目标用户；将所述第一待推荐用户和所述第二推荐用户推荐给所述目标用户。
44.在一些实施例中，所述处理器202还被配置成：所述第一行为数据和所述第二行为数据分别为根据所述用户和所述目标用户的查看内容、评论和/或点赞的行为产生的人与物的关系数据。
45.在一些实施例中，所述处理器202还被配置成：所述数据池的生成方法包括：基于从不同的所述用户获取的所述第一行为数据，聚合相同的内容，形成若干聚合物，所述聚合物关联所述内容对应的所述用户。
46.在一些实施例中，所述处理器202还被配置成：获取所述用户的所述活跃度排名的方法包括：根据内容的浏览次数、点赞次数和/或点评次数，基于流行度的推荐算法获取所述用户产出的所述内容的流行度；基于所述内容的流行度，按照预设权重，对所述内容对应的浏览次数、点赞次数和/或点评次数进行加权计算；根据所述加权计算得到的流行度数值，从高到低对所述用户进行活跃度排名。
47.具体实现方法参考前述方法实施例，此处不再赘述。
48.本技术可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本技术的各个方面的计算机可读程序指令。
49.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、静态随机存取存储器（sram）、便携式压缩盘只读存储器（cd-rom）、数字多功能盘（dvd）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
50.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
51.用于执行本技术操作的计算机程序指令可以是汇编指令、指令集架构（isa）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c 等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（fpga）或可编程逻辑阵列（pla），该电子电路可以执行计算机可读程序指令，从而实现本技术的各个方面。
52.这里参照根据本技术实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本技术的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
53.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
54.也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
55.附图中的流程图和框图显示了根据本技术的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
56.注意，除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结
合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
57.虽然，上文中已经用一般性说明及具体实施例对本技术作了详尽的描述，但在本技术基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本技术精神的基础上所做的这些修改或改进，均属于本技术要求保护的范围。