本發(fā)明涉及大數據處理，尤其涉及一種基于大數據的個性化人際關系推送方法、裝置及系統(tǒng)。

背景技術：

1、近年來，隨著互聯(lián)網技術的迅速發(fā)展,社交平臺的使用在人們的日常生活中越來越普遍，使得人們越來越習慣通過社交網絡來發(fā)言、聊天、交友，在這種情況下誕生了社交網絡交友模式；為了讓用戶交到志同道合的朋友,目前的社交網絡交友模式還提供好友推薦功能，具體為從用戶發(fā)布的個人展示信息中分析用戶的興趣愛好，以此為用戶推薦具有相同興趣愛好的好友。然而在網絡交友中，用戶通常無法對推薦的好友進行身份辨別，導致用戶在交友中存在隱私泄露和被詐騙的風險。在現(xiàn)有技術中通常的做法是為用戶劃分信用等級，不向用戶推薦信用等級較低的用戶，或者限制低信用用戶的社交活動，例如發(fā)帖、交友等，然而用戶的信用度是會隨著用戶的社交活動隨時發(fā)生變化的，上述做法并不能保證高信用用戶的社交安全，也限制了低信用用戶的社交體驗。

技術實現(xiàn)思路

1、因此，本發(fā)明的主要目的在于提供一種基于大數據的個性化人際關系推送方法、裝置及系統(tǒng)，實現(xiàn)能全面地、準確地、客觀地量化被推薦用戶與鄰居用戶之間在社交網絡中的信任關系，基于用戶的動態(tài)信用等級為用戶推薦好友，針對不同等級的用戶設置不同的好友推薦策略，充分保證了各個層級用戶的社交體驗，并能促進用戶提升信用等級，進而提高社交環(huán)境的安全性和穩(wěn)定性。

2、第一方面，本發(fā)明實施例提供了一種基于大數據的個性化人際關系推送方法，所述方法包括如下步驟：

3、步驟1：預設固定時間間隔作為社交推薦周期，在當前社交推薦周期內獲取用戶的歷史社交數據和歷史交易數據，并對所述歷史社交數據和所述歷史交易數據進行預處理；

4、步驟2：將預處理后的所述歷史社交數據和所述歷史交易數據輸入預設的信用評分模型，計算得到所述用戶的社交信用分數；

5、步驟3：基于所述用戶的所述社交信用分數得到所述用戶的社交信用等級；

6、步驟4：將預處理后的所述歷史社交數據和所述歷史交易數據分別輸入預設的分類模型，得到所述用戶的社交標簽和交易標簽，并由用戶自行設置興趣標簽，將所述社交標簽、所述交易標簽和所述興趣標簽構成標簽集合；

7、步驟5：根據所述用戶對應的所述社交信用等級和所述標簽集合為當前用戶進行好友推薦；

8、步驟6：獲取所述用戶在當前所述社交推薦周期內的反饋數據，基于所述反饋數據得到所述用戶的所述社交信用等級的調整系數，并基于所述調整系數對所述用戶在下一所述社交推薦周期內的所述社交信用等級進行調整；

9、所述步驟5中，根據所述用戶對應的所述社交信用等級和所述標簽集合為當前用戶進行好友推薦，具體包括：

10、假設所述用戶的社交信用等級為，，

11、若，向所述用戶推薦所述社交信用等級在之間，且所述標簽集合與所述用戶完全相同的x個用戶；

12、若，向所述用戶推薦所述社交信用等級在之間，且所述標簽集合與所述用戶完全相同的y個用戶；

13、所述x、y均為預設的大于1的自然數，且y>x；

14、所述步驟6中，基于所述反饋數據得到所述用戶的所述社交信用等級的調整系數，并基于所述調整系數對所述用戶在下一所述社交推薦周期內的所述社交信用等級進行調整，具體包括：

15、對所述反饋數據進行量化處理，得到調整系數；所述反饋數據包括正向反饋數據和負向反饋數據；

16、在下一所述社交推薦周期內，重復所述步驟1-步驟4，得到下一所述社交推薦周期內的所述社交信用等級和新的標簽集合，再根據所述調整系數得到下一所述社交推薦周期內用戶最終的所述社交信用等級，基于所述和所述新的標簽集合在下一所述社交推薦周期內為所述用戶進行好友推薦。

17、可選地，在本發(fā)明上述各方法實施例中，所述方法進一步包括，

18、所述步驟1中，對所述歷史社交數據和所述歷史交易數據進行預處理，具體包括：

19、對所述歷史社交數據和所述歷史交易數據進行數據的歸一化處理以及基于主成分分析的數據降維處理。

20、可選地，在本發(fā)明上述各方法實施例中，所述方法進一步包括，

21、所述步驟2中，預設的信用評分模型為經過訓練的神經網絡模型。

22、可選地，在本發(fā)明上述各方法實施例中，所述方法進一步包括，

23、所述步驟3中，基于所述用戶的所述社交信用分數得到所述用戶的社交信用等級，具體包括：

24、預設個社交信用等級，分別為1,2，…，，每個所述社交信用等級對應一個社交信用分數范圍，根據所述用戶的所述信用分數所在的所述社交信用分數范圍，得到所述用戶的所述社交信用等級，所述為不小于10的正整數。

25、可選地，在本發(fā)明上述各方法實施例中，所述方法進一步包括，

26、若所述用戶在連續(xù)p個所述社交推薦周期內，所述社交信用等級均大于前一個所述社交推薦周期內的所述社交信用等級，則將所述用戶標記為潛力用戶，并在第p+1個所述社交推薦周期時，將調整后的所述用戶的所述社交信用等級+1，作為所述用戶最終的所述社交信用等級；

27、若所述用戶在連續(xù)p個所述社交推薦周期內，所述社交信用等級均小于前一個所述社交推薦周期內的所述社交信用等級，則將所述用戶標記為警示用戶，并在第p+1個所述社交推薦周期內，不向該用戶推薦好友，且該用戶也無法主動添加好友；

28、若所述用戶在連續(xù)p個所述社交推薦周期內，所述社交信用等級均為n，則將所述用戶標記為優(yōu)質用戶，并在好友推薦頁面和好友列表中優(yōu)先顯示；

29、若所述用戶在連續(xù)p個所述社交推薦周期內，所述社交信用等級均為1，則將所述用戶標記為失信用戶，并禁止所述用戶使用社交功能。

30、第二方面，本發(fā)明實施例提供了一種基于大數據的個性化人際關系推送裝置，所述裝置包含如下模塊：

31、數據采集模塊：用于在當前社交推薦周期內獲取用戶的歷史社交數據和歷史交易數據；

32、數據處理模塊：用于對所述歷史社交數據和所述歷史交易數據進行預處理；

33、個性化定制模塊：包含有預設的信用評分模型和分類模型，用于將預處理后的所述歷史社交數據和所述歷史交易數據輸入預設的信用評分模型，計算得到所述用戶的社交信用分數，并基于所述用戶的所述社交信用分數得到所述用戶的社交信用等級；還用于將預處理后的所述歷史社交數據和所述歷史交易數據分別輸入預設的分類模型，得到所述用戶的社交標簽和交易標簽，并由用戶自行設置興趣標簽，將所述社交標簽、所述交易標簽和所述興趣標簽構成標簽集合；

34、個性化推薦模塊：用于根據所述用戶對應的所述社交信用等級和所述標簽集合為當前用戶進行好友推薦；

35、反饋模塊：用于獲取所述用戶在當前所述社交推薦周期內的反饋數據，基于所述反饋數據得到所述用戶的所述社交信用等級的調整系數，并基于所述調整系數對所述用戶在下一所述社交推薦周期內的所述社交信用等級進行調整；

36、所述基于所述反饋數據得到所述用戶的所述社交信用等級的調整系數，并基于所述調整系數對所述用戶在下一所述社交推薦周期內的所述社交信用等級進行調整，具體包括：

37、對所述反饋數據進行量化處理，得到調整系數；所述反饋數據包括正向反饋數據和負向反饋數據；

38、在下一所述社交推薦周期內，根據下一所述社交推薦周期內的所述社交信用等級和新的標簽集合，再根據所述調整系數得到下一所述社交推薦周期內用戶最終的所述社交信用等級。

39、可選地，在本發(fā)明上述各方法實施例中，所述裝置進一步包括，

40、所述預設的信用評分模型為經過訓練的神經網絡模型；

41、所述對所述歷史社交數據和所述歷史交易數據進行預處理，具體包括：

42、對所述歷史社交數據和所述歷史交易數據進行數據的歸一化處理以及基于主成分分析的數據降維處理。

43、第三方面，本發(fā)明實施例提供了一種基于大數據的個性化人際關系推送系統(tǒng)，所述系統(tǒng)用于實現(xiàn)上述基于大數據的個性化人際關系推送方法。

44、第四方面，本發(fā)明實施例提供了一種基于大數據的個性化人際關系推送設備，所述設備包括：存儲器和處理器，所述存儲器和所述處理器耦合；所述存儲器存儲有程序指令，所述程序指令由所述處理器執(zhí)行時，使得所述設備執(zhí)行上述基于大數據的個性化人際關系推送方法。

45、第五方面，本發(fā)明實施例提供了一種計算機可讀存儲介質，包括計算機程序，當所述計算機程序在電子設備上運行時，使得所述電子設備執(zhí)行上述基于大數據的個性化人際關系推送方法。

46、本發(fā)明采用基于大數據的個性化人際關系推送方法，通過大數據獲取用戶的歷史社交數據和歷史交易數據，客觀公正地為用戶劃分社交信用等級，并通過社交信用等級對應的好友推送策略為用戶進行好友推薦，為信用高的用戶打造安全穩(wěn)定的交友環(huán)境，并能促使信用低的用戶努力提升自己的信用等級，從而提升整個社交平臺的交友體驗。

47、本發(fā)明通過設置社交推薦周期，展示用戶社交信用等級的動態(tài)變化，全面、及時、準確地體現(xiàn)出用戶的真實信用度。

48、本發(fā)明通過歷史社交數據和歷史交易數據，獲取用戶對應的社交標簽和交易標簽，并由用戶預設興趣標簽，采用了客觀結合主觀的方法設置用戶標簽，根據上述多個標簽為用戶推薦的標簽匹配的好友，既與用戶有相同或相似的社會行為，又與用戶興趣相投，充分保證了用戶的社交體驗。

49、下面通過附圖和實施例，對本發(fā)明的技術方案做進一步的詳細描述。