網(wǎng)絡(luò)社交活動(dòng)推薦方法和裝置的制造方法
【專利摘要】本發(fā)明提供一種網(wǎng)絡(luò)社交活動(dòng)推薦方法和裝置。該方法包括：根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息，獲取用戶對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第一評(píng)分；根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的位置信息，獲取用戶對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第二評(píng)分，和/或根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的組織者信息，獲取用戶對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第三評(píng)分；根據(jù)第一評(píng)分，以及第二評(píng)分和/或第三評(píng)分，獲取各待推薦網(wǎng)絡(luò)社交活動(dòng)的總評(píng)分；根據(jù)總評(píng)分，向用戶進(jìn)行網(wǎng)絡(luò)社交活動(dòng)推薦。通過(guò)綜合多方面評(píng)分向用戶進(jìn)行網(wǎng)絡(luò)社交活動(dòng)推薦，可顯著改善網(wǎng)絡(luò)社交活動(dòng)的推薦效果。
【專利說(shuō)明】
網(wǎng)絡(luò)社交活動(dòng)推薦方法和裝置
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及數(shù)據(jù)挖掘技術(shù)，尤其設(shè)及一種網(wǎng)絡(luò)社交活動(dòng)推薦方法和裝置。
【背景技術(shù)】
[0002] 近些年來(lái)，隨著物質(zhì)生活水平的提高，人們?cè)絹?lái)越熱衷參加各類活動(dòng)，如爬山、健 身、旅游等，W豐富假期生活，W豆瓣同城等為代表的基于活動(dòng)的社交網(wǎng)絡(luò)得到了快速發(fā) 展。該些基于活動(dòng)的社交網(wǎng)絡(luò)給用戶提供了一個(gè)在線的平臺(tái)，用戶通過(guò)該平臺(tái)組織、管理和 參加各種各樣的網(wǎng)絡(luò)社交活動(dòng)。
[0003] 然而，由于網(wǎng)絡(luò)社交活動(dòng)具有時(shí)效性，每天都有大量的網(wǎng)絡(luò)社交活動(dòng)失效，同時(shí)每 天都有大量的新網(wǎng)絡(luò)社交活動(dòng)被發(fā)布，若社交網(wǎng)絡(luò)沒(méi)有對(duì)所有的網(wǎng)絡(luò)社交活動(dòng)在推薦表中 進(jìn)行合理的排序，將會(huì)使用戶無(wú)法在大量的網(wǎng)絡(luò)社交活動(dòng)中快速獲取到感興趣且未失效的 網(wǎng)絡(luò)社交活動(dòng)，浪費(fèi)了用戶的時(shí)間，進(jìn)而可能導(dǎo)致用戶改用其他社交網(wǎng)絡(luò)。
[0004] 現(xiàn)有網(wǎng)絡(luò)社交活動(dòng)的推薦方式，通常采用基于內(nèi)容的推薦方法。通過(guò)對(duì)網(wǎng)絡(luò)社交 活動(dòng)的內(nèi)容與用戶的偏好進(jìn)行比較，越符合用戶偏好的新網(wǎng)絡(luò)社交活動(dòng)在新網(wǎng)絡(luò)社交活動(dòng) 推薦表中的位置越靠前，但是，一個(gè)網(wǎng)絡(luò)社交活動(dòng)通常具有多元屬性，僅基于網(wǎng)絡(luò)社交活動(dòng) 內(nèi)容進(jìn)行新網(wǎng)絡(luò)社交活動(dòng)的推薦往往導(dǎo)致新網(wǎng)絡(luò)社交活動(dòng)的推薦效果較差。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明提供一種網(wǎng)絡(luò)社交活動(dòng)推薦方法和裝置，用W克服現(xiàn)有網(wǎng)絡(luò)社交活動(dòng)推薦 方法僅基于網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息進(jìn)行推薦，導(dǎo)致推薦效果較差的問(wèn)題。
[0006] 本發(fā)明一方面提供一種網(wǎng)絡(luò)社交活動(dòng)推薦方法，包括：
[0007] 根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息和已舉辦網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息，獲取 用戶對(duì)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的第一評(píng)分；
[000引根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的位置信息和所述用戶的已參加網(wǎng)絡(luò)社交活動(dòng) 的位置信息，獲取所述用戶對(duì)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的第二評(píng)分，和/或根據(jù)各所述待 推薦網(wǎng)絡(luò)社交活動(dòng)的組織者信息和所述所有已舉辦網(wǎng)絡(luò)社交活動(dòng)的組織者信息，獲取所述 用戶對(duì)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的第=評(píng)分；
[0009] 根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的所述第一評(píng)分，W及所述第二評(píng)分和/或所述 第=評(píng)分，獲取各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的總評(píng)分；
[0010] 根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的總評(píng)分，向所述用戶進(jìn)行網(wǎng)絡(luò)社交活動(dòng)推薦。
[0011] 本發(fā)明另一方面提供一種網(wǎng)絡(luò)社交活動(dòng)推薦裝置，包括：
[0012] 第一評(píng)分模塊，用于根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息和已舉辦網(wǎng)絡(luò)社交活 動(dòng)的內(nèi)容信息，獲取用戶對(duì)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的第一評(píng)分；
[0013] 第二評(píng)分模塊，用于根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的位置信息和所述用戶的已 參加網(wǎng)絡(luò)社交活動(dòng)的位置信息，獲取所述用戶對(duì)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的第二評(píng)分， 和/或第=評(píng)分模塊，用于根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的組織者信息和所述所有已舉 辦網(wǎng)絡(luò)社交活動(dòng)的組織者信息，獲取所述用戶對(duì)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的第=評(píng)分；
[0014] 總評(píng)分模塊，用于根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的所述第一評(píng)分，W及所述第 二評(píng)分和/或所述第=評(píng)分，獲取各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的總評(píng)分；
[0015] 推薦模塊，用于根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的總評(píng)分，向所述用戶進(jìn)行網(wǎng)絡(luò) 社交活動(dòng)推薦。
[0016] 本發(fā)明提供一種網(wǎng)絡(luò)社交活動(dòng)推薦方法和裝置，根據(jù)待推薦網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容 信息、位置信息和/或組織者信息對(duì)待推薦網(wǎng)絡(luò)社交活動(dòng)進(jìn)行多方面評(píng)分，綜合多方面評(píng)分 結(jié)果向用戶進(jìn)行網(wǎng)絡(luò)社交活動(dòng)推薦，從而改善網(wǎng)絡(luò)社交活動(dòng)的推薦效果。
【附圖說(shuō)明】
[0017] 為了更清楚地說(shuō)明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用 的附圖作一簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng) 域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可W根據(jù)運(yùn)些附圖獲得其他的 附圖。
[0018] 圖1為本發(fā)明提供的網(wǎng)絡(luò)社交活動(dòng)推薦方法實(shí)施例一的流程示意圖；
[0019] 圖2為本發(fā)明提供的網(wǎng)絡(luò)社交活動(dòng)推薦方法實(shí)施例二的流程示意圖；
[0020] 圖3為本發(fā)明提供的網(wǎng)絡(luò)社交活動(dòng)推薦方法實(shí)施例=的流程示意圖；
[0021] 圖4為本發(fā)明提供的網(wǎng)絡(luò)社交活動(dòng)推薦方法實(shí)施例四的流程示意圖；
[0022] 圖5為本發(fā)明提供的網(wǎng)絡(luò)社交活動(dòng)推薦裝置實(shí)施例一的結(jié)構(gòu)示意圖；
[0023] 圖6為本發(fā)明提供的網(wǎng)絡(luò)社交活動(dòng)推薦裝置實(shí)施例二的結(jié)構(gòu)示意圖；
[0024] 圖7為本發(fā)明提供的網(wǎng)絡(luò)社交活動(dòng)推薦裝置實(shí)施例=的結(jié)構(gòu)示意圖；
[0025] 圖8為本發(fā)明提供的網(wǎng)絡(luò)社交活動(dòng)推薦裝置實(shí)施例四的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0026] 為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例 中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是 本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員 在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0027] 社交網(wǎng)絡(luò)上存在有多個(gè)已經(jīng)舉辦過(guò)的網(wǎng)絡(luò)社交活動(dòng)，對(duì)于用戶而言，所有已舉辦 網(wǎng)絡(luò)社交活動(dòng)可劃分為已參加過(guò)的網(wǎng)絡(luò)社交活動(dòng)和未參加過(guò)的網(wǎng)絡(luò)社交活動(dòng)，已參加過(guò)的 網(wǎng)絡(luò)社交活動(dòng)可認(rèn)為是用戶感興趣的網(wǎng)絡(luò)社交活動(dòng)。當(dāng)有多個(gè)新的網(wǎng)絡(luò)社交活動(dòng)被發(fā)布 時(shí)，可結(jié)合用戶已經(jīng)參加過(guò)的網(wǎng)絡(luò)社交活動(dòng)信息，推測(cè)用戶在多個(gè)新的網(wǎng)絡(luò)社交活動(dòng)中的 傾向，向用戶推薦可能感興趣的網(wǎng)絡(luò)社交活動(dòng)，W提高推薦效果。
[0028] 本發(fā)明實(shí)施例提供一種網(wǎng)絡(luò)社交活動(dòng)推薦方法和裝置，根據(jù)網(wǎng)絡(luò)社交活動(dòng)的內(nèi) 容、位置信息和/或組織者信息對(duì)網(wǎng)絡(luò)社交活動(dòng)進(jìn)行多方面評(píng)分，綜合多方面評(píng)分向用戶進(jìn) 行網(wǎng)絡(luò)社交活動(dòng)推薦，從而改善網(wǎng)絡(luò)社交活動(dòng)的推薦效果。
[0029] 下面W具體地實(shí)施例對(duì)本發(fā)明的技術(shù)方案W及本發(fā)明的技術(shù)方案如何實(shí)現(xiàn)進(jìn)行 詳細(xì)說(shuō)明。
[0030] 本發(fā)明實(shí)施例提供一種網(wǎng)絡(luò)社交活動(dòng)推薦方法，該方法的執(zhí)行主體可W為網(wǎng)絡(luò)社 交活動(dòng)推薦裝置，該裝置可W由軟件和/或硬件實(shí)現(xiàn)。圖I為本發(fā)明提供的網(wǎng)絡(luò)社交活動(dòng)推 薦方法實(shí)施例一的流程示意圖。如圖1所示，該方法包括：
[0031] 步驟101、根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息和已舉辦網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容 信息，獲取用戶對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第一評(píng)分；
[0032] 步驟102、根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的位置信息和用戶的已參加網(wǎng)絡(luò)社交活動(dòng) 的位置信息，獲取用戶對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第二評(píng)分;和/或步驟103、根據(jù)各待推薦 網(wǎng)絡(luò)社交活動(dòng)的組織者信息和所有已舉辦網(wǎng)絡(luò)社交活動(dòng)的組織者信息，獲取用戶對(duì)各待推 薦網(wǎng)絡(luò)社交活動(dòng)的第=評(píng)分；
[0033] 步驟104、根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第一評(píng)分，W及第二評(píng)分和/或第=評(píng)分， 獲取各待推薦網(wǎng)絡(luò)社交活動(dòng)的總評(píng)分；
[0034] 步驟105、根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的總評(píng)分，向用戶進(jìn)行網(wǎng)絡(luò)社交活動(dòng)推薦。
[0035] 其中，步驟101、步驟102和步驟103之間沒(méi)有嚴(yán)格的先后執(zhí)行關(guān)系，可同時(shí)執(zhí)行也 按預(yù)設(shè)順序先后執(zhí)行。步驟102與步驟103可同時(shí)執(zhí)行，也可擇一執(zhí)行，對(duì)應(yīng)的在步驟104中， 則根據(jù)步驟102與步驟103是否執(zhí)行，采用得到的第二評(píng)分和/或第=評(píng)分獲取總評(píng)分。
[0036] 具體的，在步驟101中，對(duì)于所有待推薦的網(wǎng)絡(luò)社交活動(dòng)，可通過(guò)比較活動(dòng)內(nèi)容與 用戶已參加過(guò)的網(wǎng)絡(luò)社交活動(dòng)的活動(dòng)內(nèi)容的相似度，來(lái)對(duì)各待推薦的網(wǎng)絡(luò)社交活動(dòng)進(jìn)行打 分，相似度越高則打分越高。示例性的，通過(guò)統(tǒng)計(jì)用戶已參加過(guò)的網(wǎng)絡(luò)社交活動(dòng)的活動(dòng)內(nèi) 容，發(fā)現(xiàn)用戶熱衷參加爬山類活動(dòng)，對(duì)于待推薦的內(nèi)容為爬山和游泳的網(wǎng)絡(luò)社交活動(dòng)，則對(duì) 活動(dòng)內(nèi)容為爬山的網(wǎng)絡(luò)社交活動(dòng)給出較高的評(píng)分，對(duì)于活動(dòng)內(nèi)容為游泳的網(wǎng)絡(luò)社交活動(dòng)則 給出較低的評(píng)分。
[0037] 具體的，在步驟102中，考慮到待推薦網(wǎng)絡(luò)社交活動(dòng)的位置信息可能會(huì)影響用戶對(duì) 該網(wǎng)絡(luò)社交活動(dòng)的傾向性，示例性的，可參考用戶的已參加網(wǎng)絡(luò)社交活動(dòng)的位置信息，獲取 用戶經(jīng)常參加的網(wǎng)絡(luò)社交活動(dòng)的位置信息W及參加次數(shù)，進(jìn)而確定用戶的感興趣地點(diǎn)，當(dāng) 新的待推薦網(wǎng)絡(luò)社交活動(dòng)的位置與用戶的感興趣地點(diǎn)越接近時(shí)，可為該待推薦網(wǎng)絡(luò)社交活 動(dòng)打較高的評(píng)分，當(dāng)新的待推薦網(wǎng)絡(luò)社交活動(dòng)的位置與用戶的感興趣地點(diǎn)越遠(yuǎn)時(shí)，可為該 待推薦網(wǎng)絡(luò)社交活動(dòng)打較低的評(píng)分。
[0038] 具體的，在步驟103中，考慮到待推薦網(wǎng)絡(luò)社交活動(dòng)的組織者的組織能力可能會(huì)影 響用戶對(duì)該網(wǎng)絡(luò)社交活動(dòng)的傾向性，可將各組織者對(duì)用戶的影響力作為用戶對(duì)各待推薦網(wǎng) 絡(luò)社交活動(dòng)的評(píng)分，當(dāng)影響力越大，評(píng)分越高，用戶越有可能對(duì)該網(wǎng)絡(luò)社交活動(dòng)感興趣。示 例性的，可將用戶參加各組織者組織的網(wǎng)絡(luò)社交活動(dòng)的次數(shù)作為該組織者對(duì)用戶的影響 力，還可根據(jù)所有已舉辦網(wǎng)絡(luò)社交活動(dòng)的組織者信息，獲取各組織者舉辦過(guò)的網(wǎng)絡(luò)社交活 動(dòng)W及參加的人數(shù)，進(jìn)而根據(jù)參加人數(shù)的多少對(duì)所有組織者進(jìn)行排序，根據(jù)排序獲取用戶 對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第=評(píng)分。
[0039] 具體的，在步驟104中，根據(jù)獲取到的各待推薦網(wǎng)絡(luò)社交活動(dòng)的第一評(píng)分，W及第 二評(píng)分和/或第=評(píng)分，對(duì)各評(píng)分進(jìn)行加權(quán)求和，即可得到各待推薦網(wǎng)絡(luò)社交活動(dòng)的總評(píng) 分，具體的，各評(píng)分的權(quán)重系數(shù)可由用戶預(yù)設(shè)。
[0040] 具體的，在步驟105中，根據(jù)獲取到的各待推薦網(wǎng)絡(luò)社交活動(dòng)的總評(píng)分，按照評(píng)分 由高至低的順序向用戶進(jìn)行網(wǎng)絡(luò)社交活動(dòng)推薦。
[0041] 本發(fā)明提供一種網(wǎng)絡(luò)社交活動(dòng)推薦方法，根據(jù)網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息、位置信 息和/或組織者信息對(duì)網(wǎng)絡(luò)社交活動(dòng)進(jìn)行多方面評(píng)分，綜合多方面評(píng)分結(jié)果向用戶進(jìn)行網(wǎng) 絡(luò)社交活動(dòng)推薦，從而改善網(wǎng)絡(luò)社交活動(dòng)的推薦效果。
[0042] 進(jìn)一步地，在圖1所示實(shí)施例的基礎(chǔ)上，對(duì)于基于網(wǎng)絡(luò)社交活動(dòng)的活動(dòng)內(nèi)容，對(duì)待 推薦的網(wǎng)絡(luò)社交活動(dòng)進(jìn)行評(píng)分進(jìn)行詳細(xì)說(shuō)明。圖2為本發(fā)明提供的網(wǎng)絡(luò)社交活動(dòng)推薦方法 實(shí)施例二的流程示意圖。如圖2所示，基于網(wǎng)絡(luò)社交活動(dòng)的活動(dòng)內(nèi)容，對(duì)待推薦的網(wǎng)絡(luò)社交 活動(dòng)進(jìn)行評(píng)分包括：
[0043] 步驟201、根據(jù)已舉辦網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息，獲取主題模型和用戶的所有已參 加網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息在主題模型上的主題分布。
[0044] 具體地，對(duì)于所有已舉辦網(wǎng)絡(luò)社交活動(dòng)，W用戶為單位，將每一個(gè)用戶的已參加網(wǎng) 絡(luò)社交活動(dòng)的內(nèi)容，記錄在一個(gè)用戶文檔中，獲得多個(gè)用戶文檔，對(duì)多個(gè)用戶文檔使用隱含 狄利克雷分布化atent Dirichlet Allocation,簡(jiǎn)稱LDA模型）生成一個(gè)主題模型，并可得 到每個(gè)用戶在主題模型上的主題分布。該主題模型體現(xiàn)了用戶在所有已舉辦網(wǎng)絡(luò)社交活動(dòng) 的活動(dòng)內(nèi)容中的各活動(dòng)主題上的偏好，活動(dòng)主題可能包括爬山、游泳、騎行、讀書等。用戶的 所有已參加網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息在主題模型上的主題分布表明了用戶參加各活動(dòng)活 動(dòng)的偏好，例如，用戶有60 %的概率參加爬山活動(dòng)，有30 %的概率參加騎行活動(dòng)，有10 %的 概率參加游泳活動(dòng)，且對(duì)其他主題的網(wǎng)絡(luò)社交活動(dòng)沒(méi)有偏好。
[0045] 步驟202、根據(jù)吉布斯采樣算法獲取各待推薦網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息在主題模 型上的主題分布。
[0046] 具體的，對(duì)于各待推薦網(wǎng)絡(luò)社交活動(dòng)，可通過(guò)吉布斯采樣算法，根據(jù)步驟201中得 到的主題模型，學(xué)習(xí)出各待推薦網(wǎng)絡(luò)社交活動(dòng)的主題分布，即根據(jù)任一一個(gè)待推薦的網(wǎng)絡(luò) 社交活動(dòng)的內(nèi)容信息，可得到該網(wǎng)絡(luò)社交活動(dòng)的主題分布。
[0047] 步驟203、獲取各待推薦網(wǎng)絡(luò)社交活動(dòng)的主題分布與用戶的主題分布的散度，根據(jù) 各散度，獲取用戶對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第一評(píng)分。
[004引具體的，可W為Jensen-Shannon散度，對(duì)于任一當(dāng)前用戶，可應(yīng)用散度計(jì)算公式獲 取各待推薦網(wǎng)絡(luò)社交活動(dòng)j對(duì)應(yīng)的主題分布0J與當(dāng)前用戶對(duì)應(yīng)的主題分布0的散度D(0 I 0j);
[0049] 其中，散度計(jì)算公式為：
[(K)加 ]
[005U 主題分布0與P之間的KL散度，Dkl(目j Np) 表示待推薦網(wǎng)絡(luò)社交活動(dòng)j對(duì)應(yīng)的主題分布0J與P之間的化散度，j取從1至N的正整數(shù)，N表 示待推薦網(wǎng)絡(luò)社交活動(dòng)的總個(gè)數(shù)。
[0052] 其中，KL散度化IiHback-Leibler dive;rgence)，用于描述兩個(gè)概率分布之間的差 異，當(dāng)兩個(gè)概率分布越相似，KL散度值越小，當(dāng)兩個(gè)概率分布差異越大，KL散度值越大。
[0053]具體的，在根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)j對(duì)應(yīng)的散度D(0 M 獲取用戶對(duì)各待推 薦網(wǎng)絡(luò)社交活動(dòng)j的第一評(píng)分時(shí)，散度值與第一評(píng)分成反比，當(dāng)散度值越大，該待推薦網(wǎng)絡(luò) 社交活動(dòng)的第一評(píng)分越低。示例性的，散度與第一評(píng)分之和可W為1。示例性的，將1-D(0 I 0J)作為用戶對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)j的評(píng)分，然后將各待推薦網(wǎng)絡(luò)社交活動(dòng)的評(píng)分進(jìn)行 歸一化，得到各待推薦網(wǎng)絡(luò)社交活動(dòng)的第一評(píng)分。
[0054] 進(jìn)一步地，在圖1或圖2所示實(shí)施例的基礎(chǔ)上，對(duì)于基于網(wǎng)絡(luò)社交活動(dòng)的位置信息， 對(duì)待推薦的網(wǎng)絡(luò)社交活動(dòng)進(jìn)行評(píng)分進(jìn)行詳細(xì)說(shuō)明。圖3為本發(fā)明提供的網(wǎng)絡(luò)社交活動(dòng)推薦 方法實(shí)施例=的流程示意圖。如圖3所示，基于網(wǎng)絡(luò)社交活動(dòng)的位置信息，對(duì)待推薦的網(wǎng)絡(luò) 社交活動(dòng)進(jìn)行評(píng)分包括：
[0055] 步驟301、根據(jù)用戶的已參加網(wǎng)絡(luò)社交活動(dòng)的位置信息，獲取用戶的所有已參加網(wǎng) 絡(luò)社交活動(dòng)的舉辦位置的集合L，獲取用戶參加位于舉辦位置Ii處的網(wǎng)絡(luò)社交活動(dòng)的次數(shù)n (Ii)，舉辦位置Ii表示集合L中的任一舉辦位置，i的取值為從1至M的正整數(shù)，M表示集合L的 元素總個(gè)數(shù)；
[0056] 步驟302、獲取集合L中每?jī)蓚€(gè)舉辦位置之間的距離，根據(jù)所有兩個(gè)舉辦位置之間 的距離獲取所有兩個(gè)舉辦位置之間的距離的概率分布，根據(jù)概率分布獲取距離分布模型P (dis)，距離分布模型表示任一距離dis的概率P;
[0057] 步驟303、根據(jù)參與概率公式獲取用戶參加各待推薦網(wǎng)絡(luò)社交活動(dòng)j的參與概率P (j)，根據(jù)各參與概率P(j)獲取用戶對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第二評(píng)分；
[0058] 其中，參與概率公式為：
[0化9]
[0060] 其中，表示待推薦網(wǎng)絡(luò)社交活動(dòng)j的舉辦位置，dis(li，lj)表示舉辦位置與舉 辦位置Ii之間的距離，P(dis(li山））表示根據(jù)距離分布模型獲得的距離dis(li，。）的概率， j取從1至N的正整數(shù)，N表示待推薦網(wǎng)絡(luò)社交活動(dòng)的總個(gè)數(shù)。
[0061] 具體的，在步驟301中，統(tǒng)計(jì)用戶的已參加網(wǎng)絡(luò)社交活動(dòng)的位置信息，獲取用戶參 加過(guò)的網(wǎng)絡(luò)社交活動(dòng)的所有的舉辦位置Ii,確定所有的舉辦位置Ii的集合L，集合L中的元素 總個(gè)數(shù)用M表示，i的取值為從1至M的正整數(shù)。同時(shí)獲取用戶參加位于舉辦位置Ii處的網(wǎng)絡(luò) 社交活動(dòng)的次數(shù)n( 10。
[0062] 具體的，在步驟302中，對(duì)于集合L中的所有舉辦位置li，獲取每?jī)蓚€(gè)舉辦位置之間 的距離，得到多個(gè)距離W及每個(gè)距離出現(xiàn)的概率，根據(jù)每個(gè)距離出現(xiàn)的概率，擬合一個(gè)距離 分布模型p(dis)，示例性的，該距離分布模型可W為p(dis)=a ? dis%該距離分布模型表 示任一距離dis的概率P，即根據(jù)已有的距離的分布概率，推測(cè)在距離可W為任意值時(shí)，所有 距離的分布概率。
[0063] 具體的，在步驟303中，根據(jù)待推薦網(wǎng)絡(luò)社交活動(dòng)j的舉辦位置與用戶的已參加 網(wǎng)絡(luò)社交活動(dòng)的舉辦位置Ii之間的距離dis(li，。），應(yīng)用參與概率公式，可得到用戶參加各 待推薦網(wǎng)絡(luò)社交活動(dòng)j的參與概率P(j)。
[0064] 具體的，參與概率公式為：
[00 化]
[0066]根據(jù)該參與概率公式可知，當(dāng)待推薦網(wǎng)絡(luò)社交活動(dòng)j的舉辦位置與所有用戶的 已參加網(wǎng)絡(luò)社交活動(dòng)的舉辦位置Ii之間的距離dis(li，Ij)的概率較高時(shí)，該待推薦網(wǎng)絡(luò)社 交活動(dòng)的參與概率較高，將各待推薦網(wǎng)絡(luò)社交活動(dòng)的參與概率進(jìn)行歸一化，即可得到用戶 對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第二評(píng)分。
[0067] 進(jìn)一步地，在上述任一實(shí)施例的基礎(chǔ)上，對(duì)于基于網(wǎng)絡(luò)社交活動(dòng)的組織者信息，對(duì) 待推薦的網(wǎng)絡(luò)社交活動(dòng)進(jìn)行評(píng)分進(jìn)行詳細(xì)說(shuō)明。圖4為本發(fā)明提供的網(wǎng)絡(luò)社交活動(dòng)推薦方 法實(shí)施例四的流程示意圖。如圖4所示，基于網(wǎng)絡(luò)社交活動(dòng)的組織者信息，對(duì)待推薦的網(wǎng)絡(luò) 社交活動(dòng)進(jìn)行評(píng)分包括：
[0068] 步驟401、根據(jù)已舉辦網(wǎng)絡(luò)社交活動(dòng)的組織者信息，將已舉辦網(wǎng)絡(luò)社交活動(dòng)中用戶 已參加網(wǎng)絡(luò)社交活動(dòng)的組織者記為第一組織者，獲取各第一組織者對(duì)用戶的影響力；
[0069] 步驟402、將已舉辦網(wǎng)絡(luò)社交活動(dòng)的所有組織者中除第一組織者外的組織者記為 第二組織者，根據(jù)各第一組織者對(duì)用戶的影響力和貝葉斯推理，獲取各第二組織者對(duì)用戶 的影響力；
[0070] 步驟403、根據(jù)各第一組織者對(duì)用戶的影響力或各第二組織者對(duì)用戶的影響力，獲 取各待推薦網(wǎng)絡(luò)社交活動(dòng)的組織者對(duì)用戶的影響力，根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的組織者 對(duì)用戶的影響力獲取用戶對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第=評(píng)分。
[0071] 具體的，在步驟401中，對(duì)于所有已舉辦網(wǎng)絡(luò)社交活動(dòng)的組織者，當(dāng)用戶參加過(guò)其 組織的網(wǎng)絡(luò)社交活動(dòng)時(shí)，將該組織者記為第一組織者，獲取各第一組織者對(duì)用戶的影響力。
[0072] 可選的，獲取用戶參加各第一組織者所組織的網(wǎng)絡(luò)社交活動(dòng)的次數(shù)，將各次數(shù)作 為各第一組織者對(duì)用戶的影響力。
[0073] 具體的，在步驟402中，對(duì)于所有已舉辦網(wǎng)絡(luò)社交活動(dòng)的組織者，當(dāng)用戶未參加過(guò) 其組織的網(wǎng)絡(luò)社交活動(dòng)時(shí)，將該組織者記為第二組織者，根據(jù)各第一組織者對(duì)用戶的影響 力W及貝葉斯推理，推測(cè)出各第二組織者對(duì)用戶的影響力。
[0074] 示例性的，可根據(jù)用戶參加各第一組織者組織的網(wǎng)絡(luò)社交活動(dòng)次數(shù)，推測(cè)出用戶 參加各第二組織者組織的網(wǎng)絡(luò)社交活動(dòng)的次數(shù)，將各推測(cè)出的次數(shù)作為各第二組織者對(duì)用 戶的影響力，具體過(guò)程包括：
[0075] 步驟一、根據(jù)所有組織者組織的網(wǎng)絡(luò)社交活動(dòng)的流行度，獲取所有組織者的流行 度。其中，針對(duì)所有已舉辦網(wǎng)絡(luò)社交活動(dòng)中的每一個(gè)網(wǎng)絡(luò)社交活動(dòng)k，可根據(jù)如下的公式計(jì) 算該網(wǎng)絡(luò)社交活動(dòng)的流行度：
[0076]
[0077] 其中，NYk表示參加過(guò)網(wǎng)絡(luò)社交活動(dòng)k的人數(shù)，NMk表示對(duì)網(wǎng)絡(luò)社交活動(dòng)k感興趣的人 數(shù)，S為預(yù)設(shè)權(quán)重因子，可選的，S默認(rèn)為0.5。
[0078] 任一組織者n的流行度為其所舉辦的所有網(wǎng)絡(luò)社交活動(dòng)的流行度的平均值，記為 Pno
[0079] 步驟二、為所有組織者和用戶建立用戶-組織者矩陣R，矩陣R中的任一個(gè)元素 rm,n 表示用戶Um參與活動(dòng)組織者On所舉辦活動(dòng)的次數(shù)，根據(jù)上述分析可知，矩陣R中的部分值可 在步驟401中確定，而剩余的部分值則無(wú)法確定，可先賦值為0。采用指示函數(shù)Im,n表示矩陣R 中的各元素的取值情況，如果rm, n〉0，則Im, n為1，否則Im, n為0。
[0080] 步驟S、獲取R中各元素取不同值時(shí)的條件概率口(則1]，0少，〇2)。其中，
[0081]
[0082] 假設(shè)3中的任一元素'。,。的取值符合高斯分布^義|^，〇2)，4 =邑(扣，0。，口。）=口。- UmT〇n表示高斯分布的均值，O2表示高斯分布的方差，O2為預(yù)設(shè)值，Pn表示組織者On的流行度， Um和On分別表示用戶Um和組織者On的特征向量，U和0分別表示所有用戶和所有組織者的特 征向量矩陣，P表示所有組織者的流行度矩陣。
[0083] 步驟四、獲取所有用戶和所有組織者的特征向量矩陣U和0的先驗(yàn)概率，假設(shè)用戶 Um和組織者On的特征向量均符合零均值的高斯分布：
[0084]
[0085]
[00化]其中，誠(chéng)、《4為預(yù)設(shè)方差，O訂表示多元正態(tài)分布的協(xié)方差矩陣，其中I為單位矩 陣。
[0087] 步驟五、首先，根據(jù)貝葉斯推理可知，后驗(yàn)概率可正比于條件概率與先驗(yàn)概率的乘 積，故可得到特征向量矩陣U和0后驗(yàn)概率公護(hù)，幻I化P，請(qǐng)，為，訂符合W下公式：
[008引
[0089] 其次，對(duì)特征向量矩陣U和0的后驗(yàn)概率進(jìn)行l(wèi)og We為底的對(duì)數(shù)運(yùn)算，得到 |11^。，〇|/?，尸，巧:，誠(chéng)任2)，其中：
[0090] ;
[0091]
[0092] 其中，C、M、N、D為常數(shù)。
[0093] 根據(jù)貝葉斯推理，通過(guò)最大化后驗(yàn)概率尸，嚇，〇古口進(jìn)行U和0的求 解。
[0094] 再次，對(duì)/^(。，()|/?，/'，扣()古〇-^)進(jìn)行最大化，等同于對(duì)下述公式魄行最小化；
[0097] 再次，采用梯度下降法迭代求解上述目標(biāo)函數(shù)E，并得到最終的Um和On,其中Um和On 的梯度為：
[0095]
[0096]
[009引
[0099]
[0100] 最后，根據(jù)獲取到的Um和On,即可通過(guò)公式rm,n = Pn . UmT〇n獲取用戶Um參與任意活 動(dòng)組織者On所組織活動(dòng)的次數(shù)。
[0101] 具體的，在步驟403中，對(duì)于各待推薦網(wǎng)絡(luò)社交活動(dòng)，通過(guò)根據(jù)步驟401與步驟402 中獲取的所有組織者對(duì)用戶的影響力，可確定各待推薦網(wǎng)絡(luò)社交活動(dòng)的組織者對(duì)用戶的影 響力，將各影響力作為用戶對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的評(píng)分，然后對(duì)各評(píng)分進(jìn)行歸一化，即 可得到用戶對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第=評(píng)分。
[0102] 本發(fā)明另一方面還提供一種網(wǎng)絡(luò)社交活動(dòng)推薦裝置，用于執(zhí)行如上所述的網(wǎng)絡(luò)社 交活動(dòng)推薦方法，具有相同的特征和效果，本發(fā)明不再寶述。
[0103] 圖5為本發(fā)明提供的網(wǎng)絡(luò)社交活動(dòng)推薦裝置實(shí)施例一的結(jié)構(gòu)示意圖。如圖5所示， 該裝置包括：
[0104] 第一評(píng)分模塊501，用于根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息和已舉辦網(wǎng)絡(luò)社 交活動(dòng)的內(nèi)容信息，獲取用戶對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第一評(píng)分；
[0105] 第二評(píng)分模塊502,用于根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的位置信息和用戶的已參加 網(wǎng)絡(luò)社交活動(dòng)的位置信息，獲取用戶對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第二評(píng)分，和/或第=評(píng)分 模塊503,用于根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的組織者信息和所有已舉辦網(wǎng)絡(luò)社交活動(dòng)的組 織者信息，獲取用戶對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第=評(píng)分；
[0106] 總評(píng)分模塊504,用于根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第一評(píng)分，W及第二評(píng)分和/ 或第=評(píng)分，獲取各待推薦網(wǎng)絡(luò)社交活動(dòng)的總評(píng)分；
[0107] 推薦模塊505,用于根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的總評(píng)分，向用戶進(jìn)行網(wǎng)絡(luò)社交活 動(dòng)推薦。
[0108] 進(jìn)一步的，在圖5所示實(shí)施例的基礎(chǔ)上，對(duì)第一評(píng)分模塊進(jìn)行詳細(xì)說(shuō)明。圖6為本發(fā) 明提供的網(wǎng)絡(luò)社交活動(dòng)推薦裝置實(shí)施例二的結(jié)構(gòu)示意圖。如圖6所示，第一評(píng)分模塊501，包 括：
[0109] 主題模型獲取模塊601，用于根據(jù)已舉辦網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息，獲取所有已舉 辦網(wǎng)絡(luò)社交活動(dòng)的主題模型和用戶的所有已參加網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息在主題模型上 的主題分布；
[0110] 主題分布獲取模塊602,用于根據(jù)吉布斯采樣算法獲取各待推薦網(wǎng)絡(luò)社交活動(dòng)的 內(nèi)容信息在主題模型上的主題分布；
[0111] 評(píng)分獲取模塊603,用于獲取各待推薦網(wǎng)絡(luò)社交活動(dòng)的主題分布與用戶的主題分 布的散度，根據(jù)各散度，獲取用戶對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第一評(píng)分。
[0112] 可選的，評(píng)分獲取模塊603具體用于，根據(jù)散度計(jì)算公式獲取各待推薦網(wǎng)絡(luò)社交活 動(dòng)j對(duì)應(yīng)的主題分布0J與用戶對(duì)應(yīng)的主題分布0的散度D(0 M 9j);
[0113] 其中，散度計(jì)算公式為：
[0114]
[01巧]
表不主題分布目與P之間的化散度，Dkl(目j I I P)表不主題分 布目J與P之間的化散度，j取從1至N的正整數(shù)，N表示待推薦網(wǎng)絡(luò)社交活動(dòng)的總個(gè)數(shù)。
[0116] 可選的，散度與第一評(píng)分成反比。
[0117] 進(jìn)一步的，在圖5或圖6所示實(shí)施例的基礎(chǔ)上，對(duì)第二評(píng)分模塊進(jìn)行詳細(xì)說(shuō)明。圖7 為本發(fā)明提供的網(wǎng)絡(luò)社交活動(dòng)推薦裝置實(shí)施例=的結(jié)構(gòu)示意圖。如圖7所示，第二評(píng)分模塊 502包括：
[0118] 位置信息處理模塊701，用于根據(jù)用戶的已參加網(wǎng)絡(luò)社交活動(dòng)的位置信息，獲取用 戶的所有已參加網(wǎng)絡(luò)社交活動(dòng)的舉辦位置的集合L，獲取用戶參加位于舉辦位置Ii處的網(wǎng) 絡(luò)社交活動(dòng)的次數(shù)n(li)，舉辦位置Ii表示集合L中的任一舉辦位置，i的取值為從1至M的正 整數(shù)，M表示集合L的元素總個(gè)數(shù)；
[0119] 模型獲取模塊702,用于獲取集合L中每?jī)蓚€(gè)舉辦位置之間的距離，根據(jù)所有兩個(gè) 舉辦位置之間的距離獲取所有兩個(gè)舉辦位置之間的距離的概率分布，根據(jù)概率分布獲取距 離分布模型p(dis)，距離分布模型表示任一距離dis的概率P;
[0120] 評(píng)分獲取模塊703,用于根據(jù)參與概率公式獲取用戶參加各待推薦網(wǎng)絡(luò)社交活動(dòng)j 的參與概率p(j)，根據(jù)各參與概率p(j)獲取用戶對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第二評(píng)分；
[0121] 其中，參與概率公式為：
[0122]
[0123] 其中，表示待推薦網(wǎng)絡(luò)社交活動(dòng)j的舉辦位置，dis(li，lj)表示舉辦位置與舉 辦位置Ii之間的距離，P(dis(li山））表示根據(jù)距離分布模型獲得的距離dis(li，。）的概率， j取從1至N的正整數(shù)，N表示待推薦網(wǎng)絡(luò)社交活動(dòng)的總個(gè)數(shù)。
[0124] 進(jìn)一步的，在上述任一實(shí)施例的基礎(chǔ)上，對(duì)第=評(píng)分模塊進(jìn)行詳細(xì)說(shuō)明。圖8為本 發(fā)明提供的網(wǎng)絡(luò)社交活動(dòng)推薦裝置實(shí)施例四的結(jié)構(gòu)示意圖。如圖8所示，，第=評(píng)分模塊503 包括：
[0125] 第一影響力獲取模塊801，用于根據(jù)已舉辦網(wǎng)絡(luò)社交活動(dòng)的組織者信息，將已舉辦 網(wǎng)絡(luò)社交活動(dòng)中用戶已參加網(wǎng)絡(luò)社交活動(dòng)的組織者記為第一組織者，獲取各第一組織者對(duì) 用戶的影響力；
[0126] 第二影響力獲取模塊802,用于將已舉辦網(wǎng)絡(luò)社交活動(dòng)中用戶未參加網(wǎng)絡(luò)社交活 動(dòng)的組織者記為第二組織者，根據(jù)各第一組織者對(duì)用戶的影響力和貝葉斯推理，獲取各第 二組織者對(duì)用戶的影響力；
[0127] 評(píng)分獲取模塊803,用于根據(jù)各第一組織者對(duì)用戶的影響力或各第二組織者對(duì)用 戶的影響力，獲取各待推薦網(wǎng)絡(luò)社交活動(dòng)的組織者對(duì)用戶的影響力，根據(jù)各待推薦網(wǎng)絡(luò)社 交活動(dòng)的組織者對(duì)用戶的影響力獲取用戶對(duì)各待推薦網(wǎng)絡(luò)社交活動(dòng)的第=評(píng)分。
[0128] 可選的，第一影響力獲取模塊801具體用于，根據(jù)用戶的已參加網(wǎng)絡(luò)社交活動(dòng)的組 織者信息，獲取用戶參加各第一組織者所組織的網(wǎng)絡(luò)社交活動(dòng)的次數(shù)，將各次數(shù)作為各第 一組織者對(duì)用戶的影響力。
[0129] 本發(fā)明提供一種網(wǎng)絡(luò)社交活動(dòng)推薦裝置，根據(jù)網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息、位置信 息和/或組織者信息對(duì)網(wǎng)絡(luò)社交活動(dòng)進(jìn)行多方面評(píng)分，綜合多方面評(píng)分結(jié)果向用戶進(jìn)行網(wǎng) 絡(luò)社交活動(dòng)推薦，從而改善網(wǎng)絡(luò)社交活動(dòng)的推薦效果。
[0130]最后應(yīng)說(shuō)明的是：W上各實(shí)施例僅用W說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制;盡 管參照前述各實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解:其依 然可W對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分或者全部技術(shù)特征進(jìn) 行等同替換；而運(yùn)些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù) 方案的范圍。
【主權(quán)項(xiàng)】
1. 一種網(wǎng)絡(luò)社交活動(dòng)推薦方法，其特征在于，包括： 根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息和已舉辦網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息，獲取用戶 對(duì)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的第一評(píng)分； 根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的位置信息和所述用戶的已參加網(wǎng)絡(luò)社交活動(dòng)的位 置信息，獲取所述用戶對(duì)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的第二評(píng)分，和/或根據(jù)各所述待推薦 網(wǎng)絡(luò)社交活動(dòng)的組織者信息和所述所有已舉辦網(wǎng)絡(luò)社交活動(dòng)的組織者信息，獲取所述用戶 對(duì)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的第三評(píng)分； 根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的所述第一評(píng)分，以及所述第二評(píng)分和/或所述第三 評(píng)分，獲取各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的總評(píng)分； 根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的總評(píng)分，向所述用戶進(jìn)行網(wǎng)絡(luò)社交活動(dòng)推薦。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的位 置信息和所述用戶的已參加網(wǎng)絡(luò)社交活動(dòng)的位置信息，獲取所述用戶對(duì)各所述待推薦網(wǎng)絡(luò) 社交活動(dòng)的第二評(píng)分，包括： 根據(jù)所述用戶的已參加網(wǎng)絡(luò)社交活動(dòng)的位置信息，獲取所述用戶的所有已參加網(wǎng)絡(luò)社 交活動(dòng)的舉辦位置的集合L，獲取所述用戶參加位于舉辦位置I1處的網(wǎng)絡(luò)社交活動(dòng)的次數(shù)η (I1)，舉辦位置h表示所述集合L中的任一舉辦位置，i的取值為從1至M的正整數(shù)，M表示所述 集合L的元素總個(gè)數(shù)； 獲取所述集合L中每?jī)蓚€(gè)舉辦位置之間的距離，根據(jù)所有所述兩個(gè)舉辦位置之間的距 離獲取所有所述兩個(gè)舉辦位置之間的距離的概率分布，根據(jù)所述概率分布獲取距離分布模 型P(dis)，所述距離分布模型表示任一距離dis的概率p; 根據(jù)參與概率公式獲取所述用戶參加各所述待推薦網(wǎng)絡(luò)社交活動(dòng)j的參與概率P(j)， 根據(jù)各所述參與概率P(j)獲取所述用戶對(duì)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的第二評(píng)分； 其中，所述參與概率公式為：其中，Ij表示所述待推薦網(wǎng)絡(luò)社交活動(dòng)j的舉辦位置，Clis(I1Jj)表示舉辦位置I j與舉辦 位置h之間的距離，P(Ciisa1Jj))表示根據(jù)所述距離分布模型獲得的距離Ciisa 1, Ij)的概 率，j取從1至N的正整數(shù)，N表示所述待推薦網(wǎng)絡(luò)社交活動(dòng)的總個(gè)數(shù)。3. 根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動(dòng) 的組織者信息和所述已舉辦網(wǎng)絡(luò)社交活動(dòng)的組織者信息，獲取用戶對(duì)各所述待推薦網(wǎng)絡(luò)社 交活動(dòng)的第三評(píng)分，包括： 根據(jù)所述已舉辦網(wǎng)絡(luò)社交活動(dòng)的組織者信息，將所述已舉辦網(wǎng)絡(luò)社交活動(dòng)中所述用戶 已參加網(wǎng)絡(luò)社交活動(dòng)的組織者記為第一組織者，獲取各所述第一組織者對(duì)所述用戶的影響 力； 將所述已舉辦網(wǎng)絡(luò)社交活動(dòng)的所有組織者中除第一組織者外的組織者記為第二組織 者，根據(jù)各所述第一組織者對(duì)用戶的影響力和貝葉斯推理，獲取各所述第二組織者對(duì)所述 用戶的影響力； 根據(jù)各所述第一組織者對(duì)所述用戶的影響力或各所述第二組織者對(duì)所述用戶的影響 力，獲取各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的組織者對(duì)所述用戶的影響力，根據(jù)各所述待推薦網(wǎng) 絡(luò)社交活動(dòng)的組織者對(duì)所述用戶的影響力獲取所述用戶對(duì)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的 第三評(píng)分。4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，所述獲取各所述第一組織者對(duì)所述用戶的 影響力，包括： 根據(jù)所述用戶的已參加網(wǎng)絡(luò)社交活動(dòng)的組織者信息，獲取所述用戶參加各所述第一組 織者所組織的網(wǎng)絡(luò)社交活動(dòng)的次數(shù)，將各所述次數(shù)作為各所述第一組織者對(duì)用戶的影響 力。5. 根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的內(nèi) 容信息和已舉辦網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息，獲取用戶對(duì)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的第一 評(píng)分，包括： 根據(jù)所述已舉辦網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息，獲取主題模型和所述用戶的所有已參加網(wǎng) 絡(luò)社交活動(dòng)的內(nèi)容信息在所述主題模型上的主題分布； 根據(jù)吉布斯采樣算法獲取各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息在所述主題模型上 的主題分布； 獲取各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的主題分布與所述用戶的主題分布的散度，根據(jù)各所 述散度，獲取所述用戶對(duì)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的第一評(píng)分。6. 根據(jù)權(quán)利要求5所述的方法，其特征在于，所述獲取各所述待推薦網(wǎng)絡(luò)社交活動(dòng)對(duì)應(yīng) 的主題分布與所述用戶對(duì)應(yīng)的主題分布的散度，包括： 根據(jù)散度計(jì)算公式獲取各所述待推薦網(wǎng)絡(luò)社交活動(dòng)j對(duì)應(yīng)的主題分布h與所述用戶對(duì) 應(yīng)的主題分布Θ的散度D(0 I I Qj); 其中，所述散度計(jì)算公式為：'表示所述主題分布Θ與所述P之間的KL散度，|P)表示所 述主題分布h與所述P之間的KL散度，j取從1至N的正整數(shù)，N表示所述待推薦網(wǎng)絡(luò)社交活動(dòng) 的總個(gè)數(shù)。7. 根據(jù)權(quán)利要求6所述的方法，其特征在于，所述散度與所述第一評(píng)分成反比。8. -種網(wǎng)絡(luò)社交活動(dòng)推薦裝置，其特征在于，包括： 第一評(píng)分模塊，用于根據(jù)各待推薦網(wǎng)絡(luò)社交活動(dòng)的內(nèi)容信息和已舉辦網(wǎng)絡(luò)社交活動(dòng)的 內(nèi)容信息，獲取用戶對(duì)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的第一評(píng)分； 第二評(píng)分模塊，用于根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的位置信息和所述用戶的已參加 網(wǎng)絡(luò)社交活動(dòng)的位置信息，獲取所述用戶對(duì)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的第二評(píng)分，和/或 第三評(píng)分模塊，用于根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的組織者信息和所述所有已舉辦網(wǎng)絡(luò) 社交活動(dòng)的組織者信息，獲取所述用戶對(duì)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的第三評(píng)分； 總評(píng)分模塊，用于根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的所述第一評(píng)分，以及所述第二評(píng) 分和/或所述第三評(píng)分，獲取各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的總評(píng)分； 推薦模塊，用于根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的總評(píng)分，向所述用戶進(jìn)行網(wǎng)絡(luò)社交 活動(dòng)推薦。9. 根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述第二評(píng)分模塊包括： 位置信息處理模塊，用于根據(jù)所述用戶的已參加網(wǎng)絡(luò)社交活動(dòng)的位置信息，獲取所述 用戶的所有已參加網(wǎng)絡(luò)社交活動(dòng)的舉辦位置的集合L，獲取所述用戶參加位于舉辦位置I1 處的網(wǎng)絡(luò)社交活動(dòng)的次數(shù)Ii(I1),舉辦位置I1表示所述集合L中的任一舉辦位置，i的取值為 從1至M的正整數(shù)，M表示所述集合L的元素總個(gè)數(shù)； 模型獲取模塊，用于獲取所述集合L中每?jī)蓚€(gè)舉辦位置之間的距離，根據(jù)所有所述兩個(gè) 舉辦位置之間的距離獲取所有所述兩個(gè)舉辦位置之間的距離的概率分布，根據(jù)所述概率分 布獲取距離分布模型P(dis)，所述距離分布模型表示任一距離dis的概率p; 評(píng)分獲取模塊，用于根據(jù)參與概率公式獲取所述用戶參加各所述待推薦網(wǎng)絡(luò)社交活動(dòng) j的參與概率P(j)，根據(jù)各所述參與概率P(j)獲取所述用戶對(duì)各所述待推薦網(wǎng)絡(luò)社交活動(dòng) 的第二評(píng)分； 其中，所述參與概率公式為：其中，Ij表示所述待推薦網(wǎng)絡(luò)社交活動(dòng)j的舉辦位置，Clis(I1Jj)表示舉辦位置I j與舉辦 位置h之間的距離，P(Ciisa1Jj))表示根據(jù)所述距離分布模型獲得的距離Ciisa 1, Ij)的概 率，j取從1至N的正整數(shù)，N表示所述待推薦網(wǎng)絡(luò)社交活動(dòng)的總個(gè)數(shù)。10. 根據(jù)權(quán)利要求8或9所述的裝置，其特征在于，所述第三評(píng)分模塊包括： 第一影響力獲取模塊，用于根據(jù)所述已舉辦網(wǎng)絡(luò)社交活動(dòng)的組織者信息，將所述已舉 辦網(wǎng)絡(luò)社交活動(dòng)中所述用戶已參加網(wǎng)絡(luò)社交活動(dòng)的組織者記為第一組織者，獲取各所述第 一組織者對(duì)所述用戶的影響力； 第二影響力獲取模塊，用于將所述已舉辦網(wǎng)絡(luò)社交活動(dòng)的所有組織者中除第一組織者 外的組織者記為第二組織者，根據(jù)各所述第一組織者對(duì)用戶的影響力和貝葉斯推理，獲取 各所述第二組織者對(duì)所述用戶的影響力； 評(píng)分獲取模塊，用于根據(jù)各所述第一組織者對(duì)所述用戶的影響力或各所述第二組織者 對(duì)所述用戶的影響力，獲取各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的組織者對(duì)所述用戶的影響力，根 據(jù)各所述待推薦網(wǎng)絡(luò)社交活動(dòng)的組織者對(duì)所述用戶的影響力獲取所述用戶對(duì)各所述待推 薦網(wǎng)絡(luò)社交活動(dòng)的第三評(píng)分。
【文檔編號(hào)】G06Q50/00GK106021311SQ201610292747
【公開日】2016年10月12日
【申請(qǐng)日】2016年5月5日
【發(fā)明人】程祥, 蘇森, 李舒辰, 雙鍇
【申請(qǐng)人】北京郵電大學(xué)