本發(fā)明實施例涉及互聯(lián)網(wǎng)
技術領域：
，尤其涉及一種向用戶推送產(chǎn)品信息的方法及裝置。
背景技術：
：在當前的社交網(wǎng)絡大潮中，通過用戶社交圈進行產(chǎn)品信息推送正在成為傳統(tǒng)行業(yè)所做的積極嘗試。企業(yè)將系統(tǒng)地看待目標用戶群體，利用用戶之間相互聯(lián)系和相互作用的機理，識別、引導和培育出一個用戶影響力體系，并將它運用于市場營銷，即所謂的“影響力營銷”的概念。如何應用互聯(lián)網(wǎng)對社交網(wǎng)絡進行數(shù)據(jù)挖掘，評估社交圈中用戶的影響力，識別社交圈中擁有巨大影響力的用戶一直是企業(yè)所面臨的重點和難點。目前對影響力評估常應用pagerank算法(網(wǎng)頁排名算法)，其中pagerank算法是google的創(chuàng)始人拉里·佩奇和謝爾蓋·布林開發(fā)的技術，用于衡量特定網(wǎng)頁相對于搜索引擎索引中的其他網(wǎng)頁而言的重要程度。而將pagerank算法應用于對用戶的影響力評估領域中，則以用戶為節(jié)點，用戶之間的關系為有向邊，例如在微博等社交網(wǎng)站或即時通信軟件中的關注與被關注的關系，對于影響力越高的用戶，關注他的用戶越多，而被影響力越高的用戶關注，其影響力也越高?，F(xiàn)有的用戶影響力評估模型中，將用戶之間的相互影響采取等價處理的方式，即用戶之間的有向邊是等價的，上游用戶的影響力指數(shù)平均賦予給與其通過有向邊連接的各下游用戶，因此導致用戶影響力評估結果并不準確，根據(jù)該用戶影響力評估結果進行產(chǎn)品信息推送也無法達到較好的信息推送效果。技術實現(xiàn)要素：本發(fā)明提供一種向用戶推送產(chǎn)品信息的方法及裝置，以提供基于相似度和親密度進行用戶影響力評估，用戶影響力評估結果較為準確，應用于向用戶推送產(chǎn)品信息的領域中，可提高產(chǎn)品信息推送的實施效果。本發(fā)明的一個方面提供一種向用戶推送產(chǎn)品信息的方法，包括：根據(jù)每個用戶的相似度相關特征獲取任意兩個用戶之間的相似度因子；根據(jù)每個用戶的親密度相關特征獲取任意兩個用戶之間的親密度因子；獲取每個用戶的單向聯(lián)系個數(shù)；根據(jù)用戶之間的相似度因子、親密度因子及所述單向聯(lián)系個數(shù)，獲取每個用戶的影響力指數(shù)；根據(jù)所述影響力指數(shù)向用戶終端發(fā)送產(chǎn)品信息。本發(fā)明的另一個方面提供一種向用戶推送產(chǎn)品信息的裝置，包括：相似度因子獲取模塊，用于根據(jù)每個用戶的相似度相關特征獲取任意兩個用戶之間的相似度因子；親密度因子獲取模塊，用于根據(jù)每個用戶的親密度相關特征獲取任意兩個用戶之間的親密度因子；聯(lián)系狀態(tài)獲取模塊，用于獲取每個用戶的單向聯(lián)系個數(shù)；影響力指數(shù)獲取模塊，用于根據(jù)用戶之間的相似度因子、親密度因子及所述單向聯(lián)系個數(shù)，獲取每個用戶的影響力指數(shù)；發(fā)送模塊，用于根據(jù)所述影響力指數(shù)向用戶終端發(fā)送產(chǎn)品信息。本發(fā)明提供的向用戶推送產(chǎn)品信息的方法及裝置，通過獲取任意兩個用戶之間的相似度因子、親密度因子及每個用戶的單向聯(lián)系個數(shù)，并根據(jù)用戶之間的相似度因子、親密度因子及所述單向聯(lián)系個數(shù)，獲取每個用戶的影響力指數(shù)，從而可以得到社交網(wǎng)絡中用戶的影響力指數(shù)排名，進而根據(jù)影響力指數(shù)向用戶終端發(fā)送產(chǎn)品信息。本發(fā)明的向用戶推送產(chǎn)品信息的方法綜合考慮了用戶之間的相似度因子和親密度因子，在用戶之間的有向聯(lián)系中，上游用戶的影響力指數(shù)依據(jù)相似度和親密度賦予給與其通過有向邊連接的各下游用戶，更符合現(xiàn)實生活中用戶間相互影響的情況，提高了對用戶影響力評估結果的準確性，進而提高了向用戶終端發(fā)送產(chǎn)品信息的效果。附圖說明為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明一實施例提供的向用戶推送產(chǎn)品信息的方法流程圖；圖2為本發(fā)明另一實施例提供的向用戶推送產(chǎn)品信息的方法流程圖；圖3為本發(fā)明又一實施例提供的向用戶推送產(chǎn)品信息的方法流程圖；圖4為本發(fā)明一實施例提供的向用戶推送產(chǎn)品信息的裝置的結構圖；圖5為本發(fā)明另一實施例提供的相似度因子獲取模塊的結構圖；圖6為本發(fā)明又一實施例提供的親密度因子獲取模塊的系統(tǒng)的結構圖。具體實施方式下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。圖1為本發(fā)明一實施例提供的向用戶推送產(chǎn)品信息的方法流程圖。如圖1所示，本實施例提供一種向用戶推送產(chǎn)品信息的方法，該方法具體步驟如下：s101、根據(jù)每個用戶的相似度相關特征獲取任意兩個用戶之間的相似度因子。本實施例中，相似度相關特征可以包括用戶性別、年齡、職業(yè)、學歷、消費數(shù)據(jù)、活躍地理區(qū)域信息和興趣信息等等，本實施例中的相似度相關特征可以包括上述的一種或多種，當然也可包括其他的表征用戶信息的特征，此處不再贅述。相似度因子是基于相似度相關特征來衡量兩個用戶之間的相似程度，相似度因子的獲取可以采用向量空間模型，例如歐氏距離或余弦相似度，當然也可以采用其他相似度算法，例如基于hash方法的相似計算等等。s102、根據(jù)每個用戶的親密度相關特征獲取任意兩個用戶之間的親密度因子。本實施例中，親密度相關特征可以包括預定時段內(nèi)用戶之間固定電話或移動電話的主動呼叫頻次、及每次主動呼叫的通話時長，也可以為即時通信軟件的聯(lián)系記錄，例如視頻聊天或語音聊天的主動發(fā)起頻次、及每次聊天的時長，或者語音信息的發(fā)送頻次、及每段語音信息的時長等等。親密度因子是基于親密度相關特征來衡量兩個用戶之間的親密度因子，用戶間聯(lián)系越頻繁則親密度因子越大，當然若兩個用戶沒有聯(lián)系，親密度因子計為零。s103、獲取每個用戶的單向聯(lián)系個數(shù)。本實施例中，單向聯(lián)系是區(qū)分主動聯(lián)系與被動聯(lián)系，例如用戶a主動呼叫用戶b，則用戶a與用戶b之間存在一次由用戶a指向用戶b的單向聯(lián)系，當在預定時段內(nèi)用戶a分別主動呼叫了用戶b、用戶c和用戶d，則用戶a的單向聯(lián)系個數(shù)為3。需要說明的是步驟s101、s102和s103之間并不區(qū)分先后順序，也可同步執(zhí)行。s104、根據(jù)用戶之間的相似度因子、親密度因子及所述單向聯(lián)系個數(shù)，獲取每個用戶的影響力指數(shù)。用戶的影響力指數(shù)用來衡量用戶的影響力的大小，影響力指數(shù)的數(shù)值較大的用戶在社交圈中擁有較大的影響力。本實施中用戶的影響力指數(shù)可采用pagerank算法或其衍生算法，也可采用hits算法或其衍生算法，并綜合考慮到用戶與用戶間的相似度因子和親密度因子，以獲得更準確的影響力指數(shù)，從而尋找到社交網(wǎng)絡中的影響力較大的用戶。s105、根據(jù)所述影響力指數(shù)向用戶終端發(fā)送產(chǎn)品信息。本實施例中，可根據(jù)影響力指數(shù)的數(shù)值大小進行排序，影響力指數(shù)的數(shù)值較大的用戶則是社交圈中擁有較大影響力的用戶，作為推送產(chǎn)品信息的對象，對其推送產(chǎn)品信息，即向用戶終端如手機或即時通信軟件的賬號等發(fā)送產(chǎn)品信息，將其轉(zhuǎn)化為潛在客戶，利用口碑傳播的影響力，可以實現(xiàn)更有效的產(chǎn)品宣傳。本實施例提供的向用戶推送產(chǎn)品信息的方法及裝置，通過獲取任意兩個用戶之間的相似度因子、親密度因子及每個用戶的單向聯(lián)系個數(shù)，并根據(jù)用戶之間的相似度因子、親密度因子及所述單向聯(lián)系個數(shù)，獲取每個用戶的影響力指數(shù)，從而可以得到社交網(wǎng)絡中用戶的影響力指數(shù)排名，進而根據(jù)影響力指數(shù)向用戶終端發(fā)送產(chǎn)品信息。本實施例的向用戶推送產(chǎn)品信息的方法綜合考慮了用戶之間的相似度因子和親密度因子，在用戶之間的有向聯(lián)系中，上游用戶的影響力指數(shù)依據(jù)相似度和親密度賦予給與其通過有向邊連接的各下游用戶，更符合現(xiàn)實生活中用戶間相互影響的情況，提高了對用戶影響力評估結果的準確性，進而提高了向用戶終端發(fā)送產(chǎn)品信息的效果。在上述實施例的基礎上，s104中根據(jù)用戶之間的相似度因子、親密度因子及所述單向聯(lián)系個數(shù)，獲取每個用戶的影響力指數(shù)，具體包括：根據(jù)如下公式獲取每個用戶的影響力指數(shù)；其中，t為用戶總數(shù)，為用戶i的影響力指數(shù)，i為1-t中的整數(shù)；為與所述用戶i有單向聯(lián)系的用戶j的影響力指數(shù)，j為1-t中的整數(shù)，lj為由所述用戶j單向聯(lián)系的用戶的個數(shù)，的初始為1/t；d為阻尼因子，1-d表示除所述用戶j外的其他隨機用戶單向聯(lián)系所述用戶i的概率；為所述用戶j與所述用戶i之間的相似度因子；為所述用戶j與所述用戶i之間的親密度因子；更新所述用戶j的影響力指數(shù)后根據(jù)所述用戶影響力評估模型進行迭代，直到任意用戶i的影響力指數(shù)為恒定或達到預定迭代次數(shù)，以獲取每一用戶的影響力指數(shù)。目前對影響力評估常應用pagerank算法(網(wǎng)頁排名算法)，其中pagerank算法是google的創(chuàng)始人拉里·佩奇和謝爾蓋·布林開發(fā)的技術，用于衡量特定網(wǎng)頁相對于搜索引擎索引中的其他網(wǎng)頁而言的重要程度。而將pagerank算法應用于對用戶的影響力評估領域中，則以用戶為節(jié)點，用戶之間的關系為有向邊，例如在微博等社交網(wǎng)站或即時通信軟件中的關注與被關注的關系，對于影響力越高的用戶，關注他的用戶越多，而被影響力越高的用戶關注，其影響力也越高。本實施例中考慮到現(xiàn)有的基于pagerank算法用戶影響力評估模型中，將用戶之間的相互影響采取等價處理的方式，即用戶之間的有向邊是等價的，上游用戶的影響力指數(shù)平均賦予給與其通過有向邊連接的各下游用戶。而現(xiàn)實生活中用戶具有趨同性，例如相似度較高的用戶(如年齡相仿、興趣相近、活動區(qū)域重疊度高)之間進行口碑傳播，效果更優(yōu)；并且交往密切的用戶(如朋友、親戚之間)之間的信息傳播，可提高用戶對信息的信任度和認同度，效果優(yōu)于陌生用戶之間(如營銷人員、中介推廣等)的信息推薦。再如，在微博中的相互關注，除了用戶間的關注與被關注關系，用戶間的興趣愛好、聯(lián)系親密度等，也對微博的用戶影響力評估結果有影響。即，現(xiàn)有的基于pagerank算法用戶影響力評估模型中上游用戶對與其通過有向邊連接的各下游用戶會依據(jù)相似度和親密度的不同產(chǎn)生不同的相互影響，而忽略了用戶間的相似度和親密度，必然影響用戶影響力評估結果的準確性。因此，本實施例基于pagerank算法，同時考慮了用戶之間的相似度因子和親密度因子，相當于給pagerank算法中用戶之間的有向邊賦予權重，而并非等價處理，即將用戶的影響力指數(shù)并非平均賦予給與該用戶單向聯(lián)系的各用戶，而是增加了用戶間的相似度和親密度作為權重因子，用戶j單向聯(lián)系多個用戶，如果其中的用戶i與用戶j之間的相似度越高或親密度越高，那么用戶j的影響力指數(shù)對用戶i的影響力指數(shù)的計算結果影響更大，在用戶之間的有向聯(lián)系中的上游用戶的影響力指數(shù)依據(jù)相似度和親密度賦予給與其通過有向邊連接的各下游用戶。該算法更符合用戶間相互影響的實際情況，所得的用戶的影響力指數(shù)更為準確，提高了對用戶影響力評估結果的準確性。圖2為本發(fā)明另一實施例提供的向用戶推送產(chǎn)品信息的方法流程圖，在上述實施例的基礎上，s101中根據(jù)每個用戶的相似度相關特征獲取任意兩個用戶之間的相似度因子，可具體通過下述步驟實現(xiàn)：s201、將用戶的每一相似度相關特征按預定規(guī)則進行分組，并離散化，獲取對應的相似度相關特征值。所述相似度相關特征包括用戶性別參數(shù)、年齡參數(shù)、消費數(shù)據(jù)、活躍地理區(qū)域信息和興趣信息中的一個或多個，當然也并不僅限于上述特征。本實施例中以用戶性別參數(shù)、年齡參數(shù)、消費數(shù)據(jù)、活躍地理區(qū)域信息和興趣信息這五個特征作相似度相關特征進行舉例說明。對于用戶i，將其每一相似度相關特征按預定規(guī)則進行分組，并離散化，從而獲取對應的相似度相關特征值：為用戶性別參數(shù)的特征值，為年齡參數(shù)的特征值，為消費數(shù)據(jù)的特征值，為活躍地理區(qū)域信息的特征值，為興趣信息的特征值。其預定規(guī)則可以為：對于上述各相似度相關特征中為數(shù)值的，根據(jù)數(shù)值大小進行分組并離散化；對于上述各相似度相關特征中不為數(shù)值的，例如用戶性別參數(shù)，首先按類別進行分組，在對各組進行賦值量化，從而實現(xiàn)離散化，獲取對應的相似度相關特征值。具體如表1-5所示。表1性別特征值男性f1i＝1女性f1i＝2表2表3表4表5本實施例中按預定規(guī)則進行分組并離散化的目的是均衡的考慮各相似度相關特征，避免某一相似度相關特征對歐氏距離的影響過大，導致各相似度相關特征無可比性，從而使所得的相似度因子不準確。s202、根據(jù)所述相似度相關特征值獲取任意兩個用戶之間的歐氏距離。歐氏距離又稱歐幾里得度量(euclideanmetric)，是在m維空間中兩個點之間的真實距離，歐氏距離常用于應用最廣泛的一個基礎相似度計算模型——向量空間模型(vectorspacemodel)中。因此，本實施例中可以根據(jù)上述各相似度相關特征值對于每一用戶構建特征向量，以便于進行后續(xù)分析?；谏鲜鰏201中的舉例，對于用戶i可構建特征向量更具體的，根據(jù)如下公式獲取任意兩個用戶的歐氏距離：其中，sji為用戶j與用戶i之間的歐氏距離，n為相似度相關特征的類別數(shù)量，n為正整數(shù)，k為1-n中的整數(shù)；與分別為所述用戶i與所述用戶j與第k類相似度相關特征對應的相似度相關特征值。s203、通過將所述歐氏距離歸一化處理，獲取任意兩個用戶之間的相似度因子。通過歸一化處理，使歐氏距離處于同一個數(shù)量級別上，可以進行綜合測評分析。具體的，可根據(jù)如下公式將所述歐氏距離歸一化處理，獲取用戶j與用戶i之間的相似度因子其中，μs為所有用戶中任意兩個用戶之間的歐氏距離的平均值，σs為所有用戶中任意兩個用戶之間的歐氏距離的標準差。進一步的，本實施例中所述相似度相關特征包括用戶性別參數(shù)、年齡參數(shù)、消費數(shù)據(jù)、活躍地理區(qū)域信息和興趣信息中的一個或多個；其中，所述用戶性別參數(shù)、所述年齡參數(shù)及所述消費數(shù)據(jù)由通信系統(tǒng)中bss域獲取，活躍地理區(qū)域信息及用戶興趣信息由通信系統(tǒng)中oss域獲取。其中，通信系統(tǒng)中bss域是指電話公司或電信運營商的業(yè)務支撐系統(tǒng)(businesssupportsystem)，通信系統(tǒng)中oss域是指電話公司或電信運營商的運營支撐系統(tǒng)(operationsupportsystem)，是電信運營商的一體化、信息資源共享的支持系統(tǒng)，主要由網(wǎng)絡管理、系統(tǒng)管理、計費、營業(yè)、賬務和客戶服務等部分組成。本實施例中，用戶性別參數(shù)、年齡參數(shù)可通過bss域的用戶基礎信息表中的性別、年齡字段獲取，消費數(shù)據(jù)通過bss域的用戶月賬單表中的arpu值(averagerevenueperuser，每用戶平均收入)字段獲取，用戶活躍地理區(qū)域信息通過oss域的iu-ps表中的lac(locationareacode，位置區(qū)識別碼)、ci(cellularidentity，小區(qū)識別)字段獲取，用戶興趣信息通過oss域iu-ps表中的手機軟件app字段獲取。具體的，用戶活躍地理區(qū)域信息獲取方式如下：將某城市工參數(shù)據(jù)中的lac、ci按各地城市規(guī)劃映射成各大商圈，將oss域iu-ps數(shù)據(jù)中用戶活動所在的lac、ci與工參數(shù)據(jù)中的lac、ci進行匹配，并以商圈為維度進行匯總，將用戶發(fā)生業(yè)務最多的商圈定義為用戶活躍地理區(qū)域，并記錄活躍商圈編號。用戶興趣信息獲取方式如下：將iu-ps數(shù)據(jù)中能夠解析的手機軟件app進行分類，按照電商、金融、旅游出行、汽車、母嬰、視頻、新聞等類別進行歸類，將用戶使用頻次最高的類別，定義為用戶興趣信息，并記錄用戶興趣點編號。本實施例通過通信系統(tǒng)中bss域和oss域聯(lián)合數(shù)據(jù)分析，選取用戶的相似度相關特征，并對特征進行量化和離散化，其數(shù)據(jù)源優(yōu)于其他基于互聯(lián)網(wǎng)(微博、論壇等)獲取數(shù)據(jù)的領域，具有較高的精度，并且數(shù)據(jù)的獲取更加便捷。圖3為本發(fā)明又一實施例提供的向用戶推送產(chǎn)品信息的方法流程圖，在上述實施例的基礎上，s102中根據(jù)每個用戶的親密度相關特征獲取任意兩個用戶之間的親密度因子，可具體通過下述步驟實現(xiàn)：s301、獲取在預定時段內(nèi)任意用戶j對用戶i的主動呼叫頻次、以及每次主動呼叫的通話時長。本實施例中，預定時段內(nèi)任意用戶j對用戶i的主動呼叫頻次、以及每次主動呼叫的通話時長，可為從通信系統(tǒng)中bss域數(shù)據(jù)用戶語音通話詳單中獲取的固定電話或移動通信數(shù)據(jù)，當然也可以是從網(wǎng)絡服務器獲取的視頻、語音聊天的記錄等等。s302、根據(jù)在預定時段內(nèi)所述用戶j對所述用戶i的主動呼叫頻次以及每次主動呼叫的通話時長，獲取用戶j與用戶i之間的親密度因子。親密度因子的獲取具體可采用以下兩種方案：方案一：根據(jù)預定時段內(nèi)所述用戶j對所述用戶i的每次主動呼叫的通話時長獲取單次通話平均時長；將預定時段內(nèi)所述用戶j對所述用戶i的主動呼叫頻次、以及單次通話平均時長分別按取值范圍區(qū)間分組并進行離散化，并根據(jù)獲取用戶j與用戶i之間的親密度因子其中，代表離散化后的預定時段內(nèi)所述用戶j對所述用戶i的主動呼叫頻次，代表離散化后的所述單次通話平均時長。本方案中，將預定時段內(nèi)所述用戶j對所述用戶i的主動呼叫頻次、以及單次通話平均時長分別按取值范圍區(qū)間分組并進行離散化，可以如表6和表7所示，通過分組和離散化將親密度因子限定于有限的25種結果，從而使得用戶之間的親密度因子有可比性，且避免了影響力指數(shù)的計算中親密度因子對結果產(chǎn)生較大的影響，可以是親密度因子和相似度因子對影響力指數(shù)結果的影響較為均衡。當然分組和離散化并不僅限于表中所示的方式。表6表7方案二：根據(jù)預定時段內(nèi)所述用戶j對所述用戶i的主動呼叫頻次以及每次主動呼叫的通話時長，獲取在預定時段內(nèi)所述用戶j對所述用戶i的主動呼叫的通話總時長；將預定時段內(nèi)所述用戶j對所述用戶i的主動呼叫的通話總時長按取值范圍區(qū)間分組并進行離散化，并根據(jù)獲取用戶j與用戶i之間的親密度因子其中，代表離散化后的所述用戶j對所述用戶i的主動呼叫的通話總時長。本方案中，將預定時段內(nèi)所述用戶j對所述用戶i的主動呼叫的通話總時長按取值范圍區(qū)間分組并進行離散化，可如表8所示，當然分組和離散化并不僅限于表中所示的方式。表8進一步的，所述獲取用戶j與用戶i之間的親密度因子后，還包括：將所述用戶親密度因子根據(jù)如下公式進行歸一化處理，并以歸一化處理后的結果為用戶j與用戶i之間的親密度因子：其中，μq為所有用戶中任意兩個用戶之間的親密度因子的平均值，σq為所有用戶中任意兩個用戶之間的親密度因子的標準差。通過歸一化處理，使親密度因子處于同一個數(shù)量級別上，可以進行綜合測評分析。圖4為本發(fā)明一實施例提供的向用戶推送產(chǎn)品信息的裝置的結構圖。本實施例提供的向用戶推送產(chǎn)品信息的裝置可以執(zhí)行上述圖像拼接方法實施例提供的處理流程，如圖4所示，該向用戶推送產(chǎn)品信息的裝置包括：相似度因子獲取模塊10、親密度因子獲取模塊20、聯(lián)系狀態(tài)獲取模塊30、影響力指數(shù)獲取模塊40、以及發(fā)送模塊50。其中，相似度因子獲取模塊10用于根據(jù)每個用戶的相似度相關特征獲取任意兩個用戶之間的相似度因子；親密度因子獲取模塊20用于根據(jù)每個用戶的親密度相關特征獲取任意兩個用戶之間的親密度因子；聯(lián)系狀態(tài)獲取模塊30用于獲取每個用戶的單向聯(lián)系個數(shù)；影響力指數(shù)獲取模塊40用于根據(jù)用戶之間的相似度因子、親密度因子及所述單向聯(lián)系個數(shù)，獲取每個用戶的影響力指數(shù)；發(fā)送模塊50用于根據(jù)所述影響力指數(shù)向用戶終端發(fā)送產(chǎn)品信息。本實施例提供的向用戶推送產(chǎn)品信息的裝置，通過獲取任意兩個用戶之間的相似度因子、親密度因子及每個用戶的單向聯(lián)系個數(shù)，并根據(jù)用戶之間的相似度因子、親密度因子及所述單向聯(lián)系個數(shù)，獲取每個用戶的影響力指數(shù)，從而可以得到社交網(wǎng)絡中用戶的影響力指數(shù)排名，進而根據(jù)影響力指數(shù)向用戶終端發(fā)送產(chǎn)品信息。本實施例的向用戶推送產(chǎn)品信息的裝置綜合考慮了用戶之間的相似度因子和親密度因子，在用戶之間的有向聯(lián)系中，上游用戶的影響力指數(shù)依據(jù)相似度和親密度賦予給與其通過有向邊連接的各下游用戶，更符合現(xiàn)實生活中用戶間相互影響的情況，提高了對用戶影響力評估結果的準確性，進而提高了向用戶終端發(fā)送產(chǎn)品信息的效果。進一步的，所述影響力指數(shù)獲取模塊40具體用于：根據(jù)如下公式獲取每個用戶的影響力指數(shù)；其中，t為用戶總數(shù)，為用戶i的影響力指數(shù)，i為1-t中的整數(shù)；為與所述用戶i有單向聯(lián)系的用戶j的影響力指數(shù)，j為1-t中的整數(shù)，lj為由所述用戶j單向聯(lián)系的用戶的個數(shù)，的初始為1/t；d為阻尼因子，1-d表示除所述用戶j外的其他隨機用戶單向聯(lián)系所述用戶i的概率；為所述用戶j與所述用戶i之間的相似度因子；為所述用戶j與所述用戶i之間的親密度因子；更新所述用戶j的影響力指數(shù)后根據(jù)所述用戶影響力評估模型進行迭代，直到任意用戶i的影響力指數(shù)為恒定或達到預定迭代次數(shù)，以獲取每一用戶的影響力指數(shù)。進一步的，如圖5所示，所述相似度因子獲取模塊10包括：相似度相關特征值獲取子模塊11、歐氏距離獲取子模塊12以及歸一化子模塊13，可具體執(zhí)行如圖2所示方法的流程，此處不再贅述。其中，相似度相關特征值獲取子模塊11用于將用戶的每一相似度相關特征按預定規(guī)則進行分組，并離散化，獲取對應的相似度相關特征值；歐氏距離獲取子模塊12用于根據(jù)所述相似度相關特征值獲取任意兩個用戶之間的歐氏距離；歸一化子模塊13用于通過將所述歐氏距離歸一化處理，獲取任意兩個用戶之間的相似度因子。進一步的，所述相似度相關特征包括用戶性別參數(shù)、年齡參數(shù)、消費數(shù)據(jù)、活躍地理區(qū)域信息和興趣信息中的一個或多個；其中，所述用戶性別參數(shù)、所述年齡參數(shù)及所述消費數(shù)據(jù)由通信系統(tǒng)中bss域獲取，活躍地理區(qū)域信息及用戶興趣信息由通信系統(tǒng)中oss域獲取。進一步的，所述歐氏距離獲取子模塊12具體用于根據(jù)如下公式獲取任意兩個用戶的歐氏距離：其中，sji為用戶j與用戶i之間的歐氏距離，n為相似度相關特征的類別數(shù)量，n為正整數(shù)，k為1-n中的整數(shù)；與分別為所述用戶i與所述用戶j與第k類相似度相關特征對應的相似度相關特征值；所述歸一化子模塊13具體用于根據(jù)如下公式將所述歐氏距離歸一化處理，獲取用戶j與用戶i之間的相似度因子其中，μs為所有用戶中任意兩個用戶之間的歐氏距離的平均值，σs為所有用戶中任意兩個用戶之間的歐氏距離的標準差。進一步的，如圖6所示，所述親密度因子獲取模塊20具體包括：通話記錄獲取子模塊21以及親密度因子計算子模塊22，可具體執(zhí)行如圖3所示方法的流程，此處不再贅述。其中，通話記錄獲取子模塊21，用于獲取在預定時段內(nèi)任意用戶j對用戶i的主動呼叫頻次、以及每次主動呼叫的通話時長；親密度因子計算子模塊22，用于根據(jù)在預定時段內(nèi)所述用戶j對所述用戶i的主動呼叫頻次以及每次主動呼叫的通話時長，獲取用戶j與用戶i之間的親密度因子。進一步的，所述親密度因子計算子模塊22具體用于：根據(jù)預定時段內(nèi)所述用戶j對所述用戶i的每次主動呼叫的通話時長獲取單次通話平均時長；將預定時段內(nèi)所述用戶j對所述用戶i的主動呼叫頻次、以及單次通話平均時長分別按取值范圍區(qū)間分組并進行離散化，并根據(jù)獲取用戶j與用戶i之間的親密度因子其中，代表離散化后的預定時段內(nèi)所述用戶j對所述用戶i的主動呼叫頻次，代表離散化后的所述單次通話平均時長；或者，根據(jù)預定時段內(nèi)所述用戶j對所述用戶i的主動呼叫頻次以及每次主動呼叫的通話時長，獲取在預定時段內(nèi)所述用戶j對所述用戶i的主動呼叫的通話總時長；將預定時段內(nèi)所述用戶j對所述用戶i的主動呼叫的通話總時長按取值范圍區(qū)間分組并進行離散化，并根據(jù)獲取用戶j與用戶i之間的親密度因子其中，代表離散化后的所述用戶j對所述用戶i的主動呼叫的通話總時長。進一步的，所述親密度因子計算子模塊22還用于：將所述用戶親密度因子根據(jù)如下公式進行歸一化處理，并以歸一化處理后的結果為用戶j與用戶i之間的親密度因子：其中，μq為所有用戶中任意兩個用戶之間的親密度因子的平均值，σq為所有用戶中任意兩個用戶之間的親密度因子的標準差。本實施例提供的向用戶推送產(chǎn)品信息的裝置可以具體用于執(zhí)行上述方法實施例的處理流程，具體功能此處不再贅述。本實施例提供的向用戶推送產(chǎn)品信息的裝置中各模塊均為程序模塊，執(zhí)行的設備可以是服務器，存儲器中存儲程序模塊，通過服務器調(diào)用存儲器中存儲的程序模塊來執(zhí)行上述方法實施例中相應的步驟。在本發(fā)明所提供的幾個實施例中，應該理解到，所揭露的裝置和方法，可以通過其它的方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元可以結合，或一些特征可以忽略，或不執(zhí)行。另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述以軟件功能單元的形式實現(xiàn)的集成的單元，可以存儲在一個計算機可讀取存儲介質(zhì)中。上述軟件功能單元存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網(wǎng)絡設備等)或處理器(processor)執(zhí)行本發(fā)明各個實施例所述方法的部分步驟。而前述的存儲介質(zhì)包括：u盤、移動硬盤、只讀存儲器(read-onlymemory，rom)、隨機存取存儲器(randomaccessmemory，ram)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。本領域技術人員可以清楚地了解到，為描述的方便和簡潔，僅以上述各功能模塊的劃分進行舉例說明，實際應用中，可以根據(jù)需要而將上述功能分配由不同的功能模塊完成，即將裝置的內(nèi)部結構劃分成不同的功能模塊，以完成以上描述的全部或者部分功能。上述描述的裝置的具體工作過程，可以參考前述方法實施例中的對應過程，在此不再贅述。最后應說明的是：以上各實施例僅用以說明本發(fā)明的技術方案，而非對其限制；盡管參照前述各實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質(zhì)脫離本發(fā)明各實施例技術方案的范圍。當前第1頁12