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

背景技術(shù)：

1、近年來，隨著互聯(lián)網(wǎng)技術(shù)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(xí)慣通過社交網(wǎng)絡(luò)來發(fā)言、聊天、交友，在這種情況下誕生了社交網(wǎng)絡(luò)交友模式；為了讓用戶交到志同道合的朋友,目前的社交網(wǎng)絡(luò)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(wǎng)絡(luò)交友中，用戶通常無法對推薦的好友進行身份辨別，導(dǎo)致用戶在交友中存在隱私泄露和被詐騙的風(fēng)險。在現(xiàn)有技術(shù)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(shù)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(shù)據(jù)的個性化人際關(guān)系推送方法、裝置及系統(tǒng)，實現(xiàn)能全面地、準(zhǔn)確地、客觀地量化被推薦用戶與鄰居用戶之間在社交網(wǎng)絡(luò)中的信任關(guān)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(shè)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(shù)據(jù)的個性化人際關(guān)系推送方法，所述方法包括如下步驟：

3、步驟1：預(yù)設(shè)固定時間間隔作為社交推薦周期，在當(dāng)前社交推薦周期內(nèi)獲取用戶的歷史社交數(shù)據(jù)和歷史交易數(shù)據(jù)，并對所述歷史社交數(shù)據(jù)和所述歷史交易數(shù)據(jù)進行預(yù)處理；

4、步驟2：將預(yù)處理后的所述歷史社交數(shù)據(jù)和所述歷史交易數(shù)據(jù)輸入預(yù)設(shè)的信用評分模型，計算得到所述用戶的社交信用分數(shù)；

5、步驟3：基于所述用戶的所述社交信用分數(shù)得到所述用戶的社交信用等級；

6、步驟4：將預(yù)處理后的所述歷史社交數(shù)據(jù)和所述歷史交易數(shù)據(jù)分別輸入預(yù)設(shè)的分類模型，得到所述用戶的社交標(biāo)簽和交易標(biāo)簽，并由用戶自行設(shè)置興趣標(biāo)簽，將所述社交標(biāo)簽、所述交易標(biāo)簽和所述興趣標(biāo)簽構(gòu)成標(biāo)簽集合；

7、步驟5：根據(jù)所述用戶對應(yīng)的所述社交信用等級和所述標(biāo)簽集合為當(dāng)前用戶進行好友推薦；

8、步驟6：獲取所述用戶在當(dāng)前所述社交推薦周期內(nèi)的反饋數(shù)據(jù)，基于所述反饋數(shù)據(jù)得到所述用戶的所述社交信用等級的調(diào)整系數(shù)，并基于所述調(diào)整系數(shù)對所述用戶在下一所述社交推薦周期內(nèi)的所述社交信用等級進行調(diào)整；

9、所述步驟5中，根據(jù)所述用戶對應(yīng)的所述社交信用等級和所述標(biāo)簽集合為當(dāng)前用戶進行好友推薦，具體包括：

10、假設(shè)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(biāo)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(biāo)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(yù)設(shè)的大于1的自然數(shù)，且y>x；

14、所述步驟6中，基于所述反饋數(shù)據(jù)得到所述用戶的所述社交信用等級的調(diào)整系數(shù)，并基于所述調(diào)整系數(shù)對所述用戶在下一所述社交推薦周期內(nèi)的所述社交信用等級進行調(diào)整，具體包括：

15、對所述反饋數(shù)據(jù)進行量化處理，得到調(diào)整系數(shù)；所述反饋數(shù)據(jù)包括正向反饋數(shù)據(jù)和負向反饋數(shù)據(jù)；

16、在下一所述社交推薦周期內(nèi)，重復(fù)所述步驟1-步驟4，得到下一所述社交推薦周期內(nèi)的所述社交信用等級和新的標(biāo)簽集合，再根據(jù)所述調(diào)整系數(shù)得到下一所述社交推薦周期內(nèi)用戶最終的所述社交信用等級，基于所述和所述新的標(biāo)簽集合在下一所述社交推薦周期內(nèi)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(shù)據(jù)和所述歷史交易數(shù)據(jù)進行預(yù)處理，具體包括：

19、對所述歷史社交數(shù)據(jù)和所述歷史交易數(shù)據(jù)進行數(shù)據(jù)的歸一化處理以及基于主成分分析的數(shù)據(jù)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(yù)設(shè)的信用評分模型為經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)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(shù)得到所述用戶的社交信用等級，具體包括：

24、預(yù)設(shè)個社交信用等級，分別為1,2，…，，每個所述社交信用等級對應(yīng)一個社交信用分數(shù)范圍，根據(jù)所述用戶的所述信用分數(shù)所在的所述社交信用分數(shù)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(shù)。

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(nèi)，所述社交信用等級均大于前一個所述社交推薦周期內(nèi)的所述社交信用等級，則將所述用戶標(biāo)記為潛力用戶，并在第p+1個所述社交推薦周期時，將調(diào)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(nèi)，所述社交信用等級均小于前一個所述社交推薦周期內(nèi)的所述社交信用等級，則將所述用戶標(biāo)記為警示用戶，并在第p+1個所述社交推薦周期內(nèi)，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(nèi)，所述社交信用等級均為n，則將所述用戶標(biāo)記為優(yōu)質(zhì)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(nèi)，所述社交信用等級均為1，則將所述用戶標(biāo)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(shù)據(jù)的個性化人際關(guān)系推送裝置，所述裝置包含如下模塊：

31、數(shù)據(jù)采集模塊：用于在當(dāng)前社交推薦周期內(nèi)獲取用戶的歷史社交數(shù)據(jù)和歷史交易數(shù)據(jù)；

32、數(shù)據(jù)處理模塊：用于對所述歷史社交數(shù)據(jù)和所述歷史交易數(shù)據(jù)進行預(yù)處理；

33、個性化定制模塊：包含有預(yù)設(shè)的信用評分模型和分類模型，用于將預(yù)處理后的所述歷史社交數(shù)據(jù)和所述歷史交易數(shù)據(jù)輸入預(yù)設(shè)的信用評分模型，計算得到所述用戶的社交信用分數(shù)，并基于所述用戶的所述社交信用分數(shù)得到所述用戶的社交信用等級；還用于將預(yù)處理后的所述歷史社交數(shù)據(jù)和所述歷史交易數(shù)據(jù)分別輸入預(yù)設(shè)的分類模型，得到所述用戶的社交標(biāo)簽和交易標(biāo)簽，并由用戶自行設(shè)置興趣標(biāo)簽，將所述社交標(biāo)簽、所述交易標(biāo)簽和所述興趣標(biāo)簽構(gòu)成標(biāo)簽集合；

34、個性化推薦模塊：用于根據(jù)所述用戶對應(yīng)的所述社交信用等級和所述標(biāo)簽集合為當(dāng)前用戶進行好友推薦；

35、反饋模塊：用于獲取所述用戶在當(dāng)前所述社交推薦周期內(nèi)的反饋數(shù)據(jù)，基于所述反饋數(shù)據(jù)得到所述用戶的所述社交信用等級的調(diào)整系數(shù)，并基于所述調(diào)整系數(shù)對所述用戶在下一所述社交推薦周期內(nèi)的所述社交信用等級進行調(diào)整；

36、所述基于所述反饋數(shù)據(jù)得到所述用戶的所述社交信用等級的調(diào)整系數(shù)，并基于所述調(diào)整系數(shù)對所述用戶在下一所述社交推薦周期內(nèi)的所述社交信用等級進行調(diào)整，具體包括：

37、對所述反饋數(shù)據(jù)進行量化處理，得到調(diào)整系數(shù)；所述反饋數(shù)據(jù)包括正向反饋數(shù)據(jù)和負向反饋數(shù)據(jù)；

38、在下一所述社交推薦周期內(nèi)，根據(jù)下一所述社交推薦周期內(nèi)的所述社交信用等級和新的標(biāo)簽集合，再根據(jù)所述調(diào)整系數(shù)得到下一所述社交推薦周期內(nèi)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(yù)設(shè)的信用評分模型為經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型；

41、所述對所述歷史社交數(shù)據(jù)和所述歷史交易數(shù)據(jù)進行預(yù)處理，具體包括：

42、對所述歷史社交數(shù)據(jù)和所述歷史交易數(shù)據(jù)進行數(shù)據(jù)的歸一化處理以及基于主成分分析的數(shù)據(jù)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(shù)據(jù)的個性化人際關(guān)系推送系統(tǒng)，所述系統(tǒng)用于實現(xiàn)上述基于大數(shù)據(jù)的個性化人際關(guān)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(shù)據(jù)的個性化人際關(guān)系推送設(shè)備，所述設(shè)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(shè)備執(zhí)行上述基于大數(shù)據(jù)的個性化人際關(guān)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(zhì)，包括計算機程序，當(dāng)所述計算機程序在電子設(shè)備上運行時，使得所述電子設(shè)備執(zhí)行上述基于大數(shù)據(jù)的個性化人際關(guān)系推送方法。

46、本發(fā)明采用基于大數(shù)據(jù)的個性化人際關(guān)系推送方法，通過大數(shù)據(jù)獲取用戶的歷史社交數(shù)據(jù)和歷史交易數(shù)據(jù)，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(yīng)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(shè)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(zhǔn)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(shù)據(jù)和歷史交易數(shù)據(jù)，獲取用戶對應(yīng)的社交標(biāo)簽和交易標(biāo)簽，并由用戶預(yù)設(shè)興趣標(biāo)簽，采用了客觀結(jié)合主觀的方法設(shè)置用戶標(biāo)簽，根據(jù)上述多個標(biāo)簽為用戶推薦的標(biāo)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(shù)方案做進一步的詳細描述。