網(wǎng)絡(luò)社交活動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)社交活動的內(nèi)容信息，獲取用戶對各待推薦網(wǎng)絡(luò)社交活動的第一評分；根據(jù)各待推薦網(wǎng)絡(luò)社交活動的位置信息，獲取用戶對各待推薦網(wǎng)絡(luò)社交活動的第二評分，和/或根據(jù)各待推薦網(wǎng)絡(luò)社交活動的組織者信息，獲取用戶對各待推薦網(wǎng)絡(luò)社交活動的第三評分；根據(jù)第一評分，以及第二評分和/或第三評分，獲取各待推薦網(wǎng)絡(luò)社交活動的總評分；根據(jù)總評分，向用戶進行網(wǎng)絡(luò)社交活動推薦。通過綜合多方面評分向用戶進行網(wǎng)絡(luò)社交活動推薦，可顯著改善網(wǎng)絡(luò)社交活動的推薦效果。
【專利說明】
網(wǎng)絡(luò)社交活動推薦方法和裝置
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)社交活動推薦方法和裝置。
【背景技術(shù)】
[0002] 近些年來，隨著物質(zhì)生活水平的提高，人們越來越熱衷參加各類活動，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的社交網(wǎng)絡(luò)得到了快速發(fā) 展。該些基于活動的社交網(wǎng)絡(luò)給用戶提供了一個在線的平臺，用戶通過該平臺組織、管理和 參加各種各樣的網(wǎng)絡(luò)社交活動。
[0003] 然而，由于網(wǎng)絡(luò)社交活動具有時效性，每天都有大量的網(wǎng)絡(luò)社交活動失效，同時每 天都有大量的新網(wǎng)絡(luò)社交活動被發(fā)布，若社交網(wǎng)絡(luò)沒有對所有的網(wǎng)絡(luò)社交活動在推薦表中 進行合理的排序，將會使用戶無法在大量的網(wǎng)絡(luò)社交活動中快速獲取到感興趣且未失效的 網(wǎng)絡(luò)社交活動，浪費了用戶的時間，進而可能導(dǎo)致用戶改用其他社交網(wǎng)絡(luò)。
[0004] 現(xiàn)有網(wǎng)絡(luò)社交活動的推薦方式，通常采用基于內(nèi)容的推薦方法。通過對網(wǎng)絡(luò)社交 活動的內(nèi)容與用戶的偏好進行比較，越符合用戶偏好的新網(wǎng)絡(luò)社交活動在新網(wǎng)絡(luò)社交活動 推薦表中的位置越靠前，但是，一個網(wǎng)絡(luò)社交活動通常具有多元屬性，僅基于網(wǎng)絡(luò)社交活動 內(nèi)容進行新網(wǎng)絡(luò)社交活動的推薦往往導(dǎo)致新網(wǎng)絡(luò)社交活動的推薦效果較差。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明提供一種網(wǎng)絡(luò)社交活動推薦方法和裝置，用W克服現(xiàn)有網(wǎng)絡(luò)社交活動推薦 方法僅基于網(wǎng)絡(luò)社交活動的內(nèi)容信息進行推薦，導(dǎo)致推薦效果較差的問題。
[0006] 本發(fā)明一方面提供一種網(wǎng)絡(luò)社交活動推薦方法，包括：
[0007] 根據(jù)各待推薦網(wǎng)絡(luò)社交活動的內(nèi)容信息和已舉辦網(wǎng)絡(luò)社交活動的內(nèi)容信息，獲取 用戶對各所述待推薦網(wǎng)絡(luò)社交活動的第一評分；
[000引根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動的位置信息和所述用戶的已參加網(wǎng)絡(luò)社交活動 的位置信息，獲取所述用戶對各所述待推薦網(wǎng)絡(luò)社交活動的第二評分，和/或根據(jù)各所述待 推薦網(wǎng)絡(luò)社交活動的組織者信息和所述所有已舉辦網(wǎng)絡(luò)社交活動的組織者信息，獲取所述 用戶對各所述待推薦網(wǎng)絡(luò)社交活動的第=評分；
[0009] 根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動的所述第一評分，W及所述第二評分和/或所述 第=評分，獲取各所述待推薦網(wǎng)絡(luò)社交活動的總評分；
[0010] 根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動的總評分，向所述用戶進行網(wǎng)絡(luò)社交活動推薦。
[0011] 本發(fā)明另一方面提供一種網(wǎng)絡(luò)社交活動推薦裝置，包括：
[0012] 第一評分模塊，用于根據(jù)各待推薦網(wǎng)絡(luò)社交活動的內(nèi)容信息和已舉辦網(wǎng)絡(luò)社交活 動的內(nèi)容信息，獲取用戶對各所述待推薦網(wǎng)絡(luò)社交活動的第一評分；
[0013] 第二評分模塊，用于根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動的位置信息和所述用戶的已 參加網(wǎng)絡(luò)社交活動的位置信息，獲取所述用戶對各所述待推薦網(wǎng)絡(luò)社交活動的第二評分， 和/或第=評分模塊，用于根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動的組織者信息和所述所有已舉 辦網(wǎng)絡(luò)社交活動的組織者信息，獲取所述用戶對各所述待推薦網(wǎng)絡(luò)社交活動的第=評分；
[0014] 總評分模塊，用于根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動的所述第一評分，W及所述第 二評分和/或所述第=評分，獲取各所述待推薦網(wǎng)絡(luò)社交活動的總評分；
[0015] 推薦模塊，用于根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動的總評分，向所述用戶進行網(wǎng)絡(luò) 社交活動推薦。
[0016] 本發(fā)明提供一種網(wǎng)絡(luò)社交活動推薦方法和裝置，根據(jù)待推薦網(wǎng)絡(luò)社交活動的內(nèi)容 信息、位置信息和/或組織者信息對待推薦網(wǎng)絡(luò)社交活動進行多方面評分，綜合多方面評分 結(jié)果向用戶進行網(wǎng)絡(luò)社交活動推薦，從而改善網(wǎng)絡(luò)社交活動的推薦效果。
【附圖說明】
[0017] 為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例描述中所需要使用 的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領(lǐng) 域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可W根據(jù)運些附圖獲得其他的 附圖。
[0018] 圖1為本發(fā)明提供的網(wǎng)絡(luò)社交活動推薦方法實施例一的流程示意圖；
[0019] 圖2為本發(fā)明提供的網(wǎng)絡(luò)社交活動推薦方法實施例二的流程示意圖；
[0020] 圖3為本發(fā)明提供的網(wǎng)絡(luò)社交活動推薦方法實施例=的流程示意圖；
[0021] 圖4為本發(fā)明提供的網(wǎng)絡(luò)社交活動推薦方法實施例四的流程示意圖；
[0022] 圖5為本發(fā)明提供的網(wǎng)絡(luò)社交活動推薦裝置實施例一的結(jié)構(gòu)示意圖；
[0023] 圖6為本發(fā)明提供的網(wǎng)絡(luò)社交活動推薦裝置實施例二的結(jié)構(gòu)示意圖；
[0024] 圖7為本發(fā)明提供的網(wǎng)絡(luò)社交活動推薦裝置實施例=的結(jié)構(gòu)示意圖；
[0025] 圖8為本發(fā)明提供的網(wǎng)絡(luò)社交活動推薦裝置實施例四的結(jié)構(gòu)示意圖。
【具體實施方式】
[0026] 為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例 中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是 本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員 在沒有作出創(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。
[0027] 社交網(wǎng)絡(luò)上存在有多個已經(jīng)舉辦過的網(wǎng)絡(luò)社交活動，對于用戶而言，所有已舉辦 網(wǎng)絡(luò)社交活動可劃分為已參加過的網(wǎng)絡(luò)社交活動和未參加過的網(wǎng)絡(luò)社交活動，已參加過的 網(wǎng)絡(luò)社交活動可認(rèn)為是用戶感興趣的網(wǎng)絡(luò)社交活動。當(dāng)有多個新的網(wǎng)絡(luò)社交活動被發(fā)布 時，可結(jié)合用戶已經(jīng)參加過的網(wǎng)絡(luò)社交活動信息，推測用戶在多個新的網(wǎng)絡(luò)社交活動中的 傾向，向用戶推薦可能感興趣的網(wǎng)絡(luò)社交活動，W提高推薦效果。
[0028] 本發(fā)明實施例提供一種網(wǎng)絡(luò)社交活動推薦方法和裝置，根據(jù)網(wǎng)絡(luò)社交活動的內(nèi) 容、位置信息和/或組織者信息對網(wǎng)絡(luò)社交活動進行多方面評分，綜合多方面評分向用戶進 行網(wǎng)絡(luò)社交活動推薦，從而改善網(wǎng)絡(luò)社交活動的推薦效果。
[0029] 下面W具體地實施例對本發(fā)明的技術(shù)方案W及本發(fā)明的技術(shù)方案如何實現(xiàn)進行 詳細(xì)說明。
[0030] 本發(fā)明實施例提供一種網(wǎng)絡(luò)社交活動推薦方法，該方法的執(zhí)行主體可W為網(wǎng)絡(luò)社 交活動推薦裝置，該裝置可W由軟件和/或硬件實現(xiàn)。圖I為本發(fā)明提供的網(wǎng)絡(luò)社交活動推 薦方法實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)社交活動的內(nèi)容信息和已舉辦網(wǎng)絡(luò)社交活動的內(nèi)容 信息，獲取用戶對各待推薦網(wǎng)絡(luò)社交活動的第一評分；
[0032] 步驟102、根據(jù)各待推薦網(wǎng)絡(luò)社交活動的位置信息和用戶的已參加網(wǎng)絡(luò)社交活動 的位置信息，獲取用戶對各待推薦網(wǎng)絡(luò)社交活動的第二評分;和/或步驟103、根據(jù)各待推薦 網(wǎng)絡(luò)社交活動的組織者信息和所有已舉辦網(wǎng)絡(luò)社交活動的組織者信息，獲取用戶對各待推 薦網(wǎng)絡(luò)社交活動的第=評分；
[0033] 步驟104、根據(jù)各待推薦網(wǎng)絡(luò)社交活動的第一評分，W及第二評分和/或第=評分， 獲取各待推薦網(wǎng)絡(luò)社交活動的總評分；
[0034] 步驟105、根據(jù)各待推薦網(wǎng)絡(luò)社交活動的總評分，向用戶進行網(wǎng)絡(luò)社交活動推薦。
[0035] 其中，步驟101、步驟102和步驟103之間沒有嚴(yán)格的先后執(zhí)行關(guān)系，可同時執(zhí)行也 按預(yù)設(shè)順序先后執(zhí)行。步驟102與步驟103可同時執(zhí)行，也可擇一執(zhí)行，對應(yīng)的在步驟104中， 則根據(jù)步驟102與步驟103是否執(zhí)行，采用得到的第二評分和/或第=評分獲取總評分。
[0036] 具體的，在步驟101中，對于所有待推薦的網(wǎng)絡(luò)社交活動，可通過比較活動內(nèi)容與 用戶已參加過的網(wǎng)絡(luò)社交活動的活動內(nèi)容的相似度，來對各待推薦的網(wǎng)絡(luò)社交活動進行打 分，相似度越高則打分越高。示例性的，通過統(tǒng)計用戶已參加過的網(wǎng)絡(luò)社交活動的活動內(nèi) 容，發(fā)現(xiàn)用戶熱衷參加爬山類活動，對于待推薦的內(nèi)容為爬山和游泳的網(wǎng)絡(luò)社交活動，則對 活動內(nèi)容為爬山的網(wǎng)絡(luò)社交活動給出較高的評分，對于活動內(nèi)容為游泳的網(wǎng)絡(luò)社交活動則 給出較低的評分。
[0037] 具體的，在步驟102中，考慮到待推薦網(wǎng)絡(luò)社交活動的位置信息可能會影響用戶對 該網(wǎng)絡(luò)社交活動的傾向性，示例性的，可參考用戶的已參加網(wǎng)絡(luò)社交活動的位置信息，獲取 用戶經(jīng)常參加的網(wǎng)絡(luò)社交活動的位置信息W及參加次數(shù)，進而確定用戶的感興趣地點，當(dāng) 新的待推薦網(wǎng)絡(luò)社交活動的位置與用戶的感興趣地點越接近時，可為該待推薦網(wǎng)絡(luò)社交活 動打較高的評分，當(dāng)新的待推薦網(wǎng)絡(luò)社交活動的位置與用戶的感興趣地點越遠時，可為該 待推薦網(wǎng)絡(luò)社交活動打較低的評分。
[0038] 具體的，在步驟103中，考慮到待推薦網(wǎng)絡(luò)社交活動的組織者的組織能力可能會影 響用戶對該網(wǎng)絡(luò)社交活動的傾向性，可將各組織者對用戶的影響力作為用戶對各待推薦網(wǎng) 絡(luò)社交活動的評分，當(dāng)影響力越大，評分越高，用戶越有可能對該網(wǎng)絡(luò)社交活動感興趣。示 例性的，可將用戶參加各組織者組織的網(wǎng)絡(luò)社交活動的次數(shù)作為該組織者對用戶的影響 力，還可根據(jù)所有已舉辦網(wǎng)絡(luò)社交活動的組織者信息，獲取各組織者舉辦過的網(wǎng)絡(luò)社交活 動W及參加的人數(shù)，進而根據(jù)參加人數(shù)的多少對所有組織者進行排序，根據(jù)排序獲取用戶 對各待推薦網(wǎng)絡(luò)社交活動的第=評分。
[0039] 具體的，在步驟104中，根據(jù)獲取到的各待推薦網(wǎng)絡(luò)社交活動的第一評分，W及第 二評分和/或第=評分，對各評分進行加權(quán)求和，即可得到各待推薦網(wǎng)絡(luò)社交活動的總評 分，具體的，各評分的權(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)社交活動的總評分，按照評分 由高至低的順序向用戶進行網(wǎng)絡(luò)社交活動推薦。
[0041] 本發(fā)明提供一種網(wǎng)絡(luò)社交活動推薦方法，根據(jù)網(wǎng)絡(luò)社交活動的內(nèi)容信息、位置信 息和/或組織者信息對網(wǎng)絡(luò)社交活動進行多方面評分，綜合多方面評分結(jié)果向用戶進行網(wǎng) 絡(luò)社交活動推薦，從而改善網(wǎng)絡(luò)社交活動的推薦效果。
[0042] 進一步地，在圖1所示實施例的基礎(chǔ)上，對于基于網(wǎng)絡(luò)社交活動的活動內(nèi)容，對待 推薦的網(wǎng)絡(luò)社交活動進行評分進行詳細(xì)說明。圖2為本發(fā)明提供的網(wǎng)絡(luò)社交活動推薦方法 實施例二的流程示意圖。如圖2所示，基于網(wǎng)絡(luò)社交活動的活動內(nèi)容，對待推薦的網(wǎng)絡(luò)社交 活動進行評分包括：
[0043] 步驟201、根據(jù)已舉辦網(wǎng)絡(luò)社交活動的內(nèi)容信息，獲取主題模型和用戶的所有已參 加網(wǎng)絡(luò)社交活動的內(nèi)容信息在主題模型上的主題分布。
[0044] 具體地，對于所有已舉辦網(wǎng)絡(luò)社交活動，W用戶為單位，將每一個用戶的已參加網(wǎng) 絡(luò)社交活動的內(nèi)容，記錄在一個用戶文檔中，獲得多個用戶文檔，對多個用戶文檔使用隱含 狄利克雷分布化atent Dirichlet Allocation,簡稱LDA模型）生成一個主題模型，并可得 到每個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 的活動內(nèi)容中的各活動主題上的偏好，活動主題可能包括爬山、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活 動的偏好，例如，用戶有60 %的概率參加爬山活動，有30 %的概率參加騎行活動，有10 %的 概率參加游泳活動，且對其他主題的網(wǎng)絡(luò)社交活動沒有偏好。
[0045] 步驟202、根據(jù)吉布斯采樣算法獲取各待推薦網(wǎng)絡(luò)社交活動的內(nèi)容信息在主題模 型上的主題分布。
[0046] 具體的，對于各待推薦網(wǎng)絡(luò)社交活動，可通過吉布斯采樣算法，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)社交活動的主題分布，即根據(jù)任一一個待推薦的網(wǎng)絡(luò) 社交活動的內(nèi)容信息，可得到該網(wǎng)絡(luò)社交活動的主題分布。
[0047] 步驟203、獲取各待推薦網(wǎng)絡(luò)社交活動的主題分布與用戶的主題分布的散度，根據(jù) 各散度，獲取用戶對各待推薦網(wǎng)絡(luò)社交活動的第一評分。
[004引具體的，可W為Jensen-Shannon散度，對于任一當(dāng)前用戶，可應(yīng)用散度計算公式獲 取各待推薦網(wǎng)絡(luò)社交活動j對應(yīng)的主題分布0J與當(dāng)前用戶對應(yīng)的主題分布0的散度D(0 I 0j);
[0049] 其中，散度計算公式為：
[(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j對應(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)社交活動的總個數(shù)。
[0052] 其中，KL散度化IiHback-Leibler dive;rgence)，用于描述兩個概率分布之間的差 異，當(dāng)兩個概率分布越相似，KL散度值越小，當(dāng)兩個概率分布差異越大，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j對應(yīng)的散度D(0 M 獲取用戶對各待推 薦網(wǎng)絡(luò)社交活動j的第一評分時，散度值與第一評分成反比，當(dāng)散度值越大，該待推薦網(wǎng)絡(luò) 社交活動的第一評分越低。示例性的，散度與第一評分之和可W為1。示例性的，將1-D(0 I 0J)作為用戶對各待推薦網(wǎng)絡(luò)社交活動j的評分，然后將各待推薦網(wǎng)絡(luò)社交活動的評分進行 歸一化，得到各待推薦網(wǎng)絡(luò)社交活動的第一評分。
[0054] 進一步地，在圖1或圖2所示實施例的基礎(chǔ)上，對于基于網(wǎng)絡(luò)社交活動的位置信息， 對待推薦的網(wǎng)絡(luò)社交活動進行評分進行詳細(xì)說明。圖3為本發(fā)明提供的網(wǎng)絡(luò)社交活動推薦 方法實施例=的流程示意圖。如圖3所示，基于網(wǎng)絡(luò)社交活動的位置信息，對待推薦的網(wǎng)絡(luò) 社交活動進行評分包括：
[0055] 步驟301、根據(jù)用戶的已參加網(wǎng)絡(luò)社交活動的位置信息，獲取用戶的所有已參加網(wǎng) 絡(luò)社交活動的舉辦位置的集合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 元素總個數(shù)；
[0056] 步驟302、獲取集合L中每兩個舉辦位置之間的距離，根據(jù)所有兩個舉辦位置之間 的距離獲取所有兩個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j的參與概率P (j)，根據(jù)各參與概率P(j)獲取用戶對各待推薦網(wǎng)絡(luò)社交活動的第二評分；
[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)社交活動的總個數(shù)。
[0061] 具體的，在步驟301中，統(tǒng)計用戶的已參加網(wǎng)絡(luò)社交活動的位置信息，獲取用戶參 加過的網(wǎng)絡(luò)社交活動的所有的舉辦位置Ii,確定所有的舉辦位置Ii的集合L，集合L中的元素 總個數(shù)用M表示，i的取值為從1至M的正整數(shù)。同時獲取用戶參加位于舉辦位置Ii處的網(wǎng)絡(luò) 社交活動的次數(shù)n( 10。
[0062] 具體的，在步驟302中，對于集合L中的所有舉辦位置li，獲取每兩個舉辦位置之間 的距離，得到多個距離W及每個距離出現(xiàn)的概率，根據(jù)每個距離出現(xiàn)的概率，擬合一個距離 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，推測在距離可W為任意值時，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j的舉辦位置與用戶的已參加 網(wǎng)絡(luò)社交活動的舉辦位置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j的舉辦位置與所有用戶的 已參加網(wǎng)絡(luò)社交活動的舉辦位置Ii之間的距離dis(li，Ij)的概率較高時，該待推薦網(wǎng)絡(luò)社 交活動的參與概率較高，將各待推薦網(wǎng)絡(luò)社交活動的參與概率進行歸一化，即可得到用戶 對各待推薦網(wǎng)絡(luò)社交活動的第二評分。
[0067] 進一步地，在上述任一實施例的基礎(chǔ)上，對于基于網(wǎng)絡(luò)社交活動的組織者信息，對 待推薦的網(wǎng)絡(luò)社交活動進行評分進行詳細(xì)說明。圖4為本發(fā)明提供的網(wǎng)絡(luò)社交活動推薦方 法實施例四的流程示意圖。如圖4所示，基于網(wǎng)絡(luò)社交活動的組織者信息，對待推薦的網(wǎng)絡(luò) 社交活動進行評分包括：
[0068] 步驟401、根據(jù)已舉辦網(wǎng)絡(luò)社交活動的組織者信息，將已舉辦網(wǎng)絡(luò)社交活動中用戶 已參加網(wǎng)絡(luò)社交活動的組織者記為第一組織者，獲取各第一組織者對用戶的影響力；
[0069] 步驟402、將已舉辦網(wǎng)絡(luò)社交活動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)各第一組織者對用戶的影響力和貝葉斯推理，獲取各第二組織者對用戶 的影響力；
[0070] 步驟403、根據(jù)各第一組織者對用戶的影響力或各第二組織者對用戶的影響力，獲 取各待推薦網(wǎng)絡(luò)社交活動的組織者對用戶的影響力，根據(jù)各待推薦網(wǎng)絡(luò)社交活動的組織者 對用戶的影響力獲取用戶對各待推薦網(wǎng)絡(luò)社交活動的第=評分。
[0071] 具體的，在步驟401中，對于所有已舉辦網(wǎng)絡(luò)社交活動的組織者，當(dāng)用戶參加過其 組織的網(wǎng)絡(luò)社交活動時，將該組織者記為第一組織者，獲取各第一組織者對用戶的影響力。
[0072] 可選的，獲取用戶參加各第一組織者所組織的網(wǎng)絡(luò)社交活動的次數(shù)，將各次數(shù)作 為各第一組織者對用戶的影響力。
[0073] 具體的，在步驟402中，對于所有已舉辦網(wǎng)絡(luò)社交活動的組織者，當(dāng)用戶未參加過 其組織的網(wǎng)絡(luò)社交活動時，將該組織者記為第二組織者，根據(jù)各第一組織者對用戶的影響 力W及貝葉斯推理，推測出各第二組織者對用戶的影響力。
[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)社交活動次數(shù)，推測出用戶 參加各第二組織者組織的網(wǎng)絡(luò)社交活動的次數(shù)，將各推測出的次數(shù)作為各第二組織者對用 戶的影響力，具體過程包括：
[0075] 步驟一、根據(jù)所有組織者組織的網(wǎng)絡(luò)社交活動的流行度，獲取所有組織者的流行 度。其中，針對所有已舉辦網(wǎng)絡(luò)社交活動中的每一個網(wǎng)絡(luò)社交活動k，可根據(jù)如下的公式計 算該網(wǎng)絡(luò)社交活動的流行度：
[0076]
[0077] 其中，NYk表示參加過網(wǎng)絡(luò)社交活動k的人數(shù)，NMk表示對網(wǎng)絡(luò)社交活動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中的任一個元素 rm,n 表示用戶Um參與活動組織者On所舉辦活動的次數(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、《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，后驗概率可正比于條件概率與先驗概率的乘 積，故可得到特征向量矩陣U和0后驗概率公護，幻I化P，請，為，訂符合W下公式：
[008引
[0089] 其次，對特征向量矩陣U和0的后驗概率進行l(wèi)og We為底的對數(shù)運算，得到 |11^。，〇|/?，尸，巧:，誠任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，通過最大化后驗概率尸，嚇，〇古口進行U和0的求 解。
[0094] 再次，對/^(。，()|/?，/'，扣()古〇-^)進行最大化，等同于對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,即可通過公式rm,n = Pn . UmT〇n獲取用戶Um參與任意活 動組織者On所組織活動的次數(shù)。
[0101] 具體的，在步驟403中，對于各待推薦網(wǎng)絡(luò)社交活動，通過根據(jù)步驟401與步驟402 中獲取的所有組織者對用戶的影響力，可確定各待推薦網(wǎng)絡(luò)社交活動的組織者對用戶的影 響力，將各影響力作為用戶對各待推薦網(wǎng)絡(luò)社交活動的評分，然后對各評分進行歸一化，即 可得到用戶對各待推薦網(wǎng)絡(luò)社交活動的第=評分。
[0102] 本發(fā)明另一方面還提供一種網(wǎng)絡(luò)社交活動推薦裝置，用于執(zhí)行如上所述的網(wǎng)絡(luò)社 交活動推薦方法，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)社交活動推薦裝置實施例一的結(jié)構(gòu)示意圖。如圖5所示， 該裝置包括：
[0104] 第一評分模塊501，用于根據(jù)各待推薦網(wǎng)絡(luò)社交活動的內(nèi)容信息和已舉辦網(wǎng)絡(luò)社 交活動的內(nèi)容信息，獲取用戶對各待推薦網(wǎng)絡(luò)社交活動的第一評分；
[0105] 第二評分模塊502,用于根據(jù)各待推薦網(wǎng)絡(luò)社交活動的位置信息和用戶的已參加 網(wǎng)絡(luò)社交活動的位置信息，獲取用戶對各待推薦網(wǎng)絡(luò)社交活動的第二評分，和/或第=評分 模塊503,用于根據(jù)各待推薦網(wǎng)絡(luò)社交活動的組織者信息和所有已舉辦網(wǎng)絡(luò)社交活動的組 織者信息，獲取用戶對各待推薦網(wǎng)絡(luò)社交活動的第=評分；
[0106] 總評分模塊504,用于根據(jù)各待推薦網(wǎng)絡(luò)社交活動的第一評分，W及第二評分和/ 或第=評分，獲取各待推薦網(wǎng)絡(luò)社交活動的總評分；
[0107] 推薦模塊505,用于根據(jù)各待推薦網(wǎng)絡(luò)社交活動的總評分，向用戶進行網(wǎng)絡(luò)社交活 動推薦。
[0108] 進一步的，在圖5所示實施例的基礎(chǔ)上，對第一評分模塊進行詳細(xì)說明。圖6為本發(fā) 明提供的網(wǎng)絡(luò)社交活動推薦裝置實施例二的結(jié)構(gòu)示意圖。如圖6所示，第一評分模塊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)社交活動的內(nèi)容信息，獲取所有已舉 辦網(wǎng)絡(luò)社交活動的主題模型和用戶的所有已參加網(wǎng)絡(luò)社交活動的內(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)社交活動的 內(nèi)容信息在主題模型上的主題分布；
[0111] 評分獲取模塊603,用于獲取各待推薦網(wǎng)絡(luò)社交活動的主題分布與用戶的主題分 布的散度，根據(jù)各散度，獲取用戶對各待推薦網(wǎng)絡(luò)社交活動的第一評分。
[0112] 可選的，評分獲取模塊603具體用于，根據(jù)散度計算公式獲取各待推薦網(wǎng)絡(luò)社交活 動j對應(yīng)的主題分布0J與用戶對應(yīng)的主題分布0的散度D(0 M 9j);
[0113] 其中，散度計算公式為：
[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)社交活動的總個數(shù)。
[0116] 可選的，散度與第一評分成反比。
[0117] 進一步的，在圖5或圖6所示實施例的基礎(chǔ)上，對第二評分模塊進行詳細(xì)說明。圖7 為本發(fā)明提供的網(wǎng)絡(luò)社交活動推薦裝置實施例=的結(jié)構(gòu)示意圖。如圖7所示，第二評分模塊 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)社交活動的位置信息，獲取用 戶的所有已參加網(wǎng)絡(luò)社交活動的舉辦位置的集合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的元素總個數(shù)；
[0119] 模型獲取模塊702,用于獲取集合L中每兩個舉辦位置之間的距離，根據(jù)所有兩個 舉辦位置之間的距離獲取所有兩個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j 的參與概率p(j)，根據(jù)各參與概率p(j)獲取用戶對各待推薦網(wǎng)絡(luò)社交活動的第二評分；
[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)社交活動的總個數(shù)。
[0124] 進一步的，在上述任一實施例的基礎(chǔ)上，對第=評分模塊進行詳細(xì)說明。圖8為本 發(fā)明提供的網(wǎng)絡(luò)社交活動推薦裝置實施例四的結(jié)構(gòu)示意圖。如圖8所示，，第=評分模塊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)社交活動的組織者信息，將已舉辦 網(wǎng)絡(luò)社交活動中用戶已參加網(wǎng)絡(luò)社交活動的組織者記為第一組織者，獲取各第一組織者對 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)社交活動中用戶未參加網(wǎng)絡(luò)社交活 動的組織者記為第二組織者，根據(jù)各第一組織者對用戶的影響力和貝葉斯推理，獲取各第 二組織者對用戶的影響力；
[0127] 評分獲取模塊803,用于根據(jù)各第一組織者對用戶的影響力或各第二組織者對用 戶的影響力，獲取各待推薦網(wǎng)絡(luò)社交活動的組織者對用戶的影響力，根據(jù)各待推薦網(wǎng)絡(luò)社 交活動的組織者對用戶的影響力獲取用戶對各待推薦網(wǎng)絡(luò)社交活動的第=評分。
[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)社交活動的次數(shù)，將各次數(shù)作為各第 一組織者對用戶的影響力。
[0129] 本發(fā)明提供一種網(wǎng)絡(luò)社交活動推薦裝置，根據(jù)網(wǎng)絡(luò)社交活動的內(nèi)容信息、位置信 息和/或組織者信息對網(wǎng)絡(luò)社交活動進行多方面評分，綜合多方面評分結(jié)果向用戶進行網(wǎng) 絡(luò)社交活動推薦，從而改善網(wǎng)絡(luò)社交活動的推薦效果。
[0130]最后應(yīng)說明的是：W上各實施例僅用W說明本發(fā)明的技術(shù)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(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解:其依 然可W對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分或者全部技術(shù)特征進 行等同替換；而運些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù) 方案的范圍。
【主權(quán)項】
1. 一種網(wǎng)絡(luò)社交活動推薦方法，其特征在于，包括： 根據(jù)各待推薦網(wǎng)絡(luò)社交活動的內(nèi)容信息和已舉辦網(wǎng)絡(luò)社交活動的內(nèi)容信息，獲取用戶 對各所述待推薦網(wǎng)絡(luò)社交活動的第一評分； 根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動的位置信息和所述用戶的已參加網(wǎng)絡(luò)社交活動的位 置信息，獲取所述用戶對各所述待推薦網(wǎng)絡(luò)社交活動的第二評分，和/或根據(jù)各所述待推薦 網(wǎng)絡(luò)社交活動的組織者信息和所述所有已舉辦網(wǎng)絡(luò)社交活動的組織者信息，獲取所述用戶 對各所述待推薦網(wǎng)絡(luò)社交活動的第三評分； 根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動的所述第一評分，以及所述第二評分和/或所述第三 評分，獲取各所述待推薦網(wǎng)絡(luò)社交活動的總評分； 根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動的總評分，向所述用戶進行網(wǎng)絡(luò)社交活動推薦。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)社交活動的位 置信息和所述用戶的已參加網(wǎng)絡(luò)社交活動的位置信息，獲取所述用戶對各所述待推薦網(wǎng)絡(luò) 社交活動的第二評分，包括： 根據(jù)所述用戶的已參加網(wǎng)絡(luò)社交活動的位置信息，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的元素總個數(shù)； 獲取所述集合L中每兩個舉辦位置之間的距離，根據(jù)所有所述兩個舉辦位置之間的距 離獲取所有所述兩個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)獲取所述用戶對各所述待推薦網(wǎng)絡(luò)社交活動的第二評分； 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)社交活動的總個數(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 的組織者信息和所述已舉辦網(wǎng)絡(luò)社交活動的組織者信息，獲取用戶對各所述待推薦網(wǎng)絡(luò)社 交活動的第三評分，包括： 根據(jù)所述已舉辦網(wǎng)絡(luò)社交活動的組織者信息，將所述已舉辦網(wǎng)絡(luò)社交活動中所述用戶 已參加網(wǎng)絡(luò)社交活動的組織者記為第一組織者，獲取各所述第一組織者對所述用戶的影響 力； 將所述已舉辦網(wǎng)絡(luò)社交活動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用戶的影響力和貝葉斯推理，獲取各所述第二組織者對所述 用戶的影響力； 根據(jù)各所述第一組織者對所述用戶的影響力或各所述第二組織者對所述用戶的影響 力，獲取各所述待推薦網(wǎng)絡(luò)社交活動的組織者對所述用戶的影響力，根據(jù)各所述待推薦網(wǎng) 絡(luò)社交活動的組織者對所述用戶的影響力獲取所述用戶對各所述待推薦網(wǎng)絡(luò)社交活動的 第三評分。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)社交活動的次數(shù)，將各所述次數(shù)作為各所述第一組織者對用戶的影響 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)社交活動的內(nèi) 容信息和已舉辦網(wǎng)絡(luò)社交活動的內(nèi)容信息，獲取用戶對各所述待推薦網(wǎng)絡(luò)社交活動的第一 評分，包括： 根據(jù)所述已舉辦網(wǎng)絡(luò)社交活動的內(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，獲取所述用戶對各所述待推薦網(wǎng)絡(luò)社交活動的第一評分。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)社交活動對應(yīng) 的主題分布與所述用戶對應(yīng)的主題分布的散度，包括： 根據(jù)散度計算公式獲取各所述待推薦網(wǎng)絡(luò)社交活動j對應(yīng)的主題分布h與所述用戶對 應(yīng)的主題分布Θ的散度D(0 I I Qj); 其中，所述散度計算公式為：'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 的總個數(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分成反比。8. -種網(wǎng)絡(luò)社交活動推薦裝置，其特征在于，包括： 第一評分模塊，用于根據(jù)各待推薦網(wǎng)絡(luò)社交活動的內(nèi)容信息和已舉辦網(wǎng)絡(luò)社交活動的 內(nèi)容信息，獲取用戶對各所述待推薦網(wǎng)絡(luò)社交活動的第一評分； 第二評分模塊，用于根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動的位置信息和所述用戶的已參加 網(wǎng)絡(luò)社交活動的位置信息，獲取所述用戶對各所述待推薦網(wǎng)絡(luò)社交活動的第二評分，和/或 第三評分模塊，用于根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動的組織者信息和所述所有已舉辦網(wǎng)絡(luò) 社交活動的組織者信息，獲取所述用戶對各所述待推薦網(wǎng)絡(luò)社交活動的第三評分； 總評分模塊，用于根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動的所述第一評分，以及所述第二評 分和/或所述第三評分，獲取各所述待推薦網(wǎng)絡(luò)社交活動的總評分； 推薦模塊，用于根據(jù)各所述待推薦網(wǎng)絡(luò)社交活動的總評分，向所述用戶進行網(wǎng)絡(luò)社交 活動推薦。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的元素總個數(shù)； 模型獲取模塊，用于獲取所述集合L中每兩個舉辦位置之間的距離，根據(jù)所有所述兩個 舉辦位置之間的距離獲取所有所述兩個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 j的參與概率P(j)，根據(jù)各所述參與概率P(j)獲取所述用戶對各所述待推薦網(wǎng)絡(luò)社交活動 的第二評分； 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)社交活動的總個數(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)社交活動的組織者信息，將所述已舉 辦網(wǎng)絡(luò)社交活動中所述用戶已參加網(wǎng)絡(luò)社交活動的組織者記為第一組織者，獲取各所述第 一組織者對所述用戶的影響力； 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用戶的影響力和貝葉斯推理，獲取 各所述第二組織者對所述用戶的影響力； 評分獲取模塊，用于根據(jù)各所述第一組織者對所述用戶的影響力或各所述第二組織者 對所述用戶的影響力，獲取各所述待推薦網(wǎng)絡(luò)社交活動的組織者對所述用戶的影響力，根 據(jù)各所述待推薦網(wǎng)絡(luò)社交活動的組織者對所述用戶的影響力獲取所述用戶對各所述待推 薦網(wǎng)絡(luò)社交活動的第三評分。
【文檔編號】G06Q50/00GK106021311SQ201610292747
【公開日】2016年10月12日
【申請日】2016年5月5日
【發(fā)明人】程祥, 蘇森, 李舒辰, 雙鍇
【申請人】北京郵電大學(xué)