评估用户的兴趣倾向的方法和装置与流程

本发明属于数据挖掘领域，具体涉及评估用户的兴趣倾向的方法和装置。

背景技术：

随着以微博为代表的社交网络服务(SNS)的迅速发展，对SNS用户的分析逐渐成为了热点，尤其是对用户的兴趣进行分析，分析的结果可以用于各种推荐系统，进而达到提升用户体验和精准广告投放的双赢目的。

在诸如微博的SNS媒体中，有着大量的用户群体，具有很高的研究价值和应用价值。在SNS媒体中，每个用户通常拥有自己的好友列表，其中可能包含该用户的真正朋友、同事、家人，也可能包含用户的真实兴趣，如体育、财经、旅游等。因此可对用户的好友列表进行分析以推测用户的兴趣倾向。

然而，如何对用户的好友列表进行有效的分析，以得到比较准确的评估结果，一直是本领域未解决的难题。

技术实现要素：

有鉴于此，本发明提出了一种评估SNS用户的兴趣倾向的方法和装置。该方法和装置通过计算能够反映用户的实际兴趣的目标好友的自身倾向分数以及用户与该目标好友的关系分数，从而可以评估用户关于该目标好友的兴趣倾向程度。

根据本发明的一个方面，提供了一种评估用户的兴趣倾向的方法，包括：计算所述用户与其好友列表中的目标好友的关系分数；计算所述目标好友的自身倾向分数；以及根据所述关系分数和所述自身倾向分数计算所述用户关于所述目标好友的兴趣倾向程度。

根据本发明的另一方面，提供了一种评估用户的兴趣倾向的装置，包括：关系分数计算单元，计算所述用户与其好友列表中的目标好友的关系分数；自身倾向分数计算单元，计算所述目标好友的自身倾向分数；以及兴趣倾向程度计算单元，根据所述关系分数计算单元所计算的关系分数和所述自身倾向分数计算单元所计算的自身倾向分数，计算所述用户关于所述目标好友的兴趣倾向程度。

根据本发明所提供的技术方案，可评估用户的兴趣倾向，从而准确地为用户推送相关领域的内容或信息，以提升用户体验。

附图说明

参照附图来阅读本发明的各实施方式，将更容易理解本发明的其它特征和优点，在此描述的附图只是为了对本发明的实施方式进行示意性说明的目的，而非全部可能的实施，并且不旨在限制本发明的范围。在附图中：

图1示出了根据本发明一个实施方式评估SNS用户的兴趣倾向的方法的流程图；

图2示出了根据本发明另一个实施方式评估SNS用户的兴趣倾向的方法的流程图；

图3示出了根据本发明一个实施方式计算用户与其好友列表中的目标好友的关系分数的流程图；

图4示出了根据本发明一个实施方式计算用户与目标好友的亲密度的流程图；

图5示出了根据本发明一个实施方式用户的示例性好友关系图；

图6示出了根据本发明一个实施方式评估SNS用户的兴趣倾向的装置的框图；

图7示出了根据本发明另一个实施方式评估SNS用户的兴趣倾向的装置的框图；

图8示出了根据本发明一个实施方式的关系分数计算单元的框图；

图9示出了根据本发明一个实施方式的亲密度计算子单元的框图；以及

图10示出了可用于实施根据本发明实施例的方法和系统的计算机的 示意性框图。

具体实施方式

现参照附图对本发明的实施方式进行详细描述。应注意，以下描述仅仅是示例性的，而并不旨在限制本发明。此外，在以下描述中，将采用相同的附图标号表示不同附图中的相同或相似的部件。在以下描述的不同实施方式中的不同特征，可彼此结合，以形成本发明范围内的其他实施方式。

图1示出了根据本发明一个实施方式评估SNS用户的兴趣倾向的方法的流程图。如图1所示，该方法100包括步骤S110至S130。在步骤S110中，计算用户与其好友列表中的目标好友的关系分数。目标好友可根据实际需要来选择，其通常是能够反映用户的实际兴趣的好友。在步骤S120中，计算该目标好友的自身倾向分数。可以理解，步骤S110和S120可以并行处理或按先后顺序处理，并且其处理顺序可以对调。随后，在步骤S130中，根据上述计算得到的关系分数和自身倾向分数计算该用户关于该目标好友的兴趣倾向程度。

由此，通过计算能够反映用户的实际兴趣的目标好友的自身倾向分数以及用户与该目标好友的关系分数，从而可以评估用户关于该目标好友的兴趣倾向程度。例如，目标好友是一家母婴产品店，那么其自身倾向分数必然反映出母婴产品店的特性，如果用户与其关系越紧密，则用户对母婴产品的兴趣倾向程度就越高，反之，如果用户与其关系越疏远，则用户对母婴产品的兴趣倾向程度就没那么高。如此，可通过上述方法评估用户的兴趣倾向，从而准确地为用户推送相关领域的内容或信息，以提升用户体验。

图2示出了根据本发明另一个实施方式评估SNS用户的兴趣倾向的方法的流程图。为了简要起见，以下将仅描述图2所示的实施方式与图1的不同之处，并将略去其相同之处的详细描述。如图2所示，该方法100’包括步骤S105至S130。首先，在步骤S105中，实时监控用户的好友列表，并且在检测到好友列表发生变化时，将新加入好友列表的好友作为目标好友。此后，可将新加入好友列表的该好友作为目标好友进行步骤S110至S130的处理。

根据上述实施方式，当用户改变其好友列表，加入新的好友时，往往会反映用户最新的兴趣需求。例如，用户最近在考虑购买汽车，那么该用 户可能会新加入一些与汽车销售相关的好友(例如，一些品牌的4S店)，那么这正反映了用户的最新兴趣倾向。因此，将新加入好友列表的好友作为目标好友进行处理，有助于有效地评估用户的兴趣倾向，并易于得到较好的结果。

图3示出了根据本发明一个实施方式计算用户与其好友列表中的目标好友的关系分数的流程图。如图3所示，上述步骤S110可包括子步骤S111至S113。在子步骤S111中，计算用户与目标好友的亲密度。在子步骤S112中，计算目标好友与用户的好友列表中其他好友的相似度。可以理解，子步骤S111和S112可以并行处理或按先后顺序处理，并且其处理顺序可以对调。随后，在子步骤S113中，根据上述计算得到的亲密度和相似度计算用户与目标好友的关系分数。

根据本实施方式，在计算用户与目标好友的关系分数时，考虑了两方面的因素，即用户与目标好友的亲密度以及目标好友与用户的其他好友的相似度。用户与目标好友的亲密度越高，二者的关系也就越紧密。另一方面，目标好友与用户的其他好友的相似度越高，则目标好友与用户的关系也会越紧密。由此计算的关系分数将更加准确，并有利于后续的处理。

根据本发明的一个实施方式，可通过下式计算用户与目标好友的关系分数：

S_friend＝α*Closeness(u,f)+β*Similarity(f,f^*) 公式1

其中，S_friend是用户与目标好友的关系分数，u代表该用户，f代表目标好友，f*代表用户的好友列表中除了目标好友外的其他所有好友，Closeness(u，f)表示用户与目标好友的亲密度，Similarity(f，f*)表示目标好友与用户的好友列表中其他所有好友的相似度，α和β均为可调的系数。根据一个实施例，α+β＝1。

可见，用户与目标好友的关系分数与用户与目标好友的亲密度以及目标好友与用户的其他好友的相似度呈正相关的关系。也就是说，如果用户与目标好友的亲密度越大，则其关系越强。如果目标好友与用户的其他好友越相似，则其关系越强。

图4示出了根据本发明一个实施方式计算用户与目标好友的亲密度的流程图。如图4所示，上述步骤S111可包括子步骤S111a至S111c。在子步骤S111a中，根据用户的好友列表以及用户与其好友列表中的每个好友之间的关系，建立用户的好友关系图。在好友关系图建立后，在子步骤 S111b中，识别好友关系图中的最小连通图。最小连通图指的是包含该用户和其至少两个好友的不可拆分的完整循环关系图，其详细解释将在下文中进行示例性说明。随后，在子步骤S111c中，根据识别结果计算该用户与目标好友的亲密度Closeness(u，f)。

图5示出了根据本发明一个实施方式用户的示例性好友关系图。如图5所示，用户0的好友列表中包含四个好友1-4，在好友关系图中的每一个节点代表该用户或其一个好友。好友关系图中的每条有方向的连线代表了用户与好友间以及好友之间的关注关系。例如，如图5所示，该用户0与好友1为相互关注关系，用户0关注了好友2，但好友2未关注用户0。

可见，用户的好友关系图能够在一定程度上反映出用户与好友之间的亲密程度。例如，用户0与好友1可能相互认识，其关系较亲密。相比较而言，用户0与好友2之间的关系可能亲密程度较低。由此，可利用好友关系图，反映出用户可能的兴趣倾向。例如，如果用户主动关注一个亲密程度较低的好友，那么该好友的自身兴趣倾向很可能预示了该用户的某种兴趣倾向。如上述示例中所述，当用户近期考虑购买汽车时，该用户可能会将某品牌的4S店作为好友关注，但该用户与该4S店的亲密程度是较低的。反之，与用户亲密程度较高的好友，往往是用户在现实生活中彼此认识的朋友，因此该好友不一定能够反映出用户的兴趣倾向。

根据本发明一个实施方式，用户的好友关系图由<(p，e)>表示，其中p代表好友关系图中具有直接关系的每个用户对，e代表用户对p的关系紧密数。例如，图5所示的好友关系图可表示为：<((0，1)，2)，((0，2)，1)，((0，3)，2)，((0，4)，1)，((3，4)，2)>。其中，如果一个用户对之间彼此关注，则关系紧密数为2，如果仅有一方关注了另一方，则关系紧密数为1。

在图5所示的好友关系图中，用户0、好友3和4构成了连通图，该连通图是一个完整的循环，并且不可从中拆分出其他完整的循环，因此，该连通图即为用户0的好友关系图中的最小连通图。可以理解，一个用户的好友关系图中，可包含一个或多个最小连通图。

根据本发明一个实施方式，如果从好友关系图中识别出的一个或多个最小连通图包含用户和目标好友，则可通过下式计算用户与目标好友的亲密度Closeness(u，f)：

$Closeness(u,f)=\underset{MCG}{\&Sigma;}\underset{{(p,e)}^{*}}{\&Sigma;}\left|e\right|*dist\left(p\right)$ 公式2

其中，MCG代表最小连通图，dist(p)代表用户对p中的用户在最小连通图中到达用户的最短路径长度数。

以图5所示的好友关系图为例，如果好友4为目标好友，则最小连通图包含用户0和目标好友4。根据上述公式2，用户0和目标好友4的亲密度Closeness(u，f)＝e(0，3)*dist(0，3)+e(3，4)*dist(3，4)+e(0，4)*dist(0，4)＝2*1+2*2+1*1＝7。

根据本发明一个实施方式，如果从好友关系图中未识别出最小连通图，或者从好友关系图中识别出的所有最小连通图中均不包含该用户或目标好友，则可通过下式计算用户与目标好友的亲密度Closeness(u，f)：

Closeness(u，f)＝default_value+|e| 公式3

其中，default_value为预设值。

还以图5所示的好友关系图为例，如果好友2为目标好友，则从好友关系图中识别出的最小连通图中未包含目标好友2。根据上述公式3，用户0和目标好友2的亲密度Closeness(u，f)＝default_value+1。

根据本发明一个实施方式，可通过下式计算目标好友与用户的好友列表中其他好友的相似度Similarity(f，f*)：

Similarity(f，f*)＝max(sim(Vf，Vf’)) 公式4

其中，f’代表f*中的任一好友，Vf代表目标好友f的特征向量，Vf’代表f’的特征向量，sim(Vf，Vf’)代表Vf和Vf’两个向量的相似度。可选地，可以Vf和Vf’两个向量的余弦近似度作为相似度，以用于上述公式4中。

由公式4可以看出，目标好友f与用户的好友列表中其他好友f*的相似度Similarity(f，f*)取决于其特征向量与用户的其他好友的的特征向量的相似度的最大值。也就是说，目标好友与用户的某一其他好友越相似，该相似度数值越大。

根据一个实施例，好友或目标好友的特征向量V可由(m，fr，fl，t，w)表示，其中m代表该好友的用户类型，fr代表该好友的好友数量，fl代表该好友的被关注数量，t代表该好友的标签信息，并且w代表从该好友的发布中抽取的主题词。可以理解，可根据实际需要以任意已知的方式 来生成用户的好友的特征向量。特征向量可包含许多不同的信息。

根据本发明一个实施方式，可通过下式计算目标好友的自身倾向分数：

S_interest＝svm(Vf) 公式5

其中，S_interest表示目标好友的自身倾向分数，Vf代表目标好友的特征向量，svm(Vf)表示利用分类器对Vf给出的分类结果分数。

对于每个预设的兴趣类，分类器可根据特征向量，计算出用户(或好友)的分类结果分数，该分数可反映该用户(或好友)对于该兴趣类的兴趣倾向程度。因此，目标好友的自身倾向分数S_interest可反映目标好友对于任一兴趣类的兴趣倾向程度。

根据本发明一个实施方式，可通过下式计算用户关于目标好友的兴趣倾向程度：

兴趣倾向程度＝S_interest/S_friend 公式6。

由上述公式6可以看出，用户关于目标好友的兴趣倾向程度与该用户和目标好友的关系分数呈负相关的关系。也就是说，目标好友与用户的关系分数越大(即，关系越强)，用户关于目标好友的兴趣倾向程度越低。可以理解，如果目标好友是用户实际生活中关系紧密的朋友，则其关系分数会较大，而用户的兴趣倾向与该好友的关系并不大。反之，如果目标好友仅仅是用户关注的例如某个领域的明星或某个行业的店铺，则其关系分数会较小，而该好友能够在一定程度上反映用户的兴趣倾向。

由上述公式6可以看出，用户关于目标好友的兴趣倾向程度与目标好友的自身倾向分数呈正相关的关系。也就是说，目标好友的自身倾向程度越强烈，则用户的兴趣倾向程度越大。

图6示出了根据本发明一个实施方式评估用户的兴趣倾向的装置的框图。如图6所示，该装置600可包括关系分数计算单元610、自身倾向分数计算单元620和兴趣倾向程度计算单元630。关系分数计算单元610用于计算用户与其好友列表中的目标好友的关系分数。自身倾向分数计算单元620用于计算该目标好友的自身倾向分数。兴趣倾向程度计算单元630用于根据关系分数计算单元610所计算的关系分数和自身倾向分数计算单元620所计算的自身倾向分数，计算该用户关于该目标好友的兴趣倾向程度。

图7示出了根据本发明另一个实施方式评估用户的兴趣倾向的装置的框图。如图7所示，除了关系分数计算单元610、自身倾向分数计算单元620和兴趣倾向程度计算单元630以外，该装置600’还可包括检测单元640。检测单元640用于实时监控用户的好友列表，并在检测到好友列表发生变化时，将新加入好友列表的好友作为目标好友。

图8示出了根据本发明一个实施方式的关系分数计算单元的框图。如图8所示，关系分数计算单元610可包括亲密度计算子单元611、相似度计算子单元612和关系分数计算子单元613。亲密度计算子单元611用于计算该用户与该目标好友的亲密度。相似度计算子单元612计算该目标好友与用户的好友列表中其他好友的相似度。关系分数计算子单元613用于根据亲密度计算子单元611所计算的亲密度和相似度计算子单元612所计算的相似度计算关系分数。

根据本发明的一个实施方式，关系分数计算子单元613可通过下式计算用户与目标好友的关系分数：

S_friend＝α*Closeness(u,f)+β*Similarity(f,f^*) 公式1

其中，S_friend是用户与目标好友的关系分数，u代表该用户，f代表目标好友，f*代表用户的好友列表中除了目标好友外的其他所有好友，Closeness(u，f)表示用户与目标好友的亲密度，Similarity(f，f*)表示目标好友与用户的好友列表中其他所有好友的相似度，α和β均为可调的系数。根据一个实施例，α+β＝1。

图9示出了根据本发明一个实施方式的亲密度计算子单元的框图。如图9所示，亲密度计算子单元611可包括好友关系图建立模块611a、最小连通图识别模块611b和计算模块611c。好友关系图建立模块611a用于根据用户的好友列表以及用户与其好友列表中的每个好友之间的关系，建立用户的好友关系图。最小连通图识别模块611b用于识别好友关系图中的最小连通图。最小连通图指的是包含用户和其至少两个好友的不可拆分的完整循环关系图。计算模块611c用于根据最小连通图识别模块611b的识别结果计算用户与目标好友的亲密度Closeness(u，f)。

根据本发明的一个实施方式，用户的好友关系图由<(p，e)>表示，其中p代表好友关系图中具有直接关系的每个用户对，e代表用户对p的关系紧密数。

根据本发明一个实施方式，如果从好友关系图中识别出的一个或多个 最小连通图包含用户和目标好友，则计算模块611c可通过下式计算用户与目标好友的亲密度Closeness(u，f)：

$Closeness(u,f)=\underset{MCG}{\&Sigma;}\underset{{(p,e)}^{*}}{\&Sigma;}\left|e\right|*dist\left(p\right)$ 公式2

其中，MCG代表最小连通图，dist(p)代表用户对p中的用户在最小连通图中到达用户的最短路径长度数。

根据本发明一个实施方式，如果从好友关系图中未识别出最小连通图，或者从好友关系图中识别出的所有最小连通图中均不包含该用户或目标好友，则计算模块611c可通过下式计算用户与目标好友的亲密度Closeness(u，f)：

Closeness(u，f)＝default_value+|e| 公式3

其中，default_value为预设值。

根据本发明一个实施方式，相似度计算子单元612可通过下式计算目标好友与用户的好友列表中其他好友的相似度Similarity(f，f*)：

Similarity(f，f*)＝max(sim(Vf，Vf’)) 公式4

其中，f’代表f*中的任一好友，Vf代表目标好友f的特征向量，Vf’代表f’的特征向量，sim(Vf，Vf’)代表Vf和Vf’两个向量的相似度。可选地，可以Vf和Vf’两个向量的余弦近似度作为相似度，以用于上述公式4中。

根据本发明一个实施方式，自身倾向分数计算单元620可通过下式计算目标好友的自身倾向分数：

S_interest＝svm(Vf) 公式5

其中，S_interest表示目标好友的自身倾向分数，Vf代表目标好友的特征向量，svm(Vf)表示利用分类器对Vf给出的分类结果分数。

根据本发明一个实施方式，兴趣倾向程度计算单元630可通过下式计算用户关于目标好友的兴趣倾向程度：

兴趣倾向程度＝S_interest/S_friend 公式6。

另外，这里尚需指出的是，上述系统中各个组成部件可以通过软件、固件、硬件或其组合的方式进行配置。配置可使用的具体手段或方式为本领域技术人员所熟知，在此不再赘述。在通过软件或固件实现的情况下， 从存储介质或网络向具有专用硬件结构的计算机(例如图10所示的通用计算机1000)安装构成该软件的程序，该计算机在安装有各种程序时，能够执行各种功能等。

图10示出了可用于实施根据本发明实施例的方法和系统的计算机的示意性框图。

在图10中，中央处理单元(CPU)1001根据只读存储器(ROM)1002中存储的程序或从存储部分1008加载到随机存取存储器(RAM)1003的程序执行各种处理。在RAM 1003中，还根据需要存储当CPU 1001执行各种处理等等时所需的数据。CPU 1001、ROM 1002和RAM 1003经由总线1004彼此连接。输入/输出接口1005也连接到总线1004。

下述部件连接到输入/输出接口1005：输入部分1006(包括键盘、鼠标等等)、输出部分1007(包括显示器，比如阴极射线管(CRT)、液晶显示器(LCD)等，和扬声器等)、存储部分1008(包括硬盘等)、通信部分1009(包括网络接口卡比如LAN卡、调制解调器等)。通信部分1009经由网络比如因特网执行通信处理。根据需要，驱动器1010也可连接到输入/输出接口1005。可拆卸介质1011比如磁盘、光盘、磁光盘、半导体存储器等等可以根据需要被安装在驱动器1010上，使得从中读出的计算机程序根据需要被安装到存储部分1008中。

在通过软件实现上述系列处理的情况下，从网络比如因特网或存储介质比如可拆卸介质1011安装构成软件的程序。

本领域的技术人员应当理解，这种存储介质不局限于图10所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质1011。可拆卸介质1011的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者，存储介质可以是ROM 1002、存储部分1008中包含的硬盘等等，其中存有程序，并且与包含它们的设备一起被分发给用户。

本发明还提出一种存储有机器可读取的指令代码的程序产品。所述指令代码由机器读取并执行时，可执行上述根据本发明实施方式的方法。

相应地，用于承载上述存储有机器可读取的指令代码的程序产品的存储介质也包括在本发明的范围内。所述存储介质包括但不限于软盘、光盘、磁光盘、存储卡、存储棒等等。

应当注意，本发明的方法不限于按照说明书中描述的时间顺序来执行，也可以按照其他的次序顺序地、并行地或独立地执行。因此，本说明书中描述的方法的执行顺序不对本发明的技术范围构成限制。

以上对本发明各实施方式的描述是为了更好地理解本发明，其仅仅是示例性的，而非旨在对本发明进行限制。应注意，在以上描述中，针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。本领域技术人员可以理解，在不脱离本发明的发明构思的情况下，针对以上所描述的实施方式进行的各种变化和修改，均属于本发明的范围内。

综上，在根据本发明的实施例中，本发明提供了如下技术方案。

方案1、一种评估用户的兴趣倾向的方法，包括：

计算所述用户与其好友列表中的目标好友的关系分数；

计算所述目标好友的自身倾向分数；以及

根据所述关系分数和所述自身倾向分数计算所述用户关于所述目标好友的兴趣倾向程度。

方案2、如方案1所述的方法，还包括：

实时监控所述用户的好友列表，并在检测到所述好友列表发生变化时，将新加入所述好友列表的好友作为所述目标好友。

方案3、如方案1或2所述的方法，其中计算所述用户与其好友列表中的目标好友的关系分数包括：

计算所述用户与所述目标好友的亲密度；

计算所述目标好友与所述用户的好友列表中其他好友的相似度；以及

根据所述亲密度和所述相似度计算所述关系分数。

方案4、如方案3所述的方法，其中所述用户与所述目标好友的关系分数通过下式计算得出：

S_friend＝α*Closeness(u,f)+β*Similarity(f,f^*)

其中，S_friend代表所述用户与所述目标好友的关系分数，Closeness(u，f)代表所述用户与所述目标好友的亲密度，u代表所述用户，f代表所述目标好友，f*代表所述用户的好友列表中除了所述目标好友外的其他所有 好友，Similarity(f，f*)代表所述目标好友与所述用户的好友列表中其他所有好友的相似度，α和β分别代表可调的系数。

方案5、如方案4所述的方法，其中计算所述用户与所述目标好友的亲密度包括：

根据所述用户的好友列表以及所述用户与其好友列表中的每个好友之间的关系，建立所述用户的好友关系图；

识别所述好友关系图中的最小连通图，其中所述最小连通图是包含所述用户和其至少两个好友的不可拆分的完整循环关系图；以及

根据识别结果计算所述用户与所述目标好友的亲密度Closeness(u，f)。

方案6、如方案5所述的方法，其中所述用户的好友关系图由<(p，e)>表示，其中p代表所述好友关系图中具有直接关系的每个用户对，e代表用户对p的关系紧密数。

方案7、如方案6所述的方法，其中当从所述好友关系图中识别出包含所述用户和所述目标好友的至少一个最小连通图时，所述用户与所述目标好友的亲密度Closeness(u，f)通过下式计算得出：

$Closeness(u,f)=\underset{MCG}{\&Sigma;}\underset{{(p,e)}^{*}}{\&Sigma;}\left|e\right|*dist\left(p\right)$

其中，MCG代表最小连通图，dist(p)代表用户对p中的用户在最小连通图中到达所述用户的最短路径长度数；

或者

当从所述好友关系图中识别出不具有包含所述用户和所述目标好友的最小连通图时，所述用户与所述目标好友的亲密度Closeness(u，f)通过下式计算得出：

Closeness(u，f)＝default_value+|e|

其中，default_value为预设值。

方案8、如方案4至7中任一项所述的方法，其中所述目标好友与所述用户的好友列表中其他好友的相似度Similarity(f，f*)通过下式计算得出：

Similarity(f，f*)＝max(sim(Vf，Vf’))

其中，f’代表f*中的任一好友，Vf代表所述目标好友f的特征向量，Vf’代表f’的特征向量，sim(Vf，Vf’)代表Vf和Vf’两个向量的相似度。

方案9、如方案1至8中任一项所述的方法，其中所述目标好友的自身倾向分数通过下式计算得出：

S_interest＝svm(Vf)

其中，S_interest表示所述目标好友的自身倾向分数，Vf代表所述目标好友的特征向量，svm(Vf)表示利用分类器对Vf给出的分类结果分数。

方案10、如方案1至9中任一项所述的方法，其中所述用户关于所述目标好友的兴趣倾向程度通过下式计算得出：

兴趣倾向程度＝目标好友的自身倾向分数/关系分数。

方案11、一种评估用户的兴趣倾向的装置，包括：

关系分数计算单元，计算所述用户与其好友列表中的目标好友的关系分数；

自身倾向分数计算单元，计算所述目标好友的自身倾向分数；以及

兴趣倾向程度计算单元，根据所述关系分数计算单元所计算的关系分数和所述自身倾向分数计算单元所计算的自身倾向分数，计算所述用户关于所述目标好友的兴趣倾向程度。

方案12、如方案11所述的装置，还包括：

检测单元，实时监控所述用户的好友列表，并在检测到所述好友列表发生变化时，将新加入所述好友列表的好友作为所述目标好友。

方案13、如方案11或12所述的装置，其中所述关系分数计算单元包括：

亲密度计算子单元，计算所述用户与所述目标好友的亲密度；

相似度计算子单元，计算所述目标好友与所述用户的好友列表中其他好友的相似度；以及

关系分数计算子单元，根据所述亲密度计算子单元所计算的亲密度和所述相似度计算子单元所计算的相似度计算所述关系分数。

方案14、如方案13所述的装置，其中所述关系分数计算子单元通过下式计算所述用户与所述目标好友的关系分数：

S_friend＝α*Closeness(u,f)+β*Similarity(f,f^*)

其中，S_friend代表所述用户与所述目标好友的关系分数，Closeness(u，f)代表所述用户与所述目标好友的亲密度，u代表所述用户，f代表所述目标好友，f*代表所述用户的好友列表中除了所述目标好友外的其他所有好友，Similarity(f，f*)代表所述目标好友与所述用户的好友列表中其他所有好友的相似度，α和β分别代表可调的系数。

方案15、如方案14所述的装置，其中所述亲密度计算子单元包括：

好友关系图建立模块，根据所述用户的好友列表以及所述用户与其好友列表中的每个好友之间的关系，建立所述用户的好友关系图；

最小连通图识别模块，识别所述好友关系图建立模块所建立的好友关系图中的最小连通图，其中所述最小连通图是包含所述用户和其至少两个好友的不可拆分的完整循环关系图；以及

计算模块，根据所述最小连通图识别模块的识别结果计算所述用户与所述目标好友的亲密度Closeness(u，f)。

方案16、如方案15所述的装置，其中所述用户的好友关系图由<(p，e)>表示，其中p代表所述好友关系图中具有直接关系的每个用户对，e代表用户对p的关系紧密数。

方案17、如方案16所述的装置，其中当所述最小连通图识别模块从所述好友关系图中识别出包含所述用户和所述目标好友的至少一个最小连通图时，所述计算模块通过下式计算所述用户与所述目标好友的亲密度Closeness(u，f)：

$Closeness(u,f)=\underset{MCG}{\&Sigma;}\underset{{(p,e)}^{*}}{\&Sigma;}\left|e\right|*dist\left(p\right)$

其中，MCG代表最小连通图，dist(p)代表用户对p中的用户在最小连通图中到达所述用户的最短路径长度数；

或者

当所述最小连通图识别模块从所述好友关系图中识别出不具有包含所述用户和所述目标好友的最小连通图时，所述计算模块通过下式计算所述用户与所述目标好友的亲密度Closeness(u，f)：

Closeness(u，f)＝default_value+|e|

其中，default_value为预设值。

方案18、如方案14至17中任一项所述的装置，其中所述相似度计算子单元通过下式计算所述目标好友与所述用户的好友列表中其他好友的相似度Similarity(f，f*)：

Similarity(f，f*)＝max(sim(Vf，Vf’))

其中，f’代表f*中的任一好友，Vf代表所述目标好友f的特征向量，Vf’代表f’的特征向量，sim(Vf，Vf’)代表Vf和Vf’两个向量的相似度。

方案19、如方案11至18中任一项所述的装置，其中所述自身倾向分数计算单元通过下式计算所述目标好友的自身倾向分数：

S_interest＝svm(Vf)

其中，S_interest表示所述目标好友的自身倾向分数，Vf代表所述目标好友的特征向量，svm(Vf)表示利用分类器对Vf给出的分类结果分数。

方案20、如方案11至19中任一项所述的装置，其中所述兴趣倾向程度计算单元通过下式计算所述用户关于所述目标好友的兴趣倾向程度：

兴趣倾向程度＝目标好友的自身倾向分数/关系分数。