社交网络中用户推荐模型的建立及应用方法和装置的制造方法
【技术领域】
[0001]本发明涉及通信技术领域，具体涉及一种社交网络中用户推荐模型的建立方法和
目-Ο
【背景技术】
[0002]社交网络，例如微博，已成为普通用户生活的必不可少的一部分。在微博中，关注感兴趣的知名微博用户，即，所谓的微博大V用户，是用户使用微博的第一步，也是最重要的一步，只要这一步做好了，可以极大地满足用户的数据需求。由于微博大V用户数量规模极大，用户不可能通过浏览的方式来找到感兴趣的微博大V用户。由于用户的数据需求较难用很短的文字表达，用户也不可能用过搜索的方式来找到足够多的微博大V用户。向用户进行微博大V用户推荐是一种非常有效的方式。
[0003]但是，微博等社交网络数据包括文本和图片或视频等多种类型，是异构并且海量的，传统的基于同构数据的推荐技术很难满足当前用户推荐的要求。
【发明内容】
[0004]本发明实施例提供一种社交网络中用户推荐模型的建立及应用方法和装置，可基于异构数据进行用户推荐，以解决现有技术难以满足当前用户推荐要求的技术问题。
[0005]本发明第一方面提供一种社交网络中用户推荐模型的建立方法，包括:
[0006]从社交网络中获取训练数据，所述训练数据包括文本数据和图像数据以及用户的相关数据；对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义；以文本数据为中介打通用户与图像数据之间的联系，根据所述训练数据的语义和用户与图像数据之间的联系，在图像数据和用户之间建立语义关联关系；根据所述语义关联关系建立用户推荐模型，所述用户推荐模型包括图像数据和用户的语义关联关系。
[0007]在第一种可能的实现方式中，所述以文本数据为中介打通用户与图像数据之间的联系包括:根据所述训练数据，建立图像数据和文本数据的联系；根据所述用户的相关数据，建立用户和文本数据的联系。
[0008]结合第一方面或者第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义包括:采用协方差转换，或者多任务学习，或者样本TrAdaboost迁移学习方法，或者概率潜在语义分析PLSA算法，或者主成分分析PCA算法，或者线性判别分析LDA算法，或者贝叶斯模型，或者支持向量机，或者主题模型，对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义。
[0009]本发明第二方面提供一种社交网络中的用户推荐方法，包括:
[0010]获取目标用户的相关数据，所述目标用户的相关数据至少包括图像数据；利用用户推荐模型查找与所述目标用户的图像数据具有语义关联关系的用户，所述用户推荐模型是基于对训练数据进行异构数据迁移学习而建立的；当所述语义关联关系满足预设条件时，将满足预设条件的语义关联关系对应的用户推荐给所述目标用户。
[0011]在第一种可能的实现方式中，所述将满足预设条件的语义关联关系对应的用户推荐给所述目标用户包括:将用户的标识数据推送给所述目标用户。
[0012]本发明第三方面提供一种社交网络中用户推荐模型的建立装置，包括:
[0013]获取模块，用于从社交网络中获取训练数据，所述训练数据包括文本数据和图像数据以及用户的相关数据；学习模块，用于对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义；关系模块，用于以文本数据为中介打通用户与图像数据之间的联系，根据所述训练数据的语义和用户与图像数据之间的联系，在图像数据和用户之间建立语义关联关系；创建模块，用于根据所述语义关联关系建立用户推荐模型，所述用户推荐模型包括图像数据和用户的语义关联关系。
[0014]在第一种可能的实现方式中，所述关系模块，具体用于根据所述训练数据，建立图像数据和文本数据的联系；根据所述用户的相关数据，建立用户和文本数据的联系。
[0015]结合第三方面或者第三方面的第一种可能的实现方式，在第二种可能的实现方式中，所述学习模块，具体用于采用协方差转换，或者给多任务学习，或者样本TrAdaboost迁移学习方法，或者概率潜在语义分析PLSA算法，或者主成分分析PCA算法，或者线性判别分析LDA算法，或者贝叶斯模型，或者支持向量机，或者主题模型，对所述训练数据进行异构数据迁移学习，学习出所述训练数据的语义。
[0016]本发明第四方面提供一种社交网络中的用户推荐装置，包括:
[0017]获取模块，用于获取目标用户的相关数据，所述目标用户的相关数据至少包括图像数据；查找模块，用于利用用户推荐模型查找与所述目标用户的图像数据具有语义关联关系的用户，所述用户推荐模型是基于对训练数据进行异构数据迁移学习而建立的；推荐模块，用于当所述语义关联关系满足预设条件时，将满足预设条件的语义关联关系对应的用户推荐给所述目标用户。
[0018]在第一种可能的实现方式中，所述推荐模块，具体用于将用户的标识数据推送给所述目标用户。
[0019]本发明第五方面提供一种计算机设备，所述计算机设备包括处理器、存储器、总线和通信接口 ；所述存储器用于存储计算机执行指令，所述处理器与所述存储器通过所述总线连接，当所述计算机设备运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述计算机设备执行如本发明第一方面提供的社交网络中用户推荐模型的建立方法，或者如本发明第二方面提供的社交网络中的用户推荐方法。
[0020]本发明第六方面提供一种计算机可读介质，包括计算机执行指令，以供计算机的处理器执行所述计算机执行指令时，所述计算机执行如本发明第一方面提供的社交网络中用户推荐模型的建立方法，或者如本发明第二方面提供的社交网络中的用户推荐方法。
[0021]由上可见，本发明实施例采用从社交网络中获取异构的训练数据，学习出训练数据的语义，在图像数据和用户之间建立语义关联关系，进而建立基于异构数据的用户推荐模型的技术方案，可以利用该用户推荐模型，基于图像数据，向目标用户推荐与其图像数据相关联的其它用户，解决了现有技术难以满足当前用户推荐要求的技术问题。
【附图说明】
[0022]为了更清楚地说明本发明实施例技术方案，下面将对实施例和现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0023]图1是本发明实施例提供的一种社交网络中用户推荐模型的建立方法的示意图；
[0024]图2是本发明实施例提供的一种用户推荐方法的原理图；
[0025]图3是本发明实施例提供的一种社交网络中的用户推荐方法的示意图；
[0026]图4是本发明实施例提供的一种社交网络中用户推荐模型的建立装置的示意图；
[0027]图5是本发明实施例提供的一种社交网络中的用户推荐装置的示意图；
[0028]图