、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；
[0051]230、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。
[0052]本发明实施例中，所述用户推荐模型可以是采用图1实施例公开的方法建立的。
[0053]本发明实施例中，用户推荐流程可包括:获取目标用户的相关数据，所述相关数据包括图像数据，例如从用户公开的网络相册中获取图像数据；图1实施例公开方法建立的用户推荐模型中，记录有图像数据和用户的语义关联关系，本实施例中可利用该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；然后，将查找到的用户中的、语义关联关系满足预设条件的用户推荐给所述目标用户。具体的，可将查找到的用户的标识数据，例如用户名，或者昵称等，推送给所述目标用户。一些实施例中，所述预设条件可以是:根据语义关联关系的关联系数的高低进行排序，认为关联系数高于设定值或者关联系数位于排序的最前面若干个，则满足预设条件。优选的，可根据关联系数的排序，推荐设定数量的用户给目标用户。为便于描述，本文中将满足预设条件的语义关联关系，简称为推荐关系。
[0054]举例说明，目标用户可以分享自己的相册，例如QQ空间或者Flickr中的相册，供微博系统服务器查询，服务器可以获取这些相册中的照片，找出与这些照片具有推荐关系的用户，推荐给目标用户，例如，将查找到的用户的标识数据推送给目标用户，显示在目标用户正在使用的终端设备上。一些实施例中，目标用户可以将分享给微博系统服务器的照片添加标签，表示自己喜欢或讨厌，用户推荐模型可以将标注为喜欢的照片作为正例，找出有推荐关系的用户进行推荐；将标注为讨厌的照片作为负例，不允许推荐与这些负例照片有推荐关系的用户。
[0055]本发明实施例方法，可以不断的从社交网络中获取各种训练数据，不断的进行异构数据迁移学习，不断的改进用户推荐模型，以此提高推荐效果，改善用户体验，提高用户使用粘性。
[0056]可以理解，本发明实施例上述方案例如可以在微博系统服务器等计算机设备具体实施。
[0057]由上可见，在本发明的一些可行的实施方式中，采用基于异构数据的用户推荐模型进行用户推荐，可以基于图像数据，向目标用户推荐相关的用户，解决了现有技术难以满足当前用户推荐要求的技术问题，例如现有技术难以满足当前微博大V用户推荐要求的技术问题。为了更好的实施本发明实施例的上述方案，下面还提供用于配合实施上述方案的相关装置。
[0058]请参考图4，本发明实施例提供一种社交网络中用户推荐模型的建立装置300，可包括:
[0059]获取模块310，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；
[0060]学习模块320，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；
[0061]关系模块330，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;
[0062]创建模块340，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。
[0063]在本发明的一些实施例中，所述关系模块330，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。
[0064]在本发明的一些实施例中，所述学习模块320，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。
[0065]可以理解，本发明实施例装置例如可以是微博系统服务器等计算机设备。
[0066]可以理解，本发明实施例装置的各个功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可参照上述方法实施例中的相关描述，此处不再赘述。
[0067]以上，本发明实施例公开了一种社交网络中用户推荐模型的建立装置，该装置可以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，进而基于语义关联关系，建立用户推荐模型，利用该推荐模型，可以基于图像数据，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。
[0068]请参考图5，本发明实施例提供一种社交网络中的用户推荐装置400，可包括:获取模块410，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；
[0069]查找模块420，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；
[0070]推荐模块430，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。
[0071]其中，所述用户推荐模型可以是是由图4实施例提供的装置建立的。
[0072]在本发明的一些实施例中，所述推荐模块430，具体可用于将查找到的用户的标识数据推送给所述目标用户。
[0073]本发明实施例装置例如可以是微博系统服务器等计算机设备。
[0074]可以理解，本发明实施例装置的各个功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可参照上述方法实施例中的相关描述，此处不再赘述。
[0075]由上可见，在本发明的一些可行的实施方式中，采用基于异构数据的用户推荐模型进行用户推荐，可以基于图像数据，向目标用户推荐相关的用户，解决了现有技术难以满足当前用户推荐要求的技术问题，例如现有技术难以满足当前微博大V用户推荐要求的技术问题。本发明实施例还提供一种计算机可读介质，其特征在于，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，所述计算机执行如图1实施例公开的社交网络中用户推荐模型的建立方法，或者，如图3实施例公开的社交网络中的用户推荐方法。
[0076]请参考图6，本发明实施例还提供一种计算机设备500，可包括:处理器510，存储器520，通信接口 530，总线540 ;所述处理器510，存储器520，通信接口 530通过所述总线540连接以及相互的通信；所述通信接口 530，用于接收和发送数据；所述存储器520用于存储计算机执行指令；当所述计算机设备运行时，所述处理器510用于执行所述存储器中的所述计算机执行指令，以所述计算机设备执行如图1实施例公开的社交网络中用户推荐模型的建立方法，或者，如图3实施例公开的社交网络中的用户推荐方法。
[0077]以上，本发明实施例公开了一种计算