。因此，在用户登录阅读应用后，阅读应用服务器200将为每个用户建立关系链。该关系链记录与该用户建立好友关系、关注关系的用户信息。以好友关系为例，其具体的建立过程如下:
[0101]—示例中，根据用户的创建指令，建立关系链，且该关系链将同步至对应的移动终端100上的阅读应用101中。例如，用户A登录阅读应用后，向阅读应用服务器200发送好友搜索请求，阅读应用服务器200收到该好友搜索请求时，则从用户信息库中搜索所有使用该阅读应用的用户，并返回好友搜索结果至移动终端100。移动终端接收到用户在搜索结果中选择的用户B后，向阅读应用服务器200发起好友添加请求，阅读应用服务器200将好友添加请求发送至对应的用户B，并在接收到该用户B返回的允许添加响应时，建立用户A和用户B的好友关系，并将该好友关系存储在用户信息库中，形成关系链。
[0102]另一示例中，根据登录阅读应用的账号信息，从账号信息对应的服务器中获得与所述账号信息对应的好友信息；从所述好友信息中删除未在阅读应用中使用的好友信息，形成所述账号信息对应的关系链，且所述关系链将同步至对应的移动终端100上的阅读应用101中。例如，用户A登录阅读应用后，若登录阅读应用的账号为即时通讯账号或者阅读应用的绑定账号为即时通讯账号，而且该即时通讯账号已经建立了相应的好友关系时，阅读应用服务器200则可以与该即时通讯账号对应的社交应用服务器进行通讯，从该社交应用服务器中获得已经与该用户A建立好友关系的好友信息，形成关系链。具体为:阅读应用服务器200向社交应用服务器发送好友信息获取请求，该好友信息请求包括登录阅读应用的账号，社交应用服务器则根据好友信息请求中的账号信息，查询与该账号信息对应、且使用阅读应用101的好友信息，并将查询到的好友信息发送至阅读应用服务器200。
[0103]对应地，本发明还提供了一种网络信息的推荐方法。如图19所示，本发明网络信息的推荐方法包括以下步骤:
[0104]步骤S110、接收用户利用终端上的阅读应用所发送的推荐信息；
[0105]步骤S120、获取与所述用户对应的关系链；
[0106]步骤S130、计算所述推荐信息对于所述关系链上的各好友时，所述推荐信息的推荐值；
[0107]步骤S140、根据所计算的推荐信息的推荐值，形成所述用户对应的关系链上各好友的新的推荐表；
[0108]步骤S150、将所述新的推荐表对应下发至各好友的阅读应用。
[0109]当用户A利用移动终端100中的阅读应用101正在阅读一篇文章，并希望将其推荐至关系链上的其他用户时，则可以触发阅读页面上的“推荐”控件，即可触发推荐请求，该推荐请求可包括推荐的文章信息以及推荐理由等。阅读应用服务器200中通讯模块203将接收到该推荐请求，并将其发送至处理器201。处理器201调用信息推荐装置响应所述推荐请求。具体为:解析所述推荐请求，获得推荐信息。然后从第一信息库中获取该用户A的关系链上的所有好友信息，按照预设的计算规则，计算所述用户A对应关系链上所有好友的推荐值，并根据所计算的推荐值，将推荐信息对应插入相应好友的推荐表中的相应位置，形成新的推荐表。将生成的新的推荐表通过通讯模块203下发至各好友对应的阅读应用中。本发明实施例中，该推荐表中的推荐信息为由各推荐信息的推荐值从高到低排列，当然并不限定可以由其他方式排列。凡是根据推荐值而形成的推荐表的其他排列方式均在本发明的保护范围之内。
[0110]本发明实施例通过用户关系链的推荐形成推荐表，还将计算推荐信息的推荐值，并根据所计算的推荐信息对应的推荐值，对推荐表中的推荐信息进行排序。因此，本发明实施例通过使用阅读应用的各个用户之间进行互相推荐的方式，改变了阅读应用服务器的单一推荐，可以给用户推荐更加丰富的内容，而且还能够为用户推荐更准确、更多自己感兴趣的文章，进而满足人们的网络信息获取要求，也提高了用户的阅读效率。
[0111]进一步地，如图20所示，上述步骤S130可包括:
[0112]步骤S131、获取所述用户的关系链上各好友的信息阅读标签；
[0113]步骤S132、获取所述推荐信息所属的信息类型和/或所述推荐信息中提取的关键词；
[0114]步骤S133、根据所述推荐信息所属的信息类型和/或所述推荐信息中提取的关键词与所述用户的关系链上的好友的信息阅读标签的匹配程度，计算获得所述推荐信息对于所述关系链上的各好友时，所述推荐信息的推荐值。
[0115]本实施例的推荐表的形成方式为:根据推荐信息所属的信息类型和/或推荐信息中提取的关键词与要推荐的用户(即关系链上的每个好友)的信息阅读标签的重合度，计算推荐信息对应关系链上每个好友的推荐值，以根据该计算的推荐值，将推荐信息插入原先的推荐表的相应位置，形成新的推荐表。即推荐表中将根据推荐值进行排序，推荐值较高的将排在推荐表的靠前位置。然后将该新的推荐表下发至用户对应的阅读应用。本实施例中，该推荐值的取值范围为O?100，若推荐信息所属的信息类型正好为该用户喜欢阅读的信息类型，则该推荐信息对应用户的推荐值越高，将出现在推荐表的靠前位置，从而用户可以最快阅读到。例如，推荐信息所属的信息类型为“科技”频道，关系链上某好友对应的信息阅读标签包括“科技”类，则计算该推荐信息对应该好友的推荐值为100。若推荐信息中提取的关键词与关系链上某好友的信息阅读标签的重合度越高，则该推荐信息对应该好友的推荐值越高。例如，推荐信息中提取的关键词为“ iphone5S”，关系链上某好友对应的信息阅读标签包括“苹果”、“iphone5S”等等，则计算该推荐信息对应该好友的推荐值为100。
[0116]通过本实施例计算的推荐值所生成的推荐表，使得用户推荐的信息可以准确地推荐至关系链上真正感兴趣的好友进行阅读，提高了推荐效率。同时，本实施例还可以避免关系链上好友阅读到过多的不感兴趣的推荐信息，进一步提高了推荐效率。
[0117]进一步地,如图21所示,上述步骤S130可包括:
[0118]步骤S134、获取所述用户与关系链上各好友之间的交互情况；
[0119]步骤S135、获取所述用户的关系链上各好友对应的信息阅读标签；
[0120]步骤S136、获取所述推荐信息所属的信息类型和/或推荐信息中提取的关键词；
[0121]步骤S137、根据所述信息类型和/或推荐信息中提取的关键词与所述用户的关系链上的好友的信息阅读标签的匹配程度及所述用户与关系链上该好友之间的交互情况进行加权计算，获得所述推荐信息对于所述关系链上的各好友时，所述推荐信息的推荐值。
[0122]本实施例的推荐表的形成方式为:在用户基于关系链进行推荐的过程中，计算推荐信息的推荐值不但考虑推荐信息是否为用户感兴趣的，而且还要考虑推荐用户与被推荐用户之间的交互程度，以根据该计算的推荐值形成新的推荐表，并将该新的推荐表下发至用户对应的阅读应用。本实施例中，推荐用户与关系链上所有好友之间的交互情况的取值范围为O?100，且推荐用户与关系链上所有好友之间的交互情况的取值可以受推荐用户与关系链上各好友的关注程度、评论次数或频率、点赞次数或频率的影响。例如推荐用户所推荐的推荐信息，关系链上其他好友阅读所推荐的推荐信息的次数越多、评论的次数越多或阅读频率越高等等，该交互情况的取值越高。
[0123]通过本实施例计算的推荐值所生成的推荐表，不但可以使得用户推荐的信息可以准确地推荐至关系链上真正感兴趣的用户进行阅读，提高了推荐效率。而且还可以使得即使推荐用户所推荐的推荐信息不是被推荐的用户感兴趣的，与推荐用户关系密切的被推荐用户也可以更早地阅读到推荐用户所推荐的信息，增强了用户之间的交互程度。
[0124]进一步地，阅读应用服务器200所生成的推荐表中，除了包括用户基于关系链进行主动推荐的主动推荐信息，还包括应用服务器200自动推荐的隐式推荐信息，例如应用服务器200根据该用户的关系链上其他用户所阅读的热门文章推荐给该用户。如图22所示，上述网络信息的推荐方法还包括以下步骤:
[0125]步骤S160、周期性地统计所述用户的关系链上各好友的信息阅读情况；
[0126]步骤S170、根据所统计的所有好友的信息阅读情况，计算所述用户的关系链上各好友所阅读的信息的推荐值；
[0127]步骤S180、根据所计算的所述用户的关系链上各好友所阅读的信息的推荐值，形成所述用户的新的推荐表。
[0128]本实施例的推荐表形成方式为:根据所统计的所述用户的关系链上所有好友的信息阅读情况，然后计算所有好友所阅读的信息的推荐值，根据所统计的所有好友的信息的推荐值，以根据该计算的推荐值形成新的推荐表，并将该新的推荐表下发至该用户对应的阅读应用，从而可以实现将关系链上用户阅读量较高的信息推荐至该用户。
[0129]通过本发明实施例计算的推荐值所生成的推荐表，不但使得用户推荐的信息可以准确地推荐至关系链上真正感兴趣的好友进行阅读，提高了推荐效率。而且还可以使得关系链上各好友所阅读的信息，即使不是用户感兴趣的，用户也可能阅读到，从而增强了用户之间的交互程度，而且还可以增强用户的阅读能力。
[0130]进一步地，基于上述阅读应用服务器200分析获得的信息阅读标签或者用户所设置的信息阅读标签，阅读应用服务器200所生成的推荐表中还包括应用服务器200根据该用户的信息阅读标签而自动推荐给该用户的隐式推荐信息。如图23所示，上述网络信息的推荐方法还包括以下步骤:
[0131]步骤S190、根据所述用户的信息阅读标签，周期性地搜索与所述用户的信息阅读标签对应的信息；
[0132]步骤S200、计算搜索到的与所述用户的信息阅读标签对应的信息的推荐值；
[0133]步骤S210、根据所计算的与所述用户的信息阅读标签对应的信息的推荐值，形成所述用户的新的推荐表。
[0134]本实施例的推荐表形成方式为:周期性地搜