一种社交用户推荐方法、装置和设备与流程

1.本技术涉及计算机技术领域，尤其涉及一种社交用户推荐方法、装置和设备。


背景技术：

2.随着科学技术的发展和互联网资源在生活中的应用，人与人之间的交往开始借助互联网来实现，陌生人之间也可以通过互联网进行社交。
3.现有的推荐技术通常是根据用户预设的偏好，例如年龄范围、距离范围等为用户召回满足条件的候选用户。这种推荐技术未考虑用户社交需求的多样性，用户体验较差。


技术实现要素：

4.有鉴于此，本技术提供一种社交用户推荐方法、装置和设备，用以准确的为用户推荐相似用户，以满足用户的个性化需求，提高用户的使用体验。
5.具体地，本技术是通过如下技术方案实现的：
6.本技术第一方面提供一种社交用户推荐方法，所述方法包括：
7.针对目标用户，基于所述目标用户的性别属性，从预先设定的多个推荐维度中选定与所述目标用户匹配的至少一个目标推荐维度；
8.针对每个目标推荐维度，获取与所述目标用户相似的第一相似用户，并基于所述第一相似用户的第一历史交互数据，确定所述第一相似用户在所述目标推荐维度下的第一交互用户集；
9.基于所述目标用户的第二历史交互数据，获取所述目标用户在所述目标推荐维度下的第二交互用户，并获取与所述第二交互用户相似的第二相似用户集；
10.将所述第一交互用户集和所述第二相似用户集的集合确定为该目标推荐维度对应的候选用户集；
11.根据各个所述目标推荐维度对应的候选用户集向所述目标用户推荐社交用户。
12.本技术第二方面提供一种社交用户推荐装置，所述装置包括选择模块、获取模块、合并模块和推荐模块；其中，
13.所述选择模块，用于针对目标用户，基于所述目标用户的性别属性，从预先设定的多个推荐维度中选定与所述目标用户匹配的至少一个目标推荐维度；
14.所述获取模块，用于针对每个目标推荐维度，获取与所述目标用户相似的第一相似用户，并基于所述第一相似用户的第一历史交互数据，确定所述第一相似用户在所述目标推荐维度下的第一交互用户集；
15.所述获取模块，还用于基于所述目标用户的第二历史交互数据，获取所述目标用户在所述目标推荐维度下的第二交互用户，并获取与所述第二交互用户相似的第二相似用户集；
16.所述合并模块，用于将所述第一交互用户集和所述第二相似用户集的集合确定为该目标推荐维度对应的候选用户集；
17.所述推荐模块，用于根据各个所述目标推荐维度对应的候选用户集向所述目标用户推荐社交用户。
18.本技术第三方面提供一种社交用户推荐设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本技术第一方面提供的任一项所述方法的步骤。
19.本技术第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本技术第一方面提供的任一项所述方法的步骤。
20.本技术提供的社交用户推荐方法、装置和设备，针对目标用户，通过基于目标用户的性别属性，从预先设定的多个推荐维度中选定与目标用户匹配的至少一个目标推荐维度，进而针对每个目标推荐维度，获取与目标用户相似的第一相似用户，并基于第一相似用户的第一历史交互数据集中，确定第一相似用户在目标推荐维度下的第一交互用户集，以及基于目标用户的第二历史交互数据，获取目标用户在推荐维度下的第二交互用户，并获取与第二交互用户相似的第二相似用户集，从而将第一交互用户集和第二相似用户集的集合确定为该目标推荐维度对应的候选用户集，并根据各个目标推荐维度对应的候选用户集向目标用户推荐社交用户。这样，基于“物以类聚，人以群分”的规律挖掘与该用户相似的用户，进而基于挖掘出的用户进行推荐，能更好的满足用户的个性化需求，可提高用户的使用体验。
附图说明
21.图1为本技术提供的社交用户推荐方法实施例一的流程图；
22.图2为本技术提供的社交用户推荐方法实施例二的流程图；
23.图3为本技术提供的社交用户推荐方法实施例三的流程图；
24.图4为本技术提供的社交用户推荐方法实施例四的流程图；
25.图5为本技术提供的社交用户推荐方法实施例五的流程图；
26.图6为本技术提供的社交用户推荐装置所在社交用户推荐设备的一种硬件结构图；
27.图7为本技术一示例性实施例示出的一种社交用户推荐装置的结构示意图。
具体实施方式
28.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
29.在本技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
30.应当理解，尽管在本技术可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离
本技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
31.本技术提供一种社交用户推荐方法、装置和设备，用以准确为用户推荐相似用户，以满足用户的个性化需求，提高用户的使用体验。
32.本技术提供的社交用户推荐方法、装置和设备，针对目标用户，通过基于目标用户的性别属性，从预先设定的多个推荐维度中选定与目标用户匹配的至少一个目标推荐维度，进而针对每个目标推荐维度，获取与目标用户相似的第一相似用户，并基于第一相似用户的第一历史交互数据集中，确定第一相似用户在目标推荐维度下的第一交互用户集，以及基于目标用户的第二历史交互数据，获取目标用户在推荐维度下的第二交互用户，并获取与第二交互用户相似的第二相似用户集，从而将第一交互用户集和第二相似用户集的集合确定为该目标推荐维度对应的候选用户集，并根据各个目标推荐维度对应的候选用户集向目标用户推荐社交用户。这样，基于“物以类聚，人以群分”的规律挖掘与该用户相似的用户，进而基于挖掘出的用户进行推荐，能更好的满足用户的个性化需求，可提高用户的使用体验。
33.下面给出具体的实施例，用以详细介绍本技术的技术方案。
34.图1为本技术提供的社交用户推荐方法实施例一的流程图。请参照图1，本实施例提供的方法，可以包括：
35.s101、针对目标用户，基于所述目标用户的性别属性，从预先设定的多个推荐维度中选定与所述目标用户匹配的至少一个目标推荐维度。
36.具体的，性别属性即为目标用户注册时填写的性别信息，用于表征目标用户的性别。进一步地，预先设定的多个推荐维度是根据实际需要设定的，本实施例中，不对此进行限定。例如，一实施例中，预先设定的多个推荐维度可以包括聊天维度、喜欢维度和匹配维度等。
37.进一步地，在目标用户的性别属性不相同时，与该目标用户匹配的目标推荐维度可以相同，也可以不同，本实施例中，不对其进行限定。
38.例如，在一种可能的实现方式中，在目标用户的性别属性为女性时，与该目标用户匹配的目标推荐维度为聊天维度、喜欢维度和匹配维度；在目标用户的性别属性为男性时，与该目标用户匹配的目标推荐维度也为聊天维度、喜欢维度和匹配维度。
39.s102、针对每个目标推荐维度，获取与所述目标用户相似的第一相似用户，并基于所述第一相似用户的第一历史交互数据，确定所述第一相似用户在所述目标推荐维度下的第一交互用户集。
40.具体的，获取与目标用户相似的第一相似用户的获取过程可以包括：针对海量用户中的每个用户，计算该用户与目标用户的相似度值，进而基于相似度值确定该用户是否为目标用户的相似用户。
41.需要说明的是，海量用户可以是所有注册用户。进一步地，在基于相似度值确定该用户是否为目标用户的相似用户时，例如，一实施例中，可在相似度值大于预设值时，认为该用户为目标用户的相似用户。其中，预设值是根据实际需要设定的，本实施例中，不对此进行限定，例如，一种可能的实现方式中，预设值为90％。
42.此外，可利用传统的相似度计算方法计算两个用户之间的相似度，或利用基于神经网络的相似度计算方法计算两个用户之间的相似度值，本实施例中，不对此进行限定。
43.进一步地，第一相似用户的第一历史交互数据指的是第一相似用户进行交互行为所产生的数据。例如，第一历史交互数据可以包括第一相似用户进行各个目标维度对应的交互行为所产生的数据，这些数据包括但不限于：将其他用户设置为喜欢用户所产生的数据、与其他用户聊天所产生的数据、与其他用户匹配所产生的数据等。进一步地，第一相似用户在目标推荐维度下的第一交互用户集指的是第一相似用户进行该目标维度对应的交互行为时所涉及的用户。
44.例如，一实施例中，以“目标用户为用户1，目标推荐维度为喜欢维度”为例，本步骤中，确定用户1与用户2相似，进一步地，基于用户2的历史交互数据，确定用户2喜欢用户4，此时，用户4即为第一交互用户集中的用户。本实施例中，在召回候选用户时，先确定目标用户的相似用户，进而将该相似用户喜欢过的用户作为候选用户。
45.s103、基于所述目标用户的第二历史交互数据，获取所述目标用户在所述推荐维度下的第二交互用户，并获取与所述第二交互用户相似的第二相似用户集。
46.具体的，目标用户的第二历史交互数据指的是目标用户进行交互行为所产生的数据。第二历史交互数据可以包括目标用户进行各个目标维度对应的交互行为所产生的数据，这些数据包括但不限于：将其他用户设置为喜欢用户所产生的数据、与其他用户聊天所产生的数据、与其他用户匹配所产生的数据等。
47.进一步地，第二相似用户集可以包含所有与第二交互用户相似的用户。需要说明的是，获取与第二交互用户相似的第二相似用户的获取过程可以包括：针对海量用户中的每个用户，计算该用户与第二交互用户的相似度值，进而基于相似度值确定该用户是否为第二交互用户的相似用户。其中，海量用户可以是所有注册用户。
48.进一步地，在基于相似度值确定该用户是否为第二交互用户的相似用户时，例如，一实施例中，可在相似度值大于预设值时，认为该用户为第二交互用户的相似用户。其中，预设值是根据实际需要设定的，本实施例中，不对此进行限定，例如，一种可能的实现方式中，预设值为80％。
49.此外，可利用传统的相似度计算方法计算两个用户之间的相似度，或利用基于神经网络的相似度计算方法计算两个用户之间的相似度值，本实施例中，不对此进行限定。
50.例如，结合上面的例子，以“目标用户为用户1，目标推荐维度为喜欢维度”为例，本步骤中，基于用户1的历史交互数据，确定用户1喜欢用户6，此时，用户6即为第二交互用户，进一步地，确定用户6与用户7相似，此时，用户7即为第二相似用户集中的用户。本实施例中，在召回候选用户时，先确定目标用户在所述推荐维度下的第二交互用户，进而将与第二交互用户相似的用户作为候选用户。
51.s104、将所述第一交互用户集和所述第二相似用户集的集合确定为该目标推荐维度对应的候选用户集。
52.具体的，获取到第一交互用户集与第二相似用户集后，将二者的集合确定为候选用户集。例如，可以将第一交互用户集与第二相似用户集全部合并，作为候选用户集。
53.s105、根据各个所述目标推荐维度对应的候选用户集向所述目标用户推荐社交用户。
54.具体的，一实施例中，在获取到各个目标推荐维度对应的候选用户集后，可将所有目标推荐维度对应的候选用户集均作为召回的候选用户，进而基于召回的候选用户向目标用户推荐社交用户。
55.另一实施例中，针对每个目标推荐维度，可根据预先为该目标推荐维度设置的召回数量，从该所述目标推荐维度对应的候选用户集选取召回数量个候选用户作为召回的候选用户，进而基于召回的候选用户进行推荐。
56.本实施例提供的社交用户推荐方法，针对目标用户，通过基于目标用户的性别属性，从预先设定的多个推荐维度中选定与目标用户匹配的至少一个目标推荐维度，进而针对每个目标推荐维度，获取与目标用户相似的第一相似用户，并基于第一相似用户的第一历史交互数据集中，确定第一相似用户在目标推荐维度下的第一交互用户集，以及基于目标用户的第二历史交互数据，获取目标用户在推荐维度下的第二交互用户，并获取与第二交互用户相似的第二相似用户集，从而将第一交互用户集和第二相似用户集的集合确定为该目标推荐维度对应的候选用户集，并根据各个目标推荐维度对应的候选用户集向目标用户推荐社交用户。这样，基于“物以类聚，人以群分”的规律挖掘与该用户相似的用户，进而基于挖掘出的用户进行推荐，能更好的满足用户的个性化需求，可提高用户的使用体验。
57.图2为本技术提供的社交用户推荐方法实施例二的流程图。请参照图2，本实施例提供的方法，在上述实施例的基础上，获取与所述目标用户相似的第一相似用户，或，所述获取与所述第二交互用户相似的第二相似用户的步骤，可以包括：
58.s201、获取所述目标用户或所述第二交互用户的特征向量。
59.具体的，可以采用传统的特征提取方法或基于神经网络的特征提取方法对目标用户或第二交互用户进行特征提取。例如，可以采用基于协同过滤的特征提取方法对目标用户或第二交互用户进行特征提取。再例如，还可以采用用于进行特征提取的神经网络对目标用户或第二交互用户进行特征提取。
60.s202、从预先构建好的该推荐维度对应的特征向量库中获取与所述特征向量相似的目标特征向量；其中，每个推荐维度对应的特征向量库存储有海量用户在该推荐维度下的特征向量。
61.具体的，针对各个推荐维度，可以预先为每个推荐维度构建对应的特征向量库，该特征向量库中储存有海量用户在该推荐维度下的特征向量。需要说明的是，海量用户可以指所有注册用户。
62.此外，用户在该推荐维度下的特征向量可以通过如下方法得到：提取用户在该推荐维度下的特征向量，并将提取到的特征向量作为用户在该推荐维度下的特征向量。例如，针对喜欢维度，提取喜欢率作为用户在该推荐维度下的特征向量。进一步地，结合上面的介绍，喜欢维度对应的特征向量库中可以储存有所有注册用户在喜欢维度下的特征向量。
63.s203、将所述目标特征向量对应的用户确定为相似用户。
64.例如，在一实施例中，结合上面的例子，目标推荐维度是喜欢维度时，获取到目标用户或第二交互用户在喜欢维度下的特征向量t1，通过相似度对比方法从喜欢维度对应的特征向量库中获取与特征向量t1相似的目标特征向量t2，进而将目标特征向量t2对应的用户确定为目标用户或第二交互用户的相似用户。
65.本实施例提供的社交用户推荐方法，通过预先构建每个推荐维度对应的特征向量
库，这样，在获取相似用户时，可直接基于预先构建的特征向量库进行获取，一方面，可提高获取的速度，另一面，基于特征向量来获取相似用户时，可提高准确性。
66.图3为本技术提供的社交用户推荐方法实施例三的流程图。请参照图3，本实施例提供的方法，在上述实施例的基础上，所述特征向量库存储的特征向量为基于标识信息提取到的特征向量；每个推荐维度对应的特征向量库的构建方法，可以包括：
67.s301、获取海量样本用户中的每个样本用户对应该推荐维度的历史交互数据；其中，所述历史交互数据包括与该样本用户在该推荐维度下交互过的交互用户组成的交互用户列表。
68.具体的，特征向量库中储存的特征向量为基于标识信息提取到的特征向量，该标识信息可以为用户的用户名或账号。此外，针对每个样本用户，可以获取样本用户在指定时间段内的历史交互数据，例如，获取样本用户30天内的历史交互数据。
69.海量样本用户可以是所有注册用户，换言之，将每个注册用户作为一个样本用户。此外，每个样本用户对应该推荐维度的历史交互数据包括与该样本用户在该推荐维度下交互过的交互用户组成的交互用户列表。例如，对于喜欢维度，每个样本用户在该推荐维度下的历史数据包括该样本用户喜欢过的用户组成的用户列表；再例如，对于聊天维度，每个样本用户在该推荐维度下的历史数据包括与该样本用户聊过天的用户组成的用户列表；对于匹配维度，每个样本用户在该推荐维度下的历史数据包括与该样本用户配对过的用户组成的用户列表。
70.下面以“如何构建喜欢维度对应的特征向量库”为例，说明本实施例的具体实现过程：
71.结合上面的描述，例如，一实施例中，针对样本用户1，获取到该样本用户1喜欢过的用户组成的用户列表包括100个用户。
72.需要说明的是，在本技术一可能的实现方式中，在获取海量样本用户中的每个样本用户对应该推荐维度的历史交互数据之后，所述方法还可以包括：
73.(1)按照预设过滤规则，从所述海量样本用户中筛选出异常用户。
74.(2)将所述异常用户对应该推荐维度的历史交互数据删除。
75.具体的，预设过滤规则的具体内容是根据实际需要设定的，本实施例中，不对预设过滤规则的具体内容进行限定。
76.例如，一实施例中，预设过滤规则可以是历史交互数据的数量大于指定值。换言之，即将历史交互数据过多的样本用户作为异常用户，这样，可防止因此类样本用户的历史交互数据过于庞大而对特征向量库造成干扰。
77.再例如，另一实施例中，预设过滤规则可以是样本用户的历史交互数据表征该样本用户的行为异常。例如，历史交互数据表征该样本用户总是发出喜欢、该样本用户总是发出不喜欢、该样本用户多次反馈的反馈时间均小于预设值(例如，划卡反馈时间过短)、该样本用户每日划卡次数均达到划卡次数上限、该样本用户的喜欢率极低或极高时，此时，认为该样本用户的行为异常。这样，可将与实际情况不符的历史交互数据删除，避免对特征向量库造成干扰。
78.本实施例提供的方法，在获取海量样本用户中的每个样本用户对应该推荐维度的历史交互数据之后，通过按照预设过滤规则，从所述海量样本用户中筛选出异常用户，进而
将所述异常用户对应该推荐维度的历史交互数据删除，这样，可以保证后续推荐时的准确度，提高用户的体验。
79.s302、针对每个样本用户，按照预设窗口大小对所述交互用户列表进行拆分，得到多个交互用户序列。
80.具体的，预设窗口大小是根据实际需要设定的，本实施例中，不对预设窗口大小的具体值进行限定。例如，一实施例中，预设窗口大小为10。
81.结合上面的例子，针对样本用户1，获取到该样本用户1喜欢过的用户组成的用户列表包括100个用户，本步骤中，对该用户列表进行拆分后，可得到10个交互用户序列。
82.s303、将所有样本用户的交互用户序列组成的集合作为样本集，并采用所述样本集训练预先构建好的特征提取模型，得到训练好的特征提取模型。
83.关于采用样本集训练预先构建好的特征提取模型的过程可以参见相关技术中的描述，此处不再赘述。
84.s304、将每个所述样本用户的标识信息输入到所述训练好的特征提取模型中，以由所述训练好的特征提取模型输出该样本用户的特征向量，并基于所有样本用户的特征向量构建该推荐维度对应的特征向量库。
85.具体的，训练好的特征提取模型用于提取样本用户的特征向量，具体实现时，将样本用户的标识信息输入到训练好的特征提取模型中，特征提取模型可输出样本用户对应的特征向量，该特征向量便是基于标识信息提取到的特征向量。
86.此外，在构建该推荐维度对应的特征向量库时，可以以该推荐维度作为特征向量库的名称，并以各个样本用户的特征向量作为特征向量库的内容来构建特征向量库。
87.本实施例提供的社交用户推荐方法，提出了一种构建特征向量库的方法，该方法通过获取海量样本用户中的每个样本用户对应该推荐维度的历史交互数据，进而针对每个样本用户，按照预设窗口大小对交互用户列表进行拆分，得到多个交互用户序列，然后将所有样本用户的交互用户序列组成的集合作为样本集，并采用样本集训练预先构建好的特征提取模型，得到训练好的特征提取模型，最后将每个样本用户的标识信息输入到训练好的特征提取模型中，以由训练好的特征提取模型输出该样本用户的特征向量，并基于所有样本用户的特征向量构建该推荐维度对应的特征向量库。这样，可构建特征向量库，且该特征向量库中的特征向量为基于标识信息提取到的特征向量，这样，后续便可基于该特征向量库获取相似用户，不仅可提高获取的速度，还可提高准确性。
88.图4为本技术提供的社交用户推荐方法实施例四的流程图。请参照图4，本实施例提供的方法，在上述实施例的基础上，所述推荐维度包括喜欢维度、聊天维度和配对维度，所述基于所述目标用户的性别属性，从预先设定的多个推荐维度中选定与所述目标用户匹配至少一个目标推荐维度的步骤，可以包括：
89.s401、在所述目标用户的性别属性为男性时，选定所述匹配维度为目标推荐维度。
90.s402、在所述目标用户的性别属性为女性时，选定所述喜欢维度和所述聊天维度为目标推荐维度。
91.在进行推荐时，不同性别的用户需求不同，本实施例提供的方法，在目标用户的性别属性不同时，与该目标用户匹配的目标推荐维度不同，这样，针对男性用户和女性用户，可进行差异化推荐，以满足男性用户和女性用户的需求。
92.本实施例中，推荐维度包括喜欢维度、聊天维度和配对维度，此时，若目标用户的性别属性为男性，选定匹配维度作为男性用户的目标推荐维度，若目标用户的性别属性为女性时，选定喜欢维度和聊天维度作为女性用户对应的目标推荐维度。
93.本实施例提供的社交用户推荐方法，在目标用户的性别属性为男性时，选定匹配维度为目标推荐维度；在目标用户的性别属性为女性时，选定喜欢维度和聊天维度为目标推荐维度。这样，根据不同的性别属性，有针对性的选定目标推荐维度，可以进行更加个性化和准确的推荐，提高用户的体验。
94.图5为本技术提供的社交用户推荐方法实施例五的流程图。请参照图5，本实施例提供的方法，在上述实施例的基础上，在所述目标推荐维度为多个时，所述根据各个所述目标推荐维度对应的候选用户集向所述目标用户推荐社交用户的方法，可以包括：
95.s501、对所有所述目标推荐维度的候选用户集进行去重处理，得到去重处理后的候选用户集。
96.具体的，在获取到所有目标推荐维度的候选用户后，各个目标推荐维度下的候选用户有大量重复候选用户，需要进行去重处理，以免造成重复推荐。
97.例如，在一种可能的实现方式中，可以基于用户的标识信息对各个目标推荐维度的候选用户集进行去重处理。
98.s502、根据所述去重处理后的候选用户集向所述目标用户进行推荐。
99.具体的，在获取到去重处理后的候选用户集时，可从候选用户集选取推荐用户，进而将推荐用户推荐给目标用户。有关从候选用户集选取推荐用户的过程可以参考相关技术中的描述，此处不再赘述。
100.本实施例提供的社交用户推荐方法，在所述目标推荐维度为多个时，通过对所有目标推荐维度的候选用户集进行去重处理，得到去重处理后的候选用户集，进而根据去重处理后的候选用户集向目标用户进行推荐。这样，可剔除各个目标推荐维度对应的候选用户集中的重复用户，进而避免推荐时的重复推荐，可提高用户的使用体验。
101.与前述一种社交用户推荐方法的实施例相对应，本技术还提供了一种社交用户推荐装置的实施例。
102.本技术一种社交用户推荐装置的实施例可以应用在社交用户推荐设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在社交用户推荐设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图6所示，图6为本技术提供的社交用户推荐装置所在社交用户推荐设备的一种硬件结构图，除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的社交用户推荐设备通常根据该社交用户推荐装置的实际功能，还可以包括其他硬件，对此不再赘述。
103.图7为本技术一示例性实施例示出的一种社交用户推荐装置的结构示意图。请参考图7，本实施例提供的装置，可以包括选择模块710、获取模块720、合并模块730和推荐模块740；其中，
104.所述选择模块710，用于针对目标用户，基于所述目标用户的性别属性，从预先设定的多个推荐维度中选定与所述目标用户匹配的至少一个目标推荐维度；
105.所述获取模块720，用于针对每个目标推荐维度，获取与所述目标用户相似的第一
相似用户，并基于所述第一相似用户的第一历史交互数据，确定所述第一相似用户在所述目标推荐维度下的第一交互用户集；
106.所述获取模块720，还用于基于所述目标用户的第二历史交互数据，获取所述目标用户在所述目标推荐维度下的第二交互用户，并获取与所述第二交互用户相似的第二相似用户集；
107.所述合并模块730，用于将所述第一交互用户集和所述第二相似用户集的集合确定为该目标推荐维度对应的候选用户集；
108.所述推荐模块740，用于根据各个所述目标推荐维度对应的候选用户集向所述目标用户推荐社交用户。
109.本实施例的装置，可用于执行图1所示方法实施例的步骤，具体实现原理和实现过程类似，此处不再赘述。
110.可选的，所述获取模块720，具体用于获取所述目标用户或所述第二交互用户的特征向量；
111.所述获取模块720，还用于从预先构建好的该推荐维度对应的特征向量库中获取与所述特征向量相似的目标特征向量；其中，每个推荐维度对应的特征向量库存储有海量用户在该推荐维度下的特征向量；
112.所述获取模块720，还用于将所述目标特征向量对应的用户确定为相似用户。
113.可选的，所述特征向量库存储的特征向量为基于标识信息提取到的特征向量；每个推荐维度对应的特征向量库通过如下方法构建：
114.获取海量样本用户中的每个样本用户对应该推荐维度的历史交互数据；其中，所述历史交互数据包括与该样本用户在该推荐维度下交互过的交互用户组成的交互用户列表；
115.针对每个样本用户，按照预设窗口大小对所述交互用户列表进行拆分，得到多个交互用户序列；
116.将所有样本用户的交互用户序列组成的集合作为样本集，并采用所述样本集训练预先构建好的特征提取模型，得到训练好的特征提取模型；
117.将每个所述样本用户的标识信息输入到所述训练好的特征提取模型中，以由所述训练好的特征提取模型输出该样本用户的特征向量，并基于所有样本用户的特征向量构建该推荐维度对应的特征向量库。
118.可选的，所述选择模块710，具体用于在所述目标用户的性别属性为男性时，选定所述匹配维度为目标推荐维度；
119.所述选择模块710，还用于在所述目标用户的性别属性为女性时，选定所述喜欢维度和所述聊天维度为目标推荐维度。
120.可选的，在所述目标推荐维度为多个时，所述推荐模块740，具体用于对所有所述目标推荐维度对应的候选用户集进行去重处理，得到去重处理后的候选用户集，并根据所述去重处理后的候选用户集向所述目标用户进行推荐。
121.上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
122.请继续参照图6，本技术还提供一种社交用户推荐设备，包括存储器、处理器及存
储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本技术第一方面提供的任一项所述方法的步骤。
123.本技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本技术提供的任一项所述方法的步骤。
124.上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
125.对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本技术方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
126.以上所述仅为本技术的较佳实施例而已，并不用以限制本技术，凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术保护的范围之内。

技术特征：
1.一种社交用户推荐方法，其特征在于，所述方法包括：针对目标用户，基于所述目标用户的性别属性，从预先设定的多个推荐维度中选定与所述目标用户匹配的至少一个目标推荐维度；针对每个目标推荐维度，获取与所述目标用户相似的第一相似用户，并基于所述第一相似用户的第一历史交互数据，确定所述第一相似用户在所述目标推荐维度下的第一交互用户集；基于所述目标用户的第二历史交互数据，获取所述目标用户在所述目标推荐维度下的第二交互用户，并获取与所述第二交互用户相似的第二相似用户集；将所述第一交互用户集和所述第二相似用户集的集合确定为该目标推荐维度对应的候选用户集；根据各个所述目标推荐维度对应的候选用户集向所述目标用户推荐社交用户。2.根据权利要求1所述的方法，其特征在于，所述获取与所述目标用户相似的第一相似用户，或，所述获取与所述第二交互用户相似的第二相似用户，包括：获取所述目标用户或所述第二交互用户的特征向量；从预先构建好的该推荐维度对应的特征向量库中获取与所述特征向量相似的目标特征向量；其中，每个推荐维度对应的特征向量库存储有海量用户在该推荐维度下的特征向量；将所述目标特征向量对应的用户确定为相似用户。3.根据权利要求2所述的方法，其特征在于，所述特征向量库存储的特征向量为基于标识信息提取到的特征向量；每个推荐维度对应的特征向量库通过如下方法构建：获取海量样本用户中的每个样本用户对应该推荐维度的历史交互数据；其中，所述历史交互数据包括与该样本用户在该推荐维度下交互过的交互用户组成的交互用户列表；针对每个样本用户，按照预设窗口大小对所述交互用户列表进行拆分，得到多个交互用户序列；将所有样本用户的交互用户序列组成的集合作为样本集，并采用所述样本集训练预先构建好的特征提取模型，得到训练好的特征提取模型；将每个所述样本用户的标识信息输入到所述训练好的特征提取模型中，以由所述训练好的特征提取模型输出该样本用户的特征向量，并基于所有样本用户的特征向量构建该推荐维度对应的特征向量库。4.根据权利要求1所述的方法，其特征在于，所述推荐维度包括喜欢维度、聊天维度和配对维度，所述基于所述目标用户的性别属性，从预先设定的多个推荐维度中选定与所述目标用户匹配至少一个目标推荐维度，包括：在所述目标用户的性别属性为男性时，选定所述匹配维度为目标推荐维度；在所述目标用户的性别属性为女性时，选定所述喜欢维度和所述聊天维度为目标推荐维度。5.根据权利要求1所述的方法，其特征在于，在所述目标推荐维度为多个时，所述根据各个所述目标推荐维度对应的候选用户集向所述目标用户推荐社交用户，包括：对所有所述目标推荐维度对应的候选用户集进行去重处理，得到去重处理后的候选用户集；
根据所述去重处理后的候选用户集向所述目标用户进行推荐。6.根据权利要求3所述的方法，其特征在于，所述获取海量样本用户中的每个样本用户对应该推荐维度的历史交互数据之后，所述方法还包括：按照预设过滤规则，从所述海量样本用户中筛选出异常用户；将所述异常用户对应该推荐维度的历史交互数据删除。7.一种社交用户推荐装置，其特征在于，所述装置包括选择模块、获取模块、合并模块和推荐模块；其中，所述选择模块，用于针对目标用户，基于所述目标用户的性别属性，从预先设定的多个推荐维度中选定与所述目标用户匹配的至少一个目标推荐维度；所述获取模块，用于针对每个目标推荐维度，获取与所述目标用户相似的第一相似用户，并基于所述第一相似用户的第一历史交互数据，确定所述第一相似用户在所述目标推荐维度下的第一交互用户集；所述获取模块，还用于基于所述目标用户的第二历史交互数据，获取所述目标用户在所述目标推荐维度下的第二交互用户，并获取与所述第二交互用户相似的第二相似用户集；所述合并模块，用于将所述第一交互用户集和所述第二相似用户集的集合确定为该目标推荐维度对应的候选用户集；所述推荐模块，用于根据各个所述目标推荐维度对应的候选用户集向所述目标用户推荐社交用户。8.根据权利要求7所述的装置，其特征在于，在所述目标推荐维度为多个时，所述推荐模块，具体用于对所有所述目标推荐维度对应的候选用户集进行去重处理，得到去重处理后的候选用户集，并根据所述去重处理后的候选用户集向所述目标用户进行推荐。9.一种社交用户推荐设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-6任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。

技术总结
本申请提供的社交用户推荐方法，包括：针对目标用户，基于目标用户的性别属性，从预先设定的多个推荐维度中选定与目标用户匹配的至少一个目标推荐维度；针对每个目标推荐维度，获取与目标用户相似的第一相似用户，并基于第一相似用户的第一历史交互数据，确定第一相似用户在目标推荐维度下的第一交互用户集；基于目标用户的第二历史交互数据，获取目标用户在目标推荐维度下的第二交互用户，并获取与第二交互用户相似的第二相似用户集；将第一交互用户集和第二相似用户集的集合确定为该目标推荐维度对应的候选用户集；根据各个目标推荐维度对应的候选用户集向目标用户推荐社交用户。本申请提供的社交用户推荐方法、装置和设备，可提高使用体验。可提高使用体验。


技术研发人员：林界 何晓波
受保护的技术使用者：探探科技（北京）有限公司
技术研发日：2023.07.13
技术公布日：2023/10/11