一种基于用户属性和行为特征的社会关系推荐方法及系统

摘要

本发明公开了一种基于用户属性和行为特征的社会关系推荐方法及系统，其中，所述方法包括：对所述社交用语信息和所述社交行为信息进行特征融合分析，生成所述第一用户的行为特征标签；根据所述个人基础标签和所述行为特征标签，生成所述第一用户的第一画像，并获得所述第一用户的预设匹配画像信息；构建社会关系推荐交互数据库；将所述预设匹配画像信息输入所述社会关系推荐交互数据库，基于推荐算法进行训练，获得所述第一用户的第一匹配对象；基于所述社会关系推荐系统，将所述第一匹配对象反馈至所述第一用户。解决了现有技术社会关系推荐没有结合用户个人特征，使得推荐结果没有特定性且准确度不高的技术问题。

说明书

技术领域

本发明涉及人工智能领域，尤其涉及一种基于用户属性和行为特征的社会关系推荐方法及系统。

背景技术

社会关系推荐网络涵盖以人类社交为核心的所有网络服务形式，是一个能够相互交流，相互沟通，相互参与的互动平台，使得互联网从研究部门、学校、政府、商业应用平台扩展成一个人类社交的工具，也是丰富网络社交的工具。

但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

现有技术社会关系推荐没有结合用户个人特征，使得推荐结果没有特定性且准确度不高的技术问题。

发明内容

本申请实施例通过提供一种基于用户属性和行为特征的社会关系推荐方法及系统，解决了现有技术社会关系推荐没有结合用户个人特征，使得推荐结果没有特定性且准确度不高的技术问题，达到通过人工智能方式，基于用户属性和行为特征对社会关系推荐更为准确，以利用用户画像来帮助用户进行个性化推荐的技术效果。

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的。

第一方面，本申请实施例提供了一种基于用户属性和行为特征的社会关系推荐方法，所述方法包括：获得第一用户的个人审核资料信息，并生成所述第一用户的个人基础标签；根据所述第一用户的电子通信设备，获得所述第一用户的应用使用记录；根据所述应用使用记录，构建所述第一用户的社交空间群；基于所述社交空间群，获得所述第一用户的社交用语信息和社交行为信息；对所述社交用语信息和所述社交行为信息进行特征融合分析，生成所述第一用户的行为特征标签；根据所述个人基础标签和所述行为特征标签，生成所述第一用户的第一画像，并获得所述第一用户的预设匹配画像信息；构建社会关系推荐交互数据库，其中，所述社会关系推荐交互数据库包含于所述社会关系推荐系统；将所述预设匹配画像信息输入所述社会关系推荐交互数据库，基于推荐算法进行训练，获得所述第一用户的第一匹配对象，其中，所述第一用户和所述第一匹配对象具有第一映射关系；基于所述社会关系推荐系统，将所述第一匹配对象反馈至所述第一用户。

另一方面，本申请还提供了一种基于用户属性和行为特征的社会关系推荐系统，所述系统包括：第一获得单元，所述第一获得单元用于获得第一用户的个人审核资料信息，并生成所述第一用户的个人基础标签；第二获得单元，所述第二获得单元用于根据所述第一用户的电子通信设备，获得所述第一用户的应用使用记录；第一构建单元，所述第一构建单元用于根据所述应用使用记录，构建所述第一用户的社交空间群；第三获得单元，所述第三获得单元用于基于所述社交空间群，获得所述第一用户的社交用语信息和社交行为信息；第一生成单元，所述第一生成单元用于对所述社交用语信息和所述社交行为信息进行特征融合分析，生成所述第一用户的行为特征标签；第四获得单元，所述第四获得单元用于根据所述个人基础标签和所述行为特征标签，生成所述第一用户的第一画像，并获得所述第一用户的预设匹配画像信息；第二构建单元，所述第二构建单元用于构建社会关系推荐交互数据库，其中，所述社会关系推荐交互数据库包含于所述社会关系推荐系统；第五获得单元，所述第五获得单元用于将所述预设匹配画像信息输入所述社会关系推荐交互数据库，基于推荐算法进行训练，获得所述第一用户的第一匹配对象，其中，所述第一用户和所述第一匹配对象具有第一映射关系；第一反馈单元，所述第一反馈单元用于基于所述社会关系推荐系统，将所述第一匹配对象反馈至所述第一用户。

第三方面，本发明实施例提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

由于采用了获得第一用户的个人审核资料信息，并生成所述第一用户的个人基础标签；根据所述第一用户的电子通信设备，获得所述第一用户的应用使用记录；对所述社交用语信息和所述社交行为信息进行特征融合分析，生成所述第一用户的行为特征标签；根据所述个人基础标签和所述行为特征标签，生成所述第一用户的第一画像，并获得所述第一用户的预设匹配画像信息；将所述预设匹配画像信息输入所述社会关系推荐交互数据库，基于推荐算法进行训练，获得所述第一用户的第一匹配对象，其中，所述第一用户和所述第一匹配对象具有第一映射关系；基于所述社会关系推荐系统，将所述第一匹配对象反馈至所述第一用户。进而达到通过人工智能方式，基于用户属性和行为特征对社会关系推荐更为准确，以利用用户画像来帮助用户进行个性化推荐的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例一种基于用户属性和行为特征的社会关系推荐方法的流程示意图；

图2为本申请实施例一种基于用户属性和行为特征的社会关系推荐系统的结构示意图；

图3为本申请实施例所提供的一种用于执行控制输出数据的方法的电子设备的结构示意图。

附图标记说明：第一获得单元11，第二获得单元12，第一构建单元13，第三获得单元14，第一生成单元15，第四获得单元16，第二构建单元17，第五获得单元18，第一反馈单元19，总线1110，处理器1120，收发器1130，总线接口1140，存储器1150和用户接口1160。

具体实施方式

在本发明实施例的描述中，所属技术领域的技术人员应当知道，本发明实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本发明实施例可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。

上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本发明实施例中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。

本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。

应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。

也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。

也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。

下面结合本发明实施例中的附图对本发明实施例进行描述。

实施例一：如图1所示，本申请实施例提供了一种基于用户属性和行为特征的社会关系推荐方法，其中，所述方法包括：

步骤S100：获得第一用户的个人审核资料信息，并生成所述第一用户的个人基础标签；

具体而言，所述个人审核资料信息是所述用户提交的个人资料信息，如姓名、年龄、性别、所在区域、生日、身高、工作与经济情况、个人喜好、性格气质相貌、思想观念等。根据审核资料信息，生成所述用户的个人基础标签，包括个人基本情况、特长爱好、工作情况等标签。

步骤S200：根据所述第一用户的电子通信设备，获得所述第一用户的应用使用记录；

具体而言，通过所述用户的电子通信设备，包括手机、电脑等设备，获取所述用户的应用使用记录，包括使用应用类别，如媒体播放软件、购物软件、专业软件、教育与娱乐软件、图形图像软件等和应用使用的时间。

步骤S300：根据所述应用使用记录，构建所述第一用户的社交空间群；

进一步而言，其中，所述根据所述应用使用记录，构建所述第一用户的社交空间群，本申请实施例步骤S300还包括：

步骤S310：根据所述应用使用记录，获得第一社交应用集合，其中，所述第一社交应用集合中的应用使用记录达到预设使用频率和预设使用时长；

步骤S320：根据所述第一社交应用集合，构建所述第一用户的社交空间群。

具体而言，通过所述应用使用记录，获得所述用户的社交应用集合，所述社交应用集合中的社交应用为达到预设使用频率和预设使用时长的应用，表明社交应用为用户经常使用具有参考性。根据所述社交应用集合，构建所述用户的社交空间群，所述社交空间群为所述用户的社交空间网络，包括用户的社交特征信息。达到通过用户的应用使用情况分析用户的社交特征，使得对用户的社交分析更为准确的技术效果。

步骤S400：基于所述社交空间群，获得所述第一用户的社交用语信息和社交行为信息；

具体而言，根据所述用户的所述社交空间群，获得所述用户的社交用语信息，包括‎日常‎社交用语‎和场景社‎交礼用‎语等，和社交行为信息，即所述用户的实际社交行为，包括社会交往能力、社会交往手段等。

步骤S500：对所述社交用语信息和所述社交行为信息进行特征融合分析，生成所述第一用户的行为特征标签；

进一步而言，其中，所述生成所述第一用户的行为特征标签，本申请实施例步骤S500还包括：

步骤S510：根据所述社交用语信息，获得所述第一用户的表象行为特征；

步骤S520：根据所述社交行为信息，获得所述第一用户的具象行为特征；

步骤S530：判断所述表象行为特征和所述具象行为特征是否保持一致；

步骤S540：若所述表象行为特征和所述具象行为特征没有保持一致，生成第一附加标签信息；

步骤S550：根据所述第一附加标签信息，对所述行为特征标签进行修正，获得所述第一用户的实际行为特征标签。

具体而言，行为特征是通过电子设备的允许录音/拍照等权限，对用户的行为特征进行一定采集与分析。所述第一用户的表象行为特征为所述用户的社交用语信息，所述第一用户的具象行为特征为所述用户的具体社交行为信息。判断所述表象行为特征和所述具象行为特征是否保持一致，即判断所述用户的言行是否一致，若所述表象行为特征和所述具象行为特征没有保持一致，即所述用户言行不一致，生成第一附加标签信息，即所述用户的实际社交行为标签。并根据所述第一附加标签信息，对所述行为特征标签进行修正，获得所述第一用户的实际行为特征标签。达到保证用户的社交言行一致，从而使得生成的行为特征为用户的实际行为特征的技术效果。

步骤S600：根据所述个人基础标签和所述行为特征标签，生成所述第一用户的第一画像，并获得所述第一用户的预设匹配画像信息；

具体而言，用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用，是将用户的属性、行为与期待的数据转化联结起来生成的用户画像。根据所述个人基础标签和所述行为特征标签，生成所述用户的用户画像，并获得所述用户的预设匹配画像信息，用于与社会关系推荐数据库进行匹配的画像。

步骤S700：构建社会关系推荐交互数据库，其中，所述社会关系推荐交互数据库包含于所述社会关系推荐系统；

进一步而言，其中，所述构建社会关系推荐交互数据库，本申请实施例步骤S700还包括：

步骤S710：基于大数据，采集用户的社交账号集合；

步骤S720：基于所述社会关系推荐系统，生成第一访问指令；

步骤S730：根据所述第一访问指令，获得所述社交账号集合对应的用户个体画像集合；

步骤S740：对所述用户个体画像集合进行聚类分析，获得第一分析结果；

步骤S750：根据所述第一分析结果，构建所述社会关系推荐交互数据库。

具体而言，基于大数据方式采集所述用户的各社交账号集合，大数据采集具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。所述社会关系推荐系统为基于用户数据信息进行社会关系推荐，根据系统的访问指令，获得所述社交账号集合所对应的用户个体画像集合。对所述用户个体画像集合进行聚类分析，聚类是一种非监督学习方法，它不需要任何形式的标签，而是基于数据本身的结构推测出簇标签。通过聚类分析、特征工程、建模调参的步骤可获得第一聚类结果，所述第一聚类结果为聚类后按相关特征划分的各个簇的数量，通过聚类分析，得出所述用户各画像之间的关联，构建所述社会关系推荐交互数据库，用于社会关系推荐。达到用户画像与社会关系之间的关联更加准确，以实现社会关系精准推荐的技术效果。

步骤S800：将所述预设匹配画像信息输入所述社会关系推荐交互数据库，基于推荐算法进行训练，获得所述第一用户的第一匹配对象，其中，所述第一用户和所述第一匹配对象具有第一映射关系；

具体而言，将所述预设匹配画像信息输入所述社会关系推荐交互数据库，基于推荐算法进行训练，所述推荐算法是计算机专业中的一种算法，通过一些数学算法，推测出用户可能喜欢的东西。系统基于用户评价对象的特征、学习用户的兴趣，考察用户资料与待预测项目的匹配程度，用户的资料模型取决于所用的学习方法，常用的有决策树、神经网络和基于向量的表示方法等。通过推荐算法获得输出结果即所述第一用户的第一匹配对象，所述第一用户和所述第一匹配对象具有第一映射关系，如所述用户和所述匹配对象具有相同的兴趣爱好映射关系。

进一步而言，其中，所述获得所述第一用户的第一匹配对象之前，本申请实施例步骤S800还包括：

步骤S810：根据所述社会关系推荐交互数据库，获得用户画像集；

步骤S820：获得所述预设匹配画像信息的目标卷积特征；

步骤S830：根据所述目标卷积特征，对所述用户画像集进行遍历的卷积运算，获得第一卷积结果；

步骤S840：根据所述第一卷积结果，获得第一匹配群体，其中，所述第一匹配群体与所述预设匹配画像信息具有第二映射关系；

步骤S850：根据所述第一匹配群体，获得第一匹配画像集；

步骤S860：根据所述预设匹配画像信息和所述第一匹配画像集，获得所述第一用户的第一匹配对象。

具体而言，通过所述社会关系推荐交互数据库，获得所述用户画像集合，卷积神经网络是一种具有局部连接、权值共享等特点的深层前馈神经网络，在图像和视频分析领域，比如图像分类、目标检测、图像分割等各种视觉任务上取得了显著的效果，是目前应用最广泛的模型之一。卷积神经网络，从字面上包括两个部分：卷积＋神经网络。其中，卷积就是特征提取器，而神经网络，可以看作分类器。训练一个卷积神经网络，就是同时训练了特征提取器 （卷积） 和后面的分类器 （神经网络）。根据所述预设匹配画像信息的目标卷积特征对所述用户画像集进行遍历的卷积运算，可获得对应的第一卷积结果，所述第一卷积结果是经过卷积神经网络进行特征训练后的结果。对所述第一卷积结果进行分析，获得对应的匹配群体，所述第一匹配群体与所述预设匹配画像信息具有映射关系。根据所述第一匹配群体，获得对应的匹配画像集，并根据对所述预设匹配画像信息和所述第一匹配画像集特征分析，获得与所述用户相匹配的推荐对象。达到通过卷积网络特征分类的方式，对用户的匹配对象实现精准推荐的技术效果。

步骤S900：基于所述社会关系推荐系统，将所述第一匹配对象反馈至所述第一用户。

具体而言，基于所述社会关系推荐系统输出的推荐结果，获得与所述用户相匹配的推荐对象，并将所述第一匹配对象反馈至所述第一用户，用于实现与所述用户特征相符合的社会关系个性化推荐。

进一步而言，其中，所述根据所述预设匹配画像信息和所述第一匹配画像集，获得所述第一用户的第一匹配对象，本申请实施例步骤S860还包括：

步骤S861：根据所述第一匹配画像集，获得所述第一匹配群体的目标画像集；

步骤S862：将所述第一画像输入所述目标画像集进行特征分析，获得第一融合画像；

步骤S863：根据所述第一融合画像，获得对应的第一匹配对象，其中，所述第一融合画像满足所述第一匹配对象的目标要求，且与所述第一画像具有第一关联度。

具体而言，根据所述第一匹配画像集，获得所述第一匹配群体的目标画像集，如根据兴趣特征画像集，获得与匹配相同兴趣的目标画像集。将基于用户个人特征的所述第一画像输入所述目标画像集进行特征分析，获得特征融合后的第一融合画像。所述第一融合画像满足所述第一匹配对象的目标要求，且与所述第一画像具有关联度，并以此获得对应的匹配对象。达到通过画像特征融合使得匹配对象更加准确，进而实现精准化社会关系推荐的技术效果。

进一步而言，本申请实施例步骤S750还包括：

步骤S751：根据所述用户个体画像集合，生成第一特征数据集；

步骤S752：对所述第一特征数据集进行中心化处理，获得第二特征数据集；

步骤S753：获得所述第二特征数据集的第一协方差矩阵；

步骤S754：对所述第一协方差矩阵进行运算，获得所述第一协方差矩阵的第一特征值和第一特征向量；

步骤S755：将所述第一特征数据集投影到所述第一特征向量，获得第一降维数据集，所述第一降维数据集为所述第一特征数据集降维之后的特征数据集。

具体而言，对所述用户个体画像集合提取到的特征数据进行数值化处理，并构建特征数据集矩阵，获得所述第一特征数据集。继而对所述第一特征数据集中的各特征数据进行中心化处理，即去均值，首先求解所述第一特征数据集中各特征的平均值，然后对于所有的样本，每一个特征都减去自身的均值，继而获得新的特征值，由新的特征值构成所述第二特征数据集，所述第二特征数据集为一数据矩阵。通过协方差公式：

对所述第二特征数据集进行运算，获得所述第二特征数据集的第一协方差矩阵。其中，

综上所述，本申请实施例所提供的一种基于用户属性和行为特征的社会关系推荐方法及系统具有如下技术效果：

由于采用了获得第一用户的个人审核资料信息，并生成所述第一用户的个人基础标签；根据所述第一用户的电子通信设备，获得所述第一用户的应用使用记录；对所述社交用语信息和所述社交行为信息进行特征融合分析，生成所述第一用户的行为特征标签；根据所述个人基础标签和所述行为特征标签，生成所述第一用户的第一画像，并获得所述第一用户的预设匹配画像信息；将所述预设匹配画像信息输入所述社会关系推荐交互数据库，基于推荐算法进行训练，获得所述第一用户的第一匹配对象，其中，所述第一用户和所述第一匹配对象具有第一映射关系；基于所述社会关系推荐系统，将所述第一匹配对象反馈至所述第一用户。进而达到通过人工智能方式，基于用户属性和行为特征对社会关系推荐更为准确，以利用用户画像来帮助用户进行个性化推荐的技术效果。

实施例二：基于与前述实施例中一种基于用户属性和行为特征的社会关系推荐方法同样发明构思，本发明还提供了一种基于用户属性和行为特征的社会关系推荐系统，如图2所示，所述系统包括：

第一获得单元11，所述第一获得单元11用于获得第一用户的个人审核资料信息，并生成所述第一用户的个人基础标签；

第二获得单元12，所述第二获得单元12用于根据所述第一用户的电子通信设备，获得所述第一用户的应用使用记录；

第一构建单元13，所述第一构建单元13用于根据所述应用使用记录，构建所述第一用户的社交空间群；

第三获得单元14，所述第三获得单元14用于基于所述社交空间群，获得所述第一用户的社交用语信息和社交行为信息；

第一生成单元15，所述第一生成单元15用于对所述社交用语信息和所述社交行为信息进行特征融合分析，生成所述第一用户的行为特征标签；

第四获得单元16，所述第四获得单元16用于根据所述个人基础标签和所述行为特征标签，生成所述第一用户的第一画像，并获得所述第一用户的预设匹配画像信息；

第二构建单元17，所述第二构建单元17用于构建社会关系推荐交互数据库，其中，所述社会关系推荐交互数据库包含于所述社会关系推荐系统；

第五获得单元18，所述第五获得单元18用于将所述预设匹配画像信息输入所述社会关系推荐交互数据库，基于推荐算法进行训练，获得所述第一用户的第一匹配对象，其中，所述第一用户和所述第一匹配对象具有第一映射关系；

第一反馈单元19，所述第一反馈单元19用于基于所述社会关系推荐系统，将所述第一匹配对象反馈至所述第一用户。

进一步的，所述系统还包括：

第六获得单元，所述第六获得单元用于根据所述社会关系推荐交互数据库，获得用户画像集；

第七获得单元，所述第七获得单元用于获得所述预设匹配画像信息的目标卷积特征；

第八获得单元，所述第八获得单元用于根据所述目标卷积特征，对所述用户画像集进行遍历的卷积运算，获得第一卷积结果；

第九获得单元，所述第九获得单元用于根据所述第一卷积结果，获得第一匹配群体，其中，所述第一匹配群体与所述预设匹配画像信息具有第二映射关系；

第十获得单元，所述第十获得单元用于根据所述第一匹配群体，获得第一匹配画像集；

第十一获得单元，所述第十一获得单元用于根据所述预设匹配画像信息和所述第一匹配画像集，获得所述第一用户的第一匹配对象。

进一步的，所述系统还包括：

第十二获得单元，所述第十二获得单元用于根据所述第一匹配画像集，获得所述第一匹配群体的目标画像集；

第十三获得单元，所述第十三获得单元用于将所述第一画像输入所述目标画像集进行特征分析，获得第一融合画像；

第十四获得单元，所述第十四获得单元用于根据所述第一融合画像，获得对应的第一匹配对象，其中，所述第一融合画像满足所述第一匹配对象的目标要求，且与所述第一画像具有第一关联度。

进一步的，所述系统还包括：

第十五获得单元，所述第十五获得单元用于根据所述社交用语信息，获得所述第一用户的表象行为特征；

第十六获得单元，所述第十六获得单元用于根据所述社交行为信息，获得所述第一用户的具象行为特征；

第一判断单元，所述第一判断单元用于判断所述表象行为特征和所述具象行为特征是否保持一致；

第二生成单元，所述第二生成单元用于若所述表象行为特征和所述具象行为特征没有保持一致，生成第一附加标签信息；

第十七获得单元，所述第十七获得单元用于根据所述第一附加标签信息，对所述行为特征标签进行修正，获得所述第一用户的实际行为特征标签。

进一步的，所述系统还包括：

第十八获得单元，所述第十八获得单元用于根据所述应用使用记录，获得第一社交应用集合，其中，所述第一社交应用集合中的应用使用记录达到预设使用频率和预设使用时长；

第三构建单元，所述第三构建单元用于根据所述第一社交应用集合，构建所述第一用户的社交空间群。

进一步的，所述系统还包括：

第一采集单元，所述第一采集单元用于基于大数据，采集用户的社交账号集合；

第三生成单元，所述第三生成单元用于基于所述社会关系推荐系统，生成第一访问指令；

第十九获得单元，所述第十九获得单元用于根据所述第一访问指令，获得所述社交账号集合对应的用户个体画像集合；

第二十获得单元，所述第二十获得单元用于对所述用户个体画像集合进行聚类分析，获得第一分析结果；

第四构建单元，所述第四构建单元用于根据所述第一分析结果，构建所述社会关系推荐交互数据库。

进一步的，所述系统还包括：

第四生成单元，所述第四生成单元用于根据所述用户个体画像集合，生成第一特征数据集；

第二十一获得单元，所述第二十一获得单元用于对所述第一特征数据集进行中心化处理，获得第二特征数据集；

第二十二获得单元，所述第二十二获得单元用于获得所述第二特征数据集的第一协方差矩阵；

第二十三获得单元，所述第二十三获得单元用于对所述第一协方差矩阵进行运算，获得所述第一协方差矩阵的第一特征值和第一特征向量；

第二十四获得单元，所述第二十四获得单元用于将所述第一特征数据集投影到所述第一特征向量，获得第一降维数据集，所述第一降维数据集为所述第一特征数据集降维之后的特征数据集。

前述图1实施例一中的一种基于用户属性和行为特征的社会关系推荐方法的各种变化方式和具体实例同样适用于本实施例的一种基于用户属性和行为特征的社会关系推荐系统，通过前述对一种基于用户属性和行为特征的社会关系推荐方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于用户属性和行为特征的社会关系推荐系统的实施方法，所以为了说明书的简洁，在此不再详述。

此外，本发明实施例还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

具体的，参见图3所示，本发明实施例还提供了一种电子设备，该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。

在本发明实施例中，该电子设备还包括：存储在存储器1150上并可在处理器1120上运行的计算机程序，计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。

收发器1130，用于在处理器1120的控制下接收和发送数据。

本发明实施例中，总线架构（用总线1110来代表），总线1110可以包括任意数量互联的总线和桥，总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。

总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线以及存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。

处理器1120可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤及逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。

处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

总线1110还可以将，例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口1140在总线1110和收发器1130之间提供接口，这些都是本领域所公知的。因此，本发明实施例不再对其进行进一步描述。

收发器1130可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器1130从其他设备接收外部数据，收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机系统的性质，还可以提供用户接口1160，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。

应理解，在本发明实施例中，存储器1150可进一步包括相对于处理器1120远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以及两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信系统、码分多址系统、全球微波互联接入系统、通用分组无线业务系统、宽带码分多址系统、长期演进系统、LTE频分双工系统、LTE时分双工系统、先进长期演进系统、通用移动通信系统、增强移动宽带系统、海量机器类通信系统、超可靠低时延通信系统等。

应理解，本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器，或闪存。

易失性存储器包括：随机存取存储器，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如：静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。

在本发明实施例中，存储器1150存储了操作系统1151和应用程序1152的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。

具体而言，操作系统1151包含各种系统程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序1152包含各种应用程序，例如：媒体播放器、浏览器，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括：小程序、对象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数据类型的计算机系统可执行指令。

此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

以上所述，仅为本发明实施例的具体实施方式，但本发明实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明实施例披露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明实施例的保护范围之内。因此，本发明实施例的保护范围应以权利要求的保护范围为准。