(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210817520.6 (22)申请日 2022.07.12 (71)申请人 鑫洋互联网科技 （广州） 有限公司 地址 510000 广东省广州市天河区灵山 东 路16号301-310-075 (72)发明人 郑创鑫　林嘉顺　陈子鸿　 (74)专利代理 机构 广州海藻专利代理事务所 (普通合伙) 44386 专利代理师 郑凤姣 (51)Int.Cl. G06F 16/9536(2019.01) G06F 16/9537(2019.01) G06F 16/9535(2019.01) G06F 21/62(2013.01) (54)发明名称 一种基于校友关系的智能推荐方法 (57)摘要 本申请提供一种基于校友关系的智能推荐 方法， 包括： 建立用户标签， 对校友进行识别， 具 体包括:根据用户标签分析校友关系， 包括是否 可能共同参与过校园活动， 根据用户标签分析校 友关系亲密度； 基于学校标签识别APP中关于学 校的相关的信息， 并分类校友信息与学校事务； 根据校友关系进行相关事务分享， 其中信息只分 享给校友； 针对推荐的相关事务信息， 对校友减 少信息隐私保护幅度； 针对非校友， 使用差分隐 私计算加强隐私保护。 权利要求书3页 说明书7页 附图1页 CN 115238201 A 2022.10.25 CN 115238201 A 1.一种基于校友关系的智能推荐方法， 其特 征在于， 所述方法包括： 建立用户标签， 对校友进行识别， 所述建立用户标签， 对校友进行识别， 具体包括： 根据 用户标签分析校友关系， 包括是否可能共同参与过校园活动， 根据用户标签分析校友关系 亲密度； 基于学校标签识别APP中关于学校的相关的信息， 并分类校友信息与学校事务； 根 据校友关系进 行相关事务分享， 其中信息只分享给校友； 针对推荐的相关事务信息， 对校友 减少信息隐私保护幅度； 针对非校友， 使用差分隐私计算加强隐私保护； 根据校友关系， 进 行招聘推荐、 聚会推荐、 合作推荐， 所述根据校友 关系， 进行招聘推荐、 聚会推荐、 合作推荐， 具体包括： 根据校友关系亲密度， 聚会推荐关联亲密度高的相关校友， 根据校友关系亲密 度， 合作推荐中屏蔽关系亲密度低的校友， 根据共同参与过校园活动的可能性， 招聘推荐优 先推荐可能性高的校友 。 2.根据权利要求1所述的方法， 其中， 所述建立用户标签， 对校友进行识别， 包括: 通过APP客户端采集用户属性信息； 所述用户属性信息包括母校信息、 所在院系专业、 入学时间、 毕业时间、 参加过的校园活动及时间； 建立用户标签库， 将用户标签与用户属性 信息关联存储； 所述用户标签包括学校标签、 院系专 业标签、 入学时间标签、 毕业时间标签、 校园活动标签、 活动时间标签； 根据学校标签识别出某用户为某学校的校友； 根据用户标签 分析校友关系， 包括是否可能共同参加校园活动； 根据用户标签分析校友关系亲密度； 包 括： 根据用户标签分析校友 关系， 包括是否可能共同参与过校园活动； 根据用户标签分析校 友关系亲密度； 所述根据用户标签分析 校友关系， 包括是否可能共同参与过 校园活动， 具体包括: 获取用户信息， 包括母校名称、 所在院系专业、 入学时间、 毕业时间、 参加过的校园活动 及时间； 根据用户信息识别用户标签； 具有相同学校标签的用户即可识别为校友 关系； 根据 入学时间与 毕业时间信息， 生成用户在校时间集合； 利用set_intersection算法判断校友 在校时间是否存在交集， 初步判断是否可能共同参加过校园活动； 所述set_intersection 算法规则如下： 将两个校友的入学时间、 毕业时间作为迭代器进 行求交集， 如果所求交集为 空集合， 说明共同参加过校园活动的可能性低， 否则初步判断具备共同参加过校园活动的 可能性； 所述校园活动仅包括在校期间参加的校园活动； 在判断出具备共同参加过校园活 动的可能性的基础上， 利用Levenshtein算法计算校友参加的校园活动名称的最小编辑距 离； 所述Levenshtein算法规则如下： 计算两个校园活动名称str1、 str2的长度分别为n、 m； 如果n＝0,则最小编辑距离是m， m＝0， 则最小编辑距离是n； 构造一个(m+1)*(n+1)的矩阵 Arr， 并初始化矩阵的第一行和第一列 分别为0‑n， 0‑m， 两重循环， 遍历strA， 在此基础上遍 历strB， 如果 strA[i]＝st rB[j]， 那么cost＝0， 否则cost＝1， 判断 Arr[j‑1][i]+1, Arr[j][i‑1]+1, Arr[j‑1][i‑1]+cost 的最小值， 将最小值赋值给 Arr[j][i]； 循环结束后， 矩阵的最后一个元素就是最小编辑距离； 设置一个相似度阈值， 当所得到权　利　要　求　书 1/3 页 2 CN 115238201 A 2的最小编辑距离小于所设定的阈值则判定为校友参加过相同的校园活动， 否则判定为共同 参加过校园活动的可能性低； 若校友参加过相同的校园活动， 则获取校园活动对应的时间 信息， 若时间信息相同， 则判定为共同参加过 校园活动的可能性高； 所述根据用户标签分析 校友关系亲密度， 具体包括: 所述校友关系亲密度分为不亲密和较亲密， 判断维度包括是否属于同一院系、 是否属 于同一专 业、 在校时间是否存在交集、 是否可能共同参加过校园活动； 根据用户标签识别用 户是否属于同一院系、 是否属于同一专 业、 在校时间是否存在交集、 是否可能共同参加过校 园活动； 若两位校友属于同一院系甚至同一专 业， 则说明校友 关系较亲密； 若两位校友在校 时间存在交集， 则说明校友 关系较亲密； 若两位校友可能共同参加过校园活动， 则说明校友 关系较亲密； 若两位校友不属于同一院系、 不属于同一专业、 在校时间不存在交集、 没有可 能共同参加过 校园活动， 则说明校友关系不亲密。 3.根据权利要求1所述的方法， 其中， 所述基于学校标签识别APP中关于学校的相关的 信息， 并分类校友信息与学 校事务， 包括: 所述学校标签来自标签库； 所述学校的相关信息包括校友信息和学校事务； 所述校友 信息包括校友推荐、 校友圈； 所述学校事务包括校园热点、 校友活动、 招聘信息、 聚会信息、 企业合作资源信息； 所述校友推荐由系统识别用户标签后基于学校标签将用户信息推荐给 校友； 所述校友圈基于学校标签为校友提供交流互动的平台； 学校事务信息在发布阶段应 选择与之匹配的学 校标签。 4.根据权利要求1所述的方法， 其中， 所述根据校友关系进行相关事务分享， 其中信息 只分享给 校友， 包括: 所述相关事务包括校园热点、 校友活动、 招聘信 息、 聚会信息、 企业合作资源信息； 识别 指定事务的学校标签； 根据指定事务的学校标签识别具有相同学校标签的用户， 所识别的 结果即为指定事务的学校标签对应的学校的校友； 将指定事务推荐给指定事务的学校标签 对应学校的校友， 而不推荐给除识别结果之外的任何用户。 5.根据权利要求1所述的方法， 其中， 所述针对推荐的相关事务信息， 对校友减少信息 隐私保护幅度， 包括: 针对相关事务信息， 设置隐私保护幅度， 分别有严格保护、 一般保护两个层次； 所述严 格保护是指用户不具备获取相关事务信息的权限； 所述一般保护是指用户具备获取相关事 务信息的权限； 将信息推荐给校友时， 隐私保护幅度调整为一般保护； 当非校友请求 获取相 关事务信息时， 将隐私保护幅度调整为 严格保护。 6.根据权利要求1所述的方法， 其中， 所述针对非校友， 使用差分隐私计算加强隐私保 护， 包括: 通过向数据集D中加入拉普拉斯噪声来实现差分隐私保护； 所述拉普拉斯噪声为拉普 拉斯分布的一个随机值； 所述拉普拉斯分布的概 率密度函数为 ， 式中μ是位置参数， b是尺度参数； 所述数据集D是指学校相关事务信息； 对于原始数据 集D， 记fi( D)为查询fi的真实结果， 则添加了拉普拉斯噪声后的结果为fi(D)+η， 记为Mi权　利　要　求　书 2/3 页 3 CN 115238201 A 3