一种基于社交网络分析的业务推荐方法和系统

本发明涉及数据业务技术领域，尤其涉及一种基于社交网络分析的业务推 荐方法和系统。

随着三大运营商市场竞争的不断加剧，精细化的客户关系建模方法得到了 广泛使用，基于客户行为建立的模型能够为用户推荐其最需要的业务。这类方 法通过有监督或者无监督的数据挖掘算法，根据客户的行为、偏好、费用等信 息对客户未来一段时间内的业务购买倾向进行预测，以此出最具价值的客 户，从而达到扩大客户规模的目的。

传统的通过数据挖掘建立模型进行业务推荐的典型方法，包括以下步骤： 获取客户在某项业务推荐后的订购和非订购数据；汇总每位客户在业务推荐前 数月的各类信息，包括费用、通信行为（语音/短信/上网）、业务订购行为、 终端使用行为；以订购/非订购为目标，利用决策树、逻辑回归、神经网络等 数据挖掘算法工具对客户历史数据进行训练；按照训练模型生成的规则从全网 客户中筛选出该业务的目标客户进行推荐。

同时，随着社交网站的兴起，人与人之间的社交关系也逐渐成为研究关注 的焦点，移动客户之间频繁的通信行为使得他们自然的形成了一些体。各 体中，每位客户都对其它客户的行为施加着不同程度的影响。典型的社交网络 分析通常用来量化客户的这一影响力。比如，通过汇总客户的语音交往圈，计 算客户与每位对端客户的通话次数/时长，来决定该客户的影响力。影响力较 大的客户在客户保有工作中会得到优先挽留，在业务推荐中也会得到最优的服 务。

然而，现有的业务推荐建模方法仅对单个业务产品的推荐进行优化，在多 业务的组合推荐场景中，难以给出客户在每个业务产品上的推荐优先级别。另 外，现有的业务推荐建模方法仅对单个客户进行分析，没有考虑到客户之间的 联系和相互影响，虽然在单次的业务推荐上能够提高目标客户的精准度，但 是无法形成持续的业务推广效果，也无法利用客户间的关系形成有效的业务传 播方式。

另一方面，现有技术中基于移动通信交往圈的分析方法通常只分析单个通 信方式产生的交往圈，比如语音交往圈即使将语音和短信交往数据整合在了一 起，在后期计算影响力时也是分开单独计算语音和短信的影响力，无法兼顾客 户在多个通信方式中产生的交往信息。另外，这种基于移动通信交往圈的分析 方法对主叫通信行为和被叫通信行为是分开计算的，便无法排除单向拨打客户 和主叫沉默客户这两种对于计算影响力没有意义的情况。

本发明实施例提供一种基于社交网络分析的业务推荐方法及系统，用以解 决现有技术中只针对单个业务、单个客户以及单个通信方式进行分析，从而难 以向用户推荐其最需要的业务的问题。

本发明实施例提供的具体技术方案如下：

第一方面，一种基于社交网络分析的业务推荐方法，包括：

根据第一用户的历史通信记录，确定与所述第一用户存在关联的至少一个 其他用户，并获取所述第一用户与所述至少一个其他用户进行交互时所采用的 每一类通信方式的通信量信息；

根据所述第一用户与所述至少一个其他用户进行交互时所采用的每一类 通信方式的通信量信息，计算所述第一用户和所述至少一个其他用户之间的交 互因子；

根据所述第一用户的历史业务信息，确定所述第一用户申请的每一类业务 的使用信息并进行除权处理；

根据所述第一用户和所述至少一个其他用户之间的交互因子，以及所述第 一用户申请的每一类业务的经除权处理的使用信息，分别确定所述第一用户申 请的每一类业务的推荐优先级，并向所述第一用户推荐当前优先级最高的业 务。

通过这种实现方式，按照用户之间的通信量分布和通信频繁度来衡量用户 的交往对象对该用户的影响，并通过用户的交互因子和经除权处理后的历史业 务使用信息，计算用户的业务推荐优先级，能够向用户推荐其最需要的业务， 提高了业务推荐的准确度和有效性。

结合第一方面，在第一种可能的实现方式中，根据所述第一用户与所述至 少一个其他用户进行交互时所采用的每一类通信方式的通信量信息，计算所述 第一用户和所述至少一个其他用户之间的交互因子，包括：

根据所述第一用户与所述至少一个其他用户进行交互时所采用的每一类 通信方式的通信量信息，计算所述第一用户和所述至少一个其他用户进行交互 时在所采用的每一类通信方式上的通信量分布，并计算所述第一用户和所述至 少一个其他用户的通信频繁度；

再根据所述第一用户和所述至少一个其他用户之间对应的通信量分布和 通信频繁度，计算所述第一用户和所述至少一个其他用户之间的交互因子。

通过这种实现方式，不仅考虑到主被叫用户之间的通信频繁度，同时还考 虑到用户在各类通信方式上的通信量分布，更有利于全面衡量用户之间的影响 力。

结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，采 用以下公式计算所述第一用户和所述至少一个其他用户进行交互时在所采用 的每一类通信方式上的通信量分布：

E(a,b)＝-Σi∈T(a,b)pi log pi

式中，E(a,b)表示用户a与用户b进行交互时在所采用的每一类通信方式 上的通信量分布，T(a,b)表示用户a与用户b进行交互时所采用的通信方式种 类，pi表示第i种通信方式的通信次数在所有通信方式的通信次数中所占的比 例。

通过这种实现方式，得到了通信量分布，解决了不同的通信方式之间的通 信量无法直接进行加权比较的问题。

结合第一方面的第一种可能的实现方式，在第三种可能的实现方式中，采 用以下公式计算所述第一用户和所述至少一个其他用户的通信频繁度：

$P(a,b)=\frac{\mathrm{Interaction}(a,b)}{\mathrm{Interaction}(a,*)}$

式中，P(a,b)表示用户a和用户b的通信频繁度，Interaction(a,b)表示用户a 和用户b之间的通信次数，Interaction(a,*)表示用户a和与用户a存在关联的所 有用户之间的通信次数。

通过这种实现方式，得到了通信频繁度，更能全面衡量用户之间的影响力。

结合第一方面的第一种至第三种中任意一种可能的实现方式，在第四种可 能的实现方式中，再根据所述第一用户和所述至少一个其他用户之间对应的通 信量分布和通信频繁度，计算所述第一用户和所述至少一个其他用户之间的交 互因子，包括：

采用以下式子计算用户a和用户b之间的交互因子：

$I(a,b)=\left(\frac{\mathrm{Interaction}(a,b)}{\mathrm{Interaction}(a,*)}\right)/{(E(a,b)-E(a,*))}^2$

式中，I(a,b)表示用户a和用户b之间的交互因子，表示用户
a和用户b的通信频繁度，E(a,b)表示用户a和用户b进行交互时在所采用的每
一类通信方式上的通信量分布，E(a,*)表示用户a和与用户a存在关联的所有
用户进行交互时在所采用的每一类通信方式上的总体通信量分布。

通过这种实现方式，得到了用户之间的交互因子，综合考虑了用户之间的 通信量分布和通信频繁度，来衡量用户的交往对象对该用户的影响。

结合第一方面，在第五种可能的实现方式中，根据所述第一用户和所述至 少一个其他用户之间的交互因子，以及所述第一用户申请的每一类业务的经除 权处理的使用信息，分别确定所述第一用户申请的每一类业务的推荐优先级， 并向所述第一用户推荐当前优先级最高的业务，包括：

根据所述第一用户和所述至少一个其他用户之间的交互因子，以及所述第 一用户申请的每一类业务的经除权处理的使用信息，计算所述第一用户的业务 接受度；

根据所述第一用户在每一类业务上的申请情况，获得所述第一用户的业务 申请函数和业务普及率；

根据所述第一用户的业务接受度、业务申请函数和业务普及率，计算所述 每一类业务相对于所述第一用户的使用优先级；

根据每一个业务相对于所述第一用户的使用优先级，向所述第一用户推荐 当前优先级最高的业务。

通过这种方式，结合了用户和其交往对象之间的交互因子以及该用户申请 的每一类业务的经除权处理后的使用信息，全面预测该用户对未使用过的每类 业务的不同偏好，提高了业务推荐的准确性。

结合第一方面的第五种可能的实现方式，在第六种可能的实现方式中，根 据所述第一用户和所述至少一个其他用户之间的交互因子，以及所述第一用户 申请的每一类业务的经除权处理的使用信息，计算所述第一用户的业务接受 度，包括：

采用以下式子计算用户a的业务接受度：

$\mathrm{Acc}(a,i)=M_i\left(a\right)*\underset{b\in F\left(a\right)}{\Sigma }I(a,b)*M_i\left(b\right)$

式中，Acc(a,i)表示用户a对第i类业务的业务接受度，F(a)表示由与用户 a存在关联的至少一个其他用户组成的用户a的关联集合，I(a,b)表示用户a和 用户b之间的交互因子，Mi(a)表示用户a在申请的第i类业务中的经除权处理 的使用信息。

通过这种实现方式，得到了用户的业务接收度，从用户之间的影响力和用 户本身的倾向衡量用户对各个业务的接收程度。

结合第一方面的第五种可能的实现方式，在第七种可能的实现方式中，根 据所述第一用户在每一类业务上的申请情况，获得所述第一用户的业务申请函 数，包括：

依次判断所述第一用户是否已申请使用每一类业务，若是，则将所述第一 用户相应的业务申请函数记为0，否则，记为1。

通过这种实现方式，将用户已申请使用的业务对应的业务申请函数记为0， 避免了为用户推荐的业务是该用户正在使用的业务，提高了业务推荐的有效 性。

结合第一方面的第五种至第七种中任意一种可能的实现方式，在第八种可 能的实现方式中，根据所述第一用户的业务接受度、业务订购函数和业务普及 率，分别计算每一类业务相对于所述第一用户的使用优先级，包括：

采用以下公式计算第i类业务相对于用户a的优先级：

Prioritya(i)＝Idf(i)*Sub(a,i)*Acc(a,i)

式中，Prioritya(i)表示第i类业务相对于用户a的优先级，Idf(i)表示第i类 业务的业务普及率的倒数，Sub(a,i)表示用户a在第i类业务上的业务申请函数， Acc(a,i)表示用户a对第i类业务的业务接受度。

通过这种实现方式，得到了每一类业务相对于每个用户的使用优先级，克 服了传统方法只能针对单个业务、单个客户以及单个通信方式进行分析的缺 陷，能够向用户推荐其最需要的业务。

第二方面，一种基于社交网络分析的业务推荐系统，包括：

获取单元，用于根据第一用户的历史通信记录，确定与所述第一用户存在 关联的至少一个其他用户，并获取所述第一用户与所述至少一个其他用户进行 交互时所采用的每一类通信方式的通信量信息；

计算单元，用于根据所述第一用户与所述至少一个其他用户进行交互时所 采用的每一类通信方式的通信量信息，计算所述第一用户和所述至少一个其他 用户之间的交互因子；

除权单元，用于根据所述第一用户的历史业务信息，确定所述第一用户申 请的每一类业务的使用信息并进行除权处理；

推荐单元，用于根据所述第一用户和所述至少一个其他用户之间的交互因 子，以及所述第一用户申请的每一类业务的经除权处理的使用信息，分别确定 所述第一用户申请的每一类业务的推荐优先级，并向所述第一用户推荐当前优 先级最高的业务。

通过上述各单元的共同协作，实现了按照用户之间的通信量分布和通信频 繁度来衡量用户的交往对象对该用户的影响，同时通过用户的交互因子和经除 权处理后的历史业务使用信息，计算用户的业务推荐优先级，能够向用户推荐 其最需要的业务，提高了业务推荐的准确度和有效性。

结合第二方面，在第一种可能的实现方式中，所述计算单元具体用于：

根据所述第一用户与所述至少一个其他用户进行交互时所采用的每一类 通信方式的通信量信息，计算所述第一用户和所述至少一个其他用户进行交互 时在所采用的每一类通信方式上的通信量分布，并计算所述第一用户和所述至 少一个其他用户的通信频繁度；

再根据所述第一用户和所述至少一个其他用户之间对应的通信量分布和 通信频繁度，计算所述第一用户和所述至少一个其他用户之间的交互因子。

通过这种实现方式，计算单元不仅考虑到主被叫用户之间的通信频繁度， 同时还考虑到用户在各类通信方式上的通信量分布，更有利于全面衡量用户之 间的影响力。

结合第二方面的第一种可能的实现方式，在第二种可能的实现方式中，所 述计算单元具体用于：

采用以下公式计算所述第一用户和所述至少一个其他用户进行交互时在 所采用的每一类通信方式上的通信量分布：

E(a,b)＝-Σi∈T(a,b)pi log pi

式中，E(a,b)表示用户a与用户b进行交互时在所采用的每一类通信方式 上的通信量分布，T(a,b)表示用户a与用户b进行交互时所采用的通信方式种 类，pi表示第i种通信方式的通信次数在所有通信方式的通信次数中所占的比 例。

通过计算单元计算得到了通信量分布，解决了不同的通信方式之间的通信 量无法直接进行加权比较的问题。

结合第二方面的第一种可能的实现方式，在第三种可能的实现方式中，所 述计算单元具体用于：

采用以下公式计算所述第一用户和所述至少一个其他用户的通信频繁度：

$P(a,b)=\frac{\mathrm{Interaction}(a,b)}{\mathrm{Interaction}(a,*)}$

式中，P(a,b)表示用户a和用户b的通信频繁度，Interaction(a,b)表示用户a 和用户b之间的通信次数，Interaction(a,*)表示用户a和与用户a存在关联的所 有用户之间的通信次数。

通过计算单元计算得到了通信频繁度，更能全面衡量用户之间的影响力。

结合第二方面的第一种至第三种中任意一种可能的实现方式，在第四种可 能的实现方式中，所述计算单元具体用于：

根据所述第一用户和所述至少一个其他用户之间对应的通信量分布和通 信频繁度，计算所述第一用户和所述至少一个其他用户之间的交互因子时，采 用以下式子计算用户a和用户b之间的交互因子：

$I(a,b)=\left(\frac{\mathrm{Interaction}(a,b)}{\mathrm{Interaction}(a,*)}\right)/{(E(a,b)-E(a,*))}^2$

式中，I(a,b)表示用户a和用户b之间的交互因子，表示用户
a和用户b的通信频繁度，E(a,b)表示用户a和用户b进行交互时在所采用的每
一类通信方式上的通信量分布，E(a,*)表示用户a和与用户a存在关联的所有
用户进行交互时在所采用的每一类通信方式上的总体通信量分布。

通过计算单元计算得到了用户之间的交互因子，综合考虑了用户之间的通 信量分布和通信频繁度，来衡量用户的交往对象对该用户的影响。

结合第二方面，在第五种可能的实现方式中，所述推荐单元具体用于：

根据所述第一用户和所述至少一个其他用户之间的交互因子，以及所述第 一用户申请的每一类业务的经除权处理的使用信息，计算所述第一用户的业务 接受度；

根据所述第一用户在每一类业务上的申请情况，获得所述第一用户的业务 申请函数和业务普及率；

根据所述第一用户的业务接受度、业务申请函数和业务普及率，计算所述 每一类业务相对于所述第一用户的使用优先级；

根据每一个业务相对于所述第一用户的使用优先级，向所述第一用户推荐 当前优先级最高的业务。

通过推荐单元结合了用户和其交往对象之间的交互因子以及该用户申请 的每一类业务的经除权处理后的使用信息，全面预测该用户对未使用过的每类 业务的不同偏好，提高了业务推荐的准确性。

结合第二方面的第五种可能的实现方式，在第六种可能的实现方式中，所 述推荐单元具体用于：

根据所述第一用户和所述至少一个其他用户之间的交互因子，以及所述第 一用户申请的每一类业务的经除权处理的使用信息，计算所述第一用户的业务 接受度时，采用以下式子计算用户a的业务接受度：

$\mathrm{Acc}(a,i)=M_i\left(a\right)*\underset{b\in F\left(a\right)}{\Sigma }I(a,b)*M_i\left(b\right)$

式中，Acc(a,i)表示用户a对第i类业务的业务接受度，F(a)表示由与用户 a存在关联的至少一个其他用户组成的用户a的关联集合，I(a,b)表示用户a和 用户b之间的交互因子，Mi(a)表示用户a在申请的第i类业务中的经除权处理 的使用信息。

通过推荐单元得到了用户的业务接收度，从用户之间的影响力和用户本身 的倾向衡量用户对各个业务的接收程度。

结合第二方面的第五种可能的实现方式，在第七种可能的实现方式中，所 述推荐单元具体用于：

根据所述第一用户在每一类业务上的申请情况，获得所述第一用户的业务 申请函数时，依次判断所述第一用户是否已申请使用每一类业务，若是，则将 所述第一用户相应的业务申请函数记为0，否则，记为1。

通过推荐单元将用户已申请使用的业务对应的业务申请函数记为0，避免 了为用户推荐的业务是该用户正在使用的业务，提高了业务推荐的有效性。

结合第二方面的第五种至第七种中任意一种可能的实现方式，在第八种可 能的实现方式中，所述推荐单元具体用于：

根据所述第一用户的业务接受度、业务订购函数和业务普及率，分别计算 每一类业务相对于所述第一用户的使用优先级时，采用以下公式计算第i类业 务相对于用户a的优先级：

Prioritya(i)＝Idf(i)*Sub(a,i)*Acc(a,i)

式中，Prioritya(i)表示第i类业务相对于用户a的优先级，Idf(i)表示第i类 业务的业务普及率的倒数，Sub(a,i)表示用户a在第i类业务上的业务申请函数， Acc(a,i)表示用户a对第i类业务的业务接受度。

通过推荐单元得到了每一类业务相对于每个用户的使用优先级，克服了传 统方法只能针对单个业务、单个客户以及单个通信方式进行分析的缺陷，能够 向用户推荐其最需要的业务。

图1为本发明实施例中向用户推荐业务的流程图；

图2为本发明实施例中计算用户交互因子的详细流程图；

图3为本发明实施例中对业务推荐模型进行除权调整的详细流程图；

图4为本发明实施例中计算用户的业务推荐优先级的详细流程图；

图5为本发明实施例中基于社交网络分析的业务推荐系统示意图。

为了解决现有技术只针对单个业务、单个客户以及单个通信方式进行分 析，从而难以向用户推荐其最需要的业务的问题，本发明实施例中，提供了一 种基于社交网络分析的业务推荐方法及系统，在多类业务、多类通信方式并存 的实际情况下衡量用户之间相互的影响，向每位用户推荐其最需要的业务。

下面结合附图对本发明优选的实施方式进行详细说明。

参阅图1所示，本发明实施例中，向用户推荐业务的具体流程如下：

步骤100：推荐系统根据第一用户的历史通信记录，确定与该第一用户存 在关联的至少一个其他用户，并获取该第一用户与其至少一个其他用户进行交 互时所采用的每一类通信方式的通信量信息。

在实际应用中，推荐系统收集第一用户的通信记录，如语音通话、短信、 飞信等通信详单，或者其它能够识别的通信软件的通信详单，然后推荐系统对 上述各类通信详单按照“客户，客户对端，通信类型，通信量”的格式对该第 一用户的交往圈进行整合，并汇总出所采用的每一类通信方式的通信量，其中， 通信量可以是通信次数、通信时长等等，在目前的实际情况中一般采用统计通 信次数来计算通信量。

步骤110：推荐系统根据第一用户与其至少一个其他用户进行交互时所采 用的每一类通信方式的通信量信息，计算该第一用户和其至少一个其他用户之 间的交互因子。

在实际应用中，多种通信方式并存，由于不同的通信方式之间的通信量无 法直接进行加权比较，同时考虑到用户本身也许比较偏好某种特定的通信方 式，比如有些用户比较喜欢使用飞信，所以仅考虑主被叫用户之间的通信频繁 度已经无法全面衡量用户之间的影响力，还需要根据信息熵的原理来计算用户 在各类通信方式上的通信量分布。

本发明实施例中，推荐系统根据第一用户与其至少一个其他用户进行交互 时所采用的每一类通信方式的通信量信息，计算第一用户和其至少一个其他用 户进行交互时在所采用的每一类通信方式上的通信量分布，并计算该第一用户 和其至少一个其他用户的通信频繁度。

具体地，推荐系统采用公式1计算上述第一用户和其至少一个其他用户进 行交互时在所采用的每一类通信方式上的通信量分布：

E(a,b)＝-Σi∈T(a,b)pi log pi………[1]

式中，E(a,b)表示用户a与用户b进行交互时在所采用的每一类通信方式 上的通信量分布，T(a,b)表示用户a与用户b进行交互时所采用的通信方式种 类，pi表示第i种通信方式的通信次数在所有通信方式的通信次数中所占的比 例。

另外，推荐系统采用公式2计算上述第一用户和其至少一个其他用户的通 信频繁度：

$P(a,b)=\frac{\mathrm{Interaction}(a,b)}{\mathrm{Interaction}(a,*)}...\left[2\right]$

式中，P(a,b)表示用户a和用户b的通信频繁度，Interaction(a,b)表示用户a 和用户b之间的通信次数，Interaction(a,*)表示用户a和与用户a存在关联的所 有用户之间的通信次数。

然后，推荐系统再根据上述计算出的第一用户和其至少一个其他用户之间 对应的通信量分布和通信频繁度，来计算该第一用户和其至少一个其他用户之 间的交互因子。

例如，推荐系统预计算用户a和用户b之间的交互因子，可采用公式3获 得：

$I(a,b)=\left(\frac{\mathrm{Interaction}(a,b)}{\mathrm{Interaction}(a,*)}\right)/{(E(a,b)-E(a,*))}^2...\left[3\right]$

式中，I(a,b)表示用户a和用户b之间的交互因子，表示用户
a和用户b的通信频繁度，E(a,b)表示用户a和用户b进行交互时在所采用的每
一类通信方式上的通信量分布，E(a,*)表示用户a和与用户a存在关联的所有
用户进行交互时在所采用的每一类通信方式上的总体通信量分布。

步骤120：推荐系统根据第一用户的历史业务信息，确定该第一用户申请 的每一类业务的使用信息并进行除权处理。

在实际应用中，考虑用户最需要何类业务，除了衡量该用户的交往对象对 其的影响，还需要评估该用户申请业务的倾向。目前常用的一种方法是，通过 用户的历史业务信息，对各类业务分别构建相应的业务推荐模型，并使用上述 业务推荐模型形成对该用户的各类业务的评分。然而，由于各类业务的用户接 受度、发展程度、发展要求都不一样，所以各类业务的比较基准并不相同，故 各类业务推荐模型形成的对用户各类业务的评分并不能直接进行比较。因此， 本发明实施例对上述各类业务推荐模型进行了除权处理。首先，在各类业务推 荐模型建立阶段，推荐系统按照抽样比例对业务推荐模型的评分进行初步的复 原。然后，推荐系统再对上述初步复原的业务推荐模型的评分做进一步的调整， 调整方式可以是以下三种方式中的任意一种，但也不限于这三种方式。第一种 方式是基准推荐响应率除权，将各类业务推荐模型的评分除以各类业务的日常 响应率来进行调整，其中，各类业务的日常响应率指各类业务在日常随机推荐 给用户的机率。第二种方式是关键绩效指标（Key Performance Indicate，KPI） 除权，将各类业务推荐模型的评分根据当前KPI完成进度，按照各类业务的完 成比例来进行调整，其中，优先考虑发展进度比较缓慢的业务。第三种方式是 业务收入除权，将各类业务推荐模型的评分分别乘以对应的各类业务的单价或 者利润来进行调整。这样，不同类型的业务推荐模型的评分在经过上述除权处 理后就可以相互比较了。

步骤130：推荐系统根据第一用户和其至少一个其他用户之间的交互因子， 以及该第一用户申请的每一类业务的经除权处理的使用信息，分别确定该第一 用户申请的每一类业务的推荐优先级，并向该第一用户推荐当前推荐优先级最 高的业务。

在实际应用中，用户偏好的业务除了可以从该用户的历史业务申请信息中 进行分析，同时，用户的兴趣点还受到其日常交往对象的影响，尤其联系越密 切的交往对象，对该用户的影响力越大。所以，本发明实施例结合了用户和其 交往对象之间的交互因子以及该用户申请的每一类业务的经除权处理后的使 用信息，全面预测该用户对未使用过的每类业务的不同偏好。

具体地，本发明实施例中，推荐系统根据第一用户和其至少一个其他用户 之间的交互因子，以及该第一用户申请的每一类业务的经除权处理的使用信 息，计算该第一用户的业务接受度。

例如，推荐系统预计算用户a的业务接受度，可采用公式4获得：

$\mathrm{Acc}(a,i)=M_i\left(a\right)*\underset{b\in F\left(a\right)}{\Sigma }I(a,b)*M_i\left(b\right)...\left[4\right]$

式中，Acc(a,i)表示用户a对第i类业务的业务接受度，F(a)表示由与用户 a存在关联的至少一个其他用户组成的用户a的关联集合，I(a,b)表示用户a和 用户b之间的交互因子，Mi(a)表示用户a在申请的第i类业务中的经除权处理 的使用信息。

然后，推荐系统根据第一用户在每一类业务上的申请情况，获得该第一用 户的业务申请函数和业务普及率。

具体地，上述业务申请函数为一个二值函数，推荐系统依次判断该第一用 户是否已申请使用每一类业务，若是，则将该第一用户相应的业务申请函数记 为0，否则，记为1。上述业务普及率表示每一类业务在全网的普及率。

其次，推荐系统根据该第一用户的业务接受度、业务申请函数和业务普及 率，计算每一类业务相对于该第一用户的使用优先级。

例如，推荐系统预计算第i类业务相对于用户a的优先级，可采用公式5 获得：

Prioritya(i)＝Idf(i)*Sub(a,i)*Acc(a,i)………[5]

式中，Prioritya(i)表示第i类业务相对于用户a的优先级，Idf(i)表示第i类 业务的业务普及率的倒数，Sub(a,i)表示用户a在第i类业务上的业务申请函数， Acc(a,i)表示用户a对第i类业务的业务接受度。

最后，推荐系统根据每一个业务相对于该第一用户的使用优先级，向该第 一用户推荐当前优先级最高的业务。

由于在上述每一类业务的使用优先级的计算过程中，推荐系统使用了业务 申请函数这一二值函数，将用户已申请使用的业务对应的业务申请函数记为0， 所以推荐系统最后为用户推荐的业务，是综合考虑了该用户的交往对象对其的 影响以及该用户对各类业务历史申请的倾向，该用户最需要且当前未使用的业 务。

下面，对上述实施例作出进一步的详细说明。

如图2所示，本发明实施例中，推荐系统计算用户交互因子的详细流程如 下：

步骤200：推荐系统对用户的交往圈进行整合。

例如，推荐系统收集用户A的通信记录，将用户A与其对端B的之间的 通信详单按照“{用户，用户对端，语音通话，短信，飞信……}”的格式整合 为：{A，B，35，50，65，……}，其中，35表示用户A与用户B之间采用语 音通话的方式进行通信的交互次数为35次。

步骤201：推荐系统对用户的交往圈进行过滤。

例如，推荐系统将用户A的交往圈整合完毕后，发现其中用户A与用户C 之间只有用户A的主叫行为而没有用户A的被叫行为，或者用户A与用户D 之间只有用户A的被叫行为而没有用户A的主叫行为，那么就需要从用户A 的交往圈中删去用户C和用户D这类只有单项通信方式的交往对象。

步骤202：推荐系统对用户的通信量分布差异进行计算。

例如，用户A与用户B之间产生的通信量分布与用户A的总体通信量分 布的差异为E(A,B)-E(A,*)，其中，E(A,B)、E(A,*)可采用公式1获得。该差异 值越小，意味着用户B对用户A的影响力越大。但是，考虑到通信量分布差 异大的交往对象，有可能在某类通信方式上的交互比较频繁，比如家庭捆绑类 用户之间的语音通信比较突出，所以还需要计算用户的通信频繁度。

步骤203：推荐系统对用户的通信频繁度进行计算。

例如，用户A与用户B之间的通信频繁度可采用公式2计算得到。

步骤204：推荐系统对用户的交互因子进行计算。

例如，对用户A与用户B之间的交互因子通过公式3计算，可得：{用户， 用户对端，交互因子}={A，B，10.5}。

如图3所示，本发明实施例中，推荐系统对业务推荐模型进行除权调整的 详细流程如下：

步骤300：推荐系统根据用户的历史业务信息，分别构建各类业务推荐模 型，并形成对该用户的各类业务的评分。

例如，推荐系统根据用户A的历史业务申请信息，得到用户A申请使用 过的各类业务的评分为：{用户，业务推荐模型1评分，业务推荐模型2评 分，……}={A，1.23，0.78，……}。

步骤301：推荐系统按照抽样比例对业务推荐模型的评分进行初步复原。

步骤302：推荐系统将业务推荐模型的评分除以各类业务的日常响应率进 行调整。

经过上述除权调整后，得到用户A申请使用过的各类业务的除权评分为： {用户，业务推荐模型1评分，业务推荐模型2评分，……}={A，0.85，0.34，……}。 另外，在步骤302中，除了采用这种除权调整方式，还可以将各类业务推荐模 型的评分根据当前KPI完成进度，按照各类业务的完成比例来进行调整，也可 以将各类业务推荐模型的评分分别乘以对应的各类业务的单价或者利润来进 行调整。

如图4所示，本发明实施例中，推荐系统对用户的业务推荐优先级进行计 算的详细流程如下：

步骤400：推荐系统根据用户的交互因子，以及该用户各类业务推荐模型 经除权处理后的评分，计算该用户的业务接收度。

步骤401：推荐系统根据用户在每一类业务上的申请情况，获取该用户的 业务申请函数和业务普及率。

例如，用户A的业务申请函数为：{用户，业务1，业务2，……}={A，0， 1，……}，表示用户A已申请使用了业务1，未申请使用业务2。

步骤402：推荐系统根据该用户的业务接受度、业务申请函数和业务普及 率，计算每一类业务相对于该用户的使用优先级。

例如，根据上述用户A的业务接受度、业务申请函数和业务普及率，通过 公式5计算得，用户A的各类业务的使用优先级为：{用户，业务1，业务 2，……}={A，23.5，45.3，……}。若对于用户A而言，业务2的优先级是各 类业务中优先级最高的，则推荐系统将优先为用户A推荐业务2。

基于上述实施例，参阅图5所示，本发明实施例中，基于社交网络分析的 业务推荐系统50包括：

获取单元500，用于根据第一用户的历史通信记录，确定与该第一用户存 在关联的至少一个其他用户，并获取该第一用户与其至少一个其他用户进行交 互时所采用的每一类通信方式的通信量信息。

计算单元501，用于根据该第一用户与其至少一个其他用户进行交互时所 采用的每一类通信方式的通信量信息，计算该第一用户和其至少一个其他用户 之间的交互因子。

除权单元502，用于根据该第一用户的历史业务信息，确定该第一用户申 请的每一类业务的使用信息并进行除权处理。

推荐单元503，用于根据该第一用户和其至少一个其他用户之间的交互因 子，以及该第一用户申请的每一类业务的经除权处理的使用信息，分别确定该 第一用户申请的每一类业务的推荐优先级，并向该第一用户推荐当前优先级最 高的业务。

具体地，计算单元501根据该第一用户与其至少一个其他用户进行交互时 所采用的每一类通信方式的通信量信息，计算该第一用户和其至少一个其他用 户进行交互时在所采用的每一类通信方式上的通信量分布，并计算该第一用户 和其至少一个其他用户的通信频繁度。然后，计算单元501再根据该第一用户 和其至少一个其他用户之间对应的通信量分布和通信频繁度，计算该第一用户 和其至少一个其他用户之间的交互因子。

具体地，计算单元501可采用公式1计算该第一用户和其至少一个其他用 户进行交互时在所采用的每一类通信方式上的通信量分布：

E(a,b)＝-Σi∈T(a,b)pi log pi………[1]

式中，E(a,b)表示用户a与用户b进行交互时在所采用的每一类通信方式 上的通信量分布，T(a,b)表示用户a与用户b进行交互时所采用的通信方式种 类，pi表示第i种通信方式的通信次数在所有通信方式的通信次数中所占的比 例。

具体地，计算单元501可采用公式2计算该第一用户和其至少一个其他用 户的通信频繁度：

$P(a,b)=\frac{\mathrm{Interaction}(a,b)}{\mathrm{Interaction}(a,*)}...\left[2\right]$

式中，P(a,b)表示用户a和用户b的通信频繁度，Interaction(a,b)表示用户a 和用户b之间的通信次数，Interaction(a,*)表示用户a和与用户a存在关联的所 有用户之间的通信次数。

具体地，计算单元501根据上述第一用户和其至少一个其他用户之间对应 的通信量分布和通信频繁度，计算该第一用户和其至少一个其他用户之间的交 互因子时，例如，可采用公式3计算用户a和用户b之间的交互因子：

$I(a,b)=\left(\frac{\mathrm{Interaction}(a,b)}{\mathrm{Interaction}(a,*)}\right)/{(E(a,b)-E(a,*))}^2...\left[3\right]$

式中，I(a,b)表示用户a和用户b之间的交互因子，表示用户
a和用户b的通信频繁度，E(a,b)表示用户a和用户b进行交互时在所采用的每
一类通信方式上的通信量分布，E(a,*)表示用户a和与用户a存在关联的所有
用户进行交互时在所采用的每一类通信方式上的总体通信量分布。

推荐单元503可具体用于，根据第一用户和其至少一个其他用户之间的交 互因子，以及第一用户申请的每一类业务的经除权处理的使用信息，计算该第 一用户的业务接受度；然后，根据第一用户在每一类业务上的申请情况，获得 该第一用户的业务申请函数和业务普及率；其次，根据上述第一用户的业务接 受度、业务申请函数和业务普及率，计算每一类业务相对于该第一用户的使用 优先级；最后，根据每一个业务相对于该第一用户的使用优先级，向该第一用 户推荐当前优先级最高的业务。

具体地，推荐单元503根据第一用户和其至少一个其他用户之间的交互因 子，以及该第一用户申请的每一类业务的经除权处理的使用信息，计算该第一 用户的业务接受度时，例如，可采用公式4计算用户a的业务接受度：

$\mathrm{Acc}(a,i)=M_i\left(a\right)*\underset{b\in F\left(a\right)}{\Sigma }I(a,b)*M_i\left(b\right)...\left[4\right]$

式中，Acc(a,i)表示用户a对第i类业务的业务接受度，F(a)表示由与用户 a存在关联的至少一个其他用户组成的用户a的关联集合，I(a,b)表示用户a和 用户b之间的交互因子，Mi(a)表示用户a在申请的第i类业务中的经除权处理 的使用信息。

具体地，推荐单元503根据第一用户在每一类业务上的申请情况，获得该 第一用户的业务申请函数时，依次判断该第一用户是否已申请使用每一类业 务，若是，则将该第一用户相应的业务申请函数记为0，否则，记为1。

具体地，推荐单元503根据第一用户的业务接受度、业务订购函数和业务 普及率，分别计算每一类业务相对于该第一用户的使用优先级时，例如，可采 用公式5计算第i类业务相对于用户a的优先级：

Prioritya(i)＝Idf(i)*Sub(a,i)*Acc(a,i)………[5]

式中，Prioritya(i)表示第i类业务相对于用户a的优先级，Idf(i)表示第i类 业务的业务普及率的倒数，Sub(a,i)表示用户a在第i类业务上的业务申请函数， Acc(a,i)表示用户a对第i类业务的业务接受度。

综上所述，本发明实施例中所记载的技术方案整合了各类通信方式所产生 的通信行为，按照用户之间的通信量分布和通信频繁度来衡量用户的交往对象 对该用户的影响，并通过用户的交互因子和经除权处理后的历史业务使用信 息，计算用户的业务推荐优先级，克服了传统方法只能针对单个业务、单个客 户以及单个通信方式进行分析的缺陷，能够向用户推荐其最需要的业务，提高 了业务推荐的准确度和有效性。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱 离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属 于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和 变型在内。