本发明涉及基于深度学习改善sns负面功能的社交混搭逻辑实现系统及方法，更具体来讲涉及一种能够在用户之间提供稳定性、关联性及适当性的基于深度学习的sns负面功能改善中的先制性屏蔽与选择性公开。
背景技术：
近来随着网络技术的发展，很多人都使用社交网络服务(socialnetworkservice，sns)。sns是使得用户能够在线上空间搭建人际网络的服务，有些说明还会采用叫作人脉管理服务、社会连接网服务、社区型网站的术语。
可以认为这种sns的服务的要点是参与者之间通过规定步骤形成特定关系且逐渐扩大其范围，最终以紧密的方式中转参与者之间的广泛的相互作用。典型的sns有脸书(facebook)、推特、照片墙(instagram)、聚友(myspace)等。
其中的facebook的特征为边缘链接算法以亲密度、加权值及时间这三种要素为基点确定置顶展示内容，对亲密度而言，以用户表示‘帖子’、‘赞’及‘共享’行为的内容为主设置加权值，对加权值而言，按照照片、视频、文本及链接的顺序设置加权值，越是新发布的帖子，曝光频度越高。
这种sns的优点是为很多人提供有利信息及扩张人际关系，但sns的特性为毫无限制地向非特定的多数人公开，因此同时还具有社会问题及负面功能。
【现有技术文献】
【专利文献】
韩国公开专利公报第10-2005-0052638号(2005.06.03)
技术实现要素：
技术问题
对此，本发明旨在解决这种技术问题，本发明的目的是提供一种能够最小化sns负面功能的基于深度学习改善sns负面功能的社交混搭逻辑实现系统。
并且，本发明的另一目的是提供一种能够最小化sns负面功能的能够改善基于深度学习的sns负面功能的社交混搭逻辑实现方法。
技术方案
用于达成上述本发明的目的的基于深度学习改善sns负面功能的社交混搭逻辑实现系统包括：用户接口服务器，其存储关于用户的基于网络及移动终端的接口的个人信息、登录信息及活动信息等的数据；外部联系服务器，其存储关于在社交媒体、学校社区或地方社区等基于所述用户与相关的其他用户的相互关系发生的活动的数据；状况识别服务器，其根据存储于所述用户接口服务器及所述外部联系服务器的信息感测用户的心理变化及环境变化并存储关于所述用户的心理变化及环境变化的数据；分析服务器，其根据存储于所述用户接口服务器、所述外部联系服务器及状况识别服务器的基本值及通过用户的活动等增加或发生变动而存储到所述用户接口服务器、所述外部联系服务器及状况识别服务器的附加值，生成利用人工神经网络方法将所述用户相对于其他用户的关系计算成数值的关系指数并存储；以及管理服务器，其利用所述分析服务器算出的关系指数调节其他用户对所述用户的展示内容的访问程度及所述用户更新的内容的屏蔽程度及公开程度。
根据本发明的一个实施例，所述分析服务器可通过以下步骤分析关系指数：将存储于所述用户接口服务器、所述外部联系服务器及状况识别服务器的数据作为基本值分析关系指数的第一级别分析步骤；向在所述第一级别分析步骤分析得到的结果反映包括关于用户的活动及与跟在展示内容上的帖子相关的主题的信息的附加值，利用卷积神经网络(convolutionneuralnetwork，cnn)进行分析的第二级别分析步骤；反映根据所述第二级别分析步骤的结果变化的趋势以利用循环神经网络(recurrentneuralnetwork，rnn)对其进行再分析的第三级别分析步骤；作为基本值存储所述第三级别分析步骤的结果的步骤；以及利用反映有所述第三级别分析步骤的结果的数据重复执行所述第一级别分析步骤至第三级别分析步骤的步骤。
根据本发明的一个实施例，所述关系指数划分为表示否定的情况下用0表示，表示肯定的情况下用100表示的关系指数区段，所述关系指数区段可包括关系指数大于等于0且小于10的第一区段、关系指数大于等于10且小于25的第二区段、关系指数大于等于25且小于45的第三区段、关系指数大于等于45且小于65的第四区段、关系指数大于等于65且小于80的第五区段、关系指数大于等于80且小于90的第六区段及关系指数大于等于90且小于等于100的第七区段。
根据本发明的一个实施例，所述关系指数对应于所述第二区段至第六区段的情况下各区段的临界值起到阈值(threshold)的作用，对用户的展示内容的其他用户的访问程度及所述用户更新的内容的公开程度在各区段的临界值发生变化，所述关系指数对应于所述第一区段的情况下，当所述关系指数小于10时立即完全屏蔽对用户的展示内容的其他用户的访问，所述关系指数对应于所述第七区段的情况下，当所述关系指数为90以上时可立即完全公开展示内容。
根据本发明的一个实施例，还可以包括变换所述关系指数生成变换关系指数并存储的加密部，可针对所述用户与其他用户之间的每个关系算出所述关系指数。
根据本发明的一个实施例，所述变换关系指数可包括符号化的用于区分所述用户与其他用户的关系的符号化指数及对所述符号化指数加密得到的加密指数。
根据本发明的一个实施例，可考虑表示对用户的最初展示内容的肯定或否定程度的最初魅力度、表示用户的展示内容有跟帖后对所述展示内容的肯定或否定程度的反应魅力度、表示考虑了与所述展示内容的主题相关的环境要素的肯定或否定程度的环境要素魅力度、表示对所述展示内容的其他用户的帖子、对话及登录次数的变化量的程度的有形性访问度及表示所述展示内容的主题的类型的无形性访问度算出所述关系指数。
根据本发明的一个实施例，可考虑与用户的年龄相关的第一要素、与用户居住的地区相关的第二要素、与用户的性别相关的第三要素、与用户的职业相关的第四要素及与关于用户主要活动的时间为白天还是夜间的时间喜好度相关的第五要素通过所述第一级别分析步骤算出所述最初魅力度。所述最初魅力度用以下数学式定义：
其中，c表示最初魅力度，fcn表示满足与所述第一要素至所述第五要素相同的条件
的展示内容中具有与用户上传的展示内容的主题相同的主题的展示内容的个数，fn表示满足与所述第一要素至所述第五要素相同的条件的展示内容的总个数。
根据本发明的一个实施例，所述环境要素魅力度可通过向所述最初魅力度反映附加值并通过所述第二级别分析步骤及所述第三级别分析步骤算得。
根据本发明的一个实施例，所述反应魅力度可用以下数学式定义：
其中，r表示反应魅力度。
根据本发明的一个实施例，可通过考虑表示对展示内容的主题的帖子及对话的量的第一类型、表示对所述展示内容的主题的帖子及对话的进行速度的第二类型、表示所述展示内容开始有跟帖后跟帖速度的增加量相对于帖子量的增加量的比例的第三类型、表示对所述展示内容的总登录次数的第四类型、表示对所述展示内容的重复登录次数的第五类型、表示重复登录次数相对于总登录次数的比例的第六类型及表示浏览其他展示内容的次数相对于访问查看所述展示内容的次数的比例的第七类型算出所述有形性访问度确定所述有形性访问度。所述有形性访问度可用以下数学式定义：
da＝ω1×i1 ω2×i2 ω3×i3 ω4×i4 ω5×i5 ω6×i6 ω7×i7
其中，da表示有形性访问度，ω1至ω7分别表示第一类型至第七类型的加权值，i1至i7分别表示第一类型至第七类型的值。
根据本发明的一个实施例，是无跟帖的展示内容的情况下可向所述最初魅力度反映按展示内容的目的分类的主题通过所述第二级别分析步骤及所述第三级别分析步骤算得所述无形性访问度，是有跟帖的展示内容的情况下可向所述反应魅力度反映按包括帖子的所有展示内容的目的分类的主题的具体类型通过所述第二级别分析步骤及所述第三级别分析步骤算得所述无形性访问度。
根据本发明的一个实施例，将组合所述最初魅力度、所述反应魅力度、所述环境要素魅力度及所述有形性访问度得到的值确定为所述关系指数，所述关系指数可用以下数学式定义：
rc＝ωc×c ωr×r ωe×e ωd×da
其中，rc表示关系指数，ωc表示最初魅力度的加权值，ωr表示反应魅力度的加权值，ωe表示环境要素魅力度的加权值，ωd表示有形性访问度的加权值，c表示最初魅力度，r表示反应魅力度，e表示环境要素魅力度，da表示有形性访问度。
用于达成上述本发明的另一目的的基于深度学习改善sns负面功能的社交混搭逻辑实现方法包括：用户接口服务器存储关于用户的基于网络及移动终端的接口的个人信息、登录信息及活动信息等的数据的步骤；外部联系服务器存储关于在社交媒体、学校社区或地方社区等基于所述用户与相关的其他用户的相互关系发生的活动的数据的步骤；状况识别服务器根据存储于所述用户接口服务器及所述外部联系服务器的信息感测用户的心理变化及环境变化并存储关于所述用户的心理变化及环境变化的数据的步骤；分析服务器根据存储于所述用户接口服务器、所述外部联系服务器及状况识别服务器的基本值及通过用户的活动等增加或发生变动而存储到所述用户接口服务器、所述外部联系服务器及状况识别服务器的附加值，生成利用人工神经网络方法将所述用户相对于其他用户的关系计算成数值的关系指数并存储的步骤；以及管理服务器利用所述分析服务器算出的关系指数调节其他用户对所述用户的展示内容的访问程度及所述用户更新的内容的屏蔽程度及公开程度的步骤。
根据本发明的一个实施例，生成利用所述人工神经网络方法计算成数值的关系指数并存储的步骤可包括：将存储于所述用户接口服务器、所述外部联系服务器及状况识别服务器的数据作为基本值分析关系指数的第一级别分析步骤；向在所述第一级别分析步骤分析得到的结果反映包括关于用户的活动及与跟在展示内容上的帖子相关的主题的信息的附加值，利用卷积神经网络(convolutionneuralnetwork，cnn)进行分析的第二级别分析步骤；反映根据所述第二级别分析步骤的结果变化的趋势以利用循环神经网络(recurrentneuralnetwork，rnn)对其进行再分析的第三级别分析步骤；作为基本值存储所述第三级别分析步骤的结果的步骤；以及利用反映有所述第三级别分析步骤的结果的数据重复执行所述第一级别分析步骤至第三级别分析步骤的步骤。
根据本发明的一个实施例，所述关系指数划分为表示否定的情况下用0表示，表示肯定的情况下用100表示的关系指数区段，所述关系指数区段可包括关系指数大于等于0且小于10的第一区段、关系指数大于等于10且小于25的第二区段、关系指数大于等于25且小于45的第三区段、关系指数大于等于45且小于65的第四区段、关系指数大于等于65且小于80的第五区段、关系指数大于等于80且小于90的第六区段及关系指数大于等于90且小于等于100的第七区段。
根据本发明的一个实施例，所述关系指数对应于所述第二区段至第六区段的情况下各区段的临界值起到阈值(threshold)的作用，对用户的展示内容的其他用户的访问程度及所述用户更新的内容的公开程度在各区段的临界值发生变化，根据本发明的一个实施例，所述关系指数对应于所述第一区段的情况下，当所述关系指数小于10时立即完全屏蔽对用户的展示内容的其他用户的访问，所述关系指数对应于所述第七区段的情况下，当所述关系指数为90以上时可立即完全公开展示内容。
根据本发明的一个实施例，所述基于深度学习改善sns负面功能的社交混搭逻辑实现方法还可以包括加密部生成变换所述关系指数的变换关系指数并存储的步骤。可针对所述用户与其他用户之间的每个关系算出所述关系指数。
根据本发明的一个实施例，生成所述变换关系指数的步骤可包括：所述加密部生成符号化的用于区分所述用户与其他用户的关系的符号化指数的步骤；以及所述加密部对所述符号化指数加密得到加密指数的步骤。
根据本发明的一个实施例，可考虑表示对用户的最初展示内容的肯定或否定程度的最初魅力度、表示用户的展示内容有跟帖后对所述展示内容的肯定或否定程度的反应魅力度、表示考虑了与所述展示内容的主题相关的环境要素的肯定或否定程度的环境要素魅力度、表示对所述展示内容的其他用户的帖子、对话及登录次数的变化量的程度的有形性访问度及表示所述展示内容的主题的类型的无形性访问度算出所述关系指数。
根据本发明的一个实施例，可考虑与用户的年龄相关的第一要素、与用户居住的地区相关的第二要素、与用户的性别相关的第三要素、与用户的职业相关的第四要素及与关于用户主要活动的时间为白天还是夜间的时间喜好度相关的第五要素通过所述第一级别分析步骤算出所述最初魅力度。所述最初魅力度用以下数学式定义：
其中，c表示最初魅力度，fcn表示满足与所述第一要素至所述第五要素相同的条件
的展示内容中具有与用户上传的展示内容的主题相同的主题的展示内容的个数，fn表示满足与所述第一要素至所述第五要素相同的条件的展示内容的总个数。
根据本发明的一个实施例，所述环境要素魅力度可通过向所述最初魅力度反映附加值并通过所述第二级别分析步骤及所述第三级别分析步骤算得。
根据本发明的一个实施例，所述反应魅力度可用以下数学式定义：
其中，r表示反应魅力度。
根据本发明的一个实施例，可通过考虑表示对展示内容的主题的帖子及对话的量的第一类型、表示对所述展示内容的主题的帖子及对话的进行速度的第二类型、表示所述展示内容开始有跟帖后跟帖速度的增加量相对于帖子量的增加量的比例的第三类型、表示对所述展示内容的总登录次数的第四类型、表示对所述展示内容的重复登录次数的第五类型、表示重复登录次数相对于总登录次数的比例的第六类型及表示浏览其他展示内容的次数相对于访问查看所述展示内容的次数的比例的第七类型确定所述有形性访问度。所述有形性访问度可用以下数学式定义：
da＝ω1×i1 ω2×i2 ω3×i3 ω4×i4 ω5×i5 ω6×i6 ω7×i7
其中，da表示有形性访问度，ω1至ω7分别表示第一类型至第七类型的加权值，i1至i7分别表示第一类型至第七类型的值。
根据本发明的一个实施例，是无跟帖的展示内容的情况下向所述最初魅力度反映按展示内容的目的分类的主题通过所述第二级别分析步骤及所述第三级别分析步骤算得所述无形性访问度，是有跟帖的展示内容的情况下向所述反应魅力度反映按包括帖子的所有展示内容的目的分类的主题的具体类型通过所述第二级别分析步骤及所述第三级别分析步骤算得所述无形性访问度。
根据本发明的一个实施例，将组合所述最初魅力度、所述反应魅力度、所述环境要素魅力度及所述有形性访问度得到的值确定为所述关系指数，所述关系指数可用以下数学式定义：
rc＝ωc×c ωr×r ωe×e ωd×da
其中，rc表示关系指数，ωc表示最初魅力度的加权值，ωr表示反应魅力度的加权值，ωe表示环境要素魅力度的加权值，ωd表示有形性访问度的加权值，c表示最初魅力度，r表示反应魅力度，e表示环境要素魅力度，da表示有形性访问度。
技术效果
根据本发明，基于深度学习改善sns负面功能的社交混搭逻辑实现系统并非单纯地分析用户与其他用户之间的关系指数，而是立即反映通过与其他用户的相互作用发生的信息及通过用户的活动变化增加或变动的信息分析关系指数。因此，能够提供非机械屏蔽或公开的与用户和其他用户的关系相匹配的匹配型服务。
并且，本发明的基于深度学习改善sns负面功能的社交混搭逻辑实现系统可提供与用户的状况相匹配的匹配型服务，因此能够屏蔽不加以分辨的公开及不喜欢的其他用户的访问，因此能够改善sns负面功能。
附图说明
图1是示出本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现系统的框图；
图2是示出本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现方法的流程图；
图3是示出本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现方法的关系指数分析步骤的流程图；
图4是示出本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现方法的关系指数的关系指数区段的框图；
图5是用于说明本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现方法的先制性屏蔽及选择性公开的示意图；
图6是用于说明本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现方法的选择性公开的示意图；
图7是示出本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现方法的符号化指数及加密指数的示意图；
图8是用于说明本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现方法的访问及公开调节步骤的流程图；
图9是示出本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现系统的显示部的示意图；
图10是示出本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现系统的显示部的示意图。
附图标记说明
100：用户接口服务器200：外部联系服务器
300：状况识别服务器400：分析服务器
500：管理服务器600：加密部
700：显示部
具体实施方式
本发明可施加多种变更，可以具有多种形态，以下在说明书中具体说明实施例。但其目的并非将本发明限定于特定公开形态，实际上应该理解为包括本发明思想及技术范围内的所有变更、等同物及替代物。在说明各附图时对类似的构成要素标注类似的附图标记。第一、第二等术语可用于说明多种构成要素，但所述构成要素不得限定于所述术语。
所述术语只是用于区分一个构成要素与其他构成要素。本申请中使用的术语只是用于说明特定实施例，而并非旨在限定本发明。单数类语句在文中无其他明确说明的情况下还包括复数类含义。
应该将本申请中所述“包括”或“构成”等术语理解为存在说明书上记载的特征、数字、步骤、动作、构成要素、部件或其组合，不应理解为预先排除存在或附加一个或多个其他特征或数字、步骤、动作、构成要素、部件或其组合的可能性。
若无另行定义，包括技术术语或科学术语在内的所有术语均表示与本领域普通技术人员通常理解相同的意思。通常使用的词典中定义过的术语应解释为与相关技术的文章脉络相一致的意思，本申请没有明确定义的情况下不得解释为理想或过度形式性的意思。
以下参照附图对本发明的优选实施例进行更详细的说明。
图1是示出本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现系统的框图。
参见图1，本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现系统10包括用户接口服务器100、外部联系服务器200、状况识别服务器300、分析服务器400、管理服务器500、加密部600及显示部700。
所述用户接口服务器100存储关于用户的基于网络及移动终端的接口的个人信息、登录信息及活动信息等的数据。所述用户接口服务器100可收集并存储关于用户经常访问的网站、网站内关注的对象等的活动信息的数据。
所述外部联系服务器200存储关于在社交媒体、学校社区或地方社区等基于所述用户与相关的其他用户的相互关系发生的活动的数据。所述外部联系服务器200例如可以与facebook、照片墙、naver微博或kakaotalk等相关联以收集存储关于用户在与其他用户的相互关系下发生的活动的数据。
所述状况识别服务器300根据存储于所述用户接口服务器及所述外部联系服务器的信息感测用户的心理变化、环境变化并存储关于所述用户的心理变化及环境变化的数据。所述状况识别服务器300可收集、存储关于气温、湿度、降水量、风向及居住地的信息等环境信息、用户的视觉认知反应、空间认知反应、语言认知反应及情节反应等认知信息及包括从可穿戴设备等收集的心电图、脑波及体温等信息的行为信息。因此，状况识别服务器300存储有关于对特定状况的用户的感情或行动的变化的数据，因此可在预测对类似的状况的用户的喜好度等方面利用这些数据。
所述分析服务器400根据存储于所述用户接口服务器、所述外部联系服务器及状况识别服务器的基本值及通过用户的活动等增加或发生变动而存储到所述用户接口服务器、所述外部联系服务器及状况识别服务器的附加值生成关系指数并存储，其中，所述关系指数是利用人工神经网络方法将所述用户相对于其他用户的关系计算成数值的关系指数。
所述分析服务器400可利用将存储于所述用户接口服务器、所述外部联系服务器及状况识别服务器的数据作为基本值分析关系指数的第一级别分析步骤、向在所述第一级别分析步骤分析得到的结果反映包括关于用户的活动及与跟在展示内容的帖子相关的主题的信息的附加值，利用卷积神经网络(convolutionneuralnetwork，cnn)进行分析的第二级别分析步骤、反映根据所述第二级别分析步骤的结果变化的趋势，利用循环神经网络(recurrentneuralnetwork，rnn)对其进行再分析的第三级别分析步骤、作为基本值存储所述第三级别分析步骤的结果的步骤及利用反映有所述第三级别分析步骤的结果的数据重复执行所述第一级别分析步骤至第三级别分析步骤的步骤分析喜好度。
因此，不同于按照预先规划的事件条件确定之后的行为的一般的方式，反映通过用户的活动等增加或变动并存储的附加值分析喜好度，通过人工神经网络方法变化的各级别的趋势转移到下一个级别的分析从而影响下一个级别的分析。因此，用户的活动变化带来的心理变化及喜好度的变化等能够立即反映于喜好度分析，因此能够提供与用户和其他用户之间的关系指数相匹配的匹配型服务。
所述管理服务器500提供利用所述分析服务器分析的关于关系指数的数据调节其他用户对所述用户的展示内容的访问程度及所述用户更新的内容的屏蔽程度及公开程度的服务。
在此，可以将屏蔽与公开定义为增加核心概念以改善理念性杠杆的先制性屏蔽与选择性公开的新概念。首先，先制性屏蔽是指先制性屏蔽欲访问用户或用户的展示内容的其他用户，使得用户能够放心地利用sns服务。在此，可以将服务提供成被屏蔽的用户察觉不到自己被屏蔽。
并且，关于先制性屏蔽与选择性公开的理念性杠杆效应是指经济及资本主义理念上的屏蔽与公开像资本经济利益一样在社交媒体上在知识与社区能够到达时空利益的理念的确信与效果。即，在经济学上收获的杠杆效应在社交媒体空间内实现理念的最大化以理想地实现先制行屏蔽与选择性允许，并且实现最有效的利益，即在社交媒体上实现价值最大化的效果。
以下，选择性公开是指能够提供用户更新的展示内容只显示于想让看到的人们的感觉的公开。选择性公开是指除了以特定关系连接的人之外还向与用户具有相似的倾向或兴趣爱好的人们公开。例如，并不是仅向按facebook的朋友之类的关系连接的用户公开，而是一种考虑周边人群中在某种程度上与用户具有相似的倾向、职业、年龄、居住地区等多种要素以根据关系指数修正着想让看到展示内容的人们并公开的概念。
所述加密部600可变换所述关系指数生成变换关系指数。所述变换关系指数可包括符号化指数及加密指数。
所述加密部600将所述关系指数符号化生成符号化指数，对所述符号化指数加密生成加密指数。针对用户与其他用户之间的每个关系算出所述关系指数，所述关系指数表示用户与其他用户之间的关系。因此关系指数含有敏感信息，因此不向用户公开尤为重要。所述加密部600对关系指数加密且存储管理，因此用户无法确认表示用户与其他用户之间的关系的信息。本实施例以将关系指数指数化且对其再加密的方法为例进行了说明，但本发明不限于此，所述加密部600可生成所述加密指数或第三加密的非标识符以对关系指数保密。
所述显示部700可显示所述管理服务器500调节其他用户对所述用户的展示内容的访问程度及所述用户更新的内容的屏蔽程度及公开程度的服务。
例如，所述显示部700可在用户能够确认的“我的模式”显示在sns上用户自身受保护且公开的内容的当前状况，可在“管理员模式”显示在sns空间根据用户的关系指数进行先制性屏蔽与选择性公开的当前状况。
图2是示出本发明的一个实施例的基于深度学习的sns负面功能改善方法的流程图。图3是示出本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现方法的关系指数分析步骤的流程图。
参见图2及图3，本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现方法包括在各服务器存储数据的步骤s100、从各服务器收集数据的步骤s200、利用收集到的数据分析关系指数的步骤s300及提供利用关于分析得到的所述关系指数的数据调节其他用户对所述用户的展示内容的访问程度及所述用户更新的内容的公开程度的服务的步骤s400。
所述在各服务器中存储数据的步骤s100可包括将关于用户的基于网络及移动终端的接口的个人信息、登录信息及活动信息等的数据存储到用户接口服务器的步骤、将关于在社交媒体、学校社区或地方社区等发生的与所述用户相关的基于与其他用户的相互关系发生的活动的数据存储到外部联系服务器的步骤及根据存储于所述用户接口服务器及所述外部联系服务器的信息感测用户的心理、环境变化并将与用户的心理及环境变化相关的数据存储到状况识别服务器的步骤。
如上在各服务器存储了数据的情况下，可在从各服务器收集数据的步骤s200收集分析关系指数所需的数据。
在所述利用收集的数据分析关系指数的步骤s300，分析服务器根据存储在用户接口服务器、所述外部联系服务器及状况识别服务器的基本值及通过用户的活动等增加或变动并存储到所述用户接口服务器、所述外部联系服务器及状况识别服务器的附加值，利用人工神经网络方法分析用户对其他用户的喜好度及用户对特定事物或特定状况的喜好度。
所述利用收集的数据分析关系指数的步骤s300可包括第一级别分析步骤s310、第二级别分析步骤s320、第三级别分析步骤s330、存储第三级别分析结果的步骤s340、确认有无附加值的步骤s350及利用反映所述第三级别分析结果的数据重复执行所述第一级别至第三级别的分析步骤的步骤。
在所述第一级别分析步骤s310，将存储在所述用户接口服务器、所述外部联系服务器及状况识别服务器的数据作为基本值分析关系指数。在所述第一级别分析步骤s310，以存储在各服务器的数据中与用户对其他用户的喜好度及用户对特定事物或特定状况的喜好度相关的数据为中心分析用户的关系指数。
在所述第一级别分析步骤s310，仲裁主体对客体的喜好度与客体对主体的喜好度以分析喜好度。在所述第一级别分析步骤s310仲裁主体对客体的喜好度与客体对主体的喜好度分析的喜好度可用以下数学式1定义。
数学式1
其中，l1表示在第一级别分析步骤分析得到的喜好度，a1表示第一级别分析步骤的主体对客体的喜好度，b1表示第一级别分析步骤的客体对主体的喜好度。
在所述第二级别分析步骤s320，向在所述第一级别分析步骤分析得到的结果反映通过用户的活动等增加或变动并存储的附加值，并利用卷积神经网络(convolutionneuralnetwork，cnn)分析用户的喜好度。
在所述第二级别分析步骤s320，仲裁主体对客体的喜好度与客体对主体的喜好度，并向其反映在所述第一级别分析步骤s310分析得到的结果分析喜好度。在所述第二级别分析步骤s320，仲裁主体对客体的喜好度与客体对主体的喜好度分析得到的喜好度可用以下数学式2定义。
数学式2
其中，l2表示在第二级别分析步骤分析得到的喜好度，a1表示第一级别分析步骤的主体对客体的喜好度，b1表示第一级别分析步骤的客体对主体的喜好度，a2表示第二级别分析步骤的主体对客体的喜好度，b2表示第二级别分析步骤的客体对主体的喜好度。
在所述第三级别分析步骤s330，反映根据所述第二级别分析结果变化的趋势并利用循环网络(recurrentneuralnetwork，rnn)对其进行再分析。因此，基于所述第二级别分析步骤中的附加值的变化趋势可转移到所述第三级别分析步骤。
在所述第三级别分析步骤s330，仲裁主体对客体的喜好度与客体对主体的喜好度，并向其反映在所述第二级别分析步骤s320分析得到的结果分析喜好度。在所述第三级别分析步骤s330仲裁主体对客体的喜好度与客体对主体的喜好度分析得到的喜好度可用以下数学式3定义。
数学式3
其中，l3表示在第三级别分析步骤分析得到的喜好度，a1表示第一级别分析步骤的主体对客体的喜好度，b1表示第一级别分析步骤的客体对主体的喜好度，a2表示第二级别分析步骤的主体对客体的喜好度，b2表示第二级别分析步骤的客体对主体的喜好度，a3表示第三级别分析步骤的主体对客体的喜好度，b3表示第三级别分析步骤的客体对主体的喜好度。
即，在第一至第三级别分析步骤分别仲裁客体对主体的喜好度与主体对客体的喜好度以分析喜好度，并且第一级别分析步骤的分析结果反映到第二级别分析步骤的分析，反映有第一级别分析步骤的分析结果的第二级别分析步骤的分析结果反映到第三级别分析步骤。
之后，在存储第三级别分析结果的步骤s340存储所述第三级别分析步骤s330的分析结果作为基本值。因此，在所述第一级别分析步骤至所述第三级别分析步骤执行得到的分析结果存储为基本值，之后反映通过用户的活动新增或变更的附加值再对喜好度进行再分析。因此，可立即反映通过用户的活动等变化的用户的心理或喜好度的变化等。
之后，在确认有无附加值的步骤s350，判断有无执行所述第一级别分析步骤至所述第三级别分析步骤后新增的附加值。无附加值的情况下结束喜好度分析，有附加值的情况下反映附加值以重复所述第一级别分析步骤至所述第三级别分析步骤。
在所述第三级别分析步骤s330，利用在所述第一级别分析步骤s310及所述第二级别分析步骤s320分析得到的结果发生仲裁(arbitration)。因此，可通过该步骤s330分析得到适当地反映主体对客体的喜好度与客体对主体的喜好度的喜好度。
其中，所述基本值可包括以用户为主体且以其他用户为客体的主体对客体的喜好度、反向适用主体与客体的关系的以客体为基准的客体对主体的喜好度及反映有所述主体与客体的相互作用的喜好度。并且，所述附加值可包括随着主体的活动变动的主体对客体的变动的喜好度、随着客体的活动变动的客体对主体的变动的喜好度及反映有随着所述主体与客体的活动变动的相互作用的变动的喜好度。即，所述基本值是存储在各服务器的关于用户的过去的活动等的信息，附加值是指通过用户的活动新增或变更的信息。
并且，基本上主体与客体的关系并非从一对一对应开始，而是从一对多对应开始，由于反向适用主体与客体的关系，以客体为基准分析客体对主体的喜好度，因此关于主体与客体的关系的节点反复扩张的情况下，主体与客体的关系可扩张到多对多。
在提供利用关于分析得到的所述关系指数的数据调节其他用户对所述用户的展示内容的访问程度及所述用户更新的内容的公开程度的服务的步骤s400，可根据所述关系指数调节其他用户对所述用户的展示内容的访问程度及对所述用户更新的内容的屏蔽程度及公开程度。后续将参照图4详细说明调节其他用户对所述用户的展示内容的访问程度及所述用户更新的内容的屏蔽程度及公开程度的方法。
图4是示出本发明的一个实施例的基于深度学习改善sns负面功能的方法的关系指数的关系指数区段的框图。
参见图4，用于本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现方法的关系指数可划分为关系区段。
所述关系指数可划分为表示否定的情况下用0表示，表示肯定的情况下用100表示的关系指数区段。
所述关系指数区段可包括关系指数大于等于0且小于10的第一区段，关系指数大于等于10且小于25的第二区段、关系指数大于等于25且小于45的第三区段、关系指数大于等于45且小于65的第四区段、关系指数大于等于65且小于80的第五区段、关系指数大于等于80且小于90的第六区段及关系指数大于等于90且小于等于100的第七区段。
所述关系指数对应于所述第二区段至第六区段的情况下各区段的临界值起到阈值(threshold)的作用，对用户的展示内容的其他用户的访问程度及所述用户更新的内容的公开程度在各区段的临界值发生变化，所述关系指数对应于所述第一区段的情况下，当所述关系指数小于10时立即完全屏蔽对用户的展示内容的其他用户的访问，所述关系指数对应于所述第七区段的情况下，当所述关系指数为90以上时可立即完全公开展示内容。
并且，所述关系指数当前是什么数值可以如图4用箭头示出。例如，图4所示的状态下可以视为当前关系指数对应于第五区段。
可考虑表示对用户的最初展示内容的肯定或否定程度的最初魅力度、表示用户的展示内容有跟帖后对所述展示内容的肯定或否定程度的反应魅力度、表示考虑了与所述展示内容的主题相关的环境要素的肯定或否定程度的环境要素魅力度、表示对所述展示内容的其他用户的帖子、对话及登录次数的变化量的程度的有形性访问度及表示所述展示内容的主题的类型的无形性访问度算出所述关系指数。
所述最初魅力度表示以没有跟帖的最初的原始展示内容(视频、图像或文本)为对象的判断依据。所述最初魅力度根据多种要素是否与当前时间与地区匹配而具有数值。
可考虑与用户的年龄相关的第一要素、与用户居住的地区相关的第二要素、与用户的性别相关的第三要素、与用户的职业相关的第四要素及与关于用户主要活动的时间为白天还是夜间的时间喜好度相关的第五要素通过所述第一级别分析步骤算出所述最初魅力度。
所述最初魅力度可用以下数学式4定义。
数学式4
其中，c表示最初魅力度，fcn表示满足与所述第一要素至所述第五要素相同的条件
的展示内容中具有与用户上传的展示内容的主题相同的主题的展示内容的个数，fn表示满足与所述第一要素至所述第五要素相同的条件的展示内容的总个数。
所述环境要素魅力度是指考虑与展示内容的主题相关的环境要素的肯定或否定程度。可同时考虑跟帖前与后判断所述环境要素魅力度。环境要素可包括气候、信用度，健康度、心电图、脑波及体温等信息，例如，关于气候的信息可利用气象局的公共数据进行收集，关于信用度的信息可利用信用卡使用数据进行收集，关于健康度的信息可利用医疗信息数据收集。用户并不是单纯地只受到一个环境要素的影响，因此可组合考虑两种以上的环境要素的数据而不只是考虑一个环境要素的数据。
可通过向所述最初魅力度反映附加值并通过所述第二级别分析步骤及所述第三级别分析步骤算出所述环境要素魅力度。
所述反应魅力度是指用户的展示内容有跟帖后对所述展示内容的肯定或否定程度。即，可表示发生对展示内容的主题的反应之后，即展示内容公开之后的肯定或否定程度。所述反应魅力度可提供有跟帖之后发生的对所述最初魅力度之后的展示内容(视频、图像或文本中主要文本)的判断依据。
所述反应魅力度可用以下数学式5定义。
数学式5
其中，r表示反应魅力度。
对所述数学式5中否定帖子、单词的否定度及用户的反驳度来讲，可利用由感性词典或谷歌、ibm、沃森等提供的否定度分析api将否定度、反驳度等数值化。然而本发明不限于此，也可以利用能够用数值表示否定度等的多种词典、软件等将否定帖子、单词的否定度及用户的反驳度等数值化。
所述有形性访问度表示对所述展示内容的其他用户的帖子、对话及登录次数的变化量的程度。所述有形性访问度表示主体与客体的关系，作为具有有形性要素的访问，例如，是用于测定主体a对客体b、c、d等造成的影响的程度的判断依据。
可考虑表示对展示内容的主题的帖子及对话的量的第一类型、表示对所述展示内容的主题的帖子及对话的进行速度的第二类型、表示所述展示内容开始有跟帖后跟帖速度的增加量相对于帖子量的增加量的比例的第三类型、表示对所述展示内容的总登录次数的第四类型、表示对所述展示内容的重复登录次数的第五类型、表示重复登录次数相对于总登录次数的比例的第六类型及表示浏览其他展示内容的次数相对于访问所述展示内容的次数的比例的第七类型算出所述有形性访问度。
所述有形性访问度可用以下数学式6定义。
数学式6
da＝ω1×i1 ω2×i2 ω3×i3 ω4×i4 ω5×i5 ω6×i6 ω7×i7
其中，da表示有形性访问度，ω1至ω7分别表示第一类型至第七类型的加权值，i1至i7分别表示第一类型至第七类型的值。
所述无形性访问度用程度表示展示内容的主题类型的性质。为了表示主体与客体的无形性关系而以对话为中心的情况下需要掌握关于所有主题，即展示内容的对话的基本类型。
用访问度表示主体与客体实施的主题的性质的情况下，可考虑通过除帖子以外的展示内容的性质掌握的情况与通过包括帖子的展示内容的性质掌握的情况。
首先，对无帖状态的展示内容通过基于目的的区分掌握基本类型。例如，可以将展示内容的主题区分为1.朋友间亲密往来目的、2.业务目的、3.公共目的、4.政治目的、5.提供便利目的、6.旅行目的、7.学术研究目的、8.薄利多销目的、9.教育目的、10.健康上的目的及11商业目的等。
包括帖子的情况下可掌握具体类型以判断访问度。例如，1.朋友间亲密往来目的的情况下具体类型可区分为社交、信息交流、考试、纯粹亲密往来、金钱等，2.业务上目的的情况下可区分为经济、讨论、费用等。所述具体类型不限于本实施例，可考虑多种具体类型进行判断
所述无形性访问度在无跟帖的展示内容的情况下，向所述最初魅力度反映按展示内容的目的分类的主题通过所述第二级别分析步骤及所述第三级别分析步骤算得，有跟帖的展示内容的情况下，可向所述反应魅力度反映按包括帖子的所有展示内容的目的分类的主题的具体类型通过所述第二级别分析步骤及所述第三级别分析步骤算得。即，所述无形性访问度可起到通过第二级别分析步骤及所述第三级别分析步骤更精密地算出所述最初魅力度及所述反应魅力度的作用。
可以将组合所述最初魅力度、所述反应魅力度、所述环境要素魅力度及所述有形性访问度得到的值确定为所述关系指数。
所述关系指数可用以下数学式7定义。
数学式7
rc＝ωc×c ωr×r ωe×e ωd×da
其中，rc表示关系指数，ωc表示最初魅力度的加权值，ωr表示反应魅力度的加权值，ωe表示环境要素魅力度的加权值，ωd表示有形性访问度的加权值，c表示最初魅力度，r表示反应魅力度，e表示环境要素魅力度，da表示有形性访问度。
在此，通过组合所述最初魅力度、所述反应魅力度、所述环境要素魅力度及所述有形性访问度确定所述关系指数，可以考虑所有要素，也可以去除判断关系指数方面不必要的要素确定关系指数。
例如，不考虑有形性访问度也无妨的情况下可以将有形性访问度的加权值设为0以确定关系指数。该情况下，考虑最初魅力度、反应魅力度及环境要素魅力度确定关系指数。然而本发明不限于此，可根据需要用上述多个要素的多种组合确定关系指数。
所述关系指数可区分为仅考虑所述环境要素魅力度的情况下确定的第一情况(case)、考虑所述最初魅力度与所述反应魅力度的情况下确定的第二情况、考虑所述最初魅力度与所述环境要素魅力度的情况下确定的第三情况、考虑所述最初魅力度、所述反应魅力度及所述环境要素魅力度的情况下确定的第四情况及考虑所述最初魅力度、所述反应魅力度、所述环境要素魅力度及所述有形性访问度的情况下确定的第五情况等。
图5是用于说明本发明的一个实施例的基于深度学习改善sns负面功能的混搭逻辑实现方法的先制性屏蔽及选择性公开的示意图。
参见图5，根据本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现方法，可先制性屏蔽用户与其他用户之间的关系并选择性地公开展示内容。
具有a女士与b先生是朋友，c先生是b先生的朋友，a女士与c先生不是朋友关系的情况下，c先生通过b先生的sns对a女士产生好感的情况。
该情况下，c先生也可以正常访问，但c先生可能会利用a女士的展示内容掌握位置并留下奇怪的帖子等采取欲跟踪a女士的态度。因此对反应魅力度来讲c先生的行为被判断为低指数，随着c先生的行为变化，环境要素魅力度与有形性访问度的指数也会降低。
在此，根据本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现方法，可计算c先生对于a女士的关系指数，并根据关系指数的区段先制性屏蔽c先生对a女士的访问。并且，在先制性屏蔽的同时执行选择性公开。
因此，c先生对a女士的直接访问及通过b先生的间接访问均被屏蔽，通过选择性公开使得c先生无法看到a女士的展示内容，而b先生仍可看到a女士的展示内容。
图6是用于说明本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现方法的选择性公开的示意图。
参见图6，本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现方法可选择性地公开用户的展示内容。
假设a女士新买了裙子并上传了新买裙子的照片的情况下，可能a女士想让与自己合得来的异性朋友看到自己的展示内容。
在此，根据本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现方法，可向a女士自动推荐适当的异性朋友，并根据关系指数向推荐的朋友选择性地公开a女士的展示内容。
即，分析a女士周边的用户的关系指数并自动推荐关系指数高的用户即b先生与c先生，向关系指数为20的b先生与关系指数为5的c先生执行基于关系指数的程度的选择性公开。因此，能够仅对用户希望的人们展示展示内容，提供安全感使得不必担心被跟踪等，从而能够消除不安感。
并且，c先生的社会关系网服务的行为动作与心理状态发生变化的情况下，a女士对c先生的公开与屏蔽可以通过基于人工智能的社交媒体混搭算法自动变换。即，c先生的行为动作与心理状态变更的情况下a女士与c先生的关系指数发生变化，随着关系指数这样变化，a女士对c先生的公开与屏蔽可通过基于人工智能的社交媒体混搭算法自动变换。
图7是示出本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现系统的符号化指数及加密指数的示意图。
参见图1及图7，本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现系统的加密部可变换所述关系指数生成变换关系指数。所述变换关系指可包括符号化指数610及加密指数620。
所述加密部600将所述关系指数符号化生成符号化指数610，对所述符号化指数610加密生成加密指数620。针对用户与其他用户之间的每个关系算出所述关系指数，表示用户与其他用户之间的关系。
只有所述加密指数620传递至管理服务器500，可通过所述加密指数620调节屏蔽及公开程度。如上，由于只利用加密的固有识别编号，因此用户id等用户的个人信息不会被公开。
图8是用于说明本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现方法的访问及公开调节步骤的流程图。
参见图8，本发明的一个实施例的基于深度学习改善sns负面功能的混搭逻辑实现方法的调节访问及公开的步骤s400可包括生成符号化指数的步骤s410、生成加密指数的步骤s420及发送加密指数的步骤s430。
在所述生成符号化指数的步骤s410将所述关系指数符号化生成符号化指数。所述符号化指数是指通过未被加密的单纯符号化生成的指数。
在所述生成加密指数的步骤s420，对所述符号化指数加密生成加密指数。所述加密指数是指对所述符号化指数加密得到的指数，在所述生成加密指数的步骤s420可生成加密指数或第三加密的非标识符。
在发送所述加密指数的步骤s430，将所述加密指数发送到所述管理服务器。之后，所述管理服务器可通过所述加密指数620调节屏蔽及公开程度。
图9是示出本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现系统的显示部的示意图。
参见图9，本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现系统的显示部可包括在“我的模式”显示的多种菜单。
显示于所述显示部的多种菜单中的特定关系图标710可示出在sns中用户自身受保护且公开的内容的当前状况。例如，所述特定关系图标710可用飓风形状示出，飓风的形状可放大或缩小以直观地显示用户的公开及屏蔽程度。飓风的形状放大示出的情况下表示公开及屏蔽很多的状态，飓风的形状缩小的情况下可表示公开及屏蔽少的状态。
图10是本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现系统的显示部的示意图。
参见图10，本发明的一个实施例的基于深度学习改善sns负面功能的社交混搭逻辑实现系统的显示部可包括在“管理员模式”显示的多种菜单。
所述“管理员模式”可包括用图标示出用户与其他用户之间的关系指数的关系指数显示部720。所述关系指数显示部720可示出在sns空间根据用户们的关系指数执行先制性屏蔽与选择性公开的当前状况。
所述关系指数显示部720用图表示出图4所示的关系指数，可通过将屏蔽与公开的理念性杠杆数值化生成该关系指数。并且，所述关系指数显示部720可实时示出所述关系指数以示出用户与其他用户之间的关系的变化。
根据本发明，基于深度学习改善sns负面功能的社交混搭逻辑实现系统并非单纯地分析用户与其他用户之间的关系指数，而是立即反映通过与其他用户的相互作用发生的信息及通过用户的活动变化增加或变动的信息分析关系指数。因此，能够提供非机械屏蔽或公开的与用户和其他用户的关系相匹配的匹配型服务。
并且，本发明的基于深度学习改善sns负面功能的社交混搭逻辑实现系统可提供与用户的状况相匹配的匹配型服务，因此能够屏蔽不加以分辨的公开及不喜欢的其他用户的访问，因此能够改善sns负面功能。
以上参见实施例进行了说明，但本领域的普通技术人员应当理解：在不脱离所附权利要求的范围记载的本发明的思想及领域的范围内可对本发明进行多种修正及变更。
1.一种基于深度学习改善sns负面功能的社交混搭逻辑实现系统，包括：
用户接口服务器，其存储关于用户的基于网络及移动终端的接口的个人信息、登录信息及活动信息的数据；
外部联系服务器，其存储关于在社交媒体、学校社区或地方社区基于所述用户与相关的其他用户的相互关系发生的活动的数据；
状况识别服务器，其根据存储于所述用户接口服务器及所述外部联系服务器的信息感测用户的心理变化及环境变化并存储关于所述用户的心理变化及环境变化的数据；
分析服务器，其根据存储于所述用户接口服务器、所述外部联系服务器及状况识别服务器的基本值及通过用户的活动增加或发生变动而存储到所述用户接口服务器、所述外部联系服务器及状况识别服务器的附加值，生成利用人工神经网络方法将所述用户相对于其他用户的关系计算成数值的关系指数并存储；以及
管理服务器，其利用所述分析服务器算出的关系指数调节其他用户对所述用户的展示内容的访问程度及所述用户更新的内容的屏蔽程度及公开程度。
2.根据权利要求1所述的基于深度学习改善sns负面功能的社交混搭逻辑实现系统，其特征在于，所述分析服务器通过以下步骤分析关系指数：
将存储于所述用户接口服务器、所述外部联系服务器及状况识别服务器的数据作为基本值分析关系指数的第一级别分析步骤；
向在所述第一级别分析步骤分析得到的结果反映包括关于用户的活动及与跟在展示内容上的帖子相关的主题的信息的附加值，利用卷积神经网络(convolutionneuralnetwork，cnn)进行分析的第二级别分析步骤；
反映根据所述第二级别分析步骤的结果变化的趋势以利用循环神经网络(recurrentneuralnetwork，rnn)对其进行再分析的第三级别分析步骤；
作为基本值存储所述第三级别分析步骤的结果的步骤；以及
利用反映有所述第三级别分析步骤的结果的数据重复执行所述第一级别分析步骤至第三级别分析步骤的步骤。
3.根据权利要求1所述的基于深度学习改善sns负面功能的社交混搭逻辑实现系统，其特征在于：
所述关系指数划分为表示否定的情况下用0表示，表示肯定的情况下用100表示的关系指数区段，
所述关系指数区段包括：
关系指数大于等于0且小于10的第一区段；
关系指数大于等于10且小于25的第二区段；
关系指数大于等于25且小于45的第三区段；
关系指数大于等于45且小于65的第四区段；
关系指数大于等于65且小于80的第五区段；
关系指数大于等于80且小于90的第六区段；以及
关系指数大于等于90且小于等于100的第七区段。
4.根据权利要求3所述的基于深度学习改善sns负面功能的社交混搭逻辑实现系统，其特征在于：
所述关系指数对应于所述第二区段至第六区段的情况下各区段的临界值起到阈值(threshold)的作用，对用户的展示内容的其他用户的访问程度及所述用户更新的内容的公开程度在各区段的临界值发生变化，
所述关系指数对应于所述第一区段的情况下，当所述关系指数小于10时立即完全屏蔽对用户的展示内容的其他用户的访问，
所述关系指数对应于所述第七区段的情况下，当所述关系指数为90以上时立即完全公开展示内容。
5.根据权利要求1所述的基于深度学习改善sns负面功能的社交混搭逻辑实现系统，其特征在于，还包括：
加密部，其生成变换所述关系指数的变换关系指数并存储，
针对所述用户与其他用户之间的每个关系算出所述关系指数。
6.根据权利要求5所述的基于深度学习改善sns负面功能的社交混搭逻辑实现系统，其特征在于，所述变换关系指数包括：
符号化的用于区分所述用户与其他用户的关系的符号化指数；以及
对所述符号化指数加密得到的加密指数。
7.根据权利要求1所述的基于深度学习改善sns负面功能的社交混搭逻辑实现系统，其特征在于：
考虑最初魅力度、反应魅力度、环境要素魅力度、有形性访问度及无形性访问度算出所述关系指数，
所述最初魅力度表示对用户的最初展示内容的肯定或否定程度；
所述反应魅力度表示用户的展示内容有跟帖后对所述展示内容的肯定或否定程度；
所述环境要素魅力度表示考虑了与所述展示内容的主题相关的环境要素的肯定或否定程度；
所述有形性访问度表示对所述展示内容的其他用户的帖子、对话及登录次数的变化量的程度；
所述无形性访问度表示所述展示内容的主题的类型。
8.根据权利要求7所述的基于深度学习改善sns负面功能的社交混搭逻辑实现系统，其特征在于，所述最初魅力度考虑以下要素通过所述第一级别分析步骤算出：
与用户的年龄相关的第一要素；
与用户居住的地区相关的第二要素；
与用户的性别相关的第三要素；
与用户的职业相关的第四要素；以及
与关于用户主要活动的时间为白天还是夜间的时间喜好度相关的第五要素算得，
所述最初魅力度用以下数学式定义：
其中，c表示最初魅力度，fcn表示满足与所述第一要素至所述第五要素相同的条件的展示内容中具有与用户上传的展示内容的主题相同的主题的展示内容的个数，fn表示满足与所述第一要素至所述第五要素相同的条件的展示内容的总个数。
9.根据权利要求8所述的基于深度学习改善sns负面功能的社交混搭逻辑实现系统，其特征在于：
所述环境要素魅力度通过向所述最初魅力度反映附加值并通过所述第二级别分析步骤及所述第三级别分析步骤算得。
10.根据权利要求7所述的基于深度学习改善sns负面功能的社交混搭逻辑实现系统，其特征在于，所述反应魅力度用以下数学式定义：
其中，r表示反应魅力度。
11.根据权利要求7所述的基于深度学习改善sns负面功能的社交混搭逻辑实现系统，其特征在于，所述有形性访问度通过考虑：
表示对展示内容的主题的帖子及对话的量的第一类型；
表示对所述展示内容的主题的帖子及对话的进行速度的第二类型；
表示所述展示内容开始有跟帖后跟帖速度的增加量相对于帖子量的增加量的比例的第三类型；
表示对所述展示内容的总登录次数的第四类型；
表示对所述展示内容的重复登录次数的第五类型；
表示重复登录次数相对于总登录次数的比例的第六类型；以及
表示浏览其他展示内容的次数相对于访问查看所述展示内容的次数的比例的第七类型确定，
所述有形性访问度用以下数学式定义：
da＝ω1×i1 ω2×i2 ω3×i3 ω4×i4 ω5×i5 ω6×i6 ω7×i7
其中，da表示有形性访问度，ω1至ω7分别表示第一类型至第七类型的加权值，i1至i7分别表示第一类型至第七类型的值。
12.根据权利要求7所述的基于深度学习改善sns负面功能的社交混搭逻辑实现系统，其特征在于：
是无跟帖的展示内容的情况下向所述最初魅力度反映按展示内容的目的分类的主题通过所述第二级别分析步骤及所述第三级别分析步骤算得所述无形性访问度，是有跟帖的展示内容的情况下向所述反应魅力度反映按包括帖子的所有展示内容的目的分类的主题的具体类型通过所述第二级别分析步骤及所述第三级别分析步骤算得所述无形性访问度。
13.根据权利要求7所述的基于深度学习改善sns负面功能的社交混搭逻辑实现系统，其特征在于：
将组合所述最初魅力度、所述反应魅力度、所述环境要素魅力度及所述有形性访问度得到的值确定为所述关系指数，
所述关系指数用以下数学式定义：
rc＝ωc×c ωr×r ωe×e ωd×da
其中，rc表示关系指数，ωc表示最初魅力度的加权值，ωr表示反应魅力度的加权值，ωe表示环境要素魅力度的加权值，ωd表示有形性访问度的加权值，c表示最初魅力度，r表示反应魅力度，e表示环境要素魅力度，da表示有形性访问度。
14.一种基于深度学习改善sns负面功能的社交混搭逻辑实现方法，包括：
用户接口服务器存储关于用户的基于网络及移动终端的接口的个人信息、登录信息及活动信息的数据的步骤；
外部联系服务器存储关于在社交媒体、学校社区或地方社区基于所述用户与相关的其他用户的相互关系发生的活动的数据的步骤；
状况识别服务器根据存储于所述用户接口服务器及所述外部联系服务器的信息感测用户的心理变化及环境变化并存储关于所述用户的心理变化及环境变化的数据的步骤；
分析服务器根据存储于所述用户接口服务器、所述外部联系服务器及状况识别服务器的基本值及通过用户的活动增加或发生变动而存储到所述用户接口服务器、所述外部联系服务器及状况识别服务器的附加值，生成利用人工神经网络方法将所述用户相对于其他用户的关系计算成数值的关系指数并存储的步骤；以及
管理服务器利用所述分析服务器算出的关系指数调节其他用户对所述用户的展示内容的访问程度及所述用户更新的内容的屏蔽程度及公开程度的步骤。
15.根据权利要求14所述的基于深度学习改善sns负面功能的社交混搭逻辑实现方法，其特征在于，生成利用所述人工神经网络方法计算成数值的关系指数并存储的步骤包括：
将存储于所述用户接口服务器、所述外部联系服务器及状况识别服务器的数据作为基本值分析关系指数的第一级别分析步骤；
向在所述第一级别分析步骤分析得到的结果反映包括关于用户的活动及与跟在展示内容上的帖子相关的主题的信息的附加值，利用卷积神经网络(convolutionneuralnetwork，cnn)进行分析的第二级别分析步骤；
反映根据所述第二级别分析步骤的结果变化的趋势以利用循环神经网络(recurrentneuralnetwork，rnn)对其进行再分析的第三级别分析步骤；
作为基本值存储所述第三级别分析步骤的结果的步骤；以及
利用反映有所述第三级别分析步骤的结果的数据重复执行所述第一级别分析步骤至第三级别分析步骤的步骤。
16.根据权利要求14所述的基于深度学习改善sns负面功能的社交混搭逻辑实现方法，其特征在于：
所述关系指数划分为表示否定的情况下用0表示，表示肯定的情况下用100表示的关系指数区段，
所述关系指数区段包括：
关系指数大于等于0且小于10的第一区段；
关系指数大于等于10且小于25的第二区段；
关系指数大于等于25且小于45的第三区段；
关系指数大于等于45且小于65的第四区段；
关系指数大于等于65且小于80的第五区段；
关系指数大于等于80且小于90的第六区段；以及
关系指数大于等于90且小于等于100的第七区段。
17.根据权利要求16所述的基于深度学习改善sns负面功能的社交混搭逻辑实现方法，其特征在于：
所述关系指数对应于所述第二区段至第六区段的情况下各区段的临界值起到阈值(threshold)的作用，对用户的展示内容的其他用户的访问程度及所述用户更新的内容的公开程度在各区段的临界值发生变化，
所述关系指数对应于所述第一区段的情况下，当所述关系指数小于10时立即完全屏蔽对用户的展示内容的其他用户的访问，
所述关系指数对应于所述第七区段的情况下，当所述关系指数为90以上时立即完全公开展示内容。
18.根据权利要求14所述的基于深度学习改善sns负面功能的社交混搭逻辑实现方法，其特征在于，还包括：
加密部生成变换所述关系指数的变换关系指数并存储的步骤，
针对所述用户与其他用户之间的每个关系算出所述关系指数。
19.根据权利要求18所述的基于深度学习改善sns负面功能的社交混搭逻辑实现方法，其特征在于，生成所述变换关系指数的步骤包括：
所述加密部生成符号化的用于区分所述用户与其他用户的关系的符号化指数的步骤；以及
所述加密部对所述符号化指数加密得到加密指数的步骤。
20.根据权利要求15所述的基于深度学习改善sns负面功能的社交混搭逻辑实现方法，其特征在于：
考虑最初魅力度、反应魅力度、环境要素魅力度、有形性访问度及无形性访问度算出所述关系指数，
所述最初魅力度表示对用户的最初展示内容的肯定或否定程度；
所述反应魅力度表示用户的展示内容有跟帖后对所述展示内容的肯定或否定程度；
所述环境要素魅力度表示考虑了与所述展示内容的主题相关的环境要素的肯定或否定程度；
所述有形性访问度表示对所述展示内容的其他用户的帖子、对话及登录次数的变化量的程度；
所述无形性访问度表示所述展示内容的主题的类型。
21.根据权利要求20所述的基于深度学习改善sns负面功能的社交混搭逻辑实现方法，其特征在于，所述最初魅力度考虑以下要素通过所述第一级别分析步骤算出，并且是考虑：
与用户的年龄相关的第一要素；
与用户居住的地区相关的第二要素；
与用户的性别相关的第三要素；
与用户的职业相关的第四要素；以及
与关于用户主要活动的时间为白天还是夜间的时间喜好度相关的第五要素算得，
所述最初魅力度用以下数学式定义：
其中，c表示最初魅力度，fcn表示满足与所述第一要素至所述第五要素相同的条件的展示内容中具有与用户上传的展示内容的主题相同的主题的展示内容的个数，fn表示满足与所述第一要素至所述第五要素相同的条件的展示内容的总个数。
22.根据权利要求21所述的基于深度学习改善sns负面功能的社交混搭逻辑实现方法，其特征在于：
所述环境要素魅力度通过向所述最初魅力度反映附加值并通过所述第二级别分析步骤及所述第三级别分析步骤算得。
23.根据权利要求20所述的基于深度学习改善sns负面功能的社交混搭逻辑实现方法，其特征在于，所述反应魅力度用以下数学式定义：
其中，r表示反应魅力度。
24.根据权利要求20所述的基于深度学习改善sns负面功能的社交混搭逻辑实现方法，其特征在于：
所述有形性访问度通过考虑：
表示对展示内容的主题的帖子及对话的量的第一类型；
表示对所述展示内容的主题的帖子及对话的进行速度的第二类型；
表示所述展示内容开始有跟帖后跟帖速度的增加量相对于帖子量的增加量的比例的第三类型；
表示对所述展示内容的总登录次数的第四类型；
表示对所述展示内容的重复登录次数的第五类型；
表示重复登录次数相对于总登录次数的比例的第六类型；以及
表示浏览其他展示内容的次数相对于访问查看所述展示内容的次数的比例的第七类型确定，
所述有形性访问度用以下数学式定义：
da＝ω1×i1 ω2×i2 ω3×i3 ω4×i4 ω5×i5 ω6×i6 ω7×i7
其中，da表示有形性访问度，ω1至ω7分别表示第一类型至第七类型的加权值，i1至i7分别表示第一类型至第七类型的值。
25.根据权利要求20所述的基于深度学习改善sns负面功能的社交混搭逻辑实现方法，其特征在于：
是无跟帖的展示内容的情况下向所述最初魅力度反映按展示内容的目的分类的主题通过所述第二级别分析步骤及所述第三级别分析步骤算得所述无形性访问度，是有跟帖的展示内容的情况下向所述反应魅力度反映按包括帖子的所有展示内容的目的分类的主题的具体类型通过所述第二级别分析步骤及所述第三级别分析步骤算得所述无形性访问度。
26.根据权利要求20所述的基于深度学习改善sns负面功能的社交混搭逻辑实现方法，其特征在于：
将组合所述最初魅力度、所述反应魅力度、所述环境要素魅力度及所述有形性访问度得到的值确定为所述关系指数，
所述关系指数用以下数学式定义：
rc＝ωc×c ωr×r ωe×e ωd×da
其中，rc表示关系指数，ωc表示最初魅力度的加权值，ωr表示反应魅力度的加权值，ωe表示环境要素魅力度的加权值，ωd表示有形性访问度的加权值，c表示最初魅力度，r表示反应魅力度，e表示环境要素魅力度，da表示有形性访问度。
技术总结