1.本发明是个性化网络人员与内容的整理与优化方法，本方法将用户社交网络资源的

整理与优化分为人员与内容两部分；对人员的重要性进行排序的同时推荐隐含的真实社交关系给用户，最后将两部分按个性化选择展示给用户，形成用户的虚拟社交关系网络；结合用户的社交关系，根据用户的个性化选择对内容的重要性进行排序，将内容按用户查看时最舒适的标准进行展示；

在本系统中的优化用户（DU）是指优化的目标主体，用户（U）的表示{UID，UName，USex，UGroup，UEnTime，URep，UHab，UImpLev，ULabel}，UID代表用户的社交软件ID号，每个用户拥有一个独一无二的UID，UName是用户在社交软件上独一无二的名称，USex是用户的性别，UGroup存放着每个用户加入的群的名称，UEnTime存放着用户进入UGroup时的时间，URep指用户和DU的亲密度，UHab指用户的个性化选择，用户的个性化选择存放于此，对社交关系的个性化选择为 ，对社交消息的个性化选择 ；UImpLev指用户对于DU来说的重要性，UImpLev越大，代表用户在DU社交网络中的重要性越大，ULabel指DU为用户定下的标签，例如“亲人”，“朋友”，“老师”等等；当DU为U设置了ULabel后，可以根据ULabel判断U的UImpLev，不同的ULabel有不同的UImpLev，例如当ULabel为“家人”，UImpLev为100，当ULabel为“同学”，UImpLev为90；每一条消息（MES）由{MESCon，MESU，MESLabel，MESImpLev}表示，MESCon表示消息的内容，MESU代表发消息的用户信息，MESLabel表示消息涉及的标签，MESImpLev表示消息的重要程度；U和MES通过标签进行联系，每一条MES都会获得MESLabel，采取机器学习的相关算法来实现，即针对一系列给定的标签，给MES选取其中匹配度最高的几个标签；个性化网络人员与内容的整理与优化方法具体流程如下：步骤1）将目标优化用户（DU）的社交关系人员（U）和社交消息（MES）输入系统中；

步骤2）用户设置用户的个性化选择（UHab），用户的个性化选择存放于此，对社交关系的个性化选择为 ，对社交消息的个性化选择 ；

步骤3）判断目标优化用户为人员定下的标签（ULabel）是否与系统存放的默认标签

（ULabel0）吻合；若吻合，进入步骤4），否则进入步骤5）；ULabel0是系统默认的一些标签，例如“家人”，“朋友”等，并为每个标签设置了对应的人员重要性（UImpLev）；

步骤4）计算人员的重要性（UImpLev），公式为 ， 为外源数据挖掘得

到；

步骤5）搜寻用户m度社交关系后计算人员重要性（UImpLev），例如目标优化用户（DU）加入了群A，群B，群C和群D，且目标优化用户（DU）社交关系列表中有U1和U2，因为U1加入了A，U2加入了群B和群C，故U2 的人员重要性（UImpLev）比U1的人员重要性（UImpLev）更大；U3存在于U1和U2列表中，但没有存在于目标优化用户（DU）列表中，但是U3存在于群A，群B和群C中，所以U3的人员重要性（UImpLev）大于U1，U2，系统会将U3推荐给目标优化用户（DU），若目标优化用户（DU）接受推荐，则可填补上目标优化用户（DU）的社交软件上社交关系的空缺，否则系统不再推荐U3给目标优化用户（DU）；人员重要性的计算如算法1所示， 为外源数据挖掘得到，其中h为TolRank[]中每个元素的下标；

步骤6）通过算法1，得到人员重要性排序表（ListU）；

步骤7）将社交关系按人员重要性排序表（ListU）的顺序展示给目标优化用户（DU），并推荐算法1中在m度关系中隐藏着的具有高重要度（IML）的人员；

步骤8）在社交消息（MES）中找到用户的社交软件ID号（UID），NUMUID为同一个UID的数量，判断社交消息（MES）是否是同一个用户的社交软件ID号（UID）发的同一条消息，若是，进入步骤9），否则进入步骤10）；

步骤9）MERGE（MES）是合并函数，将相同用户的社交软件ID号（UID）的相同社交消息（MES）全部收集起来最后按一条消息处理；

步骤10）计算目标优化用户（DU）个性化选择与社交消息内容（MESCon）的吻合度，Match（a，b）为匹配算法，将a和b进行匹配，得到M为一个具体的匹配值；

步骤11）计算社交消息的重要度（MESImpLev）的值，f，g为人员重要性（UImpLev）和M的函数，通过函数关系能够得到社交消息的重要度（MESImpLev），计算公式为 ；

步骤12）最终输出消息重要性列表（ListMES），其中包括社交消息内容（MESCon）和人员（U）的信息，

算法2给出了获得内容整理与优化后的消息的过程。