Как в вк сделать скрытого друга: Как правильно скрывать друзей в ВК.

20.04.2023 alexxlab

Содержание

«Как скрыть друга во вконтакте?» — Яндекс Кью

Как найти скрытых друзей в контакте

Сразу скажу в каком случае не получится совсем никак найти скрытых друзей в контакте. Если у человека есть скрытые друзья, у которых он тоже в скрытых друзьях и они никогда не ставили друг другу лайки и не писали комментарии.

Такую связь отследить невозможно. Все остальное — велком.

Содержание

Поиск скрытых друзей по лайкам и комментариям
Поиск скрытых друзей по активным открытым друзьям
Автоматический поиск в сервисе 200vk
Автоматический поиск в сервисе city4me
Что запомнить

1 способ.

Как вручную посмотреть скрытых друзей в ВК

Листайте страницу пользователя, смотрите кто что лайкал у него, кто комментировал, и записывайте их ID

Проверьте, есть ли эти люди в друзьях у человека. Если есть, то они точно не скрыты. Если нет, то идем на их страничку и смотрим в их друзья.
Если там есть человек, скрытых друзей которого мы ищем, то это они есть — его скрытые друзья.

2 способ. Как медленно и печально посмотреть скрытых друзей в ВК

Способ очень ~~геморройный~~ нудный. Если только у вас не включился азарт детектива, тогда время летит незаметно.

Смотрите ленту пользователя и ищите кто ставит лайки и с кем он общается в комментариях. Кто на фотках отмечен. Это будут его близкие друзья. Ну или спамеры)))
Проверяем списки друзей этих близких друзей и смотрим, нет ли нужного нам человека у них в друзьях. Если есть, а у нашего героя этих людей в друзьях не видно, то да, это его скрытые друзья.

Это такой больше интуитивный способ. Если вы человека хорошо знаете, то можете прикинуть с кем он в реальности общается, какая у него компания, кто в ней состоит. И по этим людям можно пробежаться, поискать общих друзей.

Суть в том, что у человека могут быть скрытые друзья, но если эти друзья не скрыли его, то видно, что человек у них в друзьях.

Дело подпортили новые настройки приватности, когда можно скрывать свой профиль ВК ото всех не друзей. Но тут уже ничего не поделаешь.

3 способ. Автоматический от 220v

Способ основан на методике из первых двух способов, но слава богам нашлись ребята, которые эту рутину автоматизировали.

Но это такой же перебор и он может найти не всех и не сработает, если все у всех скрыто. Это автоматизация, а не волшебство.

Откройте сайт [urlspan]220vk.com[/urlspan]
Авторизуйтесь через ВК. Не бойтесь, этот сервис не крадет данные, потому что авторизация происходит через сам вконтакт. Т.е. этот сервис действует как и любое другое приложение ВК.
Авторизация в 220vk
Жмякаете разрешить. Это и есть окно авторизации через ВК, если вы уже были авторизованы вконтакте в этом браузере, то никаких паролей вводить не потребуется.

Окно авторизации в ВК
Перейдите в пункт Скрытые друзья, введите ID пользователя, за которым хотите подсмотреть и нажмите Искать скрытых друзей.
Поиск скрытых друзей ВК
После того, как начнется поиск, можно добавить подозреваемых — людей, с которыми или через которых человек может быть связан со скрытыми друзьями — это тот самый круг общения про который я говорила выше. Это поможет ускорить поиск или вообще поможет найти тех, кто так бы не нашелся. Так что добавьте всех на кого думаете — для этого нажмите шестеренку и введите ID этих людей. Чтобы добавить новые строки нажимайте плюс и добавится еще окно для ввода ID.
Добавление подозреваемых при поиске скрытых друзей ВК

Программа работает, проверяла лично в исследовательских целях, хоть мне и не интересно, кого скрывают мои друзья) Но оказалось, что скрывают.

4 способ. Как посмотреть кого скрывает друг в ВК через vk.city4me.com

Сервис аналогичный 220vk

Перейдите в сервис [urlspan]vk.city4me.com[/urlspan]
Сразу авторизуйтесь, чтобы получить доступ к расширенным функциям. Искать скрытых друзей можно и без авторизации, но много ошибок выходит и часто ничего не находится. Авторизация идет через ВК, т.е. ваши пароли приложение не получает.
Авторизация в city4me
Перейдите на закладку Скрытые друзья ВК в верхней панели, введите ID странички друга и нажмите Посмотреть скрытых друзей.
Как можно посмотреть скрытых друзей в ВК
Если за пользователем уже кто-то наблюдал, то сервис сразу выдаст результат, если нет, то предложить установить наблюдение. Жмите Начать следить за….
Установка наблюдения за пользователем
Откроется карточка пользователя, где отобразится список доступных действий. Нам нужно найти скрытых друзей.
Просмотр скрытых друзей ВК
Пролистайте окно вниз, для ускорения укажите подозреваемых. Это люди, которые как-то могут быть связаны со скрытыми друзьями, общая компания, например. И нажмите Полный поиск. Есть и быстрый, но он чаще всего заканчивается с ошибками и никого не находит.
Поиск скрытых друзей и добавление подозреваемых
Если друзей много, то поиск может длиться несколько часов, так как сервису нужно перебрать все возможные варианты и проверить друзей друзей.
После завершения поиска выйдет результат. В моем случае у пользователя не нашлось скрытых друзей. Это видно под строкой состояния в скобочках «find: 0» — значит, что найдено 0 друзей.
Поиск скрытых друзей закончен

Что запомнить

Невозможно найти скрытых друзей в том случае, если они тоже скрыли этого человека;
Сервисы не воруют пароли, если авторизация происходит через окошко ВК и от вас не требуется вводить пароль;
Автоматические способы тоже не могут найти всех, нужно им помогать и указывать подозреваемых — людей который могут быть связаны с предполагаемыми скрытыми друзьями.

Лайфхаки

Vk Hidden Friends Порно Видео

Vk Hidden Friends Порно Видео — FapJunk

Самые актуальные
Популярные
Последние
Лучшие по рейтингу

HDTrickyspa Скрытая веб камера снимает на видео минет

07:31 66,8 тыс. просмотров 100%

Вк Кк Чунг Куок

12:55 27,5 тыс. просмотров 100%

HDVoyeur Скрытая видео девушки по вызову в мотеле

18:51 269,8 тыс. просмотров 0%

н.э.

100%

Эксперимент HDFriends: двойное вторжение днем

05:23 3,9 тыс. просмотров 50%

HDFantasymassage Скрытая вебкамера Розовая сигара Минет

07:23 19,2 тыс. просмотров 0%

HDTrickyspa Скрытая веб камера Мужик сосиской полоскает горло и трахается

07:07 52,7 тыс. просмотров 0%

HDHalle Von перед скрытой вебкамерой Лижет девушки с девушкой

08:08 13,2 тыс. просмотров 100%

HDTwistys Элейн Рэй в главной роли Я хочу больше, чем друзья

08:00 7,2 тыс. просмотров 100%

HDAllgirlmassage Скрытая ласка втроем

07:24 1,8 тыс. просмотров 100%

HDHypnodolls Hidden Hypnotist Trailer

03:25 5,9 тыс. просмотров 100%

Жесткий долбеж на скрытой веб-камере

05:35 6,3 тыс. просмотров 100%

Вк Кк Мой Куой

05:09 8,9 тыс. просмотров 100%

Sista соблазняет сводного брата на вечеринку скрытой камерой

12:17 1,9 тыс. просмотров 50%

Праздник секса перед скрытой веб-камерой Латиноамериканская ебля

04:55 4,9 тыс. просмотров 100%

Ассистент трахает коллегу перед скрытой камерой

08:29 10,6 тыс. просмотров 100%

Вк Чк Вьетнам5

10:07 3,9 тыс. просмотров 50%

н.э.

100%

HDСкрытые камеры моей жене, трахающей огромные копья муженьков ее друзей

05:38 487 просмотров 70%

HDСкрытые камеры моей жене, любящей гигантские члены супругов ее друзей

05:28 23 просмотров 83%

HDTrickyspa Скрытая Вебкамера Снимает Минет

07:31 1,8 тыс. просмотров 100%

Банда оттрахана друзьями мужа

12:54 19,1 тыс. просмотров 50%

Скрытая веб-камера установлена в кабинете гинеколога

06:54 46,5 тыс. просмотров 0%

Горячую нимфу застукали с доктором перед скрытой камерой во время осмотра

06:54 50,5 тыс. просмотров 0%

HDHidden Motel Apartment Вебкамера на мальчишнике

14:01 21,5 тыс. просмотров 100%

Сводная сестра-подросток с огромным задом на работе перед скрытой веб-камерой, пытающейся заставить свою сапфическую мачеху сквиртовать

10:00 71,4 тыс. просмотров 100%

Осмотр пизды перед скрытой камерой

11:34 83,7 тыс. просмотров 33%

HDTrickyspa Неразборчивый сенатор на скрытой камере

07:30 28,8 тыс. просмотров 100%

Скрытая вебкамера в квартире моей подруги 2

07:17 13,5 тыс. просмотров 50%

Скрытая веб-камера дома 1

08:09 27,9 тыс. просмотров 100%

Хочешь подрочить на лучшее порно Vk Hidden Friends сегодня в Интернете? Что ж, вам повезло, потому что здесь, в FapJunk, мы предоставляем нашим уважаемым пользователям бесплатный доступ к некоторым из лучших

Вк Скрытые друзья

порно видео на планете!

В настоящее время FapJunk ежедневно обновляется свежими видео с рейтингом X и порносценами, поэтому обязательно заходите на сайт, если хотите посмотреть новые порнофильмы. Мы — короли

Моих друзей Удивительная киска так хороша на вкус!

Хиты Друзья Жена Межрасовый секс

Любители Мать Мамочка Задница Зрелая Шпион Скрытая Шпионаж Вуайерист Милф Наездница Миссионерская

порно – никто даже близко не приблизится к тому, чтобы дать вам доступ к горячим бесплатным порно видео, которые мы делаем!

Отметить это видео

Спасибо! Мы обработаем ваш запрос как можно скорее.

Скачать это видео

Для загрузки видео необходима учетная запись. Нажмите здесь, чтобы войти или создать учетную запись.

Логин

Забыли пароль?

Регистр

Уже есть учетная запись?

Восстановить пароль

Войти или Зарегистрироваться

PYMK в ВК: ОД через EGO-NETS. Возможность добавлять пользователей в друзья есть… | от команды ВК

Возможность добавлять пользователей в друзья — одна из важнейших механик любой социальной сети. Подавляющее большинство взаимодействий происходит между пользователями, которые дружат друг с другом. Они видят и комментируют сообщения друг друга в своих новостных лентах и заходят в свои списки друзей, чтобы начать чаты. Вот почему так важен рост социального графа.

Меня зовут Евгений Замятин. Я являюсь частью команды Core ML в ВКонтакте. Хочу рассказать вам о том, как работает наша рекомендательная система, чтобы сблизить пользователей крупнейшей социальной сети рунета.

Современные рекомендательные системы часто состоят из двух уровней, и наша система не исключение.

Первый уровень — поисковая часть системы. Его задача — искать среди всего множества пользователей наиболее релевантных кандидатов. Этот процесс нужно сделать быстро. Обычно эти задачи решаются с помощью простых в использовании моделей, таких как матричные факторизации или эвристики, основанные на количестве общих друзей. Затем кандидаты, полученные на первом уровне, отправляются на второй уровень, где на модель больше не распространяются строгие ограничения скорости. Его основная задача — обеспечить максимальную точность предсказания и сформировать список, который увидит пользователь. В этой статье мы рассмотрим только первый этап — поиск.

Прежде всего сформулируем постановку задачи. Для каждого пользователя нам нужно найти k кандидатов, которых они с наибольшей вероятностью добавят в друзья. Метрика, на которой мы сосредоточимся, — это отзыв@k. Для этой задачи идеально подходит, так как нас интересует не порядок кандидатов, а важна их релевантность.

Давайте рассмотрим базовые, но до сих пор актуальные решения, придуманные десятки лет назад. Первый метод, который приходит на ум, самый логичный: эвристика, основанная на количестве общих друзей. Для каждого пользователя выбираются кандидаты с наибольшим значением. Этот подход прост в реализации и обеспечивает достойное качество результатов.

Еще одним важным методом рекомендации друзей является Adamic/Adar. Он также основан на анализе общих друзей, хотя и модифицированном: авторы предлагают учитывать количество друзей, которые есть у «общего» друга. Чем больше это значение, тем меньше релевантной информации оно несет.

Недавно наши коллеги из Google+ предложили новый подход к рекомендациям друзей, основанный на эго-сетях. В своей статье авторы предложили кластеризовать эго-сети пользователей. В качестве меры релевантности они использовали значение 9.0280 очков дружбы , что является количеством общих друзей в одном кластере эго-сетей.

Помимо методов, основанных на анализе общих друзей, довольно распространены рекомендации на основе встраивания. В Лаборатории искусственного интеллекта ВК МФТИ мы провели исследование, в котором сравнили эффективность разных подходов к задаче предсказания дружбы в ВК. Результаты совпали с нашим опытом. Решения, основанные на встраивании графов, нам не подходят. Помня об этом, мы начали разрабатывать систему отбора кандидатов на основе анализа общих друзей.

Общая схема нашего метода расширяет идеи числа общих друзей и Адамика/Адара. Итоговая мера релевантности E(u, v) , с помощью которой мы будем отбирать кандидатов, также раскладывается на сумму общих друзей u и v . Ключевое отличие заключается в форме слагаемого под суммой. В нашем случае это мера ez_c(u, v) .

Сначала попробуем понять «физический» смысл меры ez_c(u, v) . Представьте, что мы взяли пользователя c и спросили его: «Какова вероятность того, что два ваших друга, и и и , станут друзьями?» Чем больше информации этот пользователь учитывает для своего прогноза, тем точнее он будет. Например, если c может вспомнить только количество своих друзей, его рассуждения могут выглядеть так: «Чем больше у меня друзей, тем меньше вероятность того, что два случайных человека узнают друг друга». Тогда оценка «вероятности» дружбы u и v (с точки зрения c ) могут выглядеть как 1/log(n) , где n — количество друзей. Вот как работает Адамик/Адар. Но что, если c учитывает больше контекста?

Прежде чем ответить на этот вопрос, давайте разберемся, почему ez_c(u, v) важно определить через пользователя c . Дело в том, что в таком виде очень удобно решать задачу распределённо. Представьте, что мы разослали всем пользователям платформы анкету с просьбой оценить вероятность того, что каждая пара их друзей дружит друг с другом. Получив все ответы, мы можем подставить значения в формулу Э(и,в) . Вот как выглядит вычисление E(u, v) с помощью MapReduce:

Подготовка . Для каждого c выделяется контекст, который он будет учитывать для выставления оценок. Например, в Adamic/Adar это будет просто список друзей.
Карта . «Спросите» у каждого c , что они думают о возможности дружбы для каждой пары своих друзей. Мы вычисляем ez_c(u, v) и сохраняем его как (u, v) → ez_c(u, v) для всех u , v в N(c) . В случае Адамика/Адара: (u, v) → 1 / log|N(c)| .
Уменьшить . Для каждой пары (u, v) суммируем все соответствующие значения. Их будет ровно столько, сколько общих друзей у и и и .

Таким образом, мы получаем все ненулевые значения E(u, v) . Примечание: необходимое условие для E(u, v) > 0 есть наличие хотя бы одного общего друга u и v .

Контекст пользователя c в случае меры ez_c будет тот же список друзей, но дополненный информацией об отношениях внутри этого списка. Научный термин для такой структуры — «эго-сеть». Более формально эго-сеть вершины x является подграфом исходного графа, все вершины которого являются соседями вершины x 9.0281 и x , ребра которого являются всеми ребрами исходного графа между этими вершинами.

Основная идея меры ez_c заключается в том, что ее можно сделать обучаемой. Для каждого пользователя с , его эго-сети и всех пар пользователей u, v внутри нее мы можем насчитать множество различных признаков. Например:

количество общих друзей u и v внутри эго-графа c
количество общих друзей u и c
интенсивность взаимодействия между v и c
время, прошедшее с момента последней дружбы между u и кем-то из эго-графа c 902 80 1 4 плотность графа
и другие

Таким образом, мы получим набор данных с признаками. Но нам также нужны метки для обучения. Рассмотрим набор данных, построенный из состояния графа в момент времени T . Тогда в качестве положительных примеров возьмем те пары пользователей, которые не были друзьями на момент T , но подружились с T + △T . И как минус, все остальные пары пользователей, которые не являются друзьями. Примечание: поскольку мы решаем задачу прогнозирования новых дружеских отношений, те пары пользователей, которые уже дружат в момент времени T , не нужно учитывать ни в обучении, ни на практике.

В итоге получаем следующий набор данных:

для каждой пары пользователей u и v , а так же их общий друг c , характеристики рассчитываются внутри ego-net c
пара пользователей u и v встречается в наборе данных ровно столько раз, сколько у них есть общие друзья
все пары пользователей в наборе данных не друзья во время T
для каждой пары u и v метка равна 1, если они стали друзьями в течение времени △T начиная с T , и 0 9 в противном случае
810014 Мы будем использовать этот набор данных для обучения нашей меры ez_c . В качестве модели мы выбрали градиентный бустинг с функцией попарных потерь, где ID группы — user u .
По сути, мера ez_c (u, v) определяется как предсказание модели, описанной выше. Но есть один нюанс: при парном обучении распределение предсказаний модели похоже на нормальное. Следовательно, если мы возьмем «сырой» прогноз в качестве определения меры ez_c(u, v) , у нас может возникнуть ситуация, когда мы оштрафуем окончательную меру E(u, v) для общих друзей, поскольку значения прогнозов отрицательны. Это не совсем понятно, так как мы не хотим, чтобы мера E(u, v) уменьшалась с увеличением числа общих друзей. Итак, в дополнение к предсказанию модели мы решили взять показатель степени:
. Этот подход хорошо работает на небольших графиках. Но чтобы применить его к реальным данным, нам нужно выполнить еще одно действие. Суть проблемы такова: мы не можем рассчитать признаки и применить модель для каждой пары пользователей всех эго-сетей, так как это заняло бы слишком много времени. Чтобы решить эту проблему, мы придумали специальный трюк. Представим, что наше повышение градиента обучено так, что каждое дерево использует атрибуты только одного пользователя: либо и или и . Тогда мы могли бы разделить весь ансамбль на две группы: к группе A мы бы отнесли деревья, которые используют только атрибуты пользователя u , к B , пользователя v . Предсказание такой модели может быть представлено как:
С помощью такой модели мы могли бы быстрее получать предсказания для всех пар пользователей одной и той же эго-сети. Все, что нам нужно сделать, это применить модели A и B для каждого пользователя, а затем сложить прогнозы, соответствующие парам. Таким образом, для эго-сети из n вершин мы могли бы уменьшить количество применений модели с O(n²) до O(n) .
Но как нам получить модель, в которой каждое дерево зависит только от одного пользователя? Вот как:
Исключите из набора данных все признаки, которые одновременно зависят как от u , так и от v . Например, атрибут «количество общих друзей х и х внутри эго-графа с» придется удалить.
Модель поезда A , использующая только функции, основанные на u , c и эго-сеть c .
Для обучения модели B оставьте только признаки, основанные на v , c и ego-net c . Передайте прогнозы модели A в качестве базовых прогнозов.
Если объединить модели A и B , то получим то, что нам нужно: первая часть использует особенности u , вторая использует особенности v . Набор моделей имеет смысл, потому что B был обучен «исправлять» Предсказания A . Такая оптимизация позволяет ускорить расчеты в сотни раз и делает подход применимым на практике. Окончательный результат ez_c(u, v) и E(u, v) выглядит следующим образом:
Обратите внимание, что E(u, v) можно представить как:
Эта формула является скалярным произведением разреженных векторов, индексы которых являются пользователями, а значения — показателями прогнозов модели. Ненулевые значения здесь только для друзей u — по сути, это просто списки друзей с дополнительными значениями.
При построении рекомендаций мы уже рассчитали прогнозы модели для всех существующих дружеских отношений. Поэтому для каждого пользователя мы можем собрать векторы и поместить их в доступное онлайн-хранилище ключей-значений. После этого мы можем получить значение E(u, v) для любой пары пользователей онлайн с помощью простой операции умножения векторов. Это позволяет использовать E(u, v) в качестве легкой функции релевантности в высоконагруженных частях системы или в качестве дополнительного признака итоговой модели ранжирования.
В результате система EGOML позволяет:
Подбирать кандидатов для каждого пользователя офлайн в распределенных настройках. Асимптотическая сложность оптимизированного алгоритма составляет O(|E|) вычислений признаков и модельных приложений, где |E| — количество подключений в графе.