Как у себя вк посмотреть скрытых друзей: Как посмотреть скрытых друзей ВК у себя: ТОП 3 способа

Как посмотреть скрытых друзей ВК? Способы и советы

Здравствуйте, дорогие читатели! Как известно, российская социальная сеть Вконтакте для своих пользователей предусматривает достаточное количество разных настроек и функций, которые должны сделать пребывание на сайте максимально комфортным для каждого.  К одной из таких настроек можно отнести возможность скрывать друзей. Любой из нас, пользуясь такой привилегией, может преследовать разную цель. Однако наша сегодняшняя статья посвящается, естественно, не конспираторам, а любопытным Варварам, жаждущим посмотреть скрытых друзей ВК на странице человека, над которым и ведется детективное расследование.

Посмотреть скрытых друзей ВК – оправданный риск?

Стоит сразу отметить, что на сегодняшний момент не существует безопасных сервисов и программ, которые могли бы показать скрытых друзей Вконтакте. И ключевое слово здесь – безопасных. Поэтому, скачивая многообещающее приложение или пользуясь не внушающим доверие сайтом, чтобы посмотреть скрытых друзей ВК, вы тем самым подписываетесь на добровольный взлом собственного аккаунта. Обычно это происходит, когда выплывает запрос на вход через логин и пароль. Но, если официальный сайт Вконтакте гарантирует безопасность ваших данных, то на аналогах ВК с более широким спектром действий вам никто эту гарантию не даст. И как результат – у мошенников есть полный доступ к вашей странице, через которую в лучшем случае будут отправлять спам.

Если вы все-таки решили рискнуть и прибегнуть к помощи таких ресурсов, то лично от себя хочется дать совет: делайте это лучше с фэйковой страницы, которую точно будет не жалко потерять.

А для тех, кто не знает, как создать вторую страницу Вконтакте без номера телефона, читайте другую нашу статью «Виртуальный номер для регистрации в ВК, ОК и ФБ».

Теперь вернемся к теме и перечислим сайты, которые позиционируют себя как «шпионские». К таким относятся: 220vk.com, vk-express.ru, vkspy.by, vk.city4me.com.

Как они себя будут вести на деле, остаётся проверить Вам. Будьте готовы к тому, что, скорее всего, нужно будет ввести свой логин и пароль, но если пользоваться фэйковой страницей — это полбеды. Крайне не рекомендуем отправлять СМС «с кодом/кодовым словом» на какой-то номер, иначе денег на мобильном счету как не бывало.

И очень хотелось бы, чтобы Вы после проделанной «операции» поделились опытом в комментариях ниже этой статьи.

Как узнать, если ли скрытые друзья у пользователя?

Данный способ не позволяет узнать, кто конкретно остаётся в тайне. Однако само наличие скрытых друзей у пользователя – проще простого. Для этого не требуется скачивать какие-то непонятные программы, а достаточно уметь считать. Теперь следуйте инструкции:

1. Перейдите на страницу интересующего Вас человека.
2. У него на странице перейдите в «Друзья». Обратите внимание на количество людей (допустим, что их 60).
3. В правой стороне окна нажмите на «Параметры». В фильтре поочередно выставите пол и запомните количество соответствующих друзей. Например, женщин – 25, а мужчин – 15.
4. Просмотрите список друзей. Возможно, кто-то не указал пол или же удален. Допустим таких будет 3 человека.
5. В итоге из общей суммы друзей вычитаем женщин, мужчин и «неопределенных»: 60-25-15-3=17. 17, как вы догадались, и есть число скрытых друзей. Но, к сожалению, идентифицировать их вы не сможете.

Узнать скрытых друзей методом наблюдения

Если для Вас действительно так важно вычислить скрытых друзей, при этом не жалко времени, тогда придётся хорошенько «просканировать» все фотографии, записи на стене и комментарии. Обратите внимание, кто часто ставит лайки и комментирует записи вашей пассии. Если кто-то есть на примете, перейдите на страницу этого человека. Там будут отображены общие друзья. И если в списке общих друзей есть ваш суженый(ая), а у суженого как раз этого человека не видно в друзьях, то скорее всего он и есть скрытый друг.

Но, опять же, повторимся, что это займет не один час.

Вывод

Напоминаем, что независимо от количества друзей пользователь ВК может добавлять в список скрытых друзей не более 30 человек. А также добавим, что разработчики данной социальной сети действительно позаботились о том, чтобы максимально надежно скрыть ту информацию, которую хочет пользователь, тем самым не нарушая его личное пространство. Поэтому посмотреть скрытых друзей вк всё-таки непросто, и данный вопрос в большей степени остаётся открытым…

Вот и всё, друзья! Доверяйте друг другу и до скорых встреч!

Понравилась статья?

Нам очень приятно! Не могли бы вы поделиться этой статьей с друзьями? А также мы будем рады, если вы оставите комментарий.

Обещаем исправиться! Если вам есть, чем дополнить статью, напишите об этом в комментариях. А также будем благодарны за конструктивную критику. Спасибо!

Как увидеть скрытых друзей «Вконтакте» — Сайт о заработке в интернете, способах, кейсах, личностном росте!

Здравствуйте, друзья! Сейчас я планирую большую серию статей про Социальные сети. Так что приготовьтесь — будет интересно!

Сегодня хочу вам рассказать, как увидеть скрытых от вас друзей в социальной сети «Вконтакте».

Все мы уже знаем, что «ВКонтакте» самая популярная социальная сеть в русскоязычном интернете. Поэтому наш сегодняшний разговор именно об этой социальной сети.

Одним из достоинств «ВК» является то, что вы можете скрыть личную информацию от других пользователей.

Что это за информация?

Ну, например ваши анкетные данные, личные фотографии, какое-то видео конфедициального характера.

Как же скрыть эту информацию?

Зайдите, на своей странице, в пункт «Мои настройки» и найдите там кнопку «Приватность». Нажмите на нее.

Вы видите большой список возможностей, которые помогут вам скрыть от других пользователей то что вы хотите, в том числе и друзей…

Отвечайте на вопросы «Кто видит основную информацию» , или «Кто видит мои подарки».

Чтобы ответить на эти вопросы — просто нажмите ссылку справа.

Вот вам простой пример.

Найдите пожалуйста эту строчку.

По-умолчанию, выбрано «Всех друзей» — это значит, что посторонний посетитель, зайдя на вашу страницу, будет видеть всех ваших друзей.

Вы можете нажать на эту кнопку «Всех друзей» и появится вот такое окно:

Слева вы видите список друзей, которых можно скрыть, сделать это можно просто нажав на строчку с именем друга.

В итоге мы получим вот такую картинку:

После того как вы выбрали список друзей — нужно просто применить настройки и всё.

Удобно? Конечно.

[tip]В настоящее время администрация социальной сети «ВКонтакте» не разрешает скрывать более 20 своих друзей, мотивируя это тем, что «ВКонтакте» хоть и открытая сеть, но скрытие всех своих друзей ущемляет права других пользователей.[/tip]

А можно ли все-таки посмотреть скрытую информацию другого пользователя?

Оказывается можно!

Как увидеть скрытых друзей

Раньше были различные способы через узнавание ID (Ай Ди) человека, который спрятал и пр. Была даже отдельный сервис durov.ru , однако сейчас эти методы уже не работают.

А ведь большинство рунета только эти способы и пиарит.

Нехорошо получается, вводят молодёжь в заблуждение.

Я нашёл еще один способ, проверил — работает.

Нам поможет вот этот сервис — [urlspan]igoos.net[/urlspan]

И первым шагом мы должны ввести ссылку на человека, который скрывает своих друзей, как показано выше.

Как только добавили ссылку, система автоматом нашла всех друзей.

Опускаемся по странице чуть ниже (листаем страницу).

Ниже мы видим пункты «Подозреваемые» и «Поиск скрытых»

1. Подозреваемые, это те люди, которые, возможно являются скрытыми. Обычно этот пункт всегда пустой.
Чуть ниже вы можете видеть возможность добавления других аккаунтов. Сюда добавляем людей, которые явно имеют отношения к исследуемому аккаунту. Возможно, друзья, родственники и т.п.

2. Ну и когда все остальные пункты выполнены — нажимаем на кнопку «Поиск скрытых друзей».

Система сразу же начинает работы по своему алгоритму.

Процесс этот долгий — предупреждаю сразу.

Например, у меня это заняло часов 10, потому что более 100 тысяч аккаунтов проверялось.

Но так или иначе, процесс закончился полной победой. Скрытые аккаунты были найдены.

Попробуйте и вы это сделать.

[warning]А теперь предостережение.
Сейчас в интернете появилось много сайтов, которые за отдельную плату предлагают вам открыть всю скрытую информацию, которую скрыл пользователь. Так вот в большинстве случаев это мошенничество! Вы заплатите деньги, а взамен не получите ничего. Не связывайтесь с ними. Лучше потратьте деньги для любимого человека или девушку.[/warning]

Будьте осторожны.

Кому может быть полезна информация из этой статьи про то как увидеть скрытых друзей? Как вы думаете? Ну, кроме разных спецслужб…

Напишите об этом пару предложений в комментариях. Заранее благодарен.

Вы в курсе, что в Вконтакте можно неплохо зарабатывать?
Держите Мануал по заработку!
БЕСПЛАТНО!

С уважением, Денис Тумилович!

PYMK в ВК: ОД через EGO-NETS.

Возможность добавлять пользователей в друзья есть… | by VK Team

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 создать 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 9.0017 показатель дружбы , который представляет собой количество 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. Конечная 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: «Насколько вероятно, 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 Е(и, v) . Вот как выглядит вычисление E(u, v) с помощью MapReduce:

• Подготовка . Для каждого c выделен контекст, который он будет учитывать для проведения оценок. Например, в Adamic/Adar это будет просто список друзей.
• Карта . «Спросите» 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 9.0018 и x , ребра которого являются всеми ребрами исходного графа между этими вершинами.

Основная идея показателя ez_c заключается в том, что его можно сделать обучаемым. 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 взаимодействий между v и c
• время, прошедшее с момента последней дружбы между u и кем-то из эго-графа c c 9007
• плотность графа
• и другие

Таким образом, мы получим набор данных с функциями. 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 являются друзьями 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 времени T
• для каждой пары u и v метка равна 1, если они стали друзьями в течение времени △T начиная с T , и 7 0 9 иначе

  80002 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 существу, 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 как определение 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) от до O(n) .

  Но как получить модель, в которой каждое дерево зависит только от одного пользователя? Вот как:

  1. 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.
  2. Модель поезда A , использующая только функции, основанные на u , c и эго-сеть c .
  3. Для обучения модели B оставьте только признаки, основанные на v , c и ego-net c . Передайте прогнозы модели A в качестве базовых прогнозов.

  Если мы объединим модели A и B , мы 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:

  1. 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.
  2. Быстро рассчитайте показатель релевантности E(u, v) для любой пары пользователей онлайн. Асимптотическая сложность операции составляет O(|N(u)| + |N(v)|) .
  3. Улучшить качество рекомендаций, расширив количество учитываемых графов (дружба, скрытые рекомендации, отправленные сообщения и другие графы) и добавив к ребрам и вершинам различные метки, такие как интенсивность взаимодействий на ребре, дата формирование края, город пользователя или место его работы или учебы.

  В ВК мы перешли от метода отбора кандидатов Адамика/Адара к системе EGOML и ввели функции на основе меры E(u, v) в модель. Это позволило нам увеличить количество подтвержденных френдов на всей платформе на несколько десятков процентов.

  Выражаю благодарность руководителю команды Core ML Андрею Якушеву за помощь в разработке метода и подготовке статьи, а также всей команде Core ML за поддержку на разных этапах работы.

  404 — Положительный отзыв

  Выбрать PF Сотрудник Адам Голдфайн / обозреватель/обозреватель Эл Чиенг / обозреватель / обозреватель Альберт Грантовски / обозреватель / обозреватель Андреас Кох / старший технический редактор Арнис Балгалвис / старший помощник редактора Барри Грант / обозреватель / обозреватель Билл Малкольм / Обозреватель / обозреватель Боб Кац / Старший технический редактор Боб Нил / Старший помощник редактора Брайан Моура / Обозреватель / обозреватель Брюс Кинч / Заместитель редактора Брюс Уокер / Карикатурист и художник Кэрол Кларк / Редактор Чип Стерн / Старший помощник редактора Клод Лемер / Обозреватель / обозреватель Куки Marenco / Старший технический редактор Дэн Шварц / Старший помощник редактора Дэн Циммерман / Художник и эссеист Дэйв Кларк / Редактор Дэвид Элиас / Музыкант в резиденции Дэвид В. Робинсон / Главный редактор Дин Сейслав / Обозреватель / обозреватель Дирк Соммер / Обозреватель / обозреватель Эд Кобески / обозреватель / обозреватель, редакторы Positive Feedback / редакторы NoS, Франсиско Дюран / помощник редактора, Фрэнк Дорис / Старший заместитель редактора Гэри Бирд / Обозреватель/обозреватель Гэри Ли / Старший помощник редактора Грег Берон / Обозреватель / обозреватель Грег Уивер / Старший помощник редактора Грегори Петан / Обозреватель / обозреватель Джефф Дэй / Заместитель редактора Дженнифер Крок / Старший технический редактор Джим Мерод / Старший помощник Редактор Джон Актон / Обозреватель / Обозреватель Джон Керл / Старший технический редактор Джон Хоффман / Обозреватель / Обозреватель Джон Маркс / Старший помощник редактора Джон Зурек / Обозреватель / Обозреватель Хуан К. Эйллон / Обозреватель / Обозреватель Юрген Сайле / Обозреватель / Обозреватель Кирстен Бродбек-Кенни / Обозреватель / Рецензент Ларри Кокс / Заместитель редактора Лила Рицема / Бизнес-менеджер Линн Олсон / Старший помощник редактора Малачи Кенни / Обозреватель / Обозреватель Малкольм Гомес / Обозреватель / Обозреватель Марк Пирсон / Обозреватель / Обозреватель Маршалл Нэк / Заместитель редактора Морис Джеффрис / Обозреватель / Обозреватель Майкл Корсентино / Обозреватель/обозреватель Майкл Лоранс / Обозреватель/обозреватель Майкл Мерсер / Обозреватель/обозреватель Майкл Вамос / Columnis t/Рецензент Майкл Зиссон / Обозреватель / Обозреватель Майк Вексберг / Обозреватель / Обозреватель Майлз Б. Астор / Старший редактор Нэн Пинкус / Обозреватель / Обозреватель NativeDSD / Обозреватель / Обозреватель Нельсон Пасс / Старший технический редактор Норман Варни / Старший технический редактор Пол Кэнди / Заместитель редактора Пит Дэйви / Заместители редактора Положительный отзыв / Управляющий редактор Роберт Х. Леви / Обозреватель / обозреватель Роберт Пинкус / Обозреватель / обозреватель Роберт Юман / Обозреватель / обозреватель Роджер Скофф / Обозреватель / обозреватель Рон Нэгл / Обозреватель / обозреватель Раштон Пол / Обозреватель / обозреватель Сэм Розен / Обозреватель/обозреватель Сандер Роско Вольф / Обозреватель / Обозреватель Скотт Дорси / Старший технический редактор Скотт Робертсон / Обозреватель / Обозреватель Стив Лефкович / Старший помощник редактора Стив Васта / Обозреватель / Обозреватель Стью МакКрири / Заместитель редактора Тим Окреманн / Обозреватель / Обозреватель Том Кэмпбелл / Обозреватель/ Рецензент Том Гиббс / Обозреватель / Рецензент Виктор Чавира / Заместитель редактора Уэйн Гоинс / Старший помощник редактора Веб-мастер / Поз.