CN103593479B - 应用程序菜单推荐方法及装置 - Google Patents

应用程序菜单推荐方法及装置 Download PDF

Info

Publication number
CN103593479B
CN103593479B CN201310631308.1A CN201310631308A CN103593479B CN 103593479 B CN103593479 B CN 103593479B CN 201310631308 A CN201310631308 A CN 201310631308A CN 103593479 B CN103593479 B CN 103593479B
Authority
CN
China
Prior art keywords
application
list
menu option
application menu
application program
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201310631308.1A
Other languages
English (en)
Other versions
CN103593479A (zh
Inventor
谢天添
林涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN201310631308.1A priority Critical patent/CN103593479B/zh
Publication of CN103593479A publication Critical patent/CN103593479A/zh
Application granted granted Critical
Publication of CN103593479B publication Critical patent/CN103593479B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9032—Query formulation
    • G06F16/90324—Query formulation using system suggestions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/123—DNA computing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明涉及信息技术领域，具体而言，涉及应用程序菜单推荐方法及装置。该应用程序菜单推荐方法，包括：提供应用程序历史列表、欲预测项数及预测模型；将所述应用程序历史列表及所述欲预测项数输入所述预测模型，得到应用程序推荐列表；根据所述应用程序推荐列表进行应用程序菜单推荐。应用程序菜单推荐装置，包括：模型提供模块、预测模块及推荐模块。本发明提供的应用程序菜单推荐方法及装置能够提高应用程序推荐的准确度。

Description

应用程序菜单推荐方法及装置
技术领域
本发明涉及信息技术领域，具体而言，涉及应用程序菜单推荐方法及装置。
背景技术
当前，终端设备对应用程序菜单的管理通常为静态管理，即对每个应用程序分别设置图标(该图标可以由系统自动定义，也可以由用户进行个性化定义)，通过图表进行应用程序管理。在应用程序管理中，为便于用户及时查找到其所需的应用程序，形成了应用程序菜单推荐方法。
相关技术中，应用程序菜单推荐方法基于应用程序历史列表进行，即根据用户打开应用程序的时间顺序，利用与应用程序对应的链接标签生成应用程序历史列表，当用户需要应用程序推荐时，根据应用程序在应用程序历史列表中的排列位置向用户进行菜单推荐。
当前的应用程序菜单推荐方法主要基于应用程序打开的时间顺序进行推荐，但应用程序打开的时间顺序并不能准确反映用户对应用程序的使用意向，即用户打开一应用程序或几个应用程序后根据应用程序历史列表无法准确判断用户之后可能打开的应用程序的意向，由此导致推荐的准确度不高。
发明内容
本发明的目的在于提供应用程序菜单推荐方法及装置，以解决上述的问题。
在本发明的实施例中提供了应用程序菜单推荐方法，包括：
提供应用程序历史列表、欲预测项数及预测模型；
将所述应用程序历史列表及所述欲预测项数输入所述预测模型，得到应用程序推荐列表；
根据所述应用程序推荐列表进行应用程序菜单推荐。
应用程序菜单推荐装置，包括：
模型提供模块，用于提供应用程序历史列表、欲预测项数及预测模型；
预测模块，用于将所述应用程序历史列表及所述欲预测项数输入所述预测模型，得到应用程序推荐列表；
推荐模块，用于根据所述应用程序推荐列表进行应用程序菜单推荐。
本发明实施例提供的应用程序菜单推荐方法及装置，提供预测模型，将应用程序历史列表及欲预测项数输入到预测模型中后，会按照预测模型中设定的预测规则进行用户近期可能会打开应用程序的预测，并生成应用程序推荐列表进行应用程序菜单推荐。该推荐方法中，提供的预测模型是按照预定的预测算法形成的计算模型，预定的预测算法在一定程度上可以反映用户对应用程序的使用意向及使用习惯，由此能够提高应用程序推荐的准确度。
附图说明
图1示出了本发明实施例应用程序菜单推荐方法的流程图；
图2示出了本发明实施例应用程序菜单推荐方法的信息流程图；
图3示出了本发明实施例应用程序菜单推荐装置的结构图；
图4示出了终端中采用本发明实施例应用程序菜单推荐方法进行应用程序推荐的效果示意图。
具体实施方式
下面通过具体的实施例子并结合附图对本发明做进一步的详细描述。
本发明实施例提供一种应用程序菜单推荐方法，如图1所示，主要处理流程包括：
步骤S11：提供应用程序历史列表、欲预测项数及预测模型；
步骤S12：将应用程序历史列表及欲预测项数输入预测模型，得到应用程序推荐列表；
步骤S13：根据应用程序推荐列表进行应用程序菜单推荐。
本发明实施例提供的应用程序菜单推荐方法，提供预测模型，将应用程序历史列表及欲预测项数输入到预测模型中后，会按照预测模型中设定的预测规则进行用户近期可能会打开应用程序的预测，并生成应用程序推荐列表进行应用程序菜单推荐。该推荐方法中，提供的预测模型是按照预定的预测算法形成的计算模型，预定的预测算法在一定程度上可以反映用户对应用程序的使用意向及使用习惯，由此能够提高应用程序推荐的准确度。
进一步地，将应用程序历史列表及预测项数输入预测模型，包括：从提供的多个预测模型中确定最优预测模型，其中多个预测模型分别基于不同预测算法形成；将应用程序历史列表及预测项数输入最优预测模型。
由于用户的不同其对应用程序的使用习惯及使用意向不同，为向不同用户能提供更能满足用户需求的应用程序菜单推荐，优选地，提供基于不同预测算法形成的预测模型，并从提供的多个预测模型中确定出最优预测模型，利用最优预测模型进行预测。
提供应用程序历史列表，包括：提供预设时间间隔内被打开的应用程序菜单选项形成的应用程序历史列表；或，提供按照前台显示时间顺序排列且数量小于或等于预设的数量阈值的应用程序菜单选项形成的应用程序列表。
例如，提供预设时间间隔内被打开的应用程序菜单选项可以为提供由当前200小时内被打开的应用程序菜单选项，且提供的应用程序菜单选项按照打开的时间顺序排列。
又例如，预设的数量阈值为200，则提供最近被打开的200个应用程序菜单选项按照被前台显示时间顺序形成应用程序历史列表。当被打开的应用程序的总量小于设定的数量阈值时，被打开的所有应用程序按照前台显示时间顺序形成应用程序历史列表。
如图2所示，应用程序菜单选项在应用程序历史列表中按照前台显示时间顺序排列可以为设定应用程序历史列表的排列顺序依次为：h0、h1、h2、h3……hn-1，其中与当前前台显示的应用程序对应的应用程序菜单选项排在h0位，与当前前台显示时间最近的应用程序所对应的应用程序菜单选项排在h1位，其它应用程序的应用程序菜单选项的排列规则以此类推。
应用程序历史列表中排列的应用程序菜单选项均对应有菜单信息，其中所述菜单信息包括：应用程序切至前台显示的时间戳、切出前台显示的时间戳及应用程序地址信息。
其中若两个应用程序分别记为第一应用程序及第二应用程序，第一应用程序切出前台显示时，第二应用程序切至前台显示，则第一应用程序的切出前台显示的时间戳与第二应用程序切至前台显示的时间戳相同。
如图2，提供的多个预测模型分别记为m0、m1……mj……ms-2、ms-1形成预测模型列表M。
如图2中，从提供的多个预测模型中筛选出最优预测模型mop；
将应用程序历史列表及欲预测项数c输入到最优预测模型mop中，得到应用程序推荐列表L，利用应用程序推荐列表L中的应用程序菜单选项对预先生成的缓存列表CL中的应用程序菜单选项进行替换，利用替换完成的缓存列表CL向用户进行应用程序菜单推荐。
进一步地，提供预测模型包括：提供最近最常使用(Most Recently Use，MRU)预测模型、最常使用(Most Frequently Use，MFU)预测模型、结合新旧程度及频率(CombinedRecency and Frequency，CRF)预测模型、分割新旧程度及频率(Split Recency andFrequency，SR&F)预测模型、基于马尔科夫链的预测模型及基于马尔科夫链-CRF算法-周历史的预测模型。
本发明实施例中的预测模型基于Top-N机制对应用程序菜单选项进行预测，其中本实施例中仅给出预测模型的几个示例，根据实际使用的需要还可以将基于其它预测算法的预测模型加入到预测模型列表中。
本发明实施例中，从提供的多个预测模型中确定最优预测模型，包括：从应用程序历史列表所包括的按照前台显示时间顺序排列的应用程序菜单选项中选取前台显示时间位于预设时间段内的应用程序菜单选项组成测试子列表，从剩余的应用程序菜单选项中选取具有时间关联的应用程序菜单选项形成训练列表；利用训练列表分别对多个预测模型进行预测训练；利用测试子列表对经过预测训练后的多个预测模型进行预测准确率计算；将计算得到的预测准确率最高的预测模型确定为最优预测模型。
利用测试子列表对经过预测训练后的多个预测模型进行预测准确率计算，包括：将经过预测训练后的多个预测模型分别确定为设定最优模型；将测试子列表所包括的应用程序菜单选项按照先打开先输入的顺序依次输入当前被确定为设定最优模型的预测模型中；其中，每将测试子列表中的一个应用程序菜单选项输入至设定最优模型，均输出预测列表；且每次输出预测列表，均判断前台显示时间位于当前被输入的应用程序菜单选项之后，且排列位置与当前被输入的应用程序菜单选项位置相邻的应用程序菜单选项是否位于当前输出的预测列表中；若存在，则按照预设的预测准确率计算规则增加当前的设定最优模型的预测准确率。
例如，测试子列表中包括按照前台显示时间排列的A应用程序菜单选项、B应用程序菜单选项及C应用程序菜单选项，其中，A应用程序菜单选项切至前台显示的时间为3点，B应用程序菜单选项切至前台显示的时间为4点，C应用程序菜单选项切至前台显示的时间为5点，当前输入至设定最优模型的菜单选项为B应用程序菜单选项，输入B后得到预测列表，其中因为C应用程序菜单选项与B应用程序菜单选项位置相邻，且前台显示时间位于B应用程序菜单选项之后，则判断C应用程序菜单选项是否位于输入B应用程序菜单选项得到的预测列表中，若C应用程序菜单选项位于输入B应用程序菜单选项得到的预测列表中，则按照预设的预测准确率计算规则增加当前的设定最优模型的预测准确率。
本发明实施例中根据应用程序推荐列表进行应用程序菜单推荐，包括：将应用程序推荐列表所包括的应用程序菜单选项与预先生成的缓存列表所包括的应用程序菜单选项作交集运算，并在缓存列表中标记保存出现在交集运算结果中的应用程序菜单选项；将应用程序推荐列表中出现在交集运算结果外的应用程序菜单选项按照平均前台显示平均时长替换缓存列表中除被标记保存外的应用程序菜单选项；利用替换完成后的缓存列表进行应用程序菜单推荐。
其中根据应用程序推荐列表进行应用程序菜单推荐的具体算法为：
步骤A：预设中间列表CL'，中间列表CL'的长度与缓存列表CL的长度相同；
将应用程序推荐列表L中的应用程序菜单选项与缓存列表CL中的应用程序菜单选项作交集运算，即L∩CL，根据交集运算的结果，将应用程序推荐列表L及缓存列表l'共有的应用程序菜单选项插入到中间列表CL'中，且应用程序菜单项在CL'中的位置与其在CL中的位置相同。
步骤B：对于任意应用程序菜单选项任意应用程序菜单选项其中|l|表示l的平均打开时长，|l'|表示l'的打开平均时长；sub(l)为取l在应用程序推荐列表L中的位置，若CL中有未被填充的项(空项)，则计该项平均打开时常为0。
其中有，|li|＝max{|l0|，|l1|，……|le|}，
|l'j|＝min{|l'0|，|l'1|，……|l'd|}，e＝|L\CL|，d＝|CL\L|；
将li放入CL'中的sub(l'j)位置，且分别从L\CL，CL\L中移除li及l'j；
步骤C：重复步骤B直至L\CL为空集，跳至步骤D；
步骤D：令CL＝CL'，利用更新后的缓存列表CL进行应用程序菜单推荐。
本发明实施例中提供预测模型主要基于应用程序历史列表及欲测项数构建预测模型。其核心是使用遗传算法和多重交叉验证，运算得到预测模型，提供的预测模型的构建的触发为每一固定间隔触发，另外用户也可触发。
具体地，本发明实施例中提供基于马尔科夫链的预测模型包括：应用程序历史列表记为H＝{h0，h1，……，hn-1}，欲预测项数记为c。
将应用程序历史列表H划分为训练集H1及测试集H0两部分，重数为fold，fold可取3～10任意常量。
利用遗传算法训练马尔科夫链模型的每一阶的权重，利用训练集H1得到的模型，在测试集H0进行测试，算法进化至预设训练代数或训练时间超过预设训练时间时停止。所使用的遗传算法为经典遗传算法，每一阶的权重(w1,w2,…,wk)编码为一染色体。适应度函数由通过模型预测过程得到的结果的命中数确定。值越大，该染色体越好。每一多重交叉验证结束为一代，结束后继续下一代的多重交叉验证，直至停止条件满足。构建过程如下：
随机生成N个应用程序菜单选项个体，对每一个体编码1至k阶的马尔科夫链矩阵的权重(w1,w2,…,wk).且权重和为1。
(1)对于一重中的划分，将应用程序历史列表H划分为两部分H0及H1，且H0.size()＝H1.size()/(fold-1)；fold为可控常量，所有训练过程该值固定。
(2)利用H1构建的1阶、2阶，……k阶马尔科夫链分别储存于m*m大小的矩阵P(1),…,P(k)中，其中m为应用程序历史列表H中应用程序菜单选项的数目，k为一可控常量。
(3)构建一2*m维度向量F,该两维度分别记录H1中所有应用程序打开的频率和应用程序的前台显示平均时长；构建一m*24的矩阵M，统计H1中的每个应用程序软件，以24小时每小时划分，每小时每个应用程序相对被打开的频率。其中频率统计时，若某一应用程序的频率为0，则将其频率值设置为1，以保证算法可以继续进行。
(4)对于每一个应用程序菜单选项，使用模型预测过程进行预测。测试集H0按照时间顺序先后输入，统计每下一项相对于目前为止输入得到的结果的输出的命中数。若该代多重交叉验证完成，则依据命中数的平均得到每个染色体的适应度值，此后进行步骤(5)。否则，返回步骤(1)继续多重交叉验证。
(5)保留染色体中适应度值最好的1个体至下一代，其余子代个体通过交叉变异得到。若终止条件未满足，进行步骤(1)。否则进行步骤(6)，此处终止条件指算法进化过程中是否到达预设进化代数或训练时间否超过预设训练时间。
(6)使用所有H重复重复步骤(2)及步骤(3)，并将适应度值最大的个体的权重最为最终的模型权重。
本发明实施例中利用基于马尔科夫链的预测模型进行预测的过程包括：
(1)当无打开历史记录时，返回打开频次最多的c项应用。
(2)令当前时刻为L，下一时刻为(L+1)，保存每个应用在时刻(L+1)可能被打开的概率向量为P(L+1)，其中P(L+1)由公式1计算得到。其结果中维度权重最大且非零的前c项应用暂存于结果列表R中(结果不满c项时暂时不填充空余项。若预测结果中存在已被删除的应用，将其移出R)。
Wt＝(w1,w2,…wd,…,wm),令当前小时为hc，wd为[hc-hd,hc+hd]小时范围内，第d个应用程序，相对于24小时划分，自己被打开的概率，其中hd为一整数常量。
Wcrf＝(wc1，wc2，……,wce，……，wcm)，p>＝2，t为使用该公式时刻，ti为应用e曾今被使用的时刻。例，取p＝2,λ＝1，当前为第100个时刻，应用e曾被使用的时刻为99,97时。此处结果wce＝0.5+0.125＝0.625。该部分的作用为考虑到每个时间点，最近使用以及最近频繁使用的应用有可能被打开。这里借鉴的是内存缓存的CRF公式。
α是用于调节CRF与马尔科夫链模型相对结果的影响参数，其最优值可通过数据训练测试得到。
余下的分量，即以α为幂的底数部分，该部分为加权的多阶马尔科夫链预测模型。
P(i)为i阶马尔科夫链矩阵。
P(L-i+1)表示，相对于上一被打开的应用，前第(i-1)个被打开的应用是哪个。例，i＝1时，若有P(L)＝(0,1,0,…,0),则其表示前第0个，即L时刻,被打开的应用为第2个应用。P(L)初始值中仅能有1项为1，其他剩余项都为0.
1到k阶马尔科夫链权重w可使用n重交叉验证的遗传算法得到或指定(训练时为遗传算法的每个个体的值；使用时，为最优的遗传算法的值或人为指定的值)。
(3)若最近q小时内无应用安装，则直接将R作为结果返回。否则进行(4)
(4)得到q小时内最近最后一个安装的应用a，用其替换R中平均使用时间最短的应用(若R中应用项数小于C,则直接添加；若应用a的平均前台显示时间小于R中平均使用时间最短的应用的平均使用时间，则不放入R中)，并将其平均使用时间设置为若q小时内，最近最后安装的应用程序发生变更，s重置为0，否则递增，若该项为最终推荐中用户实际打开的程序，则当前s的值不变。MaxAvgDuration为统计的应用程序中平均使用时长最长的时间(由F的第二个维度计算得到)。
(5)返回R列表作为预测结果。
本发明实施例的应用程序菜单推荐方法，能够满足用户的个性化需求，依据不同人的程序打开历史，针对于不同人的习惯提供不同的个性化程序菜单推荐。
本发明实施例的应用程序菜单推荐方法，具有自适应特性，整个推荐过程，即预测模型构建，预测的触发和预测都可以不需要人为接入操作，所提供的方法是一个完整的实时的生态系统。而非一简单的推荐过程。
本发明实施例的应用程序菜单推荐方法，能够填补实时的应用程序菜单项推荐的空缺，即，当用户打开一个或多个应用程序后，利用该方法能够对用户即将可能打开的应用程序进行预测并对其进行推荐。
如图4中示出了在终端设备上利用本发明实施例的应用程序菜单推荐方法进行程序推荐的效果示意图；
其中，指示步骤21中，表示终端当前主界面上在任意t时刻推荐显示应用程序A、应用程序B、应用程序C及应用程序D；用户打开某一应用程序，例如用户打开应用程序A并使用完毕后，切回主屏幕；
此时如指示步骤22所示，在任意t+1时刻终端的主屏幕上自动弹出使用了本发明的推荐方法而形成的应用程序推荐列表，用户之后有可能打开的应用程序出现在弹出的列表中，例如指示步骤22中弹出的应用程序F、应用程序B、应用程序E及应用程序D。
通过指示步骤21及指示步骤22的对比可看出，若前一次推荐程序列表中的应用程序为当前应用程序推荐列表中的选项，则该应用程序在应用程序推荐列表的列表位置不变，如指示步骤21中的应用程序B及应用程序D均为指示步骤22中的应用程序推荐列表中的菜单项，则应用程序B及应用程序D在应用程序推荐列表中的位置在指示步骤21及指示步骤22中不变。
本发明实施例还提供一种应用程序菜单推荐装置，如图2所示，包括：
模型提供模块21，用于提供应用程序历史列表、欲预测项数及预测模型；
预测模块22，用于将应用程序历史列表及欲预测项数输入预测模型，得到应用程序推荐列表；
推荐模块23，用于根据应用程序推荐列表进行应用程序菜单推荐。
预测模块，包括：最优模型确定子模块，用于从提供的多个预测模型中确定最优预测模型，其中多个预测模型分别基于不同预测算法形成；预测子模块，用于将应用程序历史列表及预测项数输入最优预测模型。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.应用程序菜单推荐方法，其特征在于，包括：
提供应用程序历史列表、欲预测项数及预测模型，其中，所述预测模型，用于反映用户对应用程序的使用意向及使用习惯；
从所述应用程序历史列表所包括的按照前台显示时间顺序排列的应用程序菜单选项中选取前台显示时间位于预设时间段内的应用程序菜单选项组成测试子列表，从剩余的应用程序菜单选项中选取具有时间关联的应用程序菜单选项形成训练列表；
利用所述训练列表分别对多个所述预测模型进行预测训练；
将经过所述预测训练后的多个所述预测模型分别确定为设定最优模型；
将所述测试子列表所包括的应用程序菜单选项按照先打开先输入的顺序依次输入当前被确定为设定最优模型的所述预测模型中；
其中，每将所述测试子列表中的一个所述应用程序菜单选项输入至所述设定最优模型，均输出预测列表；且每次输出所述预测列表，均判断前台显示时间位于当前被输入的所述应用程序菜单选项之后，且排列位置与当前被输入的所述应用程序菜单选项位置相邻的应用程序菜单选项是否位于当前输出的所述预测列表中；若存在，则按照预设的预测准确率计算规则增加当前的所述设定最优模型的预测准确率；
将计算得到的预测准确率最高的所述预测模型确定为最优预测模型，其中多个所述预测模型分别基于不同预测算法形成；
将所述应用程序历史列表及所述预测项数输入所述最优预测模型，得到应用程序推荐列表；
根据所述应用程序推荐列表进行应用程序菜单推荐。
2.根据权利要求1所述的方法，其特征在于，提供预测模型包括：提供最近最常使用MRU预测模型、最常使用MFU预测模型、结合新旧程度及频率CRF预测模型、分割新旧程度及频率SR&F预测模型、基于马尔科夫链的预测模型及基于马尔科夫链-CRF算法-周历史的预测模型。
3.根据权利要求1所述的方法，其特征在于，所述根据所述应用程序推荐列表进行应用程序菜单推荐，包括：
将所述应用程序推荐列表所包括的应用程序菜单选项与预先生成的缓存列表所包括的应用程序菜单选项作交集运算，并标记保存出现在所述交集运算的结果中的应用程序菜单选项；
利用所述应用程序推荐列表的出现在所述交集运算结果外的应用程序菜单选项根据前台显示平均时长对所述缓存列表中除被标记保存外的应用程序菜单选项作替换；
利用替换完成后的所述缓存列表进行应用程序菜单推荐。
4.根据权利要求2所述的方法，其特征在于，提供基于马尔科夫链的预测模型包括：提供使用遗传算法及交叉验证算法形成的基于马尔科夫链的预测模型。
5.应用程序菜单推荐装置，其特征在于，包括：
模型提供模块，用于提供应用程序历史列表、欲预测项数及预测模型，其中，所述预测模型，用于反映用户对应用程序的使用意向及使用习惯；
预测模块，用于从所述应用程序历史列表所包括的按照前台显示时间顺序排列的应用程序菜单选项中选取前台显示时间位于预设时间段内的应用程序菜单选项组成测试子列表，从剩余的应用程序菜单选项中选取具有时间关联的应用程序菜单选项形成训练列表；
利用所述训练列表分别对多个所述预测模型进行预测训练；
将经过所述预测训练后的多个所述预测模型分别确定为设定最优模型；
将所述测试子列表所包括的应用程序菜单选项按照先打开先输入的顺序依次输入当前被确定为设定最优模型的所述预测模型中；
其中，每将所述测试子列表中的一个所述应用程序菜单选项输入至所述设定最优模型，均输出预测列表；且每次输出所述预测列表，均判断前台显示时间位于当前被输入的所述应用程序菜单选项之后，且排列位置与当前被输入的所述应用程序菜单选项位置相邻的应用程序菜单选项是否位于当前输出的所述预测列表中；若存在，则按照预设的预测准确率计算规则增加当前的所述设定最优模型的预测准确率；
将计算得到的预测准确率最高的所述预测模型确定为最优预测模型，其中多个所述预测模型分别基于不同预测算法形成；
将所述应用程序历史列表及所述预测项数输入所述最优预测模型，得到应用程序推荐列表；
推荐模块，用于根据所述应用程序推荐列表进行应用程序菜单推荐。
CN201310631308.1A 2013-11-29 2013-11-29 应用程序菜单推荐方法及装置 Expired - Fee Related CN103593479B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310631308.1A CN103593479B (zh) 2013-11-29 2013-11-29 应用程序菜单推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310631308.1A CN103593479B (zh) 2013-11-29 2013-11-29 应用程序菜单推荐方法及装置

Publications (2)

Publication Number Publication Date
CN103593479A CN103593479A (zh) 2014-02-19
CN103593479B true CN103593479B (zh) 2017-02-22

Family

ID=50083620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310631308.1A Expired - Fee Related CN103593479B (zh) 2013-11-29 2013-11-29 应用程序菜单推荐方法及装置

Country Status (1)

Country Link
CN (1) CN103593479B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104679382B (zh) 2013-11-29 2018-09-07 华为技术有限公司 应用程序显示方法和装置
CN104243590B (zh) * 2014-09-19 2017-10-13 广州华多网络科技有限公司 资源对象推荐方法和装置
CN105893614A (zh) * 2016-04-27 2016-08-24 北京金山安全软件有限公司 信息推荐的方法、装置及电子设备
CN106484392A (zh) * 2016-09-08 2017-03-08 北京小米移动软件有限公司 图标显示方法和装置
CN107885591A (zh) * 2016-09-27 2018-04-06 华为技术有限公司 为应用分配系统资源的方法和终端
CN106484848B (zh) * 2016-09-30 2020-07-10 网易传媒科技（北京）有限公司 一种应用推荐方法和设备
CN107045444A (zh) * 2017-04-18 2017-08-15 广东小天才科技有限公司 一种应用程序推荐方法及装置
CN107193722A (zh) * 2017-05-16 2017-09-22 广东欧珀移动通信有限公司 对应用排序的方法、装置、终端及存储介质
CN107729544B (zh) * 2017-11-01 2021-06-22 阿里巴巴（中国）有限公司 一种推荐应用的方法和装置
CN107783801B (zh) * 2017-11-06 2021-03-12 Oppo广东移动通信有限公司 应用程序预测模型建立、预加载方法、装置、介质及终端
CN108304115B (zh) * 2018-02-12 2020-12-04 Oppo广东移动通信有限公司 终端条目选择方法、装置及存储介质和终端
CN108595228B (zh) * 2018-05-10 2021-03-12 Oppo广东移动通信有限公司 应用程序预测模型建立方法、装置、存储介质及移动终端
CN108595227A (zh) 2018-05-10 2018-09-28 Oppo广东移动通信有限公司 应用程序预加载方法、装置、存储介质及移动终端
CN108710513B (zh) 2018-05-15 2020-07-21 Oppo广东移动通信有限公司 应用程序启动方法、装置、存储介质及终端
CN108804157A (zh) 2018-06-05 2018-11-13 Oppo广东移动通信有限公司 应用程序预加载方法、装置、存储介质及终端
CN109118119A (zh) * 2018-09-06 2019-01-01 多点生活(成都)科技有限公司 风控模型生成方法及装置
CN111966703B (zh) * 2020-06-30 2023-11-03 广州迈安信息科技有限公司 工程造价数据查询方法、装置、服务器和存储介质
CN113379113A (zh) * 2021-06-02 2021-09-10 青岛海尔空调器有限总公司 用于空调运行模式预测的方法及装置、空调
CN113918062B (zh) * 2021-10-29 2024-03-26 海信集团控股股份有限公司 应用程序的快捷功能的启用方法及终端

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1239253A (zh) * 1998-06-17 1999-12-22 微软公司 根据历史使用情况调整用户界面元素的方法
CN102622238A (zh) * 2012-03-15 2012-08-01 中兴通讯股份有限公司 移动设备的界面布局方法及装置
CN103150696A (zh) * 2011-12-06 2013-06-12 中兴通讯股份有限公司 选择目标增值业务潜在客户的方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1239253A (zh) * 1998-06-17 1999-12-22 微软公司 根据历史使用情况调整用户界面元素的方法
CN103150696A (zh) * 2011-12-06 2013-06-12 中兴通讯股份有限公司 选择目标增值业务潜在客户的方法及装置
CN102622238A (zh) * 2012-03-15 2012-08-01 中兴通讯股份有限公司 移动设备的界面布局方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Electricity Consumption Prediction Based on Improved WMC-GA-CV-SVR;Zheng Zhang 等;《Journal of Convergence Information Technology》;20130131;第8卷(第1期);第1节 *
基于.NET框架的经济指标预测系统的设计与开发;余盛明 等;《计算机系统应用》;20120531;第21卷(第5期);参见第109页摘要 *

Also Published As

Publication number Publication date
CN103593479A (zh) 2014-02-19

Similar Documents

Publication Publication Date Title
CN103593479B (zh) 应用程序菜单推荐方法及装置
CN110084271B (zh) 一种图片类别的识别方法和装置
CN110276066A (zh) 实体关联关系的分析方法及相关装置
CN106022505A (zh) 一种预测用户离网的方法及装置
CN108491951A (zh) 一种外卖配送时间的预测方法、装置及电子设备
CN107728874A (zh) 提供用户快捷操作的方法、装置及设备
CN109508789A (zh) 预测手牌的方法、存储介质、处理器以及设备
CN110390561B (zh) 基于动量加速随机梯度下降的用户-金融产品选用倾向高速预测方法和装置
CN104866472B (zh) 分词训练集的生成方法和装置
WO2020140073A1 (en) Neural architecture search through a graph search space
CN109816158A (zh) 预测模型的组合方法、装置、设备及可读存储介质
CN105653737A (zh) 用于内容文档排序的方法、设备和电子设备
CN110427560A (zh) 一种应用于推荐系统的模型训练方法以及相关装置
CN109784959A (zh) 一种目标用户预测方法、装置、后台服务器及存储介质
CN104503597B (zh) 笔画输入方法、装置和系统
CN112183818A (zh) 一种推荐概率预测方法、装置、电子设备及存储介质
CN109816438A (zh) 信息推送方法及装置
CN110910201B (zh) 信息推荐的控制方法、装置、计算机设备及存储介质
WO2016175945A1 (en) Determining recommended optimization strategies for software development
US11514815B1 (en) System, method, and device for generating flight training scheme oriented to individual difference
CN109903100A (zh) 一种用户流失预测方法、装置及可读存储介质
CN110007371A (zh) 风速预测方法及装置
CN108667877A (zh) 确定推荐信息的方法及装置、计算机设备及存储介质
CN106776757A (zh) 用户完成网银操作的指示方法及装置
CN104090932B (zh) 一种内容推荐方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
ASS Succession or assignment of patent right

Owner name: SICHUAN UNIVERSITY

Free format text: FORMER OWNER: XIE TIANTIAN

Effective date: 20140617

C41 Transfer of patent application or patent right or utility model
C53 Correction of patent for invention or patent application
CB03 Change of inventor or designer information

Inventor after: Xie Tiantian

Inventor after: Lin Tao

Inventor before: Xie Tiantian

COR Change of bibliographic data

Free format text: CORRECT: INVENTOR; FROM: XIE TIANTIAN TO: XIE TIANTIAN LIN TAO

Free format text: CORRECT: ADDRESS; FROM: 621005 MIANYANG, SICHUAN PROVINCE TO: 610000 CHENGDU, SICHUAN PROVINCE

TA01 Transfer of patent application right

Effective date of registration: 20140617

Address after: 610000 Sichuan, Chengdu, South Ring Road, No. 1, No. 24

Applicant after: Sichuan University

Address before: 621005 Mianyang City, Sichuan province Fucheng District Lin village Wu town four groups

Applicant before: Xie Tiantian

C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170222

Termination date: 20171129