CN103049452B - 一种基于预估下载率进行应用排序的方法与设备 - Google Patents
一种基于预估下载率进行应用排序的方法与设备 Download PDFInfo
- Publication number
- CN103049452B CN103049452B CN201110312241.6A CN201110312241A CN103049452B CN 103049452 B CN103049452 B CN 103049452B CN 201110312241 A CN201110312241 A CN 201110312241A CN 103049452 B CN103049452 B CN 103049452B
- Authority
- CN
- China
- Prior art keywords
- application
- download rate
- prediction model
- equipment
- user
- 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.)
- Active
Links
Abstract
本发明的目的是提供一种基于预估下载率进行应用排序的方法与设备。其中,排序设备获取待排序的多个应用;根据所述多个应用,获取分别与各应用相对应的一个或多个特征信息;根据所述一个或多个特征信息,并基于预定预估模型,确定所述各应用的预估下载率;根据所述预估下载率,确定所述各应用的排序。与现有技术相比,本发明根据应用的一个或多个特征信息,通过预定预估模型确定该应用的预估下载率,并将该预估下载率作为用户对该应用喜欢程度的指标,以用于确定该等应用的排序,从而实现更加准确的应用排序。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种用于进行应用排序的技术。
背景技术
现有手机商店对应用软件进行排序时,仅考虑应用软件的历史下载量、用户评分等因素,而该等信息单独并未能准确反映出所有用户对该等应用软件的喜爱程度,例如,应用软件的开发者可很容易模拟用户多次下载该应用软件,以提高该应用软件的排列次序。
因此,如何准确地对应用软件进行排序,已成为本领域技术人员需要解决的问题。
发明内容
本发明的目的是提供一种基于预估下载率进行应用排序的方法与设备。
根据本发明的一个方面,提供了一种计算机实现的用于进行应用排序的方法,其中,该方法包括以下步骤:
a.获取待排序的多个应用;
b.根据所述多个应用,获取分别与各应用相对应的一个或多个特征信息;
c.根据所述一个或多个特征信息,并基于预定预估模型,确定所述各应用的预估下载率;
d.根据所述预估下载率,确定所述各应用的排序。
根据本发明的另一方面,还提供了一种用于进行应用排序的设备,其中,该设备包括:
应用获取装置,用于获取待排序的多个应用;
特征信息获取装置,用于根据所述多个应用,获取分别与各应用相对应的一个或多个特征信息;
下载率确定装置,用于根据所述一个或多个特征信息,并基于预定预估模型,确定所述各应用的预估下载率;
排序装置,用于根据所述预估下载率,确定所述各应用的排序。
与现有技术相比,本发明根据应用的一个或多个特征信息,通过预定预估模型确定该应用的预估下载率,并将该预估下载率作为用户对该应用喜欢程度的指标,以用于确定该等应用的排序,从而实现更加准确的应用排序。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出根据本发明一个方面的进行应用排序的设备示意图;
图2示出根据本发明一个优选实施例的进行应用排序的设备示意图;
图3示出根据本发明另一个优选实施例的进行应用排序的设备示意图;
图4示出根据本发明另一个方面的进行应用排序的方法流程图;
图5示出根据本发明一个优选实施例的进行应用排序的方法流程;
图6示出根据本发明另一个优选实施例的进行应用排序的方法流程图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
图1示出根据本发明一个方面的进行应用排序的设备示意图。排序设备1包括应用获取装置11、特征信息获取装置12、下载率确定装置13和排序装置14。在此,排序设备1为网络设备,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云。在此,云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。
如图1所示,首先,应用获取装置11获取待排序的多个应用。其中,所述应用包括但不限于手机应用软件、计算机应用软件等。
在此,获取所述应用的方式包括但不限于:
1)应用获取装置11应事件触发从应用库中查询获得所有待排序的应用;例如,应该应用库中添加新的应用的事件触发,应用获取装置11在该应用库中查询获得该等新应用,以用于对新应用进行排序。其中,所述应用库存储各应用的名称、标识、价格、开发者等级等信息,其包括但不限于关系数据库、Key-Value数据库、文件系统等。
2)应用获取装置11定期地通过约定的通信方式直接从第三方设备读取待排序的多个应用;例如,应用获取装置11定期地通过调用设定的应用编程接口(API)向第三方设备发送获取待排序应用的请求,并接收该第三方设备基于该请求返回的待排序的多个应用。再如,第三方设备主动向排序设备1发送所述待排序的多个应用,应用获取装置11通过实时监听的方式接收该等应用。
本领域技术人员应能理解上述获取待排序应用的方式仅为举例,其他现有的或今后可能出现的获取待排序应用的方式如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
接着,特征信息获取装置12根据应用获取装置11获取的多个应用,获取分别与各应用相对应的一个或多个特征信息。
其中,所述特征信息包括但不限于特征的名称、特征的标识、特征的度量值等;并且该特征信息的类型包括以下至少任一项:
-静态特征信息;所述静态特征信息意指无需用户行为就能获得的应用的特征信息,包括但不限于应用的审核评分、应用的开发者等级、应用的价格等。
-动态特征信息;所述动态特征信息意指基于用户反馈所积累的应用的特征信息,包括但不限于:应用的下载量、下载量增长速度、安装量、卸载量、使用频率、评分以及分享次数等。
具体地,特征信息获取装置12例如获取预设的应用的特征列表,该特征列表包括该应用的所有特征项,当该特征项为静态特征时,则特征信息获取装置12根据应用的名称或标识,在应用库中进行匹配查询以获得该应用的静态特征信息。其中,所述应用库存储各应用的名称、标识、价格、开发者等级等信息,其包括但不限于关系数据库、Key-Value存储系统、文件系统等。当该特征项为动态特征时,则特征信息获取装置12根据应用的名称或标识,在用户行为库中进行匹配查询以获得所有用户对该应用的历史行为记录,并据此进行统计分析,以获得该应用的动态特征信息。其中,所述用户行为库存储所有用户对各应用的历史行为记录,包括但不限于浏览、下载、安装、卸载、评分、分享等;该用户行为库包括但不限于关系数据库、Key-Value存储系统、文件系统等。
在一示例中,应用获取装置11获取3个待排序的应用A1、A2和A3,并且预设的应用的特征列表包括如下特征项:
f1 应用的开发者等级;
f2 应用的价格;
f3 应用的下载量;
f4 应用的下载量增长速度;
f5 应用的安装量;
f6 应用的卸载量。
其中,特征f1和f2为静态特征;f3-f6为动态特征。
若此,特征信息获取装置12根据各应用的名称,在应用库中进行匹配查询,获得该等应用的静态特征f1、f2的度量值如下表:
然后,特征信息获取装置12根据各应用的名称,在用户行为库中进行匹配查询,获得该等应用的动态特征f3-f6的度量值如下表:
A1 | A2 | A3 | |
f3应用的下载量(单位:次) | 3000 | 1000 | 2500 |
f4应用的下载量增长速度(比率) | 10% | -5% | 15% |
f5应用的安装量(单位:次) | 2500 | 900 | 2000 |
f6应用的卸载量(单位:次) | 100 | 50 | 300 |
本领域技术人员还应能理解上述获取应用特征信息的方式仅为举例,其他现有的或今后可能出现的获取应用特征信息的方式如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
在此,需要说明的是,上述举例中的各项数值仅为说明作用的示例,以供读者理解本发明,并非实际应用时的真实数据,不应视为对本专利申请保护范围的任何限制。如无特别说明,本文中其他地方出现的数值的功用与此处相同,为简明起见,不再赘述。
随后,下载率确定装置13根据特征信息获取装置12获取一个或多个特征信息,并基于预定预估模型,确定所述各应用的预估下载率。
具体地,下载率确定装置13根据特征信息获取装置12获取的各应用中每个应用的一个或多个特征信息,例如,分别将每个应用的各特征的度量值作为输入参数,在预定的预估模型中进行计算,以获得该应用的预估下载率。在此,所述预估下载率意指预测未来一段时间内该应用可能被下载的概率,其与历史下载率相对应,所述历史下载率意指在过去一段时间内该应用的实际下载率,其中,所述实际下载率为应用的下载量与浏览量的比值,即:
历史下载率=历史下载量/历史浏览量。
在此,所述预估模型包括但不限于基于逻辑回归的预估模型、基于线性回归的预估模型等。
在一个示例中,该预估模型为基于逻辑回归的预估模型,其对应的预估下载率P_DTR的计算公式如下式1)所示:
其中,n表示用于计算该预估下载率的应用的特征信息的数量;fi表示其中第i个特征的度量值,其中1=i=n;βi表示该预估模型中预设的与fi对应的参数。下载率确定装置13分别将3个应用A1、A2和A3的n个特征的度量值作为输入参数代入上述计算公式,以计算获得该3个应用的预估下载率分别为:A1:0.5、A2:0.7、A3:0.3。
在另一示例中,该预估模型为基于线性回归的预估模型,其对应的预估下载率P_DTR的计算公式如下式2)所示:
其中,e~N(0,s2);n表示用于计算预估下载率的应用的特征信息的数量;fi表示其中第i个特征的度量值,其中1=i=n。下载率确定装置13将2个应用A4、A5的n个特征的度量值作为输入参数代入上述计算公式,以计算获得该2个应用的预估下载率分别为:A4:0.3、A5:0.6。
本领域技术人员应能理解上述确定预估下载率的方式仅为举例,其他现有的或今后可能出现的确定预估下载率的方式如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
随后,排序装置14根据下载率确定装置13确定的各应用的预估下载率,确定所述各应用的排序。
具体地,排序装置14根据下载率确定装置13确定的各应用的预估下载率,按照预估下载率由大到小的顺序,对各应用进行排序。
优选地,排序装置14可根据下载率确定装置13确定的各应用的预估下载率,并结合所述各应用的历史下载率,确定所述各应用的排序。具体地,排序装置14根据各应用的名称或标识,在用户行为库中进行匹配查询,获得在最近过去的预定时间段内所有用户对每个应用的历史行为记录,然后排序装置14对该历史行为记录进行统计分析,以获得每个应用在该预定时间段内的历史下载量与浏览量,并据此计算各应用的历史下载率(=历史下载量/历史浏览量);随后,排序装置14根据该历史下载率和下载率确定装置13所确定的预估下载率,按照预定排序规则,加权确定所述各应用的排序。
其中,所述预定排序规则包括但不限于:
-当该应用为新应用,其历史下载量和浏览量分别低于第一下载量阈值和第一浏览量阈值,则该应用的历史下载率对于确定其排序的置信度低于所述预估下载率的置信度,因此可提高预估下载率的排序权重,而降低历史下载率的排序权重。
-当该应用非新应用,其历史下载量和浏览量分别超过第二下载量阈值和第二浏览量阈值,则该应用的历史下载率对于确定其排序的置信度将超过所述预估下载率的置信度,因此可提高历史下载率的排序权重,而降低预估下载率的排序权重。
本领域技术人员应能理解上述确定应用排序的方式仅为举例,其他现有的或今后可能出现的确定应用排序的方式如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
优选地,应用获取装置11、特征信息获取装置12、下载率确定装置13和排序装置14之间是持续不断地工作。具体地,应用获取装置11持续地获取待排序的多个应用;特征信息获取装置12也持续地根据所述多个应用,获取分别与各应用相对应的一个或多个特征信息;下载率确定装置13也持续地根据所述一个或多个特征信息,并基于预定预估模型,确定所述各应用的预估下载率;排序装置14也持续地根据所述预估下载率,确定所述各应用的排序。在此,本领域技术人员应理解“持续”是指各装置不断进行上述应用的获取、特征信息的获取、预估下载率的确定和应用的排序,直至满足预定停止条件,例如应用获取装置11在较长时间内停止对待排序的多个应用的获取。
优选地,排序设备1还可包括后处理装置(未示出)。其中,所述后处理装置根据用户相关信息,对所述一个或多个特征信息进行后处理,以获得一个或多个后处理特征信息;接着,下载率确定装置13根据所述一个或多个后处理特征信息,并基于所述预定预估模型,获取所述预估下载率。
在此,所述用户相关信息包括但不限于以下至少任一项:
-用户属性;所述用户属性包括但不限于用户的性别、职业、信用等级等。例如,待排序的多个应用都为游戏应用软件,则男性用户对于确定应用的下载量、安装量等动态特征的度量值的贡献将高于女性用户,信用等级高的用户对于确定应用的下载量、安装量等动态特征的度量值的贡献将高于信用等级低的用户,若此,后处理装置将该等特征的原始度量值乘以相应的用户权重,以获得所述后处理特征信息。
-用户历史行为记录;所述用户历史行为记录包括但不限于用户对应用的浏览、下载、安装、卸载、评分、分享等操作记录。例如,后处理装置根据预定的统计规则,通过统计该用户的历史行为记录以获得该用户的活跃程度,其中,活跃程度高的用户对于确定应用的下载量、安装量等特征的度量值的贡献将高于活跃程度低的用户,若此,后处理装置将该等特征的原始度量值乘以相应的用户活跃程度权重,以获得所述后处理特征信息。
本领域技术人员应能理解,上述各项用户相关信息不仅可以单独用于后处理装置获得后处理特征信息,还可以将其中多项结合用于后处理装置获得后处理特征信息。
本领域技术人员还应能理解上述用户相关信息和获得后处理特征信息的方式仅为举例,其他现有的或今后可能出现的用户相关信息和获得后处理特征信息的方式如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
图2示出根据本发明一个优选实施例的进行应用排序的设备示意图,其中,排序设备1还包括样本获取装置15’和预估模型获取装置16’;所述样本获取装置15’获取多个应用训练样本,所述应用训练样本包括与应用相对应的一个或多个特征信息,以及所述应用的历史下载率;接着,所述预估模型获取装置16’根据所述多个应用训练样本,按照预定训练规则,获得所述预定预估模型。
在此,图2中所示装置11’、12’、13’和14’的功能与前面参照图1所描述的装置11、12、13和14的内容相同,为简明起见,将其以引用方式包含于此,而不做赘述。
以下参照图2来对该优选实施例进行详细描述:
具体地,样本获取装置15’例如根据预定的应用获取规则,获取相应数量的应用,并据此获得该等应用的一个或多个特征信息以及历史下载率来作为应用训练样本;接着,预估模型获取装置16’根据样本获取装置15’获取的多个应用训练样本,按照预定训练规则,获得所述预定预估模型。
其中,所述应用获取规则包括但不限于以下至少任一项:
-获取应用下载量超过第三下载量阈值的预定数量的应用;
-获取应用安装量超过第一安装量阈值的预定数量的应用;
-获取应用分享次数超过第一分享次数阈值的预定数量的应用;
-获取应用浏览量超过第三浏览量阈值的预定数量的应用。
其中,所述预定训练规则包括但不限于以下任一项:
-预估模型获取装置16’对所述多个应用训练样本进行逻辑回归分析,以获得所述预定预估模型;
在一个示例中,预估模型获取装置16’根据样本获取装置15’所获取的m个应用训练样本中每个应用的一个或多个特征信息,生成相应的特征向量d=(f1,f2,...,fi,...,fn)T,其中,fi为第i个特征的度量值;根据逻辑回归的分析规则,第j个应用的预估下载率P_DTRj可以表示为在fi的作用下用户下载该应用的条件概率,如下式3)所示:
其中,βi表示fi对应的函数参数;yi表示在fi作用下用户是否下载该应用的指示量,其为:
由于上述模型为概率模型,故可使用最大似然估计来求解该模型中参数βi的估计值其似然函数表示如下式4)所示:
其中,dtrj表示第j个应用的历史下载率。
预估模型获取装置16’对该似然函数取对数,并求导等于0来计算获得参数βi的估计值然后,将该βi的估计值代入上述计算公式3)以获得所述预估模型。
-预估模型获取装置16’对所述多个应用训练样本进行线性回归分析,以获得所述预定预估模型。
在一个示例中,预估模型获取装置16’根据样本获取装置15’所获取的m个应用训练样本中每个应用的一个或多个特征信息,生成相应的特征向量d=(f1,f2,...,fi,...,fn)T,其中,fi为第i个特征的度量值;根据线性回归的分析规则,第j个应用的预估下载率P_DTRj可以表示下式5):
预估模型获取装置16’根据该m个应用训练样本建立损失函数如下下式6)所示:
通过最小化J(β)求出模型参数βi的估计值然后,将该βi的估计值代入上述计算公式6)以获得所述预估模型。
图3示出根据本发明一个优选实施例的进行应用排序的设备示意图,其中,排序设备1还包括更新信息获取装置17”;所述更新信息获取装置17”获取所述多个应用训练样本中动态特征信息的更新信息;随后,预估模型获取装置16”根据所述更新信息,按照所述预定训练规则,更新所述预定预估模型。
在此,图3中所示装置11”、12”、14”和15”的功能与前面参照图2所描述的装置11’、12’、14’和15’的内容相同,为简明起见,将其以引用方式包含于此,而不做赘述。
以下参照图3来对该优选实施例进行详细描述:
具体地,所述多个应用训练样本中的各特征信息包括动态特征信息,所述动态特征信息包括但不限于应用的下载量、下载量增长速度、安装量、卸载量、评分以及分享次数等,该等动态特征信息中的特征度量值将随用户对所述各应用的最新反馈进行更新。若此,更新信息获取装置17”例如定期地根据所述多个应用训练样本所对应的应用名称或标识,在用户行为库中进行匹配查询以获得所有用户在最近过去的预定时间段内对每个应用的历史行为记录,并据此对该等历史行为记录进行统计分析,以获得所述每个应用的动态特征的度量值的更新信息,以更新所述多个应用训练样本;随后,预估模型获取装置16”根据已由更新信息获取装置17”更新的所述多个应用训练样本,按照所述预定训练规则,对所述预定预估模型进行训练,以更新所述预定预估模型。
本领域技术人员应能理解获取动态特征信息的更新信息的方式和/或更新预定预估模型的方式仅为举例,其他现有的或今后可能出现的获取动态特征信息的更新信息的方式和/或更新预定预估模型的方式如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
优选地,下载率确定装置13”可根据所述待排序的各应用所对应一个或多个特征信息,并基于由预估模型获取装置16”更新后的预定预估模型,确定所述预估下载率。
在一个示例中,该预估模型为基于逻辑回归的预估模型,其对应的预估下载率P_DTR的计算公式如下式1)所示:
在预估模型获取装置16”更新该预估模型后,上述计算公式中的参数βi值将被修改,若此,其将触发下载率确定装置13”将待排序的每个应用的特征信息中的特征度量值作为输入参数,并代入该更新后的计算公式来重新确定各应用的预估下载率,以用于对该等应用进行排序。
在另一优选实施例中(参照图1),应用获取装置11包括排序请求获取单元(未示出)和第一获取单元(未示出),所述排序请求获取单元获取用户通过用户设备所提交的应用排序请求;接着,第一获取单元从所述应用排序请求中获取所述待排序的多个应用;并且排序设备1还包括提供装置(未示出),该提供装置将所述多个应用的排序结果提供给所述用户设备。以下参照图1对该另一优选实施例进行详细描述,其中,特征信息获取装置12根据所述多个应用,获取分别与各应用相对应的一个或多个特征信息;下载率确定装置13根据所述一个或多个特征信息,并基于预定预估模型,确定所述各应用的预估下载率;排序装置14根据所述预估下载率,确定所述各应用的排序;其具体过程与前述参照图1所描述的实施例中特征信息获取装置12、下载率确定装置13和排序装置14所执行的过程相同,为简明起见,以引用方式包含于此,而不做赘述。
具体地,排序请求获取单元获取用户通过用户设备所提交的应用排序请求;接着,第一获取单元从排序请求获取单元获取的应用排序请求中获取所述待排序的多个应用。更具体地,用户通过与用户设备的交互方式,包括但不限于键盘、鼠标、遥控器、触摸板、或手写设备,在浏览器软件、应用程序或客户端软件中选择多个应用;以鼠标为例,用户通过在浏览器所显示的网页中点击各备选应用所对应的复选框来选择所述多个应用,并通过点击“提交”按钮或其他方式触发用户设备生成相应的应用排序请求,并将该应用排序请求按照http、https等约定的通信协议经由网络发送到排序设备1,排序请求获取单元通过监听用户消息,实时地接收来自用户的应用排序请求;接着,第一获取单元从排序请求获取单元获取的应用排序请求中获取所述多个应用以作为待排序的应用。
在此,该用户设备可以是任何一种可与用户通过键盘、鼠标、遥控器、触摸板、或声控设备进行人机交互的电子产品,包括但不限于计算机、智能手机、PDA、或IPTV等。排序设备1与用户设备之间可通过任何通信方式实现通信,包括但不限于,基于3GPP、LTE、WIMAX的移动通信、基于TCP/IP、UDP协议的计算机网络通信以及基于蓝牙、红外传输标准的近距无线传输方式。排序设备1与用户设备连接的网络包括但不限于:互联网、广域网、城域网、局域网、VPN网络、无线自组织网络(Ad Hoc网络)等。
本领域技术人员应能理解上述获取应用排序请求和/或获取待排序应用的方式仅为举例,其他现有的或今后可能出现的获取应用排序请求和/或获取待排序应用的方式如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
提供装置将所述多个应用的排序结果提供给所述用户设备。具体地,提供装置根据排序装置14获取的所述多个应用的排序结果,采用任何已知的计算机提供人可读信息的技术手段,例如屏幕显示、扬声器播放等,将所述排序结果提供给用户设备。以屏幕显示为例,提供装置将排序装置14获取的所述多个应用的排序结果,利用诸如JSP、ASP或PHP等页面技术,按一定顺序和格式提供给所述用户设备,例如以链接、页面表格或图表等形式提供给用户设备,供用户进行浏览。
本领域技术人员应能理解上述将排序结果提供给用户的方式仅为举例,其他现有的或今后可能出现的将排序结果提供给用户的方式如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
图4示出根据本发明一个方面的进行应用排序的方法流程图。在此,排序设备1为网络设备,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云。在此,云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。
如图4所示,首先,在步骤S1中,排序设备1获取待排序的多个应用。其中,所述应用包括但不限于手机应用软件、计算机应用软件等。
在此,获取所述应用的方式包括但不限于:
1)在步骤S1中,排序设备1应事件触发从应用库中查询获得所有待排序的应用;例如,应该应用库中添加新的应用的事件触发,在步骤S1中,排序设备1在该应用库中查询获得该等新应用,以用于对新应用进行排序。其中,所述应用库存储各应用的名称、标识、价格、开发者等级等信息,其包括但不限于关系数据库、Key-Value数据库、文件系统等。
2)在步骤S1中,排序设备1定期地通过约定的通信方式直接从第三方设备读取待排序的多个应用;例如,在步骤S1中,排序设备1定期地通过调用设定的应用编程接口(API)向第三方设备发送获取待排序应用的请求,并接收该第三方设备基于该请求返回的待排序的多个应用。再如,第三方设备主动向排序设备1发送所述待排序的多个应用,在步骤S1中,排序设备1通过实时监听的方式接收该等应用。
本领域技术人员应能理解上述获取待排序应用的方式仅为举例,其他现有的或今后可能出现的获取待排序应用的方式如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
接着,在步骤S2中,排序设备1根据其在步骤S1中获取的多个应用,获取分别与各应用相对应的一个或多个特征信息。
其中,所述特征信息包括但不限于特征的名称、特征的标识、特征的度量值等;并且该特征信息的类型包括以下至少任一项:
-静态特征信息;所述静态特征信息意指无需用户行为就能获得的应用的特征信息,包括但不限于应用的审核评分、应用的开发者等级、应用的价格等。
-动态特征信息;所述动态特征信息意指基于用户反馈所积累的应用的特征信息,包括但不限于:应用的下载量、下载量增长速度、安装量、卸载量、使用频率、评分以及分享次数等。
具体地,在步骤S2中,排序设备1例如获取预设的应用的特征列表,该特征列表包括该应用的所有特征项,当该特征项为静态特征时,则排序设备1根据应用的名称或标识,在应用库中进行匹配查询以获得该应用的静态特征信息。其中,所述应用库存储各应用的名称、标识、价格、开发者等级等信息,其包括但不限于关系数据库、Key-Value存储系统、文件系统等。当该特征项为动态特征时,则排序设备1根据应用的名称或标识,在用户行为库中进行匹配查询以获得所有用户对该应用的历史行为记录,并据此进行统计分析,以获得该应用的动态特征信息。其中,所述用户行为库存储所有用户对各应用的历史行为记录,包括但不限于浏览、下载、安装、卸载、评分、分享等;该用户行为库包括但不限于关系数据库、Key-Value存储系统、文件系统等。
在一示例中,排序设备1在步骤S1中获取3个待排序的应用A1、A2和A3,并且预设的应用的特征列表包括如下特征项:
f1 应用的开发者等级;
f2 应用的价格;
f3 应用的下载量;
f4 应用的下载量增长速度;
f5 应用的安装量;
f6 应用的卸载量。
其中,特征f1和f2为静态特征;f3-f6为动态特征。
若此,在步骤S2中,排序设备1根据各应用的名称,在应用库中进行匹配查询,获得该等应用的静态特征f1、f2的度量值如下表:
然后,排序设备1根据各应用的名称,在用户行为库中进行匹配查询,获得该等应用的动态特征f3-f6的度量值如下表:
A1 | A2 | A3 | |
f3应用的下载量(单位:次) | 3000 | 1000 | 2500 |
f4应用的下载量增长速度(比率) | 10% | -5% | 15% |
f5应用的安装量(单位:次) | 2500 | 900 | 2000 |
f6应用的卸载量(单位:次) | 100 | 50 | 300 |
本领域技术人员还应能理解上述获取应用特征信息的方式仅为举例,其他现有的或今后可能出现的获取应用特征信息的方式如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
在此,需要说明的是,上述举例中的各项数值仅为说明作用的示例,以供读者理解本发明,并非实际应用时的真实数据,不应视为对本专利申请保护范围的任何限制。如无特别说明,本文中其他地方出现的数值的功用与此处相同,为简明起见,不再赘述。
随后,在步骤S3中,排序设备1根据其在步骤S2中获取一个或多个特征信息,并基于预定预估模型,确定所述各应用的预估下载率。
具体地,在步骤S3中,排序设备1根据其在步骤S2中获取的各应用中每个应用的一个或多个特征信息,例如,分别将每个应用的各特征的度量值作为输入参数,在预定的预估模型中进行计算,以获得该应用的预估下载率。在此,所述预估下载率意指预测未来一段时间内该应用可能被下载的概率,其与历史下载率相对应,所述历史下载率意指在过去一段时间内该应用的实际下载率,其中,所述实际下载率为应用的下载量与浏览量的比值,即:
历史下载率=历史下载量/历史浏览量。
在此,所述预估模型包括但不限于基于逻辑回归的预估模型、基于线性回归的预估模型等。
在一个示例中,该预估模型为基于逻辑回归的预估模型,其对应的预估下载率P_DTR的计算公式如下式1)所示:
其中,n表示用于计算该预估下载率的应用的特征信息的数量;fi表示其中第i个特征的度量值,其中1=i=n;βi表示该预估模型中预设的与fi对应的参数。在步骤S3中,排序设备1分别将3个应用A1、A2和A3的n个特征的度量值作为输入参数代入上述计算公式,以计算获得该3个应用的预估下载率分别为:A1:0.5、A2:0.7、A3:0.3。
在另一示例中,该预估模型为基于线性回归的预估模型,其对应的预估下载率P_DTR的计算公式如下式2)所示:
其中,e~N(0,s2);n表示用于计算预估下载率的应用的特征信息的数量;fi表示其中第i个特征的度量值,其中1=i=n。在步骤S3中,排序设备1将2个应用A4、A5的n个特征的度量值作为输入参数代入上述计算公式,以计算获得该2个应用的预估下载率分别为:A4:0.3、A5:0.6。
本领域技术人员应能理解上述确定预估下载率的方式仅为举例,其他现有的或今后可能出现的确定预估下载率的方式如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
随后,在步骤S4中,排序设备1根据其在步骤S3中确定的各应用的预估下载率,确定所述各应用的排序。
具体地,在步骤S4中,排序设备1根据其在步骤S3中确定的各应用的预估下载率,按照预估下载率由大到小的顺序,对各应用进行排序。
优选地,在步骤S4中,排序设备1可根据其在步骤S3中确定的各应用的预估下载率,并结合所述各应用的历史下载率,确定所述各应用的排序。具体地,在步骤S4中,排序设备1根据各应用的名称或标识,在用户行为库中进行匹配查询,获得在最近过去的预定时间段内所有用户对每个应用的历史行为记录,然后排序设备1对该历史行为记录进行统计分析,以获得每个应用在该预定时间段内的历史下载量与浏览量,并据此计算各应用的历史下载率(=历史下载量/历史浏览量);随后,排序设备1根据该历史下载率和其在步骤S3中所确定的预估下载率,按照预定排序规则,加权确定所述各应用的排序。
其中,所述预定排序规则包括但不限于:
-当该应用为新应用,其历史下载量和浏览量分别低于第一下载量阈值和第一浏览量阈值,则该应用的历史下载率对于确定其排序的置信度低于所述预估下载率的置信度,因此可提高预估下载率的排序权重,而降低历史下载率的排序权重。
-当该应用非新应用,其历史下载量和浏览量分别超过第二下载量阈值和第二浏览量阈值,则该应用的历史下载率对于确定其排序的置信度将超过所述预估下载率的置信度,因此可提高历史下载率的排序权重,而降低预估下载率的排序权重。
本领域技术人员应能理解上述确定应用排序的方式仅为举例,其他现有的或今后可能出现的确定应用排序的方式如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
优选地,排序设备1在步骤S1、步骤S2、步骤S3和步骤S4中是持续不断地工作。具体地,在步骤S1中,排序设备1持续地获取待排序的多个应用;在步骤S2中,排序设备1也持续地根据所述多个应用,获取分别与各应用相对应的一个或多个特征信息;在步骤S3中,排序设备1也持续地根据所述一个或多个特征信息,并基于预定预估模型,确定所述各应用的预估下载率;在步骤S4中,排序设备1也持续地根据所述预估下载率,确定所述各应用的排序。在此,本领域技术人员应理解“持续”是指排序设备1在各步骤中不断进行上述应用的获取、特征信息的获取、预估下载率的确定和应用的排序,直至满足预定停止条件,例如排序设备1在较长时间内停止对待排序的多个应用的获取。
优选地,该过程还包括步骤S8。其中,在步骤S8中,排序设备1根据用户相关信息,对所述一个或多个特征信息进行后处理,以获得一个或多个后处理特征信息;接着,在步骤S3中,排序设备1根据所述一个或多个后处理特征信息,并基于所述预定预估模型,获取所述预估下载率。
在此,所述用户相关信息包括但不限于以下至少任一项:
-用户属性;所述用户属性包括但不限于用户的性别、职业、信用等级等。例如,待排序的多个应用都为游戏应用软件,则男性用户对于确定应用的下载量、安装量等动态特征的度量值的贡献将高于女性用户,信用等级高的用户对于确定应用的下载量、安装量等动态特征的度量值的贡献将高于信用等级低的用户,若此,在步骤S8中,排序设备1将该等特征的原始度量值乘以相应的用户权重,以获得所述后处理特征信息。
-用户历史行为记录;所述用户历史行为记录包括但不限于用户对应用的浏览、下载、安装、卸载、评分、分享等操作记录。例如,在步骤S8中,排序设备1根据预定的统计规则,通过统计该用户的历史行为记录以获得该用户的活跃程度,其中,活跃程度高的用户对于确定应用的下载量、安装量等特征的度量值的贡献将高于活跃程度低的用户,若此,排序设备1将该等特征的原始度量值乘以相应的用户活跃程度权重,以获得所述后处理特征信息。
本领域技术人员应能理解,上述各项用户相关信息不仅可以单独用于排序设备1获得后处理特征信息,还可以将其中多项结合用于排序设备1获得后处理特征信息。
本领域技术人员还应能理解上述用户相关信息和获得后处理特征信息的方式仅为举例,其他现有的或今后可能出现的用户相关信息和获得后处理特征信息的方式如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
图5示出根据本发明一个优选实施例的进行应用排序的方法流程图,其中,该过程还包括步骤S5’和步骤S6’;在步骤S5’中,排序设备1获取多个应用训练样本,所述应用训练样本包括与应用相对应的一个或多个特征信息,以及所述应用的历史下载率;接着,在步骤S6’中,排序设备1根据所述多个应用训练样本,按照预定训练规则,获得所述预定预估模型。
在此,图5中所示排序设备1在步骤S1’、步骤S2’、步骤S3’和步骤S4’中的功能与前面参照图4所描述的排序设备1在步骤S1、步骤S2、步骤S3和步骤S4中的内容相同,为简明起见,将其以引用方式包含于此,而不做赘述。
以下参照图5来对该优选实施例进行详细描述:
具体地,在步骤S5’中,排序设备1例如根据预定的应用获取规则,获取相应数量的应用,并据此获得该等应用的一个或多个特征信息以及历史下载率来作为应用训练样本;接着,在步骤S6’中,排序设备1根据其在步骤S5’中获取的多个应用训练样本,按照预定训练规则,获得所述预定预估模型。
其中,所述应用获取规则包括但不限于以下至少任一项:
-获取应用下载量超过第三下载量阈值的预定数量的应用;
-获取应用安装量超过第一安装量阈值的预定数量的应用;
-获取应用分享次数超过第一分享次数阈值的预定数量的应用;
-获取应用浏览量超过第三浏览量阈值的预定数量的应用。
其中,所述预定训练规则包括但不限于以下任一项:
-在步骤S6’中,排序设备1对所述多个应用训练样本进行逻辑回归分析,以获得所述预定预估模型;
在一个示例中,在步骤S6’中,排序设备1根据其在步骤S5’中所获取的m个应用训练样本中每个应用的一个或多个特征信息,生成相应的特征向量d=(f1,f2,...,fi,...,fn)T,其中,fi为第i个特征的度量值;根据逻辑回归的分析规则,第j个应用的预估下载率P_DTRj可以表示为在fi的作用下用户下载该应用的条件概率,如下式3)所示:
其中,βi表示fi对应的函数参数;yi表示在fi作用下用户是否下载该应用的指示量,其为:
由于上述模型为概率模型,故可使用最大似然估计来求解该模型中参数βi的估计值其似然函数表示如下式4)所示:
其中,dtrj表示第j个应用的历史下载率。
排序设备1对该似然函数取对数,并求导等于0来计算获得参数βi的估计值然后,将该βi的估计值代入上述计算公式3)以获得所述预估模型。
-在步骤S6’中,排序设备1对所述多个应用训练样本进行线性回归分析,以获得所述预定预估模型。
在一个示例中,在步骤S6’中,排序设备1根据其在步骤S5’中所获取的m个应用训练样本中每个应用的一个或多个特征信息,生成相应的特征向量d=(f1,f2,...,fi,...,fn)T,其中,fi为第i个特征的度量值;根据线性回归的分析规则,第j个应用的预估下载率P_DTRj可以表示下式5):
排序设备1根据该m个应用训练样本建立损失函数如下下式6)所示:
通过最小化J(β)求出模型参数βi的估计值然后,将该βi的估计值代入上述计算公式6)以获得所述预估模型。
图6示出根据本发明一个优选实施例的进行应用排序的方法流程图,其中,该过程还包括步骤S7”;在步骤S7”中,排序设备1获取所述多个应用训练样本中动态特征信息的更新信息;随后,在步骤S6”中,排序设备1根据所述更新信息,按照所述预定训练规则,更新所述预定预估模型。
在此,图6中所示排序设备1在步骤S1”、步骤S2”、步骤S4”和步骤S5”中的功能与前面参照图5所描述的排序设备1在步骤S1’、步骤S2’、步骤S4’和步骤S5’中的内容相同,为简明起见,将其以引用方式包含于此,而不做赘述。
以下参照图6来对该优选实施例进行详细描述:
具体地,所述多个应用训练样本中的各特征信息包括动态特征信息,所述动态特征信息包括但不限于应用的下载量、下载量增长速度、安装量、卸载量、评分以及分享次数等,该等动态特征信息中的特征度量值将随用户对所述各应用的最新反馈进行更新。若此,在步骤S7”中,排序设备1例如定期地根据所述多个应用训练样本所对应的应用名称或标识,在用户行为库中进行匹配查询以获得所有用户在最近过去的预定时间段内对每个应用的历史行为记录,并据此对该等历史行为记录进行统计分析,以获得所述每个应用的动态特征的度量值的更新信息,以更新所述多个应用训练样本;随后,在步骤S6”中,排序设备1根据已由其在步骤S7”中更新的所述多个应用训练样本,按照所述预定训练规则,对所述预定预估模型进行训练,以更新所述预定预估模型。
本领域技术人员应能理解获取动态特征信息的更新信息的方式和/或更新预定预估模型的方式仅为举例,其他现有的或今后可能出现的获取动态特征信息的更新信息的方式和/或更新预定预估模型的方式如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
优选地,在步骤S3”中,排序设备1可根据所述待排序的各应用所对应一个或多个特征信息,并基于由其在步骤S6”中更新后的预定预估模型,确定所述预估下载率。
在一个示例中,该预估模型为基于逻辑回归的预估模型,其对应的预估下载率P_DTR的计算公式如下式1)所示:
在排序设备1在步骤S6”中更新该预估模型后,上述计算公式中的参数βi值将被修改,若此,其将触发排序设备1在步骤S3”中将待排序的每个应用的特征信息中的特征度量值作为输入参数,并代入该更新后的计算公式来重新确定各应用的预估下载率,以用于对该等应用进行排序。
在另一优选实施例中(参照图4),步骤S1包括步骤S11和步骤S12,在步骤S11中,排序设备1获取用户通过用户设备所提交的应用排序请求;接着,在步骤S12中,排序设备1从所述应用排序请求中获取所述待排序的多个应用;该过程还包括步骤S9,在步骤S9中,排序设备1将所述多个应用的排序结果提供给所述用户设备。以下参照图4对该另一优选实施例进行详细描述,其中,在步骤S2中,排序设备1根据所述多个应用,获取分别与各应用相对应的一个或多个特征信息;在步骤S3中,排序设备1根据所述一个或多个特征信息,并基于预定预估模型,确定所述各应用的预估下载率;在步骤S4中,排序设备1根据所述预估下载率,确定所述各应用的排序;其具体过程与前述参照图4所描述的实施例中排序设备1在步骤S2、步骤S3和步骤S4中所执行的过程相同,为简明起见,以引用方式包含于此,而不做赘述。
具体地,在步骤S11中,排序设备1获取用户通过用户设备所提交的应用排序请求;接着,在步骤S12中,排序设备1从其在步骤S11中获取的应用排序请求中获取所述待排序的多个应用。更具体地,用户通过与用户设备的交互方式,包括但不限于键盘、鼠标、遥控器、触摸板、或手写设备,在浏览器软件、应用程序或客户端软件中选择多个应用;以鼠标为例,用户通过在浏览器所显示的网页中点击各备选应用所对应的复选框来选择所述多个应用,并通过点击“提交”按钮或其他方式触发用户设备生成相应的应用排序请求,并将该应用排序请求按照http、https等约定的通信协议经由网络发送到排序设备1,在步骤S11中,排序设备1通过监听用户消息,实时地接收来自用户的应用排序请求;接着,在步骤S12中,排序设备1从其在步骤S11中获取的应用排序请求中获取所述多个应用以作为待排序的应用。
在此,该用户设备可以是任何一种可与用户通过键盘、鼠标、遥控器、触摸板、或声控设备进行人机交互的电子产品,包括但不限于计算机、智能手机、PDA、或IPTV等。排序设备1与用户设备之间可通过任何通信方式实现通信,包括但不限于,基于3GPP、LTE、WIMAX的移动通信、基于TCP/IP、UDP协议的计算机网络通信以及基于蓝牙、红外传输标准的近距无线传输方式。排序设备1与用户设备连接的网络包括但不限于:互联网、广域网、城域网、局域网、VPN网络、无线自组织网络(Ad Hoc网络)等。
本领域技术人员应能理解上述获取应用排序请求和/或获取待排序应用的方式仅为举例,其他现有的或今后可能出现的获取应用排序请求和/或获取待排序应用的方式如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
在步骤S9中,排序设备1将所述多个应用的排序结果提供给所述用户设备。具体地,在步骤S9中,排序设备1根据其在步骤S4中获取的所述多个应用的排序结果,采用任何已知的计算机提供人可读信息的技术手段,例如屏幕显示、扬声器播放等,将所述排序结果提供给用户设备。以屏幕显示为例,在步骤S9中,排序设备1将其在步骤S4中获取的所述多个应用的排序结果,利用诸如JSP、ASP或PHP等页面技术,按一定顺序和格式提供给所述用户设备,例如以链接、页面表格或图表等形式提供给用户设备,供用户进行浏览。
本领域技术人员应能理解上述将排序结果提供给用户的方式仅为举例,其他现有的或今后可能出现的将排序结果提供给用户的方式如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例与公式看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (18)
1.一种计算机实现的用于进行应用排序的方法,其中,该方法包括以下步骤:
a.获取待排序的多个应用;
b.根据所述多个应用,获取分别与各应用相对应的一个或多个特征信息;
c.根据所述一个或多个特征信息,并基于预定预估模型,确定所述各应用的预估下载率,其中,所述预估下载率意指预测未来一段时间内该应用可能被下载的概率;
d.根据所述预估下载率,确定所述各应用的排序;
其中,所述步骤d包括:
-根据所述预估下载率,并结合所述各应用的历史下载率,确定所述各应用的排序。
2.根据权利要求1所述的方法,其中,所述特征信息包括以下至少任一项:
-所述应用的静态特征信息;
-所述应用的动态特征信息。
3.根据权利要求1或2所述的方法,其中,该方法还包括:
-根据用户相关信息,对所述一个或多个特征信息进行后处理,以获得一个或多个后处理特征信息;
其中,所述步骤c包括:
-根据所述一个或多个后处理特征信息,并基于所述预定预估模型,确定所述预估下载率。
4.根据权利要求3所述的方法,其中,所述用户相关信息包括以下至少任一项:
-用户属性;
-用户历史行为记录。
5.根据权利要求1所述的方法,其中,该方法还包括:
-获取多个应用训练样本,所述应用训练样本包括与应用相对应的一个或多个特征信息,以及所述应用的历史下载率;
X根据所述多个应用训练样本,按照预定训练规则,获得所述预定预估模型。
6.根据权利要求5所述的方法,其中,所述预定训练规则包括以下任一项:
-对所述多个应用训练样本进行逻辑回归分析,以获得所述预定预估模型;
-对所述多个应用训练样本进行线性回归分析,以获得所述预定预估模型。
7.根据权利要求5或6所述的方法,其中,所述特征信息包括动态特征信息,其中,该方法还包括:
-获取所述多个应用训练样本中动态特征信息的更新信息;
其中,所述步骤X包括:
-根据所述更新信息,按照所述预定训练规则,更新所述预定预估模型。
8.根据权利要求7所述的方法,其中,所述步骤c包括:
-根据所述待排序的各应用所对应一个或多个特征信息,并基于更新后的所述预定预估模型,确定所述预估下载率。
9.根据权利要求1所述的方法,其中,所述步骤a包括:
a1获取用户通过用户设备所提交的应用排序请求;
a2从所述应用排序请求中获取所述待排序的多个应用;
其中,该方法还包括:
-将所述多个应用的排序结果提供给所述用户设备。
10.一种用于进行应用排序的设备,其中,该设备包括:
应用获取装置,用于获取待排序的多个应用;
特征信息获取装置,用于根据所述多个应用,获取分别与各应用相对应的一个或多个特征信息;
下载率确定装置,用于根据所述一个或多个特征信息,并基于预定预估模型,确定所述各应用的预估下载率,其中,所述预估下载率意指预测未来一段时间内该应用可能被下载的概率;
排序装置,用于根据所述预估下载率,确定所述各应用的排序;
其中,所述排序装置用于根据所述预估下载率,并结合所述各应用的历史下载率,确定所述各应用的排序。
11.根据权利要求10所述的设备,其中,所述特征信息包括以下至少任一项:
-所述应用的静态特征信息;
-所述应用的动态特征信息。
12.根据权利要求10或11所述的设备,其中,该设备还包括:
后处理装置,用于根据用户相关信息,对所述一个或多个特征信息进行后处理,以获得一个或多个后处理特征信息;
其中,所述下载率确定装置用于根据所述一个或多个后处理特征信息,并基于所述预定预估模型,确定所述预估下载率。
13.根据权利要求12所述的设备,其中,所述用户相关信息包括以下至少任一项:
-用户属性;
-用户历史行为记录。
14.根据权利要求10所述的设备,其中,该设备还包括:
样本获取装置,用于获取多个应用训练样本,所述应用训练样本包括与应用相对应的一个或多个特征信息,以及所述应用的历史下载率;
预估模型获取装置,用于根据所述多个应用训练样本,按照预定训练规则,获得所述预定预估模型。
15.根据权利要求14所述的设备,其中,所述预定训练规则包括以下任一项:
-对所述多个应用训练样本进行逻辑回归分析,以获得所述预定预估模型;
-对所述多个应用训练样本进行线性回归分析,以获得所述预定预估模型。
16.根据权利要求14或15所述的设备,其中,所述特征信息包括动态特征信息,其中,该设备还包括:
更新信息获取装置,用于获取所述多个应用训练样本中动态特征信息的更新信息;
其中,所述预估模型获取装置用于根据所述更新信息,按照所述预定训练规则,更新所述预定预估模型。
17.根据权利要求16所述的设备,其中,所述下载率确定装置用于根据所述待排序的各应用所对应一个或多个特征信息,并基于更新后的所述预定预估模型,确定所述预估下载率。
18.根据权利要求10所述的设备,其中,所述应用获取装置包括:
排序请求获取单元,用于获取用户通过用户设备所提交的应用排序请求;
第一获取单元,用于从所述应用排序请求中获取所述待排序的多个应用;
其中,该设备还包括:
提供装置,用于将所述多个应用的排序结果提供给所述用户设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110312241.6A CN103049452B (zh) | 2011-10-14 | 2011-10-14 | 一种基于预估下载率进行应用排序的方法与设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110312241.6A CN103049452B (zh) | 2011-10-14 | 2011-10-14 | 一种基于预估下载率进行应用排序的方法与设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103049452A CN103049452A (zh) | 2013-04-17 |
CN103049452B true CN103049452B (zh) | 2017-12-26 |
Family
ID=48062095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110312241.6A Active CN103049452B (zh) | 2011-10-14 | 2011-10-14 | 一种基于预估下载率进行应用排序的方法与设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103049452B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235815A (zh) * | 2013-04-25 | 2013-08-07 | 北京小米科技有限责任公司 | 一种应用软件的显示方法和设备 |
CN103763361B (zh) * | 2014-01-13 | 2018-04-27 | 北京奇虎科技有限公司 | 一种基于用户行为推荐应用的方法、系统及推荐服务器 |
CN104391968B (zh) * | 2014-12-03 | 2018-04-13 | 北京奇虎科技有限公司 | 一种应用的特征参数的估算方法和装置 |
CN104660712B (zh) * | 2015-03-13 | 2017-12-15 | 网易(杭州)网络有限公司 | 一种离线下载方法及装置 |
CN105721889A (zh) * | 2015-05-15 | 2016-06-29 | 乐视云计算有限公司 | P2p数据下载的方法和装置 |
CN104991914B (zh) | 2015-06-23 | 2018-04-27 | 腾讯科技(深圳)有限公司 | 一种应用推荐方法及服务器 |
CN105095411B (zh) * | 2015-07-09 | 2018-08-24 | 中山大学 | 一种基于app质量的app排名预测方法及系统 |
US9864803B2 (en) * | 2015-07-22 | 2018-01-09 | TCL Research America Inc. | Method and system for multimodal clue based personalized app function recommendation |
CN104991969B (zh) * | 2015-07-28 | 2018-09-04 | 北京奇虎科技有限公司 | 根据预设模板生成模拟事件结果集合的方法及装置 |
CN105354056B (zh) * | 2015-10-23 | 2018-12-28 | 北京金山安全软件有限公司 | 一种app推荐信息展示方法和装置 |
CN106651410B (zh) * | 2015-10-29 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 一种应用管理方法及装置 |
CN105373887B (zh) * | 2015-11-12 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 一种终端应用的质量评估方法和系统 |
CN105701207B (zh) * | 2016-01-12 | 2020-04-24 | 腾讯科技(深圳)有限公司 | 资源的请求量预测方法、应用推荐方法和装置 |
CN105912599A (zh) * | 2016-03-31 | 2016-08-31 | 维沃移动通信有限公司 | 终端应用程序的排名方法及终端 |
CN107766546B (zh) * | 2017-10-31 | 2020-09-29 | Oppo广东移动通信有限公司 | 应用推荐方法、装置、存储介质及终端设备 |
CN111049870B (zh) * | 2018-10-15 | 2022-07-22 | 华为技术有限公司 | 应用下载和发送的方法、装置及系统 |
CN109614132B (zh) * | 2018-12-05 | 2022-04-26 | 网易(杭州)网络有限公司 | 一种文件预估方法和装置 |
CN109658147A (zh) * | 2018-12-14 | 2019-04-19 | 西北工业大学 | 一种基于霍克斯过程的移动应用流行度预测方法 |
CN110781456A (zh) * | 2019-09-27 | 2020-02-11 | 上海麦克风文化传媒有限公司 | 一种排序权重更新方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101754106A (zh) * | 2008-12-04 | 2010-06-23 | 倪县乐 | 在手机用户之间推荐内容的方法和系统 |
CN101887390A (zh) * | 2010-06-23 | 2010-11-17 | 宇龙计算机通信科技(深圳)有限公司 | 一种应用软件评级方法及装置 |
CN101959179A (zh) * | 2009-07-17 | 2011-01-26 | 华为技术有限公司 | 一种提供移动终端应用程序的方法、服务器和移动终端 |
CN102053971A (zh) * | 2009-10-30 | 2011-05-11 | 日电(中国)有限公司 | 用于面向排序的协同过滤的推荐方法和设备 |
CN102169566A (zh) * | 2010-02-26 | 2011-08-31 | 国际商业机器公司 | 在陌生领域中生成推荐项目的方法和装置 |
-
2011
- 2011-10-14 CN CN201110312241.6A patent/CN103049452B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101754106A (zh) * | 2008-12-04 | 2010-06-23 | 倪县乐 | 在手机用户之间推荐内容的方法和系统 |
CN101959179A (zh) * | 2009-07-17 | 2011-01-26 | 华为技术有限公司 | 一种提供移动终端应用程序的方法、服务器和移动终端 |
CN102053971A (zh) * | 2009-10-30 | 2011-05-11 | 日电(中国)有限公司 | 用于面向排序的协同过滤的推荐方法和设备 |
CN102169566A (zh) * | 2010-02-26 | 2011-08-31 | 国际商业机器公司 | 在陌生领域中生成推荐项目的方法和装置 |
CN101887390A (zh) * | 2010-06-23 | 2010-11-17 | 宇龙计算机通信科技(深圳)有限公司 | 一种应用软件评级方法及装置 |
Non-Patent Citations (1)
Title |
---|
面向用户的网站信息服务质量评价体系研究;裴玲等;《情报杂志》;20090531;第28卷(第5期);第61-62页第2.1.2节第1-2段、表2 * |
Also Published As
Publication number | Publication date |
---|---|
CN103049452A (zh) | 2013-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103049452B (zh) | 一种基于预估下载率进行应用排序的方法与设备 | |
CN109902708B (zh) | 一种推荐模型训练方法及相关装置 | |
CN104090919B (zh) | 推荐广告的方法及广告推荐服务器 | |
CN104205158B (zh) | 测量在线观众的系统、方法和产品 | |
KR101961711B1 (ko) | 온라인 소셜 네트워크 내 네트워크-인지 제품 시판 | |
US9380073B2 (en) | Reputation system in a default network | |
CN102316130B (zh) | 一种基于用户的行为判断其与好友的亲疏度的方法与设备 | |
CN103744916B (zh) | 一种用于确定目标视频的分享热度信息的方法与设备 | |
CN106776660A (zh) | 一种信息推荐方法及装置 | |
CN108021673A (zh) | 一种用户兴趣模型生成方法、职位推荐方法及计算设备 | |
JP2010204966A (ja) | サンプリング装置、サンプリング方法、サンプリングプログラム、クラス判別装置およびクラス判別システム。 | |
CN102955829B (zh) | 用于对资源项进行排序的方法、装置和设备 | |
CN107895038A (zh) | 一种链路预测关系推荐方法及装置 | |
CN110753920A (zh) | 用于优化和模拟网页排序和流量的系统和方法 | |
Liu et al. | Online recommendations based on dynamic adjustment of recommendation lists | |
CN113869931A (zh) | 广告投放策略确定方法、装置、计算机设备和存储介质 | |
CN105681089B (zh) | 网络用户行为聚类方法、装置及终端 | |
JP6160362B2 (ja) | 情報評価装置、情報評価方法および情報評価プログラム | |
JP6414192B2 (ja) | 情報処理装置、情報処理方法、情報処理プログラム | |
Li et al. | When user interest meets data quality: A novel user filter scheme for mobile crowd sensing | |
JP5846033B2 (ja) | 情報処理装置、端末装置、情報処理方法、表示方法、情報処理プログラム、及び表示プログラム | |
Peska et al. | Recommending for disloyal customers with low consumption rate | |
CN113850416A (zh) | 广告推广合作对象确定方法和装置 | |
Chen et al. | Social-network-assisted task recommendation algorithm in mobile crowd sensing | |
CN112100441A (zh) | 视频推荐方法、电子设备和计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |