CN104156366A - 一种向移动终端推荐网络应用的方法和网络服务器 - Google Patents

Abstract

本发明实施例提供一种向移动终端推荐网络应用的方法和网络服务器，方法应用于网络服务器，包括：在推荐模型中，建立用户身份和兴趣偏好与不同的推荐规则之间的映射关系，在映射关系中为用户身份配置第一权重，为兴趣偏好配置第二权重；收集移动终端ID的通信属性作为BOSS数据源，建立BOSS数据源与用户身份之间的第一关联关系；收集移动终端的浏览行为属性作为平台侧数据源，建立平台侧数据源与兴趣偏好之间的第二关联关系；根据移动终端所属的用户群，调整第一权重和第二权重的赋值；根据推荐规则为移动终端提供具体的网络应用。实时调整第一权重和第二权重的具体数值，针对不同用户群的用户进行精确的个性化推荐，提升了推荐的准确率。

Description

一种向移动终端推荐网络应用的方法和网络服务器

技术领域

本发明涉及网络应用技术，特别是指一种向移动终端推荐网络应用的方法和网络服务器。

背景技术

基于电子商务或者移动终端向用户智能推荐图书的前提是充分了解用户的个性化需求，而了解个性化需求的前提是对用户的身份和偏好进行精准建模和挖掘。现有的各种推荐算法不适用于新用户以及访问/购买行为较少的用户。

推荐算法的基础是对用户进行合理的精确的分群，根据用户价值分为高价值用户和低价值用户，根据用户的偏好分群，根据用户的生命周期分群，生命周期包括感知、获取、巩固、成熟、衰退和流失等六个阶段。

阅读平台中的用户信息(userinfo)表是用户身份描述文件，涉及到大量的用户行为信息，但是推荐模型对于描述用户偏好并非完全足够，而且推荐模型中很多数据的可靠性和可用性相当有限，例如用户的性别信息、年龄信息和职业信息等比较重要的自然属性和社会属性数据都可能因为处于隐私保护或者移动终端ID登记的原因出现大量的缺失或者虚假信息。这些数据的缺失对于用户身份和兴趣偏好以及消费能力的推断和由此产生的推荐产生很大的影响。

现有技术存在如下问题：用户分群采用的数据来源于用户的注册信息、浏览访问信息，以及用户间互动信息，但是根据这些数据分群制约和妨碍了对客户特征和偏好的精确描述，并且，推荐算法在进行推荐时只能根据访问历史进行推荐，无法取得新用户的身份和偏好信息，因而对新用户无法进行精确推荐。

发明内容

本发明要解决的技术问题是提供一种向移动终端推荐网络应用的方法和网络服务器，现有推荐算法在进行推荐时只能根据访问历史进行推荐，无法对不同用户群的用户进行精确推荐的缺陷。

为解决上述技术问题，本发明的实施例提供一种向移动终端推荐网络应用的方法，应用于网络服务器，方法包括：在推荐模型中，建立用户身份和兴趣偏好与不同的推荐规则之间的映射关系，在映射关系中为用户身份配置第一权重，为兴趣偏好配置第二权重；收集移动终端ID的通信属性作为BOSS数据源，建立BOSS数据源与用户身份之间的第一关联关系；收集移动终端的浏览行为属性作为平台侧数据源，建立平台侧数据源与兴趣偏好之间的第二关联关系；根据移动终端所属的用户群，调整所述第一权重和第二权重的赋值；根据所述推荐规则为移动终端提供具体的网络应用。

所述的方法中，在推荐模型中，建立用户身份和兴趣偏好与不同的推荐规则之间的映射关系，具体包括：当移动终端属于新用户群时，在映射关系中设定依赖用户身份寻找推荐规则；当移动终端属于普通用户群时，在映射关系中设定依赖用户身份和兴趣偏好寻找推荐规则；当移动终端属于忠诚用户群时，在映射关系中设定依赖兴趣偏好寻找推荐规则。

所述的方法中，获取移动终端在网络应用上的驻留时间，根据驻留时间与驻留阈值之间的关系将移动终端划分到新用户群、普通用户群或者忠诚用户群。

所述的方法中，在映射关系中设定依赖用户身份寻找推荐规则包括：设定第一权重为1，第二权重为0；在映射关系中设定依赖用户身份和兴趣偏好寻找推荐规则包括：设定第一权重为0与1之间的数值，第二权重为0与1之间的数值；在映射关系中设定依赖兴趣偏好寻找推荐规则包括：设定第一权重为0，第二权重为1。

所述的方法中，根据驻留时间与驻留阈值之间的关系将移动终端划分到新用户群、普通用户群或者忠诚用户群，具体包括：网络应用具体是网络图书阅读；i，首次登录时间到当前时间小于第一时间阈值，认定属于新用户群；ii，首次登录时间到当前时间大于第一时间阈值，无深度浏览，认定属于新用户群；iii，首次登录时间到当前时间大于第一时间阈值，有深度浏览，但浏览总章节数小于阅读长度阈值，认定属于新用户群；iv，若移动终端首次登录时间到当前时间大于第一时间阈值，有深度浏览，浏览总章节数大于阅读长度阈值，但阅读图书数小于阅读数目阈值，认定属于新用户群；以及，v，首次登录时间到当前时间超过第二时间阈值，月消费额超过第一消费阈值，累积访问图书数超过第三阅读数目阈值，认定属于忠诚用户群；vi，首次登录时间到当前时间超过第三时间阈值，月消费额不足第一消费阈值，但每月的消费额超过第二消费阈值，累积访问图书数超过第二阅读数目阈值，认定属于忠诚用户群；vii，不符合i，ii，iii，iv，v或者vi的移动终端，属于普通用户群。

所述的方法中，建立BOSS数据源与用户身份之间的第一关联关系，具体包括：用户身份p_身份j=α1*p_{gprs_j}(x₁)+β1*p_{arpu_j}(x₂)+γ1*p_{mo_j}(x₃)+λ1*p_{age_j}(x₄)，BOSS数据源中的变量包括GPRS流量p_gprs，终端平均收入p_arpu，职业信息p_{mo_to}和年龄p_age，j标识不同的网络应用。

所述的方法中，第一关联关系中的各个变量均具有不同的隶属度函数；所述GPRS流量p_gprs的隶属度函数包括：属于低GPRS流量群的隶属度函数是：

$p_{\mathrm{gprs}\_\mathrm{low}}\left(x_1\right)=\left\{\begin{array}{cc}\frac{x_1}{a},& 0<x_1\&le;a\\ 1,& a<x_1\&le;b\\ \frac{c-x_1}{c-b},& b<x_1\&le;c\\ 0,& x_1>c\end{array}\right.,$ 属于中GPRS流量群的隶属度函数是：

$p_{\mathrm{gprs}\_\mathrm{mid}}\left(x_1\right)=\left\{\begin{array}{cc}0,& 0<x_1\&le;b\\ \frac{x_1-b}{c-b},& b<x_1\&le;c\\ 1,& c<x_1\&le;d\\ \frac{e-x_1}{e-d},& d<x_1\&le;e\\ 0,& x_1>e\end{array}\right.,$ 属于高GPRS流量群的隶属度函数是：

$p_{\mathrm{gprs}\_\mathrm{high}}\left(x_1\right)=\left\{\begin{array}{cc}0,& 0<x_1\&le;d\\ \frac{x_1-d}{e-d},& d<x_1\&le;e\\ 1,& e<x_1\&le;f\\ \frac{g-x_1}{g-f},& f<x_1\&le;g\\ 0,& x_1>g\end{array}\right.,$ 其中，x₁表示GPRS流量的具体取值。

所述的方法中，建立平台侧数据源与兴趣偏好p_偏好之间的第二关联关系，具体包括：p_偏好j=α2*p_{3_class_j}(x₁)+β2*p_{4_class_j}(x₂)+γ2*p_{book_cnt_j}(x₃)+λ2*p_{pv_j}(x₄)，其中，平台侧数据源的各个变量是三级分类p_{3_class}，四级分类p_{4_class}，图书订购数目p_{book_cn}t和深度阅读数p_pv，j标识不同的网络应用。

一种向移动终端推荐网络应用的网络服务器，包括：推荐模型单元，用于在推荐模型中，建立用户身份和兴趣偏好与不同的推荐规则之间的映射关系，在映射关系中为用户身份配置第一权重，为兴趣偏好配置第二权重；用户身份单元，用于收集移动终端ID的通信属性作为BOSS数据源，建立BOSS数据源与用户身份之间的第一关联关系；兴趣偏好单元，用于收集移动终端的浏览行为属性作为平台侧数据源，建立平台侧数据源与兴趣偏好之间的第二关联关系；权重调整单元，用于根据移动终端所属的用户群，调整第一权重和第二权重的赋值；推荐单元，用于根据所述推荐规则为移动终端提供具体的网络应用。

所述的网络服务器中，推荐模型单元包括：映射模块，用于设定推荐规则由用户身份和兴趣偏好共同决定；映射第一设定模块，用于当移动终端属于新用户群时，在映射关系中设定依赖用户身份寻找推荐规则；映射第二设定模块，用于当移动终端属于普通用户群时，在映射关系中设定依赖用户身份和兴趣偏好寻找推荐规则；映射第三设定模块，用于当移动终端属于忠诚用户群时，在映射关系中设定依赖兴趣偏好寻找推荐规则。

本发明的上述技术方案的有益效果如下：设置权重，BOSS数据源对应的用户身份具有第一权重，平台侧数据源对应的兴趣偏好具有第二权重，根据移动终端所属的用户群实时调整第一权重和第二权重的具体数值，针对不同用户群的用户进行精确的个性化推荐，提升了推荐的准确率。

附图说明

图1表示一种向移动终端推荐网络应用的方法流程示意图；

图2表示一种向移动终端推荐网络应用的网络服务器结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

每个用户使用的移动终端在互联网上的注册信息，浏览和使用不同的网络应用留下的使用记录不同，本发明中对不同用户采用不同的数据源进行数据挖掘，对不同用户进行自适应的智能化分群。

本发明实施例提供一种向移动终端推荐网络应用的方法，如图1所示，应用于网络服务器，

方法包括：

步骤101，在推荐模型中，建立用户身份和兴趣偏好与不同的推荐规则之间的映射关系，在映射关系中为用户身份配置第一权重，为兴趣偏好配置第二权重；

步骤102，收集移动终端ID的通信属性作为BOSS数据源，建立BOSS数据源与用户身份之间的第一关联关系；

收集移动终端的浏览行为属性作为平台侧数据源(cmread_data)，建立平台侧数据源与兴趣偏好之间的第二关联关系；

步骤103，根据移动终端所属的用户群，调整所述第一权重和第二权重的赋值；

步骤104，根据所述推荐规则为移动终端提供具体的网络应用。

应用所提供的技术，设置权重，BOSS数据源对应的用户身份具有第一权重，平台侧数据源对应的兴趣偏好具有第二权重，根据移动终端所属的用户群实时调整第一权重和第二权重的具体数值，针对不同用户群的用户进行精确的个性化推荐，提升了推荐的准确率。

用户通过移动终端访问不同的网络应用，因此在对一个网络应用进行推荐之前，需要获取用户的行为模式，由于用户的行为模式是通过移动终端实现的，因此实际上是获取用户使用的移动终端的行为模式。

在一个优选实施例中，网络应用具体是网络阅读平台。

为解决技术问题，同时依赖用户身份和兴趣偏好为不同的用户群中的移动终端提供有针对性的网络应用。

在一个优选实施例中，在推荐模型中，建立用户身份和兴趣偏好与不同的推荐规则之间的映射关系，具体包括：

当移动终端属于新用户群时，在映射关系中设定依赖用户身份寻找推荐规则；

当移动终端属于普通用户群时，在映射关系中设定依赖用户身份和兴趣偏好寻找推荐规则；

当移动终端属于忠诚用户群时，在映射关系中设定依赖兴趣偏好寻找推荐规则。

平台侧数据源，是与用户身份相关的数据，对用户身份进行初步的客观描述，得到用户使用阅读平台的基本情况，例如用户的最早/最晚访问时间，图书订购数目，深度阅读数，消费额，三级分类(3_class)、四级分类(4_class)下图书访问/订购量(book_cnt)，用户的三级分类(3_class)、四级分类(4_class)偏好等。

BOSS数据源，可以通过用户的移动终端号码取得用户的个人注册信息(age)以及月消费总额、通话时长(mo_to)、GPRS流量值(gprs)、ARPU值(arpu)、增值业务ARPU值等数据。

平台侧数据源和BOSS数据源合称混合数据源。

获取平台侧数据源以及BOSS数据源，通过综合平台侧数据源和BOSS数据源，形成一个融合两部分数据的推荐模型，推荐模型中设置两种数据源的权重，第一权重和第二权重，若用户在网络应用上的驻留时间偏少，BOSS数据源的第一权重就大一些，反之则是平台侧数据源的第二权重就大一些。

在一个优选实施例中，获取移动终端在网络应用上的驻留时间，根据驻留时间与驻留阈值之间的关系将移动终端划分到新用户群、普通用户群或者忠诚用户群。其中，

判定驻留时间符合新用户驻留阈值，移动终端属于新用户群；

判定驻留时间符合普通用户驻留阈值，移动终端属于普通用户群；

判定驻留时间符合忠诚用户驻留阈值，移动终端属于忠诚用户群。

对于移动终端阅读新用户，仅仅根据boss_data获取用户身份p_身份，后续仅仅根据用户的身份信息推荐相应类型的图书或版面。

驻留时间符合忠诚用户驻留阈值是指：设置一个阅读平台忠诚用户驻留阈值，对于大于该阈值的用户，可认为其平台访问数据已经能完全反应其内容、作者、资费方面的各种偏好，与其它业务的访问和使用属性没有关系，不需要BOSS数据源作为辅助决策的基础，甚至根据BOSS数据源所产生的规则可能误导系统做出错误的判断。

驻留时间符合普通用户驻留阈值是指：介于新用户与忠诚用户之间的普通用户，通过综合使用阅读平台侧数据源和BOSS数据源，能对用户的偏好进行修正，同时也能更好地对用户的个人属性进行描述。

不符合以上两种定义的介于新用户与忠诚用户之间的用户称为普通用户，各种用户均遵循公式：rule＝f(p_身份,p_偏好)，找到对应的推荐规则。

具体地，采用映射关系找到对应的推荐规则，其中，BOSS数据源与用户身份p_身份之间存在第一关联关系，平台侧数据源与兴趣偏好p_偏好之间存在第二关联关系。

在一个优选实施例中，在映射关系中设定依赖用户身份寻找推荐规则包括：设定第一权重为1，第二权重为0；

在映射关系中设定依赖用户身份和兴趣偏好寻找推荐规则包括：设定第一权重为0与1之间的数值，第二权重为0与1之间的数值；

在映射关系中设定依赖兴趣偏好寻找推荐规则包括：设定第一权重为0，第二权重为1。

采用阅读平台侧数据源获取用户的兴趣偏好p_偏好，采用BOSS数据源获取用户身份p_身份，根据兴趣偏好和用户身份形成综合的偏好身份混合模型。普通用户是全体用户中占比最多的用户，采用rule＝f(p_身份,p_偏好)向普通用户进行图书推荐，同时结合用户的身份信息对图书的类型进行修正，例如进行类别的选择和补白等。

在一个优选实施例中，根据驻留时间与驻留阈值之间的关系将移动终端划分到新用户群、普通用户群或者忠诚用户群，具体包括：

网络应用具体是网络图书阅读；

i，首次登录时间到当前时间小于第一时间阈值，认定属于新用户群；

ii，首次登录时间到当前时间大于第一时间阈值，无深度浏览，认定属于新用户群；

iii，首次登录时间到当前时间大于第一时间阈值，有深度浏览，但浏览总章节数小于阅读长度阈值，认定属于新用户群；

iv，若移动终端首次登录时间到当前时间大于第一时间阈值，有深度浏览，浏览总章节数大于阅读长度阈值，但阅读图书数小于阅读数目阈值，认定属于新用户群；

以及，

v，首次登录时间到当前时间超过第二时间阈值，月消费额超过第一消费阈值，累积访问图书数超过第三阅读数目阈值，认定属于忠诚用户群；

vi，首次登录时间到当前时间超过第三时间阈值，月消费额不足第一消费阈值，但每月的消费额超过第二消费阈值，累积访问图书数超过第二阅读数目阈值，认定属于忠诚用户群；

vii，不符合i，ii，iii，iv，v或者vi的移动终端，属于普通用户群。

具体地，根据驻留时间与驻留阈值之间的关系将移动终端划分到新用户群、普通用户群或者忠诚用户群的过程中，预先设定第一时间阈值、第二时间阈值、第三时间阈值、阅读长度阈值、阅读数目阈值、第一消费阈值和第二消费阈值的具体数值，包括：

i，首次登录时间到当前时间小于7天，认定为新用户；

ii，首次登录时间到当前时间大于7天，但无深度浏览，认定为新用户；

iii，首次登录时间到当前时间大于7天，且有深度浏览，但浏览总章节数小于10章，认定为新用户；

iv，若移动终端首次登录时间到当前时间大于7天，且有深度浏览，浏览总章节数大于10章，但阅读图书数小于3本，认定为新用户；

以及，

v，首次登录时间到当前时间超过30天，月消费额超过10元，累积访问图书数超过5本，认定为忠诚用户；

vi，首次登录时间到当前时间超过3个月，月消费额不足10元，但连续3个月消费额超过2.4元，累积访问图书数超过10本，认定为忠诚用户；

vii，不符合i，ii，iii，iv，v或者vi的，认定为普通用户。

根据针对每类用户设置的阈值，设置相应的权重选择数据源融合的比例以及相应的偏好数据信息。

用户需要通过网络访问阅读平台，因而用户是否具有基本的上网习惯在很大程度上决定了用户访问阅读平台的可能性大小。而用户的消费能力以及消费构成等也在很大程度上决定了用户使用移动终端阅读的使用情况和消费倾向。

当用户是阅读平台的新用户或者在阅读平台上的使用数据非常稀少的时候，用户的BOSS数据源就能在用户的身份推断和兴趣偏好方面起到主要作用。通过阅读平台中的统计级用户信息中抽取用户的个人客观属性，对用户身份进行初步的客观描述，得到用户的基本信息。

在一个优选实施例中，建立BOSS数据源与用户身份p_身份之间的第一关联关系，具体包括：

p_身份j=α1*p_{gprs_j}(x₁)+β1*p_{arpu_j}(x₂)+γ1*p_{mo_j}(x₃)+λ1*p_{age_j}(x₄)，其中，BOSS数据源的各个变量是GPRS流量p_gprs，每终端平均收入p_arpu，职业信息p_{mo_to}和年龄p_age，j标识不同的网络应用，j＝1,2,3,4。其中参数α1,β1,γ1,λ1的值，根据平台用户的分布状况进行调整和确定，参数α1,β1,γ1,λ1的值确定了之后，在采用rule＝f(p_身份,p_偏好)获取推荐规则的过程中，该取值通常是不变的。

用户的移动终端号码作为唯一ID，通过集成用户BOSS数据源中与资费和网络应用相关的数据，据此形成用户BOSS数据源。例如，可以通过移动终端号码取得用户的个人注册信息以及月消费总额、通话时长、GPRS流量、ARPU值、增值业务ARPU值等数据。通过这些数据可以对用户的上网行为进行初步的判断，并根据用户的资费构成情况对用户的资费敏感程度和消费能力及上网意愿进行描述。

通过建立GPRS流量指标的隶属度函数，建立不同移动终端(用户)与不同指标之间的关联关系，设GPRS流量的取值为x₁，p_{gprs_low}，p_{gprs_mid}和p_{gprs_high}分别表示一个移动终端属于低、中、高GPRS流量群的隶属度。

在一个优选实施例中，第一关联关系中的各个变量均具有不同的隶属度函数；所述GPRS流量p_gprs的隶属度函数包括：

属于低GPRS流量群的隶属度函数是： $p_{\mathrm{gprs}\_\mathrm{low}}\left(x_1\right)=\left\{\begin{array}{cc}\frac{x_1}{a},& 0<x_1\&le;a\\ 1,& a<x_1\&le;b\\ \frac{c-x_1}{c-b},& b<x_1\&le;c\\ 0,& x_1>c\end{array}\right.$

属于中GPRS流量群的隶属度函数是： $p_{\mathrm{gprs}\_\mathrm{mid}}\left(x_1\right)=\left\{\begin{array}{cc}0,& 0<x_1\&le;b\\ \frac{x_1-b}{c-b},& b<x_1\&le;c\\ 1,& c<x_1\&le;d\\ \frac{e-x_1}{e-d},& d<x_1\&le;e\\ 0,& x_1>e\end{array}\right.$

属于高GPRS流量群的隶属度函数是： $p_{\mathrm{gprs}\_\mathrm{high}}\left(x_1\right)=\left\{\begin{array}{cc}0,& 0<x_1\&le;d\\ \frac{x_1-d}{e-d},& d<x_1\&le;e\\ 1,& e<x_1\&le;f\\ \frac{g-x_1}{g-f},& f<x_1\&le;g\\ 0,& x_1>g\end{array}\right.$

其中，x₁表示GPRS流量的具体取值。

通过设定区间参数a,b,c,d,e,f,g，得到GPRS流量的隶属度函数，将隶属度函数代入p_身份j=α1*p_{gprs_j}(x₁)+β1*p_{arpu_j}(x₂)+γ1*p_{mo_j}(x₃)+λ1*p_{age_j}(x₄)中。同理可以得到年龄、通话时长、短信条数等相关指标的隶属度函数，代入用户身份的公式，得到用户身份p_身份的具体取值。

通过对平台用户的数据分布，调整和设置其中α1,β1,γ1,λ1参数的值。

同理，根据用户的平台阅读数据推断得到用户的兴趣偏好p_偏好。

在一个优选实施例中，建立平台侧数据源与兴趣偏好p_偏好之间的第二关联关系，具体包括：

p_偏好j=α2*p_{3_class_j}(x₁)+β2*p_{4_class_j}(x₂)+γ2*p_{book_cnt_j}(x₃)+λ2*p_{pv_j}(x₄)，其中，平台侧数据源的各个变量是三级分类p_{3_class}，四级分类p_{4_class}，图书订购数目p_{book_cnt}和深度阅读数p_pv，j标识不同的网络应用。参数α2,β2,γ2,λ2的值，根据平台用户的分布状况进行调整和确定，参数α2,β2,γ2,λ2的值确定了之后，在采用rule＝f(p_身份,p_偏好)获取推荐规则的过程中，该取值通常是不变的。

实施例中，采用最早/最晚访问时间，图书订购数目，深度阅读数，消费额，三级分类或者四级分类下的图书访问/订购量等来推断用户的兴趣偏好。

BOSS数据源与用户身份p_身份之间存在第一关联关系，平台侧数据源与兴趣偏好p_偏好之间存在第二关联关系，在根据第一关联关系和第二关联关系获取了用户身份p_身份和兴趣偏好p_偏好之后，采用rule＝f(p_身份,p_偏好)找到对应的推荐规则，执行该推荐规则所规定的推荐行为。

本发明实施例提供一种向移动终端推荐网络应用的网络服务器，如图2所示，包括：

推荐模型单元201，用于在推荐模型中，建立用户身份和兴趣偏好与不同的推荐规则之间的映射关系，在映射关系中为用户身份配置第一权重，为兴趣偏好配置第二权重；

用户身份单元202，用于收集移动终端ID的通信属性作为BOSS数据源，建立BOSS数据源与用户身份之间的第一关联关系；

兴趣偏好单元203，用于收集移动终端的浏览行为属性作为平台侧数据源，建立平台侧数据源与兴趣偏好之间的第二关联关系；

权重调整单元204，用于根据移动终端所属的用户群，调整所述第一权重和第二权重的赋值；

推荐单元205，用于根据所述推荐规则为移动终端提供具体的网络应用。

在一个优选实施例中，推荐模型单元201包括：

映射模块，用于设定推荐规则由用户身份和兴趣偏好共同决定；

映射第一设定模块，用于当移动终端属于新用户群时，在映射关系中设定依赖用户身份寻找推荐规则；

映射第二设定模块，用于当移动终端属于普通用户群时，在映射关系中设定依赖用户身份和兴趣偏好寻找推荐规则；

映射第三设定模块，用于当移动终端属于忠诚用户群时，在映射关系中设定依赖兴趣偏好寻找推荐规则。

采用本方案之后的优势是：根据用户身份和兴趣偏好，采用不同的策略进行智能化推荐，设置权重，BOSS数据源对应的用户身份具有第一权重，平台侧数据源对应的兴趣偏好具有第二权重，根据移动终端所属的用户群实时调整第一权重和第二权重的具体数值，当移动终端属于新用户群时，在映射关系中设定依赖用户身份寻找推荐规则；当移动终端属于普通用户群时，在映射关系中设定依赖用户身份和兴趣偏好寻找推荐规则；当移动终端属于忠诚用户群时，在映射关系中设定依赖兴趣偏好寻找推荐规则，针对不同用户群的用户进行精确的个性化推荐，提升了推荐的准确率。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种向移动终端推荐网络应用的方法，应用于网络服务器，其特征在于，方法包括：

在推荐模型中，建立用户身份和兴趣偏好与不同的推荐规则之间的映射关系，在映射关系中为用户身份配置第一权重，为兴趣偏好配置第二权重；

收集移动终端ID的通信属性作为BOSS数据源，建立BOSS数据源与用户身份之间的第一关联关系；收集移动终端的浏览行为属性作为平台侧数据源，建立平台侧数据源与兴趣偏好之间的第二关联关系；

根据移动终端所属的用户群，调整所述第一权重和第二权重的赋值；

根据所述推荐规则为移动终端提供具体的网络应用。

2.根据权利要求1所述的方法，其特征在于，在推荐模型中，建立用户身份和兴趣偏好与不同的推荐规则之间的映射关系，具体包括：

当移动终端属于新用户群时，在映射关系中设定依赖用户身份寻找推荐规则；

当移动终端属于普通用户群时，在映射关系中设定依赖用户身份和兴趣偏好寻找推荐规则；

当移动终端属于忠诚用户群时，在映射关系中设定依赖兴趣偏好寻找推荐规则。

3.根据权利要求2所述的方法，其特征在于，包括：

获取移动终端在网络应用上的驻留时间，根据驻留时间与驻留阈值之间的关系将移动终端划分到新用户群、普通用户群或者忠诚用户群。

4.根据权利要求2所述的方法，其特征在于，

在映射关系中设定依赖用户身份寻找推荐规则包括：设定第一权重为1，第二权重为0；

在映射关系中设定依赖用户身份和兴趣偏好寻找推荐规则包括：设定第一权重为0与1之间的数值，第二权重为0与1之间的数值；

在映射关系中设定依赖兴趣偏好寻找推荐规则包括：设定第一权重为0，第二权重为1。

5.根据权利要求3所述的方法，其特征在于，根据驻留时间与驻留阈值之间的关系将移动终端划分到新用户群、普通用户群或者忠诚用户群，具体包括：

网络应用具体是网络图书阅读；

i，首次登录时间到当前时间小于第一时间阈值，认定属于新用户群；

ii，首次登录时间到当前时间大于第一时间阈值，无深度浏览，认定属于新用户群；

iii，首次登录时间到当前时间大于第一时间阈值，有深度浏览，但浏览总章节数小于阅读长度阈值，认定属于新用户群；

iv，若移动终端首次登录时间到当前时间大于第一时间阈值，有深度浏览，浏览总章节数大于阅读长度阈值，但阅读图书数小于阅读数目阈值，认定属于新用户群；

以及，

v，首次登录时间到当前时间超过第二时间阈值，月消费额超过第一消费阈值，累积访问图书数超过第三阅读数目阈值，认定属于忠诚用户群；

vi，首次登录时间到当前时间超过第三时间阈值，月消费额不足第一消费阈值，但每月的消费额超过第二消费阈值，累积访问图书数超过第二阅读数目阈值，认定属于忠诚用户群；

vii，不符合i，ii，iii，iv，v或者vi的移动终端，属于普通用户群。

6.根据权利要求1所述的方法，其特征在于，建立BOSS数据源与用户身份之间的第一关联关系，具体包括：

用户身份p_身份j=α1*p_{gprs_j}(x₁)+β1*p_{arpu_j}(x₂)+γ1*p_{mo_j}(x₃)+λ1*p_{age_j}(x₄)，其中，BOSS数据源中的变量包括GPRS流量p_gprs，终端平均收入p_arpu，职业信息p_{mo_to}和年龄p_age，j标识不同的网络应用。

7.根据权利要求6所述的方法，其特征在于，第一关联关系中的各个变量均具有不同的隶属度函数；

所述GPRS流量p_gprs的隶属度函数包括：

属于低GPRS流量群的隶属度函数是： $p_{\mathrm{gprs}\_\mathrm{low}}\left(x_1\right)=\left\{\begin{array}{cc}\frac{x_1}{a},& 0<x_1\&le;a\\ 1,& a<x_1\&le;b\\ \frac{c-x_1}{c-b},& b<x_1\&le;c\\ 0,& x_1>c\end{array}\right.$

属于中GPRS流量群的隶属度函数是： $p_{\mathrm{gprs}\_\mathrm{mid}}\left(x_1\right)=\left\{\begin{array}{cc}0,& 0<x_1\&le;b\\ \frac{x_1-b}{c-b},& b<x_1\&le;c\\ 1,& c<x_1\&le;d\\ \frac{e-x_1}{e-d},& d<x_1\&le;e\\ 0,& x_1>e\end{array}\right.$

属于高GPRS流量群的隶属度函数是： $p_{\mathrm{gprs}\_\mathrm{high}}\left(x_1\right)=\left\{\begin{array}{cc}0,& 0<x_1\&le;d\\ \frac{x_1-d}{e-d},& d<x_1\&le;e\\ 1,& e<x_1\&le;f\\ \frac{g-x_1}{g-f},& f<x_1\&le;g\\ 0,& x_1>g,\end{array}\right.$

其中，x₁表示GPRS流量的具体取值。

8.根据权利要求1所述的方法，其特征在于，建立平台侧数据源与兴趣偏好p_偏好之间的第二关联关系，具体包括：

p_偏好j=α2*p_{3_class_j}(x₁)+β2*p_{4_class_j}(x₂)+γ2*p_{book_cnt_j}(x₃)+λ2*p_{pv_j}(x₄)，其中，平台侧数据源的各个变量是三级分类p_{3_class}，四级分类p_{4_class}，图书订购数目p_{book_cnt}和深度阅读数p_pv，j标识不同的网络应用。

9.一种向移动终端推荐网络应用的网络服务器，其特征在于，包括：

推荐模型单元，用于在推荐模型中，建立用户身份和兴趣偏好与不同的推荐规则之间的映射关系，在映射关系中为用户身份配置第一权重，为兴趣偏好配置第二权重；

用户身份单元，用于收集移动终端ID的通信属性作为BOSS数据源，建立BOSS数据源与用户身份之间的第一关联关系；

兴趣偏好单元，用于收集移动终端的浏览行为属性作为平台侧数据源，建立平台侧数据源与兴趣偏好之间的第二关联关系；

权重调整单元，用于根据移动终端所属的用户群，调整所述第一权重和第二权重的赋值；

推荐单元，用于根据所述推荐规则为移动终端提供具体的网络应用。

10.根据权利要求9所述的网络服务器，其特征在于，推荐模型单元包括：

映射模块，用于设定推荐规则由用户身份和兴趣偏好共同决定；

映射第一设定模块，用于当移动终端属于新用户群时，在映射关系中设定依赖用户身份寻找推荐规则；

映射第二设定模块，用于当移动终端属于普通用户群时，在映射关系中设定依赖用户身份和兴趣偏好寻找推荐规则；

映射第三设定模块，用于当移动终端属于忠诚用户群时，在映射关系中设定依赖兴趣偏好寻找推荐规则。