CN106227815B - 一种多模态线索的个性化应用程序功能推荐方法及其系统 - Google Patents

Abstract

本发明公开了一种多模态线索的个性化应用程序功能推荐方法及其系统。所述方法包括接收用户的应用程序查询词条；获取从用户处采集的若干实时线索；提取若干特征以表示所述实时线索，所述的特征包括结构特征和文本特征；根据所提取的特征生成多模态线索的联合表示；根据所述联合表示，创建逻辑回归模型；通过所述逻辑回归模型对应用程序功能进行排序，以及将已排序的应用程序功能通过列表向用户展示。

Description

一种多模态线索的个性化应用程序功能推荐方法及其系统

技术领域

本发明涉及信息技术领域，尤其涉及一种多模态线索的个性化应用程序功能推荐方法及其系统。

背景技术

如今，移动应用程序(APP)已经成为现代人类生活不可或缺的一部分。2014年7月，谷歌应用商店和苹果应用商店已经分别拥有大约130万个APP和120万个APP。如果没有推荐功能，用户很难在如此众多的APP中进行选择。APP实质上就是“一个专门为某个特定的任务而设计的计算机程序”。换句话说，APP可以被定义为一组可以完成一系列任务的应用程序功能(应用程序功能)。应用程序功能(即APP功能)是指手机移动应用程序上的一个内容页面或功能，比如Yelp上的“餐厅的评论”，谷歌地图上从一个地方到另一个地方的“方向查找”功能。

推荐系统在人类生活中起着非常重要的作用，通过向用户提供信息，极大地推动了人们的日常生活。所述的推荐系统实际上是在不询问用户需求的前提下基于用户信息进行推荐。所述的推荐系统通常分为两大系统：协同过滤系统和基于内容的推荐系统。协同过滤系统根据与当前用户有相似喜好的其他用户的历史选择来推荐项目，而基于内容的推荐系统通常根据当前用户之前喜好的项目来推荐相似的项目。由于用户不再需要手动输入自己的需求，因此所述推荐系统更加方便了用户的使用。

然而，由于一个应用程序通常包括一系列内容页面或功能(定义为应用程序功能)，对用户来说，到达某个特定应用程序功能的过程是相当冗长乏味的。即使应用程序已经打开，用户仍然需要花费一段时间才能到达应用程序中所需的内容页面或功能。现有研究中，鲜有方法能够通过在应用程序功能中收集文本数据作为线索对用户需求进行预测。

本发明公开的方法及其系统用于解决现有技术中的一个或者多个问题。

发明内容

本发明的一方面公开了一种多模态线索的个性化应用程序功能推荐方法。所述方法包括：接收用户的应用程序查询词条；获取从用户处采集的若干实时线索；提取若干特征以表示所述实时线索，所述的特征包括结构特征和文本特征；根据所提取的特征生成多模态线索的联合表示；根据所述联合表示，创建逻辑回归模型；通过所述逻辑回归模型对应用程序功能进行排序，以及将已排序的应用程序功能通过列表向用户展示。

本发明另一方面公开了一种多模态线索的个性化应用程序功能推荐系统。所述系统包括：移动线索模块，用于获取从用户处采集的若干实时线索；用户偏好库模块，用于提取若干特征以表示所述实时线索，所述的特征包括结构特征和文本特征；根据所提取的特征生成多模态线索的联合表示；应用程序功能推荐模块，用于根据所述联合表示，创建逻辑回归模型，并通过所述逻辑回归模型对应用程序功能进行排序；应用程序功能模块，用于将已排序的应用程序功能通过列表向用户展示。

本发明的又一方面公开了一种存储有计算机程序的非易失性计算机可读存储介质，其中，当所述计算机程序被处理器调用时，处理器执行基于个性化应用程序功能推荐的多模态索引方法，所述方法包括：接收用户的应用程序查询词条；获取从用户处采集的若干实时线索；提取若干特征以表示所述实时线索，所述的特征包括结构特征和文本特征；根据所提取的特征生成多模态线索的联合表示；根据所述联合表示，创建逻辑回归模型；通过所述逻辑回归模型对应用程序功能进行排序，以及将已排序的应用程序功能通过列表向用户展示。

本发明的其他方面，所属技术领域技术人员能够依据本发明的权利要求书，说明书，以及附图有效实施并充分公开。

附图说明

1：图1为本发明具体实施方式的工作环境示意图。

2：图2本发明具体实施方式的计算系统的结构框图。

3：图3为本发明具体实施方式的基于个性化应用程序功能推荐的多模态线索系统的结构框图。

4：图4为本发明具体实施方式的应用程序功能推荐模块的示意图。

5：图5为本发明具体实施方式的的基于个性化应用程序功能推荐的多模态线索方法的方法流程图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。除非另外指出，在各图中相同的参考数字用于相同的部件。

图1为本发明实施例的工作环境示意图100，如图1所示，所述工作环境100包括移动终端102，服务器106，用户108以及网络110。

移动终端102(也称为移动终端设备)可以指具有一定运算能力的任何合适的用户移动终端，比如便携式计算设备(平板电脑)，智能电话或手机，或任何其他的用户端移动计算设备。所述移动终端102可以应用于任何合适的移动计算平台。所述用户108可以利用所述移动终端102连接到所述网络110，向所述服务器106发出请求。所述移动终端102可以从任何合适的来源获取信息，比如从本地存储设备，从服务供应商的有线或无线网络设备，或者从互联网上。所述移动终端102也可以在不同的计算环境，用于访问不同的应用程序功能。比如所述移动终端102可以用于执行存储在所述移动终端102的应用程序。

具体的，所述服务器106指的是为提供某些网络服务器功能而配置的一个或多个服务器计算机(如搜索服务器)。所述服务器106包括并行执行计算机程序的一个或多个处理器。所述服务器106可以存储数据(如APP名称)以便被移动终端和应用软件(如APP推荐系统)访问。

所述移动终端102和所述服务器106通过所述网络110通信连接，比如有线电视网络、电话网络、和/或卫星网络，等。虽然图1中只显示了一台移动终端102和一台服务器106，但是可以包括任意数量的移动终端和/或服务器。

移动终端102和/或服务器106能够在任何合适的电子计算平台上应用。图2为本发明实施例能够应用移动终端102和/或服务器106的计算系统200的框图。

如图2所示，计算机系统200包括处理器202，存储介质204，显示器206，通信模块208，数据库210，以及外围设备212。其中某些设备可被省略，也可以包括其他设备。

处理器202可以包括任何合适的一个或多个处理器。此外，处理器202可以包括用于多线程或并行处理的多个核心。存储介质204可以包括内存模块，比如ROM、RAM、闪存模块，以及大容量存储器，比如光盘和硬盘。存储介质204存储有计算机程序，当处理器202执行这些计算机程序时，可以实现各种方法步骤。

此外，外围设备212包括各种传感器和其他的I/O设备，比如键盘和鼠标。通信模块208包括某些通过通信网络建立连接的网络接口设备。数据库210包含一个或多个数据库用于存储某些数据(如应用程序说明)，并在所存储数据上来执行某些操作，比如应用程序推荐。

移动终端102从用户108向服务器106提供请求，服务器106接收到请求后进行回应。APP推荐系统可以使用深层玻尔兹曼机(DBM)生成多模态信息的整合表示方式，并基于这些整合表示方式创建一个逻辑回归模型。此外，APP推荐系统可以使用逻辑回归模型来预测用户108即将启动的下一个应用程序功能。图3为实施例中基于个性化应用程序功能(APP功能)推荐的多模态线索系统300。

如图3所示，系统300包括移动线索模块310，用户偏好库模块320、应用程序功能推荐模块330和应用程序功能340。某些模块可被省略，也可以添加其他模块。每个模块可以由一个或多个计算机系统执行。

移动线索模块310用于从移动用户获取实时线索。获取的实时线索来自于两个方面:(1)由多种类型的传感器捕获的结构信号，比如时间、纬度、经度、速度、GPS精度；(2)来自于APP内容页面或用户输入的非结构性的文本数据，比如，文本数据可能是社会上发的一串帖子，一群朋友之间的对话，或者一条被用户标注的消息。

用户偏好库模块320用于提取若干特征(即用户历史偏好)来表示收集到的线索，并存储用户历史偏好。其中，该特征可以包括：结构特征和文本特征。用户历史偏好可用于在应用程序功能推荐模块330上训练逻辑回归模型。由于预测技术是基于以APP功能中的结构性时空信号和非结构性的文本数据表示的多模态移动线索，用户偏好库模块320可以进一步应用深层玻尔兹曼机(DBM)生成一个多模态移动线索的联合表示方式。DBM描述如何学习具有多种输入模式的数据的生成模型。DBM是一种由对称耦合的随机二元单元组成的网络。DBM包含一组显变量的集合v∈{0,1}D，和一系列隐藏层的隐变量的集合

它具有多个隐藏层，但是只有相邻层之间的隐变量集合存在连接，显变量集合和第一个隐藏层的隐变量集合也存在连接。这里构造两个双层DBM分别用于模拟结构特征和文本特征的分布。

APP功能推荐模块330用于创建一个由用户历史偏好训练生成的逻辑回归模型，并基于多模态线索的联合表示，使用训练后的逻辑回归模型来预测移动用户将要启动的下一个应用程序功能。即基于结构性的时空信号和非结构性的文本数据的联合表示，创建逻辑回归模型来判断用户即将启动哪些应用程序功能。图4为实施例中应用程序功能推荐模块。

如图4所示，APP功能推荐模块330包括预测模型创建模块410，APP计分器420，结果排名模块430。某些模块可被省略，也可以添加其他模块。每个模块可以由一台或多台计算机系统执行。

预测模型创建模块410用于创建由用户历史偏好训练生成的逻辑回归模型。具体的，逻辑回归模型是监督的并且通用的，以便可以应用于其他领域。

APP计分器420用于计算APP分数以便在实时推荐过程中过滤掉不相关的应用程序功能。APP分数表示某个词和某个应用程序功能的关联强度。当APP功能与某个词为强相关时，APP得分会更高。

结果排名模块430用于根据计算生成的APP得分情况，对相关APP功能进行排序。基于APP分数，结果排名模块430会从初始的应用程序功能集合中选择出一个应用程序功能的有效子集。例如，结果排名模块430会丢弃或删除未达到阈值分数的应用程序功能。用户可以设置在APP功能排序列表中应用程序功能的数量。例如，用户可以设置15个应用程序功能显示于APP功能排序列表中。

如图3所示，APP功能模块340用于显示那些被评分且由APP功能推荐模块330输出的相关应用程序功能的列表。所述APP功能排序列表可以转换为可在移动设备上显示的格式，供用户使用。

在操作过程中，系统300执行某些流程来确定应用程序或APP功能列表。APP功能列表以排序的形式向用户提供。图5展示的是实施例中基于个性化应用程序功能推荐的多模态索引方法的流程图。

如图5所示，首先，用户使用移动设备将APP查询词条输入APP推荐系统(步骤510)。查询词条可以是一个句子或一个或多个关键字。然后，获取用户的实时线索(步骤520)。实时线索来自于两个方面：(1)可由多种类型的传感器所捕获到的结构性信号，比如时间、纬度、经度、速度、GPS定位精度；(2)来自于APP内容页面或用户的非结构性的文本数据。例如，文本数据可能是社会上发布的一些帖子，一群朋友间的聊天记录，或者是一条被用户标记的消息。

提取用于表示收集到的实时线索的特征(步骤530)。其中特征类型有两种包括：(1)可被多个类型的传感器捕捉到的结构特征：时间，纬度，经度，速度，等等；(2)文本特征：由词袋表示的文本线索。词袋是自然语言处理和信息检索(IR)中的简化表示。在词袋中，一个文本(比如一个句子或一个文档)代表了整袋词(多个集合)，其无视语法和语序，但能够保持其多样性。

在一些实例中，可以从收集到的线索提取关键词。这样的关键字可以建立有用的条目为文档搜集创建一个自动索引，也可以用于文本分类，或作为给定文档的简明摘要。

由于预测技术是基于代表结构性的时空信号和非结构性的文本数据的多模态移动线索的产物，可以应用深层玻尔兹曼机(DBM)生成一个多模态线索的联合表示。

设n个APP功能为{f₁，...，f_n}，用户u的多模态线索为C，问题是预测哪个应用程序功能f_i最有可能被C下一步启动，由如下算式表示：

关键词的数量t_C＝{w₁，...，w_n}可以用来表示文本线索。由于文本数据可能非常稀疏，包含大量的噪音，可以利用公式f_I：T→t_c是将一条非结构化的文本数据变换为文本线索。因此，最大可能性的应用程序功能f_i的预测可以被视为一个从文本数据中提取关键字的问题。TextRank，即用于关键词提取的图构造方法，可用于从文本中提取关键字。其利用输入的文本创建一个词的有向图，有向图的节点根据通过TextRank算法获得的该词在文本中的重要性程度进行排名。

TextRank不仅依赖于一个文本单元(顶点)的局部区域，而且要考虑从整个文本(图)递归过来的信息。图中的每个节点对应于文本中的一个候选词。图的边连接两个文本中连续出现的词，以第一个单词为头，第二个词为尾巴。形式上，我们定义有向图为G＝(V，E)，顶点为V和边为E，其中

对于一个给定的顶点V_i，以in(V_i)表示指向顶点V_i的顶点(父节点)，并以out(V_i)表示被顶点Vi所指向的顶点(子节点)。顶点V_i的得分计算公式如下：

其中，d∈[0，1]代表阻尼因子，值在0和1之间，起作用是引入图中一个给定的顶点跳到另一个随机顶点的概率。

从分配给图中的每个节点的任意值开始，进行迭代计算直至收敛低于给定的阈值。运行TextRank算法后，顶点的分数代表相应的词在文中的“重要性”。当图中任何顶点的错误率低于给定阈值时就会实现收敛。顶点V_i的出错率被定义为“真正的”得分score(V_i)和经过k次迭代计算出的分数之间的差异。因为真正的得分不是已知的先验，错误率近似为两次连续的迭代计算分数之间的差异。应该注意的是，TextRank运行完成后的最终值获得不受初始值选择的影响，只有迭代至收敛的次数可能会有所不同。通常选择分数排名前K位的词汇作为文本线索。

生成多模态移动线索的联合表示。线索来自两个方面：结构性信号和非结构性文本。如果这两种线索简单地衔接成了一个特征向量，来自不同输入通道的线索的这个特征会被忽略。因此，我们使用多模态深层玻尔兹曼机(DBM)生成一个多模态移动线索的联合表示避免这些问题。

DBM是一种由对称耦合的随机二元单元组成的网络。DBM包含一组显变量的集合v∈{0,1}D，和一系列隐藏层的隐变量的集合

它具有多个隐藏层，但是只有相邻层之间的隐变量集合存在连接，显变量集合和第一个隐藏层的隐变量集合也存在连接。这里构造两个双层DBM分别用于模拟结构特征和文本特征的分布。以v_s∈R^D表示结构性输入数据，

表示二元随机隐变量的集合，结构特征对应的双层DBM指向v_s的概率可以由如下算式表示：

其中

为能量方程，θ_s＝{b，W⁽¹⁾，W⁽²⁾，σ}为模型参数。

同样地，v_t∈N^K代表文本性输入数据，

是二元随机隐变量的集合.文本特征对应的双层DBM指向v_t的概率可以由如下算式表示：

其中：

为能量方程，

θ_t＝{W⁽¹⁾，W⁽²⁾，a，b⁽¹⁾，b⁽²⁾}为模型参数。

最后，通过在双层DBM上增加一个由二元隐变量集合h⁽³⁾组成的附加层连接两个DBM，多模态线索的联合分布可以定义为：

使用基于随机近似过程的马尔可夫链蒙特卡罗法(MCMC)近似估计该模型理想的参数。

基于生成的多模态线索的联合表示，创建一个逻辑回归模型(步骤540)。顶层的联合表示h⁽³⁾可以用来培训逻辑回归模型。逻辑回归模型可以根据从实时移动线索中提取的特征预测在不久的将来用户会启动哪些应用程序功能。

此外，APP的分数计算会在实时推荐过程中过滤掉不相关的应用程序功能(步骤550)。app分数表示的是一个词和一个应用程序功能的关联强度。如果文档中包含的一个关键字经常出现，说明应用程序功能可能与这个词密切相关(如“酒店”相关评分在Expedia的酒店预订中很高)。APP功能推荐在脱机模式和网络模式下均可工作。

离线模式下，启动应用程序的逻辑回归模型函数使用用户的历史偏好数据进行训练。多模态移动线索的联合表示用于创建一个实现预测的逻辑回归模型。具体地，c＝<x₁，...，x_n>可以被定义为某些移动线索的联合表示，这里x_i是一个变量代表第i个特征的权重值。布尔变量y表示的下一个由用户启动的应用程序功能。该逻辑回归模型由如下算式定义：

在线模式下，实时APP功能推荐过程包括以下两个步骤：

首先，从文本中发现的文本线索t_C可以用作搜索相关应用程序功能的查询词条。查询相似模型可用于检索应用程序功能。设定一个APP功能资源库F，以d_F表示F的文档表示，该模型根据每个应用程序功能f∈F以及查询词条q计算得分，分数计算公式为：

score(q，f)＝П_w∈qλp_MLE(w|d_f)+(1-λ)p_MLE(w|d_F) (7)

其中，

count(·)为单词w出现在文档中次数；λ为平滑系数。

其次，训练过的逻辑回归模型可以用来预测由用户启动的应用程序功能f。用户启动APP功能f的概率可以由如下算式计算：

已评分的应用程序功能的列表可以根据计算得出的概率进行排序(步骤560)。得分表明每个APP与用户的确定意图的契合程度。根据应用程序功能的分数，从初始APP功能集合中挑选出一个应用程序功能的有效子集。例如，丢弃或删除未达到阈值分数的应用程序功能。

对于相同的用户，预测评分最高的APP与用户意图相关性最强。因此，预测评分最高的APP会排在APP功能列表的首位。预测评分最低的APP与用户意图相关性最弱。因此，预测评分最低的APP会排在应用程序功能列表的末位。

最后，将列表中排名前N名的应用程序功能提供给用户(步骤570)。N是大于1的整数。移动设备(如手机、平板电脑、智能手表)显示屏较小，所以用户可以根据所使用的移动设备的屏幕大小设置输出APP功能列表的数量N。例如，用户设置在APP功能列表中显示15个APP功能。优选地，用户需要将这个APP功能排名列表设置成便于查看和浏览APP功能排名列表的格式。用户选择排名列表上的任何应用程序功能都会被带到相应的应用程序功能的启动页面。用户可以从推荐系统中选择一个或多个应用程序，用户也可以选择不在推荐系统内的另一个应用程序功能或者不选择任何应用程序功能。用户的活动可以被添加到用户偏好库中以丰富历史数据。

所公开的系统和方法也可以应用于其他具有显示屏的设备，如智能手机、平板电脑、智能手表。即，所公开的方法不仅可以用于APP推荐系统,也可以用于其他系统的核心功能应用，如社交媒体系统，信息检索系统，或任何用户交互系统。.

例如，一个用户想要租一辆车。首先，用户在安装在手机上的浏览器的APP搜索栏中输入一个查询词条“租车”，然后，一个APP推荐系统接收到由用户输入的APP查询词条(即“租车”)根据接收到的APP查询词条，APP推荐系统从用户收集实时线索。实时线索包括结构化的信号(如时间、经度、纬度、GPS精度)和来自于用户的非结构化文本数据。

例如，如果一个用户在华盛顿希尔顿酒店，结构化的信号包括用户的当前地址华盛顿特区康涅狄格大道西北1919号和时间2015年5月1日；非结构化文本数据从用户的分享中获得，比如用户在Facebook发布最新的动态消息，与一群朋友关于汽车的讨论，和用户浏览最新汽车模型的网页。然后，APP推荐系统提取特征以代表收集到的线索。

例如，提取的特征表示用户与他/她的朋友分享了本田新闻，用户频繁浏览了本田汽车的相关网页。基于提取的特征，创建一个逻辑回归模型。根据从实时移动线索中提取出来的特征，逻辑回归模型预测,用户在不久的将来启动一个或多个租用本田汽车的应用程序功能。也就是说，“本田”这个词经常出现，而APP“Hertz”是与这个词联系最紧密的(“本田”与APP“Hertz”相关性分数很大)。

此外，APP推荐系统在实时推荐中可以计算APP分数过滤掉不相关的APP功能。APP推荐系统整理出一个基于计算结果的应用程序功能列表(如“Hertz”，“Budget”，“Avis”的APP功能页面)。每个分数表明每个APP与用户的确认意图的相匹配程度。

最后，APP推荐系统在根据实施模型所确认的用户最感兴趣的APP功能排名列表中提供了排名前15名的应用程序功能。用户选择的APP功能排名列表上与当地Hertz经销商相关的APP“赫兹”页面会将用户带到一个与能够在华盛顿特区康涅狄格大道西北1919号附近出租本田汽车的当地Hertz经销商相关的APP启动页面，或用户也可以在APP推荐系统中输入其他的查询词条以启动另一个APP搜索操作。

所公开的方法和系统可以使用深层玻尔兹曼机(DBM)生成的多模态线索的联合表示，并创建一个由这个联合表示训练出来的逻辑回归模型。逻辑回归模型是监督性机器学习方法，并具有通用性，因此可以应用到其他领域。例如，APP推荐系统可以在智能手机中集成以帮助组织和共享对协助预订机票，预订餐厅，查询医生，选择电影，选择服务和商店，租DVD，买书等有价值的信息。

本发明具体实施例所述的方法仅用于解释，相类似的想法和实现方法均可以应用于其他不同的系统中，将本发明所述系统和方法应用于不同领域，进行改进，替换，调整或者相当于本发明所公开的具体技术实施方案都是本领域普通技术人员不需要通过创造性劳动就能实现的。

Claims (14)

1.一种多模态线索的个性化应用程序功能推荐方法,

其特征在于，所述方法包括：

接收用户的应用程序查询词条；

获取从用户处采集的若干实时线索；

提取若干特征以表示所述实时线索，所述特征包括结构特征和文本特征；其中，所述结构特征至少包括时间、纬度、经度、速度、GPS精度中的一种；

根据所提取的特征并利用深层波尔兹曼生成多模态线索的联合表示；

根据所述联合表示，创建逻辑回归模型；

通过所述逻辑回归模型对应用程序功能进行排序，以及

将已排序的应用程序功能通过列表向用户展示。

2.根据权利要求1所述的方法，其特征在于，所述获取从用户收集的若干实时线索，具体包括：

通过若干不同类型的传感器捕获结构性的时空信号，所述结构性的时空信号至少包括时间、纬度、经度、速度、GPS精度中的一种，以及采集来自于应用程序内容页面或用户提供的非结构性文本数据。

3.根据权利要求1所述的方法，其特征在于，所述生成多模态线索的联合表示，具体包括：

使用多模态深层玻尔兹曼机构造两个分别用于模拟结构特征和文本特征的分布的双层玻尔兹曼机；以及

在双层玻尔兹曼机上增加一个由二元隐变量集合组成的附加层连接所述两个双层玻尔兹曼机。

4.根据权利要求1所述的方法，其特征在于，所述通过所述逻辑回归模型对应用程序功能进行排序，具体包括：

计算应用程序功能的分数以滤除不相关的应用程序功能；以及

根据所述应用程序功能的分数，对相关的应用程序功能进行排序。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据由移动设备的屏幕大小给出的用户指令，设置输出列表内应用程序功能的数量。

6.根据权利要求3所述的方法，其特征在于，所述多模态线索的联合表示，其中，v_s∈R^D为结构性输入数据，

为二元随机隐变量的集合，结构特征对应的双层玻尔兹曼机指向v_s的概率通过如下算式表示：,

其中，

为能量方程，θ_s＝{b，W⁽¹⁾，W⁽²⁾，σ}为模型参数。

7.根据权利要求4所述的方法，其特征在于，所述计算应用程序功能的分数，具体包括：d_F为应用程序功能资源库的文档表示，q为查询词条，F为应用程序功能资源库，f为属于应用程序功能资源库的应用程序功能；

通过如下算式计算与属于所述应用程序功能资源库中的应用程序功能与查询词条之间的相关程度得分：

score(q，f)＝Π_w∈qλp_MLE(w|d_f)+(1-λ)p_MLE(w|d_F)；

其中，

并且

count(·)为单词w在文档中出现的次数；λ代表平滑参数。

8.一种多模态线索的个性化应用程序功能推荐系统,

其特征在于，所述系统包括：

移动线索模块，用于获取从用户处采集的若干实时线索；

用户偏好库模块，用于提取若干特征以表示所述实时线索，所述的特征包括结构特征和文本特征；其中，所述结构特征至少包括时间、纬度、经度、速度、GPS精度中的一种；

根据所提取的特征并利用深层波尔兹曼生成多模态线索的联合表示；

应用程序功能推荐模块，用于根据所述联合表示，创建逻辑回归模型，并通过所述逻辑回归模型对应用程序功能进行排序；

应用程序功能模块，用于将已排序的应用程序功能通过列表向用户展示。

9.根据权利要求8所述的系统，其特征在于，所述移动线索模块还用于：通过若干不同类型的传感器捕获结构性的时空信号，所述结构性的时空信号至少包括时间、纬度、经度、速度、GPS精度中的一种，以及采集来自于应用程序内容页面或用户的非结构性文本数据。

10.根据权利要求8所述的系统，其特征在于，所述用户偏好库模块还用于：使用多模态深层玻尔兹曼机构造两个分别用于模拟结构特征和文本特征的分布的双层玻尔兹曼机；以及

通过在双层玻尔兹曼机上增加一个由二元隐变量集合组成的附加层连接所述两个双层玻尔兹曼机。

11.根据权利要求8所述的系统，其特征在于，所述应用程序功能推荐模块还用于：

计算应用程序功能的分数以滤除不相关的应用程序功能；以及根据所述应用程序功能的分数，对相关的应用程序功能进行排序。

12.根据权利要求8所述的系统，其特征在于，所述系统还包括：根据由移动设备的屏幕大小给出的用户指令，设置输出列表内应用程序功能的数量。

13.根据权利要求10所述的系统，其特征在于，所述多模态的联合表示中，v_s∈R^D为结构性输入数据，

为二元随机隐变量的集合，结构特征对应的双层玻尔兹曼机指向v_s的概率通过如下算式表示：

其中，

为能量方程，θ_s＝{b，W⁽¹⁾，W⁽²⁾，σ}为模型参数。

14.根据权利要求11所述的系统，其特征在于，所述计算应用程序功能的分数具体包括：d_F为应用程序功能资源库的文档表示，q为查询词条，F为应用程序功能资源库，f为属于应用程序功能资源库的应用程序功能；

通过如下算式计算与属于所述应用程序功能资源库中的应用程序功能与查询词条之间的相关程度得分：

score(q，f)＝Π_w∈qλp_MLE(w|d_f)+(1-λ)p_MLE(w|d_F)

其中，

并且

count(·)为单词w在文档中出现的次数；λ代表平滑参数。

Images