CN106845644A - 一种通过相互关系学习用户及移动应用的联系的异构网络 - Google Patents

一种通过相互关系学习用户及移动应用的联系的异构网络 Download PDF

Info

Publication number
CN106845644A
CN106845644A CN201611132018.2A CN201611132018A CN106845644A CN 106845644 A CN106845644 A CN 106845644A CN 201611132018 A CN201611132018 A CN 201611132018A CN 106845644 A CN106845644 A CN 106845644A
Authority
CN
China
Prior art keywords
user
mobile solution
mobile
description information
information
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.)
Granted
Application number
CN201611132018.2A
Other languages
English (en)
Other versions
CN106845644B (zh
Inventor
郭立帆
汪灏泓
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.)
TCL Corp
TCL Research America Inc
Original Assignee
TCL Corp
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 TCL Corp filed Critical TCL Corp
Publication of CN106845644A publication Critical patent/CN106845644A/zh
Application granted granted Critical
Publication of CN106845644B publication Critical patent/CN106845644B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/027—Frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明涉及一种通过相互关系学习用户及移动应用的联系的异构网络。该方法包括：采集用户描述信息及移动应用描述信息；所述用户描述信息与用户相对应，所述用户包括一个或者多个所有者以及一个或者多个将信息存储在移动设备上的人；获取相关关系和场景的本体知识；所述本体知识包括：若干预设的概念、概念的特征以及概念之间的相关关系；基于用户描述信息、移动应用描述信息以及本体知识，生成网络模型；所述网络模型为连接用户以及移动应用的异构信息网络模型；基于所述网络模型，输出输出信息；其中，所述输出信息包括至少一个用户角色、两个移动应用或者移动应用功能之间的相互关系以及推荐的移动应用列表。

Description

一种通过相互关系学习用户及移动应用的联系的异构网络
技术领域
本发明涉及信息处理技术领域，尤其涉及一种学习及利用用户与移动应用的关系的方法及系统。
背景技术
如今，越来越多的智能手机用户在娱乐、教育、导航、创作、社交或者交流等方面选择使用移动设备而非传统设备。在苹果应用商店内，有超过350000种移动应用(APP)并且有超过10亿次的下载量。在设备制造商、广告主以及移动应用开发人员等的多种展望里，了解用户在何时或者何地使用这些移动应用是其中重要的部分。
虽然个人电脑中的活动分析已经被很好的掌握，但在移动设备中实现相同的任务则受以下的几个因素所阻碍。在个人电脑中，主要的用户分析可以通过浏览cookies完成，但移动应用中不使用浏览cookies并且也没有位于最高层级的标识的分享途径，用以构建用户介绍。进一步的，虽然已经提出一些在移动设备操作系统中分析用户的方法。但是，这些方法存在着只分析一个用户，忽视了各个用户之间的内在网络联系的限制。另外，随着触摸屏幕在多种数码电子设备和电器中广泛应用，未来的移动应用可以自动关联以响应用户的需求并且令用户生活融入到现有的数字生态系统中。
本发明所公开方法和系统用于解决上述一个或多个问题以及其他问题。
发明内容
本发明一方面公开了一种学习和应用移动设备的用户及移动应用间相关关系的方法。该方法包括：采集移动设备的用户描述信息及移动应用描述信息；其中，所述用户描述信息与用户相对应，所述用户包括一个或者多个移动设备的所有者以及一个或者多个将信息存储在移动设备上的人。获取相关关系和场景的本体知识；其中，所述本体知识包括：若干预设的概念、概念的特征以及概念之间的相关关系。基于用户描述信息、移动应用描述信息以及本体知识，生成网络模型；其中，所述网络模型为连接用户以及移动应用的异构信息网络模型。基于所述网络模型，输出输出信息；其中，所述输出信息包括至少一个用户角色、两个移动应用或者移动应用功能之间的相互关系以及推荐的移动应用列表。
本发明另一个方面公开了一种学习和应用移动设备的用户及移动应用间相关关系的系统。：其包括：信息采集模块，用于采集移动设备的用户描述信息及移动应用描述信息；其中，所述用户描述信息与用户相对应，所述用户包括一个或者多个移动设备的所有者以及一个或者多个将信息存储在移动设备上的人；获取相关关系和场景的本体知识；其中，所述本体知识包括：若干预设的概念、概念的特征以及概念之间的相关关系；关系学习模块，用于基于用户描述信息、移动应用描述信息以及本体知识，生成网络模型；其中，所述网络模型为连接用户以及移动应用的异构信息网络模型；搜索及推荐模块，用于基于所述网络模型，输出输出信息；其中，所述输出信息包括至少一个用户角色、两个移动应用或者移动应用功能之间的相互关系以及推荐的移动应用列表。
附图说明
为便于对实施例理解，结合附图对实施例进行描述，仅用于解释本发明，而不能解释为对本发明的限制。
1：图1为本发明实施例的操作环境的示意图。
2：图2为本发明实施例计算系统的框图。
3：图3为本发明实施例学习和应用用户及移动应用间相关关系系统的系统架构图。
4：图4为本发明实施例关系学习模块的结构框图。
5：图5为本发明实施例学习和应用用户及移动应用间相关关系的流程图。
6：图6为本发明实施例R-知识网络模型的系统架构图。
7：图7为本发明实施例用户关系主题模型的结构框图。
8：图8为本发明实施例应用用户及移动应用间相关关系的流程图。
9：图9为本发明实施例R-知识网络模型的使用场景示意图。
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。为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。除非另外指出，在各图中相同的标号用于表示相同的部件。显然地，以下描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例的操作环境100。如图1所示，操作环境100包括移动终端102、服务器106，用户108以及网络110。一些设备可以减省，其他的设备也可以添加。用户108操作移动终端102以执行服务器106上提供的特定服务。虽然操作环境100中只显示一台服务器104和一个移动终端102，但是操作环境100可以包括任意数量的102终端或服务器104，并且还可以包括其他设备。
移动终端102可以是任何合适的具备特定计算功能的用户终端，例如，便携式计算设备(平板电脑)，智能电话或手机，或任何其他用户端计算设备。移动终端102可以在任何合适的移动运算平台上运行。用户108可以使用移动终端102连接到网络110并且对服务器106发出请求。移动终端102可以从任何合适的数据源，例如本地存储设备、服务供应商的无线或者有线网络设备或者网络中获取信息。移动终端102还可以用于接入多种在不同运行环境下使用的移动应用的功能。例如，移动终端102可以用于执行安装在移动终端102上的移动应用。
进一步的，服务器106可以是用于提供特定网络服务功能(如搜索服务)，例如信息搜索以及计算服务的一个或多个服务器。服务器106可以包括并行执行计算机程序的一个或者多个服务器。服务器106可以存储数据(如移动应用介绍信息)供移动终端或者其他计算应用程序(如移动应用搜索及推荐引擎)调用。
虽然服务器106在图中显示为1个计算机结构，但是服务器106可以包括更多的计算机或者服务器集群。服务器106可以在云端计算环境中提供基于云端的服务，如将对计算机资源(硬件或者软件)的使用作为一个服务，在基础网络结构(如因特网)上传递。所述云端计算环境可以包括个人云端功能和公众云端功能。不同的服务器106(如网络服务器)在云端可以用于数据存储或者执行运算功能(如建立一个用以描述用户与移动应用之间关系的异构网络)。
移动终端102和服务器106可以通过网络110相互连接，例如因特网或者其他类型的计算机网络或者电信网络，可以是无线或者有线网络，例如有线网络，电话网络或者卫星网络等。
移动终端102或服务器106可以在任何合适的运算平台上执行。图2为本发明实施例中执行终端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可以包括任何数量的合适的处理器。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。处理器202执行计算机程序指令序列以实现各种流程。存储介质204包括内存模块，比如ROM、RAM、闪存模块和可擦可重写内存以及大容量存储器，比如CD–ROM，U盘以及硬盘等。存储介质204可以存储由处理器202执行时，实现各种步骤的计算机程序。
此外，通信模块208包括用于通过网络106建立连接的网络设备。数据库210包括一个或多个数据库，用于存储特定数据(如用户数据和移动应用数据)，并在存储的数据上执行特定的操作，比如数据库搜索以及数据检索。
显示器206包括任何合适类型的计算机显示设备或电子设备显示器(如基于CRT、LCD的设备，触摸屏)。外围设备212包括各种传感器和其他输入/输出设备，比如摄像头、运动传感器，位置传感器，键盘，鼠标等。
在操作过程中，移动终端102和/或服务器106可以学习并且利用用户和移动应用间的相互关系。例如移动终端102和/或服务器106可以基于学习到的相互关系，生成一些推荐信息和/或决定。图3为本发明实施例提供的学习和利用用户和移动应用间相互关系的系统。
如图3所示，系统300可以包括信息采集模块302，描述信息数据库304，关系学习模块306，搜索和推荐模块310以及移动应用控制和通知模块312。一些模块可以被省略，还可以包括另一些模块。
信息采集模块302可以用于采集在移动设备(如移动终端102)的用户描述信息以及移动应用描述信息。在此，“用户”表示移动设备的所有者和一个或者多个，与所述所有者在该移动设备上进行互动的(如，家人、朋友、同学、熟人、互联网上的账户所有者以及知名人物)以及其信息已经被移动设备所获取的人物，例如，通信录上的名字，一个在社交网络移动应用上的朋友，一个与所有者有邮件或者文本消息交流的熟人，所有者在移动设备上查找的名人等。
用户描述信息可以包括与用户相关的个性化数据以及用户的移动应用动作流数据。所述与用户相关的个性化数据包括：年龄、性别、图片、经历、位置、爱好等。所述移动应用动作流数据包括：基于用户操作，由一个或者多个移动应用获取的数据流。例如，当移动设备上的信息移动应用收到来自某个用户的信息，所述移动应用动作流数据包括该信息移动应用获知信息的接收时间和内容以及信息移动应用的名称。
所述移动应用动作流数据可以由文本表示或者描述。其可以包括不同类型的，与用户相关的文本型数据，例如，信息，联系人，电子邮件、浏览和搜索历史记录等。进一步的，当用户为移动设备所有者时，该移动应用动作流数据还可以包括记录所有者的移动应用历史操作信息的移动应用日志信息，例如，移动应用使用次序的时间戳、移动应用调用的功能以及移动应用输入或输出的数据等。
移动应用描述信息可以包括移动设备安装的移动应用数量、移动应用日志信息，包括移动应用使用次序的时间戳，移动应用介绍信息，移动应用调用的功能以及移动应用输入或输出的数据等。信息采集模块302可以通过移动应用日志信息获取移动应用的使用频率以及使用持续时间信息，移动应用或者移动应用功能通常的使用顺序。
信息采集模块302还可以进一步用于从移动设备以及服务器/云端(如服务器106)采集用户描述信息。例如，信息采集模块302可以读取移动设备的存储介质以及移动设备的传感器数据来获取用户描述信息及移动应用描述信息。所述传感器数据可以包括：时间、地点、图片、电池电量以及其他由设置在移动设备中的传感器采集的数据。进一步地，移动应用介绍信息以及其他描述信息可以从服务器获取。信息采集模块302可以周期性的采集数据，也可以通过特定事件触发进行采集，例如来自用户或者移动应用程序的指令。
关系学习模块306用于生成一个基于用户描述信息、移动应用描述信息以及本体知识的R-知识网络。该关系学习模块还可以作为一个交互增强的用户和移动应用学习模块。
所述本体知识可以包括若干预设的概念、概念的特征以及概念之间的关系。在一些实施例中，该本体知识可以包括以分类层次结构构造的可控词汇表，其中关键域概念已经被设置。所述词汇表可以包括描述物理或者概念对象的抽象实体，例如人物、活动、位置、电子数字设备等。相关概念之间的层次结构可以通过父和/或子分类形成。这些概念的类型、特性以及相互关系由此被配置。因此，基于本体知识，可以在场景信息中进行逻辑推理。
“R-知识网络生成模块308”,在此用以表示一个用于描述用户间相关关系、移动应用间相关关系以及用户与移动应用间相关关系的，具有不同节点和连接的异构网络模块。其提供了一个用于获取以及使用该网络数据及分析的交互方式。该R-知识网络可以利用节点与连接的丰富语义。该R-知识网络可以包括两个对象：用户以及移动应用。一个用户可以与一个或者多个用户连接，还可以与一个或者多个移动应用连接。一个移动应用可以与一个或者多个移动应用连接，还可以与一个或者多个用户连接。这样的，该R-知识网络模块可以挖掘用户与移动应用之间隐含的相互关系。
图4为本发明实施例提供的关系学习模块的功能框图。在本实施例中，该关系学习模块306可以包括用户关系主题模型子模块3062以及移动应用关系学习子模块3064。
用户关系主题子模型3062可以用于应用用户关系主题模型来获取基于用户描述信息以及本体规则的用户间相互关系。移动应用关系学习子模块3064可以用于获取根据移动应用描述以及移动应用使用顺序生成的移动应用间相互关系。
基于用户关系主题模型子模块3062以及移动应用关系学习子模块3064获取的结果，关系学习模块306可以进一步用于生成一个R-知识网络模型。生成的R-知识网络模型可以包括关于已知的用户间相互关系、移动应用功能使用顺序、移动设备所有者的移动应用使用模式等的信息。
请继续参阅图3，移动应用控制和通知模块312可以用于控制移动应用并根据生成的R-知识网络模型，向用户发送移动应用信息。移动应用控制和通知模块可以在检测到某些触发事件时，执行上述功能。特定的场景以及与该特定的场景对应的动作可以由用户预先设置或者定义。
在一些实施例中，触发事件的类型可以是搜索请求，并且与该触发事件相关的动作从该R-知识网络中获取信息。基于该搜索请求，移动应用控制和通知模块312可以输出关于用户的角色信息、移动应用间相互关系或者基于生成的R-知识网络的推荐移动应用列表。
在另一些实施例中，触发事件的类型可以是移动设备所有者与其他用户的交互(如发送或者接受与其他用户的交流信息)或者移动设备所有者正在搜索一个用户，该活动对应的场景可以用于确定关于移动设备所有者的相互关系。在一些实施例中，除了确定移动设备所有者与其他用户之间的相互关系外，移动应用控制和通知模块还可以用于生成用户描述信息以及基于用户交互的移动应用的个性化设定。例如，移动应用控制和通知模块312可以令移动设备所有者对在同一关系群内的用户使用个性化的标记、字体、铃声或者其他设定。
在另一些实施例中，触发事件的类型可以是从生成的R-知识网络模型中获取的，已识别的移动应用功能序列。该移动应用控制和通知模块312可以用于提示用户，当一个已识别的移动应用功能序列被执行时，许可移动应用功能依次序自动执行。
在实际操作中，信息采集模块302可以采集用户描述信息以及移动应用描述信息，并且将这些信息发送至关系学习模块306。关系学习模块306基于用户描述信息、移动应用描述信息以及本体知识生成R-知识网络。进一步的，用户关系主题模型以及移动应用间相关关系可以被获取以生成R-知识网络模型。所述移动应用控制和通知模块312可以控制移动应用并且根据生成的R-知识网络模型向用户发送标识信息以保持用户的注意力，实现个性化设置以及增强用户体验。
在一些实施例中，系统300可以进一步包括描述信息数据库304，用于存储由信息采集模块302获取的用户描述信息以及移动应用描述信息，并且当关系学习模块306从生成的R-知识网络308中寻找到隐含的相关关系时，更新描述信息的相关关系。描述信息数据库304可以包括在移动设备中的本地数据库或者在云端/服务器端的数据库或者两者的组合。
在一些实施例中，系统300还可以包括搜索及推荐模块310，用于从因特网和/或生产的R-知识网络模型中搜索信息并推荐移动应用。例如，信息采集模块302可以请求搜索及推荐模块310搜索获取移动应用的描述以及一些用户描述信息。在另一实施例中，搜索及推荐模块310可以结合从因特网获取的数据(如移动应用商店中的排名，移动应用在线评价)以及从生成的R-知识网络模型(如识别到的用户模式以及用户偏好)获取的数据，生成一个推荐移动应用列表给用户。
由此，系统300可以确定移动设备上的用户描述，提升设备、应用程序、活动、广告以及用户体验。用户间的网络可以用于挖掘或者发现隐藏信息并且可以进一步用于推荐系统。进一步的，系统300可以自动的关联移动应用以响应用户的需求并将其生活融入到现有的电子生态系统中。
图5为本发明实施例提供的学习和应用用户以及移动应用间关系的方法。在方法500中，建立R-知识网络模型(如通过系统300)。图6为本发明实施例提供的R-知识网络模型的系统结构。
如图5和6所示，在移动设备中，采集用户描述信息以及移动应用描述信息(S502)。例如，通过信息采集模块302并存储在数据库(如描述信息数据库304中)。用户描述信息可以包括两部分，与特定用户相关的，以数字形式表示的特定数据以及用户的移动应用动作流数据。
该与特定用户相关的，以数字形式表示的特定数据可以从用户输入信息获得，或者自动的从用户的社交网络中采集，例如，年龄、性别、民族、爱好、联系方式等。在移动设备上的移动应用动作流数据可以通过移动设备的操作系统获得。该移动应用动作流数据可以由文本片段表示。在一些实施例中，用户描述信息可以进一步的由服务器(如服务器106)存储、处理或者分析。
移动应用描述信息包括移动应用的介绍文本。移动应用可以安装在移动设备中。该介绍文本可以从移动应用商店中获取。移动应用描述信息可以包括安装在移动设备中的移动应用。在一些实施例中，移动应用描述信息进一步包括没有安装在移动设备中的移动应用和/或在移动商店的不同应用列表中，尚未安装到移动设备上的热门移动应用。
进一步的，获取本体知识(S504)。本体知识可以表示一个结构为层次分类的可控词汇表，其中关键域概念已经被确定。该词汇表可以包括用于描述物理性或者概念性对象的抽象对象，例如人物、活动、位置、数码设备等。每个确定的分类中都包括父和/或子类别(通过“is-a”关系执行)形成一个相关概念的层次。这样的，每个类别可以用于表示一个概念。父和子类别可以显示两个概念之间的相关关系。
例如，一个名称为“内部空间”的类别可以是“位置”类别的子类别。其又可以包括“建筑”，“房间”，“走廊”以及“入口”四个子类别。每个类别都有多种特性，用以描述类别的特征以及类别上设置的限制。例如，类别“位置”可以包括“经度”，“维度”，“温度”以及“噪声水平”等特性。类别“内部空间”可以包括，例如“灯光”，“人物”等特性。进一步的，类别“位置”可以是其他类别的特性，例如名称为“人、活动和/或设备”的类别。
在本体模型中使用逻辑推理机制来从原始数据中获取高层次数据并使系统知识能够重新使用。这样在为用户间相互关系以及用户-移动应用间相互关系建模时非常有用。以后可以分析、记录并且重新使用该用户各部分信息。
在此使用的本体知识，可以是预设的相关概念以及相互关系。这些概念和相互关系可以提供给自适应模型，用于穿透不同的移动应用环境，由此提升用户模型的变化能力。
基于用户描述信息，移动应用描述信息以及本体知识，生成R-知识网络模型(S506)。该R-知识网络模型与现有的许多网络模型不相同的是，可视的关联数据作为同构图形或者同构网络。该R-知识网络模型是一个半异构信息网络模型，其利用节点与连接的丰富语义。由此，从该网络可以揭示丰富的知识。
该R-知识网络模型可以通过交互增强的用户及移动应用学习模块(如关系学习模块306)生成。该关系学习模块306可以获取采集到的用户的移动应用动作流数据以及移动应用描述信息，结合辅助数据，处理该移动应用动作流数据以创建用户和移动应用的原始网络。该辅助数据可以包括描述用户类型或者相互关系的本体知识、关于参数设定以及内容的信息。
在具体实施例中，一个异构网络可以由结合对象类型映射函数π：v→V以及连接类型映射函数θ：ε→R的有向图G＝(v,ε)表示。其中，每个对象v∈V属于一个特定的关系θ(ε)∈R。关系类型可以包括三种：用户间的连接、移动应用间的连接以及用户与移动应用间的连接。例如，连接可以存在于两个用户之间以显示他们之间的相互关系(如朋友、同事)，连接可以存在于两个移动应用之间，当他们经常依次序的使用以完成特定的任务时(如从社交网络应用中保存图片至云端存储应用中)或者两个移动应用间具有相类似的功能(如属于同一类型的游戏，具有相同主题的购物/教育移动应用)，以及连接还可以存在于用户和移动应用之间，基于用户的移动应用动作流数据(如在家中/办公室时调整声音，使用SNS应用向其他用户发送信息)。当两个连接属于同一个关系类型时，两个连接可以共享一个相同的起始对象类型和终止对象类型。异构网络(如R-知识网络模型)可以包含两种类型的对向，用户由U表示，而移动应用由A表示。进一步的，UA表示与一个用户关联的移动应用，并且其能够从用户的移动应用动作流数据中获取。
每个移动应用A都具有与一系列用户以及其他移动应用的连接，属于同一个集合的连接类型。每个用户U都具有一系列移动应用以及与其他用户的连接。学习步骤S506可以从用户活动数据中，挖掘用户与移动应用之间的隐藏相互关系来建立异构网络。这样的，给定用户描述信息以及移动应用描述信息(如用户行为信息以及移动应用日志信息)作为图模型的输入值，连接由图模型挖掘并建立。例如，用户可以使用一个移动应用(如linkedin)向其他用户发送消息。所述图模型，具有挖掘这两个用户之间相互关系的能力，这样的，在两个用户之间建立用于显示他们之间关系类型的连接。对于移动应用而言，例如，用户的移动应用日志信息可以被挖掘。当其发现两个移动应用在一个特定场景中总是一起使用时，可以在两个移动应用之间建立连接，用以显示他们之间的关系类型。
具体的，该图模型的输出值可以将用户或者移动应用聚类。例如，可以将具有相同关系类型的用户分为一类，并且将具有相同关系类型的移动应用归为一类。这样的信息可以用于提高用户在多种应用程序中的用户体验。
在一些实施例中，步骤506还可以包括建立用户关系主题模型(S5062)以及学习移动应用关系(S5064)。具体的，系统可以学习用户与移动应用间的归一化关系。这样的，该R-知识网络模型，用户关系主题模型以及学习移动应用关系的方法可以全部归一化到新的用户和移动应用中。
学习用户间相互关系可以应用这样的概念，即用户日志内单词的概率分布可以表示混合的主题。其中，每个主题为一个单词的概率分布。用户关系主题模型还可以同时添加用户的兴趣。基于在用户日志(如从用户的移动应用动作流数据中获取的文本段落)中的主题分布情况，可以选择具有较高概率的主题作为该用户对应的特定主题。
例如，用户Ud写了一段文本片段d。该文本片段可以是一个文本消息、电子邮件或者其他由移动设备上的移动应用采集的文本信息。对于在文本片段中的每一个单词，用户是无规则的随机使用的。进一步的，主题可以基于对于该用户的特定主题的分布选中的，并且单词从该选中的主题中生成。
图7为本发明实施例提供的用户关系主题模型的结构框图。如图7所示，表示选自ad的一个给定的单词对应的用户Ud，ad可以表示从与用户输入的消息对应的移动应用动作流信息中获取的文本片段。每个用户均与一个选自对称性狄利克雷先验(α)的主题θ的分布相关。选中的用户对应的混合权重用于选择主题，并且根据从对称性狄利克雷先验(β)得出的，与该主题z对应的分布Ф生成单词。
通过参数估计，可以获得关于某个用户的常用书写主题以及单词的信息。具体的，本体知识可以用以作为可控的词汇表，用于定义主题与单词之间的对应关系。例如，一对用户主题向量(会议、办公室、时间表、工作)以及(由于、计划、截止时间)可以表示两个用户之间存在的同事关系。由此，这样的信息可以被分类器使用，用以对消息发送者和消息接收者之间的隐藏关系进行分类。在一些实施例中，可以通过吉布斯采样获得在狄利克雷先验下的参数估计值，并且结合来自后验分布的多个局部极大值的估计值。
因此，用户间的相互关系可以基于用户关系主题模型获得。具体的用户关系主题模型是一个产生式模型，具有处理大量数据的能力。这样的，当新的用户以及移动应用加入到模型中，或者当存在大量的用户以及场景需要处理时，也可以使用该用户关系主题模型。在一些实施例中，步骤5062可以在服务器或者云端计算系统中执行。请继续参阅图5和图6，移动应用间的相互关系可以通过移动应用介绍以及用户操作来获取。移动应用之间的使用顺序关系可以用于移动应用间相互关系的学习。在一些实施例中，可以使用用于学习选自大量非结构文本的单词的高质量表示向量的词向量算法(skip-gram模型)。
使用神经网络计算获得的单词表示会获取许多隐性的语言规则和模式，其可以生成特征的线性算子。例如，一个由向量(马德里)-向量(西班牙)+向量(法国)计算获得的向量比其他向量，例如向量(柏林)或者向量(多伦多枫叶队)更接近于向量(巴黎)。相类似地，每个移动应用可以看作一个单词处理，而在时间T内，移动设备上移动应用的启动次序则可以通过一个句子表示。
在一些实施例中，可以通过如下算式计算移动应用之间的相互关系。给定在时间T内的移动应用的次序(a1…aT)作为训练数据。Skip-gram模型的目标是最大化算式(1)中描述的平均日志概率。
其中，c是训练数据的大小。基础skip-gram函数可以通过算式(2)所示的softmax函数定义p(at+j|at)。
其中，每个a表示一个特征向量，包括时间、经度、维度、触发场景、充电线缆、音频线、移动应用功能描述。在模型训练完毕以后，一对移动应用功能之间的距离可以计算获得。通过一个预设的阈值来筛除那些较低价值的移动应用间的相关关系。
基于用户间的相互关系、移动应用间的相互关系，可以生成R-知识网络结构模型(S506)，用以通过图模型连接用户以及移动应用。
移动应用可以周期性的在后台自动采集用户日志数据。该时间周期可以是每分钟或者根据设备的电池电量在不同移动设备中具有不同的周期。基于该用户日志数据，在R-知识网络模型中，可以更新用户间相互关系以及移动应用间的联系。在一些实施例中，该R-知识网络模型可以在云端生成。
R-知识网络模型可以系统的反映用户间以及移动应用间的相互关系，并且提供一个理解在现有数字生态系统中的用户角色、用户将相互关系以及用户与移动应用间的联系的方向。基于R-知识网络模型执行移动应用以提升用户体验(S508)。
图8为本发明实施例提供的应用用户与移动应用间关系的方法。如图8所示，预设动作及对应的触发事件类型(S5082)。所述触发事件以及与触发事件对应的动作可以由用户预先定义或者设置。所述触发事件可以包括：例如输入搜索字段、调用移动应用功能、与特定群组内的人的交互、移动设备位于特定的时间/地点等。
在生成R-知识网络模型后，检测触发事件(S5084)。所述触发事件与一个或者多个，从R-知识网络模型获取的已知的相互关系相对应。该已知的相互关系可以包括用户间的相互关系，移动应用间的相互关系以及用户与移动应用间的相互关系。
具体的，执行与触发事件对应的动作(S5086)。所述动作可以包括：输出搜索结果、显示通知、自动执行移动应用功能等。
在一些实施例中，触发事件的类型可以是输入搜索字段，并且对应的动作可以从R-知识网络中获取。该搜索字段可以是询问用户的角色、移动应用间的相互关系或者推荐的移动应用列表。在生成的R-知识网络中，用户角色可以通过寻找用户与移动设备所有者之间的关系获得。移动应用间的相互关系可以基于移动应用间的连接获得，例如经常同时使用的移动应用或者移动应用的功能，用户的移动应用使用模式，具有相同功能的移动应用等。当移动应用在R-知识网络中具有相近的功能时，具有推荐的移动应用列表可以由此获取。进一步的，与触发事件对应的动作还可以是输出搜索结果。
在另一些实施例中，触发事件的类型可以是移动设备所有者与特定群组内的人进行交流(如发送或者接受另一个用户的消息)或者移动设备所有者正在搜索某个人物，对应场景的动作可以标记为移动设备所有者与其关系。在一些实施例中，除了标记移动设备所有者与其关系外，还可以显示用户描述信息。用户的交互的个性化设定可以被应用。例如，移动设备所有者可以在一个关系群组内，设定个性化标签、铃声、字体或者其他用户设置。
在又一些实施例中，触发事件的类型可以是已知的，从R-知识网络模型中获取的移动应用功能的次序。与触发事件对应的动作可以是提醒用户允许移动应用功能依次连续执行。
图9为本发明实施例提供的R-知识网络模型的使用场景。当R-知识网络模型建立后，可以处理不同的问题，例如在移动设备网络中多个用户角色，移动应用间的相互关系，推荐的移动应用列表等。该结果可以用以提高在移动设备中的当前用户体验。
在一些实施例中，查询搜索可以自动的触发当满足特定的情况时。该特定的情况可以包括：移动设备所有者与其他用户交互，例如发送或者接受文本消息、移动应用内消息、电子邮件等。具体的，预定的特定情况可以包括到达特定的时间/地点，或者执行特定的移动应用功能。
从R-知识网络模型中学习获得的用户间相互关系可以用于提升用户体验。在一些实施例中，假设雇主-雇员之间的关系没有在移动设备所有者的联系人列表中设置。但是，这样的相互关系对于用户体验非常重要。该R-知识网络模型可以学习得到这些相互关系。当用户接收到来自于老板的文本消息时，移动设备可以认识到两个用户之间存在雇主-雇员关系，并以主动的方式提醒用户。
具体的，所述R-知识网络模型可以用于自动连接移动应用。例如，当用户通过音乐流服务欣赏音乐，并且对其中一些歌曲感兴趣时，该用户动作可以被自动的记录在其个人日志网站(如Tumblr)。在另一些实时中，当天气移动应用预告明天将要下雨时，用户可以由电子邮件或者提示消息提醒。在另一些实施例中，当社交移动应用(如Facebook)获知用户标记了某个新的图片时，该图片可以自动的被存储到云端存储移动应用(如Dropbox)。其他的例子还包括调整音量当用户在办公室/家里或者白天/夜间，将展示的照片从一个移动应用分享至另一个移动应用中。
在一些实施例中，在建立R-知识网络模型前，这些基于移动应用间相互关系的有次序或者有条件的动作模式需要用户手动的操作。在R-知识网络模型学习获得这些动作模式后，移动设备可以提醒用户许可这些移动应用功能自动的依次序执行。这样的，R-知识可以提供提高在互联世界中的用户体验的能力。
在一些实施例中，查询搜索可以是由移动设备所有者输入的活动的询问。例如，当所有者输入人物名称进行搜索时，移动设备可以输出该人物的相关信息，包括：联系方式、联络邮件/消息记录、社交网络信息以及源自R-知识网络模型的推荐的用户角色。在另一些实施例中，移动设备所有者可以查询某些特性来寻找人物群组，例如相关关系类型、国籍、职业、所在地等。
具体的，查询搜索可以是推荐的移动应用列表。在一些实施例中，搜索和推荐引擎可以结合从因特网获取的信息(如移动应用商店的排名、在线移动应用评论)以及生成的R-知识网络模型获取的信息(如获得的用户使用模式以及用户偏好)，向用户提供推荐移动应用。在另一些实施例中，从因特网获得的信息(如移动应用商店的排名、在线移动应用评论)可以预先获取并输入关系学习模块306中。这样的，推荐列表可以直接从生成的R-知识网络模型中获得。例如，推荐的移动应用可以执行那些通常需要由两个移动应用完成的功能。在另一些实施例中，推荐的移动应用列表可以包括个性化移动应用列表以迎合用户兴趣(如相同类型的游戏)。
通过使用上述方法及系统，可以自动的建立异构网络并且通过相互关系学习建立用户与移动应用在真实世界之间的联系。在移动设备中，用户的相互关系可以通过隐藏角色挖掘方法(如R-知识网络模型、用户主题关系模型)获取。学习获得的用户间相互关系可以用以提高当前的用户体验。具体的，在移动设备中的移动应用间关系也可以被获取。这些获取的知识可以应用于许多移动应用挖掘任务中。上述揭露的算法和模型可以归一化到新的用户及移动应用中使用。
上述揭露的方法及系统可以通过利用用户在移动操作系统上的动作数据建立关于用户和移动应用的异构网络。移动应用被放置在异构网络中，其中，节点和相关关系分属不同的类型并随用户需求一同进行学习。关于移动应用和用户的信息均可拓展的被描述。在上述R-知识网络模型中，多个机器学习任务可以被执行以提高用户体验，例如，推荐新的移动应用、分类用户群组等。尽管在本实施例中以移动设备为例，本发明实施例提供的方法和系统还可以拓展至其他包含异构网络的设备中使用，用以提供一个独特的用户体验，例如自动家居系统，车辆智能系统等。
本揭露的其他实施例均是由本领域普通技术人员，在不需要通过创造性劳动的情况下，就能够根据上述揭露的方法或者实例获得的。本发明实施例所述的方法和例子仅用于解释，而本发明的范围和发明精神由权利要求所显示。

Claims (16)

1.一种学习和应用移动设备的用户及移动应用间相关关系的方法，其特征在于，包括：采集移动设备的用户描述信息及移动应用描述信息；其中，所述用户描述信息与用户相对应，所述用户包括一个或者多个移动设备的所有者以及一个或者多个将信息存储在移动设备上的人；
获取相关关系和场景的本体知识；其中，所述本体知识包括：若干预设的概念、概念的特征以及概念之间的相关关系；
基于用户描述信息、移动应用描述信息以及本体知识，生成网络模型；其中，所述网络模型为连接用户以及移动应用的异构信息网络模型；
基于所述网络模型，输出输出信息；其中，所述输出信息包括至少一个用户角色、两个移动应用或者移动应用功能之间的相互关系以及推荐的移动应用列表。
2.根据权利要求1所述的方法，其特征在于，所述网络模型由具有对象类型映射函数和连接类型映射函数的图模型定义；其中，所述对象类型包括一个用户或者移动应用；
用户与一个或者多个其他用户连接，还与一个或者多个移动应用连接；
移动应用与一个或者多个其他移动应用连接，还与一个或者多个用户连接。
3.根据权利要求1所述的方法，其特征在于，所述用户描述信息包括与用户相关的独立的数字表示数据以及对应用户的移动应用动作流数据；
所述网络模型生成的所述移动应用动作流数据由文本片段表示；
所述移动应用描述信息包括移动应用的描述文本；所述网络模型生成的所述移动应用描述信息由文本片段表示。
4.根据权利要求1所述的方法，其特征在于，所述本体知识包括具有层次分类结构的可控词汇表，其中，所述可控词汇表包括若干由类别表示的概念；
所述类别至少具有一个父类别以及一个或者多个子类别；
所述类别与特性对应；所述特性描述一个或者多个类别特征；
所述类别上设置有一个或者多个限制条件。
5.根据权利要求3所述的方法，其特征在于，所述生成网络模型，具体包括：从至少一个文本消息、邮件或者移动设备的移动应用采集的文本中获取用户文本片段；
应用主题模型来表示在所述用户文本片段中的主题的概率分布；其中每个主题都有服从单词的概率分布；
基于所述概率分布，选择一个或者多个主题；
基于选中的主题以及所述本体知识，获取用户与对应的用户文本片段之间的相互关系。
6.根据权利要求1所述的方法，所述生成网络模型，具体包括：根据依次使用的移动应用的相关性学习移动应用间的相互关系；其中，每个移动应用由一个单词表示；
预定时间段内，在移动设备上的移动应用启动顺序由句子表示；
获得的单词表示和句子表示，使用神经网络以获取隐藏的语言规律和模式，以及寻找移动应用间的相互关系。
7.根据权利要求6所述的方法，其特征在于，令T表示在预定时间段内，在移动设备上启动的移动应用数量，(a1…aT)表示所述移动应用的启动顺序，(a1…aT)为训练数据；
使用Skip-gram模型学习移动应用间的相互关系；
通过Skip-gram模型最大化如下算式的平均日志概率：
1 T Σ t = 1 T Σ - c ≤ j ≤ c j ≠ 0 log p ( a t + j | a t ) .
8.根据权利要求1所述的方法，其特征在于，周期性采集所述用户描述信息以及移动应用描述信息；
基于移动设备的电池电量改变所述采集用户描述信息以及移动应用描述信息的时间间隔；
基于所述用户描述信息以及移动应用描述信息，更新在网络模型中的用户相关关系以及移动应用连接。
9.一种学习和应用移动设备的用户及移动应用间相关关系的系统，其特征在于，包括：信息采集模块，用于采集移动设备的用户描述信息及移动应用描述信息；其中，所述用户描述信息与用户相对应，所述用户包括一个或者多个移动设备的所有者以及一个或者多个将信息存储在移动设备上的人；和获取相关关系和场景的本体知识；其中，所述本体知识包括：若干预设的概念、概念的特征以及概念之间的相关关系；
关系学习模块，用于基于用户描述信息、移动应用描述信息以及本体知识，生成网络模型；其中，所述网络模型为连接用户以及移动应用的异构信息网络模型；
搜索及推荐模块，用于基于所述网络模型，输出输出信息；其中，所述输出信息包括至少一个用户角色、两个移动应用或者移动应用功能之间的相互关系以及推荐的移动应用列表。
10.根据权利要求9所述的系统，其特征在于，所述网络模型由具有对象类型映射函数和连接类型映射函数的图模型定义；其中，所述对象类型包括一个用户或者移动应用；
用户与一个或者多个其他用户连接，还与一个或者多个移动应用连接；
移动应用与一个或者多个其他移动应用连接，还与一个或者多个用户连接。
11.根据权利要求9所述的系统，其特征在于，所述用户描述信息包括与用户相关的独立的数字表示数据以及对应用户的移动应用动作流数据；所述网络模型生成的所述移动应用动作流数据由文本片段表示；所述移动应用描述信息包括移动应用的描述文本；所述网络模型生成的所述移动应用描述信息由文本片段表示。
12.根据权利要求9所述的系统，其特征在于，所述本体知识包括具有层次分类结构的可控词汇表，其中，所述可控词汇表包括若干由类别表示的概念；
所述类别至少具有一个父类别以及一个或者多个子类别；所述类别与特性对应；所述特性描述一个或者多个类别特征；所述类别上设置有一个或者多个限制条件。
13.根据权利要求9所述的系统，其特征在于，所述关系学习模块还包括：用户关系主题模型子模块；所述用户关系主题模型子模块用于：从至少一个文本消息、邮件或者移动设备的移动应用采集的文本中获取用户文本片段；应用主题模型来表示在所述用户文本片段中的主题的概率分布；其中每个主题都有服从单词的概率分布；基于所述概率分布，选择一个或者多个主题；基于选中的主题以及所述本体知识，获取用户与对应的用户文本片段之间的相互关系。
14.根据权利要求9所述的系统，其特征在于，所述关系学习模块还包括移动应用关系学习子模块；所述移动应用关系学习子模块用于：根据依次使用的移动应用的相关性学习移动应用间的相互关系；其中，每个移动应用由一个单词表示；预定时间段内，在移动设备上的移动应用启动顺序由句子表示；获得的单词表示和句子表示，使用神经网络以获取隐藏的语言规律和模式，以及寻找移动应用间的相互关系。
15.根据权利要求14所述的系统，其特征在于，所述移动应用关系学习子模块具体用于：令T表示在预定时间段内，在移动设备上启动的移动应用数量，(a1…aT)表示所述移动应用的启动顺序，(a1…aT)为训练数据；使用Skip-gram模型学习移动应用间的相互关系；通过Skip-gram模型最大化如下算式的平均日志概率：
1 T Σ t = 1 T Σ - c ≤ j ≤ c j ≠ 0 log p ( a t + j | a t ) .
16.根据权利要求9所述的系统，其特征在于，所述信息采集模块还用于：周期性采集所述用户描述信息以及移动应用描述信息；基于移动设备的电池电量改变所述采集用户描述信息以及移动应用描述信息的时间间隔；所述系统还包括：移动应用控制和通知模块，用于基于所述用户描述信息以及移动应用描述信息，更新在网络模型中的用户相关关系以及移动应用连接。
CN201611132018.2A 2015-12-10 2016-12-09 一种通过相互关系学习用户及移动应用的联系的异构网络 Active CN106845644B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/965,280 US20170169351A1 (en) 2015-12-10 2015-12-10 Heterogenous network (r-knowledge) for bridging users and apps via relationship learning
US14/965,280 2015-12-10

Publications (2)

Publication Number Publication Date
CN106845644A true CN106845644A (zh) 2017-06-13
CN106845644B CN106845644B (zh) 2020-11-17

Family

ID=59020649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611132018.2A Active CN106845644B (zh) 2015-12-10 2016-12-09 一种通过相互关系学习用户及移动应用的联系的异构网络

Country Status (2)

Country Link
US (1) US20170169351A1 (zh)
CN (1) CN106845644B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885852A (zh) * 2017-11-13 2018-04-06 上海交通大学 一种基于app使用记录的app推荐方法及系统
CN110837862A (zh) * 2019-11-06 2020-02-25 腾讯科技（深圳）有限公司 用户分类方法及装置
CN111191099A (zh) * 2019-12-30 2020-05-22 中国地质大学（武汉） 一种基于社交媒体的用户活动类型识别方法
CN113569059A (zh) * 2021-09-07 2021-10-29 浙江网商银行股份有限公司 目标用户识别方法及装置

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11195100B2 (en) * 2016-08-17 2021-12-07 International Business Machines Corporation Determining applications based on interactions of different electronic devices
CN107705156B (zh) * 2017-10-16 2021-02-05 深圳大宇无限科技有限公司 用户特征分析方法及装置
US20190251073A1 (en) * 2018-02-14 2019-08-15 Samsung Electronics Co., Ltd. Method and interactive device for providing social interaction
US11134142B2 (en) * 2018-10-01 2021-09-28 Avaya Inc. Simplified user interface for identifying people when making electronic communications
CN110502637B (zh) * 2019-08-27 2022-03-01 秒针信息技术有限公司 一种基于异构信息网络的信息处理方法和信息处理装置
CN110598130B (zh) * 2019-09-30 2022-06-24 重庆邮电大学 一种融合异构信息网络和深度学习的电影推荐方法
KR20210045837A (ko) 2019-10-17 2021-04-27 삼성전자주식회사 지식 그래프를 업데이트하는 시스템 및 방법
US11568463B2 (en) * 2020-09-29 2023-01-31 Intuit Inc. Heterogeneous graph embedding
CN115937617B (zh) * 2023-03-06 2023-05-30 支付宝(杭州)信息技术有限公司 一种风险识别模型训练、风险控制方法、装置和设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020845A (zh) * 2012-12-14 2013-04-03 百度在线网络技术（北京）有限公司 一种移动应用的推送方法及系统
CN103020293A (zh) * 2012-12-28 2013-04-03 百度在线网络技术（北京）有限公司 一种移动应用的本体库的构建方法及系统
CN103412757A (zh) * 2013-08-19 2013-11-27 南京大学 移动应用个性化集成框架的实现方法
CN103593233A (zh) * 2012-08-17 2014-02-19 腾讯科技（深圳）有限公司 推送软件信息的方法和系统
US20140164520A1 (en) * 2012-12-12 2014-06-12 Futurewei Technologies, Inc. Multi-Screen Application Enabling and Distribution Service
CN104182449A (zh) * 2013-05-20 2014-12-03 Tcl集团股份有限公司 基于用户兴趣建模的个性化视频推荐系统和方法
CN104778205A (zh) * 2015-03-09 2015-07-15 浙江大学 一种基于异构信息网络的移动应用排序和聚类方法
CN105023178A (zh) * 2015-08-12 2015-11-04 电子科技大学 一种基于本体的电子商务推荐方法
US20150332158A1 (en) * 2014-05-16 2015-11-19 International Business Machines Corporation Mining strong relevance between heterogeneous entities from their co-ocurrences

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593233A (zh) * 2012-08-17 2014-02-19 腾讯科技（深圳）有限公司 推送软件信息的方法和系统
US20140164520A1 (en) * 2012-12-12 2014-06-12 Futurewei Technologies, Inc. Multi-Screen Application Enabling and Distribution Service
CN103020845A (zh) * 2012-12-14 2013-04-03 百度在线网络技术（北京）有限公司 一种移动应用的推送方法及系统
CN103020293A (zh) * 2012-12-28 2013-04-03 百度在线网络技术（北京）有限公司 一种移动应用的本体库的构建方法及系统
CN104182449A (zh) * 2013-05-20 2014-12-03 Tcl集团股份有限公司 基于用户兴趣建模的个性化视频推荐系统和方法
CN103412757A (zh) * 2013-08-19 2013-11-27 南京大学 移动应用个性化集成框架的实现方法
US20150332158A1 (en) * 2014-05-16 2015-11-19 International Business Machines Corporation Mining strong relevance between heterogeneous entities from their co-ocurrences
CN104778205A (zh) * 2015-03-09 2015-07-15 浙江大学 一种基于异构信息网络的移动应用排序和聚类方法
CN105023178A (zh) * 2015-08-12 2015-11-04 电子科技大学 一种基于本体的电子商务推荐方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AHU SIEG 等: "Ontology-Based Collaborative Recommendation", 《ITWP 2010》 *
MINGXIN GAN 等: "ROUND: Walking on an object–user heterogeneous network for personalized recommendations", 《EXPERT SYSTEMS WITH APPLICATIONS 》 *
SHUANGLING BAI 等: "Heterogeneous Information Network based Ranking and Clustering of Mobile Apps", 《HTTP://WWW.INPLUSLAB.COM》 *
李朋 等: "基于异构网络分析的智能医疗推荐系统研究", 《中国卫生信息管理杂志》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885852A (zh) * 2017-11-13 2018-04-06 上海交通大学 一种基于app使用记录的app推荐方法及系统
CN110837862A (zh) * 2019-11-06 2020-02-25 腾讯科技（深圳）有限公司 用户分类方法及装置
CN110837862B (zh) * 2019-11-06 2021-10-01 腾讯科技（深圳）有限公司 用户分类方法及装置
CN111191099A (zh) * 2019-12-30 2020-05-22 中国地质大学（武汉） 一种基于社交媒体的用户活动类型识别方法
CN111191099B (zh) * 2019-12-30 2023-04-07 中国地质大学（武汉） 一种基于社交媒体的用户活动类型识别方法
CN113569059A (zh) * 2021-09-07 2021-10-29 浙江网商银行股份有限公司 目标用户识别方法及装置

Also Published As

Publication number Publication date
US20170169351A1 (en) 2017-06-15
CN106845644B (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
CN106845644A (zh) 一种通过相互关系学习用户及移动应用的联系的异构网络
Cao et al. Mining smartphone data for app usage prediction and recommendations: A survey
Yin et al. Modeling location-based user rating profiles for personalized recommendation
Lin et al. A survey on reinforcement learning for recommender systems
Rana et al. A study of the dynamic features of recommender systems
CN102460431B (zh) 行为和情境数据分析的系统和方法
CN110162698B (zh) 一种用户画像数据处理方法、装置及存储介质
CN112765480B (zh) 一种信息推送方法、装置及计算机可读存储介质
CN107562875A (zh) 一种模型的更新方法、装置及系统
CN108875090B (zh) 一种歌曲推荐方法、装置和存储介质
CN112989169B (zh) 目标对象识别方法、信息推荐方法、装置、设备及介质
CN112559896B (zh) 信息推荐方法、装置、设备及计算机可读存储介质
CN104246757B (zh) 预测性服务访问
CN104063383A (zh) 信息推荐方法及装置
WO2020171921A1 (en) End-to-end fuzzy entity matching
CN112231580B (zh) 基于人工智能的信息推荐方法、装置、电子设备及存储介质
Strobbe et al. Hybrid reasoning technique for improving context-aware applications
Wong et al. Long-term user location prediction using deep learning and periodic pattern mining
Liang Intelligent Tourism Personalized Recommendation Based on Multi‐Fusion of Clustering Algorithms
Li et al. Session Recommendation Model Based on Context‐Aware and Gated Graph Neural Networks
CN116910567B (zh) 推荐业务的在线训练样本构建方法及相关装置
Shilin User Model‐Based Personalized Recommendation Algorithm for News Media Education Resources
Korotaev et al. Method for the Development of Recommendation Systems, Customizable to Domains, with Deep GRU Network.
CN114357301B (zh) 数据处理方法、设备及可读存储介质
CN109446432A (zh) 一种信息推荐方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 516006 TCL technology building, No.17, Huifeng Third Road, Zhongkai high tech Zone, Huizhou City, Guangdong Province

Applicant after: TCL Technology Group Co.,Ltd.

Address before: TCL Technology Building No. 17 three road 516006 in Guangdong province Huizhou City Zhongkai high tech Development Zone Huifeng 23 floor

Applicant before: TCL RESEARCH AMERICA Inc.

GR01 Patent grant
GR01 Patent grant