CN107590672B - 基于马斯洛需求层次理论的推荐方法及装置 - Google Patents
基于马斯洛需求层次理论的推荐方法及装置 Download PDFInfo
- Publication number
- CN107590672B CN107590672B CN201710159897.6A CN201710159897A CN107590672B CN 107590672 B CN107590672 B CN 107590672B CN 201710159897 A CN201710159897 A CN 201710159897A CN 107590672 B CN107590672 B CN 107590672B
- Authority
- CN
- China
- Prior art keywords
- recommended
- maslow
- application programs
- user
- demand
- 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
Images
Abstract
本发明适用于信息技术领域，提供了一种基于马斯洛需求层次理论的推荐方法及装置，包括：从运营商的管道数据中获取若干个应用程序；遍历所述若干个应用程序中的每一个应用程序，根据所述应用程序的功能和用户群将其划分至对应的需求层次中，以构建应用程序的马斯洛理论体系；计算待推荐用户在所述马斯洛理论体系中的坐标信息；根据所述坐标信息对所述待推荐用户进行聚类分析，以将具有相似需求的待推荐用户聚为一类；根据用户的兴趣爱好计算同一聚类中不同的待推荐用户之间的关联性，根据所述关联性对所述待推荐用户进行推荐操作。本发明实现了以人为中心、从人的基本需求出发的用户聚类，有利于挖掘出用户的深层需求，提升个性化推荐的效果。
Description
技术领域
本发明属于信息技术领域，尤其涉及一种基于马斯洛需求层次理论的推荐方法及装置。
背景技术
推荐系统起源于20世纪90年代中期，以协同过滤算法为代表，逐渐发展为一门独立学科。现有的推荐系统通过建立用户与待推荐信息之间的连接，根据已有的选择结果来挖掘出用户的潜在需求，进行实现商品、服务等的推荐；比如在电子商务、新闻资讯等领域中的个性化推荐系统，主要根据用户的浏览历史获取用户的兴趣热点，然后推测出用户的基本信息，再将用户可能感兴趣的信息、产品推荐给用户。
然而，现有的推荐系统是基于用户行为的推荐系统，通常只能在同一领域内进行内容推荐，无法挖掘出用户的深层需求，推荐效果不佳。
发明内容
鉴于此，本发明实施例提供了一种基于马斯洛需求层次理论的推荐方法及装置，以解决现有的推荐系统只能在同一领域内进行内容推荐、无法挖掘出用户的深层需求、推荐效果不佳的问题。
第一方面，提供了一种基于马斯洛需求层次理论的推荐方法，所述推荐方法包括：
从运营商的管道数据中获取若干个应用程序；
遍历所述若干个应用程序中的每一个应用程序，根据所述应用程序的功能和用户群将其划分至对应的需求层次中，以构建应用程序的马斯洛理论体系；
计算待推荐用户在所述马斯洛理论体系中的坐标信息；
根据所述坐标信息对所述待推荐用户进行聚类分析，以将具有相似需求的待推荐用户聚为一类；
根据用户的兴趣爱好计算同一聚类中不同的待推荐用户之间的关联性，根据所述关联性对所述待推荐用户进行推荐操作。
进一步地，所述遍历所述若干个应用程序中的每一个应用程序，根据所述应用程序的功能和用户群将其划分至对应的需求层次中，以构建应用程序的马斯洛理论体系包括：
遍历所述若干个应用程序，获取每一个应用程序隶属于所述马斯洛需求层次理论中的每一个需求层次的相对重要性系数，求取所述相对重要性系数的平均值，根据所述平均值确定所述应用程序所属的需求层次，并将所述应用程序划分至所述需求层次中；
将同一需求层次中的应用程序按照功能划分为若干个不同的类别，并采用AHP构权法确定每一个类别中应用程序之间的权重关系。
进一步地，所述计算待推荐用户在所述马斯洛理论体系中的坐标信息包括：
对于每一个待推荐用户，根据所述待推荐用户的应用程序使用情况，统计所述待推荐用户在所述马斯洛理论体系中的每一个需求层次对应的得分；
组合所述得分得到所述待推荐用户对应的坐标信息。
进一步地，所述待推荐用户在所述马斯洛理论体系中的第i个需求层次对应的得分vi的计算公式为：
其中，所述马斯洛理论体系包括5个需求层次，1≤i≤5，所述第i个需求层次中包括n个类别，1≤j≤n，所述vi,j表示第i个需求层次中的第j个类别，所述wi,j表示第i个需求层次中第j个类别的权重，所述freq(vi,j)表示所述待推荐用户对所述第i个需求层次中的第j个类别vi,j内的应用程序的启动频次之和。
进一步地，所述从运营商的管道数据中获取若干个应用程序包括：
获取运营商的管道数据；
从所述管道数据中清除包含第一类关键字的管道数据；
从剩余的管道数据中提取包含第二类关键字的管道数据，解析所提取的管道数据以获取所提取的管道数据对应的应用程序。
第二方面，提供了一种基于马斯洛需求层次理论的推荐装置，所述推荐装置包括：
获取模块，用于从运营商的管道数据中获取若干个应用程序；
划分模块，用于遍历所述若干个应用程序中的每一个应用程序，根据所述应用程序的功能和用户群将其划分至对应的需求层次中，以构建应用程序的马斯洛理论体系；
计算模块，用于计算待推荐用户在所述马斯洛理论体系中的坐标信息；
聚类模块，用于根据所述坐标信息对所述待推荐用户进行聚类分析，以将具有相似需求的待推荐用户聚为一类；
推荐模块，用于根据用户的兴趣爱好计算同一聚类中不同的待推荐用户之间的关联性，根据所述关联性对所述待推荐用户进行推荐操作。
进一步地，所述划分模块包括：
第一获取单元，用于遍历所述若干个应用程序，获取每一个应用程序隶属于所述马斯洛需求层次理论中的每一个需求层次的相对重要性系数，求取所述相对重要性系数的平均值，根据所述平均值确定所述应用程序所属的需求层次，并将所述应用程序划分至所述需求层次中；
分类单元，用于将同一需求层次中的应用程序按照功能划分为若干个不同的类别，并采用AHP构权法确定每一个类别中应用程序之间的权重关系。
进一步地，所述计算模块具体用于：
对于每一个待推荐用户，根据所述待推荐用户的应用程序使用情况，统计所述待推荐用户在所述马斯洛理论体系中的每一个需求层次对应的得分；组合所述得分得到所述待推荐用户对应的坐标信息。
进一步地，所述待推荐用户在所述马斯洛理论体系中的第i个需求层次对应的得分vi的计算公式为：
其中，所述马斯洛理论体系包括5个需求层次，1≤i≤5，所述第i个需求层次中包括n个类别，1≤j≤n，所述vi,j表示第i个需求层次中的第j个类别，所述wi,j表示第i个需求层次中第j个类别的权重，所述freq(vi,j)表示所述待推荐用户对所述第i个需求层次中的第j个类别vi,j内的应用程序的启动频次之和。
进一步地，所述获取模块包括：
第二获取单元，用于获取运营商的管道数据；
清除单元，用于从所述管道数据中清除包含第一类关键字的管道数据；
解析单元，用于从剩余的管道数据中提取包含第二类关键字的管道数据，解析所提取的管道数据以获取所提取的管道数据对应的应用程序。
与现有技术相比，本发明实施例通过从运营商的管道数据中获取若干个应用程序；遍历所述若干个应用程序中的每一个应用程序，根据所述应用程序的功能和用户群将其划分至对应的需求层次中，以构建应用程序的马斯洛理论体系；然后计算待推荐用户在所述马斯洛理论体系中的坐标信息；根据所述坐标信息对所述待推荐用户进行聚类分析，以将具有相似需求的待推荐用户聚为一类；最后根据用户的兴趣爱好计算同一聚类中不同的待推荐用户之间的关联性，并根据所述关联性对所述待推荐用户进行推荐操作；从而实现了以人为中心、从人的基本需求出发的用户聚类，有利于挖掘出用户的深层需求，进而提升了个性化推荐的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1是本发明第一实施例提供的基于马斯洛需求层次理论的推荐方法的实现流程图；
图2是本发明第一实施例提供的马斯洛需求层次理论的结构框架示意图；
图3是本发明第一实施例提供的基于马斯洛需求层次理论的推荐方法中步骤S101的实现流程示意图；
图4是本发明第一实施例提供的基于马斯洛需求层次理论的推荐方法中步骤S102的实现流程示意图；
图5是本发明第一实施例提供的应用程序的马斯洛理论体系的组成示意图；
图6是本发明第一实施例提供的基于马斯洛需求层次理论的推荐方法中步骤S103的具体实现流程图；
图7给出本发明第二实施例提供的基于马斯洛需求层次理论的推荐装置的组成结构图；
图8给出本发明第三实施例提供的终端的示意性框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例通过从运营商的管道数据中获取若干个应用程序；遍历所述若干个应用程序中的每一个应用程序，根据所述应用程序的功能和用户群将其划分至对应的需求层次中，以构建应用程序的马斯洛理论体系；然后计算待推荐用户在所述马斯洛理论体系中的坐标信息；根据所述坐标信息对所述待推荐用户进行聚类分析，以将具有相似需求的待推荐用户聚为一类；最后根据用户的兴趣爱好计算同一聚类中不同的待推荐用户之间的关联性，并根据所述关联性对所述待推荐用户进行推荐操作；从而实现了以人为中心、从人的基本需求出发的用户聚类，有利于挖掘出用户的深层需求，进而提升了个性化推荐的效果。本发明实施例还提供了相应的装置，以下分别进行详细的说明。
图1示出了本发明第一实施例提供的基于马斯洛需求层次理论的推荐方法的实现流程。
在本发明实施例中，所述基于马斯洛需求层次理论的推荐方法应用于计算机、服务器等设备中。在这里，所述马斯洛需求层次理论阐述了人发展过程中不同阶段的不同层次的需求，广泛地应用于教育、企业管理、人力资源管理、工商管理等行业中。图2给出了所述马斯洛需求层次理论的结构框架示意图。从图2可知，所述马斯洛需求层次理论将人的需求分为生理上的需求、安全上的需求、爱和归属感的需求、尊重的需求、自我实现的需求五类。本发明实施例将所述马斯洛需求层次理论应用于信息产业中，通过将马斯洛理论和大数据相结合来刻画用户的形象，以提高推荐的精准性。
参阅图1，所述基于马斯洛需求层次理论的推荐方法包括：
在步骤S101中，从运营商的管道数据中获取若干个应用程序。
当今网络已经渗透到生活的方方面面，一个用户的上网行为完全可以对其用户形象进行刻画。本发明实施例通过分析运营商的管道数据来获取用户使用应用程序的情况，从而得到若干个应用程序。示例性地，图3示出了本发明第一实施例提供的基于马斯洛需求层次理论的推荐方法中步骤S101的具体实现流程。参阅图3，所述步骤S101包括：
在步骤S301中，获取运营商的管道数据。
在步骤S302中，从所述管道数据中清除包含第一类关键字的管道数据。
在这里，所述管道数据可以为电信运营商的管道数据，其包含了大规模的用户上网数据。通常地，所述管道数据的格式为URL数据。当用户访问某一个页面时，会产生若干条URL数据，过多的URL数据会对用户的上网行为产生误判断，其中主要的干扰项包括但不限于图片、广告、js文件等。因此，本发明实施例预先抽取出可能的干扰项及其包含的特征字段，得到第一类关键字。所述第一类关键字包括但不限于比如“.jpg”、“.jpeg”、“.png”、“.js”、“.ajax”等。在获取到运营商的管道数据后，将包含第一类关键字，比如“.jpg”、“.jpeg”、“.png”、“.js”、“.ajax”的URL数据清洗掉，保留有用的URL数据，以实现对管道数据的过滤清洗。
在步骤S303中，从剩余的管道数据中提取包含第二类关键字的管道数据，解析所提取的管道数据以获取所提取的管道数据对应的应用程序。
在将管道数据过滤、清洗之后，本发明实施例采用关键字匹配的方式对剩余的管道数据进行分类解析，以从剩余的管道数据中获取出用户使用应用程序的情况，得到若干个应用程序。所述剩余的管道数据为清除包含第一类关键字的管道数据后得到的管道数据，该剩余的管道数据不包含所述第一类关键字。为了区分上述第一类关键字，这里将用于分类解析的关键字记为第二类关键字。可选地，所述第二类关键字可以为应用程序的名称，比如(知乎)zhihu、(腾讯QQ)tencent.mqq等，存储于预设数据库中。为了便于理解，这里以知乎APP为例进行说明。当用户使用知乎后，会产生包含关键字zhihu的URL数据，步骤S303通过匹配第二类关键字zhihu即可统计出用户使用知乎APP的情况。
在步骤S102中，遍历所述若干个应用程序中的每一个应用程序，根据所述应用程序的功能和用户群将其划分至对应的需求层次中，以构建应用程序的马斯洛理论体系。
可选地，图4示出了本发明第一实施例提供的基于马斯洛需求层次理论的推荐方法中步骤S102的具体实现流程。参阅图4，所述步骤S102包括：
在步骤S401中，遍历所述若干个应用程序，获取每一个应用程序隶属于所述马斯洛需求层次理论中的每一个需求层次的相对重要性系数，求取所述相对重要性系数的平均值，根据所述平均值确定所述应用程序所属的需求层次，并将所述应用程序划分至所述需求层次中。
由于应用程序的种类繁多，本发明实施例根据不同应用程序的功能及用户群将其划分至马斯洛需求层次的对应的需求层次中。在实践中，具体由评估专家根据应用程序的功能及用户群确定所述应用程序隶属于某一个需求层次的相对重要性参数，因此，所述相对重要性参数为评估专家根据应用程序的功能及用户群对所述应用程序隶属于所述马斯洛需求层次理论的某一需求层次的赋值。每一个应用程序对应五个需求层次上的相对重要性参数。计算所述五个需求层次上的相对重要性参数的平均值，并根据所述平均值确定所述应用程序所属的需求层次。
进一步地，为了降低单个专家评估带来的主观性影响，可以设置若干个评估专家，分别获取所述评估专家对所述应用程序隶属于所述每一个需求层次的相对重要性参数，求取每个评估专家给出的五个相对重要性参数的平均值，最后根据所述多个评估专家对应的平均值的分布，以少数服从多数的原则来确定所述应用程序所属的需求层次。示例性地，假设有5个评估专家(分别记为A、B、C、D、E)，现在要确定应用程序M所属的需求层次，则先获取评估专家A给出的，所述应用程序M隶属于所述马斯洛需求层次理论中的每一个需求层次的相对重要性参数，求取所述相对重要性参数的平均值a，依次类推，计算评估专家B给出的相对重要性参数的平均值b，评估专家C给出的相对重要性参数的平均值c，评估专家D给出的相对重要性参数的平均值d，评估专家E的相对重要性参数的平均值e；综合所述平均值a、b、c、d、e，若所述平均值a、b分别确定所述应用程序M属于安全需求层次，所述平均值c、d、e分别确定所述应用程序M属于情感和归属需求层次，则根据少数服从多数的原则，最终确定所述应用程序M属于情感和归属需求层次，将所述应用程序M划分至所述情感和归属需求层次。
在步骤S402中，将同一需求层次中的应用程序按照功能划分为若干个不同的类别，并采用AHP构权法确定每一个类别中应用程序之间的权重关系。
在将所述若干个应用程序划分至对应需求层次之后，得到应用程序的马斯洛理论体系。本发明实施例再根据每个应用程序的功能和定位信息再将每一个需求层次中的应用程序划分多若干个类别，然后采用AHP构权法(Analytic Hierarchy Process)来处理同一类别中的应用程序之间的关系。在这里，所述AHP构权法是将复杂的评价对象排列为一个有序的递阶层次结构的整体，通过对同一类别中的应用程序进行两两比较、判断，计算出各个应用程序的权重。示例性地，可以采用5种判别等级来表示应用程序之间的差别，表1示出了本发明实施例提供的5种判别等级，包括：
表1
为了便于理解，图5示出了本发明第一实施例提供的应用程序的马斯洛理论体系的组成示意图。在所述图5中，所述马斯洛理论体系的需求层次包括生理上、安全上、情感和归属、尊重以及自我实现5层，其中在生理层次上又划分出呼吸、水、食物、睡眠、生理平衡、分泌、性等类别，在所述食物类别中，可以包括外卖应用程序，比如百度糯米、美团等。
在步骤S103中，计算待推荐用户在所述马斯洛理论体系中的坐标信息。
可选地，图6示出了本发明第一实施例提供的基于马斯洛需求层次理论的推荐方法中步骤S103的具体实现流程，参阅图6，所述步骤S103包括：
在步骤S601中，对于每一个待推荐用户，根据所述待推荐用户的应用程序使用情况，计算所述待推荐用户在所述马斯洛理论体系中的每一个需求层次对应的得分。
在这里，所述待推荐用户在所述马斯洛理论体系中的第i个需求层次对应的得分vi的计算公式为：
其中，所述马斯洛理论体系包括5个需求层次，1≤i≤5，所述第i个需求层次中包括n个类别，1≤j≤n，所述vi,j表示第i个需求层次中的第j个类别，所述wi,j表示第i个需求层次中第j个类别的权重，所述freq(vi,j)表示所述待推荐用户对所述第i个需求层次中的第j个类别vi,j内的应用程序的启动频次之和。
在步骤S602中，组合所述得分得到所述待推荐用户对应的坐标信息。
在这里，每一个待推荐用户的坐标信息K为一个数组，包括所述待推荐用户在所述马斯洛理论体系中的每一个需求层次对应的得分vi，即待推荐用户的坐标信息K＝{v1,v2,v3,v4,v5}。
在步骤S104中，根据所述坐标信息对所述待推荐用户进行聚类分析，以将具有相似需求的待推荐用户聚为一类。
在得到所有待推荐用户的坐标信息之后，本发明实施例采用传统的k-means聚类方法来对所述待推荐用户进行聚类分析，以将所述马斯洛理论体系中具有相似需求的待推荐用户聚为一类。可选地，所述具有相似需求的待推荐用户可以为具有共同的社会地位、具有相近的收入水平的待推荐用户。
在步骤S105中，根据用户的兴趣爱好计算同一聚类中不同的待推荐用户之间的关联性，根据所述关联性对所述待推荐用户进行推荐操作。
在这里，步骤S104将所述马斯洛理论体系中具有相似需求的待推荐用户聚为一类，该聚类主要包括了具有共同社会地位、相近的收入水平的待推荐用户，但没有考虑到待推荐用户的兴趣偏好，本发明实施例在分析聚类中的待推荐用户时，进一步根据待推荐用户的兴趣偏好来挖掘出用户之间的关联性。可选地，所述关联性可以通过相似度来表示。在得到待推荐用户之间的关联性之后，则对所述关联性进行排序，并根据排序结果对所述待推荐用户进行推荐操作。示例性地，可以采用协同过滤规则(collaborative filteringrecommendation)来进行聚类中待推荐用户之间的相互推荐；也可以根据待推荐消息在马斯洛理论体系中的特征集，获取与所述待推荐消息的欧氏距离最近的若干个聚类，根据该聚类中待推荐用户与所述待推荐消息的相似度进行推荐操作。
综上所示，本发明实施例基于马斯洛需求层次理论对应用程序进行分类，得到应用程序的马斯洛理论体系，再根据用户对应用程序的使用情况求取所述待推荐用户在所述马斯洛理论体系中的坐标信息，并根据所述坐标信息对所述待推荐用户进行聚类分析，能够将具有共同社会地位、相似收入水平的待推荐用户聚为一类，最后根据同一聚类中不同的待推荐用户之间的关联性对所述待推荐用户进行推荐操作，打破了传统的协同过滤的推荐方法，实现了以人为中心、从人的基本需求出发的用户聚类，有利于挖掘出用户的深层需求，提升了个性化推荐的效果。
应理解，在上述实施例中，各步骤的序号的大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图7示出了本发明第二实施例提供的基于马斯洛需求层次理论的推荐装置的组成结构，为了便于说明，仅示出了与本发明实施例相关的部分。
在本发明实施例中，所述装置用于实现上述图1至图6实施例中所述的基于马斯洛需求层次理论的推荐装置，可以是内置于计算机、服务器内的软件单元、硬件单元或者软硬件结合的单元。
参阅图7，所述推荐装置包括：
获取模块71，用于从运营商的管道数据中获取若干个应用程序；
划分模块72，用于遍历所述若干个应用程序中的每一个应用程序，根据所述应用程序的功能和用户群将其划分至对应的需求层次中，以构建应用程序的马斯洛理论体系；
计算模块73，用于计算待推荐用户在所述马斯洛理论体系中的坐标信息；
聚类模块74，用于根据所述坐标信息对所述待推荐用户进行聚类分析，以将具有相似需求的待推荐用户聚为一类；
推荐模块75，用于根据用户的兴趣爱好计算同一聚类中不同的待推荐用户之间的关联性，根据所述关联性对所述待推荐用户进行推荐操作。
可选地，所述获取模块71还包括：
第二获取单元711，用于获取运营商的管道数据；
清除单元712，用于从所述管道数据中清除包含第一类关键字的管道数据；
解析单元713，用于从剩余的管道数据中提取包含第二类关键字的管道数据，解析所提取的管道数据以获取所提取的管道数据对应的应用程序。
所述剩余的管道数据为将包含第一类关键字的管道数据清除后的管道数据。
可选地，所述划分模块72还包括：
第一获取单元721，用于遍历所述若干个应用程序，获取每一个应用程序隶属于所述马斯洛需求层次理论中的每一个需求层次的相对重要性系数，求取所述相对重要性系数的平均值，根据所述平均值确定所述应用程序所属的需求层次，并将所述应用程序划分至所述需求层次中；
分类单元722，用于将同一需求层次中的应用程序按照功能划分为若干个不同的类别，并采用AHP构权法确定每一个类别中应用程序之间的权重关系。
可选地，所述计算模块73具体用于：
对于每一个待推荐用户，根据所述待推荐用户的应用程序使用情况，统计所述待推荐用户在所述马斯洛理论体系中的每一个需求层次对应的得分；组合所述得分得到所述待推荐用户对应的坐标信息。
在这里，所述待推荐用户在所述马斯洛理论体系中的第i个需求层次对应的得分vi的计算公式为：
其中，所述马斯洛理论体系包括5个需求层次，1≤i≤5，所述第i个需求层次中包括n个类别，1≤j≤n，所述vi,j表示第i个需求层次中的第j个类别，所述wi,j表示第i个需求层次中第j个类别的权重，所述freq(vi,j)表示所述待推荐用户对所述第i个需求层次中的第j个类别vi,j内的应用程序的启动频次之和。
需要说明的是，本发明实施例中的装置可以用于实现上述方法实施例中的全部技术方案，其各个功能模块的功能可以根据上述方法实施例中的方法具体实现，其具体实现过程可参照上述实例中的相关描述，此处不再赘述。
为了便于更好地实施本发明实施例中的上述方法实施例，本发明还提供了用于配合实施执行上述方法实施例的相关终端。图8给出本发明第三实施例提供的终端的示意性框图。如图所示的该终端可以包括：一个或多个处理器501(图中仅示出一个)；一个或多个输入设备502(图中仅示出一个)，一个或多个输出设备503(图中仅示出一个)、存储器504。上述处理器501、输入设备502、输出设备503、存储器504通过总线506连接。所述存储器504用于存储程序代码，所述处理器501用于调用所述存储器504存储的程序代码执行如下步骤：
从运营商的管道数据中获取若干个应用程序；
遍历所述若干个应用程序中的每一个应用程序，根据所述应用程序的功能和用户群将其划分至对应的需求层次中，以构建应用程序的马斯洛理论体系；
计算待推荐用户在所述马斯洛理论体系中的坐标信息；
根据所述坐标信息对所述待推荐用户进行聚类分析，以将具有相似需求的待推荐用户聚为一类；
根据用户的兴趣爱好计算同一聚类中不同的待推荐用户之间的关联性，根据所述关联性对所述待推荐用户进行推荐操作。
可选地，所述处理器501遍历所述若干个应用程序中的每一个应用程序，根据所述应用程序的功能和用户群将其划分至对应的需求层次中，以构建应用程序的马斯洛理论体系包括：
遍历所述若干个应用程序，获取每一个应用程序隶属于所述马斯洛需求层次理论中的每一个需求层次的相对重要性系数，求取所述相对重要性系数的平均值，根据所述平均值确定所述应用程序所属的需求层次，并将所述应用程序划分至所述需求层次中；
将同一需求层次中的应用程序按照功能划分为若干个不同的类别，并采用AHP构权法确定每一个类别中应用程序之间的权重关系。
可选地，所述处理器501计算待推荐用户在所述马斯洛理论体系中的坐标信息包括：
对于每一个待推荐用户，根据所述待推荐用户的应用程序使用情况，统计所述待推荐用户在所述马斯洛理论体系中的每一个需求层次对应的得分；
组合所述得分得到所述待推荐用户对应的坐标信息。
可选地，所述待推荐用户在所述马斯洛理论体系中的第i个需求层次对应的得分vi的计算公式为：
其中，所述马斯洛理论体系包括5个需求层次，1≤i≤5，所述第i个需求层次中包括n个类别，1≤j≤n，所述vi,j表示第i个需求层次中的第j个类别，所述wi,j表示第i个需求层次中第j个类别的权重，所述freq(vi,j)表示所述待推荐用户对所述第i个需求层次中的第j个类别vi,j内的应用程序的启动频次之和。
可选地，所述处理器501从运营商的管道数据中获取若干个应用程序包括：
获取运营商的管道数据；
从所述管道数据中清除包含第一类关键字的管道数据；
从剩余的管道数据中提取包含第二类关键字的管道数据，解析所提取的管道数据以获取所提取的管道数据对应的应用程序。
应当理解，在本发明实施例中，所称处理器501可以是中央处理单元(CentralProcessing Unit，CPU)和/或图形处理器(Graphic Processing Unit，GPU)，也可以在此基础上结合其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
输入设备502可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风、通信模块(比如Wi-Fi模块、2G/3G/4G网络模块)、物理按键等。
输出设备503可以包括显示器(LCD等)、扬声器等。其中，显示器可用于显示由用户输入的信息或提供给用户的信息等。显示器可包括显示面板，可选的，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板。进一步的，上述触控板可覆盖在显示器上，当触控板检测到在其上或附近的触摸操作后，传送给处理器501以确定触摸事件的类型，随后处理器501根据触摸事件的类型在显示器上提供相应的视觉输出。
具体实现中，本发明实施例中所描述的处理器501、输入设备502、输出设备503、存储器504可执行本发明实施例提供的基于马斯洛需求层次理论的推荐方法的实施例中所描述的实现方式，在此不再赘述。
综上所述，本发明实施例通过从运营商的管道数据中获取若干个应用程序；遍历所述若干个应用程序中的每一个应用程序，根据所述应用程序的功能和用户群将其划分至对应的需求层次中，以构建应用程序的马斯洛理论体系；然后计算待推荐用户在所述马斯洛理论体系中的坐标信息；根据所述坐标信息对所述待推荐用户进行聚类分析，以将具有相似需求的待推荐用户聚为一类；最后根据用户的兴趣爱好计算同一聚类中不同的待推荐用户之间的关联性，并根据所述关联性对所述待推荐用户进行推荐操作；从而实现了以人为中心、从人的基本需求出发的用户聚类，有利于挖掘出用户的深层需求，进而提升了个性化推荐的效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法、装置及终端，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块、单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元、模块单独物理存在，也可以两个或两个以上单元、模块集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种基于马斯洛需求层次理论的推荐方法，其特征在于，应用于计算机，所述推荐方法包括：
从运营商的管道数据中获取若干个应用程序；
遍历所述若干个应用程序中的每一个应用程序，根据所述应用程序的功能和用户群将其划分至对应的需求层次中，以构建应用程序的马斯洛理论体系；
计算待推荐用户在所述马斯洛理论体系中的坐标信息，包括：对于每一个待推荐用户，根据所述待推荐用户的应用程序使用情况，统计所述待推荐用户在所述马斯洛理论体系中的每一个需求层次对应的得分；组合所述得分得到所述待推荐用户对应的坐标信息；所述待推荐用户在所述马斯洛理论体系中的第i个需求层次对应的得分vi的计算公式为:
其中，所述马斯洛理论体系包括5个需求层次，1≤i≤5，所述第i个需求层次中包括n个类别，1≤j≤n，所述vi，j表示第i个需求层次中的第j个类别，所述wi，j表示第i个需求层次中第j个类别的权重，所述freq(vi，j)表示所述待推荐用户对所述第i个需求层次中的第j个类别vi，j内的应用程序的启动频次之和；
根据所述坐标信息对所述待推荐用户进行聚类分析，以将具有相似需求的待推荐用户聚为一类；
根据用户的兴趣爱好计算同一聚类中不同的待推荐用户之间的关联性，根据所述关联性对所述待推荐用户进行推荐操作。
2.如权利要求1所述的基于马斯洛需求层次理论的推荐方法，其特征在于，所述遍历所述若干个应用程序中的每一个应用程序，根据所述应用程序的功能和用户群将其划分至对应的需求层次中，以构建应用程序的马斯洛理论体系包括：
遍历所述若干个应用程序，获取每一个应用程序隶属于所述马斯洛需求层次理论中的每一个需求层次的相对重要性系数，求取所述相对重要性系数的平均值，根据所述平均值确定所述应用程序所属的需求层次，并将所述应用程序划分至所述需求层次中；
将同一需求层次中的应用程序按照功能划分为若干个不同的类别，并采用AHP构权法确定每一个类别中应用程序之间的权重关系。
3.如权利要求1至2任一项所述的基于马斯洛需求层次理论的推荐方法，其特征在于，所述从运营商的管道数据中获取若干个应用程序包括：
获取运营商的管道数据；
从所述管道数据中清除包含第一类关键字的管道数据；
从剩余的管道数据中提取包含第二类关键字的管道数据，解析所提取的管道数据以获取所提取的管道数据对应的应用程序。
4.一种基于马斯洛需求层次理论的推荐装置，其特征在于，应用于计算机，所述推荐装置包括：
获取模块，用于从运营商的管道数据中获取若干个应用程序；
划分模块，用于遍历所述若干个应用程序中的每一个应用程序，根据所述应用程序的功能和用户群将其划分至对应的需求层次中，以构建应用程序的马斯洛理论体系；
计算模块，用于计算待推荐用户在所述马斯洛理论体系中的坐标信息；
聚类模块，用于根据所述坐标信息对所述待推荐用户进行聚类分析，以将具有相似需求的待推荐用户聚为一类；
推荐模块，用于根据用户的兴趣爱好计算同一聚类中不同的待推荐用户之间的关联性，根据所述关联性对所述待推荐用户进行推荐操作；
所述计算模块具体用于：对于每一个待推荐用户，根据所述待推荐用户的应用程序使用情况，统计所述待推荐用户在所述马斯洛理论体系中的每一个需求层次对应的得分；组合所述得分得到所述待推荐用户对应的坐标信息；所述待推荐用户在所述马斯洛理论体系中的第i个需求层次对应的得分vi的计算公式为：
其中，所述马斯洛理论体系包括5个需求层次，1≤i≤5，所述第i个需求层次中包括n个类别，1≤j≤n，所述vi，j表示第i个需求层次中的第j个类别，所述wi，j表示第i个需求层次中第j个类别的权重，所述freq(vi，j)表示所述待推荐用户对所述第i个需求层次中的第j个类别vi，j内的应用程序的启动频次之和。
5.如权利要求4所述的基于马斯洛需求层次理论的推荐装置，其特征在于，所述划分模块包括：
第一获取单元，用于遍历所述若干个应用程序，获取每一个应用程序隶属于所述马斯洛需求层次理论中的每一个需求层次的相对重要性系数，求取所述相对重要性系数的平均值，根据所述平均值确定所述应用程序所属的需求层次，并将所述应用程序划分至所述需求层次中；
分类单元，用于将同一需求层次中的应用程序按照功能划分为若干个不同的类别，并采用AHP构权法确定每一个类别中应用程序之间的权重关系。
6.如权利要求4至5任一项所述的基于马斯洛需求层次理论的推荐装置，其特征在于，所述获取模块包括：
第二获取单元，用于获取运营商的管道数据；
清除单元，用于从所述管道数据中清除包含第一类关键字的管道数据；
解析单元，用于从剩余的管道数据中提取包含第二类关键字的管道数据，解析所提取的管道数据以获取所提取的管道数据对应的应用程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710159897.6A CN107590672B (zh) | 2017-03-17 | 2017-03-17 | 基于马斯洛需求层次理论的推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710159897.6A CN107590672B (zh) | 2017-03-17 | 2017-03-17 | 基于马斯洛需求层次理论的推荐方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107590672A CN107590672A (zh) | 2018-01-16 |
| CN107590672B true CN107590672B (zh) | 2021-01-22 |
Family
ID=61045185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710159897.6A Active CN107590672B (zh) | 2017-03-17 | 2017-03-17 | 基于马斯洛需求层次理论的推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107590672B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109299849B (zh) * | 2018-08-09 | 2021-08-03 | 湖北文理学院 | 一种社会网络中群体需求层次计算方法 |
| CN111104487A (zh) * | 2019-12-25 | 2020-05-05 | 创新奇智(北京)科技有限公司 | 一种基于马斯洛需求等级的用户分类方法及系统 |
| CN111833676A (zh) * | 2020-08-05 | 2020-10-27 | 北京育宝科技有限公司 | 一种交互式学习辅助方法、装置和系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008040005A1 (en) * | 2006-09-28 | 2008-04-03 | Noble Communications | Method and system for collecting, organizing, and analyzing emerging culture trends that influence consumers |
| CN102855130A (zh) * | 2011-06-29 | 2013-01-02 | 袁艺 | 一种基于人的需求分析的客户端软件分类方法 |
| US8738391B2 (en) * | 2011-11-22 | 2014-05-27 | International Business Machines Corporation | Using non-textual notation for describing service related human experience based on a hierarchal model of human needs |
| CN104750798B (zh) * | 2015-03-19 | 2020-09-29 | 腾讯科技（深圳）有限公司 | 一种应用程序的推荐方法和装置 |
| CN106326297B (zh) * | 2015-07-01 | 2020-12-29 | 北京搜狗科技发展有限公司 | 一种应用程序推荐方法及装置 |
| CN106446115A (zh) * | 2016-09-18 | 2017-02-22 | 成都九鼎瑞信科技股份有限公司 | 移动上网用户分类方法及装置 |
-
2017
- 2017-03-17 CN CN201710159897.6A patent/CN107590672B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| A Layered Context-Aware Agent for Mobile Applications Based on Users Needs Hierarchy;Peng, Min Jing等;《Advanced Materials Research》;20131121;第846-847卷;第1689-1692页 * |
| 一种基于用户长短期兴趣的微博推荐方法;陈杰等;《小型微型计算机系统》;20160515;第37卷(第5期);第952-956页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107590672A (zh) | 2018-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109559208B (zh) | 一种信息推荐方法、服务器及计算机可读介质 | |
| Mortier et al. | Human-data interaction: The human face of the data-driven society | |
| Kang et al. | The smart wearables-privacy paradox: A cluster analysis of smartwatch users | |
| Wang et al. | A personalized recommender system for the cosmetic business | |
| US9152969B2 (en) | Recommendation ranking system with distrust | |
| AU2011202431B2 (en) | Methods, Apparatus, and Articles of Manufacture to Rank Users in an Online Social Network | |
| US20130054631A1 (en) | Adding social network data to search suggestions | |
| US20160048556A1 (en) | System and method for a search engine content filter | |
| US10929409B2 (en) | Identifying local experts for local search | |
| WO2016037525A1 (zh) | 确定地图界面的方法和装置 | |
| US20170098269A1 (en) | Method for providing necessary information based on chatting documents | |
| US20120296701A1 (en) | System and method for generating recommendations | |
| Zualkernan et al. | Emotion recognition using mobile phones | |
| US20190303395A1 (en) | Techniques to determine portfolio relevant articles | |
| US9069880B2 (en) | Prediction and isolation of patterns across datasets | |
| US20140032475A1 (en) | Systems And Methods For Determining Customer Brand Commitment Using Social Media Data | |
| TW201248435A (en) | Method and apparatus of providing suggested terms | |
| WO2013131025A2 (en) | Product cycle analysis using social media data | |
| EP2812856A1 (en) | Tools and methods for determining relationship values | |
| CN107590672B (zh) | 基于马斯洛需求层次理论的推荐方法及装置 | |
| US20200301973A1 (en) | Personalization Aggregate Content Item Recommendations | |
| US8725735B2 (en) | Information processing system, information processing method, program, and non-transitory information storage medium | |
| US10474899B2 (en) | Social engagement based on image resemblance | |
| US20200193056A1 (en) | On Device Personalization of Content to Protect User Privacy | |
| US10163116B2 (en) | Determining brand exclusiveness of users |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |