CN107818105B - 应用程序的推荐方法及服务器 - Google Patents
应用程序的推荐方法及服务器 Download PDFInfo
- Publication number
- CN107818105B CN107818105B CN201610821406.5A CN201610821406A CN107818105B CN 107818105 B CN107818105 B CN 107818105B CN 201610821406 A CN201610821406 A CN 201610821406A CN 107818105 B CN107818105 B CN 107818105B
- Authority
- CN
- China
- Prior art keywords
- application program
- recommended
- historical
- word
- search word
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000005065 mining Methods 0.000 claims description 32
- 238000012163 sequencing technique Methods 0.000 claims description 16
- 239000011248 coating agent Substances 0.000 claims description 5
- 238000000576 coating method Methods 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 5
- 238000009412 basement excavation Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 235000009508 confectionery Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- 235000013336 milk Nutrition 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 1
- 241000218229 Humulus japonicus Species 0.000 description 1
- 241000282373 Panthera pardus Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
- G06Q30/0256—User search
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0627—Directed, with specific intent or strategy using item specifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种应用程序的推荐方法及服务器。该方法包括：获取应用程序的历史搜索数据，根据历史搜索数据，确定各历史搜索词及其各自对应的用户已访问过的各历史应用程序；分别获取各历史搜索词、各历史应用程序和各待推荐应用程序的特征数据，对特征数据进行训练，挖掘出每个待推荐应用程序对应的至少一个推荐词；及，当从客户端接收到用户输入的当前搜索词时，根据当前搜索词和至少一个推荐词确定出至少一个待推荐应用程序，并向客户端发送展示至少一个待推荐应用程序的通知消息。利用这些技术方案，能够提高客户端的资源利用率。
Description
技术领域
本申请涉及互联网技术领域，尤其涉及一种应用程序的推荐方法及服务器。
背景技术
基于智能终端的飞速发展，用户可以在智能终端上搜索、下载所需的应用程序。为了便于用户搜索和查找，目前有一类作为应用程序发布平台的客户端，在向用户提供所搜索的应用程序时，还可以同时展示一个或多个广告/推广类的应用程序。
在现有技术中，在用户输入搜索信息之后，通常是基于应用程序的文本信息确定向用户推荐哪个应用程序。但是，由于在应用程序搜索场景下应用程序的文本信息较为稀疏，因此，这种基于文本信息的推荐方法难以获得与用户需求比较匹配的应用程序，导致推荐效率较低，降低了应用程序的挖掘效果以及客户端的资源利用率。
发明内容
有鉴于此，本发明提供了一种应用程序的推荐方法及服务器，能够提高应用程序的挖掘效果以及客户端的资源利用率。
本发明的技术方案是这样实现的：
本发明提供了一种应用程序的推荐方法，包括：
获取应用程序的历史搜索数据，根据所述历史搜索数据，确定各历史搜索词及其各自对应的用户已访问过的各历史应用程序；
分别获取所述各历史搜索词、所述各历史应用程序和各待推荐应用程序的特征数据，对所述特征数据进行训练，挖掘出每个待推荐应用程序对应的至少一个推荐词；及，
当从客户端接收到用户输入的当前搜索词时，根据所述当前搜索词和所述至少一个推荐词确定出至少一个待推荐应用程序，并向所述客户端发送展示所述至少一个待推荐应用程序的通知消息。
本发明还提供了一种服务器，包括：。
获取模块，用于获取应用程序的历史搜索数据；
确定模块，用于根据所述获取模块得到的历史搜索数据，确定各历史搜索词及其各自对应的用户已访问过的各历史应用程序；
挖掘模块，用于分别获取所述确定模块得到的各历史搜索词、各历史应用程序和各待推荐应用程序的特征数据，对所述特征数据进行训练，挖掘出每个待推荐应用程序对应的至少一个推荐词；
推荐模块，用于当从客户端接收到用户输入的当前搜索词时，根据所述当前搜索词和所述挖掘模块得到的至少一个推荐词确定出至少一个待推荐应用程序；及，
发送模块，用于向所述客户端发送展示所述推荐模块得到的至少一个待推荐应用程序的通知消息。
与现有技术相比，本发明提供的方法，根据各历史搜索词、各历史应用程序和各待推荐应用程序的特征数据进行训练，挖掘出每个待推荐应用程序对应的至少一个推荐词，丰富了推荐词的挖掘渠道，拓展了推荐应用程序的依据，解决了在推荐应用程序时由于文本信息稀疏而导致的推荐效率降低的问题，结合用户的历史搜索行为能够向用户推荐合适、优质的应用程序，实现了个性化应用程序的推荐，并提高了客户端的资源利用率。
附图说明
图1为依据本发明一实施例的应用程序的推荐方法的流程示意图；
图2为依据本发明一实施例的推荐词的挖掘方法的流程示意图
图3为依据本发明另一实施例的应用程序的推荐方法的流程示意图；
图4为依据本发明一实施例的展示广告应用程序的界面示意图；
图5为依据本发明一实施例的服务器的结构示意图；
图6为依据本发明另一实施例的服务器的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
本申请中，所推荐的应用程序(APP)具备推广的功能，例如为由广告主提供的广告APP，目的是推广该广告主的产品；或者是以公益为目的推广类APP，例如关于二手用品处理的APP。在本发明的实施例中，用户在作为应用程序发布平台的客户端(例如，应用宝APP)上搜索想要的应用程序时，输入一个或多个当前搜索词，客户端在返回该当前搜索词对应的普通APP时，还同时推送一个或多个广告APP或推广类APP，供用户选择、下载。
图1为依据本发明一实施例的应用程序的推荐方法的流程示意图。该方法应用于服务器。参见图1，该方法包括：
步骤101、获取应用程序的历史搜索数据，根据历史搜索数据，确定各历史搜索词及其各自对应的用户已访问过的各历史应用程序。
本步骤中，服务器从搜索日志中获取应用程序的历史搜索数据。该历史搜索数据包括在一定时间段内每个用户输入的历史搜索信息，以及之后所访问的一个或多个历史应用程序。这里的访问是指用户点击过一应用程序的网页链接，或者用户下载过一应用程序的安装包。
考虑到用户输入的历史搜索信息包含某些冗余信息，例如包括用户自身特定的描述词汇，从历史搜索数据中获取用户在搜索应用程序时输入的历史搜索信息后，对历史搜索信息进行分词，从中抽取出关键词作为历史搜索词。例如，用户输入的历史搜索信息有“好玩的酷跑”、“最新的酷跑”、“2016酷跑”，对上述三个历史搜索信息进行分词后，抽取出其中的关键词为“酷跑”，将其作为历史搜索词。而“好玩的”、“最新的”、“2016”作为冗余信息被忽略掉。
由于一个历史搜索词可以对应多个历史应用程序，因此在确定各历史搜索词各自对应的用户已访问过的各历史应用程序时，可执行排序处理。具体为，对于每个历史搜索词，从历史搜索数据中确定该历史搜索词对应的多个历史应用程序，统计在预定时间段内每个历史应用程序被用户访问过的次数，根据次数对这多个历史应用程序进行排序，根据该排序结果取出前L个历史应用程序作为所述各历史应用程序，其中，L为正整数。
例如，一历史搜索词为“酷跑”，在历史搜索数据中确定出“酷跑”一词对应了4个历史应用程序，分别为：“天天酷跑”、“神庙大逃亡”、“跳跃忍者”和“疯狂的老奶奶”，然后统计在例如半年或者一年内每个APP的访问次数，根据访问次数对这4个历史应用程序进行排序。若L＝3，则确定出前3个历史应用程序为与“酷跑”一词对应的历史应用程序：“天天酷跑”、“神庙大逃亡”和“疯狂的老奶奶”。
步骤102、分别获取各历史搜索词、各历史应用程序和各待推荐应用程序的特征数据。
在本发明的实施例中，历史搜索词的特征数据可以采用表征搜索词与用户搜索之间相关程度的度量或评级来表示。考虑到每个历史搜索词和输入的用户有关，在所有历史搜索词中的比重不同，在获取各历史搜索词的特征数据时，包括但不限于以下四种度量：
(A1)确定该历史搜索词被用户集中输入的程度，作为所述特征数据。
首先，确定在一定时间段内输入该历史搜索词的所有用户以及输入的时刻，作为基础数据，通过计算这些基础数据的熵(entropy)来表征用户输入行为的集中度。其中该熵的数值越大，表示用户点击行为越松散；数值越小，表示用户点击行为越集中。和/或，
(A2)将该历史搜索词在预定时间段内被输入的次数(QV)作为所述特征数据。
例如，统计在半年内输入历史搜索词“酷跑”的次数，作为“酷跑”的特征数据。和/或，
(A3)将该历史搜索词的长度(QL)作为所述特征数据。
这里，历史搜索词的长度是指所包含的字数或者字符数。和/或，
(A4)将该历史搜索词在所有历史搜索词中出现的频率(Tf)作为所述特征数据。
这里，将所有历史搜索词的集合称为词袋，每个历史搜索词在词袋中出现的频率被称为词频(Tf)，用来表征该历史搜索词的稀疏程度或者重要性。若一个历史搜索词在词袋中出现的频率越高，那么该历史搜索词的重要性越低。即一个历史搜索词的重要性和其出现的频率成反比。例如，一历史搜索词“酷跑”比另一历史搜索词“游戏”出现的频率低，表明“酷跑”一词更稀缺，那么重要性就更高。
对各历史应用程序和各待推荐应用程序提取特征数据的方法可以是相同的。应用程序的特征数据可以用该应用程序所属的类型或者不同形式的文本描述信息来表征。具体而言，针对每个历史应用程序和每个待推荐应用程序，所获取的特征数据包括但不限于以下四种度量：
(B1)将该应用程序所属的类型，作为所述特征数据。
每个应用程序具备各自的功能，可以归属于不同的类型，例如包括：社交、工具、安全、导航、拍摄、美化、阅读等。和/或，
(B2)获取该应用程序的文本描述信息，将文本描述信息进行分词，获得至少一个描述词，作为所述特征数据。
每个应用程序对应一个文本描述信息，例如，应用程序“跳跃忍者”的文本描述信息为“跳跃穿梭的忍者游戏”，对其进行分词，可以获得描述词：“跳跃”、“穿梭”、“忍者”和“游戏”，可以将这些描述词作为该应用程序“跳跃忍者”的特征数据。和/或，
(B3)对文本描述信息进行识别，获得该应用程序的主题词，作为所述特征数据。
例如，在具体实现时，可以使用隐含狄利克雷分布(LDA)进行识别。LDA作为一种主题模型，可用来识别文本描述信息中潜藏的主题信息，并按照概率分布的形式给出。和/或，
(B4)将所述文本描述信息转换为实数值，作为所述特征数据。
例如，在具体实现时，可以使用word2vec工具进行转换，这种工具能够将词表征为实数值向量，利用深度学习将文本内容简化为K维向量空间中的向量。
步骤103、对特征数据进行训练，挖掘出每个待推荐应用程序对应的至少一个推荐词。
本步骤中，挖掘模型主要采用机器学习技术，根据步骤102中获取到的特征数据，分别生成每个历史搜索词、历史应用程序和待推荐应用程序的特征向量，即特征向量由所获取的多个特征数据组成，根据这些特征向量生成训练样本进行训练，然后挖掘出每个待推荐应用程序对应的至少一个推荐词。
在实际应用时，考虑到这些特征向量是由非线性可分的特征组成，可以采用梯度提升决策树(GBDT)算法进行训练。其中，GBDT算法可以参考现有技术中的处理方法。
步骤104、当从客户端接收到用户输入的当前搜索词时，根据当前搜索词和至少一个推荐词确定出至少一个待推荐应用程序，并向客户端发送展示至少一个待推荐应用程序的通知消息。
在一实施例中，将当前搜索词和一待推荐应用程序的至少一个推荐词进行匹配，若完全匹配或者部分匹配上，则将该待推荐应用程序作为所确定出的待推荐应用程序。
在另一实施例中，考虑到用户输入的当前搜索词中包括冗余信息，还可以从当前搜索词中提取出核心搜索词，若该核心搜索词和一待推荐应用程序的至少一个推荐词完全匹配或者部分匹配，则将该待推荐应用程序作为所确定出的待推荐应用程序。
在上述实施例中，通过确定各历史搜索词及其各自对应的用户已访问过的各历史应用程序，分别获取各历史搜索词、各历史应用程序和各待推荐应用程序的特征数据，对特征数据进行训练，挖掘出每个待推荐应用程序对应的至少一个推荐词，当从客户端接收到用户输入的当前搜索词时，根据当前搜索词和至少一个推荐词确定出至少一个待推荐应用程序，可见，在推荐应用程序时所依据的推荐词是综合考虑历史搜索词、历史应用程序和待推荐应用程序的特征数据而挖掘出来的，相比于现有技术中仅根据应用程序的文本信息进行推荐的方式，丰富了推荐词的挖掘渠道，拓展了推荐应用程序的依据，解决了在推荐应用程序时由于文本信息稀疏而导致的推荐效率降低的问题，结合用户的历史搜索行为能够向用户推荐合适、优质的应用程序，实现了个性化应用程序的推荐，并提高了客户端的资源利用率。
在上述步骤103中挖掘每个待推荐应用程序对应的至少一个推荐词时，图2为依据本发明一实施例的推荐词的挖掘方法的流程示意图。参见图2，该方法包括：
步骤201，针对每个历史搜索词，根据该历史搜索词的特征数据判断该历史搜索词是否为有效搜索词。
如步骤102中所述，当特征数据为(A1)中所述的熵时，若数值越小，表示用户点击行为越集中。那么，设置一熵阈值，将熵的数值低于该熵阈值的历史搜索词确定为有效搜索词。
又如，当特征数据为(A2)中所述的QV时，若次数越大，表明该历史搜索词为常用关键词，那么设置一QV阈值，将QV的数值高于该QV阈值的历史搜索词确定为有效搜索词。
又如，当特征数据为(A3)中所述的QL时，若长度越长，表明该历史搜索词并非常用词，那么，设置一QL阈值，将QL的数值低于该QV阈值的历史搜索词确定为有效搜索词。
又如，当特征数据为(A4)中所述的Tf时，若词频越大，表明该历史搜索词重要性越低，那么，设置一Tf阈值，将Tf的数值低于该Tf阈值的历史搜索词确定有效搜索词。
步骤202，对于每个待推荐应用程序，根据该待推荐应用程序的特征数据和每个历史应用程序的特征数据，确定出与该待推荐应用程序相似的至少一个历史应用程序。
该步骤用来评估待推荐应用程序和历史应用程序的相似度。具体而言，如步骤102中所述，
当特征数据为(B1)中所述的类型时，若一推荐应用程序和一历史应用程序的类型相同，则认为二者“类型相似”；
当特征数据为(B2)中所述的描述词时，若一推荐应用程序和一历史应用程序的描述词完全相同，或者当分别有多个描述词时部分描述词是相同的，则认为二者“文本相似”；
当特征数据为(B3)中所述的主题词时，若一推荐应用程序和一历史应用程序的LDA分布相同或者非常接近(如两个分布的偏差在预设范围内)，则认为二者“主题相似”；
当特征数据为(B4)中所述的实数值时，若一推荐应用程序和一历史应用程序的Word2vec向量相同，则认为二者“数值相似”。
步骤203，将确定出的至少一个历史应用程序所对应的有效搜索词作为该待推荐应用程序对应的推荐词。
每个历史应用程序与一搜索词相对应，当确定出的至少一个历史应用程序所对应的搜索词为有效搜索词时，则将这些有效搜索词作为该待推荐应用程序对应的推荐词。
例如，待推荐应用程序为“耐克酷跑”，此为一广告APP，与其相似的历史应用程序包括“天天酷跑”、“神庙大逃亡”和“疯狂的老奶奶”。其中，“天天酷跑”对应的有效搜索词为“酷跑”，“神庙大逃亡”对应的有效搜索词为“酷跑”和“极限”，“疯狂的老奶奶”对应的有效搜索词包括“酷跑”和“娱乐”，从而得到待推荐应用程序的“耐克酷跑”的推荐词有“酷跑”、“极限”和“娱乐”。
可见，上述挖掘推荐词的过程是通过将历史搜索词与历史应用程序相对应，历史应用程序与待推荐应用程序相似而关联起来得到的。得到的推荐词为历史搜索词中的那些有效搜索词，即最具有代表性的历史搜索词。
当待推荐应用程序为广告应用程序时，图3为依据本发明另一实施例的应用程序的推荐方法的流程示意图。如图3所示，包括如下步骤：
步骤300、获取应用程序的历史搜索数据。
步骤301、根据历史搜索数据，确定各历史搜索词及其各自对应的用户已访问过的各历史应用程序。
步骤300和301可参照步骤101的描述。其中，一个历史搜索词可以对应多个历史应用程序，这些历史应用程序可以为普通的应用程序，或者也可以包括广告应用程序。
步骤302、获取各历史搜索词的特征数据。
如步骤102中给出的4个度量(A1)～(A4)。
步骤303、获取各历史应用程序和各广告应用程序的特征数据。
如步骤102中给出的4个度量(B1)～(B4)。
步骤304、对特征数据进行训练，挖掘出每个广告应用程序对应的至少一个推荐词以及与每个推荐词之间的置信度。
参照步骤103所述，当采用GBDT算法进行训练时，在为每个广告应用程序挖掘出至少一个推荐词的同时，还输出该广告应用程序与每个推荐词之间的置信度，取值在0～1之间，用于表征该推荐词的可信程度。
考虑到挖掘推荐词的过程是通过将历史搜索词与历史应用程序相对应，历史应用程序与广告应用程序相似而关联起来得到的，置信度的数值依赖于该广告应用程序与其相似的历史应用程序之间的相似度，以及该推荐词作为历史搜索词时相应的历史应用程序的访问次数等因素。
步骤305、当从客户端接收到用户输入的当前搜索词时，根据当前搜索词和至少一个推荐词的置信度确定出至少一个广告应用程序。
若当前搜索词和一广告应用程序对应的推荐词完全匹配或者部分匹配，将该待推荐应用程序作为备用应用程序；根据匹配上的推荐词的置信度对所有备用应用程序进行排序，根据该排序结果取出前M个备用应用程序作为至少一个广告应用程序，其中，M为正整数。
若用户输入当前搜索词为“最热门的酷跑”，参照步骤104，从中提取出核心搜索词为“酷跑”，与该核心搜索词完全匹配的推荐词为“酷跑”，其对应了3个广告应用程序：“耐克酷跑”(涉及耐克公司的酷跑产品)、“狂奔的怒豹”(涉及某极限运动产品公司的产品)和“最美狂奔”(涉及运动塑身服的产品)，其与推荐词“酷跑”之间的置信度分别为0.8、0.5和0.7。若M＝2，则确定出“耐克酷跑”和“最美狂奔”为展示给用户的广告应用程序。
步骤306、向客户端发送展示至少一个广告应用程序的通知消息。
图4为依据本发明一实施例的展示广告应用程序的界面示意图。如图4所示，用户在搜索框401中输入当前搜索词为“最热门的酷跑”，服务器根据该当前搜索词返回给客户端2个普通应用程序“天天酷跑”和“神庙大逃亡”，同时向客户端推送2个广告应用程序“耐克酷跑”和“最美狂奔”，使得客户端一并展示给用户。
具体地，在方框410-413中分别给出了普通应用程序“天天酷跑”的图标、名称、下载链接和推荐信息“全球最多人玩的酷跑游戏”；在方框420-423中分别给出了普通应用程序“神庙大逃亡”的图标、名称、下载链接和推荐信息“最炫神庙风，冒险酷跑决高下！”；在方框430-433中分别给出了广告应用程序“耐克酷跑”的图标、名称、下载链接和推荐信息“最有利的武器，助您酷跑第一！”；在方框440-443中分别给出了广告应用程序“最美奔跑”的图标、名称、下载链接和推荐信息“奔跑中的你也要美美的！”并且，为了区分普通应用程序和广告应用程序，在方框434和方框444中标识有“推广”字样。
此外，在客户端中展示广告应用程序的位置可以有多种，除了图4中插在普通应用程序之间进行展示之外，还可以置顶展示，即在所有普通应用程序之前进行展示，本发明对此不做具体限定。
图5为依据本发明一实施例的服务器的结构示意图。如图5所示，服务器500包括：
获取模块510，用于获取应用程序的历史搜索数据；
确定模块520，用于根据获取模块510得到的历史搜索数据，确定各历史搜索词及其各自对应的用户已访问过的各历史应用程序；
挖掘模块530，用于分别获取确定模块520得到的各历史搜索词、各历史应用程序和各待推荐应用程序的特征数据，对特征数据进行训练，挖掘出每个待推荐应用程序对应的至少一个推荐词；
推荐模块540，用于当从客户端接收到用户输入的当前搜索词时，根据当前搜索词和挖掘模块530得到的至少一个推荐词确定出至少一个待推荐应用程序；及，
发送模块550，用于向客户端发送展示推荐模块540得到的至少一个待推荐应用程序的通知消息。
在一实施例中，确定模块520用于，从历史搜索数据中获取用户在搜索应用程序时输入的历史搜索信息，对历史搜索信息进行分词，从中抽取出关键词作为历史搜索词；对于每个历史搜索词，从历史搜索数据中确定该历史搜索词对应的多个历史应用程序，统计在预定时间段内每个历史应用程序被用户访问过的次数，根据次数对该多个历史应用程序进行排序，根据该排序结果取出前L个历史应用程序作为各历史应用程序，其中，L为正整数。
在一实施例中，挖掘模块530包括第一挖掘单元531和第二挖掘单元532，其中，
第一挖掘单元531用于，针对每个历史搜索词，确定该历史搜索词被用户集中输入的程度，作为特征数据；和/或，将该历史搜索词在预定时间段内被输入的次数作为特征数据；和/或，将该历史搜索词的长度作为特征数据；和/或，将该历史搜索词在所有历史搜索词中出现的频率作为特征数据；
第二挖掘单元530用于，针对每个历史应用程序和每个待推荐应用程序，将该应用程序所属的类型，作为特征数据；和/或，获取该应用程序的文本描述信息，将文本描述信息进行分词，获得至少一个描述词，作为特征数据；和/或，对文本描述信息进行识别，获得该应用程序的主题词，作为特征数据；和/或，将文本描述信息转换为实数值，作为特征数据。
在一实施例中，挖掘模块530用于，针对每个历史搜索词，根据该历史搜索词的特征数据判断该历史搜索词是否为有效搜索词；对于每个待推荐应用程序，根据该待推荐应用程序的特征数据和每个历史应用程序的特征数据，确定出与该待推荐应用程序相似的至少一个历史应用程序；将确定出的至少一个历史应用程序所对应的有效搜索词作为该待推荐应用程序对应的推荐词。
在一实施例中，推荐模块540用于，从当前搜索词中提取出核心搜索词；若核心搜索词和一待推荐应用程序的至少一个推荐词完全匹配或者部分匹配，则将该待推荐应用程序作为所确定出的待推荐应用程序。
在一实施例中，挖掘模块530进一步用于，对于每个待推荐应用程序，确定该待推荐应用程序与其对应的每个推荐词之间的置信度；
推荐模块540用于，若当前搜索词和一待推荐应用程序对应的推荐词完全匹配或者部分匹配，将该待推荐应用程序作为备用应用程序；根据匹配上的推荐词的置信度对所有备用应用程序进行排序，根据该排序结果取出前M个备用应用程序作为至少一个待推荐应用程序，其中，M为正整数。
图6为依据本发明另一实施例的服务器的结构示意图。该服务器600包括：处理器610、存储器620、端口630以及总线640。处理器610和存储器620通过总线640互联。处理器610可通过端口630接收和发送数据。其中，
处理器610用于执行存储器620存储的机器可读指令模块。
存储器620存储有处理器610可执行的机器可读指令模块。处理器610可执行的指令模块包括：获取模块621、确定模块622、挖掘模块623、推荐模块624和发送模块625。其中，
获取模块621被处理器610执行时可以为：获取应用程序的历史搜索数据；
确定模块622被处理器610执行时可以为：根据获取模块621得到的历史搜索数据，确定各历史搜索词及其各自对应的用户已访问过的各历史应用程序；
挖掘模块623被处理器610执行时可以为：分别获取确定模块622得到的各历史搜索词、各历史应用程序和各待推荐应用程序的特征数据，对特征数据进行训练，挖掘出每个待推荐应用程序对应的至少一个推荐词；
推荐模块624被处理器610执行时可以为：当从客户端接收到用户输入的当前搜索词时，根据当前搜索词和挖掘模块623得到的至少一个推荐词确定出至少一个待推荐应用程序；
发送模块625被处理器610执行时可以为：向客户端发送展示推荐模块624得到的至少一个待推荐应用程序的通知消息。
由此可以看出，当存储在存储器620中的指令模块被处理器610执行时，可实现前述各个实施例中获取模块、确定模块、挖掘模块、推荐模块和发送模块的各种功能。
上述服务器实施例中，各个模块及单元实现自身功能的具体方法在方法实施例中均有描述，这里不再赘述。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
另外，本发明的每一个实施例可以通过由数据处理设备如计算机执行的数据处理程序来实现。显然，数据处理程序构成了本发明。此外，通常存储在一个存储介质中的数据处理程序通过直接将程序读取出存储介质或者通过将程序安装或复制到数据处理设备的存储设备(如硬盘和或内存)中执行。因此，这样的存储介质也构成了本发明。存储介质可以使用任何类别的记录方式，例如纸张存储介质(如纸带等)、磁存储介质(如软盘、硬盘、闪存等)、光存储介质(如CD-ROM等)、磁光存储介质(如MO等)等。
因此，本发明还公开了一种存储介质，其中存储有数据处理程序，该数据处理程序用于执行本发明上述方法的任何一种实施例。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (14)
1.一种应用程序的推荐方法，其特征在于，包括：
获取应用程序的历史搜索数据，根据所述历史搜索数据，确定各历史搜索词及其各自对应的用户已访问过的各历史应用程序；
分别获取所述各历史搜索词、所述各历史应用程序和各待推荐应用程序的特征数据，对所述特征数据进行训练，挖掘出每个待推荐应用程序对应的至少一个推荐词；及，
当从客户端接收到用户输入的当前搜索词时，根据所述当前搜索词和所述至少一个推荐词确定出至少一个待推荐应用程序，并向所述客户端发送展示所述至少一个待推荐应用程序的通知消息；
其中，所述分别获取所述各历史搜索词、所述各历史应用程序和各待推荐应用程序的特征数据包括：
针对每个历史搜索词，确定该历史搜索词被用户集中输入的程度、该历史搜索词在预定时间段内被输入的次数、该历史搜索词的长度以及该历史搜索词在所有历史搜索词中出现的频率，作为所述特征数据；
针对每个历史应用程序和每个待推荐应用程序，获取该应用程序的文本描述信息，将所述文本描述信息进行分词，获得至少一个描述词；对所述文本描述信息进行识别，获得该应用程序的主题词；将所述文本描述信息转换为实数值，将该应用程序所属的类型、所述至少一个描述词、所述主题词以及所述实数值作为所述特征数据。
2.根据权利要求1所述的方法，其中，所述根据所述历史搜索数据，确定各历史搜索词及其各自对应的用户已访问过的各历史应用程序包括：
从所述历史搜索数据中获取用户在搜索应用程序时输入的历史搜索信息，对所述历史搜索信息进行分词，从中抽取出关键词作为所述历史搜索词；
对于每个历史搜索词，从所述历史搜索数据中确定该历史搜索词对应的多个历史应用程序，统计在预定时间段内每个历史应用程序被用户访问过的次数，根据所述次数对该多个历史应用程序进行排序，根据该排序结果取出前L个历史应用程序作为所述各历史应用程序，其中，L为正整数。
3.根据权利要求1所述的方法，其中，所述确定该历史搜索词被用户集中输入的程度包括：
确定在一定时间段内输入该历史搜索词的所有用户以及输入的时刻，作为基础数据；
通过计算所述基础数据的熵来表征用户集中输入的程度。
4.根据权利要求1所述的方法，其中，所述对所述特征数据进行训练，挖掘出每个待推荐应用程序对应的至少一个推荐词包括：
针对每个历史搜索词，根据该历史搜索词的特征数据判断该历史搜索词是否为有效搜索词；
对于每个待推荐应用程序，根据该待推荐应用程序的特征数据和每个历史应用程序的特征数据，确定出与该待推荐应用程序相似的至少一个历史应用程序；
将确定出的至少一个历史应用程序所对应的有效搜索词作为该待推荐应用程序对应的所述推荐词。
5.根据权利要求1所述的方法，其中，所述根据所述当前搜索词和所述至少一个推荐词确定出至少一个待推荐应用程序包括：
从所述当前搜索词中提取出核心搜索词；
若所述核心搜索词和一待推荐应用程序的至少一个推荐词完全匹配或者部分匹配，则将该待推荐应用程序作为所确定出的待推荐应用程序。
6.根据权利要求1至4中任一项所述的方法，进一步包括：
对于每个待推荐应用程序，确定该待推荐应用程序与其对应的每个推荐词之间的置信度；
所述根据所述当前搜索词和所述至少一个推荐词确定出至少一个待推荐应用程序包括：
若所述当前搜索词和一待推荐应用程序对应的推荐词完全匹配或者部分匹配，将该待推荐应用程序作为备用应用程序；
根据匹配上的推荐词的所述置信度对所有备用应用程序进行排序，根据该排序结果取出前M个备用应用程序作为所述至少一个待推荐应用程序，其中，M为正整数。
7.一种服务器，其特征在于，包括：
获取模块，用于获取应用程序的历史搜索数据；
确定模块，用于根据所述获取模块得到的历史搜索数据，确定各历史搜索词及其各自对应的用户已访问过的各历史应用程序；
挖掘模块，用于分别获取所述确定模块得到的各历史搜索词、各历史应用程序和各待推荐应用程序的特征数据，对所述特征数据进行训练，挖掘出每个待推荐应用程序对应的至少一个推荐词；
推荐模块，用于当从客户端接收到用户输入的当前搜索词时，根据所述当前搜索词和所述挖掘模块得到的至少一个推荐词确定出至少一个待推荐应用程序；及，
发送模块，用于向所述客户端发送展示所述推荐模块得到的至少一个待推荐应用程序的通知消息；
其中，所述挖掘模块包括第一挖掘单元和第二挖掘单元，
所述第一挖掘单元用于，针对每个历史搜索词，确定该历史搜索词被用户集中输入的程度、该历史搜索词在预定时间段内被输入的次数、该历史搜索词的长度以及该历史搜索词在所有历史搜索词中出现的频率，作为所述特征数据；
所述第二挖掘单元用于，针对每个历史应用程序和每个待推荐应用程序，获取该应用程序的文本描述信息，将所述文本描述信息进行分词，获得至少一个描述词；对所述文本描述信息进行识别，获得该应用程序的主题词；将所述文本描述信息转换为实数值，将该应用程序所属的类型、所述至少一个描述词、所述主题词以及所述实数值作为所述特征数据。
8.根据权利要求7所述的服务器，其中，所述确定模块用于，从所述历史搜索数据中获取用户在搜索应用程序时输入的历史搜索信息，对所述历史搜索信息进行分词，从中抽取出关键词作为所述历史搜索词；对于每个历史搜索词，从所述历史搜索数据中确定该历史搜索词对应的多个历史应用程序，统计在预定时间段内每个历史应用程序被用户访问过的次数，根据所述次数对该多个历史应用程序进行排序，根据该排序结果取出前L个历史应用程序作为所述各历史应用程序，其中，L为正整数。
9.根据权利要求7所述的服务器，其中，所述第一挖掘单元用于，确定在一定时间段内输入该历史搜索词的所有用户以及输入的时刻，作为基础数据；通过计算所述基础数据的熵来表征用户集中输入的程度。
10.根据权利要求7所述的服务器，其中，所述挖掘模块用于，针对每个历史搜索词，根据该历史搜索词的特征数据判断该历史搜索词是否为有效搜索词；对于每个待推荐应用程序，根据该待推荐应用程序的特征数据和每个历史应用程序的特征数据，确定出与该待推荐应用程序相似的至少一个历史应用程序；将确定出的至少一个历史应用程序所对应的有效搜索词作为该待推荐应用程序对应的所述推荐词。
11.根据权利要求7所述的服务器，其中，所述推荐模块用于，从所述当前搜索词中提取出核心搜索词；若所述核心搜索词和一待推荐应用程序的至少一个推荐词完全匹配或者部分匹配，则将该待推荐应用程序作为所确定出的待推荐应用程序。
12.根据权利要求7至10中任一项所述的服务器，其中，所述挖掘模块进一步用于，对于每个待推荐应用程序，确定该待推荐应用程序与其对应的每个推荐词之间的置信度；
所述推荐模块用于，若所述当前搜索词和一待推荐应用程序对应的推荐词完全匹配或者部分匹配，将该待推荐应用程序作为备用应用程序；根据匹配上的推荐词的所述置信度对所有备用应用程序进行排序，根据该排序结果取出前M个备用应用程序作为所述至少一个待推荐应用程序，其中，M为正整数。
13.一种服务器，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求1至6中任一项所述的方法。
14.一种计算机可读存储介质，其特征在于，存储有计算机可读指令，所述计算机可读指令被至少一个处理器执行时，实现如权利要求1至6中任一项所述的方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610821406.5A CN107818105B (zh) | 2016-09-13 | 2016-09-13 | 应用程序的推荐方法及服务器 |
| PCT/CN2017/100989 WO2018050022A1 (zh) | 2016-09-13 | 2017-09-08 | 应用程序的推荐方法及服务器 |
| US16/194,629 US11157956B2 (en) | 2016-09-13 | 2018-11-19 | Application recommendation method and server |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610821406.5A CN107818105B (zh) | 2016-09-13 | 2016-09-13 | 应用程序的推荐方法及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107818105A CN107818105A (zh) | 2018-03-20 |
| CN107818105B true CN107818105B (zh) | 2021-04-09 |
Family
ID=61601156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610821406.5A Active CN107818105B (zh) | 2016-09-13 | 2016-09-13 | 应用程序的推荐方法及服务器 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11157956B2 (zh) |
| CN (1) | CN107818105B (zh) |
| WO (1) | WO2018050022A1 (zh) |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110196833B (zh) * | 2018-03-22 | 2023-06-09 | 腾讯科技（深圳）有限公司 | 应用程序的搜索方法、装置、终端及存储介质 |
| CN108763362B (zh) * | 2018-05-17 | 2020-10-09 | 浙江工业大学 | 基于随机锚点对选择的局部模型加权融合Top-N电影推荐方法 |
| CN111782912B (zh) * | 2019-04-04 | 2023-08-15 | 百度在线网络技术（北京）有限公司 | 词推荐方法、装置、服务器和介质 |
| CN110083774B (zh) * | 2019-05-10 | 2023-11-03 | 腾讯科技（深圳）有限公司 | 应用推荐列表的确定方法、装置、计算机设备及存储介质 |
| CN110234133B (zh) * | 2019-05-13 | 2023-04-07 | 中国联合网络通信集团有限公司 | 一种网络控制方法和装置 |
| CN112182460B (zh) * | 2019-07-04 | 2024-03-15 | 深圳市雅阅科技有限公司 | 资源的推送方法和装置、存储介质及电子装置 |
| CN111861622B (zh) * | 2019-12-28 | 2024-08-06 | 北京嘀嘀无限科技发展有限公司 | 一种确定上车点推荐模型的方法和系统 |
| US11416245B2 (en) | 2019-12-04 | 2022-08-16 | At&T Intellectual Property I, L.P. | System and method for syntax comparison and analysis of software code |
| CN111258673A (zh) * | 2020-01-10 | 2020-06-09 | 聚好看科技股份有限公司 | 快应用显示方法及终端设备 |
| CN111241401B (zh) * | 2020-01-14 | 2023-04-14 | 北京字节跳动网络技术有限公司 | 一种搜索请求处理方法及装置 |
| CN111292164B (zh) * | 2020-01-21 | 2023-08-25 | 上海风秩科技有限公司 | 一种商品推荐方法、装置、电子设备及可读存储介质 |
| CN111597469B (zh) * | 2020-05-19 | 2022-05-20 | 北京字节跳动网络技术有限公司 | 展示位置的确定方法、确定装置、电子设备及存储介质 |
| CN112036572B (zh) * | 2020-08-28 | 2024-03-12 | 上海冰鉴信息科技有限公司 | 基于文本列表的用户特征提取方法及装置 |
| CN112632384B (zh) * | 2020-12-25 | 2024-07-05 | 北京百度网讯科技有限公司 | 针对应用程序的数据处理方法、装置、电子设备和介质 |
| CN112801191B (zh) * | 2021-02-02 | 2023-11-21 | 中国石油大学(北京) | 管道事故处置的智能推荐方法、装置及设备 |
| CN114995661A (zh) * | 2021-02-20 | 2022-09-02 | 花瓣云科技有限公司 | 一种联想词展示方法、终端设备及计算机存储介质 |
| US11625446B2 (en) * | 2021-05-03 | 2023-04-11 | Oracle International Corporation | Composing human-readable explanations for user navigational recommendations |
| CN113326416B (zh) * | 2021-06-15 | 2024-10-29 | 北京百度网讯科技有限公司 | 检索数据的方法、向客户端发送检索数据的方法及装置 |
| CN113449188A (zh) * | 2021-06-30 | 2021-09-28 | 东莞市小精灵教育软件有限公司 | 应用推荐方法、装置、电子设备及可读存储介质 |
| CN113434186A (zh) * | 2021-07-13 | 2021-09-24 | 支付宝(杭州)信息技术有限公司 | 用于推荐应用程序的方法和装置 |
| CN114265777B (zh) * | 2021-12-23 | 2023-01-10 | 北京百度网讯科技有限公司 | 应用程序的测试方法、装置、电子设备及存储介质 |
| EP4322030A1 (en) * | 2022-08-12 | 2024-02-14 | Apple Inc. | Online meta-learning for scalable item-to-item relationships |
| CN116883048B (zh) * | 2023-07-12 | 2024-03-15 | 卓盛科技(广州)有限公司 | 基于人工智能的客户数据处理方法、装置及计算机设备 |
| CN117884816B (zh) * | 2024-03-18 | 2024-05-17 | 苏芯物联技术(南京)有限公司 | 一种基于历史焊接电流工艺区间的快速工艺推荐方法 |
Family Cites Families (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2109048A1 (en) * | 2002-08-30 | 2009-10-14 | Sony Deutschland Gmbh | Methods to create a user profile and to specify a suggestion for a next selection of a user |
| US20080162537A1 (en) * | 2006-12-29 | 2008-07-03 | Ebay Inc. | Method and system for utilizing profiles |
| US20090248486A1 (en) * | 2008-03-31 | 2009-10-01 | Yahoo! Inc. | System for suggesting categories of mobile keywords to revenue generators |
| US20090282023A1 (en) * | 2008-05-12 | 2009-11-12 | Bennett James D | Search engine using prior search terms, results and prior interaction to construct current search term results |
| US8954413B2 (en) * | 2010-04-12 | 2015-02-10 | Thermopylae Sciences and Technology | Methods and apparatus for adaptively harvesting pertinent data |
| CN101859425B (zh) * | 2010-06-02 | 2014-11-05 | 中兴通讯股份有限公司 | 一种提供应用列表的方法及装置 |
| US8396759B2 (en) * | 2010-06-18 | 2013-03-12 | Google Inc. | Context-influenced application recommendations |
| US8600968B2 (en) * | 2011-04-19 | 2013-12-03 | Microsoft Corporation | Predictively suggesting websites |
| US20150242470A1 (en) * | 2011-05-27 | 2015-08-27 | AVG Netherlands B.V. | Systems and methods for recommending software applications |
| US8918387B1 (en) * | 2012-04-04 | 2014-12-23 | Symantec Corporation | Systems and methods for classifying applications configured for cloud-based platforms |
| US9489636B2 (en) * | 2012-04-18 | 2016-11-08 | Tagasauris, Inc. | Task-agnostic integration of human and machine intelligence |
| CN103514191A (zh) * | 2012-06-20 | 2014-01-15 | 百度在线网络技术（北京）有限公司 | 用于确定目标推广信息的关键词匹配模式的方法和设备 |
| CN103810192A (zh) * | 2012-11-09 | 2014-05-21 | 腾讯科技（深圳）有限公司 | 一种用户的兴趣推荐方法和装置 |
| MX350344B (es) * | 2012-11-29 | 2017-09-05 | Edsense Llc | Sistema y metodo para mostrar multiples aplicaciones. |
| CN103647800B (zh) * | 2013-11-19 | 2017-12-12 | 乐视致新电子科技（天津）有限公司 | 推荐应用资源的方法及系统 |
| CN104123332B (zh) * | 2014-01-24 | 2018-11-09 | 腾讯科技（深圳）有限公司 | 搜索结果的显示方法及装置 |
| CN103942279B (zh) * | 2014-04-01 | 2018-07-10 | 百度(中国)有限公司 | 搜索结果的展现方法和装置 |
| CN103927354A (zh) * | 2014-04-11 | 2014-07-16 | 百度在线网络技术（北京）有限公司 | 交互式搜索及推荐方法和装置 |
| CN103914552B (zh) * | 2014-04-14 | 2017-06-20 | 百度在线网络技术（北京）有限公司 | 应用检索方法和装置 |
| RU2604999C2 (ru) * | 2014-05-29 | 2016-12-20 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система выработки рекомендаций по приложениям для пользователя |
| CN105335391B (zh) * | 2014-07-09 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 基于搜索引擎的搜索请求的处理方法和装置 |
| CN105574030B (zh) * | 2014-10-16 | 2019-07-12 | 腾讯科技（深圳）有限公司 | 一种信息搜索方法及装置 |
| US20160188671A1 (en) * | 2014-12-29 | 2016-06-30 | Facebook, Inc. | Methods and Systems for Recommending Applications |
| CN105117440A (zh) * | 2015-08-11 | 2015-12-02 | 北京奇虎科技有限公司 | 确定待推荐应用app的方法及装置 |
| US9952848B2 (en) * | 2015-12-21 | 2018-04-24 | Samsung Electronics Co., Ltd. | Dependency-aware transformation of multi-function applications for on-demand execution |
| CN105808685B (zh) * | 2016-03-02 | 2021-09-28 | 腾讯科技（深圳）有限公司 | 推广信息的推送方法及装置 |
| US10318562B2 (en) * | 2016-07-27 | 2019-06-11 | Google Llc | Triggering application information |
| US10846350B2 (en) * | 2016-10-18 | 2020-11-24 | Facebook, Inc. | Systems and methods for providing service directory predictive search recommendations |
-
2016
- 2016-09-13 CN CN201610821406.5A patent/CN107818105B/zh active Active
-
2017
- 2017-09-08 WO PCT/CN2017/100989 patent/WO2018050022A1/zh active Application Filing
-
2018
- 2018-11-19 US US16/194,629 patent/US11157956B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| US11157956B2 (en) | 2021-10-26 |
| US20190114668A1 (en) | 2019-04-18 |
| WO2018050022A1 (zh) | 2018-03-22 |
| CN107818105A (zh) | 2018-03-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107818105B (zh) | 应用程序的推荐方法及服务器 | |
| CN107862027B (zh) | 检索意图识别方法、装置、电子设备及可读存储介质 | |
| CN110287479B (zh) | 命名实体识别方法、电子装置及存储介质 | |
| CN106649818B (zh) | 应用搜索意图的识别方法、装置、应用搜索方法和服务器 | |
| CN105912625B (zh) | 一种面向链接数据的实体分类方法和系统 | |
| CN110020422B (zh) | 特征词的确定方法、装置和服务器 | |
| CN107291780B (zh) | 一种用户评论信息展示方法和装置 | |
| CN112533051B (zh) | 弹幕信息显示方法、装置、计算机设备和存储介质 | |
| CN107704503A (zh) | 用户关键词提取装置、方法及计算机可读存储介质 | |
| CN107657056B (zh) | 基于人工智能展示评论信息的方法和装置 | |
| CN104881458B (zh) | 一种网页主题的标注方法和装置 | |
| CN110175851B (zh) | 一种作弊行为检测方法及装置 | |
| CN104142995B (zh) | 基于视觉属性的社会事件识别方法 | |
| CN110717038B (zh) | 对象分类方法及装置 | |
| CN103914494A (zh) | 一种微博用户身份识别方法及系统 | |
| CN110197389A (zh) | 一种用户识别方法及装置 | |
| CN111144936B (zh) | 基于用户标签的相似人群扩展方法及装置 | |
| CN113590810B (zh) | 摘要生成模型训练方法、摘要生成方法、装置及电子设备 | |
| CN110472057B (zh) | 话题标签的生成方法及装置 | |
| CN113704623A (zh) | 一种数据推荐方法、装置、设备及存储介质 | |
| CN109753646B (zh) | 一种文章属性识别方法以及电子设备 | |
| CN105205075B (zh) | 基于协同自扩展的命名实体集合扩展方法及查询推荐方法 | |
| CN113095723A (zh) | 优惠券的推荐方法及装置 | |
| CN110990451A (zh) | 基于句子嵌入的数据挖掘方法、装置、设备及存储装置 | |
| CN107590163B (zh) | 文本特征选择的方法、装置和系统 |
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 |