CN107844598A - 内容推荐方法、装置及计算机设备 - Google Patents
内容推荐方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN107844598A CN107844598A CN201711176928.5A CN201711176928A CN107844598A CN 107844598 A CN107844598 A CN 107844598A CN 201711176928 A CN201711176928 A CN 201711176928A CN 107844598 A CN107844598 A CN 107844598A
- Authority
- CN
- China
- Prior art keywords
- user
- preference
- application program
- behavior
- value
- 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.)
- Pending
Links
Classifications
-
- 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]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种内容推荐方法、装置及计算机设备。该内容推荐方法，包括以下步骤：获取用户对应用程序类目的操作行为和操作日期；确定所述应用程序类目的偏好类型；根据所述操作行为得到所述用户对所述应用程序类目的贡献值；计算当前日期与所述操作日期的时间差；根据所述偏好类型、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值；根据应用程序类目的偏好值，向用户推荐内容。该内容推荐方法根据用户对应用程序类目的偏好类型计算用户对该应用程序类目的偏好值，根据用户对应用程序类目的偏好值，给用户推送相关的内容，从而给用户推送该用户感兴趣的应用程序类目相关的内容。
Description
技术领域
本发明涉及互联网技术领域，具体而言，本发明涉及一种内容推荐方法、装置及计算机设备。
背景技术
随着互联网技术的高速发展，人们通过互联网获取到的应用程序以及与应用程序相关的内容也越来越多。传统地，应用程序分发平台根据应用程序类目的用户点击量给用户推送相关的应用程序。然而，在应用程序分发平台中，不同人群对不同类目的兴趣度不一样。并且，每个用户对不同的应用程序类目，兴趣度也不一样。因此，根据应用程序类目的用户点击量给不同的用户推送相应的应用程序以及相应的内容，不能准确地给用户推送用户感兴趣的应用程序及相关的内容。
发明内容
本发明的目的旨在提供一种内容推荐方法、装置及计算机设备，以实现根据不同的用户对应用程序类目的偏好值，给对应的用户推送该用户感兴趣的应用程序相关的内容。
为了实现上述目的，本发明提供以下技术方案：
一种内容推荐方法，包括以下步骤：获取用户对应用程序类目的操作行为和操作日期；确定所述应用程序类目的偏好类型；根据所述操作行为得到所述用户对所述应用程序类目的贡献值；计算当前日期与所述操作日期的时间差；根据所述偏好类型、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值；根据应用程序类目的偏好值，向用户推荐内容。
在其中一个实施例中，所述根据应用程序类目的偏好值，向用户推荐内容，包括：根据应用程序类目的偏好值，向用户推荐所述应用程序类目。
在其中一个实施例中，所述操作行为包括用户的浏览行为和使用行为；所述根据所述操作行为得到所述用户对所述应用程序类目的贡献值，包括：分别根据所述浏览行为和所述使用行为得到所述用户对所述应用程序类目的浏览行为贡献值和使用行为贡献值；所述根据所述偏好类型、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值，包括：根据所述浏览行为贡献值、所述偏好类型和所述时间差，计算所述用户对所述应用程序类目的浏览行为偏好值；根据所述使用行为贡献值、所述偏好类型和所述时间差，计算所述用户对所述应用程序类目的使用行为偏好值；根据所述浏览行为偏好值和所述使用行为偏好值，计算所述用户对所述应用程序类目的偏好值。
在其中一个实施例中，所述根据所述浏览行为偏好值和所述使用行为偏好值，计算所述用户对所述应用程序类目的偏好值，包括：将所述浏览行为偏好值和所述使用行为偏好值进行归一化处理，计算所述用户对所述应用程序类目的偏好值。
在其中一个实施例中，所述偏好类型为短线偏好类型；所述根据所述偏好类型、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值，包括：获取所述用户对所述应用程序类目的偏好持续时间；根据所述偏好持续时间、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值。
在其中一个实施例中，根据以下公式计算所述用户对所述应用程序类目的偏好值：
其中，t-ti为所述时间差，为所述用户对所述应用程序类目的偏好值，c为根据所述操作行为得到所述用户对所述应用程序类目的贡献值，T所述用户对所述应用程序类目的偏好持续时间。
在其中一个实施例中，所述操作行为包括用户的浏览行为和使用行为；根据以下公式计算所述偏好持续时间内，所述浏览行为对所述应用程序类目总的偏好值：
其中，t-ti为当前日期与所述浏览行为日期的时间差，pdealinfo为所述浏览行为对所述应用程序类目总的偏好值，为根据所述浏览行为得到所述用户对所述应用程序类目的贡献值，Tdealinfo为所述浏览行为持续时间；ti∈{dealinfo}表示所述浏览行为发生的日期在所述浏览时间范围内；
根据以下公式计算所述偏好持续时间内，所述使用行为对所述应用程序类目总的偏好值：
其中，t-ti为当前日期与所述使用行为日期的时间差，pbuy为所述使用行为对所述应用程序类目总的偏好值，为根据所述使用行为得到所述用户对所述应用程序类目的贡献值，Tbuy为所述使用行为持续时间；ti∈{buy}表示所述使用行为发生的日期在所述使用时间范围内。
在其中一个实施例中，所述偏好类型为长线偏好类型；所述根据所述偏好类型、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值，包括：获取所述用户对所述应用程序类目的偏好兴趣周期；根据所述偏好兴趣周期、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值。
在其中一个实施例中，根据以下公式计算所述用户对所述应用程序类目的偏好值：
其中，t-ti为所述时间差，为所述用户对所述应用程序类目的偏好值，为根据所述操作行为得到所述用户对所述应用程序类目的贡献值，T所述用户对所述应用程序类目的偏好持续时间，β为偏好衰减系数。
在其中一个实施例中，所述操作行为包括用户的浏览行为和使用行为；根据以下公式计算所述偏好持续时间内，所述浏览行为对所述应用程序类目总的偏好值：
其中，t-ti为当前日期与所述浏览行为日期的时间差，pdealinfo为所述浏览行为对所述应用程序类目总的偏好值，为根据所述浏览行为得到所述用户对所述应用程序类目的贡献值，Tdealinfo为所述浏览行为持续时间；ti∈{dealinfo}表示所述浏览行为发生的日期在所述浏览时间范围内；β为偏好衰减系数；
根据以下公式计算所述偏好持续时间内，所述使用行为对所述应用程序类目总的偏好值：
其中，t-ti为当前日期与所述使用行为日期的时间差，pbuy为所述使用行为对所述应用程序类目总的偏好值，为根据所述使用行为得到所述用户对所述应用程序类目的贡献值，Tbuy为所述使用行为持续时间；ti∈{buy}表示所述使用行为发生的日期在所述使用时间范围内，β为偏好衰减系数。
在其中一个实施例中，所述根据应用程序类目的偏好值，向用户推荐所述应用程序类目，包括：确认应用程序类目的偏好值大于阈值，向所述用户推荐所述应用程序类目；或计算应用商场中全部应用程序类目的偏好值，按偏好值从高到低对应用程序类目进行排序，向所述用户推荐排在最前面的预置数量的应用程序类目。
一种内容推荐装置，包括：第一获取模块，用于获取用户对应用程序类目的操作行为和操作日期；确定模块，用于确定所述应用程序类目的偏好类型；第二获取模块，用于根据所述操作行为得到所述用户对所述应用程序类目的贡献值；第一计算模块，用于计算当前日期与所述操作日期的时间差；第二计算模块，用于根据所述偏好类型、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值；推荐模块，用于根据应用程序类目的偏好值，向用户推荐内容。
一种计算机设备，其包括：一个或多个处理器；存储器；一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于执行上述任一实施例所述的内容推荐方法。
相比现有技术，本发明的方案具有以下优点：
本发明提供的一种内容推荐方法，根据应用程序类目的偏好类型、用户操作行为对应用程序类目的贡献值、以及用户当前日期与操作日期的时间差计算该用户对对应应用程序类目的偏好值。根据应用程序类目的偏好值，向用户推荐内容。此处的内容包括应用程序类目本身、与该应用程序类目相似的其他应用程序类目、与该应用程序类目相关的广告以及资讯内容等。例如，根据应用程序类目的偏好值，向用户推荐该应用程序类目。或者，根据应用程序类目的偏好值，向用户推荐与该应用程序类目相似的应用程序类目。该内容推荐方法根据用户对应用程序类目的偏好类型计算用户对该应用程序类目的兴趣的偏好值，根据用户对应用程序类目的偏好值，给用户推送相关的内容，从而给用户推送该用户感兴趣的应用程序类目相关的内容。
并且，根据用户的具体操作行为，即浏览行为和使用行为，得到用户对应用程序类目的浏览行为偏好值和使用行为偏好值，并根据浏览行为偏好值和使用行为偏好值获得用户对应用程序类目的偏好值。例如，根据用户的浏览行为偏好值和使用行为偏好值的加权值，得到用户对该应用程序的偏好值。或者，再将该加权值进行逻辑归一化处理，得到用户对该应用程序的偏好值。根据该偏好值向用户推送相应的与应用程序类目相关的内容。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明一实施例中的一种内容推荐方法的方法流程图；
图2为图1中步骤S20一实施例中的方法流程图；
图3为图1中步骤S20另一实施例中的方法流程图；
图4为短线偏好类型的偏好衰减模型的示意图；
图5为图1中步骤S20又一实施例中的方法流程图；
图6为长线偏好类型的偏好衰减模型的示意图；
图7为本发明一实施例中的一种内容推荐装置的方法流程图；
图8为本发明一实施例中的计算机设备结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明提供一种内容推荐方法。此处所述的内容推荐方法中的内容包括：应用程类目序、相似应用程序类目、应用程序类目介绍、与应用程序类目相关的广告以及资讯等。
如图1所示，本发明的一种内容推荐方法，包括步骤：
S100，获取用户对应用程序类目的操作行为和操作日期。
服务器获取用户对应用程序类目的操作行为和操作日期。用户对应用程序类目的操作行为包括用户对应用程序类目的点击行为，用户对应用程序类目的浏览行为，以及用户对应用程序类目的使用行为等。服务器获取到用户对应用程序类目的具体的操作行为以及该具体的操作行为的操作日期。
在一实施方式中，基于应用商店的特性，服务器获取用户对应用程序类目的点击行为、浏览行为以及使用行为等数据。并且，分别获取该点击行为、浏览行为以及使用行为对应的操作日期。
S200，确定所述应用程序类目的偏好类型。
服务器获取用户对应用程序类目的操作行为和操作日期之后，进一步确定所述应用程序类目的偏好类型。其中，应用程序类目的偏好类型包括长线偏好类型和短线偏好类型。长线偏好类型中，根据用户兴趣周期的长短，可分为长周期偏好类型和短周期偏好类型两类。
短线偏好类型指的是：用户对应用程序类目的偏好只在短时间内有效，超过该时间段之后，该偏好不存在或无法判断偏好是否存在。如医院预约叫号等类目。长线偏好类型指的是：一般来说长线偏好类型中，用户对应用程序类目的兴趣伴随用户较长时间，可能几年甚至终生，一般不会发生转变。根据用户对应用程序类目的兴趣周期的长短，可进一步分为短周期偏好和长周期偏好。短周期偏好，周期在1～2个月以内，如美食、新闻等类目。长周期偏好，周期在几个月甚至1年以上，如汽车、购物等类目。
S300，根据所述操作行为得到所述用户对所述应用程序类目的贡献值。
服务器根据用户对应用程序类目的操作行为，得到该用户对应用程序类目的贡献值。此处，贡献值用于衡量ti(第i天)当天用户操作行为次数对偏好值的贡献程度。例如，服务器根据用户对应用程序类目的浏览行为，得到该用户对应用程序类目的浏览行为贡献值。服务器根据用户对应用程序类目的使用行为，得到该用户对应用程序类目的使用行为贡献值。
S400，计算当前日期与所述操作日期的时间差。
服务器获取当前日期与操作行为对应的操作日期，再计算当前日期和操作行为对应的操作日期的时间差。例如，用户对应用程序类目的操作行为为浏览行为。则服务器获取浏览行为当天的日期，以及当前的日期，计算当前日期与浏览行为当天的日期的时间差。用户对应用程序类目的操作行为为使用行为。则服务器获取使用行为当天的日期，以及当前的日期，计算当前日期与使用行为当天的日期的时间差。
S500，根据所述偏好类型、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值。
服务器根据应用程序类目的偏好类型，根据用户对应用程序类目的操作行为得到的用户对该应用程序类目的贡献值，以及当前日期与该操作行为对应的日期的时间差，计算该用户对该应用程序类目的偏好值。
在一实施方式中，当应用程序类目的偏好类型为长线偏好类型时，获取根据用户对该长线偏好类型的应用程序类目的操作行为得到的用户对该应用程序类目的贡献值，以及当前日期与该操作行为日期的时间差，计算该用户对该应用程序类目的偏好值。当应用程序类目的偏好类型为短线偏好类型时，获取根据用户对该短线偏好类型的应用程序类目的操作行为得到的用户对该应用程序类目的贡献值，以及当前日期与该操作行为日期的时间差，计算该用户对该应用程序类目的偏好值。
S600，根据应用程序类目的偏好值，向用户推荐内容。
在一实施例中，根据步骤S100至步骤S500，服务器可获取用户对每个应用程序类目的偏好值。根据用户对每个应用程序类目的偏好值，向用户推荐内容。此处的内容为与对应应用程序类目相关的内容。例如，应用程序类目本身、应用程序类目的介绍内容、与该应用程序类目相似的其他应用程序类目以及与该应用程序类目相关的广告及资讯等。
在一实施方式中，步骤S600包括步骤A：根据应用程序类目的偏好值，向用户推荐所述应用程序类目。也即是，在本实施方式中，向用户推荐的内容为该应用程序类目本身。
在一实施方式中，步骤A包括：确认应用程序类目的偏好值大于阈值，向所述用户推荐所述应用程序类目；或计算应用商场中全部应用程序类目的偏好值，按偏好值从高到低对应用程序类目进行排序，向所述用户推荐排在最前面的预置数量的应用程序类目。
具体地，根据步骤S100至步骤S500，服务器可获取用户对每个应用程序类目的偏好值。服务器确认应用程序类目的偏好值大于阈值时，向该用户推荐该应用程序类目。其中，该处的阈值根据实际需求进行提前设定。
或者，根据步骤S100至步骤S500，服务器可获取用户对每个应用程序类目的偏好值。服务器计算出应用商场中全部应用程序类目的偏好值后，按用户对全部应用程序类目的偏好值从高到低对全部应用程序类目进行排序，向该用户推荐排在最前面的预置数量的应用程序类目。例如，向该用户推荐的预置数量的应用程序类目为8个。服务器根据步骤S100至步骤S500计算出用户对应用商店中每个应用程序类目的偏好值，并根据每个应用程序类目的偏好值对应用商店中的应用程序类目进行从高到低的排序，将排在最前面的8个应用程序类目推荐给该用户。
上述内容推荐方法，根据应用程序类目的偏好类型、用户操作行为对应用程序类目的贡献值、以及用户当前日期与操作日期的时间差计算该用户对对应应用程序类目的偏好值。根据应用程序类目的偏好值，向用户推荐内容。例如，向用户推荐该应用程序类目本身。或者，向用户推荐与该应用程序类目相关的其他应用程序类目。或者。向用户推荐与该应用程序类目相关的广告以及资讯等。该内容推荐方法根据用户对应用程序类目的偏好类型计算用户对该应用程序类目的兴趣的偏好值，根据用户对应用程序类目的偏好值，给用户推荐内容，从而给用户推荐该用户感兴趣的与应用程序类目相关的内容。
在一实施例中，步骤S100中，用户对应用程序类目的操作行为包括用户的浏览行为和使用行为。步骤S300包括：分别根据所述浏览行为和所述使用行为得到所述用户对所述应用程序类目的浏览行为贡献值和使用行为贡献值。
如图2所示，步骤S500包括：
S501，根据所述浏览行为贡献值、所述偏好类型和所述时间差，计算所述用户对所述应用程序类目的浏览行为偏好值。
服务器根据用户对应用程序的浏览行为得到的用户对该应用程序类目的浏览行为贡献值，并根据该浏览行为贡献值、该应用程序类目的偏好类型以及当前日期和浏览行为操作日期的时间差，计算该用户对该应用程序类目的浏览行为偏好值。
S503，根据所述使用行为贡献值、所述偏好类型和所述时间差，计算所述用户对所述应用程序类目的使用行为偏好值。
服务器根据用户对应用程序的使用行为得到的用户对该应用程序类目的使用行为贡献值，并根据该使用行为贡献值、该应用程序类目的偏好类型以及当前日期和使用行为操作日期的时间差，计算该用户对该应用程序类目的使用行为偏好值。
S505，根据所述浏览行为偏好值和所述使用行为偏好值，计算所述用户对所述应用程序类目的偏好值。
服务器计算出用户对应用程序类目的浏览行为偏好值以及用户对应用程序类目的使用行为偏好值，根据所述浏览行为偏好值和使用行为偏好值，计算用户对应用程序类目的偏好值。在一实施方式中，服务器获取所述浏览行为偏好值和所述使用行为偏好值的加权和，根据该加权和的结果得到用户对应用程序类目的偏好值。在其他的实施方式中，还可将浏览行为偏好值和所述使用行为偏好值的加权和，进行归一化处理后，计算该用户对应用程序类目的偏好值。
在一实施例中，步骤S200中，应用程序类目的偏好类型包括短线偏好类型和长线偏好类型。当应用程序类目为短线偏好类型时，如图3所示，步骤S500包括步骤：
S507，获取所述用户对所述应用程序类目的偏好持续时间。
对于短线偏好类型的应用程序类目，用户对该应用程序类目的偏好只在短时间内有效，超过该时间段之后，偏好不存在或无法判断偏好是否存在。因此，服务器可获取到短线偏好类型的应用程序类目的偏好持续时间。
S509，根据所述偏好持续时间、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值。
服务器获取到短线偏好类型的应用程序类目的偏好持续时间之后，将根据该偏好持续时间、根据用户操作行为得到的用户对应用程序类目的贡献值以及当前日期与操作行为日期的时间差，计算用户对应用程序类目的偏好值。
在一实施方式中，根据以下公式计算所述用户对所述应用程序类目的偏好值：
其中，t-ti为所述时间差，为所述用户对所述应用程序类目的偏好值，c为根据所述操作行为得到所述用户对所述应用程序类目的贡献值，T所述用户对所述应用程序类目的偏好持续时间。
在一实施方式中，所述操作行为包括用户的浏览行为和使用行为；
根据以下公式计算所述偏好持续时间内，所述浏览行为对所述应用程序类目总的偏好值：
其中，t-ti为当前日期与所述浏览行为日期的时间差，pdealinfo为所述浏览行为对所述应用程序类目总的偏好值，为根据所述浏览行为得到所述用户对所述应用程序类目的贡献值，Tdealinfo为所述浏览行为持续时间；ti∈{dealinfo}表示所述浏览行为发生的日期在所述浏览时间范围内；
根据以下公式计算所述偏好持续时间内，所述使用行为对所述应用程序类目总的偏好值：
其中，t-ti为当前日期与所述使用行为日期的时间差，pbuy为所述使用行为对所述应用程序类目总的偏好值，为根据所述使用行为得到所述用户对所述应用程序类目的贡献值，Tbuy为所述使用行为持续时间；ti∈{buy}表示所述使用行为发生的日期在所述使用时间范围内。
具体地，在一实施方式中，短线偏好类型是指，偏好只在短时间内有效，超过该时间段之后，偏好不存在或无法判断偏好是否存在。如医院预约叫号等类目。短线偏好类型只在较短的时间内有偏好，其偏好衰减模型为：
其中：ti为用户行为发生的日期，t为当前日期，t-ti为行为发生日期与当前日期的时间差；偏好持续时间为T，时间T之后用户不在有偏好；用于衡量ti当天用户发生相关行为类型的次数对偏好的贡献程度。偏好持续时间T通过历史统计数据进行选定。短线偏好类型的偏好衰减模型的示意图如图4所示。
在一实施例中，短线偏好类型包括生活服务类。对于短线偏好类型，在用户浏览之后的一段时间内存在较高的偏好值，用户使用之后其偏好值逐渐降低。其中，用户的浏览行为贡献的浏览行为偏好值为：
用户的使用行为贡献的浏览行为偏好值为：
其中Tdealinfo和Tbuy分别为用户浏览行为和使用行为贡献的偏好应持续的时间，通常Tdealinfo>Tbuy。其他参数的解释，参照上述实施例中提到的对应公式的参数解释。另外，在具体计算上，发生使用行为之后，pdealinfo应乘以一定系数降低其值。用户对应用程序类目的最终的偏好值，通过将使用行为偏好值和浏览行为偏好值加权求和之后，通过logistic(逻辑)归一化得到。
当应用程序类目为长线偏好类型时，如图5所示，步骤S500包括步骤：
S511，获取所述用户对所述应用程序类目的偏好兴趣周期。
对于长线偏好类型的应用程序类目，一般来说用户对应用程序类目的兴趣伴随用户较长时间，可能几年甚至终生，一般不会发生转变。因此，服务器可获取到短线偏好类型的应用程序类目的偏好持续时间。根据用户偏好兴趣周期的长短，可进一步分为短周期偏好类型和长周期偏好类型。因此，服务器根据长线偏好类型的应用程序类目获取该应用程序类目的偏好兴趣周期。
S513，根据所述偏好兴趣周期、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值。
服务器获取到长线偏好类型的应用程序类目的偏好兴趣周期之后，将根据该偏好兴趣周期、根据用户操作行为得到的用户对应用程序类目的贡献值以及当前日期与操作行为日期的时间差，计算用户对应用程序类目的偏好值。
在一实施方式中，根据以下公式计算所述用户对所述应用程序类目的偏好值：
其中，t-ti为所述时间差，为所述用户对所述应用程序类目的偏好值，为根据所述操作行为得到所述用户对所述应用程序类目的贡献值，T所述用户对所述应用程序类目的偏好持续时间，β为偏好衰减系数。
在一实施方式中，所述操作行为包括用户的浏览行为和使用行为。根据以下公式计算所述偏好持续时间内，所述浏览行为对所述应用程序类目总的偏好值：
其中，t-ti为当前日期与所述浏览行为日期的时间差，pdealinfo为所述浏览行为对所述应用程序类目总的偏好值，为根据所述浏览行为得到所述用户对所述应用程序类目的贡献值，Tdealinfo为所述浏览行为持续时间；ti∈{dealinfo}表示所述浏览行为发生的日期在所述浏览时间范围内；β为偏好衰减系数；
根据以下公式计算所述偏好持续时间内，所述使用行为对所述应用程序类目总的偏好值：
其中，t-ti为当前日期与所述使用行为日期的时间差，pbuy为所述使用行为对所述应用程序类目总的偏好值，为根据所述使用行为得到所述用户对所述应用程序类目的贡献值，Tbuy为所述使用行为持续时间；ti∈{buy}表示所述使用行为发生的日期在所述使用时间范围内，β为偏好衰减系数。
在一实施方式中，长线偏好类型存在周期性，会随时间推移周期性衰减，衰减模型为：
其中：ti为用户行为发生的日期，t为当前日期，t-ti为行为发生日期与当前日期的时间差。β为偏好衰减系数(指数衰减)，取值在0～1之间，该值决定了兴趣衰减的速度，值越高，兴趣衰减越慢。兴趣半衰期通常取值β≥0.95。T为兴趣的周期，选取全网用户对整个类目的周期。λ为调节系数，用于调节周期性的强弱，取值0～0.5之间，取值越高，周期性越明显，当λ取值0时，上述模型退化为非周期的指数衰减模型，见图4。用于衡量ti当天用户浏览或使用不同团单的次数对偏好的贡献程度。长线偏好类型的偏好衰减模型的示意图如图6所示。图6为衰减系数β为0.98，周期T为40时，不同λ取值的衰减规律。
具体地，在一实施方式中，长线偏好类型随着时间的推移衰减较小。用户的兴趣存在周期性，周期等于该子类目的平均使用周期。长线偏好类型包括美食类的应用程序类目。其中，用户发生过使用行为，或在同一天对同类目不同应用浏览次数在两次以上，认为用户对该类目有长期偏好。偏好值p由用户使用行为贡献的使用行为偏好值pbuy和用户浏览行为贡献的浏览行为偏好值pdealinfo两部分的加权和，并经过logistic归一化得到，即
其中为归一化之前的偏好值，
归一化亦可采用正态分布函数进行处理，具体处理过程为，将偏好分值归一化为标准正态分布后，通过计算各分值对应的累计分布函数的取值，得到0～1之间的分值，最后进行线性放大，得到0～L之间的分值。
在本实施方式中，使用行为贡献的使用行为偏好值为：
式中pbuy,i为第ti天的使用贡献的偏好值，根据其衰减模型
其中，β为衰减系数，T为该类目的平均使用周期，λ为调节系数，t为当前日期，为第ti天使用的不同团单数的贡献度。设置是出于这样的考虑，当用户在ti天使用该类目下不同团单的量越大，偏好值也应该越高，具体设置为
其中为ti天不同团单的使用数，0≤q<1，例如，当q＝0.8时，若则若则若则 的上限为5。
在本实施方式中，浏览行为贡献的浏览行为偏好值为：
其中pdealinfo,i为第ti天的浏览行为贡献的浏览行为偏好值，具体计算方式与pbuy,i类似。具体为：根据其衰减模型
其中，β为衰减系数，T为该类目的平均浏览周期，λ为调节系数，t为当前日期，为第ti天浏览的不同团单数的贡献度。设置是出于这样的考虑，当用户在ti天浏览该类目下不同团单的量越大，偏好值也应该越高，具体设置为
其中为ti天不同团单的浏览数，0≤q<1，例如，当q＝0.8时，若则若则若则 的上限为5。
在一实施方式中，休闲娱乐类(包括电影)偏好为长线偏好类型，只要用户对应用程序类目发生过使用行为和浏览行为，就认为用户有长线偏好，偏好衰减模型同上，用户偏好周期为各子类目的平均使用周期，使用行为和浏览行为的贡献度为固定值1。最终的偏好分值，通过使用行为和浏览行为贡献的偏好值加权求和，并进行logistic归一化得到。
在一实施方式中，生活服务类主要为长线偏好类型还包括生活服务类、旅游类、酒店偏好类以及网购类等。酒店偏好类的衰减系数β适当设小，使其能随时间较快衰减。旅游类采用长线偏好类型中的周期衰减模型。网购类大部分类目为长线偏好类型，采用长线偏好衰减模型。部分类目，如眼镜、家具家饰等为短线偏好类型，采用短线偏好衰减模型。
在一实施方式中，父类目偏好值计算的方法是通过子类目向父类目传播得到。父类目偏好值计算是先对子类目分值归一化之后再向父类目转播，还是在子类目分值归一化之前向上传递给父类目后再进行归一化，需分析数据后进一步确定。
本发明还提供一种内容推荐装置。如图7所示，该应用程序类目推荐装置包括第一获取模块100、确定模块200、第二获取模块300、第一计算模块400、第二计算模块500以及推荐模块600。
第一获取模块100用于获取用户对应用程序类目的操作行为和操作日期。
服务器获取用户对应用程序类目的操作行为和操作日期。用户对应用程序类目的操作行为包括用户对应用程序类目的点击行为，用户对应用程序类目的浏览行为，以及用户对应用程序类目的使用行为等。服务器获取到用户对应用程序类目的具体的操作行为以及该具体的操作行为的操作日期。
在一实施方式中，基于应用商店的特性，服务器获取用户对应用程序类目的点击行为、浏览行为以及使用行为等数据。并且，分别获取该点击行为、浏览行为以及使用行为对应的操作日期。
在其他的实施方式中，第一获取模块100还包括上述方法中对应步骤实现的功能。
确定模块200用于确定所述应用程序类目的偏好类型。
服务器获取用户对应用程序类目的操作行为和操作日期之后，进一步确定所述应用程序类目的偏好类型。其中，应用程序类目的偏好类型包括长线偏好类型和短线偏好类型。长线偏好类型中，根据用户兴趣周期的长短，可分为长周期偏好类型和短周期偏好类型两类。
短线偏好类型指的是：用户对应用程序类目的偏好只在短时间内有效，超过该时间段之后，该偏好不存在或无法判断偏好是否存在。如医院预约叫号等类目。长线偏好类型指的是：一般来说长线偏好类型中，用户对应用程序类目的兴趣伴随用户较长时间，可能几年甚至终生，一般不会发生转变。根据用户对应用程序类目的兴趣周期的长短，可进一步分为短周期偏好和长周期偏好。短周期偏好，周期在1～2个月以内，如美食、新闻等类目。长周期偏好，周期在几个月甚至1年以上，如汽车、购物等类目。
在其他的实施方式中，确定模块200还包括上述方法中对应步骤实现的功能。
第二获取模块300用于根据所述操作行为得到所述用户对所述应用程序类目的贡献值。
服务器根据用户对应用程序类目的操作行为，得到该用户对应用程序类目的贡献值。此处，贡献值用于衡量ti(第i天)当天用户操作行为次数对偏好值的贡献程度。例如，服务器根据用户对应用程序类目的浏览行为，得到该用户对应用程序类目的浏览行为贡献值。服务器根据用户对应用程序类目的使用行为，得到该用户对应用程序类目的使用行为贡献值。
在其他的实施方式中，第二获取模块300还包括上述方法中对应步骤实现的功能。
第一计算模块400用于计算当前日期与所述操作日期的时间差。
服务器获取当前日期与操作行为对应的操作日期，再计算当前日期和操作行为对应的操作日期的时间差。例如，用户对应用程序类目的操作行为为浏览行为。则服务器获取浏览行为当天的日期，以及当前的日期，计算当前日期与浏览行为当天的日期的时间差。用户对应用程序类目的操作行为为使用行为。则服务器获取使用行为当天的日期，以及当前的日期，计算当前日期与使用行为当天的日期的时间差。
在其他的实施方式中，第一计算模块400还包括上述方法中对应步骤实现的功能。
第二计算模块500用于根据所述偏好类型、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值。
服务器根据应用程序类目的偏好类型，根据用户对应用程序类目的操作行为得到的用户对该应用程序类目的贡献值，以及当前日期与该操作行为对应的日期的时间差，计算该用户对该应用程序类目的偏好值。
在一实施方式中，当应用程序类目的偏好类型为长线偏好类型时，获取根据用户对该长线偏好类型的应用程序类目的操作行为得到的用户对该应用程序类目的贡献值，以及当前日期与该操作行为日期的时间差，计算该用户对该应用程序类目的偏好值。当应用程序类目的偏好类型为短线偏好类型时，获取根据用户对该短线偏好类型的应用程序类目的操作行为得到的用户对该应用程序类目的贡献值，以及当前日期与该操作行为日期的时间差，计算该用户对该应用程序类目的偏好值。
在其他的实施方式中，第二计算模块500还包括上述方法中对应步骤实现的功能。
推荐模块600用于根据应用程序类目的偏好值，向用户推荐内容。
在一实施例中，根据模块100至模块500，服务器可获取用户对每个应用程序类目的偏好值。根据用户对每个应用程序类目的偏好值，向用户推荐内容。此处的内容为与对应应用程序类目相关的内容。例如，应用程序类目本身、应用程序类目的介绍内容、与该应用程序类目相似的其他应用程序类目以及与该应用程序类目相关的广告及资讯等。
在一实施方式中，推荐模块600包括模块A：根据应用程序类目的偏好值，向用户推荐所述应用程序类目。也即是，在本实施方式中，向用户推荐的内容为该应用程序类目本身。
在一实施方式中，模块A包括：确认应用程序类目的偏好值大于阈值，向所述用户推荐所述应用程序类目；或计算应用商场中全部应用程序类目的偏好值，按偏好值从高到低对应用程序类目进行排序，向所述用户推荐排在最前面的预置数量的应用程序类目。
具体地，根据模块100至模块500，服务器可获取用户对每个应用程序类目的偏好值。服务器确认应用程序类目的偏好值大于阈值时，向该用户推荐该应用程序类目。其中，该处的阈值根据实际需求进行提前设定。
或者，根据模块100至模块500，服务器可获取用户对每个应用程序类目的偏好值。服务器计算出应用商场中全部应用程序类目的偏好值后，按用户对全部应用程序类目的偏好值从高到低对全部应用程序类目进行排序，向该用户推荐排在最前面的预置数量的应用程序类目。例如，向该用户推荐的预置数量的应用程序类目为8个。服务器根据模块100至模块500计算出用户对应用商店中每个应用程序类目的偏好值，并根据每个应用程序类目的偏好值对应用商店中的应用程序类目进行从高到低的排序，将排在最前面的8个应用程序类目推荐给该用户。
在其他的实施方式中，推荐模块600还包括上述方法中对应步骤实现的功能。
本发明还提供一种计算机设备。该计算机设备包括：一个或多个处理器；存储器；一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于执行上述任一实施例所述的内容推荐方法。
图8为本发明一实施例中的计算机设备结构示意图。例如服务器、个人计算机以及网络设备。如图8所示，设备包括处理器803、存储器805、输入单元807以及显示单元809等器件。本领域技术人员可以理解，图8示出的设备结构器件并不构成对所有设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件。存储器805可用于存储应用程序801以及各功能模块，处理器803运行存储在存储器805的应用程序801，从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器，或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器只作为例子而非作为限定。
输入单元807用于接收信号的输入，以及接收用户输入的关键字。输入单元807可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并根据预先设定的程序驱动相应的连接装置；其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元809可用于显示用户输入的信息或提供给用户的信息以及计算机设备的各种菜单。显示单元809可采用液晶显示器、有机发光二极管等形式。处理器803是计算机设备的控制中心，利用各种接口和线路连接整个电脑的各个部分，通过运行或执行存储在存储器803内的软件程序和/或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据。
在一实施方式中，设备包括一个或多个处理器803，以及一个或多个存储器805，一个或多个应用程序801。其中所述一个或多个应用程序801被存储在存储器805中并被配置为由所述一个或多个处理器803执行，所述一个或多个应用程序801配置用于执行以上实施例所述的内容推荐方法。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括存储器、磁盘或光盘等。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (13)
1.一种内容推荐方法，其特征在于，包括以下步骤：
获取用户对应用程序类目的操作行为和操作日期；
确定所述应用程序类目的偏好类型；
根据所述操作行为得到所述用户对所述应用程序类目的贡献值；
计算当前日期与所述操作日期的时间差；
根据所述偏好类型、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值；
根据应用程序类目的偏好值，向用户推荐内容。
2.根据权利要求1所述的内容推荐方法，其特征在于，所述根据应用程序类目的偏好值，向用户推荐内容，包括：
根据应用程序类目的偏好值，向用户推荐所述应用程序类目。
3.根据权利要求1所述的内容推荐方法，其特征在于，所述操作行为包括用户的浏览行为和使用行为；
所述根据所述操作行为得到所述用户对所述应用程序类目的贡献值，包括：分别根据所述浏览行为和所述使用行为得到所述用户对所述应用程序类目的浏览行为贡献值和使用行为贡献值；
所述根据所述偏好类型、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值，包括：
根据所述浏览行为贡献值、所述偏好类型和所述时间差，计算所述用户对所述应用程序类目的浏览行为偏好值；
根据所述使用行为贡献值、所述偏好类型和所述时间差，计算所述用户对所述应用程序类目的使用行为偏好值；
根据所述浏览行为偏好值和所述使用行为偏好值，计算所述用户对所述应用程序类目的偏好值。
4.根据权利要求3所述的内容推荐方法，其特征在于，所述根据所述浏览行为偏好值和所述使用行为偏好值，计算所述用户对所述应用程序类目的偏好值，包括：
将所述浏览行为偏好值和所述使用行为偏好值进行归一化处理，计算所述用户对所述应用程序类目的偏好值。
5.根据权利要求1所述的内容推荐方法，其特征在于，所述偏好类型为短线偏好类型；所述根据所述偏好类型、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值，包括：
获取所述用户对所述应用程序类目的偏好持续时间；
根据所述偏好持续时间、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值。
6.根据权利要求5所述的内容推荐方法，其特征在于，根据以下公式计算所述用户对所述应用程序类目的偏好值：
<mrow>
<msub>
<mi>p</mi>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msub>
<mi>&eta;</mi>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mfrac>
<mrow>
<mi>&pi;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mi>T</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>></mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，t-ti为所述时间差，为所述用户对所述应用程序类目的偏好值，c为根据所述操作行为得到所述用户对所述应用程序类目的贡献值，T所述用户对所述应用程序类目的偏好持续时间。
7.根据权利要求6所述的内容推荐方法，其特征在于，所述操作行为包括用户的浏览行为和使用行为；
根据以下公式计算所述偏好持续时间内，所述浏览行为对所述应用程序类目总的偏好值：
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>d</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
<mi>inf</mi>
<mi>o</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mo>{</mo>
<mi>d</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
<mi>inf</mi>
<mi>o</mi>
<mo>}</mo>
</mrow>
</munder>
<msub>
<mi>&eta;</mi>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mfrac>
<mrow>
<mi>&pi;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>d</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
<mi>inf</mi>
<mi>o</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>d</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
<mi>inf</mi>
<mi>o</mi>
</mrow>
</msub>
</mrow>
其中，t-ti为当前日期与所述浏览行为日期的时间差，pdealinfo为所述浏览行为对所述应用程序类目总的偏好值，为根据所述浏览行为得到所述用户对所述应用程序类目的贡献值，Tdealinfo为所述浏览行为持续时间；ti∈{dealinfo}表示所述浏览行为发生的日期在所述浏览时间范围内；
根据以下公式计算所述偏好持续时间内，所述使用行为对所述应用程序类目总的偏好值：
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>b</mi>
<mi>u</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mo>{</mo>
<mi>b</mi>
<mi>u</mi>
<mi>y</mi>
<mo>}</mo>
</mrow>
</munder>
<msub>
<mi>&kappa;</mi>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mfrac>
<mrow>
<mi>&pi;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>b</mi>
<mi>u</mi>
<mi>y</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>b</mi>
<mi>u</mi>
<mi>y</mi>
</mrow>
</msub>
</mrow>
其中，t-ti为当前日期与所述使用行为日期的时间差，pbuy为所述使用行为对所述应用程序类目总的偏好值，为根据所述使用行为得到所述用户对所述应用程序类目的贡献值，Tbuy为所述使用行为持续时间；ti∈{buy}表示所述使用行为发生的日期在所述使用时间范围内。
8.根据权利要求1所述的内容推荐方法，其特征在于，所述偏好类型为长线偏好类型；所述根据所述偏好类型、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值，包括：
获取所述用户对所述应用程序类目的偏好兴趣周期；
根据所述偏好兴趣周期、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值。
9.根据权利要求8所述的内容推荐方法，其特征在于，根据以下公式计算所述用户对所述应用程序类目的偏好值：
<mrow>
<msub>
<mi>p</mi>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</msub>
<mo>=</mo>
<msub>
<mi>&eta;</mi>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</msub>
<msup>
<mi>&beta;</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>+</mo>
<mi>&lambda;</mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mfrac>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mi>T</mi>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中，t-ti为所述时间差，为所述用户对所述应用程序类目的偏好值，为根据所述操作行为得到所述用户对所述应用程序类目的贡献值，T所述用户对所述应用程序类目的偏好持续时间，β为偏好衰减系数。
10.根据权利要求9所述的内容推荐方法，其特征在于，所述操作行为包括用户的浏览行为和使用行为；
根据以下公式计算所述偏好持续时间内，所述浏览行为对所述应用程序类目总的偏好值：
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>d</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
<mi>inf</mi>
<mi>o</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mi>d</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
<mi>inf</mi>
<mi>o</mi>
<mo>}</mo>
</mrow>
</munder>
<msub>
<mi>&eta;</mi>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</msub>
<msup>
<mi>&beta;</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>+</mo>
<mi>&lambda;</mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mfrac>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mi>T</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>d</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
<mi>inf</mi>
<mi>o</mi>
</mrow>
</msub>
</mrow>
其中，t-ti为当前日期与所述浏览行为日期的时间差，pdealinfo为所述浏览行为对所述应用程序类目总的偏好值，为根据所述浏览行为得到所述用户对所述应用程序类目的贡献值，Tdealinfo为所述浏览行为持续时间；ti∈{dealinfo}表示所述浏览行为发生的日期在所述浏览时间范围内；β为偏好衰减系数；
根据以下公式计算所述偏好持续时间内，所述使用行为对所述应用程序类目总的偏好值：
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>b</mi>
<mi>u</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mo>{</mo>
<mi>b</mi>
<mi>u</mi>
<mi>y</mi>
<mo>}</mo>
</mrow>
</munder>
<msub>
<mi>&kappa;</mi>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</msub>
<msup>
<mi>&beta;</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>+</mo>
<mi>&lambda;</mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mfrac>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mi>T</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>b</mi>
<mi>u</mi>
<mi>y</mi>
</mrow>
</msub>
</mrow>
其中，t-ti为当前日期与所述使用行为日期的时间差，pbuy为所述使用行为对所述应用程序类目总的偏好值，为根据所述使用行为得到所述用户对所述应用程序类目的贡献值，Tbuy为所述使用行为持续时间；ti∈{buy}表示所述使用行为发生的日期在所述使用时间范围内，β为偏好衰减系数。
11.根据权利要求2所述的内容推荐方法，其特征在于，所述根据应用程序类目的偏好值，向用户推荐所述应用程序类目，包括：
确认应用程序类目的偏好值大于阈值，向所述用户推荐所述应用程序类目；或
计算应用商场中全部应用程序类目的偏好值，按偏好值从高到低对应用程序类目进行排序，向所述用户推荐排在最前面的预置数量的应用程序类目。
12.一种内容推荐装置，其特征在于，包括：
第一获取模块，用于获取用户对应用程序类目的操作行为和操作日期；
确定模块，用于确定所述应用程序类目的偏好类型；
第二获取模块，用于根据所述操作行为得到所述用户对所述应用程序类目的贡献值；
第一计算模块，用于计算当前日期与所述操作日期的时间差；
第二计算模块，用于根据所述偏好类型、所述贡献值和所述时间差，计算所述用户对所述应用程序类目的偏好值；
推荐模块，用于根据应用程序类目的偏好值，向用户推荐内容。
13.一种计算机设备，其特征在于，其包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于执行根据权利要求1至11任一项所述的内容推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711176928.5A CN107844598A (zh) | 2017-11-22 | 2017-11-22 | 内容推荐方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711176928.5A CN107844598A (zh) | 2017-11-22 | 2017-11-22 | 内容推荐方法、装置及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107844598A true CN107844598A (zh) | 2018-03-27 |
Family
ID=61680144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711176928.5A Pending CN107844598A (zh) | 2017-11-22 | 2017-11-22 | 内容推荐方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107844598A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109144721A (zh) * | 2018-07-18 | 2019-01-04 | Oppo广东移动通信有限公司 | 资源排序方法、资源显示方法、相关装置及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102402766A (zh) * | 2011-12-27 | 2012-04-04 | 纽海信息技术（上海）有限公司 | 一种基于网页浏览的用户兴趣建模方法 |
| CN103246725A (zh) * | 2013-05-06 | 2013-08-14 | 上海河广信息科技有限公司 | 一种基于无线网络的数据业务推送系统和方法 |
| CN104731950A (zh) * | 2015-03-31 | 2015-06-24 | 北京奇艺世纪科技有限公司 | 一种视频推荐方法和装置 |
| US20160335260A1 (en) * | 2015-05-11 | 2016-11-17 | Informatica Llc | Metric Recommendations in an Event Log Analytics Environment |
| CN106445971A (zh) * | 2015-08-11 | 2017-02-22 | 北京奇虎科技有限公司 | 一种应用推荐方法和系统 |
| CN106503014A (zh) * | 2015-09-08 | 2017-03-15 | 腾讯科技（深圳）有限公司 | 一种实时信息的推荐方法、装置和系统 |
-
2017
- 2017-11-22 CN CN201711176928.5A patent/CN107844598A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102402766A (zh) * | 2011-12-27 | 2012-04-04 | 纽海信息技术（上海）有限公司 | 一种基于网页浏览的用户兴趣建模方法 |
| CN103246725A (zh) * | 2013-05-06 | 2013-08-14 | 上海河广信息科技有限公司 | 一种基于无线网络的数据业务推送系统和方法 |
| CN104731950A (zh) * | 2015-03-31 | 2015-06-24 | 北京奇艺世纪科技有限公司 | 一种视频推荐方法和装置 |
| US20160335260A1 (en) * | 2015-05-11 | 2016-11-17 | Informatica Llc | Metric Recommendations in an Event Log Analytics Environment |
| CN106445971A (zh) * | 2015-08-11 | 2017-02-22 | 北京奇虎科技有限公司 | 一种应用推荐方法和系统 |
| CN106503014A (zh) * | 2015-09-08 | 2017-03-15 | 腾讯科技（深圳）有限公司 | 一种实时信息的推荐方法、装置和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 孙光辉: "基于时间效应和用户兴趣变化的改进推荐算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109144721A (zh) * | 2018-07-18 | 2019-01-04 | Oppo广东移动通信有限公司 | 资源排序方法、资源显示方法、相关装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220027395A1 (en) | Determining themes | |
| WO2020140400A1 (zh) | 基于用户行为的产品推荐方法、装置、设备及存储介质 | |
| Dong et al. | A simple estimator for binary choice models with endogenous regressors | |
| Fu et al. | Aggregate bandwagon effect on online videos' viewership: Value uncertainty, popularity cues, and heuristics | |
| WO2020140399A1 (zh) | 基于用户行为的产品推荐方法、装置、设备及存储介质 | |
| Rahmati et al. | Exploring iPhone usage: the influence of socioeconomic differences on smartphone adoption, usage and usability | |
| Santos et al. | Search with learning for differentiated products: Evidence from e-commerce | |
| KR101104539B1 (ko) | 행위 타겟팅 시스템 | |
| Song et al. | When and how to diversify—a multicategory utility model for personalized content recommendation | |
| EP2951721B1 (en) | Page personalization based on article display time | |
| CN109190024A (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
| US9355078B2 (en) | Display time of a web page | |
| US20130179252A1 (en) | Method or system for content recommendations | |
| CN109636084A (zh) | 基于大数据的用户风险类型评估方法、存储介质和设备 | |
| CN109299356B (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
| Roos et al. | The effect of links and excerpts on internet news consumption | |
| Seuken et al. | Market user interface design | |
| Bemmaor | Testing alternative econometric models on the existence of advertising threshold effect | |
| JP5824602B1 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
| CN109255676B (zh) | 商品推荐方法、装置、计算机设备及存储介质 | |
| Skitmore | Generalised gamma bidding model | |
| JP5813052B2 (ja) | 情報処理装置、方法及びプログラム | |
| JP6754808B2 (ja) | 情報処理装置、情報処理方法 | |
| CN111340540A (zh) | 广告推荐模型的监控方法、推荐方法及装置 | |
| JP2012533790A (ja) | 価値グレードに基づいたウェブサイト訪問者の評価 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200417 Address after: 310052 room 508, floor 5, building 4, No. 699, Wangshang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Alibaba (China) Co.,Ltd. Address before: 510640 Guangdong city of Guangzhou province Whampoa Tianhe District Road No. 163 Xiping Yun Lu Yun Ping square B radio tower 15 layer self unit 02 Applicant before: GUANGZHOU UC NETWORK TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180327 |
|
| RJ01 | Rejection of invention patent application after publication |