CN108076154B - 应用信息推荐方法、装置及存储介质和服务器 - Google Patents
应用信息推荐方法、装置及存储介质和服务器 Download PDFInfo
- Publication number
- CN108076154B CN108076154B CN201711394448.6A CN201711394448A CN108076154B CN 108076154 B CN108076154 B CN 108076154B CN 201711394448 A CN201711394448 A CN 201711394448A CN 108076154 B CN108076154 B CN 108076154B
- Authority
- CN
- China
- Prior art keywords
- user
- target
- application program
- recommendation
- attribute category
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种应用信息推荐方法、装置及存储介质和服务器,所述方法包括:获取待推荐应用程序的目标推荐用户的目标用户属性类别;根据所述目标用户属性类别基于预设分类模型,从关联应用程序所有用户中获取所述目标推荐用户,所述预设分类模型基于机器学习方法生成,用于对关联应用程序用户基于用户属性进行分类标记,所述关联应用程序与所述待推荐应用程序相关联;将所述待推荐应用程序的推荐信息,推送给所述目标推荐用户所在终端。本申请实施例提供的技术方案,可以从关联应用程序中精准获取待推荐应用程序的目标推荐用户,仅向该目标推荐用户推送推荐信息,提升了推荐信息推送的精度,节省了推荐设备的资源消耗和成本。
Description
技术领域
本申请实施例涉及信息推荐技术领域,尤其涉及一种应用信息推荐方法、装置及存储介质和服务器。
背景技术
随着互联网通信技术的发展,互联网用户的数量也随之逐渐增加,一些生厂商和运营商在设计出新的应用程序时,需要向终端用户进行推送,而在大量用户中精准选择目标推送用户显得尤为重要,如果向并不存在该应用程序使用需求的用户发送了推荐信息,不仅导致用户体验非常不好,也浪费了服务器端的资源,增加了服务器端的信息推送成本。
发明内容
本申请实施例提供一种应用信息推荐方法、装置及存储介质和服务器,可以提升推荐信息的精准度。
在第一方面,本申请实施例提供了一种应用信息推荐方法,包括:
获取待推荐应用程序的目标推荐用户的目标用户属性类别;
根据所述目标用户属性类别基于预设分类模型,从关联应用程序所有用户中获取所述目标推荐用户,所述预设分类模型基于机器学习方法生成,用于对关联应用程序用户基于用户属性进行分类标记,所述关联应用程序与所述待推荐应用程序相关联;
将所述待推荐应用程序的推荐信息,推送给所述目标推荐用户所在终端。
在第二方面,本申请实施例提供了一种应用信息推荐装置,包括:
目标用户属性类别获取模块,用于获取待推荐应用程序的目标推荐用户的目标用户属性类别;
目标推荐用户获取模块,用于根据所述目标用户属性类别基于预设分类模型,从关联应用程序所有用户中获取所述目标推荐用户,所述预设分类模型基于机器学习方法生成,用于对关联应用程序用户基于用户属性进行分类标记,所述关联应用程序与所述待推荐应用程序相关联;
推荐信息推送模块,用于将所述待推荐应用程序的推荐信息,推送给所述目标推荐用户所在终端。
在第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所提供的应用信息推荐方法。
在第四方面,本申请实施例提供了一种移动终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现如第一方面所提供的应用信息推荐方法。
本申请实施例提供的应用信息推荐方案,通过获取待推荐应用程序的目标推荐用户的目标用户属性类别,根据所述目标用户属性类别基于预设分类模型,从关联应用程序所有用户中获取所述目标推荐用户,将所述待推荐应用程序的推荐信息,推送给所述目标推荐用户所在终端,可以从关联应用程序中精准获取待推荐应用程序的目标推荐用户,仅向该目标推荐用户推送推荐信息,提升了推荐信息推送的精度,节省了推荐设备的资源消耗和成本。
附图说明
图1是本申请实施例提供的一种应用信息推荐方法的流程图;
图2是本申请实施例提供的另一种应用信息推荐方法的流程图;
图3是本申请实施例提供的另一种应用信息推荐方法的流程图;
图4是本申请实施例提供的一种应用信息推荐装置的结构示意图;
图5是本申请实施例提供的一种服务器的结构示意图;
图6是本申请实施例提供的另一种服务器的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1给出了本申请实施例提供的一种应用信息推荐方法的流程图,本实施例的方法可以由应用信息推荐装置来执行,该装置可通过硬件和/或软件的方式实现,所述装置可作为服务器一部分设置在所述服务器的内部。
如图1所示,本实施例提供的应用信息推荐方法包括以下步骤:
步骤101、获取待推荐应用程序的目标推荐用户的目标用户属性类别。
其中,所述待推荐应用程序可以为生产商或者运营商的服务器向终端用户进行推荐的应用程序,目标推荐用户为待推荐应用程的推荐对象,目标用户属性类别为目标用户的属性类别。
可选的,所述用户属性包括年龄、性别、健康状况、职业和爱好中的至少一项。本申请实施例中的用户属性类别是指相应用户属性下所属的类别。比如,年龄可分为18岁以下,20-30岁,30-40岁,40-50岁,50-60岁,60岁以上几个类别,性别可以分为男和女两个类别,健康状况可以分为差、良和优3个类别,职业可以分为教师、学生、白领、程序员、行政、财务、工人和司机等类别,爱好可以分为看书、听音乐、看电影、运动、旅游和摄影等类别。那么示例性的,若用户属性为年龄,则用户属性类别可以为20-30岁;若用户属性为年龄、职业和爱好,则用户属性类别可以为20-30岁、白领和听音乐。
步骤102、根据所述目标用户属性类别基于预设分类模型,从关联应用程序所有用户中获取所述目标推荐用户,所述预设分类模型基于机器学习方法生成,用于对关联应用程序用户基于用户属性进行分类标记,所述关联应用程序与所述待推荐应用程序相关联。
在该步骤中基于预设分类模型,从关联应用程序中获取具有目标属性类别的目标推荐用户。示例性的,待推荐应用程序为一款适合年轻的男性白领玩的游戏,那么该步骤获取年龄为20-30岁、男性、白领的目标用户。其中,所述关联应用程序与待推荐应用程序预先存在关联关系,即预先存在待推荐应用程序可从关联应用程序用户中获取目标推荐用户的关系,例如,待推荐应用程序与关联应用程序可以为同一家生产商,待推荐应用程序为待上线的应用程序,关联应用程序为已上线应用程序。本实施例通过对关联应用程序的用户的操作数据进行训练学习,建立预设分类模型基于用户属性标记各个用户,在需要向用户推荐待推荐应用程序时,从已经标记属性类别的用户中选取符合当前待推荐应用程序的目标推荐用户,可以精准的获取目标推荐用户信息,提升推荐应用程序的推荐精度。
相应的,在该步骤之前还包括建立预设分类模型的步骤。因此,本实施例提供的应用信息推荐方法还可以包括以下步骤:将第一用户的操作数据作为样本基于机器学习方法进行训练,生成预设分类模型,所述第一用户为关联应用程序的已知用户属性类别的用户。在用户使用关联应用程序的过程中,服务器可以采集一部分用户的操作数据以及该部分用户的用户属性类别,例如,用户在安装或者使用该应用程序时输入了自身了用户属性类别,这部分用户为第一用户,服务器可以对第一用户的操作数据和用户属性类别进行训练,生成预设分类模型。可选的,所述将第一用户的操作数据作为样本基于机器学习方法进行训练,生成预设分类模型包括:将第一用户的操作数据作为样本基于不同的机器学习方法进行训练,分别生成各自对应的候选分类模型;将准确度最高的候选分类模型作为所述预设分类模型。
可选的,机器学习方法包括:神经网络方法、支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法和随机森林方法。
可选的,用户操作数据包括运行应用程序而生成的社交通信数据、拍照数据、电台收听频段数据或者音乐播放数据。示例性的,社交通讯数据可以包括聊天内容、状态发表内容等,例如聊天内容中包含我们80后等关键词时,可确定该用户属性类别中年龄为30-40岁,聊天内容中常包含化妆品、包、衣服的内容,可确定该用户属性类别中性别为女性;拍照数据可以包括拍摄对象、拍摄数量和拍摄水平等,例如,拍摄数量较多拍摄水平较高时,可确定该用户属性类别中爱好包括摄影;电台收听频段数据可以包括电台收听频段和电台收听类型,例如,收听戏剧、评述类型的用户,用户属性类别中年龄一般为60岁以上;音乐播放数据可以包括音乐播放类型和音乐播放时长,例如,音乐播放类型为流行音乐的用户,用户属性类别中年龄一般为60以下,音乐播放时长较长的用户,用户属性类别中爱好为听音乐。
在某些实施方式中,机器学习方法为神经网络方法,所述神经网络方法包括输入层、隐藏层和输出层,所述将第一用户的操作数据作为样本基于机器学习方法进行训练,生成预设分类模型可以包括:将所述第一用户操作信息输入至所述输入层,并经过与所述隐藏层各层节点对应的激活函数的计算,输出中间用户属性类别;利用所述中间用户属性类别与所述第一用户操作信息对应的实际用户属性类别之间的差值,以及优化算法对所述激活函数中的权重进行反复修正,直至所述中间用户属性类别与所述实际用户属性类别之间的差值在预设范围之内,得到训练完成的各个节点的激活函数,生成预设分类模型。
其中,所述激活函数是指为神经网络系统提供非线性建模能力,一般而言是非线性函数。激活函数可以包括relu函数、sigmoid函数、tanh函数或者maxout函数。
sigmoid是常用的非线性的激活函数,它的数学形式如下:它的输出为0-1之间的值。tanh跟sigmoid还是很像的,实际上,tanh是sigmoid的变形:tanh(x)=2sigmoid(2x)-1,与sigmoid不同的是,tanh是0均值的。近年来,relu变的越来越受欢迎。它的数学表达式如下:f(x)=max(0,x),其中,输入信号<0时,输出都是0,输入信号>0的情况下,输出等于输入。maxout函数的表达式如下:fi(x)=maxj∈[1,k]Zij。假设输入节点包括x1和x2,对应的权重分别为w1和w2,还包括权重b,那么输出节点Y=f(w1*x1+w2*x2+b),其中f为激活函数。另外,输入层和输出层的个数通常均为一个,隐藏层可以由多层构成。
所述优化算法包括随机梯度下降(Stochastic Gradient Descent,SGD)算法、适应性矩估计(adaptive moment estimation,adam)算法或者Momentum算法。
在建立预设分类模型之后,还可以包括根据第二用户的操作数据基于预设分类模型,获取该第二用户的用户属性类别的步骤。相应的,所述根据所述目标用户属性类别基于预设分类模型,从关联应用程序所有用户中获取所述目标推荐用户可以包括:将第二用户的操作数据输入至所述预设分类模型,所述第二用户为关联应用程序的未知用户属性类别的用户;获取所述预设分类模型输出的所述第二用户的用户属性类别,并标记所述第二用户的用户属性类别;从所有用户中获取用户属性类别为目标用户属性类别的用户,作为目标推荐用户,所述所有用户包括第一用户和第二用户。
在建立预设分类模型之后,还可以包括对预设分类模型进行修正更新的步骤。相应的,本申请实施例提供的应用信息推荐方法还可以包括:接收用户对用户属性类别的修正信息;将该用户的操作数据与修正后的用户属性类别输入至预设分类模型中对预设分类模型进行训练更新。
步骤103、将所述待推荐应用程序的推荐信息,推送给所述目标推荐用户所在终端。
在步骤102中获取了目标推荐用户之后,将待推荐应用程序的推荐信息,推送给所述目标推荐用户所在终端。其中,所述待推荐应用程序的推荐信息可以包括该应用程序的宣传信息、下载信息等。
其中,所述终端包括但不限定于手机、平板电脑和笔记本等设备。
本实施例提供的应用信息推荐方法,通过获取待推荐应用程序的目标推荐用户的目标用户属性类别,根据所述目标用户属性类别基于预设分类模型,从关联应用程序所有用户中获取所述目标推荐用户,将所述待推荐应用程序的推荐信息,推送给所述目标推荐用户所在终端,可以从关联应用程序中精准获取待推荐应用程序的目标推荐用户,仅向该目标推荐用户推送推荐信息,提升了推荐信息推送的精度,节省了推荐设备的资源消耗和成本。
其中,用户属性类别可以包括多个用户子属性类别。在用户属性包括多个时,用户属性类别也相应包括多个用户子属性类别。示例性的,用户属性为年龄、性别和职业,那么年龄、性别和职业分别为一个用户子属性,若用户属性类别为20-30岁、男和白领,则20-30岁、男和白领分别为一个用户子属性类别。图2给出了本申请实施例提供的另一种应用信息推荐方法的流程图。如图2所示,本实施例提供的方法包括以下步骤:
步骤201、将第一用户的操作数据作为样本基于机器学习方法,按照各个用户子属性分别进行训练,生成各个用户子属性对应的预设分类子模型。
示例性的,用户子属性分别为年龄、性别和职业。那么将第一用户的操作数据作为训练样本基于机器学习方法,按照年龄分别进行训练,生成对第一用户年龄类别进行分类的第一预设分类子模型;将第一用户的操作数据作为训练样本基于机器学习方法,按照性别进行训练,生成对第一用户性别进行分类的第二预设分类子模型;将第一用户的操作数据作为训练样本基于机器学习,按照职业进行训练,生成对第一用户这也进行分类的第二预设分类子模型。这样设置的原因是:将用户操作数据基于各个用户子属性分别建立对应的预设分类子模型,可以将用户基于不同用户子属性进行精准的分类。
步骤202、第二用户的操作数据分别输入至各个预设分类子模型。所述第二用户为关联应用程序的未知用户属性类别的用户。
步骤203、获取所述各个预设分类子模型分别输出的所述第二用户的各个用户子属性类别,并标记所述第二用户的各个用户子属性类别。
步骤201-203,对关联应用程序用户的用户属性类别进行了标记。
步骤204、获取待推荐应用程序的目标推荐用户的各个目标用户子属性类别。
示例性的,目标用户子属性类别分别为20-30岁、男和白领。
步骤205、从所有用户中分别获取用户子属性类别为目标用户子属性类别的各个候选推荐用户,所述所有用户包括第一用户和第二用户。
示例性,从所有用户中获取年龄为20-30岁的第一候选推荐用户,从所有用户中获取性别为男的第二候选推荐用户,从所有用户中获取职业为保龄的第三候选推荐用户。
步骤206、将所述各个候选推荐用户中的用户交集,作为目标推荐用户。
示例性的,将上述的第一候选推荐用户、第二候选推荐用户和第三候选推荐用户中的用户交集,作为目标推荐用户。
步骤207、将所述待推荐应用程序的推荐信息,推送给所述目标推荐用户所在终端。
本实施例提供的方法,通过对第一用户的操作数据基于机器学习,按照各个用户子属性分别进行训练,生成各个用户子属性对应的预设分类子模型,将第二用户的操作数据分别输入至各个预设分类子模型中,得到输出的第二用户的各个用户子属性类别,从第一用户和第二用户中获取用户子属性类别为目标用户子属性类别的各个候选推荐用户,将各个候选推荐用户中的用户交集,作为目标推荐用户,可以将用户基于不同用户子属性进行精准分类,准确的获取待推荐应用程序的目标推荐用户,仅向该目标推荐用户推送推荐信息,提升了推荐信息推送的精度,节省了推荐设备的资源消耗和成本。
其中,所述用户属性类别可以包括多个用户子属性类别。图3给出了本申请实施例提供的另一种应用信息推荐方法的流程图。如图3所示,本实施例提供的应用信息推荐方法包括以下步骤:
步骤301、将第一用户的操作数据作为样本基于机器学习方法,按照各个用户子属性分别进行训练,生成多个预设分类子模型。
步骤302、将所述多个预设分类子模型,利用决策树算法进行决策融合形成预设分类模型。
将所述多个预设分类子模型,基于加权或者简单投票的集成算法进行融合形成预设分类模型。
步骤303、获取待推荐应用程序的目标推荐用户的目标用户属性类别。
步骤304、根据所述目标用户属性类别基于预设分类模型,从关联应用程序所有用户中获取所述目标推荐用户。
步骤305、将所述待推荐应用程序的推荐信息,推送给所述目标推荐用户所在终端。
本实施例提供的应用信息推荐方法,通过将第一用户的操作数据作为样本基于机器学习方法,按照各个用户子属性分别进行训练,生成多个预设分类子模型,将多个预设分类子模型,利用决策树算法进行决策融合形成预设分类模型,可以将用户基于不同用户子属性进行精准分类,准确的获取待推荐应用程序的目标推荐用户,仅向该目标推荐用户推送推荐信息,提升了推荐信息推送的精度,节省了推荐设备的资源消耗和成本。
图4为本申请实施例提供的一种应用信息推荐装置的结构示意图,该装置可由软件和/或硬件实现,集成在服务器中。如图4所示,该装置包括目标用户属性类别获取模块401、目标推荐用户获取模块402和推荐信息推送模块403。
目标用户属性类别获取模块401,用于获取待推荐应用程序的目标推荐用户的目标用户属性类别;
目标推荐用户获取模块402,用于根据所述目标用户属性类别基于预设分类模型,从关联应用程序所有用户中获取所述目标推荐用户,所述预设分类模型基于机器学习方法生成,用于对关联应用程序用户基于用户属性进行分类标记,所述关联应用程序与所述待推荐应用程序相关联;
推荐信息推送模块403,用于将所述待推荐应用程序的推荐信息,推送给所述目标推荐用户所在终端。
本实施例提供的装置,通过获取待推荐应用程序的目标推荐用户的目标用户属性类别,根据所述目标用户属性类别基于预设分类模型,从关联应用程序所有用户中获取所述目标推荐用户,将所述待推荐应用程序的推荐信息,推送给所述目标推荐用户所在终端,可以从关联应用程序中精准获取待推荐应用程序的目标推荐用户,仅向该目标推荐用户推送推荐信息,提升了推荐信息推送的精度,节省了推荐设备的资源消耗和成本。
可选的,所述装置还包括:
预设分类模型生成模块,用于将第一用户的操作数据作为样本基于机器学习方法进行训练,生成预设分类模型,所述第一用户为关联应用程序的已知用户属性类别的用户。
可选的,所述目标推荐用户获取模块包括:
操作数据输入单元,用于将第二用户的操作数据输入至所述预设分类模型,所述第二用户为关联应用程序的未知用户属性类别的用户;
用户属性类别获取单元,用于获取所述预设分类模型输出的所述第二用户的用户属性类别,并标记所述第二用户的用户属性类别;
目标推荐用户确定单元,用于从所有用户中获取用户属性类别为目标用户属性类别的用户,作为目标推荐用户,所述所有用户包括第一用户和第二用户。
可选的,所述用户属性类别包括多个用户子属性类别;
预设分类模型生成模块具体用于:将第一用户的操作数据作为样本基于机器学习方法,按照各个用户子属性分别进行训练,生成各个用户子属性对应的预设分类子模型;
所述目标用户属性类别获取模块具体用于:获取待推荐应用程序的目标推荐用户的各个目标用户子属性类别;
所述操作数据输入单元具体用于:将第二用户的操作数据分别输入至各个预设分类子模型;
所述用户属性类别获取单元具体用于:获取所述各个预设分类子模型分别输出的所述第二用户的各个用户子属性类别,并标记所述第二用户的各个用户子属性类别;
所述目标推荐用户确定单元具体用于:从所有用户中分别获取用户子属性类别为目标用户子属性类别的各个候选推荐用户;将所述各个候选推荐用户中的用户交集,作为目标推荐用户。
可选的,所述用户属性类别包括多个用户子属性类别,所述预设分类模型生成模块具体用于:将第一用户的操作数据作为样本基于机器学习方法,按照各个用户子属性分别进行训练,生成多个预设分类子模型;将所述多个预设分类子模型,利用决策树算法进行决策融合形成预设分类模型。
可选的,所述预设分类模型生成模块具体用于:
将所述第一用户操作信息输入至所述输入层,并经过与所述隐藏层各层节点对应的激活函数的计算,输出中间用户属性类别;
利用所述中间用户属性类别与所述第一用户操作信息对应的实际用户属性类别之间的差值,以及优化算法对所述激活函数中的权重进行反复修正,直至所述中间用户属性类别与所述实际用户属性类别之间的差值在预设范围之内,得到训练完成的各个节点的激活函数,生成预设分类模型。
可选的,所述用户属性包括年龄、性别、健康状况、职业和爱好中的至少一项。
可选的,所述用户操作数据包括运行应用程序而生成的社交通信数据、拍照数据、电台收听频段数据或者音乐播放数据。
可选的,所述机器学习方法包括:神经网络方法、支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法和随机森林方法。
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种应用信息推荐方法,该方法包括:
获取待推荐应用程序的目标推荐用户的目标用户属性类别;
根据所述目标用户属性类别基于预设分类模型,从关联应用程序所有用户中获取所述目标推荐用户,所述预设分类模型基于机器学习方法生成,用于对关联应用程序用户基于用户属性进行分类标记,所述关联应用程序与所述待推荐应用程序相关联;
将所述待推荐应用程序的推荐信息,推送给所述目标推荐用户所在终端。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的应用信息推荐操作,还可以执行本申请任意实施例所提供的应用信息推荐方法中的相关操作。
本申请实施例提供了一种服务器,该服务器中可集成本申请实施例提供的应用信息推荐装置。图5为本申请实施例提供的一种服务器的结构示意图。服务器500可以包括:存储器501,处理器502及存储在存储器501上并可在处理器502运行的计算机程序,所述处理器502执行所述计算机程序时实现如本申请实施例所述的应用信息推荐法。
本申请实施例提供的服务器,通过获取待推荐应用程序的目标推荐用户的目标用户属性类别,根据所述目标用户属性类别基于预设分类模型,从关联应用程序所有用户中获取所述目标推荐用户,将所述待推荐应用程序的推荐信息,推送给所述目标推荐用户所在终端,可以从关联应用程序中精准获取待推荐应用程序的目标推荐用户,仅向该目标推荐用户推送推荐信息,提升了推荐信息推送的精度,节省了推荐设备的资源消耗和成本。
图6为本申请实施例提供的另一种服务器的结构示意图。图6显示的服务器12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,服务器12以通用计算设备的形式表现。服务器12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该服务器12交互的设备通信,和/或与使得该服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与服务器12的其它模块通信。应当明白,尽管图中未示出,可以结合服务器12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本申请实施例所提供的用户群组推荐方法。
上述实施例中提供的应用信息推荐装置、存储介质及移动终端可执行本申请任意实施例所提供的应用信息推荐方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的应用信息推荐方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由权利要求的范围决定。
Claims (10)
1.一种应用信息推荐方法,其特征在于,包括:
获取待推荐应用程序的目标推荐用户的目标用户属性类别;
根据所述目标用户属性类别基于预设分类模型,从关联应用程序所有用户中获取所述目标推荐用户,所述预设分类模型基于机器学习方法生成,用于对关联应用程序用户基于用户属性进行分类标记,所述关联应用程序与所述待推荐应用程序相关联;
将所述待推荐应用程序的推荐信息,推送给所述目标推荐用户所在终端;
所述方法,还包括:
将第一用户的操作数据作为样本基于机器学习方法进行训练,生成预设分类模型,所述第一用户为关联应用程序的已知用户属性类别的用户;
所述操作数据包括运行应用程序而生成的社交通信数据、拍照数据、电台收听频段数据或者音乐播放数据。
2.根据权利要求1所述的应用信息推荐方法,其特征在于,所述根据所述目标用户属性类别基于预设分类模型,从关联应用程序所有用户中获取所述目标推荐用户包括:
将第二用户的操作数据输入至所述预设分类模型,所述第二用户为关联应用程序的未知用户属性类别的用户;
获取所述预设分类模型输出的所述第二用户的用户属性类别,并标记所述第二用户的用户属性类别;
从所有用户中获取用户属性类别为目标用户属性类别的用户,作为目标推荐用户,所述所有用户包括第一用户和第二用户。
3.根据权利要求2所述的应用信息推荐方法,其特征在于,所述用户属性类别包括多个用户子属性类别;
所述将第一用户的操作数据作为样本基于机器学习方法进行训练,生成预设分类模型包括:将第一用户的操作数据作为样本基于机器学习方法,按照各个用户子属性分别进行训练,生成各个用户子属性对应的预设分类子模型;
所述获取待推荐应用程序的目标推荐用户的目标用户属性类别包括:获取待推荐应用程序的目标推荐用户的各个目标用户子属性类别;
所述将第二用户的操作数据输入至所述预设分类模型包括:将第二用户的操作数据分别输入至各个预设分类子模型;
获取所述预设分类模型输出的所述第二用户的用户属性类别,并标记所述第二用户的用户属性类别包括:获取所述各个预设分类子模型分别输出的所述第二用户的各个用户子属性类别,并标记所述第二用户的各个用户子属性类别;
从所有用户中获取用户属性类别为目标用户属性类别的用户,作为目标推荐用户包括:从所有用户中分别获取用户子属性类别为目标用户子属性类别的各个候选推荐用户;将所述各个候选推荐用户中的用户交集,作为目标推荐用户。
4.根据权利要求1所述的应用信息推荐方法,其特征在于,所述用户属性类别包括多个用户子属性类别,所述将第一用户的操作数据作为样本基于机器学习方法进行训练,生成预设分类模型包括:将第一用户的操作数据作为样本基于机器学习方法,按照各个用户子属性分别进行训练,生成多个预设分类子模型;将所述多个预设分类子模型,利用决策树算法进行决策融合形成预设分类模型。
5.根据权利要求1所述的应用信息推荐方法,其特征在于,所述机器学习方法包括神经网络方法,所述神经网络方法包括输入层、隐藏层和输出层,所述将第一用户的操作数据作为样本基于机器学习方法进行训练,生成预设分类模型包括:
将所述第一用户的操作数据输入至所述输入层,并经过与所述隐藏层各层节点对应的激活函数的计算,输出中间用户属性类别;
利用所述中间用户属性类别与所述第一用户的操作数据对应的实际用户属性类别之间的差值,以及优化算法对所述激活函数中的权重进行反复修正,直至所述中间用户属性类别与所述实际用户属性类别之间的差值在预设范围之内,得到训练完成的各个节点的激活函数,生成预设分类模型。
6.根据权利要求1-5任一项所述的应用信息推荐方法,其特征在于,所述用户属性包括年龄、性别、健康状况、职业和爱好中的至少一项。
7.根据权利要求1-5任一项所述的应用信息推荐方法,其特征在于,所述机器学习方法包括:神经网络方法、支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法和随机森林方法。
8.一种应用信息推荐装置,其特征在于,包括:
目标用户属性类别获取模块,用于获取待推荐应用程序的目标推荐用户的目标用户属性类别;
目标推荐用户获取模块,用于根据所述目标用户属性类别基于预设分类模型,从关联应用程序所有用户中获取所述目标推荐用户,所述预设分类模型基于机器学习方法生成,用于对关联应用程序用户基于用户属性进行分类标记,所述关联应用程序与所述待推荐应用程序相关联;
推荐信息推送模块,用于将所述待推荐应用程序的推荐信息,推送给所述目标推荐用户所在终端;
所述装置还包括:
预设分类模型生成模块,用于将第一用户的操作数据作为样本基于机器学习方法进行训练,生成预设分类模型,所述第一用户为关联应用程序的已知用户属性类别的用户;
所述操作数据包括运行应用程序而生成的社交通信数据、拍照数据、电台收听频段数据或者音乐播放数据。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的应用信息推荐方法。
10.一种服务器,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一所述的应用信息推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711394448.6A CN108076154B (zh) | 2017-12-21 | 2017-12-21 | 应用信息推荐方法、装置及存储介质和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711394448.6A CN108076154B (zh) | 2017-12-21 | 2017-12-21 | 应用信息推荐方法、装置及存储介质和服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108076154A CN108076154A (zh) | 2018-05-25 |
CN108076154B true CN108076154B (zh) | 2019-12-31 |
Family
ID=62158772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711394448.6A Active CN108076154B (zh) | 2017-12-21 | 2017-12-21 | 应用信息推荐方法、装置及存储介质和服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108076154B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109119069B (zh) * | 2018-07-23 | 2020-08-14 | 深圳大学 | 特定人群识别方法、电子装置及计算机可读存储介质 |
CN109218411B (zh) * | 2018-08-22 | 2022-10-18 | 中国平安人寿保险股份有限公司 | 数据处理方法及装置、计算机可读存储介质、电子设备 |
CN109460512B (zh) * | 2018-10-25 | 2022-04-22 | 腾讯科技(北京)有限公司 | 推荐信息处理方法、装置、设备及存储介质 |
CN111310882A (zh) * | 2018-12-11 | 2020-06-19 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
CN110022359A (zh) * | 2019-03-25 | 2019-07-16 | 浙江每日互动网络科技股份有限公司 | 一种基于移动终端数据获取终端用户状态的方法 |
CN111831889A (zh) * | 2019-04-15 | 2020-10-27 | 泰康保险集团股份有限公司 | 基于区块链的虚拟健身应用推荐方法及装置 |
CN111913743B (zh) * | 2019-05-09 | 2023-04-14 | 杭州海康威视数字技术股份有限公司 | 数据处理方法及装置 |
CN111782928B (zh) * | 2019-05-20 | 2023-12-08 | 北京沃东天骏信息技术有限公司 | 信息推送方法、装置和计算机可读存储介质 |
CN110442746B (zh) * | 2019-07-01 | 2023-04-28 | 佛山科学技术学院 | 一种基于随机森林算法的智能音乐推送方法及存储介质 |
CN110471735A (zh) * | 2019-08-21 | 2019-11-19 | 中国工商银行股份有限公司 | 操作视图界面推送方法及装置 |
CN110659412A (zh) * | 2019-08-30 | 2020-01-07 | 三星电子(中国)研发中心 | 用于在电子设备中提供个性化服务的方法和设备 |
CN110971659A (zh) * | 2019-10-11 | 2020-04-07 | 贝壳技术有限公司 | 推荐消息的推送方法、装置及存储介质 |
CN111311104B (zh) * | 2020-02-27 | 2023-08-25 | 第四范式(北京)技术有限公司 | 一种配置文件的推荐方法、装置及系统 |
CN111460300B (zh) * | 2020-03-31 | 2023-04-25 | 腾讯云计算(北京)有限责任公司 | 网络内容推送方法、装置及存储介质 |
CN112418402B (zh) * | 2020-11-24 | 2023-08-11 | 百度在线网络技术(北京)有限公司 | 推荐对象的方法、神经网络及其训练方法、计算设备 |
CN113158031B (zh) * | 2021-03-15 | 2024-04-23 | 北京水滴科技集团有限公司 | 用户资源信息的确定方法及装置、计算机存储介质、终端 |
CN113033090B (zh) * | 2021-03-24 | 2023-03-03 | 平安科技(深圳)有限公司 | 推送模型训练方法、数据推送方法、装置及存储介质 |
CN113298121B (zh) * | 2021-04-30 | 2023-08-18 | 上海淇玥信息技术有限公司 | 基于多数据源建模的消息发送方法、装置和电子设备 |
CN113434633B (zh) * | 2021-06-28 | 2022-09-16 | 平安科技(深圳)有限公司 | 基于头像的社交话题推荐方法、装置、设备及存储介质 |
CN113689247B (zh) * | 2021-10-27 | 2022-02-15 | 冰联(广州)网络科技有限公司 | 一种基于信息流并联的区块链电子券标记方法及系统 |
CN117390292B (zh) * | 2023-12-12 | 2024-02-09 | 深圳格隆汇信息科技有限公司 | 基于机器学习的应用程序信息推荐方法、系统及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567511A (zh) * | 2011-12-27 | 2012-07-11 | 奇智软件(北京)有限公司 | 一种应用自动推荐的方法及装置 |
CN103984741A (zh) * | 2014-05-23 | 2014-08-13 | 合一信息技术(北京)有限公司 | 用户属性信息提取方法及其系统 |
CN105426486A (zh) * | 2015-11-20 | 2016-03-23 | 天津大学 | 一种基于用户行为数据的手机app推送方法 |
CN105933425A (zh) * | 2016-05-18 | 2016-09-07 | 北京奇虎科技有限公司 | 推荐应用的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170085677A1 (en) * | 2015-09-18 | 2017-03-23 | Quixey, Inc. | Recommending Applications |
-
2017
- 2017-12-21 CN CN201711394448.6A patent/CN108076154B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567511A (zh) * | 2011-12-27 | 2012-07-11 | 奇智软件(北京)有限公司 | 一种应用自动推荐的方法及装置 |
CN103984741A (zh) * | 2014-05-23 | 2014-08-13 | 合一信息技术(北京)有限公司 | 用户属性信息提取方法及其系统 |
CN105426486A (zh) * | 2015-11-20 | 2016-03-23 | 天津大学 | 一种基于用户行为数据的手机app推送方法 |
CN105933425A (zh) * | 2016-05-18 | 2016-09-07 | 北京奇虎科技有限公司 | 推荐应用的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108076154A (zh) | 2018-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108076154B (zh) | 应用信息推荐方法、装置及存储介质和服务器 | |
US11288444B2 (en) | Optimization techniques for artificial intelligence | |
CN107947951B (zh) | 用户群组推荐方法、装置及存储介质和服务器 | |
CN108829808B (zh) | 一种页面个性化排序方法、装置及电子设备 | |
US10489688B2 (en) | Personalized digital image aesthetics in a digital medium environment | |
WO2019114413A1 (zh) | 模型训练 | |
US20190303768A1 (en) | Community Question Answering-Based Article Recommendation Method, System, and User Device | |
CN108319599A (zh) | 一种人机对话的方法和装置 | |
CN107832432A (zh) | 一种搜索结果排序方法、装置、服务器和存储介质 | |
US20200410338A1 (en) | Multimodal data learning method and device | |
CN111353037A (zh) | 一种题目生成方法、装置以及计算机可读存储介质 | |
JP2022512065A (ja) | 画像分類モデルの訓練方法、画像処理方法及び装置 | |
WO2020125404A1 (zh) | 构建神经网络的方法、装置和计算机可读介质 | |
CN108960574A (zh) | 问答的质量确定方法、装置、服务器和存储介质 | |
CN110598869B (zh) | 基于序列模型的分类方法、装置、电子设备 | |
CN111368525A (zh) | 信息搜索方法、装置、设备及存储介质 | |
CN116601626A (zh) | 个人知识图谱构建方法、装置及相关设备 | |
US10217224B2 (en) | Method and system for sharing-oriented personalized route planning via a customizable multimedia approach | |
WO2024002167A1 (zh) | 一种操作预测方法及相关装置 | |
CN108550019A (zh) | 一种简历筛选方法及装置 | |
CN116910373A (zh) | 房源推荐方法、装置、电子设备及存储介质 | |
CN112131884A (zh) | 用于实体分类的方法和装置、用于实体呈现的方法和装置 | |
CN115617969A (zh) | 一种会话推荐方法、装置、设备和计算机存储介质 | |
CN116204709A (zh) | 一种数据处理方法及相关装置 | |
Yu et al. | The research of the recommendation algorithm in online learning |
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 |
Address after: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant after: OPPO Guangdong Mobile Communications Co., Ltd. Address before: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant before: Guangdong Opel Mobile Communications Co., Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |