CN108108453A - 应用信息的推荐方法及装置 - Google Patents
应用信息的推荐方法及装置 Download PDFInfo
- Publication number
- CN108108453A CN108108453A CN201711457852.3A CN201711457852A CN108108453A CN 108108453 A CN108108453 A CN 108108453A CN 201711457852 A CN201711457852 A CN 201711457852A CN 108108453 A CN108108453 A CN 108108453A
- Authority
- CN
- China
- Prior art keywords
- application message
- recommended
- matrix
- user
- client
- 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
本发明公开了一种应用信息的推荐方法及装置，涉及数据处理技术领域，主要目的在于现有对于一些占用内存小、客户端能力不足的应用程序，获得用户特征极其有限，无法利用依赖大量数据确定推荐信息的回归、决策树、分类聚类等算法，当采用人工方式进行应用信息的推荐时，又大大影响了推荐效率及准确性的问题。主要技术方案：获取待推荐应用信息客户端的用户历史行为信息；根据所述用户历史行为信息建立分解矩阵；通过预设分解算法对所述分解矩阵进行求解，得到解矩阵，所述预设分解算法为对矩阵进行分解得到特征矩阵的分解方法；根据所述解矩阵确定待推荐的应用信息，将所述应用信息下发至所述客户端中。
Description
技术领域
本发明涉及一种数据处理技术领域，特别是涉及一种应用信息的推荐方法及装置。
背景技术
随着生活水平的提高，越来越多的终端用户开始使用具有美化功能的拍照应用程序来制作优美、有趣的照片或视频。尤其是，用户可以选择拍照应用程序中的萌颜来为照片或视频添加不同的优化功能，例如，大眼睛瘦脸美拍、磨皮美白美拍、添加动态萌图、添加3D效果萌图等，不同的拍照应用程序中都会设计了大量的萌颜效果图，然而，为了便于将萌颜供用户进行选择，拍照应用程序会向用户推荐热门的萌颜效果图。
目前，现有的应用程序推荐的应用信息是通过用户特征进行分类运算，但是，对于一些占用内存小、客户端能力不足的应用程序，如花椒相机推荐的萌图信息，获得用户特征极其有限，无法利用依赖大量数据确定推荐信息的回归、决策树、分类聚类等算法，当采用人工方式进行应用信息的推荐时，又大大影响了推荐效率及准确性。
发明内容
有鉴于此，本发明提供一种应用信息的推荐方法及装置，主要目的在于现有对于一些占用内存小、客户端能力不足的应用程序，获得用户特征极其有限，无法利用依赖大量数据确定推荐信息的回归、决策树、分类聚类等算法，当采用人工方式进行应用信息的推荐时，又大大影响了推荐效率及准确性的问题。
依据本发明一个方面，提供了一种应用信息的推荐方法，包括：
获取待推荐应用信息客户端的用户历史行为信息；
根据所述用户历史行为信息建立分解矩阵；
通过预设分解算法对所述分解矩阵进行求解，得到解矩阵，所述预设分解算法为对矩阵进行分解得到特征矩阵的分解方法；
根据所述解矩阵确定待推荐的应用信息，将所述应用信息下发至所述客户端中。
进一步地，所述用户历史行为信息为不同客户端中不同应用信息的点击行为，所述根据所述用户历史行为信息建立分解矩阵包括：
根据客户端中不同应用信息的点击行为生成行向量，以及应用信息在不同客户端中的点击行为生成列向量，建立与所述行向量、所述列向量匹配的分解矩阵。
进一步地，所述通过预设分解算法对所述分解矩阵进行求解，得到解矩阵包括：
通过奇异值分解法对所述分解矩阵进行求解，得到具有第一特征量值的第一基向量以及具有第二特征量值的第二基向量。
进一步地，所述根据所述解矩阵确定待推荐的应用信息，将所述应用信息下发至所述客户端中包括：
当前服务端根据所述第一基向量的维度个数及所述第二基向量的特征个数确定待推荐的应用信息；
按照预设优先级条件对所述待推荐的应用信息进行排序筛选，并对筛选后的应用信息进行去重，得到最终待推荐的应用信息，并将所述应用信息下发至所述客户端中。
进一步地，所述通过奇异值分解法对所述分解矩阵进行求解，得到具有第一特征量值的第一基向量以及具有第二特征量值的第二基向量方法之后，所述方法还包括：
当前服务端按照应用程序的业务需求选取所述第一基向量中的特征个数，以及所述第二基向量中的维度个数，所述业务需要包括待推荐应用信息的个数、类型、属性。
进一步地，所述方法还包括：
当前服务端按照预设时间间隔对所述客户端的用户历史行为信息进行更新，以便重新确定待推荐的应用信息。
依据本发明一个方面，提供了一种应用信息的推荐装置，包括：
获取单元，用于获取待推荐应用信息客户端的用户历史行为信息；
建立单元，用于根据所述用户历史行为信息建立分解矩阵；
求解单元，用于通过预设分解算法对所述分解矩阵进行求解，得到解矩阵，所述预设分解算法为对矩阵进行分解得到特征矩阵的分解方法；
确定单元，用于根据所述解矩阵确定待推荐的应用信息，将所述应用信息下发至所述客户端中。
进一步地，所述用户历史行为信息为不同客户端中不同应用信息的点击行为，
所述建立单元，具体用于根据客户端中不同应用信息的点击行为生成行向量，以及应用信息在不同客户端中的点击行为生成列向量，建立与所述行向量、所述列向量匹配的分解矩阵。
进一步地，所述求解单元，具体用于通过奇异值分解法对所述分解矩阵进行求解，得到具有第一特征量值的第一基向量以及具有第二特征量值的第二基向量。
进一步地，所述确定单元包括：
确定模块，用于当前服务端根据所述第一基向量的维度个数及所述第二基向量的特征个数确定待推荐的应用信息；
筛选模块，用于按照预设优先级条件对所述待推荐的应用信息进行排序筛选，并对筛选后的应用信息进行去重，得到最终待推荐的应用信息，并将所述应用信息下发至所述客户端中。
进一步地，所述装置还包括：
选取单元，用于当前服务端按照应用程序的业务需求选取所述第一基向量中的特征个数，以及所述第二基向量中的维度个数，所述业务需要包括待推荐应用信息的个数、类型、属性。
进一步地，所述装置还包括：
更新单元，用于当前服务端按照预设时间间隔对所述客户端的用户历史行为信息进行更新，以便重新确定待推荐的应用信息。
根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述应用信息的推荐方法对应的操作。
根据本发明的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述应用信息的推荐方法对应的操作。
借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
本发明提供了一种应用信息的推荐方法及装置，首先获取待推荐应用信息客户端的用户历史行为信息，然后根据所述用户历史行为信息建立分解矩阵，再通过预设分解算法对所述分解矩阵进行求解，得到解矩阵，所述预设分解算法为对矩阵进行分解得到特征矩阵的分解方法，最后根据所述解矩阵确定待推荐的应用信息，将所述应用信息下发至所述客户端中。与现有对于一些占用内存小、客户端能力不足的拍照应用程序，获得用户特征极其有限，无法利用依赖大量数据确定推荐信息的回归、决策树、分类聚类等算法，当采用人工方式进行应用信息的推荐时，又大大影响了推荐效率及准确性相比，本发明实施例通过利用用户历史行为信息进行线性代数分解运算，确定待推荐的应用信息，简化用户数据能力弱的应用程序的推荐信息的分类，又避免了浪费人力选取推荐信息的资源，针对用户量小、用户特征有限的应用程序，大大提高了推荐应用信息的效率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种应用信息的推荐方法流程图；
图2示出了本发明实施例提供的另一种应用信息的推荐方法流程图；
图3示出了本发明实施例提供的一种向量A示意图；
图4示出了本发明实施例提供的一种推荐用户与非推荐用户点击萌图对比示意图；
图5示出了本发明实施例提供的一种应用信息的推荐装置框图；
图6示出了本发明实施例提供的另一种应用信息的推荐装置框图；
图7示出了本发明实施例提供的一种终端示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种应用信息的推荐方法，如图1所示，所述方法包括：
101、获取待推荐应用信息客户端的用户历史行为信息。
其中，所述用户历史行为信息为不同客户端中不同应用信息的点击行为，所述应用信息为应用程序中向用户进行推荐的图片、三维动态图等，如花椒相机中的萌图，点击行为具体可以为一定时间内客户端中用户点击萌图信息的次数，例如，1个周内，用户1点击萌颜a的次数为1次，点击萌颜b的次数为0次，用户2点击萌颜a的次数为0次，点击萌颜b的次数为1次，用户3点击萌颜a的次数为1，点击萌颜b的次数为1次，本发明实施例不做具体限定。
需要说明的是，由于一些占用内存小、客户端能力不足的应用程序，如花椒相机，客户端中用户点击下载萌图的行为进行记录，并返回当前应用程序对应的服务端中，以便对应用信息进行分析、推荐。
102、根据所述用户历史行为信息建立分解矩阵。
对于本发明实施例，由于占用内存小、客户端能力不足的应用程序对应的服务端中记录的用户历史行为信息有限，为了避免使用需要大量数据支持的机器学习方法及人工推荐，当前服务端采取线性代数运算方式对用户历史行为信息进行分解。其中，所述分解矩阵为待进行分解运算的矩阵，有用户历史行为信息建立，例如，分解矩阵的每一行表示一个特定客户端在所有萌图上的点击行为，每一列表示所有客户端在一个给定萌图上的点击行为。
需要说明的是，由于一个用户可以对一个萌图进行多次点击的行为，则可以在分解矩阵中以存在点击行为的元素为1，不存在点击行为的元素为0，从而得到一个以0、1元素组成的矩阵，本发明实施例不做具体限定。
103、通过预设分解算法对所述分解矩阵进行求解，得到解矩阵。
其中，所述预设分解算法为对矩阵进行分解得到特征矩阵的分解方法，如奇异值分解(SigularValueDecomposition，Svd)，本发明实施例不做具体限定，一般的，在进行奇异值分解时，可以对分解矩阵进行分解，得到3个矩阵乘积的解矩阵，可以根据其中的2个矩阵得到推荐信息的特征。
需要说明的是，由于服务端中需要进行大量数据处理，针对分解矩阵的求解，可以利用TensorFlow平台对建立的分解矩阵进行Svd运算，得到解矩阵。
104、根据所述解矩阵确定待推荐的应用信息，将所述应用信息下发至所述客户端中。
其中，所述解矩阵中的3个矩阵分别包括了特征矩阵、对角矩阵、与特征矩阵存在量值关系的矩阵，从而根据特征矩阵及与特征矩阵存在量值关系的矩阵可以确定出待推荐的应用信息。
本发明提供了一种应用信息的推荐方法，与现有对于一些占用内存小、客户端能力不足的应用程序，获得用户特征极其有限，无法利用依赖大量数据确定推荐信息的回归、决策树、分类聚类等算法，当采用人工方式进行应用信息的推荐时，又大大影响了推荐效率及准确性相比，本发明实施例通过利用用户历史行为信息进行线性代数分解运算，确定待推荐的应用信息，简化用户数据能力弱的应用程序的推荐信息的分类，又避免了浪费人力选取推荐信息的资源，针对用户量小、用户特征有限的应用程序，大大提高了推荐应用信息的效率。
本发明实施例提供了另一种应用信息的推荐方法，如图2所示，所述方法包括：
201、获取待推荐应用信息客户端的用户历史行为信息。
本步骤与图1所示的步骤101方法相同，在此不再赘述。
需要说明的是，由于应用程序占用内存小、客户端能力不足，而当前服务端中记录的用户历史行为又信息非常有限，应用程序中提供的应用信息数量又非常大，因此，获取的用户历史行为信息可以仅仅为一个月内用户点击应用信息的行为来作为用户历史行为信息。
202、根据客户端中不同应用信息的点击行为生成行向量，以及应用信息在不同客户端中的点击行为生成列向量，建立与所述行向量、所述列向量匹配的分解矩阵。
对于本发明实施例，为了便于进行分解运算，对于分解矩阵中的行向量为一个用户对不同应用信息的点击行为，若存在点击，则为1，若不存在点击，则为0，列向量为不同用户对同一个应用信息的点击行为，若存在点击，则为1，若不存在点击，则为0。例如，若用户历史行为信息中包括4个使用花椒相机的客户端用户，分别为U1、U2、U3、U4，存在点击行为的萌图分别为E1、E2、E3、E4、E5，用户1对萌图2和萌图4存在点击行为，用户2对萌图2和萌图3存在点击行为，用户3对萌图1和萌图5存在点击行为，用户4对萌图4和萌图5存在点击行为，通过将行向量与列向量进行结合建立匹配的分解矩阵，如图3所示的向量A。
需要说明的是，由于应用程序使用的用户为百万量级的，应用信息个数一般为数千个，建立的矩阵维度较大，可以通过编写程序根据用户历史行为信息自动建立分解矩阵，如可以为：为每个应用信息配置列元素序号，为每个用户配置行元素序号，通过一一查找的方式，查找每个用户是否点击应用信息，若查找到，则配置为1放置在对应行元素序号及列元素序号对应的位置，以此类推，得到完整的分解矩阵。
203、通过奇异值分解法对所述分解矩阵进行求解，得到具有第一特征量值的第一基向量以及具有第二特征量值的第二基向量。
对于本发明实施例，为了简化对用户推荐应用信息的推送运算方式，选择奇异值分解法对分解矩阵进行求解。所述奇异值分解法为A＝UΣVT，其中，U为具有第一特征量值的第一基向量，V为具有第二特征量值的第二基向量，Σ为对角矩阵，假设A是一个N×M的矩阵，那么得到的U是一个N×N的方阵，是正交的，称为左奇异向量，Σ是一个N×M的对角矩阵，即除了对角线的元素都是0，对角线上的元素称为奇异值，VT即V的转置矩阵，是一个N×N的矩阵，也是正交的，称为右奇异向量。其中，所述第一特征量值、第二特征量值即分别为各个基向量中的每个特征上的量值。
204、当前服务端按照应用程序所述第一基向量中的特征个数，以及所述第二基向量中的维度个数。
对于本发明实施例，为了缩小数据运算量及缩小推送的萌图的数量，根据业务需求选取匹配的特征个数及维度个数。其中，所述业务需要包括待推荐应用信息的个数、类型、属性，可以为推荐应用信息的个数，或推荐应用信息是图片类或动画类，还可以为推荐应用信息用户的性别、年龄段、或动态萌图、静态萌图等属性，本发明实施例不做具体限定。例如，当热门推荐萌图个数为200以内，则可以选择第一基向量U中量值最大的15个特征，可以选择第二基向量V中量值最高的10个维度，依此作为确定待推荐萌图信息的依据。
205、当前服务端根据所述第一基向量的维度个数及所述第二基向量的特征个数确定待推荐的应用信息。
对于本发明实施例，为了准确的将第一基向量与第二基向量结合确定待推荐的应用信息，当前服务端将第一基向量维度个数与第二基向量特征个数进行相乘，得到待推荐的应用信息个数及对应的应用信息，例如，若15个量值特征及20个量值维度，则可以确定出300个萌图，从而提高萌图信息推荐的优选性。
206、按照预设优先级条件对所述待推荐的应用信息进行排序筛选，并对筛选后的应用信息进行去重，得到最终待推荐的应用信息，并将所述应用信息下发至所述客户端中。
对于本发明实施例，为了进一步地的简化、精确推荐应用信息，需要对根据奇异值分解法确定出的应用信息进行筛选去重。其中，所述优先级条件可以为按照应用信息的新旧进行排序的优先级推送条件，例如，对最新的萌图可以配置高优先级，对较旧的萌图配置较低的优先级，若萌图的存在已经超过了1年或2年，则认为不会给用户点击使用，直接从待推荐的萌图信息中删除。另外，所述去重是指将待推荐的应用信息中相同的应用信息进行去重，只保留一个的方法，以提高应用信息推荐的效率。例如，通过步骤205可以得到300个萌图推荐，经过筛选出生成的萌图超过5个月以上，以及去重后，可以得到150个萌图，进一步推送后，推荐用户与非推荐用户点击萌图的次数明显上升，如图4所示，横坐标为日期，纵坐标为用户使用萌图次数，推荐用户点击萌图高于非推荐用户4％～5％。
进一步地，本发明实施例还可以包括：当前服务端按照预设时间间隔对所述客户端的用户历史行为信息进行更新，以便重新确定待推荐的应用信息。
对于本发明实施例，为了提高推荐效率，提高点击推送应用信息的准确性，需要对用户历史行为信息进行更新，从而实现对推荐应用信息的更新。其中，由于客户端能力的问题，所述预设时间间隔可以为1个月、2个月等，本发明实施例不做具体限定。
需要说明的是，由于待推送的信息可以不是实时进行的，获取的用户历史行为信息也是存在时间期限的，因此，对用户进行推荐应用信息时，可以一定时间段内更新一次，更新的时间可以为用户历史行为信息记录的时间，可以长于用户历史行为信息记录的时间，本发明实施例不做具体限定。
本发明提供了另一种应用信息的推荐方法，本发明实施例通过当前服务端利用不同客户端中不同应用信息的点击行为生成行向量与列向量，建立分解矩阵，通过奇异值分解法对分解矩阵进行分解，得到第一特征量值的第一基向量以及具有第二特征量值的第二基向量，通过业务需求选取特征个数及维度个数后进行相乘，确定待推荐的应用信息，避免由于人工选择推送应用信息带来的资源浪费，且避免使用大数据量运算的分类方法，实现通过使用简单的运算确定推送应用信息的方法，针对用户量小、用户特征有限的应用程序，大大提高了推荐应用信息的效率。
进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种应用信息的推荐装置，如图5所示，该装置包括：获取单元31、建立单元32、求解单元33、确定单元34。
获取单元31，用于获取待推荐应用信息客户端的用户历史行为信息；所述获取单元31为应用信息的推荐装置执行获取待推荐应用信息客户端的用户历史行为信息的程序模块。
建立单元32，用于根据所述用户历史行为信息建立分解矩阵；所述建立单元32为应用信息的推荐装置执行根据所述用户历史行为信息建立分解矩阵的程序模块。
求解单元33，用于通过预设分解算法对所述分解矩阵进行求解，得到解矩阵，所述预设分解算法为对矩阵进行分解得到特征矩阵的分解方法；所述求解单元33为应用信息的推荐装置执行通过预设分解算法对所述分解矩阵进行求解，得到解矩阵的程序模块。
确定单元34，用于根据所述解矩阵确定待推荐的应用信息，将所述应用信息下发至所述客户端中。所述确定单元34为应用信息的推荐装置执行根据所述解矩阵确定待推荐的应用信息，将所述应用信息下发至所述客户端中的程序模块。
本发明提供了一种应用信息的推荐装置，与现有对于一些占用内存小、客户端能力不足的拍照应用程序，获得用户特征极其有限，无法利用依赖大量数据确定推荐信息的回归、决策树、分类聚类等算法，当采用人工方式进行应用信息的推荐时，又大大影响了推荐效率及准确性相比，本发明实施例通过利用用户历史行为信息进行线性代数分解运算，确定待推荐的信息，简化用户数据能力弱的拍照应用程序的推荐信息的分类，又避免了浪费人力选取推荐信息的资源，针对用户量小、用户特征有限的应用程序，大大的提高了推荐应用信息的效率。
进一步的，作为对上述图2所示方法的实现，本发明实施例提供了另一种应用信息的推荐装置，如图6所示，该装置包括：获取单元41、建立单元42、求解单元43、确定单元44、选取单元45、更新单元46。
获取单元41，用于获取待推荐应用信息客户端的用户历史行为信息；
建立单元42，用于根据所述用户历史行为信息建立分解矩阵；
求解单元43，用于通过预设分解算法对所述分解矩阵进行求解，得到解矩阵，所述预设分解算法为对矩阵进行分解得到特征矩阵的分解方法；
确定单元44，用于根据所述解矩阵确定待推荐的应用信息，将所述应用信息下发至所述客户端中。
进一步地，所述用户历史行为信息为不同客户端中不同应用信息的点击行为，
所述建立单元42，具体用于根据客户端中不同应用信息的点击行为生成行向量，以及应用信息在不同客户端中的点击行为生成列向量，建立与所述行向量、所述列向量匹配的分解矩阵。
所述求解单元43，具体用于通过奇异值分解法对所述分解矩阵进行求解，得到具有第一特征量值的第一基向量以及具有第二特征量值的第二基向量。
进一步地，所述确定单元44包括：
确定模块4401，具体用于当前服务端根据所述第一基向量的维度个数及所述第二基向量的特征个数确定待推荐的应用信息；
筛选模块4402，用于按照预设优先级条件对所述待推荐的应用信息进行排序筛选，并对筛选后的应用信息进行去重，得到最终待推荐的应用信息，并将所述应用信息下发至所述客户端中。
进一步地，所述装置还包括：
选取单元45，用于当前服务端按照应用程序的业务需求选取所述第一基向量中的特征个数，以及所述第二基向量中的维度个数，所述业务需要包括待推荐应用信息的个数、类型、属性。
进一步地，所述装置还包括：
更新单元46，用于当前服务端按照预设时间间隔对所述客户端的用户历史行为信息进行更新，以便重新确定待推荐的应用信息。
本发明提供了另一种应用信息的推荐装置，本发明实施例通过当前服务端利用不同客户端中不同应用信息的点击行为生成行向量与列向量，建立分解矩阵，通过奇异值分解法对分解矩阵进行分解，得到第一特征量值的第一基向量以及具有第二特征量值的第二基向量，通过业务需求选取特征个数及维度个数后进行相乘，确定待推荐的应用信息，避免由于人工选择推送应用信息带来的资源浪费，且避免使用大数据量运算的分类方法，实现通过使用简单的运算确定推送应用信息的方法，针对用户量小、用户特征有限的应用程序，可以大大提高推荐信息效率。
根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的应用信息的推荐方法。
图7示出了根据本发明一个实施例提供的一种终端的结构示意图，本发明具体实施例并不对终端的具体实现做限定。
如图7所示，该终端可以包括：处理器(processor)502、通信接口(CommunicationsInterface)504、存储器(memory)506、以及通信总线508。
其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502，用于执行程序510，具体可以执行上述应用信息的推荐方法实施例中的相关步骤。
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作：
获取待推荐应用信息客户端的用户历史行为信息；
根据所述用户历史行为信息建立分解矩阵；
通过预设分解算法对所述分解矩阵进行求解，得到解矩阵，所述预设分解算法为对矩阵进行分解得到特征矩阵的分解方法；
根据所述解矩阵确定待推荐的应用信息，将所述应用信息下发至所述客户端中。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的应用信息的推荐方法及装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本发明的实施例还包括了：
A1、一种应用信息的推荐方法，包括：
获取待推荐应用信息客户端的用户历史行为信息；
根据所述用户历史行为信息建立分解矩阵；
通过预设分解算法对所述分解矩阵进行求解，得到解矩阵，所述预设分解算法为对矩阵进行分解得到特征矩阵的分解方法；
根据所述解矩阵确定待推荐的应用信息，将所述应用信息下发至所述客户端中。
A2、根据A1所述的方法，所述用户历史行为信息为不同客户端中不同应用信息的点击行为，所述根据所述用户历史行为信息建立分解矩阵包括：
根据客户端中不同应用信息的点击行为生成行向量，以及应用信息在不同客户端中的点击行为生成列向量，建立与所述行向量、所述列向量匹配的分解矩阵。
A3、根据A2所述的方法，所述通过预设分解算法对所述分解矩阵进行求解，得到解矩阵包括：
通过奇异值分解法对所述分解矩阵进行求解，得到具有第一特征量值的第一基向量以及具有第二特征量值的第二基向量。
A4、根据A3所述的方法，所述根据所述解矩阵确定待推荐的应用信息，将所述应用信息下发至所述客户端中包括：
当前服务端根据所述第一基向量的维度个数及所述第二基向量的特征个数确定待推荐的应用信息；
按照预设优先级条件对所述待推荐的应用信息进行排序筛选，并对筛选后的应用信息进行去重，得到最终待推荐的应用信息，并将所述应用信息下发至所述客户端中。
A5、根据A3或A4所述的方法，所述通过奇异值分解法对所述分解矩阵进行求解，得到具有第一特征量值的第一基向量以及具有第二特征量值的第二基向量方法之后，所述方法还包括：
当前服务端按照应用程序的业务需求选取所述第一基向量中的特征个数，以及所述第二基向量中的维度个数，所述业务需要包括待推荐应用信息的个数、类型、属性。
A6、根据A1-A5任一项所述的方法，所述方法还包括：
当前服务端按照预设时间间隔对所述客户端的用户历史行为信息进行更新，以便重新确定待推荐的应用信息。
B7、一种应用信息的推荐装置，包括：
获取单元，用于获取待推荐应用信息客户端的用户历史行为信息；
建立单元，用于根据所述用户历史行为信息建立分解矩阵；
求解单元，用于通过预设分解算法对所述分解矩阵进行求解，得到解矩阵，所述预设分解算法为对矩阵进行分解得到特征矩阵的分解方法；
确定单元，用于根据所述解矩阵确定待推荐的应用信息，将所述应用信息下发至所述客户端中。
B8、根据B7所述的装置，所述用户历史行为信息为不同客户端中不同应用信息的点击行为，
所述建立单元，具体用于根据客户端中不同应用信息的点击行为生成行向量，以及应用信息在不同客户端中的点击行为生成列向量，建立与所述行向量、所述列向量匹配的分解矩阵。
B9、根据B8所述的装置，
所述求解单元，具体用于通过奇异值分解法对所述分解矩阵进行求解，得到具有第一特征量值的第一基向量以及具有第二特征量值的第二基向量。
B10、根据B9所述的装置，所述确定单元包括：
确定模块，用于当前服务端根据所述第一基向量的维度个数及所述第二基向量的特征个数确定待推荐的应用信息；
筛选模块，用于按照预设优先级条件对所述待推荐的应用信息进行排序筛选，并对筛选后的应用信息进行去重，得到最终待推荐的应用信息，并将所述应用信息下发至所述客户端中。
B11、根据B8或B9所述的装置，所述装置还包括：
选取单元，用于当前服务端按照应用程序的业务需求选取所述第一基向量中的特征个数，以及所述第二基向量中的维度个数，所述业务需要包括待推荐应用信息的个数、类型、属性。
B12、根据B7-B11任一项所述的装置，所述装置还包括：
更新单元，用于当前服务端按照预设时间间隔对所述客户端的用户历史行为信息进行更新，以便重新确定待推荐的应用信息。
C13、一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如A1-A6中任一项所述的应用信息的推荐方法对应的操作。
D17、一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如A1-A6中任一项所述的应用信息的推荐方法对应的操作。
Claims (10)
1.一种应用信息的推荐方法，其特征在于，包括：
获取待推荐应用信息客户端的用户历史行为信息；
根据所述用户历史行为信息建立分解矩阵；
通过预设分解算法对所述分解矩阵进行求解，得到解矩阵，所述预设分解算法为对矩阵进行分解得到特征矩阵的分解方法；
根据所述解矩阵确定待推荐的应用信息，将所述应用信息下发至所述客户端中。
2.根据权利要求1所述的方法，其特征在于，所述用户历史行为信息为不同客户端中不同应用信息的点击行为，所述根据所述用户历史行为信息建立分解矩阵包括：
根据客户端中不同应用信息的点击行为生成行向量，以及应用信息在不同客户端中的点击行为生成列向量，建立与所述行向量、所述列向量匹配的分解矩阵。
3.根据权利要求2所述的方法，其特征在于，所述通过预设分解算法对所述分解矩阵进行求解，得到解矩阵包括：
通过奇异值分解法对所述分解矩阵进行求解，得到具有第一特征量值的第一基向量以及具有第二特征量值的第二基向量。
4.根据权利要求3所述的方法，其特征在于，所述根据所述解矩阵确定待推荐的应用信息，将所述应用信息下发至所述客户端中包括：
当前服务端根据所述第一基向量的维度个数及所述第二基向量的特征个数确定待推荐的应用信息；
按照预设优先级条件对所述待推荐的应用信息进行排序筛选，并对筛选后的应用信息进行去重，得到最终待推荐的应用信息，并将所述应用信息下发至所述客户端中。
5.一种应用信息的推荐装置，其特征在于，包括：
获取单元，用于获取待推荐应用信息客户端的用户历史行为信息；
建立单元，用于根据所述用户历史行为信息建立分解矩阵；
求解单元，用于通过预设分解算法对所述分解矩阵进行求解，得到解矩阵，所述预设分解算法为对矩阵进行分解得到特征矩阵的分解方法；
确定单元，用于根据所述解矩阵确定待推荐的应用信息，将所述应用信息下发至所述客户端中。
6.根据权利要求5所述的装置，其特征在于，所述用户历史行为信息为不同客户端中不同应用信息的点击行为，
所述建立单元，具体用于根据客户端中不同应用信息的点击行为生成行向量，以及应用信息在不同客户端中的点击行为生成列向量，建立与所述行向量、所述列向量匹配的分解矩阵。
7.根据权利要求6所述的装置，其特征在于，
所述求解单元，具体用于通过奇异值分解法对所述分解矩阵进行求解，得到具有第一特征量值的第一基向量以及具有第二特征量值的第二基向量。
8.根据权利要求7所述的装置，其特征在于，所述确定单元包括：
确定模块，用于当前服务端根据所述第一基向量的维度个数及所述第二基向量的特征个数确定待推荐的应用信息；
筛选模块，用于按照预设优先级条件对所述待推荐的应用信息进行排序筛选，并对筛选后的应用信息进行去重，得到最终待推荐的应用信息，并将所述应用信息下发至所述客户端中。
9.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-4中任一项所述的应用信息的推荐方法对应的操作。
10.一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-4中任一项所述的应用信息的推荐方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711457852.3A CN108108453A (zh) | 2017-12-28 | 2017-12-28 | 应用信息的推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711457852.3A CN108108453A (zh) | 2017-12-28 | 2017-12-28 | 应用信息的推荐方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108108453A true CN108108453A (zh) | 2018-06-01 |
Family
ID=62214229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711457852.3A Pending CN108108453A (zh) | 2017-12-28 | 2017-12-28 | 应用信息的推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108108453A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158039A (zh) * | 2021-04-06 | 2021-07-23 | 深圳先进技术研究院 | 应用推荐方法、系统、终端以及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007323315A (ja) * | 2006-05-31 | 2007-12-13 | Nippon Telegr & Teleph Corp <Ntt> | 協調フィルタリング方法、協調フィルタリング装置、および協調フィルタリングプログラムならびにそのプログラムを記録した記録媒体 |
| CN102426686A (zh) * | 2011-09-29 | 2012-04-25 | 南京大学 | 一种基于矩阵分解的互联网信息产品推荐方法 |
| CN102609523A (zh) * | 2012-02-10 | 2012-07-25 | 上海视畅信息科技有限公司 | 基于物品分类和用户分类的协同过滤推荐算法 |
| CN104572962A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 一种app推荐的方法和系统 |
| CN105183925A (zh) * | 2015-10-30 | 2015-12-23 | 合一网络技术(北京)有限公司 | 内容关联推荐方法及装置 |
-
2017
- 2017-12-28 CN CN201711457852.3A patent/CN108108453A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007323315A (ja) * | 2006-05-31 | 2007-12-13 | Nippon Telegr & Teleph Corp <Ntt> | 協調フィルタリング方法、協調フィルタリング装置、および協調フィルタリングプログラムならびにそのプログラムを記録した記録媒体 |
| CN102426686A (zh) * | 2011-09-29 | 2012-04-25 | 南京大学 | 一种基于矩阵分解的互联网信息产品推荐方法 |
| CN102609523A (zh) * | 2012-02-10 | 2012-07-25 | 上海视畅信息科技有限公司 | 基于物品分类和用户分类的协同过滤推荐算法 |
| CN104572962A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 一种app推荐的方法和系统 |
| CN105183925A (zh) * | 2015-10-30 | 2015-12-23 | 合一网络技术(北京)有限公司 | 内容关联推荐方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158039A (zh) * | 2021-04-06 | 2021-07-23 | 深圳先进技术研究院 | 应用推荐方法、系统、终端以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104838377B (zh) | 利用映射缩减集成事件处理 | |
| TWI716057B (zh) | 服務推薦方法、裝置及設備 | |
| CN104486461B (zh) | 域名分类方法和装置、域名识别方法和系统 | |
| CN103763361B (zh) | 一种基于用户行为推荐应用的方法、系统及推荐服务器 | |
| Washizaki et al. | Software-engineering design patterns for machine learning applications | |
| CN104217031B (zh) | 一种根据服务器搜索日志数据进行用户分类的方法和装置 | |
| CN108229986B (zh) | 信息点击预测中的特征构建方法、信息投放方法和装置 | |
| CN107111636A (zh) | 用于顺序传输优化存储装置的卷级冗余编码技术 | |
| CN105573966A (zh) | 电子表格中所呈现的内容的自适应修改 | |
| CN107704485A (zh) | 一种职位推荐方法及计算设备 | |
| CN105224606A (zh) | 一种用户标识的处理方法及装置 | |
| CN108062303A (zh) | 垃圾短信的识别方法及装置 | |
| CN106919625A (zh) | 一种互联网用户属性识别方法和装置 | |
| Caballé et al. | Distributed-based massive processing of activity logs for efficient user modeling in a Virtual Campus | |
| CN108052670A (zh) | 一种相机特效的推荐方法及装置 | |
| CN104965863B (zh) | 一种对象聚类方法和装置 | |
| CN103440199B (zh) | 测试引导方法和装置 | |
| CN107341181A (zh) | 搜索推荐方法、装置、计算机可读存储介质及计算机设备 | |
| CN107463935A (zh) | 应用分类方法和应用分类装置 | |
| CN109977312A (zh) | 一种基于内容标签的知识库推荐系统 | |
| CN111881042A (zh) | 自动化测试脚本的生成方法、装置和电子设备 | |
| CN115668128A (zh) | 使云服务的采用自动化 | |
| CN109445774A (zh) | 基于图元化操作的业务处理方法及装置 | |
| CN114817746A (zh) | 保险产品推荐方法、装置、设备及存储介质 | |
| CN108229676A (zh) | 神经网络模型的训练方法和装置、电子设备和计算机存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180601 |