CN109117442A - 一种应用推荐方法及装置 - Google Patents
一种应用推荐方法及装置 Download PDFInfo
- Publication number
- CN109117442A CN109117442A CN201710483984.7A CN201710483984A CN109117442A CN 109117442 A CN109117442 A CN 109117442A CN 201710483984 A CN201710483984 A CN 201710483984A CN 109117442 A CN109117442 A CN 109117442A
- Authority
- CN
- China
- Prior art keywords
- application
- user
- label
- recommended
- similarity
- 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.)
- Granted
Links
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Abstract
本发明实施例公开了一种应用推荐方法,包括:获取多个用户的安装应用信息;根据所述多个用户的所述安装应用信息,构建潜在语义的用户相似度矩阵;根据所述用户相似度矩阵,选取与目标用户的用户相似度最高的所述多个用户中的N个用户,并计算所述N个用户的每个待推荐应用的推荐度;获取所述目标用户的当前应用的应用标签以及所述待推荐应用的应用标签,计算所述当前应用与所述待推荐应用的文本相似度;根据所述待推荐应用的推荐度以及所述当前应用与所述待推荐应用的文本相似度,确定向所述目标用户推荐的应用。本发明实施例还公开了一种应用推荐装置。采用本发明实施例,提高了应用推荐的准确性,使得应用推荐更加个性化。
Description
技术领域
本发明涉及电子技术领域,尤其涉及一种应用推荐方法及装置。
背景技术
目前,应用市场的应用推荐方案主要是通过人工的给每个应用定义几个关键字标签,在进行推荐时,对比不同应用之间的关键字标签,计算两个应用之间的文本相似度,然后根据文本相似度进行推荐。例如,当前应用“百合网”的应用标签包括“恋爱”、“约会”、“婚恋”、“同城约会”,而待推荐的应用“陌陌”的应用标签“聊天”、“陌生人”、“社交生活”、“单身”,可见待推荐的应用“陌陌”与当前应用“百合网”极其相似,因此可以在展示当前应用“百合网”时,同时向用户推荐“陌陌”。但是,采用该方案,一旦应用标签出错直接影响推荐结果,并且不能满足个性化需求。
发明内容
本发明实施例提供一种应用推荐方法及装置。可以解决现有技术方案中应用推荐不够准确的问题。
第一方面,本发明实施例提供了一种应用推荐方法,包括:
获取多个用户的安装应用信息;
根据所述多个用户的所述安装应用信息,构建潜在语义的用户相似度矩阵,所述用户相似度矩阵包括所述多个用户中每个用户的每个应用的权重;
根据所述用户相似度矩阵,选取与目标用户的用户相似度最高的所述多个用户中的N个用户,并计算所述N个用户的每个待推荐应用的推荐度,其中,所述N为大于等于1的整数;
计算所述当前应用与所述待推荐应用的文本相似度;
根据所述待推荐应用的推荐度以及所述当前应用与所述待推荐应用的文本相似度,确定向所述目标用户推荐的应用。
其中,所述根据所述用户相似度矩阵,选取与目标用户的用户相似度最高的所述多个用户中的N个用户包括:
根据所述用户相似度矩阵,计算所述目标用户与所述多个用户中每个用户之间的余弦相似度;
根据所述余弦相似度,选取与所述目标用户的用户相似度最高的所述N个用户。
其中,所述计算所述N个用户的每个待推荐应用的推荐度包括:
将所述目标用户与所述N个用户中第i个用户之间的余弦相似度乘以所述N个用户中第i个用户的第j个应用的权重,计算所述第i个用户的所述第j个应用的推荐分量;
对所述N个用户的所述第j个应用的推荐分量进行叠加,计算得到所述第j个应用的推荐度,其中,所述i、所述j均为正整数。
其中,所述计算所述当前应用与所述待推荐应用的文本相似度包括:
获取所述目标用户的当前应用的应用标签以及所述待推荐应用的应用标签;
计算所述当前应用的应用标签与所述待推荐应用的应用标签之间的标签相似度之和;
根据所述当前应用的应用标签的标签个数以及所述待推荐应用的应用标签的标签个数,计算所述当前应用与所述待推荐应用之间的标签长度;
将所述当前应用的应用标签与所述待推荐应用的应用标签之间的标签相似度之和除以所述标签长度,计算所述当前应用与所述待推荐应用的文本相似度。
其中,所述计算所述当前应用的应用标签与所述待推荐应用的应用标签之间的标签相似度之和包括:
获取所述当前应用的应用标签中的目标应用标签与所述待推荐应用的每个应用标签之间的语义相似度;
选取最高的所述语义相似度作为所述目标应用标签的标签相似度;
将所述当前应用的多个应用标签的标签相似度进行叠加得到所述标签相似度之和。
其中,所述根据所述当前应用的应用标签的标签个数以及所述待推荐应用的应用标签的标签个数,计算所述当前应用与所述待推荐应用之间的标签长度包括:
计算所述当前应用的应用标签的标签个数与所述每个待推荐应用的应用标签的标签个数之间的差值;
将所述差值除以2加上所述当前应用的应用标签的标签个数,计算得到所述标签长度。
其中,所述根据所述待推荐应用的推荐度以及所述当前应用与所述待推荐应用的文本相似度,确定向所述目标用户推荐的应用包括:
计算所述待推荐应用的推荐度、以及所述当前应用与所述待推荐应用的文本相似度的加权平均值;
选取所述加权平均值最大的应用向所述目标用户进行推荐。
第二方面,本发明实施例提供了一种应用推荐装置,包括:
信息获取模块,用于获取多个用户的安装应用信息;
矩阵构建模块,用于根据所述多个用户的所述安装应用信息,构建潜在语义的用户相似度矩阵,所述用户相似度矩阵包括所述多个用户中每个用户的每个应用的权重;
推荐度计算模块,用于根据所述用户相似度矩阵,选取与目标用户的用户相似度最高的所述多个用户中的N个用户,并计算所述N个用户的每个待推荐应用的推荐度,其中,所述N为大于等于1的整数;
文本计算模块,用于计算所述当前应用与所述待推荐应用的文本相似度;
应用推荐模块,用于根据所述待推荐应用的推荐度以及所述当前应用与所述待推荐应用的文本相似度,确定向所述目标用户推荐的应用。
其中,所述推荐度计算模块,还用于根据所述用户相似度矩阵,计算所述目标用户与所述多个用户中每个用户之间的余弦相似度;根据所述余弦相似度,选取与所述目标用户的用户相似度最高的所述N个用户。
其中,所述推荐度计算模块具体用于:
将所述目标用户与所述N个用户中第i个用户之间的余弦相似度乘以所述N个用户中第i个用户的第j个应用的权重,计算所述第i个用户的所述第j个应用的推荐分量;
对所述N个用户的所述第j个应用的推荐分量进行叠加,计算得到所述第j个应用的推荐度,其中,所述i、所述j均为正整数。
其中,所述文本计算模块具体用于:
获取所述目标用户的当前应用的应用标签以及所述待推荐应用的应用标签;
计算所述当前应用的应用标签与所述待推荐应用的应用标签之间的标签相似度之和;
根据所述当前应用的应用标签的标签个数以及所述待推荐应用的应用标签的标签个数,计算所述当前应用与所述待推荐应用之间的标签长度;
将所述当前应用的应用标签与所述待推荐应用的应用标签之间的标签相似度之和除以所述标签长度,计算所述当前应用与所述待推荐应用的文本相似度。
其中,所述文本计算模块,还用于获取所述当前应用的应用标签中的目标应用标签与所述待推荐应用的每个应用标签之间的语义相似度;选取最高的所述语义相似度作为所述目标应用标签的标签相似度;将所述当前应用的多个应用标签的标签相似度进行叠加得到所述标签相似度之和。
其中,所述文本计算模块,还用于计算所述当前应用的应用标签的标签个数与所述每个待推荐应用的应用标签的标签个数之间的差值;将所述差值除以2加上所述当前应用的应用标签的标签个数,计算得到所述标签长度。
其中,所述应用推荐模块具体用于:
计算所述待推荐应用的推荐度、以及所述当前应用与所述待推荐应用的文本相似度的加权平均值;
选取所述加权平均值最大的应用向所述目标用户进行推荐。
第三方面,本发明实施例还提供了一种应用推荐装置,包括接口电路、存储器以及处理器,其中,存储器中存储一组程序代码,且处理器用于调用存储器中存储的程序代码,用于执行以下操作:
获取多个用户的安装应用信息;
根据所述多个用户的所述安装应用信息,构建潜在语义的用户相似度矩阵,所述用户相似度矩阵包括所述多个用户中每个用户的每个应用的权重;
根据所述用户相似度矩阵,选取与目标用户的用户相似度最高的所述多个用户中的N个用户,并计算所述N个用户的每个待推荐应用的推荐度,其中,所述N为大于等于1的整数;
计算所述当前应用与所述待推荐应用的文本相似度;
根据所述待推荐应用的推荐度以及所述当前应用与所述待推荐应用的文本相似度,确定向所述目标用户推荐的应用。
本发明的又一方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有多条指令,所述指令适于由处理器加载并执行上述各方面所述的方法。
实施本发明实施例,基于用户的已安装应用列表,根据潜在语义分析模型,计算出待推荐应用的推荐度。同时根据应用的应用标签,计算出待推荐应用与当前应用的文本相似度,结合待推荐应用的推荐度和待推荐应用与当前应用的文本相似度进行推荐,提高了应用推荐的准确性、以及满足应用推荐的个性化需求。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种应用推荐方法的流程示意图;
图2是本发明实施例提供的一种构建潜在语义的用户相似度矩阵的流程示意图;
图3是本发明实施例提供的一种构建移动应用词典的方法流程示意图;
图4是本发明另一实施例提供的一种应用推荐方法的流程示意图;
图5是本发明实施例提供的一种应用推荐装置的结构示意图;
图6是本发明实施例提供的另一种应用推荐装置的结构示意图。
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作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。
请参考图1,图1是本发明实施例提供的一种应用推荐方法的流程示意图。如图所示,本发明实施例的执行主体可以为服务器,本发明实施例中的方法包括:
S101,获取多个用户的安装应用信息。
具体实现中,可以通过客户端收集大量用户的安装应用信息。其中,安装应用信息包括已安装应用的包名、标题名和版本号等信息。
S102,根据所述多个用户的所述安装应用信息,构建潜在语义的用户相似度矩阵,所述用户相似度矩阵包括所述多个用户中每个用户的每个应用的权重。
具体实现中,如图2所示,图2是本发明实施例提供的一种构建潜在语义的用户相似度矩阵的流程示意图。包括:首先,构建移动应用词典;其次,根据移动应用词典,建立半结构文本的物元知识表示模型;最后,构建基于潜在语义分析的概念向量模型。具体流程如下:
首先,如图3所示,图3是本发明实施例提供的一种构建移动应用词典的方法流程示意图。在获取多个用户的安装应用信息之后,统计分析整理提取应用词汇,构建专业应用词库,对如“设置”、“电源”之类频繁出现且系统预置应用的应用词汇、以及低频应用词汇进行过滤。然后对应用词库进行扩展重构,在各厂商已向应用市场报备的应用基础上加入新词汇构建应用领域词典。词典的构建过程是个不断迭代更新的过程,以保证词典具有较高的覆盖率。
其次,建立用户、已安装应用的物元知识表示模型。将用户、已安装应用的知识集定义为一个有序的三元组M=(K,F,W)。其中,K、F、W表示知识集M的三个要素,K代表某个用户,F代表载体的特征集合,F=(f1,f2,...,fn),fi表示该用户安装的第i个已安装应用,W表示特征向量F对应的权值集W=(w1,w2,...,wn),wi表示特征向量第i个已安装应用的权值。为充分表征文本信息,向量的权重集合采用术语频率逆文档频率(term frequency-inverse document frequency,TF-IDF)进行度量。
最后,根据建立的物元知识表示模型,提取所有用户的已安装应用信息并去重,建立词袋模型。并依据词袋模型构建用户的应用向量。应用包名在词袋中的顺序固定,在向量空间中的位置唯一确定,即用户的应用向量可表示为:VE=(f(term1),f(term2),...,f(termn))。向量VE中f(termi)表示词袋中第i个应用词汇在用户知识表示模型中应用fj的权重wj。
例如,用户信息(user)为行,应用包名(app)为列,构建矩阵并进行潜在语义建模。设该矩阵名为EM。首先,构建“用户-应用包名”矩阵EM。根据用户应用包名向量VE,整合所有用户信息库“用户-应用包名”矩阵,整合的过程为用户应用包名向量到用户应用包名矩阵的一个映射。其次,对矩阵EM进行奇异值分解,EM=U×∑×VT。然后,对分解后的矩阵进行降维,将矩阵t行、t列后元素置0,设U′、∑′、V′分别为U、∑、V降维后的矩阵。最后,对降维后的结果进行逆运算得到近似矩阵EMs,EMs=U′×∑′×(V’)T。
需要说明的是,可以证明等式右边是在最小二乘意义下对等式左边的最佳近似,即EMs≈EM。因此矩阵EMs表示包含潜在语义的“用户-应用包名”矩阵,该矩阵EMs为用户信息的概念表示模型。当文本数据量越大,所挖掘的潜在语义将更加精准。
S103,根据所述用户相似度矩阵,选取与目标用户的用户相似度最高的所述多个用户中的N个用户,并计算所述N个用户的每个待推荐应用的推荐度,其中,所述N为大于等于1的整数。
具体实现中,首先,可以根据所述用户相似度矩阵,计算所述目标用户与所述多个用户中每个用户之间的余弦相似度;根据所述余弦相似度,选取与所述目标用户的用户相似度最高的所述N个用户。公式如下:
其中,Similarity(Useraction,Userother)为目标用户与其他用户之间的用户相似度,Vuseraction[i]表示目标用户的第i个应用的权重,Vuserother[i]为其他用户的第i个应用的权重。
然后,将所述目标用户与所述N个用户中第i个用户之间的余弦相似度乘以所述N个用户中第i个用户的第j个应用的权重,计算所述第i个用户的所述第j个应用的推荐分量;对所述N个用户的所述第j个应用的推荐分量进行叠加,计算得到所述第j个应用的推荐度,其中,所述i、所述j均为正整数。公式如下:
其中,LatentRecommend(Useraction,k)为第j个应用的推荐度,为目标用户与N个用户中第i个用户之间的余弦相似度,为N个用户中第i个用户的第j个应用的权重。
S104,计算所述当前应用与所述待推荐应用的文本相似度。
具体实现中,可以获取所述目标用户的当前应用的应用标签以及所述待推荐应用的应用标签;计算所述当前应用的应用标签与所述待推荐应用的应用标签之间的标签相似度之和;根据所述当前应用的应用标签的标签个数以及所述待推荐应用的应用标签的标签个数,计算所述当前应用与所述待推荐应用之间的标签长度;将所述当前应用的应用标签与所述待推荐应用的应用标签之间的标签相似度之和除以所述标签长度,计算所述当前应用与所述待推荐应用的文本相似度。
进一步的,可以获取所述当前应用的应用标签中的目标应用标签与所述待推荐应用的每个应用标签之间的语义相似度;选取最高的所述语义相似度作为所述目标应用标签的标签相似度;将所述当前应用的多个应用标签的标签相似度进行叠加得到所述标签相似度之和。
进一步的,可以计算所述当前应用的应用标签的标签个数与所述每个待推荐应用的应用标签的标签个数之间的差值;将所述差值除以2加上所述当前应用的应用标签的标签个数,计算得到所述标签长度。可选的,可以计算所述当前应用的应用标签的标签个数与所述每个待推荐应用的应用标签的标签个数之和,将所述当前应用的应用标签的标签个数与所述每个待推荐应用的应用标签的标签个数之和除以2计算得到所述标签长度。
需要说明的是,在计算两个应用的文本相似度时,考虑到不同的用户对应用的表述、语气等不一致,导致基于向量空间的方法的向量矩阵会出现稀疏,严重影响计算结果,因此,本发明实施例采用一种基于语义词典的相似度计算方法。公式如下:
其中,sim(Ai,B1)为应用A的第i个应用标签与应用B的第1个应用标签之间的语义相似度,sim(Ai,Bn)为应用A的第i个应用标签与应用B的第n个应用标签之间的语义相似度,L为标签长度,L(B)为应用B的应用标签个数,L(A)为应用A的标签个数。
例如,应用A的应用标签包括社交、游戏,应用B的应用标签包括冒险、聊天,预先定义的社交和冒险的语义相似度为0.5,社交和聊天的语义相似度为0.8,由于max(sim(社交,冒险),sim(社交,聊天))=0.8,因此应用A的应用标签“社交”的标签相似度为0.8。按照同样的方法可以计算出应用标签“游戏”的标签相似度,然后对“社交”和“游戏”两个词的标签相似度进行相加得到标签相似度之和。
S105,根据所述待推荐应用的推荐度以及所述当前应用与所述待推荐应用的文本相似度,确定向所述目标用户推荐的应用。
具体实现中,可以计算所述待推荐应用的推荐度、以及所述当前应用与所述待推荐应用的文本相似度的加权平均值;选取所述加权平均值最大的应用向所述目标用户进行推荐。公式如下:
Recommend(Useraction,Userscene)
=αLatentRecommend(Useraction)+βLabelSimilarity(Userscene)
其中,α表示基于潜在语义分析的推荐结果的权重系数,β为基于应用标签语义计算得到的推荐结果的权重系数,Recommend(Useraction,Userscene)为加权平均值,LatentRecommend(Useraction)为待推荐应用的推荐度,LabelSimilarity(Userscene)为当前应用与待推荐应用的文本相似度。
可选的,可以预先设定向用户推荐的应用的个数N,计算所述待推荐应用的推荐度、和所述当前应用与所述待推荐应用的文本相似度之和,并对每个待推荐应用的推荐度和文本相似度之和进行比较排序,最后向目标用户推荐排在前N位的待推荐应用。
可选的,在根据所述待推荐应用的推荐度以及所述当前应用与所述待推荐应用的文本相似度,确定向所述目标用户推荐的应用之后。服务器可以获取多个用户对每个待推荐应用的打分,根据多个用户对每个待推荐应用的打分,计算出每个应用的评分,根据确定的多个应用中的每个应用的评分,从确定的多个应用中进一步选取其中的应用向目标用户进行推荐。进一步的,可以判断应用的评分是否大于预设阈值,若应用的评分大于预设阈值,则可以将该应用推荐给目标用户。或者,可以优先选取评分最高的应用推荐给目标用户。
可选的,在确定向所述目标用户推荐的应用之后,向终端发送确定的应用的推荐信息,所述推荐信息包括下载链接地址和应用信息,终端接收到应用的推荐信息之后,目标用户可以点击下载链接地址,向服务器发送下载请求,服务器接收到下载请求之后,将应用安装包发送给终端进行安装。
例如,如图4所示,图4是本发明另一实施例提供的一种应用推荐方法的流程示意图。服务器首先接收客户端发送的应用推荐请求,构建用户已安装应用的应用向量,基于构建的“用户-应用”潜在语义相关性数据库计算与用户应用已安装应用最相似的用户,选取用户a、用户b和用户c等N个用户,然后计算N个用户中每个用户的每个待推荐应用的推荐度,并计算当前应用与待推荐应用的文本相似度,其次结合待推荐应用的推荐度、以及当前应用与待推荐应用的文本相似度,确定向用户推荐的应用(应用a、应用b以及应用c),最后向用户返回推荐结果(应用a、应用b以及应用c)。
在本发明实施例中,基于用户的已安装应用列表,根据潜在语义分析模型,计算出待推荐应用的推荐度。同时根据应用的应用标签,计算出待推荐应用与当前应用的文本相似度,结合待推荐应用的推荐度和待推荐应用与当前应用的文本相似度进行推荐,提高了应用推荐的准确性以及满足应用推荐的个性化需求。
请参考图5,图5是本发明实施例提供的一种应用推荐装置的结构示意图。如图所示,本发明实施例中的装置包括:
信息获取模块501,用于获取多个用户的安装应用信息。
具体实现中,可以通过客户端收集大量用户的安装应用信息。其中,安装应用信息包括已安装应用的包名、标题名和版本号等信息。
矩阵构建模块502,用于根据所述多个用户的所述安装应用信息,构建潜在语义的用户相似度矩阵,所述用户相似度矩阵包括所述多个用户中每个用户的每个应用的权重。
具体实现中,如图2所示,图2是本发明实施例提供的一种构建潜在语义的用户相似度矩阵的流程示意图。包括:首先,构建移动应用词典;其次,根据移动应用词典,建立半结构文本的物元知识表示模型;最后,构建基于潜在语义分析的概念向量模型。具体流程如下:
首先,如图3所示,图3是本发明实施例提供的一种构建移动应用词典的方法流程示意图。在获取多个用户的安装应用信息之后,统计分析整理提取应用词汇,构建专业应用词库,对如“设置”、“电源”之类频繁出现且系统预置应用的应用词汇、以及低频应用词汇进行过滤。然后对应用词库进行扩展重构,在各厂商已向应用市场报备的应用基础上加入新词汇构建应用领域词典。词典的构建过程是个不断迭代更新的过程,以保证词典具有较高的覆盖率。
其次,建立用户、已安装应用的物元知识表示模型。将用户、已安装应用的知识集定义为一个有序的三元组M=(K,F,W)。其中,K、F、W表示知识集M的三个要素,K代表某个用户,F代表载体的特征集合,F=(f1,f2,...,fn),fi表示该用户安装的第i个已安装应用,W表示特征向量F对应的权值集W=(w1,w2,...,wn),wi表示特征向量第i个已安装应用的权值。为充分表征文本信息,向量的权重集合采用术语频率逆文档频率(term frequency-inverse document frequency,TF-IDF)进行度量。
最后,根据建立的物元知识表示模型,提取所有用户的已安装应用信息并去重,建立词袋模型。并依据词袋模型构建用户的应用向量。应用包名在词袋中的顺序固定,在向量空间中的位置唯一确定,即用户的应用向量可表示为:VE=(f(term1),f(term2),...,f(termn))。向量VE中f(termi)表示词袋中第i个应用词汇在用户知识表示模型中应用fj的权重wj。
例如,用户信息(user)为行,应用包名(app)为列,构建矩阵并进行潜在语义建模。设该矩阵名为EM。首先,构建“用户-应用包名”矩阵EM。根据用户应用包名向量VE,整合所有用户信息库“用户-应用包名”矩阵,整合的过程为用户应用包名向量到用户应用包名矩阵的一个映射。其次,对矩阵EM进行奇异值分解,EM=U×∑×VT。然后,对分解后的矩阵进行降维,将矩阵t行、t列后元素置0,设U′、∑′、V′分别为U、∑、V降维后的矩阵。最后,对降维后的结果进行逆运算得到近似矩阵EMs,EMs=U′×∑′×(V’)T。
需要说明的是,可以证明等式右边是在最小二乘意义下对等式左边的最佳近似,即EMs≈EM。因此矩阵EMs表示包含潜在语义的“用户-应用包名”矩阵,该矩阵EMs为用户信息的概念表示模型。当文本数据量越大,所挖掘的潜在语义将更加精准。
推荐度计算模块503,用于根据所述用户相似度矩阵,选取与目标用户的用户相似度最高的所述多个用户中的N个用户,并计算所述N个用户的每个待推荐应用的推荐度,其中,所述N为大于等于1的整数。
具体实现中,首先,可以根据所述用户相似度矩阵,计算所述目标用户与所述多个用户中每个用户之间的余弦相似度;根据所述余弦相似度,选取与所述目标用户的用户相似度最高的所述N个用户。公式如下:
其中,Similarity(Useraction,Userother)为目标用户与其他用户之间的用户相似度,Vuseraction[i]表示目标用户的第i个应用的权重,Vuserother[i]为其他用户的第i个应用的权重。
然后,将所述目标用户与所述N个用户中第i个用户之间的余弦相似度乘以所述N个用户中第i个用户的第j个应用的权重,计算所述第i个用户的所述第j个应用的推荐分量;对所述N个用户的所述第j个应用的推荐分量进行叠加,计算得到所述第j个应用的推荐度,其中,所述i、所述j均为正整数。公式如下:
其中,LatentRecommend(Useraction,k)为第j个应用的推荐度,Similarity(Useraction,Usertop[i])为目标用户与N个用户中第i个用户之间的余弦相似度,Vusertop[i][j]为N个用户中第i个用户的第j个应用的权重。
文本计算模块504,用于计算所述当前应用与所述待推荐应用的文本相似度。
具体实现中,可以获取所述目标用户的当前应用的应用标签以及所述待推荐应用的应用标签;计算所述当前应用的应用标签与所述待推荐应用的应用标签之间的标签相似度之和;根据所述当前应用的应用标签的标签个数以及所述待推荐应用的应用标签的标签个数,计算所述当前应用与所述待推荐应用之间的标签长度;将所述当前应用的应用标签与所述待推荐应用的应用标签之间的标签相似度之和除以所述标签长度,计算所述当前应用与所述待推荐应用的文本相似度。
进一步的,可以获取所述当前应用的应用标签中的目标应用标签与所述待推荐应用的每个应用标签之间的语义相似度;选取最高的所述语义相似度作为所述目标应用标签的标签相似度;将所述当前应用的多个应用标签的标签相似度进行叠加得到所述标签相似度之和。
进一步的,可以计算所述当前应用的应用标签的标签个数与所述每个待推荐应用的应用标签的标签个数之间的差值;将所述差值除以2加上所述当前应用的应用标签的标签个数,计算得到所述标签长度。可选的,可以计算所述当前应用的应用标签的标签个数与所述每个待推荐应用的应用标签的标签个数之和,将所述当前应用的应用标签的标签个数与所述每个待推荐应用的应用标签的标签个数之和除以2计算得到所述标签长度。
需要说明的是,在计算两个应用的文本相似度时,考虑到不同的用户对应用的表述、语气等不一致,导致基于向量空间的方法的向量矩阵会出现稀疏,严重影响计算结果,因此,本发明实施例采用一种基于语义词典的相似度计算方法。公式如下:
其中,sim(Ai,B1)为应用A的第i个应用标签与应用B的第1个应用标签之间的语义相似度,sim(Ai,Bn)为应用A的第i个应用标签与应用B的第n个应用标签之间的语义相似度,L为标签长度,L(B)为应用B的应用标签个数,L(A)为应用A的标签个数。
例如,应用A的应用标签包括社交、游戏,应用B的应用标签包括冒险、聊天,预先定义的社交和冒险的语义相似度为0.5,社交和聊天的语义相似度为0.8,由于max(sim(社交,冒险),sim(社交,聊天))=0.8,因此应用A的应用标签“社交”的标签相似度为0.8。按照同样的方法可以计算出应用标签“游戏”的标签相似度,然后对“社交”和“游戏”两个词的标签相似度进行相加得到标签相似度之和。
应用推荐模块505,用于根据所述待推荐应用的推荐度以及所述当前应用与所述待推荐应用的文本相似度,确定向所述目标用户推荐的应用。
具体实现中,可以计算所述待推荐应用的推荐度、以及所述当前应用与所述待推荐应用的文本相似度的加权平均值;选取所述加权平均值最大的应用向所述目标用户进行推荐。公式如下:
Recommend(Useraction,Userscene)
=αLatentRecommend(Useraction)+βLabelSimilarity(Userscene)
其中,α表示基于潜在语义分析的推荐结果的权重系数,β为基于应用标签语义计算得到的推荐结果的权重系数,Recommend(Useraction,Userscene)为加权平均值,LatentRecommend(Useraction)为待推荐应用的推荐度,LabelSimilarity(Userscene)为当前应用与待推荐应用的文本相似度。
可选的,可以预先设定向用户推荐的应用的个数N,计算所述待推荐应用的推荐度、和所述当前应用与所述待推荐应用的文本相似度之和,并对每个待推荐应用的推荐度和文本相似度之和进行比较排序,最后向目标用户推荐排在前N位的待推荐应用。
可选的,在根据所述待推荐应用的推荐度以及所述当前应用与所述待推荐应用的文本相似度,确定向所述目标用户推荐的应用之后。服务器可以获取多个用户对每个待推荐应用的打分,根据多个用户对每个待推荐应用的打分,计算出每个应用的评分,根据确定的多个应用中的每个应用的评分,从确定的多个应用中进一步选取其中的应用向目标用户进行推荐。进一步的,可以判断应用的评分是否大于预设阈值,若应用的评分大于预设阈值,则可以将该应用推荐给目标用户。或者,可以优先选取评分最高的应用推荐给目标用户。
可选的,在确定向所述目标用户推荐的应用之后,向终端发送确定的应用的推荐信息,所述推荐信息包括下载链接地址和应用信息,终端接收到应用的推荐信息之后,目标用户可以点击下载链接地址,向服务器发送下载请求,服务器接收到下载请求之后,将应用安装包发送给终端进行安装。
例如,如图4所示,图4是本发明另一实施例提供的一种应用推荐方法的流程示意图。服务器首先接收客户端发送的应用推荐请求,构建用户已安装应用的应用向量,基于构建的“用户-应用”潜在语义相关性数据库计算与用户应用已安装应用最相似的用户,选取用户a、用户b和用户c等N个用户,然后计算N个用户中每个用户的每个待推荐应用的推荐度,并计算当前应用与待推荐应用的文本相似度,其次结合待推荐应用的推荐度、以及当前应用与待推荐应用的文本相似度,确定向用户推荐的应用(应用a、应用b以及应用c),最后向用户返回推荐结果(应用a、应用b以及应用c)。
在本发明实施例中,基于用户的已安装应用列表,根据潜在语义分析模型,计算出待推荐应用的推荐度。同时根据应用的应用标签,计算出待推荐应用与当前应用的文本相似度,结合待推荐应用的推荐度和待推荐应用与当前应用的文本相似度进行推荐,提高了应用推荐的准确性以及满足应用推荐的个性化需求。
请继续参考图6,图6是本发明实施例提出的另一种应用推荐装置的结构示意图。如图所示,该装置可以包括:至少一个处理器601,例如CPU,至少一个通信接口602,至少一个存储器603和至少一个通信总线604。其中,通信总线604用于实现这些组件之间的连接通信。其中,本申请实施例中设备的通信接口602用于与其他节点设备进行信令或数据的通信。存储器603可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。存储器603可选的还可以是至少一个位于远离前述处理器601的存储装置。存储器603中存储一组程序代码,且处理器601执行存储器603中上述终端所执行的程序。
获取多个用户的安装应用信息;
根据所述多个用户的所述安装应用信息,构建潜在语义的用户相似度矩阵,所述用户相似度矩阵包括所述多个用户中每个用户的每个应用的权重;
根据所述用户相似度矩阵,选取与目标用户的用户相似度最高的所述多个用户中的N个用户,并计算所述N个用户的每个待推荐应用的推荐度,其中,所述N为大于等于1的整数;
计算所述当前应用与所述待推荐应用的文本相似度;
根据所述待推荐应用的推荐度以及所述当前应用与所述待推荐应用的文本相似度,确定向所述目标用户推荐的应用。
其中,处理器601还用于执行如下操作步骤:
根据所述用户相似度矩阵,计算所述目标用户与所述多个用户中每个用户之间的余弦相似度;
根据所述余弦相似度,选取与所述目标用户的用户相似度最高的所述N个用户。
其中,处理器601还用于执行如下操作步骤:
将所述目标用户与所述N个用户中第i个用户之间的余弦相似度乘以所述N个用户中第i个用户的第j个应用的权重,计算所述第i个用户的所述第j个应用的推荐分量;
对所述N个用户的所述第j个应用的推荐分量进行叠加,计算得到所述第j个应用的推荐度,其中,所述i、所述j均为正整数。
其中,处理器601还用于执行如下操作步骤:
获取所述目标用户的当前应用的应用标签以及所述待推荐应用的应用标签;
计算所述当前应用的应用标签与所述待推荐应用的应用标签之间的标签相似度之和;
根据所述当前应用的应用标签的标签个数以及所述待推荐应用的应用标签的标签个数,计算所述当前应用与所述待推荐应用之间的标签长度;
将所述当前应用的应用标签与所述待推荐应用的应用标签之间的标签相似度之和除以所述标签长度,计算所述当前应用与所述待推荐应用的文本相似度。
其中,处理器601还用于执行如下操作步骤:
获取所述当前应用的应用标签中的目标应用标签与所述待推荐应用的每个应用标签之间的语义相似度;
选取最高的所述语义相似度作为所述目标应用标签的标签相似度;
将所述当前应用的多个应用标签的标签相似度进行叠加得到所述标签相似度之和。
其中,处理器601还用于执行如下操作步骤:
计算所述当前应用的应用标签的标签个数与所述每个待推荐应用的应用标签的标签个数之间的差值;
将所述差值除以2加上所述当前应用的应用标签的标签个数,计算得到所述标签长度。
其中,处理器601还用于执行如下操作步骤:
计算所述待推荐应用的推荐度、以及所述当前应用与所述待推荐应用的文本相似度的加权平均值;
选取所述加权平均值最大的应用向所述目标用户进行推荐。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,对于前述的各个方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某一些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其他实施例的相关描述。
以上对本发明实施例所提供的内容下载方法及相关设备、系统进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种应用推荐方法,其特征在于,所述方法包括:
获取多个用户的安装应用信息;
根据所述多个用户的所述安装应用信息,构建潜在语义的用户相似度矩阵,所述用户相似度矩阵包括所述多个用户中每个用户的每个应用的权重;
根据所述用户相似度矩阵,选取与目标用户的用户相似度最高的所述多个用户中的N个用户,并计算所述N个用户的每个待推荐应用的推荐度,其中,所述N为大于等于1的整数;
计算所述当前应用与所述待推荐应用的文本相似度;
根据所述待推荐应用的推荐度以及所述当前应用与所述待推荐应用的文本相似度,确定向所述目标用户推荐的应用。
2.如权利要求1所述的方法,其特征在于,所述根据所述用户相似度矩阵,选取与目标用户的用户相似度最高的所述多个用户中的N个用户包括:
根据所述用户相似度矩阵,计算所述目标用户与所述多个用户中每个用户之间的余弦相似度;
根据所述余弦相似度,选取与所述目标用户的用户相似度最高的所述N个用户。
3.如权利要求1所述的方法,其特征在于,所述计算所述N个用户的每个待推荐应用的推荐度包括:
将所述目标用户与所述N个用户中第i个用户之间的余弦相似度乘以所述N个用户中第i个用户的第j个应用的权重,计算所述第i个用户的所述第j个应用的推荐分量;
对所述N个用户的所述第j个应用的推荐分量进行叠加,计算得到所述第j个应用的推荐度,其中,所述i、所述j均为正整数。
4.如权利要求1所述的方法,其特征在于,所述计算所述当前应用与所述待推荐应用的文本相似度包括:
获取所述目标用户的当前应用的应用标签以及所述待推荐应用的应用标签;
计算所述当前应用的应用标签与所述待推荐应用的应用标签之间的标签相似度之和;
根据所述当前应用的应用标签的标签个数以及所述待推荐应用的应用标签的标签个数,计算所述当前应用与所述待推荐应用之间的标签长度;
将所述当前应用的应用标签与所述待推荐应用的应用标签之间的标签相似度之和除以所述标签长度,计算所述当前应用与所述待推荐应用的文本相似度。
5.如权利要求4所述的方法,其特征在于,所述计算所述当前应用的应用标签与所述待推荐应用的应用标签之间的标签相似度之和包括:
获取所述当前应用的应用标签中的目标应用标签与所述待推荐应用的每个应用标签之间的语义相似度;
选取最高的所述语义相似度作为所述目标应用标签的标签相似度;
将所述当前应用的多个应用标签的标签相似度进行叠加得到所述标签相似度之和。
6.如权利要求4所述的方法,其特征在于,所述根据所述当前应用的应用标签的标签个数以及所述待推荐应用的应用标签的标签个数,计算所述当前应用与所述待推荐应用之间的标签长度包括:
计算所述当前应用的应用标签的标签个数与所述每个待推荐应用的应用标签的标签个数之间的差值;
将所述差值除以2加上所述当前应用的应用标签的标签个数,计算得到所述标签长度。
7.如权利要求1-6任意一项所述的方法,其特征在于,所述根据所述待推荐应用的推荐度以及所述当前应用与所述待推荐应用的文本相似度,确定向所述目标用户推荐的应用包括:
计算所述待推荐应用的推荐度、以及所述当前应用与所述待推荐应用的文本相似度的加权平均值;
选取所述加权平均值最大的应用向所述目标用户进行推荐。
8.一种应用推荐装置,其特征在于,所述装置包括:
信息获取模块,用于获取多个用户的安装应用信息;
矩阵构建模块,用于根据所述多个用户的所述安装应用信息,构建潜在语义的用户相似度矩阵,所述用户相似度矩阵包括所述多个用户中每个用户的每个应用的权重;
推荐度计算模块,用于根据所述用户相似度矩阵,选取与目标用户的用户相似度最高的所述多个用户中的N个用户,并计算所述N个用户的每个待推荐应用的推荐度,其中,所述N为大于等于1的整数;
文本计算模块,用于计算所述当前应用与所述待推荐应用的文本相似度;
应用推荐模块,用于根据所述待推荐应用的推荐度以及所述当前应用与所述待推荐应用的文本相似度,确定向所述目标用户推荐的应用。
9.如权利要求8所述的装置,其特征在于,所述推荐度计算模块,还用于根据所述用户相似度矩阵,计算所述目标用户与所述多个用户中每个用户之间的余弦相似度;根据所述余弦相似度,选取与所述目标用户的用户相似度最高的所述N个用户。
10.如权利要求8所述的装置,其特征在于,所述推荐度计算模块具体用于:
将所述目标用户与所述N个用户中第i个用户之间的余弦相似度乘以所述N个用户中第i个用户的第j个应用的权重,计算所述第i个用户的所述第j个应用的推荐分量;
对所述N个用户的所述第j个应用的推荐分量进行叠加,计算得到所述第j个应用的推荐度,其中,所述i、所述j均为正整数。
11.如权利要求8所述的装置,其特征在于,所述文本计算模块具体用于:
获取所述目标用户的当前应用的应用标签以及所述待推荐应用的应用标签;
计算所述当前应用的应用标签与所述待推荐应用的应用标签之间的标签相似度之和;
根据所述当前应用的应用标签的标签个数以及所述待推荐应用的应用标签的标签个数,计算所述当前应用与所述待推荐应用之间的标签长度;
将所述当前应用的应用标签与所述待推荐应用的应用标签之间的标签相似度之和除以所述标签长度,计算所述当前应用与所述待推荐应用的文本相似度。
12.如权利要求11所述的装置,其特征在于,所述文本计算模块,还用于获取所述当前应用的应用标签中的目标应用标签与所述待推荐应用的每个应用标签之间的语义相似度;选取最高的所述语义相似度作为所述目标应用标签的标签相似度;将所述当前应用的多个应用标签的标签相似度进行叠加得到所述标签相似度之和。
13.如权利要求8-12任意一项所述的装置,其特征在于,所述应用推荐模块具体用于:
计算所述待推荐应用的推荐度、以及所述当前应用与所述待推荐应用的文本相似度的加权平均值;
选取所述加权平均值最大的应用向所述目标用户进行推荐。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-7任一项所述的方法。
15.一种应用推荐装置,其特征在于,所述装置包括接口电路、存储器以及处理器,其中,存储器中存储一组程序代码,且处理器用于调用存储器中存储的程序代码,用于执行以下操作:
获取多个用户的安装应用信息;
根据所述多个用户的所述安装应用信息,构建潜在语义的用户相似度矩阵,所述用户相似度矩阵包括所述多个用户中每个用户的每个应用的权重;
根据所述用户相似度矩阵,选取与目标用户的用户相似度最高的所述多个用户中的N个用户,并计算所述N个用户的每个待推荐应用的推荐度,其中,所述N为大于等于1的整数;
计算所述当前应用与所述待推荐应用的文本相似度;
根据所述待推荐应用的推荐度以及所述当前应用与所述待推荐应用的文本相似度,确定向所述目标用户推荐的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710483984.7A CN109117442B (zh) | 2017-06-23 | 2017-06-23 | 一种应用推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710483984.7A CN109117442B (zh) | 2017-06-23 | 2017-06-23 | 一种应用推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109117442A true CN109117442A (zh) | 2019-01-01 |
CN109117442B CN109117442B (zh) | 2023-03-24 |
Family
ID=64733122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710483984.7A Active CN109117442B (zh) | 2017-06-23 | 2017-06-23 | 一种应用推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117442B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297953A (zh) * | 2019-05-22 | 2019-10-01 | 深圳壹账通智能科技有限公司 | 产品信息推荐方法、装置、计算机设备以及存储介质 |
CN110362750A (zh) * | 2019-07-19 | 2019-10-22 | 北京字节跳动网络技术有限公司 | 目标用户确定方法、装置、电子设备和计算机可读介质 |
CN110457574A (zh) * | 2019-07-05 | 2019-11-15 | 深圳壹账通智能科技有限公司 | 基于数据比较的信息推荐方法、装置及存储介质 |
CN110889045A (zh) * | 2019-10-12 | 2020-03-17 | 平安科技(深圳)有限公司 | 标签分析方法、装置及计算机可读存储介质 |
CN111476621A (zh) * | 2019-01-24 | 2020-07-31 | 百度在线网络技术(北京)有限公司 | 用户物品推荐方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013073524A (ja) * | 2011-09-28 | 2013-04-22 | Ntt Docomo Inc | アプリケーション推薦装置、アプリケーション推薦方法及びアプリケーション推薦プログラム |
CN103500228A (zh) * | 2013-10-23 | 2014-01-08 | 苏州大学 | 一种协同过滤推荐算法中改进的相似性度量方法 |
KR20140140309A (ko) * | 2013-05-29 | 2014-12-09 | (주) 다이퀘스트 | 사용자 간의 유사도 계산방법 및 이를 이용한 아이템 추천방법 |
CN106407420A (zh) * | 2016-09-23 | 2017-02-15 | 广州视源电子科技股份有限公司 | 一种多媒体资源的推荐方法及系统 |
CN106777200A (zh) * | 2016-12-23 | 2017-05-31 | Tcl集团股份有限公司 | 项目推荐的方法及装置 |
-
2017
- 2017-06-23 CN CN201710483984.7A patent/CN109117442B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013073524A (ja) * | 2011-09-28 | 2013-04-22 | Ntt Docomo Inc | アプリケーション推薦装置、アプリケーション推薦方法及びアプリケーション推薦プログラム |
KR20140140309A (ko) * | 2013-05-29 | 2014-12-09 | (주) 다이퀘스트 | 사용자 간의 유사도 계산방법 및 이를 이용한 아이템 추천방법 |
CN103500228A (zh) * | 2013-10-23 | 2014-01-08 | 苏州大学 | 一种协同过滤推荐算法中改进的相似性度量方法 |
CN106407420A (zh) * | 2016-09-23 | 2017-02-15 | 广州视源电子科技股份有限公司 | 一种多媒体资源的推荐方法及系统 |
CN106777200A (zh) * | 2016-12-23 | 2017-05-31 | Tcl集团股份有限公司 | 项目推荐的方法及装置 |
Non-Patent Citations (1)
Title |
---|
王珏巍: ""基于语义的推荐系统研究"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476621A (zh) * | 2019-01-24 | 2020-07-31 | 百度在线网络技术(北京)有限公司 | 用户物品推荐方法和装置 |
CN111476621B (zh) * | 2019-01-24 | 2023-09-22 | 百度在线网络技术(北京)有限公司 | 用户物品推荐方法和装置 |
CN110297953A (zh) * | 2019-05-22 | 2019-10-01 | 深圳壹账通智能科技有限公司 | 产品信息推荐方法、装置、计算机设备以及存储介质 |
CN110457574A (zh) * | 2019-07-05 | 2019-11-15 | 深圳壹账通智能科技有限公司 | 基于数据比较的信息推荐方法、装置及存储介质 |
CN110362750A (zh) * | 2019-07-19 | 2019-10-22 | 北京字节跳动网络技术有限公司 | 目标用户确定方法、装置、电子设备和计算机可读介质 |
CN110362750B (zh) * | 2019-07-19 | 2023-02-28 | 北京字节跳动网络技术有限公司 | 目标用户确定方法、装置、电子设备和计算机可读介质 |
CN110889045A (zh) * | 2019-10-12 | 2020-03-17 | 平安科技(深圳)有限公司 | 标签分析方法、装置及计算机可读存储介质 |
CN110889045B (zh) * | 2019-10-12 | 2024-04-23 | 平安科技(深圳)有限公司 | 标签分析方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109117442B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902849B (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
US11836576B2 (en) | Distributed machine learning at edge nodes | |
CN109117442A (zh) | 一种应用推荐方法及装置 | |
US10354201B1 (en) | Scalable clustering for mixed machine learning data | |
CN108520470B (zh) | 用于生成用户属性信息的方法和装置 | |
CN110366734A (zh) | 优化神经网络架构 | |
CN110209807A (zh) | 一种事件识别的方法、模型训练的方法、设备及存储介质 | |
CN108287857B (zh) | 表情图片推荐方法及装置 | |
EP3688673A1 (en) | Neural architecture search | |
US20220245424A1 (en) | Microgenre-based hyper-personalization with multi-modal machine learning | |
US10691827B2 (en) | Cognitive systems for allocating medical data access permissions using historical correlations | |
CN108132963A (zh) | 资源推荐方法和装置、计算设备和存储介质 | |
CN110166276A (zh) | 一种帧同步异常的定位方法、装置、终端设备和介质 | |
CN107341233A (zh) | 一种职位推荐方法及计算设备 | |
CN109598404A (zh) | 自动对下发销售任务单进行数据处理的方法和装置 | |
CN107729473B (zh) | 文章推荐方法及其装置 | |
US20150278907A1 (en) | User Inactivity Aware Recommendation System | |
CN115271071A (zh) | 基于图神经网络的知识图谱实体对齐方法、系统及设备 | |
CN108154024A (zh) | 一种数据检索方法、装置及电子设备 | |
CN105432038A (zh) | 应用排名计算装置和使用信息收集装置 | |
CN110851708B (zh) | 负样本的抽取方法、装置、计算机设备和存储介质 | |
CN107679222A (zh) | 图片处理方法、移动终端及计算机可读存储介质 | |
CN111488386A (zh) | 数据查询方法和装置 | |
CN106815285A (zh) | 基于视频网站的视频推荐的方法、装置及电子设备 | |
CN110737691B (zh) | 用于处理访问行为数据的方法和装置 |
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 |