CN109190042A - 一种应用推荐方法和装置 - Google Patents
一种应用推荐方法和装置 Download PDFInfo
- Publication number
- CN109190042A CN109190042A CN201811038044.8A CN201811038044A CN109190042A CN 109190042 A CN109190042 A CN 109190042A CN 201811038044 A CN201811038044 A CN 201811038044A CN 109190042 A CN109190042 A CN 109190042A
- Authority
- CN
- China
- Prior art keywords
- user
- application
- index
- recommendation
- recommended
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims description 37
- 230000000694 effects Effects 0.000 abstract description 8
- 238000009434 installation Methods 0.000 description 35
- 238000004364 calculation method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 235000014510 cooky Nutrition 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应用推荐方法、装置、电子设备和计算机可读存储介质。该方法包括:获取各用户的用户特征和各用户对各应用的用户操作数据;根据获取的用户特征和用户操作数据,计算各应用与各用户特征分别对应的推荐指数;在对目标用户进行应用推荐时,获取该目标用户的用户特征;根据该目标用户的用户特征,按照推荐指数由高至低选择若干个应用进行推荐。通过本技术方案,是根据目标用户的用户特征选择应用进行推荐,实现个性化的应用推荐,且不需要用户主动提供兴趣内容,也可以实现满足用户需求的应用推荐。同时,不需要借助第三方平台数据,不涉及到用户隐私问题,也可以避免因第三方数据的功能和使用场景不相同,导致的推荐效果不可控问题。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种应用推荐方法、装置、电子设备和计算机可读存储介质。
背景技术
对于应用推荐系统,决定用户的留存与活跃的是推荐的应用是否满足用户的需求,特别是针对新用户而言,应用推荐的效果尤为重要。在现有技术中,一种是根据一个应用在用户中的使用情况进行推荐,但是推荐出的应用没有区分行,不能做到应用推荐的个性化;另一种是根据用户主动提供的兴趣内容进行推荐,这样用户操作繁琐,降低用户使用体验;再一种是根据第三方数据的统计进行推荐,但第三方数据涉及到用户隐私,且第三方数据的功能和使用场景不尽相同,得到的推荐效果不可控。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的应用推荐方法、装置、电子设备和计算机可读存储介质。
根据本发明的一方面,提供了一种应用推荐方法,其中,该方法包括:
获取各用户的用户特征和各用户对各应用的用户操作数据;
根据获取的用户特征和用户操作数据,计算各应用与各用户特征分别对应的推荐指数;
在对目标用户进行应用推荐时,获取该目标用户的用户特征;
根据该目标用户的用户特征,按照推荐指数由高至低选择若干个应用进行推荐。
可选地,所述根据获取的用户特征和用户操作数据,计算各应用与各用户特征分别对应的推荐指数包括:
对于指定应用与指定用户特征对应的推荐指数,
确定参与推荐指数计算的用户的总数量,以及,根据获取的用户操作数据,确定参与推荐指数计算的用户中安装所述指定应用的用户的第一数量;
根据获取的用户特征,确定参与推荐指数计算的用户中包含所述指定用户特征的用户的第二数量;以及,根据包含所述指定用户特征的用户的用户操作信息,确定包含所述指定用户特征的用户中安装所述指定应用的用户的第三数量;
根据确定的总数量、第一数量、第二数量和第三数量,计算指定应用与指定用户特征对应的推荐指数。
可选地,所述根据确定的总数量、第一数量、第二数量和第三数量,计算指定应用与指定用户特征对应的推荐指数包括:
利用目标群体指数公式,计算包含所述指定用户特征的用户对所述指定应用的兴趣指数,将计算的兴趣指数作为指定应用与指定用户特征对应的推荐指数;
所述目标群体指数公式包括:
其中,Ci表示包含所述指定用户特征的用户中安装所述指定应用的用户的第三数量;A表示参与推荐指数计算的用户的总数量;Ai表示参与推荐指数计算的用户中安装所述指定应用的用户的第一数量;Cf表示参与推荐指数计算的用户中包含所述指定用户特征的用户的第二数量。
可选地,在所述计算各应用与各用户特征分别对应的推荐指数后,所述方法还包括:
利用指定评分算法,对计算的各应用与各用户特征分别对应的推荐指数进行优化。
可选地,所述指定评分算法包括IMDB推荐指数算法;
所述IMDB评分算法公式包括:
其中,C表示确定的各应用与各用户特征分别对应的推荐指数;R表示预设平均推荐指数;v表示参与推荐指数计算的用户的总数量;α表示预设调节系数。
可选地,所述根据该目标用户的用户特征,按照推荐指数由高至低选择若干个应用进行推荐包括:
对应该目标用户的各用户特征,分别按照推荐指数由高至低选择若干个应用;
将选择的所有应用按照推荐指数由高至低进行排序;
根据排序结果,将排序后的至少部分应用推荐给目标用户。
可选地,所述将选择的所有应用按照推荐指数由高至低进行排序包括:
当对应该目标用户的各用户特征,选择出的应用存在重复时,将存在重合的应用的各推荐指数中最高的推荐指数作为该应用最终的推荐指数进行排序。
可选地,所述将选择的所有应用按照推荐指数由高至低进行排序包括:
根据获取的各用户对应用的用户操作数据,确定热门应用;
根据确定的热门应用的热门程度,计算热门应用的推荐指数;
将选择的所有应用以及确定的热门应用按照推荐指数由高至低进行排序。
根据本发明的另一方面,提供了一种应用推荐装置,其中,该装置包括:
第一获取单元,适于获取各用户的用户特征和各用户对各应用的用户操作数据;
计算单元,适于根据获取的用户特征和用户操作数据,计算各应用与各用户特征分别对应的推荐指数;
第二获取单元,适于在对目标用户进行应用推荐时,获取该目标用户的用户特征;
推荐单元,适于根据该目标用户的用户特征,按照推荐指数由高至低选择若干个应用进行推荐。
可选地,
所述计算单元,适于对于指定应用与指定用户特征对应的推荐指数,确定参与推荐指数计算的用户的总数量,以及,根据获取的用户操作数据,确定参与推荐指数计算的用户中安装所述指定应用的用户的第一数量;根据获取的用户特征,确定参与推荐指数计算的用户中包含所述指定用户特征的用户的第二数量;以及,根据包含所述指定用户特征的用户的用户操作信息,确定包含所述指定用户特征的用户中安装所述指定应用的用户的第三数量;根据确定的总数量、第一数量、第二数量和第三数量,计算指定应用与指定用户特征对应的推荐指数。
可选地,
所述计算单元,适于利用目标群体指数公式,计算包含所述指定用户特征的用户对所述指定应用的兴趣指数,将计算的兴趣指数作为指定应用与指定用户特征对应的推荐指数;
所述目标群体指数公式包括:
其中,Ci表示包含所述指定用户特征的用户中安装所述指定应用的用户的第三数量;A表示参与推荐指数计算的用户的总数量;Ai表示参与推荐指数计算的用户中安装所述指定应用的用户的第一数量;Cf表示参与推荐指数计算的用户中包含所述指定用户特征的用户的第二数量。
可选地,所述装置还包括:
优化单元,适于在所述计算单元计算各应用与各用户特征分别对应的推荐指数后,利用指定评分算法,对计算的各应用与各用户特征分别对应的推荐指数进行优化。
可选地,所述指定评分算法包括IMDB推荐指数算法;
所述IMDB评分算法公式包括:
其中,C表示确定的各应用与各用户特征分别对应的推荐指数;R表示预设平均推荐指数;v表示参与推荐指数计算的用户的总数量;α表示预设调节系数。
可选地,
所述推荐单元,适于对应该目标用户的各用户特征,分别按照推荐指数由高至低选择若干个应用;将选择的所有应用按照推荐指数由高至低进行排序;根据排序结果,将排序后的至少部分应用推荐给目标用户。
可选地,所述推荐单元,适于当对应该目标用户的各用户特征,选择出的应用存在重复时,将存在重合的应用的各推荐指数中最高的推荐指数作为该应用最终的推荐指数进行排序。
可选地,所述推荐单元,适于根据获取的各用户对应用的用户操作数据,确定热门应用;
根据确定的热门应用的热门程度,计算热门应用的推荐指数;
将选择的所有应用以及确定的热门应用按照推荐指数由高至低进行排序。
根据本发明的又一方面,提供了一种电子设备,其中,该电子设备包括:
处理器;以及,
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行根据前述的方法。
根据本发明的再一方面,提供了一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现前述的方法。
根据本发明的技术方案,获取各用户的用户特征和各用户对各应用的用户操作数据;根据获取的用户特征和用户操作数据,计算各应用与各用户特征分别对应的推荐指数;在对目标用户进行应用推荐时,获取该目标用户的用户特征;根据该目标用户的用户特征,按照推荐指数由高至低选择若干个应用进行推荐。通过本技术方案,是根据目标用户的用户特征选择应用进行推荐,实现个性化的应用推荐,且不需要用户主动提供兴趣内容,也可以实现满足用户需求的应用推荐。同时,不需要借助第三方平台数据,不涉及到用户隐私问题,也可以避免因第三方数据的功能和使用场景不相同,导致的推荐效果不可控问题。
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示出了根据本发明一个实施例的应用推荐方法的流程示意图;
图2示出了根据本发明一个实施例的应用推荐装置的结构示意图;
图3示出了根据本发明一个实施例的电子设备的结构示意图;
图4示出了根据本发明一个实施例的计算机可读存储介质的结构示意图。
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。
推荐系统主要分为两大部分:召回和排序。所谓召回,可以理解为向用户粗选一批待推荐的应用,相当于粗排序,然后在通过排序确定向用户推荐的应用。可见,召回的准确性与多样性在一定程度上决定了排序结果的上限。
现有针对新用户冷启动的推荐策略主要分为三种:
第一种,依据人口统计学信息,包括性别,年龄,职业等
第二种,依据用户兴趣描述,APP会提示用户主动填写兴趣
第三种,依据从其他网站导入的数据,通过cookie mapping等技术。
针对于现有技术中的上述三种方案,仍存在很多弊端:
第一种的传统计算方式其中Ci表示应用在一类人群中的数量,Cn表示这类人群的数量,α表示调和系数。但是,这种计算方式对于热门应用没有区分性,比如某社交类APP,在这类人群中的安装占比95%,在所有人群中的安装占比同样为95%,会导致人群特征失效,推荐出的应用没有区分性,大大降低了个性化的程度。
第二种方式是通过主动收集用户兴趣为出发点,需要用户主动填写或者选择兴趣内容,但是在目前的快消时代,这种方案对于用户成本太高,很可能导致用户直接弃用。同时用户如果为了方便或者根本不知道自己想要什么而胡乱选择,会导致推荐效果大大降低。
第三种方案引入第三方数据,一方面有数据隐私的限制。另一方面每个APP提供的功能和使用场景都不同,完全照搬其他应用的数据有可能适得其反。例如,引入某购物应用的数据,通过该数据也只能获得用户的购买行为,无法获取到用户的兴趣内容所在。
针对上述问题,提出了本发明的技术方案,详见下述说明。
图1示出了根据本发明一个实施例的应用推荐方法的流程示意图。如图1所示,该方法包括:
步骤S110,获取各用户的用户特征和各用户对各应用的用户操作数据。
本实施例中,各用户的用户特征可能会包括多个,即针对一个用户,会有多个应用特征,这里的应用特征包括用户的年龄特征、性别特征、使用的设备型号、地域等。
步骤S120,根据获取的用户特征和用户操作数据,计算各应用与各用户特征分别对应的推荐指数。
各应用与各用户特征分别对应的推荐指数可以理解为具有不同用户特征的用户对各应用的兴趣。
一个用户可能会包含多个用户特征,那么多个用户也会包含多个用户特征。本实施例中。各应用与各用户特征分别对应的推荐指数,是指不同应用在不同用户特征下的推荐指数,例如,有应用1、应用2和应用3,以及用户特征1、用户特征2,那么各应用与各用户特征分别对应的推荐指数是指:应用1与用户特征1对应的推荐指数,应用1与用户特征2对应的推荐指数;应用2与用户特征1对应的推荐指数,应用2与用户特征2对应的推荐指数;应用3与用户特征1对应的推荐指数,应用3与用户特征2对应的推荐指数。或者是指:用户特征1下,应用1的推荐指数、应用2的推荐指数和应用3的推荐指数;用户特征2下,应用1的推荐指数、应用2的推荐指数和应用3的推荐指数。简单来说就是,在每个用户特征下均包括各应用的推荐指数。
步骤S130,在对目标用户进行应用推荐时,获取该目标用户的用户特征。
这里的目标用户包括新用户,该目标用户也会有对应的用户特征,那么为了实现对该用户的个性化应用推荐,这里需要获取该目标用户的用户特征,以便根据用户特征进行应用推荐。
步骤S140,根据该目标用户的用户特征,按照推荐指数由高至低选择若干个应用进行推荐。
本实施例中,通过计算得到了各应用与各用户特征分别对应的推荐指数,在得到目标用户的用户特征后,为了更加符合目标用户的需求,就从与目标用户的用户特征下的应用中选择推荐指数较高的应用即可,即按照推荐指数由高至低选择若干个应用进行推荐。例如,目标用户的用户特征是用户特征1,那么在该用户特征1下,应用1是推荐指数1,应用2是推荐指数2,应用3是推荐指数3,且推荐指数3>推荐指数1>推荐指数2,那么根据推荐指数由高至低选择应用3和应用1推荐给该目标用户。
通过本技术方案,通过简单的排序算法完成了根据目标用户的用户特征选择应用进行推荐,实现个性化的应用推荐,且不需要用户主动提供兴趣内容,也可以实现满足用户需求的应用推荐。同时,不需要借助第三方平台数据,不涉及到用户隐私问题,也可以避免因第三方数据的功能和使用场景不相同,导致的推荐效果不可控问题。
另外,在实际使用中,图1所示的方案可用于推荐系统的召回部分,在一定程度上可以避免刷量导致的召回问题,且可以根据获得的推荐指数发现高潜应用。
在本发明的一个实施例中,图1所示方法的步骤S120中的根据获取的用户特征和用户操作数据,计算各应用与各用户特征分别对应的推荐指数包括:对于指定应用与指定用户特征对应的推荐指数,确定参与推荐指数计算的用户的总数量,以及,根据获取的用户操作数据,确定参与推荐指数计算的用户中安装指定应用的用户的第一数量;根据获取的用户特征,确定参与推荐指数计算的用户中包含指定用户特征的用户的第二数量;以及,根据包含指定用户特征的用户的用户操作信息,确定包含指定用户特征的用户中安装指定应用的用户的第三数量;根据确定的总数量、第一数量、第二数量和第三数量,计算指定应用与指定用户特征对应的推荐指数。
本实施例是针对一个指定应用对于一个指定用户特征对应的推荐指数的计算方法,但对于该指定应用对于其他用户特征的推荐指数的计算,或者其他指定应用对于该指定用户特征的推荐指数,或者其他指定应用对于其他指定用户特征的推荐指数,均可以采用上述的计算方式进行计算。
这里参与推荐指数计算的用户的总数可以根据获取的各用户的数量进行确定。即获取到多少个用户的用户特征就可以确定参与推荐指数计算的用户的总数。这里的用户操作信息可以体现用户是否安装指定应用,因此通过用户操作信息可以确定参与推荐指数计算的用户中安装指定应用的用户的数量,以及通过包含指定用户特征的用户的用户操作信息,确定包含指定用户特征的用户中安装指定应用的用户的数量。
在一个具体的例子中,参与推荐指数计算的用户的总数是W,其中安装应用1的用户的第一数量是w1,用户特征是90后的用户的第二数量是w2,90后的用户中安装应用1的第三数量是w3,则根据W、w1、w2、w3,就可以计算90后的应用1的推荐指数,即90后的用户对应用1的感兴趣的程度;其中安装应用2的用户的第一数量是w4,用户特征是90后的用户的第二数量是w2,90后的用户中安装应用2的第三数量是w5,则根据W、w2、w4、w5,就可以计算90后的应用2的推荐指数,即90后的用户对应用2的感兴趣的程度。安装应用1的用户的第一数量是w1,用户特征是70后的用户的第二数量是w6,70后的用户中安装应用1的第三数量是w7,则根据W、w1、w6、w7,就可以计算70后的应用1的推荐指数,即70后的用户对应用1的感兴趣的程度。
具体地,上述的根据确定的总数量、第一数量、第二数量和第三数量,计算指定应用与指定用户特征对应的推荐指数包括:利用目标群体指数TGI公式,计算包含指定用户特征的用户对指定应用的兴趣指数,将计算的兴趣指数作为指定应用与指定用户特征对应的推荐指数。
目标群体指数TGI公式包括:
其中,T(f,i)表示目标群体指数,即兴趣指数;Ci表示包含指定用户特征的用户中安装指定应用的用户的第三数量;A表示参与推荐指数计算的用户的总数量;Ai表示参与推荐指数计算的用户中安装指定应用的用户的第一数量;Cf表示参与推荐指数计算的用户中包含指定用户特征的用户的第二数量。
上述的目标群体指数公式,可以理解为指定应用在具有指定用户特征的用户的安装情况与指定应用在总体用户的安装情况的比值。通过上述的目标群体指数公式就可以计算出各应用与用户特征分别对应的推荐指数。考虑到一个用户特征代表一类人群,那么通过上述的目标群体指数公式就可以计算出不同应用在不同目标人群下的推荐指数。推荐指数越高说明该具有相应用户特征的用户对该应用的兴趣越高于总体人群对该应用的兴趣。
在本发明的一个实施例中,在图1所示的步骤S120中的计算各应用与各用户特征分别对应的推荐指数后,图1所示的方法还包括:利用指定评分算法,对计算的各应用与各用户特征分别对应的推荐指数进行优化。
考虑到包含指定用户特征的用户对指定应用的兴趣不高时,例如安装数量较少时,得到的该指定应用与指定用户特征对应的推荐指数会偏离准确值,导致推荐的应用不准确。因此本实施例中,利用指定评分算法对计算得到的各应用与各用户特征分别对应的推荐指数进行优化,这样就可以调节安装应用的用户的数量较少时导致的推荐指数偏离严重的问题,同时又能保证高推荐指数的应用能被选择,增加了推荐的准确度。
具体地,上述的指定评分算法包括IMDB推荐指数算法;
IMDB评分算法公式包括:
其中,s表示利用评分算法优化后的推荐指数;C表示确定的各应用与各用户特征分别对应的推荐指数;R表示预设平均推荐指数;v表示参与推荐指数计算的用户的总数量;α表示预设调节系数。
上述的R和α可以根据实际需求进行设定,例如,R设置为1,α设置为1000。
在本发明的一个实施例中,图1所示的步骤S140中的根据该目标用户的用户特征,按照推荐指数由高至低选择若干个应用进行推荐包括:
对应该目标用户的各用户特征,分别按照推荐指数由高至低选择若干个应用;将选择的所有应用按照推荐指数由高至低进行排序;根据排序结果,将排序后的至少部分应用推荐给目标用户。
因为计算得到的是各用户特征下均包括各应用的推荐指数,即每个用户特征下都包括各应用的推荐指数。考虑到目标用户可能包含多个用户特征,对于每个用户特征,需要按照推荐指数由高至低选择若干个应用,即目标用户的每个用户特征对应有若干个应用,那么为了更加准确的推荐,需要将选择的所有应用进行排序,具体仍然是按照推荐指数由高至低进行排序。
在一个具体的例子中,目标用户包含用户特征1、用户特征2,对于用户特征1下的各应用按照推荐指数高至低排序是应用1、应用2、应用3、应用4、应用5;对于用户特征2下的各应用按照推荐指数高至低排序是应用5、应用3、应用2、应用4、应用3。那么选择应用时,针对用户特征1,选择应用1、应用2;针对用户特征2选择应用5、应用3,最后将选择出来的应用1、应用2、应用5、应用3按照推荐指数由高至低进行排序后为:应用5>应用1>应用3>应用2。
考虑到一次推荐给用户的应用的个数有限,如果选择的应用的个数大于一次推荐的应用的个数,那么就按照排序后的结果进行推荐。在上个例子的基础上,如果一次只能给用户推荐3个应用,则将应用5、应用1和应用3推荐给目标用户。
优选地,上述的将选择的所有应用按照推荐指数由高至低进行排序包括:
当对应该目标用户的各用户特征,选择出的应用存在重复时,将存在重合的应用的各推荐指数中最高的推荐指数作为该应用最终的推荐指数进行排序。
每个用户可能包含多个用户特征,且针对每个用户特征均会选择出若干个应用,那么如果选择出的应用有重合的现象,且重合的应用推荐指数不同,那么就将推荐指数最大的那个作为该重合应用的最终的推荐指数,并参与到排序中。
在上个例子的基础上,如果针对用户特征1,选择应用1、应用2、应用3;针对用户特征2选择应用5、应用3和应用2,那么应用2和应用3就重复选择了,那么根据推荐指数,应用2在用户特征1下的推荐指数大于应用2在用户特征2下的推荐指数,那么就将应用2在用户特征1下的推荐指数作为应用2最终的推荐指数;应用3在用户特征2下的推荐指数大于应用3在用户特征1下的推荐指数,那么就将应用3在用户特征2下的推荐指数作为应用2最终的推荐指数。按照推荐指数由高至低进行排序后为:应用1>应用2>应用5>应用3。
优选地,上述的将选择的所有应用按照推荐指数由高至低进行排序包括:根据获取的各用户对应用的用户操作数据,确定热门应用;根据确定的热门应用的热门程度,计算热门应用的推荐指数;将选择的所有应用以及确定的热门应用按照推荐指数由高至低进行排序。
本实施例中,在向目标用户进行推荐时,还考虑了热门应用,具体是,选择出推荐的应用后,在进行排序时,将热门应用也参与到排序中,本实施例中,可以根据热门应用的热门程度,例如用户的安装率没确定热门应用的推荐指数,安装率越高,推荐指数越高,且保证热门应用的推荐指数的数量级与选择的应用的推荐指数的数量级别一致。
例如,选择的所有应用为应用1、应用2和应用3,确定热门应用是应用4,根据推荐指数由高至低进行排序后,得到应用1>应用4>应用2>应用3。
优选地,上述的将选择的所有应用按照推荐指数由高至低进行排序包括:
获取用户指定的应用类型,确定与用户指定的应用类型对应的应用;
获取与用户指定的应用类型对应的各应用与各用户特征分别对应的推荐指数;
根据该目标用户的用户特征,按照推荐指数由高至低从与用户指定的应用类型对应的各应用中选择若干个应用进行推荐。
本实施例中,考虑到用户会指定自己感兴趣的应用的类型,例如游戏类的,那么就从游戏类的应用中选择出与用户特征对应的推荐指数高的应用进行推荐。
在一个具体的例子中,以70后,男性特征人群为例。
按照现有技术中的第一中应用推荐的计算方式可以得到感兴趣的前5个应用的排序。表1示出了按照现有技术中的应用推荐的计算方式得到的70后,男性的用户感兴趣的前5个应用的数据。
如表1所示,其中P(f,i)则是根据公式得到的,由表可知,70后,男性的用户按照感兴趣从大到小分别是微信、360手机卫士、支付宝、360清理大师、高德地图。
表1
年龄 | 性别 | 应用名 | P(f,i) | 人群用户数 | 应用名 |
70后 | 男 | 微信 | 0.9064 | 3303 | 微信 |
70后 | 男 | 360手机卫士 | 0.6857 | 3303 | 360手机卫士 |
70后 | 男 | 支付宝 | 0.5471 | 3303 | 支付宝 |
70后 | 男 | 360清理大师 | 0.3603 | 3303 | 360清理大师 |
70后 | 男 | 高德地图 | 0.2722 | 3303 | 高德地图 |
按照本技术方案中的算法,可以70后、男性的用户感兴趣的前5个应用的排序。表2示出了按照本技术方案中的应用推荐的计算方式得到的70后,男性的用户感兴趣的前5个应用的数据。
表2
如表2所示,其中,Ai/A和Ci/Cf是目标群体指数公式的中间数据,详见上述说明,TGI区分度是通过目标群体指数公式计算的推荐指数,TGI-IMDB是通过IMDB评分算法优化后的推荐指数。得到的结果是,70后男性的用户按照感兴趣从大到小分别是微车违章查询、优步车主端、名片全能王、酒仙网、平安好车主。
在针对新增用户的推荐上,本发明的技术方案的召回策略的推荐效率相比于现有技术中的策略提升了6-7倍,提高了用户的下载意愿以及对推荐系统的使用体验。
需要说明的是,上述实施例从年龄和性别的用户特征的维度进行了距离,但是本技术方案不限于年龄和性别,还可以从其他用户特征的维度上进行统计计算,例如地域、设备型号等。
图2示出了根据本发明一个实施例的应用推荐装置的结构示意图。如图2所示,该应用推荐装置200包括:
第一获取单元210,适于获取各用户的用户特征和各用户对各应用的用户操作数据。
本实施例中,各用户的用户特征可能会包括多个,即针对一个用户,会有多个应用特征,这里的应用特征包括用户的年龄特征、性别特征、使用的设备型号、地域等。
计算单元220,适于根据获取的用户特征和用户操作数据,计算各应用与各用户特征分别对应的推荐指数。
各应用与各用户特征分别对应的推荐指数可以理解为具有不同用户特征的用户对各应用的兴趣。
一个用户可能会包含多个用户特征,那么多个用户也会包含多个用户特征。本实施例中。各应用与各用户特征分别对应的推荐指数,是指不同应用在不同用户特征下的推荐指数,例如,有应用1、应用2和应用3,以及用户特征1、用户特征2,那么各应用与各用户特征分别对应的推荐指数是指:应用1与用户特征1对应的推荐指数,应用1与用户特征2对应的推荐指数;应用2与用户特征1对应的推荐指数,应用2与用户特征2对应的推荐指数;应用3与用户特征1对应的推荐指数,应用3与用户特征2对应的推荐指数。或者是指:用户特征1下,应用1的推荐指数、应用2的推荐指数和应用3的推荐指数;用户特征2下,应用1的推荐指数、应用2的推荐指数和应用3的推荐指数。简单来说就是,在每个用户特征下均包括各应用的推荐指数。
第二获取单元230,适于在对目标用户进行应用推荐时,获取该目标用户的用户特征。
这里的目标用户包括新用户,该目标用户也会有对应的用户特征,那么为了实现对该用户的个性化应用推荐,这里需要获取该目标用户的用户特征,以便根据用户特征进行应用推荐。
推荐单元240,适于根据该目标用户的用户特征,按照推荐指数由高至低选择若干个应用进行推荐。
本实施例中,通过计算得到了各应用与各用户特征分别对应的推荐指数,在得到目标用户的用户特征后,为了更加符合目标用户的需求,就从与目标用户的用户特征下的应用中选择推荐指数较高的应用即可,即按照推荐指数由高至低选择若干个应用进行推荐。例如,目标用户的用户特征是用户特征1,那么在该用户特征1下,应用1是推荐指数1,应用2是推荐指数2,应用3是推荐指数3,且推荐指数3>推荐指数1>推荐指数2,那么根据推荐指数由高至低选择应用3和应用1推荐给该目标用户。
通过本技术方案,通过简单的排序算法完成了根据目标用户的用户特征选择应用进行推荐,实现个性化的应用推荐,且不需要用户主动提供兴趣内容,也可以实现满足用户需求的应用推荐。同时,不需要借助第三方平台数据,不涉及到用户隐私问题,也可以避免因第三方数据的功能和使用场景不相同,导致的推荐效果不可控问题。
另外,在实际使用中,图1所示的方案可用于推荐系统的召回部分,在一定程度上可以避免刷量导致的召回问题,且可以根据获得的推荐指数发现高潜应用。
在本发明的一个实施例中,图2所示计算单元220,适于对于指定应用与指定用户特征对应的推荐指数,确定参与推荐指数计算的用户的总数量,以及,根据获取的用户操作数据,确定参与推荐指数计算的用户中安装指定应用的用户的第一数量;根据获取的用户特征,确定参与推荐指数计算的用户中包含指定用户特征的用户的第二数量;以及,根据包含指定用户特征的用户的用户操作信息,确定包含指定用户特征的用户中安装指定应用的用户的第三数量;根据确定的总数量、第一数量、第二数量和第三数量,计算指定应用与指定用户特征对应的推荐指数。
本实施例是针对一个指定应用对于一个指定用户特征对应的推荐指数的计算方法,但对于该指定应用对于其他用户特征的推荐指数的计算,或者其他指定应用对于该指定用户特征的推荐指数,或者其他指定应用对于其他指定用户特征的推荐指数,均可以采用上述的计算方式进行计算。
这里参与推荐指数计算的用户的总数可以根据获取的各用户的数量进行确定。即获取到多少个用户的用户特征就可以确定参与推荐指数计算的用户的总数。这里的用户操作信息可以体现用户是否安装指定应用,因此通过用户操作信息可以确定参与推荐指数计算的用户中安装指定应用的用户的数量,以及通过包含指定用户特征的用户的用户操作信息,确定包含指定用户特征的用户中安装指定应用的用户的数量。
在一个具体的例子中,参与推荐指数计算的用户的总数是W,其中安装应用1的用户的第一数量是w1,用户特征是90后的用户的第二数量是w2,90后的用户中安装应用1的第三数量是w3,则根据W、w1、w2、w3,就可以计算90后的应用1的推荐指数,即90后的用户对应用1的感兴趣的程度;其中安装应用2的用户的第一数量是w4,用户特征是90后的用户的第二数量是w2,90后的用户中安装应用2的第三数量是w5,则根据W、w2、w4、w5,就可以计算90后的应用2的推荐指数,即90后的用户对应用2的感兴趣的程度。安装应用1的用户的第一数量是w1,用户特征是70后的用户的第二数量是w6,70后的用户中安装应用1的第三数量是w7,则根据W、w1、w6、w7,就可以计算70后的应用1的推荐指数,即70后的用户对应用1的感兴趣的程度。
具体地,上述的计算单元220,适于利用目标群体指数TGI公式,计算包含指定用户特征的用户对指定应用的兴趣指数,将计算的兴趣指数作为指定应用与指定用户特征对应的推荐指数。
目标群体指数TGI公式包括:
其中,T(f,i)表示目标群体指数,即兴趣指数;Ci表示包含指定用户特征的用户中安装指定应用的用户的第三数量;A表示参与推荐指数计算的用户的总数量;Ai表示参与推荐指数计算的用户中安装指定应用的用户的第一数量;Cf表示参与推荐指数计算的用户中包含指定用户特征的用户的第二数量。
上述的目标群体指数公式,可以理解为指定应用在具有指定用户特征的用户的安装情况与指定应用在总体用户的安装情况的比值。通过上述的目标群体指数公式就可以计算出各应用与用户特征分别对应的推荐指数。考虑到一个用户特征代表一类人群,那么通过上述的目标群体指数公式就可以计算出不同应用在不同目标人群下的推荐指数。推荐指数越高说明该具有相应用户特征的用户对该应用的兴趣越高于总体人群对该应用的兴趣。
在本发明的一个实施例中,图2所示装置还包括:
优化单元,适于在计算单元220计算各应用与各用户特征分别对应的推荐指数后,利用指定评分算法,对计算的各应用与各用户特征分别对应的推荐指数进行优化。
考虑到包含指定用户特征的用户对指定应用的兴趣不高时,例如安装数量较少时,得到的该指定应用与指定用户特征对应的推荐指数会偏离准确值,导致推荐的应用不准确。因此本实施例中,利用指定评分算法对计算得到的各应用与各用户特征分别对应的推荐指数进行优化,这样就可以调节安装应用的用户的数量较少时导致的推荐指数偏离严重的问题,同时又能保证高推荐指数的应用能被选择,增加了推荐的准确度。
具体地,上述的指定评分算法包括IMDB推荐指数算法;
IMDB评分算法公式包括:
其中,s表示利用评分算法优化后的推荐指数;C表示确定的各应用与各用户特征分别对应的推荐指数;R表示预设平均推荐指数;v表示参与推荐指数计算的用户的总数量;α表示预设调节系数。
上述的R和α可以根据实际需求进行设定,例如,R设置为1,α设置为1000。
在本发明的一个实施例中,图2所示的推荐单元240,适于对应该目标用户的各用户特征,分别按照推荐指数由高至低选择若干个应用;将选择的所有应用按照推荐指数由高至低进行排序;根据排序结果,将排序后的至少部分应用推荐给目标用户。
因为计算得到的是各用户特征下均包括各应用的推荐指数,即每个用户特征下都包括各应用的推荐指数。考虑到目标用户可能包含多个用户特征,对于每个用户特征,需要按照推荐指数由高至低选择若干个应用,即目标用户的每个用户特征对应有若干个应用,那么为了更加准确的推荐,需要将选择的所有应用进行排序,具体仍然是按照推荐指数由高至低进行排序。
在一个具体的例子中,目标用户包含用户特征1、用户特征2,对于用户特征1下的各应用按照推荐指数高至低排序是应用1、应用2、应用3、应用4、应用5;对于用户特征2下的各应用按照推荐指数高至低排序是应用5、应用3、应用2、应用4、应用3。那么选择应用时,针对用户特征1,选择应用1、应用2;针对用户特征2选择应用5、应用3,最后将选择出来的应用1、应用2、应用5、应用3按照推荐指数由高至低进行排序后为:应用5>应用1>应用3>应用2。
考虑到一次推荐给用户的应用的个数有限,如果选择的应用的个数大于一次推荐的应用的个数,那么就按照排序后的结果进行推荐。在上个例子的基础上,如果一次只能给用户推荐3个应用,则将应用5、应用1和应用3推荐给目标用户。
优选地,上述的推荐单元240,适于当对应该目标用户的各用户特征,选择出的应用存在重复时,将存在重合的应用的各推荐指数中最高的推荐指数作为该应用最终的推荐指数进行排序。
每个用户可能包含多个用户特征,且针对每个用户特征均会选择出若干个应用,那么如果选择出的应用有重合的现象,且重合的应用推荐指数不同,那么就将推荐指数最大的那个作为该重合应用的最终的推荐指数,并参与到排序中。
在上个例子的基础上,如果针对用户特征1,选择应用1、应用2、应用3;针对用户特征2选择应用5、应用3和应用2,那么应用2和应用3就重复选择了,那么根据推荐指数,应用2在用户特征1下的推荐指数大于应用2在用户特征2下的推荐指数,那么就将应用2在用户特征1下的推荐指数作为应用2最终的推荐指数;应用3在用户特征2下的推荐指数大于应用3在用户特征1下的推荐指数,那么就将应用3在用户特征2下的推荐指数作为应用2最终的推荐指数。按照推荐指数由高至低进行排序后为:应用1>应用2>应用5>应用3。
优选地,上述的推荐单元240,适于根据获取的各用户对应用的用户操作数据,确定热门应用;根据确定的热门应用的热门程度,计算热门应用的推荐指数;将选择的所有应用以及确定的热门应用按照推荐指数由高至低进行排序。
本实施例中,在向目标用户进行推荐时,还考虑了热门应用,具体是,选择出推荐的应用后,在进行排序时,将热门应用也参与到排序中,本实施例中,可以根据热门应用的热门程度,例如用户的安装率没确定热门应用的推荐指数,安装率越高,推荐指数越高,且保证热门应用的推荐指数的数量级与选择的应用的推荐指数的数量级别一致。
例如,选择的所有应用为应用1、应用2和应用3,确定热门应用是应用4,根据推荐指数由高至低进行排序后,得到应用1>应用4>应用2>应用3。
优选地,上述的推荐单元240,适于获取用户指定的应用类型,确定与用户指定的应用类型对应的应用;获取与用户指定的应用类型对应的各应用与各用户特征分别对应的推荐指数;根据该目标用户的用户特征,按照推荐指数由高至低从与用户指定的应用类型对应的各应用中选择若干个应用进行推荐。
本实施例中,考虑到用户会指定自己感兴趣的应用的类型,例如游戏类的,那么就从游戏类的应用中选择出与用户特征对应的推荐指数高的应用进行推荐。
综上所述,根据本发明的技术方案,获取各用户的用户特征和各用户对各应用的用户操作数据;根据获取的用户特征和用户操作数据,计算各应用与各用户特征分别对应的推荐指数;在对目标用户进行应用推荐时,获取该目标用户的用户特征;根据该目标用户的用户特征,按照推荐指数由高至低选择若干个应用进行推荐。通过本技术方案,是根据目标用户的用户特征选择应用进行推荐,实现个性化的应用推荐,且不需要用户主动提供兴趣内容,也可以实现满足用户需求的应用推荐。同时,不需要借助第三方平台数据,不涉及到用户隐私问题,也可以避免因第三方数据的功能和使用场景不相同,导致的推荐效果不可控问题。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起。根据上面的描述,构造这类装置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。
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推荐装置、电子设备和计算机可读存储介质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。
例如,图3示出了根据本发明一个实施例的电子设备的结构示意图。该电子设备300传统上包括处理器310和被安排成存储计算机可执行指令(程序代码)的存储器320。存储器320可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器320具有存储用于执行图1所示的以及各实施例中的任何方法步骤的程序代码340的存储空间330。例如,用于程序代码的存储空间330可以包括分别用于实现上面的方法中的各种步骤的各个程序代码340。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图4所述的计算机可读存储介质400。该计算机可读存储介质400可以具有与图3的电子设备中的存储器320类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常,存储单元存储有用于执行根据本发明的方法步骤的程序代码410,即可以由诸如310之类的处理器读取的程序代码,当这些程序代码由电子设备运行时,导致该电子设备执行上面所描述的方法中的各个步骤。
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、以及第三等的不表示任何顺序。可将这些单词解释为名称。
本发明公开了A1、一种应用推荐方法,其中,该方法包括:
获取各用户的用户特征和各用户对各应用的用户操作数据;
根据获取的用户特征和用户操作数据,计算各应用与各用户特征分别对应的推荐指数;
在对目标用户进行应用推荐时,获取该目标用户的用户特征;
根据该目标用户的用户特征,按照推荐指数由高至低选择若干个应用进行推荐。
A2、如A1所述的方法,其中,所述根据获取的用户特征和用户操作数据,计算各应用与各用户特征分别对应的推荐指数包括:
对于指定应用与指定用户特征对应的推荐指数,
确定参与推荐指数计算的用户的总数量,以及,根据获取的用户操作数据,确定参与推荐指数计算的用户中安装所述指定应用的用户的第一数量;
根据获取的用户特征,确定参与推荐指数计算的用户中包含所述指定用户特征的用户的第二数量;以及,根据包含所述指定用户特征的用户的用户操作信息,确定包含所述指定用户特征的用户中安装所述指定应用的用户的第三数量;
根据确定的总数量、第一数量、第二数量和第三数量,计算指定应用与指定用户特征对应的推荐指数。
A3、如A2所述的方法,其中,所述根据确定的总数量、第一数量、第二数量和第三数量,计算指定应用与指定用户特征对应的推荐指数包括:
利用目标群体指数公式,计算包含所述指定用户特征的用户对所述指定应用的兴趣指数,将计算的兴趣指数作为指定应用与指定用户特征对应的推荐指数;
所述目标群体指数公式包括:
其中,Ci表示包含所述指定用户特征的用户中安装所述指定应用的用户的第三数量;A表示参与推荐指数计算的用户的总数量;Ai表示参与推荐指数计算的用户中安装所述指定应用的用户的第一数量;Cf表示参与推荐指数计算的用户中包含所述指定用户特征的用户的第二数量。
A4、如A1所述的方法,其中,在所述计算各应用与各用户特征分别对应的推荐指数后,所述方法还包括:
利用指定评分算法,对计算的各应用与各用户特征分别对应的推荐指数进行优化。
A5、如A4所述的方法,其中,所述指定评分算法包括IMDB推荐指数算法;
所述IMDB评分算法公式包括:
其中,C表示确定的各应用与各用户特征分别对应的推荐指数;R表示预设平均推荐指数;v表示参与推荐指数计算的用户的总数量;α表示预设调节系数。
A6、如A1所述的方法,其中,所述根据该目标用户的用户特征,按照推荐指数由高至低选择若干个应用进行推荐包括:
对应该目标用户的各用户特征,分别按照推荐指数由高至低选择若干个应用;
将选择的所有应用按照推荐指数由高至低进行排序;
根据排序结果,将排序后的至少部分应用推荐给目标用户。
A7、如A6所述的方法,其中,所述将选择的所有应用按照推荐指数由高至低进行排序包括:
当对应该目标用户的各用户特征,选择出的应用存在重复时,将存在重合的应用的各推荐指数中最高的推荐指数作为该应用最终的推荐指数进行排序。
A8、如A6所述的方法,其中,所述将选择的所有应用按照推荐指数由高至低进行排序包括:
根据获取的各用户对应用的用户操作数据,确定热门应用;
根据确定的热门应用的热门程度,计算热门应用的推荐指数;
将选择的所有应用以及确定的热门应用按照推荐指数由高至低进行排序。
本发明还公开了B9、一种应用推荐装置,其中,该装置包括:
第一获取单元,适于获取各用户的用户特征和各用户对各应用的用户操作数据;
计算单元,适于根据获取的用户特征和用户操作数据,计算各应用与各用户特征分别对应的推荐指数;
第二获取单元,适于在对目标用户进行应用推荐时,获取该目标用户的用户特征;
推荐单元,适于根据该目标用户的用户特征,按照推荐指数由高至低选择若干个应用进行推荐。
B10、如B9所述的装置,其中,
所述计算单元,适于对于指定应用与指定用户特征对应的推荐指数,确定参与推荐指数计算的用户的总数量,以及,根据获取的用户操作数据,确定参与推荐指数计算的用户中安装所述指定应用的用户的第一数量;根据获取的用户特征,确定参与推荐指数计算的用户中包含所述指定用户特征的用户的第二数量;以及,根据包含所述指定用户特征的用户的用户操作信息,确定包含所述指定用户特征的用户中安装所述指定应用的用户的第三数量;根据确定的总数量、第一数量、第二数量和第三数量,计算指定应用与指定用户特征对应的推荐指数。
B11、如B10所述的装置,其中,
所述计算单元,适于利用目标群体指数公式,计算包含所述指定用户特征的用户对所述指定应用的兴趣指数,将计算的兴趣指数作为指定应用与指定用户特征对应的推荐指数;
所述目标群体指数公式包括:
其中,Ci表示包含所述指定用户特征的用户中安装所述指定应用的用户的第三数量;A表示参与推荐指数计算的用户的总数量;Ai表示参与推荐指数计算的用户中安装所述指定应用的用户的第一数量;Cf表示参与推荐指数计算的用户中包含所述指定用户特征的用户的第二数量。
B12、如B9所述的装置,其中,所述装置还包括:
优化单元,适于在所述计算单元计算各应用与各用户特征分别对应的推荐指数后,利用指定评分算法,对计算的各应用与各用户特征分别对应的推荐指数进行优化。
B13、如B12所述的装置,其中,所述指定评分算法包括IMDB推荐指数算法;
所述IMDB评分算法公式包括:
其中,C表示确定的各应用与各用户特征分别对应的推荐指数;R表示预设平均推荐指数;v表示参与推荐指数计算的用户的总数量;α表示预设调节系数。
B14、如B9所述的装置,其中,
所述推荐单元,适于对应该目标用户的各用户特征,分别按照推荐指数由高至低选择若干个应用;将选择的所有应用按照推荐指数由高至低进行排序;根据排序结果,将排序后的至少部分应用推荐给目标用户。
B15、如B14所述的装置,其中,所述推荐单元,适于当对应该目标用户的各用户特征,选择出的应用存在重复时,将存在重合的应用的各推荐指数中最高的推荐指数作为该应用最终的推荐指数进行排序。
B16、如B14所述的装置,其中,所述推荐单元,适于根据获取的各用户对应用的用户操作数据,确定热门应用;
根据确定的热门应用的热门程度,计算热门应用的推荐指数;
将选择的所有应用以及确定的热门应用按照推荐指数由高至低进行排序。
本发明还公开了C17、一种电子设备,其中,该电子设备包括:
处理器;以及,
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行根据A1~A8中任一项所述的方法。
本发明还公开了D18、一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现A1~A8中任一项所述的方法。
Claims (10)
1.一种应用推荐方法,其中,该方法包括:
获取各用户的用户特征和各用户对各应用的用户操作数据;
根据获取的用户特征和用户操作数据,计算各应用与各用户特征分别对应的推荐指数;
在对目标用户进行应用推荐时,获取该目标用户的用户特征;
根据该目标用户的用户特征,按照推荐指数由高至低选择若干个应用进行推荐。
2.如权利要求1所述的方法,其中,所述根据获取的用户特征和用户操作数据,计算各应用与各用户特征分别对应的推荐指数包括:
对于指定应用与指定用户特征对应的推荐指数,
确定参与推荐指数计算的用户的总数量,以及,根据获取的用户操作数据,确定参与推荐指数计算的用户中安装所述指定应用的用户的第一数量;
根据获取的用户特征,确定参与推荐指数计算的用户中包含所述指定用户特征的用户的第二数量;以及,根据包含所述指定用户特征的用户的用户操作信息,确定包含所述指定用户特征的用户中安装所述指定应用的用户的第三数量;
根据确定的总数量、第一数量、第二数量和第三数量,计算指定应用与指定用户特征对应的推荐指数。
3.如权利要求2所述的方法,其中,所述根据确定的总数量、第一数量、第二数量和第三数量,计算指定应用与指定用户特征对应的推荐指数包括:
利用目标群体指数公式,计算包含所述指定用户特征的用户对所述指定应用的兴趣指数,将计算的兴趣指数作为指定应用与指定用户特征对应的推荐指数;
所述目标群体指数公式包括:
其中,Ci表示包含所述指定用户特征的用户中安装所述指定应用的用户的第三数量;A表示参与推荐指数计算的用户的总数量;Ai表示参与推荐指数计算的用户中安装所述指定应用的用户的第一数量;Cf表示参与推荐指数计算的用户中包含所述指定用户特征的用户的第二数量。
4.如权利要求1所述的方法,其中,在所述计算各应用与各用户特征分别对应的推荐指数后,所述方法还包括:
利用指定评分算法,对计算的各应用与各用户特征分别对应的推荐指数进行优化。
5.如权利要求4所述的方法,其中,所述指定评分算法包括IMDB推荐指数算法;
所述IMDB评分算法公式包括:
其中,C表示确定的各应用与各用户特征分别对应的推荐指数;R表示预设平均推荐指数;v表示参与推荐指数计算的用户的总数量;α表示预设调节系数。
6.如权利要求1所述的方法,其中,所述根据该目标用户的用户特征,按照推荐指数由高至低选择若干个应用进行推荐包括:
对应该目标用户的各用户特征,分别按照推荐指数由高至低选择若干个应用;
将选择的所有应用按照推荐指数由高至低进行排序;
根据排序结果,将排序后的至少部分应用推荐给目标用户。
7.如权利要求6所述的方法,其中,所述将选择的所有应用按照推荐指数由高至低进行排序包括:
当对应该目标用户的各用户特征,选择出的应用存在重复时,将存在重合的应用的各推荐指数中最高的推荐指数作为该应用最终的推荐指数进行排序。
8.一种应用推荐装置,其中,该装置包括:
第一获取单元,适于获取各用户的用户特征和各用户对各应用的用户操作数据;
计算单元,适于根据获取的用户特征和用户操作数据,计算各应用与各用户特征分别对应的推荐指数;
第二获取单元,适于在对目标用户进行应用推荐时,获取该目标用户的用户特征;
推荐单元,适于根据该目标用户的用户特征,按照推荐指数由高至低选择若干个应用进行推荐。
9.一种电子设备,其中,该电子设备包括:
处理器;以及,
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行根据权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811038044.8A CN109190042A (zh) | 2018-09-06 | 2018-09-06 | 一种应用推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811038044.8A CN109190042A (zh) | 2018-09-06 | 2018-09-06 | 一种应用推荐方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109190042A true CN109190042A (zh) | 2019-01-11 |
Family
ID=64915108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811038044.8A Pending CN109190042A (zh) | 2018-09-06 | 2018-09-06 | 一种应用推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190042A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112148316A (zh) * | 2020-09-29 | 2020-12-29 | 联想(北京)有限公司 | 一种信息处理方法及信息处理装置 |
CN113468394A (zh) * | 2021-07-06 | 2021-10-01 | 北京有竹居网络技术有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
CN113868535A (zh) * | 2021-10-12 | 2021-12-31 | 广汽埃安新能源汽车有限公司 | 驾驶功能推荐方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170017655A1 (en) * | 2014-03-31 | 2017-01-19 | Hewlett Packard Enterprise Development Lp | Candidate services for an application |
CN106503269A (zh) * | 2016-12-08 | 2017-03-15 | 广州优视网络科技有限公司 | 应用推荐的方法、装置及服务器 |
CN107122990A (zh) * | 2017-03-22 | 2017-09-01 | 广州优视网络科技有限公司 | 应用推荐方法、客户端、服务器及系统 |
CN107526753A (zh) * | 2016-07-29 | 2017-12-29 | 腾讯科技(深圳)有限公司 | 应用程序的推荐方法和装置 |
-
2018
- 2018-09-06 CN CN201811038044.8A patent/CN109190042A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170017655A1 (en) * | 2014-03-31 | 2017-01-19 | Hewlett Packard Enterprise Development Lp | Candidate services for an application |
CN107526753A (zh) * | 2016-07-29 | 2017-12-29 | 腾讯科技(深圳)有限公司 | 应用程序的推荐方法和装置 |
CN106503269A (zh) * | 2016-12-08 | 2017-03-15 | 广州优视网络科技有限公司 | 应用推荐的方法、装置及服务器 |
CN107122990A (zh) * | 2017-03-22 | 2017-09-01 | 广州优视网络科技有限公司 | 应用推荐方法、客户端、服务器及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112148316A (zh) * | 2020-09-29 | 2020-12-29 | 联想(北京)有限公司 | 一种信息处理方法及信息处理装置 |
CN112148316B (zh) * | 2020-09-29 | 2022-04-22 | 联想(北京)有限公司 | 一种信息处理方法及信息处理装置 |
CN113468394A (zh) * | 2021-07-06 | 2021-10-01 | 北京有竹居网络技术有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
CN113868535A (zh) * | 2021-10-12 | 2021-12-31 | 广汽埃安新能源汽车有限公司 | 驾驶功能推荐方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107547214B (zh) | 基于电子书的群组阅读方法、电子设备及计算机存储介质 | |
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 | |
Fadzil | A study on factors affecting the behavioral intention to use mobile apps in Malaysia | |
CN105912550A (zh) | 一种移动终端的信息推荐方法及装置 | |
US20120072312A1 (en) | Curated Application Store | |
CN109190042A (zh) | 一种应用推荐方法和装置 | |
CN109102371A (zh) | 商品推荐方法、装置、计算机设备及存储介质 | |
CN103930871A (zh) | 基于安装历史给移动设备推荐应用 | |
CN106445971A (zh) | 一种应用推荐方法和系统 | |
WO2006128104A2 (en) | Advertising systems and methods | |
CN106095867A (zh) | 一种基于行业分析的图书推荐方法及装置 | |
US20120317067A1 (en) | Evaluating recommendations | |
CN109493113A (zh) | 一种优惠信息的提供方法以及装置 | |
US20160371731A1 (en) | Identifying Media Store Users Eligible for Promotions | |
CN108744523A (zh) | 游戏推荐方法、装置和计算机可读存储介质 | |
CN105477860A (zh) | 游戏活动推荐方法及装置 | |
CN106100883A (zh) | 一种云服务评价方法及装置 | |
WO2014152352A1 (en) | Similarity engine for facilitating re-creation of an application collection of a source computing device on a destination computing device | |
CN109583721A (zh) | 一种渠道的评估方法、装置及电子设备 | |
CN106874335A (zh) | 行为数据处理方法、装置及服务器 | |
CN109961351A (zh) | 信息推荐方法、装置、存储介质及计算机设备 | |
KR102179397B1 (ko) | 상품 추천 서비스 시스템 및 그 방법, 그리고 이에 적용되는 장치 | |
WO2013109536A1 (en) | Question generation and presentation | |
CN109509028A (zh) | 一种广告投放方法及装置、存储介质、计算机设备 | |
CN106202513A (zh) | 浏览器的浏览主站推荐方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |