CN109582865A - 一种推送应用程序的方法及装置 - Google Patents

Abstract

本发明涉及信息处理技术领域，尤其涉及一种推送应用程序的方法及装置，该方法包括：接收用户发送的搜索请求；基于所述搜索请求生成对应的配置文件；所述配置文件中包含有目标推送策略和应用程序排序模型；执行所述目标推送策略，利用所述应用程序排序模型获得推送给用户的目标应用程序列表；接收所述用户针对所述目标应用程序列表的反馈数据；基于所述反馈数据和历史数据信息更新所述应用程序排序模型，所述历史数据信息具体包括历史用户的用户行为数据和历史应用程序的特征数据，进而能够推送针对用户个性化特征的服务信息，提高该推送服务的准确性。

Description

一种推送应用程序的方法及装置

技术领域

本发明涉及信息处理技术领域，尤其涉及一种推送应用程序的方法及装置。

背景技术

现有智能化信息处理技术的发展很迅速，尤其是基于大数据的信息处理，对于信息的个性化处理，比如，根据用户的购买信息，用户的下载列表，用户的浏览信息等等可以确定用户的个性化特征，然后，基于该个性化特征，推送相应的服务信息，该服务信息能够与该用户的个性化特征相匹配。但是，如果推送的服务信息与用户的个性化特征并不贴切，则该服务信息会被用户当成骚扰信息，影响用户的体验。

因此，针对用户的个性化信息，提供适应用户个性化特征的推送服务时，如何提高该推送服务的准确性，是目前亟待解决的技术问题。

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推送应用程序的方法及装置。

第一方面，本发明实施例提供一种推送应用程序的方法，包括：

接收用户发送的搜索请求；

基于所述搜索请求生成对应的配置文件；所述配置文件中包含有目标推送策略和应用程序排序模型；

执行所述目标推送策略，利用所述应用程序排序模型获得推送给用户的目标应用程序列表；

接收所述用户针对所述目标应用程序列表的反馈数据；

基于所述反馈数据和历史数据信息更新所述应用程序排序模型，所述历史数据信息具体包括历史用户的用户行为数据和历史应用程序的特征数据。

优选的，在接收用户发送的搜索请求之前，还包括：

获取所述历史用户的用户行为数据；

获取所述历史应用程序的特征数据；

基于所述历史用户的用户行为数据和所述历史应用程序的特征数据，采用预设算法，获得所述历史用户的用户行为数据对应的历史应用程序列表；

基于历史用户的用户行为数据和所述历史用户的用户行为数据对应的历史应用程序列表获得训练样本；

将所述训练样本输入M个机器学习模型中进行训练，获得M个第一排序模型；

从所述M个第一排序模型中获取准确率最高的排序模型作为所述应用程序排序模型。

优选的，所述历史用户的用户行为数据具体为如下任意一种或多种组合：

所述历史用户所处的地域数据、所述历史用户所使用的设备的型号数据、所述历史用户所处的人口属性数据、所述历史用户对所述历史应用程序产生的价值数据、所述历史用户所安装的应用程序数据、所述历史用户的浏览记录数据、所述历史用户对所述安装的应用程序的使用情况数据。

优选的，所述应用程序的特征数据具体为如下任意一种数据或者多种组合：

所述应用程序所适用于用户的年龄段数据、所述应用程序的相似应用程序、用户对所述应用程序的综合评价数据。

优选的，所述将所述训练样本输入M个机器学习模型中进行训练，获得M个第一排序模型之后，还包括：

基于历史用户的用户行为数据和所述历史用户的用户行为数据对应的历史应用程序列表获得测试样本；

利用所述测试样本分别对所述M个第一排序模型进行测试，得到所述M个第一排序模型的输出结果；

将所述M个第一排序模型的输出结果分别与所述测试样本中的用户行为数据对应的历史应用程序列表进行比较，得到M个比较结果；

所述从所述M个第一排序模型中获取准确率最高的排序模型作为所述应用程序排序模型，具体包括：

从所述M个比较结果中选取匹配度最高的排序模型作为所述应用程序排序模型。

优选的，在接收所述用户针对所述目标应用程序列表的反馈数据之后，还包括：

采集所述用户的用户行为数据、所述反馈数据、所述目标应用程序列表进行性能测试；

通过显示界面对性能测试结果进行显示。

优选的，所述基于所述搜索请求生成对应的配置文件，具体包括：

基于所述搜索请求，获得所述搜索请求中的所述用户的用户行为数据；

基于所述用户的用户行为数据，获得与所述用户的用户行为数据对应的目标推送策略和应用程序排序模型。

优选的，所述执行所述目标推送策略，利用所述应用程序排序模型获得推送给用户的目标应用程序列表，具体包括：

执行所述目标推送策略，将所述用户的用户行为数据输入所述应用程序排序模型，获得所述用户的用户行为数据对应的目标应用程序列表；

将所述目标应用程序列表推送给所述用户。

优选的，基于所述反馈数据和历史数据信息更新所述应用程序排序模型，具体包括：

将所述反馈数据和历史数据信息作为新的训练样本；

将所述新的训练样本输入M个机器学习模型中，获得M个第二排序模型；

从所述M个第二排序模型中选取准确率最高的排序模型作为更新后的应用程序排序模型。

优选的，在基于所述反馈数据和历史数据信息更新所述应用程序排序模型之后，还包括：

接收其他用户的搜索请求，并基于所述其他用户的搜索请求得到对应的配置文件；其中，所述其他用户对应的配置文件中包含对应的目标推送策略和所述应用程序排序模型；

将所述更新后的应用程序排序模型更新到内存中之后，执行所述其他用户对应的目标推送策略，直接利用所述更新后的应用程序排序模型获得推送给所述其他用户的目标应用程序列表。

第二方面，本发明还提供了一种推送应用程序的装置，包括：

第一接收模块，用于接收用户发送的搜索请求；

生成模块，用于基于所述搜索请求生成对应的配置文件；所述配置文件中包含有目标推送策略和应用程序排序模型；

第一执行模块，用于执行所述目标推送策略，利用所述应用程序排序模型获得推送给用户的目标应用程序列表；

第二接收模块，用于接收所述用户针对所述目标应用程序列表的反馈数据；

更新模块，用于基于所述反馈数据和历史数据信息更新所述应用程序排序模型，所述历史数据信息具体包括历史用户的用户行为数据和历史应用程序的特征数据。

优选的，还包括：

第一获取模块，用于获取所述历史用户的用户行为数据；

第二获取模块，用于获取所述历史应用程序的特征数据；

第一获得模块，用于基于所述历史用户的用户行为数据和所述历史应用程序的特征数据，采用预设算法，获得所述历史用户的用户行为数据对应的历史应用程序列表；

训练样本获得模块，用于基于历史用户的用户行为数据和所述历史用户的用户行为数据对应的历史应用程序列表获得训练样本；

第一训练模块，用于将所述训练样本输入M个机器学习模型中进行训练，获得M个第一排序模型；

选取模块，用于从所述M个第一排序模型中获取准确率最高的排序模型作为所述应用程序排序模型。

优选的，所述历史用户的用户行为数据具体为如下任意一种或多种组合：

所述历史用户所处的地域数据、所述历史用户所使用的设备的型号数据、所述历史用户所处的人口属性数据、所述历史用户对所述历史应用程序产生的价值数据、所述历史用户所安装的应用程序数据、所述历史用户的浏览记录数据、所述历史用户对所述安装的应用程序的使用情况数据。

优选的，所述应用程序的特征数据具体为如下任意一种数据或者多种组合：

所述应用程序所适用于用户的年龄段数据、所述应用程序的相似应用程序、用户对所述应用程序的综合评价数据。

优选的，还包括：

测试样本获得模块，用于基于历史用户的用户行为数据和所述历史用户的用户行为数据对应的历史应用程序列表获得测试样本；

测试模块，用于利用所述测试样本分别对所述M个第一排序模型进行测试，得到所述M个第一排序模型的输出结果；

比较结果获得模块，用于将所述M个第一排序模型的输出结果分别与所述测试样本中的用户行为数据对应的历史应用程序列表进行比较，得到M个比较结果；

选取模块，具体用于从所述M个比较结果中选取匹配度最高的排序模型作为所述应用程序排序模型。

优选的，还包括：

性能测试模块，用于采集所述用户的用户行为数据、所述反馈数据、所述目标应用程序列表进行性能测试；

显示模块，用于通过显示界面对性能测试结果进行显示。

优选的，所述生成模块具体包括：

第一获得单元，用于基于所述搜索请求，获得所述搜索请求中的所述用户的用户行为数据；

第二获得单元，用于基于所述用户的用户行为数据，获得与所述用户的用户行为数据对应的目标推送策略和应用程序排序模型。

优选的，所述执行模块，具体包括：

第一训练单元，用于执行所述目标推送策略，将所述用户的用户行为数据输入所述应用程序排序模型，获得所述用户的用户行为数据对应的目标应用程序列表；

推送单元，用于将所述目标应用程序列表推送给所述用户。

优选的，所述更新模块，具体包括：

新的训练样本获取单元，用于将所述反馈数据和历史数据信息作为新的训练样本；

第二训练单元，用于将所述新的训练样本输入M个机器学习模型中，获得M个第二排序模型；

第二选取单元，用于从所述M个第二排序模型中选取准确率最高的排序模型作为更新后的应用程序排序模型。

优选的，还包括：

第三接收模块，用于接收其他用户的搜索请求，并基于所述其他用户的搜索请求得到对应的配置文件；其中，所述其他用户对应的配置文件中包含对应的目标推送策略和所述应用程序排序模型；

第二执行模块，用于将所述更新后的应用程序排序模型更新到内存中之后，执行所述其他用户对应的目标推送策略，直接利用所述更新后的应用程序排序模型获得推送给所述其他用户的目标应用程序列表。

第三方面，本发明实施例还提供一种计算机设备，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，所述处理器执行所述程序时实现上述的方法步骤。

第四方面，本发明实施例还提供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上述的方法步骤。

本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：

本发明提供一种推送应用程序的方法，包括：接收用户发送的搜索请求；基于该搜索请求生成对应的配置文件，该配置文件中包含有目标推送策略和应用程序排序模型，执行该目标推送策略，利用该应用程序排序模型获得推送给用户的目标应用程序列表，接收该用户针对目标应用程序列表的反馈数据，基于该反馈数据和历史数据信息更新该应用程序排序模型，该历史数据信息具体包括历史用户的用户行为数据和历史应用程序的特征数据，进而解决了现有技术中在推送给用户信息时，由于推送的服务信息与用户当前的个性化特征并不贴切，使得该服务信息被用户当成骚扰信息，影响与用户的体验，进而能够推送针对用户个性化特征的服务信息，提高该推送服务的准确性。

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，用相同的参考图形表示相同的部件。在附图中：

图1示出了本发明实施例中的推送应用程序的方法的步骤流程示意图；

图2a、图2b示出了本发明实施例中在离线阶段的步骤流程示意图；

图3示出了本发明实施例中更新阶段的步骤流程示意图；

图4示出了本发明实施例中的推送应用程序的装置的结构示意图；

图5示出了本发明实施例中一种计算机设备的结构示意图。

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。

实施例一

本发明实施例提供一种推送应用程序的方法，如图1所示，包括：S101，接收用户发送的搜索请求；S102，基于该搜索请求生成对应的配置文件，该配置文件中包含有目标推送策略和应用程序排序模型；S103，执行所述目标推送策略，利用所述应用程序排序模型获得推送给用户的目标应用程序列表；S104，接,用户针对目标应用程序列表的反馈数据；S105，基于该反馈数据和历史数据信息更新应用程序排序模型，该历史数据信息具体包括历史用户的用户行为数据和历史应用程序的特征数据。

在具体的实施方式中，该推送应用程序的方法分为离线的准备阶段和线上的应用阶段。

在线上的应用阶段是在离线的准备阶段之后进行的。

首先，离线的准备阶段中，即在S101之前，如图2所示，还包括：

S201，获取历史用户的用户行为数据；

S202，获取历史应用程序的特征数据；

S203，基于历史用户的用户行为数据和历史应用程序的特征数据，采用预设算法，获得历史用户的用户行为数据对应的历史应用程序列表；

S204，基于历史用户的用户行为数据和历史用户的用户行为数据对应的历史应用程序列表获得训练样本；

S205，将训练样本输入M个机器学习模型中进行训练，获得M个第一排序模型；

S206，从M个第一排序模型中获取准确率最高的排序模型作为该应用程序排序模型。

其中，该历史用户的用户行为数据具体包括如下任意一种或多种组合：历史用户所处的地域数据(比如用户所处的城市为北京)、历史用户所使用的设备的型号数据(这里指手机的型号或者电脑的型号)、历史用户所处的人口属性数据(比如用户所处的城市的人口流动状况以及人口就业状况)、历史用户对历史应用程序产生的价值数据(比如用户平时经常下载新的应用程序还是应用程序长期不更新)、历史用户所安装的应用程序数据(比如用户安装的办公软件、游戏软件、通讯软件等等数据)、历史用户的浏览记录数据(比如用户浏览过的网页信息或者搜索过的关键词信息)、历史用户对安装的应用程序的使用情况数据(比如用户对下载的应用程序的使用频率信息)。

该历史应用程序的特征数据具体为如下任意一种数据或者多种组合：应用程序所适用于用户的年龄段数据(比如应用程序A在15～20岁之间的女性用户居多，应用程序B在30～35岁之间的男性用户居多)、应用程序的相似应用程序(比如，与该应用程序C类似的有应用程序D和E)、用户对应用程序的综合评价数据(比如，大多数用户对应用程序F的反馈信息是：响应速度快，数据较全面)等等。

该历史用户的用户行为数据和历史应用程序的特征数据并不仅限于上述的内容，在本发明实施例中并不做限定。

在该线下准备阶段中，通过采集大量的历史用户的用户行为数据和历史应用程序的特征数据，通过预设算法，即item-based，contend-based，model-based等算法进行计算，获得该历史用户的用户行为数据对应的历史应用程序列表。

具体地，根据上述的历史用户的用户行为数据，通过上述的算法，能够获得与该历史用户的行为数据相适配的多个应用程序；根据上述的历史应用程序的特征数据，获得与该历史应用程序相类似的应用程序，其中，可以是基于应用程序的名称、简介、用户的评论中内容的相似度，确定与该历史应用程序相似的应用程序。将上述三种算法进行融合，获得更加准确的计算结果。

在获得该历史用户的用户行为数据对应的历史应用程序列表之后，执行S204，基于该历史用户的用户行为数据和历史用户的用户行为数据对应的历史应用程序列表获得训练样本。也就是从大量的历史用户的用户行为数据和历史用户的用户行为数据对应的历史应用程序列表中选取部分数据作为训练样本。

接着，S205，将该训练样本输入M个机器学习模型中进行训练，获得M个第一排序模型。

具体地，该M个机器学习模型可以是GBDT(Gradient Boosting Decision Tree，迭代的决策树算法模型)、CNN(Convolutional Neural Network，卷积神经网络模型)、RNN(Recurrent Neural Network，递归神经网络模型)等。在本发明实施例中就不再详细赘述了。

由于采用的机器学习模型的类型不同，在采用训练样本对这些机器学习模型进行训练之后，获得的排序模型也不同，若将相同的输入数据输入不同的排序模型之后，获得的输出结果也不同。比如，由排序模型11获得的应用程序的排序结果是A、B、D；由排序模型12获得的应用程序的排序结果是A、E、D；由排序模型13获得的应用程序的排序结果是B、A、D……，其中A、B、D、E均为应用程序的代替标志，排序模型11、12、13属于M个第一排序模型。

在获得M个第一排序模型之后，执行S206，从M个第一排序模型中获取准确率最高的排序模型作为该应用程序排序模型。

具体地，在获得M个第一排序模型之后，如图2b所示，还包括：

S2051，基于历史用户的用户行为数据和历史用户的用户行为数据对应的历史应用程序列表获得测试样本。

该测试样本也是从大量的历史用户的用户行为数据和历史用户的用户行为数据对应的历史应用程序列表获得的，该测试样本与训练样本的数据不重叠。

S2052，利用测试样本分别对M个第一排序模型进行测试，得到M个第一排序模型的输出结果。

该步骤同训练过程类似，即将测试样本中作为输入部分的数据分别输入M个第一排序模型中，得到M个输出结果。

S2053，将M个第一排序模型的输出结果分别与测试样本中的用户行为数据对应的历史应用程序列表进行比较，得到M个比较结果。

该M个第一排序模型的输出结果与测试样本中作为输出部分的数据有差异，通过将M个第一排序模型的输出结果分别与测试样本中作为输出部分的数据，即用户行为数据对应的历史应用程序列表，进行比较，获得M个比较结果。

在得到M个比较结果之后，执行S206，从所述M个第一排序模型中获取准确率最高的排序模型作为应用程序的排序模型。

具体地，就是从M个比较结果中选取匹配度最高的排序模型作为应用程序的排序模型。

上述是离线的准备阶段，将获得的历史用户的用户行为数据和匹配度最高的应用程序排序模型存储在内存中。

然后执行S101，接收用户发送的搜索请求。

具体的实现场景中：用户通过浏览器或者具有搜索功能的应用程序中的搜索框进行搜索操作，比如输入“游戏”点击搜索对应的应用程序。对应的，本发明中的服务器接收用户的搜索请求，具体包括URL请求。

接着，执行S102，基于该搜索请求生成对应的配置文件，该配置文件中包含有目标推送策略和应用程序排序模型。针对每个用户来说，生成的配置文件都是不同的。

具体地，S102具体包括：

基于该搜索请求，获得该搜索请求中该用户的用户行为数据；

基于该用户的用户行为数据，获得与该用户的用户行为数据对应的目标推送策略和应用程序排序模型。

由于该URL请求中包括一些参数信息，对该参数信息进行解析，可获取用户的身份信息，因此，根据浏览器上的用户的账号信息，即用户的身份信息，直接获取与该用户的身份信息对应的用户行为数据信息。

这里的用户行为数据信息，可以包括用户的浏览记录数据，用户所安装的应用程序数据、用户对安装的应用程序的使用情况数据等等数据，然后，基于该用户的用户行为数据，获得与该用户的用户行为数据对应的目标推送策略和应用程序排序模型。在内存中存储有与所有历史用户的用户行为数据信息分别对应的目标推送策略和应用程序排序模型。

接着，执行S103，执行该目标推送策略，利用该应用程序排序模型获得推送给用户的目标应用程序列表。

该S103中，具体包括：

执行该目标推送策略，将该用户的用户行为数据输入该应用程序排序模型，获得该用户的用户行为数据对应的目标应用程序列表；

将该目标应用程序列表推送给该用户。

具体的实施方式中，该配置文件中包括目标推送策略和应用程序排序模型，在该目标推送策略的指引下，将用户的用户行为数据输入该应用程序排序模型中，从而获得了该用户的用户行为数据对应的目标应用程序列表。也就是根据用户的用户行为数据输入应用程序排序模型中，获得的输出结果是与该用户的搜索请求相关的应用程序的排序列表，而且，该应用程序排序模型是经过测试获得的匹配度最高的应用程序排序模型。

然后将获得的目标应用程序列表推送给该用户。用户获得的是符合用户当前行为习惯的目标应用程序列表。

当然，该用户在获得该目标应用程序列表过程中所采用的应用程序排序模型也可能是根据之前的历史用户对历史目标应用程序列表的反馈数据更新获得的应用程序排序模型。即这次搜索应用程序之前的搜索过程所采用的应用程序排序模型与此次搜索应用程序的搜索过程中所采用的应用程序排序模型不相同。

在该服务器将目标应用程序列表推送给该用户之后，执行S104，接收该用户针对该目标应用程序列表的反馈数据。该反馈数据具体可以是用户对该目标应用程序列表中的应用程序的下载或者安装等等数据，即对收到的目标应用程序列表中的应用程序的使用情况，该用户的反馈数据可用于修正原有获得的目标应用程序列表。

在接收该用户针对目标应用程序列表的反馈数据之后，还包括：

采集用户的用户行为数据、反馈数据、目标应用程序列表进行性能测试；

通过显示界面对性能测试结果进行显示。

具体地，将实时数据通过性能测试分析判断真实性以及准确性。最后将确认后的实时数据的性能测试结果通过显示界面进行显示。便于测试人员查看。当然，也避免数据的不准确性使得推荐效果不佳。

在接收到该用户针对该目标应用程序列表的反馈数据之后，执行105，基于该反馈数据和历史数据信息更新该应用程序排序模型，该历史数据信息具体包括历史用户的用户行为数据和历史应用程序的特征数据。

如图3所示，该S105具体包括：

S301，将反馈数据和历史数据信息作为新的训练样本；

S302，将该新的训练样本输入M个机器学习模型中，获得M个第二排序模型；

S303，从M个第二排序模型中选取准确率最高的排序模型作为更新后的应用程序排序模型。也就是从M个第二排序模型中选取匹配度最高的排序模型作为更新后的应用程序排序模型。

在具体的实施方式中，新的训练样本是将当前用户的反馈数据和历史数据信息整合获得的。然后，将该新的训练样本输入该M个机器学习模型中，获得M个第二排序模型，该M个第二排序模型与上述的M个第一排序模型不相同。从该M个第二排序模型中选取准确率最高的排序模型作为更新后的应用程序排序模型。

此次训练过程与前一次训练过程类似，只是训练样本有更新，更新后的训练样本使得训练获得的模型更准确，因此，每一次的训练样本的更新都会提高模型训练的准确性。

在S105之后，还包括：

接收其他用户的搜索请求，并基于其他用户的搜索请求得到对应的配置文件；其中，其他用户对应的配置文件中包含对应的目标推送策略和应用程序排序模型；

将该更新后的应用程序排序模型更新到内存中之后，执行其他用户对应的目标推送策略，直接利用该更新后的应用程序排序模型获得推送给其他用户的目标应用程序列表。

在具体的实施方式中，在更新了应用程序排序模型之后，如果有其他用户发起搜索请求时，对于该搜索引擎对应的服务器来说，还是会基于该搜索请求获得对应的配置文件，该配置文件中包含对应的目标推送策略和应用程序排序模型。然后，将该更新后的应用程序排序模型更新到内存之后，该其他用户所对应的目标推送策略会指向更新后的应用程序排序模型。

因此，针对现有技术中，若第一用户发起访问请求，最终获得推送的目标应用程序列表，然后收集该第一用户的反馈结果，若此时有第二用户(即其他用户)发起访问请求时，根据获得的配置文件可能无法获得对应的应用程序排序模型，则需要重启服务器。而本发明中由于将更新的应用程序排序模型更新到内存中，获得配置文件之后，在执行该用户对应的目标推送策略时，可以直接利用更新后的应用程序排序模型获得推送给该第二用户(即其他用户)的目标应用程序列表。因此，采用该配置文件的方式，可以不重启服务的情况下对应用程序排序模型进行更新。

而且，更新后的应用程序排序模型是放入内存中，可以减少网络请求的开销，提高响应速度。

实施例二

基于相同的发明构思，本发明实施例提供一种推送应用程序的装置，如图4所示，包括：

第一接收模块401，用于接收用户发送的搜索请求；

生成模块402，用于基于所述搜索请求生成对应的配置文件；所述配置文件中包含有目标推送策略和应用程序排序模型；

第一执行模块403，用于执行所述目标推送策略，利用所述应用程序排序模型获得推送给用户的目标应用程序列表；

第二接收模块404，用于接收所述用户针对所述目标应用程序列表的反馈数据；

更新模块405，用于基于所述反馈数据和历史数据信息更新所述应用程序排序模型，所述历史数据信息具体包括历史用户的用户行为数据和历史应用程序的特征数据。

优选的，还包括：

第一获取模块，用于获取所述历史用户的用户行为数据；

第二获取模块，用于获取所述历史应用程序的特征数据；

第一获得模块，用于基于所述历史用户的用户行为数据和所述历史应用程序的特征数据，采用预设算法，获得所述历史用户的用户行为数据对应的历史应用程序列表；

训练样本获得模块，用于基于历史用户的用户行为数据和所述历史用户的用户行为数据对应的历史应用程序列表获得训练样本；

第一训练模块，用于将所述训练样本输入M个机器学习模型中进行训练，获得M个第一排序模型；

选取模块，用于从所述M个第一排序模型中获取准确率最高的排序模型作为所述应用程序排序模型。

优选的，所述历史用户的用户行为数据具体为如下任意一种或多种组合：

所述历史用户所处的地域数据、所述历史用户所使用的设备的型号数据、所述历史用户所处的人口属性数据、所述历史用户对所述历史应用程序产生的价值数据、所述历史用户所安装的应用程序数据、所述历史用户的浏览记录数据、所述历史用户对所述安装的应用程序的使用情况数据。

优选的，所述应用程序的特征数据具体为如下任意一种数据或者多种组合：

所述应用程序所适用于用户的年龄段数据、所述应用程序的相似应用程序、用户对所述应用程序的综合评价数据。

优选的，还包括：

测试样本获得模块，用于基于历史用户的用户行为数据和所述历史用户的用户行为数据对应的历史应用程序列表获得测试样本；

测试模块，用于利用所述测试样本分别对所述M个第一排序模型进行测试，得到所述M个第一排序模型的输出结果；

比较结果获得模块，用于将所述M个第一排序模型的输出结果分别与所述测试样本中的用户行为数据对应的历史应用程序列表进行比较，得到M个比较结果；

选取模块，具体用于从所述M个比较结果中选取匹配度最高的排序模型作为所述应用程序排序模型。

优选的，还包括：

性能测试模块，用于采集所述用户的用户行为数据、所述反馈数据、所述目标应用程序列表进行性能测试；

显示模块，用于通过显示界面对性能测试结果进行显示。

优选的，所述生成模块402具体包括：

第一获得单元，用于基于所述搜索请求，获得所述搜索请求中的所述用户的用户行为数据；

第二获得单元，用于基于所述用户的用户行为数据，获得与所述用户的用户行为数据对应的目标推送策略和应用程序排序模型。

优选的，所述执行模块，具体包括：

第一训练单元，用于执行所述目标推送策略，将所述用户的用户行为数据输入所述应用程序排序模型，获得所述用户的用户行为数据对应的目标应用程序列表；

推送单元，用于将所述目标应用程序列表推送给所述用户。

优选的，所述更新模块405，具体包括：

新的训练样本获取单元，用于将所述反馈数据和历史数据信息作为新的训练样本；

第二训练单元，用于将所述新的训练样本输入M个机器学习模型中，获得M个第二排序模型；

第二选取单元，用于从所述M个第二排序模型中选取准确率最高的排序模型作为更新后的应用程序排序模型。

优选的，还包括：

第三接收模块，用于接收其他用户的搜索请求，并基于所述其他用户的搜索请求得到对应的配置文件；其中，所述其他用户对应的配置文件中包含对应的目标推送策略和所述应用程序排序模型；

第二执行模块，用于将所述更新后的应用程序排序模型更新到内存中之后，执行所述其他用户对应的目标推送策略，直接利用所述更新后的应用程序排序模型获得推送给所述其他用户的目标应用程序列表。

实施例三

基于相同的发明构思，本发明第三实施例提供一种计算机设备，如图5所示，包括存储器304、处理器302及存储在存储器304上并可在处理器302上运行的计算机程序，所述处理器302执行所述程序时实现上述推送应用程序的方法步骤。

其中，在图5中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口506在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。

实施例四

基于相同的发明构思，本发明第四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上述推送应用程序的方法步骤。

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智能调度的装置、服务器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。

本发明公开了A1、一种推送应用程序的方法，包括：

接收用户发送的搜索请求；

基于所述搜索请求生成对应的配置文件；所述配置文件中包含有目标推送策略和应用程序排序模型；

执行所述目标推送策略，利用所述应用程序排序模型获得推送给用户的目标应用程序列表；

接收所述用户针对所述目标应用程序列表的反馈数据；

基于所述反馈数据和历史数据信息更新所述应用程序排序模型，所述历史数据信息具体包括历史用户的用户行为数据和历史应用程序的特征数据。

A2、如A1所述的推送应用程序的方法，其特征在于，在接收用户发送的搜索请求之前，还包括：

获取所述历史用户的用户行为数据；

获取所述历史应用程序的特征数据；

基于所述历史用户的用户行为数据和所述历史应用程序的特征数据，采用预设算法，获得所述历史用户的用户行为数据对应的历史应用程序列表；

基于历史用户的用户行为数据和所述历史用户的用户行为数据对应的历史应用程序列表获得训练样本；

将所述训练样本输入M个机器学习模型中进行训练，获得M个第一排序模型；

从所述M个第一排序模型中获取准确率最高的排序模型作为所述应用程序排序模型。

A3、如A2所述的推送应用程序的方法，其特征在于，所述历史用户的用户行为数据具体为如下任意一种或多种组合：

所述历史用户所处的地域数据、所述历史用户所使用的设备的型号数据、所述历史用户所处的人口属性数据、所述历史用户对所述历史应用程序产生的价值数据、所述历史用户所安装的应用程序数据、所述历史用户的浏览记录数据、所述历史用户对所述安装的应用程序的使用情况数据。

A4、如A2所述的推送应用程序的方法，其特征在于，所述应用程序的特征数据具体为如下任意一种数据或者多种组合：

所述应用程序所适用于用户的年龄段数据、所述应用程序的相似应用程序、用户对所述应用程序的综合评价数据。

A5、如A2所述的推送应用程序的方法，其特征在于，所述将所述训练样本输入M个机器学习模型中进行训练，获得M个第一排序模型之后，还包括：

基于历史用户的用户行为数据和所述历史用户的用户行为数据对应的历史应用程序列表获得测试样本；

利用所述测试样本分别对所述M个第一排序模型进行测试，得到所述M个第一排序模型的输出结果；

将所述M个第一排序模型的输出结果分别与所述测试样本中的用户行为数据对应的历史应用程序列表进行比较，得到M个比较结果；

所述从所述M个第一排序模型中获取准确率最高的排序模型作为所述应用程序排序模型，具体包括：

从所述M个比较结果中选取匹配度最高的排序模型作为所述应用程序排序模型。

A6、如A1所述的推送应用程序的方法，其特征在于，在接收所述用户针对所述目标应用程序列表的反馈数据之后，还包括：

采集所述用户的用户行为数据、所述反馈数据、所述目标应用程序列表进行性能测试；

通过显示界面对性能测试结果进行显示。

A7、如A1所述的推送应用程序的方法，其特征在于，所述基于所述搜索请求生成对应的配置文件，具体包括：

基于所述搜索请求，获得所述搜索请求中的所述用户的用户行为数据；

基于所述用户的用户行为数据，获得与所述用户的用户行为数据对应的目标推送策略和应用程序排序模型。

A8、如A7所述的推送应用程序的方法，其特征在于，所述执行所述目标推送策略，利用所述应用程序排序模型获得推送给用户的目标应用程序列表，具体包括：

执行所述目标推送策略，将所述用户的用户行为数据输入所述应用程序排序模型，获得所述用户的用户行为数据对应的目标应用程序列表；

将所述目标应用程序列表推送给所述用户。

A9、如A1所述的推送应用程序的方法，其特征在于，基于所述反馈数据和历史数据信息更新所述应用程序排序模型，具体包括：

将所述反馈数据和历史数据信息作为新的训练样本；

将所述新的训练样本输入M个机器学习模型中，获得M个第二排序模型；

从所述M个第二排序模型中选取准确率最高的排序模型作为更新后的应用程序排序模型。

A10、如A9所述的推送应用程序的方法，其特征在于，在基于所述反馈数据和历史数据信息更新所述应用程序排序模型之后，还包括：

接收其他用户的搜索请求，并基于所述其他用户的搜索请求得到对应的配置文件；其中，所述其他用户对应的配置文件中包含对应的目标推送策略和所述应用程序排序模型；

将所述更新后的应用程序排序模型更新到内存中之后，执行所述其他用户对应的目标推送策略，直接利用所述更新后的应用程序排序模型获得推送给所述其他用户的目标应用程序列表。

B11、一种推送应用程序的装置，其特征在于，包括：

第一接收模块，用于接收用户发送的搜索请求；

生成模块，用于基于所述搜索请求生成对应的配置文件；所述配置文件中包含有目标推送策略和应用程序排序模型；

第一执行模块，用于执行所述目标推送策略，利用所述应用程序排序模型获得推送给用户的目标应用程序列表；

第二接收模块，用于接收所述用户针对所述目标应用程序列表的反馈数据；

更新模块，用于基于所述反馈数据和历史数据信息更新所述应用程序排序模型，所述历史数据信息具体包括历史用户的用户行为数据和历史应用程序的特征数据。

B12、如B11所述的推送应用程序的装置，其特征在于，还包括：

第一获取模块，用于获取所述历史用户的用户行为数据；

第二获取模块，用于获取所述历史应用程序的特征数据；

第一获得模块，用于基于所述历史用户的用户行为数据和所述历史应用程序的特征数据，采用预设算法，获得所述历史用户的用户行为数据对应的历史应用程序列表；

训练样本获得模块，用于基于历史用户的用户行为数据和所述历史用户的用户行为数据对应的历史应用程序列表获得训练样本；

第一训练模块，用于将所述训练样本输入M个机器学习模型中进行训练，获得M个第一排序模型；

选取模块，用于从所述M个第一排序模型中获取准确率最高的排序模型作为所述应用程序排序模型。

B13、如B12所述的推送应用程序的装置，其特征在于，所述历史用户的用户行为数据具体为如下任意一种或多种组合：

所述历史用户所处的地域数据、所述历史用户所使用的设备的型号数据、所述历史用户所处的人口属性数据、所述历史用户对所述历史应用程序产生的价值数据、所述历史用户所安装的应用程序数据、所述历史用户的浏览记录数据、所述历史用户对所述安装的应用程序的使用情况数据。

B14、如B12所述的推送应用程序的装置，其特征在于，所述应用程序的特征数据具体为如下任意一种数据或者多种组合：

所述应用程序所适用于用户的年龄段数据、所述应用程序的相似应用程序、用户对所述应用程序的综合评价数据。

B15、如B12所述的推送应用程序的装置，其特征在于，还包括：

测试样本获得模块，用于基于历史用户的用户行为数据和所述历史用户的用户行为数据对应的历史应用程序列表获得测试样本；

测试模块，用于利用所述测试样本分别对所述M个第一排序模型进行测试，得到所述M个第一排序模型的输出结果；

比较结果获得模块，用于将所述M个第一排序模型的输出结果分别与所述测试样本中的用户行为数据对应的历史应用程序列表进行比较，得到M个比较结果；

选取模块，具体用于从所述M个比较结果中选取匹配度最高的排序模型作为所述应用程序排序模型。

B16、如B11所述的推送应用程序的装置，其特征在于，还包括：

性能测试模块，用于采集所述用户的用户行为数据、所述反馈数据、所述目标应用程序列表进行性能测试；

显示模块，用于通过显示界面对性能测试结果进行显示。

B17、如B11所述的推送应用程序的装置，其特征在于，所述生成模块具体包括：

第一获得单元，用于基于所述搜索请求，获得所述搜索请求中的所述用户的用户行为数据；

第二获得单元，用于基于所述用户的用户行为数据，获得与所述用户的用户行为数据对应的目标推送策略和应用程序排序模型。

B18、如B17所述的推送应用程序的装置，其特征在于，所述执行模块，具体包括：

第一训练单元，用于执行所述目标推送策略，将所述用户的用户行为数据输入所述应用程序排序模型，获得所述用户的用户行为数据对应的目标应用程序列表；

推送单元，用于将所述目标应用程序列表推送给所述用户。

B19、如B11所述的推送应用程序的装置，其特征在于，所述更新模块，具体包括：

新的训练样本获取单元，用于将所述反馈数据和历史数据信息作为新的训练样本；

第二训练单元，用于将所述新的训练样本输入M个机器学习模型中，获得M个第二排序模型；

第二选取单元，用于从所述M个第二排序模型中选取准确率最高的排序模型作为更新后的应用程序排序模型。

B20、如B19所述的推送应用程序的装置，其特征在于，还包括：

第三接收模块，用于接收其他用户的搜索请求，并基于所述其他用户的搜索请求得到对应的配置文件；其中，所述其他用户对应的配置文件中包含对应的目标推送策略和所述应用程序排序模型；

第二执行模块，用于将所述更新后的应用程序排序模型更新到内存中之后，执行所述其他用户对应的目标推送策略，直接利用所述更新后的应用程序排序模型获得推送给所述其他用户的目标应用程序列表。

C21、一种计算机设备，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程序时实现如A1-A10中任一所述的方法步骤。

D22、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A1-A10中任一所述的方法步骤。

Claims (10)

1.一种推送应用程序的方法，其特征在于，包括：

接收用户发送的搜索请求；

基于所述搜索请求生成对应的配置文件；所述配置文件中包含有目标推送策略和应用程序排序模型；

执行所述目标推送策略，利用所述应用程序排序模型获得推送给用户的目标应用程序列表；

接收所述用户针对所述目标应用程序列表的反馈数据；

基于所述反馈数据和历史数据信息更新所述应用程序排序模型，所述历史数据信息具体包括历史用户的用户行为数据和历史应用程序的特征数据。

2.如权利要求1所述的方法，其特征在于，在接收用户发送的搜索请求之前，还包括：

获取所述历史用户的用户行为数据；

获取所述历史应用程序的特征数据；

基于所述历史用户的用户行为数据和所述历史应用程序的特征数据，采用预设算法，获得所述历史用户的用户行为数据对应的历史应用程序列表；

基于历史用户的用户行为数据和所述历史用户的用户行为数据对应的历史应用程序列表获得训练样本；

将所述训练样本输入M个机器学习模型中进行训练，获得M个第一排序模型；

从所述M个第一排序模型中获取准确率最高的排序模型作为所述应用程序排序模型。

3.如权利要求2所述的方法，其特征在于，所述历史用户的用户行为数据具体为如下任意一种或多种组合：

所述历史用户所处的地域数据、所述历史用户所使用的设备的型号数据、所述历史用户所处的人口属性数据、所述历史用户对所述历史应用程序产生的价值数据、所述历史用户所安装的应用程序数据、所述历史用户的浏览记录数据、所述历史用户对所述安装的应用程序的使用情况数据。

4.如权利要求2所述的方法，其特征在于，所述应用程序的特征数据具体为如下任意一种数据或者多种组合：

所述应用程序所适用于用户的年龄段数据、所述应用程序的相似应用程序、用户对所述应用程序的综合评价数据。

5.如权利要求2所述的方法，其特征在于，所述将所述训练样本输入M个机器学习模型中进行训练，获得M个第一排序模型之后，还包括：

基于历史用户的用户行为数据和所述历史用户的用户行为数据对应的历史应用程序列表获得测试样本；

利用所述测试样本分别对所述M个第一排序模型进行测试，得到所述M个第一排序模型的输出结果；

将所述M个第一排序模型的输出结果分别与所述测试样本中的用户行为数据对应的历史应用程序列表进行比较，得到M个比较结果；

所述从所述M个第一排序模型中获取准确率最高的排序模型作为所述应用程序排序模型，具体包括：

从所述M个比较结果中选取匹配度最高的排序模型作为所述应用程序排序模型。

6.如权利要求1所述的方法，其特征在于，在接收所述用户针对所述目标应用程序列表的反馈数据之后，还包括：

采集所述用户的用户行为数据、所述反馈数据、所述目标应用程序列表进行性能测试；

通过显示界面对性能测试结果进行显示。

7.如权利要求1所述的方法，其特征在于，所述基于所述搜索请求生成对应的配置文件，具体包括：

基于所述搜索请求，获得所述搜索请求中的所述用户的用户行为数据；

基于所述用户的用户行为数据，获得与所述用户的用户行为数据对应的目标推送策略和应用程序排序模型。

8.一种推送应用程序的装置，其特征在于，包括：

第一接收模块，用于接收用户发送的搜索请求；

生成模块，用于基于所述搜索请求生成对应的配置文件；所述配置文件中包含有目标推送策略和应用程序排序模型；

第一执行模块，用于执行所述目标推送策略，利用所述应用程序排序模型获得推送给用户的目标应用程序列表；

第二接收模块，用于接收所述用户针对所述目标应用程序列表的反馈数据；

更新模块，用于基于所述反馈数据和历史数据信息更新所述应用程序排序模型，所述历史数据信息具体包括历史用户的用户行为数据和历史应用程序的特征数据。

9.一种计算机设备，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程序时实现如权利要求1-7中任一权利要求所述的方法步骤。

10.一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中任一权利要求所述的方法步骤。