CN109815097A - 基于智能决策的应用程序功能操作推荐方法及系统 - Google Patents

Abstract

一种基于智能决策的应用程序功能操作推荐方法，所述应用程序包括多个功能操作，所述方法包括以下步骤：根据所述应用程序内历史用户的浏览数据，计算所述应用程序内所有功能操作之间的关联程度；及根据当前用户的当前操作，推荐与当前功能操作关联程度最高的功能操作。本发明还提供了基于智能决策的应用程序功能操作推荐系统、计算机设备及计算机可读存储介质。本发明实施例可以智能预测用户当前动机并在用户自己手动操作之前就给出下一步的操作指引，将极大提高操作效率，进而提升用户体验。

Description

基于智能决策的应用程序功能操作推荐方法及系统

技术领域

本发明实施例涉及智能决策领域，尤其涉及一种基于智能决策的应用程序功能操作推荐方法、系统、计算机设备及计算机可读存储介质。

背景技术

随着移动通信技术的飞速发展和移动多媒体时代的到来，手机作为人们必备的移动通信工具，已从简单的通话工具向智能化发展，演变成一个移动的个人信息收集和处理平台。借助操作系统和丰富的应用软件，智能手机成了一台移动终端。

当前，在日常使用的应用程序中，对于有相互关联的功能操作，仍然需要用户一步步的手动操作，从而导致操作效率不高，影响用户体验。

发明内容

有鉴于此，本发明实施例的目的是提供一种基于智能决策的应用程序功能操作推荐方法、系统、计算机设备及计算机可读存储介质，可以智能预测用户当前动机并在用户自己手动操作之前就给出下一步的操作指引，将极大提高操作效率，进而提升用户体验。

为实现上述目的，本发明实施例提供了一种基于智能决策的应用程序功能操作推荐方法，所述应用程序包括多个功能操作，所述基于智能决策的应用程序功能操作推荐方法包括以下步骤：

根据所述应用程序内历史用户的浏览数据，计算所述应用程序内所有功能操作之间的关联程度；及

根据当前用户的当前操作，推荐与当前功能操作关联程度最高的功能操作。

进一步地，所述应用程序包括符合预设流程的多个功能操作，所述基于智能决策的应用程序功能操作推荐方法还包括以下步骤：

根据当前用户的当前功能操作判断下一步功能操作是否符合预设流程；

若下一步功能操作不符合预设流程，则推荐与当前功能操作关联程度最高的功能操作。

进一步地，所述关联程度是指序列关联指数。

进一步地，根据所述应用程序内历史用户的浏览数据，计算所述应用程序内所有功能操作之间的关联程度的步骤包括：

通过对所述应用程序内历史用户的浏览数据，进行序列关联分析，来计算所述应用程序内所有功能操作之间的序列关联指数。

进一步地，所述应用程序内历史用户的浏览数据是指历史用户在使用所述应用程序时所记录的浏览数据，包括以下信息中的一项或多项：历史用户的唯一识别码、浏览的页面名、点击按钮、页面停留时长、浏览时间。

进一步地，所述序列关联分析包括三个属性：支持度、可信度、期望可信度，所述序列关联指数是指所述支持度。

进一步地，所述序列关联分析包括：

将所述应用程序内历史用户的浏览数据集合作为事务型数据库，在所述事务型数据库中，计算各种页面在所有事务中出现的概率，即所述期望可信度；

对所述事务型数据库进行一次扫描，计算每一个历史用户浏览数据中各种页面的可信度，然后按照可信度降序排列，剔除低于所述期望可信度的历史用户的浏览数据，从而得到符合所述期望可信度的数据；及

在符合所述期望可信度的数据基础上进行第二次扫描获得支持度，即获得所述序列关联指数。

为实现上述目的，本发明实施例还提供了一种基于智能决策的应用程序功能操作推荐系统，所述应用程序包括多个功能操作，其特征在于，所述基于智能决策的应用程序功能操作推荐系统包括：

计算模块，用于根据所述应用程序内历史用户的浏览数据，计算所述应用程序内所有功能操作之间的关联程度；及

推荐模块，用于根据当前用户的当前操作，推荐与当前功能操作关联程度最高的功能操作。

为实现上述目的，本发明实施例还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于智能决策的应用程序功能操作推荐方法的步骤。

为实现上述目的，本发明实施例还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内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如上所述的应用程序的功能操作推荐基于智能决策的应用程序功能操作推荐方法的步骤。

本发明实施例提供的基于智能决策的应用程序功能操作推荐方法、系统、计算机设备及计算机可读存储介质，根据应用程序内历史用户的浏览数据，计算应用程序内所有功能操作之间的关联程度，并推荐与当前功能操作关联程度最高的功能操作，这样就可以智能预测用户当前动机并在用户自己手动操作之前就给出下一步的操作指引，将极大提高操作效率，进而提升用户体验。

附图说明

图1是本发明实例一基于智能决策的应用程序功能操作推荐方法的流程图。

图2是本发明实例中基于智能决策的应用程序功能操作推荐方法中序列关联分析的示例性流程图。

图3是本发明实例二基于智能决策的应用程序功能操作推荐方法的流程图。

图4是本发明实施例三之基于智能决策的应用程序功能操作推荐系统的程序模块示意图。

图5是本发明实施例四之计算机设备的硬件结构示意图。

附图标记

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做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。

实施例一

请参阅图1，为本发明实例一基于智能决策的应用程序功能操作推荐方法的流程图。可以理解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。下面以基于智能决策的应用程序功能操作推荐系统(以下可简称为“推荐系统”)为执行主体进行示例性描述，所述推荐系统可以应用于服务器中，具体如下：

在步骤S100，根据所述应用程序内历史用户的浏览数据，计算所述应用程序内所有功能操作之间的关联程度。

在本发明一实施方式中，所述应用程序内历史用户的浏览数据是指历史用户在使用所述应用程序时所记录的浏览数据，包括以下信息中的一项或多项：历史用户的唯一识别码、浏览的页面名、点击哪个按钮、页面停留时长、浏览的具体时间。

在本发明一实施例中，所述关联程度是指序列关联指数，推荐系统通过对所述应用程序内历史用户的浏览数据，进行序列关联分析，来计算所述应用程序内所有功能操作之间的序列关联指数。

在本发明一具体实施方式中，序列关联分析用于描述在应用程序(APP)中各种功能操作之间同时出现的规律，换言之，通过量化的数字描述一个功能操作的出现对另一个功能操作的出现有多大的影响。所述序列关联分析包括三个属性：支持度、可信度、期望可信度，所述序列关联指数是指所述支持度。下面分别介绍这三个属性：

(1)支持度(support)：指A和B两个事务集的并集C在所有的事物中出现的概率有多大，用数学去解释就是，设事务H中有s％的事务同时支持事务集A和B，s％称为{A，B}的支持度，即:

support({A,B})＝num(A∪B)/W＝P(A∩B)

其中，num(A∪B)表示含有事务集{A,B}的事务集的个数，不是数学中的并集。

(2)可信度(confidence)：指在出现了事务集A的事务H中，事务集B也同时出现的概率有多大，亦即，可信度(confidence)揭示了A出现时B是否一定出现，如果出现，则出现的概率是多大；如果A->B的可信度是100％，则说明A出现时B一定会出现(返回来不一定)。

用公式表示是，事务A->B的可信度＝事务{A,B}的支持度/事务{A}的支持度：

Confidence(A->B)＝support({A,B})/support({A})＝P(B|A)；

(3)期望可信度(Expected confidence)：在没有任何条件影响时，事务B在所有事物中出现的概率有多大。用公式表示是，事务A对事务B的期望可信度＝事务B的支持度：support(B)＝P(B)。

请同时参阅图2，是本发明实例中基于智能决策的应用程序功能操作推荐方法中序列关联分析的示例性流程图。所述序列关联分析包括：

在步骤S200，将所述应用程序内历史用户的浏览数据集合作为事务型数据库，在所述事务型数据库中，计算各种页面在所有事务中出现的概率，即所述期望可信度。

在步骤S202，对所述事务型数据库进行一次扫描，计算每一个历史用户浏览数据中各种页面的可信度，然后按照可信度降序排列，剔除低于所述期望可信度的历史用户的浏览数据，从而得到符合所述期望可信度的数据。

在步骤S204，在符合所述期望可信度的数据基础上进行第二次扫描获得支持度，即获得所述序列关联指数。举例而言，第一条记录事务(A，B，C，D，E)与第二条记录事务(A，B，C，F，H)有相同的链条(A，B，C)，因此(A，B，C)的支持度加一，依照此法可根据支持度的高低得到用户常用的浏览行为链条。本案中序列关联指数是指支持度，主要就是当前一种事务的出现对另一种事务的影响，从而推测用户下一步所需。

在本发明一具体实施方式中，假如：用户在创保网APP中“提现”这一功能操作后，在3分钟的时间内大约有80％的用户会手动切换至“增加投保”这一功能操作，即说明“提现”与“增加投保”的关联程度最高(序列关联指数最高)，为80％，假设系统通过对创保网APP中用户选择提现的浏览行为数据进行序列关联分析，具体过程为：(1)将用户的浏览行为数据集合作为事务型数据库，在事务型数据库中，计算“提现”和“增加投保”在所有事务中出现的概率，即期望可信度；(2)对该事务型数据库进行一次扫描，计算每一个用户浏览记录中“提现”和“增加投保”的可信度，然后按照可信度降序排列，剔除那些低于期望可信度的用户浏览数据，从而得到符合期望可信度的数据；(3)在筛选出的数据基础上进行第二次扫描获得“提现”对“增加投保”的支持度。每次“提现”和“增加投保”同时出现，则支持度加一，依照此法可根据支持度的高低得到用户常用的浏览行为链条。本方案中序列关联指数是指支持度，主要就是“提现”的出现对“增加投保”的影响，从而推测用户下一步所需。

请再次回到图1，在步骤S102，根据当前用户的当前操作，推荐与当前功能操作关联程度最高的功能操作。

在本发明一具体实施方式中，假定，通过图2中序列关联分析可知，用户在创保网APP中“提现”这一功能操作后，在3分钟的时间内大约有80％的用户会手动切换至“增加投保”这一功能操作，即说明“提现”与“增加投保”的关联程度最高(序列关联指数最高)，为80％，基于此，当用户进行“提现”这一功能操作时，推荐系统自动推荐“增加投保”这一功能按钮，示例性的具体做法可以是，可以直接在“提现页面”增加“投保入口”按钮。

在本发明另一具体实施方式中，假定，通过图2中序列关联分析可知，用户在选择“二次投保”这一功能操作后，在3分钟的时间内大约有95％的用户会需要手动“调出第一次投保的客户列表信息页”，即说明“二次投保”与“调出第一次投保的客户列表信息页”的关联程度最高，为95％，基于此，当用户进行“二次投保”这一功能操作时，推荐系统自动推荐“调出第一次投保的客户列表信息页”这一功能按钮。

在本发明又一具体实施方式中，假定，通过图2中序列关联分析可知，用户在某个APP的圈子中准备发表帖子时，在输入帖子标题后，大约有95％的用户会需要手动“根据帖子标题搜索相关帖子”，看看是否有解答用户，如果没有解答用户，再发布帖子；基于此，用户在该APP的圈子中准备发表帖子时，在输入帖子标题后，推荐系统会自动“根据帖子标题搜索相关帖子”。

在本发明又一具体实施方式中，假定，通过图2中序列关联分析可知，用户在使用截图APP进行截图操作时，大约有95％的用户会需要手动“调出分享入口”；基于此，用户在使用截图APP进行截图操作时，推荐系统会自动“调出分享入口”。

请参阅图3，为本发明实例二基于智能决策的应用程序功能操作推荐方法的流程图。可以理解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。下面以基于智能决策的应用程序功能操作推荐系统(以下可简称为“推荐系统”)为执行主体进行示例性描述，所述推荐系统可以应用于服务器中，具体如下：

在步骤S300，根据应用程序内历史用户的浏览数据，计算应用程序内所有功能操作之间的关联程度。

在本发明一实施例中，所述应用程序内历史用户的浏览数据是指历史用户在使用所述应用程序时所记录的浏览数据，包括以下信息中的一项或多项：历史用户的唯一识别码、浏览的页面名、点击哪个按钮、页面停留时长、浏览的具体时间。

在本发明一实施例中，所述关联程度是指序列关联指数，基于智能决策的应用程序功能操作推荐系统通过对所述应用程序内历史用户的浏览数据，进行序列关联分析，来计算所述应用程序内所有功能操作之间的序列关联指数。

在本发明一具体实施方式中，序列关联分析用于描述在APP中各种功能操作之间同时出现的规律，换言之，通过量化的数字描述一个功能操作的出现对另一个功能操作的出现有多大的影响。所述序列关联分析包括三个属性：支持度、可信度、期望可信度，所述序列关联指数是指所述支持度。下面分别介绍这三个属性：

(1)支持度(support)：指A和B两个事务集的并集C在所有的事物中出现的概率有多大，用数学去解释就是，设事务H中有s％的事务同时支持事务集A和B，s％称为{A，B}的支持度，即:

support({A,B})＝num(A∪B)/W＝P(A∩B)

其中，num(A∪B)表示含有事务集{A,B}的事务集的个数，不是数学中的并集。

(2)可信度(confidence)：指在出现了事务集A的事务H中，事务集B也同时出现的概率有多大，亦即，可信度(confidence)揭示了A出现时B是否一定出现，如果出现，则出现的概率是多大；如果A->B的可信度是100％，则说明A出现时B一定会出现(返回来不一定)。

用公式表示是，事务A->B的可信度＝事务{A,B}的支持度/事务{A}的支持度：

Confidence(A->B)＝support({A,B})/support({A})＝P(B|A)；

(3)期望可信度(Expected confidence)：在没有任何条件影响时，事务B在所有事物中出现的概率有多大。用公式表示是，事务A对事务B的期望可信度＝事务B的支持度：support(B)＝P(B)。

请同时参阅图2，是本发明实例中基于智能决策的应用程序功能操作推荐方法中序列关联分析的示例性流程图。所述序列关联分析包括：

在步骤S200，将所述应用程序内历史用户的浏览数据集合作为事务型数据库，在所述事务型数据库中，计算各种页面在所有事务中出现的概率，即所述期望可信度。

在步骤S202，对所述事务型数据库进行一次扫描，计算每一个历史用户浏览数据中各种页面的可信度，然后按照可信度降序排列，剔除低于所述期望可信度的历史用户的浏览数据，从而得到符合所述期望可信度的数据。

在步骤S204，在符合所述期望可信度的数据基础上进行第二次扫描获得支持度，即获得所述序列关联指数。举例而言，第一条记录事务(A，B，C，D，E)与第二条记录事务(A，B，C，F，H)有相同的链条(A，B，C)，因此(A，B，C)的支持度加一，依照此法可根据支持度的高低得到用户常用的浏览行为链条。本案中序列关联指数是指支持度，主要就是当前一种事务的出现对另一种事务的影响，从而推测用户下一步所需。

在本发明一具体实施方式中，假定，符合预设流程的多个功能操作是指在创保网中购买车险，预设流程包括五个步骤，分别为第一步：填写车牌，选择投保城市(选择投保城市对于外地车牌来说为易断点操作，因不知投保城市选择车牌所在地，还是长期车里使用地)；第二步：填写车主信息，车辆信息(车辆信息的选择为易断点操作，车辆信息的选择尤其是排气量易为断点操作)；第三步：车辆报价详情(报价分两大类，交强险和商业险。商业险中有自由选择险种多，专业名词性强，易成为断点操作)；第四步：补充人员信息以及配送方式，查阅特别约定(因是个人信息，流畅性操作)序列规则算法；第5步：支付金额(流畅性操作)。

推荐系统可通过对创保网APP中历史用户购买车险的浏览行为数据，进行序列关联分析，具体过程为：(1)将用户的浏览行为数据集合作为事务型数据库，在事务型数据库中，计算“点击投保城市”和“客服咨询”在所有事务中出现的概率，即期望可信度；(2)对该事务型数据库进行一次扫描，计算每一个用户浏览记录中“点击投保城市”和“客服咨询”的可信度，然后按照可信度降序排列，剔除那些低于期望可信度的用户浏览数据，从而得到符合期望可信度的数据；(3)在筛选出的数据基础上进行第二次扫描获得“点击投保城市”对“客服咨询”的支持度。每次“点击投保城市”和“客服咨询”同时出现，则支持度加一，依照此法可根据支持度的高低得到用户常用的浏览行为链条。本方案中序列关联指数是指支持度，主要就是“点击投保城市”的出现对“客服咨询”的影响，从而推测用户下一步所需。

请再次回到图3，在步骤S302，根据当前用户的当前功能操作判断下一步功能操作是否符合预设流程。

举例而言，在当前用户使用创保网购买车险时，若当前用户的当前功能操作是点击选择投保城市，下一步功能操作应是在城市清单中选择投保城市，可是当前用户却迟迟没有执行下一步功能操作，而是停留当前页面(点击选择投保城市)超过1分钟以上，或者，用户执行的下一步操作是选择退出，则均不符合预设流程；若用户执行的下一步操作是在城市清单中选择投保城市，则该操作符合预设流程。

在步骤S304，若下一步功能操作不符合预设流程，则推荐与当前功能操作关联程度最高的功能操作。

在本发明一具体实施方式中，假定，通过图2中序列关联分析可知，在当前用户使用创保网购买车险时，若当前用户的当前功能操作是点击选择投保城市，下一步功能操作应是在城市清单中选择投保城市，可是当前用户在点击选择投保城市后，在3分钟的时间内大约有51％的用户会进入到客服咨询页面进行投保解答，即说明“点击选择投保城市”与“客服咨询”这两个功能操作之间的关联程度最高，为51％，基于此，当用户“点击选择投保城市”的下一步功能操作不符合预设流程时，推荐与“点击选择投保城市”关联程序最高的功能操作“客户咨询”，具体做法可以是，可以直接在“选择投保城市页面”增加“咨询客服入口”，或者在用户退出时增加弹框提示：“是否需要客服帮助”，便于用户快速进行答疑，增加此步骤的填写效率。

需要说明的是，步骤S302与S304主要针对应用程序包括符合预设流程的多个功能操作的情况，在这种情况下，用户需要按照预设流程进行操作，一般是不需要提醒的，提醒有可能会干扰到用户的正常操作，但是，当用户的下一步操作不符合预设流程时，则需要提醒用户，增加用户的操作效率。

实施例三

请参阅图4，示出了本发明实施例三之基于智能决策的应用程序功能操作推荐系统400(以下可简称为“推荐系统”400)的程序模块示意图。在本实施例中，推荐系统400可应用于服务器中，推荐系统400可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明，并可实现上述基于智能决策的应用程序功能操作推荐方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述基于智能决策的应用程序功能操作推荐方法在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能：

计算模块401，用于根据所述应用程序内历史用户的浏览数据，计算所述应用程序内所有功能操作之间的关联程度。

推荐模块402，用于根据当前用户的当前操作，推荐与当前功能操作关联程度最高的功能操作。

进一步地，所述推荐模块402，还用于根据当前用户的当前功能操作判断下一步功能操作是否符合预设流程，若下一步功能操作不符合预设流程，则推荐与当前功能操作关联程度最高的功能操作。

在本发明一实施例中，所述应用程序内历史用户的浏览数据是指历史用户在使用所述应用程序时所记录的浏览数据，包括以下信息中的一项或多项：历史用户的唯一识别码、浏览的页面名、点击哪个按钮、页面停留时长、浏览的具体时间。

在本发明一实施例中，所述关联程度是指序列关联指数，基于智能决策的应用程序功能操作推荐系统通过对所述应用程序内历史用户的浏览数据，进行序列关联分析，来计算所述应用程序内所有功能操作之间的序列关联指数。

在本发明一具体实施方式中，序列关联分析用于描述在APP中各种功能操作之间同时出现的规律，换言之，通过量化的数字描述一个功能操作的出现对另一个功能操作的出现有多大的影响。所述序列关联分析包括三个属性：支持度、可信度、期望可信度，所述序列关联指数是指所述支持度。下面分别介绍这三个属性：

(1)支持度(support)：指A和B两个事务集的并集C在所有的事物中出现的概率有多大，用数学去解释就是，设事务H中有s％的事务同时支持事务集A和B，s％称为{A，B}的支持度，即:

support({A,B})＝num(A∪B)/W＝P(A∩B)

其中，num(A∪B)表示含有事务集{A,B}的事务集的个数，不是数学中的并集。

(2)可信度(confidence)：指在出现了事务集A的事务H中，事务集B也同时出现的概率有多大，亦即，可信度(confidence)揭示了A出现时B是否一定出现，如果出现，则出现的概率是多大；如果A->B的可信度是100％，则说明A出现时B一定会出现(返回来不一定)。

用公式表示是，事务A->B的可信度＝事务{A,B}的支持度/事务{A}的支持度：

Confidence(A->B)＝support({A,B})/support({A})＝P(B|A)；

(3)期望可信度(Expected confidence)：在没有任何条件影响时，事务B在所有事物中出现的概率有多大。用公式表示是，事务A对事务B的期望可信度＝事务B的支持度：support(B)＝P(B)。

在本发明一实施例中，所述序列关联分析包括：

(1)计算模块401将所述应用程序内历史用户的浏览数据集合作为事务型数据库，在所述事务型数据库中，计算各种页面在所有事务中出现的概率，即所述期望可信度。

(2)计算模块401对所述事务型数据库进行一次扫描，计算每一个历史用户浏览数据中各种页面的可信度，然后按照可信度降序排列，剔除低于所述期望可信度的历史用户的浏览数据，从而得到符合所述期望可信度的数据。

(3)计算模块401在符合所述期望可信度的数据基础上进行第二次扫描获得支持度，即获得所述序列关联指数。举例而言，第一条记录事务(A，B，C，D，E)与第二条记录事务(A，B，C，F，H)有相同的链条(A，B，C)，因此(A，B，C)的支持度加一，依照此法可根据支持度的高低得到用户常用的浏览行为链条。本案中序列关联指数是指支持度，主要就是当前一种事务的出现对另一种事务的影响，从而推测用户下一步所需。

在本发明一具体实施例中，在非流程性操作的应用场景中，假如：用户在创保网APP中“提现”这一功能操作后，在3分钟的时间内大约有80％的用户会手动切换至“增加投保”这一功能操作，即说明“提现”与“增加投保”的关联程度最高(序列关联指数最高)，为80％。计算模块401通过对创保网APP中用户选择提现的浏览行为数据进行序列关联分析，具体过程为：(1)计算模块401将用户的浏览行为数据集合作为事务型数据库，在事务型数据库中，计算“提现”和“增加投保”在所有事务中出现的概率，即期望可信度；(2)计算模块401对该事务型数据库进行一次扫描，计算每一个用户浏览记录中“提现”和“增加投保”的可信度，然后按照可信度降序排列，剔除那些低于期望可信度的用户浏览数据，从而得到符合期望可信度的数据；(3)计算模块401在筛选出的数据基础上进行第二次扫描获得“提现”对“增加投保”的支持度。每次“提现”和“增加投保”同时出现，则支持度加一，依照此法可根据支持度的高低得到用户常用的浏览行为链条。本方案中序列关联指数是指支持度，主要就是“提现”的出现对“增加投保”的影响，从而推测用户下一步所需。

通过以上序列关联分析可知，用户在创保网APP中“提现”这一功能操作后，在3分钟的时间内大约有80％的用户会手动切换至“增加投保”这一功能操作，即说明“提现”与“增加投保”的关联程度最高(序列关联指数最高)，为80％，基于此，当用户进行“提现”这一功能操作时，推荐模块402自动推荐“增加投保”这一功能按钮，示例性的具体做法可以是，可以直接在“提现页面”增加“投保入口”按钮。

在本发明另一具体实施方式中，在全流程性操作的应用场景中，假如：符合预设流程的多个功能操作是指在创保网中购买车险，预设流程包括五个步骤，分别为第一步：填写车牌，选择投保城市(选择投保城市对于外地车牌来说为易断点操作，因不知投保城市选择车牌所在地，还是长期车里使用地)；第二步：填写车主信息，车辆信息(车辆信息的选择为易断点操作，车辆信息的选择尤其是排气量易为断点操作)；第三步：车辆报价详情(报价分两大类，交强险和商业险。商业险中有自由选择险种多，专业名词性强，易成为断点操作)；第四步：补充人员信息以及配送方式，查阅特别约定(因是个人信息，流畅性操作)序列规则算法；第5步：支付金额(流畅性操作)。

计算模块401可通过对创保网APP中历史用户购买车险的浏览行为数据，进行序列关联分析，具体过程为：(1)计算模块401将用户的浏览行为数据集合作为事务型数据库，在事务型数据库中，计算“点击投保城市”和“客服咨询”在所有事务中出现的概率，即期望可信度；(2)计算模块401对该事务型数据库进行一次扫描，计算每一个用户浏览记录中“点击投保城市”和“客服咨询”的可信度，然后按照可信度降序排列，剔除那些低于期望可信度的用户浏览数据，从而得到符合期望可信度的数据；(3)计算模块401在筛选出的数据基础上进行第二次扫描获得“点击投保城市”对“客服咨询”的支持度。每次“点击投保城市”和“客服咨询”同时出现，则支持度加一，依照此法可根据支持度的高低得到用户常用的浏览行为链条。本方案中序列关联指数是指支持度，主要就是“点击投保城市”的出现对“客服咨询”的影响，从而推测用户下一步所需。

所述推荐模块401，还用于根据当前用户的当前功能操作判断下一步功能操作是否符合预设流程。

举例而言，在当前用户使用创保网购买车险时，若当前用户的当前功能操作是点击选择投保城市，下一步功能操作应是在城市清单中选择投保城市，可是当前用户却迟迟没有下一步功能操作，而是停留当前页面(点击选择投保城市)超过1分钟以上，或者，用户执行的下一步操作是选择退出，则均不符合预设流程；若用户执行的下一步操作是在城市清单中选择投保城市，则该操作符合预设流程。

在本发明一具体实施方式中，假定，计算模块401通过序列关联分析可知，在当前用户使用创保网购买车险时，若当前用户的当前功能操作是点击选择投保城市，下一步功能操作应是在城市清单中选择投保城市，可是当前用户在点击选择投保城市后，在3分钟的时间内大约有51％的用户会进入到客服咨询页面进行投保解答，即说明“点击选择投保城市”与“客服咨询”这两个功能操作之间的关联程度最高，为51％，基于此，当用户“点击选择投保城市”的下一步功能操作不符合预设流程时，推荐模块402推荐与“点击选择投保城市”关联程序最高的功能操作“客户咨询”，具体做法可以是，可以直接在“选择投保城市页面”增加“咨询客服入口”，或者在用户退出时增加弹框提示：“是否需要客服帮助”，便于用户快速进行答疑，增加此步骤的填写效率。

实施例四

参阅图5，是本发明实施例四之计算机设备500的硬件架构示意图。在本实施例中，所述计算机设备500是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。如图所示，所述计算机设备500至少包括，但不限于，可通过系统总线相互通信连接存储器501、处理器502、网络接口503、以及基于智能决策的应用程序功能操作推荐系统504。其中：

本实施例中，存储器501至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器501可以是计算机设备500的内部存储单元，例如该计算机设备500的硬盘或内存。在另一些实施例中，存储器501也可以是计算机设备500的外部存储设备，例如该计算机设备500上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器501还可以既包括计算机设备500的内部存储单元也包括其外部存储设备。本实施例中，存储器501通常用于存储安装于计算机设备500的操作系统和各类应用软件，例如基于智能决策的应用程序功能操作推荐系统504的程序代码等。此外，存储器501还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器502在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器502通常用于控制计算机设备500的总体操作。本实施例中，处理器502用于运行存储器501中存储的程序代码或者处理数据，例如运行基于智能决策的应用程序功能操作推荐系统504，以实现实施例一中的基于智能决策的应用程序功能操作推荐方法。

所述网络接口503可包括无线网络接口或有线网络接口，该网络接口503通常用于在所述计算机设备500与其他电子装置之间建立通信连接。例如，所述网络接口503用于通过网络将所述计算机设备500与外部终端相连，在所述计算机设备500与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication，GSM)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。

需要指出的是，图5仅示出了具有部件501-504的计算机设备500，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。

在本实施例中，存储于存储器501中的所述基于智能决策的应用程序功能操作推荐系统504还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器501中，并由一个或多个处理器(本实施例为处理器502)所执行，以完成本发明基于智能决策的应用程序功能操作推荐方法。

实施例五

本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储基于智能决策的应用程序功能操作推荐系统504，被处理器执行时实现本发明之基于智能决策的应用程序功能操作推荐方法。

本发明实施例提供的基于智能决策的应用程序功能操作推荐方法、系统、计算机设备及计算机可读存储介质，根据应用程序内历史用户的浏览数据，计算应用程序内所有功能操作之间的关联程度，并推荐与当前功能操作关联程度最高的功能操作，这样就可以智能预测用户当前动机并在用户自己手动操作之前就给出下一步的操作指引，将极大提高操作效率，进而提升用户体验。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于智能决策的应用程序功能操作推荐方法，所述应用程序包括多个功能操作，其特征在于，所述基于智能决策的应用程序功能操作推荐方法包括以下步骤：

根据所述应用程序内历史用户的浏览数据，计算所述应用程序内所有功能操作之间的关联程度；及

根据当前用户的当前操作，推荐与当前功能操作关联程度最高的功能操作。

2.如权利要求1所述的基于智能决策的应用程序功能操作推荐方法，其特征在于，所述应用程序包括符合预设流程的多个功能操作，所述基于智能决策的应用程序功能操作推荐方法还包括以下步骤：

根据当前用户的当前功能操作判断下一步功能操作是否符合预设流程；

若下一步功能操作不符合预设流程，则推荐与当前功能操作关联程度最高的功能操作。

3.如权利要求1所述的基于智能决策的应用程序功能操作推荐方法，其特征在于，所述关联程度是指序列关联指数。

4.如权利要求3所述的基于智能决策的应用程序功能操作推荐方法，其特征在于，根据所述应用程序内历史用户的浏览数据，计算所述应用程序内所有功能操作之间的关联程度的步骤包括：

通过对所述应用程序内历史用户的浏览数据，进行序列关联分析，来计算所述应用程序内所有功能操作之间的序列关联指数。

5.如权利要求4所述的基于智能决策的应用程序功能操作推荐方法，其特征在于，所述应用程序内历史用户的浏览数据是指历史用户在使用所述应用程序时所记录的浏览数据，包括以下信息中的一项或多项：历史用户的唯一识别码、浏览的页面名、点击按钮、页面停留时长、浏览时间。

6.如权利要求5所述的基于智能决策的应用程序功能操作推荐方法，其特征在于，所述序列关联分析包括三个属性：支持度、可信度、期望可信度，所述序列关联指数是指所述支持度。

7.如权利要求6所述的基于智能决策的应用程序功能操作推荐方法，其特征在于，所述序列关联分析包括：

将所述应用程序内历史用户的浏览数据集合作为事务型数据库，在所述事务型数据库中，计算各种页面在所有事务中出现的概率，即所述期望可信度；

对所述事务型数据库进行一次扫描，计算每一个历史用户浏览数据中各种页面的可信度，然后按照可信度降序排列，剔除低于所述期望可信度的历史用户的浏览数据，从而得到符合所述期望可信度的数据；及

在符合所述期望可信度的数据基础上进行第二次扫描获得支持度，即获得所述序列关联指数。

8.一种基于智能决策的应用程序功能操作推荐系统，所述应用程序包括多个功能操作，其特征在于，所述基于智能决策的应用程序功能操作推荐系统包括：

计算模块，用于根据所述应用程序内历史用户的浏览数据，计算所述应用程序内所有功能操作之间的关联程度；及

推荐模块，用于根据当前用户的当前操作，推荐与当前功能操作关联程度最高的功能操作。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述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权利要求1至7任一项所述的基于智能决策的应用程序功能操作推荐方法的步骤。

10.一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内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如权利要求1-7中任一项所述的应用程序的功能操作推荐基于智能决策的应用程序功能操作推荐方法的步骤。