CN110083769B - 一种面向用户偏好演化的移动应用推荐方法 - Google Patents

一种面向用户偏好演化的移动应用推荐方法 Download PDF

Info

Publication number
CN110083769B
CN110083769B CN201910354445.2A CN201910354445A CN110083769B CN 110083769 B CN110083769 B CN 110083769B CN 201910354445 A CN201910354445 A CN 201910354445A CN 110083769 B CN110083769 B CN 110083769B
Authority
CN
China
Prior art keywords
user
mobile application
mobile
application
model
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.)
Expired - Fee Related
Application number
CN201910354445.2A
Other languages
English (en)
Other versions
CN110083769A (zh
Inventor
郭斌
李慧慧
於志文
王柱
梁韵基
王亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201910354445.2A priority Critical patent/CN110083769B/zh
Publication of CN110083769A publication Critical patent/CN110083769A/zh
Application granted granted Critical
Publication of CN110083769B publication Critical patent/CN110083769B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

发明的一种面向用户偏好演化的移动应用推荐方法，首先从在线应用商店中获取移动应用的相关数据，构建线性模型获得关于用户与未安装移动应用的评分矩阵；然后针对用户偏好随时间演化过程，建立用户偏好随时间变化的LSTM模型；然后基于用户与移动应用的复杂交互构建DNN模型；最后基于建立的深度广度框架的移动应用推荐模型，预测用户对移动应用的评分。本发明可以更加全面地利用智能手机使用数据提供给用户安装移动应用的建议，进一步地为应用商店平台给用户精准推荐移动应用提供辅助决策。

Description

一种面向用户偏好演化的移动应用推荐方法
技术领域
本发明涉及移动应用数据分析领域，特别是涉及一种面向用户偏好演化的移动应用推荐方法。
背景技术
近年来，随着移动应用的发展，移动应用的种类和数量越来越多。移动应用逐渐改变了人们的生活方式，为人们提供了许多便捷的服务。随着移动APP数量的快速增长，人们也迫切需要以一种智能化和自动化的方式在正确的时间向需要的用户推荐合适的应用。在应用市场中，人们通常可以找到应用基本信息，包括APP描述，下载量，评分，评论以及一些关于短视频的介绍信息。但是这些信息是静态的，并且要求用户在市场上手动查看。因此，寻找适合安装的应用是一项非常重要的任务。
发明内容
针对以上缺陷，本发明提供一种面向用户偏好演化的移动应用推荐方法，用于提供给用户安装移动应用的建议。
本发明的技术方案为：一种面向用户偏好演化的移动应用推荐方法，包括以下步骤：
S1：获取移动应用的数据，构建线性模型，获得关于用户与未安装移动应用的评分矩阵，得到用户对移动应用的一般偏好；
S2：将过往的移动应用用户使用数据获取用户t时刻对应用的使用兴趣，使用LSTM模型刻画用户偏好随时间变化的过程；
S3：将LSTM的输出结果输入到DNN模型中，基于用户与移动应用的复杂交互构建DNN模型，获取深度部分用户当前时刻对移动应用的使用兴趣得分；
S4：结合S1的评分矩阵和S3的使用兴趣得分，构建移动应用推荐模型；
S5：基于建立的模型，预测用户对移动应用的评分，为用户推荐评分高的移动应用。
进一步的，一种面向用户偏好演化的移动应用推荐方法，所述移动应用的数据包括：应用名称、应用类别、应用标签；所述用户使用数据，包括用户名称，移动应用程序名称，在无线网络下移动应用的使用时间以及蜂窝网络下移动应用的使用时间。
进一步的，一种面向用户偏好演化的移动应用推荐方法，获取所有移动应用的类别和标签数据，构成App-Label矩阵；对于每个用户，将该用户的App-Label矩阵输入到线性模型中，得到该用户的User-App评分矩阵；将所述User-App评分矩阵中将该用户已安装的移动应用移除，得到关于用户与未安装移动应用的评分矩阵R，该评分矩阵将作为显示特征反馈指导深度部分的结果输出，防止深度部分模型过拟合。
进一步的，一种面向用户偏好演化的移动应用推荐方法，S2中将用户数据以隐式反馈方式处理为输入特征，表示用户t时刻对应用的使用兴趣。
进一步的，一种面向用户偏好演化的移动应用推荐方法，所述S2使用LSTM模型刻画用户偏好随时间变化的过程，包括：将数据整理成四元组<用户名，移动应用名称，无线网络使用时间，蜂窝网络使用时间＞的格式。
进一步的，一种面向用户偏好演化的移动应用推荐方法，所述S2中，使用LSTM模型对使用数据进行处理，输出当前时刻用户对应用的使用兴趣的向量表示；
具体过程公式如下：
Figure BDA0002044952010000031
it＝σ(Wiht-1+Vixt+bi)
ot＝σ(W0ht-1+V0xt+b0)
ft＝σ(Wfht-1+Vfxt+bf)
Figure BDA0002044952010000032
Figure BDA0002044952010000038
Figure BDA0002044952010000033
[c1,h1]＝LSTM(Tk-s,c0,h0)   (3)
…
[cs-1,hs-1]＝LSTM(Tk-1,cs-2,hs-2)   (4)
Tk＝φn(WThs-1+bT)   (5)
其中，ht和ct表示隐层状态，
Figure BDA0002044952010000034
和
Figure BDA0002044952010000035
表示从上一LSTM单元
Figure BDA0002044952010000037
到下一LSTM单元的权重矩阵；dx和ds分别表示输入向量和隐层状态的维度；
Figure BDA0002044952010000036
为偏置向量；σ(·)和φ(·)表示sigmoid和tanh函数；it,ot,和ft表示输入门，输出门和忘记门；为了方便，我们将公式2记为[ct,ht]＝LSTM(*,ct-1,ht-1)。
进一步的，一种面向用户偏好演化的移动应用推荐方法，所述S3中获取深度部分用户当前时刻对移动应用的使用兴趣得分，具体过程公式如下：
Z1＝φ1(W1[Ui；Ij；Tk]+b1)   (6)
…
Zn＝φn(WLZn-1+bL)   (7)
xi,j,k＝WoZn+bo   (8)
其中，U，I和T表示用户，移动应用和时间的嵌入向量；n表示隐层的层数，Zl层中的φl,Wl和bl对应表示DNN层使用的激活函数(ReLU或tanh函数)，权重矩阵和偏置向量。
本发明的有益效果为：本发明的一种面向用户偏好演化的移动应用推荐方法，首先从在线应用商店中获取移动应用的相关数据，构建线性模型获得关于用户与未安装移动应用的评分矩阵；然后针对用户偏好随时间演化过程，建立用户偏好随时间变化的LSTM模型；然后基于用户与移动应用的复杂交互构建DNN模型；最后基于建立的深度广度框架的移动应用推荐模型，预测用户对移动应用的评分。本发明可以更加全面地利用智能手机使用数据提供给用户安装移动应用的建议，进一步地为应用商店平台给用户精准推荐移动应用提供辅助决策。
附图说明
图1为本发明实施例提供的一种面向用户偏好演化的移动应用推荐方法的流程图。
具体实施方式
下面结合附图来进一步描述本发明的技术方案：如图1所示，一种面向用户偏好演化的移动应用推荐方法包括以下步骤：
S1：获取移动应用的数据，构建线性模型，获得关于用户与未安装移动应用的评分矩阵，得到用户对移动应用的一般偏好；所述移动应用的数据包括：应用名称、应用类别、应用标签。
从应用商店中爬取包含238206移动应用的集合内的所有移动应用的类别和标签数据，移动应用有15个类别特征{影音播放，系统工具，通讯社交，手机美化，新闻阅读，摄影图像，考试学习，网上购物，金融理财，生活休闲，旅游出行，健康运动，办公商务，育儿亲子}，每个类别包含5-8个标签特征，我们将移动应用和这些特征构成App-Label矩阵。对于每个用户，将该用户的App-Label矩阵输入到线性模型中，得到该用户的User-App评分矩阵。
S2：将过往的移动应用用户使用数据获取用户t时刻对应用的使用兴趣，使用LSTM模型刻画用户偏好随时间变化的过程；所述用户使用数据，包括用户名称，移动应用程序名称，在无线网络下移动应用的使用时间以及蜂窝网络下移动应用的使用时间。
具体为：获取所有移动应用的类别和标签数据，构成App-Label矩阵；对于每个用户，将该用户的App-Label矩阵输入到线性模型中，得到该用户的User-App评分矩阵；将所述User-App评分矩阵中将该用户已安装的移动应用移除，得到关于用户与未安装移动应用的评分矩阵R，该评分矩阵将作为显示特征反馈指导深度部分的结果输出，防止深度部分模型过拟合。
在此步中将用户数据以隐式反馈方式处理为输入特征，表示用户t时刻对应用的使用兴趣。
使用LSTM模型刻画用户偏好随时间变化的过程，包括：将数据整理成四元组<用户名，移动应用名称，无线网络使用时间，蜂窝网络使用时间＞的格式。
使用LSTM模型对使用数据进行处理，输出当前时刻用户对应用的使用兴趣的向量表示；
具体过程公式如下：
Figure BDA0002044952010000061
it＝σ(Wiht-1+Vixt+bi)
ot＝σ(W0ht-1+V0xt+b0)
ft＝σ(Wfht-1+Vfxt+bf)
Figure BDA0002044952010000062
Figure BDA0002044952010000068
Figure BDA0002044952010000063
[c1,h1]＝LSTM(Tk-s,c0,h0)   (3)
…
[cs-1,hs-1]＝LSTM(Tk-1,cs-2,hs-2)   (4)
Tk＝φn(WThs-1+bT)   (5)
其中，ht和ct表示隐层状态，
Figure BDA0002044952010000064
和
Figure BDA0002044952010000065
表示从上一LSTM单元
Figure BDA0002044952010000066
到下一LSTM单元的权重矩阵；dx和ds分别表示输入向量和隐层状态的维度；
Figure BDA0002044952010000067
为偏置向量；σ(·)和φ(·)表示sigmoid和tanh函数；it,ot,和ft表示输入门，输出门和忘记门；为了方便，我们将公式2记为[ct,ht]＝LSTM(*,ct-1,ht-1)。
S3：将LSTM的输出结果输入到DNN模型中，基于用户与移动应用的复杂交互构建DNN模型，获取深度部分用户当前时刻对移动应用的使用兴趣得分；
获取深度部分用户当前时刻对移动应用的使用兴趣得分，具体过程公式如下：
Z1＝φ1(W1[Ui；Ij；Tk]+b1)   (6)
…
Zn＝φn(WLZn-1+bL)   (7)
xi,j,k＝WoZn+bo   (8)
其中，U，I和T表示用户，移动应用和时间的嵌入向量；n表示隐层的层数，Zl层中的φl,Wl和bl对应表示DNN层使用的激活函数(ReLU或tanh函数)，权重矩阵和偏置向量。
S4：结合S1的评分矩阵和S3的使用兴趣得分，构建移动应用推荐模型；
S5：基于建立的模型，预测用户对移动应用的评分，为用户推荐评分高的移动应用。

Claims (7)

1.一种面向用户偏好演化的移动应用推荐方法，其特征在于：包括以下步骤：
S1：获取移动应用的数据，构建线性模型，获得关于用户与未安装移动应用的评分矩阵，得到用户对移动应用的一般偏好；
S2：将过往的移动应用用户使用数据获取用户t时刻对应用的使用兴趣，使用LSTM模型刻画用户偏好随时间变化的过程；
S3：将LSTM的输出结果输入到DNN模型中，基于用户与移动应用的复杂交互构建DNN模型，获取深度部分用户当前时刻对移动应用的使用兴趣得分；
S4：结合S1的评分矩阵和S3的使用兴趣得分，构建移动应用推荐模型；
S5：基于建立的模型，预测用户对移动应用的评分，为用户推荐评分高的移动应用。
2.根据权利要求1所述的一种面向用户偏好演化的移动应用推荐方法，其特征在于：所述移动应用的数据包括：应用名称、应用类别、应用标签；
所述用户使用数据，包括用户名称，移动应用程序名称，在无线网络下移动应用的使用时间以及蜂窝网络下移动应用的使用时间。
3.根据权利要求1所述的一种面向用户偏好演化的移动应用推荐方法，其特征在于：获取所有移动应用的类别和标签数据，构成App-Label矩阵；对于每个用户，将该用户的App-Label矩阵输入到线性模型中，得到该用户的User-App评分矩阵；
将所述User-App评分矩阵中将该用户已安装的移动应用移除，得到关于用户与未安装移动应用的评分矩阵R，该评分矩阵将作为显示特征反馈指导深度部分的结果输出，防止深度部分模型过拟合。
4.根据权利要求1所述的一种面向用户偏好演化的移动应用推荐方法，其特征在于：S2中将用户数据以隐式反馈方式处理为输入特征，表示用户t时刻对应用的使用兴趣。
5.根据权利要求1-2所述的一种面向用户偏好演化的移动应用推荐方法，其特征在于：所述S2使用LSTM模型刻画用户偏好随时间变化的过程，包括：将数据整理成四元组<用户名，移动应用名称，无线网络使用时间，蜂窝网络使用时间＞的格式。
6.根据权利要求1所述的一种面向用户偏好演化的移动应用推荐方法，其特征在于：所述S2中，使用LSTM模型对使用数据进行处理，输出当前时刻用户对应用的使用兴趣的向量表示；
具体过程公式如下：
Figure FDA0002044950000000021
it＝σ(Wiht-1+Vixt+bi)
ot＝σ(W0ht-1+V0xt+b0)
ft＝σ(Wfht-1+Vfxt+bf)
Figure FDA0002044950000000022
Figure FDA0002044950000000023
Figure FDA0002044950000000024
[c1,h1]＝LSTM(Tk-s,c0,h0)    (3)
…
[cs-1,hs-1]＝LSTM(Tk-1,cs-2,hs-2)    (4)
Tk＝φn(WThs-1+bT)                  (5)
其中，ht和ct表示隐层状态，
Figure FDA0002044950000000031
和
Figure FDA0002044950000000032
表示从上一LSTM单元
Figure FDA0002044950000000033
到下一LSTM单元的权重矩阵；dx和ds分别表示输入向量和隐层状态的维度；
Figure FDA0002044950000000034
为偏置向量；σ(·)和φ(·)表示sigmoid和tanh函数；it,ot,和ft表示输入门，输出门和忘记门；为了方便，我们将公式2记为[ct,ht]＝LSTM(*,ct-1,ht-1)。
7.根据权利要求1所述的一种面向用户偏好演化的移动应用推荐方法，其特征在于：所述S3中获取深度部分用户当前时刻对移动应用的使用兴趣得分，具体过程公式如下：
Z1＝φ1(W1[Ui；Ij；Tk]+b1)    (6)
…
Zn＝φn(WLZn-1+bL)            (7)
xi,j,k＝WoZn+bo               (8)
其中，U，I和T表示用户，移动应用和时间的嵌入向量；n表示隐层的层数，Zl层中的φl,Wl和bl对应表示DNN层使用的激活函数(ReLU或tanh函数)，权重矩阵和偏置向量。
CN201910354445.2A 2019-04-29 2019-04-29 一种面向用户偏好演化的移动应用推荐方法 Expired - Fee Related CN110083769B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910354445.2A CN110083769B (zh) 2019-04-29 2019-04-29 一种面向用户偏好演化的移动应用推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910354445.2A CN110083769B (zh) 2019-04-29 2019-04-29 一种面向用户偏好演化的移动应用推荐方法

Publications (2)

Publication Number Publication Date
CN110083769A CN110083769A (zh) 2019-08-02
CN110083769B true CN110083769B (zh) 2023-04-18

Family

ID=67417688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910354445.2A Expired - Fee Related CN110083769B (zh) 2019-04-29 2019-04-29 一种面向用户偏好演化的移动应用推荐方法

Country Status (1)

Country Link
CN (1) CN110083769B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753145A (zh) * 2020-06-10 2020-10-09 西北工业大学 一种基于时序模式的移动应用使用预测方法
CN112818146B (zh) * 2021-01-26 2022-12-02 山西三友和智慧信息技术股份有限公司 一种基于产品图像风格的推荐方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016191959A1 (zh) * 2015-05-29 2016-12-08 深圳市汇游智慧旅游网络有限公司 一种时变的协同过滤推荐方法
CN107832426A (zh) * 2017-11-13 2018-03-23 上海交通大学 一种基于使用序列上下文的app推荐方法及系统
CN108334638A (zh) * 2018-03-20 2018-07-27 桂林电子科技大学 基于长短期记忆神经网络与兴趣迁移的项目评分预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016191959A1 (zh) * 2015-05-29 2016-12-08 深圳市汇游智慧旅游网络有限公司 一种时变的协同过滤推荐方法
CN107832426A (zh) * 2017-11-13 2018-03-23 上海交通大学 一种基于使用序列上下文的app推荐方法及系统
CN108334638A (zh) * 2018-03-20 2018-07-27 桂林电子科技大学 基于长短期记忆神经网络与兴趣迁移的项目评分预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
应用商城中用户年龄的推断及在推荐中的应用;李佳琪等;《计算机科学与探索》;20180402(第11期);全文 *

Also Published As

Publication number Publication date
CN110083769A (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
CN109547814B (zh) 视频推荐方法、装置、服务器及存储介质
CN111241311B (zh) 媒体信息推荐方法、装置、电子设备及存储介质
CN108648049B (zh) 一种基于用户行为区别建模的序列推荐方法
US9270778B1 (en) Matching users based on behavior in a social network
CN102103634A (zh) 信息处理设备和方法
US20130304732A1 (en) Information processing apparatus, information processing method, and program
Bi et al. International tourism demand forecasting with machine learning models: The power of the number of lagged inputs
CN110083769B (zh) 一种面向用户偏好演化的移动应用推荐方法
Žitnik et al. Gene network inference by fusing data from diverse distributions
CN113742567B (zh) 一种多媒体资源的推荐方法、装置、电子设备及存储介质
US20200342409A1 (en) Method, apparatus, and system for providing a distance metric for skill or feature data of a talent platform
US11783436B2 (en) Magellan: a context-aware itinerary recommendation system built only using card-transaction data
CN112528164A (zh) 一种用户协同过滤召回方法及装置
Voges et al. Exploitation of surrogate variables in random forests for unbiased analysis of mutual impact and importance of features
CN112464106B (zh) 对象推荐方法及装置
CN113780516A (zh) 物品文案生成网络训练方法、物品文案生成方法、装置
Sato et al. Context style explanation for recommender systems
CN113836388A (zh) 信息推荐方法、装置、服务器及存储介质
CN116610872A (zh) 新闻推荐模型的训练方法及装置
Zhang et al. Integrative analysis of multiple case-control studies
Podusenko et al. AIDA: an active inference-based design agent for audio processing algorithms
CN115186179A (zh) 保险产品推送方法和装置
Jazić et al. Estimation and inference for semi-competing risks based on data from a nested case-control study
CN113496236B (zh) 用户标签信息确定方法、装置、设备和存储介质
Seebauer et al. Willingness to use advanced traveler information systems in Austria

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20230418