CN110674020A - App智能推荐方法、装置及计算机可读存储介质 - Google Patents
App智能推荐方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110674020A CN110674020A CN201910831026.3A CN201910831026A CN110674020A CN 110674020 A CN110674020 A CN 110674020A CN 201910831026 A CN201910831026 A CN 201910831026A CN 110674020 A CN110674020 A CN 110674020A
- Authority
- CN
- China
- Prior art keywords
- index set
- app
- intelligent recommendation
- index
- value
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种人工智能技术,揭露了一种APP智能推荐方法,包括:获取用户行为数据集,并将所述用户行为数据集汇编成初始数据集,将所述初始数据集划分为初始指标集和分类集;将所述初始指标集进行去空格、填充缺失值处理及归一化得到标准指标集;根据协方差分析法分析所述标准指标集得到特征指标集;将所述特征指标集和所述分类集输入至预先构建的智能推荐模型中训练;接收用户对APP的需求指令,将所述需求指令输入到所述智能推荐模型中,推荐出符合用户需求的APP。本发明还提出一种APP智能推荐装置以及一种计算机可读存储介质。本发明可以实现精准高效的APP智能推荐功能。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于用户行为记录进行个性化推荐APP的方法、装置及计算机可读存储介质。
背景技术
近年来随着科技的快速发展,多种APP(Application)应用软件如雨后春笋般涌出,如何从多如牛毛的APP中选择满足用户需求的APP已经成为急需解决的问题。目前的技术解决方案较多是基于计数和评分原则的决策树模型或朴素贝叶斯模型,将下载次数最多的APP或评分最高的APP推荐给其他用户,但由于该方法没有考虑到不同用户的实际需求,所以在当今智能化时代,推荐准确率不高,推荐方法也不够智能,未能结合到用户的实际需求给予推荐。
发明内容
本发明提供一种APP智能推荐方法、装置及计算机可读存储介质,其主要目的在于根据用户行为记录而进行个性化推荐APP。
为实现上述目的,本发明提供的一种APP智能推荐方法,包括:
获取用户行为数据集,并将所述用户行为数据集汇编成初始数据集,将所述初始数据集划分为初始指标集和分类集;
将所述初始指标集进行去空格、填充缺失值处理及归一化得到标准指标集;
根据协方差分析法分析所述标准指标集得到特征指标集;
将所述特征指标集和所述分类集输入至预先构建的智能推荐模型中训练得到训练值,判断所述训练值与预设阈值的大小,若所述训练值大于预设阈值,则所述智能推荐模型继续训练,若所述训练值小于预设阈值,则所述智能推荐模型退出训练;
接收用户对APP的需求指令,将所述需求指令输入到所述智能推荐模型中,推荐出符合用户需求的APP。
可选地,所述归一化包括利用下述公式计算归一化后的标准指标集
其中,Xnormal为所述归一化后的指标,X为所述归一化前的指标,Xmax所述初始指标集中数值最大的指标,Xmin为所述初始指标集中数值最小的指标。
可选地,所述根据协方差分析法分析所述标准指标集并最终得到特征指标集,包括:
将所述标准指标集进行矩阵转换后再进行中心化操作得到矩阵指标集;
计算所述矩阵指标集的协方差得到协方差矩阵指标集;
将所述协方差矩阵指标集进行特征分解后,提取指定数量的特征构成特征指标集。
可选地,所述协方差的计算包括:
可选地,所述特征分解包括利用下述公式计算特征分解后的误差:
其中,error表示所述特征分解后的误差,m为所述协方差矩阵指标集内不同指标数,Di表示不同APP对应的协方差矩阵,Dapprox为APP对应的协方差矩阵的相似矩阵。
此外,为实现上述目的,本发明还提供一种APP智能推荐装置,该装置包括存储器和处理器,所述存储器中存储有可在所述处理器上运行的APP智能推荐程序,所述APP智能推荐程序被所述处理器执行时实现如下步骤:
获取用户行为数据集,并将所述用户行为数据集汇编成初始数据集,将所述初始数据集划分为初始指标集和分类集;
将所述初始指标集进行去空格、填充缺失值处理及归一化得到标准指标集;
根据协方差分析法分析所述标准指标集得到特征指标集;
将所述特征指标集和所述分类集输入至预先构建的智能推荐模型中训练得到训练值,判断所述训练值与预设阈值的大小,若所述训练值大于预设阈值,则所述智能推荐模型继续训练,若所述训练值小于预设阈值,则所述智能推荐模型退出训练;
接收用户对APP的需求指令,将所述需求指令输入到所述智能推荐模型中,推荐出符合用户需求的APP。
可选地,所述归一化包括利用下述公式计算归一化后的标准指标集
其中,Xnormal为所述归一化后的指标,X为所述归一化前的指标,Xmax所述初始指标集中数值最大的指标,Xmin为所述初始指标集中数值最小的指标。
可选地,所述根据协方差分析法分析所述标准指标集并最终得到特征指标集,包括:
将所述标准指标集进行矩阵转换后再进行中心化操作得到矩阵指标集;
计算所述矩阵指标集的协方差得到协方差矩阵指标集;
将所述协方差矩阵指标集进行特征分解后,提取指定数量的特征构成特征指标集。
可选地,所述特征分解包括利用下述公式计算特征分解后的误差:
其中,error表示所述特征分解后的误差,m为所述协方差矩阵指标集内不同指标数,Di表示不同APP对应的协方差矩阵,Dapprox为APP对应的协方差矩阵的相似矩阵。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有APP智能推荐程序,所述APP智能推荐程序可被一个或者多个处理器执行,以实现如上所述的APP智能推荐方法的步骤。
一方面,本发明通过获取用户行为数据集,并对所述用户行为数据集进行预处理并进行协方差分析,因此在前期有效的提高了数据的利用效率,另一方面,本发明构建了智能推荐模型训练数据,使得所述智能推荐模型具有更优异的推荐能力。因此本发明提出的APP智能推荐方法、装置及计算机可读存储介质,可以实现精准高效的APP推荐。
附图说明
图1为本发明一实施例提供的APP智能推荐方法的流程示意图;
图2为本发明一实施例提供的APP智能推荐装置的内部结构示意图;
图3为本发明一实施例提供的APP智能推荐装置中APP智能推荐程序的模块示意图。
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
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种APP智能推荐方法。参照图1所示,为本发明一实施例提供的APP智能推荐方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,APP智能推荐方法包括:
S1、获取用户行为数据集并将所述用户行为数据集汇编成初始数据集,将所述初始数据集划分为初始指标集和分类集。
较佳地,所述用户行为数据集是根据用户行为而采集的数据集,所述用户行为包括用户登录各种小程序、网页、公众号等各种行为操作,如用户登录新闻网页,则所述初始数据集包括了所述新闻网页的总点击量、评论量、转发量、该用户的点击量、点赞量等,所述分类集根据所述初始指标集而分成非常感兴趣、比较感兴趣、一般、没有兴趣,而本发明的目的是分析所述用户的行为数据,并最终推荐出合适用户使用习惯的公众号、网页、小程序等app。
优选地,获取用户行为数据集可采取后台记录的方式,如用户在个人手机上进行各种操作时,后台的记录程序依次对用户的操作进行记录,如用户今天在手机上打开A款APP总共32次,其中A款APP今天总共更新文章16篇,通过访问手机的APP下载中心记录A款APP今晚被所有用户下载了1620次等,根据所述可以获取到多种用户行为数据,其中数字32、16等称为指标。
较佳地,所述汇编是将所述用户行为数据集按照所述指标名称统计出一张固定规格的数据集,所述固定规格的数据集称为初始数据集。如A款APP及相关指标、B款APP及相关指标等。
S2、将所述初始指标集进行去空格、填充缺失值处理及归一化得到标准指标集。
由于所获取到的初始指标集含有很多噪点数据,所述噪点数据包括空格、负数等,所述去异常就是根据异常表而遍历所述初始指标集,当所述初始指标集内的指标有符合异常表内的异常数据时则剔除,直至遍历完所述初始指标集完成所述去异常操作。
进一步地,由于在获取初始指标集中会出现获取指标失败的情况,且在上述去异常操作时由于去除了异常数据,从而导致了缺失数据的情况,所述填充缺失值处理是采用填充平均值的方法,填充所述初始指标集中的缺失数据。如体育公众号的初始指标集中缺少评论量,则所述填充缺失值处理是遍历所述初始指标集中所有的评论量并求解出所有评论量的平均值,将所述平均值填充至缺失部位,完成所述填充缺失值处理。
较佳地,所述归一化是将所述初始指标集的指标映射到[0,1]范围内,因为各个指标的量级一般差距很大,如总点击量一定比评论量更高,所以为了缩小因为量级带来的差距,一般所述归一化是必不可少的。优选地,所述归一化的方法为:
其中,Xnormal为所述归一化后的指标,X为所述归一化前的指标,Xmax所述初始指标集中数值最大的指标,Xmin为所述初始指标集中数值最小的指标。
S3、根据协方差分析法分析所述标准指标集得到特征指标集。
较佳地,所述分析是将所述标准指标集进行矩阵转换后再进行中心化操作得到矩阵指标集,计算所述矩阵指标集的协方差得到协方差矩阵指标集,将所述协方差矩阵指标集进行特征分解后,提取指定数量的特征构成特征指标集。
进一步地,所述矩阵转换是将所述标准指标集转换为矩阵形式。如所述标准指标集有描述某一款APP的一组指标为:总点击量0.782、评论量0.311、转发量0.126、用户每天打开该APP的次数为0.0068、点赞量0.472、APP每天的文章字数0.525、所述文章包括的图片及视频数0.012、该APP每天被安装的次数0.098、该APP所占用的内存0.081,则将所述指标转为矩阵形式为[0.782,0.311,0.126,0.068,0.472,0.525,0.012,0.098,0.081]。
较佳地,所述中心化操作是将每个维度的数值与每个维度的均值相减,如所述矩阵形式为[0.782,0.311,0.126,0.068,0.472,0.525,0.012,0.098,0.081]的指标,计算该维度总共9个指标的平均值,然后依次用每个数减去平均值,因此就得到正负不同的数,即是所述矩阵指标集。
优选地,计算所述矩阵指标集的协方差得到协方差矩阵指标集具体为:
进一步地,所述特征分解为:
其中,error表示所述特征分解后的误差,可预设为0.01,m为所述协方差矩阵指标集内不同指标数,Di表示不同APP对应的协方差矩阵,一般为一维形式,Dapprox为所述不同APP对应的协方差矩阵的相似矩阵,一般为一维形式,通过调节m的值,使得error满足预设误差值后得到Dapprox,汇总所述Dapprox得到特征指标集。
S4、将所述特征指标集和所述分类集输入至预先构建的智能推荐模型中训练得到训练值,判断所述训练值与预设阈值的大小,若所述训练值大于预设阈值,则所述智能推荐模型继续训练,若所述训练值小于预设阈值,则所述智能推荐模型退出训练。
本发明较佳实施例中,所述智能推荐模型包括输入层、卷积层、池化层、全连接层和输出层。
较佳地,所述训练过程具体地为:所述输入层接收所述特征指标集,所述卷积层、池化层、全连接层结合激活函数训练得到训练值并通过输出层输出预测值集,将所述预测值与所述分类集进行损失计算得到训练值,判断所述训练值与预设阈值的大小,若所述训练值大于所述预设阈值,则继续训练,若所述所述训练值小于所述预设阈值,则退出训练。
本发明较佳实施例,所述激活函数包括Softmax函数。所述Softmax函数为:
其中,Oj表示所述全连接层第j个神经元的输出值,Ij表示所述输出层第j个神经元的输入值,t表示所述输出层神经元的总量,e为无限不循环小数;
所述损失计算包括:
其中,s为所述预测值,k为所述分类集的数量,yi为所述分类集,yi为预测值集值。
S5、接收用户对APP的需求指令,根据所述智能推荐模型推荐出符合用户需求的APP
具体地,如下载中心接收到用户对APP的需求指令,根据对用户之前的行为分析后智能化的推荐符合用户需求的APP,完成APP的智能推荐操作。
发明还提供一种APP智能推荐装置。参照图2所示,为本发明一实施例提供的APP智能推荐装置的内部结构示意图。
在本实施例中,所述APP智能推荐装置1可以是PC(Personal Computer,个人电脑),或者是智能手机、平板电脑、便携计算机等终端设备,也可以是一种服务器等。该APP智能推荐装置1至少包括存储器11、处理器12,通信总线13,以及网络接口14。
其中,存储器11至少包括一种类型的可读存储介质,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)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是APP智能推荐装置1的内部存储单元,例如该APP智能推荐装置1的硬盘。存储器11在另一些实施例中也可以是APP智能推荐装置1的外部存储设备,例如APP智能推荐装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括APP智能推荐装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于APP智能推荐装置1的应用软件及各类数据,例如APP智能推荐程序01的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行APP智能推荐程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该装置1与其他电子设备之间建立通信连接。
可选地,该装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在APP智能推荐装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及APP智能推荐程序01的APP智能推荐装置1,本领域技术人员可以理解的是,图1示出的结构并不构成对APP智能推荐装置1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的装置1实施例中,存储器11中存储有APP智能推荐程序01;处理器12执行存储器11中存储的APP智能推荐程序01时实现如下步骤:
步骤一、获取用户行为数据集并将所述用户行为数据集汇编成初始数据集,将所述初始数据集划分为初始指标集和分类集。
较佳地,所述用户行为数据集是根据用户行为而采集的数据集,所述用户行为包括用户登录各种小程序、网页、公众号等各种行为操作,如用户登录新闻网页,则所述初始数据集包括了所述新闻网页的总点击量、评论量、转发量、该用户的点击量、点赞量等,所述分类集根据所述初始指标集而分成非常感兴趣、比较感兴趣、一般、没有兴趣,而本发明的目的是分析所述用户的行为数据,并最终推荐出合适用户使用习惯的公众号、网页、小程序等app。
优选地,获取用户行为数据集可采取后台记录的方式,如用户在个人手机上进行各种操作时,后台的记录程序依次对用户的操作进行记录,如用户今天在手机上打开A款APP总共32次,其中A款APP今天总共更新文章16篇,通过访问手机的APP下载中心记录A款APP今晚被所有用户下载了1620次等,根据所述可以获取到多种用户行为数据,其中数字32、16等称为指标。
较佳地,所述汇编是将所述用户行为数据集按照所述指标名称统计出一张固定规格的数据集,所述固定规格的数据集称为初始数据集。如A款APP及相关指标、B款APP及相关指标等。
步骤二、将所述初始指标集进行去空格、填充缺失值处理及归一化得到标准指标集。
由于所获取到的初始指标集含有很多噪点数据,所述噪点数据包括空格、负数等,所述去异常就是根据异常表而遍历所述初始指标集,当所述初始指标集内的指标有符合异常表内的异常数据时则剔除,直至遍历完所述初始指标集完成所述去异常操作。
进一步地,由于在获取初始指标集中会出现获取指标失败的情况,且在上述去异常操作时由于去除了异常数据,从而导致了缺失数据的情况,所述填充缺失值处理是采用填充平均值的方法,填充所述初始指标集中的缺失数据。如体育公众号的初始指标集中缺少评论量,则所述填充缺失值处理是遍历所述初始指标集中所有的评论量并求解出所有评论量的平均值,将所述平均值填充至缺失部位,完成所述填充缺失值处理。
较佳地,所述归一化是将所述初始指标集的指标映射到[0,1]范围内,因为各个指标的量级一般差距很大,如总点击量一定比评论量更高,所以为了缩小因为量级带来的差距,一般所述归一化是必不可少的。优选地,所述归一化的方法为:
其中,Xnormal为所述归一化后的指标,X为所述归一化前的指标,Xmax所述初始指标集中数值最大的指标,Xmin为所述初始指标集中数值最小的指标。
步骤三、根据协方差分析法分析所述标准指标集得到特征指标集。
较佳地,所述分析是将所述标准指标集进行矩阵转换后再进行中心化操作得到矩阵指标集,计算所述矩阵指标集的协方差得到协方差矩阵指标集,将所述协方差矩阵指标集进行特征分解后,提取指定数量的特征构成特征指标集。
进一步地,所述矩阵转换是将所述标准指标集转换为矩阵形式。如所述标准指标集有描述某一款APP的一组指标为:总点击量0.782、评论量0.311、转发量0.126、用户每天打开该APP的次数为0.0068、点赞量0.472、APP每天的文章字数0.525、所述文章包括的图片及视频数0.012、该APP每天被安装的次数0.098、该APP所占用的内存0.081,则将所述指标转为矩阵形式为[0.782,0.311,0.126,0.068,0.472,0.525,0.012,0.098,0.081]。
较佳地,所述中心化操作是将每个维度的数值与每个维度的均值相减,如所述矩阵形式为[0.782,0.311,0.126,0.068,0.472,0.525,0.012,0.098,0.081]的指标,计算该维度总共9个指标的平均值,然后依次用每个数减去平均值,因此就得到正负不同的数,即是所述矩阵指标集。
优选地,计算所述矩阵指标集的协方差得到协方差矩阵指标集具体为:
进一步地,所述特征分解为:
其中,error表示所述特征分解后的误差,可预设为0.01,m为所述协方差矩阵指标集内不同指标数,Di表示不同APP对应的协方差矩阵,一般为一维形式,Dapprox为所述不同APP对应的协方差矩阵的相似矩阵,一般为一维形式,通过调节m的值,使得error满足预设误差值后得到Dapprox,汇总所述Dapprox得到特征指标集。
步骤四、将所述特征指标集和所述分类集输入至预先构建的智能推荐模型中训练得到训练值,判断所述训练值与预设阈值的大小,若所述训练值大于预设阈值,则所述智能推荐模型继续训练,若所述训练值小于预设阈值,则所述智能推荐模型退出训练。
本发明较佳实施例中,所述智能推荐模型包括输入层、卷积层、池化层、全连接层和输出层。
较佳地,所述训练过程具体地为:所述输入层接收所述特征指标集,所述卷积层、池化层、全连接层结合激活函数训练得到训练值并通过输出层输出预测值集,将所述预测值与所述分类集进行损失计算得到训练值,判断所述训练值与预设阈值的大小,若所述训练值大于所述预设阈值,则继续训练,若所述所述训练值小于所述预设阈值,则退出训练。
本发明较佳实施例,所述激活函数包括Softmax函数。所述Softmax函数为:
其中,Oj表示所述全连接层第j个神经元的输出值,Ij表示所述输出层第j个神经元的输入值,t表示所述输出层神经元的总量,e为无限不循环小数;
所述损失计算包括:
其中,s为所述预测值,k为所述分类集的数量,yi为所述分类集,y′i为预测值集值。
步骤五、接收用户对APP的需求指令,根据所述智能推荐模型推荐出符合用户需求的APP
具体地,如下载中心接收到用户对APP的需求指令,根据对用户之前的行为分析后智能化的推荐符合用户需求的APP,完成APP的智能推荐操作。
可选地,在其他实施例中,APP智能推荐程序还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,用于描述APP智能推荐程序在APP智能推荐装置中的执行过程。
例如,参照图3所示,为本发明APP智能推荐装置一实施例中的APP智能推荐程序的程序模块示意图,该实施例中,所述APP智能推荐程序可以被分割为数据接收及处理模块10、相关性分析模块20、模型训练模块30、APP推荐输出模块40示例性地:
所述数据接收及处理模块10用于:获取用户行为数据集并将所述用户行为数据集汇编成初始数据集,将所述初始数据集划分为初始指标集和分类集,将所述初始指标集进行去空格、填充缺失值处理及归一化得到标准指标集。
所述相关性分析模块20用于:根据协方差分析法分析所述标准指标集得到特征指标集。
所述模型训练模块30用于:将所述特征指标集和所述分类集输入至预先构建的智能推荐模型中训练得到训练值,判断所述训练值与预设阈值的大小,若所述训练值大于预设阈值,则所述智能推荐模型继续训练,若所述训练值小于预设阈值,则所述智能推荐模型退出训练。
所述APP推荐输出模块40用于:将所述需求指令输入到所述智能推荐模型中,推荐出符合用户需求的APP。
上述数据接收及处理模块10、相关性分析模块20、模型训练模块30、APP推荐输出模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同,在此不再赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有APP智能推荐程序,所述APP智能推荐程序可被一个或多个处理器执行,以实现如下操作:
获取用户行为数据集并将所述用户行为数据集汇编成初始数据集,将所述初始数据集划分为初始指标集和分类集,将所述初始指标集进行去空格、填充缺失值处理及归一化得到标准指标集。
根据协方差分析法分析所述标准指标集得到特征指标集。
将所述特征指标集和所述分类集输入至预先构建的智能推荐模型中训练得到训练值,判断所述训练值与预设阈值的大小,若所述训练值大于预设阈值,则所述智能推荐模型继续训练,若所述训练值小于预设阈值,则所述智能推荐模型退出训练。
接收用户对APP的需求指令,将所述需求指令输入到所述智能推荐模型中,推荐出符合用户需求的APP。
需要说明的是,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。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
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。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
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APP智能推荐方法,其特征在于,所述方法包括:
获取用户行为数据集,并将所述用户行为数据集汇编成初始数据集,将所述初始数据集划分为初始指标集和分类集;
将所述初始指标集进行去空格、填充缺失值处理及归一化得到标准指标集;
根据协方差分析法分析所述标准指标集得到特征指标集;
将所述特征指标集和所述分类集输入至预先构建的智能推荐模型中训练得到训练值,判断所述训练值与预设阈值的大小,若所述训练值大于预设阈值,则所述智能推荐模型继续训练,若所述训练值小于预设阈值,则所述智能推荐模型退出训练;
接收用户对APP的需求指令,将所述需求指令输入到所述智能推荐模型中,推荐出符合用户需求的APP。
3.如权利要求1或2所述的APP智能推荐方法,其特征在于,所述根据协方差分析法分析所述标准指标集得到特征指标集,包括:
将所述标准指标集进行矩阵转换后再进行中心化操作得到矩阵指标集;
计算所述矩阵指标集的协方差得到协方差矩阵指标集;
将所述协方差矩阵指标集进行特征分解后,提取指定数量的特征构成所述特征指标集。
6.一种APP智能推荐装置,其特征在于,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的APP智能推荐程序,所述APP智能推荐程序被所述处理器执行时实现如下步骤:
获取用户行为数据集,并将所述用户行为数据集汇编成初始数据集,将所述初始数据集划分为初始指标集和分类集;
将所述初始指标集进行去空格、填充缺失值处理及归一化得到标准指标集;
根据协方差分析法分析所述标准指标集得到特征指标集;
将所述特征指标集和所述分类集输入至预先构建的智能推荐模型中训练得到训练值,判断所述训练值与预设阈值的大小,若所述训练值大于预设阈值,则所述智能推荐模型继续训练,若所述训练值小于预设阈值,则所述智能推荐模型退出训练;
接收用户对APP的需求指令,将所述需求指令输入到所述智能推荐模型中,推荐出符合用户需求的APP。
7.如权利要求6所述的APP智能推荐装置,其特征在于,所述归一化包括利用下述公式计算归一化后的标准指标集:
其中,Xnormal为所述归一化后的指标,X为所述归一化前的指标,Xmax所述初始指标集中数值最大的指标,Xmin为所述初始指标集中数值最小的指标。
8.如权利要求6或7所述的APP智能推荐装置,其特征在于,所述根据协方差分析法分析所述标准指标集并最终得到特征指标集,包括:
将所述标准指标集进行矩阵转换后再进行中心化操作得到矩阵指标集;
计算所述矩阵指标集的协方差得到协方差矩阵指标集;
将所述协方差矩阵指标集进行特征分解后,提取指定数量的特征构成特征指标集。
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上存储有APP智能推荐程序,所述APP智能推荐程序可被一个或者多个处理器执行,以实现如权利要求1至5中任一项所述的APP智能推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910831026.3A CN110674020B (zh) | 2019-09-02 | 2019-09-02 | App智能推荐方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910831026.3A CN110674020B (zh) | 2019-09-02 | 2019-09-02 | App智能推荐方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110674020A true CN110674020A (zh) | 2020-01-10 |
CN110674020B CN110674020B (zh) | 2022-07-22 |
Family
ID=69076294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910831026.3A Active CN110674020B (zh) | 2019-09-02 | 2019-09-02 | App智能推荐方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674020B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402068A (zh) * | 2020-02-22 | 2020-07-10 | 中国平安财产保险股份有限公司 | 基于大数据的保费数据分析方法、装置及存储介质 |
CN111522812A (zh) * | 2020-03-25 | 2020-08-11 | 平安科技(深圳)有限公司 | 用户智能化分层方法、装置、电子设备及可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100088151A1 (en) * | 2008-10-08 | 2010-04-08 | Deok Hwan Kim | Method and apparatus for recommending image based on user profile using feature-based collaborative filtering to resolve new item recommendation |
WO2012013996A1 (en) * | 2010-07-30 | 2012-02-02 | Gravity Research & Development Kft. | Recommender systems and methods |
US20150332372A1 (en) * | 2014-05-19 | 2015-11-19 | Baynote, Inc. | System and Method for Context-Aware Recommendation through User Activity Change Detection |
US20160078520A1 (en) * | 2014-09-12 | 2016-03-17 | Microsoft Corporation | Modified matrix factorization of content-based model for recommendation system |
CN106227844A (zh) * | 2016-07-27 | 2016-12-14 | 深圳市金立通信设备有限公司 | 一种应用推荐的方法以及终端 |
CN106651519A (zh) * | 2016-12-23 | 2017-05-10 | 广州赛宝认证中心服务有限公司 | 基于标签信息的个性化推荐方法和系统 |
US20170188102A1 (en) * | 2015-12-23 | 2017-06-29 | Le Holdings (Beijing) Co., Ltd. | Method and electronic device for video content recommendation |
CN108769125A (zh) * | 2018-04-28 | 2018-11-06 | 广州优视网络科技有限公司 | 应用推荐方法、装置、存储介质及计算机设备 |
CN109509054A (zh) * | 2018-09-30 | 2019-03-22 | 平安科技(深圳)有限公司 | 海量数据下商品推荐方法、电子装置及存储介质 |
CN110069705A (zh) * | 2019-03-25 | 2019-07-30 | 中国石油化工股份有限公司 | 一种基于变异系数法的油田云应用组件推荐方法 |
-
2019
- 2019-09-02 CN CN201910831026.3A patent/CN110674020B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100088151A1 (en) * | 2008-10-08 | 2010-04-08 | Deok Hwan Kim | Method and apparatus for recommending image based on user profile using feature-based collaborative filtering to resolve new item recommendation |
WO2012013996A1 (en) * | 2010-07-30 | 2012-02-02 | Gravity Research & Development Kft. | Recommender systems and methods |
US20150332372A1 (en) * | 2014-05-19 | 2015-11-19 | Baynote, Inc. | System and Method for Context-Aware Recommendation through User Activity Change Detection |
US20160078520A1 (en) * | 2014-09-12 | 2016-03-17 | Microsoft Corporation | Modified matrix factorization of content-based model for recommendation system |
US20170188102A1 (en) * | 2015-12-23 | 2017-06-29 | Le Holdings (Beijing) Co., Ltd. | Method and electronic device for video content recommendation |
CN106227844A (zh) * | 2016-07-27 | 2016-12-14 | 深圳市金立通信设备有限公司 | 一种应用推荐的方法以及终端 |
CN106651519A (zh) * | 2016-12-23 | 2017-05-10 | 广州赛宝认证中心服务有限公司 | 基于标签信息的个性化推荐方法和系统 |
CN108769125A (zh) * | 2018-04-28 | 2018-11-06 | 广州优视网络科技有限公司 | 应用推荐方法、装置、存储介质及计算机设备 |
CN109509054A (zh) * | 2018-09-30 | 2019-03-22 | 平安科技(深圳)有限公司 | 海量数据下商品推荐方法、电子装置及存储介质 |
CN110069705A (zh) * | 2019-03-25 | 2019-07-30 | 中国石油化工股份有限公司 | 一种基于变异系数法的油田云应用组件推荐方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402068A (zh) * | 2020-02-22 | 2020-07-10 | 中国平安财产保险股份有限公司 | 基于大数据的保费数据分析方法、装置及存储介质 |
CN111522812A (zh) * | 2020-03-25 | 2020-08-11 | 平安科技(深圳)有限公司 | 用户智能化分层方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110674020B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107818344B (zh) | 用户行为进行分类和预测的方法和系统 | |
CN110852785B (zh) | 用户分级方法、装置及计算机可读存储介质 | |
CN110427480B (zh) | 个性化文本智能推荐方法、装置及计算机可读存储介质 | |
CN111310052A (zh) | 用户画像构建方法、装置及计算机可读存储介质 | |
CN111612610A (zh) | 风险预警方法及系统、电子设备及存储介质 | |
CN111914159A (zh) | 一种信息推荐方法及终端 | |
CN111737577A (zh) | 一种基于业务平台的数据查询方法、装置、设备和介质 | |
CN110866042A (zh) | 表格智能查询方法、装置及计算机可读存储介质 | |
CN112070550A (zh) | 基于搜索平台的关键词确定方法、装置、设备及存储介质 | |
CN117520503A (zh) | 基于llm模型的金融客服对话生成方法、装置、设备及介质 | |
CN113761262B (zh) | 图像的检索类别确定方法、系统以及图像检索方法 | |
CN113569118B (zh) | 自媒体推送方法、装置、计算机设备及存储介质 | |
CN113505273B (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN114491084A (zh) | 基于自编码器的关系网络信息挖掘方法、装置及设备 | |
CN110674020B (zh) | App智能推荐方法、装置及计算机可读存储介质 | |
CN113468421A (zh) | 基于向量匹配技术的产品推荐方法、装置、设备及介质 | |
CN111277464B (zh) | 物联网设备连接测试方法、装置及计算机可读存储介质 | |
CN110598995B (zh) | 智能客户评级方法、装置及计算机可读存储介质 | |
CN113722437B (zh) | 基于人工智能的用户标签识别方法、装置、设备及介质 | |
CN115269998A (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
CN113469237A (zh) | 用户意图识别方法、装置、电子设备及存储介质 | |
CN113343306A (zh) | 基于差分隐私的数据查询方法、装置、设备及存储介质 | |
CN112463964A (zh) | 文本分类及模型训练方法、装置、设备及存储介质 | |
CN116167829B (zh) | 一种多维多粒度用户行为分析方法 |
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 |