CN110688582A - 一种应用推荐方法、应用推荐装置及终端设备 - Google Patents

一种应用推荐方法、应用推荐装置及终端设备 Download PDF

Info

Publication number
CN110688582A
CN110688582A CN201911100345.3A CN201911100345A CN110688582A CN 110688582 A CN110688582 A CN 110688582A CN 201911100345 A CN201911100345 A CN 201911100345A CN 110688582 A CN110688582 A CN 110688582A
Authority
CN
China
Prior art keywords
application
applications
user
score
date
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
Application number
CN201911100345.3A
Other languages
English (en)
Other versions
CN110688582B (zh
Inventor
谢瑜
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.)
Guangdong Genius Technology Co Ltd
Original Assignee
Guangdong Genius Technology Co Ltd
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 Guangdong Genius Technology Co Ltd filed Critical Guangdong Genius Technology Co Ltd
Priority to CN201911100345.3A priority Critical patent/CN110688582B/zh
Publication of CN110688582A publication Critical patent/CN110688582A/zh
Application granted granted Critical
Publication of CN110688582B publication Critical patent/CN110688582B/zh
Active 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请适用于互联网技术领域，提供了一种应用推荐方法、应用推荐装置及终端设备，包括：获取N个用户对M个第一应用的历史行为数据集；根据所述历史行为数据集计算每个第一应用的喜好评分；根据各个第一应用的喜好评分，计算每两个第一应用之间的相似值；对于每个用户，根据所述用户对至少一个第二应用的喜好评分、以及与每个第二应用对应的相似度，确定所述M个第一应用中与所述用户对应的推荐应用。通过上述方法，能够提高应用推荐方法的有效性和适用性。

Description

一种应用推荐方法、应用推荐装置及终端设备
技术领域
本申请属于互联网技术领域，尤其涉及一种应用推荐方法、应用推荐装置及终端设备。
背景技术
随着智能手机、平板电脑等终端功能的日益强大，应用于智能手机、平板电脑等终端上的应用程序(application，简称app或应用)也随之日益丰富多样。应用种类的多样化给用户带来了丰富多样的用户体验，同时也给用户增添了选择难题。
现有的应用推荐方法，通常是根据应用的下载量进行排名，将排名靠前的应用推荐给所有用户。这样的应用推荐方法，不能针对每个用户进行推荐，排名靠前的应用并不一定适用于所有用户，导致了应用推荐的有效性低、适用性差。
发明内容
本申请实施例提供了一种应用推荐方法、应用推荐装置及终端设备，可以解决现有的应用推荐方法有效性低、适用性差的问题。
第一方面，本申请实施例提供了一种应用推荐方法，包括：
获取N个用户对M个第一应用的历史行为数据集，所述历史行为数据集中每条历史行为数据包括一个用户对一个第一应用执行操作时产生的操作数据；
根据所述历史行为数据集计算每个第一应用的喜好评分，所述第一应用的喜好评分包括所述N个用户中每个用户分别对所述第一应用的喜好评分；
根据各个第一应用的喜好评分，计算每两个第一应用之间的相似值；
对于每个用户，根据所述用户对至少一个第二应用的喜好评分、以及与每个第二应用对应的相似度，确定所述M个第一应用中与所述用户对应的推荐应用，所述第二应用为所述M个第一应用中被所述用户执行过操作的应用。
在第一方面的一种可能的实现方式中，所述每条历史行为数据包括执行操作的操作类型和操作日期；
在所述根据所述历史行为数据集计算每个第一应用的喜好评分的步骤中，计算一个用户对一个第一应用的喜好评分的方式为：
根据所述操作类型，计算所述用户对所述第一应用分别在每个操作日期的第一行为分值；
根据所述每个操作日期的第一行为分值和所述每个操作日期与推荐日期的日期间隔，计算所述每个操作日期的第二行为分值；
确定所述用户对所述第一应用执行操作的所有操作日期的第二行为分值中的最大值，为所述用户对所述第一应用的喜好评分。
在第一方面的一种可能的实现方式中，所述根据所述操作类型，计算所述用户对所述第一应用分别在每个操作日期的第一行为分值，包括：
对于所述每个操作日期，将所述操作日期中所述用户对所述第一应用执行过的所有操作的操作类型对应的预设权值相加，得到所述操作日期的总权值；
若所述总权值大于预设阈值，则将所述预设阈值记为所述用户对所述第一应用在所述操作日期的第一行为分值；
若所述总权值小于或等于预设阈值，则将所述总权值记为所述用户对所述第一应用在所述操作日期的第一行为分值。
在第一方面的一种可能的实现方式中，所述根据所述每个操作日期的第一行为分值和所述每个操作日期与推荐日期的日期间隔，计算所述每个操作日期的第二行为分值，包括：
对于所述每个操作日期，确定所述操作日期与推荐日期的日期间隔，以及与所述日期间隔对应的预设的时间衰减系数；
将所述操作日期的第一行为分值与所述时间衰减系数相乘，得到所述操作日期的第二行为分值。
在第一方面的一种可能的实现方式中，在所述根据各个第一应用的喜好评分，计算每两个第一应用之间的相似值的步骤中，任意两个第一应用之间的相似值的计算方式为：
将两个第一应用的喜好评分分别生成第一向量和第二向量；
计算所述第一向量与所述第二向量之间的余弦相似度，所述余弦相似度为所述两个第一应用之间的相似值。
在第一方面的一种可能的实现方式中，所述根据所述用户对至少一个第二应用的喜好评分、以及与每个第二应用对应的相似度，确定所述M个第一应用中与所述用户对应的推荐应用，包括：
对于所述每个第二应用，根据与所述第二应用对应的相似值，确定与所述第二应用对应的相似应用；
根据所述用户对各个第二应用的喜好评分，以及各个第二应用与对应的各个相似应用之间的相似值，分别计算所述用户对各个第二应用的各个相似应用的兴趣值；
根据计算的兴趣值，将各个第二应用对应的各个相似应用中兴趣值最大的J个相似应用确定为所述推荐应用。
在第一方面的一种可能的实现方式中，所述根据与所述第二应用对应的相似值，确定与所述第二应用对应的相似应用，包括：
将所述M个第一应用中与所述第二应用之间的相似值最大的K个应用确定为与所述第二应用对应的K个相似应用；
所述根据所述用户对各个第二应用的喜好评分，以及各个第二应用与对应的各个相似应用之间的相似值，分别计算所述用户对各个第二应用的各个相似应用的兴趣值，包括：
根据公式P(u,i)＝∑j∈S(j,K)∩N(u)wijruj计算所述用户对各个第二应用的各个相似应用的兴趣值；
其中，P(u,i)为所述用户对第i个相似应用的兴趣值，N(u)为第二应用的集合，S(j,K)为第j个第二应用的K个相似应用的集合，i∈S(j,K)，wij为第j个第二应用和第i个相似应用之间的相似值，ruj为第j个第二应用的喜好评分。
第二方面，本申请实施例提供了一种应用推荐装置，包括：
获取数据单元，用于获取N个用户对M个第一应用的历史行为数据集，所述历史行为数据集中每条历史行为数据包括一个用户对一个第一应用执行操作时产生的操作数据；
评分计算单元，用于根据所述历史行为数据集计算每个第一应用的喜好评分，所述第一应用的喜好评分包括所述N个用户中每个用户分别对所述第一应用的喜好评分；
相似值计算单元，用于根据各个第一应用的喜好评分，计算每两个第一应用之间的相似值；
应用推荐单元，用于对于每个用户，根据所述用户对至少一个第二应用的喜好评分、以及与每个第二应用对应的相似度，确定所述M个第一应用中与所述用户对应的推荐应用，所述第二应用为所述M个第一应用中被所述用户执行过操作的应用。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中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如上述第一方面中任一项所述的应用推荐方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，本申请实施例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存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的应用推荐方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的应用推荐方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例通过获取N个用户对M个第一应用的历史行为数据集，所述历史行为数据集中每条历史行为数据包括一个用户对一个第一应用执行操作时产生的操作数据，并根据所述历史行为数据集计算每个第一应用的喜好评分，所述第一应用的喜好评分包括所述N个用户中每个用户分别对所述第一应用的喜好评分，上述方法中利用实际的数据计算喜好评分，能够较准确地反映每个用户的喜好；然后根据各个第一应用的喜好评分，计算每两个第一应用之间的相似值，这样能够反映出各个应用之间基于喜好评分的相似程度；最后对于每个用户，根据所述用户对至少一个第二应用的喜好评分、以及与每个第二应用对应的相似度，确定所述M个第一应用中与所述用户对应的推荐应用，所述第二应用为所述M个第一应用中被所述用户执行过操作的应用。通过上述方法，基于用户对应用的喜好评分，以及应用之间基于喜好评分的相似程度，针对性地为某一个用户进行应用推荐，这样的应用推荐方法具有较高的有效性和适用性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的应用推荐系统的示意图；
图2是本申请一实施例提供的应用推荐方法的流程示意图；
图3是本申请一实施例提供的兴趣值的计算方法示意图；
图4是本申请一实施例提供的喜好评分的计算方法流程示意图；
图5是本申请一实施例提供的应用推荐装置的结构示意图；
图6是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“若”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“若确定”或“若检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
先介绍本申请中应用推荐方法的一个应用场景。参见图1，为本申请实施例提供的应用推荐系统的示意图。如图1所示，应用推荐系统可以包括应用市场对应的服务器101以及与服务器通信连接的多个用户终端102。其中，应用市场可以是用户终端自带的用于提供应用下载等服务的手机服务程序，例如苹果手机自带的app store或华为手机自带的华为应用市场等。
用户可以在各自的用户终端上通过应用市场下载、卸载、操作各种应用。只要用户对应用市场中的应用执行过一次操作，就会相应的产生一条历史行为数据。应用市场对应的服务器会收集并存储所有用户的历史行为数据得到历史行为数据集，并利用本申请的应用推荐方法对历史行为数据集进行处理，得到针对某一个用户的待推荐应用，然后服务器再将待推荐应用推送到该用户的用户终端上，以实现应用推荐服务。
当然，用户可以创建应用市场的账户，用户的历史行为数据可以和账户进行绑定。服务器会将待推荐应用推送到用户的账户，即将待推荐程序和用户的账户关联在一起。这样，就算用户使用不同的用户终端，只要登录自己的账户，用户的历史行为数据就会被服务器记录下来、并和账户关联在一起，而且用户可以在不同的用户终端上查看到相同的应用推荐结果。通过上述方法，得到的历史行为数据更为真实、全面，进而有效保证了应用推荐结果的有效性和适用性。
图2示出了本申请一实施例提供的应用推荐方法的流程示意图，作为示例而非限定，所述方法可以包括以下步骤：
S201，获取N个用户对M个第一应用的历史行为数据集，所述历史行为数据集中每条历史行为数据包括一个用户对一个第一应用执行操作时产生的操作数据。
用户对应用执行操作，是指用户对应用进行过下载、卸载、点击等操作。
服务器获取到历史行为数据后，可以将其转换为统一格式，例如tuple格式。
S202，根据所述历史行为数据集计算每个第一应用的喜好评分，所述第一应用的喜好评分包括所述N个用户中每个用户分别对所述第一应用的喜好评分。
S203，根据各个第一应用的喜好评分，计算每两个第一应用之间的相似值。
在一个实施例中，在步骤S103中，任意两个第一应用之间的相似值的计算方式可以包括以下步骤：
S2031，将两个第一应用的喜好评分分别生成第一向量和第二向量。
示例性的，第一向量为i＝[a1，a2，ah，…aN]，ah为第h个第一用户对第一个第一应用的喜好评分，第二向量为j＝[b1，b2，bh，…bN]，bh为第h个第一用户对第二个第一应用的喜好评分。历史行为数据集中共有N个第一用户，因此，第一向量和第二向量的维度均为N。
如果某个第一用户对某个第一应用未执行过操作，那么该第一用户对这个第一应用的喜好评分为0。
S2032，计算所述第一向量与所述第二向量之间的余弦相似度，所述余弦相似度为所述两个第一应用之间的相似值。
在本实施例中，相似值可以通过下式计算：
Figure BDA0002269673090000081
其中，i表示第一向量，j表示第二向量。
当然，在实际应用中，也可以将第一向量和第二向量之间的皮尔逊相似度、同现相似度或欧氏距离相似度等作为第三应用与第四应用之间的相似度量值，在此不做限定。
S204，对于每个用户，根据所述用户对至少一个第二应用的喜好评分、以及与每个第二应用对应的相似度，确定所述M个第一应用中与所述用户对应的推荐应用，所述第二应用为所述M个第一应用中被所述用户执行过操作的应用。
在一个实施例中，S204可以包括以下步骤：
S2041，对于所述每个第二应用，根据与所述第二应用对应的相似值，确定与所述第二应用对应的相似应用。
用户可能对多个第二应用执行过操作，所以要分别获取每个第二应用对应的相似应用。每个第二应用可能对应多个相似应用。对于某个第二应用，可以选取这个第二应用所有的相似应用，也可以只选取与这个第二应用之间的相似值较大的几个相似应用。
在本实施例中，可选的，S1041可以包括：将所述M个第一应用中与所述第二应用之间的相似值最大的K个应用确定为与所述第二应用对应的K个相似应用。
S2042，根据所述用户对各个第二应用的喜好评分，以及各个第二应用与对应的各个相似应用之间的相似值，分别计算所述用户对各个第二应用的各个相似应用的兴趣值。
在本实施例中，可选的，可以根据公式P(u,i)＝∑j∈S(j,K)∩N(u)wijruj计算所述用户对各个第二应用的各个相似应用的兴趣值。
其中，P(u,i)为所述用户对第i个相似应用的兴趣值，N(u)为第二应用的集合，S(j,K)为第j个第二应用的K个相似应用的集合，i∈S(j,K)，wij为第j个第二应用和第i个相似应用之间的相似值，ruj为第j个第二应用的喜好评分。
S2043，根据计算的兴趣值，将各个第二应用对应的各个相似应用中兴趣值最大的J个相似应用确定为所述推荐应用。
下面举例说明步骤S204中的方法。假设用户A对第二应用I和II执行过操作。
利用S2041中的方法，将所有的第一应用与第二应用I的相似值进行降序排列，取序列前3(假设K＝3)个相似值对应的第一应用(分别为a、b、d)记为第二应用I的相似应用；将所有的第一应用与第二应用II的相似值进行降序排列，取序列前3个相似值对应的第一应用(分别为b、c、e)记为第二应用II的相似应用。
利用S2042中的方法，分别计算每个相似应用(a、b、c、d、e)的兴趣值。参见图3，为本申请实施例提供的兴趣值的计算方法示意图。如图3所示，假设用户A对第二应用I的喜好评分为1.3，对第二应用II的喜好评分为0.9，而第二应用I与其相似应用a、b、d的相似值分别为0.7、0.4、0.6，第二应用II与其相似应用b、c、e的相似值分别为0.5、0.5、0.6。那么，计算用户A对a的兴趣值为1.3×0.7＝0.91，用户A对b的兴趣值为1.3×0.4+0.9×0.5＝0.97，用户A对c的兴趣值为0.9×0.5＝0.45，用户A对d的兴趣值为1.3×0.6＝0.78，用户A对e的兴趣值为0.9×0.6＝0.54。
然后利用S2043中的方法，将a、b、c、d、e的兴趣值降序排列，序列为0.97、0.91、0.78、0.54、0.45。取序列中前2(假设J＝2)个兴趣值对应的相似应用作为待推荐应用，即b和a。
参见图4，示出了本申请实施例提供的喜好评分的计算方法流程示意图。作为示例而非限定，在本申请实施例中，每条历史行为数据可以包括执行操作的操作类型和操作日期。
相应的，如图4所示，在步骤S202根据所述历史行为数据集计算每个第一应用的喜好评分的步骤中，计算一个用户对一个第一应用的喜好评分的方式可以包括以下步骤：
S401，根据所述操作类型，计算所述用户对所述第一应用分别在每个操作日期的第一行为分值。
其中，操作类型可以包括点击、下载和卸载等。
示例性的，假设用户A在2019年2月1日下载了应用I，那么这个操作就会产生对应的一条历史行为数据，在该历史行为数据中，第一应用为I，第一用户为A，操作类型为下载，操作日期为2019年2月1日。
S402，根据所述每个操作日期的第一行为分值和所述每个操作日期与推荐日期的日期间隔，计算所述每个操作日期的第二行为分值。
其中，推荐日期是指生成待推荐应用的日期。相应的，历史行为数据是指推荐日期之前的操作数据。例如，在2019年2月1日为用户推荐应用，那么2019年2月1日即为推荐日期，历史行为数据为2019年2月1日之前的操作数据。
S403，确定所述用户对所述第一应用执行操作的所有操作日期的第二行为分值中的最大值，为所述用户对所述第一应用的喜好评分。
在一个实施例中，步骤S401可以包括以下步骤：
S4011，对于所述每个操作日期，将所述操作日期中所述用户对所述第一应用执行过的所有操作的操作类型对应的预设权值相加，得到所述操作日期的总权值。
实际应用中，考虑到下载的权重比较高，可以将下载对应的预设权值设置的高一些。例如，将点击对应的预设权值设为1，将下载对应的预设权值设为5，将卸载对应的预设权值设为-5。需要说明的是，上述只是预设权值的示例，并不对此做具体限定。
示例性的，在2019年2月1日，用户A对应用I先下载了一次，然后点击了10次，最后卸载。那么用户A对应用I在行为日期2019年2月1日的总权值为5+10×1+(-5)＝10。
计算出的总权值可以直接作为用户对第一应用在操作日期的第一行为分值。但是在实际应用中，会存在部分用户恶意刷分的情况，为了防止这种情况，本申请实施例中设置了阈值，即限定了某一个用户对某一个应用在同一天内的总权值的上限。具体如步骤S4012和S4013所示。
S4012，若所述总权值大于预设阈值，则将所述预设阈值记为所述用户对所述第一应用在所述操作日期的第一行为分值。
S4013，若所述总权值小于或等于预设阈值，则将所述总权值记为所述用户对所述第一应用在所述操作日期的第一行为分值。
示例性的，假设预设阈值为10。
假设在2019年2月1日，用户A对应用I先下载了一次，然后点击了100次，最后卸载。计算出的总权值为5+100×1+(-5)＝100。因为100>10，所以用户A对应用I在2019年2月1日的第一行为分值为10。
假设在2019年2月1日，用户A对应用I先下载了一次，然后点击了9次，最后卸载。计算出的总权值为5+9×1+(-5)＝9。因为9<10，所以用户A对应用I在2019年2月1日的第一行为分值为9。
通过上述方法，有效防止了部分刷分用户对部分应用的偏好异常，进而有效保证了应用推荐的有效性和适用性。
当计算出用户A对应用I在各个行为日期的第一行为分值之后，可以直接从所有的第一行为分值中选择出最大的第一行为分值作为用户A对应用I的喜好评分。示例性的，假设用户A对应用I分别在3个行为日期发生过行为，并且计算出的在2019年2月1日的第一行为分值为10，在2019年2月5日的第一行为分值为5，在2019年2月10日的第一行为分值为-4。其中最大的第一行为分值为10，则将10作为用户A对应用I的喜好评分。
但是在实际应用中，用户的喜好可能是随着时间而变化的。例如，用户在很久之前的一段时间内对某个类型的应用很感兴趣，但是在近期对另一种类型的应用感兴趣。这种情况下，如果用上述方法，即直接选取最大的第一行为分值作为喜好评分，可能会影响最后推荐结果的有效性和适用性。
为了解决上述问题，在本申请一个实施例中，引入了时间衰减系数。具体的，S402可以包括以下步骤：
S4021，对于所述每个操作日期，确定所述操作日期与推荐日期的日期间隔，以及与所述日期间隔对应的预设的时间衰减系数。
S4022，将所述操作日期的第一行为分值与所述时间衰减系数相乘，得到所述操作日期的第二行为分值。
示例性的，假设预设的时间衰减系数为λn，其中λ为预设的时间衰减因子，0<<1。第二行为分值计算方法可以为r＝x×λn，其中，x为第一行为分值，n为第一行为分值对应的操作日期与推荐日期的日期间隔。
假设λ＝0.5，用户A对应用I在2019年2月1(与推荐日期间隔3天，对应的时间衰减系数为λ3)的第一行为分值为10，在2019年2月2日(与推荐日期间隔2天，对应的时间衰减系数为λ2)的第一行为分值为5，在2019年2月3日(与推荐日期间隔1天，对应的时间衰减系数为λ1)的第一行为分值为-5，推荐日期为2019年2月4日。
利用S402中的方法，2019年2月1日的第二行为分值为10×0.53＝1.25，2019年2月2日的第二行为分值为5×0.52＝1.25，2019年2月3日的第二行为分值为-5×0.5＝-2.5。
最后利用S403中的方法，所有的第二行为分值中最大的行为分值为1.25，因此用户A对应用I在推荐日期2019年2月4日的喜好评分为1.25。
在实际应用中，随着推荐日期的变化，时间衰减系数也在变化，进而导致用户对某个应用的喜好评分随着推荐日期的变化而变化。距离推荐日期越远的历史行为数据对喜好评分的影响越小。通过S4021-S4022中的方法推荐出的应用，能够更好地贴近用户近期的喜好，有效保证了应用推荐结果的有效性和适用性。
本申请实施例通过获取N个用户对M个第一应用的历史行为数据集，所述历史行为数据集中每条历史行为数据包括一个用户对一个第一应用执行操作时产生的操作数据，并根据所述历史行为数据集计算每个第一应用的喜好评分，所述第一应用的喜好评分包括所述N个用户中每个用户分别对所述第一应用的喜好评分，上述方法中利用实际的数据计算喜好评分，能够较准确地反映每个用户的喜好；然后根据各个第一应用的喜好评分，计算每两个第一应用之间的相似值，这样能够反映出各个应用之间基于喜好评分的相似程度；最后对于每个用户，根据所述用户对至少一个第二应用的喜好评分、以及与每个第二应用对应的相似度，确定所述M个第一应用中与所述用户对应的推荐应用，所述第二应用为所述M个第一应用中被所述用户执行过操作的应用。通过上述方法，基于用户对应用的喜好评分，以及应用之间基于喜好评分的相似程度，针对性地为某一个用户进行应用推荐，这样的应用推荐方法具有较高的有效性和适用性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的应用推荐方法，图5示出了本申请实施例提供的应用推荐装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图5，该装置包括：
获取数据单元51，用于获取N个用户对M个第一应用的历史行为数据集，所述历史行为数据集中每条历史行为数据包括一个用户对一个第一应用执行操作时产生的操作数据。
评分计算单元52，用于根据所述历史行为数据集计算每个第一应用的喜好评分，所述第一应用的喜好评分包括所述N个用户中每个用户分别对所述第一应用的喜好评分。
相似值计算单元53，用于根据各个第一应用的喜好评分，计算每两个第一应用之间的相似值。
应用推荐单元54，用于对于每个用户，根据所述用户对至少一个第二应用的喜好评分、以及与每个第二应用对应的相似度，确定所述M个第一应用中与所述用户对应的推荐应用，所述第二应用为所述M个第一应用中被所述用户执行过操作的应用。
可选的，所述每条历史行为数据包括执行操作的操作类型和操作日期。
可选的，评分计算单元52包括：
第一计算模块，用于根据所述操作类型，计算所述用户对所述第一应用分别在每个操作日期的第一行为分值。
第二计算模块，用于根据所述每个操作日期的第一行为分值和所述每个操作日期与推荐日期的日期间隔，计算所述每个操作日期的第二行为分值。
评分计算模块，用于确定所述用户对所述第一应用执行操作的所有操作日期的第二行为分值中的最大值，为所述用户对所述第一应用的喜好评分。
可选的，第一计算模块包括：
总权值计算子模块，用于对于所述每个操作日期，将所述操作日期中所述用户对所述第一应用执行过的所有操作的操作类型对应的预设权值相加，得到所述操作日期的总权值。
第一结果子模块，用于若所述总权值大于预设阈值，则将所述预设阈值记为所述用户对所述第一应用在所述操作日期的第一行为分值。
第二结果子模块，用于若所述总权值小于或等于预设阈值，则将所述总权值记为所述用户对所述第一应用在所述操作日期的第一行为分值。
可选的，第二计算模块包括：
确定系数子模块，用于对于所述每个操作日期，确定所述操作日期与推荐日期的日期间隔，以及与所述日期间隔对应的预设的时间衰减系数。
第三结果子模块，用于将所述操作日期的第一行为分值与所述时间衰减系数相乘，得到所述操作日期的第二行为分值。
可选的，相似值计算单元53包括：
向量生成模块，用于将两个第一应用的喜好评分分别生成第一向量和第二向量。
相似值计算模块，用于计算所述第一向量与所述第二向量之间的余弦相似度，所述余弦相似度为所述两个第一应用之间的相似值。
可选的，应用推荐单元54包括：
相似应用确定模块，用于对于所述每个第二应用，根据与所述第二应用对应的相似值，确定与所述第二应用对应的相似应用。
兴趣值计算模块，用于根据所述用户对各个第二应用的喜好评分，以及各个第二应用与对应的各个相似应用之间的相似值，分别计算所述用户对各个第二应用的各个相似应用的兴趣值。
推荐应用确定模块，用于根据计算的兴趣值，将各个第二应用对应的各个相似应用中兴趣值最大的J个相似应用确定为所述推荐应用。
可选的，相似应用确定模块还用于，将所述M个第一应用中与所述第二应用之间的相似值最大的K个应用确定为与所述第二应用对应的K个相似应用。
可选的，兴趣值计算模块还用于根据公式P(u,i)＝∑j∈S(j,K)∩N(u)wijruj计算所述用户对各个第二应用的各个相似应用的兴趣值。
其中，P(u,i)为所述用户对第i个相似应用的兴趣值，N(u)为第二应用的集合，S(j,K)为第j个第二应用的K个相似应用的集合，i∈S(j,K)，wij为第j个第二应用和第i个相似应用之间的相似值，ruj为第j个第二应用的喜好评分。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
另外，图5所示的应用推荐装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图6为本申请一实施例提供的终端设备的结构示意图。如图6所示，该实施例的终端设备6包括：至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个应用推荐方法实施例中的步骤。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图6仅仅是终端设备6的举例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备，例如所述终端设备6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。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
本申请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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种应用推荐方法，其特征在于，包括：
获取N个用户对M个第一应用的历史行为数据集，所述历史行为数据集中每条历史行为数据包括一个用户对一个第一应用执行操作时产生的操作数据；
根据所述历史行为数据集计算每个第一应用的喜好评分，所述第一应用的喜好评分包括所述N个用户中每个用户分别对所述第一应用的喜好评分；
根据各个第一应用的喜好评分，计算每两个第一应用之间的相似值；
对于每个用户，根据所述用户对至少一个第二应用的喜好评分、以及与每个第二应用对应的相似度，确定所述M个第一应用中与所述用户对应的推荐应用，所述第二应用为所述M个第一应用中被所述用户执行过操作的应用。
2.如权利要求1所述的应用推荐方法，其特征在于，所述每条历史行为数据包括执行操作的操作类型和操作日期；
在所述根据所述历史行为数据集计算每个第一应用的喜好评分的步骤中，计算一个用户对一个第一应用的喜好评分的方式为：
根据所述操作类型，计算所述用户对所述第一应用分别在每个操作日期的第一行为分值；
根据所述每个操作日期的第一行为分值和所述每个操作日期与推荐日期的日期间隔，计算所述每个操作日期的第二行为分值；
确定所述用户对所述第一应用执行操作的所有操作日期的第二行为分值中的最大值，为所述用户对所述第一应用的喜好评分。
3.如权利要求2所述的应用推荐方法，其特征在于，所述根据所述操作类型，计算所述用户对所述第一应用分别在每个操作日期的第一行为分值，包括：
对于所述每个操作日期，将所述操作日期中所述用户对所述第一应用执行过的所有操作的操作类型对应的预设权值相加，得到所述操作日期的总权值；
若所述总权值大于预设阈值，则将所述预设阈值记为所述用户对所述第一应用在所述操作日期的第一行为分值；
若所述总权值小于或等于预设阈值，则将所述总权值记为所述用户对所述第一应用在所述操作日期的第一行为分值。
4.如权利要求2所述的应用推荐方法，其特征在于，所述根据所述每个操作日期的第一行为分值和所述每个操作日期与推荐日期的日期间隔，计算所述每个操作日期的第二行为分值，包括：
对于所述每个操作日期，确定所述操作日期与推荐日期的日期间隔，以及与所述日期间隔对应的预设的时间衰减系数；
将所述操作日期的第一行为分值与所述时间衰减系数相乘，得到所述操作日期的第二行为分值。
5.如权利要求1所述的应用推荐方法，其特征在于，在所述根据各个第一应用的喜好评分，计算每两个第一应用之间的相似值的步骤中，任意两个第一应用之间的相似值的计算方式为：
将两个第一应用的喜好评分分别生成第一向量和第二向量；
计算所述第一向量与所述第二向量之间的余弦相似度，所述余弦相似度为所述两个第一应用之间的相似值。
6.如权利要求1所述的应用推荐方法，其特征在于，所述根据所述用户对至少一个第二应用的喜好评分、以及与每个第二应用对应的相似度，确定所述M个第一应用中与所述用户对应的推荐应用，包括：
对于所述每个第二应用，根据与所述第二应用对应的相似值，确定与所述第二应用对应的相似应用；
根据所述用户对各个第二应用的喜好评分，以及各个第二应用与对应的各个相似应用之间的相似值，分别计算所述用户对各个第二应用的各个相似应用的兴趣值；
根据计算的兴趣值，将各个第二应用对应的各个相似应用中兴趣值最大的J个相似应用确定为所述推荐应用。
7.如权利要求6所述的应用推荐方法，其特征在于，所述根据与所述第二应用对应的相似值，确定与所述第二应用对应的相似应用，包括：
将所述M个第一应用中与所述第二应用之间的相似值最大的K个应用确定为与所述第二应用对应的K个相似应用；
所述根据所述用户对各个第二应用的喜好评分，以及各个第二应用与对应的各个相似应用之间的相似值，分别计算所述用户对各个第二应用的各个相似应用的兴趣值，包括：
根据公式P(u,i)＝∑j∈S(j,K)∩N(u)wijruj计算所述用户对各个第二应用的各个相似应用的兴趣值；
其中，P(u,i)为所述用户对第i个相似应用的兴趣值，N(u)为第二应用的集合，S(j,K)为第j个第二应用的K个相似应用的集合，i∈S(j,K)，wij为第j个第二应用和第i个相似应用之间的相似值，ruj为第j个第二应用的喜好评分。
8.一种应用推荐装置，其特征在于，包括：
获取数据单元，用于获取N个用户对M个第一应用的历史行为数据集，所述历史行为数据集中每条历史行为数据包括一个用户对一个第一应用执行操作时产生的操作数据；
评分计算单元，用于根据所述历史行为数据集计算每个第一应用的喜好评分，所述第一应用的喜好评分包括所述N个用户中每个用户分别对所述第一应用的喜好评分；
相似值计算单元，用于根据各个第一应用的喜好评分，计算每两个第一应用之间的相似值；
应用推荐单元，用于对于每个用户，根据所述用户对至少一个第二应用的喜好评分、以及与每个第二应用对应的相似度，确定所述M个第一应用中与所述用户对应的推荐应用，所述第二应用为所述M个第一应用中被所述用户执行过操作的应用。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中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如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN201911100345.3A 2019-11-12 2019-11-12 一种应用推荐方法、应用推荐装置及终端设备 Active CN110688582B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911100345.3A CN110688582B (zh) 2019-11-12 2019-11-12 一种应用推荐方法、应用推荐装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911100345.3A CN110688582B (zh) 2019-11-12 2019-11-12 一种应用推荐方法、应用推荐装置及终端设备

Publications (2)

Publication Number Publication Date
CN110688582A true CN110688582A (zh) 2020-01-14
CN110688582B CN110688582B (zh) 2022-10-18

Family

ID=69116483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911100345.3A Active CN110688582B (zh) 2019-11-12 2019-11-12 一种应用推荐方法、应用推荐装置及终端设备

Country Status (1)

Country Link
CN (1) CN110688582B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523944A (zh) * 2020-04-26 2020-08-11 北京深演智能科技股份有限公司 浏览数据处理方法、装置、非易失性存储介质和处理

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880501A (zh) * 2012-07-24 2013-01-16 北京奇虎科技有限公司 应用推荐的实现方法、装置和系统
CN104281956A (zh) * 2014-10-27 2015-01-14 南京信息工程大学 基于时间信息的适应用户兴趣变化的动态推荐方法
CN104572962A (zh) * 2014-12-31 2015-04-29 浙江大学 一种app推荐的方法和系统
US20150149484A1 (en) * 2013-11-22 2015-05-28 Here Global B.V. Graph-based recommendations service systems and methods
CN105426486A (zh) * 2015-11-20 2016-03-23 天津大学 一种基于用户行为数据的手机app推送方法
US20160335260A1 (en) * 2015-05-11 2016-11-17 Informatica Llc Metric Recommendations in an Event Log Analytics Environment
CN106503006A (zh) * 2015-09-07 2017-03-15 阿里巴巴集团控股有限公司 应用App中子应用的排序方法及装置
CN107885852A (zh) * 2017-11-13 2018-04-06 上海交通大学 一种基于app使用记录的app推荐方法及系统
CN108256093A (zh) * 2018-01-29 2018-07-06 华南理工大学 一种基于用户多兴趣及兴趣变化的协同过滤推荐算法
CN109033263A (zh) * 2018-07-09 2018-12-18 努比亚技术有限公司 一种应用推荐方法及终端
CN109241415A (zh) * 2018-08-20 2019-01-18 平安科技（深圳）有限公司 项目推荐方法、装置、计算机设备及存储介质
CN109389447A (zh) * 2017-08-04 2019-02-26 北京京东尚科信息技术有限公司 项目推荐方法、项目推荐系统以及计算机可读介质
CN109615487A (zh) * 2019-01-04 2019-04-12 平安科技（深圳）有限公司 基于用户行为的产品推荐方法、装置、设备及存储介质
CN109961311A (zh) * 2017-12-26 2019-07-02 中国移动通信集团四川有限公司 客户推荐方法、装置、计算设备及存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880501A (zh) * 2012-07-24 2013-01-16 北京奇虎科技有限公司 应用推荐的实现方法、装置和系统
US20150149484A1 (en) * 2013-11-22 2015-05-28 Here Global B.V. Graph-based recommendations service systems and methods
CN104281956A (zh) * 2014-10-27 2015-01-14 南京信息工程大学 基于时间信息的适应用户兴趣变化的动态推荐方法
CN104572962A (zh) * 2014-12-31 2015-04-29 浙江大学 一种app推荐的方法和系统
US20160335260A1 (en) * 2015-05-11 2016-11-17 Informatica Llc Metric Recommendations in an Event Log Analytics Environment
CN106503006A (zh) * 2015-09-07 2017-03-15 阿里巴巴集团控股有限公司 应用App中子应用的排序方法及装置
CN105426486A (zh) * 2015-11-20 2016-03-23 天津大学 一种基于用户行为数据的手机app推送方法
CN109389447A (zh) * 2017-08-04 2019-02-26 北京京东尚科信息技术有限公司 项目推荐方法、项目推荐系统以及计算机可读介质
CN107885852A (zh) * 2017-11-13 2018-04-06 上海交通大学 一种基于app使用记录的app推荐方法及系统
CN109961311A (zh) * 2017-12-26 2019-07-02 中国移动通信集团四川有限公司 客户推荐方法、装置、计算设备及存储介质
CN108256093A (zh) * 2018-01-29 2018-07-06 华南理工大学 一种基于用户多兴趣及兴趣变化的协同过滤推荐算法
CN109033263A (zh) * 2018-07-09 2018-12-18 努比亚技术有限公司 一种应用推荐方法及终端
CN109241415A (zh) * 2018-08-20 2019-01-18 平安科技（深圳）有限公司 项目推荐方法、装置、计算机设备及存储介质
CN109615487A (zh) * 2019-01-04 2019-04-12 平安科技（深圳）有限公司 基于用户行为的产品推荐方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PULKIT RUSTGI 等: "DroidVisor: An Android secure application recommendation system", 《2017 IFIP/IEEE SYMPOSIUM ON INTEGRATED NETWORK AND SERVICE MANAGEMENT (IM)》 *
冯炽 等: "基于时间衰减因子的梯度提升回归树房源推荐算法", 《信息技术与信息化》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523944A (zh) * 2020-04-26 2020-08-11 北京深演智能科技股份有限公司 浏览数据处理方法、装置、非易失性存储介质和处理

Also Published As

Publication number Publication date
CN110688582B (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
WO2015175384A1 (en) Query categorizer
CN111666492A (zh) 基于用户行为的信息推送方法、装置、设备及存储介质
CN111275205B (zh) 虚拟样本的生成方法、终端设备及存储介质
CN113032682A (zh) 基于协同过滤的产品推荐方法、装置、设备及存储介质
CN108062692B (zh) 一种录音推荐方法、装置、设备及计算机可读存储介质
CN112801800A (zh) 行为资金分析系统、方法、计算机设备及存储介质
CN110825977A (zh) 一种数据推荐方法及相关设备
CN113076416A (zh) 信息热度评估方法、装置和电子设备
CN112181386B (zh) 一种基于软件持续集成的代码构建方法、装置及终端
CN113761514A (zh) 一种云桌面多因子安全认证方法及系统
CN111352952A (zh) 一种信息查询方法、服务器、及计算机可读存储介质
CN110069594B (zh) 合同确认方法、装置、电子设备及存储介质
CN109450963B (zh) 消息推送方法及终端设备
CN111858686A (zh) 数据显示方法、装置、终端设备及存储介质
CN115185904A (zh) 云存储数据处理方法、装置、电子设备及可读存储介质
CN110688582B (zh) 一种应用推荐方法、应用推荐装置及终端设备
CN113010791B (zh) 搜索结果展示处理方法、装置及计算机可读存储介质
CN109451347A (zh) 一种特效制作方法、装置、终端及计算机可读存储介质
CN108109052A (zh) 物品推送方法、装置及服务器
US20190370850A1 (en) Reliability metrics for real-time auctions
CN109033469B (zh) 一种搜索结果的排名方法、装置、终端及计算机存储介质
CN111275071A (zh) 预测模型训练、预测方法、装置及电子设备
CN111258695B (zh) 电话手表的表盘推荐方法、表盘推荐装置及终端设备
CN107562758B (zh) 一种推送信息的方法、装置及电子设备
CN108595623A (zh) 一种游戏视频推送方法、装置及计算机存储介质

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