CN110727856A - 一种基于低龄用户的优化协同推荐方法及系统 - Google Patents
一种基于低龄用户的优化协同推荐方法及系统 Download PDFInfo
- Publication number
- CN110727856A CN110727856A CN201910832522.0A CN201910832522A CN110727856A CN 110727856 A CN110727856 A CN 110727856A CN 201910832522 A CN201910832522 A CN 201910832522A CN 110727856 A CN110727856 A CN 110727856A
- Authority
- CN
- China
- Prior art keywords
- user
- recommendation
- product
- list
- recommended
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 239000000047 product Substances 0.000 claims description 203
- 230000006399 behavior Effects 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 32
- 239000006227 byproduct Substances 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 12
- 238000010606 normalization Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Abstract
本发明提供一种基于低龄用户的优化协同推荐方法,包括:在用户登录客户端的应用时,发送登录消息给推荐服务器;通过推荐服务器接收到登录消息,根据所述登录消息查询用户对应的历史数据,若用户是新用户,则根据用户年龄和性别返回对应的通用推荐列表给客户端;否则根据用户行为相关度的个性推荐列表和年龄段最新产品的推荐列表,将二者进行混合,得到混合推荐列表返回给客户端;通过客户端接收推荐服务器返回的列表信息,解析并展示对应推荐应用的图标和下载地址,在用户点击图标时提供应用的下载。本发明还提供一种基于低龄用户的优化协同推荐系统,实现为低龄用户提供专门的推荐,提升家长和儿童用户的满意度。
Description
技术领域
本发明涉及一种基于低龄用户的优化协同推荐方法及系统。
背景技术
随着计算机技术的不断发展,智能设备的不断普及,用户接触智能设备的时间逐渐呈现低龄化。如何在海量的产品中选择出适合的移动教育应用产品推荐给适龄的儿童用户,最大化提升家长和儿童用户的满意度,真正做到面向用户是现阶段研究的一个热点问题。
当前各类互联网应用中多包含有内容推荐功能,这些推荐多是以用户的浏览和使用历史记录为依据,向用户推荐与历史相关的同类内容。但是低龄用户的兴趣和行为存在很大的不确定性,如果只是推荐同类的产品必然会缺乏针对性对内容推广不利。完全开放式内容推荐容易因为内容的不适合容易导致用户的流失。因而,有必要寻求一种更加有效的推荐办法,既能满足用户不断变化的兴趣,同时又能更大限度、更大可能地推荐给用户感兴趣的内容和新的内容。
发明内容
本发明要解决的技术问题之一,在于提供一种基于低龄用户的优化协同推荐方法,为低龄用户提供专门的推荐,提升家长和儿童用户的满意度。
本发明要解决的技术问题之一是这样实现的:一种基于低龄用户的优化协同推荐方法,包括如下步骤:
步骤1、在用户登录客户端的应用时,发送登录消息给推荐服务器,所述登录消息包括设备信息和应用标识;
步骤2、通过推荐服务器接收到登录消息,根据所述登录消息查询用户对应的历史数据,判断用户是否为新用户,若是,则进入步骤3,否则进入步骤4;
步骤3、根据用户使用产品返回对应的通用推荐列表给客户端;
步骤4、根据用户行为相关度的个性推荐列表和年龄段最新产品的推荐列表,将二者进行混合,得到混合推荐列表返回给客户端;
步骤5、通过客户端接收推荐服务器返回的列表信息,解析并展示对应推荐应用的图标和下载地址,在用户点击图标时提供应用的下载。
进一步的,所述方法还包括步骤6、在用户点击下载应用时,通过客户端消息数据的采集上报反馈给推荐服务器,所述推荐服务器接收到点击消息后对推荐列表进行周期性更新。
进一步的,所述通用推荐列表的生成方式具体为:通过产品相似度创建通用推荐列表,所述产品相似度是基于用户使用产品的兴趣相近程度计算的。
进一步的,所述混合推荐列表的生成方式具体包括:
步骤a、预先根据用户的特征进行分组;
步骤b、将不同的用户行为进行划分,设置各个行为的评分标准,并按不同因子权重计算得到每一组内用户对产品的评分矩阵,来表示用户对产品的喜好程度;
步骤c、计算同组用户中对产品的喜好的用户相似程度,得到用户相似度矩阵;
步骤d、将步骤b中的评分矩阵乘以步骤c中的用户相似度矩阵,得到用户待推荐产品数据,再排除掉用户已经有过使用行为的产品得到推荐产品数据,从中挑选排名在一定范围的产品作为个性推荐列表,混合着该组用户年龄段对应的新产品得到最终的混合推荐列表信息,其中,该组用户年龄段对应的新产品是预先导入的新产品信息。
进一步的,所述推荐列表数据结构包括推荐的应用名称、推荐的应用标识、推荐的应用的图标地址和推荐应用的下载地址。
本发明要解决的技术问题之二,在于提供一种基于低龄用户的优化协同推荐系统,为低龄用户提供专门的推荐,提升家长和儿童用户的满意度。
本发明要解决的技术问题之二是这样实现的:一种基于低龄用户的优化协同推荐系统,包括:
登录模块,用于在用户登录客户端的应用时,发送登录消息给推荐服务器,所述登录消息包括设备信息和应用标识;
查询模块,用于通过推荐服务器接收到登录消息,根据所述登录消息查询用户对应的历史数据,判断用户是否为新用户,若是,则执行新用户推荐模块,否则执行混合推荐模块;
新用户推荐模块,用于根据用户使用产品返回对应的通用推荐列表给客户端;
混合推荐模块,用于根据用户行为相关度的个性推荐列表和年龄段最新产品的推荐列表,将二者进行混合,得到混合推荐列表返回给客户端;
展示模块,用于通过客户端接收推荐服务器返回的列表信息,解析并展示对应推荐应用的图标和下载地址,在用户点击图标时提供应用的下载
进一步的,所述系统还包括更新模块,用于在用户点击下载应用时,通过客户端消息数据的采集上报反馈给推荐服务器,所述推荐服务器接收到点击消息后对推荐列表进行周期性更新。
进一步的,所述通用推荐列表的生成方式具体为:通过产品相似度创建通用推荐列表,所述产品相似度是基于用户使用产品的兴趣相近程度计算的。
进一步的,所述混合推荐列表的生成方式具体包括:
步骤a、预先根据用户的特征进行分组;
步骤b、将不同的用户行为进行划分,设置各个行为的评分标准,并按不同因子权重计算得到每一组内用户对产品的评分矩阵,来表示用户对产品的喜好程度;
步骤c、计算同组用户中对产品的喜好的用户相似程度,得到用户相似度矩阵;
步骤d、将步骤b中的评分矩阵乘以步骤c中的用户相似度矩阵,得到用户待推荐产品数据,再排除掉用户已经有过使用行为的产品得到推荐产品数据,从中挑选排名在一定范围的产品作为个性推荐列表,混合着该组用户年龄段对应的新产品得到最终的混合推荐列表信息,其中,该组用户年龄段对应的新产品是预先导入的新产品信息。
进一步的,所述推荐列表数据结构包括推荐的应用名称、推荐的应用标识、推荐的应用的图标地址和推荐应用的下载地址。
本发明具有如下优点:
1、利用大数据计算的方式实现了通用和用户行为关联度的推算,能更好的满足低龄用户需要,有效的帮助用户找到适龄的优质产品让家长放心;
2、在通用推荐列表里面增加了开放式新产品的推荐有利于新应用的曝光和推广,同时满足低龄用户的兴趣变化;
3、根据用户的反馈更新推荐列表能够有效的提升推荐的效率和用户满意度。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明方法执行流程图。
图2为本发明系统框图。
具体实施方式
如图1所示,本发明的一种基于低龄用户的优化协同推荐方法,包括如下步骤:
步骤1、在用户登录客户端的应用时,发送登录消息给推荐服务器,所述登录消息包括设备信息和应用标识;根据所述应用标识可知消息为哪个应用服务器发送的,从而确定后续消息需要推送给哪个使用该应用的用户,用户均作为使用该应用的设备唯一标识,推荐服务器根据应用的标识确定应用对应的连接,该连接为客户端与推荐服务器之间基于用户与该应用的连接,即当某一用户通过终端登录应用时,即此时该终端与推荐服务器之间基于用户和该应用建立连接;
步骤2、通过推荐服务器接收到登录消息,根据所述登录消息查询用户对应的历史数据,判断用户是否为新用户,若是,则进入步骤3,否则进入步骤4;
步骤3、根据用户使用产品返回对应的通用推荐列表给客户端;
步骤4、根据用户行为相关度的个性推荐列表和年龄段最新产品的推荐列表,将二者进行混合,得到混合推荐列表返回给客户端;
步骤5、通过客户端接收推荐服务器返回的列表信息,解析并展示对应推荐应用的图标和下载地址,在用户点击图标时提供应用的下载。
所述方法还包括步骤6、在用户点击下载应用时,通过客户端消息数据的采集上报反馈给推荐服务器,所述推荐服务器接收到点击消息后对推荐列表进行周期性更新。
所述通用推荐列表的生成方式具体为:通过产品相似度创建通用推荐列表,所述产品相似度是基于用户使用产品的兴趣相近程度计算的,具体的计算方式如下:给定产品u和产品v,令N(u)为产品u曾经有过正反馈的用户集合,令N(v)为产品v曾经有过正反馈的用户集合,根据用户行为计算产品相似度,从而获得产品相似度数据,采用John S.Breese的如下公式计算所述产品u和产品v的产品相似度:
其中,i表示使用产品u的用户集与使用产品v的用户集之间存在的交集部分用户,P(i)是对用户i有过正反馈的产品集合,P(i)越大,表示使用的产品越多,越活跃,该公式的分子中的倒数惩罚了产品u和产品v共同兴趣列表中活跃度高的用户对他们相似度的影响。上述正反馈可以设定为用户单次使用这个产品的时长>5分钟或者单日累计使用时长超过10分钟。
根据上述公式计算得到产品的N*N相似度矩阵如表1:
表1
根据需要可以选择与产品a相似度高的前几名(比如前30名等)的产品名单做为产品a的通用推荐列表,该推荐列表数据结构包括推荐的应用名称、推荐的应用标识、推荐的应用的图标地址和推荐应用的下载地址。
所述混合推荐列表的生成方式具体包括:
步骤a、预先根据用户的特征进行分组,比如按照年龄、性别和区域特征进行分组,因为不同年龄的用户行为特征不同,也会导致用户对于不同交互形式有不同的喜好特征;
步骤b、将不同的用户行为进行划分,设置各个行为的评分标准,并按不同因子权重计算得到每一组内用户对产品的评分矩阵;比如将用户行为划分为“推荐应用的查看”、“分享行为”、“使用产品时长”和“使用频率”,给不同的行为赋予不同的评分(比如设置查看2分、使用时长评分[1-5]分、使用频率[1-5]分、分享3分),基于不同的行为,计算不同的用户对产品的喜好度,通过计算某一组中用户/产品的评分矩阵来表示用户对产品的喜好程度,一实施例中所述评分矩阵如表2所示:
表2
上述评分矩阵中的数值是预先经过减噪和归一化计算得到的,比如可通过经典的数据挖掘算法过滤行为数据中的噪声(比如对明显的误操作等的删除),由于不同行为数据取值可能相差很大,比如用户的点击数据必然比使用数据大很多,因此需要将各个行为的数据统一在一个相同的取值范围中,使得后续计算得到的总体喜欢更加精确,此处的归一化处理是将各类数据除以此类数据中的最大值,使得数据取值在[0,1]范围中,之后再进行加权计算得到对应数值;
步骤c、计算同组用户中对产品的喜好的用户相似程度,通过余弦相似度公式计算得到,所述余弦相似度公式如下:
其中,a和b表示用户a和用户b,a1、a2、a3,……,an表示用户a对产品1、产品2、产品3,……,产品n的评分(参考表2中的数值),b1、b2、b3,……,bn表示用户b对产品1、产品2、产品3,……,产品n的评分(参考表2中的数值),以此类推,计算组内各个用户的相似度矩阵,如下表3所示:
表3
用户/用户 | a | b | c | d | e | f | g |
a | 1 | 0.16 | 0.43 | 0.61 | 0.30 | 0.52 | 0.57 |
b | 0.16 | 1 | 0.57 | 0.14 | 0.28 | 0.65 | 0.38 |
c | 0.43 | 0.57 | 1 | 0.26 | 0.47 | 0.59 | 0.24 |
d | 0.61 | 0.14 | 0.26 | 1 | 0.15 | 0.34 | 0 |
e | 0.30 | 0.28 | 0.47 | 0.15 | 1 | 0.27 | 0.21 |
f | 0.52 | 0.65 | 0.59 | 0.34 | 0.27 | 1 | 0.54 |
g | 0.57 | 0.38 | 0.24 | 0 | 0.21 | 0.54 | 1 |
步骤d、将步骤b中的评分矩阵乘以步骤c中的用户相似度矩阵,得到用户待推荐产品数据,如表4所示,再排除掉用户已经有过使用行为的产品得到推荐产品数据,如表5所示,其数值代表的意义是用户对商品的感兴趣程度,从中挑选感兴趣程度较高的前几名(即排名在一定范围的产品)作为个性推荐列表,混合着该组用户年龄段对应的新产品得到最终的混合推荐列表信息,其中,该组用户年龄段对应的新产品是预先导入的新产品信息;该推荐列表数据结构包括推荐的应用名称、推荐的应用标识、推荐的应用的图标地址和推荐应用的下载地址。
表4
用户/商品 | 产品1 | 产品2 | 产品3 | 产品4 | 产品5 | 产品6 | 产品7 |
a | 10.687 | 12.586 | 12.883 | 3.755 | 23.173 | 19.094 | 3.6 |
b | 17.553 | 6.024 | 15.522 | 13.093 | 17.917 | 9.08 | 3.36 |
c | 19.789 | 11.415 | 12.337 | 10.771 | 24.077 | 15.881 | 5.64 |
d | 6.53 | 11.071 | 6.445 | 2.716 | 16.784 | 10.033 | 1.8 |
e | 18.215 | 8.64 | 6.705 | 5.187 | 12.476 | 13.936 | 12 |
f | 18.215 | 9.247 | 18.784 | 9.586 | 24.626 | 14.113 | 3.24 |
g | 17.48 | 5.325 | 15.301 | 5.09 | 15.024 | 13.795 | 2.52 |
表5
用户/商品 | 产品1 | 产品2 | 产品3 | 产品4 | 产品5 | 产品6 | 产品7 |
a | 10.687 | 3.755 | 3.6 | ||||
b | 6.024 | 9.08 | 3.36 | ||||
c | 12.337 | 5.64 | |||||
d | 6.53 | 6.445 | 2.716 | 10.033 | 1.8 | ||
e | 6.705 | 5.187 | 12.476 | ||||
f | 9.247 | 9.586 | 14.113 | 3.24 | |||
g | 17.48 | 5.325 | 5.09 | 15.024 | 2.52 |
所述通用推荐列表和混合推荐列表均存储在推荐服务器的计算机存储介质内,比如磁盘,内存,硬盘等。
如图2所示,本发明的一种基于低龄用户的优化协同推荐系统,包括:
登录模块,用于在用户登录客户端的应用时,发送登录消息给推荐服务器,所述登录消息包括用户年龄、性别、地域、设备信息和应用标识;根据所述应用标识可知消息为哪个应用服务器发送的,从而确定后续消息需要推送给哪个使用该应用的用户,用户均作为使用该应用的设备唯一标识,推荐服务器根据应用的标识确定应用对应的连接,该连接为客户端与推荐服务器之间基于用户与该应用的连接,即当某一用户通过终端登录应用时,即此时该终端与推荐服务器之间基于用户和该应用建立连接;
查询模块,用于通过推荐服务器接收到登录消息,根据所述登录消息查询用户对应的历史数据,判断用户是否为新用户,若是,则执行新用户推荐模块,否则执行混合推荐模块;
新用户推荐模块,用于根据用户使用产品返回对应的通用推荐列表给客户端;
混合推荐模块,用于根据用户行为相关度的个性推荐列表和年龄段最新产品的推荐列表,将二者进行混合,得到混合推荐列表返回给客户端;
展示模块,用于通过客户端接收推荐服务器返回的列表信息,解析并展示对应推荐应用的图标和下载地址,在用户点击图标时提供应用的下载。
所述系统还包括更新模块,用于在用户点击下载应用时,通过客户端消息数据的采集上报反馈给推荐服务器,所述推荐服务器接收到点击消息后对推荐列表进行周期性更新。
所述通用推荐列表的生成方式具体为:通过产品相似度创建通用推荐列表,所述产品相似度是基于用户使用产品的兴趣相近程度计算的,具体的计算方式如下:给定产品u和产品v,令N(u)为产品u曾经有过正反馈的用户集合,令N(v)为产品v曾经有过正反馈的用户集合,根据用户行为计算产品相似度,从而获得产品相似度数据,采用John S.Breese的如下公式计算所述产品u和产品v的产品相似度:
其中,i表示使用产品u的用户集与使用产品v的用户集之间存在的交集部分用户,P(i)是对用户i有过正反馈的产品集合,P(i)越大,表示使用的产品越多,越活跃,该公式的分子中的倒数惩罚了产品u和产品v共同兴趣列表中活跃度高的用户对他们相似度的影响。上述正反馈可以设定为用户单次使用这个产品的时长>5分钟或者单日累计使用时长超过10分钟。
根据上述公式计算得到产品的N*N相似度矩阵如表1:
表1
产品a | 产品b | 产品c | 产品d | 产品e | 产品f | 产品g | |
产品a | - | 0.63 | 0.37 | 0.56 | 0.32 | 0.22 | 0.44 |
产品b | 0.63 | - | 0.60 | 0.42 | 0.33 | 0.58 | 0.36 |
产品c | 0.37 | 0.60 | - | 0.49 | 0.89 | 0.63 | 0.55 |
产品d | 0.56 | 0.42 | 0.49 | - | 0.42 | 0.89 | 0.36 |
产品e | 0.32 | 0.33 | 0.89 | 0.42 | - | 0.42 | 0.73 |
产品f | 0.22 | 0.58 | 0.63 | 0.89 | 0.42 | - | 0.40 |
产品g | 0.44 | 0.36 | 0.55 | 0.36 | 0.73 | 0.40 | - |
根据需要可以选择与产品a相似度高的前几名(比如前30名等)的产品名单做为产品a的通用推荐列表,该推荐列表数据结构包括推荐的应用名称、推荐的应用标识、推荐的应用的图标地址和推荐应用的下载地址。
所述混合推荐列表的生成方式具体包括:
步骤a、预先根据用户的特征进行分组,比如按照年龄、性别和区域特征进行分组,因为不同年龄的用户行为特征不同,也会导致用户对于不同交互形式有不同的喜好特征;
步骤b、将不同的用户行为进行划分,设置各个行为的评分标准,并按不同因子权重计算得到每一组内用户对产品的评分矩阵;比如将用户行为划分为“推荐应用的查看”、“分享行为”、“使用产品时长”和“使用频率”,给不同的行为赋予不同的评分(比如设置查看2分、使用时长评分[1-5]分、使用频率[1-5]分、分享3分),基于不同的行为,计算不同的用户对产品的喜好度,通过计算某一组中用户/产品的评分矩阵来表示用户对产品的喜好程度,一实施例中所述评分矩阵如表2所示:
表2
用户/产品 | 产品1 | 产品2 | 产品3 | 产品4 | 产品5 | 产品6 | 产品7 |
a | 5.6 | 3.7 | 11 | 12 | |||
b | 6.3 | 6.6 | 10.3 | 3.6 | |||
c | 7.3 | 6.0 | 4.9 | 11.2 | 6.8 | ||
d | 5.6 | 3.7 | |||||
e | 11.4 | 3.3 | 6.3 | 12 | |||
f | 6 | 9.6 | 8.7 | ||||
g | 5.5 | 4.0 |
上述评分矩阵中的数值是预先经过减噪和归一化计算得到的,比如可通过经典的数据挖掘算法过滤行为数据中的噪声(比如对明显的误操作等的删除),由于不同行为数据取值可能相差很大,比如用户的点击数据必然比使用数据大很多,因此需要将各个行为的数据统一在一个相同的取值范围中,使得后续计算得到的总体喜欢更加精确,此处的归一化处理是将各类数据除以此类数据中的最大值,使得数据取值在[0,1]范围中,之后再进行加权计算得到对应数值;
步骤c、计算同组用户中对产品的喜好的用户相似程度,通过余弦相似度公式计算得到,所述余弦相似度公式如下:
其中,a和b表示用户a和用户b,a1、a2、a3,……,an表示用户a对产品1、产品2、产品3,……,产品n的评分(参考表2中的数值),b1、b2、b3,……,bn表示用户b对产品1、产品2、产品3,……,产品n的评分(参考表2中的数值),以此类推,计算组内各个用户的相似度矩阵,如下表3所示:
表3
用户/用户 | a | b | c | d | e | f | g |
a | 1 | 0.16 | 0.43 | 0.61 | 0.30 | 0.52 | 0.57 |
b | 0.16 | 1 | 0.57 | 0.14 | 0.28 | 0.65 | 0.38 |
c | 0.43 | 0.57 | 1 | 0.26 | 0.47 | 0.59 | 0.24 |
d | 0.61 | 0.14 | 0.26 | 1 | 0.15 | 0.34 | 0 |
e | 0.30 | 0.28 | 0.47 | 0.15 | 1 | 0.27 | 0.21 |
f | 0.52 | 0.65 | 0.59 | 0.34 | 0.27 | 1 | 0.54 |
g | 0.57 | 0.38 | 0.24 | 0 | 0.21 | 0.54 | 1 |
步骤d、将步骤b中的评分矩阵乘以步骤c中的用户相似度矩阵,得到用户待推荐产品数据,如表4所示,再排除掉用户已经有过使用行为的产品得到推荐产品数据,如表5所示,其数值代表的意义是用户对商品的感兴趣程度,从中挑选感兴趣程度较高的前几名(即排名在一定范围的产品)作为个性推荐列表,混合着该组用户年龄段对应的新产品得到最终的混合推荐列表信息,其中,该组用户年龄段对应的新产品是预先导入的新产品信息;该推荐列表数据结构包括推荐的应用名称、推荐的应用标识、推荐的应用的图标地址和推荐应用的下载地址。
表4
表5
用户/商品 | 产品1 | 产品2 | 产品3 | 产品4 | 产品5 | 产品6 | 产品7 |
a | 10.687 | 3.755 | 3.6 | ||||
b | 6.024 | 9.08 | 3.36 | ||||
c | 12.337 | 5.64 | |||||
d | 6.53 | 6.445 | 2.716 | 10.033 | 1.8 | ||
e | 6.705 | 5.187 | 12.476 | ||||
f | 9.247 | 9.586 | 14.113 | 3.24 | |||
g | 17.48 | 5.325 | 5.09 | 15.024 | 2.52 |
所述通用推荐列表和混合推荐列表均存储在推荐服务器的计算机存储介质内,比如磁盘,内存,硬盘等。
本发明的推荐服务器设备,可以设置与客户端(比如移动终端)设置在同一区域,如可以是该移动终端所在的同一国家内,方便差别化管理;所述推荐服务器不限制为单台服务器,也包括一组集群服务器,部署在一个域名网站的下面,而且可以对移动、联通、电信等不同的运营商有不同的机房部署。移动终端连接推荐服务器的域名网站,该域名网站的全局负载均衡系统(Global Server Load Balance;GSLB)会针对当前移动终端的网络类型如电信、移动或联通,自动选择对应的机房(如电信、移动或联通)的推荐服务器对接,在连接成功后,该连接一直保留,通过不同运营商对接对应的终端,提高数据传输效率。
本发明利用大数据计算的方式实现了通用和用户行为关联度的推算,能更好的满足低龄用户需要,有效的帮助用户找到适龄的优质产品让家长放心;在通用推荐列表里面增加了开放式新产品的推荐有利于新应用的曝光和推广,同时满足低龄用户的兴趣变化;根据用户的反馈更新推荐列表能够有效的提升推荐的效率和用户满意度;本发明还通过定义相同的接入协议兼容了安卓ios以及小程序等,便于推广。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (10)
1.一种基于低龄用户的优化协同推荐方法,其特征在于:包括如下步骤:
步骤1、在用户登录客户端的应用时,发送登录消息给推荐服务器,所述登录消息包括设备信息和应用标识;
步骤2、通过推荐服务器接收到登录消息,根据所述登录消息查询用户对应的历史数据,判断用户是否为新用户,若是,则进入步骤3,否则进入步骤4;
步骤3、根据用户使用产品返回对应的通用推荐列表给客户端;
步骤4、根据用户行为相关度的个性推荐列表和年龄段最新产品的推荐列表,将二者进行混合,得到混合推荐列表返回给客户端;
步骤5、通过客户端接收推荐服务器返回的列表信息,解析并展示对应推荐应用的图标和下载地址,在用户点击图标时提供应用的下载。
2.根据权利要求1所述的一种基于低龄用户的优化协同推荐方法,其特征在于:所述方法还包括步骤6、在用户点击下载应用时,通过客户端消息数据的采集上报反馈给推荐服务器,所述推荐服务器接收到点击消息后对推荐列表进行周期性更新。
3.根据权利要求1所述的一种基于低龄用户的优化协同推荐方法,其特征在于:所述通用推荐列表的生成方式具体为:通过产品相似度创建通用推荐列表,所述产品相似度是基于用户使用产品的兴趣相近程度计算的。
4.根据权利要求1所述的一种基于低龄用户的优化协同推荐方法,其特征在于:所述混合推荐列表的生成方式具体包括:
步骤a、预先根据用户的特征进行分组;
步骤b、将不同的用户行为进行划分,设置各个行为的评分标准,并按不同因子权重计算得到每一组内用户对产品的评分矩阵,来表示用户对产品的喜好程度;
步骤c、计算同组用户中对产品的喜好的用户相似程度,得到用户相似度矩阵;
步骤d、将步骤b中的评分矩阵乘以步骤c中的用户相似度矩阵,得到用户待推荐产品数据,再排除掉用户已经有过使用行为的产品得到推荐产品数据,从中挑选排名在一定范围的产品作为个性推荐列表,混合着该组用户年龄段对应的新产品得到最终的混合推荐列表信息,其中,该组用户年龄段对应的新产品是预先导入的新产品信息。
5.根据权利要求1所述的一种基于低龄用户的优化协同推荐方法,其特征在于:所述推荐列表数据结构包括推荐的应用名称、推荐的应用标识、推荐的应用的图标地址和推荐应用的下载地址。
6.一种基于低龄用户的优化协同推荐系统,其特征在于:包括:
登录模块,用于在用户登录客户端的应用时,发送登录消息给推荐服务器,所述登录消息包括设备信息和应用标识;
查询模块,用于通过推荐服务器接收到登录消息,根据所述登录消息查询用户对应的历史数据,判断用户是否为新用户,若是,则执行新用户推荐模块,否则执行混合推荐模块;
新用户推荐模块,用于根据用户使用产品返回对应的通用推荐列表给客户端;
混合推荐模块,用于根据用户行为相关度的个性推荐列表和年龄段最新产品的推荐列表,将二者进行混合,得到混合推荐列表返回给客户端;
展示模块,用于通过客户端接收推荐服务器返回的列表信息,解析并展示对应推荐应用的图标和下载地址,在用户点击图标时提供应用的下载。
7.根据权利要求6所述的一种基于低龄用户的优化协同推荐系统,其特征在于:所述系统还包括更新模块,用于在用户点击下载应用时,通过客户端消息数据的采集上报反馈给推荐服务器,所述推荐服务器接收到点击消息后对推荐列表进行周期性更新。
8.根据权利要求6所述的一种基于低龄用户的优化协同推荐系统,其特征在于:所述通用推荐列表的生成方式具体为:通过产品相似度创建通用推荐列表,所述产品相似度是基于用户使用产品的兴趣相近程度计算的。
9.根据权利要求6所述的一种基于低龄用户的优化协同推荐系统,其特征在于:所述混合推荐列表的生成方式具体包括:
步骤a、预先根据用户的特征进行分组;
步骤b、将不同的用户行为进行划分,设置各个行为的评分标准,并按不同因子权重计算得到每一组内用户对产品的评分矩阵,来表示用户对产品的喜好程度;
步骤c、计算同组用户中对产品的喜好的用户相似程度,得到用户相似度矩阵;
步骤d、将步骤b中的评分矩阵乘以步骤c中的用户相似度矩阵,得到用户待推荐产品数据,再排除掉用户已经有过使用行为的产品得到推荐产品数据,从中挑选排名在一定范围的产品作为个性推荐列表,混合着该组用户年龄段对应的新产品得到最终的混合推荐列表信息,其中,该组用户年龄段对应的新产品是预先导入的新产品信息。
10.根据权利要求6所述的一种基于低龄用户的优化协同推荐系统,其特征在于:所述推荐列表数据结构包括推荐的应用名称、推荐的应用标识、推荐的应用的图标地址和推荐应用的下载地址。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910832522.0A CN110727856A (zh) | 2019-09-04 | 2019-09-04 | 一种基于低龄用户的优化协同推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910832522.0A CN110727856A (zh) | 2019-09-04 | 2019-09-04 | 一种基于低龄用户的优化协同推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110727856A true CN110727856A (zh) | 2020-01-24 |
Family
ID=69218895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910832522.0A Pending CN110727856A (zh) | 2019-09-04 | 2019-09-04 | 一种基于低龄用户的优化协同推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110727856A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882399A (zh) * | 2020-07-31 | 2020-11-03 | 平安国际融资租赁有限公司 | 服务信息推荐方法、装置、计算机系统及可读存储介质 |
CN112948697A (zh) * | 2021-04-01 | 2021-06-11 | 哈尔滨理工大学 | 一种基于二部图的科学文章推荐算法 |
CN113537297A (zh) * | 2021-06-22 | 2021-10-22 | 同盾科技有限公司 | 一种行为数据预测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281718A (zh) * | 2014-11-04 | 2015-01-14 | 深圳市英威诺科技有限公司 | 一种基于用户群体行为数据挖掘智能推荐的方法 |
CN106202331A (zh) * | 2016-07-01 | 2016-12-07 | 中国传媒大学 | 分层次隐私保护的推荐系统及基于该推荐系统的作业方法 |
CN106548255A (zh) * | 2016-11-24 | 2017-03-29 | 山东浪潮云服务信息科技有限公司 | 一种基于海量用户行为的商品推荐方法 |
CN107784066A (zh) * | 2017-08-25 | 2018-03-09 | 上海壹账通金融科技有限公司 | 信息推荐方法、装置、服务器及存储介质 |
CN107943989A (zh) * | 2017-12-01 | 2018-04-20 | 工业互联网创新中心(上海)有限公司 | 基于SaaS平台的模块推荐装置及方法 |
CN108876508A (zh) * | 2018-05-03 | 2018-11-23 | 上海海事大学 | 一种电商协同过滤推荐方法 |
-
2019
- 2019-09-04 CN CN201910832522.0A patent/CN110727856A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281718A (zh) * | 2014-11-04 | 2015-01-14 | 深圳市英威诺科技有限公司 | 一种基于用户群体行为数据挖掘智能推荐的方法 |
CN106202331A (zh) * | 2016-07-01 | 2016-12-07 | 中国传媒大学 | 分层次隐私保护的推荐系统及基于该推荐系统的作业方法 |
CN106548255A (zh) * | 2016-11-24 | 2017-03-29 | 山东浪潮云服务信息科技有限公司 | 一种基于海量用户行为的商品推荐方法 |
CN107784066A (zh) * | 2017-08-25 | 2018-03-09 | 上海壹账通金融科技有限公司 | 信息推荐方法、装置、服务器及存储介质 |
CN107943989A (zh) * | 2017-12-01 | 2018-04-20 | 工业互联网创新中心(上海)有限公司 | 基于SaaS平台的模块推荐装置及方法 |
CN108876508A (zh) * | 2018-05-03 | 2018-11-23 | 上海海事大学 | 一种电商协同过滤推荐方法 |
Non-Patent Citations (1)
Title |
---|
负雪明烛: "《动手实现基于协同过滤的电影推荐系统》", 《CSDN》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882399A (zh) * | 2020-07-31 | 2020-11-03 | 平安国际融资租赁有限公司 | 服务信息推荐方法、装置、计算机系统及可读存储介质 |
CN112948697A (zh) * | 2021-04-01 | 2021-06-11 | 哈尔滨理工大学 | 一种基于二部图的科学文章推荐算法 |
CN113537297A (zh) * | 2021-06-22 | 2021-10-22 | 同盾科技有限公司 | 一种行为数据预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107222566B (zh) | 信息推送方法、装置及服务器 | |
US11526540B2 (en) | Systems and methods for compiling and dynamically updating a collection of frequently asked questions | |
US11153397B2 (en) | Enhanced push messaging | |
US20120102121A1 (en) | System and method for providing topic cluster based updates | |
US20120072283A1 (en) | Mobile application recommendation system and method | |
US20120130940A1 (en) | Real-time analytics of streaming data | |
US20140114998A1 (en) | Determining demographics based on user interaction | |
US20140040377A1 (en) | Dynamic information streams in a social network platform | |
US9686213B2 (en) | Method and system for account recommendation | |
CN110727856A (zh) | 一种基于低龄用户的优化协同推荐方法及系统 | |
US20140280548A1 (en) | Method and system for discovery of user unknown interests | |
CN101651685A (zh) | 用于将预订过滤器与广告应用程序进行映射的方法和系统 | |
JP2013522781A (ja) | ネットワーク内の友人の動的情報を管理するための方法、システムおよびサーバ | |
CN110300084B (zh) | 基于ip地址的画像方法和装置,电子设备,可读介质 | |
CN108021708B (zh) | 内容推荐方法、装置与计算机可读存储介质 | |
Boutet et al. | Hyrec: leveraging browsers for scalable recommenders | |
CN104022940A (zh) | 基于即时通信的信息处理方法、装置及系统 | |
CN106790405B (zh) | 一种基于用户定制化的手机app信息推送方法及系统 | |
CN110659414A (zh) | 一种基于用户画像的个性化信息推送方法及用户端 | |
CN108536763B (zh) | 一种下拉提示方法和装置 | |
US20110282891A1 (en) | Methods And Apparatuses For Providing A Search Crowd Capability | |
US20180114279A1 (en) | Automatic Newsletter Creation | |
US11238105B2 (en) | Correlating user device attribute groups | |
CN108259588B (zh) | 一种基于大数据的文化云平台的推送方法及装置 | |
CN110874639A (zh) | 操作信息的获取方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: 350028 Jinshan Juyuan Industrial Park project a, No.18, West Third Ring Road, Jianxin Town, Cangshan District, Fuzhou City, Fujian Province Applicant after: Baobao Bus Co.,Ltd. Address before: Floor 15, building 3, area F, Fuzhou Software Park, 89 software Avenue, Gulou District, Fuzhou City, Fujian Province 350000 Applicant before: FUZHOU ZHIYONG INFORMATION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200124 |
|
RJ01 | Rejection of invention patent application after publication |