CN111259231A - 应用程序的推荐方法和装置 - Google Patents

Abstract

本发明公开了一种应用程序的推荐方法和装置。其中，该方法包括：从目标终端的安装记录中获取目标终端安装过的应用程序的第一程序信息；通过预先生成的应用程序预测模型，根据第一程序信息，预测目标终端对应的待推荐应用程序；获取应用程序预测模型输出的预测结果，其中，预测结果包括用于向目标终端推荐的待推荐应用程序的程序信息。本发明解决了现有技术中应用程序的推荐依据下载量或用户评价机制进行，导致难以满足用户的个体需求的技术问题。

Description

应用程序的推荐方法和装置

技术领域

本发明涉及智能终端领域，具体而言，涉及一种应用程序的推荐方法和装置。

背景技术

随着时代的发展，智能家居已经逐渐的渗透到我们的生活中，例如：智能窗帘、智能门锁、智能电视等等。各种智能家居设备已成为人们生活中必不可少的工具，各种功能强大的应用程序不断涌现，为用户带来了更加便捷的体验。

目前的应用搜索及应用管理服务均会提供应用推荐功能，现有的应用程序推荐功能大多采用根据下载量和/或用户评价机制来进行相关推荐的方式，因此，人气较高的应用程序会依赖滚雪球效应不断被推荐下载，由于该种推荐方式并未考虑个体用户的实际使用需求，因此，推荐至用户的应用程序与个体用户的匹配度较低，难以满足用户的个体需求。

针对现有技术中应用程序的推荐依据下载量或用户评价机制进行，导致难以满足用户的个体需求的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种应用程序的推荐方法和装置，以至少解决现有技术中应用程序的推荐依据下载量或用户评价机制进行，导致难以满足用户的个体需求的技术问题。

根据本发明实施例的一个方面，提供了一种应用程序的推荐方法，包括：从目标终端的安装记录中获取目标终端安装过的应用程序的第一程序信息；通过预先生成的应用程序预测模型，根据第一程序信息，预测目标终端对应的待推荐应用程序；获取应用程序预测模型输出的预测结果，其中，预测结果包括用于向目标终端推荐的待推荐应用程序的程序信息。

进一步地，在获取目标终端的已安装应用程序的名称之前，获取样本数据，其中，样本数据至少包括：样本终端在预设时间段内安装的应用程序对应的第二程序信息和样本终端安装应用程序的时间信息；提取第二程序信息中的词语，并对第二程序信息对应的词语进行词语向量化处理，得到第二程序信息对应的第一词语向量；基于第一词语向量和样本终端安装应用程序的时间信息对预设的初始模型进行训练，得到应用程序预测模型。

进一步地，提取第一程序信息中的词语，并对第一程序信息对应的词语进行词语向量化处理，得到第一程序信息对应的第二词语向量；将第二词语向量输入至应用程序预测模型，由应用程序预测模型根据第二词语向量预测目标终端对应的待推荐应用程序。

进一步地，第一程序信息包括目标终端安装过的应用程序的如下任意一项或多项信息：名称、属性信息和描述信息。

进一步地，预测结果包括多个待推荐应用程序的程序信息，在获取应用程序预测模型输出的预测结果之后，从预测结果中筛选目标待推荐应用程序；向目标终端推送目标待推荐应用程序。

进一步地，获取待推荐应用程序在其他终端上的使用时长，其中，使用时长根据待推荐应用程序在其他终端上的安装时间和卸载时间确定，其他终端为安装过待推荐应用程序的终端；获取预设的目标终端的时间间隔阈值；从待推荐应用程序中筛选使用时长大于时间间隔阈值的应用程序；确定筛选的应程程序为目标待推荐应用程序。

根据本发明实施例的另一方面，还提供了一种应用程序的推荐装置，其特征在于，包括：第一获取模块，用于从目标终端的安装记录中获取目标终端安装过的应用程序的第一程序信息；预测模块，用于通过预先生成的应用程序预测模型，根据第一程序信息，预测目标终端对应的待推荐应用程序；第二获取模块，用于获取应用程序预测模型输出的预测结果，其中，预测结果包括用于向目标终端推荐的待推荐应用程序的程序信息。

进一步地，装置还包括：生成模块，用于在获取目标终端的已安装应用程序的名称之前，生成应用程序预测模型，其中，生成模块包括：获取子模块，用于获取样本数据，其中，样本数据至少包括：样本终端在预设时间段内安装的应用程序对应的第二程序信息和样本终端安装应用程序的时间信息；提取子模块，用于提取第二程序信息中的词语，并对第二程序信息对应的词语进行词语向量化处理，得到第二程序信息对应的第一词语向量；

训练子模块，用于基于第一词语向量和样本终端安装应用程序的时间信息对预设的初始模型进行训练，得到应用程序预测模型。

根据本发明实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的应用程序的推荐方法。

根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，程序运行时执行上述的应用程序的推荐方法。

在本发明实施例中，从目标终端的安装记录中获取目标终端安装过的应用程序的第一程序信息，通过预先生成的应用程序预测模型，获取应用程序预测模型输出的预测结果，其中，预测结果包括用于向目标终端推荐的待推荐应用程序的程序信息。上述方案根据目标终端安装应用程序的安装记录，通过预先生成的应用程序预测模型预测待推荐应用程序，从而能够根据用户的喜好预测出针对用户的应用程序，与现有技术中向用户推荐人气较高的应用程序相比，对用户更加具有针对性，推荐的应用程序更加符合用户的使用习惯和需求，从而解决了现有技术中应用程序的推荐依据下载量或用户评价机制进行，导致难以满足用户的个体需求的问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的应用程序的推荐方法的流程图；

图2是根据本发明实施例的一种应用程序推荐方法的示意图；以及

图3是根据本发明实施例的应用程序的推荐装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，提供了一种应用程序的推荐方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的应用程序的推荐方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，从目标终端的安装记录中获取目标终端安装过的应用程序的第一程序信息。

具体的，上述目标终端可以是用户使用的智能手机，目标终端的安装记录可以是从目标终端本身获取的安装记录，也可以是从网络服务器侧(例如，网络服务器保存的安装日志信息)获取的目标终端的安装记录。上述第一程序信息可以是目标终端安装过的应用程序的名称、类型、描述信息等。

在一种可选的实施例中，网络服务器中的安装记录记载了最近的预设时间段内，可以根据终端用户的ID或终端设备的设备标识来获取到该终端的应用程序的安装日志，应用程序的安装日志中记载有目标终端安装的应用程序的标识符、应用的图标、下载地址等信息。从安装记录中提取的第一程序信息可以包括从安装日志中提取在预定时长内目标终端安装的多个应用程序名称。其中，上述设备标识可以是MID(Mobile Internet Device，移动互联网设备)，MID是通过移动设备的硬件的编号计算出的唯一的特征值。

上述步骤从安装记录中获得目标终端安装过的应用程序的第一程序信息，从而能够知晓目标终端的用户对应用程序的偏好，即能够知晓目标用户喜好哪种类型的应用程序。

步骤S104，通过预先生成的应用程序预测模型，根据第一程序信息，预测目标终端对应的待推荐应用程序。

在一种可选的实施例中，上述应用程序预测模型可以是神经网络模型。该应用程序预测模型可以通过预设的训练数据训练得到，训练数据可以包括样本数据和样本数据对应的标签，样本数据可以是第一时间段内目标终端安装的应用程序，样本数据对应的标签为第二时间段内目标终端安装的应用程序，第一时间段和第二时间段为时间前后相连的两个时间段。

在上述示例中，可以从第一程序信息对应的文本信息中，提取第一程序信息的矢量特征，并将第一程序的矢量特征属于至应用程序预测模型，由应用程序一侧模型根据第一程序的矢量特征，预测出适合目标终端当前用户的应用程序。

在另一种可选的实施例中，应用程序预测模型可以进行离线计算或在线计算。可以将第一程序信息对应的词语向量与程序词语向量存储库中的多个程序词语向量进行相似度计算，获取与第一程序信息的词语向量相似度较高的程序词语向量，并确定获取的这些程序词语向量对应的应用程序为预测结果。

步骤S106，获取应用程序预测模型输出的预测结果，其中，预测结果包括用于向目标终端推荐的待推荐应用程序的程序信息。

具体的，应用程序预测模型输出的预测结果用于确定向目标终端推荐的应用程序，在网络服务器得到应用程序预测模型输出的预测结果后，可以根据预测结果，向目标终端推送应用程序，目标终端在得到网络服务器的推送后，可以直接安装推送的应用程序，也可以显示提示信息向目标终端的用户确认是否安装网络服务器推送的应用程序。

在一种可选的实施例中，上述应用程序的推荐方法可以由网络服务器执行，网络服务器根据在得到预测结果之后，可以在应用商店的首页展示预测结果中的待推荐应用程序，以向用户推荐待推荐应用程序。在目标终端打开应用商店的提醒权限的情况下，网络服务器还可以通过提醒功能向目标终端的用户推送待推荐应用程序。在目标终端已对网络服务器授权的情况下，还可以直接在目标终端上安装待推荐应用程序。

在另一种可选的实施例中，上述应用程序的推荐方法还可以由目标终端本身来执行，目标终端在得到预测结果之后，也可以直接安装待推荐应用程序，或向目标终端的用户推荐待推荐应用程序。

需要说明的是，上述安装记录可以是指定时间段内的安装记录，该指定时间段可以由用户设置，如果该指定时间段较短，则能够学习到用户在短时间内的喜好倾向，如果该指定时间较长，则能够学习到用户在长时间内的习惯，因此用户可以根据不同的需求设置不同的时间段。

通过上述方案，对于家庭中平时使用移动终端不流畅的人员(例如老人等)，可以基于其平时的行为习惯来预测其需要的应用程序，并帮他们安装好，或者定期卸载，比如购物软件，折扣信息软件等。

由上可知，本申请上述实施例从目标终端的安装记录中获取目标终端安装过的应用程序的第一程序信息，通过预先生成的应用程序预测模型，获取应用程序预测模型输出的预测结果，其中，预测结果包括用于向目标终端推荐的待推荐应用程序的程序信息。上述方案根据目标终端安装应用程序的安装记录，通过预先生成的应用程序预测模型预测待推荐应用程序，从而能够根据用户的喜好预测出针对用户的应用程序，与现有技术中向用户推荐人气较高的应用程序相比，对用户更加具有针对性，推荐的应用程序更加符合用户的使用习惯和需求，从而解决了现有技术中应用程序的推荐依据下载量或用户评价机制进行，导致难以满足用户的个体需求的问题。

作为一种可选的实施例，在获取目标终端的已安装应用程序的名称之前，方法还包括：生成应用程序预测模型，其中，生成应用程序预测模型，包括：获取样本数据，其中，样本数据至少包括：样本终端在预设时间段内安装的应用程序对应的第二程序信息和样本终端安装应用程序的时间信息；提取第二程序信息中的词语，并对第二程序信息对应的词语进行词语向量化处理，得到第二程序信息对应的第一词语向量；基于第一词语向量和样本终端安装应用程序的时间信息对预设的初始模型进行训练，得到应用程序预测模型。

具体的，上述第一词语向量即为第二程序信息的特征信息，训练上述应用程序预测模型时所使用的训练数据即为第一词语向量。在训练过程中，根据样本终端安装应用程序的时间来确定训练样本和样本标签，在相邻的时间段中，前一时间段安装的应用程序的第一词语向量可以作为训练样本，后一时间段安装的应用程序的第一词语向量则可以作为训练样本的标签，以对初始神经网络模型进行训练。

上述方案通过在预定时间内获取用户安装的安装记录建立神经网络模型，根据训练结果为用户推荐匹配度较高的应用程序。

作为一种可选的实施例，通过预先生成的应用程序预测模型，根据第一程序信息，预测目标终端对应的待推荐应用程序，包括：提取第一程序信息中的词语，并对第一程序信息对应的词语进行词语向量化处理，得到第一程序信息对应的第二词语向量；将第二词语向量输入至应用程序预测模型，由应用程序预测模型根据第二词语向量预测目标终端对应的待推荐应用程序。

在上述方案中，应用程序预测模型依据第一程序信息的特征信息，即第二词语向量，预测待推荐应用程序。

在一种可选的实施例中，构建应用程序预测模型，首先，获取较多数量的样本终端在预定时长内安装的多个应用程序的程序信息(即上述第二程序信息)，并基于安装时序生成包括多个应用程序名称的词语集合；将上述词语集合通过神经网络语言模型进行预测，确定样本终端安装的应用程序对应的词语向量(即上述第一词语向量)；基于上述第一向量和安装时序对初始神经网络模型进行训练，得到应用程序预测模型。再基于上述方案构建的应用程序预测模型，对目标终端的待推荐应用程序进行预测，首先对目标终端安装记录中的应用程序生成对应的第二词语向量，再使用上述应用程序预测模型，基于第二词语向量，生成针对于目标终端的待推荐应用程序。

作为一种可选的实施例，第一程序信息包括目标终端安装过的应用程序的如下任意一项或多项信息：名称、属性信息和描述信息。

具体的，第一程序信息可以是文本信息，也可以是从文本信息中提取的特征信息，其中，名称即可以为目标终端安装过的应用程序的名称，属性信息可以是目标终端安装过的应用程序所属的类型，例如：生活、游戏、视频、购物等，描述信息可以是目标终端安装过的应用程序的应用介绍、版本特征以及开发者信息等。

作为一种可选的实施例，预测结果包括多个待推荐应用程序的程序信息，在获取应用程序预测模型输出的预测结果之后，上述方法还包括：从预测结果中筛选目标待推荐应用程序；向目标终端推送目标待推荐应用程序。

上述方案应用于预测结果中包括多个待推荐应用程序的情况，如果预测结果中包括多个待推荐应用程序，而用户设置每次仅推荐N个，其中，N小于预测结果中待推荐应用程序的数量，则在向目标终端推送前，需要从预测结果中选择出N个待推荐应用程序向目标终端推送。

在一种可选的实施例中，预测结果中包括M个待推荐应用程序，用户在目标终端上设置每次推送N个应用程序(N<M)，可以求取每个待推荐应用程序与目标终端的安装记录中的应用程序的相似度，将M个待推荐应用程序按照与安装记录中的应用程序的相似度由高至低排序，并取前N个待推荐对象作为目标待推荐对象向目标终端推荐。

在上述示例中，待推荐应用程序与目标终端的安装记录中的应用程序的相似度，可以依据待推荐应用程序的名称对应的文本信息和安装记录中的应用程序对应的文本信息之间的相似度确定，也可以根据应用程序之间的属性信息确定，例如：同一个开发者的应用程序的相似度较高，或同一个类型的应用程序的相似度较高。

在另一种可选的实施例中，预测结果中包括M个待推荐应用程序，用户在目标终端上设置每次推送N个应用程序(N<M)，还可以以待推荐应用程序在应用商店的评分选择目标待推荐应用程序，例如，可以从M个待推荐应用程序中选择出应用商店评分前N为的应用程序作为目标待推荐应用程序。

在上述方案中，还可以使用待推荐应用程序在应用商店的下载数量等参数选择目标待推荐应用程序，上述选择目标待推荐应用程序的方案不限于示例中的两种。

作为一种可选的实施例，从预测结果中筛选目标待推荐应用程序，包括：

获取待推荐应用程序在其他终端上的使用时长，其中，使用时长根据待推荐应用程序在其他终端上的安装时间和卸载时间确定，其他终端为安装过待推荐应用程序的终端；获取预设的目标终端的时间间隔阈值；从待推荐应用程序中筛选使用时长大于时间间隔阈值的应用程序；确定筛选的应程程序为目标待推荐应用程序。

具体的，上述其他终端用于表示安装过待推荐应用程序的终端，还可以是在安装过待推荐应用程序的终端中，与目标终端的型号或品牌相同的终端。在一种可选的实施例中，使用时长可以为待推荐应用程序在其他终端上的卸载时间与安装时间之差，待推荐应用程序在其他终端上的使用时长可以为待推荐应用程序在多个其他终端上的使用时长的均值。

上述预设的目标终端的时间间隔阈值可以是用户设置的时间间隔阈值，用于从待推荐应用程序中剔除掉在其他终端上停留时间较短的应用程序。

在一种可选的实施例中，预测结果中包括M个待推荐应用程序，对于M个待推荐应用程序，获取其在其他终端上的使用时长，并获取用户设置的时间间隔阈值。如果用户设置的时间间隔阈值为30天，则从M个待推荐应用程序中剔除掉在其他终端上的停留时间短于30天的待推荐应用程序，从而得到目标待推荐应用程序。

图2是根据本发明实施例的一种应用程序推荐方法的示意图，结合图2所示，该方案通过如下几个就结构实现：数据层、推荐引擎、推荐数据接口、服务端接口以及产品展示层。数据层包括：用户数据库、推荐数据库以及应用程序数据库，用户数据库用于存储目标终端的安装记录，应用程序数据库用于存储允许向用户推荐的应用程序的信息，推荐数据库用于存储已确定的待推荐应用程序的信息。推荐引擎包括推荐实时计算引擎和推荐离线计算引擎，分别实时或离线的按照实施例1中的方式确定待推荐应用程序，推荐数据接口(包括第一接口、第二接口和第三接口)用于与目标终端的服务端接口(可以包括：第三方接口、电脑端接口和手机端接口)通信，通过推荐数据接口和服务端接口向目标终端推送待推荐应用程序。产品展示层用于展示待推荐应用程序的信息，可以包括PC端详情页，PC端我的手机(在PC端登录的目标终端)以及手电端显示的应用程序的信息。其中，推荐引擎和数据层还需要从产品展示层收集用户数据，且应用程序的后台或应用商店的后台还可以通过数据层的数据进行后台分析，以了解各应用程序的推荐情况。

实施例2

根据本发明实施例，提供了一种应用程序的推荐装置的实施例，图3是根据本发明实施例的应用程序的推荐装置的示意图，如图3所示，该装置包括：

第一获取模块30，用于从目标终端的安装记录中获取目标终端安装过的应用程序的第一程序信息。

预测模块32，用于通过预先生成的应用程序预测模型，根据第一程序信息，预测目标终端对应的待推荐应用程序。

第二获取模块34，用于获取应用程序预测模型输出的预测结果，其中，预测结果包括用于向目标终端推荐的待推荐应用程序的程序信息。

作为一种可选的实施例，上述装置还包括：生成模块，用于在获取目标终端的已安装应用程序的名称之前，生成应用程序预测模型，其中，生成模块包括：

获取子模块，用于获取样本数据，其中，样本数据至少包括：样本终端在预设时间段内安装的应用程序对应的第二程序信息和样本终端安装应用程序的时间信息。

提取子模块，用于提取第二程序信息中的词语，并对第二程序信息对应的词语进行词语向量化处理，得到第二程序信息对应的第一词语向量。

训练子模块，用于基于第一词语向量和样本终端安装应用程序的时间信息对预设的初始模型进行训练，得到应用程序预测模型。

作为一种可选的实施例，第二获取模块包括：处理子模块，用于提取第一程序信息中的词语，并对第一程序信息对应的词语进行词语向量化处理，得到第一程序信息对应的第二词语向量；预测子模块，用于将第二词语向量输入至应用程序预测模型，由应用程序预测模型根据第二词语向量预测目标终端对应的待推荐应用程序。

作为一种可选的实施例，第一程序信息包括目标终端安装过的应用程序的如下任意一项或多项信息：名称、属性信息和描述信息。

作为一种可选的实施例，预测结果包括多个待推荐应用程序的程序信息，上述装置还包括：筛选模块，用于在获取应用程序预测模型输出的预测结果之后，从预测结果中筛选目标待推荐应用程序；推荐模块，用于向目标终端推送目标待推荐应用程序。

作为一种可选的实施例，筛选模块包括：使用时长获取子模块，用于获取待推荐应用程序在其他终端上的使用时长，其中，使用时长根据待推荐应用程序在其他终端上的安装时间和卸载时间确定，其他终端为安装过待推荐应用程序的终端；阈值获取子模块，用于获取预设的目标终端的时间间隔阈值；筛选子模块，用于从待推荐应用程序中筛选使用时长大于时间间隔阈值的应用程序；确定子模块，用于确定筛选的应程程序为目标待推荐应用程序。

实施例3

根据本发明实施例，提供了一种存储介质，存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行实施例1中所述的应用程序的推荐方法。

实施例4

根据本发明实施例，提供了一种处理器，处理器用于运行程序，其中，所述程序运行时执行实施例1中所述的应用程序的推荐方法。

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。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以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信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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。

另外，在本发明各个实施例中的各功能单元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。

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或者该技术方案的全部或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一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种应用程序的推荐方法，其特征在于，包括：

从目标终端的安装记录中获取所述目标终端安装过的应用程序的第一程序信息；

通过预先生成的应用程序预测模型，根据所述第一程序信息，预测所述目标终端对应的待推荐应用程序；

获取所述应用程序预测模型输出的预测结果，其中，所述预测结果包括用于向所述目标终端推荐的待推荐应用程序的程序信息。

2.根据权利要求1所述的方法，其特征在于，在获取目标终端的已安装应用程序的名称之前，所述方法还包括：生成所述应用程序预测模型，其中，生成所述应用程序预测模型，包括：

获取样本数据，其中，所述样本数据至少包括：样本终端在预设时间段内安装的应用程序对应的第二程序信息和所述样本终端安装所述应用程序的时间信息；

提取所述第二程序信息中的词语，并对所述第二程序信息对应的词语进行词语向量化处理，得到所述第二程序信息对应的第一词语向量；

基于所述第一词语向量和所述样本终端安装所述应用程序的时间信息对预设的初始模型进行训练，得到所述应用程序预测模型。

3.根据权利要求1或2所述的方法，其特征在于，通过预先生成的应用程序预测模型，根据所述第一程序信息，预测所述目标终端对应的待推荐应用程序，包括：

提取所述第一程序信息中的词语，并对所述第一程序信息对应的词语进行词语向量化处理，得到所述第一程序信息对应的第二词语向量；

将所述第二词语向量输入至所述应用程序预测模型，由所述应用程序预测模型根据所述第二词语向量预测所述目标终端对应的待推荐应用程序。

4.根据权利要求1所述的方法，其特征在于，所述第一程序信息包括所述目标终端安装过的应用程序的如下任意一项或多项信息：名称、属性信息和描述信息。

5.根据权利要求1所述的方法，其特征在于，所述预测结果包括多个待推荐应用程序的程序信息，在获取所述应用程序预测模型输出的预测结果之后，所述方法还包括：

从所述预测结果中筛选目标待推荐应用程序；

向所述目标终端推送所述目标待推荐应用程序。

6.根据权利要求5所述的方法，其特征在于，从所述预测结果中筛选目标待推荐应用程序，包括：

获取所述待推荐应用程序在其他终端上的使用时长，其中，所述使用时长根据所述待推荐应用程序在所述其他终端上的安装时间和卸载时间确定，所述其他终端为安装过所述待推荐应用程序的终端；

获取预设的所述目标终端的时间间隔阈值；

从所述待推荐应用程序中筛选所述使用时长大于所述时间间隔阈值的应用程序；

确定筛选的应程程序为所述目标待推荐应用程序。

7.一种应用程序的推荐装置，其特征在于，包括：

第一获取模块，用于从目标终端的安装记录中获取所述目标终端安装过的应用程序的第一程序信息；

预测模块，用于通过预先生成的应用程序预测模型，根据所述第一程序信息，预测所述目标终端对应的待推荐应用程序；

第二获取模块，用于获取所述应用程序预测模型输出的预测结果，其中，所述预测结果包括用于向所述目标终端推荐的待推荐应用程序的程序信息。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：生成模块，用于在获取目标终端的已安装应用程序的名称之前，生成所述应用程序预测模型，其中，所述生成模块包括：

获取子模块，用于获取样本数据，其中，所述样本数据至少包括：样本终端在预设时间段内安装的应用程序对应的第二程序信息和所述样本终端安装所述应用程序的时间信息；

提取子模块，用于提取所述第二程序信息中的词语，并对所述第二程序信息对应的词语进行词语向量化处理，得到所述第二程序信息对应的第一词语向量；

训练子模块，用于基于所述第一词语向量和所述样本终端安装所述应用程序的时间信息对预设的初始模型进行训练，得到所述应用程序预测模型。

9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的应用程序的推荐方法。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的应用程序的推荐方法。

Images