CN111459783B - 应用程序优化方法、装置、电子设备及存储介质 - Google Patents

应用程序优化方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111459783B
CN111459783B CN202010260319.3A CN202010260319A CN111459783B CN 111459783 B CN111459783 B CN 111459783B CN 202010260319 A CN202010260319 A CN 202010260319A CN 111459783 B CN111459783 B CN 111459783B
Authority
CN
China
Prior art keywords
application
user
users
optimization
pushing
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.)
Active
Application number
CN202010260319.3A
Other languages
English (en)
Other versions
CN111459783A (zh
Inventor
蒋晓明
王迪
戴魏巍
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.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network 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 Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202010260319.3A priority Critical patent/CN111459783B/zh
Publication of CN111459783A publication Critical patent/CN111459783A/zh
Application granted granted Critical
Publication of CN111459783B publication Critical patent/CN111459783B/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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开实施例公开了一种应用程序优化方法、装置、电子设备及存储介质。所述方法包括：获取应用程序的用户数据，并统计留存用户数据，所述留存用户数据包括：至少两个时间段内的满足信息推送条件的留存用户和满足信息不推送条件的留存用户；根据所述留存用户数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价值的变化参数；根据所述变化参数，确定所述应用程序的优化类型，以指示对所述应用程序进行优化。本公开实施例可以提高应用程序优化的效率和准确性。

Description

应用程序优化方法、装置、电子设备及存储介质
技术领域
本公开实施例涉及应用程序优化领域，尤其涉及一种应用程序优化方法、装置、电子设备及存储介质。
背景技术
目前，分析应用程序的使用情况有助于优化应用程序的性能以及提高用户的使用效果。
通常，应用程序的页面上会向用户推送内容。用户在使用应用程序时，看到推送的内容，会影响用户对应用程序的评价，导致减少用户对应用程序的使用。除了推送内容会影响用户对应用程序的评价之外，应用程序本身性能的变化也会影响用户对应用程序的评价。
目前，仅根据收集应用程序的使用数据，无法区分是由于推送内容影响用户对应用程序的评价，还是应用程序本身性能的变化也会影响用户对应用程序的评价，导致无法正确优化应用程序，降低应用程序的优化速度。
发明内容
本公开实施例提供一种应用程序优化方法、装置、电子设备及存储介质，可以精准确定应用程序的优化信息，提高应用程序的优化速度。
第一方面，本公开实施例提供了一种应用程序优化方法，包括：
获取应用程序的用户数据，并统计留存用户数据，所述留存用户数据包括：至少两个时间段内的满足信息推送条件的留存用户和满足信息不推送条件的留存用户；
根据所述留存用户数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价值的变化参数；
根据所述变化参数，确定所述应用程序的优化类型，以指示对所述应用程序进行优化。
第二方面，本公开实施例还提供了一种应用程序优化装置，包括：
留存用户数统计模块，用于获取应用程序的用户数据，并统计留存用户数据，所述留存用户数据包括：至少两个时间段内的满足信息推送条件的留存用户和满足信息不推送条件的留存用户；
应用评价变化参数确定模块，用于根据所述留存用户数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价值的变化参数；
优化类型确定模块，用于根据所述变化参数，确定所述应用程序的优化类型，以指示对所述应用程序进行优化。
第三方面，本公开实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序所述处理器执行所述程序时实现如本公开实施例中任一所述的应用程序优化方法。
第四方面，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例中任一所述的应用程序优化方法。
本公开实施例通过统计不同条件下的留存用户，并根据预先建立的用户数应用评价值的关系图，确定应用评价值的变化参数，以确定应用评价值在不同条件下的变化，并根据变化参数确定应用程序的优化类型，指示对应用程序进行优化，解决了现有技术中无法区分应用程序的评价值的变化原因导致应用程序的优化方法错误的问题，可以准确对应用程序进行优化，提高应用程序的优化速度，以及提高应用程序的优化程度。
附图说明
图1是本公开实施例中的一种应用程序优化方法的流程图；
图2是本公开实施例中的一种用户数与应用评价值的关系图的示意图；
图3是本公开实施例中的一种应用程序优化方法的流程图；
图4是本公开实施例中的一种应用程序优化方法的流程图；
图5是本公开实施例中的一种应用程序优化装置的结构示意图；
图6是本公开实施例中的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
实施例
图1为本公开实施例中的一种应用程序优化方法的流程图，可适用于根据用户对应用程序的使用情况，对应用程序进行优化的情况，该方法可以由应用程序优化装置来执行，该装置可以采用软件和/或硬件的方式实现，该装置可以配置于电子设备中，具体是配置于服务器中。如图1所示，该方法具体包括如下步骤：
S110，获取应用程序的用户数据，并统计留存用户数据，所述留存用户数据包括：至少两个时间段内的满足信息推送条件的留存用户和满足信息不推送条件的留存用户。
用户数据用于描述应用程序的用户使用情况，具体可以是指使用该应用程序的大量用户关联的使用数据。留存用户可以是指在用户在某时间段内开始使用应用程序，并经过一段时间后，仍然继续使用该应用程序的用户。通常，留存用户用于评估应用的质量和保留用户的能力，也是判断应用程序价值的标准，即，用户愿意留下来，表明应用程序质量高，或者说有价值。
其中，用户数据可以包括在应用程序上注册的用户，以及登陆的用户。具体的，用户在使用应用程序时，应用程序通常会自动注册一个随机账号，用户通过随机账号使用应用程序的部分或全部功能，后续用户通过该随机账号使用该应用程序时。如果用户主动注册用户账号，应用程序可以将随机账号与用户账号进行绑定或者合成，仅显示用户账号。从而，保证使用应用程序的用户具备至少一个账号，可以将收集到的账号数据作为用户数据。具体的，可以从用户数据中，统计在通过应用程序注册账号之后的设定时间段内，仍使用该账号进行登录的用户作为留存用户。
至少两个时间段内的留存用户可以是指，统计不同时间段内的留存用户。不同时间段内的留存用户可以用于分析留存用户随时间的变化。例如，至少两个时间段为第一天和第二天，即统计连续两天的留存用户。通常各时间段的时长相同。
满足信息推送条件的留存用户可以是指被推送信息的留存用户，满足信息不推送条件可以是指，不被推送信息的留存用户。推送信息的运行环境下的留存用户和不推送信息的运行环境下的留存用户用于分析在推送信息的运行环境下和在不推送信息的运行环境下使用应用程序的留存用户的变化。其中，信息推送条件和信息不推送条件分别用于判断应用程序是否推送信息给用户。具体的，在统计留存用户时，如果确定该留存用户是在推送信息的运行环境下统计得到的用户，则该留存用户满足信息推送条件；如果确定该留存用户是在不推送信息的运行环境下统计得到的用户，则该留存用户满足信息不推送条件。实际上，不满足信息推送条件可以相当于满足信息不推送条件；同时不满足信息不推送条件相当于满足信息推送条件。其中，推送的信息可以包括文本、图像、视频或音频等，推送的内容可以包括短视频、长视频、广告或直播等。
可选的，所述统计留存用户数据，包括：获取第一时间段内满足所述信息推送条件的第一留存率，以及满足所述信息不推送条件的第二留存率，形成所述第一时间段内的第一留存用户组；获取第二时间段内满足所述信息推送条件的第一留存率，以及满足所述信息不推送条件的第二留存率，形成所述第二时间段内的第二留存用户组；其中，所述第一时间段和所述第二时间段间隔预设时长，且所述第一时间段的时长和所述第二时间段的时长相等；将各所述留存用户组作为留存用户数据。
具体的，留存率是指用户留下来的比率。留存率反映的是一种转化率，即由初期的不稳定的用户转化为活跃用户、稳定用户或忠诚用户的过程。获取同一时间段内的满足信息推送条件的第一留存率和满足信息不推送条件的第二留存率，可以比较分析确定应用程序在推送信息的运行环境下和不推送信息的运行环境下的留存率的变化，即可以确定信息推送对应用程序的留存率的影响程度，可以简称推送影响程度。
第一留存用户组和第二留存用户组的统计时间段不同，可以确定时间段之间的时间段内其他事件，如应用程序的本身性能，对推送影响程度的影响程度，例如，应用程序的性能变化，导致推送影响程度的增加、减少或者无影响。
留存率实际是一个比例数值，具体是初始使用用户中留存用户占初始使用用户的比例。也即，留存率的计算需要统计两个时间段的用户。第一时间段内的留存用户可以是指，统计在第一时间段之前预设时长的时间段内开始使用应用程序，并在第一时间段内仍然继续使用该应用程序的用户。第二时间段内的留存用户可以是指，统计在第二时间段之前预设时长的时间段内开始使用应用程序，并在第二时间段内仍然继续使用该应用程序的用户。需要说明的是，为了避免引入不同预设时长的干扰因素导致分析结果不准确，第一时间段之前的预设时长与第二时间段之前的预设时长相同，且预设时长前的时间段的时长相同。第一时间段内的留存率为在第一时间段内留存用户与第一时间段之前预设时长的时间段内的使用用户的比例。第二时间段内的留存率为在第二时间段内留下来的用户与第二时间段之前预设时长的时间段内的使用用户的比例。
第一时间段的时长和第二时间段的时长相等，表明避免时长不同对分析推送影响程度造成影响，导致引入时长不同的干扰因素，从而导致分析结果不准确。
第一时间段对应的时刻和第二时间段对应的时刻不同，例如，可以根据分析需求确定。示例性的，通过配置第一时间段在应用程序更新一个功能前的时刻，并配置第二时间段在应用程序更新该功能后的时刻，可以根据本公开实施的方法确定该功能对应用程序的评价的影响。此外可以根据具体情况进行设定，对此本公开实施例不作具体限制。
通过配置相同时间的信息推送或不推送条件下的留存用户形成一个留存用户组，用于分析信息推送对留存用户的影响，并配置不同时间的留存用户组，用于分析不同时间段内发生的事件或者应用程序本身对留存用户的影响，实现从多个维度确定留存用户数据，从而从多个维度对应用程序的应用评价值的影响因素进行确定，提高应用评价值的影响因素的准确性，从而实现精准实现应用程序的优化。
S120，根据所述留存用户数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价值的变化参数。
用户数与应用评价值的关系图用于描述用户数与应用评价值的关系。具体的，用户数与应用评价值的关系图实际是以应用评价值为横轴，以用户数为纵轴的关系图。其中，用户数的累计值可以表征留存用户数。例如，用户数与应用评价值的关系可以用函数曲线表示，留存用户数可以是指函数曲线在某个应用评价值范围内的积分计算结果。用户数可以是指使用应用程序的用户数量。应用评价值可以是指用户评价应用程序的价值。实际上，应用评价值用于描述用户对应用程序的体验值或者是容忍度，通常，体验值越高或者容忍度越高，应用程序的留存率越高，表明该应用程序越有价值；体验值越低或者容忍度越低，应用程序的留存率越低，表明该应用程序越有价值。
示例性的，具体如图2所示，用户数与应用评价值的关系图中，用户数与应用评价值之间呈正态分布。由图2可知，应用评价值较低或较高的用户均占少数，应用评价值适中的用户占多数，也即，用户数随着应用评价值升高先升高再降低。
可选的，在根据所述变化数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价变化的评价参数之前，还包括：获取所述应用程序的用户行为数据，所述用户行为数据包括下述至少一项：问卷调查数据、使用时长、使用次数和使用频率；根据所述用户行为数据，确定各用户匹配的应用评价值；统计各所述应用评价值与匹配的用户数，并建立用户数与应用评价值的关系图。
用户行为数据可以通过客户端发送的请求以及服务器提供的服务确定。用户行为数据用于确定用户对应用程序的评价。用户行为数据可以是指用户使用应用程序的使用数据。
问卷调查数据用于直接获取用户对应用程序的评价值，具体的，可以向客户端下发问卷调查页面，客户端显示问卷调查页面，并由用户针对问卷调查页面上的问题进行输入答案数据。其中，问卷调查可以根据实际情况设定问题，并根据用户的输入数据，计算第一得分。示例性的，问卷调查页面上包括应用程序评分问题，直接将用户输入的数字作为第一得分。
使用时长用于确定用户使用应用程序的时间，具体可以获取在某时间段内使用应用程序的平均时长。使用次数用于确定用户使用应用程序的次数，具体可以获取在该时间段内使用应用程序的平均次数。使用频率确定用户使用应用程序的频率，其中，频率可以是每周(天或小时等)使用次数。
根据用户行为数据，确定各用户匹配的应用评价值，实际是综合考虑用户行为数据，从中确定应用评价值，使得计算得到的评价值更加客观，减少技术人员评估的主观性而导致应用评价值不准确的情况，从而提高应用评价值的准确性。
获取每个用户账号的使用时长、使用次数和使用频率，并对全部账号的使用数据分别进行归一化。使用时长可以作为第二得分，使用次数可以作为第三得分，使用频率可以作为第四得分。可以选择至少一个类型的得分确定应用评价值，如果得分的类型数量包括至少两个，可以配置不同得分的权重，并基于各得分以及每个得分的权重值进行加权计算，将得到的计算结果作为该用户账号(即对应的用户)匹配的应用评价值。此外，还可以配置算法(如加法函数或机器学习模型等)，将至少一个得分作为输入，输入到算法中进行计算，计算得到的结果作为该用户账号匹配的应用评价值。具体可以根据实际情况进行设定，对此，本公开实施例不作具体限制。使用时长、使用次数和使用频率与应用评价值成正比关系，在一个具体的例子中，使用时间长且使用次数多的用户，应用评价值较高；使用时间少且使用次数少的用户，应用评价值低，可以理解的是，使用的时间和/或次数多的用户，自然不容易流失，相应的应用评价值高。
在获取大量的用户账号的应用评价值之后，统计每个应用评价值(或者是数值范围)的用户数，由此可以确定各应用评价值与用户数的对应关系。可以根据对应关系绘制出关系图，或者可以将各应用评价值与用户数的对应关系，用函数进行拟合，例如，采用正态分布函数对各应用评价值与用户数的对应关系进行拟合。
需要说明的是，用户数可以归一化得到无量纲的数值，从而用户数的累计值相当于留存率。
通过采集用户行为数据，并根据用户行为数据分析用户数与应用评价值之间的关系，并建立关系图，可以准确且客观确定用户数与应用评价值，从而提高根据关系图确定变化参数的准确性。
应用评价值的变化参数用于描述应用评价值随着留存用户的变化而变化。实际上，留存用户数据描述了留存用户随着时间的变化情况以及信息是否推送的运行环境下的变化情况，相应的，应用评价值的变化参数用于确定应用评价值随着时间的变化情况以及信息是否推送的运行环境下的变化情况。
可以理解的是，应用评价值随时间变化的原因可以根据不同时刻对应的事件确定，例如原因可以包括应用程序性能变化(例如应用程序更新前后的不同时刻)、推送信息的变化(是否推送、推送内容或推送形式调整前后的不同时刻)、现实突发事件(例如重大安全事件前后的不同时刻)或其他应用程序的发布事件(例如同类型应用程序发布前后的不同时刻)等。从而，在上述原因的影响下，应用评价值的会随着时间变化。进而，通过应用评价值的变化参数可以在应用评价值随着时间变化中，确定推送信息对应用评价值的影响程度，由此确定应用程序的优化。
S130，根据所述变化参数，确定所述应用程序的优化类型，以指示对所述应用程序进行优化。
优化类型用于指示应用程序进行优化，具体是应用程序从哪一方面进行优化。具体的，优化类型可以包括推送信息优化类型和/或性能优化类型。根据变化参数，可以确定应用程序的优化类型，具体是，确定推送信息优化和/或性能优化。根据应用程序的优化类型，采集应用程序的优化数据，生成优化信息，并提供给技术人员，以指示技术人员根据优化信息确定应用程序的优化方式，例如，对应用程序的性能进行排查，并定位异常原因，解决异常问题；或者减少信息推送的用户数量，或者减少信息推送的时间等，可以根据实际情况进行设定，对此，本公开实施例不作具体限制。其中，优化信息可以包括优化原因定位、优化内容和优化策略等中的至少一项。
可选的，在根据所述变化参数，确定所述应用程序的优化类型之后，还包括：如果优化类型包括推送信息优化类型，则降低推送信息的推送量；如果优化类型包括性能优化类型，则获取所述留存用户数据关联的异常事件，以及各所述时间段之间的时间内关联的异常事件，生成优化信息，以指示用户对应用程序进行性能优化。
如果优化类型包括推送信息优化类型，表明推送信息对应用评价值的影响程度大，如推送影响程度超过设定阈值，需要降低推送信息的推送量。具体的，降低推送信息的推送量可以包括：减少推送信息的次数、减少推送信息的显示时间或者向筛选用户进行推送信息等。筛选用户可以是指从全部用户中按照设定筛选条件筛选出来的用户，设定筛选条件可以是用户等级(如是否为会员用户)或用户地域等，筛选用户的数量小于全部使用用户的数量。示例性的，推送信息为广告时，可以降低广告播放显示的时间和/或次数，以及仅向非会员用户推送广告等。
如果优化类型包括性能优化类型，表明应用程序性能对推送影响程度的负向影响程度大(如超过设定阈值)，需要对应用程序本身进行优化。具体的，可以采集与应用程序性能有关的数据，进行分析，排查原因，并生成优化报告给技术人员，对应用程序进行优化。
其中，留存用户数据关联的异常事件用于确定应用程序的性能关联的异常事件。各时间段之间的时间内关联的异常事件，用于确定与应用程序的性能无关的异常事件。可以理解的是，现实突发事件或其他同类型应用程序的发布事件都可能导致应用评价值的变化。从而可以获取与应用程序关联的异常事件，生成优化信息，为用户提供优化建议以及可能的原因定位等，以指示用户针对性的对应用程序进行性能优化。
留存用户数据关联的异常事件可以通过问卷调查获取用户对应用程序的某个功能模块的评价，或者意见反馈，以及应用程序上报异常的日志数据等确定。各时间段之间的时间内关联的异常事件，可以通过新闻、热点网络数据和其他同类型应用程序的下载量等中的至少一项确定。
示例性的，如果存在留存用户数据关联的异常事件，且包括应用程序出现崩溃，则指示用户对应用程序进行异常定位，并解决；如果存在各时间段之间的时间内关联的异常事件，且包括该应用程序的同一类型的应用程序的下载量快速升高，则指示用户开发应用程序的新功能模块，或者优化历史功能模块等。
需要说明的是，虽然存在现实突发事件或其他同类型应用程序的发布事件都导致应用评价值的变化，在本公开实施例中可以通过应用程序的性能优化解决这类事件导致应用评价值降低的问题。
通过不同优化类型，分别采取不同的优化策略对应用程序进行优化，实现针对性优化，提高优化精准性。
本公开实施例通过统计不同条件下的留存用户，并根据预先建立的用户数应用评价值的关系图，确定应用评价值的变化参数，以确定应用评价值在不同条件下的变化，并根据变化参数确定应用程序的优化类型，指示对应用程序进行优化，解决了现有技术中无法区分应用程序的评价值的变化原因导致应用程序的优化方法错误的问题，可以准确对应用程序进行优化，提高应用程序的优化速度，以及提高应用程序的优化程度。
在一个示例性的实施方式中，图3-图4为本公开实施例中的一种应用程序优化方法的流程图，该方法具体包括如下步骤：
S201，获取应用程序的用户数据；
本实施例中未详尽的描述可以参考前述。
S202，获取第一时间段内满足所述信息推送条件的第一留存率，以及满足所述信息不推送条件的第二留存率，形成所述第一时间段内的第一留存用户组。
第一时间段可以是第一天，第二时间段可以是第二天，前述预设时长前的时间段为前一天，从而，留存率可以是指次日留存率。
可选的，所述获取第一时间段内满足所述信息推送条件的第一留存率，以及满足所述信息不推送条件的第二留存率，包括：获取所述应用程序在推送目标信息的运行环境下的新增用户以及各所述新增用户中在次日继续使用所述应用程序的留存用户，并计算次日留存率，作为满足所述信息推送条件的第一留存率；获取所述应用程序在未推送目标信息的运行环境下的新增用户以及各所述新增用户中在次日继续使用所述应用程序的留存用户，并计算次日留存率，作为满足所述信息不推送条件的第二留存率。
目标信息用于服务器下发到客户端，也即应用程序，并由客户端显示提供给使用用户。目标信息可以是指待推送的内容，例如，广告。需要说明的是，目标信息可以是包括全部广告，或者可以针对某个类型的广告。例如，盈利性广告或公益广告等，此外，可以根据具体需要进行设定，对此，本公开实施例不作具体限制。
具体的，次日留存率可以等于(当天新增的用户中，在注册的第2天还登录的用户数)/第一天新增总用户数。
应用程序在推送目标信息的运行环境下的新增用户，具体是指应用程序在推送目标信息的运行环境下，第一天新增的使用应用程序的用户。其中，该用户可以是新注册的用户，也可以是一段时间内未使用该应用程序的用户。
各新增用户中在次日继续使用应用程序的留存用户，是指第一天开始使用应用程序的用户中第二天还继续使用该应用程序的用户。实际上，该留存用户是新增用户中的全部或者部分。
通过计算次日留存率作为留存率，缩短计算留存率的周期维度，可以快速评估应用程序的应用评价值，并提高应用优化的效率。
此外，周期维度还可以是7日、14日、15日、30日、60日或90日等。其中，n日留存率等于(第一天新增用户数，第n+1天还登录的用户数)/第一天总注册用户数。具体可以根据需要进行设定，对此，本公开实施例不作具体限制。
S203，获取第二时间段内满足所述信息推送条件的第一留存率，以及满足所述信息不推送条件的第二留存率，形成所述第二时间段内的第二留存用户组；其中，所述第一时间段和所述第二时间段间隔预设时长，且所述第一时间段的时长和所述第二时间段的时长相等。
S204，将各所述留存用户组作为留存用户数据。
S205，分别计算各所述留存用户组中第一留存率和第二留存率之间的差值，作为各所述留存用户组匹配的推送影响值。
留存用户组包括的是同一时间段内的不同推送条件的留存率。相应的，第一留存率和第二留存率之间的差值用于确定不同推送条件对留存率的影响。
推送影响值实际是信息推送对应的留存率与信息不推送对应的留存率的差值，用于评价信息推送与不推送对留存率的影响程度，也即推送影响程度。
示例性的，如图2所示，a点代表的是第一时间段内满足所述信息推送条件的第一留存率匹配的应用评价值，即第一留存用户组中的第一留存率匹配的应用评价值；b点代表的是第一时间段内满足所述信息不推送条件的第二留存率匹配的应用评价值，即第一留存用户组中的第二留存率匹配的应用评价值；e点代表的是第二时间段内满足所述信息推送条件的第一留存率匹配的应用评价值，即第二留存用户组中的第一留存率匹配的应用评价值；f点代表的是第二时间段内满足所述信息不推送条件的第二留存率匹配的应用评价值，即第二留存用户组中的第二留存率匹配的应用评价值。
其中，adnm的面积代表第一留存用户组的第一留存率；bcnm的面积代表第一留存用户组的第二留存率；第一留存用户组的推送影响值为abcd的面积。ehnm的面积代表第二留存用户组的第一留存率；fgnm的面积代表第二留存用户组的第二留存率；第二留存用户组的推送影响值为efgh的面积。
相应的，第一留存用户组匹配的推送影响值为Sabcd，第二留存用户组匹配的推送影响值为Sefgh。
S206，计算所述第一留存用户组匹配的推送影响值减去所述第二留存用户组匹配的推送影响值的差值，作为推送影响差值。
不同留存用户组对应的时间不同，留存用户组匹配的推送影响值之间的差值用于确定不同时间段，信息推送与不推送对留存率的影响程度是否会变化以及变化的方向是正向还是负向。
从而，推送影响差值用于确定应用程序性能对信息推送与不推送对留存率的影响程度的影响程度，也即，确定应用程序性能对推送影响程度的影响程度。可以理解的是，推送影响差值用于判断推送影响程度是否会随着应用程序性能的变化而变化。
如前述，如图2所示，ΔS＝Sabcd-Sefgh代表推送影响差值。
S207，获取预先建立的用户数与应用评价值的关系图。
可选的，在根据所述留存用户数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价值的变化参数之前，还包括：获取所述应用程序的用户行为数据，所述用户行为数据包括下述至少一项：问卷调查数据、使用时长、使用次数和使用频率；根据所述用户行为数据，确定各用户匹配的应用评价值；统计各所述应用评价值与匹配的用户数，并建立用户数与应用评价值的关系图。
S208，分别将各所述留存用户组中的留存率映射到所述关系图中，确定各所述留存率匹配的应用评价值。
留存率映射到关系图中，实际是根据留存率作为输入，计算应用评价值。可以理解的是，关系图表征的是用户数与应用评价值之间的关系，实际上，在预设应用评价值范围内的用户数的累计值表征留存率。示例性的，关系图为曲线关系图，曲线与横轴某个数值范围内围成的面积即为留存率，也即曲线代表的函数的积分为留存率。
如前述，关系图为如图2所示的曲线图，留存率匹配的应用评价值，即确定留存率对应在横轴上的数值。第一留存用户组中的第一留存率匹配的应用评价值为a，第一留存用户组中的第二留存率匹配的应用评价值为b，第二留存用户组中的第一留存率匹配的应用评价值为e，第二留存用户组中的第二留存率匹配的应用评价值为f。
S209，分别计算每个所述留存用户组中各所述留存率的应用评价值之间的差值，作为所述留存用户组匹配的应用评价影响值。
留存用户组包括的是同一时间段内的不同推送条件的留存率。相应的，第一留存率和第二留存率之间的差值，即应用评价影响值用于确定同一时间段内，信息推送与不推送是否对应用评价值的产生影响。
如前述，如图2所示，b-a代表第一留存用户组的应用评价影响值；f-e代表第二留存用户组的应用评价影响值。
S210，计算所述第一留存用户组匹配的应用评价影响值减去所述第二留存用户组匹配的应用评价影响值的差值，作为应用评价影响差值。
不同留存用户组对应的时间不同，各留存用户组匹配的推送影响值之间的差值用于确定不同时间段，信息推送与不推送对应用评价值的影响程度是否会变化以及变化的方向是正向还是负向。
如前述，如图2所示，应用评价影响差值为(b-a)-(f-e)。
S211，将所述推送影响差值和所述应用评价影响差值，作为应用评价值的变化参数。
S212，根据所述变化参数，确定所述应用程序的优化类型，以指示对所述应用程序进行优化。
可选的，在根据所述变化参数，确定所述应用程序的优化类型之后，还包括：如果优化类型包括推送信息优化类型，则降低推送信息的推送量；如果优化类型包括性能优化类型，则获取所述留存用户数据关联的异常事件，以及各所述时间段之间的时间内关联的异常事件，生成优化信息，以指示用户对应用程序进行性能优化。
可选的，所述根据所述变化参数，确定所述应用程序的优化类型，包括：如果所述推送影响差值为正，且大于等于影响阈值，则确定影响类型包括性能负向影响推送类型；如果所述应用评价影响差值为负，且小于评价阈值，则确定影响类型包括推送负向影响类型；其中，所述第一时间段对应时刻前于所述第二时间段对应的时刻；如果影响类型包括推送负向影响类型，确定优化类型包括推送信息优化；如果影响类型包括性能负向影响推送类型，确定优化类型包括性能优化。
其中，第一时间段对应时刻前于第二时间段对应的时刻，表明第一时间段为第二时间段的历史时间。影响阈值和评价阈值均可以根据需要进行设定，例如0，对此，本公开实施例不作具体限制。影响阈值用于确定应用性能对推送针对应用评价值的推送影响程度的影响方向和程度。评价阈值用于确定推送针对应用评价值的影响方向和程度。
推送负向影响类型用于确定推送信息对应用评价值的影响是负向，以及确定应用程序的优化方向包括推送信息的优化。
应用评价影响差值为负，且小于评价阈值，表明随着时间的推移，信息推送导致应用评价值下降，且影响程度不断增大。示例性的，评价阈值为0，如图2所示，信息推送的情况下，应用评价值由a下降到了e；信息不推送的情况下，应用评价值由b下降到了f。第一留存用户组的应用评价影响值b-a，第二留存用户组的应用评价影响值f-e，由图2可知，b-a<0，以及f-e<0，表明信息推送会影响应用评价值降低，即信息推送对应用评价值的影响为负向影响。(b-a)-(f-e)<0，表明第二时间段内的信息推送对应用评价值的负向影响的程度比第一时间段内的信息推送对应用评价值的负向影响的程度更大，也即信息推送对应用评价值的负向影响程度变大。
从而，存在推送信息导致应用程序的应用评价值降低，此时需要减少推送信息的推送量，从而需要优化应用程序的推送信息，进而，确定影响类型包括推送负向影响类型。
性能负向影响推送类型用于确定性能增加推送信息对应用评价值的负向影响程度，以及确定应用程序的优化方向包括性能的优化。
推送影响差值为正，且大于等于影响阈值，表明随着时间的推移，推送影响程度随着应用程序性能的下降而变大。示例性的，影响阈值为0，如图2所示，随着时间的推移，推送影响值由第一留存用户组匹配的推送影响值Sabcd变为第二留存用户组匹配的推送影响值Sefgh。ΔS＝Sabcd-Sefgh大于0，则应用性能对推送影响程度的影响是负向的，也即应用程序性能降低，推送负向影响程度的增大，以及推送正向影响程度降低，可以理解的是，应用程序性能降低，推送对应用评价值的负向影响程度增大，且推送对应用评价值的正向影响程度降低。
从而，存在应用程序性能降低导致推送对应用评价值的负向影响程度增大，此时需要优化应用程序的性能，进而，确定影响类型包括性能负向影响推送类型。
实际上，信息推送必然会导致应用评价值下降，由此，可以配置下降阈值，仅在信息推送导致应用评价值下降过多时，采取对信息推送进行优化。
具体的，如果影响类型包括推送负向影响类型，确定优化类型包括推送信息优化，可以包括：如果影响类型包括推送负向影响类型，且所述留存用户组匹配的推送影响值大于预设阈值(如2％)，确定优化类型包括推送信息优化。
通过配置影响阈值和评价阈值，以及推送影响差值和应用评价影响差值的正负关系，分析得到信息推送对应用评价值的影响，以及性能对推送影响程度的影响，从而精准区分应用评价值的影响因素，进而准确确定优化类型，快速准确实现应用程序的优化。
此外，如果所述推送影响差值为负，且小于影响阈值，则确定影响类型包括性能正向影响推送类型。可选的，影响阈值替换为一个数值范围时，如果推送影响差值属于该数值范围内，则确定影响类型包括性能无影响类型，所述第二影响阈值大于所述第一影响阈值。
同时，如果所述应用评价影响差值为正，且大于等于评价阈值，则确定影响类型包括推送正向影响类型。可选的，评价阈值替换为一个数值范围时，如果应用评价影响差值属于该数值范围内，则确定影响类型包括推送无影响类型。
本公开实施例通过计算留存率的差值，并确定推送影响差值，以及根据关系图，计算应用评价影响差值，作为应用评价值的变化参数，实现根据客观的数据进行优化类型确定，保证优化类型的确定的客观性，提高确定优化类型的准确性，从而提高应用程序的精准优化。
图5为本公开实施例提供的一种应用程序优化装置的结构示意图，可适用于根据用户对应用程序的使用情况，对应用程序进行优化的情况。该装置可以采用软件和/或硬件的方式实现，该装置可以配置于电子设备中。
留存用户数统计模块310，用于获取应用程序的用户数据，并统计留存用户数据，所述留存用户数据包括：至少两个时间段内的满足信息推送条件的留存用户和满足信息不推送条件的留存用户；
应用评价变化参数确定模块320，用于根据所述留存用户数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价值的变化参数；
优化类型确定模块330，用于根据所述变化参数，确定所述应用程序的优化类型，以指示对所述应用程序进行优化。
本公开实施例通过统计不同条件下的留存用户，并根据预先建立的用户数应用评价值的关系图，确定应用评价值的变化参数，以确定应用评价值在不同条件下的变化，并根据变化参数确定应用程序的优化类型，指示对应用程序进行优化，解决了现有技术中无法区分应用程序的评价值的变化原因导致应用程序的优化方法错误的问题，可以准确对应用程序进行优化，提高应用程序的优化速度，以及提高应用程序的优化程度。
进一步的，所述应用程序优化装置，还包括：关系图建立模块，用于在根据所述留存用户数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价值的变化参数之前，获取所述应用程序的用户行为数据，所述用户行为数据包括下述至少一项：问卷调查数据、使用时长、使用次数和使用频率；根据所述用户行为数据，确定各用户匹配的应用评价值；统计各所述应用评价值与匹配的用户数，并建立用户数与应用评价值的关系图。
进一步的，所述留存用户数统计模块310，包括：留存用户组生成单元，用于获取第一时间段内满足所述信息推送条件的第一留存率，以及满足所述信息不推送条件的第二留存率，形成所述第一时间段内的第一留存用户组；获取第二时间段内满足所述信息推送条件的第一留存率，以及满足所述信息不推送条件的第二留存率，形成所述第二时间段内的第二留存用户组；其中，所述第一时间段和所述第二时间段间隔预设时长，且所述第一时间段的时长和所述第二时间段的时长相等；将各所述留存用户组作为留存用户数据。
进一步的，所述留存用户组生成单元，包括：次日留存率计算子单元，用于获取所述应用程序在推送目标信息的运行环境下的新增用户以及各所述新增用户中在次日继续使用所述应用程序的留存用户，并计算次日留存率，作为满足所述信息推送条件的第一留存率；获取所述应用程序在未推送目标信息的运行环境下的新增用户以及各所述新增用户中在次日继续使用所述应用程序的留存用户，并计算次日留存率，作为满足所述信息不推送条件的第二留存率。
进一步的，所述应用评价变化参数确定模块320，包括：影响差值确定模块，用于分别计算各所述留存用户组中第一留存率和第二留存率之间的差值，作为各所述留存用户组匹配的推送影响值；计算所述第一留存用户组匹配的推送影响值减去所述第二留存用户组匹配的推送影响值的差值，作为推送影响差值；获取预先建立的用户数与应用评价值的关系图；分别将各所述留存用户组中的留存率映射到所述关系图中，确定各所述留存率匹配的应用评价值；分别计算每个所述留存用户组中各所述留存率的应用评价值之间的差值，作为所述留存用户组匹配的应用评价影响值；计算所述第一留存用户组匹配的应用评价影响值减去所述第二留存用户组匹配的应用评价影响值的差值，作为应用评价影响差值；将所述推送影响差值和所述应用评价影响差值，作为应用评价值的变化参数。
进一步的，所述优化类型确定模块330，包括：影响类型判断单元，用于如果所述推送影响差值为正，且大于等于影响阈值，则确定影响类型包括性能负向影响推送类型；如果所述应用评价影响差值为负，且小于评价阈值，则确定影响类型包括推送负向影响类型；其中，所述第一时间段对应时刻前于所述第二时间段对应的时刻；如果影响类型包括推送负向影响类型，确定优化类型包括推送信息优化；如果影响类型包括性能负向影响推送类型，确定优化类型包括性能优化。
进一步的，所述应用程序优化装置，还包括：优化模块，用于在根据所述变化参数，确定所述应用程序的优化类型之后，如果优化类型包括推送信息优化类型，则降低推送信息的推送量；如果优化类型包括性能优化类型，则获取所述留存用户数据关联的异常事件，以及各所述时间段之间的时间内关联的异常事件，生成优化信息，以指示用户对应用程序进行性能优化。
本公开实施例提供的应用程序优化装置，与应用程序优化方法属于同一发明构思，未在本公开实施例中详尽描述的技术细节可参见前述，并且本公开实施例与前述实施例具有相同的有益效果。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取应用程序的用户数据，并统计留存用户数据，所述留存用户数据包括：至少两个时间段内的满足信息推送条件的留存用户和满足信息不推送条件的留存用户；根据所述留存用户数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价值的变化参数；根据所述变化参数，确定所述应用程序的优化类型，以指示对所述应用程序进行优化。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，留存用户数统计模块还可以被描述为“获取应用程序的用户数据，并统计留存用户数据”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，本公开提供了一种应用程序优化方法，包括：
获取应用程序的用户数据，并统计留存用户数据，所述留存用户数据包括：至少两个时间段内的满足信息推送条件的留存用户和满足信息不推送条件的留存用户；
根据所述留存用户数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价值的变化参数；
根据所述变化参数，确定所述应用程序的优化类型，以指示对所述应用程序进行优化。
根据本公开的一个或多个实施例，本公开提供的应用程序优化方法中，在根据所述留存用户数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价值的变化参数之前，还包括：获取所述应用程序的用户行为数据，所述用户行为数据包括下述至少一项：问卷调查数据、使用时长、使用次数和使用频率；根据所述用户行为数据，确定各用户匹配的应用评价值；统计各所述应用评价值与匹配的用户数，并建立用户数与应用评价值的关系图。
根据本公开的一个或多个实施例，本公开提供的应用程序优化方法中，所述统计留存用户数据，包括：获取第一时间段内满足所述信息推送条件的第一留存率，以及满足所述信息不推送条件的第二留存率，形成所述第一时间段内的第一留存用户组；获取第二时间段内满足所述信息推送条件的第一留存率，以及满足所述信息不推送条件的第二留存率，形成所述第二时间段内的第二留存用户组；其中，所述第一时间段和所述第二时间段间隔预设时长，且所述第一时间段的时长和所述第二时间段的时长相等；将各所述留存用户组作为留存用户数据。
根据本公开的一个或多个实施例，本公开提供的应用程序优化方法中，所述获取第一时间段内满足所述信息推送条件的第一留存率，以及满足所述信息不推送条件的第二留存率，包括：获取所述应用程序在推送目标信息的运行环境下的新增用户以及各所述新增用户中在次日继续使用所述应用程序的留存用户，并计算次日留存率，作为满足所述信息推送条件的第一留存率；获取所述应用程序在未推送目标信息的运行环境下的新增用户以及各所述新增用户中在次日继续使用所述应用程序的留存用户，并计算次日留存率，作为满足所述信息不推送条件的第二留存率。
根据本公开一个或多个实施例，本公开提供的应用程序优化方法中，所述根据所述留存用户数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价值的变化参数，包括：分别计算各所述留存用户组中第一留存率和第二留存率之间的差值，作为各所述留存用户组匹配的推送影响值；计算所述第一留存用户组匹配的推送影响值减去所述第二留存用户组匹配的推送影响值的差值，作为推送影响差值；获取预先建立的用户数与应用评价值的关系图；分别将各所述留存用户组中的留存率映射到所述关系图中，确定各所述留存率匹配的应用评价值；分别计算每个所述留存用户组中各所述留存率的应用评价值之间的差值，作为所述留存用户组匹配的应用评价影响值；计算所述第一留存用户组匹配的应用评价影响值减去所述第二留存用户组匹配的应用评价影响值的差值，作为应用评价影响差值；将所述推送影响差值和所述应用评价影响差值，作为应用评价值的变化参数。
根据本公开的一个或多个实施例，本公开提供的应用程序优化方法中，所述根据所述变化参数，确定所述应用程序的优化类型，包括：如果所述推送影响差值为正，且大于等于影响阈值，则确定影响类型包括性能负向影响推送类型；如果所述应用评价影响差值为负，且小于评价阈值，则确定影响类型包括推送负向影响类型；其中，所述第一时间段对应时刻前于所述第二时间段对应的时刻；如果影响类型包括推送负向影响类型，确定优化类型包括推送信息优化；如果影响类型包括性能负向影响推送类型，确定优化类型包括性能优化。
根据本公开的一个或多个实施例，本公开提供的应用程序优化方法中，在根据所述变化参数，确定所述应用程序的优化类型之后，还包括：如果优化类型包括推送信息优化类型，则降低推送信息的推送量；如果优化类型包括性能优化类型，则获取所述留存用户数据关联的异常事件，以及各所述时间段之间的时间内关联的异常事件，生成优化信息，以指示用户对应用程序进行性能优化。
根据本公开的一个或多个实施例，本公开提供了一种应用程序优化装置，包括：
留存用户数统计模块，用于获取应用程序的用户数据，并统计留存用户数据，所述留存用户数据包括：至少两个时间段内的满足信息推送条件的留存用户和满足信息不推送条件的留存用户；
应用评价变化参数确定模块，用于根据所述留存用户数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价值的变化参数；
优化类型确定模块，用于根据所述变化参数，确定所述应用程序的优化类型，以指示对所述应用程序进行优化。
根据本公开的一个或多个实施例，本公开提供的应用程序优化装置中，还包括：关系图建立模块，用于在根据所述留存用户数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价值的变化参数之前，获取所述应用程序的用户行为数据，所述用户行为数据包括下述至少一项：问卷调查数据、使用时长、使用次数和使用频率；根据所述用户行为数据，确定各用户匹配的应用评价值；统计各所述应用评价值与匹配的用户数，并建立用户数与应用评价值的关系图。
根据本公开的一个或多个实施例，本公开提供的应用程序优化装置中，所述留存用户数统计模块，包括：留存用户组生成单元，用于获取第一时间段内满足所述信息推送条件的第一留存率，以及满足所述信息不推送条件的第二留存率，形成所述第一时间段内的第一留存用户组；获取第二时间段内满足所述信息推送条件的第一留存率，以及满足所述信息不推送条件的第二留存率，形成所述第二时间段内的第二留存用户组；其中，所述第一时间段和所述第二时间段间隔预设时长，且所述第一时间段的时长和所述第二时间段的时长相等；将各所述留存用户组作为留存用户数据。
根据本公开的一个或多个实施例，本公开提供的应用程序优化装置中，所述留存用户组生成单元，包括：次日留存率计算子单元，用于获取所述应用程序在推送目标信息的运行环境下的新增用户以及各所述新增用户中在次日继续使用所述应用程序的留存用户，并计算次日留存率，作为满足所述信息推送条件的第一留存率；获取所述应用程序在未推送目标信息的运行环境下的新增用户以及各所述新增用户中在次日继续使用所述应用程序的留存用户，并计算次日留存率，作为满足所述信息不推送条件的第二留存率。
根据本公开的一个或多个实施例，本公开提供的应用程序优化装置中，所述应用评价变化参数确定模块，包括：影响差值确定模块，用于分别计算各所述留存用户组中第一留存率和第二留存率之间的差值，作为各所述留存用户组匹配的推送影响值；计算所述第一留存用户组匹配的推送影响值减去所述第二留存用户组匹配的推送影响值的差值，作为推送影响差值；获取预先建立的用户数与应用评价值的关系图；分别将各所述留存用户组中的留存率映射到所述关系图中，确定各所述留存率匹配的应用评价值；分别计算每个所述留存用户组中各所述留存率的应用评价值之间的差值，作为所述留存用户组匹配的应用评价影响值；计算所述第一留存用户组匹配的应用评价影响值减去所述第二留存用户组匹配的应用评价影响值的差值，作为应用评价影响差值；将所述推送影响差值和所述应用评价影响差值，作为应用评价值的变化参数。
根据本公开的一个或多个实施例，本公开提供的应用程序优化装置中，所述优化类型确定模块，包括：影响类型判断单元，用于如果所述推送影响差值为正，且大于等于影响阈值，则确定影响类型包括性能负向影响推送类型；如果所述应用评价影响差值为负，且小于评价阈值，则确定影响类型包括推送负向影响类型；其中，所述第一时间段对应时刻前于所述第二时间段对应的时刻；如果影响类型包括推送负向影响类型，确定优化类型包括推送信息优化；如果影响类型包括性能负向影响推送类型，确定优化类型包括性能优化。
根据本公开的一个或多个实施例，本公开提供的应用程序优化装置中，还包括：优化模块，用于在根据所述变化参数，确定所述应用程序的优化类型之后，如果优化类型包括推送信息优化类型，则降低推送信息的推送量；如果优化类型包括性能优化类型，则获取所述留存用户数据关联的异常事件，以及各所述时间段之间的时间内关联的异常事件，生成优化信息，以指示用户对应用程序进行性能优化。
根据本公开的一个或多个实施例，本公开提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在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程序时实现如本公开实施例中任一所述的应用程序优化方法。
根据本公开的一个或多个实施例，本公开提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例中任一所述的应用程序优化方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种应用程序优化方法，其特征在于，包括：
获取应用程序的用户数据，并统计留存用户数据，所述留存用户数据包括：至少两个时间段内的满足信息推送条件的留存用户和满足信息不推送条件的留存用户；
根据所述留存用户数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价值的变化参数；
根据所述变化参数，确定所述应用程序的优化类型，以指示对所述应用程序进行优化；
其中，所述用户数与应用评价值的关系图用于描述用户数与应用评价值的关系，所述用户数的累计值表征留存用户数，所述应用评价值用于描述用户对应用程序的体验值或者是容忍度，所述应用评价值的变化参数用于描述所述应用评价值随着留存用户的变化而变化的情况。
2.根据权利要求1所述的方法，其特征在于，在根据所述留存用户数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价值的变化参数之前，还包括：
获取所述应用程序的用户行为数据，所述用户行为数据包括下述至少一项：问卷调查数据、使用时长、使用次数和使用频率；
根据所述用户行为数据，确定各用户匹配的应用评价值；
统计各所述应用评价值与匹配的用户数，并建立用户数与应用评价值的关系图。
3.根据权利要求1所述的方法，其特征在于，所述统计留存用户数据，包括：
获取第一时间段内满足所述信息推送条件的第一留存率，以及满足所述信息不推送条件的第二留存率，形成所述第一时间段内的第一留存用户组；
获取第二时间段内满足所述信息推送条件的第一留存率，以及满足所述信息不推送条件的第二留存率，形成所述第二时间段内的第二留存用户组；其中，所述第一时间段和所述第二时间段间隔预设时长，且所述第一时间段的时长和所述第二时间段的时长相等；
将各所述留存用户组作为留存用户数据。
4.根据权利要求3所述的方法，其特征在于，所述获取第一时间段内满足所述信息推送条件的第一留存率，以及满足所述信息不推送条件的第二留存率，包括：
获取所述应用程序在推送目标信息的运行环境下的新增用户以及各所述新增用户中在次日继续使用所述应用程序的留存用户，并计算次日留存率，作为满足所述信息推送条件的第一留存率；
获取所述应用程序在未推送目标信息的运行环境下的新增用户以及各所述新增用户中在次日继续使用所述应用程序的留存用户，并计算次日留存率，作为满足所述信息不推送条件的第二留存率。
5.根据权利要求3所述的方法，其特征在于，所述根据所述留存用户数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价值的变化参数，包括：
分别计算各所述留存用户组中第一留存率和第二留存率之间的差值，作为各所述留存用户组匹配的推送影响值；
计算所述第一留存用户组匹配的推送影响值减去所述第二留存用户组匹配的推送影响值的差值，作为推送影响差值；
获取预先建立的用户数与应用评价值的关系图；
分别将各所述留存用户组中的留存率映射到所述关系图中，确定各所述留存率匹配的应用评价值；
分别计算每个所述留存用户组中各所述留存率的应用评价值之间的差值，作为所述留存用户组匹配的应用评价影响值；
计算所述第一留存用户组匹配的应用评价影响值减去所述第二留存用户组匹配的应用评价影响值的差值，作为应用评价影响差值；
将所述推送影响差值和所述应用评价影响差值，作为应用评价值的变化参数。
6.根据权利要求5所述的方法，其特征在于，所述根据所述变化参数，确定所述应用程序的优化类型，包括：
如果所述推送影响差值为正，且大于等于影响阈值，则确定影响类型包括性能负向影响推送类型；
如果所述应用评价影响差值为负，且小于评价阈值，则确定影响类型包括推送负向影响类型；
其中，所述第一时间段对应时刻前于所述第二时间段对应的时刻；
如果影响类型包括推送负向影响类型，确定优化类型包括推送信息优化；
如果影响类型包括性能负向影响推送类型，确定优化类型包括性能优化。
7.根据权利要求1所述的方法，其特征在于，在根据所述变化参数，确定所述应用程序的优化类型之后，还包括：
如果优化类型包括推送信息优化类型，则降低推送信息的推送量；
如果优化类型包括性能优化类型，则获取所述留存用户数据关联的异常事件，以及各所述时间段之间的时间内关联的异常事件，生成优化信息，以指示用户对所述应用程序进行性能优化。
8.一种应用程序优化装置，其特征在于，包括：
留存用户数统计模块，用于获取应用程序的用户数据，并统计留存用户数据，所述留存用户数据包括：至少两个时间段内的满足信息推送条件的留存用户和满足信息不推送条件的留存用户；
应用评价变化参数确定模块，用于根据所述留存用户数据、以及预先建立的用户数与应用评价值的关系图，确定应用评价值的变化参数；
优化类型确定模块，用于根据所述变化参数，确定所述应用程序的优化类型，以指示对所述应用程序进行优化；
其中，所述用户数与应用评价值的关系图用于描述用户数与应用评价值的关系，所述用户数的累计值表征留存用户数，所述应用评价值用于描述用户对应用程序的体验值或者是容忍度，所述应用评价值的变化参数用于描述所述应用评价值随着留存用户的变化而变化的情况。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-7中任一所述的应用程序优化方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的应用程序优化方法。
CN202010260319.3A 2020-04-03 2020-04-03 应用程序优化方法、装置、电子设备及存储介质 Active CN111459783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010260319.3A CN111459783B (zh) 2020-04-03 2020-04-03 应用程序优化方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010260319.3A CN111459783B (zh) 2020-04-03 2020-04-03 应用程序优化方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111459783A CN111459783A (zh) 2020-07-28
CN111459783B true CN111459783B (zh) 2023-04-18

Family

ID=71680456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010260319.3A Active CN111459783B (zh) 2020-04-03 2020-04-03 应用程序优化方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111459783B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113382310B (zh) * 2021-06-02 2023-01-03 北京百度网讯科技有限公司 信息推荐方法及装置、电子设备和介质
CN113449196B (zh) * 2021-07-16 2024-04-19 北京金堤科技有限公司 信息生成方法及装置、电子设备和可读存储介质
CN113626705B (zh) * 2021-08-10 2023-10-20 广州虎牙科技有限公司 用户留存分析方法、装置、电子设备和存储介质
CN114329213B (zh) * 2021-12-30 2022-08-30 深圳前海浩方科技有限公司 基于用户行为的电商平台优化方法、装置、设备及介质
CN115794175B (zh) * 2023-02-06 2023-05-02 广东省科学技术情报研究所 基于大数据的技术研发评估系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004355392A (ja) * 2003-05-29 2004-12-16 Fuji Electric Holdings Co Ltd 画面自律最適化装置、最適化方法、記録媒体、プログラム
JP2011044066A (ja) * 2009-08-24 2011-03-03 Nagoya Institute Of Technology インターネットオークションにおけるユーザ評価システム
CN105607931A (zh) * 2015-12-23 2016-05-25 北京金山安全软件有限公司 一种优化应用程序留存率的方法、装置及电子设备
CN107918582A (zh) * 2017-11-09 2018-04-17 北京小唱科技有限公司 用于社交应用的数据处理方法和装置
CN108062313A (zh) * 2016-11-07 2018-05-22 北京京东尚科信息技术有限公司 用于留存用户分析的方法、电子设备和服务器
CN109948059A (zh) * 2019-03-28 2019-06-28 北京字节跳动网络技术有限公司 内容的推荐方法、装置、设备及存储介质
CN110223124A (zh) * 2019-06-18 2019-09-10 北京字节跳动网络技术有限公司 数据处理方法、装置、电子设备及计算机可读介质
CN110266745A (zh) * 2019-03-08 2019-09-20 腾讯科技（深圳）有限公司 基于深度网络的信息流推荐方法、装置、设备及存储介质
CN110276011A (zh) * 2019-06-25 2019-09-24 北京字节跳动网络技术有限公司 信息推荐的方法、装置、电子设备及计算机可读介质
CN110362750A (zh) * 2019-07-19 2019-10-22 北京字节跳动网络技术有限公司 目标用户确定方法、装置、电子设备和计算机可读介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004355392A (ja) * 2003-05-29 2004-12-16 Fuji Electric Holdings Co Ltd 画面自律最適化装置、最適化方法、記録媒体、プログラム
JP2011044066A (ja) * 2009-08-24 2011-03-03 Nagoya Institute Of Technology インターネットオークションにおけるユーザ評価システム
CN105607931A (zh) * 2015-12-23 2016-05-25 北京金山安全软件有限公司 一种优化应用程序留存率的方法、装置及电子设备
CN108062313A (zh) * 2016-11-07 2018-05-22 北京京东尚科信息技术有限公司 用于留存用户分析的方法、电子设备和服务器
CN107918582A (zh) * 2017-11-09 2018-04-17 北京小唱科技有限公司 用于社交应用的数据处理方法和装置
CN110266745A (zh) * 2019-03-08 2019-09-20 腾讯科技（深圳）有限公司 基于深度网络的信息流推荐方法、装置、设备及存储介质
CN109948059A (zh) * 2019-03-28 2019-06-28 北京字节跳动网络技术有限公司 内容的推荐方法、装置、设备及存储介质
CN110223124A (zh) * 2019-06-18 2019-09-10 北京字节跳动网络技术有限公司 数据处理方法、装置、电子设备及计算机可读介质
CN110276011A (zh) * 2019-06-25 2019-09-24 北京字节跳动网络技术有限公司 信息推荐的方法、装置、电子设备及计算机可读介质
CN110362750A (zh) * 2019-07-19 2019-10-22 北京字节跳动网络技术有限公司 目标用户确定方法、装置、电子设备和计算机可读介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于Hive的支付SDK日志分析系统的设计研究;王建辉等;《计算机应用与软件》(第07期);全文 *
基于情报3.0工作思路的自动简报系统设计与实现;刘如等;《情报学报》(第02期);全文 *
手机APP交互界面人因适合性测试程序的设计与实现;林创等;《电脑知识与技术》(第05期);全文 *
知乎社区用户发展和参与机制及其对图书馆知识服务的启示;郑德俊等;《图书情报工作》(第01期);全文 *

Also Published As

Publication number Publication date
CN111459783A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111459783B (zh) 应用程序优化方法、装置、电子设备及存储介质
US10719565B2 (en) Soft matching user identifiers
CN110351572B (zh) 直播间信息的更新方法、装置、设备及存储介质
US11887132B2 (en) Processor systems to estimate audience sizes and impression counts for different frequency intervals
US11372805B2 (en) Method and device for information processing
WO2017092582A1 (zh) 一种数据处理方法和装置
CN108965951B (zh) 广告的播放方法及装置
US10825030B2 (en) Methods and apparatus to determine weights for panelists in large scale problems
CN109034867B (zh) 点击流量检测方法、装置及存储介质
CN111930454A (zh) 一种界面显示方法、装置、终端设备及介质
CN110097457B (zh) 信息生成方法、电子设备和计算机可读介质
CN111949527A (zh) 游戏视频的测试方法、装置、设备及存储介质
CN113034171A (zh) 一种业务数据处理方法、装置、计算机及可读存储介质
CN112116397A (zh) 用户行为特征实时处理方法、装置、存储介质及电子设备
US11290359B2 (en) Relaying internet census information
US20200202370A1 (en) Methods and apparatus to estimate misattribution of media impressions
CN110704614A (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
CN112070564B (zh) 广告拉取方法、装置、系统与电子设备
CN111770510B (zh) 网络体验状态确定方法、装置、存储介质及电子设备
CN109285035B (zh) 预测应用留存数据的方法、装置、设备及存储介质
CN112507884A (zh) 直播内容的检测方法、装置、可读介质和电子设备
CN113595921B (zh) 数据流处理方法、装置、电子设备及计算机可读存储介质
CN115312208B (zh) 接诊数据展示方法、装置、设备、介质
CN114697711B (zh) 一种主播推荐方法、装置、电子设备和存储介质
CN113762306A (zh) 模型训练方法、装置、电子设备和计算机可读介质

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