CN111538900A - 一种信息推荐方法及相关设备 - Google Patents
一种信息推荐方法及相关设备 Download PDFInfo
- Publication number
- CN111538900A CN111538900A CN202010240351.5A CN202010240351A CN111538900A CN 111538900 A CN111538900 A CN 111538900A CN 202010240351 A CN202010240351 A CN 202010240351A CN 111538900 A CN111538900 A CN 111538900A
- Authority
- CN
- China
- Prior art keywords
- behavior data
- frequency
- user
- recommendation information
- behavior
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例适用于用户行为画像过程中，公开了一种信息推荐方法及相关设备，所述方法包括：获取用户的应用操作数据；获取候选推荐信息及其对应的高频行为数据集合，高频行为数据集合中任意的至少一个高频行为数据，共同出现在样本推荐用户的历史操作数据中的次数大于预设出现次数阈值；分别将各个高频行为数据集合中各个行为标签下的高频行为数据，与所述应用操作数据中同一行为标签下的用户行为数据进行比对；确定每个行为标签下的高频行为数据均与应用操作数据中同一行为标签下的用户行为数据匹配的目标高频行为数据集合；实时将目标高频行为数据集合对应的目标推荐信息推荐给用户。通过本申请可以提高向用户推荐信息的灵活性和有效性。
Description
技术领域
本申请涉及终端技术领域，尤其涉及一种信息推荐方法及相关设备。
背景技术
随着互联网和终端技术的发展，各种各样的终端APP(Application，应用)层出不穷，满足了用户生活工作各个方面的需求。在用户使用APP的过程中，APP的运营商通常会产生一些向用户推荐的信息，例如一些活动参与信息，一些商品信息等。
目前的信息推荐方式中，APP运营商通常针对所有客户生成统一的推荐信息，在用户触发APP中的推荐界面后，向用户推荐生成的统一的推荐信息推荐给用户。无差异地向用户推荐统一的信息，这种信息推荐方式较为单一，使得很大一部分用户收到推荐信息后，都作为无效信息被忽略掉，降低了推荐信息的有效性。
发明内容
本申请提供一种信息推荐方法及相关设备，通过本申请可以提高在用户使用终端应用过程中向用户推荐信息的灵活性和有效性。
本申请实施例第一方面提供了一种信息推荐方法，包括：
获取用户针对第一应用的应用操作数据，所述应用操作数据中包含不同行为标签下用户行为数据；
获取所述第一应用的至少一个候选推荐信息，以及各个所述候选推荐信息对应的高频行为数据集合；所述高频行为数据集合包含不同行为标签下的高频行为数据，所述高频行为数据是根据所述候选推荐信息对应的多个样本推荐用户的历史操作数据得到的，所述历史操作数据包含不同行为标签下的样本行为数据；所述候选推荐信息对应的高频行为数据集合中的任一高频行为数据，出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值，并且在所述候选推荐信息对应的高频行为数据集合包含多个高频行为数据的情况下，所述候选推荐信息对应的高频行为数据集合中任意的多个高频行为数据，共同出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值；
分别将各个所述候选推荐信息对应的高频行为数据集合中各个行为标签下的高频行为数据，与所述应用操作数据中同一行为标签下的用户行为数据进行比对；
从各个所述候选推荐信息对应的高频行为数据集合中确定目标高频行为数据集合，所述目标高频行为数据集合中每个行为标签下的高频行为数据，均与所述应用操作数据中同一行为标签下的用户行为数据匹配；
将所述目标高频行为数据集合对应的候选推荐信息，确定为目标推荐信息，实时向所述用户推荐所述目标推荐信息。
结合第一方面，在第一种可能的实现方式中，所述高频行为数据集合中还包含不同属性标签下的高频属性数据；
所述方法还包括：
获取所述用户在不同属性标签下的用户属性数据；
将各个所述高频行为数据集合中各个属性标签下的高频属性数据，与同一属性标签下的所述用户属性数据进行比对；
所述将各个行为标签下的高频行为数据比对均通过的高频行为数据集合，确定为目标高频行为数据集合包括：
将各个行为标签下的高频行为数据与同一行为标签下的用户行为数据均匹配，并且各个属性标签下的高频属性数据与同一属性标签下的用户属性数据均匹配的高频行为数据集合，确定为目标高频行为数据集合。
结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述方法还包括：
根据所述用户在指定属性标签下的用户属性数据，确定所述用户在不同推荐方式栏目下的推荐方式信息，所述推荐方式栏目包括推荐字体栏目、推荐对象形象栏目、推荐声音栏目或推荐文风栏目中的一种或多种；
根据所述推荐方式信息，确定所述用户的目标推荐方式，所述目标推荐方式被用户实时推荐所述目标推荐信息。
结合第一方面，在第三种可能的实现方式中，所述目标推荐信息中包含指定跳转链接；在所述实时向所述用户推荐所述目标推荐信息之前，所述第一应用的展示界面中包含第一推荐对象的等候图像；所述第一推荐对象为向用户展示推荐信息的虚拟对象；所述等候图像是在未确定出所述目标推荐信息的情况下，所述第一推荐对象对应的展示图像；
所述实时向所述用户推荐所述目标推荐信息包括：
根据所述目标推荐信息的信息文本，生成所述第一推荐对象推荐所述目标推荐信息的交互图像，并展示所述交互图像；
在接收用户针对所述交互图像的确认交互指令的情况下，打开所述目标推荐信息中的指令跳转链接。
结合第一方面，在第四种可能的实现方式中，所述方法还包括：
获取所述候选推荐信息各自对应的多个样本推荐用户的历史操作数据；
将所述历史操作数据中离散数值类型的样本行为数据，预处理成连续数值段类型的样本行为数据；
获取预处理后所述候选推荐信息对应的样本推荐用户的历史操作数据中，任意至少一个行为标签下的样本行为数据，构成所述候选推荐信息对应的候选频繁项集；
从所述候选推荐信息对应的候选频繁项集中，确定所述候选推荐信息对应的行为数据频繁项集；所述行为数据频繁项集中的任一样本行为数据，出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值，并且在所述候选推荐信息对应的候选频繁项集包含多个样本行为数据的情况下，所述行为数据频繁项集中任意的多个样本行为数据，共同出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值；
根据各个所述候选推荐信息对应的行为数据频繁项集，确定所述候选推荐信息各自对应的高频行为数据集合。
结合第一方面，在第五种可能的实现方式中，所述根据各个所述候选推荐信息对应的行为数据频繁项集，确定所述候选推荐信息各自对应的高频行为数据集合包括：
在第一候选推荐信息对应的行为数据频繁项集包含多个时，确定所述第一候选推荐信息对应的各个行为数据频繁项集的置信度；所述第一候选推荐信息为任一候选推荐信息；
在所述第一候选推荐信息对应的行为数据频繁项集中仅包含一个样本行为数据的情况下，所述置信度为所述行为数据频繁项集包含的样本行为数据，出现在所述第一候选推荐信息对应的样本推荐用户的历史操作数据中的次数，与第一候选推荐信息对应的行为数据频繁项集中指定行为标签下的样本行为数据在第一候选推荐信息对应的样本推荐用户的历史操作数据中出现次数的比值；
在所述第一候选推荐信息对应的行为数据频繁项集包含多个样本行为数据的情况下，所述置信度为所述行为数据频繁项集包含的各个样本行为数据，共同出现在所述第一候选推荐信息对应的样本推荐用户的历史操作数据中的次数，与第一候选推荐信息对应的行为数据频繁项集中指定行为标签下的样本行为数据在第一候选推荐信息对应的样本推荐用户的历史操作数据中出现次数的比值；
将置信度高于预设置信度阈值的行为数据频繁项集确定为所述第一候选推荐信息对应的高频行为数据集合。
结合第一方面，在第六种可能的实现方式中，所述从各个所述候选推荐信息对应的高频行为数据集合中确定目标高频行为数据集合包括：
判断各个所述候选推荐信息对应的高频行为数据集合中各个行为标签下的高频行为数据，与所述应用操作数据中同一行为标签下的用户行为数据的相似度是否高于预设相似度阈值；
将各个行为标签下的高频行为数据与所述应用操作数据中同一行为标签下的用户行为数据的相似度，均高于预设相似度阈值的高频行为数据集合，确定所述目标高频行为数据集合。
本申请实施例第二方面提供了一种信息推荐装置，包括：
数据获取模块，用于获取用户针对第一应用的应用操作数据，所述应用操作数据中包含不同行为标签下用户行为数据；
集合获取模块，用于获取所述第一应用的至少一个候选推荐信息，以及各个所述候选推荐信息对应的高频行为数据集合；所述高频行为数据集合包含不同行为标签下的高频行为数据，所述高频行为数据是根据所述候选推荐信息对应的多个样本推荐用户的历史操作数据得到的，所述历史操作数据包含不同行为标签下的样本行为数据；所述候选推荐信息对应的高频行为数据集合中的任一高频行为数据，出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值，并且在所述候选推荐信息对应的高频行为数据集合包含多个高频行为数据的情况下，所述候选推荐信息对应的高频行为数据集合中任意的多个高频行为数据，共同出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值；
比对模块，用于分别将各个所述候选推荐信息对应的高频行为数据集合中各个行为标签下的高频行为数据，与所述应用操作数据中同一行为标签下的用户行为数据进行比对；
目标集合确定模块，用于从各个所述候选推荐信息对应的高频行为数据集合中确定目标高频行为数据集合，所述目标高频行为数据集合中每个行为标签下的高频行为数据，均与所述应用操作数据中同一行为标签下的用户行为数据匹配；
信息推荐模块，用于将所述目标高频行为数据集合对应的候选推荐信息，确定为目标推荐信息，实时向所述用户推荐所述目标推荐信息。
本申请实施例第三方面提供了一种信息推荐装置，包括：处理器和存储器；
所述处理器与存储器相连，其中，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，以执行本申请实施例中上述任一方面中的方法。
本申请实施例第四方面提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述任一方面中的方法。
本申请实施例中，获取用户针对第一应用的应用操作数据，并获取第一应用的至少一个候选推荐信息，及各自对应的高频行为数据集合，将各个候选推荐信息对应的高频行为数据集合中各个行为标签下的高频行为数据，与应用操作数据中同一行为标签下的用户行为数据进行比对，从而从各个候选推荐信息对应的高频行为数据集合中，确定出每个行为标签下的高频行为数据，均与应用操作数据中同一行为标签下的用户行为数据匹配的目标高频行为数据集合，进而将目标高频行为数据集合对应的候选推荐信息，确定为目标推荐信息，并实时向用户推荐目标推荐信息。
其中，高频行为数据是根据候选推荐信息对应的多个样本推荐用户的历史操作数据得到的，候选推荐信息对应的高频行为数据集合中的任一高频行为数据，出现在候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值，并且在候选推荐信息对应的高频行为数据集合包含多个高频行为数据的情况下，候选推荐信息对应的高频行为数据集合中任意的多个高频行为数据，共同出现在候选推荐信息对应的样本推荐用户的历史操作数据中的次数都大于预设出现次数阈值。因此，通过挖掘各个候选推荐信息的样本推荐用户的历史操作数据，得到各个候选推荐信息对应的高频行为数据集合，进而通过各个候选推荐信息对应的高频行为数据集合与应用操作数据的比对，确定用户个性化的目标推荐信息，实现了根据用户的应用操作数据差异化推荐信息，提高了向用户推荐信息的灵活性和有效性。
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是本申请实施例提供的一种信息推荐系统的架构图；
图2是本申请实施例提供的一种信息推荐方法的流程示意图；
图3是本申请实施例提供的一种确定行为数据频繁项集的示意图；
图4a是本申请实施例提供的一种第一推荐对象的等候图像展示示意图；
图4b是本申请实施例提供的另一种第一推荐对象的等候图像展示示意图；
图5是是本申请实施例提供的一种第一推荐对象的交互图像展示示意图；
图6是本申请实施例提供的另一种信息推荐方法的流程示意图；
图7是本申请实施例提供的一种信息推荐装置的结构示意图；
图8是本申请实施例提供的另一种信息推荐装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
参见图1，图1是本申请实施例提供的一种信息推荐系统的架构图，如图所示，所述信息推荐系统至少可以包括服务器A和终端集群，所述终端集群可以包括至少一个终端，图1中示例性地示出了终端b、终端c和终端d这3个终端，终端集群中的终端可以包括但不限于手机、平板电脑、智能穿戴设备等终端；服务器A为运营某一应用(APP)的服务器，终端集群中的终端安装有针对该APP，服务器A可以通过终端中安装的APP向用户推荐信息。如图1所示，终端b、终端c和终端d与服务器A之间可以建立网络连接，以便于每个终端与服务器A之间通过该网络连接进行数据交互。下面结合图2和图6介绍本申请实施例提供的信息推荐方法，图2和图6对应的信息推荐方法可以基于图1所述的信息推荐系统实现。
参见图2，图2是本申请实施例提供的一种信息推荐方法的流程示意图，如图所示，所述方法可以包括步骤S201～S205。
S201，获取用户针对第一应用的应用操作数据。
这里，可以获取用户在当前时刻之前的指定的第一时段内，针对第一应用的应用操作数据，例如，当前时刻是13点钟，可以将当前时刻之前半个小时的时间作为指定的第一时段，即获取用户在12点半到13点之间的应用操作数据。
具体的，可以首先获取用户在第一时段内的操作记录，进而统计出用户在第一时段内的应用操作数据，应用操作数据中可以包含不同行为标签下用户行为数据。行为标签是预设的用于指示用户在第一时段内不同行为数据类别的标签。例如，若第一应用是保险类的介绍及售卖应用，用户在第一预设时段内的操作记录包括12点3分5秒-12点5分5秒之间浏览一篇心血管治疗文章，在12点5分50秒-12点7分50秒之间浏览一篇心血管保健文章，在12点8分-12点13分之间浏览了老年人养心血管类的文章；预设的行为标签可以包括浏览慢性疾病文章数量、慢性疾病文章的平均浏览时间、浏览急性疾病文章数量、急性疾病文章数量的平均浏览时间、浏览保险类介绍文章数量、保险类介绍文章的平均浏览时间，那么该用户在12点半到13点之间的应用操作数据中，浏览慢性疾病文章数量这一行为标签对应的用户行为数据是3，慢性疾病文章的平均浏览时间是3min，浏览急性疾病文章数量、急性疾病文章数量的平均浏览时间、浏览保险类介绍文章数量和保险类介绍文章的平均浏览时间这四个行为标签对应的用户行为数据均为0。
S202，获取所述第一应用的至少一个候选推荐信息，以及各个所述候选推荐信息对应的高频行为数据集合。
其中，第一应用可以有多个候选推荐信息，这里候选推荐信息可以是向用户推荐的产品、业务、活动等，可选的还可以包括这些产品、业务、活动对应的购买或参与链接。每个候选推荐信息有各自对应的高频行为数据集合，高频行为数据集合包含不同行为标签下的高频行为数据，高频行为数据是根据候选推荐信息对应的多个样本推荐用户的历史操作数据得到的，历史操作数据包含不同行为标签下的样本行为数据。候选推荐信息对应的高频行为数据集合中的任一高频行为数据，出现在候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值，并且在候选推荐信息对应的高频行为数据集合包含多个高频行为数据的情况下，候选推荐信息对应的高频行为数据集合中任意的多个高频行为数据，共同出现在候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值。例如，某个高频行为数据集合{S,T}，那么S在对应的历史操作数据中出现的次数大于预设出现次数阈值，T在对应的历史操作数据中出现的次数大于预设出现次数阈值，S和T共同出现在同一历史操作数据中的次数大于预设出现次数阈值。
这里，各个候选推荐信息对应的高频行为数据集合的确定可以通过Apriori算法确定，Apriori算法是一种关联关系的挖掘算法，通过该算法可以从各个候选推荐信息的样本推荐用户的历史操作数据中挖掘得到该高频行为数据集合。候选推荐信息的样本推荐用户，可以是候选推荐信息的历史推荐用户，或者是APP的运营人员针对候选推荐信息的样本用户。样本推荐用户的历史操作数据中也包含不同行为标签下的样本行为数据。
首先通过Apriori算法确定各个候选推荐信息的行为数据频繁项集，进而根据行为数据频繁项集确定各个候选推荐信息的高频行为数据集合。这里以其中一个候选推荐信息的行为数据频繁项集为例，结合Apriori算法介绍行为数据频繁项集的确定过程。
具体实现中，可以首先对该候选推荐信息对应的历史操作数据中离散数值类型的样本行为数据进行预处理，将其预处理成连续数值段类型的样本行为数据。针对一些数值类的行为标签，可以预先针对该行为标签的可能取值进行分段，得到该行为标签下不同的分段连续型数据，然后将历史操作数据中该行为标签下的数据，替换成所属的分段连续型数据。例如针对浏览慢性疾病文章数量这一行为标签，可以预先划分3个对应的分段连续型数据，分别为0-2、3-6、6以上，若某样本推荐用户浏览慢性疾病文章数量为3，可以将其预处理为3-6。
进而，获取预处理后该候选推荐信息对应的各个历史操作数据中每个行为标签对应可能出现的每一种样本行为数据，构成多个候选一项集，通过将各个候选一项集包含的样本行为数据在预处理后的历史操作数据中出现的次数，与预设的出现次数阈值比较后，将多个候选一项集中包含的样本行为数据出现的次数不限于预设出现次数阈值的候选一项集确定为频繁一项集；
若频繁一项集仅有一个，则将频繁一项集确定为该候选推荐信息对应的行为数据频繁项集；若频繁一项集包含多个，将任一频繁一项集包含的项目数据与其他频繁一项集中的样本行为数据与其他频繁一项集中包含的样本行为数据组合构成候选二项集，将各个候选二项集中包含的样本行为数据在预处理后的历史操作数据中共同出现的次数，与预设的出现次数阈值比较后，将包含的样本行为数据共同出现的次数不小于预设出现次数阈值的候选二项集，确定为频繁二项集；若不存在包含的样本行为数据共同出现的次数不小于预设出现次数阈值的候选二项集，则将多个频繁一项集确定为行为数据频繁项集；
若频繁二项集仅有一个，则将频繁二项集确定为行为数据频繁项集；若频繁二项集包含多个，则将多个频繁二项集中仅有一项样本行为数据不同的频繁二项集两两组合，构成候选三项集合，进而将候选三项集合中包含的样本行为数据在预处理后的历史操作数据中共同出现的次数，与预设的出现次数阈值进行比较；以此类推，直到确定出仅包含一个的频繁L项集时，将频繁L项集确定为行为数据频繁项集，或直到确定的候选M项集中，不存在包含的样本行为数据在预处理后的历史操作数据中共同出现的次数不小于预设出现次数阈值的候选M项集，将多个频繁M-1项集确定为行为数据频繁项集。可以理解的是，上述过程中，组合产生候选多项集中同一行为标签下的样本行为数据仅包含一个。
参见图3，图3是本申请实施例提供的一种确定行为数据频繁项集的示意图，结合图3举例进行说明，首先参见表1，若某一候选推荐信息对应10个样本推荐用户，经过预处理后的历史操作数中各个行为标签下的历史行为数据如表1所示：
表1
这里，用A表示浏览慢性疾病文章的数量这一行为标签，用A1、A2、A3和A4分别表示标签A下0-2、3-6、6-10、10以上这四种样本行为数据，用B表示慢性疾病文章的平均浏览时间这一行为标签，用B1、B2、B3和B4分别表示标签B下0-5、6-10和10以上这三种样本行为数据，用C表示浏览保险类介绍文章数量这一行为标签，用C1、C2、C3和C4分别表示标签C下0-3、4-8、9、12和12以上这三种样本行为数据，用D表示是否打开保险产品首页这一行为标签，用D1和D2别表示标签D下是和否这两种样本行为数据。进而经过如图3所示的确定过程，得到对应的行为数据频繁项集为频繁三项集{B1，C1，D2}。
在行为数据频繁项集确定之后，根据候选推荐信息对应的行为数据频繁项集，确定候选推荐信息对应的高频行为数据集合。一种可选的方式中，可以直接将行为数据频繁项集确定为高频行为数据集合。另一种实现方式中，在一些候选推荐信息对应的行为数据集合频繁项集有多个时，可以确定该候选推荐信息对应的各个行为数据频繁项集的置信度，进而根据各个频繁项集的置信度，从多个行为数据频繁项集中确定高频行为数据集合。
具体的，针对候选推荐信息中包含有多个行为数据频繁项集的第一候选推荐信息，可以指定其对应的任意一个行为标签作为确定其对应的行为数据频繁项集的置信度，对于仅包含一个样本行为数据的行为数据频繁项集，对应的置信度通过该行为数据频繁项集包含的样本行为数据，出现在第一候选推荐信息对应的样本推荐用户的历史操作数据中的次数，与第一候选推荐信息对应的行为数据频繁项集中指定行为标签下的样本行为数据，出现在第一候选推荐信息对应的样本推荐用户的历史操作数据中的次数的比值确定。对于包含多个样本行为数据的行为数据频繁项集，对应的置信度通过该行为数据频繁项集包含的样本行为数据，共同出现在第一候选推荐信息对应的样本推荐用户的历史操作数据中的次数，与第一候选推荐信息对应的行为数据频繁项集中指定行为标签下的样本行为数据，出现在第一候选推荐信息对应的样本推荐用户的历史操作数据中的次数的比值确定。进而将置信度高于预设置信度阈值的行为数据频繁项集确定为第一候选推荐信息对应的高频行为数据集合。
通过上述过程可以确定候选推荐信息的高频行为数据集合，在步骤S202中可以获取已确定的高频行为数据集合。
S203，分别将各个所述候选推荐信息对应的高频行为数据集合中各个行为标签下的高频行为数据，与所述应用操作数据中同一行为标签下的用户行为数据进行比对。
这里，针对其中任一候选推荐信息的高频行为数据集合进行比对的过程中，可以从用户的应用操作数据中，获取该候选推荐信息的高频行为数据集合中的各个行为标签的用户行为数据，进而将该候选推荐信息的高频行为数据集合中的各个高频行为数据，分别与应用操作数据中同一行为标签下的用户行为数据进行比对。
一种可选的实现方式中，高频行为数据与同一行为标签下的用户行为数据的比对，可以比对高频行为数据是否和同一行为标签下的用户行为数据相等，或者是否包含同一行为标签下的用户行为数据，二者满足其一，即可认为二者匹配。例如，若是否打开保险界面这一行为标签下的高频行为数据是“是”，同一行为标签下的用户行为数据是“是”，则二者匹配。又如，若浏览时间这一行为标签下的高频行为数据是3min-10min，同一行为标签下的用户行为数据是5min，则二者匹配。
另一种可选的实现方式中，可以判断高频行为数据与同一行为标签下的用户行为数据之间相似度，若相似度高于预设的相似度阈值，即可认为二者匹配。可以预先设定相似度的确定方法，针对数值段类的高频行为数据，例如，可以将用户行为数据与该数值段高频行为数据数值段的中间取值的差值取绝对值，将该中间取值的与取绝对值后得到的值比值确定为相似度；又如，针对小于高频行为数据数值段中左侧端点数值的用户行为数据，可以将用户行为数据与该数值段中左侧端点数值，与同一行为标签下的用户行为数据的相减，将该数值段中左侧端点数值的比值于上述相减后的差值的比值，确定为相似度；针对大于高频行为数据数值段中右侧端点数值的用户行为数据，可以将同一行为标签下的用户行为数据，与用户行为数据与该数值段中右侧端点数值相减，与该数值段中右侧端点数值与上述相减后的差值的比值，确定为相似度。例如，若浏览时间这一行为标签对应的高频行为数据为3min-7min，同一行为标签下的用户行为数据为9min，若按照上述第一种例子中的相似度确定方法，二者的相似度为1.25。若按照上述第二种例子中的相似度确定方法，二者的相似度为0.286。
S204，从各个所述候选推荐信息对应的高频行为数据集合中确定目标高频行为数据集合。
这里根据步骤S203中比对之后的结果，从各个候选推荐信息对应的高频行为数据集合中，确定每个行为标签下的高频行为数据，均与应用操作数据中同一行为标签下的用户行为数据匹配的目标高频行为数据集合。
S205，将所述目标高频行为数据集合对应的候选推荐信息，确定为目标推荐信息，实时向所述用户推荐所述目标推荐信息。
这里，实时向用户推荐目标推荐信息的方式可以是通过实时语音播报候选推荐信息的方式，实时推荐目标推荐信息，也可以实时以文本的形式推荐目标推荐信息。
一种可选的实现方式中，目标推荐信息中包含指定跳转链接，可以在第一应用中设置第一推荐对象，第一推荐对象是向用户展示推荐信息的虚拟对象，在S205之前，即目标推荐信息还未确定出来的时候，第一推荐对象可以处于等候状态，相应的，可以在第一应用中展示第一推荐对象的等候图像。参见图4a，图4a是本申请实施例提供的一种第一推荐对象的等候图像展示示意图，如图4a所示，在目标推荐信息未确定出来之前，第一推荐对象的等候图像可以是透明或半透明的形式图像，实时展示在第一应用的界面中。参见图4b，图4b是本申请实施例提供的另一种第一推荐对象的等候图像展示示意图，第一应用启动后，第一推荐对象可以经过图4b中左侧图的等候图像，动态切换至图4b中右侧图的等候图像。
在目标推荐信息确定之后，可以根据目标推荐信息的信息文本，生成第一推荐对象推荐所述目标推荐信息的交互图像，并展示生成的交互图像。参加图5，图5是是本申请实施例提供的一种第一推荐对象的交互图像展示示意图，若目标推荐信息是推荐X业务的信息，生成的交互图像可以如图5所示。动态的交互图像可以提高用户针对目标推荐信息的响应程度，进一步提高目标推荐信息的有效性。
本申请实施例中，获取用户针对第一应用的应用操作数据，并获取第一应用的至少一个候选推荐信息，及各自对应的高频行为数据集合，将各个候选推荐信息对应的高频行为数据集合中各个行为标签下的高频行为数据，与应用操作数据中同一行为标签下的用户行为数据进行比对，从而从各个候选推荐信息对应的高频行为数据集合中，确定出每个行为标签下的高频行为数据，均与应用操作数据中同一行为标签下的用户行为数据匹配的目标高频行为数据集合，进而将目标高频行为数据集合对应的候选推荐信息，确定为目标推荐信息，并实时向用户推荐目标推荐信息。
其中，高频行为数据是根据候选推荐信息对应的多个样本推荐用户的历史操作数据得到的，候选推荐信息对应的高频行为数据集合中的任一高频行为数据，出现在候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值，并且在候选推荐信息对应的高频行为数据集合包含多个高频行为数据的情况下，候选推荐信息对应的高频行为数据集合中任意的多个高频行为数据，共同出现在候选推荐信息对应的样本推荐用户的历史操作数据中的次数都大于预设出现次数阈值。因此，通过挖掘各个候选推荐信息的样本推荐用户的历史操作数据，得到各个候选推荐信息对应的高频行为数据集合，进而通过各个候选推荐信息对应的高频行为数据集合与应用操作数据的比对，确定用户个性化的目标推荐信息，实现了根据用户的应用操作数据差异化推荐信息，提高了向用户推荐信息的灵活性和有效性。
参见图6，图6是本申请实施例提供的另一种信息推荐方法的流程示意图，如图所示，所述方法可以包括以下步骤：
S601，获取用户针对第一应用的应用操作数据，获取所述用户在不同属性标签下的用户属性数据。
所述应用操作数据中包含不同行为标签下用户行为数据
S602，获取所述第一应用的至少一个候选推荐信息，以及各个所述候选推荐信息对应的高频行为数据集合。
所述高频行为数据集合包含不同行为标签下的高频行为数据，以及不同属性标签下的高频属性数据。所述高频行为数据和高频属性数据是根据所述候选推荐信息对应的多个样本推荐用户的历史操作数据和这些样本推荐用户的样本用户数据得到的，所述历史操作数据包含不同行为标签下的样本行为数据，所述样本用户数据中包含不同属性标签下的样本属性数据。
其中，所述候选推荐信息对应的高频行为数据集合中的任一高频行为数据，出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值。所述候选推荐信息对应的高频行为数据集合中的任意高频属性数据，出现在所述候选推荐信息对应的样本推荐用户的样本用户数据中的次数大于预设出现次数阈值。在所述候选推荐信息对应的高频行为数据集合包含多个高频行为数据的情况下，所述候选推荐信息对应的高频行为数据集合中任意的多个高频行为数据，共同出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值。在所述候选推荐信息对应的高频行为数据集合包含多个高频属性数据的情况下，所述候选推荐信息对应的高频行为数据集合中任意的多个高频属性数据，共同出现在所述候选推荐信息对应的样本推荐用户的样本用户数据中的次数大于预设出现次数阈值。除此之外，所述候选推荐信息对应的高频行为数据集合中，任意的高频行为数据与任意的高频属性数据，在所述候选推荐信息对应的样本推荐用户中，同一样本推荐用户的历史操作数据和样本用户数据中对应出现的次数，大于预设出现次数阈值。
这里，高频行为数据集合的挖掘可以参阅图2对应的实施例中S202的具体实现方式，此处不赘述。
S603，分别将各个所述候选推荐信息对应的高频行为数据集合中各个行为标签下的高频行为数据，与所述应用操作数据中同一行为标签下的用户行为数据进行比对。
S604，将各个所述高频行为数据集合中各个属性标签下的高频属性数据，与同一属性标签下的所述用户属性数据进行比对。
其中，步骤S604可以在步骤S603之后执行，也可以在S603之前执行，还可以与S603同时执行。具体比对方式可以参阅图2对应实施例中S203中的实现方式，此处不赘述。
S605，将各个行为标签下的高频行为数据与同一行为标签下的用户行为数据均匹配，并且各个属性标签下的高频属性数据与同一属性标签下的用户属性数据均匹配的高频行为数据集合，确定为目标高频行为数据集合。
S606，将目标高频行为数据集合对应的候选推荐信息，确定为目标推荐信息。
S607，根据所述用户在指定属性标签下的用户属性数据，确定所述用户在不同推荐方式栏目下的推荐方式信息。
其中，推荐方式栏目可以包括推荐字体栏目、推荐对象形象栏目、推荐声音栏目或推荐文风栏目中的一种或多种。针对不同的推荐方式栏目有不同的栏目选项，例如，推荐字体栏目下可以有毛笔字、花体字、火星文、黑体字等选项，推荐对象形象栏目可以有宠物形象、二次元卡通形象、古风形象等选项，推荐声音栏目可以有甜美女声、磁性男声、搞怪声音等选项，推荐文风栏目可以有文言文风格、白话文风格、方言风格等选项。预先为不同的推荐方式栏目设置指定的属性标签，进而根据用户在指定属性标签下的用户属性数据，确定不同推荐方式栏目下的推荐方式信息。例如，指定属性标签为性别、年龄和职业这三个属性标签，若用户的性别是男，年龄在20-40，职业为工程师，可将其推荐字体栏目、推荐对象形象栏目、推荐声音栏目或推荐文风栏目下的推荐方式信息分别确定为毛笔字、古风形象、甜美女声、白话文风格。用户的性别是女，年龄在14，职业为学生，可将其推荐字体栏目、推荐对象形象栏目、推荐声音栏目或推荐文风栏目下的推荐方式信息分分别确定为火星文、二次元卡通形象、搞怪声音、白话文风格。
S608，根据所述推荐方式信息，确定所述用户的目标推荐方式，按照所述目标推荐方式，实时推荐所述目标推荐信息。
若S607中的推荐方式栏目包括推荐声音栏目，则使用对应的声音播报目标推荐信息，若S607的推荐方式栏目包括推荐字体栏目、推荐对象形象栏目或推荐文风栏目，则将目标文推荐信息的信息文本嵌套进，针对推荐文风栏目下推荐方式信息预设的文本框架，进而将嵌套后的文本按照推荐字体栏目下推荐方式信息的字体，与推荐对象形象栏目下推荐方式信息对应的推荐形象，合成展示图像，并实时在第一应用的界面中展示合成的图像。
本申请实施例中，通过挖掘各个候选推荐信息的样本推荐用户的历史操作数据和样本用户数据，得到各个候选推荐信息对应的高频行为数据集合，进而通过各个候选推荐信息对应的高频行为数据集合，与用户的应用操作数据以及用户属性数据比对，确定用户个性化的目标推荐信息，并根据用户的属性信息确定对应的目标推荐方式，按照目标推荐方式向用户推荐目标推荐信息。实现了根据用户的应用操作数据差异化生成以及推荐信息，提高了向用户推荐信息的灵活性和有效性。
参见图7，图7是本申请实施例提供的一种信息推荐装置的结构示意图，如图所示，所述信息推荐装置70包括：
数据获取模块701，用于获取用户针对第一应用的应用操作数据，所述应用操作数据中包含不同行为标签下用户行为数据；
集合获取模块702，用于获取所述第一应用的至少一个候选推荐信息，以及各个所述候选推荐信息对应的高频行为数据集合；所述高频行为数据集合包含不同行为标签下的高频行为数据，所述高频行为数据是根据所述候选推荐信息对应的多个样本推荐用户的历史操作数据得到的，所述历史操作数据包含不同行为标签下的样本行为数据；所述候选推荐信息对应的高频行为数据集合中的任一高频行为数据，出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值，并且在所述候选推荐信息对应的高频行为数据集合包含多个高频行为数据的情况下，所述候选推荐信息对应的高频行为数据集合中任意的多个高频行为数据，共同出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值；
比对模块703，用于分别将各个所述候选推荐信息对应的高频行为数据集合中各个行为标签下的高频行为数据，与所述应用操作数据中同一行为标签下的用户行为数据进行比对；
目标集合确定模块704，用于从各个所述候选推荐信息对应的高频行为数据集合中确定目标高频行为数据集合，所述目标高频行为数据集合中每个行为标签下的高频行为数据，均与所述应用操作数据中同一行为标签下的用户行为数据匹配；
信息推荐模块705，用于将所述目标高频行为数据集合对应的候选推荐信息，确定为目标推荐信息，实时向所述用户推荐所述目标推荐信息。
具体实现中，所述信息推荐装置70可以通过其内置的各个功能模块执行如图2和图6的信息推荐方法中的各个步骤，具体实施细节可参阅图2和图6对应的实施例中各个步骤的实现细节，此处不再赘述。
本申请实施例中，数据获取模块获取用户针对第一应用的应用操作数据，集合获取模块获取第一应用的至少一个候选推荐信息，及各自对应的高频行为数据集合，比对模块将各个候选推荐信息对应的高频行为数据集合中各个行为标签下的高频行为数据，与应用操作数据中同一行为标签下的用户行为数据进行比对，从而目标集合确定模块从各个候选推荐信息对应的高频行为数据集合中，确定出每个行为标签下的高频行为数据，均与应用操作数据中同一行为标签下的用户行为数据匹配的目标高频行为数据集合，进而信息推荐模块将目标高频行为数据集合对应的候选推荐信息，确定为目标推荐信息，并实时向用户推荐目标推荐信息。
其中，高频行为数据是根据候选推荐信息对应的多个样本推荐用户的历史操作数据得到的，候选推荐信息对应的高频行为数据集合中的任一高频行为数据，出现在候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值，并且在候选推荐信息对应的高频行为数据集合包含多个高频行为数据的情况下，候选推荐信息对应的高频行为数据集合中任意的多个高频行为数据，共同出现在候选推荐信息对应的样本推荐用户的历史操作数据中的次数都大于预设出现次数阈值。因此，通过挖掘各个候选推荐信息的样本推荐用户的历史操作数据，得到各个候选推荐信息对应的高频行为数据集合，进而通过各个候选推荐信息对应的高频行为数据集合与应用操作数据的比对，确定用户个性化的目标推荐信息，实现了根据用户的应用操作数据差异化推荐信息，提高了向用户推荐信息的灵活性和有效性。
参见图8，图8是本申请实施例提供的另一种信息推荐装置的结构示意图。如图8所示，所述信息推荐装置80可以包括：至少一个处理器801，例如CPU，至少一个网络接口804，用户接口803，存储器805，至少一个通信总线802。其中，通信总线802用于实现这些组件之间的连接通信。其中，用户接口803可以包括显示屏(Display)、键盘(Keyboard)，可选用户接口803还可以包括标准的有线接口、无线接口。网络接口804可选地可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器805可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器805可选地还可以是至少一个位于远离前述处理器801的存储装置。如图8所示，作为一种计算机存储介质的存储器805中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
在图8所示的信息推荐装置80中，网络接口804主要用于连接安装第一应用的终端；而用户接口803主要用于为用户提供输入的接口；而处理器801可以用于调用存储器805中存储的设备控制应用程序，以实现：
获取用户针对第一应用的应用操作数据，所述应用操作数据中包含不同行为标签下用户行为数据；
获取所述第一应用的至少一个候选推荐信息，以及各个所述候选推荐信息对应的高频行为数据集合；所述高频行为数据集合包含不同行为标签下的高频行为数据，所述高频行为数据是根据所述候选推荐信息对应的多个样本推荐用户的历史操作数据得到的，所述历史操作数据包含不同行为标签下的样本行为数据；所述候选推荐信息对应的高频行为数据集合中的任一高频行为数据，出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值，并且在所述候选推荐信息对应的高频行为数据集合包含多个高频行为数据的情况下，所述候选推荐信息对应的高频行为数据集合中任意的多个高频行为数据，共同出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值；
分别将各个所述候选推荐信息对应的高频行为数据集合中各个行为标签下的高频行为数据，与所述应用操作数据中同一行为标签下的用户行为数据进行比对；
从各个所述候选推荐信息对应的高频行为数据集合中确定目标高频行为数据集合，所述目标高频行为数据集合中每个行为标签下的高频行为数据，均与所述应用操作数据中同一行为标签下的用户行为数据匹配；
将所述目标高频行为数据集合对应的候选推荐信息，确定为目标推荐信息，实时向所述用户推荐所述目标推荐信息。
应当理解，本申请实施例中所描述的信息推荐装置80可执行前文图2或图6所对应实施例中对所述信息推荐方法的描述，也可执行前文图7所对应实施例中对所述信息推荐装置1的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。
此外，这里需要指出的是：本申请实施例还提供了一种计算机存储介质，且所述计算机存储介质中存储有前文提及的信息推荐装置70所执行的计算机程序，且所述计算机程序包括程序指令，当所述处理器执行所述程序指令时，能够执行前文图2或图6所对应实施例中对所述信息推荐方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。
Claims (10)
1.一种信息推荐方法，其特征在于，包括：
获取用户针对第一应用的应用操作数据，所述应用操作数据中包含不同行为标签下用户行为数据；
获取所述第一应用的至少一个候选推荐信息，以及各个所述候选推荐信息对应的高频行为数据集合；所述高频行为数据集合包含不同行为标签下的高频行为数据，所述高频行为数据是根据所述候选推荐信息对应的多个样本推荐用户的历史操作数据得到的，所述历史操作数据包含不同行为标签下的样本行为数据；所述候选推荐信息对应的高频行为数据集合中的任一高频行为数据，出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值，并且在所述候选推荐信息对应的高频行为数据集合包含多个高频行为数据的情况下，所述候选推荐信息对应的高频行为数据集合中任意的多个高频行为数据，共同出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值；
分别将各个所述候选推荐信息对应的高频行为数据集合中各个行为标签下的高频行为数据，与所述应用操作数据中同一行为标签下的用户行为数据进行比对；
从各个所述候选推荐信息对应的高频行为数据集合中确定目标高频行为数据集合，所述目标高频行为数据集合中每个行为标签下的高频行为数据，均与所述应用操作数据中同一行为标签下的用户行为数据匹配；
将所述目标高频行为数据集合对应的候选推荐信息，确定为目标推荐信息，实时向所述用户推荐所述目标推荐信息。
2.根据权利要求1所述的方法，其特征在于，所述高频行为数据集合中还包含不同属性标签下的高频属性数据；
所述方法还包括：
获取所述用户在不同属性标签下的用户属性数据；
将各个所述高频行为数据集合中各个属性标签下的高频属性数据，与同一属性标签下的所述用户属性数据进行比对；
所述将各个行为标签下的高频行为数据比对均通过的高频行为数据集合，确定为目标高频行为数据集合包括：
将各个行为标签下的高频行为数据与同一行为标签下的用户行为数据均匹配，并且各个属性标签下的高频属性数据与同一属性标签下的用户属性数据均匹配的高频行为数据集合，确定为目标高频行为数据集合。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述用户在指定属性标签下的用户属性数据，确定所述用户在不同推荐方式栏目下的推荐方式信息，所述推荐方式栏目包括推荐字体栏目、推荐对象形象栏目、推荐声音栏目或推荐文风栏目中的一种或多种；
根据所述推荐方式信息，确定所述用户的目标推荐方式，所述目标推荐方式被用户实时推荐所述目标推荐信息。
4.根据权利要求1所述的方法，其特征在于，所述目标推荐信息中包含指定跳转链接；在所述实时向所述用户推荐所述目标推荐信息之前，所述第一应用的展示界面中包含第一推荐对象的等候图像；所述第一推荐对象为向用户展示推荐信息的虚拟对象；所述等候图像是在未确定出所述目标推荐信息的情况下，所述第一推荐对象对应的展示图像；
所述实时向所述用户推荐所述目标推荐信息包括：
根据所述目标推荐信息的信息文本，生成所述第一推荐对象推荐所述目标推荐信息的交互图像，并展示所述交互图像；
在接收用户针对所述交互图像的确认交互指令的情况下，打开所述目标推荐信息中的指令跳转链接。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述候选推荐信息各自对应的多个样本推荐用户的历史操作数据；
将所述历史操作数据中离散数值类型的样本行为数据，预处理成连续数值段类型的样本行为数据；
获取预处理后所述候选推荐信息对应的样本推荐用户的历史操作数据中，任意至少一个行为标签下的样本行为数据，构成所述候选推荐信息对应的候选频繁项集；
从所述候选推荐信息对应的候选频繁项集中，确定所述候选推荐信息对应的行为数据频繁项集；所述行为数据频繁项集中的任一样本行为数据，出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值，并且在所述候选推荐信息对应的候选频繁项集包含多个样本行为数据的情况下，所述行为数据频繁项集中任意的多个样本行为数据，共同出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值；
根据各个所述候选推荐信息对应的行为数据频繁项集，确定所述候选推荐信息各自对应的高频行为数据集合。
6.根据权利要求5所述的方法，其特征在于，所述根据各个所述候选推荐信息对应的行为数据频繁项集，确定所述候选推荐信息各自对应的高频行为数据集合包括：
在第一候选推荐信息对应的行为数据频繁项集包含多个时，确定所述第一候选推荐信息对应的各个行为数据频繁项集的置信度；所述第一候选推荐信息为任一候选推荐信息；
在所述第一候选推荐信息对应的行为数据频繁项集中仅包含一个样本行为数据的情况下，所述置信度为所述行为数据频繁项集包含的样本行为数据，出现在所述第一候选推荐信息对应的样本推荐用户的历史操作数据中的次数，与第一候选推荐信息对应的行为数据频繁项集中指定行为标签下的样本行为数据在第一候选推荐信息对应的样本推荐用户的历史操作数据中出现次数的比值；
在所述第一候选推荐信息对应的行为数据频繁项集包含多个样本行为数据的情况下，所述置信度为所述行为数据频繁项集包含的各个样本行为数据，共同出现在所述第一候选推荐信息对应的样本推荐用户的历史操作数据中的次数，与第一候选推荐信息对应的行为数据频繁项集中指定行为标签下的样本行为数据在第一候选推荐信息对应的样本推荐用户的历史操作数据中出现次数的比值；
将置信度高于预设置信度阈值的行为数据频繁项集确定为所述第一候选推荐信息对应的高频行为数据集合。
7.根据权利要求1所述的方法，其特征在于，所述从各个所述候选推荐信息对应的高频行为数据集合中确定目标高频行为数据集合包括：
判断各个所述候选推荐信息对应的高频行为数据集合中各个行为标签下的高频行为数据，与所述应用操作数据中同一行为标签下的用户行为数据的相似度是否高于预设相似度阈值；
将各个行为标签下的高频行为数据与所述应用操作数据中同一行为标签下的用户行为数据的相似度，均高于预设相似度阈值的高频行为数据集合，确定所述目标高频行为数据集合。
8.一种信息推荐装置，其特征在于，包括：
数据获取模块，用于获取用户针对第一应用的应用操作数据，所述应用操作数据中包含不同行为标签下用户行为数据；
集合获取模块，用于获取所述第一应用的至少一个候选推荐信息，以及各个所述候选推荐信息对应的高频行为数据集合；所述高频行为数据集合包含不同行为标签下的高频行为数据，所述高频行为数据是根据所述候选推荐信息对应的多个样本推荐用户的历史操作数据得到的，所述历史操作数据包含不同行为标签下的样本行为数据；所述候选推荐信息对应的高频行为数据集合中的任一高频行为数据，出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值，并且在所述候选推荐信息对应的高频行为数据集合包含多个高频行为数据的情况下，所述候选推荐信息对应的高频行为数据集合中任意的多个高频行为数据，共同出现在所述候选推荐信息对应的样本推荐用户的历史操作数据中的次数大于预设出现次数阈值；
比对模块，用于分别将各个所述候选推荐信息对应的高频行为数据集合中各个行为标签下的高频行为数据，与所述应用操作数据中同一行为标签下的用户行为数据进行比对；
目标集合确定模块，用于从各个所述候选推荐信息对应的高频行为数据集合中确定目标高频行为数据集合，所述目标高频行为数据集合中每个行为标签下的高频行为数据，均与所述应用操作数据中同一行为标签下的用户行为数据匹配；
信息推荐模块，用于将所述目标高频行为数据集合对应的候选推荐信息，确定为目标推荐信息，实时向所述用户推荐所述目标推荐信息。
9.一种信息推荐装置，其特征在于，包括：处理器和存储器；
所述处理器与存储器相连，其中，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，以执行如权利要求1-7任一项所述的方法。
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存储有计算机程序，所述计算机程序被处理器执行以实现权利要求1至7任意一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010240351.5A CN111538900B (zh) | 2020-03-30 | 2020-03-30 | 一种信息推荐方法及相关设备 |
| PCT/CN2020/099577 WO2021196435A1 (zh) | 2020-03-30 | 2020-06-30 | 一种信息推荐方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010240351.5A CN111538900B (zh) | 2020-03-30 | 2020-03-30 | 一种信息推荐方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111538900A true CN111538900A (zh) | 2020-08-14 |
| CN111538900B CN111538900B (zh) | 2021-07-20 |
Family
ID=71978464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010240351.5A Active CN111538900B (zh) | 2020-03-30 | 2020-03-30 | 一种信息推荐方法及相关设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111538900B (zh) |
| WO (1) | WO2021196435A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111767466A (zh) * | 2020-09-01 | 2020-10-13 | 腾讯科技（深圳）有限公司 | 基于人工智能的推荐信息推荐方法、装置及电子设备 |
| CN112579893A (zh) * | 2020-12-15 | 2021-03-30 | 中国建设银行股份有限公司 | 一种信息推送、信息展示方法、装置及设备 |
| CN113360681A (zh) * | 2021-06-01 | 2021-09-07 | 北京百度网讯科技有限公司 | 确定推荐信息的方法、装置、电子设备和存储介质 |
| WO2024109194A1 (zh) * | 2022-11-21 | 2024-05-30 | 海信家电集团股份有限公司 | 智能家居的场景推荐方法、装置、设备及存储介质 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115878903B (zh) * | 2023-02-21 | 2023-05-09 | 万链指数(青岛)信息科技有限公司 | 基于大数据的信息智能推荐方法 |
| CN117473138B (zh) * | 2023-12-26 | 2024-03-29 | 江西工业贸易职业技术学院(江西省粮食干部学校、江西省粮食职工中等专业学校) | 一种基于虚拟现实的产品展示方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100088715A1 (en) * | 2008-10-02 | 2010-04-08 | Microsoft Corporation | Content Promotion to Anonymous Clients |
| CN103546789A (zh) * | 2013-08-23 | 2014-01-29 | Tcl集团股份有限公司 | 一种电视节目推荐方法、系统及智能终端 |
| CN105975494A (zh) * | 2016-04-26 | 2016-09-28 | 乐视控股（北京）有限公司 | 服务信息推送方法及装置 |
| CN107491300A (zh) * | 2017-07-13 | 2017-12-19 | 深圳市金立通信设备有限公司 | 一种智能功能的提示方法及其终端 |
| CN108881339A (zh) * | 2017-05-11 | 2018-11-23 | 腾讯科技（深圳）有限公司 | 推送方法、用户标签的生成方法、装置及设备 |
| CN109977319A (zh) * | 2019-04-04 | 2019-07-05 | 睿驰达新能源汽车科技（北京）有限公司 | 一种生成行为标签的方法及装置 |
-
2020
- 2020-03-30 CN CN202010240351.5A patent/CN111538900B/zh active Active
- 2020-06-30 WO PCT/CN2020/099577 patent/WO2021196435A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100088715A1 (en) * | 2008-10-02 | 2010-04-08 | Microsoft Corporation | Content Promotion to Anonymous Clients |
| CN103546789A (zh) * | 2013-08-23 | 2014-01-29 | Tcl集团股份有限公司 | 一种电视节目推荐方法、系统及智能终端 |
| CN105975494A (zh) * | 2016-04-26 | 2016-09-28 | 乐视控股（北京）有限公司 | 服务信息推送方法及装置 |
| CN108881339A (zh) * | 2017-05-11 | 2018-11-23 | 腾讯科技（深圳）有限公司 | 推送方法、用户标签的生成方法、装置及设备 |
| CN107491300A (zh) * | 2017-07-13 | 2017-12-19 | 深圳市金立通信设备有限公司 | 一种智能功能的提示方法及其终端 |
| CN109977319A (zh) * | 2019-04-04 | 2019-07-05 | 睿驰达新能源汽车科技（北京）有限公司 | 一种生成行为标签的方法及装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111767466A (zh) * | 2020-09-01 | 2020-10-13 | 腾讯科技（深圳）有限公司 | 基于人工智能的推荐信息推荐方法、装置及电子设备 |
| CN112579893A (zh) * | 2020-12-15 | 2021-03-30 | 中国建设银行股份有限公司 | 一种信息推送、信息展示方法、装置及设备 |
| CN113360681A (zh) * | 2021-06-01 | 2021-09-07 | 北京百度网讯科技有限公司 | 确定推荐信息的方法、装置、电子设备和存储介质 |
| CN113360681B (zh) * | 2021-06-01 | 2023-06-23 | 北京百度网讯科技有限公司 | 确定推荐信息的方法、装置、电子设备和存储介质 |
| WO2024109194A1 (zh) * | 2022-11-21 | 2024-05-30 | 海信家电集团股份有限公司 | 智能家居的场景推荐方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111538900B (zh) | 2021-07-20 |
| WO2021196435A1 (zh) | 2021-10-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111538900B (zh) | 一种信息推荐方法及相关设备 | |
| CN108932335B (zh) | 一种生成文案的方法和装置 | |
| US10861077B1 (en) | Machine, process, and manufacture for machine learning based cross category item recommendations | |
| CN110489582B (zh) | 个性化展示图像的生成方法及装置、电子设备 | |
| CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
| CN113238741B (zh) | 表单配置方法、装置、电子设备及存储介质 | |
| CN117350825B (zh) | 基于大语言模型的导购方法和系统 | |
| US20230107213A1 (en) | Method of generating virtual character, electronic device, and storage medium | |
| JP2019133620A (ja) | イメージ内の複数の客体の調和に基づく調和検索方法、コンピュータ装置およびコンピュータプログラム | |
| CN111292168B (zh) | 数据处理方法、装置及设备 | |
| CN107992500A (zh) | 一种信息处理方法及服务器 | |
| CN111538930B (zh) | 一种首页显示方法及相关设备 | |
| JP7133674B1 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
| CN110413823A (zh) | 服装图片推送方法及相关装置 | |
| CN113553838A (zh) | 一种商品文案生成方法及装置 | |
| CN113297520A (zh) | 页面设计辅助处理方法、装置及电子设备 | |
| CN117745373A (zh) | 产品的推荐方法、系统和电子设备 | |
| CN113438532B (zh) | 视频处理、视频播放方法、装置、电子设备及存储介质 | |
| US20220050954A1 (en) | Controller and non-transitory computer readable medium | |
| CN116070175A (zh) | 一种文案生成方法及电子设备 | |
| CN114330519A (zh) | 数据确定方法、装置、电子设备及存储介质 | |
| KR20220118703A (ko) | 머신러닝 기반 온라인 쇼핑 리뷰 감정 예측 시스템 및 방법 | |
| CN113537043A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| Meyer | E-commerce interface design parameters and their relation to website popularity | |
| CN116579827B (zh) | 一种基于用户网络行为画像的商品推荐方法及系统 |
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 |