CN111798259A - 应用推荐方法、装置、存储介质及电子设备 - Google Patents

Abstract

本申请实施例公开了一种应用推荐方法、装置、存储介质及电子设备，所述应用推荐方法包括：获取历史第一信息，并根据历史第一信息识别出场景信息；将场景信息作为预测模型的训练样本，得到训练后的预测模型；当应用商城打开时，获取当前的第一信息，并根据当前的第一信息识别出当前场景信息；将当前场景信息输入训练后的预测模型，预测出应用商城中多个应用对应的下载概率；在应用商城的显示界面中，将多个应用根据对应的下载概率进行排列展示。能够更好的贴合当前场景，提高预测的准确度，从而在不同场景下，推荐不同的应用，提高应用推荐的准确度。

Description

应用推荐方法、装置、存储介质及电子设备

技术领域

本申请涉及电子技术领域，特别涉及一种应用推荐方法、装置、存储介质及电子设备。

背景技术

随着人工智能的发展，诸如智能手机等电子设备的智能化程度越来越高。电子设备可以根据采集的数据为用户提供各种智能化的功能。

相关技术中，电子设备中的应用商城的应用推荐方案是基于用户的应用下载、浏览记录，虽然能够一定程度上满足用户的需求。但是基于应用下载、浏览记录等信息构建的推荐方案不够准确，难以为用户提供准确的应用推荐。

发明内容

本申请实施例提供一种应用推荐方法、装置、存储介质及电子设备，能够提高应用推荐的准确度。

第一方面，本申请实施例提供一种应用推荐方法，其包括：

获取历史第一信息，并根据所述历史第一信息识别出场景信息；

将所述场景信息作为预测模型的训练样本，得到训练后的预测模型；

当应用商城打开时，获取当前的第一信息，并根据所述当前的第一信息识别出当前场景信息；

将所述当前场景信息输入训练后的预测模型，预测出所述应用商城中多个应用对应的下载概率；

在所述应用商城的显示界面中，将所述多个应用根据对应的所述下载概率进行排列展示。

第二方面，本申请实施例还提供一种应用推荐方法，其包括：

获取第一信息，并根据所述第一信息识别出当前场景信息；

根据所述当前场景信息预测出应用商城中多个应用对应的下载概率；

根据所述下载概率将所述应用商城中对应的多个应用进行排序，得到应用列表；

在所述应用商城的显示界面中，将所述多个应用按照所述应用列表进行展示。

第三方面，本申请实施例还提供一种应用推荐装置，其包括：

场景信息获取模块，用于获取历史第一信息，并根据所述历史第一信息识别出场景信息；

训练模块，用于将所述场景信息作为预测模型的训练样本，得到训练后的预测模型；

当前场景信息获取模块，用于当应用商城打开时，获取当前的第一信息，并根据所述当前的第一信息识别出当前场景信息；

预测模块，用于将所述当前场景信息输入训练后的预测模型，预测出所述应用商城中多个应用对应的下载概率；

在所述应用商城的显示界面中，将所述多个应用根据对应的所述下载概率进行排列展示。

第四方面，本申请实施例还提供一种存储介质，其上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述应用推荐方法的步骤。

第五方面，本申请实施例还提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行上述应用推荐方法的步骤。

本申请实施例提供的应用推荐方法、装置、存储介质及电子设备，其首先获取历史第一信息，并根据所述历史第一信息识别出场景信息；然后将所述场景信息作为预测模型的训练样本，得到训练后的预测模型；接着当应用商城打开时，获取当前的第一信息，并根据所述当前的第一信息识别出当前场景信息；再然后将所述当前场景信息输入训练后的预测模型，预测出所述应用商城中多个应用对应的下载概率；最后在所述应用商城的显示界面中，将所述多个应用根据对应的所述下载概率进行排列展示。通过第一信息获取当前场景信息，然后根据当前场景信息对应用下载概率进行预测，能够更好的贴合当前场景，提高预测的准确度，从而在不同场景下，推荐不同的应用，提高应用推荐的准确度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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为本申请实施例提供的应用推荐方法的应用场景示意图。

图2为本申请实施例提供的应用推荐方法的第一种流程示意图。

图3为本申请实施例提供的应用推荐方法的第二种流程示意图。

图4为本申请实施例提供的应用推荐方法的另一应用场景示意图。

图5为本申请实施例提供的应用推荐方法的第三种流程示意图。

图6为本申请实施例提供的应用推荐装置的结构示意图。

图7为本申请实施例提供的应用推荐装置的另一结构示意图。

图8为本申请实施例提供的电子设备的第一种结构示意图。

图9为本申请实施例提供的电子设备的第二种结构示意图。

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，本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本申请的保护范围。

参考图1，图1为本申请实施例提供的应用推荐方法的应用场景示意图。所述应用推荐方法应用于电子设备。所述电子设备中设置有全景感知架构。所述全景感知架构为电子设备中用于实现所述应用推荐方法的硬件和软件的集成。

其中，全景感知架构包括信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。

信息感知层用于获取电子设备自身的信息和/或外部环境中的信息。所述信息感知层可以包括多个传感器。例如，所述信息感知层包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。

其中，距离传感器可以用于检测电子设备与外部物体之间的距离。磁场传感器可以用于检测电子设备所处环境的磁场信息。光线传感器可以用于检测电子设备所处环境的光线信息。加速度传感器可以用于检测电子设备的加速度数据。指纹传感器可以用于采集用户的指纹信息。霍尔传感器是根据霍尔效应制作的一种磁场传感器，可以用于实现电子设备的自动控制。位置传感器可以用于检测电子设备当前所处的地理位置。陀螺仪可以用于检测电子设备在各个方向上的角速度。惯性传感器可以用于检测电子设备的运动数据。姿态感应器可以用于感应电子设备的姿态信息。气压计可以用于检测电子设备所处环境的气压。心率传感器可以用于检测用户的心率信息。

数据处理层用于对信息感知层获取到的数据进行处理。例如，数据处理层可以对信息感知层获取到的数据进行数据清理、数据集成、数据变换、数据归约等处理。

其中，数据清理是指对信息感知层获取到的大量数据进行清理，以剔除无效数据和重复数据。数据集成是指将信息感知层获取到的多个单维度数据集成到一个更高或者更抽象的维度，以对多个单维度的数据进行综合处理。数据变换是指对信息感知层获取到的数据进行数据类型的转换或者格式的转换等，以使变换后的数据满足处理的需求。数据归约是指在尽可能保持数据原貌的前提下，最大限度的精简数据量。

特征抽取层用于对数据处理层处理后的数据进行特征抽取，以提取所述数据中包括的特征。提取到的特征可以反映出电子设备自身的状态或者用户的状态或者电子设备所处环境的环境状态等。

其中，特征抽取层可以通过过滤法、包装法、集成法等方法来提取特征或者对提取到的特征进行处理。

过滤法是指对提取到的特征进行过滤，以删除冗余的特征数据。包装法用于对提取到的特征进行筛选。集成法是指将多种特征提取方法集成到一起，以构建一种更加高效、更加准确的特征提取方法，用于提取特征。

情景建模层用于根据特征抽取层提取到的特征来构建模型，所得到的模型可以用于表示电子设备的状态或者用户的状态或者环境状态等。例如，情景建模层可以根据特征抽取层提取到的特征来构建关键值模型、模式标识模型、图模型、实体联系模型、面向对象模型等。

智能服务层用于根据情景建模层所构建的模型为用户提供智能化的服务。例如，智能服务层可以为用户提供基础应用服务，可以为电子设备进行系统智能优化，还可以为用户提供个性化智能服务。

此外，全景感知架构中还可以包括多种算法，每一种算法都可以用于对数据进行分析处理，所述多种算法可以构成算法库。例如，所述算法库中可以包括马尔科夫算法、隐含狄里克雷分布算法、贝叶斯分类算法、支持向量机、K均值聚类算法、K近邻算法、条件随机场、残差网络、长短期记忆网络、卷积神经网络、循环神经网络等算法。

本申请实施例提供一种应用推荐方法，应用推荐方法可以应用于电子设备中。电子设备可以是智能手机、平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本、桌面计算设备、可穿戴设备诸如手表、眼镜、头盔、电子手链、电子项链、电子衣物等设备。

参考图2，图2为本申请实施例提供的应用推荐方法的第一种流程示意图。其中，应用推荐方法包括以下步骤：

110，获取历史第一信息，并根据历史第一信息识别出场景信息。

第一信息可以包括环境信息、电子设备运行信息、用户行为信息三大类等。其中，环境信息可以包括环境的温度、湿度、位置、亮度等，环境信息还可以包括用户的身体信息，如血压、脉搏、心率等。具体的，环境信息可以通过传感器获取的环境信息。例如，通过距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、血压传感器、脉搏传感器、心率传感器等中的至少一个获取的环境信息。环境信息还可以通过麦克风获取的当前音频信息，还可以通过摄像头模组获取的当前图像信息。

电子设备的运行信息可以包括开机时间、关机时间、待机时间、各个时间点的内存使用率、各个时间点的主芯片使用率、当前运行程序信息、后台运行程序信息、各个程序的运行时长、各个程序的下载量等。

用户行为信息可以包括用户的行动轨迹信息、浏览信息、支付信息等。

第一信息还可以包括电子设备的配置信息、电子设备内存储的用户信息等。其中，用户信息包括用户的身份信息、个人爱好、浏览记录、个人收藏等人机交互的信息。

需要说明的是，有些第一信息可以同时在环境信息、电子设备运行信息、用户行为信息中的两类或三类中。

电子设备得到第一信息后，根据第一信息识别出对应的场景信息。例如，可以通过位置信息、应用信息识别出当前场景为旅游，当前位置不在用户日常位置而是在另外一个市，应用信息中包括旅游应用程序运行的信息，则识别当前场景为旅游。还可以通过位置信息、音频信息、应用信息识别出当前场景为开会，位置信息显示当前位置为公司，音频信息识别到当前比较安静或只有一个人的声音，电子设备当前切换为静音模式，且各个应用基本都处于后台应用模式，则识别当前场景为开会。

120，将场景信息作为预测模型的训练样本，得到训练后的预测模型。

电子设备根据多个历史第一信息得到对应的场景信息，将场景信息作为预测模型的训练样本进行训练，得到训练后的预测模型。

需要说明的是，训练样本还包括其他信息。其中，训练样本还可以包括对应的判断结果。例如，判断结果对应每个场景信息的最终下载应用，判断结果可以用来判断训练过程中的预测结果是否正确。

130，当应用商城打开时，获取当前的第一信息，并根据当前的第一信息识别出当前场景信息。

应用商城为电子设备中的一个应用，应用商城内有很多个应用下载链接，可以通过点击对应的应用下载链接实现下载对应的应用。例如，点击即时通讯应用的下载链接从而实现下载即时通讯应用，点击地图应用的下载链接从而实现下载地图应用。应用商城内可以包括非常多的应用下载链接，可以包括即使通讯类应用、视频类应用、地图类应用、导航类应用、游戏类应用、餐饮类应用、教育类应用等。

打开应用商城应用时，先获取当前的第一信息，然后根据当前的第一信息识别出当前场景信息。

140，将当前场景信息输入训练后的预测模型，预测出应用商城中多个应用对应的下载概率。

电子设备识别出当前场景信息后，将当前场景信息输入训练后的预测模型，预测出应用商城中多个个应用对应的下载概率。应用商城中各个应用对应当前场景信息会有不同的下载概率。

150，在应用商城的显示界面中，将多个应用根据对应的下载概率进行排列展示。

电子设备得到应用商城中多个应用的下载概率后，在应用商城的显示界面中，将多个应用根据各个应用对应的下载概率进行排列展示。需要说明的是，应用商城中的多个应用可以义图标的方式进行展示，也可以以文字的方式进行展示，也可以图标加文字的方式进行展示。

需要说明的是，本实施例中的预测模型训练过程可以在其他设备中(如云端服务器)进行，然后将训练完成后的预测模型再从其他设备中移植到用户的电子设备(如智能手机)中，最后基于用户的电子设备中训练完成后的预测模型进行预测。当然，预测模型的训练过程也可以在用户的电子设备中进行。

参考图3，图3为本申请实施例提供的应用推荐方法的第二种流程示意图。其中，应用推荐方法包括以下步骤：

210，获取历史应用信息和历史第一信息，并根据历史第一信息识别出场景信息。

第一信息可以包括环境信息、电子设备运行信息、用户行为信息三大类。其中，环境信息可以包括环境的温度、湿度、位置、亮度等，环境信息还可以包括用户的身体信息，如血压、脉搏、心率等。具体的，环境信息可以通过传感器获取的环境信息。例如，通过距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、血压传感器、脉搏传感器、心率传感器等中的至少一个获取的环境信息。环境信息还可以通过麦克风获取的当前音频信息，还可以通过摄像头模组获取的当前图像信息。

电子设备的运行信息可以包括开机时间、关机时间、待机时间、各个时间点的内存使用率、各个时间点的主芯片使用率、当前运行程序信息、后台运行程序信息、各个程序的运行时长、各个程序的下载量等。

用户行为信息可以包括用户的行动轨迹信息、浏览信息、支付信息等。

第一信息还可以包括电子设备的配置信息、电子设备内存储的用户信息等。其中，用户信息包括用户的身份信息、个人爱好、浏览记录、个人收藏等人机交互的信息。

需要说明的是，有些第一信息可以同时在环境信息、电子设备运行信息、用户行为信息中的两类或三类中。

电子设备得到第一信息后，根据第一信息识别出对应的场景信息。例如，可以通过位置信息、应用信息识别出当前场景为旅游，当前位置不在用户日常位置而是在另外一个市，应用信息中包括旅游应用程序运行的信息，则识别当前场景为旅游。还可以通过位置信息、音频信息、应用信息识别出当前场景为开会，位置信息显示当前位置为公司，音频信息识别到当前比较安静或只有一个人的声音，电子设备当前切换为静音模式，且各个应用基本都处于后台应用模式，则识别当前场景为开会。

220，将历史应用信息和场景信息作为预测模型的训练样本，得到训练后的预测模型。

其中，历史应用信息可以包括应用商城的历史应用下载信息和历史浏览记录信息。历史应用信息可以包括应用历史使用信息。历史应用信息还可以包括应用历史使用信息、以及应用商城的历史应用下载信息和历史浏览记录信息。

应用历史使用信息具体可以包括应用开启时间点、应用关闭结束点、应用前台时间段、应用后台时间段、应用开启时长、应用打开次数、应用下载数据量等。

在一些实施例中，电子设备根据多个历史第一信息得到对应的场景信息，将应用商城的历史应用下载信息、历史浏览记录信息、以及场景信息作为预测模型的训练样本进行训练，得到训练后的预测模型。

在一些实施例中，电子设备根据多个历史第一信息得到对应的场景信息，将应用历史使用信息、场景信息作为预测模型的训练样本进行训练，得到训练后的预测模型。

在一些实施例中，电子设备根据多个历史第一信息得到对应的场景信息，将应用商城的历史应用下载信息、历史浏览记录信息、历史使用信息、场景信息作为预测模型的训练样本进行训练，得到训练后的预测模型。

其中，对应各个信息可以增加时间标签，时间标签可以为具体到哪一年哪一天哪一秒，然后在训练过程中通过时间标签来进行训练。例如，同一时间段的各个信息可以融合使用，工作日内的各个信息可以融合使用，周末同一时段的各个信息可以融合使用等。

在一些实施例中，电子设备将应用历史使用信息、历史应用下载信息和历史浏览记录信息根据场景信息进行分类，得到对应每个场景信息一类信息集合，从而得到多个场景信息的多类信息集合；然后将多类信息集合作为预测模型的训练样本，得到训练后的预测模型。

电子设备将各个信息按场景信息进行分类，然后在训练过程中，也将输入信息根据场景信息进行分类，即，仅将同一场景信息对应的信息输入预测模型进行训练，可以增强对场景信息的预测准确度。

其中，电子设备可以将多类信息集合按场景信息依次输入预测模型进行训练，得到训练后的预测模型。可以每次仅针对一个场景信息进行训练，然后再循环重复训练每个场景信息，直到预测模型对应每个场景信息都有最准确的预测结果。

需要说明的是，训练过程中，也可以将所有信息按照时间顺序或类型全部输入预测模型，或者理解为预测模型按照时间顺序或类型获取各个信息进行训练。

需要说明的是，训练样本还包括其他信息。其中，训练样本还可以包括对应的判断结果。例如，判断结果对应每个场景信息的最终下载应用，判断结果可以用来判断训练过程中的预测结果是否正确。

在一些实施例中，预测模型可以为贝叶斯概率模型。预测模型也可以根据需要为循环神经网络模型、卷积神经网络模型、递归神经网络模型等中的一项，也可以为上述模型中两项或多项的结合。

230，当应用商城打开时，获取预设时间内的应用信息和当前的第一信息，并根据当前的第一信息识别出当前场景信息。

应用商城为电子设备中的一个应用，应用商城内有很多个应用下载链接，可以通过点击对应的应用下载链接实现下载对应的应用。例如，点击即时通讯应用的下载链接从而实现下载即时通讯应用，点击地图应用的下载链接从而实现下载地图应用。应用商城内可以包括非常多的应用下载链接，可以包括即使通讯类应用、视频类应用、地图类应用、导航类应用、游戏类应用、餐饮类应用、教育类应用等。

打开应用商城应用时，先获取当前的第一信息，然后根据当前的第一信息识别出当前场景信息。

240，将应用信息和当前场景信息输入训练后的预测模型，预测出应用商城中多个应用对应的下载概率。

电子设备识别出当前场景信息后，将当前场景信息输入训练后的预测模型，预测出应用商城中多个个应用对应的下载概率。应用商城中各个应用对应当前场景信息会有不同的下载概率。

在一些实施例中，当训练模型训练过程中，利用应用商城的历史应用下载信息和历史浏览记录信息作为训练样本时，预测过程具体可以包括：

获取应用商城在第一预设时间段内的应用下载信息和浏览记录信息；

将应用下载信息、浏览记录信息和当前场景信息输入训练后的预测模型，预测出应用商城中多个应用的下载概率。

利用应用商城的应用下载信息和浏览记录信息辅助预测，可以提高预测准确度。第一预设时间段可以理解为当前时间往前一段时间，如当前时间前1个小时、一天、三天或一周。并且可以根据时间对应用下载信息和浏览记录信息辅助赋予不同的权重，离当前时间越近权重越大。

在一些实施例中，获取第二预设时间段内的应用使用信息；

电子设备将应用使用信息和当前场景信息输入训练后的预测模型，预测出应用商城中多个应用的下载概率。

利用应用使用信息辅助预测可以提高预测准确度。第二预设时间段可以理解为当前时间往前一段时间，如当前时间前1个小时、3个小时、一天、三天或一周。并且可以根据时间对应用下载信息和浏览记录信息辅助赋予不同的权重，离当前时间越近权重越大。

在一些实施例中，电子设备获取应用商城在第一预设时间段内的应用下载信息和浏览记录信息、以及第二预设时间段内的应用使用信息；

电子设备将应用下载信息、浏览记录信息、应用使用信息和当前场景信息输入训练后的预测模型，预测出应用商城中多个应用的下载概率。

电子设备利用应用商城的应用下载信息、浏览记录信息和应用使用信息辅助预测可以提高预测准确度。第一预设时间段和第二预设时间段可以理解为当前时间往前一段时间，如当前时间前1个小时、3个小时、一天、三天或一周。并且可以根据时间对应用下载信息和浏览记录信息辅助赋予不同的权重，离当前时间越近权重越大。其中，第一预设时间段和第二预设时间段可以相同，也可以根据需要设置不同的时间段。如，第一预设时间段的时间更长，第二预设时间段的时间更短。

250，在应用商城的显示界面中，将多个应用根据对应的下载概率进行排列展示。

电子设备得到应用商城中多个应用的下载概率后，在应用商城的显示界面中，将多个应用根据各个应用对应的下载概率进行排列展示。需要说明的是，应用商城中的多个应用可以义图标的方式进行展示，也可以以文字的方式进行展示，也可以图标加文字的方式进行展示。需要说明的是，可以当识别到用户点击应用商城时，进行上述步骤，然后将将多个应用根据对应的下载概率进行排列展示。即，应用商城被点击后第一展示的显示界面中，就将多个应用根据对应的下载概率进行排列展示。

260，获取多个应用中被下载的应用信息。

电子设备将多个应用按下载概率进行排列展示后，得到多个应用中被下载的应用信息。如下载的应用的名称、序号等。

270，当应用信息对应的下载概率小于预设概率阈值时，将当前场景信息和应用信息输入训练后的预测模型重新训练。

当下载的应用对应的下载概率小于预设概率阈值时，说明预测结果不符合用户的实际需求。因此，将当前场景信息、下载结果、以及应用信息输入训练后的预测模型重新训练，以便能实时更新模型，根据用户的实时数据进行调整。

需要说明的是，本实施例中的预测模型训练过程可以在其他设备中(如云端服务器)进行，然后将训练完成后的预测模型再从其他设备中移植到用户的电子设备(如智能手机)中，最后基于用户的电子设备中训练完成后的预测模型进行预测。当然，预测模型的训练过程也可以在用户的电子设备中进行。

参考图4，图4为本申请实施例提供的应用推荐方法的另一场景图。结合图3，本申请实施例的应用推荐方法包括：先获取历史应用商城信息、应用历史使用信息和历史第一信息。其中，历史应用商城新包括历史应用下载信息和历史浏览记录信息。然后将历史应用商城信息、应用历史使用信息和历史第一信息输入预测模型进行训练，得到训练后的预测模型，其中，历史第一信息可以直接输入预测模型，也可以进行场景识别得到场景信息，然后将场景信息输入预测模型进行训练。之后再获取当前的应用商城信息、应用使用信息和第一信息。其中，应用商城新包括当前一段时间内的应用下载信息和浏览记录信息。同理，应用使用信息也为当前一段时间内的应用使用信息。然后将应用商城信息、应用使用信息和第一信息输入训练后的预测模型进行预测。其中，第一信息可以直接输入预测模型，也可以进行场景识别得到当前场景信息，然后将当前场景信息输入预测模型进行预测。最后得到应用商城内多个应用的预测下载概率，然后根据各个应用的预测下载概率进行排列，得到应用推荐列表，方便用户在应用商城下载应用。

参考图5，图5为本申请实施例提供的应用推荐方法的第三种流程示意图。其中，应用推荐方法包括以下步骤：

310，获取第一信息，并根据第一信息识别出当前场景信息。

第一信息可以包括环境信息、电子设备运行信息、用户行为信息三大类等。然后根据第一信息识别出对应的当前场景信息。

320，根据当前场景信息预测出应用商城中多个应用对应的下载概率。

具体的，识别出当前场景信息后，将当前场景信息输入训练好的预测模型，预测出应用商城中多个个应用对应的下载概率。应用商城中各个应用对应当前场景信息会有不同的下载概率。训练好的训练模型可以是电子设备出厂时就已经安装好的，也可以是电子设备从其他地方下载来的。

在一些实施例中，根据当前场景信息预测出应用商城中多个应用对应的下载概率具体包括：

获取应用商城在第一预设时间段内的应用下载信息和浏览记录信息、以及第二预设时间段内的应用使用信息；

根据应用下载信息、浏览记录信息、应用使用信息和当前场景信息预测出应用商城中多个应用对应的下载概率。

根据多个信息可以提高预测准确度。

330，根据下载概率将应用商城中对应的多个应用进行排序，得到应用列表。

得到应用商城中多个应用的下载概率后，根据每个应用的下载概率对多个应用进行排序，得到对应的应用列表。

340，在应用商城的显示界面中，将多个应用按照应用列表进行展示。

在应用商城的显示界面中，将多个应用按照应用列表进行展示。需要说明的是，应用商城中的多个应用可以义图标的方式进行展示，也可以以文字的方式进行展示，也可以图标加文字的方式进行展示。

需要说明的是，本实施例中的预测模型训练过程可以在其他设备中(如云端服务器)进行，然后将训练完成后的预测模型再从其他设备中移植到用户的电子设备(如智能手机)中，最后基于用户的电子设备中训练完成后的预测模型进行预测。当然，预测模型的训练过程也可以在用户的电子设备中进行。

应当理解，本申请实施例中，诸如术语“第一”、“第二”等仅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，这样描述的对象在适当情况下可以互换。

具体实施时，本申请不受所描述的各个步骤的执行顺序的限制，在不产生冲突的情况下，某些步骤还可以采用其它顺序进行或者同时进行。

由上可知，本申请实施例的应用推荐方法，其首先获取历史第一信息，并根据历史第一信息识别出场景信息；然后将场景信息作为预测模型的训练样本，得到训练后的预测模型；接着当应用商城打开时，获取当前的第一信息，并根据当前的第一信息识别出当前场景信息；再然后将当前场景信息输入训练后的预测模型，预测出应用商城中多个应用对应的下载概率；最后在应用商城的显示界面中，将多个应用根据对应的下载概率进行排列展示。通过第一信息获取当前场景信息，然后根据当前场景信息对应用下载概率进行预测，能够更好的贴合当前场景，提高预测的准确度，从而在不同场景下，推荐不同的应用，提高应用推荐的准确度。

在一些实施例中，应用推荐方法具体可以包括：电子设备首先通过信息感知层获取用户的电子设备的信息(如包括电子设备运行信息、用户行为信息、各个传感器获取的信息、电子设备状态信息、电子设备显示内容信息、电子设备上传下载信息等)，然后通过数据处理层对电子设备的信息进行处理(如无效数据删除等)，接着再通过特征抽取层从数据处理层处理后的信息中提取出需要的第一信息(第一信息具体可参阅上述实施例的说明)，情景建模层或数据处理层根据第一信息识别出当前场景信息，情景建模层的预测模型根据当前场景信息预测出应用商城中多个应用对应的下载概率，智能服务层在应用商城的显示界面中，将多个应用根据其对应的下载概率进行排列展示，如根据下载概率从上往下依次排列。

参考图6，图6为本申请实施例提供的应用推荐装置的结构示意图。其中，应用推荐装置400可以集成在电子设备中，应用推荐装置400包括场景信息获取模块401、训练模块402、当前场景信息获取模块403、预测模块404和展示模块405。

场景信息获取模块401，用于获取历史第一信息，并根据历史第一信息识别出场景信息。

训练模块402，用于将场景信息作为预测模型的训练样本，得到训练后的预测模型。

当前场景信息获取模块403，用于当应用商城打开时，获取当前的第一信息，并根据当前的第一信息识别出当前场景信息。

预测模块404，用于将当前场景信息输入训练后的预测模型，预测出应用商城中多个应用对应的下载概率。

展示模块405，用于在应用商城的显示界面中，将多个应用根据对应的下载概率进行排列展示。

在一些实施例中，训练模块402还用于获取应用商城的历史应用下载信息和历史浏览记录信息；以及将历史应用下载信息、历史浏览记录信息和场景信息作为预测模型的训练样本，得到训练后的预测模型。

预测模块404还用于获取应用商城在第一预设时间段内的应用下载信息和浏览记录信息；以及将应用下载信息、浏览记录信息和当前场景信息输入训练后的预测模型，预测出应用商城中多个应用的下载概率。

在一些实施例中，训练模块402还用于获取应用历史使用信息；以及将应用历史使用信息和场景信息作为预测模型的训练样本，得到训练后的预测模型。

预测模块404还用于获取第二预设时间段内的应用使用信息；以及将应用使用信息和当前场景信息输入训练后的预测模型，预测出应用商城中多个应用的下载概率。

在一些实施例中，训练模块402还用于获取应用历史使用信息、以及应用商城的历史应用下载信息和历史浏览记录信息；以及将应用历史使用信息、历史应用下载信息、历史浏览记录信息和场景信息作为预测模型的训练样本，得到训练后的预测模型。

预测模块404还用于获取应用商城在第一预设时间段内的应用下载信息和浏览记录信息、以及第二预设时间段内的应用使用信息；以及将应用下载信息、浏览记录信息、应用使用信息和当前场景信息输入训练后的预测模型，预测出应用商城中多个应用的下载概率。

在一些实施例中，训练模块402还用于将应用历史使用信息、历史应用下载信息和历史浏览记录信息根据场景信息进行分类，得到对应每个场景信息一类信息集合，从而得到多个场景信息的多类信息集合；以及将多类信息集合作为预测模型的训练样本，得到训练后的预测模型。

在一些实施例中，训练模块402还用于将多类信息集合按场景信息依次输入预测模型进行训练，得到训练后的预测模型。

在一些实施例中，训练模块402还用于获取多个应用中被下载的应用信息；当应用信息对应的下载概率小于预设概率阈值时，将当前场景信息和应用信息输入训练后的预测模型重新训练。

在一些实施例中，预测模型为贝叶斯概率模型。

参考图7，图7为本申请实施例提供的应用推荐装置的另一结构示意图。其中，应用推荐装置400可以集成在电子设备中，应用推荐装置400包括当前场景信息获取模块411、预测模块412、应用列表获取模块413和展示模块414。

当前场景信息获取模块411，用于获取第一信息，并根据第一信息识别出当前场景信息。

预测模块412，用于根据当前场景信息预测出应用商城中多个应用对应的下载概率。

应用列表获取模块413，用于根据下载概率将应用商城中对应的多个应用进行排序，得到应用列表。

展示模块414，用于在应用商城的显示界面中，将多个应用按照应用列表进行展示。

在一些实施例中，预测模块412还用于获取应用商城在第一预设时间段内的应用下载信息和浏览记录信息、以及第二预设时间段内的应用使用信息；以及根据应用下载信息、浏览记录信息、应用使用信息和当前场景信息预测出应用商城中多个应用对应的下载概率。

本申请实施例还提供一种电子设备。电子设备可以是智能手机、平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本、桌面计算设备、可穿戴设备诸如手表、眼镜、头盔、电子手链、电子项链、电子衣物等设备。其中，电子设备中设置有算法模型，算法模型包括第一算法模块，第一算法模块用于对预设任务进行处理。

参考图8，图8为本申请实施例提供的电子设备的第一种结构示意图。其中，电子设备600包括处理器601和存储器602。处理器601与存储器602电性连接。

处理器601是电子设备600的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或调用存储在存储器602内的计算机程序，以及调用存储在存储器602内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。

在本实施例中，电子设备600中的处理器601会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器602中，并由处理器601来运行存储在存储器602中的计算机程序，从而实现各种功能：

获取历史第一信息，并根据历史第一信息识别出场景信息；

将场景信息作为预测模型的训练样本，得到训练后的预测模型；

当应用商城打开时，获取当前的第一信息，并根据当前的第一信息识别出当前场景信息；

将当前场景信息输入训练后的预测模型，预测出应用商城中多个应用对应的下载概率；

在应用商城的显示界面中，将多个应用根据对应的下载概率进行排列展示。

在一些实施例中，在将场景信息作为预测模型的训练样本，得到训练后的预测模型时，处理器601执行以下步骤：

获取应用商城的历史应用下载信息和历史浏览记录信息；

将历史应用下载信息、历史浏览记录信息和场景信息作为预测模型的训练样本，得到训练后的预测模型；

在将当前场景信息输入训练后的预测模型，预测出应用商城中多个应用的下载概率时，处理器601还执行以下步骤：

获取应用商城在第一预设时间段内的应用下载信息和浏览记录信息；

将应用下载信息、浏览记录信息和当前场景信息输入训练后的预测模型，预测出应用商城中多个应用的下载概率。

在一些实施例中，在将场景信息作为预测模型的训练样本，得到训练后的预测模型时，处理器601执行以下步骤：

获取应用历史使用信息；

将应用历史使用信息和场景信息作为预测模型的训练样本，得到训练后的预测模型；

在将当前场景信息输入训练后的预测模型，预测出应用商城中多个应用的下载概率时，处理器601还执行以下步骤：

获取第二预设时间段内的应用使用信息；

将应用使用信息和当前场景信息输入训练后的预测模型，预测出应用商城中多个应用的下载概率。

在一些实施例中，在将场景信息作为预测模型的训练样本，得到训练后的预测模型时，处理器601执行以下步骤：

获取应用历史使用信息、以及应用商城的历史应用下载信息和历史浏览记录信息；

将应用历史使用信息、历史应用下载信息、历史浏览记录信息和场景信息作为预测模型的训练样本，得到训练后的预测模型；

在将当前场景信息输入训练后的预测模型，预测出应用商城中多个应用的下载概率时，处理器601还执行以下步骤：

获取应用商城在第一预设时间段内的应用下载信息和浏览记录信息、以及第二预设时间段内的应用使用信息；

将应用下载信息、浏览记录信息、应用使用信息和当前场景信息输入训练后的预测模型，预测出应用商城中多个应用的下载概率。

在一些实施例中，在将应用历史使用信息、历史应用下载信息、历史浏览记录信息和场景信息作为预测模型的训练样本，得到训练后的预测模型时，处理器601执行以下步骤：

将应用历史使用信息、历史应用下载信息和历史浏览记录信息根据场景信息进行分类，得到对应每个场景信息一类信息集合，从而得到多个场景信息的多类信息集合；

将多类信息集合作为预测模型的训练样本，得到训练后的预测模型。

在一些实施例中，在将多类信息集合作为预测模型的训练样本，得到训练后的预测模型时，处理器601执行以下步骤：

将多类信息集合按场景信息依次输入预测模型进行训练，得到训练后的预测模型。

在一些实施例中，在将多个应用根据对应的下载概率进行排列展示之后，处理器601执行以下步骤：

获取多个应用中被下载的应用信息；

当应用信息对应的下载概率小于预设概率阈值时，将当前场景信息和应用信息输入训练后的预测模型重新训练。

在一些实施例中，处理器601还可以执行以下步骤：

获取第一信息，并根据第一信息识别出当前场景信息；

根据当前场景信息预测出应用商城中多个应用对应的下载概率；

根据下载概率将应用商城中对应的多个应用进行排序，得到应用列表；

在应用商城的显示界面中，将多个应用按照应用列表进行展示。

在一些实施例中，在根据当前场景信息预测出应用商城中多个应用对应的下载概率时，处理器601执行以下步骤：

获取应用商城在第一预设时间段内的应用下载信息和浏览记录信息、以及第二预设时间段内的应用使用信息；

根据应用下载信息、浏览记录信息、应用使用信息和当前场景信息预测出应用商城中多个应用对应的下载概率。

在一些实施例中，参考图9，图9为本申请实施例提供的电子设备的第二种结构示意图。

其中，电子设备600还包括：显示屏603、控制电路604、输入单元605、传感器606以及电源607。其中，处理器601分别与显示屏603、控制电路604、输入单元605、传感器606以及电源607电性连接。

显示屏603可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。

控制电路604与显示屏603电性连接，用于控制显示屏603显示信息。

输入单元605可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中，输入单元605可以包括指纹识别模组。

传感器606用于采集电子设备自身的信息或者用户的信息或者外部环境信息。例如，传感器606可以包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。

电源607用于给电子设备600的各个部件供电。在一些实施例中，电源607可以通过电源管理系统与处理器601逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管图9中未示出，电子设备600还可以包括摄像头、蓝牙模块等，在此不再赘述。

本申请实施例还提供一种存储介质，存储介质中存储有计算机程序，当计算机程序在计算机上运行时，计算机执行上述任一实施例所述的应用推荐方法。

例如，在一些实施例中，当所述计算机程序在计算机上运行时，所述计算机执行以下步骤：

获取历史第一信息，并根据所述历史第一信息识别出场景信息；

将所述场景信息作为预测模型的训练样本，得到训练后的预测模型；

当应用商城打开时，获取当前的第一信息，并根据所述当前的第一信息识别出当前场景信息；

将所述当前场景信息输入训练后的预测模型，预测出所述应用商城中多个应用对应的下载概率；

在所述应用商城的显示界面中，将所述多个应用根据对应的所述下载概率进行排列展示。

需要说明的是，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过计算机程序来指令相关的硬件来完成，所述计算机程序可以存储于计算机可读存储介质中，所述存储介质可以包括但不限于：只读存储器(ROM，Read OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。

以上对本申请实施例所提供的应用推荐方法、装置、存储介质及电子设备进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (13)

1.一种应用推荐方法，其特征在于，包括：

获取历史第一信息，并根据所述历史第一信息识别出场景信息；

将所述场景信息作为预测模型的训练样本，得到训练后的预测模型；

当应用商城打开时，获取当前的第一信息，并根据所述当前的第一信息识别出当前场景信息；

将所述当前场景信息输入训练后的预测模型，预测出所述应用商城中多个应用对应的下载概率；

在所述应用商城的显示界面中，将所述多个应用根据对应的所述下载概率进行排列展示。

2.根据权利要求1所述的应用推荐方法，其特征在于，所述将所述场景信息作为预测模型的训练样本，得到训练后的预测模型包括：

获取应用商城的历史应用下载信息和历史浏览记录信息；

将所述历史应用下载信息、所述历史浏览记录信息和所述场景信息作为预测模型的训练样本，得到训练后的预测模型；

所述将所述当前场景信息输入训练后的预测模型，预测出所述应用商城中多个应用的下载概率包括：

获取所述应用商城在第一预设时间段内的应用下载信息和浏览记录信息；

将所述应用下载信息、所述浏览记录信息和所述当前场景信息输入训练后的预测模型，预测出所述应用商城中多个应用的下载概率。

3.根据权利要求1所述的应用推荐方法，其特征在于，所述将所述场景信息作为预测模型的训练样本，得到训练后的预测模型包括：

获取应用历史使用信息；

将所述应用历史使用信息和所述场景信息作为预测模型的训练样本，得到训练后的预测模型；

所述将所述当前场景信息输入训练后的预测模型，预测出所述应用商城中多个应用的下载概率包括：

获取第二预设时间段内的应用使用信息；

将所述应用使用信息和所述当前场景信息输入训练后的预测模型，预测出所述应用商城中多个应用的下载概率。

4.根据权利要求1所述的应用推荐方法，其特征在于，所述将所述场景信息作为预测模型的训练样本，得到训练后的预测模型包括：

获取应用历史使用信息、以及应用商城的历史应用下载信息和历史浏览记录信息；

将所述应用历史使用信息、所述历史应用下载信息、所述历史浏览记录信息和所述场景信息作为预测模型的训练样本，得到训练后的预测模型；

所述将所述当前场景信息输入训练后的预测模型，预测出所述应用商城中多个应用的下载概率包括：

获取所述应用商城在第一预设时间段内的应用下载信息和浏览记录信息、以及第二预设时间段内的应用使用信息；

将所述应用下载信息、所述浏览记录信息、所述应用使用信息和所述当前场景信息输入训练后的预测模型，预测出所述应用商城中多个应用的下载概率。

5.根据权利要求4所述的应用推荐方法，其特征在于，所述将所述应用历史使用信息、所述历史应用下载信息、所述历史浏览记录信息和所述场景信息作为预测模型的训练样本，得到训练后的预测模型包括：

将所述应用历史使用信息、所述历史应用下载信息和所述历史浏览记录信息根据所述场景信息进行分类，得到对应每个场景信息一类信息集合，从而得到多个场景信息的多类信息集合；

将所述多类信息集合作为预测模型的训练样本，得到训练后的预测模型。

6.根据权利要求5所述的应用推荐方法，其特征在于，所述将所述多类信息集合作为预测模型的训练样本，得到训练后的预测模型包括：

将所述多类信息集合按所述场景信息依次输入所述预测模型进行训练，得到训练后的预测模型。

7.根据权利要求1所述的应用推荐方法，其特征在于，所述将所述多个应用根据对应的所述下载概率进行排列展示之后，还包括：

获取所述多个应用中被下载的应用信息；

当所述应用信息对应的下载概率小于预设概率阈值时，将所述当前场景信息和所述应用信息输入训练后的预测模型重新训练。

8.根据权利要求1所述的应用推荐方法，其特征在于，所述预测模型为贝叶斯概率模型。

9.一种应用推荐方法，其特征在于，包括：

获取第一信息，并根据所述第一信息识别出当前场景信息；

根据所述当前场景信息预测出应用商城中多个应用对应的下载概率；

根据所述下载概率将所述应用商城中对应的多个应用进行排序，得到应用列表；

在所述应用商城的显示界面中，将所述多个应用按照所述应用列表进行展示。

10.根据权利要求9所述的应用推荐方法，其特征在于，所述根据所述当前场景信息预测出应用商城中多个应用对应的下载概率包括：

获取应用商城在第一预设时间段内的应用下载信息和浏览记录信息、以及第二预设时间段内的应用使用信息；

根据所述应用下载信息、所述浏览记录信息、所述应用使用信息和所述当前场景信息预测出应用商城中多个应用对应的下载概率。

11.一种应用推荐装置，其特征在于，包括：

场景信息获取模块，用于获取历史第一信息，并根据所述历史第一信息识别出场景信息；

训练模块，用于将所述场景信息作为预测模型的训练样本，得到训练后的预测模型；

当前场景信息获取模块，用于当应用商城打开时，获取当前的第一信息，并根据所述当前的第一信息识别出当前场景信息；

预测模块，用于将所述当前场景信息输入训练后的预测模型，预测出所述应用商城中多个应用对应的下载概率；

展示模块，用于在所述应用商城的显示界面中，将所述多个应用根据对应的所述下载概率进行排列展示。

12.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1至10任一项所述的应用推荐方法。

13.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行权利要求如权利要求1至10任一项所述的应用推荐方法。

Images