CN112069418A - 一种功能推荐方法、装置、电子设备及存储介质 - Google Patents
一种功能推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112069418A CN112069418A CN202010873760.9A CN202010873760A CN112069418A CN 112069418 A CN112069418 A CN 112069418A CN 202010873760 A CN202010873760 A CN 202010873760A CN 112069418 A CN112069418 A CN 112069418A
- Authority
- CN
- China
- Prior art keywords
- function
- user
- data
- recommendation model
- personalized
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000006870 function Effects 0.000 claims abstract description 325
- 230000002123 temporal effect Effects 0.000 claims abstract description 16
- 230000006399 behavior Effects 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种功能推荐方法、装置、电子设备及存储介质，涉及人工智能技术领域。具体方案为：获取用户的个性化数据和在当前时刻上的时空场景数据以及功能集；其中，个性化数据至少包括：用户属性、使用偏好和最近使用行为；时空场景数据至少包括：时间场景数据和空间场景数据；功能集至少包括：常用功能集、协同功能集和热门功能集；将个性化数据和时空场景数据以及功能集中的各个功能对应的功能属性类特征输入至预先训练好的功能推荐模型中；通过功能推荐模型输出用户在当前时刻上的个性化功能；将个性化功能推荐给用户。本申请实施例可以在不同的场景下为用户推荐更加适合的个性化功能，从而可以提高用户的使用效率和使用体验。
Description
技术领域
本申请涉及计算机技术领域，进一步涉及人工智能技术，尤其是一种功能推荐方法、装置、电子设备及存储介质。
背景技术
随着智能化时代的到来，用户的个性化需求越来越多，为用户个性化智能化的推荐所需的常用功能和优质功能，将极大的提高用户的产品功能使用效率，并提升用户的产品使用体验。根据二八原则，用户使用一款产品时所用功能大概为产品所有功能的20％，并且每个用户使用的功能并不完全相同，所以如何为每个用户提供所需的常用功能和帮助用户发现剩余80％功能中可能喜欢的功能变得越来越重要。
在现有技术中，通常产品为用户推荐常用功能一般采用如下三种方案：1)将产品主功能固定在常用功能入口：将主打功能和使用最多的功能按照固定顺序为用户提供。2)基于用户个人功能使用频次排序：按照一段时间统计用户对每个功能使用频次，筛选出用户经常使用的功能提供给用户。3)基于用户个人功能使用时间排序：按照一段时间统计用户对每个功能最近一次使用时间排序，筛选出用户最近使用的功能提供给用户。
上述实现方案存在如下缺点：上述方案(1)将每个功能固定设置在在产品入口，千人一面，无法实现个性化推荐，对提高用户的使用效率没有影响。上述方案(2)和方案(3)在一定情况下考虑了用户的功能使用行为，但是只做了简单的功能统计，没有发掘用户功能的使用习惯，也没有结合用户所处的空间和时间场景，因此很难实现精准推荐；并且没有对功能本身进行分析，发现不同功能的使用的时空场景和各个功能间的关联关系，因此不能为用户提供其他相关优质的功能。
发明内容
本申请提供了一种功能推荐方法、装置、电子设备及存储介质，可以在不同的场景下为用户推荐更加适合的个性化功能，从而可以提高用户的使用效率和使用体验。
第一方面，本申请提供了一种功能推荐方法，所述方法包括：
获取用户的个性化数据和所述用户在当前时刻上的时空场景数据以及所述用户在所述当前时刻上的功能集；其中，所述个性化数据至少包括：用户属性、使用偏好和最近一个设定时长内的使用行为；所述时空场景数据至少包括：时间场景数据和空间场景数据；所述功能集至少包括：常用功能集、协同功能集和热门功能集；
将所述个性化数据和所述时空场景数据以及预先确定的所述功能集中的各个功能对应的功能属性类特征输入至预先训练好的功能推荐模型中；通过所述功能推荐模型输出所述用户在所述当前时刻上的个性化功能；
将所述个性化功能推荐给所述用户。
第二方面，本申请提供了一种功能推荐装置，所述装置包括：获取模块、预测模块和推荐模块；其中，
所述获取模块，用于获取用户的个性化数据和所述用户在当前时刻上的时空场景数据以及所述用户在所述当前时刻上的功能集；其中，所述个性化数据至少包括：用户属性、使用偏好和最近一个设定时长内的使用行为；所述时空场景数据至少包括：时间场景数据和空间场景数据；所述功能集至少包括：常用功能集、协同功能集和热门功能集；
所述预测模块，用于将所述个性化数据和所述时空场景数据以及预先确定的所述功能集中的各个功能对应的功能属性类特征输入至预先训练好的功能推荐模型中；通过所述功能推荐模型输出所述用户在所述当前时刻上的个性化功能；
所述推荐模块，用于将所述个性化功能推荐给所述用户。
第三方面，本申请实施例提供了一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请任意实施例所述的功能推荐方法。
第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请任意实施例所述的功能推荐方法。
根据本申请的技术解决了现有技术中没有结合用户的使用行为或者针对用户的使用行为只做了简单的统计，而导致无法推荐更加适合的个性化功能，从而严重影响到用户的使用效率和使用体验的技术问题，本申请提供的技术方案，可以在不同的场景下为用户推荐更加适合的个性化功能，从而可以提高用户的使用效率和使用体验。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例提供的功能推荐方法的流程示意图；
图2是本申请实施例提供的另一种功能推荐方法的流程示意图；
图3是本申请实施例提供的功能推荐系统的结构示意图；
图4是本申请实施例提供的功能推荐装置的结构示意图；
图5是本申请实施例提供的另一种功能推荐装置的结构示意图；
图6是用来实现本申请实施例的功能推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本申请实施例一提供的功能推荐方法的流程示意图，该方法可以由功能推荐装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，功能推荐方法可以包括以下步骤：
S101、获取用户的个性化数据和用户在当前时刻上的时空场景数据以及用户在当前时刻上的功能集；其中，个性化数据至少包括：用户属性、使用偏好和最近一个设定时长内的使用行为；时空场景数据至少包括：时间场景数据和空间场景数据；功能集至少包括：常用功能集、协同功能集和热门功能集。这里的最近一个设定时长可以根据实际场景自行设置，例如，可以将该时长设定为一周，也可以设定为一个月，等等。
在本申请的具体实施例中，电子设备可以获取用户的个性化数据和用户在当前时刻上的时空场景数据以及用户在当前时刻上的功能集；其中，个性化数据至少包括：用户属性、使用偏好和最近一个设定时长内的使用行为；时空场景数据至少包括：时间场景数据和空间场景数据；功能集至少包括：常用功能集、协同功能集和热门功能集。具体地，用户属性包括以下至少其中之一：自然属性、社会属性、工作状况和资产属性。常用功能集是指一段时间内用户使用过的功能集合，保证用户对功能的个性化需求，提升用户使用效率。协同功能集是指只和用户使用过的功能相关且比较紧密的功能，例如：公交和实时公交；协同功能集能够帮助用户发现更多相关功能。热门功能集可以分为全局热门功能、分城市及城市级别热门功能和附近人使用的热门功能；热门功能集能够帮助用户发现更多的优质功能。
进一步的，自然属性包括以下至少其中之一：性别、年龄；社会属性包括以下至少其中之一：教育水平、婚姻状况、人生阶段；其中，教育水平可以包括：初级教育水平、中级教育水平和高级教育水平；婚姻状况可以包括：已婚和未婚；人生阶段可以包括：少年、青年、中年、中老年、老年；等等。工作状况包括以下至少其中之一：职业类别、所属行业、所在公司；资产属性包括以下至少其中之一：收入水平、资产状况、消费水平。具体地，上述自然属性、社会属性、工作状况和资产属性可以通过用户预先在功能推荐方法的App上进行填写。通过对用户属性进行详细分析，可以为用户推荐最适合自己的个性化功能，从而可以提升用户使用效率。另外，对于使用偏好，用户也可以预先在功能推荐方法的App上进行填写。例如，用户填写的使用偏好为：优选选择即时通讯功能，其次选择购物功能，最后选择理财功能。或者，使用偏好也可以通过统计的方式获取。例如，通过对用户一段时间内使用行为的统计，筛选出用户最经常使用的功能，为用户提供个性化功能的偏好建议，提升用户决策效率。此外，最近一个设定时长内的使用行为可以通过对用户近期的使用行为进行统计得到，从而可以快速地识别出用户近期最偏爱的功能，精准识别用户短期使用行为偏好，更加贴近用户最理想的功能。
进一步的，时间场景数据包括以下至少其中之一：用户所处的季节、月份、月内阶段、星期、工作日或者非工作日、白天或者黑夜、上午或者下午、早高峰或者晚高峰、特殊时段。具体地，用户所处的季节可以包括：春季、夏季、秋季、冬季；也可以包括：旱季和雨季；此外，还可以包括用户所处的季节类型，例如，全年皆夏；全年皆冬；长夏无冬；长冬无夏；四季分明；四季如春；等等。月份可以包括：1月至12月；月内阶段可以包括：月初(上旬)、月中(中旬)、月末(下旬)；其中，一个月的上旬、中旬、下旬可以分别是指当月的1日至10日、11日至20日、21日至30日(31日)。星期可以包括：周一至周日；工作日可以包括：周一至周五；非工作日可以包括：周六和周日。白天可以指上午8点至晚上8点这段时间；晚上可以指晚上8点至第二天上午8点这段时间。上午可以指8点至12点；下午可以指12点至17点。特殊时段可以是根据实际情况定义的时间段，例如，特殊时段可以为交通管制时段。本申请实施例通过对用户当前时间场景的精细化细分，结合大数据群体数据分析，为用户推荐当前时间场景下最合适的功能。
进一步的，空间场景数据包括以下至少其中之一：用户所在的国家、城市、用户处于本地或者异地、用户处于熟悉地或者非熟悉地。具体地，用于处于本地是指用户当前所在的城市和用户的常住地相同；用户处于异地是指用户当前所在的城市和用户的常住地不相同。用户处于熟悉地是指用户所在的当前位置为用户的居住地、工作地、常住地或者常访地；用户处于非熟悉地是指用户所在的当前位置为用户的居住地、工作地、常住地或者常访地以外的地点。
S102、将个性化数据和时空场景数据以及预先确定的功能集中的各个功能对应的功能属性类特征输入至预先训练好的功能推荐模型中；通过功能推荐模型输出用户在当前时刻上的个性化功能。
在本申请的具体实施例中，电子设备可以将个性化数据和时空场景数据以及预先确定的功能集中的各个功能对应的功能属性类特征输入至预先训练好的功能推荐模型中；通过功能推荐模型输出用户在当前时刻上的个性化功能。具体地，功能属性类特征是指每个功能不同属性维度的详细统计信息，包括：功能协同分组信息、整体热度和使用量、分时间场景热度和使用量、分空间场景热度和使用量等；根据用户所处的空间和时间场景为用户推荐优质的热门功能和用户使用过功能的紧密相关功能。此外，功能推荐模型包括但不限于：基于学习排序的推荐模型、基于逻辑回归的推荐模型、梯度提升决策树、可扩展的机器学习系统或者深度神经网络。
本申请实施例将机器学习的学习排序(Learning To Tank，简称LTR)和分类思想引入到功能推荐中，采用了逻辑回归(Logistic Regression，简称LR)、梯度提升决策树(Gradient Boosting Decision Tree，简称GBDT)、可扩展的机器学习系统(ExtremeGradient Boosting，简称XGBoost)、深度神经网络(Deep Neural Networks，简称DNN)等机器学习算法，通过对用户行为样本的学习，考虑用户属性以及使用历史，结合用户所处的时间和空间大数据场景，为用户推荐个性化的优质功能。
S103、将个性化功能推荐给用户。
在本申请的具体实施例中，电子设备可以将个性化功能推荐给用户。具体地，电子设备可以只将最适合用户所选择的一个功能推荐给用户，也可以将比较适合用户所选择的多个功能都推荐给用户。在此不进行限定。
本申请提供的技术方案能够实现：(1)个性化推荐：基于用户的使用行为及用户属性，为用户提供个性化的常用功能推荐，千人千面，充分利用产品功能资源位。(2)探索发现：基于用户使用过的功能，为用户推荐紧密相关的优质功能，帮助用户发现更多优质功能，提高用户使用产品的效率。(3)时空场景：创新性地引入时间场景和空间场景，针对不同的时空场景为用户推荐相关的优质功能，更贴合用户不同场景下的功能使用行为，对用户即将使用的功能进行精准推荐。
本申请实施例提出的功能推荐方法，先获取用户的个性化数据和用户在当前时刻上的时空场景数据以及用户在当前时刻上的功能集；其中，个性化数据至少包括：用户属性、使用偏好和最近一个设定时长内的使用行为；时空场景数据至少包括：时间场景数据和空间场景数据；功能集至少包括：常用功能集、协同功能集和热门功能集；然后将个性化数据和时空场景数据以及预先确定的功能集中的各个功能对应的功能属性类特征输入至预先训练好的功能推荐模型中；通过功能推荐模型输出用户在当前时刻上的个性化功能；再将个性化功能推荐给用户。也就是说，本申请可以基于用户属性、使用偏好、历史使用行为以及用户所处的时空场景进行深度挖掘，得到用户在当前时刻上最适合的个性化功能。而在现有的功能推荐方法中，没有结合用户的使用行为或者针对用户的使用行为只做了简单的统计。因为本申请采用了基于用户的个性化数据和用户在当前时刻上的时空场景数据以及用户在当前时刻上的功能集来预测常用功能的技术手段，克服了现有技术中没有结合用户的使用行为或者针对用户的使用行为只做了简单的统计，而导致无法推荐更加适合的个性化功能，从而严重影响到用户的使用效率和使用体验的技术问题，本申请提供的技术方案，可以在不同的场景下为用户推荐更加适合的个性化功能，从而可以提高用户的使用效率和使用体验；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例二
图2是本申请实施例提供的另一种功能推荐方法的流程示意图。如图2所示，功能推荐方法可以包括以下步骤：
S201、将预先获取的一个正样本数据或者负样本数据作为当前样本数据。
在本申请的具体实施例中，电子设备在获取用户的个性化数据和用户在当前时刻上的时空场景数据以及用户在当前时刻上的功能集之前，还可以先对功能推荐模型进行训练。在本步骤中，电子设备可以先将预先获取的一个正样本数据或者负样本数据作为当前样本数据；然后基于当前数据样本对功能推荐模型进行训练；其中，正样本数据是指用户在最近一段时间内使用过的功能；负样本数据是指用户在最近一段时间内未使用过的功能。例如，用户在最近一周内使用过购物功能，那么该用户和购物功能组成一个正样本数据；再例如，用户在最近一周内未使用过理财功能，那么该用户和理财功能组成一个负样本数据。
S202、若功能推荐模型不满足预先设置的收敛条件，将当前样本数据输入至功能推荐模型中，使用当前样本数据对功能推荐模型进行训练；将当前样本数据的下一个样本数据作为当前样本数据，重复执行上述操作，直到功能推荐模型满足收敛条件。
在本申请的具体实施例中，若功能推荐模型不满足预先设置的收敛条件，电子设备可以将当前样本数据输入至功能推荐模型中，使用当前样本数据对功能推荐模型进行训练；然后将当前样本数据的下一个样本数据作为当前样本数据，重复执行上述操作，直到功能推荐模型满足收敛条件。例如，将某一个正样本数据输入至功能推荐模型，使用该正样本数据对功能推荐模型进行训练，如果通过该功能推荐模型可以得到用户在最近一段时间内使用过的功能，则认为该功能方式推荐模型输出准确；如果通过该功能推荐模型无法得到用户在最近一段时间内使用过的功能，则认为该功能推荐模型输出不准确。如果该功能推荐模型输出准确的样本比例大于或者等于预定阈值，则可以判定该功能推荐模型满足收敛条件；如果该功能推荐模型输出准确的样本比例小于预定阈值，则可以判定该功能推荐模型不满足收敛条件。
S203、获取用户的个性化数据和用户在当前时刻上的时空场景数据以及用户在当前时刻上的功能集；其中，个性化数据至少包括：用户属性、使用偏好和最近一个设定时长内的使用行为；时空场景数据至少包括：时间场景数据和空间场景数据；功能集至少包括：常用功能集、协同功能集和热门功能集。
S204、将个性化数据和时空场景数据以及预先确定的功能集中的各个功能对应的功能属性类特征输入至预先训练好的功能推荐模型中；通过功能推荐模型输出用户在当前时刻上的个性化功能。
S205、将个性化功能推荐给用户。
图3是本申请实施例提供的功能推荐系统的结构示意图。如图3所示，该系统可以包括：功能集召回、特征工程、模型选取和规则引擎这四个层级；其中，功能集召回这一层级可以包括三个部分：常用功能集、协同功能集和热门功能集；其中，特征工程这一层级可以包括：时间场景数据、位置场景数据、功能属性类特征和个性化数据；模型选取这一层级可以包括：基于学习排序的推荐模型、基于逻辑回归的推荐模型、梯度提升决策树、可扩展的机器学习系统和深度神经网络；规则引擎用于将通过功能推荐模型得到的一个或者多个个性化功能推荐给用户。
本申请实施例提出的功能推荐方法，先获取用户的个性化数据和用户在当前时刻上的时空场景数据以及用户在当前时刻上的功能集；其中，个性化数据至少包括：用户属性、使用偏好和最近一个设定时长内的使用行为；时空场景数据至少包括：时间场景数据和空间场景数据；功能集至少包括：常用功能集、协同功能集和热门功能集；然后将个性化数据和时空场景数据以及预先确定的功能集中的各个功能对应的功能属性类特征输入至预先训练好的功能推荐模型中；通过功能推荐模型输出用户在当前时刻上的个性化功能；再将个性化功能推荐给用户。也就是说，本申请可以基于用户属性、使用偏好、历史使用行为以及用户所处的时空场景进行深度挖掘，得到用户在当前时刻上最适合的个性化功能。而在现有的功能推荐方法中，没有结合用户的使用行为或者针对用户的使用行为只做了简单的统计。因为本申请采用了基于用户的个性化数据和用户在当前时刻上的时空场景数据以及用户在当前时刻上的功能集来预测常用功能的技术手段，克服了现有技术中没有结合用户的使用行为或者针对用户的使用行为只做了简单的统计，而导致无法推荐更加适合的个性化功能，从而严重影响到用户的使用效率和使用体验的技术问题，本申请提供的技术方案，可以在不同的场景下为用户推荐更加适合的个性化功能，从而可以提高用户的使用效率和使用体验；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例三
图4是本申请实施例提供的功能推荐装置的结构示意图。如图4所示，所述装置400包括：获取模块401、预测模块402和推荐模块403；其中，
所述获取模块401，用于获取用户的个性化数据和所述用户在当前时刻上的时空场景数据以及所述用户在所述当前时刻上的功能集；其中，所述个性化数据至少包括：用户属性、使用偏好和最近一个设定时长内的使用行为；所述时空场景数据至少包括：时间场景数据和空间场景数据；所述功能集至少包括：常用功能集、协同功能集和热门功能集；
所述预测模块402，用于将所述个性化数据和所述时空场景数据以及预先确定的所述功能集中的各个功能对应的功能属性类特征输入至预先训练好的功能推荐模型中；通过所述功能推荐模型输出所述用户在所述当前时刻上的个性化功能；
所述推荐模块403，用于将所述个性化功能推荐给所述用户。
进一步的，所述用户属性包括以下至少其中之一：自然属性、社会属性、工作状况和资产属性。
进一步的，所述自然属性包括以下至少其中之一：性别、年龄；所述社会属性包括以下至少其中之一：教育水平、婚姻状况、人生阶段；所述工作状况包括以下至少其中之一：职业类别、所属行业、所在公司；所述资产属性包括以下至少其中之一：收入水平、资产状况、消费水平。
进一步的，所述时间场景数据包括以下至少其中之一：所述用户所处的季节、月份、月内阶段、星期、工作日或者非工作日、白天或者黑夜、上午或者下午、特殊时段。
进一步的，所述空间场景数据包括以下至少其中之一：所述用户所在的国家、城市、所述用户处于本地或者异地、所述用户处于熟悉地或者非熟悉地。
进一步的，所述功能推荐模型包括但不限于：基于学习排序的推荐模型、基于逻辑回归的推荐模型、梯度提升决策树、可扩展的机器学习系统或者深度神经网络。
图5是本申请实施例提供的另一种功能推荐装置的结构示意图，如图5所示，所述装置500还包括：训练模块404，用于将预先获取的一个正样本数据或者负样本数据作为当前样本数据；若所述功能推荐模型不满足预先设置的收敛条件，将所述当前样本数据输入至所述功能推荐模型中，使用所述当前样本数据对所述功能推荐模型进行训练；将所述当前样本数据的下一个样本数据作为所述当前样本数据，重复执行上述操作，直到所述功能推荐模型满足所述收敛条件。
上述功能推荐装置可执行本申请任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请任意实施例提供的功能推荐方法。
实施例四
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的功能推荐方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的功能推荐方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的功能推荐方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的功能推荐方法对应的程序指令/模块(例如，附图4所示的获取模块401、预测模块402和推荐模块403)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的功能推荐方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据功能推荐方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至功能推荐方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
功能推荐方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与功能推荐方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
根据本申请实施例的技术方案，先获取用户的个性化数据和用户在当前时刻上的时空场景数据以及用户在当前时刻上的功能集；其中，个性化数据至少包括：用户属性、使用偏好和最近一个设定时长内的使用行为；时空场景数据至少包括：时间场景数据和空间场景数据；功能集至少包括：常用功能集、协同功能集和热门功能集；然后将个性化数据和时空场景数据以及预先确定的所述功能集中的各个功能对应的功能属性类特征输入至预先训练好的功能推荐模型中；通过功能推荐模型输出用户在当前时刻上的个性化功能；再将个性化功能推荐给用户。也就是说，本申请可以基于用户属性、使用偏好、历史使用行为以及用户所处的时空场景进行深度挖掘，得到用户在当前时刻上最适合的个性化功能。而在现有的功能推荐方法中，没有结合用户的使用行为或者针对用户的使用行为只做了简单的统计。因为本申请采用了基于用户的个性化数据和用户在当前时刻上的时空场景数据以及用户在当前时刻上的功能集来预测常用功能的技术手段，克服了现有技术中没有结合用户的使用行为或者针对用户的使用行为只做了简单的统计，而导致无法推荐更加适合的个性化功能，从而严重影响到用户的使用效率和使用体验的技术问题，本申请提供的技术方案，可以在不同的场景下为用户推荐更加适合的个性化功能，从而可以提高用户的使用效率和使用体验；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (16)
1.一种功能推荐方法，所述方法包括：
获取用户的个性化数据和所述用户在当前时刻上的时空场景数据以及所述用户在所述当前时刻上的功能集；其中，所述个性化数据至少包括：用户属性、使用偏好和最近一个设定时长内的使用行为；所述时空场景数据至少包括：时间场景数据和空间场景数据；所述功能集至少包括：常用功能集、协同功能集和热门功能集；
将所述个性化数据和所述时空场景数据以及预先确定的所述功能集中的各个功能对应的功能属性类特征输入至预先训练好的功能推荐模型中；通过所述功能推荐模型输出所述用户在所述当前时刻上的个性化功能；
将所述个性化功能推荐给所述用户。
2.根据权利要求1所述的方法，所述用户属性包括以下至少其中之一：自然属性、社会属性、工作状况和资产属性。
3.根据权利要求2所述的方法，所述自然属性包括以下至少其中之一：性别、年龄；所述社会属性包括以下至少其中之一：教育水平、婚姻状况、人生阶段；所述工作状况包括以下至少其中之一：职业类别、所属行业、所在公司；所述资产属性包括以下至少其中之一：收入水平、资产状况、消费水平。
4.根据权利要求1所述的方法，所述时间场景数据包括以下至少其中之一：所述用户所处的季节、月份、月内阶段、星期、工作日或者非工作日、白天或者黑夜、上午或者下午、特殊时段。
5.根据权利要求1所述的方法，所述空间场景数据包括以下至少其中之一：所述用户所在的国家、城市、所述用户处于本地或者异地、所述用户处于熟悉地或者非熟悉地。
6.根据权利要求1所述的方法，所述功能推荐模型包括但不限于：基于学习排序的推荐模型、基于逻辑回归的推荐模型、梯度提升决策树、可扩展的机器学习系统或者深度神经网络。
7.根据权利要求1所述的方法，在所述获取用户的个性化数据和所述用户在当前时刻上的时空场景数据以及所述用户在所述当前时刻上的功能集之前，所述方法还包括：
将预先获取的一个正样本数据或者负样本数据作为当前样本数据；
若所述功能推荐模型不满足预先设置的收敛条件，将所述当前样本数据输入至所述功能推荐模型中，使用所述当前样本数据对所述功能推荐模型进行训练；将所述当前样本数据的下一个样本数据作为所述当前样本数据，重复执行上述操作，直到所述功能推荐模型满足所述收敛条件。
8.一种功能推荐装置，所述装置包括：获取模块、预测模块和推荐模块；其中，
所述获取模块，用于获取用户的个性化数据和所述用户在当前时刻上的时空场景数据以及所述用户在所述当前时刻上的功能集；其中，所述个性化数据至少包括：用户属性、使用偏好和最近一个设定时长内的使用行为；所述时空场景数据至少包括：时间场景数据和空间场景数据；所述功能集至少包括：常用功能集、协同功能集和热门功能集；
所述预测模块，用于将所述个性化数据和所述时空场景数据以及预先确定的所述功能集中的各个功能对应的功能属性类特征输入至预先训练好的功能推荐模型中；通过所述功能推荐模型输出所述用户在所述当前时刻上的个性化功能；
所述推荐模块，用于将所述个性化功能推荐给所述用户。
9.根据权利要求8所述的装置，所述用户属性包括以下至少其中之一：自然属性、社会属性、工作状况和资产属性。
10.根据权利要求9所述的装置，所述自然属性包括以下至少其中之一：性别、年龄；所述社会属性包括以下至少其中之一：教育水平、婚姻状况、人生阶段；所述工作状况包括以下至少其中之一：职业类别、所属行业、所在公司；所述资产属性包括以下至少其中之一：收入水平、资产状况、消费水平。
11.根据权利要求8所述的装置，所述时间场景数据包括以下至少其中之一：所述用户所处的季节、月份、月内阶段、星期、工作日或者非工作日、白天或者黑夜、上午或者下午、特殊时段。
12.根据权利要求8所述的装置，所述空间场景数据包括以下至少其中之一：所述用户所在的国家、城市、所述用户处于本地或者异地、所述用户处于熟悉地或者非熟悉地。
13.根据权利要求8所述的装置，所述功能推荐模型包括但不限于：基于学习排序的推荐模型、基于逻辑回归的推荐模型、梯度提升决策树、可扩展的机器学习系统或者深度神经网络。
14.根据权利要求8所述的装置，所述装置还包括：训练模块，用于将预先获取的一个正样本数据或者负样本数据作为当前样本数据；若所述功能推荐模型不满足预先设置的收敛条件，将所述当前样本数据输入至所述功能推荐模型中，使用所述当前样本数据对所述功能推荐模型进行训练；将所述当前样本数据的下一个样本数据作为所述当前样本数据，重复执行上述操作，直到所述功能推荐模型满足所述收敛条件。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010873760.9A CN112069418A (zh) | 2020-08-26 | 2020-08-26 | 一种功能推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010873760.9A CN112069418A (zh) | 2020-08-26 | 2020-08-26 | 一种功能推荐方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112069418A true CN112069418A (zh) | 2020-12-11 |
Family
ID=73660387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010873760.9A Pending CN112069418A (zh) | 2020-08-26 | 2020-08-26 | 一种功能推荐方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112069418A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541123A (zh) * | 2020-12-24 | 2021-03-23 | 北京百度网讯科技有限公司 | 地图图区推荐方法、装置、设备及存储介质 |
| CN112561167A (zh) * | 2020-12-17 | 2021-03-26 | 北京百度网讯科技有限公司 | 出行推荐方法、装置、电子设备及存储介质 |
| CN112632384A (zh) * | 2020-12-25 | 2021-04-09 | 北京百度网讯科技有限公司 | 针对应用程序的数据处理方法、装置、电子设备和介质 |
| CN112684908A (zh) * | 2020-12-25 | 2021-04-20 | 科大讯飞股份有限公司 | 一种输入法界面工具项推荐方法、装置、存储介质及设备 |
| CN113139132A (zh) * | 2021-05-19 | 2021-07-20 | 云米互联科技(广东)有限公司 | 一种基于HomeMap的配网及场景自动推荐方法、装置 |
| CN113194155A (zh) * | 2021-05-20 | 2021-07-30 | 青岛海信智慧生活科技股份有限公司 | 一种物联网中场景智能推荐的方法及装置 |
| CN113395336A (zh) * | 2021-06-01 | 2021-09-14 | 珠海格力电器股份有限公司 | 一种模式推荐方法、装置、电子设备及存储介质 |
| CN113655928A (zh) * | 2021-08-26 | 2021-11-16 | 蛮牛健康管理服务有限公司 | 一种功能键自动调整系统、方法及电子设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106294743A (zh) * | 2016-08-10 | 2017-01-04 | 北京奇虎科技有限公司 | 应用功能的推荐方法及装置 |
| CN107562855A (zh) * | 2017-08-28 | 2018-01-09 | 江西博瑞彤芸科技有限公司 | 一种应用推荐方法及装置 |
| CN108182626A (zh) * | 2017-12-28 | 2018-06-19 | 努比亚技术有限公司 | 服务推送方法、信息采集终端及计算机可读存储介质 |
| CN111310019A (zh) * | 2018-12-11 | 2020-06-19 | 阿里巴巴集团控股有限公司 | 信息推荐方法、信息处理方法、系统及设备 |
-
2020
- 2020-08-26 CN CN202010873760.9A patent/CN112069418A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106294743A (zh) * | 2016-08-10 | 2017-01-04 | 北京奇虎科技有限公司 | 应用功能的推荐方法及装置 |
| CN107562855A (zh) * | 2017-08-28 | 2018-01-09 | 江西博瑞彤芸科技有限公司 | 一种应用推荐方法及装置 |
| CN108182626A (zh) * | 2017-12-28 | 2018-06-19 | 努比亚技术有限公司 | 服务推送方法、信息采集终端及计算机可读存储介质 |
| CN111310019A (zh) * | 2018-12-11 | 2020-06-19 | 阿里巴巴集团控股有限公司 | 信息推荐方法、信息处理方法、系统及设备 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561167A (zh) * | 2020-12-17 | 2021-03-26 | 北京百度网讯科技有限公司 | 出行推荐方法、装置、电子设备及存储介质 |
| CN112561167B (zh) * | 2020-12-17 | 2023-10-24 | 北京百度网讯科技有限公司 | 出行推荐方法、装置、电子设备及存储介质 |
| CN112541123A (zh) * | 2020-12-24 | 2021-03-23 | 北京百度网讯科技有限公司 | 地图图区推荐方法、装置、设备及存储介质 |
| CN112632384A (zh) * | 2020-12-25 | 2021-04-09 | 北京百度网讯科技有限公司 | 针对应用程序的数据处理方法、装置、电子设备和介质 |
| CN112684908A (zh) * | 2020-12-25 | 2021-04-20 | 科大讯飞股份有限公司 | 一种输入法界面工具项推荐方法、装置、存储介质及设备 |
| CN113139132A (zh) * | 2021-05-19 | 2021-07-20 | 云米互联科技(广东)有限公司 | 一种基于HomeMap的配网及场景自动推荐方法、装置 |
| CN113194155A (zh) * | 2021-05-20 | 2021-07-30 | 青岛海信智慧生活科技股份有限公司 | 一种物联网中场景智能推荐的方法及装置 |
| CN113395336A (zh) * | 2021-06-01 | 2021-09-14 | 珠海格力电器股份有限公司 | 一种模式推荐方法、装置、电子设备及存储介质 |
| CN113655928A (zh) * | 2021-08-26 | 2021-11-16 | 蛮牛健康管理服务有限公司 | 一种功能键自动调整系统、方法及电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112069418A (zh) | 一种功能推荐方法、装置、电子设备及存储介质 | |
| US20210209109A1 (en) | Method, apparatus, device, and storage medium for intention recommendation | |
| US11714816B2 (en) | Information search method and apparatus, device and storage medium | |
| CN112163159B (zh) | 资源推荐和参数确定方法、装置、设备及介质 | |
| JP7334205B2 (ja) | 目的地の予測方法、装置、電子機器、コンピュータ可読記憶媒体及びコンピュータプログラム | |
| CN112000700B (zh) | 地图信息展示方法、装置、电子设备及存储介质 | |
| CN111695695B (zh) | 用户决策行为量化分析方法及装置 | |
| CN111475750B (zh) | 页面预加载控制方法、装置、系统、设备和存储介质 | |
| CN113169886A (zh) | 通信网络优化 | |
| CN111522967A (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
| CN111506803B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
| WO2017040852A1 (en) | Modeling of geospatial location over time | |
| CN111666462B (zh) | 地理位置的推荐方法、装置、设备和计算机存储介质 | |
| US20210312329A1 (en) | Reinforcement learning for website ergonomics | |
| WO2017119006A1 (en) | Method and virtual data agent system for providing data insights with artificial intelligence | |
| CN112016326A (zh) | 一种地图区域词识别方法、装置、电子设备和存储介质 | |
| CN111694914A (zh) | 用户常驻区域确定方法及装置 | |
| US20240086777A1 (en) | Learning machine training based on plan types | |
| CN112507249A (zh) | 兴趣点生成的方法、装置、电子设备及存储介质 | |
| CN111625724A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
| CN112598136B (zh) | 数据的校准方法和装置 | |
| CN111523036B (zh) | 一种搜索行为挖掘方法、装置和电子设备 | |
| CN113626462A (zh) | 即时通讯对象的搜索方法、装置、电子设备和存储介质 | |
| CN112100362A (zh) | 文档格式推荐模型训练方法、装置以及电子设备 | |
| CN112381305A (zh) | 打车时长预估方法、装置、电子设备及存储介质 |
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 |