CN112559875A - 基于应用启动画面的资源推荐方法、装置、设备及介质 - Google Patents
基于应用启动画面的资源推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112559875A CN112559875A CN202011528836.0A CN202011528836A CN112559875A CN 112559875 A CN112559875 A CN 112559875A CN 202011528836 A CN202011528836 A CN 202011528836A CN 112559875 A CN112559875 A CN 112559875A
- Authority
- CN
- China
- Prior art keywords
- starting
- resource
- word segmentation
- feature
- word
- 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
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
- 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
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44521—Dynamic linking or loading; Link editing at or after load time, e.g. Java class loading
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据分析技术,揭露了一种基于应用启动画面的资源推荐方法,包括:将获取的启动资源集按照类型标签划分为多个启动资源子集;对获取的用户数据集进行分词处理和特征筛选,得到特征分词集;利用特征分词集构建各用户数据的用户特征向量;计算多个启动资源子集的类型标签和用户特征向量的距离值,根据预设的距离阈值筛选得到待加载启动资源;当监测到应用的启动指令时,在应用的启动页面加载待加载启动资源。此外,本发明还涉及区块链技术,所述用户数据集可存储于区块链的节点。本发明还提出一种基于应用启动画面的资源推荐装置、电子设备以及计算机可读存储介质。本发明可以解决资源推荐不能满足用户个性化需求的问题。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种基于应用启动画面的资源推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
一般手机应用启动时会出现几秒至十几秒不等的加载时长,许多公司或企业会在应用启动时加载广告等资源向用户进行推荐展示,但随着人们需求的变化,不同的用户想要获取的资源也存在着较大的差异,例如金融职业人员更希望获取有关经济方面的资源,游戏职业人员更希望获取游戏有关的资源。
传统的资源推荐方法大多为基于热点的资源推送方法,即基于资源热度排序对用户进行推荐,但很多情况下,并非所有用户都对热度高的事件感兴趣,基于热度算法的舆情推荐很难满足不同用户的个性化需求。因此,如何针对性的将用户需求的资源展现给相应的用户,实现满足用户个性化的资源推荐,成为亟待解决的问题。
发明内容
本发明提供一种基于应用启动画面的资源推荐方法、装置及计算机可读存储介质,其主要目的在于解决资源推荐不能满足用户个性化需求的问题。
为实现上述目的,本发明提供的一种基于应用启动画面的资源推荐方法,包括:
获取应用的启动资源集,所述启动资源集包括多个启动资源和所述多个启动资源对应的类型标签;
将所述启动资源集按照所述类型标签划分为多个启动资源子集;
获取用户数据集,对所述用户数据集进行分词处理,得到分词集;
利用特征筛选模型对所述分词集进行特征筛选,得到特征分词集;
利用所述特征分词集构建所述用户数据集中各用户数据的用户特征向量;
计算所述多个启动资源子集的类型标签和所述用户特征向量的距离值,确定所述距离值小于距离阈值的类型标签对应的启动资源子集为待加载启动资源;
当监测到应用的启动指令时,在应用的启动页面加载所述待加载启动资源。
可选地,所述将所述启动资源集按照所述类型标签划分为多个启动资源子集,包括:
随机从所述启动资源集中选取预设数量的启动资源作为多个簇心资源;
分别计算所述启动资源集中未被选取的启动资源与所述多个簇心资源的距离;
依次从所述未被选取的启动资源中选取目标启动资源与待汇集簇心资源进行汇集,直至所有未被选取的启动资源完成汇集,其中,所述待汇集簇心资源为所述多个簇心资源中与所述目标启动资源之间距离最小的簇心资源。
可选地,所述对所述用户数据集进行分词处理,得到分词集,包括:
删除所述用户数据集中包含的敏感数据;
利用预设标准词典对去除敏感数据后的用户数据集进行分词处理,得到分词集。
可选地,所述利用特征筛选模型对所述分词集进行特征筛选,得到特征分词集,包括:
利用所述特征筛选模型中的前向卷积核对所述分词集进行卷积,得到前向分词特征;
利用所述特征筛选模型中的后向卷积核对所述前向分词特征进行卷积,得到后向分词特征;
对获得的前向分词特征和后向分词特征进行特征融合,得到融合分词特征;
利用筛选算法对所述融合分词特征进行特征筛选,得到特征分词集。
可选地,所述利用所述特征分词集构建所述用户数据集中各用户数据的用户特征向量,包括:
计算所述特征分词集中各特征分词的特征指标;
将所述特征分词集中每个特征分词转换为词向量,得到词向量集;
将所述词向量集中的词向量与所述特征分词集中每个特征分词的特征指标进行算术运算,得到每个特征分词的特征向量。
可选地,所述将所述特征分词集中每个特征分词转换为词向量,得到词向量集,包括:
获取预先存储的所述特征分词集中每个特征分词对应的字节向量集,其中,所述字节向量集中包含每个特征分词中每个字节的字节向量;
将每个特征分词对应的字节向量集中的字节向量分别进行拼接,得到所述词向量集。
可选地,所述在应用的启动页面加载所述待加载启动资源,包括:
配置所述待加载启动资源的API接口;
利用所述API接口调用所述待加载启动资源;
将所述待加载启动资源加载至所述应用的启动页面。
为了解决上述问题,本发明还提供一种基于应用启动画面的资源推荐装置,所述装置包括:
资源获取模块,用于获取应用的启动资源集,所述启动资源集包括多个启动资源和所述多个启动资源对应的类型标签;
资源划分模块,用于将所述启动资源集按照所述类型标签划分为多个启动资源子集;
分词模块,用于获取用户数据集,对所述用户数据集进行分词处理,得到分词集;
特征筛选模块,用于利用特征筛选模型对所述分词集进行特征筛选,得到特征分词集;
向量构建模块,用于利用所述特征分词集构建所述用户数据集中各用户数据的用户特征向量;
资源筛选模块,用于计算所述多个启动资源子集的类型标签和所述用户特征向量的距离值,确定所述距离值小于距离阈值的类型标签对应的启动资源子集为待加载启动资源;
资源推荐模块,用于当监测到应用的启动指令时,在应用的启动页面加载所述待加载启动资源。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于应用启动画面的资源推荐方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于应用启动画面的资源推荐方法。
本发明实施例通过对启动资源的类型划分,可实现对启动资源的分类,有利于针对不同用户匹配不同类型的启动资源,提高启动资源推荐的精确度;对用户数据集进行分词处理和特征筛选,并利用特征筛选结果构建用户特征向量,实现了从用户数据中提取出用户特征,有利于后续根据用户特征选择与用户符合的启动资源,以实现个性化的对用户进行资源推荐;计算启动资源子集的类型标签和用户特征向量的距离值,可实现根据距离值精确的筛选出与用户个性化特征相应的启动资源。因此本发明提出的基于应用启动画面的资源推荐方法、装置、电子设备及计算机可读存储介质,可以解决资源推荐不能满足用户个性化需求的问题。
附图说明
图1为本发明一实施例提供的基于应用启动画面的资源推荐方法的流程示意图;
图2为本发明一实施例提供的基于应用启动画面的资源推荐装置的功能模块图;
图3为本发明一实施例提供的实现所述基于应用启动画面的资源推荐方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于应用启动画面的资源推荐方法。所述基于应用启动画面的资源推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于应用启动画面的资源推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的基于应用启动画面的资源推荐方法的流程示意图。在本实施例中,所述基于应用启动画面的资源推荐方法包括:
S1、获取应用的启动资源集,所述启动资源集包括多个启动资源和所述多个启动资源对应的类型标签。
本发明实施例中,所述应用包括任何手机app应用,例如,淘宝、微信和微博等。
详细地,所述启动资源集包括多个启动资源和所述多个启动资源对应的类型标签。所述启动资源包括应用启动时启动页面中可加载并展示的文字、图像或视频等资源,例如,淘宝启动时启动页面加载并展示的广告。
本发明实施例可利用具有数据抓取功能的python语句从互联网(如,Internet网)中抓取启动资源集,所述启动资源集中多个启动资源对应类型标签可由启动资源中的关键词生成。
例如,启动资源集包括待广告A和广告B,广告A中包括关键词家居、日常用品,则广告A的类型标签为生活广告;广告B中包括关键词游戏、游戏发布、玩家评测,则广告B的类型标签为游戏广告。
S2、将所述启动资源集按照所述类型标签划分为多个启动资源子集。
本发明实施例中,所述将所述启动资源集按照所述类型标签划分为多个启动资源子集,包括:
随机从所述启动资源集中选取预设数量的启动资源作为多个簇心资源;
分别计算所述启动资源集中未被选取的启动资源与所述多个簇心资源的距离;
依次从所述未被选取的启动资源中选取目标启动资源与待汇集簇心资源进行汇集,直至所有未被选取的启动资源完成汇集,其中,所述待汇集簇心资源为所述多个簇心资源中与所述目标启动资源之间距离最小的簇心资源。
例如,当所述启动资源集中包含a,b,c,d,e,f六个启动资源,随机选择a和b作为簇心资源,分别计算未被选取的启动资源中c,d,e,f与a和b的距离,当距离计算完成后,随机从未被选取的启动资源中选取目标启动资源c,若目标启动资源c与簇心资源a的距离比目标启动资源c与簇心资源b的距离更近,则将目标启动资源c与簇心资源a进行汇集,再随机从未被选取的启动资源中选取目标启动资源d,若目标启动资源d与簇心资源a的距离比目标启动资源d与簇心资源b的距离更近,则将目标启动资源d与簇心资源a进行汇集。
同时,继续随机地从未被选取的启动资源选取目标启动资源e,若目标启动资源e与簇心资源b的距离比目标启动资源e与簇心资源a的距离更近,则将目标启动资源e与簇心资源b进行汇集,再随机从未被选取的启动资源中选取目标启动资源f,若目标启动资源f与簇心资源b的距离比目标启动资源f与簇心资源a的距离更近,则将目标启动资源f与簇心资源b进行汇集。
详细地,所述分别计算所述启动资源集中未被选取的启动资源与所述多个簇心资源的距离,包括:
利用如下距离算法计算所述启动资源集中未被选取的启动资源与所述多个簇心资源的距离d(A,B)2:
d(A,B)2=‖A-B‖2
其中,A为所述启动资源集中任一未被选取的启动资源,B为任一簇心资源。
S3、获取用户数据集,对所述用户数据集进行分词处理,得到分词集。
本发明实施例中,所述用户数据集包括用户的年龄、职位、性别和爱好等数据。
本发明实施例可利用具有数据抓取功能的python语句从用于存储用户数据集的区块链节点中获取所述用户数据集,利用区块链节点对数据的高吞吐性,可提高获取用户数据集的效率。
本发明实施例中,所述对所述用户数据集进行分词处理,得到分词集,包括:
删除所述用户数据集中包含的敏感数据;
利用预设标准词典对去除敏感数据后的用户数据集进行分词处理,得到分词集。
实际应用中,由于所述用户数据集中可能包含一些私密信息,如,用户手机号,用户住址等数据,因此,本发明实施例对用户数据集中包含的敏感数据进行删除,可提高对用户数据集进行处理时的安全性。
具体地,所述标准词典可由用户给定,所述标准词典中包含多个标准的分词。
本发明实施例对用户数据集进行分词处理,可将长度较大的业务数据划分为多个分词,通过对多个分词进行分析处理相比直接对用户数据进行处理的效率和准确性更高。
S4、利用特征筛选模型对所述分词集进行特征筛选,得到特征分词集。
本发明实施例中,所述征分词筛选模型为具有分类功能的VGG网络,所述VGG网络中包含多个以级联方式连接的卷积核。
具体的,VGG网络中利用多个级联的尺寸小于等于预设尺寸的卷积核替代传统的一个较大卷积核对分词集进行特征提取。
所述预设尺寸可以为3X3的卷积核。所述级联的卷积核可以为4个3X3的卷积核。
详细地,所述利用特征筛选模型对所述分词集进行特征筛选,得到特征分词集,包括:
利用所述特征筛选模型中的前向卷积核对所述分词集进行卷积,得到前向分词特征;
利用所述特征筛选模型中的后向卷积核对所述前向分词特征进行卷积,得到后向分词特征;
对获得的前向分词特征和后向分词特征进行特征融合,得到融合分词特征;
利用筛选算法对所述融合分词特征进行特征筛选,得到特征分词集。
详细地,所述筛选算法包括但不限于softmax激活函数,利用筛选算法可计算得到融合分词特征为预设的目标类别的目标类别概率,当所述目标类别概率大于预设目标概率阈值时,确定所述分类结果为特征分词,当所述目标类别概率小于或等于预设目标概率阈值时,确定所述分类结果为非特征分词。
具体地,所述前向卷积核与所述后向卷积核是相对而言的,例如,特征分词筛选模型包括4个级联的卷积核,第一个对分词集进行卷积的卷积核相对于第二个对分词集进行卷积的卷积核、第三个对分词集进行卷积的卷积核和第四个对分词集进行卷积的卷积核来说是前向卷积核;第二个对标准分词集进行卷积的卷积核相对于第一个对分词集进行卷积的卷积核来说是后向卷积核,依此类推。
当前向卷积核为初始卷积核时,后向卷积对前向得到的结果(前向分词特征)进行卷积,得到后向分词特征。
当前向卷积核不为初始卷积通道时,后向卷积对前向得到的结果(前向分词特征)进行卷积,得到后向分词特征。
具体地,例如,在第一卷积核中对所述分词集进行卷积,得到第一分词特征;
在第二卷积核中对所述第一分词特征进行卷积,得到第二分词特征;
在第三卷积核中对所述第二分词特征进行卷积,得到第三分词特征;
在第四卷积核中对所述第三分词特征进行卷积,得到第四分词特征;
对所述第一分词特征、所述第二分词特征、所述第三分词特征和所述第四分词特征进行特征融合得到融合分词特征,并利用特征筛选算法对所述融合分词特征进行特征筛选,得到特征分词。
本发明实施例使用多个并行子网络构建特征分词筛选模型,可实现对分词集的筛选,且在特征分词筛选模型中利用多个较小的级联卷积核替换普通的一个较大卷积核对分词集进行特征提取,可保留感受野的同时增加特征分词筛选模型的非线性能力,提高特征分词筛选模型进行筛选的精确度。
S5、利用所述特征分词集构建所述用户数据集中各用户数据的用户特征向量。
本发明实施例中,所述利用所述特征分词集构建所述用户数据集中各用户数据的用户特征向量,包括:
计算所述特征分词集中各特征分词的特征指标;
将所述特征分词集中每个特征分词转换为词向量,得到词向量集;
将所述词向量集中的词向量与所述特征分词集中每个特征分词的特征指标进行算术运算,得到每个特征分词的特征向量。
详细地,所述计算所述特征分词集中各特征分词的特征指标,包括:
利用如下特征指标计算所述特征分词集中各特征分词的特征指标:
TD=TFi×IDFi
其中,TFi为分词i在所述分词集中出现的频率,IDFi为分词i在所述分词集中出现的频率的相反值。
进一步地,所述将所述特征分词集中每个特征分词转换为词向量,得到词向量集,包括:
获取预先存储的所述特征分词集中每个特征分词对应的字节向量集,其中,所述字节向量集中包含每个特征分词中每个字节的字节向量;
将每个特征分词对应的字节向量集中的字节向量分别进行拼接,得到所述词向量集。
具体地,所述将所述词向量集中的词向量与所述特征分词集中每个特征分词的特征指标进行算术运算具体包括:
将所述词向量集中的词向量与所述特征分词集中每个特征分词的特征指标进行相乘并加总,得到用户特征向量。
例如,特征分词集中存在特征分词1对应的词向量为A、特征分词2对应的词向量为B和特征分词3对应的词向量为C;特征分词1对应的分词指标为a,特征分词2对应的分词指标为b,特征分词3对应的分词指标为c,则将每个特征分词对应的词向量和每个特征分词对应的分词指标进行算术运算,得到用户特征向量为A*a+B*b+C*c。
由于不同用户数据的特征分词集中包含多个分词,且不同特征分词的分词指标不相同,因此利用特征分词集与特征分词集中每个分词对应的分词指标构建出的用户数据的用户特征向量,可唯一标识该用户数据的特征,避免后续在对用户特征向量进行分析时出现用户数据与用户特征向量关系不明确的情况,有利于提高后续对用户特征向量进行分析的精确度。
S6、计算所述多个启动资源子集的类型标签和所述用户特征向量的距离值,确定所述距离值小于距离阈值的类型标签对应的启动资源子集为待加载启动资源。
本发明实施例中,所述计算所述多个启动资源子集的类型标签和所述用户特征向量的距离值,包括:
利用如下距离算法计算所述多个启动资源子集的类型标签和所述用户特征向量的距离值:
其中,L(X,Y)为所述距离值,X为所述用户特征向量,Yi为所述多个启动资源子集中第i个启动资源子集的类型标签。
进一步地,本发明实施例确定所述距离值小于距离阈值的类型标签对应的启动资源子集为待加载启动资源,例如,存在业务特征向量1、业务特征向量2、业务特征向量3和业务特征向量4,其中,业务特征向量1的类型标签与人员特征的距离值为40,业务特征向量2的类型标签与用户特征向量的距离值为50,业务特征向量3的类型标签与用户特征向量的距离值为60,业务特征向量4的类型标签与用户特征向量的距离值为70;若距离阈值为55,则确定业务特征向量1和业务特征向量2为待加载启动资源。
本发明实施例计算用户特征向量和多个启动资源子集的类型标签的距离值,根据距离值从多个启动资源子集中筛选出与用户特征向量相应的启动资源子集,可提高选择出的启动资源子集与用户特征向量的匹配性。
S7、当监测到应用的启动指令时,在应用的启动页面加载所述待加载启动资源。
本发明实施例中,所述应用的启动指令为用户在启动应用时向应用发送的指令,例如,用户以点击淘宝应用的方式向淘宝应用发送的启动指令。
详细地,本发明实施例使用ASM增强字节码过滤器监测用户发送的启动指令,所述ASM增强字节码过滤器是一款基于java字节码层面的代码分析工具,利用ASM增强字节码过滤器对用户发送的启动指令进行监测,可提高用户请求监测的成功率。
当监测到应用的启动指令时,本发明实施例在应用的启动页面加载所述待加载启动资源。
具体地,所述在应用的启动页面加载所述待加载启动资源,包括:
配置所述待加载启动资源的API接口;
利用所述API接口调用所述待加载启动资源;
将所述待加载启动资源加载至所述应用的启动页面。
本发明实施例中,所述配置所述待加载启动资源的API接口,包括对所述API接口的调用规则、数据传输参数和数据传输类型等进行配置。本发明实施例可通过执行预先获取的配置脚本对所述API接口进行配置。
进一步地,本发明实施例通过所述API接口调用所述待加载启动资源,包括:通过所述API接口利用java中的NewsJSInjectionComplete方法和NewsReady方法调用所述待加载启动资源,并将待加载启动资源加载至所述应用的启动页面。
本发明实施例通过对启动资源的类型划分,可实现对启动资源的分类,有利于针对不同用户匹配不同类型的启动资源,提高启动资源推荐的精确度;对用户数据集进行分词处理和特征筛选,并利用特征筛选结果构建用户特征向量,实现了从用户数据中提取出用户特征,有利于后续根据用户特征选择与用户符合的启动资源,以实现个性化的对用户进行资源推荐;计算启动资源子集的类型标签和用户特征向量的距离值,可实现根据距离值精确的筛选出与用户个性化特征相应的启动资源。因此本发明提出的基于应用启动画面的资源推荐方法,可以解决资源推荐不能满足用户个性化需求的问题。
如图2所示,是本发明一实施例提供的基于应用启动画面的资源推荐装置的功能模块图。
本发明所述基于应用启动画面的资源推荐装置100可以安装于电子设备中。根据实现的功能,所述基于应用启动画面的资源推荐装置100可以包括资源获取模块101、资源划分模块102、分词模块103、特征筛选模块104、向量构建模块105、资源筛选模块106和资源推荐模块107。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述资源获取模块101,用于获取应用的启动资源集,所述启动资源集包括多个启动资源和所述多个启动资源对应的类型标签。
本发明实施例中,所述应用包括任何手机app应用,例如,淘宝、微信和微博等。
详细地,所述启动资源集包括多个启动资源和所述多个启动资源对应的类型标签。所述启动资源包括应用启动时启动页面中可加载并展示的文字、图像或视频等资源,例如,淘宝启动时启动页面加载并展示的广告。
本发明实施例可利用具有数据抓取功能的python语句从互联网(如,Internet网)中抓取启动资源集,所述启动资源集中多个启动资源对应类型标签可由启动资源中的关键词生成。
例如,启动资源集包括待广告A和广告B,广告A中包括关键词家居、日常用品,则广告A的类型标签为生活广告;广告B中包括关键词游戏、游戏发布、玩家评测,则广告B的类型标签为游戏广告。
所述资源划分模块102,用于将所述启动资源集按照所述类型标签划分为多个启动资源子集。
本发明实施例中,所述资源划分模块102具体用于:
随机从所述启动资源集中选取预设数量的启动资源作为多个簇心资源;
分别计算所述启动资源集中未被选取的启动资源与所述多个簇心资源的距离;
依次从所述未被选取的启动资源中选取目标启动资源与待汇集簇心资源进行汇集,直至所有未被选取的启动资源完成汇集,其中,所述待汇集簇心资源为所述多个簇心资源中与所述目标启动资源之间距离最小的簇心资源。
例如,当所述启动资源集中包含a,b,c,d,e,f六个启动资源,随机选择a和b作为簇心资源,分别计算未被选取的启动资源中c,d,e,f与a和b的距离,当距离计算完成后,随机从未被选取的启动资源中选取目标启动资源c,若目标启动资源c与簇心资源a的距离比目标启动资源c与簇心资源b的距离更近,则将目标启动资源c与簇心资源a进行汇集,再随机从未被选取的启动资源中选取目标启动资源d,若目标启动资源d与簇心资源a的距离比目标启动资源d与簇心资源b的距离更近,则将目标启动资源d与簇心资源a进行汇集。
同时,继续随机地从未被选取的启动资源选取目标启动资源e,若目标启动资源e与簇心资源b的距离比目标启动资源e与簇心资源a的距离更近,则将目标启动资源e与簇心资源b进行汇集,再随机从未被选取的启动资源中选取目标启动资源f,若目标启动资源f与簇心资源b的距离比目标启动资源f与簇心资源a的距离更近,则将目标启动资源f与簇心资源b进行汇集。
详细地,所述分别计算所述启动资源集中未被选取的启动资源与所述多个簇心资源的距离,包括:
利用如下距离算法计算所述启动资源集中未被选取的启动资源与所述多个簇心资源的距离d(A,B)2:
d(A,B)2=‖A-B‖2
其中,A为所述启动资源集中任一未被选取的启动资源,B为任一簇心资源。
所述分词模块103,用于获取用户数据集,对所述用户数据集进行分词处理,得到分词集。
本发明实施例中,所述用户数据集包括用户的年龄、职位、性别和爱好等数据。
本发明实施例可利用具有数据抓取功能的python语句从用于存储用户数据集的区块链节点中获取所述用户数据集,利用区块链节点对数据的高吞吐性,可提高获取用户数据集的效率。
本发明实施例中,所述分词模块103具体用于:
获取用户数据集;
删除所述用户数据集中包含的敏感数据;
利用预设标准词典对去除敏感数据后的用户数据集进行分词处理,得到分词集。
实际应用中,由于所述用户数据集中可能包含一些私密信息,如,用户手机号,用户住址等数据,因此,本发明实施例对用户数据集中包含的敏感数据进行删除,可提高对用户数据集进行处理时的安全性。
具体地,所述标准词典可由用户给定,所述标准词典中包含多个标准的分词。
本发明实施例对用户数据集进行分词处理,可将长度较大的业务数据划分为多个分词,通过对多个分词进行分析处理相比直接对用户数据进行处理的效率和准确性更高。
所述特征筛选模块104,用于利用特征筛选模型对所述分词集进行特征筛选,得到特征分词集。
本发明实施例中,所述征分词筛选模型为具有分类功能的VGG网络,所述VGG网络中包含多个以级联方式连接的卷积核。
具体的,VGG网络中利用多个级联的尺寸小于等于预设尺寸的卷积核替代传统的一个较大卷积核对分词集进行特征提取。
所述预设尺寸可以为3X3的卷积核。所述级联的卷积核可以为4个3X3的卷积核。
详细地,所述特征筛选模块104具体用于:
利用所述特征筛选模型中的前向卷积核对所述分词集进行卷积,得到前向分词特征;
利用所述特征筛选模型中的后向卷积核对所述前向分词特征进行卷积,得到后向分词特征;
对获得的前向分词特征和后向分词特征进行特征融合,得到融合分词特征;
利用筛选算法对所述融合分词特征进行特征筛选,得到特征分词集。
详细地,所述筛选算法包括但不限于softmax激活函数,利用筛选算法可计算得到融合分词特征为预设的目标类别的目标类别概率,当所述目标类别概率大于预设目标概率阈值时,确定所述分类结果为特征分词,当所述目标类别概率小于或等于预设目标概率阈值时,确定所述分类结果为非特征分词。
具体地,所述前向卷积核与所述后向卷积核是相对而言的,例如,特征分词筛选模型包括4个级联的卷积核,第一个对分词集进行卷积的卷积核相对于第二个对分词集进行卷积的卷积核、第三个对分词集进行卷积的卷积核和第四个对分词集进行卷积的卷积核来说是前向卷积核;第二个对标准分词集进行卷积的卷积核相对于第一个对分词集进行卷积的卷积核来说是后向卷积核,依此类推。
当前向卷积核为初始卷积核时,后向卷积对前向得到的结果(前向分词特征)进行卷积,得到后向分词特征。
当前向卷积核不为初始卷积通道时,后向卷积对前向得到的结果(前向分词特征)进行卷积,得到后向分词特征。
具体地,例如,在第一卷积核中对所述分词集进行卷积,得到第一分词特征;
在第二卷积核中对所述第一分词特征进行卷积,得到第二分词特征;
在第三卷积核中对所述第二分词特征进行卷积,得到第三分词特征;
在第四卷积核中对所述第三分词特征进行卷积,得到第四分词特征;
对所述第一分词特征、所述第二分词特征、所述第三分词特征和所述第四分词特征进行特征融合得到融合分词特征,并利用特征筛选算法对所述融合分词特征进行特征筛选,得到特征分词。
本发明实施例使用多个并行子网络构建特征分词筛选模型,可实现对分词集的筛选,且在特征分词筛选模型中利用多个较小的级联卷积核替换普通的一个较大卷积核对分词集进行特征提取,可保留感受野的同时增加特征分词筛选模型的非线性能力,提高特征分词筛选模型进行筛选的精确度。
所述向量构建模块105,用于利用所述特征分词集构建所述用户数据集中各用户数据的用户特征向量。
本发明实施例中,所述向量构建模块105具体用于:
计算所述特征分词集中各特征分词的特征指标;
将所述特征分词集中每个特征分词转换为词向量,得到词向量集;
将所述词向量集中的词向量与所述特征分词集中每个特征分词的特征指标进行算术运算,得到每个特征分词的特征向量。
详细地,所述计算所述特征分词集中各特征分词的特征指标,包括:
利用如下特征指标计算所述特征分词集中各特征分词的特征指标:
TD=TFi×IDFi
其中,TFi为分词i在所述分词集中出现的频率,IDFi为分词i在所述分词集中出现的频率的相反值。
进一步地,所述将所述特征分词集中每个特征分词转换为词向量,得到词向量集,包括:
获取预先存储的所述特征分词集中每个特征分词对应的字节向量集,其中,所述字节向量集中包含每个特征分词中每个字节的字节向量;
将每个特征分词对应的字节向量集中的字节向量分别进行拼接,得到所述词向量集。
具体地,所述将所述词向量集中的词向量与所述特征分词集中每个特征分词的特征指标进行算术运算具体包括:
将所述词向量集中的词向量与所述特征分词集中每个特征分词的特征指标进行相乘并加总,得到用户特征向量。
例如,特征分词集中存在特征分词1对应的词向量为A、特征分词2对应的词向量为B和特征分词3对应的词向量为C;特征分词1对应的分词指标为a,特征分词2对应的分词指标为b,特征分词3对应的分词指标为c,则将每个特征分词对应的词向量和每个特征分词对应的分词指标进行算术运算,得到用户特征向量为A*a+B*b+C*c。
由于不同用户数据的特征分词集中包含多个分词,且不同特征分词的分词指标不相同,因此利用特征分词集与特征分词集中每个分词对应的分词指标构建出的用户数据的用户特征向量,可唯一标识该用户数据的特征,避免后续在对用户特征向量进行分析时出现用户数据与用户特征向量关系不明确的情况,有利于提高后续对用户特征向量进行分析的精确度。
所述资源筛选模块106,用于计算所述多个启动资源子集的类型标签和所述用户特征向量的距离值,确定所述距离值小于距离阈值的类型标签对应的启动资源子集为待加载启动资源。
本发明实施例中,所述资源筛选模块106具体用于:
利用如下距离算法计算所述多个启动资源子集的类型标签和所述用户特征向量的距离值:
其中,L(X,Y)为所述距离值,X为所述用户特征向量,Yi为所述多个启动资源子集中第i个启动资源子集的类型标签。
进一步地,本发明实施例确定所述距离值小于距离阈值的类型标签对应的启动资源子集为待加载启动资源,例如,存在业务特征向量1、业务特征向量2、业务特征向量3和业务特征向量4,其中,业务特征向量1的类型标签与人员特征的距离值为40,业务特征向量2的类型标签与用户特征向量的距离值为50,业务特征向量3的类型标签与用户特征向量的距离值为60,业务特征向量4的类型标签与用户特征向量的距离值为70;若距离阈值为55,则确定业务特征向量1和业务特征向量2为待加载启动资源。
本发明实施例计算用户特征向量和多个启动资源子集的类型标签的距离值,根据距离值从多个启动资源子集中筛选出与用户特征向量相应的启动资源子集,可提高选择出的启动资源子集与用户特征向量的匹配性。
所述资源推荐模块107,用于当监测到应用的启动指令时,在应用的启动页面加载所述待加载启动资源。
本发明实施例中,所述应用的启动指令为用户在启动应用时向应用发送的指令,例如,用户以点击淘宝应用的方式向淘宝应用发送的启动指令。
详细地,本发明实施例使用ASM增强字节码过滤器监测用户发送的启动指令,所述ASM增强字节码过滤器是一款基于java字节码层面的代码分析工具,利用ASM增强字节码过滤器对用户发送的启动指令进行监测,可提高用户请求监测的成功率。
当监测到应用的启动指令时,本发明实施例在应用的启动页面加载所述待加载启动资源。
具体地,所述资源推荐模块107具体用于:
当监测到应用的启动指令时,配置所述待加载启动资源的API接口;
利用所述API接口调用所述待加载启动资源;
将所述待加载启动资源加载至所述应用的启动页面。
本发明实施例中,所述配置所述待加载启动资源的API接口,包括对所述API接口的调用规则、数据传输参数和数据传输类型等进行配置。本发明实施例可通过执行预先获取的配置脚本对所述API接口进行配置。
进一步地,本发明实施例通过所述API接口调用所述待加载启动资源,包括:通过所述API接口利用java中的NewsJSInjectionComplete方法和NewsReady方法调用所述待加载启动资源,并将待加载启动资源加载至所述应用的启动页面。
本发明实施例通过对启动资源的类型划分,可实现对启动资源的分类,有利于针对不同用户匹配不同类型的启动资源,提高启动资源推荐的精确度;对用户数据集进行分词处理和特征筛选,并利用特征筛选结果构建用户特征向量,实现了从用户数据中提取出用户特征,有利于后续根据用户特征选择与用户符合的启动资源,以实现个性化的对用户进行资源推荐;计算启动资源子集的类型标签和用户特征向量的距离值,可实现根据距离值精确的筛选出与用户个性化特征相应的启动资源。因此本发明提出的基于应用启动画面的资源推荐装置,可以解决资源推荐不能满足用户个性化需求的问题。
如图3所示,是本发明一实施例提供的实现基于应用启动画面的资源推荐方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于应用启动画面的资源推荐程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于应用启动画面的资源推荐程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于应用启动画面的资源推荐程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于应用启动画面的资源推荐程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取应用的启动资源集,所述启动资源集包括多个启动资源和所述多个启动资源对应的类型标签;
将所述启动资源集按照所述类型标签划分为多个启动资源子集;
获取用户数据集,对所述用户数据集进行分词处理,得到分词集;
利用特征筛选模型对所述分词集进行特征筛选,得到特征分词集;
利用所述特征分词集构建所述用户数据集中各用户数据的用户特征向量;
计算所述多个启动资源子集的类型标签和所述用户特征向量的距离值,确定所述距离值小于距离阈值的类型标签对应的启动资源子集为待加载启动资源;
当监测到应用的启动指令时,在应用的启动页面加载所述待加载启动资源。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取应用的启动资源集,所述启动资源集包括多个启动资源和所述多个启动资源对应的类型标签;
将所述启动资源集按照所述类型标签划分为多个启动资源子集;
获取用户数据集,对所述用户数据集进行分词处理,得到分词集;
利用特征筛选模型对所述分词集进行特征筛选,得到特征分词集;
利用所述特征分词集构建所述用户数据集中各用户数据的用户特征向量;
计算所述多个启动资源子集的类型标签和所述用户特征向量的距离值,确定所述距离值小于距离阈值的类型标签对应的启动资源子集为待加载启动资源;
当监测到应用的启动指令时,在应用的启动页面加载所述待加载启动资源。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于应用启动画面的资源推荐方法,其特征在于,所述方法包括:
获取应用的启动资源集,所述启动资源集包括多个启动资源和所述多个启动资源对应的类型标签;
将所述启动资源集按照所述类型标签划分为多个启动资源子集;
获取用户数据集,对所述用户数据集进行分词处理,得到分词集;
利用特征筛选模型对所述分词集进行特征筛选,得到特征分词集;
利用所述特征分词集构建所述用户数据集中各用户数据的用户特征向量;
计算所述多个启动资源子集的类型标签和所述用户特征向量的距离值,确定所述距离值小于距离阈值的类型标签对应的启动资源子集为待加载启动资源;
当监测到应用的启动指令时,在应用的启动页面加载所述待加载启动资源。
2.如权利要求1所述的基于应用启动画面的资源推荐方法,其特征在于,所述将所述启动资源集按照所述类型标签划分为多个启动资源子集,包括:
随机从所述启动资源集中选取预设数量的启动资源作为多个簇心资源;
分别计算所述启动资源集中未被选取的启动资源与所述多个簇心资源的距离;
依次从所述未被选取的启动资源中选取目标启动资源与待汇集簇心资源进行汇集,直至所有未被选取的启动资源完成汇集,其中,所述待汇集簇心资源为所述多个簇心资源中与所述目标启动资源之间距离最小的簇心资源。
3.如权利要求1所述的基于应用启动画面的资源推荐方法,其特征在于,所述对所述用户数据集进行分词处理,得到分词集,包括:
删除所述用户数据集中包含的敏感数据;
利用预设标准词典对去除敏感数据后的用户数据集进行分词处理,得到分词集。
4.如权利要求1所述的基于应用启动画面的资源推荐方法,其特征在于,所述利用特征筛选模型对所述分词集进行特征筛选,得到特征分词集,包括:
利用所述特征筛选模型中的前向卷积核对所述分词集进行卷积,得到前向分词特征;
利用所述特征筛选模型中的后向卷积核对所述前向分词特征进行卷积,得到后向分词特征;
对获得的前向分词特征和后向分词特征进行特征融合,得到融合分词特征;
利用筛选算法对所述融合分词特征进行特征筛选,得到特征分词集。
5.如权利要求1至4中任一项所述的基于应用启动画面的资源推荐方法,其特征在于,所述利用所述特征分词集构建所述用户数据集中各用户数据的用户特征向量,包括:
计算所述特征分词集中各特征分词的特征指标;
将所述特征分词集中每个特征分词转换为词向量,得到词向量集;
将所述词向量集中的词向量与所述特征分词集中每个特征分词的特征指标进行算术运算,得到每个特征分词的特征向量。
6.如权利要求5所述的基于应用启动画面的资源推荐方法,其特征在于,所述将所述特征分词集中每个特征分词转换为词向量,得到词向量集,包括:
获取预先存储的所述特征分词集中每个特征分词对应的字节向量集,其中,所述字节向量集中包含每个特征分词中每个字节的字节向量;
将每个特征分词对应的字节向量集中的字节向量分别进行拼接,得到所述词向量集。
7.如权利要求1所述的基于应用启动画面的资源推荐方法,其特征在于,所述在应用的启动页面加载所述待加载启动资源,包括:
配置所述待加载启动资源的API接口;
利用所述API接口调用所述待加载启动资源;
将所述待加载启动资源加载至所述应用的启动页面。
8.一种基于应用启动画面的资源推荐装置,其特征在于,所述装置包括:
资源获取模块,用于获取应用的启动资源集,所述启动资源集包括多个启动资源和所述多个启动资源对应的类型标签;
资源划分模块,用于将所述启动资源集按照所述类型标签划分为多个启动资源子集;
分词模块,用于获取用户数据集,对所述用户数据集进行分词处理,得到分词集;
特征筛选模块,用于利用特征筛选模型对所述分词集进行特征筛选,得到特征分词集;
向量构建模块,用于利用所述特征分词集构建所述用户数据集中各用户数据的用户特征向量;
资源筛选模块,用于计算所述多个启动资源子集的类型标签和所述用户特征向量的距离值,确定所述距离值小于距离阈值的类型标签对应的启动资源子集为待加载启动资源;
资源推荐模块,用于当监测到应用的启动指令时,在应用的启动页面加载所述待加载启动资源。
9.一种电子设备,其特征在于,所述电子设备包括:
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如权利要求1至7中任意一项所述的基于应用启动画面的资源推荐方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于应用启动画面的资源推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011528836.0A CN112559875A (zh) | 2020-12-22 | 2020-12-22 | 基于应用启动画面的资源推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011528836.0A CN112559875A (zh) | 2020-12-22 | 2020-12-22 | 基于应用启动画面的资源推荐方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112559875A true CN112559875A (zh) | 2021-03-26 |
Family
ID=75031312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011528836.0A Pending CN112559875A (zh) | 2020-12-22 | 2020-12-22 | 基于应用启动画面的资源推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112559875A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106775805A (zh) * | 2016-11-18 | 2017-05-31 | 三星电子(中国)研发中心 | 一种应用程序启动空白时间的应用方法及系统 |
CN107357591A (zh) * | 2017-07-25 | 2017-11-17 | 努比亚技术有限公司 | 应用程序的界面植入方法、移动终端及存储介质 |
CN110704739A (zh) * | 2019-09-30 | 2020-01-17 | 汉海信息技术(上海)有限公司 | 资源推荐方法、装置及计算机存储介质 |
CN111177570A (zh) * | 2020-01-13 | 2020-05-19 | 中国传媒大学 | 对象推荐方法及系统 |
-
2020
- 2020-12-22 CN CN202011528836.0A patent/CN112559875A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106775805A (zh) * | 2016-11-18 | 2017-05-31 | 三星电子(中国)研发中心 | 一种应用程序启动空白时间的应用方法及系统 |
CN107357591A (zh) * | 2017-07-25 | 2017-11-17 | 努比亚技术有限公司 | 应用程序的界面植入方法、移动终端及存储介质 |
CN110704739A (zh) * | 2019-09-30 | 2020-01-17 | 汉海信息技术(上海)有限公司 | 资源推荐方法、装置及计算机存储介质 |
CN111177570A (zh) * | 2020-01-13 | 2020-05-19 | 中国传媒大学 | 对象推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
CN112541745A (zh) | 用户行为数据分析方法、装置、电子设备及可读存储介质 | |
CN113449187A (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
CN112733023A (zh) | 资讯推送方法、装置、电子设备及计算机可读存储介质 | |
CN112733531B (zh) | 虚拟资源分配方法、装置、电子设备及计算机存储介质 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
CN113592605A (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN113360803A (zh) | 基于用户行为的数据缓存方法、装置、设备及存储介质 | |
CN116405712A (zh) | 基于ott视频的多媒体推送方法、装置、设备及存储介质 | |
CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN113505273B (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
CN111930897B (zh) | 专利检索方法、装置、电子设备及计算机可读存储介质 | |
CN113362162A (zh) | 基于网络行为数据的风控识别方法、装置、电子设备及介质 | |
CN111652282B (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN113344673A (zh) | 产品推送方法、装置、电子设备及存储介质 | |
CN113706249B (zh) | 数据推荐方法、装置、电子设备及存储介质 | |
CN115238179A (zh) | 项目推送方法、装置、电子设备及计算机可读存储介质 | |
CN115186188A (zh) | 基于行为分析的产品推荐方法、装置、设备及存储介质 | |
CN112559875A (zh) | 基于应用启动画面的资源推荐方法、装置、设备及介质 | |
CN114840388A (zh) | 数据监控方法、装置、电子设备及存储介质 | |
CN113987206A (zh) | 异常用户的识别方法、装置、设备及存储介质 | |
CN113656690A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN113343102A (zh) | 基于特征筛选的数据推荐方法、装置、电子设备及介质 |
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 |