CN113407854A - 一种应用推荐方法、装置、设备及计算机可读存储介质 - Google Patents
一种应用推荐方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113407854A CN113407854A CN202110813236.7A CN202110813236A CN113407854A CN 113407854 A CN113407854 A CN 113407854A CN 202110813236 A CN202110813236 A CN 202110813236A CN 113407854 A CN113407854 A CN 113407854A
- Authority
- CN
- China
- Prior art keywords
- application
- sample
- recommended
- recommendation
- information
- 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 49
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 11
- 239000000725 suspension Substances 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 21
- 230000006399 behavior Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 210000001747 pupil Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F16/9535—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
- G06F16/95—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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于计算机技术领域，提供了一种应用推荐方法、装置、设备及计算机可读存储介质，所述方法包括：获取目标用户的用户信息和待推荐应用的特征数据，以及获取待推荐应用的平台盈利价格信息；根据用户信息和特征数据确定目标用户对待推荐应用的点击率估值；根据点击率估值和盈利价格信息确定待推荐应用的推荐分值；根据推荐分值推荐待推荐应用。上述方法，不仅仅从用户体验出发，在推荐时，不仅对用户行为的进行分析，并且也考虑到了推荐平台的利益，一方面保证用户体验，另一方面也可以有效利用有限的推荐位置提升商业化营收，能够进行更全面的应用推荐。
Description
技术领域
本申请属于计算机技术领域，尤其涉及一种应用推荐方法、装置、设备及计算机可读存储介质。
背景技术
在大数据时代，应用推荐系统通过挖掘用户的喜好，一方面可以提升公司的商业化收入，另一方面可以提升用户的使用体验。在进行应用推荐时，常用的推荐算法有很多种，例如，基于业务的关联规则推荐、基于大数据的行为推荐、基于机器学习的线性模型推荐以及基于深度学习的神经网络模型推荐。但是，上述的推荐方法，仅从用户体验出发，更多的侧重于对用户行为的分析，没有考虑到推荐平台的利益，不能全面的进行应用的推荐。
发明内容
本申请实施例提供了一种应用推荐方法、装置、设备及计算机可读存储介质，可以解决上述问题。
第一方面，本申请实施例提供了一种应用推荐方法，包括：
获取目标用户的用户信息和待推荐应用的特征数据，以及获取所述待推荐应用的平台盈利价格信息；
根据所述用户信息和所述特征数据确定所述目标用户对所述待推荐应用的点击率估值；
根据所述点击率估值和所述平台盈利价格信息确定所述待推荐应用的推荐分值；
根据所述推荐分值推荐所述待推荐应用。
进一步地，所述根据所述用户信息和所述特征数据确定所述目标用户对所述待推荐应用的点击率估值，包括：
将所述用户信息和所述特征数据输入经过训练的点击率预测模型进行处理，得到所述目标用户对所述待推荐应用的点击率估值。
进一步地，在所述将所述用户信息和所述特征数据输入经过训练的点击率预测模型进行处理，得到所述目标用户对所述待推荐应用的点击率估值之前，还包括：
获取样本训练集；所述样本训练集包括样本用户信息、样本应用的样本特征数据及其对应的点击率标签；
使用所述样本训练集对初始神经网络模型进行训练，得到经过训练的点击率预测模型。
进一步地，所述获取样本训练集，包括：
获取样本用户信息，以及获取样本应用的类别性特征信息和连续值特征信息；
根据所述类别性特征信息和所述连续值特征信息确定样本应用的样本特征数据。
进一步地，所述使用所述样本训练集对初始神经网络模型进行训练，得到经过训练的点击率预测模型进行处理，包括：
将所述样本用户信息和所述样本应用的样本特征数据输入初始神经网络模型进行处理，得到所述样本用户信息和所述样本应用二者对应的样本点击率；
根据所述样本点击率、所述点击率标签和预设损失函数，计算目标损失值；
若所述目标损失值不满足预设中止条件，则根据所述目标损失值对所述初始神经网络模型进行更新，并返回执行将所述样本用户信息和所述样本应用的样本特征数据输入初始神经网络模型进行处理，得到所述样本用户信息和所述样本应用二者对应的样本点击率；
若所述目标损失值满足预设中止条件，则输出经过训练的点击率预测模型。
进一步地，所述获取所述待推荐应用的平台盈利价格信息，包括：
获取所述待推荐应用的激活单价；
对所述激活单价进行归一化处理，得到所述待推荐应用的平台盈利价格信息。
进一步地，所述根据所述点击率估值和所述平台盈利价格信息确定所述待推荐应用的推荐分值，包括：
将所述点击率估值和所述平台盈利价格信息相乘，得到所述待推荐应用的推荐分值。
第二方面，本申请实施例提供了一种应用推荐装置，包括：
获取单元，用于获取目标用户的用户信息和待推荐应用的特征数据，以及获取所述待推荐应用的平台盈利价格信息；
第一确定单元，用于根据所述用户信息和所述特征数据确定所述目标用户对所述待推荐应用的点击率估值；
第二确定单元，用于根据所述点击率估值和所述平台盈利价格信息确定所述待推荐应用的推荐分值；
推荐单元，用于根据所述推荐分值推荐所述待推荐应用。
进一步地，所述第一确定单元，具体用于：
将所述用户信息和所述特征数据输入经过训练的点击率预测模型进行处理，得到所述目标用户对所述待推荐应用的点击率估值。
进一步地，所述第一确定单元，具体还用于：
获取样本训练集；所述样本训练集包括样本用户信息、样本应用的样本特征数据及其对应的点击率标签；
使用所述样本训练集对初始神经网络模型进行训练，得到经过训练的点击率预测模型。
进一步地，所述第一确定单元，具体还用于：
获取样本用户信息，以及获取样本应用的类别性特征信息和连续值特征信息；
根据所述类别性特征信息和所述连续值特征信息确定样本应用的样本特征数据。
进一步地，所述第一确定单元，具体还用于：
将所述样本用户信息和所述样本应用的样本特征数据输入初始神经网络模型进行处理，得到所述样本用户信息和所述样本应用二者对应的样本点击率；
根据所述样本点击率、所述点击率标签和预设损失函数，计算目标损失值；
若所述目标损失值不满足预设中止条件，则根据所述目标损失值对所述初始神经网络模型进行更新，并返回执行将所述样本用户信息和所述样本应用的样本特征数据输入初始神经网络模型进行处理，得到所述样本用户信息和所述样本应用二者对应的样本点击率；
若所述目标损失值满足预设中止条件，则输出经过训练的点击率预测模型。
进一步地，所述获取单元，具体用于：
获取所述待推荐应用的激活单价；
对所述激活单价进行归一化处理，得到所述待推荐应用的平台盈利价格信息。
进一步地，所述第二确定单元，具体用于：
将所述点击率估值和所述平台盈利价格信息相乘，得到所述待推荐应用的推荐分值。
第三方面，本申请实施例提供了一种应用推荐设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的应用推荐方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，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时实现如上述第一方面所述的应用推荐方法。
本申请实施例中，获取目标用户的用户信息和待推荐应用的特征数据，以及获取待推荐应用的平台盈利价格信息；根据用户信息和特征数据确定目标用户对待推荐应用的点击率估值；根据点击率估值和盈利价格信息确定待推荐应用的推荐分值；根据推荐分值推荐待推荐应用。上述方法，不仅仅从用户体验出发，在推荐时，不仅对用户行为的进行分析，并且也考虑到了推荐平台的利益，一方面保证用户体验，另一方面也可以有效利用有限的推荐位置提升商业化营收，能够进行更全面的应用推荐。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请第一实施例提供的一种应用推荐方法的示意流程图；
图2是本申请第二实施例提供的一种应用推荐装置的示意图；
图3是本申请第三实施例提供的应用推荐设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
请参见图1，图1是本申请第一实施例提供的一种应用推荐方法的示意流程图。本实施例中一种应用推荐方法的执行主体为具有应用推荐功能的设备，例如，服务器、台式电脑等等。在本实施例中，设备上搭载平台，用户访问平台，平台根据本实施例中的应用推荐方法推荐应用。其中，平台可以是专门推荐应用的平台，也可以是具有复合型功能的平台，例如，浏览器平台可以进行搜索浏览，也可以进行应用推荐。
如图1所示的数据质量监控方法可以包括：
S101：获取目标用户的用户信息和待推荐应用的特征数据，以及获取所述待推荐应用的平台盈利价格信息。
设备获取目标用户的用户信息，目标用户即为访问设备上应用推荐平台的用户，目标用户的用户信息为标识目标用户特征的信息，目标用户的用户信息可以包括用户标识、用户年龄、用户性别、设备型号、使用时长等等。
其中，设备可以通过用户在平台上的注册信息，以及设备通过用户登录平台的设备信息来获取目标用户的用户信息。
设备获取待推荐应用的特征数据。其中，待推荐应用即为本实施例应用推荐方法中的目标应用，本实施例中，需要计算出待推荐应用的推荐分数，根据推荐分数来决定待推荐应用的推荐策略，即，如何推荐该应用。待推荐应用的特征数据可以包括待推荐应用的所有的信息以及特征，具体来说，可以包括待推荐应用的适用人群、历史下载数量、应用大小、历史评价等等。
可见，设备获取目标用户的用户信息和待推荐应用的特征数据，是为了获取从用户角度出发的信息，这样在推荐时，可以保证用户体验。
设备从平台的角度出发，获取待推荐应用的平台盈利价格信息。具体来说，应用的商家在平台上投放应用，如果用户通过平台下载了这个商家的应用，那么商家需要向平台支付一定的费用，设备可以根据上述费用确定本实施例中的待推荐应用的平台盈利价格信息。本实施例中，从用户的角度出发，再结合待推荐应用的平台盈利价格信息，就可以在推荐应用时，既保证用户的体验，也能保证平台的利益。
由于不同应用的平台盈利单价差异较大，为避免应用的平台盈利单价对最终的推荐结果影响过大，本实施例中选择对平台盈利单价进行归一化处理，减小单价差异对推荐结果的影响。具体来说，设备获取待推荐应用的激活单价，其中，一个用户在平台上下载了对应的应用一次，那么对应的应用商家就会按次数给平台付费，这个费用叫做激活单价。设备对激活单价进行归一化处理，得到待推荐应用的平台盈利价格信息。
S102：根据所述用户信息和所述特征数据确定所述目标用户对所述待推荐应用的点击率估值。
设备根据用户信息和特征数据确定目标用户对待推荐应用的点击率估值，其中，目标用户对待推荐应用的点击率估值标识了目标用户对于待推荐应用的兴趣，也可以理解为目标用户喜欢待推荐应用的概率。
设备中预先存储了点击率估值的确定策略，设备根据点击率估值的确定策略、用户信息和特征数据确定目标用户对待推荐应用的点击率估值。
一种实施方式中，为了提升目标用户对待推荐应用的点击率估值的准确度，设备可以通过神经网络模型来确定目标用户对待推荐应用的点击率估值。设备将用户信息和特征数据输入经过训练的点击率预测模型进行处理，得到目标用户对待推荐应用的点击率估值。设备中预先存储经过训练的点击率预测模型，经过训练的点击率预测模型用于预测目标用户对待推荐应用的点击率估值。
点击率预测模型可以由其他设备进行预先训练，然后冻结训练好的点击率预测模型存储在设备中。也可以是设备通过样本训练集进行个性化训练，得到点击率预测模型。
其中，点击率预测模型可以包括输入层、隐含层、输出层(损失函数层)。输入层包括一个输入层节点，用于接收输入的用户信息和特征数据。隐含层用于对用户信息和特征数据进行处理，预测用户信息和特征数据二者对应的点击率估值。输出层用于输出目标用户对待推荐应用的点击率估值。
一种可能的实施方式中，点击率预测模型由本端设备预先进行训练，点击率预测模型的训练方法可以如下：
设备获取样本训练集，其中，样本训练集包括样本用户信息、样本应用的样本特征数据及其对应的点击率标签；使用样本训练集对初始神经网络模型进行训练，得到经过训练的点击率预测模型。
在训练过程中，将样本用户信息、样本应用的样本特征数据及其对应的点击率标签作为训练数据，将其输入初始神经网络模型，通过调整初始神经网络模型的损失函数和相关参数不断的完善模型，从而得到最终的点击率预测模型。其中，相关参数可以包括初始神经网络的隐层数值、学习率、batch_size等关键参数。
初始神经网络模型可以为DCN模型，DCN模型的交叉层相比较以往的模型可以更好的学习到高阶参数，同时计算量较少，计算效率高。在训练时，可以通过反向传播算法来进行拟合训练，这样训练得到的模型预测的更加准确。
具体来说，将样本用户信息和样本应用的样本特征数据输入初始神经网络模型进行处理，得到样本用户信息和所述样本应用二者对应的样本点击率。设备中预先存储预设损失函数，设备根据样本点击率、所述点击率标签和预设损失函数，计算目标损失值。若目标损失值不满足预设中止条件，则根据目标损失值对初始神经网络模型进行更新，并返回执行将样本用户信息和样本应用的样本特征数据输入初始神经网络模型进行处理，得到样本用户信息和样本应用二者对应的样本点击率；若目标损失值满足预设中止条件，则输出经过训练的点击率预测模型。
在获取样本训练集时，获取样本用户信息，以及获取样本应用的类别性特征信息和连续值特征信息，然后，根据类别性特征信息和连续值特征信息确定样本应用的样本特征数据。
其中，样本应用的类别性特征信息为样本应用适用的群体，例如，样本应用适用的群体可以包括小学生、中学生、老年人等等。设备可以对小学生、中学生、老年人等这样的群体进行类别编号，例如，适用小学生的话值视作0，使用中学生的话值视作1，那么对应的类别性特征信息即为0、1。
连续值特征信息可以包括样本应用的历史下载数量，例如，应用1的下载数量为100，连续值特征信息为100；应用2的下载数量为200，连续值特征信息为200。由于连续值特征信息的波动比较大，所以这里可以对连续值特征信息进行归一化处理，具体来说，可以按照下述公式进行归一化处理，得到归一化值：
归一化值＝(连续值特征信息最大值–连续值特征信息当前值)/(连续值特征信息最大值–连续值特征信息最小值)。
设备可以将类别性特征信息和连续值特征信息进行一个关联存储，作为样本应用的样本特征数据。
其中，可以理解的是，类别性特征信息和连续值特征信息都属于样本应用的属性信息，样本应用可以具有多个属性信息，例如，应用的大小、适用的设备等等，所以，本实施例中，样本应用的样本特征数据完全可以根据样本应用的属性信息来确定。
此外，为了保证样本的丰富性，提高最后得到的训练模型的准确度，在进行样本选择时，可以按照一定的比例选择正样本和负样本。本实施例中，正样本为具有点击样本应用行为的样本用户，负样本为不具有点击样本应用行为的样本用户，具体来说，正样本和负样本的比例可以为1:2.5左右。
S103：根据所述点击率估值和所述平台盈利价格信息确定所述待推荐应用的推荐分值。
设备根据点击率估值和平台盈利价格信息确定待推荐应用的推荐分值，即考虑用户和平台两个角度，对待推荐应用进行评分，得到推荐分值。
具体来说，设备可以将点击率估值和平台盈利价格信息相乘，得到所述待推荐应用的推荐分值。此外，设备也可以设置点击率估值和平台盈利价格信息对应的权重，根据预设的权重计算推荐分值。
S104：根据所述推荐分值推荐所述待推荐应用。
设备根据推荐分值推荐待推荐应用，具体来说，可以设置不同的分数范围对应的推荐策略，判断推荐分值属于哪一分数范围，从而确定待推荐应用的推荐策略。例如，设备可以设置分数90-100的应用的推荐策略为置顶推荐，并且弹出应用推荐动画，则当推荐分数为95时，设备可以将待推荐应用进行置顶推荐，并且弹出应用推荐动画。设备也可以设置分数低于20分的应用的推荐策略为每三天推荐一次，则当推荐分数为16时，设备可以设置每三天推荐一次待推荐应用。
本申请实施例中，获取目标用户的用户信息和待推荐应用的特征数据，以及获取待推荐应用的平台盈利价格信息；根据用户信息和特征数据确定目标用户对待推荐应用的点击率估值；根据点击率估值和盈利价格信息确定待推荐应用的推荐分值；根据推荐分值推荐待推荐应用。上述方法，不仅仅从用户体验出发，在推荐时，不仅对用户行为的进行分析，并且也考虑到了推荐平台的利益，一方面保证用户体验，另一方面也可以有效利用有限的推荐位置提升商业化营收，能够进行更全面的应用推荐。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
请参见图2，图2是本申请第二实施例提供的应用推荐装置的示意图。包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图2，应用推荐装置2包括：
获取单元210，用于获取目标用户的用户信息和待推荐应用的特征数据，以及获取所述待推荐应用的平台盈利价格信息；
第一确定单元220，用于根据所述用户信息和所述特征数据确定所述目标用户对所述待推荐应用的点击率估值；
第二确定单元230，用于根据所述点击率估值和所述平台盈利价格信息确定所述待推荐应用的推荐分值；
推荐单元240，用于根据所述推荐分值推荐所述待推荐应用。
进一步地，所述第一确定单元220，具体用于：
将所述用户信息和所述特征数据输入经过训练的点击率预测模型进行处理，得到所述目标用户对所述待推荐应用的点击率估值。
进一步地，所述第一确定单元220，具体还用于：
获取样本训练集；所述样本训练集包括样本用户信息、样本应用的样本特征数据及其对应的点击率标签；
使用所述样本训练集对初始神经网络模型进行训练，得到经过训练的点击率预测模型。
进一步地，所述第一确定单元220，具体还用于：
获取样本用户信息，以及获取样本应用的类别性特征信息和连续值特征信息；
根据所述类别性特征信息和所述连续值特征信息确定样本应用的样本特征数据。
进一步地，所述第一确定单元220，具体还用于：
将所述样本用户信息和所述样本应用的样本特征数据输入初始神经网络模型进行处理，得到所述样本用户信息和所述样本应用二者对应的样本点击率；
根据所述样本点击率、所述点击率标签和预设损失函数，计算目标损失值；
若所述目标损失值不满足预设中止条件，则根据所述目标损失值对所述初始神经网络模型进行更新，并返回执行将所述样本用户信息和所述样本应用的样本特征数据输入初始神经网络模型进行处理，得到所述样本用户信息和所述样本应用二者对应的样本点击率；
若所述目标损失值满足预设中止条件，则输出经过训练的点击率预测模型。
进一步地，所述获取单元210，具体用于：
获取所述待推荐应用的激活单价；
对所述激活单价进行归一化处理，得到所述待推荐应用的平台盈利价格信息。
进一步地，所述第二确定单元230，具体用于：
将所述点击率估值和所述平台盈利价格信息相乘，得到所述待推荐应用的推荐分值。
图3是本申请第三实施例提供的应用推荐设备的示意图。如图3所示，该实施例的应用推荐设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32，例如应用推荐程序。所述处理器30执行所述计算机程序32时实现上述各个应用推荐方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块210至240的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述应用推荐设备3中的执行过程。例如，所述计算机程序32可以被分割成获取单元、第一确定单元、第二确定单元、推荐单元，各单元具体功能如下：
获取单元，用于获取目标用户的用户信息和待推荐应用的特征数据，以及获取所述待推荐应用的平台盈利价格信息；
第一确定单元，用于根据所述用户信息和所述特征数据确定所述目标用户对所述待推荐应用的点击率估值；
第二确定单元，用于根据所述点击率估值和所述平台盈利价格信息确定所述待推荐应用的推荐分值；
推荐单元，用于根据所述推荐分值推荐所述待推荐应用。
所述应用推荐设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是应用推荐设备3的示例，并不构成对应用推荐设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述应用推荐设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述应用推荐设备3的内部存储单元，例如应用推荐设备3的硬盘或内存。所述存储器31也可以是所述应用推荐设备3的外部存储设备，例如所述应用推荐设备3上配备的插接式硬盘，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，所述应用推荐设备3还可以既包括所述应用推荐设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述应用推荐设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，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时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的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取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种应用推荐方法，其特征在于，包括：
获取目标用户的用户信息和待推荐应用的特征数据，以及获取所述待推荐应用的平台盈利价格信息；
根据所述用户信息和所述特征数据确定所述目标用户对所述待推荐应用的点击率估值；
根据所述点击率估值和所述平台盈利价格信息确定所述待推荐应用的推荐分值；
根据所述推荐分值推荐所述待推荐应用。
2.如权利要求1所述的应用推荐方法，其特征在于，所述根据所述用户信息和所述特征数据确定所述目标用户对所述待推荐应用的点击率估值，包括：
将所述用户信息和所述特征数据输入经过训练的点击率预测模型进行处理，得到所述目标用户对所述待推荐应用的点击率估值。
3.如权利要求2所述的应用推荐方法，其特征在于，在所述将所述用户信息和所述特征数据输入经过训练的点击率预测模型进行处理，得到所述目标用户对所述待推荐应用的点击率估值之前，还包括：
获取样本训练集；所述样本训练集包括样本用户信息、样本应用的样本特征数据及其对应的点击率标签；
使用所述样本训练集对初始神经网络模型进行训练，得到经过训练的点击率预测模型。
4.如权利要求3所述的应用推荐方法，其特征在于，所述获取样本训练集，包括：
获取样本用户信息，以及获取样本应用的类别性特征信息和连续值特征信息；
根据所述类别性特征信息和所述连续值特征信息确定样本应用的样本特征数据。
5.如权利要求3所述的应用推荐方法，其特征在于，所述使用所述样本训练集对初始神经网络模型进行训练，得到经过训练的点击率预测模型进行处理，包括：
将所述样本用户信息和所述样本应用的样本特征数据输入初始神经网络模型进行处理，得到所述样本用户信息和所述样本应用二者对应的样本点击率；
根据所述样本点击率、所述点击率标签和预设损失函数，计算目标损失值；
若所述目标损失值不满足预设中止条件，则根据所述目标损失值对所述初始神经网络模型进行更新，并返回执行将所述样本用户信息和所述样本应用的样本特征数据输入初始神经网络模型进行处理，得到所述样本用户信息和所述样本应用二者对应的样本点击率；
若所述目标损失值满足预设中止条件，则输出经过训练的点击率预测模型。
6.如权利要求1所述的应用推荐方法，其特征在于，所述获取所述待推荐应用的平台盈利价格信息，包括：
获取所述待推荐应用的激活单价；
对所述激活单价进行归一化处理，得到所述待推荐应用的平台盈利价格信息。
7.如权利要求1所述的应用推荐方法，其特征在于，所述根据所述点击率估值和所述平台盈利价格信息确定所述待推荐应用的推荐分值，包括：
将所述点击率估值和所述平台盈利价格信息相乘，得到所述待推荐应用的推荐分值。
8.一种的应用推荐装置，其特征在于，包括：
获取单元，用于获取目标用户的用户信息和待推荐应用的特征数据，以及获取所述待推荐应用的平台盈利价格信息；
第一确定单元，用于根据所述用户信息和所述特征数据确定所述目标用户对所述待推荐应用的点击率估值；
第二确定单元，用于根据所述点击率估值和所述平台盈利价格信息确定所述待推荐应用的推荐分值；
推荐单元，用于根据所述推荐分值推荐所述待推荐应用。
9.一种的应用推荐设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述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任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110813236.7A CN113407854A (zh) | 2021-07-19 | 2021-07-19 | 一种应用推荐方法、装置、设备及计算机可读存储介质 |
| PCT/CN2021/120502 WO2023000491A1 (zh) | 2021-07-19 | 2021-09-24 | 一种应用推荐方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110813236.7A CN113407854A (zh) | 2021-07-19 | 2021-07-19 | 一种应用推荐方法、装置、设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113407854A true CN113407854A (zh) | 2021-09-17 |
Family
ID=77686822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110813236.7A Pending CN113407854A (zh) | 2021-07-19 | 2021-07-19 | 一种应用推荐方法、装置、设备及计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113407854A (zh) |
| WO (1) | WO2023000491A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023000491A1 (zh) * | 2021-07-19 | 2023-01-26 | 广东艾檬电子科技有限公司 | 一种应用推荐方法、装置、设备及计算机可读存储介质 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116596576B (zh) * | 2023-07-17 | 2024-04-16 | 深圳须弥云图空间科技有限公司 | 目标推荐方法及装置 |
| CN116701950B (zh) * | 2023-08-09 | 2024-01-05 | 中国科学技术大学 | 一种推荐系统用点击率预测模型去偏方法、装置及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914468A (zh) * | 2012-12-31 | 2014-07-09 | 阿里巴巴集团控股有限公司 | 一种投放信息搜索的方法和装置 |
| CN105631707A (zh) * | 2015-12-23 | 2016-06-01 | 北京奇虎科技有限公司 | 基于决策树的广告点击率预估方法与应用推荐方法及装置 |
| CN107977859A (zh) * | 2017-11-14 | 2018-05-01 | 广州优视网络科技有限公司 | 广告投放方法、装置、计算设备及存储介质 |
| CN111950593A (zh) * | 2020-07-13 | 2020-11-17 | 华为技术有限公司 | 一种推荐模型训练的方法及装置 |
| CN112035747A (zh) * | 2020-09-03 | 2020-12-04 | 腾讯科技（深圳）有限公司 | 信息推荐方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108345702A (zh) * | 2018-04-10 | 2018-07-31 | 北京百度网讯科技有限公司 | 实体推荐方法和装置 |
| CN109711887B (zh) * | 2018-12-28 | 2021-02-09 | 拉扎斯网络科技（上海）有限公司 | 商城推荐列表的生成方法、装置、电子设备及计算机介质 |
| CN112529663B (zh) * | 2020-12-15 | 2023-10-27 | 中国平安人寿保险股份有限公司 | 商品推荐方法、装置、终端设备及存储介质 |
| CN113010798A (zh) * | 2021-04-23 | 2021-06-22 | 中国工商银行股份有限公司 | 信息推荐方法、信息推荐装置、电子设备及可读存储介质 |
| CN113407854A (zh) * | 2021-07-19 | 2021-09-17 | 广东艾檬电子科技有限公司 | 一种应用推荐方法、装置、设备及计算机可读存储介质 |
-
2021
- 2021-07-19 CN CN202110813236.7A patent/CN113407854A/zh active Pending
- 2021-09-24 WO PCT/CN2021/120502 patent/WO2023000491A1/zh unknown
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914468A (zh) * | 2012-12-31 | 2014-07-09 | 阿里巴巴集团控股有限公司 | 一种投放信息搜索的方法和装置 |
| CN105631707A (zh) * | 2015-12-23 | 2016-06-01 | 北京奇虎科技有限公司 | 基于决策树的广告点击率预估方法与应用推荐方法及装置 |
| CN107977859A (zh) * | 2017-11-14 | 2018-05-01 | 广州优视网络科技有限公司 | 广告投放方法、装置、计算设备及存储介质 |
| CN111950593A (zh) * | 2020-07-13 | 2020-11-17 | 华为技术有限公司 | 一种推荐模型训练的方法及装置 |
| CN112035747A (zh) * | 2020-09-03 | 2020-12-04 | 腾讯科技（深圳）有限公司 | 信息推荐方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023000491A1 (zh) * | 2021-07-19 | 2023-01-26 | 广东艾檬电子科技有限公司 | 一种应用推荐方法、装置、设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023000491A1 (zh) | 2023-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108829808B (zh) | 一种页面个性化排序方法、装置及电子设备 | |
| CN106651542B (zh) | 一种物品推荐的方法及装置 | |
| CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
| CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
| CA3070612A1 (en) | Click rate estimation | |
| CN111061979B (zh) | 一种用户标签的推送方法、装置、电子设备和介质 | |
| CN112966189B (zh) | 一种基金产品推荐系统 | |
| CN110647696A (zh) | 一种业务对象的排序方法及装置 | |
| CN112529663A (zh) | 商品推荐方法、装置、终端设备及存储介质 | |
| CN111275205A (zh) | 虚拟样本的生成方法、终端设备及存储介质 | |
| CN112487283A (zh) | 训练模型的方法、装置、电子设备及可读存储介质 | |
| CN116204714A (zh) | 推荐方法、装置、电子设备及存储介质 | |
| CN110502639B (zh) | 基于问题贡献度的信息推荐方法、装置、及计算机设备 | |
| CN108596765A (zh) | 一种金融电子资源推荐方法和装置 | |
| CN111754287A (zh) | 物品筛选方法、装置、设备和存储介质 | |
| CN116739665A (zh) | 信息投放方法、装置、电子设备及存储介质 | |
| CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
| CN111680213A (zh) | 信息推荐方法、数据处理方法及装置 | |
| CN111859946B (zh) | 对评论进行排序的方法和装置及机器可读存储介质 | |
| CN112766995A (zh) | 物品推荐方法、装置、终端设备及存储介质 | |
| CN111062449A (zh) | 预测模型的训练方法、兴趣度预测方法、装置和存储介质 | |
| CN111177564A (zh) | 一种产品推荐方法及装置 | |
| CN115168700A (zh) | 一种基于预训练算法的信息流推荐方法、系统及介质 | |
| CN113724044A (zh) | 基于用户画像的商品推荐、装置、计算机设备和存储介质 | |
| CN112200602A (zh) | 用于广告推荐的神经网络模型训练方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210917 |
|
| RJ01 | Rejection of invention patent application after publication |