CN113486248A - 一种应用程序中功能模块的推荐方法及装置 - Google Patents
一种应用程序中功能模块的推荐方法及装置 Download PDFInfo
- Publication number
- CN113486248A CN113486248A CN202110849656.0A CN202110849656A CN113486248A CN 113486248 A CN113486248 A CN 113486248A CN 202110849656 A CN202110849656 A CN 202110849656A CN 113486248 A CN113486248 A CN 113486248A
- Authority
- CN
- China
- Prior art keywords
- user
- graph
- function
- function module
- module
- 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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Abstract
本申请公开了一种应用程序中功能模块的推荐方法及装置,根据用户、用户的关联用户、用户和关联用户之间的用户关系数据,以及用户和应用程序中功能模块之间的用户功能交互数据,构建用户对应的异构图。将异构图用向量进行表示,将表示异构图的向量输入到图神经网络模型中,获取图神经网络模型输出的用户和功能模块之间相关概率的排序结果。其中,相关概率越高,表明用户对功能模块的感兴趣程度越高。根据排序结果,将大于预设阈值的相关概率对应的功能模块推荐给用户。由于整个实现过程可由终端自动实现,无需用户手动查找并设置,提升了用户对终端的体验性。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种应用程序中功能模块的推荐方法及装置。
背景技术
目前,打开终端上的应用程序时,跳出的展示页面上会有推荐给用户的功能模块。但是,该展示页面上推荐给用户的功能模块基本上是固定的,且并不均是用户感兴趣的功能模块。
目前,若需要将用户感兴趣的功能模块显示在展示页面上,还需用户在应用程序中手动查找感兴趣的功能模块,再将查找到的功能模块添加到展示页面。在此过程中,用户可能需要跳转多个页面进行查找,过程繁琐且用户体验性差。
发明内容
为了解决上述技术问题,本申请提供了一种应用程序中功能模块的推荐方法及装置,用于自动将应用程序中用户感兴趣的功能模块推荐给用户。
为了实现上述目的,本申请实施例提供的技术方案如下:
本申请实施例提供一种应用程序中功能模块推荐方法,所述方法包括:
构建用户对应的异构图;所述异构图中的节点表示所述用户和所述用户的关联用户,所述异构图中的边用于表示所述用户和所述关联用户之间的用户关系数据,以及所述用户和应用程序中功能模块之间的用户功能交互数据;
将表示所述异构图的向量输入到图神经网络模型中,获取所述图神经网络模型输出的所述用户和所述功能模块之间相关概率的排序结果;所述图神经网络模型用于将所述异构图中的所述用户和所述功能模块之间相关概率进行排序并输出;
根据所述排序结果,将大于预设阈值的相关概率对应的功能模块推荐给所述用户。
可选地,所述构建用户的异构图,包括:
构建用户的用户社交网络图;
构建所述用户的用户功能交互图;
根据所述用户的用户社交网络图和所述用户的用户功能交互图,构建所述用户的异构图。
可选地,所述构建用户的用户社交网络图,包括:
确定用户的关联用户;
获取所述用户和所述关联用户之间的用户关系数据;
根据所述用户、所述关联用户和所述用户关系数据,构建所述用户的用户社交网络图;所述用户社交网络图中的节点表示所述用户和所述关联用户;所述用户社交网络图的边表示所述用户关系数据。
可选地,所述构建所述用户的用户功能交互图,包括:
确定所述用户使用的第一功能模块,所述用户的关联用户使用的第二功能模块;
获取所述用户和所述第一功能模块之间的第一用户功能交互数据,所述用户的关联用户和所述第二功能模块之间的第二用户功能交互数据;
根据所述用户、所述用户的关联用户、所述第一功能模块、所述第二功能模块、所述第一用户功能交互数据和所述第二用户功能交互数据,构建用户的用户功能交互图;所述用户功能交互图中的节点表示所述用户、所述用户的关联用户、所述第一功能模块和所述第二功能模块;所述用户的边表示所述第一用户功能交互数据和所述第二用户功能交互数据。
可选地,所述根据所述排序结果,将大于预设阈值的相关概率对应的功能模块推荐给所述用户,包括:
根据所述排序结果,将相关概率大于预设阈值的功能模块确定为目标功能模块;
将所述目标功能模块进行标签化,获取所述目标功能模块对应的标签;所述标签和推荐页面中的显示位置一一对应;
按照所述目标功能模块对应的标签,将所述目标功能模块显示在推荐页面与所述标签对应的显示位置。
可选地,所述方法还包括:
获取所述用户与所述推荐页面中的目标功能模块的第一交互数据,所述用户与未推荐功能模块的第二交互数据;
利用所述第一交互数据和所述第二交互数据更新所述用户的异构图。
本申请实施例还提供了一种应用程序中功能模块推荐装置,所述装置包括:
构建单元,用于构建用户的异构图;所述异构图中的节点表示所述用户和所述用户的关联用户,所述异构图中的边用于表示所述用户和所述关联用户之间的用户关系数据,以及所述用户和应用程序中功能模块之间的用户功能交互数据;
输入单元,用于将表示所述异构图的向量输入到图神经网络模型中,获取所述图神经网络模型输出的所述用户和所述功能模块之间相关概率的排序结果;所述图神经网络模型用于将所述异构图中的所述用户和所述功能模块之间相关概率进行排序并输出;
推荐单元,用于根据所述排序结果,将大于预设阈值的相关概率对应的功能模块推荐给所述用户。
可选地,所述构建单元,包括:
第一构建子单元,用于构建用户的用户社交网络图;
第二构建子单元,用于构建所述用户的用户功能交互图;
第三构建子单元,用于根据所述用户的用户社交网络图和所述用户的用户功能交互图,构建所述用户的用户功能异构图。
本申请实施例还提供了一种应用程序中功能模块推荐设备,包括:存储器,处理器,及存储在所述存储器上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,实现所述的应用程序中功能模块推荐方法。
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中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行所述的应用程序中功能模块推荐方法。
通过上述技术方案可知,本申请具有以下有益效果:
本申请实施例提供了一种应用程序中功能模块的推荐方法及装置,根据用户、用户的关联用户、用户和关联用户之间的用户关系数据,以及用户和应用程序中功能模块之间的用户功能交互数据,构建用户对应的异构图。将异构图用向量进行表示,将表示异构图的向量输入到图神经网络模型中,获取图神经网络模型输出的用户和功能模块之间相关概率的排序结果。其中,相关概率越高,表明用户对功能模块的感兴趣程度越高。根据排序结果,将大于预设阈值的相关概率对应的功能模块推荐给用户。由于整个实现过程可由终端自动实现,无需用户手动查找并设置,提升了用户对终端的体验性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种示例性应用场景的示意图;
图2为本申请实施例提供的一种应用程序中功能模块的推荐方法的流程图;
图3a为本申请实施例提供的一种用户社交网络图的示意图;
图3b为本申请实施例提供的一种用户功能交互图的示意图;
图3c为本申请实施例提供的一种用户对应的异构图的示意图;
图4为本申请实施例提供的一种图神经网络模型的网络示意图;
图5为本申请实施例提供的一种应用程序中功能模块的推荐装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
为了便于理解和解释本申请实施例提供的技术方案,下面先对本申请实施例的背景技术进行说明。
目前,手机等终端上的银行应用程序的页面展示基本是固定的。用户登录手机银行,刚进入手机银行应用程序所看到的展示页面上都是查询、转账、理财、存款等功能模块,内容和位置均是固定的。
固定的功能模块会造成用户感兴趣的功能模块可能需要经过多级菜单或页面跳转才能到达,用户体验性差。另外,如果手机银行有新增加或优化的功能,也不能更精准的推荐给真正需要的用户。
基于此,本申请实施例提供了一种应用程序中功能模块的推荐方法及装置,根据用户、用户的关联用户、用户和关联用户之间的用户关系数据,以及用户和应用程序中功能模块之间的用户功能交互数据,构建用户对应的异构图。将异构图用向量进行表示,将表示异构图的向量输入到图神经网络模型中,获取图神经网络模型输出的用户和功能模块之间相关概率的排序结果。其中,相关概率越高,表明用户对功能模块的感兴趣程度越高。根据排序结果,将大于预设阈值的相关概率对应的功能模块推荐给用户。由于整个实现过程可由终端自动实现,无需用户手动查找并设置,提升了用户对终端的体验性。
为了便于理解本申请实施例提供的应用程序中功能模块的推荐方法,下面结合图1对该方法的示例性应用场景进行说明。图1为本申请实施例提供的一种示例性应用场景的示意图。该方法可以应用于终端设备101中。
终端设备101根据用户、用户的关联用户、用户和关联用户之间的用户关系数据,以及用户和应用程序中功能模块之间的用户功能交互数据,构建用户对应的异构图。
终端设备101将异构图用向量进行表示,将表示异构图的向量输入到图神经网络模型中,获取图神经网络模型输出的用户和功能模块之间相关概率的排序结果。相关概率越高,表明用户对功能模块的感兴趣程度越高。
终端设备101根据排序结果,将大于预设阈值的相关概率对应的功能模块推荐给用户。由此,终端设备101将应用程序上的原展示页面更新为了符合用户需求的推荐页面。
本领域技术人员可以理解,图1所示的框架示意图仅是本申请的实施方式可以在其中得以实现的一个示例。本申请实施方式的适用范围不受到该框架任何方面的限制。
基于上述说明,下面将结合附图对本申请提供的应用程序中功能模块的推荐方法进行详细说明。
参见图2,图2为本申请实施例提供的一种应用程序中功能模块的推荐方法的流程图。该方法可以由前述终端设备101执行。如图2所示,该应用程序中功能模块的推荐方法包括S201-S203:
S201:构建用户对应的异构图;异构图中的节点表示用户和用户的关联用户,异构图中的边用于表示用户和关联用户之间的用户关系数据,以及用户和应用程序中功能模块之间的用户功能交互数据。
图是由节点和边组成的一种数据结构。用户对应的异构图中,节点表示用户和用户的关联用户,边用于表示用户和关联用户之间的用户关系数据,以及用户和应用程序中功能模块之间的用户功能交互数据。异构图能够精准描绘用户与关联用户,用户与功能模块之间的关系。
其中,功能模块主要根据功能属性分类构建,大致分为基础功能模块、常用功能模块和进阶功能模块。基础功能模块如账户查询功能、转账功能等,常用功能模块如基金定投、宝宝理财等,进阶功能模块如银行新推出的功能等。
用户关系数据主要为用户与用户的关联用户之间的转账时间、转账金额、转账频率等数据。
用户与功能交互数据主要为用户与功能模块交互的历史信息,包括浏览时间、使用频率或购买习惯。例如用户使用账户查询功能的浏览时间、使用频率等。又例,基金定投中的购买习惯等。
可以理解的是,用户对应的异构图表明了用户和用户的关联用户,用户与功能模块之间的关联关系。
在一种可能的实现方式中,本申请实施例提供了一种构建用户的异构图的具体实施方式,包括:
A1:构建用户的用户社交网络图;
A2:构建用户的用户功能交互图;
A3:根据用户的用户社交网络图和用户的用户功能交互图,构建用户的异构图。
其中,用户社交网络图用于描述用户和用户的关联用户之间的关系。用户的关联用户为与用户有交易往来数据的一些用户,例如用户的关联用户包括和用户有转账往来的用户。
用户功能交互图用于描述用户对功能模块之间的使用关系。
获取了用户的用户社交网络图和用户功能交互图后,便可将用户的用户社交网络图和用户的用户功能交互图进行组合,构建用户的异构图。
具体实施时,构建用户的用户社交网络图,包括:
B1:确定用户的关联用户;
B2:获取用户和关联用户之间的用户关系数据;
B3:根据用户、关联用户和用户关系数据,构建用户的用户社交网络图;用户社交网络图中的节点表示用户和关联用户;用户社交网络图的边表示用户关系数据。
首先,获取与用户有交易往来的关联用户。确定用户的关联用户后。获取用户和用户的关联用户之间进行交易的转账时间、转账金额、转账频率等用户关系数据。将用户和用户的关联用户作为图的节点,用户关系数据作为图的边,构建用户的用户社交网络图。参见图3a,图3a为本申请实施例提供的一种用户社交网络图的示意图。如图3a所示,用户社交网络图中的节点表示用户和用户的关联用户。边表示用户关系数据。
具体实施时,构建用户的用户功能交互图,包括:
C1:确定用户使用的第一功能模块,用户的关联用户使用的第二功能模块;
C2:获取用户和第一功能模块之间的第一用户功能交互数据,用户的关联用户和第二功能模块之间的第二用户功能交互数据;
C3:根据用户、用户的关联用户、第一功能模块、第二功能模块、第一用户功能交互数据和第二用户功能交互数据,构建用户的用户功能交互图;用户功能交互图中的节点表示用户、用户的关联用户、第一功能模块和第二功能模块;用户的边表示第一用户功能交互数据和第二用户功能交互数据。
首先,确定应用程序中用户使用过的第一功能模块,用户的关联用户使用过的第二功能模块。在确定用户使用过的第一功能模块,用户的关联用户使用过的第二功能模块后,获取用户在第一功能模块上的浏览时间、使用频率和购买习惯等第一用户功能交互数据,获取用户的关联用户在第二功能模块上的浏览时间、使用频率和购买习惯等第二用户功能交互数据。将用户、用户的关联用户、第一功能模块和第二功能模块作为图的节点,将第一用户功能交互数据和第二用户功能交互数据作为图的边,来构建用户的用户功能交互图。参见图3b,图3b为本申请实施例提供的一种用户功能交互图的示意图。如图3b所示,用户功能交互图中的圆形节点表示用户和用户的关联用户,方形节点表示第一功能模块和第二功能模块。圆形节点和方形节点之间的边表示第一用户功能交互数据和第二用户功能交互数据。
参见图3c,图3c为本申请实施例提供的一种用户对应的异构图的示意图。如图3c所示,该图为用户的用户社交网络图和用户的用户功能交互图组合成的用户对应的异构图。在该图中,圆形节点表示用户和用户的关联用户,方形节点表示第一功能模块和第二功能模块。圆形节点和圆形节点之间的边表示用户关系数据。圆形节点和方形节点之间的边表示第一用户功能交互数据和第二用户功能交互数据。
S202:将表示异构图的向量输入到图神经网络模型中,获取图神经网络模型输出的用户和功能模块之间相关概率的排序结果;图神经网络模型用于将异构图中的用户和功能模块之间相关概率进行排序并输出。
在获取异构图之后,将异构图用向量表示。具体地,向量包括两部分,其一为每个节点的节点信息组成的矩阵,其二为边的关系组成的邻接矩阵。将表示异构图的向量输入到图神经网络模型中,可获取用户和功能模块之间相关概率的排序结构。
具体地,图神经网络模型是一种直接在图结构上运行的模型,是在图结构上运行的基于深度学习的方法。利用图神经网络模型,对用户对应的节点的节点特征和邻居节点的节点特征进行迭代聚合来表示用户对应的节点。经过迭代聚合,使得用户对应的节点和功能模块之间的关系通过相关概率的形式进行了标定。
参见图4,图4为本申请实施例提供的一种图神经网络模型的网络示意图。如图4所示,将异构图表示的向量输入图神经网络模型中,经过双隐藏层中激活函数的运算,最后输出用户和功能模块的相关概率,相关概率大于预设阈值的边用五角星进行标识。可以理解的是,图4仅作为一种示例,图神经网络模型的网络结构不限于图4中的示例,相关概率大于预设阈值的边的标识方式不限于图4中的示例。
需要说明的是,可以根据需要选用不同的图神经网络模型网络结构和算法,本申请不限定图神经网络模型的网络结构,能够实现图神经网络输出用户与功能模块的相关概率即可。例如,可以选用基于编码器的方法或基于关系图卷积网络R-GCN等。
本申请实施例基于异构图和图神经网络模型,能够充分学习图的节点信息和边的关联信息以及图的拓扑结构信息,避免了传统推荐算法所存在的人工干预、手工调参导致的推荐结果误差大的情况,更加精准的为用户进行功能模块推荐展示。
S203:根据排序结果,将大于预设阈值的相关概率对应的功能模块推荐给用户。
确定排序结果后,即确定了用户常用的功能模块的排序结果。设定预设阈值,将大于预设阈值的相关概率对应的功能模块推荐给用户。其中,预设阈值根据实际情况进行设置,不限定预设阈值。
在一种可能的实施方式中,本申请实施例提供了一种根据排序结果,将大于预设阈值的相关概率对应的功能模块推荐给用户的具体实施方式,包括:
根据排序结果,将相关概率大于预设阈值的功能模块确定为目标功能模块;
将目标功能模块进行标签化,获取目标功能模块对应的标签;标签和推荐页面中的显示位置一一对应;
按照目标功能模块对应的标签,将目标功能模块显示在推荐页面与标签对应的显示位置。
可以理解的是,目标功能模块为符合用户兴趣需求的功能模块。需要将目标功能模块显示在展示页面。可以通过给目标功能模块添加标签的方式,为每个目标功能模块添加一个标签。标签和展示页面的显示位置一一对应,其关系需要提前设置。例如,其中一个目标功能模块的标签为1,则将该目标功能模块添加到“1”对应的显示位置上。
基于上述说明,可以将符合用户的兴趣需求的功能模块,通过定制化的方式展示给用户,使得应用程序中功能模块的展示更加灵活。
本申请实施例提供了一种应用程序中功能模块的推荐方法,根据用户、用户的关联用户、用户和关联用户之间的用户关系数据,以及用户和应用程序中功能模块之间的用户功能交互数据,构建用户对应的异构图。将异构图用向量进行表示,将表示异构图的向量输入到图神经网络模型中,获取图神经网络模型输出的用户和功能模块之间相关概率的排序结果。其中,相关概率越高,表明用户对功能模块的感兴趣程度越高。根据排序结果,将大于预设阈值的相关概率对应的功能模块推荐给用户。由于整个实现过程可由终端自动实现,无需用户手动查找并设置,提升了用户对终端的体验性。
在一种可能的实施方式中,本申请实施例还提供了另一种应用程序中功能模块推荐,该方法还包括:
获取用户与推荐页面中的目标功能模块的第一交互数据,用户与未推荐功能模块的第二交互数据;
利用第一交互数据和第二交互数据更新用户的异构图。
可以理解的是,当根据用户的兴趣需求进行推荐功能模块的展示之后,用户面对推荐页面(即展示页面)时,可能选择和推荐页面上的功能模块进行交互,也可能选择和非推荐页面的未推荐功能模块进行交互。基于此,可以记录用户与推荐页面中的目标功能模块的第一交互数据,用户与未推荐功能模块的第二交互数据。第一交互数据和第二交互数据丰富了和用户相关的原有数据,利用用户的原有数据和增加的第一交互数据和第二交互数据,更新用户的异构图,从而获取更准确的描述用户的图结构。基于此图结构,可以利用图神经网络模型重新评估满足用户兴趣需求的功能模块,并基于此更新针对用户的推荐页面。
基于上述说明,当用户的关联用户发生变更、应用程序中有新的功能模块或用户与功能模块的交互发生变更时,实时同步更新用户数据,进而重新构建用户对应的异构图,重新利用图神经网络模块进行复合用户兴趣需求的功能模块,进而重新根据推荐的功能模块更新推荐页面。通过该方式,满足了用户对功能模块的需求,提升了用户使用该应用程序的体验感。
基于上述方法实施例提供的应用程序中功能模块推荐方法,下面将结合附图对本申请实施例提供的应用程序中功能模块的推荐装置进行说明。
参见图5,图5为本申请实施例提供的一种应用程序中功能模块的推荐装置的结构示意图。如图5所示,该应用程序中功能模块的推荐装置,包括:
构建单元501,用于构建用户的异构图;所述异构图中的节点表示所述用户和所述用户的关联用户,所述异构图中的边用于表示所述用户和所述关联用户之间的用户关系数据,以及所述用户和应用程序中功能模块之间的用户功能交互数据;
输入单元502,用于将表示所述异构图的向量输入到图神经网络模型中,获取所述图神经网络模型输出的所述用户和所述功能模块之间相关概率的排序结果;所述图神经网络模型用于将所述异构图中的所述用户和所述功能模块之间相关概率进行排序并输出;
推荐单元503,用于根据所述排序结果,将大于预设阈值的相关概率对应的功能模块推荐给所述用户。
可选地,在本申请实施例的一些实施方式中,所述构建单元501,包括:
第一构建子单元,用于构建用户的用户社交网络图;
第二构建子单元,用于构建所述用户的用户功能交互图;
第三构建子单元,用于根据所述用户的用户社交网络图和所述用户的用户功能交互图,构建所述用户的用户功能异构图。
可选地,在本申请实施例的一些实施方式中,所述第一构建子单元,包括:
第一确定子单元,用于确定用户的关联用户;
第一获取子单元,用于获取所述用户和所述关联用户之间的用户关系数据;
第四构建子单元,用于根据所述用户、所述关联用户和所述用户关系数据,构建所述用户的用户社交网络图;所述用户社交网络图中的节点表示所述用户和所述关联用户;所述用户社交网络图的边表示所述用户关系数据。
可选地,在本申请实施例的一些实施方式中,所述第二构建子单元,包括:
第二确定子单元,用于确定所述用户使用的第一功能模块,所述用户的关联用户使用的第二功能模块;
第二获取子单元,用于获取所述用户和所述第一功能模块之间的第一用户功能交互数据,所述用户的关联用户和所述第二功能模块之间的第二用户功能交互数据;
第五构建子单元,用于根据所述用户、所述用户的关联用户、所述第一功能模块、所述第二功能模块、所述第一用户功能交互数据和所述第二用户功能交互数据,构建用户的用户功能交互图;所述用户功能交互图中的节点表示所述用户、所述用户的关联用户、所述第一功能模块和所述第二功能模块;所述用户的边表示所述第一用户功能交互数据和所述第二用户功能交互数据。
可选地,在本申请实施例的一些实施方式中,所述推荐单元503,包括:
第三确定子单元,用于根据所述排序结果,将相关概率大于预设阈值的功能模块确定为目标功能模块;
第三获取子单元,用于将所述目标功能模块进行标签化,获取所述目标功能模块对应的标签;所述标签和推荐页面中的显示位置一一对应;
显示子单元,用于按照所述目标功能模块对应的标签,将所述目标功能模块显示在推荐页面与所述标签对应的显示位置。
可选地,在本申请实施例的一些实施方式中,所述装置还包括:
获取单元,用于获取所述用户与所述推荐页面中的目标功能模块的第一交互数据,所述用户与未推荐功能模块的第二交互数据;
更新单元,用于利用所述第一交互数据和所述第二交互数据更新所述用户的异构图。
另外,本申请实施例还提供了一种应用程序中功能模块推荐设备,其特征在于,包括:存储器,处理器,及存储在所述存储器上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,实现如上述任一项实施例所述的应用程序中功能模块推荐方法。
另外,本申请实施例还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上述任一项实施例所述的应用程序中功能模块推荐方法。
本申请实施例提供了一种应用程序中功能模块的推荐装置,根据用户、用户的关联用户、用户和关联用户之间的用户关系数据,以及用户和应用程序中功能模块之间的用户功能交互数据,构建用户对应的异构图。将异构图用向量进行表示,将表示异构图的向量输入到图神经网络模型中,获取图神经网络模型输出的用户和功能模块之间相关概率的排序结果。其中,相关概率越高,表明用户对功能模块的感兴趣程度越高。根据排序结果,将大于预设阈值的相关概率对应的功能模块推荐给用户。由于整个实现过程可由终端自动实现,无需用户手动查找并设置,提升了用户对终端的体验性。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者诸如媒体网关等网络通信设备,等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言,由于其与实施例公开的系统相对应,所以描述的比较简单,相关之处参见系统部分说明即可。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种应用程序中功能模块推荐方法,其特征在于,所述方法包括:
构建用户对应的异构图;所述异构图中的节点表示所述用户和所述用户的关联用户,所述异构图中的边用于表示所述用户和所述关联用户之间的用户关系数据,以及所述用户和应用程序中功能模块之间的用户功能交互数据;
将表示所述异构图的向量输入到图神经网络模型中,获取所述图神经网络模型输出的所述用户和所述功能模块之间相关概率的排序结果;所述图神经网络模型用于将所述异构图中的所述用户和所述功能模块之间相关概率进行排序并输出;
根据所述排序结果,将大于预设阈值的相关概率对应的功能模块推荐给所述用户。
2.根据权利要求1所述的方法,其特征在于,所述构建用户的异构图,包括:
构建用户的用户社交网络图;
构建所述用户的用户功能交互图;
根据所述用户的用户社交网络图和所述用户的用户功能交互图,构建所述用户的异构图。
3.根据权利要求2所述的方法,其特征在于,所述构建用户的用户社交网络图,包括:
确定用户的关联用户;
获取所述用户和所述关联用户之间的用户关系数据;
根据所述用户、所述关联用户和所述用户关系数据,构建所述用户的用户社交网络图;所述用户社交网络图中的节点表示所述用户和所述关联用户;所述用户社交网络图的边表示所述用户关系数据。
4.根据权利要求2所述的方法,其特征在于,所述构建所述用户的用户功能交互图,包括:
确定所述用户使用的第一功能模块,所述用户的关联用户使用的第二功能模块;
获取所述用户和所述第一功能模块之间的第一用户功能交互数据,所述用户的关联用户和所述第二功能模块之间的第二用户功能交互数据;
根据所述用户、所述用户的关联用户、所述第一功能模块、所述第二功能模块、所述第一用户功能交互数据和所述第二用户功能交互数据,构建用户的用户功能交互图;所述用户功能交互图中的节点表示所述用户、所述用户的关联用户、所述第一功能模块和所述第二功能模块;所述用户的边表示所述第一用户功能交互数据和所述第二用户功能交互数据。
5.根据权利要求1所述的方法,其特征在于,所述根据所述排序结果,将大于预设阈值的相关概率对应的功能模块推荐给所述用户,包括:
根据所述排序结果,将相关概率大于预设阈值的功能模块确定为目标功能模块;
将所述目标功能模块进行标签化,获取所述目标功能模块对应的标签;所述标签和推荐页面中的显示位置一一对应;
按照所述目标功能模块对应的标签,将所述目标功能模块显示在推荐页面与所述标签对应的显示位置。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
获取所述用户与所述推荐页面中的目标功能模块的第一交互数据,所述用户与未推荐功能模块的第二交互数据;
利用所述第一交互数据和所述第二交互数据更新所述用户的异构图。
7.一种应用程序中功能模块推荐装置,其特征在于,所述装置包括:
构建单元,用于构建用户的异构图;所述异构图中的节点表示所述用户和所述用户的关联用户,所述异构图中的边用于表示所述用户和所述关联用户之间的用户关系数据,以及所述用户和应用程序中功能模块之间的用户功能交互数据;
输入单元,用于将表示所述异构图的向量输入到图神经网络模型中,获取所述图神经网络模型输出的所述用户和所述功能模块之间相关概率的排序结果;所述图神经网络模型用于将所述异构图中的所述用户和所述功能模块之间相关概率进行排序并输出;
推荐单元,用于根据所述排序结果,将大于预设阈值的相关概率对应的功能模块推荐给所述用户。
8.根据权利要求7所述的装置,其特征在于,所述构建单元,包括:
第一构建子单元,用于构建用户的用户社交网络图;
第二构建子单元,用于构建所述用户的用户功能交互图;
第三构建子单元,用于根据所述用户的用户社交网络图和所述用户的用户功能交互图,构建所述用户的用户功能异构图。
9.一种应用程序中功能模块推荐设备,其特征在于,包括:存储器,处理器,及存储在所述存储器上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,实现如权利要求1-6任一项所述的应用程序中功能模块推荐方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如权利要求1-6任一项所述的应用程序中功能模块推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110849656.0A CN113486248A (zh) | 2021-07-27 | 2021-07-27 | 一种应用程序中功能模块的推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110849656.0A CN113486248A (zh) | 2021-07-27 | 2021-07-27 | 一种应用程序中功能模块的推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113486248A true CN113486248A (zh) | 2021-10-08 |
Family
ID=77943869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110849656.0A Pending CN113486248A (zh) | 2021-07-27 | 2021-07-27 | 一种应用程序中功能模块的推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486248A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI825978B (zh) * | 2022-09-06 | 2023-12-11 | 宏碁股份有限公司 | 映像檔產生方法與映像檔產生裝置 |
-
2021
- 2021-07-27 CN CN202110849656.0A patent/CN113486248A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI825978B (zh) * | 2022-09-06 | 2023-12-11 | 宏碁股份有限公司 | 映像檔產生方法與映像檔產生裝置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102122373B1 (ko) | 사용자 포트레이트를 획득하는 방법 및 장치 | |
AU2016225947B2 (en) | System and method for multimedia document summarization | |
WO2021262530A1 (en) | Systems and methods for deep learning model based product matching using multi modal data | |
CN111061946B (zh) | 场景化内容推荐方法、装置、电子设备及存储介质 | |
US9501551B1 (en) | Automatic item categorizer | |
US20180342004A1 (en) | Cumulative success-based recommendations for repeat users | |
CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
CN110851699A (zh) | 基于深度强化学习的信息流推荐方法、装置、设备及介质 | |
CN104361063A (zh) | 用户兴趣发现方法和装置 | |
KR102384860B1 (ko) | 템플릿이 제공되어 상품 업로드 편의성이 향상된 오픈마켓 플랫폼의 운영방법 | |
US20220253722A1 (en) | Recommendation system with adaptive thresholds for neighborhood selection | |
CN113221019B (zh) | 基于即时学习的个性化推荐方法和系统 | |
CN110598084A (zh) | 对象排序方法、商品排序方法、装置及电子设备 | |
CN110598120A (zh) | 基于行为数据的理财推荐方法及装置、设备 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN113722546B (zh) | 异常用户账户获取方法及装置、电子设备、存储介质 | |
CN113486248A (zh) | 一种应用程序中功能模块的推荐方法及装置 | |
CN111915414B (zh) | 向目标用户展示目标对象序列的方法和装置 | |
CN111161009B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN114119123A (zh) | 信息推送的方法和装置 | |
CN112559877A (zh) | 基于跨平台异构数据及行为上下文的ctr预估方法及系统 | |
CN116186413A (zh) | 一种用于多模态特征推荐的方法和系统 | |
CN116186326A (zh) | 视频推荐方法、模型训练方法、电子设备及存储介质 | |
CN115599990A (zh) | 一种知识感知结合深度强化学习的跨域推荐方法及系统 | |
CN115456708A (zh) | 推荐模型的训练方法、装置、电子设备和存储介质 |
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 |