CN114742604A - App偏好确定方法及装置、计算机可读存储介质、终端 - Google Patents

Abstract

一种APP偏好确定方法及装置、计算机可读存储介质、终端，所述方法包括：获取用户的一个或多个历史APP在预设时长内被访问的访问属性信息；确定推荐模型的效用函数的表达式，所述效用函数的表达式包含所述访问属性信息、隐性属性参数以及APP关联关系参数；估计所述推荐模型的多组参数向量，其中，每组参数均包括所述访问属性信息、隐性属性参数以及APP关联关系参数；采用预设的目标函数，得到拟合效果最优的一组参数向量；采用所述拟合效果最优的一组参数向量，确定所述用户对目标APP的偏好。本发明有机会根据用户对目标APP的安装意愿度，决定是否向用户进行推荐，有效提高推荐‑下载转化率。

Description

APP偏好确定方法及装置、计算机可读存储介质、终端

技术领域

本发明涉及计算机技术领域，尤其涉及一种APP偏好确定方法及装置、计算机可读存储介质、终端。

背景技术

随着互联网技术的迅猛发展及智能终端的快速普及，应用程序(Application，APP)相关技术蓬勃发展，各种能够满足用户在不同领域、不同问题上的应用需求的APP层出不穷，用户对APP下载安装的需求也越来越多。

在现有技术中，后台服务器可以经由应用商店等平台向用户推荐APP并提供下载渠道，然而现有的APP推荐方法过于单一，可能会向用户推荐其不感兴趣、安装意愿度低的APP，导致APP的推荐-下载转化率较低。

亟需一种APP偏好确定方法，能够预先对APP数据库中的目标APP进行判断，从而有机会根据用户对目标APP的安装意愿度，决定是否向用户进行推荐。

发明内容

本发明解决的技术问题是提供一种APP偏好确定方法及装置、计算机可读存储介质、终端，有机会根据用户对目标APP的安装意愿度，决定是否向用户进行推荐，有效提高推荐-下载转化率。

为解决上述技术问题，本发明实施例提供一种应用程序APP偏好确定方法，包括：获取用户的一个或多个历史APP在预设时长内被访问的访问属性信息；确定推荐模型的效用函数的表达式，所述效用函数的表达式包含所述访问属性信息、隐性属性参数以及APP关联关系参数；估计所述推荐模型的多组参数向量，其中，每组参数均包括所述访问属性信息、隐性属性参数以及APP关联关系参数；采用预设的目标函数，得到拟合效果最优的一组参数向量；采用所述拟合效果最优的一组参数向量，确定所述用户对目标APP的偏好。

可选的，所述目标APP是在接收所述用户输入的请求APP后，根据所述请求APP选取的一个或多个APP；采用所述拟合效果最优的一组参数向量，确定所述用户对所述目标APP的偏好包括：如果在所述拟合效果最优的参数向量中，所述目标APP的隐性属性参数α与所述请求APP的APP关联关系参数的转置向量ρ^T的乘积大于零，则确定所述目标APP为基于所述请求APP的待推荐APP；如果在所述拟合效果最优的参数向量中，所述目标APP的隐性属性参数α与所述请求APP的APP关联关系参数的转置向量ρ^T的乘积小于零，则确定所述目标APP为基于所述请求APP的待规避APP。

可选的，所述访问属性信息选自以下一项或多项：APP下载量参数λ、所述用户的偏好参数θ、潜在时间系数δ、访问时间参数μ、用户数据流量敏感度参数γ、APP数据流量参数β、数据流量使用量m、APP类别参数c以及访问时间所属的周期参数d。

可选的，针对每个历史APP的每次访问，所述推荐模型的效用函数的表达式包括第一效用子函数ψ_its以及第二效用子函数的和；其中，所述第一效用子函数ψ_its是基于所述历史APP的访问属性信息和隐性属性参数确定的；所述第二效用子函数是基于预设时长内在该历史APP之前被访问的其他历史APP的隐性属性参数以及该历史APP与各个其他历史APP之间的关联关系参数确定的。

可选的，所述第一效用子函数ψ_its的表达式包括

与以下一项或多项的和：所述历史APP的下载量参数λ_s；潜在时间系数的转置向量

与访问时间参数μ_s的乘积

所述用户在预设时长内数据流量敏感度的转置向量

所述历史APP的数据流量参数β_s、所述历史APP在所述预设时长内的每分钟数据流量使用量的对数logm_ts的乘积的负数

其中，

用于表示所述用户的偏好参数的转置向量

与所述历史APP的隐性属性参数α_s的乘积；i用于表示所述用户为第i位用户，s用于表示所述历史APP为APP s，t用于表示所述历史APP当前次被访问的时刻。

可选的，所述第二效用子函数的表达式为

其中，

用于表示所述历史APP的APP关联关系参数的转置向量，

用于表示所述预设时长内在该历史APP之前被访问的第k个其他历史APP的隐性属性参数；j用于表示所述历史APP的当前次被访问在所述预设时长内的次序，k为正整数，且k≤j-1；i用于表示所述用户为第i位用户，s用于表示所述历史APP为APP s，t用于表示所述历史APP当前次被访问的时刻。

可选的，针对每个历史APP的每次访问，所述推荐模型的效用函数的表达式还包括与第三效用子函数的和；其中，所述第三效用子函数是针对该历史APP的后续被访问的一个或多个APP，分别计算第一效用子函数和第二效用子函数的和值后得到的最大值。

可选的，所述第三效用子函数的表达式为

其中，ψ_its′用于表示所述历史APP的后续被访问的APP的第一效用子函数，

用于表示所述历史APP的后续被访问的APP的APP关联关系参数的转置向量，

用于表示所述预设时长内在该历史APP之前被访问的第k个其他历史APP的隐性属性参数，α_s用于表示所述历史APP的隐性属性参数；j用于表示所述历史APP的当前次被访问在所述预设时长内的次序，k为正整数，且k≤j-1；i用于表示所述用户为第i位用户，s用于表示所述历史APP为APPs，t用于表示所述历史APP当前次被访问的时刻。

可选的，采用下述后验分布公式，估计所述推荐模型的多组参数向量：

其中，Ω用于表示所述访问属性信息、隐性属性参数以及APP关联关系参数的空间集合，

用于表示多个用户在多个预设时长内使用的历史APP的集合，即

x用于表示其他影响因子，

用于表示给定

和x后,基于Ω空间的APP的预测访问概率；z_it用于表示第i位用户在t时刻访问的历史APP，x_it用于表示第i位用户在t时刻访问历史APP时的其他影响因子，p(z_it|Ω,x_it)用于表示第i位用户在t时刻给定Ω空间和x条件后访问历史APP的预测访问概率，p(Ω)用于表示基于Ω空间的先验分布；

用于表示第i位用户在t时刻基于x条件访问历史APP的集合的预测访问概率。

可选的，确定各个概率参数：

其中，s，s’，s”分别用于表示历史APP为APP s，APP s’，APP s”，Ψ(s,z_it,j-1)用于表示第i位用户在t时刻访问的第j-1个APP为APP s，Ψ(s',z_it,j-1)用于表示第i位用户在t时刻访问的第j-1个APP为APP s’，p(z_it,j＝s|z_it,j-1)用于表示第i位用户在t时刻访问的第j-1个APP为APP s的概率。

可选的，确定先验分布p(Ω)选自：高斯先验分布以及GAMMA先验分布。

可选的，所述其他影响因子选自以下一项或多项：数据流量使用量m、APP类别参数c以及访问时间所属的周期参数d；其中，在同一次估计所述推荐模型的多组参数向量过程中，所述其他影响因子与所述访问属性信息中包含的参数不重复。

可选的，所述预设的目标函数为：

其中，L(v)用于表示所述预设的目标函数，

用于表示给定x后的联合密度函数，q(Ω；v)用于表示从v复变参数空间随机抽取的参数基于Ω空间的APP访问概率，E_q(Ω；v)用于表示最大化证据下限函数。

为解决上述技术问题，本发明实施例提供一种一种APP偏好确定装置，包括：获取模块，用于获取用户的一个或多个历史APP在预设时长内被访问的访问属性信息；表达式确定模块，用于确定推荐模型的效用函数的表达式，所述效用函数的表达式包含所述访问属性信息、隐性属性参数以及APP关联关系参数；估计模块，用于估计所述推荐模型的多组参数向量，其中，每组参数均包括所述访问属性信息、隐性属性参数以及APP关联关系参数；拟合模块，用于采用预设的目标函数，得到拟合效果最优的一组参数向量；偏好确定模块，用于采用所述拟合效果最优的一组参数向量，确定所述用户对目标APP的偏好。

为解决上述技术问题，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述APP偏好确定方法的步骤。

为解决上述技术问题，本发明实施例提供一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述APP偏好确定方法的步骤。

与现有技术相比，本发明实施例的技术方案具有以下有益效果：

在本发明实施例中，通过构建效用函数，采用包括所述访问属性信息、隐性属性参数以及APP关联关系参数在内的多种参数估计参数向量，进而经由拟合得到效果最优的一组参数向量，能够预测用户对目标APP的偏好，从而通过大数据处理技术，在预先对APP数据库中的目标APP进行判断后，有机会根据用户对目标APP的安装意愿度，决定是否向用户进行推荐，有效提高推荐-下载转化率。

进一步，在接收所述用户输入的请求APP后，可以根据所述请求APP选取的目标APP，并根据隐性属性参数α与所述请求APP的APP关联关系参数的转置向量ρ^T的乘积，确定各个目标APP为待推荐APP或者待规避APP，从而可以将珍贵的推荐资源落实到具有更高安装意愿度的APP上，在提高推荐-下载转化率的基础上，避免浪费推荐名额。

进一步，可以基于历史APP以及更早之前被访问的其他历史APP，构建效用函数的表达式，从而利用两者自身的隐性属性参数以及两者间的关联关系参数，确定其他历史APP对历史APP被选择的影响，从而更有效地对用户的潜在下载习惯进行判断，形成针对该用户更具客制化、准确性更高的效用函数，进一步提高判断用户的安装意愿度的准确性。

进一步，还基于历史APP之后被访问的APP构建第三效用子函数，从而利用历史APP、之前被访问的其他历史APP、后续被访问的APP三者自身的隐性属性参数以及后两者分别与历史APP之间的关联关系参数，确定其他历史APP对历史APP被选择的影响，以及确定后续被访问的APP对历史APP被访问的影响，从而更有效地对用户的潜在下载习惯进行判断，形成针对该用户更具客制化、准确性更高的效用函数，进一步提高判断用户的安装意愿度的准确性。

进一步，还基于更多用户、更长的预设时长，采用后验分布公式，估计所述推荐模型的多组参数向量，从而可以通过大数据处理技术，判断更多用户的潜在下载习惯的共性，使得本发明实施例中的推荐模型的应用范围更广泛、更准确。

进一步，通过选取适当的目标函数，可以在指定q(Ω；v)的分布族后，通过迭代优化找到使L(v)最大化的ν，也即得到拟合效果最优的一组参数向量，进一步提高确定所述用户对目标APP的偏好的准确性。

附图说明

图1是本发明实施例中一种应用程序APP偏好确定方法的流程图；

图2是图1中步骤S15的一种具体实施方式的流程图；

图3是本发明实施例中一种应用程序APP偏好确定装置的结构示意图。

具体实施方式

在现有技术中，后台服务器可以经由应用商店等平台向用户推荐APP并提供下载渠道，然而现有的APP推荐方法过于单一，可能会向用户推荐其不感兴趣、安装意愿度低的APP，导致APP的推荐-下载转化率较低。

本发明的发明人经过研究发现，在现有的应用程序推荐方案中，通常是先获取用户输入的请求APP后，根据请求APP的类型，在APP数据库中筛选出同类型的APP，向用户进行推荐。然而，由于同类型APP往往具有可替代性，用户下载其中之一就能够满足需求，因此对推荐的APP安装意愿度较低，用户体验度较差。

在本发明实施例中，通过构建效用函数，采用包括所述访问属性信息、隐性属性参数以及APP关联关系参数在内的多种参数估计参数向量，进而经由拟合得到效果最优的一组参数向量，能够预测用户对目标APP的偏好，从而通过大数据处理技术，在预先对APP数据库中的目标APP进行判断后，有机会根据用户对目标APP的安装意愿度，决定是否向用户进行推荐，有效提高推荐-下载转化率。

为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

参照图1，图1是本发明实施例中一种应用程序APP偏好确定方法的流程图。所述应用程序APP偏好确定方法可以包括步骤S11至步骤S15：

步骤S11：获取用户的一个或多个历史APP在预设时长内被访问的访问属性信息；

步骤S12：确定推荐模型的效用函数的表达式，所述效用函数的表达式包含所述访问属性信息、隐性属性参数以及APP关联关系参数；

步骤S13：估计所述推荐模型的多组参数向量，其中，每组参数均包括所述访问属性信息、隐性属性参数以及APP关联关系参数；

步骤S14：采用预设的目标函数，得到拟合效果最优的一组参数向量；

步骤S15：采用所述拟合效果最优的一组参数向量，确定所述用户对目标APP的偏好。

在步骤S11的具体实施中，对于所述用户，在每个时间段都可能访问一定数量的APP，这些被访问过的APP的相关信息可以作为历史数据，用于建立推荐模型。

可以理解的是，所述预设时长不应当设置过短，否则会导致获取的信息量过少，难以确定用户的下载影响因素；所述预设时长不应当设置过长，否则会导致运算量过大，影响推荐模型的稳定性。作为一个非限制性的例子，可以设置预设时长选自1小时至1个月，例如为1天。

在具体应用中，用户i可以在第t天逐一访问了m_t个历史APP，可以表示为

其中，z_it,j可以表示用户i访问的第j个历史APP，1≤j≤m_t，j可以用于表示所述历史APP的当前次被访问在所述预设时长内的次序。

每次面临选择时，用户i从所有可用的APP中选择使她的使用效用最大化的APP。她在第j个顺序选择APP的效用可以采用下述公式表示：其中，

U_its(z_it,j-1)＝Ψ(s,z_it,j-1)+ε_its

其中，U_its(z_it,j-1)是z_it,j-1的函数，用于表示用户i第j个顺序选择APP的效用，Ψ(s,z_it,j-1)用于表示确定性效用(deterministic utility)，ε_its用于表示耿贝尔(Gumbel)分布的独立分布。

进一步地，所述访问属性信息可以选自以下一项或多项：APP下载量参数λ、所述用户的偏好参数θ、潜在时间系数δ、访问时间参数μ、用户数据流量敏感度参数γ、APP数据流量参数β、数据流量使用量m、APP类别参数c以及访问时间所属的周期参数d。

具体地，机器学习方法通常是基于应用程序和用户的相似性得出的，其目标是最大化预测率，然而，用户往往是基于多种原因的综合结果确定APP使用决策的，例如综合考虑了APP的应用属性、用户自身的个人偏好、APP的时间效应等，这些因素也应当被提取出来，作为用户对APP的偏好的影响因子进行分析。

其中，APP下载量参数λ可以用于表征每个应用程序的整体流行度，较高的λ值会增加用户在访问APP时的效用。

用户的偏好参数θ可以用于表征用户的个人选择倾向性。

关于潜在时间系数δ以及访问时间参数μ，时间效应(又称为季节性)也会影响用户对应用的选择，例如在工作日，用户更频繁地使用工作相关APP，而在周末，用户更频繁地使用游戏APP和音视频APP。

更具体地，访问时间参数μ可以用于对应用程序的季节性进行建模。作为一个非限制性的例子，两个可比较的应用程序可能具有相似的季节性影响，因此我们可以假设同一类别的APP共享相同的访问时间参数μ。潜在时间系数δ可以用于表示不同的预设时长之间的变化(例如每天的变化)。

关于用户数据流量敏感度参数γ、APP数据流量参数β、数据流量使用量m，考虑到用户往往对APP的数据流量消耗较为敏感，可能会由于数据流量的消耗而刻意减少控制使用甚至不使用某一APP，因此可以将用户对数据流量的敏感性因素分解为每个用户的潜在向量(即用户数据流量敏感度参数γ)，每个应用程序的潜在向量(即APP数据流量参数β)，用户数据流量使用量m(例如可以细化为用户在第t天对于APP的每分钟数据流量使用量)。

需要指出的是，为避免规模差异的影响，以及有利于其他参数捕获平均结果分布，可以使用每个APP的平均值对数据流量使用量m进行标准化。

作为一个非限制性的例子，

可以用于表示用户i对APP s的个人敏感度。由于当APP s每分钟的数据流量使用量m较大时，用户i选择APP s的概率变低，因此可以采用负数表达式(例如

)以更好地表征实际发生的情况。

所述APP类别参数c可以用于表示APP的类别，例如购物类APP、母婴类APP、游戏类APP等。

所述访问时间所属的周期参数d可以用于表示以下一项或多项：访问时间属于一周中的哪一天和当时的假期信息，如是否属于假期、属于何种假期等。

在本发明实施例中，通过设置多种访问属性信息，可以基于多种原因的综合结果对用户的APP使用决策进行分析，有助于提高后续判断和预测的准确性。

在步骤S12的具体实施中，推荐模型的效用函数的表达式可以包含所述访问属性信息、隐性属性参数以及APP关联关系参数。

其中，当用户基于多种原因的综合结果确定APP使用决策时，除了综合考虑各个显性因素(如前文提到的APP的应用属性、用户自身的个人偏好、APP的时间效应等)，在用户选择APP时还可能受到环境影响、他人影响等隐性因素的影响，所述隐形因素具有不明显性，很难被研究人员观察到，可以采用隐形属性参数α表征。

APP关联关系参数ρ可以用于表示APP之间的关联关系，如用户访问的第j个APP与之前访问的第1,2,……,j-1个历史APP之间可能具有竞争关系或互补关系。

换言之，APP s’与APP s之间具有互补关系，意味着用户访问过APP s’之后，访问APP s的可能性增大，例如访问过母婴APP后，访问购物APP的可能性增大；APP s’与APP s之间具有竞争关系，意味着用户访问过APP s’之后，访问APP s的可能性减小，例如访问过百度地图APP后，访问高德地图APP的可能性减小。

在本发明实施例中，通过额外设置隐性属性参数α以及APP关联关系参数ρ，可以更加全面地分析用户对各个历史APP的访问决策，有助于在后续预测用户对目标APP的偏好时，提高预测的准确性。

进一步地，针对每个历史APP的每次访问，所述推荐模型的效用函数的表达式可以包括第一效用子函数ψ_its以及第二效用子函数的和；其中，所述第一效用子函数ψ_its是基于所述历史APP的访问属性信息和隐性属性参数确定的；所述第二效用子函数是基于预设时长内在该历史APP之前被访问的其他历史APP的隐性属性参数以及该历史APP与各个其他历史APP之间的关联关系参数确定的。

更进一步地，所述第一效用子函数ψ_its的表达式可以包括

与以下一项或多项的和：所述历史APP的下载量参数λ_s；潜在时间系数的转置向量

与访问时间参数μ_s的乘积

所述用户在预设时长内数据流量敏感度的转置向量

所述历史APP的数据流量参数β_s、所述历史APP在所述预设时长内的每分钟数据流量使用量的对数logm_ts的乘积的负数

其中，

用于表示所述用户的偏好参数的转置向量

与所述历史APP的隐性属性参数α_s的乘积；i用于表示所述用户为第i位用户，s用于表示所述历史APP为APP s，t用于表示所述历史APP当前次被访问的时刻。

作为一个非限制性的例子，当上述三项均被选择时，所述第一效用子函数ψ_its的表达式为：

由前文可知，t还可以简化表示为所述历史APP当前次被访问是在第t天进行的，在本发明实施例中，对于t的精细程度不作限制。

更进一步地，所述第二效用子函数的表达式为

其中，

用于表示所述历史APP的APP关联关系参数的转置向量，

用于表示所述预设时长内在该历史APP之前被访问的第k个其他历史APP的隐性属性参数；j用于表示所述历史APP的当前次被访问在所述预设时长内的次序，k为正整数，且k≤j-1；i用于表示所述用户为第i位用户，s用于表示所述历史APP为APP s，t用于表示所述历史APP当前次被访问的时刻。

具体地，APP s’与APP s之间可能具有互补关系或竞争关系。在本发明实施例中，可以采用隐性属性参数α与APP关联关系参数的转置向量ρ^T的乘积表示两个APP之间的竞争水平。

由上可知，针对每个历史APP的每次访问，所述推荐模型的效用函数的表达式可以为：

在本发明实施例中，可以基于历史APP以及更早之前被访问的其他历史APP，构建效用函数的表达式，从而利用两者自身的隐性属性参数以及两者间的关联关系参数，确定其他历史APP对历史APP被选择的影响，从而更有效地对用户的潜在下载习惯进行判断，形成针对该用户更具客制化、准确性更高的效用函数，进一步提高判断用户的安装意愿度的准确性。

进一步地，针对每个历史APP的每次访问，所述推荐模型的效用函数的表达式还可以包括与第三效用子函数的和；其中，所述第三效用子函数是针对该历史APP的后续被访问的一个或多个APP，分别计算第一效用子函数和第二效用子函数的和值后得到的最大值。

更进一步地，所述第三效用子函数的表达式可以为：

其中，ψ_its'用于表示所述历史APP的后续被访问的APP的第一效用子函数，

用于表示所述历史APP的后续被访问的APP的APP关联关系参数的转置向量，

用于表示所述预设时长内在该历史APP之前被访问的第k个其他历史APP的隐性属性参数，α_s用于表示所述历史APP的隐性属性参数；j用于表示所述历史APP的当前次被访问在所述预设时长内的次序，k为正整数，且k≤j-1；i用于表示所述用户为第i位用户，s用于表示所述历史APP为APP s，s’用于表示所述历史APP的后续被访问的APP为APP s’，t用于表示所述历史APP当前次被访问的时刻。

具体地，用户可能由于预见到后续APP的使用情况而控制减少甚至取消使用当前APP，例如之前每次访问某一游戏APP的平均时长为1小时，由于预见到后续会存在数据流量和/或屏幕时长的限制等问题(例如需要进行视频通话)，缩短对该游戏APP的访问时长至15分钟。

由上可知，针对每个历史APP的每次访问，所述推荐模型的效用函数的表达式可以为：

在本发明实施例中，还可以基于历史APP之后被访问的APP构建第三效用子函数，从而利用历史APP、之前被访问的其他历史APP、后续被访问的APP三者自身的隐性属性参数以及后两者分别与历史APP之间的关联关系参数，确定其他历史APP对历史APP被选择的影响，以及确定后续被访问的APP对历史APP被访问的影响，从而更有效地对用户的潜在下载习惯进行判断，形成针对该用户更具客制化、准确性更高的效用函数，进一步提高判断用户的安装意愿度的准确性。

在步骤S13的具体实施中，可以基于更多用户、更长的预设时长，采用后验分布公式，估计所述推荐模型的多组参数向量。

具体地，可以采用下述后验分布公式，估计所述推荐模型的多组参数向量：

其中，Ω用于表示所述访问属性信息、隐性属性参数以及APP关联关系参数的空间集合，

用于表示多个用户在多个预设时长内使用的历史APP的集合，即

x用于表示其他影响因子，

用于表示给定

和x后,基于Ω空间的APP的预测访问概率；z_it用于表示第i位用户在t时刻访问的历史APP，x_it用于表示第i位用户在t时刻访问历史APP时的其他影响因子，p(z_it|Ω,x_it)用于表示第i位用户在t时刻给定Ω空间和x条件后访问历史APP的预测访问概率，p(Ω)用于表示基于Ω空间的先验分布；

用于表示第i位用户在t时刻基于x条件访问历史APP的集合的预测访问概率。

在具体实施中，可以通过贝叶斯方法推断一组潜在变量Ω＝{ρ,α,λ,θ,δ,μ,γ,β}，可以观察n个用户在T天内访问的APP，

还可以观察其他影响因子x。

进一步地，所述其他影响因子可以选自以下一项或多项：数据流量使用量m、APP类别参数c以及访问时间所属的周期参数d，其中，在同一次估计所述推荐模型的多组参数向量过程中，所述其他影响因子与所述访问属性信息中包含的参数不重复。

在本发明实施例中，通过设置其他影响因子，可以进一步增加分析的参数，也就能更加全面地分析用户对各个历史APP的访问决策，有助于在后续预测用户对目标APP的偏好时，提高预测的准确性。

进一步地，确定先验分布p(Ω)的方式可以选自：高斯先验分布以及GAMMA先验分布。

在具体实施中，可以为每个参数设置独立的先验分布。

作为一个非限制性的例子，对于实值(real-valued)的参数，如隐性属性参数α、APP关联关系参数ρ、APP下载量参数λ、所述用户的偏好参数θ、潜在时间系数δ和访问时间参数μ，可以采用高斯先验；对于正值(positive-valued)的参数，如用户数据流量敏感度参数γ、APP数据流量参数β，可以采用Gamma先验，从而有效提高先验效果。

进一步地，可以采用下述公式，确定各个概率参数：

其中，s，s’，s”分别用于表示历史APP为APP s，APP s’，APP s”，Ψ(s,z_it,j-1)用于表示第i位用户在t时刻访问的第j-1个APP为APP s，Ψ(s',z_it,j-1)用于表示第i位用户在t时刻访问的第j-1个APP为APP s’，p(z_it,j＝s|z_it,j-1)用于表示第i位用户在t时刻访问的第j-1个APP为APP s的概率。

用于表示对包括第i位用户在内的n位用户的数据进行连乘运算，

用于表示对包括t时刻在内的T个时刻(如T天)的数据进行连乘运算。

有关上述公式中的更多参数，可以参照前文以及推荐模型的效用函数的表达式的内容，此处不再赘述。

在本发明实施例中，还可以基于更多用户、更长的预设时长，采用后验分布公式，估计所述推荐模型的多组参数向量，从而可以通过大数据处理技术，判断更多用户的潜在下载习惯的共性，使得本发明实施例中的推荐模型的应用范围更广泛、更准确。

在步骤S14的具体实施中，采用预设的目标函数，得到拟合效果最优的一组参数向量。

进一步地，所述预设的目标函数可以为：

其中，L(v)用于表示所述预设的目标函数，

用于表示给定x后的联合密度函数，q(Ω；v)用于表示从v复变参数空间随机抽取的参数基于Ω空间的APP访问概率，E_q(Ω；v)用于表示最大化证据下限函数。

需要指出的是，

可以由前文确定的

和

计算乘积得到，还可以采用其他常规方式确定。

在具体实施中，可以指定q(Ω；v)的平均场族(mean-field family)，则每个潜在变量相互独立，并随其变分参数而变化。然而，潜变量可以不被假定为相同分布，从而提高推荐模型的普遍性。

本发明的发明人经过研究发现，由于难以处理的边缘分布、分母积分和大选择集的softmax函数，很难直接推导出后验的解析形式。因此结合了贝叶斯近似方法、变分推理(variational inference，VI)。这是因为VI在大数据处理方面更有效率。

具体地，VI不是从候选分布中迭代采样，而是在期望分布的同一族中搜索最接近的分布，将采样问题转化为优化问题，从而可以在设立适当的目标函数后，根据最大化证据下限(evidence lower bound，ELBO)，得到拟合效果最优的Ω。

在一个非限制性的具体实施例中，在指定q(Ω；v)的分布族(distributionfamily)后，可以通过随机优化找到使ELBOL(v)最大化的v，记为v^*，然后可以通过最优化q(Ω；v^*)来近似后验分布。

在本发明实施例中，通过选取适当的目标函数，可以在指定q(Ω；v)的分布族后，通过迭代优化找到使L(v)最大化的ν，也即得到拟合效果最优的一组参数向量，进一步提高确定所述用户对目标APP的偏好的准确性。

在步骤S15的具体实施中，可以采用所述拟合效果最优的一组参数向量，确定所述用户对目标APP的偏好。

参照图2，图2是图1中步骤S15的一种具体实施方式的流程图。所述目标APP可以是在接收所述用户输入的请求APP后，根据所述请求APP选取的一个或多个APP；采用所述拟合效果最优的一组参数向量，确定所述用户对所述目标APP的偏好的步骤可以包括步骤S21至步骤S22，以下对各个步骤进行说明。

在步骤S21中，如果在所述拟合效果最优的参数向量中，所述目标APP的隐性属性参数与所述请求APP的APP关联关系参数的转置向量的乘积大于零，则确定所述目标APP为基于所述请求APP的待推荐APP。

在步骤S22中，如果在所述拟合效果最优的参数向量中，所述目标APP的隐性属性参数与所述请求APP的APP关联关系参数的转置向量的乘积小于零，则确定所述目标APP为基于所述请求APP的待规避APP。

具体地，可以采用隐性属性参数α与APP关联关系参数的转置向量ρ^T的乘积表示两个APP之间的竞争水平，公式表示如下：

其中，S₁用于表示请求APP，S₂用于表示目标APP，

用于表示S₁与S₂之间的互补关系和竞争关系。

需要指出的是，当

时，用户输入请求APP的行为增加了使用目标APP的可能性，当

上升时，互补效应增强；当

时，用户输入请求APP的行为使得目标APP被使用的可能性降低，当

上升时，替代效应随着

的上升而下降；当

等于0时，用户输入请求APP的行为不会影响目标APP被使用。

在本发明实施例中，在接收所述用户输入的请求APP后，可以根据所述请求APP选取的目标APP，并根据隐性属性参数α与所述请求APP的APP关联关系参数的转置向量ρ^T的乘积，确定各个目标APP为待推荐APP或者待规避APP，从而可以将珍贵的推荐资源落实到具有更高安装意愿度的APP上，在提高推荐-下载转化率的基础上，避免浪费推荐名额。

具体而言，采用本发明实施例的方案，可以帮助APP所有者根据APP的潜在属性识别该APP的不同级别的竞争对手，通过更好地了解竞争对手，APP所有者可以审查其产品线的“护城河”。相应地，清楚地了解竞争对手也可以帮助企业战略性地调整现有产品设计，从而避免产品线内部的蚕食，增强对其他企业产品的竞争力。从长远来看，通过更好地了解APP行业的市场结构，APP所有者可以在战略规划其新产品设计和定位方面获得更多洞察，还可以提高投资决策的针对性和有效性。

进一步地，采用本发明实施例的方案，还可以帮助应用商店等平台根据用户使用数据得出的潜在属性来评估APP，提高APP的推荐效率和总下载量，还可以提高广告投放的针对性和有效性。

在本发明实施例中，通过构建效用函数，采用包括所述访问属性信息、隐性属性参数以及APP关联关系参数在内的多种参数估计参数向量，进而经由拟合得到效果最优的一组参数向量，能够预测用户对目标APP的偏好，从而通过大数据处理技术，在预先对APP数据库中的目标APP进行判断后，有机会根据用户对目标APP的安装意愿度，决定是否向用户进行推荐，有效提高推荐-下载转化率。

参照图3，图3是本发明实施例中一种应用程序APP偏好确定装置的结构示意图。所述应用程序APP偏好确定装置可以包括：

获取模块31，用于获取用户的一个或多个历史APP在预设时长内被访问的访问属性信息；

表达式确定模块32，用于确定推荐模型的效用函数的表达式，所述效用函数的表达式包含所述访问属性信息、隐性属性参数以及APP关联关系参数；

估计模块33，用于估计所述推荐模型的多组参数向量，其中，每组参数均包括所述访问属性信息、隐性属性参数以及APP关联关系参数；

拟合模块34，用于采用预设的目标函数，得到拟合效果最优的一组参数向量；

偏好确定模块35，用于采用所述拟合效果最优的一组参数向量，确定所述用户对目标APP的偏好。

关于图3示出的APP偏好确定装置的工作原理、工作方式和有益效果等更多内容，可以参照前文以及图1至图2的相关描述，在此不再赘述。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时，执行上述的APP偏好确定方法的步骤。所述存储介质可以包括ROM、RAM、磁盘或光盘等。所述存储介质还可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器等。

本发明实施例还提供一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述的APP偏好确定方法的步骤。所述终端包括但不限于手机、计算机、平板电脑、服务器、云平台等终端设备。

应理解，本申请实施例中，所述处理器可以为中央处理单元(central processingunit，简称CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor，简称DSP)、专用集成电路(application specific integrated circuit，简称ASIC)、现成可编程门阵列(field programmable gate array，简称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。

还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，简称ROM)、可编程只读存储器(programmable ROM，简称PROM)、可擦除可编程只读存储器(erasable PROM，简称EPROM)、电可擦除可编程只读存储器(electricallyEPROM，简称EEPROM)或闪存。易失性存储器可以是随机存取存储器(random accessmemory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，简称RAM)可用，例如静态随机存取存储器(staticRAM，简称SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronousDRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，简称DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，简称ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，简称DR RAM)。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机程序可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，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单元的形式实现。例如，对于应用于或集成于芯片的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片内部集成的处理器，剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现；对于应用于或集成于芯片模组的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，不同的模块/单元可以位于芯片模组的同一组件(例如芯片、电路模块等)或者不同组件中，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片模组内部集成的处理器，剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现。

应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，表示前后关联对象是一种“或”的关系。

本申请实施例中出现的“多个”是指两个或两个以上。

本申请实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本申请实施例中对设备个数的特别限定，不能构成对本申请实施例的任何限制。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (16)

1.一种应用程序APP偏好确定方法，其特征在于，包括：

获取用户的一个或多个历史APP在预设时长内被访问的访问属性信息；

确定推荐模型的效用函数的表达式，所述效用函数的表达式包含所述访问属性信息、隐性属性参数以及APP关联关系参数；

估计所述推荐模型的多组参数向量，其中，每组参数均包括所述访问属性信息、隐性属性参数以及APP关联关系参数；

采用预设的目标函数，得到拟合效果最优的一组参数向量；

采用所述拟合效果最优的一组参数向量，确定所述用户对目标APP的偏好。

2.根据权利要求1所述的方法，其特征在于，所述目标APP是在接收所述用户输入的请求APP后，根据所述请求APP选取的一个或多个APP；

采用所述拟合效果最优的一组参数向量，确定所述用户对所述目标APP的偏好包括：

如果在所述拟合效果最优的参数向量中，所述目标APP的隐性属性参数α与所述请求APP的APP关联关系参数的转置向量ρ^T的乘积大于零，则确定所述目标APP为基于所述请求APP的待推荐APP；

如果在所述拟合效果最优的参数向量中，所述目标APP的隐性属性参数α与所述请求APP的APP关联关系参数的转置向量ρ^T的乘积小于零，则确定所述目标APP为基于所述请求APP的待规避APP。

3.根据权利要求1所述的方法，其特征在于，所述访问属性信息选自以下一项或多项：

APP下载量参数λ、所述用户的偏好参数θ、潜在时间系数δ、访问时间参数μ、用户数据流量敏感度参数γ、APP数据流量参数β、数据流量使用量m、APP类别参数c以及访问时间所属的周期参数d。

4.根据权利要求1所述的方法，其特征在于，

针对每个历史APP的每次访问，所述推荐模型的效用函数的表达式包括第一效用子函数ψ_its以及第二效用子函数的和；

其中，所述第一效用子函数ψ_its是基于所述历史APP的访问属性信息和隐性属性参数确定的；

所述第二效用子函数是基于预设时长内在该历史APP之前被访问的其他历史APP的隐性属性参数以及该历史APP与各个其他历史APP之间的关联关系参数确定的。

5.根据权利要求4所述的方法，其特征在于，所述第一效用子函数ψ_its的表达式包括

与以下一项或多项的和：

所述历史APP的下载量参数λ_s；

潜在时间系数的转置向量

与访问时间参数μ_s的乘积

所述用户在预设时长内数据流量敏感度的转置向量

所述历史APP的数据流量参数β_s、所述历史APP在所述预设时长内的每分钟数据流量使用量的对数logm_ts的乘积的负数

其中，

用于表示所述用户的偏好参数的转置向量

与所述历史APP的隐性属性参数α_s的乘积；

i用于表示所述用户为第i位用户，s用于表示所述历史APP为APP s，t用于表示所述历史APP当前次被访问的时刻。

6.根据权利要求4所述的方法，其特征在于，所述第二效用子函数的表达式为

其中，

用于表示所述历史APP的APP关联关系参数的转置向量，

用于表示所述预设时长内在该历史APP之前被访问的第k个其他历史APP的隐性属性参数；

j用于表示所述历史APP的当前次被访问在所述预设时长内的次序，k为正整数，且k≤j-1；

i用于表示所述用户为第i位用户，s用于表示所述历史APP为APP s，t用于表示所述历史APP当前次被访问的时刻。

7.根据权利要求4所述的方法，其特征在于，针对每个历史APP的每次访问，所述推荐模型的效用函数的表达式还包括与第三效用子函数的和；

其中，所述第三效用子函数是针对该历史APP的后续被访问的一个或多个APP，分别计算第一效用子函数和第二效用子函数的和值后得到的最大值。

8.根据权利要求7所述的方法，其特征在于，所述第三效用子函数的表达式为

其中，ψ_its'用于表示所述历史APP的后续被访问的APP的第一效用子函数，

用于表示所述历史APP的后续被访问的APP的APP关联关系参数的转置向量，

用于表示所述预设时长内在该历史APP之前被访问的第k个其他历史APP的隐性属性参数，α_s用于表示所述历史APP的隐性属性参数；

j用于表示所述历史APP的当前次被访问在所述预设时长内的次序，k为正整数，且k≤j-1；

i用于表示所述用户为第i位用户，s用于表示所述历史APP为APP s，t用于表示所述历史APP当前次被访问的时刻。

9.根据权利要求1所述的方法，其特征在于，采用下述后验分布公式，估计所述推荐模型的多组参数向量：

其中，Ω用于表示所述访问属性信息、隐性属性参数以及APP关联关系参数的空间集合，

用于表示多个用户在多个预设时长内使用的历史APP的集合，即

x用于表示其他影响因子，

用于表示给定

和x后,基于Ω空间的APP的预测访问概率；

z_it用于表示第i位用户在t时刻访问的历史APP，x_it用于表示第i位用户在t时刻访问历史APP时的其他影响因子，p(z_it|Ω,x_it)用于表示第i位用户在t时刻给定Ω空间和x条件后访问历史APP的预测访问概率，p(Ω)用于表示基于Ω空间的先验分布；

用于表示第i位用户在t时刻基于x条件访问历史APP的集合的预测访问概率。

10.根据权利要求9所述的方法，其特征在于，采用下述公式，确定各个概率参数：

其中，s，s’，s”分别用于表示历史APP为APP s，APP s’，APP s”，Ψ(s,z_it,j-1)用于表示第i位用户在t时刻访问的第j-1个APP为APP s，Ψ(s',z_it,j-1)用于表示第i位用户在t时刻访问的第j-1个APP为APP s’，p(z_it,j＝s|z_it,j-1)用于表示第i位用户在t时刻访问的第j-1个APP为APP s的概率。

11.根据权利要求9所述的方法，其特征在于，确定先验分布p(Ω)选自：

高斯先验分布以及GAMMA先验分布。

12.根据权利要求9所述的方法，其特征在于，所述其他影响因子选自以下一项或多项：

数据流量使用量m、APP类别参数c以及访问时间所属的周期参数d；

其中，在同一次估计所述推荐模型的多组参数向量过程中，所述其他影响因子与所述访问属性信息中包含的参数不重复。

13.根据权利要求1所述的方法，其特征在于，所述预设的目标函数为：

其中，L(v)用于表示所述预设的目标函数，

用于表示给定x后的联合密度函数，q(Ω；v)用于表示从v复变参数空间随机抽取的参数基于Ω空间的APP访问概率，E_q(Ω；v)用于表示最大化证据下限函数。

14.一种APP偏好确定装置，其特征在于，包括：

获取模块，用于获取用户的一个或多个历史APP在预设时长内被访问的访问属性信息；

表达式确定模块，用于确定推荐模型的效用函数的表达式，所述效用函数的表达式包含所述访问属性信息、隐性属性参数以及APP关联关系参数；

估计模块，用于估计所述推荐模型的多组参数向量，其中，每组参数均包括所述访问属性信息、隐性属性参数以及APP关联关系参数；

拟合模块，用于采用预设的目标函数，得到拟合效果最优的一组参数向量；

偏好确定模块，用于采用所述拟合效果最优的一组参数向量，确定所述用户对目标APP的偏好。

15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1至13任一项所述APP偏好确定方法的步骤。

16.一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至13任一项所述APP偏好确定方法的步骤。

Images