CN117193883B - 一种基于人工智能的应用程序信息管控系统及方法 - Google Patents
一种基于人工智能的应用程序信息管控系统及方法 Download PDFInfo
- Publication number
- CN117193883B CN117193883B CN202311241303.8A CN202311241303A CN117193883B CN 117193883 B CN117193883 B CN 117193883B CN 202311241303 A CN202311241303 A CN 202311241303A CN 117193883 B CN117193883 B CN 117193883B
- Authority
- CN
- China
- Prior art keywords
- program
- jump
- target
- programs
- target user
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 108
- 238000010276 construction Methods 0.000 claims description 15
- 230000009191 jumping Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 2
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明涉及信息管理技术领域，具体为一种基于人工智能的应用程序信息管控系统及方法，包括：采集各应用程序功能信息，各应用程序的历史使用记录，并分别对各程序类型集中应用程序发生程序跳转的所有历史使用记录进行捕捉；分析各历史记录集中间隔时长的变化程度，并根据变化程度分析各类目标程序和跳转程序之间的关联性；分析各相邻时间节点对应浏览信息之间的相似度，分析各相似度变化图的拟合直线斜率并根据拟合直线斜率分析目标用户对任意跳转程序的兴趣程度，构建目标用户对各类目标程序和相应跳转程序的个性化需求模型；根据个性化需求模型自适应选择是否进行应用程序的跳转，提高用户对应用程序的使用便利性。
Description
技术领域
本发明涉及信息管理技术领域，具体为一种基于人工智能的应用程序信息管控系统及方法。
背景技术
应用程序是指为完成某项或多项特定工作的计算机程序，它运行于独立的进程，拥有自己独立的地址空间，可以和用户进行交互，具有可视的用户界面。当然，不同的应用程序之间也可以通过系统调用与内核进行交互，从而请求操作系统内核提供各种服务，为人们带来了诸多便利，例如人们利用应用程序跳转进行APP网络授权，实现两个应用程序之间的交互。
然而在现有技术中，很多应用程序的商家为了获得更多的收益，将不良广告等信息投入到用户使用的应用程序中，并提高传感器的灵敏度，增加应用程序的跳转率，实现恶意广告的定向劫持。针对这种乱跳转现象，如何根据应用程序之间的关联性和用户的使用习惯自适应判断用户对应用程序跳转的需求性成为亟待解决的问题。
发明内容
本发明的目的在于提供一种基于人工智能的应用程序信息管控系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的应用程序信息管控方法，包括以下步骤：
步骤S100：采集目标用户在手机终端下载的各应用程序功能信息，并根据功能信息对各应用程序进行分类，分别形成若干个程序类型集；采集目标用户对若干个程序类型集的历史使用记录，分别对各程序类型集中发生应用程序跳转的所有历史使用记录进行捕捉，形成各程序类型集相应的历史记录集；
上述步骤的程序类型集中将同一种功能的应用程序归为一类；
步骤S200：将各历史记录集中目标用户使用的应用程序和发生跳转的应用程序分别设为目标程序和跳转程序；分别对各历史记录集中目标用户将跳转程序切换回目标程序的间隔时长进行捕捉，分析各历史记录集中间隔时长的变化程度，并根据变化程度分析各类目标程序和跳转程序之间的关联性；
步骤S300：根据各类目标程序和跳转程序之间的关联性对任意历史记录集进行筛选，根据筛选后数据获取任意历史记录集的各历史记录中目标用户对跳转前各个时间节点对应的浏览信息，分析各相邻时间节点对应浏览信息之间的相似度；根据各历史记录中相邻时间节点对应浏览信息之间的相似度构建相似度变化图，分析各相似度变化图的拟合直线斜率并根据拟合直线斜率分析目标用户对任意跳转程序的兴趣程度，构建目标用户对各类目标程序和相应跳转程序的个性化需求模型；
步骤S400：自动识别到目标用户当前使用的目标程序触发某一跳转程序的跳转条件，则将目标程序和跳转程序匹配相应目标用户的个性化需求模型，并根据个性化需求模型自适应选择是否进行应用程序的跳转。
进一步的，步骤S200包括：
步骤S210：捕捉各历史记录集中任意一条历史记录，分别将当前使用的应用程序和跳转后的程序记为目标程序和跳转程序；则以各历史记录集中历史记录按时间顺序排列的序号为横坐标，历史记录中跳转程序切换回目标程序的间隔时长为纵坐标对各历史记录集构建二维平面坐标系，分别形成各历史记录集对应的时长变化图；
上述步骤中的时长变化图分析的是各历史记录集中的各类目标程序和跳转程序之间的关联性；
步骤S220：对各历史记录集对应的时长变化图进行捕捉，根据时长变化图依次计算各相邻历史记录对应间隔时长的斜率绝对值|K|；获取时长变化图中|K|大于斜率阈值α1的所有坐标点，形成坐标集合A1，进一步确认坐标集合A1中所有间隔时长的均值T1和坐标集合A1在时长变化图中的数量占比S1；获取时长变化图中|K|小于斜率阈值α1的所有坐标点，形成坐标集合A2，进一步确认坐标集合A2中所有间隔时长的均值T2和坐标集合A2在时长变化图中的数量占比S2；此时根据坐标集合A1和坐标集合A2确认各时长变化图的变化程度G＝σ1*T1*S1+σ2*T2*S2；其中σ1表示坐标集合A1的权重值，σ2表示坐标集合A2的权重值，σ1＞＞σ2；
上述步骤中当S1占比变大时，相应T1*S1的值变大，由于σ1＞＞σ2，则G的变化程度越高，此时变化程度G大于变化阈值的可能性越高；
其中坐标集合A1的权重值σ1远大于坐标集合A2的权重值σ2的目的是：现实情况下坐标集合A1中间隔时长变化率较高，相应的权重设置较大；分析各时长变化图中各历史记录对应间隔时长的斜率绝对值|K|，则当|K|大于斜率阈值α1时，表示用户对相应一类应用程序的跳转接受度变化较大；
通过分析各时长变化图中各历史记录对应间隔时长的斜率绝对值，并根据斜率绝对值分析各时长变化图的变化程度，有利于分析目标用户对各类目标程序跳转时的使用规律性；
步骤S230：当变化程度G小于变化阈值s时，得到各时长变化图对应历史记录集中各类目标程序和相应跳转程序之间的关联程度R＝G；反之，当变化程度G大于变化阈值s时，各时长变化图对应各类目标程序和相应跳转程序之间的关联程度则无法确定。
进一步的，步骤S300包括：
步骤S310：获取各类目标程序和相应跳转程序关联程度无法确定的任意历史记录集，则根据任意历史记录集中各历史记录的间隔时长分别和时长阈值γ的比较值大小，将任意历史记录集中的各历史记录分别设为有效记录集P1和无效记录集P2；分别获取有效记录集P1和无效记录集P2的各历史记录中目标用户对跳转前各个时间节点对应的浏览信息，形成各历史记录对应的浏览信息集；依次对浏览信息集中各相邻时间节点对应的浏览信息B1、B2进行捕捉，则得到各相邻时间节点对应浏览信息的相似度w＝|B1∩B2|/|B1∪B2|，并将所述相似度赋值给各相邻时间节点的再后时间节点，形成各历史记录对应的相似度集合；
步骤S320：以相似度集合中各时间节点为横坐标，各时间节点对应的相似度为纵坐标构建相似度变化图；对相似度变化图中各时间节点的相似度进行直线拟合，确认拟合直线的斜率F；根据各历史记录中拟合直线的斜率F分别形成有效记录集P1的拟合直线斜率集和无效记录集P2的拟合直线斜率集；分别获取有效记录集P1和无效记录集P2中各历史记录相应的跳转程序，分别捕捉任意相同跳转程序的数量H1和H2；此时得到目标用户对任意相同跳转程序的兴趣程度C＝ε*[H1*F1/|P1|+H2*F2/|P2|]；其中ε表示任意跳转程序的程序参数，F1和F2分别表示有效记录集P1和无效记录集P2的拟合直线斜率集中跳转到任意跳转程序时对应各历史记录的拟合直线斜率均值；
上述步骤中当拟合直线斜率F越小，则目标用户对相应目标程序中浏览内容的关注程度越低，同关注程度成正比关系；
上述步骤中不同的跳转程序对应不同的程序参数ε，它由用户的历史使用时长决定；
步骤S330：获取各类目标程序和相应跳转程序之间的关联程度R、目标用户对任意相同跳转程序的兴趣程度C构建目标用户对各类目标程序和相应跳转程序的个性化需求模型
其中当σ2*T2*S2小于阈值时，表明用户的个性化需求很低，则后续产生跳转需求时直接拒绝，当σ2*T2*S2大于阈值时，表明用户的个性化需求很高，则后续产生跳转需求时直接接受；
通过获取各历史记录发生跳转前各个时间节点对应的浏览信息，根据浏览信息分析目标用户对各应用程序的关注程度，并根据目标对各应用程序的关注程度和跳转到相应跳转程序的兴趣程度构建目标用户的个性化需求模型，自适应判断用户对应用程序跳转的需求性，不仅提高用户使用应用程序的便利性，还增加了应用程序的使用安全性。
进一步的，步骤S400包括：
步骤S410：系统自动识别到目标用户当前使用的目标程序触发某一跳转程序的跳转条件，则将目标程序和跳转程序匹配相应目标用户的个性化需求模型，并根据个性化需求模型确认目标用户的跳转需求值；
步骤S420：若跳转需求值大于需求阈值μ，则自动将目标程序跳转为跳转程序，反之，则拒绝目标程序的跳转；获取目标用户当前对目标程序和跳转程序的使用记录，对个性化需求模型Y做进一步的迭代。
应用程序信息管控系统，系统包括：数据采集模块、数据库、关联性分析模块、模型构建模块和自适应处理模块；
通过数据采集模块采集目标用户在手机终端下载的各应用程序功能信息，并根据功能信息对各应用程序进行分类，分别形成若干个程序类型集；采集目标用户对若干个程序类型集的历史使用记录，分别对各程序类型集中发生应用程序跳转的所有历史使用记录进行捕捉，形成各程序类型集相应的历史记录集；
通过数据库对所有采集的数据进行存储；
通过关联性分析模块将各历史记录集中目标用户使用的应用程序和发生跳转的应用程序分别设为目标程序和跳转程序；分别对各历史记录集中目标用户将跳转程序切换回目标程序的间隔时长进行捕捉，分析各历史记录集中间隔时长的变化程度，并根据变化程度分析各类目标程序和跳转程序之间的关联性；
通过模型构建模块根据各类目标程序和跳转程序之间的关联性对任意历史记录集进行筛选，根据筛选后数据获取任意历史记录集的各历史记录中目标用户对跳转前各个时间节点对应的浏览信息，分析各相邻时间节点对应浏览信息之间的相似度；根据各历史记录中相邻时间节点对应浏览信息之间的相似度构建相似度变化图，分析各相似度变化图的拟合直线斜率并根据拟合直线斜率分析目标用户对任意跳转程序的兴趣程度，构建目标用户对各类目标程序和相应跳转程序的个性化需求模型；
通过自适应处理模块自动识别到目标用户当前使用的目标程序触发某一跳转程序的跳转条件，则将目标程序和跳转程序匹配相应目标用户的个性化需求模型，并根据个性化需求模型自适应选择是否进行应用程序的跳转。
进一步的，数据采集模块包括程序分类单元和记录采集单元；
程序分类单元用于采集目标用户在手机终端下载的各应用程序功能信息，并根据功能信息对各应用程序进行分类；记录采集单元用于采集目标用户对各应用程序的历史使用记录，则分别对各程序类型集中应用程序发生程序跳转的所有历史使用记录进行捕捉，分别形成各程序类型集相应的历史记录集。
进一步的，关联性分析模块包括程序设定单元、变化程度分析单元和关联性分析单元；
程序设定单元用于将各历史记录集中目标用户使用的应用程序和发生跳转的应用程序分别设为目标程序和跳转程序；变化程度分析单元用于分析各历史记录集中间隔时长的变化程度；关联性分析单元用于根据变化程度分析各类目标程序和跳转程序之间的关联性。
进一步的，模型构建模块包括相似度分析单元、斜率分析单元和模型构建单元；
相似度分析单元用于获取任意历史记录集的各历史记录中目标用户对跳转前各个时间节点对应的浏览信息，分析各相邻时间节点对应浏览信息之间的相似度；斜率分析单元用于根据各历史记录中相邻时间节点对应浏览信息之间的相似度构建相似度变化图，分析各相似度变化图的拟合直线斜率并根据拟合直线斜率分析目标用户对任意跳转程序的兴趣程度；模型构建单元用于构建目标用户对各类目标程序和相应跳转程序的个性化需求模型。
进一步的，自适应处理模块包括数据匹配单元和智能选择单元；
数据匹配单元用于自动识别到目标用户当前使用的目标程序触发某一跳转程序的跳转条件，则将目标程序和跳转程序匹配相应目标用户的个性化需求模型；智能选择单元用于根据个性化需求模型自适应选择是否进行应用程序的跳转。
与现有技术相比，本发明所达到的有益效果是：
本发明通过分析各时长变化图中各历史记录对应间隔时长的斜率绝对值，并根据斜率绝对值分析各时长变化图的变化程度，有利于分析目标用户对各类目标程序跳转时的使用规律性；通过获取各历史记录发生跳转前各个时间节点对应的浏览信息，根据浏览信息分析目标用户对各应用程序的关注程度，并根据目标对各应用程序的关注程度和跳转到相应跳转程序的兴趣程度构建目标用户的个性化需求模型，自适应判断用户对应用程序跳转的需求性，提高了用户使用应用程序的便利性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于人工智能的应用程序信息管控系统的结构图；
图2是本发明一种基于人工智能的应用程序信息管控方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供技术方案：应用程序信息管控系统，系统包括：数据采集模块、数据库、关联性分析模块、模型构建模块和自适应处理模块；
通过数据采集模块采集目标用户在手机终端下载的各应用程序功能信息，并根据功能信息对各应用程序进行分类，分别形成若干个程序类型集；采集目标用户对若干个程序类型集的历史使用记录，分别对各程序类型集中发生应用程序跳转的所有历史使用记录进行捕捉，形成各程序类型集相应的历史记录集；
数据采集模块包括程序分类单元和记录采集单元；
程序分类单元用于采集目标用户在手机终端下载的各应用程序功能信息，并根据功能信息对各应用程序进行分类；记录采集单元用于采集目标用户对各应用程序的历史使用记录，则分别对各程序类型集中应用程序发生程序跳转的所有历史使用记录进行捕捉，分别形成各程序类型集相应的历史记录集。
通过数据库对所有采集的数据进行存储；
通过关联性分析模块将各历史记录集中目标用户使用的应用程序和发生跳转的应用程序分别设为目标程序和跳转程序；分别对各历史记录集中目标用户将跳转程序切换回目标程序的间隔时长进行捕捉，分析各历史记录集中间隔时长的变化程度，并根据变化程度分析各类目标程序和跳转程序之间的关联性；
关联性分析模块包括程序设定单元、变化程度分析单元和关联性分析单元；
程序设定单元用于将各历史记录集中目标用户使用的应用程序和发生跳转的应用程序分别设为目标程序和跳转程序；变化程度分析单元用于分析各历史记录集中间隔时长的变化程度；关联性分析单元用于根据变化程度分析各类目标程序和跳转程序之间的关联性。
通过模型构建模块根据各类目标程序和跳转程序之间的关联性对任意历史记录集进行筛选，根据筛选后数据获取任意历史记录集的各历史记录中目标用户对跳转前各个时间节点对应的浏览信息，分析各相邻时间节点对应浏览信息之间的相似度；根据各历史记录中相邻时间节点对应浏览信息之间的相似度构建相似度变化图，分析各相似度变化图的拟合直线斜率并根据拟合直线斜率分析目标用户对任意跳转程序的兴趣程度，构建目标用户对各类目标程序和相应跳转程序的个性化需求模型；
模型构建模块包括相似度分析单元、斜率分析单元和模型构建单元；
相似度分析单元用于获取任意历史记录集的各历史记录中目标用户对跳转前各个时间节点对应的浏览信息，分析各相邻时间节点对应浏览信息之间的相似度；斜率分析单元用于根据各历史记录中相邻时间节点对应浏览信息之间的相似度构建相似度变化图，分析各相似度变化图的拟合直线斜率并根据拟合直线斜率分析目标用户对任意跳转程序的兴趣程度；模型构建单元用于构建目标用户对各类目标程序和相应跳转程序的个性化需求模型。
通过自适应处理模块自动识别到目标用户当前使用的目标程序触发某一跳转程序的跳转条件，则将目标程序和跳转程序匹配相应目标用户的个性化需求模型，并根据个性化需求模型自适应选择是否进行应用程序的跳转；
自适应处理模块包括数据匹配单元和智能选择单元；
数据匹配单元用于自动识别到目标用户当前使用的目标程序触发某一跳转程序的跳转条件，则将目标程序和跳转程序匹配相应目标用户的个性化需求模型；智能选择单元用于根据个性化需求模型自适应选择是否进行应用程序的跳转。
请参阅图2，本发明提供技术方案：一种基于人工智能的应用程序信息管控方法，包括以下步骤：
步骤S100：采集目标用户在手机终端下载的各应用程序功能信息，并根据功能信息对各应用程序进行分类，分别形成若干个程序类型集；采集目标用户对若干个程序类型集的历史使用记录，分别对各程序类型集中发生应用程序跳转的所有历史使用记录进行捕捉，形成各程序类型集相应的历史记录集；
上述步骤的程序类型集中将同一种功能的应用程序归为一类；
步骤S200：将各历史记录集中目标用户使用的应用程序和发生跳转的应用程序分别设为目标程序和跳转程序；分别对各历史记录集中目标用户将跳转程序切换回目标程序的间隔时长进行捕捉，分析各历史记录集中间隔时长的变化程度，并根据变化程度分析各类目标程序和跳转程序之间的关联性；
步骤S200包括：
步骤S210：捕捉各历史记录集中任意一条历史记录，分别将当前使用的应用程序和跳转后的程序记为目标程序和跳转程序；则以各历史记录集中历史记录按时间顺序排列的序号为横坐标，历史记录中跳转程序切换回目标程序的间隔时长为纵坐标对各历史记录集构建二维平面坐标系，分别形成各历史记录集对应的时长变化图；
上述步骤中的时长变化图分析的是各历史记录集中的各类目标程序和跳转程序之间的关联性；
步骤S220：对各历史记录集对应的时长变化图进行捕捉，根据时长变化图依次计算各相邻历史记录对应间隔时长的斜率绝对值|K|；获取时长变化图中|K|大于斜率阈值2的所有坐标点，形成坐标集合A1，进一步确认坐标集合A1中所有间隔时长的均值T1＝1/60h和坐标集合A1在时长变化图中的数量占比S1＝3/5；获取时长变化图中|K|小于斜率阈值2的所有坐标点，形成坐标集合A2，进一步确认坐标集合A2中所有间隔时长的均值T2＝1h和坐标集合A2在时长变化图中的数量占比S2＝2/5；此时根据坐标集合A1和坐标集合A2确认各时长变化图的变化程度G＝60*1/60*3/5+0.01*1*2/5＝151/250；
步骤S230：当变化程度G大于变化阈值s＝1/10时，各时长变化图对应各类目标程序和相应跳转程序之间的关联程度则无法确定。
步骤S300：根据各类目标程序和跳转程序之间的关联性对任意历史记录集进行筛选，根据筛选后数据获取任意历史记录集的各历史记录中目标用户对跳转前各个时间节点对应的浏览信息，分析各相邻时间节点对应浏览信息之间的相似度；根据各历史记录中相邻时间节点对应浏览信息之间的相似度构建相似度变化图，分析各相似度变化图的拟合直线斜率并根据拟合直线斜率分析目标用户对任意跳转程序的兴趣程度，构建目标用户对各类目标程序和相应跳转程序的个性化需求模型；
步骤S300包括：
步骤S310：获取各类目标程序和相应跳转程序关联程度无法确定的任意历史记录集，则根据任意历史记录集中各历史记录的间隔时长分别和时长阈值γ＝1/2h的比较值大小，将任意历史记录集中的各历史记录分别设为有效记录集P1和无效记录集P2；分别获取有效记录集P1和无效记录集P2的各历史记录中目标用户对跳转前各个时间节点对应的浏览信息，形成各历史记录对应的浏览信息集；依次对浏览信息集中各相邻时间节点对应的浏览信息B1、B2进行捕捉，则得到各相邻时间节点对应浏览信息的相似度w＝|B1∩B2|/|B1∪B2|，并将所述相似度赋值给各相邻时间节点的再后时间节点，形成各历史记录对应的相似度集合；
步骤S320：以相似度集合中各时间节点为横坐标，各时间节点对应的相似度为纵坐标构建相似度变化图；对相似度变化图中各时间节点的相似度进行直线拟合，确认拟合直线的斜率F；根据各历史记录中拟合直线的斜率F分别形成有效记录集P1的拟合直线斜率集和无效记录集P2的拟合直线斜率集；分别获取有效记录集P1和无效记录集P2中各历史记录相应的跳转程序，分别捕捉任意相同跳转程序的数量H1和H2；此时得到目标用户对任意相同跳转程序的兴趣程度C＝ε*[H1*F1/|P1|+H2*F2/|P2|]；其中ε表示任意跳转程序的程序参数，F1和F2分别表示有效记录集P1和无效记录集P2的拟合直线斜率集中跳转到任意跳转程序时对应各历史记录的拟合直线斜率均值；
上述步骤中当拟合直线斜率F越小，则目标用户对相应目标程序中浏览内容的关注程度越低，同关注程度成正比关系；
上述步骤中不同的跳转程序对应不同的程序参数ε，它由用户的历史使用时长决定；
步骤S330：获取各类目标程序和相应跳转程序之间的关联程度R、目标用户对任意相同跳转程序的兴趣程度C构建目标用户对各类目标程序和相应跳转程序的个性化需求模型Y＝C。
步骤S400：自动识别到目标用户当前使用的目标程序触发某一跳转程序的跳转条件，则将目标程序和跳转程序匹配相应目标用户的个性化需求模型，并根据个性化需求模型自适应选择是否进行应用程序的跳转；
步骤S400包括：
步骤S410：系统自动识别到目标用户当前使用的目标程序触发某一跳转程序的跳转条件，则将目标程序和跳转程序匹配相应目标用户的个性化需求模型，并根据个性化需求模型确认目标用户的跳转需求值；
步骤S420：若跳转需求值大于需求阈值μ，则自动将目标程序跳转为跳转程序，反之，则拒绝目标程序的跳转；获取目标用户当前对目标程序和跳转程序的使用记录，对个性化需求模型Y做进一步的迭代。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于人工智能的应用程序信息管控方法，其特征在于：包括以下步骤：
步骤S100：采集目标用户在手机终端下载的各应用程序功能信息，并根据功能信息对各应用程序进行分类，分别形成若干个程序类型集；采集目标用户对若干个程序类型集的历史使用记录，分别对各程序类型集中发生应用程序跳转的所有历史使用记录进行捕捉，形成各程序类型集相应的历史记录集；
步骤S200：将各历史记录集中目标用户使用的应用程序和发生跳转的应用程序分别设为目标程序和跳转程序；分别对各历史记录集中目标用户将跳转程序切换回目标程序的间隔时长进行捕捉，分析各历史记录集中间隔时长的变化程度，并根据变化程度分析各类目标程序和跳转程序之间的关联性；
步骤S300：根据各类目标程序和跳转程序之间的关联性对任意历史记录集进行筛选，根据筛选后数据获取任意历史记录集的各历史记录中目标用户对跳转前各个时间节点对应的浏览信息，分析各相邻时间节点对应浏览信息之间的相似度；根据各历史记录中相邻时间节点对应浏览信息之间的相似度构建相似度变化图，分析各相似度变化图的拟合直线斜率并根据拟合直线斜率分析目标用户对任意跳转程序的兴趣程度，构建目标用户对各类目标程序和相应跳转程序的个性化需求模型；
步骤S400：自动识别到目标用户当前使用的目标程序触发某一跳转程序的跳转条件，则将目标程序和跳转程序匹配相应目标用户的个性化需求模型，并根据个性化需求模型自适应选择是否进行应用程序的跳转。
2.根据权利要求1所述的一种基于人工智能的应用程序信息管控方法，其特征在于：所述步骤S200包括：
步骤S210：捕捉各历史记录集中任意一条历史记录，分别将当前使用的应用程序和跳转后的程序记为目标程序和跳转程序；则以各历史记录集中历史记录按时间顺序排列的序号为横坐标，历史记录中跳转程序切换回目标程序的间隔时长为纵坐标对各历史记录集构建二维平面坐标系，分别形成各历史记录集对应的时长变化图；
步骤S220：对各历史记录集对应的时长变化图进行捕捉，根据时长变化图依次计算各相邻历史记录对应间隔时长的斜率绝对值|K|；获取时长变化图中|K|大于斜率阈值α1的所有坐标点，形成坐标集合A1，进一步确认坐标集合A1中所有间隔时长的均值T1和坐标集合A1在时长变化图中的数量占比S1；获取时长变化图中|K|小于斜率阈值α1的所有坐标点，形成坐标集合A2，进一步确认坐标集合A2中所有间隔时长的均值T2和坐标集合A2在时长变化图中的数量占比S2；此时根据坐标集合A1和坐标集合A2确认各时长变化图的变化程度G＝σ1*T1*S1+σ2*T2*S2；其中σ1表示坐标集合A1的权重值，σ2表示坐标集合A2的权重值，σ1＞＞σ2；
步骤S230：当变化程度G小于变化阈值s时，得到各时长变化图对应历史记录集中各类目标程序和相应跳转程序之间的关联程度R＝G；反之，当变化程度G大于变化阈值s时，各时长变化图对应各类目标程序和相应跳转程序之间的关联程度则无法确定。
3.根据权利要求2所述的一种基于人工智能的应用程序信息管控方法，其特征在于：所述步骤S300包括：
步骤S310：获取各类目标程序和相应跳转程序关联程度无法确定的任意历史记录集，则根据任意历史记录集中各历史记录的间隔时长分别和时长阈值γ的比较值大小，将任意历史记录集中的各历史记录分别设为有效记录集P1和无效记录集P2；分别获取有效记录集P1和无效记录集P2的各历史记录中目标用户对跳转前各个时间节点对应的浏览信息，形成各历史记录对应的浏览信息集；依次对浏览信息集中各相邻时间节点对应的浏览信息B1、B2进行捕捉，则得到各相邻时间节点对应浏览信息的相似度w＝|B1∩B2|/|B1∪B2|，并将所述相似度赋值给各相邻时间节点的在后时间节点，形成各历史记录对应的相似度集合；
步骤S320：以相似度集合中各时间节点为横坐标，各时间节点对应的相似度为纵坐标构建相似度变化图；对相似度变化图中各时间节点的相似度进行直线拟合，确认拟合直线的斜率F；根据各历史记录中拟合直线的斜率F分别形成有效记录集P1的拟合直线斜率集和无效记录集P2的拟合直线斜率集；分别获取有效记录集P1和无效记录集P2中各历史记录相应的跳转程序，分别捕捉任意相同跳转程序的数量H1和H2；此时得到目标用户对任意相同跳转程序的兴趣程度C＝ε*[H1*F1/|P1|+H2*F2/|P2|]；其中ε表示任意跳转程序的程序参数，F1和F2分别表示有效记录集P1和无效记录集P2的拟合直线斜率集中跳转到任意跳转程序时对应各历史记录的拟合直线斜率均值；
步骤S330：获取各类目标程序和相应跳转程序之间的关联程度R、目标用户对任意相同跳转程序的兴趣程度C构建目标用户对各类目标程序和相应跳转程序的个性化需求模型。
4.根据权利要求3所述的一种基于人工智能的应用程序信息管控方法，其特征在于：所述步骤S400包括：
步骤S410：系统自动识别到目标用户当前使用的目标程序触发某一跳转程序的跳转条件，则将目标程序和跳转程序匹配相应目标用户的个性化需求模型，并根据个性化需求模型确认目标用户的跳转需求值；
步骤S420：若跳转需求值大于需求阈值μ，则自动将目标程序跳转为跳转程序，反之，则拒绝目标程序的跳转；获取目标用户当前对目标程序和跳转程序的使用记录，对个性化需求模型Y做进一步的迭代。
5.用于实现权利要求1-4中任一项所述的一种基于人工智能的应用程序信息管控方法的应用程序信息管控系统，其特征在于：所述系统包括：数据采集模块、数据库、关联性分析模块、模型构建模块和自适应处理模块；
通过数据采集模块采集目标用户在手机终端下载的各应用程序功能信息，并根据功能信息对各应用程序进行分类，分别形成若干个程序类型集；采集目标用户对若干个程序类型集的历史使用记录，分别对各程序类型集中发生应用程序跳转的所有历史使用记录进行捕捉，形成各程序类型集相应的历史记录集；
通过数据库对所有采集的数据进行存储；
通过关联性分析模块将各历史记录集中目标用户使用的应用程序和发生跳转的应用程序分别设为目标程序和跳转程序；分别对各历史记录集中目标用户将跳转程序切换回目标程序的间隔时长进行捕捉，分析各历史记录集中间隔时长的变化程度，并根据变化程度分析各类目标程序和跳转程序之间的关联性；
通过模型构建模块根据各类目标程序和跳转程序之间的关联性对任意历史记录集进行筛选，根据筛选后数据获取任意历史记录集的各历史记录中目标用户对跳转前各个时间节点对应的浏览信息，分析各相邻时间节点对应浏览信息之间的相似度；根据各历史记录中相邻时间节点对应浏览信息之间的相似度构建相似度变化图，分析各相似度变化图的拟合直线斜率并根据拟合直线斜率分析目标用户对任意跳转程序的兴趣程度，构建目标用户对各类目标程序和相应跳转程序的个性化需求模型；
通过自适应处理模块自动识别到目标用户当前使用的目标程序触发某一跳转程序的跳转条件，则将目标程序和跳转程序匹配相应目标用户的个性化需求模型，并根据个性化需求模型自适应选择是否进行应用程序的跳转。
6.根据权利要求5所述的应用程序信息管控系统，其特征在于：所述数据采集模块包括程序分类单元和记录采集单元；
所述程序分类单元用于采集目标用户在手机终端下载的各应用程序功能信息，并根据功能信息对各应用程序进行分类；所述记录采集单元用于采集目标用户对各应用程序的历史使用记录，则分别对各程序类型集中应用程序发生程序跳转的所有历史使用记录进行捕捉，分别形成各程序类型集相应的历史记录集。
7.根据权利要求5所述的应用程序信息管控系统，其特征在于：所述关联性分析模块包括程序设定单元、变化程度分析单元和关联性分析单元；
所述程序设定单元用于将各历史记录集中目标用户使用的应用程序和发生跳转的应用程序分别设为目标程序和跳转程序；所述变化程度分析单元用于分析各历史记录集中间隔时长的变化程度；所述关联性分析单元用于根据变化程度分析各类目标程序和跳转程序之间的关联性。
8.根据权利要求5所述的应用程序信息管控系统，其特征在于：所述模型构建模块包括相似度分析单元、斜率分析单元和模型构建单元；
所述相似度分析单元用于获取任意历史记录集的各历史记录中目标用户对跳转前各个时间节点对应的浏览信息，分析各相邻时间节点对应浏览信息之间的相似度；所述斜率分析单元用于根据各历史记录中相邻时间节点对应浏览信息之间的相似度构建相似度变化图，分析各相似度变化图的拟合直线斜率并根据拟合直线斜率分析目标用户对任意跳转程序的兴趣程度；所述模型构建单元用于构建目标用户对各类目标程序和相应跳转程序的个性化需求模型。
9.根据权利要求5所述的应用程序信息管控系统，其特征在于：所述自适应处理模块包括数据匹配单元和智能选择单元；
所述数据匹配单元用于自动识别到目标用户当前使用的目标程序触发某一跳转程序的跳转条件，则将目标程序和跳转程序匹配相应目标用户的个性化需求模型；所述智能选择单元用于根据个性化需求模型自适应选择是否进行应用程序的跳转。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311241303.8A CN117193883B (zh) | 2023-09-25 | 2023-09-25 | 一种基于人工智能的应用程序信息管控系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311241303.8A CN117193883B (zh) | 2023-09-25 | 2023-09-25 | 一种基于人工智能的应用程序信息管控系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117193883A CN117193883A (zh) | 2023-12-08 |
| CN117193883B true CN117193883B (zh) | 2024-02-13 |
Family
ID=88990487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311241303.8A Active CN117193883B (zh) | 2023-09-25 | 2023-09-25 | 一种基于人工智能的应用程序信息管控系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117193883B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111597431A (zh) * | 2019-02-21 | 2020-08-28 | 北京搜狗科技发展有限公司 | 一种推荐方法、装置和电子设备 |
| CN112765449A (zh) * | 2020-06-19 | 2021-05-07 | 腾讯科技（深圳）有限公司 | 一种应用程序展示方法、装置及存储介质 |
| CN113158048A (zh) * | 2021-04-22 | 2021-07-23 | 武汉申子仟电子商务有限公司 | 一种基于特征识别的移动互联网浏览内容智能推荐方法、系统、设备及存储介质 |
-
2023
- 2023-09-25 CN CN202311241303.8A patent/CN117193883B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111597431A (zh) * | 2019-02-21 | 2020-08-28 | 北京搜狗科技发展有限公司 | 一种推荐方法、装置和电子设备 |
| CN112765449A (zh) * | 2020-06-19 | 2021-05-07 | 腾讯科技（深圳）有限公司 | 一种应用程序展示方法、装置及存储介质 |
| CN113158048A (zh) * | 2021-04-22 | 2021-07-23 | 武汉申子仟电子商务有限公司 | 一种基于特征识别的移动互联网浏览内容智能推荐方法、系统、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117193883A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111324789B (zh) | 一种网络信息数据热度的计算方法 | |
| CN110417607B (zh) | 一种流量预测方法、装置及设备 | |
| CN104216698B (zh) | 一种注册网页方法及相关装置 | |
| CN107896243A (zh) | 网络数据加载的加速方法、装置、存储介质及移动终端 | |
| CN111209331A (zh) | 目标对象的检索方法、装置及电子设备 | |
| CN103248705A (zh) | 服务器、客户端及视频处理方法 | |
| CN109978575B (zh) | 一种挖掘用户流量经营场景的方法及装置 | |
| CN113312531A (zh) | 一种基于dpi解析与决策树模型的用户画像识别方法 | |
| CN107977445A (zh) | 应用程序推荐方法及装置 | |
| CN112612826A (zh) | 数据处理方法和装置 | |
| CN113793182A (zh) | 商品对象推荐方法及其装置、设备、介质、产品 | |
| CN117193883B (zh) | 一种基于人工智能的应用程序信息管控系统及方法 | |
| CN110377821A (zh) | 生成兴趣标签的方法、装置、计算机设备和存储介质 | |
| CN112182295B (zh) | 基于行为预测的业务处理方法、装置及电子设备 | |
| CN112148942B (zh) | 基于数据聚类的业务指标数据分类方法及装置 | |
| CN115828011B (zh) | 基于大数据的数据分析方法和平台 | |
| CN107992361A (zh) | 后台应用的清理方法、装置、存储介质及电子设备 | |
| CN115033760A (zh) | 一种大数据软件可视化方法、系统及存储介质 | |
| JP2003078899A (ja) | 機能的計画制度 | |
| CN109947803B (zh) | 一种数据处理方法、系统及存储介质 | |
| CN112463233A (zh) | 一种系统配置方法、系统、设备以及介质 | |
| CN106570043B (zh) | 一种终端后台运行程序的识别方法、装置及网络平台 | |
| CN110287304A (zh) | 问答信息处理方法、装置及计算机设备 | |
| CN111127059A (zh) | 用户质量的分析方法及装置 | |
| CN115208831B (zh) | 请求处理方法、装置、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |