CN117806740A - 终端的分屏应用匹配方法、装置、电子设备和存储介质 - Google Patents
终端的分屏应用匹配方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117806740A CN117806740A CN202211152788.9A CN202211152788A CN117806740A CN 117806740 A CN117806740 A CN 117806740A CN 202211152788 A CN202211152788 A CN 202211152788A CN 117806740 A CN117806740 A CN 117806740A
- Authority
- CN
- China
- Prior art keywords
- application
- feature vector
- feature
- model
- split
- 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 51
- 238000013136 deep learning model Methods 0.000 claims abstract description 65
- 238000000605 extraction Methods 0.000 claims abstract description 33
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 27
- 230000004044 response Effects 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 280
- 238000012549 training Methods 0.000 claims description 82
- 230000006399 behavior Effects 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 26
- 230000006870 function Effects 0.000 description 16
- 101100055496 Arabidopsis thaliana APP2 gene Proteins 0.000 description 8
- 101100016250 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GYL1 gene Proteins 0.000 description 8
- 238000011176 pooling Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 101150053844 APP1 gene Proteins 0.000 description 3
- 101100264195 Caenorhabditis elegans app-1 gene Proteins 0.000 description 3
- 101100189105 Homo sapiens PABPC4 gene Proteins 0.000 description 3
- 102100039424 Polyadenylate-binding protein 4 Human genes 0.000 description 3
- 238000005295 random walk Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06F9/451—Execution arrangements for user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/0482—Interaction with lists of selectable items, e.g. menus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Probability & Statistics with Applications (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开关于终端的分屏应用匹配方法、装置、电子设备和存储介质,该方法包括:响应于接收到分屏指令,获取与第一应用相关联的特征信息;基于特征信息,通过人工智能综合模型确定候选应用列表,其中,人工智能综合模型包括特征提取模型和深度学习模型,候选应用列表包含至少一个候选的第二应用;在终端的第一分屏区域显示第一应用,并在终端的第二分屏区域显示候选应用列表。这样,可以基于与第一应用相关联的特征信息,通过人工智能综合模型确定候选应用列表,可以保证所展现的候选应用大概率是用户真正想要分屏使用的应用,分屏应用的推荐效果较好。
Description
技术领域
本公开涉及计算机技术领域,更具体地说,涉及终端的分屏应用匹配方法、装置、电子设备和存储介质。
背景技术
在使用智能终端的过程中,可能出现将两个不同的应用界面进行分屏显示的情况,例如,用户在使用视频类应用观看视频的同时,还可能使用社交类应用与其他用户进行交流。
相关技术中,用户在使用某个应用的过程中,如果启动分屏功能,终端可以提供一个应用列表,用户可以在该应用列表所包含的多个应用中选择一个应用进行分屏展示。并且,无论当前使用的应用是什么应用,终端提供的上述应用列表都是相同的。但是,在分屏场景下,当前被打开的应用与即将被打开的应用之间往往是存在一定关联的,而相关技术中提供的应用列表并不会随着当前被打开的应用的不同而进行相应改变,导致所展现的备选应用并不是用户真正想要分屏使用的应用,分屏应用的推荐效果较差。
发明内容
本公开提供终端的分屏应用匹配方法、装置、电子设备和存储介质,以至少解决上述相关技术中,分屏应用的推荐效果较差的问题。
根据本公开实施例的第一方面,提供一种终端的分屏应用匹配方法,包括:响应于接收到分屏指令,获取与第一应用相关联的特征信息;基于所述特征信息,通过人工智能综合模型确定候选应用列表,其中,所述人工智能综合模型包括特征提取模型和深度学习模型,所述候选应用列表包含至少一个候选的第二应用;在所述终端的第一分屏区域显示所述第一应用,并在所述终端的第二分屏区域显示所述候选应用列表。
可选地,所述与第一应用相关联的特征信息包括:所述第一应用的标识信息、第三应用的标识信息、所述终端上当前已安装应用的标识信息,和/或,所述第一应用的关键词,其中,所述第三应用为与所述第一应用当前被使用时刻相邻的应用,所述当前已安装应用为所述第一应用的当前被使用时刻所述终端内已安装的应用。
可选地,所述基于所述特征信息,通过人工智能综合模型确定候选应用列表,包括:基于所述特征信息,通过所述特征提取模型得到特征信息向量,其中,所述特征提取模型包括App2Vec模型、Word2Vec模型;基于所述特征信息向量,通过所述深度学习模型得到用户特征向量和应用库中每个应用的权值特征向量,其中,所述用户特征向量为经过特定处理的特征信息向量,所述每个应用的权值特征向量用于表征该应用被选择为所述第二应用的权重;基于所述用户特征向量和所述每个应用的权值特征向量,确定所述候选应用列表。
可选地,所述特征信息向量包括所述第一应用的特征向量、所述第三应用的特征向量、所述当前已安装应用的特征向量,和/或,所述第一应用的上下文特征向量;所述基于所述特征信息,通过所述特征提取模型得到特征信息向量,包括:基于所述第一应用的标识信息,通过所述APP2Vec模型,得到所述第一应用的特征向量,其中,所述第一应用的特征向量用于表征所述应用库中与所述第一应用具有相邻使用顺序的应用;基于所述第三应用的标识信息,通过所述APP2Vec模型,得到所述第三应用的特征向量,其中,所述第三应用的特征向量用于表征所述应用库中与所述第三应用具有相邻使用顺序的应用;基于所述终端上当前已安装应用的标识信息,通过所述APP2Vec模型,得到所述当前已安装应用的特征向量,其中,所述当前已安装应用的特征向量用于表征所述应用库中与所述当前已安装应用具有相邻使用顺序的应用;和/或,基于所述第一应用的关键词,通过所述Word2Vec模型,得到所述第一应用的上下文特征向量,其中,所述第一应用的上下文特征向量用于表征词库中与所述第一应用的关键词具有相邻使用顺序的词语。
可选地,在所述基于所述特征信息向量,通过所述深度学习模型得到用户特征向量和应用库中每个应用的权值特征向量之前,还包括:将所述第三应用的特征向量输入循环神经网络进行特征优化;所述基于所述特征信息向量,通过所述深度学习模型得到用户特征向量和应用库中每个应用的权值特征向量,包括:基于所述第一应用的特征向量、经过特征优化的所述第三应用的特征向量、所述当前已安装应用的特征向量,和/或,所述第一应用的上下文特征向量,通过所述深度学习模型得到所述用户特征向量和所述应用库中每个应用的权值特征向量。
可选地,在所述特征提取模型为App2Vec模型的情况下,所述App2Vec模型为基于多个用户中每个用户的多个真实行为序列进行训练获得的,其中,所述真实行为序列包含真实场景下依次被使用的至少两个应用。
可选地,在所述特征提取模型为App2Vec模型的情况下,所述深度学习模型为基于训练好的所述App2Vec模型、所述终端的用户在历史过程中分屏使用的第一历史应用和第二历史应用进行训练获得的。
可选地,所述在所述终端的第二分屏区域显示所述候选应用列表,还包括:在所述第二分屏区域还显示默认应用列表和最近使用应用列表中的至少一项。
根据本公开实施例的第二方面,提供一种分屏应用匹配装置,包括:特征信息获取模块,被配置为响应于接收到分屏指令,获取与第一应用相关联的特征信息;候选应用列表确定模块,被配置为基于所述特征信息,通过人工智能综合模型确定候选应用列表,其中,所述人工智能综合模型包括特征提取模型和深度学习模型,所述候选应用列表包含至少一个候选的第二应用;显示模块,被配置为在所述终端的第一分屏区域显示所述第一应用,并在所述终端的第二分屏区域显示所述候选应用列表。
可选地,所述与第一应用相关联的特征信息包括:所述第一应用的标识信息、第三应用的标识信息、所述终端上当前已安装应用的标识信息,和/或,所述第一应用的关键词,其中,所述第三应用为与所述第一应用当前被使用时刻相邻的应用,所述当前已安装应用为所述第一应用的当前被使用时刻所述终端内已安装的应用。
可选地,所述候选应用列表确定模块被配置为:基于所述特征信息,通过所述特征提取模型得到特征信息向量,其中,所述特征提取模型包括App2Vec模型、Word2Vec模型;基于所述特征信息向量,通过所述深度学习模型得到用户特征向量和应用库中每个应用的权值特征向量,其中,所述用户特征向量为经过特定处理的特征信息向量,所述每个应用的权值特征向量用于表征该应用被选择为所述第二应用的权重;基于所述用户特征向量和所述每个应用的权值特征向量,确定所述候选应用列表。
可选地,所述特征信息向量包括所述第一应用的特征向量、所述第三应用的特征向量、所述当前已安装应用的特征向量,和/或,所述第一应用的上下文特征向量;所述候选应用列表确定模块被配置为:基于所述第一应用的标识信息,通过所述APP2Vec模型,得到所述第一应用的特征向量,其中,所述第一应用的特征向量用于表征所述应用库中与所述第一应用具有相邻使用顺序的应用;基于所述第三应用的标识信息,通过所述APP2Vec模型,得到所述第三应用的特征向量,其中,所述第三应用的特征向量用于表征所述应用库中与所述第三应用具有相邻使用顺序的应用;基于所述终端上当前已安装应用的标识信息,通过所述APP2Vec模型,得到所述当前已安装应用的特征向量,其中,所述当前已安装应用的特征向量用于表征所述应用库中与所述当前已安装应用具有相邻使用顺序的应用;和/或,基于所述第一应用的关键词,通过所述Word2Vec模型,得到所述第一应用的上下文特征向量,其中,所述第一应用的上下文特征向量用于表征词库中与所述第一应用的关键词具有相邻使用顺序的词语。
可选地,所述分屏应用匹配装置还包括:特征优化模块,被配置为将所述第三应用的特征向量输入循环神经网络进行特征优化;所述候选应用列表确定模块被配置为:基于所述第一应用的特征向量、经过特征优化的所述第三应用的特征向量、所述当前已安装应用的特征向量,和/或,所述第一应用的上下文特征向量,通过所述深度学习模型得到所述用户特征向量和所述应用库中每个应用的权值特征向量。
可选地,在所述特征提取模型为App2Vec模型的情况下,所述App2Vec模型为基于多个用户中每个用户的多个真实行为序列进行训练获得的,其中,所述真实行为序列包含真实场景下依次被使用的至少两个应用。
可选地,在所述特征提取模型为App2Vec模型的情况下,所述深度学习模型为基于训练好的所述App2Vec模型、所述终端的用户在历史过程中分屏使用的第一历史应用和第二历史应用进行训练获得的。
可选地,所述显示模块被配置为:在所述第二分屏区域还显示默认应用列表和最近使用应用列表中的至少一项。
根据本公开实施例的第三方面,提供一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现根据本公开的终端的分屏应用匹配方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行根据本公开的终端的分屏应用匹配方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
可以基于与第一应用相关联的特征信息,通过人工智能综合模型确定候选应用列表,可以保证所展现的候选应用大概率是用户真正想要分屏使用的应用,分屏应用的推荐效果较好。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是示出根据本公开的示例性实施例的一种终端的分屏应用匹配方法的流程图;
图2是示出根据本公开的示例性实施例的一种真实行为序列的示意图;
图3是示出根据本公开的示例性实施例的一种应用关系图;
图4是示出根据本公开的示例性实施例的一种多条应用序列的示意图;
图5是示出根据本公开的示例性实施例的一种CBOW和Skip-gram的示意图;
图6是示出根据本公开的示例性实施例的一种模型训练和模型服务的示意图;
图7是示出根据本公开的示例性实施例的一种对本公开的人工智能综合模型进行进一步优化的示意图;
图8是示出根据本公开的示例性实施例的一种门循环单元GRU的结构示意图;
图9是示出根据本公开的示例性实施例的一种显示分屏应用的示意图;
图10是示出根据本公开的示例性实施例的另一种显示分屏应用的示意图;
图11是示出根据本公开的示例性实施例的一种多个应用中每个应用被选作为社交应用对应的第二应用的原因示意图;
图12是示出根据本公开的示例性实施例的一种分屏应用匹配装置的框图;
图13是示出根据本公开的示例性实施例的一种电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在此需要说明的是,在本公开中出现的“若干项之中的至少一项”均表示包含“该若干项中的任意一项”、“该若干项中的任意多项的组合”、“该若干项的全体”这三类并列的情况。例如“包括A和B之中的至少一个”即包括如下三种并列的情况:(1)包括A;(2)包括B;(3)包括A和B。又例如“执行步骤一和步骤二之中的至少一个”,即表示如下三种并列的情况:(1)执行步骤一;(2)执行步骤二;(3)执行步骤一和步骤二。
目前,在分屏场景下,当前被打开的应用与即将被打开的应用之间往往不是独立的,而是存在一定关联的。例如,使用新闻类应用(Application,APP)阅读新闻时,遇到感兴趣的新闻可能想要记录下来,此时,想要分屏使用的应用可能是备忘录APP;或者,用户在使用社交类APP聊天过程中,如果涉及到旅游方面的话题,想要分屏使用的应用就可能是旅行类APP。而相关技术中提供的应用列表并不会随着当前被打开的应用的不同而进行相应改变,导致所展现的备选应用并不是用户真正想要分屏使用的应用,分屏应用的推荐效果较差。
为了解决上述问题,本公开提出的终端的分屏应用匹配方法,可以基于与第一应用相关联的特征信息,通过人工智能综合模型确定候选应用列表,可以保证所展现的候选应用大概率是用户真正想要分屏使用的应用,分屏应用的推荐效果较好。
图1是示出根据本公开的示例性实施例的一种终端的分屏应用匹配方法的流程图。
参照图1,在步骤101中,响应于接收到分屏指令,可以获取与第一应用相关联的特征信息。例如,在终端中的第一应用处于已启动状态或者运行状态的情况下,响应于接收到分屏指令,可以获取与第一应用相关联的特征信息。
根据本公开的示例性实施例,与第一应用相关联的特征信息可以包括:第一应用的标识信息、第三应用的标识信息、终端上当前已安装应用的标识信息,和/或,第一应用的关键词。其中,第三应用为与第一应用当前被使用时刻相邻的应用,当前已安装应用为第一应用的当前被使用时刻终端内已安装的应用。
需要说明的是,应用的标识信息可以为APP id。例如,可以收集10000个或50000个常用的应用程序。然后,可以为每个应用程序生成一个APP id,不同应用的APP id是不同的。
根据本公开的示例性实施例,可以提供一种App2Vec,其作用是把应用的标识信息,即APP id转化为应用的特征向量,该应用的特征向量还可以称为应用嵌入(Embedding)。在对App2Vec进行训练时,可以结合DeepWalk方法,DeepWalk方法为一种图嵌入(Graph Embedding)方法。DeepWalk的主要思想是在由应用组成的图结构上进行随机游走,产生大量应用序列,然后可以利用这些应用序列产生大量的训练样本。接下来,可以将产生的训练样本输入App2Vec以对App2Vec进行训练。
根据本公开的示例性实施例,在特征提取模型为App2Vec模型的情况下,App2Vec模型可以为基于多个用户中每个用户的多个真实行为序列进行训练获得的。其中,真实行为序列可以包含真实场景下依次被使用的至少两个应用。
示例性的,App2Vec可以通过以下步骤训练得到:
首先,可以获取多条应用序列。然后,可以获取多条应用序列中每条应用序列对应的多个训练样本组。其中,每个训练样本组可以包含多个训练样本,每个训练样本可以包含特征应用和标签应用。
例如,假设获取到的一条应用序列为C->E->F->A->B->G->I->H,其中,C、E、F、A、B、G、I、H分别代表不同的应用。针对该条应用序列,可以设置一个长度为2c+1的滑动窗口,例如,c的取值可以为2,则该滑动窗口的长度即为5。可以从应用序列C->E->F->A->B->G->I->H的首个节点开始,将上述滑动窗口从左到右进行滑动,每滑动一次,滑动窗口内所包含的应用就形成了一个训练样本组。
例如,滑动窗口内所包含的应用为C、E、F、A、B时,获得的训练样本组即为[C,E,F,A,B],该训练样本组包含的多个训练样本可以为(F,C)、(F,E)、(F,A)、(F,B)。其中,这4个训练样本中的F表示特征应用,这4个训练样本中除F之外的其他应用C、E、A、B均为标签应用;接下来,滑动窗口向右移动一次,此时,滑动窗口内所包含的应用为E、F、A、B、G,则此时获得的训练样本组即为[E,F,A,B,G],该训练样本组包含的多个训练样本可以为(A,E)、(A,F)、(A,B)、(A,G)。其中,这4个训练样本中的A表示特征应用,这4个训练样本中除A之外的其他应用E、F、B、G均为标签应用。以此类推,应用序列C->E->F->A->B->G->I->H一共可以获得8个训练样本组。
获得训练样本之后,可以将每个训练样本包含的特征应用的标识信息输入APP2Vec,获得应用库所包含的多个应用中每个应用对应的相邻预测概率。其中,该相邻预测概率用于指示该应用的使用顺序与特征应用的使用顺序相邻的概率。
接下来,可以基于每个训练样本包含的标签应用对应的相邻预测概率,计算第一损失函数的值。然后,可以通过根据第一损失函数的值调整APP2Vec的参数,从而对APP2Vec进行训练。
需要说明的是,用户过往可能很少,甚至没有使用分屏的情况,可供参考的数据过于稀疏。而在本公开中,可以使用DeepWalk算法生成大量的训练样本,进而可以利用生成的训练样本对App2Vec进行训练。训练完成的App2Vec可以提取“用户过往使用APP的历史行为序列”这种弱特征,可以实现将高维稀疏特征向量(APP id)转换成低维稠密特征向量,让本来相互独立的应用相互之间产生了关联性,可以保证预测的分屏应用大概率是用户真正想要分屏使用的应用。
根据本公开的示例性实施例,如前所述,可以获取多个用户中每个用户的多个真实行为序列。其中,真实行为序列可以包含真实场景下依次被使用的至少两个应用。图2是示出根据本公开的示例性实施例的一种真实行为序列的示意图。在图2中,图的横轴表示某个用户在某个时间段使用APP的序列。例如,用户user 1的真实行为序列,即user 1在真实场景下依次使用的至少两个应用为:C、F、A、B;用户user 2的真实行为序列,即user 2在真实场景下依次使用的至少两个应用为:B、D、C、E、F;用户user n的真实行为序列,即user n在真实场景下依次使用的至少两个应用为:C、A、F。图2中的竖轴表示收集n个用户的真实行为序列,例如,n可以为100000。
接下来,可以基于多个用户中每个用户的多个真实行为序列,获取应用关系图。其中,该应用关系图可以包含多个节点,多个节点中的每个节点与真实行为序列所包含的一个被使用的应用相对应。图3是示出根据本公开的示例性实施例的一种应用关系图。在图3中,多个节点之间存在边,并且节点之间的边为有向边,每条有向边的指向与真实行为序列所包含的应用的被使用顺序一致。例如,由节点A指向节点B的有向边是由于user 1先使用了应用A后使用了应用B而产生的。并且,如果产生了多条相同的有向边,则该有向边的权重被加强。
然后,可以在图3中的多个节点之间进行随机游走,获得多条应用序列。其中,每条应用序列可以包含随机游走过程中在多个节点中所经过的节点。由于图3中的应用关系图属于有向有权图,则从节点vi跳转到节点vj的概率可以定义如下:
其中,P(vj|vi)为从节点vi跳转到节点vj的概率,ε是应用关系图中所有边的集合,N+(vi)是节点vi所有的出边集合,Mij是节点vi到节点vj之间边的权重,eij表示节点vi和vj之间的边,表示应用关系图中节点vi和节点vj之间并没有边。即DeepWalk的跳转概率就是跳转边的权重占所有相关出边权重之和的比例。图4是示出根据本公开的示例性实施例的一种多条应用序列的示意图。在图4中,一共示出了4条应用序列,分别为A->B->D->C;B->D->C->F->A;C->A->F->A->B;C->E->F->A->B。
需要说明的是,App2Vec可以有两种模型结构,分别为连续词袋模型(ContinuousBag Of Words,CBOW)和跳字模型(Skip-gram)。图5是示出根据本公开的示例性实施例的一种CBOW和Skip-gram的示意图。在图5中,CBOW这种模型结构可以包含输入层(INPUT)、预测层(PROJECTION)和输出层(OUTPUT)。CBOW主要用于通过应用w(t-2)、应用w(t-1)、应用w(t+1)、应用w(t+2)来预测使用顺序在应用w(t-1)和应用w(t+1)之间的应用w(t)。Skip-gram这种模型结构可以包含输入层(INPUT)、预测层(PROJECTION)和输出层(OUTPUT)。Skip-gram主要用于通过应用w(t)来预测使用顺序与应用w(t)前后相邻的应用w(t-2)、应用w(t-1)、应用w(t+1)和应用w(t+2)。
接下来,以App2Vec为Skip-gram为例来说明获取一条应用序列对应的多个训练样本组的过程。
根据本公开的示例性实施例,针对每条应用序列,可以从该条应用序列所包含的多个节点中的首个节点开始,依次以每个节点作为中心节点,将该条应用序列中与中心节点前后相邻的预设数量个节点以及该中心节点,确定为该条应用序列对应的多个训练样本组中的一个训练样本组。
例如,如前所述,假设一条应用序列为C->E->F->A->B->G->I->H。可以设置一个长度为2c+1的滑动窗口,其中,c即为前述预设数量,例如,c的取值可以为2,则该滑动窗口的长度即为5。可以从应用序列C->E->F->A->B->G->I->H的首个节点开始,将上述滑动窗口从左到右进行滑动,每滑动一次,滑动窗口内所包含的应用就形成了一个训练样本组。
例如,首个节点为C,可以将该节点C作为中心节点,将该条应用序列中与中心节点C前后相邻的2个节点以及该中心节点C,确定为该条应用序列的第一个训练样本组。由于中心节点C的前方没有相邻的应用,因此第一个训练样本组即为:[C,E,F,]。
接下来,滑动窗口向右滑动一次,此时,可以将节点E作为中心节点,可以将该条应用序列中与中心节点E前后相邻的2个节点以及该中心节点E,确定为该条应用序列的第二个训练样本组。由于中心节点E的前方仅有一个节点C,因此第二个训练样本组即为:[C,E,F,A]。
然后,滑动窗口再向右滑动一次,此时,可以将节点F作为中心节点,可以将该条应用序列中与中心节点F前后相邻的2个节点以及该中心节点F,确定为该条应用序列的第三个训练样本组:[C,E,F,A,B]。
以此类推,应用序列C->E->F->A->B->G->I->H一共可以获得8个训练样本组。
根据本公开的示例性实施例,每个训练样本所包含的特征应用为该训练样本所属的训练样本组中的中心节点,每个训练样本所包含的标签应用为该训练样本所属的训练样本组中除中心节点之外的节点。例如,针对训练样本组[C,E,F,],其包含的多个训练样本分别为:(C,E)、(C,F),其中,这两个训练样本中的中心节点C为特征应用,这2个训练样本中除中心节点C之外的其他节点E、F均为标签应用。或者,针对训练样本组[C,E,F,A],其包含的多个训练样本分别为:(E,C)、(E,F)和(E,A),其中,这3个训练样本中的中心节点E为特征应用,这3个训练样本中除中心节点E之外的其他节点C、F、A均为标签应用。
根据本公开的示例性实施例,第一损失函数可以通过以下公式表示:
其中,L1为第一损失函数,T为应用序列所包含的节点的数量,wt为特征应用,wt+j为标签应用,p(wt+j|wt)为标签应用对应的相邻预测概率,t为特征应用在应用序列中的位置,c为预设数量,t+j为标签应用在应用序列中的位置。
根据本公开的示例性实施例,在特征提取模型为App2Vec模型的情况下,深度学习模型可以为基于训练好的App2Vec模型、终端的用户在历史过程中分屏使用的第一历史应用和第二历史应用进行训练获得的。
示例性的,深度学习模型是通过以下步骤训练得到的:
首先,可以获取终端的用户在历史过程中分屏使用的第一历史应用和第二历史应用。其中,第一历史应用可以为先使用的应用,第二历史应用可以为在第一历史应用的基础上进行分屏使用的应用。
然后,可以将第一历史应用的标识信息输入训练完成的APP2Vec,获得第一历史应用的特征向量。
接下来,可以将第一历史应用的特征向量输入深度学习模型,获得应用库中每个应用的预测被选择概率。其中,每个应用的预测被选择概率为将该应用预测为第一历史应用的分屏应用的概率。
然后,可以基于每个应用的预测被选择概率以及第二历史应用计算第二损失函数的值。接下来,可以通过根据第二损失函数的值调整深度学习模型的参数,从而对深度学习模型进行训练。
需要说明的是,本公开中的模型训练可以包含两部分,分别为App2Vec预训练和深度学习模型的训练,即App2Vec需要预先训练完成,进而可以基于训练完成的App2Vec对深度学习模型进行训练。本公开中的深度学习模型可以包含三层全连接网络和softmax层,其中,三层全连接网络可以由三层的全连接网络和ReLU激励函数组合而成。softmax层的本质是一个多分类模型,其预测目标是用户选择了哪个应用作为分屏应用。
图6是示出根据本公开的示例性实施例的一种模型训练和模型服务的示意图。在图6中,用户特征向量u是“三层的全连接网络+ReLU激励函数”的输出向量。softmax层的输入是用户特征向量u,输出向量是用户选择每一个应用的概率分布。由于输出向量的每一维对应了一个APP,因此该维对应的softmax层列向量就是权值特征向量aj。softmax层的公式如下:
类别概率P(wt=i|U)的定义为:基于特定的用户U,在t时刻,将应用库A中指定的应用wt划分为第i类的概率。其中,u∈RK表示用户特征向量,aj∈RK表示第j个应用的权值特征向量,ai∈RK表示第i个应用的权值特征向量,K为特征的维度。用户特征向量u的维度和每个权值特征向量aj的维度是一致的,都是K。
根据本公开的示例性实施例,在对深度学习模型进行训练时,还可以获取以下项中的至少一项:第三历史应用的特征向量、当前已安装历史应用的特征向量、第一历史应用的上下文特征向量、第一历史应用本次被使用之前第一历史应用与其他应用被分屏使用的情况、第一历史应用的被使用时刻终端的用户信息以及环境信息,其中:
第三历史应用的使用时刻与第一历史应用的被使用时刻相邻,即第三历史应用为第一历史应用的“最近使用的应用”。第三历史应用的特征向量用于表征应用库中与第三历史应用具有相邻使用顺序的应用,即第三历史应用的特征向量为将第三历史应用的标识信息输入训练好的App2Vec所获得的。第三历史应用的数量可以为多个,例如,可以挑选使用时刻与第一历史应用的被使用时刻相邻的50个APP作为第三历史应用。在第三历史应用的数量为多个时,还可以将多个第三历史应用的特征向量做平均池化操作,获得一个“用户行为特征向量”,并利用该“用户行为特征向量”对深度学习模型进行训练。这里平均池化的作用是保留主要特征的同时减少参数和计算量,防止过拟合。
当前已安装历史应用为第一历史应用的被使用时刻终端内已安装的应用。当前已安装历史应用的特征向量用于表征应用库中与当前已安装历史应用具有相邻使用顺序的应用,即当前已安装历史应用的特征向量为将当前已安装历史应用的标识信息输入训练好的App2Vec所获得的。当前已安装历史应用的数量可以为多个,可以将多个当前已安装历史应用的特征向量做平均池化操作,获得一个“已安装应用的特征向量”,并利用该“已安装应用的特征向量”对深度学习模型进行训练。
第一历史应用的上下文特征向量用于表征词库中与第一历史应用的关键词具有相邻使用顺序的词语,即第一历史应用的上下文特征向量为将第一历史应用的关键词输入Word2Vec模型获得的。第一历史应用的关键词的数量可以为多个,可以将多个关键词对应的多个上下文特征向量做平均池化操作,获得一个“平均的上下文特征向量”,并利用该“平均的上下文特征向量”对深度学习模型进行训练。需要说明的是,上述第一历史应用的关键词可以从第一历史应用的应用界面内所包含的内容中提取出来。例如,第一历史应用为社交类应用时,可以从该社交类应用的应用界面内所包含的聊天内容中提取关键词。由于不是所有应用都有比较明确的关键词,因此在对深度学习模型进行训练时,“第一历史应用的上下文特征向量”这个选项是可选的。
针对第一历史应用本次被使用之前第一历史应用与其他应用被分屏使用的情况,其可以为第一历史应用本次被使用之前的一个月内第一历史应用与其他应用被分屏使用的次数,即“应用对共现次数”。该选项属于连续特征,可以对其进行归一化处理。此外,还可以使用非线性函数的处理方法,即直接把归一化的特征通过非线性函数做变换,然后把归一化特征及变换后的特征一起加入深度学习模型进行训练。例如,“应用对共现次数”归一化特征可以为x,则经过非线性函数做变换之后获得的特征可以为x2和可以将x、x2和一起加入深度学习模型进行训练。这样做是为了丰富特征的表达,提升深度学习模型的准确率。
需要说明的是,“应用对共现次数”是一个有直接意义的特征,由于要统计各个应用共现的次数,存在特征稀疏和参数量大等问题,因此该选项是可选的,可以综合考虑精度和性能的折中。
针对第一历史应用的被使用时刻终端的用户信息以及环境信息,其中,用户信息可以包含用户的年龄、性别等信息;环境信息可以包含地理位置信息、当前时间信息等等。该选项对于应用间关联性的影响相对较小,属于可选的选项。
可以将第一历史应用的特征向量以及上述至少一项输入深度学习模型,获得应用库中每个应用的预测被选择概率。返回参照图6,在图6中,针对深度学习模型进行训练时,三层全连接网络的输入可以包含第一历史应用的特征向量,即当前应用的特征向量,还可以包含“用户行为特征向量”、“已安装应用的特征向量”、“平均的上下文特征向量”、“应用对共现次数”和“终端的用户信息以及环境信息”中的至少一项。这样,在对深度学习模型进行训练时,不仅可以考虑第一历史应用的特征向量,还可以考虑与第一历史应用相关的其他方面的信息,即可以利用多个维度的、更全面的信息对深度学习模型进行训练,可以提升深度学习模型的精准度。
根据本公开的示例性实施例,第二损失函数可以通过以下公式表示:
其中,L2为第二损失函数,A为应用库,pi为应用库中第i个应用的预测被选择概率,在第i个应用为第二历史应用的情况下,yi=1,否则,yi=0,ai为第i个应用的权值特征向量,aj为应用库中第j个应用的权值特征向量,u为终端的用户的用户特征向量。
在步骤102中,可以基于特征信息,通过人工智能综合模型确定候选应用列表。其中,人工智能综合模型可以包括特征提取模型和深度学习模型,候选应用列表可以包含至少一个候选的第二应用。
根据本公开的示例性实施例,可以基于特征信息,通过特征提取模型得到特征信息向量。其中,特征提取模型可以包括App2Vec模型、Word2Vec模型。然后,可以基于特征信息向量,通过深度学习模型得到用户特征向量u和应用库中每个应用的权值特征向量aj。其中,用户特征向量u为经过特定处理的特征信息向量,每个应用的权值特征向量aj用于表征该应用被选择为第二应用的权重。接下来,可以基于用户特征向量u和每个应用的权值特征向量aj,确定候选应用列表。
根据本公开的示例性实施例,特征信息向量可以包括第一应用的特征向量、第三应用的特征向量、当前已安装应用的特征向量,和/或,第一应用的上下文特征向量。
可以基于第一应用的标识信息,通过APP2Vec模型,得到第一应用的特征向量。其中,该第一应用的特征向量用于表征应用库中与第一应用具有相邻使用顺序的应用。
可以基于第三应用的标识信息,通过APP2Vec模型,得到第三应用的特征向量。其中,该第三应用的特征向量用于表征应用库中与第三应用具有相邻使用顺序的应用。
可以基于终端上当前已安装应用的标识信息,通过APP2Vec模型,得到当前已安装应用的特征向量。其中,该当前已安装应用的特征向量用于表征应用库中与当前已安装应用具有相邻使用顺序的应用。
和/或,可以基于第一应用的关键词,通过Word2Vec模型,得到第一应用的上下文特征向量。其中,该第一应用的上下文特征向量用于表征词库中与第一应用的关键词具有相邻使用顺序的词语。
示例性的,在确定候选应用列表时,还可以获取以下项中的至少一项:第一应用本次被使用之前第一应用与其他应用被分屏使用的情况、第一应用的当前被使用时刻终端的用户信息以及环境信息。其中:
第三应用的使用时刻与第一应用的当前被使用时刻相邻。第三应用的特征向量用于表征应用库中与第三应用具有相邻使用顺序的应用,即第三应用的特征向量为将第三应用的标识信息输入训练完成的App2Vec获得的。
当前已安装应用为第一应用的当前被使用时刻终端内已安装的应用。当前已安装应用的特征向量用于表征应用库中与当前已安装应用具有相邻使用顺序的应用,即当前已安装应用的特征向量为将当前已安装应用的标识信息输入训练完成的App2Vec获得的。
第一应用的上下文特征向量用于表征词库中与第一应用的关键词具有相邻使用顺序的词语,即第一应用的上下文特征向量为将第一应用的关键词输入Word2Vec模型之后获得的。
第一应用本次被使用之前第一应用与其他应用被分屏使用的情况,即为第一应用本次被使用之前第一应用与其他应用的共现情况。
针对第一应用的当前被使用时刻终端的用户信息以及环境信息,其中,用户信息可以包含用户的年龄信息、性别信息;环境信息可以包含地理位置信息、当前时间信息等等。
可以将第一应用的特征向量、第三应用的特征向量、当前已安装应用的特征向量、第一应用的上下文特征向量、第一应用本次被使用之前第一应用与其他应用被分屏使用的情况、第一应用的当前被使用时刻终端的用户信息以及环境信息输入深度学习模型,得到用户特征向量u和应用库中每个应用的权值特征向量aj。这样,在确定至少一个候选的第二应用时,不仅可以将第一应用的特征向量输入深度学习模型,还可以将与第一应用相关的其他方面的信息一起输入深度学习模型,即可以利用多个维度的、更全面的信息确定至少一个候选的第二应用,可以保证所确定的至少一个候选的第二应用大概率就是用户真正想要分屏使用的应用。
根据本公开的示例性实施例,还可以将第三应用的特征向量输入循环神经网络进行特征优化。接下来,可以基于第一应用的特征向量、经过特征优化的第三应用的特征向量、当前已安装应用的特征向量,和/或,第一应用的上下文特征向量,通过深度学习模型得到用户特征向量u和应用库中每个应用的权值特征向量aj。
进一步的,本公开在对人工智能综合模型进行更新时,可以采用局部更新的方式。由于App2Vec模型,即“Embedding层”的参数占据了人工智能综合模型参数的大部分,不适合频繁更新。因此,App2Vec模型预训练的频率可以设置的低一些,例如,可以设置为次/周或次/月;而App2Vec模型以上的深度学习模型,即“三层全连接网络+softmax层”的参数占据了人工智能综合模型参数的较少部分,因此,深度学习模型的训练频率可以设置的高一些,例如,可以设置为次/天。
需要说明的是,相关技术中,由于分屏应用推荐系统的实时性对精度影响比较大,因此需要频繁地收集用户数据进行模型训练,即模型的训练频率过高,需要耗费较多的计算资源。而在本公开中,对人工智能综合模型的实时性要求不高,前述“局部更新”的方式已经可以满足实际使用需求,更新的频率可以大大降低,可以节省计算资源。
需要说明的是,如前所述,可以将多个第三历史应用的特征向量做平均池化操作,获得一个“用户行为特征向量”。这个方法有个缺陷,就是完全摒弃了用户使用APP的时序特征,把用户最近的使用历史等同看待,导致损失了部分有效信息。因此,本公开还可以使用循环神经网络(Recurrent Neural Network,RNN)模型提取时序特征,进而生成一个新的“用户行为特征向量”。
图7是示出根据本公开的示例性实施例的一种对本公开的人工智能综合模型进行进一步优化的示意图。参照图7中的虚线部分,是通过RNN模型对多个最近使用的应用的特征向量进行处理,进而获得“用户行为特征向量”。
进一步的,RNN模型可以为门循环单元(Gated Recurrent Unit,GRU),其可以解决长期记忆和反向传播中的梯度等问题。图8是示出根据本公开的示例性实施例的一种门循环单元GRU的结构示意图。在图8中,示出了e(1)、e(2)、e(T-1)和e(T),其中,e(T)表示时刻t=T用户最近使用的应用的特征向量(Embedding)。
根据本公开的示例性实施例,可以分别计算用户特征向量u与应用库中的终端已安装的应用的权值特征向量aj的内积。接下来,可以将终端已安装的应用之中的内积结果最大的前预定数量个应用确定为至少一个候选的第二应用,即可以将终端已安装的应用之中的内积结果最大的前预定数量个应用确定为至少一个分屏应用。例如,可以将终端已安装的应用之中的内积结果排在前8位的应用确定为分屏应用。
需要说明的是,本公开中,进行内积运算时,并不需要对应用库中的所有应用,例如,10000个应用进行内积运算,只需对用户当前已安装的APP进行内积运算即可。例如,用户的终端当前总共安装了181个APP,那么用户特征向量u只需与除第一应用APP1之外的181-1=180个已安装APP的权值特征向量aj进行内积运算。这样,可以减少两个数量级的运算量,进而可以大大减少运算的时间,提高系统的响应速度。
本公开中应用库所包含的应用的数量远远小于相关技术中推荐系统所包含的应用的数量。在本公开中,应用库所包含的APP的数量在10000~50000之间,就可以覆盖常用的APP,根据实际情况,应用库所包含的APP的数量甚至可以减少为5000~10000之间。而相关技术中推荐系统所包含的应用的数量一般在百万甚至千万级别。因此,本公开中人工智能综合模型的计算量可以远远少于相关技术中推荐系统的计算量。并且,如前所述,在本公开中,对人工智能综合模型的实时性要求不高,前述“局部更新”的方式已经可以满足实际使用需求,更新的频率可以大大降低,可以节省计算资源;进一步的,如前所述,只需对用户当前已安装的APP进行内积运算,可以减少两个数量级的运算量,进而可以大大减少运算的时间,提高系统的响应速度。基于上述优势,本公开的人工智能综合模型可以在设备端上实现,例如,可以在手机端/平板端实现,也即本公开可以实现设备端人工智能(on-device-AI)。
在步骤103中,可以在终端的第一分屏区域显示第一应用,并可以在终端的第二分屏区域显示候选应用列表。
根据本公开的示例性实施例,在第二分屏区域还可以显示默认应用列表和最近使用应用列表中的至少一项。其中,默认应用列表可以包含至少一个预设应用,最近使用应用列表可以包含使用时刻与第一应用APP1的当前被使用时刻接近的应用。
图9是示出根据本公开的示例性实施例的一种显示分屏应用的示意图。在图9中,显示了依序排列的至少一个候选的第二应用APP2的应用列表、最近使用应用列表和默认应用列表。至少一个候选的第二应用APP2的应用列表也可以称为“智能推荐应用程序列表”,此时,图9中的“智能推荐应用程序列表”一共包含8个候选应用,分别为候选应用1、候选应用2、候选应用3、候选应用4、候选应用5、候选应用6、候选应用7、候选应用8。用户可以在终端屏幕上上下滑动来查看最近使用应用列表和默认应用列表。这样,本公开除了可以显示至少一个候选的第二应用APP2的应用列表之外,还可以显示最近使用应用列表和默认应用列表,扩大了用户可选择的范围,进一步提高了用户选到真正想要分屏使用的应用的可能性,分屏应用的推荐效果更好。
根据本公开的示例性实施例,可以在第二分屏区域显示至少一个候选的第二应用APP2的应用列表、默认应用列表和最近使用应用列表中的至少一项的标识(tab)。例如,至少一个候选的第二应用APP2的应用列表对应的标识可以为“智能推荐”、最近使用应用列表对应的标识可以为“最近”、默认应用列表对应的标识可以为“默认”。其中,默认应用列表可以包含至少一个预设应用,最近使用应用列表可以包含使用时刻与第一应用APP1的当前被使用时刻接近的应用。响应于用户从显示的标识中选择第一标识,可以显示第一标识对应的应用列表。图10是示出根据本公开的示例性实施例的另一种显示分屏应用的示意图。在图10中,当前被选中的标识为“智能推荐”,因此此时第二分屏区域显示的为“智能推荐应用程序列表”所包含的8个候选应用。这样,用户可以根据自身需要点击不同的标识,进而可以在不同应用列表之间进行切换,查找分屏应用的灵活性更好。
示例性的,如果用户开启了分屏功能,并且选择某个社交应用作为分屏的第一应用APP1,则基于本公开的人工智能综合模型推荐的至少一个候选的第二应用APP2的应用列表可以包含以下应用:“旅游APP”、“新闻APP”、“视频APP”、“点餐APP”、“地图APP”等等。
图11是示出根据本公开的示例性实施例的一种多个应用中每个应用被选作为社交应用对应的第二应用的原因示意图。其中,旅游APP被选作为社交应用对应的第二应用的原因为:用户与好友的聊天内容包含了多个景点信息;新闻APP被选作为社交应用对应的第二应用的原因为:用户过往使用新闻APP时,将有趣的新闻分享给社交应用好友;视频APP被选作为社交应用对应的第二应用的原因为:用户过往使用视频APP观看视频的同时使用社交应用与好友聊天;点餐APP被选作为社交应用对应的第二应用的原因为:用户与好友的聊天内容包含了美食信息;地图APP被选作为社交应用对应的第二应用的原因为:用户过往使用地图APP查路线的过程中,社交应用好友突然发来消息,用户频繁在这两个应用之间进行切换。
图12是示出根据本公开的示例性实施例的一种分屏应用匹配装置的框图。
参照图12,该装置1200可包括特征信息获取模块1201、候选应用列表确定模块1202和显示模块1203。
特征信息获取模块1201响应于接收到分屏指令,可以获取与第一应用相关联的特征信息。例如,在终端中的第一应用处于已启动状态或者运行状态的情况下,响应于接收到分屏指令,特征信息获取模块1201可以获取与第一应用相关联的特征信息。
根据本公开的示例性实施例,与第一应用相关联的特征信息可以包括:第一应用的标识信息、第三应用的标识信息、终端上当前已安装应用的标识信息,和/或,第一应用的关键词。其中,第三应用为与第一应用当前被使用时刻相邻的应用,当前已安装应用为第一应用的当前被使用时刻终端内已安装的应用。
需要说明的是,应用的标识信息可以为APP id。例如,可以收集10000个或50000个常用的应用程序。然后,可以为每个应用程序生成一个APP id,不同应用的APP id是不同的。
根据本公开的示例性实施例,在特征提取模型为App2Vec模型的情况下,App2Vec模型可以为基于多个用户中每个用户的多个真实行为序列进行训练获得的。其中,真实行为序列可以包含真实场景下依次被使用的至少两个应用。App2Vec的具体训练过程已经在前一个实施例中进行详细阐述,这里不再赘述。
根据本公开的示例性实施例,在特征提取模型为App2Vec模型的情况下,深度学习模型可以为基于训练好的App2Vec模型、终端的用户在历史过程中分屏使用的第一历史应用和第二历史应用进行训练获得的。深度学习模型的具体训练过程已经在前一个实施例中进行详细阐述,这里不再赘述。
候选应用列表确定模块1202可以基于特征信息,通过人工智能综合模型确定候选应用列表。其中,人工智能综合模型可以包括特征提取模型和深度学习模型,候选应用列表可以包含至少一个候选的第二应用。
根据本公开的示例性实施例,候选应用列表确定模块1202可以基于特征信息,通过特征提取模型得到特征信息向量。其中,特征提取模型可以包括App2Vec模型、Word2Vec模型。然后,可以基于特征信息向量,通过深度学习模型得到用户特征向量u和应用库中每个应用的权值特征向量aj。其中,用户特征向量u为经过特定处理的特征信息向量,每个应用的权值特征向量aj用于表征该应用被选择为第二应用的权重。接下来,可以基于用户特征向量u和每个应用的权值特征向量aj,确定候选应用列表。
根据本公开的示例性实施例,特征信息向量可以包括第一应用的特征向量、第三应用的特征向量、当前已安装应用的特征向量,和/或,第一应用的上下文特征向量。
候选应用列表确定模块1202可以基于第一应用的标识信息,通过APP2Vec模型,得到第一应用的特征向量。其中,该第一应用的特征向量用于表征应用库中与第一应用具有相邻使用顺序的应用。
候选应用列表确定模块1202可以基于第三应用的标识信息,通过APP2Vec模型,得到第三应用的特征向量。其中,该第三应用的特征向量用于表征应用库中与第三应用具有相邻使用顺序的应用。
候选应用列表确定模块1202可以基于终端上当前已安装应用的标识信息,通过APP2Vec模型,得到当前已安装应用的特征向量。其中,该当前已安装应用的特征向量用于表征应用库中与当前已安装应用具有相邻使用顺序的应用。
和/或,候选应用列表确定模块1202可以基于第一应用的关键词,通过Word2Vec模型,得到第一应用的上下文特征向量。其中,该第一应用的上下文特征向量用于表征词库中与第一应用的关键词具有相邻使用顺序的词语。
示例性的,在确定候选应用列表时,还可以获取以下项中的至少一项:第一应用本次被使用之前第一应用与其他应用被分屏使用的情况、第一应用的当前被使用时刻终端的用户信息以及环境信息。其中:
第三应用的使用时刻与第一应用的当前被使用时刻相邻。第三应用的特征向量用于表征应用库中与第三应用具有相邻使用顺序的应用,即第三应用的特征向量为将第三应用的标识信息输入训练完成的App2Vec获得的。
当前已安装应用为第一应用的当前被使用时刻终端内已安装的应用。当前已安装应用的特征向量用于表征应用库中与当前已安装应用具有相邻使用顺序的应用,即当前已安装应用的特征向量为将当前已安装应用的标识信息输入训练完成的App2Vec获得的。
第一应用的上下文特征向量用于表征词库中与第一应用的关键词具有相邻使用顺序的词语,即第一应用的上下文特征向量为将第一应用的关键词输入Word2Vec模型之后获得的。
第一应用本次被使用之前第一应用与其他应用被分屏使用的情况,即为第一应用本次被使用之前第一应用与其他应用的共现情况。
针对第一应用的当前被使用时刻终端的用户信息以及环境信息,其中,用户信息可以包含用户的年龄信息、性别信息;环境信息可以包含地理位置信息、当前时间信息等等。
可以将第一应用的特征向量、第三应用的特征向量、当前已安装应用的特征向量、第一应用的上下文特征向量、第一应用本次被使用之前第一应用与其他应用被分屏使用的情况、第一应用的当前被使用时刻终端的用户信息以及环境信息输入深度学习模型,得到用户特征向量u和应用库中每个应用的权值特征向量aj。这样,在确定至少一个候选的第二应用时,不仅可以将第一应用的特征向量输入深度学习模型,还可以将与第一应用相关的其他方面的信息一起输入深度学习模型,即可以利用多个维度的、更全面的信息确定至少一个候选的第二应用,可以保证所确定的至少一个候选的第二应用大概率就是用户真正想要分屏使用的应用。
根据本公开的示例性实施例,分屏应用匹配装置1200还可以包含特征优化模块。该特征优化模块还可以将第三应用的特征向量输入循环神经网络进行特征优化。接下来,候选应用列表确定模块1202可以基于第一应用的特征向量、经过特征优化的第三应用的特征向量、当前已安装应用的特征向量,和/或,第一应用的上下文特征向量,通过深度学习模型得到用户特征向量u和应用库中每个应用的权值特征向量aj。
进一步的,本公开在对人工智能综合模型进行更新时,可以采用局部更新的方式。由于App2Vec模型,即“Embedding层”的参数占据了人工智能综合模型参数的大部分,不适合频繁更新。因此,App2Vec模型预训练的频率可以设置的低一些,例如,可以设置为次/周或次/月;而App2Vec模型以上的深度学习模型,即“三层全连接网络+softmax层”的参数占据了人工智能综合模型参数的较少部分,因此,深度学习模型的训练频率可以设置的高一些,例如,可以设置为次/天。
需要说明的是,相关技术中,由于分屏应用推荐系统的实时性对精度影响比较大,因此需要频繁地收集用户数据进行模型训练,即模型的训练频率过高,需要耗费较多的计算资源。而在本公开中,对人工智能综合模型的实时性要求不高,前述“局部更新”的方式已经可以满足实际使用需求,更新的频率可以大大降低,可以节省计算资源。
需要说明的是,如前所述,可以将多个第三历史应用的特征向量做平均池化操作,获得一个“用户行为特征向量”。这个方法有个缺陷,就是完全摒弃了用户使用APP的时序特征,把用户最近的使用历史等同看待,导致损失了部分有效信息。因此,本公开还可以使用RNN模型提取时序特征,进而生成一个新的“用户行为特征向量”。进一步的,RNN模型可以为GRU,其可以解决长期记忆和反向传播中的梯度等问题。
根据本公开的示例性实施例,可以分别计算用户特征向量u与应用库中的终端已安装的应用的权值特征向量aj的内积。接下来,可以将终端已安装的应用之中的内积结果最大的前预定数量个应用确定为至少一个候选的第二应用,即可以将终端已安装的应用之中的内积结果最大的前预定数量个应用确定为至少一个分屏应用。例如,可以将终端已安装的应用之中的内积结果排在前8位的应用确定为分屏应用。
需要说明的是,本公开中,进行内积运算时,并不需要对应用库中的所有应用,例如,10000个应用进行内积运算,只需对用户当前已安装的APP进行内积运算即可。例如,用户的终端当前总共安装了181个APP,那么用户特征向量u只需与除第一应用APP1之外的181-1=180个已安装APP的权值特征向量aj进行内积运算。这样,可以减少两个数量级的运算量,进而可以大大减少运算的时间,提高系统的响应速度。
本公开中应用库所包含的应用的数量远远小于相关技术中推荐系统所包含的应用的数量。在本公开中,应用库所包含的APP的数量在10000~50000之间,就可以覆盖常用的APP,根据实际情况,应用库所包含的APP的数量甚至可以减少为5000~10000之间。而相关技术中推荐系统所包含的应用的数量一般在百万甚至千万级别。因此,本公开中人工智能综合模型的计算量可以远远少于相关技术中推荐系统的计算量。并且,如前所述,在本公开中,对人工智能综合模型的实时性要求不高,前述“局部更新”的方式已经可以满足实际使用需求,更新的频率可以大大降低,可以节省计算资源;进一步的,如前所述,只需对用户当前已安装的APP进行内积运算,可以减少两个数量级的运算量,进而可以大大减少运算的时间,提高系统的响应速度。基于上述优势,本公开的人工智能综合模型可以在设备端上实现,例如,可以在手机端/平板端实现,也即本公开可以实现on-device-AI。
显示模块1203可以在终端的第一分屏区域显示第一应用,并可以在终端的第二分屏区域显示候选应用列表。
根据本公开的示例性实施例,显示模块1203在第二分屏区域还可以显示默认应用列表和最近使用应用列表中的至少一项。其中,默认应用列表可以包含至少一个预设应用,最近使用应用列表可以包含使用时刻与第一应用APP1的当前被使用时刻接近的应用。这样,本公开除了可以显示至少一个候选的第二应用APP2的应用列表之外,还可以显示最近使用应用列表和默认应用列表,扩大了用户可选择的范围,进一步提高了用户选到真正想要分屏使用的应用的可能性,分屏应用的推荐效果更好。
图13是示出根据本公开的示例性实施例的一种电子设备1300的框图。
参照图13,电子设备1300包括至少一个存储器1301和至少一个处理器1302,所述至少一个存储器1301中存储有指令,当指令被至少一个处理器1302执行时,执行根据本公开的示例性实施例的终端的分屏应用匹配方法。
作为示例,电子设备1300可以是PC计算机、平板装置、个人数字助理、智能手机、或其他能够执行上述指令的装置。这里,电子设备1300并非必须是单个的电子设备,还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。电子设备1300还可以是集成控制系统或系统管理器的一部分,或者可被配置为与本地或远程(例如,经由无线传输)以接口互联的便携式电子设备。
在电子设备1300中,处理器1302可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制,处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
处理器1302可运行存储在存储器1301中的指令或代码,其中,存储器1301还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收,其中,网络接口装置可采用任何已知的传输协议。
存储器1301可与处理器1302集成为一体,例如,将RAM或闪存布置在集成电路微处理器等之内。此外,存储器1301可包括独立的装置,诸如,外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储器1301和处理器1302可在操作上进行耦合,或者可例如通过I/O端口、网络连接等互相通信,使得处理器1302能够读取存储在存储器中的文件。
此外,电子设备1300还可包括视频显示器(诸如,液晶显示器)和用户交互接口(诸如,键盘、鼠标、触摸输入装置等)。电子设备1300的所有组件可经由总线和/或网络而彼此连接。
根据本公开的示例性实施例,还可提供一种计算机可读存储介质,当计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述终端的分屏应用匹配方法。这里的计算机可读存储介质的示例包括:只读存储器(ROM)、随机存取可编程只读存储器(PROM)、电可擦除可编程只读存储器(EEPROM)、随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、闪存、非易失性存储器、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-RLTH、BD-RE、蓝光或光盘存储器、硬盘驱动器(HDD)、固态硬盘(SSD)、卡式存储器(诸如,多媒体卡、安全数字(SD)卡或极速数字(XD)卡)、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘以及任何其他装置,所述任何其他装置被配置为以非暂时性方式存储计算机程序以及任何相关联的数据、数据文件和数据结构并将所述计算机程序以及任何相关联的数据、数据文件和数据结构提供给处理器或计算机使得处理器或计算机能执行所述计算机程序。上述计算机可读存储介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行,此外,在一个示例中,计算机程序以及任何相关联的数据、数据文件和数据结构分布在联网的计算机系统上,使得计算机程序以及任何相关联的数据、数据文件和数据结构通过一个或多个处理器或计算机以分布式方式存储、访问和执行。
根据本公开的终端的分屏应用匹配方法、装置、电子设备和存储介质,可以基于与第一应用相关联的特征信息,通过人工智能综合模型确定候选应用列表,可以保证所展现的候选应用大概率是用户真正想要分屏使用的应用,分屏应用的推荐效果较好。
进一步的,可以使用DeepWalk算法生成大量的训练样本,进而可以利用生成的训练样本对App2Vec进行训练。训练完成的App2Vec可以提取“用户过往使用APP的历史行为序列”这种弱特征,可以实现将高维稀疏特征向量(APP id)转换成低维稠密特征向量,让本来相互独立的应用相互之间产生了关联性,可以保证预测的分屏应用大概率是用户真正想要分屏使用的应用。
进一步的,在对深度学习模型进行训练时,不仅可以考虑第一历史应用的特征向量,还可以考虑与第一历史应用相关的其他方面的信息,即可以利用多个维度的、更全面的信息对深度学习模型进行训练,可以提升深度学习模型的精准度。
进一步的,在本公开中,对人工智能综合模型的实时性要求不高,前述“局部更新”的方式已经可以满足实际使用需求,更新的频率可以大大降低,可以节省计算资源。
进一步的,在确定至少一个候选的第二应用时,不仅可以将第一应用的特征向量输入深度学习模型,还可以将与第一应用相关的其他方面的信息一起输入深度学习模型,即可以利用多个维度的、更全面的信息确定至少一个候选的第二应用,可以保证所确定的至少一个候选的第二应用大概率就是用户真正想要分屏使用的应用。
进一步的,在本公开中,进行内积运算时,并不需要对应用库中的所有应用进行内积运算,只需对用户当前已安装的APP进行内积运算即可。可以减少两个数量级的运算量,进而可以大大减少运算的时间,提高系统的响应速度。
进一步的,本公开除了可以显示至少一个候选的第二应用APP2的应用列表之外,还可以显示最近使用应用列表和默认应用列表,扩大了用户可选择的范围,进一步提高了用户选到真正想要分屏使用的应用的可能性,分屏应用的推荐效果更好。
进一步的,用户可以根据自身需要点击不同的标识,进而可以在不同应用列表之间进行切换,查找分屏应用的灵活性更好。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (18)
1.一种终端的分屏应用匹配方法,其特征在于,包括:
响应于接收到分屏指令,获取与第一应用相关联的特征信息;
基于所述特征信息,通过人工智能综合模型确定候选应用列表,其中,所述人工智能综合模型包括特征提取模型和深度学习模型,所述候选应用列表包含至少一个候选的第二应用;
在所述终端的第一分屏区域显示所述第一应用,并在所述终端的第二分屏区域显示所述候选应用列表。
2.如权利要求1所述的分屏应用匹配方法,其特征在于,所述与第一应用相关联的特征信息包括:
所述第一应用的标识信息、第三应用的标识信息、所述终端上当前已安装应用的标识信息,和/或,所述第一应用的关键词,其中,所述第三应用为与所述第一应用当前被使用时刻相邻的应用,所述当前已安装应用为所述第一应用的当前被使用时刻所述终端内已安装的应用。
3.如权利要求2所述的分屏应用匹配方法,其特征在于,所述基于所述特征信息,通过人工智能综合模型确定候选应用列表,包括:
基于所述特征信息,通过所述特征提取模型得到特征信息向量,其中,所述特征提取模型包括App2Vec模型、Word2Vec模型;
基于所述特征信息向量,通过所述深度学习模型得到用户特征向量和应用库中每个应用的权值特征向量,其中,所述用户特征向量为经过特定处理的特征信息向量,所述每个应用的权值特征向量用于表征该应用被选择为所述第二应用的权重;
基于所述用户特征向量和所述每个应用的权值特征向量,确定所述候选应用列表。
4.如权利要求3所述的分屏应用匹配方法,其特征在于,所述特征信息向量包括所述第一应用的特征向量、所述第三应用的特征向量、所述当前已安装应用的特征向量,和/或,所述第一应用的上下文特征向量;
所述基于所述特征信息,通过所述特征提取模型得到特征信息向量,包括:
基于所述第一应用的标识信息,通过所述APP2Vec模型,得到所述第一应用的特征向量,其中,所述第一应用的特征向量用于表征所述应用库中与所述第一应用具有相邻使用顺序的应用;
基于所述第三应用的标识信息,通过所述APP2Vec模型,得到所述第三应用的特征向量,其中,所述第三应用的特征向量用于表征所述应用库中与所述第三应用具有相邻使用顺序的应用;
基于所述终端上当前已安装应用的标识信息,通过所述APP2Vec模型,得到所述当前已安装应用的特征向量,其中,所述当前已安装应用的特征向量用于表征所述应用库中与所述当前已安装应用具有相邻使用顺序的应用;
和/或,基于所述第一应用的关键词,通过所述Word2Vec模型,得到所述第一应用的上下文特征向量,其中,所述第一应用的上下文特征向量用于表征词库中与所述第一应用的关键词具有相邻使用顺序的词语。
5.如权利要求4所述的分屏应用匹配方法,其特征在于,在所述基于所述特征信息向量,通过所述深度学习模型得到用户特征向量和应用库中每个应用的权值特征向量之前,还包括:
将所述第三应用的特征向量输入循环神经网络进行特征优化;
所述基于所述特征信息向量,通过所述深度学习模型得到用户特征向量和应用库中每个应用的权值特征向量,包括:
基于所述第一应用的特征向量、经过特征优化的所述第三应用的特征向量、所述当前已安装应用的特征向量,和/或,所述第一应用的上下文特征向量,通过所述深度学习模型得到所述用户特征向量和所述应用库中每个应用的权值特征向量。
6.如权利要求1所述的分屏应用匹配方法,其特征在于,在所述特征提取模型为App2Vec模型的情况下,所述App2Vec模型为基于多个用户中每个用户的多个真实行为序列进行训练获得的,其中,所述真实行为序列包含真实场景下依次被使用的至少两个应用。
7.如权利要求1所述的分屏应用匹配方法,其特征在于,在所述特征提取模型为App2Vec模型的情况下,所述深度学习模型为基于训练好的所述App2Vec模型、所述终端的用户在历史过程中分屏使用的第一历史应用和第二历史应用进行训练获得的。
8.如权利要求1所述的分屏应用匹配方法,其特征在于,所述在所述终端的第二分屏区域显示所述候选应用列表,还包括:
在所述第二分屏区域还显示默认应用列表和最近使用应用列表中的至少一项。
9.一种分屏应用匹配装置,其特征在于,包括:
特征信息获取模块,被配置为响应于接收到分屏指令,获取与第一应用相关联的特征信息;
候选应用列表确定模块,被配置为基于所述特征信息,通过人工智能综合模型确定候选应用列表,其中,所述人工智能综合模型包括特征提取模型和深度学习模型,所述候选应用列表包含至少一个候选的第二应用;
显示模块,被配置为在所述终端的第一分屏区域显示所述第一应用,并在所述终端的第二分屏区域显示所述候选应用列表。
10.如权利要求9所述的分屏应用匹配装置,其特征在于,所述与第一应用相关联的特征信息包括:
所述第一应用的标识信息、第三应用的标识信息、所述终端上当前已安装应用的标识信息,和/或,所述第一应用的关键词,其中,所述第三应用为与所述第一应用当前被使用时刻相邻的应用,所述当前已安装应用为所述第一应用的当前被使用时刻所述终端内已安装的应用。
11.如权利要求10所述的分屏应用匹配装置,其特征在于,所述候选应用列表确定模块被配置为:
基于所述特征信息,通过所述特征提取模型得到特征信息向量,其中,所述特征提取模型包括App2Vec模型、Word2Vec模型;
基于所述特征信息向量,通过所述深度学习模型得到用户特征向量和应用库中每个应用的权值特征向量,其中,所述用户特征向量为经过特定处理的特征信息向量,所述每个应用的权值特征向量用于表征该应用被选择为所述第二应用的权重;
基于所述用户特征向量和所述每个应用的权值特征向量,确定所述候选应用列表。
12.如权利要求11所述的分屏应用匹配装置,其特征在于,所述特征信息向量包括所述第一应用的特征向量、所述第三应用的特征向量、所述当前已安装应用的特征向量,和/或,所述第一应用的上下文特征向量;
所述候选应用列表确定模块被配置为:
基于所述第一应用的标识信息,通过所述APP2Vec模型,得到所述第一应用的特征向量,其中,所述第一应用的特征向量用于表征所述应用库中与所述第一应用具有相邻使用顺序的应用;
基于所述第三应用的标识信息,通过所述APP2Vec模型,得到所述第三应用的特征向量,其中,所述第三应用的特征向量用于表征所述应用库中与所述第三应用具有相邻使用顺序的应用;
基于所述终端上当前已安装应用的标识信息,通过所述APP2Vec模型,得到所述当前已安装应用的特征向量,其中,所述当前已安装应用的特征向量用于表征所述应用库中与所述当前已安装应用具有相邻使用顺序的应用;
和/或,基于所述第一应用的关键词,通过所述Word2Vec模型,得到所述第一应用的上下文特征向量,其中,所述第一应用的上下文特征向量用于表征词库中与所述第一应用的关键词具有相邻使用顺序的词语。
13.如权利要求12所述的分屏应用匹配装置,其特征在于,所述分屏应用匹配装置还包括:
特征优化模块,被配置为将所述第三应用的特征向量输入循环神经网络进行特征优化;
所述候选应用列表确定模块被配置为:
基于所述第一应用的特征向量、经过特征优化的所述第三应用的特征向量、所述当前已安装应用的特征向量,和/或,所述第一应用的上下文特征向量,通过所述深度学习模型得到所述用户特征向量和所述应用库中每个应用的权值特征向量。
14.如权利要求9所述的分屏应用匹配装置,其特征在于,在所述特征提取模型为App2Vec模型的情况下,所述App2Vec模型为基于多个用户中每个用户的多个真实行为序列进行训练获得的,其中,所述真实行为序列包含真实场景下依次被使用的至少两个应用。
15.如权利要求9所述的分屏应用匹配装置,其特征在于,在所述特征提取模型为App2Vec模型的情况下,所述深度学习模型为基于训练好的所述App2Vec模型、所述终端的用户在历史过程中分屏使用的第一历史应用和第二历史应用进行训练获得的。
16.如权利要求9所述的分屏应用匹配装置,其特征在于,所述显示模块被配置为:
在所述第二分屏区域还显示默认应用列表和最近使用应用列表中的至少一项。
17.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至8中任一项所述的终端的分屏应用匹配方法。
18.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至8中任一项所述的终端的分屏应用匹配方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211152788.9A CN117806740A (zh) | 2022-09-21 | 2022-09-21 | 终端的分屏应用匹配方法、装置、电子设备和存储介质 |
US18/371,253 US20240094871A1 (en) | 2022-09-21 | 2023-09-21 | Split screen application matching method of terminal, apparatus, electronic device and storage medium |
PCT/KR2023/014385 WO2024063561A1 (en) | 2022-09-21 | 2023-09-21 | Split screen application matching method of terminal, apparatus, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211152788.9A CN117806740A (zh) | 2022-09-21 | 2022-09-21 | 终端的分屏应用匹配方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117806740A true CN117806740A (zh) | 2024-04-02 |
Family
ID=90425319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211152788.9A Pending CN117806740A (zh) | 2022-09-21 | 2022-09-21 | 终端的分屏应用匹配方法、装置、电子设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117806740A (zh) |
WO (1) | WO2024063561A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101233955B1 (ko) * | 2012-05-17 | 2013-02-15 | 권오형 | 사용자 중심의 메인 화면 아이콘 구성 장치 및 방법 |
KR102328102B1 (ko) * | 2017-03-08 | 2021-11-17 | 삼성전자주식회사 | 전자 장치 및 전자 장치의 화면 표시방법 |
KR20200094829A (ko) * | 2019-01-22 | 2020-08-10 | 삼성전자주식회사 | 전자 장치에서 어플리케이션 목록 제공 방법 및 장치 |
EP3929715B1 (en) * | 2019-02-22 | 2024-02-07 | Sony Group Corporation | Information processing device and information processing method |
CN116324692A (zh) * | 2020-09-22 | 2023-06-23 | Oppo广东移动通信有限公司 | 计算设备中的分屏显示实现 |
-
2022
- 2022-09-21 CN CN202211152788.9A patent/CN117806740A/zh active Pending
-
2023
- 2023-09-21 WO PCT/KR2023/014385 patent/WO2024063561A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024063561A1 (en) | 2024-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karimi et al. | News recommender systems–Survey and roads ahead | |
US10958748B2 (en) | Resource push method and apparatus | |
CN111680219B (zh) | 内容推荐方法、装置、设备及可读存储介质 | |
US9934515B1 (en) | Content recommendation system using a neural network language model | |
CN108804633B (zh) | 基于行为语义知识网络的内容推荐方法 | |
CN111046286B (zh) | 一种对象推荐方法、装置、以及计算机存储介质 | |
CN111966914B (zh) | 基于人工智能的内容推荐方法、装置和计算机设备 | |
KR20180121466A (ko) | 딥러닝을 활용한 개인화 상품 추천 | |
CN111090756B (zh) | 基于人工智能的多目标推荐模型的训练方法及装置 | |
RU2725659C2 (ru) | Способ и система для оценивания данных о взаимодействиях пользователь-элемент | |
CN110413867B (zh) | 用于内容推荐的方法及系统 | |
RU2714594C1 (ru) | Способ и система определения параметра релевантность для элементов содержимого | |
CN112989146B (zh) | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN111858969B (zh) | 多媒体数据推荐方法、装置、计算机设备和存储介质 | |
US20220284067A1 (en) | Method for pushing information, electronic device | |
US20160379270A1 (en) | Systems and methods for customized internet searching and advertising | |
CN115712657A (zh) | 基于元宇宙的用户需求挖掘方法及系统 | |
CN112328889A (zh) | 推荐搜索词确定方法、装置、可读介质及电子设备 | |
CN114817692A (zh) | 确定推荐对象的方法、装置和设备及计算机存储介质 | |
CN113836388A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN117171406A (zh) | 应用程序功能的推荐方法、装置、设备和存储介质 | |
US11822447B2 (en) | Methods and servers for storing data associated with users and digital items of a recommendation system | |
CN117806740A (zh) | 终端的分屏应用匹配方法、装置、电子设备和存储介质 | |
CN113094584A (zh) | 推荐学习资源的确定方法和装置 | |
CN112905892A (zh) | 应用于用户画像挖掘的大数据处理方法及大数据服务器 |
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 |