WO2017049792A1 - 一种应用软件推荐方法和装置 - Google Patents
一种应用软件推荐方法和装置 Download PDFInfo
- Publication number
- WO2017049792A1 WO2017049792A1 PCT/CN2015/098721 CN2015098721W WO2017049792A1 WO 2017049792 A1 WO2017049792 A1 WO 2017049792A1 CN 2015098721 W CN2015098721 W CN 2015098721W WO 2017049792 A1 WO2017049792 A1 WO 2017049792A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- application
- application software
- information
- recommendation
- 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.)
- Ceased
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
- G06F16/951—Indexing; Web crawling techniques
Definitions
- the present invention relates to network technologies, and in particular, to an application software recommendation method and an application software recommendation device.
- an application software recommendation method includes the following steps: acquiring user feature information according to an application recommendation request received from a client; and providing the user feature information as an input parameter to an application recommendation model, where the application recommendation model is based on each application software
- the historical data of the following is obtained by learning; the recommended application software information outputted by the application recommendation model forms the application recommendation data, and is delivered to the client.
- an application software recommendation method includes the following steps: a client generates an application recommendation request based on a user operation of the application software, and sends the application recommendation request to the network.
- the client receives the application recommendation data formed by the network based on the recommended application software information, and displays the application recommendation data; wherein the recommended application software information is recommended by the network according to the application software.
- the user feature information obtained by the request is provided as an input parameter to the application recommendation model, and is output by the application recommendation model, and the application recommendation model is obtained by the network based on learning historical data that is focused on each application software. of.
- the present invention Compared with the prior art, the present invention has the following advantages: the present invention sets the application recommendation model by using historical data that is focused on by each application software, so that the application recommendation model is based on the statistics of big data mining, Learning the historical data that the application software is concerned about can obtain the same application software that the different users have the same characteristics, and therefore, the application recommendation model obtained by learning the historical data can reflect different characteristics. Different application software that the user pays attention to, so that when the user feature information is provided as an input parameter to the application recommendation model, the recommended application software information output by the application recommendation model can be formed for a specific user and as far as possible to meet specific user interests.
- FIG. 1 is a flowchart of a method for recommending application software according to Embodiment 1 of the present invention
- FIG. 3 is a first picture corresponding to a message sent by a network end to a client according to Embodiment 2 of the present invention
- FIG. 10 is a schematic diagram of an application software recommendation apparatus according to Embodiment 6 of the present invention.
- FIG. 1 is a flowchart of a method for recommending application software according to an embodiment, and the method shown in FIG. 1 mainly includes step S100, step S110, and step S120.
- the method described in this embodiment is performed in the network, and the method described in this embodiment can be executed in a computer device, such as by a computer device in the network.
- the respective steps in Fig. 1 will be described below.
- the network of the embodiment may use the related information of the application software installed by the user terminal device where the client is located to output the application recommendation model. It is recommended that the application software information be filtered to filter out related information of the application software that has been installed by the user included in the recommended application software information, and then the network can use the filtered recommended application software.
- the piece of information forms application recommendation data.
- the following takes the user terminal device as the smart mobile phone and the application software as the APP installed in the smart mobile phone as an example, and the method of the embodiment is described with reference to FIGS. 2-6.
- the client filters the received recommended application software information by using related information of the application software installed by the user terminal device to filter out the application software that has been installed by the user included in the recommended application software information. Related information, then proceeds to step S850.
- the client performs screen display and interactive function processing on the recommended application software information after the sorting process, such as forming a screen displayed to the user according to the data type and the page setting requirement.
- the application recommendation model 920 in this embodiment is generally obtained by the learning module 970 utilizing historical data containing multi-dimensional information and performing continuous learning based on intelligent machine learning techniques, such as the learning module 970 utilizing a history containing multi-dimensional information.
- the data enables the support vector machine to perform a self-learning process, and the support vector machine can perform the processing operation such as cluster analysis on a large amount of historical data, and finally the network side can obtain the application software recommendation model 920.
- the learning module 970 should continue to maintain the current application recommendation model 920 accordingly, so as to continuously correct and improve the current application recommendation model 920, thereby improving the application recommendation model.
- the 920 recommended application software meets the user's wishes.
- the learning module 970 can collect a certain amount of new historical data during the use of the application recommendation model 920, and use the new historical data to enable the intelligent machine learning technology such as the support vector machine to continue the learning operation.
- the selection module 960 may select a predetermined one of the recommended application software information according to the priority corresponding to each application recommendation model 920.
- the recommended data forming module 930 forms the application recommendation data by using the recommended application software information based on the priority selection.
- the priority corresponding to each application recommendation model 920 can be set according to actual conditions, such as "see and see application recommendation model", "installed and installed application recommendation model", and "region-related application” in the network.
- the priority setting module (not shown) can set the priority of the "installed and installed application recommendation model” higher than the priority of "see and see the application recommendation model”. And set the "look and see application software recommendation model” priority is higher than "regional related applications” The priority of the software recommendation model.
- An application recommendation model obtained based on learning historical data that is associated with the application software
- the client filters the recommended application software information in the received application recommendation data according to the application software information installed by the user terminal device, and displays the application recommendation data including the filtered recommended application software information. .
- a selection module configured to select a predetermined number of recommended application software information from the recommended application software information according to a priority corresponding to each application recommendation model
- the learning module is adapted to perform a learning process of the application recommendation model by using relevant operation information performed by the user based on the application recommendation data.
- the application recommendation data is formed according to the recommended application software information output by the application recommendation model and the preset operation item information.
- a request generation module configured to generate an application recommendation request based on a user operation on the application software
- a sending module configured to send the generated application recommendation request to the network
- a computer program product when the computer program product is executed, the method of any one of clauses 1 to 10 being performed.
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
一种应用软件推荐方法和装置，其中的方法包括：根据从客户端接收的应用软件推荐请求，获取用户特征信息；将所述用户特征信息作为输入参数提供给应用软件推荐模型，所述应用软件推荐模型是基于对各应用软件被关注的历史数据进行学习而获得的；根据应用软件推荐模型输出的被推荐应用软件信息形成应用软件推荐数据，并向客户端下发。该技术方案能够使向客户端下发的应用软件推荐数据中尽量包含有用户感兴趣的应用软件，在一定程度上避免了用户感兴趣的应用软件不能被突出的展现在用户面前以及不符合用户兴趣的应用软件推荐信息占用网络资源的现象。
Description
相关申请的交叉引用
本申请请求于2015年9月23日提交的申请号为201510612729.9的中国专利申请的优先权，该中国专利申请的内容以引用方式被完整包含于此。
本发明涉及网络技术，尤其是涉及一种应用软件推荐方法以及应用软件推荐装置。
随着互联网尤其是移动互联网的快速迅猛发展，应用软件(Application Software)已经逐渐成为人们日常工作生活中不可或缺的一部分。目前，应用软件尤其是针对移动终端设备的APP(Application，应用程序)的种类以及数量均在持续不断的增加。
发明人在实现本发明过程中发现，对于应用软件的开发者而言，由于在应用软件的开发过程中投入了一定的人力、物力以及财力，因此，开发者往往希望其所开发出的应用软件被更多用户所使用，然而，开发者开发出的应用软件往往会淹没于目前为数众多的应用软件之中，不能被突出的展现在对此有兴趣的用户群体面前。对于用户而言，在为数众多的应用软件中，必定有一部分应用软件是用户所感兴趣的，然而，用户感兴趣的应用软件也往往会淹没于目前为数众多的应用软件中，不能被突出的展现在用户面前。
发明内容
本发明的目的是提供一种应用软件推荐方法和装置。
根据本发明的其中一个方面，提供一种应用软件推荐方法，且所述
方法包括以下步骤：根据从客户端接收的应用软件推荐请求，获取用户特征信息；将所述用户特征信息作为输入参数提供给应用软件推荐模型，所述应用软件推荐模型是基于对各应用软件被关注的历史数据进行学习而获得的；根据应用软件推荐模型输出的被推荐应用软件信息形成应用软件推荐数据，并向客户端下发。
根据本发明的其中另一个方面，提供一种应用软件推荐方法，且所述方法包括以下步骤：客户端基于用户对应用软件的操作生成应用软件推荐请求，并向网络端发送该应用软件推荐请求；客户端接收网络端下发的基于被推荐应用软件信息所形成的应用软件推荐数据，并展示所述应用软件推荐数据；其中，所述被推荐应用软件信息是网络端将其根据应用软件推荐请求所获得的用户特征信息作为输入参数提供给应用软件推荐模型，并由应用软件推荐模型输出的，且所述应用软件推荐模型是网络端基于对各应用软件被关注的历史数据进行学习而获得的。
根据本发明的其中再一个方面，提供一种应用软件推荐装置，且所述装置包括：获取模块，适于根据从客户端接收的应用软件推荐请求，获取用户特征信息；输入模块，适于将所述用户特征信息作为输入参数提供给应用软件推荐模型，所述应用软件推荐模型是基于对各应用软件被关注的历史数据进行学习而获得的；推荐数据形成模块，适于根据应用软件推荐模型输出的被推荐应用软件信息形成应用软件推荐数据；以及下发模块，适于将所形成的应用软件推荐数据下发给客户端。
根据本发明的其中再一个方面，提供一种应用软件推荐装置，且所述装置包括：请求生成模块，适于基于用户对应用软件的操作生成应用软件推荐请求；发送模块，适于向网络端发送所生成的应用软件推荐请求；接收模块，适于接收网络端下发的响应于所述应用软件推荐请求而生成的应用软件推荐数据；展示模块，适于展示所述应用软件推荐数据；其中，所述应用软件推荐数据是网络端基于被推荐应用软件信息生成的，所述被推荐应用软件信息是网络端将其根据应用软件
推荐请求所获得的用户特征信息作为输入参数提供给应用软件推荐模型，并由应用软件推荐模型输出的，且所述应用软件推荐模型是网络端基于对各应用软件被关注的历史数据进行学习而获得的。
与现有技术相比，本发明具有以下优点：本发明通过利用各应用软件被关注的历史数据来设置应用软件推荐模型，使应用软件推荐模型建立在对大数据挖掘统计的基础之上，由于对各应用软件被关注的历史数据进行学习可以获得具有相同特征的不同用户所共同关注的相同应用软件，因此，本发明通过对历史数据进行学习而获得的应用软件推荐模型可以体现出具有不同特征的用户所关注的不同应用软件，从而在将用户特征信息作为输入参数提供给应用软件推荐模型时，应用软件推荐模型输出的被推荐应用软件信息可以形成针对具体用户且尽可能符合具体用户兴趣的应用软件推荐数据；由此可知，本发明提供的技术方案通过数据挖掘统计能够使向客户端下发的应用软件推荐数据中尽量包含有用户感兴趣的应用软件，在一定程度上避免了用户感兴趣的应用软件不能被突出的展现在用户面前以及不符合用户兴趣的应用软件推荐信息占用网络资源的现象。
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例一的应用软件推荐方法的流程图；
图2为本发明实施例二的应用软件推荐方法的流程图；
图3为本发明实施例二的网络端向客户端下发信息对应的第一个画面；
图4为本发明实施例二的网络端向客户端下发信息对应的第二个画面；
图5为本发明实施例二的网络端向客户端下发信息对应的第三个画面；
图6为本发明实施例二的网络端向客户端下发信息对应的第四个画
面；
图7为本发明实施例三的应用软件推荐方法流程图；
图8为本发明实施例四的应用软件推荐方法流程图；
图9为本发明实施例五的应用软件推荐装置示意图；
图10为本发明实施例六的应用软件推荐装置示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或者方法。虽然流程图将各项操作描述成顺序的处理，但是，其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的执行顺序可以被重新安排。当其操作执行完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
在上下文中所称的“计算机设备”也可以称为“电脑”等，是指可以通过运行预定程序或指令来执行数值计算和/或逻辑计算等预定处理过程的智能电子设备，其可以包括处理器以及存储器，由处理器执行在存储器中预存的程序指令来执行预定处理过程，或者是由ASIC、FPGA、DSP等硬件执行预定处理过程，或者是由上述二者组合来实现。计算机设备包括但不限于服务器、个人电脑以及笔记本电脑等。
所述计算机设备包括用户设备与网络设备。其中，所述用户设备包括但不限于个人电脑以及笔记本电脑等；所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或者基于云计算(Cloud Computing)的由大量计算机或者网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，所述计算机设备可单独运行来实现本发明，也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本发明。其中，所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
需要说明的是，所述用户设备、网络设备以及网络等仅为举例，其他现有的或今后可能出现的计算机设备或网络如可适用于本发明，也应包含在本发明保护范围以内，并以引用方式包含于此。
下述文中所讨论的方法(其中一些通过流程图示出)可以通过硬件、软件、固件、中间件、微代码、硬件描述语言或者其任意组合来实施。当用软件、固件、中间件或微代码来实施时，用以实施必要任务的程序代码或代码段可以被存储在机器或计算机可读介质(比如存储介质)中。(一个或多个)处理器可以实施必要的任务。
这里所公开的具体结构和功能细节仅仅是代表性的，并且是用于描述本发明的示例性实施例的目的。但是，本发明可以通过许多替换形式来具体实现，并且不应当被解释成仅仅受限于这里所阐述的实施例。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出相关联项目的任意和所有组合。
应当理解的是，当一个单元被称为“连接”或者“耦合”到另一个单元时，其可以直接连接或者耦合到所述另一单元，或者可以存在中间单元。与此相对，当一个单元被称为“直接连接”或“直接耦合”到另一单元时，则不存在中间单元。应当按照类似的方式来解释被用于描述单元之间的关系的其他词语(例如“处于...之间”相比于“直接处于...之间”，“与...邻近”相比于“与...直接邻近”等等)。
这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指，否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
还应当提到的是，在一些替换实现方式中，所提到的功能/动作可按照不同于附图中标示的顺序发生。举例来说，取决于所涉及的功能/动作，相继示出的两幅图实际上可以基本上同时执行或有时可以按照相反的顺序来执行。
下面结合附图对本发明作进一步详细描述。
实施例一、应用软件推荐方法。
图1为本实施例的应用软件推荐方法的流程图，且图1所示的方法主要包括步骤S100、步骤S110以及步骤S120。本实施例所记载的方法是在网络端中被执行的，且本实施例所记载的方法可以在计算机设备中执行，如由网络端中的计算机设备执行。下面对图1中的各步骤分别进行说明。
S100、根据从客户端接收的应用软件推荐请求，获取用户特征信息。
具体的，本实施例中的客户端通常设置于用户终端设备中，这里的用户终端设备通常为移动终端设备如智能移动电话或者平板电脑等，当然，该用户终端设备也可以为台式计算机或者笔记型计算机等可以接入网络且可以使用户自由下载安装应用软件的智能电子设备。本实施例中的应用软件通常为可以安装于智能移动电话或者平板电脑中的APP等，当然，该应用软件也可以为安装于台式计算机或者笔记型计算机中的应用软件。另外，本实施例中的客户端通常为设置于用户终端设备中且能够对用户终端设备进行一定程度管理的应用软件，如百度手机助手等。本实施例不限制用户终端设备、应用软件以及设置于用户终端设备中的客户端的具体表现形式。
作为示例，网络端接收到的来自客户端的应用软件推荐请求通常为用户在其用户终端设备上执行一定操作的情况下，该用户终端设备中安装的客户端被该操作触发而生成的应用软件推荐请求；一个具体的例子：客户端在获知用户在搜索某个APP(如在浏览器或者APP市场中输入APP名称并点击搜索按键)的情况下，生成应用软件推荐请求，并发送；另一个具体的例子：客户端在获知用户在浏览某个APP(如查看
某个APP的用户评论等)的情况下，生成应用软件推荐请求并发送；再一个具体的例子：客户端在获知用户安装某个APP(如某个APP的安装按键被点击)的情况下，生成应用软件推荐请求并发送；应用软件推荐请求中的目的地址(如链接地址等)通常是预先设置于客户端中的。
作为示例，本实施例中的应用软件推荐请求可以具体为基于HTTP(HyperText Transfer Protocol，超文本传输协议)的报文。本实施例不限制应用软件推荐请求所采用的协议以及报文格式等。
作为示例，本实施例中的应用软件推荐请求中携带有用户特征信息，网络端可以仅从应用软件推荐请求中获取用户特征信息，网络端也可以从应用软件推荐请求以及本地存储的数据中获取用户特征信息，即网络端可以从应用软件推荐请求中获取部分用户特征信息，并从其本地存储的数据中获取其他部分用户特征信息。另外，本实施例也不排除网络端在接收到应用软件推荐请求后，向客户端请求用户特征信息的实现方案。
作为示例，本实施例中的用户特征信息通常可以包括：用户终端设备信息、用户终端设备所在的地理位置信息、用户请求搜索的应用软件信息、用户请求浏览的应用软件信息以及用户请求安装的应用软件信息中的任意一个或者多个。
其中，用户终端设备信息可以具体为用户终端设备的品牌信息、型号信息以及用户终端设备的自身可利用的资源信息(如可用存储空间大小以及处理器的处理速度等)等。网络端可以在其获取到用户终端设备信息时本地存储该用户终端设备信息，以便于后续接收到应用软件推荐请求时，网络端可以从本地存储的数据中获取用户终端设备所在的地理位置信息。
其中，用户终端设备所在的地理位置信息可以具体为用户终端设备所在的省或者城市，也可以具体为用户终端设备所在的省以及城市，还可以更具体的为用户终端设备所在的省城市以及区或者乡镇等。当然，用户终端设备所在的地理位置信息也可以使用经纬度来表示。网络端可以在其获取到当前用户终端设备所在的地理位置信息时本地存
储该地理位置信息，以便于后续接收到应用软件推荐请求时，从本地存储的数据中获取用户终端设备所在的地理位置信息。
S110、将用户特征信息作为输入参数提供给应用软件推荐模型，应用软件推荐模型是基于对各应用软件被关注的历史数据进行学习而获得的。
具体的，本实施例的网络端中预先设置有应用软件推荐模型，该应用软件推荐模型主要用于预测用户关注/感兴趣的应用软件，即向应用软件推荐模型输入其所需的参数，该应用软件推荐模型即可根据其预先学习的结果输出相应的信息。
本实施例可以将所有用户特征信息均作为输入参数提供给应用软件推荐模型，在用户特征信息包含有应用软件推荐模型不需要的信息的情况下，本实施例也可以将部分用户特征信息作为输入参数提供给应用软件推荐模型。
另外，在用户特征信息中仅包含有应用软件推荐模型所需的部分输入参数的情况下，本实施例中的应用软件推荐模型可以在其输入参数未被完全提供的情况下，输出相应的被推荐应用软件信息。还有，本实施例可以在输入参数中设置不希望出现的应用软件的信息或者在输入参数中设置针对该客户端以及该用户特征信息已经推荐过的次数，从而可以使客户端在接收到被推荐应用软件信息之后希望获得新的被推荐应用软件信息的情况下，应用软件推荐模型尽量不输出重复的被推荐应用软件信息(即输出新的被推荐应用软件信息)。
本实施例的网络端中预先设置的应用软件推荐模型可以为一个，也可以为多个。在应用软件推荐模型为一个的情况下，网络端中设置的应用软件推荐模型可以为基于对应用软件被关联浏览的历史数据进行学习而获得的应用软件推荐模型(该应用软件推荐模型可以称为“看了又看应用软件推荐模型”)，或者可以为基于对应用软件被关联安装的历史数据进行学习而获得的应用软件推荐模型(该应用软件推荐模型可以称为“装了又装应用软件推荐模型”)，或者可以为基于对应用软件被关注的用户终端设备的地理位置历史数据进行学习而获得的应用软件推荐
模型(该应用软件推荐模型可以称为“地域相关应用软件推荐模型”)等。在应用软件推荐模型为多个的情况下，网络端中设置的应用软件推荐模型可以包括上述三个应用软件推荐模型中的任意两个或者三个。
上述应用软件被关联浏览是指用户在浏览了一个应用软件之后，又浏览了另一个应用软件，此时两个应用软件被用户关联浏览，利用这两个应用软件的相关信息可以形成应用软件被关联浏览的历史数据。
上述应用软件被关联安装是指用户在安装了一个应用软件之后，又安装了另一个应用软件，此时两个应用软件被用户关联安装，利用这两个应用软件的相关信息可以形成应用软件被关联安装的历史数据。
上述应用软件被关注可以为应用软件被搜索、应用软件被安装以及应用软件被浏览中的任意一个或者多个。
另外，需要说明的是，上述例举的三个应用软件推荐模型虽然可以各自独立存在，然而，本实施例并不排除上述任意两个应用软件推荐模型或者三个应用软件推荐模型被合成设置为一个应用软件推荐模型的可能性。
作为示例，在网络端中设置有多个应用软件推荐模型的情况下，网络端可以将用户特征信息分别提供给所有应用软件推荐模型，从而获得各应用软件推荐模型分别输出的被推荐应用软件信息；网络端也可以根据其获得的用户特征信息的具体内容决定将用户特征信息仅提供给部分应用软件推荐模型，从而获得部分应用软件推荐模型输出的被推荐应用软件信息；一个具体的例子，网络端在根据客户端传输来的应用软件推荐请求中的承载的信息判断出用户在安装某一应用软件时，则网络端可以决定将用户特征信息分别提供给“装了又装应用软件推荐模型”以及“地域相关应用软件推荐模型”；另一个具体的例子，网络端在根据客户端传输来的应用软件推荐请求中承载的信息判断出用户在搜索某一应用软件时，则网络端可以决定将用户特征信息分别提供给“看了又看应用软件推荐模型”以及“地域相关应用软件推荐模型”当然，网络端也可以决定将用户特征信息分别提供给“看了又看应用软件推荐模型”、“装了又装应用软件推荐模型”以及“地域相关应用软件推荐
模型”。本实施例不限制网络端在接收到来自客户端的应用软件推荐请求后，判断利用部分或者所有应用软件推荐模型进行应用软件推荐的具体实现方式。
本实施例中的应用软件推荐模型通常是网络端利用大量的包含有多维度信息的历史数据并基于智能机器学习技术进行不断的学习而获得的，如网络端利用大量的包含有多维度信息的历史数据使支持向量机进行自学习过程，支持向量机通过对大量的历史数据进行聚类分析等处理操作最终可以使网络端获得应用软件推荐模型。网络端在初次获得了应用软件推荐模型之后，还应该持续对当前的应用软件推荐模型进行相应的维护，以不断的修正完善当前的应用软件推荐模型，从而提高应用软件推荐模型所推荐的应用软件符合用户意愿的程度。网络端可以在应用软件推荐模型的使用过程中搜集到一定数量的新历史数据之后，利用这些新历史数据使支持向量机等智能机器学习技术继续进行学习操作。由此可知，本实施例中的应用软件推荐模型是采用数据挖掘技术设置的。
本实施例中的应用软件推荐模型无论是在初次设置的学习过程中，还是在后续的完善维护学习过程中，都可以采用自学习的学习方式或者有导师监督的学习方式；另外，应用软件推荐模型的学习过程还可以采用外部强制干预的技术手段，以强制修正学习过程中存在的偏差。本实施例不限制为设置应用软件推荐模型而采用的具体学习方式以及学习所采用的历史数据所包含的具体内容和数据维度等。
本实施例中的用于对应用软件推荐模型进行完善维护的新历史数据可以包括：客户端在接收到网络端下发的应用软件推荐数据并展示给用户之后，用户基于该显示的画面所执行的相应操作的信息(即用户基于应用软件推荐数据所执行的相关操作信息)。也就是说，本实施例可以利用用户基于应用软件推荐模型推荐的应用软件所执行的操作来对应用软件推荐模型进行进一步的修正。
S120、根据应用软件推荐模型输出的被推荐应用软件信息形成应用软件推荐数据，并向客户端下发。
具体的，一个应用软件推荐模型输出的被推荐应用软件信息可以为一个或者多个应用软件信息，在网络端中设置有多个应用软件推荐模型的情况下，所获得的被推荐应用软件信息的数量会更多；本实施例可以利用所获得的所有被推荐应用软件信息来形成应用软件推荐数据，也可以利用所获得的部分被推荐应用软件信息来形成应用软件推荐数据。由于本实施例中的应用软件推荐数据是通过能够表征出用户特征的用户特征数据以及通过数据挖掘技术所建立的应用软件推荐模型而获得的，因此，本实施例针对具有不同兴趣点的用户所生成的应用软件推荐数据通常会存在区别，从而本实施例中的应用软件推荐数据可以称为应用软件个性化推荐数据。
一个具体的例子，网络端在其所获得的应用软件信息的数量超过预定数量时，可以从获得的所有被推荐应用软件信息中随机选取预定数量的应用软件信息，并利用随机选取的预定数量的应用软件信息形成应用软件推荐数据。
另一个具体的例子，网络端在其所获得的应用软件信息的数量超过预定数量时，可以根据各应用软件推荐模型对应的优先级从所有被推荐应用软件信息中选取预定数量的被推荐应用软件信息，并利用基于优先级选取的被推荐应用软件信息形成应用软件推荐数据。各应用软件推荐模型所对应的优先级可以根据实际情况设置，如在网络端中设置有“看了又看应用软件推荐模型”、“装了又装应用软件推荐模型”以及“地域相关应用软件推荐模型”的情况下，网络端可以设置“装了又装应用软件推荐模型”的优先级高于“看了又看应用软件推荐模型”的优先级，并设置“看了又看应用软件推荐模型”的优先级高于“地域相关应用软件推荐模型”的优先级。
为了避免向用户推荐的应用软件已经被用户所安装这一现象的发生，本实施例的网络端可以利用客户端所在的用户终端设备已安装的应用软件的相关信息对应用软件推荐模型输出的被推荐应用软件信息进行过滤，以滤除被推荐应用软件信息中所包含的已经被用户安装的应用软件的相关信息，之后，网络端可以利用过滤后的被推荐应用软
件信息形成应用软件推荐数据。
本实施例中的网络端可以预先存储有各用户终端设备当前所安装的应用软件的相关信息(如应用软件的名称以及版本等)，即网络端对各用户终端设备中已安装的应用软件的相关信息进行维护，且网络端对各用户终端设备中已安装的应用软件的相关信息的维护可以通过与客户端的信息交互来实现；这样，在网络端接收到应用软件推荐请求之后，可以从其预先存储的信息中获得客户端所在的用户终端设备当前所安装的应用软件的相关信息。另外，本实施例中的网络端也可以采用其他方法来获得客户端所在的用户终端设备当前所安装的应用软件的相关信息，例如，网络端在接收到应用软件推荐请求之后，通过与客户端的信息交互来获得客户端所在的用户终端设备当前所安装的应用软件的相关信息。本实施例不限制网络端获得客户端所在的用户终端设备当前所安装的应用软件的相关信息的具体实现方式；另外，网络端也可以不对应用软件推荐模型输出的被推荐应用软件信息进行过滤，且该过滤操作可以由客户端来完成。
另外，本实施例的网络端在形成应用软件推荐数据的过程中，可以不仅仅利用应用软件推荐模型输出的被推荐应用软件信息来形成应用软件推荐数据，还可以利用应用软件推荐模型输出的被推荐应用软件信息以及其他推荐信息一起形成应用软件推荐数据。
一个具体的例子，网络端可以根据应用软件推荐模型输出的被推荐应用软件信息以及预先设定的运营项目信息形成应用软件推荐数据。这里的运营项目信息可以是指网络端根据其实际的运营需求而开展的相应项目的推广活动的相关信息，如运营合作的应用软件信息以及运营活动专题项目信息中的至少一个；上述运营活动专题项目信息通常不与应用软件相关，运营活动专题项目信息可以对应具有系列性特点的节目(如视频节目)等。另外，本实施例的网络端可以将运营项目信息对应的优先级设置的高于应用软件推荐模型输出的被推荐应用软件信息的优先级，如将运营项目信息对应的优先级设置为最高优先级，以有利于相应项目的推广。
实施例二、应用软件推荐方法。
下面以用户终端设备为智能移动电话、应用软件为安装于智能移动电话中的APP为例，结合附图2-6对本实施例的方法进行说明。
设定网络端(如网络端中的大数据挖掘服务端)通过历史数据的学习获得了“看了又看应用软件推荐模型”、“装了又装应用软件推荐模型”以及“地域相关应用软件推荐模型”三个推荐模型，且网络端在获得了三个推荐模型之后，还会不断搜集历史数据，并不断的利用搜集到的历史数据进行继续推荐模型的学习过程。本实施例的方法流程如图2所示。
图2中，S200、网络端(如网络端中的数据请求服务端)接收来自客户端的应用软件推荐请求。
S210、网络端(如网络端中的数据请求服务端)从应用软件推荐请求中获取用户特征信息，如智能移动电话的品牌、型号、可用存储空间以及用户请求查看/安装的APP信息等。
S220、网络端(如网络端中的数据请求服务端)判断是否需要向该客户端推荐安装相关度高的APP，即判断是否需要利用装了又装应用软件推荐模型来获得被推荐的APP，如果需要向客户端推荐安装相关度高的APP，则到步骤S221，否则，到步骤S230。
S221、网络端(如网络端中的大数据挖掘服务端)根据用户特征信息确定“装了又装应用软件推荐模型”的输入信息，并提供给“装了又装应用软件推荐模型”，“装了又装应用软件推荐模型”输出的被推荐的APP信息可以由大数据挖掘服务端返回给数据请求服务端。之后，到步骤S230。
S230、网络端(如网络端中的数据请求服务端)判断是否需要向该客户端推荐查看相关度高的APP，即判断是否需要利用看了又看应用软件推荐模型来获得被推荐的APP，如果需要向客户端推荐查看相关度高的APP，则到步骤S231，否则，到步骤S240。
S231、网络端(如网络端中的大数据挖掘服务端)根据用户特征信息确定“看了又看应用软件推荐模型”的输入信息，并提供给“看了又看
应用软件推荐模型”，“看了又看应用软件推荐模型”输出的被推荐的APP信息可以由大数据挖掘服务端返回给数据请求服务端。之后，到步骤S240。
S240、网络端(如网络端中的数据请求服务端)判断是否需要向该客户端推荐地域相关度高的APP，即判断是否需要利用地域相关应用软件推荐模型来获得被推荐的APP，如果需要向客户端推荐地域相关度高的APP，则到步骤S241，否则，到步骤S250。
S251、网络端(如网络端中的大数据挖掘服务端)根据用户特征信息确定“地域相关应用软件推荐模型”的输入信息，并提供给“地域相关应用软件推荐模型”，“地域相关应用软件推荐模型”输出的被推荐的APP信息可以由大数据挖掘服务端返回给数据请求服务端。之后，到步骤S260。
260、网络端(如网络端中的数据请求服务端)判断是否需要向该客户端推荐运营合作的APP信息，如果需要向客户端推荐运营合作的APP信息，则到步骤S261，否则，到步骤S270。
S261、网络端(如网络端中的大数据挖掘服务端)根据预先设置的运营合作的APP信息向数据请求服务端返回相应的信息。之后，到步骤S270。
270、网络端(如网络端中的数据请求服务端)判断是否需要向该客户端推荐运营活动专题信息，如果需要向客户端推荐运营活动专题信息，则到步骤S271，否则，到步骤S280。
S271、网络端(如网络端中的大数据挖掘服务端)根据预先设置的运营活动专题信息向数据请求服务端返回相应的信息。之后，到步骤S280。
S280、网络端(如网络端中的数据请求服务端)根据客户端所在的智能移动电话当前所安装的APP信息对各模型输出的被推荐的APP信息进行过滤处理，在过滤后的APP信息超过预定数量时，可以从中选取预定数量的APP信息。在存在运营合作的APP信息和/或运营活动专题信息的情况下，将最终确定出的APP信息与运营合作的APP信息和/
或运营活动专题信息一起形成应用软件推荐数据，并向客户端下发。在不存在运营合作的APP信息和/或运营活动专题信息的情况下，利用最终确定出的APP信息形成应用软件推荐数据，并向客户端下发。
在用户在其智能移动电话中安装百度的APP的应用场景中，本实施例的方法向客户端下发应用软件推荐数据所形成的展示画面可以如图3所示。在用户在其智能移动电话中查看某一APP的应用场景中，本实施例的方法向客户端下发应用软件推荐数据所形成的展示画面可以如图4所示，图4中的“换一换”可以更换展示画面中的被推荐应用软件信息，如在客户端中存储有余量的被推荐应用软件信息的情况下，客户端根据本地存储的余量的被推荐应用软件信息进行画面更新展示；再如，客户端继续向网络端请求，网络端根据客户端的请求向客户端下发新的被推荐应用软件信息，客户端展示新下发的被推荐应用软件信息。在当前存在运营活动专题，且用户在其智能移动电话中安装部落战争的APP的应用场景中，本实施例的方法向客户端下发应用软件推荐数据所形成的展示画面可以如图5所示，图5中的舌尖上的中国和爱奇艺视频均为当前运营活动专题。在当前存在运营合作的APP，且用户在其智能移动电话中下载某一APP的应用场景中，本实施例的方法向客户端下发应用软件推荐数据所形成的展示画面可以如图6所示，图6中的百度的APP即为当前运营合作的APP。
实施例三、应用软件推荐方法。
图7为本实施例的应用软件推荐方法的流程图，且图7所示的方法主要包括步骤S700以及步骤S710。本实施例所记载的方法的执行主体可以被称为客户端，且本实施例所记载的方法可以在用户终端设备中执行，如由智能移动电话或者平板电脑等执行。下面对图7中的各步骤分别进行说明。
S700、客户端基于用户对应用软件的操作生成应用软件推荐请求，并向网络端发送该应用软件推荐请求。
具体的，在用户在其用户终端设备上执行一定的操作的情况下，该用户终端设备中安装的客户端被该操作触发而生成应用软件推荐请
求；一个具体的例子：客户端在获知用户在搜索某个APP(如在浏览器或者APP市场中输入APP名称并点击搜索按键)的情况下，生成应用软件推荐请求，并向网络端发送；另一个具体的例子：客户端在获知用户在浏览某个APP(如查看某个APP的用户评论等)的情况下，生成应用软件推荐请求并向网络端发送；再一个具体的例子：客户端在获知用户安装某个APP(如某个APP的安装按键被点击)的情况下，生成应用软件推荐请求并向网络端发送；应用软件推荐请求中的目的地址(如链接地址等)通常是预先设置于客户端中的。
作为示例，本实施例中的应用软件推荐请求可以具体为基于HTTP的报文。本实施例不限制应用软件推荐请求所采用的协议以及报文格式等。
作为示例，本实施例中的客户端可以将用户特征信息携带于应用软件推荐请求中。该用户特征信息通常可以包括：用户终端设备信息、用户终端设备所在的地理位置信息、用户请求搜索的应用软件信息、用户请求浏览的应用软件信息以及用户请求安装的应用软件信息中的任意一个或者多个；其中的用户终端设备信息所包含的内容、用户终端设备所在的地理位置信息所包含的内容可以参见上述实施例一中的描述，在此不再重复说明。
S710、客户端接收网络端下发的基于被推荐应用软件信息所形成的应用软件推荐数据，并展示应用软件推荐数据。
具体的，本实施例中的被推荐应用软件信息是网络端将其根据应用软件推荐请求所获得的用户特征信息作为输入参数提供给应用软件推荐模型，并由应用软件推荐模型输出的，且本实施例中的应用软件推荐模型是网络端基于对各应用软件被关注的历史数据进行学习而获得的。有关应用软件推荐模型请参见上述实施例一中的描述，在此不再重复说明。
客户端接收到的应用软件推荐数据中还可能包含有运营项目信息，该运营项目信息可以包括运营合作的应用软件信息以及运营活动专题项目信息中的至少一个。另外，在应用软件推荐数据中包含有被推荐
应用软件信息、运营合作的应用软件信息以及运营活动专题项目信息对应的优先级的情况下，客户端在向用户展示画面的过程中可以考虑该优先级设置信息，即客户端应优先展示具有高优先级的内容。还有，在客户端有自主优先权设置权限的情况下，客户端可以基于其接收到的应用软件推荐数据自主决定其优先展示的内容，如优先展示运营合作的应用软件信息或者运营活动专题项目信息等，在用户关闭了优先展示的运营合作的应用软件信息或者运营活动专题项目信息的画面时，再展示被推荐应用软件信息。
为了避免向用户展示的被推荐的应用软件已经被用户所安装这一现象的发生，本实施例的客户端可以利用其所在用户终端设备已安装的应用软件的相关信息对接收到的被推荐应用软件信息进行过滤，以滤除被推荐应用软件信息中所包含的已经被用户安装的应用软件的相关信息，之后，客户端可以利用过滤后的被推荐应用软件信息向用户展示相应的画面。
实施例四、应用软件推荐方法。该方法流程如图8所示。
图8中，S800、客户端向网络端(如网络端中的数据请求服务端)发送应用软件推荐请求，该应用软件推荐请求可以携带有用户特征信息。
S810、客户端判断本次请求是否成功，如客户端根据网络端返回的响应信息判断本次请求是否成功，如果未成功，则到步骤S811；如果成功，则到步骤S820。
S811、针对请求未成功进行相应的处理，如进行数据容错处理以及网络异常等客户端兼容性容错处理。
S820、客户端判断网络端下发的应用软件推荐数据中是否包含有运营项目信息，如果包含有运营项目信息，则到步骤S821，否则，到步骤S830。
S821、客户端对运营项目信息进行数据容错检查，并对运营项目信息进行展示处理。之后，到步骤S822。
S822、客户端判断是否需要对应用软件推荐数据中的被推荐应用软
件信息进行展示，如果需要展示，则到步骤S830，否则，本方法的处理过程结束。
S830、客户端对应用软件推荐数据中的被推荐应用软件信息进行数据容错检查，之后到步骤S840。
S840、客户端利用其所在用户终端设备已安装的应用软件的相关信息对接收到的被推荐应用软件信息进行过滤，以滤除被推荐应用软件信息中所包含的已经被用户安装的应用软件的相关信息，之后到步骤S850。
S850、客户端根据各被推荐应用软件信息对应的优先级对各被推荐应用软件信息进行排序处理，之后到步骤S860。
S860、客户端对排序处理后的被推荐应用软件信息进行画面展示以及交互功能处理，如根据数据类型以及页面设置需求等形成向用户展示的画面。
实施例五、应用软件推荐装置。
本实施例的装置可以设置于网络端的计算机设备中，该装置的主要结构如图9所示。
图9中，应用软件推荐装置主要包括：获取模块900、输入模块910、应用软件推荐模型920、推荐数据形成模块930以及下发模块940，且该装置还可以可选的包括：第一过滤模块950、选取模块960以及学习模块970中的任一一个或者多个。
获取模块900主要适于根据从客户端接收的应用软件推荐请求，获取用户特征信息。
具体的，从客户端接收的应用软件推荐请求通常为在用户在其用户终端设备上执行一定的操作的情况下，该用户终端设备中安装的客户端被该操作触发而生成的应用软件推荐请求。从客户端接收的应用软件推荐请求可以具体为基于HTTP的报文。
作为示例，从客户端接收的应用软件推荐请求中携带有用户特征信息，获取模块900可以仅从应用软件推荐请求中获取用户特征信息，获取模块900也可以从应用软件推荐请求以及本地存储的数据中获取用户
特征信息，即获取模块900可以从应用软件推荐请求中获取部分用户特征信息，并从网络端本地存储的数据中获取其他部分用户特征信息。另外，本实施例也不排除获取模块900在获得应用软件推荐请求后，向客户端请求用户特征信息的实现方案。
作为示例，获取模块900获取到的用户特征信息通常可以包括：用户终端设备信息、用户终端设备所在的地理位置信息、用户请求搜索的应用软件信息、用户请求浏览的应用软件信息以及用户请求安装的应用软件信息中的任意一个或者多个；其中的用户终端设备信息以及用户终端设备所在的地理位置信息具体如上述实施例一中的描述，在此不再重复说明。
输入模块910主要适于将用户特征信息作为输入参数提供给应用软件推荐模型920，该应用软件推荐模型920是基于对各应用软件被关注的历史数据进行学习而获得的。
具体的，本实施例的网络端中预先设置有应用软件推荐模型920，该应用软件推荐模型920主要用于预测用户关注/感兴趣的应用软件，即输入模块910向应用软件推荐模型920输入其所需的参数，该应用软件推荐模型920即可根据其预先学习的结果输出相应的信息。
输入模块910可以将所有的用户特征信息均作为输入参数提供给应用软件推荐模型920，在用户特征信息包含有应用软件推荐模型920不需要的信息的情况下，输入模块910也可以将部分用户特征信息作为输入参数提供给应用软件推荐模型920。
另外，在用户特征信息中仅包含有应用软件推荐模型920所需的部分输入参数的情况下，本实施例中的应用软件推荐模型920可以在其输入参数未被完全提供的情况下，输出相应的被推荐应用软件信息。
本实施例的网络端中预先设置的应用软件推荐模型920可以为一个，也可以为多个。在应用软件推荐模型920为一个的情况下，网络端中设置的应用软件推荐模型920可以为基于对应用软件被关联浏览的历史数据进行学习而获得的应用软件推荐模型920，或者可以为基于对应用软件被关联安装的历史数据进行学习而获得的应用软件推荐模型
920，或者可以为基于对应用软件被关注的用户终端设备的地理位置历史数据进行学习而获得的应用软件推荐模型920等。在应用软件推荐模型920为多个的情况下，网络端中设置的应用软件推荐模型920可以包括上述三个应用软件推荐模型920中的任意两个或者三个。
上述应用软件被关联浏览是指用户在浏览了一个应用软件之后，又浏览了另一个应用软件，此时两个应用软件被用户关联浏览，利用这两个应用软件的相关信息可以形成应用软件被关联浏览的历史数据。
上述应用软件被关联安装是指用户在安装了一个应用软件之后，又安装了另一个应用软件，此时两个应用软件被用户关联安装，利用这两个应用软件的相关信息可以形成应用软件被关联安装的历史数据。
上述应用软件被关注可以为应用软件被搜索、应用软件被安装以及应用软件被浏览中的任意一个或者多个。
另外，需要说明的是，上述例举的三个应用软件推荐模型920虽然可以各自独立存在，然而，本实施例并不排除上述任意两个应用软件推荐模型920或者三个应用软件推荐模型920被合成设置为一个应用软件推荐模型920的可能性。
作为示例，在网络端中设置有多个应用软件推荐模型920的情况下，输入模块910可以将用户特征信息分别提供给所有应用软件推荐模型920，从而获得各应用软件推荐模型920分别输出的被推荐应用软件信息；输入模块910也可以根据其获得的用户特征信息的具体内容决定将用户特征信息仅提供给部分应用软件推荐模型920，从而获得部分应用软件推荐模型920输出的被推荐应用软件信息；一个具体的例子，输入模块910在根据客户端传输来的应用软件推荐请求中的承载的信息判断出用户在安装某一应用软件时，则输入模块910可以决定将用户特征信息分别提供给“装了又装应用软件推荐模型”以及“地域相关应用软件推荐模型”；另一个具体的例子，输入模块910在根据客户端传输来的应用软件推荐请求中的承载的信息判断出用户在搜索某一应用软件时，则输入模块910可以决定将用户特征信息分别提供给“看了又看应用软件推荐模型”以及“地域相关应用软件推荐模型”当然，输入模块910
也可以决定将用户特征信息分别提供给“看了又看应用软件推荐模型”、“装了又装应用软件推荐模型”以及“地域相关应用软件推荐模型”。本实施例不限制输入模块910在接收到来自客户端的应用软件推荐请求后，判断利用部分或者所有应用软件推荐模型920进行应用软件推荐的具体实现方式。
本实施例中的应用软件推荐模型920通常是学习模块970利用包含有多维度信息的历史数据并基于智能机器学习技术进行不断的学习而获得的，如学习模块970利用包含有多维度信息的历史数据使支持向量机进行自学习过程，支持向量机通过对大量的历史数据进行聚类分析等处理操作最终可以使网络端获得应用软件推荐模型920。学习模块970在初次获得了应用软件推荐模型920之后，还应该持续的对当前的应用软件推荐模型920进行相应的维护，以不断的修正完善当前的应用软件推荐模型920，从而提高应用软件推荐模型920所推荐的应用软件符合用户意愿的程度。学习模块970可以在应用软件推荐模型920的使用过程中搜集到一定数量的新历史数据之后，利用这些新历史数据使支持向量机等智能机器学习技术继续进行学习操作。
本实施例中的学习模块970无论是在应用软件推荐模型920的初次设置的学习过程中，还是在后续的完善维护的学习过程中，都可以采用自学习的学习方式或者有导师监督的学习方式；另外，学习模块970在应用软件推荐模型920的学习过程还可以采用外部强制干预的技术手段，以强制修正学习过程中存在的偏差。本实施例不限制为学习模块970设置应用软件推荐模型920而采用的具体学习方式以及学习所采用的历史数据所包含的具体内容和数据维度等。
本实施例中的用于对应用软件推荐模型920进行完善维护的新历史数据可以包括：客户端在接收到网络端下发的应用软件推荐数据并展示给用户之后，用户基于该显示的画面所执行的相应操作的信息(即用户基于应用软件推荐数据所执行的相关操作信息)。也就是说，学习模块970可以利用用户基于应用软件推荐模型920推荐的应用软件所执行的操作来对应用软件推荐模型920进行进一步的修正。
推荐数据形成模块930主要适于根据应用软件推荐模型920输出的被推荐应用软件信息形成应用软件推荐数据。
下发模块940主要适于向客户端下发推荐数据形成模块930形成的应用软件推荐数据。
第一过滤模块950主要适于根据客户端所在的用户终端设备已安装的应用软件信息对应用软件推荐模型920输出的被推荐应用软件信息进行过滤。
选取模块960主要适于根据各应用软件推荐模型920对应的优先级，从被推荐应用软件信息中选取预定数量的被推荐应用软件信息。
具体的，一个应用软件推荐模型920输出的被推荐应用软件信息可以为一个或者多个应用软件信息，在网络端中设置有多个应用软件推荐模型920的情况下，所获得的被推荐应用软件信息的数量会更多；推荐数据形成模块930可以利用应用软件推荐模型920所输出的所有被推荐应用软件信息来形成应用软件推荐数据，也可以利用应用软件推荐模型920所输出的部分被推荐应用软件信息来形成应用软件推荐数据。
一个具体的例子，推荐数据形成模块930在应用软件推荐模型920所输出的应用软件信息的数量超过预定数量时，可以从获得的所有被推荐应用软件信息中随机选取预定数量的应用软件信息，并利用随机选取的预定数量的应用软件信息形成应用软件推荐数据。
另一个具体的例子，在应用软件推荐模型920所输出的应用软件信息的数量超过预定数量时，选取模块960可以根据各应用软件推荐模型920对应的优先级从所有被推荐应用软件信息中选取预定数量的被推荐应用软件信息，推荐数据形成模块930利用基于优先级选取的被推荐应用软件信息形成应用软件推荐数据。各应用软件推荐模型920所对应的优先级可以根据实际情况设置，如在网络端中设置有“看了又看应用软件推荐模型”、“装了又装应用软件推荐模型”以及“地域相关应用软件推荐模型”的情况下，优先级设置模块(图中未示出)可以设置“装了又装应用软件推荐模型”的优先级高于“看了又看应用软件推荐模型”的优先级，并设置“看了又看应用软件推荐模型”的优先级高于“地域相关应用
软件推荐模型”的优先级。
为了避免向用户推荐的应用软件已经被用户所安装这一现象的发生，第一过滤模块950可以利用客户端所在的用户终端设备已安装的应用软件的相关信息对应用软件推荐模型920输出的被推荐应用软件信息进行过滤，以滤除被推荐应用软件信息中所包含的已经被用户安装的应用软件的相关信息，之后，推荐数据形成模块930可以利用过滤后的被推荐应用软件信息形成应用软件推荐数据。
本实施例中的第一过滤模块950可以预先存储有各用户终端设备当前所安装的应用软件的相关信息(如应用软件的名称以及版本等)，即第一过滤模块950对各用户终端设备中已安装的应用软件的相关信息进行维护，且第一过滤模块950对各用户终端设备中已安装的应用软件的相关信息的维护可以通过与客户端的信息交互来实现；这样，在获取模块900获取到应用软件推荐请求之后，第一过滤模块950可以从其预先存储的信息中获得客户端所在的用户终端设备当前所安装的应用软件的相关信息。另外，第一过滤模块950也可以采用其他方法来获得客户端所在的用户终端设备当前所安装的应用软件的相关信息，例如，获取模块900在获取到应用软件推荐请求之后，第一过滤模块950通过与客户端的信息交互来获得客户端所在的用户终端设备当前所安装的应用软件的相关信息。本实施例不限制第一过滤模块950获得客户端所在的用户终端设备当前所安装的应用软件的相关信息的具体实现方式；另外，本实施例的装置也可以不对应用软件推荐模型920输出的被推荐应用软件信息进行过滤，且该过滤操作可以由客户端来完成。
另外，本实施例的推荐数据形成模块930在形成应用软件推荐数据的过程中，可以不仅仅利用应用软件推荐模型920输出的被推荐应用软件信息来形成应用软件推荐数据，还可以利用应用软件推荐模型920输出的被推荐应用软件信息以及其他推荐信息一起形成应用软件推荐数据。
一个具体的例子，推荐数据形成模块930可以根据应用软件推荐模型920输出的被推荐应用软件信息以及预先设定的运营项目信息形成应
用软件推荐数据。这里的运营项目信息可以是指网络端根据其实际的运营需求而开展的相应项目的推广活动的相关信息，如运营合作的应用软件信息以及运营活动专题项目信息中的至少一个；上述运营活动专题项目信息通常不与应用软件相关，运营活动专题项目信息可以对应具有系列性特点的节目(如视频节目)等。另外，推荐数据形成模块930可以将运营项目信息对应的优先级设置的高于应用软件推荐模型920输出的被推荐应用软件信息的优先级，如推荐数据形成模块930将运营项目信息对应的优先级设置为最高优先级，以有利于相应项目的推广。
实施例六、应用软件推荐装置。
本实施例的装置可以设置于用户终端设备中，如设置于用户终端设备中的客户端中，该装置的主要结构如图10所示。
图10中，应用软件推荐装置主要包括：请求生成模块1000、发送模块1010、接收模块1020以及展示模块1030。
请求生成模块1000主要适于基于用户对应用软件的操作生成应用软件推荐请求；且发送模块1010主要适于向网络端发送请求生成模块1000所生成的应用软件推荐请求。
具体的，在用户在其用户终端设备上执行一定的操作的情况下，请求生成模块1000被该操作触发而生成应用软件推荐请求；一个具体的例子：请求生成模块1000在获知用户在搜索某个APP(如在浏览器或者APP市场中输入APP名称并点击搜索按键)的情况下，生成应用软件推荐请求，发送模块1010向网络端发送该应用软件推荐请求；另一个具体的例子：请求生成模块1000在获知用户在浏览某个APP(如查看某个APP的用户评论等)的情况下，生成应用软件推荐请求，发送模块1010向网络端发送该应用软件推荐请求；再一个具体的例子：请求生成模块1000在获知用户安装某个APP(如某个APP的安装按键被点击)的情况下，生成应用软件推荐请求，发送模块1010向网络端发送该应用软件推荐请求；应用软件推荐请求中的目的地址(如链接地址等)通常是预先设置于请求生成模块1000中的。
作为示例，请求生成模块1000生成的应用软件推荐请求可以具体为基于HTTP的报文。本实施例不限制应用软件推荐请求所采用的协议以及报文格式等。
作为示例，请求生成模块1000可以将用户特征信息携带于应用软件推荐请求中。该用户特征信息通常可以包括：用户终端设备信息、用户终端设备所在的地理位置信息、用户请求搜索的应用软件信息、用户请求浏览的应用软件信息以及用户请求安装的应用软件信息中的任意一个或者多个；其中的用户终端设备信息所包含的内容、用户终端设备所在的地理位置信息所包含的内容可以参见上述实施例一中的描述，在此不再重复说明。
接收模块1020主要适于接收网络端下发的响应于该应用软件推荐请求而生成的应用软件推荐数据；且展示模块1030主要适于展示接收模块1020接收到的应用软件推荐数据。
具体的，接收模块1020接收到的被推荐应用软件信息是网络端将其根据应用软件推荐请求所获得的用户特征信息作为输入参数提供给应用软件推荐模型，并由应用软件推荐模型输出的，且上述应用软件推荐模型是网络端基于对各应用软件被关注的历史数据进行学习而获得的。有关应用软件推荐模型请参见上述实施例一和实施例五中的描述，在此不再重复说明。
接收模块1020接收到的应用软件推荐数据中还可能包含有运营项目信息，该运营项目信息可以包括运营合作的应用软件信息以及运营活动专题项目信息中的至少一个。另外，在应用软件推荐数据中包含有被推荐应用软件信息、运营合作的应用软件信息以及运营活动专题项目信息对应的优先级的情况下，展示模块1030在向用户展示画面的过程中可以考虑该优先级设置信息，即展示模块1030应优先展示具有高优先级的内容。还有，在展示模块1030有自主优先权设置权限的情况下，展示模块1030可以基于其接收到的应用软件推荐数据自主决定其优先展示的内容，如优先展示运营合作的应用软件信息或者运营活动专题项目信息等，在用户关闭了优先展示的运营合作的应用软件信
息或者运营活动专题项目信息的画面时，展示模块1030再展示被推荐应用软件信息。
第二过滤模块1040主要适于根据其所在的用户终端设备已安装的应用软件信息，对接收模块1020接收到的应用软件推荐数据进行过滤。
为了避免向用户展示的被推荐的应用软件已经被用户所安装这一现象的发生，第二过滤模块1040可以利用其所在用户终端设备已安装的应用软件的相关信息对接收模块1020接收到的被推荐应用软件信息进行过滤，以滤除被推荐应用软件信息中所包含的已经被用户安装的应用软件的相关信息，之后，展示模块1030可以利用过滤后的被推荐应用软件信息向用户展示相应的画面。
需要注意的是，本发明可以在软件和/或者软件与硬件的组合体中被实施，例如，本发明的各个装置可采用专用集成电路(ASIC)或者任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器、磁或者光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
对于本领域技术人员而言，显然，本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一方面来看，均应该将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明来限定，因此，旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应该将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一以及第二等词语用来表示名称，而并不表示任何特定顺序。
虽然前面特别示出并且描述了示例性实施例，但是本领域技术人员将会理解的是，在不背离权利要求书的精神和范围的情况下，在其形式和细节方面可以有所变化。这里所寻求的保护在所附权利要求书中做了阐述。在下列编号条款中规定了各个实施例的这些和其他方面：
1、一种应用软件推荐方法，其中，该方法包括以下步骤：
根据从客户端接收的应用软件推荐请求，获取用户特征信息；
将所述用户特征信息作为输入参数提供给应用软件推荐模型，所述应用软件推荐模型是基于对各应用软件被关注的历史数据进行学习而获得的；
根据应用软件推荐模型输出的被推荐应用软件信息形成应用软件推荐数据，并向客户端下发。
2、根据条款1所述的方法，其中，所述用户特征信息包括：用户终端设备信息、用户终端设备所在的地理位置信息、用户请求搜索的应用软件信息、用户请求浏览的应用软件信息、用户请求安装的应用软件信息中的至少一个。
3、根据条款1所述的方法，其中，所述应用软件推荐模型包括以下至少一个：
基于对应用软件被关联浏览的历史数据进行学习而获得的应用软件推荐模型；
基于对应用软件被关联安装的历史数据进行学习而获得的应用软件推荐模型；
基于对应用软件被关注的用户终端设备的地理位置历史数据进行学习而获得的应用软件推荐模型。
4、根据条款1所述的方法，其中，所述根据应用软件推荐模型输出的被推荐应用软件信息形成应用软件推荐数据包括：
根据客户端所在的用户终端设备已安装的应用软件信息对应用软件推荐模型输出的被推荐应用软件信息进行过滤，并利用过滤后的被推荐应用软件信息形成应用软件推荐数据。
5、根据条款1或2或3或4所述的方法，其中，在所述应用软件推
荐模型为多个的情况下，所述根据应用软件推荐模型输出的被推荐应用软件信息形成应用软件推荐数据包括：
根据各应用软件推荐模型对应的优先级从被推荐应用软件信息中选取预定数量的被推荐应用软件信息，并利用所述选取的被推荐应用软件信息形成应用软件推荐数据。
6、根据条款1或2或3或4所述的方法，其中，所述方法还包括：
接收并存储客户端传输来的用户基于应用软件推荐数据所执行的相关操作信息，且所述相关操作信息用于所述应用软件推荐模型的学习过程。
7、根据条款1或2或3或4所述的方法，其中，所述根据应用软件推荐模型输出的被推荐应用软件信息形成应用软件推荐数据包括：
根据应用软件推荐模型输出的被推荐应用软件信息以及预先设定的运营项目信息形成应用软件推荐数据。
8、根据条款7所述的方法，其中，所述的运营项目信息包括：运营合作的应用软件信息以及运营活动专题项目信息中的至少一个，且所述运营项目信息对应的优先级高于应用软件推荐模型输出的被推荐应用软件信息的优先级。
9、一种应用软件推荐方法，其中，该方法包括以下步骤：
客户端基于用户对应用软件的操作生成应用软件推荐请求，并向网络端发送该应用软件推荐请求；
客户端接收网络端下发的基于被推荐应用软件信息所形成的应用软件推荐数据，并展示所述应用软件推荐数据；
其中，所述被推荐应用软件信息是网络端将其根据应用软件推荐请求所获得的用户特征信息作为输入参数提供给应用软件推荐模型，并由应用软件推荐模型输出的，且所述应用软件推荐模型是网络端基于对各应用软件被关注的历史数据进行学习而获得的。
10、根据条款9所述的方法，其中，所述客户端接收网络端下发的基于被推荐应用软件信息所形成的应用软件推荐数据，并展示所述应用软件推荐数据包括：
客户端根据其所在的用户终端设备已安装的应用软件信息对接收到的应用软件推荐数据中的被推荐应用软件信息进行过滤，并展示包含有过滤后的被推荐应用软件信息的应用软件推荐数据。
11、一种应用软件推荐装置，其中，包括：
获取模块，适于根据从客户端接收的应用软件推荐请求，获取用户特征信息；
输入模块，适于将所述用户特征信息作为输入参数提供给应用软件推荐模型，所述应用软件推荐模型是基于对各应用软件被关注的历史数据进行学习而获得的；
推荐数据形成模块，适于根据应用软件推荐模型输出的被推荐应用软件信息形成应用软件推荐数据；以及
下发模块，适于将所形成的应用软件推荐数据下发给客户端。
12、根据条款11所述的装置，其中，所述用户特征信息包括：用户终端设备信息、用户终端设备所在的地理位置信息、用户请求搜索的应用软件信息、用户请求浏览的应用软件信息、用户请求安装的应用软件信息中的至少一个。
13、根据条款11所述的装置，其中，所述应用软件推荐模型包括以下至少一个：
基于对应用软件被关联浏览的历史数据进行学习而获得的应用软件推荐模型；
基于对应用软件被关联安装的历史数据进行学习而获得的应用软件推荐模型；
基于对应用软件被关注的用户终端设备的地理位置历史数据进行学习而获得的应用软件推荐模型。
14、根据条款11所述的装置，其中，所述装置还包括：
第一过滤模块，适于根据客户端所在的用户终端设备已安装的应用软件信息对应用软件推荐模型输出的被推荐应用软件信息进行过滤，以及
所述推荐数据形成模块适于利用过滤后的被推荐应用软件信息形成
应用软件推荐数据。
15、根据条款11或12或13或14所述的装置，其中，在所述应用软件推荐模型为多个的情况下，所述装置还包括：
选取模块，用于根据各应用软件推荐模型对应的优先级，从被推荐应用软件信息中选取预定数量的被推荐应用软件信息，以及
所述推荐数据形成模块适于利用所述选取的被推荐应用软件信息形成应用软件推荐数据。
16、根据条款11或12或13或14所述的装置，其中，所述装置还包括：
学习模块，适于利用用户基于应用软件推荐数据所执行的相关操作信息，进行所述应用软件推荐模型的学习过程。
17、根据条款11或12或13或14所述的装置，其中，所述推荐数据形成模块具体适于：
根据应用软件推荐模型输出的被推荐应用软件信息以及预先设定的运营项目信息形成应用软件推荐数据。
18、根据条款17所述的装置，其中，所述的运营项目信息包括：运营合作的应用软件信息以及运营活动专题项目信息中的至少一个，且所述运营项目信息对应的优先级高于应用软件推荐模型输出的被推荐应用软件信息的优先级。
19、一种应用软件推荐装置，设置于客户端中，其中，该装置包括：
请求生成模块，适于基于用户对应用软件的操作生成应用软件推荐请求；
发送模块，适于向网络端发送所生成的应用软件推荐请求；
接收模块，适于接收网络端下发的响应于所述应用软件推荐请求而生成的应用软件推荐数据；
展示模块，适于展示所述应用软件推荐数据；
其中，所述应用软件推荐数据是网络端基于被推荐应用软件信息生成的，所述被推荐应用软件信息是网络端将其根据应用软件推荐请求
所获得的用户特征信息作为输入参数提供给应用软件推荐模型，并由应用软件推荐模型输出的，且所述应用软件推荐模型是网络端基于对各应用软件被关注的历史数据进行学习而获得的。
20、根据条款19所述的装置，其中，所述装置还包括：
第二过滤模块，适于根据其所在的用户终端设备已安装的应用软件信息，对接收到的应用软件推荐数据进行过滤，以及
所述展示模块适于展示过滤后的应用软件推荐数据。
21.一种计算机可读存储介质，所述计算机可读存储介质包括计算机指令，当所述计算机指令被执行时，如条款1至10中任一项所述的方法被执行。
22.一种计算机程序产品，当所述计算机程序产品被执行时，如条款1至10中任一项所述的方法被执行。
23.一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器中存储有计算机指令，所述处理器被配置来通过执行所述计算机指令以执行如条款1至10中任一项所述的方法。
Claims (19)
- 一种应用软件推荐方法，其中，该方法包括以下步骤：根据从客户端接收的应用软件推荐请求，获取用户特征信息；将所述用户特征信息作为输入参数提供给应用软件推荐模型，所述应用软件推荐模型是基于对各应用软件被关注的历史数据进行学习而获得的；根据应用软件推荐模型输出的被推荐应用软件信息形成应用软件推荐数据，并向客户端下发。
- 根据权利要求1所述的方法，其中，所述用户特征信息包括：用户终端设备信息、用户终端设备所在的地理位置信息、用户请求搜索的应用软件信息、用户请求浏览的应用软件信息、用户请求安装的应用软件信息中的至少一个。
- 根据权利要求1所述的方法，其中，所述应用软件推荐模型包括以下至少一个：基于对应用软件被关联浏览的历史数据进行学习而获得的应用软件推荐模型；基于对应用软件被关联安装的历史数据进行学习而获得的应用软件推荐模型；基于对应用软件被关注的用户终端设备的地理位置历史数据进行学习而获得的应用软件推荐模型。
- 根据权利要求1所述的方法，其中，所述根据应用软件推荐模型输出的被推荐应用软件信息形成应用软件推荐数据包括：根据客户端所在的用户终端设备已安装的应用软件信息对应用软件推荐模型输出的被推荐应用软件信息进行过滤，并利用过滤后的被推荐应用软件信息形成应用软件推荐数据。
- 根据权利要求1或2或3或4所述的方法，其中，在所述应用软件推荐模型为多个的情况下，所述根据应用软件推荐模型输出的被推荐应用软件信息形成应用软件推荐数据包括：根据各应用软件推荐模型对应的优先级从被推荐应用软件信息中选取预定数量的被推荐应用软件信息，并利用所述选取的被推荐应用软件信息形成应用软件推荐数据。
- 根据权利要求1或2或3或4所述的方法，其中，所述方法还包括：接收并存储客户端传输来的用户基于应用软件推荐数据所执行的相关操作信息，且所述相关操作信息用于所述应用软件推荐模型的学习过程。
- 一种应用软件推荐方法，其中，该方法包括以下步骤：客户端基于用户对应用软件的操作生成应用软件推荐请求，并向网络端发送该应用软件推荐请求；客户端接收网络端下发的基于被推荐应用软件信息所形成的应用软件推荐数据，并展示所述应用软件推荐数据；其中，所述被推荐应用软件信息是网络端将其根据应用软件推荐请求所获得的用户特征信息作为输入参数提供给应用软件推荐模型，并由应用软件推荐模型输出的，且所述应用软件推荐模型是网络端基于对各应用软件被关注的历史数据进行学习而获得的。
- 根据权利要求7所述的方法，其中，所述客户端接收网络端下发的基于被推荐应用软件信息所形成的应用软件推荐数据，并展示所述应用软件推荐数据包括：客户端根据其所在的用户终端设备已安装的应用软件信息对接收到的应用软件推荐数据中的被推荐应用软件信息进行过滤，并展示包含有过滤后的被推荐应用软件信息的应用软件推荐数据。
- 一种应用软件推荐装置，其中，包括：获取模块，适于根据从客户端接收的应用软件推荐请求，获取用户特征信息；输入模块，适于将所述用户特征信息作为输入参数提供给应用软件推荐模型，所述应用软件推荐模型是基于对各应用软件被关注的历史数据进行学习而获得的；推荐数据形成模块，适于根据应用软件推荐模型输出的被推荐应用软件信息形成应用软件推荐数据；以及下发模块，适于将所形成的应用软件推荐数据下发给客户端。
- 根据权利要求9所述的装置，其中，所述用户特征信息包括：用户终端设备信息、用户终端设备所在的地理位置信息、用户请求搜索的应用软件信息、用户请求浏览的应用软件信息、用户请求安装的应用软件信息中的至少一个。
- 根据权利要求9所述的装置，其中，所述应用软件推荐模型包括以下至少一个：基于对应用软件被关联浏览的历史数据进行学习而获得的应用软件推荐模型；基于对应用软件被关联安装的历史数据进行学习而获得的应用软件推荐模型；基于对应用软件被关注的用户终端设备的地理位置历史数据进行学习而获得的应用软件推荐模型。
- 根据权利要求9所述的装置，其中，所述装置还包括：第一过滤模块，适于根据客户端所在的用户终端设备已安装的应用软件信息对应用软件推荐模型输出的被推荐应用软件信息进行过滤，以及所述推荐数据形成模块适于利用过滤后的被推荐应用软件信息形成应用软件推荐数据。
- 根据权利要求9或10或11或12所述的装置，其中，在所述应用软件推荐模型为多个的情况下，所述装置还包括：选取模块，适于根据各应用软件推荐模型对应的优先级，从被推荐应用软件信息中选取预定数量的被推荐应用软件信息，以及所述推荐数据形成模块适于利用所述选取的被推荐应用软件信息形成应用软件推荐数据。
- 根据权利要求9或10或11或12所述的装置，其中，所述装置还包括：学习模块，适于利用用户基于应用软件推荐数据所执行的相关操作信息，进行所述应用软件推荐模型的学习过程。
- 一种应用软件推荐装置，设置于客户端中，其中，该装置包括：请求生成模块，适于基于用户对应用软件的操作生成应用软件推荐请求；发送模块，适于向网络端发送所生成的应用软件推荐请求；接收模块，适于接收网络端下发的响应于所述应用软件推荐请求而生成的应用软件推荐数据；展示模块，适于展示所述应用软件推荐数据；其中，所述应用软件推荐数据是网络端基于被推荐应用软件信息生成的，所述被推荐应用软件信息是网络端将其根据应用软件推荐请求所获得的用户特征信息作为输入参数提供给应用软件推荐模型，并由应用软件推荐模型输出的，且所述应用软件推荐模型是网络端基于对各应用软件被关注的历史数据进行学习而获得的。
- 根据权利要求15所述的装置，其中，所述装置还包括：第二过滤模块，适于根据其所在的用户终端设备已安装的应用软件信息，对接收到的应用软件推荐数据进行过滤，以及所述展示模块适于展示过滤后的应用软件推荐数据。
- 一种计算机可读存储介质，所述计算机可读存储介质包括计算机指令，当所述计算机指令被执行时，如权利要求1至8中任一项所述的方法被执行。
- 一种计算机程序产品，当所述计算机程序产品被执行时，如权利要求1至8中任一项所述的方法被执行。
- 一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器中存储有计算机指令，所述处理器被配置来通过执行所述计算机指令以执行如权利要求1至8中任一项所述的方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510612729.9A CN105183882A (zh) | 2015-09-23 | 2015-09-23 | 一种应用软件推荐方法和装置 |
| CN201510612729.9 | 2015-09-23 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2017049792A1 true WO2017049792A1 (zh) | 2017-03-30 |
Family
ID=54905963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2015/098721 Ceased WO2017049792A1 (zh) | 2015-09-23 | 2015-12-24 | 一种应用软件推荐方法和装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN105183882A (zh) |
| WO (1) | WO2017049792A1 (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108170795A (zh) * | 2017-12-28 | 2018-06-15 | 百度在线网络技术（北京）有限公司 | 信息推送方法、装置及设备 |
| CN109190047A (zh) * | 2018-09-20 | 2019-01-11 | 北京奇元科技有限公司 | 一种应用推荐方法、装置 |
| CN110033338A (zh) * | 2018-01-11 | 2019-07-19 | 北京搜狗科技发展有限公司 | 推荐方法和装置、用于推荐的装置 |
| CN110099380A (zh) * | 2019-04-30 | 2019-08-06 | 上海连尚网络科技有限公司 | 应用程序推荐方法、装置、电子设备及介质 |
| CN110232148A (zh) * | 2019-04-16 | 2019-09-13 | 阿里巴巴集团控股有限公司 | 项目推荐系统、方法以及装置 |
| CN116932891A (zh) * | 2023-06-16 | 2023-10-24 | 中国银行股份有限公司 | 资源对象展示方法、装置、设备、存储介质和产品 |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105183882A (zh) * | 2015-09-23 | 2015-12-23 | 百度在线网络技术（北京）有限公司 | 一种应用软件推荐方法和装置 |
| CN105912680B (zh) * | 2016-04-12 | 2019-08-23 | Oppo广东移动通信有限公司 | 搜索推荐方法、装置和移动终端 |
| CN105956042B (zh) * | 2016-04-26 | 2019-05-28 | 广东小天才科技有限公司 | 一种应用程序商店的应用程序推送方法及系统 |
| CN107844530B (zh) * | 2017-10-17 | 2021-11-05 | Oppo广东移动通信有限公司 | 一种数据处理方法、装置、服务器及计算机可读存储介质 |
| CN107958056A (zh) * | 2017-11-29 | 2018-04-24 | 广东欧珀移动通信有限公司 | 应用推荐方法、装置以及移动终端 |
| CN110351318B (zh) * | 2018-04-04 | 2022-04-29 | 腾讯科技（深圳）有限公司 | 应用推荐的方法、终端和计算机存储介质 |
| CN109005463A (zh) * | 2018-08-20 | 2018-12-14 | 聚好看科技股份有限公司 | 页面展示及页面数据推送方法及装置 |
| CN112417260B (zh) * | 2019-08-20 | 2023-08-18 | 腾讯科技（深圳）有限公司 | 本地化推荐方法、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102693229A (zh) * | 2011-03-22 | 2012-09-26 | 腾讯科技（深圳）有限公司 | 软件分析方法、推荐方法、分析装置及推荐装置 |
| CN103593434A (zh) * | 2013-11-12 | 2014-02-19 | 北京奇虎科技有限公司 | 应用推荐方法及装置、服务器设备 |
| CN103618774A (zh) * | 2013-11-19 | 2014-03-05 | 北京奇虎科技有限公司 | 一种基于网络行为的资源推荐方法及装置、系统 |
| CN104239523A (zh) * | 2014-09-17 | 2014-12-24 | 北京金山安全软件有限公司 | 应用程序的推荐方法、装置和移动终端 |
| CN105183882A (zh) * | 2015-09-23 | 2015-12-23 | 百度在线网络技术（北京）有限公司 | 一种应用软件推荐方法和装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103309866B (zh) * | 2012-03-09 | 2017-06-13 | 华为技术有限公司 | 生成推荐结果的方法和装置 |
| CN103617075B (zh) * | 2013-12-04 | 2017-02-01 | 百度在线网络技术（北京）有限公司 | 应用程序推荐方法、系统和服务器 |
| CN103763361B (zh) * | 2014-01-13 | 2018-04-27 | 北京奇虎科技有限公司 | 一种基于用户行为推荐应用的方法、系统及推荐服务器 |
-
2015
- 2015-09-23 CN CN201510612729.9A patent/CN105183882A/zh active Pending
- 2015-12-24 WO PCT/CN2015/098721 patent/WO2017049792A1/zh not_active Ceased
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102693229A (zh) * | 2011-03-22 | 2012-09-26 | 腾讯科技（深圳）有限公司 | 软件分析方法、推荐方法、分析装置及推荐装置 |
| CN103593434A (zh) * | 2013-11-12 | 2014-02-19 | 北京奇虎科技有限公司 | 应用推荐方法及装置、服务器设备 |
| CN103618774A (zh) * | 2013-11-19 | 2014-03-05 | 北京奇虎科技有限公司 | 一种基于网络行为的资源推荐方法及装置、系统 |
| CN104239523A (zh) * | 2014-09-17 | 2014-12-24 | 北京金山安全软件有限公司 | 应用程序的推荐方法、装置和移动终端 |
| CN105183882A (zh) * | 2015-09-23 | 2015-12-23 | 百度在线网络技术（北京）有限公司 | 一种应用软件推荐方法和装置 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108170795A (zh) * | 2017-12-28 | 2018-06-15 | 百度在线网络技术（北京）有限公司 | 信息推送方法、装置及设备 |
| CN110033338A (zh) * | 2018-01-11 | 2019-07-19 | 北京搜狗科技发展有限公司 | 推荐方法和装置、用于推荐的装置 |
| CN110033338B (zh) * | 2018-01-11 | 2024-06-07 | 北京搜狗科技发展有限公司 | 推荐方法和装置、用于推荐的装置 |
| CN109190047A (zh) * | 2018-09-20 | 2019-01-11 | 北京奇元科技有限公司 | 一种应用推荐方法、装置 |
| CN110232148A (zh) * | 2019-04-16 | 2019-09-13 | 阿里巴巴集团控股有限公司 | 项目推荐系统、方法以及装置 |
| CN110099380A (zh) * | 2019-04-30 | 2019-08-06 | 上海连尚网络科技有限公司 | 应用程序推荐方法、装置、电子设备及介质 |
| CN110099380B (zh) * | 2019-04-30 | 2022-02-22 | 上海连尚网络科技有限公司 | 应用程序推荐方法、装置、电子设备及介质 |
| CN116932891A (zh) * | 2023-06-16 | 2023-10-24 | 中国银行股份有限公司 | 资源对象展示方法、装置、设备、存储介质和产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105183882A (zh) | 2015-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3485400B1 (en) | Methods and systems for server-side rendering of native content for presentation | |
| CN104011721B (zh) | 协作搜索 | |
| US10614468B2 (en) | Event-based score processing | |
| JP6336110B2 (ja) | モバイルデバイスをモバイルクラウドサービスと同期させるためのインフラストラクチャ | |
| US10331463B2 (en) | Dynamic role-based view definitions in a repository system | |
| EP3049923B1 (en) | Method and system for distributed processing in a messaging platform | |
| US9559992B2 (en) | System and method for updating information in an instant messaging application | |
| US20160019308A1 (en) | Modifying the order of items in a digital document based upon usage patterns | |
| JP5702439B2 (ja) | メディア配布プラットホームからソーシャルネットワークを経てのフィードバック付与 | |
| US20170163752A1 (en) | Template-based event notifications | |
| CN104823169A (zh) | 用于网络中的可搜索数据的索引配置 | |
| US11290551B1 (en) | Method and system for implementing circle of trust in a social network | |
| US11790224B2 (en) | Machine learning from the integration flow metadata | |
| CN107590171A (zh) | 控制计算机以发起基于计算机的动作的执行 | |
| CN103971277A (zh) | 提供用于服务提供者的服务的对象的系统和方法 | |
| CN111581554A (zh) | 一种信息推荐方法及装置 | |
| US11550994B2 (en) | System and method with data entry tracker using selective undo buttons | |
| US20220027404A1 (en) | Determining and utilizing actual purpose of user-assembled collection of electronic content items | |
| US20160308847A1 (en) | Presentations based on aggregated content | |
| US10097399B1 (en) | Distributed computing management links | |
| US12456010B2 (en) | Predicting text and data variables using customer-specific models | |
| CN106708870B (zh) | 背景信息展现方法以及装置 | |
| WO2024142016A1 (en) | System and method for integrated temporal external resource allocation | |
| WO2026055373A1 (en) | Resource analytics system | |
| CN117348862A (zh) | 应用开发及应用运行方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 15904667 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 15904667 Country of ref document: EP Kind code of ref document: A1 |