WO2018103718A1 - 应用推荐的方法、装置及服务器 - Google Patents

应用推荐的方法、装置及服务器 Download PDF

Info

Publication number
WO2018103718A1
WO2018103718A1 PCT/CN2017/115102 CN2017115102W WO2018103718A1 WO 2018103718 A1 WO2018103718 A1 WO 2018103718A1 CN 2017115102 W CN2017115102 W CN 2017115102W WO 2018103718 A1 WO2018103718 A1 WO 2018103718A1
Authority
WO
WIPO (PCT)
Prior art keywords
application
user
target user
preference value
user group
Prior art date
Application number
PCT/CN2017/115102
Other languages
English (en)
French (fr)
Inventor
潘岸腾
Original Assignee
广州优视网络科技有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 广州优视网络科技有限公司 filed Critical 广州优视网络科技有限公司
Publication of WO2018103718A1 publication Critical patent/WO2018103718A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Definitions

  • the present invention relates to the field of computer applications, and in particular, to an application recommendation method, apparatus, and server.
  • the application store operator can obtain many natural attributes of the user through the user's registration information, questionnaires, etc., and the usual practice is to organize these natural attributes into labels, for example: “student party”, “ Eat goods, “game fans”, “post-90s.” Further, through specialized operators, according to different labels, select applications that such tag people may like, and then make recommendations.
  • This method has certain limitations: the first is that when there are a large number of labels, it takes a huge labor cost; the second is that the subjectiveness of the operator is too strong, and the recommended application cannot guarantee good accuracy. .
  • an object of the embodiments of the present invention is to provide an application recommendation method, apparatus, and server to solve the above problems.
  • an embodiment of the present invention provides an application recommendation method, where the method includes: acquiring an attribute label corresponding to a target user; and selecting, according to the attribute label and a user group having the attribute label, a preference value of each application, Obtaining a preference value of the target user for each application; recommending an application for the target user based on the target user's preference value for each application.
  • an embodiment of the present invention provides an application recommendation device, the device comprising: at least one processor; and at least one memory communicably connected to the at least one processor; the at least one memory Included by the processor, the instructions executable by the processor, when executed by the at least one processor, causing the apparatus to perform at least: acquiring an attribute tag corresponding to a target user; And a preference value of the user group having the attribute tag for each application, obtaining a preference value of the target user for each application; and recommending an application for the target user based on the preference value of the target user for each application.
  • an embodiment of the present invention provides a server, where the server includes a memory and a processor, the memory is coupled to the processor, and the memory stores an instruction when the instruction is executed by the processor And causing the processor to: obtain an attribute label corresponding to the target user; and obtain a preference value of the target user for each application according to the attribute label and a preference value of each application group of the attribute label having the attribute label; Applying an application to the target user based on the target user's preference value for each application.
  • a computer program in an embodiment of the invention, comprising computer readable code, when the processor runs the computer readable code, causing the method described in the first aspect to be performed.
  • the embodiment of the present invention provides a computer readable medium, wherein the computer program according to the fourth aspect is stored.
  • an application recommendation method, device, and server provided by the embodiments of the present invention automatically identify the preferences of the people under different attribute tags according to the user behavior data in an unsupervised manner, and then according to the user's own The attribute label realizes personalized recommendation to the user, which greatly reduces the labor cost, and improves the accuracy of the recommendation through objective analysis of the user behavior data.
  • FIG. 1 is a schematic diagram of a user terminal interacting with a server according to an embodiment of the present invention.
  • FIG. 2 is a schematic structural diagram of a server according to an embodiment of the present invention.
  • FIG. 3 is a flowchart of an application recommendation method according to an embodiment of the present invention.
  • FIG. 4 is a detailed flowchart of step S400 in an application recommendation method according to an embodiment of the present invention.
  • FIG. 5 is a detailed flowchart of step S420 in an application recommendation method according to an embodiment of the present invention.
  • FIG. 6 is a detailed flowchart of step S500 in an application recommendation method according to an embodiment of the present invention.
  • FIG. 7 is a detailed flowchart of step S520 in an application recommendation method according to an embodiment of the present invention.
  • FIG. 8 is a structural block diagram of an application recommendation apparatus according to an embodiment of the present invention.
  • Figure 9 shows a block diagram of an apparatus or apparatus for performing the method according to the invention.
  • Figure 10 shows a schematic diagram of a memory unit for holding or carrying program code implementing a method in accordance with the present invention.
  • FIG. 1 is a schematic diagram of interaction between a server 200 and a user terminal 100 according to an embodiment of the present invention.
  • the server 200 is in communication with one or more user terminals 100 over a network 300 for data communication or interaction.
  • the server 200 can be a web server, a database server, or the like.
  • the user terminal 100 may be a personal computer (PC), a tablet computer, a smart phone, a personal digital assistant (PDA), an in-vehicle device, a wearable device, or the like.
  • PC personal computer
  • PDA personal digital assistant
  • the server 200 includes a memory 201, a processor 202, and a network module 203.
  • the memory 201 can be used to store software programs and modules, such as the application recommendation method and the program instructions/modules corresponding to the device in the embodiment of the present invention.
  • the processor 202 executes various functions by running software programs and modules stored in the memory 201.
  • Application and data processing that is, the application topic recommendation method in the embodiment of the present invention is implemented.
  • Memory 201 can include high speed random access memory, and can also include non-volatile memory, such as one or more magnetic storage devices, flash memory, or other non-volatile solid state memory.
  • the software program and the module in the foregoing memory 201 may further include an operating system 221 and a service module 222.
  • the operating system 22 may be LINUX, UNIX, WINDOWS, which may include various software components and/or drivers for managing system tasks (eg, memory management, storage device control, power management, etc.), and may be various Hardware or software components communicate with one another to provide an operating environment for other software components.
  • the service module 222 runs on the basis of the operating system 221, and listens for requests from the network through the network service of the operating system 221, completes corresponding data processing according to the request, and returns the processing result to the client. That is, the service module 222 is configured to provide network services to the client.
  • the network module 203 is configured to receive and transmit network signals.
  • the above network signal may include a wireless signal or a wired signal.
  • the structure shown in FIG. 2 is merely illustrative, and the server 200 may further include more or less components than those shown in FIG. 2 or have a different configuration than that shown in FIG. 2.
  • the components shown in Figure 2 can be implemented in hardware, software, or a combination thereof.
  • the server in the embodiment of the present invention may further include multiple servers with different functions.
  • the client terminal 100 is installed with a client, and the client may be a third-party application software, such as an application store, corresponding to the server (Server), and jointly follow the same set of data protocols, so that the server The client can parse out each other's data and provide application recommendation services to the user.
  • the client may be a third-party application software, such as an application store, corresponding to the server (Server), and jointly follow the same set of data protocols, so that the server The client can parse out each other's data and provide application recommendation services to the user.
  • FIG. 3 is a flowchart of an application recommendation method according to an embodiment of the present invention. Referring to FIG. 3, this embodiment describes a process flow of a server, where the method includes:
  • Step S300 Obtain an attribute label corresponding to the target user.
  • the attribute tag refers to a tag used to represent the natural attribute or personal characteristics of the target user, such as "female”, “food”, “mobile phone”, and the like.
  • the attribute tag is not limited to the example.
  • the attribute tag may be preset by an operator of the application store, or may analyze a large amount of user data, and through data mining, for example, by a clustering algorithm, cluster multiple user groups, and give each user Groups are given different attribute tags.
  • the attribute tag may also acquire many natural attributes of the user through the user's registration information, questionnaires, and the like, and organize the natural attributes into attribute tags.
  • the analysis result is input to the server, and the server receives the analysis result to obtain the attribute label corresponding to the target user.
  • the server can also obtain the attribute tag corresponding to the target user by analyzing the user data of the target user through a data algorithm such as classification processing. It can be understood that the implementation manner of acquiring the attribute tag corresponding to the target user is not limited thereto.
  • the attribute tag corresponding to the target user may be one or more. It can be understood that the method is not limited by the number of attribute tags.
  • Step S400 Obtain a preference value of the target user for each application according to the attribute tag and a preference value of each application group of the user group having the attribute tag.
  • the attribute label of each user may be obtained in advance by the method described in step S300, and then the corresponding user group is divided according to the attribute label.
  • the user is divided into seven user groups corresponding to the seven attribute tags, respectively:
  • the step S400 may include:
  • step S410 one of the applications is regarded as an application to be processed.
  • Step S420 Calculate a preference value of each of the user groups for the to-be-processed application, and obtain a preference value of the target user for the to-be-processed application. .
  • the preference value Pu j of the target user for the to-be-processed application j may be calculated according to the following formula:
  • the preference value of the target user to process the application j is the same as the preference value of the user group that owns the attribute tag i to the processing application j.
  • calculating a preference value of the user group to be processed by the attribute tag xi of the target user to be processed can include:
  • Step S421 Calculate a preference ratio of the user group to the to-be-processed application according to an installation probability of the to-be-processed application in the user group and an installation probability of the to-be-processed application in all users.
  • step S421 can be calculated according to the following formula:
  • Ps ij represents a preference ratio of the user group having the target user corresponding attribute tag i to the processing application j
  • PI ij represents a probability of installing the to-be-processed application j in the user group having the target user corresponding attribute tag i
  • Pa j represents The probability of installation of the pending application j among all users.
  • the preference of the user group having the target user corresponding attribute tag i to the processing application j is actually represented by the user group having the target user corresponding attribute tag i like the application j to be processed.
  • the degree is Ps ij times the average degree of preference of all users.
  • the installation probability of the pending application j in all users is 0.1
  • the installation probability in the user group having the target user corresponding attribute tag i is 0.2
  • the user group having the target user corresponding attribute tag i is to process the application j.
  • the preference ratio is 2, that is, the user group having the target user corresponding attribute tag i likes the to-be-processed application j to twice the average degree of preference of all users.
  • the installation probability P1 ,j of the to-be-processed application in the user group that owns the target user corresponding attribute tag may be installed according to the user group that has the corresponding user attribute tag of the target user.
  • the number of users of the application, and the total number of users of the user group having the corresponding attribute tag of the target user are obtained.
  • PI ij represents the probability of installing the to-be-processed application j in the user group having the target user corresponding attribute tag i
  • I ij represents the number of people who have the pending application j installed in the user group having the target user corresponding attribute tag i
  • S i indicates that the user has The target user corresponds to the total number of users of the attribute tag i.
  • the installation probability Pa j of the to-be-processed application in all users may be obtained according to the total number of people who install the to-be-processed application and the total number of users.
  • Pa j represents the installation probability of the to-be-processed application j among all users
  • a j represents the total number of people who install the to-be-processed application
  • n represents the total number of users.
  • Step S422 calculating a preference of the user group for the to-be-processed application according to a preference ratio of the user group to the to-be-processed application, and a proportion of the user group that is installed in the to-be-processed application. value.
  • P ij represents a preference value of the user group that owns the target user corresponding attribute tag i to the to-be-processed application j
  • Ps ij represents a preference ratio of the user group that has the target user corresponding attribute tag i to the processing application j
  • Ia ij represents the proportion of the user group that has the target user corresponding to the attribute tag i in the user who installs the to-be-processed application j.
  • the preference of a user group having a certain attribute tag to P ij refers to the user group having a certain attribute tag i compared to the user group having other attribute tags to an application j. More preferred, it can be understood that when the preference value P ij is larger, it means that the user group having a certain attribute tag i prefers the application j compared to the user group having other attribute tags.
  • the above embodiment measures the degree of preference of the crowd to the application by comparing the installation probability of the application.
  • the proportion of the user group that owns the attribute tag i corresponding to the target user Ia ij refers to the user group that owns a certain attribute tag to the user who installs an application. Coverage.
  • the degree of preference of the crowd to the application can be measured from the perspective of the scale of application installation. That is, in the user who installs the to-be-processed application, the proportion Ia ij occupied by the user group having the corresponding attribute tag of the target user may be installed according to the user group that has the corresponding attribute tag of the target user. The number of people to be processed and the total number of users who installed the pending application were obtained.
  • Ia ij represents the proportion of the user group that has the target user corresponding to the attribute tag i among the users who install the to-be-processed application j
  • I ij represents the user group that has the target user corresponding attribute tag i installed in the user group.
  • the number of people to be processed j, a j indicates the total number of people who are installing the pending application.
  • step S430 the next application is used as the to-be-processed application until the user's preference value for each application is calculated.
  • Step S500 recommend an application for the target user based on the preference value of the target user for each application.
  • the application may be recommended for the target user according to the preference value and the preset rule.
  • preset rules There are a plurality of preset rules, which may be sorting the preference values, which may be descending or ascending, and there are many types of sorting algorithms, which are described here.
  • the preset rule may also be applied multiple times by multiple screening rules. After multiple screenings, the application is recommended for the target user.
  • the preset rules are not limited to this.
  • step S500 may include:
  • step S510 the target user sorts the preference values of the respective applications to obtain the candidate application candidate set to be recommended by the target user.
  • Step S520 determining, from the candidate set, an application to be recommended for the target user.
  • step S520 may include:
  • Step S521 respectively calculating the total number of installations of each application in the candidate set.
  • Step S522 sorting the total number of installations of each application in the candidate set to obtain an application to be recommended of the target user.
  • the target user sorts the preference values of the respective applications by step S510, the 100 applications with the top preference values are filtered out, and then the 100 applications are sorted according to the number of people again, and the pre-selection is performed.
  • the number of applications to be recommended is set, and further, the applications to be recommended are fed back to the user terminal.
  • the application recommendation method provided by the embodiment of the present invention automatically identifies the preferences of the people under different attribute tags according to the user behavior data in an unsupervised manner, and then implements personalized recommendation for the user according to the attribute tags owned by the user.
  • the method greatly reduces the labor cost, and improves the accuracy of the recommendation through objective analysis of user behavior data. Further, through two screenings, the application suitable for a certain group or a certain group of people is first screened out, and the applications that are widely favored by all users in these applications are selected by the sorting as the application to be recommended, which will further improve. Recommended accuracy rate.
  • FIG. 8 is a schematic diagram of functional modules of an application recommendation device 600 according to an embodiment of the present invention.
  • the application recommendation device 600 includes an acquisition module 610, a processing module 620, and a recommendation module 630.
  • the obtaining module 610 is configured to obtain an attribute label corresponding to the target user.
  • the processing module 620 is configured to obtain, according to the attribute label and a preference value of each application group of the user group that owns the attribute label, a preference value of the target user for each application.
  • the number of the attribute tags is multiple, and each attribute tag corresponds to one user group, and the processing module 620 is specifically configured to calculate a preference value of each application group for each application, and The sum of the preference values of all user groups for the same application as the target user's preference value for the application.
  • the processing module 620 is specifically configured to calculate a preference ratio of the user group to the application according to an installation probability of the application in the user group and an installation probability of the application in all users; a preference ratio of the application, and a proportion of the number of the user groups in the user who installs the application, and calculating a preference value of the user group for the to-be-processed application.
  • processing module 620 is specifically configured to obtain an installation probability of the application in the user group according to the number of people who install the to-be-processed application in the user group and the total number of users of the user group.
  • processing module 620 is specifically configured to obtain an installation probability of the application among all users according to the total number of people who install the application and the total number of users.
  • processing module 620 is specifically configured to calculate, according to the number of users who install the application in the user group, and the total number of users who install the application, the number of users in the user who installs the application. The proportion.
  • the recommendation module 630 is configured to recommend an application for the target user based on a preference value of the target user for each application.
  • the recommendation module 630 includes a first screening module 631 and a second screening module 632.
  • the first screening module 631 is configured to sort the preference values of the application by the target user to obtain a candidate application candidate set to be recommended by the target user.
  • the second screening module 632 is configured to determine, from the candidate set, an application to be recommended for the target user.
  • the second screening module 632 is further configured to separately calculate the total number of installations of each application in the candidate set; sort the total number of installations of each application in the candidate set to obtain the to-be-recommended application of the target user. .
  • Each of the above modules may be implemented by software code.
  • each of the above modules may be stored in the memory 201 of the server 200.
  • the above modules can also be implemented by hardware such as an integrated circuit chip.
  • each block of the flowchart or block diagram can represent a module, a program segment, or a portion of code that includes one or more of the Executable instructions. It should also be noted that, in some alternative implementations, the functions noted in the blocks may also occur in a different order than those illustrated in the drawings.
  • each block of the block diagrams and/or flowcharts, and combinations of blocks in the block diagrams and/or flowcharts can be implemented in a dedicated hardware-based system that performs the specified function or function. Or it can be implemented by a combination of dedicated hardware and computer instructions.
  • each functional module in each embodiment of the present invention may be integrated to form a separate part, or each module may exist separately, or two or more modules may be integrated to form a separate part.
  • the functions, if implemented in the form of software functional modules and sold or used as separate products, may be stored in a computer readable storage medium.
  • the technical solution of the present invention which is essential or contributes to the prior art, or a part of the technical solution, may be embodied in the form of a software product, which is stored in a storage medium, including
  • the instructions are used to cause a computer device (which may be a personal computer, server, or network device, etc.) to perform all or part of the steps of the methods described in various embodiments of the present invention.
  • the foregoing storage medium includes: a U disk, a mobile hard disk, a read-only memory (ROM), a random access memory (RAM), a magnetic disk, or an optical disk, and the like. .
  • Fig. 9 shows an apparatus or apparatus in which an application recommendation method according to the present invention can be implemented.
  • the apparatus or device conventionally includes a processor 1010 and a computer program product or computer readable medium in the form of a memory 1020.
  • the memory 1020 may be an electronic memory such as a flash memory, an EEPROM (Electrically Erasable Programmable Read Only Memory), an EPROM, a hard disk, or a ROM.
  • the memory 1020 has a memory space 1030 for executing program code 1031 of any of the above method steps.
  • storage space 1030 for program code may include various program code 1031 for implementing various steps in the above methods, respectively.
  • the program code can be read from or written to one or more computer program products.
  • Such computer program products include program code carriers such as hard disks, compact disks (CDs), memory cards or floppy disks.
  • Such a computer program product is typically a portable or fixed storage unit as described with reference to FIG.
  • the storage unit may have a storage section or a storage space or the like arranged similarly to the storage 1020 in FIG.
  • the program code can be compressed, for example, in an appropriate form.
  • the storage unit comprises program code 1031' for performing the steps of the method according to the invention, ie code that can be read by a processor such as 1010, which when executed by the device or device causes the device or device Perform the various steps in the method described above.

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)

Abstract

一种应用推荐方法、装置及服务器，所述方法包括：获取目标用户对应的属性标签(S300)；根据所述属性标签以及拥有所述属性标签的用户群对各个应用的偏好值，获得所述目标用户对各个应用的偏好值(S400)；基于所述目标用户对各个应用的偏好值，为所述目标用户推荐应用(S500)。所述方法通过在无监督的情况下，根据用户行为数据自动识别不同属性标签下人群的偏好，然后根据用户拥有的属性标签，实现对用户的个性化推荐，这种方式大大减少了人力成本，并且是通过用户行为数据的客观分析，提高了推荐的准确性。

Description

应用推荐的方法、装置及服务器 技术领域
本发明涉及计算机应用领域，具体而言，涉及一种应用推荐方法、装置及服务器。
背景技术
随着移动终端技术及网络技术的飞速发展，越来越多的用户选择在手机或平板电脑等移动终端上下载应用软件，各种专为移动终端用户打造的应用获取平台，例如应用商店也应运而生。
在应用商店运营过程中，应用商店的运营人员可以通过用户的注册信息、问卷调查等手段获取用户的许多自然属性，通常的做法是将这些自然属性整理为标签，例如：“学生党”、“吃货”、“游戏迷”、“90后”。进一步的，通过专门的运营人员，根据不同标签的，挑选这类标签人群可能喜欢的应用，然后进行推荐。这种方式存在一定局限性：第一是当标签的数量有很多的时候，需要付出巨大的人力成本；第二是通过运营人员的判断主观性太强，推荐的应用不能保证很好的准确性。
发明内容
有鉴于此，本发明实施例的目的在于提供一种应用推荐方法、装置及服务器，以解决上述问题。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种应用推荐方法，所述方法包括：获取目标用户对应的属性标签；根据所述属性标签以及拥有所述属性标签的用户群对各个应用的偏好值，获得所述目标用户对各个应用的偏好值；基于所述目标用户对各个应用的偏好值，为所述目标用户推荐应用。
第二方面，本发明实施例提供了一种应用推荐装置，所述装置包括：至少一个处理器；以及，至少一个存储器，其与所述至少一个处理器可通信地连接；所述至少一个存储器包括处理器可执行的指令，当所述处理器可执行的指令由所述至少一个处理器执行时，致使所述装置执行至少以下操作：获取目标用户对应的属性标签；根据所述属性标签以及拥有所述属性标签的用户群对各个应用的偏好值，获得所述目标用户对各个应用的偏好值；基于所述目标用户对各个应用的偏好值，为所述目标用户推荐应用。
第三方面，本发明实施例提供了一种服务器，所述服务器包括存储器和处理器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时使所述处理器执行以下操作：获取目标用户对应的属性标签；根据所述属性标签以及拥有所述属性标签的用户群对各个应用的偏好值，获得所述目标用户对各个应用的偏好值；基于所述目标用户对各个应用的偏好值，为所述目标用户推荐应用。
第四方面，本发明实施例中提供了一种计算机程序，包括计算机可读代码，当处理器运行所述计算机可读代码时，导致第一方面中所述的方法被执行。
第五方面，本发明实施例中提供了一种计算机可读介质，其中存储了如第四方面所述的计算机程序。
与现有技术相比，本发明实施例提供的一种应用推荐方法、装置及服务器，通过在无监督的情况下，根据用户行为数据自动识别不同属性标签下人群的偏好，然后根据用户拥有的属性标签，实现对用户的个性化推荐， 这种方式大大减少了人力成本，并且是通过用户行为数据的客观分析，提提高了推荐的准确性。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例提供的用户终端与服务器进行交互的示意图。
图2是本发明实施例提供的服务器的结构示意图。
图3是本发明实施例提供的一种应用推荐方法的流程图。
图4是本发明实施例提供的一种应用推荐方法中步骤S400的详细流程图。
图5是本发明实施例提供的一种应用推荐方法中步骤S420的详细流程图。
图6是本发明实施例提供的一种应用推荐方法中步骤S500的详细流程图。
图7是本发明实施例提供的一种应用推荐方法中步骤S520的详细流程图。
图8是本发明实施例提供的一种应用推荐装置的结构框图。
图9示出了用于执行根据本发明的方法的装置或设备的框图。
图10示出了用于保持或者携带实现根据本发明的方法的程序代码的存储单元示意图。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
图1示出了本发明实施例提供的服务器200与用户终端100进行交互的示意图。所述服务器200通过网络300与一个或多个用户终端100进行通信连接，以进行数据通信或交互。所述服务器200可以是网络服务器、数据库服务器等。所述用户终端100可以是个人电脑(personal computer，PC)、平板电脑、智能手机、个人数字助理(personal digital assistant，PDA)、车载设备、穿戴设备等。
如图2所示，是所述服务器200的方框示意图。所述服务器200包括存储器201、处理器202以及网络模块203。
存储器201可用于存储软件程序以及模块，如本发明实施例中的应用推荐方法及装置对应的程序指令/模块，处理器202通过运行存储在存储器201内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本发明实施例中的应用专题推荐方法。存储器201可包括高速随机存储器， 还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。进一步地，上述存储器201内的软件程序以及模块还可包括：操作系统221以及服务模块222。其中操作系统221，例如可为LINUX、UNIX、WINDOWS，其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通讯，从而提供其他软件组件的运行环境。服务模块222运行在操作系统221的基础上，并通过操作系统221的网络服务监听来自网络的请求，根据请求完成相应的数据处理，并返回处理结果给客户端。也就是说，服务模块222用于向客户端提供网络服务。
网络模块203用于接收以及发送网络信号。上述网络信号可包括无线信号或者有线信号。
可以理解，图2所示的结构仅为示意，所述服务器200还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。另外，本发明实施例中的服务器还可以包括多个具体不同功能的服务器。
于本发明实施例中，用户终端100中安装有客户端，该客户端可以是第三方应用软件，例如应用商店，与服务器(Server)端相对应，共同遵循同一套数据协议，使得服务端跟客户端能够互相解析出对方的数据，为用户提供应用推荐服务。
图3示出了本发明实施例提供的应用推荐方法的流程图，请参阅图3，本实施例描述的是服务器的处理流程，所述方法包括：
步骤S300，获取目标用户对应的属性标签。
所述属性标签是指用来代表目标用户的自然属性或个人特点的标签，例如“女”、“吃货”、“手机达人”等等。当然，所述属性标签并不局限于所述示例。
所述属性标签可以由应用商店的操作人员预先设定，也可以是通过分 析大量用户数据，并通过数据挖掘，例如通过聚类算法等手段，聚类出多种用户群，并给每个用户群赋予不同的属性标签。所述属性标签还可以是通过用户的注册信息、问卷调查等手段获取用户的许多自然属性，并将这些自然属性整理为属性标签。
获取目标用户对应的属性标签的实施方式有多种，例如可以通过操作人员进行人工分析后，并把分析结果输入到服务器，由服务器通过接收所述分析结果，从而获取目标用户对应的属性标签。当然，服务器也可以通过分类处理等数据算法，通过分析目标用户的用户数据，获取目标用户对应的属性标签。可以理解的是，获取目标用户对应的属性标签的实施方式并不局限于此。
所述目标用户对应的属性标签可以是一个也可以是多个，可以理解的是，所述方法并不受到属性标签个数的限制。
步骤S400，根据所述属性标签以及拥有所述属性标签的用户群对各个应用的偏好值，获得所述目标用户对各个应用的偏好值。
可以预先通过步骤S300中介绍的方法，获取每个用户的属性标签，然后根据属性标签来划分对应的用户群。
例如：
(1)有4个用户，分别获取每个用户的属性标签，假设结果如下所示：
用户A标签为：“女”、“吃货”、“剁手”
用户B标签为：“男”、“游戏”、“老司机”
用户C标签为：“男”、“游戏”、“手机达人”
用户D标签为：“女”、“剁手”、“手机达人”
(2)进一步的，根据获取的属性标签将用户划分出与所述七个属性标签对应的七个用户群，分别是：
用户群“女”:包含用户A、D
用户群“男”:包含用户B、C
用户群“吃货”:包含用户A
用户群“游戏”:包含用户B、C
用户群“手机达人”:包含用户C、D
用户群“剁手”:包含用户A、D
用户群“老司机”:包含用户B
所述步骤S400的实施方式有多种，作为一种实施方式，所述属性标签的个数为多个，每个属性标签对应一个用户群，请参阅图4，所述步骤S400可以包括：
步骤S410，将其中一个应用作为待处理应用。
步骤S420，计算每个所述用户群对所述待处理应用的偏好值，将所有用户群对所述待处理应用的偏好值的和，获得所述目标用户对所述待处理应用的偏好值。
设目标用户拥有k个标签，记为x：
x＝{x i}i＝1,2,..,k
可以根据下述公式计算所述目标用户对所述待处理应用j的偏好值Pu j:
Figure PCTCN2017115102-appb-000001
其中，
Figure PCTCN2017115102-appb-000002
表示拥有目标用户的属性标签xi的用户群对待处理应用j的偏好值。
可以理解的是，当目标用户只有一个属性标签i时，则目标用户对待处理应用j的偏好值与拥有属性标签i的用户群对待处理应用j的偏好值相同。
作为一种实施方式，请参阅图5，计算拥有目标用户的属性标签xi的 用户群对待处理应用j的偏好值
Figure PCTCN2017115102-appb-000003
的方法可以包括：
步骤S421，根据所述待处理应用在该用户群中的安装概率以及所述待处理应用在所有用户中的安装概率，计算该用户群对所述待处理应用的偏好比。
作为一种实施方式，步骤S421可以根据下述公式进行计算：
Figure PCTCN2017115102-appb-000004
其中，Ps ij表示该拥有目标用户对应属性标签i的用户群对待处理应用j的偏好比，PI ij表示该拥有目标用户对应属性标签i的用户群中安装待处理应用j的概率，Pa j表示待处理应用j在所有用户中的安装概率。
可以理解的是，在这种实施方式中，拥有目标用户对应属性标签i的用户群对待处理应用j的偏好比实际上表示的是拥有目标用户对应属性标签i的用户群喜欢待处理应用j的程度是所有用户平均喜欢程度的Ps ij倍。
例如：待处理应用j在所有用户中的安装概率为0.1，在拥有目标用户对应属性标签i的用户群中的安装概率为0.2，那么拥有目标用户对应属性标签i的用户群对待处理应用j的偏好比为2，即拥有目标用户对应属性标签i的用户群喜欢待处理应用j的程度是所有用户平均喜欢程度的2倍。
所述待处理应用在所述拥有所述目标用户对应属性标签的用户群中的安装概率Pl i，j，可以根据在所述拥有所述目标用户对应属性标签的用户群中安装所述待处理应用的人数，以及所述拥有所述目标用户对应属性标签的用户群的总人数获得。
其中一种计算公式如下：
Figure PCTCN2017115102-appb-000005
其中，PI ij表示拥有目标用户对应属性标签i的用户群中安装待处理应 用j的概率，I ij表示拥有目标用户对应属性标签i的用户群中安装待处理应用j的人数，S i表示拥有所述目标用户对应属性标签i的用户群的总人数。
所述待处理应用在所有用户中的安装概率Pa j，可以根据安装所述待处理应用的总人数以及用户的总人数获取。
其中一种计算公式如下：
Figure PCTCN2017115102-appb-000006
其中，Pa j表示所述待处理应用j在所有用户中的安装概率，a j表示安装所述待处理应用的总人数，n表示用户的总人数。
步骤S422，根据该用户群对所述待处理应用的偏好比，以及所述安装所述待处理应用的用户中，该用户群所占的比重，计算该用户群对所述待处理应用的偏好值。
其中一种计算公式如下：
P ij＝Ps ij*Ia ij
其中，P ij表示该拥有所述目标用户对应属性标签i的用户群对所述待处理应用j的偏好值，Ps ij表示该拥有目标用户对应属性标签i的用户群对待处理应用j的偏好比，Ia ij表示所述安装所述待处理应用j的用户中，所述该拥有所述目标用户对应属性标签i的用户群所占的比重。
可以理解的是，拥有某个属性标签的用户群对某个应用的偏好比P ij，是指拥有某个属性标签i的用户群相比于拥有其它属性标签的用户群对某个应用j的更喜好程度，可以理解的是，当所述偏好值P ij越大时，表示拥有某个属性标签i的用户群相比于拥有其它属性标签的用户群更喜欢这个应用j。上述实施方式是通过从对比应用安装概率的角度衡量人群对应用的偏好程度。
所述安装所述待处理应用j的用户中，拥有所述目标用户对应属性标签i的用户群所占的比重Ia ij，是指拥有某个属性标签的用户群对安装某个应用的用户的覆盖率。作为一种实施方式，可以通过从应用安装规模的角度衡量人群对应用的偏好程度。即所述安装所述待处理应用的用户中，拥有所述目标用户对应属性标签的用户群所占的比重Ia ij，可以根据所述拥有所述目标用户对应属性标签的用户群中安装所述待处理应用的人数，以及安装所述待处理应用的用户的总人数获得。
可以根据下述公式进行计算：
Figure PCTCN2017115102-appb-000007
其中，Ia ij表示所述安装所述待处理应用j的用户中，拥有所述目标用户对应属性标签i的用户群所占的比重,I ij表示拥有目标用户对应属性标签i的用户群中安装待处理应用j的人数，a j表示安装所述待处理应用的总人数。
步骤S430，将下一应用作为待处理应用，直到所述用户对各个应用的偏好值计算完毕。
步骤S500，基于所述目标用户对各个应用的偏好值，为所述目标用户推荐应用。
当计算完毕所述用户对各个应用的偏好值后，可以根据所述偏好值及预设规则，为所述目标用户推荐应用。所述预设规则有多种，可以是对所述偏好值进行排序，可以是降序，也可以是升序，排序算法的种类也很多，此处就再赘述。预设规则也可以是多种筛选规则多次应用，经过多次筛选后，为所述目标用户推荐应用。当然，预设规则并不局限于此。
请参阅图6，作为一种实施方式，步骤S500可以包括：
步骤S510，将所述目标用户对各个应用的偏好值进行排序，得到所述目标用户的待推荐应用候选集。
步骤S520，从所述候选集中为所述目标用户确定待推荐应用。
请参阅图7，作为一种实施方式，步骤S520可以包括：
步骤S521，分别计算所述候选集中各个应用的安装总人数。
步骤S522，将所述候选集中各个应用的安装总人数进行排序，得到所述目标用户的待推荐应用。
例如，假设通过步骤S510将所述目标用户对各个应用的偏好值进行排序后，筛选出偏好值靠前的100个应用，此时再将这100个应用根据按照人数再次进行排序，选出预设数量的待推荐应用，进一步的，将这些待推荐应用反馈给用户终端。通过两次排序，首先将适合某个或某类人群的应用筛选出来，并再次通过排序选出在这些这些应用中，广泛受到所有用户喜爱的应用，作为待推荐应用，这样将进一步提高推荐的准确率。
本发明实施例提供的应用推荐方法，通过在无监督的情况下，根据用户行为数据自动识别不同属性标签下人群的偏好，然后根据用户拥有的属性标签，实现对用户的个性化推荐，这种方式大大减少了人力成本，并且是通过用户行为数据的客观分析，提提高了推荐的准确性。进一步的，通过两次筛选，首先将适合某个或某类人群的应用筛选出来，并再次通过排序选出在这些应用中，广泛受到所有用户喜爱的应用，作为待推荐应用，这样将进一步提高推荐的准确率。请参阅图8，是本发明实施例提供的应用推荐装置600的功能模块示意图。所述应用推荐装置600包括获取模块610，处理模块620，以及推荐模块630。
所述获取模块610，用于获取目标用户对应的属性标签。
所述处理模块620，用于根据所述属性标签以及拥有所述属性标签的用户群对各个应用的偏好值，获得所述目标用户对各个应用的偏好值。
作为一种实施方式，所述属性标签的个数为多个，每个属性标签对应一个用户群，所述处理模块620具体用于计算每个所述用户群对每个应用的偏好值，将所有用户群对同一个应用的偏好值的和作为所述目标用户对 该应用的偏好值。
进一步的，所述处理模块620，具体用于根据该应用在该用户群中的安装概率以及该应用在所有用户中的安装概率，计算该用户群对该应用的偏好比；根据该用户群对该应用的偏好比，以及所述安装该应用的用户中，所述该用户群人数所占的比重，计算该用户群对所述待处理应用的偏好值。
进一步的，所述处理模块620，具体用于根据在该用户群中安装所述待处理应用的人数，以及该用户群的总人数，获得该应用在该用户群中的安装概率。
进一步的，所述处理模块620，具体用于根据安装该应用的总人数，以及用户的总人数，获取该应用在所有用户中的安装概率。
进一步的，所述处理模块620，具体用于根据该用户群中安装该应用的人数，以及安装该应用的用户的总人数，计算所述安装该应用的用户中，所述该用户群人数所占的比重。
所述推荐模块630，用于基于所述目标用户对各个应用的偏好值，为所述目标用户推荐应用。
作为一种所述方式，所述推荐模块630包括第一筛选模块631以及第二筛选模块632。
所述第一筛选模块631，用于将所述目标用户对各个应用的偏好值进行排序，得到所述目标用户的待推荐应用候选集。
所述第二筛选模块632，用于从所述候选集中为所述目标用户确定待推荐应用。
进一步的，所述第二筛选模块632，还用于分别计算所述候选集中各个应用的安装总人数；将所述候选集中各个应用的安装总人数进行排序，得到所述目标用户的待推荐应用。
以上各模块可以是由软件代码实现，此时，上述的各模块可存储于服务器200的存储器201内。以上各模块同样可以由硬件例如集成电路芯片 实现。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本发明实施例所提供的应用推荐装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可 以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
图9示出了可以实现根据本发明的应用推荐方法的装置或设备。该装置或设备传统上包括处理器1010和以存储器1020形式的计算机程序产品或者计算机可读介质。存储器1020可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器1020具有用于执行上述方法中的任何方法步骤的程序代码1031的存储空间1030。例如，用于程序代码的存储空间1030可以包括分别用于实现上面的方法中的各种步骤的各个程序代码1031。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为如参考图10所述的便携式或者固定存储单元。该存储单元可以具有与图9中的存储器1020类似布置的存储段或者存储空间等。程序代码可以例如以适当形式进行压缩。通常，存储单元包括用于执行根据本发明的方法步骤的程序代码1031’，即可以由诸如1010之类的处理器读取的代码，这些代码当由装置或设备运行时，导致该装置或设备执行上面所描述的方法中的各个步骤。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品 或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (19)

  1. 一种应用推荐方法，所述方法包括：
    获取目标用户对应的属性标签；
    根据所述属性标签以及拥有所述属性标签的用户群对各个应用的偏好值，获得所述目标用户对各个应用的偏好值；
    基于所述目标用户对各个应用的偏好值，为所述目标用户推荐应用。
  2. 根据权利要求1所述的方法，其特征在于，所述属性标签的个数为多个，每个属性标签对应一个用户群，所述根据所述属性标签以及拥有所述属性标签的用户群对各个应用的偏好值，获得所述目标用户对各个应用的偏好值，包括：
    计算每个所述目标用户对应的用户群对每个应用的偏好值，将目标用户对应的用户群对同一个应用的偏好值的和作为所述目标用户对该应用的偏好值。
  3. 根据权利要求2所述的方法，其特征在于，还包括：一个用户群对一个应用的偏好值的计算方法，该计算方法包括：
    根据该应用在该用户群中的安装概率以及该应用在所有用户中的安装概率，计算该用户群对该应用的偏好比；
    根据该用户群对该应用的偏好比，以及安装该应用的用户中，该用户群人数所占的比重，计算该用户群对该应用的偏好值。
  4. 根据权利要求3所述的方法，其特征在于，所述该应用在该用户群中的安装概率的计算方法，包括：
    根据在该用户群中安装所述待处理应用的人数，以及该用户群的总人数，获得该应用在该用户群中的安装概率。
  5. 根据权利要求3所述的方法，其特征在于，所述该应用在所有用户中的安装概率的计算方法，包括：
    根据安装该应用的总人数，以及用户的总人数，获取该应用在所有用户中的安装概率。
  6. 根据权利要求3所述的方法，其特征在于，所述安装该应用的用户中，所述该用户群人数所占的比重的计算方法，包括：
    根据该用户群中安装该应用的人数，以及安装该应用的用户的总人数，计算所述安装该应用的用户中，所述该用户群人数所占的比重。
  7. 根据权利要求1所述的方法，其特征在于，所述基于所述目标用户对各个应用的偏好值，为所述目标用户推荐应用，包括：
    将所述目标用户对各个应用的偏好值进行排序，得到所述目标用户的待推荐应用候选集；
    从所述候选集中为所述目标用户推荐应用。
  8. 根据权利要求7所述的方法，其特征在于，从所述候选集中为所述目标用户推荐应用，包括：
    分别计算所述候选集中各个应用的安装总人数；
    将所述候选集中各个应用的安装总人数进行排序，得到所述目标用户的推荐应用。
  9. 一种应用推荐装置，所述装置包括：
    至少一个处理器；
    以及，至少一个存储器，其与所述至少一个处理器可通信地连接；所述至少一个存储器包括处理器可执行的指令，当所述处理器可执行的指令由所述至少一个处理器执行时，致使所述装置执行至少以下操作：
    获取目标用户对应的属性标签；
    根据所述属性标签以及拥有所述属性标签的用户群对各个应用的偏好值，获得所述目标用户对各个应用的偏好值；
    基于所述目标用户对各个应用的偏好值，为所述目标用户推荐应用。
  10. 根据权利要求9所述的装置，其特征在于，所述属性标签的个数为 多个，每个属性标签对应一个用户群，所述根据所述属性标签以及拥有所述属性标签的用户群对各个应用的偏好值，获得所述目标用户对各个应用的偏好值，包括：
    所计算每个所述目标用户对应的用户群对每个应用的偏好值，将目标用户对应的用户群对同一个应用的偏好值的和作为所述目标用户对该应用的偏好值。
  11. 根据权利要求10所述的装置，其特征在于，还包括：一个用户群对一个应用的偏好值的计算方法，该计算方法包括：
    所根据该应用在该用户群中的安装概率以及该应用在所有用户中的安装概率，计算该用户群对该应用的偏好比；根据该用户群对该应用的偏好比，以及安装该应用的用户中，该用户群人数所占的比重，计算该用户群对该应用的偏好值。
  12. 根据权利要求11所述的装置，其特征在于，所述应用在该用户群中的安装概率的计算方法的过程包括：根据在该用户群中安装所述待处理应用的人数，以及该用户群的总人数，获得该应用在该用户群中的安装概率。
  13. 根据权利要求11所述的装置，其特征在于，所述应用在所有用户中的安装概率的计算方法的过程包括：根据安装该应用的总人数，以及用户的总人数，获取该应用在所有用户中的安装概率。
  14. 根据权利要求11所述的装置，其特征在于，所述安装该应用的用户中，所述该用户群人数所占的比重的计算方法的过程包括：根据该用户群中安装该应用的人数，以及安装该应用的用户的总人数，计算所述安装该应用的用户中，所述该用户群人数所占的比重。
  15. 根据权利要求9所述的装置，其特征在于，所述基于所述目标用户对各个应用的偏好值，为所述目标用户推荐应用包括：将所述目标用户对各个应用的偏好值进行排序，得到所述目标用户的待推荐应用候选集；
    从所述候选集中为所述目标用户确定推荐应用。
  16. 根据权利要求15所述的装置，其特征在于，所述从所述候选集中为所述目标用户推荐应用的过程包括：分别计算所述候选集中各个应用的安装总人数；将所述候选集中各个应用的安装总人数进行排序，得到所述目标用户的待推荐应用。
  17. 一种服务器，，所述服务器包括存储器及处理器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时以使所述处理器执行以下操作：
    获取目标用户对应的属性标签；
    根据所述属性标签以及拥有所述属性标签的用户群对各个应用的偏好值，获得所述目标用户对各个应用的偏好值；
    基于所述目标用户对各个应用的偏好值，为所述目标用户推荐应用。
  18. 一种计算机程序，包括计算机可读代码，当处理器运行所述计算机可读代码时，导致权利要求1-8中的任一项权利要求所述的方法被执行。
  19. 一种计算机可读介质，其中存储了如权利要求18所述的计算机程序。
PCT/CN2017/115102 2016-12-08 2017-12-07 应用推荐的方法、装置及服务器 WO2018103718A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201611121732.1A CN106503269A (zh) 2016-12-08 2016-12-08 应用推荐的方法、装置及服务器
CN201611121732.1 2016-12-08

Publications (1)

Publication Number Publication Date
WO2018103718A1 true WO2018103718A1 (zh) 2018-06-14

Family

ID=58330045

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/115102 WO2018103718A1 (zh) 2016-12-08 2017-12-07 应用推荐的方法、装置及服务器

Country Status (2)

Country Link
CN (1) CN106503269A (zh)
WO (1) WO2018103718A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241415A (zh) * 2018-08-20 2019-01-18 平安科技（深圳）有限公司 项目推荐方法、装置、计算机设备及存储介质
CN111125514A (zh) * 2019-11-20 2020-05-08 泰康保险集团股份有限公司 用户行为分析的方法、装置、电子设备和存储介质
CN111177541A (zh) * 2019-12-20 2020-05-19 上海淇玥信息技术有限公司 基于用户标签生成时间的数据分析方法及装置、服务器、存储介质
CN111814037A (zh) * 2019-12-31 2020-10-23 北京嘀嘀无限科技发展有限公司 数据处理方法、装置、存储介质及电子设备
CN111815359A (zh) * 2020-07-09 2020-10-23 北京字节跳动网络技术有限公司 一种目标人群确定方法、装置、电子设备和存储介质
CN111931059A (zh) * 2020-08-19 2020-11-13 创新奇智(成都)科技有限公司 一种对象的确定方法、装置及存储介质
CN112016793A (zh) * 2020-07-15 2020-12-01 北京淇瑀信息科技有限公司 基于目标用户群的资源分配方法、装置及电子设备
CN112579910A (zh) * 2020-12-28 2021-03-30 北京嘀嘀无限科技发展有限公司 信息处理方法、信息处理装置、存储介质和电子设备
CN111815359B (zh) * 2020-07-09 2024-05-24 北京火山引擎科技有限公司 一种目标人群确定方法、装置、电子设备和存储介质

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503269A (zh) * 2016-12-08 2017-03-15 广州优视网络科技有限公司 应用推荐的方法、装置及服务器
CN107122990A (zh) * 2017-03-22 2017-09-01 广州优视网络科技有限公司 应用推荐方法、客户端、服务器及系统
CN107357847B (zh) * 2017-06-26 2020-07-31 北京京东尚科信息技术有限公司 数据处理方法及其装置
CN107222566B (zh) * 2017-07-06 2020-09-04 阿里巴巴（中国）有限公司 信息推送方法、装置及服务器
CN107786376B (zh) * 2017-10-20 2021-06-04 阿里巴巴（中国）有限公司 内容推送方法、装置及计算机设备
CN108446311A (zh) * 2018-02-06 2018-08-24 微梦创科网络科技（中国）有限公司 一种基于社交网络的app推荐方法及装置
CN108830298B (zh) * 2018-05-21 2021-07-23 麒麟合盛网络技术股份有限公司 一种确定用户特征标签的方法及装置
CN109190042A (zh) * 2018-09-06 2019-01-11 北京奇虎科技有限公司 一种应用推荐方法和装置
CN110222257B (zh) * 2019-05-13 2020-01-31 特斯联（北京）科技有限公司 一种推荐业务信息的方法、装置及数据链节点
CN110377821A (zh) * 2019-06-18 2019-10-25 深圳壹账通智能科技有限公司 生成兴趣标签的方法、装置、计算机设备和存储介质
CN110598090B (zh) * 2019-07-23 2023-04-11 平安科技（深圳）有限公司 兴趣标签的生成方法、装置、计算机设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102004774A (zh) * 2010-11-16 2011-04-06 清华大学 基于统一概率模型的个性化用户标签建模与推荐方法
CN103177093A (zh) * 2013-03-13 2013-06-26 北京开心人信息技术有限公司 一种基于对象标签的通用推荐方法及系统
CN103198418A (zh) * 2013-03-15 2013-07-10 北京亿赞普网络技术有限公司 一种应用推荐方法和系统
CN104298679A (zh) * 2013-07-18 2015-01-21 腾讯科技（深圳）有限公司 应用业务推荐方法及装置
CN106503269A (zh) * 2016-12-08 2017-03-15 广州优视网络科技有限公司 应用推荐的方法、装置及服务器

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106126537A (zh) * 2016-06-14 2016-11-16 中国联合网络通信集团有限公司 一种应用推荐方法及装置
CN106202242A (zh) * 2016-06-28 2016-12-07 青岛海信传媒网络技术有限公司 一种应用程序推荐方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102004774A (zh) * 2010-11-16 2011-04-06 清华大学 基于统一概率模型的个性化用户标签建模与推荐方法
CN103177093A (zh) * 2013-03-13 2013-06-26 北京开心人信息技术有限公司 一种基于对象标签的通用推荐方法及系统
CN103198418A (zh) * 2013-03-15 2013-07-10 北京亿赞普网络技术有限公司 一种应用推荐方法和系统
CN104298679A (zh) * 2013-07-18 2015-01-21 腾讯科技（深圳）有限公司 应用业务推荐方法及装置
CN106503269A (zh) * 2016-12-08 2017-03-15 广州优视网络科技有限公司 应用推荐的方法、装置及服务器

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241415B (zh) * 2018-08-20 2023-04-14 平安科技（深圳）有限公司 项目推荐方法、装置、计算机设备及存储介质
CN109241415A (zh) * 2018-08-20 2019-01-18 平安科技（深圳）有限公司 项目推荐方法、装置、计算机设备及存储介质
CN111125514A (zh) * 2019-11-20 2020-05-08 泰康保险集团股份有限公司 用户行为分析的方法、装置、电子设备和存储介质
CN111125514B (zh) * 2019-11-20 2023-08-22 泰康保险集团股份有限公司 用户行为分析的方法、装置、电子设备和存储介质
CN111177541A (zh) * 2019-12-20 2020-05-19 上海淇玥信息技术有限公司 基于用户标签生成时间的数据分析方法及装置、服务器、存储介质
CN111177541B (zh) * 2019-12-20 2023-08-22 上海淇玥信息技术有限公司 基于用户标签生成时间的数据分析方法及装置
CN111814037A (zh) * 2019-12-31 2020-10-23 北京嘀嘀无限科技发展有限公司 数据处理方法、装置、存储介质及电子设备
CN111814037B (zh) * 2019-12-31 2024-04-26 北京嘀嘀无限科技发展有限公司 数据处理方法、装置、存储介质及电子设备
CN111815359A (zh) * 2020-07-09 2020-10-23 北京字节跳动网络技术有限公司 一种目标人群确定方法、装置、电子设备和存储介质
CN111815359B (zh) * 2020-07-09 2024-05-24 北京火山引擎科技有限公司 一种目标人群确定方法、装置、电子设备和存储介质
CN112016793A (zh) * 2020-07-15 2020-12-01 北京淇瑀信息科技有限公司 基于目标用户群的资源分配方法、装置及电子设备
CN112016793B (zh) * 2020-07-15 2024-04-26 北京淇瑀信息科技有限公司 基于目标用户群的资源分配方法、装置及电子设备
CN111931059A (zh) * 2020-08-19 2020-11-13 创新奇智(成都)科技有限公司 一种对象的确定方法、装置及存储介质
CN112579910A (zh) * 2020-12-28 2021-03-30 北京嘀嘀无限科技发展有限公司 信息处理方法、信息处理装置、存储介质和电子设备

Also Published As

Publication number Publication date
CN106503269A (zh) 2017-03-15

Similar Documents

Publication Publication Date Title
WO2018103718A1 (zh) 应用推荐的方法、装置及服务器
US10504120B2 (en) Determining a temporary transaction limit
US20200110842A1 (en) Techniques to process search queries and perform contextual searches
CN108108743B (zh) 异常用户识别方法和用于识别异常用户的装置
CN109165975B (zh) 标签推荐方法、装置、计算机设备及存储介质
CN107451832B (zh) 推送信息的方法和装置
WO2020192013A1 (zh) 定向广告投放方法和装置、设备及存储介质
US20170011111A1 (en) Enabling advanced analytics with large data sets
CN107908616B (zh) 预测趋势词的方法和装置
CN111914159B (zh) 一种信息推荐方法及终端
CN112395487B (zh) 信息推荐方法、装置、计算机可读存储介质及电子设备
US11023495B2 (en) Automatically generating meaningful user segments
US11244332B2 (en) Segments of contacts
WO2018171295A1 (zh) 一种给文章标注标签的方法、装置、终端及计算机可读存储介质
CN112016793B (zh) 基于目标用户群的资源分配方法、装置及电子设备
CN115033801B (zh) 物品推荐方法、模型训练方法及电子设备
JP6308339B1 (ja) クラスタリングシステム、方法およびプログラム、並びに、レコメンドシステム
CN110059172B (zh) 基于自然语言理解的推荐答案的方法和装置
CN108595580B (zh) 新闻推荐方法、装置、服务器及存储介质
CN108959289B (zh) 网站类别获取方法和装置
CN113704620A (zh) 基于人工智能的用户标签更新方法、装置、设备及介质
CN116523622A (zh) 对象风险预测方法和装置、电子设备及存储介质
CN110852078A (zh) 生成标题的方法和装置
CN112085566B (zh) 基于智能决策的产品推荐方法、装置及计算机设备
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质

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: 17878346

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 14/08/2019)

122 Ep: pct application non-entry in european phase

Ref document number: 17878346

Country of ref document: EP

Kind code of ref document: A1