CN104504149A - 一种实现应用推荐的方法及装置 - Google Patents

Abstract

本申请公开了一种实现应用推荐的方法及装置，包括：获取预设时长内所有用户的上网记录，统计各用户访问应用的访问信息；针对各应用，将所有用户的访问信息进行排序，基于预先设置的排序的得分规则计算各用户访问该应用的兴趣得分；对所有用户访问的所有应用的兴趣得分进行分析，获得用户所属分类和所属分类内各用户之间的相似度，基于用户之间的相似度进行应用推荐。本发明通过对访问信息进行分析，获得用户对应用的兴趣得分，通过用户对所访问的应用的兴趣得分，分析获得用户之间的相似度，通过兴趣得分和用户之间的相似度，实现应用的推荐，避免了应用推荐中的人为干预，实现了为用户推荐感兴趣应用的目的。

Description

一种实现应用推荐的方法及装置

技术领域

本申请涉及移动互联网应用技术，尤指一种基于用户上网行为的实现应用推荐的方法及装置。

背景技术

随着移动互联网的快速发展，移动终端应用越来越丰富，据统计苹果应用商店应用数已达百万，安卓应用增长更快，其中的大部分应用都是基于网络的应用。

目前，应用商店主要是根据应用的下载次数、用户评论等给用户进行应用推荐。虽然根据应用的下载次数、用户评论等信息可以给用户提供应用推荐，但是下载次数的排行和用户评论往往存在人为的干预，影响了给用户推荐应用的效果。另外，对于每个用户，其所感兴趣的业务不一定与下载次数和用户评论等信息相符，显然这样会使应用推荐效果变差。由于推荐效果达不到用户的要求，用户往往需要根据自身兴趣和需求去查询和浏览大量应用，才可以获得其所需的应用，无法根据应用推荐完成应用的获取，耗时较长且体验较差。

终上所述，现有的应用推荐方法，在应用推荐时，一方面存在人为干预，影响应用推荐的准确性；另一方面，由于仅考虑下载次数、用户评论等信息进行应用推荐，往往不符合用户兴趣，应用推荐的效果较差，由于推荐效果达不到用户的要求，用户往往需要根据自身兴趣和需求去查询和浏览大量应用，获得所需应用的时间耗时较长。

发明内容

为了解决上述问题，本发明提供一种实现应用推荐的方法及装置，能够准确地为用户推荐其感兴趣的应用。

为了达到本发明的目的，本申请提供一种实现应用推荐的方法；包括：

获取预设时长内所有用户的上网记录，统计各用户访问应用的访问信息；

针对各应用，将所有用户的访问信息进行排序，基于预先设置的排序的得分规则计算各用户访问该应用的兴趣得分；

对所有用户访问的所有应用的兴趣得分进行分析，获得用户所属分类和所属分类内各用户之间的相似度，基于用户之间的相似度进行应用推荐。

进一步地，访问信息为：访问时长信息、和/或访问流量信息、和/或访问次数信息；

针对各应用，将所有用户的访问信息进行排序，基于排序的得分规则计算各用户访问该应用的兴趣得分具体包括：

针对各应用，将所有用户的各种访问信息分别进行排序，基于预先设置的排序的得分规则对各排序的访问信息进行打分，将各用户访问该应用的所有访问信息的得分进行累加计算，获得各用户访问该应用的兴趣得分。

进一步地，当访问信息包含两种或两种以上信息时，该方法还包括：在将各用户访问该应用的所有访问信息的得分进行累加之前，将各访问信息的得分乘以相应的预先设置的得分权重，获得与得分权重相乘的结果后进行累加，计算获得各用户访问该应用的应用兴趣得分。

进一步地，对所有用户访问的所有应用的兴趣得分进行分析，获得用户所属分类和所属分类内各用户之间的相似度具体包括：

对所有用户访问的所有应用的兴趣得分进行K-means聚类分析，将所有用户聚类为若干个用户所属分类的聚类簇，并根据聚类结果分析获得各分类聚类簇内用户之间的相似度。

进一步地，基于用户之间的相似度进行应用推荐具体包括：

获取各用户所属分类相应的用户所访问的所有应用；

对需要进行应用推荐的用户，确定出用户所属分类相应的用户所访问的所有应用中用户未访问的应用；

对用户未访问的各应用，将需要进行应用推荐的用户与访问该应用的各用户的相似度分别乘以各用户访问该应用的兴趣得分，将相乘结果累加后，除以进行应用推荐的用户与访问该应用的各用户的相似度的累加和，获得相应的推荐系数，

根据应用推荐的数量设置推荐阈值，向需要进行应用推荐的用户推荐推荐系数大于推荐阈值的应用。

另一方面，本申请还提供一种实现应用推荐的装置，包括：获取统计单元、得分计算单元及应用推荐单元；其中，

获取统计单元，用于获取预设时长内所有用户的上网记录，统计各用户访问应用的访问信息；

得分计算单元，用于针对各应用，将所有用户的访问信息进行排序，基于预先设置的排序的得分规则计算各用户访问该应用的兴趣得分；

应用推荐单元，用于对所有用户访问的所有应用的兴趣得分进行分析，获得用户所属分类和所属分类内各用户之间的相似度，基于用户之间的相似度进行应用推荐。

进一步地，得分计算单元具体用于，

针对各应用，将所有用户的各种访问信息分别进行排序，基于预先设置的排序的得分规则对各排序的访问信息进行打分，将各用户访问该应用的所有访问信息的得分进行累加计算，获得各用户访问该应用的兴趣得分；

访问信息为：访问时长信息、和/或访问流量信息、和/或访问次数信息。

进一步地，得分计算单元还用于，当访问信息包含两种或两种以上信息时，在将各用户访问该应用的所有访问信息的得分进行累加之前，将各访问信息的得分乘以相应的预先设置的得分权重，获得与得分权重相乘的结果后进行累加，计算获得各用户访问该应用的应用兴趣得分。

进一步地，应用推荐单元具体用于，

对所有用户访问的所有应用的兴趣得分进行K-means聚类分析，将所有用户聚类为若干个用户所属分类的聚类簇，并根据聚类结果分析获得各分类聚类簇内用户之间的相似度；

基于用户之间的相似度进行应用推荐。

进一步地，应用推荐单元具体用于，

对所有用户访问的所有应用的兴趣得分进行分析，获得用户所属分类和所属分类内各用户之间的相似度，

获取各用户所属分类相应的用户所访问的所有应用；

对需要进行应用推荐的用户，确定出用户所属分类相应的用户所访问的所有应用中用户未访问的应用；

对所述用户未访问的各应用，将需要进行应用推荐的用户与访问该应用的各用户的相似度分别乘以各用户访问该应用的兴趣得分，将相乘结果累加后，除以进行应用推荐的用户与访问该应用的各用户的相似度的累加和，获得相应的推荐系数，

根据应用推荐的数量设置推荐阈值，向需要进行应用推荐的用户推荐推荐系数大于推荐阈值的应用。

与现有技术相比，本发明提供的技术方案，包括：获取预设时长内所有用户的上网记录，统计各用户访问应用的访问信息；针对各应用，将所有用户的访问信息进行排序，基于预先设置的排序的得分规则计算各用户访问该应用的兴趣得分；对所有用户访问的所有应用的兴趣得分进行分析，获得用户所属分类和所属分类内各用户之间的相似度，基于用户之间的相似度进行应用推荐。本发明通过对访问信息进行分析，获得用户对应用的兴趣得分，通过用户对所访问的应用的兴趣得分，分析获得用户之间的相似度，通过兴趣得分和用户之间的相似度，实现应用的推荐，避免了应用推荐中的人为干预，实现了为用户推荐感兴趣应用的目的。

附图说明

附图用来提供对本申请技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。

图1为本发明实现应用推荐的方法的流程图；

图2为本发明根据用户兴趣得分进行聚类的结果示意图；

图3为本发明实现应用推荐的装置的结构框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

图1为本发明实现应用推荐的方法的流程图，如图1所示，包括：

步骤100、获取预设时长内所有用户的上网记录，统计各用户访问应用的访问信息。

表1是从现有数据库中获得的部分用户的上网记录，如表1所示，将上网记录按照用户和应用不同进行常规统计，可以获得包含预设时长内各用户访问各应用的相应的访问信息。

表1

本步骤中，访问信息为：访问时长信息、和/或访问流量信息、和/或访问次数信息等。

对表1进行统计可以获得包含访问时长信息、访问流量信息和访问次数信息的访问信息，例如对手机号为XXXX1的用户，其访问微信的访问时长为1.5+5.5＝7(S)、访问流量信息为12+5＝17、访问次数信息为2。

需要说明的是，访问信息是基于本领域技术人员统计获得的认为可以分析用户访问应用频率、时长及对应用使用兴趣爱好的相关信息，访问信息的内容可以根据可以反映应用上述内容的信息进行调整。

步骤101、针对各应用，将所有用户的访问信息进行排序，基于预先设置的排序的得分规则计算各用户访问该应用的兴趣得分。

本步骤具体包括：

针对各应用，将所有用户的各种访问信息分别进行排序，基于预先设置的排序的得分规则对各排序的访问信息进行打分，将各用户访问该应用的所有访问信息的得分进行累加计算，获得各用户访问该应用的兴趣得分。

这里，基于预先设置的排序的得分规则是指：根据排序高低预先设置的由高到低的得分，例如：

预先设置，访问次数前20％的用户的访问信息的得分为5；

访问次数前20％-40％的用户的访问信息的得分为4；

访问次数前40％-60％的用户的访问信息的得分为3；

访问次数前60％-80％的用户的访问信息的得分为2；

访问次数后20％的用户的访问信息的得分为1。

当访问信息包含两种或两种以上信息时，即访问信息包含访问时长信息、访问流量信息、或访问次数信息等信息中两种或两种以上时，

本发明方法还包括：在将各用户访问该应用的所有访问信息的得分进行累加之前，将各访问信息的得分乘以相应的预先设置的得分权重，获得与得分权重相乘的结果后进行累加，计算获得各用户访问该应用的应用兴趣得分。

需要说明的是，预先设置的得分权重是指本领域技术人员根据访问信息能反映用户对应用的使用频率、时长或喜好程度的权重系数，例如，多媒体服务类应用，访问流量信息可以反映用户是否经常使用该应用；即时通信业务，例如微信，访问时长可以反映用户是否经常使用该应用；假设所有访问信息的权重值累加为1，则设置能反映用户对应用的使用频率、时长或喜好程度的反映信息较高的权重，例如微信，设置访问时长信息得分权重0.45、访问次数信息得分权重0.35、访问流量信息得分权重0.2。

步骤102、对所有用户访问的所有应用的兴趣得分进行分析，获得用户所属分类和所属分类内各用户之间的相似度，基于用户之间的相似度进行应用推荐。

本步骤中，对所有用户访问的所有应用的兴趣得分进行分析，获得用户所属分类和所属分类内各用户之间的相似度具体包括：

对所有用户访问的所有应用的兴趣得分进行K-means聚类分析，将所有用户聚类为若干个用户所属分类的聚类簇，并根据聚类结果分析获得各分类聚类簇内用户之间的相似度。

需要说明的是，K-means聚类分析是常用的聚类分析算法，通过K-means聚类算法可以将具有类似特征的对象聚类成若干簇(类)。K-means算法基于质心技术，以K为输入参数，把N个对象分为K个簇，以使类内具有较高的相似度，而簇间的相似度较低，簇的相似度根据簇中的平均值度量，该均值可以看作簇的质心。

对所有用户访问的所有应用的兴趣得分进行K-means聚类分析的处理过程如下：假设有六个用户，包括用户A、用户B、用户C、用户D、用户E和用户F，且只进行了微信、淘宝两个应用的兴趣得分统计，

用户A:(8,0)(表示用户A对于微信的兴趣得分为8，但是没有用过淘宝。)、B:(6,1)、C:(9,4)、D:(0,5)、E:(1,7)、F:(2,4)。在进行K-means聚类时，(8,0)作为A用户的特征值，(6,1)作为B用户的特征值，(9,4)作为C用户的特征值，(0,5)作为D用户的特征值，(1,7)作为E用户的特征值，(2,4)作为F用户的特征值；假设将用户聚类成2类，即设置K＝2，根据K-means聚类方法，首先随机选择2个用户的兴趣得分作为聚类的初始特征值，由于以上只有两个应用，因此，以微信兴趣得分为X轴，淘宝兴趣得分为Y轴，特征空间是一个二维空间；当应用增加时，特征空间应该是个多维空间。图2为本发明根据用户兴趣得分进行聚类的结果示意图，如图2所示，根据k-means聚类算法，根据对用户的兴趣得分进行聚类后，用户ABC被聚类为同一分类，图示中通过小圆形标识属于这一类的用户，ABC形成的聚类簇通过a表示(表示比较喜欢微信应用的一类用户)，DEF被聚类为另一分类，图示中通过小方框标识属于这一类的用户(表示比较喜欢淘宝应用的一类用户)。

使用k-means聚类算法将用户聚成K类(可以取一般应用数远远不止2种，K的取值可以根据实际情况调整)，用户间的相似度和相异性是通过两个用户间的距离来计算的，距离采用欧式距离方法进行计算。

假设用户A属于簇a，那么A与簇中用户B的相似性为:

$\mathrm{similarity}(A,B)=\frac{\underset{z\∈a}{\min }d(A,Z)}{d(A,B)}$

其中，d()用于用户之间的欧式距离；Z为聚类簇的质心。

本步骤中，基于用户之间的相似度进行应用推荐具体包括：

获取各用户所属分类相应的用户所访问的所有应用；

对需要进行应用推荐的用户，确定出用户所属分类相应的用户所访问的所有应用中用户未访问的应用；

对所述用户未访问的各应用，将需要进行应用推荐的用户与访问该应用的各用户的相似度分别乘以各用户访问该应用的兴趣得分，将相乘结果累加后，除以进行应用推荐的用户与访问该应用的各用户的相似度的累加和，获得相应的推荐系数，

根据应用推荐的数量设置推荐阈值，向需要进行应用推荐的用户推荐推荐系数大于推荐阈值的应用。

假设A用户没有使用过淘宝，根据聚类结果，可以根据与用户A聚类在同一个簇中的，与用户A相似用户对淘宝的兴趣得分，判断向用户A推荐淘宝的可行性，即通过推荐系数的大小进行判断。当需要对用户推荐较大数量的应用时，推荐阈值可以设置为较小的参数，反之，设置较大的参数阈值，可以提供给用户其较感兴趣的应用。

本发明通过对访问信息进行分析，获得用户对应用的兴趣得分，通过用户对所访问的应用的兴趣得分，分析获得用户之间的相似度，通过兴趣得分和用户之间的相似度，实现应用的推荐，避免了应用推荐中的人为干预，实现了为用户推荐感兴趣应用的目的。

图3为本发明实现应用推荐的装置的结构框图，如图3所示，包括：获取统计单元、得分计算单元及应用推荐单元；其中，

获取统计单元，用于获取预设时长内所有用户的上网记录，统计各用户访问应用的访问信息；

得分计算单元，用于针对各应用，将所有用户的访问信息进行排序，基于预先设置的排序的得分规则计算各用户访问该应用的兴趣得分；

得分计算单元具体用于，

针对各应用，将所有用户的各种访问信息分别进行排序，基于预先设置的排序的得分规则对各排序的访问信息进行打分，将各用户访问该应用的所有访问信息的得分进行累加计算，获得各用户访问该应用的兴趣得分；

访问信息为：访问时长信息、和/或访问流量信息、和/或访问次数信息。

得分计算单元还用于，当访问信息包含两种或两种以上信息时，在将各用户访问该应用的所有访问信息的得分进行累加之前，将各访问信息的得分乘以相应的预先设置的得分权重，获得与得分权重相乘的结果后进行累加，计算获得各用户访问该应用的应用兴趣得分。

应用推荐单元，用于对所有用户访问的所有应用的兴趣得分进行分析，获得用户所属分类和所属分类内各用户之间的相似度，基于用户之间的相似度进行应用推荐。

应用推荐单元具体用于，

对所有用户访问的所有应用的兴趣得分进行K-means聚类分析，将所有用户聚类为若干个用户所属分类的聚类簇，并根据聚类结果分析获得各分类聚类簇内用户之间的相似度；

基于用户之间的相似度进行应用推荐。

应用推荐单元具体用于，

对所有用户访问的所有应用的兴趣得分进行分析，获得用户所属分类和所属分类内各用户之间的相似度，

获取各用户所属分类相应的用户所访问的所有应用；

对需要进行应用推荐的用户，确定出用户所属分类相应的用户所访问的所有应用中用户未访问的应用；

对所述用户未访问的各应用，将需要进行应用推荐的用户与访问该应用的各用户的相似度分别乘以各用户访问该应用的兴趣得分，将相乘结果累加后，除以进行应用推荐的用户与访问该应用的各用户的相似度的累加和，获得相应的推荐系数，

根据应用推荐的数量设置推荐阈值，向需要进行应用推荐的用户推荐推荐系数大于推荐阈值的应用。

虽然本申请所揭露的实施方式如上，但所述的内容仅为便于理解本申请而采用的实施方式，并非用以限定本申请，如本发明实施方式中的具体的实现方法。任何本申请所属领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种实现应用推荐的方法，其特征在于，包括：

获取预设时长内所有用户的上网记录，统计各用户访问应用的访问信息；

针对各应用，将所有用户的访问信息进行排序，基于预先设置的排序的得分规则计算各用户访问该应用的兴趣得分；

对所有用户访问的所有应用的兴趣得分进行分析，获得用户所属分类和所属分类内各用户之间的相似度，基于用户之间的相似度进行应用推荐。

2.根据权利要求1所述的方法，其特征在于，所述访问信息为：访问时长信息、和/或访问流量信息、和/或访问次数信息；

所述针对各应用，将所有用户的访问信息进行排序，基于排序的得分规则计算各用户访问该应用的兴趣得分具体包括：

针对各应用，将所有用户的各种访问信息分别进行排序，基于预先设置的排序的得分规则对各排序的访问信息进行打分，将各用户访问该应用的所有访问信息的得分进行累加计算，获得各用户访问该应用的兴趣得分。

3.根据权利要求2所述的方法，其特征在于，当访问信息包含两种或两种以上信息时，该方法还包括：在将各用户访问该应用的所有访问信息的得分进行累加之前，将各访问信息的得分乘以相应的预先设置的得分权重，获得与得分权重相乘的结果后进行累加，计算获得各用户访问该应用的应用兴趣得分。

4.根据权利要求1～3任一项所述的方法，其特征在于，所述对所有用户访问的所有应用的兴趣得分进行分析，获得用户所属分类和所属分类内各用户之间的相似度具体包括：

对所有用户访问的所有应用的兴趣得分进行K-means聚类分析，将所有用户聚类为若干个用户所属分类的聚类簇，并根据聚类结果分析获得各分类聚类簇内用户之间的相似度。

5.根据权利1所述的方法，其特征在于，所述基于用户之间的相似度进行应用推荐具体包括：

获取各用户所属分类相应的用户所访问的所有应用；

对需要进行应用推荐的用户，确定出用户所属分类相应的用户所访问的所有应用中用户未访问的应用；

对所述用户未访问的各应用，将需要进行应用推荐的用户与访问该应用的各用户的相似度分别乘以各用户访问该应用的兴趣得分，将相乘结果累加后，除以进行应用推荐的用户与访问该应用的各用户的相似度的累加和，获得相应的推荐系数，

根据应用推荐的数量设置推荐阈值，向需要进行应用推荐的用户推荐推荐系数大于推荐阈值的应用。

6.一种实现应用推荐的装置，其特征在于，包括：获取统计单元、得分计算单元及应用推荐单元；其中，

获取统计单元，用于获取预设时长内所有用户的上网记录，统计各用户访问应用的访问信息；

得分计算单元，用于针对各应用，将所有用户的访问信息进行排序，基于预先设置的排序的得分规则计算各用户访问该应用的兴趣得分；

应用推荐单元，用于对所有用户访问的所有应用的兴趣得分进行分析，获得用户所属分类和所属分类内各用户之间的相似度，基于用户之间的相似度进行应用推荐。

7.根据权利要求6所述的装置，其特征在于，所述得分计算单元具体用于，

针对各应用，将所有用户的各种访问信息分别进行排序，基于预先设置的排序的得分规则对各排序的访问信息进行打分，将各用户访问该应用的所有访问信息的得分进行累加计算，获得各用户访问该应用的兴趣得分；

所述访问信息为：访问时长信息、和/或访问流量信息、和/或访问次数信息。

8.根据权利要求7所述的装置，其特征在于，所述得分计算单元还用于，当访问信息包含两种或两种以上信息时，在将各用户访问该应用的所有访问信息的得分进行累加之前，将各访问信息的得分乘以相应的预先设置的得分权重，获得与得分权重相乘的结果后进行累加，计算获得各用户访问该应用的应用兴趣得分。

9.根据权利要求6～8任一项所述的装置，其特征在于，所述应用推荐单元具体用于，

对所有用户访问的所有应用的兴趣得分进行K-means聚类分析，将所有用户聚类为若干个用户所属分类的聚类簇，并根据聚类结果分析获得各分类聚类簇内用户之间的相似度；

基于用户之间的相似度进行应用推荐。

10.根据权利6所述的方法，其特征在于，所述应用推荐单元具体用于，

对所有用户访问的所有应用的兴趣得分进行分析，获得用户所属分类和所属分类内各用户之间的相似度，

获取各用户所属分类相应的用户所访问的所有应用；

对需要进行应用推荐的用户，确定出用户所属分类相应的用户所访问的所有应用中用户未访问的应用；

对所述用户未访问的各应用，将需要进行应用推荐的用户与访问该应用的各用户的相似度分别乘以各用户访问该应用的兴趣得分，将相乘结果累加后，除以进行应用推荐的用户与访问该应用的各用户的相似度的累加和，获得相应的推荐系数，

根据应用推荐的数量设置推荐阈值，向需要进行应用推荐的用户推荐推荐系数大于推荐阈值的应用。