CN105426514A - 个性化的移动应用app推荐方法 - Google Patents

Abstract

本发明涉及个性化的移动应用APP推荐方法。本发明从应用市场获取用户及APP的信息，并对此进行预处理来，利用情感-方面-地区模型，输入预处理后的文档，分别得到用户对于APP的情感-方面-地区的潜在偏好，预测用户选择某个APP的概率值，处理后转换为APP索引文件和用户索引文件，利用协相关主题模型，得到User-App的推荐分数矩阵，将上述SAR模型得到的概率值与CTM模型得到的推荐分数线性结合，分配权值，达到最终的推荐值。本发明克服了只考虑单个元素的传统推荐方法存在的缺陷。本发明综合考虑评论里的方面、情感、种类及地区来发现用户的潜在偏好，更符合用户的实际需求，探索用户对APP各属性的偏好程度，更好地了解用户需求与APP特征，克服了冷启动问题。

Description

个性化的移动应用APP推荐方法

技术领域

本发明提出了一种移动应用推荐方法，特别涉及个性化的移动应用APP推荐方法。

背景技术

手机APP的发展给予了用户更多的便利，方便了用户的生活。但是，APP的不计其数和品种繁多也给用户造成了一些问题。研究发现仅仅通过浏览和简单的查询来寻找有用且用户偏好的APP变得相当困难，在某种程度上过量的信息意味着信息缺乏，因此就需要某种工具来迅速找到用户所需要的并且偏好的信息来辅助决策，防止用户迷失。于是，出现了许多APP推荐方法。

在本发明作出之前，传统的推荐方法如协同过滤技术(CF)致力于通过在用户群中找到与指定用户有相似兴趣的用户，综合这些相似用户对某一信息的评价，形成***对该指定用户对此信息的喜好程度预测来推荐APP。然而，随着个性化的商业应用延展到用户生活信息流的方方面面，个性化推荐技术也在日新月异不断发展，类似于协同过滤这样的早期技术已经不能满足新环境下的要求，例如在用户和商品愈见增多的情况下，***的性能会越来越低亦或是当用户对商品的评价非常稀疏时，这样基于用户的评价所得到的用户间的相似性可能不准确甚至导致商品不被推荐。除此以外，当前大多数技术只考虑单个元素，然而在用户对商品有更高需求的同时，对于APP推荐来说，除了功能，还应该考虑到其APP属性、种类、地理位置及用户情感的影响，比如在地理位置方面，诸如美团、大众点评、谷歌地图这样基于地理位置的软件，他们所涉及的区域大小会影响到是否该推荐这个APP。

发明内容

本发明的目的是克服上述缺陷，开发一种个性化的APP推荐方法。

本发明的技术方案是：

个性化的移动应用APP推荐方法，其特征在于步骤如下：

步骤1).数据收集：从应用市场获取用户及移动应用即APP的信息，包括功能描述及评论信息；

步骤2).对获取的原始APP数据进行预处理来避免出现冷启动问题；

步骤3).利用情感-方面-地区即SAR模型，将APP的评论信息作为输入文档，分别得到用户对于APP的情感、APP的方面以及APP的使用地区，由此得到用户对APP不同属性的潜在偏好并预测用户选择APP的概率值；

步骤4).对步骤2)得到的数据作进一步处理，分别转换为APP索引文件和用户索引文件；

步骤5).利用协相关主题即CTM模型，输入前述步骤4)的两份文件，得到User-App的推荐分数矩阵；

步骤6).将SAR模型与CTM模型分别得到的概率值与推荐分数线性结合，然后用Top-N在线推荐算法进行排序，将预测评分较高的APP推荐给相应的用户。

所述步骤1)中，在应用商店GooglePlay里，用户对他所使用过的APP的评级是公开可见的，一旦获得用户的ID就能看到用户所评论过的所有APP，由此通过爬数据工具将所有原始数据检索出来。

所述步骤2)中原始数据的预处理过程包括：

a)清除写少于2条评论的用户以及过滤用户后没有任何评论的APP；

b)托肯化：去除标点符号，去除数字；

c)去除停用词：去除英文停用词，包括介词、代词、冠词；

d)词干化：将每个单词转化为它的原型，过去时转化为原型，现在进行时转化为原型。

所述步骤3)中计算推荐概率的计算公式：

即表示用户u喜欢APPt并且给其评级的概率，其中，t，s₊，u，r，a，c_t分别代表APP，正面情感，用户，地区，APP的方面以及APP的种类。

所述步骤4)中的数据处理，其分为以下几个步骤：

a)对步骤2)中所获得的所有APP进行编号，依次为0，1，2，3，4，…，n，每一个编号对应其APP信息，即为步骤3)中SAR模型所过滤得到的信息；

b)对步骤2)中所获得的所有用户进行编号，依次为0，1，2，3，4，...，n，每一个编号对应其用户信息，即为步骤3)中SAR模型所过滤得到的信息；

c)将所收集的数据整理成一份用户索引输入文件，格式要求：一行为一个用户的信息，行首即为用户的编码+1，第二列为用户所评级过的APP数量，余下列为用户评级过的所有APP编号；

d)将所收集的数据整理成一份APP索引输入文件，格式要求：一行为一个APP的信息，行首即为APP的编码+1，第二列为给此APP进行评级的用户数量，余下列为所有给APP评级的用户编号；

e)将以上两份文件输入CTM模型，得到一个User-App推荐分数矩阵，推荐值为正则表示可推荐，值越大越值得推荐，反之，推荐值为负则表示此APP对该用户是没有推荐价值的，矩阵行为APP，列为用户。

7.根据权利要求1所述的APP多属性推荐方法，其特征在于步骤6)中将SAR模型得到的概率p(t，s₊|u)及GTM模型得到的推荐值r_ut的线性结合计算公式，如下：设定两个参数α，β，则合并推荐分数Score为：

Score＝αp(t，s₊|u)+βr_ut

其中，α，β是输入参数权重。

本发明的优点和效果在于综合考虑评论里的方面、情感、种类及地区达到个性化推荐的目的。主要有以下一些优点：

1.此推荐方法综合考虑评论里的方面、情感、种类及地区来发现用户的潜在偏好，更符合用户的实际需求。

2.此推荐方法能解决传统协同过滤技术即CF无法解决的冷启动问题。

3.传统推荐方法如CF不使用APP的内容，它是基于所选的APP有相似模式的用户而推荐的，而此推荐方法是同时基于内容和用户评级的，结果预测是基于内容还是用户评级取决于多少用户对APP进行评级。

4.此推荐方法是一种个性化推荐，所推荐的应用会考虑用户的兴趣、所处地区等。

5.此推荐方法提出了对APP属性的全新分类方法，将APP的属性划分得更详细，由此探索用户对APP各属性的偏好程度，更好地了解用户需求与APP特征。

附图说明

图1——本发明的总体流程示意图。

图2——本发明GoogleMaps的功能描述信息示意图。

图3——本发明用户Sarah对YellowPages的评论信息示意图。

图4——本发明用户Sarah对CommanderCompassLite的评论信息示意图。

图5——本发明预处理过后的GoogleMaps的功能描述信息示意图。

图6——本发明预处理过后的用户Sarah对YellowPages的评论信息示意图。

图7——本发明预处理过后的用户Sarah对CommanderCompassLite的评论信息示意图。

图8——本发明情感-方面-地区模型的初步输出结果示意图。

图9——本发明协相关模型的用户索引输入文件的格式要求示意图。

图10——本发明协相关模型的APP索引输入文件的格式要求示意图。

图11——本发明协相关模型User-App推荐分数矩阵的输出格式示意图。

具体实施方式

本发明的技术思路是：

本发明考虑结合方面、情感、种类以及地区对推荐技术的影响，对APP属性进行了比较详尽的分类，比如界面、地理位置、功能菜单、卸载量与激活量之比、设置，以此更加详细地了解用户对APP不同属性的要求及偏好，从而使推荐效果更好。还利用协相关主题模型这种个性化推荐，以保证这种推荐方法能够得到广泛应用。

本发明结合CTM模型和SAR模型对用户评论信息进行建模，以此发现用户的潜在偏好并进行详尽的推荐。

下面结合附图对本发明的技术方案进行详细说明：

步骤1).

数据收集：在应用商店如GooglePlay里，用户对他所使用过的APP的评级是公开可见的，一旦获得用户的ID就能看到用户所评论过的所有APP。由此可以通过爬数据工具将所有原始数据如用户评论及功能描述检索出来。举例如下：假设用户Sarah想要找一款导航APP，在此之前用户使用过YellowPages与CommanderCompassLite两款导航APP，图2为GoogleMaps的功能描述信息，此APP是用户Sarah未使用过的，图3为Sarah对YellowPages的用户评论信息，图4为Sarah对CommanderCompassLite的用户评论信息。

步骤2).

对获取的原始APP数据进行预处理来避免出现冷启动问题。首先，清除写少于2条评论的用户以及过滤用户后没有任何评论的APP。其次，进行托肯化即tokenization，分别去除标点符号如“”、“？”以及去除数字如“1”、“23”。然后去除停用词即stopping，比如介词“for”，“to”；代词“it”，“he”；冠词“a”，“an”“the”。最后词干化即stemming，将每个单词转化为它的原型，比如“fixed”为过去时，转化为原型“fix”；“moving”为现在进行时，转化为原型“move”。词干化时选用的算法为Porterstemmingalgorithm。三步操作之后，产生去除噪声的预处理后的文档。处理后结果如图5/6/7所示。

步骤3).

利用SAR模型，将APP的功能描述及用户评论信息作为输入文档，分别得到如下信息：

A)GoogleMaps的功能关键词：nayigate，fast，easy，comprehensive，accurate，voice-guided，report，reroute，detailed以及不足之处：not-all-regions，battery-loss

补充说明：较长短语需转化为合成词。

B)该用户对于已使用过的YellowPages的a)情感即sentiment词汇：best，love；b)方面即aspect词汇：navigation，price(free)，view；c)使用地区即region：not-all-regions以及该用户对于CommanderCompassLite的a)sentiment词汇：well，great；b)aspect词汇：accurate，tech，price，display即view。

如图8所示，由上得到用户对APP导航(navigation)、免费(free)以及视图(view)等方面的的潜在偏好及地理位置影响，最后根据公式得到用户选择APP的预测概率值p(t，s₊|u)为5.91267063568302。

步骤4).

对步骤2)得到的数据作进一步整理，分别转换为APP索引文件和用户索引文件。首先，对所获得的所有APP进行编号，依次为0，1，2，3，4，...，n，每一个编号对应其APP信息，即为步骤3)中SAR模型所过滤得到的信息，用户编号同上。整理得GoogleMaps的编号为3，用户编号为6。其次，如图9所示，将所收集的数据整理成一份用户索引输入文件，一行为一个用户的信息，行首即为用户的编码+1，第二列为用户所评级过的APP数量，余下列为用户评级过的所有APP编号。除此以外，如图10所示，将所收集的数据整理成一份APP索引输入文件，一行为一个APP的信息，行首即为APP的编码+1，第二列为给此APP进行评级的用户数量，余下列为所有给APP评级的用户编号。

步骤5).

如图11所示，将以上两份整理得到的文件输入CTM模型，得到一个User-App推荐分数矩阵，推荐值为正则表示可推荐，值越大越值得推荐，反之，推荐值为负则表示该APP对该用户是没有推荐价值的，该矩阵行为APP，列为用户，由图得APP3对用户6的推荐值为5.14723419271134。

步骤6).

将SAR模型与CTM模型分别得到的概率值p(t，s₊|u)与推荐分数r_ut线性结合，如下：设定两个输入参数权重α，β，其权值可根据用户的自身偏好自行分配，比如，如果用户更偏好SAR模型的推荐结果，则可将α，β分别赋值为60％，40％，由此得GoogleMaps对用户6的合并推荐分数Score为3.477934629648461，除此以外，还有其他导航类APP对用户6的推荐分数，再用Top-N在线推荐算法进行排序，将预测评分较高的APP推荐给用户6，达到推荐的目的。

特别说明：

Top-N在线推荐算法是常用的一种直接向用户进行个性化信息推送的手段，它能够有效缩短计算的时间，从而提高计算效率。假设存在一个数组，上述得到的合并推荐分数为数组里的元素，Top-N在线推荐指的就是从已经存在的这个数组中，找出最大或最小的前n个元素。由于此推荐方法的目的是找到推荐分数较高的APP向用户进行推荐，因此此处的Top-N指的是找到最大的前n个元素，具体实现如下：

A)取出数组的前n个元素，创建长度为n的最小堆。

B)从n开始循环数组的剩余元素，如果元素a比最小堆的根节点大，将a设置成最小堆的根节点，并让堆保持最小堆的特性。

C)循环完成后，最小堆中的所有元素就是需要找的最大的n个元素，即为推荐分数最高的n个APP，由此排序进行有效的推荐。

Claims (6)

1.个性化的移动应用APP推荐方法，其特征在于步骤如下：

步骤1).数据收集：从应用市场获取用户及移动应用即APP的信息，包括功能描述及评论信息；

步骤2).对获取的原始APP数据进行预处理来避免出现冷启动问题；

步骤3).利用情感-方面-地区即SAR模型，将APP的评论信息作为输入文档，分别得到用户对于APP的情感、APP的方面以及APP的使用地区，由此得到用户对APP不同属性的潜在偏好并预测用户选择APP的概率值；

步骤4).对步骤2)得到的数据作进一步处理，分别转换为APP索引文件和用户索引文件；

步骤5).利用协相关主题即CTM模型，输入前述步骤4)的两份文件，得到User-App的推荐分数矩阵；

步骤6).将SAR模型与CTM模型分别得到的概率值与推荐分数线性结合，然后用Top-N在线推荐算法进行排序，将预测评分较高的APP推荐给相应的用户。

2.根据权利要求1所述的个性化的移动应用APP推荐方法，其特征在于步骤1)中，在应用商店GooglePlay里，用户对他所使用过的APP的评级是公开可见的，一旦获得用户的ID就能看到用户所评论过的所有APP，由此通过爬数据工具将所有原始数据检索出来。

3.根据权利要求1所述的个性化的移动应用APP推荐方法，其特征在于步骤2)中原始数据的预处理过程包括：

a)清除写少于2条评论的用户以及过滤用户后没有任何评论的APP；

b)托肯化：去除标点符号，去除数字；

c)去除停用词：去除英文停用词，包括介词、代词、冠词；

d)词干化：将每个单词转化为它的原型，过去时转化为原型，现在进行时转化为原型。

4.根据权利要求1所述的个性化的移动应用APP推荐方法，其特征在于步骤3)中计算推荐概率的计算公式：

$p(t,s_{+}|u)=\underset{r}{\Σ}p\left(r\right|u)p\left(c_t\right|u)p\left(t\right|r,c_t)\underset{a}{\Σ}p\left(a\right|u,c_t)p\left(s_{+}\right|a,t)$

即表示用户u喜欢APPt并且给其评级的概率，其中，t，s₊，u，r，a，c_t分别代表APP，正面情感，用户，地区，APP的方面以及APP的种类。

5.根据权利要求1所述的个性化的移动应用APP推荐方法，其特征在于步骤4)中的数据处理，其分为以下几个步骤：

a)对步骤2)中所获得的所有APP进行编号，依次为0，1，2，3，4，...，n，每一个编号对应其APP信息，即为步骤3)中SAR模型所过滤得到的信息；

b)对步骤2)中所获得的所有用户进行编号，依次为0，1，2，3，4，...，n，每一个编号对应其用户信息，即为步骤3)中SAR模型所过滤得到的信息；

c)将所收集的数据整理成一份用户索引输入文件，格式要求：一行为一个用户的信息，行首即为用户的编码+1，第二列为用户所评级过的APP数量，余下列为用户评级过的所有APP编号；

d)将所收集的数据整理成一份APP索引输入文件，格式要求：一行为一个APP的信息，行首即为APP的编码+1，第二列为给此APP进行评级的用户数量，余下列为所有给APP评级的用户编号；

e)将以上两份文件输入CTM模型，得到一个User-App推荐分数矩阵，推荐值为正则表示可推荐，值越大越值得推荐，反之，推荐值为负则表示此APP对该用户是没有推荐价值的，矩阵行为APP，列为用户。

6.根据权利要求1所述的个性化的移动应用APP推荐方法，其特征在于步骤6)中将SAR模型得到的概率p(t，s₊|u)及CTM模型得到的推荐值r_ut的线性结合计算公式，如下：设定两个参数α，β，则合并推荐分数Score为：

Score＝αp(t，s₊|u)+βr_ut

其中，α，β是输入参数权重。