CN107911491A - 信息推荐方法、装置及存储介质、服务器和移动终端 - Google Patents
信息推荐方法、装置及存储介质、服务器和移动终端 Download PDFInfo
- Publication number
- CN107911491A CN107911491A CN201711451195.1A CN201711451195A CN107911491A CN 107911491 A CN107911491 A CN 107911491A CN 201711451195 A CN201711451195 A CN 201711451195A CN 107911491 A CN107911491 A CN 107911491A
- Authority
- CN
- China
- Prior art keywords
- evaluation result
- application program
- default
- information
- prediction model
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种信息推荐方法、装置及存储介质、服务器和移动终端，所述方法包括：接收移动终端发送的用户在当前应用程序的当前类别内容下的操作信息；将所述操作信息及当前类别输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果，所述预设评价结果预测模型由当前应用程序下的历史操作记录基于机器学习方法训练生成，用于根据操作信息预测用户对当前类别内容的评价结果；根据所述输出结果向所述移动终端推送其他类别的推荐信息。本申请实施例提供的方案，提升了移动终端推荐信息的准确度和智能化。
Description
技术领域
本申请实施例涉及播放控制技术领域，尤其涉及一种信息推荐方法、装置及存储介质、服务器和移动终端。
背景技术
随着互联网通信技术的发展，各个应用程序的后台服务器可以向应用程序用户推荐有关的内容，例如在新闻应用下推荐娱乐新闻、体育新闻等，在天猫应用下推荐家电、服装、家居用品等。在相关技术中并没有合理的根据用户在应用程序下的操作习惯合理的推荐相关信息，需要改进。
发明内容
本申请实施例提供一种信息推荐方法、装置及存储介质、服务器和移动终端，可以合理向移动终端推送符合用户需求的推荐信息。
在第一方面，本申请实施例提供了一种信息推荐方法，包括：
接收移动终端发送的用户在当前应用程序的当前类别内容下的操作信息；
将所述操作信息及当前类别输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果，所述预设评价结果预测模型由当前应用程序下的历史操作记录基于机器学习方法训练生成，用于根据操作信息预测用户对当前类别内容的评价结果；
根据所述输出结果向所述移动终端推送其他类别的推荐信息。
在第二方面，本申请实施例提供了另一种信息推荐方法，包括：
获取用户在当前应用程序的当前类别内容下的操作信息；
将所述操作信息输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果，所述预设评价结果预测模型由当前应用程序下的历史操作记录基于机器学习方法训练生成，用于根据操作信息预测用户对当前类别内容的评价结果；
根据所述输出结果确定其他类别的推荐信息；
从预设服务器中获取所述其他类别的推荐信息并展示给用户。
在第三方面，本申请实施例提供了一种信息推荐装置，设置在服务器中，包括：
第一操作信息获取模块，用于接收移动终端发送的用户在当前应用程序的当前类别内容下的操作信息；
第一评价结果预测模块，用于将所述操作信息及当前类别输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果，所述预设评价结果预测模型由当前应用程序下的历史操作记录基于机器学习方法训练生成，用于根据操作信息预测用户对当前类别内容的评价结果；
信息推送模块，用于根据所述输出结果向用户推送其他类别的推荐信息。
在第四方面，本申请实施例提供了另一种信息推荐装置，设置在移动终端中，包括：
第二操作信息获取模块，用于获取用户在当前应用程序的当前类别内容下的操作信息；
第二评价结果预测模块，用于将所述操作信息输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果，所述预设评价结果预测模型由当前应用程序下的历史操作记录基于机器学习方法训练生成，用于根据操作信息预测用户对当前类别内容的评价结果；
推荐信息确定模块，用于根据所述输出结果确定其他类别的推荐信息；
推荐信息展示模块，用于从预设服务器中获取所述其他类别的推荐信息并展示给用户。
在第五方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所提供的信息推荐方法。
在第六方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第二方面所提供的信息推荐方法。
在第七方面，本申请实施例提供了一种服务器，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现如第一方面所提供的信息推荐方法。
在第八方面，本申请实施例提供了一种移动终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现如第二方面所提供的信息推荐方法。
本申请实施例通过获取用户在当前应用程序的当前类别内容下的操作信息，将该操作信息和当前类别输入至所述当前应用程序对应的预设评估结果预测模型中，得到输出的预测结果，若预测结果为不喜欢，则向用户所在终端推送其他类别的推荐信息，实现了基于用户对当前类别内容的操作信息，分析出用户对当前类别内容的评价结果，向用户推荐其他类别内容信息，更贴合用户的实际体验需求。采用上述技术方案，解决了现有技术中未根据用户的操作信息合理推荐相应类别内容的技术问题，提升了移动终端推荐信息的准确度和智能化。
附图说明
图1是本申请实施例提供的一种信息推荐方法的流程图；
图2是本申请实施例提供的另一种信息推荐方法的流程图；
图3是本申请实施例提供的一种信息推荐装置的结构示意图；
图4是本申请实施例提供的另一种信息推荐装置的结构示意图；
图5是本申请实施例提供的一种服务器的结构示意图；
图6是本申请实施例提供的一种移动终端的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。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方法。虽然流程图将各项操作(或步骤)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，各项操作的顺序可以被重新安排。当其操作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。
图1给出了本申请实施例提供的一种信息推荐方法的流程图，本实施例的方法可以由信息推荐装置来执行，该装置可通过硬件和/或软件的方式实现，所述装置可作为服务器的一部分设置在所述服务器的内部。
如图1所示，本实施例提供的信息推荐方法包括以下步骤：
步骤101、接收移动终端发送的用户在当前应用程序的当前类别内容下的操作信息。
所述当前应用程序为移动终端终端用户正在操作的前台应用程序。所述当前应用程序可以为移动终端用户新安装的应用程序。所述当前类别为当前应用程序下用户正在操作的类别。其中，一个应用程序可以包括一个或者多个类别内容。示例性的，一个小说应用下可以包括长篇小说类别和短篇小说类别，或者言情、科幻、悬疑、恐怖几个类别；一个游戏应用可以为冒险类或者角色扮演类或者动作类或者射击类等。
具体可以为用户在设定周期内在当前应用程序的当前类别内容下的操作信息，所述设定周期可以为一天或者一周等。
可选的，操作信息包括付费金额、操作持续时间、操作间隔时间、***时间、网络标识、操作频率和操作表情中的至少一项。
可选的，在接收移动终端发送的用户在当前应用程序的当前类别内容下的操作信息之后还包括：根据预设第一编号规则匹配所述操作持续时间的持续时间编号；根据预设第二编号规则匹配所述操作间隔时间的间隔时间编号；根据预设第三编号规则匹配所述网络标识的网络编号；根据预设第四编号规则匹配所述操作表情的表情编号；根据预设第五编号规则匹配所述当前类别的类别编号；根据所述***时间所属的时间段确定***时间编号，其中，对自然日内预设时间区间进行均分得到所述时间段，所述时间段与***时间编号关联存储。
步骤102、将所述操作信息及当前类别输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果。所述预设评价结果预测模型由当前应用程序下的历史操作记录基于机器学习方法训练生成，用于根据操作信息预测用户对当前类别内容的评价结果。
其中，评价结果可以包括喜欢和不喜欢。
所述预设评价结果预测模型为根据所述当前应用程序下的历史操作记录基于机器学习方法训练生成的。所述评价结果预测模型的训练及生成过程可以在服务器中进行，也可以在移动终端上进行，当评价结果预测模型在服务器中训练生成完毕或者更新完毕后，可以直接发送到移动终端进行存储，或在预设服务器进行存储，等待移动终端主动获取。在本实施例中预设评价结果预测模型在服务中训练生成。
在本申请实施例中，对当前应用程序的历史操作记录训练样本的来源和数量不做具体限定。例如，训练样本可以是服务器获取的使用该应用程序的移动终端用户在使用过程中的历史操作记录。其中，历史操作记录中包括用户的操作信息和评价结果。
在本申请实施例中为每个应用程序或者同类型应用程序建立各自对应的评价结果预测模型，这样设置的原因是：应用程序操作信息中的各个属性特征并不同，有针对性的对每个应用程序或者同类型应用程序建立各自对应的评价结果预测模型，可以使建立的评价结果预测模型准确度更高。
其中，所述机器学习方法包括神经网络方法、支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法、K-均值聚类方法、和随机森林方法。
可选的，将所述操作信息及当前类别输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果包括：将所述付费金额、持续时间编号、间隔时间编号、***时间编号、网络编号、操作频率、表情编号和类别编号输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果。
步骤103、根据所述输出结果向所述移动终端推送其他类别的推荐信息。
若输出结果为喜欢，则可以不做任何操作，或者向所述移动终端推荐该类别下的其他内容；若输出结果为不喜欢，则向所述移动终端推送其他类别的推荐信息。
其中，其他类别的推荐信息可以为与当前类别具有预设对应关系的类别，也可以为除了所述当前类别之外的任意类别，具体可以为当前应用程序下的其他类别，也可为其他应用程序下的其他类别。示例性的，当前应用程序为小说阅读应用程序，若当前类别为长篇类小说，则其他类别可以为短篇小说，示例性的，当前应用程序为游戏应用程序，若当前类别为冒险类，则其他类别可以为角色扮演类。所述向所述移动终端推送其他类别的推荐信息，具体可以在用户再次打开当前应用程序时向用户所在移动终端推送其他类别的推荐信息，或者在用户打开该应用程序的该类别内容时，向用推送其他类别的推荐信息。
在上述技术方案的基础上，本申请实施例提供的信息推荐方法还包括建立应用程序的预设评价结果预测模型的步骤，即本实施例提供的方法还包括：对所述当前应用程序下的历史操作记录基于机器学习方法进行训练，生成所述当前应用程序对应的预设评价结果预测模型。
在建立预设评价结果预测模型之前还包括获取应用程序下的历史操作记录的步骤。其中，历史操作记录可以包括操作信息和评价结果。服务器可以以数据表的形式存储上述历史操作记录，该数据表可存储于服务器数据库中。
在获取到历史操作记录之后，对历史操作记录进行数据预处理，具体可以将操作信息中的各个特征信息，以及操作信息对应的类别进行编号。可选的，所述操作信息包括付费金额、操作持续时间、操作间隔时间、***时间、网络标识、操作频率和操作表情。
根据预设第一编号规则匹配操作持续时间的持续时间编号。示例性的，以1个小时为单位对持续时间进行编号，小于1个小时的持续时间编号为0，在1个小时至2个小时之间的持续时间编号为1，在2个小时至3个小时之间的持续时间编号为2，……。其中，该持续时间可以为在设定周期内的总持续时间。
根据预设第二编号规则匹配操作间隔时间的间隔时间编号。示例性的，小于1个小时的间隔时间编号为0，在1个小时至2个小时之间的持续时间编号为1，在2个小时至3个小时之间的持续时间编号为2，……。其中，该间隔时间可以为设定周期内的各个间隔时间的加权值总和，其中，间隔时间较长的间隔时间的权值较大。
根据预设第三编号规则匹配网络标识(可以是SSID，Service Set Identifier，服务集标识，表示WIFI名称)的网络编号。可以为各个SSID赋予不重叠的数字。可以理解的是网络标号u∈[0，1，2…]，最大网络编号取决于在该应用程序运行过程中总共接入过的多少个不同的WIFI。
根据第四编号规则匹配操作表情的表情编号。在该应用程序的运行过程中可以开启摄像头采集用户表情图像，对图像进行分析得到用户表情，该表情可以包括开心、正常、皱眉、烦躁等。其中，具体可以通过将用户表情图像输入预先建立的人脸状态理解模型，得到用户表情，所述人脸状态理解模型由设定数量的图片样本训练得到。若在设定周期内该应用程序在不同时间被多次运行，可以采集多次运行过程中用户表情图像，对分析得到的多个表情中出现次数最多的表情作为该设定周期内的操作表情。示例性的，可以将开心、正常、皱眉、烦躁分别编号为0，1，2，3，表情编号的最大编号取决于操作表情的分类数量。
根据第五编号规则匹配应用程序中类别的类别编号。示例性的，小说应用程序下包括言情、科幻、悬疑、恐怖几个类别，可以将言情、科幻、悬疑、恐怖分别编号为0，1，2，3，类别编号的最大编号取决于类别的分类数量。
对评价结果进行编号，示例性的，将评价结果喜欢编号为0，将评价结果为不喜欢编号为1。
预先将自然日内24小时均分为若干个时间段。例如，若以1小时为时间间隔，则一个自然日24小时具有24个时间段，为时间段进行顺序编号，访问时间对应的***时间编号t∈[0，1，2，3…23]，即为凌晨0点至凌晨1点之间操作该应用程序赋予***时间编号0，为凌晨1点至凌晨2点之间操作该应用程序赋予***时间编号1，……为23点至24点之间操作该应用程序赋予***时间编号23。从而，根据操作该应用程序所属的时间段确定***时间编号。可以理解的是，由于用户不可能24小时均使用移动终端，也可以根据用户的使用习惯，对用户使用移动终端的时间区间进行划分。例如，用户在凌晨12点至早晨6点之间处于睡眠状态，不会使用移动终端，则可以对刨除这一休息时间区间之外的时间区间进行划分，得到时间段。
由付费金额、持续时间编号、间隔时间编号、***时间编号、网络编号、操作频率、表情编号以及类别编号构成操作信息集合，以评价结果编号构成预测结果集合，由操作信息集合及预期结果集合构成样本集合，采用监督式学习方式或者无监督学习方式，通过对样本集合进行训练，构成评价结果预测模型。
在上述技术方案的基础上，所述机器学习方法可以为监督式学习方法，例如神经网络方法。神经网络(Neural Networks，简写为NNs)***指的是人工神经网络，启发自人类大脑处理信息的生物神经网络，它包括输入层、隐藏层和输出层，相应的包括三种节点(神经网络的基本单元)：输入节点、隐藏节点和输出节点，输入节点从外部世界获取信息；隐藏节点和外部世界没有直接联系，这些节点利用激活函数进行计算，并将信息从输入节点传递到输出节点；输出节点用于向外部世界传递信息。
可选的，对所述当前应用程序下的历史操作记录基于机器学习方法进行训练，生成所述当前应用程序对应的预设评价结果预测模型包括：获取所述当前应用程序下的历史操作记录，作为训练样本；将所述历史操作记录中的操作信息输入至所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出预测评价结果；利用所述预测评价结果与所述历史操作记录中的实际评价结果之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直至所述预测评价结果与所述实际评价结果之间的差值在预设误差范围内，得到训练完成的各个节点的激活函数，生成预设评价结果预测模型。
其中，所述激活函数是指为神经网络***提供非线性建模能力，一般而言是非线性函数。激活函数可以包括relu函数、sigmoid函数、tanh函数或者maxout函数。
sigmoid是常用的非线性的激活函数，它的数学形式如下：它的输出为0-1之间的值。tanh跟sigmoid还是很像的，实际上，tanh是sigmoid的变形：tanh(x)＝2sigmoid(2x)-1，与sigmoid不同的是，tanh是0均值的。近年来，relu变的越来越受欢迎。它的数学表达式如下：f(x)＝max(0，x)，其中，输入信号<0时，输出都是0，输入信号>0的情况下，输出等于输入。maxout函数的表达式如下：fi(x)＝max j∈[1,k]Zij。假设输入节点包括x1和x2，对应的权重分别为w1和w2，还包括权重b，那么输出节点Y＝f(w1*x1+w2*x2+b)，其中f为激活函数。另外，输入层和输出层的个数通常均为一个，隐藏层可以由多层构成。
所述优化算法包括随机梯度下降(Stochastic Gradient Descent，SGD)算法、适应性矩估计(adaptive moment estimation，adam)算法或者Momentum算法。
在上述技术方案的基础上，所述机器学习方法可以为无监督学习方式，例如K-均值聚类方法。所谓聚类问题，就是给定一个元素集合D，其中每个元素具有n个可观察属性，使用某种算法将D划分成k个子集，要求每个子集内部的元素之间相异度尽可能低，而不同子集的元素相异度尽可能高。其中每个子集叫做一个簇。假设X＝{x1,x2,x3,…,xn},Y＝{y1,y2,y3,…,yn}，是D中的两个元素项，各自具有n个可度量特征属性，那么X和Y的相异度定义为：d＝(X,Y)＝f(X,Y)->R，其中R为实数域，其中d可以为元素之间的欧几里得距离：也可以为曼哈顿距离或者闵可夫斯基距离，例如X＝{2,1,102}和Y＝{1,3,2}的相异度也就是说相异度是两个元素对实数域的一个映射，所映射的实数定量表示两个元素的相异度。在本实施例中集合D即历史操作记录样本，该历史操作记录样本中包含多个历史操作记录元素，每个历史操作记录元素具有付费金额、操作持续时间、操作间隔时间、***时间、网络标识、操作频率、操作表情和类别内容特征属性。
可选的，对所述当前应用程序下的历史操作记录基于机器学习方法进行训练，生成所述当前应用程序对应的预设评价结果预测模型包括：
获取所述当前应用程序下的历史操作记录，作为训练样本；从所述历史操作记录中按照预设方式选取2个元素作为两个初始类簇的中心；分别计算历史操作记录中剩余元素到所述两个初始类簇的中心的相异度，根据计算结果，将所述剩余元素分别划归到相异度最低的初始类簇中；根据聚类结果，重新计算两个类初始类簇各自的中心；将历史操作记录的全部元素按照新的中心重新聚类，直至聚类结果不再变化，得到预设评价结果预测模型，所述预设评价结果预测模型用于预测操作信息的评价结果类别。其中，所述从所述历史操作记录中按照预设方式选取2个元素作为两个初始类簇的中心具体可以为从历史操作记录中随机选取2个元素作为两个初始类簇的中心，或者从历史操作记录中选取2个相异度最大元素作为两个初始类簇的中心。
其中，在采用上述内容介绍的编号规则对各个特征属性进行编号之后，还可以包括对各个编号进行规格化的操作。具体可采用下述公式对特征属性编号进行规格化：
其中，其中max(ai)和min(ai)表示所有元素项中第i个属性的最大值和最小值。例如，将X＝{2,1,102}和Y＝{1,3,2}的元素规格化到[0，1]区间后，就变成了X’＝{1,0,1}，Y’＝{0,1,0}，重新计算欧氏距离约为1.732。
本实施例提供的信息推荐方法，服务器通过获取用户在当前应用程序的当前类别内容下的操作信息，将该操作信息和当前类别输入至所述当前应用程序对应的预设评估结果预测模型中，得到输出的预测结果，若预测结果为不喜欢，则向用户所在终端推送其他类别的推荐信息，实现了基于用户对当前类别内容的操作信息，分析出用户对当前类别内容的评价结果，向用户推荐其他类别内容信息，更贴合用户的实际体验需求。采用上述技术方案，解决了现有技术中未根据用户的操作信息合理推荐相应类别内容的技术问题，提高了用户对当前应用程序的粘合度，提升了移动终端推荐信息的准确度和智能化。
图2给出了本申请实施例提供的另一种信息推荐方法的流程图。如图2所示，本实施例提供的方法包括以下步骤：
步骤201、获取用户在当前应用程序的当前类别内容下的操作信息。
该步骤具体可以为获取设定周期内用户在当前应用程序的当前类别内容下的操作信息。其中，所述设定周期可以为一天或者一周等，具体可根据用户需求进行设定。
所述操作信息包括付费金额、操作持续时间、操作间隔时间、***时间、网络标识、操作频率和操作表情中的至少一项。可选的，所述操作信息包括付费金额、操作持续时间、操作间隔时间、***时间、网络标识、操作频率和操作表情。
可选的，在获取用户在当前应用程序的当前类别内容下的操作信息之后还包括：根据预设第一编号规则匹配所述操作持续时间的持续时间编号；根据预设第二编号规则匹配所述操作间隔时间的间隔时间编号；根据预设第三编号规则匹配所述网络标识的网络编号；根据预设第四编号规则匹配所述操作表情的表情编号；根据预设第五编号规则匹配所述当前类别的类别编号；根据所述***时间所属的时间段确定***时间编号，其中，对自然日内预设时间区间进行均分得到所述时间段，所述时间段与***时间编号关联存储。
步骤202、将所述操作信息输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果，所述预设评价结果预测模型由当前应用程序下的历史操作记录基于机器学习方法训练生成，用于根据操作信息预测用户对当前类别内容的评价结果。
可选的，所述将所述操作信息及当前类别输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果包括：将所述付费金额、持续时间编号、间隔时间编号、***时间编号、网络编号、操作频率、表情编号和类别编号输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果。
在本实施例中还包括获取预设评价结果预测模型的步骤。可选的，预设评价结果模型可以在移动终端本地由当前应用程序下的历史操作记录基于机器学习方法训练生成，也可以是在服务器中当前应用程序下的历史操作记录基于机器学习方法训练生成再移植到移动终端中，本实施例对此并不进行限制。可选的，所述机器学习方法包括神经网络方法、支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法、K-均值聚类方法、和随机森林方法。
若是在移动终端本地采用神经网络方法建立预设评价结果预测模型，则本实施例提供的信息推荐方法还可以包括以下步骤：获取所述当前应用程序下的历史操作记录，作为训练样本；将所述历史操作记录中的操作信息输入至所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出预测评价结果；利用所述预测评价结果与所述历史操作记录中的实际评价结果之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直至所述预测评价结果与所述实际评价结果之间的差值在预设误差范围内，得到训练完成的各个节点的激活函数，生成预设评价结果预测模型。
若是在移动终端本地采用K-均值聚类方法建立预设评价结果预测模型，则本实施例提供信息推荐方法还可以包括以下步骤：获取所述当前应用程序下的历史操作记录，作为训练样本；从所述历史操作记录中按照预设方式选取2个元素作为两个初始类簇的中心；分别计算历史操作记录中剩余元素到所述两个初始类簇的中心的相异度，根据计算结果，将所述剩余元素分别划归到相异度最低的初始类簇中；根据聚类结果，重新计算两个类初始类簇各自的中心；将历史操作记录的全部元素按照新的中心重新聚类，直至聚类结果不再变化，得到预设评价结果预测模型，所述预设评价结果预测模型用于预测操作信息的评价结果类别。
步骤203、根据所述输出结果确定其他类别的推荐信息。
步骤204、从预设服务器中获取所述其他类别的推荐信息并展示给用户。
本实施例提供信息推荐方法，移动终端通过获取用户在当前应用程序的当前类别内容下的操作信息，将所述操作信息输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果，根据所述输出结果确定其他类别的推荐信息，从预设服务器中获取所述其他类别的推荐信息并展示给用户，实现了基于用户对当前类别内容的操作信息，分析出用户对当前类别内容的评价结果，向用户推荐其他类别内容信息，更贴合用户的实际体验需求，采用上述技术方案，解决了现有技术中未根据用户的操作信息合理推荐相应类别内容的技术问题，提高了用户对当前应用程序的粘合度，提升了移动终端推荐信息的准确度和智能化。
图3为本申请实施例提供的一种信息推荐装置的结构示意图，该装置可由软件和/或硬件实现，集成在服务器中。如图3所示，该装置包括第一操作信息获取模块31、第一评价结果预测模块32和信息推送模块33。
所述第一操作信息获取模块31，用于接收移动终端发送的用户在当前应用程序的当前类别内容下的操作信息；
所述第一评价结果预测模块32，用于将所述操作信息及当前类别输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果，所述预设评价结果预测模型由当前应用程序下的历史操作记录基于机器学习方法训练生成，用于根据操作信息预测用户对当前类别内容的评价结果；
所述信息推送模块33，用于根据所述输出结果向用户推送其他类别的推荐信息。
本实施例提供的装置，实现了基于用户对当前类别内容的操作信息，分析出用户对当前类别内容的评价结果，向用户推荐其他类别内容信息，更贴合用户的实际体验需求，解决了现有技术中未根据用户的操作信息合理推荐相应类别内容的技术问题，提高了用户对当前应用程序的粘合度，提升了移动终端推荐信息的准确度和智能化。
可选的，所述操作信息包括付费金额、操作持续时间、操作间隔时间、***时间、网络标识、操作频率和操作表情中的至少一项。
可选的，所述装置还包括预设评价结果预测模型生成模块，具体用于：
对所述当前应用程序下的历史操作记录基于机器学习方法进行训练，生成所述当前应用程序对应的预设评价结果预测模型，所述机器学习方法包括神经网络方法、支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法、K-均值聚类方法、和随机森林方法。
可选的，所述机器学习方法包括神经网络方法，所述神经网络方法包括输入层、隐藏层和输出层，所述预设评价结果预测模型生成模块具体用于：
获取所述当前应用程序下的历史操作记录，作为训练样本；
将所述历史操作记录中的操作信息输入至所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出预测评价结果；
利用所述预测评价结果与所述历史操作记录中的实际评价结果之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直至所述预测评价结果与所述实际评价结果之间的差值在预设误差范围内，得到训练完成的各个节点的激活函数，生成预设评价结果预测模型。
可选的，所述操作信息包括付费金额、操作持续时间、操作间隔时间、***时间、网络标识、操作频率和操作表情，所述装置还包括编号模块，用于：
在接收移动终端发送的用户在当前应用程序的当前类别内容下的操作信息之后，根据预设第一编号规则匹配所述操作持续时间的持续时间编号；
根据预设第二编号规则匹配所述操作间隔时间的间隔时间编号；
根据预设第三编号规则匹配所述网络标识的网络编号；
根据预设第四编号规则匹配所述操作表情的表情编号；
根据预设第五编号规则匹配所述当前类别的类别编号；
根据所述***时间所属的时间段确定***时间编号，其中，对自然日内预设时间区间进行均分得到所述时间段，所述时间段与***时间编号关联存储；
所述第一评价结果预测模块具体用于：将所述付费金额、持续时间编号、间隔时间编号、***时间编号、网络编号、操作频率、表情编号和类别编号输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果。
可选的，所述机器学习方法包括K-均值聚类方法，所述预设评价结果预测模型生成模块具体用于：
获取所述当前应用程序下的历史操作记录，作为训练样本；
从所述历史操作记录中按照预设方式选取2个元素作为两个初始类簇的中心；
分别计算历史操作记录中剩余元素到所述两个初始类簇的中心的相异度，根据计算结果，将所述剩余元素分别划归到相异度最低的初始类簇中；
根据聚类结果，重新计算两个类初始类簇各自的中心；
将历史操作记录的全部元素按照新的中心重新聚类，直至聚类结果不再变化，得到预设评价结果预测模型，所述预设评价结果预测模型用于预测操作信息的评价结果类别。
图4给出了为本申请实施例提供的另一种信息推荐装置的结构示意图，该装置可由软件和/或硬件实现，集成在移动终端中。如图4所示，该装置包括第二操作信息获取模块41、第二评价结果预测模块42、推荐信息确定模块43和推荐信息展示模块44。
所述第二操作信息获取模块41，用于获取用户在当前应用程序的当前类别内容下的操作信息；
所述第二评价结果预测模块42，用于将所述操作信息输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果，所述预设评价结果预测模型由当前应用程序下的历史操作记录基于机器学习方法训练生成，用于根据操作信息预测用户对当前类别内容的评价结果；
所述推荐信息确定模块43，用于根据所述输出结果确定其他类别的推荐信息；
所述推荐信息展示模块44，用于从预设服务器中获取所述其他类别的推荐信息并展示给用户。
本实施例提供的装置，实现了基于用户对当前类别内容的操作信息，分析出用户对当前类别内容的评价结果，向用户推荐其他类别内容信息，更贴合用户的实际体验需求，解决了现有技术中未根据用户的操作信息合理推荐相应类别内容的技术问题，提高了用户对当前应用程序的粘合度，提升了移动终端推荐信息的准确度和智能化。
所述操作信息包括付费金额、操作持续时间、操作间隔时间、***时间、网络标识、操作频率和操作表情中的至少一项。
可选的，所述操作信息包括付费金额、操作持续时间、操作间隔时间、***时间、网络标识、操作频率和操作表情，所述装置还包括编号模块，用于在获取用户在当前应用程序的当前类别内容下的操作信息之后，根据预设第一编号规则匹配所述操作持续时间的持续时间编号；
根据预设第二编号规则匹配所述操作间隔时间的间隔时间编号；
根据预设第三编号规则匹配所述网络标识的网络编号；
根据预设第四编号规则匹配所述操作表情的表情编号；
根据预设第五编号规则匹配所述当前类别的类别编号；
根据所述***时间所属的时间段确定***时间编号，其中，对自然日内预设时间区间进行均分得到所述时间段，所述时间段与***时间编号关联存储；
所述第二评价结果预测模块具体用于：将所述付费金额、持续时间编号、间隔时间编号、***时间编号、网络编号、操作频率、表情编号和类别编号输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种信息推荐方法，该方法包括：
接收移动终端发送的用户在当前应用程序的当前类别内容下的操作信息；
将所述操作信息及当前类别输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果，所述预设评价结果预测模型由当前应用程序下的历史操作记录基于机器学习方法训练生成，用于根据操作信息预测用户对当前类别内容的评价结果；
根据所述输出结果向所述移动终端推送其他类别的推荐信息。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种信息推荐方法，该方法包括：
获取用户在当前应用程序的当前类别内容下的操作信息；
将所述操作信息输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果，所述预设评价结果预测模型由当前应用程序下的历史操作记录基于机器学习方法训练生成，用于根据操作信息预测用户对当前类别内容的评价结果；
根据所述输出结果确定其他类别的推荐信息；
从预设服务器中获取所述其他类别的推荐信息并展示给用户。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机***存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机***中，或者可以位于不同的第二计算机***中，第二计算机***通过网络(诸如因特网)连接到第一计算机***。第二计算机***可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机***中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的信息推荐操作，还可以执行本申请任意实施例所提供的信息推荐方法中的相关操作。
本申请实施例提供了一种服务器，该服务器中可集成本申请实施例提供的信息推荐装置。图5为本申请实施例提供的一种服务器的结构示意图。图5显示的服务器12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，服务器12以通用计算设备的形式表现。服务器12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，***存储器28，连接不同***组件(包括***存储器28和处理单元16)的总线18。所述存储器28，用于存储可执行程序代码；所述处理器16通过读取所述存储器28中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行：接收移动终端发送的用户在当前应用程序的当前类别内容下的操作信息；将所述操作信息及当前类别输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果，所述预设评价结果预测模型由当前应用程序下的历史操作记录基于机器学习方法训练生成，用于根据操作信息预测用户对当前类别内容的评价结果；根据所述输出结果向所述移动终端推送其他类别的推荐信息。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
服务器12典型地包括多种计算机***可读介质。这些介质可以是任何能够被服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该服务器12交互的设备通信，和/或与使得该服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。处理单元16通过运行存储在***存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例所提供的信息推荐方法。
上述实施例中提供的信息推荐装置、存储介质及服务器可执行本申请实施例所提供的信息推荐方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的信息推荐方法。
本申请实施例提供了一种移动终端，该移动终端中可集成本申请实施例提供的信息推荐装置。图6为本申请实施例提供的一种移动终端的结构示意图。如图6所示，该移动终端可以包括：存储器601、中央处理器(Central Processing Unit，CPU)602(又称处理器，以下简称CPU)、所述存储器601，用于存储可执行程序代码；所述处理器602通过读取所述存储器601中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行：获取用户在当前应用程序的当前类别内容下的操作信息；将所述操作信息输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果，所述预设评价结果预测模型由当前应用程序下的历史操作记录基于机器学习方法训练生成，用于根据操作信息预测用户对当前类别内容的评价结果；根据所述输出结果确定其他类别的推荐信息；从预设服务器中获取所述其他类别的推荐信息并展示给用户。
所述移动终端还包括：外设接口603、RF(Radio Frequency，射频)电路605、音频电路606、扬声器611、电源管理芯片608、输入/输出(I/O)子***609、触摸屏612、其他输入/控制设备610以及外部端口604，这些部件通过一个或多个通信总线或信号线607来通信。
应该理解的是，图示移动终端600仅仅是移动终端的一个范例，并且移动终端600可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
下面就本实施例提供的用于信息推荐的移动终端进行详细的描述，该移动终端以手机为例。
存储器601，所述存储器601可以被CPU602、外设接口603等访问，所述存储器601可以包括高速随机存取存储器，还可以包括非易失性存储器，例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
外设接口603，所述外设接口603可以将设备的输入和输出外设连接到CPU502和存储器601。
I/O子***609，所述I/O子***609可以将设备上的输入输出外设，例如触摸屏612和其他输入/控制设备610，连接到外设接口603。I/O子***609可以包括显示控制器6091和用于控制其他输入/控制设备610的一个或多个输入控制器6092。其中，一个或多个输入控制器6092从其他输入/控制设备610接收电信号或者向其他输入/控制设备610发送电信号，其他输入/控制设备610可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器6092可以与以下任一个连接：键盘、红外端口、USB接口以及诸如鼠标的指示设备。
触摸屏612，所述触摸屏612是用户终端与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。
I/O子***609中的显示控制器6091从触摸屏612接收电信号或者向触摸屏612发送电信号。触摸屏612检测触摸屏上的接触，显示控制器6091将检测到的接触转换为与显示在触摸屏612上的用户界面对象的交互，即实现人机交互，显示在触摸屏612上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由触摸屏形成的触摸敏感表面的延伸。
RF电路605，主要用于建立手机与无线网络(即网络侧)的通信，实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地，RF电路605接收并发送RF信号，RF信号也称为电磁信号，RF电路605将电信号转换为电磁信号或将电磁信号转换为电信号，并且通过该电磁信号与通信网络以及其他设备进行通信。RF电路605可以包括用于执行这些功能的已知电路，其包括但不限于天线***、RF收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC(COder-DECoder，编译码器)芯片组、用户标识模块(Subscriber Identity Module，SIM)等等。
音频电路606，主要用于从外设接口603接收音频数据，将该音频数据转换为电信号，并且将该电信号发送给扬声器611。
扬声器611，用于将手机通过RF电路605从无线网络接收的语音信号，还原为声音并向用户播放该声音。
电源管理芯片608，用于为CPU602、I/O子***及外设接口603所连接的硬件进行供电及电源管理。
上述实施例中提供的信息推荐装置、存储介质及移动终端可执行本申请实施例所提供的信息推荐方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的信息推荐方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。
Claims (15)
1.一种信息推荐方法，其特征在于，包括：
接收移动终端发送的用户在当前应用程序的当前类别内容下的操作信息；
将所述操作信息及当前类别输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果，所述预设评价结果预测模型由当前应用程序下的历史操作记录基于机器学习方法训练生成，用于根据操作信息预测用户对当前类别内容的评价结果；
根据所述输出结果向所述移动终端推送其他类别的推荐信息。
2.根据权利要求1所述的方法，其特征在于，所述操作信息包括付费金额、操作持续时间、操作间隔时间、***时间、网络标识、操作频率和操作表情中的至少一项。
3.根据权利要求2所述的方法，其特征在于，还包括：对所述当前应用程序下的历史操作记录基于机器学习方法进行训练，生成所述当前应用程序对应的预设评价结果预测模型，所述机器学习方法包括神经网络方法、支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法、K-均值聚类方法、和随机森林方法。
4.根据权利要求3所述的方法，其特征在于，所述机器学习方法包括神经网络方法，所述神经网络方法包括输入层、隐藏层和输出层，所述对所述当前应用程序下的历史操作记录基于机器学习方法进行训练，生成所述当前应用程序对应的预设评价结果预测模型包括：
获取所述当前应用程序下的历史操作记录，作为训练样本；
将所述历史操作记录中的操作信息输入至所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出预测评价结果；
利用所述预测评价结果与所述历史操作记录中的实际评价结果之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直至所述预测评价结果与所述实际评价结果之间的差值在预设误差范围内，得到训练完成的各个节点的激活函数，生成预设评价结果预测模型。
5.根据权利要求2所述的方法，其特征在于，所述操作信息包括付费金额、操作持续时间、操作间隔时间、***时间、网络标识、操作频率和操作表情，在接收移动终端发送的用户在当前应用程序的当前类别内容下的操作信息之后还包括：
根据预设第一编号规则匹配所述操作持续时间的持续时间编号；
根据预设第二编号规则匹配所述操作间隔时间的间隔时间编号；
根据预设第三编号规则匹配所述网络标识的网络编号；
根据预设第四编号规则匹配所述操作表情的表情编号；
根据预设第五编号规则匹配所述当前类别的类别编号；
根据所述***时间所属的时间段确定***时间编号，其中，对自然日内预设时间区间进行均分得到所述时间段，所述时间段与***时间编号关联存储；
所述将所述操作信息及当前类别输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果包括：将所述付费金额、持续时间编号、间隔时间编号、***时间编号、网络编号、操作频率、表情编号和类别编号输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果。
6.根据权利要求3所述的方法，其特征在于，所述机器学习方法包括K-均值聚类方法，所述对所述当前应用程序下的历史操作记录基于机器学习方法进行训练，生成所述当前应用程序对应的预设评价结果预测模型包括：
获取所述当前应用程序下的历史操作记录，作为训练样本；
从所述历史操作记录中按照预设方式选取2个元素作为两个初始类簇的中心；
分别计算历史操作记录中剩余元素到所述两个初始类簇的中心的相异度，根据计算结果，将所述剩余元素分别划归到相异度最低的初始类簇中；
根据聚类结果，重新计算两个类初始类簇各自的中心；
将历史操作记录的全部元素按照新的中心重新聚类，直至聚类结果不再变化，得到预设评价结果预测模型，所述预设评价结果预测模型用于预测操作信息的评价结果类别。
7.一种信息推荐方法，其特征在于，包括：
获取用户在当前应用程序的当前类别内容下的操作信息；
将所述操作信息输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果，所述预设评价结果预测模型由当前应用程序下的历史操作记录基于机器学习方法训练生成，用于根据操作信息预测用户对当前类别内容的评价结果；
根据所述输出结果确定其他类别的推荐信息；
从预设服务器中获取所述其他类别的推荐信息并展示给用户。
8.根据权利要求7所述的方法，其特征在于，所述操作信息包括付费金额、操作持续时间、操作间隔时间、***时间、网络标识、操作频率和操作表情中的至少一项。
9.根据权利要求8所述的方法，其特征在于，所述操作信息包括付费金额、操作持续时间、操作间隔时间、***时间、网络标识、操作频率和操作表情，在获取用户在当前应用程序的当前类别内容下的操作信息之后还包括：
根据预设第一编号规则匹配所述操作持续时间的持续时间编号；
根据预设第二编号规则匹配所述操作间隔时间的间隔时间编号；
根据预设第三编号规则匹配所述网络标识的网络编号；
根据预设第四编号规则匹配所述操作表情的表情编号；
根据预设第五编号规则匹配所述当前类别的类别编号；
根据所述***时间所属的时间段确定***时间编号，其中，对自然日内预设时间区间进行均分得到所述时间段，所述时间段与***时间编号关联存储；
所述将所述操作信息及当前类别输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果包括：将所述付费金额、持续时间编号、间隔时间编号、***时间编号、网络编号、操作频率、表情编号和类别编号输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果。
10.一种信息推荐装置，设置在服务器中，其特征在于，包括：
第一操作信息获取模块，用于接收移动终端发送的用户在当前应用程序的当前类别内容下的操作信息；
第一评价结果预测模块，用于将所述操作信息及当前类别输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果，所述预设评价结果预测模型由当前应用程序下的历史操作记录基于机器学习方法训练生成，用于根据操作信息预测用户对当前类别内容的评价结果；
信息推送模块，用于根据所述输出结果向用户推送其他类别的推荐信息。
11.一种信息推荐装置，设置在移动终端中，其特征在于，包括：
第二操作信息获取模块，用于获取用户在当前应用程序的当前类别内容下的操作信息；
第二评价结果预测模块，用于将所述操作信息输入至所述当前应用程序对应的预设评价结果预测模型，得到所述预设评价结果预测模型的输出结果，所述预设评价结果预测模型由当前应用程序下的历史操作记录基于机器学习方法训练生成，用于根据操作信息预测用户对当前类别内容的评价结果；
推荐信息确定模块，用于根据所述输出结果确定其他类别的推荐信息；
推荐信息展示模块，用于从预设服务器中获取所述其他类别的推荐信息并展示给用户。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的信息推荐方法。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求7-9中任一所述的信息推荐方法。
14.一种服务器，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6中任一所述的信息推荐方法。
15.一种移动终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求7-9中任一所述的信息推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711451195.1A CN107911491B (zh) | 2017-12-27 | 2017-12-27 | 信息推荐方法、装置及存储介质、服务器和移动终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711451195.1A CN107911491B (zh) | 2017-12-27 | 2017-12-27 | 信息推荐方法、装置及存储介质、服务器和移动终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107911491A true CN107911491A (zh) | 2018-04-13 |
| CN107911491B CN107911491B (zh) | 2019-09-27 |
Family
ID=61871595
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711451195.1A Active CN107911491B (zh) | 2017-12-27 | 2017-12-27 | 信息推荐方法、装置及存储介质、服务器和移动终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107911491B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108804656A (zh) * | 2018-06-08 | 2018-11-13 | Oppo广东移动通信有限公司 | 信息处理方法和装置、电子设备、计算机可读存储介质 |
| CN108989397A (zh) * | 2018-06-26 | 2018-12-11 | 腾讯音乐娱乐科技（深圳）有限公司 | 数据推荐方法、装置及存储介质 |
| CN109659005A (zh) * | 2018-11-23 | 2019-04-19 | 杭州普利复健科技有限公司 | 信息推送方法及*** |
| CN109766767A (zh) * | 2018-12-18 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 行为数据推送方法、装置、计算机设备和存储介质 |
| CN110069468A (zh) * | 2019-03-18 | 2019-07-30 | 平安普惠企业管理有限公司 | 一种获取用户需求的方法及装置、电子设备 |
| CN110677470A (zh) * | 2019-09-24 | 2020-01-10 | 北京小米移动软件有限公司 | 服务信息推送方法、装置及计算机可读存储介质 |
| CN110858377A (zh) * | 2018-08-22 | 2020-03-03 | 阿里巴巴集团控股有限公司 | 信息处理方法、页面显示方法、***及设备 |
| CN111143698A (zh) * | 2020-01-03 | 2020-05-12 | 三星电子（中国）研发中心 | 一种内容推荐的方法及*** |
| CN111274472A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 信息推荐方法、装置、服务器及可读存储介质 |
| CN111859102A (zh) * | 2020-02-17 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种提示信息确定方法、***、介质及存储介质 |
| CN111859117A (zh) * | 2020-06-19 | 2020-10-30 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、电子设备及可读存储介质 |
| CN112041858A (zh) * | 2018-05-22 | 2020-12-04 | 北京嘀嘀无限科技发展有限公司 | 提供出行建议的***和方法 |
| CN113468409A (zh) * | 2020-03-31 | 2021-10-01 | 本田技研工业株式会社 | 推荐***及推荐方法 |
| CN113596528A (zh) * | 2020-04-30 | 2021-11-02 | 北京达佳互联信息技术有限公司 | 视频推送模型的训练方法、装置、服务器及存储介质 |
| CN113827985A (zh) * | 2021-08-12 | 2021-12-24 | 中投国信(北京)科技发展有限公司 | 一种大数据的业务信息评价方法及*** |
| CN114399112A (zh) * | 2022-01-14 | 2022-04-26 | 成都秦川物联网科技股份有限公司 | 可用于天然气能量计量的用户评价获取方法和*** |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111503830B (zh) * | 2020-04-26 | 2021-11-16 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、空调器 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080219256A1 (en) * | 2007-03-09 | 2008-09-11 | Masashi Tanaka | Content delivery system, terminal, and content delivery method |
| CN104361063A (zh) * | 2014-11-04 | 2015-02-18 | 北京字节跳动网络技术有限公司 | 用户兴趣发现方法和装置 |
| CN105095470A (zh) * | 2015-08-03 | 2015-11-25 | 百度在线网络技术（北京）有限公司 | 用于应用程序的数据推荐方法及装置 |
| CN105933425A (zh) * | 2016-05-18 | 2016-09-07 | 北京奇虎科技有限公司 | 推荐应用的方法及装置 |
| CN106130756A (zh) * | 2016-06-15 | 2016-11-16 | 晶赞广告（上海）有限公司 | 一种预测访问内容点击率的方法及装置 |
| CN106604066A (zh) * | 2016-12-13 | 2017-04-26 | 宁夏凯速德科技有限公司 | 改进的视频app中个性化推荐方法及*** |
| CN106649655A (zh) * | 2016-12-13 | 2017-05-10 | 宁夏宁信信息科技有限公司 | 视频app中个性化推荐方法及*** |
| CN106792171A (zh) * | 2016-12-14 | 2017-05-31 | 宁夏灵智科技有限公司 | 智能视频app中个性化推荐方法及*** |
-
2017
- 2017-12-27 CN CN201711451195.1A patent/CN107911491B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080219256A1 (en) * | 2007-03-09 | 2008-09-11 | Masashi Tanaka | Content delivery system, terminal, and content delivery method |
| CN104361063A (zh) * | 2014-11-04 | 2015-02-18 | 北京字节跳动网络技术有限公司 | 用户兴趣发现方法和装置 |
| CN105095470A (zh) * | 2015-08-03 | 2015-11-25 | 百度在线网络技术（北京）有限公司 | 用于应用程序的数据推荐方法及装置 |
| CN105933425A (zh) * | 2016-05-18 | 2016-09-07 | 北京奇虎科技有限公司 | 推荐应用的方法及装置 |
| CN106130756A (zh) * | 2016-06-15 | 2016-11-16 | 晶赞广告（上海）有限公司 | 一种预测访问内容点击率的方法及装置 |
| CN106604066A (zh) * | 2016-12-13 | 2017-04-26 | 宁夏凯速德科技有限公司 | 改进的视频app中个性化推荐方法及*** |
| CN106649655A (zh) * | 2016-12-13 | 2017-05-10 | 宁夏宁信信息科技有限公司 | 视频app中个性化推荐方法及*** |
| CN106792171A (zh) * | 2016-12-14 | 2017-05-31 | 宁夏灵智科技有限公司 | 智能视频app中个性化推荐方法及*** |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112041858A (zh) * | 2018-05-22 | 2020-12-04 | 北京嘀嘀无限科技发展有限公司 | 提供出行建议的***和方法 |
| CN108804656A (zh) * | 2018-06-08 | 2018-11-13 | Oppo广东移动通信有限公司 | 信息处理方法和装置、电子设备、计算机可读存储介质 |
| CN108989397A (zh) * | 2018-06-26 | 2018-12-11 | 腾讯音乐娱乐科技（深圳）有限公司 | 数据推荐方法、装置及存储介质 |
| CN110858377B (zh) * | 2018-08-22 | 2024-04-05 | 阿里巴巴集团控股有限公司 | 信息处理方法、页面显示方法、***及设备 |
| CN110858377A (zh) * | 2018-08-22 | 2020-03-03 | 阿里巴巴集团控股有限公司 | 信息处理方法、页面显示方法、***及设备 |
| CN109659005A (zh) * | 2018-11-23 | 2019-04-19 | 杭州普利复健科技有限公司 | 信息推送方法及*** |
| CN111274472A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 信息推荐方法、装置、服务器及可读存储介质 |
| CN109766767A (zh) * | 2018-12-18 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 行为数据推送方法、装置、计算机设备和存储介质 |
| CN110069468A (zh) * | 2019-03-18 | 2019-07-30 | 平安普惠企业管理有限公司 | 一种获取用户需求的方法及装置、电子设备 |
| CN110677470B (zh) * | 2019-09-24 | 2022-04-01 | 北京小米移动软件有限公司 | 服务信息推送方法、装置及计算机可读存储介质 |
| CN110677470A (zh) * | 2019-09-24 | 2020-01-10 | 北京小米移动软件有限公司 | 服务信息推送方法、装置及计算机可读存储介质 |
| CN111143698A (zh) * | 2020-01-03 | 2020-05-12 | 三星电子（中国）研发中心 | 一种内容推荐的方法及*** |
| CN111859102A (zh) * | 2020-02-17 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种提示信息确定方法、***、介质及存储介质 |
| CN113468409A (zh) * | 2020-03-31 | 2021-10-01 | 本田技研工业株式会社 | 推荐***及推荐方法 |
| CN113596528A (zh) * | 2020-04-30 | 2021-11-02 | 北京达佳互联信息技术有限公司 | 视频推送模型的训练方法、装置、服务器及存储介质 |
| CN111859117A (zh) * | 2020-06-19 | 2020-10-30 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、电子设备及可读存储介质 |
| CN111859117B (zh) * | 2020-06-19 | 2024-03-26 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、电子设备及可读存储介质 |
| CN113827985A (zh) * | 2021-08-12 | 2021-12-24 | 中投国信(北京)科技发展有限公司 | 一种大数据的业务信息评价方法及*** |
| CN114399112A (zh) * | 2022-01-14 | 2022-04-26 | 成都秦川物联网科技股份有限公司 | 可用于天然气能量计量的用户评价获取方法和*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107911491B (zh) | 2019-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107911491B (zh) | 信息推荐方法、装置及存储介质、服务器和移动终端 | |
| CN107947951B (zh) | 用户群组推荐方法、装置及存储介质和服务器 | |
| CN109902706B (zh) | 推荐方法及装置 | |
| CN107392255B (zh) | 少数类图片样本的生成方法、装置、计算设备及存储介质 | |
| US8788439B2 (en) | Instance weighted learning machine learning model | |
| CN108076224A (zh) | 应用程序控制方法、装置及存储介质和移动终端 | |
| CN108076154A (zh) | 应用信息推荐方法、装置及存储介质和服务器 | |
| CN108153463B (zh) | 应用界面显示控制方法、装置及存储介质和移动终端 | |
| CN108319599A (zh) | 一种人机对话的方法和装置 | |
| CN107995428A (zh) | 图像处理方法、装置及存储介质和移动终端 | |
| CN107995370B (zh) | 通话控制方法、装置及存储介质和移动终端 | |
| CN107423442A (zh) | 基于用户画像行为分析的应用推荐方法及***，储存介质及计算机设备 | |
| CN106462608A (zh) | 改进语言模型的知识源个性化 | |
| CN110069715A (zh) | 一种信息推荐模型训练的方法、信息推荐的方法及装置 | |
| CN107943583A (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
| CN108108743A (zh) | 异常用户识别方法和用于识别异常用户的装置 | |
| CN108198041A (zh) | 一种基于时间衰减器的商品推荐方法、终端和介质 | |
| CN110472798A (zh) | 时间序列数据的预测方法、装置及计算机可读存储介质 | |
| CN112528164B (zh) | 一种用户协同过滤召回方法及装置 | |
| CN109614414A (zh) | 一种用户信息的确定方法及装置 | |
| CN109753275A (zh) | 应用编程接口的推荐方法、装置、存储介质和电子设备 | |
| CN111243604B (zh) | 支持多唤醒词的说话人识别神经网络模型的训练方法、说话人识别方法及*** | |
| CN113344184A (zh) | 用户画像预测方法、装置、终端和计算机可读存储介质 | |
| CN107728772B (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
| CN113807515A (zh) | 模型训练的方法、装置、计算机设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant after: OPPO Guangdong Mobile Communications Co., Ltd. Address before: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant before: Guangdong OPPO Mobile Communications Co., Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |