CN108520034B - 应用推荐方法、装置及计算机设备 - Google Patents
应用推荐方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN108520034B CN108520034B CN201810272484.3A CN201810272484A CN108520034B CN 108520034 B CN108520034 B CN 108520034B CN 201810272484 A CN201810272484 A CN 201810272484A CN 108520034 B CN108520034 B CN 108520034B
- Authority
- CN
- China
- Prior art keywords
- application
- installation
- recommended
- pool
- basic
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/61—Installation
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Stored Programmes (AREA)
Abstract
本发明提供一种应用推荐方法,包括:根据总应用池的应用,生成包含由两两应用组合成元素的第一集合;根据目标用户安装的应用集合和推荐应用池,生成包含依次由应用集合的一应用和推荐应用池的一应用组合成元素的第二集合;其中,所述元素表示已安装一应用后推荐另一应用;获取至少两个基础预测模型;根据第一集合、第二集合和至少两个基础预测模型,得到特征向量;把特征向量输入融合模型,得到推荐应用池中应用的安装预测值;其中,融合模型用于表征特征向量与推荐应用池中应用的安装预测值的关联关系;根据安装预测值,向目标用户推荐应用。与传统的推荐模型相比,本发明得到的推荐应用的安装概率更准确,可实现曝光安装转化率显著提升。
Description
技术领域
本发明涉及计算机技术领域,具体而言,本发明涉及一种应用推荐方法、装置及计算机设备。
背景技术
随着互联网技术的迅猛发展及智能终端的快速普及,各种能够满足用户在不同领域、不同问题上的应用需求的应用软件层出不穷。为了给用户集中展示应用软件并满足用户的应用下载安装需求,如应用商店或应用市场等可向用户推荐应用软件并提供应用软件下载渠道的应用平台应运而生。然而,由于应用软件数量庞大,应用平台需要采用应用推荐算法才能够给用户推荐出其可能感兴趣、喜欢的并安装的应用软件。
现有技术中,上述应用平台采用的应用推荐算法有很多,例如贝叶斯、决策树、神经网络算法等。这些算法各有千秋,但也各有弊端。例如,贝叶斯算法会侧重推荐用户看过类别的应用,而神经网络算法则会侧重推荐用户没有看过类别的应用。现有技术中的应用推荐算法过于单一,可能会向用户曝光其并不感兴趣、安装意愿度低的应用软件,应用推荐算法的曝光安装转化率不高。
发明内容
为至少能解决上述的技术缺陷之一,本发明提供了以下技术方案的应用推荐方法、装置及计算机设备。
本发明的实施例根据一个方面,提供了一种应用推荐方法,包括:
根据总应用池的应用,生成包含由两两应用组合成元素的第一集合;根据目标用户安装的应用集合和推荐应用池,生成包含依次由应用集合的一应用和推荐应用池的一应用组合成元素的第二集合;其中,所述元素表示已安装一应用后推荐另一应用;
获取至少两个基础预测模型;
根据所述第一集合、所述第二集合和所述至少两个基础预测模型,得到特征向量;
把所述特征向量输入融合模型,得到推荐应用池中应用的安装预测值;其中,所述融合模型用于表征所述特征向量与所述推荐应用池中应用的安装预测值的关联关系;
根据所述安装预测值,向所述目标用户推荐应用。
优选地,所述融合模型通过以下步骤生成:
根据总应用池的应用,生成包含由两两应用组合成元素的第一集合;
获取历史用户安装的应用集合;获取历史用户对应的所述推荐应用池中应用的安装值;
生成包含依次由所述历史用户安装的应用集合的一应用和推荐应用池的一应用组合成元素的第三集合;
获取至少两个基础预测模型;
根据所述第一集合、所述第三集合和所述至少两个基础预测模型,得到特征向量;
根据所述特征向量和对应的所述安装值,生成训练样本;
根据所述训练样本,通过回归算法训练生成所述融合模型。
进一步地,所述回归算法为逻辑斯蒂回归算法。
优选地,所述至少两个基础预测模型通过以下步骤生成:
根据总应用池的应用,生成包含由两两应用组合成元素的第一集合;
获取历史用户安装的应用集合;获取历史用户对应的所述推荐应用池中应用的安装值;
生成包含依次由所述历史用户安装的应用集合的一应用和推荐应用池的一应用组合成元素的第三集合;
根据所述第一集合、所述第三集合,得到基础特征向量;
根据所述特征向量和对应的所述安装值,生成基础模型训练样本;
根据所述多个基础模型训练样本,训练生成至少两个基础预测模型。
优选地,所述获取历史用户对应的所述推荐应用池中应用的安装值,包括:
获取历史用户对推荐应用池中应用的安装行为;
根据所述安装行为得到对应的安装值;其中,若历史用户安装所述推荐应用池中的应用则安装值为1,若历史用户未安装所述推荐应用池的应用则安装值为0。
优选地,所述根据所述第一集合、所述第二集合和所述至少两个基础预测模型,得到特征向量,包括:
根据所述第一集合和所述第二集合,得到基础特征向量;
把所述基础特征向量分别输入所述至少两个基础预测模型,得到与所述至少两个基础预测模型对应的推荐应用池中应用的至少两个安装预测值;
根据所述基础特征向量和所述至少两个基础模型安装预测值,得到特征向量。
优选地,所述至少两个基础预测模型,包括:贝叶斯预测模型、决策树预测模型、神经网络预测模型和SVM预测模型。
优选地,所述根据所述安装预测值,向所述目标用户推荐应用,包括:
确定所述安装预测值大于预置阈值,向所述目标用户推荐所述推荐应用池中应用。
优选地,所述根据所述安装预测值,向所述目标用户推荐应用,包括:
把对应所述推荐应用池中应用的多个安装预测值按从大到小的顺序进行排序,向所述目标用户推荐排在最前面的预置数量的安装预测值对应的应用。
本发明的实施例根据另一个方面,还提供了一种应用推荐装置,包括:
集合生成模块,用于根据总应用池的应用,生成包含由两两应用组合成元素的第一集合;根据目标用户安装的应用集合和推荐应用池,生成包含依次由应用集合的一应用和推荐应用池的一应用组合成元素的第二集合;其中,所述元素表示已安装一应用后推荐另一应用;
预测模型获取模块,用于获取至少两个基础预测模型;
特征向量获取模块,用于根据所述第一集合、所述第二集合和所述至少两个基础预测模型,得到特征向量;
安装预测值获取模块,用于把所述特征向量输入融合模型,得到推荐应用池中应用的安装预测值;其中,所述融合模型用于表征所述特征向量与所述推荐应用池中应用的安装预测值的关联关系;
推荐模块,用于根据所述安装预测值,向所述目标用户推荐应用。
本发明的实施例根据又一个方面,还提供了一种计算机设备,所述终端包括一个或多个处理器;存储器;一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于:执行上述的应用推荐方法。
本发明与现有技术相比,具有以下有益效果:
本发明提供的应用推荐方法、装置及计算机设备,通过采用将至少两个基础预测模型融合得到的融合模型来实现向目标用户推荐应用,与传统的只有单个算法的推荐模型相比,通过本发明融合模型得到的推荐应用的安装概率更准确,进而可实现应用平台应用推荐算法的曝光安装转化率显著提升。
此外,本发明提供的应用推荐方法、装置及计算机设备还根据通过融合模型计算得出的安装预测值,对推荐应用池中应用进行筛选,以向目标用户曝光其安装概率大的应用软件,可实现进一步提高应用平台应用推荐算法的曝光安装转化率。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例提供的应用推荐方法的方法流程图;
图2为本发明实施例提供的生成融合模型的方法流程图;
图3为本发明实施例提供的生成基础预测模型的方法流程图;
图4为本发明实施例提供的应用推荐装置的结构示意图;
图5为本发明实施例提供的计算机设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
实施例一
本发明实施例提供了一种应用推荐方法,如图1所示,该方法包括:
步骤S101:根据总应用池的应用,生成包含由两两应用组合成元素的第一集合;根据目标用户安装的应用集合和推荐应用池,生成包含依次由应用集合的一应用和推荐应用池的一应用组合成元素的第二集合;其中,所述元素表示已安装一应用后推荐另一应用。
对于本实施例,在如应用商店或应用市场等可向用户推荐应用软件并提供应用软件下载渠道的应用平台上,包含有各种各样的应用软件,如购物类软件、音频播放类软件、游戏类软件等。
对于本实施例,所述根据总应用池的应用,生成包含由两两应用组合成元素的第一集合,具体地,获取所述总应用池的应用,所述总应用池的应用为当前所述应用平台上的所有应用软件,将所述总应用池的应用两两组合成元素,根据多个元素生成第一集合。其中,各元素中的两个应用中的第一应用作为平台用户安装的应用,第二应用作为向平台用户推荐的应用。
例如,总应用池(记作集合A)包括应用a、应用b和应用c,根据总应用池的应用,取其中任意两个应用组合成所述元素,包括应用 a&应用b、应用a&应用c、应用b&应用a等,则生成包含由两两应用组合成元素的第一集合F,所述第一集合F的表达式为:F= {i&|i∈A,j∈A},其中,元素i&j用于表示:某一用户已安装应用 i后向其推荐应用j。
对于本实施例,所述根据目标用户安装的应用集合和推荐应用池,生成包含依次由应用集合的一应用和推荐应用池的一应用组合成元素的第二集合,具体地,获取目标用户安装的应用集合和预先设置的推荐应用池,所述应用集合包含用户已安装的一个或多个应用软件,所述推荐应用池包括预先设置的当前应用平台欲向用户推荐的一个或多个应用软件,依次将所述应用集合的一应用和所述推荐应用池的一应用组合成元素,根据多个元素生成第二集合。其中,各元素中的两个应用中的第一应用表示目标用户安装的应用,第二应用表示向目标用户推荐的应用。
需明确指出的是,不同目标用户的推荐应用池可相同可不同,所述推荐应用池可为针对单个目标用户预先设置的推荐应用池,也可以是针对所述应用平台所有用户预先设置的推荐应用池,还可以是针对所述应用平台所有用户预先设置并剔除当前目标用户已安装应用的推荐应用池,本实施例对此不做限定。
步骤S102:获取至少两个基础预测模型。
对于本实施例,所述基础预测模型可以包括贝叶斯预测模型,也可以包括决策树预测模型,还可以包括神经网络预测模型、 SVM(Support Vector Machine,支持向量机)预测模型等应用推荐算法,本实施例中对所述至少两个基础预测模型的具体模型不做限定。
步骤S103:根据所述第一集合、所述第二集合和所述至少两个基础预测模型,得到特征向量。
对于本实施例,根据所述第一集合、所述第二集合,能够生成基础特征向量,所述基础特征用于作为基础预测模型的输入特征变量及融合模型的输入特征变量所包含的变量;将所述至少两个基础预测模型与所述基础特征向量融合,可得到所述特征向量,其中,所述特征向量用于作为融合模型的输入特征变量。
步骤S104:把所述特征向量输入融合模型,得到推荐应用池中应用的安装预测值;其中,所述融合模型用于表征所述特征向量与所述推荐应用池中应用的安装预测值的关联关系。
对于本实施例,所述融合模型用于表征所述特征向量与所述推荐应用池中应用的安装预测值的关联关系,即把作为输入特征变量的所述特征向量输入训练好的融合模型,能够得到依据所述特征向量计算出的所述推荐应用池中应用的安装预测值。所述安装预测值用于表示在所述目标用户已安装所述特征向量表征有的应用软件的基础上,再向所述目标用户推荐所述特征向量表征有的所述推荐应用池中的应用之后,所述目标用户会安装所推荐应用的概率。所述安装预测值越大,则表示目标用户安装该所推荐应用的概率就越大。
步骤S105:根据所述安装预测值,向所述目标用户推荐应用。
对于本实施例,根据所述安装预测值,向所述目标用户推荐所述应用池中的一个或多个应用。
本发明的应用推荐方法通过采用将至少两个基础预测模型融合得到的融合模型来实现向目标用户推荐应用,与传统的只有单个算法的推荐模型相比,通过本发明融合模型得到的推荐应用的安装概率更准确,进而可实现应用平台应用推荐算法的曝光安装转化率显著提升。
实施例二
本发明实施例的另一种可能的实现方式,在实施例一所示的基础上,还包括实施例二所示的步骤,其中,
如图2所示,所述步骤S104中的所述融合模型通过以下步骤生成:
步骤S201:根据总应用池的应用,生成包含由两两应用组合成元素的第一集合。
对于本实施例,获取所述总应用池的应用,所述总应用池的应用为当前所述应用平台上的所有应用软件,将所述总应用池的应用两两组合成元素,根据多个元素生成第一集合。其中,各元素中的两个应用中的第一应用作为平台用户安装的应用,第二应用作为向平台用户推荐的应用。
例如,总应用池(记作集合A)包括应用a、应用b和应用c,根据总应用池的应用,取其中任意两个应用组合成所述元素,包括应用 a&应用b、应用a&应用c、应用b&应用a等,则生成包含由两两应用组合成元素的第一集合F,所述第一集合F的表达式为:F= {i&j|i∈A,j∈A},其中,元素i&j用于表示:某一用户已安装应用 i后向其推荐应用j。
步骤S202:获取历史用户安装的应用集合;获取历史用户对应的所述推荐应用池中应用的安装值。
对于本实施例,所述历史用户表示预置时间内在应用平台上有执行应用安装行为的有效用户。其中,所述预置时间可以是一天、一周、 30天等时间,本实施例对此不做限定。所述历史用户安装的应用集合包含该用户已安装的一个或多个应用软件。
其中,所述获取历史用户对应的所述推荐应用池中应用的安装值,包括:获取历史用户对推荐应用池中应用的安装行为;根据所述安装行为得到对应的安装值;其中,若历史用户安装所述推荐应用池中的应用则安装值为1,若历史用户未安装所述推荐应用池的应用则安装值为0。
对于本实施例,所述安装值用于表征预置时间内历史用户是否安装推荐应用,具体地,若历史用户安装所述推荐应用池中的应用,则安装值为1,若历史用户未安装所述推荐应用池的应用,则安装值为 0。
步骤S203:生成包含依次由所述历史用户安装的应用集合的一应用和推荐应用池的一应用组合成元素的第三集合。
对于本实施例,所述根据历史用户安装的应用集合和推荐应用池,生成包含依次由应用集合的一应用和推荐应用池的一应用组合成元素的第三集合,具体地,获取历史用户安装的应用集合和预先设置的推荐应用池,所述应用集合包含用户已安装的一个或多个应用软件,所述推荐应用池包括预先设置的当前应用平台欲向用户推荐的一个或多个应用软件,依次将所述应用集合的一应用和所述推荐应用池的一应用组合成元素,根据多个元素生成第三集合。其中,各元素中的两个应用中的第一应用表示历史用户安装的应用,第二应用表示向历史用户推荐的应用。
需明确指出的是,不同历史用户的推荐应用池可相同可不同,所述推荐应用池可为针对单个历史用户预先设置的推荐应用池,也可以是针对所述应用平台所有用户预先设置的推荐应用池,还可以是针对所述应用平台所有用户预先设置并剔除当前历史用户已安装应用的推荐应用池,本实施例对此不做限定。
步骤S204:获取至少两个基础预测模型。
对于本实施例,所述基础预测模型可以包括贝叶斯预测模型,也可以包括决策树预测模型,还可以包括神经网络预测模型、 SVM(Support Vector Machine,支持向量机)预测模型等应用推荐算法,本实施例中对所述至少两个基础预测模型的具体模型不做限定。
步骤S205:根据所述第一集合、所述第三集合和所述至少两个基础预测模型,得到特征向量。
对于本实施例,根据所述第一集合、所述第三集合,能够生成基础特征向量,所述基础特征用于作为基础预测模型的输入特征变量及融合模型的输入特征变量所包含的变量;将所述至少两个基础预测模型与所述基础特征向量融合,可得到特征向量,其中,所述特征向量用于作为融合模型的输入特征变量。
步骤S206:根据所述特征向量和对应的所述安装值,生成训练样本。
对于本实施例,根据用于作为融合模型的输入特征变量的特征向量,以及与所述特征向量所属有效用户对应的所述步骤S202中所述的安装值,可生成用于训练融合模型的训练样本。
对于本实施例,所述历史用户包括预置时间内在应用平台上有执行应用安装行为的多个有效用户。故根据本实施例上述步骤还可生成对应多个有效用户的多个训练样本。
步骤S207:根据所述训练样本,通过回归算法训练生成所述融合模型。
对于本实施例,优选地,所述回归算法为逻辑斯蒂回归算法。
对于本实施例,所述逻辑斯蒂回归算法的标准公式为:其中,X表示特征向量,b表示融合模型的偏置系数,w表示融合模型的特征权重系数。
对于本实施例,通过将多个包含所述特征向量和对应的所述安装值的训练样本输入至上述逻辑斯蒂回归算法的标准公式中,并通过梯度下降法求解融合模型损失函数los(w,b)最小时对应解w,b,得到融合模型的参数w,b,进而训练生成所述融合模型。
需明确指出的是,上述采用逻辑斯蒂回归算法训练生成所述融合模型仅仅为一种获取融合模型的方法,除采用上述逻辑斯蒂回归算法以外,还可以采用其他算法训练生成融合模型。
在本实施例中,通过将至少两个基础预测模型融合得到融合模型,为提高推荐应用安装概率的准确性,继而提高应用平台应用推荐算法的曝光安装转化率提供有力支持。
实施例三
本发明实施例的另一种可能的实现方式,在实施例一所示的基础上,还包括实施例三所示的步骤,其中,
如图3所示,所述步骤S102中所述至少两个基础预测模型通过以下步骤生成:
步骤S301:根据总应用池的应用,生成包含由两两应用组合成元素的第一集合。
对于本实施例,获取所述总应用池的应用,所述总应用池的应用为当前所述应用平台上的所有应用软件,将所述总应用池的应用两两组合成元素,根据多个元素生成第一集合。其中,各元素中的两个应用中的第一应用作为平台用户安装的应用,第二应用作为向平台用户推荐的应用。
例如,总应用池(记作集合A)包括应用a、应用b和应用c,根据总应用池的应用,取其中任意两个应用组合成所述元素,包括应用 a&应用b、应用a&应用c、应用b&应用a等,则生成包含由两两应用组合成元素的第一集合F,所述第一集合F的表达式为:F= {i&j|i∈A,j∈A},其中,元素i&j用于表示:某一用户已安装应用 i后向其推荐应用j。
步骤S302:获取历史用户安装的应用集合;获取历史用户对应的所述推荐应用池中应用的安装值。
对于本实施例,所述历史用户表示预置时间内在应用平台上有执行应用安装行为的有效用户。其中,所述预置时间可以是一天、一周、 30天等时间,本实施例对此不做限定。所述历史用户安装的应用集合包含该用户已安装的一个或多个应用软件。
其中,所述获取历史用户对应的所述推荐应用池中应用的安装值,包括:获取历史用户对推荐应用池中应用的安装行为;根据所述安装行为得到对应的安装值;其中,若历史用户安装所述推荐应用池中的应用则安装值为1,若历史用户未安装所述推荐应用池的应用则安装值为0。
对于本实施例,所述安装值用于表征预置时间内历史用户是否安装推荐应用,具体地,若历史用户安装所述推荐应用池中的应用,则安装值为1,若历史用户未安装所述推荐应用池的应用,则安装值为 0。
步骤S303:生成包含依次由所述历史用户安装的应用集合的一应用和推荐应用池的一应用组合成元素的第三集合。
对于本实施例,所述根据历史用户安装的应用集合和推荐应用池,生成包含依次由应用集合的一应用和推荐应用池的一应用组合成元素的第三集合,具体地,获取历史用户安装的应用集合和预先设置的推荐应用池,所述应用集合包含用户已安装的一个或多个应用软件,所述推荐应用池包括预先设置的当前应用平台欲向用户推荐的一个或多个应用软件,依次将所述应用集合的一应用和所述推荐应用池的一应用组合成元素,根据多个元素生成第三集合。其中,各元素中的两个应用中的第一应用表示历史用户安装的应用,第二应用表示向历史用户推荐的应用。
需明确指出的是,不同历史用户的推荐应用池可相同可不同,所述推荐应用池可为针对单个历史用户预先设置的推荐应用池,也可以是针对所述应用平台所有用户预先设置的推荐应用池,还可以是针对所述应用平台所有用户预先设置并剔除当前历史用户已安装应用的推荐应用池,本实施例对此不做限定。
步骤S304:根据所述第一集合、所述第三集合,得到基础特征向量。
对于本实施例,根据所述第一集合、所述第三集合,能够生成基础特征向量,所述基础特征用于作为基础预测模型的输入特征变量。
步骤S305:根据所述特征向量和对应的所述安装值,生成基础模型训练样本。
对于本实施例,根据用于作为基础预测模型的输入特征变量的基础特征向量,以及与所述基础特征向量所属有效用户对应的所述步骤 302中所述的安装值,可生成用于训练基础预测模型的基础模型训练样本。
对于本实施例,所述历史用户包括预置时间内在应用平台上有执行应用安装行为的多个有效用户。故根据本实施例上述步骤还可生成对应多个有效用户的多个基础模型训练样本。
步骤S306:根据所述基础模型训练样本,训练生成至少两个基础预测模型。
对于本实施例,通过把多个所述基础模型训练样本输入至预先设置的基础预测模型对应的标准公式中,则可训练生成所述基础预测模型。其中,所述基础预测模型可以包括贝叶斯预测模型,也可以包括决策树预测模型,还可以包括神经网络预测模型、SVM(Support Vector Machine,支持向量机)预测模型等应用推荐算法,本实施例中对所述至少两个基础预测模型的具体模型不做限定。
实施例四
本发明实施例的另一种可能的实现方式,在实施例一所示的基础上,还包括实施例四所示的步骤,其中,
所述步骤S103包括:
根据所述第一集合和所述第二集合,得到基础特征向量;把所述基础特征向量分别输入所述至少两个基础预测模型,得到与所述至少两个基础预测模型对应的推荐应用池中应用的至少两个安装预测值;根据所述基础特征向量和所述至少两个安装预测值,得到特征向量。
其中,作为一个优选实施例,所述至少两个基础预测模型,包括:贝叶斯预测模型、决策树预测模型、神经网络预测模型和SVM预测模型。
以下,给出一个实际应用例子,对用于作为融合模型输入特征变量的特征向量的生成过程进行详细阐述。
首先,获取所述第一集合和所述第二集合,所述第一集合和所述第二集合,得到基础特征向量。
具体地,根据总应用池A的应用,生成包含由两两应用组合成元素的第一集合F,所述第一集合F的表达式为:F={i&j|i∈A,j∈A},其中,元素i&j用于表示:某一用户已安装应用i后向其推荐应用j,所述第一集合F的元素个数为n。
根据目标用户u安装的应用集合Iu和推荐应用池J,生成包含依次由应用集合的一应用和推荐应用池的一应用组合成元素的第二集合IJu,如{i1&j,i2&j,…};其中,所述元素表示目标用户u已安装应用i后向其推荐应用j。
根据所述第一集合F和所述第二集合IJu,得到基础特征向量 xu,j,其中,所述xu,j为给目标用户u推荐应用j产生的模型输入数据,所述基础特征向量为n维向量,所述基础特征向量中元素的取值如下:
其中,所述aindex(l)表示所述第一集合F中序号l对应的元素。
然后,把所述基础特征向量分别输入所述至少两个基础预测模型,得到与所述至少两个基础预测模型对应的推荐应用池中应用的至少两个安装预测值。
具体地,所述至少两个基础预测模型包括:贝叶斯预测模型bayes、决策树预测模型dt、神经网络预测模型bp和SVM预测模型svm。把上述步骤得到的基础特征向量xu,j输入至上述四个基础预测模型,得到对应的基础模型安装预测值bayes(xu,j)、dt(xu,j)、bp(xu,j)、 svm(xu,j)。
最后,根据所述基础特征向量和所述至少两个安装预测值,得到特征向量。
具体地,把至少两个基础预测模型融合至所述基础特征向量中,得到用于作为融合模型输入特征变量的特征向量,其表达式为:
uXu,j=(xu,j,bayes(xu,j),dt(xu,j),bp(xu,j),svm(xu,j))。
实施例五
本发明实施例的另一种可能的实现方式,在实施例一所示的基础上,还包括实施例五所示的步骤,其中,
所述步骤S105,包括:确定所述安装预测值大于预置阈值,向所述目标用户推荐所述推荐应用池中应用。
对于本实施例,所述推荐池包括一个或多个欲向目标用户推荐的应用,当待推荐应用对应的所述安装预测值大于预置阈值时,才向所述目标应用推荐该应用。其中,所述预置阈值可以是安装值区间内的任意数值,例如当0表示未安装、1表示安装时,所述预置阈值可以是0.5、0.76、0.9等区间数值,本实施例对此不做限定。
在本实施例中,根据通过融合模型计算得出的安装预测值,对推荐应用池中应用进行筛选,以向目标用户推荐其安装概率大的应用软件,可实现进一步提高应用平台应用推荐算法的曝光安装转化率。
实施例六
本发明实施例的另一种可能的实现方式,在实施例一所示的基础上,还包括实施例六所示的步骤,其中,
所述步骤S105,包括:把对应所述推荐应用池中应用的多个安装预测值按从大到小的顺序进行排序,向所述目标用户推荐排在最前面的预置数量的安装预测值对应的应用。
对于本实施例,所述推荐池应用包括多个欲向目标用户推荐的应用,在根据所述步骤S104获得的对应多个待推荐用户的多个安装预测值之后,对所述多个安装预测值按从大到小的顺序进行排序,进而筛选出排在最前面的预置数量的安装预测值,并向所述目标用户推荐所述预置数量的安装预测值对应的应用。
在本实施例中,根据通过融合模型计算得出的安装预测值,对推荐应用池中应用进行筛选,以向目标用户推荐其安装概率大的应用软件,可实现进一步提高应用平台应用推荐算法的曝光安装转化率。
此外,本发明实施例提供了一种应用推荐装置,如图4所示,所述装置包括:
集合生成模块,用于根据总应用池的应用,生成包含由两两应用组合成元素的第一集合;根据目标用户安装的应用集合和推荐应用池,生成包含依次由应用集合的一应用和推荐应用池的一应用组合成元素的第二集合;其中,所述元素表示已安装一应用后推荐另一应用;
预测模型获取模块,用于获取至少两个基础预测模型;
特征向量获取模块,用于根据所述第一集合、所述第二集合和所述至少两个基础预测模型,得到特征向量;
安装预测值获取模块,用于把所述特征向量输入融合模型,得到推荐应用池中应用的安装预测值;其中,所述融合模型用于表征所述特征向量与所述推荐应用池中应用的安装预测值的关联关系;
推荐模块,用于根据所述安装预测值,向所述目标用户推荐应用。
本发明提供的应用推荐装置,可实现:通过采用将至少两个基础预测模型融合得到的融合模型来实现向目标用户推荐应用,与传统的只有单个算法的推荐模型相比,通过本发明融合模型得到的推荐应用的安装概率更准确,进而可实现应用平台应用推荐算法的曝光安装转化率显著提升。此外,所述应用推荐装置还可实现:根据通过融合模型计算得出的安装预测值,对推荐应用池中应用进行筛选,以向目标用户曝光其安装概率大的应用软件,可实现进一步提高应用平台应用推荐算法的曝光安装转化率。
本发明实施例提供的应用推荐装置可以实现上述提供的方法实施例,具体功能实现请参见方法实施例中的说明,在此不再赘述。
此外,本发明实施例还提供了一种计算机设备,如图5所示。本实施例所述的计算机设备可以是服务器、个人计算机以及网络设备等设备。所述计算机设备包括处理器502、存储器503、输入单元504 以及显示单元505等器件。本领域技术人员可以理解,图5示出的设备结构器件并不构成对所有设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件。存储器503可用于存储应用程序501以及各功能模块,处理器502运行存储在存储器503的应用程序501,从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器,或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器只作为例子而非作为限定。
输入单元504用于接收信号的输入,以及接收用户输入的关键字。输入单元504可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并根据预先设定的程序驱动相应的连接装置;其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元505可用于显示用户输入的信息或提供给用户的信息以及计算机设备的各种菜单。显示单元505可采用液晶显示器、有机发光二极管等形式。处理器502是计算机设备的控制中心,利用各种接口和线路连接整个电脑的各个部分,通过运行或执行存储在存储器502内的软件程序和/或模块,以及调用存储在存储器内的数据,执行各种功能和处理数据。
作为一个实施例,所述计算机设备包括:一个或多个处理器502,存储器503,一个或多个应用程序501,其中所述一个或多个应用程序501被存储在存储器503中并被配置为由所述一个或多个处理器 502执行,所述一个或多个程序501配置用于执行以上实施例一至六所述的应用推荐方法。
本发明提供的计算机设备,可实现:通过采用将至少两个基础预测模型融合得到的融合模型来实现向目标用户推荐应用,与传统的只有单个算法的推荐模型相比,通过本发明融合模型得到的推荐应用的安装概率更准确,进而可实现应用平台应用推荐算法的曝光安装转化率显著提升。此外,所述计算机设备还可实现:根据通过融合模型计算得出的安装预测值,对推荐应用池中应用进行筛选,以向目标用户曝光其安装概率大的应用软件,可实现进一步提高应用平台应用推荐算法的曝光安装转化率。
本发明实施例提供的计算机设备可以实现上述提供的方法实施例,具体功能实现请参见方法实施例中的说明,在此不再赘述。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块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,也可以存储在一个计算机可读取存储介质中。本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括存储器、磁盘或光盘等。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种应用推荐方法,其特征在于,包括如下步骤:
根据总应用池的应用,生成包含由两两应用组合成元素的第一集合;根据目标用户安装的应用集合和推荐应用池,生成包含依次由应用集合的一应用和推荐应用池的一应用组合成元素的第二集合,其中,所述第二集合中的元素表示已安装一应用后推荐另一应用;
获取至少两个基础预测模型;
根据所述第一集合、所述第二集合,生成基础特征向量;所述基础特征向量用于作为基础预测模型的输入特征变量及融合模型的输入特征变量所包含的变量;将所述至少两个基础预测模型与所述基础特征向量融合,可得到特征向量;
把所述特征向量输入融合模型,得到推荐应用池中应用的安装预测值;其中,所述融合模型用于表征所述特征向量与所述推荐应用池中应用的安装预测值的关联关系;
根据所述安装预测值,向所述目标用户推荐应用。
2.根据权利要求1所述的应用推荐方法,其特征在于,所述融合模型通过以下步骤生成:
根据总应用池的应用,生成包含由两两应用组合成元素的第一集合;
获取历史用户安装的应用集合;获取历史用户对应的所述推荐应用池中应用的安装值;
生成包含依次由所述历史用户安装的应用集合的一应用和推荐应用池的一应用组合成元素的第三集合;
获取至少两个基础预测模型;
根据所述第一集合、所述第三集合和所述至少两个基础预测模型,得到特征向量;
根据所述特征向量和对应的所述安装值,生成训练样本;
根据所述训练样本,通过回归算法训练生成所述融合模型。
3.根据权利要求2所述的应用推荐方法,其特征在于,所述回归算法为逻辑斯蒂回归算法。
4.根据权利要求1所述的应用推荐方法,其特征在于,所述至少两个基础预测模型通过以下步骤生成:
根据总应用池的应用,生成包含由两两应用组合成元素的第一集合;
获取历史用户安装的应用集合;获取历史用户对应的所述推荐应用池中应用的安装值;
生成包含依次由所述历史用户安装的应用集合的一应用和推荐应用池的一应用组合成元素的第三集合;
根据所述第一集合、所述第三集合,得到基础特征向量;
根据所述基础特征向量和对应的所述安装值,生成基础模型训练样本;
根据所述基础模型训练样本,训练生成至少两个基础预测模型。
5.根据权利要求2或4所述的应用推荐方法,其特征在于,所述获取历史用户对应的所述推荐应用池中应用的安装值,包括:
获取历史用户对推荐应用池中应用的安装行为;
根据所述安装行为得到对应的安装值;其中,若历史用户安装所述推荐应用池中的应用则安装值为1,若历史用户未安装所述推荐应用池的应用则安装值为0。
6.根据权利要求1所述的应用推荐方法,其特征在于,所述将所述至少两个基础预测模型与所述基础特征向量融合,可得到特征向量,包括:
把所述基础特征向量分别输入所述至少两个基础预测模型,得到与所述至少两个基础预测模型对应的推荐应用池中应用的至少两个基础模型安装预测值;
根据所述基础特征向量和所述至少两个基础模型安装预测值,得到特征向量。
7.根据权利要求1或6所述的应用推荐方法,其特征在于,所述至少两个基础预测模型,包括:贝叶斯预测模型、决策树预测模型、神经网络预测模型和SVM预测模型。
8.根据权利要求1所述的应用推荐方法,其特征在于,所述根据所述安装预测值,向所述目标用户推荐应用,包括:
确定所述安装预测值大于预置阈值,向所述目标用户推荐所述推荐应用池中应用。
9.根据权利要求1所述的应用推荐方法,其特征在于,所述根据所述安装预测值,向所述目标用户推荐应用,包括:
把对应所述推荐应用池中应用的多个安装预测值按从大到小的顺序进行排序,向所述目标用户推荐排在最前面的预置数量的安装预测值对应的应用。
10.一种应用推荐装置,其特征在于,包括:
集合生成模块,用于根据总应用池的应用,生成包含由两两应用组合成元素的第一集合;根据目标用户安装的应用集合和推荐应用池,生成包含依次由应用集合的一应用和推荐应用池的一应用组合成元素的第二集合,其中,所述第二集合中的元素表示已安装一应用后推荐另一应用;
预测模型获取模块,用于获取至少两个基础预测模型;
特征向量获取模块,用于根据所述第一集合、所述第二集合,生成基础特征向量;所述基础特征向量用于作为基础预测模型的输入特征变量及融合模型的输入特征变量所包含的变量;将所述至少两个基础预测模型与所述基础特征向量融合,可得到特征向量;
安装预测值获取模块,用于把所述特征向量输入融合模型,得到推荐应用池中应用的安装预测值;其中,所述融合模型用于表征所述特征向量与所述推荐应用池中应用的安装预测值的关联关系;
推荐模块,用于根据所述安装预测值,向所述目标用户推荐应用。
11.一种计算机设备,其特征在于,其包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于:执行根据权利要求1至9任一项所述的应用推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810272484.3A CN108520034B (zh) | 2018-03-29 | 2018-03-29 | 应用推荐方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810272484.3A CN108520034B (zh) | 2018-03-29 | 2018-03-29 | 应用推荐方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108520034A CN108520034A (zh) | 2018-09-11 |
CN108520034B true CN108520034B (zh) | 2021-01-05 |
Family
ID=63431249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810272484.3A Active CN108520034B (zh) | 2018-03-29 | 2018-03-29 | 应用推荐方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108520034B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543132A (zh) * | 2018-11-22 | 2019-03-29 | 深圳墨世科技有限公司 | 内容推荐方法、装置、电子设备及存储介质 |
CN110046952B (zh) * | 2019-01-30 | 2021-12-10 | 创新先进技术有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
CN111831891A (zh) * | 2019-04-18 | 2020-10-27 | 第四范式(北京)技术有限公司 | 物料推荐方法和*** |
CN111311104B (zh) * | 2020-02-27 | 2023-08-25 | 第四范式(北京)技术有限公司 | 一种配置文件的推荐方法、装置及*** |
CN113590955A (zh) * | 2021-07-30 | 2021-11-02 | 武汉斗鱼鱼乐网络科技有限公司 | 目标推荐用户确定方法、装置、电子设备以及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117440A (zh) * | 2015-08-11 | 2015-12-02 | 北京奇虎科技有限公司 | 确定待推荐应用app的方法及装置 |
WO2016099867A1 (en) * | 2014-12-19 | 2016-06-23 | Paypal, Inc. | App store update notification and warning system |
CN107045673A (zh) * | 2017-03-31 | 2017-08-15 | 杭州电子科技大学 | 基于堆模型融合的公共自行车流量变化量预测方法 |
CN107103036A (zh) * | 2017-03-22 | 2017-08-29 | 广州优视网络科技有限公司 | 应用下载概率的获取方法、设备及可编程设备 |
-
2018
- 2018-03-29 CN CN201810272484.3A patent/CN108520034B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016099867A1 (en) * | 2014-12-19 | 2016-06-23 | Paypal, Inc. | App store update notification and warning system |
CN105117440A (zh) * | 2015-08-11 | 2015-12-02 | 北京奇虎科技有限公司 | 确定待推荐应用app的方法及装置 |
CN107103036A (zh) * | 2017-03-22 | 2017-08-29 | 广州优视网络科技有限公司 | 应用下载概率的获取方法、设备及可编程设备 |
CN107045673A (zh) * | 2017-03-31 | 2017-08-15 | 杭州电子科技大学 | 基于堆模型融合的公共自行车流量变化量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108520034A (zh) | 2018-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520034B (zh) | 应用推荐方法、装置及计算机设备 | |
US10958748B2 (en) | Resource push method and apparatus | |
CN107613022B (zh) | 内容推送方法、装置及计算机设备 | |
Marjoram et al. | Markov chain Monte Carlo without likelihoods | |
CN108769125B (zh) | 应用推荐方法、装置、存储介质及计算机设备 | |
CN111090756B (zh) | 基于人工智能的多目标推荐模型的训练方法及装置 | |
CN111241311A (zh) | 媒体信息推荐方法、装置、电子设备及存储介质 | |
CN110781321A (zh) | 一种多媒体内容推荐方法及装置 | |
CN110378434A (zh) | 点击率预测模型的训练方法、推荐方法、装置及电子设备 | |
CN112632403B (zh) | 推荐模型的训练方法、推荐方法、装置、设备和介质 | |
CN111242310B (zh) | 特征有效性评估方法、装置、电子设备及存储介质 | |
CN110688476A (zh) | 一种基于人工智能的文本推荐方法及装置 | |
CN112035549B (zh) | 数据挖掘方法、装置、计算机设备及存储介质 | |
Layton | Learning data mining with python | |
CN111461345A (zh) | 深度学习模型训练方法及装置 | |
US11275994B2 (en) | Unstructured key definitions for optimal performance | |
CN111275205A (zh) | 虚拟样本的生成方法、终端设备及存储介质 | |
CN112182281B (zh) | 一种音频推荐方法、装置及存储介质 | |
CN113869377A (zh) | 训练方法、装置及电子设备 | |
CN117056595A (zh) | 一种交互式的项目推荐方法、装置及计算机可读存储介质 | |
CN113836388A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN116910201A (zh) | 一种对话数据生成方法及其相关设备 | |
Wang et al. | Learning List-wise Representation in Reinforcement Learning for Ads Allocation with Multiple Auxiliary Tasks | |
CN111507471B (zh) | 一种模型训练方法、装置、设备及存储介质 | |
CN109040164B (zh) | 应用推荐方法、装置、存储介质及计算机设备 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200417 Address after: 310052 room 508, floor 5, building 4, No. 699, Wangshang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Alibaba (China) Co.,Ltd. Address before: 510640 Guangdong city of Guangzhou province Whampoa Tianhe District Road No. 163 Xiping Yun Lu Yun Ping square B radio tower 15 layer self unit 02 Applicant before: GUANGZHOU UC NETWORK TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |