CN111046298B - 推送应用程序的方法、装置、计算机设备和存储介质 - Google Patents
推送应用程序的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111046298B CN111046298B CN202010173116.0A CN202010173116A CN111046298B CN 111046298 B CN111046298 B CN 111046298B CN 202010173116 A CN202010173116 A CN 202010173116A CN 111046298 B CN111046298 B CN 111046298B
- Authority
- CN
- China
- Prior art keywords
- application
- user
- mirror image
- pushed
- pushing
- 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
- 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
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)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于机器学习的推送应用程序的方法、装置、计算机设备和存储介质。所述方法包括:获取待推送应用程序,根据待推送应用程序的应用类别确定推送范围,获取推送范围的应用镜像集合和应用操作记录;将应用镜像集合和应用操作记录输入至预测模型,通过预测模型的第一叠层网络提取第一时期需求特征,通过预测模型的第二叠层网络提取第二时期需求特征,通过特征连接层对第一时期需求特征和第二时期需求特征进行融合得到目标需求特征;根据目标需求特征确定各个用户标识对待推送应用程序的兴趣度评分;根据兴趣度评分筛选目标用户标识,根据目标用户标识对待推送应用程序进行推送。采用本方法能够有效提高应用程序的推送准确度。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种推送应用程序的方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的迅速发展,各种各样的应用软件层出不穷,例如通讯软件、多媒体软件、办公室软件等多种类型的应用软件,用户可以根据需求获取感兴趣的应用软件。随着人工智能(Artificial Intelligence, AI)技术的迅速发展,能够基于云计算、分布式存储、大数据处理等技术,向用户智能推送应用软件。在海量应用软件市场下,为了帮助用户快速找到感兴趣或需要的应用软件,出现了一些应用软件推送方式。
传统的方式中通常是基于逻辑回归、循环神经网络序列或注意力机制等推送方式,这些方式通常仅根据用户的短期行为记录进行推送,用户短期行为中存在较多噪声,导致推送的准确性不高。因此,如何有效提高推送应用软件的准确度成为目前需要解决的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效提高应用程序的推送准确度的推送应用程序的方法、装置、计算机设备和存储介质。
一种推送应用程序的方法,所述方法包括:
获取待推送应用程序,所述待推送应用程序包括应用类别;
根据所述应用类别确定推送范围,获取所述推送范围对应的各个用户标识的应用镜像集合和应用操作记录;
将所述应用镜像集合和所述应用操作记录输入至已训练的预测模型,通过所述预测模型的第一叠层网络提取各个用户标识的第一时期需求特征,通过所述预测模型的第二叠层网络提取各个用户标识的第二时期需求特征;
通过所述预测模型的特征连接层对所述第一时期需求特征和所述第二时期需求特征进行融合得到目标需求特征;根据所述目标需求特征确定各个用户标识对应所述待推送应用程序的兴趣度评分;
根据所述兴趣度评分筛选满足推送条件的目标用户标识,将所述待推送应用程序推送至所述目标用户标识对应的用户终端。
一种推送应用程序的装置,所述装置包括:
应用获取模块,用于获取待推送应用程序,所述待推送应用程序包括应用类别;
数据获取模块,用于根据所述应用类别确定推送范围,获取所述推送范围对应的各个用户标识的应用镜像集合和应用操作记录;
兴趣预测模块,用于将所述应用镜像集合和所述应用操作记录输入至已训练的预测模型,通过所述预测模型的第一叠层网络提取各个用户标识的第一时期需求特征,通过所述预测模型的第二叠层网络提取各个用户标识的第二时期需求特征;通过所述预测模型的特征连接层对所述第一时期需求特征和所述第二时期需求特征进行融合得到目标需求特征;根据所述目标需求特征确定各个用户标识对应所述待推送应用程序的兴趣度评分;
应用推送模块,用于根据所述兴趣度评分筛选满足推送条件的目标用户标识,将所述待推送应用程序推送至所述目标用户标识对应的用户终端。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待推送应用程序,所述待推送应用程序包括应用类别;
根据所述应用类别确定推送范围,获取所述推送范围对应的各个用户标识的应用镜像集合和应用操作记录;
将所述应用镜像集合和所述应用操作记录输入至已训练的预测模型,通过所述预测模型的第一叠层网络提取各个用户标识的第一时期需求特征,通过所述预测模型的第二叠层网络提取各个用户标识的第二时期需求特征;
通过所述预测模型的特征连接层对所述第一时期需求特征和所述第二时期需求特征进行融合得到目标需求特征;根据所述目标需求特征确定各个用户标识对应所述待推送应用程序的兴趣度评分;
根据所述兴趣度评分筛选满足推送条件的目标用户标识,将所述待推送应用程序推送至所述目标用户标识对应的用户终端。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待推送应用程序,所述待推送应用程序包括应用类别;
根据所述应用类别确定推送范围,获取所述推送范围对应的各个用户标识的应用镜像集合和应用操作记录;
将所述应用镜像集合和所述应用操作记录输入至已训练的预测模型,通过所述预测模型的第一叠层网络提取各个用户标识的第一时期需求特征,通过所述预测模型的第二叠层网络提取各个用户标识的第二时期需求特征;
通过所述预测模型的特征连接层对所述第一时期需求特征和所述第二时期需求特征进行融合得到目标需求特征;根据所述目标需求特征确定各个用户标识对应所述待推送应用程序的兴趣度评分;
根据所述兴趣度评分筛选满足推送条件的目标用户标识,将所述待推送应用程序推送至所述目标用户标识对应的用户终端。
上述推送应用程序的方法、装置、计算机设备和存储介质,服务器获取待推送应用程序后,根据待推送应用程序的应用类别确定推送范围,获取推送范围对应的各个用户标识的应用镜像集合和应用操作记录。通过预测模型中的第一叠层网络提取各个用户标识的第一时期需求特征,以及通过预测模型的第二叠层网络提取各个用户标识的第二时期需求特征,能够根据应用镜像集合和应用操作记录准确有效地提取出各个用户标识的不同时期的需求特征。通过预测模型中的特征连接层将第一时期需求特征和第二时期需求特征进行融合,由此能够精准地提取反映用户兴趣的目标需求特征。服务器利用得到的目标需求特征确定各个用户标识对应待推送应用程序的兴趣度评分,进而根据兴趣度评分筛选出满足推送条件的目标用户标识,并将待推送应用程序推送至目标用户标识对应的用户终端。通过预测模型分别提取出用户的第一时期和第二时期的需求特征并进行融合,由此能够有效地提取出较为全面、精准的用户的兴趣需求,进而根据用户的兴趣需求推送应用程序,有效提高了推送应用程序的准确性。
附图说明
图1为一个实施例中推送应用程序的方法的应用环境图;
图2为一个实施例中推送应用程序的方法的流程示意图;
图3为另一个实施例中推送应用程序的方法的流程示意图;
图4为一个实施例中预测模型的结构示意图;
图5为又一个实施例中推送应用程序的方法的流程示意图;
图6为再一个实施例中推送应用程序的方法的流程示意图;
图7为又一个实施例中推送应用程序的方法的流程示意图;
图8为一个实施例中应用推送列表的界面示意图;
图9为一个实施例中预测模型训练步骤的流程示意图;
图10为一个实施例中应用程序推送过程的整体框架图;
图11为一个实施例中推送应用程序的装置的结构框图;
图12为另一个实施例中推送应用程序的装置的结构框图;
图13为又一个实施例中推送应用程序的装置的结构框图;
图14为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的推送应用程序的方法,可以应用于如图1所示的应用环境中。其中,服务器110通过网络与用户终端120通过网络进行通信。服务器110获取待推送应用程序后,根据待推送应用程序的应用类别确定推送范围,获取推送范围对应的各个用户标识的应用镜像集合和应用操作记录输入至已训练的预测模型。通过预测模型的第一叠层网络提取各个用户标识的第一时期需求特征,通过预测模型的第二叠层网络提取各个用户标识的第二时期需求特征,服务器110通过预测模型的特征连接层对第一时期需求特征和第二时期需求特征进行融合得到目标需求特征,根据目标需求特征确定各个用户标识对应待推送应用程序的兴趣度评分,进而根据兴趣度评分筛选满足推送条件的目标用户标识,并将待推送应用程序推送至目标用户标识对应的多个用户终端120。其中,服务器110可以用独立的服务器或者是多个服务器组成的服务器集群来实现,终端120可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
在一个实施例中,如图2所示,提供了一种应用程序的推送方法,以该方法应用于图1中的服务器110为例进行说明,包括以下步骤:
S202,获取待推送应用程序,待推送应用程序包括应用类别。
其中,应用程序是计算机软件的主要分类之一,是指为针对使用者的某种应用目的所撰写的应用软件。应用程序的类型包括多种,例如可以包括即时通讯软件、企业通讯类软件、音乐软件、图像处理软件、办公室软件以及各类游戏软件等多种类型的应用程序。每个应用程序包括对应的应用类别以及应用属性信息。应用属性信息可以包括应用程序的版本标识、适用范围等信息。
应用程序对应的开发商在完成应用程序的开发后,可以投放至应用程序推送***,以向用户进行推送。应用程序推送***中可以包括多个待推送的应用程序。例如,应用程序开发商可以向应用推送***发起投放请求或广告请求等。应用推送***可以为基于人工智能和机器学习的应用***,通过应用推送***对应用程序和目标用户进行预测分析,从而将应用程序推送给符合条件的用户。
其中,人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。例如可以采用云计算、分布式存储、大数据处理、机器学习等技术,使机器具有感知、推理与决策的功能。由此使得上述的应用推送***具有推理和决策的功能,以实现向用户智能推送符合用户需求的应用程序。
S204,根据应用类别确定推送范围,获取推送范围对应的各个用户标识的应用镜像集合和应用操作记录。
其中,推送范围表示待推送应用程序的适用范围,例如,一些学习类的应用程序适用于特定年龄段的用户。镜像是一种文件存储形式,一个磁盘上的数据在另一个磁盘上存在一个完全相同的副本即为镜像,可以将特定的一系列文件按照一定的格式生成一个镜像文件。应用安装镜像是指用户终端中安装的应用程序对应的镜像文件,用于表示用户终端中当前安装的应用程序。应用镜像集合是指用户终端中当前安装的所有应用程序的集合。
应用操作记录是指用户针对用户终端中的应用程序进行操作的记录 ,例如安装应用程序和卸载应用程序的记录。应用操作记录包括应用标识、操作类型和操作时间,操作类型包括安装操作和卸载操作。
在一个实施例中,应用操作记录包括应用标识、操作类型、操作时间;操作类型包括应用安装操作和应用卸载操作中的至少一种。
其中,应用操作记录包括用户针对应用程序每一次操作的完整的记录信息,应用操作记录中包括应用标识、操作类型和操作时间;操作类型包括应用安装操作和应用卸载操作中的至少一种,即用户对每个应用程序的操作可以仅包括安装操作,也可以包括安装操作和卸载操作。
服务器获取待推送应用程序后,根据待推送应用程序的应用类别确定目标推送范围。具体地,服务器可以根据待推送应用程序的应用类别和应用属性信息确定推送范围,根据推送范围确定满足条件的用户,并获取这些用户标识对应的应用镜像集合和应用操作记录。
S206,将应用镜像集合和应用操作记录输入至已训练的预测模型,通过预测模型的第一叠层网络提取各个用户标识的第一时期需求特征,通过预测模型的第二叠层网络提取各个用户标识的第二时期需求特征。
其中,时期是表示事物发展过程中的一段具有一定特征的和长度的时间,需求特征具体可以为体现为用户对应用程序的安装需求。其中,第一时期比第二时期的周期长,第一时期需求特征可以是第一时期需求特征,第一时期需求特征表示用户对于应用程序具有较长时期的需求,例如较长时期可以按照一个月、三个月、六个月以上等预设时长进行界定。第二时期需求特征可以是第二时期需求特征,第二时期需求特征表示用户对于应用程序具有较短时期的需求,例如较短时期可以按照一个月、两周、一周以下等预设时长进行界定。例如用户终端中的一些长期存在的应用程序,表示用户对这些应用程序具有长期需求。第二时期需求特征则表示用户对应用程序的短期需求,例如用户终端中安装后,但在短期被卸载的应用程序,即表示用户对这些用户程序具体短期需求。
机器学习(Machine Learning, ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
其中,预测模型可以为基于机器学习的神经网络模型,预测模型为服务器通过预先训练得到具有预测能力的神经网络模型,预测模型是基于对大量用户的应用镜像集合和应用操作记录以及训练标签数据进行训练得到的。预测模型可以包括多层神经网络结构,用于从应用镜像集合和应用操作记录提取用户的长短期需求或兴趣,以向用户推送应用程序。
具体地,预测模型中包括多个叠层网络,叠层网络可以包括多层神经网络结构。其中,预测模型中可以包括第一叠层网络和第二叠层网络,第一叠层网络和第二叠层网络分别是不同的堆叠神经网络层。第一叠层网络可以为叠层自动编码机,叠层自动编码机是指一类人工神经网络结构,其通过重构网络输入,对网络输入进行编码,同时完成信息提取。例如可以为SdA堆叠自动编码机(Stacked automatic coding machine )。叠层自动编码机可以为包括多个中间隐层的自动编码机,每层设置有相应的权重参数。
第二叠层网络可以为叠层编码器,叠层编码器包括多层中间隐层的自动编码层,叠层编码器是指一类基于多头自注意力机制和前馈神经网络的人工神经网络结构,其支持叠层结构,从而具备更强的信息提取能力。例如可以为Transformer编码器,每层均设置有相应的权重参数。
服务器根据目标推送范围获取多个用户标识的应用镜像集合和应用操作记录后,将各个用户标识的应用镜像集合和应用操作记录输入至预测模型,通过预测模型对应用镜像集合和应用操作记录进行特征提取,得到各个用户标识的第一时期需求特征和第二时期需求特征。具体地,服务器通过预测模型的第一叠层网络提取各个用户标识的第一时期需求特征,通过预测模型的第二叠层网络提取各个用户标识的第二时期需求特征。通过越策模型中的多层神经网络结构对应用镜像集合和应用操作记录进行特征提取,能够精准地提取出各个用户在不同时期的需求特征。
S208,通过预测模型的特征连接层对第一时期需求特征和第二时期需求特征进行融合得到目标需求特征;根据目标需求特征确定各个用户标识对应待推送应用程序的兴趣度评分。
其中,预测模型中还包括特征连接层和前馈神经网络层,特征连接层用于对第一叠层网络和第二叠层网络分别提取得到的第一时期需求特征和第二时期需求特征进行特征融合。前馈神经网络层用于根据特征连接层输出的目标需求特征预测用户标识对应待推送应用程序的兴趣度评分。
其中,兴趣度评分可以反应出用户对应用程序的兴趣程度,兴趣度评分可以为用户将来会安装或继续留存的应用程序的预测概率值。
服务器通过预测模型提取出各个用户标识的第一时期需求特征和第二时期需求特征后,将得到第一时期需求特征和第二时期需求特征输入至预测模型中的特征连接层进行融合,从而可以得到融合了用户在不同时期的目标需求特征。例如,第一时期需求特征可以为长期需求特征,第二时期需求特征可以为短期需求特征,从而可以得到融合了长期需求和短期需求的用户兴趣需求,由此能够准确有效地提取较为真实和全面的反映用户兴趣的目标需求特征。
服务器通过预测模型对各个用户标识的第一时期需求特征和第二时期需求特征进行特征融合后,进一步根据融合后的目标需求特征计算每个用户标识对待推送应用程序的兴趣度评分。具体地,服务器可以通过预测模型中的前馈神经网络层基于融合后的用户兴趣特征预测用户感兴趣的应用类别,基于对应用类别的预测概率值得到用户标识对应待推送应用程序的兴趣度评分,从而能够有效地根据不同时期的需求特征得到全面、精准的用户兴趣需求。
S210,根据兴趣度评分筛选满足推送条件的目标用户标识,将待推送应用程序推送至目标用户标识对应的用户终端。
服务器通过预测模型计算出各个用户标识对应待推送应用程序的兴趣度评分后,提取兴趣度评分达到条件阈值的目标用户标识,利用兴趣度评分满足条件阈值的用户标识生成用户推送列表。服务器则将该待推送应用程序推送至用户推送列表中各个用户标识对应的用户终端。
在其中一个实施例中,服务器根据兴趣度评分筛选出多个目标用户标识后,还可以利用多个目标用户标识生成用户推送列表。用户推送列表是指针对该待推送应用程序需要推送给多个用户的用户列表,用户推送列表中包括了满足推送条件的多个用户标识。服务器并将该待推送应用程序推送至用户推送列表中各个用户标识对应的用户终端。
在其中一个实施例中,服务器可以同时获取多个待推送应用程序,并利用预测模型分别预测相应的用户推送列表,多个待推送应用程序的用户推送列表中可能包括重合的用户标识。每个用户标识对应的用户终端也可以同时接收多个服务器推送的应用程序。具体地,用户终端接收到多个推送的应用程序后,根据用户标识对各个应用程序的兴趣度评分进行排序,生成排序后的应用推送列表,并将应用推送列表在用户终端的显示界面进行展示。
上述推送应用程序的方法中,服务器获取待推送应用程序后,根据待推送应用程序的应用类别确定推送范围,获取推送范围对应的各个用户标识的应用镜像集合和应用操作记录。通过预测模型中的第一叠层网络提取各个用户标识的第一时期需求特征,以及通过预测模型的第二叠层网络提取各个用户标识的第二时期需求特征,能够根据应用镜像集合和应用操作记录准确有效地提取出各个用户标识的不同时期的需求特征。通过预测模型中的特征连接层将第一时期需求特征和第二时期需求特征进行融合,由此能够精准地提取反映用户兴趣的目标需求特征。服务器利用得到的目标需求特征确定各个用户标识对应待推送应用程序的兴趣度评分,根据兴趣度评分筛选满足推送条件的目标用户标识,将待推送应用程序推送至目标用户标识对应的用户终端。通过预测模型分别提取出用户的第一时期需求特征和第二时期需求特征并进行融合,由此能够有效地获取较为全面、精准的用户的兴趣需求,进而根据用户的兴趣需求推送应用程序,有效提高了推送应用程序的准确性。
在一个实施例中,如图3所示,提供了一种推送应用程序的方法,具体包括:
S302,获取待推送应用程序,待推送应用程序包括应用类别。
S304,根据应用类别确定目标推送范围,获取目标推送范围对应的各个用户标识的应用镜像集合和应用操作记录。
S306,将应用镜像集合和应用操作记录输入至已训练的预测模型,利用预测模型的第一叠层网络根据应用镜像集合提取各个用户标识的第一时期需求特征。
服务器获取待推送应用程序后,根据待推送应用程序的应用类别确定目标推送范围,获取目标推送范围对应的各个用户标识的应用镜像集合和应用操作记录。将各个用户标识的应用镜像集合和应用操作记录输入至已训练的预测模型中,通过预测模型对应用镜像集合和应用操作记录进行特征提取。
预测模型中包括多层神经网络结构,其中包括第一叠层网络和第二叠层网络。第一叠层网络可以为包括多个中间隐层的叠层自动编码机层,用于提取各个用户标识的第一时期需求特征。第二叠层网络可以为包括多个中间隐层的叠层编码器,用于提取各个用户标识的第二时期需求特征。
其中,应用镜像集合包括用户终端中当前安装的多个应用安装镜像,应用镜像集合可以反应用户对于这些当前正在使用的应用程序具有长期的兴趣需求。应用操作记录中包括应用安装操作和应用卸载操作等记录信息,可以反应用户对这些存在操作行为的应用程序具有短期的兴趣需求。
具体地,服务器将应用镜像集合和应用操作记录输入至预测模型后,将应用镜像集合中的多个应用安装镜像输入至预测模型的第一叠层网络,通过第一叠层网络对用镜像集合中的多个应用安装镜像进行特征提取,从而可以提取出反应用户长期兴趣需求的第一时期需求特征。以第一叠层网络为叠层自动编码层为例,通过叠层自动编码层对应用安装镜像进行重构并编码,从而能够提取出用户标识的第一时期需求特征。
S308,利用预测模型的第二叠层网络根据应用操作记录提取各个用户标识的第二时期需求特征。
服务器同时将用户标识的应用操作记录输入至预测模型中的第二叠层网络,第二叠层网络根据应用操作记录提取各个用户标识的第二时期需求特征。例如第二叠层网络可以为叠层编码器,通过叠层编码层逐层提取应用安装特征表示和应用卸载表示,进而根据安装特征表示和应用卸载表示提取对应的第二时期需求特征。
S310,通过预测模型的特征连接层对第一时期需求特征和第二时期需求特征进行特征融合,得到各个用户标识的目标需求特征。
服务器通过预测模型分别提取出各个用户标识的第一时期需求特征和第二时期需求特征后,进一步将第一时期需求特征和第二时期需求特征输入至预测模型中的特征连接层,通过特征连接层对第一时期需求特征和第二时期需求特征进行融合,利用第一时期需求特征和第二时期需求特征提取各个用户标识的目标需求特征,目标需求特征反应了用户的综合兴趣需求,从而能够准确地提取出各个用户的兴趣特征。
S312,根据目标需求特征确定各个用户标识对应待推送应用程序的兴趣度评分。
S314,根据兴趣度评分筛选满足推送条件的目标用户标识,将待推送应用程序推送至目标用户标识对应的用户终端。
服务器进一步根据融合后的目标需求特征计算每个用户标识对待推送应用程序的兴趣度评分,服务器可以通过预测模型中的前馈神经网络基于融合后的各个用户的目标需求特征预测用户感兴趣的应用类别,基于对应用类别的预测概率值得到用户标识对应待推送应用程序的兴趣度评分。服务器提取兴趣度评分达到条件阈值的用户标识,利用兴趣度评分满足条件阈值的用户标识生成用户推送列表。
本实施例中,通过分别提取各个用户标识的第一时期需求特征和第二时期需求特征后,对第一时期需求特征和第二时期需求特征进行融合,利用第一时期需求特征和第二时期需求特征提取各个用户标识的目标需求特征,由此能够精准有效地提取用户的兴趣需求,进而根据用户的兴趣需求推送应用程序,从而有效提高了推送应用程序的准确性。
在一个实施例中,利用预测模型的第一叠层网络根据应用镜像集合提取各个用户标识的第一时期需求特征包括:将应用镜像集合输入至第一叠层网络,对应用镜像集合中的应用安装镜像进行特征提取,得到对应的应用镜像特征;利用第一叠层网络和相应的权重参数对应用镜像特征进行编码,得到编码后的应用镜像特征;利用预设函数根据编码后的应用镜像特征提取各个用户标识的第一时期需求特征。
服务器将应用镜像集合和应用操作记录输入至预测模型后,利用预测模型对应用镜像集合进行特征提取的过程中,服务器首先将应用镜像集合输入至预测模型中的第一叠层网络。第一叠层网络首先对应用镜像集合进行特征提取,得到对应的应用镜像特征。服务器进一步利用第一叠层网络的各层网络以及各层网络的权重参数逐层对应用镜像集合中的各个应用安装镜像进行编码,从而得到编码后的应用镜像特征。预测模型则利用预设函数根据编码后的应用镜像特征提取各个用户标识的第一时期需求特征,从而能够根据应用镜像集合精准地提取出用户的第一时期属性对应的兴趣需求。
具体地,第一时期需求特征可以为用户的长期需求特征。目标推送范围的所有用
户的应用镜像集合可由矩阵表示,其中U为用户数,M为应用程序的数量。用户的
应用镜像集合可以用表示,当x um =1时表示用户u的用户终端上当前正安装有应用
程序m。应用操作记录可以如下所示:
服务器将多个用户标识的应用镜像集合和应用操作记录输入至预测模型后,将应用镜像集合输入至预测模型中的叠层自动编码机,进行重构并编码,从而提取出用户的第一时期需求特征。
其中,预测模型可以采用具有三个中间隐层的叠层自动编码机,共有4层权重参数,叠层自动编码机的公式具体可以表示为:
其中,基于用户u的用户安装镜像x u ,W (p) 为第p层的权重,W (1) 可以为第一层的权重;b (p)为第p层的偏置,x (p) 和x (p-1) 分别是第p层的输出和输入,f (p) 表示第p层的激活函数。x (0) 即为自动编码机的输入安装镜像x u ,x (4) 即为重构的用户安装镜像,x (1) 、x (2) 、x (3) 均为编码后的用户安装镜像,可以用来表示用户的长期需求特征。具体地,服务器可以采用交叉熵损失函数,对应用安装镜像特征进行重构,以提高特征重构的准确性。损失函数具体如下所示:
通过损失函数或激活函数对每层的用户安装镜像进行重构和编码后,从而可以准确地提取出用户的长期需求特征。
在一个实施例中,利用预测模型的第二叠层网络根据应用操作记录提取各个用户标识的第二时期需求特征包括:将应用操作记录输入至第二叠层网络,对应用操作记录进行特征抽取,得到应用嵌入表示、操作时间表示和操作类型表示;利用第二叠层网络和相应的权重参数对应用嵌入表示、应用操作表示和操作时间表示进行编码,得到应用操作记录矩阵;根据应用操作记录矩阵提取各个用户标识的第二时期需求特征。
其中,应用操作记录包括用户每一次操作应用程序对应的应用标识、操作类型和操作时间;操作类型包括应用安装操作和应用卸载操作中的至少一种,即用户对每个应用程序的操作可以仅包括安装操作,也可以包括安装操作和卸载操作。
其中,预测模型中的第二叠层网络具体可以为叠层编码器。服务器将应用操作记录输入至预测模型后,将提取应用操作记录对应的应用操作记录向量,将应用操作记录向量作为叠层编码器的输入。首先通过叠层编码器的嵌入层分别对应用操作记录进行特征抽取,得到应用嵌入表示、操作时间表示和操作类型表示。进一步利用第二叠层网络和相应的权重参数对应用嵌入表示、应用操作表示和操作时间表示进行编码,得到应用操作记录矩阵。利用应用操作记录矩阵则可以进一步准确地提取出用户的第二时期需求特征。
在一个实施例中,根据应用操作记录矩阵提取各个用户标识的第二时期需求特征包括:获取应用镜像集合对应的应用镜像特征;将应用镜像特征输入至应用操作记录矩阵进行特征融合,得到融合后的应用矩阵;根据应用矩阵提取各个用户标识的第二时期需求特征。
其中,第二时期需求特征可以为用户的短期需求特征。由于用户的应用操作记录中可能存在噪声,例如应用操作记录中存在用户误操作或漫无目的操作的可能性,这样的噪声会影响短期用户需求提取的准确性,从而影响推荐的精准度。
服务器通过预测模型的第二叠层网络利用应用操作记录提取用户的短期需求的过程中,服务器还可以将应用镜像集合对应的应用镜像特征输入至应用操作记录矩阵进行特征融合,得到融合后的应用矩阵,进而根据应用矩阵提取各个用户标识的第二时期需求特征,由此能够有效地提取准确性较高的用户短期需求特征。
具体地,通过叠层编码器提取应用操作记录中的应用标识的应用嵌入表示后,在此基础上添加操作类型表示进行编码,可以得到应用安装特征表示和应用卸载特征表示。进一步在此基础上添加操作时间表示进行编码,得到每一次应用的操作记录表示,从而得到基于用户的多个操作记录表示对应的应用操作记录矩阵。通过叠层编码器中的预设函数对应用操作记录矩阵进行计算,从而可以得到用户的短期需求特征。
例如,第二叠层网络具体可以为Transformer编码器,Transformer是一种基于Encoder-Decoder(编码-解码)结构的模型。Encoder和Decoder可以由多个网络层堆叠而成,例如至少包括3层,每层还可以包括相应的子层。每层都有相应的权重参数。
如图4所示,为一个具体的实施例中预测模型的结构示意图。如预测模型结构示意图中所示,Lrec对应的结构部分可以表示采用叠层自动编码机对用户的应用镜像集合进行处理的网络结构层;EncodingLayer和Stacking对应的结构部分可以表示采用叠层Transformer编码器对应用操作记录进行处理的网络结构层;Concat部分可以表示特征连接层,用于对提取得到的第一时期需求特征和第二时期需求特征进行融合;Lpre对应的结构部分可以为前馈神经网络,用于根据融合后的需求特征进行预测处理。
其中,Transformer编码器中可以包括多头自注意力机制层(MultiMhead self-attention),位置全链接层(position-wise Feed Forward),中间层可以包括多层残差连接层(Layer Normalization)以及FFN(前馈神经网络),每个子层之间有残差连接,用于进行层归一化。
具体地,以第一时期需求特征为用户的长期需求特征,第二时期需求特征为用户的短期需求特征为例,基于用户u的应用操作记录,应用操作记录中包括用户的应用安装与应用卸载的记录。具体可以通过以下步骤,提取用户的短期需求特征,并将其与长期用户需求相融合。
步骤2:在上一步转换得到的结果上,添加操作类型嵌入表示进行编码。其中,安装特征表示为W n ,应用卸载特征表示为W l 。
通过以上三个步骤,可以将任意一次的应用安装与卸载操作记录,按如下转换为应用操作记录矩阵,即包含应用表示、操作时间和操作类型的嵌入层表示:
步骤4:获取编码后的应用安装镜像,添加应用安装镜像的嵌入层表示,如下所示:
其中在本步骤中,取x (1) 作为编码后的应用安装镜像。
步骤5;整理叠层Transformer编码器的输入。将前4个步骤得到的所有嵌入层表示,整理为一个如下所示的列表:
步骤6:使用叠层Transformer编码器处理已转换为嵌入层表示的应用操作记录矩阵和编码后的应用安装镜像,以将应用镜像集合中的应用镜像特征融合至应用操作记录中。单层Transformer编码器具体如下所示:
其中,MultiHead表示多头自注意力机制,LayerNorm表示层归一化,FFN表示前馈神经网络;e (0) 表示步骤5中得到的嵌入层表示列表中的任意一个,e (r-1) 表示第r层的输入,并对应着步骤5中得到的嵌入层表示列表中的任意一个。
步骤7:将应用镜像集合中的应用镜像特征融合至应用操作记录矩阵后,从而可以
提取得到融合了用户长期需求特征的短期需求特征表示。例如共有R层Transformer编码
器,则将作为从应用操作记录中提取得到的短期用户需求。通过叠层编码器将应用镜
像集合和应用操作记录进行特征融合提取,能够有效地提取准确性较高的用户短期需求特
征。
在一个实施例中,通过预测模型的特征连接层对第一时期需求特征和第二时期需求特征进行融合包括:将第一时期需求特征和第二时期需求特征输入至特征连接层,对第一时期需求特征和第二时期需求特征进行拼接,得到拼接后的需求特征;利用拼接后的需求特征生成各个用户标识的目标需求特征。
其中,预测模型中包括第一叠层网络和第二叠层网络,还包括特征连接层,用于对第一叠层网络和第二叠层网络分别提取得到的第一时期需求特征和第二时期需求特征进行特征融合。
服务器将各个用户标识的应用镜像集合和应用操作记录输入至预测模型,通过预测模型对应用镜像集合进行特征提取得到第一时期需求特征,以及通过对应用操作记录进行特征提取得到第二时期需求特征后,服务器进一步通过预测模型对第一时期需求特征和第二时期需求特征进行融合。
具体地,服务器通过预测模型的第一叠层网络对应用镜像集合进行特征提取,得到第一时期需求特征,以及通过第二叠层网络对应用操作记录进行特征提取,得到第二时期需求特征后;将第一时期需求特征和第二时期需求特征输入至特征连接层,对第一时期需求特征和第二时期需求特征进行拼接,得到拼接后的需求特征。服务器则利用拼接后的需求特征通过预设函数生成各个用户标识的目标需求特征,由此能够有效地提取得到全面且精准的用户的兴趣需求。
服务器进而利用用户的目标需求特征确定各个用户标识对应待推送应用程序的兴趣度评分,进而利用兴趣度评分满足条件阈值的目标用户标识生成用户推送列表,并将待推送应用程序推送至用户推送列表对应的用户终端。通过预测模型提取用户的第一时期需求特征和第二时期需求特征并进行融合,由此能够精准有效地提取用户的兴趣需求,进而根据用户的兴趣需求推送应用程序,从而有效提高了推送应用程序的准确性。
具体地,基于上述通过叠层自动编码机和叠层Transformer编码器提取用户的长期需求特征和短期需求特征处理后,利用各个用户的长短期需求特征进行应用程序推荐的过程可以如下:
服务器将叠层自动编码机提取的长期需求特征x (2) 和叠层Transformer编码器提
取的短期需求特征输入至特征连接层进行特征拼接,从而可以得到融合了用户的长期
需求和短期需求的长短期需求特征。对长期需求特征和短期需求特征进行融合的表达式,
可以如下所示:
服务器进一步利用预测模型中的前馈神经网络,通过预设的损失函数预测用户对该待推送应用程序的兴趣度评分。具体地,可以采用交叉熵损失函数进行预测,以提高用户对应用程序的安装行为的预测准确性,损失函数具体如下所示:
其中,L pre 可以表示用户在未来一段时间内安装各个类别的应用并留存的概率。长短期需求特征可以反应用户的兴趣需求,通过根据用户的兴趣需求推送应用程序,从而有效提高了推送应用程序的准确性。
在一个实施例中,该方法还包括:根据目标需求特征计算各个用户标识对应待推送应用程序的应用类别的兴趣度评分;根据兴趣度评分生成各个应用类别对应的用户推送列表;将各个应用类别的待推送应用程序按照用户推送列表推送至相应的用户终端。
其中,服务器通过预测模型提取出各个用户的第一时期需求特征和第二时期需求特征,并对第一时期需求特征和第二时期需求特征进行融合后,利用融合后的目标需求特征生成用户的目标需求特征。服务器利用各个用户的目标需求特征确定各个用户标识对应待推送应用程序的兴趣度评分的过程中,将应用程序的应用类别作为预测目标。即服务器可以根据待推送应用程序的应用类别,根据计算各个用户对应该应用类别的兴趣度评分。因此在计算用户对待推送应用程序的兴趣度评分时,只需要计算用户对该待推送应用程序的应用类别的兴趣度评分即可。
若有多个相同应用类别的待推送应用程序时,用户对应这些待推送应用程序的兴趣度评分也可以是相同的。服务器则根据兴趣度评分生成各个应用类别对应的用户推送列表,其中每个应用类别都可以预测得到相应的用户推送列表,每个应用类别的用户推送列表是不同的。服务器进而将各个应用类别的待推送应用程序按照用户推送列表推送至相应的用户终端。通过根据应用程序的应用类别预测用户的兴趣度评分,由此能够快速精准地根据应用类别向用户进行推送,从而能够有效提高应用程序的推送准确性和推送效率。
如图5所示,在一个具体地实施例中,应用程序的推送方法包括以下步骤:
S502,获取待推送应用程序,待推送应用程序包括应用类别。
S504,根据应用类别确定推送范围,获取推送范围对应的各个用户标识的应用镜像集合和应用操作记录。
S506,将应用镜像集合和应用操作记录输入至已训练的预测模型。
S508,将应用镜像集合输入至预测模型的第一叠层网络,通过第一叠层网络对应用镜像集合中的应用安装镜像进行特征提取,得到对应的应用镜像特征。
S510,利用第一叠层网络和相应的权重参数对应用镜像特征进行编码,得到编码后的应用镜像特征。
S512,利用预设函数根据编码后的应用镜像特征提取各个用户标识的第一时期需求特征。
S514,将应用操作记录输入至预测模型的第二叠层网络,通过第二叠层网络对应用操作记录进行特征抽取,得到应用嵌入表示、操作时间表示和操作类型表示。
S516,利用第二叠层网络和相应的权重参数对应用嵌入表示、应用操作表示和操作时间表示进行编码,得到应用操作记录矩阵。
S518,根据应用操作记录矩阵提取各个用户标识的第二时期需求特征。
S520,将第一时期需求特征和第二时期需求特征输入至预测模型的特征连接层,通过特征连接层对第一时期需求特征和第二时期需求特征进行拼接,得到各个用户标识的目标需求特征。
S522,根据目标需求特征确定各个用户标识对应待推送应用程序的兴趣度评分。
S524,根据兴趣度评分筛选满足推送条件的目标用户标识,将待推送应用程序推送至目标用户标识对应的用户终端。
上述应用程序的推送方法,通过预测模型的第一叠层网络和第二叠层网络分别对应用镜像集合和应用操作记录进行特征提取,能够准确有效地提取出各个用户标识的第一时期需求特征和第二时期需求特征。通过将第一时期需求特征和第二时期需求特征进行融合,由此能够精准且全面地提取出符合用户兴趣的目标需求特征。服务器利用融合后的需求特征确定出各个用户标识对应待推送应用程序的兴趣度评分,进而利用兴趣度评分满足条件阈值的目标用户标识生成用户推送列表,并将待推送应用程序推送至用户推送列表对应的用户终端。通过预测模型分别提取出用户的第一时期需求特征和第二时期需求特征并进行融合,由此能够有效地获取较为全面、精准的用户兴趣需求,进而根据用户的兴趣需求推送应用程序,从而有效提高了推送应用程序的准确性。
如图6所示,在一个实施例中,提供了一种应用程序的推送方法,包括以下步骤:
S602,接收用户终端发送的应用获取请求,应用获取请求携带用户标识。
S604,获取用户标识的当前应用镜像集合和应用操作记录,将当前应用镜像集合和应用操作记录输入至预测模型,得到用户标识对应各个应用类别的兴趣度评分。
S606,根据兴趣度评分提取满足条件的应用类别,获取应用类别对应的待推送应用程序。
S608,将待推送应用程序推送至用户终端。
其中,当前应用镜像集合表示该用户终端中当前已安装的所有应用的集合。应用操作记录表示该用户在历史一段时间内对应用程序的操作记录,包括一个用安装记录和应用卸载记录。例如,应用管理软件中可以包括应用推送***,应用推送***中包括多个待推送应用程序。待推送应用程序可以表示已发布在应用推送***中,但用户未安装的应用程序。
用户终端还可以向服务器发起应用获取请求,例如,用户在访问应用管理软件时,可以向服务器发起应用获取请求。服务器接收用户终端发送的应用获取请求后,根据用户标识获取该用户终端中的当前应用镜像集合和应用操作记录。
服务器将该用户的当前应用镜像集合和应用操作记录输入至预测模型,通过预测模型的第一叠层网络对该用户的当前应用镜像集合进行特征提取,可以得到该用户的第一时期需求特征。同时通过第二叠层网络对该用户的应用操作记录进行特征提取,得到该用户的第二时期需求特征。服务器通过预测模型对该用户的第一时期需求特征和第二时期需求特征进行特征融合,得到用户的目标需求特征。
服务器进一步获取应用推送***中的多个待推送应用程序的应用类别,根据用户的目标需求特征计算该用户标识对应每个应用类别的兴趣度评分,获取兴趣度评分达到条件阈值的应用类别。其中,每个应用类别下可能包括多个待推送应用程序。服务器可以获取每个应用类别下排名最高的预设数量的待推送应用程序。服务器则获取满足条件的应用类别下预设数量的待推送应用程序,并将获取的待推送应用程序推送至用户终端。
本实施例中,基于用户发起的应用获取请求,通过预测模型对用户的当前应用镜像集合和应用操作记录进行分析,提取用户的第一时期需求特征和第二时期需求特征并进行融合,由此能够准确有效地提取较为全面、精准的提取符合用户兴趣的目标需求特征,进而预测用户感兴趣的应用类别,并获取相应的待推送应用程序进行推送,从而能够精准地根据用户的兴趣需求进行推送,有效提高了应用程序的推送准确性。
如图7所示,在一个实施例中,提供了一种应用程序的推送方法,包括以下步骤:
S702,接收用户终端发送的应用获取请求,应用获取请求携带用户标识。
S704,获取用户标识的当前应用镜像集合和应用操作记录,将当前应用镜像集合和应用操作记录输入至预测模型,得到用户标识对应各个应用类别的兴趣度评分。
S706,根据兴趣度评分提取满足条件的应用类别,获取应用类别对应的待推送应用程序。
S708,获取应用类别对应的各个待推送应用程序的热度值。
S710,提取热度值满足条件阈值的待推送应用程序。
S712,将获取的待推送应用程序按照兴趣度评分生成应用推送列表。
S714,将应用推送列表中的待推送应用程序推送至用户终端。
服务器通过预测模型根据用户的当前应用镜像集合和应用操作记录提取得到用户的目标需求特征,并根据用户的目标需求特征计算该用户标识对应每个应用类别的兴趣度评分后,获取兴趣度评分达到条件阈值的应用类别。其中,每个应用类别下可能包括多个待推送应用程序,每个待推送应用程序包括对应的应用信息,例如可以包括下载率、点击率等信息,应用程序的下载率和点击率可以反映出应用程序的热度。
具体地,服务器获取满足条件的应用类别下的待推送应用程序,待推送应用程序包括应用信息。服务器则根据待推送应用程序的应用信息获取每个待推送应用程序的热度值。其中,服务器可以直接根据待推送应用程序的下载率确定为对应的热度值,也可以根据待推送应用程序的下载率和点击率进行计算得到对应的热度值。服务器则提取每个应用类别下热度值满足条件阈值的待推送应用程序,并利用获取的待推送应用程序生成应用推送列表。
服务器还可以根据兴趣度评分对获取的待推送应用程序进行排序,在排序的过程中,可以将兴趣度评分作为第一权重,将热度值作为第二权重。即首先根据兴趣度评分对待推送应用程序进行排序,然后再根据热度值对待推送应用程序进行排序,从而得到排序后的应用推送列表。如图8所示,为向用户终端展示的应用推送列表的界面示意图。服务器则将排序后的应用推送列表推送至用户终端。由此在用户终端的界面中,可以展示用户感兴趣的且比较热门的应用程序,从而能够有效提高用户对这些推送的应用程序的安装概率,进而有效提高了应用程序的推送准确性和推送效率。
在一个实施例中,如图9所示,图9为预测模型训练步骤的流程示意图,具体包括以下步骤:
S902,获取多个用户的历史应用镜像集合和历史应用操作记录,利用历史应用镜像集合和历史应用操作记录生成训练样本数据;
S904,获取多个用户的留存应用集合,利用留存应用集合生成训练标签。
服务器在进行应用程序推送之前,还需要预先训练出预测模型,具体可以采用离线训练的方式预先训练预测模型。其中,历史应用镜像集合表示在历史的某一个指定时间用户终端中所安装的所有应用程序的集合,历史应用操作记录表示用户在历史的某一时长内的应用操作记录。留存应用集合表示历史的某一个指定时间的某一时长之后用户终端中所安装的所有应用程序的集合。例如,以指定时间为T为例,历史应用镜像集合和历史应用操作记录为T-1时刻的用户终端中的应用程序集合和应用操作记录,留存应用集合为T-1时刻的用户终端中的应用程序的集合,T-1对应的时长可以为一周、一个月等周期。
服务器可以获取大量用户的历史应用镜像集合和历史应用操作记录以及留存应用集合,利用历史应用镜像集合和历史应用操作记录生成训练样本数据,训练样本数据用于对预设的神经网络进行训练。服务器利用这些用户的留存应用集合生成训练标签,训练标签用于对每次的训练结果进行调参等处理,以进一步训练和优化预测模型。
S906,提取历史应用镜像集合的应用镜像特征,提取历史应用操作记录的应用操作记录矩阵。
S908,利用应用镜像特征和应用操作记录矩阵以及训练标签训练预测模型。
服务器大量用户的历史应用镜像集合和历史应用操作记录后,将历史应用镜像集合和历史应用操作记录输入至预设的神经网络模型,对历史应用镜像集合进行特征提取,得到相应的应用镜像特征。并对历史应用操作记录进行特征提取,得到相应的应用操作记录矩阵。具体地,服务器可以将用户在未来一段时间后,用户终端中留存的应用程序的应用类别作为预测目标,利用应用镜像特征和应用操作记录矩阵通过预设的函数训练神经网络模型。
服务器在训练预测模型的过程中,利用应用镜像特征和应用操作记录矩阵对预设的神经网络模型进行多次迭代训练,每次得到相应的训练结果。服务器则利用训练标签根据训练结果对预设神经网络模型的参数进行调整,并继续进行迭代训练。
图10为一个实施例中应用程序推送过程的整体框架,如图10所示,整体框架包括模型训练阶段和在线推荐阶段。以指定时间为T为例,T-1表示历史阶段,即服务器在进行在线推荐之前,需求利用历史应用镜像集合和历史应用操作记录以及训练标签训练得到预测模型。T+1表示利用预测模型进行处理后得到的预测结果,即推送结果。预测结果可以表示用户在T时刻为节点的将来感兴趣的应用程序。通过预测模型分别提取出用户的不同时期需求特征并确定对待推送应用程序的兴趣度评分,由此能够有效地获取较为全面、精准的用户的兴趣需求,进而根据用户的兴趣需求推送应用程序,有效提高了推送应用程序的准确性。
在一个实施例中,利用应用镜像特征和应用操作记录矩阵以及训练标签训练预测模型包括:将应用镜像特征和应用操作记录矩阵输入至预设的神经网络模型,得到训练结果;基于训练结果与训练标签的差异,调整神经网络模型的参数并继续训练,直至满足训练条件时结束训练,得到所需的预测模型。
其中,训练条件是指满足模型训练的条件。训练条件可以是达到预设的迭代次数,也可以是调整参数后的图片分类器的分类性能指标达到预设指标。
具体地,服务器每次利用应用镜像特征和应用操作记录矩阵对预设的神经网络模型进行训练,得到相应的训练结果后,将训练结果与训练标签进行比较,得到训练结果与训练标签的差异。服务器则进一步以减少差异为目标,调整预设神经网络模型的参数,并继续进行训练。若调参后的神经网络模型的训练结果不满足训练条件时,则继续利用训练标签对神经网络模型进行调参并继续训练。直到满足训练条件时结束训练,得到所需的预测模型。
例如,训练结果与训练标签的差异可以用代价函数来衡量,可以选择交叉熵损失函数或均方误差等函数作为代价函数。服务器可以在代价函数的值小于预先设定的值时结束训练,从而提高用户对应用程序的安装行为的预测准确性。
本实施例中,将多个用户的历史应用镜像集合和历史应用操作记录作为训练样本数据,将留存应用集合作为训练标签。在训练预测模型时,通过训练标签对神经网络模型进行指导和调参优化,由此能够有效提高用户对应用程序的安装行为的预测精度,从而有效提提高了模型的预测准确度,进而能够有效提高应用程序推送的准确度。
应该理解的是,虽然图2、3、5、6、7、9的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、3、5、6、7、9中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图11所示,提供了一种推送应用程序的装置1100,该装置可以采用软件模块或硬件模块,或者是二者的结合成为计算机设备的一部分,该装置具体包括:应用获取模块1102、数据获取模块1104、兴趣预测模块1106和应用推送模块1108,其中:
应用获取模块1102,用于获取待推送应用程序,待推送应用程序包括应用类别;
数据获取模块1104,用于根据应用类别确定推送范围,获取推送范围对应的各个用户标识的应用镜像集合和应用操作记录;
兴趣预测模块1106,用于将应用镜像集合和应用操作记录输入至已训练的预测模型,通过预测模型的第一叠层网络提取各个用户标识的第一时期需求特征,通过预测模型的第二叠层网络提取各个用户标识的第二时期需求特征;通过预测模型的特征连接层对第一时期需求特征和第二时期需求特征进行融合得到目标需求特征;根据目标需求特征确定各个用户标识对应待推送应用程序的兴趣度评分;
应用推送模块1108,用于根据兴趣度评分筛选满足推送条件的目标用户标识,将待推送应用程序推送至目标用户标识对应的用户终端。
在一个实施例中,兴趣预测模块1106还用于利用预测模型的第一叠层网络根据应用镜像集合提取各个用户标识的第一时期需求特征;利用预测模型的第二叠层网络根据应用操作记录提取各个用户标识的第二时期需求特征。
在一个实施例中,兴趣预测模块1106还用于将应用镜像集合输入至第一叠层网络,对应用镜像集合中的应用安装镜像进行特征提取,得到对应的应用镜像特征;利用第一叠层网络和相应的权重参数对应用镜像特征进行编码,得到编码后的应用镜像特征;利用预设函数根据编码后的应用镜像特征提取各个用户标识的第一时期需求特征。
在一个实施例中,应用操作记录包括应用标识、操作类型、操作时间中的至少一种;操作类型包括应用安装操作和应用卸载操作中的至少一种。
在一个实施例中,兴趣预测模块1106还用于将应用操作记录输入至第二叠层网络,对应用操作记录进行特征抽取,得到应用嵌入表示、操作时间表示和操作类型表示;利用第二叠层网络和相应的权重参数对应用嵌入表示、应用操作表示和操作时间表示进行编码,得到应用操作记录矩阵;根据应用操作记录矩阵提取各个用户标识的第二时期需求特征。
在一个实施例中,兴趣预测模块1106还用于获取应用镜像集合对应的应用镜像特征;将应用镜像特征输入至应用操作记录矩阵进行特征融合,得到融合后的应用矩阵;根据应用矩阵提取各个用户标识的第二时期需求特征。
在一个实施例中,兴趣预测模块1106还用于将第一时期需求特征和第二时期需求特征输入至预测模型的特征连接层,将第一时期需求特征和第二时期需求特征进行拼接,利用拼接后的需求特征生成各个用户标识的目标需求特征。
在一个实施例中,应用推送模块1108还用于根据融合后的目标需求特征计算各个用户标识对应待推送应用程序的应用类别的兴趣度评分;根据兴趣度评分生成各个应用类别对应的用户推送列表;将各个应用类别的待推送应用程序按照用户推送列表推送至相应的用户终端。
在一个实施例中,如图12所示,该装置还包括请求获取模块1103,用于接收用户终端发送的应用获取请求,应用获取请求携带用户标识;兴趣预测模块1106还用于获取用户标识的当前应用镜像集合和应用操作记录,将当前应用镜像集合和应用操作记录输入至预测模型,得到用户标识对应各个应用类别的兴趣度评分;应用推送模块1108还用于根据兴趣度评分提取满足条件的应用类别,获取应用类别对应的待推送应用程序;将待推送应用程序推送至用户终端。
在一个实施例中,应用推送模块1108还用于获取应用类别对应的各个待推送应用程序的热度值;提取热度值满足条件阈值的待推送应用程序;将获取的待推送应用程序按照兴趣度评分生成应用推送列表;将应用推送列表中的待推送应用程序推送至用户终端。
在一个实施例中,如图13所示,该装置还包括模型训练模块1101,用于获取多个用户的历史应用镜像集合和历史应用操作记录,利用历史应用镜像集合和历史应用操作记录生成训练样本数据;获取多个用户的留存应用集合,利用留存应用集合生成训练标签;提取历史应用镜像集合的应用镜像特征,提取历史应用操作记录的应用操作记录矩阵;利用应用镜像特征和应用操作记录矩阵以及训练标签训练预测模型。
在一个实施例中,模型训练模块1101还用于将应用镜像特征和应用操作记录矩阵输入至预设的神经网络模型,得到训练结果;基于训练结果与训练标签的差异,调整神经网络模型的参数并继续训练,直至满足训练条件时结束训练,得到所需的预测模型。
关于推送应用程序的装置的具体限定可以参见上文中对于推送应用程序的方法的限定,在此不再赘述。上述推送应用程序的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图14所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储待推送应用程序、应用镜像集合和应用操作记录等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种推送应用程序的方法。
本领域技术人员可以理解,图14中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种推送应用程序的方法,所述方法包括:
获取待推送应用程序,所述待推送应用程序包括应用类别;
根据所述应用类别确定推送范围,获取所述推送范围对应的各个用户标识的应用镜像集合和应用操作记录;
将所述应用镜像集合和所述应用操作记录输入至已训练的预测模型,通过所述预测模型的第一叠层网络根据所述应用镜像集合提取各个用户标识的第一时期需求特征,通过所述预测模型的第二叠层网络根据所述应用操作记录提取各个用户标识的第二时期需求特征;
通过所述预测模型的特征连接层对所述第一时期需求特征和所述第二时期需求特征进行融合得到目标需求特征;根据所述目标需求特征确定各个用户标识对应所述待推送应用程序的兴趣度评分;
根据所述兴趣度评分筛选满足推送条件的目标用户标识,将所述待推送应用程序推送至所述目标用户标识对应的用户终端。
2.根据权利要求1所述的方法,其特征在于,所述通过所述预测模型的第一叠层网络根据所述应用镜像集合提取各个用户标识的第一时期需求特征包括:
将所述应用镜像集合输入至第一叠层网络,对所述应用镜像集合中的应用安装镜像进行特征提取,得到对应的应用镜像特征;
利用所述第一叠层网络和相应的权重参数对所述应用镜像特征进行编码,得到编码后的应用镜像特征;
利用预设函数根据所述编码后的应用镜像特征提取各个用户标识的第一时期需求特征。
3.根据权利要求1所述的方法,其特征在于,所述应用操作记录包括应用标识、操作类型、操作时间;所述操作类型包括应用安装操作和应用卸载操作中的至少一种。
4.根据权利要求3所述的方法,其特征在于,所述通过所述预测模型的第二叠层网络根据所述应用操作记录提取各个用户标识的第二时期需求特征包括:
将所述应用操作记录输入至第二叠层网络,对所述应用操作记录进行特征抽取,得到应用嵌入表示、操作时间表示和操作类型表示;
利用所述第二叠层网络和相应的权重参数对所述应用嵌入表示、应用操作表示和操作时间表示进行编码,得到应用操作记录矩阵;
根据所述应用操作记录矩阵提取各个用户标识的第二时期需求特征。
5.根据权利要求4所述的方法,其特征在于,所述根据所述应用操作记录矩阵提取各个用户标识的第二时期需求特征包括:
获取所述应用镜像集合对应的应用镜像特征;
将所述应用镜像特征输入至所述应用操作记录矩阵进行特征融合,得到融合后的应用矩阵;根据所述应用矩阵提取各个用户标识的第二时期需求特征。
6.根据权利要求1所述的方法,其特征在于,所述通过所述预测模型的特征连接层对所述第一时期需求特征和所述第二时期需求特征进行融合包括:
将所述第一时期需求特征和所述第二时期需求特征输入至所述预测模型的特征连接层;
将所述第一时期需求特征和所述第二时期需求特征进行拼接,利用拼接后的需求特征生成各个用户标识的目标需求特征。
7.根据权利要求1至6任意一项所述的方法,其特征在于,所述方法还包括:
根据所述目标需求特征确定各个用户标识对应所述待推送应用程序的应用类别的兴趣度评分;
根据所述兴趣度评分生成各个应用类别对应的用户推送列表;
将所述各个应用类别的待推送应用程序按照所述用户推送列表推送至相应的用户终端。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
接收用户终端发送的应用获取请求,所述应用获取请求携带用户标识;
获取所述用户标识的当前应用镜像集合和应用操作记录,将所述当前应用镜像集合和所述应用操作记录输入至所述预测模型,得到所述用户标识对应各个应用类别的兴趣度评分;
根据所述兴趣度评分筛选满足条件的应用类别,获取所述应用类别对应的待推送应用程序;
将所述待推送应用程序推送至所述用户终端。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
获取所述应用类别对应的各个待推送应用程序的热度值;
提取所述热度值满足条件阈值的待推送应用程序;
将获取的待推送应用程序按照所述兴趣度评分生成应用推送列表;
将所述应用推送列表中的待推送应用程序推送至所述用户终端。
10.根据权利要求1所述的方法,其特征在于,所述预测模型的训练步骤包括:
获取多个用户的历史应用镜像集合和历史应用操作记录,利用所述历史应用镜像集合和所述历史应用操作记录生成训练样本数据;
获取多个用户的留存应用集合,利用所述留存应用集合生成训练标签;
提取所述历史应用镜像集合的应用镜像特征,提取所述历史应用操作记录的应用操作记录矩阵;
利用所述应用镜像特征和所述应用操作记录矩阵以及所述训练标签训练预测模型。
11.根据权利要求10所述的方法,其特征在于,所述利用所述应用镜像特征和所述应用操作记录矩阵以及所述训练标签训练预测模型包括:
将所述应用镜像特征和所述应用操作记录矩阵输入至预设的神经网络模型,得到训练结果;
基于所述训练结果与所述训练标签的差异,调整所述神经网络模型的参数并继续训练,直至满足所述训练条件时结束训练,得到所需的预测模型。
12.一种推送应用程序的装置,其特征在于,所述装置包括:
应用获取模块,用于获取待推送应用程序,所述待推送应用程序包括应用类别;
数据获取模块,用于根据所述应用类别确定推送范围,获取所述推送范围对应的各个用户标识的应用镜像集合和应用操作记录;
兴趣预测模块,用于将所述应用镜像集合和所述应用操作记录输入至已训练的预测模型,通过所述预测模型的第一叠层网络根据所述应用镜像集合提取各个用户标识的第一时期需求特征,通过所述预测模型的第二叠层网络根据所述应用操作记录提取各个用户标识第二时期需求特征;通过所述预测模型的特征连接层对所述第一时期需求特征和所述第二时期需求特征进行融合得到目标需求特征;根据所述目标需求特征确定各个用户标识对应所述待推送应用程序的兴趣度评分;
应用推送模块,用于根据所述兴趣度评分筛选满足推送条件的目标用户标识,将所述待推送应用程序推送至所述目标用户标识对应的用户终端。
13.根据权利要求12所述的装置,其特征在于,所述装置还包括模型训练模块,用于获取多个用户的历史应用镜像集合和历史应用操作记录,利用所述历史应用镜像集合和所述历史应用操作记录生成训练样本数据;获取多个用户的留存应用集合,利用所述留存应用集合生成训练标签;提取所述历史应用镜像集合的应用镜像特征,提取所述历史应用操作记录的应用操作记录矩阵;利用所述应用镜像特征和所述应用操作记录矩阵以及所述训练标签训练预测模型。
14.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述的方法的步骤。
15.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至11中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010173116.0A CN111046298B (zh) | 2020-03-13 | 2020-03-13 | 推送应用程序的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010173116.0A CN111046298B (zh) | 2020-03-13 | 2020-03-13 | 推送应用程序的方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111046298A CN111046298A (zh) | 2020-04-21 |
CN111046298B true CN111046298B (zh) | 2020-07-03 |
Family
ID=70231155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010173116.0A Active CN111046298B (zh) | 2020-03-13 | 2020-03-13 | 推送应用程序的方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046298B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348587B (zh) * | 2020-11-16 | 2024-04-23 | 脸萌有限公司 | 信息推送方法、装置和电子设备 |
CN112506613B (zh) * | 2020-12-11 | 2022-03-01 | 四川长虹电器股份有限公司 | Gitlab-ci自动识别Maven变更子模块并推送docker镜像的方法 |
CN114115812B (zh) * | 2022-01-28 | 2022-03-29 | 南京安元科技有限公司 | 一种跨版本的应用分发方法 |
CN116777567A (zh) * | 2023-08-17 | 2023-09-19 | 山东恒诺尚诚信息科技有限公司 | 一种基于人工智能的订单生成方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10909157B2 (en) * | 2018-05-22 | 2021-02-02 | Salesforce.Com, Inc. | Abstraction of text summarization |
CN110309427B (zh) * | 2018-05-31 | 2023-03-10 | 腾讯科技(深圳)有限公司 | 一种对象推荐方法、装置及存储介质 |
CN110245293B (zh) * | 2019-05-28 | 2023-07-11 | 深圳市雅阅科技有限公司 | 一种网络内容召回方法和装置 |
-
2020
- 2020-03-13 CN CN202010173116.0A patent/CN111046298B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111046298A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046298B (zh) | 推送应用程序的方法、装置、计算机设备和存储介质 | |
CN111538912B (zh) | 内容推荐方法、装置、设备及可读存储介质 | |
CN112163122B (zh) | 确定目标视频的标签的方法、装置、计算设备及存储介质 | |
CN111565316A (zh) | 视频处理方法、装置、计算机设备及存储介质 | |
CN112528147B (zh) | 内容推荐方法和装置、训练方法、计算设备和存储介质 | |
CN114896454B (zh) | 一种基于标签分析的短视频数据推荐方法及*** | |
CN111368141A (zh) | 视频标签的扩展方法、装置、计算机设备和存储介质 | |
CN112100504A (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
CN111858969A (zh) | 多媒体数据推荐方法、装置、计算机设备和存储介质 | |
CN112989212A (zh) | 媒体内容推荐方法、装置和设备及计算机存储介质 | |
Vilakone et al. | Movie recommendation system based on users’ personal information and movies rated using the method of k-clique and normalized discounted cumulative gain | |
CN111209173B (zh) | 一种性别预测方法、装置、存储介质、以及电子设备 | |
CN113051468A (zh) | 一种基于知识图谱和强化学习的电影推荐方法及*** | |
CN113742572A (zh) | 一种数据的推荐方法、装置、电子设备及存储介质 | |
CN111680218B (zh) | 用户兴趣识别方法、装置、电子设备及存储介质 | |
CN114443671A (zh) | 推荐模型的更新方法、装置、计算机设备和存储介质 | |
CN110827078A (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
CN116956183A (zh) | 多媒体资源推荐方法、模型训练方法、装置及存储介质 | |
CN113656560B (zh) | 情感类别的预测方法和装置、存储介质及电子设备 | |
CN115017362A (zh) | 数据处理方法、电子设备及存储介质 | |
Kondylidis et al. | Category aware explainable conversational recommendation | |
CN115878839A (zh) | 一种视频推荐方法、装置、计算机设备和计算机程序产品 | |
CN114741540A (zh) | 一种多媒体序列推荐方法、操作预测模型训练方法、装置、设备及存储介质 | |
CN114580790A (zh) | 生命周期阶段预测和模型训练方法、装置、介质及设备 | |
CN115329183A (zh) | 数据处理方法、装置、存储介质及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40023023 Country of ref document: HK |