CN111737576B - 应用功能个性化推荐方法和装置 - Google Patents

应用功能个性化推荐方法和装置 Download PDF

Info

Publication number
CN111737576B
CN111737576B CN202010574579.8A CN202010574579A CN111737576B CN 111737576 B CN111737576 B CN 111737576B CN 202010574579 A CN202010574579 A CN 202010574579A CN 111737576 B CN111737576 B CN 111737576B
Authority
CN
China
Prior art keywords
user
data
function
determining
list
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
Application number
CN202010574579.8A
Other languages
English (en)
Other versions
CN111737576A (zh
Inventor
黄煜辉
刘帅
黄琳莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202010574579.8A priority Critical patent/CN111737576B/zh
Publication of CN111737576A publication Critical patent/CN111737576A/zh
Application granted granted Critical
Publication of CN111737576B publication Critical patent/CN111737576B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种应用功能个性化推荐方法和装置，该方法包括：获取用户行为数据、用户静态数据和业务***功能清单数据；对用户行为数据、用户静态数据和业务***功能清单数据进行预处理，确定预处理用户行为数据、预处理用户静态数据和预处理业务***功能清单数据；根据预处理用户行为数据，确定用户行为‑功能矩阵；根据用户行为‑功能矩阵，确定用户相似度推荐列表；根据预处理用户行为数据和预处理用户静态数据，确定入模数据；根据入模数据，确定预测结果矩阵；根据用户相似度推荐列表和预测结果矩阵，确定功能推荐列表；根据预处理业务***功能清单数据和功能推荐列表，确定个性化应用功能清单。本发明实现业务***中应用功能的个性化推荐。

Description

应用功能个性化推荐方法和装置
技术领域
本发明涉及计算机数据处理技术领域，尤其涉及一种应用功能个性化推荐方法和装置。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
目前银行使用的业务***中业务的应用功能(Web应用)繁多，用户使用情况呈现长尾效应。现有技术中采用的业务和开发人员根据业务需要和经验制定业务***业务应用功能的排版方式，使得应用功能模块排布都是预先设定的，菜单展示形式单一且固定，业务人员在制定功能分类、功能菜单排版时，容易引入主观因素，使得功能分类、排版布局与用户实际使用偏好偏离，影响业务***的服务质量；所有用户采用预先固定的统一设计，所有用户看到的应用功能菜单一模一样，不能满足不同用户、不同岗位对功能的个性化需求，降低用户体验；业务***往往会因为***不断升级改造，功能越来越多，导致很多应用功能路径很深，很难找到用户需要的功能；同时，各家分行对业务***的熟悉程度不一致，造成部分应用功能只有其中几家分行使用的情况。
上述多种情况会导致用户很难快速有效的找到自己需要的业务功能，而且很多时候用户需要的某些业务功能路径很深，往往需要点击多次才能到达，甚至有些业务功能用户根本找不到放在什么位置，不能满足用户对业务功能使用的便捷性需求，限制了业务***的服务质量，降低用户体验和办公效率。
因此，如何提供一种新的方案，其能够解决上述技术问题是本领域亟待解决的技术难题。
发明内容
本发明实施例提供一种应用功能个性化推荐方法，实现了业务功能的个性化推荐，该方法包括：
获取用户行为数据、用户静态数据和业务***功能清单数据；
对用户行为数据、用户静态数据和业务***功能清单数据进行预处理，确定预处理用户行为数据、预处理用户静态数据和预处理业务***功能清单数据；
根据预处理用户行为数据，确定用户行为-功能矩阵；
根据用户行为-功能矩阵，确定用户相似度推荐列表；
根据预处理用户行为数据和预处理用户静态数据，确定入模数据；
根据入模数据，确定预测结果矩阵；
根据用户相似度推荐列表和预测结果矩阵，确定功能推荐列表；
根据预处理业务***功能清单数据和功能推荐列表，确定个性化应用功能清单。
本发明实施例还提供一种应用功能个性化推荐装置，包括：
数据获取模块，用于获取用户行为数据、用户静态数据和业务***功能清单数据；
预处理模块，用于对用户行为数据、用户静态数据和业务***功能清单数据进行预处理，确定预处理用户行为数据、预处理用户静态数据和预处理业务***功能清单数据；
用户行为-功能矩阵确定模块，用于根据预处理用户行为数据，确定用户行为-功能矩阵；
用户相似度推荐列表确定模块，用于根据用户行为-功能矩阵，确定用户相似度推荐列表；
入模数据确定模块，用于根据预处理用户行为数据和预处理用户静态数据，确定入模数据；
预测结果矩阵确定模块，用于根据入模数据，确定预测结果矩阵；
功能推荐列表确定模块，用于根据用户相似度推荐列表和预测结果矩阵，确定功能推荐列表；
个性化应用功能清单确定模块，用于根据预处理业务***功能清单数据和功能推荐列表，确定个性化应用功能清单。
本发明实施例还提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述应用功能个性化推荐方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述应用功能个性化推荐方法的计算机程序。
本发明实施例提供的一种应用功能个性化推荐方法和装置，综合考虑用户的历史行为信息以及用户个人信息，利用用户行为数据和用户静态数据进行预处理，通过机器学习预测用户当前对功能模块的需求程度，构建用户相似度推荐列表和预测结果矩阵，对用户相似度推荐列表和预测结果矩阵进行融合，确定功能推荐列表，最后再结合预处理业务***功能清单数据，输出个性化应用功能清单。本发明实施例能够根利用现有的客户信息对业务***中的业务功能进行个性化推荐，为用户提供日常所需功能，提升办公效率；提供用户未发现的功能，挖掘用户的潜在所需，进一步提升办公有效性和***的服务质量及效能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例一种应用功能个性化推荐方法示意图。
图2为本发明实施例一种应用功能个性化推荐方法流程图。
图3为本发明实施例一种应用功能个性化推荐方法的确定用户相似度推荐列表的流程图。
图4为运行本发明实施一种应用功能个性化推荐方法的计算机装置示意图。
图5为本发明实施例一种应用功能个性化推荐装置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
如图1本发明实施例一种应用功能个性化推荐方法示意图所示，本发明实施例提供一种应用功能个性化推荐方法，实现了业务功能的个性化推荐，该方法包括：
步骤101：获取用户行为数据、用户静态数据和业务***功能清单数据；
步骤102：对用户行为数据、用户静态数据和业务***功能清单数据进行预处理，确定预处理用户行为数据、预处理用户静态数据和预处理业务***功能清单数据；
步骤103：根据预处理用户行为数据，确定用户行为-功能矩阵；
步骤104：根据用户行为-功能矩阵，确定用户相似度推荐列表；
步骤105：根据预处理用户行为数据和预处理用户静态数据，确定入模数据；
步骤106：根据入模数据，确定预测结果矩阵；
步骤107：根据用户相似度推荐列表和预测结果矩阵，确定功能推荐列表；
步骤108：根据预处理业务***功能清单数据和功能推荐列表，确定个性化应用功能清单。
本发明实施例提供的一种应用功能个性化推荐方法，综合考虑用户的历史行为信息以及用户个人信息，利用用户行为数据和用户静态数据进行预处理，通过机器学习预测用户当前对功能模块的需求程度，构建用户相似度推荐列表和预测结果矩阵，对用户相似度推荐列表和预测结果矩阵进行融合，确定功能推荐列表，最后再结合预处理业务***功能清单数据，输出个性化应用功能清单。本发明实施例能够根利用现有的客户信息对业务***中的业务功能进行个性化推荐，为用户提供日常所需功能，提升办公效率；提供用户未发现的功能，挖掘用户的潜在所需，进一步提升办公有效性和***的服务质量及效能。
前述的长尾效应，英文名称Long Tail Effect；“头”(head)和“尾”(tail)是两个统计学名词。正态曲线中间的突起部分叫“头”；两边相对平缓的部分叫“尾”。从人们需求的角度来看，大多数的需求会集中在头部，而这部分我们可以称之为流行，而分布在尾部的需求是个性化的，零散的小量的需求。而这部分差异化的、少量的需求会在需求曲线上面形成一条长长的“尾巴”，而所谓长尾效应就在于它的数量上，将所有非流行的市场累加起来就会形成一个比流行市场还大的市场。因此为了增强银行对分布在长尾效应中客户的吸引力，需要对长尾效应的客户进行个性化的功能推荐，以实现对银行业务***中业务功能的个性化推荐，更好的为银行“主流”和“非主流”客户群体服务，实现为用户提供日常所需功能，提升办公效率；提供用户未发现的功能，挖掘用户的潜在所需，进一步提升办公有效性和***的服务质量及效能。
为实现上述功能，如图2本发明实施例一种应用功能个性化推荐方法流程图所示，本发明实施例提供的一种应用功能个性化推荐方法，分为：数据采集、数据预处理、矩阵构建、特征工程、模型学校与融合、功能列表输出六个部分；具体实施时，上述六个部分的工作流程可以包括：
获取用户行为数据、用户静态数据和业务***功能清单数据；对用户行为数据、用户静态数据和业务***功能清单数据进行预处理，确定预处理用户行为数据、预处理用户静态数据和预处理业务***功能清单数据；根据预处理用户行为数据，确定用户行为-功能矩阵；根据用户行为-功能矩阵，确定用户相似度推荐列表；根据预处理用户行为数据和预处理用户静态数据，确定入模数据；根据入模数据，确定预测结果矩阵；根据用户相似度推荐列表和预测结果矩阵，确定功能推荐列表；根据预处理业务***功能清单数据和功能推荐列表，确定个性化应用功能清单。
前述的获取用户行为数据、用户静态数据和业务***功能清单数据，实施例中，可以包括：从业务***日志和数据库中采集用户行为数据、用户静态数据和业务***功能清单数据；前述业务***功能清单数据，包括岗位信息和业务***功能清单。前述的用户行为数据，是指用户在业务***中的历史点击行为和使用业务功能记录，能够反映客户在业务***中的使用习惯，前述用户静态数据，是指非用户行为数据，即与用户个人有关，一般短时间内不会发生变化的数据，例如脱敏处理后的用户地址、用户个人信息、用户联系方式、用户账户类型等。
具体实施本发明实施例的一种应用功能个性化推荐方法时，在一个实施例中，前述对用户行为数据、用户静态数据和业务***功能清单数据进行预处理，确定预处理用户行为数据、预处理用户静态数据和预处理业务***功能清单数据，包括：
对用户行为数据、用户静态数据进行预处理，剔除掉存在空值和不规范的数据，按照设定筛选规则筛选掉不符合建模需求的数据，确定预处理用户行为数据和预处理用户静态数据；
对业务***功能清单数据进行预处理，确定预处理业务***功能清单数据；其中，所述预处理业务***功能清单数据，包括：热门功能列表和新功能清单。
实施例中，前述采集的用户行为数据和用户静态数据中，会存在空值、格式不规范等情况，首先需要对用户行为数据和用户静态数据进行剔除工作，将存在空值和不规范的数据剔除掉，然后由于建模时要求建模数据须采用高质量数据，因此需要设定数据筛选规则以符合建模需求，按照设定筛选规则筛选掉不符合建模需求的数据，确定预处理用户行为数据和预处理用户静态数据。采集的业务***功能清单数据中，业务功能之间并未进行有序排列，因此需要将岗位信息和业务***功能清单，按照统一岗位用户分类的情况进行分类，统计同一岗位用户分类下的热门功能列表和新功能清单，形成预处理业务***功能清单数据。通过预处理业务***功能清单数据，可以显著地展示用户业务***的新功能，更好地推广新功能，让更多的用户尝试使用；同时热门功能列表也可以进一步的提高业务***工作效率，使得用户在主页面就可直接点击热门功能，减少寻找过程，提升工作效率。
具体实施本发明实施例的一种应用功能个性化推荐方法时，在一个实施例中，前述根据预处理用户行为数据，确定用户行为-功能矩阵，包括：
利用时间衰减模型，对预处理用户行为数据进行时间衰减，确定时间衰减后预处理用户行为数据；
根据时间衰减后预处理用户行为数据，构建用户行为-功能矩阵。
由于用户当前行为更能体现用户当下需求，所以利用时间衰减模型对用户行为数据进行处理，即距离当前时间越近的历史行为数据对模型的影响越大，反之,影响越小；然后根据时间衰减后的用户行为数据构建用户行为-功能矩阵；
具体实施本发明实施例的一种应用功能个性化推荐方法时，在一个实施例中，按照如下方式，确定时间衰减后预处理用户行为数据：
其中，f(xij)为时间衰减后预处理用户行为数据；T为点击行为取值函数；t0为第一次发生点击行为的时间；k为衰减因子；t为当前时间；tij为i用户最近一次点击j功能模块的时间。
前述提到的确定时间衰减后预处理用户行为数据的表达式为举例说明，本领域技术人员可以理解，在实施时还可以根据需要对上述公式进行一定形式的变形和添加其它的参数或数据，或者提供其它的具体公式，这些变化例均应落入本发明的保护范围。
具体实施本发明实施例的一种应用功能个性化推荐方法时，在一个实施例中，按照如下方式，构建用户行为-功能矩阵：
其中，Cu为用户行为-功能矩阵，是一个m×n的矩阵，每一行表示用户i点击过的功能模块；vi表示第i个用户；si表示第j个功能模块；yij表示第i个用户在时间tij点击了第j个功能模块；sij表示用户点击模块j衰减后和∑f(xij)；M表示功能模块。
前述提到的构建用户行为-功能矩阵的表达式为举例说明，本领域技术人员可以理解，在实施时还可以根据需要对上述公式进行一定形式的变形和添加其它的参数或数据，或者提供其它的具体公式，这些变化例均应落入本发明的保护范围。
图3为本发明实施例一种应用功能个性化推荐方法的确定用户相似度推荐列表的流程图，如图3所示，具体实施本发明实施例的一种应用功能个性化推荐方法时，在一个实施例中，前述根据用户行为-功能矩阵，确定用户相似度推荐列表，包括：
步骤301：根据用户行为-功能矩阵通过皮尔逊相关系数公式，计算两两用户间的相似度，确定用户相似度矩阵；
步骤302：将用户相似度矩阵按照相似度从大到小进行排序，确定用户相似度矩阵排列；
步骤303：按照设定选取数量从用户相似度矩阵排列中的最大值开始选取用户相似度矩阵，计算选取出的用户相似度矩阵的用户功能点击情况，确定用户相似度推荐列表。
前述的皮尔逊相关系数，是比现有技术中欧几里德距离更加复杂的可以判断人们兴趣相似度的一种方法；它在数据不是很规范时，会倾向于给出更好的结果。
假定有两个变量X、Y，那么两变量间的用户相似度可通过以下皮尔逊相关系数公式进行计算：
其中，ρX,Y为变量X、Y之间的用户相似度；cov为协方差；E为数学期望；σX为X变量的标准差；σY为Y变量的标准差；μX为X变量的均值；μY为Y变量的均值。
前述提到的皮尔逊相关系数公式的表达式为举例说明，本领域技术人员可以理解，在实施时还可以根据需要对上述公式进行一定形式的变形和添加其它的参数或数据，或者提供其它的具体公式，这些变化例均应落入本发明的保护范围。
实施例中，根据用户行为-功能矩阵通过上述皮尔逊相关系数公式，可以计算两两用户间的相似度，然后确定用户相似度矩阵；进一步的将用户相似度矩阵按照相似度从大到小进行排序，确定用户相似度矩阵排列；最后，按照设定选取数量从用户相似度矩阵排列中的最大值开始选取用户相似度矩阵，计算选取出的用户相似度矩阵的用户功能点击情况，确定用户相似度推荐列表。在一个实例中，前述的设定选取数量为N时(N为正整数)，则从用户相似度矩阵排列中，从最大值开始，取TOP-N个用户相似度矩阵，接着计算选取出的TOP-N个用户相似度矩阵的用户功能点击情况，确定用户相似度推荐列表。
具体实施本发明实施例的一种应用功能个性化推荐方法时，在一个实施例中，前述根据预处理用户行为数据和预处理用户静态数据，确定入模数据，包括：
根据预处理用户行为数据和预处理用户静态数据，结合业务知识及工程经验进行特征衍生及特征工程，确定入模数据。
实施例中，前述的特征工程，在机器学习或者统计学中,又称为变量选择、属性选择或者变量子集选择,是在模型构建中,选择相关特征并构成特征子集的过程，其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。进一步的还会采用协同过滤推荐(Collaborative Filtering recommendation)，是在信息过滤和信息***中正迅速成为一项很受欢迎的技术。协同过滤分析用户兴趣，在用户群中找到指定用户的相似(兴趣)用户，综合这些相似用户对某一物品的点击情况，形成***对该指定用户对此物品的喜好程度预测。实施例中，可以根据预处理用户行为数据和预处理用户静态数据，结合业务知识及工程经验进行特征衍生及特征工程，确定入模数据。
具体实施本发明实施例的一种应用功能个性化推荐方法时，在一个实施例中，前述根据入模数据，确定预测结果矩阵，包括：
将入模数据利用大数据分布式计算框架输入到XGBOOST+LR算法模型中，确定预测结果矩阵。
前述的XGBOOST+LR算法模型，包括XGBOOST和LR两个部分。
其中，XGBOOST是在GBDT的基础上，力争把速度和效率发挥到极致，因此称为X(Extreme)GBoosted；前述的GBDT(GBoosted，Gradient Boosting Decision Tree，梯度提升决策树)，是为了解决一般损失函数的优化问题，方法是用损失函数的负梯度在当前模型的值来模拟回归问题中残差的近似值，是一个梯度下降树模型。
其中，前述的LR(Logistic Regression，逻辑回归)，是用于处理因变量为分类变量的回归问题，常见的是二分类或二项分布问题，也可以处理多分类问题，它属于一种分类方法。
前述的XGBOOST+LR算法模型，是结合XGBOOST和LR两个部分，利用XGBOOST树模型的叶子节点作为LR算法的输入，可以显示提升模型的性能。因此将入模数据利用大数据分布式计算框架输入到XGBOOST+LR算法模型中，可以确定预测结果矩阵。
具体实施本发明实施例的一种应用功能个性化推荐方法时，在一个实施例中，前述根据用户相似度推荐列表和预测结果矩阵，确定功能推荐列表，包括：
将用户相似度推荐列表和预测结果矩阵通过LR模型进行训练，确定加权系数；
利用加权系数对用户相似度推荐列表和预测结果矩阵进行加权融合，确定用户-功能概率矩阵；
将用户-功能概率矩阵按照从大到小的顺序进行排序，确定功能推荐列表。
实施例中，按照如下方式，利用加权系数对用户相似度推荐列表和预测结果矩阵进行加权融合，确定用户-功能概率矩阵：
Pu＝αFu+βEu,其中α+β＝1
其中，Pu为用户-功能概率矩阵；Fu为用户相似度推荐列表；Eu为预测结果矩阵；α和β为加权系数。
前述提到的确定用户-功能概率矩阵的表达式为举例说明，本领域技术人员可以理解，在实施时还可以根据需要对上述公式进行一定形式的变形和添加其它的参数或数据，或者提供其它的具体公式，这些变化例均应落入本发明的保护范围。
具体实施本发明实施例的一种应用功能个性化推荐方法时，在一个实施例中，前述根据预处理业务***功能清单数据和功能推荐列表，确定个性化应用功能清单，包括：
按照设定推荐条件，从功能推荐列表、热门功能列表和新功能清单中选取业务功能，建立个性化应用功能清单。
实施例中，一种设定推荐条件为，从功能推荐列表、热门功能列表和新功能清单分别取TOP-N个业务功能，建立客户的个性化应用功能清单。进一步的，本发明实施例还提供另一种设定推荐条件：假设业务***中全部的业务***功能清单长度为L，热门功能列表取前N个，新功能清单取前m个，功能推荐列表取TOP-N，即功能推荐列表取前N个；排除热门功能列表及新功能清单后的前L-n-m个，结合功能推荐列表N个，建立个性化应用功能清单。
本发明实施例利用用户功能点击行为数据形成用户行为数据；利用用户个人信息、岗位信息等形成用户静态数据，结合业务***的功能清单、新功能清单和热门热门功能列表，自动学习用户对不同功能的需求程度和偏好；利用用户对业务***功能的点击行为学习基于用户行为相似度的推荐模型；基于用户行为相似度的推荐模型、基于用户行为及静态信息的XGBOOST+LR的预测模型及其融合方案；在银行内部业务***中，热门功能列表+动态可变的功能推荐列表+新功能推荐列表的结合使用。利用大数据分布式计算框架和数据挖掘方法，自动挖掘用户对银行内部业务***的个性化需求，自动生成个性化的应用功能清单；本发明实施例综合考虑用户历史行为信息及用户个人信息，不同岗位的热门功能，新功能等多方面的因素，消除主观因素，客观地提供适合不同用户的功能列表，明显地提供某用户未曾使用但同一岗位用户经常使用的功能。提出银行内部业务***功能列表的个性化展示方案。通过这种方案能够显著地为用户提供日常所需功能，提升办公效率；提供用户未发现的好用的功能，挖掘用户的潜在所需，进一步提升办公有效性和***的服务质量及效能；提供用户业务***的新功能，既满足用户需要，也能节省需求方对新功能的推广成本。
图4为运行本发明实施一种应用功能个性化推荐方法的计算机装置示意图，如图4所示，本发明实施例还提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述应用功能个性化推荐方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行实现上述应用功能个性化推荐方法的计算机程序。
本发明实施例中还提供了一种应用功能个性化推荐装置，如下面的实施例所述。由于该装置解决问题的原理与一种应用功能个性化推荐方法相似，因此该装置的实施可以参见一种应用功能个性化推荐方法的实施，重复之处不再赘述。
图5为本发明实施例一种应用功能个性化推荐装置示意图，如图5所示，本发明实施例还提供一种应用功能个性化推荐装置，在实施例中，可以包括：
数据获取模块501，用于获取用户行为数据、用户静态数据和业务***功能清单数据；
预处理模块502，用于对用户行为数据、用户静态数据和业务***功能清单数据进行预处理，确定预处理用户行为数据、预处理用户静态数据和预处理业务***功能清单数据；
用户行为-功能矩阵确定模块503，用于根据预处理用户行为数据，确定用户行为-功能矩阵；
用户相似度推荐列表确定模块504，用于根据用户行为-功能矩阵，确定用户相似度推荐列表；
入模数据确定模块505，用于根据预处理用户行为数据和预处理用户静态数据，确定入模数据；
预测结果矩阵确定模块506，用于根据入模数据，确定预测结果矩阵；
功能推荐列表确定模块507，用于根据用户相似度推荐列表和预测结果矩阵，确定功能推荐列表；
个性化应用功能清单确定模块508，用于根据预处理业务***功能清单数据和功能推荐列表，确定个性化应用功能清单。
具体实施本发明实施例的一种应用功能个性化推荐装置时，在一个实施例中，前述预处理模块，具体用于：
对用户行为数据、用户静态数据进行预处理，剔除掉存在空值和不规范的数据，按照设定筛选规则筛选掉不符合建模需求的数据，确定预处理用户行为数据和预处理用户静态数据；
对业务***功能清单数据进行预处理，确定预处理业务***功能清单数据；其中，所述预处理业务***功能清单数据，包括：热门功能列表和新功能清单。
具体实施本发明实施例的一种应用功能个性化推荐装置时，在一个实施例中，前述用户行为-功能矩阵确定模块，具体用于：
利用时间衰减模型，对预处理用户行为数据进行时间衰减，确定时间衰减后预处理用户行为数据；
根据时间衰减后预处理用户行为数据，构建用户行为-功能矩阵。
具体实施本发明实施例的一种应用功能个性化推荐装置时，在一个实施例中，前述用户行为-功能矩阵确定模块，还用于按照如下方式，确定时间衰减后预处理用户行为数据：
其中，f(xij)为时间衰减后预处理用户行为数据；T为点击行为取值函数；t0为第一次发生点击行为的时间；k为衰减因子；t为当前时间；tij为i用户最近一次点击j功能模块的时间。
具体实施本发明实施例的一种应用功能个性化推荐装置时，在一个实施例中，前述用户行为-功能矩阵确定模块，还用于按照如下方式，构建用户行为-功能矩阵：
其中，Cu为用户行为-功能矩阵，是一个m×n的矩阵，每一行表示用户i点击过的功能模块；vi表示第i个用户；si表示第j个功能模块；yij表示第i个用户在时间tij点击了第j个功能模块；sij表示用户点击模块j衰减后和∑f(xij)；M表示功能模块。
具体实施本发明实施例的一种应用功能个性化推荐装置时，在一个实施例中，前述用户相似度推荐列表确定模块，具体用于：
根据用户行为-功能矩阵通过皮尔逊相关系数公式，计算两两用户间的相似度，确定用户相似度矩阵；
将用户相似度矩阵按照相似度从大到小进行排序，确定用户相似度矩阵排列；
按照设定选取数量从用户相似度矩阵排列中的最大值开始选取用户相似度矩阵，计算选取出的用户相似度矩阵的用户功能点击情况，确定用户相似度推荐列表。
具体实施本发明实施例的一种应用功能个性化推荐装置时，在一个实施例中，前述入模数据确定模块，具体用于：
根据预处理用户行为数据和预处理用户静态数据，结合业务知识及工程经验进行特征衍生及特征工程，确定入模数据。
具体实施本发明实施例的一种应用功能个性化推荐装置时，在一个实施例中，前述预测结果矩阵确定模块，具体用于：
将入模数据利用大数据分布式计算框架输入到XGBOOST+LR算法模型中，确定预测结果矩阵。
具体实施本发明实施例的一种应用功能个性化推荐装置时，在一个实施例中，前述功能推荐列表确定模块，具体用于：
将用户相似度推荐列表和预测结果矩阵通过LR模型进行训练，确定加权系数；
利用加权系数对用户相似度推荐列表和预测结果矩阵进行加权融合，确定用户-功能概率矩阵；
将用户-功能概率矩阵按照从大到小的顺序进行排序，确定功能推荐列表。
具体实施本发明实施例的一种应用功能个性化推荐装置时，在一个实施例中，前述个性化应用功能清单确定模块，具体用于：
按照设定推荐条件，从功能推荐列表、热门功能列表和新功能清单中选取业务功能，建立个性化应用功能清单。
综上，本发明实施例提供的一种应用功能个性化推荐方法和装置，综合考虑用户的历史行为信息以及用户个人信息，利用用户行为数据和用户静态数据进行预处理，通过机器学习预测用户当前对功能模块的需求程度，构建用户相似度推荐列表和预测结果矩阵，对用户相似度推荐列表和预测结果矩阵进行融合，确定功能推荐列表，最后再结合预处理业务***功能清单数据，输出个性化应用功能清单。本发明实施例能够根利用现有的客户信息对业务***中的业务功能进行个性化推荐，为用户提供日常所需功能，提升办公效率；提供用户未发现的功能，挖掘用户的潜在所需，进一步提升办公有效性和***的服务质量及效能。本发明实施例综合考虑用户行为数据及用户个人信息等用户静态数据，不同岗位的热门功能，新功能等多方面的因素，消除主观因素，客观地提供适合不同用户的功能列表。考虑不同用户对功能列表的个性化需求，建立每个用户的个性化推荐模型，为每个用户显示各自需要的功能，提高用户体验，提高办公效率；显著地展示用户业务***的新功能，更好地推广新功能，让更多的用户尝试使用。利用用户行为数据结合机器学习算法，挖掘同一岗位不同用户的功能使用偏好，自动生成满足用户需求的功能列表，提供给该用户其他人使用过的功能，促进用户提升办公效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种应用功能个性化推荐方法，其特征在于，包括：
获取用户行为数据、用户静态数据和业务***功能清单数据；
对用户行为数据、用户静态数据和业务***功能清单数据进行预处理，确定预处理用户行为数据、预处理用户静态数据和预处理业务***功能清单数据；
根据预处理用户行为数据，确定用户行为-功能矩阵；
根据用户行为-功能矩阵，确定用户相似度推荐列表；
根据预处理用户行为数据和预处理用户静态数据，确定入模数据；
根据入模数据，确定预测结果矩阵；
根据用户相似度推荐列表和预测结果矩阵，确定功能推荐列表；
根据预处理业务***功能清单数据和功能推荐列表，确定个性化应用功能清单；
根据预处理用户行为数据，确定用户行为-功能矩阵，包括：
利用时间衰减模型，对预处理用户行为数据进行时间衰减，确定时间衰减后预处理用户行为数据；
根据时间衰减后预处理用户行为数据，构建用户行为-功能矩阵；
确定时间衰减后预处理用户行为数据：
其中，f(xij)为时间衰减后预处理用户行为数据；T为点击行为取值函数；t0为第一次发生点击行为的时间；k为衰减因子；t为当前时间；tij为i用户最近一次点击j功能模块的时间；
按照如下方式，构建用户行为-功能矩阵：
其中，Cu为用户行为-功能矩阵，是一个n×m的矩阵，每一行表示用户i点击过的功能模块，n表示用户个数，m表示模块的个数；cij表示用户i每一次点击模块j得到的时间衰减后预处理用户行为数据的和∑f(xij)；
根据用户行为-功能矩阵，确定用户相似度推荐列表，包括：
根据用户行为-功能矩阵通过皮尔逊相关系数公式，计算两两用户间的相似度，确定用户相似度矩阵；
将用户相似度矩阵按照相似度从大到小进行排序，确定用户相似度矩阵排列；
按照设定选取数量从用户相似度矩阵排列中的最大值开始选取用户相似度矩阵，计算选取出的用户相似度矩阵的用户功能点击情况，确定用户相似度推荐列表。
2.如权利要求1所述的方法，其特征在于，对用户行为数据、用户静态数据和业务***功能清单数据进行预处理，确定预处理用户行为数据、预处理用户静态数据和预处理业务***功能清单数据，包括：
对用户行为数据、用户静态数据进行预处理，剔除掉存在空值和不规范的数据，按照设定筛选规则筛选掉不符合建模需求的数据，确定预处理用户行为数据和预处理用户静态数据；
对业务***功能清单数据进行预处理，确定预处理业务***功能清单数据；其中，所述预处理业务***功能清单数据，包括：热门功能列表和新功能清单。
3.如权利要求1所述的方法，其特征在于，根据预处理用户行为数据和预处理用户静态数据，确定入模数据，包括：
根据预处理用户行为数据和预处理用户静态数据，结合业务知识及工程经验进行特征衍生及特征工程，确定入模数据。
4.如权利要求1所述的方法，其特征在于，根据入模数据，确定预测结果矩阵，包括：
将入模数据利用大数据分布式计算框架输入到XGBOOST+LR算法模型中，确定预测结果矩阵。
5.如权利要求1所述的方法，其特征在于，根据用户相似度推荐列表和预测结果矩阵，确定功能推荐列表，包括：
将用户相似度推荐列表和预测结果矩阵通过LR模型进行训练，确定加权系数；
利用加权系数对用户相似度推荐列表和预测结果矩阵进行加权融合，确定用户-功能概率矩阵；
将用户-功能概率矩阵按照从大到小的顺序进行排序，确定功能推荐列表。
6.如权利要求2所述的方法，其特征在于，根据预处理业务***功能清单数据和功能推荐列表，确定个性化应用功能清单，包括：
按照设定推荐条件，从功能推荐列表、热门功能列表和新功能清单中选取业务功能，建立个性化应用功能清单。
7.一种应用功能个性化推荐装置，其特征在于，包括：
数据获取模块，用于获取用户行为数据、用户静态数据和业务***功能清单数据；
预处理模块，用于对用户行为数据、用户静态数据和业务***功能清单数据进行预处理，确定预处理用户行为数据、预处理用户静态数据和预处理业务***功能清单数据；
用户行为-功能矩阵确定模块，用于根据预处理用户行为数据，确定用户行为-功能矩阵；
用户相似度推荐列表确定模块，用于根据用户行为-功能矩阵，确定用户相似度推荐列表；
入模数据确定模块，用于根据预处理用户行为数据和预处理用户静态数据，确定入模数据；
预测结果矩阵确定模块，用于根据入模数据，确定预测结果矩阵；
功能推荐列表确定模块，用于根据用户相似度推荐列表和预测结果矩阵，确定功能推荐列表；
个性化应用功能清单确定模块，用于根据预处理业务***功能清单数据和功能推荐列表，确定个性化应用功能清单；
用户行为-功能矩阵确定模块，具体用于：
利用时间衰减模型，对预处理用户行为数据进行时间衰减，确定时间衰减后预处理用户行为数据；
根据时间衰减后预处理用户行为数据，构建用户行为-功能矩阵；
用户行为-功能矩阵确定模块，还用于：
按照如下方式，确定时间衰减后预处理用户行为数据：
其中，f(xij)为时间衰减后预处理用户行为数据；T为点击行为取值函数；t0为第一次发生点击行为的时间；k为衰减因子；t为当前时间；tij为i用户最近一次点击j功能模块的时间；
用户行为-功能矩阵确定模块，还用于按照如下方式，构建用户行为-功能矩阵：
其中，Cu为用户行为-功能矩阵，是一个n×m的矩阵，每一行表示用户i点击过的功能模块，n表示用户个数，m表示模块的个数；cij表示用户i每一次点击模块j得到的时间衰减后预处理用户行为数据的和∑f(xij)；
功能推荐列表确定模块，具体用于：
根据用户行为-功能矩阵通过皮尔逊相关系数公式，计算两两用户间的相似度，确定用户相似度矩阵；
将用户相似度矩阵按照相似度从大到小进行排序，确定用户相似度矩阵排列；
按照设定选取数量从用户相似度矩阵排列中的最大值开始选取用户相似度矩阵，计算选取出的用户相似度矩阵的用户功能点击情况，确定用户相似度推荐列表。
8.一种计算机设备，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权利要求1至6任一项所述方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有可被计算机执行以实现权利要求1至6任一项所述方法的计算机程序。
CN202010574579.8A 2020-06-22 2020-06-22 应用功能个性化推荐方法和装置 Active CN111737576B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010574579.8A CN111737576B (zh) 2020-06-22 2020-06-22 应用功能个性化推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010574579.8A CN111737576B (zh) 2020-06-22 2020-06-22 应用功能个性化推荐方法和装置

Publications (2)

Publication Number Publication Date
CN111737576A CN111737576A (zh) 2020-10-02
CN111737576B true CN111737576B (zh) 2023-09-19

Family

ID=72650425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010574579.8A Active CN111737576B (zh) 2020-06-22 2020-06-22 应用功能个性化推荐方法和装置

Country Status (1)

Country Link
CN (1) CN111737576B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344744B (zh) * 2021-08-02 2022-01-21 广东电网有限责任公司中山供电局 一种电力***的个性化业务功能计算方法及设备
CN114706624A (zh) * 2022-03-29 2022-07-05 中国建设银行股份有限公司 移动应用业务功能入口推荐方法及装置
CN114860918A (zh) * 2022-05-25 2022-08-05 重庆邮电大学 一种融合多源可靠信息的移动应用推荐方法及装置
CN115604049B (zh) * 2022-12-14 2023-06-13 忆月启函(盐城)科技有限公司 一种用于家庭多功能监控的智能通信网络***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105893609A (zh) * 2016-04-26 2016-08-24 南通大学 一种基于加权混合的移动app推荐方法
CN105915949A (zh) * 2015-12-23 2016-08-31 乐视网信息技术（北京）股份有限公司 一种视频内容推荐方法、设备和***
CN106874355A (zh) * 2016-12-28 2017-06-20 浙江浙大网新集团有限公司 同时融入社交关系和用户相似度的协同过滤方法
CN107562818A (zh) * 2017-08-16 2018-01-09 中国工商银行股份有限公司 信息推荐***及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9063964B2 (en) * 2012-01-04 2015-06-23 Trustgo Mobile, Inc. Detecting application harmful behavior and grading application risks for mobile devices
US20180174218A1 (en) * 2016-12-19 2018-06-21 Sap Se Recommendation optmization with a dynamic mixture of frequent and occasional recommendations

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105915949A (zh) * 2015-12-23 2016-08-31 乐视网信息技术（北京）股份有限公司 一种视频内容推荐方法、设备和***
CN105893609A (zh) * 2016-04-26 2016-08-24 南通大学 一种基于加权混合的移动app推荐方法
CN106874355A (zh) * 2016-12-28 2017-06-20 浙江浙大网新集团有限公司 同时融入社交关系和用户相似度的协同过滤方法
CN107562818A (zh) * 2017-08-16 2018-01-09 中国工商银行股份有限公司 信息推荐***及方法

Also Published As

Publication number Publication date
CN111737576A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN111737576B (zh) 应用功能个性化推荐方法和装置
Zhang et al. A gated peripheral-foveal convolutional neural network for unified image aesthetic prediction
US11106999B2 (en) Automatic segmentation of a collection of user profiles
CN105608477B (zh) 一种人物画像与职位匹配的方法及***
CN111339433B (zh) 基于人工智能的信息推荐方法、装置、电子设备
US8498950B2 (en) System for training classifiers in multiple categories through active learning
CN111061962A (zh) 一种基于用户评分分析的推荐方法
CN111400603A (zh) 一种信息推送方法、装置、设备及计算机可读存储介质
CN106354818B (zh) 基于社交媒体的动态用户属性提取方法
CN110110233B (zh) 信息处理方法、装置、介质和计算设备
US12020267B2 (en) Method, apparatus, storage medium, and device for generating user profile
CN112487291B (zh) 一种基于大数据的个性化新闻推荐方法及装置
CN106156163B (zh) 文本分类方法以及装置
CN106557558A (zh) 一种数据分析方法及装置
CN111625715B (zh) 信息提取方法、装置、电子设备及存储介质
CN108710609A (zh) 一种基于多特征融合的社交平台用户信息的分析方法
CN116468460B (zh) 基于人工智能的消费金融客户画像识别***及其方法
CN115577316A (zh) 一种基于多模态数据融合的用户人格预测方法与应用
CN110083759A (zh) 舆论信息爬取方法、装置、计算机设备及存储介质
CN112417267A (zh) 一种用户行为分析方法、装置、计算机设备及存储介质
CN115114467B (zh) 图片神经网络模型的训练方法以及装置
CN112507185B (zh) 用户肖像的确定方法和装置
CN115048504A (zh) 信息推送方法、装置、计算机设备及计算机可读存储介质
CN113986989A (zh) 表单项推荐方法、装置、计算机设备和存储介质
CN113268583A (zh) 一种基于社区内容的知识推荐方法

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