CN117390292B - 基于机器学习的应用程序信息推荐方法、***及设备 - Google Patents
基于机器学习的应用程序信息推荐方法、***及设备 Download PDFInfo
- Publication number
- CN117390292B CN117390292B CN202311697325.5A CN202311697325A CN117390292B CN 117390292 B CN117390292 B CN 117390292B CN 202311697325 A CN202311697325 A CN 202311697325A CN 117390292 B CN117390292 B CN 117390292B
- Authority
- CN
- China
- Prior art keywords
- application
- application program
- data set
- nth
- machine learning
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供基于机器学习的应用程序信息推荐方法、***及设备,所述方法包括:通过获取的目标用户的应用程序使用信息及其使用频次信息,得到具有优先级的第一应用程序类别、第二应用程序类别和第N应用程序类别以及各类别对应的第一应用特征数据集、第二应用特征数据集和第N应用特征数据集;通过将第一应用特征数据集、第二应用特征数据集和第N应用特征数据集输入机器学习模型学习以得到贡献度,然后根据贡献度的大小确定目标用户对应用程序的使用兴趣度,然后向目标用户推荐与使用兴趣度相匹配的应用程序信息,使应用程序信息推荐更加精准、到位,提升用户对所推荐应用程序的兴趣,提升了推荐应用程序的下载效率,也节省了不必要的推广成本。
Description
技术领域
本发明属于人工智能技术领域,尤其涉及基于机器学习的应用程序信息推荐方法、***及设备。
背景技术
互联网规模和信息资源的迅猛增长带来了信息过载的问题,如何获取所需信息日益困难。以“信息推送”为服务模式的信息推荐***,是当前解决信息过载问题的主要手段。信息推荐是指***向用户推荐用户可能感兴趣但又不知道的有用信息,它的实现主要依靠推荐***。在现有的信息推荐领域中,普遍采用广而告之的信息推广形式向用户推荐信息,并未考虑用户实际上是否真的需要该信息或者甚至反感该信息,在这种情况下,一般没有特定的目标用户,推荐目标没有针对性,较难实现为不同的目标用户推荐合适信息的目的,当某一产品需要面向不同年龄、不同使用需求的用户进行有针对性的个性化信息推荐时,推荐难度较大,推荐范围十分宽泛,例如应用程序信息推荐,由于往往采用广泛推荐的形式,推广费用较高,但因未考虑到目标用户群体的实际需求,推荐的精准程度不高,定位不准,致使用户下载效率较难达到预期。
发明内容
本发明的目的在于提供一种基于机器学习的应用程序信息推荐方法、***及设备,旨在解决由于现有技术较难实现为不同的目标用户推荐合适信息的目的,推荐难度较大,推荐范围十分宽泛,推荐的精准程度不高,定位不准,致使用户下载效率较难达到预期的问题。
一方面,本发明提供一种基于机器学习的应用程序信息推荐方法,所述方法包括下述步骤:
获取目标用户的应用程序使用信息及其使用频次信息,根据所述应用程序使用信息将目标用户使用的应用程序分类成第一应用程序类别、第二应用程序类别和第N应用程序类别;
根据所述使用频次信息对第一应用程序类别、第二应用程序类别和第N应用程序类别划分使用优先级,根据所述使用优先级提取相应的第一应用程序类别、第二应用程序类别和第N应用程序类别中各应用程序的应用特征;
将所述第一应用程序类别、第二应用程序类别和第N应用程序类别中各应用程序的应用特征分别集合成第一应用特征数据集、第二应用特征数据集和第N应用特征数据集;
将所述第一应用特征数据集、第二应用特征数据集和第N应用特征数据集输入机器学习模型进行学习,并对所述第一应用特征数据集、第二应用特征数据集和第N应用特征数据集进行贡献度分析,根据贡献度的大小确定目标用户对应用程序的使用兴趣度,并根据所述使用兴趣度向目标用户推荐与使用兴趣度相匹配的应用程序信息。
在一些实施例中,所述根据所述使用频次信息对第一应用程序类别、第二应用程序类别和第N应用程序类别划分使用优先级,包括:
分别统计所述第一应用程序类别的第一总使用频次、第二应用程序类别的第二总使用频次以及第N应用程序类别的第N总使用频次;
判断所述第一总使用频次、第二总使用频次以及第N总使用频次的大小:若第一总使用频次大于第二总使用频次、第二总使用频次大于第N总使用频次,则将所述第一总使用频次对应的第一应用程序类别划分为第一优先级,将所述第二总使用频次对应的第二应用程序类别划分为第二优先级,将所述第N总使用频次对应的第N应用程序类别划分为第N优先级。
在一些实施例中,所述根据使用优先级提取相应的第一应用程序类别、第二应用程序类别和第N应用程序类别中各应用程序的应用特征,包括:
根据所述第一优先级、第二优先级以及第N优先级,依次获取处于所述第一优先级的第一应用程序类别中、处于第二优先级的第二应用程序类别中以及处于第N优先级的第N应用程序类别中的各应用程序并提取每一应用程序的应用特征。
在一些实施例中,所述将所述第一应用程序类别、第二应用程序类别和第N应用程序类别中各应用程序的应用特征分别集合成第一应用特征数据集、第二应用特征数据集和第N应用特征数据集,包括:
将多个与所述第一优先级相对应的应用特征集合成第一应用特征数据集;
将多个与所述第二优先级相对应的应用特征集合成第二应用特征数据集;
将多个与所述第N优先级相对应的应用特征集合成第N应用特征数据集。
在一些实施例中,所述将所述第一应用特征数据集、第二应用特征数据集和第N应用特征数据集输入机器学习模型进行学习,包括:
将所述第一应用特征数据集进行机器学习得到第一机器学习模型;
将所述第二应用特征数据集输入第一机器学习模型进行机器学习得到第二机器学习模型;
将所述第N应用特征数据集输入第二机器学习模型进行机器学习得到第N机器学习模型。
在一些实施例中,所述并对所述第一应用特征数据集、第二应用特征数据集和第N应用特征数据集进行贡献度分析,根据贡献度的大小确定目标用户对应用程序的使用兴趣度,并根据所述使用兴趣度向目标用户推荐与使用兴趣度相匹配的应用程序信息,包括:
基于所述第一机器学习模型、第二机器学习模型和第N机器学习模型以及第一应用特征数据集、第二应用特征数据集和第N应用特征数据集进行贡献度分析,得到第一应用特征数据集、第二应用特征数据集和第N应用特征数据集对机器学习模型的贡献度;
根据所述第一应用特征数据集、第二应用特征数据集和第N应用特征数据集的贡献度的大小确定目标用户对应用程序的使用兴趣度,根据所述使用兴趣度向目标用户推荐与兴趣度相匹配的应用程序信息。
另一方面,本发明还提供一种基于机器学习的应用程序信息推荐***,所述***包括包括:
应用程序信息获取单元,用于获取目标用户的应用程序使用信息及其使用频次信息,根据所述应用程序使用信息将目标用户使用的应用程序分类成第一应用程序类别、第二应用程序类别和第N应用程序类别;
优先级划分单元,用于根据所述使用频次信息对第一应用程序类别、第二应用程序类别和第N应用程序类别划分使用优先级,根据所述使用优先级提取相应的第一应用程序类别、第二应用程序类别和第N应用程序类别中各应用程序的应用特征;
应用特征集合单元,用于将所述第一应用程序类别、第二应用程序类别和第N应用程序类别中各应用程序的应用特征分别集合成第一应用特征数据集、第二应用特征数据集和第N应用特征数据集;
应用程序信息推荐单元,用于将所述第一应用特征数据集、第二应用特征数据集和第N应用特征数据集输入机器学习模型进行学习,并对所述第一应用特征数据集、第二应用特征数据集和第N应用特征数据集进行贡献度分析,根据贡献度的大小确定目标用户对应用程序的使用兴趣度,并根据所述使用兴趣度向目标用户推荐与使用兴趣度相匹配的应用程序信息。
另一方面,本发明还提供一种基于机器学习的应用程序信息推荐设备,包括存储器、处理器以及存储在所述存储器中并可在所述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任一项所述方法的步骤。
另一方面,本发明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计算机程序,所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
本发明的有益效果在于:区别于现有技术,本发明的基于机器学习的应用程序信息推荐方法,通过获取目标用户的应用程序使用信息及其使用频次信息,根据所述应用程序使用信息将目标用户使用的应用程序分类成第一应用程序类别、第二应用程序类别和第N应用程序类别;根据所述使用频次信息对第一应用程序类别、第二应用程序类别和第N应用程序类别划分使用优先级,根据所述使用优先级提取相应的第一应用程序类别、第二应用程序类别和第N应用程序类别中各应用程序的应用特征;将所述第一应用程序类别、第二应用程序类别和第N应用程序类别中各应用程序的应用特征分别集合成第一应用特征数据集、第二应用特征数据集和第N应用特征数据集;将所述第一应用特征数据集、第二应用特征数据集和第N应用特征数据集输入机器学习模型进行学习,并对所述第一应用特征数据集、第二应用特征数据集和第N应用特征数据集进行贡献度分析,根据贡献度的大小确定目标用户对应用程序的使用兴趣度,并根据所述使用兴趣度向目标用户推荐与使用兴趣度相匹配的应用程序信息,应用程序信息推荐更加精准、到位,不再需要采用海投的方式向用户推荐应用程序,降低用户对无兴趣应用程序的反感度,可提升用户对所推荐应用程序的兴趣,从而有助于用户对感兴趣的应用程序进行下载,提升了对推荐应用程序的下载效率,也节省了不必要的推广成本。
附图说明
图1是本发明实施例一中基于机器学习的应用程序信息推荐方法的实现流程图;
图2是本发明实施例二中基于机器学习的应用程序信息推荐***的结构示意图;
图3是本发明实施例三中基于机器学习的应用程序信息推荐设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述:
实施例一
图1示出了本发明实施例一提供的基于机器学习的应用程序信息推荐方法的实现流程。为了便于说明,仅示出了与本发明实施例相关的部分,详述如下,具体包括下述步骤,请参阅图1:
S1:获取目标用户的应用程序使用信息及其使用频次信息,根据应用程序使用信息将目标用户使用的应用程序分类成第一应用程序类别、第二应用程序类别和第N应用程序类别;
步骤S1中,还包括获取目标用户的用户属性信息,用于根据用户属性信息自定义应用程序类别特征,将自定义应用程序类别特征输入机器学习后,便于校正机器学习学习深度,进而有助于根据用户属性信息向用户推荐依据自定义应用程序类别特征确定的能够向目标用户推荐的应用程序信息。
S2:根据使用频次信息对第一应用程序类别、第二应用程序类别和第N应用程序类别划分使用优先级,根据使用优先级提取相应的第一应用程序类别、第二应用程序类别和第N应用程序类别中各应用程序的应用特征;
步骤S2中,具体方法包括:
S201:分别统计第一应用程序类别的第一总使用频次、第二应用程序类别的第二总使用频次以及第N应用程序类别的第N总使用频次;
S202:判断第一总使用频次、第二总使用频次以及第N总使用频次的大小:若第一总使用频次大于第二总使用频次、第二总使用频次大于第N总使用频次,则将第一总使用频次对应的第一应用程序类别划分为第一优先级,将第二总使用频次对应的第二应用程序类别划分为第二优先级,将第N总使用频次对应的第N应用程序类别划分为第N优先级;
S203:根据第一优先级、第二优先级以及第N优先级,依次获取处于第一优先级的第一应用程序类别中、处于第二优先级的第二应用程序类别中以及处于第N优先级的第N应用程序类别中的各应用程序并提取每一应用程序的应用特征。
S3:将第一应用程序类别、第二应用程序类别和第N应用程序类别中各应用程序的应用特征分别集合成第一应用特征数据集、第二应用特征数据集和第N应用特征数据集;
步骤S3中,具体方法包括:
S301:将多个与第一优先级相对应的应用特征集合成第一应用特征数据集;
S302:将多个与第二优先级相对应的应用特征集合成第二应用特征数据集;
S303:将多个与第N优先级相对应的应用特征集合成第N应用特征数据集。
S304:将第一应用特征数据集进行机器学习得到第一机器学习模型;
S305:将第二应用特征数据集输入第一机器学习模型进行机器学习得到第二机器学习模型;
S306:将第N应用特征数据集输入第二机器学习模型进行机器学习得到第N机器学习模型。
S4:将所述第一应用特征数据集、第二应用特征数据集和第N应用特征数据集输入机器学习模型进行学习,并对所述第一应用特征数据集、第二应用特征数据集和第N应用特征数据集进行贡献度分析,根据贡献度的大小确定目标用户对应用程序的使用兴趣度,并根据所述使用兴趣度向目标用户推荐与使用兴趣度相匹配的应用程序信息。
步骤S4中,具体方法包括:
S401:基于第一机器学习模型、第二机器学习模型和第N机器学习模型以及第一应用特征数据集、第二应用特征数据集和第N应用特征数据集进行贡献度分析,得到第一应用特征数据集、第二应用特征数据集和第N应用特征数据集对机器学习模型的贡献度;
S402:根据第一应用特征数据集、第二应用特征数据集和第N应用特征数据集的贡献度的大小确定目标用户对应用程序的使用兴趣度,根据使用兴趣度向目标用户推荐与兴趣度相匹配的应用程序信息。
本实施例中,N为大于2的正整数。
实施例二
图2示出了本发明实施例二提供的基于机器学习的应用程序信息推荐***的结构。为了便于说明,仅示出了与本发明实施例相关的部分,请参阅图2,本发明实施例二提供的基于机器学习的应用程序信息推荐***包括:
应用程序信息获取单元501,用于获取目标用户的应用程序使用信息及其使用频次信息,根据应用程序使用信息将目标用户使用的应用程序分类成第一应用程序类别、第二应用程序类别和第N应用程序类别;
优先级划分单元502,用于根据使用频次信息对第一应用程序类别、第二应用程序类别和第N应用程序类别划分使用优先级,根据使用优先级提取相应的第一应用程序类别、第二应用程序类别和第N应用程序类别中各应用程序的应用特征;
应用特征集合单元503,用于将第一应用程序类别、第二应用程序类别和第N应用程序类别中各应用程序的应用特征分别集合成第一应用特征数据集、第二应用特征数据集和第N应用特征数据集;
应用程序信息推荐单元504,用于将第一应用特征数据集、第二应用特征数据集和第N应用特征数据集输入机器学习模型进行学习,并对第一应用特征数据集、第二应用特征数据集和第N应用特征数据集进行贡献度分析,根据贡献度的大小确定目标用户对应用程序的使用兴趣度,并根据使用兴趣度向目标用户推荐与使用兴趣度相匹配的应用程序信息。
通过获取的目标用户的应用程序使用信息及其使用频次信息,得到具有优先级的第一应用程序类别、第二应用程序类别和第N应用程序类别以及各类别对应的第一应用特征数据集、第二应用特征数据集和第N应用特征数据集;通过将第一应用特征数据集、第二应用特征数据集和第N应用特征数据集输入机器学习模型学习以得到贡献度,然后根据贡献度的大小确定目标用户对应用程序的使用兴趣度,然后向目标用户推荐与使用兴趣度相匹配的应用程序信息,使应用程序信息推荐更加精准、到位,提升用户对所推荐应用程序的兴趣,提升了推荐应用程序的下载效率,也节省了不必要的推广成本。
在本发明实施例中,基于机器学习的应用程序信息推荐***的各单元可由相应的硬件或软件单元实现,各单元可以为独立的软、硬件单元,也可以集成为一个软、硬件单元,在此不用以限制本发明。
实施例三
图3示出了本发明实施例三提供的基于机器学习的应用程序信息推荐设备的结构,为了便于说明,仅示出了与本发明实施例相关的部分,请参阅图3。
本发明实施例三提供的基于机器学习的应用程序信息推荐设备2,包括存储器201、处理器202以及存储在存储器201中并可在处理器202上运行的计算机程序203,处理器202执行计算机程序203时实现上述实施例一中提供的基于机器学习的应用程序信息推荐方法的步骤S1至S4。或者,处理器202执行计算机程序203时实现上述实施例二中提供的基于机器学习的应用程序信息推荐***的各单元功能,例如图2所示单元501至504的功能。
实施例四
本发明实施例四提供一种计算机可读存储介质,该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实施例一中提供的基于机器学习的应用程序信息推荐方法的步骤S1至S4。或者,处理器202执行计算机程序203时实现上述实施例二中提供的基于机器学习的应用程序信息推荐***的各单元功能,例如图2所示单元501至504的功能。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质,例如,ROM/RAM、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于机器学习的应用程序信息推荐方法,其特征在于,所述方法包括下述步骤:
获取目标用户的应用程序使用信息及其使用频次信息,根据所述应用程序使用信息将目标用户使用的应用程序分类成第一应用程序类别、第二应用程序类别和第N应用程序类别;
根据所述使用频次信息对第一应用程序类别、第二应用程序类别和第N应用程序类别划分使用优先级,根据所述使用优先级提取相应的第一应用程序类别、第二应用程序类别和第N应用程序类别中各应用程序的应用特征;
将多个与第一优先级相对应的应用特征集合成第一应用特征数据集;将多个与第二优先级相对应的应用特征集合成第二应用特征数据集;将多个与第N优先级相对应的应用特征集合成第N应用特征数据集;
将所述第一应用特征数据集进行机器学习得到第一机器学习模型;将所述第二应用特征数据集输入第一机器学习模型进行机器学习得到第二机器学习模型;将所述第N应用特征数据集输入第二机器学习模型进行机器学习得到第N机器学习模型;基于所述第一机器学习模型、第二机器学习模型和第N机器学习模型以及第一应用特征数据集、第二应用特征数据集和第N应用特征数据集进行贡献度分析,得到第一应用特征数据集、第二应用特征数据集和第N应用特征数据集对机器学习模型的贡献度;根据所述第一应用特征数据集、第二应用特征数据集和第N应用特征数据集的贡献度的大小确定目标用户对应用程序的使用兴趣度,根据所述使用兴趣度向目标用户推荐与兴趣度相匹配的应用程序信息。
2.如权利要求1所述的基于机器学习的应用程序信息推荐方法,其特征在于,所述根据所述使用频次信息对第一应用程序类别、第二应用程序类别和第N应用程序类别划分使用优先级,包括:
分别统计所述第一应用程序类别的第一总使用频次、第二应用程序类别的第二总使用频次以及第N应用程序类别的第N总使用频次;
判断所述第一总使用频次、第二总使用频次以及第N总使用频次的大小:若第一总使用频次大于第二总使用频次、第二总使用频次大于第N总使用频次,则将所述第一总使用频次对应的第一应用程序类别划分为第一优先级,将所述第二总使用频次对应的第二应用程序类别划分为第二优先级,将所述第N总使用频次对应的第N应用程序类别划分为第N优先级。
3.如权利要求2所述的基于机器学习的应用程序信息推荐方法,其特征在于,所述根据使用优先级提取相应的第一应用程序类别、第二应用程序类别和第N应用程序类别中各应用程序的应用特征,包括:
根据所述第一优先级、第二优先级以及第N优先级,依次获取处于所述第一优先级的第一应用程序类别中、处于第二优先级的第二应用程序类别中以及处于第N优先级的第N应用程序类别中的各应用程序并提取每一应用程序的应用特征。
4.一种基于机器学习的应用程序信息推荐***,其特征在于,所述***包括:
应用程序信息获取单元,用于获取目标用户的应用程序使用信息及其使用频次信息,根据所述应用程序使用信息将目标用户使用的应用程序分类成第一应用程序类别、第二应用程序类别和第N应用程序类别;
优先级划分单元,用于根据所述使用频次信息对第一应用程序类别、第二应用程序类别和第N应用程序类别划分使用优先级,根据所述使用优先级提取相应的第一应用程序类别、第二应用程序类别和第N应用程序类别中各应用程序的应用特征;
应用特征集合单元,用于将多个与第一优先级相对应的应用特征集合成第一应用特征数据集;将多个与第二优先级相对应的应用特征集合成第二应用特征数据集;将多个与第N优先级相对应的应用特征集合成第N应用特征数据集;
应用程序信息推荐单元,用于将所述第一应用特征数据集进行机器学习得到第一机器学习模型;将所述第二应用特征数据集输入第一机器学习模型进行机器学习得到第二机器学习模型;将所述第N应用特征数据集输入第二机器学习模型进行机器学习得到第N机器学习模型;基于所述第一机器学习模型、第二机器学习模型和第N机器学习模型以及第一应用特征数据集、第二应用特征数据集和第N应用特征数据集进行贡献度分析,得到第一应用特征数据集、第二应用特征数据集和第N应用特征数据集对机器学习模型的贡献度;根据所述第一应用特征数据集、第二应用特征数据集和第N应用特征数据集的贡献度的大小确定目标用户对应用程序的使用兴趣度,根据所述使用兴趣度向目标用户推荐与兴趣度相匹配的应用程序信息。
5.一种基于机器学习的应用程序信息推荐设备,包括存储器、处理器以及存储在所述存储器中并可在所述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至3任一项所述方法的步骤。
6.一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如权利要求1至3任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311697325.5A CN117390292B (zh) | 2023-12-12 | 2023-12-12 | 基于机器学习的应用程序信息推荐方法、***及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311697325.5A CN117390292B (zh) | 2023-12-12 | 2023-12-12 | 基于机器学习的应用程序信息推荐方法、***及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117390292A CN117390292A (zh) | 2024-01-12 |
CN117390292B true CN117390292B (zh) | 2024-02-09 |
Family
ID=89463489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311697325.5A Active CN117390292B (zh) | 2023-12-12 | 2023-12-12 | 基于机器学习的应用程序信息推荐方法、***及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390292B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108076154A (zh) * | 2017-12-21 | 2018-05-25 | 广东欧珀移动通信有限公司 | 应用信息推荐方法、装置及存储介质和服务器 |
CN109992601A (zh) * | 2019-03-12 | 2019-07-09 | 中国平安财产保险股份有限公司 | 待办事项信息的推送方法、装置和计算机设备 |
CN113032075A (zh) * | 2021-03-29 | 2021-06-25 | 联想(北京)有限公司 | 一种信息处理方法及电子装置 |
CN113268655A (zh) * | 2020-02-17 | 2021-08-17 | 北京搜狗科技发展有限公司 | 一种信息推荐方法、装置和电子设备 |
WO2022247856A1 (zh) * | 2021-05-26 | 2022-12-01 | 维沃移动通信(杭州)有限公司 | 应用程序的推荐方法、装置、电子设备及介质 |
CN116501979A (zh) * | 2023-06-30 | 2023-07-28 | 北京水滴科技集团有限公司 | 信息推荐方法、装置、计算机设备及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230057A (zh) * | 2016-12-09 | 2018-06-29 | 阿里巴巴集团控股有限公司 | 一种智能推荐方法及*** |
-
2023
- 2023-12-12 CN CN202311697325.5A patent/CN117390292B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108076154A (zh) * | 2017-12-21 | 2018-05-25 | 广东欧珀移动通信有限公司 | 应用信息推荐方法、装置及存储介质和服务器 |
CN109992601A (zh) * | 2019-03-12 | 2019-07-09 | 中国平安财产保险股份有限公司 | 待办事项信息的推送方法、装置和计算机设备 |
CN113268655A (zh) * | 2020-02-17 | 2021-08-17 | 北京搜狗科技发展有限公司 | 一种信息推荐方法、装置和电子设备 |
CN113032075A (zh) * | 2021-03-29 | 2021-06-25 | 联想(北京)有限公司 | 一种信息处理方法及电子装置 |
WO2022247856A1 (zh) * | 2021-05-26 | 2022-12-01 | 维沃移动通信(杭州)有限公司 | 应用程序的推荐方法、装置、电子设备及介质 |
CN116501979A (zh) * | 2023-06-30 | 2023-07-28 | 北京水滴科技集团有限公司 | 信息推荐方法、装置、计算机设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117390292A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472027B (zh) | 意图识别方法、设备及计算机可读存储介质 | |
US7949643B2 (en) | Method and apparatus for rating user generated content in search results | |
TW202029079A (zh) | 異常群體識別方法及裝置 | |
US20150227589A1 (en) | Semantic matching and annotation of attributes | |
CN109509010B (zh) | 一种多媒体信息处理方法、终端及存储介质 | |
WO2018149337A1 (zh) | 一种信息投放方法、装置及服务器 | |
CN103455411B (zh) | 日志分类模型的建立、行为日志分类方法及装置 | |
CN113032580B (zh) | 关联档案推荐方法、***及电子设备 | |
CN110825977A (zh) | 一种数据推荐方法及相关设备 | |
KR20190128246A (ko) | 검색 방법 및 장치 및 비-일시적 컴퓨터-판독가능 저장 매체 | |
CN110909222A (zh) | 基于聚类的用户画像建立方法、装置、介质及电子设备 | |
CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
WO2019223104A1 (zh) | 确定事件影响因素的方法、装置、终端设备及可读存储介质 | |
US20130218876A1 (en) | Method and apparatus for enhancing context intelligence in random index based system | |
CN111061842A (zh) | 一种相似文本确定方法及装置 | |
CN104899195A (zh) | 一种个性化教育资源的推荐方法和装置 | |
KR101450453B1 (ko) | 컨텐츠 추천 방법 및 장치 | |
CN105989066A (zh) | 一种信息处理方法和装置 | |
CN107885875B (zh) | 检索词的同义变换方法、装置及服务器 | |
CN113934937A (zh) | 一种内容智能推荐方法、装置、终端和存储介质 | |
CN106651408B (zh) | 一种数据分析方法及装置 | |
CN112328881A (zh) | 文章推荐方法、装置、终端设备及存储介质 | |
CN117390292B (zh) | 基于机器学习的应用程序信息推荐方法、***及设备 | |
CN115687790B (zh) | 基于大数据的广告推送方法、***及云平台 | |
CN112948251B (zh) | 软件自动测试方法及装置 |
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 |