应用推荐方法、装置及服务器制造方法及图纸

本发明专利技术实施例提出一种应用推荐方法、装置及服务器。该应用推荐方法包括：根据用户的历史应用列表计算得到所述用户的特征向量；根据多个所述用户的特征向量训练得到应用对应的各个标签的预测模型；及基于用户的特征向量以及所述各个标签的预测模型生成所述用户的推荐应用序列。本发明专利技术实施例可以针对不同的用户提供个性化应用推荐，推荐准确率高，有助于提高应用下载量，提升用户的使用体验。

【技术实现步骤摘要】

本专利技术涉及应用软件管理领域，具体而言，涉及一种应用推荐方法、装置及服务器。
技术介绍
现目前，应用商店在推荐应用(Application，APP)时的常用方法是，通过计算整个应用商店中每个应用的下载量，并按照下载量对应用进行排序，然后把排序靠前的应用推荐给用户。这种基于排行榜的应用推荐方式会对所有用户或者某一类用户推荐相同的应用，忽视了不同用户对应用需求的个体差异。造成应用推荐准确度不高，用户对推荐的应用满意度不高，从而影响软件的下载量及用户的使用体验。
技术实现思路
有鉴于此，本专利技术一较佳实施例的目的在于提供一种能根据不同用户的应用需求推荐相应应用的方法，该方法包括：根据所述历史应用列表得到所述用户的特征向量；根据多个所述用户的特征向量训练得到应用对应的各个标签的预测模型；及基于用户的特征向量以及所述各个标签的预测模型生成所述用户的推荐应用序列。本专利技术另一较佳实施例还提供一种应用推荐装置，所述装置包括：特征向量生成模块，用于根据用户的历史应用列表计算得到所述用户的特征向量；及预测模型生成模块，用于根据多个所述用户的特征向量训练得到应用对应的各个标签的预测模型；及推荐应用序列生成模块，用于基于用户的特征向量以及所述各个标签的预测模型生成所述用户的推荐应用序列。本专利技术另一较佳实施例还提供一种服务器，包括存储器、处理器以及应用推荐装置。所述应用推荐装置安装或存储于所述存储器由所述处理器控制应用推荐装置各功能模块的执行。与现有技术相比，本专利技术实施例提供的应用推荐方法及装置，基于用户的使用习惯构建用户的特征向量；并通过采用用户的特征向量生成所述用户的推荐应用序列。在生成用户的推荐应用序列时考虑用户之前的使用习惯，在进行应用推荐时会将与用户之前使用习惯相关性大的应用推荐给用户，从而实现不同用户之间应用的个性化推荐，推荐准确率高，有助于提高应用下载量，提升用户的使用体验。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。图1是本专利技术较佳实施例提供的服务器与至少一用户终端进行通信的交互示意图。图2是图1所示的服务器的方框示意图。图3是本专利技术较佳实施例提供的图2中所示的应用推荐装置的一种功能模块框图。图4是本专利技术较佳实施例提供的图2中所示的应用推荐装置的另一种功能模块框图。图5是本专利技术较佳实施例提供的一种应用推荐方法的具体流程图。图6是图5中步骤S113包括的子步骤流程示意图。图7是本专利技术较佳实施例提供的另一种应用推荐方法的具体流程图。主要元件符号说明服务器100用户终端200网络300应用推荐装置110存储器111处理器112存储控制器113特征向量生成模块1101预测模型生成模块1102推荐应用序列生成模块1103标签序列生成子模块11031推荐应用序列生成子模块11032应用序列推荐模块1104具体实施方式下面将结合本专利技术实施例中附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。请参照图1，是本专利技术较佳实施例提供的服务器100与至少一用户终端200进行通信的交互示意图。所述用户终端200可通过网络300访问服务器100，以获得服务器100提供的应用(Application，APP)推荐服务。本实施例中，所述服务器100可以是，但不限于，web(网站)服务器。所述用户终端200可以是，但不限于，智能手机、个人电脑(personal computer，PC)、平板电脑、个人数字助理(personal digital assistant，PDA)、移动上网设备(mobile Internet device，MID)等。所述网络300可以是，但不限于，有线网络或无线网络。请参照图2，是图1所示的服务器100的方框示意图。所述服务器100包括应用推荐装置110、存储器111、处理器112及通信单元113。所述存储器111、处理器112及通信单元113的各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。其中，所述存储器111可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器111用于存储程序，所述处理器112在接收到执行指令后，执行所述程序。所述通信单元113用于通过所述网络300建立所述服务器100与所述用户终端200之间的通信连接，并用于通过所述网络300接收和发送数据。所述应用推荐装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器111中或固化在所述服务器100的操作系统(operating system，OS)中的软件功能模块。所述处理器112用于执行所述存储器111中存储的可执行模块，例如应用推荐装置110所包括的软件功能模块及计算机程序等。本实施例中，所述应用推荐装置110为服务器100提供针对不同用户的个性化应用推荐服务，具体的方法在后续进行详细说明。请参照图3，是本专利技术较佳实施例提供的图2所示应用推荐装置110的功能模块框图。所述应用推荐装置110包括特征向量生成模块1101、预测模型生成模块1102及推荐应用序列生成模块1103。所述特征向量生成模块1101，用于根据用户的历史应用列表计算得到所述用户的特征向量。在本实施例中，所述历史应用列表可以包括所述用户终端200的已安装应用列表、预设时间内(比如，最近一段时间)的下载应用列表、预设时间内的浏览应用列表及预设时间内的更新应用列表。下面具体介绍所述特征向量生成模块1101根据用户的历史应用列表计算得到所述用户的特征向量的过程。首先，所述特征向量生成模块1101计算得到历史应用列表中每个应用的分值。所述特本文档来自技高网...

【技术保护点】
一种应用推荐方法，其特征在于，应用于服务器，所述方法包括：根据用户的历史应用列表计算得到所述用户的特征向量；根据多个所述用户的特征向量训练得到应用对应的各个标签的预测模型；及基于用户的特征向量以及所述各个标签的预测模型生成所述用户的推荐应用序列。

【技术特征摘要】
1.一种应用推荐方法，其特征在于，应用于服务器，所述方法包括：根据用户的历史应用列表计算得到所述用户的特征向量；根据多个所述用户的特征向量训练得到应用对应的各个标签的预测模型；及基于用户的特征向量以及所述各个标签的预测模型生成所述用户的推荐应用序列。2.如权利要求1所述的应用推荐方法，其特征在于，所述基于用户的特征向量以及所述各个标签的预测模型生成所述用户的推荐应用序列的步骤包括：将所述用户的特征向量分别输入到各个标签的预测模型中，得到所述用户的预测标签序列；及根据所述预测标签序列与所述预测标签下的应用生成所述用户的推荐应用序列。3.如权利要求2所述的应用推荐方法，其特征在于，所述根据所述预测标签序列与所述预测标签下的应用生成所述用户的推荐应用序列的步骤包括：对所述预测标签序列中的各个标签进行排序；对各个标签下所有应用进行排序；及根据每个用户的预测标签序列中各个标签的排序及各个标签下的应用的排序，计算得到每个用户的推荐应用序列。4.如权利要求3所述的应用推荐方法，其特征在于，对所述预测标签序列中的各个标签按照所述用户对标签的基尼值大小进行排序。5.如权利要求3所述的应用推荐方法，其特征在于，所述根据每个用户的预测标签序列中各个标签的排序及各个标签下的应用的排序，计算得到每个用户的推荐应用序列的步骤包括：根据每个用户的预测标签序列中各标签的序列号及各标签下应用的推荐序列号，得到每个用户的推荐应用序列。6.如权利要求2所述的应用推荐方法，其特征在于，还包括：在用户访问应用商店时，将所述用户的推荐应用序列中的应用推荐给所述用户。7.如权利要求1所述的应用推荐方法，其特征在于，所述根据用户的历史应用列表计算得到所述用户的特征向量的步骤包括：计算得到历史应用列表中每个应用的分值；为历史应用列表中每个应用赋予标签；计算单个用户的标签的概率分布值；计算所有用户的标签的概率分布值；及根据所述单个用户的标签的概率分布值及所有用户的标签的概率分布值得到用户的特征向量。8.如权利要求7所述的应用推荐方法，其特征在于，所述历史应用列表包括已安装应用列表、预设时间内的下载应用列表、预设时间内的浏览应用列表及预设时间内的更新应用列表。9.如权利要求1所述的应用推荐方法，其特征在于，所述根据多个所述用户的特征向量训练得到应用对应的各个标签的预测模型的步骤包括：生成每个标签下应用的训练样本集；对所述训练样本集采用决策树模型进行训练得到每个标签的预测模型，并根据每个标签的预测模型生成包括所有标签的预测模型的预测模型集。10.一种应用推荐装置，其特征在于，应用于服务器，所述装置包括：特征向量生成模块，用于根据用户的历史应用列表计算得到所述用户的特征向量；预测模型生成模块，用于根据多个所述用户的特征向量训练得到应用对应的各个标签...

【专利技术属性】
技术研发人员：黄振，
申请(专利权)人：广州优视网络科技有限公司，
类型：发明
国别省市：广东;44