应用推荐方法、装置、存储介质及计算机设备制造方法及图纸

本发明专利技术提供一种应用推荐方法、装置、存储介质及计算机设备，所述的方法包括：获取待推荐用户已安装的应用，生成应用集合；分别获取待推荐应用与所述应用集合中的每个应用的交叉特征，得到应用特征向量；根据所述应用特征向量生成对应的实数向量，将所述实数向量输入预生成的应用推荐模型中，得到所述待推荐应用的预测安装值；其中，所述应用推荐模型用于表征所述实数向量和所述预测安装值之间的关联关系；根据所述预测安装值，向所述待推荐用户推荐应用。上述应用推荐方法，解决现有技术中存在的给用户推荐相关应用时效率过低的问题，实现给用户自动化推荐感兴趣的应用。

【技术实现步骤摘要】
应用推荐方法、装置、存储介质及计算机设备
本专利技术涉及计算机
，具体而言，本专利技术涉及一种应用推荐方法、装置、存储介质及计算机设备。
技术介绍
随着互联网技术以及终端技术的发展，人们对各种类型的应用的需求越来越多，在其终端设备中安装的应用也越来越多。然而，终端设备的容量有限，过多的应用将造成终端设备的资源浪费。如何很好地给用户推荐感兴趣的应用，避免用户终端安装过多不必要的应用，提高用户体验，是应用商店运营过程中一直急需解决的问题。现有技术提出了为用户提供感兴趣的应用推荐的方案，即通过获知用户的兴趣所在，主动为其推荐感兴趣的应用。然而，判断用户感兴趣的应用，一般是通过人工筛选，不仅耗费大量的人工，而且效率过低。
技术实现思路
本专利技术针对现有方式的缺点，提出一种应用推荐方法、装置、存储介质及计算机设备，用以解决现有技术中存在的给用户推荐相关应用时效率过低的问题，实现给用户自动化推荐感兴趣的应用。本专利技术提供以下方案：一种应用推荐方法，包括步骤：获取待推荐用户已安装的应用，生成应用集合；分别获取待推荐应用与所述应用集合中的每个应用的交叉特征，得到应用特征向量；根据所述应用特征向量生成对应的实数向量，将所述实数向量输入预生成的应用推荐模型中，得到所述待推荐应用的预测安装值；其中，所述应用推荐模型用于表征所述实数向量和所述预测安装值之间的关联关系；根据所述预测安装值，向所述待推荐用户推荐应用。在其中一个实施例中，所述根据所述预测安装值，向所述待推荐用户推荐应用，包括：获取应用推荐池中每个待推荐应用的预测安装值；按照预测安装值从大到小对所述应用推荐池中的待推荐应用进行排序；向所述待推荐用户推荐所述应用推荐池中排名靠前的预置数量的待推荐应用。在其中一个实施例中，所述根据所述应用特征向量生成对应的实数向量，包括：获取所述应用特征向量中每个元素的字符串的哈希值；根据所述每个元素的哈希值生成所述实数向量。在其中一个实施例中，所述预生成的应用推荐模型通过以下方式获得：获取向样本用户曝光的应用，以及所述曝光的应用的安装信息；根据所述曝光的应用的安装信息生成曝光应用安装向量；获取所述样本用户已安装的应用，生成样本应用集合；分别获取曝光的应用与所述样本应用集合中每个应用的交叉特征，得到样本应用特征向量；根据所述样本应用特征向量生成对应的样本实数向量；将所述样本实数向量和所述曝光应用安装向量，输入深度神经网络中进行训练，生成所述应用推荐模型。在其中一个实施例中，所述将所述样本实数向量和所述曝光应用安装向量，输入深度神经网络中进行训练，生成所述应用推荐模型，包括：将所述样本实数向量和所述曝光应用安装向量输入预先构建的损失函数中；通过预设算法求解所述损失函数最小时对应的所述深度神经网络的模型参数，根据所述模型参数生成所述应用推荐模型。在其中一个实施例中，所述预设算法为梯度下降法。在其中一个实施例中，所述获取待推荐用户已安装的应用，生成应用集合，包括：获取距离当前时间预设时长内待推荐用户已安装的应用，将所述已安装的应用按照安装时间与当前时间的距离从近到远的顺序进行排序；根据排序后的已安装的应用，生成所述应用集合。在其中一个实施例中，所述根据排序后的已安装的应用，生成所述应用集合，包括：在所述排序后的已安装的应用中，获取排名靠前的预设数量的应用生成所述应用集合。一种应用推荐装置，包括：生成模块，用于获取待推荐用户已安装的应用，生成应用集合；第一获取模块，用于分别获取待推荐应用与所述应用集合中的每个应用的交叉特征，得到应用特征向量；第二获取模块，用于根据所述应用特征向量生成对应的实数向量，将所述实数向量输入预生成的应用推荐模型中，得到所述待推荐应用的预测安装值；其中，所述应用推荐模型用于表征所述实数向量和所述预测安装值之间的关联关系；推荐模块，用于根据所述预测安装值，向所述待推荐用户推荐应用。一种存储介质，其上存储有计算机程序；所述计算机程序被处理器执行时，实现上述任一实施例所述的应用推荐方法。一种计算机设备，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，所述一个或多个应用程序配置用于执行根据上述任一实施例所述的应用推荐方法。上述实施例提供的应用推荐方法，分别获取待推荐应用与推荐用户已安装的每个应用的交叉特征，自动生成待推荐应用的应用特征向量，将该应用特征向量输入应用推荐模型中得到待推荐应用的预测安装值，进而根据该预测安装值向待推荐用户推荐应用。通过机器学习的方法对待推荐应用进行自动化的分析，给待推荐用户推荐感兴趣的应用，解决人工推荐耗费大量人力成本的问题，提高了应用推荐的效率。本专利技术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，或通过本专利技术的实践了解到。附图说明本专利技术上述的和/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为本专利技术提供的一种应用推荐方法的一实施例中服务器与客户端之间的交互示意图；图2为本专利技术提供的一种应用推荐模型生成方法的一实施例中流程图；图3为本专利技术提供的一种应用推荐模型生成方法的另一实施例中流程图；图4为本专利技术提供的深度神经网络(DNN)模型的结构图；图5为本专利技术提供的一种应用推荐方法的一实施例中的流程图；图6为本专利技术提供的一种应用推荐方法的另一实施例中的流程图；图7为本专利技术一种应用推荐装置的一实施例中的结构示意图；图8为本专利技术提供的计算机设备结构一实施例中的示意图。具体实施方式下面详细描述本专利技术的实施例，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，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式，这里使用的“第一”、“第二”仅用于区别同一技术特征，并不对该技术特征的顺序和数量等加以限定。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。本专利技术提供的一种应用推荐方法，给不同的用户推荐该用户感兴趣的应用。该应用推荐方法应用于如图1所示的应用环境中。如图1所示，服务器100与用户终端300位于同一个网络200环境中，服务器100与用户终端300通过网络200进行数据信息的交互。服务器100与用户终端300的数量不作限定，图1所示只作为示例说明。用户终端300中安装有客户端，客户端为第三方应用软件，如应用商店APP(Application，应用)等。用户可以通过用户终端300中的客户端APP与对应的服务器100本文档来自技高网...

【技术保护点】
1.一种应用推荐方法，其特征在于，包括步骤：获取待推荐用户已安装的应用，生成应用集合；分别获取待推荐应用与所述应用集合中的每个应用的交叉特征，得到应用特征向量；根据所述应用特征向量生成对应的实数向量，将所述实数向量输入预生成的应用推荐模型中，得到所述待推荐应用的预测安装值；其中，所述应用推荐模型用于表征所述实数向量和所述预测安装值之间的关联关系；根据所述预测安装值，向所述待推荐用户推荐应用。

【技术特征摘要】
1.一种应用推荐方法，其特征在于，包括步骤：获取待推荐用户已安装的应用，生成应用集合；分别获取待推荐应用与所述应用集合中的每个应用的交叉特征，得到应用特征向量；根据所述应用特征向量生成对应的实数向量，将所述实数向量输入预生成的应用推荐模型中，得到所述待推荐应用的预测安装值；其中，所述应用推荐模型用于表征所述实数向量和所述预测安装值之间的关联关系；根据所述预测安装值，向所述待推荐用户推荐应用。2.根据权利要求1所述的应用推荐方法，其特征在于，所述根据所述预测安装值，向所述待推荐用户推荐应用，包括：获取应用推荐池中每个待推荐应用的预测安装值；按照预测安装值从大到小对所述应用推荐池中的待推荐应用进行排序；向所述待推荐用户推荐所述应用推荐池中排名靠前的预置数量的待推荐应用。3.根据权利要求1所述的应用推荐方法，其特征在于，所述根据所述应用特征向量生成对应的实数向量，包括：获取所述应用特征向量中每个元素的字符串的哈希值；根据所述每个元素的哈希值生成所述实数向量。4.根据权利要求1所述的应用推荐方法，其特征在于，所述预生成的应用推荐模型通过以下方式获得：获取向样本用户曝光的应用，以及所述曝光的应用的安装信息；根据所述曝光的应用的安装信息生成曝光应用安装向量；获取所述样本用户已安装的应用，生成样本应用集合；分别获取曝光的应用与所述样本应用集合中每个应用的交叉特征，得到样本应用特征向量；根据所述样本应用特征向量生成对应的样本实数向量；将所述样本实数向量和所述曝光应用安装向量，输入深度神经网络中进行训练，生成所述应用推荐模型。5.根据权利要求4所述的应用推荐方法，其特征在于，所述将所述样本实数向量和所述曝光应用安装向量，输入深度神经网络中进行训练，生成所述应用推荐模型，包括：将所述样本实数向量和所述曝...

【专利技术属性】
技术研发人员：潘岸腾，
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