一种基于排序学习的移动应用推荐方法及其推荐系统技术方案

本发明专利技术公开一种基于排序学习的移动应用推荐方法及其推荐系统，该推荐方法把APP推荐建模成一个排序问题，相比传统地把推荐看作评分问题，具有更高的推荐准确率。本发明专利技术推荐系统采用的排序推荐算法，结合了按列排序算法计算的高效性和按对排序算法预测的高精度，并且将算法思想框架化，可以结合不同的推荐算法，具有高拓展性。

【技术实现步骤摘要】

本专利技术属于电子商务
，具体涉及一种基于排序学习的移动应用推荐方法及其推荐系统。
技术介绍
在移动应用程序(Application，APP)极大的方便人们日常生活的今天，数量庞大的APP也带给了用户选择的困惑。用户需要有一种高效的途径来帮助他们从数以百万计的APP中选择感兴趣的少部分。受到推荐系统在传统互联网领域广泛应用的启发，业界将目光投向了APP的推荐。目前大部分APP商店采用了分类目录和热门排行榜的方案帮助用户发现所需的APP，但这并不能很好的满足不同用户的个性化需求，因为呈现在所有用户面前的都是一样的内容，而忽略了用户的性别、年龄和文化等差异。即使对于同一个用户而言，他的兴趣往往会随着时间变化。而基于关键字的搜索则建立在用户对自身需求的明确描述之上，因此在用户不能明确描述自身需求的情况下，呈现的推荐结果往往显得盲目。业界真正投入使用的个性化APP推荐系统很少。
技术实现思路
本专利技术目的在于提供一种基于排序学习的移动应用推荐方法及其推荐系统，以解决目前缺乏针对APP的排序推荐算法框架的问题。一种基于排序学习的移动应用推荐方法，包括如下步骤：(1)收集用户关于APP的行为数据，所述的行为数据包含用户下载以及浏览APP的历史记录；(2)对所述的行为数据进行预处理并从中提取出用户对于各APP的特征向量；然后选用一种评分预测模型，进而根据特征向量计算出用户对于各APP的评分；(3)根据上述评分采用梯度下降法对所述评分预测模型中的各模型参数进行更新；(4)根据更新后确立的评分预测模型，计算出用户对于每个未下载过的APP的评分，并按该评分对APP进行排序，提取评分最高的若干个APP推荐给用户。所述的步骤(2)中对行为数据进行预处理，具体实现包括对缺失值通过统计模拟进行填充以及对异常值进行筛选去除。所述的步骤(2)中选用的评分预测模型可以采用逻辑回归算法(LR)或梯度提升回归树算法(GBRT)。所述的步骤(3)中基于交叉信息熵的损失函数C采用梯度下降法对评分预测模型中的各模型参数进行更新。所述损失函数C的表达式如下： C = - P i j ‾ lg P i j - ( 1 - P i j ‾ ) lg ( 1 - P i j ) = 1 2 ( 1 - S i j ) ( s i - s j ) + lg ( 1 + e - ( s i - s j ) ) ]]>其中：Pij为用户对第i个APP的偏好高于对第j个APP的预测概率，为Pij对应的真实概率，si和sj分别为用户对于第i个APP和第j个APP的评分，Sij＝0或±1，若si＝sj，则Sij＝0；若si＞sj，则Sij＝1；若si＜sj，则Sij＝-1；i和j均为自然数且1≤i≤n，1≤j≤n，i≠j，n为APP的数量。所述预测概率Pij的表达式如下： P i j = 1 1 + e - ( s i - s j ) ]]>所述的评分Si＝f(xi)，sj＝f(xj)，xi和xj分别为第i个APP和第j个APP的特征向量，f()表示更新前的评分预测模型。所述的步骤(3)中对于评分预测模型中的任一模型参数，其更新算法如下： w k * = w k - η ∂ C ∂ w k = w k - η ( ∂ C ∂ s i ∂ s i ∂ w k + ∂ C ∂ 本文档来自技高网...

【技术保护点】
一种基于排序学习的移动应用推荐方法，包括如下步骤：(1)收集用户关于APP的行为数据，所述的行为数据包含用户下载以及浏览APP的历史记录；(2)对所述的行为数据进行预处理并从中提取出用户对于各APP的特征向量；然后选用一种评分预测模型，进而根据特征向量计算出用户对于各APP的评分；(3)根据上述评分采用梯度下降法对所述评分预测模型中的各模型参数进行更新；(4)根据更新后确立的评分预测模型，计算出用户对于每个未下载过的APP的评分，并按该评分对APP进行排序，提取评分最高的若干个APP推荐给用户。

【技术特征摘要】
1.一种基于排序学习的移动应用推荐方法，包括如下步骤：(1)收集用户关于APP的行为数据，所述的行为数据包含用户下载以及浏览APP的历史记录；(2)对所述的行为数据进行预处理并从中提取出用户对于各APP的特征向量；然后选用一种评分预测模型，进而根据特征向量计算出用户对于各APP的评分；(3)根据上述评分采用梯度下降法对所述评分预测模型中的各模型参数进行更新；(4)根据更新后确立的评分预测模型，计算出用户对于每个未下载过的APP的评分，并按该评分对APP进行排序，提取评分最高的若干个APP推荐给用户。2.根据权利要求1所述的移动应用推荐方法，其特征在于：所述的步骤(2)中对行为数据进行预处理，具体实现包括对缺失值通过统计模拟进行填充以及对异常值进行筛选去除。3.根据权利要求1所述的移动应用推荐方法，其特征在于：所述的步骤(2)中选用的评分预测模型采用逻辑回归算法或梯度提升回归树算法。4.根据权利要求1所述的移动应用推荐方法，其特征在于：所述的步骤(3)中基于交叉信息熵的损失函数C采用梯度下降法对评分预测模型中的各模型参数进行更新。5.根据权利要求4所述的移动应用推荐方法，其特征在于：所述损失函数C的表达式如下： C = - P i j ‾ lg P i j - ( 1 - P i j ‾ ) lg ( 1 - P i j ) = 1 2 ( 1 - S i j ) ( s i - s j ) + lg ( 1 + e - ( s i - s j ) ) ]]>其中：Pij为用户对第i个APP的偏好高于对第j个APP的预测概率，为Pij对应的真实概率，si和sj分别为用户对于第i个APP和第j个APP的评分，Sij＝0或±1，若Si＝Sj，则Sij＝0；若si＞sj，则Sij＝1；若si＜sj，则Sij＝...

【专利技术属性】
技术研发人员：吴健，邱奇波，谢志宁，叶刚峰，邓水光，李莹，尹建伟，吴朝晖，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33