应用推荐的方法、终端和计算机存储介质技术

本申请公开了一种应用推荐的方法、终端和计算机存储介质，该方法包括：获取待推荐应用的应用特征，上述应用特征中包括第一属性特征和第二属性特征；根据待推荐应用的第一属性特征确定应用推荐网络模型，并通过应用推荐网络模型对待推荐应用的第二属性特征进行学习，确定待推荐应用对应的应用推荐值或者用户推荐值，其中，应用推荐网络模型由第一用户关联的样本应用特征训练得到，或者由第一应用关联的样本用户特征训练得到；根据上述应用推荐值确定向第一用户推荐待推荐应用的应用优先级，或者根据上述用户推荐值确定推荐第一应用的用户优先级。采用本申请实施例，可提高应用定向推荐的可行性，提高应用推荐的准确率。

Application of recommended methods, terminals and computer storage media

【技术实现步骤摘要】
应用推荐的方法、终端和计算机存储介质
本申请涉及互联网
，尤其涉及一种应用推荐的方法、一种终端和一种计算机存储介质。
技术介绍
随着智能手机、平板电脑等终端的功能日益强大，应用于智能手机、平板电脑等终端上的应用程序(或简称应用)也随之日益丰富多样。应用种类的多样化给终端用户带来了丰富多样的用户体验，同时也给终端用户增添了选择难题。为了方便快速地从多种多样的应用中快速推选出满足终端用户需求或者喜好的应用，各类应用的推荐服务应运而生。现有技术中，应用推荐一般是基于用户已经下载过的应用进行相似度较高的应用推荐，或者基于兴趣相投或者拥有共同经验的用户群体的需求或者喜好向用户推荐可能感兴趣的应用。然而，无论是基于用户已经下载过的应用，还是基于用户群体的需求或者喜好进行其他应用的推荐均会使得推选出来的应用相似度较高，冗余应用的出现概率高，用户此前没有关注到的应用的被屏蔽概率高，进而使得应用推荐的有效性低，适用性差。
技术实现思路
本申请实施例提供一种应用推荐的方法、终端和计算机存储介质，可增强应用推荐的用户关联性，提高应用定向推荐的可行性，提高应用推荐的准确率，适用性更强。第一方面，本申请提供了一种应用推荐的方法，该方法包括：获取待推荐应用的应用特征，其中，上述待推荐应用的应用特征中包括第一属性特征和第二属性特征，上述第一属性特征为第一用户属性特征、上述第二属性特征为第二应用属性特征，或者上述第一属性特征为第一应用属性特征、上述第二属性特征为第二用户属性特征；根据上述待推荐应用的第一属性特征确定应用推荐网络模型，并通过上述应用推荐网络模型对上述待推荐应用的第二属性特征进行学习，确定上述待推荐应用对应的应用推荐值或者上述待推荐应用对应的用户推荐值，其中，上述应用推荐网络模型由第一用户关联的样本应用特征训练得到，或者上述应用推荐网络模型由第一应用关联的样本用户特征训练得到；根据上述待推荐应用的应用推荐值确定向上述第一用户推荐上述待推荐应用的应用优先级，或者根据上述待推荐应用的用户推荐值确定推荐上述第一应用的用户优先级。在一种可能的实现方式中，上述方法还包括：当上述待推荐应用的应用优先级大于或者等于预设应用优先级阈值时，向上述第一用户推荐上述待推荐应用；或者当上述待推荐应用的用户优先级大于或者等于预设用户优先级阈值时，确定向第二用户推荐上述第一应用。在一种可能的实现方式中，上述第一属性特征为第一用户属性特征、上述第二属性特征为第二应用属性特征；上述根据上述待推荐应用的第一属性特征确定应用推荐网络模型包括：将上述第一用户属性特征与应用推荐网络模型集合中包括的各应用推荐网络模型关联的用户属性特征进行匹配，从上述应用推荐网络模型集合中确定出上述第一用户属性特征对应的上述第一用户所关联的应用推荐网络模型；其中，上述应用推荐网络模型集合中还包括上述第一用户之外的其他用户的用户属性特征所关联的其他应用推荐网络模型，上述其他应用推荐网络模型由上述其他用户关联的样本应用特征训练得到。在一种可能的实现方式中，上述获取待推荐应用的应用特征之前，上述方法还包括：获取用于应用推荐训练的至少两个样本应用的样本数据，其中，任一样本应用的样本数据中均包括上述第一用户属性数据和样本应用属性数据；根据上述至少两个样本应用的样本数据构建至少一个样本应用特征对，其中，一个样本应用特征对中包括一个正样本特征和一个负样本特征，其中，上述正样本特征中包括上述第一用户属性特征和正样本应用属性特征，上述负样本特征中包括上述第一用户属性特征和负样本应用属性特征；根据上述至少一个样本应用特征对构建应用推荐网络模型。在一种可能的实现方式中，上述各样本应用的样本应用属性数据中包括活跃程度指示信息；上述根据上述至少两个样本应用的样本数据构建至少一个样本应用特征对包括：将上述至少两个样本应用进行两两配对，得到至少一个样本应用对；对上述至少一个样本应用对中任一样本应用对i执行如下操作得到至少一个样本应用特征对：根据上述样本应用对i的两个样本应用的活跃程度指示信息确定出正样本应用和负样本应用，其中，上述正样本应用的活跃程度高于上述负样本应用的活跃程度；根据上述第一用户属性数据和上述正样本应用的样本应用属性数据构建正样本特征i1，并根据上述第一用户属性数据和上述负样本应用的样本应用属性数据构建负样本特征i0，得到上述样本应用对i对应的样本应用特征对i10；其中，上述样本应用特征对i10中包括上述正样本特征i1和上述负样本特征i0。在一种可能的实现方式中，上述根据上述至少一个样本应用特征对构建应用推荐网络模型包括：将上述至少一个样本应用特征对中各样本应用特征对的正样本特征和负样本特征作为应用推荐网络模型的输入，通过上述应用推荐网络模型对上述各样本应用特征对的正样本特征和负样本特征进行学习，以获得预测任一应用特征对应的应用推荐值的能力；其中，任一样本应用特征对中正样本特征对应的应用推荐值大于负样本特征对应的应用推荐值。在一种可能的实现方式中，上述通过上述应用推荐网络模型对上述待推荐应用的第二属性特征进行学习，确定上述待推荐应用对应的应用推荐值包括：将上述待推荐应用的第二应用属性特征和上述第一用户属性特征输入上述应用推荐网络模型，通过上述应用推荐网络模型对上述第二应用属性特征进行学习，并输出向上述第一用户属性特征对应的上述第一用户推荐上述待推荐应用的应用推荐值。在一种可能的实现方式中，上述任一样本应用对i中正样本应用对应第一预设推荐值，负样本应用对应第二预设推荐值；在将任一样本应用特征对i10的正样本特征i1和负样本特征i0输入上述应用推荐网络模型之后，上述方法还包括：获取上述应用推荐网络模型输出的正样本特征i1对应的第一应用推荐值，和负样本特征i0对应的第二应用推荐值；根据上述第一应用推荐值和上述第二应用推荐值的差值，结合上述第一预设推荐值和上述第二预设推荐值的差值计算推荐值损失；根据上述推荐值损失修正上述应用推荐网络模型，调整上述应用推荐网络模型对任一应用对应的应用推荐值的预测精度。在一种可能的实现方式中，上述第一属性特征为第一应用属性特征、上述第二属性特征为第二用户属性特征；上述根据上述待推荐应用的第一属性特征确定应用推荐网络模型包括：将上述第一应用属性特征与应用推荐网络模型集合中包括的各应用推荐网络模型关联的应用属性特征进行匹配，从上述应用推荐网络模型集合中确定出上述第一应用属性特征对应的上述第一应用所关联的应用推荐网络模型；其中，上述应用推荐网络模型集合中还包括上述第一应用之外的其他应用的应用属性特征所关联的其他应用推荐网络模型，上述其他应用推荐网络模型由上述其他应用关联的样本用户特征训练得到。在一种可能的实现方式中，上述获取待推荐应用的应用特征之前，上述方法还包括：获取用于应用推荐训练的至少两个样本用户的用户数据，其中，任一样本用户的用户数据中均包括上述第一应用属性数据和样本用户属性数据；根据上述至少两个样本用户的用户数据构建至少一个样本用户特征对，根据上述至少一个样本用户特征对构建应用推荐网络模型，其中，一个样本用户特征对中包括一个正样本特征和一个负样本特征，其中，上述正样本特征中包括上述第一应用属性特征和正样本用户属性特征，上述负样本特征中包括上述第一应用属本文档来自技高网...

【技术保护点】
1.一种应用推荐的方法，其特征在于，所述方法包括：获取待推荐应用的应用特征，其中，所述待推荐应用的应用特征中包括第一属性特征和第二属性特征，所述第一属性特征为第一用户属性特征、所述第二属性特征为第二应用属性特征，或者所述第一属性特征为第一应用属性特征、所述第二属性特征为第二用户属性特征；根据所述待推荐应用的第一属性特征确定应用推荐网络模型，并通过所述应用推荐网络模型对所述待推荐应用的第二属性特征进行学习，确定所述待推荐应用对应的应用推荐值或者所述待推荐应用对应的用户推荐值，其中，所述应用推荐网络模型由第一用户关联的样本应用特征训练得到，或者所述应用推荐网络模型由第一应用关联的样本用户特征训练得到；根据所述待推荐应用的应用推荐值确定向所述第一用户推荐所述待推荐应用的应用优先级，或者根据所述待推荐应用的用户推荐值确定推荐所述第一应用的用户优先级。

【技术特征摘要】
1.一种应用推荐的方法，其特征在于，所述方法包括：获取待推荐应用的应用特征，其中，所述待推荐应用的应用特征中包括第一属性特征和第二属性特征，所述第一属性特征为第一用户属性特征、所述第二属性特征为第二应用属性特征，或者所述第一属性特征为第一应用属性特征、所述第二属性特征为第二用户属性特征；根据所述待推荐应用的第一属性特征确定应用推荐网络模型，并通过所述应用推荐网络模型对所述待推荐应用的第二属性特征进行学习，确定所述待推荐应用对应的应用推荐值或者所述待推荐应用对应的用户推荐值，其中，所述应用推荐网络模型由第一用户关联的样本应用特征训练得到，或者所述应用推荐网络模型由第一应用关联的样本用户特征训练得到；根据所述待推荐应用的应用推荐值确定向所述第一用户推荐所述待推荐应用的应用优先级，或者根据所述待推荐应用的用户推荐值确定推荐所述第一应用的用户优先级。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：当所述待推荐应用的应用优先级大于或者等于预设应用优先级阈值时，向所述第一用户推荐所述待推荐应用；或者当所述待推荐应用的用户优先级大于或者等于预设用户优先级阈值时，确定向第二用户推荐所述第一应用。3.根据权利要求1或2所述的方法，其特征在于，所述第一属性特征为第一用户属性特征、所述第二属性特征为第二应用属性特征；所述根据所述待推荐应用的第一属性特征确定应用推荐网络模型包括：将所述第一用户属性特征与应用推荐网络模型集合中包括的各应用推荐网络模型关联的用户属性特征进行匹配，从所述应用推荐网络模型集合中确定出所述第一用户属性特征对应的所述第一用户所关联的应用推荐网络模型；其中，所述应用推荐网络模型集合中还包括所述第一用户之外的其他用户的用户属性特征所关联的其他应用推荐网络模型，所述其他应用推荐网络模型由所述其他用户关联的样本应用特征训练得到。4.根据权利要求3所述的方法，其特征在于，所述获取待推荐应用的应用特征之前，所述方法还包括：获取用于应用推荐训练的至少两个样本应用的样本数据，其中，任一样本应用的样本数据中均包括所述第一用户属性数据和样本应用属性数据；根据所述至少两个样本应用的样本数据构建至少一个样本应用特征对，其中，一个样本应用特征对中包括一个正样本特征和一个负样本特征，其中，所述正样本特征中包括所述第一用户属性特征和正样本应用属性特征，所述负样本特征中包括所述第一用户属性特征和负样本应用属性特征；根据所述至少一个样本应用特征对构建应用推荐网络模型。5.根据权利要求4所述的方法，其特征在于，所述通过所述应用推荐网络模型对所述待推荐应用的第二属性特征进行学习，确定所述待推荐应用对应的应用推荐值包括：将所述待推荐应用的第二应用属性特征和所述第一用户属性特征输入所述应用推荐网络模型，通过所述应用推荐网络模型对所述第二应用属性特征进行学习，并输出向所述第一用户属性特征对应的所述第一用户推荐所述待推荐应用的应用推荐值。6.根据权利要求1或2所述的方法，其特征在于，所述第一属性特征为第一应用属性特征、所述第二属性特征为第二用户属性特征；所述根据所述待推荐应用的第一属性特征确定应用推荐网络模型包括：将所述第一应用属性特征与应用推荐网络模型集合中包括的各应用推荐网络模型关联的应用属性特征进行匹配，从所述应用推荐网络模型集合中确定出所述第一应用属性特征对应的所述第一应用所关联的应用推荐网络模型；其中，所述应用推荐网络模型集合中还包括所述第一应用之外的其他应用的应用属性特征所关联的其他应用推荐网络模型，所述其他应用推荐网络模型由所述其他应用关联的样本用户特征训练得到。7.根据权利要求6所述的方法，其特征在于，所述获取待推荐应用的应用特征之前，所述方法还包括：获取用于应用推荐训练的至少两个样本用户的用户数据，其中，任一样本用户的用户数据中均包括所述第一应用属性数据和样本用户属性数据；根据所述至少两个样本用户的用户数据构建至少一个样本用户特征对，根据所述至少一个样本用户特征对构建应用推荐网络模型，其中，一个样本用户特征对中包括一...

【专利技术属性】
技术研发人员：刘龙坡，万伟，陈谦，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44