APP智能推荐方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术涉及一种人工智能技术，揭露了一种APP智能推荐方法，包括：获取用户行为数据集，并将所述用户行为数据集汇编成初始数据集，将所述初始数据集划分为初始指标集和分类集；将所述初始指标集进行去空格、填充缺失值处理及归一化得到标准指标集；根据协方差分析法分析所述标准指标集得到特征指标集；将所述特征指标集和所述分类集输入至预先构建的智能推荐模型中训练；接收用户对APP的需求指令，将所述需求指令输入到所述智能推荐模型中，推荐出符合用户需求的APP。本发明专利技术还提出一种APP智能推荐装置以及一种计算机可读存储介质。本发明专利技术可以实现精准高效的APP智能推荐功能。

App intelligent recommendation method, device and computer readable storage medium

【技术实现步骤摘要】
APP智能推荐方法、装置及计算机可读存储介质
本专利技术涉及人工智能
，尤其涉及一种基于用户行为记录进行个性化推荐APP的方法、装置及计算机可读存储介质。
技术介绍
近年来随着科技的快速发展，多种APP(Application)应用软件如雨后春笋般涌出，如何从多如牛毛的APP中选择满足用户需求的APP已经成为急需解决的问题。目前的技术解决方案较多是基于计数和评分原则的决策树模型或朴素贝叶斯模型，将下载次数最多的APP或评分最高的APP推荐给其他用户，但由于该方法没有考虑到不同用户的实际需求，所以在当今智能化时代，推荐准确率不高，推荐方法也不够智能，未能结合到用户的实际需求给予推荐。
技术实现思路
本专利技术提供一种APP智能推荐方法、装置及计算机可读存储介质，其主要目的在于根据用户行为记录而进行个性化推荐APP。为实现上述目的，本专利技术提供的一种APP智能推荐方法，包括：获取用户行为数据集，并将所述用户行为数据集汇编成初始数据集，将所述初始数据集划分为初始指标集和分类集；将所述初始指标集进行去空格、填充缺失值处理及归一化得到标准指标集；根据协方差分析法分析所述标准指标集得到特征指标集；将所述特征指标集和所述分类集输入至预先构建的智能推荐模型中训练得到训练值，判断所述训练值与预设阈值的大小，若所述训练值大于预设阈值，则所述智能推荐模型继续训练，若所述训练值小于预设阈值，则所述智能推荐模型退出训练；接收用户对APP的需求指令，将所述需求指令输入到所述智能推荐模型中，推荐出符合用户需求的APP。可选地，所述归一化包括利用下述公式计算归一化后的标准指标集其中，Xnormal为所述归一化后的指标，X为所述归一化前的指标，Xmax所述初始指标集中数值最大的指标，Xmin为所述初始指标集中数值最小的指标。可选地，所述根据协方差分析法分析所述标准指标集并最终得到特征指标集，包括：将所述标准指标集进行矩阵转换后再进行中心化操作得到矩阵指标集；计算所述矩阵指标集的协方差得到协方差矩阵指标集；将所述协方差矩阵指标集进行特征分解后，提取指定数量的特征构成特征指标集。可选地，所述协方差的计算包括：其中，Xi，Yi表示所述矩阵指标集内不同的指标，cov(Xi，Yi)表示计算不同指标Xi，Yi之间的协方差，n表示所述矩阵指标集的数量，为样本均值，具体地为：可选地，所述特征分解包括利用下述公式计算特征分解后的误差：其中，error表示所述特征分解后的误差，m为所述协方差矩阵指标集内不同指标数，Di表示不同APP对应的协方差矩阵，Dapprox为APP对应的协方差矩阵的相似矩阵。此外，为实现上述目的，本专利技术还提供一种APP智能推荐装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的APP智能推荐程序，所述APP智能推荐程序被所述处理器执行时实现如下步骤：获取用户行为数据集，并将所述用户行为数据集汇编成初始数据集，将所述初始数据集划分为初始指标集和分类集；将所述初始指标集进行去空格、填充缺失值处理及归一化得到标准指标集；根据协方差分析法分析所述标准指标集得到特征指标集；将所述特征指标集和所述分类集输入至预先构建的智能推荐模型中训练得到训练值，判断所述训练值与预设阈值的大小，若所述训练值大于预设阈值，则所述智能推荐模型继续训练，若所述训练值小于预设阈值，则所述智能推荐模型退出训练；接收用户对APP的需求指令，将所述需求指令输入到所述智能推荐模型中，推荐出符合用户需求的APP。可选地，所述归一化包括利用下述公式计算归一化后的标准指标集其中，Xnormal为所述归一化后的指标，X为所述归一化前的指标，Xmax所述初始指标集中数值最大的指标，Xmin为所述初始指标集中数值最小的指标。可选地，所述根据协方差分析法分析所述标准指标集并最终得到特征指标集，包括：将所述标准指标集进行矩阵转换后再进行中心化操作得到矩阵指标集；计算所述矩阵指标集的协方差得到协方差矩阵指标集；将所述协方差矩阵指标集进行特征分解后，提取指定数量的特征构成特征指标集。可选地，所述特征分解包括利用下述公式计算特征分解后的误差：其中，error表示所述特征分解后的误差，m为所述协方差矩阵指标集内不同指标数，Di表示不同APP对应的协方差矩阵，Dapprox为APP对应的协方差矩阵的相似矩阵。此外，为实现上述目的，本专利技术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上存储有APP智能推荐程序，所述APP智能推荐程序可被一个或者多个处理器执行，以实现如上所述的APP智能推荐方法的步骤。一方面，本专利技术通过获取用户行为数据集，并对所述用户行为数据集进行预处理并进行协方差分析，因此在前期有效的提高了数据的利用效率，另一方面，本专利技术构建了智能推荐模型训练数据，使得所述智能推荐模型具有更优异的推荐能力。因此本专利技术提出的APP智能推荐方法、装置及计算机可读存储介质，可以实现精准高效的APP推荐。附图说明图1为本专利技术一实施例提供的APP智能推荐方法的流程示意图；图2为本专利技术一实施例提供的APP智能推荐装置的内部结构示意图；图3为本专利技术一实施例提供的APP智能推荐装置中APP智能推荐程序的模块示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术提供一种APP智能推荐方法。参照图1所示，为本专利技术一实施例提供的APP智能推荐方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。在本实施例中，APP智能推荐方法包括：S1、获取用户行为数据集并将所述用户行为数据集汇编成初始数据集，将所述初始数据集划分为初始指标集和分类集。较佳地，所述用户行为数据集是根据用户行为而采集的数据集，所述用户行为包括用户登录各种小程序、网页、公众号等各种行为操作，如用户登录新闻网页，则所述初始数据集包括了所述新闻网页的总点击量、评论量、转发量、该用户的点击量、点赞量等，所述分类集根据所述初始指标集而分成非常感兴趣、比较感兴趣、一般、没有兴趣，而本专利技术的目的是分析所述用户的行为数据，并最终推荐出合适用户使用习惯的公众号、网页、小程序等app。优选地，获取用户行为数据集可采取后台记录的方式，如用户在个人手机上进行各种操作时，后台的记录程序依次对用户的操作进行记录，如用户今天在手机上打开A款APP总共32次，其中A款APP今天总共更新文章16篇，通过访问手机的APP下载中心记录A款APP今晚被所有用户下载了1620次等，根据所述可以获取到多种用户行为数据，其中数字32、16等称为指标。较佳地，所本文档来自技高网...

【技术保护点】
1.一种APP智能推荐方法，其特征在于，所述方法包括：/n获取用户行为数据集，并将所述用户行为数据集汇编成初始数据集，将所述初始数据集划分为初始指标集和分类集；/n将所述初始指标集进行去空格、填充缺失值处理及归一化得到标准指标集；/n根据协方差分析法分析所述标准指标集得到特征指标集；/n将所述特征指标集和所述分类集输入至预先构建的智能推荐模型中训练得到训练值，判断所述训练值与预设阈值的大小，若所述训练值大于预设阈值，则所述智能推荐模型继续训练，若所述训练值小于预设阈值，则所述智能推荐模型退出训练；/n接收用户对APP的需求指令，将所述需求指令输入到所述智能推荐模型中，推荐出符合用户需求的APP。/n

【技术特征摘要】
1.一种APP智能推荐方法，其特征在于，所述方法包括：
获取用户行为数据集，并将所述用户行为数据集汇编成初始数据集，将所述初始数据集划分为初始指标集和分类集；
将所述初始指标集进行去空格、填充缺失值处理及归一化得到标准指标集；
根据协方差分析法分析所述标准指标集得到特征指标集；
将所述特征指标集和所述分类集输入至预先构建的智能推荐模型中训练得到训练值，判断所述训练值与预设阈值的大小，若所述训练值大于预设阈值，则所述智能推荐模型继续训练，若所述训练值小于预设阈值，则所述智能推荐模型退出训练；
接收用户对APP的需求指令，将所述需求指令输入到所述智能推荐模型中，推荐出符合用户需求的APP。


2.如权利要求1所述的APP智能推荐方法，其特征在于，所述归一化包括利用下述公式计算归一化后的标准指标集：



其中，Xnormal为所述归一化后的指标，X为所述归一化前的指标，Xmax所述初始指标集中数值最大的指标，Xmin为所述初始指标集中数值最小的指标。


3.如权利要求1或2所述的APP智能推荐方法，其特征在于，所述根据协方差分析法分析所述标准指标集得到特征指标集，包括：
将所述标准指标集进行矩阵转换后再进行中心化操作得到矩阵指标集；
计算所述矩阵指标集的协方差得到协方差矩阵指标集；
将所述协方差矩阵指标集进行特征分解后，提取指定数量的特征构成所述特征指标集。


4.如权利要求3所述的APP智能推荐方法，其特征在于，所述协方差的计算包括：



其中，Xi，Yi表示所述矩阵指标集内不同的指标，cov(Xi，Yi)表示计算不同指标Xi，Yi之间的协方差，n表示所述矩阵指标集的数量，为样本均值，其中：





5.如权利要求3所述的APP智能推荐方法，其特征在于，所述特征分解包括利用下述公式计算特征分解后的误差：



其中，error表示所述特征分解后的误差，m为所述协方差矩阵指标集内不同指标数，Di表示不同APP对应的协方差矩阵，Dapprox为APP对应的协方差矩阵的相似矩阵。


6.一...

【专利技术属性】
技术研发人员：翟彬彬，赵玉玲，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44