【技术实现步骤摘要】
应用功能的个性化推荐方法及系统
本专利技术涉及计算机数据处理
，更具体的说，涉及一种应用功能的个性化推荐方法及系统。
技术介绍
目前开发人员一般根据业务需要和经验定制业务应用功能的排版方式，使得应用功能排布都是预先设定的，所有用户看到的应用功能菜单一模一样，菜单展示形式单一且固定。由于业务人员在制定应用功能分类、功能菜单排版时，容易引入主观因素，因此使得应用功能分类、排版布局与用户实际使用偏好偏离，通常展示给用户的应用功能不是用户常用的，甚至是不需要的，而用户所需的应用功能往往被隐藏，从而无法满足不同用户、不同岗位对应用功能的个性化需求，导致用户体验不佳。
技术实现思路
有鉴于此，本专利技术公开一种应用功能的个性化推荐方法及系统，以通过确定用户ID与不同应用功能之间的强关联规则来确定用户每次会大概率同时操作的不同应用功能，通过采用基于物品的协同过滤推荐算法和DIN模型，预测出用户在操作某个应用功能后，大概率操作的下一个目标应用功能，并在应用功能菜单界面展示目标应用功能，从而方便用户快速查找到所需的应...
【技术保护点】
1.一种应用功能的个性化推荐方法，其特征在于，包括：/n获取预设时间段内的历史行为数据，所述历史行为数据至少包括：用户ID、各个应用功能ID以及所述用户ID对每个所述应用功能ID的点击时刻；/n根据所述历史行为数据确定所述用户ID与不同应用功能之间的强关联规则；/n基于所述强关联规则，采用预先建立的功能推荐模型预测得到待推荐的目标应用功能，其中，所述功能推荐模型是将基于物品的协同过滤推荐算法和DIN模型采用预设融合算法得到的；/n在应用功能菜单界面展示所述目标应用功能。/n
【技术特征摘要】
1.一种应用功能的个性化推荐方法，其特征在于，包括：
获取预设时间段内的历史行为数据，所述历史行为数据至少包括：用户ID、各个应用功能ID以及所述用户ID对每个所述应用功能ID的点击时刻；
根据所述历史行为数据确定所述用户ID与不同应用功能之间的强关联规则；
基于所述强关联规则，采用预先建立的功能推荐模型预测得到待推荐的目标应用功能，其中，所述功能推荐模型是将基于物品的协同过滤推荐算法和DIN模型采用预设融合算法得到的；
在应用功能菜单界面展示所述目标应用功能。
2.根据权利要求1所述的个性化推荐方法，其特征在于，所述根据所述历史行为数据确定所述用户ID与不同应用功能之间的强关联规则，具体包括：
基于所述历史行为数据，统计各个所述应用功能ID在所述预设时间段内被所述用户ID点击的点击次数；
从所有的所述应用功能ID中确定功能集，所述功能集中的各个目标应用功能ID的点击次数高于所述功能集以外的应用功能ID的点击次数；
计算所述功能集中任意两个所述目标应用功能ID的相似度，得到相似度集合；
基于所述相似度集合构建所述用户ID与不同的所述目标应用功能ID对应的应用功能之间的强关联规则。
3.根据权利要求2所述的个性化推荐方法，其特征在于，所述基于所述历史行为数据，统计各个所述应用功能ID在所述预设时间段内被所述用户ID点击的点击次数，具体包括：
基于所述历史行为数据，生成所述用户ID、每个所述应用功能ID以及对应点击时刻的对应关系；
根据各个所述对应关系，统计各个所述应用功能ID在所述预设时间段内被所述用户ID点击的点击次数。
4.根据权利要求1所述的个性化推荐方法，其特征在于，所述协同过滤推荐算法的确定过程包括：
根据所述历史行为数据构建特征工程，所述特征工程中的特征数据包括：用户类特征、功能类特征、功能类别类特征、用户-功能类特征、用户-功能类别类特征以及功能-功能类别特征；
将所述特征数据输入至协同过滤推荐算法模型进行训练，得出评分最高的特征数据项作为预测特征。
5.根据权利要求1所述的个性化推荐方法，其特征在于，所述DIN模型的建立过程包括：
从所有的所述应用功能ID中确定功能集，所述功能集中的各个目标应用功能ID的点击次数高于所述功能集以外的应用功能ID的点击次数；
基于所述功能集构建点击序列；
将所述点击序列和用户行为数据作为样本数据进行模型训练，得到预设点击序列长度内高概率发生的点击行为项。
6.根据权利要求1所述的个性化推荐方法，其特征在于，所述预设融合算法包括：拼接算法、加权融合算法和交叉验证算法...
【专利技术属性】
技术研发人员：敖倩，邝智颖，何永明，孙海鑫，徐一茗，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。