本申请适用于计算机技术领域，提供了一种应用推荐方法、装置、设备及计算机可读存储介质，所述方法包括：获取目标用户的用户信息和待推荐应用的特征数据，以及获取待推荐应用的平台盈利价格信息；根据用户信息和特征数据确定目标用户对待推荐应用的点击率估值；根据点击率估值和盈利价格信息确定待推荐应用的推荐分值；根据推荐分值推荐待推荐应用。上述方法，不仅仅从用户体验出发，在推荐时，不仅对用户行为的进行分析，并且也考虑到了推荐平台的利益，一方面保证用户体验，另一方面也可以有效利用有限的推荐位置提升商业化营收，能够进行更全面的应用推荐。行更全面的应用推荐。行更全面的应用推荐。
【技术实现步骤摘要】
一种应用推荐方法、装置、设备及计算机可读存储介质
[0001]本申请属于计算机
，尤其涉及一种应用推荐方法、装置、设备及计算机可读存储介质。
技术介绍
[0002]在大数据时代，应用推荐系统通过挖掘用户的喜好，一方面可以提升公司的商业化收入，另一方面可以提升用户的使用体验。在进行应用推荐时，常用的推荐算法有很多种，例如，基于业务的关联规则推荐、基于大数据的行为推荐、基于机器学习的线性模型推荐以及基于深度学习的神经网络模型推荐。但是，上述的推荐方法，仅从用户体验出发，更多的侧重于对用户行为的分析，没有考虑到推荐平台的利益，不能全面的进行应用的推荐。
技术实现思路
[0003]本申请实施例提供了一种应用推荐方法、装置、设备及计算机可读存储介质，可以解决上述问题。
[0004]第一方面，本申请实施例提供了一种应用推荐方法，包括：
[0005]获取目标用户的用户信息和待推荐应用的特征数据，以及获取所述待推荐应用的平台盈利价格信息；
[0006]根据所述用户信息和所述特征数据确定所述目标用户对所述待推荐应用的点击率估值；
[0007]根据所述点击率估值和所述平台盈利价格信息确定所述待推荐应用的推荐分值；
[0008]根据所述推荐分值推荐所述待推荐应用。
[0009]进一步地，所述根据所述用户信息和所述特征数据确定所述目标用户对所述待推荐应用的点击率估值，包括：
[0010]将所述用户信息和所述特征数据输入经过训练的点击率预测模型进行处理，得到所述目标用户对所述待推荐应用的点击率估值。
[0011]进一步地，在所述将所述用户信息和所述特征数据输入经过训练的点击率预测模型进行处理，得到所述目标用户对所述待推荐应用的点击率估值之前，还包括：
[0012]获取样本训练集；所述样本训练集包括样本用户信息、样本应用的样本特征数据及其对应的点击率标签；
[0013]使用所述样本训练集对初始神经网络模型进行训练，得到经过训练的点击率预测模型。
[0014]进一步地，所述获取样本训练集，包括：
[0015]获取样本用户信息，以及获取样本应用的类别性特征信息和连续值特征信息；
[0016]根据所述类别性特征信息和所述连续值特征信息确定样本应用的样本特征数据。
[0017]进一步地，所述使用所述样本训练集对初始神经网络模型进行训练，得到经过训练的点击率预测模型进行处理，包括：
[0018]将所述样本用户信息和所述样本应用的样本特征数据输入初始神经网络模型进行处理，得到所述样本用户信息和所述样本应用二者对应的样本点击率；
[0019]根据所述样本点击率、所述点击率标签和预设损失函数，计算目标损失值；
[0020]若所述目标损失值不满足预设中止条件，则根据所述目标损失值对所述初始神经网络模型进行更新，并返回执行将所述样本用户信息和所述样本应用的样本特征数据输入初始神经网络模型进行处理，得到所述样本用户信息和所述样本应用二者对应的样本点击率；
[0021]若所述目标损失值满足预设中止条件，则输出经过训练的点击率预测模型。
[0022]进一步地，所述获取所述待推荐应用的平台盈利价格信息，包括：
[0023]获取所述待推荐应用的激活单价；
[0024]对所述激活单价进行归一化处理，得到所述待推荐应用的平台盈利价格信息。
[0025]进一步地，所述根据所述点击率估值和所述平台盈利价格信息确定所述待推荐应用的推荐分值，包括：
[0026]将所述点击率估值和所述平台盈利价格信息相乘，得到所述待推荐应用的推荐分值。
[0027]第二方面，本申请实施例提供了一种应用推荐装置，包括：
[0028]获取单元，用于获取目标用户的用户信息和待推荐应用的特征数据，以及获取所述待推荐应用的平台盈利价格信息；
[0029]第一确定单元，用于根据所述用户信息和所述特征数据确定所述目标用户对所述待推荐应用的点击率估值；
[0030]第二确定单元，用于根据所述点击率估值和所述平台盈利价格信息确定所述待推荐应用的推荐分值；
[0031]推荐单元，用于根据所述推荐分值推荐所述待推荐应用。
[0032]进一步地，所述第一确定单元，具体用于：
[0033]将所述用户信息和所述特征数据输入经过训练的点击率预测模型进行处理，得到所述目标用户对所述待推荐应用的点击率估值。
[0034]进一步地，所述第一确定单元，具体还用于：
[0035]获取样本训练集；所述样本训练集包括样本用户信息、样本应用的样本特征数据及其对应的点击率标签；
[0036]使用所述样本训练集对初始神经网络模型进行训练，得到经过训练的点击率预测模型。
[0037]进一步地，所述第一确定单元，具体还用于：
[0038]获取样本用户信息，以及获取样本应用的类别性特征信息和连续值特征信息；
[0039]根据所述类别性特征信息和所述连续值特征信息确定样本应用的样本特征数据。
[0040]进一步地，所述第一确定单元，具体还用于：
[0041]将所述样本用户信息和所述样本应用的样本特征数据输入初始神经网络模型进行处理，得到所述样本用户信息和所述样本应用二者对应的样本点击率；
[0042]根据所述样本点击率、所述点击率标签和预设损失函数，计算目标损失值；
[0043]若所述目标损失值不满足预设中止条件，则根据所述目标损失值对所述初始神经
网络模型进行更新，并返回执行将所述样本用户信息和所述样本应用的样本特征数据输入初始神经网络模型进行处理，得到所述样本用户信息和所述样本应用二者对应的样本点击率；
[0044]若所述目标损失值满足预设中止条件，则输出经过训练的点击率预测模型。
[0045]进一步地，所述获取单元，具体用于：
[0046]获取所述待推荐应用的激活单价；
[0047]对所述激活单价进行归一化处理，得到所述待推荐应用的平台盈利价格信息。
[0048]进一步地，所述第二确定单元，具体用于：
[0049]将所述点击率估值和所述平台盈利价格信息相乘，得到所述待推荐应用的推荐分值。
[0050]第三方面，本申请实施例提供了一种应用推荐设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的应用推荐方法。
[0051]第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的应用推荐方法。
[0052]本申请实施例中，获取目标用户的用户信息和待推荐应用的特征数据，以及获取待推荐应用的平台盈利价格信息；根据用户信息和特征数据确定目标用户对待推荐应用的点击率估值；根据点击率估值和盈利价格信息确定待推荐应用的推本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种应用推荐方法，其特征在于，包括：获取目标用户的用户信息和待推荐应用的特征数据，以及获取所述待推荐应用的平台盈利价格信息；根据所述用户信息和所述特征数据确定所述目标用户对所述待推荐应用的点击率估值；根据所述点击率估值和所述平台盈利价格信息确定所述待推荐应用的推荐分值；根据所述推荐分值推荐所述待推荐应用。2.如权利要求1所述的应用推荐方法，其特征在于，所述根据所述用户信息和所述特征数据确定所述目标用户对所述待推荐应用的点击率估值，包括：将所述用户信息和所述特征数据输入经过训练的点击率预测模型进行处理，得到所述目标用户对所述待推荐应用的点击率估值。3.如权利要求2所述的应用推荐方法，其特征在于，在所述将所述用户信息和所述特征数据输入经过训练的点击率预测模型进行处理，得到所述目标用户对所述待推荐应用的点击率估值之前，还包括：获取样本训练集；所述样本训练集包括样本用户信息、样本应用的样本特征数据及其对应的点击率标签；使用所述样本训练集对初始神经网络模型进行训练，得到经过训练的点击率预测模型。4.如权利要求3所述的应用推荐方法，其特征在于，所述获取样本训练集，包括：获取样本用户信息，以及获取样本应用的类别性特征信息和连续值特征信息；根据所述类别性特征信息和所述连续值特征信息确定样本应用的样本特征数据。5.如权利要求3所述的应用推荐方法，其特征在于，所述使用所述样本训练集对初始神经网络模型进行训练，得到经过训练的点击率预测模型进行处理，包括：将所述样本用户信息和所述样本应用的样本特征数据输入初始神经网络模型进行处理，得到所述样本用户信息和所述样本应用二者对应的样本点击率；根据所述样本点击率、所述点击率标签和预设损失函数，...
【专利技术属性】
技术研发人员：谢瑜，马胡双，王宁君，
申请(专利权)人：广东艾檬电子科技有限公司，
类型：发明
国别省市：
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。