一种应用内容的推荐方法及装置制造方法及图纸

本发明专利技术提供了一种应用内容的推荐方法及装置，以及一种计算机可读存储介质。该方法包括以下步骤：获取用户对目标应用的历史行为数据，以及所述用户对所述目标应用中多个内容的使用情况数据；根据所述历史行为数据及所述使用情况数据，确定所述用户的优先级；以及根据所述优先级，使用至少一个对应的推荐模型向所述用户推荐内容。通过执行这些步骤，该推荐方法能够根据用户对目标应用的历史行为数据，以及用户对目标应用中多个内容的使用情况数据，选择合适的推荐模型来为用户提供准确、稳定的内容推荐功能，并解决推荐系统的冷启动问题。并解决推荐系统的冷启动问题。并解决推荐系统的冷启动问题。

【技术实现步骤摘要】
一种应用内容的推荐方法及装置


[0001]本专利技术涉及应用内容的推荐技术，尤其涉及一种应用内容的推荐方法、一种应用内容的推荐装置，以及一种计算机可读存储介质。

技术介绍

[0002]基于车联网(Internet of Vehicle，IOV)的推荐系统，能够通过车联网获取用户关于车载应用的操作数据，并根据这些操作数据来为用户推荐其感兴趣的应用内容。现有的车联网推荐系统主要采用基于协同过滤(Collaborative Filtering)原理的推荐模型，或者基于应用内容的推荐模型，以实现应用内容的推荐功能。这两种推荐模型都需要依赖大量的用户数据，才能准确地为用户推荐其感兴趣的应用内容。
[0003]然而，在一款推荐系统的完整生命周期中，必然需要经过用户数据从无到有、从少到多的积累过程，而这两种现有的推荐模型都无法解决推荐系统的冷启动问题，也无法在推荐系统运营的初始阶段，为用户提供准确、稳定的内容推荐功能。
[0004]为了克服现有技术存在的上述缺陷，本领域亟需一种应用内容的推荐技术，用于根据用户对目标应用的历史行为数据，以及用户对目标应用中多个内容的使用情况数据，选择合适的推荐模型来为用户提供准确、稳定的内容推荐功能，并解决推荐系统的冷启动问题。

技术实现思路

[0005]以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。
[0006]为了克服现有技术存在的上述缺陷，本专利技术提供了一种应用内容的推荐方法、一种应用内容的推荐装置，以及一种计算机可读存储介质。
[0007]具体来说，根据本专利技术的第一方面提供的上述应用内容的推荐方法包括以下步骤：获取用户对目标应用的历史行为数据，以及所述用户对所述目标应用中多个内容的使用情况数据；根据所述历史行为数据及所述使用情况数据，确定所述用户的优先级；以及根据所述优先级，使用至少一个对应的推荐模型向所述用户推荐内容。通过执行这些步骤，该推荐方法能够根据用户对目标应用的历史行为数据，以及用户对目标应用中多个内容的使用情况数据，选择合适的推荐模型来为用户提供准确、稳定的内容推荐功能，并解决推荐系统的冷启动问题。
[0008]此外，根据本专利技术的第二方面提供的上述应用内容的推荐装置包括存储器及处理器。所述处理器连接所述存储器，并被配置用于实施本专利技术的第一方面提供的上述应用内容的推荐方法。通过实施该推荐方法，该推荐装置能够根据用户对目标应用的历史行为数据，以及用户对目标应用中多个内容的使用情况数据，选择合适的推荐模型来为用户提供
准确、稳定的内容推荐功能，并解决推荐系统的冷启动问题。
[0009]此外，根据本专利技术的第三方面提供的上述计算机可读存储介质，其上存储有计算机指令。所述计算机指令被处理器执行时，实施本专利技术的第一方面提供的上述应用内容的推荐方法。通过实施该推荐方法，该计算机可读存储介质能够根据用户对目标应用的历史行为数据，以及用户对目标应用中多个内容的使用情况数据，选择合适的推荐模型来为用户提供准确、稳定的内容推荐功能，并解决推荐系统的冷启动问题。
附图说明
[0010]在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本专利技术的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
[0011]图1示出了根据本专利技术的一些实施例提供的应用内容推荐装置的架构示意图。
[0012]图2示出了根据本专利技术的一些实施例提供的应用内容推荐方法的流程示意图。
[0013]图3示出了根据本专利技术的一些实施例提供的冷启动工况的应用内容推荐方法的流程示意图。
[0014]图4示出了根据本专利技术的一些实施例提供的应用内容推荐方法的流程示意图。
具体实施方式
[0015]以下由特定的具体实施例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本专利技术的其他优点及功效。虽然本专利技术的描述将结合优选实施例一起介绍，但这并不代表此专利技术的特征仅限于该实施方式。恰恰相反，结合实施方式作专利技术介绍的目的是为了覆盖基于本专利技术的权利要求而有可能延伸出的其它选择或改造。为了提供对本专利技术的深度了解，以下描述中将包含许多具体的细节。本专利技术也可以不使用这些细节实施。此外，为了避免混乱或模糊本专利技术的重点，有些具体细节将在描述中被省略。
[0016]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0017]另外，在以下的说明中所使用的“上”、“下”、“左”、“右”、“顶”、“底”、“水平”、“垂直”应被理解为该段以及相关附图中所绘示的方位。此相对性的用语仅是为了方便说明之用，其并不代表其所叙述的装置需以特定方位来制造或运作，因此不应理解为对本专利技术的限制。
[0018]能理解的是，虽然在此可使用用语“第一”、“第二”、“第三”等来叙述各种组件、区域、层和/或部分，这些组件、区域、层和/或部分不应被这些用语限定，且这些用语仅是用来区别不同的组件、区域、层和/或部分。因此，以下讨论的第一组件、区域、层和/或部分可在不偏离本专利技术一些实施例的情况下被称为第二组件、区域、层和/或部分。
[0019]如上所述，现有的车联网推荐系统主要采用基于协同过滤(Collaborative Filtering)原理的推荐模型，或者基于应用内容的推荐模型，以实现应用内容的推荐功能。
这两种推荐模型都需要依赖大量的用户数据，才能准确地为用户推荐其感兴趣的应用内容。然而，在一款推荐系统的完整生命周期中，必然需要经过用户数据从无到有、从少到多的积累过程，而这两种现有的推荐模型都无法解决推荐系统的冷启动问题，也无法在推荐系统运营的初始阶段，为用户提供准确、稳定的内容推荐功能。这一严重的缺陷需要推荐系统的运营商耗费巨大的前期成本来邀请大量用户参加系统内测，或以发放奖金等形式吸引大量用户持续使用推荐系统，从而帮助推荐系统积累用户数据。这不但显著提升了推荐系统的前期投入，还对推荐系统的用户口碑存在不利的影响，严重限制了推荐系统的进一步推广。
[0020]为了克服现有技术存在的上述缺陷，本专利技术提供了一种应用内容的推荐方法、一种应用内容的推荐装置，以及一种计算机可读存储介质，能够根据用户对目标应用的历史行为数据，以及用户对目标应用中多个内容的使用情况数据，选择合适的推荐模型来为用户提供准确、稳定的内容推荐功能，并解决推荐系统的冷启动问题。
[0021本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用内容的推荐方法，其特征在于，包括以下步骤：获取用户对目标应用的历史行为数据，以及所述用户对所述目标应用中多个内容的使用情况数据；根据所述历史行为数据及所述使用情况数据，确定所述用户的优先级；以及根据所述优先级，使用至少一个对应的推荐模型向所述用户推荐内容。2.如权利要求1所述的推荐方法，其中，所述根据所述历史行为数据及所述使用情况数据，确定所述用户的优先级的步骤包括：统计所述历史行为数据的数据量；根据所述多个内容的使用情况数据，统计所述用户对所述目标应用中所有内容的使用率；以及根据所述历史行为数据的数据量，以及用户对所述目标应用中所有内容的所述使用率，确定所述用户的优先级。3.如权利要求2所述的推荐方法，其中，所述根据所述历史行为数据的数据量，以及用户对所述目标应用中所有内容的所述使用率，确定所述用户的优先级的步骤包括：响应于所述数据量大于或等于第一数据量阈值N1，且所述使用率大于或等于第一使用率阈值R1的情况，确定所述用户属于第一优先级，所述根据所述优先级，使用至少一个对应的推荐模型向所述用户推荐内容的步骤包括：响应于用户达到所述第一优先级，使用召回排序推荐模型，先根据所述用户的历史行为数据进行协同过滤以确定推荐列表，再根据所述推荐列表中各所述内容的属性进行排序，以确定所述用户感兴趣的一个或多个内容；以及将所述用户感兴趣的所述一个或多个内容推荐给所述用户。4.如权利要求3所述的推荐方法，其中，所述根据所述用户的历史行为数据进行协同过滤以确定推荐列表的步骤包括：获取所述用户对所述目标应用的多个所述内容的历史行为数据；根据所述历史行为数据，确定所述用户对各所述内容的评分；将所述用户对各所述内容的评分加入预先构建的用户
‑
内容评分矩阵，其中，所述用户
‑
内容评分矩阵中包括多个用户样本对各所述内容的评分；使用ALS算法模型根据预设的超参来分解所述用户
‑
内容评分矩阵，以获取用户特征矩阵及内容特征矩阵；将所述用户特征矩阵及各所述内容特征矩阵相乘，以补全所述用户
‑
内容评分矩阵；以及根据补全的所述用户
‑
内容评分矩阵，确定所述推荐列表。5.如权利要求4所述的推荐方法，其中，所述根据所述推荐列表中各所述内容的属性进行排序，以确定所述用户感兴趣的一个或多个内容的步骤包括：根据所述用户对所述推荐列表中各所述内容的历史行为数据构建属性特征向量；以及将所述属性特征向量输入预先训练的逻辑回归模型，以确定所述用户感兴趣的一个或多个内容。6.如权利要求5所述的推荐方法，其中，训练所述逻辑回归模型的步骤包括：获取多个用户样本对所述目标应用的各所述内容的历史行为数据，以分别构建各所述
用户样本对各所述内容的属性特征向量；根据各所述用户样本对各所述内容的历史行为数据，确定各所述用户样本对各所述内容的推荐标签；以及根据各所述用户样本的属性特征向量及推荐标签，调整待训练的逻辑回归模型的迭代次数参数及过拟合参数。7.如权利要求3所述的推荐方法，其中，所述根据所述历史行为数据的数据量，以及用户对所述目标应用中所有内容的所述使用率，确定所述用户的优先级的步骤还包括：响应于所述数据量小于第一数据量阈值N1，而所述使用率大于或等于第一使用率阈值R1的情况，确定所述用户属于第二优先级，其中，所述第二优先级低于所述第一优先级，所述根据所述优先级，使用至少一个对应的推荐模型向所述用户推荐内容的步骤还包括：响应于所述用户达到所述第二优先级，根据所述用户对所述目标应用中各所述内容的使用情况数据，使用基于内容的推荐模型向所述用户推荐一个或多个相似内容。8.如权利要求7所述的推荐方法，其中，所述根据所述用户对所述目标应用中各所述内容的使用情况数据，使用基于内容的推荐模型向所述用户推荐一个或多个相似内容的步骤包括：根据所述使用情况数据，确定所述用户在所述目标应用中使用过的第一内容；获取所述第一内容中涉及的一个或多个第一关键词；根据各所述第一关键词在所述第一内容中的词频及稀疏性，构建第一关键词特征向量；分别计算所述目标应用中未使用过的一个或多个第二内容的第二关键词特征向量与所述第一关键词特征向量的相似度，以确定相似于所述第一内容的一个或多个第二内容；以及向所述用户推荐相似于所述第一内容的所述一个或多个第二内容。9.如权利要求7所述的推荐方法，其中，所述根据所述历史行为数据的数据量，以及用户对所述目标应用中所有内容的所述使用率，确定所述用户的优先级的步骤还包括：响应于所述数据量小于第二数据量阈值N2和/或所述使用率小于第二使用率阈值R2的情况，确定所述用户属于第三优先级，其中...

【专利技术属性】
技术研发人员：孙晓磊，
申请(专利权)人：沈阳精一智驾科技有限公司，
类型：发明
国别省市：