專利名稱：一種應(yīng)用推薦方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本申請(qǐng)涉及網(wǎng)絡(luò)技術(shù)領(lǐng)域，特別是涉及一種應(yīng)用推薦方法，以及，一種應(yīng)用推薦裝置。
背景技術(shù)：
隨著人們對(duì)網(wǎng)絡(luò)應(yīng)用需求的不斷增加，個(gè)性化推薦服務(wù)已經(jīng)慢慢進(jìn)入人們的生活中，個(gè)性化推薦服務(wù)是指針對(duì)不同的來訪者進(jìn)行具有針對(duì)性的推薦。目前，許多新興網(wǎng)站紛紛采用個(gè)性化推薦服務(wù)去吸引消費(fèi)者的瀏覽，具體而言，通過對(duì)每個(gè)來訪者的訪問行為進(jìn)行分析，根據(jù)分析結(jié)果分別給予來訪者個(gè)性化的推薦。目前，比較常用的推薦方法主要包括以下兩種:1、基于內(nèi)容過濾方法(CB, Content-Based Filtering)該方法是根據(jù)目標(biāo)用戶(即視頻推薦的對(duì)象)的訪問數(shù)據(jù)來篩選與之相關(guān)的信息進(jìn)行推薦，例如，提取目標(biāo)用戶在過去瀏覽過的一些視頻的相關(guān)信息，根據(jù)相關(guān)信息篩選出一些視頻進(jìn)行推薦。2、協(xié)同過濾方法(COL, Collaborative Filtering)該方法是基于與目標(biāo)用戶具有相似興趣的其他用戶的偏好信息生成對(duì)目標(biāo)用戶的推薦，具體而言，查找與目標(biāo)用戶看過相似視頻的其他用戶，找出這些用戶看過的，而目標(biāo)用戶沒看過的候選視頻，依據(jù)與目標(biāo)用戶觀看視頻相似度較高的用戶對(duì)候選視頻的打分，或是依據(jù)與候選視頻相似度較高的視頻的打分，對(duì)各個(gè)候選視頻進(jìn)行打分，并對(duì)打分較高的候選視頻進(jìn)行推薦。以上背景技術(shù)中存在的問題是:采用內(nèi)容過濾方法時(shí)，由于部分視頻的相關(guān)信息比較有限，很難找到可以推薦的視頻；協(xié)同過濾方法不需要依據(jù)視頻的相關(guān)信息進(jìn)行判斷，可以解決內(nèi)容過濾方法的這些問題，但采用背景技術(shù)中的協(xié)同過濾方法，需要篩選出相似度較高的其他用戶或視頻，以預(yù)測(cè)候選視頻的打分，這些操作占用了大量的系統(tǒng)資源，并且，某些視頻可能沒有相關(guān)用戶的打分，無法進(jìn)一步預(yù)測(cè)該視頻的打分，使得這些視頻無法被推薦出去。

發(fā)明內(nèi)容
本申請(qǐng)實(shí)施例提供了一種應(yīng)用推薦方法，以減少應(yīng)用推薦時(shí)對(duì)系統(tǒng)資源的占用。本申請(qǐng)實(shí)施例還提供了一種應(yīng)用推薦裝置，用以保證上述方法在實(shí)際中的應(yīng)用及實(shí)現(xiàn)。為了解決上述問題，本申請(qǐng)實(shí)施例公開了一種應(yīng)用推薦方法，包括:獲取多個(gè)參考用戶對(duì)預(yù)置的多個(gè)應(yīng)用的訪問行為數(shù)據(jù)，并按照所述訪問行為數(shù)據(jù)對(duì)所述多個(gè)參考用戶進(jìn)行分組，各個(gè)應(yīng)用具備相應(yīng)的應(yīng)用類別；按照目標(biāo)用戶對(duì)多個(gè)應(yīng)用的訪問行為數(shù)據(jù)，確定目標(biāo)用戶所屬分組，并統(tǒng)計(jì)目標(biāo)用戶對(duì)不同的應(yīng)用類別的訪問權(quán)重值，將訪問權(quán)重值滿足預(yù)設(shè)范圍的應(yīng)用類別作為興趣應(yīng)用類別；在目標(biāo)用戶所屬分組的各參考用戶所訪問的多個(gè)應(yīng)用中，提取屬于所述興趣應(yīng)用類別的應(yīng)用推薦給目標(biāo)用戶。優(yōu)選地，在目標(biāo)用戶所屬分組的各參考用戶所訪問的多個(gè)應(yīng)用中，提取所述興趣應(yīng)用類別的應(yīng)用推薦給目標(biāo)用戶之前，所述方法還包括:按照各參考用戶對(duì)多個(gè)應(yīng)用的訪問行為數(shù)據(jù)，統(tǒng)計(jì)各參考用戶對(duì)不同的應(yīng)用類別的訪問權(quán)重值，將訪問權(quán)重值滿足預(yù)設(shè)范圍的應(yīng)用類別作為興趣應(yīng)用類別；計(jì)算目標(biāo)用戶的興趣應(yīng)用類別，與所屬分組的各參考用戶的興趣應(yīng)用類別的相似度，并確定相似度大于預(yù)設(shè)值的參考用戶。優(yōu)選地，所述在目標(biāo)用戶所屬分組的各參考用戶所訪問的多個(gè)應(yīng)用中，提取屬于所述興趣應(yīng)用類別的應(yīng)用推薦給目標(biāo)用戶的步驟為:查找目標(biāo)用戶所屬分組的各參考用戶中，相似度大于預(yù)設(shè)值的參考用戶所訪問的多個(gè)應(yīng)用；在查找的多個(gè)應(yīng)用中，提取屬于所述興趣應(yīng)用類別的應(yīng)用推薦給目標(biāo)用戶。優(yōu)選地，所述參考用戶的劃分的多個(gè)分組按照所包含的參考用戶的訪問行為數(shù)據(jù)，分為高價(jià)值分組和低價(jià)值分組；針對(duì)所述低價(jià)值分組，還提取至少一個(gè)預(yù)設(shè)應(yīng)用類別的應(yīng)用與屬于所述興趣應(yīng)用類別的應(yīng)用，一同推薦給目標(biāo)用戶。優(yōu)選地，所述訪問行為數(shù)據(jù)中包括訪問時(shí)間和訪問應(yīng)用所屬的應(yīng)用類別，所述按照訪問行為數(shù)據(jù)對(duì)多個(gè)參考用戶進(jìn)行分組的步驟包括:針對(duì)各個(gè)參考用戶，按照訪問行為數(shù)據(jù)中所包含的訪問時(shí)間和訪問應(yīng)用所屬的應(yīng)用類別，計(jì)算距離當(dāng)前最近的訪問時(shí)間、訪問頻率和訪問應(yīng)用的個(gè)數(shù)；統(tǒng)計(jì)所有參考用戶的最近的訪問時(shí)間的平均值、訪問頻率的平均值，以及訪問應(yīng)用的個(gè)數(shù)的平均值；針對(duì)各個(gè)參考用戶，將最近的訪問時(shí)間、訪問頻率和訪問應(yīng)用的個(gè)數(shù)分別與對(duì)應(yīng)的平均值進(jìn)行比較，將按照三個(gè)數(shù)值的比較結(jié)果相同的參考用戶劃分到一個(gè)分組中。優(yōu)選地，所述按照目標(biāo)用戶對(duì)多個(gè)應(yīng)用的訪問行為數(shù)據(jù)，確定目標(biāo)用戶所屬分組的步驟包括:針對(duì)目標(biāo)用戶，按照訪問行為數(shù)據(jù)中所包含的應(yīng)用訪問時(shí)間和訪問應(yīng)用所屬的應(yīng)用類別，計(jì)算距離當(dāng)前最近的訪問時(shí)間、訪問頻率和訪問應(yīng)用的個(gè)數(shù)；將目標(biāo)用戶的最近的訪問時(shí)間、訪問頻率和訪問應(yīng)用的個(gè)數(shù)，分別與所有參考用戶的最近的訪問時(shí)間的平均值、訪問頻率的平均值和訪問應(yīng)用的個(gè)數(shù)的平均值進(jìn)行比較，將比較結(jié)果相同的分組作為目標(biāo)用戶所屬分組。 優(yōu)選地，所述統(tǒng)計(jì)目標(biāo)用戶對(duì)不同的應(yīng)用類別的訪問權(quán)重值，將訪問權(quán)重值滿足范圍的應(yīng)用類別作為興趣應(yīng)用類別的步驟包括:針對(duì)目標(biāo)用戶所訪問的每個(gè)應(yīng)用類別，按照預(yù)設(shè)算法和應(yīng)用類別的類別權(quán)重值，統(tǒng)計(jì)各應(yīng)用類別的訪問權(quán)重值；去除訪問權(quán)重值小于預(yù)設(shè)權(quán)重值的應(yīng)用類別，將任意兩個(gè)應(yīng)用類別組成二項(xiàng)類別；
按照所述預(yù)設(shè)算法和二項(xiàng)類別的類別權(quán)重值，統(tǒng)計(jì)所訪問的每個(gè)二項(xiàng)類別的訪問權(quán)重值；提取訪問權(quán)重值大于預(yù)設(shè)權(quán)重值的二項(xiàng)類別作為興趣應(yīng)用類別。優(yōu)選地，所述針對(duì)目標(biāo)用戶所訪問的每個(gè)應(yīng)用類別，按照預(yù)設(shè)算法和應(yīng)用類別的類別權(quán)重值，統(tǒng)計(jì)各應(yīng)用類別的訪問權(quán)重值的步驟包括:步驟11，針對(duì)目標(biāo)用戶的各應(yīng)用類別，提取距離當(dāng)前最近的jXN個(gè)訪問行為數(shù)據(jù)，j和N均為正整數(shù)，j的初始值為I ;步驟12，按照所述訪問行為數(shù)據(jù)確定對(duì)各應(yīng)用類別的訪問次數(shù)，按照預(yù)設(shè)算法和應(yīng)用類別的類別權(quán)重值Wj，更新各應(yīng)用類別的訪問權(quán)重值WSj，WSj的初始值為O ;步驟13，若所述類別權(quán)重值小于等于預(yù)設(shè)權(quán)重值或所述訪問行為數(shù)據(jù)已取完，則停止操作；若所述類別權(quán)重值大于預(yù)設(shè)權(quán)重值且所述訪問行為數(shù)據(jù)未取完，則令j = j+1,并返回步驟11。優(yōu)選地，所述按照預(yù)設(shè)算法和二項(xiàng)類別的類別權(quán)重值，統(tǒng)計(jì)所訪問的每個(gè)二項(xiàng)類別的訪問權(quán)重值的步驟包括:步驟21，針對(duì)目標(biāo)用戶的各二項(xiàng)類別，提取距離當(dāng)前最近的jXN個(gè)訪問行為數(shù)據(jù)，j和N均為正整數(shù)，j的初始值為I ;步驟22，按照所述訪問行為數(shù)據(jù)確定對(duì)各二項(xiàng)類別的訪問次數(shù)，按照預(yù)設(shè)算法和二項(xiàng)類別的類別權(quán)重值Wj,，更新各二項(xiàng)類別的訪問權(quán)重值WSj ,，WSj ,的初始值為O ;步驟23，若所述類別權(quán)重值小于等于預(yù)設(shè)權(quán)重值或所述訪問行為數(shù)據(jù)已取完，則停止操作；若所述類別權(quán)重值大于預(yù)設(shè)權(quán)重值且所述訪問行為數(shù)據(jù)未取完，則令j = j+1,并返回步驟21。優(yōu)選地，所述計(jì)算目標(biāo)用戶的興趣應(yīng)用類別，與所屬分組的各參考用戶的興趣應(yīng)用類別的相似度的步驟包括:針對(duì)所屬分組中的各參考用戶，按照目標(biāo)用戶的興趣應(yīng)用類別與參考用戶的興趣應(yīng)用類別分別建立對(duì)應(yīng)的規(guī)則向量；計(jì)算參考用戶的規(guī)則向量與參考用戶的規(guī)則向量的相似度，作為參考用戶與目標(biāo)用戶的興趣應(yīng)用類別的相似度。優(yōu)選地，在獲取多個(gè)參考用戶對(duì)預(yù)置的多個(gè)應(yīng)用的訪問行為數(shù)據(jù)的步驟之前，所述方法還包括:在參考用戶對(duì)預(yù)置的多個(gè)應(yīng)用進(jìn)行訪問時(shí)，記錄參考用戶的訪問行為數(shù)據(jù)。本發(fā)明實(shí)施例還提供了一種應(yīng)用推薦裝置，包括:數(shù)據(jù)獲取模塊，用于獲取多個(gè)參考用戶對(duì)預(yù)置的多個(gè)應(yīng)用的訪問行為數(shù)據(jù)；分組確定模塊，用于按照所述訪問行為數(shù)據(jù)對(duì)所述多個(gè)參考用戶進(jìn)行分組，并按照目標(biāo)用戶對(duì)多個(gè)應(yīng)用的訪問行為數(shù)據(jù)，確定目標(biāo)用戶所屬分組，各個(gè)應(yīng)用具備相應(yīng)的應(yīng)用類別；興趣應(yīng)用類別確定模塊，用于統(tǒng)計(jì)目標(biāo)用戶對(duì)不同的應(yīng)用類別的訪問權(quán)重值，將訪問權(quán)重值滿足預(yù)設(shè)范圍的應(yīng)用類別作為興趣應(yīng)用類別；應(yīng)用推薦模塊，用于在目標(biāo)用戶所屬分組的各參考用戶所訪問的多個(gè)應(yīng)用中，提取屬于所述興趣應(yīng)用類別的應(yīng)用推薦給目標(biāo)用戶。
與背景技術(shù)相比，本申請(qǐng)包括以下優(yōu)點(diǎn):相比于背景技術(shù)在對(duì)目標(biāo)用戶進(jìn)行推薦的時(shí)候，需要先篩選相似度高的參考用戶或應(yīng)用，本申請(qǐng)預(yù)先通過對(duì)多個(gè)參考用戶的訪問行為數(shù)據(jù)進(jìn)行分析，將參考用戶進(jìn)行分組，在針對(duì)目標(biāo)用戶進(jìn)行推薦時(shí)，只確定所屬的分組以及訪問權(quán)重較高的興趣應(yīng)用類別，然后在目標(biāo)用戶所屬分組的參考用戶所訪問的多個(gè)應(yīng)用中，提取符合興趣應(yīng)用類別的應(yīng)用推薦給用戶，大大簡(jiǎn)化了推薦的步驟，減輕了對(duì)系統(tǒng)資源的占用。本申請(qǐng)?jiān)诖_定目標(biāo)用戶所屬分組后，還可以進(jìn)一步從所屬分組中，用相似向量矩陣計(jì)算用戶之間的相似度進(jìn)行相似聚集，進(jìn)一步篩選出與目標(biāo)用戶相似度較高的參考用戶，將這些用戶所訪問的應(yīng)用推薦給用戶，從而增加了應(yīng)用推薦的準(zhǔn)確性。本申請(qǐng)?jiān)诖_定用戶的興趣應(yīng)用類別時(shí)，權(quán)重增量挖掘方法加入到Apriori算法中，以增量增加觀看數(shù)據(jù)量的方式來挖掘最近興趣規(guī)則，而不需要將全部歷史數(shù)據(jù)做分析，這樣就可以節(jié)省計(jì)算成本、時(shí)間。本申請(qǐng)中，可以按照訪問行為數(shù)據(jù)將參考用戶分為高價(jià)值組和低價(jià)值組，對(duì)于低價(jià)值分組可以提取預(yù)設(shè)類別的應(yīng)用進(jìn)行推薦，同時(shí)，由于本申請(qǐng)?jiān)谶M(jìn)行應(yīng)用推薦時(shí)，無需用戶對(duì)應(yīng)用的打分，從而使得各個(gè)應(yīng)用都可能被推薦給用戶。當(dāng)然，實(shí)施本申請(qǐng)的任一產(chǎn)品不一定需要同時(shí)達(dá)到以上所述的所有優(yōu)點(diǎn)。


圖1是本申請(qǐng)實(shí)施例所述一種應(yīng)用推薦方法的流程圖；圖2是本申請(qǐng)實(shí)施例所述一種應(yīng)用推薦裝置的結(jié)構(gòu)框圖；圖3是本申請(qǐng)實(shí)施例中應(yīng)用推薦的過程示意圖。
具體實(shí)施例方式為使本申請(qǐng)的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖和具體實(shí)施方式
對(duì)本申請(qǐng)作進(jìn)一步詳細(xì)的說明。網(wǎng)站在提供個(gè)性化推薦服務(wù)時(shí)，需要對(duì)當(dāng)前用戶的訪問行為進(jìn)行分析挖掘，通過數(shù)據(jù)挖掘的結(jié)果給用戶推薦一些感興趣的應(yīng)用，以此來提高用戶在網(wǎng)站上的觀看率。常用的推薦方法包括基于內(nèi)容過濾方法和協(xié)同過濾方法?；趦?nèi)容過濾方法是基于文件的關(guān)聯(lián)性進(jìn)行推薦，是對(duì)訪問數(shù)據(jù)的所包含的內(nèi)容信息的延伸，具體而言，根據(jù)當(dāng)前用戶的歷史信息(如評(píng)價(jià)、分享、收藏過的文檔)構(gòu)造用戶偏好文檔，計(jì)算推薦應(yīng)用與用戶偏好文檔的相似度，將最相似的應(yīng)用推薦給當(dāng)前用戶。例如，在電影推薦中，首先分析當(dāng)前用戶已經(jīng)看過的打分比較高的電影的共性(演員、導(dǎo)演、風(fēng)格等)，再推薦與這些用戶感興趣的電影內(nèi)容相似度高的其他電影。協(xié)同過濾方法是基于用戶間的關(guān)聯(lián)性進(jìn)行的推薦，是一種基于一組興趣相同的用戶或應(yīng)用進(jìn)行的推薦，它根據(jù)鄰居用戶(與目標(biāo)用戶興趣相似的用戶)的偏好信息產(chǎn)生對(duì)目標(biāo)用戶的推薦列表。主要分為基于用戶的協(xié)同過濾方法和基于應(yīng)用的協(xié)同過濾方法?；谟脩舻?User based)協(xié)同過濾方法基于這樣一個(gè)假設(shè):如果一些用戶對(duì)某一類應(yīng)用的打分比較接近，則他們對(duì)其它類應(yīng)用的打分也比較接近。首先搜索與用戶觀看過相似視頻的相似用戶，依據(jù)相似用戶和當(dāng)前用戶對(duì)共同觀看過的視頻的打分，篩選出一些打分相似度比較高的相似用戶；然后將這些用戶看過的視頻而訪問者沒有看過的視頻作為指定視頻，依據(jù)這些相似用戶對(duì)指定視頻的評(píng)分，預(yù)測(cè)當(dāng)前用戶對(duì)該指定視頻的打分，將指定視頻和打分情況反饋給當(dāng)前用戶?；谟脩舻膮f(xié)同過濾方法的主要工作內(nèi)容是用戶或應(yīng)用的相似性度量和預(yù)測(cè)評(píng)分?；趹?yīng)用的(Item based)協(xié)同過濾方法基于這樣一個(gè)假設(shè):如果大部分用戶對(duì)某些項(xiàng)目的打分比較相近，則當(dāng)前用戶對(duì)這些項(xiàng)的打分也會(huì)比較接近。首先依據(jù)各個(gè)用戶分別對(duì)各個(gè)視頻的打分，計(jì)算視頻與視頻之間的相似性，搜索目標(biāo)應(yīng)用的最近的應(yīng)用，然后根據(jù)用戶對(duì)目標(biāo)應(yīng)用的最近鄰居的評(píng)分信息預(yù)測(cè)目標(biāo)應(yīng)用的評(píng)分，最后產(chǎn)生前N個(gè)推薦信
息O 參見下表1，給出了基于內(nèi)容過濾方法和協(xié)同過濾方法比較:
權(quán)利要求
1.一種應(yīng)用推薦方法，其特征在于，包括: 獲取多個(gè)參考用戶對(duì)預(yù)置的多個(gè)應(yīng)用的訪問行為數(shù)據(jù)，并按照所述訪問行為數(shù)據(jù)對(duì)所述多個(gè)參考用戶進(jìn)行分組，各個(gè)應(yīng)用具備相應(yīng)的應(yīng)用類別； 按照目標(biāo)用戶對(duì)多個(gè)應(yīng)用的訪問行為數(shù)據(jù)，確定目標(biāo)用戶所屬分組，并統(tǒng)計(jì)目標(biāo)用戶對(duì)不同的應(yīng)用類別的訪問權(quán)重值，將訪問權(quán)重值滿足預(yù)設(shè)范圍的應(yīng)用類別作為興趣應(yīng)用類別； 在目標(biāo)用戶 所屬分組的各參考用戶所訪問的多個(gè)應(yīng)用中，提取屬于所述興趣應(yīng)用類別的應(yīng)用推薦給目標(biāo)用戶。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在目標(biāo)用戶所屬分組的各參考用戶所訪問的多個(gè)應(yīng)用中，提取所述興趣應(yīng)用類別的應(yīng)用推薦給目標(biāo)用戶之前，所述方法還包括: 按照各參考用戶對(duì)多個(gè)應(yīng)用的訪問行為數(shù)據(jù)，統(tǒng)計(jì)各參考用戶對(duì)不同的應(yīng)用類別的訪問權(quán)重值，將訪問權(quán)重值滿足預(yù)設(shè)范圍的應(yīng)用類別作為興趣應(yīng)用類別； 計(jì)算目標(biāo)用戶的興趣應(yīng)用類別，與所屬分組的各參考用戶的興趣應(yīng)用類別的相似度，并確定相似度大于預(yù)設(shè)值的參考用戶。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述在目標(biāo)用戶所屬分組的各參考用戶所訪問的多個(gè)應(yīng)用中，提取屬于所述興趣應(yīng)用類別的應(yīng)用推薦給目標(biāo)用戶的步驟為: 查找目標(biāo)用戶所屬分組的各參考用戶中，相似度大于預(yù)設(shè)值的參考用戶所訪問的多個(gè)應(yīng)用； 在查找的多個(gè)應(yīng)用中，提取屬于所述興趣應(yīng)用類別的應(yīng)用推薦給目標(biāo)用戶。
4.根據(jù)權(quán)利要求1或3所述的方法，其特征在于，所述參考用戶的劃分的多個(gè)分組按照所包含的參考用戶的訪問行為數(shù)據(jù)，分為高價(jià)值分組和低價(jià)值分組； 針對(duì)所述低價(jià)值分組，還提取至少一個(gè)預(yù)設(shè)應(yīng)用類別的應(yīng)用與屬于所述興趣應(yīng)用類別的應(yīng)用，一同推薦給目標(biāo)用戶。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述訪問行為數(shù)據(jù)中包括訪問時(shí)間和訪問應(yīng)用所屬的應(yīng)用類別，所述按照訪問行為數(shù)據(jù)對(duì)多個(gè)參考用戶進(jìn)行分組的步驟包括: 針對(duì)各個(gè)參考用戶，按照訪問行為數(shù)據(jù)中所包含的訪問時(shí)間和訪問應(yīng)用所屬的應(yīng)用類別，計(jì)算距離當(dāng)前最近的訪問時(shí)間、訪問頻率和訪問應(yīng)用的個(gè)數(shù)； 統(tǒng)計(jì)所有參考用戶的最近的訪問時(shí)間的平均值、訪問頻率的平均值，以及訪問應(yīng)用的個(gè)數(shù)的平均值； 針對(duì)各個(gè)參考用戶，將最近的訪問時(shí)間、訪問頻率和訪問應(yīng)用的個(gè)數(shù)分別與對(duì)應(yīng)的平均值進(jìn)行比較，將按照三個(gè)數(shù)值的比較結(jié)果相同的參考用戶劃分到一個(gè)分組中。
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述按照目標(biāo)用戶對(duì)多個(gè)應(yīng)用的訪問行為數(shù)據(jù)，確定目標(biāo)用戶所屬分組的步驟包括: 針對(duì)目標(biāo)用戶，按照訪問行為數(shù)據(jù)中所包含的應(yīng)用訪問時(shí)間和訪問應(yīng)用所屬的應(yīng)用類別，計(jì)算距離當(dāng)前最近的訪問時(shí)間、訪問頻率和訪問應(yīng)用的個(gè)數(shù)； 將目標(biāo)用戶的最近的訪問時(shí)間、訪問頻率和訪問應(yīng)用的個(gè)數(shù)，分別與所有參考用戶的最近的訪問時(shí)間的平均值、訪問頻率的平均值和訪問應(yīng)用的個(gè)數(shù)的平均值進(jìn)行比較，將比較結(jié)果相同的分組作為目標(biāo)用戶所屬分組。
7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述統(tǒng)計(jì)目標(biāo)用戶對(duì)不同的應(yīng)用類別的訪問權(quán)重值，將訪問權(quán)重值滿足范圍的應(yīng)用類別作為興趣應(yīng)用類別的步驟包括: 針對(duì)目標(biāo)用戶所訪問的每個(gè)應(yīng)用類別，按照預(yù)設(shè)算法和應(yīng)用類別的類別權(quán)重值，統(tǒng)計(jì)各應(yīng)用類別的訪問權(quán)重值； 去除訪問權(quán)重值小于預(yù)設(shè)權(quán)重值的應(yīng)用類別，將任意兩個(gè)應(yīng)用類別組成二項(xiàng)類別； 按照所述預(yù)設(shè)算法和二項(xiàng)類別的類別權(quán)重值，統(tǒng)計(jì)所訪問的每個(gè)二項(xiàng)類別的訪問權(quán)重值； 提取訪問權(quán)重值大于預(yù)設(shè)權(quán)重值的二項(xiàng)類別作為興趣應(yīng)用類別。
8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述針對(duì)目標(biāo)用戶所訪問的每個(gè)應(yīng)用類另IJ，按照預(yù)設(shè)算法和應(yīng)用類別的類別權(quán)重值，統(tǒng)計(jì)各應(yīng)用類別的訪問權(quán)重值的步驟包括: 步驟11，針對(duì)目標(biāo)用戶的各應(yīng)用類別，提取距離當(dāng)前最近的j X N個(gè)訪問行為數(shù)據(jù)，j和N均為正整數(shù)，j的初始值為I ; 步驟12，按照所述 訪問行為數(shù)據(jù)確定對(duì)各應(yīng)用類別的訪問次數(shù)，按照預(yù)設(shè)算法和應(yīng)用類別的類別權(quán)重值Wj，更新各應(yīng)用類別的訪問權(quán)重值WSj，WSj的初始值為O ; 步驟13，若所述類別權(quán)重值小于等于預(yù)設(shè)權(quán)重值或所述訪問行為數(shù)據(jù)已取完，則停止操作；若所述類別權(quán)重值大于預(yù)設(shè)權(quán)重值且所述訪問行為數(shù)據(jù)未取完，則令j = j+1，并返回步驟11。
9.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述按照預(yù)設(shè)算法和二項(xiàng)類別的類別權(quán)重值，統(tǒng)計(jì)所訪問的每個(gè)二項(xiàng)類別的訪問權(quán)重值的步驟包括: 步驟21，針對(duì)目標(biāo)用戶的各二項(xiàng)類別，提取距離當(dāng)前最近的j X N個(gè)訪問行為數(shù)據(jù)，j和N均為正整數(shù)，j的初始值為I ; 步驟22，按照所述訪問行為數(shù)據(jù)確定對(duì)各二項(xiàng)類別的訪問次數(shù)，按照預(yù)設(shè)算法和二項(xiàng)類別的類別權(quán)重值Wj /，更新各二項(xiàng)類別的訪問權(quán)重值WSj /，WSj /的初始值為O ; 步驟23，若所述類別權(quán)重值小于等于預(yù)設(shè)權(quán)重值或所述訪問行為數(shù)據(jù)已取完，則停止操作；若所述類別權(quán)重值大于預(yù)設(shè)權(quán)重值且所述訪問行為數(shù)據(jù)未取完，則令j = j+1，并返回步驟21。
10.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述計(jì)算目標(biāo)用戶的興趣應(yīng)用類別，與所屬分組的各參考用戶的興趣應(yīng)用類別的相似度的步驟包括: 針對(duì)所屬分組中的各參考用戶，按照目標(biāo)用戶的興趣應(yīng)用類別與參考用戶的興趣應(yīng)用類別分別建立對(duì)應(yīng)的規(guī)則向量； 計(jì)算參考用戶的規(guī)則向量與參考用戶的規(guī)則向量的相似度，作為參考用戶與目標(biāo)用戶的興趣應(yīng)用類別的相似度。
11.根據(jù)權(quán)利要求1所述的方法，其特征在于，在獲取多個(gè)參考用戶對(duì)預(yù)置的多個(gè)應(yīng)用的訪問行為數(shù)據(jù)的步驟之前，所述方法還包括: 在參考用戶對(duì)預(yù)置的多個(gè)應(yīng)用進(jìn)行訪問時(shí)，記錄參考用戶的訪問行為數(shù)據(jù)。
12.—種應(yīng)用推薦裝置，其特征在于，包括: 數(shù)據(jù)獲取模塊，用于獲取多個(gè)參考用戶對(duì)預(yù)置的多個(gè)應(yīng)用的訪問行為數(shù)據(jù)； 分組確定模塊，用于按照所述訪問行為數(shù)據(jù)對(duì)所述多個(gè)參考用戶進(jìn)行分組，并按照目標(biāo)用戶對(duì)多個(gè)應(yīng)用的訪問行為數(shù)據(jù)，確定目標(biāo)用戶所屬分組，各個(gè)應(yīng)用具備相應(yīng)的應(yīng)用類別；興趣應(yīng)用類別確定模塊，用于統(tǒng)計(jì)目標(biāo)用戶對(duì)不同的應(yīng)用類別的訪問權(quán)重值，將訪問權(quán)重值滿足預(yù)設(shè)范圍的應(yīng)用類別作為興趣應(yīng)用類別； 應(yīng)用推薦模塊，用于在目標(biāo)用戶所屬分組的各參考用戶所訪問的多個(gè)應(yīng)用中，提取屬于所述興趣應(yīng)用類別的應(yīng) 用推薦給目標(biāo)用戶。
全文摘要
本申請(qǐng)?zhí)峁┝艘环N應(yīng)用推薦方法和系統(tǒng)。所述方法包括獲取多個(gè)參考用戶對(duì)預(yù)置的多個(gè)應(yīng)用的訪問行為數(shù)據(jù)，并按照所述訪問行為數(shù)據(jù)對(duì)所述多個(gè)參考用戶進(jìn)行分組，各個(gè)應(yīng)用具備相應(yīng)的應(yīng)用類別；按照目標(biāo)用戶對(duì)多個(gè)應(yīng)用的訪問行為數(shù)據(jù)，確定目標(biāo)用戶所屬分組，并統(tǒng)計(jì)目標(biāo)用戶對(duì)不同的應(yīng)用類別的訪問權(quán)重值，將訪問權(quán)重值滿足預(yù)設(shè)范圍的應(yīng)用類別作為興趣應(yīng)用類別；在目標(biāo)用戶所屬分組的各參考用戶所訪問的多個(gè)應(yīng)用中，提取屬于所述興趣應(yīng)用類別的應(yīng)用推薦給目標(biāo)用戶。本申請(qǐng)可以減少應(yīng)用推薦時(shí)對(duì)系統(tǒng)資源的占用。
文檔編號(hào)G06Q30/02GK103198418SQ201310084568
公開日2013年7月10日 申請(qǐng)日期2013年3月15日 優(yōu)先權(quán)日2013年3月15日
發(fā)明者鄭巍, 羅峰, 黃蘇支, 李娜 申請(qǐng)人:北京億贊普網(wǎng)絡(luò)技術(shù)有限公司