本發(fā)明涉及通信技術(shù)領(lǐng)域，尤其涉及一種應(yīng)用的推薦方法、裝置及計(jì)算機(jī)可讀介質(zhì)。

背景技術(shù)：

隨著互聯(lián)網(wǎng)信息量的膨脹以及電子商務(wù)的迅速發(fā)展，信息過載問題卻愈發(fā)嚴(yán)重。無論是信息消費(fèi)者還是信息生產(chǎn)者都遇到了很大的挑戰(zhàn)：一方面，對于信息消費(fèi)者來說，他們越來越難從海量的數(shù)據(jù)中快速準(zhǔn)確的找到對自己有價(jià)值的信息；而另一方面，對于信息生產(chǎn)者來說，他們很難讓自己生產(chǎn)的信息在海量數(shù)據(jù)中脫穎而出，讓信息消費(fèi)者關(guān)注到自己。

如何解決這個(gè)問題？推薦系統(tǒng)由此應(yīng)運(yùn)而生，它是解決這一類問題的重要工具。推薦系統(tǒng)的任務(wù)就是聯(lián)系信息消費(fèi)者和信息生產(chǎn)者，一方面幫助信息消費(fèi)者發(fā)現(xiàn)對自己有用的信息，另一方面幫助信息生產(chǎn)者生產(chǎn)的信息能夠方便快捷的展現(xiàn)在對該信息感興趣的信息消費(fèi)者面前，從而實(shí)現(xiàn)信息消費(fèi)者和信息生產(chǎn)者兩者的雙贏局面。

slopeone算法兩種常用的實(shí)現(xiàn)方式：weightedslopeone和bi-polarslopeone，其缺點(diǎn)在于算法在計(jì)算過程沒有考慮到相似度問題。且根據(jù)文獻(xiàn)的研究明，相較于傳統(tǒng)的協(xié)同過濾算法，當(dāng)數(shù)據(jù)變得比較稀疏時(shí)，slopeone算法并不算優(yōu)秀。

此外，由于應(yīng)用中心的數(shù)據(jù)量非常大，其包括應(yīng)用名稱，標(biāo)簽，應(yīng)用描述，圖標(biāo)，下載量，以及用戶的操作歷史包括，下載，評論，評分以及熱度排行等等。slopeone協(xié)同過濾是要將所有物品屬性以及用戶操作歷史行為數(shù)據(jù)進(jìn)行相應(yīng)的矩陣運(yùn)算，在數(shù)據(jù)不變的情況下，服務(wù)器集群要將所有數(shù)據(jù)計(jì)算出來有一定的困難。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供了一種應(yīng)用的推薦方法、裝置及計(jì)算機(jī)可讀介質(zhì)，旨在無論數(shù)據(jù)稠密或稀疏，都能提高應(yīng)用推薦的精度，提升用戶體驗(yàn)。

有鑒于此，本發(fā)明實(shí)施例第一方面，提供了一種應(yīng)用的推薦方法，所述應(yīng)用的推薦方法包括以下步驟：

獲取所有用戶在應(yīng)用中心的操作歷史數(shù)據(jù)，并據(jù)此生成主矩陣a；

計(jì)算所述主矩陣a的近似矩陣ak；

通過所述近似矩陣ak獲取用戶相似度矩陣；

結(jié)合所述用戶相似度矩陣和用基于閾值的動態(tài)鄰居選擇方法獲取特定用戶的鄰居用戶合集；

根據(jù)所述特定用戶在應(yīng)用中心的操作歷史數(shù)據(jù)及所述鄰居用戶合集計(jì)算所述特定用戶對目標(biāo)應(yīng)用的預(yù)測評分；

根據(jù)所述預(yù)測評分生成應(yīng)用推薦列表。

在一種可能的設(shè)計(jì)中，所述計(jì)算所述主矩陣a的近似矩陣ak包括：

通過奇異值分解所述主矩陣a，得到第一矩陣u、第二矩陣∑、第三矩陣v；

計(jì)算維度k，并據(jù)此得到第一子矩陣uk、第二子矩陣∑k、第三子矩陣vk；

所述近似矩陣ak為所述第一子矩陣uk、第二子矩陣∑k及所述第三子矩陣vk的倒置矩陣的乘積。

在一種可能的設(shè)計(jì)中，所述計(jì)算維度k包括：若所述主矩陣a是一個(gè)n×m的矩陣，則k與n或m中值較小的一個(gè)相等。

在一種可能的設(shè)計(jì)中，所述通過所述近似矩陣ak獲取用戶相似度矩陣包括：

通過以下公式得到用戶相似度矩陣：

其中，simij表示用戶i和用戶j的相似度。

在一種可能的設(shè)計(jì)中，所述通過所述近似矩陣ak獲取用戶相似度矩陣包括：

利用余弦相似度公式獲取應(yīng)用之間的相似度；

結(jié)合所述應(yīng)用之間的相似度計(jì)算所述用戶相似度矩陣。

在一種可能的設(shè)計(jì)中，所述根據(jù)所述特定用戶在應(yīng)用中心的操作歷史數(shù)據(jù)及所述鄰居用戶合集計(jì)算所述特定用戶對目標(biāo)應(yīng)用的預(yù)測評分包括：

定義所述特定用戶的已評分應(yīng)用集合為ru，所述主矩陣a中對應(yīng)用itemi的評分為auseri；由以下公式計(jì)算集合ru中每個(gè)應(yīng)用itemj和目標(biāo)應(yīng)用itemi的均差值disij；

計(jì)算預(yù)測評分reui，其中numij表示所述鄰居用戶合集中應(yīng)用itemi和itemj均有評分的用戶數(shù)目：

本發(fā)明實(shí)施例第二方面提供了一種應(yīng)用的推薦裝置，所述應(yīng)用的推薦裝置包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運(yùn)行的應(yīng)用的推薦程序，所述應(yīng)用的推薦程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至5中任一項(xiàng)所述的應(yīng)用的推薦方法的步驟。

在一種可能的設(shè)計(jì)中，所述根據(jù)所述特定用戶在應(yīng)用中心的操作歷史數(shù)據(jù)及所述鄰居用戶合集計(jì)算所述特定用戶對目標(biāo)應(yīng)用的預(yù)測評分時(shí)，所述應(yīng)用的推薦程序被所述處理器執(zhí)行時(shí)以實(shí)現(xiàn)以下步驟：

定義所述特定用戶的已評分應(yīng)用集合為ru，所述主矩陣a中對應(yīng)用itemi的評分為auseri；由以下公式計(jì)算集合ru中每個(gè)應(yīng)用itemj和目標(biāo)應(yīng)用itemi的均差值disij；

計(jì)算預(yù)測評分reui，其中numij表示所述鄰居用戶合集中應(yīng)用itemi和itemj均有評分的用戶數(shù)目：

本發(fā)明實(shí)施例第三方面提供了一種計(jì)算機(jī)可讀介質(zhì)，所述計(jì)算機(jī)可讀介質(zhì)存儲有應(yīng)用的推薦程序，所述計(jì)算機(jī)可讀存儲介質(zhì)上存儲有應(yīng)用的推薦程序，所述應(yīng)用的推薦程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至5中任一項(xiàng)所述的應(yīng)用的推薦方法的步驟。

在一種可能的設(shè)計(jì)中，所述根據(jù)所述特定用戶在應(yīng)用中心的操作歷史數(shù)據(jù)及所述鄰居用戶合集計(jì)算所述特定用戶對目標(biāo)應(yīng)用的預(yù)測評分時(shí)，所述應(yīng)用的推薦程序被所述處理器執(zhí)行時(shí)以實(shí)現(xiàn)以下步驟：

定義所述特定用戶的已評分應(yīng)用集合為ru，所述主矩陣a中對應(yīng)用itemi的評分為auseri；由以下公式計(jì)算集合ru中每個(gè)應(yīng)用itemj和目標(biāo)應(yīng)用itemi的均差值disij；

計(jì)算預(yù)測評分reui，其中numij表示所述鄰居用戶合集中應(yīng)用itemi和itemj均有評分的用戶數(shù)目：

本發(fā)明提供的應(yīng)用的推薦方法、裝置及計(jì)算機(jī)可讀介質(zhì)能夠在一定程度上解決大數(shù)據(jù)矩陣計(jì)算量的問題，同時(shí)提高推薦的精確度。

附圖說明

圖1為本發(fā)明一種應(yīng)用的推薦方法一個(gè)實(shí)施例的示意圖；

圖2為本發(fā)明一種應(yīng)用的推薦方法另一個(gè)實(shí)施例的示意圖；

圖3為本發(fā)明一種應(yīng)用的推薦方法另一個(gè)實(shí)施例的示意圖；

圖4是本發(fā)明實(shí)施例的對某一特定用戶預(yù)測評分排前十的應(yīng)用的示意圖；

圖5是本發(fā)明實(shí)施例的對某一應(yīng)用的預(yù)測得分和實(shí)際得分的方差結(jié)果示意圖；

本發(fā)明目的的實(shí)現(xiàn)、功能特點(diǎn)及優(yōu)點(diǎn)將結(jié)合實(shí)施例，參照附圖做進(jìn)一步說明。

具體實(shí)施方式

應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

在后續(xù)的描述中，使用用于表示元件的諸如“模塊”、“部件”或“單元”的后綴僅為了有利于本發(fā)明的說明，其本身沒有特定的意義。因此，“模塊”、“部件”或“單元”可以混合地使用。

請參閱圖1，圖1為本發(fā)明一種應(yīng)用的推薦方法，所述應(yīng)用的推薦方法包括以下步驟：

301、開始；

302、獲取所有用戶在應(yīng)用中心的操作歷史數(shù)據(jù)，并據(jù)此生成主矩陣a；

一般地，一個(gè)終端對應(yīng)一個(gè)用戶；當(dāng)然若應(yīng)用中心是設(shè)有賬號的，也可以是一個(gè)終端對應(yīng)多個(gè)用戶；終端需要上傳用戶在應(yīng)用中心的操作歷史數(shù)據(jù)；用戶的操作歷史數(shù)據(jù)包括對應(yīng)于的下載、評論、評分等；在具體實(shí)施時(shí)，將應(yīng)用名稱結(jié)合其對應(yīng)的所有用戶的操作歷史數(shù)據(jù)生成主矩陣a即可；在本發(fā)明的另一實(shí)施例中主矩陣還可以加入應(yīng)用標(biāo)簽、應(yīng)用描述、圖標(biāo)、下載量以及熱度排行等數(shù)據(jù)信息；

303、計(jì)算所述主矩陣a的近似矩陣ak；

304、通過所述近似矩陣ak獲取用戶相似度矩陣；

305、結(jié)合所述用戶相似度矩陣和用基于閾值的動態(tài)鄰居選擇方法獲取特定用戶的鄰居用戶合集；

306、根據(jù)所述特定用戶在應(yīng)用中心的操作歷史數(shù)據(jù)及所述鄰居用戶合集計(jì)算所述特定用戶對目標(biāo)應(yīng)用的預(yù)測評分；

307、根據(jù)所述預(yù)測評分生成應(yīng)用推薦列表；

308、結(jié)束。

可選地，在上述圖1對應(yīng)的實(shí)施例的基礎(chǔ)上，本發(fā)明實(shí)施例提供的應(yīng)用的推薦方法另一個(gè)可選實(shí)施例中，在執(zhí)行計(jì)算所述主矩陣a的近似矩陣ak的步驟時(shí)，如圖2所示，具體包括：

401、開始；

402、通過奇異值分解所述主矩陣a，得到第一矩陣u、第二矩陣∑、第三矩陣v；

矩陣的特征值分解可以得到特征值與特征向量，特征向量可以用來描述矩陣的特性，但是它只是對方陣而言的，在現(xiàn)實(shí)的世界中，大部分矩陣都不是方陣。而奇異值分解是一個(gè)能適用于任意的矩陣的一種分解的方法。

奇異值分解可以用如下公式表達(dá)：

a＝uσv^t

其中，a是一個(gè)n*m的矩陣，那么得到的u是一個(gè)n*n的方陣(里面的向量是正交的，u里面的向量稱為左奇異向量)，σ是一個(gè)n*m的矩陣(除了對角線的元素都是0，對角線上的元素稱為奇異值)，v^t(v的轉(zhuǎn)置)是一個(gè)n*n的矩陣，里面的向量也是正交的，v里面的向量稱為右奇異向量)；

在具體計(jì)算時(shí)，可以先將主矩陣a的進(jìn)行轉(zhuǎn)置得到a^t，將會得到一個(gè)方陣，我們用這個(gè)方陣求特征值可以得到：

(a^ta)vi＝λvi

這里得到的v，就是我們上面的右奇異向量。此外我們還可以得到：

這里的σ就是上面說的奇異值；u就是左奇異向量；

403、計(jì)算維度k，并據(jù)此得到第一子矩陣uk、第二子矩陣∑k、第三子矩陣vk；

一般地，若所述主矩陣a是一個(gè)n×m的矩陣，則k與n或m中值較小的一個(gè)相等；

404、所述近似矩陣ak為所述第一子矩陣uk、第二子矩陣∑k及所述第三子矩陣vk的倒置矩陣的乘積；

對于第二矩陣σ，保留其中k個(gè)最大的奇異值，得到一個(gè)新的維度為k×k，k×n的第二子矩陣矩陣σk。相應(yīng)的，通過刪除第一矩陣u以及第三矩陣v相應(yīng)的行或列，得到維度分別為m×k的第一子矩陣uk和第三子矩陣vk，然后對矩陣a重構(gòu)；令然后生成了一個(gè)秩等于k的所有矩陣中與矩陣a最近似的矩陣ak；

405、結(jié)束。

通過上述分析可以得到，奇異值可以表示一個(gè)給定矩陣與比其秩低的矩陣的接近程度。通過這種矩陣的分解，可以找到矩陣a的一個(gè)近似簡化矩陣。

可選地，在上述圖1或圖2對應(yīng)的任一實(shí)施例的基礎(chǔ)上，本發(fā)明實(shí)施例提供的應(yīng)用的推薦方法另一個(gè)可選實(shí)施例中，在通過所述近似矩陣ak獲取用戶相似度矩陣時(shí)，包括：

通過以下公式得到用戶相似度矩陣：

其中，simij表示用戶i和用戶j的相似度。

可選地，在上述圖1或圖2對應(yīng)的任一實(shí)施例的基礎(chǔ)上，本發(fā)明實(shí)施例提供的應(yīng)用的推薦方法另一個(gè)可選實(shí)施例中，在通過所述近似矩陣ak獲取用戶相似度矩陣時(shí)，如圖3所示，包括：

501、開始；

502、利用余弦相似度公式獲取應(yīng)用之間的相似度；

更具體地，可以采取以下公式獲取應(yīng)用之間的相似度：

503、結(jié)合所述應(yīng)用之間的相似度計(jì)算所述用戶相似度矩陣；

也就是說，在計(jì)算用戶相似度矩陣時(shí)，需要考慮到應(yīng)用之間的相似度；

504、結(jié)束。

需要說明的是，若主矩陣a是一個(gè)n*m的矩陣，則近似矩陣ak同樣也是一個(gè)n*m的矩陣，如果將近似矩陣中的每一行作為對應(yīng)用戶的特征，利用余弦相似性，可以得到一個(gè)m*m的用戶相似度矩陣。

可選地，在上述的任一實(shí)施例提供的應(yīng)用的推薦方法的基礎(chǔ)上，本發(fā)明實(shí)施例提供的應(yīng)用的推薦方法另一個(gè)可選實(shí)施例中，在通過所述近似矩陣ak獲取用戶相似度矩陣時(shí)，包括：

定義所述特定用戶的已評分應(yīng)用集合為ru，所述主矩陣a中對應(yīng)用itemi的評分為auseri；由以下公式計(jì)算集合ru中每個(gè)應(yīng)用itemj和目標(biāo)應(yīng)用itemi的均差值disij；

計(jì)算預(yù)測評分reui，其中numij表示所述鄰居用戶合集中應(yīng)用itemi和itemj均有評分的用戶數(shù)目：

本發(fā)明還提供一種應(yīng)用的推薦裝置，所述應(yīng)用的推薦裝置包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運(yùn)行的應(yīng)用的推薦程序，所述應(yīng)用的推薦程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)本發(fā)明任一實(shí)施例提供的應(yīng)用的推薦方法的步驟。

更具體地，所述應(yīng)用的推薦程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：

獲取所有用戶在應(yīng)用中心的操作歷史數(shù)據(jù)，并據(jù)此生成主矩陣a；

一般地，一個(gè)終端對應(yīng)一個(gè)用戶；當(dāng)然若應(yīng)用中心是設(shè)有賬號的，也可以是一個(gè)終端對應(yīng)多個(gè)用戶；終端需要上傳用戶在應(yīng)用中心的操作歷史數(shù)據(jù)；用戶的操作歷史數(shù)據(jù)包括對應(yīng)于的下載、評論、評分等；在具體實(shí)施時(shí)，將應(yīng)用名稱結(jié)合其對應(yīng)的所有用戶的操作歷史數(shù)據(jù)生成主矩陣a即可；在本發(fā)明的另一實(shí)施例中主矩陣還可以加入應(yīng)用標(biāo)簽、應(yīng)用描述、圖標(biāo)、下載量以及熱度排行等數(shù)據(jù)信息；

計(jì)算所述主矩陣a的近似矩陣ak；

通過所述近似矩陣ak獲取用戶相似度矩陣；

結(jié)合所述用戶相似度矩陣和用基于閾值的動態(tài)鄰居選擇方法獲取特定用戶的鄰居用戶合集；

根據(jù)所述特定用戶在應(yīng)用中心的操作歷史數(shù)據(jù)及所述鄰居用戶合集計(jì)算所述特定用戶對目標(biāo)應(yīng)用的預(yù)測評分；

根據(jù)所述預(yù)測評分生成應(yīng)用推薦列表。

在本發(fā)明的一個(gè)實(shí)施例中，當(dāng)執(zhí)行計(jì)算所述主矩陣a的近似矩陣ak時(shí)，所述應(yīng)用的推薦程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：

通過奇異值分解所述主矩陣a，得到第一矩陣u、第二矩陣∑、第三矩陣v；

矩陣的特征值分解可以得到特征值與特征向量，特征向量可以用來描述矩陣的特性，但是它只是對方陣而言的，在現(xiàn)實(shí)的世界中，大部分矩陣都不是方陣。而奇異值分解是一個(gè)能適用于任意的矩陣的一種分解的方法。

奇異值分解可以用如下公式表達(dá)：

a＝uσv^t

其中，a是一個(gè)n*m的矩陣，那么得到的u是一個(gè)n*n的方陣(里面的向量是正交的，u里面的向量稱為左奇異向量)，σ是一個(gè)n*m的矩陣(除了對角線的元素都是0，對角線上的元素稱為奇異值)，v^t(v的轉(zhuǎn)置)是一個(gè)n*n的矩陣，里面的向量也是正交的，v里面的向量稱為右奇異向量)；

在具體計(jì)算時(shí)，可以先將主矩陣a的進(jìn)行轉(zhuǎn)置得到a^t，將會得到一個(gè)方陣，我們用這個(gè)方陣求特征值可以得到：

(a^ta)vi＝λvi

這里得到的v，就是我們上面的右奇異向量。此外我們還可以得到：

這里的σ就是上面說的奇異值；u就是左奇異向量；

計(jì)算維度k，并據(jù)此得到第一子矩陣uk、第二子矩陣∑k、第三子矩陣vk；

一般地，若所述主矩陣a是一個(gè)n×m的矩陣，則k與n或m中值較小的一個(gè)相等；

所述近似矩陣ak為所述第一子矩陣uk、第二子矩陣∑k及所述第三子矩陣vk的倒置矩陣的乘積；

對于第二矩陣σ，保留其中k個(gè)最大的奇異值，得到一個(gè)新的維度為k×k，k×n的第二子矩陣矩陣σk。相應(yīng)的，通過刪除第一矩陣u以及第三矩陣v相應(yīng)的行或列，得到維度分別為m×k的第一子矩陣uk和第三子矩陣vk，然后對矩陣a重構(gòu)；令然后生成了一個(gè)秩等于k的所有矩陣中與矩陣a最近似的矩陣ak。

在本發(fā)明的一個(gè)實(shí)施例中，當(dāng)通過所述近似矩陣ak獲取用戶相似度矩陣時(shí)，所述應(yīng)用的推薦程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：

通過以下公式得到用戶相似度矩陣：

其中，simij表示用戶i和用戶j的相似度。

在本發(fā)明的一個(gè)實(shí)施例中，當(dāng)通過所述近似矩陣ak獲取用戶相似度矩陣時(shí)，所述應(yīng)用的推薦程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：

利用余弦相似度公式獲取應(yīng)用之間的相似度；

更具體地，可以采取以下公式獲取應(yīng)用之間的相似度：

結(jié)合所述應(yīng)用之間的相似度計(jì)算所述用戶相似度矩陣；

也就是說，在計(jì)算用戶相似度矩陣時(shí)，需要考慮到應(yīng)用之間的相似度；

需要說明的是，若主矩陣a是一個(gè)n*m的矩陣，則近似矩陣ak同樣也是一個(gè)n*m的矩陣，如果將近似矩陣中的每一行作為對應(yīng)用戶的特征，利用余弦相似性，可以得到一個(gè)m*m的用戶相似度矩陣。

在本發(fā)明的一個(gè)實(shí)施例中，當(dāng)通過所述近似矩陣ak獲取用戶相似度矩陣時(shí)，所述應(yīng)用的推薦程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：

定義所述特定用戶的已評分應(yīng)用集合為ru，所述主矩陣a中對應(yīng)用itemi的評分為auseri；由以下公式計(jì)算集合ru中每個(gè)應(yīng)用itemj和目標(biāo)應(yīng)用itemi的均差值disij；

計(jì)算預(yù)測評分reui，其中numij表示所述鄰居用戶合集中應(yīng)用itemi和itemj均有評分的用戶數(shù)目：

本發(fā)明還提供一種計(jì)算機(jī)可讀介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲介質(zhì)上存儲有應(yīng)用的推薦程序，所述應(yīng)用的推薦程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)本發(fā)明任一實(shí)施例提供的應(yīng)用的推薦方法的步驟。

更具體地，所述應(yīng)用的推薦程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：

獲取所有用戶在應(yīng)用中心的操作歷史數(shù)據(jù)，并據(jù)此生成主矩陣a；

一般地，一個(gè)終端對應(yīng)一個(gè)用戶；當(dāng)然若應(yīng)用中心是設(shè)有賬號的，也可以是一個(gè)終端對應(yīng)多個(gè)用戶；終端需要上傳用戶在應(yīng)用中心的操作歷史數(shù)據(jù)；用戶的操作歷史數(shù)據(jù)包括對應(yīng)于的下載、評論、評分等；在具體實(shí)施時(shí)，將應(yīng)用名稱結(jié)合其對應(yīng)的所有用戶的操作歷史數(shù)據(jù)生成主矩陣a即可；在本發(fā)明的另一實(shí)施例中主矩陣還可以加入應(yīng)用標(biāo)簽、應(yīng)用描述、圖標(biāo)、下載量以及熱度排行等數(shù)據(jù)信息；

計(jì)算所述主矩陣a的近似矩陣ak；

通過所述近似矩陣ak獲取用戶相似度矩陣；

結(jié)合所述用戶相似度矩陣和用基于閾值的動態(tài)鄰居選擇方法獲取特定用戶的鄰居用戶合集；

根據(jù)所述特定用戶在應(yīng)用中心的操作歷史數(shù)據(jù)及所述鄰居用戶合集計(jì)算所述特定用戶對目標(biāo)應(yīng)用的預(yù)測評分；

根據(jù)所述預(yù)測評分生成應(yīng)用推薦列表。

在本發(fā)明的一個(gè)實(shí)施例中，當(dāng)執(zhí)行計(jì)算所述主矩陣a的近似矩陣ak時(shí)，所述應(yīng)用的推薦程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：

通過奇異值分解所述主矩陣a，得到第一矩陣u、第二矩陣∑、第三矩陣v；

矩陣的特征值分解可以得到特征值與特征向量，特征向量可以用來描述矩陣的特性，但是它只是對方陣而言的，在現(xiàn)實(shí)的世界中，大部分矩陣都不是方陣。而奇異值分解是一個(gè)能適用于任意的矩陣的一種分解的方法。

奇異值分解可以用如下公式表達(dá)：

a＝uσv^t

其中，a是一個(gè)n*m的矩陣，那么得到的u是一個(gè)n*n的方陣(里面的向量是正交的，u里面的向量稱為左奇異向量)，σ是一個(gè)n*m的矩陣(除了對角線的元素都是0，對角線上的元素稱為奇異值)，v^t(v的轉(zhuǎn)置)是一個(gè)n*n的矩陣，里面的向量也是正交的，v里面的向量稱為右奇異向量)；

在具體計(jì)算時(shí)，可以先將主矩陣a的進(jìn)行轉(zhuǎn)置得到a^t，將會得到一個(gè)方陣，我們用這個(gè)方陣求特征值可以得到：

(a^ta)vi＝λvi

這里得到的v，就是我們上面的右奇異向量。此外我們還可以得到：

這里的σ就是上面說的奇異值；u就是左奇異向量；

計(jì)算維度k，并據(jù)此得到第一子矩陣uk、第二子矩陣∑k、第三子矩陣vk；

一般地，若所述主矩陣a是一個(gè)n×m的矩陣，則k與n或m中值較小的一個(gè)相等；

所述近似矩陣ak為所述第一子矩陣uk、第二子矩陣∑k及所述第三子矩陣vk的倒置矩陣的乘積；

對于第二矩陣σ，保留其中k個(gè)最大的奇異值，得到一個(gè)新的維度為k×k，k×n的第二子矩陣矩陣σk。相應(yīng)的，通過刪除第一矩陣u以及第三矩陣v相應(yīng)的行或列，得到維度分別為m×k的第一子矩陣uk和第三子矩陣vk，然后對矩陣a重構(gòu)；令然后生成了一個(gè)秩等于k的所有矩陣中與矩陣a最近似的矩陣ak。

在本發(fā)明的一個(gè)實(shí)施例中，當(dāng)通過所述近似矩陣ak獲取用戶相似度矩陣時(shí)，所述應(yīng)用的推薦程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：

通過以下公式得到用戶相似度矩陣：

其中，simij表示用戶i和用戶j的相似度。

在本發(fā)明的一個(gè)實(shí)施例中，當(dāng)通過所述近似矩陣ak獲取用戶相似度矩陣時(shí)，所述應(yīng)用的推薦程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：

利用余弦相似度公式獲取應(yīng)用之間的相似度；

更具體地，可以采取以下公式獲取應(yīng)用之間的相似度：

結(jié)合所述應(yīng)用之間的相似度計(jì)算所述用戶相似度矩陣；

也就是說，在計(jì)算用戶相似度矩陣時(shí)，需要考慮到應(yīng)用之間的相似度；

需要說明的是，若主矩陣a是一個(gè)n*m的矩陣，則近似矩陣ak同樣也是一個(gè)n*m的矩陣，如果將近似矩陣中的每一行作為對應(yīng)用戶的特征，利用余弦相似性，可以得到一個(gè)m*m的用戶相似度矩陣。

在本發(fā)明的一個(gè)實(shí)施例中，當(dāng)通過所述近似矩陣ak獲取用戶相似度矩陣時(shí)，所述應(yīng)用的推薦程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：

定義所述特定用戶的已評分應(yīng)用集合為ru，所述主矩陣a中對應(yīng)用itemi的評分為auseri；由以下公式計(jì)算集合ru中每個(gè)應(yīng)用itemj和目標(biāo)應(yīng)用itemi的均差值disij；

計(jì)算預(yù)測評分reui，其中numij表示所述鄰居用戶合集中應(yīng)用itemi和itemj均有評分的用戶數(shù)目：

需要說明的是，本發(fā)明中用戶在應(yīng)用中心的操作歷史數(shù)據(jù)可以以評分的形式進(jìn)行表現(xiàn)，用戶在應(yīng)用中心的操作歷史數(shù)據(jù)包括用戶停留該應(yīng)用的時(shí)間、一天內(nèi)開啟的次數(shù)、對該應(yīng)用進(jìn)行的操作等。

下面結(jié)合具體的實(shí)例，進(jìn)一步說明本發(fā)明：

在具體實(shí)施時(shí)，根據(jù)上述任一實(shí)施例提供的步驟構(gòu)建模型，導(dǎo)入用戶、用戶在應(yīng)用中心的操作歷史數(shù)據(jù)；得出各應(yīng)用的評分，并將排名在前的應(yīng)用推薦給用戶。請參照圖4，圖4是對某一特定用戶預(yù)測評分排前十的應(yīng)用；更具體地，第一列為用戶編碼，第二列為應(yīng)用軟件編碼，第三列為預(yù)測用戶得分；本實(shí)施例中，用戶編碼為65722，其對應(yīng)的預(yù)測評分排前十的應(yīng)用即為第二列編碼對應(yīng)的應(yīng)用。

請參照圖5，本發(fā)明將用戶已安裝的其中一個(gè)應(yīng)用進(jìn)行屏蔽后，實(shí)施本發(fā)明提供的技術(shù)方案，將屏蔽的應(yīng)用的預(yù)測得分與根據(jù)用戶歷史操作數(shù)據(jù)得出的實(shí)際得分進(jìn)行方差的計(jì)算，本實(shí)施例中得出的方差為4.10e-6，趨近于零；可見，本發(fā)明得出的預(yù)測得分具有較高的準(zhǔn)確率。

本發(fā)明實(shí)施例提供的應(yīng)用的推薦方法、裝置及計(jì)算機(jī)可讀介質(zhì)，通過奇異值分解對用戶評分矩陣進(jìn)行降維，使得其在計(jì)算應(yīng)用中心推薦超大數(shù)據(jù)量時(shí)能夠占用較少的服務(wù)器資源，能夠在一定程度上解決大數(shù)據(jù)矩陣計(jì)算量的問題，縮短計(jì)算時(shí)間，同時(shí)提高了應(yīng)用推薦精度。

需要說明的是，在本文中，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者裝置不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者裝置所固有的要素。在沒有更多限制的情況下，由語句“包括一個(gè)……”限定的要素，并不排除在包括該要素的過程、方法、物品或者裝置中還存在另外的相同要素。

上述本發(fā)明實(shí)施例序號僅僅為了描述，不代表實(shí)施例的優(yōu)劣。

通過以上的實(shí)施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到上述實(shí)施例方法可借助軟件加必需的通用硬件平臺的方式來實(shí)現(xiàn)，當(dāng)然也可以通過硬件，但很多情況下前者是更佳的實(shí)施方式?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲在一個(gè)存儲介質(zhì)(如rom/ram、磁碟、光盤)中，包括若干指令用以使得一臺終端(可以是手機(jī)，計(jì)算機(jī)，服務(wù)器，空調(diào)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述的方法。

上面結(jié)合附圖對本發(fā)明的實(shí)施例進(jìn)行了描述，但是本發(fā)明并不局限于上述的具體實(shí)施方式，上述的具體實(shí)施方式僅僅是示意性的，而不是限制性的，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明宗旨和權(quán)利要求所保護(hù)的范圍情況下，還可做出很多形式，這些均屬于本發(fā)明的保護(hù)之內(nèi)。