本發(fā)明涉及信息
技術領域：
，具體涉及一種應用推薦方法及裝置。
背景技術：
：隨著信息技術的飛速發(fā)展，移動終端上的各種應用APP(APPLITION手機軟件應用)成為服務商為用戶提供各種增值服務的主要渠道，蘋果和谷歌的應用商店中，各種應用的總量都超過百萬，并且一致保持快速增長的趨勢。面對海量的應用，用戶需要花費高昂的時間成本對應用進行篩選和試用后，才能找到自己真正感興趣的應用。目前，電信運營商和服務提供商，會根據(jù)用戶已經使用過的應用的統(tǒng)計，為其推薦相同類型的應用，也根據(jù)與其有相同使用興趣的用戶所使用的應用。但這種只根據(jù)是否使用作為是否向用戶推薦的標準，所推薦的應用存在很大的不準確性，如推薦的應用的可用性不高。如推薦了大多數(shù)安裝后的用戶都很快的不再繼續(xù)使用的應用，在這種情況下，其推薦的應用就是不準確的，所推薦的應用質量不高，或是無效的推薦。如何從根本上解決為用戶準確推薦應用的問題，實現(xiàn)結合用戶的使用興趣的變化為用戶推薦可用度高的應用，提高應用推薦的準確性，是信息
技術領域：
亟待解決的問題。技術實現(xiàn)要素：本發(fā)明所要解決的技術問題是針對現(xiàn)有技術中所存在的上述缺陷，提供一種應用推薦方法及裝置，用以解決現(xiàn)有技術中存在的不能根據(jù)用戶的興趣變化為其推薦可用程度高的應用的問題。為實現(xiàn)上述目的，本發(fā)明提供一種應用推薦方法，包括：一種應用推薦方法，所述方法包括如下步驟：根據(jù)預設的時長范圍內各用戶的上網記錄，確定待推薦用戶和相似用戶，所述相似用戶為與待推薦用戶使用相同應用的用戶；確定相似用戶使用過但待推薦用戶未使用過的應用k，計算相似用戶對應用k的粘合度和新鮮度，所述粘合度為相似用戶在所述預設時長內第一次使用應用k與最后一次使用應用k的時間差，所述新鮮度為相似用戶在所述預設時長內最后一次使用應用k的時間與所述預設時長截止時間之間的時間差；根據(jù)相似用戶對應用k的粘合度、新鮮度以及相似用戶與待推薦用戶之間的相關度，計算應用k的推薦指數(shù)；根據(jù)所述應用k的推薦指數(shù)和預設的第一閾值，確定是否為待推薦用戶推薦所述應用k。優(yōu)選的，所述確定待推薦用戶和相似用戶包括：將所述預設時長劃分為至少兩個統(tǒng)計時段，計算各用戶在各統(tǒng)計時段內使用各應用所花費的流量；計算各用戶對應各統(tǒng)計時段的時間權重系數(shù)；確定與所述待推薦用戶使用相同應用j的各用戶q，根據(jù)所述流量和時間權重系數(shù)，計算各用戶q對各應用的興趣得分；根據(jù)待推薦用戶使用應用j的興趣得分、待推薦用戶使用各應用的平均興趣得分、用戶q使用應用j的興趣得分、用戶q使用各應用的平均興趣得分，計算待推薦用戶與用戶q之間的相關度；根據(jù)所述待推薦用戶與所述各用戶q之間的相關度，確定待推薦用戶的相似用戶。優(yōu)選的，所述計算各用戶對應各統(tǒng)計時段的時間權重系數(shù)中，所述時間權重系數(shù)fia(t)按照以下公式(1)計算：fia(t)=e[tiatiA-1];---(1)]]>其中，i為待推薦用戶為用戶i；tiA為用戶i劃分的時間段的數(shù)量；tia為用戶i在所述A個時間段內的第a個時段；即tia∈(1…tia…tiA)。優(yōu)選的，所述計算相似用戶對應用k的粘合度和新鮮度中，粘合度fvk(t)的計算公式為：fvk(t)=etvk1;---(2)]]>其中，v為相似用戶v；tvk1為相似用戶v最后一次訪問應用k的時間與第一次訪問應用k的時間差。優(yōu)選的，所述計算相似用戶對應用k的粘合度和新鮮度中，新鮮度gvk(t)的計算公式為：gvk(t)=log12tvk2;---(3)]]>其中，v為相似用戶v；tvk2表示各相似用戶v中最近一次訪問應用k的時間差與當前時間的最小值。本發(fā)明還提供一種應用推薦裝置，包括：相似用戶模塊，用于根據(jù)預設的時長范圍內各用戶的上網記錄，確定待推薦用戶和相似用戶，所述相似用戶為與待推薦用戶使用相同應用的用戶；粘合度新鮮度模塊，用于確定相似用戶使用過但待推薦用戶未使用過的應用k，計算相似用戶對應用k的粘合度和新鮮度，所述粘合度為相似用戶在所述預設時長內第一次使用應用k與最后一次使用應用k的時間差，所述新鮮度為相似用戶在所述預設時長內最后一次使用應用k的時間與所述預設時長截止時間之間的時間差；推薦模塊，用于根據(jù)相似用戶對應用k的粘合度、新鮮度以及相似用戶與待推薦用戶之間的相關度，計算應用k的推薦指數(shù)；并用于根據(jù)所述應用k的推薦指數(shù)和預設的第一閾值，確定是否為待推薦用戶推薦所述應用k。所述相似用戶模塊，包括：流量計算單元，用于將所述預設時長劃分為至少兩個統(tǒng)計時段，計算各用戶在各統(tǒng)計時段內使用各應用所花費的流量；時間權重單元，用于計算各用戶對應各統(tǒng)計時段的時間權重系數(shù)；興趣得分單元，用于確定與所述待推薦用戶使用相同應用j的各用戶q，根據(jù)所述流量和時間權重系數(shù)，計算各用戶q對各應用的興趣得分；相關度單元，用于根據(jù)待推薦用戶使用應用j的興趣得分、待推薦用戶使用各應用的平均興趣得分、用戶q使用應用j的興趣得分、用戶q使用各應用的平均興趣得分，計算待推薦用戶與用戶q之間的相關度，并根據(jù)所述待推薦用戶與所述各用戶q之間的相關度，確定待推薦用戶的相似用戶。所述時間權重單元，具體用于計算所述時間權重系數(shù)，所述時間權重系數(shù)fia(t)按照以下公式(1)計算：fia(t)=e[tiatiA-1];---(1)]]>其中，i為待推薦用戶為用戶i；tiA為用戶i劃分的時間段的數(shù)量；tia為用戶i在所述A個時間段內的第a個時段；即tia∈(1…tia…tiA)。所述粘合度新鮮度模塊，具體用于計算粘合度fvk(t)，所述粘合度fvk(t)的計算公式為：fvk(t)=etvk1;---(2)]]>其中，v為相似用戶v；tvk1為相似用戶v最后一次訪問應用k的時間與第一次訪問應用k的時間差。所述粘合度新鮮度模塊，具體用于計算新鮮度gvk(t)，所述新鮮度gvk(t)的計算公式為：gvk(t)=log12tvk2;---(3)]]>其中，v為相似用戶v；tvk2表示各相似用戶v中最近一次訪問應用k的時間差與當前時間的最小值。本發(fā)明所提供的應用推薦方法及裝置，能夠為待推薦用戶推薦可用度高的應用，具體的實現(xiàn)方式為，尋找與待推薦用戶有相同應用使用興趣的相似用戶，在相似用戶使用過而待推薦用戶沒有用過的應用中，尋找相似用戶粘合度高且新鮮度高的應用向待推薦用戶推薦，所述的粘合度為相似用戶使用所推薦應用的持續(xù)時間長、所述的新鮮度為相似用戶使用所推薦應用的最近一次時間距離推薦時間最近。本發(fā)明所提供的應用推薦方法，能夠避免將相似用戶最近不再使用的應用，或者使用頻率很低的應用推薦給待推薦用戶，從而提高所推薦應用的可用度。附圖說明為了更清楚的說明本發(fā)明實施例中的技術方案，下面將對實施例描述中所需要使用的附圖做簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明提供的應用推薦方法第一實施例的流程示意圖；圖2為本發(fā)明提供的應用推薦方法第二實施例的流程示意圖；圖3為本發(fā)明提供的應用推薦裝置的結構示意圖；圖4為本發(fā)明提供的應用推薦裝置中相似用戶模塊的結構示意圖。具體實施方式為使本領域技術人員更好地理解本發(fā)明的技術方案，下面結合附圖和實施例對本發(fā)明作進一步詳細描述。顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。圖1為本發(fā)明提供的應用推薦方法第一實施例的流程示意圖，如圖1所示的應用推薦方法包括如下步驟：步驟S101，根據(jù)預設的時長范圍內各用戶的上網記錄，確定待推薦用戶和相似用戶，所述相似用戶為與待推薦用戶使用相同應用的用戶。具體的，只有與待推薦用戶使用相同應用的用戶，才具有推薦應用的參考價值，在待推薦用戶使用過的應用中，至少有一個應用與之相同的用戶，就可以認為是待推薦用戶的相似用戶。步驟S102，確定相似用戶使用過但待推薦用戶未使用過的應用k，計算相似用戶對應用k的粘合度和新鮮度，所述粘合度為相似用戶在所述預設時長內第一次使用應用k與最后一次使用應用k的時間差，所述新鮮度為相似用戶在所述預設時長內最后一次使用應用k的時間與所述預設時長截止時間之間的時間差。具體的，由于需要排除用戶近期已經不再使用或使用頻率過低的應用，需要考慮相似用戶對于待推薦應用的粘合度和新鮮度。其中，所述粘合度fvk(t)的計算公式為：fvk(t)=etvk1;---(2)]]>其中，v為相似用戶v；tvk1為相似用戶v最后一次訪問應用k的時間與第一次訪問應用k的時間差。所述新鮮度gvk(t)的計算公式為：gvk(t)=log12tvk2;---(3)]]>其中，v為相似用戶v；tvk2表示各相似用戶v中最近一次訪問應用k的時間差與當前時間的最小值。計算出用戶v對于應用k的新鮮度和粘合度后，便可以將用戶v對于應用k的使用情況做出統(tǒng)計。步驟S103，根據(jù)相似用戶對應用k的粘合度、新鮮度以及相似用戶與待推薦用戶之間的相關度，計算應用k的推薦指數(shù)。具體的，本發(fā)明提供的推薦指數(shù)的計算公式為：Pik=Σv∈Visim(i,v)(rv,k-rv‾)gik(t)fvk(t)Σv∈Visim(i,v);---(6)]]>其中，i表示待推薦用戶i；Pik表示用戶i對于應用k的推薦指數(shù)；Vi為用戶i的相似用戶v的集合；表示用戶i使用其所有應用的平均興趣得分；表示用戶v使用其所有應用的平均興趣得分；rv,k表示相似用戶v對應用k的興趣得分；sim(i,v)表示用戶i和相似用戶v的相關度。為使推薦指數(shù)的計算結果更加直觀和統(tǒng)一，本發(fā)明還提供以下公式作為推薦指數(shù)的另外一個計算公式：P′ik=r‾i+Σv∈Visim(i,v)(rv,k-rv‾)gik(t)fvk(t)Σv∈Visim(i,v);---(7)]]>步驟S104，根據(jù)所述應用k的推薦指數(shù)和預設的第一閾值，確定是否為待推薦用戶推薦所述應用k。具體的，根據(jù)預設的第一閾值，將符合條件的應用k推薦給待推薦用戶。也可以將所述推薦指數(shù)進行排序后，選取推薦指數(shù)大的應用k向待推薦用戶推薦。本發(fā)明所提供的應用推薦方法，能夠為待推薦用戶推薦可用度高的應用，具體的實現(xiàn)方式為，尋找與待推薦用戶有相同應用的相似用戶，在相似用戶使用過而待推薦用戶沒有用過的應用中，尋找相似用戶粘合度高且新鮮度高的應用向待推薦用戶推薦，所述的粘合度為相似用戶使用所推薦應用的持續(xù)時間長、所述的新鮮度為相似用戶使用所推薦應用的最近一次時間距離推薦時間最近。本發(fā)明所提供的應用推薦方法，能夠避免將相似用戶最近不再使用的應用，或者使用頻率很低的應用推薦給待推薦用戶，從而提高所推薦應用的可用度。圖2為本發(fā)明提供的應用推薦方法第二實施例的流程示意圖，如圖2所示的應用推薦方法包括如下步驟：步驟S201，將所述預設時長劃分為至少兩個統(tǒng)計時段，計算各用戶在各統(tǒng)計時段內使用各應用所花費的流量。具體的，所述計算各用戶使用各種應用的流量值，包括所有用戶使用的所有應用，其中的流量值，為各用戶在所述預設的時長范圍內每天所使用的各應用的流量值的統(tǒng)計。如將一個月的統(tǒng)計時長按照5天為一個統(tǒng)計時段，可劃分為6個統(tǒng)計時段，但在實際中，由于各用戶使用應用屬于主觀的使用習慣，將其統(tǒng)計時段進行統(tǒng)一時段劃分的方法可能會使統(tǒng)計結果產生偏差，因此，本發(fā)明所采用的統(tǒng)計時段的劃分方法，是將各用戶按照所使用應用的時間分別進行劃分，防止將不同用戶行為按照統(tǒng)一標準進行考量。為方便后續(xù)對方案的詳細描述，舉例說明如下，預設統(tǒng)計時長為一個月，提取2015年1月份各用戶(只舉例3個用戶)使用各應用(只舉例2個應用)的上網記錄，計算得出各用戶使用各種應用的流量值和時間的統(tǒng)計如表1：用戶名稱應用名稱流量值(M)時間XXXX1優(yōu)酷22015-1-1XXXX1優(yōu)酷52015-1-4XXXX1優(yōu)酷62015-1-6XXXX1優(yōu)酷32015-1-13XXXX2淘寶22015-1-1XXXX2淘寶62015-1-3XXXX2淘寶12015-1-12XXXX2優(yōu)酷32015-1-20XXXX3淘寶62015-1-4XXXX3淘寶12015-1-6XXXX3淘寶32015-1-13表1在表1中，按照5天為一個統(tǒng)計時段的劃分標準，用戶1可以劃分為3個統(tǒng)計時段，用戶2劃分為4個統(tǒng)計時段，而用戶3劃分為3個統(tǒng)計時段。步驟S202，計算各用戶對應各統(tǒng)計時段的時間權重系數(shù)。具體的，所述計算各用戶對應各統(tǒng)計時段的時間權重系數(shù)中，所述時間權重系數(shù)fia(t)按照以下公式(1)計算：fia(t)=e[tiatiA-1];---(1)]]>其中，i為待推薦用戶為用戶i；tiA為用戶i劃分的時間段的數(shù)量；tia為用戶i在所述A個時間段內的第a個時段；即tia∈(1…tia…tiA)。則根據(jù)公式(1)的計算，用戶1的時間權重系數(shù)為0.51，0.72，1；用戶2的時間權重系數(shù)為0.47，0.60，0.78，1；用戶3的時間權重系數(shù)為0.51，0.72，1。步驟S203，確定與所述待推薦用戶使用相同應用j的各用戶q，根據(jù)所述流量和時間權重系數(shù)，計算各用戶q對各應用的興趣得分。具體的，首先確定一個待推薦用戶為用戶i，與待推薦用戶i使用相同應用j的各用戶q，才能用來計算與待推薦用戶i之間的相關度。否則，與待推薦用戶i所使用的應用完全不同，則其與待推薦用戶i完全不相關。具體的，計算用戶i使用應用j的興趣得分的公式為:rij=Σa∈Abia,jfia(t);---(4)]]>其中，bia為用戶i在第a個時段內使用應用j的流量值。舉例說明，根據(jù)公式(4)計算用戶1至3使用各應用的興趣得分：用戶1使用優(yōu)酷的興趣得分為：(2+5)*0.51+6*0.72+3*1＝10.89；用戶2使用淘寶的興趣得分為：(2+6)*0.47+1*0.78＝4.54；用戶2使用優(yōu)酷的興趣得分為：3*1＝3；用戶3使用淘寶的興趣得分為：6*0.51+1*0.72+3*1＝6.78。如統(tǒng)計的各用戶共為M個，各用戶所使用的各應用共為N個，則對各用戶使用各應用的興趣得分，可以用下面的矩陣表示：r11,r12,...,r1j,...,r1N...ri1,ri2,...,rij,...,riN...rM1,rM2,...,rMj,...,rMN]]>步驟S204，根據(jù)待推薦用戶使用應用j的興趣得分、待推薦用戶使用各應用的平均興趣得分、用戶q使用應用j的興趣得分、用戶q使用各應用的平均興趣得分，計算待推薦用戶與用戶q之間的相關度。具體的，采用Pearson相關系數(shù)公式，計算用戶i和用戶q之間的相關度，如公式(5)所示，sim(i,q)=Σj∈cn(ri,j-ri‾)(rq,j-rq‾)Σj∈cn(ri,j-ri‾)2Σj∈cn(rq,j-rq‾)2;---(5)]]>其中，q為與待推薦用戶i使用相同應用j的各用戶qQ為用戶q的集合，q∈Q；表示用戶i使用其所有應用的平均興趣得分；表示用戶q使用其所有應用的平均興趣得分；cn表示用戶i和用戶q共同使用的應用j的集合。步驟S205，根據(jù)所述待推薦用戶與所述各用戶q之間的相關度，確定待推薦用戶的相似用戶。具體的，將相關度的計算結果按照從大到小的順序進行排序后，可以根據(jù)預設的篩選規(guī)則，選擇相關程度最高的用戶作為待推薦用戶i的相似用戶v。可以理解的是，相似用戶v是用戶q中的部分或全部，上述公式(5)同樣適用于用戶i和用戶v之間的相似度的計算，即：sim(i,v)=Σj∈cn(ri,j-ri‾)(rv,j-rv‾)Σj∈cn(ri,j-ri‾)2Σj∈cn(rv,j-rv‾)2]]>本發(fā)明所提供的應用推薦方法，在確定相似用戶時便考慮了用戶使用興趣的變化，將用戶的不同時段賦予不同的時間權重系數(shù)，越早的時段權重系數(shù)越小，最近的時段權重系數(shù)最大，因此，當某個相似用戶近期不再使用某一個應用時，其根據(jù)時間權重和流量值計算得出的使用興趣會偏低，計算得出的所述相似用戶與待推薦用戶的相關度也會隨之降低，從而能夠找出與待推薦用戶具有相同的興趣變化的相似用戶，提高應用推薦的可用性。圖3為本發(fā)明提供的應用推薦裝置的結構示意圖，如圖3所示的應用推薦裝置包括：相似用戶模塊31，用于根據(jù)預設的時長范圍內各用戶的上網記錄，確定待推薦用戶和相似用戶，所述相似用戶為與待推薦用戶使用相同應用的用戶。粘合度新鮮度模塊32，用于確定相似用戶使用過但待推薦用戶未使用過的應用k，計算相似用戶對應用k的粘合度和新鮮度，所述粘合度為相似用戶在所述預設時長內第一次使用應用k與最后一次使用應用k的時間差，所述新鮮度為相似用戶在所述預設時長內最后一次使用應用k的時間與所述預設時長截止時間之間的時間差；具體用于計算粘合度fvk(t)，所述粘合度fvk(t)的計算公式為：fvk(t)=etvk1;---(2)]]>其中，v為相似用戶v；tvk1為相似用戶v最后一次訪問應用k的時間與第一次訪問應用k的時間差。具體用于計算新鮮度gvk(t)，所述新鮮度gvk(t)的計算公式為：gvk(t)=log12tvk2;---(3)]]>其中，v為相似用戶v；tvk2表示各相似用戶v中最近一次訪問應用k的時間差與當前時間的最小值。推薦模塊33，用于根據(jù)相似用戶對應用k的粘合度、新鮮度以及相似用戶與待推薦用戶之間的相關度，計算應用k的推薦指數(shù)；并用于根據(jù)所述應用k的推薦指數(shù)和預設的第一閾值，確定是否為待推薦用戶推薦所述應用k。本發(fā)明所提供的應用推薦裝置，能夠為待推薦用戶推薦可用度高的應用，具體的實現(xiàn)方式為，尋找與待推薦用戶有相同應用使用興趣的相似用戶，在相似用戶使用過而待推薦用戶沒有用過的應用中，尋找相似用戶粘合度高且新鮮度高的應用向待推薦用戶推薦，所述的粘合度為相似用戶使用所推薦應用的持續(xù)時間長、所述的新鮮度為相似用戶使用所推薦應用的最近一次時間距離推薦時間最近。本發(fā)明所提供的應用推薦方法，能夠避免將相似用戶最近不再使用的應用，或者使用頻率很低的應用推薦給待推薦用戶，從而提高所推薦應用的可用度。圖4為本發(fā)明提供的應用推薦裝置中相似用戶模塊的結構示意圖，如圖4所示的應用推薦裝置中相似用戶模塊包括：流量計算單元311，用于將所述預設時長劃分為至少兩個統(tǒng)計時段，計算各用戶在各統(tǒng)計時段內使用各應用所花費的流量。時間權重單元312，用于計算各用戶對應各統(tǒng)計時段的時間權重系數(shù)；具體用于計算所述時間權重系數(shù)，所述時間權重系數(shù)fia(t)按照以下公式(1)計算：fia(t)=e[tiatiA-1];---(1)]]>其中，i為待推薦用戶為用戶i；tiA為用戶i劃分的時間段的數(shù)量；tia為用戶i在所述A個時間段內的第a個時段；即tia∈(1…tia…tiA)。興趣得分單元313，用于確定與所述待推薦用戶使用相同應用j的各用戶q，根據(jù)所述流量和時間權重系數(shù)，計算各用戶q對各應用的興趣得分。相關度單元314，用于根據(jù)待推薦用戶使用應用j的興趣得分、待推薦用戶使用各應用的平均興趣得分、用戶q使用應用j的興趣得分、用戶q使用各應用的平均興趣得分，計算待推薦用戶與用戶q之間的相關度，并根據(jù)所述待推薦用戶與所述各用戶q之間的相關度，確定待推薦用戶的相似用戶。本發(fā)明所提供的相似用戶模塊，在確定相似用戶時便考慮了用戶使用興趣的變化，將用戶的不同時段賦予不同的時間權重系數(shù)，越早的時段權重系數(shù)越小，最近的時段權重系數(shù)最大，因此，當某個相似用戶近期不再使用某一個應用時，其根據(jù)時間權重和流量值計算得出的使用興趣會偏低，計算得出的所述相似用戶與待推薦用戶的相關度也會隨之降低，從而能夠找出與待推薦用戶具有相同的興趣變化的相似用戶，提高應用推薦的可用性。在本申請所提供的幾個實施例中，應該理解到，所揭露的方法、設備和系統(tǒng)，可以通過其它的方式實現(xiàn)。例如，以上所描述的設備實施例僅是是示意性的，所述功能模塊的劃分，僅為一種邏輯功能的劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個模塊可以結合或者可以集成到另一個系統(tǒng)，或者一些特征可以忽略，或不執(zhí)行。最后應說明的是：以上實施例僅用以說明本發(fā)明的技術方案，而非對其限制；盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發(fā)明各實施例技術方案的精神和范圍。當前第1頁1 2 3