本技術(shù)涉及智能終端，特別涉及一種應用推薦方法、介質(zhì)和電子設(shè)備。

背景技術(shù)：

1、隨著手機中安裝的應用程序(application，app)越來越多，大部分手機都會向用戶提供app建議，以向用戶推薦app。而當前app建議大多采用最近熱門app、最近高頻app進行融合打分來為用戶推薦app。具體地，手機通過顯示app建議卡片例如yoyo建議tm卡片來為用戶推薦app。參照圖1所示，為手機顯示的yoyo建議tm卡片的一種示例，該yoyo建議tm卡片中包含抖音tm、淘寶tm和支付寶tm的圖標，其中抖音tm為最近熱門app且淘寶tm和支付寶tm為最近高頻app。此時，用戶可以點擊yoyo建議tm卡片中的某個app的圖標來打開該app。

2、然而，目前的app建議方案所推薦的app缺乏個性化，導致手機推薦的app可能不是用戶實際需求使用的app。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例提供了一種應用推薦方法、介質(zhì)和電子設(shè)備，通過在某個推薦因素下使用電子設(shè)備時不向用戶推薦該推薦因素下用戶不感興趣的應用，可以提升應用推薦的準確性和個性化。

2、第一方面，本技術(shù)實施例提供了一種應用推薦方法，應用于電子設(shè)備，方法包括：確定電子設(shè)備進入與第一推薦因素對應的第一圍欄；從對應于第一推薦因素的x個待推薦應用中，刪除興趣值小于興趣值閾值的待推薦應用，得到y(tǒng)個待推薦應用；向用戶推薦y個待推薦應用，y小于x；其中，興趣值是基于在第一歷史時間段內(nèi)應用在第一推薦因素下的次數(shù)概率，和在第一歷史時間段內(nèi)應用在第一推薦因素下的天數(shù)概率確定的。

3、其中，對應于第一推薦因素的x個待推薦應用，可以為根據(jù)第一歷史時間段內(nèi)的歷史數(shù)據(jù)確定出的第一推薦因素下用戶偏好使用的應用，即用戶在該推薦因素下使用概率較高的應用。各個推薦因素下用戶不感興趣的app，例如，在不同場景下、或者不同時間段內(nèi)用戶通常不會點擊使用的app。從而，在識別到用戶觸發(fā)某個推薦因素時，將不會為用戶推薦該推薦因素下用戶不感興趣的app。如此，本技術(shù)中app建議綜合考慮某個場景或某個時間段下各個app的出現(xiàn)次數(shù)和出現(xiàn)天次，可以在不同場景下為用戶精準推薦其可能使用的app，方便用戶快速使用需求的app，極大提升了用戶體驗。

4、在一種可能的實現(xiàn)方式中，應用在第一推薦因素下的興趣值采用以下方式計算：獲取m個應用中各應用在第一歷史時間段內(nèi)的次數(shù)概率與天數(shù)概率相乘后的第一數(shù)值；將m個應用的m個第一數(shù)值作進行歸一化處理，得到各應用在第一推薦因素下的興趣值。例如，應用在第一推薦因素下的興趣值可以通過計算like_prob(app|s)＝normalize(tf(app|s)*df(app|s))得到。其中，like_prob(app|s)表示興趣值，normalize()表示歸一化處理，tf(app|s)表示次數(shù)概率，df(app|s)表示天數(shù)概率。如此，使得興趣值的取值不僅取決于各個應用的次數(shù)概率還取決于各個應用的天數(shù)概率，能夠篩選出某個推薦因素下用戶使用次數(shù)較少且出現(xiàn)天數(shù)較少的應用，從而將這些應用作為該推薦因素下用戶不感興趣的應用。

5、在一種可能的實現(xiàn)方式中，第一推薦因素包括以下至少一項：地理因素、設(shè)備使用因素，設(shè)備使用因素用于指示電子設(shè)備連接的外部設(shè)備。

6、在一種可能的實現(xiàn)方式中，次數(shù)概率通過以下方式計算：計算tf(app|s)＝count(app|s)/count(app)；其中，tf(app|s)表示在第一歷史時間段內(nèi)應用在第一推薦因素下的次數(shù)概率，count(app|s)表示第一歷史時間段內(nèi)應用在第一推薦因素下的使用次數(shù)，count(app)表示第一歷史時間段內(nèi)應用在多種推薦因素下的使用次數(shù)。

7、在一種可能的實現(xiàn)方式中，天數(shù)概率通過以下方式計算：計算df(app|s)＝count(app|s,day)/count(day)，其中，df(app|s)表示在第一歷史時間段內(nèi)應用在第一推薦因素下的天數(shù)概率，count(app|s,day)表示在第一歷史時間段內(nèi)應用在第一推薦因素下的使用天數(shù)，count(day)表示在第一歷史時間段內(nèi)應用在多種推薦因素下的使用天數(shù)。

8、在一種可能的實現(xiàn)方式中，第一推薦因素包括時間因素，且第一推薦因素所在的時間因素對應于一天內(nèi)的第一時間段。例如，第一時間段可以為每天的8點至9點內(nèi)的時間段。此時，第一推薦因素是按照每天的每個小時劃分的。

9、在一種可能的實現(xiàn)方式中，次數(shù)概率通過以下方式計算：計算tf′(app|s)＝avg(tft-1,tft,tft+1)，其中，tf′(app|s)表示在第一歷史時間段內(nèi)應用在第一推薦因素下的次數(shù)概率，tft-1表示在第一歷史時間段內(nèi)應用在與第一時間段之前且相鄰的第二時間段內(nèi)的使用次數(shù)，tft表示在第一歷史時間段內(nèi)應用在與第一時間段內(nèi)的使用次數(shù)，tft+1表示在第一歷史時間段內(nèi)應用在第一時間段之后且相鄰的第三時間段內(nèi)的使用次數(shù)；avg()表示求平均值運算，并且第一時間段、第二時間段和第三時間段的時長均相同。例如，第一時間段可以為每天的8點至9點內(nèi)的時間段。第一推薦因素是按照每天的每個小時劃分的，而用戶在每天7點至8點、8點至9點以及9點至10點內(nèi)通常是連續(xù)使用應用，即這幾個以小時為單位的時間段的時間是連續(xù)的。因此，可以對每天的8點至9點對應的第一推薦因素下各個應用的次數(shù)概率進行時間平滑處理。

10、在一種可能的實現(xiàn)方式中，天數(shù)概率通過以下方式計算：計算df′(app|s)＝avg(dft-1,dft,dft+1)，其中，df′(app|s)表示表示在第一歷史時間段內(nèi)應用在第一推薦因素下的天數(shù)概率，dft-1表示在第一歷史時間段內(nèi)應用在與第一時間段之前且相鄰的第二時間段內(nèi)的使用天數(shù)，dft表示在第一歷史時間段內(nèi)應用在與第一時間段內(nèi)的使用天數(shù)，dft+1表示在第一歷史時間段內(nèi)應用在第一時間段之后且相鄰的第三時間段內(nèi)的使用天數(shù)；avg()表示求平均值運算，并且第一時間段、第二時間段和第三時間段的時長均相同。因此，可以對每天的8點至9點對應的第一推薦因素下各個應用的天數(shù)概率進行時間平滑處理。

11、在一種可能的實現(xiàn)方式中，方法還包括：確定在第一歷史時間段內(nèi)第一推薦因素的出現(xiàn)天數(shù)大于第一天數(shù)?？梢岳斫猓娮釉O(shè)備可以濾除出現(xiàn)天數(shù)小于或等于第一天數(shù)(如1天)的推薦因素下的歷史數(shù)據(jù)。而第一歷史時間段內(nèi)出現(xiàn)天數(shù)小于或等于第一天數(shù)推薦因素下通常為用戶偶爾使用的應用，不能反映用戶在各個推薦因素下的應用使用偏好。

12、在一種可能的實現(xiàn)方式中，x個待推薦應用在第一推薦因素下的提升度大于提升度閾值；應用的在第一推薦因素下的提升度采用下述方式計算得到：計算p＝count(app|s)/count(s)，其中，p為在第一歷史時間段內(nèi)應用在第一推薦因素下的使用概率，count(app|s)表示在第一歷史時間段內(nèi)應用在第一推薦因素下的使用次數(shù)，count(s)表示在第一歷史時間段內(nèi)在第一推薦因素多個應用的使用次數(shù)；計算其中，willsonctr(app|s)表示在第一歷史時間段內(nèi)的應用在第一推薦因素下修正后的使用概率，n為在第一歷史時間段內(nèi)在第一推薦因素多個應用的使用次數(shù)，z為常數(shù)；計算其中，表示應用在第一推薦因素下的提升度，p(app|all)表示在第一歷史時間段內(nèi)的應用在多個推薦因素下的使用次數(shù)與在第一歷史時間段內(nèi)多個推薦因素下的多個應用的使用次數(shù)的比值?？梢岳斫猓ǔ颖緮?shù)n的數(shù)值越小，修正得到的概率越小，樣本數(shù)n越大修正得到的概率越大，有利于提升后續(xù)提升度計算的準確性。

13、在一種可能的實現(xiàn)方式中，x個待推薦應用在第一推薦因素下的加權(quán)概率大于加權(quán)概率閾值；并且，應用在第一推薦因素下的加權(quán)概率通過以下方式計算：計算p(app|s)＝count(app|s)/count(s)，其中，p(app|s)為在第一歷史時間段內(nèi)應用在第一推薦因素下的使用概率，count(app|s)表示在第一歷史時間段內(nèi)應用在第一推薦因素下的使用次數(shù)，count(s)表示在第一歷史時間段內(nèi)在第一推薦因素多個應用的使用次數(shù)；計算p(app|days)＝count(app|s,day)/count(s,day)，其中p(app|days)表示應用在第一推薦因素下的使用天數(shù)的概率，count(app|s,day)表示在第一歷史時間段內(nèi)應用在第一推薦因素下的使用天數(shù)，count(s,day)表示在第一歷史時間段內(nèi)在第一推薦因素下多個應用的使用天數(shù)；計算weight_p(app|s)＝normalize(p(app|s)*p(app|days))，其中，weight_p(app|s)表示應用在第一推薦因素下的加權(quán)概率，normalize()表示歸一化處理。如此，本技術(shù)中各個app在各個推薦因素下的加權(quán)概率weight_p(app|s)不僅考慮app的點擊次數(shù)，還考慮app的使用天數(shù)，因此如果一個app的使用次數(shù)較大但是使用天數(shù)較小，將導致對應的weight_p(app|s)的數(shù)值變小，將使得該app的加權(quán)概率。例如，某些app在某一天內(nèi)連續(xù)多次點擊，但是在一個月內(nèi)的其他日期內(nèi)未被點擊，說明該app的相關(guān)數(shù)據(jù)為極端數(shù)據(jù)并能作為判斷用戶偏好app的依據(jù)。那么，這類app的極端數(shù)據(jù)計算出的加權(quán)概率較小，使得這類app不會被判斷為用戶偏好的app，相當于剔除了這類app的極端數(shù)據(jù)。

14、在一種可能的實現(xiàn)方式中，x個待推薦應用在第一推薦因素下的第一置信度大于第一置信度閾值；應用在第一推薦因素下的第一置信度通過以下方式計算：按照第一推薦因素下的多個應用的加權(quán)概率從小到大進行排序，多個應用包含應用；計算第一推薦因素下應用在多個應用中的排位，與電子設(shè)備中的應用的總數(shù)的比值，將比值作為應用在第一推薦因素下的第一置信度。

15、在一種可能的實現(xiàn)方式中，向用戶推薦y個待推薦應用，包括：在電子設(shè)備進入第一圍欄后的第四時間段內(nèi)，向用戶推薦x個待推薦應用中的第一應用；在電子設(shè)備進入第一圍欄后的第四時間段后，顯示為用戶推薦的x個待推薦應用中的第二應用。

16、在一種可能的實現(xiàn)方式中，第一應用在第一推薦因素下的偏好概率大于偏好概率閾值；并且，應用在第一推薦因素下的偏好概率通過以下方式計算：計算p＝count(app|s)/count(s)，其中，p為在第一歷史時間段內(nèi)應用在第一推薦因素下的使用概率，count(app|s)表示在第一歷史時間段內(nèi)應用在第一推薦因素下的使用次數(shù)，count(s)表示在第一歷史時間段內(nèi)在第一推薦因素多個應用的使用次數(shù)；

17、計算其中，willsonctr(app|s)表示在第一歷史時間段內(nèi)的應用在第一推薦因素下修正后的使用概率，n為在第一歷史時間段內(nèi)在第一推薦因素多個應用的使用次數(shù)，z為常數(shù)；

18、計算其中，表示應用在第一推薦因素下的提升度，p(app|all)表示在第一歷史時間段內(nèi)的應用在多個推薦因素下的使用次數(shù)與在第一歷史時間段內(nèi)多個推薦因素下的多個應用的使用次數(shù)的比值；

19、獲取與第一推薦因素對應的多個應用序列，每個應用序列中包括在第一歷史時間段內(nèi)每次進入第一推薦因素后的第四時間段內(nèi)使用的應用，或者每個應用序列中包括在第一歷史時間段內(nèi)每次進入第一推薦因素后使用的前n個應用，n為正整數(shù)；

20、計算topkprop(app|s)＝count(s|app?in?topn)/m(s)，其中，topkprop(app|s)表示在第一歷史時間段內(nèi)應用在與第一推薦因素對應的多個應用序列中的命中概率，count(s|app?in?topn)表示應用在與第一推薦因素對應的多個應用序列中的出現(xiàn)次數(shù)，m(s)表示與第一推薦因素對應的多個應用序列的數(shù)量；

21、計算hitprop(app|s)＝exp(lift-0.5)*topkprop(app|s)，其中，lift表示應用在第一推薦因素下的提升度，exp()表示指數(shù)運算。如此，本技術(shù)可以通過歷史時間段內(nèi)的數(shù)據(jù)估計出電子設(shè)備觸發(fā)各個推薦因素時的偏好app，從而在后續(xù)用戶使用電子設(shè)備進入各個推薦因素對應的圍欄時，如進入該圍欄后的前5分鐘內(nèi)，可以精準地為用戶推薦用戶需求使用的app，以方便用戶快速使用這些app。

22、在一種可能的實現(xiàn)方式中，第一應用在第一推薦因素下的第二置信度大于第二置信度閾值；應用在第一推薦因素下的第二置信度通過以下方式計算：按照第一推薦因素下的多個應用的偏好概率從小到大進行排序，多個應用包含應用；計算第一推薦因素下應用在多個應用中的排位，與電子設(shè)備中的應用的總數(shù)的比值，將比值作為應用在第一推薦因素下的第二置信度。如此，可以通過第二置信度的數(shù)值篩選出各個推薦因素下用戶偏好使用的app。

23、在一種可能的實現(xiàn)方式中，第二應用的提升度大于提升度閾值。例如，在用戶進入第一圍欄的5分鐘之后，推薦給用戶的第二應用是基于提升度篩選出的。

24、在一種可能的實現(xiàn)方式中，為用戶推薦的與第一推薦因素對應的y個待推薦應用顯示在電子設(shè)備的應用建議卡片(如yoyo建議tm)中。

25、第二方面，本技術(shù)實施例提供了一種可讀介質(zhì)，可讀介質(zhì)上存儲有指令，指令在電子設(shè)備上執(zhí)行時使電子設(shè)備執(zhí)行第一方面及其任一種可能的實現(xiàn)方式中的應用推薦方法。

26、第三方面，本技術(shù)實施例提供了一種電子設(shè)備，包括：存儲器，用于存儲由電子設(shè)備的一個或多個處理器執(zhí)行的指令，以及處理器，是電子設(shè)備的處理器之一，用于執(zhí)行第一方面及其任一種可能的實現(xiàn)方式中的應用推薦方法。