本文件屬于數(shù)據(jù)處理，具體涉及一種信息推薦的方法、裝置及電子設(shè)備。

背景技術(shù)：

1、隨著手機(jī)移動(dòng)端應(yīng)用的普及，登錄和注冊(cè)移動(dòng)端應(yīng)用軟件(app)成為互聯(lián)網(wǎng)網(wǎng)民日常生活中頻率較高的事情。通過(guò)移動(dòng)認(rèn)證的軟件開(kāi)發(fā)工具包(software?developmentkit，sdk)能力應(yīng)用平臺(tái)，可以獲取用戶手機(jī)側(cè)的號(hào)碼，實(shí)現(xiàn)一鍵登錄和注冊(cè)的相關(guān)功能。市場(chǎng)上的app應(yīng)用只需接入移動(dòng)認(rèn)證一鍵登錄能力，就能方便快捷的實(shí)現(xiàn)用戶登錄和注冊(cè)；移動(dòng)認(rèn)證應(yīng)用能力經(jīng)過(guò)多年的推廣普及，得到了億萬(wàn)級(jí)別手機(jī)運(yùn)營(yíng)商用戶的使用。

2、在億萬(wàn)級(jí)用戶登錄和注冊(cè)的過(guò)程中，移動(dòng)認(rèn)證號(hào)碼庫(kù)會(huì)對(duì)日志(包含移動(dòng)認(rèn)證能力登錄app使用用戶的相關(guān)信息等)流水進(jìn)行存儲(chǔ)。隨著時(shí)間推移，手機(jī)認(rèn)證號(hào)碼庫(kù)中會(huì)積累大量用戶數(shù)據(jù)。在不侵犯用戶隱私的基礎(chǔ)上，可以通過(guò)獲取用戶使用app應(yīng)用的頻率次數(shù)等信息，給用戶推送相關(guān)的營(yíng)銷服務(wù)信息。然而在這個(gè)過(guò)程中，單純依靠用戶的登錄頻率等去區(qū)分用戶的行為，并不能準(zhǔn)確識(shí)別用戶的真正行為特征，存在一定的誤差識(shí)別。因此，需要提供一種更優(yōu)的信息推薦方案，以實(shí)現(xiàn)推動(dòng)營(yíng)銷的目的。

技術(shù)實(shí)現(xiàn)思路

1、本說(shuō)明書(shū)實(shí)施例提供一種信息推薦的方法、裝置及電子設(shè)備，以提供一種信息推薦的方案。

2、第一方面，本說(shuō)明書(shū)實(shí)施例提供了一種信息推薦的方法，該方法包括：獲取包含在預(yù)設(shè)時(shí)間段內(nèi)不同用戶登錄多個(gè)應(yīng)用的相關(guān)信息的數(shù)據(jù)集，所述相關(guān)信息至少包括用戶登錄應(yīng)用的次數(shù)信息；根據(jù)所述數(shù)據(jù)集中用戶對(duì)應(yīng)的相關(guān)信息，生成多個(gè)數(shù)據(jù)模型，同一所述數(shù)據(jù)模型中應(yīng)用的類型相同；根據(jù)從所述數(shù)據(jù)模型中相關(guān)信息確定的特征數(shù)據(jù)的分布狀況，確定對(duì)k-means聚類分析方法中用戶與各個(gè)聚類簇的簇心之間的距離進(jìn)行調(diào)整的調(diào)整策略，并使用所述調(diào)整策略對(duì)k-means聚類分析方法進(jìn)行調(diào)整；基于調(diào)整后的k-means聚類分析方法，對(duì)于每個(gè)所述數(shù)據(jù)模型，根據(jù)用戶與各個(gè)簇心之間的距離，將所述數(shù)據(jù)模型中涉及的用戶劃分為k個(gè)聚類簇；向所述數(shù)據(jù)集中涉及的用戶發(fā)送與用戶所屬的聚類簇匹配的推薦信息。

3、第二方面，本說(shuō)明書(shū)實(shí)施例提供了一種信息推薦的裝置，包括：數(shù)據(jù)獲取模塊，用于獲取包含在預(yù)設(shè)時(shí)間段內(nèi)不同用戶登錄多個(gè)應(yīng)用的相關(guān)信息的數(shù)據(jù)集，所述相關(guān)信息至少包括用戶登錄應(yīng)用的次數(shù)信息；數(shù)據(jù)模型模塊，用于根據(jù)所述數(shù)據(jù)集中用戶對(duì)應(yīng)的相關(guān)信息，生成多個(gè)數(shù)據(jù)模型，同一所述數(shù)據(jù)模型中應(yīng)用的類型相同；策略調(diào)整模塊，用于根據(jù)從所述數(shù)據(jù)模型中相關(guān)信息確定的特征數(shù)據(jù)的分布狀況，確定對(duì)k-means聚類分析方法中用戶與各個(gè)聚類簇的簇心之間的距離進(jìn)行調(diào)整的調(diào)整策略，并使用所述調(diào)整策略對(duì)k-means聚類分析方法進(jìn)行調(diào)整；用戶聚類模塊，用于基于調(diào)整后的k-means聚類分析方法，對(duì)于每個(gè)所述數(shù)據(jù)模型，根據(jù)用戶與各個(gè)簇心之間的距離，將所述數(shù)據(jù)模型中涉及的用戶劃分為k個(gè)聚類簇；信息推薦模塊，用于向所述數(shù)據(jù)集中涉及的用戶發(fā)送與用戶所屬的聚類簇匹配的推薦信息。

4、第三方面，本說(shuō)明書(shū)實(shí)施例提供了一種電子設(shè)備，該電子設(shè)備包括：處理器，以及被安排成存儲(chǔ)計(jì)算機(jī)可執(zhí)行指令的存儲(chǔ)器，在所述可執(zhí)行指令被執(zhí)行時(shí)，能夠使得所述處理器：獲取包含在預(yù)設(shè)時(shí)間段內(nèi)不同用戶登錄多個(gè)應(yīng)用的相關(guān)信息的數(shù)據(jù)集，所述相關(guān)信息至少包括用戶登錄應(yīng)用的次數(shù)信息；根據(jù)所述數(shù)據(jù)集中用戶對(duì)應(yīng)的相關(guān)信息，生成多個(gè)數(shù)據(jù)模型，同一所述數(shù)據(jù)模型中應(yīng)用的類型相同；根據(jù)從所述數(shù)據(jù)模型中相關(guān)信息確定的特征數(shù)據(jù)的分布狀況，確定對(duì)k-means聚類分析方法中用戶與各個(gè)聚類簇的簇心之間的距離進(jìn)行調(diào)整的調(diào)整策略，并使用所述調(diào)整策略對(duì)k-means聚類分析方法進(jìn)行調(diào)整；基于調(diào)整后的k-means聚類分析方法，對(duì)于每個(gè)所述數(shù)據(jù)模型，根據(jù)用戶與各個(gè)簇心之間的距離，將所述數(shù)據(jù)模型中涉及的用戶劃分為k個(gè)聚類簇；向所述數(shù)據(jù)集中涉及的用戶發(fā)送與用戶所屬的聚類簇匹配的推薦信息。

5、第四方面，本說(shuō)明書(shū)實(shí)施例提供一種存儲(chǔ)介質(zhì)，用于存儲(chǔ)計(jì)算機(jī)程序，所述計(jì)算機(jī)程序能夠被處理器執(zhí)行以實(shí)現(xiàn)以下流程：獲取包含在預(yù)設(shè)時(shí)間段內(nèi)不同用戶登錄多個(gè)應(yīng)用的相關(guān)信息的數(shù)據(jù)集，所述相關(guān)信息至少包括用戶登錄應(yīng)用的次數(shù)信息；根據(jù)所述數(shù)據(jù)集中用戶對(duì)應(yīng)的相關(guān)信息，生成多個(gè)數(shù)據(jù)模型，同一所述數(shù)據(jù)模型中應(yīng)用的類型相同；根據(jù)從所述數(shù)據(jù)模型中相關(guān)信息確定的特征數(shù)據(jù)的分布狀況，確定對(duì)k-means聚類分析方法中用戶與各個(gè)聚類簇的簇心之間的距離進(jìn)行調(diào)整的調(diào)整策略，并使用所述調(diào)整策略對(duì)k-means聚類分析方法進(jìn)行調(diào)整；基于調(diào)整后的k-means聚類分析方法，對(duì)于每個(gè)所述數(shù)據(jù)模型，根據(jù)用戶與各個(gè)簇心之間的距離，將所述數(shù)據(jù)模型中涉及的用戶劃分為k個(gè)聚類簇；向所述數(shù)據(jù)集中涉及的用戶發(fā)送與用戶所屬的聚類簇匹配的推薦信息。

6、第五方面，本說(shuō)明書(shū)實(shí)施例提供一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)以下流程：獲取包含在預(yù)設(shè)時(shí)間段內(nèi)不同用戶登錄多個(gè)應(yīng)用的相關(guān)信息的數(shù)據(jù)集，所述相關(guān)信息至少包括用戶登錄應(yīng)用的次數(shù)信息；根據(jù)所述數(shù)據(jù)集中用戶對(duì)應(yīng)的相關(guān)信息，生成多個(gè)數(shù)據(jù)模型，同一所述數(shù)據(jù)模型中應(yīng)用的類型相同；根據(jù)從所述數(shù)據(jù)模型中相關(guān)信息確定的特征數(shù)據(jù)的分布狀況，確定對(duì)k-means聚類分析方法中用戶與各個(gè)聚類簇的簇心之間的距離進(jìn)行調(diào)整的調(diào)整策略，并使用所述調(diào)整策略對(duì)k-means聚類分析方法進(jìn)行調(diào)整；基于調(diào)整后的k-means聚類分析方法，對(duì)于每個(gè)所述數(shù)據(jù)模型，根據(jù)用戶與各個(gè)簇心之間的距離，將所述數(shù)據(jù)模型中涉及的用戶劃分為k個(gè)聚類簇；向所述數(shù)據(jù)集中涉及的用戶發(fā)送與用戶所屬的聚類簇匹配的推薦信息。

7、在本說(shuō)明書(shū)實(shí)施例中，根據(jù)獲取到的數(shù)據(jù)集中的相關(guān)信息，生成多個(gè)數(shù)據(jù)模型，進(jìn)而根據(jù)數(shù)據(jù)模型對(duì)應(yīng)的特征數(shù)據(jù)的分布狀況，確定對(duì)k-means聚類分析方法的調(diào)整策略，使用調(diào)整后的k-means聚類分析方法對(duì)數(shù)據(jù)模型進(jìn)行劃分，并根據(jù)用戶所屬的聚類簇，確定向用戶發(fā)送的推薦信息。該過(guò)程結(jié)合移動(dòng)終端用戶使用應(yīng)用的場(chǎng)景，基于數(shù)據(jù)模型對(duì)應(yīng)的特征數(shù)據(jù)的分布狀況對(duì)k-means聚類分析方法進(jìn)行調(diào)整，有助于克服特征數(shù)據(jù)的分布不均帶來(lái)的聚類算法的缺點(diǎn)，使得聚類結(jié)果更加科學(xué)合理，進(jìn)而方便智能推薦營(yíng)銷。

技術(shù)特征：

1.一種信息推薦的方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述分布狀況包括不同類型的應(yīng)用的應(yīng)用數(shù)量的分布狀況，所述根據(jù)從所述數(shù)據(jù)模型中相關(guān)信息確定的特征數(shù)據(jù)的分布狀況，確定對(duì)k-means聚類分析方法中用戶與各個(gè)聚類簇的簇心之間的距離進(jìn)行調(diào)整的調(diào)整策略，包括：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述在任意兩個(gè)類型的應(yīng)用所對(duì)應(yīng)的應(yīng)用數(shù)量之間的差距超過(guò)第一閾值的情況下，根據(jù)所述數(shù)據(jù)集中各個(gè)類型的應(yīng)用所對(duì)應(yīng)的應(yīng)用數(shù)量，確定各個(gè)類型的應(yīng)用的類型權(quán)重系數(shù)，包括：

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述分布狀況包括不同類型的應(yīng)用的登錄次數(shù)的分布狀況，所述根據(jù)從所述數(shù)據(jù)模型中相關(guān)信息確定的特征數(shù)據(jù)的分布狀況，確定對(duì)k-means聚類分析方法中用戶與各個(gè)聚類簇的簇心之間的距離進(jìn)行調(diào)整的調(diào)整策略，包括：

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述在所述用戶在相鄰兩個(gè)時(shí)間段內(nèi)使用同一類型的應(yīng)用的次數(shù)之間的差距超過(guò)第二閾值的情況下，根據(jù)相鄰兩個(gè)時(shí)間段中前一時(shí)間段內(nèi)各個(gè)類型的應(yīng)用所對(duì)應(yīng)的登錄次數(shù)，確定時(shí)間權(quán)重系數(shù)，包括：

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于調(diào)整后的k-means聚類分析方法，對(duì)于每個(gè)所述數(shù)據(jù)模型，根據(jù)用戶與各個(gè)簇心之間的距離，將所述數(shù)據(jù)模型中涉及的用戶劃分為k個(gè)聚類簇，包括：

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述針對(duì)每個(gè)所述數(shù)據(jù)模型，基于調(diào)整后的k-means聚類分析方法，根據(jù)用戶與各個(gè)修正后的簇心之間的距離，將所述數(shù)據(jù)模型中涉及的用戶劃分為k個(gè)聚類簇，包括：

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述數(shù)據(jù)集中用戶對(duì)應(yīng)的相關(guān)信息，生成多個(gè)數(shù)據(jù)模型，包括：

9.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取包含在預(yù)設(shè)時(shí)間段內(nèi)不同用戶登錄多個(gè)應(yīng)用的相關(guān)信息的數(shù)據(jù)集，包括：

10.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述相關(guān)信息包括所述用戶的位置信息，所述向所述數(shù)據(jù)集中涉及的用戶發(fā)送與用戶所屬的聚類簇匹配的推薦信息，包括：

技術(shù)總結(jié)
本說(shuō)明書(shū)實(shí)施例公開(kāi)了一種信息推薦的方法、裝置及電子設(shè)備。所述信息推薦的方法包括：獲取包含在預(yù)設(shè)時(shí)間段內(nèi)不同用戶登錄多個(gè)應(yīng)用的相關(guān)信息的數(shù)據(jù)集；根據(jù)所述數(shù)據(jù)集中用戶對(duì)應(yīng)的相關(guān)信息，生成多個(gè)數(shù)據(jù)模型，同一所述數(shù)據(jù)模型中應(yīng)用的類型相同；根據(jù)從所述數(shù)據(jù)模型中相關(guān)信息確定的特征數(shù)據(jù)的分布狀況，確定對(duì)k?means聚類分析方法中用戶與各個(gè)聚類簇的簇心之間的距離進(jìn)行調(diào)整的調(diào)整策略，并使用所述調(diào)整策略對(duì)k?means聚類分析方法進(jìn)行調(diào)整；基于調(diào)整后的k?means聚類分析方法，對(duì)于每個(gè)所述數(shù)據(jù)模型，根據(jù)用戶與各個(gè)簇心之間的距離，將所述數(shù)據(jù)模型中涉及的用戶劃分為k個(gè)聚類簇；向所述數(shù)據(jù)集中涉及的用戶發(fā)送與用戶所屬的聚類簇匹配的推薦信息。

技術(shù)研發(fā)人員：陳海強(qiáng),邱浚漾,賴燕燕,劉希宙,付利青,李穎,陳思燕
受保護(hù)的技術(shù)使用者：中移互聯(lián)網(wǎng)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9