[发明专利]一种基于分层嵌入的个性化APP推荐方法

说明书

本发明公开了一种基于分层嵌入的个性化APP推荐方法，主要采用用户细粒度分层、APP细粒度分层、用户‑APP层间匹配等策略，来提升APP推荐的效率和准确性，给用户推荐最符合其个性化需求的APP。细粒度分层策略可以缩小用户群组大小和感兴趣APP的范围，因此能够更高效准确地预测用户的需求和进行个性化推荐；另外，分层信息相对稳定，适用于数据动态更新的APP推荐场景。本专利成果能够为智能手机用户提供良好的用户体验；为APP应用市场提升服务效率和质量；为APP开发者更快更好地推广自己的APP提供方便。

技术领域

本发明涉及一种基于分层嵌入的个性化APP推荐方法，属于软件技术领域。

背景内容

现有的APP服务提供平台如安卓的应用市场和苹果的App Store，能够根据用户搜索关键词来返回相关APP，但是这些都是基于传统的协同过滤方法进行的推荐，而不是提供的用户个性化推荐。现有的APP推荐主要根据用户的操作记录和日志文件进行推荐，所推荐的是使用用户比较多或者推广度比较高的APP。未考虑个体用户和APP应用的类别以及用户输入的关键词的个性化匹配程度，大部分推荐结果不够准确，推荐效率较低。而另一方面，复杂的推荐策略很难在计算能力有限的移动设备上推广。因此，迫切需要一种轻量级的智能手机APP推荐策略。

名词解释：层级匹配的特征：即用户和app的具体匹配关系。

发明内容

本发明克服现有技术存在的不足，本发明公开了一种基于分层嵌入的个性化APP推荐方法。本发明采用用户细粒度分层、APP细粒度分层、用户-APP层级匹配、分层嵌入等策略，来提升APP推荐的效率和准确性，通过提高推荐质量，给用户推荐最符合其个性化需求的APP。

为解决上述技术问题，本发明所采用的技术方案为：

一种基于分层嵌入的个性化APP推荐方法，其特征在于，包括如下步骤：

步骤一：获得用户数据和APP数据；

步骤二、进行层次划分：根据用户数据和APP数据的属性特征分别确定用户和APP各自的层次关系；逐层细化，划分层级，并确定各自层与层之间的关联关系；

步骤三：进行用户-APP特征层级匹配和择优选取：根据用户和APP的属性特征以及步骤二所得的层次关系，进行用户-APP层级匹配，并从用户数据和APP数据中获取每一个用户-APP层级匹配的初始匹配特征，建立用户-APP评分预测模型，使用机器学习模型对层级匹配的初始特征进行训练，根据模型预测的结果，选择层级匹配的关联性大于设定阈值的层级匹配特征加入到特征列表；

Score_List＝ML_predict(X₁,X₂…X_N)

Score_List代表的是对用户-APP层级匹配的特征的打分列表，ML_predict代表的是在实验中采用的机器学习预测模型，X代表的是层级匹配中的特征，N代表的是层级匹配中特征的个数；

q＝{M₁,M₂…M_n}

q代表的是通过机器学习评分预测模型获得打分高于设定阈值的层级匹配中的特征集合即特征列表；M代表打分高于设定阈值的层级匹配中的特征，n代表特征的个数；

步骤四：嵌入查询的实现：包括如下步骤：

一)、用户的查询关键词与步骤三层级匹配得到特征列表中的匹配特征进行匹配，选出与用户查询关键词匹配度高于阈值的多个用户-APP层级，并与步骤三中层级匹配获得的层级的打分相结合得到筛选值，选出对应层级中的特征和APP编号，从而选出筛选值较高的前a名层级中的APP作为层级匹配关键特征；

二)嵌入查询，具体实现如下：