[发明专利]一种融合多源可靠信息的移动应用推荐方法及装置

说明书

本发明涉及推荐领域，具体涉及一种融合多源可靠信息的移动应用推荐方法及装置，方法包括获取移动应用样本及其对应的扩展数据；提取应用样本各界面的函数信息、权限信息和上下文文本信息，输入子功能分类器得到子功能分类，结合用户使用该类应用的时间信息和位置信息得到用户对该应用的偏好值；获取应用的流行度信息，通过可靠性分类器获取各个流行度数据的可靠性，计算应用的流行度；综合用户对应用的偏好值和应用的流行度向用户推荐应用；本发明通过提取应用包含的各类子功能，解决情境信息不全面且粗粒度的问题，提升应用推荐的准度和精度；通过提取跨市场级别的特征，更全面发现应用的虚假流行度数据，降低虚假数据对于推荐模型的影响。

技术领域

本发明涉及推荐领域，具体涉及一种融合多源可靠信息的移动应用推荐方法及装置。

背景技术

目前，国内外相关学者在移动应用推荐领域做了大量的研究，提出了一些有效的推荐模型。模型从推荐方法角度上主要分为：基于协同过滤的推荐模型、基于交互信息的推荐模型和基于扩展信息的推荐模型。

协同过滤是推荐系统中较为传统的一种方法，在商品推荐、视频推荐等领域均有广泛的应用。因此，部分学者直接将该思想移植到移动应用推荐系统中。协同过滤主要基于具有相似物品经验的用户通常具有相似的偏好这一假设，通过计算用户与物品之间的相似度，来进行物品推荐。在移动应用推荐中，已有的研究对偏好相同的用户的识别主要包括：计算用户使用的移动应用间的语义关系相似度、挖掘用户使用应用日志的相似度、分析用户评论内容的相似度、分析用户功能需求或安全需求的相似度等。

基于交互信息的推荐模型通常利用的是移动用户与应用在交互过程中产生的丰富的信息，包括用户使用应用的时间信息、位置信息等，相关交互信息也可以理解为用户的情境日志，通过矩阵分解模型、语义模型或深度学习模型建立用户偏好与情境之间的关联，得到用户的行为习惯，从而实现移动应用的推荐。

扩展信息主要包括用户评论信息、应用版本信息、应用权限信息、应用描述信息、图片信息等，通常会加入到模型训练过程中，帮助丰富、过滤和填充用户与应用的交互模型，得到用户在特定的情境下对移动应用的偏好概率，从而更好的解释基于交互信息的推荐方法。

基于协同过滤的推荐方法在构建相似度模型的过程中，移动用户或应用的向量往往是非常稀疏的，因此模型构建非常困难，且推荐的准度和精度较低。另外两种方法虽然考虑了用户和应用的交互信息，以及其他扩展信息，但是忽略了相关信息的可靠性、完整性对模型的影响。例如，相关模型通常会引入应用描述、应用版本等扩展信息来帮助丰富用户的情境日志，然而，一个移动应用通常包括多个子功能，开发者提供的应用描述中的应用功能往往是不全面的，导致情境信息的不准确。另外，相关模型通常会结合应用流行度信息对推荐结果进行排序，而移动应用中常见的排名欺诈行为产生的虚假评论信息、评分信息等，会对推荐结果的准度产生较大影响。

发明内容

为了提升输入数据的可靠性和完整性，以帮助更加精准和可靠地进行移动应用推荐，本发明提出一种融合多源可靠信息的移动应用推荐方法及装置，所述方法包括以下步骤：

获取移动应用样本及其对应的扩展数据；

提取应用各界面函数信息、权限信息和上下文文本信息，将信息输入子功能分类器，子功能分类器的输出为各个类型子功能名称及对应的界面数量；

将子功能分类器的输出与用户使用该类应用的时间信息和位置信息作为输入，得到用户对于该应用的偏好值；

将流行度数据输入可靠性分类器进行可靠性计算，并根据可靠性为数据分配可靠性权重；

根据应用的流行度数据以及其对应的可靠性权重，计算应用的流行度；

根据用户对该应用的偏好值和应用的流行度综合进行排序，将排序的前N个应用推荐给用户。

进一步的，子功能分类器的获取过程包括：