个性化的移动应用app推荐方法
【技术领域】
[0001] 本发明提出了一种移动应用推荐方法，特别涉及个性化的移动应用APP推荐方 法。
【背景技术】
[0002] 手机APP的发展给予了用户更多的便利，方便了用户的生活。但是，APP的不计其 数和品种繁多也给用户造成了一些问题。研究发现仅仅通过浏览和简单的查询来寻找有用 且用户偏好的APP变得相当困难，在某种程度上过量的信息意味着信息缺乏，因此就需要 某种工具来迅速找到用户所需要的并且偏好的信息来辅助决策，防止用户迷失。于是，出现 了许多APP推荐方法。
[0003] 在本发明作出之前，传统的推荐方法如协同过滤技术（CF)致力于通过在用户群 中找到与指定用户有相似兴趣的用户，综合这些相似用户对某一信息的评价，形成系统对 该指定用户对此信息的喜好程度预测来推荐APP。然而，随着个性化的商业应用延展到用户 生活信息流的方方面面，个性化推荐技术也在日新月异不断发展，类似于协同过滤这样的 早期技术已经不能满足新环境下的要求，例如在用户和商品愈见增多的情况下，系统的性 能会越来越低亦或是当用户对商品的评价非常稀疏时，这样基于用户的评价所得到的用户 间的相似性可能不准确甚至导致商品不被推荐。除此以外，当前大多数技术只考虑单个元 素，然而在用户对商品有更高需求的同时，对于APP推荐来说，除了功能，还应该考虑到其 APP属性、种类、地理位置及用户情感的影响，比如在地理位置方面，诸如美团、大众点评、谷 歌地图这样基于地理位置的软件，他们所涉及的区域大小会影响到是否该推荐这个APP。
【发明内容】
[0004] 本发明的目的是克服上述缺陷，开发一种个性化的APP推荐方法。
[0005] 本发明的技术方案是：
[0006] 个性化的移动应用APP推荐方法，其特征在于步骤如下：
[0007] 步骤1).数据收集：从应用市场获取用户及移动应用即APP的信息，包括功能描述 及评论信息；
[0008] 步骤2).对获取的原始APP数据进行预处理来避免出现冷启动问题；
[0009] 步骤3).利用情感-方面-地区即SAR模型，将APP的评论信息作为输入文档，分 别得到用户对于APP的情感、APP的方面以及APP的使用地区，由此得到用户对APP不同属 性的潜在偏好并预测用户选择APP的概率值；
[0010] 步骤4).对步骤2)得到的数据作进一步处理，分别转换为APP索引文件和用户索 引文件；
[0011] 步骤5).利用协相关主题即CTM模型，输入前述步骤4)的两份文件，得到 User-App的推荐分数矩阵；
[0012] 步骤6).将SAR模型与CTM模型分别得到的概率值与推荐分数线性结合，然后用 Top-N在线推荐算法进行排序，将预测评分较高的APP推荐给相应的用户。
[0013] 所述步骤1)中，在应用商店GooglePlay里，用户对他所使用过的APP的评级是 公开可见的，一旦获得用户的ID就能看到用户所评论过的所有APP，由此通过爬数据工具 将所有原始数据检索出来。
[0014] 所述步骤2)中原始数据的预处理过程包括：
[0015] a)清除写少于2条评论的用户以及过滤用户后没有任何评论的APP;
[0016] b)托肯化：去除标点符号，去除数字；
[0017]c)去除停用词：去除英文停用词，包括介词、代词、冠词；
[0018] d)词干化：将每个单词转化为它的原型，过去时转化为原型，现在进行时转化为 原型。
[0019] 所述步骤3)中计算推荐概率的计算公式：
[0020]
ra
[0021] 即表示用户u喜欢APPt并且给其评级的概率，其中，t，s+，u，r，a，（^分别代表 APP，正面情感，用户，地区，APP的方面以及APP的种类。
[0022] 所述步骤4)中的数据处理，其分为以下几个步骤：
[0023] a)对步骤2)中所获得的所有APP进行编号，依次为0，1，2, 3,4，…，n，每一个编 号对应其APP信息，即为步骤3)中SAR模型所过滤得到的信息；
[0024] b)对步骤2)中所获得的所有用户进行编号，依次为0，1，2,3,4，...，11，每一个编 号对应其用户信息，即为步骤3)中SAR模型所过滤得到的信息；
[0025] c)将所收集的数据整理成一份用户索引输入文件，格式要求：一行为一个用户的 信息，行首即为用户的编码+1，第二列为用户所评级过的APP数量，余下列为用户评级过的 所有APP编号；
[0026] d)将所收集的数据整理成一份APP索引输入文件，格式要求：一行为一个APP的 信息，行首即为APP的编码+1，第二列为给此APP进行评级的用户数量，余下列为所有给 APP评级的用户编号；
[0027]e)将以上两份文件输入CTM模型，得到一个User-App推荐分数矩阵，推荐值为正 则表示可推荐，值越大越值得推荐，反之，推荐值为负则表示此APP对该用户是没有推荐价 值的，矩阵行为APP，列为用户。
[0028] 7.根据权利要求1所述的APP多属性推荐方法，其特征在于步骤6)中将SAR模型 得到的概率p(t，S+|u)及GTM模型得到的推荐值rut的线性结合计算公式，如下：设定两个 参数α，β，则合并推荐分数Score为：
[0029] Score=ap(t,s+1u) +βrut
[0030] 其中，α，β是输入参数权重。
[0031] 本发明的优点和效果在于综合考虑评论里的方面、情感、种类及地区达到个性化 推荐的目的。主要有以下一些优点：
[0032] 1.此推荐方法综合考虑评论里的方面、情感、种类及地区来发现用户的潜在偏好， 更符合用户的实际需求。
[0033] 2.此推荐方法能解决传统协同过滤技术即CF无法解决的冷启动问题。
[0034] 3.传统推荐方法如CF不使用APP的内容，它是基于所选的APP有相似模式的用户 而推荐的，而此推荐方法是同时基于内容和用户评级的，结果预测是基于内容还是用户评 级取决于多少用户对APP进行评级。
[0035] 4.此推荐方法是一种个性化推荐，所推荐的应用会考虑用户的兴趣、所处地区等。
[0036] 5.此推荐方法提出了对APP属性的全新分类方法，将APP的属性划分得更详细，由 此探索用户对APP各属性的偏好程度，更好地了解用户需求与APP特征。
【附图说明】
[0037] 图1--本发明的总体流程不意图。
[0038] 图2--本发明GoogleMaps的功能描述信息示意图。
[0039] 图3--本发明用户Sarah对YellowPages的评论信息示意图。
[0040] 图4--本发明用户Sarah对CommanderCompassLite的评论信息不意图。
[0041] 图5--本发明预处理过后的GoogleMaps的功能描述信息示意图。
[0042] 图6--本发明预处理过后的用户Sarah对YellowPages的评论信息示意图。
[0043] 图7--本发明预处理过后的用户Sarah对CommanderCompassLite的评论信息 示意图。
[0044] 图8-一本发明情感-方面-地区模型的初步输出结果示意图。
[0045] 图9一一本发明协相关模型的用户索引输入文件的格式要求示意图。
[0046] 图10--本发明协相关模型的APP索引输入文件的格式要求示意图。
[0047] 图11--本发明协相关模型User-App推荐分数矩阵的输出格式不意图。
【具体实施方式】
[0048] 本发明的技术思路是：
[0049] 本发明考虑结合方面、情感、种类以及地区对推荐技术的影响，对APP属性进行了 比较详尽的分类，比如界面、地理位置、功能菜单、卸载量与激活量之比、设置，以此更加详 细地了解用户对APP不同属性的要求及偏好，从而使推荐效果更好。还利用协相关主题模 型这种个性化推荐，以保证这种推荐方法能够得到广泛应用。
[0050] 本发明结合CTM模型和SAR模型对用户评论信息进行建模，以此发现用户的潜在 偏好并进行详尽的推荐。
[0051] 下面结合附图对本发明的技术方案进行详细说明：
[0052] 步骤 1).
[0053] 数据收集：在应用商店如GooglePlay里，用户对他所使用过的APP的评级是公开 可见的，一旦获得用户的ID就能看到用户所评论过的所有APP。由此可以通过爬数据工具 将所有原始数据如用户评论及功能描述检索出来。举例如下：假设用户Sarah想要找一款 导航APP，在此之前用户使用过YellowPages与CommanderCompassLite两款导航APP， 图2为GoogleMaps的功能描述信息，此APP是用户Sarah未使用过的，图3为Sarah对 YellowPages的用户评论信息，图4为Sarah对CommanderCompassLite的用户评论信 息。
[0054] 步骤 2) ·
[0055] 对获取的原始APP数据进行预处理来避免出现冷启动问题。首先，清除写少于2 条评论的用户以及过滤用户后没有任何评论的APP。其次，进行托肯化即tokenization，分 另IJ去除标点符