一种基于用户行为推荐应用的方法、系统及推荐服务器的制造方法
【专利摘要】本发明公开了一种基于用户行为推荐应用的方法、系统及推荐服务器，其中方法包括：获取用户浏览的第一应用的标识符和下载的第一应用的标识符，以及与所述第一应用具有推荐关系的第二应用的标识符；统计第一应用的浏览次数和下载次数；根据统计的所述第一应用的下载次数和浏览次数，计算出根据第二应用和第一应用的推荐关系下载所述第一应用的下载转化率。通过下载转化率可以引导用户根据第一应用的下载转化率从多个第一应用中选择下载哪个应用，从而提高第一应用推荐下载的成功率。
【专利说明】一种基于用户行为推荐应用的方法、系统及推荐服务器
【技术领域】
[0001]本发明属于计算机【技术领域】，尤其涉及一种基于用户行为推荐应用的方法、系统及推荐服务器。
【背景技术】
[0002]随着终端技术的不断发展，例如智能手机、平板电脑等终端具有越来越强大的处理能力，用户可以通过在终端上安装各种应用程序，来实现各种不同的功能。为了满足用户各种的需求，出现了越来越多的应用程序，因此，一方面，
[0003]对于应用程序来说，如何找到自己想要的应用程序也成为需要解决的问题。
【发明内容】
[0004]鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于用户行为推荐应用的方法、系统及推荐服务器。
[0005]依据本发明的一个方面，提供了一种基于用户行为推荐应用的方法，包括:
[0006]获取用户浏览的第一应用的标识符和下载的第一应用的标识符，以及与所述第一应用具有推荐关系的第二应用的标识符；
[0007]统计所述第一应用的浏览次数和下载次数；
[0008]根据统计的所述第一应用的下载次数和浏览次数，计算出根据第二应用和第一应用的推荐关系下载所述第一应用的下载转化率。
[0009]可选地，在计算下载转化率之前，所述方法还包括:
[0010]根据所述第一应用和第二应用之间的推荐关系，保存所述第一应用的标识符与第二应用的标识符的对应关系，以及第一应用的浏览次数和下载次数。
[0011]可选地，所述第一应用和第二应用之间的推荐关系由基于物品的协同过滤算法生成。
[0012]可选地，所述方法还包括:
[0013]响应于用户浏览第一应用的行为，在网络侧服务器的推荐应用的日志中记录用户当前正在浏览的第一应用的标识符，以及与所述第一应用具有推荐关系的第二应用的标识符。
[0014]可选地，所述方法还包括:
[0015]响应于用户下载所述第一应用的行为，在所述网络侧服务器的推荐应用的日志中记录用户正在下载的第一应用的标识符，以及与所述第一应用具有推荐关系的第二应用的标识符。
[0016]可选地，所述获取用户浏览的第一应用的标识符和下载的第一应用的标识符，以及与所述第一应用具有推荐关系的第二应用的标识符的步骤之前，所述方法还包括:
[0017]逐条判断所述网络侧服务器中的日志是否为推荐应用的日志；
[0018]若是推荐应用的日志，则进入获取用户浏览过和下载过的第一应用的标识符，以及与所述第一应用具有推荐关系的第二应用的标识符的步骤。
[0019]可选地，所述方法还包括:
[0020]响应于用户浏览或下载所述第二应用的请求，在推荐服务器侧生成应用推荐页面，所述应用展示页面包括:应用下载区域和应用推荐区域，其中应用下载区域中包括--第二应用的描述信息，应用推荐区域包括:与第二应用具有推荐关系的一个或多个第一应用的描述信息，以及每个第一应用的下载转化率；
[0021]在所述推荐应用服务器侧将所述应用展示页面发送给终端设备，并在所述终端设备上显示。
[0022]可选地，当所述应用展示页面上有多个第一应用的描述信息时，所述多个第一应用的描述信息按照所述第一应用的下载转化率的大小依次排列。
[0023]可选地，所述第一应用的描述信息包括:第一应用的标识符、第一应用的图标、第一应用的下载地址、第一应用的浏览次数和第一应用的下载次数；
[0024]所述第二应用的描述信息包括:第二应用的标识符、第二应用的图标和第二应用的下载地址。
[0025]可选地，所述第一应用的描述信息还包括:第一应用的推荐理由。
[0026]依据本发明的另一个方面，还提供一种推荐服务器，包括:
[0027]获取模块，用于获取用户浏览的第一应用的标识符和下载的第一应用的标识符，以及与所述第一应用具有推荐关系的第二应用的标识符；
[0028]统计模块，用于统计所述第一应用的浏览次数和下载次数；
[0029]下载转化率生成模块，用于根据统计的所述第一应用的下载次数和浏览次数，计算出根据第二应用和第一应用的推荐关系下载所述第一应用的下载转化率。
[0030]可选地，所述推荐服务器还包括:
[0031]保存模块，用于根据所述第一应用和第二应用之间的推荐关系，保存所述第一应用的标识符与第二应用的标识符的对应关系，以及第一应用的浏览次数和下载次数。
[0032]可选地，所述第一应用和第二应用之间的推荐关系由基于物品的协同过滤算法生成。
[0033]可选地，所述推荐服务器还包括:
[0034]日志分析模块，用于判断所述日志是否为推荐应用的日志；若是推荐应用的日志，则触发所述获取模块。
[0035]可选地，所述推荐服务器还包括:
[0036]浏览记录模块，用于响应于用户浏览第一应用的行为，在推荐应用的日志中记录用户当前正在浏览的第一应用的标识符，以及与所述第一应用具有推荐关系的第二应用的标识符。
[0037]可选地，所述推荐服务器还包括:
[0038]下载记录模块，用于响应于用户下载所述第一应用的行为，在推荐应用的日志中记录用户正在下载的第一应用的标识符，以及与所述第一应用具有推荐关系的第二应用的标识符。
[0039]可选地，所述推荐服务器还包括:
[0040]应用推荐页面生成模块，用于响应于用户浏览或下载所述第二应用的请求，生成应用推荐页面，所述应用展示页面包括:应用下载区域和应用推荐区域，其中应用下载区域中包括:第二应用的描述信息，应用推荐区域包括:与第二应用具有推荐关系的一个或多个第一应用的描述信息，以及每个第一应用的下载转化率；
[0041]应用推荐页面发送模块，用于将所述应用展示页面发送给终端设备，并在所述终端设备上显示。
[0042]可选地，在所述应用展示页面上包括多个所述第一应用的标识符，所述多个第一应用的标识符按照所述第一应用的下载转化率的大小依次排列。
[0043]可选地，所述第一应用的描述信息包括:第一应用的标识符、第一应用的图标、第一应用的下载地址、第一应用的浏览次数和第一应用的下载次数；
[0044]所述第二应用的描述信息包括:第二应用的标识符、第二应用的图标和第二应用的下载地址。
[0045]可选地，所述第一应用的描述信息还包括:第一应用的推荐理由。
[0046]依据本发明的又一个方面，还提供了一种基于用户行为推荐应用的系统，包括如上所述的推荐服务器。
[0047]由上述技术方案可知，本发明的实施例具有如下有益效果:响应于用户浏览第一应用和下载第一应用的行为，记录浏览的第一应用的标识符(ID)和记录下载的第一应用的标识符(ID)，以及与该第一应用具有推荐关系的第二应用的标识符(ID)，然后统计第一应用的浏览次数和下载次数，并根据第一应用的浏览次数和下载次数计算出第一应用的下载转化率，该第一应用的下载转化率可以反映出用户在浏览第一应用之后，成功下载第一应用的概率，概率越大说明用户越可能会下载第一应用。当用户请求浏览或下载第二应用时，响应于用户的请求，在推荐服务器侧可以生成应用展示页面，该应用展示页面包括:应用下载区域和应用推荐区域，其中应用下载区域中可以包括:第二应用的标识符、第二应用的图标和第二应用的下载地址，应用推荐区域中可以包括:与第二应用具有推荐关系的一个或多个第一应用的标识符、每个第一应用的下载地址，以及每个第一应用的下载转化率，由于下载转化率可以反映出用户在浏览第一应用之后，成功下载第一应用的概率，从而引导用户根据第一应用的下载转化率从推荐的多个第一应用中选择下载，例如选择下载转化率最大的第一应用，从而提高第一应用推荐下载的成功率，而且由于下载转化率考虑到了每个用户的浏览行为和下载行为，从而实现可以结合每个用户的行为的差异，向该用户精准地推荐符合该用户需求的应用。
【专利附图】
【附图说明】
[0048]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中:
[0049]图1示出了根据本发明的实施例中基于用户行为推荐应用的方法的流程图之一；
[0050]图2示出了根据本发明的实施例中基于用户行为推荐应用的方法的流程图之二 ；
[0051]图3示出了根据本发明的实施例中推荐服务器的框图；
[0052]图4示出了根据本发明的实施例中基于用户行为推荐应用的系统的框图；以及
[0053]图5示出了根据本发明的实施例中基于用户行为推荐应用的系统的框架示意图。【具体实施方式】
[0054]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0055]目前，针对应用，出现了与应用相关的排行榜，例如:基于应用评分的排行榜、或者根据广告费对应用进行人工编辑的排行榜。虽然，这些排行榜为用户选择应用提供了一定的参考。但这种推荐应用的方式针对所有用户，由于没有考虑到每个用户的行为的差异，导致推荐的应用不能较精准地符合每个用户的需求。
[0056]针对这一问题，本发明人发现可以响应于用户浏览第一应用和下载第一应用的行为，记录浏览的第一应用的标识符(ID)和记录下载的第一应用的标识符(ID)，以及与该第一应用具有推荐关系的第二应用的标识符(ID)，然后统计第一应用的浏览次数和下载次数，并根据第一应用的浏览次数和下载次数计算出第一应用的下载转化率，该第一应用的下载转化率可以反映出用户在浏览第一应用之后，成功下载第一应用的概率，概率越大说明用户越可能会下载第一应用。当用户请求浏览或下载第二应用时，响应于用户的请求，在推荐服务器侧可以生成应用展示页面，该应用展示页面包括:应用下载区域和应用推荐区域，其中应用下载区域中可以包括:第二应用的标识符、第二应用的图标和第二应用的下载地址，应用推荐区域中可以包括:与第二应用具有推荐关系的一个或多个第一应用的标识符、每个第一应用的下载地址，以及每个第一应用的下载转化率，由于下载转化率可以反映出用户在浏览第一应用之后，成功下载第一应用的概率，从而引导用户根据第一应用的下载转化率从推荐的多个第一应用中选择下载，例如选择下载转化率最大的第一应用，从而提高第一应用推荐下载的成功率，而且由于下载转化率考虑到了每个用户的浏览行为和下载行为，从而实现可以结合每个用户的行为的差异，向该用户精准地推荐符合该用户需求的应用。
[0057]在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。
[0058]如图1所示，为本发明的实施例中基于用户行为推荐应用的方法的流程图之一，该方法的执行主体为推荐服务器，该方法100包括:
[0059]步骤S101、获取用户浏览的第一应用的标识符和下载的第一应用的标识符，以及与第一应用具有推荐关系的第二应用的标识符。
[0060]在本发明的实施例中，第一应用和第二应用是指拥有唯一的标识符(例如数字序列号)的软件，该软件可以包括适用于计算设备的软件和适用于移动设备的软件。
[0061]在本发明的实施例，可以基于用户的浏览第一应用的浏览行为和下载第一应用的下载行为，在网络侧服务器(例如日志服务器或者推荐服务器)中记录用户浏览的第一应用的标识符和下载的第一应用的标识符。其中，用户在终端设备上浏览第一应用的应用展示页面的情形，可理解为用户浏览该第一应用，该应用展示页面上记录有第一应用的描述信息，该描述信息包括:第一应用的标识符、第一应用的图标、第一应用的下载地址；用户点击下载第一应用的下载按钮的情形，可以理解为用户下载该第一应用，其中第一应用的标识符可以是指应用名称，例如“360手机助手”、“360手机卫士”，当然也并不限于此。
[0062]在本发明的实施例中，第二应用是指与第一应用具有推荐关系的应用，例如采用现有的推荐算法可以预先计算出与第二应用具有推荐关系的多个第一应用，其中推荐算法是指现有的推荐系统可以依据不同的维度(例如基于内容的推荐、基于协同过滤的推荐、基于关联规则推荐等)，根据第二应用为用户推荐用户可能喜欢的一个或多个第一应用。
[0063]下面以基于协同过滤的推荐算法为例，描述如何建立第一应用与第二应用之间的推荐关系:
[0064]具体地，协同过滤的推荐流程包括:
[0065]步骤1、生成用户评分矩阵:在基于协同过滤的推荐系统中，用户的评分数据可以表示成一个mXn矩阵，m行表示m个用户，η列表示η个资源项目(相当于应用)，矩阵元素Ri, j表示用户Ui对项目L的评分。评分可以表示为0-1制，O表示不喜欢或未购买(相当于未安装);1表示喜欢或已购买(相当于已安装)；也可以表示为5分制，根据偏好程度从O到5表示。
[0066]步骤2、选择相似性度量方法，计算用户评分向量相似性。相似性计算公式有如下四种:
[0067]I)余弦相似性度量公式(Cosine-based Simlarity)
[0068]2)修正的余弦相似性度量公式(Adjusted Cosine-based Simlarity),即 Spear 相关系数
[0069]3)相关相似性度量公式(Correlation-based Simlarity),即 Pearson 相关系数
[0070]4) Jaccard相关系数度量公式
[0071]步骤3、获取相似应用。相似应用的确定主要有两种方法:阈值方法和Top-N最近邻方法。阈值方法是为相似度设定一个阈值，相似度大于该阈值的应用作为相似应用。Top-N最近邻方法是将相似度由大到小排列，选取相似度在前N个的应用作为具有推荐关系的应用。
[0072]可选地，在本发明的实施例中可以采用基于物品的协同过滤算法(I TEM-BASEDCF)，建立第一应用与第二应用之间的推荐关系。
[0073]例如，将多个用户的应用数据，包括应用的安装情况的数据输入到推荐引擎中，该推荐引擎可以采用基于物品的协同过滤算法(ITEM-BASED CF)进行运算，然后由该推荐引擎输出应用-应用推荐列表。
[0074]为了提高推荐引擎的运算速度，在本发明的实施例中可以对输入到推荐引擎的应用数据进行预处理，其中预处理包括:过滤处理和ID化处理，其中
[0075]过滤处理是指:过滤重复用户或者过滤非重要用户，其中，过滤重复用户是指:判断是否有重复用户，如果有，则对重复用户进行过滤处理；过滤非重要用户是指:获取用户的等级，如果用户的等级低于等级阈值时，对该用户进行过滤处理。通过过滤处理可以有效降低数据量，避免重复运算。
[0076]ID化处理是指:采用现有的字符串变换算法对应用数据进行优化处理，例如MD5算法，将较复杂的应用数据转换为唯一的ID，以减少推荐引擎的运算量。
[0077]例如:应用数据包括:
[0078]IMEI包名11版本号，包名2 |版本号MID[0079]68a25668a774a67ecf2b32d581b83525com.tencent.qqgame.qqlordhvga I 20110，com.sec.android, app.phoneutil | I, com.sec.a ndroid, app.kieswifi11，，，，98016185542f69c0c0878d501flac5b5
[0080]经过ID化处理后的数据:
[0081]Soft_id imei:112268a25668a774a67ecf2b32d581b83525
[0082]如下表1所示，记录了五位用户应用安装的情况，其中用户通过各自的MEI来区分；“1”表示该应用用户已安装，“O”表示该应用用户未安装。
[0083]如表1所示，“MEI1”的用户安装了 QQ、卫士、助手；“MEI2”的用户安装了 QQ、卫士、助手、旋风跑跑、陌陌；“MEI3”的用户安装了 QQ、助手、网易新闻；“MEI4”的用户安装了助手、网易新闻；“MEI5”的用户安装了 QQ、卫士。
【权利要求】
1.一种基于用户行为推荐应用的方法，包括: 获取用户浏览的第一应用的标识符和下载的第一应用的标识符，以及与所述第一应用具有推荐关系的第二应用的标识符； 统计所述第一应用的浏览次数和下载次数； 根据统计的所述第一应用的下载次数和浏览次数，计算出根据第二应用和第一应用的推荐关系下载所述第一应用的下载转化率。
2.根据权利要求1所述的方法，在计算下载转化率之前，所述方法还包括: 根据所述第一应用和第二应用之间的推荐关系，保存所述第一应用的标识符与第二应用的标识符的对应关系，以及第一应用的浏览次数和下载次数。
3.根据权利要求1所述的方法，其中，所述第一应用和第二应用之间的推荐关系由基于物品的协同过滤算法生成。
4.根据权利要求1所述的方法，其中，所述方法还包括: 响应于用户浏览第一应用的行为，在网络侧服务器的推荐应用的日志中记录用户当前正在浏览的第一应用的标识符，以及与所述第一应用具有推荐关系的第二应用的标识符。
5.根据权利要求4所述的方法，其中，所述方法还包括: 响应于用户下载所述第 一应用的行为，在所述网络侧服务器的推荐应用的日志中记录用户正在下载的第一应用的标识符，以及与所述第一应用具有推荐关系的第二应用的标识符。
6.根据权利要求1所述的方法，其中，所述获取用户浏览的第一应用的标识符和下载的第一应用的标识符，以及与所述第一应用具有推荐关系的第二应用的标识符的步骤之前，所述方法还包括: 逐条判断所述网络侧服务器中的日志是否为推荐应用的日志； 若是推荐应用的日志，则进入获取用户浏览过和下载过的第一应用的标识符，以及与所述第一应用具有推荐关系的第二应用的标识符的步骤。
7.根据权利要求1所述的方法，所述方法还包括: 响应于用户浏览或下载所述第二应用的请求，在推荐服务器侧生成应用推荐页面，所述应用展示页面包括:应用下载区域和应用推荐区域，其中应用下载区域中包括:第二应用的描述信息，应用推荐区域包括:与第二应用具有推荐关系的一个或多个第一应用的描述信息，以及每个第一应用的下载转化率； 在所述推荐应用服务器侧将所述应用展示页面发送给终端设备，并在所述终端设备上显不O
8.根据权利要求7所述的方法，其中，当所述应用展示页面上有多个第一应用的描述信息时，所述多个第一应用的描述信息按照所述第一应用的下载转化率的大小依次排列。
9.一种推荐服务器,包括: 获取模块，用于获取用户浏览的第一应用的标识符和下载的第一应用的标识符，以及与所述第一应用具有推荐关系的第二应用的标识符； 统计模块，用于统计所述第一应用的浏览次数和下载次数； 下载转化率生成模块，用于根据统计的所述第一应用的下载次数和浏览次数，计算出根据第二应用和第一应用的推荐关系下载所述第一应用的下载转化率。
10. 一种基于用户行为推荐应用的系统，包括如权利要求9所述的推荐服务器。
【文档编号】H04L29/08GK103763361SQ201410014009
【公开日】2014年4月30日 申请日期:2014年1月13日 优先权日:2014年1月13日
【发明者】胡聪, 李恒 申请人:北京奇虎科技有限公司, 奇智软件（北京）有限公司