一種基于移動App運行列表的App冷啟動推薦方法
【技術領域】
[0001]本發(fā)明涉及信息檢索、圖計算及推薦系統(tǒng)領域，特別涉及一種通過關鍵詞計算及信息檢索和圖計算而完成的基于移動App的運行及內容信息解決推薦系統(tǒng)中App推薦的冷啟動問題的方法。
【背景技術】
[0002]移動互聯(lián)網(wǎng)的快速發(fā)展，為大眾提供了多種多樣的線上線下服務，極大地豐富和方便了日常生活。同時，面對社會生活中的大量需求，具有新功能的移動應用不斷涌現(xiàn)，為人們的生活提供了更便捷的服務。在進行App的推廣時，為了能夠快速進入大眾的視野中，一般App開發(fā)者均會制定一定的推送策略。但是在當前的App推送方式中，對于新App推送的冷啟動問題一直未得到良好的解決。
[0003]現(xiàn)有的針對于冷啟動的隨機推薦法、平均值法、眾數(shù)法和信息熵法等方法，是在很大程度上犧牲用戶的個性化需求為代價，進而在一定程度上緩解冷啟動問題。在給新用戶推送時，一般策略是將使用最廣或者最火的App推送給新用戶，這樣在未知用戶特征的前提下會有一定的推送效果。在給用戶推送新App時，將App推送給最活躍的或者下載App最多的用戶，這樣在未知App的特征內容的前提下，可以比隨機推薦更好地提高推薦效果。但是以上的方法只能是在一定程度上緩解冷啟動問題，而不能根治。
[0004]同時，基于原始評分矩陣擴充的方法，直接利用用戶的人口統(tǒng)計信息和項目的內容特征信息添加到原來的用戶一物品矩陣中。這樣在當有新用戶或者新物品時，也會使得矩陣中這些行或列不為空，進而使得進行矩陣計算時也可以實施，可以繼續(xù)計算相似用戶或者相似物品，最后完成推薦。此算法對新用戶和新物品的添加有效果，但是對于超高維的數(shù)據(jù)，當用戶或物品的維數(shù)遠遠大于擴充的信息的維數(shù)時，這些擴充信息就不足以描述新用戶或新物品的特征，所以此時也不能好的解決冷啟動問題。
[0005]還有使用構建概率統(tǒng)計模型和與機器學習相結合的方法。前者由于在搜集概率條件信息時要花費很大的代價，所以很少使用。后者對影響因素的比例選取沒有充分的數(shù)學依據(jù)，所以只是用于特定的數(shù)據(jù)集。
[0006]對于App推薦來說，基于內容的推薦雖然可以良好的解決冷啟動問題，但是經(jīng)過實際測試，其效果與隨機推薦相差無異，因此無法直接使用。

【發(fā)明內容】

[0007]為了解決上述問題，本發(fā)明提供了一種基于移動App運行列表的App冷啟動推薦方法，用于在能夠使用用戶運行列表進行較好質量的推薦的前提下，同時很好的解決對于新物品冷啟動的問題。
[0008]為實現(xiàn)上述目的，本發(fā)明的技術方案為:
一種基于移動App運行列表的App冷啟動推薦方法，包括如下步驟:
S10.獲取大量App信息并進行關鍵詞整理； S20.計算表示所述關鍵詞關系的加權無向圖；
S30.根據(jù)待推送App信息在所述加權無向圖中進行計算并推送。
[0009]進一步的，步驟SlO包括以下步驟:
5101.獲取大量App的信息，所述信息中包括App描述信息；
5102.獲取大量用戶的運行列表，作為計算使用的數(shù)據(jù)訓練庫；
5103.對步驟SlOl中獲取的每個App及其描述信息，使用關鍵詞求解方法計算每個App描述信息的關鍵詞及權重。所述關鍵詞求解方法包括TF-1DF ( Term Frequency -1nverse Document Frequency，詞頻-逆文檔頻率)、TextRank 等方法。
[0010]進一步的，步驟S20包括以下步驟:
5201.根據(jù)用戶的運行列表，計算其中包含的所有的App頻繁項集；
5202.根據(jù)計算出的App頻繁項集，和每個App的關鍵詞，計算出所有的關鍵詞之間的相關性，得到關鍵詞頻繁項集；
5203.將計算得出的關鍵詞頻繁項集中的詞作為節(jié)點，詞之間的關聯(lián)權重作為權重組成加權無向圖。
[0011]進一步的，步驟S30包括以下步驟:
5301.計算待推送App的描述信息的關鍵詞及權重，在加權無向圖中計算該這些關鍵詞的最相關的關鍵詞集；
5302.根據(jù)計算得出的關鍵詞集映射出對應的App集，根據(jù)關鍵詞的相關性對App進行排序，得出最相關的App集，也即最可能出現(xiàn)的頻繁項App ；
5303.對安裝了所述頻繁項App的用戶推送所述待推送App。
[0012]本發(fā)明的有益效果:在訓練數(shù)據(jù)訓練出初始模型后，模型可以在使用運行列表內容進行良好推薦的前提下，很好的解決冷啟動問題，且具有良好的可擴展性，并一定程度上克服了基于內容推薦的不足。具體主要包括以下內容:
O當推薦新App時，可以依據(jù)此App的描述信息內容，計算其潛在的頻繁項App，然后進行推薦，可以克服傳統(tǒng)推薦系統(tǒng)中的冷啟動問題；
2)在對新App推薦的過程中，會逐步更新加權無向圖中的詞節(jié)點，因此具有良好的可擴展性。
[0013]3)基于App的運行列表進行加權無向圖的構建，進而提取運行列表中的信息進行進一步的推薦，因此可以一定程度上克服僅僅基于內容推薦的不足。
【附圖說明】
[0014]圖1為本發(fā)明的一種基于移動App運行列表的App冷啟動推薦方法的整體框架圖；
圖2為本發(fā)明的一種基于移動App運行列表的App冷啟動推薦方法的流程框圖。
【具體實施方式】
[0015]為了進一步理解本發(fā)明，下面結合實施例對本發(fā)明優(yōu)選實施方案進行描述，但是應當理解，這些描述只是為進一步說明本發(fā)明的特征和優(yōu)點，而不是對本發(fā)明權利要求的限制。
[0016]本發(fā)明提供了一種基于移動App運行列表的App冷啟動推薦方法，依賴于用戶的App運行列表和大量App的描述信息，進行App頻繁項至關鍵詞頻繁項的轉換，并將關鍵詞及其關系權重轉換為加權無向圖，當要推薦新App時，首先提取App的關鍵詞集，并使用加權無向圖計算關鍵詞集的相關關系，最后