应用功能的个性化推荐方法及系统

技术领域

本发明涉及计算机数据处理技术领域，更具体的说，涉及一种应用功能的个性化推荐方法及系统。

背景技术

目前开发人员一般根据业务需要和经验定制业务应用功能的排版方式，使得应用功能排布都是预先设定的，所有用户看到的应用功能菜单一模一样，菜单展示形式单一且固定。由于业务人员在制定应用功能分类、功能菜单排版时，容易引入主观因素，因此使得应用功能分类、排版布局与用户实际使用偏好偏离，通常展示给用户的应用功能不是用户常用的，甚至是不需要的，而用户所需的应用功能往往被隐藏，从而无法满足不同用户、不同岗位对应用功能的个性化需求，导致用户体验不佳。

发明内容

有鉴于此，本发明公开一种应用功能的个性化推荐方法及系统，以通过确定用户ID与不同应用功能之间的强关联规则来确定用户每次会大概率同时操作的不同应用功能，通过采用基于物品的协同过滤推荐算法和DIN模型，预测出用户在操作某个应用功能后，大概率操作的下一个目标应用功能，并在应用功能菜单界面展示目标应用功能，从而方便用户快速查找到所需的应用功能，满足不同用户、不同岗位对应用功能的个性化需求，提高用户体验。

一种应用功能的个性化推荐方法，包括：

获取预设时间段内的历史行为数据，所述历史行为数据至少包括：用户ID、各个应用功能ID以及所述用户ID对每个所述应用功能ID的点击时刻；

根据所述历史行为数据确定所述用户ID与不同应用功能之间的强关联规则；

基于所述强关联规则，采用预先建立的功能推荐模型预测得到待推荐的目标应用功能，其中，所述功能推荐模型是将基于物品的协同过滤推荐算法和DIN模型采用预设融合算法得到的；

在应用功能菜单界面展示所述目标应用功能。

可选的，所述根据所述历史行为数据确定所述用户ID与不同应用功能之间的强关联规则，具体包括：

基于所述历史行为数据，统计各个所述应用功能ID在所述预设时间段内被所述用户ID点击的点击次数；

从所有的所述应用功能ID中确定功能集，所述功能集中的各个目标应用功能ID的点击次数高于所述功能集以外的应用功能ID的点击次数；

计算所述功能集中任意两个所述目标应用功能ID的相似度，得到相似度集合；

基于所述相似度集合构建所述用户ID与不同的所述目标应用功能ID对应的应用功能之间的强关联规则。

可选的，所述基于所述历史行为数据，统计各个所述应用功能ID在所述预设时间段内被所述用户ID点击的点击次数，具体包括：

基于所述历史行为数据，生成所述用户ID、每个所述应用功能ID以及对应点击时刻的对应关系；

根据各个所述对应关系，统计各个所述应用功能ID在所述预设时间段内被所述用户ID点击的点击次数。

可选的，所述协同过滤推荐算法的确定过程包括：

根据所述历史行为数据构建特征工程，所述特征工程中的特征数据包括：用户类特征、功能类特征、功能类别类特征、用户-功能类特征、用户-功能类别类特征以及功能-功能类别特征；

将所述特征数据输入至协同过滤推荐算法模型进行训练，得出评分最高的特征数据项作为预测特征。

可选的，所述DIN模型的建立过程包括：

从所有的所述应用功能ID中确定功能集，所述功能集中的各个目标应用功能ID的点击次数高于所述功能集以外的应用功能ID的点击次数；

基于所述功能集构建点击序列；

将所述点击序列和用户行为数据作为样本数据进行模型训练，得到预设点击序列长度内高概率发生的点击行为项。

可选的，所述预设融合算法包括：拼接算法、加权融合算法和交叉验证算法。

一种应用功能的个性化推荐系统，包括：

数据获取单元，用于获取预设时间段内的历史行为数据，所述历史行为数据至少包括：用户ID、各个应用功能ID以及所述用户ID对每个所述应用功能ID的点击时刻；

关联规则确定单元，拥有根据所述历史行为数据确定所述用户ID与不同应用功能之间的强关联规则；

功能预测单元，用于基于所述强关联规则，采用预先建立的功能推荐模型预测得到待推荐的目标应用功能，其中，所述功能推荐模型是将基于物品的协同过滤推荐算法和DIN模型采用预设融合算法得到的；

功能展示单元，用于在应用功能菜单界面展示所述目标应用功能。

可选的，所述关联规则确定单元具体包括：

点击次数统计子单元，用于基于所述历史行为数据，统计各个所述应用功能ID在所述预设时间段内被所述用户ID点击的点击次数；

功能集确定子单元，用于从所有的所述应用功能ID中确定功能集，所述功能集中的各个目标应用功能ID的点击次数高于所述功能集以外的应用功能ID的点击次数；

相似度计算子单元，用于计算所述功能集中任意两个所述目标应用功能ID的相似度，得到相似度集合；

关联规则构建子单元，用于基于所述相似度集合构建所述用户ID与不同的所述目标应用功能ID对应的应用功能之间的强关联规则。

可选的，所述点击次数统计子单元具体用于：

基于所述历史行为数据，生成所述用户ID、每个所述应用功能ID以及对应点击时刻的对应关系；

根据各个所述对应关系，统计各个所述应用功能ID在所述预设时间段内被所述用户ID点击的点击次数。

可选的，还包括：推荐算法确定单元；

所述推荐算法确定单元具体用于：

根据所述历史行为数据构建特征工程，所述特征工程中的特征数据包括：用户类特征、功能类特征、功能类别类特征、用户-功能类特征、用户-功能类别类特征以及功能-功能类别特征；

将所述特征数据输入至协同过滤推荐算法模型进行训练，得出评分最高的特征数据项作为预测特征。

可选的，还包括：DIN模型建立单元；

所述DIN模型建立单元具体用于：

从所有的所述应用功能ID中确定功能集，所述功能集中的各个目标应用功能ID的点击次数高于所述功能集以外的应用功能ID的点击次数；

基于所述功能集构建点击序列；

将所述点击序列和用户行为数据作为样本数据进行模型训练，得到预设点击序列长度内高概率发生的点击行为项。

从上述的技术方案可知，本发明公开了一种应用功能的个性化推荐方法及系统，根据预设时间段内的历史行为数据确定用户ID与不同应用功能之间的强关联规则，基于强关联规则采用预先建立的功能推荐模型预测得到待推荐的目标应用功能，并在应用功能菜单界面展示各个目标应用功能，其中，功能推荐模型是将基于物品的协同过滤推荐算法和DIN模型采用预设融合算法得到的。本发明通过确定用户ID与不同应用功能之间的强关联规则来确定用户每次会大概率同时操作的不同应用功能，通过采用基于物品的协同过滤推荐算法和DIN模型，预测出用户在操作某个应用功能后，大概率操作的下一个目标应用功能，并在应用功能菜单界面展示目标应用功能，从而方便用户快速查找到所需的应用功能，满足不同用户、不同岗位对应用功能的个性化需求，提高用户体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据公开的附图获得其他的附图。

图1为本发明实施例公开的一种应用功能的个性化推荐方法流程图；

图2为本发明实施例公开的一种根据历史行为数据确定用户ID与不同应用功能之间的强关联规则的方法流程图；

图3为本发明实施例公开的一种应用功能的个性化推荐系统的结构示意图；

图4为本发明实施例公开的一种关联规则确定单元的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种应用功能的个性化推荐方法及系统，根据预设时间段内的历史行为数据确定用户ID与不同应用功能之间的强关联规则，基于强关联规则采用预先建立的功能推荐模型预测得到待推荐的目标应用功能，并在应用功能菜单界面展示各个目标应用功能，其中，功能推荐模型是将基于物品的协同过滤推荐算法和DIN模型采用预设融合算法得到的。本发明通过确定用户ID与不同应用功能之间的强关联规则来确定用户每次会大概率同时操作的不同应用功能，通过采用基于物品的协同过滤推荐算法和DIN模型，预测出用户在操作某个应用功能后，大概率操作的下一个目标应用功能，并在应用功能菜单界面展示目标应用功能，从而方便用户快速查找到所需的应用功能，满足不同用户、不同岗位对应用功能的个性化需求，提高用户体验。

参见图1，本发明实施例公开的一种应用功能的个性化推荐方法流程图，该方法包括：

步骤S101、获取预设时间段内的历史行为数据；

其中，所述历史行为数据至少包括：用户ID、各个应用功能ID以及所述用户ID对每个所述应用功能ID的点击时刻。在实际应用中，历史行为数据还可以包括：功能环境内操作时间和地理位置等数据。

预设时间段的取值依据实际需要而定，比如5分钟，本发明在此不做限定。

为便于后续对历史行为数据的处理，可以将历史行为数据存储在数据存储模块的O区。

步骤S102、根据所述历史行为数据确定所述用户ID与不同应用功能之间的强关联规则；

强关联规则是指从功能集中挖掘出来X→Y的强关联规则，即进行X操作后大概率会进行Y操作。

其中，强关联规则与支持度和置信度阀值相关联，支持度和置信度阀值根据实际需要而定，本发明在此不做限定。

支持度指两种操作(A∩B)在总操作次数(N)中出现的概率，即A与B操作同时发生的概率。

置信度是进行A操作后再进行B操作的条件概率。简单来说，即A操作和B操作的交集部分C在A操作中的比例，如果比例大说明进行A操作的用户很大期望会进行B操作。

步骤S103、基于所述强关联规则，采用预先建立的功能推荐模型预测得到待推荐的目标应用功能；

其中，所述功能推荐模型是将基于物品的协同过滤推荐算法和DIN模型采用预设融合算法得到的。

预设融合算法包括：拼接算法、加权融合算法和交叉验证算法。

基于物品的协同过滤推荐算法(即CF算法)，用于为用户推荐与其之前喜欢的物品相似的物品。基于物品的协同过滤推荐算法的原理为：物品A和物品B具有很大的相似度是因为喜欢物品A的用户大都也喜欢物品B，其中通过分析用户的行为记录来计算物品之间的相似度。基于物品的协同过滤算法分为两个过程，一个为预测过程，另一个为推荐过程。预测过程是预测用户对没有购买过(或没操作过)的物品的可能性打分值过程，推荐是根据预测阶段的结果推荐用户最可能喜欢的一个或Top-N个物品。基于物品的协同过滤推荐算法中的物品对应本发明中的应用功能。

DIN模型：利用用户的历史行为序列，增强物品之间关联性，提高推荐物品的点击率的模型。DIN模型中的物品对应本发明中的应用功能。

步骤S104、在应用功能菜单界面展示所述目标应用功能。

在实际应用中，可以将各个目标应用功能存在的数据存储模块的R区。

综上可知，本发明公开了一种应用功能的个性化推荐方法，根据预设时间段内的历史行为数据确定用户ID与不同应用功能之间的强关联规则，基于强关联规则采用预先建立的功能推荐模型预测得到待推荐的目标应用功能，并在应用功能菜单界面展示各个目标应用功能，其中，功能推荐模型是将基于物品的协同过滤推荐算法和DIN模型采用预设融合算法得到的。本发明通过确定用户ID与不同应用功能之间的强关联规则来确定用户每次会大概率同时操作的不同应用功能，通过采用基于物品的协同过滤推荐算法和DIN模型，预测出用户在操作某个应用功能后，大概率操作的下一个目标应用功能，并在应用功能菜单界面展示目标应用功能，从而方便用户快速查找到所需的应用功能，满足不同用户、不同岗位对应用功能的个性化需求，提高用户体验。

另外，由于本发明可以方便用户查找所需的应用功能，而手机APP界面通常有很多应用功能，因此本发明还可以进一步提高手机APP的使用率，比如提高手机银行的使用率，从而使得手机APP得到了推广。

为进一步优化上述实施例，参见图2，本发明实施例公开的一种根据历史行为数据确定用户ID与不同应用功能之间的强关联规则的方法流程图，也即步骤S102具体可以包括：

步骤S201、基于历史行为数据，统计各个应用功能ID在预设时间段内被用户ID点击的点击次数；

具体的，基于历史行为数据，生成用户ID、每个应用功能ID以及对应点击时刻的对应关系；根据各个所述对应关系，统计各个所述应用功能ID在所述预设时间段内被所述用户ID点击的点击次数。

其中，本实施例中的对应关系也即：用户ID-应用功能ID-点击时刻，当用户在预设时间段内的某一个时刻点击某个应用功能时，就可以生成用户ID-应用功能ID-点击时刻这一对应关系。

在实际应用中，用户可以在预设时间段内的多个时刻点击同一个应用功能，因此，可以统计得到各个应用功能ID在预设时间段内被同一个用户ID点击的点击次数。

步骤S202、从所有的所述应用功能ID中确定功能集；

其中，所述功能集中的各个目标应用功能ID的点击次数高于所述功能集以外的应用功能ID的点击次数。

在实际应用中，可以将各个应用功能ID的点击次数从大到小进行排序，确定点击次数靠前的K个应用功能，K也即功能集中包含的目标应用功能ID的数量，K的取值依据实际需要而定。

步骤S203、计算所述功能集中任意两个所述目标应用功能ID的相似度，得到相似度集合；

需要说明的是，每个应用功能均有唯一对应的ID，计算功能集中任意两个目标应用功能ID的相似度，实际计算的是功能集中任意两个目标应用功能的相似度，比如，计算应用功能A和应用功能B的相似度，以确定应用功能A和应用功能B之间可能存在的强关联规则。

步骤S204、基于相似度集合构建用户ID与不同的目标应用功能ID对应的应用功能之间的强关联规则。

举例说明，假设用户需要为手机充话费，首先使用了“话费充值”应用功能A进行了话费充值，在充值完成后用户最想使用“充值记录”应用功能B进行充值记录查询，这是一个强关联活动，在活动存在一定的关联规则，本发明将用户使用了应用功能A之后，最可能使用的应用功能B的规则，称为强关联规则，也即，应用功能A和应用功能B之间存在的强关联规则，则本发明构建的强关联规则为：用户-应用功能A-应用功能B。

为进一步优化上述实施例，本发明还公开了协同过滤推荐算法的确定过程，具体包括：

(1)根据历史行为数据构建特征工程，所述特征工程中的特征数据包括：用户类特征、功能类特征、功能类别类特征、用户-功能类特征、用户-功能类别类特征以及功能-功能类别特征。

(2)将所述特征数据输入至协同过滤推荐算法模型进行训练，得出评分最高的特征数据项作为预测特征。

其中，功能类特征指的是具体应用功能名称，比如“话费充值”、“我的基金”等等。

功能类别类特征指的是大范围的功能类别，比如“查询类”、“转账类”、“财富类”等等。

用户-功能类特征是指用户和具体应用功能之间交叉生成的特征，比如用户使用“话费充值”，生成的用户-功能类特征为：“用户-话费充值”。

用户-功能类别类特征是指用户和功能类别之间交叉生成的特征，比如用户使用的“话费充值”属于“生活类”，于是生成的用户-功能类别类特征为：“用户-生活类”。

需要说明的是，特征工程中的特征数据还可以包括时间序列特征，交叉特征。

为进一步优化上述实施例，本发明还公开了DIN模型的建立过程，具体包括：

(1)从所有的应用功能ID中确定功能集，所述功能集中的各个目标应用功能ID的点击次数高于所述功能集以外的应用功能ID的点击次数；

(2)基于所述功能集构建点击序列；

(3)将所述点击序列和用户行为数据作为样本数据进行模型训练，得到预设点击序列长度内高概率发生的点击行为项。

需要特别说明的是，本发明根据协同过滤算法和DIN模型各自的规则分别整理出与特征工程中的特征相互匹配的特征，然后利用预设融合算法，将协同过滤算法和DIN模型输出的特征进行拼接、加权融合和交叉验证，最后重新生成一个囊括协同过滤算法及DIN模型的功能推荐模型。本发明利用功能推荐模型进行调参以及预测用户下一步最可能点击的目标应用功能。

在实际应用中，可以通过调整功能推荐模型的训练样本对功能推荐模型进行优化。

与上述方法实施例相对应，本发明还公开了一种应用功能的个性化推荐系统。

参见图3，本发明实施例公开的一种应用功能的个性化推荐系统的结构示意图，该系统包括：

数据获取单元301，用于获取预设时间段内的历史行为数据，所述历史行为数据至少包括：用户ID、各个应用功能ID以及所述用户ID对每个所述应用功能ID的点击时刻；

预设时间段的取值依据实际需要而定，比如5分钟，本发明在此不做限定。

为便于后续对历史行为数据的处理，可以将历史行为数据存储在数据存储模块的O区。

关联规则确定单元302，拥有根据所述历史行为数据确定所述用户ID与不同应用功能之间的强关联规则；

强关联规则是指从功能集中挖掘出来X→Y的强关联规则，即进行X操作后大概率会进行Y操作。

其中，强关联规则与支持度和置信度阀值相关联，支持度和置信度阀值根据实际需要而定，本发明在此不做限定。

功能预测单元303，用于基于所述强关联规则，采用预先建立的功能推荐模型预测得到待推荐的目标应用功能，其中，所述功能推荐模型是将基于物品的协同过滤推荐算法和DIN模型采用预设融合算法得到的；

预设融合算法包括：拼接算法、加权融合算法和交叉验证算法。

功能展示单元304，用于在应用功能菜单界面展示所述目标应用功能。

在实际应用中，可以将各个目标应用功能存在的数据存储模块的R区。

综上可知，本发明公开了一种应用功能的个性化推荐系统，根据预设时间段内的历史行为数据确定用户ID与不同应用功能之间的强关联规则，基于强关联规则采用预先建立的功能推荐模型预测得到待推荐的目标应用功能，并在应用功能菜单界面展示各个目标应用功能，其中，功能推荐模型是将基于物品的协同过滤推荐算法和DIN模型采用预设融合算法得到的。本发明通过确定用户ID与不同应用功能之间的强关联规则来确定用户每次会大概率同时操作的不同应用功能，通过采用基于物品的协同过滤推荐算法和DIN模型，预测出用户在操作某个应用功能后，大概率操作的下一个目标应用功能，并在应用功能菜单界面展示目标应用功能，从而方便用户快速查找到所需的应用功能，满足不同用户、不同岗位对应用功能的个性化需求，提高用户体验。

另外，由于本发明可以方便用户查找所需的应用功能，而手机APP界面通常有很多应用功能，因此本发明还可以进一步提高手机APP的使用率，比如提高手机银行的使用率，从而使得手机APP得到了推广。

为进一步优化上述实施例，参见图4，本发明还公开了一种关联规则确定单元的结构示意图，关联规则确定单元具体包括：

点击次数统计子单元401，用于基于所述历史行为数据，统计各个所述应用功能ID在所述预设时间段内被所述用户ID点击的点击次数；

其中，点击次数统计子单元具体用于：

基于所述历史行为数据，生成所述用户ID、每个所述应用功能ID以及对应点击时刻的对应关系；

根据各个所述对应关系，统计各个所述应用功能ID在所述预设时间段内被所述用户ID点击的点击次数。

功能集确定子单元402，用于从所有的所述应用功能ID中确定功能集，所述功能集中的各个目标应用功能ID的点击次数高于所述功能集以外的应用功能ID的点击次数；

相似度计算子单元403，用于计算所述功能集中任意两个所述目标应用功能ID的相似度，得到相似度集合；

需要说明的是，每个应用功能均有唯一对应的ID，计算功能集中任意两个目标应用功能ID的相似度，实际计算的是功能集中任意两个目标应用功能的相似度，比如，计算应用功能A和应用功能B的相似度，以确定应用功能A和应用功能B之间可能存在的强关联规则。

关联规则构建子单元404，用于基于所述相似度集合构建所述用户ID与不同的所述目标应用功能ID对应的应用功能之间的强关联规则。

举例说明，假设用户需要为手机充话费，首先使用了“话费充值”应用功能A进行了话费充值，在充值完成后用户最想使用“充值记录”应用功能B进行充值记录查询，这是一个强关联活动，在活动存在一定的关联规则，本发明将用户使用了应用功能A之后，最可能使用的应用功能B的规则，称为强关联规则，也即，应用功能A和应用功能B之间存在的强关联规则，则本发明构建的强关联规则为：用户-应用功能A-应用功能B。

为进一步优化上述实施例，个性化推荐系统还可以包括：推荐算法确定单元；

推荐算法确定单元具体用于：根据所述历史行为数据构建特征工程，所述特征工程中的特征数据包括：用户类特征、功能类特征、功能类别类特征、用户-功能类特征、用户-功能类别类特征以及功能-功能类别特征；将所述特征数据输入至协同过滤推荐算法模型进行训练，得出评分最高的特征数据项作为预测特征。

其中，功能类特征指的是具体应用功能名称，比如“话费充值”、“我的基金”等等。

功能类别类特征指的是大范围的功能类别，比如“查询类”、“转账类”、“财富类”等等。

用户-功能类特征是指用户和具体应用功能之间交叉生成的特征，比如用户使用“话费充值”，生成的用户-功能类特征为：“用户-话费充值”。

用户-功能类别类特征是指用户和功能类别之间交叉生成的特征，比如用户使用的“话费充值”属于“生活类”，于是生成的用户-功能类别类特征为：“用户-生活类”。

需要说明的是，特征工程中的特征数据还可以包括时间序列特征，交叉特征。

为进一步优化上述实施例，个性化推荐系统还包括：DIN模型建立单元；

DIN模型建立单元具体用于：

从所有的所述应用功能ID中确定功能集，所述功能集中的各个目标应用功能ID的点击次数高于所述功能集以外的应用功能ID的点击次数；

基于所述功能集构建点击序列；

将所述点击序列和用户行为数据作为样本数据进行模型训练，得到预设点击序列长度内高概率发生的点击行为项。

需要特别说明的是，本发明根据协同过滤算法和DIN模型各自的规则分别整理出与特征工程中的特征相互匹配的特征，然后利用预设融合算法，将协同过滤算法和DIN模型输出的特征进行拼接、加权融合和交叉验证，最后重新生成一个囊括协同过滤算法及DIN模型的功能推荐模型。本发明利用功能推荐模型进行调参以及预测用户下一步最可能点击的目标应用功能。

在实际应用中，可以通过调整功能推荐模型的训练样本对功能推荐模型进行优化。

需要说明的是，系统实施例中各组成部分的具体工作原理，请参见方法实施例对应部分，此处不再赘述。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。