[发明专利]一种基于移动App运行列表的App冷启动推荐方法

说明书

本发明涉及一种基于移动App运行列表的App冷启动推荐方法,主要涉及信息检索及推荐系统领域的内容，包括如下步骤：获取大量App信息并进行关键词整理；计算表示关键词关系的加权无向图；根据待推送App信息在所述加权无向图中进行计算并推送。本发明的基于移动App运行列表的App冷启动推荐方法，在训练数据训练出初始模型后，模型可以在使用运行列表内容进行良好推荐的前提下，良好的解决冷启动问题，并且具有良好的可扩展性，并一定程度上克服了基于内容推荐的不足。

技术领域

本发明涉及信息检索、图计算及推荐系统领域，特别涉及一种通过关键词计算及信息检索和图计算而完成的基于移动App的运行及内容信息解决推荐系统中App推荐的冷启动问题的方法。

背景技术

移动互联网的快速发展，为大众提供了多种多样的线上线下服务，极大地丰富和方便了日常生活。同时，面对社会生活中的大量需求，具有新功能的移动应用不断涌现，为人们的生活提供了更便捷的服务。在进行App的推广时，为了能够快速进入大众的视野中，一般App开发者均会制定一定的推送策略。但是在当前的App推送方式中，对于新App推送的冷启动问题一直未得到良好的解决。

现有的针对于冷启动的随机推荐法、平均值法、众数法和信息熵法等方法，是在很大程度上牺牲用户的个性化需求为代价，进而在一定程度上缓解冷启动问题。在给新用户推送时，一般策略是将使用最广或者最火的App推送给新用户，这样在未知用户特征的前提下会有一定的推送效果。在给用户推送新App时，将App推送给最活跃的或者下载App最多的用户，这样在未知App的特征内容的前提下，可以比随机推荐更好地提高推荐效果。但是以上的方法只能是在一定程度上缓解冷启动问题，而不能根治。

同时，基于原始评分矩阵扩充的方法，直接利用用户的人口统计信息和项目的内容特征信息添加到原来的用户—物品矩阵中。这样在当有新用户或者新物品时，也会使得矩阵中这些行或列不为空，进而使得进行矩阵计算时也可以实施，可以继续计算相似用户或者相似物品，最后完成推荐。此算法对新用户和新物品的添加有效果，但是对于超高维的数据，当用户或物品的维数远远大于扩充的信息的维数时，这些扩充信息就不足以描述新用户或新物品的特征，所以此时也不能好的解决冷启动问题。

还有使用构建概率统计模型和与机器学习相结合的方法。前者由于在搜集概率条件信息时要花费很大的代价，所以很少使用。后者对影响因素的比例选取没有充分的数学依据，所以只是用于特定的数据集。

对于App推荐来说，基于内容的推荐虽然可以良好的解决冷启动问题，但是经过实际测试，其效果与随机推荐相差无异，因此无法直接使用。

发明内容

为了解决上述问题，本发明提供了一种基于移动App运行列表的App冷启动推荐方法，用于在能够使用用户运行列表进行较好质量的推荐的前提下，同时很好的解决对于新物品冷启动的问题。

为实现上述目的，本发明的技术方案为：

一种基于移动App运行列表的App冷启动推荐方法，包括如下步骤：

S10. 获取大量App信息并进行关键词整理；

S20. 计算表示所述关键词关系的加权无向图；

S30. 根据待推送App信息在所述加权无向图中进行计算并推送。

进一步的，步骤S10包括以下步骤：

S101. 获取大量App的信息，所述信息中包括App描述信息；

S102. 获取大量用户的运行列表，作为计算使用的数据训练库；