[发明专利]基于下载行为数据及向量表征学习的移动应用推荐方法

权利要求书

1.基于下载行为数据及向量表征学习的移动应用推荐方法，其特征在于：包括以下步骤：

S1、从用户下载App记录数据中提取每个用户的下载App序列{x₁,x₂,…,x_k}；

S2、将下载序列输入到word2vec模型当中，得到每个App的表征向量，{a₁,a₂,…a_N}，假设a为T维向量，再对其进行归一化，得到A＝Norm(a)；

S3、将每个用户的下载序列{x₁,x₂,…,x_k}中的App对应出相应的向量，得到T*K矩阵，B＝{X₁,X₂,…,X_K}；通过该矩阵得到每个用户的用户行为表征向量r后，对r进行归一化，得到R＝Norm(r)；

S4、对每个用户计算R和A的相似度，得到相似度向量{S₁,S₂,…,S_N}，对其进行排序，按从大到小的顺序推荐给用户；

S5、计算用户行为表征向量R与其他用户行为表征向量R_N的相似度，得到相似度向量{S'₁,S'₂,…,S'_N}，对其进行排序，选取S'较高的用户对应下载过的App，在该些App中选取S值较高者推荐给用户。

2.根据权利要求1所述的基于下载行为数据及向量表征学习的移动应用推荐方法，其特征在于：通过矩阵得到每个用户的用户行为表征向量r的计算公式为：r＝(B·1)^T。

3.根据权利要求1所述的基于下载行为数据及向量表征学习的移动应用推荐方法，其特征在于：通过矩阵得到每个用户的用户行为表征向量r的计算步骤为：对B进行去重，得到B'，再令r＝(B'·1)^T。

4.根据权利要求1所述的基于下载行为数据及向量表征学习的移动应用推荐方法，其特征在于：所述步骤S2和S3采用的归一化步骤如下：

假设n维向量e＝{e₁,e₂,…,e_n}，该向量的模为则归一化向量Norm(e)＝e/|e|。

5.根据权利要求1所述的基于下载行为数据及向量表征学习的移动应用推荐方法，其特征在于：所述步骤S4中每个用户R和A的相似度以及步骤S5用户行为表征向量R与其他用户行为表征向量R_N的相似度通过余弦相似度计算得到，即通过计算两个向量的夹角余弦值来评估他们的相似度。

6.根据权利要求1所述的基于下载行为数据及向量表征学习的移动应用推荐方法，其特征在于：所述步骤S4中每个用户R和A的相似度以及步骤S5用户行为表征向量R与其他用户行为表征向量R_N的相似度均通过皮尔逊积矩相关系数计算得到；

每个用户R和A的相似度计算公式如下：

PCC(R,A)=cov(R,A)σRσA]]>

其中，cov(R,A)表示两向量间的协方差，σ_R和σ_A表示变量的标准偏差；

用户行为表征向量R与其他用户行为表征向量R_N的相似度计算公式如下：

PCC(R,RN)=cov(R,RN)σRσRN]]>

其中，cov(R,R_N)表示两向量间的协方差，σ_R和表示变量的标准偏差。