推荐应用资源的方法及系统

1.一种推荐应用资源的方法，其特征在于，包括：
收集各用户使用应用过程中的历史记录；所述历史记录包括使用的各应用类型，以及至少一种其他维度上的数据；所述应用为智能电视设备中安装的应用；
对收集到的各用户的历史记录进行统计，根据每一用户使用各类型应用的数量计算各类型应用的数量占比，并将该用户归入数量占比大于组阈值的特定类型应用所对应的用户组，该用户定义为典型用户，生成各特定类型应用对应的包括典型用户的用户组；
分别获取各用户组内典型用户在其他维度上的数据特征，确定各用户组在其他维度上的组特征；
判断典型用户外的其他用户在其他维度上的数据特征，是否满足某用户组的组特征，如果是，则将该用户加入该用户组；
根据各用户组所对应的特定类型信息，向用户组内的用户推荐对应的应用资源;
所述至少一种其他维度上的数据包括，用户使用各类型应用的时长、用户使用应用的时间段分布、用户进行搜索的次数和搜索内容、用户使用同一应用的次数或用户对推荐类的消息的点击次数。
2.根据权利要求1所述的方法，其特征在于：所述收集各用户使用应用过程中的历史记录包括：当用户使用应用的时长大于第一下限值时，记录其历史记录。
3.根据权利要求1所述的方法，其特征在于：所述组阈值为用户使用的各类型应用的数量占比的第二下限值。
4.根据权利要求1所述的方法，其特征在于，还包括：
计算典型用户外的其他用户的数量占比，判断该数量占比是否大于等于对应组的数量占比组阈值，若大于等于对应的数量占比组阈值则将其划入该组；若小于各分组的数量占比组阈值，则获得该用户在其他维度上的数据特征。
5.根据权利要求1所述的方法，其特征在于还包括：对于历史记录条数大于第三下限值的用户进行统计分组，对于分组后的用户在每增加一定条数的记录后重新对该用户进行统计分组。
6.一种推荐应用资源的系统，其特征在于，包括：
历史记录获取模块，用于所述历史记录包括使用的各应用类型，以及至少一种其他维度上的数据；所述应用为智能电视设备中安装的应用；
典型用户选取划分模块，对收集到的各用户的历史记录进行统计，根据每一用户使用各类型应用的数量计算各类型应用的数量占比，并将该用户归入数量占比大于组阈值的特定类型应用所对应的用户组，该用户定义为典型用户，生成各特定类型应用对应的包括典型用户的用户组；
模型训练模块，分别获取各用户组内典型用户在其他维度上的数据特征，确定各用户组在其他维度上的组特征；
用户分组模块，用于判断典型用户外的其他用户在其他维度上的数据特征，是否满足某用户组的组特征，如果是，则将该用户加入该用户组；
应用推荐模块，用于根据各用户组所对应的特定类型信息，向用户组内的用户推荐对应的应用资源;
所述至少一种其他维度上的数据包括，用户使用各类型应用的时长、用户使用应用的时间段分布、用户进行搜索的次数和搜索内容、或用户对推荐类的消息的点击次数。
7.根据权利要求6所述的系统，其特征在于，所述历史记录获取模块具体用于：当用户使用应用的时长大于第一下限值时，记录其历史记录。
8.根据权利要求6所述的系统，其特征在于，还包括：
判断单元，用于计算典型用户外的其他用户的数量占比，判断该数量占比是否大于等于对应组的数量占比组阈值，若大于等于对应的数量占比组阈值则将其划入该组；若小于各分组的数量占比组阈值，则获得该用户在其他维度上的数据特征。

推荐应用资源的方法及系统\n技术领域\n[0001] 本发明属于智能电视领域，尤其涉及一种在智能电视中推荐应用资源的方法及系统。\n背景技术\n[0002] 随着智能电视的广泛普及，越来越多的应用程序开始登陆智能电视平台，与传统电视、互联网电视相比，智能电视可以通过自身的平台引入了大量的第三方应用程序，第三方应用程序包含各种应用，如电子书、游戏、音乐、通信工具等，这些应用存储于服务器上，用户可以进入到服务器的应用商店，在应用商店提供的应用列表中浏览各个应用，从中选择目标应用并进行下载。第三方应用程序的导入，扩大了用户的选择范围。目前在众多的应用中用户需要通过搜索入口搜索感兴趣的应用，但这种方法完全依靠用户手工操作，效率低下，效果不好。\n发明内容\n[0003] 针对现有技术中存在的缺陷，本发明提供一种推荐应用资源的方法及系统。\n[0004] 一种推荐应用资源的方法，包括：收集各用户使用应用过程中的历史记录；所述历史记录包括使用的各应用类型，以及至少一种其他维度上的数据；所述应用为智能电视设备中安装的应用；对收集到的各用户的历史记录进行统计，根据每一用户使用各类型应用的数量计算各类型应用的数量占比，并将该用户归入数量占比大于组阈值的特定类型应用所对应的用户组，该用户定义为典型用户，生成各特定类型应用对应的包括典型用户的用户组；分别获取各用户组内典型用户在其他维度上的数据特征，确定各用户组在其他维度上的组特征；判断典型用户外的其他用户在其他维度上的数据特征，是否满足某用户组的组特征，如果是，则将该用户加入该用户组；根据各用户组所对应的特定类型信息，向用户组内的用户推荐对应的应用资源。\n[0005] 可选地，所述至少一种其他维度上的数据包括，用户使用各类型应用的时长、用户使用应用的时间段分布、用户进行搜索的次数和搜索内容、用户使用同一应用的次数或用户对推荐类的消息的点击次数。\n[0006] 可选地，所述收集各用户使用应用过程中的历史记录包括：当用户使用应用的时长大于第一下限值时，记录其历史记录。\n[0007] 可选地，所述组阈值为用户使用的各类型应用的数量占比的第二下限值。\n[0008] 可选地，计算典型用户外的其他用户的数量占比，判断该数量占比是否大于等于对应组的数量占比组阈值，若大于等于对应的数量占比组阈值则将其划入该组；若小于各分组的数量占比组阈值，则获得该用户在其他维度上的数据特征。\n[0009] 可选地，对于历史记录条数大于第三下限值的用户进行统计分组，对于分组后的用户在每增加一定条数的记录后重新对该用户进行统计分组。\n[0010] 一种推荐应用资源的系统，包括：历史记录获取模块，用于所述历史记录包括使用的各应用类型，以及至少一种其他维度上的数据；所述应用为智能电视设备中安装的应用；\n典型用户选取划分模块，对收集到的各用户的历史记录进行统计，根据每一用户使用各类型应用的数量计算各类型应用的数量占比，并将该用户归入数量占比大于组阈值的特定类型应用所对应的用户组，该用户定义为典型用户，生成各特定类型应用对应的包括典型用户的用户组；模型训练模块，分别获取各用户组内典型用户在其他维度上的数据特征，确定各用户组在其他维度上的组特征；用户分组模块，用于判断典型用户外的其他用户在其他维度上的数据特征，是否满足某用户组的组特征，如果是，则将该用户加入该用户组；应用推荐模块，用于根据各用户组所对应的特定类型信息，向用户组内的用户推荐对应的应用资源。\n[0011] 可选地，所述至少一种其他维度上的数据包括，用户使用各类型应用的时长、用户使用应用的时间段分布、用户进行搜索的次数和搜索内容、或用户对推荐类的消息的点击次数。\n[0012] 可选地，所述历史记录获取模块具体用于：当用户使用应用的时长大于第一下限值时，记录其历史记录。\n[0013] 可选地，判断单元，用于计算典型用户外的其他用户的数量占比，判断该数量占比是否大于等于对应组的数量占比组阈值，若大于等于对应的数量占比组阈值则将其划入该组；若小于各分组的数量占比组阈值，则获得该用户在其他维度上的数据特征。\n[0014] 与现有技术相比，上述技术方案具有以下优点或有益效果：通过统计用户使用应用的历史数据，可以统计出用户数据在不同角度上的数据分布，能够较为准确的实现对用户所属类别的分组，这样就可以根据用户分组有针对性的进行应用推荐，提高了推荐效果。\n附图说明\n[0015] 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：\n[0016] 图1是本发明实施例提供的推荐应用资源的方法流程图。\n[0017] 图2是本发明实施例提供的推荐应用资源的系统示意图。\n具体实施方式\n[0018] 下面结合附图，进一步阐述本发明。应理解，这些实施例仅用 于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授 的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式 同样落于本申请所附权利要求书所限定的范围。\n[0019] 本发明的智能电视系统包括智能电视客户端和服务器，服务器上存储有各种类型的应用资源，如各种聊天工具、各种游戏、电子书、飞机或火车票预订、地图等等，用户通过客户端登陆特定账号后可以访问服务器上的各种应用资源，客户端可以是运行在智能电视终端的应用程序，通过终端设备用户可以使用服务器上的应用资源。服务器保存有各账号的使用历史记录，通过对使用历史记录的分析向不同用户推荐其感兴趣的应用资源。下面通过具体的实施例对本发明做进一步介绍。\n[0020] 实施例1\n[0021] 如图1所示，本发明实施例首先提供一种推荐应用资源的方法。智能电视用户的个人喜好、应用习惯互不相同，有些用户对交友类应用感兴趣，有些用户对游戏类应用感兴趣等等。本发明实施例会记录与这些使用应用习惯相关的用户的一些使用应用记录，收集到的使用应用记录可以称为历史记录，历史记录可以是由智能电视端进行收集，然后上传到服务器，这样，服务器就可以获取到各个智能电视端的历史使用应用记录。其中，智能电视端可以采用实时上传的方式，或者采用定期上传（例如，每周上传一次），或者定量上传（例如，每记录10M的数据上传一次），等等。历史记录中包括各用户使用应用的次数信息等。通过对历史记录的统计可以发现，各用户对不同应用的喜好是不同的，某些用户的历史记录中能够明显的体现出用户使用某类应用的数量占比显著高于其他应用，这些用户可以被称为典型用户，可以据此将典型用户划分到不同的用户组中。\n[0022] 用户组可以分为游戏组、天气组、购物组、通信组、社交组等。游戏组是对游戏类应用感兴趣的用户组，天气组是对天气类应感兴趣的组，购物组是对购物类应用感兴趣的组，通信组是对即时通信工具或通信类应用感兴趣的组，社交组是对各种交友类应用感兴趣的组。当然对于用户的分组并非局限于此，还可以对用户进行更多的分组，例如酒店预订组、机票或火车票预订组、地图或导航组等等，分组的类型可以动态调整，以上举例并非意在限制对用户组的划分。\n[0023] 除典型用户外的其他用户的历史记录中可能无法直接从使用应用的数量占比方面体现出某一用户组的显著性，此时，如何确定这些用户所属的用户组，则成为重点需要解决的问题。下面具体介绍用户划分的过程。\n[0024] S101：收集各用户使用应用过程中的历史记录；所述历史记录包括使用的各应用类型，以及至少一种其他维度上的数据；所述应用为智能电视设备中安装的应用。\n[0025] 为了能对众多用户进行划分，首先需要记录用户的使用应用的历史记录。具体实现时，用户可以在智能电视端输入预先获得的账号信息登陆服务器，服务器可以接收账号信息，判断账号信息的合法性，当账号信息合法时收集该账号所对应的包括用户使用应用的使用次数的历史记录。其中，具体实现时，用户可以通过扫描二维码，输入用户ID、密码，等方式登陆服务器。关于用户的使用历史记录，可以是由客户端进行收集，然后上传到服务器，这样，服务器就可以获取到各个客户端的历史使用应用记录。其中，智能电视端可以采用实时上传的方式，或者采用定期上传（例如，每周上传一次），或者定量上传（例如，每记录\n10M的数据上传一次），等等。\n[0026] 其中，除使用次数外，历史记录还可以包括用户使用各类型应用的时长、用户使用应用的时间段分布、用户进行搜索的记录和搜索内容、用户观看同一视频的记录或用户对推荐类的消息的点击记录和类型等。\n[0027] 服务器可以根据用户使用应用的时长来来判断是否需要记录该次使用行为，具体而言可以是：服务器以分为单位记录用户使用时间，当用户使用某应用的时长低于阈值时，例如1分钟，则此次行为无效，不予记录。这样既减小了数据记录量，记录的内容也更准确。\n[0028] 服务器接收到各用户使用历史记录后，首先可以对数据进行归一化处理，删除重复数据。然后就可以根据处理完后的历史记录，计算用户使用应用的数量占比。例如，历史记录中存在100条使用应用记录，在这100条使用记录中用户使用通信类应用的记录为60条，用户使用购物类应用的记录是10条等等，则计算得到用户使用通信类应用的数量占比为60%，使用购物类应用的数量占比为10%等。\n[0029] S102：对收集到的各用户的历史记录进行统计，根据每一用户使用各类型应用的数量计算各类型应用的数量占比，并将该用户归入数量占比大于组阈值的特定类型应用所对应的用户组，该用户定义为典型用户，生成各特定类型应用对应的包括典型用户的用户组；\n[0030] 在已存在历史记录的用户中，一些用户具有明显的分类特征，如某些用户使用通信类应用的数量占比大于60%，某些用户使用购物类应用的数量占比大于70%等等，则这些用户可以对应的分入通信组、购物组等，这些用户被称为典型用户。而另一些用户不具有明显特征，例如有些用户的历史记录不完整，其中可能存在缺失的数据，例如，有些应用的类型难以划分，则系统就无法获得这次使用历史记录中的应用类型的记录，或者使用过程中网络中断导致无法获得使用时长等等情况，再比如一些用户使用各类型应用的数量占比基本相同，比如一些用户使用购物类应用的数量占比为30%、使用社交类应用的占比为31%、使用通信类应用的数量占比为28%等，对于这些用户难以向其推荐应用。\n[0031] 为了解决这一问题，本发明选取一部分具有明显分类特征的典型用户进行组划分，确定数量占比大于组阈值的极端用户，为下文的模型训练做准备。例如选取1000个典型用户，这1000个典型用户使用应用的数量占比均大于对应的组阈值。比如，1000个典型用户中其使用通信类应用的数量占比大于60%的用户为100个，则这100个用户可以划入通信组，这里数值60%称为组阈值，不同组的组阈值既可以相同也可以不同，其组阈值可以动态调整。\n[0032] S103：分别获取各用户组内典型用户在其他维度上的数据特征，确定各用户组在其他维度上的组特征；\n[0033] 在完成对典型用户分组后，进行模型训练，获取对应分组内各典型用户在其他维度上的数据特征。下面以通信组为例对其进行说明，如1000个典型用户中属于通信组的用户为100人，这100人使用通信类应用的数量占比大于60%，除了数量占比大于60%这一数据特征为，该组还存在一些其他维度上的数据特征，如此类用户平均使用时间大于60分钟，且使用时段经常在晚上，对推荐的通信类消息点击比例平均大于70%，在该例中用户平均使用时间、使用时段、对通信类消息的点击比例被称为其他维度上的数据。\n[0034] 再比如1000个用户中属于游戏组的用户为200人，这200人使用游戏类应用的数量占比均大于65%，除了数量占比大于65%这一数据特征为，该组还存在一些其他维度上的数据特征，如此类此类用户使用时段经常在中午，用户使用同一应用的次数大于10次，搜索内容的类型分布中游戏类占比大于40%等，在该例中用户使用应用的时段、用户使用同一应用的次数、搜索内容的类型分布被称为其他维度上的数据。\n[0035] 通过这种模型训练可以获得各组用户在其他维度上的数据特征，即各组在其他维度上的组特征，本领域技术人员应当明了，在收集到的历史使用应用记录中，任何不同于数量占比的数据，均可称为其他维度上的数据，本发明实施例并非意在限制其他维度上的数据所包含的内容。\n[0036] S104：判断典型用户外的其他用户在其他维度上的数据特征，是否满足某用户组的组特征，如果是，则将该用户加入该用户组；\n[0037] 获得其他维度上的数据特征之后，可以用这些数据特征对典型用户之外的其他用户进行分组。相当于利用训练出的模型，对用户进行分类。具体而言可以是首先判断所获取的历史记录中关于使用各应用的记录是否完整，若记录完整，则对其计算数量占比，判断数量占比是否大于对应组的组阈值，若大于组阈值则将其划入该组。在判断历史记录是否完整时，可以设置一下限值，对于缺失数据大于下限值的用户才进一步进行其他维度上的判断，例如对于缺失记录大于10%的用户才进一步进行其他维度上的判断，这一下限值可以动态调整。\n[0038] 若记录不完整或其占比小于各分组的组阈值，则获得该用户其他维度上的数据特征，判断其是否满足某特定类型中通过模型训练统计出的其他维度上的组特征，满足则将其分入该组，若判断后发现不存在于该用户对应的分组，即该用户不能划入任何一个类型的组，则将该用户分组未分组用户。\n[0039] 例如对于某一用户，历史记录中存在500条记录，则系统首先判断这500历史记录是否完整，若记录完整，则对其计算数量占比，若这500条记录中有400条为使用通信类应用的记录，则使用通信类应用的数量占比为80%，其大于通信组的组阈值60%，那么将其划入通信组；若这500条记录中有100条为使用通信类应用的记录、100条为使用的购物类应用的记录、100条为使用游戏类应用的记录，100条为使用天气类应用的记录，100条为使用交通类应用的记录，则计算得到各应用的数量占比均为为20%，各应用的数量占比均小于对应组的组阈值，则判断该用户的至少一种其他维度上的数据是否满足某特定组中统计出组特征，如判断用户平均使用时间是否大于60分钟，是否经常在晚上使用，对推荐的通信类消息点击比例是否大于70%等，若满足这些条件，则将该用户划入通信组；若判断后发现不存在与该用户对应的分组，即该用户不能划入任何一个应用组，则将该用户分组至未分组用户。\n[0040] 应当理解，本发明的同一用户可以分组不同的组，例如对于同一用户，其他维度上的数据可能同时满足多个对应分组模型中统计出所述其他维度上的数据特征，则将该用户同时分入这两个组。\n[0041] 本发明中，随着用户使用时间的增加，其历史记录的信息越来越丰富，为了更加准确的实现对用户的分组，系统只对于用户的历史记录条数大于下限值的用户进行统计分组，这一下限值例如可以是10条。分组后系统可以在每增加一定条数的记录后重新对用户进行统计分组，例如记录条数新增10条之后，系统会对原有记录和新增的这10条记录重新进行统计分组。\n[0042] S105：根据各用户组所对应的特定类型信息，向用户组内的用户推荐对应的应用资源。\n[0043] 对用户分组完成后，用户通过账号登陆系统后，就可以将历史记录与用户账号进行关联，分析用户的使用应用习惯，比如习惯使用聊天工具，习惯使用购物类应用，喜欢玩儿游戏等，从而将用户分为的组，根据各用户对应的组信息，对于不同类型的应用组推荐相应的应用。例如服务器记录的某一账号属于游戏组，则当用户通过该账号登陆后，系统自动向其推荐游戏。\n[0044] 当用户没有通过账号登陆或者用户为新注册用户或者用户属于未分组用户组，则系统可以根据他当前所使用的应用类型，向其推荐该类型的其他应用，这样方便用户使用同类应用，或进行随机推荐。\n[0045] 实施例2\n[0046] 如图2所示，本发明实施例还提供一种推荐应用资源的系统。\n[0047] 历史记录获取模块201，收集各用户使用应用过程中的历史记录；所述历史记录包括使用的各应用类型，以及至少一种其他维度上的数据；所述应用为智能电视设备中安装的应用；\n[0048] 典型用户选取划分模块202，对收集到的各用户的历史记录进行统计，根据每一用户使用各类型应用的数量计算各类型应用的数量占比，并将该用户归入数量占比大于组阈值的特定类型应用所对应的用户组，该用户定义为典型用户，生成各特定类型应用对应的包括典型用户的用户组；\n[0049] 模型训练模块203，分别获取各用户组内典型用户在其他维度上的数据特征，确定各用户组在其他维度上的组特征；\n[0050] 用户分组模块204，判断典型用户外的其他用户在其他维度上的数据特征，是否满足某用户组的组特征，如果是，则将该用户加入该用户组；\n[0051] 应用推荐模块205，根据各用户组所对应的特定类型信息，向用户组内的用户推荐对应的应用资源。\n[0052] 具体实现时，所述历史记录获取模块具体可以用于：当用户使用应用的时长大于第一下限值时，记录其历史记录。其中，所述组阈值为用户使用的各类型应用的数量占比的第二下限值。\n[0053] 为了降低计算量，该系统还可以包括：\n[0054] 判断模块，用于计算典型用户外的其他用户的数量占比，判断该数量占比是否大于等于对应组的数量占比组阈值，若大于等于对应的数量占比组阈值则将其划入该组；若小于各分组的数量占比组阈值，则获得该用户在其他维度上的数据特征。\n[0055] 另外，该系统还可以包括：\n[0056] 重新分组模块，用于对于历史记录条数大于第三下限值的用户进行统计分组，对于分组后的用户在每增加一定条数的记录后重新对该用户进行统计分组。\n[0057] 对于前述的各装置实施例，为了简单描述，故将其都表述为一系列的单元/模块组合，但是本领域的技术人员应该知悉，本发明并不受所描述的单元/模块组合的限制，因为根据本发明，某些单元可以采用其他单元/模块执行；其次，本领域技术人员也应该知悉，上述装置实施例均属于优选实施例，所涉及的单元/模块并不一定是本发明所必须的。\n[0058] 本说明书中的各个实施例均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的部分互相参见即可。对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。\n[0059] 以上对本发明所提供的推荐应用资源的方法及系统，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。