一種基于協(xié)同過濾推薦算法-K最近鄰分類算法的App推薦方法
【技術(shù)領域】
[0001] 本發(fā)明涉及一種基于協(xié)同過濾推薦算法與K最近鄰分類算法相結(jié)合的App推薦方 法，是屬于移動互聯(lián)網(wǎng)應用領域。
【背景技術(shù)】
[0002] 隨著技術(shù)的發(fā)展，智能電視、智能機頂盒、智能手機等智能化產(chǎn)品越來越受到消費 者的青睞。相應的，應用商店中的軟件也如雨后春筍般快速地增長。如何將優(yōu)質(zhì)的應用通過 排名準確地呈現(xiàn)給智能化產(chǎn)品的用戶，讓用戶花費最少的成本及時間選擇到適合自己的優(yōu) 質(zhì)應用，成為維持應用商店健康發(fā)展的重點。第三方軟件公司經(jīng)常采用惡意下載方式，以此 提升該應用排名。因此，需要改進應用排名方式，防止粗制軟件占據(jù)榜單，以使得更好地保 障應用商店的健康發(fā)展。
[0003] 傳統(tǒng)的應用商店按照"發(fā)布時間"、"排名上升速度"、"評分高低"、"評論次數(shù)"、"下 載次數(shù)"、"檢索次數(shù)"、"激活量"、"卸載次數(shù)"等屬性分發(fā)應用。
[0004] 在傳統(tǒng)應用商店的分發(fā)模式下，70%的下載量都被0.1%的Top熱門應用所占據(jù)， 而99.9%不常使用的低頻應用僅僅占到了總下載量的30%，即便有很好的工具、很好的服 務，卻沒有好的方法觸及自己的目標客戶，居于不利位置。應用商店的展現(xiàn)形式是優(yōu)先展示 下載量最大的Top熱門應用，形成強者恒強的局面，如果要搜索，前提是必須要知道這個應 用的名字，很多需求無法有效對接給開發(fā)者。
[0005] 并且，在傳統(tǒng)應用商店分發(fā)模式下，第三方軟件公司經(jīng)常采用惡意下載方式，以此 提升該應用排名。
[0006] 最后，附近的人往往是相同的群體，其行為習慣也大體相同。但自己身邊周圍的人 常用的一些應用常常因為排名靠后而不能被發(fā)現(xiàn)，互聯(lián)網(wǎng)的長尾效應無法得到釋放，沒有 很好的實現(xiàn)app的智能檢索排序。
[0007] 當前的應用商店按照傳統(tǒng)分類方式將應用分類，未充分考慮用戶之間的關系。因 而需要設計適合的推薦算法來提高app搜索時的搜索效率。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的在于提供一種基于協(xié)同過濾推薦算法與K最近鄰分類算法的App推 薦方法，主要用于解決基于模型推薦算法的傳統(tǒng)應用商店不能很好的解決用戶喜好變化以 及不能很好解決冷門App的推薦問題，從而提高App推薦的精度。
[0009] 為解決上述的技術(shù)問題，本發(fā)明采用的方案如下：
[0010] 第一步，采集用戶注冊信息，包括年齡、愛好、賬號等信息；
[0011] 第二步，采集用戶移動設備上安裝的App名稱信息并且上傳到后臺服務器;在用戶 裝載或卸載移動設備上的App時，其在后臺服務器上對應的App名稱信息也相應地添加或刪 除；
[0012] 第三步，采用基于協(xié)同過濾的推薦算法，根據(jù)用戶安裝的App信息，找出與該用戶 興趣相似度較大的集合Μ;將集合Μ中的用戶所有App信息存儲到集合N中；統(tǒng)計集合N中各個 App出現(xiàn)的次數(shù)，按照次數(shù)多少的順序返回給用戶；
[0013] 采用基于協(xié)同過濾推薦算法分類的具體過程如下：
[0014] 第一步，根據(jù)用戶興趣，采用KNN算法，分為Μ個集合。其中，用戶的興趣來自用戶安 裝的App信息以及用戶注冊時填寫的興趣；
[0015] 第二步，將Μ個集合中的每個集合內(nèi)的所有App信息存儲到集合N中；統(tǒng)計集合N中 各個App出現(xiàn)的次數(shù)，按照次數(shù)多少的順序返回給用戶；
[0010]其中，第一步中從安裝的App得出用戶興趣的過稱為:統(tǒng)計各款App的所屬分類。第 一步中KNN算法過程如下：
[0017] 1.維護一個大小為k的的按距離由大到小的優(yōu)先級隊列，用于存儲最近鄰訓練元 組。隨機從訓練元組中選取k個用戶作為初始的最近鄰元組，分別計算測試元組到這k個元 組的距離，設用戶仏與用戶山興趣相似度為仏,則該距離計算公式為：
[0019] 2.遍歷訓練元組集，計算當前訓練元組與測試元組的距離，將所得距離L與優(yōu)先級 隊列中的最大距離Lmax;
[0020] 3.進行比較。若L> = Lmax，則舍棄該元組，遍歷下一個元組。若L〈Lmax，刪除優(yōu)先級 隊列中最大距離的元組，將當前訓練元組存入優(yōu)先級隊列；
[0021] 4.遍歷完畢，計算優(yōu)先級隊列中k個元組的多數(shù)類，并將其作為測試元組的類別；
[0022] 5.測試元組集測試完畢后計算誤差率，繼續(xù)設定不同的k值重新進行訓練，最后取 誤差率最小的k值進行的分類。
[0023]有益效果
[0024]本發(fā)明對比已有的App推薦方法，具有以下創(chuàng)新點：
[0025] a.將用戶興趣相似度與KNN結(jié)合，找出與該用戶基本上相似的其他用戶集合U;
[0026] b.采用基于協(xié)同過濾的推薦算法，找到集合U中其他用戶所有App信息，按照各個 App出現(xiàn)次數(shù)排序，使推薦更具人性化；
[0027]本發(fā)明對比已有定位方法具有以下顯著優(yōu)點：
[0028] 1、改進了基于模型推薦算法的傳統(tǒng)應用商店不能很好的解決用戶喜好變化問題，
[0029] 2、改進了冷門App的推薦問題，
[0030] 3、提高App推薦的精準度。
【附圖說明】
[0031]附圖1是基于協(xié)同過濾推薦算法與K最近鄰分類算法的總體流程圖。
[0032]具體的實施方式
[0033]下面結(jié)合說明書附圖和【具體實施方式】對本發(fā)明作進一步的說明。
[0034] 為解決上述的技術(shù)問題，本發(fā)明采用的技術(shù)方案是:基于協(xié)同過濾推薦算法與K最 近鄰分類算法的App推薦方法，包括以下的步驟：
[0035] S1、采集用戶注冊信息，包括年齡、愛好、賬號等信息；
[0036] S2、采集用戶移動設備上安裝的App名稱信息并且上傳到后臺服務器;在用戶裝載 或卸載移動設備上的App時，其在后臺服務器上對應的App名稱信息也相應地添加或刪除；
[0037] S3、采用基于協(xié)同過濾的推薦算法，根據(jù)用戶安裝的App信息，找出與該用戶興趣 相似度較大的集合M;將集合Μ中的用戶所有App信息存儲到集合N中；統(tǒng)計集合N中各個App 出現(xiàn)的次數(shù)，按照次數(shù)多少的順序返回給用戶；
[0038] 采用基于協(xié)同過濾推薦算法分類的具體過程如下：
[0039] 第一步，根據(jù)用戶興趣，采用KNN算法，分為Μ個集合。其中，用戶的興趣來自用戶安 裝的App信息以及用戶注冊時填寫的興趣；
[0040] 第二步，將Μ個集合中的每個集合內(nèi)的所有App信息存儲到集合N中；統(tǒng)計集合N中 各個App出現(xiàn)的次數(shù)，按照次數(shù)多少的順序返回給用戶；
[0041 ]其中，第一步中從安裝的App得出用戶興趣的過稱為:統(tǒng)計各款App的所屬分類。第 一步中KNN算法過程如下：
[0042] 1.維護一個大小為k的的按距離由大到小的優(yōu)先級隊列，用于存儲最近鄰訓練元 組。隨機從訓練元組中選取k個用戶作為初始的最近鄰元組，分別計算測試元組到這k個元 組的距離，設用戶仏與用戶山興趣相似度為仏，則該距離計算公式為：
[0044] 2.遍歷訓練元組集，計算當前訓練元組與測試元組的距離，將所得距離L與優(yōu)先級 隊列中的最大距離Lmax;
[0045] 3.進行比較。若L> = Lmax，則舍棄該元組，遍歷下一個元組。若L〈Lmax，刪除優(yōu)先級 隊列中最大距離的元組，將當前訓練元組存入優(yōu)先級隊列；
[0046] 4.遍歷完畢，計算優(yōu)先級隊列中k個元組的多數(shù)類，并將其作為測試元組的類別；
[0047] 5.測試元組集測試完畢后計算誤差率，繼續(xù)設定不同的k值重新進行訓練，最后取 誤差率最小的k值進行的分類。
【主權(quán)項】
1. 一種基于協(xié)同過濾推薦算法與κ最近鄰分類算法的App推薦方法，其特征在于，采用 基于協(xié)同過濾推薦算法與K最近鄰法相結(jié)合的算法實現(xiàn)App推薦，具體的步驟如下： 51、 采集用戶注冊信息，包括年齡、愛好、賬號等信息； 52、 采集用戶移動設備上安裝的App名稱信息并且上傳到后臺服務器;在用戶裝載或卸 載移動設備上的App時，其在后臺服務器上對應的App名稱信息也相應地添加或刪除； 53、 采用基于協(xié)同過濾的推薦算法，根據(jù)用戶安裝的App信息，找出與該用戶興趣相似 度較大的集合M;將集合Μ中的用戶所有App信息存儲到集合N中；統(tǒng)計集合N中各個App出現(xiàn) 的次數(shù)，按照次數(shù)多少的順序返回給用戶。2. 根據(jù)權(quán)利要求1所述的基于協(xié)同過濾推薦算法與K最近鄰分類算法的App推薦方法， 其特征在于，利用采集的數(shù)據(jù)，實現(xiàn)訓練分類，然后采用協(xié)同過濾算法處理訓練分類后的數(shù) 據(jù)集，具體的步驟如下： 第一步，根據(jù)用戶興趣，采用K順算法，分為Μ個集合。其中，用戶的興趣來自用戶安裝的 App信息W及用戶注冊時填寫的興趣； 第二步，將Μ個集合中的每個集合內(nèi)的所有App信息存儲到集合N中；統(tǒng)計集合N中各個 App出現(xiàn)的次數(shù)，按照次數(shù)多少的順序返回給用戶； 其中，第一步中從安裝的App得出用戶興趣的過稱為:統(tǒng)計各款App的所屬分類。第一步 中K順算法過程如下： 1) .維護一個大小為k的的按距離由大到小的優(yōu)先級隊列，用于存儲最近鄰訓練元組。 隨機從訓練元組中選取k個用戶作為初始的最近鄰元組，分別計算測試元組到運k個元組的 距離，設用戶化與用戶&興趣相似度為化，則該距離計算公式為：2) .遍歷訓練元組集，計算當前訓練元組與測試元組的距離，將所得距離L與優(yōu)先級隊 列中的最大距離Lmax; 3) .進行比較。若L〉= Lmax，則舍棄該元組，遍歷下一個元組。若IXLmax，刪除優(yōu)先級隊 列中最大距離的元組，將當前訓練元組存入優(yōu)先級隊列； 4) .遍歷完畢，計算優(yōu)先級隊列中k個元組的多數(shù)類，并將其作為測試元組的類別； 5) .測試元組集測試完畢后計算誤差率，繼續(xù)設定不同的k值重新進行訓練，最后取誤 差率最小的k值進行的分類。
【專利摘要】一種基于協(xié)同過濾推薦算法-K最近鄰分類算法的App推薦方法。本發(fā)明采用一種支持向量機與KNN算法相結(jié)合的方法實現(xiàn)室內(nèi)定位，旨在改善App推薦的精準度，其實現(xiàn)推薦的主要過程如下，第一，采集用戶注冊信息，包括年齡、愛好、賬號等信息；第二，采集用戶移動設備上安裝的App名稱信息并且上傳到后臺服務器；在用戶裝載或卸載移動設備上的App時，其在后臺服務器上對應的App名稱信息也相應地添加或刪除；第三，采用基于協(xié)同過濾的推薦算法，根據(jù)KNN原理，利用用戶安裝的App信息，找出與該用戶興趣相似度較大的集合M；將集合M中的用戶所有App信息存儲到集合N中；統(tǒng)計集合N中各個App出現(xiàn)的次數(shù)，按照次數(shù)多少的順序返回給用戶。
【IPC分類】G06F17/30, G06K9/62
【公開號】CN105574183
【申請?zhí)枴緾N201510973710
【發(fā)明人】劉海亮, 宋聰穎, 黃鵬
【申請人】中山大學深圳研究院
【公開日】2016年5月11日
【申請日】2015年12月23日