軟體推薦方法和系統的製作方法
2023-05-17 23:19:01 2
專利名稱：軟體推薦方法和系統的製作方法
技術領域：
本發明涉及計算機技術領域，特別涉及一種軟體推薦方法和系統。
背景技術：
隨著計算機技術的發展，客戶端軟體越來越廣泛，遍及即時通信、音視頻播放、資源下載、網頁瀏覽、輸入法、系統輔助等各個門類。客戶端新軟體層出不窮，一方面軟體商希望把新的軟體推送給用戶，另一方面用戶也希望接觸到自己喜歡的新軟體，所以產生了軟體推薦的需求。傳統的軟體推薦方式是向用戶推薦與已安裝的軟體相似或者同類軟體。比如，用戶下載了一款播放器軟體，系統會再推薦另一款播放器軟體。而事實上，對於播放器這類軟體，用戶往往只需要 安裝一款即可。所以，這種軟體推薦對用戶意義不大，並沒有向用戶提供其所需要或者感興趣的新軟體，從而用戶接受推薦軟體的成功率也不高。
發明內容基於此，有必要提供一種能提高軟體推薦成功率的軟體推薦方法。一種軟體推薦方法，包括以下步驟伺服器創建用戶群特徵庫，所述用戶群特徵庫中存儲了用戶群類別和對應的用戶群判別特徵；客戶端提取用戶的特徵信息，並將所述用戶的特徵信息提交到所述伺服器；所述伺服器將所述用戶的特徵信息與所述用戶群特徵庫中的用戶群判別特徵進行匹配，確定所述用戶所屬的用戶群類別；所述伺服器根據所述確定的用戶群類別向所述用戶推薦軟體。優選的，所述伺服器創建用戶群特徵庫的步驟包括選取樣本用戶；對所述樣本用戶進行分類，得到所述樣本用戶的初始類別；獲取所述樣本用戶的特徵信息；根據所述初始類別和用戶的特徵信息創建用戶群特徵庫。優選的，所述獲取樣本用戶的特徵信息的步驟為獲取樣本用戶的用戶信息，提取所述用戶信息中與軟體相關的特徵信息；所述根據所述初始類別和用戶的特徵信息創建用戶群特徵庫的步驟為根據所述初始類別對所述用戶的特徵信息進行聚類分析；根據聚類分析結果獲取用戶群類別、對應的用戶群判別特徵及所述用戶群判別特徵的參考值；將所述用戶群類別、對應的用戶群判別特徵及所述用戶群判別特徵的參考值存儲在用戶群特徵庫中。優選的，所述伺服器將所述用戶的特徵信息與所述用戶群特徵庫中的用戶群判別特徵進行匹配，確定所述用戶所屬的用戶群類別的步驟為獲取所述用戶的特徵信息中的特徵值；計算所述特徵值與各類用戶群類別對應的所述用戶群判別特徵的參考值之間的距離；獲取最小的所述距離對應的用戶群類別，為所述用戶所屬的用戶群類別。優選的，所述方法還包括所述伺服器設置與所述用戶群類別對應的軟體推薦列表；所述伺服器根據所述確定的用戶群類別向所述用戶推薦軟體的步驟為根據所述確定的用戶群類別選取對應的軟體推薦列表；從所述軟體推薦列表中篩選出所述用戶未安裝的或比用戶安裝的軟體版本更新的軟體推薦給所述用戶。此外，還有必要提供一種能提高軟體推薦成功率的軟體推薦系統。一種軟體推薦系統，包括伺服器和與所述伺服器進行數據交互的客戶端，所述伺服器包括創建模塊，用於創建用戶群特徵庫，所述用戶群特徵庫中存儲了用戶群類別和對應的用戶群判別特徵；所述客戶端包括信息提取模塊，用於提取用戶的特徵信息，並將所述用戶的特徵信息提交到所述伺服器；所述伺服器還包括匹配模塊，用於將所述用戶的特徵信息與所述用戶群特徵庫中的用戶群判別特徵進行匹配，確定所述用戶所屬的用戶群類別；推薦模塊，用於根據所述確定的用戶群類別向所述用戶推薦軟體。優選的，所述創建模塊包括樣本選取模塊，用於選取樣本用戶；初始分類模塊，用於對所述樣本用戶進行分類，得到所述樣本用戶的初始類別；特徵信息獲取模塊，用於獲取所述樣本用戶的特徵信息；特徵庫創建子模塊，用於根據所述初始類別和用戶的特徵信息創建用戶群特徵庫。優選的，所述特徵信息獲取模塊還用於獲取所述樣本用戶的用戶信息，提取所述用戶信息中與軟體相關的特徵信息；所述特徵庫創建子模塊包括聚類分析模塊，用於根據所述初始類別對所述用戶的特徵信息進行聚類分析；用戶群類別獲取模塊，用於根據聚類分析結果獲取用戶群類別、對應的用戶群判別特徵及所述用戶群判別特徵的參考值；用戶群特徵庫，用於存儲所述用戶群類別、對應的用戶群判別特徵及所述用戶群判別特徵的參考值。優選的，所述匹配模塊包括特徵值獲取模塊，用於獲取所述用戶的特徵信息中的特徵值；距離計算模塊，用於計算所述特徵值與各類所述用戶群判別特徵的參考值之間的距離；
用戶類別確定模塊，用於獲取最小的所述距離對應的用戶群類別，為所述用戶所屬的用戶群類別。優選的，所述伺服器還包括設置模塊，用於設置與所述用戶群類別對應的軟體推薦列表；所述推薦模塊包括列表選取模塊，用於根據所述確定的用戶群類別選取對應的軟體推薦列表；篩選模塊，用於從所述軟體推薦列表中篩選出所述用戶未安裝的或比用戶安裝的軟體版本更新的軟體推薦給所述用戶。 上述軟體推薦方法和系統，通過將客戶端提取的用戶的特徵信息與伺服器中的用戶群特徵庫中的用戶群判別特徵進行匹配，來確定用戶所屬的用戶群類別，然後向用戶推薦與用戶群類別對應的軟體。由於不同的用戶群類別所感興趣的軟體不同，根據用戶的特徵信息向用戶推薦其所屬用戶群類別對應的軟體，能夠提高用戶接受推薦軟體的可能性，從而提高軟體推薦的成功率。
圖1為一個實施例中的軟體推薦方法的流程示意圖；圖2為一個實施例中的創建用戶群特徵庫的流程示意圖；圖3為另一個實施例中的創建用戶群特徵庫的流程示意圖；圖4為一個實施例中的確定用戶所屬用戶群類別的流程示意圖；圖5為一個實施例中根據確定的用戶群類別向用戶推薦軟體的流程示意圖；圖6為一個實施例中的軟體推薦系統的結構示意圖；圖7為一個實施例中的創建模塊的結構示意圖；圖8為一個實施例中的特徵庫創建子模塊的結構示意圖；圖9為一個實施例中的匹配模塊的結構示意圖；圖10為另一個實施例中的軟體推薦系統的結構示意圖。
具體實施方式如圖1所示，在一個實施例中，一種軟體推薦方法，包括以下步驟步驟S10，伺服器創建用戶群特徵庫，用戶群特徵庫中存儲了用戶群類別和對應的用戶群判別特徵。用戶群類別是對大量的用戶進行分類後所得到的多種類別，如遊戲用戶類、學生用戶類等。用戶群判別特徵是指用於判別用戶所屬的用戶群類別的特徵，例如，學生用戶類的判別特徵可以是安裝的上網類軟體的個數、安裝的娛樂類軟體的個數、安裝的學習類軟體的個數、使用軟體的時間段等。步驟S20，客戶端提取用戶的特徵信息，並將用戶的特徵信息提交到伺服器。在用戶使用各種軟體的過程中，客戶端記錄用戶的原始信息，例如已裝軟體列表、軟體的安裝時間、軟體的使用頻率、軟體的升級頻率、用戶瀏覽網頁記錄等。客戶端從記錄的原始信息中提取特徵信息，所提取的特徵信息可用於確定用戶所屬用戶群類別。具體的，特徵信息包括各類軟體數目、軟體安裝時間、各類軟體使用頻率、各類軟體升級頻率、各類網頁瀏覽時長等，其中，軟體的類別可以是上網類、娛樂類、遊戲類、學習類等。在一個實施例中，可以由客戶端從用戶的原始信息中提取出用於確定用戶所屬用戶群類別的特徵信息，並將提取的特徵信息提交到伺服器。在另一個實施例中，客戶端也可直接將用戶的原始信息提交到伺服器，由伺服器從用戶的原始信息中提取特徵信息。步驟S30，伺服器將用戶的特徵信息與用戶群特徵庫中的用戶群判別特徵進行匹配，確定用戶所屬的用戶群類別。具體的，伺服器獲取與用戶特徵信息最匹配的用戶群判別特徵，則該判別特徵對應的用戶群類別即為用戶所屬的用戶群類別。步驟S40，伺服器根據確定的用戶群類別向用戶推薦軟體。不同的用戶群類別可以設置推薦不同的軟體，例如，對於遊戲用戶類，則推薦遊戲類軟體，對於辦公用戶類，則推薦辦公類軟體。上述軟體推薦方法，通過將客戶端提取的用戶的特徵信息與伺服器中的用戶群特徵庫中的用戶群判別特徵進行匹配，來確定用戶所屬的用戶群類別，然後向用戶推薦與用戶群類別對應的軟體。由於不同的用戶群類別所感興趣的軟體不同，根據用戶的特徵信息向用戶推薦其所屬用戶群類別對應的軟體，能夠提高用戶接受推薦軟體的可能性，從而提高軟體推薦的成功率。如圖2所示，在一個實施例中，伺服器創建用戶群特徵庫的具體過程為步驟SI 10，選取樣本用戶。伺服器從存儲的用戶數據中選取部分用戶作為樣本用戶，選取的樣本用戶儘可能涉及到不同的類別，如網吧用戶類、學生用戶類、兒童用戶類、老年人用戶類、軟體開發用戶類、遊戲用戶類等。步驟S120，對樣本用戶進行分類，得到樣本用戶的初始類別。步驟S130，獲取樣本用戶的特徵信息。伺服器中存儲的用戶數據包括用戶的原始信息，因此需從原始信息中提取用戶的特徵信息，包括各類軟體數目、軟體安裝時間、各類軟體使用頻率、各類軟體升級頻率、各類網頁瀏覽時長等。步驟S140，根據初始類別和用戶的特徵信息創建用戶群特徵庫。如圖3所示，在另一個實施例中，伺服器創建用戶群特徵庫的具體過程為步驟SlOl，選取樣本用戶。步驟S102，對樣本用戶進行分類，得到樣本用戶的初始類別。步驟S103，獲取樣本用戶的用戶信息，提取用戶信息中與軟體相關的特徵信息。用戶信息即為用戶的原始信息，從用戶的原始信息中提取與軟體相關的特徵信息，具體的，可通過傳統的歐式距離度量、按概率距離判據、用散度準則函數、基於判別熵最小化等方法中的一種或幾種相結合來提取與軟體相關的特徵信息。例如提取的與軟體相關的特徵信息包括安裝的各類軟體的數目、各類軟體的安裝時間、各類軟體的使用頻率、各類軟體的升級頻率和各類網頁的瀏覽時長等。步驟S104，根據初始類別對用戶的特徵信息進行聚類分析。具體的，可採用傳統的C均值算法、IS0DATA算法、基於樣本和核的相似性度量算法、近鄰函數準則算法等方法中的任意一種或幾種方法相結合來對用戶的特徵信息進行聚類分析。步驟S105，根據聚類分析結果獲取用戶群類別、對應的用戶群判別特徵及用戶群判別特徵的參考值。如果對於特徵信息中的某一個特徵，某一初始類別的所有樣本用戶相應的特徵值都比較接近，且同其它初始類別的樣本用戶的相應的特徵值差異較大，說明該特徵對該用戶群不但具有內聚性，還能通過該特徵將該用戶群與其它用戶群分離開，則該特徵為該用戶群的判別特徵。相反的，如果對於某一個初始類別的樣本用戶，其特徵信息中的某一個特徵的特徵值存在很大差異，則該特徵不作為該初始用戶群類別的判別特徵。例如在遊戲用戶類的100個特徵中，工具類軟體的安裝個數這一特徵的特徵值存在很大的差異，則工具類軟體的安裝個數這一特徵不作為遊戲用戶類的判別特徵。進一步的，可根據該初始類別的所有樣本用戶相應的特徵值確定該判別特徵的參考值。具體的可以取與該判別特徵相應的所有特徵值的平均值或者所有特徵值中的眾數作為該用戶群的該判別特徵的參考值。進一步的，確定最終的用戶群類別，將不合適的初始分類刪除或合併。如果對於特徵信息中的每一個特徵，某一初始類別的樣本用戶特徵值之間都存在很大的差異，說明該初始類別的劃分沒有意義，則將該初始類別刪除；如果某兩個初始類別的判別特徵大致相同，且每一個判別特徵對應的特徵值也大致相同，則將其中任意一個初始類別合併到另一個初始類別中。從而確定用戶群特徵庫中最終的用戶群類別。步驟S106，將獲取的用戶群類別、對應的用戶群判別特徵及用戶群判別特徵的參考值存儲在用戶群特徵庫中。如圖4所示，在一個實施例中，步驟S30的具體過程為步驟S302，獲取用戶的特徵信息中的特徵值。例如，某用戶的特徵信息為上網類軟體5款、上網類軟體使用頻率I小時/天、娛樂類軟體3款、娛樂類軟體使用頻率2小時/天、工具類軟體2款、工具類軟體使用頻率0. 5小時/天，則可提取特徵信息中的特徵值5、1、3、2、2、0.5。進一步的，可將提取的特徵值組成特徵向量。如上例中將特徵值組成特徵向量為(5，I，3，2，2，0.5)。步驟S304，計算特徵值與各類用戶群類別對應的用戶群判別特徵的參考值之間的距離。在一個實施例中，計算用戶的特徵值與各類用戶群判別特徵的參考值之間的歐式距離。具體的，可分別將步驟S302中獲取的特徵值和用戶群判別特徵的參考值組成特徵向量，並計算兩個特徵向量之間的歐式距離。另外，當用戶特徵值向量的維數大於某一個用戶群類別的判別特徵的參考值向量的維數時，則以判別特徵的參考值向量為基準，剔除用戶特徵值向量中的判別特徵參考值以外的多餘特徵值，使得用戶特徵值向量與判別特徵參考值向量維數一致，再計算兩者之間的歐式距離。步驟S306，獲取最小距離對應的用戶群類別，為用戶所屬的用戶群類別。用戶的特徵值與用戶群判別特徵的參考值的距離越小，則說明該用戶與該判別特徵對應的用戶群類別越接近，獲取兩者距離最小的用戶群判別特徵對應的用戶群類別為用戶所屬的用戶群類別。
在另一個實施例中，上述軟體推薦方法還包括步驟伺服器設置與用戶群類別對應的軟體推薦列表。具體的，可以根據各個用戶群類別的判別特徵來設置相應的軟體推薦列表，並在伺服器中存儲用戶群類別與軟體推薦列表的對應關係表。例如，對於遊戲類用戶，可設置軟體推薦列表包括QQ飛車、英雄殺、QQ三國等。如此設置的軟體推薦列表更能滿足用戶的潛在需求，提高用戶接受推薦軟體的概率，從而進一步提高軟體推薦的成功率。如圖5所示，在一個實施例中，上述步驟S40的具體過程為步驟S402，根據確定的用戶群類別選取對應的軟體推薦列表。根據用戶所屬的用戶群類別，在用戶群類別與軟體推薦列表的對應關係表中查找到相應的軟體推薦列表。步驟S404，從軟體推薦列表中篩選出用戶未安裝的或比用戶安裝的軟體版本更新的軟體推薦給用戶。具體的，根據用戶的特徵信息可以獲取用戶當前已經安裝的軟體列表，將已經安裝的軟體列表與軟體推薦列表進行對比，可得到軟體推薦列表中用戶未安裝的軟體以及比用戶已安裝的軟體版本更新的軟體，則將得到的軟體推薦列表中用戶未安裝的軟體以及比用戶已安裝的軟體版本更新的軟體更推薦給用戶。另外，客戶端收到伺服器推薦的軟體後，進行展示，用戶可以選擇相應軟體進行下載和安裝。如圖6所示，在一個實施例中，一種軟體推薦系統，包括伺服器100以及與伺服器100進行數據交互的客戶端200 ;伺服器100包括創建模塊110、匹配模塊120和推薦模塊130 ;客戶端200包括信息提取模塊210 ;其中創建模塊110用於創建用戶群特徵庫，用戶群特徵庫中存儲了用戶群類別和對應的用戶群判別特徵。用戶群類別是對大量的用戶進行分類後所得到的多種類別，如遊戲用戶類、學生用戶類等。用戶群判別特徵是指用於判別用戶所屬的用戶群類別的特徵，例如，學生用戶類的判別特徵可以是安裝的上網類軟體的個數、安裝的娛樂類軟體的個數、安裝的學習類軟體的個數、使用軟體的時間段等。信息提取模塊210用於提取用戶的特徵信息，並將用戶的特徵信息提交到伺服器100。在用戶使用各種軟體的過程中，客戶端200記錄用戶的原始信息，例如已裝軟體列表、軟體的安裝時間、軟體的使用頻率、軟體的升級頻率、用戶瀏覽網頁記錄等。客戶端200的信息提取模塊210從記錄的原始信息中提取特徵信息，所提取的特徵信息可用於確定用戶所屬用戶群類別。具體的，特徵信息包括各類軟體數目、軟體安裝時間、各類軟體使用頻率、各類軟體升級頻率、各類網頁瀏覽時長等，其中，軟體的類別可以是上網類、娛樂類、遊戲類、學習類等。在一個實施例中，信息提取模塊210可用於從用戶的原始信息中提取出用於確定用戶所屬用戶群類別的特徵信息，並將提取的特徵信息提交到伺服器100。在另一個實施例中，信息提取模塊210也可用於直接將用戶的原始信息提交到伺服器100，由伺服器100從用戶的原始信息中提取特徵信息。匹配模塊120用於將用戶的特徵信息與用戶群特徵庫中的用戶群判別特徵進行匹配，確定用戶所屬的用戶群類別。
具體的，匹配模塊120用於獲取與用戶特徵信息最匹配的用戶群判別特徵，則對應的用戶群類別即為用戶所屬的用戶群類別。推薦模塊130用於根據確定的用戶群類別向用戶推薦軟體。不同的用戶群類別可以設置推薦不同的軟體，例如，對於遊戲用戶類，則推薦遊戲類軟體，對於辦公用戶類，則推薦辦公類軟體。上述軟體推薦系統，通過將客戶端200提取的用戶的特徵信息與伺服器100中的用戶群特徵庫中的用戶群判別特徵進行匹配，來確定用戶所屬的用戶群類別，然後向用戶推薦與用戶群類別對應的軟體。由於不同的用戶群類別所感興趣的軟體不同，根據用戶的特徵信息向用戶推薦其所屬用戶群類別對應的軟體，能夠提高用戶接受推薦軟體的可能性，從而提高軟體推薦的成功率。如圖7所示，在一個實施例中，創建模塊110包括樣本選取模塊112、初始分類模塊114、特徵信息獲取模塊116和特徵庫創建子模塊118，其中樣本選取模塊112用於選取樣本用戶。具體的，樣本選取模塊112用於從存儲的用戶數據中選取部分用戶作為樣本用戶，選取的樣本用戶儘可能涉及到不同的類別，如網吧用戶類、學生用戶類、兒童用戶類、老年人用戶類、軟體開發用戶類、遊戲用戶類等。初始分類模塊114用於對所述樣本用戶進行分類，得到所述樣本用戶的初始類別。特徵信息獲取模塊116用於獲取樣本用戶的特徵信息。伺服器100中存儲的用戶數據包括用戶的原始信息，因此需從原始信息中提取用戶的特徵信息。優選的，特徵信息獲取模塊116用於獲取樣本用戶的用戶信息，提取用戶信息中與軟體相關的特徵信息。具體的，特徵信息獲取模塊116可用於通過傳統的歐式距離度量、按概率距離判據、用散度準則函數、基於判別熵最小化等方法中的一種或幾種相結合來提取與軟體相關的特徵信息。例如提取的與軟體相關的特徵信息包括安裝的各類軟體的數目、各類軟體的安裝時間、各類軟體的使用頻率、各類軟體的升級頻率和各類網頁的瀏覽時長等。特徵庫創建子模塊118用於根據初始類別和用戶的特徵信息創建用戶群特徵庫。如圖8所示，在一個實施例中，特徵庫創建子模塊118包括聚類分析模塊1180、用戶群類別獲取模塊1182和用戶群特徵庫1184，其中聚類分析模塊1180用於根據初始類別對用戶的特徵信息進行聚類分析。具體的，聚類分析模塊1180可用於採用傳統的C均值算法、IS0DATA算法、基於樣本和核的相似性度量算法、近鄰函數準則算法等方法中的任意一種或幾種方法相結合來對用戶的特徵信息進行聚類分析。用戶群類別獲取模塊1182用於根據聚類分析結果獲取用戶群類別、對應的用戶群判別特徵及所述用戶群判別特徵的參考值。如果對於特徵信息中的某一個特徵，某一初始類別的所有樣本用戶相應的特徵值都比較接近，且同其它初始類別的樣本用戶的相應的特徵值差異較大，說明該特徵對該用戶群不但具有內聚性，還能通過該特徵將該用戶群與其它用戶群分離開，則該特徵為該用戶群的判別特徵。相反的，如果對於某一個初始類別的樣本用戶，其某一個特徵的特徵值存在很大差異，則該特徵不作為該初始用戶群類別的判別特徵。例如在遊戲用戶類的100個特徵中，工具類軟體的安裝個數這一特徵的特徵值存在很大的差異，則工具類軟體的安裝個數這一特徵不作為遊戲用戶類的判別特徵。進一步的，用戶群類別獲取模塊1182可用於根據該初始類別的所有樣本用戶相應的特徵值確定該判別特徵的參考值。具體的，用戶群類別獲取模塊1182可用於取與該判別特徵相應的所有特徵值的平均值或者所有特徵值中的眾數作為該用戶群的該判別特徵的參考值。進一步的，用戶群類別獲取模塊1182可用於確定最終的用戶群類別，將不合適的初始分類刪除或合併。如果對於特徵信息中的每一個特徵，某一初始類別的樣本用戶特徵值之間都存在很大的差異，說明該初始類別的劃分沒有意義，則將該初始類別刪除；如果某兩個初始類別的判別特徵大致相同，且每一個判別特徵對應的特徵值也大致相同，則將其中任意一個初始類別合併到另一個初始類別中。從而確定用戶群特徵庫最終的用戶群類別。用戶群特徵庫1184用於存儲用戶群類別、對應的用戶群判別特徵及所述用戶群判別特徵的參考值。如圖9所示，在一個實施例中，匹配模塊120包括特徵值獲取模塊122、距離計算模塊124和用戶類別確定模塊126，其中特徵值獲取模塊122用於獲取所述用戶的特徵信息中的特徵值。例如，某用戶的特徵信息為上網類軟體5款、上網類軟體使用頻率I小時/天、娛樂類軟體3款、娛樂類軟體使用頻率2小時/天、工具類軟體2款、工具類軟體使用頻率0. 5小時/天，則可提取特徵信息中的特徵值5、1、3、2、2、0. 5。進一步的，特徵值獲取模塊122可用於將提取的特徵值組成特徵向量。如上例中將特徵值組成特徵向量為(5，1，3，2，2,0. 5)。距離計算模塊124用於計算特徵值與各類用戶群類別對應的用戶群判別特徵的參考值之間的距離。在一個實施例中，距離計算模塊124用於計算用戶的特徵值與各類用戶群判別特徵的參考值之間的歐式距離。具體的，距離計算模塊124可用於分別將特徵值獲取模塊122獲取的特徵值和用戶群判別特徵的參考值組成特徵向量，並計算兩個特徵向量之間的歐式距離。另外，當用戶特徵值向量的維數大於某一個用戶群類別的判別特徵的參考值向量的維數時，則以判別特徵的參考值向量為基準，剔除用戶特徵值向量中的判別特徵參考值以外的多餘特徵值，使得用戶特徵值向量與判別特徵參考值向量維數一致，再計算兩者之間的歐式距離。用戶類別確定模塊126用於獲取最小的所述距離對應的用戶群類別，為所述用戶所屬的用戶群類別。用戶的特徵值與用戶群判別特徵的參考值的距離越小，則說明該用戶與該判別特徵對應的用戶群類別越接近，用戶類別獲取模塊126用於獲取兩者距離最小的用戶群判別特徵對應的用戶群類別為用戶所屬的用戶群類別。
在另一個實施例中，伺服器100還包括設置模塊(圖中未示出)，用於設置與用戶群類別對應的軟體推薦列表。具體的，設置模塊可用於根據各個用戶群類別的判別特徵來設置相應的軟體推薦列表，並在伺服器100中存儲用戶群類別與軟體推薦列表的對應關係表。例如，對於遊戲類用戶，可設置軟體推薦列表包括QQ飛車、英雄殺、QQ三國等。如此設置的軟體推薦列表更能滿足用戶的潛在需求，提高用戶接受推薦軟體的概率，從而提高軟體推薦的成功率。如圖10所不,在一個實施例中，推薦模塊130包括列表選取模塊132、篩選模塊134，其中列表選取模塊132用於根據確定的用戶群類別選取對應的軟體推薦列表。具體的，列表選擇模塊132用於根據用戶所屬的用戶群類別，在用戶群類別與軟體推薦列表的對應關係表中查找到相應的軟體推薦列表。篩選模塊134用於從軟體推薦列表中篩選出用戶未安裝的或比用戶安裝的軟體版本更新的軟體推薦給用戶。具體的，篩選模塊134用於根據用戶的特徵信息可以獲取用戶當前已經安裝的軟體列表，將已經安裝的軟體列表與軟體推薦列表進行對比，可得到軟體推薦列表中用戶未安裝的軟體以及比用戶已安裝的軟體版本更新的軟體，則將得到的軟體推薦列表中用戶未安裝的軟體以及比用戶已安裝的軟體版本更新的軟體更推薦給用戶。另外，客戶端200收到伺服器100推薦的軟體後，可進行展示，用戶可以選擇相應軟體進行下載和安裝。以上所述實施例僅表達了本發明的幾種實施方式，其描述較為具體和詳細，但並不能因此而理解為對本發明專利範圍的限制。應當指出的是，對於本領域的普通技術人員來說，在不脫離本發明構思的前提下，還可以做出若干變形和改進，這些都屬於本發明的保護範圍。因此，本發明專利的保護範圍應以所附權利要求為準。
權利要求
1.一種軟體推薦方法，包括以下步驟 伺服器創建用戶群特徵庫，所述用戶群特徵庫中存儲了用戶群類別和對應的用戶群判別特徵； 客戶端提取用戶的特徵信息，並將所述用戶的特徵信息提交到所述伺服器； 所述伺服器將所述用戶的特徵信息與所述用戶群特徵庫中的用戶群判別特徵進行匹配，確定所述用戶所屬的用戶群類別； 所述伺服器根據所述確定的用戶群類別向所述用戶推薦軟體。
2.根據權利要求1所述的軟體推薦方法，其特徵在於，所述伺服器創建用戶群特徵庫的步驟包括 選取樣本用戶； 對所述樣本用戶進行分類，得到所述樣本用戶的初始類別； 獲取所述樣本用戶的特徵信息； 根據所述初始類別和用戶的特徵信息創建用戶群特徵庫。
3.根據權利要求2所述的軟體推薦方法，其特徵在於，所述獲取樣本用戶的特徵信息的步驟為 獲取樣本用戶的用戶信息，提取所述用戶信息中與軟體相關的特徵信息； 所述根據所述初始類別和用戶的特徵信息創建用戶群特徵庫的步驟為 根據所述初始類別對所述用戶的特徵信息進行聚類分析； 根據聚類分析結果獲取用戶群類別、對應的用戶群判別特徵及所述用戶群判別特徵的參考值； 將所述用戶群類別、對應的用戶群判別特徵及所述用戶群判別特徵的參考值存儲在用戶群特徵庫中。
4.根據權利要求3所述的軟體推薦方法，其特徵在於，所述伺服器將所述用戶的特徵信息與所述用戶群特徵庫中的用戶群判別特徵進行匹配，確定所述用戶所屬的用戶群類別的步驟為 獲取所述用戶的特徵信息中的特徵值； 計算所述特徵值與各類用戶群類別對應的所述用戶群判別特徵的參考值之間的距離； 獲取最小的所述距離對應的用戶群類別，為所述用戶所屬的用戶群類別。
5.根據權利要求1所述的軟體推薦方法，其特徵在於，所述方法還包括 所述伺服器設置與所述用戶群類別對應的軟體推薦列表； 所述伺服器根據所述確定的用戶群類別向所述用戶推薦軟體的步驟為 根據所述確定的用戶群類別選取對應的軟體推薦列表； 從所述軟體推薦列表中篩選出用戶未安裝的或比用戶安裝的軟體版本更新的軟體推薦給所述用戶。
6.一種軟體推薦系統，其特徵在於，包括伺服器和與所述伺服器進行數據交互的客戶端，所述伺服器包括 創建模塊，用於創建用戶群特徵庫，所述用戶群特徵庫中存儲了用戶群類別和對應的用戶群判別特徵；所述客戶端包括信息提取模塊，用於提取用戶的特徵信息，並將所述用戶的特徵信息提交到所述伺服器； 所述伺服器還包括 匹配模塊，用於將所述用戶的特徵信息與所述用戶群特徵庫中的用戶群判別特徵進行匹配，確定所述用戶所屬的用戶群類別； 推薦模塊，用於根據所述確定的用戶群類別向所述用戶推薦軟體。
7.根據權利要求6所述的軟體推薦系統，其特徵在於，所述創建模塊包括 樣本選取模塊，用於選取樣本用戶； 初始分類模塊，用於對所述樣本用戶進行分類，得到所述樣本用戶的初始類別； 特徵信息獲取模塊，用於獲取所述樣本用戶的特徵信息； 特徵庫創建子模塊，用於根據所述初始類別和用戶的特徵信息創建用戶群特徵庫。
8.根據權利要求7所述的軟體推薦系統，其特徵在於，所述特徵信息獲取模塊還用於獲取所述樣本用戶的用戶信息，提取所述用戶信息中與軟體相關的特徵信息； 所述特徵庫創建子模塊包括 聚類分析模塊，用於根據所述初始類別對所述用戶的特徵信息進行聚類分析； 用戶群類別獲取模塊，用於根據聚類分析結果獲取用戶群類別、對應的用戶群判別特徵及所述用戶群判別特徵的參考值； 用戶群特徵庫，用於存儲所述用戶群類別、對應的用戶群判別特徵及所述用戶群判別特徵的參考值。
9.根據權利要求8所述的軟體推薦系統，其特徵在於，所述匹配模塊包括 特徵值獲取模塊，用於獲取所述用戶的特徵信息中的特徵值； 距離計算模塊，用於計算所述特徵值與各類所述用戶群判別特徵的參考值之間的距離； 用戶類別確定模塊，用於獲取所述距離最小的用戶群類別，為所述用戶所屬的用戶群類別。
10.根據權利要求6所述的軟體推薦系統，其特徵在於，所述伺服器還包括 設置模塊，用於設置與所述用戶群類別對應的軟體推薦列表； 所述推薦模塊包括 列表選取模塊，用於根據所述確定的用戶群類別選取對應的軟體推薦列表； 篩選模塊，用於從所述軟體推薦列表中篩選出所述用戶未安裝的或比用戶安裝的軟體版本更新的軟體推薦給所述用戶。
全文摘要
一種軟體推薦方法，包括以下步驟伺服器創建用戶群特徵庫，所述用戶群特徵庫中存儲了用戶群類別和對應的用戶群判別特徵；客戶端提取用戶的特徵信息，並將所述用戶的特徵信息提交到所述伺服器；所述伺服器將所述用戶的特徵信息與所述用戶群特徵庫中的用戶群判別特徵進行匹配，確定所述用戶所屬的用戶群類別；所述伺服器根據所述確定的用戶群類別向所述用戶推薦軟體。上述軟體推薦方法，根據用戶的特徵信息向用戶推薦其所屬用戶群類別對應的軟體，能夠提高用戶接受推薦軟體的可能性，從而提高軟體推薦的成功率。此外，還提供一種軟體推薦系統。
文檔編號H04L29/08GK103034508SQ20111030485
公開日2013年4月10日 申請日期2011年10月10日 優先權日2011年10月10日
發明者李世平 申請人:騰訊科技(深圳)有限公司