应用的图像的自动选择的制作方法

背景技术：

应用商店为应用开发者提供了一种将他们的应用传播给用户群(userbase)的方式。应用商店可以提供用户评级、下载量、用户评论、图像、视频、描述、相关应用等的指示。在某些情况下，应用商店可以基于用户的购买历史、用户的浏览历史、用户的朋友的购买、下载、应用的评级等来生成针对一个或多个应用的推荐。作为向最终用户推销应用的一种方式，开发者可以上传诸如图像和/或视频的通过应用商店提供的内容中的一些内容。例如，当用户在应用商店上查看应用的页面时，屏幕截图可以是对于最终用户可见的。通常，开发者提供以用于推销应用的内容可能会影响用户是否选择安装和/或购买应用。然而，最终用户可能不会花太多时间对应用进行思量，例如查看屏幕截图。因此，重要的是选择对特定用户提供有用信息和/或有趣的图像。目前，开发者可以选择该开发者感觉有趣的图像，而不从营销角度来考虑最终用户的偏好或者什么构成了期望的图像。

技术实现要素：

根据一个实施方式，应用商店服务器可以确定由应用商店托管的多个应用中的每一个的应用度量。应用度量可以指代基于以下中的一个或多个的复合分值：转化统计、下载统计、评级、持留统计、和流行度统计。可以基于应用度量来选择应用中的第一应用。可以获得与第一应用相关联的图像的特征。可以通过确定特征集来获分值类器。特征集可以表示与第一应用的图像相关联的特征的一部分。

在一个实施方式中，公开了一种包括数据库和处理器的系统，数据库和处理器两者都可以与应用商店相关联。数据库可以被配置为存储应用度量。应用度量可以指代基于以下中的至少一个的复合分值：转化统计、下载统计、评级、持留统计、和流行度统计。处理器可以通信地耦合到数据库并且被配置为确定由应用商店托管的多个应用中的每一个的应用度量。处理器可以基于应用度量来选择第一应用。可以获得与应用商店上的第一应用相关联的图像的特征。处理器可以通过确定包括与应用度量相关联的特征的一部分的特征集来获得分类器。

在一个实施方式中，根据当前公开的主题的系统包括应用商店服务器，其包括数据库和处理器。该系统可以包括用于确定由应用商店托管的应用的应用度量的装置。应用度量可以指代基于以下中的至少一个的复合分值：转化统计、下载统计、评级、持留统计、和流行度统计。系统可以包括用于基于应用度量来选择第一应用的装置。系统可以包括用于获得与第一应用相关联的图像的特征的装置。系统可以通过确定特征集来获得分类器。特征集可以指代与应用度量相关联的特征的一部分。

通过考虑下面的具体实施方式、附图、和权利要求书，所公开主题的附加特征、优点、和实施方式可以被阐述或显而易见。此外，应当理解，前面的发明内容和以下具体实施方式二者都提供了实施方式的示例，并且旨在提供进一步的解释而不限制权利要求书的范围。

附图说明

被包括以提供对所公开的主题的进一步理解的附图包含在本说明书中并构成本说明书的一部分。附图还图示了所公开的主题的实施方式，并且与具体实施方式一起用于解释所公开主题的实施方式的原理。并不试图以比对所公开的主题的基本理解以及可以实践所公开的主题的各种方式可能需要的更详细地示出结构细节。

图1示出了如本文所公开的、训练分类器的示例过程，该分类器可以确定选择图像(或视频)中的哪个或哪些来增加由最终用户下载应用的可能性。

图2是如本文所公开的、可以获得上传到应用商店的图像的分类器的示例系统。

图3示出了根据所公开主题的实施方式的计算机。

图4示出了根据所公开的主题的实施方式的网络配置。

具体实施方式

本文中公开的实施方式自动地选择与开发者选择图像和/或视频的实例相比，在营销游戏上可能更成功的图像和/或屏幕截图。推荐的图像和/或视频也可能更有效地接触特定的受众。此外，开发者可以花更少的时间决定哪些图像最好地显示或广告应用的特征。例如，在一些实例下，系统可以推荐可以增加应用商店的最终用户下载应用的可能性的图像。

通常，当应用开发者尝试发布游戏或将游戏上传到应用商店时，开发者可以提交一个或多个屏幕截图。在某些实例下，开发者可能会上传数千张图像。然而，应用商店可能允许开发者示出有限数目的截图(例如，十个图像)和/或视频(包括对视频的长度和/或大小的限制)。在一些配置中，开发者的应用可以在具有不同硬件(例如，屏幕尺寸、处理器和存储器)的客户端设备上可用。开发者可能期望针对客户端设备的不同形状因素(formfactor)而利用不同屏幕截图。根据一个实施方式，提供了一种系统，其可以自动确定哪些图像可能增加应用成功的可能性(例如，下载和/或导致最终用户购买)。该系统可以利用分类器，该分类器是在应用商店上从与开发者的应用相同类别的其他成功游戏所获得的图像上进行训练的。

屏幕截图库可以基于应用商店的数据库上以及关于应用的特征、与应用商店对接的用户的群体特征、及应用商店上的用户活动的其他数据。可以从应用商店和其他外部来源(例如，开发者的网站)二者获得来自其他成功应用的图像。可以提取和/或确定关于图像的各个特征，诸如图像分辨率、图像简单性、色相、背景颜色、颜色组合、表面处理类型(finishtype)(例如无光泽或光泽)、色调热度(tonalheat)等。分类器可以基于从应用商店上的现有成功应用中提取的特征来进行训练。该应用可以基于其用户群(userbase)的大小、其盈利能力、其评级等而被视为是成功的。作为示例，如果应用是摄影应用，则所提供的图像可以示出不同的色调热度，并且该摄影应用可以示出关于图像编辑的特征，其显示相同的图像如何可以具有黑白版本、饱和色版本等。相比之下，旅行应用可能更多地涉及多样性。与旅行应用相关联的图像从一个图像到下一个图像可能没有太多相似性；然而，图像固有的特性可能是一致的，诸如存在鲜艳的颜色或诸如山、沙漠、海洋等的地貌。赛车游戏可以示出更强烈的图画，例如视频中汽车呼啸而过。作为图像和/或视频的特征，可以提取诸如光圈、焦距、帧率、曝光量等的特征。

上述许多特征涉及图像内容(例如，颜色梯度变化、调色板)。图像也可以在质量方面量化。例如，图像质量可以由图像的多少空间为空白来表示。如果一些应用是简约的，则它们可能是更可取的。这样的应用可能会有更多的空白。可以通过像素密度和/或像素变化或偏移来确定空白。许多空白可以指示图像质量较低。图像质量可能通过分辨率来反映。一个640x480像素的图像表示三十万像素，与高分辨率的13mp图像相比质量更低。图像质量的其他示例可以是当画面具有太多被摄对象(subject)(例如，面部识别检测到许多人)和/或被摄对象距相机的距离时。某些图像可能被视为是低质量的，例如，因为图像模糊或不清楚。图像质量和/或内容特征中的每一个可以通过特征向量或以数值方式来捕获和/或表示。

可以针对应用商店上的特定类别的应用来训练分类器。此外，可以针对特定设备形状因素(例如，屏幕大小)来训练分类器。例如，对于具有四英寸屏幕的客户端设备，图像可以由分类器确定为具有高质量；但是，在十英寸平板计算机上可能会不那么令人印象深刻。

分类器可以虑及特定用户群的群体特征。例如，喜爱第一人称射击游戏的用户的群体特征组成可能不同于利用文字处理应用的用户。例如，群体特征可以指代年龄、性别、和位置。

图1是训练分类器的示例过程，该分类器可以确定选择图像(或视频)中的哪个或哪些来增加最终用户下载应用的可能性。在一个实施方式中，从一个或多个图像提取的一个或多个特征可以与用以生成分类器的应用度量相关。在110，应用商店的服务器可以确定由该商店托管的一个或多个应用的应用度量。应用商店可以指代向最终用户递送各种内容的服务器或服务器群的集合，各种内容包括但不限于应用、电影、歌曲、和电子书。应用商店可以通过诸如智能电话或平板计算机的移动设备以及诸如膝上型计算机或台式计算机的常规计算机系统来访问。客户端设备可以通过在客户端设备上启动应用来与应用商店服务器对接。例如，客户端设备可以利用web浏览器或独立应用来与应用商店对接。在用户许可的情况下，应用商店可以从客户端设备接收指示用户的身份、用户的浏览历史等的信号。类似地，用户的活动或对应用商店所提供的服务的使用可以存储在连接到应用商店的数据库中。例如，用户的购买历史、应用下载或安装历史、评论历史、评级历史、浏览历史(例如，用户已经查看的应用)、或其他先前动作等可以存储在数据库中并与特定用户相关联。应用商店可以从外部来源接收诸如评级、评介、描述、图像、视频等的信号。应用商店可以基于上述特征和/或来源中的任何一个来为用户生成推荐。例如，经常查看和下载特定类别的视频游戏应用的用户可以接收对于该用户尚未安装并且由该用户的对等体(例如，群体特征上类似的用户或该用户的朋友)高评级的游戏的推荐。

开发者可以利用类似于最终用户的客户端设备来与应用商店对接。开发者可以将诸如描述、标题、应用安装包、图像、视频等的内容上传到应用商店。开发者可以指示应用的哪个版本将提供给特定的设备。例如，开发者可以指示应用的一个版本意图用于平板计算机，而另一个版本适用于智能手机。

应用度量可以指代基于转化统计、下载统计、评级、持留(retention)统计、和流行度统计的复合分值。转化统计可以指代用户在得到购买机会时进行购买的实例数目。例如，视频游戏可以提供游戏内项目的应用内购买。查看有关游戏内项目的细节的用户中的大约15％可能会完成游戏内项目的购买。因此，该特定项目的转化率可以为15％。转化统计可以指代所有应用内购买的汇总转化率。例如，第一项目可以具有15％的转化率，并且第二项目可以具有7％的转化率。因此，应用的转化统计可以是(7％+15％)/2或11％。转化统计可以指代购买应用的实例数目与用户选择不安装应用(例如，仅查看该应用的页面)或者保持该应用的免费版本的实例数目之比。

下载统计可以指代下载该应用的实例数目与应用在应用商店上的页面被查看的实例数目之比。例如，根据10000次下载和对应用页面的100000次独特查看，下载统计可能为10％。下载统计可以基于最终用户活动，诸如用户在应用页面上花费的时间量。例如，可以如上所述计算下载统计，并且可以基于用户查看应用的页面或与其相关的内容的平均时间量来对其进行加权。可以针对所有应用或应用所在的特定类别来计算所有用户的平均时间量，以创建用户在应用页面上花费的总时间量。用户在应用页面上花费的平均时间量除以用户在所有应用(或相同类别的应用)页面上花费的总平均时间量，以生成应用的标准化平均值。下载百分比可以乘以标准化平均值，以生成加权下载统计。当用户在应用的页面上花费相对小的时间量时，该应用会收到较低的分值。

评级可以指代应用的用户评级。例如，用户可以访问应用商店并为用户已下载的应用提供评级。评级系统可以由应用商店确定，并且评级可以存储在与应用商店相关联的数据库上。例如，应用商店可以允许用户以0到5的等级来对应用进行评级，其中5为最佳。评级可以以数值形式出现或使用诸如星的图形来表示。在某些情况下，来自外部来源的评级可以在应用商店的应用页面上显示给最终用户。

持留统计通常可以指代用户保持安装在该用户的客户端设备中的一个上的已下载应用的时间长度。在一些配置中，持留统计可以是从用户安装应用和/或卸载应用时起的时间量。它可以基于用户在客户端设备上使用应用和/或启动应用的时间量或数目。例如，可以针对所有应用或与感兴趣的应用属于相同类别的应用来计算从当用户在客户端设备上安装应用直到用户卸载应用的平均时间量，以生成所有应用的平均持留。可以对于感兴趣应用的所有用户来计算该感兴趣应用的安装和卸载之间的时间，以生成该感兴趣应用的平均持留。持留统计可以计算为感兴趣的应用的平均持留除以所有应用(或相同类别的应用)的平均持留。没有卸载应用的用户可能将执行计算的时间用作有效的卸载时间。因此，对于新应用的持留统计最初可能低。

流行度统计可以指代应用的下载次数。它可以通过所有应用或相同类别的应用的平均下载次数来进行标准化。流行度统计可以基于其他因素——诸如应用页面的查看次数和/或用户在应用页面上花费的时间量，其中的每一个可以基于所有应用或相同类别的应用的相似量来标准化。流行度统计可以基于外部来源数据。例如，视频聚合站点可以托管应用的视频，并对查看的次数进行计数和/或计算特定视频的相对流行度。这些数据可以被应用商店访问或由应用商店以其他方式接收。类似地，社交媒体的趋势和发布可以用作应用的相对流行度的指示符。例如，可以计算在社交网络上提及应用(例如以文本形式出现)的实例的数目，并将其用作应用的流行度的度量。

可以基于上述度量中的一个或多个来计算应用度量。例如，对于转化统计、下载统计、评级、持留统计、和流行度统计，第一应用的标准化度量可以分别为0.1、0.3、0.8、0.2、和0.4。可以表示应用度量的这些度量的总和为1.8，其可以基于应用的类型(例如，电子邮件、游戏、rpg、文字游戏、实用程序等)来进一步加权和/或标准化。

回到图1，在120，可以基于应用度量来选择应用的第一群组。具有相对高的应用度量的应用对于训练集可能是期望的，因为它可以指示该应用大体上是成功的。例如，它可能具有大的用户群，以相对高的转化率产生收入，并且广受用户群认可。所选择的应用集合可以被称为监督机器学习方法的训练集，并且可以充当获得分类器的基础。输入到机器学习技术中的数据可以被认为属于诸如相对高应用度量的特定类型。应用的训练集可以是其特征可用的全部应用的一部分。通常，在机器学习方法中，训练集的一部分不用于训练分类器，并且可以重复该分析。在一些配置中，根据训练集大小，可以执行使用训练集的一部分的交叉验证。作为示例，系统可以随机地选择具有高于阈值分值的应用度量的应用中的一定百分比来放入第一群组。作为另一示例，系统可以从监督机器学习技术的个体接收考虑放入第一群组的应用的指示。

在130，可以获得与应用的第一群组(例如，训练集)相关联的一个或多个图像的特征。视频可以被认为是图像的集合，并且可以将视频中的各个帧作为图像来提取并分析。特征的非穷举列表包括：图像的视觉密度、视频中的场景变化的频率、分辨率，色密度、和/或颜色组合。可以例如使用边缘检测技术、梯度直方图等执行图像的视觉密度或纹理分析。系统可以利用上传到应用商店服务器和/或与在其他网站(例如，应用的开发者的网页)上的应用相关联的图像。类似地，视频可以由开发者作为推广材料上传到应用商店，和/或从诸如用户可以上传视频的视频聚合网站的应用商店外部的源获得。可以与图像类似地分析视频中的各个帧。

在140，包括在130处提取和/或确定的特征的一部分的特征集可以被确定为与应用的第一群组(例如，训练集)中的那些应用的应用度量值相关，以获得分类器。例如，可以采用各种机器学习技术用于本文公开的任何实施方式，所述机器学习技术诸如k-最近邻、线性回归、逻辑回归、或支持向量机。将监督机器学习技术应用于应用的训练集的结果是：可以基于特征集来获得分类器。例如，被视为具有相对高的应用度量(例如，被视为成功)的第一人称射击应用的训练集可以指示：图像中的大量对象、统一的调色板、和高视觉密度可能与属于第一人称射击类别的应用的应用度量的相对高的值正相关。其他特征可能与属于第一人称射击类应用的游戏的应用度量的较高值负相关。因此，特征集可以定义分类器，其利用特征集中包含的特征作为基础以用于确定应当利用第一人称射击应用的什么图像来增加应用将被最终用户下载或以其他方式成功的可能性。不同类别的应用可以具有不同的特征集，其定义了该类别的成功(例如，具有高应用度量)的相对可能性。因此，应用商店可以具有用于不同类别的应用的多个分类器，并且生成对于图像的推荐以供选择来向最终用户推销应用。该推荐可能会提供给已上传应用的新版本或更新版本的开发者。

一旦分类器已经在训练集上被训练并且可能经验证，则分类器可以应用于上传到应用商店的新应用和/或并非训练集的一部分的应用。例如，新上传的应用可能包含屏幕截图和/或视频。分类器可以应用于该源材料以推荐开发者应当选择图像和/或视频中的哪些来增加应用将被下载和/或在商业上成功的可能性。例如，开发者可以上传一百个图像、5个视频、开发者的游戏的安装包、以及与其相关联的元数据(例如，标题、描述、类别等)。所指示的类别(例如，文字游戏)的分类器可以被应用于上传的图像和视频。该分类器可以向开发者返回图像和/或视频的排名列表。可以从由开发者提供的图像当中选择该排名列表。在此示例中，系统可以向开发者呈现二十个应用和两个视频的排名列表。图像可以被呈现给开发者。开发者可以从推荐中选择所述图像中的一个或多个图像，或者开发者可以放弃所推荐的列表，并继续处理分类器未指示将具有高成功可能性或有效地推销应用的其他图像。通过以推荐或其他方式来选择图像，开发者可以提供对于所选择的图像和/或视频与应用商店上的应用一起示出的许可。

作为示例，用于短信收发应用的分类器可以具有与成功短信收发应用中的图像相关联的三个特征的特征集。该三个特征可以具有针对它们中的每一个所生成的分值。例如，边缘数可以是一个特征，并且，与应用商店上的其他短信收发应用中的平均值75相比，对图像执行的边缘检测可以识别50个边缘。边缘检测分值可以通过50/75而计算得到0.67的分值。图像和/或视频的其他特征可以以类似的方法或其他已知方法计算。特征集中的特征的分值可以被加权以调整任何一个特征在计算可销售性或成功的可能性中具有的影响量。可以针对每个图像和/或视频来计算针对由分类器识别为与成功的可能性相关的特征中的每一个所生成的分值的总和。得到的列表可以根据合计的分值来进行排名。

在一个实施方式中，其实例在图2中被提供，公开了一种包括数据库230和与其连接的处理器220的系统。数据库230和处理器220可以是应用商店服务器架构的组件。数据库230可以存储如上所述的应用度量。数据库230可以存储由应用商店托管的应用的应用安装包、图像、视频，描述等。处理器220可以通信地耦合到该数据库，并且被配置为如前所述来确定由应用商店托管的每个应用240的应用度量。所计算的应用度量可以存储在数据库230中。处理器220可以如上所述基于该应用度量来选择要用作分类器的训练集的应用的第一群组。处理器220可以在250处获得或提取与所选择的应用群组相关联的图像的特征，并且所提取的特征可以存储在数据库230中。处理器230可以如上所述通过确定包含与该应用度量相关联的特征的特征集来在260获得分类器。在270，开发者的客户端设备210可以发送图像、视频和/或应用安装包以上传到应用商店以供提交新的或更新的应用。所提交的数据可以存储在数据库230中。处理器220可以在280处将分类器应用于所提交的图像和/或视频并生成推荐。例如，该推荐可以是图像和/或视频的排名列表。在290处，该推荐可以被发送到开发者的客户端设备210。

目前公开的主题的实施例可以在各种组件和网络架构中实现并且与其一起使用。图3是适合于实现当前公开主题的实施例的示例计算机系统20。计算机20包括将计算机20的主要组件互连的总线21，所述主要组件诸如：一个或多个处理器24、诸如ram、rom、或闪速ram等的存储器27、输入/输出控制器28、和诸如硬盘驱动器、闪速存储器、san设备等的固定存储器23。应当理解，可以包括或可以不包括其他组件，诸如：用户显示器——诸如经由显示适配器的显示屏、用户输入接口——诸如控制器、和相关联的用户输入设备——诸如键盘、鼠标、或触摸屏等、以及本领域已知的在通用计算系统中使用或与通用计算系统结合使用的其它组件。

总线21允许中央处理器24和存储器27之间的数据通信。ram通常是加载操作系统和应用程序的主存储器。除了其他代码之外，rom或闪存可以包含基本输入输出系统(bios)，其控制基本硬件操作——诸如与外围组件的交互。驻留在计算机20中的应用通常存储在计算机可读介质上并且经由其被访问，所述计算机可读介质诸如固定存储23和/或存储器27、光学驱动器、或外部存储机构等的。

所示出的每个组件可以与计算机20整合，或者可以是分离的并且通过其他接口访问。诸如网络接口29的其他接口可以经由电话链路、有线或无线本地网络连接或广域网络连接、或者专门网络连接等来提供到远程系统和设备的连接。例如，网络接口29可以允许计算机经由一个或多个局域、广域、或其他网络来与其他计算机通信，如图4所示。

许多其它设备或组件(未示出)可以以类似的方式连接，所述其它设备或组件诸如文档扫描仪、数码相机、辅助、补充、或备份系统等。相反，不需要提供图3中所示的所有组件来实践本公开。组件可以以不同于所示的方式来互连。诸如图3所示的计算机的操作在本领域中是公知的，并且未在本申请中详细讨论。用以实现本公开的代码可以存储在计算机可读存储介质中，诸如存储器27、固定存储器23、远程存储位置、或本领域已知的任何其他存储机构中的一个或多个。

图4示出了根据所公开的主题的实施例的示例布置。诸如本地计算机、智能电话、平板计算设备、和远程服务等的一个或多个客户端10、11可以经由一个或多个网络7连接到其他设备。该网络可以是局域网、广域网、互联网、或任何其它合适的通信网络，并且可以在包括有线和/或无线网络的任何合适的平台上实现。客户端10、11可以与一个或多个计算机系统——诸如处理单元14、数据库15和用户接口系统13——通信。在某些情况下，客户端10、11可以与用户接口系统13通信，用户接口系统13可以提供对一个或多个其他系统——诸如数据库15或处理单元14等——的访问。例如，用户接口13可以是提供来自一个或多个其他计算机系统的数据的用户可访问网页。用户接口13可以向不同的客户端提供不同的接口，例如其中将人可读网页提供给web浏览器客户端10，以及将计算机可读api或其他接口提供给远程服务客户端11。用户接口13、数据库15、和处理单元14可以是整体系统的一部分，或者可以包括经由专用网络、互联网、或任何其它合适网络来进行通信的多个计算机系统。例如，处理单元14可以是分布式系统的一部分，所述分布式系统诸如基于云的计算系统、搜索引擎、或内容分发系统等，其还可以包括数据库15和/或用户接口13或与其进行通信。在一些布置中，分析系统5可以提供后端处理，诸如其中在递送到处理单元14、数据库15、和/或用户接口13之前由分析系统5预处理所存储或获取的数据。例如，机器学习系统5可以向一个或多个其他系统13、14、15提供各种预测模型或数据分析等。

更一般地，当前公开的主题的各种实施方式可以包括计算机实现的过程和用于实践那些过程的装置，或者以计算机实现的过程和用于实践那些过程的装置的形式来实现。实施方式也可以以具有计算机程序代码的计算机程序产品的形式来实现，所述计算机程序代码包含在非暂时和/或有形介质——诸如软盘、cd-rom、硬盘驱动器、usb(通用串行总线)驱动器、或任何其他机器可读存储介质——中实现的指令，其中当计算机程序代码被加载到计算机中并由该计算机执行时，该计算机成为用于实践所公开主题的实施方式的装置。实施方式也可以以计算机程序代码的形式实现，例如，不论是存储在存储介质中、被加载到计算机中和/或由计算机执行、还是通过某些传输介质传送——诸如通过电线或电缆、经过光纤、或经由电磁辐射来传送，其中，当计算机程序代码被加载到计算机中并由计算机执行时，计算机成为用于实践所公开主题的实施方式的装置。当在通用微处理器上实现时，计算机程序代码段配置微处理器以创建特定逻辑电路。在一些配置中，可以由通用处理器来实现存储在计算机可读存储介质上的计算机可读指令集，其可将通用处理器或包含通用处理器的设备变换成被配置来实现或执行指令专用设备。可以使用硬件来实现实施方式，该硬件可以包括处理器，诸如以硬件和/或固件实现根据所公开的主题的实施方式的技术的全部或一部分的通用微处理器和/或专用集成电路(asic))。处理器可以耦合到存储器，诸如ram、rom、闪存、硬盘或能够存储电子信息的任何其他设备。存储器可以存储适于由处理器执行以执行根据所公开的主题的实施方式的技术的指令。

为了说明的目的，已经参照具体实施方式对前述描述进行了描述。然而，上面的说明性讨论并不意图穷举，或者将所公开的主题的实现限制为所公开的确切形式。鉴于上面的教导，许多修改和变化是可能的。选择和描述实施方式以便解释所公开的主题的实施方式的原理及其实际应用，从而使得本领域技术人员能够利用那些实施方式以及具有可适用于设想的特定用途的各种修改的各个实施方式。