本发明涉及移动终端领域，尤其涉及一种应用类特征生成方法、移动终端以及可读存储介质。
背景技术：
：：随着智能手机技术的日趋成熟，手机应用的数量也变得十分庞大，而如何对手机进行准确的分类则变成了一个难题。目前对于手机应用的分量主要依靠人工添加标签来进行分类，但是通过人工添加标签会因为个人喜好与判断等因素出现误差，而且部分应用的功能较多，因此需要多个标签来进行综合分类，此时人为添加标签的误差会更大，从而出现无法给出准确的标签以及权重，导致用户的搜索、推荐等服务受到影响。技术实现要素：本发明的主要目的在于提供一种应用类特征生成方法，旨在解决获取应用特征与分类时，由于人工分类导致的主观性过高与人力成本过大的问题。为实现上述目的，本发明提供一种应用类特征生成方法，所述应用类特征生成方法包括以下步骤：获取各单个用户端对目标应用进行预设操作行为的操作次数，根据预设操作行为的操作次数与预设操作行为对应的权重，计算各单个用户端对于目标应用的整体兴趣值；根据所述整体兴趣值，以预设建模模型进行分类建模，并根据分类建模得到目标应用的特征矩阵；根据应用在特征矩阵中不同特征分类的特征值，获取目标应用的类特征。可选地，所述获取各单个用户端对目标应用进行预设操作行为的操作次数的步骤之前包括：检测到智能终端发生预设操作行为时，获取预设操作行为的目标应用，并对目标应用的预设操作行的次数进行更新。可选地，所述根据预设操作行为的操作次数与预设操作行为对应的权重，计算各单个用户端对于目标应用的整体兴趣值的步骤包括：获取每个预设操作行为次数与权重的乘积，将所有预设操作行为次数与权重的乘积相加得到用户对于目标应用的整体兴趣值。可选地，所述根据所述整体兴趣值，以预设建模模型进行分类建模，并根据分类建模得到应用的特征矩阵的步骤包括：根据所述整体兴趣值，得到用户对目标应用的数据集；使用预设潜在因子模型对数据集进行建模，得到包含目标应用的特征矩阵的数据模型。可选地，所述使用使用预设潜在因子模型对数据集进行建模建模的步骤包括：进行分类建模时，获取预设的分类数，根据分类数建立对应分特征分类数量的数据模型。可选地，所述根据应用在特征矩阵中不同特征分类的特征值，获取目标应用的类特征的步骤包括：根据所述特征值，以向量形式将特征值进行带入，生成目标应用类特征。可选地，所述根据所述特征值，以向量形式将特征值进行带入，生成目标应用类特征的步骤之后包括：生成目标应用类特征时，记录类特征的当前时间与当前预设操作行为的数量，并设为更新时间与预设操作行为的更新数量；当检测到目标应用更新时间或者更新数量满足更新条件时，对目标应用的类特征进行更新。可选地，所述当检测到目标应用更新时间或者更新数量满足更新条件时，对目标应用的类特征进行更新的步骤包括：当当前时间与所述更新时间的时间间隔大于预设最小更新时间间隔时，判定满足更新条件；当当前预设操作行为的数量与所述更新数量的差值大于预设最小更新数量时，判定满足更新条件。此外，为实现上述目的，本发明还提供一种移动终端，所述移动终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的应用类特征生成程序，所述应用类特征生成程序被所述处理器执行时实现如上所述应用类特征生成方法的步骤。此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有应用类特征生成程序，所述应用类特征生成程序被处理器执行时实现如上所述的应用类特征生成方法的步骤。本发明提出的应用类特征生成方法，是基于用户对于应用的各种使用行为，包括下载、安装、更新、分享以及评论等，计算出用户对于各个应用的兴趣值，然后再根据LFM(latentfactormodel，潜在因子模型)对应用进行建模，再通过矩阵分解的方式得到应用在不同分类中的权重，然后将得到的不同分类中的权重以向量的形式进行计算，即可得到应用的特征。本发明应用类特征生成方法是利用机器学期算法，与用户使用行为数据对应用特征进行计算，从而避免了人工分类时的主观影响，并且根据用户的行为数据可以使得应用的特征更加精准，使得应用的搜索、推荐等业务更加准确。附图说明图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；图2为发明实施例提供的一种通信网络系统架构图；图3为本发明应用类特征生成方法第一实施例的流程示意图；图4为本发明应用类特征生成方法另一实施例的细化流程示意图；图5为本发明应用类特征生成方法的分类建模的建模示意图；图6为本发明应用类特征生成方法阅读类应用相似应用查找的效果示意图；图7为本发明应用类特征生成方法直播类应用相似应用查找的效果示意图。本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。终端可以以各种形式来实施。例如，本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(PersonalDigitalAssistant，PDA)、便捷式媒体播放器(PortableMediaPlayer，PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端，以及诸如数字TV、台式计算机等固定终端。后续描述中将以移动终端为例进行说明，本领域技术人员将理解的是，除了特别用于移动目的的元件之外，根据本发明的实施方式的构造也能够应用于固定类型的终端。请参阅图1，其为实现本发明各个实施例的一种移动终端的硬件结构示意图，该移动终端100可以包括：RF(RadioFrequency，射频)单元101、WiFi模块102、音频输出单元103、A/V(音频/视频)输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、处理器110、以及电源111等部件。本领域技术人员可以理解，图1中示出的移动终端结构并不构成对移动终端的限定，移动终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。下面结合图1对移动终端的各个部件进行具体的介绍：射频单元101可用于收发信息或通话过程中，信号的接收和发送，具体的，将基站的下行信息接收后，给处理器110处理；另外，将上行的数据发送给基站。通常，射频单元101包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元101还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于GSM(GlobalSystemofMobilecommunication，全球移动通讯系统)、GPRS(GeneralPacketRadioService，通用分组无线服务)、CDMA2000(CodeDivisionMultipleAccess2000，码分多址2000)、WCDMA(WidebandCodeDivisionMultipleAccess，宽带码分多址)、TD-SCDMA(TimeDivision-SynchronousCodeDivisionMultipleAccess，时分同步码分多址)、FDD-LTE(FrequencyDivisionDuplexing-LongTermEvolution，频分双工长期演进)和TDD-LTE(TimeDivisionDuplexing-LongTermEvolution，分时双工长期演进)等。WiFi属于短距离无线传输技术，移动终端通过WiFi模块102可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图1示出了WiFi模块102，但是可以理解的是，其并不属于移动终端的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。音频输出单元103可以在移动终端100处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时，将射频单元101或WiFi模块102接收的或者在存储器109中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元103还可以提供与移动终端100执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元103可以包括扬声器、蜂鸣器等等。A/V输入单元104用于接收音频或视频信号。A/V输入单元104可以包括图形处理器(GraphicsProcessingUnit，GPU)1041和麦克风1042，图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元106上。经图形处理器1041处理后的图像帧可以存储在存储器109(或其它存储介质)中或者经由射频单元101或WiFi模块102进行发送。麦克风1042可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风1042接收声音(音频数据)，并且能够将这样的声音处理为音频数据。处理后的音频(语音)数据可以在电话通话模式的情况下转换为可经由射频单元101发送到移动通信基站的格式输出。麦克风1042可以实施各种类型的噪声消除(或抑制)算法以消除(或抑制)在接收和发送音频信号的过程中产生的噪声或者干扰。移动终端100还包括至少一种传感器105，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1061的亮度，接近传感器可在移动终端100移动到耳边时，关闭显示面板1061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测到重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。显示单元106用于显示由用户输入的信息或提供给用户的信息。显示单元106可包括显示面板1061，可以采用液晶显示器(LiquidCrystalDisplay，LCD)、有机发光二极管(OrganicLight-EmittingDiode，OLED)等形式来配置显示面板1061。用户输入单元107可用于接收输入的数字或字符信息，以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元107可包括触控面板1071以及其他输入设备1072。触控面板1071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1071上或在触控面板1071附近的操作)，并根据预先设定的程式驱动相应的连接装置。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器110，并能接收处理器110发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1071。除了触控面板1071，用户输入单元107还可以包括其他输入设备1072。具体地，其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种，具体此处不做限定。进一步的，触控面板1071可覆盖显示面板1061，当触控面板1071检测到在其上或附近的触摸操作后，传送给处理器110以确定触摸事件的类型，随后处理器110根据触摸事件的类型在显示面板1061上提供相应的视觉输出。虽然在图1中，触控面板1071与显示面板1061是作为两个独立的部件来实现移动终端的输入和输出功能，但是在某些实施例中，可以将触控面板1071与显示面板1061集成而实现移动终端的输入和输出功能，具体此处不做限定。接口单元108用作至少一个外部装置与移动终端100连接可以通过的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元108可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到移动终端100内的一个或多个元件或者可以用于在移动终端100和外部装置之间传输数据。存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器109可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。处理器110是移动终端的控制中心，利用各种接口和线路连接整个移动终端的各个部分，通过运行或执行存储在存储器109内的软件程序和/或模块，以及调用存储在存储器109内的数据，执行移动终端的各种功能和处理数据，从而对移动终端进行整体监控。处理器110可包括一个或多个处理单元；优选的，处理器110可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器110中。移动终端100还可以包括给各个部件供电的电源111(比如电池)，优选的，电源111可以通过电源管理系统与处理器110逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。尽管图1未示出，移动终端100还可以包括蓝牙模块等，在此不再赘述。为了便于理解本发明实施例，下面对本发明的移动终端所基于的通信网络系统进行描述。请参阅图2，图2为本发明实施例提供的一种通信网络系统架构图，该通信网络系统为通用移动通信技术的LTE系统，该LTE系统包括依次通讯连接的UE(UserEquipment，用户设备)201，E-UTRAN(EvolvedUMTSTerrestrialRadioAccessNetwork，演进式UMTS陆地无线接入网)202，EPC(EvolvedPacketCore，演进式分组核心网)203和运营商的IP业务204。具体地，UE201可以是上述终端100，此处不再赘述。E-UTRAN202包括eNodeB2021和其它eNodeB2022等。其中，eNodeB2021可以通过回程(backhaul)(例如X2接口)与其它eNodeB2022连接，eNodeB2021连接到EPC203，eNodeB2021可以提供UE201到EPC203的接入。EPC203可以包括MME(MobilityManagementEntity，移动性管理实体)2031，HSS(HomeSubscriberServer，归属用户服务器)2032，其它MME2033，SGW(ServingGateWay，服务网关)2034，PGW(PDNGateWay，分组数据网络网关)2035和PCRF(PolicyandChargingRulesFunction，政策和资费功能实体)2036等。其中，MME2031是处理UE201和EPC203之间信令的控制节点，提供承载和连接管理。HSS2032用于提供一些寄存器来管理诸如归属位置寄存器(图中未示)之类的功能，并且保存有一些有关服务特征、数据速率等用户专用的信息。所有用户数据都可以通过SGW2034进行发送，PGW2035可以提供UE201的IP地址分配以及其它功能，PCRF2036是业务数据流和IP承载资源的策略与计费控制策略决策点，它为策略与计费执行功能单元(图中未示)选择及提供可用的策略和计费控制决策。IP业务204可以包括因特网、内联网、IMS(IPMultimediaSubsystem，IP多媒体子系统)或其它IP业务等。虽然上述以LTE系统为例进行了介绍，但本领域技术人员应当知晓，本发明不仅仅适用于LTE系统，也可以适用于其他无线通信系统，例如GSM、CDMA2000、WCDMA、TD-SCDMA以及未来新的网络系统等，此处不做限定。基于上述移动终端硬件结构以及通信网络系统，提出本发明方法各个实施例。本发明提供一种应用类特征生成方法。在本发明应用类特征生成节方法第一实施例中，参照图3，应用类特征生成方法包括：步骤S10，获取各单个用户端对目标应用进行预设操作行为的操作次数，根据预设操作行为的操作次数与预设操作行为对应的权重，计算各单个用户端对于目标应用的整体兴趣值；具体地，用户在选择与使用应用时，会进行各种操作，例如下载、安装、卸载、更新、评论、分享等等，而不同的操作行为可以代表用户对于应用的感兴趣程度，因此通过统计用户对于一个应用(即目标应用)的操作行为，在将各个操作行为与相对应的权重进行计算，即可得出用户对于该应用的整体兴趣值。步骤S20，根据所述整体兴趣值，以预设建模模型进行分类建模，并根据分类建模得到目标应用的特征矩阵；具体地，通过由用户操作行为计算得出的整体兴趣值，以及分类模型可以进行分类建模，例如通过LFM(latentfactormodel，潜在因子模型)进行分类建模，能够得到不同用户对于各个应用的模型矩阵，然后进行矩阵分解可以得出不同应用在各特征中权重，即每个应用在各特征中的特征值的特征矩阵。步骤S30，根据应用在特征矩阵中不同特征分类的特征值，获取目标应用的类特征。具体地，通过将数据模型进行矩阵分解得到的特征矩阵，从特征矩阵中可以获取到每个应用在各个特征的特征值，将应用所有的特征值提取出来，然后以向量的形式进行表示，即能够得到应用所对应的一个向量形式的类特征，即得到了应用的特征。随着智能手机的发展，智能手机的性能越发强大，功能也越来越多，同时与智能手机相对应的手机应用的数量也是大大增加。在向用户推荐或者用户进行搜索时，应用的类型分类是一个关键的属性，只有在准确的对应用进行分类的前提下，才能够向用户推荐，或者用户能够搜索到想要应用。否则用户可能无法快速的获取到需要的应用，导致用户的使用体验受到不良影响。目前在对应用进行分类时，主要是依靠人工进行使用与观察，然后将应用添加标签或进行分类，早期手机应用数量较少时，使用人工分类的方法可以满足需求，但是在目前应用数量已经达到百万级以上时，使用人工进行分类的方式则需要付出大量的人力成本。并且由于人工进行分类时，判断是根据分类者的主观进行的，所以进行人工分类还会导致分类结果不够准确。除此之外，人工在进行分类与添加标签时，会出现单一标签不能够满足应用实际效果，或者多样化的用户需求的情况，例如‘起点读书’app(应用程序)有四个标签：阅读、图书、电子书、小说，而在管理系统中四个标签是等价的，即4个标签的权重是一样的。这样对于搜索，推荐等严重依靠标签与分类权重准确性的功能而言，会造成结果出现误差等后果，使得用户在使用相关功能时的使用体验大幅度下降。而本发明应用类特征生成方法，是通过用户在使用应用时，所进行的各种操作行为来计算用户对于应用的感兴趣程度。用户对于应用进行的操作行为包括：搜索、下载、安装、更新、评论、分享、卸载等等，而不同的操作行为，所能体验的用户感兴趣程度不同，因此不同操作行为的权重也是不同的。例如安装的权重可以设为1，而评论的权重可以设为0.5，更新的权重也可以设为0.5，用户在使用了一个感兴趣且满意的应用之后，普遍会进行评论，以及后续会进行更新来体验应用的新功能，而卸载的权重可以设为-1，表示用户不感兴趣或者因为其他原因对应用整体不够满意。然后根据用户各项操作行为的操作次数与权重，可以计算出用户对于应用的整体兴趣值。整体兴趣值表示该用户对于应用的感兴趣程度与喜爱程度，整体兴趣值越高，表示用户对于应用越感兴趣、使用越多。在得到用户的整体兴趣值之后，通过LFM(latentfactormodel，潜在因子模型)模型算法对用户的操作行为集(数据集包含的是所有的用户，所有的应用，以及每个用户对应用的整体兴趣值列表)进行分类建模，建模后的数据模型的示意图如图5。分类建模可以得到三个矩阵，其中R矩阵是user_item矩阵(user即用户，item即应用)，矩阵里的各项值Ri,j表示的是useri对itemj的兴趣度或是评分。LFM算法从数据集中抽取若干主题或是分类，作为user和item的桥梁，同时R矩阵可以分解为P矩阵和Q矩阵相乘。将R矩阵利用常用的最小二乘或是梯度下降法即可求得P、Q矩阵。其中P矩阵是user_class矩阵(class即应用主题或者分类)，矩阵中各项值Pi,j表示的是useri对classj的兴趣度；Q矩阵是class_item矩阵(即特征矩阵)，矩阵中各项值Qi,j表示的是itemj属于classi分类的权重。通过分类建模的到特征矩阵，Q矩阵之后，可以得到应用相对应各个主题或者分类的兴趣值，然后通过向量的形式，计算出应用的特征，例如item1的特征向量为(Q11，Q21，Q31)，item2可以用(Q12，Q22，Q32)。而在需要进行搜索与推荐等需要查询相似应用时，相似度可以使用两个应用之间的余弦值来表示，因此item1与item2的相似度可以表示为：计算得出的余弦值越大(即越接近1)，则表示两个应用之间的相似程度越高，反之，余弦值越小则表示两个应用的相似程度越低。以此类推，可以找到应用市场内任意两个应用之间的相似度，从而找到内容、用户行为极度相似得应用，通过计算相似度的对应用查找应用的使用效果图如图6与图7，其中图6为阅读类、应用的查找效果，图7为直播类的应用。本发明应用类特征生成方法，计算得到的应用特征无需使用人工进行计算，数据均通过用户的操作行为统计得到。并且在进行分类建模时，不需要对分类粒度(粒度即分类的数量，表示分类的细致程度)进行控制与调节，只需要设置好LFM的分类数量即可，根据实际的需求，可以对分类数进行调节，分类数的数量越大，则粒度越细。同时在对应用进行分类时，并非是将应用进行添加标签式的明确分类，而是通过计算，得到应用属于某一分类的程度大小，属于一种模糊分类。而模糊分类能够时分类更加精准，从而可以使用户进行搜索等业务时准确获取到相对应类型的应用。对于不同的分类，可以得到各个应用在分类中的兴趣值，兴趣值越大，则表示应用越能够代表此分类，即应用越具有分类的代表性。同时分类的过程无需通过技术人员干预，使得厂家能够节约大量的人力成本。因此本发明利用大规模群体用户使用应用时的操作行为数据，再通过分类建模，计算各个应用的特征向量，通过特征向量可以对应用进行聚类分析或相关推荐等操作，为搜索、推荐等业务提供技术支持，并且成个过程效率高、成本低。进一步地，步骤S10获取各单个用户端对目标应用进行预设操作行为的操作次数的步骤之前包括：步骤S11，检测到智能终端发生预设操作行为时，获取预设操作行为的目标应用，并对目标应用的预设操作行的次数进行更新。具体地，智能终端检测到用户进行预设的操作行为时，预设操作行为包括：搜索、下载、安装等，首先获取操作行为的目标应用，然后将目标应用对应的操作行为统计次数根据本次检测到的操作行为进行对应更新。应用的整体兴趣度，是以用户的预设应用操作行为为基础计算得出的。在统计时，智能终端检测到具有预设操作行为时，将操作行为的目标应用获取到，然后获取到目标应用相对应的操作行为的数量，将数量进行更新后在保存，例如检测到当前在下载“斗鱼”应用一次，则将“斗鱼”的下载次数加1，从而完成本次统计。同时为了确保同一用户的操作行为的数据统计能够完整，可以通过相关账户进行关联，即操作行为是否在用户登录相关账户的基础上进行，例如检测到应用商店有下载操作时，则检测应用商店是否是登录状态，若已登录，则将统计与登录的账户进行关联，保持统计的操作行为属于同一用户；若未登录，则以本设备为默认账户，即根据设备标识等相关信息，将所有同一设备中检测到的数据视为属于同一用户。进一步地，步骤S10根据预设操作行为的操作次数与预设操作行为对应的权重，计算各单个用户端对于目标应用的整体兴趣值的步骤包括：步骤S12，获取每个预设操作行为次数与权重的乘积，将所有预设操作行为次数与权重的乘积相加，得到用户对于目标应用的整体兴趣值。具体地，计算用户对于应用的整体兴趣值时，将统计到的对应用的各项操作的次数乘以对应的权重，然后将所得的乘积进行相加即可计算出用户对于应用的整体兴趣值。用户对于应用的整体兴趣值，通过检测得到的各个预设操作行为的操作次数，以及与各项操作行为相对应的权重计算得出。具体计算方法为，各个预设操作行为的次数乘以相对应的权重，然后将获得乘积进行相加，最终得出用户对应用的整体兴趣值。整体兴趣值的计算简单直观，能够根据用户进行的预设操作行的多少与不同，直观的判断用户对于应用的感兴趣程度。进一步地，步骤步骤20根据所述整体兴趣值，以预设建模模型进行分类建模，并根据分类建模得到应用的特征矩阵的步骤包括：步骤S21，根据所述整体兴趣值，得到用户对目标应用的数据集；步骤S22，使用预设潜在因子模型对数据集进行建模，得到包含目标应用的特征矩阵的数据模型。具体地，通过所述整体兴趣值进行分类建模，得到用户对应用兴趣值的数据集。再通过LFM(latentfactormodel，潜在因子模型)算法对用户对应用兴趣值的数据集进行建模，得到数据矩阵，然后利用常用的最小二乘或是梯度下降法，对获取到的数据集矩阵进行矩阵分解，最终得到用户对于不同类型的兴趣矩阵与应用的特征矩阵。通过LFM对用户关于应用兴趣值的数据集进行建模，可以得到一个关于用户对应用的兴趣值的数据矩阵，这个矩阵可以直观的体现各个用户对于不同应用的兴趣值大小。而该数据集矩阵可以通过最小二乘或者梯度下降的方式进行矩阵分解，矩阵分解后得到的两个矩阵分别是user_class矩阵(用户与类型的矩阵)与class_item矩阵(类型与应用矩阵，即应用的特征矩阵)，矩阵分解的示意图如图5。其中特征矩阵是应用在每个分类中的权重值，通过特征矩阵可以快速的获取到各个应用的特征向量。进一步地，步骤S21使用使用预设潜在因子模型对数据集进行建模建模的步骤还包括：步骤S211，进行分类建模时，获取预设的分类数，根据分类数建立对应分特征分类数量的数据模型。具体地，进行分类建模时，建模的分类数量是根据预设的LFM分类数决定的，而分类数量是控制分类粒度的参数，因此需要获取到预设的LFM分类数，才能够准确的进行分类建模。在进行分类建模时，根据建模的分类数不同，建立的模型粒度也是不同的，也即是模型对于数据的细化程度不同，细化程度越高，粒度越小；细化程度越低，粒度越大。粒度较高时，建立的模型对于应用特征的计算也越准确，而在目前应用数量达到百万级以上的情况下，细化程度过大时，会造成计算过程中的计算量也过大，而计算量过大会导致计算速度降低。因此在能够满足预设功能的情况下，分类建模的分类数无需过多，而技术人员可以通过设置FLM分类数来调整分类建模的粒度大小。以此来控制计算速度与分类建模的细化程度之间的平衡，使得特征计算方式能够满足系统各项功能的前提下，保持较高的计算效率。进一步地，步骤S30根据应用在特征矩阵中不同特征分类的特征值，获取目标应用的类特征的步骤包括：步骤S31根据所述特征值，以向量形式将特征值进行带入，生成目标应用类特征。具体地，将特征矩阵中，目标应用在不同分类中的特征值以向量的形式带入，则可以得到目标应用的类特征，即应用的特征值。目标应用的类特征最终是一个向量形式表示的特征向量，而并非是以值的形式表示的特征值，类特征通过特征矩阵中应用在各个分类中的特征值来组成，例如item1在特征矩阵中对应三个分类的特征值分别是Q11、Q21以及Q31，则item1的类特征则由Q11、Q21与Q31组成特征向量，表示为(Q11、Q21、Q31)。通过特征向量的形式来表示目标应用的类特征，而不是使用特征值，是为了在进行应用相似度的计算时，能够更加精确的计算出不同应用之间的相似程度，本发明在计算相似程度时，可以通过计算两个类特征的余弦值来进行，例如向量1item(Q11、Q21、Q31)，向量2(Q12、Q22、Q23)，那么通过计算两个向量的余弦值来得到二者的相似度，余弦值为余弦值越接近1时，则表明两个应用之间的越相似，反之，余弦值越接近-1时，表明两个应用之间越不相似。通过两个类特征的余弦值计算，能够简单快捷的获取到两个应用的相似度，从而满足例如搜索、推荐等相关功能的需求。进一步地，参照图4，步骤S31根据所述特征值，以向量形式将特征值进行带入，生成目标应用类特征的步骤之后包括：步骤S32，生成目标应用类特征时，记录类特征的当前时间与当前预设操作行为的数量，并设为更新时间与预设操作行为的更新数量；具体地，每当目标应用的类特征生成时，系统会记录类特征的生成时间与生成时的预设操作行为的数量，并将这两个量设为更新时间与更新数量，用以在更新判断时使用。步骤S33，当检测到目标应用更新时间或者更新数量满足更新条件时，对目标应用的类特征进行更新。具体地，随着应用的用户数量增加与用户使用时间的增加，用户对于应用的兴趣会发生变化，因此应用的类特征也需要进行更新。而由于应用的数量巨大，因此对类特征进行实时更新会导致系统运算量过大，从而引发运算效率降低等不良后果，因此设置了更新的条件，当满足更新条件时则对类特征进行更新。在计算得出类特征时，记录计算完成时的时间与预设操作行为的数量，通过更新时间的时间间隔或者预设操作行为的数量增加量判断是否进行类特征的更新。为了能够保障类特征的准确性，因此类特征在生成之后，还需要进行不断的更新，随着使用时间的增加以及使用人数的增加，用户对于不同的应用的感兴趣程度可能会发生变化。而通过更新能够很好的将用户对于不同应用的感兴趣程度进行的变化进行体现。但若是在每增加一次预设操作行为就进行类特征的更新，会导致系统的计算量变大，特别是使用较多的应用，数据量会达到数以亿计。因此更新频率太多会严重影响系统的运算效率，严重时可能会导致系统运行速度下降。为了避免系统运算量过大导致不良后果，通过设置更新条件来有效的降低更次次数，同时避免更新不及时所带来的特征限量准确率降低的情况，在不影响系统运算速度的前提下，保持了类特征的准确率与时俱进。进一步地，步骤S33当检测到目标应用更新时间或者更新数量满足更新条件时，对目标应用的类特征进行更新的步骤包括：步骤S331，当当前时间与所述更新时间的时间间隔大于预设最小更新时间间隔时，则判定满足更新条件；具体地，当特征向量每个预设时间段时，判定满足更新条件，并进行特征向量的更新。步骤S332，当当前预设操作行为的数量与所述更新数量的差值大于预设最小更新数量时，则判定满足更新条件；具体地，当预设操作行为的数量增加量大于预设的操作行为数量增加量时，判定满足更新条件，并进行特征向量的更新。判断是否对类特征进行更新的条件有两个，一个是通过更新的时间间隔，即当前时间与上次更新时间的时间间隔，若是时间间隔大于预设的最小更新时间间隔时，则进行类特征的更行。设置时间间隔的更新条件，主要是对长时间未更新的应用进行类特征的更新，避免长时间未更新所导致的特征向量准确性降低。除了时间间隔之外，还会根据操作行为的数量增加量来进行应用类特征的更新，通过操作行为的数量增加量来判断是否更新的目的是避免热门应用受到数量较大的操作行为影响，导致应用的类特征准确性降低，因此在预设操作行为的数量增加量大于预设增加量时，需要对类特征进行更新，来保持类特征的准确性。通过时间间隔与操作行为数量的增加量判断是否更新，能够保持应用类特征的准确性，使得用户与系统进行使用时，能够获取更好的使用体验与效果。本发明还提供一种基于应用类特征生成的装置。本发明基于应用类特征生成的装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的应用类特征生成授权程序，所述应用类特征生成程序被所述处理器执行时实现如上所述的应用类特征生成方法步骤。其中，在所述处理器上运行的提示信息的应用类特征生成程序被执行时所实现的方法可参照本发明应用类特征生成方法各个实施例，在此不再赘述。此外本发明实施例还提出一种计算机可读存储介质。本发明计算机可读存储介质上存储有应用类特征生成程序，所述应用类特征生成程序被处理器执行时实现如上所述的应用类特征生成方法的步骤。其中，在所述处理器上运行的提示信息的显示程序被执行时所实现的方法可参照本发明应用类特征生成方法各个实施例，在此不再赘述。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。当前第1页1 2 3 当前第1页1 2 3