终处理的结果如图（3)，经过AR-MINER处理后，我们获得用户的有用的评论集，方便了后面的处理过程。
[0050]步骤2)预处理如上过滤后的评论中没用的词语。我们使用自然语言预处理技术 (NLP)的托肯化和去除停用词（stopping)技术来去除无用的词语。a)托肯化:去除标点符号 (比如"0"，"?"），去除数字（比如"1"，"23"）等。b)去除停用词（stopping):去除中文停用词， 比如语气词"啊"，"唉"；连词"并且"，"不但"；修饰词"很"，"基本"，"几乎"等。在图（4)中我 们可以看到预处理后的结果，两步操作之后，我们获得了预处理后的文档。
[0051] 步骤3)基于情感-方面-地区模型（SAR模型）对评论中的情感，方面，地区进行分 析，得到关于用户感情，方面以及地区的有效评论的特征诉求，主要过程有:a)情感我们通 过预定义的情感集，通过语义分析器判断出句子极性，这里我们主要取包含不好的情感的 评论。b)地区我们主要通过基于坐标的K-means算法，通过聚类过程判断在某个地区是否有 相关Αρρκ)方面我们通过基于句子层次的K-means算法，给每个句子一个相关的方面，最后 获取所有评论中的用户对于信息点的感受。我们在对预处理后的结果进行SAR分析后，结果 见图（5)，这形成了我们做出修改推荐的基础。
[0052] 步骤4)提取多数用户对App的特征诉求。我们根据步骤(3)中获得的有效的评论特 征诉求，我们通过计算特征诉求中关键字出现的频率进行概率计算，找出其中多数人评论 中关心的特征以及要求。
[0054]步骤5)针对与当前APP同类的其他App，我们根据同类App的特征描述进行分析，利 用LDA主题模型产生特征关键字，通过计算其关键字的出现频率值，找出多数App共有的特 征。我们在知乎所在的类别社交里面选择了部分同类的App描述进行分析，并计算出了概 率，结果如图（6)所示，我们选择了易信，陌陌，G 〇〇gle+分析出了他们的特征，方便开发者从 同类App这一方面进行修改。
[0056]步骤6)排序。综合情感，方面，地区，多数用户对App的特征诉求以及同类App的特 征，我们利用SAR模型的概率值以及特征出现频率概率值，结合Top-n在线推荐算法对其排 序，将SAR模型中的推荐概率计算和关键字出现频率计算以及同类App的特征概率结合起 来。
[0057] pi指SAR模型的推荐概率：
[0059]即表示用户u在情感，方面，地区这三方面不喜欢APP t的概率。其中，t，s_，u，r，a， ct分别代表APP，负面情感，用户，地区，APP的方面以及APP的种类。
[0060] P2指关键字出现频率：
[0062] ρ = αρ1+βρ2
[0063] (α，β是输入参数权重）
[0064] Top-n推荐算法是根据一定的规则进行排序，得到所需的数据。我们主要是根据上 述概率大小进行排序，得出最优的η个数据进行推荐，形成最终的修改建议，根据上述概率 的排序，我们的最终结果见图（7)，我们根据SAR模型的概率值以及特征出现频率概率值进 行的最终排序使得"知乎"的用户评论特征得到了有效的推荐。
[0065]另一方面，若开发者选择根据同类App的特征进行排序，我们根据社交一类App的 描述进行分析，最终呈现的结果如图（8)，可以看到同类App的需求较多的特征也可以用来 向开发者推荐。
【主权项】
1. 一种基于众包的安卓应用演化推荐方法，其步骤如下： 步骤1)首先从移动应用市场的某个Android应用中提取用户对该应用的评论，然后基 于AR-MINER工具，过滤无用的评论，得到有用的用户评论集； 步骤2)使用自然语言预处理技术对有用的用户评论中的词语进行预处理，去除一些无 用的词语； 步骤3)基于情感-方面-地区模型，对评论中的情感，方面，地区进行分析，得到关于用 户感情，方面以及地区的有效评论的特征诉求； 步骤4)提取多数用户对App的特征诉求，根据步骤3)中获得的有效的评论特征诉求，计 算特征诉求中关键字出现的频率并进行概率计算，找出其中多数人评论中关心的特征以及 要求； 步骤5)针对与当前APP同类的其他App，根据同类App的特征描述进行分析，利用LDA主 题模型产生特征关键字，通过计算其关键字的出现频率值，找出多数App共有的特征； 步骤6)排序，综合情感，方面，地区，多数用户对App的特征诉求，利用SAR模型的概率值 以及特征出现频率概率值，结合Top-n在线推荐算法推荐出η个最优的修改意见;进行同类 App推荐时，通过同类App的特征关键字根据步骤5)中特征关键字概率进行排序推荐。2. 根据权利要求1所述的一种基于众包的安卓应用演化推荐方法，其特征在于步骤1) 中，通过爬取应用商店里面我们所需要修改的App的所有评论，基于AR-MINER工具，检索出 所有有用的评论。3. 根据权利要求1所述的一种基于众包的安卓应用演化推荐方法，其特征在于步骤2) 中使用NLP技术的预处理过程： a) 托肯化:去除标点符号，去除数字； b) 去除停用词、连词、修饰词。4. 根据权利要求1所述的一种基于众包的安卓应用演化推荐方法，其特征在于步骤3) 中对于用户评论中情感，地区，特征的提取： a) 情感:通过预定义的情感集，语义分析器判断出句子的极性，语义分析器包括预先 定义的一些关于情感的词语，极性分为good和not good两种，这里主要取包含not good情 感的评论； b) 地区：通过基于坐标的K-means算法，通过聚类过程得出评论中的用户地理位置，取 出这些用户需求的地理位置； c) 方面:通过基于句子层次的K-means算法，给每个句子一个相关的方面，最后获取所 有评论中的用户对于信息点的感受。5. 根据权利要求1所述的一种基于众包的安卓应用演化推荐方法，其特征在于步骤4) 中获取多数用户对App的特征诉求，通过计算步骤3)中关键字出现的频率：6. 根据权利要求1所述的一种基于众包的安卓应用演化推荐方法，其特征在于步骤5) 提取同类App的特征:通过对同类App的特征描述进行LDA主题分析，LDA是用来挖掘语义的， 提取主题的一个模型并给每个描述的句子一个主题，并且通过分析大多数同类App的特征， 通过公式计算其特征关键字出现的概率，推荐时我们根据其频率大小进行排序推荐，7.根据权利要求1所述的一种基于众包的安卓应用演化推荐方法，其特征在于步骤6) 的排序:若开发者选择从用户评论进行排序，综合情感，方面，地区，多数用户对App的特征 诉求，将情感-方面-地区模型中的推荐概率计算和关键字出现频率计算以及同类App的特 征概率结合起来： Pl指SAR模型的推荐概率：即表示用户u在情感，方面，地区这三方面不喜欢APP t的概率;其中，t，s_，u，r，a，ct分 别代表APP，负面情感，用户，地区，APP的方面以及APP的种类； P2指关键字出现频率：最终我们根据线性关系相结合： Ρ = αρ1+βρ2 (〇，0是输入参数权重）。
【专利摘要】本发明涉及一种基于众包的安卓应用演化推荐方法。本发明提取用户对该应用的评论，基于AR-MINER工具，对有用的用户评论中词语进行预处理，基于情感-方面-地区模型进行分析，得到关于用户的特征诉求并提取，计算特征诉求中关键字出现的频率进行概率计算，找出关心的特征以及要求，提取同类APP的特征，利用LDA主题模型产生特征关键字，找出共有特征，利用SAR模型的概率值以及特征出现频率概率值，结合Top-n在线推荐算法推荐出n个最优的修改意见，进行排序推荐。本发明克服了没有考虑交互性的缺陷。本发明提取了市场中同类软件的情感-方面-地区用户评论，据此推荐可更好地保障APP保持市场竞争力。
【IPC分类】G06F17/30
【公开号】CN105488206
【申请号】CN201510916068
【发明人】孙小兵, 夏海婷, 李斌, 李云
【申请人】扬州大学
【公开日】2016年4月13日
【申请日】2015年12月9日