一种应用推荐方法和系统与流程

本发明涉及计算机技术领域，特别是涉及一种应用推荐方法和一种应用推荐系统。

背景技术：

以手机、平板电脑为代表的移动终端近年来发展迅猛，CPU和存储设备在性能上都有大幅提高，与之相应的，移动终端上的应用也越来越丰富，用户界面也越来越友善。

移动终端的很多功能，都需要安装在移动终端上面的应用(APP)来完成。那么如何寻找合适的软件、找到感兴趣的游戏，是移动终端用户在使用移动终端的时候面临的问题。如此，各种应用管理平台应运而生，如：搜狗手机助手、360手机助手、91手机助手、豌豆荚手机助手、小米应用市场、苹果APP STORE等等。上述应用管理平台旨在帮助移动终端用户更方便的发现、寻找、下载、安装、更新APP。这些应用管理平台既可以安装在PC或者MAC上，也可以直接安装在移动终端上。应用管理平台在启动之后会给用户展示组织好的APP，而在应用管理平台中，存在一种二级APP推荐页面，以给用户展示或推荐新上架的或优质的APP，该APP推荐页面的展示内容、APP之间的展示顺序，直接影响了用户能否在该页面快速发现所需的优质APP，进一步影响了用户使用应用管理平台的直接体验、以及APP在应用管理平台上的下载量、流水量和商业价值。

但是，在先技术中，APP推荐页面中展示的APP及其顺序，主要靠人工编辑、审核、排序。比如在APP推荐页中展示50个优质APP，这些APP需要从APP库中的30万个APP里面逐个筛选出来；并且50个优质APP要按照质量由高到低的顺序进行排序。完全由人工来做的话，每天需要消耗大量的人力资源，效率非常低。并且人工编辑、审核、排序的方式，主观性强，无法客观的保证推荐的APP是用户倾向使用的优质APP。

技术实现要素：

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种应用推荐方法和相应的一种应用推荐系统。

为了解决上述问题，本发明公开了一种应用推荐方法，包括：

获取与应用相关的用户行为记录并对各应用进行分析，获得第一应用备选集合；

根据所述第一应用备选集合，获得推荐应用集合；

将所述推荐应用集合中的各应用进行展示。

优选地，所述获取与应用相关的用户行为记录并对各应用进行分析，获得第一应用备选集合的步骤，包括：

针对每个应用，从与所述应用相关的用户行为记录中，提取至少一个维度的特征值；所述至少一个维度的特征值包括：第一价值维度的特征值、用户访问行为维度的特征值；

根据所述提取至少一个维度的特征值和相应维度的权重，计算所述应用的总特征值；

将总特征值排序靠前的N₁个应用加入第一应用备选集合。

优选地，针对每个应用，从与所述应用相关的用户行为记录中，提取至少一个维度的特征值的步骤包括：

针对每个应用，计算所述应用的第一价值数据与所述应用的分发量之间的比例，将所述比例作为第一价值维度的特征值。

优选地，所述用户访问行为维度的特征值包括：浏览维度的特征值、下载维度的特征值。

优选地，当所述用户访问行为维度的特征值为浏览维度的特征值时，所述针对每个应用，从与所述应用相关的用户行为记录中，提取至少一个维度的特征值的步骤包括：

针对每个应用，统计所述应用在应用概要展示页面中被浏览的第一浏览次数，在搜索结果页面中被浏览的第二浏览次数，和在应用详情展示页面中被浏览的第三浏览次数；

将所述第一浏览次数、第二浏览次数和第三浏览次数分别结合所在页面的权重，计算浏览维度的特征值。

优选地，当所述用户访问行为维度的特征值为下载维度的特征值时，所述针对每个应用，从与所述应用相关的用户行为记录中，提取至少一个维度的特征值的步骤包括：

针对每个应用，统计所述应用在应用概要展示页面的第一下载次数，在搜索结果页面中被下载的第二下载次数，和在应用详情展示页面中被下载中被下载的第三下载次数；

将所述第一下载次数、第二下载次数和第三下载次数分别结合所在页面的权重，计算下载维度的特征值。

优选地，在根据所述第一应用备选集合，获得推荐应用集合的步骤之前，还包括：

获取至少一个应用管理平台的应用推荐页面中的应用并对各应用进行分析，获得第二应用备选集合；

根据所述第一应用备选集合，获得推荐应用集合的步骤为：

将所述第一应用备选集合和第二应用备选集合进行融合，获得推荐应用集合。

优选地，所述获取至少一个应用管理平台的应用推荐页面中的应用并对各应用进行分析，获得第二应用备选集合的步骤包括：

对于至少一个应用管理平台的应用推荐页面，获取对应的应用排序列表；

当应用排序列表为两个或两个以上时，将各个应用排序列表进行融合计算，获得包括N₂个应用的第二应用备选集合，其中N₂为小于或者等于所有应用列表中应用数量的总和。

优选地，所述当应用排序列表为两个或两个以上时，将各个应用排序列表进行融合计算，获得包括N₂个应用的第二应用备选集合的步骤包括：

从每个应用排序列表中，选择排序靠前的P个应用；

针对每个应用，从与所述应用相关的用户行为记录中，提取至少一个维 度的特征值；所述至少一个维度的特征值包括：第一价值维度的特征值、用户访问行为维度的特征值；

根据各维度的特征值和相应维度的权重，计算所述应用的总特征值；

将总特征值排序靠前的N₂个应用加入第二应用备选集合。

优选地，所述将所述第一应用备选集合和第二应用备选集合进行融合，获得推荐应用集合的步骤包括：

将推荐应用集合的前M₁个位置，从第二应用备选集合中选择排序靠前的M₁个应用进行填充；

将推荐应用集合的剩余M₂个位置，从第一应用备选集合中选择序靠前的相应M₂个的应用进行填充；其中M₁与M₂之和为推荐应用集合中应用的数量。

优选地，在获得推荐应用集合之后，还包括：

对于推荐应用集合中的每个应用，根据分类标签模型对所述应用打上分类标签；和/或

根据各用户对应用的各功能的使用行为进行分析，构建应用分类标签模型。

本发明还提供了一种应用推荐系统，包括：

第一应用备选集合生成模块，用于获取与应用相关的用户行为记录并对各应用进行分析，获得第一应用备选集合；

推荐应用集合获取模块，用于根据所述第一应用备选集合，获得推荐应用集合；

展示模块，用于将所述推荐应用集合中的各应用进行展示。

本发明实施例包括以下优点：

本发明实施例通过大规模的针对APP展示页面的用户行为记录的分析，综合评价APP的质量，从而构建第一应用备选集合。然后从第一应用备选集合中按照推荐应用集合的需求筛选应用，将符合要求的应用加入推荐应用集合，然后即可将推荐应用集合中的应用在本发明的应用管理平台的应用推荐页面中进行展示。本发明实施例综合了用户的访问行 为，相对客观的统计得到更优质的APP的推荐列表，并且降低了人力成本，提高了推荐效率。

附图说明

图1是本发明的一种应用推荐方法实施例的步骤流程图；

图1A、1B、1C是本发明一种APP展示示例；

图2是本发明的另一种应用推荐方法实施例的步骤流程图；

图3是本发明的另一种应用推荐方法实施例的步骤流程图；

图4是本发明的一种应用推荐系统实施例的结构框图；

图5是本发明的另一种应用推荐系统实施例的结构框图

图6是本发明的另一种应用推荐系统实施例的结构框。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明实施例的核心构思之一在于，通过大规模的针对APP展示页面的用户行为记录的分析，综合评价APP的质量，从而构建第一应用备选集合。然后可以从第一应用备选集合中按照推荐应用集合的需求筛选应用，将符合要求的应用加入推荐应用集合，然后即可将推荐应用集合中的应用在本发明的应用管理平台的应用推荐页面中进行展示。本发明实施例可以综合了用户的访问行为，比如在不同类型页面中浏览、下载应用的行为，相对客观的统计得到更优质的APP的推荐列表，并且降低了人力成本，提高了推荐效率。

实施例一

参照图1，示出了本发明的一种应用推荐方法实施例的步骤流程图，具体可以包括如下步骤：

步骤110，获取与应用相关的用户行为记录并对各应用进行分析，获得第一应用备选集合。

在本发明实施例中，可通过大规模的与应用相关的用户行为记录，比如用户对某个应用所在页面的浏览次数，对某个应用的下载次数等。

可以理解，本发明实施例可以从各个网站的服务器中获取所述用户行为记录。一般而言，用户行为记录是保存在服务器的访问日志中，本发明实施例可以通过所述访问日志获取到与应用相关的用户行为记录。

对所述用户行为记录进行分析，得到优质APP，然后将这些优质APP加入第一应用备选集合。在本发明实施例中，所述优质APP可以从多个侧面衡量，比如浏览次数，下载次数、给应用管理平台带来的收益等方面。上述几个方面数量越高表示该APP越优质。

在本发明实施例应用在一个应用管理平台中，而应用管理平台本身中会存有大量的APP，那么产生推荐应用集合时，需要对本应用管理平台中的APP进行推荐，因而，获取与应用相关的用户行为记录并对各应用进行分析时，是针对指定的应用集合中的应用进行分析。所述指定应用集合可以包括本应用管理平台中所有应用，也可以是包括本应用管理平台中的部分应用，比如最近一段时间内新加入本应用管理平台的应用。

可选的，步骤110包括：

子步骤A10，针对每个应用，从与所述应用相关的用户行为记录中，提取至少一个维度的特征值；所述至少一个维度的特征值包括：第一价值维度的特征值、用户访问行为维度的特征值。

其中，所述用户访问行为维度特征值包括：浏览维度的特征值、下载维度的特征值。所述浏览维度的特征值可以理解为用户对各网页中展示的某个APP的浏览量的度量。所述下载维度的特征值可以理解为用户对某个APP的下载量的度量。

在本发明实施例中可以从与用户行为记录中提取多个维度的特征值，比如第一价值维度的特征值，浏览维度的特征值，下载维度的特征值。所述第一价值维度的特征值可以为某个APP单位分发量所带来的收益。所述浏览维度的特征值可以理解为用户对各网页中展示的一APP的浏览量的度量。所述下载维度的特征值可以理解为用户对一APP的下载量的度量。所述用户访问行为维度特征值可以理解为用户访问行为产生的流量，比如浏览量、下载量等。

可选的，子步骤A10包括：

子步骤A101，针对每个应用，计算所述应用的第一价值数据与所述应用的分发量之间的比例，将所述比例作为第一价值维度的特征值。

在本发明实施例中，所述第一价值数据可以为APP的商业流水,也即该第一价值数据可以为本应用管理平台通过分发该APP得到的总收益数据。即本应用管理平台分发了大量该APP，APP开发者则这些分发量向本应用管理平台以一定价格进行支付，这个支付的价格就是该APP在该分发量下的商业流水或者说总收益。那么，可以获取每个APP的第一价值数据，还可以获取每个APP在本应用管理平台中的分发量，比如对于APP_I，该APP_I的第一价值数据可以记为“APP_I总收益”，其在应用平台中的分发量可以记为“APP_I分发量”，则可以通过公式(1)计算特征值：

SCORE_P(APP_I)＝APP_I总收益/APP_I分发量 (1)

其中SCORE_P(APP_I)为某个APP_I的特征值。

公式(1)即计算了APP_I的单位分发量所带来的收益，即本应用管理平台每分发一个APP_I得到的收益。APP_I的单位分发量所带来的收益越大越好。

当然，本发明实施例中，可以获取同一个时间段内，每个APP的总收益，以及每个APP的分发量。比如获取最近两个周内，每个APP的总收益，以及每个APP的分发量。从而可以更为精准的提取各个APP的第一价值维度的特征值，以更准确的推荐APP。

可选的，当所述用户访问行为维度的特征值为浏览维度的特征值时，子步骤A10包括：

子步骤A102，针对每个应用，统计所述应用在应用概要展示页面中被浏览的第一浏览次数，在搜索结果页面中被浏览的第二浏览次数，和在应用详情展示页面中被浏览的第三浏览次数。

在本发明实施例中，可针对每个应用，根据所述应用在各类网页中被浏览次数，计算浏览维度的浏览特征值。上述各类网页包括展示APP概要信息的APP概要展示网页，该页面中可能同时展示了多个APP的概要信息，如图1A所示，其为APP概要展示页面中展示的部分APP展示示例。上述 各类网页包括针对APP搜索结果页面，即用户在搜索页面中搜索某个APP获得的页面，如图1B，其为用户在搜索页面中搜索“PDF阅读器”得到的APP搜索结果页的部分示例，用户可以从该页面中浏览APP，当然，还可包括其他形式的搜索结果页。上述各类网页还可包括应用详情展示页面，即用户点击到介绍应用具体情况的页面，说明用户对该应用比较关心，如图1C，其示出了某个应用详情展示页面的示例。

其中，对于手机等移动终端来说，当在手机上打开搜狗手机助手这个应用管理平台应用时，应用管理平台会有“精品”、“应用”、“游戏”、“视频”、“管理”，“推荐”、“分类”、“排行”、“专题”、“资讯”等各个频道，或者说各个页面，点击其中任意一个，都会跳转到相应的频道或者说页面中，每个频道(页面)都是一个APP展示页面。在本发明实施例中前述“TAB页”可以理解为应用管理平台的上述各个频道。

当然，本发明实施例在通过服务器的用户访问日志中，提取用户行为记录时，对用户访问的每个网址，均会判断其类型。在本发明实施例中，可以预先针对各网站的网址设置判定网址类型的正则表达式，以判断该网站中各个网页属于哪种类型，从而进行统计。其中，对于正则表达式：在本发明实施例中，比如各种搜索引擎的搜索页面，可针对搜索引擎页面的网址设置正则表达式，然后为每个正则表达式对应一个网页类型，正则表达式匹配上则确认网址属于该网页类型，没匹配上则不属于该网页类型。如搜狗的搜索页面的网址的正则表达式为\bSOSO.COM\b，两个“\b”之间匹配soso.com字符串，匹配上，则说明该网址为搜狗搜索的搜索页面，则判断相应网站的各网页属于搜索结果页面类型。

子步骤A103，将所述第一浏览次数、第二浏览次数和第三浏览次数分别结合所在页面的权重，计算浏览维度的特征值。

在本发明实施例中，可分别为各类型的页面赋予不同的权重，比如应用概要展示页面的权重为Λ1，搜索结果页面为Λ2，应用详情展示页面为Λ3。

那么本发明可统计所述应用在应用概要展示页面中被浏览的第一浏览次数C₁(APP_I),在搜索结果页面中被浏览的第二浏览次数C₂(APP_I),和在应 用详情展示页面中被浏览的第三浏览次数C₃(APP_I)。

那么可通过公式(2)计算浏览维度的特征值：

SCORE_BROWSING(APP_I)＝Λ1*C₁(APP_I)+Λ2*C₂(APP_I)+Λ3*C₃(APP_I) 公式(2)

其中SCORE_BROWSING(APP_I)为APP_I的浏览维度的特征值。

可选的，当所述用户访问行为维度特征值为下载维度的特征值时，子步骤A10包括：

子步骤A104，针对每个应用，统计所述应用在应用概要展示页面的第一下载次数，在搜索结果页面中被下载的第二下载次数，和在应用详情展示页面中被下载中被下载的第三下载次数。

在本发明实施例中，可针对每个应用，根据所述应用的所述下载渠道，计算下载维度的浏览特征值。所述下载渠道可以包括：通过展示APP概要信息的APP概要展示网页的渠道，通过搜索结果展示页下载的渠道，和通过应用详情展示页下载的渠道。

在本发明实施例中，前述APP概要展示网页和应用详情展示页、搜索结果展示页，可以为应用管理平台中的页面。那么其他页面中的下载渠道，比如其他软件下载的渠道，比如当前应用管理平台为搜狗手机助手，用户通过搜狗输入法的APP下载页面下载了APP则为其他页面中下载的渠道。

上述各类网页包括展示APP概要信息的APP概要展示网页，该页面中可能同时展示了多个APP的概要信息，如图1A所示，其为APP概要展示页面中展示的部分APP展示示例。上述各类网页包括针对APP搜索结果页面，即用户在搜索页面中搜索某个APP获得的页面，如图1B，其为用户在搜索页面中搜索“PDF阅读器”得到的APP搜索结果页的部分示例，用户可以从该页面中浏览APP，当然，还可包括其他形式的搜索结果页。上述各类网页还可包括应用详情展示页面，即用户点击到介绍应用具体情况的页面，说明用户对该应用比较关心，如图1C，其示出了某个应用详情展示页面的示例。

子步骤A105，将所述第一下载次数、第二下载次数和第三下载次数分 别结合所在页面的权重，计算下载维度的特征值。

在本发明实施例中，可分别为各类型的页面赋予不同的权重，比如应用概要展示页面的权重为λ1，搜索结果页面的权重为λ2，应用详情展示页面的权重为λ3。

那么本发明可统计应用在应用概要展示页面和应用详情展示页面中被下载的第一下载次数D₁(APP_I),在搜索结果页面中被下载的第二下载次数D₂(APP_I),和在应用详情展示页面中被下载中被下载的第三下载次数D₃(APP_I)。

那么可通过公式(3)计算下载维度的特征值：

SCORE_DOWNLOADING(APP_I)＝λ1*D₁(APP_I)+λ2*D₂(APP_I)+λ3*D₃(APP_I)

……公式(3)

其中SCORE_DOWNLOADING(APP_I)为APP_I的下载维度的特征值。

当然，本发明实施例还可以获取其他的下载渠道的下载次数，比如其他管理分发平台对该APP的下载次数，然后为该管理分发平台设置权重，将该权重和次数相乘，然后加入上述公式(3)。

子步骤A11，根据各维度的特征值和相应维度的权重，计算所述应用的总特征值。

那么本发明即可根据第一价值维度的特征值、浏览维度的特征值、下载维度的特征值，计算每个APP的总特征值。

比如前述APP_I，本发明实施例中可以为每个特征维度设置一个权重，比如：第一价值维度的特征值的权重为λ_P、浏览维度的特征值的权重λ_L、下载维度的特征值的权重λ_D，那么APP_I的总特征值可通过公式(4)计算：

SCORE_TOTAL(APP_I)＝λ_P*SCORE_P(APP_I)+λ_L*SCORE_BROWSING(APP_I)+λ_D*SCORE_DOWNLOADING(APP_I) ……公式(4)

当然，本发明实施例也可以先将SCORE_BROWSING和SCORE_DOWNLOADING合起来计算用户整体访问行为的第一特征值SCORE_USERS(APP_I)，该第一特征值可以判断该APP是否被大多数用户所需要。然后以SCORE_P(APP_I)判断该APP是否具有较大的商业价值。两者分别再赋予权重，再结合计算总特征值 SCORE_TOTAL(APP_I)。

即通过公式(5)计算SCORE_USERS(APP_I)：

SCORE_USERS(APP_I)＝λ_L1*SCORE_BROWSING(APP_I)+λ_D1*SCORE_DOWNLOADING(APP_I)

……公式(5)

其中λ_L1为SCORE_BROWSING(APP_I)的权重，其中λ_D1为SCORE_DOWNLOADING(APP_I)的权重。

然后通过公式(6)计算SCORE_TOTAL(APP_I)：

SCORE_TOTAL(APP_I)＝λ_P1*SCORE_P(APP_I)+λ_U*SCORE_USERS(APP_I)

……公式(6)

其中λ_P1为SCORE_P(APP_I)的权重，其中λ_U为SCORE_USERS(APP_I)的权重。

子步骤A12，将总特征值排序靠前的N₁个应用加入第一应用备选集合。

那么，再计算得到每个APP的SCORE_TOTAL(APP_I)之后，即可将排序靠前的N₁个加入第一应用备选集合。

当然，本发明实施例中，可以在计算了网页中所有APP的SCORE_TOTAL(APP_I)后，将应用管理平台的APP库中的APP，根据所述SCORE_TOTAL(APP_I)进行排序，然后选择排序靠前的N₁个APP加入第一应用备选集合。该序靠前的N₁个APP即为优质APP。其中N₁为大于等于0的整数，其大小取值可根据实际需求确定。

步骤120，根据所述第一应用备选集合，获得推荐应用集合。

然后，根据推荐应用集合需求L个APP，从前N₁个APP继续筛选L个APP。其中，N₁>L。

该筛选比如直接将N₁个APP中排序靠前的L个加入推荐应用集合。

步骤130，将所述推荐应用集合中的各应用进行展示。

然后，推荐应用集合中的各应用，即可按照排序，将应用的相关信息放入应用推荐页面的相应位置进行展示，提供给用户浏览/下载。

本发明实施例通过大规模的针对APP展示页面的用户行为记录的分析，综合评价APP的质量，从而构建第一应用备选集合。然后可以从第一应用 备选集合中按照推荐应用集合的需求筛选应用，将符合要求的应用加入推荐应用集合，然后即可将推荐应用集合中的应用在本发明的应用管理平台的应用推荐页面中进行展示。本发明实施例综合了用户的访问行为，比如在不同类型页面中浏览、下载应用的行为，相对客观的统计得到更优质的APP的推荐列表，并且降低了人力成本，提高了推荐效率。

实施例二

参照图2，示出了本发明的一种应用推荐方法实施例的步骤流程图，具体可以包括如下步骤：

步骤210，获取与应用相关的用户行为记录并对各应用进行分析，获得第一应用备选集合。

步骤220，获取至少一个应用管理平台的应用推荐页面中的应用并对各应用进行分析，获得第二应用备选集合。

在实际应用中，网络中已有的应用管理平台的可能也有应用推荐页面，或者说应用推荐页面，其一般是通过技术人员人工编辑而来，具备一定的参考价值。那么本发明可指定抓取其他应用管理平台的指定应用推荐页面，即抓取指定的应用推荐页面，并解析其中的应用，然后对各个应用进行分析，可获得第二应用备选集合。

当然，本发明实施例可以获取一个或者多个应用管理平台的应用推荐页面中的应用。

可选的，步骤220包括：

子步骤B10，对于至少一个应用管理平台的应用推荐页面，获取对应的应用排序列表。

在本发明中可以利用网页抓取器抓取指定应用推荐页面并进行解析，获得对应该页面的应用排序列表。

子步骤B11，当应用排序列表为两个或两个以上时，将各个应用排序列表进行融合计算，获得包括N₂个应用的第二应用备选集合，其中N₂为小于 或者等于所有应用列表中应用数量的总和。

由于可能由于有多个指定的应用推荐页面，则相应存在多个应用排序列表，那么本发明可将多个应用排序列表进行融合，去除排序靠后的APP，得到包括N₂个优质APP的第二应用备选集合。

可选的，子步骤B11包括：

子步骤B1101，从每个应用排序列表中，选择排序靠前的P个应用。

其中，多个应用排序列表的前P个累加的数量大于第二应用备选集合需求的数量N₂个。比如应用排序列表有5个，那么APP的个数为5*P个。

子步骤B1102，针对每个应用，从与所述应用相关的用户行为记录中，提取至少一个维度的特征值；所述至少一个维度的特征值包括：第一价值维度的特征值、用户访问行为维度特征值；

子步骤B1103，根据各维度的特征值和相应维度的权重，计算所述应用的总特征值。

在本发明实施例中，子步骤B1102和子步骤B1103的执行过程，与实施例一中提及的子步骤A10和子步骤A11的执行过程类似，在此不再赘叙。

通过子步骤B1102和B1103，可以对各个APP计算得到其总特征值。

子步骤B1104，将总特征值排序靠前的N₂个应用加入第二应用备选集合。

然后从各个APP中选择总特征值排序靠前的N₂个应用加入第二应用备选集合。

可选的，在本发明实施例中所述融合的方法可采用BORDA COUNT(波达计数法)的方法进行融合，子步骤B11可包括：

子步骤B1111，在每个应用排序列表中，根据所述应用所处的位置，对各应用打分。

假设抓取的结果列表的长度是N，对于排在第一位的APP，其在该列表中的得分记为N；对于排在第二位的APP，其在该列表中的得分为N-1；……排在最后一位的APP的得分为1。对于所有列表中的APP，重复上述打分的过程。

子步骤B1112，针对同一个应用，将所述应用在各个应用排序列表中的打分进行累加，得到所述应用的总得分；

把各APP在各个列表中的打分进行累积。

子步骤B1113，将总得分排序靠前的N₂个应用加入第二应用备选集合。

将APP按照累积打分由高到低进行排序，然后即可将总得分排序靠前的N₂个应用加入第二应用备选集合。其中N₂为大于等于0的整数，其大小可以根据实际需求设置。

当然，本发明实施例中，还可采用其他融合算法，本发明实施例不对其加以限制。

步骤230，将所述第一应用备选集合和第二应用备选集合进行融合，获得推荐应用集合。

那么得到两个应用备选集合之后，本发明需要从两个应用备选集合中选择合适的APP放到推荐应用集合中，该推荐应用集合会放到应用推荐页面进行展示。那么本发明可所述第一应用备选集合和第二应用备选集合进行融合，将最优的多个APP加入到推荐应用集合。

可选的，子步骤230包括：

子步骤C11，将推荐应用集合的前M₁个位置，从第二应用备选集合中选择排序靠前的M₁个应用进行填充。

子步骤C12，将推荐应用集合的剩余M₂位置，从第一应用备选集合中选择序靠前的相应M₂个的应用进行填充；其中M₁与M₂之和为推荐应用集合中应用的数量。

对于推荐应用集合前M₁个位置，由第二应用备选集合中的前M₁个APP填充；推荐应用集合M₁位置之后的M₂个位置，由第一应用备选集合中的APP按照总特征值排序，由高到低进行填充。此过程直至填满推荐应用集合的位置为止。其中M₁、M₂的取值可根据实际需要设定，通常是3或者4，一般不超过10。

步骤240，将所述推荐应用集合中的各应用进行展示。

本发明实施例通过大规模的针对APP展示页面的用户行为记录的分析， 综合评价APP的质量，从而构建第一应用备选集合。然后从指定的应用推荐页面中，比如网络中已有的应用管理平台的应用推荐页面，获取上述各个应用推荐页面中的应用并对各应用进行分析，构建第二应用备选集合，然后再将第一应用备选集合和第二应用备选集合融合，得到最终的推荐应用集合，然后即可将推荐应用集合中的应用在应用推荐页面中展示。本发明实施例综合了用户的访问行为，比如在不同类型页面中浏览、下载应用的行为，以及已有的指定应用推荐页面中的应用推荐数据，相对客观的统计得到更优质的APP的推荐列表，并且降低了人力成本，提高了推荐效率。

实施例三

参照图3，示出了本发明的一种应用推荐方法实施例的步骤流程图，具体可以包括如下步骤：

步骤310，获取与应用相关的用户行为记录并对各应用进行分析，获得第一应用备选集合。

步骤320，获取至少一个应用管理平台的应用推荐页面中的应用并对各应用进行分析，获得第二应用备选集合。

步骤330，将所述第一应用备选集合和第二应用备选集合进行融合，获得推荐应用集合。

步骤340，对于推荐应用集合中的每个应用，根据分类标签模型对所述应用打上分类标签。

可选的，步骤330后还可以包括：

步骤300，根据各用户对应用的各功能的使用行为进行分析，构建应用分类标签模型。

可选的，还可以同时包括：

步骤340和步骤300。

本发明实施例中，会预先构APP分类标签模型，该APP分类标签模型通过各用户对应用的各功能的使用行为进行分析，构建应用分类标签模型。

在实际应用中，每个APP通常有多个细分功能模块，通常采用选项等形式分别进行显示，如游戏类的APP，除游戏登陆入口外，也有对应的社区 论坛、攻略交流等功能模块。

那么，对于每个APP，本发明实施例会检测各个已下载该APP的终端中，用户对该APP的各个功能的使用行为，然后根据该使用行为构建APP分类标签模型。

比如，如果检测到大量用户使用APP的某个功能，则可以认为用户偏向与使用APP的该功能，则可以针对该APP打上与该功能对应的分类标签。比如前述检测到APP“快牙”大量用户下载了该APP，并且超过70％的用户使用了其中的互动游戏模块，那么可根据上述用户行为拟合出分类标签“游戏很受欢迎呦”，并将该分类标签与“快牙”对应。

在本发明实施例中，对于“白领一族”、“军事迷”、“理财达人”、“背包客”、“无分类”等分类标签，可以将分类标签看做一个类别，然后通过机器学习中的最大熵分类器构建APP分类标签模型，即最大熵分类标签模型。最大熵分类器的基本原理是在限定条件下，寻求满足现有样本集合熵最大的一种概率分布，其模型的构建过程大致如下：

1、预先设定一系列分类。如“白领一族”、“军事迷”、“理财达人”、“背包客”、“无分类”等分类，每个分类就是一个分类标签。

2、选择一系列的APP，采集各终端对每个APP的各功能模块的使用行为。

3、分析各个功能模块的使用行为，确定每个上述各APP对应的分类标签，将上述打上分类标签的APP作为训练集合。

4、抽取训练集合中的各个APP的特征，比如APP名字、APP所属的技术分类、APP描述信息中的关键词、APP的作者、APP的截图等等。其中APP所属的技术分类比如工具类、系统工具类、输入法类等。

5、将APP的上述特征作为输入值，输入进最大熵分类标签模型中，最大熵分类标签模型计算后得到第一分类结果。

6、以训练集合中的各APP的分类标签作为样本值，将第一分类结果与所述样本值进行比较，如果误差大于阈值，则结合训练算法调整最大熵分类标签模型的模型参数。循环进行训练，直到第一分类结果与所述样本值之间 的误差小于阈值，则最大熵分类标签模型构建完毕。

那么，在步骤340中，对于推荐应用集合中的每个应用，根据分类标签模型对所述应用打上分类标签包括：

针对应用推荐集合中的每个APP，提取其特征。如前述的APP名字、APP所属的技术分类、APP描述信息中的关键词、APP的作者、APP的截图等等。

然后将每个APP的特征输入前述最大熵分类标签模型，得到分类结果，根据分类结果对该APP打分类标签。

如果分类结果对应某个具体的分类标签，则为该APP打上该分类标签。如果分类结果对应“无分类”的分类结果，则不为该APP打分类标签。

当然，本发明实施例中APP分类标签模型还可以通过朴素贝叶斯分类器、支持向量机分类器、深度神经网络、随机森林等方式构造，本发明不对其加以限制。

当然，本发明实施例中，也可以直接采集各个APP的在用户终端中用户对APP各功能的使用行为进行分析，确定各APP的分类标签。比如，对于APP“快牙”在最近一段时间内被用户大量下载，虽然其是一款文件传输类的软件，但检测到70％的用户使用了其中的互动游戏模块，则根据的上述用户行为拟合出“游戏很受欢迎呦”分类标签，并将“快牙”附上该分类标签。

在本发明实施例中，在获得推荐应用集合后，为了让用户更加快速的了解APP、同时也是为了给用户一个推荐的理由，在实际展示的时候还可为某些APP打上了一些分类标签，如：“白领一族”、“军事迷”、“理财达人”、“背包客”、等等。上述分类标签基本上是表征该APP适合的用户人群，如果恰好当前用户是其中的某一类人，则能大大提升用户对该APP的点击率。在本发明实施例中，对于推荐应用集合中的每个应用，对于推荐应用集合中的每个应用，对所述应用打上分类标签。

步骤350，将所述推荐应用集合中的各应用进行展示。

通过前述步骤，在展示时，即可在展示APP的概要、下载链接等基本 信息之外，展示其分类标签，方便用户快速了解APP，并且丰富了向用户推荐的内容。

本发明实施例可以通过大规模的针对APP展示页面的用户行为记录的分析，综合评价APP的质量，从而构建第一应用备选集合。然后可以从指定的应用展示页面应用推荐页面中，比如网络中已有的应用管理平台的应用展示页面应用推荐页面，获取上述各个应用展示页面应用推荐页面中的应用并对各应用进行分析，构建第二应用备选集合，然后再将第一应用备选集合和第二应用备选集合融合，得到最终的推荐应用集合，并且为推荐应用集合中的应用打上标签分类标签，然后将推荐应用集合中的应用在应用展示页面应用推荐页面中展示。本发明实施例综合了用户的访问行为，比如在不同类型页面中浏览、下载应用的行为，以及已有的指定应用展示页面应用推荐页面中的应用推荐数据，相对客观的统计得到更优质的APP的推荐列表，并且降低了人力成本，提高了推荐效率，并且标签分类标签便于用户快速了解各应用被侧重的功能，丰富了展示的内容。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

实施例四

参照图4，示出了本发明的一种应用推荐系统实施例的结构框图，具体可以包括如下模块：

第一应用备选集合生成模块410，用于获取与应用相关的用户行为记录并对各应用进行分析，获得第一应用备选集合。

推荐应用集合获取模块420，用于根据所述第一应用备选集合，获得推荐应用集合。

展示模块430，用于将所述推荐应用集合中的各应用进行展示。

可选的，第一应用备选集合生成模块410包括：

第一初始特征词计算模块，用于针对每个应用，从与所述应用相关的用户行为记录中，提取至少一个维度的特征值；所述至少一个维度的特征值包括：第一价值维度的特征值、用户访问行为维度的特征值。

第一总特征值计算模块，用于根据各维度的特征值和相应维度的权重，计算所述应用的总特征值。

第一备选集合构造模块，用于将总特征值排序靠前的N₁个应用加入第一应用备选集合。

可选的，第一初始特征词计算模块包括：

第一价值维度特征值计算模块，用于针对每个应用，计算所述应用的第一价值数据与所述应用的分发量之间的比例，将所述比例作为第一价值维度的特征值。

可选的，所述用户访问行为维度特征值包括：浏览维度的特征值、下载维度的特征值。

可选的，当所述用户访问行为维度特征值为浏览维度的特征值时，第一初始特征词计算模块包括：

针对每个应用，统计所述应用在应用概要展示页面中被浏览的第一浏览次数，在搜索结果页面中被浏览的第二浏览次数，和在应用详情展示页面中被浏览的第三浏览次数。

浏览特征值计算模块，用于将所述第一下载次数、第二下载次数和第三下载次数分别结合所在页面的权重，计算下载维度的特征值。

可选的，当所述用户访问行为维度特征值为下载维度的特征值时，第一初始特征词计算模块包括：

页面下载次数统计模块，用于针对每个应用，统计所述应用在应用概要展示页面的第一下载次数，在搜索结果页面中被下载的第二下载次数，和在应用详情展示页面中被下载中被下载的第三下载次数。

下载特征值计算模块，用于将所述第一下载次数、第二下载次数和第三下载次数分别结合所在页面的权重，计算下载维度的特征值。

实施例五

参照图5，示出了本发明的一种应用推荐系统实施例的结构框图，具体可以包括如下模块：

第一应用备选集合生成模块510，用于获取与应用相关的用户行为记录并对各应用进行分析，获得第一应用备选集合。

第二应用备选集合生成模块520，用于获取至少一个应用管理平台的应用推荐页面中的应用并对各应用进行分析，获得第二应用备选集合；

推荐应用集合获取模块530，具体包括：

融合模块531，用于将所述第一应用备选集合和第二应用备选集合进行融合，获得推荐应用集合。

展示模块540，用于将所述推荐应用集合中的各应用进行展示。

可选的，所述第二应用备选集合生成模块520包括：

排序列表获取模块，用于对于至少一个应用管理平台的应用推荐页面，获取对应的应用排序列表。

列表融合模块，用于当应用排序列表为两个或两个以上时，将各个应用排序列表进行融合计算，获得包括N₂个应用的第二应用备选集合，其中N₂为小于或者等于所有应用列表中应用数量的总和。

可选的，所述列表融合模块包括：

应用提取模块，用于从每个应用排序列表中，选择排序靠前的P个应用；

第二初始特征词计算模块，用于针对每个应用，从与所述应用相关的用户行为记录中，提取至少一个维度的特征值；所述至少一个维度的特征值包括：第一价值维度的特征值、用户访问行为维度特征值。

第二总特征值计算模块，用于根据各维度的特征值和相应维度的权重，计算所述应用的总特征值。

第二备选集合构造模块，用于将总特征值排序靠前的N₂个应用加入第二应用备选集合。

可选的，所述列表融合模块包括：

第一打分模块，用于在每个应用排序列表中，根据所述应用所处的位置， 对各应用打分。

打分累积模块，用于针对同一个应用，将所述应用在各个应用排序列表中的打分进行累加，得到所述应用的总得分。

排序构造模块，用于将总得分排序靠前的N₂个应用加入第二应用备选集合。

可选的，所述融合模块531包括：

第一填充模块，用于将推荐应用集合的前M₁个位置，从第二应用备选集合中选择排序靠前的M₁个应用进行填充。

第二填充模块，用于将推荐应用集合的剩余M₂位置，从第一应用备选集合中选择序靠前的相应M₂个的应用进行填充，其中M₁与M₂之和为推荐应用集合中应用的数量。

实施例六

参照图6，示出了本发明的一种应用推荐系统实施例的结构框图，具体可以包括如下模块：

第一应用备选集合生成模块610，用于获取与应用相关的用户行为记录并对各应用进行分析，获得第一应用备选集合。

第二应用备选集合生成模块620，用于获取至少一个应用管理平台的应用推荐页面中的应用并对各应用进行分析，获得第二应用备选集合。

推荐应用集合获取模块630，具体包括：

融合模块631，用于将所述第一应用备选集合和第二应用备选集合进行融合，获得推荐应用集合。

分类模块640，用于对于推荐应用集合中的每个应用，根据分类标签模型对所述应用打上分类标签。

展示模块650，用于将所述推荐应用集合中的各应用进行展示。

可选的，还包括：

分类标签模型构建模块，用于根据各用户对应用的各功能的使用行为进行分析，构建应用分类标签模型。

对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较 简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

在一个典型的配置中，所述计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(FLASH RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非持续性的电脑可读媒体(TRANSITORY MEDIA)，如调制的数据信号和载波。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框 图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端设备不仅包括那些要素，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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种应用推荐方法和一种应用推荐系统，进行了 详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。