应用功能的推荐方法及装置与流程

本发明涉及软件技术领域，具体涉及一种应用功能的推荐方法及装置。

背景技术：

随着智能终端功能越来越强大，它已经开始摆脱通讯工具这一传统形象，越来越丰富的功能，让我们在生活中享受到了智能终端带来的优势。可以这么说，现在的智能终端跟以前的手机相比，就是质的飞跃。如果说在多年前的手机只注重于通话功能。那现在的智能终端似乎已经，完美蜕变成了一个服务于生活的得力帮手了，它甚至会掩盖掉基础的通信功能而变成一个百宝箱。其中，基于智能终端的操作系统而开发的越来越丰富的应用给智能终端增添了各色各样的功能。

通常一个应用可提供的功能非常多，而且随着版本的更新应用提供的新功能也越来越多。但是，受智能终端显示界面大小的限制，应用只能将用户最常用的功能展现给用户，大量的功能因此被闲置，无法发挥其应有的作用。

技术实现要素：

鉴于上述问题，提出了本发明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应用功能的推荐方法及装置。

根据本发明的一个方面，提供了一种应用功能的推荐方法，包括：

收集包含用户信息和功能信息的训练数据，从所述训练数据中提取训练特征；

将所述训练特征作为训练样本，采用预设的训练算法进行训练得到推荐模型；

在接收到指定用户信息之后，利用所述推荐模型预测得到向指定用户推荐的功能信息；

将预测得到的功能信息对应的功能推荐给所述指定用户。

根据本发明的另一方面，提供了一种应用功能的推荐装置，包括：

数据收集模块，适于收集包含用户信息和功能信息的训练数据，从所述训练数据中提取训练特征；

训练模块，适于将所述训练特征作为训练样本，采用预设的训练算法进行训练得到推荐模型；

预测模块，适于在接收到指定用户信息之后，利用所述推荐模型预测得到向指定用户推荐的功能信息；

推荐模块，适于将预测得到的功能信息对应的功能推荐给所述指定用户。

根据本实施例提供的应用功能的推荐方法及装置，通过收集包含用户信息和功能信息的训练数据，提取得到训练特征，采用预设的训练算法进行训练得到推荐模型；在接收到指定用户信息后，利用推荐模型预测得到向指定用户推荐的功能信息，将预测得到的功能信息对应的功能推荐给指定用户。由于推荐模型是利用大量的用户信息和功能信息训练得到的，利用该推荐模型可根据用户的个性化信息决定应当向用户推荐哪些功能，使得功能推荐更具针对性，提升了功能推荐的转化率，使得一些新功能通过功能推荐迅速获得大量用户。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的应用功能的推荐方法的流程图；

图2示出了根据本发明另一个实施例的应用功能的推荐方法的流程图；

图3示出了根据本发明一个实施例的应用功能的推荐装置的功能框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例的应用功能的推荐方法的流程图。如图1所示，该方法包括如下步骤：

步骤S101，收集包含用户信息和功能信息的训练数据，从训练数据中提取训练特征。

针对一款指定应用，在服务器侧需要预先对该指定应用的推荐模型进行训练，利用推荐模型可获知此款指定应用或其它关联应用提供的某种功能应该向哪些用户进行推荐。本发明实施例中，应用指的是智能终端中安装的应用程序，功能指的是应用提供的具体功能。以手机卫士为例，手机卫士为一款应用，手机卫士中的清理加速、流量监控、骚扰拦截、杀毒等等为手机卫士提供的功能。

本步骤首先收集训练数据，训练数据包含用户信息和功能信息，用户信息指的是与用户相关的信息，可具体包含个人属性信息、用户设备属性信息和/或应用使用情况信息。其中个人属性信息具体包括性别、地域、年龄、职业、用户喜好等信息，用户设备属性信息具体包括智能终端品牌、型号、存储空间、内存等设备信息，应用使用情况信息具体包括应用功能的使用频次、使用时间等信息。功能信息指的是与功能相关的信息，可具体包含功能类型信息和/或功能跳转方式信息。其中功能类型信息例如为：清理类、杀毒类、工具类、娱乐类等类型，功能跳转方式信息例如为：跳转方式、下载方式、H5页面方式等。

以上所收集的用户信息为大量用户的信息，功能信息也为大量功能的信息。其中功能不仅限于是当前所针对的这一款指定应用提供的功能，还可以是与该款指定应用所关联的其它应用提供的功能。例如，本发明实施例针对于在手机卫士中进行功能推荐，其所推荐的功能不仅限于手机卫士提供的功能，还可以包含手机助手等关联应用提供的功能。

步骤S102，将训练特征作为训练样本，采用预设的训练算法进行训练得到推荐模型。

本步骤基于所收集的大量训练数据所提取的训练特征，采用预设的训练算法进行训练得到推荐模型，通过该推荐模型可获知某款指定应用或其它关联应用提供的某种功能应该向哪些用户进行推荐，具体而言，可获知某款指定应用或其它关联应用提供的某种功能是否应向某用户推荐。

步骤S103，在接收到指定用户信息之后，利用推荐模型预测得到向指定用户推荐的功能信息。

对于指定用户，将指定用户信息输入到推荐模型中，可预测得到应向该用户推荐的功能信息，该功能信息描述了哪些功能符合向该指定用户进行推荐的条件。

步骤S104，将预测得到的功能信息对应的功能推荐给指定用户。

利用所获取的功能信息查找到符合条件的功能，而后向指定用户推荐这些功能。

根据本实施例提供的应用功能的推荐方法，通过收集包含用户信息和功能信息的训练数据，提取得到训练特征，采用预设的训练算法进行训练得到推荐模型；在接收到指定用户信息后，利用推荐模型预测得到向指定用户推荐的功能信息，将预测得到的功能信息对应的功能推荐给指定用户。由于推荐模型是利用大量的用户信息和功能信息训练得到的，利用该推荐模型可根据用户的个性化信息决定应当向用户推荐哪些功能，使得功能推荐更具针对性，提升了功能推荐的转化率，使得一些新功能通过功能推荐迅速获得大量用户。

图2示出了根据本发明另一个实施例的应用功能的推荐方法的流程图。如图2所示，该方法包括如下步骤：

步骤S201，收集包含用户信息、功能信息和场景信息的训练数据，从训练数据中提取训练特征。

针对一款指定应用，在服务器侧需要预先对该指定应用的推荐模型进行训练，利用推荐模型可获知此款指定应用或其它关联应用提供的某种功能应该向哪些用户进行推荐。本实施例中，应用指的是智能终端中安装的应用程序，功能指的是应用提供的具体功能。以手机卫士为例，手机卫士为一款应用，手机卫士中的清理加速、流量监控、骚扰拦截、杀毒等等为手机卫士提供的功能。

本步骤首先收集训练数据，训练数据包含用户信息、功能信息和场景信息，用户信息指的是与用户相关的信息，可具体包含个人属性信息、用户设备属性信息和/或应用使用情况信息。其中个人属性信息具体包括性别、地域、年龄、职业、用户喜好等信息，用户设备属性信息具体包括智能终端品牌、型号、存储空间、内存等设备信息，应用使用情况信息具体包括应用功能的使用频次、使用时间等信息。功能信息指的是与功能相关的信息，可具体包含功能类型信息和/或功能跳转方式信息。其中功能类型信息例如为：清理类、杀毒类、工具类、娱乐类等类型，功能跳转方式信息例如为：跳转方式、下载方式、H5页面方式等。场景信息包括推荐场景信息和/或网络环境信息。其中推荐场景信息具体描述在何种页面中展现推荐的功能，可选地，在指定应用的常规功能完成之后的页面可作为推荐功能的页面。举例来说，手机卫士中清理、体检、杀毒等常用的功能项都有一个完成页面，推荐场景信息可描述在哪个功能项的完成页面中展现推荐的功能。网络环境信息具体描述智能终端所处的网络环境，例如2G，3G，4G或WiFi环境等。

在收集得到上述大量的训练数据后，从中提取出用户特征、功能特征和场景特征作为后续训练的样本。

步骤S202，将训练特征进行手动交叉或自动交叉处理，得到交叉特征。

本步骤将上述三种类型的训练特征进行交叉处理，得到交叉特征。交叉处理可采用手动方式或自动方式，本发明对此不作限制。

本发明实施例一种可选的实施方式为，采用决策树模型将训练特征进行自动交叉处理，得到交叉特征。例如，GBDT(梯度提升决策树，Gradient Boosting Decision Tree)模型基于集成学习中的boosting思想，每次迭代都在减少残差的梯度方向新建立一颗决策树，迭代多少次就会生成多少颗决策树。GBDT的思想使其具有天然优势，可以发现多种有区分性的特征以及特征组合，决策树的路径可以直接作为后续训练模型的输入特征使用，省去了人工寻找特征、特征组合的步骤。

步骤S203，采用预设的训练算法对交叉特征进行训练，得到推荐模型。

本发明实施例一种可选的实施方式为，采用二进制逻辑回归(logistic回归)模型的训练算法对交叉特征进行训练，得到推荐模型。logistic回归本质上是线性回归，只是在特征到结果的映射中加入了一层函数映射，即先把特征线性求和，然后使用函数g(z)将最为假设函数来预测。g(z)可以将连续值映射到0和1上。

步骤S204，在接收到指定用户信息之后，利用推荐模型预测得到向指定用户推荐的功能信息以及向指定用户推荐功能信息对应的功能的场景信息。

对于指定用户，将指定用户信息输入到推荐模型中，可预测得到应向该用户推荐的功能信息，该功能信息描述了哪些功能符合向该指定用户进行推荐的条件。除此之外，还可预测得到向指定用户推荐功能的场景信息，该场景信息约束了符合向该指定用户推荐功能的场景条件。

步骤S205，按照预设的客户端展现配置策略和/或下发配置策略将预测得到的功能信息对应的功能推荐给指定用户。

本步骤所要实现的是在指定应用的页面中，将预测得到的功能信息对应的功能推荐给指定用户。在何种页面中展现推荐的功能可取决于场景信息，也即，按照受场景信息约束的场景条件，将预测得到的功能信息对应的功能推荐给指定用户。具体而言，场景信息包括推荐场景信息，推荐场景信息具体描述在何种页面中展现推荐的功能，可选地，在指定应用的常规功能完成之后的页面可作为推荐功能的页面。以手机卫士为例，清理、体检、杀毒等常用的功能项都有一个完成页面，推荐场景信息可描述在哪个功能项的完成页面中展现推荐的功能。

可选地，如果未能预测得到场景信息，或者场景信息中不包含推荐场景信息，那么可在下发配置策略中加入场景配置，使得客户端依据该场景配置选择在指定应用的何种页面中展现推荐的功能。

本实施例中，功能信息对应的功能包含指定应用提供的功能和/或与指定应用关联的其它应用提供的功能。也即，所推荐的功能不仅限于是当前所针对的这一款指定应用提供的功能，还可以是与该款指定应用所关联的其它应用提供的功能。例如，本发明实施例针对于在手机卫士中进行功能推荐，其所推荐的功能不仅限于手机卫士提供的功能，还可以包含手机助手等关联应用提供的功能。

进一步的，本步骤还可依据预设的配置策略来进行功能推荐。配置策略包括客户端展现配置策略和/或下发配置策略，其中下发配置策略是服务器侧预先配置好而后下发给客户端。客户端展现配置策略包括：客户端行为配置和/或客户端展现信息配置。客户端行为配置约束了功能的跳转方式，符合客户端行为配置的功能才可被推荐和展现。客户端展现信息配置约束了功能展现时应该呈现哪些信息。下发配置策略包括：时间配置、地域配置、优先级配置、场景配置、应用版本配置和/或关联应用版本配置，这些配置分别约束了推荐功能的时间、地域、优先级、场景、对应用版本的要求、对关联应用版本的要求等，功能推荐需要按照配置策略的约束执行。

根据本实施例提供的应用功能的推荐方法，通过收集包含用户信息和功能信息的训练数据，提取得到训练特征，采用预设的训练算法进行训练得到推荐模型；在接收到指定用户信息后，利用推荐模型预测得到向指定用户推荐的功能信息，将预测得到的功能信息对应的功能推荐给指定用户。由于推荐模型是利用大量的用户信息和功能信息训练得到的，利用该推荐模型可根据用户的个性化信息决定应当向用户推荐哪些功能，使得功能推荐更具针对性，提升了功能推荐的转化率，使得一些新功能通过功能推荐迅速获得大量用户。进一步的，利用本方法还可预测得到功能推荐的场景信息，针对不同的用户选择个性化的推荐场景信息，进一步提升了用户对功能推荐页面的点击率。另外，通过在指定应用的页面中推荐其它关联应用的功能，能为其它关联应用带来大量的新增用户，提升了关联应用的用户覆盖率。

图3示出了根据本发明一个实施例的应用功能的推荐装置的功能框图。如图3所示，本实施例提供的应用功能的推荐装置包括：数据收集模块30，训练模块31，预测模块32，以及推荐模块33。

数据收集模块30适于收集包含用户信息和功能信息的训练数据，从训练数据中提取训练特征。

针对一款指定应用，在服务器侧需要预先对该指定应用的推荐模型进行训练，利用推荐模型可获知此款指定应用或其它关联应用提供的某种功能应该向哪些用户进行推荐。本实施例中，应用指的是智能终端中安装的应用程序，功能指的是应用提供的具体功能。以手机卫士为例，手机卫士为一款应用，手机卫士中的清理加速、流量监控、骚扰拦截、杀毒等等为手机卫士提供的功能。

数据收集模块30收集训练数据，训练数据包含用户信息和功能信息，用户信息指的是与用户相关的信息，可具体包含个人属性信息、用户设备属性信息和/或应用使用情况信息。其中个人属性信息具体包括性别、地域、年龄、职业、用户喜好等信息，用户设备属性信息具体包括智能终端品牌、型号、存储空间、内存等设备信息，应用使用情况信息具体包括应用功能的使用频次、使用时间等信息。功能信息指的是与功能相关的信息，可具体包含功能类型信息和/或功能跳转方式信息。其中功能类型信息例如为：清理类、杀毒类、工具类、娱乐类等类型，功能跳转方式信息例如为：跳转方式、下载方式、H5页面方式等。

数据收集模块30进一步适于：收集包含用户信息、功能信息和场景信息的训练数据；从训练数据中提取用户特征、功能特征和场景特征。

场景信息包括推荐场景信息和/或网络环境信息。其中推荐场景信息具体描述在何种页面中展现推荐的功能，可选地，在指定应用的常规功能完成之后的页面可作为推荐功能的页面。举例来说，手机卫士中清理、体检、杀毒等常用的功能项都有一个完成页面，推荐场景信息可描述在哪个功能项的完成页面中展现推荐的功能。网络环境信息具体描述智能终端所处的网络环境，例如2G，3G，4G或WiFi环境等。

训练模块31适于将训练特征作为训练样本，采用预设的训练算法进行训练得到推荐模型。

进一步的，训练模块31适于：将训练特征进行手动交叉或自动交叉处理，得到交叉特征；采用预设的训练算法对交叉特征进行训练，得到推荐模型。

进一步的，训练模块31适于：采用决策树模型将训练特征进行自动交叉处理，得到交叉特征。

训练模块31采用决策树模型将训练特征进行自动交叉处理，得到交叉特征。例如，GBDT(梯度提升决策树，Gradient Boosting Decision Tree)模型基于集成学习中的boosting思想，每次迭代都在减少残差的梯度方向新建立一颗决策树，迭代多少次就会生成多少颗决策树。GBDT的思想使其具有天然优势，可以发现多种有区分性的特征以及特征组合，决策树的路径可以直接作为后续训练模型的输入特征使用，省去了人工寻找特征、特征组合的步骤。

进一步的，训练模块31适于：采用二进制逻辑回归模型的训练算法对交叉特征进行训练，得到推荐模型。logistic回归本质上是线性回归，只是在特征到结果的映射中加入了一层函数映射，即先把特征线性求和，然后使用函数g(z)将最为假设函数来预测。g(z)可以将连续值映射到0和1上。

预测模块32适于在接收到指定用户信息之后，利用推荐模型预测得到向指定用户推荐的功能信息。

进一步的，预测模块32还适于：利用推荐模型预测得到向指定用户推荐功能信息对应的功能的场景信息。

推荐模块33适于将预测得到的功能信息对应的功能推荐给指定用户。

推荐模块33进一步适于：在指定应用的页面中，将预测得到的功能信息对应的功能推荐给指定用户。其中，功能信息对应的功能包含指定应用提供的功能和/或与指定应用关联的其它应用提供的功能。

推荐模块33进一步适于：按照受场景信息约束的场景条件，将预测得到的功能信息对应的功能推荐给指定用户。

在何种页面中展现推荐的功能可取决于场景信息，也即，推荐模块33按照受场景信息约束的场景条件，将预测得到的功能信息对应的功能推荐给指定用户。具体而言，场景信息包括推荐场景信息，推荐场景信息具体描述在何种页面中展现推荐的功能，可选地，在指定应用的常规功能完成之后的页面可作为推荐功能的页面。以手机卫士为例，清理、体检、杀毒等常用的功能项都有一个完成页面，推荐场景信息可描述在哪个功能项的完成页面中展现推荐的功能。

可选地，如果未能预测得到场景信息，或者场景信息中不包含推荐场景信息，那么可在下发配置策略中加入场景配置，使得客户端依据该场景配置选择在指定应用的何种页面中展现推荐的功能。

进一步的，推荐模块33适于：按照预设的客户端展现配置策略和/或下发配置策略将预测得到的功能信息对应的功能推荐给指定用户。

客户端展现配置策略包括：客户端行为配置和/或客户端展现信息配置。客户端行为配置约束了功能的跳转方式，符合客户端行为配置的功能才可被推荐和展现。客户端展现信息配置约束了功能展现时应该呈现哪些信息。下发配置策略包括：时间配置、地域配置、优先级配置、场景配置、应用版本配置和/或关联应用版本配置，这些配置分别约束了推荐功能的时间、地域、优先级、场景、对应用版本的要求、对关联应用版本的要求等，功能推荐需要按照配置策略的约束执行。

根据本实施例提供的应用功能的推荐装置，通过收集包含用户信息和功能信息的训练数据，提取得到训练特征，采用预设的训练算法进行训练得到推荐模型；在接收到指定用户信息后，利用推荐模型预测得到向指定用户推荐的功能信息，将预测得到的功能信息对应的功能推荐给指定用户。由于推荐模型是利用大量的用户信息和功能信息训练得到的，利用该推荐模型可根据用户的个性化信息决定应当向用户推荐哪些功能，使得功能推荐更具针对性，提升了功能推荐的转化率，使得一些新功能通过功能推荐迅速获得大量用户。进一步的，利用本装置还可预测得到功能推荐的场景信息，针对不同的用户选择个性化的推荐场景信息，进一步提升了用户对功能推荐页面的点击率。另外，通过在指定应用的页面中推荐其它关联应用的功能，能为其它关联应用带来大量的新增用户，提升了关联应用的用户覆盖率。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的应用功能的推荐装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

本发明公开了：A1、一种应用功能的推荐方法，包括：

收集包含用户信息和功能信息的训练数据，从所述训练数据中提取训练特征；

将所述训练特征作为训练样本，采用预设的训练算法进行训练得到推荐模型；

在接收到指定用户信息之后，利用所述推荐模型预测得到向指定用户推荐的功能信息；

将预测得到的功能信息对应的功能推荐给所述指定用户。

A2、根据A1所述的方法，所述将预测得到的功能信息对应的功能推荐给所述指定用户进一步包括：在指定应用的页面中，将预测得到的功能信息对应的功能推荐给所述指定用户。

A3、根据A2所述的方法，所述功能信息对应的功能包含所述指定应用提供的功能和/或与所述指定应用关联的其它应用提供的功能。

A4、根据A1-A3任一项所述的方法，收集训练数据进一步包括：收集包含用户信息、功能信息和场景信息的训练数据；

所述从训练数据中提取训练特征进一步包括：从训练数据中提取用户特征、功能特征和场景特征。

A5、根据A1-A4任一项所述的方法，所述用户信息包括：个人属性信息、用户设备属性信息和/或应用使用情况信息；

所述功能信息包括：功能类型信息和/或功能跳转方式信息。

A6、根据A4所述的方法，所述场景信息包括：推荐场景信息和/或网络环境信息。

A7、根据A4或A6所述的方法，在接收到指定用户信息之后，所述方法还包括：利用所述推荐模型预测得到向指定用户推荐功能信息对应的功能的场景信息；

所述将预测得到的功能信息对应的功能推荐给所述指定用户进一步包括：按照受所述场景信息约束的场景条件，将预测得到的功能信息对应的功能推荐给所述指定用户。

A8、根据A1-A7任一项所述的方法，所述将训练特征作为训练样本，采用预设的训练算法进行训练得到推荐模型进一步包括：

将训练特征进行手动交叉或自动交叉处理，得到交叉特征；

采用预设的训练算法对交叉特征进行训练，得到推荐模型。

A9、根据A8所述的方法，所述将训练特征进行自动交叉处理进一步包括：采用决策树模型将训练特征进行自动交叉处理，得到交叉特征。

A10、根据A8所述的方法，所述采用预设的训练算法对交叉特征进行训练，得到推荐模型进一步包括：采用二进制逻辑回归模型的训练算法对交叉特征进行训练，得到推荐模型。

A11、根据A1-A10任一项所述的方法，所述将预测得到的功能信息对应的功能推荐给所述指定用户进一步包括：按照预设的客户端展现配置策略和/或下发配置策略将预测得到的功能信息对应的功能推荐给所述指定用户。

A12、根据A11所述的方法，所述客户端展现配置策略包括：客户端行为配置和/或客户端展现信息配置。

A13、根据A11所述的方法，所述下发配置策略包括：时间配置、地域配置、优先级配置、应用版本配置和/或关联应用版本配置。

本发明还公开了：B14、一种应用功能的推荐装置，包括：

数据收集模块，适于收集包含用户信息和功能信息的训练数据，从所述训练数据中提取训练特征；

训练模块，适于将所述训练特征作为训练样本，采用预设的训练算法进行训练得到推荐模型；

预测模块，适于在接收到指定用户信息之后，利用所述推荐模型预测得到向指定用户推荐的功能信息；

推荐模块，适于将预测得到的功能信息对应的功能推荐给所述指定用户。

B15、根据B14所述的装置，所述推荐模块进一步适于：在指定应用的页面中，将预测得到的功能信息对应的功能推荐给所述指定用户。

B16、根据B15所述的装置，所述功能信息对应的功能包含所述指定应用提供的功能和/或与所述指定应用关联的其它应用提供的功能。

B17、根据B14-B16任一项所述的装置，所述数据收集模块进一步适于：收集包含用户信息、功能信息和场景信息的训练数据；从训练数据中提取用户特征、功能特征和场景特征。

B18、根据B14-B17任一项所述的装置，所述用户信息包括：个人属性信息、用户设备属性信息和/或应用使用情况信息；

所述功能信息包括：功能类型信息和/或功能跳转方式信息。

B19、根据B17所述的装置，所述场景信息包括：推荐场景信息和/或网络环境信息。

B20、根据B17或B19所述的装置，所述预测模块进一步适于：利用所述推荐模型预测得到向指定用户推荐功能信息对应的功能的场景信息；

所述推荐模块进一步适于：按照受所述场景信息约束的场景条件，将预测得到的功能信息对应的功能推荐给所述指定用户。

B21、根据B14-B20任一项所述的装置，所述训练模块进一步适于：

将训练特征进行手动交叉或自动交叉处理，得到交叉特征；

采用预设的训练算法对交叉特征进行训练，得到推荐模型。

B22、根据B21所述的装置，所述训练模块进一步适于：采用决策树模型将训练特征进行自动交叉处理，得到交叉特征。

B23、根据B21所述的装置，所述训练模块进一步适于：采用二进制逻辑回归模型的训练算法对交叉特征进行训练，得到推荐模型。

B24、根据B14-B23任一项所述的装置，所述推荐模块进一步适于：按照预设的客户端展现配置策略和/或下发配置策略将预测得到的功能信息对应的功能推荐给所述指定用户。

B25、根据B24所述的装置，所述客户端展现配置策略包括：客户端行为配置和/或客户端展现信息配置。

B26、根据B24所述的装置，所述下发配置策略包括：时间配置、地域配置、优先级配置、应用版本配置和/或关联应用版本配置。