本发明涉及网络技术领域，特别涉及一种应用推荐方法及装置。
背景技术：
随着网络技术的不断发展，服务商通过网络向用户提供的服务也越来越多，且越来越完善。例如，当用户想要下载应用时，可以通过输入搜索关键字在应用下载平台或应用服务平台下载相应的应用。
应用下载平台或应用服务平台除了可以提供应用的下载功能以外，还可以向用户推荐应用，具体推荐方法可以为：对用户特征进行分析，以向不同的用户针对性地进行应用推荐，该用户特征包括年龄、性别、所在城市、线上交互信息及历史下载记录等。例如，对于金融理财类应用，可以根据用户年龄和所在城市等用户特征，确定是否进行推荐，当任一用户的年龄在24岁以上，且该用户所在城市为县级以上城市时，向该用户推荐该金融理财类应用。
在实现本发明的过程中，发明人发现现有技术至少存在以下问题：
由于所分析的用户特征存在局限性，因此会导致应用推荐的准确率低，所推荐的应用并不符合用户意愿，用户也不会下载推荐的应用，从而导致所推荐应用的转化率低。
技术实现要素：
为了解决现有技术的问题，本发明实施例提供了一种应用推荐方法及装置。所述技术方案如下：
一方面，提供了一种应用推荐方法，所述方法包括：
获取多个应用中每个应用与多个用户的征信特征的相关性；
根据所述相关性对所述多个应用进行分组，得到第一应用组，所述第一应用组包括多个相关性大于第一阈值的应用；
对于第一应用组，基于所述多个用户的征信特征建立对应的第一预测模型，所述第一预测模型用于基于征信特征确定应用的推荐概率；
基于待推荐用户的征信特征和所述第一预测模型，向所述待推荐用户推荐应用。
另一方面，提供了一种应用推荐装置，所述装置包括：
相关性获取模块，用于获取多个应用中每个应用与多个用户的征信特征的相关性；
分组模块，用于根据所述相关性获取模块获取到的所述相关性对所述多个应用进行分组，得到第一应用组，所述第一应用组包括多个相关性大于预设阈值的应用；
模型建立模块，用于对于所述分组模块得到的第一应用组，基于所述多个用户的征信特征建立对应的第一预测模型，所述第一预测模型用于基于征信特征确定应用的推荐概率；
推荐模块，用于基于待推荐用户的征信特征和所述模型建立模块建立的所述第一预测模型，向所述待推荐用户推荐应用。
本发明实施例提供的技术方案带来的有益效果是：
通过获取用于表示应用与用户的征信特征的相关程度的相关性，并根据多个应用中每个应用与多个用户的征信特征的相关性，对与用户的征信特征相关程度高的第一应用组，采用基于多个用户的征信特征建立的第一预测模型，获取该第一应用组中每个应用的推荐概率，根据该推荐概率进行应用推荐，能够提高对该第一应用组中应用推荐的准确率，使得所推荐的应用更符合用户的下载需求，从而能够提高应用的转化率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种应用推荐方法的应用环境示意图；
图2a是本发明实施例提供的一种应用推荐方法流程图；
图2b是本发明实施例提供的一种预测模型建立流程图；
图3是本发明实施例提供的一种应用推荐装置框图；
图4是本发明实施例提供的一种装置400的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是本发明实施例提供的一种应用推荐方法的应用环境示意图，如图1所述，其示出了本发明实施例所涉及的应用环境的结构示意图，该应用推荐方法的应用环境包括：服务器101和至少一个终端102。
终端102通过无线或者有线网络和服务器101连接，终端102可以为电脑，智能手机、平板电脑等电子设备。
服务器101可以为互联网应用服务器，该互联网应用服务器，可以为互联网应用提供后台服务。互联网应用作为一个为智能终端提供语音、视频、图片、文字等信息交互服务的应用程序，具有可跨通信运营商、跨操作系统平台发送语音、视频、图片和文字等优点。
互联网应用服务器可以被配置为一个通过互联网提供服务的服务器，该互联网应用服务器可以为社交应用服务器，例如，即时通信服务器、论坛或微博等社交网站对应的服务器，还可以为通过互联网能够实现支付等业务的服务器，本发明实施例对互联网应用服务器的类型不进行具体限定。
当然，该服务器101也可以为其他服务器，如多媒体资源共享服务器等，本发明实施例对该服务器的类型不作具体限定。
图2a是本发明实施例提供的一种应用推荐方法流程图，该方法的执行主体为服务器，参见图2a，该方法包括：
201、获取多个应用中每个应用与多个用户的征信特征的相关性。
该征信特征用于表示用户的信用程度，该征信特征可以用征信分数表示，用户的征信分数可以根据用户的线上行为数据确定，也可以根据用户的线下关联行为数据确定，或者根据用户的线上行为数据和线下关联行为数据确定，也可以根据用户的其他数据确定该信用分数，本发明实施例对此不作具体限定。
需要说明的是，该用户的线上行为数据可以包括社交互动行为数据、虚拟增值服务数据、经济行为数据和娱乐休闲行为数据中的至少一种数据，线下关联行为数据可以包括穿戴设备数据、旅游出行数据、o2o(onlinetooffline，即线上到线下)生活服务数据中的至少一种数据，当然，该线上行为数据和线下关联行为数据分别还可以包括或可以为其他数据，本发明实施例对此不作具体限定。
该相关性用于表示应用与用户的征信特征的相关程度，该相关性的数值越大，表示应用与用户的征信特征的相关程度越大，数值越小，表示应用与用户的征信特征的相关程度越小。例如，对于金融类应用，对用户的信用程度要求较高，相应地，该金融类应用与用户的征信特征的相关程度就越高，所获取到的相关性越大。
在本发明实施例中，获取多个应用中每个应用与多个用户的征信特征的相关性的方法包括步骤2011至2013：
2011、对于该多个应用中的任一应用，根据该多个用户的征信特征，对该多个用户进行分组。
根据该多个用户的征信特征或者该多个用户的征信特征的分布情况，对该多个用户进行分组，可以使每组用户的用户数量相同，也可以使多组用户中每两组用户的用户数量之间的差值在预设范围内，该预设范围可以确定为任一固定值，本发明实施例对此不作具体限定。
以每组用户的用户数量相同为例，具体分组方法可以为：如果以征信分数表示该征信特征，将该多个用户按征信分数从低到高、或从高到低的顺序依次排列，以预设数量为基准，对按顺序排列的多个用户进行分组。
该预设数量可以确定为任一固定值，也可以根据该多个用户的用户数量确定及组数确定，即将该多个用户的用户数量与组数的比值确定为该预设数量，当然，还可以根据其他方法确定该预设数量，本发明实施例对此不作具体限定。
2012、根据每组用户对该应用的下载情况和该多个用户对该应用的下载情况，获取该应用与该每组用户的征信特征的相关性。
对该应用的下载情况可以为下载该应用的用户数量与未下载该应用的用户数量的比例；也可以为对该应用的下载总次数，或者为下载该应用的用户数量与未下载该应用的用户数量等其他下载情况，本发明实施例对该下载情况的具体所指不作限定。相应地，根据该下载情况所指示的含义不同，获取该应用与该每组用户的征信特征的相关性的方法也不同，本发明实施例对具体获取方法也不作限定。
根据应用的下载情况，获取应用与用户的征信特征的相关性，能够体现下载该应用的用户的信用程度，进而能够体现应用对用户信用程度的要求高低。例如，对于金融类应用，当信用程度较高的分组用户下载该应用的用户数量较多时，表示该应用与用户的信用程度的相关性较高，即与用户的征信特征的相关性较高；而对于娱乐休闲类应用，如果每组用户下载该应用的用户数量相差不多，则表示该应用与用户的征信程度的相关性较低，即与用户的征信特征的相关性较低。
当该应用的下载情况为下载该应用的用户数量和未下载该应用的用户数量时，获取该应用与每组用户的征信特征的相关性的方法可以为：
根据下式获取该应用与该每组用户的征信特征的相关性，
其中，i＝1,2,…,n，n表示对该多个用户进行分组后得到的用户组数，ivi表示该应用与第i组用户的征信特征的相关性，gi表示该第i组用户中下载该应用的用户数量，bi表示该第i组用户中未下载该应用的用户数量，gt表示该多个用户中下载该应用的用户数量，bt表示该多个用户中未下载该应用的用户数量，“ln”表示对数运算符，“*”表示乘法运算符，“/”表示除法运算符。
2013、根据该应用与每组用户的征信特征的相关性，获取该应用与该多个用户的征信特征的相关性。
其中，获取该应用与该多个用户的征信特征的相关性的方法可以为：根据该应用与每组用户的征信特征的相关性，获取该应用与所有分组用户的征信特征的相关性的平均值或最大值，将该平均值或最大值获取为该应用与该多个用户的征信特征的相关性。当然，也可以根据该应用与每组用户的征信特征的相关性，采用其他方法获取该应用与该多个用户的征信特征的相关性，本发明实施例对此不作具体限定。
在本发明另一实施例中，还可以将该应用与所有分组用户的征信特征的相关性的总和，获取为该应用与该多个用户的征信特征的相关性；即，根据下式获取该应用与该多个用户的征信特征的相关性。
其中，iv表示该应用与该多个用户的征信特征的相关性。通过将该应用与所有分组用户的征信特征的相关性的总和，获取为该应用与该多个用户的征信特征的相关性，能够提高所获取到的相关性的准确性，进而能够提高后续应用推荐的准确性。
202、根据该相关性对该多个应用进行分组，得到第一应用组，该第一应用组包括多个相关性大于预设阈值的应用。
其中，该预设阈值在预设范围内，该预设范围的下限为该多个应用对应相关性的最小值，上限为该多个应用对应相关性的最大值，该预设阈值可以设置为在该预设范围内的任一数值；例如，该预设阈值可以为0.2。
在本发明实施例中，任一相关性大于该预设阈值的应用，反映了该应用与用户征信特征的相关程度较高，通过相关性大于预设阈值的应用划为第一应用组，能够实现针对该第一应用组单独建立用于获取应用推荐概率的预测模型，进而能够实现对于用户征信特征相关程度高的应用进行推荐，达到提高应用推荐准确率的目的。
在本发明另一实施例中，根据所述相关性对所述多个应用进行分组后，还得到第二应用组，所述第二应用组包括多个相关性小于或等于所述预设阈值的应用。
由于任一相关性小于或等于该预设阈值的应用，反映了该应用与用户征信特征的相关程度较低，因此通过根据该预设阈值将该多个应用分为与征信特征相关程度高的一组和与征信特征相关程度低的一组，在能够实现根据与征信特征相关程度不同，为每组应用建立对应的预测模型，从而达到根据与征信特征相关程度不同，采用不同的预测模型获取对应应用的推荐概率，再根据该推荐概率进行推荐，能够进一步提高应用推荐的准确率。
203、对于第一应用组，基于该多个用户的征信特征建立对应的第一预测模型，该第一预测模型用于基于征信特征确定应用的推荐概率。
在本发明实施例中，基于该多个用户的征信特征建立对应的第一预测模型的方法可以为：将该多个用户的用户特征作为训练样本，通过训练得到每组应用对应的预测模型。其中，该用户特征除了包括征信特征以外，还包括年龄、性别等用户画像特征、在线交互特征、历史下载记录等特征，建立预测模型所采用的方法可以为svm(supportvectormachine，支持向量机)，也可以为最大熵或随机森林等机器学习方法，还可以采用其他的算法建立预测模型，本发明实施例对作为训练样本的具体用户特征及建立预测模型所采用的方法均不作限定。
需要说明的是，对于与征信特征相关性较高的第一应用组，即该第一应用组中的应用对用户的信用程度要求较高，在建立该第一应用组对应的预测模型时，将包括征信特征的多个用户的用户特征作为训练样本，建立该第一预测模型，使得在向任一用户推荐该第一应用组中的应用时，能够根据该用户的征信特征，向该用户推荐适合该用户、即该用户下载可能性大的应用。
通过对根据相关性分组的每组应用建立对应的预测模型，能够实现根据不同的预测模型获取不同的应用的推荐概率，再根据该不同应用的推荐概率进行应用推荐时，能够提高应用推荐的准确率。
在本发明另一实施例中，对于包括多个相关性小于或等于所述预设阈值的应用的第二应用组，建立获取该第二应用组中每个应用的推荐概率的第二预测模型的方法可以为：基于除该征信特征以外的该多个用户的用户特征建立该第二预测模型。
具体地，对于与征信特征相关性较低的第二应用组，即该第二应用组中的应用对用户的信用程度要求较低，在建立该第一应用组对应的预测模型时，将除征信特征以外的该多个用户的用户特征作为训练样本，建立该第二预测模型，使得在向任一用户推荐该第二应用组中的应用时，能够根据除该用户的征信特征以外的其他用户特征，向该用户推荐适合该用户的应用，即该用户下载可能性大的应用。需要说明的是，该第二预测模型可以为传统ctr(click-throughrate，点击率)预估模型。
通过分别建立与征信特征相关性较高的第一应用组和与征信特征相关性较低的第二应用组的预测模型，并在向用户进行应用推荐时，通过对应的预测模型向用户推荐不同应用组中的应用，能够进一步提高应用推荐的准确率，进而能够提高用户下载所推荐应用的概率，以提高所推荐应用的转化率。
在本发明再一实施例中，为了进一步提高应用推荐的准确率，对于该第一应用组，还可以作进一步分组处理，以根据再次分组的分组结果，建立每组应用对应的子预测模型，以获取每组应用中每个应用的推荐概率。对该第一应用组进一步分组的方法可以包括以下两种：
第一种、将该第一应用组中应用的相关性按预设大小划分为多个区间；将该第一应用组中相关性属于同一区间的应用划为同一应用组；根据分组结果，基于该多个用户的征信特征为每组应用建立对应的子预测模型，相关性越大的区间对应应用组的子预测模型的征信特征权重越大。
其中，该预设大小可以确定为任一固定值，也可以根据第一应用组中相关性的分布确定，如根据最小相关性和最大相关性确定，将最大相关性和最小相关性差值的1/3确定为该预设大小，将该第一应用组根据该预设大小再分为三个应用组，当然，也可以采用其他方法确定该预设大小，本发明实施例对此不作具体限定。
例如，当第一应用组中最大相关性为0.9，最小相关性为0.6时，该预设大小为0.1，根据该预设大小，将该第一应用组中应用的相关性划分为三组：[0.6,0.7),[0.7,0.8),[0.8,0.9]，该第一应用组中，相关性大小在[0.6,0.7)区间的应用归为一组，相关性大小在[0.7,0.8)区间的应用归为一组，相关性大小在[0.8,0.9]区间的应用归为一组。
通过根据该相关性对该第一应用组作进一步分组处理，能够根据应用与用户征信特征的相关程度不同，建立征信特征权重不同的预测模型，获取再次分组后的每组应用的推荐概率，能够达到进一步提高应用推荐的准确性的目的。
第二种、对于与征信特征相关性较高的第一应用组中的应用，还可以根据应用类型对该第一应用中的应用做进一步分组，再根据分组结果建立对应的预测模型，具体方法可以为：将该第一应用组中应用类型为指定类型的应用归为一组，得到第三应用组；将该第一应用组中应用类型为除该指定类型以外的其他类型的应用归为一组，得到第四应用组；基于该第三应用组，基于该多个用户的用户特征建立第一子预测模型；基于该第四应用组，基于该多个用户的用户特征建立第二子预测模型；其中，该第一子预测模型中的征信特征权重大于该第二子预测模型中的征信特征权重。
其中，该指定类型可以由开发人员确定为网购类、金融类等类型中的任一类型，该指定类型也可以是根据对用户信用程度的不同要求确定，例如，将该指定类型确定为对用户信用程度要求更高的应用的类型。当然，还可以采用其他方法确定该指定类型，本发明实施例对指定类型的具体应用类型及确定方法均不作限定。
例如，当该指定类型为金融类时，将该第一应用组中应用类型为金融类的应用归为第三应用组，将该第一应用组中应用类型为非金融类的应用归为第四应用组，所建立的第一子预测模型用于获取金融类应用的推荐概率，第二子预测模型用于获取非金融类应用的推荐概率。
需要说明的是，由于该金融类应用为对用户信用程度要求较高的应用，例如，理财应用、股票投资应用等，通过使用征信特征权重更大的第一子预测模型获取金融类应用的推荐概率，提高用户信用程度对推荐概率的影响，从而达到进一步提高应用推荐准确率的目的。而对于其他类型的对用户信用程度要求相对较低的应用，例如，社交类应用、网购类应用等，通过使用征信特征权重相对较小的第二子预测模型获取非金融类应用的推荐概率，降低用户信用程度对推荐概率的影响，也能够达到提高应用推荐准确率的目的。
通过使用征信特征权重不同的预测模型，获取对不同类型应用的推荐概率，尤其对于指定类型的应用，通过提高征信特征的权重，在获取该类型应用的推荐概率时，能够进一步提高所推荐应用的准确率，进而使得所推荐的应用更符合用户的下载需求，从而能够达到进一步提高应用转化率的目的。
对该第一应用组作进一步分组处理的过程，可以采用上述两种方法中的任一种方法实现，也可以采用其他方法对该第一应用组作进一步分组处理，本发明实施例对此不作具体限定。
上述步骤201至步骤203为针对不同分组内的应用和/或不同类型的应用建立对应的预测模型的过程，当同时根据相关性和应用类型进行分组时，对分组后的应用建立对应的预测模型的过程可以用图2b表示。具体地，获取多个应用中每个应用与多个用户的征信特征的相关性，根据相关性和应用类型对该多个应用进行分组，相关性小于或等于预设阈值的应用归为一组，得到第二应用组，相关性大与预设阈值且应用类型为指定类型的应用归为一组，得到第三应用组，相关性大于该预设阈值且应用类型为非指定类型的应用归为一组，得到第四应用组。
由于该第二应用组与征信特征的相关程度最小，因此，可以将传统的ctr预估模型作为该第二预测模型；针对该第三应用组建立的第一子预测模型可以用于获取该第三应用中任一应用的推荐概率，也可以针对该第三应用组中的每个应用单独建立用于获取对应推荐概率的预测模型，每个预测模型的征信特征权重不同，本发明实施例对此不作限定；针对该第四应用组，根据包括征信特征在内的用户特征建立第二子预测模型，该第二子预测模型可以为逻辑回归预测模型，第二子预测模型的征信特征权重小于第一子预测模型的特征权重，或者小于该第三应用组对应的所有预测模型中的最小特征权重。
204、基于待推荐用户的征信特征和该第一预测模型，向所述待推荐用户推荐应用。
在接收到该待推荐用户发送的推荐应用获取请求时，服务器获取该待推荐用户的用户特征，并将该待推荐用户的用户特征输入步骤203建立的第一预测模型中，以获取该第一应用组中不同应用的推荐概率，根据该不同应用的推荐概率选择性地向该待推荐用户推荐该第一应用组中的应用。例如，将推荐概率大于0.5的应用推荐给该待推荐用户，以在该待推荐用户的终端显示该推荐应用，该推荐应用的显示方式可以为根据应用名称首字母顺序显示，或者根据推荐概率从大到小的顺序显示，也可以采用其他方法显示，本发明实例对具体显示方法不作限定。
例如，当终端检测到待推荐用户打开应用推荐页面或者在应用服务平台上对推荐应用选项的触发操作时，终端向服务器发送推荐应用获取请求，该推荐应用获取请求可以携带该待推荐用户的用户特征，或者携带该待推荐用户的用户标识，以使得服务器能够根据该待推荐用户的用户标识查询到该待推荐用户的用户特征，进而根据该待推荐用户的用户特征，向该待推荐用户推荐应用。
通过第一预测模型获取该第一应用组中每个应用的推荐概率，并根据该推荐概率向用户推荐该第一应用组中的应用，能够提高对该第一应用组中的应用推荐的准确率。
在本发明另一实施例中，对于根据相关性对该多个应用进行分组后，得到的第一应用组，对该第一应用组中的应用进行推荐的具体方法可以为：将该待推荐用户的用户特征输入该第一预测模型，得到该第一应用组中每个应用的推荐概率，根据该第一应用组中每个应用的推荐概率，向该待推荐用户推荐该第一应用组中推荐概率大于预设概率的应用。
该预设概率可以设置为任一大于0小于1的数值，也可以根据该待推荐用户选择获取的推荐应用的个数确定，例如，当用户选择获取50个推荐应用时，将该预设概率确定为0.7，当用户选择获取100个推荐概率时，将该预设概率确定为0.5；当然，也可以采用其他方法确定该预设概率，本发明实施例对此不作具体限定。
通过上述方法对第一应用组中的应用进行推荐，能够根据该预设概率的不同，向该待推荐用户推荐不同数量的应用，从而能够更好的满足用户的推荐需求。
在本发明再一实施例中，对于根据相关性对该多个应用进行分组后，得到的第二应用组，对该第二应用组中的应用进行推荐的具体方法可以为：将除该待推荐用户的征信特征以外的该待推荐用户的用户特征输入该第二类预测模型，得到该第二应用组中每个应用的推荐概率，根据该第二应用组中每个应用的推荐概率，向该待推荐用户推荐该第二应用组中推荐概率大于该预设概率的应用。
在本发明实施例中，可以只向用户推荐第一应用组中的应用，以向用户推荐较少数量的、与征信特征相关程度较高的应用，使得用户能够更清晰地查看及下载所推荐的应用；进一步地，当接收到用户获取更多推荐应用的请求时，再向用户推荐第二应用组中的应用，以满足用户获取更多推荐应用的需求；当然，也可以在接收到推荐应用获取请求时，同时向用户推荐第一应用组和第二应用组中的应用，将不同应用组对应的推荐应用采用分页显示的方法进行显示，以区分采用不同预测模型推荐的应用，使得页面更整洁的同时，向用户展示信息量更大的应用推荐页面。
在本发明另一实施例中，在该应用推荐页面还可以显示指定功能选项，该指定功能选项用于获取第一应用组中的推荐应用，该指定功能选项的显示区域附件可以显示提示信息，该提示信息用于提示用户触发该指定功能选项所获取到的推荐应用为与用户征信特征相关性大的应用，如金融类、网购类应用等。当终端检测到用户对该指定功能选项的触发操作时，向服务器发送获取指定推荐应用的请求，以使得服务器根据该请求采用第一种推荐方法向用户推荐应用。
通过上述方法推荐应用，能够提高应用推荐的针对性，进而能够向用户推荐更符合用户需求的应用，从而达到提高应用转化率的目的。
通过根据该预设阈值将该多个应用分为与征信特征相关程度高的第一应用组和与征信特征相关程度低的第二应用组，根据与每组应用对应的预测模型获取每组应用中每个应用的推荐概率，并根据该推荐概率进行应用推荐，能够提高应用推荐的成功率。
需要说明的是，对于对该第一应用组作进一步分组处理后的结果，获取再次分组后每组应用中每个应用的推荐概率的方法，与上述获取该第一应用组和该第二应用组中每个应用的推荐概率的方法同理，此处不作赘述。
本发明实施例所提供的应用推荐方法，通过获取用于表示应用与用户的征信特征的相关程度的相关性，并根据多个应用中每个应用与多个用户的征信特征的相关性，对与用户的征信特征相关程度高的第一应用组，采用基于多个用户的征信特征建立的第一预测模型，获取该第一应用组中每个应用的推荐概率，根据该推荐概率进行应用推荐，能够提高对该第一应用组中应用推荐的准确率，使得所推荐的应用更符合用户的下载需求，从而能够提高应用的转化率；通过使用征信特征权重不同的预测模型，获取对不同类型应用的推荐概率，能够进一步提高对与征信特征相关程度不同的应用的推荐准确率。
图3是本发明实施例提供的一种应用推荐装置框图。参照图3，该装置包括软件相关性获取模块301，分组模块302，模型建立模块303和推荐模块304。
相关性获取模块301，用于获取多个应用中每个应用与多个用户的征信特征的相关性；
分组模块302，用于根据所述相关性获取模块301获取到的所述相关性对所述多个应用进行分组，得到第一应用组，所述第一应用组包括多个相关性大于预设阈值的应用；
模型建立模块303，用于对于所述分组模块302得到的第一应用组，基于所述多个用户的征信特征建立对应的第一预测模型，所述第一预测模型用于基于征信特征确定应用的推荐概率；
推荐模块304，用于基于待推荐用户的征信特征和所述模型建立模块303建立的所述第一预测模型，向所述待推荐用户推荐应用。
在本发明提供的第一种可能实现方式中，所述推荐模块304用于：
将所述待推荐用户的征信特征输入所述第一预测模型，得到所述第一应用组中每个应用的推荐概率，根据所述第一应用组中每个应用的推荐概率，向所述待推荐用户推荐所述第一应用组中推荐概率大于预设概率的应用。
在本发明提供的第二种可能实现方式中，所述模型建立模块303还用于：
对于通过分组得到的第二应用组，基于除所述征信特征以外的所述多个用户的用户特征建立第二预测模型，所述第二预测模型用于基于除所述征信特征以外的用户特征确定应用的推荐概率，所述第二应用组包括多个相关性小于或等于所述预设阈值的应用。
在本发明提供的第三种可能实现方式中，所述推荐模块304用于：
将除所述待推荐用户的征信特征以外的所述待推荐用户的用户特征输入所述第二预测模型，得到所述第二应用组中每个应用的推荐概率，根据所述第二应用组中每个应用的推荐概率，向所述待推荐用户推荐所述第二应用组中推荐概率大于所述预设概率的应用。
在本发明提供的第四种可能实现方式中，所述模型建立模块303用于：
将所述第一应用组中应用类型为指定类型的应用归为一组，得到第三应用组；
将所述第一应用组中应用类型为除所述指定类型以外的其他类型的应用归为一组，得到第四应用组；
基于所述第三应用组，基于所述多个用户的用户特征建立第一子预测模型；
基于所述第四应用组，基于所述多个用户的用户特征建立第二子预测模型；
其中，所述第一子预测模型中的征信特征权重大于所述第二子预测模型中的征信特征权重。
在本发明提供的第五种可能实现方式中，所述模型建立模块303还用于：
将所述第一应用组中应用的相关性按预设大小划分为多个区间；
将所述第一应用组中相关性属于同一区间的应用划为同一应用组；
根据分组结果，基于所述多个用户的征信特征为每组应用建立对应的子预测模型，相关性越大的区间对应应用组的子预测模型的征信特征权重越大。
在本发明提供的第六种可能实现方式中，所述相关性获取模块301用于：
对于所述多个应用中的任一应用，根据所述多个用户的征信特征，对所述多个用户进行分组；
根据每组用户对所述应用的下载情况和所述多个用户对所述应用的下载情况，获取所述应用与所述每组用户的征信特征的相关性；
根据所述应用与每组用户的征信特征的相关性，获取所述应用与所述多个用户的征信特征的相关性。
在本发明提供的第七种可能实现方式中，所述相关性获取模块301用于：
根据下式获取所述应用与所述每组用户的征信特征的相关性：
其中，i＝1,2,…,n，n表示对所述多个用户进行分组后得到的用户组数，ivi表示所述应用与第i组用户的征信特征的相关性，gi表示所述第i组用户中下载所述应用的用户数量，bi表示所述第i组用户中未下载所述应用的用户数量，gt表示所述多个用户中下载所述应用的用户数量，bt表示所述多个用户中未下载所述应用的用户数量。
在本发明提供的第八种可能实现方式中，所述相关性获取模块301用于根据下式获取所述应用与所述多个用户的征信特征的相关性：
其中，iv表示所述应用与所述多个用户的征信特征的相关性。
需要说明的是：上述实施例提供的应用推荐装置在推荐应用时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的应用推荐装置与应用推荐方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图4是本发明实施例提供的一种装置400的结构示意图。例如，装置400可以被提供为一服务器。参照图4，装置400包括处理组件422，其进一步包括一个或多个处理器，以及由存储器432所代表的存储器资源，用于存储可由处理组件422的执行的指令，例如应用程序。存储器432中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件422被配置为执行指令，以执行上述应用推荐方法。
装置400还可以包括一个电源组件426被配置为执行装置400的电源管理，一个有线或无线网络接口450被配置为将装置400连接到网络，和一个输入输出(i/o)接口458。装置400可以操作基于存储在存储器432的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。