CN103338223A - 一种移动应用的推荐方法、客户端及服务器 - Google Patents

Abstract

本发明提供一种移动应用的推荐方法、客户端及服务器，该方法包括：客户端记录用户启动客户端的时间，并扫描记录用户的移动应用列表获得用户的日志数据，发送给服务器端；服务器端根据接收到的所述日志数据得到每个移动应用的使用信息，基于所述使用信息对移动应用进行统计，获得所述移动应用的评分，所述评分包括固有评分和个性化评分；服务器端根据所述评分和移动应用的相关信息，采用协同过滤生成移动应用推荐列表，将推荐列表发送客户端并呈现给用户。通过本发明增加了移动应用推荐的多样性，避免了人为恶意评分带来的影响。

Description

一种移动应用的推荐方法、客户端及服务器

技术领域

本发明涉及移动互联网技术领域，具体涉及一种移动应用的推荐方法、客户端及服务器。 

背景技术

随着移动互联网技术的发展，移动终端在人们的生活中越来越重要，通过在移动终端上安装各种应用，极大方面了人们的生活。然而随着移动应用数目的增长，人们面临着如何在海量的移动应用中找到自己感兴趣的移动应用。为了解决这个问题人们已经开发出一些移动应用管理客户端，它们可以对用户的移动应用进行管理并向用户推荐其他移动应用，然而现有的移动应用推荐方法存在着一下问题： 

1、大多数推荐方法都是根据移动应用的下载次数或用户评分来进行推荐，因而推荐范围往往局限于少数的“热门”移动应用，移动应用推荐缺乏多样性。 

2、一些推荐算法根据用户对移动应用的评分，采用协同过滤方法来进行。然而对于一些移动应用，存在恶意评分的情况，即人为地给一些质量低劣的移动应用评较高的分，来吸引用户的下载。基于用户评分的推荐方法不能有效识别出这类移动应用。 

3、对于新增的移动应用，由于缺乏用户评分，因而传统的基于协同过滤的推荐方法很难计算该应用与已有应用之间的相似性，导致这类应用推荐不准或无法被有效推荐给用户，存在冷启动的问题。 

发明内容

(一)所要解决的技术问题 

为解决上述问题，本发明提供了一种移动应用推荐方法、客户端及服务器。 

(二)技术方案 

本发明提供一种移动应用推荐方法，包括： 

S1、客户端记录用户启动客户端的时间，并扫描记录用户的移动应用列表获得用户的日志数据，发送到服务器端； 

S2、服务器端根据接收到的所述日志数据得到每个移动应用的使用信息，基于所述使用信息对移动应用进行统计，得到移动应用信息并获得所述移动应用的评分，所述评分包括固有评分和个性化评分； 

S3、服务器端根据所述评分和移动应用的相关信息，采用协同过滤生成移动推荐应用列表，将移动推荐列表发送客户端并呈现给用户。 

其中，所述步骤S2包括： 

S21、服务器端根据接收到的日志数据，比较同一个用户在不同时刻的移动应用列表，得到移动应用的使用信息，所述使用信息包括操作类型和使用时长； 

S22、基于所有用户的所述使用信息，对每个移动应用进行统计得到移动应用信息，包括移动应用的用户数、卸载用户数及平均使用时长； 

S23、根据所述移动应用信息，得到所述移动应用的评分。 

其中，所述评分为：R＝α₁R₁+α₂R₂；其中α₁，α₂为加权因子，且满足α₁+α₂＝1；固有评分：R₁根据移动应用信息计算获得，个性化评分：R₂根据使用信息计算获得；所述评分分值介于0到5分之间，分值越高，表明受欢迎程度越高。 

其中，所述移动应用的相关信息包括：移动应用的编号和移动应用的类别。 

其中，所述步骤S3包括： 

S31、根据所述评分计算相同类别的移动应用之间的相似性； 

S32、基于相似性计算结果，为每个移动应用找到预定个数的相似应用，对所述相似应用进行排序得到每个移动应用的相似应用列表； 

S33、根据所述相似应用列表，基于用户推荐或基于移动应用推荐 获得推荐列表，并将推荐列表发送给客户端。 

其中，所述相似性计算采用皮尔森相似性与所述固有评分的加权方式实现。 

其中，所述基于用户推荐获得推荐列表为： 

客户端发送推荐请求，扫描记录用户当前已安装的移动应用列表并发送到服务器端； 

服务器端接受请求，从用户的移动应用列表中随机选择若干个移动应用，并从所述若干移动应用的相似应用列表中选取最相似的且用户没有安装过的移动应用形成推荐列表。 

其中，所述基于移动应用推荐获得推荐列表为： 

客户端发送推荐请求，读取用户正在浏览的应用的编号并发送到服务器端，服务器端根据所述编号得到该应用的相似应用列表，从相似应用列表中选取前预定个数的相似移动应用构成推荐列表。 

本发明还提供一种移动应用推荐客户端，所述客户端包括： 

记录单元，用于记录客户端启动时间并扫描记录用户的移动应用列表生成日志数据； 

发送单元，用于将日志数据、推荐请求和用户应用当前信息发送给服务器端； 

接收单元，用于接收服务器端发送来的移动应用推荐列表，并将移动应用推荐列表呈现给用户。 

本发明还提供一种移动应用推荐服务器，所述服务器包括： 

日志服务单元，用于接收客户端发送的数据； 

数据库服务单元，用于存储移动应用的相关信息； 

评分推荐单元，用于对所述日志数据进行分析，并结合所述移动应用的相关信息生成移动应用列表；具体包括， 

评分单元，根据接收到的日志数据得到每个移动应用的使用信息，基于所述使用信息对移动应用进行统计，得到所述移动应用的评分； 

推荐单元，根据所述评分和用户及移动应用的信息，采用协同过滤 方法，生成移动推荐应用列表，并将移动终端列表发送给客户端。 

(三)有益效果 

本发明提供了一种移动应用的推荐方法，客户端采集用户的移动应用的信息，并将其传输给服务器端，服务器端根据这些真实的移动应用使用信息，得到应用的评分，如此避了人为的恶意评分对推荐造成影响，令评分可信度更高；根据评分并结合移动应用的相关信息，得到推荐列表，解决了新增的应用推荐不准或无法被有效推荐给用户，存在的冷启动的问题；同时通过本发明避免了仅仅根据移动应用的下载次数或用户评分来进行推荐，增加了移动应用推荐的多样性，为用户提供更多的应用选择。 

附图说明

图1为本发明提供方法的步骤流程图； 

图2为本发明客户端组成框图； 

图3为本发明服务器组成框图； 

图4为本发明推荐系统结构示意图。 

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细说明。 

本发明提供一种移动应用推荐方法，客户端位于用户的移动终端上，负责记录用户的日志数据并传输到服务器端，同时，客户端也将服务器端为用户生成的移动应用推荐列表呈现给用户；服务器端接收客户端发送过来的日志数据，通过对日志进行分析，并结合服务器端中存储移动应用的相关信息为用户生成个性化的移动应用推荐列表。 

该方法如图1所示，包括： 

S1、客户端记录用户启动客户端的时间，并扫描记录用户的移动应用列表获得用户的日志数据，发送给服务器端； 

本步骤中所述的日志数据包括：用户ID、客户端启动的当前时间以及用户当前已安装的移动应用列表。 

S2、服务器端根据接收到的所述日志数据得到每个移动应用的使用信息，基于所述使用信息对移动应用进行统计，得到所述移动应用的评分，所述评分包括固有评分和个性化评分； 

本步骤得到的关于移动应用的评分是由客观数据得出，避免了人为恶意评分。 

S3、服务器端根据所述评分和移动应用的相关信息，采用协同过滤生成移动推荐应用列表，将移动推荐列表发送客户端并呈现给用户。移动应用的相关信息包括移动应用的编号、类别等信息，移动应用的类别为：游戏类别、办公类别等。 

对于新增的移动应用，结合用户及移动应用的相关信息，形成推荐列表，避免了传统的新增移动应用，由于缺乏用户评分及采用传统的基于协同过滤的推荐方法很难计算该应用与已有应用之间的相似性，导致这类应用推荐不准或无法被有效推荐给用户，存在冷启动的问题。 

其中，所述步骤S2包括： 

S21、服务器端根据接收到的日志数据，比较同一个用户在不同时刻的移动应用列表，得到移动应用的使用信息，所述使用信息包括操作类型和使用时长； 

操作类型是指用户对某个移动应用进行了什么操作，如安装或者卸载；使用时长表示某个移动应用在用户的移动终端上存在了多长时间(单位：小时)，如在t₁时刻，用户的移动应用列表中包含应用“我查查”，而在t₂(t₂＞t₁)时刻，用户的移动应用列表中不包含应用“我查查”，那说明用户在t(t₁＜t＜t₂)时刻卸载该应用，本发明中我们令t＝t₂；类似地，如果在t₁时刻，用户的移动应用列表中不包含应用“我查查”，而在t₂(t₂＞t₁)时刻，用户的移动应用列表中包含应用“我查查”，那说明用户在t(t₁＜t＜t₂)时刻安装了该应用。另外，将移动应用首次在用户的应用列表中出现的时间定义为起始使用时间，将移动应用最后在用户的应用列表中出现的时间定义为结束使用时间，移动应用在用户的应用 列表中出现的时间长度定义为使用时长。 

S22、基于所有用户的所述使用信息，对每个移动应用进行统计得到移动应用信息，包括移动应用的用户数、卸载用户数及平均使用时长； 

S23、根据所述移动应用信息，得到所述移动应用的评分。 

通过统计得到的每个移动应用的用户数、卸载数及平均使用时长等信息可以得到一个移动应用的平均受欢迎程度进而得到每个移动应用的评分。 

其中，所述固有评分根据移动应用信息获得，个性化评分根据所述使用信息获得。所述评分的分值介于0到5分之间，分值越高，表明用户越喜欢某个应用。 

一个移动应用的固有评分根据该应用的统计信息得到，如果一个移动应用的使用人数越多，且卸载人数越少，那么该应用的固有评分就越高。个性化评分则根据用户对该应用的使用信息即操作类型和使用时长得到，如果某个用户没有卸载某个应用，且对该应用的使用时长越长，那么该用户关于该应用的个性化评分越高，反之，如果用户卸载了某个应用，且对该应用的使用时长越短，那么该用户关于该应用的个性化评分越低。通过这种方法得到的评分更加客观公正，避免了人为地给一些质量低劣的移动应用评较高的分来吸引用户的下载。 

其中，所述步骤S3包括： 

S31、根据所述评分计算相同类别的移动应用之间的相似性； 

S32、基于相似性计算结果，为每个移动应用找到预定个数的相似应用，对所述相似应用进行排序得到每个移动应用的相似应用列表； 

S33、根据所述相似应用列表，基于用户推荐或基于移动应用推荐获得推荐列表，并将推荐列表发送给客户端。 

其中，所述相似性计算采用皮尔森(Pearson)相似性与应用固有评分加权的方式实现。采用这种方法计算相似性的优点是，固有评分较高的应用能够以较大的概率出现在应用的相似应用列表中。 

本发明并不是仅仅局限于移动应用的下载次数或用户评分来进行应用推荐，而是通过用户对每个移动应用的真实使用情况，结合该应用的相关信息提供一种推荐方法，使移动应用的推荐更加多样，有效识别了质量低劣的移动应用。 

具体的本发明的实施方法为： 

一、每当用户在移动终端上启动本系统的客户端时，客户端会对当前时间进行记录，并扫描记录用户的移动终端上安装的移动应用列表，形成一条行为日志记录，发送到服务器端，即每条行为日志记录中包含以下信息：用户ID，当前时间以及用户当前已安装的移动应用列表，每条记录可记为： 

userId timestamp|appId₁，appId₂，appId₃，...，appId_n； 

其中，userId表示用户编号，timestamp是时间戳，表示客户端读取用户应用列表的时间，即客户端启动时间，在启动同时扫描记录移动应用列表，appId₁，appId₂，appId₃，..appId_i..，appId_n表示多个移动应用的编号，每个编号对应用户移动终端上安装的一个移动应用，每个用户可以对应多条这样的日志记录，每条记录表示某个时刻用户的应用列表信息。 

二、服务器端接收到日志数据，比较同一个用户在不同时刻的移动应用列表，得出用户关于每一个移动应用的使用信息，即移动应用的操作类型和使用时长，具体为：先将每条日志记录分解成多个五元组，每个五元组记为： 

userId，appId，opType，startTime，endTime； 

其中，userId为用户编号，appId为应用编号，opType表示操作类型，opType＝1表示用户安装了该应用，opType＝2表示用户卸载了该应用，startTime是用户对该应用的起始使用时间，即应用首次出现在用户的应用列表中的时间，endTime是用户对该应用的结束使用时间，即该应用最后一次在用户的应用列表中出现的时间。具体分解流程如下： 

1)读取用户编号userId； 

2)读取时间戳timestamp； 

3对应用列表中的每一个应用，生成五元组(userId，appId_i，1，timestamp，timestamp) 

例如，对于日志数据(数据1)： 

zhangsan2012-01-0100:00:00|com.a，com.b，com.c，com.d； 

经过分解，会得到以下4个五元组： 

zhangsan com.a 1 2012-01-0100:00:00 2012-01-0100:00:00 

zhangsan com.b 1 2012-01-0100:00:00 2012-01-0100:00:00 

zhangsan com.c 1 2012-01-0100:00:00 2012-01-0100:00:00 

zhangsan com.d 1 2012-01-0100:00:00 2012-01-0100:00:00 

对每个用户，将其日志记录按时间排序，分别对每条记录进行分解，并依次将后一条日志记录的分解结果合并到前一条上，合并方式如下： 

设两条日志记录对应的时间戳分别为t1和t2(t1＜t2)，分解后的五元组集合分别记为list1和list2，将list1中的每一个五元组记为elem1，对于elem1，如果list2中存在一个五元组elem2，使得elem1.appId＝＝elem2.appId，即两个五元组包含相同的应用编号，则令elem1.endTime＝t2，即更新用户对该应用的结束使用时间；如果list2中不包含这样的五元组，则令elem1.opType＝2，elem1.endTime＝t2，表示编号为elem1.appId的应用在t2时刻被用户卸载。 

例如，对于用户zhangsan的另一条日志数据(数据2)： 

zhangsan2012-01-0200:00:00|com.b，com.c，com.d，com.e 

将其分解并合并到前一条日志记录(数据1)上后，得到的五元组如下： 

zhangsan com.a 2 2012-01-0100:00:00 2012-01-0200:00:00； 

zhangsan com.b 1 2012-01-0100:00:00 2012-01-0200:00:00； 

zhangsan com.c 1 2012-01-0100:00:00 2012-01-0200:00:00； 

zhangsan com.d 1 2012-01-0100:00:00 2012-01-0200:00:00； 

zhangsan com.e 1 2012-01-0200:00:00 2012-01-0200:00:00； 

经过日志数据的分解与合并，可以得到用户关于应用的安装、卸载操作和使用时长的使用信息；其中，安装、卸载操作直接根据opType得到，使用时长existTime的计算方式为：如果opType＝2，则exist Time＝endTime-startTime，否则existTime＝maxTime-startTime，其中，m axTime是所有日志数据中包含的最大时间，这里本发明采用了一种积极的评价机制，即如果最终没有统计到用户对某个应用的卸载操作，那么我们认为该应用会一直存在于用户的移动终端上。 

基于得到的所有用户使用信息对每一个移动应用进行统计，得到每个应用的统计信息即移动应用信息：用户数、卸载数、平均使用时长。 

根据以上移动应用信息来进行评分建模，用户userId对移动应用appId的最终评分R由两部分组成：应用appId的固有评分R₁和用户userId对应用appId的个性化评分R₂； 

最终评分为： 

R＝α₁R₁+α₂R₂；                 (1) 

其中α₁，α₂为加权因子，且满足α₁+α₂＝1； 

对于固有评分R₁，其计算方法如下： 

$R_1=3+r\left(\frac{N_{\mathrm{uninstall}}}{N_{\mathrm{install}}}\right)\·f\left(N_{\mathrm{install}}\right);---\left(2\right)$

其中，N_uninstall为卸载该应用的人数，N_install为安装过该应用的人数，两者相除得到卸载比，卸载比越低，说明应用越受欢迎。r是一个变换函数，r(x)＝2*(1-2x)，则通过线性变换函数

将卸载比变换为(-2，2)之间的一个数，该变换满足卸载比越低，

越大的特点。由于本发明中评分分值为0-5，计算时选 用中间分数3。另外，如果一个应用的用户数越多，那么它的卸载比的可信度越高，因此，引入可信度函数f(N_install)，用来衡量卸载比的可信度，如下： 

$f\left(N_{\mathrm{install}}\right)=1-e^{\frac{\ln (1-L)}{N_L}{N}_{\mathrm{install}}};---\left(3\right)$

其中，L为可信度阈值，N_L为用户阈值，该函数的值介于0到1之间，且满足，当应用的安装人数N_install＞N_L时，f(N_install)＞L。直观意义是：当某个应用的用户数大于N_L时，该应用的卸载比是可靠的，可靠程度为L，通常可取N_L＝100，L＝0.98。 

对于个性化评分R₂，其计算方法为： 

R₂＝3+R_opType+R_time；               (4) 

其中，如果用户卸载了某个应用，则操作类型R_epType＝-1，否则操作类型R_oType＝1，R_time是根据用户对应用的使用时长t_time来得到的一个评分，其计算公式如下： 

$R_{\mathrm{time}}=2\frac{t_{\mathrm{time}}}{t_{\max }}-1;---\left(5\right)$

其中，t_time是用户对该应用的使用时长，t_max是用户对该应用的最大可能使用时长，其计算方法为：t_max＝maxTime-startTime，其中maxTime是所有日志数据中包含的最大时间，startTime是用户关于应用的起始使用时间。显然，R_time的取值范围是(-1，1)。 

三、服务器端根据所述评分和移动应用的相关信息，采用协同过滤生成移动推荐应用列表，将移动推荐列表发送客户端并呈现给用户。 

具体为： 

首先为每个应用生成一个相似应用列表，然后基于相似应用列表生成推荐列表，列表中的应用按相似性由高到低排序。对于某个应用appId_i，它的相似应用列表生成方式为： 

根据该移动应用的类别，找到与之同类别的所有其他应用，对其 中任意一个应用appId_j，计算两个应用之间的Pearson相似性p_ij，设应用appId_j的固有评分为R_j，则应用appId_j关于应用appId_i的相似性为： 

$s_{\mathrm{ij}}=\frac{R_j}{10}+\frac{p_i}{2};---\left(6\right)$

由于0≤R_j≤5，0≤p_ij≤1，因此0≤s_ij≤1。另外，由于每个应用的固有评分不一样，因此s_ij不具有对称性，即s_ij≠s_ji。采用这种方法计算相似性的优点是，固有评分较高的应用能够以较大的概率出现在应用的相似应用列表中，而通过上述固有评分的计算可知固有评分更加的计算可靠性跟高。 

根据相似应用列表可以生成推荐列表，最终的推荐分两种方式：基于应用的推荐和基于用户的推荐。其中， 

基于应用的推荐：当用户浏览某个应用想要获得推荐时，客户端会给出该应用的相关应用列表，推荐给用户。推荐列表生成方式为： 

客户端发送推荐请求，读取当前应用编号并发送到服务器端，服务器端接受请求，根据应用编号得到该编号应用的相似应用列表，从相似应用列表中选取前N个相似应用，构成推荐列表，返回给客户端，客户端呈现给用户。其中，N是客户端要展示给用户的推荐列表中包含的应用个数。 

基于用户的推荐：用户想要获得推荐时，客户端基于用户为每个用户生成一个推荐列表。推荐列表的生成方式为：客户端发送推荐请求，读取用户当前已安装的移动应用列表并发送到服务器端，服务器端接受请求，随机性用户的额移动应用列表中选择若干个移动应用，已选择过的应用不再重新选择，从被选中的每个移动应用的相似应用列表中选择最相思且用户没有安装过的一个应用构成推荐列表。 

本发明还提供了一种移动应用客户端，如图2所示包括 

记录单元，用于记录客户端启动时间并扫描记录用户的移动应用列表生成日志数据； 

发送单元，用于将日志数据、推荐请求和用户应用当前信息发送 给服务器端； 

接收单元，用于接收服务器端发送来的移动应用推荐列表，并将移动应用推荐列表呈现给用户。 

所述记录单元每当用户在移动终端上启动本系统的客户端时，记录单元会对当前时间进行记录，并扫描记录用户的移动终端上安装的移动应用列表，形成一条日志记录。 

本发明还提供一种移动应用服务器，如图3所示，服务器包括： 

日志服务单元，用于接收客户端发送的数据； 

数据库服务单元，用于存储移动应用的相关信息； 

评分推荐单元，用于对所述日志数据进行分析，并结合所述移动应用的相关信息生成移动应用列表；具体包括， 

评分单元，根据接收到的日志数据得到每个移动应用的使用信息，基于所述使用信息对移动应用进行统计，得到所述移动应用的评分； 

推荐单元，根据所述评分和用户及移动应用的信息，采用协同过滤方法，生成移动推荐应用列表，并将移动终端列表发送给客户端。 

日志服务单元接收的客户端数据包括客户端形成的日志数据、客户端发出的推荐请求和用户应用当前信息，用户当前信息包括用户当前已安装的移动应用列表和用户正在浏览的应用的编号。 

服务器中的核心即为评分推荐单元，其中，评分单元以用户的日志数据作为输入，输出每个用户关于每个应用的评分，分值介于0到5分之间，分值越高，表明用户越喜欢某个应用。推荐生成模块则以用户评分和移动应用的相关信息作为输入，采用协同过滤算法为每个用户生成个性化的移动应用推荐列表，所述的相关信息需从数据库服务单元中获得。 

其中评分单元工作为： 

评分单元根据接收到的所述日志数据得到每个移动应用的使用信息，基于所述使用信息对移动应用进行统计，得到移动应用信息并获得所述移动应用的评分，所述评分包括固有评分和个性化评分；具体 为： 

根据接收到的日志数据，比较同一个用户在不同时刻的移动应用列表，得到移动应用的使用信息，所述使用信息包括操作类型和使用时长； 

基于所有用户的所述使用信息，对每个移动应用进行统计得到移动应用信息，包括移动应用的用户数、卸载用户数及平均使用时长； 

根据所述移动应用信息，得到所述移动应用的评分。 

其中，推荐单元工作为： 

推荐单元根据所述评分和移动应用的相关信息，采用协同过滤生成移动推荐应用列表，将移动推荐列表发送客户端；具体为： 

根据所述评分计算相同类别的移动应用之间的相似性； 

基于相似性计算结果，为每个移动应用找到预定个数的相似应用，对所述相似应用进行排序得到每个移动应用的相似应用列表； 

根据所述相似应用列表，基于用户推荐或基于移动应用推荐获得推荐列表，并将推荐列表发送给客户端。 

本发明提供的客户端和服务器端共同组成了移动应用推荐系统，该推荐系统结构示意图如图4所示。客户端将用户的数据信息包括生成的日志数据发送到服务器端，服务器端根据接收到的日志数据，结合移动应用的相关信息获得推荐列表，再将该推荐结果发送给客户端呈现给用户。该系统为用户提供了更加方便可靠的移动应用管理推荐。 

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。 

Claims (10)

1.一种移动应用的推荐方法，其特征在于，包括：

S1、客户端记录用户启动客户端的时间，并扫描记录用户的移动应用列表获得用户的日志数据，发送到服务器端；

S2、服务器端根据接收到的所述日志数据得到每个移动应用的使用信息，基于所述使用信息对移动应用进行统计，得到移动应用信息并获得所述移动应用的评分，所述评分包括固有评分和个性化评分；

S3、服务器端根据所述评分和移动应用的相关信息，采用协同过滤生成移动推荐应用列表，将移动推荐列表发送客户端并呈现给用户。

2.如权利要求1所述方法，其特征在于，所述步骤S2包括：

S21、服务器端根据接收到的日志数据，比较同一个用户在不同时刻的移动应用列表，得到移动应用的使用信息，所述使用信息包括操作类型和使用时长；

S22、基于所有用户的所述使用信息，对每个移动应用进行统计得到移动应用信息，包括移动应用的用户数、卸载用户数及平均使用时长；

S23、根据所述移动应用信息，得到所述移动应用的评分。

3.如权利要求1或2所述方法，其特征在于，所述评分为：R＝α₁R₁+α₂R₂；其中α₁，α₂为加权因子，且满足α₁+α₂＝1；固有评分：R₁根据移动应用信息计算获得，个性化评分：R₂根据使用信息计算获得；所述评分分值介于0到5分之间，分值越高，表明受欢迎程度越高。

4.如权利要求1所述方法，其特征在于，所述移动应用的相关信息包括：移动应用的编号和移动应用的类别。

5.如权利要求1所述方法，其特征在于，所述步骤S3包括：

S31、根据所述评分计算相同类别的移动应用之间的相似性；

S32、基于相似性计算结果，为每个移动应用找到预定个数的相似应用，对所述相似应用进行排序得到每个移动应用的相似应用列表；

S33、根据所述相似应用列表，基于用户推荐或基于移动应用推荐获得推荐列表，并将推荐列表发送给客户端。

6.如权利要求4所述方法，其特征在于，所述相似性计算采用皮尔森相似性与所述固有评分的加权方式实现。

7.如权利要求4所述方法，其特征在于，所述基于用户推荐获得推荐列表为：

客户端发送推荐请求，扫描记录用户当前已安装的移动应用列表并发送到服务器端；

服务器端接受请求，从用户的移动应用列表中随机选择若干个移动应用，并从所述若干移动应用的相似应用列表中选取最相似的且用户没有安装过的移动应用形成推荐列表。

8.如权利要求4所述，其特征在于，所述基于移动应用推荐获得推荐列表为：

客户端发送推荐请求，读取用户正在浏览的应用的编号并发送到服务器端，服务器端根据所述编号得到该应用的相似应用列表，从相似应用列表中选取前预定个数的相似移动应用构成推荐列表。

9.一种移动应用推荐客户端，其特征在于，所述客户端包括：

记录单元，用于记录客户端启动时间并扫描记录用户的移动应用列表生成日志数据；

发送单元，用于将日志数据、推荐请求和用户应用当前信息发送给服务器端；

接收单元，用于接收服务器端发送来的移动应用推荐列表，并将移动应用推荐列表呈现给用户。

10.一种移动应用推荐服务器，其特征在于，所述服务器包括：

日志服务单元，用于接收客户端发送的数据；

数据库服务单元，用于存储移动应用的相关信息；

评分推荐单元，用于对所述日志数据进行分析，并结合所述移动应用的相关信息生成移动应用列表；具体包括，

评分单元，根据接收到的日志数据得到每个移动应用的使用信息，基于所述使用信息对移动应用进行统计，得到所述移动应用的评分；

推荐单元，根据所述评分和用户及移动应用的信息，采用协同过滤方法，生成移动推荐应用列表，并将移动终端列表发送给客户端。

Images