CN104899266A - 一种应用推荐方法及装置 - Google Patents

Abstract

本发明实施例公开了一种应用推荐方法及装置，其中的方法可包括：记录用户所使用的各个应用的用户行为数据；根据所述用户行为数据计算用户对所述各个应用的兴趣度；根据用户对所述各个应用的兴趣度分别计算所述各个应用与目标应用的兴趣相似度；根据所述各个应用与所述目标应用各自的兴趣相似度输出所述目标应用的应用推荐信息。采用本发明，可以根据用户使用应用的用户行为数据，计算用户对任意应用的兴趣度，从而对任意两款应用进行兴趣相似度的计算，当用户使用某款应用时，可以向该用户推荐与所述某款应用兴趣相似度较高的其它应用。

Description

一种应用推荐方法及装置

技术领域

本发明涉及互联网技术领域，尤其涉及一种应用推荐方法及装置。

背景技术

随着互联网技术的发展，网络游戏成为越来越多互联网用户关注的一项网络服务。现有的游戏平台一般都是按照游戏类型(如棋牌类游戏、竞技类游戏等)等显示方式列举游戏服务商提供的游戏，这种统一推荐的方式存在如下缺点：推荐的内容千篇一律，不能真实触摸和预测用户的游戏喜好，所采用的推荐算法不具有机器学习能力，推荐精度不高。

发明内容

本发明实施例所要解决的技术问题在于，提供一种应用推荐方法及装置，根据用户对各种应用的兴趣度计算任意两款应用的兴趣相似度，从而向用户推荐兴趣相似度最大的几款应用。

第一方面，本发明实施例提供了一种应用推荐方法，包括：

记录用户所使用的各个应用的用户行为数据；

根据所述用户行为数据计算用户对所述各个应用的兴趣度；

根据用户对所述各个应用的兴趣度分别计算所述各个应用与目标应用的兴趣相似度；

根据所述各个应用与所述目标应用各自的兴趣相似度输出所述目标应用的应用推荐信息。

结合第一方面，在第一方面的第一种可能的实现方式中，所述根据所述用户行为数据计算用户对所述各个应用的兴趣度，包括：

根据所述用户行为数据计算所述各个应用的应用特征值，所述应用特征值包括平均应用评分、平均应用在线时间和平均应用消费金额中的一种或几种组合；

根据所述用户行为数据以及所述各个应用的应用特征值计算用户对所述各个应用的归一化应用特征值；

根据用户对所述各个应用的归一化应用特征值计算用户对所述各个应用的兴趣度。

结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述归一化应用特征值的计算公式为：

${g^{\′}}_a\frac{g_a-gmin}{g_{\max }-g_{min}},$

其中，所述各个应用包括第一应用，g′_a为用户a对所述第一应用的归一化应用特征值，g_a为用户a对应所述第一应用的第一应用特征值，g_max为与所述第一应用属于同类型的所有应用中所述第一应用特征值最大的那款应用的应用特征值，g_min为与所述第一应用属于同类型的所有应用中所述第一应用特征值最小的那款应用的应用特征值；

所述兴趣度的计算公式为：

e_a＝(α*g′_a1+β*g′_a2+…+γ*g′_an)；

其中，e_a为用户a对所述第一应用的兴趣度，g′_a1为用户a的第一个归一化应用特征值，g′_a2为用户a的第二个归一化应用特征值，g′_an为用户a的第N个归一化应用特征值，α为第一权重因子，β为第二权重因子，γ为第三权重因子，α、β和γ为非负数，且α、β和γ的和为1，N为预设的正整数。

结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述各个应用包括第一应用，所述根据用户对所述各个应用的兴趣度分别计算所述各个应用与目标应用的兴趣相似度，包括：

从所述用户行为数据中选取所述第一应用与所述目标应用共同对应的M个用户的用户行为数据，根据用户对所述各个应用的兴趣度及预设兴趣相似度算法对所述第一应用与所述目标应用的兴趣相似度进行计算，M为预设的正整数；

所述预设兴趣相似度算法的计算公式为：

$sim(i,j)=cos(\stackrel{\→}{i},\stackrel{\→}{j})=\frac{\stackrel{\→}{i}\·\stackrel{\→}{j}}{\left|\right|\stackrel{\→}{i}|{|}^2*|\left|\stackrel{\→}{j}\right|{|}^2},$ 其中，为列向量 $\left(\begin{array}{c}{e}_{i1}\\ e_{e2}\\ \begin{array}{c}.\\ .\\ .\end{array}\\ e_{im}\end{array}\right),\stackrel{\→}{j}$ 为列向量 $\left(\begin{array}{c}{e}_{j1}\\ e_{j2}\\ \begin{array}{c}.\\ .\\ .\end{array}\\ e_{jm}\end{array}\right);$

其中，e_i1为第一个用户对所述第一应用的兴趣度，e_i2为第二个用户对所述第一应用的兴趣度，e_im为第M个用户对所述第一应用的兴趣度，e_j1为第一个用户对所述目标应用的兴趣度，e_j2为第二个用户对所述目标应用的兴趣度，e_jm为第M个用户对所述目标应用的兴趣度。

结合第一方面，在第一方面的第四种可能的实现方式中，所述根据所述各个应用与所述目标应用各自的兴趣相似度输出所述目标应用的应用推荐信息，包括：

当用户下载所述目标应用或者用户安装所述目标应用或者用户参与所述目标应用时，从所述各个应用中选取与所述目标应用的兴趣相似度最大的预设个数的应用进行推荐。

第二方面，本发明实施例提供了一种应用推荐装置，包括：

记录模块，用于记录用户所使用的各个应用的用户行为数据；

第一计算模块，用于根据所述用户行为数据计算用户对所述各个应用的兴趣度；

第二计算模块，用于根据用户对所述各个应用的兴趣度分别计算所述各个应用与目标应用的兴趣相似度；

输出模块，用于根据所述各个应用与所述目标应用各自的兴趣相似度输出所述目标应用的应用推荐信息。

结合第二方面，在第二方面的第一种可能的实现方式中，所述第一计算模块包括：

第一计算单元，用于根据所述用户行为数据计算所述各个应用的应用特征值，所述应用特征值包括平均应用评分、平均应用在线时间和平均应用消费金额中的一种或几种组合；

第二计算单元，用于根据所述用户行为数据以及所述各个应用的应用特征值计算用户对所述各个应用的归一化应用特征值；

第三计算单元，用于根据用户对所述各个应用的归一化应用特征值计算用户对所述各个应用的兴趣度。

结合第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，所述归一化应用特征值的计算公式为：

${g^{\′}}_a=\frac{g_a-g_{min}}{g_{\max }-g_{min}};$

其中，所述各个应用包括第一应用，g′_a为用户a对所述第一应用的归一化应用特征值，g_a为用户a对应所述第一应用的第一应用特征值，g_max为与所述第一应用属于同类型的所有应用中所述第一应用特征值最大的那款应用的应用特征值，g_min为与所述第一应用属于同类型的所有应用中所述第一应用特征值最小的那款应用的应用特征值；

所述兴趣度的计算公式为：

e_a＝(α*g′_a1+β*g′_a2+…+γ*g′_an)；

其中，e_a为用户a对所述第一应用的兴趣度，g′_a1为用户a的第一个归一化应用特征值，g′_a2为用户a的第二个归一化应用特征值，g′_an为用户a的第N个归一化应用特征值，α为第一权重因子，β为第二权重因子，γ为第三权重因子，α、β和γ为非负数，且α、β和γ的和为1，N为预设的正整数。

结合第二方面的第二种可能的实现方式，在第二方面的第三种可能的实现方式中，所述各个应用包括第一应用，所述第二计算模块包括：

第四计算单元，用于从所述用户行为数据中选取所述第一应用与所述目标应用共同对应的M个用户的用户行为数据，根据用户对所述各个应用的兴趣度及预设兴趣相似度算法对所述第一应用与所述目标应用的兴趣相似度进行计算，M为预设的正整数；

所述预设兴趣相似度算法的计算公式为：

$sim(i,j)=cos(\stackrel{\→}{i},\stackrel{\→}{j})=\frac{\stackrel{\→}{i}\·\stackrel{\→}{j}}{\left|\right|\stackrel{\→}{i}|{|}^2*|\left|\stackrel{\→}{j}\right|{|}^2},$ 其中，为列向量 $\left(\begin{array}{c}{e}_{i1}\\ e_{e2}\\ \begin{array}{c}.\\ .\\ .\end{array}\\ e_{im}\end{array}\right),\stackrel{\→}{j}$ 为列向量 $\left(\begin{array}{c}{e}_{j1}\\ e_{j2}\\ \begin{array}{c}.\\ .\\ .\end{array}\\ e_{jm}\end{array}\right);$

其中，e_i1为第一个用户对所述第一应用的兴趣度，e_i2为第二个用户对所述第一应用的兴趣度，e_im为第M个用户对所述第一应用的兴趣度，e_j1为第一个用户对所述目标应用的兴趣度，e_j2为第二个用户对所述目标应用的兴趣度，e_jm为第M个用户对所述目标应用的兴趣度。

结合第二方面，在第二方面的第四种可能的实现方式中，所述输出模块具体用于：

当用户下载所述目标应用或者用户安装所述目标应用或者用户参与所述目标应用时，从所述各个应用中选取与所述目标应用的兴趣相似度最大的预设个数的应用进行推荐。

通过实施本发明实施例，终端记录用户的用户行为数据，并根据这些用户行为数据计算用户对各个应用的兴趣度，并计算任意两款应用的兴趣相似度，从而在用户使用某款应用时，向用户推荐与所使用的某款应用的兴趣相似度最大的几款游戏，从而向用户拓展应用范围，提高推荐精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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流程示意图；

图2是本发明实施例提供的另一种应用推荐方法的流程示意图；

图3是本发明实施例提供的一种应用推荐装置的结构示意图；

图4是本发明实施例提供的第一计算模块的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

本发明实施例提供了一种应用推荐方法及装置，可以根据用户使用应用的用户行为数据，计算用户对任意应用的兴趣度，从而对任意两款应用进行兴趣相似度的计算，当用户使用某款应用时，可以向该用户推荐与所述某款应用兴趣相似度较高的其它应用。为了便于理解本发明实施例，下面先对本发明实施例的应用推荐方法进行描述。

请参见图1，是本发明实施例提供的一种应用推荐方法的流程示意图，该方法包括但不限于以下步骤。

S101、记录用户所使用的各个应用的用户行为数据。

本发明实施例中，终端记录用户所使用的各个应用的用户行为数据，所述终端可包括但不限于智能手机、平板电脑、笔记本电脑、台式电脑等用户终端。所述终端的操作系统可包括但不限于Android操作系统、IOS操作系统、Symbian(塞班)操作系统、Black Berry(黑莓)操作系统、Windows Phone8操作系统等等，本发明实施例不做限定。所述应用可以包括但不限于：游戏应用、网站应用或其他应用程序(Application，APP)。所述用户行为数据可以包括但不限于：应用评分、应用在线时间和应用消费金额。终端可以将所述用户行为数据存储到终端服务器或其他存储器，本发明实施例不作具体限定。

S103、根据所述用户行为数据计算用户对所述各个应用的兴趣度。

本发明实施例中，所述终端根据记录到的所有用户的用户行为数据计算各个用户对所述各个应用的兴趣度，从而确定所述各个用户对各个应用的兴趣度。

例如，若所述应用为游戏应用，且包括游戏1和游戏2，所述用户包括用户1和用户2，则所述用户行为数据包括用户1对游戏1的游戏评分、用户1对游戏1的游戏在线时间、用户1对游戏1的游戏消费金额、用户1对游戏2的游戏评分、用户1对游戏2的游戏在线时间、用户1对游戏2的游戏消费金额、用户2对游戏1的游戏评分、用户2对游戏1的游戏在线时间、用户2对游戏1的游戏消费金额、用户2对游戏2的游戏评分、用户2对游戏2的游戏在线时间和用户2对游戏2的游戏消费金额，则所述终端需要根据以上用户行为数据分别计算用户1和用户2对游戏1和游戏2的兴趣度。

S105、根据用户对所述各个应用的兴趣度分别计算所述各个应用与目标应用的兴趣相似度。

本发明实施例中，所述终端根据各个用户对各个应用的兴趣度计算所述各个应用中任意两款应用的兴趣相似度，并确定所述各个应用与目标应用的兴趣相似度，所述目标应用可以由所述用户设定。

S107、根据所述各个应用与所述目标应用各自的兴趣相似度输出所述目标应用的应用推荐信息。

本发明实施例中，所述终端根据计算得到的所述各个应用与所述目标应用各自的兴趣相似度，输出所述目标应用的应用推荐信息。例如，所述用户的目标应用为游戏1，则所述终端根据各个游戏与游戏1各自的兴趣相似度，向用户推荐与游戏1兴趣相似度最大的几款游戏。

请参见图2，是本发明实施例提供的另一种应用推荐方法的流程示意图，该方法包括但不限于以下步骤。

S201、记录用户所使用的各个应用的用户行为数据。

本发明实施例中，终端记录用户所使用的各个应用的用户行为数据，所述终端可包括但不限于智能手机、平板电脑、笔记本电脑、台式电脑等用户终端。所述终端的操作系统可包括但不限于Android操作系统、IOS操作系统、Symbian(塞班)操作系统、Black Berry(黑莓)操作系统、Windows Phone8操作系统等等，本发明实施例不做限定。所述应用可以包括但不限于：游戏应用、网站应用或其他应用程序(Application，APP)。所述用户行为数据可以包括但不限于：应用评分、应用在线时间和应用消费金额。终端可以将所述用户行为数据存储到终端服务器或其他存储器，本发明实施例不作具体限定。

S203、根据所述用户行为数据计算所述各个应用的应用特征值，所述应用特征值包括平均应用评分、平均应用在线时间和平均应用消费金额中的一种或几种组合。

本发明实施例中，所述终端根据记录到的所有用户的用户行为数据计算所述各个应用的应用特征值，所述应用特征值可以包括但不限于：平均应用评分、平均应用在线时间和平均应用消费金额。例如，若所述应用为游戏应用，且包括游戏1、游戏2和游戏3，所述应用特征值为游戏评分，所述用户包括用户1、用户2和用户3，则所述终端根据用户1对游戏1的游戏评分、用户2对游戏1的游戏评分以及用户3对游戏1的游戏评分，计算得到游戏1的平均游戏评分，所述终端根据用户1对游戏2的游戏评分、用户2对游戏2的游戏评分以及用户3对游戏2的游戏评分，计算得到游戏2的平均游戏评分，所述终端根据用户1对游戏3的游戏评分、用户2对游戏3的游戏评分以及用户3对游戏3的游戏评分，计算得到游戏3的平均游戏评分，即将用户1对游戏1的游戏评分、用户2对游戏1的游戏评分以及用户3对游戏1的游戏评分相加再除以3得到游戏1的平均游戏评分，其中若用户1玩过若干次游戏1，需要将每次的游戏评分进行加和再求平均值得到用户1对游戏1的游戏评分。

S205、根据所述用户行为数据以及所述各个应用的应用特征值计算用户对所述各个应用的归一化应用特征值。

本发明实施例中，所述终端根据所述用户行为数据以及计算得到的所述各个应用的特征值计算各个用户对各个应用的归一化应用特征值。

进一步地，所述归一化应用特征值的计算公式为：

${g^{\′}}_a=\frac{g_a-g_{min}}{g_{\max }-g_{min}};$

其中，所述各个应用包括第一应用，g′_a为用户a对所述第一应用的归一化应用特征值，g_a为用户a对应所述第一应用的第一应用特征值，g_max为与所述第一应用属于同类型的所有应用中所述第一应用特征值最大的那款应用的应用特征值，g_min为与所述第一应用属于同类型的所有应用中所述第一应用特征值最小的那款应用的应用特征值，例如，所述第一应用为游戏1，所述游戏1为棋牌类游戏，所述用户a为用户1，所述第一应用特征值为平均游戏评分，与所述游戏1同属于棋牌类游戏的还有游戏2和游戏3，若用户1对游戏1的平均游戏评分为45，根据各个用户玩游戏1、游戏2和游戏3的用户行为数据计算得到游戏1、游戏2和游戏3的平均游戏评分依次为40、50和60，则g_a为45，g_max为60，g_min为40，通过所述归一化应用特征值的计算公式可得g′_a＝(45-40)/(60-40)＝0.4，即所述用户1对游戏1的归一化游戏评分为0.4。

S207、根据用户对所述各个应用的归一化应用特征值计算用户对所述各个应用的兴趣度。

本发明实施例中，所述终端根据各个用户对各个应用的归一化应用特征值可以计算得到所述各个用户对各个应用的兴趣度。

进一步地，所述兴趣度的计算公式为：e_a＝(α*g′_a1+β*g′_a2+…+γ*g′_an),其中，e_a为用户a对所述第一应用的兴趣度，g′_a1为用户a的第一个归一化应用特征值，g′_a2为用户a的第二个归一化应用特征值，g′_an为用户a的第N个归一化应用特征值，α为第一权重因子，β为第二权重因子，γ为第三权重因子，α、β和γ为非负数，且α、β和γ的和为1，N为预设的正整数。例如，所述第一应用为游戏1，用户a为用户1，用户1的第一个归一化应用特征值为归一化游戏评分，用户1的第二个归一化应用特征值为归一化游戏在线时间，用户1的第三个归一化应用特征值为归一化游戏消费金额，若根据归一化应用特征值计算得到用户1对游戏1的归一化游戏评分为0.4，用户1对游戏1的归一化游戏在线时间为0.5，用户1对游戏1的归一化游戏消费金额为0.6，若将α、β和γ分别设置为0.4、0.4和0.2，则根据兴趣度的计算公式计算用户1对游戏1的兴趣度e_a＝(0.4*0.4+0.4*0.5+0.2*0.6)＝0.48。

S209、从所述用户行为数据中选取所述第一应用与所述目标应用共同对应的M个用户的用户行为数据，根据用户对所述各个应用的兴趣度及预设兴趣相似度算法对所述第一应用与所述目标应用的兴趣相似度进行计算，M为预设的正整数。

本发明实施例中，所述终端从各个用户的用户行为数据中选择两款应用共同对应的M个用户的用户行为数据，所述两款应用包括所述第一应用以及所述目标应用，所述目标应用可以为用户当前使用的应用，所述第一应用为所述终端从各个应用中选取的任意一款区别于所述目标应用的应用，根据选取到的M个用户的用户行为数据、所述M个用户对各个应用的兴趣度以及预设兴趣相似度算法，可以计算所述第一应用与所述目标应用的兴趣相似度。M可由用户自主设定，也可由终端系统默认设定，本发明实施例不作具体限定。

进一步地，所述预设兴趣相似度算法的计算公式为：

$sim(i,j)=cos(\stackrel{\→}{i},\stackrel{\→}{j})=\frac{\stackrel{\→}{i}\·\stackrel{\→}{j}}{\left|\right|\stackrel{\→}{i}|{|}^2*|\left|\stackrel{\→}{j}\right|{|}^2},$ 其中，为列向量 $\left(\begin{array}{c}{e}_{i1}\\ e_{e2}\\ \begin{array}{c}.\\ .\\ .\end{array}\\ e_{im}\end{array}\right),\stackrel{\→}{j}$ 为列向量 $\left(\begin{array}{c}{e}_{j1}\\ e_{j2}\\ \begin{array}{c}.\\ .\\ .\end{array}\\ e_{jm}\end{array}\right);$

其中，e_i1为第一个用户对所述第一应用的兴趣度，e_i2为第二个用户对所述第一应用的兴趣度，e_im为第M个用户对所述第一应用的兴趣度，e_j1为第一个用户对所述目标应用的兴趣度，e_j2为第二个用户对所述目标应用的兴趣度，e_jm为第M个用户对所述目标应用的兴趣度。例如，若所述目标应用为游戏1，所述第一应用为游戏2，所述M个用户包括用户1、用户2和用户3，根据兴趣度算法，计算得到用户1对游戏1的兴趣度为0.48，用户2对游戏1的兴趣度为0.5，用户3对游戏1的兴趣度为0.6，用户1对游戏2的兴趣度为0.55，用户2对游戏2的兴趣度为0.6，用户3对游戏2的兴趣度为0.7，

则为列向量 $\left(\begin{array}{c}0.48\\ 0.5\\ 0.6\end{array}\right),\stackrel{\→}{j}$ 为列向量 $\left(\begin{array}{c}0.55\\ 0.6\\ 0.7\end{array}\right)$

则通过所述预设兴趣相似度算法，得到游戏1与游戏2的兴趣相似度 $sim(i,j)=cos(\stackrel{\→}{i},\stackrel{\→}{j})=\frac{\stackrel{\→}{i}\·\stackrel{\→}{j}}{\left|\right|\stackrel{\→}{i}|{|}^2*|\left|\stackrel{\→}{j}\right|{|}^2}=\mathrm{1.016.}$

S211、当用户下载所述目标应用或者用户安装所述目标应用或者用户参与所述目标应用时，从所述各个应用中选取与所述目标应用的兴趣相似度最大的预设个数的应用进行推荐。

本发明实施例中，当用户下载所述目标应用或者用户安装所述目标应用或者用户参与所述目标应用时，所述终端根据计算得到的所述各个应用与所述目标应用各自的兴趣相似度，输出所述目标应用的应用推荐信息。例如，所述用户的目标应用为游戏1，则所述终端根据各个游戏与游戏1各自的兴趣相似度，向用户推荐与游戏1兴趣相似度最大的几款游戏，例如，所述终端向用户输出与所述目标应用的兴趣相似度最大的预设个数的几款应用，所述预设个数可以由用户自主设定，也可由终端系统默认设定，或者所述用户可以设置兴趣相似度阈值，将与所述目标应用的兴趣相似度达到所述兴趣相似度阈值的几款应用推荐给所述用户。若所述各个应用包括游戏1、游戏2、游戏3和游戏4，所述目标应用为游戏1，根据预设兴趣相似度算法计算得到游戏2、游戏3和游戏4分别与游戏1的兴趣相似度为1.016、1.1、1.3，若所述预设个数为2，则当用户玩游戏1时，将与游戏1的兴趣相似度最大的两款游戏，即游戏3和游戏4推荐给所述用户。

上述详细阐述了本发明实施例的方法，下面为了便于更好地实施本发明实施例的上述方案，相应地，下面还提供用于配合实施上述方案的装置。

请参见图3，是本发明实施例提供的一种应用推荐装置的结构示意图。该应用推荐装置30包括：记录模块301、第一计算模块303、第二计算模块305和输出模块307，其中，

记录模块301，用于记录用户所使用的各个应用的用户行为数据。

第一计算模块303，用于根据所述用户行为数据计算用户对所述各个应用的兴趣度。

第二计算模块305，用于根据用户对所述各个应用的兴趣度分别计算所述各个应用与目标应用的兴趣相似度。

进一步地，所述第二计算模块305具体用于从所述用户行为数据中选取所述第一应用与所述目标应用共同对应的M个用户的用户行为数据，根据用户对所述各个应用的兴趣度及预设兴趣相似度算法对所述第一应用与所述目标应用的兴趣相似度进行计算，M为预设的正整数。

输出模块307，用于根据所述各个应用与所述目标应用各自的兴趣相似度输出所述目标应用的应用推荐信息。

进一步地，所述输出模块307具体用于当用户下载所述目标应用或者用户安装所述目标应用或者用户参与所述目标应用时，从所述各个应用中选取与所述目标应用的兴趣相似度最大的预设个数的应用进行推荐。

可理解的是，本实施例的应用推荐装置30的各功能模块的功能可根据上述图1或图2方法实施例的方法具体实现，此处不再赘述。

请参见图4，是本发明实施例提供的第一计算模块303的一个实施例的结构示意图。该第一计算模块303可包括：第一计算单元3031、第二计算单元3033和第三计算单元3035，其中，

第一计算单元3031，用于根据所述用户行为数据计算所述各个应用的应用特征值，所述应用特征值包括平均应用评分、平均应用在线时间和平均应用消费金额中的一种或几种组合。

第二计算单元3033，用于根据所述用户行为数据以及所述各个应用的应用特征值计算用户对所述各个应用的归一化应用特征值。

第三计算单元3035，用于根据用户对所述各个应用的归一化应用特征值计算用户对所述各个应用的兴趣度。

可理解的是，本实施例的第一计算模块303的各功能模块的功能可根据上述图2方法实施例的方法具体实现，此处不再赘述。

综上所述，通过实施本发明实施例，终端记录用户的用户行为数据，并根据这些用户行为数据计算用户对各个应用的兴趣度，并计算任意两款应用的兴趣相似度，从而在用户使用某款应用时，向用户推荐与所使用的某款应用的兴趣相似度最大的几款游戏，从而向用户拓展应用范围，提高推荐精度。

本发明所有实施例中的模块或子模块，可以通过通用集成电路，例如CPU(Central Processing Unit，中央处理器)，或通过ASIC(Application SpecificIntegrated Circuit，专用集成电路)来实现。

本发明实施例的方法的步骤顺序可以根据实际需要进行调整、合并或删减。本发明实施例的终端的模块可以根据实际需要进行整合、进一步划分或删减。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，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流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (10)

1.一种应用推荐方法，其特征在于，包括：

记录用户所使用的各个应用的用户行为数据；

根据所述用户行为数据计算用户对所述各个应用的兴趣度；

根据用户对所述各个应用的兴趣度分别计算所述各个应用与目标应用的兴趣相似度；

根据所述各个应用与所述目标应用各自的兴趣相似度输出所述目标应用的应用推荐信息。

2.如权利要求1所述的方法，其特征在于，所述根据所述用户行为数据计算用户对所述各个应用的兴趣度，包括：

根据所述用户行为数据计算所述各个应用的应用特征值，所述应用特征值包括平均应用评分、平均应用在线时间和平均应用消费金额中的一种或几种组合；

根据所述用户行为数据以及所述各个应用的应用特征值计算用户对所述各个应用的归一化应用特征值；

根据用户对所述各个应用的归一化应用特征值计算用户对所述各个应用的兴趣度。

3.如权利要求2所述的方法，其特征在于，所述归一化应用特征值的计算公式为：

$g_a^{\′}=\frac{g_a-g_{\min }}{g_{\max }-g_{\min }};$

其中，所述各个应用包括第一应用，g′_a为用户a对所述第一应用的归一化应用特征值，g_a为用户a对应所述第一应用的第一应用特征值，g_max为与所述第一应用属于同类型的所有应用中所述第一应用特征值最大的那款应用的应用特征值，g_min为与所述第一应用属于同类型的所有应用中所述第一应用特征值最小的那款应用的应用特征值；

所述兴趣度的计算公式为：

e_a＝(α*g′_a1+β*g′_a2+…+γ*g′_an)；

其中，e_a为用户a对所述第一应用的兴趣度，g′_a1为用户a的第一个归一化应用特征值，g′_a2为用户a的第二个归一化应用特征值，g′_an为用户a的第N个归一化应用特征值，α为第一权重因子，β为第二权重因子，γ为第三权重因子，α、β和γ为非负数，且α、β和γ的和为1，N为预设的正整数。

4.如权利要求3所述的方法，其特征在于，所述各个应用包括第一应用，所述根据用户对所述各个应用的兴趣度分别计算所述各个应用与目标应用的兴趣相似度，包括：

从所述用户行为数据中选取所述第一应用与所述目标应用共同对应的M个用户的用户行为数据，根据用户对所述各个应用的兴趣度及预设兴趣相似度算法对所述第一应用与所述目标应用的兴趣相似度进行计算，M为预设的正整数；

所述预设兴趣相似度算法的计算公式为：

$\mathrm{sim}(i,j)\text{=cos1}\left(\stackrel{\→}{i}\stackrel{\→}{,j}\right)=\frac{\stackrel{\→}{i}\·\stackrel{\→}{j}}{{\left|\right|\stackrel{\→}{i}\left|\right|}^2*{\left|\right|\stackrel{\→}{j}\left|\right|}^2},$ 其中，为列向量 $\left(\begin{array}{c}{e}_{i1}\\ e_{i2}\\ .\\ .\\ .\\ e_{\mathrm{im}}\end{array}\right),$ 为列向量 $\left(\begin{array}{c}{e}_{j1}\\ e_{j2}\\ .\\ .\\ .\\ e_{\mathrm{jm}}\end{array}\right);$

其中，e_i1为第一个用户对所述第一应用的兴趣度，e_i2为第二个用户对所述第一应用的兴趣度，e_im为第M个用户对所述第一应用的兴趣度，e_j1为第一个用户对所述目标应用的兴趣度，e_j2为第二个用户对所述目标应用的兴趣度，e_jm为第M个用户对所述目标应用的兴趣度。

5.如权利要求1所述的方法，其特征在于，所述根据所述各个应用与所述目标应用各自的兴趣相似度输出所述目标应用的应用推荐信息，包括：

当用户下载所述目标应用或者用户安装所述目标应用或者用户参与所述目标应用时，从所述各个应用中选取与所述目标应用的兴趣相似度最大的预设个数的应用进行推荐。

6.一种应用推荐装置，其特征在于，包括：

记录模块，用于记录用户所使用的各个应用的用户行为数据；

第一计算模块，用于根据所述用户行为数据计算用户对所述各个应用的兴趣度；

第二计算模块，用于根据用户对所述各个应用的兴趣度分别计算所述各个应用与目标应用的兴趣相似度；

输出模块，用于根据所述各个应用与所述目标应用各自的兴趣相似度输出所述目标应用的应用推荐信息。

7.如权利要求6所述的装置，其特征在于，所述第一计算模块包括：

第一计算单元，用于根据所述用户行为数据计算所述各个应用的应用特征值，所述应用特征值包括平均应用评分、平均应用在线时间和平均应用消费金额中的一种或几种组合；

第二计算单元，用于根据所述用户行为数据以及所述各个应用的应用特征值计算用户对所述各个应用的归一化应用特征值；

第三计算单元，用于根据用户对所述各个应用的归一化应用特征值计算用户对所述各个应用的兴趣度。

8.如权利要求7所述的装置，其特征在于，所述归一化应用特征值的计算公式为：

$g_a^{\′}=\frac{g_a-g_{\min }}{g_{\max }-g_{\min }};$

其中，所述各个应用包括第一应用，g′_a为用户a对所述第一应用的归一化应用特征值，g_a为用户a对应所述第一应用的第一应用特征值，g_max为与所述第一应用属于同类型的所有应用中所述第一应用特征值最大的那款应用的应用特征值，g_min为与所述第一应用属于同类型的所有应用中所述第一应用特征值最小的那款应用的应用特征值；

所述兴趣度的计算公式为：

e_a＝(α*g′_a1+β*g′_a2+…+γ*g′_an)；

其中，e_a为用户a对所述第一应用的兴趣度，g′_a1为用户a的第一个归一化应用特征值，g′_a2为用户a的第二个归一化应用特征值，g′_an为用户a的第N个归一化应用特征值，α为第一权重因子，β为第二权重因子，γ为第三权重因子，α、β和γ为非负数，且α、β和γ的和为1，N为预设的正整数。

9.如权利要求8所述的装置，其特征在于，所述各个应用包括第一应用，所述第二计算模块具体用于从所述用户行为数据中选取所述第一应用与所述目标应用共同对应的M个用户的用户行为数据，根据用户对所述各个应用的兴趣度及预设兴趣相似度算法对所述第一应用与所述目标应用的兴趣相似度进行计算，M为预设的正整数；

所述预设兴趣相似度算法的计算公式为：

$\mathrm{sim}(i,j)\text{=cos1}\left(\stackrel{\→}{i}\stackrel{\→}{,j}\right)=\frac{\stackrel{\→}{i}\·\stackrel{\→}{j}}{{\left|\right|\stackrel{\→}{i}\left|\right|}^2*{\left|\right|\stackrel{\→}{j}\left|\right|}^2},$ 其中，为列向量 $\left(\begin{array}{c}{e}_{i1}\\ e_{i2}\\ .\\ .\\ .\\ e_{\mathrm{im}}\end{array}\right),$ 为列向量 $\left(\begin{array}{c}{e}_{j1}\\ e_{j2}\\ .\\ .\\ .\\ e_{\mathrm{jm}}\end{array}\right);$

其中，e_i1为第一个用户对所述第一应用的兴趣度，e_i2为第二个用户对所述第一应用的兴趣度，e_im为第M个用户对所述第一应用的兴趣度，e_j1为第一个用户对所述目标应用的兴趣度，e_j2为第二个用户对所述目标应用的兴趣度，e_jm为第M个用户对所述目标应用的兴趣度。

10.如权利要求6所述的装置，其特征在于，所述输出模块具体用于：

当用户下载所述目标应用或者用户安装所述目标应用或者用户参与所述目标应用时，从所述各个应用中选取与所述目标应用的兴趣相似度最大的预设个数的应用进行推荐。