CN106250532A - 应用推荐方法、装置及服务器 - Google Patents

Abstract

本发明实施例提出一种应用推荐方法、装置及服务器。该应用推荐方法包括：根据用户的历史应用列表计算得到所述用户的特征向量；根据多个所述用户的特征向量训练得到应用对应的各个标签的预测模型；及基于用户的特征向量以及所述各个标签的预测模型生成所述用户的推荐应用序列。本发明实施例可以针对不同的用户提供个性化应用推荐，推荐准确率高，有助于提高应用下载量，提升用户的使用体验。

Description

应用推荐方法、装置及服务器

技术领域

本发明涉及应用软件管理领域，具体而言，涉及一种应用推荐方法、装置及服务器。

背景技术

现目前，应用商店在推荐应用(Application，APP)时的常用方法是，通过计算整个应用商店中每个应用的下载量，并按照下载量对应用进行排序，然后把排序靠前的应用推荐给用户。这种基于排行榜的应用推荐方式会对所有用户或者某一类用户推荐相同的应用，忽视了不同用户对应用需求的个体差异。造成应用推荐准确度不高，用户对推荐的应用满意度不高，从而影响软件的下载量及用户的使用体验。

发明内容

有鉴于此，本发明一较佳实施例的目的在于提供一种能根据不同用户的应用需求推荐相应应用的方法，该方法包括：

根据所述历史应用列表得到所述用户的特征向量；

根据多个所述用户的特征向量训练得到应用对应的各个标签的预测模型；及

基于用户的特征向量以及所述各个标签的预测模型生成所述用户的推荐应用序列。

本发明另一较佳实施例还提供一种应用推荐装置，所述装置包括：

特征向量生成模块，用于根据用户的历史应用列表计算得到所述用户的特征向量；及

预测模型生成模块，用于根据多个所述用户的特征向量训练得到应用对应的各个标签的预测模型；及

推荐应用序列生成模块，用于基于用户的特征向量以及所述各个标签的预测模型生成所述用户的推荐应用序列。

本发明另一较佳实施例还提供一种服务器，包括存储器、处理器以及应用推荐装置。所述应用推荐装置安装或存储于所述存储器由所述处理器控制应用推荐装置各功能模块的执行。

与现有技术相比，本发明实施例提供的应用推荐方法及装置，基于用户的使用习惯构建用户的特征向量；并通过采用用户的特征向量生成所述用户的推荐应用序列。在生成用户的推荐应用序列时考虑用户之前的使用习惯，在进行应用推荐时会将与用户之前使用习惯相关性大的应用推荐给用户，从而实现不同用户之间应用的个性化推荐，推荐准确率高，有助于提高应用下载量，提升用户的使用体验。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是本发明较佳实施例提供的服务器与至少一用户终端进行通信的交互示意图。

图2是图1所示的服务器的方框示意图。

图3是本发明较佳实施例提供的图2中所示的应用推荐装置的一种功能模块框图。

图4是本发明较佳实施例提供的图2中所示的应用推荐装置的另一种功能模块框图。

图5是本发明较佳实施例提供的一种应用推荐方法的具体流程图。

图6是图5中步骤S113包括的子步骤流程示意图。

图7是本发明较佳实施例提供的另一种应用推荐方法的具体流程图。

主要元件符号说明

服务器	100
		用户终端	200
网络	300
		应用推荐装置	110
存储器	111
		处理器	112
存储控制器	113
		特征向量生成模块	1101
预测模型生成模块	1102
		推荐应用序列生成模块	1103
标签序列生成子模块	11031
		推荐应用序列生成子模块	11032
应用序列推荐模块	1104

具体实施方式

下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参照图1，是本发明较佳实施例提供的服务器100与至少一用户终端200进行通信的交互示意图。所述用户终端200可通过网络300访问服务器100，以获得服务器100提供的应用(Application，APP)推荐服务。本实施例中，所述服务器100可以是，但不限于，web(网站)服务器。所述用户终端200可以是，但不限于，智能手机、个人电脑(personalcomputer，PC)、平板电脑、个人数字助理(personal digital assistant，PDA)、移动上网设备(mobile Internet device，MID)等。所述网络300可以是，但不限于，有线网络或无线网络。

请参照图2，是图1所示的服务器100的方框示意图。所述服务器100包括应用推荐装置110、存储器111、处理器112及通信单元113。

所述存储器111、处理器112及通信单元113的各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。

其中，所述存储器111可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器111用于存储程序，所述处理器112在接收到执行指令后，执行所述程序。所述通信单元113用于通过所述网络300建立所述服务器100与所述用户终端200之间的通信连接，并用于通过所述网络300接收和发送数据。

所述应用推荐装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器111中或固化在所述服务器100的操作系统(operating system，OS)中的软件功能模块。所述处理器112用于执行所述存储器111中存储的可执行模块，例如应用推荐装置110所包括的软件功能模块及计算机程序等。本实施例中，所述应用推荐装置110为服务器100提供针对不同用户的个性化应用推荐服务，具体的方法在后续进行详细说明。

请参照图3，是本发明较佳实施例提供的图2所示应用推荐装置110的功能模块框图。所述应用推荐装置110包括特征向量生成模块1101、预测模型生成模块1102及推荐应用序列生成模块1103。

所述特征向量生成模块1101，用于根据用户的历史应用列表计算得到所述用户的特征向量。

在本实施例中，所述历史应用列表可以包括所述用户终端200的已安装应用列表、预设时间内(比如，最近一段时间)的下载应用列表、预设时间内的浏览应用列表及预设时间内的更新应用列表。

下面具体介绍所述特征向量生成模块1101根据用户的历史应用列表计算得到所述用户的特征向量的过程。

首先，所述特征向量生成模块1101计算得到历史应用列表中每个应用的分值。

所述特征向量生成模块1101获取每个用户已安装应用列表、预设时间内的下载应用列表、预设时间内的浏览应用列表及预设时间内的更新应用列表。对每个应用列表中的所有应用的分值进行计算。分值计算方法如下：

针对更新应用列表，应用的分值为：

update_app_score_i＝update_app_i×w_update；

针对浏览应用列表，应用的分值为：

view_app_score_i＝view_app_i×w_viewe；

针对下载应用列表，应用的分值为：

download_app_score_i＝download_app_i×w_download；

针对对安装应用列表，应用的分值为：

install_app_score_i＝install_app_i×w_instadll。

其中，update_app_i、view_app_i、download_app_i和install_app_i分别表示应用i的更新次数、浏览次数、下载次数和安装次数；w_update、w_view、w_download和w_install分别表示更新次数的权重、浏览次数的权重、下载次数的权重和安装次数的权重，可为预设值。

以用户i为例，用户i的应用的分值分布参照表1。

表1

所述特征向量生成模块1101为历史应用列表中每个应用赋予标签。

具体地，所述特征向量生成模块1101从应用与标签的映射表中查询应用所对应的标签，并扩展表1，为每个应用带上标签从而得到表2。

表2

所述特征向量生成模块1101计算单个用户的标签的概率分布值。

具体地，所述特征向量生成模块1101对每个用户同一标签下的应用分值进行求和，得到每一用户的各类标签分值，请参照表3。

表3

进行归一化得到该用户的标签概率分布，用户i的标签j的概率分布值表示为p(c_j|u_i)，请参照表4。

表4

所述特征向量生成模块1101计算所有用户的标签的概率分布值。

具体地，所述特征向量生成模块1101对所有用户求和统计各个标签分值，并进行归一化为所有用户的标签概率分布值，所有用户的各个标签j的概率分布值表示为p(c_j)，具体请参照表5。

标签	p(cj)
		音乐	3.03％
网购	16.16％
		社交	15.29％
.......	0.15％
		.......	0.42％
.......	0.09％
		.......	0.30％
.......	0.54％

表5

所述特征向量生成模块1101根据所述单个用户的标签的概率分布值及所有用户的标签的概率分布值得到用户的特征向量。

具体地，所述特征向量生成模块1101计算每个用户的特征向量，计算用户i的特征向量的公式为：V_i＝[v_i,1,v_i,2,...,v_i,j,...,v_i,N]，其中：N代表标签的数量。用户i的特征向量中的特征值v_i,j与标签关系请参照表6。

标签	vi,j
		社交	2.18
网购	2.06
		音乐播放	11.00

表6

在本实施例中，也可以基于用户i的特征向量V_i＝[v_i,1,v_i,2,...,v_i,j,...,v_i,N]，采用机器学习的方法重新获得新的特征向量来表征用户i的特征。

所述预测模型生成模块1102，用于根据多个所述用户的特征向量训练得到应用对应的各个标签的预测模型。

在本实施例中，所述预测模型生成模块1102先生成每个标签下应用的训练样本集，所述训练样本集生成的方法如下。

若在t天内生成的用户i的特征向量为V_i＝[v_i,1,v_i,2,...,v_i,j,...,v_i,N]，且在第t+1天下载了标签为L的应用，则该用户的训练样本数据为S_i＝[v_i,1,v_i,2,...,v_i,j,...,v_i,N,1]；否则，记为S_i＝[v_i,1,v_i,2,...,v_i,j,...,v_i,N,0]。其中，最后一个维度为训练目标。对所有用户生成训练样本，得到包括所有用户训练样本的训练样本集{S_i}。

所述预测模型生成模块1102采用决策树模型对所有用户在标签L下的训练样本集{S_i}进行训练，得到针对标签L的决策树预测模型M_L。

所述预测模型生成模块1102再针对所有标签采用上述方法进行训练，得到包括所有标签的预测模型的预测模型集{M_L}。

所述推荐应用序列生成模块1103用于基于用户的特征向量以及所述各个标签的预测模型生成所述用户的推荐应用序列。

请参照图4，在本实施例中，所述推荐应用序列生成模块1103可以包括标签序列生成子模块11031及推荐应用序列生成子模块11032。

生成所述用户的推荐应用序列的具体方式可以通过上述子模块实现，具体实现方式如下。

所述标签序列生成子模块11031用于将所述用户的特征向量分别输入到各个标签的预测模型中，得到所述用户的预测标签序列。

所述标签序列生成子模块11031将每个用户的特征向量输入到各个标签的预测模型中，得到每个用户的预测标签序列U_i＝{L_j}。

所述标签序列生成子模块11031根据每个用户的预测标签序列生成包括所有用户的预测标签序列的标签序列集。

所述推荐应用序列生成子模块11032，用于根据所述预测标签序列与所述预测标签下的应用生成所述用户的推荐应用序列。

所述推荐应用序列生成子模块11032对用户的预测标签序列进行排序。在本实施例中，按照用户对标签的基尼值(gini值)大小对该预测标签序列中的各个标签进行排序。具体地，可以按照基尼值从小到大进行排序。

所述推荐应用序列生成子模块11032对标签下所有应用进行排序，得到该标签下应用的推荐序列。在本实施例中，对标签下所有应用按照在预设时间内的下载次数进行排序，具体地可以按照推荐序列中应用的下载次数从大到小进行排序。

所述推荐应用序列生成子模块11032根据每个用户的预测标签序列中各标签的序列号及各标签下应用的推荐序列号，得到每个用户的推荐应用序列。

在本实施例中，所述推荐应用序列生成子模块11032对所述预测标签序列中的各个标签进行排序；和对各个标签下所有应用进行排序。根据每个用户的预测标签序列中各个标签的排序及各个标签下的应用的排序，计算得到每个用户的推荐应用序列。

具体地，所述推荐应用序列生成子模块11032计算得到每个用户的推荐应用序列的方式为：将每个用户的预测标签序列中各标签的序列号及各标签下应用的推荐序列号相乘，并根据乘积对应用排序(如采用升序方式进行排序)，得到该用户的推荐应用序列。

所述推荐应用序列生成子模块11032还根据每个用户的推荐应用序列生成包括所有用户的推荐应用序列的推荐应用序列集。

请再次参照图4，在本实施例中，所述应用推荐装置110还可以包括应用序列推荐模块1104，所述应用序列推荐模块1104用于在用户访问应用商店时，将所述用户的推荐应用序列中的应用推荐给所述用户。

具体地，应用序列推荐模块1104可以将所述推荐应用序列中排列靠前(比如，排名前三)的应用推荐给用户，以供用户进行选择下载。

请参照图5，是本发明较佳实施例提供的应用于图2所示服务器100的信息复制方法的流程图。所述方法相关的流程定义的方法步骤可以由所述处理器113实现。下面对图5所示的具体流程进行详细阐述。

步骤S111，根据用户的历史应用列表计算得到所述用户的特征向量。

在本实施例中，所述历史应用列表包括已安装应用列表、预设时间内的下载应用列表、预设时间内的浏览应用列表及预设时间内的更新应用列表。

所述步骤S111包括：计算得到历史应用列表中每个应用的分值；为历史应用列表中每个应用赋予标签；计算单个用户的标签的概率分布值；计算所有用户的标签的概率分布值；及根据所述单个用户的标签的概率分布值及所有用户的标签的概率分布值得到用户的特征向量。

上述步骤S111所描述的过程可以由特征向量生成模块1101执行并实现。

步骤S112，根据多个所述用户的特征向量训练得到应用对应的各个标签的预测模型。

具体地，步骤S112包括：生成每个标签下应用的训练样本集。对所述训练样本集采用决策树模型进行训练得到每个标签的预测模型，并根据每个标签的预测模型生成包括所有标签的预测模型的预测模型集。

上述步骤S112所描述的过程可以由预测模型生成模块1102执行并实现。

步骤S113，基于用户的特征向量以及所述各个标签的预测模型生成所述用户的推荐应用序列。

请参照图6，在本实施例中，所述步骤S113可以包括子步骤S1131及子步骤S1132。

子步骤S1131，将所述用户的特征向量分别输入到各个标签的预测模型中，得到所述用户的预测标签序列。

上述子步骤S1131所描述的过程可以由标签序列生成子模块11031执行并实现。

子步骤S1132，根据所述预测标签序列与所述预测标签下的应用生成所述用户的推荐应用序列。

具体地，所述子步骤S1132包括：对所述预测标签序列中的各个标签进行排序；对各个标签下所有应用进行排序；及根据每个用户的预测标签序列中各个标签的排序及各个标签下的应用的排序，计算得到每个用户的推荐应用序列。其中，在所述预测标签序列中标签按照所述用户对标签的基尼值大小进行排序。

其中，计算得到每个用户的推荐应用序列的步骤可以包括：根据每个用户的预测标签序列中各标签的序列号及各标签下应用的推荐序列号，得到每个用户的推荐应用序列。

上述子步骤S1132所描述的过程可以由推荐应用序列生成子模块11032执行并实现。

请参照图7，在本实施例中，所述应用推荐方法还可以包括步骤S114。

步骤S114，在用户访问应用商店时，将所述用户的推荐应用序列中的应用推荐给所述用户。

具体地，服务器100可以将所述推荐应用序列中排列靠前(比如，排名前三)的应用推荐给用户，以供用户进行选择下载。

上述步骤S114所描述的过程可以由应用序列推荐模块1104执行并实现。

综上所述，本发明实施例提供的应用推荐方法及装置，基于用户的使用习惯构建用户的特征向量；并通过采用用户的特征向量对应用所对应的标签进行训练得到标签的预测模型集；再根据所述用户的特征向量和标签的预测模型集得到预测标签序列集；最后根据预测标签序列集生成所有用户的推荐应用序列集。在生成用户的推荐应用序列时考虑了用户之前的使用习惯，在进行应用推荐时会将与用户之前使用习惯相关性大的应用推荐给用户，从而实现不同用户之间应用的个性化推荐，推荐准确率高，有助于提高应用下载量，提升用户的使用体验。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，也可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

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、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (19)

1.一种应用推荐方法，其特征在于，应用于服务器，所述方法包括：

根据用户的历史应用列表计算得到所述用户的特征向量；

根据多个所述用户的特征向量训练得到应用对应的各个标签的预测模型；及

基于用户的特征向量以及所述各个标签的预测模型生成所述用户的推荐应用序列。

2.如权利要求1所述的应用推荐方法，其特征在于，所述基于用户的特征向量以及所述各个标签的预测模型生成所述用户的推荐应用序列的步骤包括：

将所述用户的特征向量分别输入到各个标签的预测模型中，得到所述用户的预测标签序列；及

根据所述预测标签序列与所述预测标签下的应用生成所述用户的推荐应用序列。

3.如权利要求2所述的应用推荐方法，其特征在于，所述根据所述预测标签序列与所述预测标签下的应用生成所述用户的推荐应用序列的步骤包括：

对所述预测标签序列中的各个标签进行排序；

对各个标签下所有应用进行排序；及

根据每个用户的预测标签序列中各个标签的排序及各个标签下的应用的排序，计算得到每个用户的推荐应用序列。

4.如权利要求3所述的应用推荐方法，其特征在于，对所述预测标签序列中的各个标签按照所述用户对标签的基尼值大小进行排序。

5.如权利要求3所述的应用推荐方法，其特征在于，所述根据每个用户的预测标签序列中各个标签的排序及各个标签下的应用的排序，计算得到每个用户的推荐应用序列的步骤包括：

根据每个用户的预测标签序列中各标签的序列号及各标签下应用的推荐序列号，得到每个用户的推荐应用序列。

6.如权利要求2所述的应用推荐方法，其特征在于，还包括：

在用户访问应用商店时，将所述用户的推荐应用序列中的应用推荐给所述用户。

7.如权利要求1所述的应用推荐方法，其特征在于，所述根据用户的历史应用列表计算得到所述用户的特征向量的步骤包括：

计算得到历史应用列表中每个应用的分值；

为历史应用列表中每个应用赋予标签；

计算单个用户的标签的概率分布值；

计算所有用户的标签的概率分布值；及

根据所述单个用户的标签的概率分布值及所有用户的标签的概率分布值得到用户的特征向量。

8.如权利要求7所述的应用推荐方法，其特征在于，所述历史应用列表包括已安装应用列表、预设时间内的下载应用列表、预设时间内的浏览应用列表及预设时间内的更新应用列表。

9.如权利要求1所述的应用推荐方法，其特征在于，所述根据多个所述用户的特征向量训练得到应用对应的各个标签的预测模型的步骤包括：

生成每个标签下应用的训练样本集；

对所述训练样本集采用决策树模型进行训练得到每个标签的预测模型，并根据每个标签的预测模型生成包括所有标签的预测模型的预测模型集。

10.一种应用推荐装置，其特征在于，应用于服务器，所述装置包括：

特征向量生成模块，用于根据用户的历史应用列表计算得到所述用户的特征向量；

预测模型生成模块，用于根据多个所述用户的特征向量训练得到应用对应的各个标签的预测模型；及

推荐应用序列生成模块，用于基于用户的特征向量以及所述各个标签的预测模型生成所述用户的推荐应用序列。

11.如权利要求10所述的应用推荐装置，其特征在于，所述推荐应用序列生成模块包括：

标签序列生成子模块，用于将所述用户的特征向量分别输入到各个标签的预测模型中，得到所述用户的预测标签序列；及

推荐应用序列生成子模块，用于根据所述预测标签序列与所述预测标签下的应用生成所述用户的推荐应用序列。

12.如权利要求11所述的应用推荐装置，其特征在于，所述推荐应用序列生成子模块采用以下方法得到每个用户的推荐应用序列：

对所述预测标签序列中的各个标签进行排序；

对各个标签下所有应用进行排序；及

根据每个用户的预测标签序列中各个标签的排序及各个标签下的应用的排序，计算得到每个用户的推荐应用序列。

13.如权利要求12所述的应用推荐装置，其特征在于：

所述推荐应用序列生成子模块对所述预测标签序列中的各个标签按照所述用户对标签的基尼值大小进行排序。

14.如权利要求12所述的应用推荐装置，其特征在于：

所述推荐应用序列生成子模块根据每个用户的预测标签序列中各标签的序列号及各标签下应用的推荐序列号，得到每个用户的推荐应用序列。

15.如权利要求11所述的应用推荐装置，其特征在于，所述装置还包括：

应用序列推荐模块，用于在用户访问应用商店时，将所述用户的推荐应用序列中的应用推荐给所述用户。

16.如权利要求10所述的应用推荐装置，其特征在于，所述特征向量生成模块通过以下方法得到所述用户的特征向量：

计算得到历史应用列表中每个应用的分值；

为历史应用列表中每个应用赋予标签；

计算单个用户的标签的概率分布值；

计算所有用户的标签的概率分布值；及

根据所述单个用户的标签的概率分布值及所有用户的标签的概率分布值得到用户的特征向量。

17.如权利要求16所述的应用推荐装置，其特征在于，所述历史应用列表包括已安装应用列表、预设时间内的下载应用列表、预设时间内的浏览应用列表及预设时间内的更新应用列表。

18.如权利要求10所述的应用推荐装置，其特征在于：所述预测模型生成模块通过以下方法得到预测模型：

生成每个标签下应用的训练样本集；

对所述训练样本集采用决策树模型进行训练得到每个标签的预测模型，并根据每个标签的预测模型生成包括所有标签的预测模型的预测模型集。

19.一种服务器，其特征在于，包括：

存储器；

处理器；及

应用推荐装置，所述装置安装于所述存储器中并包括一个或多个由所述处理器执行的软件功能模块，所述装置包括：

特征向量生成模块，根据用户的历史应用列表计算得到所述用户的特征向量；

预测模型生成模块，用于根据多个所述用户的特征向量训练得到应用对应的各个标签的预测模型；及

推荐应用序列生成模块，用于基于用户的特征向量以及所述各个标签的预测模型生成所述用户的推荐应用序列。