CN109472312A - 应用程序评估方法、装置、计算机设备及存储介质 - Google Patents
应用程序评估方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109472312A CN109472312A CN201811353142.0A CN201811353142A CN109472312A CN 109472312 A CN109472312 A CN 109472312A CN 201811353142 A CN201811353142 A CN 201811353142A CN 109472312 A CN109472312 A CN 109472312A
- Authority
- CN
- China
- Prior art keywords
- application program
- assessed
- score
- value
- assessment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012360 testing method Methods 0.000 claims abstract description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 59
- 238000011056 performance test Methods 0.000 claims description 57
- 238000006243 chemical reaction Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000003064 k means clustering Methods 0.000 claims description 20
- 238000013139 quantization Methods 0.000 claims description 20
- 230000008676 import Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101150053844 APP1 gene Proteins 0.000 description 1
- 101100055496 Arabidopsis thaliana APP2 gene Proteins 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 101100189105 Homo sapiens PABPC4 gene Proteins 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 102100039424 Polyadenylate-binding protein 4 Human genes 0.000 description 1
- 101100016250 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GYL1 gene Proteins 0.000 description 1
- 102100038359 Xaa-Pro aminopeptidase 3 Human genes 0.000 description 1
- 101710081949 Xaa-Pro aminopeptidase 3 Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Stored Programmes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了应用程序评估方法、装置、计算机设备及存储介质。方法包括：若接收到用户所输入的评估请求信息，以评估请求信息中待评估应用程序的类型信息作为目标类型获取预设应用程序信息库中该目标类型所包含的竞品应用程序；将竞品应用程序的指标信息作为所述待评估应用程序的参考值输入预设的价值评估模型；根据所述价值评估模型对评估请求信息中待评估应用程序的指标信息进行计算以得到待评估应用程序的价值得分；根据预设趋势判断模型对所述历史价值得分进行判断以得到待评估应用程序的未来趋势信息。本发明基于对比测试技术，能够更加从多个角度客观地评估应用程序的整体价值，以实现准确、全面地对应用程序进行评估。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种应用程序评估方法、装置、计算机设备及存储介质。
背景技术
市面上可供用户进行选择并安装于手机等终端设备的应用程序数量十分庞大，现有技术方法均是根据用户对相应应用程序的评分或用户使用过程中的用户体验对该应用程序的优劣进行评价，然而通过用户的评分进行评价均包含个人主观因素，且仅通过应用程序的用户体验对应用程序进行评价所得到的结果也非常不全面，从而无法准确地反映应用程序的整体价值。因而现有的技术方法存在无法准确、全面地对应用程序进行价值评估的问题。
发明内容
本发明实施例提供了一种应用程序评估方法、装置、计算机设备及存储介质，旨在解决现有技术中所存在的无法准确、全面地对应用程序进行评估的问题。
第一方面，本发明实施例提供了一种应用程序评估方法，其包括：
若接收到用户所输入的评估请求信息，以评估请求信息中待评估应用程序的类型信息作为目标类型获取预设应用程序信息库中该目标类型所包含的竞品应用程序；
将竞品应用程序的指标信息作为所述待评估应用程序的参考值输入预设的价值评估模型；
根据所述价值评估模型对评估请求信息中待评估应用程序的指标信息进行计算以得到待评估应用程序的价值得分；
将待评估应用程序进行多次评估所得到的多个价值得分作为历史价值得分，根据预设趋势判断模型对所述历史价值得分进行判断以得到待评估应用程序的未来趋势信息。
第二方面，本发明实施例提供了一种应用程序评估装置，其包括：
竞品应用程序获取单元，用于若接收到用户所输入的评估请求信息，以评估请求信息中待评估应用程序的类型信息作为目标类型获取预设应用程序信息库中该目标类型所包含的竞品应用程序；
参考值输入单元，用于将竞品应用程序的指标信息作为所述待评估应用程序的参考值输入预设的价值评估模型；
价值得分获取单元，用于根据所述价值评估模型对评估请求信息中待评估应用程序的指标信息进行计算以得到待评估应用程序的价值得分；
趋势预测单元，用于将待评估应用程序进行多次评估所得到的多个价值得分作为历史价值得分，根据预设趋势判断模型对所述历史价值得分进行判断以得到待评估应用程序的未来趋势信息。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的应用程序评估方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的应用程序评估方法。
本发明实施例提供了一种应用程序评估方法、装置、计算机设备及存储介质。通过获取与待评估应用程序同类型的竞品应用程序，并以竞品应用程序的指标信息作为待评估应用程序的参数值，计算得到待评估应用程序的价值得分及未来趋势信息，能够更加从多个角度客观地评估应用程序的整体价值，以实现准确、全面地对应用程序进行评估。
附图说明
为了更清楚地说明本发明实施例技术方案，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为本发明实施例提供的应用程序评估方法的流程示意图；
图2为本发明实施例提供的应用程序评估方法的子流程示意图；
图3为本发明实施例提供的应用程序评估方法的另一子流程示意图；
图4为本发明实施例提供的应用程序评估方法的另一子流程示意图；
图5为本发明实施例提供的应用程序评估方法的另一流程示意图；
图6为本发明实施例提供的应用程序评估装置的示意性框图；
图7为本发明实施例提供的应用程序评估装置的子单元示意性框图；
图8为本发明实施例提供的应用程序评估装置的另一子单元示意性框图；
图9为本发明实施例提供的应用程序评估装置的另一子单元示意性框图；
图10为本发明实施例提供的应用程序评估装置的另一示意性框图；
图11为本发明实施例提供的计算机设备的示意性框图。
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做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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1是本发明实施例提供的应用程序评估方法的流程示意图。该应用程序评估方法应用于用户终端中，该方法通过安装于用户终端中的应用软件进行执行，其中，用户终端是具有执行应用软件功能的终端设备，例如台式电脑、笔记本电脑、平板电脑或手机等。
如图1所示，该方法包括步骤S110～S140。
S110、若接收到用户所输入的评估请求信息，以评估请求信息中待评估应用程序的类型信息作为目标类型获取预设应用程序信息库中该目标类型所包含的竞品应用程序。
若接收到用户所输入的评估请求信息，获取评估请求信息中待评估应用程序的类型信息并以该待评估应用程序的类型信息作为目标类型获取预设应用程序信息库中该目标类型所包含的竞品应用程序。为实现对待评估应用程序进行更加全面的价值评估，需通过与待评估应用程序同一类型的多个应用程序作为竞品应用程序，以作为待评估应用程序的参考值。评估请求信息中包含待评估应用程序的类型信息、名称信息、指标信息等。
其中，应用程序信息库中包含海量的不同类型的应用程序，每一个应用程序均包含相应的指标信息，指标信息即是从多个不同指标获取到的该应用程序各指标值的信息。待评估应用程序即是用户所输入的需进行价值评估的应用程序，应用程序(App)即是安装于手机、平板电脑等终端设备中的软件程序，类型信息即是相应应用程序中所添加的用于对应用程序进行分类的信息，竞品应用程序即是与待评估应用程序同一类型的其他应用程序，每一类型中包含有多个应用程序，用户输入一个待评估应用程序后，根据待评估应用程序的类型信息获取相应类型中所包含的所有应用程序，则将该类型中其他应用程序则为该待评估应用程序的竞品应用程序。
具体的，类型信息中具体包含的类型为聊天社交、图书阅读、时尚购物、摄影摄像、旅游交通、金融理财、保险服务等。
S120、将竞品应用程序的指标信息作为所述待评估应用程序的参考值输入预设的价值评估模型。
将竞品应用程序的指标信息输入预设的价值评估模型，以将竞品应用程序的指标信息作为待评估应用程序的参考值。具体的，所述价值评估模型即是用于对应用程序的价值进行评估计算的模型。应用程序的指标信息中具体包含的指标为所属类型中的月活跃用户量排名、月人均使用次数、月人均使用时长、硬件负载占比、新增用户转客户比率、新增客户转用户比率等等。在对应用程序的价值进行评估计算的过程中，可对应用程序的多个指标进行评估计算得到每一个指标对应的得分，对所得到的多个指标的得分进行综合最终得出该应用程序的价值得分。
例如，某一应用程序的指标信息具体如表1中所示。
| 应用程序名称 | ABC |
| 所属类型中的月活跃用户量排名 | 3 |
| 月人均使用次数 | 179 |
| 月人均使用时长(分钟) | 833 |
| 硬件负载占比 | 8.30％ |
| 新增用户转客户比率 | 63％ |
| 新增客户转用户比率 | 47％ |
表1
在一实施例中，如图2所示，步骤S120包括子步骤S121、S122、S123及S124。
S121、通过价值评估模型中的K-means聚类算法对所有竞品应用程序的月人均使用次数进行聚类以得到多个次数聚类区间。
通过价值评估模型中的K-means聚类算法对所有竞品应用程序的月人均使用次数进行聚类以得到多个次数聚类区间。具体的，在K-means聚类算法中设置最终所需得到的次数聚类区间数量为K，根据K的数值对所有竞品应用程序的月人均使用次数进行聚类，得到K个次数聚类区间。
例如，在K-means聚类算法中设置K＝5，则最终得到5个次数聚类区间以及每一个次数聚类区间所包含的质心。
每一个次数聚类区间中包含一个质心，其中，质心即是该次数聚类区间中的中心点，质心的值即是该次数聚类区间中所有竞品应用程序的月人均使用次数的中心值，次数聚类区间所包含区间范围的两个端点即是相邻两个次数聚类区间质心的平均值。
例如，第一个次数聚类区间的质心为20，第二个次数聚类区间的质心为53，第三个次数聚类区间的质心为86，则第二个次数聚类区间所包含区间范围的两个端点分别为(20+53)/2和(53+86)/2，也即是36.5和69.5。
S122、通过价值评估模型中的K-means聚类算法对所有竞品应用程序的月人均使用时长进行聚类以得到多个时长聚类区间。
通过价值评估模型中的K-means聚类算法对所有竞品应用程序的月人均使用时长进行聚类以得到多个时长聚类区间。具体的，在K-means聚类算法中设置最终所需得到的时长聚类区间数量为K，根据K的数值对所有竞品应用程序的月人均使用时长进行聚类，得到K个时长聚类区间。
每一个时长聚类区间中包含一个质心，其中，质心即是该时长聚类区间中的中心点，质心的值即是该时长聚类区间中所有竞品应用程序的月人均使用时长的中心值，时长聚类区间所包含区间范围的两个端点即是相邻两个时长聚类区间质心的平均值。
S123、将所有竞品应用程序的硬件负载占比输入价值评估模型以构建得到性能测试基准池。
将所有竞品应用程序的硬件负载占比输入价值评估模型以构建得到性能测试基准池。其中，性能测试基准池即是通过竞品应用程序的硬件负载占比所构建得到的性能测试的基准信息。性能测试基准池中包括硬件负载平均值、性能分级步长，具体的，硬件负载平均值即是性能测试基准池中所有竞品应用程序的硬件负载占比的平均值，性能分级步长即是对应用程序的性能测试得分进行计算时每一级得分之间所间隔的硬件负载占比数值，性能分级步长的计算公式为H＝(A-B)/N，其中，A为性能测试基准池中硬件负载占比的最大值，B为性能测试基准池中硬件负载占比的最小值，N为分级数。
例如，根据所有竞品应用程序的硬件负载占比所构建得到的某一性能测试基准池如表2所示。
| 名称 | 硬件负载占比 |
| APP1 | 20.00％ |
| APP2 | 16.50％ |
| APP3 | 22.00％ |
| APP4 | 14.70％ |
| APP5 | 14.00％ |
| APP6 | 13.90％ |
| APP7 | 15.20％ |
| APP8 | 13.00％ |
| APP9 | 13.80％ |
| APP10 | 4.80％ |
| 硬件负载平均值 | 13.45％ |
| 性能分级步长 | 3.44％ |
表2
如表2中所示，性能测试基准池中硬件负载占比的最大值A＝22.00％，性能测试基准池中硬件负载占比的最小值B＝4.80％，若分级数N为5，则性能分级步长H＝(22％-4.8％)/5＝3.44％。
S124、将所有竞品应用程序的新增用户转客户比率、新增客户转用户比率输入价值评估模型以构建得到运营评估基准池。
将所有竞品应用程序的新增用户转客户比率、新增客户转用户比率输入价值评估模型，以构建得到运营评估基准池。其中，运营评估基准池即是通过竞品应用程序的新增用户转客户比率及新增客户转用户比率所构建得到的运营评估的基准信息，对运营评估基准池的构建方法与性能测试基准池的构建方法相同。运营评估基准池中包括转化比率平均值、运营分级步长，具体的，转化比率平均值即是运营评估基准池中所有竞品应用程序的新增用户转客户比率及新增客户转用户比率之和的平均值，运营分级步长即是对应用程序的运营得分进行计算时每一级得分之间所间隔的硬件转化比率数值。
S130、根据所述价值评估模型对评估请求信息中待评估应用程序的指标信息进行计算以得到待评估应用程序的价值得分。
根据所述价值评估模型对评估请求信息中待评估应用程序的指标信息进行计算，以得到待评估应用程序的价值得分。其中，应用程序的价值得分包括下载量得分、使用频率得分、性能测试得分、运营得分，下载量得分即是用于对应用程序在所属类型中的月活跃用户量进行评分所得到的得分信息，使用频率得分即是用于对应用程序的使用评率进行评分所得到的得分信息，性能测试得分即是用于对应用程序的硬件负载占比进行评分后所得到的得分信息，运营得分即是用于对应用程序的运营状态进行评分后所得到的得分信息。
在一实施例中，如图3所示，步骤S130包括子步骤S131、S132、S133及S134。
S131、根据所述价值评估模型中的下载量得分映射关系对待评估应用程序在所属类型中的月活跃用户量排名进行映射以得到待评估应用程序的下载量得分。
根据所述价值评估模型中的下载量得分映射关系对待评估应用程序在所属类型中的月活跃用户量进行映射以得到待评估应用程序的下载量得分。其中，下载量得分映射关系即是用于对待评估应用程序在所属类型中的月活跃用户量进行映射以得到下载量得分的映射关系信息。具体的，所属下载量得分映射关系为排名位于1-2名所映射的下载量得分为5分，排名位于3-5名所映射的下载量得分为4分，排名位于6-10名所映射的下载量得分为3分，位于排名后70％的应用程序所映射的下载量得分为1分，排名位于其余位置所映射的下载量得分为2分。
例如，如表1中所示的待评估应用程序在所属类型中的月活跃用户量为第3名，则根据下载量得分映射关系进行映射所得到的下载量得分为4分。
S132、根据所述价值评估模型中的多个次数聚类区间及多个时长聚类区间与待评估应用程序进行匹配以获取待评估应用程序的使用频率得分。
根据所述价值评估模型中的多个次数聚类区间及多个时长聚类区间与待评估应用程序进行匹配以获取待评估应用程序的使用频率得分。具体的，价值评估模型中的每一个次数聚类区间与一个使用次数得分相对应，每一个时长聚类区间与一个使用时长得分相对应，根据待评估应用程序的月人均使用次数及月人均使用时长分别与次数聚类区间及长聚类区间进行匹配，即可得到待评估应用程序所对应的使用次数得分及使用时长得分，取该待评估应用程序使用次数得分及使用时长得分的平均值即为使用频率得分。
在一实施例中，如图4所示，步骤S132包括子步骤S1321、S1322及S1323。
S1321、根据待评估应用程序的月人均使用次数与多个次数聚类区间进行匹配以得到与待评估应用程序相对应的目标次数聚类区间。
通过将待评估应用程序的月人均使用次数与多个次数聚类区间进行匹配，即可得到与待评估应用程序相对应的目标次数聚类区间。
S1322、根据待评估应用程序的月人均使用时长与多个时长聚类区间进行匹配以得到与待评估应用程序相对应的时长聚类区间。
通过将待评估应用程序的月人均使用时长与多个时长聚类区间进行匹配，即可得到与待评估应用程序相对应的目标时长聚类区间。
S1323、根据价值评估模型中得分区间信息获取与目标次数聚类区间的使用次数得分以及目标时长聚类区间的使用时长得分，取使用次数得分及使用时长得分的平均值作为该待评估应用程序的使用频率得分。
根据价值评估模型中得分区间信息获取目标次数聚类区间的使用次数得分以及目标时长聚类区间的使用时长得分，取使用次数得分及使用时长得分的平均值作为该待评估应用程序的使用频率得分。在价值评估模型的得分区间信息中每一个次数聚类区间与一个使用次数得分相对应，每一个时长聚类区间与一个使用时长得分相对应，根据得分区间信息即可获取目标次数聚类区间的使用次数得分，以及目标时长聚类区间的使用时长得分，取该待评估应用程序使用次数得分及使用时长得分的平均值即为使用频率得分。
S133、根据公式Fc＝3+(Cx-Cd)/Cs计算得到待评估应用程序的性能测试得分，其中，Cx为性能测试基准池中的硬件负载平均值，Cd为待评估应用程序的硬件负载占比，Cs为性能测试基准池中的性能分级步长。
根据公式Fc＝3+(Cx-Cd)/Cs计算得到待评估应用程序的性能测试得分，其中，Cx为性能测试基准池中的硬件负载平均值，Cd为待评估应用程序的硬件负载占比，Cs为性能测试基准池中的性能分级步长。
例如，将表1中所示的应用程序作为待评估应用程序，采用表2中的性能测试基准池结合上述计算公式计算得到待评估应用程序的性能测试得分Fc＝3+(13.45-8.30)/3.44＝4.50。
S134、根据公式Fv＝3+(Vx-Vd)/Vs计算得到待评估应用程序的运营得分，其中，Vx为运营评估基准池中的转化比率平均值，Vd为待评估应用程序中新增用户转客户比率与新增客户转用户比率的平均值，Vs为运营评估基准池中的运营分级步长。
根据公式Fv＝3+(Vx-Vd)/Vs计算得到待评估应用程序的运营得分，其中，Vx为运营评估基准池中的转化比率平均值，Vd为待评估应用程序中新增用户转客户比率与新增客户转用户比率的平均值，Vs为运营评估基准池中的运营分级步长。具体计算过程与性能测试得分的计算过程相同。
例如，将表1中所示的应用程序作为待评估应用程序，则计算得到Vd＝(63％+47％)/2＝55％，通过公式Fv＝3+(Vx-Vd)/Vs结合类似性能测试得分的计算方法即可计算得到待评估应用程序的运营得分。
在一实施例中，如图5所示，步骤S130之后还包括步骤S130a和S130b。
S130a、根据所述价值评估模型对竞品应用程序的指标信息进行计算以得到所有竞品应用程序的价值得分。
根据上述方法可对所有竞品应用程序的指标信息进行逐一评估，以得到所有竞品应用程序的价值得分。具体的方法为，将某一竞品应用程序作为待评估竞品应用程序，将与该待评估竞品应用程序所对应类型中其他应用程序作为该待评估竞品应用程序的竞品应用程序，依照上述方法对该待评估竞品应用程序进行计算即可得到对应的价值得分，将剩余竞品应用程序输入所述价值评估模型并执行上述方法即可得到剩余竞品应用程序的价值得分，继而得到所有竞品应用程序的价值得分。
S130b、根据所有竞品应用程序中每一竞品应用程序的价值得分与待评估应用程序的价值得分进行量化对比以得到待评估应用程序的量化对比结果。
由于应用程序的指标信息之间无法进行量化对比，因此可通过价值评估模型分别获取所有竞品应用程序的价值得分及待评估应用程序的价值得分，即可实现对竞品应用程序及待评估应用程序进行量化对比并得到量化对比结果。具体的，通过待评估应用程序价值得分中的下载量得分、使用频率得分、性能测试得分、运营得分依次与每一个竞品应用程序的价值得分进行量化对比，即可得到待评估应用程序在下载量、使用频率、性能、运营四个方面与每一竞品应用程序之间的优劣，也即是得到待评估应用程序的量化对比结果。
S140、将待评估应用程序进行多次评估所得到的多个价值得分作为历史价值得分，根据预设趋势判断模型对所述历史价值得分进行判断以得到待评估应用程序的未来趋势信息。
根据预设趋势判断模型对待评估应用程序的历史价值得分进行判断以获取待评估应用程序的未来趋势信息。其中，历史价值得分即是待评估应用程序在一定时间段内多次进行评价所得到的多期价值得分。具体的，对待评估应用程序历史价值得分中所有下载量得分及使用频率得分的平均值进行计算以得到第一趋势计算值，对待评估应用程序历史价值得分中能测试得分和运营得分的平均值进行计算以得到多个第二趋势计算值；对第一趋势计算值是否大于3进行判断，通过趋势判断模型中的散点趋势线计算公式计算多个第二趋势计算值的趋势线，并对该趋势线的趋势是否向上进行判断。若第一趋势计算值大于3且趋势线的趋势为向上，则得到待评估应用程序的未来趋势信息为向上发展；若第一趋势计算值不大于3且趋势线的趋势为向下，则得到待评估应用程序的未来趋势信息为向下发展；其他情况下，则得到待评估应用程序的未来趋势信息为平稳发展。
其中，所述散点趋势线计算公式计算为:y＝ax+b， n为历史价值得分中所包含价值得分的数量，qi为历史价值得分中第i个价值得分，为历史价值得分中所有价值得分的平均值。
通过获取与待评估应用程序同类型的竞品应用程序，并以竞品应用程序的指标信息作为待评估应用程序的参数值，计算得到待评估应用程序的价值得分及未来趋势信息，能够更加从多个角度客观地评估应用程序的整体价值，以实现准确、全面地对应用程序进行评估。
本发明实施例还提供一种应用程序评估装置，该应用程序评估装置用于执行前述应用程序评估方法的任一实施例。具体地，请参阅图6，图6是本发明实施例提供的应用程序评估装置的示意性框图。该应用程序评估装置100可以配置于用户终端中。
如图6所示，应用程序评估装置100包括竞品应用程序获取单元110、参考值输入单元120、价值得分获取单元130、趋势预测单元140。
竞品应用程序获取单元110，用于若接收到用户所输入的评估请求信息，以评估请求信息中待评估应用程序的类型信息作为目标类型获取预设应用程序信息库中该目标类型所包含的竞品应用程序。
若接收到用户所输入的评估请求信息，获取评估请求信息中待评估应用程序的类型信息并以该待评估应用程序的类型信息作为目标类型获取预设应用程序信息库中该目标类型所包含的竞品应用程序。为实现对待评估应用程序进行更加全面的价值评估，需通过与待评估应用程序同一类型的多个应用程序作为竞品应用程序，以作为待评估应用程序的参考值。评估请求信息中包含待评估应用程序的类型信息、名称信息、指标信息等。
其中，应用程序信息库中包含海量的不同类型的应用程序，每一个应用程序均包含相应的指标信息，指标信息即是从多个不同指标获取到的该应用程序各指标值的信息。待评估应用程序即是用户所输入的需进行价值评估的应用程序，应用程序(App)即是安装于手机、平板电脑等终端设备中的软件程序，类型信息即是相应应用程序中所添加的用于对应用程序进行分类的信息，竞品应用程序即是与待评估应用程序同一类型的其他应用程序，每一类型中包含有多个应用程序，用户输入一个待评估应用程序后，根据待评估应用程序的类型信息获取相应类型中所包含的所有应用程序，则将该类型中其他应用程序则为该待评估应用程序的竞品应用程序。
具体的，类型信息中具体包含的类型为聊天社交、图书阅读、时尚购物、摄影摄像、旅游交通、金融理财、保险服务等。
参考值输入单元120，用于将竞品应用程序的指标信息作为所述待评估应用程序的参考值输入预设的价值评估模型。
将竞品应用程序的指标信息输入预设的价值评估模型，以将竞品应用程序的指标信息作为待评估应用程序的参考值。具体的，所述价值评估模型即是用于对应用程序的价值进行评估计算的模型。应用程序的指标信息中具体包含的指标为所属类型中的月活跃用户量排名、月人均使用次数、月人均使用时长、硬件负载占比、新增用户转客户比率、新增客户转用户比率等等。在对应用程序的价值进行评估计算的过程中，可对应用程序的多个指标进行评估计算得到每一个指标对应的得分，对所得到的多个指标的得分进行综合最终得出该应用程序的价值得分。
其他发明实施例中，如图7所示，所述参考值输入单元120包括子单元：第一聚类单元121、第二聚类单元122、第一基准池构建单元123及第二基准池构建单元124。
第一聚类单元121，用于通过价值评估模型中的K-means聚类算法对所有竞品应用程序的月人均使用次数进行聚类以得到多个次数聚类区间。
通过价值评估模型中的K-means聚类算法对所有竞品应用程序的月人均使用次数进行聚类以得到多个次数聚类区间。具体的，在K-means聚类算法中设置最终所需得到的次数聚类区间数量为K，根据K的数值对所有竞品应用程序的月人均使用次数进行聚类，得到K个次数聚类区间。
每一个次数聚类区间中包含一个质心，其中，质心即是该次数聚类区间中的中心点，质心的值即是该次数聚类区间中所有竞品应用程序的月人均使用次数的中心值，次数聚类区间所包含区间范围的两个端点即是相邻两个次数聚类区间质心的平均值。
第二聚类单元122，用于通过价值评估模型中的K-means聚类算法对所有竞品应用程序的月人均使用时长进行聚类以得到多个时长聚类区间。
通过价值评估模型中的K-means聚类算法对所有竞品应用程序的月人均使用时长进行聚类以得到多个时长聚类区间。具体的，在K-means聚类算法中设置最终所需得到的时长聚类区间数量为K，根据K的数值对所有竞品应用程序的月人均使用时长进行聚类，得到K个时长聚类区间。
每一个时长聚类区间中包含一个质心，其中，质心即是该时长聚类区间中的中心点，质心的值即是该时长聚类区间中所有竞品应用程序的月人均使用时长的中心值，时长聚类区间所包含区间范围的两个端点即是相邻两个时长聚类区间质心的平均值。
第一基准池构建单元123，用于将所有竞品应用程序的硬件负载占比输入价值评估模型以构建得到性能测试基准池。
将所有竞品应用程序的硬件负载占比输入价值评估模型以构建得到性能测试基准池。其中，性能测试基准池即是通过竞品应用程序的硬件负载占比所构建得到的性能测试的基准信息。性能测试基准池中包括硬件负载平均值、性能分级步长，具体的，硬件负载平均值即是性能测试基准池中所有竞品应用程序的硬件负载占比的平均值，性能分级步长即是对应用程序的性能测试得分进行计算时每一级得分之间所间隔的硬件负载占比数值，性能分级步长的计算公式为H＝(A-B)/N，其中，A为性能测试基准池中硬件负载占比的最大值，B为性能测试基准池中硬件负载占比的最小值，N为分级数。
第二基准池构建单元124，用于将所有竞品应用程序的新增用户转客户比率、新增客户转用户比率输入价值评估模型以构建得到运营评估基准池。
将所有竞品应用程序的新增用户转客户比率、新增客户转用户比率输入价值评估模型，以构建得到运营评估基准池。其中，运营评估基准池即是通过竞品应用程序的新增用户转客户比率及新增客户转用户比率所构建得到的运营评估的基准信息，对运营评估基准池的构建方法与性能测试基准池的构建方法相同。运营评估基准池中包括转化比率平均值、运营分级步长，具体的，转化比率平均值即是运营评估基准池中所有竞品应用程序的新增用户转客户比率及新增客户转用户比率之和的平均值，运营分级步长即是对应用程序的运营得分进行计算时每一级得分之间所间隔的硬件转化比率数值。
价值得分获取单元130，用于根据所述价值评估模型对评估请求信息中待评估应用程序的指标信息进行计算以得到待评估应用程序的价值得分。
根据所述价值评估模型对评估请求信息中待评估应用程序的指标信息进行计算，以得到待评估应用程序的价值得分。其中，应用程序的价值得分包括下载量得分、使用频率得分、性能测试得分、运营得分，下载量得分即是用于对应用程序在所属类型中的月活跃用户量进行评分所得到的得分信息，使用频率得分即是用于对应用程序的使用评率进行评分所得到的得分信息，性能测试得分即是用于对应用程序的硬件负载占比进行评分后所得到的得分信息，运营得分即是用于对应用程序的运营状态进行评分后所得到的得分信息。
其他发明实施例中，如图8所示，所述价值得分获取单元130包括子单元：下载量得分获取单元131、使用频率得分获取单元132、性能测试得分获取单元133及运营得分获取单元134。
下载量得分获取单元131，用于根据所述价值评估模型中的下载量得分映射关系对待评估应用程序在所属类型中的月活跃用户量排名进行映射以得到待评估应用程序的下载量得分。
根据所述价值评估模型中的下载量得分映射关系对待评估应用程序在所属类型中的月活跃用户量进行映射以得到待评估应用程序的下载量得分。其中，下载量得分映射关系即是用于对待评估应用程序在所属类型中的月活跃用户量进行映射以得到下载量得分的映射关系信息。具体的，所属下载量得分映射关系为排名位于1-2名所映射的下载量得分为5分，排名位于3-5名所映射的下载量得分为4分，排名位于6-10名所映射的下载量得分为3分，位于排名后70％的应用程序所映射的下载量得分为1分，排名位于其余位置所映射的下载量得分为2分。
使用频率得分获取单元132，用于根据所述价值评估模型中的多个次数聚类区间及多个时长聚类区间与待评估应用程序进行匹配以获取待评估应用程序的使用频率得分。
根据所述价值评估模型中的多个次数聚类区间及多个时长聚类区间与待评估应用程序进行匹配以获取待评估应用程序的使用频率得分。具体的，价值评估模型中的每一个次数聚类区间与一个使用次数得分相对应，每一个时长聚类区间与一个使用时长得分相对应，根据待评估应用程序的月人均使用次数及月人均使用时长分别与次数聚类区间及长聚类区间进行匹配，即可得到待评估应用程序所对应的使用次数得分及使用时长得分，取该待评估应用程序使用次数得分及使用时长得分的平均值即为使用频率得分。
其他发明实施例中，如图9所示，所述使用频率得分获取单元132包括子单元：第一聚类区间匹配单元1321、第二聚类区间匹配单元1322及使用频率得分计算单元1323。
第一聚类区间匹配单元1321，用于根据待评估应用程序的月人均使用次数与多个次数聚类区间进行匹配以得到与待评估应用程序相对应的目标次数聚类区间。
通过将待评估应用程序的月人均使用次数与多个次数聚类区间进行匹配，即可得到与待评估应用程序相对应的目标次数聚类区间。
第二聚类区间匹配单元1322，用于根据待评估应用程序的月人均使用时长与多个时长聚类区间进行匹配以得到与待评估应用程序相对应的时长聚类区间。
通过将待评估应用程序的月人均使用时长与多个时长聚类区间进行匹配，即可得到与待评估应用程序相对应的目标时长聚类区间。
使用频率得分计算单元1323，用于根据价值评估模型中得分区间信息获取与目标次数聚类区间的使用次数得分以及目标时长聚类区间的使用时长得分，取使用次数得分及使用时长得分的平均值作为该待评估应用程序的使用频率得分。
根据价值评估模型中得分区间信息获取目标次数聚类区间的使用次数得分以及目标时长聚类区间的使用时长得分，取使用次数得分及使用时长得分的平均值作为该待评估应用程序的使用频率得分。在价值评估模型的得分区间信息中每一个次数聚类区间与一个使用次数得分相对应，每一个时长聚类区间与一个使用时长得分相对应，根据得分区间信息即可获取目标次数聚类区间的使用次数得分，以及目标时长聚类区间的使用时长得分，取该待评估应用程序使用次数得分及使用时长得分的平均值即为使用频率得分。
性能测试得分获取单元133，用于根据公式Fc＝3+(Cx-Cd)/Cs计算得到待评估应用程序的性能测试得分，其中，Cx为性能测试基准池中的硬件负载平均值，Cd为待评估应用程序的硬件负载占比，Cs为性能测试基准池中的性能分级步长。
根据公式Fc＝3+(Cx-Cd)/Cs计算得到待评估应用程序的性能测试得分，其中，Cx为性能测试基准池中的硬件负载平均值，Cd为待评估应用程序的硬件负载占比，Cs为性能测试基准池中的性能分级步长。
运营得分获取单元134，用于根据公式Fv＝3+(Vx-Vd)/Vs计算得到待评估应用程序的运营得分，其中，Vx为运营评估基准池中的转化比率平均值，Vd为待评估应用程序中新增用户转客户比率与新增客户转用户比率的平均值，Vs为运营评估基准池中的运营分级步长。
根据公式Fv＝3+(Vx-Vd)/Vs计算得到待评估应用程序的运营得分，其中，Vx为运营评估基准池中的转化比率平均值，Vd为待评估应用程序中新增用户转客户比率与新增客户转用户比率的平均值，Vs为运营评估基准池中的运营分级步长。具体计算过程与性能测试得分的计算过程相同。
其他发明实施例中，如图10所示，所述应用程序评估装置100还包括子单元：竞品应用程序得分计算单元130a和量化对比单元130b。
竞品应用程序得分计算单元130a，用于根据所述价值评估模型对竞品应用程序的指标信息进行计算以得到所有竞品应用程序的价值得分。
根据上述方法可对所有竞品应用程序的指标信息进行逐一评估，以得到所有竞品应用程序的价值得分。具体的方法为，将某一竞品应用程序作为待评估竞品应用程序，将与该待评估竞品应用程序所对应类型中其他应用程序作为该待评估竞品应用程序的竞品应用程序，依照上述方法对该待评估竞品应用程序进行计算即可得到对应的价值得分，将剩余竞品应用程序输入所述价值评估模型并执行上述方法即可得到剩余竞品应用程序的价值得分，继而得到所有竞品应用程序的价值得分。
量化对比单元130b，用于根据所有竞品应用程序中每一竞品应用程序的价值得分与待评估应用程序的价值得分进行量化对比以得到待评估应用程序的量化对比结果。
由于应用程序的指标信息之间无法进行量化对比，因此可通过价值评估模型分别获取所有竞品应用程序的价值得分及待评估应用程序的价值得分，即可实现对竞品应用程序及待评估应用程序进行量化对比并得到量化对比结果。具体的，通过待评估应用程序价值得分中的下载量得分、使用频率得分、性能测试得分、运营得分依次与每一个竞品应用程序的价值得分进行量化对比，即可得到待评估应用程序在下载量、使用频率、性能、运营四个方面与每一竞品应用程序之间的优劣，也即是得到待评估应用程序的量化对比结果。
趋势预测单元140，用于将待评估应用程序进行多次评估所得到的多个价值得分作为历史价值得分，根据预设趋势判断模型对所述历史价值得分进行判断以得到待评估应用程序的未来趋势信息。
根据预设趋势判断模型对待评估应用程序的历史价值得分进行判断以获取待评估应用程序的未来趋势信息。其中，历史价值得分即是待评估应用程序在一定时间段内多次进行评价所得到的多期价值得分。具体的，对待评估应用程序历史价值得分中所有下载量得分及使用频率得分的平均值进行计算以得到第一趋势计算值，对待评估应用程序历史价值得分中能测试得分和运营得分的平均值进行计算以得到多个第二趋势计算值；对第一趋势计算值是否大于3进行判断，通过趋势判断模型中的散点趋势线计算公式计算多个第二趋势计算值的趋势线，并对该趋势线的趋势是否向上进行判断。若第一趋势计算值大于3且趋势线的趋势为向上，则得到待评估应用程序的未来趋势信息为向上发展；若第一趋势计算值不大于3且趋势线的趋势为向下，则得到待评估应用程序的未来趋势信息为向下发展；其他情况下，则得到待评估应用程序的未来趋势信息为平稳发展。
其中，所述散点趋势线计算公式计算为:y＝ax+b， n为历史价值得分中所包含价值得分的数量，qi为历史价值得分中第i个价值得分，为历史价值得分中所有价值得分的平均值。
通过获取与待评估应用程序同类型的竞品应用程序，并以竞品应用程序的指标信息作为待评估应用程序的参数值，计算得到待评估应用程序的价值得分及未来趋势信息，能够更加从多个角度客观地评估应用程序的整体价值，以实现准确、全面地对应用程序进行评估。
上述应用程序评估装置可以实现为计算机程序的形式，该计算机程序可以在如图11所示的计算机设备上运行。
请参阅图11，图11是本发明实施例提供的计算机设备的示意性框图。
参阅图11，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行应用程序评估方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行应用程序评估方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图11中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下功能：若接收到用户所输入的评估请求信息，以评估请求信息中待评估应用程序的类型信息作为目标类型获取预设应用程序信息库中该目标类型所包含的竞品应用程序；将竞品应用程序的指标信息作为所述待评估应用程序的参考值输入预设的价值评估模型；根据所述价值评估模型对评估请求信息中待评估应用程序的指标信息进行计算以得到待评估应用程序的价值得分；将待评估应用程序进行多次评估所得到的多个价值得分作为历史价值得分，根据预设趋势判断模型对所述历史价值得分进行判断以得到待评估应用程序的未来趋势信息。
在一实施例中，处理器502在执行将竞品应用程序的指标信息作为所述待评估应用程序的参考值输入预设的价值评估模型的步骤时，执行如下操作：通过价值评估模型中的K-means聚类算法对所有竞品应用程序的月人均使用次数进行聚类以得到多个次数聚类区间；通过价值评估模型中的K-means聚类算法对所有竞品应用程序的月人均使用时长进行聚类以得到多个时长聚类区间；将所有竞品应用程序的硬件负载占比输入价值评估模型以构建得到性能测试基准池；将所有竞品应用程序的新增用户转客户比率、新增客户转用户比率输入价值评估模型以构建得到运营评估基准池。
在一实施例中，处理器502在执行根据所述价值评估模型对评估请求信息中待评估应用程序的指标信息进行计算以得到待评估应用程序的价值得分的步骤时，执行如下操作：根据所述价值评估模型中的下载量得分映射关系对待评估应用程序在所属类型中的月活跃用户量排名进行映射以得到待评估应用程序的下载量得分；根据所述价值评估模型中的多个次数聚类区间及多个时长聚类区间与待评估应用程序进行匹配以获取待评估应用程序的使用频率得分；根据公式Fc＝3+(Cx-Cd)/Cs计算得到待评估应用程序的性能测试得分，其中，Cx为性能测试基准池中的硬件负载平均值，Cd为待评估应用程序的硬件负载占比，Cs为性能测试基准池中的性能分级步长；根据公式Fv＝3+(Vx-Vd)/Vs计算得到待评估应用程序的运营得分，其中，Vx为运营评估基准池中的转化比率平均值，Vd为待评估应用程序中新增用户转客户比率与新增客户转用户比率的平均值，Vs为运营评估基准池中的运营分级步长。
在一实施例中，处理器502在执行根据所述价值评估模型中的多个次数聚类区间及多个时长聚类区间与待评估应用程序进行匹配以获取待评估应用程序的使用频率得分的步骤时，执行如下操作：根据待评估应用程序的月人均使用次数与多个次数聚类区间进行匹配以得到与待评估应用程序相对应的目标次数聚类区间；根据待评估应用程序的月人均使用时长与多个时长聚类区间进行匹配以得到与待评估应用程序相对应的时长聚类区间；根据价值评估模型中得分区间信息获取与目标次数聚类区间的使用次数得分以及目标时长聚类区间的使用时长得分，取使用次数得分及使用时长得分的平均值作为该待评估应用程序的使用频率得分。
在一实施例中，处理器502在执行根据所述价值评估模型对评估请求信息中待评估应用程序的指标信息进行计算以得到待评估应用程序的价值得分的步骤之后，还执行如下操作：根据所述价值评估模型对竞品应用程序的指标信息进行计算以得到所有竞品应用程序的价值得分；根据所有竞品应用程序中每一竞品应用程序的价值得分与待评估应用程序的价值得分进行量化对比以得到待评估应用程序的量化对比结果。
本领域技术人员可以理解，图11中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图11所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现以下步骤：若接收到用户所输入的评估请求信息，以评估请求信息中待评估应用程序的类型信息作为目标类型获取预设应用程序信息库中该目标类型所包含的竞品应用程序；将竞品应用程序的指标信息作为所述待评估应用程序的参考值输入预设的价值评估模型；根据所述价值评估模型对评估请求信息中待评估应用程序的指标信息进行计算以得到待评估应用程序的价值得分；将待评估应用程序进行多次评估所得到的多个价值得分作为历史价值得分，根据预设趋势判断模型对所述历史价值得分进行判断以得到待评估应用程序的未来趋势信息。
在一实施例中，所述将竞品应用程序的指标信息作为所述待评估应用程序的参考值输入预设的价值评估模型，包括：通过价值评估模型中的K-means聚类算法对所有竞品应用程序的月人均使用次数进行聚类以得到多个次数聚类区间；通过价值评估模型中的K-means聚类算法对所有竞品应用程序的月人均使用时长进行聚类以得到多个时长聚类区间；将所有竞品应用程序的硬件负载占比输入价值评估模型以构建得到性能测试基准池；将所有竞品应用程序的新增用户转客户比率、新增客户转用户比率输入价值评估模型以构建得到运营评估基准池。
在一实施例中，所述根据所述价值评估模型对评估请求信息中待评估应用程序的指标信息进行计算以得到待评估应用程序的价值得分的步骤，包括：根据所述价值评估模型中的下载量得分映射关系对待评估应用程序在所属类型中的月活跃用户量排名进行映射以得到待评估应用程序的下载量得分；根据所述价值评估模型中的多个次数聚类区间及多个时长聚类区间与待评估应用程序进行匹配以获取待评估应用程序的使用频率得分；根据公式Fc＝3+(Cx-Cd)/Cs计算得到待评估应用程序的性能测试得分，其中，Cx为性能测试基准池中的硬件负载平均值，Cd为待评估应用程序的硬件负载占比，Cs为性能测试基准池中的性能分级步长；根据公式Fv＝3+(Vx-Vd)/Vs计算得到待评估应用程序的运营得分，其中，Vx为运营评估基准池中的转化比率平均值，Vd为待评估应用程序中新增用户转客户比率与新增客户转用户比率的平均值，Vs为运营评估基准池中的运营分级步长。
在一实施例中，所述根据所述价值评估模型中的多个次数聚类区间及多个时长聚类区间与待评估应用程序进行匹配以获取待评估应用程序的使用频率得分的步骤，包括：根据待评估应用程序的月人均使用次数与多个次数聚类区间进行匹配以得到与待评估应用程序相对应的目标次数聚类区间；根据待评估应用程序的月人均使用时长与多个时长聚类区间进行匹配以得到与待评估应用程序相对应的时长聚类区间；根据价值评估模型中得分区间信息获取与目标次数聚类区间的使用次数得分以及目标时长聚类区间的使用时长得分，取使用次数得分及使用时长得分的平均值作为该待评估应用程序的使用频率得分。
在一实施例中，所述根据所述价值评估模型对评估请求信息中待评估应用程序的指标信息进行计算以得到待评估应用程序的价值得分的步骤之后，还包括：根据所述价值评估模型对竞品应用程序的指标信息进行计算以得到所有竞品应用程序的价值得分；根据所有竞品应用程序中每一竞品应用程序的价值得分与待评估应用程序的价值得分进行量化对比以得到待评估应用程序的量化对比结果。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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，或者该技术方案的全部或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计算机可读存储介质中，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。而前述的计算机可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
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，可轻易想到各种等效的修改或替换，这些修改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以权利要求的保护范围为准。
Claims (10)
1.一种应用程序评估方法，其特征在于，包括：
若接收到用户所输入的评估请求信息，以评估请求信息中待评估应用程序的类型信息作为目标类型获取预设应用程序信息库中该目标类型所包含的竞品应用程序；
将竞品应用程序的指标信息作为所述待评估应用程序的参考值输入预设的价值评估模型；
根据所述价值评估模型对评估请求信息中待评估应用程序的指标信息进行计算以得到待评估应用程序的价值得分；
将待评估应用程序进行多次评估所得到的多个价值得分作为历史价值得分，根据预设趋势判断模型对所述历史价值得分进行判断以得到待评估应用程序的未来趋势信息。
2.根据权利要求1所述的应用程序评估方法，其特征在于，所述将竞品应用程序的指标信息作为所述待评估应用程序的参考值输入预设的价值评估模型，包括：
通过价值评估模型中的K-means聚类算法对所有竞品应用程序的月人均使用次数进行聚类以得到多个次数聚类区间；
通过价值评估模型中的K-means聚类算法对所有竞品应用程序的月人均使用时长进行聚类以得到多个时长聚类区间；
将所有竞品应用程序的硬件负载占比输入价值评估模型以构建得到性能测试基准池；
将所有竞品应用程序的新增用户转客户比率、新增客户转用户比率输入价值评估模型以构建得到运营评估基准池。
3.根据权利要求2所述的应用程序评估方法，其特征在于，所述根据所述价值评估模型对评估请求信息中待评估应用程序的指标信息进行计算以得到待评估应用程序的价值得分，包括：
根据所述价值评估模型中的下载量得分映射关系对待评估应用程序在所属类型中的月活跃用户量排名进行映射以得到待评估应用程序的下载量得分；
根据所述价值评估模型中的多个次数聚类区间及多个时长聚类区间与待评估应用程序进行匹配以获取待评估应用程序的使用频率得分；
根据公式Fc＝3+(Cx-Cd)/Cs计算得到待评估应用程序的性能测试得分，其中，Cx为性能测试基准池中的硬件负载平均值，Cd为待评估应用程序的硬件负载占比，Cs为性能测试基准池中的性能分级步长；
根据公式Fv＝3+(Vx-Vd)/Vs计算得到待评估应用程序的运营得分，其中，Vx为运营评估基准池中的转化比率平均值，Vd为待评估应用程序中新增用户转客户比率与新增客户转用户比率的平均值，Vs为运营评估基准池中的运营分级步长。
4.根据权利要求3所述的应用程序评估方法，其特征在于，所述根据所述价值评估模型中的多个次数聚类区间及多个时长聚类区间与待评估应用程序进行匹配以获取待评估应用程序的使用频率得分，包括：
根据待评估应用程序的月人均使用次数与多个次数聚类区间进行匹配以得到与待评估应用程序相对应的目标次数聚类区间；
根据待评估应用程序的月人均使用时长与多个时长聚类区间进行匹配以得到与待评估应用程序相对应的时长聚类区间；
根据价值评估模型中得分区间信息获取与目标次数聚类区间的使用次数得分以及目标时长聚类区间的使用时长得分，取使用次数得分及使用时长得分的平均值作为该待评估应用程序的使用频率得分。
5.根据权利要求1所述的应用程序评估方法，其特征在于，所述根据所述价值评估模型对评估请求信息中待评估应用程序的指标信息进行计算以得到待评估应用程序的价值得分之后，还包括：
根据所述价值评估模型对竞品应用程序的指标信息进行计算以得到所有竞品应用程序的价值得分；
根据所有竞品应用程序中每一竞品应用程序的价值得分与待评估应用程序的价值得分进行量化对比以得到待评估应用程序的量化对比结果。
6.一种应用程序评估装置，其特征在于，包括：
竞品应用程序获取单元，用于若接收到用户所输入的评估请求信息，以评估请求信息中待评估应用程序的类型信息作为目标类型获取预设应用程序信息库中该目标类型所包含的竞品应用程序；
参考值输入单元，用于将竞品应用程序的指标信息作为所述待评估应用程序的参考值输入预设的价值评估模型；
价值得分获取单元，用于根据所述价值评估模型对评估请求信息中待评估应用程序的指标信息进行计算以得到待评估应用程序的价值得分；
趋势预测单元，用于将待评估应用程序进行多次评估所得到的多个价值得分作为历史价值得分，根据预设趋势判断模型对所述历史价值得分进行判断以得到待评估应用程序的未来趋势信息。
7.根据权利要求6所述的应用程序评估装置，其特征在于，所述参考值输入单元，包括：
第一聚类单元，用于通过价值评估模型中的K-means聚类算法对所有竞品应用程序的月人均使用次数进行聚类以得到多个次数聚类区间；
第二聚类单元，用于通过价值评估模型中的K-means聚类算法对所有竞品应用程序的月人均使用时长进行聚类以得到多个时长聚类区间；
第一基准池构建单元，用于将所有竞品应用程序的硬件负载占比输入价值评估模型以构建得到性能测试基准池；
第二基准池构建单元，用于将所有竞品应用程序的新增用户转客户比率、新增客户转用户比率输入价值评估模型以构建得到运营评估基准池。
8.根据权利要求7所述的应用程序评估装置，其特征在于，所述价值得分获取单元，包括：
下载量得分获取单元，用于根据所述价值评估模型中的下载量得分映射关系对待评估应用程序在所属类型中的月活跃用户量排名进行映射以得到待评估应用程序的下载量得分；
使用频率得分获取单元，用于根据所述价值评估模型中的多个次数聚类区间及多个时长聚类区间与待评估应用程序进行匹配以获取待评估应用程序的使用频率得分；
性能测试得分获取单元，用于根据公式Fc＝3+(Cx-Cd)/Cs计算得到待评估应用程序的性能测试得分，其中，Cx为性能测试基准池中的硬件负载平均值，Cd为待评估应用程序的硬件负载占比，Cs为性能测试基准池中的性能分级步长；
运营得分获取单元，用于根据公式Fv＝3+(Vx-Vd)/Vs计算得到待评估应用程序的运营得分，其中，Vx为运营评估基准池中的转化比率平均值，Vd为待评估应用程序中新增用户转客户比率与新增客户转用户比率的平均值，Vs为运营评估基准池中的运营分级步长。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的应用程序评估方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至5任一项所述的应用程序评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811353142.0A CN109472312B (zh) | 2018-11-14 | 2018-11-14 | 应用程序评估方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811353142.0A CN109472312B (zh) | 2018-11-14 | 2018-11-14 | 应用程序评估方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109472312A true CN109472312A (zh) | 2019-03-15 |
| CN109472312B CN109472312B (zh) | 2024-07-05 |
Family
ID=65672901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811353142.0A Active CN109472312B (zh) | 2018-11-14 | 2018-11-14 | 应用程序评估方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109472312B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112148550A (zh) * | 2019-06-28 | 2020-12-29 | 伊姆西Ip控股有限责任公司 | 用于管理服务的方法、设备和计算机程序产品 |
| CN112162918A (zh) * | 2020-09-07 | 2021-01-01 | 北京达佳互联信息技术有限公司 | 应用程序的测试方法、装置及电子设备 |
| CN114912764A (zh) * | 2022-04-19 | 2022-08-16 | 广域铭岛数字科技有限公司 | 一种平台价值度量方法、系统、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101702137A (zh) * | 2009-11-23 | 2010-05-05 | 北京星网锐捷网络技术有限公司 | 一种软件性能评价方法和系统 |
| US20120072366A1 (en) * | 2010-09-20 | 2012-03-22 | International Business Machines Corporation | Method, system and program product for independent software vendor (isv) solution evaluation |
| US20140180769A1 (en) * | 2012-12-20 | 2014-06-26 | Ebay Inc. | Methods, Systems and Apparatus for Human Judges, Products and Services Evaluations |
| CN104267980A (zh) * | 2014-09-17 | 2015-01-07 | 北京金山安全软件有限公司 | 一种软件评分显示方法、终端、数据服务器及系统 |
| CN105988800A (zh) * | 2015-02-12 | 2016-10-05 | 广东欧珀移动通信有限公司 | 一种软件评分推送方法及终端 |
| CN106779457A (zh) * | 2016-12-29 | 2017-05-31 | 深圳微众税银信息服务有限公司 | 一种企业信用评估方法及系统 |
| CN107292463A (zh) * | 2016-03-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 一种对应用程序进行项目评估的方法及系统 |
-
2018
- 2018-11-14 CN CN201811353142.0A patent/CN109472312B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101702137A (zh) * | 2009-11-23 | 2010-05-05 | 北京星网锐捷网络技术有限公司 | 一种软件性能评价方法和系统 |
| US20120072366A1 (en) * | 2010-09-20 | 2012-03-22 | International Business Machines Corporation | Method, system and program product for independent software vendor (isv) solution evaluation |
| US20140180769A1 (en) * | 2012-12-20 | 2014-06-26 | Ebay Inc. | Methods, Systems and Apparatus for Human Judges, Products and Services Evaluations |
| CN104267980A (zh) * | 2014-09-17 | 2015-01-07 | 北京金山安全软件有限公司 | 一种软件评分显示方法、终端、数据服务器及系统 |
| CN105988800A (zh) * | 2015-02-12 | 2016-10-05 | 广东欧珀移动通信有限公司 | 一种软件评分推送方法及终端 |
| CN107292463A (zh) * | 2016-03-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 一种对应用程序进行项目评估的方法及系统 |
| CN106779457A (zh) * | 2016-12-29 | 2017-05-31 | 深圳微众税银信息服务有限公司 | 一种企业信用评估方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 岳倩 等: ""移动互联网APP应用安全评估模型"", 《沈阳航空航天大学学报》, vol. 33, no. 5, 31 October 2016 (2016-10-31), pages 68 - 73 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112148550A (zh) * | 2019-06-28 | 2020-12-29 | 伊姆西Ip控股有限责任公司 | 用于管理服务的方法、设备和计算机程序产品 |
| CN112148550B (zh) * | 2019-06-28 | 2024-03-08 | 伊姆西Ip控股有限责任公司 | 用于管理服务的方法、设备和计算机程序产品 |
| CN112162918A (zh) * | 2020-09-07 | 2021-01-01 | 北京达佳互联信息技术有限公司 | 应用程序的测试方法、装置及电子设备 |
| CN114912764A (zh) * | 2022-04-19 | 2022-08-16 | 广域铭岛数字科技有限公司 | 一种平台价值度量方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109472312B (zh) | 2024-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI743428B (zh) | 目標用戶群體的確定方法和裝置 | |
| US11636435B2 (en) | Optimizing benefits selection in view of both member population and organizational preferences | |
| CN109472312A (zh) | 应用程序评估方法、装置、计算机设备及存储介质 | |
| CN109190028A (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
| CN108764332A (zh) | 一种渠道质量分析方法、计算设备及存储介质 | |
| CN110162359A (zh) | 新手引导信息的推送方法、装置及系统 | |
| CN108764825A (zh) | 职位信息匹配方法、装置、计算机设备及存储介质 | |
| CN109857943A (zh) | 权限等级确定方法、装置、计算机设备及可读存储介质 | |
| CN109492863A (zh) | 金融单证的自动生成方法及装置 | |
| JPWO2016181490A1 (ja) | 分析システム及び分析方法 | |
| CN109543940A (zh) | 活动评估方法、装置、电子设备及存储介质 | |
| Brüggemann et al. | Decision support tool for hospital resource allocation during the COVID-19 pandemic | |
| CN108696397B (zh) | 一种基于ahp和大数据的电网信息安全评估方法及装置 | |
| CN109637640A (zh) | 一种超时智能转诊方法、系统、计算机设备及可读介质 | |
| WO2020054369A1 (ja) | 健康評価システムおよび健康評価プログラム | |
| CN109472455B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
| CN109559013A (zh) | 基于小游戏的风险测试方法及装置、电子设备及可读存储介质 | |
| US20210019831A1 (en) | Evaluation education device for debt management capability, and method therefor | |
| Shtechman et al. | Fair cake-cutting algorithms with real land-value data | |
| CN113408817B (zh) | 流量分发方法、装置、设备及存储介质 | |
| CN109086995A (zh) | 应用程序下载途径的评价方法、装置、设备及存储介质 | |
| CN111598390B (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
| CN109472454B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
| Allen et al. | Method to allocate voting resources with unequal ballots and/or education | |
| JP6777956B1 (ja) | 相続を支援するための装置および方法、その装置において実行されるプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |