CN109635199B - 基于用户行为的应用列表动态推荐方法及系统 - Google Patents

Abstract

本发明公开了一种基于用户行为的应用列表动态推荐方法及系统，方法包括：终端设备获取用户的行为数据，并发送至云端服务器，以向云端服务器请求推荐结果；所述云端服务器根据接收到的用户行为数据进行分析，生成未安装应用的第一推荐列表以及已安装应用的第二推荐列表，以获得相应的推荐结果；所述终端设备根据所述推荐结果，更新应用列表内的应用；其中，所述应用列表内包括终端设备已安装应用的图标以及未安装应用的图标，且已安装应用具有预定的标识。实施本发明，能够根据云端服务器的推荐结果动态的调整列表中应用的顺序，同时该推荐结果既考虑了用户潜在的兴趣，又考虑了用户目前的使用需求，用户体验高。

Description

基于用户行为的应用列表动态推荐方法及系统

技术领域

本发明涉及大数据领域，尤其涉及一种基于用户行为的应用列表动态推荐方法及系统。

背景技术

随着互联网应用的迅猛发展，全球数据量呈现爆发式的增长，大数据分析已经成为政府、各行业重视的技术。近几年，各行业也渐渐从重视产品质量转变为重视提高用户体验度，通过对庞大数据流进行分析能够有效地描绘出用户的习惯、爱好、消费水平、上网的活跃时间等等信息，进一步构建出用户的行为模型，以便更好地针对消费者或者用户行为进行预测，设计出更加优化便利的应用或者系统。对使用一个应用或者系统的整体用户数据进行行为分析，我们可以推测出产品受欢迎的部分以及存在缺陷的部分，并以此为依据对应用或者系统进行改善。同样，将使用产品的单个用户数据剥离出来，我们可以推测出该用户的使用习惯、偏好等信息，为其定制个性化服务。

移动设备、终端设备的发展呈现出突飞猛进的态势，目前智能设备软硬件的发展升级速度已经远远超过PC。随着通信技术的发展，人类进入移动互联网时代。在个人电脑时代，windows是最流行的操作系统。如今处于移动互联网时代，Android系统是当仁不让的王者。根据互联网市场研究公司StatCounter发布的全球上网设备操作系统的统计数据，2017年二月份，在全部上网设备中，安卓的市场份额为37.4％，微软Windows的份额为38.6％，而苹果的iOS系统明显落后于上述两种系统，其份额仅为12.99％。按照windows和Android两种操作系统的发展形势，Android即将超过Windows，成为最流行的操作系统。

用户行为分析是指用户表现出来的各种行为(包括动作、习惯等)进行分析，能够更好的了解用户的偏好以及习惯，并且将这些行为以数据的形式进行输出，然后对这些数据进行分析，能够更好的了解用户的需求。目前，针对互联网应用的用户行为分析主要是建立在用户对服务站点的访问行为上，即通过用户对站点的请求数据分析用户的来源、对网页的兴趣程度、浏览习惯以及推广效果等等。通过上述分析，可以拟定出提高用户体验的方案，优化网站结构，留住更多访客，提高访问流量等。但与传统的B/S结构的网络应用不同，移动设备端的应用内部大多数操作是不需要向服务器发出请求的，基于站点访问的用户行为分析方法并不适用于移动端。此外，在移动端，目前的基于用户行为的应用推荐往往是推荐终端设备未安装的应用，但没有结合终端设备上的已安装的应用，如此造成了推荐结果不准确，不能满足用户的实际需求。

发明内容

有鉴于此，本发明的目的在于提供一种基于用户行为的应用列表动态推荐方法及系统，能够生成比较准确的应用推荐结果。

本发明实施例提供了一种基于用户行为的应用列表动态推荐方法，包括：

终端设备获取用户的行为数据，并发送至云端服务器，以向云端服务器请求推荐结果；

所述云端服务器根据接收到的用户行为数据进行分析，生成未安装应用的第一推荐列表以及已安装应用的第二推荐列表，以获得相应的推荐结果；

所述终端设备根据所述推荐结果，更新应用列表内的应用；其中，所述应用列表内包括终端设备已安装应用的图标以及未安装应用的图标，且已安装应用具有预定的标识。

优选地，所述云端服务器根据接收到的用户行为数据进行分析，生成未安装应用的第一推荐列表以及已安装应用启动的第二推荐列表，以获得相应的推荐结果具体为：

所述云端服务器存储所述用户行为数据，并对所述用户行为数据进行预处理，以去除无用的数据；

所述云端服务器利用协同过滤算法分析用户行为数据，推断用户的兴趣倾向，产生未安装应用的第一推荐列表；其中，所述第一推荐列表包括至少一个待推荐的未安装的应用以及对应的推荐概率；

所述云端服务器利用概率模型分析用户行为数据，推断用户下次启动各个移动设备的已安装应用启动的启动概率，以生成第二推荐列表；

所述云端服务器基于预设的融合模型对所述第一推荐列表以及所述第二推荐列表中的应用进行融合分析，以生成推荐结果；其中，所述推荐结果包括推荐的应用以及其排列顺序。

优选地，所述用户行为数据包括用户在预定时间段内启动的各个已安装应用的名称、频率、使用时长、启动时间段、在已安装应用的操作行为数据以及终端设备自身的设备状态数据。

优选地，所述云端服务器基于预设的融合模型对所述第一推荐列表以及所述第二推荐列表中的应用进行融合分析，以生成推荐结果具体包括：

获取第一推荐列表内的各个未安装应用的类型以及终端设备当前已安装应用的类型；

判断是否存在与第一推荐列表中的未安装应用的类型相同的已安装应用；

若存在，则进一步判断所述类型为互补类或者互斥类；

若为互补类，则将相应的未安装应用保留在第一推荐列表内；

若为互斥类，则判断未安装应用的用户评分与对应的同类型的已安装应用的用户评分；

当未安装应用的用户评分减去对应的同类型的已安装应用的用户评分大于预设的分差阈值时，将所述未安装应用保留在所述第一推荐列表中，否则在第一推荐列表中删除所述未安装应用；

根据所述第一推荐列表中剩余的未安装应用以及所述第二推荐列表中的已安装应用生成推荐结果；其中，推荐结果中的应用的排列顺序根据概率的大小进行排列。

优选地，还包括：

终端设备通过系统接口获取本地已安装应用的信息，并发送给所述云端服务器；

所述云端服务器获取多个终端设备的已安装应用的信息，并通过分析每个终端设备的已安装应用确定应用的类型为互补性或者互斥性；其中，当统计终端设备同时安装有多个同类型的应用的比例大于预设的阈值时，则将该类型设置为互补型，否则将该类型设置为互斥型。

优选地，还包括：

所述云端服务器根据所述比例获取每个类型的互斥度，其中，比例越小，则互斥度越大；

所述云端服务器根据所述互斥度设定所述分差阈值；其中，所述互斥度越大，所述分差阈值越大。

本发明实施例还提供了一种基于用户行为的应用列表动态推荐系统，包括：

终端设备，用于获取用户的行为数据，并发送至云端服务器，以向云端服务器请求推荐结果；

所述云端服务器，用于根据接收到的用户行为数据进行分析，生成未安装应用的第一推荐列表以及已安装应用的第二推荐列表，以获得相应的推荐结果；

所述终端设备，用于根据所述推荐结果，更新应用列表内的应用；其中，所述应用列表内包括终端设备已安装应用的图标以及未安装应用的图标，且已安装应用具有预定的标识。

优选地，所述云端服务器具体用于：

存储所述用户行为数据，并对所述用户行为数据进行预处理，以去除无用的数据；

利用协同过滤算法分析用户行为数据，推断用户的兴趣倾向，产生未安装应用的第一推荐列表；其中，所述第一推荐列表包括至少一个待推荐的未安装的应用以及对应的推荐概率；

利用概率模型分析用户行为数据，推断用户下次启动各个移动设备的已安装应用启动的启动概率，以生成第二推荐列表；

基于预设的融合模型对所述第一推荐列表以及所述第二推荐列表中的应用进行融合分析，以生成推荐结果；其中，所述推荐结果包括推荐的应用以及其排列顺序。

优选地，所述云端服务器具体用于：

获取第一推荐列表内的各个未安装应用的类型以及终端设备当前已安装应用的类型；

判断是否存在与第一推荐列表中的未安装应用的类型相同的已安装应用；

若存在，则进一步判断所述类型为互补类或者互斥类；

若为互补类，则将相应的未安装应用保留在第一推荐列表内；

若为互斥类，则判断未安装应用的用户评分与对应的同类型的已安装应用的用户评分；

当未安装应用的用户评分减去对应的同类型的已安装应用的用户评分大于预设的分差阈值时，将所述未安装应用保留在所述第一推荐列表中，否则在第一推荐列表中删除所述未安装应用；

根据所述第一推荐列表中剩余的未安装应用以及所述第二推荐列表中的已安装应用生成推荐结果；其中，推荐结果中的应用的排列顺序根据概率的大小进行排列。

优选地，还包括：

终端设备，用于通过系统接口获取本地已安装应用的信息，并发送给所述云端服务器；

所述云端服务器，用于获取多个终端设备的已安装应用的信息，并通过分析每个终端设备的已安装应用确定应用的类型为互补性或者互斥性；其中，当统计终端设备同时安装有多个同类型的应用的比例大于预设的阈值时，则将该类型设置为互补型，否则将该类型设置为互斥型；

所述云端服务器，用于根据所述比例获取每个类型的互斥度，其中，比例越小，则互斥度越大；

所述云端服务器，用于根据所述互斥度设定所述分差阈值；其中，所述互斥度越大，所述分差阈值越大。

在云端服务器提供了一种对未安装应用推荐技术以及已安装应用推荐技术的融合技术，实现一个融合算法以同时满足两种应用推荐，其技术效果表现在以下几点：

本发明实施例在终端设备侧设计了一个独特的应用程序，仅仅只有一个列表界面，展示可从云端服务器获取的推荐结果，并且利用系统接口获取已安装应用信息，以小图标的形式区分列表中已安装应用以及未安装应用。如此，可以根据云端服务器的推荐结果动态的调整列表中应用的顺序，设置个性化菜单。该应用延伸可同时作为系统的LauncherUI程序与软件商店，结合按需加载可节省终端设备的资源利用，提升使用性能以及用户体验。

进一步的，云端服务器的推荐结果既考虑了用户潜在的兴趣，又考虑了用户目前的使用需求。并行执行两种应用推荐，然后再根据融合模型对两种应用推荐的结果进行融合产生最后的推荐结果，可以满足用户多方面的需求。

附图说明

图1是本发明第一实施例提供的基于用户行为的应用列表动态推荐方法的流程示意图；

图2是本发明第一实施例提供的云端服务器的工作原理图。

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。

请参阅图1，本发明第一实施例提供了一种基于用户行为的应用列表动态推荐方法，包括：

S101，终端设备获取用户行为数据，并发送至云端服务器，以向云端服务器请求推荐结果。

在本实施例中，所述终端设备可为智能手机或者其他智能穿戴设备，其操作系统可以是安卓系统或者IOS系统等，本发明不做具体限定。

在本实施例中，所述终端设备上可安装有一个预定的应用(例如一个APP)，通过执行该应用，终端设备可以获取到用户行为数据，所述用户行为数据包括用户在预定时间段内启动的各个已安装应用的名称、频率、使用时长、启动时间段、在已安装应用的操作行为数据以及终端设备自身的设备状态数据。

其中，终端设备自身的设备状态数据例如包括传感器数据、耳机插拔状态等。

此外，所述终端设备还会通过系统接口获取自身已安装应用的信息，并将所述已安装应用的信息发送给所述云端服务器。

S102，所述云端服务器根据接收到的用户行为数据进行分析，生成未安装应用的第一推荐列表以及已安装应用的第二推荐列表，以获得相应的推荐结果。

具体地，如图2所示，S102可包括：

S1021，所述云端服务器存储所述用户行为数据，并对所述用户行为数据进行预处理，以去除无用的数据，例如某些字段值为空的数据。

S1022，所述云端服务器利用协同过滤算法分析用户行为数据，推断用户的兴趣倾向，产生未安装应用的第一推荐列表；其中，所述第一推荐列表包括至少一个待推荐的未安装的应用以及对应的推荐概率。

协同过滤是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用户兴趣，在用户群中找到指定用户的相似(兴趣)用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。

与传统文本过滤相比，协同过滤有下列优点:

(1)能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐；

(2)能够基于一些复杂的，难以表达的概念(信息质量、品位)进行过滤；

(3)推荐的新颖性。

S1023，所述云端服务器利用概率模型分析用户行为数据，推断用户下次启动各个移动设备的已安装应用启动的启动概率，以生成第二推荐列表。

例如，云端服务器根据用户行为数据获取用户在预定时间段内启用某个或者某些应用的频率较高，则说明这些应用的启动概率高，则将其添加到第二推荐列表内，并根据其使用频率等用户行为数据计算其启动概率。

S1024，所述云端服务器基于预设的融合模型对所述第一推荐列表以及所述第二推荐列表中的应用进行融合分析，以生成推荐结果；其中，所述推荐结果包括推荐的应用以及其排列顺序。

具体地：

首先，所述云端服务器获取第一推荐列表内的各个未安装应用的类型以及终端设备当前已安装应用的类型；

所述云端服务器判断是否存在与第一推荐列表中的未安装应用的类型相同的已安装应用；

若存在，则进一步判断所述类型为互补类或者互斥类；

若为互补类，则将相应的未安装应用增加到所述推荐结果中；

若为互斥类，则判断未安装应用的用户评分与对应的同类型的已安装应用的用户评分；

当未安装应用的用户评分减去对应的同类型的已安装应用的用户评分大于预设的分差阈值时，将所述未安装应用保留在所述第一推荐列表中，否则在第一推荐列表中删除所述未安装应用；

根据所述第一推荐列表中剩余的未安装应用以及所述第二推荐列表中的已安装应用生成推荐结果；其中，推荐结果中的应用的排列顺序根据概率的大小进行排列。

例如，应用的类型可包括美食类型(如各种外卖应用)、购物类型(如京东、淘宝)、地图类型(如地图应用)、阅读类型(如阅读应用)等，具体可根据实际需要来设定，本发明不做具体限定。

在本实施例中，在获得第一推荐列表和第二推荐列表后，所述云端服务器首先会获取第一推荐列表内的未安装应用的类型，例如第一推荐列表推荐的未安装应用为京东、A地图，而所述终端设备的已安装应用中包括淘宝、拼多多、B地图。可以看出淘宝、拼多多、京东同属于购物类型，而A地图、B地图同属于地图类型。

接着，所述云端服务器会判断所述类型为互补类还是互斥类。

这里，互补类是指在作用上能起到互补作用的应用的类型，例如，大多用户会同时安装有天猫和京东或者多个美食类型的应用。互斥类是指在作用上不能起到互补作用的应用的类型，例如，对于地图类型的应用，由于大多数地图应用的作用和功能都类似，用户出于节省内存的考虑，可能并不会同时安装多个地图应用。

在本实施例中，一个类型是互补或者互斥可通过如下方法来判断：

云端服务器获取多个终端设备的已安装应用的信息，并在当统计终端设备同时安装有多个同类型的应用的比例大于预设的阈值时，则将该类型设置为互补型，否则将该类型设置为互斥型。例如，有超过50％的终端设备同时安装有多个购物类型的应用，则购物类型为互补型。而低于50％的终端设备同时安装有多个地图类的应用，则地图类型为互斥型。

在本实施例中，已经判断出了未安装应用京东的类型与淘宝、拼多多的类型为互补类，则直接将京东保留在第一推荐列表中；

在本实施例中，已经判断出了未安装应用A地图的类型与已安装应用B地图的类型为互斥类，则进一步获取A地图的用户评分以及B地图的用户评分；并且在当A地图的用户评分减去B地图的用户评分大于预设的分差阈值时，将所述未安装应用保留在所述第一推荐列表中，否则在第一推荐列表中删除所述未安装应用。

在本实施例中，考虑到用户往往不会轻易的去更换使用一个应用，因此，如果A地图的用户评分与B地图的用户评分接近，则并不需要向用户推荐A地图。但如果A地图的用户评分比B地图的用户评分高比较多，则说明A地图可能具有更好的功能或者用户体验，则仍然将A地图保留在所述第一推荐列表中。

更进一步的，在本实施例中，这里的分差阈值是根据该类型的互斥度大小来决定的，其中，若同时安装有多个同类型的应用的终端设备的比例越小，则互斥度越大；此时，所述分差阈值也越大。

在本实施例中，互斥度越大，说明该类型的应用的单一需求越明显，同时也说明用户粘度会越高，因此用户越不容易去更换，如此，则需要相应调大所述分层阈值，以避免推荐结果不符合用户的预期，给用户带来不良的使用体验。

S103，所述终端设备根据所述推荐结果，更新应用列表内的应用；其中，所述应用列表内包括终端设备已安装应用的图标以及未安装应用的图标，且已安装应用具有预定的标识。

在本实施例中，终端设备可通过预先设计的UI界面(例如列表界面)向用户展示云端服务器发送的推荐结果，并且可以利用系统接口获取已安装的应用，使用小图标标记上述应用列表中的已安装应用，以区分未安装应用以及已安装应用。

在本实施例中，推荐结果是根据应用的启动概率或者推荐概率进行排序的，因此启动概率大的应用或推荐概率大的应用会排列在列表的前面，用户可以方便的启动已安装应用或者下载安装未安装应用。

综上所述，本实施例中，在云端服务器提供了一种对未安装应用推荐技术以及已安装应用推荐技术的融合技术，实现一个融合算法以同时满足两种应用推荐，其技术效果表现在以下几点：

本发明实施例在终端设备侧设计了一个独特的应用程序，仅仅只有一个列表界面，展示可从云端服务器获取的推荐结果，并且利用系统接口获取已安装应用信息，以小图标的形式区分列表中已安装应用以及未安装应用。如此，可以根据云端服务器的推荐结果动态的调整列表中应用的顺序，设置个性化菜单。该应用延伸可同时作为系统的LauncherUI程序与软件商店，结合按需加载可节省终端设备的资源利用，提升使用性能以及用户体验。

进一步的，云端服务器的推荐结果既考虑了用户潜在的兴趣，又考虑了用户目前的使用需求。并行执行两种应用推荐，然后再根据融合模型对两种应用推荐的结果进行融合产生最后的推荐结果，可以满足用户多方面的需求。

本发明第二实施例还提供了一种基于用户行为的应用列表动态推荐系统，包括：

终端设备，用于获取用户的行为数据，并发送至云端服务器，以向云端服务器请求推荐结果；

所述云端服务器，用于根据接收到的用户行为数据进行分析，生成未安装应用的第一推荐列表以及已安装应用的第二推荐列表，以获得相应的推荐结果；

所述终端设备，用于根据所述推荐结果，更新应用列表内的应用；其中，所述应用列表内包括终端设备已安装应用的图标以及未安装应用的图标，且已安装应用具有预定的标识。

优选地，所述云端服务器具体用于：

存储所述用户行为数据，并对所述用户行为数据进行预处理，以去除无用的数据；

利用协同过滤算法分析用户行为数据，推断用户的兴趣倾向，产生未安装应用的第一推荐列表；其中，所述第一推荐列表包括至少一个待推荐的未安装的应用以及对应的推荐概率；

利用概率模型分析用户行为数据，推断用户下次启动各个移动设备的已安装应用启动的启动概率，以生成第二推荐列表；

基于预设的融合模型对所述第一推荐列表以及所述第二推荐列表中的应用进行融合分析，以生成推荐结果；其中，所述推荐结果包括推荐的应用以及其排列顺序。

优选地，所述云端服务器具体用于：

获取第一推荐列表内的各个未安装应用的类型以及第一推荐列表内的各个已安装应用的类型；

判断是否存在与第一推荐列表中的未安装应用的类型相同的已安装应用；

若存在，则进一步判断所述类型为互补类或者互斥类；

若为互补类，则将相应的未安装应用增加到所述推荐结果中；

若为互斥类，则判断未安装应用的用户评分与对应的同类型的已安装应用的用户评分；

当未安装应用的用户评分减去对应的同类型的已安装应用的用户评分大于预设的分差阈值时，将所述未安装应用保留在所述第一推荐列表中，否则在第一推荐列表中删除所述未安装应用；

根据所述第一推荐列表中剩余的未安装应用以及所述第二推荐列表中的已安装应用生成推荐结果；其中，推荐结果中的应用的排列顺序根据概率的大小进行排列。

优选地，还包括：

终端设备，用于通过系统接口获取本地已安装应用的信息，并发送给所述云端服务器；

所述云端服务器，用于获取多个终端设备的已安装应用的信息，并通过分析每个终端设备的已安装应用确定应用的类型为互补性或者互斥性；其中，当统计终端设备同时安装有多个同类型的应用的比例大于预设的阈值时，则将该类型设置为互补型，否则将该类型设置为互斥型；

所述云端服务器，用于根据所述比例获取每个类型的互斥度，其中，比例越小，则互斥度越大；

所述云端服务器，用于根据所述互斥度设定所述分差阈值；其中，所述互斥度越大，所述分差阈值越大。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (8)

1.一种基于用户行为的应用列表动态推荐方法，其特征在于，包括：

终端设备获取用户行为数据，并发送至云端服务器，以向云端服务器请求推荐结果；

所述云端服务器存储所述用户行为数据，并对所述用户行为数据进行预处理，以去除无用的数据，再利用协同过滤算法分析用户行为数据，推断用户的兴趣倾向，产生未安装应用的第一推荐列表，随后，利用概率模型分析用户行为数据，推断用户下次启动各个移动设备的已安装应用启动的启动概率，以生成第二推荐列表，在获取所述第一推荐列表以及所述第二推荐列表后，基于预设的融合模型对所述第一推荐列表以及所述第二推荐列表中的应用进行融合分析，以生成推荐结果；其中，所述第一推荐列表包括至少一个待推荐的未安装的应用以及对应的推荐概率；其中，所述推荐结果包括推荐的应用以及其排列顺序；

所述终端设备根据所述推荐结果，更新应用列表内的应用；其中，所述应用列表内包括终端设备已安装应用的图标以及未安装应用的图标，且已安装应用具有预定的标识。

2.根据权利要求1所述的基于用户行为的应用列表动态推荐方法，其特征在于，所述用户行为数据包括用户在预定时间段内启动的各个已安装应用的名称、频率、使用时长、启动时间段、在已安装应用的操作行为数据以及终端设备自身的设备状态数据。

3.根据权利要求1所述的基于用户行为的应用列表动态推荐方法，其特征在于，所述云端服务器基于预设的融合模型对所述第一推荐列表以及所述第二推荐列表中的应用进行融合分析，以生成推荐结果具体包括：

所述云端服务器获取第一推荐列表内的各个未安装应用的类型以及终端设备当前已安装应用的类型；

所述云端服务器判断是否存在与第一推荐列表中的未安装应用的类型相同的已安装应用；

若存在，则进一步判断所述类型为互补类或者互斥类；

若为互补类，则将相应的未安装应用保留在第一推荐类别中；

若为互斥类，则获取未安装应用的用户评分与对应的同类型的已安装应用的用户评分；

当未安装应用的用户评分减去对应的同类型的已安装应用的用户评分大于预设的分差阈值时，将所述未安装应用保留在所述第一推荐列表中，否则在第一推荐列表中删除所述未安装应用；

根据所述第一推荐列表中剩余的未安装应用以及所述第二推荐列表中的已安装应用生成推荐结果；其中，推荐结果中的应用的排列顺序根据概率的大小进行排列。

4.根据权利要求3所述的基于用户行为的应用列表动态推荐方法，其特征在于，还包括：

终端设备通过系统接口获取本地已安装应用的信息，并发送给所述云端服务器；

所述云端服务器获取多个终端设备的已安装应用的信息，并通过分析每个终端设备的已安装应用确定应用的类型为互补型或者互斥型；其中，当统计终端设备同时安装有多个同类型的应用的比例大于预设的阈值时，则将该类型设置为互补型，否则将该类型设置为互斥型。

5.根据权利要求4所述的基于用户行为的应用列表动态推荐方法，其特征在于，还包括：

所述云端服务器根据所述比例获取每个类型的互斥度，其中，比例越小，则互斥度越大；

所述云端服务器根据所述互斥度设定所述分差阈值；其中，所述互斥度越大，所述分差阈值越大。

6.一种基于用户行为的应用列表动态推荐系统，其特征在于，包括：

终端设备，用于获取用户行为数据，并发送至云端服务器，以向云端服务器请求推荐结果；

所述云端服务器，用于存储所述用户行为数据，并对所述用户行为数据进行预处理，以去除无用的数据；利用协同过滤算法分析用户行为数据，推断用户的兴趣倾向，产生未安装应用的第一推荐列表；利用概率模型分析用户行为数据，推断用户下次启动各个移动设备的已安装应用启动的启动概率，以生成第二推荐列表；基于预设的融合模型对所述第一推荐列表以及所述第二推荐列表中的应用进行融合分析，以生成推荐结果；其中，所述第一推荐列表包括至少一个待推荐的未安装的应用以及对应的推荐概率；其中，所述推荐结果包括推荐的应用以及其排列顺序；

所述终端设备，用于根据所述推荐结果，更新应用列表内的应用；其中，所述应用列表内包括终端设备已安装应用的图标以及未安装应用的图标，且已安装应用具有预定的标识。

7.根据权利要求6所述的基于用户行为的应用列表动态推荐系统，其特征在于，所述云端服务器具体用于：

获取第一推荐列表内的各个未安装应用的类型以及终端设备当前已安装应用的类型；

判断是否存在与第一推荐列表中的未安装应用的类型相同的已安装应用；

若存在，则进一步判断所述类型为互补类或者互斥类；

若为互补类，则将相应的未安装应用保留在第一推荐列表内；

若为互斥类，则判断未安装应用的用户评分与对应的同类型的已安装应用的用户评分；

当未安装应用的用户评分减去对应的同类型的已安装应用的用户评分大于预设的分差阈值时，将所述未安装应用保留在所述第一推荐列表中，否则在第一推荐列表中删除所述未安装应用；

根据所述第一推荐列表中剩余的未安装应用以及所述第二推荐列表中的已安装应用生成推荐结果；其中，推荐结果中的应用的排列顺序根据概率的大小进行排列。

8.根据权利要求7所述的基于用户行为的应用列表动态推荐系统，其特征在于，还包括：

终端设备，用于通过系统接口获取本地已安装应用的信息，并发送给所述云端服务器；

所述云端服务器，用于获取多个终端设备的已安装应用的信息，并通过分析每个终端设备的已安装应用确定应用的类型为互补型或者互斥型；其中，当统计终端设备同时安装有多个同类型的应用的比例大于预设的阈值时，则将该类型设置为互补型，否则将该类型设置为互斥型；

所述云端服务器，用于根据所述比例获取每个类型的互斥度，其中，比例越小，则互斥度越大；

所述云端服务器，用于根据所述互斥度设定所述分差阈值；其中，所述互斥度越大，所述分差阈值越大。

Images