CN110555163A - 用于使应用商店推荐个性化的技术 - Google Patents

用于使应用商店推荐个性化的技术 Download PDF

Info

Publication number
CN110555163A
CN110555163A CN201910447549.8A CN201910447549A CN110555163A CN 110555163 A CN110555163 A CN 110555163A CN 201910447549 A CN201910447549 A CN 201910447549A CN 110555163 A CN110555163 A CN 110555163A
Authority
CN
China
Prior art keywords
user
software application
computing device
new
information
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.)
Pending
Application number
CN201910447549.8A
Other languages
English (en)
Inventor
J·R·卡图库里
P·梁
C·文卡塔拉曼
R·S·查克拉博蒂
H·瓦拉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Apple Inc
Original Assignee
Apple Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Apple Inc filed Critical Apple Inc
Publication of CN110555163A publication Critical patent/CN110555163A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G06F16/287—Visualization; Browsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/61—Installation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Information Transfer Between Computers (AREA)
  • Stored Programmes (AREA)

Abstract

本发明题为“用于使应用商店推荐个性化的技术”。本文公开了一种用于向计算设备的用户提供软件应用推荐的技术。所述技术可包括：(1)从所述计算设备接收对至少一个软件应用推荐的请求；(2)在多个用户配置文件中识别与所述用户相关联的用户配置文件；(3)访问多个软件应用配置文件(SAP)，其中所述多个SAP中的每个SAP与由所述服务器计算设备管理的相应软件应用相关联；(4)针对所述多个SAP的子集分析所述用户配置文件以在与所述多个SAP的所述子集相关联的所述相应软件应用中识别要推荐的至少一个软件应用；(5)将所述至少一个软件应用推荐与所述至少一个软件应用相关联；以及(6)使得所述计算设备显示所述至少一个软件应用推荐。

Description

用于使应用商店推荐个性化的技术
技术领域
本文所述的实施方案阐述了用于向使用计算设备访问软件应用商店的用户提供个性化软件应用推荐的技术。具体地讲，该技术提供了一种框架，用于维护关于生成个性化软件应用推荐时可考虑的各种因素的信息，以确保推荐与用户相关。
背景技术
近几年的资料示出，拥有和操作计算设备(例如，可穿戴设备、智能电话、平板电脑等)的个人的数量不断增加。通常，个人全天使用其计算设备进行不同类型的活动，例如，打电话、发送和接收电子消息、访问互联网等。在大多数情况下，计算设备上安装的操作系统(特别是预先安装在操作系统上的本机软件应用)可以使得用户能够进行上述活动。然而，还可安装第三方软件应用以使得用户能够进行额外的/增强的活动。例如，这些软件应用可包括社交网络软件应用、照片软件应用、游戏软件应用等。
用于使得计算设备的用户能够利用软件应用的常见方法涉及提供软件应用商店(在本文中称为“应用商店”)，该软件应用商店使得用户能够将软件应用下载到其计算设备上。具体地讲，应用商店使得软件应用的开发者能够将其软件应用连同描述、定价信息、屏幕快照等上载到应用商店。继而，用户可利用应用商店来探索和安装对他们来说有用/有趣的软件应用。例如，用户可使用特定关键字提交搜索查询以查找他们有兴趣下载的软件应用，可查看属于他们感兴趣的特定类别的所有软件应用(例如，游戏)等。又如，应用商店可显示根据各种量度排序的软件应用——例如，下载最多的软件应用、排名最高的软件应用等——以使得用户能够识别出在所有用户中当前流行的软件应用。
值得注意的是，给定应用商店提供的软件应用的数量往往根据应用商店所基于的计算设备平台的流行程度而缩放。例如，针对广泛使用的计算设备平台(例如，涉及数百万计算设备的平台)的应用商店往往包括大量(例如，几百万量级)可供下载的软件应用。尽管软件应用的这种丰富性为用户提供了增强的灵活性和选择的好处，但它也带来了尚待解决的新挑战。具体地讲，软件应用的数量过多，使得给定用户难以在应用商店中进行导航以识别适合其需求的软件应用。同样，识别和呈现用户可能有兴趣下载的未发现的软件应用是具有挑战性的。此外，有限的屏幕面积(以及用户的关注范围/耐心)需要对未发现的软件应用进行额外的筛选。在大多数情况下，这种筛选涉及随机排除相当部分的未发现的软件应用，这些软件应用可能包括用户可能认为相关的软件应用。
因此，需要一种用于向应用商店的用户提供有意义的软件应用推荐的改进技术。
发明内容
本文所述的实施方案阐述了用于向使用计算设备访问软件应用商店的用户提供个性化软件应用推荐的技术。具体地讲，该技术提供了一种框架，用于维护关于生成个性化软件应用推荐时可考虑的各种因素的信息，以确保推荐与用户相关。
一个实施方案提出了一种用于向计算设备的用户提供相关的软件应用推荐的方法。根据一些实施方案，该方法可由服务器计算设备实现并包括如下步骤：(1)从计算设备接收对在计算设备上有待显示至少一个软件应用推荐的请求；(2)在多个用户配置文件中识别与用户相关联的用户配置文件；(3)访问多个软件应用配置文件(SAP)，其中多个SAP中的每个SAP与由服务器计算设备管理的相应软件应用相关联；(4)针对多个SAP的子集分析用户配置文件以在与多个SAP的子集相关联的相应软件应用中识别至少一个软件应用以推荐给用户；(5)将至少一个软件应用推荐与至少一个软件应用相关联；以及(6)使得计算设备显示至少一个软件应用推荐。
根据一些实施方案，服务器计算设备可被配置为针对给定软件应用生成软件应用配置文件(SAP)，在阈值时间周期内通过如下方式收集关于以下项中的一者或多者的信息：(i)与软件应用相关联的用户交互信息；(ii)与软件应用相关联的导出的信息；(iii)与软件应用相关联的使用信息；或者(iv)与软件应用相关联的元数据信息。根据一些实施方案，(i)用户交互信息可标识与软件应用相关联的以下项中的一者或多者：下载、应用内购买、评级/评论、人口统计项、搜索查询或点击/印象；此外，(ii)导出的信息可标识与软件应用相关联的以下项中的一者或多者：排名位置、趋势因素、稳定性因素、兼容性或赞誉；此外，(iii)使用信息可标识与软件应用相关联的使用因素或安装保持因素中的一者或多者；此外，(iv)元数据信息可标识与软件应用相关联的综合处理信息、元数据信息或标签信息中的一者或多者。
根据一些实施方案，服务器计算设备可被配置为通过在阈值时间周期内收集关于以下项中的一者或多者的信息来为给定用户生成用户配置文件：(i)用户与多个软件应用的约定；或(ii)与用户相关联的人口统计项。根据一些实施方案，(i)用户的约定可标识与用户相关联的以下项中的一者或多者：下载、应用内购买、评级/评论、搜索查询或点击/印象；此外，与用户相关联的(ii)人口统计项可标识用户的性别或年龄中的一者或多者。
另外，各实施方案阐述了用于基于与计算设备的用户相关联的用户配置文件细化软件应用搜索结果的方法。根据一些实施方案，该方法可由服务器计算设备实现并包括如下步骤：(1)从计算设备接收查询；(2)将查询细化以建立细化的查询；(3)基于细化的查询识别由服务器计算设备管理的软件应用中的多个软件应用；(4)基于用户配置文件将多个软件应用排序以创建软件应用的排名列表；以及(5)使得计算设备在计算设备上显示的搜索结果窗口中显示软件应用排名列表的至少一个子集。
其他实施方案包括一种被配置为存储指令的非暂态计算机可读存储介质，该指令当由被包括在计算设备中的处理器执行时使得该计算设备执行上述方法中的任一方法的各步骤。另外的实施方案包括被配置为执行前述方法中任何方法的各种步骤的计算设备。
根据结合以举例的方式示出所述实施方案的原理的附图而进行的以下详细描述，本文所述的实施方案的其他方面和优点将变得显而易见。
附图说明
所包括的附图用于说明性目的，并且仅用于提供所公开的用于提供无线计算设备的本发明装置和方法的可能的结构和布置方式的示例。这些附图决不限制本领域的技术人员在不脱离实施方案的实质和范围的情况下可对实施方案作出的在形式和细节上的任何改变。该实施方案通过以下结合附图的详细描述将易于理解，其中相似的附图标号指代相似的结构元件。
图1示出了根据一些实施方案能够被配置为实现本文所述的各种技术的系统的不同部件的框图。
图2A-图2B示出了根据一些实施方案能够为软件应用生成和维护软件应用配置文件的方式的概念图。
图3A-图3E示出了根据一些实施方案能够为用户生成和维护用户配置文件的方式的概念图。
图4A-图4C示出了根据一些实施方案的概念图和方法，详细描述了如何能够利用软件应用配置文件和用户配置文件来为用户生成个性化软件应用推荐。
图5A-图5C示出了根据一些实施方案的概念图和方法，详细描述了如何能够利用软件应用配置文件和用户配置文件来为用户生成个性化搜索查询结果。
图6示出了根据一些实施方案可用于实现本文所述的各种部件的计算设备的详细视图。
具体实施方式
在本部分中提供了根据本发明所述的实施方案的装置和方法的代表性应用。提供这些实施例仅为了添加上下文并有助于理解所描述的实施方案。因此对于本领域的技术人员将显而易见的是，当前描述的实施方案可在不具有这些具体细节中的一些或所有的情况下被实践。在其他实例中，未详细描述众所周知的工艺步骤，以便避免不必要地模糊当前描述的实施方案。其他应用是可能的，由此使得以下实施例不应当被当作是限制性的。
本文所述的实施方案阐述了用于向使用计算设备访问软件应用商店的用户提供个性化软件应用推荐的技术。具体地讲，该技术提供了一种框架，用于维护关于生成个性化软件应用推荐时可考虑的各种因素的信息，以确保推荐与用户相关。下面阐述了关于这些技术的更详细论述并结合各个附图进行了描述，其示出了可用于实现这些技术的系统和方法的详细图示。
图1示出了根据一些实施方案能够实现本文所述的各种技术的系统100的不同部件的框图。如图1所示，系统100可包括服务器计算设备102，其使得计算设备126(例如，智能电话、平板电脑、膝上型计算机、台式计算机等)的用户118能够访问由服务器计算设备102托管的软件应用商店。根据一些实施方案，服务器计算设备102可被配置为管理各种软件应用104并使得它们可被下载并安装到用户计算设备126上(在图1中表示为软件应用下载123)。在一些实施方案中，服务器计算设备102实现的软件应用商店可以使得软件开发者能够上载软件应用104，使该应用能够通过软件应用商店获得。相反地，用户计算设备126可执行使得用户计算设备126能够与由服务器计算设备102实现的软件应用商店进行约定的对应软件应用(在本文中称为软件应用商店客户端)。例如，(在给定用户计算设备126上执行的)软件应用商店客户端可使得用户118能够浏览以发现其可能有兴趣下载和安装的软件应用104，例如，生产力软件应用、社交网络软件应用、游戏软件应用等等。继而，当用户118识别出感兴趣的特定软件应用104时，软件应用商店客户端可使得用户计算设备126以无缝方式将软件应用104下载并安装到用户计算设备126上。随后，用户118可在其用户计算设备126上访问软件应用104。
根据一些实施方案，并且如本文更详细所述，服务器计算设备102可被配置为管理各种软件应用104的软件应用配置文件106。具体地讲，软件应用分析器108可被配置为接收与给定软件应用104相关联的软件应用配置文件输入110(例如，与访问软件应用104的用户118相关联的用户约定124、与软件应用104相关联的用户搜索查询125等)，并执行各种分析以建立/维护描述与软件应用104相关联的各个方面的软件应用配置文件106。下面结合图2A-图2B提供了对软件应用分析器108的更详细描述。另外，服务器计算设备102还可被配置为管理各个用户118的用户配置文件116。具体地讲，用户分析器114能够被配置为接收用户配置文件输入112(例如，与用户118相关联的用户约定124、用户118提交的用户搜索查询125)，并执行各种分析以建立/维护描述与用户118相关联的各个方面的用户配置文件116。下面结合图3A-图3E提供了对软件应用分析器108的更详细描述。
此外，并且如图1所示，服务器计算设备102可实现被配置为(例如，通过在用户计算设备126上执行的软件应用商店客户端)向用户118提供软件应用推荐的推荐引擎120。根据一些实施方案，推荐引擎120(具体地讲，由推荐引擎120实现的排名器121)可被配置为在适当时向用户计算设备126提供软件应用推荐128，例如，当在用户计算设备126上执行的软件应用商店客户端正在准备显示包括要下载和安装的软件应用104的推荐的用户界面(UI)时。具体地讲，排名器121可通过分析(1)与用户118相关联的用户配置文件116和(2)与由服务器计算设备102管理的软件应用104相关联的软件应用配置文件106，来为给定用户118生成软件应用推荐128。下面结合图4A-图4C提供了对推荐引擎120/排名器121的更详细描述。此外，推荐引擎120(具体地讲，查询处理程序122)可被配置为在适当时(例如，当用户计算设备126的用户118输入针对他们寻求访问的软件应用104的搜索查询时)向用户计算设备126递送用户搜索查询结果130。具体地讲，查询处理程序122可被配置为(1)从(操作用户计算设备126的)用户118接收用户搜索查询125，并且(2)提供基于与用户118相关联的软件应用配置文件106而个性化的用户搜索查询结果130。下面结合图5A-图5C提供了对推荐引擎120/查询处理程序122的更详细描述。
应当理解，为了简化起见，图1例示的计算设备的各种部件以高层级给出。例如，尽管图1中未例示，但应当理解，各种计算设备可包括能够实现上述软件实体的常见硬件/软件部件。例如，计算设备中的每一者可包括一个或多个处理器，处理器与一个或多个易失性存储器(例如，动态随机存取存储器(DRAM))和一个或多个存储设备(例如，硬盘驱动器、固态驱动器(SSD)等)协同，使得能够执行本文所述的各种软件实体。此外，计算设备中的每一者可包括使得计算设备能够在彼此之间(例如，使用互联网)传输信息的通信部件。下面结合图6提供了对这些硬件部件的更详细说明。另外，应当理解，在不脱离本公开的范围的情况下，计算设备可包括能够实现本文所述的各种技术的附加实体。还应当理解，在不脱离本公开的范围的情况下，本文所述的实体可被组合或分割成额外的实体。还应当理解，在不脱离本公开的范围的情况下，可使用基于软件或基于硬件的方法来实现本文所述的各种实体。
因此，图1提供了根据一些实施方案，系统100(具体地讲，服务器计算设备102和用户计算设备126)可实现本文所述各种技术的方式的概述。下面将结合图2A-图2B提供对可生成和维护软件应用配置文件106的方式的更详细分解。
图2A示出了根据一些实施方案的概念图200，描绘了软件应用分析器108能够为软件应用104生成/维护软件应用配置文件106的方式。如图2A所示，生成/维护软件应用配置文件106的过程可涉及采集与软件应用配置文件106相关联的应用配置文件输入110。根据一些实施方案，软件应用配置文件输入110可包括与软件应用104相关联的用户行为信息202、与软件应用104相关联的导出的信息204、与软件应用104相关联的软件应用使用信息206，以及与软件应用104相关联的内容元数据208，下文将更详细地描述这些信息。
需注意，在本公开中阐述的对各种信息项的以下论述并不旨在以任何方式进行限制。相反，应当理解，论述仅是示例性的，并且信息项可包括本公开中未明确描述的附加/相关信息项。此外，应当理解，在不脱离本公开的范围的情况下，可以任何水平的粒度来采集和分析信息项。此外，应当理解，可聚合信息项以导出本公开中未明确描述的其他信息项。
如图2A中所示，用户行为信息202可标识与软件应用104相关联的以下项中的一者或多者：下载、应用内购买、评级/评论、人口统计项、搜索查询、点击/印象等等。根据一些实施方案，下载信息可涵盖有关软件应用104向用户计算设备126的分发的任何信息。例如，下载信息可标识已下载并安装软件应用104的唯一用户118、用户计算设备126等的总数。下载信息还可标识与下载相关联的时间信息(例如下载和安装发生的日期/时间)、下载和安装软件应用104的用户计算设备126的类型等。此外，应用内购买信息可涵盖有关在软件应用104的操作范围内进行的购买的任何信息。例如，应用内购买信息可标识所进行的应用内购买的类型、它们产生的收入等。此外，评级/评论信息可涵盖已下载并安装软件应用104的用户118提供的任何反馈信息。例如，评论信息可表示落在一(1)和五(5)之间的评级，其中评级的值表示由用户118提供的评级值的平均值。此外，评论信息可表示由用户118提交的关于其使用软件应用104的体验的书面评论。另外，人口统计项可包括有关已与软件应用104约定(即，查看和/或下载并安装)的用户118的各种人口统计项。例如，人口统计项可标识已与软件应用104约定的用户118的性别、年龄、位置等。
此外，搜索查询信息可涵盖由用户118提交并且导致用户118下载和安装软件应用104(在本文中称为“转换”)的搜索短语的集合。根据一些实施方案，搜索查询信息可被配置为仅包括可靠地导致转换的搜索查询，例如，在提交搜索查询之后阈值时间周期内发生的转换，在阈值数量的用户界面输入(例如，单击输入、触摸输入等)之内发生的转换等。此外，点击/印象信息可涵盖在用户118与软件应用104约定的任何部分中与软件应用104进行的交互的细节。例如，点击信息可标识在软件应用商店中查看软件应用104时，用户118与软件应用104的交互。此外，印象信息可包括关于用户118在查看软件应用104时所做的总体约定的细节。例如，印象信息可标识相对于最终下载并安装软件应用104的用户118的数量，在软件应用商店中查看软件应用104的用户118的数量。此外，印象信息可标识如何在软件应用商店中为用户118呈现软件应用104的各方面，例如通过付费广告、排名列表、编辑区域(例如，推荐的软件应用)、类别过滤器等。
因此，用户行为信息202可涵盖关于用户118如何与软件应用104约定的大量信息。另外，并且如本文先前所述，软件应用配置文件输入110可包括导出的信息204。根据一些实施方案，导出的信息204可包括与软件应用104相关联的以下项中的一者或多者：排名位置、趋势因素、稳定性因素、兼容性、赞誉等等。根据一些实施方案，排名位置信息可涵盖有关当前(或曾经)列出软件应用104的不同排序的任何信息。例如，排名位置信息可标识当前(或曾经)列出软件应用104的一个或多个按数字排名的列表(例如，前十个、前一百个等)。又如，排名位置信息可标识当前(或曾经)列出软件应用104的一个或多个按类别排名的列表(例如，排名最靠前的游戏、排名最靠前的实用程序等)。再如，排名位置信息可标识当前(或曾经)列出软件应用104的一个或多个按人口统计项排名的列表(例如，针对男性/女性的排名最前应用、针对儿童/青少年/学生/成人/老年人的排名最前应用等)。
根据一些实施方案，趋势因素信息可涵盖有关软件应用104的当前(或过去)流行程度的任何信息。例如，趋势因素信息可标识接收到超过一个或多个阈值的关注量的应用，例如，与软件应用104相关联的查询数量、软件应用104的查看次数、与软件应用104相关联的下载和安装次数等。在该实施例中，软件应用104可标记为(1)在次数(个体/集体)超过第一阈值时，趋势软件应用，(2)在次数(个体/集体)超过第二阈值时，突破性软件应用，依此类推。
根据一些实施方案，稳定因素信息可涵盖有关用户计算设备126上的软件应用104的操作的当前(或过去)稳定性的任何信息。例如，稳定性因素信息可涵盖识别软件应用104何时遇到操作问题的信息，例如在软件应用104的安装期间，在软件应用104的操作期间，在软件应用104的卸载期间等。操作问题可包括例如处理器、存储器和存储装置的过度使用，导致软件应用104(或用户计算设备126自身)重置的冻结等。
根据一些实施方案，兼容性信息可涵盖有关软件应用104相对于用户计算设备126表现出的当前(或过往)兼容性的任何信息。例如，兼容性信息可标识软件应用104针对其被优化的不同类型的用户计算设备126(例如，智能电话和平板电脑)。兼容性信息还可以标识与软件应用104相关联的不同版本的软件兼容性——例如，对寻求下载并安装软件应用104的用户计算设备126上安装的操作系统、固件等的最低版本要求。
另外，赞誉信息可涵盖有关软件应用104相关联的当前(或过往)奖项的任何信息。例如，赞誉信息可标识通过已被授予访问软件应用商店的提升权限的用户118和/或编辑者(例如，管理员)的约定而分配(或先前分配)给软件应用104的不同奖项。此外，赞誉信息可标识通过满足的里程碑而分配(或先前分配)给软件应用104的不同奖项，例如，当软件应用104在特定时间段范围之内是被下载和安装最多的软件应用时、当软件应用104在特定图表中保持特定时间段时，等等。
因此，导出的信息204可涵盖关于软件应用104涉及与软件应用商店相关联的用户118、编辑者对软件应用接收的一般健康、软件应用的操作稳定性等的大量信息。另外，并且如本文先前所述，软件应用配置文件输入110可包括软件应用使用信息206。根据一些实施方案，软件应用使用信息206可包括与软件应用104相关联的使用因素、安装保持因素等中的一者或多者。根据一些实施方案，使用因素信息可涵盖有关用户118与软件应用104约定的方式的任何信息。例如，使用因素信息可标识用户118加载软件应用104的平均频率(例如，一天一次，一天两次等)、用户118在加载软件应用104之后与该软件应用约定的平均时间量等。根据一些实施方案，安装保持因素信息可涵盖有关在不同用户计算设备126上安装软件应用104的任何信息。例如，该安装保持因素信息可标识软件应用104保持安装于用户计算设备126上的平均时间比例、允许进行自动更新的安装百分比、与安装相关联的版本信息、安装和卸载总次数等。
因此，软件应用使用信息206可涵盖关于用户118向其用户计算设备126上的软件应用104呈现出的安装后一般约定的大量信息。另外，并且如本文先前所述，软件应用配置文件输入110可包括内容元数据208。根据一些实施方案，内容元数据208可包括与软件应用104相关联的以下项中的一者或多者：综合处理信息、元数据信息、标签信息等。根据一些实施方案，综合处理信息可涵盖由对软件应用商店具有提升访问权限的编辑者分配给软件应用104的任何信息。例如，综合处理信息可包括由编辑者提交的针对软件应用104的编辑评论、编辑分类等。根据一些实施方案，元数据信息可涵盖描述软件应用104的任何信息。例如，元数据信息可由软件应用104的开发者提交，并且包括与软件应用104相关联的书面描述、屏幕快照和视频。根据一些实施方案，标签信息可涵盖将软件应用104与相关类别相关联的任何信息。例如，标签信息可指示软件应用104属于特定类别(例如，“约会”、“游戏”、“社交”等)。又如，标签信息可指示软件应用104针对特定显示屏尺寸进行优化。需注意，标签信息可由编辑者修改和/或补充，以提供可在生成本文所述的软件应用推荐128时利用的附加层级的上下文。就这一点而言，内容元数据208可用于标识关于软件应用104本身的信息。
因此，软件应用配置文件输入110提供了软件应用分析器108在负责生成软件应用104的软件应用配置文件106时可考虑的丰富信息。根据一些实施方案，当生成软件应用配置文件106时，软件应用分析器108可利用任何已知的技术对软件应用配置文件输入110进行分析、聚合、组织等。根据一些实施方案，并且如下文更详细所述，软件应用配置文件106可被配置为包括语义信息220、约定信息222以及质量和排名信息224。
根据一些实施方案，可使用软件应用配置文件输入110中的任一者，例如，开发者提供的关键字、用户约定数据(即，个体用户118下载/使用哪个软件应用104)等，来生成语义信息220。根据一些实施方案，软件应用分析器108可实现机器学习以识别应当分配给软件应用104的一个或多个主题。具体地讲，这些主题可用于有效地将大量信息分解为相对较小数量的字词，这些字词提供软件应用104的性质的有意义分解。例如，为数学辅导软件应用生成的主题可包括“数学”、“数字”、“答案”、“问题”、“加法”、“减法”、“乘法”、“除法”等。根据一些实施方案，每个主题可与表示该主题相对于软件应用104的总体相关强度的不同权重相关联。另外，软件应用分析器108可实现机器学习以例如，使用逐项分析、集群技术等识别存在于软件应用104和其他软件应用104之间的相似性。继而，软件应用分析器108可部分地基于与其他软件应用104相关联的软件应用配置文件106来生成软件应用配置文件106。
因此，语义信息220可用于回答关于软件应用104的重要问题。例如，语义信息220可标识软件应用104如何与其他软件应用104相关、与软件应用104相关的搜索查询、应当对软件应用104感兴趣的用户118的类型、软件应用104实际提供的功能等。就这一点而言，语义信息220可使得推荐引擎120能够在向个体用户118提供软件应用推荐128时改善所实现的个性化水平。
另外，语义信息220可使得编辑者能够以更简单的方式发现软件应用104，尤其是在语义信息220揭示关于应当研究的软件应用104的令人感兴趣的属性时。继而，并且如本文先前所述，编辑者可将附加信息分配给软件应用104/软件应用配置文件106。具体地讲，语义标签(例如，“约会”、“餐饮”、“新闻”、“汽车”、“食品”等)可使得软件应用104能够在软件应用商店中实现与软件应用104的优点相称的关注程度。此外，质量标签(例如，“高质量”、“印象深刻”、“有启发性”等)也可使得软件应用104能够在软件应用商店中实现与软件应用104的优点相称的关注程度。考虑到这些语义/质量标签是由可能与软件应用商店关联并且以对软件应用商店最有利的方式操作的编辑者提供的，因此标签有益地是一致的、可靠的、相关的和可解释的。这一方面提供了一种不明显的优点，使得入门级/独立软件开发者能够在适当的时候在软件应用商店之内找到立足点，考虑到软件应用商店之内通常包括的大量软件应用104，通常难以实现这一目的。
另外，并且如本文先前所述，软件应用配置文件106可包括约定信息222。根据一些实施方案，约定信息222也可用于回答关于软件应用104的重要问题。例如，约定信息222可以包括关于下载并安装软件应用104的用户118的类型、用户118如何利用软件应用104(例如，与其约定相关联的上下文、应用内购买等)、用户118利用软件应用104的频率(例如，每天的次数、使用多久等)等的信息。
另外，并且如本文先前所述，软件应用配置文件106可包括质量和排名信息224。根据一些实施方案，质量和排名信息224也可用于回答关于软件应用104的重要问题。例如，质量和排名信息224可指示软件应用104的开发者是否可信，软件应用104的用户118是否具有正面总体响应率等。此外，质量和排名信息224可指示软件应用104是否稳定，软件应用104是否遵循软件应用商店的准则等。另外，质量和排名信息224可包括表征软件应用104的总体质量的一组得分，包括维护编辑者过去操作的记录(例如，编辑赞誉、语义/质量标签等)的综合处理历史。质量和排名信息224还可包括指示软件应用商店内的总体性能的导出的排名因素。
图2B示出了根据一些实施方案的概念图230，描绘了软件应用分析器108能够为软件应用配置文件106生成质量和排名信息224的方式。如图2B所示，软件应用分析器108可被配置为接收用户响应信息232、内在信息234和欺诈信息236。根据一些实施方案，用户响应信息232可包括提供与软件应用104的用户118相关联的评级和约定的完整图像的信息。例如，用户响应信息232可指示软件应用104的先前版本和当前版本的保持率(如本文所述)、用户反馈(即，评级/评论)、反馈的相关性、软件应用104的总体流行程度(如本文所述)等。根据一些实施方案，在确定反馈的相关性时，可考虑多种因素，例如，反馈是否是由定期使用软件应用104的用户提交的，反馈是否与软件应用104的总体功能相关等。例如，软件应用分析器108可被配置为识别由“机器人”提交的假冒评论，此类机器人试图注入不相关信息和/或不必要地拉低软件应用104在软件应用商店的上下文之内的总体地位。
根据一些实施方案，内在信息234可包括指示软件应用104总体是否为值得注意的优秀且稳定的产品的信息。例如，内在信息234可标识软件应用104是否超过指示较差质量设计的崩溃率，软件应用104是否具有突出显示软件应用104的特征的基于视频的广告片，软件应用104是否具有突出显示软件应用104的特征的屏幕快照，软件应用104是否与有说服力且有意义的描述相关联等。
根据一些实施方案，欺诈信息236可包括指示软件应用104是否为可由软件应用商店和用户118信任的软件应用的信息。例如，欺诈信息236可标识由软件应用商店(或软件应用商店信任的其他方)分配给软件应用104的开发者的信誉状态——例如，好、坏、未知等。此外，欺诈信息236可包括关于已与软件应用104关联接收的欺诈索赔的信息，例如，由用户118生成的欺诈索赔、由与软件应用104的开发者开展业务的实体生成的欺诈索赔等。另外，欺诈信息236可包括关于服务器计算设备102(或其他实体)为了检测欺诈而执行的进行中审核的信息。例如，服务器计算设备102(或其他实体)可标识欺诈信息236内反映的可疑支付交易、用户隐私问题等。此外，欺诈信息236可包括关于是否已知软件应用104的开发者是软件应用商店内的可信开发者(例如，合作伙伴公司、大型/公知公司等)的信息。
因此，图2A-图2B提供了可由服务器计算设备102生成并维护软件应用配置文件106的方式的详细分解。如本文先前所述，推荐引擎120可使用软件应用配置文件106——连同用户配置文件116——针对用户118生成软件应用推荐128。因此，下面将结合图3A-图3E提供可生成和维护用户配置文件116的方式的更详细分解。
图3A示出了根据一些实施方案的概念图300，描绘了用户分析器114能够为用户118生成/维护用户配置文件116的方式。根据一些实施方案，用户配置文件116可充当关于用户118的个性化相关信息的储存库。如图3A所示，生成/维护用户配置文件116的过程可涉及采集与用户118相关联的用户配置文件输入112。根据一些实施方案，用户配置文件输入112可包括与用户118相关联的用户约定信息302、与用户118所约定的软件应用104相关联的软件应用配置文件106以及与用户118相关联的人口统计项304，下文将更详细地描述这些信息。
如图3A中所示，用户约定信息302可标识与用户118相关联的以下项中的一者或多者：下载、应用内购买、评级/评论、人口统计项、搜索查询、点击/印象等等。值得注意的是，在图3A的范围之内可应用上文结合图2A提供的这些术语的相同描述。然而，需注意，在图3A的范围之内，这些术语适用于与多个软件应用104约定的单个用户118，而不是与单个软件应用104约定的多个用户118(如图2A中那样)。如图3A所示，软件应用配置文件106可对应于用户约定的不同软件应用104。如本文先前所述，软件应用配置文件106可包括上文在图2A中描述的语义信息220、约定信息222以及质量和排名信息224。另外，人口统计项304可涵盖关于正在为其生成软件应用配置文件106的用户118的信息，例如，年龄、性别等(如本文所述)。
根据一些实施方案，并且如图3A所示，用户配置文件116可包括分类信息306、推断信息308、人口统计项310和机器学习信息312。根据一些实施方案，分类信息306可标识用户118对应的一个或多个行为类别。例如，当用户分析器114识别出用户118对所有形式的游戏软件应用感兴趣时，分类信息306可指示用户118是“稀少玩家”。又如，当用户分析器114识别出用户118对电子书(eBook)软件应用感兴趣时，分类信息306可指示用户118是“读者”。再如，当用户分析器114识别出用户118对学习辅助软件应用感兴趣时，分类信息306可指示用户118是“学生”。另外，需注意，不同的分类可与特定权重相关联，以指示用户118对分类表现出的总体相关强度。
根据一些实施方案，推断信息308可包括以下项中的一者或多者：有关与用户118相关联的用户计算设备126的设备信息、用户118所呈现的花费信息、关于用户118所呈现的软件应用流派亲密度的信息、与用户118所约定的软件应用104相关联的标签(例如，语义、质量等)、与用户118所约定的软件应用104相关联的主题等。根据一些实施方案，设备信息可涵盖有关与用户118相关联的用户计算设备126的任何信息。例如，设备信息可指示用户118拥有平板计算设备、智能电话计算设备和膝上型计算设备，它们全部链接到与用户118相关联的同一软件应用商店帐户。根据一些实施方案，花费信息可涵盖有关用户购买的软件应用104、用户118做出的应用内购买、用户118做出的设备购买(例如，附加的用户计算设备126)等的任何信息。根据一些实施方案，关于用户118呈现的软件应用流派亲密度的信息可涵盖有关用户118所约定的软件应用104的任何信息。例如，该信息可标识用户118最常使用的软件应用104，汇编与软件应用104相关联的流派列表，并且根据它们与用户118的总体相关性(例如，基于约定信息)对流派列表进行排名。根据一些实施方案，标签和主题信息可涵盖有关与用户118所约定的软件应用104相关联的标签和主题的任何信息。例如，该信息可标识用户118最常使用的软件应用104，汇编与软件应用104相关联的标签和主题的列表，并且根据它们与用户118约定的总体相关性对列表进行排名。
根据一些实施方案，人口统计项310可包括以下项中的一者或多者：与用户118相关联的年龄信息，或与用户118相关联的性别信息。需注意，上述人口统计项并非旨在表示穷举列表，并且在不脱离本公开的范围的情况下，人口统计项310可涵盖关于用户118的其他信息。
根据一些实施方案，机器学习信息312可包括用户分析器114能够通过机器学习分析导出的关于用户118的信息。根据一些实施方案，机器学习信息312可包括关于如何可根据正在对比的用户118的不同方面将用户118与其他用户118进行集群(即分组)的信息，下文结合图3B-图3E对此细节做出描述。根据一些实施方案，机器学习信息312还可包括关于用户118是否表现出发现在其正常兴趣之外的新软件应用104的倾向的信息。例如，当用户表现出与跨越多种流派、支付模式(例如，付费/免费应用)等的大量软件应用104的历史约定行为时，用户分析器114可将高发现倾向与用户118相关。相比之下，当用户118表现出与跨越单个流派和支付模式的少数软件应用104的历史约定行为时，用户分析器114可将低发现倾向与用户相关。
如上所述，图3B-图3E详细说明了机器学习信息312如何能够通过集群技术生成有用的信息。具体地讲，图3B在示例性场景330中示出了该概念，其中与用户配置文件116-1相关联的用户118被分组在共享至少一个方面的相似性(例如，流派亲密度)的其他用户118之间。例如，分组在集群332-1(包括用户118和其他用户118)中的用户118可以代表对某一游戏流派表现出最高下载次数的一组个人。就这一点而言，用户分析器114可从与其他用户118相关联的用户配置文件116中导出有用的信息。就这一点而言，用户118的用户配置文件116-1可部分地基于与其他用户118相关联的用户配置文件116中的一者或多者。又如，分组到集群332-2中的用户118可代表已表现出对科学流派最高下载次数的一组个人。再如，分组到集群332-3中的用户118可代表已表现出对体育流派最高下载次数的一组个人。需注意，可应用各种过滤器来增强对用户118分组的总体准确性，以便增大其彼此的相关性。例如，本文所述的基于流派的分组可被配置为忽略对应于在进行下载时排名很高的软件应用104的下载，因为此类下载可能不适当地影响下载计数并降低分组的总体相关性。另外，需注意，在不脱离本公开的范围的情况下，可基于任何方面对用户118进行分组。例如，可基于其花费习惯，基于其地点、其人口统计项等，以及在任何粒度水平上对用户118进行分组。
另外，如图3C所示，用户分析器114可被配置为利用本文所述的集群技术来为集群332的每个建立集群配置文件334。具体地讲，针对给定集群332的集群配置文件334能够代表与被分组在集群332之内的用户118相关联的用户配置文件116的聚合。因此，如图3C所示，对于用户118被分组在其中的每个集群334，用户分析器114可以建立集群配置文件334——或更新现有集群配置文件334——并将与用户118相关联的用户配置文件116-1添加到集群配置文件334-1。根据一些实施方案，每个集群配置文件334可包括对(属于集群配置文件334的用户118的)用户配置文件116的引用，以使得用户配置文件116的副本不需要冗余地存储以与集群配置文件334相关联。该概念在图3E被用户配置文件引用342例示。继而，集群配置文件334可与其各自的集群332相关，在图3D中由集群配置文件分配336-1、336-2和336-3表示。
现在转向图3E，该图例示了示例性情形340，其中集群配置文件334-1可用于针对用户118生成相关的软件应用推荐128(图3E中示出为软件应用推荐346)——在图3B-图3D中，用户118属于集群配置文件334-1。如图3E所示，推荐引擎120可从用户118——尤其是从用户118操作的用户计算设备126——接收对软件应用推荐346的请求，该软件应用推荐基于将用户118包括在集群配置文件334-1中。如图3E所示，该请求可包括用户配置文件116-1(或关于可用于定位用户配置文件116-1的用户118的信息)，其中推荐引擎120继而识别用户配置文件116-1是集群配置文件334-1的成员。接下来，推荐引擎120分析与集群配置文件334-1相关联的其他用户配置文件116(通过用户配置文件引用342)，并基于其他用户配置文件116识别用户118可能有兴趣约定的软件应用104。例如，推荐引擎120可识别正被属于集群配置文件334-1的阈值数量的用户118所约定的新软件应用104。继而，推荐引擎120可过滤掉已被用户118约定的任何新软件应用104，并且经由软件应用推荐346提供剩余的新软件应用104(如果有的话)。
因此，图3A-图3E提供了根据一些实施方案，可以生成用户配置文件116并将其用于形成集群配置文件334的方式的详细分解。另外，并且如本文先前所述，推荐引擎120可被配置为利用(1)用户的用户配置文件116，以及(2)由服务器计算设备102管理的软件应用104的软件应用配置文件106，向用户118提供软件应用推荐128。因此，现在将在下文结合图4A-图4C提供这些特征的更详细分解。
图4A示出了根据一些实施方案的概念图400，描绘了推荐引擎120能够向用户计算设备126的用户118提供软件应用推荐128的方式。如图4A所示，与用户118相关联的用户配置文件116的各个方面可由推荐引擎120结合生成软件应用推荐128来进行分析。根据一些实施方案，可响应于从用户计算设备126(与用户118/用户配置文件116相关联)接收到对软件应用推荐128的最新列表的请求而由推荐引擎120识别用户配置文件116。例如，当在用户计算设备126上执行的软件应用商店客户端被加载并且正在寻求显示软件应用推荐128时，可能发生这种情况。
如图4A所示，由排名器121分析的用户配置文件116的各方面可包括购买亲密度402、标签亲密度404、流派亲密度406、主题亲密度408和人口统计项410。类似地，排名器121可被配置为结合生成软件应用推荐128来分析软件应用配置文件106的各个方面。例如，这些方面可包括与(用户配置文件116的)购买亲密度402相关的购买亲密度412、与(用户配置文件116的)标签亲密度404相关的标签亲密度414、与(用户配置文件116的)流派亲密度406相关的流派亲密度416、与(用户配置文件116的)主题亲密度408相关的主题亲密度418、与(用户配置文件116的)人口统计项410相关的人口统计项420以及流行程度422。值得注意的是，上文结合图2A-图2B和图3A-图3E提供的前述术语的描述可应用于图4A的范围之内。另外，需注意，用户配置文件116和软件应用配置文件106之内包括的信息是示例性的，在用户配置文件116/软件应用配置文件106的上下文之内可以考虑任何容量的本文所述的任何信息，而不脱离本公开的范围。
根据一些实施方案，排名器121可被配置为使用任何已知的分析技术来分析包括在用户配置文件116和软件应用配置文件106中的信息，以便识别在特定上下文范围内与用户118最相关的软件应用104。例如，当比较各种信息以识别可导致生成相关软件应用推荐128的相关性时，排名器121可实施机器学习技术。在一些实施方案中，图4A中例示的相关信息对中的每个(例如，购买亲密度402/购买亲密度412、标签亲密度404/标签亲密度414等)可与影响每个相关信息对相对于生成软件应用推荐128的总体影响的权重相关联。由排名器121执行的分析导致生成排名的软件应用列表404，该列表随后可以软件应用推荐128的形式提供给用户计算设备126。继而，并且如图4B的概念图430所示，用户计算设备126可显示反映软件应用推荐128的用户界面。在图4B例示的实施例中，用户118表现出对“游戏”、“儿童”和“新闻”类别的亲密度(例如，强度逐渐降低)。就这一点而言，根据软件应用推荐128，用户界面可在每个类别内显示最相关的软件应用104。需注意，图4B中例示的用户界面是示例性的，并且用户计算设备126可被配置为在不脱离本公开的范围的情况下在用户界面内以任何形式和任何水平的粒度显示软件应用推荐128。
另外，图4C示出了根据一些实施方案的方法450，该方法用于使得计算设备显示与计算设备的用户相关的软件应用推荐。具体地讲，方法450充当可由推荐引擎120实施以为特定用户118生成软件应用推荐128的技术的高层级概述。如图4C所示，方法450可由服务器计算设备102实现，并且在步骤452处开始，其中推荐引擎120从计算设备接收对在计算设备上有待显示至少一个软件应用推荐的请求(例如，如上文结合图4A所述)。在步骤454处，推荐引擎120在多个用户配置文件中识别与用户相关联的用户配置文件(例如，如上文结合图4A所述)。
在步骤456处，推荐引擎120访问多个软件应用配置文件(SAP)，其中多个SAP中的每个SAP与由服务器计算设备管理的相应软件应用相关联(例如，也如上文结合图4A所述)。在步骤458处，推荐引擎120针对多个SAP的子集分析用户配置文件，以在与多个SAP的子集相关联的相应软件应用中识别至少一个软件应用以推荐给用户(例如，也如上文结合图4A所述)。在步骤460处，推荐引擎120将至少一个软件应用推荐与至少一个软件应用相关联(例如，也如上文结合图4A所述)。在步骤462处，推荐引擎120使得计算设备显示至少一个软件应用推荐(例如，如上文结合图4B所述)。
因此，图4A-图4C提供了推荐引擎120可被配置为利用(1)用户的用户配置文件116，以及(2)由服务器计算设备102管理的软件应用104的软件应用配置文件106，向用户118提供软件应用推荐128的方式的详细分解。此外，并且如本文先前所述，推荐引擎120还可被配置为(1)从(操作用户计算设备126的)用户118接收用户搜索查询125，并且(2)提供基于与用户118相关联的软件应用配置文件106而个性化的用户搜索查询结果130。因此，现在将在下文结合图5A-图5C提供这些特征的更详细分解。
图5A示出了根据一些实施方案的概念图500，描绘了推荐引擎120——尤其是查询处理程序122——能够向用户计算设备126的用户118提供用户搜索查询结果130的方式。如图5A所示，查询处理程序122可从用户计算设备126接收用户搜索查询125。用户搜索查询125可由用户计算设备126根据多种事件生成，例如，用户118输入文本输入、语音命令输入、鼠标/键盘输入、触摸输入等。继而，查询处理程序122可执行一系列操作，这些操作使得推荐引擎120能够生成针对用户118个性化的搜索结果，而不是提供本来应当匹配响应于同一用户搜索查询125而提供的所有搜索结果的通用搜索结果。
如图5A所示，查询修改器504可被配置为在适当情况和适当时候修改用户搜索查询125。例如，查询修改器504可被配置为基于所执行的拼写检查来修改用户搜索查询125。又如，查询修改器504可被配置为基于与用户118相关联的用户配置文件116来修改用户搜索查询125。具体地讲，为了生成与用户118更相关的用户搜索查询结果130，查询修改器504可被配置为添加、修改或移除用户搜索查询125中的词。例如，当用户配置文件116识别出(1)用户118表现出对游戏软件应用104的强倾向，并且(2)用户搜索查询125包括通常与游戏相关联的词语(例如，“战斗”、“多人”、“团队”等)时，查询修改器504可被配置为将词语“游戏”/“玩游戏”/“多个游戏”添加至用户搜索查询125。就这一点而言，经修改的用户搜索查询125将自然缩小搜索结果以包括更可能与由用户118提交的用户搜索查询125相关的游戏软件应用104。
根据一些实施方案，可将经修改的用户搜索查询125提供给查询评估器506和查询聚合器508以生成包括与经修改的用户搜索查询125相关的软件应用配置文件106的搜索结果。具体地讲，查询评估器506可被配置为检索与经修改的用户搜索查询125相关的软件应用配置文件106，并向查询聚合器508提供软件应用配置文件106。继而，查询聚合器508可在将软件应用配置文件106递送至排名器121之前对其进行过滤。例如，查询聚合器508可被配置为应用任何业务规则、过滤器等以缩小提供给排名器121的软件应用配置文件106。然后，排名器121可基于用户118的行为特征(例如，以类似于上文在图4A-图4C中所述的技术的方式)将软件应用配置文件106重新排序，并且向用户计算设备126提供排名的搜索软件应用列表510(充当用户搜索查询结果130)。
图5B示出了概念图530，其突出显示了响应于用户搜索查询125而生成的默认搜索软件应用列表532和排名搜索应用列表534之间的差异。具体地讲，在未结合图5A(和图5C，如下所述)修改用户搜索查询125时，默认的搜索软件应用列表532代表针对用户搜索查询125“棒球”返回的搜索结果。因此，搜索结果包括按升序排列的六个不同的软件应用104。相比之下，在根据上文结合图5A(和图5C，如下所述)所述的技术修改用户搜索查询125时，排名的搜索应用列表534代表针对相同用户搜索查询125“棒球”返回的搜索结果。值得注意的是，根据排名搜索软件应用列表534返回的搜索结果可与根据默认搜索软件应用列表532返回的搜索结果高度不同，并且假定根据用户118的行为方面调整根据排名搜索软件应用列表534返回的搜索结果，则与用户118更相关。
另外，图5C示出了根据一些实施方案的方法550，用于基于与计算设备的用户相关联的用户配置文件细化软件应用搜索结果。具体地讲，方法550充当可由推荐引擎120实施以基于与特定用户118相关联的用户配置文件116细化软件应用搜索结果的技术的高层级概述。如图5C所示，方法550可在服务器计算设备102处实现，并且在步骤552处开始，其中推荐引擎120从计算设备接收查询(例如，如上文结合图5A所述)。在步骤554处，推荐引擎120识别与计算设备相关联的用户配置文件(例如，也如上文结合图5A所述)。在步骤556处，推荐引擎120将查询细化以建立细化的查询(例如，也如上文结合图5A所述)。在步骤558处，推荐引擎120基于细化的查询来识别多个软件应用(例如，也如上文结合图5A所述)。在步骤560处，推荐引擎120基于用户配置文件来对多个软件应用进行排序，以建立软件应用的排名列表(例如，也如上文结合图5A所述)。在步骤562处，推荐引擎120使得计算设备显示软件应用的排名列表(例如，如上文结合图5B所述)。
图6示出了根据一些实施方案的可用于实现本文所述的各种部件的计算设备600的详细视图。具体地讲，详细视图示出了可包括在图1中例示的服务器计算设备102和用户计算设备126中的各种部件。如图6所示，计算设备600可包括表示用于控制计算设备600的总体操作的微处理器或控制器的处理器602。计算设备600还可包括用户输入设备608，其允许计算设备600的用户与计算设备600进行约定。例如，用户输入设备608可采取多种形式，诸如按钮、小键盘、拨号盘、触摸屏、音频输入接口、视觉/图像捕获输入接口、传感器数据形式的输入等。更进一步地，计算设备600可包括可由处理器602控制以向用户显示信息的显示器610(屏幕显示器)。数据总线616可促进至少存储设备640、处理器602和控制器613之间的数据传输。控制器613可用于通过设备控制总线614来与不同设备进行约定并对其进行控制。计算设备600还可包括耦接至数据线612的网络/总线接口611。在无线连接的情况下，网络/总线接口611可包括无线收发器。
计算设备600还包括存储设备640，其可包括单个磁盘或多个磁盘(例如，SSD)，并且包括管理存储设备640内的一个或多个分区的存储管理模块。在一些实施方案中，存储设备640可包括闪存存储器、半导体(固态)存储器等。计算设备600还可包括随机存取存储器(RAM)620和只读存储器(ROM)622。ROM 622可存储将以非易失性方式执行的程序、实用程序或过程。RAM 620可提供易失性数据存储并存储与计算设备102的操作相关的指令。
可单独地或以任何组合使用所述实施方案的各个方面、实施方案、具体实施或特征。可由软件、硬件或硬件与软件的组合来实施所述实施方案的各个方面。所述实施方案也可体现为计算机可读介质上的计算机可读代码。计算机可读介质为可存储可被计算机系统读取的数据的任何数据存储设备。该计算机可读介质的示例包括只读存储器、随机存取存储器、CD-ROM、DVD、磁带、硬盘驱动器、固态驱动器和光学数据存储设备。计算机可读介质也可分布在网络耦接的计算机系统中，以使得计算机可读代码以分布的方式被存储和执行。
为了说明的目的，前述描述使用具体命名以提供对所述实施方案的彻底理解。然而，对于本领域的技术人员而言将显而易见的是，不需要具体细节即可实践所述实施方案。因此，具体实施方案的前述描述被呈现用于例示和描述的目的。前述描述不旨在为穷举性的或将所述的实施方案限制为所公开的精确形式。对于本领域的普通技术人员而言将显而易见的是，鉴于上面的教导内容，许多修改和变型是可能的。
如本文所述，本技术的一个方面在于采集和使用得自各种来源的数据，以改善向用户提供的软件应用推荐的相关性。本公开预期，在一些实例中，这些所采集的数据可包括唯一地识别或可用于联系或定位特定人员的个人信息数据。这样的个人信息数据可以包括人口统计数据、基于位置的数据、电话号码、电子邮件地址、推特ID、家庭地址、与用户的健康或健身水平相关的数据或记录(例如，生命体征测量值、用药信息、锻炼信息)、出生日期或任何其他识别信息或个人信息。
本公开认识到在本发明技术中使用此类个人信息数据可用于使用户受益。例如，个人信息数据可用于递送用户更感兴趣的目标软件应用。因此，使用此类个人信息数据使得用户能够计算对目标软件应用的控制。此外，本公开还预期个人信息数据有益于用户的其他用途。例如，健康和健身数据可用于向用户的总体健康状况提供见解，或者可用作使用技术来追求健康目标的个人的积极反馈。
本公开设想负责采集、分析、公开、传输、存储或其他使用此类个人信息数据的实体将遵守既定的隐私政策和/或隐私实践。具体地，此类实体应当实行并坚持使用被公认为满足或超出对维护个人信息数据的隐私性和安全性的行业或政府要求的隐私政策和实践。此类策略应当能被用户方便地访问，并应当随着数据的采集和/或使用变化而被更新。来自用户的个人信息应当被收集用于实体的合法且合理的用途，并且不在这些合法使用之外共享或出售。此外，应当在收到用户知情同意后，进行此类收集/共享。此外，此类实体应当考虑采取任何必要步骤，保卫和保障对此类个人信息数据的访问，并确保其他有权访问个人信息数据的人遵守其隐私政策和流程。另外，这种实体可使其本身经受第三方评估以证明其遵守广泛接受的隐私政策和实践。此外，应当调整政策和实践，以便采集和/或访问的特定类型的个人信息数据，并适用于包括管辖范围的具体考虑的适用法律和标准。例如，在美国，对某些健康数据的收集或获取可能受联邦和/或州法律的管辖，诸如健康保险转移和责任法案(HIPAA)；而其他国家的健康数据可能受到其他法规和政策的约束并应当相应加以处理。因此，在每个国家应当为不同的个人数据类型保持不同的隐私实践。
不管前述情况如何，本公开还预期用户选择性地阻止使用或访问个人信息数据的实施方案。即本公开预期可提供硬件元件和/或软件元件，以防止或阻止对此类个人信息数据的访问。例如，就软件应用推荐而言，本发明的技术可被配置为在注册服务期间或者其后的任何时间，允许用户选择“加入”或“退出”参与对个人信息数据的收集。又如，用户可选择仅提供有助于目标软件应用推荐的特定类型的数据。除了提供“选择加入”和“选择退出”选项外，本公开设想提供与访问或使用个人信息相关的通知。例如，用户可在下载软件应用(例如，本文所述的软件应用商店客户端)时被通知其个人信息数据将被访问，然后在个人信息数据被软件应用访问之前再次被提醒。
此外，本公开的目的是应当管理和处理个人信息数据以最小化无意或未经授权访问或使用的风险。一旦不再需要数据，通过限制数据采集和删除数据可最小化风险。此外，并且当适用时，包括在某些健康相关应用中，数据去标识可用于保护用户的隐私。可在适当时通过移除特定标识符(例如，出生日期等)、控制所存储数据的量或特异性(例如，在城市级别而不是在地址级别收集位置数据)、控制数据如何被存储(例如，在用户之间聚合数据)、和/或其他方法来促进去标识。
因此，虽然本公开广泛地覆盖了使用个人信息数据来实现一个或多个各种所公开的实施方案，但本公开还预期各种实施方案也可在无需访问此类个人信息数据的情况下被实现。即，本发明技术的各种实施方案不会由于缺少此类个人信息数据的全部或一部分而无法正常进行。例如，可通过基于非个人信息数据或少量的个人信息，诸如与用户相关联的设备请求的内容，其他可用的非个人信息或可公开可用的信息来选择软件应用推荐并且递送至用户。

Claims (20)

1.一种用于使得计算设备显示与所述计算设备的用户相关的软件应用推荐的方法，所述方法包括在服务器计算设备处：
从所述计算设备接收在所述计算设备上有待显示至少一个软件应用推荐的请求；
在多个用户配置文件中识别与所述用户相关联的用户配置文件；
访问多个软件应用配置文件(SAP)，其中所述多个SAP中的每个SAP：
(1)与由所述服务器计算设备管理的相应软件应用相关联，并且
(2)至少部分地基于所述多个用户配置文件的相应子集来形成，其中所述多个用户配置文件的所述子集的每个用户配置文件(i)与相应用户相关联，并且(ii)标识由所述相应用户对所述相应软件应用执行的交互；
针对所述多个SAP的子集分析所述用户配置文件，以在与所述多个SAP的所述子集相关联的所述相应软件应用中识别至少一个软件应用以推荐给所述用户；
将所述至少一个软件应用推荐与所述至少一个软件应用相关联；以及
使得所述计算设备显示所述至少一个软件应用推荐。
2.根据权利要求1所述的方法，其中所述多个SAP的所述子集在阈值时间周期内省略与先前作为推荐的软件应用显示给所述用户的相应应用相关联的SAP。
3.根据权利要求1所述的方法，其中当针对所述多个SAP的所述子集分析所述用户配置文件时，所述服务器计算设备实现机器学习。
4.根据权利要求1所述的方法，还包括：
从软件开发者接收向所述服务器计算设备提出的注册新软件应用的第二请求；
在阈值时间周期内采集关于以下项中的一者或多者的信息：
与所述新软件应用相关联的用户交互信息、
与所述新软件应用相关联的导出的信息、
与所述新软件应用相关联的使用信息或者
与所述新软件应用相关联的元数据信息；
基于所述信息针对所述新软件应用生成相关联的新SAP；以及
将所述新SAP添加到所述多个SAP中。
5.根据权利要求4所述的方法，其中：
所述用户交互信息标识与所述新软件应用相关联的以下项中的一者或多者：下载、应用内购买、评级/评论、人口统计项、搜索查询或点击/印象；
所述导出的信息标识与所述新软件应用相关联的以下项中的一者或多者：排名位置、趋势因素、稳定性因素、兼容性或赞誉；
所述使用信息标识与所述新软件应用相关联的以下项中的一者或多者：使用因素或安装保持因素；并且
所述元数据信息标识与所述新软件应用相关联的以下项中的一者或多者：综合处理信息、元数据信息或标签信息。
6.根据权利要求1所述的方法，还包括：
从新计算设备接收向所述服务器计算设备提出的注册新用户的第二请求；
向所述多个用户配置文件添加与所述新用户相关联的新用户配置文件；
在阈值时间周期内采集关于以下项中的一者或多者的信息：
所述新用户与多个软件应用的约定或者
与所述新用户相关联的人口统计项；以及
基于所述信息更新所述新用户配置文件。
7.根据权利要求6所述的方法，其中：
所述新用户的约定标识以下项中的一者或多者：下载、应用内购买、评级/评论、搜索查询或点击/印象；并且
与所述新用户相关联的所述人口统计项包括以下项中的一者或多者：性别或年龄。
8.根据权利要求1所述的方法，还包括：
从所述计算设备接收查询；
将所述查询细化以建立细化的查询；
基于所述细化的查询，在由所述服务器计算设备管理的所述软件应用中识别多个软件应用；
基于所述用户配置文件将所述多个软件应用排序以建立软件应用的排名列表；以及
使得所述计算设备在所述计算设备上显示的搜索结果窗口中显示所述软件应用排名列表的至少一个子集。
9.一种服务器计算设备，所述服务器计算设备被配置为使得计算设备显示与所述计算设备的用户相关的软件应用推荐，所述服务器计算设备包括：
用于从所述计算设备接收在所述计算设备上有待显示至少一个软件应用推荐的请求的装置；
用于在多个用户配置文件中识别与所述用户相关联的用户配置文件的装置；
用于访问多个软件应用配置文件(SAP)的装置，其中所述多个SAP中的每个SAP：
(1)与由所述服务器计算设备管理的相应软件应用相关联，并且
(2)至少部分地基于所述多个用户配置文件的相应子集来形成，其中所述多个用户配置文件的所述子集的每个用户配置文件(i)与相应用户相关联，并且(ii)标识由所述相应用户对所述相应软件应用执行的交互；
用于针对所述多个SAP的子集分析所述用户配置文件、以在与所述多个SAP的所述子集相关联的所述相应软件应用中识别至少一个软件应用以推荐给所述用户的装置；
用于将所述至少一个软件应用推荐与所述至少一个软件应用相关联的装置；和
用于使得所述计算设备显示所述至少一个软件应用推荐的装置。
10.根据权利要求9所述的服务器计算设备，还包括：
用于从软件开发者接收向所述服务器计算设备提出的注册新软件应用的第二请求的装置；
用于在阈值时间周期内采集关于以下项中的一者或多者的信息的装置：
与所述新软件应用相关联的用户交互信息、
与所述新软件应用相关联的导出的信息、
与所述新软件应用相关联的使用信息或者
与所述新软件应用相关联的元数据信息；
用于基于所述信息针对所述新软件应用生成相关联的新SAP的装置；和
用于将所述新SAP添加到所述多个SAP中的装置。
11.根据权利要求10所述的服务器计算设备，其中：
所述用户交互信息标识与所述新软件应用相关联的以下项中的一者或多者：下载、应用内购买、评级/评论、人口统计项、搜索查询或点击/印象；
所述导出的信息标识与所述新软件应用相关联的以下项中的一者或多者：排名位置、趋势因素、稳定性因素、兼容性或赞誉；
所述使用信息标识与所述新软件应用相关联的以下项中的一者或多者：使用因素或安装保持因素；并且
所述元数据信息标识与所述新软件应用相关联的以下项中的一者或多者：综合处理信息、元数据信息或标签信息。
12.根据权利要求9所述的服务器计算设备，还包括：
用于从新计算设备接收向所述服务器计算设备提出的注册新用户的第二请求的装置；
用于向所述多个用户配置文件添加与所述新用户相关联的新用户配置文件的装置；
用于在阈值时间周期内采集关于以下项中的一者或多者的信息的装置：
所述新用户与多个软件应用的约定，或者
与所述新用户相关联的人口统计项；和
用于基于所述信息更新所述新用户配置文件的装置。
13.根据权利要求12所述的服务器计算设备，其中：
所述新用户的约定标识以下项中的一者或多者：下载、应用内购买、评级/评论、搜索查询或点击/印象；并且
与所述新用户相关联的所述人口统计项包括以下项中的一者或多者：性别或年龄。
14.根据权利要求9所述的服务器计算设备，还包括：
用于从所述计算设备接收查询的装置；
用于将所述查询细化以建立细化的查询的装置；
用于基于所述细化的查询，在由所述服务器计算设备管理的所述软件应用中识别多个软件应用的装置；
用于基于所述用户配置文件将所述多个软件应用排序以建立软件应用的排名列表的装置；和
用于使得所述计算设备在所述计算设备上显示的搜索结果窗口中显示所述软件应用排名列表的至少一个子集的装置。
15.一种服务器计算设备，所述服务器计算设备被配置为使得计算设备显示与所述计算设备的用户相关的软件应用推荐，所述服务器计算设备包括：
至少一个处理器；
和至少一个存储器，所述至少一个存储器存储指令，所述指令在由所述至少一个处理器执行时使得所述服务器计算设备：
从所述计算设备接收在所述计算设备上有待显示至少一个软件应用推荐的请求；
在多个用户配置文件中识别与所述用户相关联的用户配置文件；
访问多个软件应用配置文件(SAP)，其中所述多个SAP中的每个SAP：
(1)与由所述服务器计算设备管理的相应软件应用相关联，并且
(2)至少部分地基于所述多个用户配置文件的相应子集来形成，其中所述多个用户配置文件的所述子集的每个用户配置文件(i)与相应用户相关联，并且(ii)标识由所述相应用户对所述相应软件应用执行的交互；
针对所述多个SAP的子集分析所述用户配置文件，以在与所述多个SAP的所述子集相关联的所述相应软件应用中识别至少一个软件应用以推荐给所述用户；
将所述至少一个软件应用推荐与所述至少一个软件应用相关联；以及
使得所述计算设备显示所述至少一个软件应用推荐。
16.根据权利要求15所述的服务器计算设备，其中所述至少一个处理器进一步使得所述服务器计算设备：
从软件开发者接收向所述服务器计算设备提出的注册新软件应用的第二请求；
在阈值时间周期内采集关于以下项中的一者或多者的信息：
与所述新软件应用相关联的用户交互信息、
与所述新软件应用相关联的导出的信息、
与所述新软件应用相关联的使用信息或者
与所述新软件应用相关联的元数据信息；
基于所述信息针对所述新软件应用生成相关联的新SAP；以及
将所述新SAP添加到所述多个SAP中。
17.根据权利要求16所述的服务器计算设备，其中：
所述用户交互信息标识与所述新软件应用相关联的以下项中的一者或多者：下载、应用内购买、评级/评论、人口统计项、搜索查询或点击/印象；
所述导出的信息标识与所述新软件应用相关联的以下项中的一者或多者：排名位置、趋势因素、稳定性因素、兼容性或赞誉；
所述使用信息标识与所述新软件应用相关联的以下项中的一者或多者：使用因素或安装保持因素；以及
所述元数据信息标识与所述新软件应用相关联的以下项中的一者或多者：综合处理信息、元数据信息或标签信息。
18.根据权利要求15所述的服务器计算设备，其中所述至少一个处理器进一步使得所述计算设备：
从新计算设备接收向所述服务器计算设备提出的注册新用户的第二请求；
向所述多个用户配置文件添加与所述新用户相关联的新用户配置文件；
在阈值时间周期内采集关于以下项中的一者或多者的信息：
所述新用户与多个软件应用的约定或者
与所述新用户相关联的人口统计项；以及
基于所述信息更新所述新用户配置文件。
19.根据权利要求18所述的服务器计算设备，其中：
所述新用户的约定标识以下项中的一者或多者：下载、应用内购买、评级/评论、搜索查询或点击/印象；并且
与所述新用户相关联的所述人口统计项包括以下项中的一者或多者：性别或年龄。
20.根据权利要求15所述的服务器计算设备，其中所述至少一个处理器进一步使得所述服务器计算设备：
从所述计算设备接收查询；
将所述查询细化以建立细化的查询；
基于所述细化的查询，在由所述服务器计算设备管理的所述软件应用中识别多个软件应用；
基于所述用户配置文件将所述多个软件应用排序以建立软件应用的排名列表；以及
使得所述计算设备在所述计算设备上显示的搜索结果窗口中显示所述软件应用排名列表的至少一个子集。
CN201910447549.8A 2018-06-03 2019-05-27 用于使应用商店推荐个性化的技术 Pending CN110555163A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862679949P 2018-06-03 2018-06-03
US62/679,949 2018-06-03
US16/147,058 US11853306B2 (en) 2018-06-03 2018-09-28 Techniques for personalizing app store recommendations
US16/147,058 2018-09-28

Publications (1)

Publication Number Publication Date
CN110555163A true CN110555163A (zh) 2019-12-10

Family

ID=68693962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910447549.8A Pending CN110555163A (zh) 2018-06-03 2019-05-27 用于使应用商店推荐个性化的技术

Country Status (2)

Country Link
US (2) US11853306B2 (zh)
CN (1) CN110555163A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11853306B2 (en) * 2018-06-03 2023-12-26 Apple Inc. Techniques for personalizing app store recommendations
WO2020096826A1 (en) * 2018-11-06 2020-05-14 Carrier Corporation System and method to build robust classifiers against evasion attacks
WO2023235143A1 (en) * 2022-05-31 2023-12-07 Apple Inc. Two-layer bandit optimization for recommendations

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110307354A1 (en) * 2010-06-09 2011-12-15 Bilgehan Erman Method and apparatus for recommending applications to mobile users
US20110320307A1 (en) * 2010-06-18 2011-12-29 Google Inc. Context-influenced application recommendations
US20130013408A1 (en) * 2010-02-22 2013-01-10 Telefonaktiebolaget Lm Ericsson (Publ) Method and Arrangement for Network Searching
CN103514496A (zh) * 2012-06-21 2014-01-15 腾讯科技（深圳）有限公司 一种推荐目标软件的处理方法及系统
CN103814376A (zh) * 2011-09-20 2014-05-21 诺基亚公司 用于基于可用数据模式执行搜索的方法和装置
CN103907107A (zh) * 2011-05-27 2014-07-02 Avg技术捷克有限责任公司 用于推荐软件应用的系统和方法
US8868590B1 (en) * 2011-11-17 2014-10-21 Sri International Method and system utilizing a personalized user model to develop a search request
CN107423442A (zh) * 2017-08-07 2017-12-01 火烈鸟网络(广州)股份有限公司 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备

Family Cites Families (63)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6615208B1 (en) * 2000-09-01 2003-09-02 Telcordia Technologies, Inc. Automatic recommendation of products using latent semantic indexing of content
US6907423B2 (en) * 2001-01-04 2005-06-14 Sun Microsystems, Inc. Search engine interface and method of controlling client searches
US6850934B2 (en) * 2001-03-26 2005-02-01 International Business Machines Corporation Adaptive search engine query
JP2003091552A (ja) * 2001-09-17 2003-03-28 Hitachi Ltd 検索要求情報抽出方法及びその実施システム並びにその処理プログラム
US8321278B2 (en) * 2003-09-30 2012-11-27 Google Inc. Targeted advertisements based on user profiles and page profile
US20050131872A1 (en) * 2003-12-16 2005-06-16 Microsoft Corporation Query recognizer
US9143638B2 (en) * 2004-04-01 2015-09-22 Google Inc. Data capture from rendered documents using handheld device
EP1849099B1 (en) 2005-02-03 2014-05-07 Apple Inc. Recommender system for identifying a new set of media items responsive to an input set of media items and knowledge base metrics
US7797321B2 (en) 2005-02-04 2010-09-14 Strands, Inc. System for browsing through a music catalog using correlation metrics of a knowledge base of mediasets
US7672865B2 (en) 2005-10-21 2010-03-02 Fair Isaac Corporation Method and apparatus for retail data mining using pair-wise co-occurrence consistency
US8156059B2 (en) 2007-02-02 2012-04-10 Dunning Ted E Indicator-based recommendation system
EP2113155A4 (en) * 2007-02-21 2010-12-22 Nds Ltd METHOD FOR PRESENTATION OF CONTENT
US20080222105A1 (en) * 2007-03-09 2008-09-11 Joseph Matheny Entity recommendation system using restricted information tagged to selected entities
JP5328212B2 (ja) 2008-04-10 2013-10-30 株式会社エヌ・ティ・ティ・ドコモ レコメンド情報評価装置およびレコメンド情報評価方法
US8966394B2 (en) 2008-09-08 2015-02-24 Apple Inc. System and method for playlist generation based on similarity data
US20100138402A1 (en) * 2008-12-02 2010-06-03 Chacha Search, Inc. Method and system for improving utilization of human searchers
US9215423B2 (en) 2009-03-30 2015-12-15 Time Warner Cable Enterprises Llc Recommendation engine apparatus and methods
US11520455B2 (en) * 2009-06-29 2022-12-06 International Business Machines Corporation Dioramic user interface having a user customized experience
US9361387B2 (en) * 2010-04-22 2016-06-07 Microsoft Technology Licensing, Llc Context-based services
US20120096435A1 (en) * 2010-10-18 2012-04-19 Microsoft Corporation Capability-based application recommendation
US9460461B1 (en) * 2011-03-09 2016-10-04 Amazon Technologies, Inc. System for collecting and exposing usage metrics associated with mobile device applications
US20120316955A1 (en) * 2011-04-06 2012-12-13 Yahoo! Inc. System and Method for Mobile Application Search
US20120259826A1 (en) * 2011-04-08 2012-10-11 Rym Zalila-Wenkstern Customizable Interfacing Agents, Systems, And Methods
US9519726B2 (en) * 2011-06-16 2016-12-13 Amit Kumar Surfacing applications based on browsing activity
US20130185291A1 (en) * 2011-07-12 2013-07-18 Mat Tyndall Online rating and feedback system
US9009148B2 (en) * 2011-12-19 2015-04-14 Microsoft Technology Licensing, Llc Clickthrough-based latent semantic model
US9369589B2 (en) * 2012-01-27 2016-06-14 Microsoft Technology Licensing, Llc Updating dynamic data usage plans and statistics
US20140040231A1 (en) * 2012-08-06 2014-02-06 Hsiu-Ping Lin Methods and systems for searching software applications
US20140052542A1 (en) * 2012-08-15 2014-02-20 Tencent Technology (Shenzhen) Company Limited Method, client and system for recommending software
US8935393B1 (en) * 2012-08-23 2015-01-13 Google Inc. Recommendations based on usage and resource consumption data
WO2014033492A1 (en) * 2012-08-30 2014-03-06 Telefonaktiebolaget Lm Ericsson (Publ) Methods and apparatus for controlling permissions to be granted to applications on user equipment responsive to user privacy profiles
US9398114B2 (en) * 2012-11-23 2016-07-19 Mediatek Inc. Methods for automatically managing installed applications and determining application recommendation result based on auxiliary information and related computer readable media
US20160012559A1 (en) * 2013-02-14 2016-01-14 Jim Patterson Career recognition and development
US9886712B2 (en) * 2013-03-13 2018-02-06 APPDIRECT, Inc. Indirect and direct delivery of applications
US9430572B2 (en) * 2013-03-15 2016-08-30 Excalibur Ip, Llc Method and system for user profiling via mapping third party interests to a universal interest space
WO2014153133A1 (en) * 2013-03-18 2014-09-25 The Echo Nest Corporation Cross media recommendation
US9430227B2 (en) * 2013-06-13 2016-08-30 Intuit Inc. Automatic customization of a software application
US9262470B1 (en) * 2013-06-25 2016-02-16 Amazon Technologies, Inc. Application recommendations based on application and lifestyle fingerprinting
US9679062B2 (en) * 2013-09-18 2017-06-13 Excalibur Ip, Llc Local recommendation engine
US9892200B2 (en) * 2013-09-18 2018-02-13 Ebay Inc. Location-based and alter-ego queries
US20150242750A1 (en) * 2014-02-24 2015-08-27 Google Inc. Asymmetric Rankers for Vector-Based Recommendation
US10395295B2 (en) * 2014-03-27 2019-08-27 GroupBy Inc. Incremental partial text searching in ecommerce
US20150286650A1 (en) * 2014-04-03 2015-10-08 Kurt Stump Decision Making and Activity Recommendations Engine via Online Persona
US9805142B2 (en) * 2014-04-11 2017-10-31 Google Inc. Ranking suggestions based on user attributes
US20160246790A1 (en) * 2015-02-20 2016-08-25 Plum Social Inc Automated user profile matching and communication
US10528572B2 (en) * 2015-08-28 2020-01-07 Microsoft Technology Licensing, Llc Recommending a content curator
US20170169022A1 (en) * 2015-12-11 2017-06-15 Quixey, Inc. Generating Software Application Search Results Using Application Connections
CN106227723A (zh) * 2016-01-25 2016-12-14 百度在线网络技术（北京）有限公司 用于推荐应用和呈现推荐应用的方法和装置
US10606660B1 (en) * 2016-04-29 2020-03-31 Architecture Technology Corporation Planned cloud resource management
US10540158B2 (en) * 2016-07-18 2020-01-21 Google Llc Post-install application interaction
US11195100B2 (en) * 2016-08-17 2021-12-07 International Business Machines Corporation Determining applications based on interactions of different electronic devices
CN107918622B (zh) * 2016-10-10 2022-06-03 阿里巴巴集团控股有限公司 内容推荐、展示方法、客户端、服务器和系统
US10671932B1 (en) * 2017-01-27 2020-06-02 Intuit Inc. Software application selection models integration
US20180321825A1 (en) * 2017-05-08 2018-11-08 MobileUX Technologies, Inc. System and Method for Arranging Application Icons on a Mobile Device
US20190050930A1 (en) * 2017-08-14 2019-02-14 Microsoft Technology Licensing, Llc Recommending applications based on search histories
US11853306B2 (en) * 2018-06-03 2023-12-26 Apple Inc. Techniques for personalizing app store recommendations
US10649875B2 (en) * 2018-06-25 2020-05-12 Dell Products, L. P. Providing recommendation(s) for a computing device executing a gaming application
US11341126B2 (en) * 2018-07-24 2022-05-24 MachEye, Inc. Modifying a scope of a canonical query
US11423281B2 (en) * 2019-02-01 2022-08-23 International Business Machines Corporation Personalized activity adviser model
US11138003B2 (en) * 2019-04-02 2021-10-05 Taplytics Inc. Methods and systems for automatic determination of a device-specific configuration for a software application operating on a user device
US11385892B1 (en) * 2020-09-29 2022-07-12 Amazon Technologies, Inc. Optimal software architecture recommendations by an application modernization service
US11422797B1 (en) * 2020-12-02 2022-08-23 Amazon Technologies, Inc. Using graph partitioning for software decomposition during modernization processes
US20220277205A1 (en) * 2021-02-26 2022-09-01 Amplitude Inc. Automated machine learning to generate recommendations for websites or applications

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130013408A1 (en) * 2010-02-22 2013-01-10 Telefonaktiebolaget Lm Ericsson (Publ) Method and Arrangement for Network Searching
US20110307354A1 (en) * 2010-06-09 2011-12-15 Bilgehan Erman Method and apparatus for recommending applications to mobile users
US20110320307A1 (en) * 2010-06-18 2011-12-29 Google Inc. Context-influenced application recommendations
CN103907107A (zh) * 2011-05-27 2014-07-02 Avg技术捷克有限责任公司 用于推荐软件应用的系统和方法
CN103814376A (zh) * 2011-09-20 2014-05-21 诺基亚公司 用于基于可用数据模式执行搜索的方法和装置
US8868590B1 (en) * 2011-11-17 2014-10-21 Sri International Method and system utilizing a personalized user model to develop a search request
CN103514496A (zh) * 2012-06-21 2014-01-15 腾讯科技（深圳）有限公司 一种推荐目标软件的处理方法及系统
CN107423442A (zh) * 2017-08-07 2017-12-01 火烈鸟网络(广州)股份有限公司 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备

Also Published As

Publication number Publication date
US20190370345A1 (en) 2019-12-05
US11853306B2 (en) 2023-12-26
US20240086412A1 (en) 2024-03-14

Similar Documents

Publication Publication Date Title
Dieter et al. Multi-situated app studies: Methods and propositions
US12072943B2 (en) Marking falsities in online news
US10031738B2 (en) Providing application recommendations
US20190082224A1 (en) System and Computer Implemented Method for Detecting, Identifying, and Rating Content
US9589149B2 (en) Combining personalization and privacy locally on devices
Shokouhi et al. From queries to cards: Re-ranking proactive card recommendations based on reactive search history
US9367878B2 (en) Social content suggestions based on connections
US20170154040A1 (en) Systems and methods for an expert-informed information acquisition engine utilizing an adaptive torrent-based heterogeneous network solution
US20170017638A1 (en) Meme detection in digital chatter analysis
US20190347287A1 (en) Method for screening and injection of media content based on user preferences
US20240086412A1 (en) Techniques for personalizing app store recommendations
US9852448B2 (en) Identifying gaps in search results
Yin et al. Mobi-SAGE-RS: A sparse additive generative model-based mobile application recommender system
EP2981942A2 (en) Content presentation based on social recommendations
WO2015054361A1 (en) Systems, methods, and computer program products for providing contextually-aware video recommendation
US20150058417A1 (en) Systems and methods of presenting personalized personas in online social networks
US20180341865A1 (en) Systems and methods for generating and communicating application recommendations at uninstall time
US20210089547A1 (en) Data discovery solution for data curation
US20220019689A1 (en) Privacy Preserving Server-Side Personalized Content Selection
US10255277B2 (en) Crowd matching translators
US10410273B1 (en) Artificial intelligence based identification of item attributes associated with negative user sentiment
US20200193056A1 (en) On Device Personalization of Content to Protect User Privacy
Shah et al. Envisioning information access systems: What makes for good tools and a healthy Web?
US10191988B2 (en) System and method for returning prioritized content
AU2018429394B2 (en) Media source measurement for incorporation into a censored media corpus

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