CN106204127A - 针对应用的用户评价方法及装置 - Google Patents

Abstract

本发明公开了一种针对应用的用户评价方法及装置，该方法包括：统计样本用户的用户属性标签和所述样本用户所安装的应用程序，计算所述应用程序的属性倾向数据；获取目标用户所安装的每个应用程序的使用情况，根据所述应用程序的使用情况与所述应用程序的属性倾向数据，得到所述目标用户所安装的每个应用程序的属性评估值；根据所述目标用户所安装的每个应用程序的属性评估值，得到所述目标用户所安装的应用程序的总评估值，判断所述总评估值是否大于预设评估阈值，根据判断结果，对所述目标用户进行评价。所述针对应用的用户评价方法及装置能够针对应用实现用户的评价，进而筛选出数据均衡的优质用户，大大降低了用户数据的不均衡性。

Description

针对应用的用户评价方法及装置

技术领域

本发明涉及移动互联网技术领域，特别是指一种针对应用的用户评价方法及装置。

背景技术

随着web2.0的到来和移动互联网的飞速发展，用户的基础属性在网络应用中扮演的角色越来越重要，例如：Google提供的个性化搜索服务是根据用户的地理位置信息和用户的搜索历史记录为用户返回个性化的搜索列表，给用户提供个性化的搜索服务。这是因为用户属性很大程度上决定了用户的意图和习惯，知晓用户属性对于满足用户的潜在需求具有重大意义。这里的用户基础属性通常是指用户的年龄、性别、收入状况、地理位置、文化程度、宗教信仰等基础属性。而针对于移动终端中用户属性的预测，需要获取得到大量的已知用户属性的用户数据进行后续的预测分析，通常得方法是获取用户移动终端中应用程序(也即APP应用等相关应用程序)的相关数据进行分析。

在实现本发明的过程中，发明人发现现有技术至少存在以下问题：基于不同应用程序对应的不同用户的属性类别具有巨大的差异，导致这些用户数据之间的差异也较大，若是无差别的选取所有用户，可能会导致这些用户数据出现不均衡性，进而导致预测、分析的结果不准确。因此，现有技术中缺乏评价用户对应的用户数据性质的手段，使得获取得到的用户数据会出现较大的不均衡性。

发明内容

有鉴于此，本发明实施例的目的在于提出一种针对应用的用户评价方法及装置，能够针对应用实现用户的评价，进而筛选出数据均衡的优质用户。

基于上述目的本发明实施例提供的一种针对应用的用户评价方法，包括：

统计样本用户的用户属性标签和所述样本用户所安装的应用程序，计算所述应用程序的属性倾向数据；

获取目标用户所安装的每个应用程序的使用情况，根据所述应用程序的使用情况与所述应用程序的属性倾向数据，得到所述目标用户所安装的每个应用程序的属性评估值；

根据所述目标用户所安装的每个应用程序的属性评估值，得到所述目标用户所安装的应用程序的总评估值，判断所述总评估值是否大于预设评估阈值，根据判断结果，对所述目标用户进行评价。

可选的，所述判断所述总评估值是否大于预设评估阈值的步骤之前还包括：

根据所述目标用户已知的属性类别，查找预设的属性类别与评估阈值的对应关系列表，得到所述目标用户已知属性类别对应的预设评估阈值。

可选的，所述判断所述总评估值是否大于预设评估阈值的步骤之后还包括：

若所述总评估值大于所述评估阈值，则目标用户为优质用户；

若所述总评估值小于或等于所述评估阈值，则目标用户为非优质用户；

筛选出优质用户，并将所述优质用户对应的用户属性标签以及所述优质用户所安装的应用程序作为训练数据，输入预先构建的用户属性预测的算法模型中，训练得到预测用户属性的预测模型。

可选的，所述获取目标用户所安装的每个应用程序的使用情况的步骤还包括：

获取目标用户对应的移动终端上报的日志信息，统计得到每个应用程序每次所使用的时间长度；

判断所述应用程序每次所使用的时间长度是否大于预设时间阈值，若是，则记为一次有效使用，否则，记为一次无效使用；

统计得到每个所述应用程序的有效使用次数，并将每个应用程序的有效使用次数作为每个应用程序的使用次数。

可选的，所述统计得到每个应用程序的有效使用次数的步骤还包括：

统计得到预设的统计周期内应用程序的有效使用次数，判断所述应用程序的有效使用次数是否大于预设的次数阈值，若是，则将所述预设的次数阈值作为该周期内所述应用程序的使用次数，否则，所述应用程序的有效使用次数为所述应用程序的使用次数；

计算每个应用程序在预设数量的统计周期内的使用次数，并作为每个应用程序的使用次数。

本发明实施例还提供了一种针对应用的用户评价装置，包括：

获取模块，用于获取样本用户的用户属性标签以及所述样本用户所安装的应用程序；并将所述样本用户的用户属性标签以及所述样本用户所安装的应用程序发送到计算模块；

计算模块，用于接收所述获取模块发送的所述样本用户的用户属性标签以及所述样本用户所安装的应用程序，统计每个所述样本用户的用户属性标签和所述样本用户所安装的应用程序，计算所述应用程序的属性倾向数据；将所述应用程序的属性倾向数据发送到属性评估模块；

属性评估模块，用于接收所述计算模块发送的应用程序的属性倾向数据，获取目标用户所安装的每个应用程序的使用情况，根据所述应用程序的使用情况与所述应用程序的属性倾向数据，得到所述目标用户所安装的每个应用程序的属性评估值；将所述每个应用程序的属性评估值发送到评价模块；

评价模块，用于接收所述属性评估模块发送的每个应用程序的属性评估值，根据所述目标用户所安装的每个应用程序的属性评估值，得到所述用户所安装的应用程序的总评估值，判断所述总评估值是否大于预设评估阈值，根据判断结果，对所述目标用户进行评价。

可选的，所述评价模块包括：用户评估模块、阈值查找模块和结果判断模块；

所述属性评估模块还用于，将所述每个应用程序的属性评估值发送到用户评估模块；

所述用户评估模块，用于接收所述属性评估模块发送的每个应用程序的属性评估值，计算得到所述目标用户所安装的应用程序基于已知属性类别的总评估值；将所述目标用户的总评估值发送给结果判断模块；

所述阈值查找模块，用于根据所述目标用户已知的属性类别，查找预设的属性类别与评估阈值的对应关系列表，得到所述目标用户已知属性类别对应的预设评估阈值；将所述预设评估阈值发送给结果判断模块；

所述结果判断模块，用于接收所述用户评估模块发送的目标用户的总评估值，以及所述阈值查找模块发送的预设评估阈值；判断所述目标用户基于已知属性类别的总评估值是否大于预设评估阈值，若是，则目标用户为优质用户；否则，目标用户为非优质用户。

可选的，所述用户评价装置还包括模型训练模块；

所述模型训练模块用于，筛选出优质用户，并将所述优质用户对应的用户属性标签以及所述优质用户所安装的应用程序作为训练数据，输入预先构建的用户属性预测的算法模型中，训练得到预测用户属性的预测模型。

可选的，所述属性评估模块还包括：信息统计模块、时间判断模块、次数统计模块和评估计算模块；

所述信息统计模块，用于获取目标用户对应的移动终端上报的日志信息，统计得到每个应用程序每次所使用的时间长度；将统计得到的每个应用程序每次所使用的时间长度发送给时间判断模块；

所述时间判断模块，用于接收所述信息统计模块发送的每个应用程序每次所使用的时间长度，判断应用程序每次所使用的时间长度是否大于预设时间阈值，若是，则记为一次有效使用，否则，记为一次无效使用；

所述次数统计模块，用于统计得到每个应用程序的有效使用次数，并将每个应用程序的有效使用次数作为每个应用程序的使用次数；将每个应用程序的使用次数发送给计算模块；

所述评估计算模块，用于接收所述次数统计模块发送的每个应用程序的使用次数，以及接收所述计算模块发送的每个应用程序的属性倾向数据，将每个应用程序的使用次数与所述应用程序的属性倾向数据相乘，计算得到所述目标用户所安装的每个应用程序对应不同属性类别的评估值；将所述每个应用程序对应不同属性类别的评估值发送到评价模块。

可选的，所述次数统计模块还用于，统计得到预设的统计周期内应用程序的有效使用次数，判断所述应用程序的有效使用次数是否大于预设的次数阈值，若是，则将所述预设的次数阈值作为该周期内所述应用程序的使用次数，否则，所述应用程序的有效使用次数为所述应用程序的使用次数；计算得到每个应用程序在预设数量的统计周期内的使用次数，并作为每个应用程序的使用次数。

从上面所述可以看出，本发明实施例提供的针对应用的用户评价方法及装置，通过计算得到每个应用程序的属性倾向数据以及目标用户所安装的应用程序的使用情况，根据每个应用程序的属性倾向数据与对应应用程序的使用情况，计算得到每个应用程序对应不同属性类别的评估值，然后将所述目标用户的每个应用程序基于已知属性类别的评估值相加，可以计算得到所述目标用户基于已知属性类别的总评估值，通过将目标用户的总评估值与预设评估阈值比较，最后能够判断目标用户是否属于优质用户。所述针对应用的用户评价方法及装置能够针对应用实现用户的评价，进而筛选出数据均衡的优质用户，能够大大降低了用户数据的不均衡性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

为了更清楚地说明本公开的实施例，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，下面描述中的附图仅仅是本公开的一些实施例，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为本发明提供的针对应用的用户评价方法的一个实施例的流程示意图；

图2为本发明提供的针对应用的用户评价方法的另一个实施例的流程示意图；

图3为本发明提供的针对应用的用户评价装置的一个实施例的结构示意图；

图4为本发明提供的针对应用的用户评价装置的另一个实施例的结构示意图。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

通常来说，终端中所有的应用程序都可以看做是具有用户属性倾向的，例如具有男女的性别倾向，即使统计得到的数据最后的倾向比例是1:1，那么也可以看做其结果具有性别倾向，只是倾向的结果值均等。但是，在用户属性的不同类别中不同的属性类别之间的用户数据存在巨大的差异，例如用户的年龄属性，使用某类应用程序的用户属于20-30岁的群体通常会远远大于属于50-60岁的群体，若是采用同一个标准去选定用户，那么选取出的样本用户对应的应用程序将会具有较大的不均衡性，使得最后的预测、分析结果不准确。针对这一问题，本发明实施例提供了一种针对应用的用户评价方法，参照图1所示，为本发明提供的针对应用的用户评价方法的一个实施例的流程示意图。所述针对应用的用户评价方法，包括：

步骤101，统计样本用户的用户属性标签和所述样本用户所安装的应用程序，计算所述应用程序的属性倾向数据；

为了评价用户的可靠性，首先需要获取得到与用户对应的用户数据关联的特征数据，而本发明基于移动终端用户的使用性质和特点，发现在移动终端中使用最为频繁且具有代表性的事件就是关于各类应用程序的使用，因此，本发明将用户的移动终端中所安装的应用程序的类型以及用户的用户属性作为评价用户的关键数据。所述用户属性标签是指表示用户属性的标签或者是指明用户属性的具体属性类别，例如：用户属性为性别，则所述用户属性标签为男或者女；若用户属性为年龄，则所述用户属性标签为具体的年龄或者一定规则划分的年龄段(20岁以下、20岁到30岁、30岁到40岁、40岁以上等等)。具体的，所述用户属性可以包括：性别、年龄、婚否、国籍、收入状况、地理位置、文化程度(学历)、宗教信仰等等基本信息。这里所述的所安装的应用程序既可以是指用户在一个移动终端上安装的应用程序，也可以是用户基于同一个用户账号在多个移动终端上所安装的应用程序。所述移动终端可以包括：手机、平板等各类智能移动设备。本步骤中所述获取的用户属性标签及应用程序，通常是指针对于已知用户属性的大量不同样本用户，分别获取所述大量不同样本用户对应所安装的应用程序。

可选的，在本发明另一些实施例中，所述应用程序还可以是预先选定的具有用户属性倾向的应用程序类型。例如：所述用户属性是性别，那么预先筛选出具有性别倾向的应用程序作为需要使用的数据，而其他不具有性别倾向的应用程序(包括作为训练数据的样本用户的应用程序以及目标用户的应用程序)可以忽略，这样，不仅可以进一步提高预测的准确性，而且可以提高所述用户属性预测的速度和效率。

通过获取的已知用户属性的样本用户所安装的应用程序，能够基于每个应用程序统计得到不同属性类别的倾向数据。其中，所述属性倾向数据是指针对于某一种用户属性中的不同属性类别，每个属性类别中分别占有的比例数据。例如：统计得到已知用户的年龄段(20岁以下、20岁-29岁、30岁-40岁、40岁以上)，以及每个样本用户所安装的应用程序的类型，通过上述数据，可以计算得到样本用户的每个应用程序基于每个年龄段的用户数量，进而计算得到每个应用程序基于不同年龄段的倾向比例数据，例如：对于微信用户来说，20岁以下的用户的倾向比例为8％、20岁-29岁的用户的倾向比例为35％、30岁-40岁的用户的倾向比例为43％、40岁以上的用户的倾向比例为14％。

步骤102，获取目标用户所安装的每个应用程序的使用情况，根据所述应用程序的使用情况与所述应用程序的属性倾向数据，得到所述目标用户所安装的每个应用程序的属性评估值；

根据移动终端用户的使用特点，用户使用应用程序的使用情况是评价用户可靠性的重要数据，通过数据采集，计算得到待评价的目标用户所安装的每个应用程序的使用情况。所述使用情况通常是指应用程序的使用次数、使用频率、使用时间等等数据。例如：对于每个应用程序来说，将每个应用程序的使用次数与对应的属性倾向数据相乘可以计算得到一个复合的数据，本发明实施例中将所述复合数据作为对每个应用程序对应不同属性类别的评估值，也即将影响用户数据的应用程序的使用次数与属性倾向数据这两个重要参数转化为具体的属性评估值，进而能够实现对目标用户的准确评价。这里的所述属性评估值通常为样本用户对于不用属性类别的评估值或者评分分值。

步骤103，根据所述目标用户所安装的每个应用程序的属性评估值，得到所述目标用户所安装的应用程序的总评估值，判断所述总评估值是否大于预设评估阈值，根据判断结果，对所述目标用户进行评价；

通过步骤102中计算得到的每个应用程序对应不同属性类别的评估值，基于当前待评价目标用户的已知属性类别，将当前待评价目标用户的所有应用程序基于该已知属性类别的属性评估值相加，可以计算得到当前待评价目标用户基于已知属性类别的总评估值。

其中，所述预设评估阈值是指用于评价用户对应的用户数据是否可靠的判断的一个分界线，既可以是计算得到的一个参数阈值，也可以是实验、经验得到的数值。通过设定评估阈值，能够将不可靠的用户与可靠用户区分开来，进而使得能筛选出具有数据均衡特性的优质用户。所述优质用户是指所述优质用户使用的应用程序与该用户的用户属性中的属性类别的关联性较为可靠、稳定，能够作为基于应用程序评价用户属性的训练数据，所述优质用户使得后续针对目标用户的使用、处理以及评价的结果更为准确、可靠。

由上述实施例可知，本发明实施例所述的针对应用的用户评价方法，通过计算得到每个应用程序的属性倾向数据以及当前待评价目标用户所安装的应用程序的使用情况，根据每个应用程序的属性倾向数据与对应应用程序的使用情况，能够计算得到每个应用程序对应不同属性类别的评估值，然后将当前待评价目标用户的每个应用程序基于已知属性类别的评估值相加，可以计算得到当前待评价目标用户基于已知属性类别的总评估值，通过将目标用户的总评估值与预设评估阈值比较，最后能够判断所述目标用户是否属于优质用户。所述针对应用的用户评价方法能够针对应用实现用户的评价，进而筛选出数据均衡的优质用户，能够大大降低了用户数据的不均衡性。

参照图2所示，为本发明提供的针对应用的用户评价方法的另一个实施例的流程示意图。所述针对应用的用户评价方法包括：

步骤201，获取样本用户的用户属性标签以及所述样本用户所安装的应用程序；其中，为了评价目标用户，需要首先确定评价的规则，本发明实施例通过获取样本用户中应用程序的相关数据并且经过处理后，作为评价目标用户的参数。

可选的，还可以直接省略步骤201，直接进行步骤202。

步骤202，统计每个所述样本用户的用户属性标签和所述样本用户所安装的应用程序，计算每个所述应用程序的属性倾向数据；

本步骤以及步骤201中所采集用户属性标签和应用程序的用户，通常为数量较多且已知用户属性的样本用户，统计的样本用户的数量越多，得到的倾向数据越准确可靠。可选的，所述属性倾向数据是指应用程序对应不同属性类别的具体倾向比例数据。

步骤203，获取目标用户对应的移动终端上报的日志信息，统计得到每个应用程序每次所使用的时间长度；

为了获取得到移动终端中应用程序的使用情况，需要移动终端能够实时将用户使用的操作信息或者日志信息上报到后台处理的服务器中，然后后台服务器根据上述日志信息统计得到当前用户所安装的每个应用程序对应每次使用的时间长度。上述上报日志信息的过程既可以是手机***中自带的功能模块或者还可以是额外设置的一个用于采集用户使用情况的手机应用程序或软件。上述当前待评价目标用户既可以是步骤201和步骤202中对应的用户，也可以是其他的用户。所述当前待评价目标用户的用户属性已知，需要判断其对于应用程序和用户属性的数据是否可靠，也即所述目标用户是否为优质用户。

步骤204，判断应用程序每次所使用的时间长度是否大于预设时间阈值，若是，则执行步骤205，否则，执行步骤206；

基于较多应用程序的使用具有一定的偶然性和推广性质，若是采用所有的使用次数，则会造成使用次数上的不准确，因此，需要通过与时间阈值的判断，筛选出实质使用的应用程序的使用次数。例如：某一些网站或者是应用程序为了做推广或者是广告，经常绑定下载安装，或者说经常有奖励的推荐用户安装和使用这一应用程序，而对于一些应用程序的使用来说，其使用的成因不是基于用户自己的习惯，而是被动的使用，因此可以将这一些应用程序的使用次数排除。

可选的，还可以设定应用程序的使用时间间隔来筛选出有效的使用次数。具体为：当前后两次的使用时间间隔小于某一预设的时间间隔阈值时，则可以将这前后两次的使用合并为一次的有效使用，否则记为两次有效使用。例如：应用程序的第一次使用与第二次使用的时间间隔为3s，则很可能是因为网络的断开或者是外力因素导致的中断，实际上还是属于同一次的使用。

进一步，所述应用程序的使用次数还可以与使用的时间长度相结合。具体为：统计得到应用程序的使用时间长度，与预设的权重系数相乘计算得到应用程序该次使用的时间权重，将时间权重作为该次使用的系数，最后可以计算得到每个应用程序带有时间权重的使用次数。这样，能够将用户使用的时间长度也作为评价用户的数据之一，提高了所述针对应用的用户评价方法的准确性。

步骤205，根据步骤204，所述应用程序每次所使用的时间长度大于预设时间阈值，表示所述应用程序的使用时间达到预设的标准时间，所以将所述应用程序该次的使用记为一次有效使用；

步骤206，根据步骤204，所述应用程序每次所使用的时间长度小于或等于预设时间阈值，表示所述应用程序的使用时间没有达到预设的标准时间，所以将所述应用程序该次的使用记为一次无效使用；

步骤207，统计得到预设的统计周期内应用程序的有效使用次数，判断所述应用程序的有效使用次数是否大于预设的次数阈值，若是，则执行步骤208，否则，执行步骤209；

针对于不同用户的使用习惯，可能有的用户喜欢间歇性的多次使用应用程序，而有的用户可能喜欢少次长时间的使用，这两者使用应用程序的可靠性都比较强，若是简单统计使用次数，会造成一定的偏差。而且，在一定时间范围内，若是使用的次数达到一定的上限，使用次数的数值已经失去了意义，所以需要限定一个次数阈值，来限制使用次数的无限上升，给后续的数据计算带来差异。所述统计周期是指限定的用户使用习惯上的周期时间，通常以一天为一个统计周期。但是所述统计周期并不是上述数据统计的整个时间范围，例如：以一天为统计周期，但是统计应用程序使用次数的时间范围可以为1个月或者一年等等。也即，在统计的整个时长范围内，可以包含多个统计周期。

步骤208，根据步骤207，所述应用程序的有效使用次数大于预设的次数阈值，则将所述预设的次数阈值作为该周期内所述应用程序的使用次数；

步骤209，根据步骤207，所述应用程序的有效使用次数小于或等于预设的次数阈值，则所述应用程序的有效使用次数为所述应用程序的使用次数；

步骤210，统计得到每个应用程序的有效使用次数，并将每个应用程序的有效使用次数作为每个应用程序的使用次数；

步骤211，分别将每个应用程序的使用次数与该应用程序的属性倾向数据相乘，计算得到当前待评价的目标用户所安装的每个应用程序对应不同属性类别的评估值；

步骤212，根据目标用户已知的属性类别，查找预设的属性类别与评估阈值的对应关系列表，得到所述目标用户已知属性类别对应的预设评估阈值；

所述已知属性类别是指用户属性的具体属性类别已知，例如：性别属性中的男性或女性为已知的属性类别。虽然可以根据评估阈值判断目标用户是否属于优质用户，但是对于目标用户同一用户属性中不同的属性类别来说，这些属性类别之间的差异常常较大，若是采用同一个标准，则会造成评价结果的不准确。所以，需要预先针对不同属性类别的特征分别设定不同的评估阈值，进而达到更加优化的评价结果，提高用户评价的准确性。

步骤213，判断当前待评价用户基于已知属性类别的总评估值是否大于预设评估阈值，若是，则执行步骤214，否则，执行步骤215；

步骤214，根据步骤213，当前待评价用户基于已知属性类别的总评估值大于预设评估阈值，表示用户的评估值达到预设的标准，因此，判定当前待评价的目标用户为优质用户；

步骤215，根据步骤213，当前待评价的目标用户基于已知属性类别的总评估值小于或等于预设评估阈值，表示目标用户的评估值没有达到预设的标准，因此，判定所述目标用户为非优质用户；

可选的，步骤215之后还可以包括：根据目标用户已知的属性类别，查找预设的属性类别与权重的对应关系列表，得到目标用户基于不同属性类别的权重；

当所述优质用户的用户属性数据以及应用程序数据作为训练数据训练预测模型时，基于不同属性类别之间的差异也较大，因此需要针对不同的属性类别分别设定对应的权重值，使得最后训练模型的计算结果更为准确，同时避免筛选出的优质用户的数据存在巨大的偏差或不均衡性，通过设定的不同的权重可以提高训练数据的均衡性，进而提高预测结果的准确性。

步骤216，将优质用户对应的用户属性标签、属性标签对应的权重以及所述目标用户所安装的应用程序类型作为训练数据，输入预先构建的用户属性预测的算法模型中，训练得到预测用户属性的预测模型。

通过筛选出的优质用户，能够训练得到更加可靠的预测模型，进而能够更加准确的预测得到位置用户的用户属性。

由上述实施例可知，本发明实施例所述的针对应用的用户评价方法通过判断应用程序每次使用的时间长度是否大于预设的时间阈值以及判断在一个统计周期内的使用次数是否超出预设的次数阈值，统计得到应用程序准确有效的使用次数，通过针对不同的属性类别设置不同的评估阈值以及权重大大降低了不同属性类别之间的差异，最后通过判断当前待评价目标用户的评估值是否大于预设的评估阈值进而筛选出数据可靠的优质用户。同时，所述优质用户对应的用户属性以及所安装的应用程序作为训练数据，使得能够得到更为准确的用于预测位置用户的用户属性的预测模型。所述针对应用的用户评价方法极大提高了用户应用程序相关数据的有效性，同时降低了属性类别的差异，最终提高了用户评价的可靠性和稳定性。

需要说明的是，上述实施例只是为了表述本发明的设计思路的一个示例性的实施例，而本发明的思路并不限于上述实施例中所表述的步骤的数量和顺序。也即针对于某些步骤可以省略，或者有的步骤之间的顺序还可以根据需要发生改变，或者还可以将上述两个实施例中的步骤进行组合使用，形成新的实施例。

在本发明一个可选的实施例中，所述针对应用的用户评价方法可以包括步骤201、步骤101、步骤102、步骤103、步骤212、步骤213、步骤214、步骤215。具体为：

获取样本用户的用户属性标签以及所述样本用户所安装的应用程序；

统计每个所述样本用户的用户属性标签和所述样本用户所安装的应用程序，计算每个应用程序的属性倾向数据；

获取目标用户所安装的每个应用程序的使用情况，根据所述应用程序的使用情况与所述应用程序的属性倾向数据，得到所述目标用户所安装的每个应用程序的属性评估值；

根据所述目标用户所安装的每个应用程序的属性评估值，得到所述目标用户所安装的应用程序的总评估值；

根据目标用户已知的属性类别，查找预设的属性类别与评估阈值的对应关系列表，得到当前待评价目标用户已知属性类别对应的预设评估阈值；

判断所述目标用户基于已知属性类别的总评估值是否大于预设评估阈值，若是，则判定所述目标用户为优质用户，否则，判定所述目标用户为非优质用户。

这样，通过针对不同属性类别设置不同的评估阈值能够大大降低不同属性类别之间的差异性，提高用户评价的准确性。

在本发明另一个可选的实施例中，所述针对应用的用户评价方法可以包括步骤201、步骤101、步骤102、步骤103、步骤213、步骤214、步骤215和步骤216。具体为：

获取样本用户的用户属性标签以及所述样本用户所安装的应用程序；

统计每个所述样本用户的用户属性标签和所述样本用户所安装的应用程序，计算每个应用程序的属性倾向数据；

获取目标用户所安装的每个应用程序的使用情况，根据所述应用程序的使用情况与所述应用程序的属性倾向数据，得到所述目标用户所安装的每个应用程序的属性评估值；

根据所述目标用户所安装的每个应用程序的属性评估值，得到所述目标用户所安装的应用程序的总评估值；

判断所述目标用户基于已知属性类别的总评估值是否大于预设评估阈值，若是，则判定所述目标用户为优质用户，否则，判定所述目标用户为非优质用户；

筛选出优质用户，并将优质用户对应的用户属性标签以及所述优质用户所安装的应用程序类型作为训练数据，输入预先构建的用户属性预测的算法模型中，训练得到预测用户属性的预测模型。

可选的，所述筛选出优质用户的步骤之后包括：根据用户已知的属性类别，查找预设的属性类别与权重的对应关系列表，得到用户基于不同属性类别的权重；将用户基于不同属性类别的权重也作为训练数据。

这样，通过将刷选出的优质用户对应的用户属性标签以及所安装的应用程序作为训练数据，能够提高预测模型的准确性，进而使得用户属性的预测更为准确、可靠。

同时，通过针对不同的属性类别设置不同的权重，能够减少属性类别之间的差异，提高了训练数据之间的平衡性，最终提高了预测模型的准确性和可靠性。

在本发明一些可选的实施例中，所述针对应用的用户评价方法可以包括步骤201、步骤202、步骤203、步骤204、步骤205、步骤206、步骤210、步骤211、步骤213、步骤214、步骤215。具体为：

获取样本用户的用户属性标签以及所述样本用户所安装的应用程序；

统计每个所述样本用户的用户属性标签和所述样本用户所安装的应用程序，计算每个所述应用程序的属性倾向数据；

获取目标用户对应的移动终端上报的日志信息，统计得到每个应用程序每次所使用的时间长度；

判断应用程序每次所使用的时间长度是否大于预设时间阈值，若是，则记为一次有效使用，否则，记为一次无效使用；

统计得到每个应用程序的有效使用次数，并将每个应用程序的有效使用次数作为每个应用程序的使用次数；

分别将每个应用程序的使用次数与该应用程序的属性倾向数据(也即用户属性针对于不同属性类别的倾向比例)相乘，计算得到目标用户所安装的每个应用程序对应不同属性类别的评估值。

这样，判断应用程序每次的使用时间长度是否大于预设的时间阈值，进而统计得到有效的应用程序的使用次数，提高了用户评价的准确性和可靠性。

在本发明另一些可选的的实施例中，所述针对应用的用户评价方法可以包括步骤201、步骤202、步骤203、步骤204、步骤205、步骤206、步骤207、步骤208、步骤209、步骤210、步骤211、步骤213、步骤214、步骤215。具体为：

获取样本用户的用户属性标签以及所述样本用户所安装的应用程序；

统计每个所述样本用户的用户属性标签和所述样本用户所安装的应用程序，计算每个所述应用程序的属性倾向数据；

获取目标用户对应的移动终端上报的日志信息，统计得到每个应用程序每次所使用的时间长度；

判断应用程序每次所使用的时间长度是否大于预设时间阈值，若是，则记为一次有效使用，否则，记为一次无效使用；

统计得到预设的统计周期内应用程序的有效使用次数，判断所述应用程序的有效使用次数是否大于预设的次数阈值，若是，则将所述预设的次数阈值作为该周期内所述应用程序的使用次数，否则，所述应用程序的有效使用次数为所述应用程序的使用次数；

计算得到每个应用程序在预设数量的统计周期内的使用次数，并作为每个应用程序的使用次数；

根据每个应用程序的使用次数与该应用程序的属性倾向数据，计算得到当前待评价的目标用户所安装的每个应用程序对应不同属性类别的评估值；

判断所述目标用户基于已知属性类别的总评估值是否大于预设评估阈值，若是，则判定当前待评价目标用户为优质用户，否则，判定当前待评价的目标用户为非优质用户。

这样，通过限定在一个统计周期内使用次数的上限的次数阈值，能够进一步提高应用程序使用次数的有效性和可靠性，进而使得用户评价的结果更为可靠。

参照图3所示，为本发明提供的针对应用的用户评价装置的一个实施例的结构示意图。所述针对应用的用户评价装置，包括：

获取模块301，用于获取样本用户的用户属性标签以及所述样本用户所安装的应用程序；并将所述样本用户的用户属性标签以及所述样本用户所安装的应用程序发送到计算模块302；

计算模块302，用于接收所述获取模块301发送的所述样本用户的用户属性标签以及应用程序，统计每个所述样本用户的用户属性标签和所述样本用户所安装的应用程序，计算得到每个应用程序的属性倾向数据；将计算得到的所述每个应用程序的属性倾向数据发送到属性评估模块303；

属性评估模块303，用于接收所述计算模块302发送的应用程序的属性倾向数据，计算当前待评价的目标用户所安装的每个应用程序的使用情况，根据每个应用程序的使用情况与所述应用程序的属性倾向数据，计算得到当前待评价的目标用户所安装的每个应用程序对应不同属性类别的评估值；将所述每个应用程序对应不同属性类别的评估值发送到评价模块304；

评价模块304，用于接收所述属性评估模块303发送的应用程序对应不同属性类别的评估值，计算当前待评价的目标用户所安装的所有应用程序基于已知属性类别的总评估值，判断所述目标用户基于已知属性类别的总评估值是否大于预设评估阈值，根据判断结果，对所述目标用户进行评价。可选的，若总评估值大于预设评估阈值，则当前待评价用户为优质用户；否则，当前待评价用户为非优质用户。

由上述实施例可知，所述针对应用的用户评价装置通过所述计算模块302计算得到每个应用程序的属性倾向数据，通过所述属性评估模块303计算得到每个应用程序对应不同属性类别的评估值，通过所述评价模块304计算得到当前待评价目标用户所安装的应用程序基于已知属性类别的总评估值，然后通过将所述总评估值与预设的评估阈值比较，判定当前待评价的目标用户是否为优质用户，最后筛选出对于应用程序数据均衡的优质用户。所述针对应用的用户评价装置能够针对应用实现用户的评价，进而筛选出数据均衡的优质用户，降低了用户数据的不均衡性。

参见图4所示，为本发明提供的针对应用的用户评价装置的另一个实施例的结构示意图。

在一些可选的实施例中，所述评价模块304包括：用户评估模块3041、阈值查找模块3042和结果判断模块3043；

所述属性评估模块303还用于，将所述每个应用程序对应不同属性类别的评估值发送到用户评估模块3041；

所述用户评估模块3041，用于接收所述属性评估模块303发送的每个应用程序对应不同属性类别的评估值，计算得到当前待评价的目标用户所安装的所有应用程序基于已知属性类别的总评估值；将用户的总评估值发送给结果判断模块3043；

所述阈值查找模块3042，用于根据当前待评价的目标用户已知的属性类别，查找预设的属性类别与评估阈值的对应关系列表，得到当前待评价目标用户已知属性类别对应的预设评估阈值；将所述预设评估阈值发送给结果判断模块3043；

所述结果判断模块3043，用于接收所述用户评估模块3041发送的用户的总评估值，以及所述阈值查找模块3042发送的预设评估阈值；判断目标用户基于已知属性类别的总评估是否大于预设评估阈值，若是，则所述目标用户为优质用户；否则，所述目标用户为非优质用户。

这样，通过针对不同属性类别设置不同的评估阈值能够大大降低不同属性类别之间的差异性，提高用户评价的准确性。

在本发明另一个可选的实施例中，所述用户评价装置还包括模型训练模块305；

所述模型训练模块305用于，筛选出优质用户，并将优质用户对应的用户属性标签以及所述优质用户所安装的应用程序类型作为训练数据，输入预先构建的用户属性预测的算法模型中，训练得到预测用户属性的预测模型。这样，通过将刷选出的优质用户对应的用户属性标签以及所安装的应用程序作为训练数据，能够提高预测模型的准确性，进而使得用户属性的预测更为准确、可靠。

在本发明进一步的实施例中，所述模型训练模块305还包括：权重获取模块3051、数据筛选模块3052和数据训练模块3053；

所述权重获取模块3051，用于根据目标用户已知的属性类别，查找预设的属性类别与权重的对应关系列表，得到目标用户基于不同属性类别的权重；将所述目标用户基于不同属性类别的权重发送给数据训练模块3053；

所述数据筛选模块3052，用于筛选出优质用户，并将优质用户对应的用户属性标签以及所述优质用户所安装的应用程序类型发送给数据训练模块3053；

所述数据训练模块3053，用于接收所述权重获取模块3051发送的用户基于不同属性类别的权重以及所述数据筛选模块3052发送的用户属性标签以及应用程序，将优质用户对应的用户属性标签、属性标签对应的权重以及所述优质用户所安装的应用程序类型作为训练数据，输入预先构建的用户属性预测的算法模型中，训练得到预测用户属性的预测模型。

这样，通过针对不同的属性类别设置不同的权重，能够减少属性类别之间的差异，提高了训练数据之间的平衡性，最终提高了预测模型的准确性和可靠性。

在本发明一些可选的的实施例中，所述属性评估模块303还包括：信息统计模块3031、时间判断模块3032、次数统计模块3033和评估计算模块3034；

所述信息统计模块3031，用于获取当前待评价目标用户对应的移动终端上报的日志信息，统计得到每个应用程序每次所使用的时间长度；将统计得到的每个应用程序每次所使用的时间长度发送给时间判断模块3032；

所述时间判断模块3032，用于接收所述信息统计模块3031发送的每个应用程序每次所使用的时间长度，判断应用程序每次所使用的时间长度是否大于预设时间阈值，若是，则记为一次有效使用，否则，记为一次无效使用；

所述次数统计模块3033，用于统计得到每个应用程序的有效使用次数，并将每个应用程序的有效使用次数作为每个应用程序的使用次数；将每个应用程序的使用次数发送给评估计算模块3034；

所述评估计算模块3034，用于接收所述次数统计模块3033发送的每个应用程序的使用次数，接收所述比例计算模块302发送的每个应用程序的属性倾向数据，分别将每个应用程序的使用次数与所述应用程序的属性倾向数据相乘，计算得到当前待评价的目标用户所安装的每个应用程序对应不同属性类别的评估值；将所述每个应用程序对应不同属性类别的评估值发送到所述评价模块304。

这样，通过判断应用程序每次的使用时间长度是否大于预设的时间阈值，进而统计得到有效的应用程序的使用次数，提高了用户评价的准确性和可靠性。

在本发明进一步的实施例中，所述次数统计模块3033还用于，统计得到预设的统计周期内应用程序的有效使用次数，判断所述应用程序的有效使用次数是否大于预设的次数阈值，若是，则将所述预设的次数阈值作为该周期内所述应用程序的使用次数，否则，所述应用程序的有效使用次数为所述应用程序的使用次数；计算得到每个应用程序在预设数量的统计周期内的使用次数，并作为每个应用程序的使用次数。

这样，通过限定在一个统计周期内使用次数的上限的次数阈值，能够进一步提高应用程序使用次数的有效性和可靠性，进而使得用户评价的结果更为可靠。

在本发明的又一方面，还提供了一种装置，所述装置的一个实施例，包括：

一个或多个处理器，可选的，所述一个或多个处理器用于执行上面任意一个或多个实施例所述的方法中所限定的步骤；以及

用于存储操作指令的存储器；

所述一个或多个处理器被配置为从所述存储器中获取操作指令并执行：

统计样本用户的用户属性标签和所述样本用户所安装的应用程序，计算所述应用程序的属性倾向数据；

获取目标用户所安装的每个应用程序的使用情况，根据所述应用程序的使用情况与所述应用程序的属性倾向数据，得到所述目标用户所安装的每个应用程序的属性评估值；

根据所述目标用户所安装的每个应用程序的属性评估值，得到所述目标用户所安装的应用程序的总评估值，判断所述总评估值是否大于预设评估阈值，根据判断结果，对所述目标用户进行评价。

可选的，其特征在于，所述判断所述总评估值是否大于预设评估阈值的步骤之前还包括：

根据所述目标用户已知的属性类别，查找预设的属性类别与评估阈值的对应关系列表，得到所述目标用户已知属性类别对应的预设评估阈值。

可选的，所述判断所述总评估值是否大于预设评估阈值的步骤之后还包括：

若所述总评估值大于所述评估阈值，则目标用户为优质用户；

若所述总评估值小于或等于所述评估阈值，则目标用户为非优质用户；

筛选出优质用户，并将所述优质用户对应的用户属性标签以及所述优质用户所安装的应用程序作为训练数据，输入预先构建的用户属性预测的算法模型中，训练得到预测用户属性的预测模型。

可选的，所述获取目标用户所安装的每个应用程序的使用情况的步骤还包括：

获取目标用户对应的移动终端上报的日志信息，统计得到每个应用程序每次所使用的时间长度；

判断所述应用程序每次所使用的时间长度是否大于预设时间阈值，若是，则记为一次有效使用，否则，记为一次无效使用；

统计得到每个所述应用程序的有效使用次数，并将每个应用程序的有效使用次数作为每个应用程序的使用次数。

可选的，所述统计得到每个应用程序的有效使用次数的步骤还包括：

统计得到预设的统计周期内应用程序的有效使用次数，判断所述应用程序的有效使用次数是否大于预设的次数阈值，若是，则将所述预设的次数阈值作为该周期内所述应用程序的使用次数，否则，所述应用程序的有效使用次数为所述应用程序的使用次数；

计算每个应用程序在预设数量的统计周期内的使用次数，并作为每个应用程序的使用次数。

此外，典型地，本公开所述的装置可为各种电子终端设备，例如手机、个人数字助理(PDA)、平板电脑(PAD)、平板电脑(PAD)、智能电视等，因此本公开的保护范围不应限定为某种特定类型的装置。

此外，根据本公开的方法还可以被实现为由CPU执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时，执行本公开的方法中限定的上述功能。

此外，上述方法步骤以及***单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。

此外，应该明白的是，本文所述的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM)，该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM可以以多种形式获得，比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)以及直接RambusRAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个***的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现所述的功能，但是这种实现决定不应被解释为导致脱离本公开的范围。

结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里所述功能的下列部件来实现或执行：通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP核、或任何其它这种配置。

结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器，使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中，所述存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中，处理器和存储介质可以作为分立组件驻留在用户终端中。

在一个或多个示例性设计中，所述功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外先、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。

公开的示例性实施例，但是应当注公开的示例性实施例，但是应当注意，在不背离权利要求限定的本公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本公开的元素可以以个体形式描述或要求，但是也可以设想多个，除非明确限制为单数。

应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。

上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

Claims (10)

1.一种针对应用的用户评价方法，其特征在于，包括：

统计样本用户的用户属性标签和所述样本用户所安装的应用程序，计算所述应用程序的属性倾向数据；

获取目标用户所安装的每个应用程序的使用情况，根据所述应用程序的使用情况与所述应用程序的属性倾向数据，得到所述目标用户所安装的每个应用程序的属性评估值；

根据所述目标用户所安装的每个应用程序的属性评估值，得到所述目标用户所安装的应用程序的总评估值，判断所述总评估值是否大于预设评估阈值，根据判断结果，对所述目标用户进行评价。

2.根据权利要求1所述的方法，其特征在于，所述判断所述总评估值是否大于预设评估阈值的步骤之前还包括：

根据所述目标用户已知的属性类别，查找预设的属性类别与评估阈值的对应关系列表，得到所述目标用户已知属性类别对应的预设评估阈值。

3.根据权利要求1所述的方法，其特征在于，所述判断所述总评估值是否大于预设评估阈值的步骤之后还包括：

若所述总评估值大于所述评估阈值，则目标用户为优质用户；

若所述总评估值小于或等于所述评估阈值，则目标用户为非优质用户；

筛选出优质用户，并将所述优质用户对应的用户属性标签以及所述优质用户所安装的应用程序作为训练数据，输入预先构建的用户属性预测的算法模型中，训练得到预测用户属性的预测模型。

4.根据权利要求1所述的方法，其特征在于，所述获取目标用户所安装的每个应用程序的使用情况的步骤还包括：

获取目标用户对应的移动终端上报的日志信息，统计得到每个应用程序每次所使用的时间长度；

判断所述应用程序每次所使用的时间长度是否大于预设时间阈值，若是，则记为一次有效使用，否则，记为一次无效使用；

统计得到每个所述应用程序的有效使用次数，并将每个应用程序的有效使用次数作为每个应用程序的使用次数。

5.根据权利要求4所述的方法，其特征在于，所述统计得到每个应用程序的有效使用次数的步骤还包括：

统计得到预设的统计周期内应用程序的有效使用次数，判断所述应用程序的有效使用次数是否大于预设的次数阈值，若是，则将所述预设的次数阈值作为该周期内所述应用程序的使用次数，否则，所述应用程序的有效使用次数为所述应用程序的使用次数；

计算每个应用程序在预设数量的统计周期内的使用次数，并作为每个应用程序的使用次数。

6.一种针对应用的用户评价装置，其特征在于，包括：

获取模块，用于获取样本用户的用户属性标签以及所述样本用户所安装的应用程序；并将所述样本用户的用户属性标签以及所述样本用户所安装的应用程序发送到计算模块；

计算模块，用于接收所述获取模块发送的所述样本用户的用户属性标签以及所述样本用户所安装的应用程序，统计每个所述样本用户的用户属性标签和所述样本用户所安装的应用程序，计算所述应用程序的属性倾向数据；将所述应用程序的属性倾向数据发送到属性评估模块；

属性评估模块，用于接收所述计算模块发送的应用程序的属性倾向数据，获取目标用户所安装的每个应用程序的使用情况，根据所述应用程序的使用情况与所述应用程序的属性倾向数据，得到所述目标用户所安装的每个应用程序的属性评估值；将所述每个应用程序的属性评估值发送到评价模块；

评价模块，用于接收所述属性评估模块发送的每个应用程序的属性评估值，根据所述目标用户所安装的每个应用程序的属性评估值，得到所述目标用户所安装的应用程序的总评估值，判断所述总评估值是否大于预设评估阈值，根据判断结果，对所述目标用户进行评价。

7.根据权利要求6所述的装置，其特征在于，所述评价模块包括：用户评估模块、阈值查找模块和结果判断模块；

所述属性评估模块还用于，将所述每个应用程序的属性评估值发送到用户评估模块；

所述用户评估模块，用于接收所述属性评估模块发送的每个应用程序的属性评估值，计算得到所述目标用户所安装的应用程序基于已知属性类别的总评估值；将所述目标用户的总评估值发送给结果判断模块；

所述阈值查找模块，用于根据所述目标用户已知的属性类别，查找预设的属性类别与评估阈值的对应关系列表，得到所述目标用户已知属性类别对应的预设评估阈值；将所述预设评估阈值发送给结果判断模块；

所述结果判断模块，用于接收所述用户评估模块发送的目标用户的总评估值，以及所述阈值查找模块发送的预设评估阈值；判断所述目标用户基于已知属性类别的总评估值是否大于预设评估阈值，若是，则目标用户为优质用户；否则，目标用户为非优质用户。

8.根据权利要求7所述的装置，其特征在于，所述用户评价装置还包括模型训练模块；

所述模型训练模块用于，筛选出优质用户，并将所述优质用户对应的用户属性标签以及所述优质用户所安装的应用程序作为训练数据，输入预先构建的用户属性预测的算法模型中，训练得到预测用户属性的预测模型。

9.根据权利要求6所述的装置，其特征在于，所述属性评估模块还包括：信息统计模块、时间判断模块、次数统计模块和评估计算模块；

所述信息统计模块，用于获取目标用户对应的移动终端上报的日志信息，统计得到每个应用程序每次所使用的时间长度；将统计得到的每个应用程序每次所使用的时间长度发送给时间判断模块；

所述时间判断模块，用于接收所述信息统计模块发送的每个应用程序每次所使用的时间长度，判断应用程序每次所使用的时间长度是否大于预设时间阈值，若是，则记为一次有效使用，否则，记为一次无效使用；

所述次数统计模块，用于统计得到每个应用程序的有效使用次数，并将每个应用程序的有效使用次数作为每个应用程序的使用次数；将每个应用程序的使用次数发送给计算模块；

所述评估计算模块，用于接收所述次数统计模块发送的每个应用程序的使用次数，以及接收所述计算模块发送的每个应用程序的属性倾向数据，将每个应用程序的使用次数与所述应用程序的属性倾向数据相乘，计算得到所述目标用户所安装的每个应用程序对应不同属性类别的评估值；将所述每个应用程序对应不同属性类别的评估值发送到评价模块。

10.根据权利要求9所述的装置，其特征在于，所述次数统计模块还用于，统计得到预设的统计周期内应用程序的有效使用次数，判断所述应用程序的有效使用次数是否大于预设的次数阈值，若是，则将所述预设的次数阈值作为该周期内所述应用程序的使用次数，否则，所述应用程序的有效使用次数为所述应用程序的使用次数；计算得到每个应用程序在预设数量的统计周期内的使用次数，并作为每个应用程序的使用次数。