CN106326369A - 应用专题推荐方法、装置及服务器 - Google Patents

Abstract

本发明实施例提供一种应用专题推荐方法、装置及服务器，所述方法包括：根据待推荐用户的应用列表，计算待推荐用户的特征向量；分别计算各个预设应用专题的特征向量；基于所述待推荐用户的特征向量与所述各个预设应用专题的特征向量生成所述待推荐用户的应用专题推荐列表。所述方法可以将预设专题与用户进行自动匹配，能够针对不同的用户推荐不同的专题，提高了用户体验，并且对于提高应用专题推荐服务的平台或者应用商店来说，由于不需要运营人员去判断给哪些用户推荐哪些专题，因此提高了运营人员的工作效率，进而使得整个应用专题推荐服务的平台或者应用商店的人力成本得到了降低，整体运行效率得到了提升。

Description

应用专题推荐方法、装置及服务器

技术领域

本发明涉及计算机应用领域，具体而言，涉及一种应用专题推荐方法、装置及服务器。

背景技术

随着移动终端技术及网络技术的飞速发展，越来越多的用户选择在手机或平板电脑等移动终端上下载应用软件，各种专为移动终端用户打造的应用获取平台，例如应用商店也应运而生。

应用商店运营过程中，通常会挑选某些相关的应用包装成一个专题，配上一系列的问题和图案，推送给用户，以方便用户在相关的应用中挑选自己喜欢的应用下载。更常见的是直接展示在手机助手的首页，丰富页面元素，增加用户体验，并扩大应用的下载量。但是当前给每个用户推荐的专题都是一样的，不具有针对性，用户体验较差。

发明内容

有鉴于此，本发明实施例的目的在于提供一种应用专题推荐方法、装置及服务器，以解决上述问题。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种应用专题推荐方法，所述方法包括：根据待推荐用户的应用列表，计算待推荐用户的特征向量；分别计算各个预设应用专题的特征向量；基于所述待推荐用户的特征向量与所述各个预设应用专题的特征向量生成所述待推荐用户的应用专题推荐列表。

第二方面，本发明实施例提供了一种应用专题推荐装置，所述装置包括：第一计算模块，用于根据待推荐用户的应用列表，计算待推荐用户的特征向量；第二计算模块，用于分别计算各个预设应用专题的特征向量；生成模块，用于基于所述待推荐用户的特征向量与所述各个预设应用专题的特征向量生成所述待推荐用户的应用专题推荐列表。

第三方面，本发明实施例提供了一种服务器，所述服务器包括处理器及存储器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时使所述处理器执行以下操作：根据待推荐用户的应用列表，计算待推荐用户的特征向量；分别计算各个预设应用专题的特征向量；基于所述待推荐用户的特征向量与所述各个预设应用专题的特征向量生成所述待推荐用户的应用专题推荐列表。

与现有技术相比，本发明实施例提供的一种应用专题推荐方法、装置及服务器，通过分别计算待推荐用户的特征向量所述各个预设应用专题对应的特征向量的匹配度，并根据所述匹配度来向用户推荐适合的应用专题，通过这种方式，可以将预设专题与用户进行自动匹配，能够针对不同的用户推荐不同的专题，提高了用户体验，并且对于提高应用专题推荐服务的平台或者应用商店来说，由于不需要运营人员去判断给哪些用户推荐哪些专题，因此提高了运营人员的工作效率，进而使得整个应用专题推荐服务的平台或者应用商店的人力成本得到了降低，整体运行效率得到了提升。

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

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明实施例提供的用户终端与服务器进行交互的示意图。

图2是本发明实施例提供的服务器的结构示意图。

图3是本发明实施例提供的一种应用专题推荐方法的流程图。

图4是本发明实施例提供的一种应用专题推荐方法的步骤S400的详细流程图。

图5是本发明实施例提供的一种应用专题推荐方法的步骤S410的详细流程图。

图6是本发明实施例提供的一种应用专题推荐方法的步骤S420的详细流程图。

图7是本发明实施例提供的一种应用专题推荐方法的步骤S500的详细流程图。

图8是本发明实施例提供的一种应用专题推荐方法的步骤S520的详细流程图。

图9是本发明实施例提供的一种应用专题推荐方法的步骤S600的详细流程图。

图10是本发明实施例提供的一种应用专题推荐装置的结构框图。

图11是本发明实施例提供的一种应用专题推荐装置中第一计算模块的结构框图。

图12是本发明实施例提供的一种应用专题推荐装置中第一处理模块的结构框图。

图13是本发明实施例提供的一种应用专题推荐装置中第二处理模块的结构框图。

图14是本发明实施例提供的一种应用专题推荐装置中第二计算模块的结构框图。

图15是本发明实施例提供的一种应用专题推荐装置中生成模块的结构框图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

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

图1示出了本发明实施例提供的服务器200与用户终端100进行交互的示意图。所述服务器200通过网络300与一个或多个用户终端100进行通信连接，以进行数据通信或交互。所述服务器200可以是网络服务器、数据库服务器等。所述用户终端100可以是个人电脑(personal computer，PC)、平板电脑、智能手机、个人数字助理(personal digitalassistant，PDA)、车载设备、穿戴设备等。

如图2所示，是所述服务器200的方框示意图。所述服务器200包括存储器201、处理器202以及网络模块203。

存储器201可用于存储软件程序以及模块，如本发明实施例中的应用专题推荐方法及装置对应的程序指令/模块，处理器202通过运行存储在存储器201内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本发明实施例中的应用专题推荐方法。存储器201可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。进一步地，上述存储器201内的软件程序以及模块还可包括：操作***221以及服务模块222。其中操作***221，例如可为LINUX、UNIX、WINDOWS，其可包括各种用于管理***任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通讯，从而提供其他软件组件的运行环境。服务模块222运行在操作***221的基础上，并通过操作***221的网络服务监听来自网络的请求，根据请求完成相应的数据处理，并返回处理结果给客户端。也就是说，服务模块222用于向客户端提供网络服务。

网络模块203用于接收以及发送网络信号。上述网络信号可包括无线信号或者有线信号。

可以理解，图2所示的结构仅为示意，所述服务器200还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。另外，本发明实施例中的服务器还可以包括多个具体不同功能的服务器。

于本发明实施例中，用户终端100中安装有客户端，该客户端可以是第三方应用软件，例如应用商店，与服务器(Server)端相对应，共同遵循同一套数据协议，使得服务端跟客户端能够互相解析出对方的数据，为用户提供应用专题推荐服务。

图3示出了本发明实施例提供的一种应用专题推荐方法的流程图，请参阅图3，本实施例描述的是服务器的处理流程，所述方法包括：

步骤S400，根据待推荐用户的应用列表，计算待推荐用户的特征向量。

其中，所述待推荐用户的应用列表包括待推荐用户已安装应用列表以及预设时间段内的下载应用列表以及所述预设时间段内的浏览应用列表以及所述预设时间段内的更新应用列表。

服务器可以从待推荐用户的用户终端获取到与待推荐用户对应的应用列表，也可以在每个用户终端从服务器下载/浏览/更新应用时，服务器将所述用户终端与其下载/浏览/更新的应用进行匹配并记录，当需要获取所述待推荐用户对应的应用列表时，可以直接从服务器中获取。

优选的，可以获取待推荐用户已安装应用列表、最近n天下载应用列表、最近n天浏览应用列表、最近n天更新应用列表，共四类应用列表。可以理解的是，根据待推荐最近的数据进行分析，得到的应用专题推荐列表也将更准确。

根据与待推荐用户对应的应用列表，计算待推荐用户的特征向量的实施方式有多种，下面简单介绍两种实施方式，但是可以理解的是，并不局限于所述实施方式。

作为一种实施方式，可以将待推荐用户对应的应用列表中的应用名称进行哈希计算，对每一个应用名称计算得到一个哈希值，将所述多个应用名对应的哈希值构成所述待推荐用户的特征向量。

作为另一种实施方式，请参阅图4，所述步骤S400可以包括：

步骤S410，计算所述待推荐用户的应用对应的预设标签的概率分布。

请参阅图5，作为一种实施方式，步骤S410可以包括：

步骤S411，获取所述待推荐用户的应用列表。

优选的，可以获取待推荐用户已安装应用列表、最近n天下载应用列表、最近n天浏览应用列表、最近n天更新应用列表，共四类应用列表。可以理解的是，根据待推荐最近最新的数据进行分析，得到的应用专题推荐列表也将更准确。

步骤S412，查询所述应用列表中应用对应的预设标签。

可以预先设置映射表，将应用与对应的标签匹配起来，通过查表的方式可以找到应用对应的预设标签。例如，可以将“XX商城”应用与预设标签“网购”进行匹配，并添加进映射表中。也可以将“XX音乐播放器”应用与预设标签“音乐”进行匹配，并添加进映射表中。

步骤S413，根据所述应用列表中应用对应的操作次数以及预设操作权重，计算所述应用列表中应用对应的分值。

当应用i的更新次数、浏览次数、下载次数和安装次数分别为：update_app_i、view_app_i、download_app_i、install_app_i，更新操作的权重、浏览操作的权重、下载操作的权重和安装操作的权重分别为：w_update、w_view、w_download、w_install。

因此应用i对应的分值为：

score _i＝

update_app _i×w_update

+view_app _i×w_viewe

+download_app _i×w_download

+install_app _i×w_instadll

步骤S414，根据所述应用列表中应用对应的分值以及所述应用列表中应用对应的预设标签，计算所述待推荐用户对应的预设标签的概率值，获得所述待推荐用户的应用对应的预设标签的概率分布。

分别将属于预设标签的应用的分值相加，得出所述预设标签对应的分值，各个预设标签对应的分值进行归一化处理，获得各个预设标签的概率值，从而获得所述待推荐用户的应用对应的预设标签的概率分布。

例如：

(1)首先获取到用户的应用列表以及各个应用对应的操作次数以及预设操作权重如下表1所示。

表1

(2)查询所述应用列表中应用对应的预设标签，如下表2所示：

表2

(3)根据步骤S413计算所述应用列表中应用对应的分值：

应用1对应的得分score1＝0.5＊1+0.5＊1＝1；

应用2对应的得分score2＝1＊1＝1；

应用3对应的得分score3＝＊1＝1。

计算结果如下表3所示：

表3

(4)根据步骤S414获得所述待推荐用户的应用对应的预设标签的概率分布：

预设标签“社交”对应的概率值为：1/3；

预设标签“网购”对应的概率值为：1/3；

预设标签“音乐播放”对应的概率值为：1/3；

因此，所述待推荐用户的应用对应的预设标签的概率分布如下表4所示，其中，p(c_j|u_i)表示用户i的标签j的概率值：

表4

步骤S420，计算全部用户的应用对应的所述预设标签的概率分布。

请参阅图6，作为一种实施方式，步骤S420可以包括：

步骤S421，获取所述全部用户的应用列表。

步骤S422，查询所述应用列表中应用对应的预设标签。

步骤S423，根据所述应用列表中应用对应的操作次数以及预设操作权重，计算所述应用列表中的应用对应的分值。

步骤S424，根据所述应用列表中应用对应的分值以及所述应用列表中应用对应的预设标签，计算所述全部用户对应的预设标签的概率值，获得所述全部用户的应用对应的所述预设标签的概率分布。

可以理解的是，步骤S421至步骤S424，与步骤S411至步骤S414的实施方式相同，只是获取的应用列表不同，这里就不再赘述。

步骤S430，根据所述待推荐用户的应用对应的预设标签的概率分布以及所述全部用户的应用对应的所述预设标签的概率分布，计算所述计算待推荐用户的特征向量。

假设共有N个标签，用户i的特征向量为V_i＝[v_i,1,v_i,2,...,v_i,j,...,v_i,N]，其中p(c_j)表示全部用户的应用对应的标签j的概率分布，p(c_j|u_i)表示用户i的标签j的概率值。

例如，假设根据步骤S421至步骤S424得出的所述待推荐用户的应用对应的预设标签的概率分布如下表5所示，其中，p(c_j|u_i)表示用户i的标签j的概率值：

表5

根据步骤S421至步骤S424得出的所述全部用户的应用对应的所述预设标签的概率分布，如下表6所示：

表6

标签	分布值
		音乐	3.03％
网购	16.16％
		社交	15.29％
.......	0.15％
		.......	0.42％
.......	0.09％
		.......	0.30％
.......	0.54％
		.......	0.18％
.......	4.77％
		.......	1.38％
.......	0.70％
		.......	0.80％
.......	0.50％
		.......	0.19％
.......	0.08％

则根据所述待推荐用户的应用对应的预设标签的概率分布以及所述全部用户的应用对应的所述预设标签的概率分布，计算出的所述计算待推荐用户的特征向量，如下表7所示：

表7

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

即，待推荐用户的特征向量为：V＝(2.18，2.06，11.00)。

进一步的，此处也可以在所示特征向量的基础上，采用机器学习方法，生成新的向量作为用户的特征向量。

步骤S500，分别计算各个预设应用专题的特征向量。

其中，应用专题是指可以根据一定规则，将至少有一个方面与某个主题或题材或热点话题等具有相关性的应用整合起来形成的应用集合。所述相关性可以是名字相关或功能相关等。例如，若当前热点话题为“败家女人更懂生活”，由于“XX优惠应用”，“XX网购应用”都与这个热点话题相关，因此可以形成一个应用专题“败家女人更懂生活”，这个应用专题中包括“XX优惠应用”以及“XX网购应用”。

计算各个预设应用专题对应的特征向量的实施方式也有很多种，例如可以根据计算各个应用专题中每一个应用名称的哈希值，将所述多个应用名对应的哈希值构成对应的应用专题的特征向量；也可以分别根据所述各个预设应用专题对应的各个预设标签的概率，获得所述各个预设应用专题对应的特征向量。

作为一种实施方式，请参阅图7，步骤S500可以包括：

步骤S510，获取所述各个预设应用专题所包括的应用的预设标签。

步骤S520，计算所述每一个预设应用专题下的各类预设标签的概率，得到所述各个预设应用专题的特征向量。

其中，请参阅图8，所述计算所述每一个预设应用专题下的各类预设标签的概率，包括：

步骤S521，根据所述各个预设应用专题包括的应用对应的操作次数以及预设操作权重，分别计算所述各个预设应用专题包括的应用对应的分值。

步骤S522，根据所述各个预设应用专题包括的应用对应的分值以及所述各个预设应用专题包括的应用对应的预设标签，计算所述各个预设应用专题对应的各个预设标签的概率。

可以理解的是，所述步骤S521至步骤S522与步骤S423至步骤S424相似，此处就不再赘述。

步骤S600，基于所述待推荐用户的特征向量与所述各个预设应用专题的特征向量生成所述待推荐用户的应用专题推荐列表。

作为一种实施方式，请参阅图9，所述步骤S600可以包括：

步骤S610，分别计算所述待推荐用户的特征向量与所述各个预设应用专题对应的特征向量的匹配度。

计算所述待推荐用户的特征向量与所述各个预设应用专题对应的特征向量的匹配度的方式也有多种，例如，可以通过计算两个特征向量之间的欧式距离来计算匹配度，也可以通过计算两个特征向量之间的切比雪夫距离来计算匹配度，还可以通过计算两个特征向量之间的余弦距离来计算匹配度，并不局限于所述实施方式。

作为一种实施方式，将所述待推荐用户的特征向量的各个元素分别与所述各个预设应用专题对应的特征向量对应位置的元素相乘并求和，获得所述待推荐用户的特征向量与所述各个预设应用专题对应的特征向量的匹配度。

即用户i与专题j的匹配度，可以按照下述公式进行计算：

$f(i,j)=V_i\·T_j=\underset{k}{\Σ}{v}_{i,k}\×t_{j,k}$

在上式中，f(i,j)表示用户i与专题j之间的匹配度，V_i是所述待推荐用户的特征向量，T_i所述各个预设应用专题对应的特征向量的匹配度。

步骤S620，根据所述匹配度，生成应用专题推荐列表。

可以将所述匹配度按照进行排序，排序的方式可以是降序或者升序排序，根据排序结果，生成应用专题推荐列表。

作为一种实施方式，将所述匹配度按照降序排序，根据排序结果，生成应用专题推荐列表。

假设待推荐用户的特征向量为：V＝(2.18，2.06，11.00)，且获得的所述各个预设应用专题对应的特征向量如下表8所示：

表8

计算匹配度后，并将其所对应的所有专题的匹配度进行从高到低排序，即得到了对每个用户的专题推荐列表，可以选择预设个数的专题放入专题推荐列表中，假设为2，则经计算得到该用户的专题推荐序列为：

(1)相见恨晚的音乐

(2)败家的女人更懂生活

可以理解的是，应用专题推荐列表之后，可以将所述生成应用专题列表发送到所述待推荐用户对应的用户终端，以使所述待推荐用户通过用户终端收到所述应用专题推荐列表后，进行应用专题中应用的选择下载。

本发明实施例提供的一种应用专题推荐方法，通过分别计算待推荐用户的特征向量所述各个预设应用专题对应的特征向量的匹配度，并根据所述匹配度来向用户推荐适合的应用专题，通过这种方式，可以将预设专题与用户进行自动匹配，不需要运营人员去判断给哪些用户推荐哪些专题，可以提高运营人员的工作效率，进一步的，也可以提高用户点击下载转化率，提高了用户体验。

请参阅图10，是本发明实施例提供的应用专题推荐装置700的功能模块示意图。所述应用专题推荐装置700包括第一计算模块710，第二计算模块720，以及生成模块730。

所述第一计算模块710，用于根据待推荐用户的应用列表，计算待推荐用户的特征向量。

所述第二计算模块720，用于分别计算各个预设应用专题的特征向量。

所述生成模块730，用于基于所述待推荐用户的特征向量与所述各个预设应用专题的特征向量生成所述待推荐用户的应用专题推荐列表。

其中，请参阅图11，是本发明实施例提供的应用专题推荐装置700中的所述第一计算模块710的功能模块示意图。所述第一计算模块710包括第一处理模块711，第二处理模块712以及第三处理模块713，

所述第一处理模块711，用于计算所述待推荐用户的应用对应的预设标签的概率分布。

所述第二处理模块712，用于计算全部用户的应用对应的所述预设标签的概率分布。

所述第三处理模块713，用于根据所述待推荐用户的应用对应的预设标签的概率分布以及所述全部用户的应用对应的所述预设标签的概率分布，计算所述待推荐用户的特征向量。

其中，请参阅图12，是本发明实施例提供的应用专题推荐装置700中的所述第一处理模块711的功能模块示意图。所述第一处理模块711包括第一获取子模块7111，第一查询子模块7112，第一计算子模块7113以及第二计算子模块7114。

所述第一获取子模块7111，用于获取所述待推荐用户的应用列表。

所述第一查询子模块7112，用于查询所述应用列表中应用对应的预设标签。

所述第一计算子模块7113，用于根据所述应用列表中应用对应的操作次数以及预设操作权重，计算所述应用列表中应用对应的分值。

所述第二计算子模块7114，用于根据所述应用列表中应用对应的分值以及所述应用列表中应用对应的预设标签，计算所述待推荐用户对应的预设标签的概率值，获得所述待推荐用户的应用对应的预设标签的概率分布。

其中，请参阅图13，是本发明实施例提供的应用专题推荐装置700中的所述第二处理模块712的功能模块示意图。所述第二处理模块712包括第二获取子模块7121，第二查询子模块7122，第三计算子模块7123以及第四计算子模块7124。

所述第二获取子模块7121，用于获取所述全部用户的应用列表。

所述第二查询子模块7122，用于查询所述应用列表中应用对应的预设标签。

所述第三计算子模块7123，用于根据所述应用列表中应用对应的操作次数以及预设操作权重，计算所述应用列表中的应用对应的分值。

所述第四计算子模块7124，用于根据所述应用列表中应用对应的分值以及所述应用列表中应用对应的预设标签，计算所述全部用户对应的预设标签的概率值，获得所述全部用户的应用对应的所述预设标签的概率分布。

请参阅图14，是本发明实施例提供的应用专题推荐装置700中的第二计算模块720的功能模块示意图。所述第二计算模块720包括第三获取子模块721以及第五计算子模块722。

所述第三获取子模块721，用于获取所述各个预设应用专题所包括的应用的预设标签。

其中，所述计算所述每一个预设应用专题下的各类预设标签的概率，包括：根据所述各个预设应用专题包括的应用对应的操作次数以及预设操作权重，分别计算所述各个预设应用专题包括的应用对应的分值；根据所述各个预设应用专题包括的应用对应的分值以及所述各个预设应用专题包括的应用对应的预设标签，计算所述各个预设应用专题对应的各个预设标签的概率。

所述第五计算子模块722，用于计算所述每一个预设应用专题下的各类预设标签的概率，得到所述各个预设应用专题的特征向量。

请参阅图15，是本发明实施例提供的应用专题推荐装置700中的生成模块730的功能模块示意图。所述生成模块730包括第六计算子模块731以及生成子模块732。

所述第六计算子模块731，用于分别计算所述待推荐用户的特征向量与所述各个预设应用专题对应的特征向量的匹配度。

作为一种实施方式，所述第六计算子模块731，具体用于将所述待推荐用户的特征向量的各个元素分别与所述各个预设应用专题对应的特征向量对应位置的元素相乘并求和，获得所述待推荐用户的特征向量与所述各个预设应用专题对应的特征向量的匹配度。

所述生成子模块732，用于根据所述匹配度，生成应用专题推荐列表。

作为一种实施方式，所述生成子模块732，具体用于将所述匹配度按照降序排序，根据排序结果，生成应用专题推荐列表。

以上各模块可以是由软件代码实现，此时，上述的各模块可存储于服务器200的存储器201内。以上各模块同样可以由硬件例如集成电路芯片实现。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本发明实施例所提供的应用专题推荐装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

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

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

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read－Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

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

Claims (20)

1.一种应用专题推荐方法，其特征在于，所述方法包括：

根据待推荐用户的应用列表，计算待推荐用户的特征向量；

分别计算各个预设应用专题的特征向量；

基于所述待推荐用户的特征向量与所述各个预设应用专题的特征向量生成所述待推荐用户的应用专题推荐列表。

2.根据权利要求1所述的方法，其特征在于，所述根据待推荐用户的应用列表，计算待推荐用户的特征向量，包括：

计算所述待推荐用户的应用对应的预设标签的概率分布；

计算全部用户的应用对应的所述预设标签的概率分布；

根据所述待推荐用户的应用对应的预设标签的概率分布以及所述全部用户的应用对应的所述预设标签的概率分布，计算所述计算待推荐用户的特征向量。

3.根据权利要求2所述的方法，其特征在于，计算所述待推荐用户的应用对应的预设标签的概率分布，包括：

获取所述待推荐用户的应用列表；

查询所述应用列表中应用对应的预设标签；

根据所述应用列表中应用对应的操作次数以及预设操作权重，计算所述应用列表中应用对应的分值；

根据所述应用列表中应用对应的分值以及所述应用列表中应用对应的预设标签，计算所述待推荐用户对应的预设标签的概率值，获得所述待推荐用户的应用对应的预设标签的概率分布。

4.根据权利要求2所述的方法，其特征在于，所述计算全部用户的应用对应的所述预设标签的概率分布，包括：

获取所述全部用户的应用列表；

查询所述应用列表中应用对应的预设标签；

根据所述应用列表中应用对应的操作次数以及预设操作权重，计算所述应用列表中的应用对应的分值；

根据所述应用列表中应用对应的分值以及所述应用列表中应用对应的预设标签，计算所述全部用户对应的预设标签的概率值，获得所述全部用户的应用对应的所述预设标签的概率分布。

5.根据权利要求1所述的方法，其特征在于，所述分别计算各个预设应用专题的特征向量，包括：

获取所述各个预设应用专题所包括的应用的预设标签；

计算所述每一个预设应用专题下的各类预设标签的概率，得到所述各个预设应用专题的特征向量。

6.根据权利要求5所述的方法，其特征在于，所述计算所述每一个预设应用专题下的各类预设标签的概率，包括：

根据所述各个预设应用专题包括的应用对应的操作次数以及预设操作权重，分别计算所述各个预设应用专题包括的应用对应的分值；

根据所述各个预设应用专题包括的应用对应的分值以及所述各个预设应用专题包括的应用对应的预设标签，计算所述各个预设应用专题对应的各个预设标签的概率。

7.根据权利要求1所述的方法，其特征在于，所述基于所述待推荐用户的特征向量与所述各个预设应用专题对应的特征向量，生成得到所述待推荐用户的应用专题推荐列表，包括：

分别计算所述待推荐用户的特征向量与所述各个预设应用专题对应的特征向量的匹配度；

根据所述匹配度，生成应用专题推荐列表。

8.根据权利要求7所述的方法，其特征在于，计算所述待推荐用户的特征向量与所述各个预设应用专题对应的特征向量的匹配度，包括：

将所述待推荐用户的特征向量的各个元素分别与所述各个预设应用专题对应的特征向量对应位置的元素相乘并求和，获得所述待推荐用户的特征向量与所述各个预设应用专题对应的特征向量的匹配度。

9.根据权利要求7所述的方法，其特征在于，所述根据所述匹配度，生成应用专题推荐列表，包括：

将所述匹配度按照降序排序，根据排序结果，生成应用专题推荐列表。

10.根据权利要求1所述的方法，其特征在于，所述与待推荐用户对应的应用列表包括所述待推荐用户已安装应用列表以及预设时间段内的下载应用列表以及所述预设时间段内的浏览应用列表以及所述预设时间段内的更新应用列表。

11.一种应用专题推荐装置，其特征在于，所述装置包括：

第一计算模块，用于根据待推荐用户的应用列表，计算待推荐用户的特征向量；

第二计算模块，用于分别计算各个预设应用专题的特征向量；

生成模块，用于基于所述待推荐用户的特征向量与所述各个预设应用专题的特征向量生成所述待推荐用户的应用专题推荐列表。

12.根据权利要求11所述的装置，其特征在于，所述第一计算模块包括第一处理模块，第二处理模块以及第三处理模块，

所述第一处理模块，用于计算所述待推荐用户的应用对应的预设标签的概率分布；

所述第二处理模块，用于计算全部用户的应用对应的所述预设标签的概率分布；

所述第三处理模块，用于根据所述待推荐用户的应用对应的预设标签的概率分布以及所述全部用户的应用对应的所述预设标签的概率分布，计算所述待推荐用户的特征向量。

13.根据权利要求12所述的装置，其特征在于，所述第一处理模块包括第一获取子模块，第一查询子模块，第一计算子模块以及第二计算子模块，

所述第一获取子模块，用于获取所述待推荐用户的应用列表；

所述第一查询子模块，用于查询所述应用列表中应用对应的预设标签；

所述第一计算子模块，用于根据所述应用列表中应用对应的操作次数以及预设操作权重，计算所述应用列表中应用对应的分值；

所述第二计算子模块，用于根据所述应用列表中应用对应的分值以及所述应用列表中应用对应的预设标签，计算所述待推荐用户对应的预设标签的概率值，获得所述待推荐用户的应用对应的预设标签的概率分布。

14.根据权利要求12所述的装置，其特征在于，所述第二处理模块包括第二获取子模块，第二查询子模块，第三计算子模块以及第四计算子模块，

所述第二获取子模块，用于获取所述全部用户的应用列表；

所述第二查询子模块，用于查询所述应用列表中应用对应的预设标签；

所述第三计算子模块，用于根据所述应用列表中应用对应的操作次数以及预设操作权重，计算所述应用列表中的应用对应的分值；

所述第四计算子模块，用于根据所述应用列表中应用对应的分值以及所述应用列表中应用对应的预设标签，计算所述全部用户对应的预设标签的概率值，获得所述全部用户的应用对应的所述预设标签的概率分布。

15.根据权利要求11所述的装置，其特征在于，所述第二计算模块，包括第三获取子模块以及第五计算子模块，

所述第三获取子模块，用于获取所述各个预设应用专题所包括的应用的预设标签；

所述第五计算子模块，用于计算所述每一个预设应用专题下的各类预设标签的概率，得到所述各个预设应用专题的特征向量。

16.根据权利要求15所述的装置，其特征在于，所述计算所述每一个预设应用专题下的各类预设标签的概率，包括：

根据所述各个预设应用专题包括的应用对应的操作次数以及预设操作权重，分别计算所述各个预设应用专题包括的应用对应的分值；

根据所述各个预设应用专题包括的应用对应的分值以及所述各个预设应用专题包括的应用对应的预设标签，计算所述各个预设应用专题对应的各个预设标签的概率。

17.根据权利要求11所述的装置，其特征在于，所述生成模块，包括第六计算子模块以及生成子模块，

所述第六计算子模块，用于分别计算所述待推荐用户的特征向量与所述各个预设应用专题对应的特征向量的匹配度；

所述生成子模块，用于根据所述匹配度，生成应用专题推荐列表。

18.根据权利要求17所述的装置，其特征在于，所述第六计算子模块，具体用于将所述待推荐用户的特征向量的各个元素分别与所述各个预设应用专题对应的特征向量对应位置的元素相乘并求和，获得所述待推荐用户的特征向量与所述各个预设应用专题对应的特征向量的匹配度。

19.根据权利要求17所述的装置，其特征在于，所述生成子模块，具体用于将所述匹配度按照降序排序，根据排序结果，生成应用专题推荐列表。

20.一种服务器，其特征在于，所述服务器包括处理器及存储器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时使所述处理器执行以下操作：

根据待推荐用户的应用列表，计算待推荐用户的特征向量；

分别计算各个预设应用专题的特征向量；

基于所述待推荐用户的特征向量与所述各个预设应用专题的特征向量生成所述待推荐用户的应用专题推荐列表。