技術(shù)特征：

1.一種基于用戶偏好的移動應(yīng)用App推薦系統(tǒng)，其特征在于，包括：

數(shù)據(jù)處理模塊：通過APP流量消耗和APP上網(wǎng)時長兩個變量來衡量用戶對APP的喜好程度，對該兩個變量進行無量綱化的處理后，獲得用戶對每款使用過的APP的喜好程度評分；

聚類模塊：在協(xié)同過濾推薦算法前對全體用戶進行聚類處理，將App安裝類別相同或相似的用戶放到同一個聚類簇中，得到用戶按相似性劃分的聚類簇；

推薦列表產(chǎn)生模塊：通過協(xié)同過濾算法生成推薦結(jié)果，即采用基于用戶的協(xié)同過濾推薦算法選擇目標(biāo)用戶所在的聚類簇作為查詢空間，在這個聚類簇中搜索目標(biāo)用戶的最近鄰居；根據(jù)最近鄰居的App安裝列表產(chǎn)生最終的推薦列表。

2.如權(quán)利要求1所述的基于用戶偏好的移動應(yīng)用App推薦系統(tǒng)，其特征在于：數(shù)據(jù)處理模塊中，對APP流量消耗和APP上網(wǎng)時長兩個變量進行無量綱化的處理，采用min-max標(biāo)準(zhǔn)化，即對原始數(shù)據(jù)進行線性變換，使結(jié)果映射到[0,1]之間，公式為：

$X_{new}=\frac{X_i-min}{max-min}$

其中，max為樣本數(shù)據(jù)的最大值，min為樣本數(shù)據(jù)的最小值，X_i為第i個樣本數(shù)據(jù)值，X_new為無量綱化處理后產(chǎn)生的新的樣本數(shù)據(jù)值。

3.如權(quán)利要求1所述的基于用戶偏好的移動應(yīng)用App推薦系統(tǒng)，其特征在于：聚類模塊中，采用K-means算法對處理后的數(shù)據(jù)進行聚類：

給定訓(xùn)練樣本，{x₁，x₂，...，x_m}，x_i∈Rⁿ,其中Rⁿ為訓(xùn)練樣本所組成的數(shù)據(jù)集合，首先選取k個聚類中心點，分別為μ₁，μ₂，...，μ_K∈Rⁿ；其次根據(jù)下面公式計算每一個樣本i的所屬類別c_i：c_i＝arg min||x_i-μ_j||²，即樣本到類別中心歐式距離最小的類別；再根據(jù)下面公式更新每一類的中心μ_j：最后，重復(fù)以上兩個步驟，直至畸變函數(shù)J(c,μ)收斂；其中c表示劃分的類，μ表示每一類的中心點，μ_ci表示類別i中的聚類中心點μ，即所有樣本到其類別中心的歐式距離平方和。

4.如權(quán)利要求1-3任一項所述的基于用戶偏好的移動應(yīng)用App推薦系統(tǒng)，其特征在于：推薦列表產(chǎn)生模塊中，通過協(xié)同過濾算法生成推薦結(jié)果，具體為：

首先，建立用戶APP評分列表；其次根據(jù)相似度的高低找出K個與目標(biāo)用戶最相似的鄰居；在這些鄰居喜歡的App中，根據(jù)鄰居與目標(biāo)用戶的遠(yuǎn)近程度算出每一件App的推薦度，最后根據(jù)每一件App的推薦度高低給目標(biāo)用戶推薦App。

5.如權(quán)利要求4所述的基于用戶偏好的移動應(yīng)用App推薦系統(tǒng)，其特征在于：建立用戶-App評分列表，具體為：采用一個m*n的評分矩陣G(m*n)來表示用戶對App的評分?jǐn)?shù)據(jù)，評分矩陣G(m*n)如下表：

其中m代表用戶的數(shù)量，n代表App的數(shù)量，G_i,j表示用戶i對App_j的評分，其中App評分即為第一步通過對每個App的流量消耗和上網(wǎng)時長進行無量綱化處理后所得數(shù)據(jù)。

6.如權(quán)利要求4所述的基于用戶偏好的移動應(yīng)用App推薦系統(tǒng)，其特征在于：根據(jù)每一件App的推薦度高低給目標(biāo)用戶推薦App，具體為：首先對最近鄰居集合中的用戶對不同App的興趣度進行統(tǒng)計，然后取其中的N個排在最前面并且目標(biāo)用戶中以前沒有出現(xiàn)過的App作為Top-N推薦集，即Top-N＝{N1，N₂,,…N_S}，其中目標(biāo)用戶