基于同無線區域網路使用者群的App個性化推薦模型
随着智能手機和平闆電腦的普及，O2O這種新型的商業模式日趨完善，移動應用App已經滲透到人們日常生活的方方面面。
應用市場的蓬勃發展帶來巨大機會的同時也使得應用開發者和使用者之間的雙向選擇成為越來越突出的問題。
面對持續增長的海量的App應用，每一個應用開發者都希望能夠快速準确的推廣到很多目标使用者應用。
而現實情況是，很多應用由于無法快速推廣給目标使用者，在繁榮的App市場裡難以生存，生命周期非常短暫。
優勝劣汰固然是一個重要的原因，但也有許多優秀的App因無法快速推廣而消亡。
通常，使用者下載下傳一個新出App，一方面是受App營運商的營銷手段的影響，另一方面則是因樂于嘗試這一類别的新鮮App。
而App的下載下傳傳播依靠的主要是身邊朋友的推薦和社交軟體的營銷推廣。
就此，論文提出了針對每一個App的使用者群特征，以同無線網絡下得出的接觸圈為機關推廣的思路向使用者推薦App的推薦算法。
即以App為機關，對其使用者群進行模組化分析，模型結果得出對該App不同喜好程度使用者群的特征資訊，用比對App使用者群特征的方式判斷目标使用者對該App是否會感興趣。
本文進一步提出了以忠實度、活躍度用以判斷使用者對App的喜好程度而不是依賴使用者評分，并對基于Can-Tree結構的Can-Mining關聯規則挖掘算法進行改進用于使用者群特征挖掘。
且基于改進的算法提出了增量環境下的挖掘算法，更有效的适用于現實中不斷增長的使用者群。
為了進一步論證論文的假設前提，一個關于手機使用者App下載下傳習慣的問卷調查被設計并釋出，且調查結果有效的支援了文章假設。
最後，通過一個真實的接觸圈内手機使用者App下載下傳情況進行資料采集和分析用以驗證接觸圈對使用者下載下傳新App的影響力。
并對App使用者群特征提取算法進行實作及仿真實驗，實驗表明在大部分支援度下，改進的算法進行App使用者群特征提取的性能均優于Can-Mining算法。
論文對基于Can-Tree結構的Can-Mining關聯規則挖掘算法進行了改進，在仿真實驗部分，論文通過收集實驗室實際接觸圈的App安裝下載下傳資訊進行統計分析。
在單純依據接觸圈内的下載下傳排行榜向接觸圈内的使用者進行推薦得到使用者回報的采納情況來部分驗證整體算法的準确性。
并使用模拟資料集對App特征集提取算法的時效性進行了驗證。
綜上所述，本文所做的工作主要可以概括為以下幾個方面：1.論文做了一個問卷調查，對手機使用者App下載下傳習慣進行了調研，為算法設計部分做了鋪墊。
設計了一個針對每一個App的使用者群特征，以接觸圈為機關推廣的思路向使用者推薦App的推薦算法。
進一步提出了忠實度、活躍度的概念用以計算使用者對該App的喜歡程度作為決策屬性，并對使用者群特征集與使用者特征比對方式進行了定義。
在Can-Mining算法的基礎上，對頻繁項提取的部分加以改進。将改進的算法應用到了App使用者群特征提取中。
在改進的Can-Mining算法的基礎上本文實作了增量挖掘，并給出了增量挖掘算法步驟。
在Eclipse上編寫了一個android軟體，并用其收集了人數為8的一個接觸圈内2個月的App安裝解除安裝資訊。
對接觸圈内App下載下傳趨勢進行了統計分析，并在App使用者群特征資料缺乏的情況下向使用者推薦接觸圈内下載下傳排行榜中的軟體得到回報結果，進而對本推薦算法進行部分準确度驗證。
5.使用6組測試資料集對App使用者群特征提取算法的時效性進行了測試，6個測試資料集得到的實驗結果均驗證了在大部分支援度下，本算法的性能明顯優于Can-Mining算法。
由于時間和一些相關條件的限制，本文所做的工作仍有一些不足需要進行後續的改進。
在本文的基礎上，未來可做的工作如下：1.可以嘗試設計一個模型判斷應用程式之間的相似度。
給新上線的App提供與其相似度最高的App的使用者特征先行推廣，比依靠同一類别的軟體使用者特征準确度會更高。
研究接觸圈内App下載下傳的傳播趨勢，進而給接觸圈内不同的使用者設定相應的影響力指數。
在評定App品質方面，當隻依靠解除安裝率，相對使用率時，新上線的App會存在冷啟動的問題，是以可以嘗試建立一個針對App本身的評定方法。
