一種基于實(shí)時(shí)CTR的移動(dòng)應(yīng)用商店內(nèi)容推薦改進(jìn)算法

馮欣，夏旸

（長(zhǎng)春理工大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院，長(zhǎng)春 130022）

一種基于實(shí)時(shí)CTR的移動(dòng)應(yīng)用商店內(nèi)容推薦改進(jìn)算法

馮欣，夏旸

（長(zhǎng)春理工大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院，長(zhǎng)春 130022）

針對(duì)內(nèi)容信息過(guò)載，冷啟動(dòng)等導(dǎo)致移動(dòng)應(yīng)用市場(chǎng)用戶消費(fèi)受限、廣告收入受阻的問(wèn)題，文章提供一種能夠提高移動(dòng)應(yīng)用市場(chǎng)人均分發(fā)能力的內(nèi)容推薦算法。首先，收集一段時(shí)間內(nèi)產(chǎn)生的內(nèi)容推薦數(shù)據(jù)，作為待處理的推薦內(nèi)容集合。然后，通過(guò)一種改進(jìn)的實(shí)時(shí)CTR推薦算法，對(duì)已有內(nèi)容進(jìn)行基于展示、點(diǎn)擊、下載的重新排列，并將重新排列的數(shù)據(jù)展示在移動(dòng)應(yīng)用市場(chǎng)內(nèi)部。與傳統(tǒng)的CTR推薦算法相比較，改進(jìn)后的實(shí)時(shí)CTR推薦算法在評(píng)價(jià)維度上更加合理。通過(guò)對(duì)比，改進(jìn)后的實(shí)時(shí)CTR推薦算法可以提高移動(dòng)應(yīng)用市場(chǎng)的分發(fā)能力，適用于信息過(guò)載下的移動(dòng)應(yīng)用市場(chǎng)。

移動(dòng)應(yīng)用市場(chǎng)；內(nèi)容推薦；CTR

智能手機(jī)、高速網(wǎng)絡(luò)以及各種各樣的移動(dòng)應(yīng)用為人們創(chuàng)造了豐富多彩的生活［1-3］。從聊天交友，分享生活精彩到辦公軟件，再到影音娛樂(lè)和電子商務(wù)，人們?cè)絹?lái)越離不開這些應(yīng)用，需要這些應(yīng)用來(lái)進(jìn)行娛樂(lè)和管理自己的生活［4，5］。2015年是移動(dòng)應(yīng)用爆發(fā)增長(zhǎng)的一年，GooglePlay全球應(yīng)用年度下載量與2014年相比實(shí)現(xiàn)了將近100%的增長(zhǎng)，IOS應(yīng)用商店全球應(yīng)用年度收入同比顯著增長(zhǎng)，可見(jiàn)，作為移動(dòng)應(yīng)用分發(fā)主要來(lái)源的移動(dòng)應(yīng)用市場(chǎng)，在這一年中扮演了至關(guān)重要的角色［6］。

由于政策等原因，Google Play無(wú)法為我國(guó)大陸地區(qū)的安卓用戶提供相關(guān)服務(wù)，經(jīng)過(guò)幾年發(fā)展，國(guó)內(nèi)的主流移動(dòng)應(yīng)用市場(chǎng)包括應(yīng)用寶、360手機(jī)助手、PP助手、豌豆莢、以及其他手機(jī)品牌自有的獨(dú)立應(yīng)用商店均占有很大一部分用戶，根據(jù)艾媒咨詢發(fā)布的2015～2016中國(guó)手機(jī)應(yīng)用商店年度報(bào)告顯示，截止至2015Q4，第三方手機(jī)應(yīng)用商店的活躍用戶規(guī)模已達(dá)4.40億，然而2014年相對(duì)2015環(huán)比增長(zhǎng)僅為0.92%［7］。

圖1 國(guó)內(nèi)第三方安卓應(yīng)用商店活躍用戶規(guī)模圖示

隨著活躍用戶抵達(dá)天花板，如何在接近穩(wěn)定的用戶群中，進(jìn)一步提高移動(dòng)應(yīng)用市場(chǎng)應(yīng)用分發(fā)的能力和廣告的收入，成為了各大移動(dòng)應(yīng)用市場(chǎng)需要思考的問(wèn)題［8］。

1 內(nèi)容推薦算法綜述

1.1 協(xié)同過(guò)濾推薦算法

協(xié)同過(guò)濾的概念是由Goldberg Nicols Oki及Terry在1992年首次提出的，作為協(xié)同過(guò)濾推薦的雛形，該算法展示了一種新的推薦思想，其后，出現(xiàn)了基于評(píng)分的協(xié)同推薦系統(tǒng)，比如用于新聞和電影網(wǎng)站的GroupLens［9-12］.

目前，主要分為兩類協(xié)同過(guò)濾推薦算法：基于用戶的協(xié)同過(guò)濾推薦算法［13］和基于物品的協(xié)同過(guò)濾推薦算法［14］。其中，前者基于這樣的一個(gè)假設(shè)，即若目標(biāo)用戶的最近鄰居（最相似的若干用戶）用戶群對(duì)某項(xiàng)目的評(píng)分比較相似，算法便根據(jù)這些評(píng)分來(lái)逼近目標(biāo)用戶對(duì)該項(xiàng)目的評(píng)分?；谖锲返膮f(xié)同過(guò)濾算法認(rèn)為，用戶對(duì)不同物品的評(píng)分存在一定的相似性，當(dāng)需要對(duì)某用戶對(duì)一個(gè)物品的評(píng)分時(shí)，可根據(jù)用戶在歷史上對(duì)該物品的若干相似物品的評(píng)分來(lái)評(píng)估評(píng)分。

1.1.1 基于用戶的協(xié)同過(guò)濾推薦算法

采用該算法為目標(biāo)用戶Ui（i=1，2，…，n）確定給定物品Ij（j=1，2，…，n）的評(píng)分Pij，通常分為以下步驟：

（1）計(jì)算目標(biāo)用戶Ui和其他為Ij評(píng)分過(guò)的用戶之間的相似度，其中為Ij評(píng)分過(guò)的用戶集合記為U*

（2）根據(jù)所有Uk∈U*對(duì)項(xiàng)目Ij的評(píng)分來(lái)估算Ui對(duì)Ij的評(píng)分。

若把用戶評(píng)分作為n維向量空間上的向量，則用戶相似性可通過(guò)向量間余弦表示：

然而向量的余弦相似度并沒(méi)有考慮用戶評(píng)分的極端問(wèn)題，修正的余弦相似度方法通過(guò)減去用戶對(duì)項(xiàng)目的平均評(píng)分來(lái)改善評(píng)分落差巨大的問(wèn)題，用戶i和用戶j之間的相似性表示為：

其中，Ri,c表示用戶i對(duì)物品c的評(píng)分，Rj,c表示用戶 j對(duì)物品c的評(píng)分，Rˉi與Rˉj表示用戶i、用戶 j對(duì)自己已評(píng)分項(xiàng)目的平均值。

根據(jù)上步得出的用戶相似性，進(jìn)而計(jì)算用戶Ui對(duì)物品Ij的評(píng)分：

1.1.2 基于物品的協(xié)同過(guò)濾推薦算法

就目前移動(dòng)應(yīng)用市場(chǎng)的情況來(lái)說(shuō)，雖然每天有大量的新應(yīng)用上架，然而同質(zhì)化趨勢(shì)卻日趨嚴(yán)重，因此可以認(rèn)為，需要被推薦的項(xiàng)目數(shù)量保持了相對(duì)穩(wěn)定，由此計(jì)算出的物品相似度矩陣更新頻率比較低，可以在比較長(zhǎng)的一段時(shí)間內(nèi)應(yīng)用。這一特點(diǎn)恰好為采用基于物品（item-based）的推薦算法帶來(lái)了可能。該算法概括起來(lái)一般包括以下三個(gè)步驟：

（1）內(nèi)容抽象（Item Representation）

在現(xiàn)實(shí)生活中，一個(gè)item通常都會(huì)有一些可以用來(lái)描述其自身的屬性，而這些屬性通常又分為結(jié)構(gòu)化屬性和非結(jié)構(gòu)化屬性。對(duì)于結(jié)構(gòu)化的屬性，它們是一些很容易定義的，意義明確的屬性；而對(duì)于非結(jié)構(gòu)化的屬性，往往要把它轉(zhuǎn)化為結(jié)構(gòu)化的屬性后才能使用。其中應(yīng)用內(nèi)容推薦就是一個(gè)使用場(chǎng)景。

（2）用戶特征的學(xué)習(xí)（Profile Learning）

利用一個(gè)用戶過(guò)去喜歡的item的屬性數(shù)據(jù)，通過(guò)機(jī)器學(xué)習(xí)得出該用戶的喜好特征（profile）；加入一個(gè)用戶user1對(duì)一些item做出了喜好的判斷。那么，這一步就是根據(jù)用戶user1的喜好數(shù)據(jù)來(lái)建立一個(gè)模型，并以此來(lái)推斷user1是否會(huì)喜歡上一個(gè)特定應(yīng)用item。所以接下來(lái)需要解決的就是一個(gè)采用某分類算法的機(jī)器學(xué)習(xí)過(guò)程，常用的學(xué)習(xí)算法包括：最近鄰居方法、決策樹算法，線性分類算法，樸素貝葉斯算法等。

（3）推薦內(nèi)容的生成（RecommendationGenera?tion）

這一步基本就是根據(jù)學(xué)習(xí)得到的用戶特征與item特征進(jìn)行相似度的判斷，然后為用戶推薦一組與其相關(guān)性最大的item。

上述3個(gè)步驟的大體流程圖如圖2所示。

圖2 以app為例的推薦流程圖

2 存在問(wèn)題

2.1 冷啟動(dòng)問(wèn)題

無(wú)論是基于用戶還是基于物品的協(xié)同過(guò)濾推薦，冷啟動(dòng)［15-17，19］都是一直以來(lái)讓使用者頭疼的問(wèn)題。

隨著移動(dòng)應(yīng)用市場(chǎng)收錄的條目增長(zhǎng)以及用戶規(guī)模的進(jìn)一步擴(kuò)大，用戶數(shù)量和應(yīng)用數(shù)量快速增長(zhǎng)，導(dǎo)致用戶-物品評(píng)分表經(jīng)常需要反復(fù)計(jì)算用戶或物品之間的相似性，進(jìn)而導(dǎo)致算法的耗時(shí)不斷升高，另一方面，當(dāng)一個(gè)新用戶或者新應(yīng)用進(jìn)入移動(dòng)應(yīng)用市場(chǎng)時(shí)，相關(guān)的評(píng)分都是空白，所形成的相關(guān)性推薦并不準(zhǔn)確，這也導(dǎo)致推薦結(jié)果的可靠性在不斷下降。

考慮兩種情況：

1.1.1的推薦中，如果被推薦者是一個(gè)新用戶，那么就不會(huì)有任何的消費(fèi)記錄和喜好傾向，故而無(wú)法找到和該用戶相似的用戶，也就無(wú)法進(jìn)行推薦。

1.1.2的推薦中，針對(duì)物品進(jìn)行條件抽取已經(jīng)十分困難并必然伴隨著抽取不完全的情況，無(wú)法很好的將該物品分類，也就無(wú)法進(jìn)行推薦。

2.2 推薦速度問(wèn)題

隨著用戶數(shù)和應(yīng)用數(shù)的增多，協(xié)同過(guò)濾算法的計(jì)算量也在迅猛增長(zhǎng)。當(dāng)內(nèi)容推薦所面臨的用戶規(guī)模達(dá)到數(shù)百萬(wàn)甚至更高級(jí)別時(shí)，推薦算法面臨的可擴(kuò)展問(wèn)題將會(huì)十分嚴(yán)峻。對(duì)于在線服務(wù)，推薦的實(shí)時(shí)性顯得至關(guān)重要，然而對(duì)于時(shí)間復(fù)雜度為O(n2m)的協(xié)同過(guò)濾算法來(lái)講，計(jì)算開銷非常大，雖然可以通過(guò)降維、聚類、分類等方法能夠在一定程度上縮短計(jì)算開銷，然而這些措施本身也占用了大量的時(shí)間。

2.3 物品本身特征提取問(wèn)題

雖然對(duì)文本信息的特征提取技術(shù)已比較成熟，但是對(duì)于一個(gè)本身具有多媒體屬性的app來(lái)說(shuō)，其特征提取技術(shù)依舊進(jìn)展緩慢，目前的移動(dòng)應(yīng)用市場(chǎng)主要采用開發(fā)者對(duì)app進(jìn)行標(biāo)簽分類的方式標(biāo)注一個(gè)app的特征信息，這一方法在推薦的靈活性上較差。

2.4 其他問(wèn)題

除了上述問(wèn)題之外，移動(dòng)應(yīng)用市場(chǎng)還面臨著app刷榜刷量［18］、隱私問(wèn)題、非注冊(cè)用戶行為收集困難等問(wèn)題。對(duì)于這些問(wèn)題，現(xiàn)有的大多數(shù)推薦算法都無(wú)法令人滿意，只有通過(guò)一些人工的運(yùn)營(yíng)方式來(lái)進(jìn)行干預(yù)。

3 CTR推薦算法

CTR（Click-Through-Rate）是一個(gè)互聯(lián)網(wǎng)廣告常用語(yǔ)，即網(wǎng)絡(luò)廣告（圖片、文字、關(guān)鍵詞、排名、視頻等廣告形式）的到達(dá)率，也成點(diǎn)擊率，其計(jì)算公式如下。

基于CTR進(jìn)行的推薦算法主要分為兩大部分，即CTR的實(shí)時(shí)計(jì)算和對(duì)CTR進(jìn)行預(yù)估，其中對(duì)CTR進(jìn)行的實(shí)時(shí)計(jì)算一方面可以用來(lái)進(jìn)行內(nèi)容推薦，另一方面，也為內(nèi)容的CTR預(yù)估提供了歷史數(shù)據(jù)。

一個(gè)CTR實(shí)時(shí)計(jì)算系統(tǒng)的架構(gòu)圖通常如圖3所示。

圖3 一種實(shí)時(shí)計(jì)算系統(tǒng)的架構(gòu)示意圖

客戶端將內(nèi)容的CTR原始數(shù)據(jù)上傳至服務(wù)器，服務(wù)器端通過(guò)CTR實(shí)時(shí)計(jì)算系統(tǒng)生成該內(nèi)容的實(shí)時(shí)CTR數(shù)據(jù)，并將該數(shù)據(jù)存儲(chǔ)于CTR數(shù)據(jù)庫(kù)中，該數(shù)據(jù)庫(kù)需要滿足高并發(fā)性［20］。當(dāng)服務(wù)器開始計(jì)算預(yù)估CTR時(shí)，CTR預(yù)估系統(tǒng)調(diào)用已有的實(shí)時(shí)CTR數(shù)值，來(lái)進(jìn)行計(jì)算，并將計(jì)算結(jié)果上傳至內(nèi)容推薦系統(tǒng)，內(nèi)容系統(tǒng)根據(jù)CTR隊(duì)列，將內(nèi)容抽取出來(lái)并排序，推送給客戶端，最后呈現(xiàn)在用戶面前。

3.1 單純CTR排序算法

該算法關(guān)注特定內(nèi)容組合的最優(yōu)排序，以期實(shí)現(xiàn)一定時(shí)間段內(nèi)所展示頁(yè)面的平均CTR最高。

假設(shè)某特定內(nèi)容 j在不同的位置i上的CTRi,j恒定，每個(gè)位置的曝光占比Impri恒定且遞減。

排序方法：在某一時(shí)間段內(nèi)，CTR越高的內(nèi)容所獲得的曝光量越大，進(jìn)而使整體內(nèi)容的平均CTR最高。即通過(guò)歷史CTR數(shù)據(jù)進(jìn)行內(nèi)容的CTR預(yù)測(cè)，通過(guò)調(diào)整內(nèi)容的位置i來(lái)控制曝光量，從而給出最優(yōu)排序，公式表述如下：

然而上述算法中，同一內(nèi)容在不同位置上的CTR很有可能不恒定，當(dāng)波動(dòng)大于某一閾值時(shí)，假設(shè)的前提將不存在。

3.2 實(shí)時(shí)CTR預(yù)測(cè)排序算法

在單純CTR排序的基礎(chǔ)上，縮短計(jì)算CTR和生成新推薦序列的時(shí)間，每個(gè)小時(shí)計(jì)算一次下個(gè)小時(shí)某內(nèi)容的CTR預(yù)測(cè)值，使每個(gè)小時(shí)的預(yù)測(cè)值都盡可能接近真實(shí)值，并據(jù)此調(diào)整推薦內(nèi)容序列，使全天的平均CTR更高。

誤差檢測(cè)

針對(duì)部分內(nèi)容和整體內(nèi)容，采取下邊兩個(gè)公式進(jìn)行預(yù)測(cè)CTR值的誤差檢測(cè)：

4 實(shí)時(shí)CTR排序算法改進(jìn)

4.1 一種結(jié)合分發(fā)效率調(diào)權(quán)的實(shí)時(shí)CTR排序算法改進(jìn)

在移動(dòng)應(yīng)用市場(chǎng)領(lǐng)域，除直接下載帶來(lái)的分發(fā)行為外，非直接下載的點(diǎn)擊行為也有一定概率轉(zhuǎn)化為下載行為，可以通過(guò)離線計(jì)算的方式來(lái)統(tǒng)計(jì)這部分非直接下載點(diǎn)擊行為轉(zhuǎn)化到下載行為的轉(zhuǎn)化率，記為c，當(dāng)前內(nèi)容的分發(fā)效率記為Ri( ) consumption，從而得出每一個(gè)內(nèi)容的排序值：

其中，CTRi為實(shí)際計(jì)算得出的真實(shí)值，如果是首次推薦的內(nèi)容，其CTR值和分發(fā)效率需要一段時(shí)間計(jì)算得出，并且在這段時(shí)間內(nèi)要保證其有充足曝光，因此會(huì)為初次推薦的內(nèi)容指定一個(gè)初始的R值，有

其中，Ravg和Rmax為當(dāng)前頁(yè)面排序值的均值與最大值，m為一個(gè)隨機(jī)數(shù)，目的是為了調(diào)整Rj上限。通過(guò)這樣的一個(gè)公式，可以保證首次推薦的內(nèi)容有足夠的曝光量，也利于后續(xù)計(jì)算CTR值與分發(fā)效率。

4.2 實(shí)驗(yàn)結(jié)果

將改進(jìn)前后的推薦算法分別運(yùn)用到同一組內(nèi)容上去，通過(guò)觀察一段時(shí)間內(nèi)的數(shù)據(jù)反饋情況，得到如下結(jié)論。由實(shí)驗(yàn)結(jié)果可以看出，執(zhí)行了分發(fā)調(diào)權(quán)改進(jìn)算法的實(shí)驗(yàn)組在人均分發(fā)和消費(fèi)滲透率這兩個(gè)數(shù)據(jù)指標(biāo)上均優(yōu)于未采用改進(jìn)算法的對(duì)照組，所以可以說(shuō)，針對(duì)實(shí)時(shí)CTR推薦算法的改進(jìn)是有正向作用的。

圖4 算法改進(jìn)前后人均分發(fā)情況對(duì)比

圖5 算法改進(jìn)前后分發(fā)滲透率情況對(duì)比

5 結(jié)論

國(guó)內(nèi)移動(dòng)應(yīng)用市場(chǎng)發(fā)展至今，其大部分的流量已經(jīng)被百度、騰訊、360等幾家互聯(lián)網(wǎng)巨頭牢牢占據(jù)，為了能夠在競(jìng)爭(zhēng)如此激烈的市場(chǎng)中保持健康而持續(xù)的狀態(tài)，其他獨(dú)立和第三方移動(dòng)應(yīng)用市場(chǎng)唯有在已有的流量渠道之下，進(jìn)一步提升各項(xiàng)分發(fā)指標(biāo)，找到適合自己生存的商業(yè)模式，輔以恰當(dāng)?shù)膬?nèi)容推薦技術(shù)，將自己的分發(fā)能力不斷提高。筆者通過(guò)對(duì)協(xié)同過(guò)濾推薦算法進(jìn)行綜述，指出了其過(guò)于依賴計(jì)算資源，反饋不夠及時(shí)，受信息矩陣稀疏性影響大導(dǎo)致推薦結(jié)果失準(zhǔn)等問(wèn)題，也通過(guò)提出一種基于實(shí)時(shí)CTR推算算法的改進(jìn)，該改進(jìn)的算法在內(nèi)容池確定的情況下，能夠使移動(dòng)應(yīng)用市場(chǎng)的分發(fā)能力進(jìn)一步提升，然而，一個(gè)完整的移動(dòng)應(yīng)用市場(chǎng)生態(tài)并不是任何單一技術(shù)能夠支撐起來(lái)的，而是多種技術(shù)協(xié)作而成。因此，越來(lái)越多的應(yīng)用分發(fā)廠商選擇走向了混合推薦的路線：將固定展示的內(nèi)容根據(jù)展示下載等影響因素進(jìn)行排序推薦，將即時(shí)更新的內(nèi)容或個(gè)性化內(nèi)容通過(guò)協(xié)同過(guò)濾、內(nèi)容匹配推薦等其他算法進(jìn)行推薦，以幾種算法結(jié)合而成的混合推薦系統(tǒng)來(lái)不斷提高自身的分發(fā)能力。

同時(shí)，缺少了谷歌的國(guó)內(nèi)安卓市場(chǎng)，如何保證App的渠道來(lái)源正規(guī)，如何區(qū)分山寨應(yīng)用，也是各大應(yīng)用市場(chǎng)急需解決的事情，混亂的現(xiàn)狀需要規(guī)范的引導(dǎo)的同時(shí)，也存在著很大的機(jī)遇，希望國(guó)內(nèi)的安卓應(yīng)用市場(chǎng)可以為用戶提供優(yōu)質(zhì)可靠的服務(wù)。

［1]北京大學(xué)媒介研究中心.移動(dòng)分發(fā)市場(chǎng)研究報(bào)告［EB/ OL］.http：//www.looec.cn/detail-6188727.html，2014.

［2]蔡可.基于用戶采納的手機(jī)商店研究［D］.武漢：華中科技大學(xué)，2010.

［3]閔棟，劉東明.移動(dòng)應(yīng)用商店跟蹤研究［J］.電信網(wǎng)技術(shù)，2010（2）：13-18.

［4]翁昱.移動(dòng)應(yīng)用盈利模式研究與分析［J］.商業(yè)文化（下半月），2012（10）：5.

［5]李曉賓.中國(guó)移動(dòng)應(yīng)用商店商業(yè)模式評(píng)價(jià)研究［D］.北京：北京郵電大學(xué)，2012：8-15.

［6]App Annie.全球移動(dòng)應(yīng)用市場(chǎng)2015年回顧［R］.App Annie，2016

［7]艾媒咨詢.2015-2016中國(guó)手機(jī)應(yīng)用商店年度報(bào)告［R］.艾媒咨詢，2016

［8]陳婉玲，范久紅.我國(guó)移動(dòng)應(yīng)用分發(fā)平臺(tái)發(fā)展仍受制約，突破瓶頸須探索模式創(chuàng)新［J］.世界電信，2014（11）：43-48.

［9]Arwar B，Karypis G，Konstan J，et al.Analysis of rec?ommendationalgorithms for E-commerce［C］.In：Pro?cessing of 2nd ACM Conferenceon Electronic Com?merce，2000：158-167.

［10]Wang Zhi-mei，Yang Fan.P2P recommendation algo?rithmbased on hebbian consistency learning［J］.Com?puterEngineering and Applications，2006，42（36）：110-113.

［11]You Wen，Ye Shui-sheng.A survey of collaborative filteringalgorithm applied in E-commerce recommend?er system［J］.Computer Technology and Development，2006，16（9）：70-72.

［12]Wu Yan，Shen Jie，Gu Tian-zhu，et al.Algorithm for sparseproblem in collaborative filtering［J］.Application Research ofComputers，2007，24（6）：94-97.

［13]Wang Wei-ping，Liu Ying.Recommendation algo?rithm based oncustomer behavior locus［J］.Computer Systems&Applications，2006，15（9）：35-38.

［14]Deng Ai-lin，Zhu Yang-yong，Shi Bai-le.A collabor?ativefiltering recommendation algorithm based on item ratingprediction［J］.Journal of Software，2003，14（9）：1621-1628.

［15]于洪，李俊華.一種解決新項(xiàng)目冷啟動(dòng)問(wèn)題的推薦算法［J］.軟件學(xué)報(bào)，2015（6）：1395-1408.

［16]孫冬婷，何濤，張福海.推薦系統(tǒng)中的冷啟動(dòng)問(wèn)題研究綜述［J］.計(jì)算機(jī)與現(xiàn)代化，2012（5）：59-63.

［17]孫小華.協(xié)同過(guò)濾系統(tǒng)的稀疏性與冷啟動(dòng)問(wèn)題研究［D］.杭州：浙江大學(xué)，2005.

［18]孫飛飛，張淇人.APP刷榜黑幕調(diào)查［J］.IT時(shí)代周刊，2012（5）：29-34.

［19]Bobadilla J S，Ortega F，Hernando A，et al.A collabor?ativefilteringapproachtomitigatethenewuser cold start problem［J］.Knowledge-Based Systems，2012，26：225-238.

［20]王歡，趙建平，姜曉明，等.高并發(fā)性Web應(yīng)用平臺(tái)研究與實(shí)現(xiàn)［J］.長(zhǎng)春理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2015，38（3）：144-147.

An Improvement of Content-Recommend Algorithm Based on Real-time CTR in Mobile Market

FENG Xin，XIA Yang
（School of Computer Science and Technology，Changchun University of Science and Technology，Changchun 130022）

For the content and information overload，cold start and others as results of the limitation of mobile application market users’consumption and the obstruction of advertise revenue，in this paper，a content-recommend algorithm to improve the con?sumption ability of the mobile application market for each consumer is provided.First，the recommended content datum generated within the period are collected as the pending set.Then，through an improved real-time CTR recommendation algorithm，the existing contents based on their impressions are rearranged，clicked and downloaded，then the result in mobile application market is displayed.Compared with the traditional CTR recommendation algorithm，the improved real-time CTR recommendation algo?rithm is more reasonable in the evaluation dimensions.By contrast，the improved real-time recommendation algorithm can im?prove the distribution capabilities of the mobile application market，especially for those with the problem of information overload.

mobile application market；content-recommend；CTR

TP391

A

1672-9870（2017）02-0122-05

2016-08-25

馮欣（1973-），男，博士，副教授，E-mail：1203511908@qq.com