一种基于众包的安卓应用演化推荐方法
【技术领域】
[0001] 本发明属于软件维护领域，特别涉及一种基于众包的安卓应用演化推荐方法。
【背景技术】
[0002] Android系统的开放性使其在很短的时间内迅速发展，成为全球市场占有率首位 的智能移动终端操作系统。它的使用涵盖了智能手机、平板电脑、电视机顶盒以及其他嵌入 式便携电子设备。随之而来的是App的迅速发展，近年来，Android市场的App以一种不可控 制的速度增长着，用户对于高质量的App的需求也不断增加，而且Android应用的演化和升 级速度比传统的软件来的更快，开发者如何能够满足广大用户的需求，仅仅依靠开发团队 的创新，或者基于代码本身的结构改进，已经不能在App市场中脱颖而出，为此，如何从市场 和用户的角度提供更高效的修改推荐，来帮助开发者及时修改以及发布新的版本是每个 Andr 〇 i d应用开发商比较关心的问题。
[0003] 在本发明作出之前，已经有的推荐方法如基于用户的协同过滤技术(CF)，基于评 估分数的矩阵分解推荐技术(GEFM)等，类似于这样推荐的技术有的只考虑了单个因素，有 的考虑的因素不全面。例如CF技术没有考虑到地理信息，他的思想只是根据相似性进行推 荐，最终还是会蜕变成搜索算法。GEFM技术最佳但是推荐仍没有考虑到交互性，它是一种对 传统的矩阵分解的SVD方法的一种优化，效果好但是仍然没有考虑交互性，在App更新发展 的过程中，用户与产品的交互如果缺少考虑，我们更新后的产品再应用到用户中的效果将 大大降低。
【发明内容】
[0004] 本发明的目的就在于克服上述缺陷，研制一种基于众包的安卓应用演化推荐方 法。
[0005] 本发明的技术方案是：
[0006] -种基于众包的安卓应用演化推荐方法，其步骤在于：
[0007] 步骤1)首先从移动应用市场的某个Android应用中提取用户对该应用的评论，然 后基于AR-MINER工具，过滤无用的评论，得到有用的用户评论集；
[0008] 步骤2)使用自然语言预处理技术对有用的用户评论中的词语进行预处理，去除一 些无用的词语；
[0009] 步骤3)基于情感-方面-地区模型，对评论中的情感，方面，地区进行分析，得到关 于用户感情，方面以及地区的有效评论的特征诉求；
[0010] 步骤4)提取多数用户对App的特征诉求，根据步骤3)中获得的有效的评论特征诉 求，计算特征诉求中关键字出现的频率并进行概率计算，找出其中多数人评论中关心的特 征以及要求；
[0011] 步骤5)针对与当前APP同类的其他App，根据同类App的特征描述进行分析，利用 LDA主题模型产生特征关键字，通过计算其关键字的出现频率值，找出多数App共有的特征；
[0012]步骤6)排序，综合情感，方面，地区，多数用户对App的特征诉求，利用SAR模型的概 率值以及特征出现频率概率值，结合Top-n在线推荐算法推荐出η个最优的修改意见;进行 同类App推荐时，通过同类App的特征关键字根据步骤5)中特征关键字概率进行排序推荐。
[0013] 其特征在于步骤1)中，通过爬取应用商店里面我们所需要修改的App的所有评论， 基于AR-MINER工具，检索出所有有用的评论。
[0014] 其特征在于步骤2)中使用NLP技术的预处理过程：
[0015] a)托肯化:去除标点符号，去除数字；
[0016] b)去除停用词、连词、修饰词。
[0017] 其特征在于步骤3)中对于用户评论中情感，地区，特征的提取：
[0018] a)情感:通过预定义的情感集，语义分析器判断出句子的极性，语义分析器包括预 先定义的一些关于情感的词语，极性分为good和not good两种，这里主要取包含not good 情感的评论；
[0019] b)地区：通过基于坐标的K-means算法，通过聚类过程得出评论中的用户地理位 置，取出这些用户需求的地理位置；
[0020] c)方面:通过基于句子层次的K-means算法，给每个句子一个相关的方面，最后获 取所有评论中的用户对于信息点的感受。
[0021] 其特征在于步骤4)中获取多数用户对App的特征诉求，通过计算步骤3)中关键字 出现的频率：
[0023] 其特征在于步骤5)提取同类App的特征:通过对同类App的特征描述进行LDA主题 分析，LDA是用来挖掘语义的，提取主题的一个模型并给每个描述的句子一个主题，并且通 过分析大多数同类App的特征，通过公式计算其特征关键字出现的概率，推荐时我们根据其 频率大小进行排序推荐，
[0025]其特征在于步骤6)的排序:若开发者选择从用户评论进行排序，综合情感，方面， 地区，多数用户对App的特征诉求，将情感-方面-地区模型中的推荐概率计算和关键字出现 频率计算以及同类App的特征概率结合起来：
[0026] pi指SAR模型的推荐概率：
[0028]即表示用户u在情感，方面，地区这三方面不喜欢APP t的概率;其中，t，s_，u，r，a， ct分别代表APP，负面情感，用户，地区，APP的方面以及APP的种类；
[0029] p2指关键字出现频率：
[0031]最终我们根据线性关系相结合：
[0032] ρ = αρ1+βρ2
[0033] (<1，0是输入参数权重）。
[0034] 本发明的优点和效果在于提出了一种基于Android应用生态系统演化的App维护 推荐模型，可以向Android开发者作出关于App修改分析的有效推荐，提高APP应用演化的质 量和效率。主要有以下一些优点：
[0035] (1)考虑了情感的因素，我们从用户情感出发，目前的推荐修改技术很多，但是还 没有从用户情感出发的，本发明从用户情感出发，会更加贴近用户的真实感受。
[0036] (2)考虑了地区的因素，地区在App发展中也起到可观的作用，而这一因素常常被 人忽视，因此我们的技术扣住了地区，更加高效分析了App评论。
[0037] (3)考虑了市场的因素，App最终的发展状况是根据市场情况来判断的，因此我们 的技术提取了市场中同类软件的用户评论，这样的推荐可更好地保障APP保持市场竞争力。
【附图说明】
[0038]图1--本发明的总体流程不意图。
[0039]图2-一提取的部分用户评论示意图。
[0040] 图3--AR-MINER过滤后的用户评论示意图。
[0041 ]图4一一过滤后的评论初始化后的结果示意图。
[0042]图5-一SAR分析过后的评论示意图。
[0043]图6 同类App的特征提取不意图。
[0044]图7-一根据用户评论排序后推荐的结果示意图。
[0045]图8-一本发明根据同类App特征排序后推荐的结果示意图。
【具体实施方式】
[0046]本发明的技术思路是：
[0047] 本发明提出user-review-app-developer，即从用户出发，研究用户的评论，应用 到app本身中去，推荐给开发者进行修改。我们从用户情感，方面，地区出发，考虑用户的因 素；另外，也考虑同类型软件的功能和评论，考虑了市场的因素。这种综合各个方面的分析 更有利于促进开发者高效率更新，充分利用了用户评论的价值和市场的价值。
[0048]下面根据附图进一步说明本发明。
[0049] 步骤1)我们首先从移动应用市场的Android应用中提取用户对该应用的评论，然 后基于AR-MINER工具，将评论分为有用和无用的两类，我们主要选择有用的评论。我们此处 所举的例子为"知乎"，在图（2)中，比如我们提取的两个评论，"经常一刷就是一晚上啊"和 "什么鬼啊"，AR-MINER将会过滤掉这两个评论，而像"虚拟键盘去掉就好了"和"不知道為什 麽個人簡介無法改性别"这两个评论，我们将会保留。最