成果上报申请书成果名称面向iPhone和Andriod终端用户的个性化应用推荐服务成果申报单位中国移动北京公司数据部成果承担部门/分公司 数据业务部项目负责人姓名项目负责人联系电话和Email项目参与人姓名成果专业类别*数据业务所属专业部门*数据线条成果研究类别*新产品开发省内评审结果*优秀关键词索引（35个）iPhone Android 用户偏好 个性化 应用推荐 智能手机应用投资40万元（指别的省引入应用大致需要的投资金额）产品版权归属单位北京移动数据业务部对企业现有标准规范的符合度：（按填写说明5）符合如果该成果来源于研发项目，请填写研发项目的年度、名称和类型（类型包括：集团重点研发项目、集团联合研发项目、省公司重点研发项目、其他研发项目），可填写多个：成果简介：中国通信市场逐渐进入到饱和竞争阶段，新增市场增长趋于缓慢，存量市场的竞争不断加剧，三大运营商的客户争夺战变得越来越激烈。对于北京这样一个接近饱和的通信市场而言，中高端客户的争夺尤为重要。中高端客户的保有是北京公司所有工作的重中之重和首要目标。iPhone等高端智能手机在中高端客户中的使用率很高，北京移动已经拥有了100万量级的iPhone智能机用户，但是目前为iPhone用户提供的自有业务和服务相对较少。中国联通围绕iPhone的终端销售、业务营销和服务的不断拓展，给中国移动中高端客户的争夺和保有带来了前所未有的压力。中国移动北京公司推出的面向iPhone/Android等高端智能机用户的个性化应用推荐的服务，实现了基于用户的内容偏好和社会属性特征，向用户个性化推荐Apple App Store/Android Market或移动MM中的热门应用软件的服务和功能，具体包括：l 猜您喜欢：以用户个性化偏好为依据，量身精选适合用户的应用，并根据用户的偏好排名向用户展现推荐的应用列表。l 分类精选：精选iPhone/Android应用商店中两大分类（软件/游戏）27个小类里的热门应用，通过结构化的方式呈现给客户。l 便捷搜索：支持软件游戏类应用的搜索功能，用户可以根据关键字搜索当前的热门应用。为使用户更加便捷的使用个性化应用推荐服务，系统提供了“经典评论”、“应用评级”和“一键下载”支撑。搜集当前互联网上（如iPhone中文网、91手机门户、 App store等）对应用软件的经典评论和应用评级并同步展现给客户，引导客户更深入的了解所要下载的软件。同时支持用户在浏览软件介绍后，可以通过一键下载功能直接关联到应用商店中进行软件下载。此项目重点在于为中高端用户提供个性化的服务体验，通过差异化的服务提升移动用户的被关怀感，从而增强用户的粘性。同时由于目前移动自有的iPhone客户端应用相对较少，通过个性化应用推荐，可以以服务的方式实现对自身短处的弥补。省内试运行效果：个性化应用推荐服务试运行期间，已整理Apple App Store中的最新最热应用300多款，并搜集了互联网上对这些应用的经典评论呈现给客户。每月利用WAP Push的方式实现400万iPhone/Android用户的接触全覆盖。用户收到邀请后的个性化推荐服务访问响应度约为6%。月实现24万人次的服务支撑。每人每次访问下载约0.45个应用，每月可带来应用下载约110000次.推广价值及建议：此功能的引入建设改造成本很小。各省公司可以完全基于北京移动的建设功能，只需要修改输入的数据源（即使用本地用户的WAP访问历史及数据业务订购和使用数据作为用户的偏好分析输入）；应用商店的软件选取可以采用北京移动的数据，也可以自行维护。此功能的运营维护是一个长期持续的过程。为终端用户提供个性化的精品应用推荐服务，需要不断的更新维护APP应用软件相关信息（应用软件、软件评级、用户评论），以保障向用户所推荐的应用软件、应用信息的实时性、丰富性与准确性。以iPhone为例，软件来源包括： iPhone中文网、91手机门户、 App store；搜集原则包括：选取免费软件，根据手机软件排行、下载量排行、星级软件排名选择星级较高、下载量较高的软件。文章主体（3000字以上，可附在表格后）： 参见附录。附录：（一）项目背景中国通信市场逐渐进入到饱和竞争阶段，新增市场增长趋于缓慢，存量市场的竞争不断加剧，三大运营商的客户争夺战变得越来越激烈。对于北京这样一个接近饱和的通信市场而言，中高端客户的争夺尤为重要。中高端客户的保有是北京公司所有工作的重中之重和首要目标。iPhone等高端智能手机在中高端客户中的使用率很高，北京移动已经拥有了100万量级的iPhone智能机用户，但是目前为iPhone用户提供的自有业务和服务相对较少。中国联通围绕iPhone的终端销售、业务营销和服务的不断拓展，给中国移动中高端客户的争夺和保有带来了前所未有的压力。中国移动北京公司推出的面向iPhone/Android等高端智能机用户的个性化应用推荐的服务，实现了基于用户的内容偏好和社会属性特征，向用户个性化推荐Apple App Store/Android Market或移动MM中的热门应用软件的功能。（二）详细业务服务内容1.总体思路个性化应用推荐是指基于iPhone/Android等中高端智能手机用户的偏好特征，通过WAP的形式向用户个性化推荐Apple App Store/Android Market或移动MM中的热门应用软件的功能。实现思路整体上分为三大部分：1) 应用整合：整合Apple AppStore，CMCC MM以及Android Market的应用内容，抽取其热点应用并使用WAP网站统一向用户展示；2) 客户偏好分析：基于用户的WAP访问内容、数据业务的订购和使用行为等，通过构建基于人类需求的马斯洛模型，分析用户的偏好特征；3) 个性化应用筛选：根据用户终端类别（iPhone/Android等）和偏好特征，使用推荐规则引擎筛选适合用户的热点应用。终端个性化应用推荐网站具备三大贴心功能：l 猜您喜欢：以用户个性化偏好为依据，量身精选适合用户的应用，并根据用户的偏好排名向用户展现推荐的应用列表。l 分类精选：精选iPhone/Android应用商店中两大分类（软件/游戏）27个小类里的热门应用，通过结构化的方式呈现给客户。l 便捷搜索：支持软件游戏类应用的搜索功能，用户可以根据关键字搜索当前的热门应用。为使用户更加便捷的使用个性化应用推荐服务，系统提供了“经典评论”、“应用评级”和“一键下载”支撑。搜集当前互联网上（如iPhone中文网、91手机门户、 App store等）对应用软件的经典评论和应用评级并同步展现给客户，协助客户更深入的了解所要下载的软件。同时支持用户在浏览软件介绍后，可以通过一键下载功能直接关联到应用商店中进行软件下载。功能界面示意图如下所示（以面向iPhone的个性化应用推荐网站为例）：2.方案介绍（1）技术实现方案北京移动个性化应用推荐服务基于VGOP实现，同时通过WAP渠道与用户进行接触。下图给出了个性化应用推荐服务的组网图：l VGOP分析服务器：通过与支撑系统和业务平台交互，获取用户的业务订购和使用数据；构建用户偏好模型，并通过分析用户的业务订购和使用数据获取用户的偏好信息；l VGOP 个性化应用推荐WAP网站服务器：向终端用户提供个性化应用推荐的使用网站；l VGOP应用服务器：实现个性化应用推荐的后台功能，结合用户的偏好信息，组织个性化的应用软件，通过WAP方式展现给终端用户。系统设计按照以下设计原则进行设计：l 模块化：按功能分成多个模块，各模块松耦合，保证可靠性、灵活性与扩展性。l 三层架构：用户界面层（输入和输出）、业务逻辑层（主体业务逻辑处理）和数据访问层（业务数据存储访问）。l 可维护可扩展性：保证数据备份、检错、恢复、升级以及外围功能的延伸开发。细化的技术实现架构如下所示：功能关键点：l 用户信息获取：通过智能抓取和分析用户WAP访问的UA信息，判断用户的终端及应用支持度，并据此实现对终端显示的动态适配和应用筛选；l 用户偏好特征分析模型：基于马斯洛模型的人类需求模型构建，并通过定期的数据分析刷新用户偏好数据。l 基于用户偏好的应用筛选：将用户的偏好与应用的分类进行结合，优先推荐用户偏好匹配的应用分类里的热门应用。（2）业务实现流程个性化应用推荐的业务实现流程如下所示：整体流程分为两个部分：A） 偏好分析：1. 用户日常访问WAP网站或订购使用北京移动其他的数据业务；2. VGOP通过建模分析获取用户的内容偏好；3. VGOP将分析得到的内容偏好进行排名，得到排名靠前的9大偏好，作为用户的内容偏好倾向信息。B） 应用推荐1. 用户访问WAP个性化应用推荐网站；2. VGOP获取范围用户的手机号及UA等信息，并通过偏好模型查询得到用户的偏好信息；3. VGOP根据用户偏好信息，为用户筛选适合用户的应用分类；4. VGOP根据既定的复杂应用推荐规则，结合应用分类、终端类型、应用终端支持度等特征，生成应用推荐列表；5. VGOP通过WAP门户向用户展示应用列表，供用户查看和下载。（三）主要创新点1.全方位、多层次的用户偏好刻画挖掘依据马斯洛模型，结合WAP上网浏览内容以及VGOP其他订购类业务关系构建偏好标签分类体系，将现有业务内容偏好分为9个一级分类，67个二级分类；用户对某内容类别的浏览次数比重最大的定义为偏好；通过采用标准化评分、归一化等方法，得出每个用户在各类业务内容上的偏好评分；通过模型结果呈现，展示每个用户的业务内容偏好排名并打上相应偏好标签；模型构建介绍：1) 数据输入：输入数据包括用户访问内容信息（WAP等）、数据业务的订购关系、数据业务的使用信息。2) 客户偏好模型分析：构建基于马斯洛模型的用户偏好分类，根据业务经验设定客户关注的内容、订购关系、使用行为的权重值和映射关系，生成用户的偏好得分。3) 偏好输出：通过采用标准化评分、归一化等方法，分析用户的绝对偏好、相对群比偏好和相对环比偏好，并取各类偏好的前三名作为用户的最终偏好。2.客户偏好与应用偏好的动态映射通过基于检验和应用分析，构建了客户偏好模型与应用分类模型之间的映射关系，并可以根据用户反馈动态的对映射进行优化调整。3.动态可配置的应用推荐引擎应用推荐引擎根据客户偏好分析获取的用户9大偏好（整体、同步、环比偏好），结合用户的终端支持度等信息，通过动态配置的应用推荐矩阵为用户量身选择展示的应用列表。应用推荐规则示例：显示排序：排序号越低的偏好筛出的应用在应用列表中越靠前。最少应用数：此偏好最少应出现的应用个数，最少应用数保证出现尽可能多的用户偏好，对偏好可信的偏好类别，此值尽量大；对偏好可信度低的类别，此值尽量小或为0。最多应用数：此偏好最多出现的应用个数。在最少应用数都满足了且应用总和还不到10时，从偏好显示排序从上到下，依次补满至次偏好最多应用数，如不满10，继续下一个偏好补至最多应用数（四）应用情况及效益iPhone/Android个性化应用推荐服务试运行期间，已整理Apple App Store中的最新最热应用300多款，并搜集了互联网上对这些应用的经典评论呈现给客户。每月利用WAP Push的方式实现400万iPhone/Android用户的接触全覆盖。用户收到邀请后的个性化推荐服务访问响应度约为6%。月实现24万人次的服务支撑。每人每次访问下载约0.45个应用，每月可带来应用下载约110000次.此项目重