在大数据和移动计算背景下,国内外的手机应用商城推出的APP层出不穷,智能PC设备已经成为人们生活中不可或缺的一部分,各种APP软件应运而生,在各类APP的推广中,如何准确的为用户推荐合适的APP使其下载是一个极具挑战性的问题,吸引了国内外研究人员的广泛关注。但是,已有的研究方法大都基于单一APP信息进行推荐,忽略了能够体现出APP热度的多维信息。因此,本文针对IOS手机用户,深入研究如何基于APP多维信息进行高质量的APP推荐,主要研究内容如下:(1)提出了一种基于加权Word2vec的相似APP推荐方法。该方法针对APP Store中与用户需求并无关联的APP出现在搜索推荐列表中的问题,首先利用爬虫软件对七麦数据网的APP信息进行收集,并对收集的信息进行预处理,然后利用TF-IDF(Term Frequency-Inverse Document frequency,词频-逆文档频率)算法从APP描述信息中提取特征词,进而采用Word2vec工具对APP描述信息提取的特征词进行向量化。使用类似的方法对用户需求文本进行向量化操作,采用余弦相似度计算方法进行相似度计算排序,选取与用户需求文本相似性高的Top-N个APP,得到相似APP推荐列表。最后通过七麦数据网上的真实数据进行验证,实验结果表明本文提出的基于加权Word2vec的相似APP推荐方法能够有效提高推荐的准确率与召回率。(2)提出了一种多维信息驱动的Top-K APP推荐方法。该方法针对APP Store中用户搜索推荐列表中热度不高的APP出现在列表排名顶端的问题,首先通过LSTM(Long Short Term Memory Network)模型对预处理后的APP评论进行情感极性分析,将一些用户使用体验较差但却出现在热门推荐列表中的APP过滤,得到Top-K APP候选推荐列表。在此基础上,根据APP评分、下载量、APP进入APP Store精品推荐的次数构建APP热度度量模型,对Top-K APP候选推荐列表中的每个APP进行APP热度度量。最后综合考虑APP热度度量值和用户搜索内容与APP描述之间的相似度,将综合相似度高的Top-K APP推荐给用户。通过七麦数据网上的真实数据进行实验,实验结果表明多维信息驱动的Top-K APP推荐方法能够有效提高推荐结果的NDCG值和MAP值,验证了方法的有效性。