随着智能化设备的普及,移动应用市场大量涌现,越来越多的移动APP被开发者开发。据统计,2019年全球移动用户在App Store和Google Play的下载量突破了1200亿次,同比去年增长了5%。海量应用在给用户带来个性化体验和生活便捷的同时,也带来了信息过载的问题。因此,如何为用户推荐满足其个性化需求的应用已成为学术界以及商业界共同关注的话题。如今,个性化推荐技术已广泛应用于商务、娱乐和决策支持等领域。传统的推荐方法大多采用协同过滤(Collaborative Filtering,CF)算法,通过相似度计算或者机器学习方法建模,来预测用户-项目评价矩阵的缺失值。但是该方法存在严重的数据稀疏性问题,很难发现相似用户或者相似项目,导致预测精度较差。此外,相比于传统的推荐系统,移动APP推荐具有更多新特性,比如:移动应用的种类繁多且更新迅速,从而导致推荐过程比传统推荐更加复杂。传统推荐常利用用户对项目的整体评价,获取用户对项目的偏好,忽略了移动应用的功能特征及内在联系。然而,在APP的下载和使用中,用户的兴趣可能更倾向于自己的功能需求。这些问题导致传统的推荐方法直接应用到移动APP领域中具有一定的局限性。因此,本文提出两种基于数据挖掘的移动APP推荐方法。主要的研究内容及创新如下:(1)提出一种基于链式诱导主题搜索(Hypertext Induced Topic Search,HITS)算法与关联规则融合的APP推荐方法。该方法将改进的HITS算法与关联规则进行有机结合,实现对目标用户的Top-k推荐。方法的新颖之处主要包括:1)在HITS算法的迭代过程中引入用户评分矩阵,加入了用户个性化信息;2)通过定义用户经验值,可以削弱恶意用户极端数据对推荐结果的影响;3)在传统关联规则中加入权重因子,设置项集的重要性和事务的可靠性,重新定义了支持度和置信度的加权计算公式,从而减少了数据的冗余,提高了关联规则的挖掘效率。(2)提出一种基于功能特征的APP推荐方法。该方法通过构造用户行为的功能特征有向图,从移动应用的功能层面实现个性化推荐。本方法不仅考虑了用户对应用功能的需求,同时还考虑了用户的评价信息,将用户的显性反馈个性化的融入到PageRank算法中,来获取用户对移动应用功能的偏好。基于此,给出了一种针对目标用户APP兴趣度预测的方法。(3)为验证本文方法的可靠性,在华为应用市场真实的数据集上进行了实验,并与其他方法进行了对比,实验结果表明,本文方法在推荐的指标上都优于对比方法。