海量互联网的应用出现在我们的身边,给我们生活带来了便利。但与此同时,应用的功能纷繁复杂,大多数的普通人无法熟悉和掌握所有应用的功能内容,这对于应用的选择会产生极大的困扰。互联网的技术发展是为了每个网民带来更多的优越性,更人性化的体验感。对于当前功能种类繁多,选择应用效率低,获得感低等问题,我们通过数据分析来做应用功能的推荐,具有重大的社会和经济价值。本文主要研究内容是基于不同场景下对应用的不同推荐。根据不同用户群体、不同应用软件,用户使用应用软件的行为特征及使用情境,针对目前已有推荐算法存在的准确度不高、用户体验性不佳等问题,提出一种基于多场景维度数据场景推荐的优化算法。最终从理论和实验上验证了改进算法对建模分类的良好性能,通过改进后分析算法预测,并推荐用户所在场景需要的应用软件。让用户获得有效快速的服务,即用即走,节省在应用和系统的操作时间,提高使用应用效率,提高用户满意度。本论文主要包括以下方面内容:1.提出了基于奇异值分解的数据聚类方法:采用奇异值分解的方法,解决了传统聚类方法中因含有奇异值的数据,对聚类效果产生的影响。奇异值的分解,会得到更准确的分类结果。同时,聚类方法使得原有类别划分更倾向于基于数据本身而不是主观分类,最终达到分类的召回率的提高。2.提出了基于情境因素的贝叶斯预测模型:采用结合情境因素、用户基础属性、用户历史行为属性,实现多维度的推荐参数。同时,结合贝叶斯预测理论,调整传统预测模型。有效地解决了对于冷启动用户推荐问题、推荐的应用与实际用户使用应用误差大的问题。此模型通过数据的多维性提升了预测模型的准确度,达到更佳的应用推荐效果。3.研发了基于数据场景的多维度应用推荐平台:基于数据场景的多维度的推荐应用系统,是结合优化后的两种算法使得预测用户应用的准确度提高,最终提高用户对推荐应用的满意度。同时基于高性能大数据分析和计算工具,使得平台处理数据的效能提高。最后再经过平台的功能和性能测试,验证其达到推荐效果提升的目标。