隨著移動(dòng)應(yīng)用的急速增長(zhǎng)，手機(jī)助手等移動(dòng)應(yīng)用獲取平臺(tái)也面臨著信息過(guò)載的問(wèn)題．面對(duì)大量的移動(dòng)應(yīng)用，用戶很難找到最適合的；而另一方面，長(zhǎng)尾應(yīng)用淹沒在資源池中不易被人所知．已有推薦方法多注重推薦準(zhǔn)確率，忽視了多樣性，推薦結(jié)果中多是下載量高的應(yīng)用，使得推薦系統(tǒng)的數(shù)據(jù)積累越來(lái)越偏向于熱門應(yīng)用，導(dǎo)致長(zhǎng)期的推薦效果越來(lái)越差．針對(duì)這一問(wèn)題，首先改進(jìn)了兩種推薦方法，提出了將用戶的主題模型和應(yīng)用的主題模型與MF相結(jié)合的LDA MF模型，以及將應(yīng)用的標(biāo)簽信息和用戶行為數(shù)據(jù)同時(shí)加以考慮的LDA CF算法．為了結(jié)合不同算法的優(yōu)點(diǎn)，在保證推薦準(zhǔn)確率的條件下提升推薦結(jié)果的多樣性，提出了融合LDA—MF，LDA_ CF以及經(jīng)典的基于物品的協(xié)同過(guò)濾模型的混合推薦算法．使用真實(shí)的大數(shù)據(jù)評(píng)測(cè)所提推薦算法，結(jié)果顯示，所提推薦方法能夠得到推薦多樣性更好且準(zhǔn)確率更高的結(jié)果．