很多用户对 Google Play Similar Apps 的优化很感兴趣，Adexpress 在最近做了一次测试，今天我们把它分享给大家，带大家深入钻研社交类 App 与Similar Apps 的相关数据，并总结出 Google Play平台影响进入 Similar Apps 的八大可能因素。

登录 Google Play Store，打开任意 app 并下拉到底部，你能够看见三大板块：“Similar Apps” 、“You Might Also Like”以及“Recommended for You”。其中 Similar Apps 就是谷歌基于算法为用户推荐的与该原始 app 相似的应用程序。如下图，以某社交 app 为例，Google 为用户推荐了相似的几款即时聊天应用。

AdExpress 大数据分析专家张天生对 Google Play 上总计 23689 个社交类 app 追踪分析，总结出 Google Play 平台影响进入 Similar Apps 的八大可能因素，其中推荐 app 平均个数为 10，最少个数为 1，最大个数为 49，中位数为 3。（注：由于只追踪了推荐 app 的首页，推荐 app 的最大个数实际上会大于 49。）

推荐 app 个数分布图

该推荐 app 个数分布图中，y 轴代表 app 个数，x 轴代表这些 app 的 Similar Apps 推荐应用个数，从中可以发现大部分 app 推荐的 app 个数不超过 5 个。

因素二：分类

Similar Apps 中不同分类个数的 App 数统计

上图中，0 表示推荐的 app 全都是同一分类，1 表示有 1 个不同分类的 app，其它依次类推。

从图表中可以看出，Google Play 基本上推荐的为同分类的 app。

推荐的 app 分类统计

由于 AdExpress 技术团队追踪分析的是社交类 app 的数据，Similar Apps 推荐的基本上也是社交类下的 app，其次是通讯类下的 app，由于字面上相似度很高，被推荐也是正常的。

因素三：排名

推荐的 app 排名分布情况

如图所示，601- 表示排名榜单 600 以外的 app。由此可以看出，推荐榜单 600 中的 app 极少，基本上推荐的是榜单以外的 app。

Google Play 的这种策略可能是为了平衡整个应用生态，为排名靠后的 app 提供引流渠道。

因素四：评分

上边的数据图中，左图为 app 自己的评分分布，右图为推荐列表中 app 评分中位数的分布。

可以看出，这两个分布的形状很相似，从统计意义上基本可以判断推荐列表中 app 的评分和 app 本身的评分是正相关的，因此，Google Play 倾向于推荐评分旗鼓相当的 app。

因素五：评分与评论数

但单只考虑评分因素并不很严谨。基于因素五的分析，为了进一步证实结论，AdExpress 技术团队又结合评分和评论数两个因素深入研究。

考虑总加星数=平均评分*评价数，绘制加星数分布图

总加星数定义为“平均评分*评价数”。

以上数据中左图为 app 加星数分布，右图为推荐列表加星数分布，1 表示加星数 10，2 表示 100，以此类推。可以看出，app 本身加星数最多是在 100-10000 范围内，推荐列表最多是在 1000-100000。由此可知：Google Play 会推荐总加星数尽量多的 app。

因素六：安装次数

这两张图表的 x 轴和 y 轴分别代表 app/similar apps 的安装次数，以及 app/similar apps 个数。

从图中可以看出，app 本身安装次数多集中在 100-50000，而推荐 app 安装次数多集中在 1000-500000，显然推荐的 app 安装次数有大于原始 app 安装次数的趋势。

此外，AdExpress 技术团队还通过绘制折线图，对比原 app 安装次数与推荐 app 安装次数最小值、中位数、最大值验证结论。由于 app 安装次数是一个范围值，我们把它映射成分类数值，如 1-5,5-10,10-50…分别映射成 1,2,3…，而且为了使结论更有说服力，我们随机选取 200 个 app，绘图如下：

由于共追踪分析了 2 万多 app，为方便分析，技术人员将 app 按序列号进行排序，因此上述三图的 x 轴代表的是 app 序号，y 轴代表下载量。

第一张图是和推荐 app 安装次数最小值的比照，原 app 稍微高于最小值；第二张图是和推荐 app 安装次数中位数的比照，明显中位数已经高于原 app；第三张图是和推荐 app 安装次数最大值的比照，明显最大值已高过原 app 太多——再次论证了推荐的 app 安装次数普遍高于原 app 这一结论。

因素七：标题与描述

上图横坐标代表的是排行 Top 600 的应用程序中 app 与 similar apps 的相似度，纵坐标表示的是符合这一相似度的 app 个数。此外，红色部分为 app 与 similar apps 标题描述相似度的中位数分布，蓝色部分为 app 与随机选取 apps 标题描述相似度的中位数分布。可以看出，随机选取的 apps 相似度普遍小于 0.3，相似度较低；similar apps 相似度有一部分超过 0.3，也有一大部分低于 0.3，经过分析原因是推荐列表中存在不同语言的 app，不同语言的 app 标题描述计算的相似度为 0。

所以，Google Play 在推荐 app 的时候，标题描述的相似度是一个很重要的因素。

因素八：相同开发者

这一节主要考虑 Similar Apps 中会不会推荐同一开发者的 app，也就是统计推荐列表中推荐了相同开发者 app 个数的分布情况，如图一（x 轴：app 个数，y 轴：推荐列表中相同开发者的 app 个数）；又绘制推荐的相同开发者的 app 相似度直方图，如图二（横坐标代表相似度）：

由第一张图可知，Similar Apps 中会推荐小部分同一开发者同类的 app，大部分 app 不被推荐的可能原因是：1）不同类；2）app 相似度低；3）此开发者没有其它 app。由第二张图可知，推荐的同一开发者的 app 相似度很高，有一半出现在 0 左右主要是因为语言的原因；这说明 Google Play 会优先推荐相同开发者同类下相似度高的 app。

 结 论 

Google Play 在推荐社交类 Similar Apps 时，会被 app 推荐个数、类别、排名、评分与评论数、安装次数及标题与描述所影响。根据上述数据分析，我们可以得出以下结论：

1）大部分 app 推荐的 app 个数不超过 5 个；

2）Google Play 基本上推荐的为同分类的 app；

3）为了平衡整个应用生态、为排名靠后的 app 提供引流渠道，Google Play 基本上推荐的是榜单以外的 app；

4）Google Play 倾向于推荐评分旗鼓相当的 app；

5）Google Play 会推荐平均评分*评价总数更多的 app；

6）Google Play 在推荐 app 的时候，标题描述的相似度是一个很重要的因素；

7）Google Play 会优先推荐相同开发者同类下相似度高的 app；

8）对于 app 开发者来说，推荐的 app 安装次数有大于原始 app 安装次数的趋势。