近年来,移动互联网发展迅猛,移动用户和移动流量每年都在大幅增长。这主要得益于移动应用（App,Application的简称）的出现。现如今,各大应用商店每隔一段时间就会推出上十万的App,App总量也达到了千万级。应用商店呈现App的方式有两种:搜索和推荐。本文研究前者,用户有明确的搜索词（Query）来描述自己的需求。对于App搜索系统,Query明确地描述了用户的需求,搜索结果对相关性有硬性要求。但是,应用商店为了最大化商业价值,往往更关心搜索系统的转化率。如何在保证搜索相关性的前提下尽可能地提升系统转化率成为业界一大难题。传统的搜索排序主要是基于排序学习（LTR,Learning to Rank的简称）的方法。此类方法以相关性为优化目标,适合网页搜索场景。原因在于网页搜索用户的需求较难满足,相关性的提升会伴随着转化率的提升。但是,对于App搜索场景,用户精确地知道自己想要哪个App,它是个“精准搜索”场景。精准搜索场景的用户需求较容易满足,相关性达到一定程度后,相关性的提升未必会带来转化率的同步提升。同时,精准搜索使得App的大部分搜索流量被包含其名称的搜索词分流了,导致基于转化率的排序方法又会严重影响相关性。本文通过提取App相关性特征和依概率随机激活用户行为序列中的App来解决上述问题。具体研究工作包括:（1）通过对App搜索场景特点的分析,建立了多个App搜索相关性模型。各个相关性模型从不同角度衡量了Query与App之间的相关性,多个相关性模型的组合可以得到更好的相关;（2）将App搜索相关性特征加入基于Deep FM模型框架中,保证排序结果的相关性。同时,使用依概率随机激活的方式对用户行为序列建模,解决了因精准搜索分流现象导致的基于转化率的排序结果相关性不理想的问题;（3）设计并实现了App搜索系统,通过App搜索系统真实运行数据验证了系统和算法的有效性。从真实应用商店中的实验结果表明,本文研究的方法在保证App相关性的前提下,系统取得了很好的转化率表现。既兼顾了应用商店的收益,又不会伤害应用商店的用户搜索体验,适合真实商业场景下的应用商店搜索。