近年来,移动互联网得到很大发展,移动应用程序(即App)在我们生活中扮演着前所未有的重要角色。它逐渐的成为人们衣食住行、娱乐工作等社会生活中必不可少的一部分。对于用户来说,在面对市场上如此之多的应用时,常常会陷入如何抉择的难题。对于开发商而言,通过预测用户将来是否会卸载App,可以帮助他们了解产品缺陷,从而更好地完善和改进自己的产品。此外,通过预判用户是否会卸载某款App,可为该用户提前推荐更优质的同类App替代产品,提升用户推荐体验。推荐系统的出现,很好的解决了信息过载的问题。传统的应用推荐系统一般是基于评分——推荐评分较高的热门应用。然而,用户的需求往往是多样化的,且应用评分的客观性可能由于人为操纵而无法得到保证。因此,这种单一的推荐方式的表现往往不尽如人意,这也是个性化的应用推荐系统的意义所在。而对于应用程序卸载预测问题,目前很少有这方面的研究。针对上述问题,本文提出了基于时间序列挖掘的个性化App推荐算法以及用户App卸载行为预测算法。本文所定义的时间序列是指那些所观察到的按照时间顺序排列的动态数据序列,具有动态性和复杂性。本文使用的数据来自于中国领先的App应用市场——中国应用汇(AppChina),数据集包含了20万用户和10多万App的动态使用情况日志数据,这些数据具有典型的时间序列特征。本文首先通过对用户的App时间序列数据进行分析处理和特征提取,得到用户与App之间关联关系的特征数据。利用这些信息建立评分模型,获取用户对应用程序的评价,然后利用基于物品的协同过滤算法获得推荐结果。同时根据这些特征数据选择合适的分类模型,实现对用户App卸载行为的预测分析。在推荐实验中,本文对比了传统评分推荐系统,结果表明,基于时间序列挖掘的个性化推荐算法具有更高的准确性。在卸载预测实验中,本文对比了多种经典的机器学习算法,其中包括:支持向量机、决策树、朴素贝叶斯、k-近邻算法,逻辑回归,随机森林和GBDT等,并对比了通过时间序列挖掘出的两组不同特征对应的预测结果,发现在增加了用户卸载比和App卸载比等时间序列特征之后,预测准确率显著提升。此外,在几种预测模型中,GBDT、逻辑回归与支持向量机通常具有更好的预测表现。