算法app
① APP 排名算法
当前常见的一些排行榜类型：
1、（累计）排行榜
如果笼统的说排行榜，一般指累计排行榜，一段时间内累计下载或安装的应用排行。这个榜单能够很好的反映出用户的历史行为数据，但你可以想象，排行榜内容几乎是不变的，微信QQ支付宝长期占据头条，因此用户查看的频率会比较低。
2、飙升榜（新锐榜）
飙升榜是基于每日新增下载app的榜单，便于用户及时发现新凸显的app。飙升帮的特点是每天每时都在变动，吸引用户高频度的查看。
3、个性榜
个性榜本质上属于内容推荐，根据用户的下载/安装过的内容进行的相关推荐。特点是榜单内容定制化，各个用户看到的内容不相同，更具针对性。
4、好友榜
基于好友下载内容的推荐，和个性版类似，但是需要用户账号体系支撑。
综上，目前常见的榜单主要分3类，基于下载量、新增下载量和个人历史推荐。其中，基于下载量、新增下载量又可以按照app类型（游戏/社交/音乐···）、用户地域和性别纬度来细分。
算法
最早我以为既然目标清晰了，那么直接用下载量、新增量排序的结果就是榜单。那么会存在问题，例如：
新app每日下载量10到1000的下载量，新增100倍，微信从40000到43000，新增比例不到10%。如果仅以增量作为飙升榜单的依据，可能出现的情况是榜单被知名度很高的app占领，那这样榜单就没有意义。所以对飙升榜来说，一定要通过某种算法，削弱高下载量app比重。
同时，榜单中一般会插入广告，如果不是在固定位置插入广告的话，需要通过算法尽可能将广告app的位置排前，毕竟广告收入是应用分发渠道商的主要收入来源。
算法模型
假设有X、Y、Z3个纬度，跟别代表app搜索量、app打开率和是否广告，那么算法公式f=aX+bY+cZ，其中abc表示各个纬度的系数，且a+b+c=1。通过不断的优化abc的值，就有可能得到收益最明显的热搜排行榜数据
② 常见APP数据统计算法
【基本数据】
日/月PV：竖闷当日浏览量；
日/月UV：当日浏览人数；
日/月活跃用户（DAU/MAU）：在所选时间内，用户主观神租打开过至少一次app，即算活跃用户；
【用户黏性】
人均单日启动次数：是指在所选时间段内，app或行业平均每天被每个用户打开的次数。计算公式：sum{周期内第一游纤兆天 ～最后一天的（日度启动次数/日度活跃人数）}/周期内天数（日度平均算法）。
人均单日使用时长：是指在所选时间短内，app或行业平均每天被每个用户使用的时长。计算公式：sum{周期内第一天～最后一天的（日度使用时长/日度活跃人数）}/周期内天数（日度平均算法）。
单次使用时长：是指用户在选定时间段内人均每次使用app的时间；
【潜力算法】
活跃增幅：是指在选定时间段内启动过的用户数量（拍重之后即多日启动的活跃用户仅算1次）。
次月留存率增幅：是指统计周期内，新安装用户在次月依然使用app的用户比。计算公式：上月新安装在当月仍然活跃的人数/上月新安装的人数。
行业渗透率增幅：是指所选时间短内，app的活跃用户占该app所属行业活跃用户的比例。计算公式：app的活跃人数/app所属行业的活跃人数；
③ 我们的手机上都有哪些AI技术
1、人脸解锁。通过高效的人脸识别算法，手机可以实现毫秒级人脸解锁。
2、实人支付认证。可以通过扫描人的脸部，分析是否是本人，从而实现金融级的人脸支付认证。
关于AI的行情目前关于AI的划分，大致可以分为三大类型。
AI芯片加持代表：麒麟970我们最熟悉的AI芯片应该是华为海思推出的首款集成NPU的麒麟970处理器，集成AI专用的运算单元NPU，不占用其他硬件资源。在某些AI应用处理中，让更多的CPU、GPU资源腾出来处理其它应用。而骁龙845的AI则是在终端异步运算数据，简单的说就是在现有架构中集成AI算法。
摄像头AI代表：谷歌谷歌主要是主打AI算法和云计算。在谷歌各种穿戴、家庭以及移动设备上可以得到充分的体现。没有专属的AI芯片，而是利用算法和AI图像处理单元完成了动态模糊摄影等摄影能力的补偿。
带AI算法的APP代表：美颜相机在APP里加入一些AI算法相对于前两者来说是既省钱又快捷。通过人脸和人体轮廓、场景识别、自动虚化背景，美颜相机、美图相机就是这样来实现拍照的。最近新发的vivo NEX也开始尝试将人工智能覆盖到第三方APP。
关于AI在手机中的应用手机上关于AI的应用，可以简单分为三类，人机交互、人脸识别、美化拍照。
交互体验目前应用比较广泛的就是语音助手，语音翻译，智能定位等。像Siri，Cortana和小爱等就属于AI的智能语音助手。不过，智能语音只是一种简单的AI运用，所以在人机交互上其实还有很大的发展空间。
人脸识别AI之前，手机的人脸识别是通过相机硬件+系统软算法来实现的。AI加入后，通过数以亿计的计算方法来记住并熟悉人脸特征，还可以详细记录你日常的行为习惯来分析你是不是手机的主人。
美化拍照AI技术的加持，可以直接检测和获取被摄物体的光线、局部细节、色彩等信息，让AI生成网络，再进行深度强化学习，对被摄体进行全面详细地分析，最后生成决策；再针对被摄体的特征进行更深层次的优化，从而获得不一样的效果图，使得人像更加清晰柔和