当前用户主要通过各种移动应用市场下载自己所需的移动应用App。一方面，对于单个移动应用市场来说，为了扩大自己的影响力和下载量，如何向用户推荐他们可能感兴趣的移动应用App以吸引和留住用户是一个迫切需要解决的问题。另一方面，对个体用户来说，面对诸多移动应用市场上成千上万的移动应用App，如何选择让自己满意的移动应用App是他们面临的一个主要问题。　　本文提出了两种基于隐式反馈数据的App推荐方法，分别是基于异构网络元路径的App推荐方法及基于经验分布和KL散度的协同过滤App推荐方法RQE-EDKL(Recommendation Quality Evaluation based on Empirical Distribution and KL Divergence,RQE-EDKL)。前者构建了基于异构网络的移动用户App使用模型，并在此基础之上提出了基于异构网络元路径的移动应用App推荐方法，以帮助用户找到感兴趣的App。后者首先利用历史用户-商品数据生成不同商品数量下的商品历史使用概率分布。然后利用该分布与各个协同过滤推荐方法得到的用户商品使用概率进行比较，计算其KL散度。最后，将KL散度最小的推荐结果视为最佳推荐结果并推送给用户。在TalkingData数据集上针对隐式反馈数据的实验结果表明，基于异构网络元路径的App推荐方法无论在MAP指标还是在MRR指标上相比现有基准推荐方法都有了显著提升。基于经验分布和KL散度的协同过滤App推荐方法RQE-EDKL不仅在MAP和MRR指标上表现良好，在App推荐的新颖性指标NOV值以及多样性指标ILD值上相比于基准方法效果亦有提升。