1.一种软件程序点击率预估排序方法，其特征在于，该方法包括：获取带有用户基本信息数据的软件推荐请求；

将该用户基本数据转换成0、1二值变量；

将转成的二值变量作为模型的特征维度代入预先生成的分析模型中，以分析出该用户对各软件的倾向分值，并基于各软件对应的倾向分值，按照预设的分析规则确定出待推荐的软件，向该用户发送推荐确定出的软件的消息。

2.如权利要求1所述的方法，其特征在于，所述用户基本信息数据包括用户的性别、年龄、职业、是否拥有某产品。

3.如权利要求1所述的方法，其特征在于，所述将该用户基本数据转换成0、1二值变量的方法包括：基本数据中属于离散变量的采用哑变量转换方式，属于连续变量的采用分箱转换方式，以及属于缺失值的采用-1替换。

4.如权利要求1所述的方法，其特征在于，所述预设的分析规则包括：按照各软件对应的倾向分值的预设大小顺序，按顺序为各软件进行排序，确定出倾向分值大于预设值的软件作为待推荐的软件；或者按照各软件对应的倾向分值的预设大小顺序，按顺序为各软件进行排序，若所述预设大小顺序为从大到小顺序，则确定出排序在前的预设数量的软件作为待推荐的软件，若所述预设大小顺序为从小到大顺序，则确定出排序在后的预设数量的软件作为待推荐的软件。

5.如权利要求1所述的方法，其特征在于，所述分析模型的建立包括：将预设数量用户的基本信息数据和点击各个软件的频数作为样本数据，其中，各个用户的基本信息数据作为自变量，将各个用户点击各个软件的频数作为目标变量；

取出第一预设比例的用户的样本数据作为训练集，并将剩余的用户的样本数据作为测试集；

将训练集中的各个用户的所有基本数据转成0、1二值变量，并将训练集中的各个用户的目标变量转成0、1二值变量；

计算训练集中的各个用户各特征维度与各软件的相关系数，并通过训练集中的各个用户对各软件的点击率排序训练各相关系数的权重，进而构建出基于计算出的各特征维度与各软件的相关系数及对应的权重的分析模型。

6.一种适用于权利要求1至5任一项所述方法的服务器，其特征在于，该服务器包括存储设备以及处理器，其中：所述存储设备，用于存储一个软件程序点击率预估排序系统；

所述处理器，用于调用并执行所述软件程序点击率预估排序系统，以执行如下步骤：获取带有用户基本信息数据的软件推荐请求；

将该用户基本数据转换成0、1二值变量；

将转成的二值变量作为模型的特征维度代入预先生成的分析模型中，以分析出该用户对各软件的倾向分值，并基于各软件对应的倾向分值，按照预设的分析规则确定出待推荐的软件，向该用户发送推荐确定出的软件的消息。

7.如权利要求6所述的服务器，其特征在于，其中，所述用户基本信息数据包括用户的性别、年龄、职业、是否拥有某产品。

8.如权利要求6所述的服务器，其特征在于，所述将该用户基本数据转换成0、1二值变量的方法包括：基本数据中属于离散变量的采用哑变量转换方式，属于连续变量的采用分箱转换方式，以及属于缺失值的采用-1替换。

9.如权利要求6所述的服务器，其特征在于，所述预设的分析规则包括：按照各软件对应的倾向分值的预设大小顺序，按顺序为各软件进行排序，确定出倾向分值大于预设值的软件作为待推荐的软件；或者按照各软件对应的倾向分值的预设大小顺序，按顺序为各软件进行排序，若所述预设大小顺序为从大到小顺序，则确定出排序在前的预设数量的软件作为待推荐的软件，若所述预设大小顺序为从小到大顺序，则确定出排序在后的预设数量的软件作为待推荐的软件。

10.如权利要求6所述的服务器，其特征在于，

所述分析模型的建立包括：

将预设数量用户的基本信息数据和点击各个软件的频数作为样本数据，其中，各个用户的基本信息数据作为自变量，将各个用户点击各个软件的频数作为目标变量；

取出第一预设比例的用户的样本数据作为训练集，并将剩余的用户的样本数据作为测试集；

将训练集中的各个用户的所有基本数据转成0、1二值变量，并将训练集中的各个用户的目标变量转成0、1二值变量；

计算训练集中的各个用户各特征维度与各软件的相关系数，并通过训练集中的各个用户对各软件的点击率排序训练各相关系数的权重，进而构建出基于计算出的各特征维度与各软件的相关系数及对应的权重的分析模型。