1.一种APP智能推荐方法，其特征在于，所述方法包括：

获取用户行为数据集，并将所述用户行为数据集汇编成初始数据集，将所述初始数据集划分为初始指标集和分类集，所述用户行为包括用户登录各种小程序、网页、公众号的操作行为，所述汇编是将所述用户行为数据集按照指标名称统计出一张固定规格的数据集；

将所述初始指标集进行去空格、填充缺失值处理及归一化得到标准指标集；

根据协方差分析法分析所述标准指标集得到特征指标集；

将所述特征指标集和所述分类集输入至预先构建的智能推荐模型中训练得到训练值，判断所述训练值与预设阈值的大小，若所述训练值大于预设阈值，则所述智能推荐模型继续训练，若所述训练值小于预设阈值，则所述智能推荐模型退出训练；

接收用户对APP的需求指令，将所述需求指令输入到所述智能推荐模型中，推荐出符合用户需求的APP；

所述根据协方差分析法分析所述标准指标集得到特征指标集，包括：将所述标准指标集进行矩阵转换后再进行中心化操作得到矩阵指标集；

计算所述矩阵指标集的协方差得到协方差矩阵指标集；

将所述协方差矩阵指标集进行特征分解后，提取指定数量的特征构成所述特征指标集。

2.如权利要求1所述的APP智能推荐方法，其特征在于，所述归一化包括利用下述公式计算归一化后的标准指标集：其中，Xnormal为所述归一化后的指标，X为所述归一化前的指标，Xmax所述初始指标集中数值最大的指标，Xmin为所述初始指标集中数值最小的指标。

3.如权利要求1所述的APP智能推荐方法，其特征在于，所述协方差的计算包括：其中，Xi,Yi表示所述矩阵指标集内不同的指标，cov(Xi,Yi)表示计算不同指标Xi,Yi之间的协方差，n表示所述矩阵指标集的数量， 为样本均值，其中：

4.如权利要求1所述的APP智能推荐方法，其特征在于，所述特征分解包括利用下述公式计算特征分解后的误差：其中，error表示所述特征分解后的误差，m为所述协方差矩阵指标集内不同指标数，Di表示不同APP对应的协方差矩阵，Dapprox为APP对应的协方差矩阵的相似矩阵。

5.一种APP智能推荐装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的APP智能推荐程序，所述APP智能推荐程序被所述处理器执行时实现如下步骤：获取用户行为数据集，并将所述用户行为数据集汇编成初始数据集，将所述初始数据集划分为初始指标集和分类集，所述用户行为包括用户登录各种小程序、网页、公众号的操作行为，所述汇编是将所述用户行为数据集按照指标名称统计出一张固定规格的数据集；

将所述初始指标集进行去空格、填充缺失值处理及归一化得到标准指标集；

根据协方差分析法分析所述标准指标集得到特征指标集；

将所述特征指标集和所述分类集输入至预先构建的智能推荐模型中训练得到训练值，判断所述训练值与预设阈值的大小，若所述训练值大于预设阈值，则所述智能推荐模型继续训练，若所述训练值小于预设阈值，则所述智能推荐模型退出训练；

接收用户对APP的需求指令，将所述需求指令输入到所述智能推荐模型中，推荐出符合用户需求的APP；

所述根据协方差分析法分析所述标准指标集得到特征指标集，包括：将所述标准指标集进行矩阵转换后再进行中心化操作得到矩阵指标集；

计算所述矩阵指标集的协方差得到协方差矩阵指标集；

将所述协方差矩阵指标集进行特征分解后，提取指定数量的特征构成所述特征指标集。

6.如权利要求5所述的APP智能推荐装置，其特征在于，所述归一化包括利用下述公式计算归一化后的标准指标集：其中，Xnormal为所述归一化后的指标，X为所述归一化前的指标，Xmax所述初始指标集中数值最大的指标，Xmin为所述初始指标集中数值最小的指标。

7.如权利要求5中所述的APP智能推荐装置，所述特征分解包括利用下述公式计算特征分解后的误差：其中，error表示所述特征分解后的误差，m为所述协方差矩阵指标集内不同指标数，Di表示不同APP对应的协方差矩阵，Dapprox为APP对应的协方差矩阵的相似矩阵。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有APP智能推荐程序，所述APP智能推荐程序可被一个或者多个处理器执行，以实现如权利要求1至4中任一项所述的APP智能推荐方法的步骤。