基于AppUsage2Vec模型的智能手机App使用预测方法技术

本发明专利技术公开了一种基于AppUsage2Vec模型的智能手机App使用预测方法，包括：(1)对于智能手机App使用行为，收集用户、近期使用的App、时间，构建相应的特征，用于预测用户接下来会使用的App；(2)提出AppUsage2Vec预测模型解决App使用预测问题；(3)通过大量用户的真实App使用行为记录，反向传播训练网络参数，得到适用于大量用户的网络模型；(4)对于真实预测问题，通过用户、近期使用App、时间，构建特征输入模型，输出预测App的概率分布。本发明专利技术方法利用大数据量、App序列特征、用户意图特征、TopK优化方法，提高对App使用情况的预测能力。

Prediction method of smart phone App usage based on AppUsage2Vec model

The invention discloses an App usage prediction method for Smartphone based on AppUsage 2Vec model, which includes: (1) collecting users, recent use of Apps, time, and constructing corresponding features for predicting the next use of Apps by users for Smartphone App usage behavior; (2) proposing AppUsage 2Vec prediction model to solve the problem of App usage. Prediction problem; (3) A network model suitable for a large number of users is obtained by training network parameters through a large number of users'real App usage behavior records and back propagation; (4) For real prediction problem, a feature input model is constructed by users, recent use of App and time, and the probability distribution of predicted App is output. The method utilizes large amount of data, App sequence features, user intention features and TopK optimization method to improve the prediction ability of App usage.

【技术实现步骤摘要】
基于AppUsage2Vec模型的智能手机App使用预测方法
本专利技术属于智能推荐
，具体涉及一种基于AppUsage2Vec模型的智能手机App使用预测方法。
技术介绍
随着硬件技术的高速发展，智能手机App作为能力强、扩展性强的智能手机功能发生了爆炸式的增长，用户对App的使用模式成为了研究重点，App使用预测成为一个新的问题；但是，目前基本没有预测App使用情况的系统性方法。App使用预测有很大的意义；首先，App使用预测能够为手机操作系统设计提供方案；最近几年智能手机的内存越来越大，人们不再习惯于通过手动清理App来提高手机运行速度，但是这同样对操作系统设计提供了很大的挑战；能否及时的将近期不会使用的App从内存中删除、并预加载可能会使用的App是提升用户体验的关键。另外，App使用预测问题能够根据用户行为进行App使用推荐；目前的App推荐系统更多是通过用户对App的下载安装情况，学习每个用户对每个App的兴趣程度，或者通过App语义相关性为用户推荐相似的App，而没有通过App使用行为推荐更加符合用户习惯与意图的App的推荐。事实上，通过学习更加适合用户协同使用的App并进行相应的推荐，能够帮助用户更好的利用App。在App使用预测问题上，目前大部分工作都是通过马尔科夫模型、贝叶斯模型完成。比如，Natarajanetal.在2013年的文献[N.Natarajan,D.Shin,I.S.Dhillon,Whichappwillyouusenext？:Collaborativefilteringwithinteractionalcontext,in:RecSys,2013,pp.201-208]中提出使用17062个用户的App使用行为数据，对App序列特征使用马尔科夫链进行了App使用情况预测；Xuetal.在2013年的文献[Y.Xu,M.Lin,H.Lu,G.Cardone,N.Lane,Z.Chen,A.Campbell,T.Choudhury,Preference,contextandcommunities:Amulti-facetedapproachtopredictingsmartphoneappusagepatterns,in:ISWC,2013,pp.69-76]中提出通过收集的4606个用户的手机的上下文信息、时间空间、手机状态信息，基于贝叶斯优化算法构建数学框架，构建App相似度模型，预测接下来用户的App使用情况。这两种方法都是为每一个用户构建一个App使用模型，然而在如今大数据的环境下，能够获得越来越多的数据，但是这两种方法普遍为每个用户学习一个模型，无法通过大数据量提升预测正确率。
技术实现思路
鉴于上述，本专利技术提供了一种基于AppUsage2Vec模型的智能手机App使用预测方法，提出了AppUsage2Vec模型，通过大量用户的App使用记录，训练AppUsage2Vec模型，提高对App使用情况的预测能力。一种基于AppUsage2Vec模型的智能手机App使用预测方法，包括如下步骤：(1)收集大量用户的App使用行为记录，所述App使用行为记录包括了用户ID、用户近期的APP使用列表以及列表中各APP的具体使用时间；(2)随机初始化关于用户的隐向量矩阵H以及关于APP的隐向量矩阵L，隐向量矩阵H的大小为n×p，隐向量矩阵L的大小为m×p，n为用户数量，m为APP数量，p为自定义的隐向量维度；(3)根据App使用行为记录从隐向量矩阵H和L中进行特征提取，构建出大量关于App使用行为的特征样本；(4)构建AppUsage2Vec模型，其包括了输入层、App序列特征层、用户意图特征层以及输出层；(5)利用特征样本对AppUsage2Vec模型进行训练，得到用于App使用预测的预测模型，进而利用该预测模型对用户下一次可能会使用的App进行Top-1或Top-K预测。进一步地，所述步骤(3)中的特征样本包括一条用户隐向量、k条APP隐向量、一条日向量、一条小时向量以及一条真值向量；特征样本的具体构建方法为：对于任一App使用行为记录，从该记录的APP使用列表中任取一个APP作为真值，根据该记录的用户ID从隐向量矩阵H中提取对应该用户ID的一条横向量作为用户隐向量，从隐向量矩阵L中提取对应该真值APP的一条横向量作为真值向量；根据该真值APP的具体使用时间确定日向量和小时向量，其中日向量的维度为7，即具体使用时间在一周内的某一天，则日向量中对应该天的元素值为1，其他元素值为0；小时向量的维度为24，即具体使用时间在一天内的某一小时，则小时向量中对应该小时的元素值为1，其他元素值为0；然后从该记录的APP使用列表中确定真值APP之前所使用的k个APP，进而从隐向量矩阵L中提取对应这k个APP的横向量作为APP隐向量；依此可构建出大量关于App使用行为的特征样本，k为窗口大小且为大于1的自然数。进一步地，所述步骤(4)中AppUsage2Vec模型的具体结构如下：所述输入层将特征样本中的用户隐向量、APP隐向量、日向量以及小时向量共同作为输入；所述App序列特征层使特征样本中的k条APP隐向量经Attention机制得到对应的k个权重值，进而使这k条APP隐向量及其权重值加权求和后得到App序列特征向量；所述用户意图特征层将用户隐向量和App序列特征向量分别经DNN(深度神经网络)后得到的结果再进行哈达玛积运算得到用户意图向量；所述输出层将用户意图向量与日向量和小时向量进行拼接，并将拼接后的向量乘以一关联矩阵得到APP权重向量，进而使该APP权重向量经Softmax激活函数运算后得到APP概率分布向量即为预测结果，所述关联矩阵属于模型参数，其大小为m×p。进一步地，所述步骤(5)中利用特征样本对AppUsage2Vec模型进行训练，即将特征样本中的用户隐向量、APP隐向量、日向量以及小时向量作为模型的输入，经过模型各层之间的计算处理由输出层输出相应的预测结果，计算所有特征样本对应的预测结果与真值向量之间的损失函数，根据损失函数通过反向传播调整模型参数，依此反复训练调整直至损失函数最小，则确立得到最终的预测模型。进一步地，所述步骤(5)中利用预测模型进行预测时，根据用户最近的App使用行为记录通过步骤(3)进行特征提取，得到对应的特征样本并将其输入至预测模型中，输出得到的APP概率分布向量中的元素值越大即表示该元素值所对应的APP最有可能被用户在下一次使用。进一步地，所述步骤(5)中若利用预测模型对用户下一次可能会使用的App进行Top-1预测，则训练模型时采用以下损失函数：若利用预测模型对用户下一次可能会使用的App进行Top-K预测，则训练模型时采用以下损失函数：其中：pr为第r个特征样本中的真值向量，为第r个特征样本对应的预测结果，D为特征样本总数量；α为折损系数，当真值向量中元素值为1对应的APP在预测结果中对应的元素值大于预测结果降序排列后其中的第K个元素值，则α＝αres，否则α＝1；αres为设定在0～1之间的实数，K为大于1的自然数。基于上述技术方案，本专利技术利用大数据量学习大量用户通用的App使用模型，利用大数据量、App序列特征、用户意图特本文档来自技高网...

【技术保护点】
1.一种基于AppUsage2Vec模型的智能手机App使用预测方法，包括如下步骤：(1)收集大量用户的App使用行为记录，所述App使用行为记录包括了用户ID、用户近期的APP使用列表以及列表中各APP的具体使用时间；(2)随机初始化关于用户的隐向量矩阵H以及关于APP的隐向量矩阵L，隐向量矩阵H的大小为n×p，隐向量矩阵L的大小为m×p，n为用户数量，m为APP数量，p为自定义的隐向量维度；(3)根据App使用行为记录从隐向量矩阵H和L中进行特征提取，构建出大量关于App使用行为的特征样本；(4)构建AppUsage2Vec模型，其包括了输入层、App序列特征层、用户意图特征层以及输出层；(5)利用特征样本对AppUsage2Vec模型进行训练，得到用于App使用预测的预测模型，进而利用该预测模型对用户下一次可能会使用的App进行Top‑1或Top‑K预测。

【技术特征摘要】
1.一种基于AppUsage2Vec模型的智能手机App使用预测方法，包括如下步骤：(1)收集大量用户的App使用行为记录，所述App使用行为记录包括了用户ID、用户近期的APP使用列表以及列表中各APP的具体使用时间；(2)随机初始化关于用户的隐向量矩阵H以及关于APP的隐向量矩阵L，隐向量矩阵H的大小为n×p，隐向量矩阵L的大小为m×p，n为用户数量，m为APP数量，p为自定义的隐向量维度；(3)根据App使用行为记录从隐向量矩阵H和L中进行特征提取，构建出大量关于App使用行为的特征样本；(4)构建AppUsage2Vec模型，其包括了输入层、App序列特征层、用户意图特征层以及输出层；(5)利用特征样本对AppUsage2Vec模型进行训练，得到用于App使用预测的预测模型，进而利用该预测模型对用户下一次可能会使用的App进行Top-1或Top-K预测。2.根据权利要求1所述的智能手机App使用预测方法，其特征在于：所述步骤(3)中的特征样本包括一条用户隐向量、k条APP隐向量、一条日向量、一条小时向量以及一条真值向量；特征样本的具体构建方法为：对于任一App使用行为记录，从该记录的APP使用列表中任取一个APP作为真值，根据该记录的用户ID从隐向量矩阵H中提取对应该用户ID的一条横向量作为用户隐向量，从隐向量矩阵L中提取对应该真值APP的一条横向量作为真值向量；根据该真值APP的具体使用时间确定日向量和小时向量，其中日向量的维度为7，即具体使用时间在一周内的某一天，则日向量中对应该天的元素值为1，其他元素值为0；小时向量的维度为24，即具体使用时间在一天内的某一小时，则小时向量中对应该小时的元素值为1，其他元素值为0；然后从该记录的APP使用列表中确定真值APP之前所使用的k个APP，进而从隐向量矩阵L中提取对应这k个APP的横向量作为APP隐向量；依此可构建出大量关于App使用行为的特征样本，k为窗口大小且为大于1的自然数。3.根据权利要求2所述的智能手机App使用预测方法，其特征在于：所述步骤(4)中AppUsage2Vec模型的具体结构如下：所述输入层将特征样本中的用户隐向量、A...

【专利技术属性】
技术研发人员：赵莎，潘纲，蒋孜文，徐逸志，李石坚，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33