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?:Collaborativefilteringwithinteractionalcont ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。