应用程序预测模型的建立方法、装置、存储介质及终端制造方法及图纸

本发明专利技术实施例公开了一种应用程序预测模型的建立方法、装置、存储介质及终端。所述方法包括：获取第一预设时间段内至少两个用户的应用程序使用序列；根据所述应用程序使用序列生成用户长期兴趣向量和用户动态兴趣向量；根据所述用户长期兴趣向量和所述用户动态兴趣向量，对预设机器学习模型进行训练，生成应用程序预测模型。通过采用上述技术方案，优化了现有的应用程序预加载机制，通过能够真实反映用户行为的应用程序使用序列构建用户长期兴趣向量和用户动态兴趣向量，实现了应用程序使用序列与应用程序预测模型间的计算的解耦，提高了基于应用程序预测模型对预加载应用程序预测时的泛化力，同时有效的提高了对待启动应用程序预测的准确性。

Establishment method, device, storage medium and terminal of application program prediction model

【技术实现步骤摘要】
应用程序预测模型的建立方法、装置、存储介质及终端
本专利技术实施例涉及数据处理
，尤其涉及应用程序预测模型的建立方法、装置、存储介质及终端。
技术介绍
随着智能终端的大规模普及，市场上APP(Application，应用程序)的数量呈现爆炸式增长，用户对APP的需求和依赖也大大增加。为了使APP运行的更加流畅，通常终端会提前将某些APP的加载资源准备好，即对某些APP提前进行预加载。但是，不能对APP进行随意预加载，因为不同的用户使用APP的习惯不同，将要打开的APP也不尽相同，因此，准确地确定出用户将要打开的目标APP并对此进行预加载变得至关重要。
技术实现思路
本专利技术实施例提供一种应用程序预测模型的建立方法、装置、存储介质及终端，以实现应用程序使用序列与应用程序预测模型间的计算的解耦，提高基于应用程序预测模型对预加载应用程序预测时的泛化力。第一方面，本专利技术实施例提供了一种应用程序预测模型的建立方法，该方法包括：获取第一预设时间段内至少两个用户的应用程序使用序列；根据所述应用程序使用序列生成用户长期兴趣向量和用户动态兴趣向量；根据所述用户长期兴趣向量和所述用户动态兴趣向量，对预设机器学习模型进行训练，生成应用程序预测模型。第二方面，本专利技术实施例还提供了一种应用程序预测模型的建立装置，该装置包括：应用程序使用序列获取模块，用于获取第一预设时间段内至少两个用户的应用程序使用序列；兴趣向量生成模块，用于根据所述应用程序使用序列生成用户长期兴趣向量和用户动态兴趣向量；应用程序预测模型生成模块，用于根据所述用户长期兴趣向量和所述用户动态兴趣向量，对预设机器学习模型进行训练，生成应用程序预测模型。第三方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术实施例提供的应用程序预测模型的建立方法。第四方面，本专利技术实施例提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本专利技术实施例提供的应用程序预测模型的建立方法。本专利技术实施例中提供的应用程序预测模型的建立方案，获取第一预设时间段内至少两个用户的应用程序使用序列，并根据所述应用程序使用序列生成用户长期兴趣向量和用户动态兴趣向量，然后根据所述用户长期兴趣向量和所述用户动态兴趣向量，对预设机器学习模型进行训练，生成应用程序预测模型。通过采用上述技术手段，优化了现有的应用程序预加载机制，通过能够真实反映用户行为的应用程序使用序列构建用户长期兴趣向量和用户动态兴趣向量，实现了应用程序使用序列与应用程序预测模型间的计算的解耦，提高了基于应用程序预测模型对预加载应用程序预测时的泛化力，同时有效的提高了对待启动应用程序预测的准确性。附图说明图1为本专利技术实施例提供的一种应用程序预测模型的建立方法的流程示意图；图2为本专利技术实施例提供的用户长期兴趣向量构建的流程示意图；图3为本专利技术实施例提供的构建用户动态兴趣向量的模型的结构图；图4为本专利技术实施例提供的应用程序预测模型结构示意图；图5为本专利技术实施例提供的另一种应用程序预测模型的建立方法的流程示意图；图6为本专利技术实施例提供的另一种应用程序预测模型的建立方法的流程示意图；图7为本专利技术实施例提供的另一种应用程序预测模型的建立方法的流程示意图；图8为本专利技术实施例提供的应用程序预测系统架构图；图9为本专利技术实施例提供的一种应用程序预测模型的建立装置的结构框图；图10为本专利技术实施例提供的一种终端的结构框图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。相关技术中，各大运营商积累了大量的用户话单，其中包含了用户使用APP的数据，它能够直观地反映用户的兴趣爱好或用户使用APP的习惯。因此，可对用户的兴趣，以及用户使用APP的历史行为数据进行学习建模，以有效挖掘用户使用APP的行为习惯并进行预测，从而可以高效地进行APP推荐或是广告精准投放。另一方面，用户使用APP的预测还可以帮助运营商提前进行流量调度，也可以帮助终端操作系统为用户接下来可能使用的APP进行预加载并清理无用内存数据，使用户的操作过程更加流程，有效提升用户体验。目前对待启动的应用程序进行预测的方法主要包括以下三类：(1)基于序列模式的预测方法；该方法通过字典树trietree保存用户的历史APP使用序列数据，在预测时使用用户当前行为模式与历史数据进行匹配，从而进行用户使用APP的预测。(2)基于传统机器学习的方法；该方法将用户使用APP的上文语境，时间等作为特征，使用贝叶斯网络进行训练与预测。(3)基于AppUsage2Vec模型的方法；该方法通过随机初始化用户向量矩阵和APP向量矩阵，将其作为模型参数进行学习，得到用户向量和APP向量并结合时间特征，通过AppUsage2Vec模型进行训练与预测。然而，现有方案大多数是通过将当前用户的行为模式与存储的用户以往的行为模式进行比较，或是采用马尔科夫链等方式对单个用户的行为模式进行建模，从而预测当前用户将要使用APP的情况，这类方法主要缺点是泛化能力不足，尤其是当出现未知用户或未知用户的行为序列时，系统很难进行有效预测。例如，基于AppUsage2Vec模型的方法中，由于用户向量完全由模型自动学习而得，当使用中出现训练集未出现的用户时，缺少一种可以人为构建用户向量的方法，无法有效解决新用户的冷启动问题。同时，存储大量的用户历史数据用于线上预测，或是对单个用户学习模型会导致算法复杂度随时间、用户量的增加而快速增长。图1为本专利技术实施例提供的一种应用程序预测模型的建立方法的流程示意图，该方法可以由应用程序预测模型的建立装置执行，其中该装置可由软件和/或硬件实现，一般可集成在终端设备中。如图1所示，该方法包括：步骤101、获取第一预设时间段内至少两个用户的应用程序使用序列。示例性的，终端可以包括但不限于智能手机、平板电脑、笔记本电脑、掌上电脑等终端设备。其中，该终端的操作系统可以包括但不限于Android操作系统、IOS操作系统、WindowsPhone8操作系统等。在本专利技术实施例中，第一预设时间段内用户的应用程序使用序列是指在第一预设时间段内，用户使用终端中的应用程序的使用时序关联记录。示例性的，获取一个月内至少两个用户的应用程序使用序列。需要说明的是，本专利技术实施例对第一预设时间段的长短不做限定，当需要提高应用程序预测模型建立的准确度时，可获取大量的应用程序使用序列，此时，可将第一预设时间段设置长些；当需要提高应用程序预测模型建立的速度时，可获取少量的应用程序使用序列，此时，可将第一预设时间段设置短些。可选的，获取第一预设时间段内至少两个用户的应用程序使用本文档来自技高网...

【技术保护点】
1.一种应用程序预测模型的建立方法，其特征在于，包括：/n获取第一预设时间段内至少两个用户的应用程序使用序列；/n根据所述应用程序使用序列生成用户长期兴趣向量和用户动态兴趣向量；/n根据所述用户长期兴趣向量和所述用户动态兴趣向量，对预设机器学习模型进行训练，生成应用程序预测模型。/n

【技术特征摘要】
1.一种应用程序预测模型的建立方法，其特征在于，包括：
获取第一预设时间段内至少两个用户的应用程序使用序列；
根据所述应用程序使用序列生成用户长期兴趣向量和用户动态兴趣向量；
根据所述用户长期兴趣向量和所述用户动态兴趣向量，对预设机器学习模型进行训练，生成应用程序预测模型。


2.根据权利要求1所述的方法，其特征在于，获取第一预设时间段内至少两个用户的应用程序使用序列，包括：
采集第一预设时间段内的用户应用程序使用日志；其中，所述用户应用程序使用日志包括用户的ID信息和应用程序的开始使用时间；
根据所述用户的ID信息对所述用户应用程序使用日志进行分组，生成至少两组应用程序使用日志；
根据所述应用程序的开始使用时间对各组应用程序使用日志中的应用程序进行排序，生成应用程序使用序列。


3.根据权利要求1所述的方法，其特征在于，根据所述应用程序使用序列生成用户长期兴趣向量，包括：
根据所述应用程序使用序列和预先设定的第一词向量构建算法计算第一应用程序特征矩阵，其中，所述第一应用程序特征矩阵中的各个行向量分别为所述应用程序使用序列中涉及的各个应用程序的第一特征向量；
获取所述第一预设时间段内每个用户对各个应用程序的使用时长；
根据所述第一应用程序特征矩阵和所述各个应用程序的使用时长构建用户长期兴趣向量。


4.根据权利要求3所述的方法，其特征在于，根据应用程序使用序列和预先设定的第一词向量构建算法计算第一应用程序特征矩阵，包括：
针对每个应用程序使用序列，将应用程序使用序列中时间间隔大于第一预设时间阈值的相邻两个应用程序切分开，生成与所述应用程序使用序列对应的应用程序使用子序列；
根据所述应用程序使用子序列和预先设定的第一词向量构建算法计算第一应用程序特征矩阵。


5.根据权利要求3所述的方法，其特征在于，根据所述第一应用程序特征矩阵和所述各个应用程序的使用时长构建用户长期兴趣向量，包括：
根据所述第一预设时间段内每个用户对各个应用程序的使用时长构建用户兴趣矩阵；其中，所述用户兴趣矩阵的各个行向量的元素分别为每个用户对各个应用程序的使用时长；
对所述用户兴趣矩阵进行归一化处理生成用户归一化兴趣矩阵；
将所述用户归一化兴趣矩阵与所述第一应用程序特征矩阵相乘，生成用户长期兴趣矩阵；其中，所述用户长期兴趣矩阵中的各个行向量分别为各个用户对应的用户长期兴趣向量。


6.根据权利要求1所述的方法，其特征在于，根据所述应用程序使用序列生成用户动态兴趣向量，包括：
将所述应用程序使用序列按照预设规则构造应用程序训练序列；
根据所述应用程序训练序列和预先设定的第二词向量构建算法计算第二应用程序特征矩阵，其中，所述第二应用程序特征矩阵中的各个行向量分别为所述应用程序训练序列中涉及的各个应用程序的第二特征向量；
获取用户使用每个应用程序的流量特征和用户使用每个应用程序的持续时长；其中，所述流量特征包括应用程序请求服务器时产生的流量大小和应用程序与服务器的交互次数；
根据所述流量特征、持续时长和所述应用程序的第二特征向量生成用户动态兴趣向量。


7.根据权利要求6所述的方法，其特征在于，将所述应用程序使用序列按照预设规则构造应用程序训练序列，包括：
针对每个应用程序使用序列，正序遍历应用程序使用序列中的每个应用程序，若当前应用程序之前存在应用程序子序列，则通过如下步骤构造应用程序训练序列：
第一步、当所述应用程序子序列中的第一个应用程序和最后一个应用程序间的时间跨度大于预设时间间隔时，在所述应用程序子序列中截取首末应用程序间的时间跨度在所述预设时间间隔内的最长的第一目标子序列，并用所述第一目标子序列更新所述应用程序子序列；其中，所述第一目标子序列的最后一个应用程序与所述应用程序子序列中的最后一个应用程序相同；
第二步、当更新后的应用程序子序列的序列长度大于预设阈值时，在所述更新后的应用程序子序列中截取所述预设阈值长度的第二目标子序列；其中，所述第二目标子序列的最...

【专利技术属性】
技术研发人员：于鼎，崔渊博，金红，刘长永，杨满智，陈晓光，
申请(专利权)人：恒安嘉新北京科技股份公司，
类型：发明
国别省市：北京;11