【技术实现步骤摘要】
应用使用情况预测及监督方法、系统、设备及介质
[0001]本专利技术涉及一种应用使用情况预测及监督方法
、
系统
、
设备及介质,属于用户监督预测领域
。
技术介绍
[0002]伴随着移动互联网的发展和智能终端的普及,运行于手机上的
APP
应用软件更是层出不穷,
APP
则是充满海量的资讯和音视频,不断引导网民点击和访问,这虽然丰富了人们的娱乐性,但同时也改变着人们上网的习惯,因此,有必要对手机用户应用使用情况进行监督预测,并进行提醒
。
[0003]目前很多对
APP
行为进行预测的方法,只是预测用户当下的行为,或是只能在不良手机应用使用行为发生后进行警告,无法有效地避免类似情况发生
。
中国专利技术专利公布号
CN 109522197 A
,公开了“一种用户
APP
行为的预测方法”,根据获取待预测的用户
APP
行为数据,获取用户
APP
行为预测概率
P
,最后预测用户
APP
行为;这只是对
APP
行为进行分析和预测,并不能在不良行为发生前进行监督提醒
。
技术实现思路
[0004]有鉴于此,本专利技术提供了一种应用使用情况预测及监督方法
、
系统
、
计算机设备及存储介质,其通过预测机制获取用户接下来的应用使用时长,并 ...
【技术保护点】
【技术特征摘要】
1.
一种应用使用情况预测及监督方法,其特征在于,所述方法包括:根据用户的应用使用数据和
LSTM
神经网络模型,得到应用使用时长;根据用户设置的监督选项筛选出需要进行监督提醒的应用使用时长,并提前告知用户预计发生的不自律行为
。2.
根据权利要求1所述方法,其特征在于,所述应用使用数据包括应用开始使用时间
、
应用名称以及应用使用的持续时长;所述根据用户的应用使用数据和
LSTM
神经网络模型,得到应用使用时长,包括:对所述应用使用数据中的应用程序进行特征编码,通过构建连续时间表存储记录数据,并进行分类标记,分类标记后的记录数据包括是否超时的
0/1
标签
、
时长
、
应用程序的特征编号
、
对应小时;将所述连续时间表输入
LSTM
神经网络模型进行训练;根据待预测的应用使用数据和训练好的
LSTM
神经网络模型,得到应用使用情况的分类结果;根据所述分类结果相应的时长数据和加权方法,得到应用使用时长,所述分类结果为超时或不超时
。3.
根据权利要求2所述方法,其特征在于,所述通过构建连续时间表存储记录数据,并进行分类标记,包括:将时间上相近且同属一个应用程序的时长记录进行合并;根据时长设置阈值筛选掉低于时长阈值的时长记录;依据筛选后的数据对记录数据进行分类标记;通过构建连续时间表存储分类标记后的记录数据
。4.
根据权利要求2所述方法,其特征在于,所述根据所述分类结果相应的时长数据和加权方法,得到应用使用时长,包括:利用应用程序的特征编号和时间点构成二维矩阵表,表中,每个数值代表着在某个时间点下所使用的应用程序的时长;针...
【专利技术属性】
技术研发人员:卓奕颖,陶乾,姚泽坤,程俊豪,邓嘉晟,
申请(专利权)人:华南理工大学,
类型:发明
国别省市:
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。