CN108536572A - 基于AppUsage2Vec模型的智能手机App使用预测方法 - Google Patents

基于AppUsage2Vec模型的智能手机App使用预测方法 Download PDF

Info

Publication number
CN108536572A
CN108536572A CN201810339210.1A CN201810339210A CN108536572A CN 108536572 A CN108536572 A CN 108536572A CN 201810339210 A CN201810339210 A CN 201810339210A CN 108536572 A CN108536572 A CN 108536572A
Authority
CN
China
Prior art keywords
app
vector
user
hidden
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810339210.1A
Other languages
English (en)
Other versions
CN108536572B (zh
Inventor
赵莎
潘纲
蒋孜文
徐逸志
李石坚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810339210.1A priority Critical patent/CN108536572B/zh
Publication of CN108536572A publication Critical patent/CN108536572A/zh
Application granted granted Critical
Publication of CN108536572B publication Critical patent/CN108536572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于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。

Description

基于AppUsage2Vec模型的智能手机App使用预测方法
技术领域
本发明属于智能推荐技术领域，具体涉及一种基于AppUsage2Vec模型的智能手机App使用预测方法。
背景技术
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，Natarajan et al.在2013年的文献[N.Natarajan,D.Shin,I.S.Dhillon,Whichapp will you use next？:Collaborative filtering with interactional context,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；Xu et al.在2013年的文献[Y.Xu,M.Lin,H.Lu,G.Cardone,N.Lane,Z.Chen,A.Campbell,T.Choudhury,Preference,context andcommunities:A multi-faceted approach to predicting smartphone app usagepatterns,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。
发明内容
鉴于上述，本发明提供了一种基于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，本发明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、用户意图特征、TopK优化方法，提高对App使用情况的预测能力。
附图说明
图1为本发明App使用预测方法的整体流程图。
图2为本发明AppUsage2Vec模型架构示意图。
图3为本发明App-Attention方案架构示意图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示，本发明基于AppUsage2Vec2模型的智能手机App使用预测方法，具体步骤如下：
(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。
其中用户与App通过高维隐向量表征，根据以下公式通过高斯分布初始化隐向量，并通过神经网络反向传播调整。
其中：μ为分布的平均值，设置为0；σ为分布的标准差，设置为0.1。
时间特征通过One-Hot表征，主要为星期和小时特征，H向量为24维，表示一天中的第几个小时，D向量为7维，为一个星期中的第几天。
(2)基于Doc2Vec算法，本发明采用如图2所示的AppUsage2Vec模型进行App使用预测，将Doc2Vec算法中的“文档”、“词语序列”、“预测词”和App使用预测中的“用户”、“近期使用App序列”、“预测App”一一对应，构建预测模型，并在模型的“特征表征层”、“App序列特征层”、“用户意图特征层”、“预测App层”分别使用改进方案。
其中“App序列特征层”使用如图3所示的App-Attention方案来替代Doc2Vec算法中的“做平均”的方案。App-Attention能够学习序列中每个App对接下来预测App的权重，代表App序列中每个App对接下来预测App的重要程度，并将所有App隐向量加权和作为App序列表征。
App-Attention为通过App序列情况学习其中每个App权重的方法，其考虑了App序列、时间、用户特征；首先根据App序列中每个App的表征向量用户表征u、时间特征h，通过神经网络得到每个App的权重值：
并通过Softmax激活函数归一化：
则App序列的整体表征为：
“用户意图特征层”通过App序列表征与用户隐向量相互作用产生，首先通过双塔DNN分别学习App序列表征的深度特征、用户特征深度表征；之后通过对位相乘的方式，学习用户与App序列的强相互关系，表示在各个意图上，用户偏好与App序列的匹配情况。
双塔DNN部分，分别将App序列表征向量用户表征向量vu通过L层神经网络提取深度特征：
通过这种方式能够学习两部分独立特征的深度特征。
对位相乘部分，将App序列、用户两部分的深度特征进行对应位相乘：
通过对应位相乘，将的每一维视为App序列在某个属性上的匹配程度，属性示例为：娱乐、新闻等；将的每一维视为用户对某个属性的重视程度。两者做对应位相乘可以得到在某个属性上的匹配程度。
“预测App层”通过“用户意图特征层”产生的用户意图特征，和预测App表征相互作用产生，并通过以下Softmax激活函数产生预测App概率分布。
(3)设定模型参数窗口大小W、隐向量维度E，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。
使用RmsProp作为梯度下降方法，以tanh作为深度网络激活函数，以减少深度网络梯度消失问题；设置80％的数据作为训练集，20％的数据作为测试集，并在训练集中使用5折交叉验证来调整模型和参数。
对于Top1预测问题和TopK预测问题使用不同的损失函数，在原本Top1的损失函数基础上，增加基于预测结果TopK的损失折扣系数，使得模型不再过拟合于Top1。对Top1优化问题，其优化目标为：
其中：为真实App的概率，只在真实App处为1，其他为0，为预测结果中真实App的概率；对于TopK优化问题，其优化目标为：
其中：p[k]为从高到低排序第K个App的预测概率。即当真实结果在输出结果的TopK中时，认为已经接近TopK目标，则将其损失函数乘以折损系数α。
(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，通过预测层的Softmax激活函数，输出预测App的概率分布，选取概率最高的K个App作为最可能使用的App，称为TopKApps。
以下通过Acc@K衡量效果，表1为本发明方法与其他积累预测方法的效果比较，从中可以看出本发明方法相对现有其他积累预测方法在预测准确率方面有明显的提升。
表1
上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (6)

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、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。
4.根据权利要求3所述的智能手机App使用预测方法，其特征在于：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。
5.根据权利要求4所述的智能手机App使用预测方法，其特征在于：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。
6.根据权利要求4所述的智能手机App使用预测方法，其特征在于：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。
CN201810339210.1A 2018-04-16 2018-04-16 基于AppUsage2Vec模型的智能手机App使用预测方法 Active CN108536572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810339210.1A CN108536572B (zh) 2018-04-16 2018-04-16 基于AppUsage2Vec模型的智能手机App使用预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810339210.1A CN108536572B (zh) 2018-04-16 2018-04-16 基于AppUsage2Vec模型的智能手机App使用预测方法

Publications (2)

Publication Number Publication Date
CN108536572A true CN108536572A (zh) 2018-09-14
CN108536572B CN108536572B (zh) 2020-05-12

Family

ID=63481234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810339210.1A Active CN108536572B (zh) 2018-04-16 2018-04-16 基于AppUsage2Vec模型的智能手机App使用预测方法

Country Status (1)

Country Link
CN (1) CN108536572B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110400013A (zh) * 2019-07-22 2019-11-01 西北工业大学 一种基于多任务学习机制的移动应用消亡预测方法
CN110765352A (zh) * 2019-10-11 2020-02-07 上海上湖信息技术有限公司 一种用户兴趣识别方法及装置
CN111753145A (zh) * 2020-06-10 2020-10-09 西北工业大学 一种基于时序模式的移动应用使用预测方法
CN112329921A (zh) * 2020-11-11 2021-02-05 浙江大学 基于深度表征学习和强化学习的利尿剂剂量推理设备
CN112446727A (zh) * 2019-09-04 2021-03-05 百度在线网络技术（北京）有限公司 广告触发的方法、装置、设备及计算机可读存储介质
CN113742184A (zh) * 2020-06-05 2021-12-03 国家计算机网络与信息安全管理中心 构建用户历史行为表示向量、用户行为异常检测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150161024A1 (en) * 2013-12-06 2015-06-11 Qualcomm Incorporated Methods and Systems of Generating Application-Specific Models for the Targeted Protection of Vital Applications
CN105117440A (zh) * 2015-08-11 2015-12-02 北京奇虎科技有限公司 确定待推荐应用app的方法及装置
CN105893609A (zh) * 2016-04-26 2016-08-24 南通大学 一种基于加权混合的移动app推荐方法
CN107644042A (zh) * 2016-07-22 2018-01-30 平安科技（深圳）有限公司 软件程序点击率预估排序方法及服务器
CN107770365A (zh) * 2017-08-30 2018-03-06 天津大学 一种基于Android的多特征APP流预测及推荐方法
CN107832426A (zh) * 2017-11-13 2018-03-23 上海交通大学 一种基于使用序列上下文的app推荐方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150161024A1 (en) * 2013-12-06 2015-06-11 Qualcomm Incorporated Methods and Systems of Generating Application-Specific Models for the Targeted Protection of Vital Applications
CN105117440A (zh) * 2015-08-11 2015-12-02 北京奇虎科技有限公司 确定待推荐应用app的方法及装置
CN105893609A (zh) * 2016-04-26 2016-08-24 南通大学 一种基于加权混合的移动app推荐方法
CN107644042A (zh) * 2016-07-22 2018-01-30 平安科技（深圳）有限公司 软件程序点击率预估排序方法及服务器
CN107770365A (zh) * 2017-08-30 2018-03-06 天津大学 一种基于Android的多特征APP流预测及推荐方法
CN107832426A (zh) * 2017-11-13 2018-03-23 上海交通大学 一种基于使用序列上下文的app推荐方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JINGLING ZHAO: "Predict what app to use next time only consider time and latest used app context", 《PROCEEDINGS OF THE 2018 2ND INTERNATIONAL CONFERENCE ON MANAGEMENT ENGINEERING, SOFTWARE ENGINEERING AND SERVICE SCIENCES》 *
NAGARAJAN NATARAJAN: "Which app will you use next?: collaborative filtering with interactional context", 《PROCEEDINGS OF THE 7TH ACM CONFERENCE ON RECOMMENDER SYSTEMS》 *
QIANG MA: "App2Vec: Vector modeling of mobile apps and applications", 《2016 IEEE/ACM INTERNATIONAL CONFERENCE ON ADVANCES IN SOCIAL NETWORKS ANALYSIS AND MINING (ASONAM)》 *
SHA ZHAO: "WHO ARE THE SMARTPHONE USERS?: Identifying user groups with apps usage behaviors", 《GETMOBILE: MOBILE COMPUTING AND COMMUNICATIONS》 *
XUN ZOU: "Prophet: what app you wish to use next", 《PROCEEDINGS OF THE 2013 ACM CONFERENCE ON PERVASIVE AND UBIQUITOUS COMPUTING ADJUNCT PUBLICATION》 *
YE XU: "Preference, context and communities: a multi-faceted approach to predicting smartphone app usage patterns", 《PROCEEDINGS OF THE 2013 INTERNATIONAL SYMPOSIUM ON WEARABLE COMPUTERS》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110400013A (zh) * 2019-07-22 2019-11-01 西北工业大学 一种基于多任务学习机制的移动应用消亡预测方法
CN112446727A (zh) * 2019-09-04 2021-03-05 百度在线网络技术（北京）有限公司 广告触发的方法、装置、设备及计算机可读存储介质
CN112446727B (zh) * 2019-09-04 2023-09-12 百度在线网络技术（北京）有限公司 广告触发的方法、装置、设备及计算机可读存储介质
CN110765352A (zh) * 2019-10-11 2020-02-07 上海上湖信息技术有限公司 一种用户兴趣识别方法及装置
CN110765352B (zh) * 2019-10-11 2022-11-11 上海上湖信息技术有限公司 一种用户兴趣识别方法及装置
CN113742184A (zh) * 2020-06-05 2021-12-03 国家计算机网络与信息安全管理中心 构建用户历史行为表示向量、用户行为异常检测方法及装置
CN113742184B (zh) * 2020-06-05 2024-03-26 国家计算机网络与信息安全管理中心 构建用户历史行为表示向量、用户行为异常检测方法及装置
CN111753145A (zh) * 2020-06-10 2020-10-09 西北工业大学 一种基于时序模式的移动应用使用预测方法
CN112329921A (zh) * 2020-11-11 2021-02-05 浙江大学 基于深度表征学习和强化学习的利尿剂剂量推理设备
CN112329921B (zh) * 2020-11-11 2023-11-14 浙江大学 基于深度表征学习和强化学习的利尿剂剂量推理设备

Also Published As

Publication number Publication date
CN108536572B (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN108536572A (zh) 基于AppUsage2Vec模型的智能手机App使用预测方法
Shao et al. Traffic flow prediction with long short-term memory networks (LSTMs)
Yu et al. Comparison of random forests and support vector machine for real-time radar-derived rainfall forecasting
CN111784348B (zh) 账户风险识别方法及装置
Vlahogianni et al. Spatio‐temporal short‐term urban traffic volume forecasting using genetically optimized modular networks
CN108205889A (zh) 基于卷积神经网络的高速公路交通流预测方法
CN111414461A (zh) 一种融合知识库与用户建模的智能问答方法及系统
CN112087442B (zh) 基于注意力机制的时序相关网络入侵检测方法
CN107766852A (zh) 一种基于卷积神经网络的人机鼠标轨迹检测方法
CN112800234A (zh) 信息处理方法、装置、电子设备和存储介质
CN113283902B (zh) 一种基于图神经网络的多通道区块链钓鱼节点检测方法
CN108062538A (zh) 人脸识别方法及装置
CN110991694A (zh) 一种基于深度学习的量刑预测方法
Tsai et al. Decision tree–based classifier combined with neural-based predictor for water-stage forecasts in a river basin during typhoons: a case study in taiwan
CN113609394B (zh) 面向信息流的安全推荐系统
CN110110915A (zh) 一种基于cnn-svr模型的负荷集成预测方法
CN112766603A (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN105404865A (zh) 基于概率态受限玻尔兹曼机级联的人脸检测方法
CN103093247A (zh) 一种植物图片的自动分类方法
CN115348182A (zh) 一种基于深度堆栈自编码器的长期频谱预测方法
Hui et al. FoolChecker: A platform to evaluate the robustness of images against adversarial attacks
CN111984842B (zh) 银行客户数据处理方法及装置
CN117636183A (zh) 一种基于自监督预训练的小样本遥感图像分类方法
CN113011657A (zh) 进行台风水位预测的方法、装置、电子设备及存储介质
Mei Internet Abnormal Traffic Detection Based on WOA-BiLSTM-Attention

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant