[发明专利]基于Entity Embedding和TCN模型的移动应用使用行为预测方法

说明书

本发明公开了基于Entity Embedding和TCN模型的移动应用使用行为预测方法，包括：获取用户的移动应用使用信息原始数据集；对移动应用使用信息原始数据集进行预处理；基于神经网络的Embedding层对分类型数据进行Entity Embedding，构建特征数据；以特征数据作为输入，构建TCN网络预测模型；通过训练和验证得到最佳TCN网络预测模型，对即将使用的移动应用进行预测。本发明综合考虑了App使用序列和上下文环境对App使用的影响，将Entity Embedding特征提取方法和TCN神经网络应用于移动应用使用行为预测，避免了传统机器学习模型繁琐的特征处理过程，而且使用Entity Embedding的方法提取特征数据，能够通过自定义输入到TCN模型的特征数据维度来提高TCN模型的预测能力。

技术领域

本发明涉及移动应用使用行为预测技术，特别涉及基于Entity Embedding和TCN模型的移动应用使用行为预测方法。

背景技术

在互联网应用以及移动终端高度发达的今天，各式各样的移动应用(App)为我们的出行、购物、娱乐等带来了极大地便利。随着用户在移动终端上安装越来越多功能复杂的应用，不仅增加了用户寻找移动应用的时间和难度，而且未及时关闭的后台应用程序也会占用智能手机一定的资源，可能导致手机运行不畅，极大地影响了用户的使用体验和满意度。

如果能够通过数据挖掘技术对用户使用App的行为进行预测，即准确的预测用户在接下来的一段时间里即将使用的App，不仅可以提前加载对应的App，也可以结束不会使用的App。一方面，可以预先加载用户使用的App和相应的数据，加快了用户打开App的时间，提高了用户的使用体验。另一方面，能够及时释放部分后台移动应用占用的资源，提高智能手机的资源利用率，进而缩短系统的响应时间。

目前对移动应用使用行为预测的方法主要有三种。一是采用机器学习算法对智能手机用户的应用程序使用行为进行预测，例如贝叶斯模型、逻辑回归、随机森林、马尔科夫模型以及一些融合技术，这种方式需要对数据特征进行繁琐的处理才能达到期望的预测准确度。二是采用数据挖掘及推荐算法，例如采用Apriori关联规则和PrefixSpan算法挖掘App序列模式。三是采用深度学习和自然语言处理算法，例如采用长短期记忆网络和GRU模型，综合用户使用App的序列、时间、地点等信息预测下一个要启动的移动应用。采用深度学习的方式虽然能够避免繁琐的数据特征处理和构建，但是针对每个用户，搜集足够的训练集比较耗时，而且模型更新需要较高的训练代价。

发明内容

本发明目的是：为了解决现有技术中的低预测准确度、高训练代价的缺陷，提供一种基于Entity Embedding和TCN模型的移动应用使用行为预测方法，能够根据App使用记录、时间、地点等信息对移动应用使用行为进行准确的预测，根据预测结果能够为用户推荐即将使用的App。

本发明的技术方案是：

基于Entity Embedding和TCN模型的移动应用使用行为预测方法，其特征在于，包括：

步骤1：获取用户的移动应用使用信息原始数据集；

步骤2：对所述移动应用使用信息原始数据集进行预处理，得出分类型数据；

步骤3：基于神经网络的Embedding层对分类型数据进行Entity Embedding，构建特征数据；

步骤4：以特征数据作为输入，构建TCN网络预测模型；

步骤5：通过训练和验证得到最佳TCN网络预测模型；

步骤6：采用最佳TCN网络预测模型对即将使用的移动应用进行预测。

进一步地，在所述步骤1中，获取用户的移动应用使用信息原始数据集的方法包括：

步骤11：记录指定时间范围内用户智能手机移动应用使用行为的数据；