(西北工业大学计算机学院 西安 710029) (zhangyixuan2014@mail.nwpu.edu.cn)
出版日期: 2020-05-01基金资助:国家重点研发计划项目(2017YFB1001803)；国家自然科学基金项目(61772428，61725205)app Popularity Prediction with Multi-Level Attention Networks
Zhang Yixuan, Guo Bin, Liu Jiaqi, Ouyang Yi, Yu Zhiwen(College of Computer Science, Northwestern Polytechnical University, Xi’an 710029)
Online: 2020-05-01Supported by:This work was supported by the National Key Research and Develpment Program of China (2017YFB1001803) and the National Natural Science Foundation of China (61772428, 61725205).摘要/Abstract
摘要： 移动app流行度预测从运营策略优化到短期广告投资都具有重要意义.利用应用市场提供的丰富数据，挖掘不同特征指标与流行度之间的动态关联，从而预测未来一段时间内app的流行度变化过程及其原因，对于开发者、投资商和应用市场三方都具有应用价值.然而，app流行度高度动态变化，其影响因素十分复杂，包括app自身迭代演化、用户反馈、同类产品的市场竞争等.目前，针对app流行度建模与预测的研究工作相对较少，大多通过构造人工特征并构建与流行度的关联来进行预测，在模型的计算性能、预测精度和结果可解释性等方面存在可提升的空间.因此针对app流行度建模与预测提出一种基于注意力机制的深度神经网络模型DeePOP，并针对复杂影响因素进行分级建模.通过时间级自序列模块捕获对历史流行度的长期依赖，利用局部、全局特征层级模块构建影响特征与流行度的非线性关系.同时，注意力机制为不同模块提供自适应能力，以捕获与流行度变化最相关的历史状态并针对预测结果提供一定的解释.实验结果表明:与现有流行度预测方法相比，DeePOP能够快速高效地进行app流行度建模与预测，预测均方根误差为0.089.
参考文献
相关文章 15
| [1] | 廖海斌, 徐斌. 基于性别和年龄因子分析的鲁棒性人脸表情识别[J]. 计算机研究与发展, 2021, 58(3): 528-538. |
| [2] | 刘颖, 杨轲. 基于深度集成学习的类极度不均衡数据信用欺诈检测算法[J]. 计算机研究与发展, 2021, 58(3): 539-547. |
| [3] | 曾碧卿, 曾锋, 韩旭丽, 商齐. 基于交互特征表示的评价对象抽取模型[J]. 计算机研究与发展, 2021, 58(1): 224-232. |
| [4] | 陈珂锐, 孟小峰. 机器学习的可解释性[J]. 计算机研究与发展, 2020, 57(9): 1971-1986. |
| [5] | 张世琨, 谢睿, 叶蔚, 陈龙. 基于关键词的代码自动摘要[J]. 计算机研究与发展, 2020, 57(9): 1987-2000. |
| [6] | 陈可佳, 鲁浩, 张嘉俊. 条件变分时序图自编码器[J]. 计算机研究与发展, 2020, 57(8): 1663-1673. |
| [7] | 杜圣东, 李天瑞, 杨燕, 王浩, 谢鹏, 洪西进. 一种基于序列到序列时空注意力学习的交通流预测模型[J]. 计算机研究与发展, 2020, 57(8): 1715-1728. |
| [8] | 李梦莹, 王晓东, 阮书岚, 张琨, 刘淇. 基于双路注意力机制的学生成绩预测模型[J]. 计算机研究与发展, 2020, 57(8): 1729-1740. |
| [9] | 陈彦敏, 王皓, 马建辉, 杜东舫, 赵洪科. 基于层级注意力机制的互联网用户信用评估框架[J]. 计算机研究与发展, 2020, 57(8): 1755-1768. |
| [10] | 林培光, 周佳倩, 温玉莲. SCONV：一种基于情感分析的金融市场趋势预测方法[J]. 计算机研究与发展, 2020, 57(8): 1769-1778. |
| [11] | 张金宏, 王兴伟, 易波, 黄敏. 一种面向主干网的器件级动态功率感知节能机制[J]. 计算机研究与发展, 2020, 57(7): 1347-1368. |
| [12] | 李若南, 李金宝. 一种无源被动室内区域定位方法的研究[J]. 计算机研究与发展, 2020, 57(7): 1381-1392. |
| [13] | 邢新颖, 冀俊忠, 姚垚. 基于自适应多任务卷积神经网络的脑网络分类方法[J]. 计算机研究与发展, 2020, 57(7): 1449-1459. |
| [14] | 于海涛, 杨小汕, 徐常胜. 基于多模态输入的对抗式视频生成方法[J]. 计算机研究与发展, 2020, 57(7): 1522-1530. |
| [15] | 王庆林, 李东升, 梅松竹, 赖志权, 窦勇. 面向飞腾多核处理器的Winograd快速卷积算法优化[J]. 计算机研究与发展, 2020, 57(6): 1140-1151. |
PDF全文下载地址:
https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4180
