[发明专利]应用程序预测模型建立、预加载方法、装置、介质及终端

权利要求书

1.一种应用程序预测模型建立方法，其特征在于，包括：

获取预设时间段内的用户行为样本，其中，所述用户行为样本包括至少两个应用程序的使用时序关联记录；

对所述使用时序关联记录进行分组，得到多组使用时序关联记录；

根据所述多组使用时序关联记录，对预设简单循环单元SRU神经网络模型进行训练，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，所述获取预设时间段内的用户行为样本，包括：

根据预设时间段内应用程序的使用频次对应用程序进行排序；

根据排序结果确定至少两个目标应用程序；

根据所述目标应用程序的使用状态确定使用时序关联记录，作为用户行为样本。

3.根据权利要求2所述的方法，其特征在于，所述根据所述目标应用程序的使用状态确定使用时序关联记录，包括：

按照预设采样周期对所述目标应用程序的使用日志进行采样，以确定采样时刻是否处于使用状态；

根据采样时刻和使用状态，对至少两个目标应用程序的使用状态进行关联，确定使用时序关联记录；

相应的，所述根据所述多组使用时序关联记录，对预设SRU神经网络模型进行训练，包括：

根据所述多组使用时序关联记录中采样时刻对应的使用状态，对预设SRU神经网络模型进行训练。

4.根据权利要求3所述的方法，其特征在于，所述对所述使用时序关联记录进行分组，得到多组使用时序关联记录，包括：

将前n个采样时刻对应的应用程序使用时序关联记录作为第一组使用时序关联记录，将第2采样时刻至第n+1采样时刻对应的应用程序使用时序关联记录作为第二组使用时序关联记录，以此类推，得到m-n+1组使用时序关联记录，其中，n为大于等于2的自然数，m为大于等于3的自然数。

5.根据权利要求1-4任一所述的方法，其特征在于，

所述应用程序预测模型包括遗忘门f_t、重置门r_t、记忆单元c_t及输出状态单元h_t，分别通过以下公式计算得到：

f_t＝σ(W_fx_t+b_f)

r_t＝σ(W_rx_t+b_r)

h_t＝r_t⊙g(c_t)+(1-r_t)⊙x_t

其中，x_t表示所述使用时序关联记录中t时刻使用的应用程序，表示所述使用时序关联记录中t时刻使用的应用程序的输入转化量，W和W_*均表示学习的网络参数，b_*表示学习的偏置参数，其中，*∈{f,r}，f_t表示t时刻的遗忘门，r_t表示t时刻的重置门，c_t表示t时刻的内部状态单元，c_t-1表示t-1时刻的内部状态单元，h_t表示t时刻的输出状态单元，σ表示Sigmoid函数，⊙为向量按位乘积，g(·)表示激活函数。

6.根据权利要求1-4任一所述的方法，其特征在于，还包括：

根据每组使用时序关联记录的向量维数确定所述应用程序预测模型的输入层单元数，根据所述应用程序的数量确定所述应用程序预测模型的输出层单元数。

7.根据权利要求6所述的方法，其特征在于,所述应用程序预测模型采用的误差函数为交叉熵损失函数：

其中，y_k表示应用程序使用状态的标准值，表示应用程序使用状态的预测值，C＝M+1，其中M表示应用程序的数量，J表示应用程序预测模型的交叉熵。