[发明专利]一种基于多任务学习机制的移动应用消亡预测方法

权利要求书

1.一种基于多任务学习机制的移动应用消亡预测方法，其特征在于：包括以下步骤：

S1：获取移动应用的各项特征数据，对数据进行预处理操作，包括样本过滤、语句分割、文本处理，针对时序数据提取用于预测的特征；所述特征包括：载量、评论、评分、用户情感和竞争性；

S2：分析所述特征对移动应用的生存情况的影响；

S3：将预测总时间划分为多个子阶段，预测任务划分为多个子任务，每个子任务建立子模型对每个子阶段的移动应用进行消亡预测；

S4：获取各子任务之间的关联关系，然后关联多个任务的模型：

S5：使用逻辑回归模型，基于前述每一个子阶段的生存概率进行估计，对移动应用进行消亡预测。

2.根据权利要求1所述的一种基于多任务学习机制的移动应用消亡预测方法，其特征在于：所述S3中对每个子阶段设置生存风险函数，获取移动应用在该阶段仍然存活的概率。

3.根据权利要求2所述的一种基于多任务学习机制的移动应用消亡预测方法，其特征在于：所述风险函数用下述公式表示：

其中：为移动应用程序存活时间超过t_i个月的生存概率，X_i表示提取的特征，参数向量θ_i用于描述特征对移动应用生存机会的影响，b_i为阈值。

4.根据权利要求1所述的一种基于多任务学习机制的移动应用消亡预测方法，其特征在于：所述S4采用似然函数对多个子模型进行关联；

其中，Θ＝(θ₁，θ₂，...，θ_m)，

其中：P_Θ表示在不同时间点的移动应用的联合生存概率，(y₁，y₂，...，y_m)表示移动应用在时间点的实际生存状态编码，y_i为1时表示当前时间点移动应用仍然存在于应用市场中，为0表示当前时间应用已经下架。f_Θ(X，k)表示在逻辑变换之前事件发生在时间区间[t_k，t_k+1)内的得分。

5.根据权利要求4所述的一种基于多任务学习机制的移动应用消亡预测方法，其特征在于：对S4中似然函数取对数以设计优化目标，所述优化目标用于实现参数共享；所述优化目标表示为：

其中：S_i表示移动应用的生存时间，C₁和C₂为控制模型平滑程度的正则化常数。第一个正则数超过||θ_j||²确保参数向量的范数有界，以防止过拟合。第二个正则化器||θ_j+1-θ_j||²确保参数在连续时间点内平滑变化，对于在时间点变密时控制模型的大小尤为重要。

6.根据权利要求1所述的一种基于多任务学习机制的移动应用消亡预测方法，其特征在于：所述S5基于每一个阶段前述的生存概率P_i进行估计：

P(X)＝(1+exp(w·X+b))^-1

其中：X＝{P₁，P₂，...，P₁₂}，表示移动应用12个月的存活概率序列，w和b是模型训练的参数。