[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

说明书

本发明提供一种基于多任务学习机制的移动应用消亡预测方法，通过划分预测时长为若干阶段，利用多任务学习机制将每个阶段中应用生存状态的预测作为一个子任务；针对每个子任务制定风险函数，不同子任务之间通过似然函数关联起来。整体模型由一组有序且存在依赖关系的分类器构成，从而对应用是否消亡进行预测。这种方法能够在不同任务之间实现参数共享，有效学习并利用了任务之间的隐含关联关系；并且针对时间划分预测任务，使得分类器每次专注于子任务的预测而非全局，能够有效减少预测误差，克服长期预测中准确率低、召回率差等问题。

技术领域

本发明涉及移动应用，尤其涉及基于多任务学习机制的移动应用消亡预测问题。

背景技术

随着智能手机的普及，应用商店中包含了成千上万的应用，它们涉及的领域非常广泛，从日常工作和娱乐到在线购物和社交通信。但是，一款应用的流行度取决于许多因素，包括下载量、评分和评论等。一旦应用的流行度下降到一定程度，就有可能被应用商店下架。具体而言，预测应用是否将在下一个给定时间段内被下架的工作就是应用的消亡预测。消亡预测对于利益相关者来说非常重要。对于开发人员来说，了解和跟踪应用的生存情况有助于他们提前采取行动，以防止或减轻应用消亡造成的潜在风险。对于应用商店，消亡预测有利于维护应用的生态系统，例如更新应用的排名并定期下架将要消亡的应用。此外，应用的消亡预测对于投资者的决策至关重要。它有助于评估应用是否能够为投资者带来显著收益，并规避投资风险。

发明内容

针对现有缺陷，本发明提供一种基于多任务学习机制的移动应用消亡预测方法，本发明的技术方案为：

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预测阶段，预测任务划分为多个子任务，每个子任务建立模型对每个预测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。

进一步的，一种基于多任务学习机制的移动应用消亡预测方法，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。

进一步的，一种基于多任务学习机制的移动应用消亡预测方法，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。

进一步的，一种基于多任务学习机制的移动应用消亡预测方法，所述S4采用似然函数对多个子模型进行关联；