[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

权利要求书

1.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。

2.根据权利要求1所述的基于Entity Embedding和TCN模型的移动应用使用行为预测方法，其特征在于，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；

步骤12：当用户使用移动应用时，记录当前使用的App的名称、时间、连接的信号塔名称或GPS定位信息构成原始数据集D1。

3.根据权利要求2所述的基于Entity Embedding和TCN模型的移动应用使用行为预测方法，其特征在于，在所述步骤2中，所述移动应用使用信息原始数据集进行预处理的工作包括：

步骤21：删除不符合标准的异常值，通过数学统计法补齐异常值和缺失值；

步骤22：对用户使用的移动应用名称进行标签编码；把时间信息按照[0:00-6:00)、[6:00-12:00)、[12:00-18:00)、[18:00-24:00)4个时间段进行划分，然后对其进行标签编码；若用户打开了GPS定位信息，则使用GPS定位信息表示当前的位置，否则采用当前连接的信号塔编号表示用户位置，之后对位置信息进行标签编码；

步骤23：对各组数据所对应下一个即将使用的App名称作为标签yi以得到样例(xi,yi),令D2＝{(x1,y1),(x2,y2),…,(xn,yn)}，其中xi＝(xi1；xi2；xi3)；xi1、xi2和xi3分别是App名称、时间和位置所对应的标签;

步骤24：利用功能函数将D2从时间序列转化为适用于监督学习的多维特征数据集以进行多步、多变量的序列预测，输入时间步长为timestep,输出步长为pre_len,构造样本集D3，设定D3＝{(x1,y1),(x2,y2),…,(xn,yn)},其中xi的维度为(timestep,3)，yi的大小为(pre_len,1),其中标签yi表示即将使用的App名称，最后按照8:1:1的比例划分训练集、验证集和测试集。

4.根据权利要求3所述的基于Entity Embedding和TCN模型的移动应用使用行为预测方法，其特征在于，在所述步骤3中，基于神经网络的Embedding层对分类型特征进行EntityEmbedding，构建特征数据的方法包括：

步骤31：利用神经网络对分类型数据App名称、时间、位置分别构建一个Embedding层，根据Embedding的维度映射成为一个向量;

步骤32：然后将每一个分类型数据表示的向量进行拼接，作为分类型数据标签编码的替换，将数据从高维的标签编码特征空间转换为指定维度的Embedding特征空间，作为TCN网络的输入。

5.根据权利要求4所述的基于Entity Embedding和TCN模型的移动应用使用行为预测方法，其特征在于，在所述步骤4中,所述以特征数据作为输入，构建TCN网络预测模型的方法包括：

步骤41：用所述步骤3构造的特征构造新的数据集D4,设定D4＝{(x1,y1),(x2,y2),…,(xn,yn)},其中xi的维度为(timestep,k)，yi的大小为(pre_len,1)，k表示特征的个数；

步骤42：建立TCN网络预测基本模型，包括膨胀因果卷积层、Relu激活函数层、Dropout层以及残差块，设置卷积层的kernelsize(k)以及膨胀系数d，其中，TCN网络的输入大小为(timestep,k),输出大小为(pre_len,1)。