論文の概要: Atten-Transformer: A Deep Learning Framework for User App Usage Prediction
- arxiv url: http://arxiv.org/abs/2502.16957v1
- Date: Mon, 24 Feb 2025 08:31:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-25 15:53:08.339691
- Title: Atten-Transformer: A Deep Learning Framework for User App Usage Prediction
- Title（参考訳）: Atten-Transformer: ユーザアプリケーション利用予測のためのディープラーニングフレームワーク
- Authors: Longlong Li, Cunquan Qu, Guanghui Wang,
- Abstract要約: 本研究では,時間的注意をTransformerネットワークに統合し,キーアプリの利用パターンを動的に識別し活用する新しいモデルであるAtten-Transformerを紹介する。
提案手法では,特徴符号化と時間符号化を併用した多次元特徴表現を用いて予測精度を向上する。
- 参考スコア（独自算出の注目度）: 6.081915850400204
- License:
- Abstract: Accurately predicting smartphone app usage patterns is crucial for user experience optimization and targeted marketing. However, existing methods struggle to capture intricate dependencies in user behavior, particularly in sparse or complex usage scenarios. To address these challenges, we introduce Atten-Transformer, a novel model that integrates temporal attention with a Transformer network to dynamically identify and leverage key app usage patterns. Unlike conventional methods that primarily consider app order and duration, our approach employs a multi-dimensional feature representation, incorporating both feature encoding and temporal encoding to enhance predictive accuracy. The proposed attention mechanism effectively assigns importance to critical app usage moments, improving both model interpretability and generalization. Extensive experiments on multiple smartphone usage datasets, including LSapp and Tsinghua App Usage datasets, demonstrate that Atten-Transformer consistently outperforms state-of-the-art models across different data splits. Specifically, our model achieves a 45.24\% improvement in HR@1 on the Tsinghua dataset (Time-based Split) and a 18.25\% improvement in HR@1 on the LSapp dataset (Cold Start Split), showcasing its robustness across diverse app usage scenarios. These findings highlight the potential of integrating adaptive attention mechanisms in mobile usage forecasting, paving the way for enhanced user engagement and resource allocation.
- Abstract（参考訳）: スマートフォンアプリの利用パターンを正確に予測することは、ユーザーエクスペリエンスの最適化とターゲットマーケティングに不可欠である。
しかし、既存のメソッドは、特にスパースや複雑な利用シナリオにおいて、ユーザの振る舞いにおける複雑な依存関係をキャプチャするのに苦労している。
これらの課題に対処するために、主要なアプリ使用パターンを動的に識別し活用するために、時間的注意をTransformerネットワークに統合する新しいモデルであるAtten-Transformerを紹介した。
アプリケーション順序と期間を主に考慮する従来の手法とは異なり,本手法では多次元特徴表現を採用し,特徴符号化と時間符号化を併用して予測精度を向上させる。
提案したアテンションメカニズムは,重要なアプリケーション利用モーメントに効果的に重要度を割り当て,モデルの解釈可能性と一般化の両方を改善している。
LSappとTsinghua App Usageのデータセットを含む、複数のスマートフォン使用データセットに関する大規模な実験は、Atten-Transformerがさまざまなデータ分割で常に最先端のモデルを上回ることを実証している。
具体的には、Tsinghuaデータセット(Time-based Split)でのHR@1の45.24\%の改善と、LSappデータセット(Cold Start Split)でのHR@1の18.25\%の改善を実現し、さまざまなアプリケーション使用シナリオにおける堅牢性を示している。
これらの知見は、モバイル利用予測における適応的注意機構の統合の可能性を強調し、ユーザエンゲージメントの向上とリソース割り当ての道を開いた。
関連論文リスト
- TimeSieve: Extracting Temporal Dynamics through Information Bottlenecks [31.10683149519954]
本稿では,時系列予測モデルTimeSieveを提案する。
提案手法では、ウェーブレット変換を用いて時系列データを前処理し、マルチスケールの特徴を効果的にキャプチャする。
本研究は,時系列予測における課題に対処するためのアプローチの有効性を検証した。
論文 参考訳（メタデータ） (2024-06-07T15:58:12Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - MAPLE: Mobile App Prediction Leveraging Large Language Model Embeddings [9.03541182474246]
本研究では,大規模言語モデル埋め込み(MAPLE)を活用したモバイルアプリケーション予測モデルを提案する。
MAPLEは、LLM(Large Language Models)を採用し、これらの課題を克服するためにアプリの類似性をインストールしている。
2つの実世界のデータセットのテストでは、MAPLEは標準およびコールドスタートシナリオの両方で、現代のモデルを上回っている。
論文 参考訳（メタデータ） (2023-09-15T13:15:54Z) - Leveraging the Power of Data Augmentation for Transformer-based Tracking [64.46371987827312]
トラッキング用にカスタマイズされた2つのデータ拡張手法を提案する。
まず、動的探索半径機構と境界サンプルのシミュレーションにより、既存のランダムトリミングを最適化する。
第2に,背景干渉などの問題に対するモデルを可能にする,トークンレベルの機能混在強化戦略を提案する。
論文 参考訳（メタデータ） (2023-09-15T09:18:54Z) - Federated Privacy-preserving Collaborative Filtering for On-Device Next
App Prediction [52.16923290335873]
本稿では,モバイルデバイス使用時の次のアプリの起動を予測するための新しいSeqMFモデルを提案する。
古典行列分解モデルの構造を修正し、学習手順を逐次学習に更新する。
提案手法のもうひとつの要素は,ユーザからリモートサーバへの送信データの保護を保証する,新たなプライバシメカニズムである。
論文 参考訳（メタデータ） (2023-02-05T10:29:57Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。
車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。
推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文 参考訳（メタデータ） (2022-05-16T12:14:42Z) - CoSEM: Contextual and Semantic Embedding for App Usage Prediction [8.78798600901882]
既存のモデリングアプローチでは、履歴アプリの使用履歴と、幅広いセマンティック情報を使用してアプリ使用を予測する。
本稿では、アプリケーション利用予測のためのContextual and Semantic Embedding Modelと呼ばれるモデルを開発する。
実験により,セマンティック情報と履歴アプリ利用情報を組み合わせることで,モデルがベースラインを上回ることを示す。
論文 参考訳（メタデータ） (2021-08-26T02:38:44Z) - PSEUDo: Interactive Pattern Search in Multivariate Time Series with
Locality-Sensitive Hashing and Relevance Feedback [3.347485580830609]
PSEUDoは、マルチトラックシーケンシャルデータにおける視覚パターンを探索するための適応的機能学習技術である。
提案アルゴリズムは,サブ線形学習と推論時間を特徴とする。
我々は,PSEUDoの効率,精度,操縦性において優位性を示す。
論文 参考訳（メタデータ） (2021-04-30T13:00:44Z) - Invariant Feature Learning for Sensor-based Human Activity Recognition [11.334750079923428]
被験者やデバイス間で共有される共通情報を抽出する不変特徴学習フレームワーク(IFLF)を提案する。
実験により、IFLFは、一般的なオープンデータセットと社内データセットをまたいだ主題とデバイスディバージョンの両方を扱うのに効果的であることが示された。
論文 参考訳（メタデータ） (2020-12-14T21:56:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。