增量学习的优化算法在app使用预测中的应用

随着智能手机中app数量的不断增加,准确查询目标app渐趋困难.目前利用历史用户数据预测手机系统下一个使用的app算法存在两类问题:一是部分算法因未考虑训练数据日益递增,导致预测结果的准确度随时间增加而降低;二是虽然考虑到了增量数据,但增加了因增量数据而重新建模的时间,导致总体耗时增加.为减少建模时间,本研究提出Predictor预测系统,利用优化后的增量Ik NN模型为用户提供app使用的预测功能.通过学习app特征的上下文关系,设计了聚类有效值(cluster effective value,CEV)策略,采用多维度特征方法来提高分类的准确度,从而提高预测准确度.实验结果表明,带有CEV策略的Ik NN模型比默认的Ik NN模型拥有更稳定的预测准确度,其应用模型Predictor能减少建模的时间,同时提高预测准确度.