基于多级注意力机制网络的app流行度预测

移动app流行度预测从运营策略优化到短期广告投资都具有重要意义.利用应用市场提供的丰富数据,挖掘不同特征指标与流行度之间的动态关联,从而预测未来一段时间内app的流行度变化过程及其原因,对于开发者、投资商和应用市场三方都具有应用价值.然而,app流行度高度动态变化,其影响因素十分复杂,包括app自身迭代演化、用户反馈、同类产品的市场竞争等.目前,针对app流行度建模与预测的研究工作相对较少,大多通过构造人工特征并构建与流行度的关联来进行预测,在模型的计算性能、预测精度和结果可解释性等方面存在可提升的空间.因此针对app流行度建模与预测提出一种基于注意力机制的深度神经网络模型DeePOP,并针对复杂影响因素进行分级建模.通过时间级自序列模块捕获对历史流行度的长期依赖,利用局部、全局特征层级模块构建影响特征与流行度的非线性关系.同时,注意力机制为不同模块提供自适应能力,以捕获与流行度变化最相关的历史状态并针对预测结果提供一定的解释.实验结果表明:与现有流行度预测方法相比,DeePOP能够快速高效地进行app流行度建模与预测,预测均方根误差为0.089.