《中国人工智能学会通讯》——11.59 面向移动 App 的流行度建模方法-阿里云开发者社区

开发者社区> 人工智能> 正文

《中国人工智能学会通讯》——11.59 面向移动 App 的流行度建模方法

简介: 本节书摘来自CCAI《中国人工智能学会通讯》一书中的第11章,第11.59节, 更多章节内容可以访问云栖社区“CCAI”公众号查看。

11.59 面向移动 App 的流行度建模方法

正如前面所提到的,为了促进移动 App 的推广和普及,许多在线移动 App 商店都提供了定期更新的 App 排行榜,并允许下载者对 App 进行评分和评论。这些排名、评分、评论信息均可以被称为 App的流行度信息,它们在移动 App 相关服务中扮演了十分重要的角色,例如可以帮助实现应用服务的深入理解、移动市场趋势分析,以及其他与 App 推荐相关的智能服务等。

目前,针对如何有效地使用来自于移动 App 的流行度信息方面的研究仍然十分零散,尚缺乏一个综合的模型来对它们进行整合。事实上,在研究面向 App的流行度信息建模问题上存在两个主要的挑战。首先,移动 App 的流行度信息通常变化很快,同时具有很强的时间依赖性。举例来说,尽管一个 App 每天的排名会有变化,但是由于流行度的持续特性,一个排名很高的 App 不太可能第二天突然就跌到了榜底的位置。其次,移动 App 的流行度信息是异构的,但是它们之间却存在着潜在的语义关联。例如,尽管“Ranking=1”和“Rating=5”来自于不同的流行度观察,但是从语义上讲它们都表示一个 App 非常流行。

基于上面的讨论,我们提出了一种基于隐马尔科夫模型(Hidden Markov Model,HMM)的序列化方法,对移动 App 的异构流行度信息进行综合建模。具体而言,我们首先通过使用异构的流行度观察值(即排名、评分、评论等)扩展原始的 HMM,并提出了一种基于流行度的 HMM(Popularity based HMM,PHMM)。这个模型中,App 的流行度信息可以通过不同的隐式流行度状态,以及这些状态之间的转移来进行建模,从而能够捕获到异构流行度信息之间的潜在语义关联以及时序依赖性。然后,为了效率地训练这个模型,我们提出了一种基于二部图(Bipartite Graph)的参数估计方法,对流行度观察值进行预聚类。预聚类的结果可以被用于 PHMM 的模型参数选择以及初始状态赋值。事实上,PHMM 是一个综合模型,通过这个模型可以实现很多的移动应用服务,例如流行度预测,并由此实现基于趋势的移动 App 推荐、虚假评分 / 评论检测,以及排名欺诈检测问题。

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
人工智能
使用钉钉扫一扫加入圈子
+ 订阅

了解行业+人工智能最先进的技术和实践,参与行业+人工智能实践项目

其他文章