Appformer：一种基于渐进式多模态数据融合与特征提取的移动应用使用预测新型框架
人工智能
2024-07-30 v1
摘要
本文提出了Appformer，一种受Transformer类架构在通过自注意力机制处理序列数据方面效率的启发，构建的 novel 移动应用预测框架。该框架结合了多模态数据渐进融合模块与精细化特征提取模块，充分利用多模态数据融合与数据挖掘技术之间的协同作用，同时保持用户隐私。框架运用与基站关联的地理位置点（Points of Interest, POIs），通过详尽的比较实验优化这些点，确定最有效的聚类方法。这些精炼后的输入无缝集成到跨模态数据融合的初始阶段，其中时间单元通过词嵌入进行编码，随后在后续阶段进行合并。特征提取模块采用专为时间序列分析设计的Transformer类架构，能够精准提炼综合特征。它细致地对融合模块的输出进行微调，确保提取高质量、多模态特征，从而保证了稳健且高效的提取过程。广泛的实验验证确认Appformer在移动应用使用预测方面的有效性，达到了州内最先进（SOTA）指标，标志着该领域的显著进步。
引用
@article{arxiv.2407.19414,
title = {Appformer: A Novel Framework for Mobile App Usage Prediction Leveraging Progressive Multi-Modal Data Fusion and Feature Extraction},
author = {Chuike Sun and Junzhou Chen and Yue Zhao and Hao Han and Ruihai Jing and Guang Tan and Di Wu},
journal= {arXiv preprint arXiv:2407.19414},
year = {2024}
}