TGT：用于智能手机 App 使用预测的时序门控 Transformer

由于用户行为的稀疏性和不规则性，准确预测智能手机 App 使用情况具有挑战性，尤其是在冷启动和低活跃度条件下。现有方法大多依赖于静态或纯注意力架构，难以建模细粒度的时序动态。我们提出了 TGT，一种配备时序门控模块的 Transformer 框架，该模块根据一天中的小时对隐藏表示进行条件化处理。与传统的时序嵌入不同，时序门控以时间感知的方式自适应地重新缩放特征维度，与自注意力正交工作并增强时间敏感性。TGT 进一步引入了一个上下文感知编码器，将会话序列和用户配置文件整合为统一的表示。在两个真实世界数据集 Tsinghua App Usage 和 LSApp 上的实验表明，TGT 显著优于 15 个具有竞争力的基线，在 HR@1 上取得了显著提升，并在冷启动场景下保持了鲁棒性。除了准确性之外，对门控向量的分析揭示了可解释的日常使用节律，表明 TGT 学习到了与人类一致的 App 行为模式。这些结果确立了 TGT 作为一个既强大又可解释的时间感知 App 使用预测框架。