MAPLE：利用大语言模型嵌入的移动应用预测
计算与语言
2024-11-04 v4 人工智能
摘要
近年来，移动应用使用预测在应用推荐、用户行为分析和移动资源管理等领域日益重要。然而，现有模型难以应对上下文数据的异构性以及用户冷启动问题。本研究提出了一种新颖的预测模型——利用大语言模型嵌入的移动应用预测（MAPLE），其采用大语言模型（LLMs）和已安装应用相似性来克服这些挑战。MAPLE 利用 LLMs 的能力处理上下文数据并有效辨识其中的复杂关系。此外，我们探索使用已安装应用相似性来解决冷启动问题，即使用户历史数据有限，也能对新用户的偏好和习惯进行建模。本质上，我们的研究将 MAPLE 作为一种新颖、强大且实用的应用使用预测方法，在解决现有模型面临的问题上取得重大进展。MAPLE 作为一种全面而有效的解决方案脱颖而出，为更精确和个性化的应用使用预测树立了新基准。在两个真实世界数据集上的测试中，MAPLE 在标准场景和冷启动场景下均超越了当代模型。这些结果验证了 MAPLE 进行精确应用使用预测的能力及其对冷启动问题的鲁棒性。这种性能提升源于模型在捕捉复杂时间模式和利用上下文信息方面的熟练度。因此，MAPLE 有可能显著改善个性化的移动应用使用预测和用户体验。
引用
@article{arxiv.2309.08648,
title = {MAPLE: Mobile App Prediction Leveraging Large Language Model Embeddings},
author = {Yonchanok Khaokaew and Hao Xue and Flora D. Salim},
journal= {arXiv preprint arXiv:2309.08648},
year = {2024}
}