一种基于DQN的交通分类方法，用于移动应用推荐，并结合持续学习技术

《ACM Transactions on Recommender Systems》：A DQN-based Traffic Classification Method for Mobile Application Recommendation with Continual Learning

随着智能手机普及，移动应用推荐面临用户行为动态变化与模型持续更新的挑战。传统方法因无法实时追踪偏好变化及应用流量更新，导致推荐效果下降。本文提出融合DQN交通分类的持续学习推荐框架，终端内置DQN模型通过奖励机制实现自监督学习，持续优化分类模型精度以支撑推荐系统。实验表明该方法在ISCX和私有数据集上效果更优，有效保障分类模型准确性。

　　

摘要

随着智能手机的普及和发展，出现了各种类型的移动应用程序。在海量应用程序中，如何推荐符合用户偏好和使用习惯的应用程序是一个亟待解决的问题。传统的移动应用程序推荐方法无法动态跟踪用户行为和偏好的变化，也无法及时调整推荐模型，从而导致推荐效果不佳。此外，移动应用程序的不断更新也会使得基于流量分类的推荐模型失效。为了解决这些问题，本文提出了一种基于深度Q网络（DQN）的移动应用程序推荐方法，该方法实现了持续学习。该方法在移动终端中嵌入了基于DQN的流量分类模型，并建立了奖励与惩罚机制以实现自我监督学习。通过不断调整和优化模型，确保了流量分类模型的有效性，为推荐模型提供了准确可靠的用户行为数据支持。在ISCX和私有数据集上的实验表明，所提出的方法表现更为出色，能够有效保证分类模型的准确性。