STAP：一种基于洗牌token化技术的应用预测器，拥有超长上下文信息，能够跨应用生态系统进行移动应用预测

《Expert Systems with Applications》：STAP: A Shuffle-Tokenized App Predictor with Ultra-Long Context for Mobile App Prediction across App Ecosystems

　　

摘要

预测用户接下来将启动哪个移动应用程序对于智能资源管理和主动服务非常有用。现有的模型通常依赖于固定的应用程序词汇表，这限制了它们在不同应用程序生态系统中的直接重用；许多模型还依赖于用户特定的知识，这使得为新用户部署这些模型变得复杂。我们提出了STAP，这是一种基于Transformer的预测器，它将实际应用程序与观察到的序列前缀中的随机排列的虚拟索引相对应。由于这种打乱后的分词方式消除了应用程序的稳定性，STAP利用长时间的行为上下文来恢复预测性的转换和时间模式。在明确的收敛性和容量假设下，理想化的贝叶斯分析解释了为什么随着观察到的上下文的增加，随机映射的不确定性对于下一个标记的预测变得无关紧要。在严格的跨数据集评估中，尚未在前缀中出现的目标被视为预测失败，STAP在Tsinghua到LSApp的数据集上的准确率分别为67.44%、85.67%和91.53%（HR@1/3/5），并且在反向预测中仍然能与仅使用前缀的强大马尔可夫模型和n-gram模型保持竞争力。我们进一步引入了交错半窗口推理（ISWI）技术，该技术在连续推理过程中保持重叠的增量上下文，并保留有效的一一对应关系。这些结果表明，下一个应用程序的转换模式可以在不同应用程序生态系统之间迁移，而无需将模型参数绑定到固定的物理应用程序身份目录上。

范成宇 | 刘航