移动应用使用行为预测研究

论文摘要

近年来,移动设备、移动操作系统以及商业模式的完善促成了移动应用市场的繁荣。移动应用占据了用户大量的时间精力,带来新的问题和挑战。大量安装的移动应用增加了用户寻找应用的时间和难度,降低用户体验;移动应用使用行为（Mobile App Usage,MAU）的姿态固定、主体单一等特点,导致传统人类行为研究方法不再适用。对MAU展开预测,能够为用户寻找所需应用提供推荐,解决寻找费时的问题;将预测与移动应用的上下文信息相结合,则能够推动对人类行为的研究和认知。因此,MAU预测具有重要意义。本文通过可预测性证明、预测算法开发、数据收集和实验验证较为系统的解决了MAU的预测问题。本文首创性的将用户抽象为带记忆的离散平稳信源,将MAU序列对应为该信源的输出序列,通过分析序列的熵率为MAU的可预测性提供了量化途径,并进一步推导出了可预测性上下限的计算方法;此后,本文分别探讨了基于支持向量机（Support Vector Machine, SVM）和基于三层前馈神经网络（3-Layer Back Propagation Neural Network,3LBPNN）的预测算法。本文设计并开发了MAU预测实验平台AppMagic,包括基于Android的客户端和包含MySQL在线数据库以及预测模块的服务器端,在保证平均为3.8‰的低干扰率的情况下,客观全面的收集了25位志愿用户在25天内的MAU记录,形成了包含122547条记录的数据集;基于该数据集的实验显示,MAU的可预测性上限稳定,证明了这种可预测特性是一种一般性规律,该上限的平均水平高达82.4%,充分说明了MAU预测的可行性;在该数据集上分别应用基于SVM的预测算法和基于3LBPNN的预测算法,并通过不断调整前者的平滑参数和后者的训练次数寻求算法的优化,结论表明在适当增加平滑参数、训练次数为15万次时,二者分别能够达到最优预测性能,且基于SVM的预测算法比基于3LBPNN的预测算法的平均预测准确率高,更适用于MAU预测的场景;在加入了噪声应用过滤机制之后,两种预测算法的性能都会得到明显改进,展现了MAU存在较多噪声的特点;改进后基于SVM的预测算法的平均预测准确率达到了73.4%,能够初步满足预测需要;此外,实验结果说明基于3LBPNN的预测算法时间开销要小于基于SVM的预测算法,因而更适合对实时性要求严苛的场景。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 移动平台及移动应用
• 1.1.1 移动平台简介
• 1.1.2 移动应用简介
• 1.2 人类行为理解简介
• 1.3 研究内容及论文结构
• 1.3.1 研究内容及创新点
• 1.3.2 论文组织结构
• 1.4 小结
• 第二章 可预测性以及常用预测方法研究现状
• 2.1 可预测性研究现状
• 2.2 常用预测方法研究现状
• 2.3 小结
• 第三章 移动应用使用行为（MAU）的可预测性研究
• 3.1 引言
• 3.2 MAU 预测中基于信源和熵的序列抽象
• 3.2.1 基于信源的MAU 抽象化描述
• 3.2.2 基于熵的可预测性量化描述
• 3.2.3 熵率的计算
• 3.3 基于熵的MAU 可预测性理论分析
• 3.3.1 可预测性上限分析
• 3.3.2 可预测性下限分析
• 3.4 小结
• 第四章 MAU 预测方法
• 4.1 引言
• 4.2 基于SVM 的MAU 预测
• 4.2.1 基本框架
• 4.2.2 MAU 预测中的SVM 算法定制
• 4.2.3 算法流程
• 4.3 基于3LBPNN 的MAU 预测
• 4.3.1 基本框架
• 4.3.2 面向MAU 预测的3LBPNN 样本训练
• 4.3.3 面向MAU 预测优化的误差控制
• 4.4 小结
• 第五章 MAU 预测实验平台AppMagic 设计及验证
• 5.1 AppMagic 的设计
• 5.2 AppMagic 客户端
• 5.2.1 AppMagic 客户端的设计与实现
• 5.2.2 MAU 数据集的获取
• 5.2.3 AppMagic 客户端的用户干扰度分析
• 5.3 AppMagic 服务器端
• 5.3.1 AppMagic 服务器端的设计与实现
• 5.3.2 原始序列的格式化
• 5.4 可预测性分析
• 5.4.1 可预测性的熵率表征
• 5.4.2 可预测性的上下限分析
• 5.5 预测方法性能分析
• 5.5.1 采用不同平滑参数的基于SVM 的预测结果分析
• 5.5.2 采用不同训练次数基于3LBPNN 的预测结果分析
• 5.5.3 噪声过滤策略对预测准确性的优化
• 5.5.4 两种预测算法的开销对比
• 5.5.5 实验结果分析
• 5.6 小结
• 第六章 结论与展望
• 致谢
• 参考文献
• 作者在学期间取得的学术成果