英语原文共 22 页，剩余内容已隐藏，支付完成后下载完整资料
普遍存在的移动计算
回顾
挖掘智能手机数据的应用程序使用预测和建议：一个调查
如今智能手机已成为不可或缺的个人小工具来支持我们活动几乎在我们生活的方方面面。由于巨大的进步智能手机技术、平台以及个人开发者的热情，许多移动应用程序（应用程序）已经创建，以服务广泛的使用目的，使我们的日常生活更方便。虽然使用这些应用程序，数据日志通常生成和环境上下文记录形成丰富的数据源智能手机用户行为。在本文中，我们调查现有的研究智能手机数据揭示应用程序使用模式，利用这样的数据源。我们的讨论的研究组织根据两个主要的研究流，即应用程序的预测和应用程序的建议，以及一些其他相关研究。最后，我们还提出了一些挑战和机遇，在新兴领域的采矿智能手机的使用模式
目 录
介绍
随着智能手机的日益普及，人们现在花比以往更多的时间在他们的智能手机上。智能手机的使用已经扩展到基本的通信需求，例如发送短信和打电话，对于许多高层次的需求，几乎涵盖了我们日常生活的各个方面。这种需求主要由手机支持应用程序（应用程序）是专门设计的在移动设备上运行的软件程序，如智能手机和平板主要的智能手机平台，如Android和iOS提供了广泛的应用程序为他们的用户。例如,谷歌玩，官方应用程序市场的Android系统，发布了100万多个应用程序在2012。数年内下载量超过45.6亿。这个数字飙升到超过80十亿在2013.1，也苹果年度开发者大会，2有人宣布，在iOS应用商店的应用程序数量已达到1.2百万及累计下载量约为12亿，截至会议日期为2014。
这些应用程序的智能主要是建立在模拟历史应用程序使用数据和分析活饲料从嵌入式传感器在智能手机如GPS，WIFI扫描仪、加速度计、陀螺仪、光传感器。例如新闻APP都可以推动全球新闻，也突出了利用GPS或celltower数据位置信息的本地新闻。在用户和智能手机的交互过程中，来自不同传感器的数据包含智能手机的使用和用户的环境背景，如位置连接状态和运动的信息。信息的类型提供了一个很好的机会，了解个人如何与他们的智能手机互动，他们的流动行为，社会关系和个人喜好在不同的环境[ 1 ]。
1.1 背景和动机
了解应用程序使用行为是重要的，因为它可以同时受益于智能手机用户和应用程序制造商。对于智能手机用户，现有的研究表明，在每个用户的智能手机使用的应用程序的范围从10到更多超过90，中位数为约50 [ 2 ]。这是一个大量的智能手机nonstraightforward任务找到一个特定的应用程序。特别是，作为一个基本的互动与高频率的出现，它应该作出真正简单和高效的个人执行。同时，对于一些应用程序，如新闻应用程序，让它可能需要一段时间在他们打开后下载最新的内容。随着最有可能的下一个应用程序的知识，无论是电池能量消耗和APP搜索时间可以提前规划和优化。随着快速扩散的应用程序，也有即时的需要向正确的用户推荐正确的应用程序在正确的时间在一个智能自动化方式。在应用程序市场，人们通常可以找到应用程序的信息，包括应用程序的描述，最近的下载次数，评论评分，评论和一些介绍材料的短视频和人物。即使应用程序开发人员可以在应用程序市场上宣传他们的应用程序信息，这些信息是静态的要求用户定期在市场上进行主动检查。因此，搜索正确的应用程序安装一个不平凡的任务，特别是给定一个非常大的应用程序池的存在。因此，这是绝对必要的设计一个应用程序推荐机制，了解用户的底层应用程序使用模式和偏好
除了应用程序使用预测和建议，发现一个人的智能手机使用模式也有助于解释某人的流动行为和个人特征[ 3 ]。例如，社会背景可以推断时间应用程序使用模式[ 4 ]。在[ 1,5,6 ]作品解读用户移动使用位置数据和[ 7 ]的研究各种APP寻求行为与移动模式的相关性研究。其他研究[ 8 - 13 ]在社会科学也显示智能手机的使用模式，可用于区分人格[ 3 ]，即外向性、宜人性，责任心、神经质和对新经验的开放性。鉴于从智能手机使用和移动数据揭示有用的模式的重要性，一些相关最近几年组织了比赛。2012，诺基亚研究中心及其学术合作伙伴成立了移动数据挑战（MDC）的智能手机数据收集了200个人超过一年的时间内，3专用MDC的专用挑战任务包括地方语义预测，下一个预测和人口预测。MDC还建立一个开放的挑战，邀请创新的应用程序，利用他们收集的智能手机数据。其他比MDC，一系列的挑战，为发展资料（D4D），在netmob会议由麻省理工学院组织的。4在这些挑战，电信（电信）数据包括细胞塔数据连接的手机和一些辅助信息发布。要执行的一个例子任务是发现当地居民之间的相关性移动模式及其社交网络。2014，另一次竞争是基于大规模智能手机使用超过17000个人收集全球使用Android应用程序在谷歌游戏，命名设备的使用数据分析仪[ 14 ]。大量用户安装此应用程序要么自愿贡献他们的数据进行研究或保持追踪自己的手机使用情况。这些竞争显著贡献的智能手机研究界不仅提供全面的数据集，而且还创造意识和解锁新的机会，在这个新兴的研究区
除了这些竞争，也有最近的研究，以解决其他各种智能手机使用挖掘问题覆盖广泛的领域，如普适计算，普适计算，移动计算和机器学习。这些研究包括但不限于以下内容：分析出版时间的影响应用程序的普及[ 15 ]，描述应用程序市场[16,17]，相比智能手机的使用–经济社会不同群体之间[ 18,19 ]，了解电池consumption5[ 20 - 26 ]，了解人类活动[ 27 - 35 ]，跟踪大气压力使用智能手机的晴雨表[ 36 ]，分析个人基于智能手机使用模式[设计]，和设计智能用户通知机制[38 ] ]
1.2 范围
我们专注于调查发现智能手机数据的使用模式的调查。我们的调查旨在回答以下问题组织从通用到特定领域：什么是常见的统计和使用模式智能手机的应用程序？我们怎么能预知的程序，下一步将及时优化智能手机资源？如何才能有效地学习用户的应用偏好，从而使个性化的应用程序推荐？密切相关回答上述问题，本次调查所涉及的研究课题包括评价显性或隐性该应用程序[ 40 ]的特征，挖掘智能手机的使用模式，预测下一个应用程序41,2,42–[ 44 ]，开发有效的应用推荐系统[ 45 - 48 ]和其他算法[ 49 - 54 ]，如图所示突出。
据我们所知，在普适和移动计算的相关领域的其他几个调查包括：林等人。[ 55 ]总结有的研究挖掘GPS数据为个人的流动模式，费尔南多等。[ 56 ]评论移动云计算中的当前技术。莱恩等。【57】调查了现有的手机感知算法，应用与系统。林的调查[ 55 ]重点挖掘的只有一种类型的数据源的技术，即GPS数据时间戳。在我们的调查中，数据源比林的工作，包括各种类型更复杂在今天的智能手机中可以收集到的电话记录和感觉信息。费尔南多等人的调查。[ 56 ]专注于使用移动云计算技术从智能手机卸载到云计算的问题服务器，以减轻移动设备的资源约束问题。这种资源限制包括有限的电池能源，计算能力低，传输带宽有限。费尔南多的工作并没有把重点放在挖掘智能手机的使用模式，因为我们在这项工作中。在[ 57 ]的调查集中在基于智能手机群体感知通用问题而支持的应用程序如下应用挖掘可用智能手机数据聚焦预测和应用建议。
图1显示了我们所遵循的组织结构，以讨论本次调查中的相关问题，其中包括涵盖的应用主题，设计考虑和当前的挑战。第2节提供了一个概述可用的智能手机数据集和常见的应用程序使用统计。第3 - 5讨论应用程序使用的相关研究预测，应用程序推荐和其他相关主题。第6节讨论当前的挑战和机遇这一领域。第7节总结本次调查。
2. 智能手机数据集和模式概要
2.1 智能手机的数据集
我们总结表1中的主要数据集，已被用来支持当前的智能手机使用数据挖掘研究。这些数据集收集从不同的移动平台。其中的平台，据报道，iOS是最难的一个数据采集为“越狱”的iOS设备通常要求[ 58 ]在数据采集客户端可以安装。出于这个原因，我们可以看到，采样的iOS设备的数量远远小于那些与其他主要平台相关。诺基亚的平台，数据收集工具通常被称为“客户”。在数据采集，志愿者要么要求安装客户端，要么给诺基亚智能手机预装数据采集客户端。
相对而言，它是相当流行部署Android或黑莓端的数据收集应用程序用户。少数成功的例子是AppSensor [ 59 ]、[ 14 ]和设备的分析[ 60 ]的应用程序，它被用于收集智能手机数据从4000多个，17个000和17个设备的分类。
为了收集智能手机的数据在很长一段时间，数据收集应用程序通常被设计为运行在后台不影响手机的性能和用户体验。为此，一些挑战设计应用程序进行了讨论。最重要的问题是如何有效地收集数据，以最小的附加电池消耗强加。在[ 61 ]，做等。使用状态机的方法，可以自动调整采样根据用户当前上下文的频率。例如，当应用程序检测到它的用户在室内，GPS传感器可以设置为低采样率。同样，GPS传感器的采样率可以调整为室外高语境。在[ 14,62 ]的工作建议通过一个事件驱动的方法收集数据，即只有当有变化的上下文中，数据将被记录。除了APP的使用数据，其他类型的数据，如附近的WiFi接入点，细胞塔，电池水平也采样。有了上述措施，据报道，电池的数据消耗收集可以保持低至2% - 3%的大多数设备[ 14 ]。除了能源效率方面，额外解决的问题还包括数据隐私，带宽约束和事件同步。
2.2 常见的使用统计
尽管使用的数据集的差异，一些常用的使用统计经常量化和报告。这些措施包括使用会话的持续时间和交互时间，与应用程序使用和应用程序的时空相关性使用依赖项。
通常报告的统计数据与使用会话和交互时间相关。使用会话是定义为一个连续的智能手机使用期间没有任何中断[ 2 ]和交互时间被定义为总在固定时间内使用会话的累积时间，例如一天。每天的交互时间通常被发现范围从几分钟到500分钟以上，和90%有一个范围为20 - 100分钟[ 2 ]。类似的结果报告每日平均使用时间分别为123分钟[ 62 ]，117分钟[ 63 ]，和74分钟[分别]。在[ 59 ]中的工作有一个不同的定义使用会话，即使用序列的应用程序没有设备处于待机状态超过30秒的模式。在此基础上，报告的平均每天使用时间仅为59分钟，据报道，每天的互动时间通常是由一个大的数字（范围从10到200）短使用会话的持续时间范围从10到250秒。尽管绝大多数的短使用会话[ 2 ]，有通常是一些长的会话以及。据观察，会话的数量呈指数下降时会话长度增加。提出了
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[141386]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
课题毕业论文、外文翻译、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
