移动应用使用行为预测研究

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。