AppsPred：基于随机森林学习的上下文感知智能手机应用预测

由于上下文感知在物联网（IoT）中的普及，以及最流行的IoT设备即智能手机中近期先进功能的出现，基于相关上下文建模和预测个性化使用行为，可极大有助于辅助用户开展日常事务与活动。不同类别智能手机应用（如社交网络、通信、娱乐或日常生活服务类应用）的使用模式通常在个体间差异显著。人们在不同上下文中以不同方式使用这些应用，例如时间上下文、空间上下文、个人情绪与偏好、工作状态、如Wifi状态的互联网连接，或如手机情景模式、电量水平等设备相关状态。因此，我们将个体的应用使用视为一个用于个性化建模与预测的多类上下文感知问题。随机森林（Random Forest）学习是构建多类预测模型最流行的机器学习技术之一。为此，本文提出一种有效的上下文感知智能手机应用预测模型，并采用随机森林机器学习技术将其命名为“AppsPred”，该技术基于此类多维上下文考虑最优树数量来构建所得森林。通过在从个体用户收集的智能手机应用使用数据集上实验检验了该模型的有效性。实验结果表明，在多种上下文感知测试用例中预测智能手机应用时，我们的AppsPred显著优于ZeroR、朴素贝叶斯（Naive Bayes）、决策树（Decision Tree）、支持向量机（Support Vector Machines）、逻辑回归（Logistic Regression）等其他流行机器学习分类方法。