面向智能手机应用使用预测的特征发现

随着开发的移动应用（App）数量不断增加，它们已紧密融入日常生活。本文开发了一个框架，用于根据智能手机当前的设备状态预测最可能被使用的应用。此类应用使用预测框架是实现快速应用启动、智能用户体验和智能手机电源管理的关键前提。通过分析真实的应用使用日志数据，我们发现了两类特征：来自内置传感器读数的显式特征（Explicit Feature, EF）和来自应用使用关系的隐式特征（Implicit Feature, IF）。IF 特征是通过构建所提出的应用使用图（App Usage Graph, AUG）推导得出的，该图对应用使用转换进行建模。借助 AUG，我们能够发现应用之间的使用关系。鉴于用户在智能手机上可能具有不同的使用行为，我们进一步提出了一种个性化特征选择算法。我们探索从训练数据中获得的最小描述长度（Minimum Description Length, MDL），并选择那些需要更短长度来描述训练数据的特征。个性化特征选择可以成功减少日志大小和预测时间。最后，我们采用 kNN 分类模型来预测应用使用情况。值得注意的是，通过所提出的个性化特征选择算法选择的特征，我们只需保留这些特征，从而减少了预测时间，并避免了在使用 kNN 分类器时的维数灾难。我们基于真实的移动应用使用数据集进行了全面的实验研究。结果证明了所提出框架的有效性，并展示了其在应用使用预测方面的预测能力。