[论文解读] On the Feature Discovery for App Usage Prediction in Smartphones

Zhung-Xun Liao, Shou-Chung Li+2 more|arXiv (Cornell University)|Sep 26, 2013

Green IT and Sustainability参考文献 20被引用 15

一句话总结

本文提出KAP，一种个性化应用程序使用预测框架，通过应用使用图（AUG）将显式传感器数据与隐式应用程序转换模式相结合，以提高预测准确性。通过使用最小描述长度（MDL）进行用户特定的特征选择，KAP降低了维度、日志大小和预测时间，在kNN分类中实现了高达81%的召回率和64%的nDCG，尤其在高熵或噪声条件下优于基线方法。

ABSTRACT

With the increasing number of mobile Apps developed, they are now closely integrated into daily life. In this paper, we develop a framework to predict mobile Apps that are most likely to be used regarding the current device status of a smartphone. Such an Apps usage prediction framework is a crucial prerequisite for fast App launching, intelligent user experience, and power management of smartphones. By analyzing real App usage log data, we discover two kinds of features: The Explicit Feature (EF) from sensing readings of built-in sensors, and the Implicit Feature (IF) from App usage relations. The IF feature is derived by constructing the proposed App Usage Graph (abbreviated as AUG) that models App usage transitions. In light of AUG, we are able to discover usage relations among Apps. Since users may have different usage behaviors on their smartphones, we further propose one personalized feature selection algorithm. We explore minimum description length (MDL) from the training data and select those features which need less length to describe the training data. The personalized feature selection can successfully reduce the log size and the prediction time. Finally, we adopt the kNN classification model to predict Apps usage. Note that through the features selected by the proposed personalized feature selection algorithm, we only need to keep these features, which in turn reduces the prediction time and avoids the curse of dimensionality when using the kNN classifier. We conduct a comprehensive experimental study based on a real mobile App usage dataset. The results demonstrate the effectiveness of the proposed framework and show the predictive capability for App usage prediction.

研究动机与目标

• 为解决智能手机应用数量不断增加带来的应用启动时间慢和用户导航效率低下的挑战。
• 在静态方法（如MRU和MFU）失效（当用户频繁使用大量应用时）的情况下，提升预测准确性。
• 开发一种自适应个体用户行为的个性化特征选择机制，减少无关特征，提升效率。
• 通过动态应用使用图（AUG）建模隐式应用使用模式，捕捉应用之间的转换概率。
• 将显式传感器特征（设备、环境、个人）与隐式应用转换特征整合到统一的基于kNN的预测框架中。

提出的方法

• 该框架构建应用使用图（AUG），基于历史使用序列建模应用之间的转换概率。
• 采用迭代优化算法，为每位用户估算下一个应用的转换概率，即使在测试中下一个应用未知，也能实现隐式特征估计。
• 基于最小描述长度（MDL）的个性化特征选择算法，为每位用户仅选择最具有信息量的特征，最小化训练数据的描述长度。
• 显式特征源自三种传感器类型：设备（如电池、RAM）、环境（如时间、Wi-Fi）和个人（如GPS、加速度）。
• kNN分类器将组合后的显式与隐式特征作为输入，类别标签为即将启动的下一个应用。
• kNN中的邻居数量动态设定为训练数据的40%，以在准确率与计算成本之间取得平衡。

实验结果

研究问题

• RQ1 结合显式传感器数据与隐式应用转换模式的混合框架是否能提升应用使用预测的准确性？
• RQ2 基于MDL的个性化特征选择对预测性能和日志大小减少有何影响？
• RQ3 不同用户行为在多大程度上影响特定特征在应用预测中的相关性？
• RQ4 该框架在高熵或噪声使用模式下的鲁棒性如何？
• RQ5 估计隐式特征的最优迭代次数以及kNN中邻居数的最优设置是什么，以实现性能的平衡？

主要发现

• 当kNN使用40%的训练数据作为邻居时，KAP框架实现了81%的召回率和64%的nDCG，优于基线方法。
• 基于MDL的个性化特征选择在保持或提升准确率的同时，减少了日志大小和预测时间，相较于使用全部特征。
• 经过两次迭代后，隐式特征估计算法收敛，准确率稳定在80%的召回率和60%的nDCG。
• 在熵值为3时，该框架仍保持50%的准确率，显著优于其他方法在相同条件下低于40%的表现。
• 最小转换概率阈值（$min_{tp}$）对性能影响极小，最优结果出现在$min_{tp} = 0.1$（召回率83%，nDCG 61%）。
• 使用40%的训练数据作为kNN邻居时，性能接近最优，召回率为79%，nDCG为61%，因此可作为实用的默认设置。