[论文解读] Building a Stochastic Dynamic Model of Application Use

Peter Gorniak, David Poole|arXiv (Cornell University)|Jan 16, 2013

Web Data Mining and Analysis参考文献 12被引用 13

一句话总结

本文提出一种方法，通过观察用户对未经修改的软件的交互行为，自动构建应用程序使用的随机动态模型。通过分析交互历史，该方法假设子状态，并利用信息增益来优化状态空间，从而实现可扩展的、数据驱动的用户行为建模，且人工干预极少。

ABSTRACT

Many intelligent user interfaces employ application and user models to determine the user's preferences, goals and likely future actions. Such models require application analysis, adaptation and expansion. Building and maintaining such models adds a substantial amount of time and labour to the application development cycle. We present a system that observes the interface of an unmodified application and records users' interactions with the application. From a history of such observations we build a coarse state space of observed interface states and actions between them. To refine the space, we hypothesize sub-states based upon the histories that led users to a given state. We evaluate the information gain of possible state splits, varying the length of the histories considered in such splits. In this way, we automatically produce a stochastic dynamic model of the application and of how it is used. To evaluate our approach, we present models derived from real-world application usage data.

研究动机与目标

• 减少在智能用户界面中构建和维护应用程序模型与用户模型所需的人工工作量。
• 从未经修改的应用程序的用户交互中自动推断粗粒度状态空间。
• 基于通向每个状态的历史序列，假设子状态以优化状态空间。
• 通过信息增益评估不同历史长度对模型准确率的提升效果。
• 在无需访问应用程序源代码的前提下，构建可扩展的、数据驱动的随机动态应用程序使用模型。

提出的方法

• 观察用户对未经修改的应用程序的交互行为，以收集原始交互序列。
• 从观察到的界面状态及其转换关系中构建粗粒度状态空间。
• 基于粗粒度状态中通向该状态的动作历史，假设子状态。
• 利用信息增益评估潜在的状态拆分，以确定最具信息量的优化方式。
• 调整所考虑的交互历史长度，以在模型复杂度与预测准确率之间取得最佳平衡。
• 采用概率建模方法，表示在优化后状态上的用户行为随机动态。

实验结果

研究问题

• RQ1 能否利用未经修改的应用程序的用户交互日志，自动构建应用程序使用的随机动态模型？
• RQ2 交互历史长度在信息增益角度下，如何影响状态空间优化的质量？
• RQ3 假设子状态对最终动态模型的准确率和表达能力有何影响？
• RQ4 信息增益能否有效引导在数据驱动方式下自动选择最优状态拆分？
• RQ5 该方法在保持预测性能的前提下，能在多大程度上减少人工建模工作量？

主要发现

• 该方法成功地从原始用户交互日志中构建了随机动态模型，且无需访问应用程序源代码。
• 信息增益分析能够识别出最优状态拆分，通过捕捉基于行为模式的有意义子状态，提升了模型保真度。
• 该方法通过基于不同长度历史序列的增量式状态空间优化，实现了有效扩展。
• 在真实世界使用数据上的评估表明，该模型在极少人工干预下，成功捕捉了显著的用户行为动态。
• 所构建的模型能够准确预测用户行为，并支持智能用户界面的自适应调整。
• 该技术显著减少了构建应用程序和用户模型的劳动密集型过程，为实际部署提供了实用的替代方案。