[论文解读] Learning Mobile App Usage Routine through Learning Automata

Ramin Rahnamoun, Reza Rawassizadeh+1 more|arXiv (Cornell University)|Aug 11, 2016

Caching and Content Delivery参考文献 14被引用 3

一句话总结

本文提出了一种基于在线学习自动机（LA）的方法，通过实时学习应用启动之间的转移概率，预测移动应用使用习惯。通过利用用户行为数据动态更新内部状态，该方法提升了应用启动预测的准确性，减少了启动时间并节省了电池寿命——在真实世界的生活日志数据集上，其性能优于两种基线方法。

ABSTRACT

Since its conception, smart app market has grown exponentially. Success in the app market depends on many factors among which the quality of the app is a significant contributor, such as energy use. Nevertheless, smartphones, as a subset of mobile computing devices. inherit the limited power resource constraint. Therefore, there is a challenge of maintaining the resource while increasing the target app quality. This paper introduces Learning Automata (LA) as an online learning method to learn and predict the app usage routines of the users. Such prediction can leverage the app cache functionality of the operating system and thus (i) decreases app launch time and (ii) preserve battery. Our algorithm, which is an online learning approach, temporally updates and improves the internal states of itself. In particular, it learns the transition probabilities between app launching. Each App launching instance updates the transition probabilities related to that App, and this will result in improving the prediction. We benefit from a real-world lifelogging dataset and our experimental results show considerable success with respect to the two baseline methods that are used currently for smartphone app prediction approaches.

研究动机与目标

• 为解决智能手机电池寿命有限的挑战，通过预测性缓存提高应用启动效率。
• 使用在线学习技术实时建模并预测用户应用使用习惯。
• 通过最小化冗余应用启动，减少能耗并提升用户体验。
• 开发一种动态、自适应的系统，能够从用户行为中学习，而无需预先知识或静态模型。
• 在真实世界场景中评估学习自动机与现有预测方法的有效性。

提出的方法

• 该系统使用学习自动机（LA）将应用启动之间的转换建模为马尔可夫决策过程。
• 每次应用启动事件都会触发对转移概率矩阵的更新，从而随时间推移不断优化预测。
• LA 算法以在线方式运行，根据用户交互持续自适应其内部状态。
• 该方法利用真实世界的生活日志数据集来训练和验证预测模型。
• 通过强化学习原理，增量式地更新转移概率，以提高准确性。
• 该方法与操作系统的应用缓存机制集成，预先加载频繁使用的应用。

实验结果

研究问题

• RQ1 学习自动机能否有效建模并实时预测用户移动应用使用习惯？
• RQ2 与现有的静态或批处理预测方法相比，该在线学习方法在准确性和效率方面表现如何？
• RQ3 预测的应用使用模式在多大程度上可以减少应用启动时间并改善电池寿命？
• RQ4 对转移概率的动态更新如何随时间提升预测性能？
• RQ5 使用真实世界用户行为数据对预测模型的鲁棒性有何影响？

主要发现

• 所提出的基于学习自动机的方法在真实世界生活日志数据集上，相比两种基线方法，实现了显著更高的预测准确率。
• 该系统通过基于学习到的使用模式实施预测性缓存，减少了应用启动时间。
• 通过准确预测用户使用习惯，减少了不必要的应用重载，从而延长了电池寿命。
• 在线学习机制使得预测性能能够随着用户行为的演变而持续改进。
• 该方法在真实世界条件下表现出良好的鲁棒性和适应性，优于静态预测模型。
• 结果证实，学习自动机在移动环境中对复杂、动态用户行为建模方面具有显著有效性。