[论文解读] Towards Release Strategy Optimization for Apps in Google Play

Sheng Shen, Xuan Lü+1 more|arXiv (Cornell University)|Jul 19, 2017

Green IT and Sustainability参考文献 35被引用 5

一句话总结

本文提出一种数据驱动方法，通过分析更新间隔、应用排名、评分趋势和更新目的，优化在 Google Play 上的 Android 应用发布策略。基于来自 17,820 个顶级应用的 41,028 次发布记录，使用多项式朴素贝叶斯模型进行训练，该模型在预测更新有效性方面达到 76% 的准确率，并推荐最优更新间隔以最大化用户反馈。

ABSTRACT

In the appstore-centric ecosystem, app developers have an urgent requirement to optimize their release strategy to maximize the success opportunity of their apps. To address this problem, we introduce an approach to assisting developers to select the proper release opportunity based on the purpose of the update and current condition of the app. Before that, we propose the interval of an update to its previous update to characterize release patterns, and find significance of the release opportunity through empirical analysis. We mined the update-history data of 17,820 apps from 33 categories in Google Play, over a period of 105 days. With 41,028 releases identified from these apps, we reveal important characteristics of update intervals and how these factors can influence update effects. We suggest developers to synthetically consider app ranking, rating trend, and what to update in addition to the opportunity before releasing an app version. We propose a Multinomial Naive Bayes model to help decide an optimal release opportunity to gain better user adoption.

研究动机与目标

• 解决尽管应用市场竞争激烈，但开发者在优化应用发布策略方面仍缺乏可操作指导的问题。
• 研究发布模式（超越平均频率）如何影响用户反馈，重点关注更新间隔作为更细粒度的度量指标。
• 考察应用排名、评分趋势和更新目的的综合影响对反馈结果的作用。
• 开发一个预测模型，以推荐能最大化正面用户反馈的最优更新间隔。
• 为开发者提供基于数据、可操作的建议，以改善发布规划和用户参与度。

提出的方法

• 测量单个更新间隔（上次更新以来的天数），而非平均频率，以捕捉局部发布模式。
• 将间隔分类为三种类型：连续型（1–5 天）、正常型（6–14 天）和稀疏型（15 天及以上），用于对比分析。
• 利用 Google Play 的应用排名和评分趋势数据，评估应用位置和反馈轨迹。
• 通过自然语言处理分析发布说明，将更新分类为错误修复、功能变更或其他目的。
• 在来自 33 个类别的 17,820 个顶级应用的 41,028 次发布记录上训练多项式朴素贝叶斯模型，以预测更新效果（正面/负面反馈）。
• 优化模型，基于应用特定特征，为未来发布推荐最佳更新间隔。

实验结果

研究问题

• RQ1 不同更新间隔（连续型、正常型、稀疏型）如何影响 Google Play 应用的用户反馈？
• RQ2 应用排名和评分趋势在多大程度上影响发布后的反馈结果？
• RQ3 更新目的（如错误修复与功能变更）如何与更新频率相互作用，进而影响用户反馈？
• RQ4 结合间隔、排名、趋势和目的的预测模型能否准确预测更新的有效性？

主要发现

• 对于高排名应用，连续更新（相隔 1–5 天）更有效，这些应用在更新后往往获得更高评分，表明存在马太效应。
• 低排名应用在连续更新后评分反而降低，表明频繁更新可能对表现不佳的应用造成用户感知损害。
• 及时的连续更新比延迟更新更可能逆转评分下降趋势。
• 错误修复在连续发布时更易获得正面反馈，而功能变更则在间隔较长（稀疏更新）时更受好评。
• 多项式朴素贝叶斯模型在使用间隔、排名、趋势和目的作为特征时，预测更新效果的准确率达到 76%。
• 从模型中推导出的最优更新间隔因应用上下文而异，最佳间隔取决于排名和趋势，表明应采用上下文感知的发布规划策略。