AppUsage2Vec：基于手机App使用记录的用户行为建模与应用

摘要

随着近几年智能终端的迅速发展，智能设备已经成为日常生活中不可或缺的一部分。智能手机，作为移动智能终端中最主要的设备，已经贯穿于人们日常生活的方方面面。作为智能手机获取服务的主要入口，智能手机应用（下简称App）近年来爆炸式增长。用户在频繁使用App时，产生了海量的App使用记录。
　　考虑到手机通常被同一个用户使用，这些App使用记录能够体现用户的个性化特征，比如App使用习惯、行为意图等。本文通过分析App使用行为，理解用户的App使用习惯、行为意图等。通过App使用记录理解用户的行为，可以帮助智能手机开发人员去优化智能手机操作系统，加快手机运行速度;同时，还可以基于App使用行为，推荐更加符合用户使用习惯的App;最后，可以帮助用户理解自己的App使用行为，改变不好的使用习惯，提高生活质量。
　　本文基于App使用记录，提出了AppUsage2Vec模型，对用户使用App的行为进行了建模与理解，具体如下:
　　1.提出AppUsage2Vec模型，对用户使用App行为进行建模，针对App使用行为中的用户与App的相互关系、App之间的相互关系，提出相应的优化方案。
　　2.使用AppUsage2Vec模型对App使用行为进行了预测。在十万级别用户量的App使用记录上，当App序列长度为5时，候选APP数目分别为1、5、10、15时，预测下一个App的正确率分别达到48.24％、74.86％、84.71％、90.54％。相比于之前的研究方法有10％以上的提升。
　　3.使用AppUsage2Vec模型学习了App协同使用行为。通过AppUsage2Vec模型学习的隐向量，对App进行聚类，发现了具有协同使用性质的App簇;同时对用户进行聚类，发现了具有同样协同使用行为的用户群体。

目录

声明

摘要

第1章 绪论

1．1 研究背景

1．2 智能手机用户行为理解

1．3 本文工作

1．4 相关工作

1．4．1 智能手机App使用预测

1．4．2 App使用行为分析

1．5 章节安排

1．6 本章小结

第2章 预备知识

2．1 深度神经网络

2．2 Word2Vec

2．3 Doc2Vec

2．4 Attention机制

2．5 聚类方法

2．6 离散数据可视化方法

2．7 评价指标

2．8 定义与符号约定

2．9 本章小结

第3章 实验数据集

3．1 数据集介绍

3．2 基本分析

3．3 数据预处理

3．3．1 App使用序列提取

3．3．2 数据过滤

3．4 本章小结

第4章 AppUsage2Vec：用户App使用行为建模

4．1 AppUsage2Vec：基于Doc2Vec模型对App使用行为建模

4．2 Hadamard Product：用户与App强相互关系学习

4．3 双塔DNN：用户和App深度特征的独立学习

4．4 Attention：基于用户、时间的App序列权重学习

4．5 本章小结

第5章 基于AppUsage2Vec的用户App使用行为理解

5．1．2 解决方案

5．2 App协同使用行为发现

5．2．1 问题定义

5．2．2 解决方案

5．3 本章小结

第6章 实验与评估

6．1．2 用户、App深度特征学习实验

6．1．3 App之间相互关系建模实验

6．2 基于AppUsage2Vec模型的App使用预测实验

6．2．1 不同参数对结果的影响

6．2．2 不同优化目标对结果的影响

6．2．3 与其他方法的结果比较

6．3 基于AppUsage2Vec的聚类实验

6．3．2 App聚类结果分析

6．3．3 用户聚类结果分析

6．4 本章小结

第7章 总结与展望

7．1 本文总结

7．2 未来展望

参考文献

攻读硕士学位期间主要的研究成果

致谢