基於環境與互動情境之手機程式使用預測

Abstract

隨著智慧型手機的普及，手機應用程式的數量急速的增加，並在使 用者的日常生活中扮演不可或缺的角色。我們提出了APEIC 以預測在 不同的使用情境下，使用者會優先使用哪一個程式。預測手機程式使 用的好處包括將需要的程式預先載入記憶體以降低啟動所需的時間， 以及將不需要的程式關掉以避免程式在背景持續消耗手機電力。在這 篇論文裡，情境的描述包含了環境情境和互動情境兩種不同的類型， 前者指的是裝置周遭的環境資訊，比方說時間、空間、使用者的運動 狀態等，而互動情境則是指程式使用的先後順序。我們收集了實際的 手機程式使用資料，進而分析程式的使用情境，將觀察的結果作為設 計預測模型的參考。利用使用者過去的使用紀錄，預測模型學習如何 從當下的環境情境以及互動情境評估每個程式被開啟的機率，以及如 何從已經開啟的程式來推測接下來將會被使用的程式。根據使用者目 前的使用情況，預測模型會自動調整預測的結果以符合當下的使用模 式。我們除了利用收集到的實際資料進行實驗，也根據收集的資料設 計了一個手機使用資料產生器，利用產生器製造的合成資料進行完整 的參數分析。實驗的結果顯示出我們提出的預測不但準確而且適用於 不同的使用模式。結合其他研究夥伴先前提出的應用，我們可以實作 出一個實用的手機應用。程式會在手機螢幕上會顯示一個常駐的啟動 器，列出預測模型依據當前情境，推測使用者目前最有可能使用的手 機程式，並且根據使用者現在的活動以推薦合適的應用程式。

With the growing prevalence of smartphones, there is an increasing number of mobile applications which play important roles in daily life. In this thesis, we propose a framework of APEIC (standing for App Prediction by Environmental and Interactional Contexts) to predict apps that are most likely to be used according to the current context. The context consists of environmental context (EC), which is characterized by features extracted from built-in sensors, and interactional context (IC), which is defined as the app launch sequence. The benefits of such prediction include fast app launching by pre-loading the right apps into memory, and also efficient power management by terminating apps which are not to be used in the near future. We collected real app usage traces and made some observations that provide insights into the design of our prediction model. First, from past traces, we adopt features representing EC to build a naive Bayes classifier and evaluate the launch contributions between apps from IC respectively. Second, from the current condition, Poisson distribution is used to model the re-access pattern of certain apps. Finally, we can rank the apps by the sum of their launch intensities. We conduct experiments on both real data and synthetic data. The results demonstrate the capability and the robustness of our prediction framework. Furthermore, in combination with our companions’ work, we design a smart launcher which helps users have rapid access to the apps they need and recommends other useful apps according to the context at that time.