基于智能手機(jī)使用數(shù)據(jù)的用戶行為提取與分析

劉新帥，林 強(qiáng)，曹永春，楊津達(dá)，滿正行，紀(jì)金水

(西北民族大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，甘肅 蘭州 730030)

0 引言

隨著無線通信和微電子技術(shù)的發(fā)展，智能手機(jī)(Smartphone)應(yīng)運(yùn)而生，且日漸普及.智能手機(jī)這一搭載獨(dú)立操作系統(tǒng)和內(nèi)存，支持軟件、應(yīng)用自行安裝，并可通過移動(dòng)通訊網(wǎng)絡(luò)實(shí)現(xiàn)無線網(wǎng)絡(luò)接入的移動(dòng)計(jì)算平臺(tái)，為人們的日常生活、學(xué)習(xí)和工作提供了諸多便利，已經(jīng)成為不可或缺的“個(gè)人移動(dòng)助手”.2018年9月，市場研究機(jī)構(gòu)Newzoo發(fā)布的《2018年全球移動(dòng)市場報(bào)告(Newzoo Global Mobile Market Report 2018)》[1]預(yù)測，2018年全球智能手機(jī)用戶將達(dá)到33億，其中中國將擁有7.83億用戶量，成為最大的智能手機(jī)市場.

支持應(yīng)用開發(fā)是智能手機(jī)與傳統(tǒng)手機(jī)一大主要區(qū)別，這歸因于其搭載的操作系統(tǒng)，主要包括蘋果的iOS和谷歌的Android.特別是Android操作系統(tǒng)以其代碼開源的優(yōu)勢，占據(jù)了智能手機(jī)市場的半壁江山.在2018年8月全球操作系統(tǒng)市場份額報(bào)告中[2]，Android占有41.66%的市場份額，位居第一.

除了基本的通訊功能以外，智能手機(jī)同時(shí)承載了信息獲取和傳輸、娛樂、消費(fèi)、電子支付等移動(dòng)計(jì)算功能，成為推動(dòng)“信息物理融合系統(tǒng)(Cyber-physical System，CPS)”付諸實(shí)現(xiàn)的重要技術(shù)推動(dòng)力.智能手機(jī)與人之間存在的固定綁定關(guān)系，使得其成為記錄人在物理世界中真實(shí)行為的有效工具.

應(yīng)用程序APP是除硬件配置之外智能手機(jī)吸引用戶的最主要方面，種類繁多、功能各異的APP為用戶提供了信息交互、網(wǎng)上購物和移動(dòng)支付等方面的便利.綜合個(gè)人APP使用的全部歷史信息，應(yīng)用合理的數(shù)據(jù)挖掘技術(shù)，便可發(fā)現(xiàn)和識(shí)別隱藏在數(shù)據(jù)中的用戶生活習(xí)慣、興趣愛好、職業(yè)種類及消費(fèi)水平等個(gè)性化行為，以便提供個(gè)性化建議和提醒，在提升用戶使用體驗(yàn)的同時(shí)一定程度上可減輕或消除手機(jī)使用的負(fù)面影響.

以用戶個(gè)性化行為的理解為目標(biāo)，本文研究基于數(shù)據(jù)挖掘技術(shù)的智能手機(jī)APP使用模式提取，以發(fā)現(xiàn)APP使用模式背后的用戶行為特征.首先，基于Android平臺(tái)，應(yīng)用傳感器端口監(jiān)測技術(shù)，實(shí)時(shí)監(jiān)測并收集智能手機(jī)APP的基本狀態(tài)信息，包括APP的啟動(dòng)時(shí)間和持續(xù)時(shí)長.其次，應(yīng)用去噪技術(shù)對(duì)APP狀態(tài)數(shù)據(jù)進(jìn)行預(yù)處理，進(jìn)而形式化定義APP事務(wù)為二元組.再次，應(yīng)用關(guān)聯(lián)規(guī)則挖掘技術(shù)，挖掘并提取個(gè)人歷史APP事務(wù)中隱含的模式關(guān)聯(lián).最后，應(yīng)用真實(shí)的個(gè)人數(shù)據(jù)集，測試并驗(yàn)證所提提出方法的有效性.實(shí)驗(yàn)結(jié)果表明，本文提出的方法在APP事務(wù)關(guān)聯(lián)的提取中具有較好的性能.

1 國內(nèi)外研究現(xiàn)狀

1.1 基于智能手機(jī)傳感器的用戶行為研究

從數(shù)據(jù)感知的角度講，智能手機(jī)是融合類型各異傳感器的綜合感知平臺(tái).利用手機(jī)傳感器開展用戶行為分析研究，是國內(nèi)外學(xué)者關(guān)注的重要研究分支.Jennifer R等人[3]研究用手機(jī)加速度傳感器識(shí)別簡單活動(dòng)，包括走、上下樓梯、跑等；Lee等人[4]綜合考慮手機(jī)存儲(chǔ)容量和計(jì)算能力的前提下，研究基于手機(jī)加速度傳感器的人體活動(dòng)識(shí)別，提出基于隱馬爾可夫模型(Hidden Markov Models，HMMS)的兩階段識(shí)別模型，即先通過上層HMMS模型識(shí)別活動(dòng)序列，再通過下層HMMS模型識(shí)別用戶的具體活動(dòng)；Yan等人[5]研究并提出了基于傳感器的自適應(yīng)活動(dòng)識(shí)別模型A3R，用于簡單活動(dòng)如上下樓、隨意行走等活動(dòng)的識(shí)別.Zhang等人[6]利用手機(jī)加速度傳感器識(shí)別6種簡單活動(dòng)，該工作首先將活動(dòng)進(jìn)行分級(jí)分類，先判別其是靜止的還是非靜止的，然后再分別進(jìn)行具體活動(dòng)的識(shí)別.

李晶等人[7]研究應(yīng)用智能手機(jī)內(nèi)置傳感器獲取的用戶室內(nèi)移動(dòng)數(shù)據(jù)，構(gòu)建面向用戶行為識(shí)別的分類模型，并對(duì)不同分類模型的準(zhǔn)確度進(jìn)行了對(duì)比.為了提高行為活動(dòng)識(shí)別的準(zhǔn)確度，朱響斌等人[8]先利用降維技術(shù)對(duì)實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行特征約簡得到最優(yōu)實(shí)驗(yàn)特征子集，再利用隨機(jī)森林集成分類器完成了人類行為的識(shí)別.李文洋[9]提出了一種基于譜聚類和隱馬爾可夫模型(Spectral clustering and Hidden Markov Models，SC-HMM)的日常行為識(shí)別算法，胡龍[10]研究基于支持向量機(jī)的用戶行為分類算法，邱慧玲[11]提出了基于三階層連續(xù)隱馬爾可夫模型(Three-Stage Continuous Hidden Markov Model，TSCHMM)的人類行為識(shí)別算法.

上述研究基于傳感器數(shù)據(jù)識(shí)別人的活動(dòng)或行為，屬于細(xì)粒度活動(dòng)的范疇.本文研究基于手機(jī)APP使用情況的用戶行為理解，屬于粗粒度行為的范疇，因而與上述工作的研究目標(biāo)有所不同.

1.2 基于智能手機(jī)使用數(shù)據(jù)的用戶行為研究

在智能手機(jī)的絕大多數(shù)應(yīng)用中，用戶使用手機(jī)是通過操作APP實(shí)現(xiàn)的.APP與業(yè)務(wù)類型的綁定關(guān)系為用戶行為的理解提供了數(shù)據(jù)記錄途徑，因而成為極具潛力的研究分支.Wu等人[12]研究并開發(fā)了一個(gè)實(shí)驗(yàn)數(shù)據(jù)收集平臺(tái)，可記錄和分析現(xiàn)實(shí)生活中智能手機(jī)的用戶操作行為，數(shù)據(jù)經(jīng)由Internet連接定期上傳至服務(wù)器予以存儲(chǔ)，同時(shí)提供圖表展示、日志查詢和實(shí)時(shí)日志模式分析等功能.Chittaranjan等人[13]針對(duì)智能手機(jī)使用情況，提出了基于機(jī)器學(xué)習(xí)方法的用戶性格特征分類方法.Tseng等人[14]通過挖掘智能手機(jī)的使用日志，探索用戶使用智能手機(jī)的模式，以發(fā)現(xiàn)用戶真實(shí)的APP使用行為.針對(duì)智能手機(jī)使用數(shù)據(jù)，Sarker等人[15]提出了一種基于用戶接受、拒絕或錯(cuò)過電話呼叫事件的個(gè)性化行為發(fā)現(xiàn)方法，在其后續(xù)的研究工作中又提出了基于行為的時(shí)間分割技術(shù)[16]和用戶行為關(guān)聯(lián)規(guī)則挖掘技術(shù)[17].

針對(duì)APP事務(wù)及其關(guān)聯(lián)，本文研究基于智能手機(jī)使用情況的行為捕獲與分析，從宏觀層面理解用戶的手機(jī)使用行為，以便支撐行為習(xí)慣和特征的提取.

2 數(shù)據(jù)收集與關(guān)聯(lián)規(guī)則提取

本文研究基于手機(jī)APP使用情況的用戶行為捕獲與分析，本部分首先介紹APP狀態(tài)數(shù)據(jù)的收集方法，基于此描述APP數(shù)據(jù)的預(yù)處理和形式化，然后給出本文提出的APP事務(wù)關(guān)聯(lián)規(guī)則挖掘方法.

2.1 APP數(shù)據(jù)收集

APP數(shù)據(jù)的收集本質(zhì)上是對(duì)APP運(yùn)行狀態(tài)的數(shù)字化記錄，借助于移動(dòng)開發(fā)平臺(tái)的應(yīng)用程序端口監(jiān)測予以實(shí)現(xiàn).具體而言，本文研究基于開源Android平臺(tái)的APP運(yùn)行狀態(tài)數(shù)據(jù)實(shí)時(shí)感知，應(yīng)用Android studio工具中的UsageStatsManager類，對(duì)運(yùn)行在Android智能手機(jī)平臺(tái)上的應(yīng)用程序進(jìn)行監(jiān)聽并記錄其狀態(tài)數(shù)據(jù).

為做到完整記錄APP的運(yùn)行狀態(tài)以真實(shí)反映用戶的使用行為，數(shù)據(jù)采樣頻率是一個(gè)需要慎重選擇的重要參數(shù).這是因?yàn)椴蓸宇l率設(shè)置太大、持續(xù)時(shí)間較短的APP不能被有效記錄；相反，采樣頻率設(shè)置太小，存儲(chǔ)空間開銷會(huì)明顯上升.

圖1 基于固定頻率的APP狀態(tài)數(shù)據(jù)采樣機(jī)制

如圖1所示，較大的采樣頻率f1導(dǎo)致持續(xù)時(shí)間較短的APP B未被記錄，較小的采樣頻率f2使得最終記錄的APP運(yùn)行狀態(tài)數(shù)量明顯增加.

鑒于此，本文提出基于界標(biāo)窗口模型(Landmark Window Model)的APP運(yùn)行狀態(tài)數(shù)據(jù)收集機(jī)制.如圖2所示，每當(dāng)APP開始運(yùn)行時(shí)，將開啟一個(gè)界標(biāo)窗口(Landmark window)，這個(gè)窗口一直向前延續(xù)直到當(dāng)前APP停止運(yùn)行.APP停止運(yùn)行意味著新的APP開始運(yùn)行，或者系統(tǒng)進(jìn)入“桌面”狀態(tài)(桌面也可以看作一種APP狀態(tài)).很顯然，基于界標(biāo)窗口模型的數(shù)據(jù)收集機(jī)制克服了固定頻率方式存在的問題，真實(shí)記錄了各個(gè)APP的運(yùn)行狀態(tài).

圖2 基于界標(biāo)窗口模型的APP狀態(tài)數(shù)據(jù)采樣機(jī)制

應(yīng)用基于界標(biāo)窗口模型的采集機(jī)制，每一個(gè)APP運(yùn)行數(shù)據(jù)可表示為三元組A=(N，TS，TE)，其中：N代表APP的名稱，如QQ、鐵路12306等，TS和TE分別代表該APP執(zhí)行開始和結(jié)束的時(shí)間，如PM 11∶31和PM 11∶45.

a.預(yù)處理前的數(shù)據(jù) b.預(yù)處理后的數(shù)據(jù)

圖3數(shù)據(jù)預(yù)處理

2.2 APP數(shù)據(jù)預(yù)處理

本文研究APP使用模式的提取，以進(jìn)一步研究個(gè)體的使用習(xí)慣和行為.因此，那些僅僅是短程切換而非真正使用的APP產(chǎn)生的數(shù)據(jù)記錄不僅不是模式提取關(guān)注的對(duì)象，反而可能會(huì)為模式挖掘帶來負(fù)面影響.例如，圖3a中的APP B、C和E的持續(xù)時(shí)間明顯偏短，它們可能代表從當(dāng)前APP短程切換至另一個(gè)APP后很快切換回來(如APP B所示)，也可能是從一個(gè)APP切換至另一個(gè)APP之間行為習(xí)慣上的過渡(如APP C和E所示).此外，為了進(jìn)一步提取宏觀層面的APP使用關(guān)聯(lián)，而不僅僅是APP之間的前后依賴關(guān)系，需要對(duì)原始APP三元組數(shù)據(jù)進(jìn)行映射處理.

2.2.1 短程數(shù)據(jù)的移除處理

設(shè)定時(shí)間閾值Tthr，給定APP三元組序列A= {A1，A2，…，Ai-1}，是否將第i個(gè)APP記入A，取決于Ai=(N，TS，TE)的持續(xù)時(shí)間TE-TS是否大于閾值Tthr.若TE-TS>Tthr，則Ai記入序列A，此時(shí)A= {A1，A2，…，Ai-1，Ai}；否則，Ai被識(shí)別為短程數(shù)據(jù)，不記入序列A.

應(yīng)用上述短程數(shù)據(jù)移除規(guī)則，可將圖3a所示原始數(shù)據(jù)中的APP B、C和G移除掉，獲得如圖3b所示的處理后數(shù)據(jù).

2.2.2 基于時(shí)間軸的APP數(shù)據(jù)投影

前述APP運(yùn)行狀態(tài)的三元組(N，TS，TE)記錄反映了APP運(yùn)行的時(shí)空狀態(tài)，其中N為空間域、TS和TE為時(shí)間域.很顯然，同一周期中空間域相同的多個(gè)三元組記錄在時(shí)間域上將不同，不同周期中空間域相同的三元組記錄的時(shí)間域很難完全對(duì)齊.這些問題的存在為APP關(guān)聯(lián)規(guī)則的挖掘帶來巨大挑戰(zhàn)，不利于用戶行為模式的提取.

鑒于此，本文提出基于時(shí)間軸的APP三元組投影機(jī)制，將APP三元組轉(zhuǎn)換為二元組表示，以解決不同周期中APP運(yùn)行記錄無法對(duì)齊和同一周期中APP運(yùn)行記錄重復(fù)的問題.

圖4 基于時(shí)間軸的APP三元組投影

圖4將時(shí)間軸劃分為一系列固定長度(tsize)的時(shí)間片，并對(duì)時(shí)間片序列進(jìn)行編碼(Tslice1-Tslicen)；然后，基于如下規(guī)則將三元組投影到時(shí)間軸：

1)若TS和TE正好與某個(gè)時(shí)間片的開始時(shí)間和結(jié)束時(shí)間嚴(yán)格對(duì)應(yīng)，則將該三元組的時(shí)間域用投影所在的時(shí)間片編碼替換，產(chǎn)生對(duì)應(yīng)的二元組.如圖4所示，投影到第一個(gè)時(shí)間片Tslice1的三元組被表示為(N，Tslice1).

2)若TS或TE處于某個(gè)時(shí)間片的內(nèi)部，且跨越部分的距離不超過時(shí)間片長度的1/3，則做縮減投影處理.如圖4所示，投影到第三個(gè)時(shí)間片Tslice3中的三元組有部分跨越到第二個(gè)時(shí)間片Tslice2，但跨越距離不超過tsize/3，所以將投影結(jié)果縮減并表示為(N，Tslice3).

3)若TS或TE處于某個(gè)時(shí)間片的內(nèi)部，且TE-TS>tsize/2，則做擴(kuò)展投影處理.如圖4所示，投影到第四個(gè)時(shí)間片Tslice4中的三元組雖然尚未充滿整個(gè)時(shí)間片，但其跨越距離超過tsize/2，所以將投影結(jié)果擴(kuò)展并表示為(N，Tslice4).

經(jīng)過上述預(yù)處理步驟，原始APP運(yùn)行狀態(tài)數(shù)據(jù)將表示為由APP名和投影所在的時(shí)間片構(gòu)成的二元組(N，Tslice)，其中不含持續(xù)時(shí)間很短的短程數(shù)據(jù).本文將該二元組稱為APP事務(wù).本文定義APP事務(wù)如下：

定義1.APP事務(wù)是APP運(yùn)行狀態(tài)的時(shí)空二元組(N，T)，其中N代表APP的名稱、T代表APP投影所在的時(shí)間片.

2.3 APP事務(wù)關(guān)聯(lián)的提取

APP之間的關(guān)聯(lián)本質(zhì)上是APP之間的時(shí)空依賴關(guān)系，蘊(yùn)含著用戶的使用習(xí)慣和使用行為.數(shù)據(jù)挖掘領(lǐng)域常見的事務(wù)關(guān)聯(lián)挖掘算法有Apriori[18]和FP-Growth[19].鑒于Apriori結(jié)構(gòu)簡單，同時(shí)對(duì)于規(guī)模較小的數(shù)據(jù)集有著良好的性能.因此，本文選用Apriori算法作為APP事務(wù)關(guān)聯(lián)規(guī)則的提取算法.

假定suppthr代表支持度閾值，對(duì)于給定的APP事務(wù)A=(N，T)，A的支持度定義為support(A)=number(A) /number(Allsamples)；稱A為頻繁事務(wù)，support(A)≥suppthr.其中：number(A)代表數(shù)據(jù)集中包含A的記錄的條數(shù)，number(Allsamples)代表數(shù)據(jù)集中記錄的總數(shù)量.類似地，定義兩個(gè)APP事務(wù)A和B的支持為support(A→B)=number(AB)/number(Allsamples)，反映了事務(wù)A和B同時(shí)發(fā)生的概率.

不同于支持度，置信度是另一個(gè)反映兩個(gè)或以上事務(wù)同時(shí)發(fā)生概率的度量指標(biāo).對(duì)于兩個(gè)APP事務(wù)A和B，定義當(dāng)A發(fā)生的前提下B發(fā)生的概率為置信度confidence(A→B)=number(AB)/number(A)，即A、B同時(shí)存在的記錄占A存在的記錄的比重.

在給定的支持度閾值suppthr的前提下，Apriori算法不斷計(jì)算支持度和置信度值，在滿足條件的前提下遍歷數(shù)據(jù)集以查找k-頻繁事務(wù)，直到條件不滿足為止.

3 實(shí)驗(yàn)及結(jié)果

應(yīng)用收集自5位智能手機(jī)用戶的真實(shí)數(shù)據(jù)集，本部分驗(yàn)證并呈現(xiàn)本文提出方法在APP關(guān)聯(lián)規(guī)則挖掘應(yīng)用中的有效性.

3.1 實(shí)驗(yàn)設(shè)計(jì)

表1給出了本文實(shí)驗(yàn)數(shù)據(jù)的概貌，包括數(shù)據(jù)集名、記錄總數(shù)和APP總數(shù).其中，記錄總數(shù)與采樣周期一一對(duì)應(yīng)，即一個(gè)采樣周期產(chǎn)生一條APP記錄，而一條APP記錄可能包含多個(gè)APP事務(wù)，APP總數(shù)代表一個(gè)數(shù)據(jù)集中所包含的APP類型總量.

表1 本文實(shí)驗(yàn)數(shù)據(jù)

表2給出了本文實(shí)驗(yàn)中預(yù)定義參數(shù)的取值，這些值較強(qiáng)關(guān)聯(lián)于所選用的實(shí)驗(yàn)數(shù)據(jù).因此，實(shí)驗(yàn)數(shù)據(jù)不同，取值可能略有差異.

表2 預(yù)定義參數(shù)的取值

表2中時(shí)間片大小tsize設(shè)定為15分鐘，將一天當(dāng)中的9∶00-24∶00作為一個(gè)周期，即自9∶00開始每隔15分鐘作為一個(gè)時(shí)間片，如T1(9∶00-9∶15)、T2(9∶15-9∶30)……T60(23∶45-24∶00).

實(shí)驗(yàn)評(píng)價(jià)指標(biāo)為挖掘所得關(guān)聯(lián)規(guī)則的客觀性，因?yàn)榭陀^性較難量化定義，且每個(gè)數(shù)據(jù)集僅代表個(gè)人的APP運(yùn)行記錄，不同數(shù)據(jù)集之間的可比性較小.因此，本文通過邀請(qǐng)用戶對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行應(yīng)證評(píng)分，實(shí)現(xiàn)關(guān)聯(lián)規(guī)則的客觀性評(píng)價(jià).具體而言，若用戶認(rèn)為本文實(shí)驗(yàn)結(jié)果正確反映了其80%以上的行為特征和關(guān)聯(lián)，則該規(guī)則為客觀的，否則，該規(guī)則為不客觀的.

3.2 實(shí)驗(yàn)結(jié)果

利用經(jīng)典關(guān)聯(lián)規(guī)則算法Apriori算法，對(duì)用戶的APP事務(wù)集進(jìn)行關(guān)聯(lián)規(guī)則挖掘，設(shè)置關(guān)聯(lián)規(guī)則的最小支持度為15%，最小置信度設(shè)置為50%，得出的DataSet 1和4的APP事務(wù)間的關(guān)聯(lián)規(guī)則如圖5所示.

a.DataSet 1的關(guān)聯(lián)規(guī)則

b.DataSet 4的關(guān)聯(lián)規(guī)則

由圖5所示的DataSet1和DataSet 4的APP事務(wù)之間的關(guān)聯(lián)規(guī)則可以看出，DataSet 1的最大頻繁項(xiàng)集為(QQ57，QQ58，WeChat59)，可推斷該用戶經(jīng)常使用“QQ”和“微信”這兩種社交類APP聊天和瀏覽新聞.此外，根據(jù)頻繁APP所在的時(shí)間片，可以看出該用戶經(jīng)常在晚上23∶00-23∶45之間使用QQ和微信，可進(jìn)一步得知用戶在這個(gè)時(shí)間段內(nèi)先使用QQ后使用微信這一使用行為模式.類似DataSet4的最大頻繁項(xiàng)集為(Bili54，Bili55，Bili56)，可以得知該用戶經(jīng)常在晚上22∶15-23∶00之間使用“嗶哩嗶哩視頻”APP觀看視頻、學(xué)習(xí)等.

用戶1至用戶5所得APP事務(wù)間的關(guān)聯(lián)規(guī)則見表3.

從實(shí)驗(yàn)結(jié)果可以得知，不同的用戶(數(shù)據(jù)集)擁有不同的APP使用行為，有些用戶喜歡使用社交類軟件，如用戶1、2和5；有些用戶喜歡看視頻軟件，如用戶2和4；還有些用戶喜歡瀏覽網(wǎng)頁，如用戶3.此外，雖然用戶1、2和5都經(jīng)常使用微信APP，但他們運(yùn)行微信APP的時(shí)間段不同，所以有著不完全相同的行為習(xí)慣.

表3 DataSet1的APP事務(wù)間的關(guān)聯(lián)規(guī)則

如前所述，為驗(yàn)證挖掘所得的關(guān)聯(lián)規(guī)則的客觀性，實(shí)驗(yàn)結(jié)束后，邀請(qǐng)5位用戶對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行應(yīng)證評(píng)分，見表4.

表4 用戶應(yīng)證評(píng)分表

由表4可知，所有數(shù)據(jù)集上的關(guān)聯(lián)規(guī)則均符合定義的80%的客觀性，即本文提出的基于數(shù)據(jù)挖掘的用戶行為挖掘結(jié)果較好反映了用戶的APP使用行為.其中，DataSet 1的評(píng)分值達(dá)到95%，說明挖掘所得的行為模式很好體現(xiàn)了用戶的使用習(xí)慣；而DataSet5的評(píng)分值81%，其主要原因是該數(shù)據(jù)集包含的APP記錄數(shù)太少，數(shù)據(jù)量不能較好支撐關(guān)聯(lián)規(guī)則的提取.

4 總結(jié)與展望

為了發(fā)現(xiàn)用戶的APP使用習(xí)慣和模式，本文研究并提出了基于數(shù)據(jù)挖掘技術(shù)的智能手機(jī)APP使用模式提取技術(shù).首先，基于Android平臺(tái)開發(fā)了智能手機(jī)APP狀態(tài)數(shù)據(jù)的收集平臺(tái)；其次，提出并實(shí)現(xiàn)了面向APP去噪的預(yù)處理技術(shù)；再次，應(yīng)用關(guān)聯(lián)規(guī)則挖掘技術(shù)，提出并實(shí)現(xiàn)了個(gè)人歷史APP事務(wù)模式的挖掘和提取；最后，應(yīng)用包含5個(gè)數(shù)據(jù)集的真實(shí)個(gè)人APP數(shù)據(jù)，測試并驗(yàn)證了本文提出方法的有效性，實(shí)驗(yàn)結(jié)果表明，本文提出的方法在APP事務(wù)關(guān)聯(lián)的提取中具有較好的性能和客觀性.

未來可以在以下幾個(gè)方面進(jìn)一步拓展：首先，收集大量數(shù)據(jù)，進(jìn)一步完善和提升本文提出的APP關(guān)聯(lián)挖掘方法；其次，完整實(shí)現(xiàn)面向APP使用模式提取的數(shù)據(jù)收集與挖掘系統(tǒng)；最后，結(jié)合智能推薦系統(tǒng)，將模式挖掘與輔助提醒集成到系統(tǒng)中并應(yīng)用于實(shí)踐.