May, 2015

Frappe: 在野外了解移动应用推荐的使用和认知

PDF
TL;DR该研究描述了一个名为 Frappe 的上下文感知移动应用推荐系统的实际部署，并结合了 1000 名安卓用户和 33 名本地用户进行了大规模应用市场部署与小规模本地用户研究。研究结果发现了上下文相关的应用使用和终端用户与上下文感知移动应用推荐互动时的感受与体验，并且从小规模研究中揭示了一些负面的用户体验。结果指出在真实用户中设计、部署和评估移动上下文感知推荐系统的一些创新性教训。
context-awaremobile apprecommender systemuser experiencein-the-wild evaluation
发现论文，激发创造
  • MobileRec：一份用于移动应用推荐的大规模数据集

    MobileRec 是一个大规模的基于 Google Play Store 的数据集，包含了 1900 多万次用户互动和 10K 多种不同类型的应用程序，通过比较研究了几种最先进的推荐方法，MobileRec 可以作为测试应用程序的理想平台，并作为基准线提供量化结果，以供其他研究人员进行比较。

    Mar, 2023

  • EdgeRec: 移动淘宝边缘推荐系统

    提出一种基于边缘计算的推荐系统 (EdgeRec)，通过异构用户行为序列建模和行为注意力网络对推荐结果进行上下文感知的调整，实现实时用户感知和系统反馈，并通过淘宝主页数据的离线评估和在线性能测试证明了其有效性。

    May, 2020

  • 在线和移动社交网络的推荐系统：一项调查

    该研究论文是一篇关于在在线和移动社交网络中设计和实现推荐系统的综述，重点介绍了如何利用社交上下文信息来改善推荐任务，以及标准算法如何在完全分布式环境中进行增强和优化，并讨论了这些系统的优缺点和性能评估。

    Jun, 2023

  • RecSys Challenge 2023：从数据准备到预测的简单、高效、健壮和可扩展解决方案

    RecSys Challenge 2023 年由 ShareChat 主办，旨在预测用户在在 ShareChat 和 Moj 应用程序中看到广告印象后是否会在智能手机上安装应用程序。'Team UMONS' 在该挑战中提出了准确的解决方案（最佳得分为 6.622686），采用了一个相对较小的模型，可以在不同的生产配置中轻松实施。我们的解决方案在增加数据集大小时具有良好的可扩展性，并且可以与包含缺失值的数据集一起使用。

    Jan, 2024

  • 基于应用程序审查的合作式缺陷发现

    本研究提出 BugRMSys，结合历史 bug 报告和用户评价，利用自然语言文本嵌入技术在相同类别的移动应用程序之间进行协作式 bug 查找，从而快速暴露新应用程序中的问题。实验结果表明，成功发现、重现并报告了 20 个新漏洞。

    Jan, 2023

  • MobileConvRec: 移动应用推荐的对话数据集

    现有的推荐系统主要集中在两个范式上：一是基于历史用户 - 项目交互的推荐，二是会话式推荐。对话式推荐系统促进用户和系统之间的自然语言对话，允许系统获取用户明确需求并允许用户提问和提供反馈。鉴于自然语言处理的重大进展，对话式推荐系统日益受到关注。现有的对话式推荐数据集在各自领域的研究中发挥了重要作用。然而，近年来移动用户和应用程序呈指数增长，对话式移动应用推荐系统的研究面临重大限制，主要归因于缺乏专门针对移动应用程序的高质量基准数据集。为促进对话式移动应用推荐的研究，我们引入了 MobileConvRec。MobileConvRec 通过利用用户在 Google Play 商店上与移动应用的真实交互进行对话模拟，该交互数据最初捕获在大规模移动应用推荐数据集 MobileRec 中。MobileConvRec 将连续的用户 - 项目交互（反映隐式用户偏好）与全面的多轮对话相结合，以有效把握用户的明确需求。MobileConvRec 包括超过 12,000 个涵盖 45 个应用类别的多轮推荐相关对话。此外，MobileConvRec 为每个应用程序提供丰富的元数据，如权限数据，安全和隐私相关信息以及应用程序的二进制可执行文件等。通过对几个预训练的大型语言模型的比较研究，我们证明了 MobileConvRec 可作为对话式移动应用推荐的优秀测试平台。

    May, 2024

  • 基于图形的推送服务平台

    本文介绍了通过使用推模式的应用程序市场，结合基于图的用户群发现算法，建立了一个推送服务平台（PSP），从 Huawei 应用商店的网页层级应用操作日志数据中自动发现目标用户组。

    Nov, 2016

  • 对话式推荐系统的进展与挑战：综述

    本文系统地回顾了当前对话式推荐系统（CRSs）的技术，总结了 CRSs 开发中的 5 个关键方向：基于问题的用户偏好获取、多轮对话推荐策略、对话理解和生成、开发利用折中和探索等方法的算法、以及 CRSs 的评估和用户模拟问题，并根据这些研究方向讨论了一些未来的挑战和机遇。

    Jan, 2021

  • 从 Google 应用程序评论中察觉大学生的意见

    通过机器学习和深度学习算法，使用情感分析明确揭示和解释应用市场评论的情绪，该研究通过探索性分析对应用程序评论进行情感分类，并确定大学生对应用市场的行为。

    Dec, 2023

  • 分析应用评论以推动技术价值流》论文的附录

    该研究提出了一种新颖的框架，利用自然语言处理技术来理解移动应用程序的用户反馈，从而帮助软件公司根据用户评论来推动其技术价值流，发现需要改进的地方。该框架经过深入分析，其模块的效果得到了评估，并通过对长时间内十六个流行的 Android 应用商店应用的评论进行分析证明了其有效性。

    Mar, 2023