本文介绍了一种行为导向的时间分割（BOTS）技术，该技术基于移动电话数据，综合考虑了行为的时间模式和不同的行为数量，对用户行为进行充分研究，证明该方法更能捕获用户在一周内不同时间段的行为和行为模式。

Nov, 2018

通过使用朴素贝叶斯和拉普拉斯估计，本文提出了一种稳健的预测模型来识别和消除真实生活中手机数据中的噪声实例，以提高模型的预测准确性。实验结果显示该模型在个人手机用户的通话日志等真实生活中的手机数据上具有很好的效果和精度。

Feb, 2019

本文旨在探索移动通知与用户参与之间的互动特性，并提出状态转换框架及生存模型来量化其有效性，并在通知传递时间优化方面进行在线应用实例，以实现更好的决策、推动更多的用户参与和提供更多的价值。

Jul, 2022

本论文提出一种基于双 LSTM 架构的研究，致力于人-人客户支持话语交互中在线实时识别来电者意图的问题，以提高用户体验，并在电信客户支持领域的数据集上进行了实验分析。

Aug, 2022

本文介绍一种基于远程会议中声音打断检测的模型，通过大规模训练和微调等技术将True Positive Rate提高，复杂度和模型体积被极大地压缩，而且估算了环境影响，适用于基于Transformer的大型模型。

Oct, 2022

本论文介绍了一种利用移动手机有效训练ASR模型的方法，该方法考虑了手机资源的限制，并使用了资源感知的子模型训练方法，通过分析手机的RAM和电池能力，达到了高效训练的效果。本论文利用各种口音的说话人来模拟真实用户，使用了各种品牌的手机进行测试，并发现微调模型和选择合适的参数值需要在性能、训练时间和存储消耗之间找到平衡点。最终，这种方法提供了一种综合性的解决方案，可以在平衡准确性和资源限制的需求下开发个性化ASR模型。

Jun, 2023

本研究旨在利用移动网络运营商可获得的真实网络数据，对5G网络中的预测延迟进行彻底分析，并利用机器学习中的贝叶斯学习和图学习技术进行概率回归、异常检测和预测预测框架测试，并使用来自车辆移动、城市交通等场景的数据进行验证，结果为预测算法在实际应用中的有效性提供了有价值的见解。

Jul, 2023

利用实际数据评估了Auto311系统的有效性和可操作性，实验结果表明该系统可有效预测事件类型、从会话背景中提取关键信息，并能够减少对话轮数，分类准确率为94.49%。

Dec, 2023

通过建立“时间交互模型”（TIM），该研究提出了一种旨在改善移动应用用户参与度的综合通知时间控制策略。研究重点关注用户行为模式，通过估计每个时间段内点击率等用户历史交互特征，而不仅仅依赖上下文特征。通过离线实验和在线A/B测试，结果表明TIM是一种可靠的用户行为预测工具，能够显著提升用户参与度而避免不必要的干扰。

Jun, 2024

我们引入CellularLint，这是一个半自动框架，通过自然语言处理技术来检测4G和5G标准中的不一致性，能够在语义和实际用例的各个层面上同时检测不一致性，从而显著推进协议规范的自动化分析。在我们的调查中，我们重点关注了4G和5G网络的非接入层和安全规范，最终发现了157个不一致性，准确率达到82.67%。这些不一致性在开源实现和17台商用设备上经过验证后，我们确认它们确实对设计决策产生了重大影响，可能引起与隐私、完整性、可用性和互操作性相关的问题。

Jul, 2024