本研究介绍了一种面向效用的程序，用于管理潜在干扰用户的警报和通讯流。针对电子邮件问题，研究利用关注敏感的警报的原则，通过分析用户活动和通知内容的方式，推断出预期的关键度的提高，进而优先处理并适时发出通知，支持邮件的及时处理。

Jan, 2013

通过真实数据集，使用生存分析技术对移动在线服务中的会话时长进行了分析，针对会话开始时可用信息使用梯度提升树进行预测，本文提出的技术在真实数据上优于现有基线模型。

Aug, 2017

利用标记过时时间点过程的框架，建立起与具有跳跃的随机微分方程的替代表示的社交活动数学模型，并发展出了两个高效的在线算法来引导社交活动，从而在用户层面和网络层面增加社交活动。

Feb, 2018

本研究通过构建行动图和高阶图特征提出了一种用户移动社交应用程序参与预测框架，并用于150k Snapchat新用户的预测。

Jun, 2019

本文介绍如何利用生存分析框架来预测电子邮件收件人打开邮件所需的时间，通过Cox比例风险模型和混合模型进行模型训练，并和传统分类和回归模型进行对比，在实际的市场营销数据中取得了最佳的精度表现。

Aug, 2019

该研究提出了一个框架来研究健康工作者对移动健康的使用，重点关注数字医疗健康应用的行为日志，并提供了多种个性化的度量方法来检测有效参与度和检测完全失去参与的情况，最终为卫生工作者的能力提升、病患治疗和生命拯救做出贡献。

Jun, 2022

本文提出一种基于强化学习的离线决策框架，通过解决分布偏移问题和Q值过高问题优化顺序消息决策，具有很好的在线和离线实验性能。

Jul, 2022

本研究通过对 LinkedIn 等在线社交平台数据的深入分析，提出了一种名为 Dynamic Intent Guided Meta Network（DIGMN）的模型，该模型能够准确预测用户的多种不同意图下的参与度，具有很高的实用价值。

Oct, 2022

在线社交平台成功的关键在于它们能够以大规模预测和理解用户行为。我们展示了数据，表明上下文感知建模方法可能提供全面、轻量且可能保护隐私的在线社交平台用户参与表示。利用深度LSTM神经网络分析来自近80,000个用户的1亿多个Snapchat会话，我们证明了过去行为可以预测主动和被动使用的模式（R2=0.345），而与行为基线模型相比，整合上下文信息可以显著提高预测性能（R2=0.522）。与从应用内行为历史中提取的特征相比，与智能手机连接状态、位置、时间上下文和天气有关的特征被发现捕捉到了用户参与度中非冗余的变化。此外，我们还发现，如果考虑当时的上下文信息，大部分变化都可以用极简的行为历史来解释（R2=0.44）。这些结果表明，上下文感知方法有潜力通过减少对长期数据历史的需求来使模型更高效和保护隐私。最后，我们运用模型可解释性技术来初步了解潜在的行为机制。我们的发现与上下文相关、习惯驱动的主动和被动使用模式的概念一致，突显了上下文化用户行为表示对于预测社交平台用户参与的价值。

Oct, 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