Luận văn: Ứng dụng phân tích chuỗi tuần tự phát hiện thói quen dùng app mobile

Luận văn thạc sĩ: Ứng dụng phân tích chuỗi tuần tự để phát hiện thói quen sử dụng ứng dụng trên thiết bị di động. Nghiên cứu chuyên sâu, hữu ích.

• Người hướng dẫn: Pgs. Nguyễn Hà Nam
• Trường học: Đại học Quốc gia Hà Nội Trường Đại học Công nghệ
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Ứng dụng phân tích mẫu chuỗi tuần tự vào việc phát hiện thói quen sử dụng các ứng dụng trên thiết bị di động
• Loại tài liệu: Luận văn thạc sỹ
• Năm xuất bản: 2013
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• DANH MỤC CÁC HÌNH VẼ
• DANH MỤC CÁC KÍ HIỆU VÀ CHỮ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• 1. CHƯƠNG 1: GIỚI THIỆU
• 2. CHƯƠNG 2: TỔNG QUAN KHAI PHÁ MẪU CHUỖI TUẦN TỰ
• 2.1. Đặc điểm của dữ liệu
• 2.2. Khai phá dữ liệu mẫu chuỗi tuần tự
• 2.3. Giới thiệu chung
• 2.4. Bài toán Khai phá mẫu chuỗi tuần tự
• 2.5. Một số thuật toán khai phá mẫu tuần tự
• 3. CHƯƠNG 3: MÔ HÌNH ĐỀ XUẤT
• 3.1. Mô hình đề xuất tổng thể
• 3.2. Các phương án tách chuỗi
• 3.3. Tách Itemset trong chuỗi
• 3.4. Tính thời gian cho phương án tách chuỗi
• 4. CHƯƠNG 4: THỰC NGHIỆM
• 4.1. Bộ dữ liệu thứ nhất
• 4.2. Bộ dữ liệu thứ 2
• Phụ lục A – TÍNH KHOẢNG THỜI GIAN PHÂN TÁCH
• Phụ lục B – MỘT SỐ KẾT QUẢ THỰC NGHIỆM CỤ THỂ
• B.1. Kết quả thực nghiệm bộ dữ liệu thứ 1
• B.2. Kết quả thực nghiệm Bộ dữ liệu thứ 2
• TÀI LIỆU THAM KHẢO
• MỞ ĐẦU

Tóm tắt

I. Tổng Quan Về Phát Hiện Thói Quen Dùng App Mobile 2024

Ngày nay, thiết bị di động đã trở thành một phần không thể thiếu trong cuộc sống hiện đại. Sự phổ biến của điện thoại thông minh và máy tính bảng đã tạo ra một lượng lớn dữ liệu về cách người dùng tương tác với các ứng dụng di động. Việc phân tích hành vi người dùng app này không chỉ giúp các nhà phát triển hiểu rõ hơn về khách hàng của mình mà còn mở ra cơ hội tối ưu hóa trải nghiệm người dùng app, tăng retention người dùng app và dự đoán hành vi người dùng mobile app trong tương lai. Các ứng dụng từ giải trí, học tập, công việc đến tài chính đều thu thập dữ liệu về tần suất sử dụng, thời gian sử dụng và các tính năng được sử dụng nhiều nhất. Từ đó, các nhà nghiên cứu và doanh nghiệp có thể sử dụng app usage analytics để đưa ra các quyết định sáng suốt hơn về thiết kế, marketing và phát triển sản phẩm. Việc khai phá dữ liệu chuỗi tuần tự trên dữ liệu này cho phép chúng ta khám phá các phân tích pattern sử dụng app phức tạp, chẳng hạn như chuỗi các ứng dụng mà người dùng thường xuyên sử dụng liên tiếp. Nghiên cứu này sẽ tập trung vào việc áp dụng các kỹ thuật sequence mining app usage để mô hình hóa hành vi sử dụng ứng dụng và phát hiện các phân tích thói quen người dùng app bằng machine learning.

1.1. Tầm Quan Trọng Của Phân Tích Hành Vi Người Dùng App

Việc phân tích hành vi người dùng app mang lại nhiều lợi ích thiết thực cho các nhà phát triển và doanh nghiệp. Nó giúp hiểu rõ hơn về cách người dùng tương tác với ứng dụng, từ đó cải thiện personalization app experience và tối ưu hóa trải nghiệm người dùng app. Dữ liệu này cũng có thể được sử dụng để segmentation người dùng app thành các nhóm khác nhau dựa trên hành vi và sở thích, cho phép các nhà phát triển nhắm mục tiêu quảng cáo và nội dung một cách hiệu quả hơn. Ngoài ra, app usage analytics còn giúp xác định các vấn đề tiềm ẩn trong ứng dụng, chẳng hạn như các tính năng ít được sử dụng hoặc các điểm nghẽn gây khó khăn cho người dùng. Cuối cùng, việc dự đoán hành vi người dùng mobile app có thể giúp các nhà phát triển chủ động đưa ra các cải tiến và cập nhật để đáp ứng nhu cầu của người dùng.

1.2. Các Phương Pháp Tiếp Cận Phân Tích Thói Quen Dùng App

Có nhiều phương pháp khác nhau để phân tích thói quen người dùng app, từ các phương pháp thống kê đơn giản đến các kỹ thuật ứng dụng thuật toán khai phá dữ liệu trong mobile app phức tạp hơn. Một phương pháp phổ biến là phân tích dữ liệu sự kiện app, trong đó các sự kiện như khởi động ứng dụng, nhấp chuột và hoàn thành giao dịch được ghi lại và phân tích. Các phương pháp khác bao gồm phân tích chuỗi hành vi app, trong đó các chuỗi các sự kiện được phân tích để tìm ra các phân tích pattern sử dụng app phổ biến. Khai phá dữ liệu chuỗi tuần tự là một kỹ thuật mạnh mẽ cho phép chúng ta khám phá các mối quan hệ phức tạp giữa các sự kiện. Phân tích hành trình người dùng app cũng là một phương pháp quan trọng, cho phép chúng ta hiểu rõ hơn về cách người dùng di chuyển qua các phần khác nhau của ứng dụng.

II. Thách Thức Trong Phát Hiện Thói Quen Dùng App Mobile 2024

Việc phát hiện thói quen dùng app mobile không phải là một nhiệm vụ đơn giản. Có nhiều thách thức cần vượt qua, bao gồm cả vấn đề về dữ liệu và các vấn đề về thuật toán. Dữ liệu về app usage analytics thường rất lớn và phức tạp, đòi hỏi các kỹ thuật xử lý và phân tích dữ liệu tiên tiến. Ngoài ra, dữ liệu có thể bị nhiễu và thiếu sót, gây khó khăn cho việc phân tích hành vi người dùng app chính xác. Một thách thức khác là việc lựa chọn các thuật toán phù hợp để khai phá dữ liệu chuỗi tuần tự. Các thuật toán khác nhau có thể cho kết quả khác nhau, và việc lựa chọn thuật toán tốt nhất đòi hỏi sự hiểu biết sâu sắc về các đặc tính của dữ liệu và mục tiêu phân tích. Cuối cùng, việc diễn giải kết quả phân tích và đưa ra các quyết định có ý nghĩa có thể là một thách thức đáng kể.

2.1. Vấn Đề Về Dữ Liệu Trong Phân Tích Thói Quen Dùng App

Dữ liệu về app usage analytics thường có các đặc tính sau: dung lượng lớn, độ phức tạp cao, nhiễu và thiếu sót. Dung lượng lớn của dữ liệu đòi hỏi các kỹ thuật xử lý dữ liệu song song và phân tán. Độ phức tạp cao của dữ liệu đòi hỏi các kỹ thuật khai phá dữ liệu chuỗi tuần tự tiên tiến. Nhiễu và thiếu sót trong dữ liệu đòi hỏi các kỹ thuật làm sạch và tiền xử lý dữ liệu cẩn thận. Hơn nữa, vấn đề về quyền riêng tư của người dùng cần được xem xét cẩn thận khi thu thập và phân tích dữ liệu hành vi app.

2.2. Thách Thức Về Thuật Toán Trong Khai Phá Dữ Liệu Chuỗi Tuần Tự

Việc lựa chọn thuật toán phù hợp để khai phá dữ liệu chuỗi tuần tự là một thách thức quan trọng. Các thuật toán khác nhau có thể cho kết quả khác nhau, và việc lựa chọn thuật toán tốt nhất đòi hỏi sự hiểu biết sâu sắc về các đặc tính của dữ liệu và mục tiêu phân tích. Các thuật toán như GSP, SPADE, PrefixSpan và SPAM có các ưu và nhược điểm riêng. Việc lựa chọn thuật toán phù hợp phụ thuộc vào kích thước của dữ liệu, độ dài của các chuỗi và mức độ phức tạp của các phân tích pattern sử dụng app mong muốn.

III. Phương Pháp Phân Tích Chuỗi Tuần Tự Để Phát Hiện Thói Quen App

Để giải quyết các thách thức nêu trên, một phương pháp hiệu quả là áp dụng các kỹ thuật phân tích chuỗi tuần tự. Phương pháp này tập trung vào việc tìm kiếm các chuỗi các sự kiện xảy ra liên tiếp trong dữ liệu app usage analytics. Các chuỗi này có thể đại diện cho các phân tích pattern sử dụng app phổ biến, chẳng hạn như chuỗi các ứng dụng mà người dùng thường xuyên sử dụng liên tiếp. Việc khai phá dữ liệu chuỗi tuần tự có thể được thực hiện bằng nhiều thuật toán khác nhau, mỗi thuật toán có các ưu và nhược điểm riêng. Ví dụ, thuật toán SPAM sử dụng kỹ thuật biểu diễn bitmap để tính toán độ hỗ trợ của các ứng viên một cách nhanh chóng.

3.1. Giới Thiệu Về Khai Phá Mẫu Chuỗi Tuần Tự Trong App Usage

Khai phá mẫu chuỗi tuần tự là một kỹ thuật ứng dụng thuật toán khai phá dữ liệu trong mobile app cho phép chúng ta khám phá các mối quan hệ phức tạp giữa các sự kiện xảy ra liên tiếp trong thời gian. Trong bối cảnh app usage analytics, các sự kiện này có thể là việc khởi động ứng dụng, nhấp chuột, hoàn thành giao dịch hoặc bất kỳ tương tác nào khác của người dùng với ứng dụng. Bằng cách phân tích chuỗi hành vi app, chúng ta có thể tìm ra các phân tích pattern sử dụng app phổ biến, chẳng hạn như chuỗi các ứng dụng mà người dùng thường xuyên sử dụng liên tiếp. Ví dụ, chúng ta có thể phát hiện ra rằng người dùng thường xuyên sử dụng ứng dụng mạng xã hội ngay sau khi sử dụng ứng dụng tin tức.

3.2. Ứng Dụng Giải Thuật SPAM Trong Phát Hiện Thói Quen App

Thuật toán SPAM (Sequential Pattern Mining) là một thuật toán hiệu quả để khai phá dữ liệu chuỗi tuần tự. SPAM sử dụng kỹ thuật biểu diễn bitmap để tính toán độ hỗ trợ của các ứng viên một cách nhanh chóng. Điều này cho phép SPAM xử lý các bộ dữ liệu lớn một cách hiệu quả. Ngoài ra, SPAM sử dụng chiến lược tìm kiếm theo chiều sâu và kỹ thuật cắt tỉa hiệu quả để giảm số lượng ứng viên được sinh ra. Các kết quả thực nghiệm cho thấy SPAM hiệu quả hơn so với các thuật toán khác như SPADE và PrefixSpan. Việc phân tích pattern sử dụng app qua SPAM sẽ cho ra những chuỗi hành vi được lặp lại nhiều lần, qua đó giúp các nhà phát triển hiểu rõ hành vi người dùng app một cách rõ ràng hơn.

IV. Thực Nghiệm và Đánh Giá Hiệu Quả Phương Pháp Phân Tích 2024

Để đánh giá hiệu quả của phương pháp phân tích chuỗi tuần tự trong việc phát hiện thói quen dùng app mobile, chúng tôi đã thực hiện các thực nghiệm trên các bộ dữ liệu thực tế. Các kết quả thực nghiệm cho thấy phương pháp này có thể phát hiện ra các phân tích pattern sử dụng app có ý nghĩa, chẳng hạn như chuỗi các ứng dụng mà người dùng thường xuyên sử dụng liên tiếp. Chúng tôi cũng đã so sánh hiệu quả của các thuật toán khai phá dữ liệu chuỗi tuần tự khác nhau, chẳng hạn như SPAM, SPADE và PrefixSpan. Các kết quả cho thấy SPAM hiệu quả hơn so với các thuật toán khác về tốc độ và độ chính xác.

4.1. Mô Tả Bộ Dữ Liệu Sử Dụng Trong Thực Nghiệm

Chúng tôi đã sử dụng hai bộ dữ liệu thực tế để đánh giá hiệu quả của phương pháp phân tích chuỗi tuần tự. Bộ dữ liệu thứ nhất chứa dữ liệu về app usage analytics của 200 thiết bị di động trong 50 ngày. Bộ dữ liệu thứ hai chứa dữ liệu về app usage analytics của 200 thiết bị di động trong 30 ngày. Cả hai bộ dữ liệu đều chứa thông tin về các ứng dụng được sử dụng, thời gian sử dụng và các sự kiện khác.

4.2. So Sánh Hiệu Quả Của Các Giải Thuật Khai Phá Chuỗi

Chúng tôi đã so sánh hiệu quả của các thuật toán khai phá dữ liệu chuỗi tuần tự khác nhau, chẳng hạn như SPAM, SPADE và PrefixSpan. Các kết quả cho thấy SPAM hiệu quả hơn so với các thuật toán khác về tốc độ và độ chính xác. SPAM có thể xử lý các bộ dữ liệu lớn một cách hiệu quả và phát hiện ra các phân tích pattern sử dụng app có ý nghĩa.

V. Ứng Dụng Thực Tế Của Phát Hiện Thói Quen Dùng App Mobile

Việc phát hiện thói quen dùng app mobile có nhiều ứng dụng thực tế. Nó có thể được sử dụng để tối ưu hóa trải nghiệm người dùng app, tăng retention người dùng app, personalization app experience và cải thiện hiệu quả của các chiến dịch marketing. Ví dụ, nếu chúng ta phát hiện ra rằng người dùng thường xuyên sử dụng ứng dụng mạng xã hội ngay sau khi sử dụng ứng dụng tin tức, chúng ta có thể hiển thị quảng cáo về ứng dụng mạng xã hội trong ứng dụng tin tức. Hoặc, nếu chúng ta phát hiện ra rằng người dùng thường xuyên bỏ qua một tính năng cụ thể, chúng ta có thể cải thiện tính năng đó hoặc loại bỏ nó.

5.1. Tối Ưu Hóa Trải Nghiệm Người Dùng App Dựa Trên Hành Vi

Dựa trên kết quả phân tích hành vi người dùng app, chúng ta có thể tối ưu hóa trải nghiệm người dùng app bằng cách điều chỉnh giao diện, nội dung và các tính năng của ứng dụng. Ví dụ, nếu chúng ta phát hiện ra rằng người dùng thường xuyên bỏ qua một tính năng cụ thể, chúng ta có thể cải thiện tính năng đó hoặc loại bỏ nó. Hoặc, nếu chúng ta phát hiện ra rằng người dùng thường xuyên sử dụng một tính năng cụ thể, chúng ta có thể làm cho tính năng đó dễ tiếp cận hơn.

5.2. Cải Thiện Chiến Dịch Marketing Nhờ Phân Tích Thói Quen

Việc phân tích hành vi người dùng app có thể giúp chúng ta cải thiện hiệu quả của các chiến dịch marketing bằng cách nhắm mục tiêu quảng cáo và nội dung một cách hiệu quả hơn. Ví dụ, nếu chúng ta phát hiện ra rằng người dùng thường xuyên sử dụng ứng dụng mạng xã hội ngay sau khi sử dụng ứng dụng tin tức, chúng ta có thể hiển thị quảng cáo về ứng dụng mạng xã hội trong ứng dụng tin tức.

VI. Kết Luận và Hướng Nghiên Cứu Tương Lai Về App Usage

Việc phát hiện thói quen dùng app mobile là một lĩnh vực nghiên cứu quan trọng và đầy tiềm năng. Các kỹ thuật phân tích chuỗi tuần tự có thể giúp chúng ta khám phá các phân tích pattern sử dụng app có ý nghĩa và tối ưu hóa trải nghiệm người dùng app. Trong tương lai, chúng ta có thể kỳ vọng sẽ thấy sự phát triển của các thuật toán khai phá dữ liệu chuỗi tuần tự tiên tiến hơn, các phương pháp phân tích hành vi người dùng app phức tạp hơn và các ứng dụng thực tế đa dạng hơn.

6.1. Tổng Kết Các Kết Quả Nghiên Cứu Quan Trọng

Nghiên cứu này đã trình bày một phương pháp hiệu quả để phát hiện thói quen dùng app mobile bằng cách áp dụng các kỹ thuật phân tích chuỗi tuần tự. Các kết quả thực nghiệm cho thấy phương pháp này có thể phát hiện ra các phân tích pattern sử dụng app có ý nghĩa và tối ưu hóa trải nghiệm người dùng app. Chúng tôi cũng đã so sánh hiệu quả của các thuật toán khai phá dữ liệu chuỗi tuần tự khác nhau và cho thấy SPAM hiệu quả hơn so với các thuật toán khác.

6.2. Các Hướng Nghiên Cứu Mở Rộng Trong Tương Lai

Trong tương lai, chúng ta có thể mở rộng nghiên cứu này bằng cách khám phá các thuật toán khai phá dữ liệu chuỗi tuần tự tiên tiến hơn, các phương pháp phân tích hành vi người dùng app phức tạp hơn và các ứng dụng thực tế đa dạng hơn. Chúng ta cũng có thể nghiên cứu việc kết hợp các thông tin khác, chẳng hạn như thông tin về nhân khẩu học và vị trí địa lý, để mô hình hóa hành vi sử dụng ứng dụng một cách chính xác hơn.

Trích đoạn nội dung tài liệu

Chương 1. Cung cấp thông tin về bài toán phân tích hành vi của người sử dụng trên TBDĐ. Trong chương này, chúng tôi trình bày các hướng nghiên cứu hành vi người dùng khác nhau từ dữ liệu thu được liên quan TBDĐ. Đồng thời, 9 TIEU LUAN MOI download : [e-mail] chúng tôi trình bày về hướng nghiên cứu và cách thức giải quyết bài toán của chúng tôi.

Trình bày những kiến thức cơ sở để giải quyết bài toán. Về dữ liệu trình bày đặc điểm của dữ liệu thu được từ pha lấy dữ liệu, cách thức lọc dữ liệu làm đầu vào cho thuật toán. Về giải thuật, đưa ra mô hình khai phá dữ liệu và trình bày các giải thuật về khai phá mẫu chuỗi tuần tự phổ biến theo thời gian và đưa ra lý dọ chọn giải thuật SPAM Chương 3. Trong chương này chúng tôi trình bày Mô hình khai phá dữ liệu dể giải quyết được vấn đề của bài toán.

Trình bày kết quả thực nghiệm và phân tích kết quả thu được. Đánh giá tính đúng đắn và tính hiệu quả của phương pháp đề xuất so với một số phương pháp khác. Kết luận và hướng nghiên cứu tiếp theo 10 TIEU LUAN MOI download : [e-mail] Chương 2 - TỔNG QUAN KHAI PHÁ MẪU CHUỖI TUẦN TỰ 2. Đặc điểm của dữ liệu Dữ liệu thu được từ việc người sử dụng kích hoạt các ứng dụng trên TBDĐ sử dụng hệ điều hành Android có dạng như Hình 2.1, trong đó có các thông tin như sau : AppName: là tên ứng dụng.

Stop: thời điểm kết thúc ứng dụng PID: ID của ứng dụng PPID: ID của ứng dụng cha của ứng dụng PID IMEI: mã máy Start: thời điểm khởi động ứng dụng Với dữ liệu sử dụng phần mềm có thể là rất dài đối với một TBDĐ nếu được lấy trong một khoảng thời gian tương đối lớn. Hơn nữa, số lượng các ứng dụng ngày càng nhiều nên khi chúng tôi tìm hiểu cách khai phá tập luật tuần tự thì kết quả không có khả quan. Nhưng khi chúng tôi tìm hiểu các cách để tìm ra các mẫu chuỗi tuần tự thì kết quả khả quan hơn.1 sau minh họa dữ liệu lấy được từ pha lấy dữ liệu, ta có thể nhận ra được rằng trong một thời gian rất ngắn, dữ liệu đã ghi nhận rất nhiều ứng dụng được kích hoạt. Khi quan sát dữ liệu trong Hình 2.1 chúng ta nhận thấy, dữ liệu được lưu quá nhiều, một ứng dụng được lưu quá nhiều lần, các ứng dụng con được kích hoạt từ ứng dụng cha cũng nhiều, có nhiều ứng dụng do hệ điều hành kích hoạt, có nhiều ứng dụng do người dùng kích hoạt.

Vấn đề đặt ra ở đây là làm thế nào chỉ lấy được các ứng dụng gốc do người dùng kích hoạt. Ví dụ, làm thế nào để lấy được ứng dụng gốc như Trình duyệt web, Email, GoogleTalk, … mà không phải các ứng dụng do Hệ thống sinh ra, hoặc ra các ứng dụng gốc đó gọi các ứng dụng khác của hệ thống trong quá trình thực thi. Để làm được việc đó, chúng tôi đã lọc ra các ứng dụng thuộc hệ thống như SystemApplication, Unknow, System,. và toàn bộ các ứng dụng con của nó được kích hoạt qua mã ID và PID.

11 TIEU LUAN MOI download : [e-mail] AppName Stop PID IMEI PPID Start SystemApplication Nov 27 22:31:56 2012 90 0 59 Nov 27 22:30:19 2012 Email Nov 27 22:31:57 2012 247 0 244 Nov 27 22:30:29 2012 Launcher Nov 27 22:31:57 2012 132 0 118 Nov 27 22:30:22 2012 Music Nov 27 22:31:57 2012 180 0 179 Nov 27 22:30:24 2012 SystemApplication Nov 27 22:31:58 2012 52 0 32 Nov 27 22:30:19 2012 LogInfo Nov 27 22:31:08 2012 341 0 289 Nov 27 22:31:07 2012 SystemApplication Nov 27 22:31:56 2012 79 0 59 Nov 27 22:30:19 2012 Search Nov 27 22:31:57 2012 187 0 33 Nov 27 22:30:24 2012 SystemApplication Nov 27 22:31:58 2012 137 0 59 Nov 27 22:30:19 2012 LogInfo Nov 27 22:31:06 2012 339 0 289 Nov 27 22:31:05 2012 LogInfo Nov 27 22:31:51 2012 395 0 289 Nov 27 22:31:50 2012 SystemApplication Nov 28 19:14:24 2012 152 0 126 Nov 28 19:13:47 2012 Music Nov 28 19:14:24 2012 256 0 252 Nov 28 19:13:58 2012 Package Access Helper Nov 28 19:14:24 2012 355 0 240 Nov 28 19:13:57 2012 SystemApplication Nov 28 19:14:24 2012 132 0 124 Nov 28 19:13:47 2012 Clock Nov 28 19:14:24 2012 235 0 232 Nov 28 19:13:54 2012 SystemApplication Nov 28 19:14:24 2012 8 0 2 Nov 28 19:13:43 2012 SystemApplication Nov 28 19:14:24 2012 188 0 124 Nov 28 19:13:47 2012 Pico TTS Nov 28 19:14:24 2012 372 0 33 Nov 28 19:14:10 2012 SystemApplication Nov 28 19:14:24 2012 33 0 1 Nov 28 19:13:43 2012 Pico TTS Nov 28 19:14:24 2012 374 0 372 Nov 28 19:14:10 2012 Package Access Helper Nov 28 19:14:24 2012 241 0 240 Nov 28 19:13:56 2012 Maps Nov 28 19:14:24 2012 357 0 33 Nov 28 19:14:09 2012 Search Nov 28 19:14:24 2012 274 0 268 Nov 28 19:14:01 2012 SystemApplication Nov 28 19:14:24 2012 192 0 124 Nov 28 19:13:47 2012 SystemApplication Nov 28 19:14:24 2012 30 0 1 Nov 28 19:13:43 2012 Downloads Jan 02 13:57:11 2012 207 A000002470B55F 203 Jan 02 13:55:04 2012 LogInfo Jan 02 13:55:54 2012 24528 A000002470B55F 24429 Jan 02 13:55:53 2012 SystemApplication Jan 02 13:57:11 2012 14601 A000002470B55F 117 Jan 02 13:55:03 2012 Contacts Storage Jan 02 13:57:11 2012 354 A000002470B55F 272 Jan 02 13:55:11 2012 Network Location Jan 02 13:57:11 2012 857 A000002470B55F 222 Jan 02 13:55:10 2012 Terminal Emulator Jan 02 13:57:11 2012 25545 A000002470B55F 25543 Jan 02 13:55:35 2012 Contract Killer Jan 02 13:57:11 2012 24031 A000002470B55F 24022 Jan 02 13:55:30 2012 LogInfo Jan 02 13:55:52 2012 24522 A000002470B55F 24429 Jan 02 13:55:51 2012 Market Jan 02 13:57:11 2012 18214 A000002470B55F 18208 Jan 02 13:55:16 2012 SystemApplication Jan 02 13:57:11 2012 35 A000002470B55F 2 Jan 02 13:55:03 2012 LogInfo Jan 02 13:55:38 2012 24476 A000002470B55F 24429 Jan 02 13:55:37 2012 Hình 2.1 Dữ liệu thu được từ TBDĐ sử dụng Hệ điều hành Android Để có dữ liệu có dạng chuỗi tuần tự như sau, Si = {app1, app2, ., appn}; Trong đó: - Si là thiết bị cầm tay thứ i - appj với 1≤ j ≤ n là ứng dụng được kích hoạt bởi người dùng trong thiết bị cầm tay Si - appj được kích hoạt trước appj+1 và được kích hoạt sau ứng dụng app j-1. Tức là: 12 TIEU LUAN MOI download : [e-mail] tstartappj 1  tstartappj  tstartappj 1 (1) Với t start appi là thời điểm bắt đầu kích hoạt ứng dụng appi Đặc điểm của dữ liệu: Si thường có số lớn các ứng dụng (chuỗi dài - long sequence). Như vậy dữ liệu cuối cùng có dạng: imei, appName, start, stop (imei = s i) AppName Stop PID IMEI PPID Start Email Nov 27 22:31:57 2012 247 0 244 Nov 27 22:30:29 2012 Launcher Nov 27 22:31:57 2012 132 0 118 Nov 27 22:30:22 2012 LogInfo Nov 27 22:31:06 2012 339 0 289 Nov 27 22:31:05 2012 Music Nov 27 22:31:57 2012 180 0 179 Nov 27 22:30:24 2012 Search Nov 27 22:31:57 2012 187 0 33 Nov 27 22:30:24 2012 Clock Nov 28 19:14:24 2012 235 0 232 Nov 28 19:13:54 2012 Maps Nov 28 19:14:24 2012 357 0 33 Nov 28 19:14:09 2012 Music Nov 28 19:14:24 2012 256 0 252 Nov 28 19:13:58 2012 Package Access Helper Nov 28 19:14:24 2012 241 0 240 Nov 28 19:13:56 2012 Pico TTS Nov 28 19:14:24 2012 374 0 372 Nov 28 19:14:10 2012 Search Nov 28 19:14:24 2012 274 0 268 Nov 28 19:14:01 2012 Contacts Storage Jan 02 13:57:11 2012 354 A000002470B55F 272 Jan 02 13:55:11 2012 Contract Killer Jan 02 13:57:11 2012 24031 A000002470B55F 24022 Jan 02 13:55:30 2012 Downloads Jan 02 13:57:11 2012 207 A000002470B55F 203 Jan 02 13:55:04 2012 LogInfo Jan 02 13:55:38 2012 24476 A000002470B55F 24429 Jan 02 13:55:37 2012 Market Jan 02 13:57:11 2012 18214 A000002470B55F 18208 Jan 02 13:55:16 2012 Network Location Jan 02 13:57:11 2012 857 A000002470B55F 222 Jan 02 13:55:10 2012 Terminal Emulator Jan 02 13:57:11 2012 25545 A000002470B55F 25543 Jan 02 13:55:35 2012 Hình 2.2 Dữ liệu ứng dụng gốc được lấy ra từ Hình 2.1 Để có dữ liệu dạng trên thì chúng tôi đã có một pha riêng để lọc dữ liệu, pha này phải làm các công việc sau: xác định các ứng dụng gốc (1), loại bỏ các ứng dụng con được kích hoạt từ ứng dụng gốc. Khai phá dữ liệu mẫu chuỗi tuần tự 2.

Giới thiệu chung Như phần 2.1 đã trình bày, vì đặc điểm của dữ liệu là dạng chuỗi dài theo thời gian và có rất nhiều ứng dụng khác nhau được đưa vào sử dụng nên khi chúng tôi thử nghiệm trên các giải thuật tìm luật tuần tự hành về vi sử dụng của nhiều người thì kết quả không khả quan. Do đó, chúng tôi đã đi tìm hiểu các mẫu chuỗi tuần tự về hành vi sử dụng của nhiều người thì có vẻ khả quan hơn. Chính vì vậy, trong phần này chúng tôi sẽ giới thiệu tổng quan về các giải thuật (1) Ứng dụng gốc là ứng dụng được kích hoạt trực tiếp từ người dùng từ desktop, hoặc từ các nhóm ứng dụng trên hệ điều hành. 13 TIEU LUAN MOI download : [e-mail] khai phá mẫu chuỗi tuần tự và lý do chúng tôi chọn giải thuật SPAM cho bài toán này.

Dữ liệu dạng chuỗi các giá trị hoặc các sự kiện được kết hợp với thuộc tính thời gian được gọi là dữ liệu chuỗi thời gian time-series [15] gọi tắt là dữ liệu time-series. Một số dữ liệu time-series như: dữ liệu giao dịch khách hàng trong các siêu thị, dữ liệu về tài chính – chứng khoán, dữ liệu về y học, dữ liệu về khoa học, dữ liệu về thời tiết. Đã có nhiều giải thuật được thiết kế cho dữ liệu time-series [15]. Tuy nhiên, chúng ta có thể gom lại có 4 dạng mẫu (pattern) mà chúng ta khai phá từ dữ liệu time-series sau: - Phân tích xu hướng: phân tích xu hướng là tìm ra các mẫu phát triển của một số thuộc tính theo thời gian, chúng có thể là sự vận động mang tính lâu dài, phát triển quay vòng, vận động có nguyên nhân, các vận động ngẫu nhiên.

Ví dụ như giá vàng theo thời gian, ta có thể mô hình nó dạng Y=F(t) và có thể biểu diễn trên đồ thị. Dựa trên hàm đó ta có thể tìm ra xu hướng là cứ Thứ 2 hàng tuần thì giá vàng tăng 2%, cứ Thứ 6 hàng tuần thì giá vàng tụt xuống 3%. Với phương pháp này được sử dụng nhiều trong phân tích xu hướng chứng khoán. - Tìm chuỗi tuần tự: tìm kiếm chuỗi tương tự là cố gắng để tìm các chuỗi có sự khác biệt đôi chút.

Tìm kiếm chuỗi tương tự là một quá trình đối sánh mờ trong phạm vi sai số nhất định trong một ngưỡng nhất định. Đối sánh chuỗi có thể được phân lớp như: đối sánh chuỗi con và đối sánh toàn bộ chuỗi. Giả sử chúng ta chuyển đổi dữ liệu của giá cổ phiếu vào đường cong, những đường cong bao gồm nhiều hình dạng khác nhau như: lên, lên sắc nét, giảm, lao dốc.