科技部補助專題研究計畫成果報告
期末報告
智慧型手機應用程式使用模式探勘
計 畫 類 別 ： 個別型計畫 計 畫 編 號 ： NSC 102-2221-E-004-013- 執 行 期 間 ： 102 年 08 月 01 日至 103 年 07 月 31 日 執 行 單 位 ： 國立政治大學資訊科學系 計 畫 主 持 人 ： 徐國偉 計畫參與人員： 碩士班研究生-兼任助理人員：陳柏羽 碩士班研究生-兼任助理人員：鄭博元 碩士班研究生-兼任助理人員：高銓廷 報 告 附 件 ： 出席國際會議研究心得報告及發表論文 處 理 方 式 ： 1.公開資訊：本計畫可公開查詢 2.「本研究」是否已有嚴重損及公共利益之發現：否 3.「本報告」是否建議提供政府單位施政參考：否中 華 民 國 103 年 10 月 29 日
中 文 摘 要 ： 近年來，有多種智慧型手機被推出。它們硬體性能越來越 高，更多軟體功能為它們開發。在它們上面執行的應用程式 的種類和數量也正在不斷增加。因此，智慧型手機應用程式 的相關研究也就越來越重要。然而，在資料探勘領域，大部 分相關的研究著重在探勘行動裝置或智慧型手機使用者的軌 跡，藉以分析使用者的移動模式或路線，但是沒有強調應用 程式的使用模式。本計畫旨在研究智慧型手機應用程式的使 用模式探勘，以便從應用程式的日誌紀錄當中發掘出使用者 的使用模式。本計畫可對相關研究做出實質貢獻，例如研究 使用者的習慣或是使用某些應用程式的意圖。本計畫的第一 個重點是在智慧型手機的使用情境之下定義模式，第二個重 點是對應用程式的日誌紀錄進行前置處理，第三個重點是對 處理後的資料做關聯規則探勘和序列模式探勘。本計畫的主 要結果是探勘出來的規則和模式，部分結果已發表。 中文關鍵詞： 智慧型手機、應用程式、關聯規則探勘、序列模式探勘 英 文 摘 要 ： In recent years, there are several kinds of
smartphones introduced. The hardware performance of them is increasingly higher, and more software
features are developed for them. The variety and the quantity of applications (APPs) running on them are also continuing increase. Therefore, the research related to smartphone APPs will be increasingly
important. However, in the field of data mining, most of the research focuses on mining the trajectories of users using mobile devices or smartphones so as to analyze their movement patterns or routes, but there is no emphasis on the usage patterns of APPs. The purpose of this project is to study usage pattern mining for smartphone APPs, in order to mine the usage patterns of APPs from the log of users using APPs. This project could make practical contributions to related studies, such as studies for discovering users＇ habits or users＇ intentions of using some APPs. The first point on which this project focused is to define usage pattern in the context of using smartphones； the second point is to perform data pre-processing for the log of users using APPs； the third point is to apply association rule mining and sequential pattern mining to the pre-processed data. The main result of this project is the mined rules
and patterns, and part of the result has been published.
英文關鍵詞： Smartphone, Application (APP), Association Rule Mining, Sequential Pattern Mining
行政院國家科學委員會補助專題研究計畫
□期中進度報告
■期末報告
智慧型手機 APP 使用模式探勘
計畫類別：■個別型計畫 □整合型計畫
計畫編號：NSC102-2221-E-004-013-
執行期間：102 年 8 月 1 日至 103 年 7 月 31 日
執行機構及系所：國立政治大學資訊科學系
計畫主持人：徐國偉
共同主持人：
計畫參與人員：碩士班研究生-兼任助理人員：陳柏羽
碩士班研究生-兼任助理人員：鄭博元
碩士班研究生-兼任助理人員：高銓廷
本計畫除繳交成果報告外，另含下列出國報告，共 1 份：
□移地研究心得報告
■出席國際學術會議心得報告
□國際合作研究計畫國外研究報告
處理方式：除列管計畫及下列情形者外，得立即公開查詢
□涉及專利或其他智慧財產權，□一年□二年後可公開查詢
中 華 民 國 103 年 10 月 23 日
I
目錄
中文摘要 ... II Abstract ... III 前言 ... 1 研究目的 ... 3 文獻探討 ... 4 研究方法 ... 7 結果與討論 ... 10 關聯規則探勘 ... 10 序列模式探勘一 ... 11 序列模式探勘二 ... 13 小結 ... 14 參考文獻 ... 14 計畫成果自評 ... 18 附錄：探勘出來的規則與模式 ... 19II
中文摘要
近年來，有多種智慧型手機被推出。它們硬體性能越來越高，更多軟體功能為它 們開發。在它們上面執行的應用程式的種類和數量也正在不斷增加。因此，智慧 型手機應用程式的相關研究也就越來越重要。然而，在資料探勘領域，大部分相 關的研究著重在探勘行動裝置或智慧型手機使用者的軌跡，藉以分析使用者的移 動模式或路線，但是沒有強調應用程式的使用模式。本計畫旨在研究智慧型手機 應用程式的使用模式探勘，以便從應用程式的日誌紀錄當中發掘出使用者的使用 模式。本計畫可對相關研究做出實質貢獻，例如研究使用者的習慣或是使用某些 應用程式的意圖。本計畫的第一個重點是在智慧型手機的使用情境之下定義模式， 第二個重點是對應用程式的日誌紀錄進行前置處理，第三個重點是對處理後的資 料做關聯規則探勘和序列模式探勘。本計畫的主要結果是探勘出來的規則和模式， 部分結果已發表。 關鍵詞：智慧型手機、應用程式、關聯規則探勘、序列模式探勘III
Abstract
In recent years, there are several kinds of smartphones introduced. The hardware performance of them is increasingly higher, and more software features are developed for them. The variety and the quantity of applications (APPs) running on them are also continuing increase. Therefore, the research related to smartphone APPs will be increasingly important. However, in the field of data mining, most of the research focuses on mining the trajectories of users using mobile devices or smartphones so as to analyze their movement patterns or routes, but there is no emphasis on the usage patterns of APPs. The purpose of this project is to study usage pattern mining for smartphone APPs, in order to mine the usage patterns of APPs from the log of users using APPs. This project could make practical contributions to related studies, such as studies for discovering users’ habits or users’ intentions of using some APPs. The first point on which this project focused is to define usage pattern in the context of using smartphones; the second point is to perform data pre-processing for the log of users using APPs; the third point is to apply association rule mining and sequential pattern mining to the pre-processed data. The main result of this project is the mined rules and patterns, and part of the result has been published.
Keywords: Smartphone, Application (APP), Association Rule Mining, Sequential Pattern Mining
1
前言
隨著行動通訊與行動計算的軟硬體技術的進步，手機在每個人日常生活的使用 率是越來越高。相較於以通訊為主要功能的的手機，智慧型手機是運算能力較強且 功能較豐富的手機，允許使用者安裝各式各樣的應用程式(APP)，個人化手機或是擴 充手機的功能。智慧型手機越來越多，硬體效能越來越強，軟體功能越來越多，而 且 APP 的種類和數量是越來越豐富。智慧型手機使用者，除了通訊之外，使用 APP 的目的，還與網路、社群、照相，以及定位有關。因此，智慧型手機 APP 的相關研 究也就越來越重要。Google 推出 Our Mobile Planet1，提供智慧型手機使用的統計 數據，而這也表示 APP 相關研究是越來越重要。下列三項參考數據顯示本計畫的重 要性：一、“由於經濟衰退導致消費者需求低迷，2009 年手機全球整體銷售萎縮近 10%，智慧型手機出貨量卻仍一枝獨秀，2010 年更是大放異彩的佔全球手機出貨量的 兩成 ”[1]。二、“近六成的大學生擁有智慧型手機，且以 Android 系統為主，也 有七成左右經常下載應用軟體 ”[2]。三、“消費者使用行動 APP 的時間首度超越 上網時間，相較於每人每天花費 74 分鐘使用網路，消費者現在更每天花費 81 分鐘 在使用行動 APP ”[3]。 如果 APP 的開發人員能對使用者使用 APP 的模式有更廣泛且更深入的了解，那 麼他們就能推出更符合使用者需求的 APP。例如，“根據資策會 FIND 2014 上半年台 灣民眾最常使用的App 類型排行之研究報告內容，照片編輯類位居17 種內的第5 名” [4]，而部分智慧型手機使用者會在拍照後就將照片上傳到社群網站，所以拍照程式 的開發人員就可內建上傳照片的功能，而社群網站瀏覽程式的開發人員就可內建拍 照功能。若 APP 能夠記錄、分析，並了解使用者的使用模式，則程式本身就是一個 智慧系統，能夠提供更好的人機介面給使用者，而使用者也會有更好的使用體驗。 例如，部分使用者會一邊瀏覽社群網站，一邊傳訊或聊天，所以他們可能會想要有 一個 APP，能讓他們在智慧型手機上同時做這些事。開發人員已經知道(但不一定了 解)這裡提到的 APP 使用模式，他們也已開發出具有這類功能的 APP，但是，這裡提 到的模式是經由觀察而來，可能有許多潛在的模式還沒有被觀察到，所以本計畫的 重點是找出那些潛在的模式。 在商業、管理，以及傳播等領域，目前對於智慧型手機 APP 的使用及其模式的 研究方法，都是採用自我報告式的調查。例如，[20]透過調查的方式，評估手機上 的相片瀏覽 APP，[21]也是透過調查的方式，探討使用手機時的情境，對送收內容的 感受程度的影響，[22]也使用調查來協助探討智慧型手機上的網際網路使用模式。 [5]以問卷調查的方式，針對一個攝影 APP，研究其使用者的特質、使用行為的特性、 使用的動機，還有滿足程度；[6]以問卷調查的方式，針對一個照片 APP，研究其使 用者下載並使用程式內購買的行為和因素。然而，這種研究方法會受到限制。例如， 1 http://www.thinkwithgoogle.com/mobileplanet/en/
2 採用問卷調查的研究方法，通常會有研究成本高但填答率低的問題，而就算填答率 夠高，問卷設計或填答者本身個性、特質也會影響填答的資料的有效性。所以，有 些商業、管理，以及傳播等領域的學者開始借助資通訊科技來增加研究的深度與廣 度。在資通訊科技領域，已有諸多研究是關於 APP 的設計與實作，但是關於智慧型 手機 APP 的使用模式，仍有研究空間。關於進行智慧型手機使用模式的研究，較 常見的方法是採用問卷調查，但是，這方法有缺點，所以有人提出演算法來進行 相關的研究，例如，[7]使用類分子神經系統去分析使用者行為，[8]採用相似性 比對的方式來分析使用者行為。本計畫是要研究如何用資料探勘技術，協助分析智 慧型手機 APP 的使用模式。在資料探勘領域，大部分相關的研究著重在探勘行動裝 置或智慧型手機使用者的軌跡，藉以分析使用者的移動模式或路徑，或是預測 APP 的使用，例如，[9]。但是，很少研究將重點放在 APP 的使用模式的探勘。 資料庫系統領域的一個重點子領域是知識探勘與發掘，而本計畫的研究主題屬 於該子領域。學門規劃書中說：“從 1990 年代至今，資料探勘已發展成一個重要的 研究領域”。分析交易資料中的客戶購買樣式與使用行為是資料探勘的典型應用。 本計畫是去分析智慧型手機 APP 的使用行為，可將一個 APP 視為一個商品或項目， 但是，因為本計畫使用的資料裡面沒有交易的概念，所以，既有的演算法(例如關聯 規則探勘和序列模式探勘)無法直接套用在使用者使用 APP 的 log，而是要先進行資 料前置處理，之後才能套用既有的演算法。另外，本計畫也延伸既有的演算法，找 出特別的 APP 使用模式。資訊系統領域的一個重點子領域是行動資訊系統，而該子 領域與本計畫的研究主題有關。對此，學門規劃書的定義如下：“行動資訊系統是 資訊系統在任何型態的無線網路技術支援下，讓使用者可以在任何時間(Anytime)及 任何地點(Anywhere)，使用資訊系統提供的任何服務(Any Service)。”智慧型手機 屬於行動資訊系統，而上述定義說明智慧型手機所產生的資料的自由度很高。本計 畫旨在探勘智慧型手機使用者使用 APP 的 log，研究成果將協助 APP 的開發人員推出 更符合使用者需求的 APP，或是將 APP 設計成智慧系統。Web 技術領域的一個重點子 領域是網路探勘，而本計畫的研究主題與該子領域有關。網路探勘是指有效地從網 際網路收集到的資料當中挖掘出有價值的資訊。學門規劃書中說：“了解使用者的 感知是提升或創新應用服務的基礎，因此由使用者搜尋瀏覽紀錄中進行探勘極為受 到重視”。本計畫的研究對象不是瀏覽紀錄是智慧型手機的 APP 使用紀錄，所以本 計畫的成果將可用於了解智慧型手機的使用者，並可提升 APP 本身或相關服務的品 質。上述之本計畫的研究主題與其他學門重點子領域研究問題的關聯，顯示本計畫 可對其他領域可能做出的貢獻，並表現本計畫在學術研究方面的重要性。本計畫將 可協助研究行動傳播的學者，分析使用者使用 APP 的習慣或意圖，而這顯示本計畫 在非資訊領域的貢獻。若考量 APP 的種類和數量，還有它們之間的可能的組合，本 計畫的研究成果對非資訊領域而言，有其重要性。
3
研究目的
政治大學 X-Mind(資訊科技的異想世界)研究團隊2，在頂尖大學研究計畫的 支持下，進行『智慧型手機行動傳播實驗平台建置』計畫，其目的在開發軟體， 以生活實驗室的方式收集智慧型手機使用者使用 APP 的行為，並搭配問卷調查 方式收集使用者經驗。Android 是一個市占率很高的智慧型手機和平板電腦作業 系統，因此 X-Mind 研究團隊選擇在 Android 上開發軟體，收集使用者使用 APP 的日誌紀錄[23][24]。日誌紀錄可簡稱為 log。 本計畫使用的資料，是由 X-Mind 研究團隊所收集的 Android 智慧型手機使 用者使用 APP 的 log，是一個有 26 萬筆紀錄的資料庫，其格式與範例資料如圖 一所示。本計畫是要從 log 當中發掘出 APP 的使用模式，進而協助分析使用者 的習慣或意圖。研究行動傳播的學者很想多了解使用者的意圖或動機。例如，[25] 用調查的方式，探討行動裝置上的數位相片的捕捉和分享，並將重點放在這些行 為背後的動機。本計畫可協助此類研究。圖一：本計畫使用(由 X-Mind 研究團隊所收集)之使用者使用 APP 的 log 的 格式與範例資料。
本計畫曾考慮以 Reality Commons3資料進行研究，但發現 X-Mind 研究團隊 所收集的資料，提供更豐富的 APP 使用紀錄。如圖一所示，每一筆 log 的紀錄 包含時間、使用者編號、手機編號、使用的 APP 的 package 名稱、使用的 APP 的 activity 名稱。Android 的 APP 主要是由 java 撰寫而成。Android 的 package 的
2
http://x-mind.km.nccu.edu.tw/
3
4
作用就像是 java 的套件，其名稱的格式是類似於網域名稱的格式，而 activity 是 Android 的一個重要概念，其作用就像是 java 的類別，其名稱的格式應遵照 java 語言對類別名稱格式的命名規則。Package 代表 APP，activity 代表 APP 的一個 畫面或一個功能，因為同一個 APP 的畫面和功能持續在更動。這裡的 log 的時 間是指使用者開始使用或是觸發某個 APP 的某個功能的時間，但受限於軟體的 限制，我們無法得知使用者結束使用該功能的時間。
在學術研究，了解智慧型手機使用者如何使用他們手機上的 APP 是一個重 要的研究主題，而本計畫的目的是在探勘智慧型手機 APP 的使用模式。本計畫是 從使用者使用 APP 的 log 當中發掘出 APP 的使用模式，並利用發掘到的模式， 幫助我們以及其他學者去分析使用者使用 APP 的習慣或意圖。舉例來說，使用 者可以透過智慧型手機消費或生產資訊，若使用者在瀏覽社群網站的前後，沒有 使用跟資訊的消費或生產有關的 APP，則使用者的意圖可能是消費資訊，例如看 別人的留言或照片，但若使用者在瀏覽之前使用照相 APP，或是在瀏覽之後使用 電話、簡訊、電子郵件，則使用者的意圖可能是生產資訊，或是傳遞資訊，例如 轉發別人的留言。本計畫包含多個研究重點：第一個是關於模式在智慧型手機的 使用情境之下的定義，第二個是關於資料的前置處理，第三個是關於關聯規則探 勘和序列模式探勘。 在實務應用方面，關於使用者使用 APP 的模式的研究是特別地重要。例如，有 人就說：“分析智慧型手機上 APP 使用的紀錄，提供一個獨特的機會去發現一個人 APP 使用的行為”[10]。這類研究成果將直接協助 APP 開發人員能夠更廣泛且更深入 地了解對使用者使用 APP 的習慣或意圖，進而設計出更符合使用者需求的 APP，而這 類研究成果也將間接協助 APP 升級為智能系統，並協助 APP 提供更好的人機介面給 使用者，進而讓使用者有更好的使用體驗。例如，[26]示範如何用情境資訊來增進 使用者體驗，另外，[11]研究“一個基於使用者行為感知的能源管理系統”。對業 界而言，更好的產品以及使用體驗，代表著更大的用戶群以及更多的潛在利潤。本 計畫的研究成果，將可替智慧型手機製造商以及 APP 開發人員帶來商機。 隨著越來越多人使用智慧型手機、越來越多智慧型手機的使用者下載並安裝 APP， 還有使用者花越來越多的時間在他們的智慧型手機上面，本計畫的重要性是越來越 高。
文獻探討
資料探勘的常見方法，包含高頻率項目集還有序列模式探勘。關於這些方法的 研究，主要是國外的研究，有理論也有應用性質研究，涵蓋的應用領域相當廣泛。 項目集是指項目或事項的集合，而項目也就是物件，事項也就是發生的事件；序列 是指有次序的項目集的列表，而不是指項目的列表。高頻率項目集探勘與關聯規則 探勘有關，是針對不考慮項目在交易間的出現次序的模式，已有二十年的研究歷史，5 例如[27]和[28]，而[29]提供相關技術發展的回顧。將交易資料庫的記錄依消費者 編號，例如會員編號，分群，然後將每次購物的商品都用一個項目集代表，最後將 購物商品項目集依購物時間排序，即可得到序列資料庫，並可用一般序列模式探勘 演算法對其進行分析。[30]以一個簡單的範例來說明序列模式：消費者租了一部電 影之後，還租了電影的續集，然後又再租了電影的下一個續集，而這些動作只要是 依照次序即可，不必要是一個接著一個。模式探勘的相關研究，在二十年之內快速 發展，學者已對各式各樣的模式探勘問題，提出多種演算法。針對序列模式探勘， 已有許多演算法被提出，例如 GSP (Generalized Sequential Patterns)[31]、SPADE (Sequential PAttern Discovery using Equivalence classes)[32]、SPAM
(Sequential PAttern Mining)[33]、PrefixSpan (Prefix-projected Sequential pattern mining)[34]，還有[35]，而這些演算法的核心圍繞著 support (針對頻繁 子序列的支持)。序列模式探勘有著廣泛的應用，例如網路探勘。
看似本計畫僅需將租電影的動作換成使用 APP 的動作，即可套用[30]以及後續 許多延伸[30]的論文所提出的演算法。然而，就本計畫的目的而言，這些動作是否 一個接著一個，代表不同的意義。例如，我們考慮兩種情境，一是使用照相 APP 後 立刻使用社群網站瀏覽 APP，二是使用照相 APP 後又使用了數個 APP 之後才使用社群 網站瀏覽 APP，而我們會發現這兩種情境所代表的意義不同。所以，本計畫研究的序 列模式不同於傳統的序列模式，也不同於一般由其延伸而來的序列模式。在智慧型 手機上使用 APP，不是一種瞬間發生且結束的事件，而是一種具有持續性的事件，但 受限於系統的限制，且基於保障使用者的隱私，本計畫將採用的資料只記錄 APP 及 其內含動作的開始時間，並沒有記錄結束時間，而且因為該資料裡面沒有交易的概 念，所以不將目標設定為探勘以時間間隔為基礎的序列模式。學者已探討各種不同 的非傳統的序列模式，但本計畫有針對不一樣的模式進行研究，結果見於文後。 針對行動裝置資料探勘，國內以應用型研究為主。近年來，國內有不少非資訊 領域的研究，是以調查或訪談等研究方法，探討智慧型手機或 APP 之採用或使用， 例如：[12]用訪談的方式探討使用者挑選行動遊戲的因素；[13]用問卷調查的方式， 探討行動裝置的使用者行為，以及使用者的使用心理與需求；[14]透過訪談、由使 用者填寫的智慧型手機 APP 使用日誌，還有由使用者提供的手機螢幕 APP 快截圖照， 探討使用者下載和使用 APP 的需求、使用、認知，以及態度；[15]用問卷調查的方 式探討使用者在臉書上的打卡行為的意圖，而[16]也用問卷並指出“不論是使用過 或沒有使用過打卡功能的智慧型手機使用者對於智慧型手機的心智模式，事實上都 已經與未使用過智慧型手機不一樣了”；[17]用問卷調查的方式探討使用者對智慧 型手機上的付費軟體的喜好與行為模式。然而，上述研究，以及其他類似研究，都 受限於調查或訪談等研究方法的限制。本計畫則是採用資料驅動的研究方式，應用 資料探勘技術，研究智慧型手機的使用者是如何使用他們手機上的 APP。[18]研究智 慧型手機 APP 在戀愛關係發展中所扮演的角色，給出下列結論：“不同依附型態的 人們對於 App 的互動也有不同的感知：首先，安全型依附的人們在 App 的使用著重 在生活的分享與陪伴，他們在良好的互動中中建立親密感，並不在意對方對自己的
6
回應是否有達成互惠式的公平；而焦慮型依附的人們則在意 App 中交換的公平性， 故對方的回應與否的確會造成其情緒上的波動，同時他們也會以 App（WhatsApp）中 的｢最後上線時間｣作為了解、監控對方生活作息的手段。”
交通大學彭文志教授已針對行動資料探勘，特別是行動裝置所收集的軌跡資料， 發表多篇論文。[36]提出用於 Probabilistic Suffix Tree (PST)的距離函數，並進 而提出針對感測網路資料當中物件移動模式的分群演算法。[37]把軌跡輪廓用 PST 表示，提出軌跡輪廓相似性度量，並進而提出可從軌跡資料當中發現使用者社群的 演算法。[38]指出 GPS 資料含有不確定性，若目的是要搜尋有趣地點，例如大眾感 興趣或受大家歡迎的地點，則這種不確定性讓搜尋特定地點變得很困難，故可考慮 搜尋有趣區域，並提出從軌跡資料當中發掘有趣區域的演算法。[39]將使用者移動 模式定義為使用者經常通過的一連串的區域，並提出基於迴歸分析的方法，以便從 軌跡資料中找出使用者移動模式。[40]提出“spatial-temporal trajectory”或 STT 模型，並提出鄉動對應的演算法，以便同時利用空間和時間資訊來找出物件的移動 行為。[41]展示一套系統，而該系統可應付軌跡資料內含的不確定性，並用於發掘 移動物件的路徑。[42]提出可從軌跡資料中找出個人化路線的演算法，而[43]提出 可從不確定的軌跡資料中找出大眾化路線的演算法。[44]考慮串流式軌跡資料當中 的“spatio-temporal co-location”，將同一時間出現在相近區域的物件定義為 “traveling companions”，提出用於發現夥伴群體的增量式演算法。彭文志教授 所指導的數篇碩士論文亦在研究 APP，例如：[10]提出一個用於探索使用者 APP 的使 用行為的方法，而該方法首先從應用程序使用紀錄中找出使用狀況隨時間變化的 APP， 然後將相對應的資料放進“temporal-profile”，最後預測使用者在未來的時間的 APP 的使用；[19]研究使用者軌跡以及 APP 的使用，探勘個人活動區域，找出區域內 可代表使用者行為偏好之 APP，並推論並區域對使用者的意義。上述論文主要在探討 APP 的使用與時間或空間的關係，例如，在哪個時間會常用哪種 APP 或是在哪個地點 會常用哪種 APP，並沒有對行為，也就是一連串使用 APP 的動作，進行深入探討。 成功大學曾新穆教授已發表多篇論文，探討由頻繁模式以及序列模式延伸而來 的非傳統模式，以及相對應的演算法。曾新穆教授也已發表多篇論文，探討行動資 料探勘，例如[45]、[46]、[47]，還有在行動商務情境下的資料探勘，例如[48]。 [49]提出一個用於探勘使用者的行動商務行為，例如購買行為，的架構，而該架構 包含三個模組：用於量測商品之間和商店之間的相似度的 Similarity Inference Model (SIM)模組；用於發掘個人行為模式的 Personal Mobile Commerce Pattern Mine (PMCP-Mine)演算法；用於預測使用者的行為的 Mobile Commerce Behavior Predictor (MCBP)模組。
總結上述相關研究，可以發現，雖然有不少的演算法被提出來解決相關但不相 同的問題，但都不適合直接用來從使用者使用 APP 的 log 當中發掘出 APP 的使用模 式。
7
研究方法
本計畫是要從 log 當中探勘出 APP 的使用模式，可協助找出使用者的習慣或意 圖。一般的模式的定義，並不適用於智慧型手機的使用情境。有趣的 APP 的使用模 式，不完全能用高頻率項目集或一般的序列模式來表示。使用者使用 APP 的自由度 很高，很容易切換、交替，或重複使用 APP，所以可能會找出看似不同但實際上是一 樣的模式。APP 的使用模式會受到使用者的習慣和意圖所影響，也會受到 APP 的屬性 所影響。本計畫之研究方法，如圖二所示。 圖二：本計畫之研究方法。 在多個使用者的多筆交易紀錄中，項目依序但不一定緊接著出現的模式稱為序 列模式，但有趣的的 APP 的使用模式並不一定是一般的序列模式。在智慧型手機的 使用情境之下，一個 APP 可被視為一個項目，但是 APP 使用次序會受到使用者本身 的習慣和意圖所影響，也會受到 APP 本身的屬性所影響。一個例子是，在 Android 系統上按下 Home 鍵會啟動 launcher，而不同使用者可能會安裝不同 launcher，所 以在 log 裡面，launcher 本身出現的機率會很高，而其他程式出現時 launcher 也出8 現的條件機率也會很高，使得包含 launcher 的高頻率項目集不具太大意義。另一個 例子是，使用者可能從多個拍照 APP 當其中挑一個出來，拍完照後，從多個已安裝 的社群網站瀏覽 APP 當中挑一個出來，上傳照片，可能馬上重複上述動作，也可能 在有意地或無意地使用其他 APP 之後，再重複上述動作。這裡的可能性很多，而各 種可能性所代表的意義又不盡相同。 本計畫使用的資料，也就是使用者使用 APP 的 log，並不是交易資料，而傳統的 交易的概念，也不適用於智慧型手機的使用情境，所以，本計畫的一項工作是針對 此一情境定義交易。本計畫所稱的交易，在概念上與傳統的“transaction”不同， 而是比較接近“session”，而本計畫稱之為使用歷程。 在本計畫裡面，交易是“一個使用者在一段時間內於一台手機上執行的一連串 使用 APP 的動作”。是關於 log 的前置處理。主要是要將 log 紀錄轉為交易紀錄， 而依照上述的定義，可能的做法有兩種，都需要先將每個使用者的 log 紀錄依時間 排序：第一種做法是將兩筆 launcher 記錄之間的紀錄當作是一個交易。第二做法是 找出時間間距大於預設門檻值的兩筆紀錄，然後把前一筆紀錄當作是前一筆交易的 結束時間，而後一筆紀錄當作是下一筆交易的開始時間。第一種做法的缺點在於一 筆交易的時間可能會太短，所以本計畫採用第二種做法。本計畫對使用歷程的定義 如下：將同一個使用者的日誌紀錄，依時間排序，由先到後，同一次使用歷程內的 任兩筆相鄰日誌紀錄，時間差不超過 10 分鐘。原始資料有 26 萬筆紀錄，來自二十 多個使用者，在 2010 年 9 月到 2011 年 3 月，使用各自手機上的 APP 的 log。將原始 資料轉換之後，有 2 萬 5 千個使用歷程。 在本計畫裡面，習慣是“常發生的一連串使用 APP 的動作”，習慣本身隱含高 頻率的意思，而模式則是“可反映一個使用者的習慣或意圖的一連串使用 APP 的動 作”。本計畫除了使用既有的關聯規則探勘演算法(Apriori)，還有使用既有的序列 模式探勘演算法(PrefixSpan)，此外，還延伸 PrefixSpan，找出“短時間內常被使 用者一起使用的一組有先後次序的 APP”。相較於既有的演算法，本計畫考慮的，不 是“交易之間 (inter-transaction)”而是“交易之內 (intra-transaction)”的 模式。針對有時間間隔限制的序列模式探勘，本計畫使用延伸自 PrefixSpan 的 方法的步驟，如圖三所示。
9
10 這裡的時間限制，代表一個使用歷程內的相鄰 APP 的使用的時間間隔。將此間 隔設定得越短，代表探勘的重點是短時間內快速切換或是連續(而不是繼續)使用 APP 的動作；將此間隔設定得越長，代表探勘的重點放在使用者會花較多(但又不是很多) 時間的 APP。本計畫參考[50]，選擇延伸 PrefixSpan 而不是其他序列模式探勘演算 法，修改演算法，加入時間限制的考慮。
結果與討論
本節的內容，是針對本計畫所做的關聯規則探勘和序列模式探勘，就得到的結 果，進行討論。關聯規則探勘
本計畫使用 WEKA4 的關聯規則探勘演算法，得到的結果於此小節討論。探勘 得到的關聯規則，呈現於附錄的表一到三。表一是 min support 設定為 0.01， min confidence 設定為 0.3，所得到的結果；表二是 min support 設定為 0.03， min confidence 設定為 0.3，所得到的結果；表三是 min support 設定為 0.05， min confidence 設定為 0.4，所得到的結果。Min support 是支援值的門檻值， 用來要求規則的最小出現頻率，min confidence 是信心值的門檻值，用來要求 下列條件機率的最小值：在規則的“→”左邊的 APP 出現的情況下，右邊的 APP 也會出現的條件機率。在 Android 的系統裡面，launcher 有其特殊功能，所以 本計畫有考慮將其移除後的使用歷程資料。移除各個使用歷程內的 launcher， 產生新的資料，然後進行關聯規則探勘，所得到的結果，顯示於附錄的表四和五。 表四是 min support 設定為 0.005，min confidence 設定為 0.3，所得到的關聯 規則；表五是 min support 設定為 0.01，min confidence 設定為 0.2，所得到 的關聯規則。 附錄的表一到五的“→”不代表時間先後順序，而是代表條件。舉例來說， 在表一裡面，“com.whatsapp, com.htc.socialnetwork.plurk → com.htc.launcher”表示在同一使用歷程裡面，whatsapp 和 plurk 都有被使用 的情況下，launcher 也會被使用的機率是 91%；“com.facebook.katana, com.htc.socialnetwork.plurk → com.htc.launcher”表示在同一使用歷程裡 面，katana (facebook 的 APP 的 package 名稱)和 plurk 都有被使用的情況下， launcher 也會被使用的機率是 89%。若按照時間順序，比較有可能的情況是先使 用 launcher，然後才開啟並使用 APP，所以這裡的關聯規則的“→”沒有暗指時 間順序。這個例子也顯示，使用者會經由其他路徑，藉由其他 APP，連結到或是 開啟 whatsapp 和 plurk。 4 http://www.cs.waikato.ac.nz/ml/weka/11 從附錄的表一可以看到，信心值前 5 名的關聯規則，都跟社群網路有關，第 6 到 10 名，則才是跟電話 (也就是手機的傳統的使用方式) 有關。從附錄的表 三也可以看到，依信心值從高到低將結果排序，排名第 1 的，是跟社群網路有關， 排名第 2 到 4 名的是跟電話有關。這些結果說明，使用者除了將智慧型手機單純 地當作手機來使用 (打電話) 之外，還將智慧型手機當作是連結社群網路的工具。 另外，在一個使用歷程之內，如果知道使用者有使用 album (相簿)，則有 54% 的機率，使用者也會使用 camera (照相機)，也就是說 Pr(camera | album) = 0.54； 若是反過來，如果知道使用者有使用 camera，則使用者在同一使用歷程之內也 會使用 album 的機率有 38%，也就是說，Pr(album | camera) = 0.38。
附錄的表二，是用較高的 min support 和 min confidence 的設定值，所以 得到的結果少很多。其結果跟打電話，還有設定及管理手機有關，而這些都算是 日常工作。附錄的表三，是用低於表二用的 min support 和 min confidence， 但是用高於表一的 min support 和相同的 min confidence，所以，表三的內容 比表二多但彼表一少。在表三的 15 條規則裡面，有 7 條規則跟 phone 有關，關 於 mms 有 1 條規則，有 2 條規則跟 plurk 或 whatsapp 有關，關於 browser 有 1 條規則，關於 facebook 有 1 條規則。在表二的 4 條規則裡面，有 1 條規則包含 phone，有 2 條規則包含 htcdialer，有 1 條規則同時包含 phone 和 htcdialer， 另外的 2 條規則包含手機設定，其中 1 條規則與 com.google.android.gm (gmail 的 package 名稱)有關。這些數字說明，智慧型手機的主要工作仍是通訊，但形 式多元，不限於電話，而且使用者時常(需要)調整手機或系統設定。 附錄的表四和五，結果是從移除掉 launcher 的使用歷程資料而來的。在表 四裡面，信心值排第 1 的關聯規則，是跟 APP 下載 (有可能是購買) 和安裝有關， 還有跟手機設定有關，排名第 2 到 9 的關聯規則，是跟電話有關，排名第 10 名 的，也是跟 APP 安裝和手機設定有關。相較於表四的結果，表五的結果是用較高 的 min support 值但較低的 min confidence 值。在表五裡面，信心值前 5 名的 關聯規則是跟電話有關，第 6 名的是跟 APP 安裝和手機設定有關，第 7 和 8 名的 也是跟電話有關，第 9 名的是跟 album 和 camera 有關，第 10 名的則是跟聯絡人 和撥號程式有關，也算是跟電話有關。將表一到三和表四到五做比較，可以看出 launcher 的移除與否，會讓探勘出來的關聯規則，不一樣，也會讓關聯規則依 信心值排序時，呈現出不一樣的排名。 隨這些結果來看，關聯規則探勘對使用者使用 APP 的行為模式分析，幫助有 限。因此，本計畫將序列模式探勘應用於 APP 的 log，其結果與討論，見於下列 兩小節。
序列模式探勘一
本計畫用 SPMF5 的 PrefixSpan 去探勘序列模式，得到的結果於此小節討論。 將 min support 設為 0.005，探勘得到的序列模式，呈現於附錄的表六。下一小 5 http://www.philippe-fournier-viger.com/spmf/12 節考慮加上時間限制的序列模式的探勘結果，這裡將時間限制的概念，移到資料 前置處理步驟，將原本是用 10 分鐘去區隔同一使用者的不同使用歷程，這裡改 用 30 秒，也就是說，產生更多但更短的使用歷程，然後將 PrefixSpan 用於新的 資料，設定 min support 為 0.0025，所得到的結果呈現於附錄的表七。 附錄的表六和七，還有下一小節會討論到的表八，裡面的“→”代表時間先後 順序，而 support 代表使用歷程資料內出現某個模式的比例。舉例來說，表六 裡面的“com.android.htcdialer → com.android.phone”表示，在大約 9.8% 的使用歷程裡面，可以發現使用者先用 htcdialer 然後用 phone 的模式。另外， 表六裡面的“com.android.phone → com.android.htcdialer → com.android.phone”表示，在大約 3.3%的使用歷程裡面，可以發現使用者先使 用 phone，接著使用 htcdialer，然後又再次(而不是繼續)使用 phone。
表六和七裡面，都包含單項(單一個 APP)的模式。這些應該算是高頻項目(也 就是常出現在使用歷程資料的 APP)。最常用的 APP 是電話，這應該不讓人意外， 但是，電話的出現頻率是 25.5%，這或許就讓人有點意外。這個數字是說，大約 四分之三的時間，使用者都不把智慧型手機當作手機來使用。換句話說，智慧型 手機，四分之一的時間，扮演手機的角色，四分之三的時間，扮演(智慧型)行動 裝置的角色。再者，facebook 出現在 11.7%的使用歷程裡面，也就是說，大約每 十次使用者拿出智慧型手機，會有(超過)一次會用到 facebook。兩個常見的通 訊 APP，whatsapp 和 plurk，的出現比率，分別是 9.1%和 4.9%，若再加上 com.google.android.talk(也就是 Google Talk)的 7.7%，可以看出使用者常用 通訊 APP，也可看出智慧型手機仍是一個通訊工具，還有，使用文字通訊的比例 稍低於講電話的比例。除了電話之外，手機的另一項傳統功能是簡訊，mms 出現 在 10.4%的使用歷程裡面。再者，GMail 和 com.htc.android.mail 的出現機率分 別是 16%和 4.6%，合計超過 20%，也就是說，大約每五次使用者拿出智慧型手機， 會有(超過)一次是在收發 email。另外，camera 出現在 5.6%的使用歷程裡面， 表示大約每二十次使用者拿出智慧型手機，會有(超過)一次會用到 camera。 接下來的討論，不考慮單項模式。依 support 排序，扣掉單項模式後，排名 第 1 的是“先用 htcdialer，然後用 phone”的模式，其出現機率是 9.8%。另外， “先用 camera，然後用 album”的出現機率是 2.1%，而先用 album，然後用 camera” 的出現機率則是 1.0%；“先用 camera，然後用 facebook”的模式的出現機率是 1.6%，稍低於“先用 camera，然後用 album”的模式的出現機率。再者，“先用 facebook，然後用 whatsapp”的模式，出現在 1.3%的使用歷程裡面，“先用 facebook，然後用 plurk”的模式，出現在 1.0%的使用歷程裡面；先用 whatsapp， 然後用 plurk”的機率是 1.3%，而“先用 plurk，然後用 whatsapp”的機率是 1.1%。“先用 facebook，然後用 album”的模式，出現在 0.8%的使用歷程裡面， 反過來，“先用 album，然後用 facebook”的模式，則是出現在 0.9%的使用歷 程裡面；沒有模式是關於“先用 plurk，然後用 album”，但是“先用 whatsapp， 然後用 album”的模式的出現機率是 0.7%。
13
重複使用 APP 是指使用者在一個使用歷程之內，使用某 APP，然後跳出程式， 使用其他不頻繁、不常用的 APP，然後又跳回或是再次使用該 APP。這跟連續一 段時間都使用一個 APP，是不一樣的概念。考慮重複使用 APP 的模式：browser 重複 2 次的機率是 3.0%，重複 3 次是 1.3%，重複 4 次是 0.7%；camera 重複 2 次和 3 次的機率分別是 1.7%和 0.7%；phone 重複 2 次的機率是 6.0%，重複 3 次 是 2.2%，重複 4 次是 0.9%；facebook 重複 2 次的機率是 3.7%，重複 3 次是 1.7%， 重複 4 次是 0.9%，重複 5 次是 0.5%；com.google.android.apps.maps 最多重複 2 次，機率是 0.9%；plurk 重複 2 次和 3 次的機率分別是 1.4%和 0.6%；whatsapp 重複 2 次的機率是 3.8%，重複 3 次是 2.1%，重複 4 次是 1.4%，重複 5 次是 1.0%， 重複 6 次是 0.8%，重複 7 次是 0.6%。這些數字，或可暗示使用者對 APP 的喜愛 或是依賴程度。 附錄的表七，是將 PrefixSpan 用於以 30 秒為時間間隔去區分使用歷程的資料， 並將 min support 設定為 0.0025 所得到的結果。相較於表六，即使適用較低的 min support，表七的內容還是少很多，而且連續使用的 APP 個數最多只有 3 個，例如， “先用 settings，然後用 packageinstaller，然後再次使用 settings”，這樣的模 式，出現在 0.8% (以 30 秒為間隔)的使用歷程裡面。表七呈現的是短時間內連續使 用 APP 的行為，但是它所提供的結果的有趣和豐富程度，低於呈現在表六的結果， 然而，表六並不能提供表七所呈現的那種模式，因此，下小節討論的是短時間內連 續使用 APP 的有趣且豐富的模式。
序列模式探勘二
本計畫延伸 SPMF 的 PrefixSpan，用來探勘加上時間限制後的序列模式，步 驟顯示於圖三，得到的結果於此小節討論。將 min support 設定為 0.005，分別 將時間限制設定為 5、30、60、180 秒，然後用延伸的 PrefixSpan 進行資料探勘， 所得到的結果呈現於附錄的表八。5 秒的時間限制，是指如果一個使用歷程內的相 鄰 APP 的使用的時間間隔不超過 5 秒，則在增長模式時，在計算 support 時，會將 此使用歷程納入計算，而這代表探勘的重點，放在 5 秒內快速切換或是連續(而不是 繼續)使用 APP 的動作。180 秒的時間限制，則代表探勘的重點，是一個使用歷程內， 使用者會花較多時間，但又不會花超過 3 分鐘在上面的 APP。 這裡用範例來說明，如何解讀表八的模式：一、在全部的使用歷程當中，有 6.4% 出現“先用 htcdialer，然後在 5 秒內，接著用 phone”這樣的模式，如果把時間限 制由 5 秒放寬到 30 秒，則此序列模式出現在 9.2%的使用歷程當中。二、使用者會花 較多時間在 gmail，5 秒內切換到下一個 APP 的比率不高。三、使用者也會花較多時 間在 camera，但是 5 秒內切換到 album 的比率有 0.6%，可是 5 秒內切換到 facebook 的比率不高。四、使用者也會花較多時間在 whatsapp，5 秒內切換的比率不高，但 在 0.8%的使用歷程當中，使用者會在用了 whatsapp 後，跳出去，然後 30 秒內又回 到 whatsapp (不是繼續使用，而是再次使用)。五、使用者會花較多時間在 googlemaps， 在 5 秒和 30 秒內結束，或是在 1 分鐘內結束，比例都不高。14 接下來看重複(而非連續)使用行為。“先用 album，然後 3 分鐘內會再次使用 album”的模式，出現在 0.8%的使用歷程裡面；“先用 browser，然後 30 秒內會再 次使用 browser”的模式，出現在 0.7%的使用歷程裡面，若改成 1 分鐘和 3 分鐘內 會再次使用，出現的機率分別是 1.2%和 2.1%；“先用 browser，然後 3 分鐘內會使 用 browser 第二次，然後 3 分鐘內會使用 browser 第三次”的模式，出現在 0.7%的 使用歷程裡面；“先用 camera，然後 1 分鐘內會再次使用 camera”的模式，出現機 率是 0.6%，若改成 1 分鐘，出現機率是 1.2%；“先用 facebook，然後 30 秒內會再 次使用 facebook”的模式，出現機率是 0.8%，若改成 1 分鐘和 3 分鐘，出現機率分 別是 1.5%和 2.6%；“先用 facebook，然後 3 分鐘內會使用 facebook 第二次，然後 3 分鐘內會使用 facebook 第三次”的模式，出現機率是 0.9%；“先用 plurk，然後 1 分鐘和 3 分鐘內會再次使用 plurk”的模式，出現機率分別是 0.5%和 1.0%。 從附錄的表八也可看出，使用者重複而非連續使用 whatsapp 的模式，相較於其 他 APP 的重複使用模式，更常出現：“先用 whatsapp，然後 30 秒、1 分鐘、3 分鐘 內會第二次使用whatsapp”的出現機率，分別是0.8%、1.5%、2.7%；“先用whatsapp， 然後 3 分鐘內會第二次使用 whatsapp，然後 3 分鐘內會第三次使用 whatsapp”的出 現機率是 1.3%；先用 whatsapp，然後 3 分鐘內會第二次使用 whatsapp，然後 3 分鐘 內會第三次使用 whatsapp，然後 3 分鐘內會第四次使用 whatsapp”的出現機率是 0.7%。這是重複使用而非連續使用，所以，可以看出 whatsapp 可以吸引使用者在跳 出該 APP 之後，還跳回去，再次使用。
小結
本計畫的研究主題屬於資料探勘，目的在找出智慧型手機 APP 的使用模式。 隨著智慧型手機以及 APP 相關技術的蓬勃發展，還有相關的商業活動日趨熱絡， 本計畫的研究主題在業界的應用範圍廣泛，而在學界也具研究價值。如同學門規 劃書所說，“資料探勘的研究上，很重要的就是要能針對實際的資料進行探勘，在 這方面國內算是劣勢，因此研究上較著重在核心演算法的變化等較不需要取特定資 料的研究。”然而，本計畫將採用特定但實際的資料，研究成果對業界而言有實際 應用的潛力。 結論與建議：就實際應用而言，為了設計更好的 APP，主持人認為要對使用 者如何使用 APP 有更深入的了解，唯有如此，我們才能了解使用者使用 APP 的 習慣或意圖，故建議科技部能繼續補助關於智慧型手機使用者使用 APP 的模式 的研究。參考文獻
[1] 陳任智(指導教授: 楊維楨). 2011. 智慧型手機之產品功能對消費者行為 模式之研究. 碩士論文. 淡江大學, 管理科學研究所企業經營碩士在職專15 班.
[2] 張家瑋(指導教授: 楊崇宏). 2012. 智慧型手機 APP 之消費者偏好研究-以 大學生為例. 碩士論文. 義守大學, 資訊管理學系.
[3] 蔣石蘭(指導教授: 林誠). 2012. 智慧型手機使用者 APP 持續使用意圖之研 究-以 iPhone App Store 為例. 碩士論文. 華梵大學, 資訊管理學系碩士 班. [4] 陳羿希(指導教授: 洪明宏). 2014. 智慧型手機照片 App 介面設計之創作研 究. 碩士論文. 高雄師範大學, 視覺傳達設計研究所. [5] 李侑螢(指導教授: 廖珮玲). 2014. 智慧型手機攝影濾鏡 App 「Instagram」 使用與滿足研究. 碩士論文. 國立臺灣藝術大學, 圖文傳播藝術學系. [6] 偕淑芬(指導教授: 賀秋白). 2014. 智慧型手機照相 Application 使用因素 研究. 碩士論文. 國立臺灣藝術大學, 圖文傳播藝術學系. [7] 王玉奇(指導教授: 陳重臣). 2013. 利用類分子神經系統於經由智慧型手 機所得之使用者行為分析. 碩士論文. 雲林科技大學, 資訊管理系碩士班. [8] 許志毓(指導教授: 廖文宏). 2014. 智慧型手機的使用者行為模式分析. 碩士論文. 國立政治大學, 資訊科學學系. [9] 廖忠訓(指導教授: 彭文志). 2013. 探勘智慧型手機中應用程式使用行為 之研究. 博士論文. 國立交通大學, 資訊科學與工程研究所. [10]沈姿柔(指導教授: 彭文志). 2011. 在智慧型手機上針對時間相關的行動 APP 做使用者行為預測. 碩士論文. 國立交通大學, 資訊科學與工程研究 所. [11]朱昱穎(指導教授: 胡碩誠). 2014. 利用使用者行為感知達到智慧型手機 耗能管理之研究. 碩士論文. 世新大學, 資訊管理學研究所(含碩專班). [12]陳煥文(指導教授: 張世其). 2012. 探討使用智慧型手機遊戲行為意圖之 研究. 碩士論文. 國立彰化師範大學, 企業管理學系. [13]劉彥君(指導教授: 黃蘭鍈). 2012. 使用智慧型手機與平板電腦關鍵因素 之研究. 碩士論文. 國立彰化師範大學, 企業管理學系. [14]張筑婷(指導教授: 林頌堅). 2012. 智慧型手機 APP 之使用者研究. 碩士論 文. 世新大學, 資訊傳播學研究所. [15]劉俊杰(指導教授: 張瑞觀). 2012. 使用智慧型手機進行臉書打卡功能行 為之研究. 碩士論文. 高雄師範大學, 資訊教育研究所. [16]呂庭慧(指導教授: 蔡志浩). 2011. 智慧型手機的心智模式. 碩士論文. 高雄醫學大學, 心理學研究所. [17]王莉萍(指導教授: 詹乾隆). 2012. 智慧型手機付費軟體之消費者行為研 究. 碩士論文. 東吳大學, EMBA 高階經營碩士在職專班. [18]許芷浩(指導教授: 郭峰淵). 2013. 智慧型手機、智慧型戀愛？－探討智慧 型手機應用程式在親密關係溝通中扮演之角色. 碩士論文. 國立中山大學, 傳播管理研究所.
16
[19]盧俊達(指導教授: 彭文志). 2011. 基於智慧型手機 APP 及軌跡探勘個人活 動區域. 碩士論文. 國立交通大學, 資訊科學與工程研究所.
[20]Naaman, M., Nair, R., and Kaplun, V. 2008. Photos on the Go: A Mobile Application Case Study, in Proc. of Conference on Human Factors in Computing Systems (CHI), 1739-1748.
[21]Isaacs, E., Yee, N., Schiano, D., Good, N., Ducheneaut, N., and Bellotti, V. 2009. Mobile Microwaiting Moments: The Role of Context in Receptivity to Content While on the Go, Palo Alto Research Center (PARC) White Paper.
[22]Tossell, C. C. 2012. An Empirical Analysis of Smartphone Use: Characterizing Internet Visit Patterns and User Differences. Ph.D. Thesis. Rice University, Houston, Texas, USA.
[23]Chen, P.-M., Chen, C.-H., Liao, W.-H., and Li, T.-Y. 2011. A Service Platform for Logging and Analyzing Mobile User Behaviors, in Proc. International Conference on E-Learning and Games (Edutainment), 78-85.
[24]Chen, P.-M., Wu, H.-Y., Hsu, C.-Y., Liao W.-H., and Li, T.-Y. 2012. Logging and Analyzing Mobile User Behaviors, in Proc. of
International Symposium on Cyber Behavior (CB).
[25]Goh, D. H.-L., Ang, R. P., Chua, A. Y., and Lee, C. S. 2009. Why We Share: A Study of Motivations for Mobile Media Sharing, in Proc. of International Conference on Active Media Technology (AMT), 195-206. [26]Espada, J. P., García-Díaz, V., Crespo, R. G., Marín, C. E. M.,
Martínez, O. S., García-Bustelo, B. C. P., and Lovelle, J. M. C. 2012, Method Based on Context-Information to Improve User Experience on Mobile Web-Based Applications., in Proc. of Ibero-American
Conference on AI (IBERAMIA), 732-741.
[27]Agrawal, R., Imieliński, T., and Swami, A. 1993. Mining association rules between sets of items in large databases, SIGMOD Record, 22(2): 207-216.
[28]Agrawal, R. and Srikant, R. 1994. Fast Algorithms for Mining Association Rules in Large Databases, in Proc. of International Conference on Very Large Data Bases (VLDB), 487-499.
[29]Hipp, J., Güntzer, U., and Nakhaeizadeh, G. 2000. Algorithms for association rule mining — a general survey and comparison, SIGKDD Exploration Newsletter, 2(1): 58-64.
[30]Agrawal, R. and Srikant, R. 1995. Mining Sequential Patterns, in Proc. of International Conference on Data Engineering (ICDE), 3-14.
17
[31]Srikant, R. and Agrawal, R. 1996. Mining Sequential Patterns: Generalizations and Performance Improvements, in Proc. of
International Conference on Extending Database Technology (EDBT), 3-17.
[32]Zaki, M. J. 1998. Efficient Enumeration of Frequent Sequences, in Proc. of International Conference on Information and Knowledge Management (CIKM), 68-75.
[33]Ayres, J., Flannick, J., Gehrke, J., and Yiu, T. 2002. Sequential Pattern Mining Using a Bitmap Representation, in Proc. of
International Conference on Knowledge Discovery and Data Mining (KDD), 429-435.
[34]Pei, J., Han, J., Mortazavi-Asl, B., Wang, J., Pinto, H., Chen, Q., Dayal, U., and Hsu, M.-C. 2004. Mining Sequential Patterns by Pattern-Growth: The PrefixSpan Approach, IEEE Transactions on Knowledge and Data Engineering (TKDE), 16(11): 1424-1440.
[35]Han, J., Pei, J., and Yan, X. 2004. From sequential pattern mining to structured pattern mining: A pattern-growth approach, Journal of Computer Science and Technology (JCST), 19(3): 257-279.
[36]Hung, C.-C. and Peng, W.-C. 2009. Clustering Object Moving Patterns for Prediction-based Object Tracking Sensor Networks, in Proc. of International Conference on Information and Knowledge Management (CIKM), 1633-1636.
[37]Hung, C.-C., Chang, C.-W., and Peng, W.-C. 2009. Mining Trajectory Profiles for Discovering User Communities, in Proc. of International Workshop on Location-Based Social Networks (LBSN), 1-8.
[38]Wei, L.-Y., Peng, W.-C., Chen, B.-C., and Lin, T.-W. Lin. 2010. PATS: A Framework of Pattern-Aware Trajectory Search, in Proc. of
International Conference on Mobile Data Management (MDM), 372-377. [39]Hung, C.-C. and Peng, W.-C. 2011. A Regression-based Approach for
Mining User Movement Patterns from Random Sample Data, Data and Knowledge Engineering, 70(1): 1-20.
[40]Lei, P.-R., Shen, T.-J., Peng, W.-C., and Su, I.-J. 2011. Exploring Spatial-Temporal Trajectory Model for Location Prediction, in Proc. of International Conference on Mobile Data Management (MDM), 58-67. [41]Liu, H., Wei, L.-Y., Zheng, Y., Schneider, M., and Peng, W.-C. 2011.
Route Discovery from Mining Uncertain Trajectories, in Proc. of International Conference on Data Mining Workshops (ICDMW), 1239-1242.
18
[42]Chang, K.-P., Wei, L.-Y., Yeh, M.-Y., and Peng, W.-C. 2011. Discovering Personalized Routes from Trajectories, in Proc. of International Workshop on Location-based Social Networks (LBSN), 33-40.
[43]Wei, L.-Y., Zheng, Y., and Peng, W.-C. 2012. Constructing Popular Routes from Uncertain Trajectories, in Proc. of International Conference on Knowledge Discovery and Data Mining (KDD), 195-203. [44]Tang, L.-A., Zheng, Y., Yuan, J., Han, J., Leung, A., Hung, C.-C.,
and Peng, W.-C. 2012. On Discovery of Traveling Companions from Streaming Trajectories, in Proc. of International Conference on Data Engineering (ICDE), 186-197.
[45]Tseng, V.S.-M. and Lin, K.W.C. 2005. Mining sequential mobile access patterns efficiently in mobile Web systems, in Prof. of 19th International Conference on Advanced Information Networking and Applications (AINA), Vol.2, 762-767.
[46]Tseng, V.S.-M., Lu, E.H.-C., and Huang, C.-H. 2007. Mining temporal mobile sequential patterns in location-based service environments, in Proc. of International Conference on Parallel and Distributed Systems (ICPADS), Vol.1, 1-8.
[47]Lu, E.H.-C. and Tseng, V.S.-M. 2009. Mining Cluster-Based Mobile Sequential Patterns in Location-Based Service Environments, in Proc. of International Conference on Mobile Data Management: Systems, Services and Middleware (MDM), 273-278.
[48]Shie, B.-E., Hsiao, H.-F., Tseng, V.S.-M., and Yu, P.S. 2011. Mining High Utility Mobile Sequential Patterns in Mobile Commerce
Environments, in Prof. of 16th International Conference on Database Systems for Advanced Applications (DASFAA), Part I, 224-238. [49]Lu, E. H.-C., Lee, W.-C., Tseng, V. S.-M. 2012. A Framework for
Personal Mobile Commerce Pattern Mining and Prediction, IEEE Transactions on Knowledge and Data Engineering, 24(5): 769-782. [50]Pei, J., Han, J. and Wang, W. 2007. Constraint-based sequential
pattern mining: the pattern-growth methods. Journal of Intelligent Information Systems (JIIS), 28(2): 133-16.
計畫成果自評
19 手機使用模式之探勘”(曾菀柔，碩士論文，國立政治大學，民國 102 年)，目前 的成果為兩篇論文，一篇發表於國際期刊，並由主持人於國際會議進行口頭報告， 另一篇發表於國際期刊。主持人正在整理並加強其他部分與結果，正在撰寫論文， 預計為本計畫帶來更多成果。本計畫的研究成果可協助智慧型手機製造商，還有 應用程式開發人員，更加了解使用者的使用行為與習慣，所以本計畫具有實用價 值。本計畫的研究成果，或可做為前置處理工具，協助研究者或開發人員，進行 更進階的資料探勘與分析工作。就社會影響而言，本計畫的研究成果，可當作其 他手機相關研究之參考資料。本計畫相關論文，如下所列：
1. W.-R. Tseng and K.-W. Hsu, Smartphone App Usage Log Mining,
International Journal of Computer and Electrical Engineering (IJCEE), Vol. 6, No. 2, August 2014, pp. 151-156. (DOI:
10.7763/IJCEE.2014.V6.812)
2. W.-R. Tseng and K.-W. Hsu, Mining Sequential Application Usage Patterns with Time Constraint of Smartphone Users, in International Conference on Cyber Behavior (CB), Taipei, Taiwan, June 18-20, 2014.
附錄：探勘出來的規則與模式
表一：使用關聯規則探勘(min support 為 0.01，min confidence 為 0.3)，得到 的結果。
關聯規則 信心值
com.whatsapp, com.htc.socialnetwork.plurk → com.htc.launcher 0.91 com.facebook.katana, com.htc.socialnetwork.plurk → com.htc.launcher 0.89 com.android.browser, com.htc.socialnetwork.plurk → com.htc.launcher 0.87 com.google.android.gm, com.htc.socialnetwork.plurk → com.htc.launcher 0.87 com.htc.socialnetwork.plurk → com.htc.launcher 0.78 com.android.htcdialer → com.android.phone 0.77 com.android.contacts → com.android.phone 0.76 com.google.android.gm, com.android.htcdialer → com.android.phone 0.76 com.htc.launcher, com.android.htcdialer → com.android.phone 0.75 com.android.mms, com.android.htcdialer → com.android.phone 0.75 com.android.settings, com.android.htcdialer → com.htc.launcher 0.74 com.google.android.gm, com.whatsapp → com.htc.launcher 0.73 com.htc.album, com.android.camera → com.htc.launcher 0.72 com.android.htcdialer, com.android.htccontacts → com.android.phone 0.72 com.android.packageinstaller → com.android.settings 0.71 com.android.mms, com.android.htcdialer → com.htc.launcher 0.68
20
com.htc.album → com.htc.launcher 0.66 com.facebook.katana, com.android.settings → com.htc.launcher 0.65 com.htc.launcher, com.android.phone → com.android.htcdialer 0.63 com.android.phone, com.android.htccontacts → com.android.htcdialer 0.63 com.android.browser, com.android.settings → com.htc.launcher 0.62 com.android.settings, com.android.vending → com.htc.launcher 0.61 com.htc.android.mail → com.htc.launcher 0.6 com.facebook.katana, com.android.camera → com.htc.launcher 0.59 com.htc.launcher, com.htc.album → com.android.camera 0.59 com.android.settings, com.google.android.gm → com.htc.launcher 0.57 com.android.htccontacts → com.android.phone 0.57 com.android.camera → com.htc.launcher 0.57 com.htc.launcher, com.android.htccontacts → com.android.phone 0.56 com.facebook.katana, com.android.browser → com.htc.launcher 0.56 com.android.settings, com.android.phone → com.htc.launcher 0.55 com.facebook.katana, com.google.android.gm → com.htc.launcher 0.55 com.htc.album → com.android.camera 0.54 com.android.packageinstaller → com.htc.launcher 0.54 com.android.browser, com.google.android.gm → com.htc.launcher 0.52 com.htc.launcher, com.android.vending → com.android.settings 0.52 com.android.settings → com.htc.launcher 0.51 com.android.phone, com.android.mms → com.htc.launcher 0.51 com.android.htccontacts → com.htc.launcher 0.51 com.android.htcdialer → com.htc.launcher 0.51 com.google.android.gsf → com.htc.launcher 0.5 com.android.phone, com.android.htccontacts → com.htc.launcher 0.5 com.android.htcdialer, com.android.htccontacts → com.htc.launcher 0.5 com.android.htccontacts → com.android.htcdialer 0.5 com.android.phone, com.google.android.gm → com.android.htcdialer 0.5 com.android.mms → com.htc.launcher 0.5 com.android.phone, com.android.htcdialer → com.htc.launcher 0.49 com.whatsapp → com.htc.launcher 0.49 com.htc.launcher, com.android.htccontacts → com.android.htcdialer 0.49 com.htc.launcher, com.android.camera → com.htc.album 0.48 com.android.phone, com.android.mms → com.android.htcdialer 0.48 com.google.android.gm → com.htc.launcher 0.47 com.android.vending → com.htc.launcher 0.46 com.htc.calendar → com.htc.launcher 0.46
21 com.android.browser → com.htc.launcher 0.45 com.google.android.apps.maps → com.htc.launcher 0.43 com.google.android.talk → com.htc.launcher 0.42 com.facebook.katana → com.htc.launcher 0.42 com.android.vending → com.android.settings 0.4 com.htc.album → com.htc.launcher, com.android.camera 0.39 com.android.phone → com.android.htcdialer 0.38 com.android.htcdialer → com.htc.launcher, com.android.phone 0.38 com.android.camera → com.htc.album 0.38 android → com.htc.launcher 0.37 com.htc.launcher, com.android.camera → com.facebook.katana 0.37 com.htc.android.worldclock → com.htc.launcher 0.37 com.htc.launcher, com.facebook.katana → com.google.android.gm 0.37 com.htc.launcher, com.android.browser → com.android.settings 0.37 com.android.htccontacts → com.android.phone, com.android.htcdialer 0.36 com.htc.launcher, com.htc.socialnetwork.plurk → com.whatsapp 0.36 com.android.camera → com.facebook.katana 0.36 com.htc.launcher, com.htc.socialnetwork.plurk → com.android.browser 0.35 com.nd.android.pandahome2 → com.whatsapp 0.35 com.htc.launcher, com.whatsapp → com.google.android.gm 0.35 com.android.launcher → com.facebook.katana 0.34 com.htc.launcher, com.android.browser → com.facebook.katana 0.34 com.htc.socialnetwork.plurk → com.android.browser 0.32 com.htc.launcher, com.facebook.katana → com.android.browser 0.32 com.google.android.apps.maps → com.android.settings 0.32 com.google.android.apps.maps → com.facebook.katana 0.32 com.htc.launcher, com.htc.socialnetwork.plurk → com.facebook.katana 0.31 com.htc.launcher, com.android.mms → com.android.phone 0.31 com.htc.socialnetwork.plurk → com.whatsapp 0.31 com.android.phone → com.htc.launcher 0.3 表二：使用關聯規則探勘(min support 為 0.03，min confidence 為 0.3)，得到 的結果。 關聯規則 信心值 com.android.htcdialer → com.android.phone 0.77 com.android.settings → com.htc.launcher 0.51 com.android.htcdialer → com.htc.launcher 0.51 com.google.android.gm → com.htc.launcher 0.47
22
表三：使用關聯規則探勘(min support 為 0.05，min confidence 為 0.4)，得到 的結果。
關聯規則 信心值
com.htc.socialnetwork.plurk → com.htc.launcher 0.78 com.android.htcdialer → com.android.phone 0.77 com.htc.launcher, com.android.htcdialer → com.android.phone 0.75 com.htc.launcher, com.android.phone → com.android.htcdialer 0.63 com.android.settings → com.htc.launcher 0.51 com.android.htcdialer → com.htc.launcher 0.51 com.android.mms → com.htc.launcher 0.5 com.android.phone, com.android.htcdialer→ com.htc.launcher 0.49 com.whatsapp → com.htc.launcher 0.49 com.google.android.gm → com.htc.launcher 0.47 com.android.browser → com.htc.launcher 0.45 com.facebook.katana → com.htc.launcher 0.42 com.android.phone → com.android.htcdialer 0.38 com.android.htcdialer → com.htc.launcher com.android.phone 0.38 com.android.phone → com.htc.launcher 0.3
表四：移除使用歷程內的 launcher 的資料，使用關聯規則探勘(min support 為 0.005，min confidence 為 0.3)，得到的結果。
關聯規則 信心值
com.android.vending, com.android.packageinstaller → com.android.settings 0.8 com.nd.android.pandahome2, com.android.contacts → com.android.phone 0.8 com.android.htcdialer → com.android.phone 0.77 com.google.android.talk, com.android.htcdialer → com.android.phone 0.77 com.android.contacts → com.android.phone 0.76 com.google.android.gm, com.android.htcdialer → com.android.phone 0.76 com.android.mms, com.android.htcdialer → com.android.phone 0.75 com.android.browser, com.android.htcdialer → com.android.phone 0.72 com.android.htcdialer, com.android.htccontacts → com.android.phone 0.72 com.android.packageinstaller → com.android.settings 0.71 com.android.settings, com.android.htcdialer → com.android.phone 0.71 com.facebook.katana, com.htc.album → com.android.camera 0.71 com.facebook.katana, com.android.htcdialer → com.android.phone 0.7 com.android.phone, com.nd.android.pandahome2 → com.android.contacts 0.67 com.android.phone, com.android.htccontacts → com.android.htcdialer 0.63
23
com.android.phone, com.google.android.talk → com.android.htcdialer 0.62 com.android.browser, com.google.android.talk → com.facebook.katana 0.59 com.android.htccontacts → com.android.phone 0.57 com.google.android.gm, com.android.camera → com.facebook.katana 0.57 com.facebook.katana, com.android.phone → com.android.htcdialer 0.57 com.android.mms, com.android.htccontacts → com.android.phone 0.56 com.android.browser, com.android.vending → com.android.settings 0.56 com.htc.album → com.android.camera 0.54 com.android.mms, com.android.htccontacts → com.android.htcdialer 0.52 com.google.android.gm, com.android.vending → com.android.settings 0.52 com.android.htccontacts → com.android.htcdialer 0.5 com.android.phone, com.google.android.gm → com.android.htcdialer 0.5 com.android.settings, com.android.packageinstaller → com.android.vending 0.5 com.google.android.gm, com.htc.socialnetwork.plurk → com.facebook.katana 0.49 com.android.browser, com.android.phone → com.android.htcdialer 0.48 com.android.phone, com.android.mms → com.android.htcdialer 0.48 com.facebook.katana, com.htc.socialnetwork.plurk → com.google.android.gm 0.48 com.android.settings, com.android.phone → com.android.htcdialer 0.44 com.facebook.katana, com.android.settings → com.google.android.gm 0.44 com.android.packageinstaller → com.android.vending 0.44 com.android.browser, com.android.phone → com.android.settings 0.43 com.facebook.katana, com.android.settings → com.android.browser 0.42 com.facebook.katana, com.htc.socialnetwork.plurk → com.android.browser 0.42 com.android.browser, com.google.android.gm → com.facebook.katana 0.42 com.google.android.gm, com.google.android.talk → com.facebook.katana 0.42 com.google.android.gm, com.htc.socialnetwork.plurk → com.whatsapp 0.42 com.android.browser, com.google.android.gm → com.android.settings 0.41 com.facebook.katana, com.android.camera → com.htc.album 0.4 com.android.settings, com.android.vending → com.android.browser 0.4 com.facebook.katana, com.whatsapp → com.google.android.gm 0.4 com.android.vending → com.android.settings 0.4 com.google.android.gm, com.android.mms → com.android.phone 0.4 com.android.settings, com.android.mms → com.android.phone 0.39 com.android.phone → com.android.htcdialer 0.38 com.htc.album, com.android.camera → com.facebook.katana 0.38 com.android.settings, com.google.android.gm → com.android.browser 0.38 com.android.settings, com.android.vending → com.android.packageinstaller 0.38 com.android.camera → com.htc.album 0.38
24
com.facebook.katana, com.android.phone → com.google.android.gm 0.37 com.whatsapp, com.htc.socialnetwork.plurk → com.google.android.gm 0.37 com.android.browser, com.htc.socialnetwork.plurk → com.facebook.katana 0.36 com.facebook.katana, com.android.phone → com.android.settings 0.36 com.android.htccontacts → com.android.phone com.android.htcdialer 0.36 com.facebook.katana, com.android.phone → com.android.browser 0.36 com.android.camera → com.facebook.katana 0.36 com.android.mms, com.android.htcdialer → com.android.htccontacts 0.35 com.android.packageinstaller → com.android.settings com.android.vending 0.35 com.nd.android.pandahome2 → com.whatsapp 0.35 com.android.browser, com.android.settings → com.google.android.gm 0.35 com.facebook.katana, com.android.browser → com.google.android.gm 0.35 com.android.settings, com.google.android.gm → com.facebook.katana 0.34 com.android.browser, com.android.phone → com.facebook.katana 0.34 com.facebook.katana, com.android.camera → com.google.android.gm 0.32 com.htc.socialnetwork.plurk → com.android.browser 0.32 com.google.android.apps.maps → com.android.settings 0.32 com.google.android.apps.maps → com.facebook.katana 0.32 com.facebook.katana, com.google.android.talk → com.google.android.gm 0.31 com.htc.socialnetwork.plurk → com.whatsapp 0.31 com.google.android.gm, com.whatsapp → com.facebook.katana 0.31 com.android.browser, com.android.settings → com.facebook.katana 0.31 com.android.phone, com.google.android.gm → com.android.settings 0.3 com.android.settings, com.android.vending→ com.google.android.gm 0.3 表五：移除使用歷程內的 launcher 的資料，使用關聯規則探勘(min support 為 0.01，min confidence 為 0.2)，得到的結果。
關聯規則 信心值
com.android.htcdialer → com.android.phone 0.77 com.android.contacts → com.android.phone 0.76 com.google.android.gm, com.android.htcdialer → com.android.phone 0.76 com.android.mms, com.android.htcdialer → com.android.phone 0.75 com.android.htcdialer, com.android.htccontacts → com.android.phone 0.72 com.android.packageinstaller → com.android.settings 0.71 com.android.phone, com.android.htccontacts → com.android.htcdialer 0.63 com.android.htccontacts → com.android.phone 0.57 com.htc.album → com.android.camera 0.54 com.android.htccontacts → com.android.htcdialer 0.5
25
com.android.phone, com.google.android.gm → com.android.htcdialer 0.5 com.android.phone, com.android.mms → com.android.htcdialer 0.48 com.android.vending → com.android.settings 0.4 com.android.phone → com.android.htcdialer 0.38 com.android.camera → com.htc.album 0.38 com.android.htccontacts → com.android.phone, com.android.htcdialer 0.36 com.android.camera → com.facebook.katana 0.36 com.nd.android.pandahome2 → com.whatsapp 0.35 com.htc.socialnetwork.plurk → com.android.browser 0.32 com.google.android.apps.maps → com.android.settings 0.32 com.google.android.apps.maps → com.facebook.katana 0.32 com.htc.socialnetwork.plurk → com.whatsapp 0.31 com.android.mms → com.android.phone 0.3 com.htc.album → com.facebook.katana 0.29 com.android.vending → com.android.browser 0.29 com.google.android.talk → com.facebook.katana 0.29 com.facebook.katana → com.google.android.gm 0.28 com.htc.socialnetwork.plurk → com.facebook.katana 0.28 com.google.android.gsf → com.android.settings 0.27 com.android.browser → com.facebook.katana 0.27 com.htc.socialnetwork.plurk → com.google.android.gm 0.27 android → com.android.settings 0.27 com.android.browser → com.android.settings 0.27 com.android.htccontacts → com.android.mms 0.26 android → com.facebook.katana 0.26 android → com.google.android.gm 0.25 android → com.whatsapp 0.25 com.android.settings → com.android.browser 0.25 com.facebook.katana → com.android.browser 0.24 com.htc.socialnetwork.plurk → com.android.settings 0.23 com.whatsapp → com.google.android.gm 0.23 com.android.vending → com.google.android.gm 0.23 com.android.settings → com.google.android.gm 0.23 com.android.browser → com.google.android.gm 0.23 com.google.android.gm → com.facebook.katana 0.22 com.google.android.talk → com.google.android.gm 0.21 com.android.settings → com.android.phone 0.21 com.android.camera → com.google.android.gm 0.2
26 表六：使用序列模式探勘(min support 為 0.005)，得到的結果。 序列模式 支持值 com.android.phone 0.255 com.google.android.gm 0.160 com.android.htcdialer 0.128 com.facebook.katana 0.117 com.android.settings 0.114 com.android.mms 0.104 com.android.browser 0.101 com.android.htcdialer → com.android.phone 0.098 com.whatsapp 0.091 com.google.android.talk 0.077 com.htc.android.worldclock 0.071 com.android.phone → com.android.phone 0.060 com.android.camera 0.056 android 0.050 com.android.htccontacts 0.050 com.htc.socialnetwork.plurk 0.049 com.vp.alarmClockPlusDock 0.049 com.android.vending 0.048 com.htc.android.mail 0.046 com.android.launcher 0.046 com.google.android.gsf 0.045 com.nd.android.pandahome2 0.043 com.android.phone → com.android.htcdialer 0.041 com.htc.album 0.038 com.android.settings → com.android.settings 0.038 com.whatsapp → com.whatsapp 0.038 com.facebook.katana → com.facebook.katana 0.037 com.google.android.apps.maps 0.036 com.handcent.nextsms 0.036 com.fede.launcher 0.035 com.android.phone → com.android.htcdialer → com.android.phone 0.033 com.android.htcdialer → com.android.htcdialer 0.033 com.android.contacts 0.032 com.htc.calendar 0.031 com.android.browser → com.android.browser 0.030
