論文の概要: Emerging App Issue Identification via Online Joint Sentiment-Topic Tracing

• arxiv url: http://arxiv.org/abs/2008.09976v1
• Date: Sun, 23 Aug 2020 06:34:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 03:12:15.696567
• Title: Emerging App Issue Identification via Online Joint Sentiment-Topic Tracing
• Title（参考訳）: オンライン共同センシングトレーシングによる新興アプリの課題同定
• Authors: Cuiyun Gao, Jichuan Zeng, Zhiyuan Wen, David Lo, Xin Xia, Irwin King, Michael R. Lyu
• Abstract要約: 本稿では,MERITという新しい問題検出手法を提案する。 AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。 Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
• 参考スコア（独自算出の注目度）: 66.57888248681303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Millions of mobile apps are available in app stores, such as Apple's App Store and Google Play. For a mobile app, it would be increasingly challenging to stand out from the enormous competitors and become prevalent among users. Good user experience and well-designed functionalities are the keys to a successful app. To achieve this, popular apps usually schedule their updates frequently. If we can capture the critical app issues faced by users in a timely and accurate manner, developers can make timely updates, and good user experience can be ensured. There exist prior studies on analyzing reviews for detecting emerging app issues. These studies are usually based on topic modeling or clustering techniques. However, the short-length characteristics and sentiment of user reviews have not been considered. In this paper, we propose a novel emerging issue detection approach named MERIT to take into consideration the two aforementioned characteristics. Specifically, we propose an Adaptive Online Biterm Sentiment-Topic (AOBST) model for jointly modeling topics and corresponding sentiments that takes into consideration app versions. Based on the AOBST model, we infer the topics negatively reflected in user reviews for one app version, and automatically interpret the meaning of the topics with most relevant phrases and sentences. Experiments on popular apps from Google Play and Apple's App Store demonstrate the effectiveness of MERIT in identifying emerging app issues, improving the state-of-the-art method by 22.3% in terms of F1-score. In terms of efficiency, MERIT can return results within acceptable time.
• Abstract（参考訳）: AppleのApp StoreやGoogle Playなど,数百万のモバイルアプリがアプリストアで利用可能だ。 モバイルアプリにとって、巨大なライバルたちと対決し、ユーザーの間で普及していくことはますます難しくなるだろう。 良いユーザー体験とよく設計された機能が、成功するアプリの鍵だ。 これを実現するために、人気のあるアプリは更新を頻繁にスケジュールする。 ユーザが直面する重要なアプリの問題をタイムリーで正確な方法で捉えることができれば、開発者はタイムリーにアップデートでき、優れたユーザエクスペリエンスが確保できます。 アプリ問題検出のためのレビュー分析に関する先行研究がある。 これらの研究は通常、トピックモデリングやクラスタリング技術に基づいている。 しかし,ユーザレビューの短期的特徴や感情は考慮されていない。 本稿では,上記の2つの特徴を考慮に入れたMERITという新しい問題検出手法を提案する。 具体的には、アプリケーションのバージョンを考慮したトピックとそれに対応する感情を共同でモデル化するAdaptive Online Biterm Sentiment-Topic(AOBST)モデルを提案する。 AOBSTモデルに基づいて、あるアプリのユーザレビューに否定的に反映されたトピックを推測し、最も関連するフレーズや文でトピックの意味を自動的に解釈する。 Google PlayとAppleのApp Storeの人気のアプリに対する実験は、新興アプリの問題の特定におけるMERITの有効性を示し、F1スコアの観点から最先端のメソッドを22.3%改善した。 効率の面では、MERITは許容時間内に結果を返すことができる。

関連論文リスト

• What If We Had Used a Different App? Reliable Counterfactual KPI Analysis in Wireless Systems [52.499838151272016]
  本稿では、無線アクセスネットワーク(RAN)によって異なるアプリが実装された場合、キーパフォーマンス指標(KPI)の値を推定する「What-if」問題に対処する。 本稿では,推定値に対して信頼度の高い「エラーバー」を提供する無線システムに対する共形予測に基づく対実解析手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T18:47:26Z)
• Fairness Concerns in App Reviews: A Study on AI-based Mobile Apps [9.948068408730654]
  本研究は,モバイルアプリレビューにおける公平性の懸念を調査することを目的としている。 我々の研究は、AIベースのモバイルアプリレビューに焦点を当てており、AIベースのアプリの不公平な振る舞いや結果が非AIベースのアプリよりも高い可能性がある。
  論文  参考訳（メタデータ） (2024-01-16T03:43:33Z)
• User Driven Functionality Deletion for Mobile Apps [10.81190733388406]
  機能を増やしてソフトウェアを進化させるのは理解が難しく、使うのが難しくなります。 機能が多すぎると、使いやすさ、保守性、リソース消費に簡単に影響を与えます。 以前の研究によると、機能の削除は一般的であり、時にはユーザレビューによって引き起こされる。
  論文  参考訳（メタデータ） (2023-05-30T19:56:54Z)
• Understanding Mobile App Reviews to Guide Misuse Audits [17.71313286969027]
  アプリレビューを活用して、悪用可能なアプリとその誤用を可能にする機能を特定します。 虐待者や被害者の物語は、主に過去の誤用に焦点を当てているのに対し、第三者の物語は、主に誤用の可能性を示す物語を識別している。 合計156個の悪用可能なアプリが誤用を助長していることを確認した。
  論文  参考訳（メタデータ） (2023-03-19T23:43:36Z)
• Proactive Prioritization of App Issues via Contrastive Learning [2.6763498831034043]
  本稿では,アプリの問題を積極的に優先順位付けする新しいフレームワークPPriorを提案する。 PPriorはトレーニング済みのT5モデルを採用し、3段階で動作する。 フェーズ1は、事前訓練されたT5モデルを、セルフ教師された方法でユーザレビューデータに適用する。 第2フェーズでは、コントラストトレーニングを活用して、ユーザレビューの汎用的かつタスクに依存しない表現を学習する。
  論文  参考訳（メタデータ） (2023-03-12T06:23:10Z)
• Integrating Rankings into Quantized Scores in Peer Review [61.27794774537103]
  ピアレビューでは、レビュアーは通常、論文のスコアを提供するように求められます。 この問題を軽減するため、カンファレンスはレビュアーにレビューした論文のランキングを付加するように求め始めている。 このランキング情報を使用するための標準的な手順はなく、エリアチェアは異なる方法でそれを使用することができる。 我々は、ランキング情報をスコアに組み込むために、原則化されたアプローチを取る。
  論文  参考訳（メタデータ） (2022-04-05T19:39:13Z)
• Analysis of Longitudinal Changes in Privacy Behavior of Android Applications [79.71330613821037]
  本稿では,プライバシに関して,Androidアプリが時間とともにどのように変化してきたかを検討する。 HTTPSの採用、アプリが他のインストール済みアプリのデバイスをスキャンするかどうか、プライバシに敏感なデータに対するパーミッションの使用、ユニークな識別子の使用について検討する。 アプリがアップデートを受け続けるにつれて、プライバシ関連の振る舞いは時間とともに改善され、アプリによって使用されるサードパーティライブラリが、プライバシに関するより多くの問題に責任を負っていることが分かっています。
  論文  参考訳（メタデータ） (2021-12-28T16:21:31Z)
• An Empirical Study on User Reviews Targeting Mobile Apps' Security & Privacy [1.8033500402815792]
  本研究は,Google Play Storeのレビューを用いて,ユーザのプライバシとセキュリティ上の懸念について検討した。 このAndroidマーケットのトップ539アプリのレビュー220万件を分析した。 結果から、アプリ要求のパーミッション数が、この問題において主要な役割を担っていることは明らかでした。
  論文  参考訳（メタデータ） (2020-10-11T02:00:36Z)
• General-Purpose User Embeddings based on Mobile App Usage [46.343844014289246]
  保留、インストール、アンインストールを含むモバイルアプリの利用行動は、ユーザの長期的な利益と短期的な利益の両方に良い指標となる。 伝統的に、モバイルアプリの使用によるユーザーモデリングは、手作りの機能工学に大きく依存している。 本稿では,これらの課題を克服し,手作業の削減と性能向上を目標とする,AutoEncoder-Coupled Transformer Network(AETN)を提案する。
  論文  参考訳（メタデータ） (2020-05-27T12:01:50Z)
• Automating App Review Response Generation [67.58267006314415]
  本稿では,レビューと回答の知識関係を学習することで,レビュー応答を自動的に生成する新しいアプローチRRGenを提案する。 58のアプリと309,246のレビュー-レスポンスペアの実験では、RRGenはBLEU-4の点で少なくとも67.4%のベースラインを上回っている。
  論文  参考訳（メタデータ） (2020-02-10T05:23:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。