論文の概要: To remove or not remove Mobile Apps? A data-driven predictive model approach

• arxiv url: http://arxiv.org/abs/2206.03905v1
• Date: Wed, 8 Jun 2022 14:00:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-09 19:04:44.631195
• Title: To remove or not remove Mobile Apps? A data-driven predictive model approach
• Title（参考訳）: モバイルアプリを削除するか削除しないか? データ駆動予測モデルアプローチ
• Authors: Fadi Mohsen, Dimka Karastoyanova, and George Azzopardi
• Abstract要約: 本稿では,各アプリが削除されるか,受理されるかを決定するデータ駆動型予測手法を提案する。 当社のアプローチは,削除される可能性の低いアプリをダウンロードする際の,アプリやユーザの改善を支援するものです。
• 参考スコア（独自算出の注目度）: 4.853751680856816
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile app stores are the key distributors of mobile applications. They regularly apply vetting processes to the deployed apps. Yet, some of these vetting processes might be inadequate or applied late. The late removal of applications might have unpleasant consequences for developers and users alike. Thus, in this work we propose a data-driven predictive approach that determines whether the respective app will be removed or accepted. It also indicates the features' relevance that help the stakeholders in the interpretation. In turn, our approach can support developers in improving their apps and users in downloading the ones that are less likely to be removed. We focus on the Google App store and we compile a new data set of 870,515 applications, 56% of which have actually been removed from the market. Our proposed approach is a bootstrap aggregating of multiple XGBoost machine learning classifiers. We propose two models: user-centered using 47 features, and developer-centered using 37 features, the ones only available before deployment. We achieve the following Areas Under the ROC Curves (AUCs) on the test set: user-centered = 0.792, developer-centered = 0.762.
• Abstract（参考訳）: モバイルアプリストアは、モバイルアプリケーションの重要なディストリビュータである。 デプロイされたアプリケーションに定期的にvettingプロセスを適用する。 しかし、これらのベッティングプロセスのいくつかは不適切なか、遅く適用される可能性がある。 アプリケーション削除の遅れは、開発者やユーザにとっても不快な結果をもたらす可能性がある。 そこで本研究では,各アプリが削除されるか受理されるかを決定するデータ駆動予測手法を提案する。 また、解釈において利害関係者を助ける特徴の関連性も示します。 結果的に、当社のアプローチは、削除される可能性が低いアプリをダウンロードする際の、アプリやユーザの改善を支援することができます。 私たちはGoogle Appストアに集中し、870,515のアプリケーションからなる新しいデータセットをコンパイルしました。 提案手法は,複数のXGBoost機械学習分類器のブートストラップ集約である。 47機能を使用したユーザ中心と37機能を使用した開発者中心の2つのモデルを提案する。 テストセット上のROC曲線(AUC)の下では、ユーザ中心 = 0.792、開発者中心 = 0.762 という領域が達成されます。

関連論文リスト

• Recommending and Release Planning of User-Driven Functionality Deletion for Mobile Apps [9.897133491172786]
  ソフトウェアを多くの機能で進化させることは、理解性とユーザビリティという面での課題を引き起こします。 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。 ほとんどのユーザにとって、機能の削除はネガティブな感情と結びつき、使用パターンの変更を促し、ユーザを混乱させる可能性がある。
  論文  参考訳（メタデータ） (2024-10-09T18:34:20Z)
• 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)
• User Strategization and Trustworthy Algorithms [81.82279667028423]
  ユーザストラテジゼーションがプラットフォームを短期間で支援できることが示されています。 そして、それがプラットフォームのデータを破壊し、最終的に反実的な決定を下す能力を損なうことを示します。
  論文  参考訳（メタデータ） (2023-12-29T16:09:42Z)
• Neural Embeddings for Web Testing [49.66745368789056]
  既存のクローラは、状態等価性を評価するために、アプリ固有のしきい値ベースのアルゴリズムに依存している。 ニューラルネットワークの埋め込みとしきい値のない分類器に基づく新しい抽象関数WEBEMBEDを提案する。 WEBEMBEDは,9つのWebアプリケーションに対する評価の結果,近距離検出により最先端技術よりも精度が高いことがわかった。
  論文  参考訳（メタデータ） (2023-06-12T19:59:36Z)
• 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)
• Canary in a Coalmine: Better Membership Inference with Ensembled Adversarial Queries [53.222218035435006]
  私たちは、差別的で多様なクエリを最適化するために、逆ツールを使用します。 我々の改善は既存の方法よりもはるかに正確な会員推定を実現している。
  論文  参考訳（メタデータ） (2022-10-19T17:46:50Z)
• Context-Aware Target Apps Selection and Recommendation for Enhancing Personal Mobile Assistants [42.25496752260081]
  本論文では,効果的なパーソナルモバイルアシスタントの開発に不可欠な2つの研究課題について述べる。 ここでは,モバイルデバイスで利用可能なリッチなコンテキスト情報を活用するために,コンテキスト認識モデルに注目する。 本稿では,ユーザの逐次的,時間的,個人的行動を考慮した文脈認識型ニューラルモデル群を提案する。
  論文  参考訳（メタデータ） (2021-01-09T17:07:47Z)
• Emerging App Issue Identification via Online Joint Sentiment-Topic Tracing [66.57888248681303]
  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。
  論文  参考訳（メタデータ） (2020-08-23T06:34:05Z)
• 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)

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。