| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 智能手机用户行为理解 | 第13-14页 |
| 1.3 本文工作 | 第14-16页 |
| 1.4 相关工作 | 第16-19页 |
| 1.4.1 智能手机App使用预测 | 第16-17页 |
| 1.4.2 App使用行为群体性发现 | 第17-19页 |
| 1.5 章节安排 | 第19-20页 |
| 1.6 本章小结 | 第20-21页 |
| 第2章 预备知识 | 第21-28页 |
| 2.1 深度神经网络 | 第21-22页 |
| 2.2 Word2Vec | 第22-23页 |
| 2.3 Doc2Vec | 第23页 |
| 2.4 Attention机制 | 第23-24页 |
| 2.5 聚类方法 | 第24-25页 |
| 2.6 离散数据可视化方法 | 第25-26页 |
| 2.7 评价指标 | 第26页 |
| 2.8 定义与符号约定 | 第26-27页 |
| 2.9 本章小结 | 第27-28页 |
| 第3章 实验数据集 | 第28-35页 |
| 3.1 数据集介绍 | 第28-31页 |
| 3.2 基本分析 | 第31-32页 |
| 3.3 数据预处理 | 第32-34页 |
| 3.3.1 App使用序列提取 | 第32-34页 |
| 3.3.2 数据过滤 | 第34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 AppUsage2Vec:用户App使用行为建模 | 第35-45页 |
| 4.1 AppUsage2Vec:基于Doc2Vec模型对App使用行为建模 | 第35-40页 |
| 4.2 Hadamard Product:用户与App强相互关系学习 | 第40-41页 |
| 4.3 双塔DNN:用户和App深度特征的独立学习 | 第41-42页 |
| 4.4 Attention:基于用户、时间的App序列权重学习 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 基于AppUsage2Vec的用户App使用行为理解 | 第45-53页 |
| 5.1 App使用行为预测 | 第45-49页 |
| 5.1.1 问题定义 | 第45-46页 |
| 5.1.2 解决方案 | 第46-49页 |
| 5.2 App协同使用行为发现 | 第49-52页 |
| 5.2.1 问题定义 | 第49-50页 |
| 5.2.2 解决方案 | 第50-52页 |
| 5.3 本章小结 | 第52-53页 |
| 第6章 实验与评估 | 第53-66页 |
| 6.1 AppUsage2Vec模型实验与评估 | 第53-56页 |
| 6.1.1 App与用户相关关系实验 | 第53-54页 |
| 6.1.2 用户、App深度特征学习实验 | 第54-55页 |
| 6.1.3 App之间相互关系建模实验 | 第55-56页 |
| 6.2 基于AppUsage2Vec模型的App使用预测实验 | 第56-59页 |
| 6.2.1 不同参数对结果的影响 | 第56-57页 |
| 6.2.2 不同优化目标对结果的影响 | 第57-58页 |
| 6.2.3 与其他方法的结果比较 | 第58-59页 |
| 6.3 基于AppUsage2Vec的聚类实验 | 第59-65页 |
| 6.3.1 App、用户隐向量分析 | 第59-60页 |
| 6.3.2 App聚类结果分析 | 第60-62页 |
| 6.3.3 用户聚类结果分析 | 第62-65页 |
| 6.4 本章小结 | 第65-66页 |
| 第7章 总结与展望 | 第66-68页 |
| 7.1 本文总结 | 第66-67页 |
| 7.2 未来展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间主要的研究成果 | 第73-74页 |
| 致谢 | 第74-75页 |
