ittle is known (publicly) today abo

ittle is known (publicly) today about how people use these
devices. In 2009, smartphone penetration in the US was 25%
and 14% of worldwide mobile phone shipments were smartphones
[23, 16]. By 2011, smartphone sales are projected to
surpass desktop PCs [25]. But beyond a few studies that report
on users’ charging behaviors [2, 17] and relative power
consumption of various components (e.g., CPU, screen) [24],
many basic facts on smartphone usage are unknown: i) how
often does a user interact with the phone and how long does
Permission to make digital or hard copies of all or part of this work for
personal or classroom use is granted without fee provided that copies are
not made or distributed for profit or commercial advantage and that copies
bear this notice and the full citation on the first page. To copy otherwise, to
republish, to post on servers or to redistribute to lists, requires prior specific
permission and/or a fee.
MobiSys’10, June 15–18, 2010, San Francisco, California, USA.
Copyright 2010 ACM 978-1-60558-985-5/10/06 ...$10.00.
an interaction last? ii) how many applications does a user
run and how is her attention spread across them? iii) how
much network traffic is generated?
Answering such questions is not just a matter of academic
interest; it is key to understanding which mechanisms can
effectively improve user experience or reduce energy consumption.
For instance, if user interactions are frequent and
the sleep-wake overhead is significant, putting the phone to
sleep aggressively may be counterproductive [8]. If the user
interacts regularly with only a few applications, application
response time can be improved by retaining those applications
in memory [7]. Similarly, if most transfers are small,
bundling multiple transfers [1, 22] may reduce per-byte energy
cost. Smartphone usage will undoubtedly evolve with
time, but understanding current usage is important for informing
the next generation of devices.
We analyze detailed usage traces from 255 users of two
different smartphone platforms, with 7-28 weeks of data per
user. Our traces consist of two datasets. For the first dataset
we deploy a custom logging utility on the phones of 33 Android
users. Our utility captures a detailed view of user
interactions, network traffic, and energy drain. The second
dataset is from 222 Windows Mobile users across different
demographics and geographic locations. This data was collected
by a third party.
We characterize smartphone usage along four key dimensions:
i) user interactions; ii) application use; iii) network
traffic; and iv) energy drain. The first two represent intentional
user activities, and the last two represent the impact
of user activities on network and energy resources. Instead
of only exploring average case behaviors, we are interested
in exploring the range seen across users and time. We believe
that we are the first to measure and report on many
aspects of smartphone usage of a large population of users.
A recurring theme in our findings is the diversity across
users. Along all dimensions that we study, users differ by
one or more orders of magnitude. For example, the mean
number of interactions per day for a user varies from 10 to
200; the mean interaction length varies from 10 to 250 seconds;
the number of applications used varies from 10 to 90;
and the mean amount of traffic per day varies from 1 to
1000 MB, of which 10 to 90% is exchanged during interactive
use. We also find that users are along a continuum
between the extremes, rather than being clustered into a
small number of groups.
The diversity among users that we find stems from the
fact that users use their smartphones for different purposes
and with different frequencies. For instance, users that use
179
#users Duration Platform Demographic info Information logged
Dataset1 33 7-21 weeks/user Android 16 high school students, Screen state, applications used
17 knowledge workers network traffic, battery state
Dataset2 222 8-28 weeks/user Windows 61 SC, 65 LPU, 59 BPU, 37 OP Screen state, applications used
Mobile Country: 116 USA, 106 UK
Table 1: An overview of the datasets in our study.
games and maps applications more often tend to have longer
interactions. Our study also shows that demographic information
can be an unreliable predictor of user behavior, and
usage diversity exists even when the underlying device is
identical, as is the case for one of our datasets.
Among the many implications of our findings, an overriding
one is that mechanisms to improve user experience
or energy consumption should not follow a one-size-fits-all
mindset. They should instead adapt by learning relevant
user behaviors; otherwise, they will likely be only marginally
useful or benefit only a small proportion of users.
We show that despite quantitative differences qualitative
similarities exist among users, which facilitates the task of
learning user behavior. For several key aspects of smartphone
usage, the same model can describe all users; dif

ผลลัพธ์ (ไทย) 1:

ittle เป็นที่รู้จัก (สาธารณะ) วันนี้เกี่ยวกับวิธีที่ผู้ใช้เหล่านี้อุปกรณ์ ใน 2009 เจาะสมาร์ทโฟนในสหรัฐอเมริกาเป็น 25%และ 14% จัดส่งทั่วโลกโทรศัพท์มือถือ สมาร์ทโฟน[23, 16] 2554 ยอดขายสมาร์ทโฟนคาดว่าจะเกินเดสก์ท็อปพีซี [25] แต่นอกเหนือจากบางการศึกษา ที่รายงานบนผู้ใช้ชาร์จพลังงานสัมพัทธ์และพฤติกรรม [2, 17]ปริมาณของส่วนประกอบต่าง ๆ (เช่น CPU จอ) [24],ข้อเท็จจริงพื้นฐานต่าง ๆ ในการใช้งานสมาร์ทโฟนที่ไม่รู้จัก: ฉัน) วิธีมักจะไม่ผู้ใช้โต้ตอบกับโทรศัพท์ และนานการทำดิจิตอลหรือคัดลอกฮาร์ดดิสก์ทั้งหมดหรือส่วนหนึ่งของงานนี้ใช้ส่วนตัวหรือห้องเรียนได้รับ โดยไม่มีค่าธรรมเนียมที่มีสำเนาไม่ทำ หรือกระจายสำหรับกำไร หรือประโยชน์ทางการค้า และสำเนาที่หมีตัวนี้และการอ้างอิงแบบเต็มบนหน้าแรก มิฉะนั้น ต้องการประกาศใหม่ การลงรายการบัญชีบนเซิร์ฟเวอร์ หรือ การกระจายไปในรายการ ต้องเฉพาะก่อนอนุญาตหรือมีค่าธรรมเนียมMobiSys'10, 15 – 18 มิถุนายน 2553, San Francisco แคลิฟอร์เนีย สหรัฐอเมริกาลิขสิทธิ์ 2010 ACM 978-1-60558-985-5/10/06... $10.00การโต้ตอบสุดท้าย ii) โปรแกรมจำนวนผู้ใช้หรือไม่เรียกใช้ และการมีความสนใจของเธอพวกเขา iii) วิธีสร้างเครือข่ายมากขึ้นไม่ตอบคำถามดังกล่าวเป็นเพียงเรื่องของการศึกษาสนใจ จึงเป็นการเข้าใจที่กลไกได้อย่างมีประสิทธิภาพปรับปรุงประสบการณ์การใช้งาน หรือลดการใช้พลังงานเช่น ถ้าผู้ พบบ่อย และthe sleep-wake overhead is significant, putting the phone tosleep aggressively may be counterproductive [8]. If the userinteracts regularly with only a few applications, applicationresponse time can be improved by retaining those applicationsin memory [7]. Similarly, if most transfers are small,bundling multiple transfers [1, 22] may reduce per-byte energycost. Smartphone usage will undoubtedly evolve withtime, but understanding current usage is important for informingthe next generation of devices.We analyze detailed usage traces from 255 users of twodifferent smartphone platforms, with 7-28 weeks of data peruser. Our traces consist of two datasets. For the first datasetwe deploy a custom logging utility on the phones of 33 Androidusers. Our utility captures a detailed view of userinteractions, network traffic, and energy drain. The seconddataset is from 222 Windows Mobile users across differentdemographics and geographic locations. This data was collectedby a third party.We characterize smartphone usage along four key dimensions:i) user interactions; ii) application use; iii) networktraffic; and iv) energy drain. The first two represent intentionaluser activities, and the last two represent the impactof user activities on network and energy resources. Insteadof only exploring average case behaviors, we are interestedin exploring the range seen across users and time. We believethat we are the first to measure and report on many
aspects of smartphone usage of a large population of users.
A recurring theme in our findings is the diversity across
users. Along all dimensions that we study, users differ by
one or more orders of magnitude. For example, the mean
number of interactions per day for a user varies from 10 to
200; the mean interaction length varies from 10 to 250 seconds;
the number of applications used varies from 10 to 90;
and the mean amount of traffic per day varies from 1 to
1000 MB, of which 10 to 90% is exchanged during interactive
use. We also find that users are along a continuum
between the extremes, rather than being clustered into a
small number of groups.
The diversity among users that we find stems from the
fact that users use their smartphones for different purposes
and with different frequencies. For instance, users that use
179
#users Duration Platform Demographic info Information logged
Dataset1 33 7-21 weeks/user Android 16 high school students, Screen state, applications used
17 knowledge workers network traffic, battery state
Dataset2 222 8-28 weeks/user Windows 61 SC, 65 LPU, 59 BPU, 37 OP Screen state, applications used
Mobile Country: 116 USA, 106 UK
Table 1: An overview of the datasets in our study.
games and maps applications more often tend to have longer
interactions. Our study also shows that demographic information
can be an unreliable predictor of user behavior, and
usage diversity exists even when the underlying device is
identical, as is the case for one of our datasets.
Among the many implications of our findings, an overriding
one is that mechanisms to improve user experience
or energy consumption should not follow a one-size-fits-all
mindset. They should instead adapt by learning relevant
user behaviors; otherwise, they will likely be only marginally
useful or benefit only a small proportion of users.
We show that despite quantitative differences qualitative
similarities exist among users, which facilitates the task of
learning user behavior. For several key aspects of smartphone
usage, the same model can describe all users; dif

ผลลัพธ์ (ไทย) 2:

ittle เป็นที่รู้จักกัน (สาธารณชน)
วันนี้เกี่ยวกับวิธีการที่คนเหล่านี้ใช้อุปกรณ์ ในปี 2009 การรุกมาร์ทโฟนในสหรัฐเป็น 25%
และ 14% ของการจัดส่งโทรศัพท์มือถือทั่วโลกมีมาร์ทโฟน
[23, 16] โดยปี 2011
ยอดขายมาร์ทโฟนคาดว่าจะเกินพีซี[25] แต่นอกเหนือจากการศึกษาน้อยที่รายงานเกี่ยวกับพฤติกรรมการเรียกเก็บเงินจากผู้ใช้ [2, 17] และพลังงานที่สัมพันธ์กับการบริโภคขององค์ประกอบต่างๆ(เช่น CPU, หน้าจอ) [24], ข้อเท็จจริงพื้นฐานจำนวนมากในการใช้งานมาร์ทโฟนเป็นที่รู้จัก i) วิธีการที่มักจะไม่ได้ผู้ใช้โต้ตอบกับโทรศัพท์และระยะเวลาที่ไม่ได้รับอนุญาตให้ทำสำเนาดิจิตอลหรือหนักของทั้งหมดหรือบางส่วนของการทำงานในการนี้การใช้งานส่วนตัวหรือห้องเรียนจะได้รับโดยไม่เสียค่าธรรมเนียมให้สำเนาจะไม่ได้ทำหรือแจกจ่ายเพื่อหากำไรหรือประโยชน์ในเชิงพาณิชย์และที่สำเนาแบกนี้แจ้งให้ทราบและอ้างอิงเต็มรูปแบบบนหน้าแรก ในการคัดลอกอย่างอื่นในการเผยแพร่โพสต์บนเซิร์ฟเวอร์หรือเพื่อแจกจ่ายไปยังรายการที่ต้องการที่เฉพาะเจาะจงก่อนได้รับอนุญาตและ/ หรือค่าธรรมเนียม. MobiSys'10, 15-18 มิถุนายน 2010, San Francisco, California, USA. Copyright 2010 พลอากาศเอก 978- 1-60558-985-5 / 6/10 ... $ 10.00. ปฏิสัมพันธ์สุดท้าย? ii) การหลายวิธีการใช้งานไม่ผู้ใช้ทำงานและวิธีการที่ความสนใจของเธอแผ่กระจายไปทั่วพวกเขา? iii) วิธี? เครือข่ายการจราจรมากจะถูกสร้างขึ้นตอบคำถามดังกล่าวไม่ได้เป็นเพียงเรื่องของนักวิชาการที่น่าสนใจ; มันเป็นกุญแจสำคัญในการเข้าใจกลไกซึ่งสามารถได้อย่างมีประสิทธิภาพในการปรับปรุงประสบการณ์ของผู้ใช้หรือลดการใช้พลังงาน. ตัวอย่างเช่นถ้าปฏิสัมพันธ์ของผู้ใช้เป็นประจำและค่าใช้จ่ายในการนอนหลับตื่นเป็นสำคัญการวางโทรศัพท์เพื่อการนอนหลับอย่างจริงจังอาจจะต่อต้าน[8] หากผู้ใช้มีการโต้ตอบอย่างสม่ำเสมอมีเพียงไม่กี่โปรแกรมแอพลิเคชันเวลาตอบสนองได้ดีขึ้นโดยการรักษาใช้งานเหล่านั้นในความทรงจำ[7] ในทำนองเดียวกันถ้าโอนส่วนใหญ่มีขนาดเล็กbundling โอนหลาย [1, 22] อาจลดต่อไบต์พลังงานค่าใช้จ่าย การใช้งานมาร์ทโฟนไม่ต้องสงสัยจะพัฒนาไปด้วยเวลาแต่การทำความเข้าใจการใช้งานปัจจุบันเป็นสิ่งสำคัญสำหรับการแจ้งให้รุ่นต่อไปของอุปกรณ์. เราวิเคราะห์ร่องรอยการใช้งานรายละเอียดจากผู้ใช้ 255 คนของทั้งสองแพลตฟอร์มที่แตกต่างกันมาร์ทโฟนที่มี7-28 สัปดาห์ของข้อมูลต่อผู้ใช้ ร่องรอยของเราประกอบด้วยสองชุดข้อมูล สำหรับชุดแรกที่เราปรับใช้ยูทิลิตี้การเข้าสู่ระบบที่กำหนดเองในโทรศัพท์ 33 นดรอยด์ผู้ใช้ ยูทิลิตี้ของเราจับมุมมองรายละเอียดของการใช้การสื่อสารเครือข่ายการจราจรและท่อระบายน้ำพลังงาน ที่สองชุดข้อมูลจากผู้ใช้ 222 คนที่ใช้ Windows Mobile ที่แตกต่างกันทั่วประชากรและที่ตั้งทางภูมิศาสตร์ ข้อมูลนี้ถูกเก็บรวบรวมโดยบุคคลที่สาม. เราลักษณะการใช้งานมาร์ทโฟนพร้อมสี่มิติสำคัญ: i) การปฏิสัมพันธ์ของผู้ใช้; ii) การใช้งานแอพลิเคชัน; iii) เครือข่ายการจราจร และ iv) การระบายน้ำพลังงาน สองคนแรกที่เป็นตัวแทนของความตั้งใจกิจกรรมของผู้ใช้และสุดท้ายทั้งสองเป็นตัวแทนของผลกระทบของกิจกรรมของผู้ใช้ในเครือข่ายและทรัพยากรพลังงาน แต่เพียงการสำรวจพฤติกรรมกรณีเฉลี่ยเรามีความสนใจในการสำรวจช่วงที่เห็นทั่วทั้งผู้ใช้และเวลา เราเชื่อว่าเราเป็นคนแรกที่วัดและรายงานในหลายแง่มุมของการใช้งานมาร์ทโฟนของประชากรขนาดใหญ่ของผู้ใช้. ชุดรูปแบบที่เกิดขึ้นในการค้นพบของเราคือความหลากหลายทั่วทั้งผู้ใช้ พร้อมทุกมิติที่เราศึกษาผู้ใช้แตกต่างกันโดยหนึ่งหรือมากกว่าคำสั่งของขนาด ยกตัวอย่างเช่นค่าเฉลี่ยจำนวนของการมีปฏิสัมพันธ์ต่อวันสำหรับผู้ใช้แตกต่างกันที่จะ 10 จาก 200 ความยาวแตกต่างกันหมายถึงการมีปฏิสัมพันธ์ 10-250 วินาทีจำนวนการใช้งานที่ใช้แตกต่างกันไป10-90; และจำนวนเงินเฉลี่ยของอัตราการเข้าชมต่อวันจะแตกต่างกันที่จะ 1 จาก1000 MB ซึ่ง 10-90% มีการแลกเปลี่ยนระหว่างการโต้ตอบการใช้งาน นอกจากนี้เรายังพบว่าผู้ใช้มีความพร้อมต่อเนื่องระหว่างขั้วมากกว่าถูกคลัสเตอร์เป็นจำนวนน้อยของกลุ่ม. ความหลากหลายในหมู่ผู้ใช้ที่เราพบเกิดจากความจริงที่ว่าผู้ใช้ใช้มาร์ทโฟนของพวกเขาเพื่อวัตถุประสงค์ที่แตกต่างกันและมีความถี่ที่แตกต่าง ตัวอย่างเช่นผู้ใช้ที่ใช้179 #users ระยะเวลาแพลตฟอร์มข้อมูลประชากรข้อมูลเข้าสู่ระบบDataSet1 33 สัปดาห์ที่ 7-21 / ผู้ใช้ Android 16 นักเรียนมัธยมของรัฐหน้าจอ, โปรแกรมที่ใช้17 ความรู้เครือข่ายการจราจรงานรัฐแบตเตอรี่Dataset2 222 สัปดาห์ที่ 8-28 / ผู้ใช้ ของ Windows 61 SC, 65 LPU 59 BPU 37 OP รัฐหน้าจอ, โปรแกรมที่ใช้ประเทศมือถือ: 116 สหรัฐอเมริกา, สหราชอาณาจักร 106 ตารางที่ 1. ภาพรวมของชุดข้อมูลในการศึกษาของเราเกมและโปรแกรมแผนที่มากขึ้นมักจะมีแนวโน้มที่จะมีอีกต่อไปการมีปฏิสัมพันธ์ การศึกษาของเรายังแสดงให้เห็นว่าข้อมูลประชากรสามารถทำนายที่ไม่น่าเชื่อถือของพฤติกรรมของผู้ใช้และความหลากหลายของการใช้งานที่มีอยู่แม้ในขณะที่อุปกรณ์พื้นฐานที่เป็นเหมือนกันเป็นกรณีที่หนึ่งของชุดข้อมูลของเรา. ในบรรดาหลายความหมายของการค้นพบของเราเป็นสำคัญหนึ่งคือที่กลไกในการปรับปรุงประสบการณ์ของผู้ใช้หรือการใช้พลังงานที่ไม่ควรทำตามหนึ่งขนาดเหมาะกับทุกความคิด พวกเขาควรปรับตัวโดยการเรียนรู้ที่เกี่ยวข้องกับพฤติกรรมของผู้ใช้; มิฉะนั้นพวกเขาอาจจะเป็นเพียงเล็กน้อยที่เป็นประโยชน์หรือได้รับประโยชน์เพียงส่วนเล็ก ๆ ของผู้ใช้. เราแสดงให้เห็นว่าแม้จะมีความแตกต่างในเชิงปริมาณคุณภาพความคล้ายคลึงกันอยู่ในหมู่ผู้ใช้ซึ่งจะเอื้อต่องานของการเรียนรู้พฤติกรรมของผู้ใช้ สำหรับด้านที่สำคัญหลายแห่งมาร์ทโฟนใช้งานรูปแบบเดียวกันสามารถอธิบายผู้ใช้ทุกคน; แตก

ผลลัพธ์ (ไทย) 3:

บนเป็นที่รู้จัก ( สาธารณชน ) ในวันนี้เกี่ยวกับวิธีการที่ผู้คนใช้เหล่านี้อุปกรณ์ ใน 2009 , มาร์ทโฟนเจาะในสหรัฐอเมริกา 25%และ 14% ของการจัดส่งโทรศัพท์มือถือและมาร์ทโฟนทั่วโลก23 [ 16 ] โดย 2011 , ขายมาร์ทโฟนคาดว่าแซงหน้าคอมพิวเตอร์ตั้งโต๊ะ [ 25 ] แต่นอกเหนือจากสองสามการศึกษาที่รายงานบนของผู้ใช้พฤติกรรมการชาร์จ [ 17 ] และค่าพลัง 2ปริมาณของส่วนประกอบต่างๆ ( หน้าจอเช่น CPU ) [ 24 ]ข้อเท็จจริงพื้นฐานมากในการใช้งานมาร์ทโฟนจะไม่รู้จักผม ) ว่า :มักจะมีผู้ใช้โต้ตอบกับโทรศัพท์มือถือ และนานแค่ไหนอนุญาตให้สำเนาดิจิตอลหรือฮาร์ดดิสก์ทั้งหมดหรือบางส่วนของงานนี้ใช้ส่วนตัวหรือในชั้นเรียนจะได้รับโดยไม่เสียค่าธรรมเนียมให้สำเนาเป็นไม่ทำหรือจำหน่ายกำไรหรือประโยชน์เชิงพาณิชย์ และสำเนาหมีประกาศนี้และการเต็มรูปแบบในหน้าแรก คัดลอกเป็นอย่างอื่น ,พิมพ์เพื่อโพสต์บนเซิร์ฟเวอร์หรือเพื่อแจกจ่ายไปยังรายการที่ต้องการที่เฉพาะเจาะจงก่อนอนุญาตและ / หรือค่าธรรมเนียมmobisys ' 10 , 15 มิถุนายน– 18 , 2010 ในซานฟรานซิสโก แคลิฟอร์เนีย สหรัฐอเมริกาลิขสิทธิ์ 2010 ACM 978-1-60558-985-5 / 10 / 06 . . . . . . . $ 10.00 .ปฏิสัมพันธ์สุดท้าย ? 2 ) วิธีการหลายโปรแกรมมีผู้ใช้วิ่งแล้วเธอสนใจแพร่กระจายข้ามพวกเขา 3 ) วิธีเครือข่ายการจราจรมากขึ้น ?การตอบคำถามดังกล่าว ไม่ได้เป็นแค่เรื่องของวิชาการดอกเบี้ย คือ คีย์เพื่อความเข้าใจกลไกที่สามารถได้อย่างมีประสิทธิภาพในการปรับปรุงประสบการณ์ของผู้ใช้ หรือ ลดการใช้พลังงานตัวอย่างเช่นหากผู้ใช้มีปฏิสัมพันธ์และบ่อย ๆนอนตื่นค่าใช้จ่ายเป็นเรื่องสำคัญ การวางโทรศัพท์นอนเลยเถิดอาจต่อต้าน [ 8 ] ถ้าผู้ใช้ติดต่ออยู่เสมอ ด้วยเพียงไม่กี่โปรแกรมประยุกต์เวลาตอบสนองที่สามารถปรับปรุงได้โดยการโปรแกรมเหล่านั้นในความทรงจำ [ 7 ] ในทำนองเดียวกัน ถ้าโอนส่วนใหญ่มีขนาดเล็กรวมโอน [ 22 ] อาจลด 1 หลายไบต์ต่อพลังงานต้นทุน การใช้สมาร์ทโฟนไม่ต้องสงสัยจะคายด้วยเวลา แต่ปัจจุบันใช้ความเข้าใจเป็นสำคัญ ฯลฯรุ่นต่อไปของอุปกรณ์เราวิเคราะห์ร่องรอยการใช้รายละเอียดจาก 255 ผู้ใช้ของทั้งสองแพลตฟอร์มสมาร์ทโฟนต่าง ๆ มี 7-28 สัปดาห์ของข้อมูลต่อผู้ใช้ ร่องรอยของเราประกอบด้วยสองชุดข้อมูล สำหรับข้อมูลแรกเราปรับที่กำหนดเองเข้าสู่ระบบยูทิลิตี้ของ Android บนโทรศัพท์ 33ผู้ใช้ ยูทิลิตี้ของเราจับภาพมุมมองที่รายละเอียดของผู้ใช้การสื่อสารเครือข่ายการจราจรและระบายพลังงาน สองข้อมูลจาก 222 Windows Mobile ผู้ใช้ทั่วที่แตกต่างกันประชากรและที่ตั้งทางภูมิศาสตร์ ข้อมูลนี้จะถูกรวบรวมโดยบุคคลที่สามเราให้ลักษณะการใช้งานมาร์ทโฟนตามสี่คีย์ขนาด :ฉัน ) ปฏิสัมพันธ์ของผู้ใช้ ; 2 ) การใช้ ; 3 ) เครือข่ายการจราจร ; และ 4 ) ระบายพลังงาน สองคนแรกแสดงเจตนากิจกรรมของผู้ใช้และสองคนสุดท้ายที่เป็นตัวแทนของผลกระทบของกิจกรรมของผู้ใช้บนเครือข่ายทรัพยากรและพลังงาน แทนแต่การสำรวจพฤติกรรมกรณีเฉลี่ย ที่เราสนใจในการสำรวจช่วงที่เห็นในผู้ใช้และเวลา เราเชื่อว่าที่เราเป็นครั้งแรกเพื่อวัดและรายงานหลายลักษณะของการใช้งานมาร์ทโฟนของประชากรขนาดใหญ่ของผู้ใช้รายการกระทู้ในแบบของเราคือความหลากหลาย ข้ามผู้ใช้ ตามมิติต่างๆ ที่เราศึกษา ผู้ใช้ที่แตกต่างกันโดยคำสั่งของขนาดหนึ่ง หรือมากกว่า ตัวอย่างเช่น ค่าเฉลี่ยจำนวนครั้งต่อวัน สำหรับผู้ใช้ที่แตกต่างกันจาก 10200 ; หมายถึงการปฏิสัมพันธ์ความยาวแตกต่างกันจาก 10 ถึง 250 วินาทีหมายเลขของโปรแกรมประยุกต์ที่ใช้ไปจาก 10 ถึง 90 ;และค่าเฉลี่ยปริมาณการจราจรที่แตกต่างกันจาก 1 ต่อวัน1000 MB ที่ 10 ถึงร้อยละ 90 มีการแลกเปลี่ยนระหว่างแบบโต้ตอบใช้ นอกจากนี้เรายังพบว่า ผู้ใช้ตามต่อเนื่องระหว่างสุดขั้ว แทนที่จะถูกกลุ่มเป็นจำนวนเล็ก ๆของกลุ่มความหลากหลายของผู้ใช้ที่เราพบต้นจากข้อเท็จจริงที่ผู้ใช้ใช้มาร์ทโฟนของพวกเขาเพื่อวัตถุประสงค์ที่แตกต่างกันและความถี่ที่แตกต่างกัน ตัวอย่างเช่นผู้ใช้ที่ใช้179ผู้ใช้ # ระยะเวลาแพลตฟอร์มข้อมูลเข้าสู่ระบบข้อมูลส่วนบุคคลdataset1 33 7-21 สัปดาห์ / ผู้ใช้ Android 16 โรงเรียนรัฐ , หน้าจอ , โปรแกรมที่ใช้17 ความรู้แรงงานเครือข่ายการจราจร , สถานะแบตเตอรี่dataset2 222 8-28 สัปดาห์ / ผู้ใช้ Windows 61 ) , 65 ชั้นนำ , 59 bpu 37 OP หน้าจอสภาพการใช้งานใช้โทรศัพท์มือถือ : 116 ประเทศสหรัฐอเมริกา , 106 สหราชอาณาจักรตารางที่ 1 : ภาพรวมของข้อมูลในการศึกษาของเราเกมและแผนที่ใช้งานมากขึ้น มักมีอีกต่อไปการมีปฏิสัมพันธ์ การศึกษาของเรายังแสดงข้อมูลประชากรสามารถทำนายพฤติกรรมไม่น่าเชื่อถือของผู้ใช้ และความหลากหลายของการใช้อุปกรณ์พื้นฐานที่มีอยู่แม้เมื่อเหมือนเป็นกรณีหนึ่งของข้อมูลเราท่ามกลางความประหลาดใจของการค้นพบของเรา นโยบายหนึ่งคือ กลไก เพื่อปรับปรุงประสบการณ์ของผู้ใช้หรือการใช้พลังงานที่ไม่ควรทำตามเป็นหนึ่งขนาดเหมาะกับทุกเดี่ยว พวกเขาควรปรับตัวโดยการเรียนรู้ที่เกี่ยวข้องพฤติกรรมผู้ใช้ ; มิฉะนั้นพวกเขาอาจจะเพียงเล็กน้อยเป็นประโยชน์ หรือ ประโยชน์มีเพียงส่วนน้อยของผู้ใช้เราแสดงให้เห็นว่าแม้จะมีความแตกต่างเชิงคุณภาพเชิงปริมาณความเหมือนจริงของผู้ใช้ ซึ่งในงานของการเรียนรู้พฤติกรรมของผู้ใช้ สำหรับหลายแง่มุมสำคัญของมาร์ทโฟนการใช้รูปแบบเดียวกันสามารถอธิบายทั้งหมดของผู้ใช้