Among 11 application categories lis

Among 11 application categories listed in Table 3, social network, e-commerce, advertising and search together contribute more than 80% of total HTTP traffic. The average flow duration of email in the week is 508 second, which is shorter than any type of applications. 10% of mail flow last more than 5.4 second, and 80% of mail flow last less than 2.4 second. E-commerce has the longest average duration (2453 second) for each user, implying that users like to spend more time on e-commerce.

For the purpose of understanding the browsing interests among users in Mobile Internet, we study the similarities and differences between web users. To this end, we identify the “interest cluster” (a group of user who share the similar web browsing interest) by using the clustering method to classify users with similar behavior.

1) Interest Cluster
We see that 50% of users visit more than 5 different application categories per day, which suggests that most users have diverse interests. Yet users spend different amount of time in different applications, and generate different numbers of flows. In other words, users usually have different preference in terms of the applications they use. Identifying the application that users have most been interested in could help us predict user behavior. In this section, we classify users into different groups in terms of application preference (e.g. interest clusters) and study user behavior in these interest clusters.

Here we co-cluster the users and application categories using divisive hierarchical clustering [25] to investigate whether there exist distinct application usage patterns among mobile users. Divisive hierarchical clustering is an improvement of Spectral Graph-k-Part [28].

We group users using divisive hierarchical clustering in every hour to investigate the applications usage patterns with fine time granularity. The questions that we want to address are the following: (a) If user tends to stick to one category of applications all the time? (b) Does the browsing behavior change with time?

We use “entropy” to describe the diversity of user browsing behavior, which is defined as below:

ผลลัพธ์ (ไทย) 1:

หมู่ 11 โปรแกรมประเภทแสดงในตารางที่ 3 เครือข่ายสังคม อีคอมเมิร์ซ โฆษณาและค้นหากันให้มากกว่า 80% ของทั้งหมด HTTP จราจร ระยะเวลาเฉลี่ยไหลอีในสัปดาห์เป็นวินาที 508 ซึ่งสั้นกว่าของโปรแกรมประยุกต์ 10% ของกระแสจดหมายสุดท้ายกว่า 5.4 วินาที และ 80% ของกระแสจดหมายสุดท้ายน้อยกว่า 2.4 วินาที อีคอมเมิร์ซมีระยะเวลาเฉลี่ยนานที่สุด (2453 วินาที) สำหรับแต่ละผู้ใช้ กล่าวคืออยู่อาจผู้ใช้ต้องใช้เวลาอีคอมเมิร์ซเพื่อทำความเข้าใจความสนใจเรียกดูระหว่างผู้ใช้ในอินเทอร์เน็ตมือถือ เราศึกษาความเหมือนและความแตกต่างระหว่างผู้ใช้เว็บ เพื่อการนี้ เราระบุสนใจ "คลัสเตอร์" (กลุ่มของผู้ใช้แบ่งปันคล้ายเว็บดอกเบี้ย) โดยใช้วิธีระบบคลัสเตอร์ในการจัดประเภทผู้ใช้ที่ มีลักษณะเดียวกัน1) คลัสเตอร์สนใจเราดูที่ 50% ของผู้เข้าชมมากกว่า 5 โปรแกรมอื่นประเภทต่อวัน ซึ่งแนะนำว่า ผู้ใช้ส่วนใหญ่มีความสนใจหลากหลาย ผู้ใช้ระยะเวลาในการใช้งานที่แตกต่างกันแตกต่างกัน และยังสร้างหมายเลขที่แตกต่างของกระแส ในคำอื่น ๆ ผู้ใช้มักจะมีลักษณะแตกต่างกันในแง่ของโปรแกรมประยุกต์ที่ใช้ ระบุแอพลิเคชันที่ผู้ใช้ส่วนใหญ่ได้สนใจอาจช่วยให้เราทำนายลักษณะการทำงานของผู้ใช้ได้ ในส่วนนี้ เราจัดประเภทผู้ใช้ลงในกลุ่มแตกต่างกันในแง่ของการตั้งค่าโปรแกรมประยุกต์ (เช่นกลุ่มสนใจ) และศึกษาพฤติกรรมผู้ใช้ในกลุ่มเหล่านี้สนใจนี่เราร่วมคลัสเตอร์ผู้ใช้และโปรแกรมประยุกต์ประเภทใช้รัฐสภาลำดับชั้นระบบคลัสเตอร์ [25] เพื่อตรวจสอบว่า มีรูปแบบการใช้โปรแกรมประยุกต์ที่แตกต่างกันระหว่างผู้ใช้โทรศัพท์มือถือ คลัสเตอร์ลำดับชั้นรัฐสภามีการปรับปรุงของสเปกตรัมกราฟ-k- [28]เราจัดกลุ่มผู้ใช้ที่ใช้คลัสเตอร์ลำดับความแตกแยกในทุกชั่วโมงการตรวจสอบรูปแบบการใช้งานที่ มีองค์ประกอบเวลาดี คำถามที่เราต้องการที่อยู่มีดังนี้: (ก) ถ้าผู้ใช้มีแนวโน้มที่จะ ติดประเภทหนึ่งของการใช้งานตลอดเวลา (ข) ไม่ทำงานการเรียกดูเปลี่ยนเวลาเราใช้ "เอนโทรปี" เพื่ออธิบายความหลากหลายของผู้ใช้เรียกดูพฤติกรรม ซึ่งกำหนดไว้ดังต่อไปนี้:

ผลลัพธ์ (ไทย) 2:

ในบรรดา 11 ประเภทการประยุกต์ใช้การระบุไว้ในตารางที่ 3 เครือข่ายทางสังคม, E-Commerce, โฆษณาและการมีส่วนร่วมในการค้นหาด้วยกันมากกว่า 80% ของการจราจร HTTP ทั้งหมด ระยะเวลาการไหลเฉลี่ยของอีเมลในสัปดาห์คือ 508 ที่สองซึ่งจะสั้นกว่าประเภทของการใช้งานใด ๆ 10% ของการไหลของจดหมายก่อนเกินกว่า 5.4 วินาทีและ 80% ของการไหลของจดหมายที่ผ่านมาน้อยกว่า 2.4 สอง E-commerce ที่มีระยะเวลาเฉลี่ยที่ยาวที่สุด (2453 สอง) สำหรับผู้ใช้แต่ละหมายความว่าผู้ใช้ต้องการที่จะใช้เวลามากขึ้นใน e-Commerce. สำหรับวัตถุประสงค์ของการทำความเข้าใจความสนใจการท่องเว็บของผู้ใช้ใน Internet มือถือที่เราศึกษาความเหมือนและความแตกต่างระหว่าง ผู้ใช้เว็บ ด้วยเหตุนี้เราระบุว่า "ดอกเบี้ยคลัสเตอร์" (กลุ่มของผู้ใช้ที่แสดงความสนใจที่การท่องเว็บที่คล้ายกัน) โดยใช้วิธีการจัดกลุ่มในการจำแนกผู้ใช้ที่มีลักษณะการทำงานที่คล้ายกัน. 1) กลุ่มที่น่าสนใจเราจะเห็นว่า 50% ของผู้ใช้เข้าชมมากกว่า 5 ประเภทแอพลิเคชันที่แตกต่างกันต่อวันซึ่งแสดงให้เห็นว่าผู้ใช้ส่วนใหญ่มีความสนใจที่หลากหลาย แต่ผู้ใช้ใช้จ่ายจำนวนเงินที่แตกต่างกันของเวลาในการใช้งานที่แตกต่างกันและสร้างตัวเลขที่แตกต่างกันของกระแส ในคำอื่น ๆ ที่ผู้ใช้มักจะมีการตั้งค่าที่แตกต่างกันในแง่ของการใช้งานที่พวกเขาใช้ ระบุโปรแกรมที่ผู้ใช้ส่วนใหญ่ได้รับความสนใจในการจะช่วยให้เราสามารถคาดการณ์พฤติกรรมของผู้ใช้ ในส่วนนี้เราจัดกลุ่มผู้ใช้ที่แตกต่างกันในแง่ของการตั้งค่าโปรแกรมประยุกต์ (เช่นกลุ่มดอกเบี้ย) และพฤติกรรมของผู้ใช้ศึกษาในกลุ่มที่น่าสนใจเหล่านี้. ที่นี่เราร่วมกลุ่มผู้ใช้และประเภทแอพลิเคชันโดยใช้การจัดกลุ่มตามลำดับชั้นแตกแยก [25] ในการตรวจสอบว่ามี มีอยู่รูปแบบการใช้แอพลิเคชันที่แตกต่างกันในหมู่ผู้ใช้โทรศัพท์มือถือ การจัดกลุ่มแบ่งลำดับชั้นคือการปรับปรุงของผีกราฟ-K-ส่วน [28]. เราจัดกลุ่มผู้ใช้โดยใช้การจัดกลุ่มตามลำดับชั้นแตกแยกในทุกชั่วโมงในการตรวจสอบการใช้งานรูปแบบการใช้กับเมล็ดเวลาที่ดี คำถามที่เราต้องการไปยังที่อยู่ดังต่อไปนี้ (ก) หากผู้ใช้มีแนวโน้มที่จะติดหนึ่งในประเภทของการใช้งานตลอดเวลาหรือไม่ (ข) การทำงานของการเปลี่ยนแปลงพฤติกรรมการท่องเว็บด้วยเวลาเราใช้ "เอนโทรปี" เพื่ออธิบายความหลากหลายของพฤติกรรมผู้ใช้เรียกดูซึ่งถูกกำหนดให้เป็นดังต่อไปนี้:

ผลลัพธ์ (ไทย) 3:

ในการประยุกต์ใช้ประเภทระบุไว้ในตารางที่ 3 , สังคมเครือข่าย , e - commerce , โฆษณาและการค้นหาด้วยกันมีส่วนร่วมมากกว่า 80% ของการจราจร HTTP ทั้งหมด ค่าเฉลี่ยอัตราการไหล - ช่วงเวลาของอีเมลในสัปดาห์นี้ คือ พวกที่สอง ซึ่งสั้นกว่าชนิดของโปรแกรมใด ๆ 10% ของการไหล mail มากกว่า 5.4 วินาที และ 80% ของการไหลของจดหมายสุดท้ายน้อยกว่า 2.4 วินาที อีคอมเมิร์ซได้นานที่สุด เวลาเฉลี่ย ( 2543 2 ) สำหรับแต่ละผู้ใช้หมายถึงผู้ใช้ชอบที่จะใช้เวลามากขึ้นในอีคอมเมิร์ซสำหรับวัตถุประสงค์ของการเข้าใจเรียกความสนใจของผู้ใช้ในอินเทอร์เน็ตบนมือถือ เราศึกษาความคล้ายคลึงและความแตกต่างระหว่างผู้ใช้เว็บ จุดนี้เราระบุ " ผลประโยชน์ของกลุ่ม " ( กลุ่มผู้ใช้ที่ใช้ร่วมกันที่คล้ายกันเว็บน่าสนใจ ) โดยใช้วิธีการจำแนกกลุ่มผู้ใช้ที่มีพฤติกรรมคล้ายกัน1 ) กลุ่มสนใจเราพบว่า 50% ของผู้เข้าชมมากกว่า 5 โปรแกรมประเภทต่าง ๆต่อวัน ซึ่งแสดงให้เห็นว่าผู้ใช้ส่วนใหญ่มีความสนใจที่หลากหลาย แต่ผู้ใช้จ่ายที่แตกต่างกันระยะเวลาในการใช้งานที่แตกต่างกันและสร้างหมายเลขที่แตกต่างกันของกระแส ในคำอื่น ๆที่ผู้ใช้มักจะมีความชอบที่แตกต่างกันในแง่ของการใช้งานที่พวกเขาจะใช้ การระบุโปรแกรมที่ผู้ใช้ส่วนใหญ่สนใจอาจจะช่วยให้เราทำนายพฤติกรรมของผู้ใช้ ในส่วนนี้เราแบ่งผู้ใช้ออกเป็นกลุ่มที่แตกต่างกันในแง่ของการตั้งค่า ( เช่นกลุ่มความสนใจ ) และศึกษาพฤติกรรมผู้ใช้ในกลุ่มที่น่าสนใจเหล่านี้ที่นี่เราร่วมกลุ่มผู้ใช้ และโปรแกรมประเภทการแบ่งลำดับชั้นการจัดกลุ่ม [ 25 ] เพื่อตรวจสอบว่า มีรูปแบบการใช้โปรแกรมที่แตกต่างกันในหมู่ผู้ใช้โทรศัพท์มือถือ แบ่งลำดับชั้น clustering คือการปรับปรุงของสเปกตรัม graph-k-part [ 28 ]เรากลุ่มผู้ใช้แบ่งลำดับชั้นสำหรับทุกชั่วโมงเพื่อศึกษาการใช้รูปแบบการปรับเวลา granularity . คำถามที่เราต้องการไปยังที่อยู่ดังต่อไปนี้ ( ก ) ถ้าผู้ใช้มีแนวโน้มที่จะติดหนึ่งประเภทของการใช้งานได้ตลอดเวลา ( ข ) ไม่เรียกพฤติกรรมการเปลี่ยนแปลงกับเวลาเราใช้ " เอนโทรปี " อธิบายถึงความหลากหลายของผู้ใช้เรียกดูพฤติกรรมซึ่งกำหนดไว้ดังนี้