prefminer mining user s preferences for intelligent
play

PrefMiner: Mining Users Preferences for Intelligent Mobile - PowerPoint PPT Presentation

PrefMiner: Mining Users Preferences for Intelligent Mobile No5fica5on Management Abhinav Mehrotra Robert Hendley Mirco Musolesi University College London University of


  1. PrefMiner: ¡Mining ¡User’s ¡Preferences ¡for ¡ Intelligent ¡Mobile ¡No5fica5on ¡Management ¡ Abhinav ¡Mehrotra ¡ Robert ¡Hendley ¡ Mirco ¡Musolesi ¡ University ¡College ¡London ¡ University ¡of ¡Birmingham ¡ University ¡College ¡London ¡ University ¡of ¡Birmingham ¡ ¡

  2. No5fica5ons ¡Inform ¡Users ¡ ¡ About ¡a ¡Variety ¡of ¡Events ¡ ¡ Communica5on ¡ Online ¡Social ¡Networks ¡ System, ¡Tools ¡and ¡Others ¡

  3. Are ¡All ¡No5fica5ons ¡Useful? ¡

  4. Are ¡All ¡No5fica5ons ¡Useful? ¡ NO ¡ ¡ Users ¡are ¡not ¡interested ¡in ¡many ¡no5fica5ons ¡they ¡receive ¡ ¡ and ¡feel ¡annoyed ¡on ¡receiving ¡them. ¡

  5. Interrup5bility ¡Management ¡ System: ¡State-­‑of-­‑the-­‑art ¡ Predict ¡opportune ¡moments ¡by ¡using: ¡ • context ¡of ¡the ¡user. ¡ ¡ • content ¡of ¡no5fica5on. ¡ Limita8on ¡ No ¡past ¡study ¡has ¡considered ¡stopping ¡or ¡detec5ng ¡ no5fica5ons ¡that ¡are ¡not ¡useful ¡for ¡the ¡user. ¡

  6. Interrup5bility ¡Management ¡ System: ¡State-­‑of-­‑the-­‑art ¡ Evaluated ¡in ¡the ¡offline ¡sePngs. ¡ ¡ Limita8on ¡ Never ¡evaluated ¡in ¡the ¡real-­‑world ¡scenario. ¡

  7. Contribu5ons ¡ 1. A ¡mechanism ¡for ¡learning ¡the ¡types ¡of ¡informa5on ¡users ¡ prefer ¡to ¡receive ¡via ¡no5fica5ons ¡in ¡different ¡situa5ons. ¡ ¡ ¡ ¡ 2. A ¡technique ¡to ¡make ¡the ¡predic5ve ¡model ¡transparent ¡to ¡ users. ¡ ¡

  8. Mining ¡User ¡Preferences ¡

  9. Mining ¡User ¡Preferences ¡ Removing ¡ No5fica5on ¡ Construc5ng ¡ Reminder ¡ Clustering ¡ Associa5on ¡Rules ¡ ¡ ¡ No5fica5ons ¡

  10. Mining ¡User ¡Preferences ¡ Removing ¡ No5fica5on ¡ Construc5ng ¡ Reminder ¡ Clustering ¡ Associa5on ¡Rules ¡ ¡ ¡ No5fica5ons ¡

  11. S1: ¡Removing ¡Reminder ¡No5fica5ons ¡ Some ¡no5fica5ons ¡are ¡dismissed ¡because ¡they ¡do ¡not ¡require ¡ any ¡further ¡ac5on ¡from ¡the ¡user. ¡ ¡ ¡ Number ¡of ¡accepted ¡no5fica5ons ¡ ¡ Click ¡Rate ¡ ¡ = ¡ 100 ¡ * ¡ Total ¡number ¡of ¡no5fica5ons ¡ ¡ ¡ If ¡an ¡applica5on’s ¡click ¡rate ¡is ¡zero ¡then ¡all ¡ no5fica5ons ¡from ¡that ¡applica5on ¡are ¡treated ¡ as ¡reminder ¡no5fica5ons. ¡ ¡

  12. Mining ¡User ¡Preferences ¡ Removing ¡ No5fica5on ¡ Construc5ng ¡ Reminder ¡ Clustering ¡ Associa5on ¡Rules ¡ ¡ ¡ No5fica5ons ¡

  13. S2: ¡No5fica5on ¡Clustering ¡ No5fica5on ¡Title ¡ Applica5on ¡Name ¡ 1. Cleaning ¡No5fica5on ¡Titles ¡ Conversion ¡of ¡the ¡text ¡to ¡lower-­‑case ¡ ¡ • Removal ¡of ¡punctua5on, ¡numbers ¡and ¡stop ¡words ¡ ¡ • Removal ¡of ¡the ¡sender ¡and ¡applica5on ¡names ¡ ¡ • Stemming ¡of ¡words ¡ ¡ • 2. Clustering ¡No5fica5ons ¡ ¡ Removing ¡sparse ¡terms ¡ • Term ¡Frequency-­‑based ¡clustering ¡ •

  14. S2: ¡No5fica5on ¡Clustering ¡ Removing ¡sparse ¡terms ¡ Number ¡of ¡par5cipa5on ¡days ¡ ¡ ¡ ¡ ¡ ¡ TF threshold ¡ ¡ = ¡ N ¡* ¡Total ¡number ¡of ¡no5fica5ons ¡ ¡ This ¡ensures ¡that ¡at ¡least ¡one ¡no5fica5on ¡containing ¡ ¡ the ¡term ¡is ¡triggered ¡in ¡N ¡days. ¡ Not ¡much ¡difference ¡in ¡the ¡ Filtered Remaining number ¡of ¡filtered ¡terms ¡with ¡ 3000 N ¡ ∈ ¡[2, ¡7]. ¡ Terms Count 2000 ¡ 1000 We ¡use ¡ N ¡ = ¡2 ¡for ¡Tf threshold ¡. ¡ 0 1 2 3 4 5 6 7 N − value

  15. Mining ¡User ¡Preferences ¡ Removing ¡ No5fica5on ¡ Construc5ng ¡ Reminder ¡ Clustering ¡ Associa5on ¡Rules ¡ ¡ ¡ No5fica5ons ¡

  16. S3: ¡Construc5ng ¡Associa5on ¡Rules ¡ We ¡use ¡the ¡AIS ¡algorithm ¡for ¡mining ¡associa5on ¡rules. ¡ ¡ ¡ X ¡ ¡→ ¡ ¡ Y ¡ ¡ ¡ X ¡ is ¡the ¡antecedent ¡ ¡(never ¡contains ¡no5fica5on ¡response) ¡ Y ¡ as ¡the ¡consequent ¡ ¡(only ¡contains ¡no5fica5on ¡response) ¡

  17. S3: ¡Construc5ng ¡Associa5on ¡Rules ¡ We ¡use ¡the ¡AIS ¡algorithm ¡for ¡mining ¡associa5on ¡rules. ¡ ¡ ¡ X ¡ ¡→ ¡ ¡ Y ¡ ¡ ¡ X ¡ is ¡the ¡antecedent ¡ ¡(never ¡contains ¡no5fica5on ¡response) ¡ Y ¡ as ¡the ¡consequent ¡ ¡(only ¡contains ¡no5fica5on ¡response) ¡ Support: ¡ Number ¡of ¡no5fica5ons ¡of ¡the ¡no5fica5on-­‑type ¡covered ¡in ¡the ¡rule ¡ ¡ * ¡ 100 ¡ Total ¡number ¡of ¡no5fica5ons ¡in ¡the ¡dataset ¡ ¡ Confidence: ¡ Occurrence ¡count ¡of ¡the ¡no5fica5on ¡pabern ¡covered ¡in ¡the ¡rule ¡ ¡ * ¡ 100 ¡ Occurrence ¡count ¡of ¡the ¡no5fica5on ¡pabern ¡covered ¡in ¡the ¡antecedent ¡of ¡rule ¡

  18. S3: ¡Construc5ng ¡Associa5on ¡Rules ¡ We ¡use ¡the ¡AIS ¡algorithm ¡for ¡mining ¡associa5on ¡rules. ¡ ¡ ¡ X ¡ ¡→ ¡ ¡ Y ¡ ¡ ¡ X ¡ is ¡the ¡antecedent ¡ ¡(never ¡contains ¡no5fica5on ¡response) ¡ Y ¡ as ¡the ¡consequent ¡ ¡(only ¡contains ¡no5fica5on ¡response) ¡ Let ¡us ¡consider ¡an ¡example ¡where ¡the ¡user: ¡ ¡ • always ¡dismiss ¡N1 ¡no5fica5ons. ¡ ¡ • does ¡not ¡accept ¡N2 ¡no5fica5ons ¡at ¡work. ¡ { N 1} ¡→ ¡{ Dismiss } ¡ { N 2, Home } ¡→ ¡{ Accept } ¡ ¡ { N 2, Other } ¡→ ¡{ Accept } ¡ { N 2, Work } ¡→ ¡{ Dismiss } ¡

  19. Procedure ¡ 1. Evaluate ¡(offline) ¡the ¡proposed ¡intelligent ¡no5fica5on ¡mechanism. ¡ ¡ ¡ 2. Funnel ¡the ¡findings ¡in ¡an ¡intelligent ¡no5fica5on ¡library: ¡MyPref. ¡ ¡ ¡ 3. Implement ¡an ¡app ¡on ¡top ¡of ¡MyPref ¡and ¡deploy ¡it ¡to ¡evaluate ¡the ¡ library ¡in ¡a ¡ ¡real-­‑world ¡scenario. ¡

  20. Evalua5on ¡(Offline) ¡

  21. Dataset ¡ Study: ¡My ¡Phone ¡and ¡Me ¡ ¡ ¡ Par5cipants: ¡18 ¡ ¡ Minimum ¡ac5ve ¡days: ¡14 ¡ ¡ No5fica5on ¡samples: ¡11,185 ¡ Abhinav ¡Mehrotra, ¡Veljko ¡Pejovic, ¡Jo ¡Vermeulen, ¡Robert ¡Hendley, ¡and ¡Mirco ¡ Musolesi. ¡2016. ¡My ¡Phone ¡and ¡Me: ¡Understanding ¡People’s ¡Recep5vity ¡to ¡Mobile ¡ No5fica5ons. ¡In ¡ CHI’16 . ¡ ¡

  22. Types ¡of ¡Associa5on ¡Rules ¡ Assoc ¡Rule ¡1 : ¡no5fica5on ¡response ¡with ¡no5fica5on ¡type. ¡ ¡ Assoc ¡Rule ¡2 : ¡no5fica5on ¡response ¡with ¡no5fica5on ¡type ¡and ¡ ac5vity. ¡ ¡ ¡ Assoc ¡Rule ¡3 : ¡no5fica5on ¡response ¡with ¡no5fica5on ¡type ¡and ¡arrival ¡ 5me. ¡ ¡ ¡ Assoc ¡Rule ¡4 : ¡no5fica5on ¡response ¡with ¡no5fica5on ¡type ¡and ¡ loca5on. ¡ ¡ ¡ Assoc ¡Rule ¡5: ¡ no5fica5on ¡response ¡with ¡no5fica5on ¡type, ¡ac5vity, ¡ arrival ¡5me ¡and ¡loca5on. ¡

  23. Results ¡ Assoc ¡Rule ¡1 ¡ Assoc ¡Rule ¡2 ¡ Assoc ¡Rule ¡3 ¡ 100 100 100 90 90 90 80 80 80 70 70 70 Result (%) Result (%) Result (%) 60 60 60 Precision Precision Precision 50 50 50 40 Recall 40 Recall 40 Recall 30 30 30 Minimum ¡Confidence: ¡65-­‑95% ¡ 20 20 20 10 10 10 0 0 0 70 80 90 70 80 90 70 80 90 Confidence Value (%) Confidence Value (%) Confidence Value (%) Minimum ¡Support: ¡ D par5cipate ¡ / ¡( ¡2 ¡ ∗ ¡ N count ¡ ) ¡ ¡ AR5 ¡ AR4 ¡ D par5cipate : ¡Days ¡of ¡par>cipa>on ¡ 100 100 90 90 80 80 N count : ¡ number ¡of ¡no5fica5ons ¡collected ¡for ¡a ¡user ¡ 70 Result (%) 70 Result (%) 60 60 Precision Precision 50 50 40 Recall 40 Recall ¡ 30 30 20 20 10 10 0 0 This ¡ensures ¡that ¡the ¡type ¡of ¡no5fica5on ¡covered ¡in ¡each ¡rule ¡ 70 80 90 70 80 90 Confidence Value (%) Confidence Value (%) Recall : ¡ra5o ¡between ¡the ¡number ¡of ¡no5fica5ons ¡that ¡are ¡correctly ¡predicted ¡as ¡dismissed ¡and ¡ has ¡arrived ¡at ¡least ¡once ¡in ¡two ¡days. ¡ the ¡total ¡number ¡of ¡no5fica5ons ¡that ¡are ¡actually ¡dismissed. ¡ ¡ ¡ Precision : ¡ra5o ¡between ¡the ¡number ¡of ¡no5fica5ons ¡that ¡are ¡correctly ¡predicted ¡as ¡dismissed ¡ and ¡the ¡total ¡number ¡of ¡no5fica5ons ¡that ¡are ¡predicted ¡as ¡dismissed. ¡ ¡

Recommend


More recommend