Ứng dụng phân tích mẫu chuỗi tuần tự vào việc phát hiện thói quen sử dụng các ứng dụng trên thiết bị di động Đào Thế Mẫn Trường Đại học Công nghệ Luận văn ThS. Hệ thống thông tin; Mã số: 60 48 05 Người hướng dẫn: PGS.TS. Nguyễn Hà Nam Năm bảo vệ: 2013 Abstract. Cung cấp thông tin về bài toán phân tích hành vi của người sử dụng trên thiết bị di động (TBDĐ): trình bày các hướng nghiên cứu hành vi người dùng khác nhau từ dữ liệu thu được liên quan đến điện thoại diTBDĐ động; trình bày về hướng nghiên cứu và cách thức giải quyết bài toán. Trình bày những kiến thức cơ sở để giải quyết bài toán: Về dữ liệu trình bày đặc điểm của dữ liệu thu được từ pha lấy dữ liệu, cách thức lọc dữ liệu làm đầu vào cho thuật toán; trình bày về hàm sinh dữ liệu, lý do sinh dữ liệu tự động; Về giải thuật, đưa ra mô hình khai phá dữ liệu và trình bày các giải thuật về khai phá mẫu chuỗi tuần tự phổ biến theo thời gian và đưa ra lý dọ chọn giải thuật SPAM. Phân tách chuỗi: trong chương này chúng tôi trình bày về các đề xuất phân tách chuỗi dữ liệu dài thành các chuỗi dữ liệu ngắn. Mô hình khai phá dữ liệu để giải quyết được vấn đề của bài toán các đề xuất tách chuỗi trên, trình bày về phương pháp để giải quyết các đề xuất. Trình bày kết quả thực nghiệm và phân tích kết quả thu được. Đánh giá tính đúng đắn và tính hiệu quả của phương pháp đề xuất so với một số phương pháp khác. Kết luận và hướng nghiên cứu tiếp theo. Keywords. Công nghệ thông tin; Mẫu chuỗi tuần tự; Thiết bị di động; Khai phá dữ liệu; Dữ liệu Content. Cấu trúc của luận văn gồm: Chương 1. Cung cấp thông tin về bài toán phân tích hành vi của người sử dụng trên TBDĐ. Trong chương này, chúng tôi trình bày các hướng nghiên cứu hành vi người dùng khác nhau từ dữ liệu thu được liên quan đến điện thoại di động. Đồng thời, chúng tôi trình bày về hướng nghiên cứu và cách thức giải quyết bài toán của chúng tôi. Chương 2. trình bày những kiến thức cơ sở để giải quyết bài toán. Về dữ liệu trình bày đặc điểm của dữ liệu thu được từ pha lấy dữ liệu, cách thức lọc dữ liệu làm đầu vào cho thuật toán. Về giải thuật, đưa ra mô hình khai phá dữ liệu và trình bày các giải thuật về khai phá mẫu chuỗi tuần tự phổ biến theo thời gian và đưa ra lý dọ chọn giải thuật SPAM Chương 3. trong chương này chúng tôi trình bày Mô hình khai phá dữ liệu dể giải quyết được vấn đề của bài toán. Chương 4. Trình bày kết quả thực nghiệm và phân tích kết quả thu được. Đánh giá tính đúng đắn và tính hiệu quả của phương pháp đề xuất dựa trên việc thực hiện hoặc so sánh với một số phương pháp khác. Chương 5. Kết luận và hướng nghiên cứu tiếp theo References. TÀI LIỆU THAM KHẢO [1] Hermersdorf, M. Nyholm, H. Perkio, J. Tuulos, V. “Sensing in Rich Bluetooth Environments”- Workshop on WorldSensorWeb, in Proc. SenSys, 2006 - sensorplanet.org [2] Eagle, N. Pentland, A. “Reality mining: sensing complex social systems”. Personal and Ubiquitous Computing 2006 – Springer, Vol. 10, # 4, 255-268 [3] Farrahi, K. Gatica-Perez, D. “Daily Routine Classification from Mobile Phone Data”. In: Popescu-Belis, A., Stiefelhagen, R. (eds.) MLMI 2008. LNCS, vol. 5237, pp. 173–184. Springer, Heidelberg (2008) [4] Farrahi, K. Gatica-Perez, D. “What did you do today? Discovering daily routines from Large-Scale Mobile Data”.In: MM 2008: Proceeding of the 16th ACM International Conference on Multimedia, pp. 849–852. ACM, New York (2008) [5] Human Behaviour Analysis Using DataCollected from Mobile Devices International Journal on Advances in Life Sciences, vol 4 no 1 & 2, year 2012, [6] Hara, K. Omori, T. Ueno, R. “Detection of unusual human behaviour in intelligent house”; Proceedings of the 2002 12th IEEE workshop on Neural Networks for Signal Processing, pp. 697-706, 2002. [7] Yiping, T. Zhiying, Z. Hui, G.Huiqiang, L. Wei, W. Gang, X. “Elder Abnormal Activity Detection by Data Mining”, SICE Annual Conference in Sapporo, August 4-6, 2004, vol. 1, pp. 837–840 (2004) Japan [8] Wren, C. Ivanov, Y. Kaur, I. Leigh, D. Westhues, J. “SocialMotion: Measuring the Hidden Social Life of a Building”. In: J. Hightower, B. Schiele, and T. Strang, (eds.) LoCA 2007. LNCS, vol. 4718, pp. 85–102. Springer, Heidelberg (2007) [9] McCowan, I. Gatica-Perez, D. Bengio, S. Lathoud, G. “Automatic Analysis of Multimodal Group Actions in Meetings”.IEEE Transactions on Pattern Analysis and Machine Intelligence (T-PAMI) 27(3), 305–317 (2005) [10] Vukovic, M. Lovrek, I. Jevtic, D. “Predicting user movement for advanced location-aware services”.In 15th International Conference on Software, Telecommunications and Computer Networks, pp. 1–5. SoftCOM 2007, 2007. [11] Azam, M. A. Tokarchuk, L. Adeel, M. “Human Behaviour detection Using GSM Location Patterns and Bluetooth Proximity Data”. The Fourth International Conference on Mobile Ubiquitous Computing,Services and Technologies, pp. 428- 433, Florence, Italy, 2010. [12] Yang, J., Wang, W., and Yu, P. S. 2001. Infominer: mining surprising periodic patterns. In Proceedings of the seventh ACM SIGKDD international conference on Knowledge discovery and data mining. ACM Press [13]Agrawal, R. and Srikant, R. 1995. Mining sequential patterns. In Eleventh International Conference on Data Engineering, P. S. Yu and A. S. P. Chen, Eds. IEEE Computer Society Press, Taipei, Taiwan, 3-14. [14] http://www.philippe-fournier-viger.com/spmf/ [15] Han, J. and Kamber, M. 2000. Data Mining Concepts and Techniques. Morgan Kanufmann [16] Srikant, R. and Agrawal, R. 1996. Mining sequential patterns: Generalizations and performance improvements. In Proc. 5th Int. Conf. Extending Database Technology, EDBT, P. M. G. Apers, M. Bouzeghoub, and G. Gardarin, Eds. Vol. 1057. Springer- Verlag, 3-17. [17] J., Pei, J., Mortazavi-Asl, B., Chen, Q., Dayal, U., and Hsu, M C. 2000. FreeSpan: fre-quent pattern-projected sequential pattern mining. In Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data mining. ACM Press, 355-359 [18] Pei, J., Han, J., Pinto, H., Chen, Q., Dayal, U., and Hsu, M. C. 2001. PrefixSpan: Mining sequential patterns efficiently by prefix-projected pattern growth. Int. Conf. on Data Engineering. [19] Garofalakis, M. N., Rastogi, R., and Shim, K. 1999. Spirit: Sequential pattern mining with regular expression constraints. In VLDB'99, Proceedings of 25th International Conference on Very Large Data Bases, September 7-10, 1999, Edinburgh, Scotland, UK, M. P. Atkinson, M. E. Orlowska, P. Valduriez, S. B. Zdonik, and M. L. Brodie, Eds. Morgan Kaufmann, 223-234. [20] Lin, M Y. and Lee, S Y. 2002. Fast discovery of sequential patterns by memory indexing. In Proc. of 2002 DaWaK. 150-160. [21] Zaki, M. J. 2001. SPADE: An efecient algorithm for mining frequent sequences. Machine Learn-ing 42, 1/2, 31-60. [22] Jay Ayres, Johannes Gehrke, Tomi Yiu, and Jason Flannick. SPAM: Sequential PAttern Mining using A Bitmap Representation. SIGKDD ’02 Edmonton, Alberta, Canada 2002 [23] H. Cao, T. Bao, Q. Yang, E. Chen, and J. Tian. An effective approach for mining mobile user habits. In Proceedings of the 19th ACM Conference on Information and Knowledge Management (CIKM’10), pages 1677–1680, 2010. . Ứng dụng phân tích mẫu chuỗi tuần tự vào việc phát hiện thói quen sử dụng các ứng dụng trên thiết bị di động Đào Thế Mẫn Trường Đại học Công. tin; Mẫu chuỗi tuần tự; Thiết bị di động; Khai phá dữ liệu; Dữ liệu Content. Cấu trúc của luận văn gồm: Chương 1. Cung cấp thông tin về bài toán phân tích hành vi của người sử dụng trên. toán phân tích hành vi của người sử dụng trên thiết bị di động (TBDĐ): trình bày các hướng nghiên cứu hành vi người dùng khác nhau từ dữ liệu thu được liên quan đến điện thoại diTBDĐ động;