本研究的目的是概述发表作品的使用毫升技术在智能手机应用程序的实现。为此,我们定义展示在表6中移动 1这涵盖了开发智能手机应用程序的范围。每一个研究问题是伴随着一个解释,介绍了其作者采用的理由。

找到关键字的研究中我们遵循“微小”模型提出了( 16]。如表所示 2为每个组件,我们有一些句子描述研究的主题。从这些句子中提取关键词我们使用角色提出了( 16在很多集]分类关键词;每一个关心的是“微小”模型的一个组件。表 3介绍了提取关键字从PICO组件。

定义关键词集后,我们重新组织他们六组如表所示 4,每组包含关键字,要么是同义词,出现同一个词的不同形式,还是项有相似或相关的语义域内的智能手机应用程序( 18]。获得的搜索字符串的连接词组织如下:(设计或开发)和(移动用户或移动用户)和(智能自适应或反应或反应)(应用程序或接口)和(分析、学习或预测)和(交互或“用户体验”或数据或行为或欲望或满意度)。布尔或用于组装在同一组和布尔和用于加入组织的术语。

定义的搜索字符串被用来搜索主要研究从四个数字图书馆:IEEE Xplore, ACM数字图书馆ScienceDirect,和施普林格链接,因为他们是最常用的发布SE研究[ 21]。

本节标识(IC / EC)包含/排除标准我们用来评估的相关性主要研究通过应用搜索字符串检索四个数字图书馆。集成电路/ EC标准应用于每篇论文的标题和摘要。怀疑地,我们使用全文决定论文是否会包含或排除在外。如表所示 5,我们发现三个入选标准和排除标准四个:

收集所有相关的数据选择研究和提供答案不同rq表中定义 1我们使用了模板表中给出 6。它提供了不同的数据项的描述,将从所选的论文。每个数据项提供其名称,数据类型,以及他们的研究问题。

出版渠道是指定期出版的期刊或学术活动,如会议,研讨会,研讨会或研讨会。

出版来源指的是有效的名字发表的期刊或学术活动每个选定的论文。

研究类型指的是选择一个分类研究与完整性的实现工作阶段。彼得森等人在 15, 16]和Wieringa等人[ 22)定义五种研究如下:评价研究(ER),解决方案建议(SP),验证研究(VR),哲学论文(PP),论文和观点(凤凰社)。SP论文提出了一种新技术或改善现有技术和主张没有验证其相关性。虚拟现实进行深入分析注意实现解决方案的建议。ER提供了一个实证研究的问题在实践中或技术的实现。页提出一种看待事物的新方法或新概念框架。最后,一个OP给出一个意见是什么错误或者好的事情,我们应该如何做( 15, 16]。

研究领域是指应用业务的研究领域,如电子学习,电子商务,电子政务,e-Health。一项研究没有指定应用程序域是归类为通用的。

研究背景指的背景进行了研究。在[ 17,Kitchman和章程定义了四个上下文:学术、组织、工业和政府。

ML模式指学习的模型,用于从数据中提取知识。在这项工作中,我们考虑五种毫升模型:监督学习(SL),无监督学习(UL) Semi-Supervised学习(SSL),主动学习(AL)和强化学习(RL) [ 23, 24]。SL算法学习训练数据集提供示例数据输入和目标输出之间的关系,概括的结果作为一个模型,该模型可以预测新输入输出( 23, 24]。UL算法试图确定输入之间的相似之处,这有助于他们的分类 23, 24]。学习算法试图描述数据而不是SL算法试图作出预测的输出。SSL算法是一个子类的SL算法时使用无标号数据容易获得,是困难或昂贵的标签数据。学习算法试图寻找时使用标记和未标记数据模型(减少人工干预)。递归地试图找到一个模型使用标记数据,并将其应用在无标号数据,然后只保留与高精度检测到标签添加到标记数据集( 25]。艾尔算法是一个子类的SL在有巨大的数据集的情况下很少有带安全标签的数据进行训练。在这种情况下标签预测是困难或昂贵的获得。学习算法试图添加新标签元组定期训练数据集通过查询用户标签直到有可接受的数据集的大小,允许进行监督学习( 23, 26]。RL算法在动态的环境中,使用一个代理试图找到合适的行动来执行针对一个特定的情况或事件。代理学习行为通过他的错误尝试不同的可能性,直到他找到一个合适的行动来执行( 23, 27]。

毫升技术指的是算法用于执行学习任务。这些算法可以分为许多毫升任务为每个毫升模型( 23, 24]。例如,SL和回归模型包含分类任务的任务,UL模型包含协会任务和集群。SSL和艾尔模型视为SL的变体模型;因此,他们使用相同的ML任务( 23, 24]。图 2礼物毫升技术在实践中最常用的库存和分组通过ML模型和ML的任务。

我们的搜索9238年第四数字图书馆提供候选人论文。然而,应用后的9167篇论文被排除在外的排除标准,从而导致71篇文章关于使用毫升的识别技术在智能手机应用程序设计和开发。

表 7显示所选论文的数量在每一步的选择过程。事实上,复制论文第一次被抛弃,只有一项研究被认为是。此外,论文报告相同的研究也被排除,只有最近的一个是包括在内。然后,所有的文件不是用英语写的或无法访问全文被排除在外。最后,许多论文需要全文回顾之前决定包含或排除。

所选论文的数量是可观的,反映了研究课题的重要性在这个研究解决。同样,这个数字将允许进行研究与可接受的数据大小,将可信的目标研究课题的概述。选择研究的完整列表中提供了相关的数据表 8。

图 3介绍了多年来所选论文的数量的变化在2007年和2019年之间。这表明出版物的平均年增长率为每年30%。近,三分之二(66.2%)的研究报告发表在下半年观察期间在2013年和2019年之间。此外,11个论文发表于2019年,是一个重要的数量比其它年份。因此,很清楚的是,研究人员越来越感兴趣的研究领域。这一趋势是合理的,许多其他作品。例如,Garousi等人对SE的趋势进行了研究;他们的工作表明,移动主题是第二热门研究课题SE地区( 99年]。Karanatsiou等人也确认移动应用开发是跻身最常见的研究主题在SE。最后,朱镕基等人确认,移动性能的改善方面的处理能力和数据存储能力除了先进的云计算已经在支持移动设备的机器学习算法。他们还强调新的挑战在利用大量的数据分布在大量边缘设备包括智能手机( One hundred.]。

图 3也表明,几乎每年都在会议上发表的论文数量比其他渠道更重要。此外,图 4显示,54%的选择论文发表在会议,而40%发表在期刊。最后,只有4%的人在研讨会上发表的,2%的选手是发表在车间。会议论文的高百分比的解释是,研究人员经常在首先在会议上报告的主要结果,最后综合期刊文章后验证( 101年, 102年]。因此,研究智能手机应用程序的主题还没有达到所需水平的成熟,他们仍然有几个轴在哪里取回。同时,论文发表在期刊的比例显示,有一些验证的结果,可以利用在未来工作。

表 9提出了出版来源那里发表至少两个选择的研究。因此,最常见的出版来源是“计算机科学课堂讲稿”占16.9%,由“ACM国际联合会议上普遍的和无处不在的计算”为4.23%。最后,我们发现“IEEE学习技术”,“先进的学习技术,国际会议”“个人和无处不在的计算”,“Procedia计算机科学,”和“信息社会普及”为2.81%。所有这些出版物来源被认为是高级,件事反映了大多数选择的高质量的研究。

图 5显示ER(评价研究)是最采用研究类型的比例为44%,由SP(解决方案)的比例26%,VR(验证研究)的比例为24%。最后,哲学论文(PP)采用研究类型越少6%。

ER更占主导地位,这意味着一些研究提出最终解决方案评估和在实践中尝试。这些研究可以深入回顾了在未来是单反。像呃,VR也是相关的,可以考虑在未来研究单反。其他研究类型必须忽略在后续工作( 14]。SP的共显性、虚拟现实和PP的损害ER反映所提出的解决方案,大多数不实施或尝试在现实背景。SP工作提出实施解决方案,还没有尝试。然而,虚拟现实提出新的和有经验的实现方案;然而,实验模拟,实现原型,在实验室或实验。最后,PP作品提供一个新的概念框架解决方案尚未实现或有经验的( 16, 17]。ER已经尝试和验证工作;这就是为什么他们是同样发表在期刊和会议,如图 6。图 6也表明,SP和VR经常发表在会议。这是因为这些作品首先报告为主要导致会议,然后他们将合成和验证后发表在期刊 101年, 102年]。

图 7显示,每年的论文总数关注特定字段大于那些是通用的。此外,只有22%的选择论文提出了通用的解决方案可以应用在多个领域,78%是面向一个特定的领域。因此,我们注意到特定领域研究者越来越多的关注。图 8显示了应用领域的变化采用选定的论文。这表明最针对性的应用领域是电子学习和e-Health 24%与17%。

电子学习的主导地位和e-Health移动应用程序可以用这一事实来解释他们产生巨大的社会和经济影响消费者和企业比其他字段。他们创造更好的生活条件 103年]。移动应用程序的在线学习提供高质量的教育资源和教育可能访问内容适应用户的需求和学习速度。移动应用e-Health代表一个创造性的解决方案使卫生保健服务更多的人尤其是新兴国家( 103年]。

图 9显示,47%的选择进行了研究在学术背景下,35%是由组织中,17%是通过政府机构,只有1%的选择的研究都是在一个工业背景下开展的。图 10显示,在过去的4年里进行了研究在学术背景或者在组织背景下,除了在政府背景下进行了两项研究。图 10显示也进行了研究,在组织背景下开始比学术研究更频繁。此外,在过去多年来,作品由组织越来越占主导地位。

越来越多的项目由组织可以用这一事实来解释组织(公司、企业)意识到移动技术的重要性作为创新的解决方案的实现经济和人类发展,所以他们基金领域的许多研究和开发项目移动技术( 103年]。工业硬件和基础设施方面更感兴趣,而不是软件工程方面,这解释了一些数量的研究由工业。最后,关于工作由政府资助的数量,它可以用这一事实来解释政府支出采用和使用移动技术不能达到预期的经济和社会的愿望( 103年]。

图 11收集的数据显示,最从移动用户的比例为42%,成功通过交互数据为33%,资料数据为13%,与8%偏好数据,反馈数据为4%。但它必须强调,在相同的工作,一些类型的数据可能会收集的移动用户。

上下文和交互数据是最常用的,因为他们对移动用户提供动态数据。他们可以帮助决策最适合用户的当前上下文与他之前的行为。上下文数据给用户的当前状态的信息(身份、健康状态、精神状态、身体状况、心理状态,等)和环境(位置、时间、当前活动等)。然而,交互数据给前面的用户操作信息(历史、应用咨询历史,通知使用日志,点击,等等),可以帮助预测未来的用户操作。概要文件和用户偏好数据通常提供静态信息和帮助主要了解用户不考虑上下文和交互数据,不可以在开始使用移动应用程序。最后,反馈数据不是很重要的与用户进行交互,因为通常他们被认为是在应用程序的维护。

图 12表明,监督学习是最常用的机器学习模型在选定的论文比例的73%;然而,11%使用无监督学习,4%用强化学习,1%使用主动学习。最后,11%的论文没有使用任何机器学习模型。图 13表明,每年,SL是最主要的模型选择研究。同时,没有使用UL技术和非常温和试图引入UL, RL和艾尔技术在智能手机应用程序的开发。

选择的多数研究利用监督学习模型,图 14显示分类是最常用的数据挖掘任务的比例为66%,由聚类占16%,回归的比例为13%。最后,协会的任务是在过去的范围为5%。

表 10提出了数据挖掘技术,使用超过一次选定的论文。因此,最常见的方法是使用12安的研究,其次是加拿大皇家银行技术使用在11个研究中,使用8 k - means研究,DT, SVM 6研究中使用的每个人,NBC 5研究中使用,FL和FBA 4研究中使用的,然而,毫米,q学习,和基于“增大化现实”技术用于研究的他们,最后射频和LR 2研究中使用的。

我们得出这样的结论:SL的使用模型(特别是分类任务)是一种自然现象,因为一些工作尝试在大多数情况下对用户进行分类,以知道如何与他们根据他们的配置文件,偏好,上下文,或行动。此外,SL算法是被他们的简单,因为他们试图从训练数据集模型,使得输入和期望输出之间的结合;另外,所需的输入和输出数据都是提前知道;因此,手动干预措施正确的结果是最小的( 23, 24]。最后,许多SL服务现在可以在云来促进集成ML算法在移动应用程序 27]。

在许多情况下,UL任务中使用了数据准备阶段数据探索或数据降维。通常,UL任务在诉诸SL之前算法用于预测任务;同时,它需要更多的干预比SL任务正确的结果( 23, 24]。

RL算法被用于手机做一些任务的自动化通过寻找一个合适的行动为一个特定的情况或事件。他们尤其用于能源消费预测,内存分配预测,和手机应用程序使用预测(预测用户行为与移动应用程序的交互)。他们不太使用,因为它们的复杂性通过比较用SL和UL ( 23, 27]。

艾尔任务移动应用程序中使用的少,因为他们的使用在有巨大的数据集的情况下很少有带安全标签的数据进行训练。在这种情况下标签预测是困难或昂贵的获得 23, 26]。

尽管返回文件的重要的数字定义的搜索字符串,有大量的排除文件在每个级别的选择过程。这主要是由于这样的事实,许多研究轴共享相同的词汇与移动应用开发移动网络,车辆人机界面交互,以及机器人编程。因此,研究人员必须清楚地定义他们的作品的目的条款属于软件工程词汇。另外,许多排除论文描述不够,不提供足够的细节,可以帮助便利的选择过程。因此,研究人员必须做出更多的努力在综合他们的作品通过确保科学可信度的一个可接受的水平,这将有助于正确评价工作的质量。

研究人员和开发人员在开发智能手机应用程序越来越多关注特定字段电子学习和e-Health为代价,这是通用的解决方案。这个方向可以用这一事实来解释每个领域都有其特异性和约束,更加难以验证更通用的解决方案比那些专注于特定字段。因此,大部分的通用解决方案选定的论文不验证。所以,建议未来的工作也是这个方向针对特定的应用领域。

大多数的选择研究在学术和组织环境;因此研究人员和开发人员仍然需要尽更大的努力使验证所提出的解决方案和标准化的东西更能鼓励工业和政府采取和金融研究领域的智能手机应用程序。

对于大多数选择研究中,选择一个毫升技术另一个并不总是合理的。此外,许多作品使用的技术容易实现,但不一定有效。例如,加拿大皇家银行,是第二个最常用的技术是它易于实现和解释,但它在质量上并不是最好的 23, 24]。所以,强烈建议研究人员做出更多的努力在证明他们的选择的ML技术。另一方面,所有的研究不表达清楚应用程序中采用的逻辑的本质。例如,一个纯粹的面向用户的应用程序更改其逻辑与每个用户独立于他人。对角线的,轻量级的面向用户的应用程序更改其逻辑使全球用户适应没有区别。因此,实现情报在两种情况下是不一样的。首先,数据大小是不一样的;其次,收集的数据的性质是不一样的(动态和实时数据在第一种情况下,静态和非实时数据在第二种情况下);第三毫升任务和技术是不一样的;最后,实时适应的程度是不一样的。 So, it is recommended for researchers to determine the nature of adopted logic in their solutions to have a clear idea about their contributions and to have a correct evolution of their works.