智能移动应用:系统地图研究

摘要

智能手机作为最实惠和实用的无处不在的设备，通过使用许多方便的应用程序，极大地参与了我们的日常生活的改善。然而，大量的移动用户除了他们的异质性(不同的配置文件和上下文)之外，还要求开发者通过使应用更智能和更灵活来提高应用的质量。这主要是通过分析移动用户数据来实现的。机器学习(ML)技术提供了从数据中提取知识以促进决策所需要的方法和技术。因此，开发人员和研究人员都肯定了将ML技术和移动技术结合在电子健康、电子学习、电子商务和电子教练等几个应用领域的好处。因此，本文的目的是概述ML技术在移动应用程序设计和开发中的应用。因此，我们对2007年1月1日至2019年12月31日期间发表的相关论文进行了系统的制图研究。根据以下标准、发表年份、来源和渠道、研究类型和方法、收集数据的种类等，共选取71篇论文进行研究和分析，最终采用ML模型、任务和技术。

1.介绍

今天，没有人能否认，最普遍使用的系统是移动设备。最初出现时，它们主要用于收发电话、短信、彩信和电子邮件。然而，如今移动设备被广泛应用于一些具有挑战性的领域，如电子学习、电子健康、电子商务、电子旅行和电子教练。因此，从一个简单的瘦客户机容器，移动设备被转变为一个包含大量移动应用程序的容器，提供我们日常生活中的各种服务。

移动应用下载总量从2015年的630亿次增加到2018年的20540亿次。此外，预计到2022年，这一数字将达到25820亿[1.]．此外，自2015年以来，移动电话的使用超过了桌面互联网的使用，到2025年，联网用户将达到世界人口的75% [2.]．因此，预计到2025年，移动数据将占全球数据圈的18% [2.]．

这种转型和目标业务领域的变化，加上大量的目标用户，使得移动应用程序的设计和开发成为软件工程中最热门的话题之一[3.–6.]．最近，移动用户满意度和援助也成为研究人员和开发人员的主要兴趣。目的是开发非常有吸引力和更简单的移动应用程序，以促进和提高若干服务的质量[7.–9]．

因此，从一开始就遵循以用户为中心的方法进行移动应用程序的设计和开发过程成为必然。这种方法的最终目标之一是使移动应用程序（界面和/或逻辑）适应用户配置文件、上下文变化以及以前操作的历史的多样化[8.,10]．这种对用户数据的调整必须持续一段时间，以提供与移动用户的智能交互，并不断提高所提供服务的质量[10]．

机器学习(ML)技术被广泛用于从数据中提取知识，可用于移动应用程序设计和开发领域，以确保与移动用户的智能交互。因此，许多研究表明，将ML技术和移动技术结合在多个应用领域的好处。例如，在[11作者提出了开发更智能、更个性化、更高效、以患者为中心的移动医疗模式的必要性。此外，它们还展示了机器学习在基于患者数据做出智能决策方面的当前和未来角色。在[12作者肯定，学习的未来是移动、交互和机器学习的协同，因为通过将它们结合起来，有可能创建提供创新学习场景的智能和交互移动模型。在[13“作者”定义了移动电话数据集和网络的分析，作为当今M商务研究中最相关的主题之一。目的是通过开发用于在分析用户配置文件和行为中利用ML技术的功率的用户中心M-Commerce应用来提高提供服务的质量。

近年来，将机器学习技术引入智能移动应用程序的研究工作，数量逐年增加。鼓励这种新的面向移动应用的增长,智能手机的性能而言,CPU,内存容量、能量储存,也由于先进的云计算领域,提供了一个随需应变的数据存储和计算能力的云服务(14]因此，为了构建这一研究轴并促进对各种现有出版物的信息提取，开展文献研究势在必行。

据作者所知，目前还没有针对基于ml的智能移动应用程序的文献综述。因此，这项工作的目标是对在设计和开发移动应用程序领域所做的研究进行概述，这些应用程序使用机器学习技术与移动用户进行智能交互。我们主要想知道关于这个研究轴的作品的成熟程度，发表的频率，最具针对性的应用领域，使用最多的机器学习技术，以及它们被用于什么目的。为此，我们开展了系统制图研究(SMS)，作为一种审查方法，对特定研究领域的现有研究和结果进行结构分析[15,16]．因此，确定的作品将根据一些研究问题进行分类和分类，这将框架进行文献研究进行。结果通常在视觉上呈现，以促进他们的解释[15,16]．

因此，我们对2007年1月1日至2019年12月31日期间发表的71篇论文进行了筛选和研究。本SMS的目的是对选定的论文进行分类和投稿计数。特别是,我们需要有一个清晰的愿景(1)最常用的ML技术发展的智能手机应用程序,(2)应用领域已经覆盖在文献中,(3)已发表的文献,和(4)哪一种移动用户数据进行收集和分析。

本文的其余部分组织如下。部分2.提出了SMS方法和不同的规则，我们是基于我们的研究来执行这项工作。研究结果将在本节中描述和讨论3.，而4.为研究人员和实践者提供了一些启示。本研究的局限性将在本节中介绍5.．最后,部分6.给出了结论和未来的工作。

2.研究方法

要对某一特定主题的研究状况有一个概述，并决定挖掘的轴线，就需要进行文献研究。然而，软件工程(SE)领域的研究人员在进行文献研究时往往不遵循系统的方法。最近，一些指导方针被提出，通过应用系统制图研究(SMS)或系统文献综述(SLR)来构建SE领域的文献研究[15–20.]．如[15,16通过统计和分类发表在这个主题上的研究工作，SMS提供了一个特定主题的表面概述。这通常是通过使用图形来实现的。短信息将有助于组织有关的研究主题，也将有助于更好地进行后续的研究工作，如SLR [15,16]．与SMS相比，如[17–20.] SLR通过对所识别的作品进行深入分析来允许进一步的文献研究。因此，SLR是包括一些额外步骤的短信;例如，它审查了每项工作中采用的方法，并评估了所获得的结果[15,16]．

数字1.显示了如[15,16]该过程包括五个步骤：（1）定义研究的研究问题（RQ）；（2）提取关键词并定义研究的搜索字符串；（3）通过科学数字数据库提取相关研究；（4）选择研究的相关论文；（6）从所选论文中提取数据。

RQ定义了研究的目的，旨在构建与特定主题相关的知识体系。在这个方向上，每个研究问题必须具有明确的目标，与研究主题有关，并且必须明确指定哪些数据将从选定的论文中提取[15,16]．

为了从研究问题中识别关键字并形成搜索字符串，SMS使用PICO(人口、干预、比较和结果)模型，该模型由四个关键组成部分组成:人口、干预、比较和结果。人口是指特定的SE角色、类型或应用领域。干预指的是解决SE中特定问题的软件技术或方法学。比较确定了要提取和比较的技术、技术、工具、方法或策略。最后，结果应该与干预对从业者的重要性的因素相关。用来描述每个组成部分的术语随后被用来定义研究的搜索字符串[15,16]．

定义的搜索字符串将用于提取涉及研究主题的相关研究;这主要是通过科学数字数据库(SDDB)完成的。但是，搜索字符串必须适应每个SDDB中的搜索角色[15,16]．

必须使用包含和排除标准来仅保留与研究主题相符的研究;这些标准将应用于提取研究的标题和摘要。尽管如此，我们可以在决定他们的包容或排除之前，需要对内容进行全面审查[15,16]．

最后，必须利用保留的研究来提取响应指定研究问题的数据[15,16]．

2.1.研究问题

本研究的目的是对已发表的关于在智能移动应用程序实现中使用ML技术的著作进行概述。为此，我们定义了六个RQ，如下表所示1.这涵盖了开发智能移动应用的范围。每个研究问题都附有一个解释，说明作者采用它的理由。

2.2。搜索字符串

为了找到研究的关键字，我们遵循[16].如表所示2.，对于每个组成部分，我们都有许多描述研究主题的句子。为了从这些句子中提取关键词，我们使用了中提出的角色[16将关键字分类成多个集合;每一个都与PICO模型的一个组成部分有关。表格3.呈现来自Pico组件的提取的关键字。

定义关键字集之后，我们将它们重新组织为6个组，如表中所示4.，每个组包含的关键词要么是同义词，要么是同一词的不同形式，要么是智能移动应用领域中具有相似或相关语义的术语[18]．最终搜索字符串是通过从组中连接单词获得的，如下所示:(设计或开发)和(移动或用户或“移动用户”)和(智能或适应性或反应性或响应性)和(应用或界面)和(分析或学习或预测)和(交互或“用户体验”或数据或行为或愿望或满意度)。布尔OR用于在同一组中组装术语，布尔and用于连接术语组。

2.3.候选论文

定义的搜索字符串用于搜索来自四个数字图书馆的主要研究:IEEE Xplore, ACM数字图书馆，ScienceDirect和施普林格Link，因为它们是最常用的发布SE研究[21]．

2.4。纸张选择

本节确定了包含/排除（IC/EC）标准我们用于评估通过将搜索字符串应用于四个数字图书馆检索到的主要研究的相关性。IC/EC标准应用于每篇论文的标题和摘要。毫无疑问，我们使用全文来决定一篇论文是否包括或排除。如表所示5.，我们确定了三个纳入标准和四个排除标准：

2.5。数据提取

从选定的研究中收集所有相关数据，并为表中定义的不同rq提供答案1.我们使用表中呈现的模板6.．它提供了将从选定的论文中提取的不同数据项的描述。每个数据项都提供了它的名称、数据类型，以及它们所引用的研究问题。

出版渠道是指定期出版的期刊或学术活动，如会议、研讨会、专题讨论会或研讨会。

出版物来源是指发表每一篇选定论文的期刊或学术事件的有效名称。

研究类型是指根据已实现的工作的完成程度对选定的研究进行分类。Petersen等人在[15,16和Wieringa等人在[22[]定义了五种类型的研究研究:评价研究(ER)、解决方案建议(SP)、验证研究(VR)、哲学论文(PP)和意见论文(OP)。SP论文提出了一种新技术或现有技术的改进，并在没有验证的情况下论证了其相关性。对VR做了深入的分析，提出了一份实施的解决方案建议。在实践中，ER提供了对问题或技术实现的实证研究。PP提出了一种看待事物的新方式或一种新的概念框架。最后，OP给出了对某件事的好与坏的看法，以及我们应该如何做某事[15,16]．

研究领域是指研究的应用业务领域，如电子学习、电子商务、电子政务、电子健康等。没有指定应用程序域的研究被分类为Generic。

研究背景是指研究进行的背景。在[17， kitman和charter定义了四种语境:学术语境、组织语境、产业语境和政府语境。

ML模型是指从数据中提取知识的学习模型。在这项工作中，我们考虑了五种类型的ML模型：监督学习（SL）、无监督学习（UL）、半监督学习（SSL）、主动学习（AL）和强化学习（RL）。23,24]．SL算法从训练数据集学习，这些数据集提供了数据输入和目标输出之间关系的示例，并将结果推广为一个模型，可以预测新输入的输出[23,24]．UL算法试图识别输入之间的相似性，这有助于对它们进行分类[23,24]．学习算法尝试描述数据而不是尝试预测输出的SL算法。SSL算法是SL算法的子类别，当未标记的数据很容易使用时使用，并且具有标记数据困难或昂贵。学习算法在搜索模型时尝试使用标记和未标记的数据（具有较少人的干预）。它递归地尝试使用标记数据找到模型并将其应用于未标记的数据，然后仅保留具有高精度的标签并将其添加到标记的数据集中[25]．人工智能算法是SL的一个子类，用于有大量数据集但很少有标记数据用于训练的情况。在这种情况下，标签预测是很难或昂贵的。学习算法通过定期向用户查询标签，直到有允许进行监督学习的可接受的数据集大小，从而尝试将新的标记元组添加到训练数据集[23,26]．在动态环境的情况下使用R1算法，其中代理试图响应于特定情况或事件找到合适的动作。代理通过尝试不同的可能性，从而通过他的错误来学习行为，直到他找到合适的行动来执行[23,27]．

ML技术是指用于执行学习任务的算法。对于每个ML模型，这些算法可分为许多ML任务[23,24]．例如，SL模型包含分类任务和回归任务，UL模型包含关联任务和集群任务。SSL和AL模型被认为是SL模型的变体;因此，它们使用相同的ML任务[23,24].图2.介绍了在实践中最常用的ML技术清单，并根据ML模型和ML任务进行分组。

3.结果与讨论

本节介绍了与此系统地图相关的结果。首先，我们介绍了选择过程的结果;其次，提出了每个研究问题的所有结果。

３．１．所选研究的概述

我们在第四个数字图书馆的搜索提供了9238篇候选论文。然而，在应用排除标准后，9167篇论文被排除在外，从而确定了71篇关于在智能移动应用程序设计和开发中使用ML技术的文章。

表格7.显示选择过程中每一步所选论文的数量。事实上，重复的论文首先被丢弃，只有一项研究被考虑。此外，报道同一研究的论文也被排除在外，只包括最近的一篇。然后，所有非英文或无法获得全文的论文都被排除在外。最后，许多论文在决定是否纳入或排除之前需要全文审查。

所选论文的数量是值得尊敬的，反映了研究主题在本研究中所处理的重要性。此外，这个数字将允许在可接受的数据规模下进行研究，这将给目标研究主题一个可靠的概述。所选研究及其相关数据的完整列表见表8.．

３．２．RQ1:论文在哪些年份、来源和出版渠道发表?

数字3.介绍了2007年至2019年期间所选论文数量的变化。结果表明，每年出版物的平均年增长率为30%。近三分之二（66.2%）在2013年至2019年的观察期的下半年发表了研究报告。此外，2019年发表了11篇论文，与其他年份相比，这是一个相当大的数字。因此，很明显，研究人员对这一研究领域越来越感兴趣。这一趋势被其他许多研究者所证实例如，Garousi等人对SE的发展趋势进行了研究；他们的研究表明，移动主题是SE领域第二热门的研究课题[99]．Karanatsiou等人也肯定了移动应用开发是SE中最频繁的研究课题之一。最后，Zhu等人确认，移动设备在处理能力和数据存储能力方面的性能提高，以及云计算的进步，在支持机器学习算法方面发挥了作用。它们还突出了利用分布在包括智能手机在内的大量边缘设备上的海量数据所面临的新挑战[One hundred.]．

数字3.还显示，几乎每年在会议上发表的论文数量比其他渠道更重要。此外，数字4.结果表明，54%的选定论文在会议上发表，40%在期刊上发表。最后，只有4%在研讨会上发表，2%在研讨会上发表。会议论文的高比例是因为研究人员通常在会议上首先报告他们的主要结果，然后在n验证后的期刊文章[101,102]因此，关于智能移动应用主题的研究尚未达到所需的成熟度，它们仍有几个轴可供取用。此外，在期刊上发表的论文百分比表明，有一些经过验证的结果可在未来的工作中加以利用。

表格9显示至少有两项选定研究发表的出版物来源。因此，最常见的出版物来源是“计算机科学讲稿”，占16.9%，其次是“普及和普适计算ACM国际联合会议”，占4.23%。最后，我们发现“学习技术IEEE交易”、“高级学习技术国际会议”、“个人和普适计算”、“Promedia计算机科学”和“信息社会中的普遍接入”所有这些出版物来源都被认为具有高排名，反映了大多数选定研究的高质量。

3.3.RQ2：在选定的论文中采用了哪些研究类型？

数字5.调查显示，ER (Evaluation Research)是最被采用的研究类型，占44%，其次是SP (Solution Proposal)，占26%，VR (Validation Research)，占24%。最后采用PP(哲学论文)的研究类型较少，占6%。

ER更占优势，这意味着一些研究已经提出了最终的解决方案，并在实践中进行了评估和试验。这些研究可以在未来的SLR工作中进行深入的回顾。与ER一样，VR也具有相关性，可以在未来的单反研究中加以考虑。在后续工作中必须忽略其他研究类型[14]．SP、VR和PP的共显性对ER不利，反映了大多数提出的解决方案没有在真实环境中实施或实验。SP工作提出尚未试验的已实施的解决方案。然而，VR提出了新的实施和经验丰富的解决方案;然而，实验是通过模拟、原型或实验室实验来实现的。最后，PP作品提出了一个新的概念性框架解决方案，该方案还没有实现或经历[16,17].ER工程已经试验和验证；这就是它们在期刊和会议上平等发表的原因，如图所示6.．数字6.也表明SP和VR经常在会议上发表。这是因为这些工作首先在会议上作为主要结果报告，然后在验证后合成并在期刊上报告[101,102]．

3．4．RQ3:哪些领域是入选论文的目标?

数字7.显示，每年专注于某一特定领域的论文总数要大于一般性论文。此外，只有22%的被选论文提出了可应用于多个领域的通用解决方案，78%的论文针对特定领域。因此，我们注意到研究人员越来越关注具体领域。数字8.显示了所选论文中采用的应用领域的差异。它表明，最有针对性的应用领域是电子学习（占24%）和电子健康（占17%）。

e-Learning和e-Health移动应用的主导地位可以解释为，与其他领域相比，它们对消费者和企业具有巨大的社会和经济影响。他们创造了更好的生活条件[103]．电子学习的移动应用程序提供了访问适应用户需求和学习速度的高质量教育资源和教育内容的可能性。电子健康的移动应用代表了一种创造性的解决方案，以尤其是新兴国家的更多人带来医疗保健服务[103]．

3．5．RQ4:选定的论文针对哪些背景?

数字9显示47%的选定研究是在学术背景下进行的，35%是由组织资助的，17%是由政府机构采用的，只有1%的选定研究是在工业背景下进行的。数字10显示在过去4年中 多年来，所有研究都是在学术背景或组织背景下进行的，除了两项研究是在政府背景下进行的。图10研究还表明，在组织背景下进行的研究开始比学术研究更频繁。此外，在过去几年中，由组织资助的研究越来越占主导地位。

各组织(公司、企业)日益意识到移动技术作为实现经济和人类发展的创新解决方案的重要性，这可以解释各组织(公司、企业)资助的项目越来越多的原因。所以他们资助了移动技术领域的许多研究和开发项目[103]．工业企业对硬件和基础设施方面更感兴趣，而不是软件工程方面，这解释了由工业企业资助的少数研究。最后，关于政府资助的工程数目，可以用以下事实来解释:政府在采用和使用流动技术方面的开支没有达到预期的经济和社会期望[103]．

3.6。RQ5:移动设备会收集哪些类型的数据?

数字11结果显示，从移动用户收集到的情境数据最多，占42%，其次是交互数据33%，profile数据13%，偏好数据8%，反馈数据4%。但必须强调的是，在同一项工作中，可能会从移动用户那里收集到几种类型的数据。

上下文和交互数据是最常用的，因为它们提供了关于移动用户的动态数据。它们可以帮助用户做出最适合当前上下文的决策，并结合用户之前的操作。上下文数据提供有关用户当前状态(身份、健康状态、精神状态、身体状态、心理状态等)和环境(位置、时间、当前活动等)的信息。然而，交互数据提供了关于用户之前操作的信息(应用咨询历史、通知历史、使用日志、点击等)，这有助于预测用户未来的操作。个人资料和偏好数据通常提供关于用户的静态信息，有助于对用户有一个初步的了解，而不考虑上下文和交互数据，这在开始使用移动应用时是不可获得的。最后，反馈数据在与用户进行交互时并不是非常重要，因为在应用程序维护中通常会考虑到它们。

3.7.RQ6：哪些机器学习模型、数据挖掘任务和技术用于分析移动数据？

数字12结果表明，监督学习是最常用的机器学习模型，占论文总数的73%；然而，11%的人使用了无监督学习，4%的人使用了强化学习，1%的人使用了主动学习。最后，11%的论文没有使用任何机器学习模型。图形13表明，每年在选定的研究中，SL是最占优势的模型。此外，它还表明，在智能移动应用程序开发中，没有使用UL技术，有非常温和的尝试引入UL、RL和AL技术。

随着大多数所选研究使用了监督学习模型，图14显示分类是最常用的数据挖掘任务，占66%，其次是聚类，占16%，回归，占13%。最后，关联任务位于最后一个范围内，占5%。

表格10介绍在选定的论文中多次使用的数据挖掘技术。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学习的,和AR在他们每个人的3个研究中使用，最后是RF和LR在他们每个人的2个研究中使用。

我们得出结论，SL模型（特别是分类任务）的使用是一种自然现象，因为在大多数情况下，一些作品试图对用户进行分类，以便了解如何根据用户的个人资料、偏好、上下文或动作与他们交互。此外，SL算法因其简单性而为人所知，因为它们试图从训练数据集中学习，以找到在输入和期望输出之间结合的模型；此外，输入和期望输出数据都是预先知道的；因此，纠正结果的人工干预是最小的[23,24]．最后，许多SL服务现在可以在云上使用，以促进ML算法在移动应用程序中的集成[27]．

在许多情况下，在数据准备阶段使用UL任务进行数据探索或数据维缩减。通常情况下，在使用SL算法进行预测任务之前，先使用UL任务;此外，它需要比SL任务更多的干预来纠正所获得的结果[23,24]．

RL算法用于移动设备中，通过为特定情况或事件找到合适的操作来实现某些任务的自动化。它们特别用于能耗预测、内存分配预测和移动应用程序使用预测（预测用户与移动应用程序交互时的操作）。通过与SL和UL进行比较，由于其复杂性，它们较少使用[23,27]．

AL任务是移动应用中使用的较少，因为它们在存在具有巨大数据集的情况下使用，其中有很多标记的培训数据。在这种情况下，标签预测难以或昂贵以获得[23,26]．

4.对研究人员和从业人员的启示

本节对从选定论文提取的数据分析中推导的研究人员和从业者提出了一些影响和建议。

4．1.RQ1

尽管通过定义的搜索字符串返回的论文数量很重要，但在选择过程的每个级别上都有大量被排除的论文。这主要是因为移动网络、车载人机交互、机器人编程等许多研究轴与移动应用开发有着相同的词汇。因此，研究人员必须用属于软件工程词汇表的术语清楚地定义他们工作的目的。此外，许多被排除的论文描述不够，也没有提供足够的细节，以帮助促进选择过程。因此，研究人员必须更加努力地综合他们的工作，确保一个可接受的科学可信度水平，这将有助于正确地评估工作的质量。

4．2．RQ2和RQ3

致力于开发智能移动应用程序的研究人员和开发人员越来越专注于电子学习和电子健康等特定领域，这是以通用解决方案为代价的。每个领域都有自己的特性和约束，验证更通用的解决方案比验证聚焦于特定领域的解决方案更困难，这可以解释这种方向。因此，在选定的论文中，大多数通用解决方案都没有经过验证。因此，建议今后的工作也应采取这种针对特定应用领域的方向。

4．3．RQ4

大多数选定的研究是在学术和组织背景下进行的;因此，研究人员和开发人员仍需付出更多努力，对提出的解决方案进行验证和标准化，以鼓励行业和政府采纳并资助智能移动应用领域的更多研究。

4.4。RQ5和RQ6

对于大多数选定的研究来说，选择ML技术而不是另一种技术并不总是合理的。此外，许多作品使用的技术很容易实现，但不一定有效。例如，RBC是第二常用的技术，以其易于实现和解释而闻名，但它在质量方面不是最好的[23,24]．因此，强烈建议研究人员在ML技术方面做出更多努力证明他们的选择。另一方面，所有研究都不明确显示应用中采用的逻辑的性质。例如，纯粹的用户导向的应用程序与其他用户分开地改变其逻辑。基于轻量级的用户导向的应用程序更改其逻辑以使全局适应性没有区别。因此，两种情况下的实施智能是不一样的。首先，数据大小不一样;其次，收集数据的性质不相同（第二种情况下的动态和实时数据和第二种情况下的静态和非实时数据）;第三，ML任务和技术不一样;最后，实时适应程度不一样。 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.

5.研究的局限性

许多研究轴与移动应用程序开发共享相同的词汇，如移动网络、车辆人机界面交互和机器人编程。因此，根据定义的搜索字符串返回的论文的包含/排除，很难做出正确的关键词。因此，很多论文可能因为缺乏可信的关键词或精确的描述而被排除在外。此外，由于被索引的数据库返回的论文数量巨大，我们将搜索限制在最可靠的数据库[19]．

6.结论和未来研究

ML提供了从大型数据集中提取知识的有前途的技术；目标是获得有助于开发智能应用程序的模式和模型，这些智能应用程序将从收集的有关用户上下文、概要文件和交互的数据中学习。一些研究试图将ML集成到移动领域，以提供智能移动应用。尽管如此，我们并没有一个关于在移动应用程序设计和开发中使用了哪些技术以及如何利用这些技术的概述。

本文的目的是定义移动应用程序设计和开发中应用的ML技术主题的研究现状。为此，我们进行了一项系统的映射研究，主要目的是回答表中提出的研究问题1.．根据年份、来源和发表渠道、研究类型和方法、收集数据的种类等标准，共选取60项研究进行分析，最终采用ML模型、任务和技术。

结果表明，论文发表量的年均增长率为25%。这些论文发表在不同的期刊上，并在有关计算机科学和软件工程领域的几次会议上发表。评价搜索是更主要的研究类型。电子学习和电子健康是最有针对性的应用领域。大多数研究都是在学术背景下进行的。上下文和交互数据是从移动用户收集的最多的数据。三分之三的论文使用了监督学习模型和更具体的分类任务。基于规则的分类器是最常用的ML技术。

大多数研究都是在学术背景下进行的，这反映出要么主题对政府和企业没有吸引力，要么获得的结果在实际环境中应用太困难。因此，我们建议在移动环境下努力开发支持ML技术应用的标准化和命题工具。

大多数研究密切依赖于应用领域，因为每个领域在收集数据的类型和分析目标方面都有自己的特殊性。此外，如果通用解决方案没有应用于特定领域，则无法对它们进行评估。因此，未来的研究必须针对具体的应用领域。

在大多数情况下，SL技术用于根据用户上下文或/和概要文件的功能对用户进行分类。这用于调整应用程序的行为或界面以适应用户。但对于大多数选定的研究来说，选择ML技术并不总是合理的。因此，研究人员必须做出更多的尝试，引入其他ML方法，并评估它们在移动环境中的性能，特别是那些更适应移动动态环境的方法。例如，RL技术以其从用户行为中学习的能力而闻名，它可以在不需要任何训练数据集的情况下自动做出实时决策，以最大化用户满意度。

我们未来的研究将奉献到实现系统的文献综述（SLR），这将对所有选定的研究进行深入分析，除了最​​近在智能移动应用程序设计和开发主题出版的研究外，还向所有选定的研究进行了深入分析。

的利益冲突

提交人声明他们没有关于本文的出版物的利益冲突。

参考文献

1. J.Clement，“从2015年第一季度到2019年第二季度，全球苹果应用商店和谷歌play应用下载量的总和（以十亿计）”，2019年，https://www.statista.com/statistics/604343/number-of-apple-app-store-and-google-play-app-downloads-worldwide/．视图:谷歌学者
2. D.Reinsel、J.Gantz和J.Rydning，数据年龄2025：数据的演变到终身危重。不要专注于大数据，希捷，库珀蒂诺，加利福尼亚州，美国，2017年。
3. J. Dehlinger和J. Dixon，“移动应用软件工程：挑战和研究方向”2011年移动软件工程研讨会论文集，第29-32页，加利福尼亚州圣莫尼卡，美国，2011年10月。视图:谷歌学者
4. T.Wasserman，“移动应用程序开发的软件工程问题”，年软件工程研究未来的FSE/SDP研讨会论文集，美国新墨西哥州圣达菲，2010年11月。视图:谷歌学者
5. B.Königries，“移动应用程序开发中的挑战，”资讯科技及资讯科技第51卷第1期2，第69-71页，2009。视图:出版商的网站|谷歌学者
6. A.Hammershøj、A.Sapuppo和R.Tadayoni，“移动应用程序开发的挑战”，摘自2010年第14届国际下一代网络情报会议论文集，页1-8，柏林，德国，2010。视图:谷歌学者
7. J. Kiseleva, K. Williams, A. Hassan等人，“预测用户对智能助手的满意度”第39届国际信息检索研究与发展学术会议论文集，第45-54页，ACM, 2016。视图:谷歌学者
8. J.Kisleva，K.Williams，J.Jiang等人，“通过智能助手了解用户满意度”，年2016年ACM人类信息交互与检索会议记录，pp.121-130，ACM，比萨，意大利，2016年7月。视图:谷歌学者
9. 韩世华、金国杰、尹明华和金志浩，“识别对用户满意度至关重要的手机设计功能，”制造业和服务业的人因与工效学，第14卷，第1期，第15-29页，2004年。视图:出版商的网站|谷歌学者
10. A. Tarute, S. Nikou和R. Gatautis，“移动应用驱动的消费者参与”，远程信息处理和信息第34卷第3期4, pp. 145-156, 2017。视图:出版商的网站|谷歌学者
11. R.S.H.Istepanian和T.Al-Anzi，“m-Health 2.0：移动健康、机器学习和大数据分析的新视角，”方法，第151卷，第34-40页，2018年。视图:出版商的网站|谷歌学者
12. J. C. T. Diaz, A. I. Moro, P. V. T. Carrión，《移动学习:视角》，高等教育技术国际期刊，第12卷，第2期1, pp. 38-49, 2015。视图:谷歌学者
13. K. Pousttchi, D. Tilson, K. Lyytinen，和Y. Hufenbach，“移动商务特刊简介:移动商务研究昨天，今天，明天——还有什么要做的?”国际电子商务杂志，第19卷，第4期，第1-20页，2015年。视图:出版商的网站|谷歌学者
14. 邓颖，《移动设备上的深度学习:综述》移动多媒体/图像处理、安全与应用论文集2019，第10993卷，马里兰州巴尔的摩，美国，2019年4月。视图:谷歌学者
15. K. Petersen，R.Feldt，S. Mujtaba和M. Mattsson，“软件工程系统的系统映射研究”第12届软件工程评价与评估国际会议论文集，第12卷，第1-10页，意大利巴里，2008年6月。视图:谷歌学者
16. K. Petersen, S. Vakkalanka，和L. Kuzniarz，“在软件工程中进行系统制图研究的指导方针:更新，”信息和软件技术，第64卷，第1-18页，2015年。视图:出版商的网站|谷歌学者
17. B.Kitchenham和S.Charters，在软件工程中进行系统文献回顾的指南，基尔大学，基尔，英国，2007年。
18. a . Kofod-Petersen如何在计算机科学中进行结构化文献综述亚历山德拉研究所，哥本哈根，丹麦，2012。
19. B.Kitchenham、O.P.Brereton、D.Budgen、M.Turner、J.Bailey和S.Linkman，“软件工程中的系统文献综述——系统文献综述，”信息和软件技术第51卷第1期1，第7-15页，2009。视图:出版商的网站|谷歌学者
20. B.基奇纳姆，进行系统审查的程序，第33卷，基尔大学，基尔，英国，2004。
21. H. Zhang，M. A. Babar和P. Tell，“识别软件工程中的相关研究”信息和软件技术，第53卷，第53期6, pp. 625-637, 2011。视图:出版商的网站|谷歌学者
22. R. Wieringa, N. Maiden, N. Mead, and C. Rolland，“需求工程论文分类和评价标准:建议和讨论，”需求工程，卷。11，不。1，pp。102-107，2006。视图:出版商的网站|谷歌学者
23. 马斯兰，机器学习:算法视角，查普曼和霍尔/CRC, Boca Raton，佛罗里达州，美国，2011。
24. 韩、裴和坎伯，数据挖掘:概念和技术， Elsevier，阿姆斯特丹，荷兰，2011。
25. X.朱和X. Jerry，半监督学习文献调查威斯康星大学麦迪逊分校计算机科学系，麦迪逊，威斯康星，2005。
26. B.定居，积极学习文学调查威斯康星大学麦迪逊分校计算机科学系，麦迪逊，威斯康星，2009。
27. L. P. Kaelbling, M. L. Littman, a . W. Moore，《强化学习:一项调查》，人工智能研究杂志，第4卷，第237-285页，1996。视图:出版商的网站|谷歌学者
28. H. Cao，“移动教学的智能语音交互模型”2019年智能交通、大数据和智慧城市国际会议论文集，第170-1732019页。视图:谷歌学者
29. M. Theilig, J. J. Korbel, G. Mayer, C. Hoffmann，和R. Zarnekow，“利用环境数据和机器学习提高移动健康接受度”，IEEE访问，第7卷，第179823-179841199页。视图:出版商的网站|谷歌学者
30. 杨志强、雷迪、凯西迪和金菲，“无成瘾——一款智能连接的复吸干预手机应用”，摘自2019年ACM国际会议文集系列，第202-205页，奥地利维也纳，2019年8月。视图:谷歌学者
31. M. Y.Gheraibia和C. Gouin-Vallerand，“智能货运的智能货运的推荐系统框架”2019年ACM国际会议文集系列，第219-2222019页。视图:谷歌学者
32. 吴颖，张建军，董强，“基于SDAE的语音错误检测与诊断方法及其在移动学习中的应用”2019年ACM国际会议文集系列，第176-180页，2019。视图:谷歌学者
33. 沈振华，杨凯，杜伟，赵旭东，“基于深度强化学习的移动应用使用预测框架”，《科技导报》Sensys 2019-嵌入式网络传感器系统第17次会议的常规，第153-165页，纽约，美国纽约。, 2019年11月。视图:谷歌学者
34. Q.刘，J.Huang，L. Wu，K.Zhu和S. BA，“CBET：对移动学习的域特定的聊天聊天设计和评估”信息社会的普遍获取，第1-19页，2019。视图:谷歌学者
35. O.Vélez Langs和I.Caicedo Castro，“增强移动电子学习的推荐系统”，年计算机科学课堂讲稿（包括人工智能子系列课堂讲稿和生物信息学课堂讲稿），卷。11786，Springer，柏林，德国，2019年。视图:谷歌学者
36. J. C. Lock, A. G. Tramontano, S. Ghidoni，和N. Bellotto，“ActiVis:移动物体检测和视觉障碍的人的主动指导，计算机科学课堂讲稿（包括人工智能子系列课堂讲稿和生物信息学课堂讲稿），卷。11752，Springer，柏林，德国，2019年。视图:谷歌学者
37. K. Alikhademi等人，“基于人工智能的设计移动决策辅助技术方法”，计算机与信息科学中的通信，第1033卷，第163-169页，2019。视图:出版商的网站|谷歌学者
38. O. Celiktutan和Y. Demiris，“从移动学习环境中的眼睛凝视推断出人的知识，”计算机科学课堂讲稿（包括人工智能子系列课堂讲稿和生物信息学课堂讲稿），卷。11134，PP。193-209，Springer，柏林，德国，2019年。视图:谷歌学者
39. B.-J。Ho, B. Balaji, M. Koseoglu，和M. Srivastava，“培养:在正确的时间使用强化学习通知用户”美国计算机协会普适和泛在计算国际联合会议论文集2018年，美国华盛顿州西雅图市。视图:谷歌学者
40. D.Murad、R.Wang、D.Turnbull和Y.Wang，“Slions”，在ACM多媒体会议论文集，首尔，韩国，2018年。视图:谷歌学者
41. M.Constantinides和J.Dowell，“移动新闻阅读行为的交互驱动用户建模框架”，年2018用户建模、自适应和个性化会议论文集，哈利法克斯，加拿大，2018。视图:谷歌学者
42. M. Esposito, A. Minutolo, R. Megna, M. Forastiere, M. Magliulo，和G. De Pietro，“用于个人健康监测的智能移动、自配置、情境感知架构”，人工智能的工程应用，第67卷，第136-156页，2018。视图:出版商的网站|谷歌学者
43. C. Pu, Z. Wu, H. Chen, K. Xu, J. Cao，“移动应用程序的顺序推荐:用户下一个应用程序会点击什么?“在2018年IEEE网络服务国际会议记录2018年7月，美国加州旧金山。视图:谷歌学者
44. J. Hussain, A. U. Hassan, H. S. M. Bilal等人，“基于上下文和用户体验评估的模型自适应用户界面”，多模式用户界面杂志，第12卷，第1期，第1-16页，2018年。视图:出版商的网站|谷歌学者
45. R. Fallahzadeh, B. Minor, L. S. Evangelista, D. J. Cook，和H. Ghasemzadeh，“移动传感改善药物依从性”2017年ACM/IEEE传感器网络信息处理国际会议论文集2017年4月，美国宾夕法尼亚州匹兹堡市。视图:谷歌学者
46. Y.Francillette、A.Gouaich和L.Abrouk，“移动游戏的自适应游戏性”，年IEEE计算智能与游戏会议论文集，美国纽约，2017年8月。视图:谷歌学者
47. Hei Y. T. Kit N. C. Kit和V. Ng，“一款为家长提供智能报警的禁毒移动应用程序”应用系统创新国际会议记录，日本札幌，2017年5月。视图:谷歌学者
48. K.Kabassi、M.Virvou和E.Alepis，“使用HPR和MAUT的组合对移动环境中的用户行为进行推理”，在信息，情报，系统和应用（IISA）国际会议诉讼程序，拉纳卡，塞浦路斯，2017年8月。视图:谷歌学者
49. M.Abusair，“移动计算中用户和分析驱动的上下文感知软件开发”，年2017软件工程基础联席会议论文集， 2017年9月，德国帕德伯恩。视图:谷歌学者
50. 秦志伟、谭春华和T.克莱门森，“情境意识和移动人机交互：含义、挑战和机遇，”计算机科学课堂讲稿（包括人工智能子系列课堂讲稿和生物信息学课堂讲稿），施普林格，柏林，德国，2017。视图:谷歌学者
51. G. Spanakis，G. Weiss，B. Boh，L. Lemmens和A. Roefs，“饮食行为的机器学习技术”饮食行为电子教练：泛化与个性化之间平衡，“个人和普适计算，第21卷，第4期，第645-659页，2017年。视图:出版商的网站|谷歌学者
52. V. P. Gonçalves, V. P. de Almeida Neris, S. Seraphini等人，“提供针对老年人的自适应智能手机界面:一种考虑到老年人多样性的方法，”信息社会的普遍获取，第16卷，第5期。1，页129-149,2017。视图:出版商的网站|谷歌学者
53. Q.杨，J.齐默尔曼，A.斯坦菲尔德和A. Tomasic，《线框规划时的自适应移动体验》，在2016年ACM交互系统设计会议纪要，澳大利亚布里斯班，2016年6月。视图:谷歌学者
54. F. Barata, T. Kowatsch, P. Tinschert, and A. Filler，“个人移动教练”，在2016年ACM普适和泛在计算国际联合会议论文集，德国海德堡，2016年9月。视图:谷歌学者
55. M.Hashemi和J.Herbert，“使用BaranC框架的下一个应用程序预测服务”，在计算机软件与应用年会论文集2016年6月，美国佐治亚州亚特兰大。视图:谷歌学者
56. B. Deka, Z. Huang, R. Kumar，“ERICA:交互挖掘移动应用”，出版用户界面软件和技术年度研讨会论文集2016年10月，日本东京。视图:谷歌学者
57. S.Raheel，“在移动应用程序中使用智能自适应用户界面改善用户体验”，摘自IEEE国际工程技术多学科会议论文集，第64-68页，黎巴嫩贝鲁特，2016年11月。视图:谷歌学者
58. M.Abech、C.A.da Costa、J.L.V.Barbosa、S.J.Rigo和R.da Rosa Righi，“基于移动和上下文感知计算的学习对象自适应模型，”个人和普适计算，第20卷，第2期。2, pp. 167-184, 2016。视图:出版商的网站|谷歌学者
59. A.Mehrotra、M.Musolesi、R.Hendley和V.Pejovic，“为移动应用程序设计内容驱动的智能通知机制”，年美国计算机协会普适和泛在计算国际联合会议论文集， 2015年9月，日本大阪。视图:谷歌学者
60. a . Katmada, M. Chatzakis, H. Apostolidis, a . Mavridis，和S. Panagiotis，“一个使用移动版本的生物反馈设备的适应性严肃神经游戏”交互移动通信技术和学习国际会议论文集，希腊塞萨洛尼基，2015年11月。视图:谷歌学者
61. 陈耀宁、孙明明、A.I.Rudnicky和A.Gershman，“利用移动应用程序的行为模式进行个性化口语理解”，年2015年多式联运国际会议记录，美国华盛顿州西雅图，2015年11月。视图:谷歌学者
62. S. Kim, E. Hong, B. Park，和H. Park，“基于机器学习的用户定制服务提供商框架”普适网络和未来网络国际会议记录，日本札幌，2015年7月。视图:谷歌学者
63. L. Torok, M. Pelegrino, D. G. Trevisan, E. Clua和A. Montenegro，“利用机器学习适应游戏玩法和用户行为的手机游戏控制器。”计算机科学课堂讲稿（包括人工智能子系列课堂讲稿和生物信息学课堂讲稿），斯普林格，柏林，德国，2015年。视图:谷歌学者
64. R. Morales, B. Igler, S. Böhm，和P. Chitchaipoka，“情境感知移动语言学习”，计算机科学百科全书，第56卷，第82-87页，2015年。视图:出版商的网站|谷歌学者
65. Zhu，E.Chen，H.Xiong，K.Yu，H.Cao和J.Tian，“挖掘移动用户偏好进行个性化上下文感知推荐，”美国计算机学会智能系统与技术汇刊，第5卷，第5期。4, pp. 1-27, 2014。视图:出版商的网站|谷歌学者
66. R.Mizuni、M.A.Matar、Z.Al Mahmoud、S.Alzahmi和A.Salah，“上下文感知自适应移动应用程序SPL的框架，”专家系统与应用号，第41卷。16, pp. 7549-7564, 2014。视图:出版商的网站|谷歌学者
67. M. Jovanovic，D. Starcevic和Z. Jovanovic，“桥接用户上下文和设计模型构建自适应用户界面”以人为中心的软件工程国际会议录，斯普林格，帕德伯恩，德国，2014年9月。视图:出版商的网站|谷歌学者
68. M. Schedl，G.Breitchopf和B.Ionescu，“移动音乐天才”2014年国际多媒体检索会议论文集，达拉斯，德克萨斯州，美国，2014。视图:谷歌学者
69. R. Alnanih，O. Ormandjieva和T. Radhakrishnan，“医疗保健中智能移动用户界面的实证评估”计算机科学课堂讲稿（包括人工智能子系列课堂讲稿和生物信息学课堂讲稿），春天，柏林，德国，2014年。视图:谷歌学者
70. G. Zimmermann, G. C. Vanderheiden和C. strobe，“朝向深度适应性——一个开发完全上下文敏感的用户界面的框架，”计算机科学课堂讲稿（包括人工智能子系列课堂讲稿和生物信息学课堂讲稿），春天，柏林，德国，2014年。视图:谷歌学者
71. B. Lamche，“探索性移动推荐系统的主动学习策略”2014年检索和推荐中的上下文意识研讨会论文集2014年1月，荷兰阿姆斯特丹。视图:谷歌学者
72. R.Jain，J.Bose和T.Arif，“android设备的上下文自适应用户界面”，摘自2013年IEEE印度年会论文集印度孟买，2013年12月。视图:谷歌学者
73. M. Nivethika, I. Vithiya, S. Anntharshika，和S. Deegalla，“个性化和自适应的移动应用用户界面框架”2013国际计算机、通信和信息学进展会议论文集2013年8月，印度迈索尔。视图:谷歌学者
74. 王文健，张晓军，傅晓军，郑晓军，“智能信息处理和数据挖掘在移动学习中的应用”，年2013年智能网络与智能系统国际会议论文集2013年11月，中国沈阳。视图:谷歌学者
75. W. Budiharto, R. N. Rachmawati, M. Y. Ricky，和P. C. B. Rumondor，“手机应用适应性游戏的心理方面和执行”认识科学和技术与Ubi媒体计算国际联合会议记录，Aizu Wakamatsu，日本，2013年11月。视图:谷歌学者
76. E. Vildjiounaite, D. Schreiber, V. Kyllönen, M. Ständer, I. Niskanen, J. Mäntyjärvi，“用分类器选择方法预测界面偏好”，多模式用户界面杂志，第7卷，第4期，第321-3492013页。视图:出版商的网站|谷歌学者
77. R.Alnanih，O.Ormandjieva和T.Radhakrishnan，“mHealth中移动用户界面的基于上下文和基于规则的适应，”计算机科学百科全书， vol. 21, pp. 390-397, 2013。视图:出版商的网站|谷歌学者
78. 张军，唐慧，陈东，张骞，“压力监测:移动和远程压力监测、缓解和管理平台”IEEE全球电信会议论文集2012年12月，美国加利福尼亚州阿纳海姆市。视图:谷歌学者
79. A.Al Hmouz，J.Shen，R.Al Hmouz和J.Yan，“用于移动学习的自适应神经模糊推理系统（ANFIS）的建模和仿真，”IEEE学习技术汇刊，第5卷，第5期。3，页226-237,2012。视图:出版商的网站|谷歌学者
80. S.Gómez、P.Zervas、D.G.Sampson和R.Fabregat，“通过移动设备提供自适应和上下文感知的教育场景”，年国际先进学习技术会议论文集2012年7月，意大利罗马。视图:谷歌学者
81. M. Virvou, E. Alepis，和C. Troussas，“一个使用机器学习指导多种语言的移动专家系统”教育中电子学习和电子技术会议的诉讼程序2012年9月，波兰罗兹。视图:谷歌学者
82. M.Gil和V.Pelechano，“利用用户反馈适应移动交互的突兀性，”计算机科学课堂讲稿（包括人工智能子系列课堂讲稿和生物信息学课堂讲稿），春天，柏林，德国，2012年。视图:谷歌学者
83. N. Lathia, L. Capra，和D. Magliocchetti，“个性化移动旅行信息服务”，社会与行为科学，第48卷，第1195-1204页，2012。视图:出版商的网站|谷歌学者
84. H. Lee, Y. S. Choi和Y. Kim，“基于时空结构学习的自适应用户界面”，IEEE通讯杂志，第49卷，第49期。6，页118-124,2011。视图:出版商的网站|谷歌学者
85. B. Harrison和D. L. Roberts，“使用顺序观察来建模和预测玩家行为”数字游戏基础国际会议论文集，第91-98页，法国波尔多，2011年7月。视图:谷歌学者
86. A. Al-Hmouz, J. Shen, J. Yan，和R. Al-Hmouz，“使用ANFIS建模移动学习系统”，在国际先进学习技术会议论文集2011年7月，美国佐治亚州雅典。视图:谷歌学者
87. M.A.Razek和H.J.Bardesi，“走向自适应移动学习系统”，年混合智能系统（他）国际会议议程，马来西亚马六甲，2011年12月。视图:谷歌学者
88. “移动学习环境中满足用户多样化需求的个性化学习内容适配机制”，用户建模和用户适应交互，第21卷，第1-2期，第5-49页，2011年。视图:出版商的网站|谷歌学者
89. J. L. J. J. L. Wesson, A. Singh, B. van Tonder, B. van Tonder，和B. van Tonder，“自适应界面能提高移动应用程序的可用性吗?”人机交互，施普林格，柏林，德国，2010。视图:谷歌学者
90. W.Paireekreng和K.W.Wong，“使用智能用户配置文件方法进行移动内容个性化”，摘自国际知识发现和数据挖掘会议的诉讼程序，华盛顿特区，美国，2010年。视图:谷歌学者
91. O.Krejcar，“移动用户自适应系统框架中的自适应类型，”计算机科学、社会信息和电信工程研究所的课堂讲稿，施普林格，柏林，德国，2010。视图:谷歌学者
92. E.Martin和R.M.Carro，“支持移动自适应学习环境的开发：案例研究，”IEEE学习技术汇刊，第2卷，第2期1，第23-36页，2009。视图:出版商的网站|谷歌学者
93. Y.Kim和S.Cho，“使用贝叶斯行为预测的手机用户推荐代理”，在移动普适计算、系统、服务和技术国际会议记录，斯莱马，马耳他，2009年。视图:谷歌学者
94. A.Al Hmouz，J.Shen和J.Yan，“基于机器学习的自适应移动学习框架，”计算机科学课堂讲稿（包括人工智能子系列课堂讲稿和生物信息学课堂讲稿），施普林格，柏林，德国，2009。视图:谷歌学者
95. V.Glavinic、S.Ljubic和M.Kukec，“关于移动界面导航自适应算法的效率，”计算机科学课堂讲稿（包括人工智能子系列课堂讲稿和生物信息学课堂讲稿），施普林格，柏林，德国，2009。视图:谷歌学者
96. P. Nurmi, a . Forsblom, P. Floréen, P. Peltonen，和P. Saarikko，“移动购物助手的预测性文本输入”国际智能用户界面会议论文集，西班牙，大加那利岛，2008年。视图:谷歌学者
97. M.Hartmann和D.Schreiber，“针对移动设备的个人用户主动调整界面，”计算机科学课堂讲稿（包括人工智能子系列课堂讲稿和生物信息学课堂讲稿），施普林格，柏林，德国，2008。视图:谷歌学者
98. M. V. A. Bonto-Kane，“设计智能移动设备接口的正式计算模型的使用”与移动设备和服务的人力计算机互动国际会议诉讼程序2007年，西班牙巴塞罗那。视图:谷歌学者
99. V. Garousi和M. V. Mäntylä，“软件工程中的引文、研究主题和活跃国家:文献计量学研究”，计算机科学评论，第19卷，第56-77页，2016。视图:出版商的网站|谷歌学者
100. G.朱，D.刘，Y.Du，C. You，J. Zhang和K. Huang，“朝着智能优势：无线通信符合机器学习”IEEE通讯杂志，卷。58，不。1，pp。19-25,2020。视图:出版商的网站|谷歌学者
101. M. Shaw，“写好的软件工程研究论文”第25届国际软件工程会议论文集，pp.726-736，IEEE，波特兰，俄勒冈州，2003年。视图:谷歌学者
102. B. Happell，《从会议报告到期刊出版:指南》护士研究员，第15卷，第5期。2、2008。视图:出版商的网站|谷歌学者
103. J.Bezerra，W.Bock，F.Candelon等人。，移动革命：移动技术如何带来万亿美元的影响，波士顿咨询集团，波士顿，马萨诸塞州，美国，2015年。

版权

版权所有©2020 Taoufik Rachad和Ali Idri。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。