基于數據挖掘的智能手機成癮輔助研究

趙文豪 胡曄明 夏建軍

摘 要： 智能手機帶來了便利，也存在危害，手機成癮問題已經引起社會的關注。文章提出一種針對手機成癮用戶的K-means輔助研究方法。將使用時間抽象出來，將手機使用時間與使用次數相結合進行研究，將成癮用戶根據不同原因分成為四類。對每類用戶進行不同方法研究，以便對其進行針對性的幫助。

關鍵詞： 手機成癮； 聚類； K-means； 數據挖掘

中圖分類號：TP391 文獻標志碼：A 文章編號：1006-8228（2018）07-17-04

Abstract： Smart phone has brought people the convenience but also the harm， the problem of addiction of smart phone has attracted the attention of the society. This paper proposes a research method of K-means clustering for the addiction users of smart phone. The use time of smart phone is abstracted， the use time and use number of smart phone are combined to study the addiction users， and the addiction users are classified to four categories according to the different reasons. Different type of users is studied with different method so as to help them in a targeted way.

Key words： addiction of smart phone； clustering； K-means； data mining

0 引言

據統計，2017年上半年智能手機的用戶規模已經達到了6.55億人，智能手機的出貨量也呈現出逐年遞增的趨勢。智能手機擁有極高的普及率，在日常生活中擁有和使用手機的人數遠遠超過其他電子產品。此外，未成年人群體雖然不具有較高的購買能力，但持有智能手機的未成年人數量不斷增多。手機成癮現象日趨普遍。本文研究的重點在于：根據用戶日常使用手機，將使用時間與使用次數抽象成統一的度量單位，對用戶進行分類，試圖通過分類，能夠做出有針對性的解決方案。

1 手機成癮現狀

智能手機不僅便于攜帶，美觀時尚，且操作簡單，功能多樣，吸引著未成年人以及成年人。智能手機已成為人們日常生活中的重要部分，并深刻改變著人們的生活方式。隨之而來的問題是，智能手機成癮現象十分嚴重。據BBC報道，有關人員在韓國約1000名學生的調查發現，72%的學生在11歲或12歲時就有了一部智能手機，他們平均每天花5.4小時在手機上。其中四分之一的孩子被認為對智能手機上癮。不僅是未成年人，由于控制力不強導致手機成癮，大部分成年人也在社交、娛樂等方面對智能手機產生了過度依賴。

Flurry機構曾對來自13億臺移動設備、50萬個應用數據進行了分析。如圖1所示，我們可以很清楚的發現，2014年相比于2013年，一年時間內的智能手機成癮者從7900萬上升到1.76億人次。以一天八小時睡眠，每天打開應用60次計算，平均每個智能手機使用者一小時要打開手機應用3.75次（每16分鐘打開一次）。當下智能手機成癮狀況不容樂觀，故協助或幫助手機成癮用戶是非常有必要的。

本文將數據挖掘領域與智能手機成癮問題結合，力求尋找該問題的解決方法。在研究過程中，不僅將用戶分為成癮者與非成癮者，還將成癮者根據不同原因進一步分類。我們將采用K-means算法對用戶進行聚類，根據智能手機使用者不同的成癮原因尋求相對應的解決方法，從而對各類手機成癮者實施合理有效的干預與幫助。

2 相關工作

2.1 手機成癮研究

目前在手機成癮方面的研究基本上局限于提出問題、分析原因。很少有研究者能夠切實關注到解決問題上，采用數據挖掘的方法進行研究更是少數[1-2]。有很多文章都是對大學生成癮問題進行分析，成癮問題沒有得到解決[3]。分析表明青少年網絡成癮與智能手機成癮成正比，根據詳盡數據分析，得出了互聯網成癮和智能手機成癮之間存在重要的相關性[4]。本文研究了一款App，讓人們意識到智能手機上癮和智能手機綜合癥，為減少成癮人數，該App提供了引導使用者練習瑜伽來緩解對手機的依賴。

目前已有眾多試圖解決手機使用成癮問題的手機軟件，主要的有以下幾類。

⑴ 停止手機（スマやめ）[5]軟件是由Takeshi Segawa公司開發的軟件。該軟件是一款寵物養成類小游戲，只有在不使用手機時，電子寵物才會成長，一旦運行其他程序，一部分成果就會作廢。

⑵ Timer lock3開發了這種懲罰措施更加嚴格的軟件，設置一定時間內，手機會被上鎖，除了緊急電話外一切操作都無法進行。

⑶ RealizD Pty Ltd開發的小容通過記錄用戶解鎖次數和時間等，給使用者呈現使用數據。

⑷ 還有一些軟件針對干預未成年人的手機使用時間，例如監護人可以通過設定使用時間來控制未成年人使用手機的時間長度等。

這幾類軟件有利于手機用戶控制手機使用時間，短時間內可能會有一定的效果，但也存在對手機用戶造成反感心理的情況。

2.2 方法研究

聚類是一種常見的數據分析工具，其目的是把大量的數據分成若干蔟，每一個蔟都具有相似特征[6]。文將聚類算法分為五類：層次聚類算法、分割聚類算法、基于約束的聚類算法、機器學習中的聚類算法以及用于高維數據的聚類算法。在這幾類分類算法中，各有其優缺點。本文選取分割聚類算法中的K-means聚類算法，它的優缺點正是我們研究的重點。K-means聚類算法是最經典的算法之一[7]，它以其簡單實用應用廣泛[8]。文對K-means算法進行了改進，在聚類之前排除了孤立點的影響，提出了一種新的選取初始聚類中心的方法。

3 數據挖掘輔助解決手機成癮

3.1 數據預處理

數據預處理是數據挖掘過程中的首要步驟，數據的好壞直接關系最終結果的正確性。原始數據可能因為缺乏統一標準，數據的結構形式差異較大，有些數據甚至是不可用的。一個良好的數據挖掘系統必須包含數據預處理這重要的一步。本文從數據采集開始就注意對原始數據的標準化，防止原始數據影響最后結果。

手機用戶對智能手機成癮的主要原因是現在智能手機軟件豐富多樣，吸引力巨大。在豐富多彩的手機軟件中，游戲類軟件、社交類軟件、視頻類軟件三類軟件是最容易產生手機成癮的軟件類型。我們認為使用其他類軟件對用戶的成癮危害的影響較小，暫不考慮。

我們根據用戶對各類軟件使用時間進行數據采集，生成一個用戶的特征向量：

數據主要根據軟件的使用時間來決定，但根據不同情景做出不同的調整。我們定義幾條規則，規則如下。

定義1：將一天每半小時為一個增長點，一天平均設為48時間段，每個時間段都屬于一個軟件類型。

定義2：如果不足半小時，屬于在此時間段中使用時間最長的軟件類型。

定義3：某時間段內對一種軟件類型使用時間過大，可以適量增加該軟件類型的數值。

定義4：當獲取若干天的數據時，計算該用戶的平均數據。

根據定義1、2、3和各類軟件的使用次數獲得用戶的特征向量A。

3.2 K-means聚類

1967年，MacQueen首次提出K-means算法。到現在，K-means以其速度快，便于理解且聚類效果不錯的優點得到研究者的廣泛親睞。該算法的核心思想是找到K個聚類中心C1，C2，…..CK，使得每一個數據點Xi和與其相近的聚類中心Cv的平方距離和最小化[9]。

步驟1 選取K個中心點，計算樣本Xi與這個中心點的距離，得到距離中心最近的，將其歸為同一個簇。

步驟2 將獲得的K個蔟，每個蔟重新計算中心點，再重復執行步驟1。

步驟3 不斷進行迭代，知道滿足一定條件方可終止。

雖然K-means應用非常廣泛，然而K-means本身存在的幾個缺點需要解決，對此我們做了以下幾個研究。

⑴ 在使用K-means進行聚類時首先要確定下來K的值，因為K是該算法的關鍵部分。本文的研究中，我們將手機用戶分為K個分類，分別是無成癮用戶，對社交軟件成癮用戶，對游戲成癮用戶，對視頻軟件成癮用戶。

⑵ K-means算法采用歐幾里德距離。

⑶ 對使用者進行建模可以更加準確的進行分類。當用戶對一類軟件使用時間過長，可以增加該類軟件的比重，例如游戲成癮者會連續使用游戲類游戲1小時，2小時，甚至更久。定義3對該問題做出合理解決使分類可以進一步準確。

⑷ 每個蔟不再發生變化或達到預設的迭代次數時聚類結束。

通過以上研究可以將用戶合理的分成K類，根據不同類中用戶的不同特點對其進行合理，有效的方法幫助手機成癮用戶。

4 實驗結果

我們尋找了60位志愿者來進行實驗，其中大學生40人，非大學生20人。要求志愿者照常使用手機軟件，記錄了該60位志愿者一天的手機軟件使用情況。我們可以較為清楚地得出用戶一天內各類軟件使用時間和使用次數。根據定義2，假設時段T中多種軟件都有使用，我們只會記錄使用時間最久的軟件種類。同時會記錄T時刻全部軟件的打開次數，因此，數據會出現打開次數大于使用時間，甚至出現使用時間為零、打開次數不為零的數據。

我們通過PCA（主成分分析方法）對數據進行降維，然后使用K-means進行聚類得到如圖2所示的分類圖。圖中加粗的圖形為每一簇的中心點。將用戶分成四類，分別是無成癮，游戲類成癮，社交類成癮和視頻類成癮。

對不同用戶進行分類，根據各自特點和喜好進行針對性研究，例如，游戲愛好者對手機的要求很高，可以相應的在某個時間段內降級手機的主頻，對游戲產生較差的體驗，從而降低游戲愛好者對游戲的依賴。對社交軟件使用量過大的用戶，采用不及時的推送方案，集中推送等措施。

5 結束語

能夠幫助人們對手機的過度依賴是本文研究的主要出發點。對這方面的研究，大多數研究者停留在對成癮原因的分析，尚未采取有效措施來解決成癮的問題。雖然有不少軟件采取禁止使用來達到目的，但此類軟件的主動權在用戶手中。我們結合數據挖掘領域對該問題進行研究。實驗證明，我們的研究做到了根據軟件的使用情況對用戶分成四類，數據的收集工作可以通過操作系統、軟件等多種途徑。對不同分類用戶采取不同推送內容，以轉移其注意力，減少游戲類、社交類等消息推送，提醒使用者已經處于成癮階段，適度減少手機性能，影響用戶體驗，這些實際措施能夠幫助到手機成癮用戶。

參考文獻（References）：

[1] 韓登亮，齊志斐.大學生手機成癮癥的心理學探析[J].當代青年研究，2005.12：34-38

[2] 王小運，伍安春.大學生手機成癮行為的成因及其對策[J].重慶郵電大學學報（社會科學版），2012.24（1）：40-43，63

[3] T. Rapeepisarn， S. Tatiyanupanwong， B. Kornvisitvatin and S. Tangsripairoj， "iRelief： An Android application for smartphone syndrome prevention and treatment，"2016 Fifth ICT International Student Project Conference （ICT-ISPC）， Nakhon Pathom，2016：121-124

[4] W. Jun， "An Analysis Study on Correlation of Internet Addiction and Smartphone Addiction of Teenagers，" 2015 2nd International Conference on Information Science and Security （ICISS）， Seoul，2015：1-3

[5] https：//itunes.apple.com.

[6] 賀玲，吳玲達，蔡益朝.數據挖掘中的聚類算法綜述[J].計算機應用研究，2007.1：10-13

[7] 金建國.聚類方法綜述[J].計算機科學，2014.41（S2）：288-293

[8] 周愛武，于亞飛.K-Means聚類算法的研究[J].計算機技術與發展，2011.21（2）：62-65

[9] 孫吉貴，劉杰，趙連宇.聚類算法研究[J].軟件學報，2008.1：48-61