Not logged in.
Quick Search - Contribution
Contribution Details
| Type | Master's Thesis |
| Scope | Discipline-based scholarship |
| Title | Computing Apps Frequently Installed Together over Very Large Amounts of Mobile Devices |
| Organization Unit | |
| Authors |
|
| Supervisors |
|
| Language |
|
| Institution | University of Zurich |
| Faculty | Faculty of Economics, Business Administration and Information Technology |
| Number of Pages | 60 |
| Date | 2015 |
| Abstract Text | Knowing Apps frequently installed together is valuable for applications in the field of app recommendations and targeted advertising. In this work, a distributed algorithm based on Apache Spark is developed to find the apps most frequently installed together on a vast amount of mobile devices. The algorithm is optimized by understanding Spark's execution model and the characteristics of the input data. An available input dataset of 500'000 devices was examined by the distribution of its apps and app pairs. Furthermore, the algorithm was tested extensively on different cluster configurations and with differently sized input data to investigate both scalability and affordability. |
| Zusammenfassung | Zur passenden Empfehlung von Apps und zur zielgerichteten Einblendung von Werbung ist es wertvoll zu wissen, welche Apps oft zusammen installiert sind. In dieser Arbeit wurde ein verteilter Algorithmus auf Basis von Apache Spark implementiert, der die am meisten zusammen installierten Apps auf einer grossen Menge von mobilen Geräten findet. Der Algorithmus wurde durch das Verständnis des Ausführungsmodels von Spark und der Eigenschaften der Eingangsdaten bezüglich seiner Leistung optimiert. Dafür wurde ein verfügbares Datenset von über 500'000 Geräten im Bezug auf die Verteilung der Apps und App-Paare untersucht. Des Weiteren zeigen Experimente die Skalierbarkeit des Algorithmus auf unterschiedlichen Clustern und mit unterschiedlich grossen Eingangsdaten. |
| PDF File |
Download
|
| Export |
BibTeX
|