CONCLUSION: Las aplicaciones móviles ahora sirven una deslumbrante variedad de funciones, pero son cada vez más complejas y dependen de la conectividad de red para proporcionar hasta al día el contenido y la interacción rica. Para los usuarios móviles en segundos de carga lenta puede disuadir a muchos usuarios, PREPPmitigates contenido de la red de largo los tiempos de recuperación para ello, predice con precisión qué aplicaciones serán utiliza, y la obtención previa de su contenido de la aplicación para mejorar el usuario experiencia. Por otra parte, el diseño PREPP'scareful, consciente de las restricciones impuestas por los productos básicos operativos, nos ha permitido aplicar, evaluar y desplegar aPREPPprototype en los dispositivos Android de las materias primas. A través de una combinación de un estudio controlado por el usuario y un estudio \"in the wild\" de la predicción algoritmo, nos muestran que podemos predecir con exactitud el uso de aplicaciones, y entregar aceleraciones a nivel de sistema, incluso sin modificación al corriente de los sistemas operativos y aplicaciones.
", "tags": [], "relations": {}, "dateAdded": "2016-04-28T21:48:46Z", "dateModified": "2016-04-28T21:49:30Z" } }, { "key": "H5QV6XV6", "version": 146, "library": { "type": "group", "id": 509694, "name": "MET_INV_2016", "links": { "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016", "type": "text/html" } } }, "links": { "self": { "href": "https://api.zotero.org/groups/509694/items/H5QV6XV6", "type": "application/json" }, "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016/items/H5QV6XV6", "type": "text/html" }, "up": { "href": "https://api.zotero.org/groups/509694/items/8VEXSUVG", "type": "application/json" } }, "meta": { "createdByUser": { "id": 1064884, "username": "maverick076", "name": "Jefferson Alejandro Dominguez", "links": { "alternate": { "href": "https://www.zotero.org/maverick076", "type": "text/html" } } }, "numChildren": 0 }, "data": { "key": "H5QV6XV6", "version": 146, "parentItem": "8VEXSUVG", "itemType": "note", "note": "INTRO: Los dispositivos móviles se están convirtiendo cada vez más popular en los últimos años. Por ejemplo, se informó de que el mercado de teléfonos inteligentes era más grande que el mercado de PC en 2011 por primera vez en la historia [28]. A partir de entonces, el mercado de teléfonos inteligentes ha seguido aumentando de manera espectacular, por ejemplo, los teléfonos inteligentes vendidos en el tercer trimestre de 2013 aumentaron 44% año con año [27]. Una de las razones radica en el hecho de que los usuarios son capaces de aumentar las funciones de los dispositivos móviles a través de sacar provecho de varias aplicaciones thirdparty ricas en características (o Aplicaciones para abreviar), que se puede obtener fácilmente de mercados centralizados, como Google Play y App Almacenar. Sin embargo, el número de aplicaciones ha aumentado recientemente de forma espectacular, lo que hace que sea difícil para un usuario localizar Aplicaciones pertinentes. Por ejemplo, a partir de julio de 2013, Google Play tenía más de 1 millón de aplicaciones con más de 50 mil millones de descargas acumuladas, y el número de aplicaciones ha llegado a más de 1,2 millones en junio de 2014 [12]; como el comienzo de junio de 2014, App Store tenía 1,2 millones de Aplicaciones y un acumulado de 75 mil millones de descargas [4]. Por lo tanto, es urgente desarrollar sistemas de recomendación de aplicaciones personalizadas eficaces. Los sistemas convencionales de recomendación [1, 18, 25, 19, 8, 13], esencialmente objetivo de aprender el interés de cada usuario y la funcionalidad de cada elemento (por ejemplo, una aplicación en nuestro problema), teniendo en cuenta la lista de artículos usados o preparados por cada usuario.
\nEntonces, un elemento se recomienda a un usuario si la funcionalidad del elemento partidos interés del usuario. Por ejemplo, los enfoques de la matriz-factorizationbased [18, 25] Modelo interés de un usuario como un latente vector y la funcionalidad de un elemento como otro vector latente; y un elemento se recomienda un usuario si vector funcionalidad del elemento está cerca de vector interés del usuario en el
espacio latente. sistemas de recomendación impulsada tales intereses funcionalidad han sido utilizados con éxito para recomendar productos de e-commence (por ejemplo, Amazon) [21], las películas (por ejemplo,
Netflix) [5], músicas [3], de punto de interés [29, 22], y se utiliza para la predicción de enlace y atributo inferencia [10]. Sin embargo, estos enfoques no son apropiados para App recomendaciones. En concreto, a diferencia de los artículos tales como música, películas, y los puntos de interés, Aplicaciones podría tener privilegios a acceder a la información personal del usuario, tales como localizaciones, contactos y mensajes. Por otra parte, los usuarios pueden tener diferentes preferencias de privacidad, por ejemplo, el usuario A no tiende a compartir los contactos con la aplicación mientras el usuario B tiende a no permitir que la aplicación acceda a su / sus ubicaciones. Aunque la funcionalidad de una aplicación puede se adapta muy bien el interés del usuario, el usuario podría elegir No instale o le molestaría si no respeta el usuario de
preferencia de privacidad. De hecho, según un reciente informe [7], 54% de los usuarios encuestados han decidido no instalar aplicaciones que quieren tener acceso a su información personal sensible y el 30%
de los usuarios han desinstalado al menos una aplicación después de que se dieron cuenta que la aplicación estaba recogiendo información personal inesperada. Por lo tanto, si un usuario selecciona / le gusta una aplicación es una resultado del equilibrio entre dos factores:
(1) el grado de coincidencia entre el interés del usuario y la funcionalidad de la aplicación, lo que llamamos partido de la funcionalidad;
(2) el grado en que la App respeta preferencia de privacidad del usuario, lo que llamamos el respeto de privacidad.
Sin embargo, los enfoques convencionales de recomendación no lo hacen capturar esta disyuntiva, lo que limita sus actuaciones en Aplicaciones recomendar.
Nuestro trabajo: En este trabajo, nuestro objetivo es llenar este vacío a través de la incorporación de ambas interacciones intereses de funcionalidad y usuarios ' preferencias de privacidad. En concreto, primero construimos un nuevo modelo de factorización latente para capturar el equilibrio entre la funcionalidad y la preferencia del usuario privacidad. diferentes usuarios podrían tener diferentes definiciones sobre los datos privados y podría tener diferentes preocupaciones sobre la privacidad en las diferentes operaciones (por ejemplo, leer o escribir) sobre los datos privados. Por lo tanto, en nuestro modelo, considerar tres niveles de privacidad de la información para caracterizar preferencias de privacidad de los usuarios. Por otra parte, nuestro modelo toma la escasa matriz de puntuación de usuarios desde la aplicación y el conjunto de sensible a la privacidad privilegios (por ejemplo, los permisos de la aplicación) de cada aplicación en una determinada nivel de privacidad como una entrada, y se aprende automáticamente el interés y privacidad preferencia de cada usuario, y la funcionalidad de cada aplicación en el espacio latente, que son más utilizado para predecir las preferencias de los usuarios para nuevas aplicaciones. Entonces nosotros se arrastró un conjunto de datos del mundo real, que consta de 16, 344 usuarios, 6, 157 Apps, y 263, 054 observaciones de calificación de Google jugar, y usamos el conjunto de datos para evaluar integralmente nuestra método y los enfoques anteriores. Nos encontramos con que nuestro método consistente y sustancialmente supera los enfoques del estado del arte. Por otra parte, se explora el impacto de los diferentes niveles de privacidad en el desempeño de nuestro método, y observamos que el tratamiento de diferentes operaciones con diferentes problemas de privacidad logra un mejor rendimiento de recomendación.
Nuestras contribuciones principales se resumen de la siguiente manera:
• Ofrecemos el primer estudio sistemático sobre el aprovechamiento tanto expectativa de interés y funcionalidad para el usuario privacidad preferencia para proporcionar recomendaciones personalizadas de la aplicación.
• Se propone un nuevo modelo para capturar el equilibrio entre la funcionalidad y la preferencia del usuario privacidad.
• Nos arrastramos un conjunto de datos del mundo real de Google Play, y lo usamos para evaluar ampliamente nuestro enfoque y el estado de la técnica de métodos y explorar el impacto de los niveles de privacidad en el desempeño de nuestro método. Encontramos que nuestro método supera sustancialmente el enfoque consistente y el estado de la técnica.
RESUMEN: Los últimos años han sido testigo de una rápida adopción de dispositivos móviles y un dramático aumento de las aplicaciones móviles (Aplicaciones para abreviar). Sin embargo, el gran número de móvil
Aplicaciones hace que sea difícil para los usuarios localizar aplicaciones pertinentes. Por lo tanto, la recomendación de Aplicaciones se convierte en una tarea urgente. Los enfoques tradicionales de la recomendación enfoque en el aprendizaje el interés de un usuario y la funcionalidad de un elemento (por ejemplo, una aplicación) a partir de un conjunto de clasificaciones ítem-usuario, y recomiendan un elemento a un usuario si la funcionalidad del elemento se adapta muy bien el interés del usuario. Sin embargo, Aplicaciones podría tener privilegios a acceder a los recursos sensibles de un usuario (por ejemplo, contactos, mensajes,
y la ubicación). Como resultado, un usuario elige una aplicación no sólo debido a su funcionalidad, sino también porque respeta la preferencia de privacidad del usuario.
A lo mejor de nuestro conocimiento, este trabajo presenta la primera estudio sistemático sobre la incorporación de interés tanto de funcionalidad interacciones y preferencias de privacidad de los usuarios de realizar recomendaciones personalizadas de la aplicación. En concreto, primero construimos un nuevo modelo para capturar el equilibrio entre la funcionalidad y la preferencia del usuario privacidad. A continuación, nos arrastramos una conjunto de datos del mundo real (16, 344 usuarios, 6, 157 Aplicaciones y 263, 054 clasificaciones) desde Google Play y lo utilizan para integralmente evaluar nuestro modelo y los métodos anteriores. Encontramos eso nuestro método supera consistente y sustancialmente la el estado de la técnica enfoques, lo que implica la importancia de el usuario privacidad preferencia en las recomendaciones de la aplicación personalizada. Por otra parte, se explora el impacto de diferentes niveles de privacidad de la información sobre las actuaciones de nuestro método, lo que nos da ideas sobre qué recursos son más propensos a ser tratados como privados por los usuarios y los comportamientos de los usuarios de influencia en la selección de Aplicaciones
RESUMEN: Hay dos tendencias que hacen que la búsqueda de voz cada vez más importante:
Por un lado el uso generalizado de pequeños dispositivos móviles como teléfonos inteligentes, llevar encima y pronto implantes, que hacen omnipresente el cálculo de una realidad, y por otra parte el desarrollo de la TV como un punto central de acceso a los datos multi-medial en la centro de un espacio doméstico. Ambos se utilizan para conectar con Internet los datos y hacer que el uso del tradicional punto, haga clic y escriba paradigmas de interacción con el usuario difícil. En este trabajo se da una visión general de una aplicación móvil que se ocupa de acceso basado en la voz
al contenido de Internet para el programa de TV
RESUMEN: Los dispositivos móviles como los teléfonos inteligentes no solo son dispositivos de comunicación. Ofrecen la oportunidad de proporcionar rápidamente información a los usuarios móviles casi con independencia de su ubicación. Sin embargo, muchos proveedores de información potencial no tienen los conocimientos de programación necesarios para realizar aplicaciones móviles (apps). Por otra parte, diferentes teléfonos inteligentes utilizan diferentes sistemas operativos que soportan diferentes lenguajes de programación.En este artículo presentamos nuestra investigación hacia una especificación independiente de plataforma de destino y la generación de este tipo de aplicaciones. Por lo tanto, el objetivo de nuestro trabajo es proporcionar un sistema para usuarios no técnicos que les permite crear sus propias apps.
", "tags": [], "relations": {}, "dateAdded": "2016-04-28T17:08:45Z", "dateModified": "2016-04-28T17:18:21Z" } }, { "key": "VB6B7GVD", "version": 142, "library": { "type": "group", "id": 509694, "name": "MET_INV_2016", "links": { "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016", "type": "text/html" } } }, "links": { "self": { "href": "https://api.zotero.org/groups/509694/items/VB6B7GVD", "type": "application/json" }, "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016/items/VB6B7GVD", "type": "text/html" }, "up": { "href": "https://api.zotero.org/groups/509694/items/M3XFWZCI", "type": "application/json" } }, "meta": { "createdByUser": { "id": 2676439, "username": "joncalle", "name": "", "links": { "alternate": { "href": "https://www.zotero.org/joncalle", "type": "text/html" } } }, "numChildren": 0 }, "data": { "key": "VB6B7GVD", "version": 142, "parentItem": "M3XFWZCI", "itemType": "note", "note": "RESUMEN: Las aplicaciones controladas por eventos, como por ejemplo, aplicaciones para dispositivos móviles, son difíciles de probar a fondo. Los programadores de aplicaciones a menudo ponen un esfuerzo significativo en la escritura de conjuntos de pruebas de extremo a extremo. A pesar de que este tipo de pruebas a menudo tienen una alta cobertura hacia el código fuente, nos encontramos con que a menudo se centran en el comportamiento esperado, no en las ocurrencias de eventos inusuales.
\nPor otro lado, las herramientas de pruebas automatizadas pueden ser capaces de explorar el espacio de estados de manera más sistemática, pero esto es en su mayoría sin el conocimiento del comportamiento previsto de las aplicaciones individuales. Como consecuencia, muchos errores de programación pasan desapercibidos hasta que se encuentran por los usuarios. Se propone una nueva metodología para la prueba mediante el aprovechamiento de pruebas existentes de tal manera que cada caso de prueba se expone sistemáticamente a las condiciones adversas en que ciertos eventos inesperados pueden interferir con la ejecución. De esta manera, se exploran las rutas de ejecución interesantes y tomar ventaja de las afirmaciones contenidas en el conjunto de pruebas escritas de forma manual, garantizando al mismo tiempo que los acontecimientos inyectados no afectan al resultado esperado.
\nEl principal reto al que nos dirigimos es cómo lograr esto de manera sistemática y eficiente. Hemos evaluado el enfoque mediante la implementación de una herramienta, Thor, trabajando en Android. Los resultados en cuatro aplicaciones del mundo real con conjuntos de pruebas existentes demuestran que las aplicaciones son a menudo muy frágiles con respecto a ciertos eventos inesperados y que nuestra metodología aumenta efectivamente la calidad de las pruebas: de 507 pruebas individuales, 429 fallan cuando se expone a condiciones adversas, lo que revela 66 problemas distintos que no son detectadas por la ejecución normal de las pruebas.
", "tags": [], "relations": {}, "dateAdded": "2016-04-28T17:11:11Z", "dateModified": "2016-04-28T17:18:11Z" } }, { "key": "FZAPBUG7", "version": 141, "library": { "type": "group", "id": 509694, "name": "MET_INV_2016", "links": { "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016", "type": "text/html" } } }, "links": { "self": { "href": "https://api.zotero.org/groups/509694/items/FZAPBUG7", "type": "application/json" }, "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016/items/FZAPBUG7", "type": "text/html" }, "up": { "href": "https://api.zotero.org/groups/509694/items/K8MNP4KW", "type": "application/json" } }, "meta": { "createdByUser": { "id": 2676439, "username": "joncalle", "name": "", "links": { "alternate": { "href": "https://www.zotero.org/joncalle", "type": "text/html" } } }, "numChildren": 0 }, "data": { "key": "FZAPBUG7", "version": 141, "parentItem": "K8MNP4KW", "itemType": "note", "note": "RESUMEN: Dado el gran número de aplicaciones instaladas y el tamaño limitado de la pantalla de los dispositivos móviles, a menudo es tedioso para los usuarios la búsqueda de la aplicación que desea utilizar. Aunque algunos sistemas operativos móviles proporcionan esquemas de categorización que mejoran la visibilidad de las aplicaciones útiles entre las que se instalan, la categoría emergente de aplicaciones de pantalla de inicio tiene como objetivo dar un paso más mediante la organización de forma automática las aplicaciones instaladas de manera más inteligente y personalizada. En este trabajo se estudia cómo mejorar la experiencia de uso de aplicaciones de pantalla de inicio 'a través de un mecanismo de predicción que permite mostrar a los usuarios de la aplicación que se va a utilizar en el futuro inmediato. La técnica de predicción se basa en un conjunto de características que representan los contextos en tiempo real espacio-temporales detectadas por la aplicación de pantalla de inicio. Estamos modelos de predicción de la siguiente aplicación como un problema de clasificación y proponemos un método personalizado eficaz para resolverlo que aprovecha al máximo las características de ingeniería humanos y las características derivadas automáticamente. Además, se estudia la forma de resolver los dos asociados de forma natural con arranque en frío problemas: aplicación de arranque en frío y el usuario arranque en frío. Llevamos a cabo experimentos a gran escala en los datos obtenidos a partir del registro de Yahoo Aviate, lo que demuestra que nuestro enfoque puede predecir con exactitud la siguiente aplicación que una persona va a utilizar.
", "tags": [], "relations": {}, "dateAdded": "2016-04-28T17:15:43Z", "dateModified": "2016-04-28T17:17:55Z" } }, { "key": "SMGI73FG", "version": 130, "library": { "type": "group", "id": 509694, "name": "MET_INV_2016", "links": { "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016", "type": "text/html" } } }, "links": { "self": { "href": "https://api.zotero.org/groups/509694/items/SMGI73FG", "type": "application/json" }, "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016/items/SMGI73FG", "type": "text/html" }, "up": { "href": "https://api.zotero.org/groups/509694/items/RZPM54DJ", "type": "application/json" } }, "meta": { "createdByUser": { "id": 1064884, "username": "maverick076", "name": "Jefferson Alejandro Dominguez", "links": { "alternate": { "href": "https://www.zotero.org/maverick076", "type": "text/html" } } }, "numChildren": 0 }, "data": { "key": "SMGI73FG", "version": 130, "parentItem": "RZPM54DJ", "itemType": "note", "note": "INTRO: Con más de 640 millones de dispositivos móviles activos en julio 2012 [9], el mercado de los dispositivos móviles es uno de los de más rápido crecimiento.
Junto con este crecimiento, los recientes avances en las tecnologías móviles facilitado una plétora de aplicaciones móviles (apps); por ejemplo, el Android Market experimentó un aumento de siete veces en el número de aplicaciones que se ofrecen desde 100.000 a 700.000 en los últimos dos años [8]. Por lo general, las aplicaciones se alojan y se distribuyen a los usuarios finales a través de un número creciente de tiendas de aplicaciones móviles (AppStores). AppStores proporcionan una nueva forma de desarrollar, descargar, y actualización de aplicaciones de software para dispositivos móviles, y crear nuevas oportunidades de negocio para los desarrolladores de aplicaciones.
A pesar de esta rápida evolución, se han realizado pocos estudios de gran escala AppStores móviles, centrándose principalmente en la seguridad y aspectos de privacidad de aplicaciones móviles [32, 33, 44, 45]. Sin embargo, AppStores proporcionar esencialmente un mercado público a juego y los usuarios móviles desarrolladores, y por lo tanto pueden ofrecer información valiosa a través de una diversa
conjunto de dimensiones que van desde los patrones de descarga de aplicaciones y tendencias de popularidad, a las estrategias de ingresos de los desarrolladores. Con este fin, a través de
un estudio de cuatro populares de terceros Android AppStores lo largo de varios meses, nuestro trabajo pretende comprender mejor las propiedades appstore por
centrándose en dos aspectos principales:
P1: ¿Cómo podemos caracterizar la popularidad de los diferentes móviles aplicaciones?
P2: ¿Cuáles son las estrategias de precios e ingresos, seguido de aplicación los desarrolladores?
Para examinar la Q1, en primer lugar caracterizar la distribución de popularidad aplicación. Nuestros resultados ponen de manifiesto un \"efecto de Pareto,\" típico con 10%
de las aplicaciones que representan el 70-90% de las descargas totales. Mientras tales fenómenos se han observado también en la popularidad de web
objetos [25] y el contenido de vídeo [21], la distribución de popularidad aplicación aparece truncado en la cabeza y la cola, y esta observación es
consistente en todos los AppStores examinados. Nuestro análisis muestra que truncamiento a la cabeza de la distribución es causada por la propiedad \"fetchat-más-una vez\", también se encuentra en los sistemas de intercambio de ficheros punto a punto [34]. Al contrario, le atribuimos el truncamiento de la cola a un fenómeno nos referimos como el \"efecto del agrupamiento\", que captura la tendencia
de los usuarios para mostrar una fuerte afinidad temporal a App categorías, por descargar aplicaciones de forma selectiva de determinadas categorías en el tiempo.
Estas reflexiones nos llevan a proponer un nuevo modelo para aproximar la distribuciones de popularidad observan en AppStores, ya través de los resultados de simulación que muestran que captura de cerca los comportamientos observados.
Por lo general, AppStores ofrecen dos categorías de aplicaciones móviles: pagado y gratis. En la Q2, examinamos si ofrece una aplicación adbased pagado o gratuito es una mejor estrategia de ingresos de decisiones para los desarrolladores. A este fin, primero se estudian las diferencias entre las aplicaciones de pago y gratuitas Mientras que las aplicaciones gratuitas que se esperan son mucho más populares, curiosamente,
aplicaciones de pago parecen seguir una distribución diferente de popularidad, lo cual se asemeja más a una distribución Zipf. Se conjetura que este es el resultado de que los usuarios sean más selectivos a la hora de pagar por aplicaciones.
En cuanto a los ingresos de los desarrolladores de aplicaciones de pago, nos encontramos con que la la mayoría de ellos ganan un ingreso muy pequeño, y que ofrece una gran
número de aplicaciones no conduce a mayores ingresos; la calidad es más importante que la cantidad. Por el contrario, mediante la inspección de binarios de la aplicación, nos encontramos con que el 67,7% de las aplicaciones gratuitas incluyen al menos una biblioteca que pertenece a las 20 redes de publicidad más populares. Nuestro análisis sugiere que, en promedio, una aplicación gratuita tiene que hacer sólo $ 0.21
por descarga a través de anuncios para que coincida con la renta ofrecida por un abonado aplicación. Para aplicaciones populares, este número se reduce a $ 0.033. Por lo tanto, optando
para una aplicación gratuita que parece ser una estrategia más lucrativo.
En general, creemos que nuestro estudio ofrece múltiples puntos de vista a los dos diseñadores AppStore y desarrolladores de aplicaciones. Mediante la comprensión de los patrones de popularidad aplicación, AppStore y operadores de telefonía móvil puede mejorar el rendimiento (por ejemplo, mediante el almacenamiento en caché de las aplicaciones más populares, como se muestra
por el efecto Pareto), facilidad de uso (por ejemplo, mediante pre-instalar muy popular aplicaciones a dispositivos móviles), y la relevancia de los sistemas de recomendación y de búsqueda (por ejemplo, tomando en cuenta la agrupación efecto). Del mismo modo, puntos de vista sobre la monetización de aplicaciones pueden ser cruciales para la
desarrolladores. De hecho, nuestro estudio muestra además que la elección de una categoría de aplicación apropiada afecta significativamente a los ingresos esperados.
Las principales contribuciones de este trabajo son:
• Estudiamos la distribución popularidad de las aplicaciones móviles y la comparamos con las distribuciones más populares vistos en la web, el intercambio de archivos entre pares-to-peer, y el contenido generado por el usuario. Se demuestra que
descargas de aplicaciones sigue una distribución de ley de potencias con bordes truncados y tienen un efecto de Pareto muy asimétrica, con
10% de las aplicaciones que representan el 70-90% de las descargas totales.
• Ofrecemos un modelo de distribución de descarga de la aplicación y validarlo con los datos de cuatro AppStores Android. Se demuestra que
nuestro modelo se ajusta a los datos de medición mucho más de cerca que los modelos propuestos anteriormente para la web y el intercambio de archivos peer-to-peer. Atribuimos esta diferencia al \"efecto del agrupamiento\"
el cual se valida con un estudio de los patrones de comportamiento del usuario.
• Se estudian las diferencias entre pagados y aplicaciones gratuitas y demostrar que (i) que tienen diferentes distribuciones de descarga, y
(Ii) que conducen a fundamentalmente diferentes patrones de ingresos para desarrolladores. Se demuestra que, en la mayoría de los casos, las aplicaciones gratuitas que siguen una estrategia basada en los ingresos por publicidad pueden dar lugar a beneficios financieros más altos que las aplicaciones de pago.
RESUMEN: Las aplicaciones móviles (apps) han ido ganando creciente popularidad debido
a los avances en las tecnologías móviles y el gran aumento de
el número de usuarios móviles. En consecuencia, la distribución de aplicaciones varias
plataformas, que proporcionan un nuevo camino para el desarrollo, la descarga,
y la actualización de las aplicaciones de software en dispositivos móviles modernos, han
surgido recientemente. Para comprender mejor los patrones de descarga, las tendencias de popularidad, y estrategias de desarrollo en esta rápida evolución
ecosistema de las aplicaciones móviles, que monitoriza de forma sistemática y analizado
cuatro terceros mercados de aplicaciones Android populares. Nuestro estudio se centra en la medición, análisis y modelado de la popularidad de aplicaciones
distribución, y explora cómo las estrategias de fijación de precios e ingresos afectan
popularidad aplicación y los ingresos de los desarrolladores.
Nuestros resultados indican que a diferencia de la tela y de intercambio de ficheros punto a punto las cargas de trabajo, la distribución de popularidad aplicación se aparta de los modelos comúnmente observados Zipf-like. Verificamos que estas desviaciones
puede atribuirse principalmente a un nuevo patrón de descarga, a la que nos referimos como el efecto del agrupamiento. Estamos validar la existencia de este efecto
revelando una fuerte afinidad temporal del usuario descarga en App
categorías. Sobre la base de estas observaciones, se propone un nuevo formales
modelo de agrupamiento para la distribución de las descargas de aplicaciones, y demostrar que se ajusta estrechamente los datos medidos. Por otra parte, se observa que
aplicaciones de pago siguen una distribución diferente de popularidad aplicaciones gratuitas,
y mostrar cómo las aplicaciones libre con una estrategia basada en los ingresos por publicidad puede dar lugar a beneficios financieros más altos que las aplicaciones de pago. Creemos que esta
estudio puede ser útil para los diseñadores appstore para la mejora de los sistemas de suministro y recomendación de contenidos, así como a los desarrolladores de aplicaciones
para la selección de las políticas adecuadas de fijación de precios para aumentar sus ingresos
RESUMEN:
\nEl éxito de una APP se lo obtiene cuando la misma llega a tener miles de descargas por semana, uno de los motivos que se ven ligados a su éxito/fracaso es la descripción que se da de la misma en su pantalla principal del AppStore, presentar un detalle resumido con imágenes agradables breves detalles de su uso pero bien claros marcará su elección entre los usuarios.
\nPara poder conocer que es lo que hace posible que una descripción de una APP sea agradable al usuario, se realizó un trabajo detallado con crowdsourcing, que permitirá conocer la calidad de la descripción de las apps para extraer los atributos que afectan a la aplicación
", "tags": [], "relations": {}, "dateAdded": "2016-04-28T08:24:22Z", "dateModified": "2016-04-28T08:24:24Z" } }, { "key": "BGNFEHJZ", "version": 121, "library": { "type": "group", "id": 509694, "name": "MET_INV_2016", "links": { "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016", "type": "text/html" } } }, "links": { "self": { "href": "https://api.zotero.org/groups/509694/items/BGNFEHJZ", "type": "application/json" }, "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016/items/BGNFEHJZ", "type": "text/html" }, "up": { "href": "https://api.zotero.org/groups/509694/items/X2SVUDHK", "type": "application/json" } }, "meta": { "createdByUser": { "id": 2677130, "username": "Xelula", "name": "", "links": { "alternate": { "href": "https://www.zotero.org/xelula", "type": "text/html" } } } }, "data": { "key": "BGNFEHJZ", "version": 121, "parentItem": "X2SVUDHK", "itemType": "attachment", "linkMode": "linked_url", "title": "What Makes a Good App Description?", "accessDate": "2016-04-28T08:14:11Z", "url": "http://oscar-lab.org/paper/internetware_14.pdf", "note": "", "contentType": "application/pdf", "charset": "", "tags": [], "relations": {}, "dateAdded": "2016-04-28T08:14:11Z", "dateModified": "2016-04-28T08:14:11Z" } }, { "key": "X2SVUDHK", "version": 120, "library": { "type": "group", "id": 509694, "name": "MET_INV_2016", "links": { "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016", "type": "text/html" } } }, "links": { "self": { "href": "https://api.zotero.org/groups/509694/items/X2SVUDHK", "type": "application/json" }, "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016/items/X2SVUDHK", "type": "text/html" } }, "meta": { "createdByUser": { "id": 1064884, "username": "maverick076", "name": "Jefferson Alejandro Dominguez", "links": { "alternate": { "href": "https://www.zotero.org/maverick076", "type": "text/html" } } }, "lastModifiedByUser": { "id": 2677130, "username": "Xelula", "name": "", "links": { "alternate": { "href": "https://www.zotero.org/xelula", "type": "text/html" } } }, "creatorSummary": "Jiang et al.", "parsedDate": "2014", "numChildren": 2 }, "data": { "key": "X2SVUDHK", "version": 120, "itemType": "conferencePaper", "title": "What makes a good app description?", "creators": [ { "creatorType": "author", "firstName": "He", "lastName": "Jiang" }, { "creatorType": "author", "firstName": "Hongjing", "lastName": "Ma" }, { "creatorType": "author", "firstName": "Zhilei", "lastName": "Ren" }, { "creatorType": "author", "firstName": "Jingxuan", "lastName": "Zhang" }, { "creatorType": "author", "firstName": "Xiaochen", "lastName": "Li" } ], "abstractNote": "En la tienda de Google Play, una página de introducción se asocia con\ncada aplicación móvil (app) para que los usuarios adquirir sus detalles,\nincluyendo capturas de pantalla, descripción, comentarios, etc. Sin embargo,\nsigue siendo un desafío para identificar qué elementos influyen usuarios más\nal descargar una aplicación.\nPara explorar la perspectiva de los usuarios, llevamos a cabo una encuesta para preguntar\nacerca de esta cuestión. Los resultados de la encuesta sugieren que la\nlos participantes pagan más atención a la descripción de la aplicación que da\nlos usuarios una visión general de la aplicación. Aunque existen algunos\ndirectrices sobre cómo escribir una buena descripción de la aplicación para atraer\nTambién, es difícil definir una descripción de la aplicación de alta calidad.\nMientras tanto, no hay ninguna herramienta para evaluar la calidad de la aplicación\ndescripción. En este trabajo, empleamos el método de\ncrowdsourcing para extraer los atributos que afectan a la aplicación\nla calidad de las descripciones. En primer lugar, descargamos algunas descripciones de aplicaciones\nde Google Play, a continuación, invitar a algunos participantes que calificaran su\nla calidad con la puntuación de uno (muy mala) a cinco (muy bueno).\nTambién se pide a los participantes que expliquen cada puntuación de\nrazones. Mediante el análisis de las razones, extraemos los atributos que\nlos participantes consideran importante durante la evaluación de la calidad\nde las descripciones de aplicaciones. Por último, formamos el aprendizaje supervisado\nmodelos en una muestra de 100 descripciones de aplicaciones. En nuestros experimentos,\nLos vectores de soporte modelo de máquina obtiene hasta un 62% de precisión. En\nAdemás, nos encontramos con que el permiso, el número de párrafos\ny el número promedio de palabras en una característica juegan un papel clave en\ndefinir una buena descripción de la aplicación.", "proceedingsTitle": "", "conferenceName": "", "publisher": "ACM Press", "place": "", "date": "2014", "eventPlace": "", "volume": "", "issue": "", "numberOfVolumes": "", "pages": "45-53", "series": "", "seriesNumber": "", "DOI": "10.1145/2677832.2677842", "ISBN": "978-1-4503-3303-0", "citationKey": "", "url": "http://dl.acm.org/citation.cfm?doid=2677832.2677842", "accessDate": "2016-04-16T20:01:15Z", "ISSN": "", "archive": "http://oscar-lab.org/paper/internetware_14.pdf", "archiveLocation": "", "shortTitle": "", "language": "en", "libraryCatalog": "CrossRef", "callNumber": "", "rights": "", "extra": "", "tags": [], "collections": [ "VQ65N39I" ], "relations": {}, "dateAdded": "2016-04-16T20:01:15Z", "dateModified": "2016-04-28T08:13:51Z" } }, { "key": "U95294T5", "version": 118, "library": { "type": "group", "id": 509694, "name": "MET_INV_2016", "links": { "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016", "type": "text/html" } } }, "links": { "self": { "href": "https://api.zotero.org/groups/509694/items/U95294T5", "type": "application/json" }, "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016/items/U95294T5", "type": "text/html" } }, "meta": { "createdByUser": { "id": 1064884, "username": "maverick076", "name": "Jefferson Alejandro Dominguez", "links": { "alternate": { "href": "https://www.zotero.org/maverick076", "type": "text/html" } } }, "lastModifiedByUser": { "id": 2677130, "username": "Xelula", "name": "", "links": { "alternate": { "href": "https://www.zotero.org/xelula", "type": "text/html" } } }, "creatorSummary": "Diao et al.", "parsedDate": "2014", "numChildren": 2 }, "data": { "key": "U95294T5", "version": 118, "itemType": "conferencePaper", "title": "Your Voice Assistant is Mine: How to Abuse Speakers to Steal Information and Control Your Phone", "creators": [ { "creatorType": "author", "firstName": "Wenrui", "lastName": "Diao" }, { "creatorType": "author", "firstName": "Xiangyu", "lastName": "Liu" }, { "creatorType": "author", "firstName": "Zhe", "lastName": "Zhou" }, { "creatorType": "author", "firstName": "Kehuan", "lastName": "Zhang" } ], "abstractNote": "ABSTRACTO\nLas investigaciones anteriores sobre los ataques basados en la plataforma Android de sensores\ncentrado principalmente en el acceso o control sobre el dispositivo sensible\ncomponentes, como la cámara, micrófono y GPS. estos enfoques\nobtener datos de sensores directamente y necesitan correspondientes\nPermisos de invocación del sensor.\nEn este trabajo se presenta un novedoso enfoque (GVS-Ataque) para lanzar\npermisos sin pasar por los ataques de un permiso Android cero\naplicación (VoicEmployer) a través del altavoz. La idea de GVSAttack\nutiliza un sistema de Android módulo asistente de voz integrado\n- Google Búsqueda por voz. A través de Android mecanismo de Intención,\nVoicEmployer desencadena Google Búsqueda por voz al primer plano, y\na continuación, reproduce archivos de audio preparados (como el \"número de llamada 1234 5678\") en\nel fondo. Google Búsqueda por voz puede reconocer esta voz\nde comandos y ejecutar las operaciones correspondientes. con ingeniosa\nnuestros diseños, GVS-Ataque pueden forjar SMS / correo electrónico, acceso a la privacidad\ninformación, la transmisión de datos sensibles y lograr el control remoto\nsin ningún permiso.\nTambién hemos encontrado una vulnerabilidad de comprobar el estado en Google\naplicación de búsqueda, que puede ser utilizado por GVS-ataque para marcar arbitraria\nnúmeros incluso cuando el teléfono está bloqueado de forma segura con la contraseña. UN\nprototipo de VoicEmployer se ha implementado para demostrar\nla viabilidad de GVS-Ataque en el mundo real. En teoría, casi todos\ndispositivos Android equipados con marco de servicios de Google puede\nverse afectados por GVS-ataque. Este estudio puede inspirar a la aplicación\ndesarrolladores e investigadores que replantearse el permiso cero no hace\nsignifica la seguridad y el altavoz puede ser tratada como una nueva superficie de ataque.", "proceedingsTitle": "", "conferenceName": "", "publisher": "ACM Press", "place": "", "date": "2014", "eventPlace": "", "volume": "", "issue": "", "numberOfVolumes": "", "pages": "63-74", "series": "", "seriesNumber": "", "DOI": "10.1145/2666620.2666623", "ISBN": "978-1-4503-3155-5", "citationKey": "", "url": "http://dl.acm.org/citation.cfm?doid=2666620.2666623", "accessDate": "2016-04-24T04:41:03Z", "ISSN": "", "archive": "http://arxiv.org/pdf/1407.4923v1.pdf", "archiveLocation": "", "shortTitle": "Your Voice Assistant is Mine", "language": "en", "libraryCatalog": "CrossRef", "callNumber": "", "rights": "", "extra": "", "tags": [], "collections": [ "VQ65N39I" ], "relations": {}, "dateAdded": "2016-04-24T04:41:03Z", "dateModified": "2016-04-28T08:06:52Z" } }, { "key": "SIHRI7HG", "version": 116, "library": { "type": "group", "id": 509694, "name": "MET_INV_2016", "links": { "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016", "type": "text/html" } } }, "links": { "self": { "href": "https://api.zotero.org/groups/509694/items/SIHRI7HG", "type": "application/json" }, "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016/items/SIHRI7HG", "type": "text/html" }, "up": { "href": "https://api.zotero.org/groups/509694/items/U95294T5", "type": "application/json" } }, "meta": { "createdByUser": { "id": 2677130, "username": "Xelula", "name": "", "links": { "alternate": { "href": "https://www.zotero.org/xelula", "type": "text/html" } } } }, "data": { "key": "SIHRI7HG", "version": 116, "parentItem": "U95294T5", "itemType": "attachment", "linkMode": "linked_url", "title": "Your Voice Assistant is Mine: How to Abuse Speakers to Steal Information and Control Your Phone", "accessDate": "2016-04-28T08:04:59Z", "url": "http://arxiv.org/pdf/1407.4923v1.pdf", "note": "", "contentType": "application/pdf", "charset": "", "tags": [], "relations": {}, "dateAdded": "2016-04-28T08:04:59Z", "dateModified": "2016-04-28T08:04:59Z" } }, { "key": "W3362HCN", "version": 115, "library": { "type": "group", "id": 509694, "name": "MET_INV_2016", "links": { "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016", "type": "text/html" } } }, "links": { "self": { "href": "https://api.zotero.org/groups/509694/items/W3362HCN", "type": "application/json" }, "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016/items/W3362HCN", "type": "text/html" }, "up": { "href": "https://api.zotero.org/groups/509694/items/U95294T5", "type": "application/json" } }, "meta": { "createdByUser": { "id": 2677130, "username": "Xelula", "name": "", "links": { "alternate": { "href": "https://www.zotero.org/xelula", "type": "text/html" } } }, "numChildren": 0 }, "data": { "key": "W3362HCN", "version": 115, "parentItem": "U95294T5", "itemType": "note", "note": "Las investigaciones anteriores sobre los ataques basados en sensores en la plataforma Android se centraron principalmente en el acceso o control sobre los componentes sensibles, como la cámara, micrófono y GPS. Estos enfoques obtienen datos de los sensores directamente y necesitan permisos de invocación sensor correspondiente.
\n\n
En este trabajo se presenta un novedoso enfoque (GVS-Ataque) para poner en marcha de permisos sin pasar por los ataques de un cero en el permiso de aplicaciones para Android (VoicEmployer) a través del altavoz del teléfono. La idea de GVS-ataque es utilizar un sistema de Android módulo asistente de voz incorporado - Google Búsqueda por voz. Con Android mecanismo de Intención, VoicEmployer puede llevar Google Búsqueda por voz a los conocimientos adquiridos, y luego reproduce archivos de audio preparados (como \"número de llamada 1234 5678\") en el fondo. Google Búsqueda por voz puede reconocer este comando de voz y realizar las operaciones correspondientes. Con un diseño ingenioso, nuestra GVS-Ataque puede forjar SMS / correo electrónico, acceso a la información de privacidad, transmitir datos sensibles y lograr el control remoto sin ningún permiso. Por otra parte, hemos encontrado una vulnerabilidad de comprobar el estado de aplicación de Búsqueda de Google, que puede ser utilizado por GVS-ataque para marcar números arbitrarios, incluso cuando el teléfono está bloqueado de forma segura con contraseña.
\n\n
Un prototipo de VoicEmployer se ha implementado para demostrar la viabilidad de GVS-ataque. En teoría, casi todos (4.1 y versiones posteriores) los dispositivos Android equipados con los servicios de Marco de Google pueden ser afectados por GVS-ataque. Este estudio puede inspirar a los desarrolladores de aplicaciones y los investigadores a reconsiderar ese permiso cero no significa seguridad y el altavoz puede ser tratada como una nueva superficie de ataque
", "tags": [], "relations": {}, "dateAdded": "2016-04-28T08:00:37Z", "dateModified": "2016-04-28T08:00:39Z" } }, { "key": "BR2NTH7V", "version": 114, "library": { "type": "group", "id": 509694, "name": "MET_INV_2016", "links": { "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016", "type": "text/html" } } }, "links": { "self": { "href": "https://api.zotero.org/groups/509694/items/BR2NTH7V", "type": "application/json" }, "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016/items/BR2NTH7V", "type": "text/html" } }, "meta": { "createdByUser": { "id": 1064884, "username": "maverick076", "name": "Jefferson Alejandro Dominguez", "links": { "alternate": { "href": "https://www.zotero.org/maverick076", "type": "text/html" } } }, "lastModifiedByUser": { "id": 2677130, "username": "Xelula", "name": "", "links": { "alternate": { "href": "https://www.zotero.org/xelula", "type": "text/html" } } }, "creatorSummary": "Zhu et al.", "parsedDate": "2014", "numChildren": 2 }, "data": { "key": "BR2NTH7V", "version": 114, "itemType": "conferencePaper", "title": "Mobile app recommendations with security and privacy awareness", "creators": [ { "creatorType": "author", "firstName": "Hengshu", "lastName": "Zhu" }, { "creatorType": "author", "firstName": "Hui", "lastName": "Xiong" }, { "creatorType": "author", "firstName": "Yong", "lastName": "Ge" }, { "creatorType": "author", "firstName": "Enhong", "lastName": "Chen" } ], "abstractNote": "", "proceedingsTitle": "", "conferenceName": "", "publisher": "ACM Press", "place": "", "date": "2014", "eventPlace": "", "volume": "", "issue": "", "numberOfVolumes": "", "pages": "951-960", "series": "", "seriesNumber": "", "DOI": "10.1145/2623330.2623705", "ISBN": "978-1-4503-2956-9", "citationKey": "", "url": "http://dl.acm.org/citation.cfm?doid=2623330.2623705", "accessDate": "2016-04-16T20:09:01Z", "ISSN": "", "archive": "", "archiveLocation": "", "shortTitle": "", "language": "en", "libraryCatalog": "CrossRef", "callNumber": "", "rights": "", "extra": "", "tags": [], "collections": [ "VQ65N39I" ], "relations": {}, "dateAdded": "2016-04-16T20:09:01Z", "dateModified": "2016-04-28T07:45:57Z" } }, { "key": "3THNMJCA", "version": 112, "library": { "type": "group", "id": 509694, "name": "MET_INV_2016", "links": { "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016", "type": "text/html" } } }, "links": { "self": { "href": "https://api.zotero.org/groups/509694/items/3THNMJCA", "type": "application/json" }, "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016/items/3THNMJCA", "type": "text/html" }, "up": { "href": "https://api.zotero.org/groups/509694/items/BR2NTH7V", "type": "application/json" } }, "meta": { "createdByUser": { "id": 2677130, "username": "Xelula", "name": "", "links": { "alternate": { "href": "https://www.zotero.org/xelula", "type": "text/html" } } }, "numChildren": 0 }, "data": { "key": "3THNMJCA", "version": 112, "parentItem": "BR2NTH7V", "itemType": "note", "note": "RESUMEN:
\nRESUMEN:
\nLa acelerada participación de las apps en casi todas las actividades cotidianas, ha hecho que aparezca un cierto recelo al uso de las mismas, dado que, no se cuenta con la respectiva aclaración de su uso y existe un miedo a la violación de la privacidad que estas puedan tener.
\n\n
A continuación, se propone un enfoque flexible basado en la teoría moderna de la cartera para recomendar Aplicaciones y poder encontrar un equilibrio entre la popularidad y los usuarios 'Apps problemas de seguridad, y construir un árbol de hash App para recomendar eficiente Aplicaciones. Por último, evaluamos nuestro enfoque con extensos experimentos en un conjunto de datos a gran escala recogido de Google Play. Los resultados experimentales validan claramente la eficacia de nuestro enfoque
\n", "tags": [], "relations": {}, "dateAdded": "2016-04-28T07:30:17Z", "dateModified": "2016-04-28T07:41:21Z" } }, { "key": "4QXH9VVN", "version": 111, "library": { "type": "group", "id": 509694, "name": "MET_INV_2016", "links": { "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016", "type": "text/html" } } }, "links": { "self": { "href": "https://api.zotero.org/groups/509694/items/4QXH9VVN", "type": "application/json" }, "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016/items/4QXH9VVN", "type": "text/html" }, "up": { "href": "https://api.zotero.org/groups/509694/items/BR2NTH7V", "type": "application/json" } }, "meta": { "createdByUser": { "id": 2677130, "username": "Xelula", "name": "", "links": { "alternate": { "href": "https://www.zotero.org/xelula", "type": "text/html" } } }, "numChildren": 0 }, "data": { "key": "4QXH9VVN", "version": 111, "parentItem": "BR2NTH7V", "itemType": "note", "note": "
Con el rápido prevalencia de dispositivos móviles inteligentes, el número de aplicaciones móviles disponibles se ha disparado en los últimos años. Para facilitar la elección de las aplicaciones para móviles, sistemas de recomendación de aplicaciones móviles existentes suelen recomendar aplicaciones móviles más populares para los usuarios móviles. Sin embargo, las aplicaciones para móviles son muy variados y, a menudo mal entendido, en particular por sus actividades y funciones relacionadas con la privacidad y la seguridad. Por lo tanto, cada vez más usuarios móviles son reacios a adoptar Aplicaciones móviles debido al riesgo de invasión de la intimidad y otros problemas de seguridad. Para llenar este vacío fundamental, en este trabajo, se propone el desarrollo de un sistema móvil de recomendación de aplicaciones en la vida privada y la concienciación sobre la seguridad. El objetivo del diseño es dotar al sistema de recomendación con la funcionalidad que permite detectar y evaluar los riesgos de seguridad de aplicaciones móviles de forma automática. A continuación, el sistema de recomendación puede ofrecer recomendaciones de la aplicación teniendo en cuenta tanto la popularidad y los usuarios 'Apps preferencias de seguridad. En concreto, una aplicación móvil puede dar lugar a riesgo de seguridad porque los permisos de acceso de datos inseguros se han implementado en esta aplicación. Por lo tanto, primero desarrollamos las técnicas para detectar automáticamente el potencial riesgo de seguridad para cada aplicación móvil mediante la explotación de los permisos solicitados. A continuación, se propone un enfoque flexible basado en la teoría moderna de la cartera para recomendar Aplicaciones por encontrar un equilibrio entre la popularidad y los usuarios 'Apps problemas de seguridad, y construir un árbol de hash App para recomendar eficiente Aplicaciones. Por último, evaluamos nuestro enfoque con extensos experimentos en un conjunto de datos a gran escala recogido de Google Play. Los resultados experimentales validan claramente la eficacia de nuestro enfoque
", "tags": [], "relations": {}, "dateAdded": "2016-04-28T07:30:02Z", "dateModified": "2016-04-28T07:30:04Z" } }, { "key": "TRMIPHW9", "version": 110, "library": { "type": "group", "id": 509694, "name": "MET_INV_2016", "links": { "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016", "type": "text/html" } } }, "links": { "self": { "href": "https://api.zotero.org/groups/509694/items/TRMIPHW9", "type": "application/json" }, "alternate": { "href": "https://www.zotero.org/groups/met_inv_2016/items/TRMIPHW9", "type": "text/html" }, "up": { "href": "https://api.zotero.org/groups/509694/items/D3EI3EZH", "type": "application/json" } }, "meta": { "createdByUser": { "id": 2677130, "username": "Xelula", "name": "", "links": { "alternate": { "href": "https://www.zotero.org/xelula", "type": "text/html" } } }, "numChildren": 0 }, "data": { "key": "TRMIPHW9", "version": 110, "parentItem": "D3EI3EZH", "itemType": "note", "note": "resumen: Para un desarrollador de apps, contar con miles de descargas de su producto es tener la oportunidad de llegar a tener tanto éxito como: Ethan Nicholas que hizo millones de dólares con su aplicación iShoot en menos de un año, o como el desarrollador de Angry Birds, hizo un ingreso de $ 100 millones en 2011.
\nLos ingresos generados por las ventas de aplicaciones se estima que superarán los $ 15 mil millones en 2011 y llegar a $ 58 billón para el año 2014
\nEl resto del documento está organizado de la siguiente manera. La sección 2 describe
trabajo existente. La sección 3 describe AppEco. La sección 4 describe
la aplicación de AppEco para simular el ecosistema de las aplicaciones de iOS, la
experimentos y resultados. La sección 5 contiene nuestras conclusiones basadas
en los resultados
RESUMEN:
\nPara poder determinar la estrategia debe de aplicar un desarrollador de app móviles, usando AppEco, se pretende determinar cuáles son las variables que hace que una APP tenga más descargas de otras, permitiendo así, optimizar o innovar e desarrollo de una app.
\nINTRODUCCION:
\nSer un exitoso desarrollador de app tiene como objetivo, que su producto tenga miles de descargas a diario y que su producto pueda estar en constantes evolución y adaptabilidad, para ello, con AppEco se realizará un estudio que permita reconocer cuales son las características con las que debe tener una app.
\n\n
\n
\n
\n
El resto del documento está organizado de la siguiente manera. La sección 2 describe
trabajo existente. La sección 3 describe AppEco. La sección 4 describe
la aplicación de AppEco para simular el ecosistema de las aplicaciones de iOS, la
experimentos y resultados. La sección 5 contiene nuestras conclusiones basadas
en los resultados
Resumen:
\nEn la actualidad, se cuenta con al menos cinco plataformas de desarrollo de aplicaciones móviles (APPS), por ello, se desarrolló un estudio para la creación de una multiplataforma que permita desarrollar apps de forma nativa para cada dispositivo y este de soluciones inmediatas a cualquier tipo de problema/actualización que se presente.- en este estudio se recomienda el uso de PhoneGap.
\nIntroducción:
\nEn la actualidad un teléfono inteligente cuenta con características y capacidades muy avanzadas de funcionamiento, tener una conexión a internet constante y de muy buena calidad permite maximizar cada una de sus capacidades (almacenamiento en la nube, GPS, mail, redes sociales), el problema radica en el desarrollo/soporte de las apps para su funcionamiento, dado que se cuenta con al menos 5 plataformas diferentes para teléfonos móviles, el desarrollador de una app que en particular tendrá problemas al dar mantenimiento sobre su creación.
", "tags": [], "relations": {}, "dateAdded": "2016-04-28T06:29:01Z", "dateModified": "2016-04-28T06:52:26Z" } } ]