$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

초록
AI-Helper 아이콘AI-Helper

스마트폰을 통해 사용자에게 제공되는 앱이 증가함에 따라 사용자들은 스마트폰에서 자신이 사용하고자 하는 앱을 매번 찾아야 하는 문제점이 커지고 있다. 이러한 앱 탐색 문제를 해결하기 위해 본 연구에서는 스마트폰에서 시간 및 장소에 따른 사용자별 앱 사용 로그를 수집하고, 이를 학습하여 사용자의 상황 정보에 따라 최적의 앱 추천 리스트를 자동으로 제공하는 방법을 제안한다. 제안 방법에서는 사용자의 앱 로그로부터 요일, 시간대, 주중주말 여부 등의 시간 속성과 주소명, POI 등의 장소 속성을 학습하여 최대사용빈도기반 예측 모델, Naive-Bayesian 예측 모델, SVM 예측 모델 등의 3가지 예측 모델을 생성한다. 최적의 예측 모델을 생성하기 위해 다양하게 조합된 학습 속성들을 학습한 예측모델들의 추천 정확도 비교 실험을 진행하였으며, 단일 예측 모델의 성능 개선을 위한 하이브리드 추천 방법을 제안한다.

Abstract AI-Helper 아이콘AI-Helper

With the development of smartphones, the number of applications for smartphone increases sharply. As a result, users need to try several times to find their favorite apps. In order to solve this problem, we propose a recommendation system to provide an appropriate app list based on the user's log in...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 연구에서는 단일 예측 모델들의 추천 정확도 성능 개선을 위해 개개의 예측 모델에 가중치를 적용하여 결합하는 병렬 하이브리드 앱 추천 모델을 제안한다. Equation (3)은 가중치를 적용한 병렬 하이브리드 추천 스코어 계산식으로 reck(u, c, a)는 사용자 u의 상황 컨텍스트 c에서 앱 a 에 대한 추천 스코어이며 전 단계의 앱 사용 예측 모델에서 예측한 앱 사용 예측 확률 값이 된다.
  • 본 연구에서는 사용자의 상황 정보 및 앱 사용 로그 정보를 수집하기 위해 Logical Logger를 구현하였다[2]. Fig.
  • 추출되는 시간 관련 속성은 앱 사용시간, 요일, 주중주말타입, 시간, 시간대 등으로 구성된다. 본 연구에서는 수집된 로그 중에서 앱 사용 시간이 최소 사용시간(10초)을 만족하는 로그에 대해서 학습을 진행한다.
  • 본 연구에서는 실제로 스마트폰에서 수집된 사용자의 상황 정보별 앱 로그를 활용하여 사용자의 상황에 맞는 최적의 앱 추천을 제공하는 시공간 사용자 앱 로그를 이용한 모바일 앱 추천 기법을 제시하였다. 제안된 기법을 활용하여 사용자의 앱 사용 예측에 필요한 시공간 컨텍스트를 정의하고 이를 학습한 분류 기반 앱 예측 모델을 활용한 앱 추천 시스템을 구현하였다.
  • 그러나 스마트폰의 초기화면에 배치할 수 있는 앱의 숫자에는 한계가 있으며, 사용자의 상황에 따라 사용하는 앱의 종류는 다양하기 때문에 상기의 문제점을 완벽하게 해결하지는 못한다. 이러한 앱 탐색 문제를 해결하기 위해 본 연구에서는 스마트폰에서 시간 및 장소에 따른 사용자별 앱 사용 로그를 수집하고, 이를 학습하여 사용자의 상황 정보에 따라 최적의 앱 추천 리스트를 초기 화면에 자동으로 배치하는 방법을 제안한다.

가설 설정

  • 5의 추천 영역에 사용자의 상황에 맞는 최적의 앱을 노출시키는 것을 추천 상황 정보를 포함한 앱 사용 로그를 선호도 학습 및 앱 추천 실험에 사용하였다. 실험에서 앱 추천은 1회에 4개의 앱을 추천하고, 추천 리스트에 속한 4개의 앱 중에 사용자가 선택한 앱이 있으면 추천이 성공한 것으로 가정하였다, 이에 따라 추천 정확도 평가 척도로 전체 추천 회수에 대한 추천 성공 회수의 비율을 나타낸 Success Rate를 사용하였다. Table 1은 5명의 실제 사용자에 의해 수집된 앱 로그 데이터의 정보로서, 사용자들의 로그 수집 기간과 수집된 로그 데이터의 건수를 보여준다.
  • 사용자의 상황 정보에 최적화된 앱 추천의 결과는 사용자가 스마트폰 화면을 활성화한 시점에서 확인할 수 있어야 하다. 이에 따라 본 연구에서는 안드로이드 홈 화면의 위젯 영역에 추천된 앱들을 노출시키는 것을 가정한다. Fig.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
모바일 앱 추천 연구는 무엇으로 구분될 수 있는가? 최근 스마트폰내의 사용자 로그를 수집하기 위한 연구가 진행되면서, 수집된 사용자 로그를 모바일 앱 추천에 활용하려는 연구들이 시작되었다[1,2]. 모바일 앱 추천 연구는 추천 대상에 따라 앱 마켓에 있는 신규 앱 추천과 스마트폰에 설치된 기존 앱 추천으로 구분될 수 있는데, 대표적인 신규앱 추천 연구로 AppJoy[3], GetJar[4], Appazaar[5] 등이 있다. AppJoy는 스마트폰에서 사용자의 앱 사용량을 수집하여 점수화하고, 이를 활용한 아이템 기반 협력적 추천을 통해 사용자에게 신규 앱을 추천한다.
대표적인 신규앱 추천 연구는? 최근 스마트폰내의 사용자 로그를 수집하기 위한 연구가 진행되면서, 수집된 사용자 로그를 모바일 앱 추천에 활용하려는 연구들이 시작되었다[1,2]. 모바일 앱 추천 연구는 추천 대상에 따라 앱 마켓에 있는 신규 앱 추천과 스마트폰에 설치된 기존 앱 추천으로 구분될 수 있는데, 대표적인 신규앱 추천 연구로 AppJoy[3], GetJar[4], Appazaar[5] 등이 있다. AppJoy는 스마트폰에서 사용자의 앱 사용량을 수집하여 점수화하고, 이를 활용한 아이템 기반 협력적 추천을 통해 사용자에게 신규 앱을 추천한다.
자신이 자주 사용하는 앱들을 스마트폰 초기화면에 위젯으로 배치하는 방법으로 앱 탐색의 문제를 해결 할 때 발생하는 한계점은? 이러한 스마트폰 내에 저장된 기존 앱 탐색의 문제를 해결하기 위한 가장 기본적인 방법으로 자신이 자주 사용하는 앱들을 스마트폰 초기화면에 위젯으로 배치하는 방법이 있다. 그러나 스마트폰의 초기화면에 배치할 수 있는 앱의 숫자에는 한계가 있으며, 사용자의 상황에 따라 사용하는 앱의 종류는 다양하기 때문에 상기의 문제점을 완벽하게 해결하지는 못한다. 이러한 앱 탐색 문제를 해결하기 위해 본 연구에서는 스마트폰에서 시간 및 장소에 따른 사용자별 앱 사용 로그를 수집하고, 이를 학습하여 사용자의 상황 정보에 따라 최적의 앱 추천 리스트를 초기 화면에 자동으로 배치하는 방법을 제안한다.
질의응답 정보가 도움이 되었나요?

참고문헌 (7)

  1. H. Falaki, R. Mahajan, S. Kandula, D. Lymberopoulos, R. Govindan, and D. Estrin. "Diversity in smartphone usage". In Proceedings of Proceedings of the 8th International Conference on Mobile Systems, Applications, and Services, pp.179-194, 2010. 

  2. D. Kim, J. Shin, S. Park, "Decision tree based application recommendation system". In Proceedings of Korea Computer Conference 2012, pp.140-142, 2012. 

  3. B. Yan and G. Chen, "AppJoy: personalized mobile application discovery", In Proceedings of the 9th International Conference on Mobile Systems, Applications, and Services, pp.113-126, 2011. 

  4. K. Shi and K. Ali, "GetJar mobile application recommendations with very sparse datasets", In Proceedings of the 18th ACM SIGKDD Conference, pp.204-212, 2012. 

  5. P. Yin, P. Luo, W. Lee, M. Wang, "App recommendation: a contest between satisfaction and temptation", In Proceedings of the 6th ACM International Conference on Web Search and Data Mining, pp.395-404, 2013. 

  6. D. Lavid, B. Lulu, T. Kuflik, "Functionality-based clustering using short textual description: helping users to find apps installed on their mobile device", In Proceedings of the 2013 International Conference on Intelligent User Interfaces, pp.297-306, 2013. 

  7. C. Shin, J. Hong, and A. K. Dey, "Understanding and prediction of mobile application usage for smart phones", In Proceedings of the 2012 ACM Conference on Ubiquitous Computing, pp.173-182, 2012. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로