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.
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.
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...
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 information including time stamp, location, application list, and so on. The proposed approach learns three recommendation models including Naive-Bayesian model, SVM model, and Most-Frequent Usage model using temporal and spatial attributes. In order to figure out the best model, we compared the performance of these models with variant features, and suggest an hybrid method to improve the performance of single models.
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 information including time stamp, location, application list, and so on. The proposed approach learns three recommendation models including Naive-Bayesian model, SVM model, and Most-Frequent Usage model using temporal and spatial attributes. In order to figure out the best model, we compared the performance of these models with variant features, and suggest an hybrid method to improve the performance of single models.
* 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.
제안 방법
본 연구에서는 수집된 로그의 장소 정보인 GPS 데이터를 학습에 활용하기 위해 Daum 지역 API를 통해 GPS 값을 주소 값(구, 동)으로 변환한다. 그리고 변환된 주소 값일 낮에 주로 위치하는 곳을 직장, 그 외의 나머지를 기타로 하여 사용자의 POI를 추출하였다. 추출된 장소 속성 정보를 Fig.
추가적으로 앱 사용 순서의 연관성을 반영하기 위해 최근 사용한 앱 정보(recentAppID)도 학습에 활용하였다. 그리고 학습 속성들 간의 최적 조합을 찾기 위해 Table 2의 학습 속성 리스트를 활용하여 학습한 앱 선호도 모델들 간의 추천 정확도 비교 실험을 진행하였다. 비교 실험에서는 전체 앱 로그 데이터 80%를 학습 데이터로 20%를 평가 데이터로 사용하였다.
본 논문에서는 상황 정보에 대한 앱 사용 예측을 위해 최대사용빈도(MFU)기반 예측모델, Naive-Bayesian(NB) 예측 모델, Support Vector Machine(SVM) 예측 모델의 3가지 예측 모델을 생성한다. 최대사용빈도기반 모델은 사용자의 앱 로그에서 앱의 출현빈도를 기준으로 상위 N개의 앱을 추천한다.
본 연구에서는 Fig. 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.
본 연구에서는 수집된 로그의 장소 정보인 GPS 데이터를 학습에 활용하기 위해 Daum 지역 API를 통해 GPS 값을 주소 값(구, 동)으로 변환한다. 그리고 변환된 주소 값일 낮에 주로 위치하는 곳을 직장, 그 외의 나머지를 기타로 하여 사용자의 POI를 추출하였다.
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. 특히, 시공간 컨텍스트 이외에도 최근 사용한 앱과 같은 컨텍스트도 앱 사용 예측에 중요함을 실험을 통해 확인하였다.
1은 본 논문에서 제안하는 하이브리드 앱 추천 시스템의 구조도이다. 제안된 시스템에서는 수집된 사용자의 앱 로그 데이터로부터 전처리를 통해 시간 및 장소 관련 속성을 추출하여 데이터를 생성한다. 분류기반 학습기에서는 생성된 학습 데이터를 활용하여 사용자의 가장 자주 이용하는 앱을 추천하기 위한 최대사용빈도(Maximum Frequency Usage – MFU)기반 예측 모델, Naive Bayesian 예측 모델, SVM 예측 모델의 세 가지 예측 모델을 학습한다.
대상 데이터
본 연구에서 학습에 사용한 시간 속성은 dayofWeek, weekDay, timeOfDay, timeLine이며, 장소 속성은 address1 (ex., 관악구등), address2(ex. 상도동 등), POI(ex. home, office, unknown)이다. 추가적으로 앱 사용 순서의 연관성을 반영하기 위해 최근 사용한 앱 정보(recentAppID)도 학습에 활용하였다.
그리고 학습 속성들 간의 최적 조합을 찾기 위해 Table 2의 학습 속성 리스트를 활용하여 학습한 앱 선호도 모델들 간의 추천 정확도 비교 실험을 진행하였다. 비교 실험에서는 전체 앱 로그 데이터 80%를 학습 데이터로 20%를 평가 데이터로 사용하였다. Table 3은 사용자별 학습 데이터와 평가 데이터의 분포를 보여준다.
성능/효과
user1의 경우 분류기반 예측 모델들에 의한 추천 정확도보다 최대사용빈도기반(MFU) 추천에 의한 추천 정확도가 높게 나왔다. 반면에, user2, 3, 4, 5는 SVM, NB, 최대 빈도 기반 예측 모델의 순으로 추천 정확도가 높게 나타났다. 특히, user4의 SVM 모델은 약 92%의 가장 높은 추천 정확도를 보였다.
6은 Table 2의 학습 속성 리스트에 따라 학습한 Naive-Bayesian 모델들의 추천 정확도를 비교한 결과이다. 여기에서 대다수의 사용자가 다양한 속성 값을 갖는 address1, 2가 추가되는 case 3, case 4에서 추천 정확도가 급격히 낮아지는 것을 확인할 수 있었다. 반면에, case 6의 경우에는 모든 사용자의 추천 정확도가 큰 폭으로 상승하는 것을 나타났으며, 보다 정확한 앱 추천을 위해서 앱의 연속 적인 사용 특성을 반영할 필요가 있는 것으로 분석되었다.
이러한 기존의 연구들에서는 사용자가 추천을 받기 위해 특정 앱을 사용하는 것을 가정하고 있다. 이에 반해 본 연구에서 제안하는 사용자의 시공간 컨텍스트를 이용한 모바일 앱 추천은 상황 컨텍스트에 따라 최적의 앱 리스트를 스마트폰 초기 화면에 제공함으로써 기존 연구에 비해 사용자에게 요구하는 탐색 과정을 줄이고, 앱 추천을 위한 상황 정보의 최적 조합을 활용함으로서 앱 추천 결과의 정확도를 높인다.
반면에, user2, 3, 4, 5는 SVM, NB, 최대 빈도 기반 예측 모델의 순으로 추천 정확도가 높게 나타났다. 특히, user4의 SVM 모델은 약 92%의 가장 높은 추천 정확도를 보였다.
제안된 기법을 활용하여 사용자의 앱 사용 예측에 필요한 시공간 컨텍스트를 정의하고 이를 학습한 분류 기반 앱 예측 모델을 활용한 앱 추천 시스템을 구현하였다. 특히, 시공간 컨텍스트 이외에도 최근 사용한 앱과 같은 컨텍스트도 앱 사용 예측에 중요함을 실험을 통해 확인하였다.
후속연구
하이브리드 추천에 사용된 예측 모델들은 동일한 속성으로 학습하여 모델별로 예측 범위의 차별성이 적기 때문에 모델 결합에 의한 성능 개선의 여지가 적었던 것으로 분석된다. 이에 따라 향후 연구로 예측 범위의 차별성이 큰 예측 모델들을 활용한 하이브리드 추천 연구를 진행할 필요가 있다.
한편, 단일 예측 모델의 추천 정확도 성능 개선을 위해 가중치를 이용한 병렬 하이브리드 시스템에 대한 추천 정확도 실험을 진행하였으나, 동일한 속성으로 학습된 예측 모델들 간의 낮은 차별성으로 인해 큰 성능 향상은 이루지 못하였다. 향후에는 앱 사용 예측에 요구되는 학습 속성을 구분하여 개별 속성에 특화된 앱 사용 예측 모델을 생성하고, 이를 결합한 하이브리드 추천 시스템에 대한 연구를 진행할 필요가 있다.
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.
참고문헌 (7)
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.
D. Kim, J. Shin, S. Park, "Decision tree based application recommendation system". In Proceedings of Korea Computer Conference 2012, pp.140-142, 2012.
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.
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.
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.
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.
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.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.