[論文レビュー] Anima: Adaptive Personalized Software Keyboard

Panos Sakkos, Dimitrios Kotsakos+2 more|arXiv (Cornell University)|Jan 23, 2015

Interactive and Immersive Displays参考文献 5被引用数 3

ひとこと要約

Animaは、事前に定義された辞書に依存せずに、ユーザー固有のタイピング習慣や語彙をリアルタイムで学習する、適応的でパーソナライズされたタッチスクリーン用ソフトウェアキーボードである。重み付きトライデータ構造と動的プリーニング、時間に依存する予測を用いることで、24.6%の文字予測ヒット率を達成し、静的辞書を備えたシステムを上回る性能を発揮しながらも、未使用語の知的忘却によりメモリ使用量を低く抑えている。

ABSTRACT

We present a Software Keyboard for smart touchscreen devices that learns its owner's unique dictionary in order to produce personalized typing predictions. The learning process is accelerated by analysing user's past typed communication. Moreover, personal temporal user behaviour is captured and exploited in the prediction engine. Computational and storage issues are addressed by dynamically forgetting words that the user no longer types. A prototype implementation is available at Google Play Store.

研究の動機と目的

• 一般化されたソフトウェアキーボードが、特に標準的でない言語や方言の使用において個々のタイピングパターンに適応できないという限界を解消すること。
• 個人的・地域的言語の変種に対し、しばしば不正確または不完全な静的で事前ロードされた辞書に依存するのを減らすこと。
• ユーザー行動にリアルタイムで適応するが、メモリ使用量を最小限に抑える軽量で効率的な予測エンジンを設計すること。
• 時間的ユーザー行動パターンを文字予測に組み込むことで、タイピング速度と正確性を向上させること。
• 過去の通信データ（例：ツイート）を用いてキーボードの迅速なパーソナライズを可能にすること。手動設定を不要とする。

提案手法

• Animaは、ユーザーが入力した文字列の頻度をノードの重みとして保持する重み付きトライ（WT）データ構造を用いる。
• 予測エンジンは、現在のカーソル位置におけるノードの重みに基づき、キーボードの各キーkについて条件付き確率P(k|W)を計算し、上位n個の文字予測を生成する。
• 予測セットサイズの動的上限ntは、ユーザーのフィードバックに応じてリアルタイムで調整される：連続して正解がn回出た後は減少、連続して誤りがd回出た後は増加。
• システムは、もう入力されなくなった語を自動的に忘れることで、メモリ使用量を削減し、古くなった予測を防ぐ「プリーニング」メカニズムを採用している。
• 時間に依存する予測（TA）は、ユーザーの行動を時間窓に分割し、日中のタイピング習慣のような日々の行動パターンに適応した予測を可能にする。
• 加速モジュールは、過去のユーザー通信（例：ツイート）を用いて学習プロセスをブートストラップし、パーソナライズの初期段階を著しく高速化する。

実験結果

リサーチクエスチョン

• RQ1 ユーザー固有の通信履歴から学習することで、静的で一般的な辞書に依存するシステムよりも高い予測精度を達成できるか？
• RQ2 時間的ユーザー行動パターンを組み込むことで、文字予測の正確性と関連性はどの程度向上するか？
• RQ3 未使用語の動的プリーニングは、予測性能を劣化させることなく、低メモリ使用量を維持するためにどの程度有効か？
• RQ4 ユーザーの通信データ（例：ツイート）を活用することで、パーソナライズキーボードの初期学習段階を加速できるか？
• RQ5 時間に依存する予測と適応的信頼度制御の組み合わせが、システムの反応性とユーザーエクスペリエンスに与える影響はいかほどか？

主な発見

• 時間に依存する予測とプリーニングを用いたAnimaは、平均24.6%の予測精度を達成し、小さな学習データセットでも静的辞書を備えたシステムを上回った。
• 初期辞書なしでTAとプリーニングを適用したAnimaのバージョンは、GoogleのUK英語辞書（160,722語）を搭載したバージョンを上回り、事前ロードされた語彙がなくても高い精度を達成した。
• 0から1500ツイートにわたる学習データサイズの増加に伴い、Animaは新しい語を継続的に学習し、初期パーソナライズを越えた継続的適応を示した。
• 時間に依存する予測を用いたAnimaの精度は、時間窓の数が増えるにつれて着実に向上し、T=24で24.65%に達した。これは、時間的モデリングが予測精度を向上させることを示している。
• プリーニング機構によりメモリ使用量が著しく削減されたが、プリーニングを無効化しても性能にわずかな悪影響しか及たなかった。TAと信頼度制御の恩恵がそれを補って余りある。
• 本システムは実世界での実用性を強く示しており、Google Playでは9,000件以上のインストールと平均4/5の評価を得ており、使いやすさと性能の妥当性が裏付けられた。