[論文レビュー] On the Feature Discovery for App Usage Prediction in Smartphones

Zhung-Xun Liao, Shou-Chung Li+2 more|arXiv (Cornell University)|Sep 26, 2013

Green IT and Sustainability参考文献 20被引用数 15

ひとこと要約

本稿では、アプリ使用履歴の推定精度を向上させるために、明示的センサデータと暗黙的アプリ遷移パターンを、アプリ使用グラフ（AUG）を介して統合するパーソナライズドアプリ使用予測フレームワークKAPを提案する。MDL（最小記述長）を用いたユーザー固有の特徴選択により、次元削減、ログサイズ削減、予測時間短縮を実現し、kNN分類において最大81%のリCALLと64%のnDCGを達成。特にエントロピーが高く、ノイズが多い状況下でもベースライン手法を上回る性能を示した。

ABSTRACT

With the increasing number of mobile Apps developed, they are now closely integrated into daily life. In this paper, we develop a framework to predict mobile Apps that are most likely to be used regarding the current device status of a smartphone. Such an Apps usage prediction framework is a crucial prerequisite for fast App launching, intelligent user experience, and power management of smartphones. By analyzing real App usage log data, we discover two kinds of features: The Explicit Feature (EF) from sensing readings of built-in sensors, and the Implicit Feature (IF) from App usage relations. The IF feature is derived by constructing the proposed App Usage Graph (abbreviated as AUG) that models App usage transitions. In light of AUG, we are able to discover usage relations among Apps. Since users may have different usage behaviors on their smartphones, we further propose one personalized feature selection algorithm. We explore minimum description length (MDL) from the training data and select those features which need less length to describe the training data. The personalized feature selection can successfully reduce the log size and the prediction time. Finally, we adopt the kNN classification model to predict Apps usage. Note that through the features selected by the proposed personalized feature selection algorithm, we only need to keep these features, which in turn reduces the prediction time and avoids the curse of dimensionality when using the kNN classifier. We conduct a comprehensive experimental study based on a real mobile App usage dataset. The results demonstrate the effectiveness of the proposed framework and show the predictive capability for App usage prediction.

研究の動機と目的

• アプリ数の増加に伴い深刻化するスマートフォンのアプリ起動遅延や非効率なユーザーナビゲーションの課題に対処すること。
• MRU や MFU のような静的メソッドでは、頻繁に使用されるアプリが多数あるユーザーにおいては失敗するため、それらを上回る予測精度の向上を図ること。
• 個々のユーザー行動に適応可能なパーソナライズド特徴選択メカニズムの開発により、不要な特徴を削減し、効率を向上させること。
• 動的アプリ使用グラフ（AUG）を用いて、アプリ間の遷移確率を捉えることで、暗黙的アプリ使用パターンをモデル化すること。
• 明示的センサ特徴（デバイス、環境、個人関連）と暗黙的アプリ遷移特徴を統合したkNNベースの予測フレームワークを構築すること。

提案手法

• フレームワークは、歴史的使用シーケンスに基づいてアプリ間の遷移確率をモデル化するアプリ使用グラフ（AUG）を構築する。
• 反復的リファインメントアルゴリズムを用いて、各ユーザーの次アプリ遷移確率を推定し、テスト時における次アプリが不明であっても暗黙的特徴を推定可能にする。
• 最小記述長（MDL）に基づくパーソナライズド特徴選択アルゴリズムを用い、ユーザーごとに最も情報量の多い特徴のみを選択し、学習データの記述長を最小化する。
• 明示的特徴は、デバイス（例：バッテリー、RAM）、環境（例：時刻、Wi-Fi）、個人（例：GPS、加速度）の3種類のセンサから得られる。
• kNN分類器は、明示的および暗黙的特徴を統合した入力を用い、クラスラベルは次に起動されるアプリとする。
• kNNの近傍数は、学習データの40%に動的に設定され、精度と計算コストのバランスを取る。

実験結果

リサーチクエスチョン

• RQ1 明示的センサデータと暗黙的アプリ遷移パターンを統合したハイブリッドフレームワークは、アプリ使用予測精度の向上に寄与するか？
• RQ2 MDLに基づくパーソナライズド特徴選択は、予測性能とログサイズ削減にどのような影響を及ぼすか？
• RQ3 異なるユーザー行動は、アプリ予測における特定特徴の関連性にどの程度影響を及ぼすか？
• RQ4 高いエントロピーまたはノイズの多い使用パターン下でも、本フレームワークのロバストネスはどの程度か？
• RQ5 暗黙的特徴推定の最適な反復回数と、kNNにおける近傍数の最適値は何か？バランスの取れた性能を得るには？

主な発見

• KAPフレームワークは、kNNで学習データの40%を近傍数として使用した場合、81%のリCALLと64%のnDCGを達成し、ベースライン手法を上回った。
• パーソナライズドMDL特徴選択により、ログサイズと予測時間を削減しながら、全特徴を用いた場合と同等またはそれ以上の精度を維持した。
• 2回の反復後、暗黙的特徴推定アルゴリズムは収束し、リCALLが80%、nDCGが60%に安定した。
• エントロピー3の状況下でも、本フレームワークは50%の精度を維持したが、他の手法は同条件で40%未満に低下した。
• 最小遷移確率閾値（$min_{tp}$）は性能にほとんど影響せず、最適な結果は $min_{tp} = 0.1$（リCALL 83%、nDCG 61%）で得られた。
• 学習データの40%をkNNの近傍数として使用した場合、近似的に最適な性能が得られ、リCALLは79%、nDCGは61%となり、実用的なデフォルト設定として適している。