[논문 리뷰] Composite Social Network for Predicting Mobile Apps Installation

Wei Pan, Nadav Aharony외 1명|arXiv (Cornell University)|2011. 06. 02.

Human Mobility and Location-Based Analysis참고 문헌 15인용 수 61

한 줄 요약

이 논문은 블루투스 근접성, 통화 기록, GPS 기반 위치 패턴, 소셜 미디어 친구 관계와 같은 다양한 스마트폰 센서 네트워크를 통합하여 모바일 앱 설치를 예측하는 복합 사회망 모델을 제안한다. 개인의 행동 변동성과 앱 인기도와 같은 외부 요인을 고려함으로써 모델은 랜덤 추측보다 네 배 높은 F₁ 스코어 0.43을 달성하여, 높은 개인적 변동성에도 불구하고 앱 채택의 강력한 예측 가능성을 입증한다.

ABSTRACT

We have carefully instrumented a large portion of the population living in a university graduate dormitory by giving participants Android smart phones running our sensing software. In this paper, we propose the novel problem of predicting mobile application (known as "apps") installation using social networks and explain its challenge. Modern smart phones, like the ones used in our study, are able to collect different social networks using built-in sensors. (e.g. Bluetooth proximity network, call log network, etc) While this information is accessible to app market makers such as the iPhone AppStore, it has not yet been studied how app market makers can use these information for marketing research and strategy development. We develop a simple computational model to better predict app installation by using a composite network computed from the different networks sensed by phones. Our model also captures individual variance and exogenous factors in app adoption. We show the importance of considering all these factors in predicting app installations, and we observe the surprising result that app installation is indeed predictable. We also show that our model achieves the best results compared with generic approaches: our results are four times better than random guess, and predict almost 45% of all apps users install with almost 45% precision (F1 score= 0.43).

연구 동기 및 목표

• 모바일 앱 설치 행동이 다양한 스마트폰 센서 기반 사회망을 사용하여 예측 가능한지 조사하는 것.
• 개인의 행동 변동성과 앱 인기도와 같은 외부 요인 존재 속에서 앱 채택을 예측하는 과제를 해결하는 것.
• 다양한 네트워크 계층과 개인적 차이를 통합하여 예측 정확도를 향상시키는 계산 모델을 개발하는 것.
• 실제 환경 제약 조건(예: 일부 사용자에 대한 이전 데이터 누락) 하에서 모델 성능을 평가하는 것.

제안 방법

• 저자는 블루투스 근접성, 통화 기록, GPS 기반 위치 패턴, 소셜 미디어 친구 관계 네트워크 등 다수의 관측 가능한 네트워크를 융합하여 복합 네트워크를 구축한다.
• 개인의 변동성(개인의 채택 경향)과 외부 요인(예: 앱 인기도)을 통합하여 예측을 정교화하는 결정적 모델을 제안한다.
• 훈련 데이터를 사용하여 매개변수를 校정하는 볼록 최적화 프레임워크를 활용하여, 사용자 영향력을 다수의 네트워크에서 통합된 벡터로 학습한다.
• 조직화된 교차 검증을 통해 채택자들을 초기 채택자(G1)와 후기 채택자(G2)로 분할하며, G1 데이터는 모델 훈련에, G2는 테스트에 사용한다.
• F₁ 스코어를 사용하여 모델 성능을 평가하고, SVM-하이브리드 및 랜덤 추측과 같은 기준 모델과 비교한다.
• 누락된 데이터에 대한 민감도를 평가하기 위해 관측 불가능한 사용자 그룹을 시뮬레이션하여 일반화 성능을 분석한다.

실험 결과

연구 질문

• RQ1 높은 개인적 변동성에도 불구하고, 다양한 스마트폰 센서 기반 사회망을 사용하여 모바일 앱 설치를 예측할 수 있는가?
• RQ2 블루투스, 통화 기록, GPS, 소셜 미디어 등 다양한 네트워크 계층을 통합함으로써 단일 네트워크 모델 대비 예측 정확도는 얼마나 향상되는가?
• RQ3 개인의 행동 변동성과 앱 인기도(외부 요인)가 예측 성능에 어느 정도 영향을 미치는가?
• RQ4 부분적인 데이터만 있는 상태에서 훈련 중 관측되지 않은 사용자에게도 모델이 일반화 가능한가?

주요 결과

• 제안된 모델은 모바일 앱 설치 예측에서 F₁ 스코어 0.43을 달성하여, 랜덤 추측보다 네 배 높은 성능을 보였다.
• 단지 반의 데이터(G2 그룹)만 사용하더라도 모델은 강력한 성능 유지를 보이며, k=3일 때 F₁ 스코어 0.35를 기록하여 데이터 부족 상황에서도 강인함을 입증했다.
• SVM-하이브리드 및 랜덤 예측과 같은 기준 방법보다 모델이 뛰어난 성능을 보였으며, 후자는 단지 F₁ 스코어 0.09에 머물렀다.
• 훈련 중 관측되지 않은 사용자에게도 모델은 잘 일반화되며, 개인의 행동 변동성을 보정하지 않은 상태에서도 랜덤 추측 성능의 80% 이상을 달성했다.
• 다양한 데이터 소스와 개인적 차이를 함께 모델링할 경우 앱 채택의 네트워크 효과가 관찰 가능하고 예측 가능하다는 점을 확인했다.
• 앱 인기도와 같은 외부 요인이 예측 정밀도를 크게 향상시켜 실제 채택 행동을 모델링하는 데 그 중요성을 부각시켰다.