[논문 리뷰] On the Feature Discovery for App Usage Prediction in Smartphones

Zhung-Xun Liao, Shou-Chung Li외 2명|arXiv (Cornell University)|2013. 09. 26.

Green IT and Sustainability참고 문헌 20인용 수 15

한 줄 요약

이 논문은 개인화된 앱 사용 예측 프레임워크인 KAP을 제안한다. KAP는 앱 사용 그래프(App Usage Graph, AUG)를 통해 명시적 센서 데이터와 암시적 앱 전이 패턴을 통합하여 예측 정확도를 향상시킨다. 사용자별 특성 선택을 위해 최소 기술 길이(MDL)를 사용함으로써 KAP는 차원 수를 감소시키고, 로그 크기와 예측 시간을 줄이며, kNN 분류에서 최대 81%의 리콜과 64%의 nDCG를 달성하여, 고 엔트로피 또는 노이즈가 많은 조건에서 기준 방법보다 뛰어난 성능을 발휘한다.

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.

연구 동기 및 목표

• growing 앱 수에 따라 스마트폰에서 앱 실행 시간이 느리고 사용자 탐색이 비효율적인 문제를 해결하기 위해.
• MRU 및 MFU와 같은 정적 방법은 사용자가 많은 앱을 자주 사용할 경우 실패하므로, 이러한 방법을 초월해 예측 정확도를 향상시키기 위해.
• 개인의 사용자 행동에 적응하는 개인화된 특성 선택 메커니즘을 개발하여 관련이 없는 특성을 줄이고 효율성을 향상시키기 위해.
• 암시적 앱 사용 패턴을 동적 App Usage Graph (AUG)를 통해 모델링하여 앱 간 전이 확률을 캡처하기 위해.
• 명시적 센서 특성(기기, 환경, 개인)과 암시적 앱 전이 특성을 통합한 kNN 기반 예측 프레임워크를 구축하기 위해.

제안 방법

• 프레임워크는 이전 사용 시퀀스 기반으로 앱 간 전이 확률을 모델링하기 위해 App Usage Graph (AUG)를 구성한다.
• 반복적 개선 알고리즘은 각 사용자에 대해 다음 앱 전이 확률을 추정하여, 테스트 시 다음 앱이 알려지지 않은 경우에도 암시적 특성 추정이 가능하게 한다.
• 최소 기술 길이(MDL) 기반 개인화된 특성 선택 알고리즘이 사용자별로 가장 정보가 많은 특성만 선택하여 학습 데이터의 기술 길이를 최소화한다.
• 명시적 특성은 기기(예: 배터리, RAM), 환경(예: 시간, Wi-Fi), 개인(예: GPS, 가속도)의 세 가지 센서 유형에서 유도된다.
• kNN 분류기는 명시적 및 암시적 특성을 통합한 입력을 사용하며, 클래스 레이블은 다음으로 실행될 앱이다.
• kNN의 최근접 이웃 수는 학습 데이터의 40%로 동적으로 설정되어 정확도와 계산 비용 간의 균형을 이룬다.

실험 결과

연구 질문

• RQ1 명시적 센서 데이터와 암시적 앱 전이 패턴을 융합한 하이브리드 프레임워크가 앱 사용 예측 정확도를 향상시킬 수 있는가?
• RQ2 MDL 기반 개인화된 특성 선택은 예측 성능과 로그 크기 감소에 어떤 영향을 미치는가?
• RQ3 다양한 사용자 행동이 특정 특성의 관련성에 얼마나 영향을 미치는가?
• RQ4 고 엔트로피 또는 노이즈가 많은 사용 패턴 하에서 프레임워크의 강건성은 어떠한가?
• RQ5 암시적 특성 추정을 위한 최적의 반복 수와 kNN의 최적의 이웃 수는 얼마이며, 이는 균형 잡힌 성능을 위한가?

주요 결과

• KAP 프레임워크는 kNN에서 학습 데이터의 40%를 이웃 수로 사용할 경우 81%의 리콜과 64%의 nDCG를 달성하여 기준 방법을 능가한다.
• 개인화된 MDL 기반 특성 선택은 모든 특성을 사용할 때와 비교해 로그 크기와 예측 시간을 줄이며, 정확도는 유지하거나 향상시킨다.
• 두 번째 반복 후 암시적 특성 추정 알고리즘이 수렴하여 리콜 80%, nDCG 60%로 정확도가 안정화된다.
• 엔트로피 3에서 프레임워크는 50%의 정확도를 유지하며, 동일 조건에서 다른 방법이 40% 이하로 떨어지는 것과 비교해 뚜렷한 우수성을 보인다.
• 최소 전이 확률 임계값($min_{tp}$)은 성능에 미치는 영향이 미미하며, 최적의 결과는 $min_{tp} = 0.1$에서 달성되며, 이 경우 리콜 83%, nDCG 61%이다.
• 학습 데이터의 40%를 이웃 수로 사용할 경우 near-optimal 성능을 얻으며, 리콜 79%, nDCG 61%를 기록해 실용적인 기본 설정으로 적합하다.