With the advent of smartphones, mobile phones have evolved from simple communication tools to multi-purpose devices that affect every aspect of our life. The growth of the mobile application markets has made it difficult for smartphone users to find those applications that they want exactly. Research on application recommendations provides some solutions that can alleviate this application overload problem. However, those recommendation techniques developed outside of the mobile environment have their own issues such as cold start problem, data sparsity, and new user problem, in addition to the issue of domain differences. To address some of these issues, the Slop One Prediction algorithm, which converts the installation and usage records into users’ ratings, was proposed. This approach improved the cold start problem and data sparsity issue, but showed low predictability along with the new user problem still poignant.
In this research, two new recommendation techniques that utilize mobile users’ application usage records are proposed: (1) graph-based personalized recommendation and (2) item-based filtering recommendation. The system that incorporates these techniques are called “Apptrends,” which was developed on an Android platform. Usage data was collected from 206 users of Apptrends for two weeks in a field experimental setting. For the assessment of the proposed techniques, the first week data was used for training and the second week data was used for evaluation, and their performances were compared with the baseline of the Slope One Prediction recommendation technique. The results show that the graph-based recommendation technique is more accurate relative to Slope One Prediction while addressing the cold start problem, data sparsity, and new user problem, and that the item-based collaborative filtering recommendation technique is much more accurate than the two techniques. The combinatory approach of using the graph-based technique during the initial phase when users’ records are little and then switching to the item-based collaborative technique after the initial phase has been identified as the most optimum solution that can address the cold start problem, data sparsity, and new user problem while improving the predictability of the recommendation.
스마트폰의 출현으로 휴대폰은 전화, SMS와 같은 커뮤티케이션 도구에서 다양한 목적의 어플리케이션을 활용하는 도구로 발전되어 왔다. 어플리케이션 마켓이 성장하면서 출시되는 어플리케이션의 수가 급격히 증가하여 사용자들은 자신에게 맞는 어플리케이션을 찾는 일이 어려워지기 시작했다. 이런 문제점을 해결하기 위해 개인화 추천 시스템의 연구가 활발히 진행되고 있다. 다른 분야에서 효과적인 사용자의 평가 점수를 이용한 Collaborative Filtering 추천 시스템을 응용한 방법이 있지만 이 방법은 다른 분야에서 보이는 Cold Start Problem, Data Sparsity, New User Problem 같은 문제점을 동일하게 보인다. 이를 보완하기 위한 방법으로 어플리케이션의 설치, 사용기록을 사용자 평가로 변환하여 Slope One Prediction 알고리즘을 적용한 연구가 있었다. Cold Start Problem과 Data Sparsity 문제는 개선되었지만 낮은 정확도와 New user Problem문제가 있었다.
본 논문에서는 사용자들의 어플리케이션 설치, 사용 기록을 이용한 그래프 기반 개인화 추천 방법과 Item Based Collaborative Filtering 추천 방법을 제안한다. Apptrends 시스템은 안드로이드 플랫폼에서 개발되었으며 실험 참가자 206명의 어플리케이션의 설치 기록, 사용 기록을 2주간 수집하여 기존의 사용기록을 이용한 추천시스템(Slope One Prediction)의 성능과 비교하였다. 첫번째 제안 방법인 그래프 기반 개인화 추천 방법은 어플리케이션 사용 패턴을 시각화하여 확인할 수 있고 Slope One Prediction 보다 정확한 예측을 할 수 있다. 또한 전체 사용자들의 사용 패턴을 나타내는 도메인 그래프를 이용하여 새로운 사용자에게 어플리케이션을 추천해 줄 수 있어 New User Problem을 개선할 수 있다. 두번째 제안 방법인 Item Based Collaborative Filtering 추천 방법은 Slope One Prediction이나 그래프기반 추천 방법보다 우수한 성능을 나타내었다. 두가지 방법을 이용하여 사용자의 데이터가 없는 초기에는 그래프 기반 추천방식을 이용하고 데이터가 모이게 되면 Item Based Collaborative Filtering 추천 방법으로 전환하는 방법의 추천 시스템을 제안한다.
