Core Concepts
사용자가 앱을 열 때 검색 또는 추천 동기를 정확하게 예측하는 것은 사용자 경험 향상과 다운스트림 태스크 성능 향상에 매우 중요하다. 본 연구는 사용자의 과거 검색 및 추천 행동 패턴을 효과적으로 모델링하여 오픈앱 동기를 예측하는 신경 하우크스 프로세스 기반 모델 NHP-OAM을 제안한다.
Abstract
이 연구는 사용자의 오픈앱 동기 예측 문제를 다룬다. 오픈앱 동기는 사용자가 앱을 열 때 검색 또는 추천 서비스를 이용하고자 하는 의도를 의미한다. 정확한 오픈앱 동기 예측은 사용자 경험 향상과 다운스트림 태스크 성능 향상에 매우 중요하다.
연구에서는 다음과 같은 핵심 내용을 다룬다:
사용자의 오픈앱 동기에 대한 실증적 분석: 사용자 데이터 분석을 통해 오픈앱 동기에 영향을 미치는 주요 행동 패턴을 발견했다. 이는 시간에 따른 주기성, 반복 검색 행동, 과거 검색-추천 비율과의 관련성 등이다.
NHP-OAM 모델 제안: 신경 하우크스 프로세스 기반의 NHP-OAM 모델을 제안했다. NHP-OAM은 계층적 트랜스포머 인코더를 활용하여 다양한 요인을 효과적으로 모델링하고, 새로운 타입 특화 강도 함수를 통해 관련성 특징을 반영한다. 또한 시간 정보와 사용자 특화 정보를 융합하여 오픈앱 동기를 예측한다.
벤치마크 데이터셋 구축: 기존 공개 데이터셋을 확장하고 새로운 실제 데이터셋 OAMD를 구축하여 오픈앱 동기 예측 태스크를 위한 벤치마크를 제공했다.
실험 결과: NHP-OAM이 다양한 베이스라인 모델들을 뛰어넘는 성능을 보였으며, 다운스트림 태스크에서도 효과적인 것으로 나타났다.
Stats
사용자가 앱을 열 때 검색 동기와 추천 동기의 비율은 하루 중 시간대와 주중/주말에 따라 변화한다.
사용자의 과거 검색 대비 추천 클릭 비율이 높을수록 다음에 앱을 열 때 검색 동기를 가질 가능성이 높다.
사용자는 동일한 검색어로 앱을 여는 경우가 많으며, 이는 사용자 활동 수준이 높을수록 더 두드러진다.
Quotes
"사용자가 앱을 열 때 검색 또는 추천 동기를 정확하게 예측하는 것은 사용자 경험 향상과 다운스트림 태스크 성능 향상에 매우 중요하다."
"NHP-OAM은 계층적 트랜스포머 인코더를 활용하여 다양한 요인을 효과적으로 모델링하고, 새로운 타입 특화 강도 함수를 통해 관련성 특징을 반영한다."