사용자 행동 패턴을 위한 확률적 모델 검증과 메타모델 설계

초록

본 논문은 모바일 앱 로그 데이터를 기반으로 사용자 활동을 DTMC(이산시간 마코프 체인) 형태의 확률 모델로 추출하고, 개별 사용자를 활동 패턴의 혼합으로 표현한 메타모델을 정의한다. EM 알고리즘으로 활동 패턴과 사용자별 전략 θ를 학습하고, PRISM 모델 체커에 인코딩해 PCTL·PCTL* 논리를 이용해 개발자가 제시한 다양한 사용성 질문에 정량적 답을 제공한다. 사례 연구로 iOS 게임 “Hungry Yoshi”를 분석해 두 개의 뚜렷한 활동 패턴을 발견하고, 패턴 전환·목표 도달 확률 등을 정밀히 평가한다.

상세 분석

이 논문은 모바일 애플리케이션의 실제 사용 로그를 정형화된 확률 모델로 전환하는 전 과정을 체계화한다는 점에서 의미가 크다. 먼저 저자들은 “활동 패턴(activity pattern)”을 각각 하나의 DTMC로 정의하고, 전체 사용자 집단에서 K개의 패턴을 추출한다. 여기서 핵심은 각 사용자가 하나의 고정된 DTMC가 아니라 K개의 DTMC를 혼합해 사용하는 ‘전략 벡터 θₘ’를 갖는다는 점이다. 즉, 사용자는 시간에 따라 서로 다른 패턴을 전환할 수 있으며, 전환 확률은 θₘ에 의해 결정된다. 이러한 혼합 마코프 모델은 기존의 사용자 군집 기반 DTMC(예: 지역·OS 기반)보다 더 유연하게 사용자 행동의 이질성을 포착한다.

모델 파라미터 추정은 기대-최대화(EM) 알고리즘을 활용한다. 로그 데이터는 상태 전이 시퀀스로 해석되며, EM 단계에서 각 전이가 어느 패턴에 속하는지의 잠재 변수와 θₘ를 동시에 업데이트한다. 저자들은 지역 최적해에 빠지는 것을 방지하기 위해 여러 번 재시작하고 최적값을 선택한다는 실용적인 접근을 제시한다.

다음으로 정의된 ‘사용자 메타모델(User Metamodel, UMM)’은 상태 공간을 S×{1,…,K} 로 확장한다. 각 (s,k) 상태는 “패턴 k에서 상태 s”를 의미하고, 라벨 α=k 로 구분된다. 전이 확률은 θₘ와 해당 패턴의 전이 행렬 Pₖ의 곱으로 계산되며, 이는 PRISM 모델링 언어로 직접 구현 가능하다. 이렇게 구성된 UMM은 단일 DTMC 안에 여러 패턴을 내재화함으로써, PCTL·PCTL* 로 표현되는 복합적인 사용성 질문—예를 들어 “특정 목표 상태에 도달할 확률”, “패턴 전환 후 일정 단계 내에 피드백 이벤트가 발생할 확률”—을 정량적으로 검증할 수 있게 한다.

논문의 실험은 iOS 게임 ‘Hungry Yoshi’를 대상으로 한다. 로그 데이터를 164명의 사용자에게서 수집하고 K=2 로 설정해 두 개의 활동 패턴을 추출하였다. α₁은 ‘seeY → feed’ 등 주요 게임 흐름을 빠르게 진행하는 패턴이며, α₂는 ‘seeY → pick → …’ 와 같이 비효율적인 전이를 많이 포함한다. 각 사용자의 θₘ 값에 따라 메타모델을 구성하고, PRISM을 이용해 다음과 같은 질문에 답했다. (1) 목표 점수(5개의 과일 피드) 달성에 필요한 평균 단계 수, (2) 특정 이벤트(예: 설명서 읽기) 후 목표 달성 확률 증가 여부, (3) 패턴 전환이 발생하는 트리거 이벤트 등. 결과는 α₁이 효율적인 플레이와 높은 점수 달성에 기여하고, 사용자가 설명서를 읽은 후에는 α₁으로 전환될 확률이 상승한다는 등 실무적인 인사이트를 제공한다.

기술적 한계도 명시한다. 현재 PRISM은 PCTL* 의 복합적인 bounded‑U 연산을 완전 지원하지 않으며, 필터링 기법을 통해 우회해야 한다. 또한, 활동 패턴 수 K 를 사전에 지정해야 하는데, 최적 K 를 선택하는 자동화된 방법론은 제시되지 않았다. 그럼에도 불구하고, 로그 기반 확률 모델링과 모델 검증을 결합한 프레임워크는 앱 개발·운영 단계에서 데이터‑드리븐 의사결정을 지원하는 강력한 도구가 될 수 있다.