다중 홉 세션 그래프 기반 차세대 앱 예측

초록

MISApp은 사용자 프로필 없이 세션 내 앱 전이 관계를 다중 홉 그래프로 모델링하고, 경량형 LightGCN과 의도‑주의 메커니즘을 결합해 단시간 내 의도 변화를 포착한다. 시간·위치 컨텍스트와 교차‑모달 게이트 융합을 통해 정확도를 높이며, 콜드‑스타트 상황에서도 경쟁 모델을 앞선다.

상세 분석

본 논문은 모바일 환경에서 “다음에 실행할 앱”을 예측하는 문제를 기존 시퀀스 기반 접근법의 한계—특히 짧은 세션 내 급격한 의도 변화와 콜드‑스타트 상황—를 극복하기 위해 새로운 프레임워크 MISApp을 제안한다. 핵심 아이디어는 세션을 1‑Hop, 2‑Hop, 3‑Hop 그래프로 확장하여 서로 다른 구조적 거리에서 발생하는 전이 패턴을 명시적으로 분리한다는 점이다. 각 홉 그래프에 LightGCN‑style 이웃 집계만을 적용함으로써 파라미터 수와 연산량을 최소화하면서도 고차 전이 정보를 보존한다. 이후, 스케일별 그래프 임베딩에 대해 스케일‑레벨 의도 어텐션을 적용해 최근 K개의 앱(즉시 의도)과의 유사도를 기반으로 가중치를 학습한다. 이렇게 얻어진 종합 세션 임베딩은 시간(시간대)과 공간(기지국 기반 POI) 컨텍스트와 교차‑모달 게이트 융합(CMGF)으로 보강된다. 최종적으로 Transformer‑Encoder‑Decoder 구조에 입력해 순차적 의도 변화를 모델링한다. 실험에서는 두 개의 실제 앱 사용 로그(중국·싱가포르)에서 Top‑K 정확도와 MRR을 측정했으며, 특히 콜드‑스타트(사용자당 5개 이하 로그) 상황에서 기존 RNN, Transformer, 그래프 기반 모델을 크게 앞섰다. 또한 홉‑레벨 어텐션 가중치가 실제 전이 거리와 높은 상관관계를 보이며 모델의 해석 가능성을 제공한다. 전체 설계는 경량화와 실시간 서비스 적용을 염두에 두었으며, 파라미터 수와 추론 지연이 경쟁 모델 대비 크게 증가하지 않는다. 다만, 그래프 구축 과정이 세션 길이에 비례해 복잡도가 상승하고, POI 기반 공간 컨텍스트가 특정 지역에 한정된 데이터에 의존한다는 점은 향후 연구 과제로 남는다.