MAPLE: Mobile App Prediction Leveraging Large Language Model Embeddings

要約

近年、モバイルアプリの利用予測は、アプリ推薦、ユーザー行動分析、モバイルリソース管理などの分野でますます重要になってきている。しかし、既存のモデルは、コンテキストデータの異種性やユーザーのコールドスタート問題に苦戦している。本研究では、これらの課題を克服するために、大規模言語モデル（LLM）とインストール済みアプリの類似性を採用した新しい予測モデル、Mobile App Prediction Leveraging Large Language Model Embeddings（MAPLE）を紹介する。MAPLEは、文脈データを処理し、その中の複雑な関係を効果的に識別するためにLLMの力を利用します。さらに、インストール済みアプリの類似性を利用してコールドスタート問題に対処し、過去のデータが限られている新規ユーザーであっても、ユーザーの嗜好や習慣のモデリングを容易にすることを探求しています。要するに、私たちの研究は、MAPLEをアプリ利用予測への斬新で強力かつ実用的なアプローチとして提示し、既存のモデルが直面する問題を解決する上で大きな前進をもたらしました。MAPLEは、包括的かつ効果的なソリューションとして際立ち、より正確でパーソナライズされたアプリ利用予測のための新たなベンチマークを設定します。実世界の2つのデータセットを用いたテストでは、MAPLEは標準的なシナリオとコールドスタートシナリオの両方で、従来のモデルを上回っています。これらの結果は、MAPLEの正確なアプリ利用予測の能力と、コールドスタート問題に対する耐性を検証するものです。この強化された性能は、複雑な時間的パターンを捕捉し、コンテキスト情報を活用するモデルの熟練度に起因しています。その結果、MAPLEは、パーソナライズされたモバイルアプリの使用予測とユーザー体験を大幅に改善できる可能性があります。

要約(オリジナル)

In recent years, predicting mobile app usage has become increasingly important for areas like app recommendation, user behaviour analysis, and mobile resource management. Existing models, however, struggle with the heterogeneous nature of contextual data and the user cold start problem. This study introduces a novel prediction model, Mobile App Prediction Leveraging Large Language Model Embeddings (MAPLE), which employs Large Language Models (LLMs) and installed app similarity to overcome these challenges. MAPLE utilises the power of LLMs to process contextual data and discern intricate relationships within it effectively. Additionally, we explore the use of installed app similarity to address the cold start problem, facilitating the modelling of user preferences and habits, even for new users with limited historical data. In essence, our research presents MAPLE as a novel, potent, and practical approach to app usage prediction, making significant strides in resolving issues faced by existing models. MAPLE stands out as a comprehensive and effective solution, setting a new benchmark for more precise and personalised app usage predictions. In tests on two real-world datasets, MAPLE surpasses contemporary models in both standard and cold start scenarios. These outcomes validate MAPLE’s capacity for precise app usage predictions and its resilience against the cold start problem. This enhanced performance stems from the model’s proficiency in capturing complex temporal patterns and leveraging contextual information. As a result, MAPLE can potentially improve personalised mobile app usage predictions and user experiences markedly.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL