본 요약은 모두의연구소 딥랩 세미나에서 황인중님이 발표해주셨던 내용을 진행자가 요약한 내용입니다. 발표자의 의견과 다른 내용이 포함될 수 있습니다. 모더레이터 활동을 통해 자신의 공부한 내용을 공유해주신 인중님께 감사의 마음을 전합니다.
지금 이 글을 보고 계신분들이 다음에 어떤 액션을 하실지 전 알수 있습니다. 제가 미래를 열어보니 가장 큰 2가지 가능성을 볼 수 있는데요 그 가능성은 ‘뒤로 가기 버튼’을 누르는 것과 ‘스크롤 다운’ 이렇게 2가지로 예상됩니다. 마치 닥터 스트레인지가 미래를 예측 하듯이 여러분의 화면에서 다음 클릭을 예측할 수 있는 머신러닝 모델을 만든다면 다양하게 활용할 수 있지 않을까요?
타임스톤을 이용하여 미래의 경우의 수를 그려보는 닥터 스트레인지 (그림 출처 : https://m.blog.naver.com/dongyoon87/221623294013)
미래의 경우의 수를 예측하기 위해서 닥터 스트레인지가 타임스톤을 사용했던 것처럼 본 논문에서는 유저의 다음 클릭을 예측하기 위해서 딥러닝을 활용합니다. 다음 클릭 예측이 정확해 진다면 우린 사용자에게 다음 행동을 추천해 줄도 있고 UI(User Interface)를 최적으로 설계하여 좋은 사용자 경험을 제공할수 있을 겁니다.
제가 생각할 때 논문의 가장 흥미로운 부분은 데이터분석인것 같습니다. 무려 4,000명이 넘는 유저들이 사용하는 13,000여개의 앱들로 부터 2백만개의 클릭 정보를 분석하였고 어떤 특징들이 나타나는지 그림을 통해 보여줬습니다.
또한 딥러닝 모델로 트랜스포머(transformer)를 적용하면서 입력과 출력구조를 성공적으로 디자인하고 이전의 연구보다 좋은 결과를 얻은 점도 흥미로운 부분 중 하나라고 생각합니다.
이제부터 흥미로웠던 2가지 내용인 데이터분석과 모델설계를 중심으로 논문발표를 요약해 보겠습니다.
본 논문은 확보하고있는 데이터에대한 분석을 철저히 했습니다. 아래의 그림 1을 보시면 연구에 사용된 UI엘레먼트의 종류의 수와 클릭된 수를 알 수 있습니다. 전체적으로 균형된 데이터이지만 TabWidget같은 경우는 전혀 클릭이 되지 않은 것을 알 수 있네요.
UI 엘레먼트들은 24가지 타입이 존재함(x축). Y축은 데이터 셋에 존재하는 UI 엘레먼트의 수의 전체 수이고 이 중 파란색으로 표시된 부분은 클릭된 엘레먼트의 비율을 의미한다. 오른쪽에서 두번째와 세번째로 존재하는 TextView 엘레멘터를 보면 클릭의 비중이 굉장히 낮고 TabWidget의 경우 클릭된 엘레먼트가 없다는 것을 알 수 있다.
아래의 그림 2(Figure 2)의 x축은 actionable 한 UI 엘레먼트의 수를 나타내고 Y축은 거기에 해당하는 페이지의 수 입니다. 일반적으로 한 페이지에 20개 내외의 actionable한 UI엘레먼트들이 많이 존재하는 것을 알수 있네요. 아래의 그림 3(Figure 3)은 이벤트와 이벤트 사이의 시간 분석이고 그림 4(Figure 4)에서는 요일과 시간 별로의 클릭 이벤트 수를 분석했습니다.
그림 2는 한 스크린에서 나타나는 액션가능한 UI엘레먼트를 보여주고; 그림 3은 시간 간격내에서 발생하는 이벤트의 수를 보여줍니다. 그림 4는 요일과 시간별로 얼마나 많은 이벤트가 발생하는지 보여줍니다.
그림 3을 보면 짧은 시간 간격에서 더 많은 관련 이벤트가 발생함을, 그림 4는 주말에 클릭이벤트가 덜 발생한다는 것을 알 수 있게 해줍니다. 또한 늦은 점심과 늦은 저녁 클릭 발생 비율이 높다는 것도 볼 수 있네요.
데이터 분석을 통해 우리는 모바일 디바이스 유저들의 행동패턴을 어느정도 파악할 수 있었고 우리의 가설과 일치된 모습을 보아 수집된 데이터가 대표성을 나타내고 있다고 판단할 수 있습니다.
그림 5는 안드로이드 Clock앱이 요일과 시간에 따라 어떤 사용성을 보이는지 잘 보여주고 있습니다. 또한 클릭전환 이벤트를 분석 하였는데요 전환 이벤트의 약 30%가 Chrome, SMS, Youtube에서 발생하며 대부분 앱 내부의 전환이라고 합니다. 클릭 전환 이벤트의 약 26%는 앱간의 전환이였는데요 그림 6에서 보여지는 것처럼 연락처 앱은 다른 앱들을 호출하기 좋게 구성되어 있습니다.
