모바일 앱 추천 효과성 예측 모형 및 추천 알고리즘 개발

국문 초록 (Abstract)

모바일 애플리케이션(이하 ‘앱’) 시장의 급성장과 더불어 모바일 광고 시장도 전체 광고 시장에서 가장 빠르게 성장하고 있는 영역으로 자리 잡고 있다. 특히 사용자가 기존에 설치한 앱을 사용할 때 이 앱(이하 ‘매체 앱’)을 매체로 하여 새로운 앱(이하 ‘광고 앱’)의 설치를 추천하는 앱 설치 광고의 경우, 잠재적 사용자들에게 새로운 앱의 노출을 증대시킬 기회를 제공해 주고 있으며, 이러한 앱 개발사의 신규 앱 노출 인센티브를 기반으로 시장 규모가 급격히 성장하고 있다.
[연구1]
앱 설치 광고를 통한 광고 앱 추천의 효과성을 높이기 위해서는 각 사용자들이 설치할 가능성이 높고 또한 설치 후 지속적으로 사용할 가능성이 높은 앱을 노출하는 것이 필수적이다. 그런데 대부분의 앱 개발사나 모바일 광고 네트워크 업체들이 사용자에 대한 인구통계학적 정보를 보유하고 있지 않기 때문에, 현실적으로 사용자 개인정보를 기반으로 각 사용자에 대한 타겟 추천 광고를 진행하는 데는 한계가 존재한다. 이러한 배경에서 본 연구의 목적은 광고 앱과 매체 앱간 유사도, 광고 앱의 특성 변수(랭킹, 카테고리, 앱 마켓 등록 후 경과일수 등), 매체 앱의 특성 변수(카테고리, 각 사용자별 설치 후 경과일수 등), 사용자별 매체 앱 이용 변수(이용 시간, 이용 횟수 등) 등을 활용하여 광고 앱의 설치 확률 및 앱 사용 정도를 예측하는 모형을 개발하고, 이 모형에 대한 실증 분석 결과를 바탕으로, 특정 광고 앱을 노출할 최적의 매체 앱을 추천하는(혹은 특정 매체 앱에 노출할 최적의 광고 앱을 추천하는) 매칭 알고리즘을 개발하는데 있으며, 이를 위해 국내 모바일 광고 네트워크 업체에서 제공받은 대규모의 앱 설치 광고 및 앱 이용 관련 데이터를 활용하여 실증 분석을 진행하였다.
앱 설치 광고의 효과성을 예측하기 위하여 광고 앱과 매체 앱의 특성 변수와 사용자의 매체 앱 이용 변수 등 다양한 변수들을 활용하였으며, 특히 매체 앱과 광고 앱 간의 유사도를 효과성 예측 모형의 핵심 변수로 활용하였다. 매체 앱과 광고 앱 간의 유사도는 먼저 LDA 기법을 이용하여 마스터 데이터에 포함된 20만여 개의 모바일 앱에 대한 설명글을 분석하여 100개의 토픽들을 도출한 후, 이를 기반으로 매체 앱의 벡터와 광고 앱의 벡터가 생성하고, 이 두 벡터 간의 코사인 유사성(cosine similarity)으로 앱 유사도를 정의하였다.
본 연구에서는 광고 효과성 예측 모형은 앱 설치 광고의 효과에 대한 예측을 두 단계, 즉 ① 사용자의 앱 다운로드(1단계)와 ② 다운로드 후 사용자의 실제 앱 사용 실적(2단계)으로 구분하여 2단계 예측 모형을 개발하

다국어 초록 (Multilingual Abstract)

The mobile application market is one of the most successful two-sided platforms. As the platform grows rapidly, with millions of apps and billions of users, search costs are increasing tremendously. The challenge is how app developers can target the right users with their apps and how customers can find the apps that fit their needs. Cross promotion, advertising a mobile app (target app) in another established app (source app), is introduced as a new app promotion framework to alleviate the issue of search costs.
[Research 1]
We structurally model source app user behaviors (downloads and post-download usage) with respect to different target apps in cross-promotion campaigns. We construct a novel app similarity measure using a machine learning technique called topic modeling to apps’ production descriptions, and then analyze how the similarity between the source and target apps influences users’ app download and usage decisions. To estimate the model, we use a unique data set from a large-scale random matching experiment conducted by a major mobile advertising company in Korea. Empirical results show that people prefer more diversified apps when they are making download decisions compared with their usage decisions, which is supported by the psychology literature on people’s vari