Impacto do uso de informações demográficas para a recomendação de aplicativos móveis

• Raissa Souza UFV
• Leonardo Santos UFV
• Mateus Silva UFV
• Fabrício Silva UFV
• Thais Silva UFV

DOI: https://doi.org/10.5753/sbcup.2020.11217

Resumo

Nos últimos anos, tem-se percebido um aumento significativo no uso de dispositivos móveis e aplicativos. Considerando o grande número de aplicativos, usuários enfrentam dificuldades em decidir qual instalar. Por outro lado, as provedoras de aplicativos enfrentam dificuldades para selecionar usuários para direcionar campanhas de marketing com o objetivo de aumentar a taxa de conversão. Neste trabalho, é proposta uma solução que faz a recomendação de aplicativos com base em dados de similaridades entre usuários e entre aplicativos, e também em informações demográficas da região de residência do usuário. Foi feita uma avaliação com dados reais de 7.406 usuários, e os resultados mostraram que a solução proposta se sobressaiu em até 14 pontos percentuais de precisão quando comparada com uma solução tradicional que não considera os dados demográficos. Além disso, a potencial taxa de conversão aumentou em até 30 vezes, quando comparada a usuários selecionados aleatoriamente.

Palavras-chave: aplicativos móveis, sistema de recomendação, filtro colaborativo

Referências

Cheng, V. C., Chen, L., Cheung, W. K., and Fok, C.-k. (2018). A heterogeneous hiddenmarkov model for mobile app recommendation.Knowledge and Information Systems,57(1):207–228.

Frey, R. M., Xu, R., Ammendola, C., Moling, O., Giglio, G., and Ilic, A. (2017). Mobilerecommendations based on interest prediction from consumer’s installed apps–insightsfrom a large-scale field study.Information Systems, 71:152 – 163.

Intelligence, G. (2019). The mobile economy 2019. online.

Liu, B., Kong, D., Cen, L., Gong, N. Z., Jin, H., and Xiong, H. (2015). Personalized mo-bile app recommendation: Reconciling app functionality and user privacy preference.InProceedings of the Eighth ACM International Conference on Web Search and DataMining, WSDM ’15, pages 315–324, New York, NY, USA. ACM

Liu, B., Wu, Y., Gong, N. Z., Wu, J., Xiong, H., and Ester, M. (2016). Structural analysisof user choices for mobile app recommendation.ACM Trans. Knowl. Discov. Data,11(2):17:1–17:23.

Ma, Q., Muthukrishnan, S., and Simpson, W. (2016). App2vec: Vector modeling of mo-bile apps and applications. In2016 IEEE/ACM International Conference on Advancesin Social Networks Analysis and Mining (ASONAM), pages 599–606.

Pan, W., Aharony, N., and Pentland, A. S. (2011). Composite social network for predic-ting mobile apps installation. InProceedings of the Twenty-Fifth AAAI Conference onArtificial Intelligence, AAAI’11, pages 821–827. AAAI Press.

Peng, M., Zeng, G., Sun, Z., Huang, J., Wang, H., and Tian, G. (2018). Personalized apprecommendation based on app permissions.World Wide Web, 21(1):89–104.

Sarwar, B. M., Karypis, G., Konstan, J. A., Riedl, J., et al. (2001). Item-based collabora-tive filtering recommendation algorithms.Www, 1:285–295.

Xu, X., Dutta, K., Datta, A., and Ge, C. (2018). Identifying functional aspects from userreviews for functionality-based mobile app recommendation.Journal of the Associa-tion for Information Science and Technology, 69(2):242–255

Yin, H., Chen, L., Wang, W., Du, X., Nguyen, Q. V. H., and Zhou, X. (2017). Mobi-sage:A sparse additive generative model for mobile app recommendation. In2017 IEEE33rd International Conference on Data Engineering (ICDE), pages 75–78.