1. ニューラルネットワークを用いた
スマートフォンの使用アプリケーション
予測に関する基礎研究
北海道大学 工学部
情報エレクトロニクス学科 情報工学コース
複雑系工学講座 調和系工学研究室
学部4年 小野貴史
A study on Use Prediction of Smart Phone
Application Based on Neural Networks
卒業論文発表

2. 研究背景
• アプリを使う場合，利用者はスマートフォンにインストー
ルされたアプリの中から目的のものを選ぶ必要がある
– 画面上の制限から，全てのアプリを一覧で表示することは難しい
– 探すのに手間がかかる
• 多くの人がホーム画面やランチャー上で，様々な工夫をし
てアプリを便利に利用している
Androidで提供されているランチャーの例
四隅をタップするこ
とで，扇型に展開さ
れたランチャーを表
示することができる．
・スライドランチャー
画面端から指をスワ
イプさせることで，
ランチャーを表示さ
せる
• 扇ランチャー

3. ランチャーの利点・欠点
• 利点
– ワンタップでアプリを起動できる
– 自分好みの配置に変更できる
– アプリ使用中に呼び出せるランチャーも存在
• 欠点
– 便利な配置を自ら考えることの大変さ
– 登録してないアプリはランチャーから起動できない
自ら学習してアプリを推薦する知的なランチャーを作成したい
• Google Now：インテリジェントパーソナルアシスタント
– 端末内のカレンダー情報，スケジュール，位置情報などの複数の情報を連
結させ．ユーザーがどのような情報を必要とするかを予測した上で提示す
る
– 例）外出する前に，交通情報や迂回ルートを知らせてくれる

4. 研究の目標と出発点
目標
• 使用アプリを予測し，使いたい時にはすでに立ち上がっている
出発点
• 使用アプリを予測し，自動でアイコンの配置を入れ替えてくれるラ
ンチャー
– 使いたいアプリがすぐに発見できる
– 自分で配置を考える必要がない
• ランチャー作成に必要なこと
– 事前に使用するアプリを予測する
– 予測を基に最適なアプリの配置を決める
アプリA
スマホ
予測
A
ランチャー
B
使用
自動で入れ替わる

5. 使用アプリケーションの予測
仮説
• アプリの使用には，何らかの法則が存在している
– 複数のアプリを使用する際に，使う順番が決まっている
– 特定の状況において，使用頻度の高いアプリが存在する[1]
• センサデータ，位置情報，アプリの使用履歴を用いて予測が可能ではないかと
考えられる
先行研究
• 位置情報を含む携帯の利用履歴に基づく予測[2]
• センサ情報から特徴量を抽出し，特徴量と特徴量の関係をクラスタリングする
ことで予測[3]
予測手法に必要なこと
• 特徴抽出から学習までを自動的に行える
• 入力データの次元が多く，データ間の複雑なパターンを学習するのに向いている
• ランチャーにアプリを複数表示するため，予測を確率として得られる
ニューラルネットワークを用いるのが最も適切だと考えた
[1]大澤純, 岩田麻佑, 原隆浩, & 西尾章治郎. (2012). スマートフォンユーザのコンテキストと利用アプリケーションの関連性調査.
[2]松本光弘, 清原良三, 沼尾正行, & 栗原聡. (2010). 位置情報を含む携帯端末利用履歴からのコンテキストに基づく最適アプリケーション推定
法の提案. 情報処理学会数理モデル化と問題解決研究会 (MPS) 研究報告, 2010, 1-8.
[3]嶋谷健太郎, 間下以大, 原隆浩, 清川清, 竹村治雄, & 西尾章治郎. (2013). スマートフォン利用者のコンテキストログを用いたアプリケーショ
ン推薦システム (行動認識, 状況推定 (1), モバイルアドホックネットワーク, モバイル時代を支える次世代無線技術, フィールドセンシング及び
一般). 電子情報通信学会技術研究報告. AN, アドホックネットワーク, 112(494), 101-108.

6. 実験データ収集
• 実験に用いるデータ収集のために，Android用アプリの開発を行った．
アプリの仕様
• 端末のバックグラウンドで常に起動し続けるように設計
– 端末の再起動やメモリ解放アプリなどによってアプリが停止しないように対応
• 4秒間隔でデータの取得を行う
– 取得時の日付・時刻，センサデータ，位置情報，使用中アプリ
• 取得したデータは，データベース(SQLite)へ保存
• 使用プログラミング言語：Java
データ収集
• 研究室の3名の学生の使っているスマホに開発したアプリをインストール
• 特別な指示は与えず，普段と同じようにスマホを使ってもらいデータの収集に協力
してもらった．
データ取得期間 取得回数 使用アプリ数
学生A 10/22 15:26:02 ～ 12/07 23:59:59 812,497 47
学生B 10/22 17:19:03 ～ 01/12 14:14:06 1,383,555 66
学生C 11/06 12:43:57 ～ 01/12 15:07:42 1,004,277 48

7. 使用アプリの特徴
各アプリの起動回数を集計し，全起動回数の中で占める割合の高い順に並べたグラフ（第20位まで）
• 人によって使用するアプリのジャンル
や頻度に違いが出る
• ブラウザ，Twitterは共通でよく使われ
ている
• どの学生も，上位5個の使用率の合計が
半数を超えていることがわかる
0%
5%
10%
15%
20%
25%
30%
35%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
使
用
率
順位
学生A
0%
5%
10%
15%
20%
25%
30%
35%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
使
用
率
順位
学生B
0%
5%
10%
15%
20%
25%
30%
35%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
使
用
率
順位
学生C
計64.44% 計65.17%
計77.55%
ブラウザ
Twitter
メール
ゲーム
ゲーム
Twitter
LINE
ブラウザ
YouTube
2chまとめ
2chブラウザ
ブラウザ
Twitter
YouTube
ニコニコ動画

8. 使用アプリの特徴
A
B
C
• 各学生の使用率１位のアプリの，時間帯および曜日ごとの起動回数の頻度分布
• 1番使われているアプ
リであっても，時間帯
や曜日毎の起動回数に
ばらつきがあることが
わかる．
• 特に赤丸をつけた部分
は周囲との違いが顕著
である．
• この事から，時間や曜
日は使用アプリ予測に
重要な要素の1つと考
えられる．
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0
0.05
0.1
0.15
0.2
0.25
月 火 水 木 金 土 日
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0
0.05
0.1
0.15
0.2
0.25
月 火 水 木 金 土 日
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0
0.05
0.1
0.15
0.2
0.25
月 火 水 木 金 土 日

9. ニューラルネットワークの作成
入力層
– ユニット数：入力データ(センサデータ，位置情報，アプリの使
用履歴)の次元数
出力層
– ユニット数：使用可能なアプリの数
– ソフトマックス関数により出力を確率として得る
中間層
– 層数：2層，3層の2通り
– ユニット数：30個，100個，300個の3通り
活性化関数
– tanh

10. 勾配降下法と学習係数の調整方法
• 勾配降下法での重み𝐰の更新式：𝐰(𝑡+1) = 𝐰(𝑡) − 𝜖𝛻𝐸 𝜖：学習係数
• 今回は学習係数を自動で調整する方法を用いた．
AdaGrad
出典：Duchi, J., Hazan, E., & Singer, Y. (2011). Adaptive subgradient methods for online learning and stochastic
optimization. The Journal of Machine Learning Research, 12, 2121-2159.
Adam
出典：Kingma, D., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
−
𝜖
𝑡′=1
𝑡
𝑔𝑡′,𝑖
2
𝑔𝑡,𝑖
𝐯(𝑡+1) = 𝛽𝐯(𝑡) + 1 − 𝛽 𝐠 𝑡 (𝐯 0 = 𝑂)
𝐫(𝑡+1)
= 𝛾𝐫(𝑡)
+ 1 − 𝛾 𝐠 𝑡
2
(𝐫(0)
= 𝑂)
𝐰(𝑡+1)
= 𝐰(𝑡)
−
𝛼
𝐫(𝑡)
1 − 𝛾 𝑡 + 𝜖
𝐯 𝑡
1 − 𝛽
誤差関数の勾配を 𝐠 𝑡 ≡ 𝛻𝐸𝑡，このベクトルの成分を 𝑔𝑡,𝑖と書
くと，普通の勾配降下法では更新量のi成分は−𝜖𝑔𝑡,𝑖だが，
AdaGradはこれを左式のようにする．
基礎的な学習係数の調整方法でもあり，今回の実験で用いる
ことにした．
4つのハイパーパラメータ 𝛼, 𝛽, 𝛾, 𝜖を用いて
左式のようにパラメータの更新を行う．
ハイパーパラメータは 𝛼 = 0.001, 𝛽 = 0.9,
𝛾 = 0.999, 𝜖 = 10−8
の値を用いる．
AdaGradよりも学習の収束が早くなる効果が期待でき，
予備実験から，他の手法と比べて良い結果を得られた
ので採用した．

11. 実験
目標
• ニューラルネットワークを用いたランチャーが，既存のランチャー
よりも良い性能を得る
比較対象：起動回数の多い順にアプリを表示するランチャー
– アプリ使用履歴にのみ基づいており，単純だがある程度の性能が期待できる
実験方法
• 収集したデータの前半7割を学習用データ，残りをテストデータと
する
• 学習したニューラルネットワークによって，テストデータの入力か
ら予測を行う
• 予測を基にランチャーにアプリを表示したと仮定，実際にその中に
起動したアプリが含まれている割合を調べる
• 中間層の層数・ユニット数，学習係数の調整方法を変えて実験を行
う

12. 入力データ
• 入力データの種類
収集したデータの中から予測に必要だと思われるものだけを選択し，学習
に用いた
種類 数 備考
曜日 1 月～日→1～7に変更
時刻 1 24時間を[0,1]のスケールに変更
加速度 3（x,y,z軸） 単位：𝑚𝑠2
磁気 3（x,y,z軸） 単位：𝜇𝑇
近接 １ 単位：𝑐𝑚
照度 １ 単位：𝑙𝑢𝑥
位置情報 ２(緯度・経度) 単位：𝑑𝑒𝑔
アプリ使用履歴 10分以内に使用したアプリ
• 取得したが，入力に用いなかったデータ
傾き，回転ベクトル，気圧

13. 結果
• ランチャーに表示するアプリの数がそれぞれ1個・3個・5個とした時の，パラメータ
の違いによる，使用アプリが含まれている割合（学生A,B,Cの3人分の平均値）
表示数：5個
表示数：1個 表示数：3個
• アプリを表示する数が1個の時は，僅かだ
が起動頻度順の方が上回る
• だが，表示数を3個，5個とした時は，
ニューラルネットワークを用いた方法が
上回っている
層数 ユニット AdaGrad Adam 起動頻度順
30 25.60% 22.61%
100 22.93% 18.75%
300 18.37% 17.17%
30 25.17% 22.96%
100 21.03% 19.47%
300 21.23% 17.79%
2
3
25.71%
層数 ユニット AdaGrad Adam 起動頻度順
30 59.51% 61.56%
100 62.29% 64.21%
300 62.90% 66.03%
30 63.96% 65.25%
100 63.23% 61.45%
300 61.63% 63.93%
2
65.71%
3
層数 ユニット AdaGrad Adam 起動頻度順
30 47.55% 45.07%
100 45.18% 46.56%
300 44.36% 47.81%
30 39.41% 45.66%
100 44.68% 46.01%
300 43.17% 45.83%
2
45.52%
3

14. 結果
• 中間層の数：2層，中間層のユニット数：300個，学習係数の調整法：Adam
• 学生Aは表示アプリの数が2~6の場合にニュー
ラルネットワークを用いたランチャーの性能が
上回る
• 学生B,Cはニューラルネットワークを用いたラ
ンチャーが良い結果を得られなかった．
考察
• 入力に用いたデータの種類の中に，まだ不要な
情報が含まれているのではないか
• センサデータを正規化せずに，そのまま学習に
用いている事が良くないのではないか

15. まとめ
• 一部のデータにおいて，ニューラルネットワークを用い
た予測に有効性が確認された
• 全てのデータに対して良い結果が得られなかったのは，
ニューラルネットワークへの入力データに原因があるの
ではないかと考えた
今後の展望
• 入力データおよび学習方法の見直し
• 今回用いなかった予測方法との比較