Academic Journal
SAppKG: Mobile App Recommendation Using Knowledge Graph and Side Information-A Secure Framework
| Τίτλος: | SAppKG: Mobile App Recommendation Using Knowledge Graph and Side Information-A Secure Framework |
|---|---|
| Συγγραφείς: | Daksh Dave, Aditya Sharma, Shafi'i Muhammad Abdulhamid, Adeel Ahmed, Adnan Akhunzada, Rashid Amin |
| Πηγή: | IEEE Access, Vol 11, Pp 76751-76767 (2023) Dave, D, Sharma, A, Abdulhamid, S M, Ahmed, A, Akhunzada, A & Amin, R 2023, ' SAppKG: Mobile App Recommendation Using Knowledge Graph and Side Information-A Secure Framework ', IEEE Access, vol. 11, pp. 76751-76767 . https://doi.org/10.1109/ACCESS.2023.3296466 |
| Publication Status: | Preprint |
| Στοιχεία εκδότη: | Institute of Electrical and Electronics Engineers (IEEE), 2023. |
| Έτος έκδοσης: | 2023 |
| Θεματικοί όροι: | FOS: Computer and information sciences, Mean reciprocal rank, Computer Networks and Communications, Information privacy, Trust-Aware Recommender Systems, Link prediction, Mobile device, privacy, Graph, Computer Science - Information Retrieval, semantic information, Context-Aware Recommender Systems, Theoretical computer science, Artificial Intelligence, Recommender System, Information retrieval, Signal Processing on Graphs, Recommender system, Content-Centric Networking for Information Delivery, link prediction, Knowledge graph, mobile apps, recommender system, Social and Information Networks (cs.SI), Knowledge Graph Embedding, Content-Based Recommendation, Computer Science - Social and Information Networks, Computer science, TK1-9971, World Wide Web, Recommender System Technologies, Privacy, Semantic information, Computer Science, Physical Sciences, Mobile apps, Internet privacy, Electrical engineering. Electronics. Nuclear engineering, Graph Neural Network Models and Applications, Information Retrieval (cs.IR), Information Systems |
| Περιγραφή: | En raison du développement rapide de la technologie et de l'utilisation généralisée des smartphones, le nombre d'applications mobiles augmente de façon exponentielle. Il peut être difficile de trouver une collection d'applications adaptée aux besoins et aux préférences des utilisateurs. Cependant, les systèmes de recommandation d'applications mobiles sont apparus comme un outil utile pour simplifier ce processus. Mais il y a un inconvénient à utiliser des systèmes de recommandation d'applications. Ces systèmes ont besoin d'accéder aux données des utilisateurs, ce qui constitue une grave violation de la sécurité. Bien que les utilisateurs recherchent des opinions précises, ils ne veulent pas compromettre leur vie privée dans le processus. Nous résolvons ce problème en développant SAppKG, une architecture de graphe de connaissances de bout en bout préservant la confidentialité des utilisateurs pour la recommandation d'applications mobiles basée sur des modèles de graphe de connaissances tels que SAppKG-S et SAppKG-D, qui utilisait les données d'interaction et les informations secondaires des attributs de l'application. Nous avons testé le modèle proposé sur des données réelles de la boutique d'applications Google Play, en utilisant la précision, le rappel, la précision absolue moyenne et le rang réciproque moyen. Nous avons constaté que le modèle proposé améliorait les résultats sur les quatre paramètres. Nous avons également comparé le modèle proposé aux modèles de référence et avons constaté qu'il les surpassait sur les quatre paramètres. Debido al rápido desarrollo de la tecnología y al uso generalizado de los teléfonos inteligentes, el número de aplicaciones móviles está creciendo exponencialmente. Encontrar una colección adecuada de aplicaciones que se alinee con las necesidades y preferencias de los usuarios puede ser un desafío. Sin embargo, los sistemas de recomendación de aplicaciones móviles se han convertido en una herramienta útil para simplificar este proceso. Pero hay un inconveniente en emplear sistemas de recomendación de aplicaciones. Estos sistemas necesitan acceso a los datos del usuario, lo que constituye una grave violación de la seguridad. Si bien los usuarios buscan opiniones precisas, no quieren comprometer su privacidad en el proceso. Abordamos este problema desarrollando SAppKG, una arquitectura de gráfico de conocimiento que preserva la privacidad del usuario de extremo a extremo para la recomendación de aplicaciones móviles basada en modelos de gráficos de conocimiento como SAppKG-S y SAppKG-D, que utiliza los datos de interacción y la información secundaria de los atributos de la aplicación. Probamos el modelo propuesto en datos del mundo real de la tienda de aplicaciones Google Play, utilizando precisión, recuperación, precisión absoluta media y rango recíproco medio. Encontramos que el modelo propuesto mejoró los resultados en las cuatro métricas. También comparamos el modelo propuesto con los modelos de referencia y descubrimos que los superó en las cuatro métricas. Due to the rapid development of technology and the widespread usage of smartphones, the number of mobile applications is exponentially growing. Finding a suitable collection of apps that aligns with users' needs and preferences can be challenging. However, mobile app recommender systems have emerged as a helpful tool in simplifying this process. But there is a drawback to employing app recommender systems. These systems need access to user data, which is a serious security violation. While users seek accurate opinions, they do not want to compromise their privacy in the process. We address this issue by developing SAppKG, an end-to-end user privacy-preserving knowledge graph architecture for mobile app recommendation based on knowledge graph models such as SAppKG-S and SAppKG-D, that utilized the interaction data and side information of app attributes. We tested the proposed model on real-world data from the Google Play app store, using precision, recall, mean absolute precision, and mean reciprocal rank. We found that the proposed model improved results on all four metrics. We also compared the proposed model to baseline models and found that it outperformed them on all four metrics. نظرًا للتطور السريع للتكنولوجيا والاستخدام الواسع للهواتف الذكية، يتزايد عدد تطبيقات الهاتف المحمول بشكل كبير. قد يكون العثور على مجموعة مناسبة من التطبيقات التي تتوافق مع احتياجات المستخدمين وتفضيلاتهم أمرًا صعبًا. ومع ذلك، ظهرت أنظمة التوصية بتطبيقات الهاتف المحمول كأداة مفيدة في تبسيط هذه العملية. ولكن هناك عيب في استخدام أنظمة التوصية بالتطبيقات. تحتاج هذه الأنظمة إلى الوصول إلى بيانات المستخدم، وهو انتهاك أمني خطير. بينما يسعى المستخدمون للحصول على آراء دقيقة، فإنهم لا يريدون المساس بخصوصيتهم في هذه العملية. نعالج هذه المشكلة من خلال تطوير SAppKG، وهي بنية رسوم بيانية معرفية شاملة للحفاظ على خصوصية المستخدم لتوصية تطبيقات الهاتف المحمول بناءً على نماذج الرسوم البيانية المعرفية مثل SAppKG - S و SAppKG - D، والتي تستخدم بيانات التفاعل والمعلومات الجانبية لسمات التطبيق. اختبرنا النموذج المقترح على بيانات العالم الحقيقي من متجر تطبيقات Google Play، باستخدام الدقة والتذكر ومتوسط الدقة المطلقة ومتوسط الترتيب المتبادل. وجدنا أن النموذج المقترح حسّن النتائج على جميع المقاييس الأربعة. كما قارنا النموذج المقترح بنماذج خط الأساس ووجدنا أنه تفوق عليها في جميع المقاييس الأربعة. |
| Τύπος εγγράφου: | Article Other literature type |
| Περιγραφή αρχείου: | application/pdf |
| ISSN: | 2169-3536 |
| DOI: | 10.1109/access.2023.3296466 |
| DOI: | 10.60692/yfe26-qds67 |
| DOI: | 10.60692/cpxta-kc152 |
| DOI: | 10.48550/arxiv.2309.17115 |
| Σύνδεσμος πρόσβασης: | http://arxiv.org/abs/2309.17115 https://doaj.org/article/3e5f1a1bfa6d40ab81c127dd2186af12 https://orbit.dtu.dk/en/publications/974f019d-b73a-4671-89a8-939e198d1718 |
| Rights: | CC BY |
| Αριθμός Καταχώρησης: | edsair.doi.dedup.....bd0c66a588a7f66b37cba19632e805b3 |
| Βάση Δεδομένων: | OpenAIRE |
| ISSN: | 21693536 |
|---|---|
| DOI: | 10.1109/access.2023.3296466 |