Analyse des relations de recommandation dans l’App Store iOS : une étude de réseaux complexes

Introduction au contexte

Les applications mobiles (connues sous le nom d’apps) constituent une partie essentielle de l’écosystème numérique contemporain. Cependant, avec l’augmentation exponentielle de leur nombre, il devient de plus en plus difficile pour les utilisateurs de trouver les applications dont ils ont besoin sur les plateformes, et pour les développeurs de faire découvrir leurs produits. Pour améliorer l’expérience utilisateur, la plupart des magasins d’applications proposent des fonctionnalités de recommandation basées sur des comportements utilisateur ou d’autres algorithmes. Par exemple, la fonctionnalité « Vous pourriez aussi aimer » (« You Might Also Like ») de l’App Store iOS présente des applications similaires ou connexes sur la page d’une application donnée, formant ainsi un réseau de relations de recommandation.

Bien que les recommandations d’applications influencent de manière significative les comportements des utilisateurs et les performances des applications sur le marché, peu de travaux ont approfondi l’étude des caractéristiques fondamentales des réseaux de recommandation. Les chercheurs de cette étude ont tenté de combler cette lacune, en analysant le réseau de recommandations de l’App Store iOS sous l’angle des réseaux complexes pour explorer ses liens avec les comportements des utilisateurs et optimiser les mécanismes de recommandation.

Informations sur l’article et ses auteurs

Ce travail de recherche, intitulé “Characterizing the App Recommendation Relationships in the iOS App Store: A Complex Network’s Perspective”, a été réalisé par des chercheurs de plusieurs institutions, notamment le Key Lab of High Confidence Software Technologies, Peking University, China, l’Université des sciences et technologies de Huazhong, le groupe Alibaba, et l’Université des sciences et technologies de Hong Kong (campus de Guangzhou). Les auteurs correspondants sont Yun Ma (Université de Pékin) et Haoyu Wang (Université des sciences et technologies de Huazhong). Cet article a été publié dans le numéro d’avril 2025 de la revue Science China Information Sciences, volume 68, numéro 4 (DOI : 10.1007/s11432-023-3973-1).

Processus de recherche

Collecte des données et construction du réseau

Pour étudier les relations de recommandation dans l’App Store iOS, les chercheurs ont constitué un ensemble de données contenant plus de 1,34 million d’applications et plus de 50 millions de relations de recommandations selon la méthodologie suivante :

1. Collecte d’applications de départ : Les auteurs ont récupéré les classements en temps réel et les listes d’applications récemment publiées pour l’App Store iOS en Chine, entre le 1er janvier 2020 et le 31 mars 2021.
2. Extension par mots-clés : À partir des applications collectées, des mots-clés d’optimisation de référencement (ASO keywords) ont été extraits, permettant d’identifier d’autres applications grâce à une recherche basée sur ces mots-clés.
3. Exploration récursive : En utilisant les applications collectées comme point de départ, une exploration en largeur (breadth-first search) a permis d’obtenir une vision complète de l’écosystème des recommandations, en collectant les métadonnées et relations de recommandation de manière exhaustive.

Le réseau obtenu, où chaque nœud représente une application et chaque arête dirigée une relation de recommandation, servit de base pour l’analyse.

Analyse du réseau

1. Une analyse approfondie des propriétés du réseau a été réalisée en comparant ses caractéristiques à celles d’autres réseaux complexes connus (par exemple, les réseaux de co-achat de produits ou les réseaux sociaux).
2. Les distributions des degrés d’entrée (in-degree) et de sortie (out-degree) ont été calculées. Un degré d’entrée élevé signifie qu’une application est fortement recommandée, tandis qu’un degré de sortie élevé indique qu’une application recommande de nombreuses autres apps.
3. La connectivité structurelle a été explorée via les composants fortement connectés (SCC) et faiblement connectés (WCC).
4. Le coefficient de clustering local a été mesuré afin d’identifier la modularité et les relations intenses entre applications.

Méthodologies spécifiques

En combinant les métadonnées des applications et les caractéristiques structurelles du réseau, les recherches ont porté sur :

1. L’exposition des applications : Analyse des facteurs associés à une fréquence élevée de recommandations, tels que la catégorie, les notes utilisateur et la maintenance de l’application.
2. Relations bidirectionnelles : Étude des motifs de réciprocité dans les recommandations, en examinant notamment les catégories ou les performances des applications souvent recommandées ensemble.
3. Analyse locale des motifs structurels : Identification des motifs récurrents au sein du réseau pour comprendre les schémas spécifiques de recommandations.

En outre, une méthode basée sur les cliques maximales a été développée pour détecter automatiquement les applications potentiellement non conformes aux règlements de l’App Store.

Résultats clés

1. Caractéristiques du réseau complexe :

   • Le réseau présente des propriétés de petit monde (« small-world properties »), indiquant qu’une grande majorité de nœuds sont accessibles via quelques étapes intermédiaires.
   • Une grande composante fortement connectée (couvrant 80,08 % des nœuds) reflète que la plupart des applications bénéficient d’une certaine exposition dans le système de recommandation.

2. Règles de recommandation :

   • Certaines catégories d’applications (telles que les affaires, l’éducation et les jeux) obtiennent un taux de recommandation nettement plus élevé.
   • Des applications mieux notées et mises à jour régulièrement reçoivent plus de recommandations, tandis que les apps de mauvaise qualité restent peu exposées (7,67 % des nœuds ont un degré d’entrée nul).
   • Les applications fréquemment recommandées sont souvent des nœuds centraux au sein de leurs catégories ou de groupes d’applications aux fonctionnalités complémentaires.

3. Analyse des motifs locaux :

   • Motif 1 (Figure 8a) : Met en évidence des recommandations convergentes vers des applications particulièrement populaires répondant à des besoins spécifiques.
   • Motif 2 (Figure 8b) : Met l’accent sur des relations intensément liées au sein des catégories, reflétant des fonctionnalités complémentaires ou exclusives entre applications similaires.

4. Détection des applications non conformes :

   • La méthode proposée identifie efficacement les applications non conformes en analysant les cliques maximales. Elle a détecté 43,75 % des applications retirées pour non-conformité, et a également permis d’identifier des violations non détectées, telles que des descriptions trompeuses, des évaluations manipulées ou des applications de faible qualité.

Signification et contributions

Cette étude offre des contributions significatives tant sur le plan scientifique que pratique, notamment :

1. Valeur scientifique : Ces travaux enrichissent la littérature sur les réseaux complexes en explorant un type singulier de réseau, celui des recommandations de produits dans un écosystème applicatif.
2. Utilité pour les développeurs : Les résultats fournissent des stratégies claires pour optimiser la visibilité : concentrer leurs efforts sur des catégories populaires, maintenir une qualité élevée et établir des connexions stratégiques.
3. Amélioration de la régulation : Le cadre méthodologique proposé peut renforcer les stratégies de détection proactive des applications litigieuses dans les magasins d’applications.

Cette étude jette un éclairage nouveau sur les mécanismes de recommandation dans les écosystèmes mobiles, ouvrant la voie à des recherches futures et à une meilleure compréhension des interactions entre les applications et les comportements utilisateur.