Android 애플리케이션은 UI를 호스팅하고 사용자 상호작용 이벤트를 처리하는 시각적 그래픽 사용자 인터페이스 (GUI) 컨테이너를 제공하는 활동(Activity)을 중심으로 구성됩니다. 활동 전이 그래프 (Activity Transition Graphs, ATGs)는 앱의 GUI 탐색을 모델링하는 데 널리 사용되어 왔습니다. 그러나 고품질의 ATG를 구축하는 것은 매우 도전적인 과제입니다. 정적 분석 (Static analysis)에 기반한 ATG는 허용 가능한 전이를 놓칠 수 있고 실행 불가능한 전이를 추출할 수 있는 반면, 동적으로 탐색된 ATG는 불완전한 전이를 생성할 수 있습니다. 최근의 학습 기반 접근 방식은 ATG 구축을 시드 감독 (Seed-supervised) 링크 예측 (Link-prediction) 작업으로 취급할 수 있습니다. 그러나 ATG 구축을 위해 활동-레이아웃 (Activity-layout) 및 위젯-트리거 (Widget-trigger) 정보를 사용하는 것은 여전히 제한적입니다. 우리는 시드 감독 ATG 구축을 위한 특징 보조 그래프 학습 접근 방식인 ATGBuilder를 제안합니다. ATGBuilder는 대규모 언어 모델 (Large Language Model, LLM)을 사용하여 레이아웃으로부터 UI 활동 메타데이터를 요약하여 압축된 텍스트 기능 요약본으로 만듭니다. ATGBuilder는 위젯-트리거 정보를 엣지 속성 (Edge attribute)으로 명시적으로 모델링합니다. 그런 다음 모델 학습 과정에서 이 정보에 대해 보조적인 위젯-속성 재구성 (Widget-attribute reconstruction) 목적 함수를 사용합니다. ATGBuilder의 성능은 frontmatter 코퍼스에 대한 일련의 절제 연구 (Ablations)와 수동으로 확인된 정답 (Ground-truth) ATG를 사용하는 벤치마크 실험을 통해 평가되었습니다. 여러 벤치마크에 대한 실험 결과, ATGBuilder는 최신 기술 (State-of-the-art) 방법들을 크게 능가하는 것으로 나타났습니다. 우리는 더 나아가 더 나은 탐색 가이드를 제공함으로써 자동화된 GUI 탐색 도구를 개선하여 그 효과를 입증했습니다.