KR102078609B1 - 게임 로그 시각화를 통한 게임 플레이 패턴 예측 방법 - Google Patents

게임 로그 시각화를 통한 게임 플레이 패턴 예측 방법 Download PDF

Info

Publication number
KR102078609B1
KR102078609B1 KR1020180126826A KR20180126826A KR102078609B1 KR 102078609 B1 KR102078609 B1 KR 102078609B1 KR 1020180126826 A KR1020180126826 A KR 1020180126826A KR 20180126826 A KR20180126826 A KR 20180126826A KR 102078609 B1 KR102078609 B1 KR 102078609B1
Authority
KR
South Korea
Prior art keywords
game
data image
log
players
player
Prior art date
Application number
KR1020180126826A
Other languages
English (en)
Inventor
송대섭
서은비
Original Assignee
주식회사 카카오게임즈
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 카카오게임즈 filed Critical 주식회사 카카오게임즈
Priority to KR1020180126826A priority Critical patent/KR102078609B1/ko
Application granted granted Critical
Publication of KR102078609B1 publication Critical patent/KR102078609B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
    • A63F13/67—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor adaptively or by learning from player actions, e.g. skill level adjustment or by storing successful combat sequences for re-use
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/70—Game security or game management aspects
    • A63F13/77—Game security or game management aspects involving data related to game devices or game servers, e.g. configuration data, software version or amount of memory
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/70—Game security or game management aspects
    • A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법이 개시된다. 상기 방법의 처리를 위해 컴퓨터 프로그램에 저장된 동작은 하나 이상의 플레이어의 게임 플레이와 관련된 하나 이상의 게임 로그를 포함하는 게임 로그 세트를 획득하는 동작; 상기 하나 이상의 플레이어 각각에 대하여 상기 게임 로그 세트에 기초하여 하나 이상의 게임 데이터 이미지를 포함하는 게임 데이터 이미지 세트를 생성하는 동작; 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성하는 동작; 및 상기 학습 데이터 세트를 이용하여 전체 플레이어의 게임 플레이 패턴을 학습시켜, 일 플레이어의 게임 데이터 이미지 세트를 통해 게임 플레이 패턴을 예측하는 게임 플레이 예측 모델을 생성하는 동작을 포함한다.

Description

게임 로그 시각화를 통한 게임 플레이 패턴 예측 방법{METHOD TO PREDICT PATTERN OF GAME PLAY THROUGH VISUALIZING GAME LOG}
본 발명은 컴퓨팅 장치를 이용한 게임 플레이어의 패턴 예측 방법에 관한 것으로 보다 구체적으로 게임의 플레이어의 게임 로그 시각화를 통한 패턴 예측 솔루션에 관한 것이다.
온라인 게임 시장이 활발해짐에 따라 게임 플레이어들이 플레이할 수 있는 게임의 종류가 함께 증가하고 있다. 게임 사들은, 게임 플레이어들이 플레이할 수 있는 게임의 종류가 증가함에 따라, 게임 플레이어가 기존에 플레이 중이던 게임에서 이탈하고, 새로운 게임에 진입하는 것을 막으려는 방법에 관하여 논의하고 있다.
한편, 게임 플레이어가 기존에 플레이 중이던 게임에서 이탈하는 것을 방지하기 위해서는, 당 사에서 운영 중인 게임에 대한 게임 플레이어들의 로그를 분석하여, 해당 로그 분석에 따라 적절한 조치를 취하기 위한 방법에 대한 당업계의 기술적 과제가 존재하였다.
대한민국 공개특허 제10-2014-0013294호는 계정 휴면 징후 분석장치를 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 플레이어의 게임 로그를 시각화하고, 게임 플레이어의 시각화한 게임 로그를 통해 패턴을 예측하는 방법을 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 게임 로그의 시각화를 통한 패턴 예측을 위한 이하의 동작들을 수행하도록 하며 상기 동작들은, 하나 이상의 플레이어의 게임 플레이와 관련된 하나 이상의 게임 로그를 포함하는 게임 로그 세트를 획득하는 동작; 상기 하나 이상의 플레이어 각각에 대하여 상기 게임 로그 세트에 기초하여 하나 이상의 게임 데이터 이미지를 포함하는 게임 데이터 이미지 세트를 생성하는 동작; 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성하는 동작; 및 상기 학습 데이터 세트를 이용하여 전체 플레이어의 게임 플레이 패턴을 학습시켜, 일 플레이어의 게임 데이터 이미지 세트를 통해 게임 플레이 패턴을 예측하는 게임 플레이 예측 모델을 생성하는 동작을 포함할 수 있다.
게임 로그의 시각화를 통한 패턴 예측을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 게임 데이터 이미지 세트는, 상기 게임 로그 세트와 관련된 값을 픽셀의 값으로 가지는 게임 데이터 이미지를 포함할 수 있다.
게임 로그의 시각화를 통한 패턴 예측을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 게임 데이터 이미지 세트는, 타임 슬롯 별 상기 게임 로그 세트에 포함된 하나 이상의 게임 요소 중 하나의 게임 요소의 게임 로그 값을 픽셀에 표시한 게임 데이터 이미지를 포함할 수 있다.
게임 로그의 시각화를 통한 패턴 예측을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 게임 데이터 이미지 세트는, 상기 게임 로그 세트에 포함된 하나 이상의 게임 요소 중 둘 이상의 게임 요소들의 게임 로그 값 사이의 관계를 픽셀에 표시한 게임 데이터 이미지를 포함할 수 있다.
게임 로그의 시각화를 통한 패턴 예측을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 게임 로그 값은, 원-핫 엔코딩(one-hot encoding) 기법을 이용하여, 상기 게임 요소에 포함된 게임 로그의 최대값 및 최소값에 기초하여 정규화 한 값을 포함할 수 있다.
게임 로그의 시각화를 통한 패턴 예측을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 게임 데이터 이미지 세트는, 원-핫 엔코딩 기법을 이용하여, 상기 게임 로그와 관련된 픽셀은 픽셀 값을 1로 표시하고, 그리고 상기 게임 로그와 관련이 없는 픽셀은 픽셀 값을 0으로 표시한 게임 데이터 이미지를 포함할 수 있다.
게임 로그의 시각화를 통한 패턴 예측을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성하는 동작은, 제 1 기간의 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트에 상기 하나 이상의 플레이어 각각의 제 2 기간에서의 게임 로그 세트의 하나 이상의 게임 요소 중 적어도 하나의 게임 요소에 기초한 게임 로그 값을 라벨링하여 상기 학습 데이터 세트를 생성하는 동작을 포함할 수 있다.
게임 로그의 시각화를 통한 패턴 예측을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 게임 플레이 패턴은, 이탈 패턴 및 결제 패턴 중 적어도 하나를 포함할 수 있다.
게임 로그의 시각화를 통한 패턴 예측을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 일 플레이어의 게임 데이터 이미지 세트를 통해 예측된 플레이 패턴 및 상기 일 플레이어의 게임 데이터 이미지 세트에 포함된 게임 데이터 이미지의 게임 로그에 기초하여, 상기 일 플레이어에게 제공될 피드백을 결정하는 동작을 더 포함할 수 있다.
본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법이 개시된다. 상기 방법은, 하나 이상의 플레이어의 게임 플레이와 관련된 하나 이상의 게임 로그를 포함하는 게임 로그 세트를 획득하는 단계; 상기 하나 이상의 플레이어 각각에 대하여 상기 게임 로그 세트에 기초하여 하나 이상의 게임 데이터 이미지를 포함하는 게임 데이터 이미지 세트를 생성하는 단계; 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성하는 단계; 및 상기 학습 데이터 세트를 이용하여 전체 플레이어의 게임 플레이 패턴을 학습시켜, 일 플레이어의 게임 데이터 이미지 세트를 통해 게임 플레이 패턴을 예측하는 게임 플레이 예측 모델을 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는, 하나 이상의 코어를 포함하는 프로세서; 및 메모리를 포함하고, 상기 프로세서는, 하나 이상의 플레이어의 게임 플레이와 관련된 하나 이상의 게임 로그를 포함하는 게임 로그 세트를 획득하고, 상기 하나 이상의 플레이어 각각에 대하여 상기 게임 로그 세트에 기초하여 하나 이상의 게임 데이터 이미지를 포함하는 게임 데이터 이미지 세트를 생성하고, 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성하고, 그리고 상기 학습 데이터 세트를 이용하여 전체 플레이어의 게임 플레이 패턴을 학습시켜, 일 플레이어의 게임 데이터 이미지 세트를 통해 게임 플레이 패턴을 예측하는 게임 플레이 예측 모델을 생성할 수 있다.
본 개시는 게임 로그의 시각화를 통한 패턴 예측 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측을 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따른 원-핫 엔코딩을 이용한 게임 로그의 시각화 방법의 예시도이다.
도 3은 본 개시의 일 실시예에 따른 원-핫 엔코딩을 이용한 게임 로그의 시각화 방법의 예시도이다.
도 4는 본 개시의 일 실시예에 따라 비정상 게임 플레이 판단 방법의 순서도이다.
도 5는 본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.
도 6은 본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.
도 7은 본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.
도 8은 본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.
도 9는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의 미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시의 일 실시예에서 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 명세서에서 네트워크 함수는 인공 신경망, 뉴럴 네트워크와 상호 교환 가능하게 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다.
본 명세서에서 모델은 네트워크 함수를 포함할 수 있다. 모델은 하나 이상의 네트워크 함수를 포함할 수도 있으며, 이 경우 모델의 출력은 하나 이상의 네트워크 함수의 출력의 앙상블일 수 있다.
도 1은 본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측을 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있다.
컴퓨팅 장치(100)는 네트워크부(110), 프로세서(120), 메모리(130)를 포함할 수 있다. 본 개시의 컴퓨팅 장치는 게임 서비스 사의 게임 서버를 포함할 수 있다.
네트워크부(110)는 본 개시의 일 실시예에 따른 게임 로그의 시각화를 통한 패턴 예측 방법을 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 네트워크부(110)는 게임 플레이어의 게임 로그 등 본 개시의 실시예에 필요한 데이터들을 다른 컴퓨팅 장치, 서버 등과 송수신 할 수 있다. 또한, 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 모델의 학습이 분산 수행되도록 할 수 있다. 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 모델을 이용한 게임 플레이 패턴 예측에 관한 연산을 분산 처리할 수 있도록 할 수 있다.
프로세서(120)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(120)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 게임 로그의 시각화를 통한 패턴 예측 방법을 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(120)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐(feature) 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.
프로세서(120)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 모델의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 모델의 학습, 모델을 이용한 게임 플레이 화면에 비정상 패턴의 존재 여부에 관한 연산을 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 게임 플레이 예측 모델의 학습 및 게임 플레이 예측 모델을 이용한 게임 플레이 패턴 예측에 관한 연산을 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에서 컴퓨팅 장치(100)는 CPU, GPGPU, 및 TPU 중 적어도 하나를 이용하여 모델을 분산하여 처리할 수 있다. 또한 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 다른 컴퓨팅 장치와 함께 모델을 분산하여 처리할 수 있다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 플레이어의 게임 플레이와 관련된 게임 로그를 시각화하는 방법에 관하여 설명한다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 게임 플레이와 관련된 게임 로그에 관하여 설명한다.
프로세서(120)는 네트워크부(110)를 통해 하나 이상의 플레이어의 게임 플레이와 관련된 게임 로그를 획득할 수 있다. 프로세서(120)는 네트워크부(110)를 통해 게임 서버에서 관리하는 전체 플레이어의 게임 플레이와 관련된 하나 이상의 게임 로그를 포함하는 게임 로그 세트를 획득할 수 있다. 프로세서(120)는 네트워크부(110)를 통해 게임 서버에서 관리하는 전체 플레이어 중 사전결정된 기간동안 게임 플레이가 있었던 플레이어들의 게임 플레이와 관련된 게임 로그 세트를 획득할 수 있다. 예를 들어, 프로세서(120)는 전체 게임 플레이어에 대한 게임 로그 세트를 획득할 수도 있고, 또는 저번주 일주일 동안의 게임 플레이 기록이 있는 게임 플레이어에 대한 게임 로그 세트만을 획득할 수도 있다. 전술한 게임 플레이어의 게임 로그 세트의 획득에 관한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
게임 로그 세트는, 플레이어의 게임 플레이와 관련된 모든 트랜잭션 데이터를 포함할 수 있다. 트랜잭션 데이터는 게임 로그일 수 있다. 게임 로그 세트는, 플레이어가 게임에 진입한 시점부터 게임을 종료한 시점까지 게임에 영향을 주는 행동을 하는 게임 로그를 모두 포함하는 것일 수 있다. 예를 들어, 게임 로그 세트는, 일 플레이어가 게임을 시작하기 위하여 로그인을 수행하는 과정의 게임 로그, 복수의 게임 서버 중 일 게임 서버에 접속하기 위하여 대기하는 과정의 게임 로그, 다른 플레이어를 살해하는 과정에서의 게임 로그, 다른 플레이어와 아이템을 거래하는 과정에서의 게임 로그 등을 포함할 수 있다. 전술한 게임 로그에 대한 구체적인 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
게임 로그 세트는, 하나 이상의 게임 요소를 포함할 수 있다. 게임 요소는, 게임 플레이와 관련된 게임 로그 중 특정 조건을 만족하는 게임 로그 만을 그룹화 한 것의 통칭일 수 있다. 게임 요소는 특정 이벤트에 관련한 게임 로그를 그룹화한 것일 수 있다. 게임 요소는, 게임 플레이 여부와 관련된 게임 요소, 결제 관련 게임 요소 및 게임 플레이와 관련된 게임 요소를 포함할 수 있다.
게임 플레이 여부와 관련된 게임 요소는, 게임 플레이 시간, 게임 접속, 게임 이탈에 대한 게임 로그를 포함할 수 있다. 예를 들어, 게임 플레이 여부와 관련된 게임 요소는 A 플레이어의 게임 플레이 시간에 대한 게임 로그인, 6시간, A 플레이어의 1일에 게임 접속 게임 로그, 3일에 게임 접속 게임 로그, A 플레이어의 3일에 로그아웃 후 10일까지 로그인을 하지 않은 게임 로그 등을 포함할 수 있다. 전술한 게임 플레이 여부과 관련된 게임 요소에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
결제 관련 게임 요소는, 결제 금액, 결제를 통해 구입한 유료 재화의 종류, 결제를 한 횟수, 맵 별로 결제 한 금액 등에 대한 게임 로그를 포함할 수 있다. 예를 들어, 결제 관련 게임 요소는, A 플레이어의 5000원 결제 게임 로그, A 플레이어의 총기 구입을 위한 2만원 결제 게임 로그, A 플레이어의 사막 맵에서의 3000원 결제 금액 게임 로그 등을 포함할 수 있다. 전술한 게임 관련 게임 요소에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
게임 플레이와 관련된 게임 요소는, 스테이지 클리어 횟수, 다른 플레이어 살해 횟수, 게임 플레이에 따른 랭킹 횟수 등에 대한 게임 로그를 포함할 수 있다. 예를 들어, 게임 플레이와 관련된 게임 요소는, A 플레이어의 퀘스트 3회 수행 횟수 게임 로그, A 플레이어의 길드원 채팅 10회 수행 횟수 게임 로그, A 플레이어의 한 회 게임 플레이에서의 20회 킬 횟수 게임 로그 등을 포함할 수 있다. 전술한 게임 플레이와 관련된 게임 요소에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
이하에서는, 게임 데이터 이미지 세트를 구성하는 게임 데이터 이미지에 관하여 설명한다. 본 개시의 실시예에 따라 기재되는 게임 데이터 이미지의 가로축 및 세로축에 대한 기재는, 반대로 세로축 및 가로축으로도 설명될 수 있다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 게임 로그 세트를 타임 슬롯 및 게임 요소에 기초하여 1차원 게임 데이터 이미지로 시각화하는 방법에 관하여 설명한다.
프로세서(120)는 플레이어의 게임 플레이와 관련된 하나 이상의 게임 로그를 포함하는 게임 로그 세트를 기초로 하여 게임 데이터 이미지를 생성할 수 있다. 프로세서(120)는 게임 로그 세트에 포함된 게임 로그에 대한 값을 픽셀의 값으로 가지는 게임 데이터 이미지를 생성할 수 있다. 프로세서(120)는 게임 로그 세트의 타임 슬롯 및 게임 요소에 기초하여 1차원 게임 데이터 이미지를 생성할 수 있다.
1차원 게임 데이터 이미지는 1 * b 로 구성될 수 있다. 1차원 게임 데이터 이미지의, 세로축은 1개의 픽셀로 구성될 수 있고, 가로축은 b개의 픽셀로 구성될 수 있다.
1차원 게임 데이터 이미지 가로축의 픽셀 개수인 b는, 1이상의 값을 가질 수 있다. 1차원 게임 데이터 이미지의 b개의 픽셀로 이루어진 가로축은, 게임 로그의 시간을 나타낸 것일 수 있다. 1차원 게임 데이터 이미지 가로축의 픽셀 각각은 하나의 타임 슬롯을 의미할 수 있다. 타임 슬롯은, 일 구간의 시간을 의미할 수 있다. 타임 슬롯은, 시간 단위, 일 단위 등을 의미할 수 있다. 도 2를 참조하여 예를 들어 설명하면, 1차원 게임 데이터 이미지(210)의 가로축(212)은 1주일 동안의 시간을 나타낸 것일 수 있다. 1차원 게임 데이터 이미지(210)의 가로축(212)의 픽셀 각각은 하루 동안의 타임 슬롯을 의미할 수 있다. 1차원 게임 데이터 이미지(210)의 타임 슬롯은 각각 하루 동안의 시간 구간을 의미하므로, 픽셀 별로 각각 D-6, D-5, D-4 등의 타임 슬롯을 의미할 수 있다. 전술한 타임 슬롯에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
1차원 게임 데이터 이미지의 1개의 픽셀로 이루어진 세로축은, 게임 로그에 포함된 특정 게임 요소의 값을 나타낸 것일 수 있다. 1차원 게임 데이터 이미지의 세로축은, 게임 로그 세트에 포함된 하나 이상의 게임 요소 중 하나의 게임 요소에 기초하여 결정될 수 있다. 도 2 를 참조하여 설명하면, 1차원 게임 데이터 이미지(210)의 세로축(214)은 하나의 게임 요소에 대한 게임 로그 값을 의미할 수 있다. 세로축(214)에 표시되는 하나의 게임 요소는, 전술한 바와 같이 결제 관련 게임 요소, 게임 플레이와 관련된 게임 요소, 게임 플레이 여부와 관련된 게임 요소 등일 수 있다. 전술한 하나의 게임 요소에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 게임 플레이어의 게임 로그 세트에 포함되는 하나 이상의 게임 요소 중 하나의 게임 요소에 대한 게임 로그에 기초하여 1차원 게임 데이터 이미지를 생성할 수 있다. 프로세서(120)는 하나의 게임 요소에 대한 게임 로그에 기초하여 타임 슬롯 별 게임 로그 값을 픽셀에 표시할 수 있다. 프로세서(120)가 픽셀에 표시한 값은, 1차원 게임 데이터 이미지의 특정 타임 슬롯에서 특정 게임 요소의 게임 로그 값일 수 있다.
도 2를 참조하여 예를 들어 설명하면, 프로세서(120)는 플레이어의 게임 플레이와 관련된, 스테이지 클리어 횟수와 관련된 게임 요소의 게임 로그에 기초하여 1차원 게임 데이터 이미지(210)를 생성할 수 있다. 플레이어가 D-6 타임 슬롯에 해당하는 기간 동안, 스테이지를 10번 클리어 한 경우, 프로세서(120)는 가로축(212) 중 D-6의 타임 슬롯 및 세로축(214)의 픽셀에 10을 표시할 수 있다. 전술한 1차원 게임 데이터 이미지 생성에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 게임 로그를 둘 이상의 상이한 게임 요소에 기초하여 1차원 게임 데이터 이미지로 시각화하는 방법에 관하여 설명한다.
프로세서(120)는 플레이어의 게임 플레이와 관련된 하나 이상의 게임 로그를 포함하는 게임 로그 세트를 기초로 하여 게임 데이터 이미지를 생성할 수 있다. 프로세서(120)는 게임 로그 세트에 포함된 게임 로그에 대한 값을 픽셀의 값으로 가지는 게임 데이터 이미지를 생성할 수 있다. 프로세서(120)는 게임 로그 세트의 둘 이상의 게임 요소에 기초하여 1차원 게임 데이터 이미지를 생성할 수 있다. 1차원 게임 데이터 이미지는, 둘 이상의 게임 요소들의 게임 로그 값 사이의 관계를 픽셀에 표시한 것일 수 있다.
1차원 게임 데이터 이미지의 b개의 픽셀로 이루어진 가로축은, 게임 로그에 포함된 제 1 게임 요소에 기초한 것일 수 있다. 1차원 게임 데이터 이미지의 가로축은, 제 1 게임 요소에 대한 구간 각각에 대한 픽셀을 포함할 수 있다. 예를 들어, 제 1 게임 요소가 다른 플레이어로부터 킬 당한 횟수인 경우, 1차원 게임 데이터 이미지의 가로축의 픽셀 각각은, 0~2회, 2~5회, 6~10회 등의 구간을 의미할 수 있다. 전술한 1차원 게임 데이터 이미지의 가로축에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
1차원 게임 데이터 이미지의 1개의 픽셀로 이루어진 세로축은, 게임 로그 세트에 포함된 제 2 게임 요소에 기초한 것일 수 있다. 1차원 게임 데이터 이미지의 세로축은, 가로축의 제 1 게임 요소의 하나 이상의 픽셀 각각의 구간 별 제 2 게임 요소의 게임 로그 값을 표시한 것일 수 있다. 프로세서(120)가 1차원 게임 데이터 이미지의 픽셀에 표시한 값은, 제 1 게임 요소의 특정 구간에서 제 2 게임 요소의 값일 수 있다. 제 1 게임 요소 및 제 2 게임 요소는 게임 로그 세트에 포함된 하나 이상의 게임 요소 중 상이한 게임 요소일 수 있다.
예를 들어 설명하면, 제 1 게임 요소가 다른 플레이어로부터 킬 당한 횟수이고, 제 2 게임 요소가 결제 금액인 경우, 1차원 게임 데이터 이미지의 하나 이상의 픽셀 각각은, 다른 플레이어로부터 킬 당한 횟수의 특정 구간에서 결제 한 금액에 관한 값을 포함할 수 있다. 일 플레이어가 다른 플레이어로부터 1회 킬 당했을 때 1000원을 결제하고, 5회 킬 당했을 때 추가로 500원을 더 결제하고, 1차원 게임 데이터 이미지의 가로축의 픽셀이 각각, 다른 플레이어로부터 킬 당한 횟수 0~2회, 2~5회, 6~10회를 의미하는 경우, 프로세서(120)는 가로축 0~2회에 해당하는 픽셀에 1000을 기재하고, 2~5회에 해당하는 픽셀에 500을 기재하고, 6~10회에 해당하는 픽셀에 0을 기재할 수 있다. 전술한 1차원 게임 데이터 이미지 생성에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 게임 로그에 기초한 1차원 게임 데이터 이미지를 원-핫 엔코딩(one-hot encoding) 기법을 이용하여 정규화하여 1차원 정규화 게임 데이터 이미지를 생성하는 방법에 관하여 설명한다.
프로세서(120)는 1차원 게임 데이터 이미지의 하나 이상의 픽셀 각각에 포함된 값에 대하여 원-핫 엔코딩 기법을 이용하여 정규화 연산을 수행할 수 있다. 프로세서(120)는 원-핫 엔코딩 기법에 따라, 하나의 게임 요소에 포함된 게임 로그의 최대값 및 최소값에 기초하여 정규화 연산을 수행할 수 있다. 프로세서(120)는 정규화를 위한 사전결정된 구간의 최대값, 최소값 및 하나 이상의 픽셀 각각의 값에 기초하여 정규화 연산을 수행할 수 있다. 1차원 게임 데이터에 포함된 하나 이상의 픽셀 각각의 픽셀 값 중 최대값에 대하여 정규화 연산을 수행하면, 사전결정된 구간의 최대값일 수 있고, 픽셀 값 중 최소값에 대하여 정규화 연산을 수행하면 사전결정된 구간의 최소값일 수 있다. 예를 들어, 사전결정된 구간은 -2부터 2, -1부터 1 또는 0부터 1 등일 수 있다. 전술한 사전결정된 구간에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
도 2를 참조하여 예를 들어 설명하면, 1차원 정규화 게임 데이터 이미지(220)는 사전결정된 구간이 -2부터 2로 설정된 것일 수 있다. 따라서, 1차원 게임 데이터 이미지(210)의 픽셀 중 최대값을 포함하는 픽셀의 값인 10은, 1차원 정규화 게임 데이터 이미지(220)에서 1.99로 표시될 수 있다. 전술한 1차원 정규화 게임 데이터 이미지에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 게임 로그에 기초한 1차원 게임 데이터 이미지를 2차원 게임 데이터 이미지로 시각화하는 방법에 관하여 설명한다.
2차원 게임 데이터 이미지는, 타임 슬롯 및 게임 요소에 기초한 1차원 게임 데이터 이미지, 둘 이상의 게임 요소에 기초한 1차원 게임 데이터 이미지 및 1차원 정규화 게임 데이터 이미지 중 적어도 하나에 기초하여 생성될 수 있다. 2차원 게임 데이터 이미지는 a * b로 구성될 수 있다. 2차원 게임 데이터 이미지의, 세로축은 a개의 픽셀로 구성될 수 있고, 가로축은 b개의 픽셀로 구성될 수 있다.
본 개시의 일 실시예에 따라, 타임 슬롯 및 게임 요소에 기초한 2차원 게임 데이터 이미지에 관하여 설명한다.
본 개시의 일 실시예에 따른, 2차원 게임 데이터 이미지는, 타임 슬롯 및 게임 요소에 기초한 1차원 게임 데이터 이미지 및 타임 슬롯 및 게임 요소에 기초한 1차원 정규화 게임 데이터 이미지 중 적어도 하나에 기초한 게임 데이터 이미지일 수 있다.
2차원 게임 데이터 이미지의 가로축의 픽셀 개수인 b는, 1차원 게임 데이터 이미지의 가로축의 픽셀 개수인 b에 기초한 것일 수 있다. 2차원 게임 데이터 이미지의 가로축의 픽셀 개수인 b는, 1차원 게임 데이터 이미지의 가로축의 픽셀 개수인 b와 동일한 개수일 수 있고, 각각의 픽셀에 대한 가로축의 값도 동일할 수 있다. 도 2를 참조하여 설명하면, 1차원 게임 데이터 이미지(210)의 가로축(212)은 2차원 게임 데이터 이미지(230)의 가로축과 동일할 수 있다.
2차원 게임 데이터 이미지의 세로축의 픽셀 개수인 a는, 1차원 게임 데이터 이미지의 세로축의 게임 요소의 게임 로그 값에 기초하여 결정될 수 있다. 2차원 게임 데이터 이미지의 세로축의 픽셀 개수인 a는, 게임 요소의 게임 로그 값의 구간에 기초하여 결정될 수 있다. 2차원 게임 데이터 이미지의 세로축의 픽셀 개수인 a는, 게임 요소의 게임 로그 값을 정규화 한 값에 기초하여 결정한 구간일 수도 있다. 세로축의 구간은, 일정한 단위로 게임 로그 값을 나눈 구간으로 표시될 수도 있고, 불규칙한 단위로 게임 로그 값을 나눈 구간으로 표시될 수도 있다. 도 2를 참조하여 설명하면, 1차원 정규화 게임 데이터 이미지(220)의 정규화 한 픽셀 값에 기초하여 0.4 단위로 2차원 게임 데이터 이미지(230)의 세로축 구간을 나눌 수 있다. 전술한 2차원 게임 데이터 이미지의 세로축에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 가로축의 특정 시간에서 세로축의 특정 게임 요소의 게임 로그 값이 속하는 픽셀을 다른 픽셀과 구분되도록 표시할 수 있다. 프로세서(120)는 특정 타임 슬롯에서의 특정 게임 요소의 게임 로그 값이 속하는 구간의 픽셀에, 특정 타임 슬롯에서의 특정 게임 요소의 게임 로그 값이 속하지 않는 구간의 픽셀과 구별되는 표시를 할 수 있다. 본 개시의 일 실시예에 따라 원-핫 엔코딩(one-hot encoding) 기법을 이용하여 특정 픽셀을 다른 픽셀과 구분되도록 표시할 수 있다. 원-핫 엔코딩을 이용하여 특정 픽셀을 다른 픽셀과 구분되도록 표시하는 방법은, 게임 로그와 관련된 픽셀은 픽셀 값을 1로 표시하고, 그리고 상기 게임 로그와 관련이 없는 픽셀은 픽셀 값을 0으로 표시하는 방법을 포함할 수 있다. 본 개시의 일 실시예에 따라 특정 픽셀을 다른 픽셀과 구분되도록 표시하는 방법은, 게임 로그와 관련된 픽셀은 색을 칠해 표시하고, 그리고 상기 게임 로그와 관련이 없는 픽셀은 책을 칠하지 않는 방법을 포함할 수 있다. 전술한 픽셀에 대한 표시에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
도 2를 참조하여 설명하면, 원-핫 엔코딩 기법을 이용하여 1차원 정규화 게임 데이터 이미지(220)의 D-1 타임 슬롯의 픽셀(222)에 대한 게임 로그 값은 1.33이므로, 2차원 정규화 게임 데이터 이미지(230)의 D-1 타임 슬롯에 대하여 게임 로그 값이 속하는 구간인 1.2 ~ 1.6 구간이 게임 로그와 관련이 있으므로, 해당 픽셀(232)에 픽셀 값을 1로 표시할 수 있다. 2차원 정규화 게임 데이터 이미지(230)의 D-2 타임 슬롯의 픽셀(224)에 대한 게임 로그 값은 -2이므로, 2차원 정규화 게임 데이터 이미지(230)의 D-2 타임 슬롯에 대하여 게임 로그 값이 속하는 구간인 -2 ~ -1.6 구간만이 해당 타임 슬롯에서 게임 로그와 관련이 있으므로, D-2 타임 슬롯의 -0.4 ~ 0 구간의 픽셀(234)에 픽셀 값을 0으로 표시할 수 있다. 전술한 2차원 게임 데이터 이미지에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 둘 이상의 게임 요소에 기초한 2차원 게임 데이터 이미지에 관하여 설명한다.
본 개시의 일 실시예에 따른, 2차원 게임 데이터 이미지는, 둘 이상의 상이한 게임 요소에 기초한 1차원 게임 데이터 이미지 및 둘 이상의 상이한 게임 요소에 기초한 1차원 정규화 게임 데이터 이미지 중 적어도 하나에 기초한 게임 데이터 이미지일 수 있다.
2차원 게임 데이터 이미지의 b개의 픽셀로 이루어진 가로축은, 게임 로그 세트에 포함된 제 1 게임 요소에 기초한 것일 수 있다. 2차원 게임 데이터 이미지의 가로축은, 제 1 게임 요소에 대한 구간 각각에 대한 픽셀을 포함할 수 있다. 2차원 게임 데이터 이미지의 b개의 픽셀로 이루어진 가로축은, 1차원 게임 데이터 이미지의 b개의 픽셀로 이루어진 가로축과 동일할 수 있다. 2차원 게임 데이터 이미지의 a개의 픽셀로 이루어진 세로축은, 게임 로그 세트에 포함된 제 2 게임 요소에 기초한 것일 수 있다. 2차원 게임 데이터 이미지의 세로축이 기초하고 있는 제 2 게임 요소는, 1차원 게임 데이터 이미지의 세로축을 나타내는 제 2 게임 요소와 동일할 수 있다. 2차원 게임 데이터 이미지의 세로축의 픽셀 개수인 a는, 게임 요소의 게임 로그 값의 구간에 기초하여 결정될 수 있다. 2차원 게임 데이터 이미지의 세로축의 픽셀 개수인 a는, 게임 요소의 게임 로그 값을 정규화 한 값에 기초하여 결정한 구간일 수도 있다. 세로축의 구간은, 일정한 단위로 게임 로그 값을 나눈 구간으로 표시될 수도 있고, 불규칙한 단위로 게임 로그 값을 나눈 구간으로 표시될 수도 있다.
프로세서(120)는 가로축의 제 1 게임 요소의 게임 로그 구간에서 세로축의 제 2 게임 요소의 게임 로그 값이 속하는 구간의 픽셀을 다른 픽셀과 구분되도록 표시할 수 있다. 프로세서(120)는 제 1 게임 요소의 특정 구간에서 제 2 게임 요소의 특정 값의 범위가 속하는 픽셀과 제 1 게임 요소의 특정 구간에서 제 2 게임 요소의 특정 값의 범위가 속하지 않는 픽셀을 상이하게 표시하여 구별할 수 있다. 예를 들어, 2차원 게임 데이터 이미지에서, 1이 표시되거나, 점으로 표시된 픽셀은, 제 1 게임 요소의 특정 구간에서 제 2 게임 요소의 특정 값의 범위가 속하는 픽셀일 수 있다. 예를 들어, 제 1 게임 요소가 다른 플레이어로부터 킬 당한 횟수이고, 제 2 게임 요소가 결제 금액인 경우, 2차원 게임 데이터 이미지의 가로축은 다른 플레이어로부터 킬 당한 횟수의 게임 로그 구간에 기초한 것일 수 있고, 세로축은 결제 금액의 게임 로그 구간에 기초한 것일 수 있다. 2차원 게임 데이터 이미지의 가로축의 하나 이상의 픽셀은 각각, 다른 플레이어로부터 킬 당한 횟수 0~2회, 2~5회, 6~10회를 의미하고, 세로축의 하나 이상의 픽셀은 각각, 결제 금액 0~300원, 300~600원, 600~1000원을 의미할 수 있다. 일 플레이어가 다른 플레이어로부터 1회 킬 당했을 때 1000원을 결제하고, 5회 킬 당했을 때 추가로 500원을 더 결제한 경우, 프로세서(120)는 가로축 0~2회 및 세로축 300~600원에 해당하는 픽셀에 1을 표시하고, 가로축 2~5회 및 세로축 600~1000원에 해당하는 픽셀에 1을 표시하고, 위 두개의 픽셀을 제외한 나머지 픽셀에 0을 표시할 수 있다. 전술한 2차원 게임 데이터 이미지에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 게임 로그에 기초한 게임 데이터 이미지를 이용하여 게임 데이터 이미지 세트를 생성하는 방법에 관하여 설명한다.
게임 데이터 이미지 세트는 둘 이상의 게임 데이터 이미지를 포함할 수 있다. 게임 데이터 이미지는, 전술한 1차원 게임 데이터 이미지, 1차원 정규화 게임 데이터 이미지, 2차원 게임 데이터 이미지 중 적어도 하나를 포함할 수 있다. 예를 들어, 게임 데이터 이미지 세트는, N개의 2차원 게임 데이터 이미지를 포함할 수도 있고, N개의 1차원 게임 데이터 이미지를 포함할 수도 있고, L개의 1차원 게임 데이터 이미지와 M개의 2차원 게임 데이터 이미지를 포함할 수도 있다. 전술한 게임 데이터 세트에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
게임 데이터 이미지 세트에 포함되는 제 1 게임 데이터 이미지의 기초가 되는 게임 요소와 제 2 게임 데이터 이미지의 기초가 되는 게임 요소는 각각 상이한 게임 요소일 수 있다. 도 3을 참조하여 예를 들어 설명하면, 게임 데이터 이미지 세트(300)는 제 1 게임 데이터 이미지(310), 제 2 게임 데이터 이미지(320) 및 제 N 게임 데이터 이미지(330)를 포함할 수 있다. N은 2이상의 수 일 수 있다. 2차원 게임 데이터 이미지인 제 1 게임 데이터 이미지(310)가 타임 슬롯 및 결제 게임 요소에 기초한 것일 경우, 2차원 게임 데이터 이미지인 제 2 게임 데이터 이미지(320)는 결제 게임 요소가 아닌, 레이드 참여 횟수 게임 요소에 기초한 것일 수 있다. 전술한 게임 데이터 이미지 세트에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
하나 이상의 플레이어 각각에 매칭되는 게임 데이터 이미지 세트를 생성할 수 있다. 게임 데이터 이미지 세트를 통해 한 명의 플레이어에 대한 게임 로그를 하나의 결과물로 확인할 수 있다. 또한, 플레이어의 게임 플레이 패턴을 예측함에 있어, 게임 데이터 이미지 세트를 이용하는 경우 게임 데이터 이미지의 기초가 되는 게임 요소에 대한 특화된 판단이 가능할 수 있다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 게임 로그를 시각화한 게임 데이터 이미지를 기초로 게임 플레이 예측 모델을 학습하는 방법에 관하여 설명한다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입 력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중 치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들을 포함하여, 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드 들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 하나 이상의 히든 레이어 중 중간의 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 잇는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크 (CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.
컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network)는 딥 뉴럴 네트워크의 일종으로서, 컨벌루셔널 레이어를 포함하는 신경망을 포함한다. 컨벌루셔널 뉴럴 네트워크는 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptron)의 한 종류이다. CNN은 하나 또는 여러 개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있으며, 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은 2 차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩 된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지인 경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상 값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서 이미지 데이터는 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다. 컨벌루셔널 뉴럴 네트워크에 대한 구체적인 구성에 관한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 등록 특허 US9870768B2에서 보다 구체적으로 논의된다.
게임 플레이 예측 모델은, 하나 이상의 인공 신경망을 포함할 수 있으며, 하나 이상의 플레이어 각각에 대한 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 이용하여 전체 플레이어의 게임 플레이 패턴을 학습시켜, 일 플레이어의 게임 데이터 이미지 세트를 통해 게임 플레이 패턴을 예측할 수 있다.
프로세서(120)는 학습 데이터 세트를 획득할 수 있다. 학습 데이터 세트는, 제 1 기간의 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트에 상기 하나 이상의 플레이어 각각의 제 2 기간에서의 게임 로그의 하나 이상의 게임 요소 중 적어도 하나의 게임 요소의 게임 로그 값을 라벨링한 학습 데이터를 포함할 수 있다. 제 2 기간은, 제 1 기간 뒤의 기간일 수 있다. 제 2 기간은, 제 1 기간 바로 다음 기간일 수도 있고, 또는 일정한 시간 간격 이후의 기간일 수도 있다. 예를 들어, 제 1 기간이 9월 1일부터 일주일 동안의 기간(즉, 9월 1일부터 9월 7일까지)인 경우, 제 2 기간은 9월 8일부터 일주일 동안의 기간(즉, 9월 8일부터 9월 14일까지)일 수 있다. 또는, 제 2 기간은 일정 시간 간격 이후인 9월 20일부터 일주일 동안의 기간(즉, 9월 20일부터 9월 26일까지)일 수도 있다. 제 2 기간은, 제 1 기간과 동일한 시간 구간 동안의 기간일 수도 있고, 상이한 시간 구간 동안의 기간일 수도 있다.
프로세서(120)는 제 2 기간의 게임 요소 중 적어도 하나의 게임 요소에 대한 게임 로그 값을 게임 데이터 이미지 세트에 라벨링할 수 있다. 프로세서(120)는 전체 플레이어의 특정 게임 요소에 대한 플레이 패턴의 예측을 위하여 해당 게임 요소에 대한 게임 로그 값을 라벨링한 학습 데이터 세트를 생성할 수 있다.
프로세서(120)는 플레이어의 이탈 패턴을 예측하기 위하여, 게임 데이터 이미지 세트에 플레이어의 이탈 일자를 라벨링하여 학습 데이터 세트를 생성할 수 있다. 프로세서(120)는 제 2 기간 중 플레이어가 해당 게임에 마지막으로 접속한 일자에 대한 게임 로그에 기초하여 게임의 마지막 접속 일자 값을 라벨링할 수 있다. 예를 들어, 제 2 기간이 10월 5일부터 일주일 동안의 기간(즉, 10월 5일부터 10월 11일까지)일 경우, 상기 제 2 기간 중 플레이어 A가 10월 6일에 마지막으로 접속한 경우, 플레이어 A의 제 1 기간에 기초한 게임 데이터 이미지 세트에 대하여 2를 마지막 접속일자로 라벨링할 수 있고, 상기 제 2 기간 중 플레이어 B가 10월 11일에 게임을 플레이한 경우, 플레이어 B의 제 1 기간에 기초한 게임 데이터 이미지 세트에 대하여 7을 마지막 접속일자로 라벨링할 수 있다.
프로세서(120)는 플레이어의 결제 패턴을 예측하기 위하여, 게임 데이터 이미지 세트에 플레이어의 결제 관련 게임 요소에 대한 게임 로그 값을 라벨링하여 학습 데이터 세트를 생성할 수 있다. 결제 관련 게임 요소는, 플레이어가 제 2 기간 동안 유료 재화를 구매한 총 구매 액수일 수도 있고, 플레이어가 제 2 기간 동안 유료 재화를 구매한 횟수 일 수도 있다. 전술한 학습 데이터 세트를 구성하는 방법은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
프로세서(120)는 플레이어들 각각의 게임 로그를 수집하고, 게임 로그에 기초하여 각 플레이어의 게임 데이터를 시각화 하여, 게임 데이터 이미지 세트를 생성할 수 있다. 프로세서(120)는 게임 데이터 이미지 세트에 예측하려는 플레이어의 게임 플레이 패턴과 관련된 게임 요소의 게임 로그 값을 라벨링하여, 학습 데이터 세트를 생성할 수 있다.
본 개시의 일 실시예에 따라, 게임 데이터 세트에 포함된 하나 이상의 게임 데이터 이미지는 게임 플레이 예측 모델에서 각각 다른 필터를 통해 연산이 수행될 수 있다. 예를 들어, A 게임 요소에 관련된 게임 데이터 이미지는 A 컨벌루셔널 필터를 통해 연산될 수 있고, B 게임 요소에 관련된 게임 데이터 이미지는 B 컨벌루셔널 필터를 통해 연산될 수도 있다. 특정 플레이어의 각 게임 요소에 대한 상이한 게임 데이터 이미지가 하나의 게임 플레이 예측 모델에서 상이한 필터를 통해 연산됨으로써, 각각의 게임 요소에 특화된 연산이 가능하고, 각각의 게임 요소에 기초하여 특화된 게임 플레이 패턴 예측이 가능할 수 있다. 전술한 게임 데이터 세트의 연산에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 교사학습(supervised learning) 방식으로 게임 플레이 예측 모델을 생성할 수 있다. 프로세서(120)는 게임 플레이 예측 모델을 생성하기 위하여 학습 데이터 세트에 포함된 플레이어 각각의 게임 데이터 이미지 세트를 게임 플레이 예측 모델에 입력하여 연산하고, 게임 플레이 예측 모델에서 연산한 게임 요소(즉, 출력)과 학습 데이터 세트에 라벨로 포함된 게임 요소(즉, 라벨)를 비교하여 오차를 계산할 수 있다. 프로세서(120)는 오차에 기초하여 게임 플레이 예측 모델의 가중치를 역전파 방식으로 조정할 수 있다. 프로세서(120)는 신경망의 학습에서 과적합 (overfitting)을 방지하기 위하여 히든 노드의 출력의 일부가 다음 히든 노드에 전달되지 못하도록 드롭 아웃(drop out)을 설정할 수 있다. 프로세서(120)는 학습 효율을 위하여 학습률(learning rate)을 학습 초기에는 높게 설정하고, 학습이 진행되며 낮아지도록 설정할 수도 있다. 게임 플레이 예측 모델에 포함된 모델들의 각 노드의 최초 가중치는 랜덤 또는 연속 균등 분포에 기초하여 설정될 수 있다.
프로세서(120)는 학습이 완료된 게임 플레이 예측 모델에 테스트 데이터를 이용하여 학습 완료된 게임 플레이 예측 모델의 성능을 검증하고 학습 완료된 게임 플레이 예측 모델의 성능이 사전결정된 기준 이상인 경우 해당 게임 플레이 예측 모델을 다른 어플리케이션에서 사용하도록 활성화할 수 있다. 또한 프로세서(120)는 학습 완료된 게임 플레이 예측 모델의 성능이 사전결정된 기준 이하인 경우 해당 신경망을 비활성화하여 폐기할 수 있다.
본 개시의 일 실시예에 따라 각 게임 플레이어들의 게임 데이터 이미지 세트에 기초하여 게임 플레이 패턴을 예측할 수 있는 신경망 모델을 생성할 수 있다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 일 플레이어의 게임 로그를 시각화한 게임 데이터 이미지를 기초로, 학습된 게임 플레이 예측 모델을 이용하여 해당 플레이어의 게임 플레이 패턴을 예측하는 방법에 관하여 설명한다.
프로세서(120)는 네트워크부(110)를 통해 일 플레이어의 게임 로그 세트를 획득할 수 있다. 프로세서(120)는 일 플레이어의 게임 로그 세트에 기초하여 하나 이상의 게임 데이터 이미지를 포함하는 게임 데이터 이미지 세트를 생성할 수 있다. 프로세서(120)는 학습 데이터 세트에 포함되는 하나 이상의 게임 데이터 이미지와 대응되도록, 일 플레이어의 게임 로그 세트에 기초하여 게임 데이터 이미지 세트를 생성할 수 있다.
예를 들어, 학습 데이터 세트에 포함되는 게임 데이터 이미지가 2개이며, 하나의 게임 데이터 이미지는, 타임 슬롯 별 스테이지 클리어 횟수에 관련된 게임 요소에 기초하여 생성된 것이고, 다른 하나의 게임 데이터 이미지는, 결제 금액에 관련된 게임 요소 및 접속 횟수에 관련된 게임 요소에 기초하여 생성된 것일 경우, 일 플레이어의 게임 데이터 이미지 세트도 역시 상기 게임 요소들 및 타임 슬롯에 기초하여 생성될 수 있다. 학습 데이터 세트에 포함되는 게임 데이터 이미지 세트와 게임 플레이 패턴 예측의 대상이 되는 일 플레이어의 게임 데이터 이미지 세트가 동일한 게임 요소에 기초하여 생성 되어야, 학습 데이터 세트에 포함된 라벨(즉, 예측하려는 게임 요소의 패턴)의 학습에 따라, 일 플레이어의 게임 플레이 패턴 예측이 가능할 수 있기 때문이다.
일 플레이어의 제 3 기간의 게임 로그에 기초하여 게임 데이터 이미지 세트를 생성하는 경우, 제 4 기간의 게임 플레이 패턴을 예측할 수 있다. 제 1 기간과 제 3 기간은 대응되며, 제 2 기간과 제 4 기간은 대응될 수 있다. 예를 들어, 학습 데이터 세트를 생성하기 위한 전체 플레이어의 게임 로그를 제 1 기간인 일주일 동안 수집하고, 제 1 기간 이후의 일주일 동안의 기간인 제 2 기간의 게임 요소를 제 1 기간에 기초한 게임 데이터 이미지 세트의 라벨로 한 경우, 게임 플레이 예측 대상이 되는 일 플레이어의 게임 로그 중 일주일 동안의 기간인 제 3 기간의 게임 로그에 기초하여 게임 데이터 이미지 세트를 생성하여 게임 플레이 예측 모델을 통해 연산하는 경우, 제 4 기간의 게임 플레이 패턴을 예측할 수 있다.
프로세서(120)는 게임 플레이 패턴 예측의 대상이 되는 일 플레이어의 게임 데이터 이미지 세트를 게임 플레이 예측 모델의 입력으로 하여 연산할 수 있다. 프로세서(120)는 게임 플레이 예측 모델을 통하여 학습된 플레이어의 게임 플레이 패턴을 획득할 수 있다. 게임 플레이 패턴은, 게임 요소에 기초하여 결정된 패턴일 수 있다. 라벨링한 게임 요소에 따라, 해당 게임 요소에 대한 패턴을 게임 플레이 예측 모델을 통해 획득할 수 있다. 예를 들어, 플레이어의 이탈 패턴을 예측하기 위하여, 전체 플레이어의 게임 데이터 이미지 세트에 플레이어 각각의 이탈 일자를 라벨링하여 게임 데이터 세트를 생성하고, 해당 게임 데이터 세트를 통해 게임 플레이 예측 모델을 학습시켜, 게임 플레이 패턴 예측의 대상이 되는 일 플레이어의 게임 데이터 이미지 세트를 게임 플레이 예측 모델의 입력으로 하여 연산하는 경우, 게임 플레이 예측 모델을 통해 해당 일 플레이어의 이탈 일자를 예측할 수 있다. 예를 들어, 플레이어의 결제 패턴을 예측하기 위하여, 학습 데이터로 각 플레이어들의 결제 금액을 라벨링하는 경우, 게임 플레이 예측 모델을 통해 일 플레이어의 결제 금액을 예측할 수도 있다. 전술한 게임 플레이 예측 모델을 통한 연산에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 예측된 일 플레이어의 게임 플레이 패턴에 기초하여 해당 플레이어에게 피드백을 제공하는 방법에 관하여 설명한다.
피드백은, 플레이어의 게임에 대한 관심도가 낮은 것으로 판단되는 경우, 해당 플레이어의 게임에 대한 관심도를 높이기 위하여 게임 사에서 제공하는 액션일 수 있다. 피드백은, 예측되는 플레이어의 게임 플레이 패턴에 따라 다른 종류의 액션이 포함될 수 있다. 프로세서(120)는 예측되는 플레이어의 게임 플레이 패턴에 따라, 임계값 이하의 게임 플레이 패턴인 경우 피드백을 제공하는 것으로 결정할 수도 있고, 임계값 이상의 게임 플레이 패턴인 경우 피드백을 제공하지 않는 것으로 결정할 수도 있다. 피드백은, 게임 데이터 이미지 세트에 포함된 게임 데이터 이미지의 게임 로그에 기초하여 결정될 수도 있다. 플레이어에게 제공되는 피드백은, 예측되는 게임 플레이 패턴에 따라 강도가 달라질 수 있다. 프로세서(120)는 게임 데이터 이미지 세트에 포함된 게임 로그 중 다른 플레이어들의 게임 로그에 비하여 높거나 낮은 정도의 값을 가지는 게임 로그를 포함하는 경우, 해당 게임 로그에 기초하여 피드백을 결정할 수도 있다.
예를 들어, 프로세서(120)는 일 플레이어에 대하여 다음주에 대하여 예측된 결제 금액이 100원인 경우, 임계값 이하의 결제 패턴이 게임 플레이 예측 모델을 통해 연산된 것으로 결정할 수 있고, 해당 플레이어에게 피드백을 제공할 것을 결정할 수 있다. 프로세서(120)는 해당 플레이어의 게임 데이터 이미지 세트에 포함된 게임 데이터 이미지의 게임 로그에 따라 피드백을 결정할 수 있다. 게임 데이터 이미지의 게임 요소가, 스테이지 클리어를 포함하고 있고, 스테이지 클리어 횟수가 전체 플레이어의 게임 로그와 비교하였을 때, 해당 플레이어의 게임 로그에서 압도적으로 높게 나오는 경우, 프로세서(120)는 스테이지의 난이도가 해당 플레이어에게 너무 낮은 것으로 판단할 수 있다. 프로세서(120)는 해당 플레이어의 예측된 결제 금액을 높이기 위한 피드백으로, 스테이지의 난이도 상승을 플레이어 단말로 제공할 수 있다. 또한, 플레이어의 예측 결제 금액이 100원인 경우와 1000원인 경우의 이벤트 강도는 달라질 수 있다. 프로세서(120)는 예측 결제 금액이 100원으로 예측된 플레이어에 대해서는 게임 난이도 조정(즉, 이벤트 제공)을 큰 폭으로 수행하여, 유료 아이템의 도움을 받아야만 스테이지를 클리어 할 수 있도록 하여, 과금을 유도할 수 있고, 예측 결제 금액이 1000원으로 예측된 플레이어에 대해서는 게임 난이도 조정(즉, 이벤트 제공)을 작은 폭으로 수행하거나, 단순 유료 아이템 광고 알림을 제공할 수도 있다. 전술한 피드백에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
메모리(130)는 본 개시의 일 실시예에 따른 게임 로그의 시각화를 통한 패턴 예측 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(120)에 의하여 판독되어 구동될 수 있다.
본 개시의 실시예들에 따른 메모리(130)는 프로세서(120)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 게임 로그, 각 플레이어의 게임 로그에 기초한 게임 데이터 이미지 및 게임 데이터 이미지 세트 등)을 임시 또는 영구 저장할 수도 있다. 상기 메모리(130)는 디스플레이 및 음향에 관한 데이터를 저장할 수 있다. 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적 어도 하나의 타입의 저장매체를 포함할 수 있다.
도 4는 본 개시의 일 실시예에 따라 비정상 게임 플레이 판단 방법의 순서도이다.
컴퓨팅 장치(100)는 하나 이상의 플레이어의 게임 플레이와 관련된 하나 이상의 게임 로그를 포함하는 게임 로그 세트를 획득(410)할 수 있다. 게임 로그 세트는, 플레이어의 게임 플레이와 관련된 모든 트랜잭션 데이터를 포함할 수 있다. 트랜잭션 데이터는 게임 로그일 수 있다. 게임 로그 세트는, 플레이어가 게임에 진입한 시점부터 게임을 종료한 시점까지 게임에 영향을 주는 행동을 하는 게임 로그를 모두 포함하는 것일 수 있다. 게임 로그 세트는, 하나 이상의 게임 요소를 포함할 수 있다. 게임 요소는, 게임 플레이와 관련된 게임 로그 중 특정 조건을 만족하는 게임 로그 만을 그룹화 한 것의 통칭일 수 있다. 게임 요소는 특정 이벤트에 관련한 게임 로그를 그룹화한 것일 수 있다. 게임 요소는, 게임 플레이 여부와 관련된 게임 요소, 결제 관련 게임 요소 및 게임 플레이와 관련된 게임 요소를 포함할 수 있다.
컴퓨팅 장치(100)는 하나 이상의 플레이어 각각에 대하여 상기 게임 로그 세트에 기초하여 하나 이상의 게임 데이터 이미지를 포함하는 게임 데이터 이미지 세트를 생성(420)할 수 있다.
컴퓨팅 장치(100)는 게임 로그 세트의 타임 슬롯 및 게임 요소에 기초하여 1차원 게임 데이터 이미지를 생성할 수 있다. 타임 슬롯은, 일 구간의 시간을 의미할 수 있다. 타임 슬롯은, 시간 단위, 일 단위 등을 의미할 수 있다. 1차원 게임 데이터 이미지는 1 * b 로 구성될 수 있다. 1차원 게임 데이터 이미지의, 세로축은 1개의 픽셀로 구성될 수 있고, 가로축은 b개의 픽셀로 구성될 수 있다. 1차원 게임 데이터 이미지의 b개의 픽셀로 이루어진 가로축은, 게임 로그의 시간을 나타낸 것일 수 있다. 1차원 게임 데이터 이미지의 1개의 픽셀로 이루어진 세로축은, 게임 로그에 포함된 특정 게임 요소의 값을 나타낸 것일 수 있다.
컴퓨팅 장치(100)는 게임 로그 세트의 둘 이상의 상이한 게임 요소에 기초하여 1차원 게임 데이터 이미지 생성할 수 있다. 1차원 게임 데이터 이미지의 b개의 픽셀로 이루어진 가로축은, 게임 로그에 포함된 제 1 게임 요소에 기초한 것일 수 있다. 1차원 게임 데이터 이미지의 가로축은, 제 1 게임 요소에 대한 구간 각각에 대한 픽셀을 포함할 수 있다. 1차원 게임 데이터 이미지의 1개의 픽셀로 이루어진 세로축은, 게임 로그 세트에 포함된 제 2 게임 요소에 기초한 것일 수 있다. 1차원 게임 데이터 이미지의 세로축은, 가로축의 제 1 게임 요소의 하나 이상의 픽셀 각각의 구간 별 제 2 게임 요소의 게임 로그 값을 표시한 것일 수 있다.
컴퓨팅 장치(100)는 게임 로그에 기초한 1차원 게임 데이터 이미지를 정규화하여 1차원 정규화 게임 데이터 이미지를 생성할 수 있다. 컴퓨팅 장치(100)는 원-핫 엔코딩(one-hot encoding) 기법을 이용하여, 하나의 게임 요소에 포함된 게임 로그의 최대값 및 최소값에 기초하여 정규화 연산을 수행할 수 있다.
컴퓨팅 장치(100)는 게임 로그에 기초한 1차원 게임 데이터 이미지를 2차원 게임 데이터 이미지로 시각화할 수 있다. 2차원 게임 데이터 이미지는, 타임 슬롯 및 게임 요소에 기초한 1차원 게임 데이터 이미지, 둘 이상의 게임 요소에 기초한 1차원 게임 데이터 이미지 및 1차원 정규화 게임 데이터 이미지 중 적어도 하나에 기초하여 생성될 수 있다. 2차원 게임 데이터 이미지는 a * b로 구성될 수 있다. 2차원 게임 데이터 이미지의, 세로축은 a개의 픽셀로 구성될 수 있고, 가로축은 b개의 픽셀로 구성될 수 있다. 컴퓨팅 장치(100)는 특정 타임 슬롯에서의 특정 게임 요소의 게임 로그 값이 속하는 구간의 픽셀에, 특정 타임 슬롯에서의 특정 게임 요소의 게임 로그 값이 속하지 않는 구간의 픽셀과 구별되는 표시를 할 수 있다. 컴퓨팅 장치(100)는 원-핫 엔코딩 기법을 이용하여, 상기 게임 로그와 관련된 픽셀은 픽셀 값을 1로 표시하고, 그리고 상기 게임 로그와 관련이 없는 픽셀은 픽셀 값을 0으로 표시할 수 있다.
컴퓨팅 장치(100)는 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성(430)할 수 있다. 게임 데이터 이미지 세트는 둘 이상의 게임 데이터 이미지를 포함할 수 있다. 게임 데이터 이미지는, 전술한 1차원 게임 데이터 이미지, 1차원 정규화 게임 데이터 이미지, 2차원 게임 데이터 이미지 중 적어도 하나를 포함할 수 있다. 게임 데이터 이미지 세트에 포함되는 제 1 게임 데이터 이미지의 기초가 되는 게임 요소와 제 2 게임 데이터 이미지의 기초가 되는 게임 요소는 각각 상이한 게임 요소일 수 있다.
컴퓨팅 장치(100)는 제 1 기간의 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트에 상기 하나 이상의 플레이어 각각의 제 2 기간에서의 게임 로그 세트의 하나 이상의 게임 요소 중 적어도 하나의 게임 요소에 기초한 게임 로그 값을 라벨링하여 상기 학습 데이터 세트를 생성할 수 있다.
컴퓨팅 장치(100)는 학습 데이터 세트를 이용하여 전체 플레이어의 게임 플레이 패턴을 학습시켜, 일 플레이어의 게임 데이터 이미지 세트를 통해 게임 플레이 패턴을 예측하는 게임 플레이 예측 모델을 생성(440)할 수 있다.
컴퓨팅 장치(100)는 상기 일 플레이어의 게임 데이터 이미지 세트를 통해 예측된 플레이 패턴 및 상기 일 플레이어의 게임 데이터 이미지 세트에 포함된 게임 데이터 이미지의 게임 로그에 기초하여, 상기 일 플레이어에게 제공될 피드백을 결정할 수 있다. 피드백은, 플레이어의 게임에 대한 관심도가 낮은 것으로 판단되는 경우, 해당 플레이어의 게임에 대한 관심도를 높이기 위하여 게임 사에서 제공하는 액션일 수 있다. 피드백은, 예측되는 플레이어의 게임 플레이 패턴에 따라 다른 종류의 액션이 포함될 수 있다. 컴퓨팅 장치(100)는 예측되는 플레이어의 게임 플레이 패턴에 따라, 임계값 이하의 게임 플레이 패턴인 경우 피드백을 제공하는 것으로 결정할 수도 있고, 임계값 이상의 게임 플레이 패턴인 경우 피드백을 제공하지 않는 것으로 결정할 수도 있다. 피드백은, 게임 데이터 이미지 세트에 포함된 게임 데이터 이미지의 게임 로그에 기초하여 결정될 수도 있다. 플레이어에게 제공되는 피드백은, 예측되는 게임 플레이 패턴에 따라 강도가 달라질 수 있다.
도 5는 본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.
본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법은 다음과 같은 로직에 의해 구현될 수 있다.
본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법은 하나 이상의 플레이어의 게임 플레이와 관련된 하나 이상의 게임 로그를 포함하는 게임 로그 세트를 획득하기 위한 로직(510); 상기 하나 이상의 플레이어 각각에 대하여 상기 게임 로그 세트에 기초하여 하나 이상의 게임 데이터 이미지를 포함하는 게임 데이터 이미지 세트를 생성하기 위한 로직(520); 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성하기 위한 로직(530); 및 상기 학습 데이터 세트를 이용하여 전체 플레이어의 게임 플레이 패턴을 학습시켜, 일 플레이어의 게임 데이터 이미지 세트를 통해 게임 플레이 패턴을 예측하는 게임 플레이 예측 모델을 생성하기 위한 로직(540)에 의하여 구현될 수 있다.
게임 로그의 시각화를 통한 패턴 예측 방법의 대안적인 실시예에서, 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성하기 위한 로직(530)은, 제 1 기간의 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트에 상기 하나 이상의 플레이어 각각의 제 2 기간에서의 게임 로그 세트의 하나 이상의 게임 요소 중 적어도 하나의 게임 요소에 기초한 게임 로그 값을 라벨링하여 상기 학습 데이터 세트를 생성하기 위한 로직에 의하여 구현될 수도 있다.
게임 로그의 시각화를 통한 패턴 예측 방법의 대안적인 실시예에서, 상기 일 플레이어의 게임 데이터 이미지 세트를 통해 예측된 플레이 패턴 및 상기 일 플레이어의 게임 데이터 이미지 세트에 포함된 게임 데이터 이미지의 게임 로그에 기초하여, 상기 일 플레이어에게 제공될 피드백을 결정하기 위한 로직에 의하여 추가적으로 구현될 수 있다.
도 6은 본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.
본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법은 다음과 같은 모듈에 의해 구현될 수 있다.
본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법은 하나 이상의 플레이어의 게임 플레이와 관련된 하나 이상의 게임 로그를 포함하는 게임 로그 세트를 획득하기 위한 모듈(610); 상기 하나 이상의 플레이어 각각에 대하여 상기 게임 로그 세트에 기초하여 하나 이상의 게임 데이터 이미지를 포함하는 게임 데이터 이미지 세트를 생성하기 위한 모듈(620); 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성하기 위한 모듈(630); 및 상기 학습 데이터 세트를 이용하여 전체 플레이어의 게임 플레이 패턴을 학습시켜, 일 플레이어의 게임 데이터 이미지 세트를 통해 게임 플레이 패턴을 예측하는 게임 플레이 예측 모델을 생성하기 위한 모듈(640)에 의하여 구현될 수 있다.
게임 로그의 시각화를 통한 패턴 예측 방법의 대안적인 실시예에서, 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성하기 위한 모듈(630)은, 제 1 기간의 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트에 상기 하나 이상의 플레이어 각각의 제 2 기간에서의 게임 로그 세트의 하나 이상의 게임 요소 중 적어도 하나의 게임 요소에 기초한 게임 로그 값을 라벨링하여 상기 학습 데이터 세트를 생성하기 위한 모듈에 의하여 구현될 수도 있다.
게임 로그의 시각화를 통한 패턴 예측 방법의 대안적인 실시예에서, 상기 일 플레이어의 게임 데이터 이미지 세트를 통해 예측된 플레이 패턴 및 상기 일 플레이어의 게임 데이터 이미지 세트에 포함된 게임 데이터 이미지의 게임 로그에 기초하여, 상기 일 플레이어에게 제공될 피드백을 결정하기 위한 모듈에 의하여 추가적으로 구현될 수 있다.
도 7은 본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.
본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법은 다음과 같은 회로에 의해 구현될 수 있다.
본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법은 하나 이상의 플레이어의 게임 플레이와 관련된 하나 이상의 게임 로그를 포함하는 게임 로그 세트를 획득하기 위한 회로(710); 상기 하나 이상의 플레이어 각각에 대하여 상기 게임 로그 세트에 기초하여 하나 이상의 게임 데이터 이미지를 포함하는 게임 데이터 이미지 세트를 생성하기 위한 회로(720); 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성하기 위한 회로(730); 및 상기 학습 데이터 세트를 이용하여 전체 플레이어의 게임 플레이 패턴을 학습시켜, 일 플레이어의 게임 데이터 이미지 세트를 통해 게임 플레이 패턴을 예측하는 게임 플레이 예측 모델을 생성하기 위한 회로(740)에 의하여 구현될 수 있다.
게임 로그의 시각화를 통한 패턴 예측 방법의 대안적인 실시예에서, 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성하기 위한 회로(730)는, 제 1 기간의 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트에 상기 하나 이상의 플레이어 각각의 제 2 기간에서의 게임 로그 세트의 하나 이상의 게임 요소 중 적어도 하나의 게임 요소에 기초한 게임 로그 값을 라벨링하여 상기 학습 데이터 세트를 생성하기 위한 회로에 의하여 구현될 수도 있다.
게임 로그의 시각화를 통한 패턴 예측 방법의 대안적인 실시예에서, 상기 일 플레이어의 게임 데이터 이미지 세트를 통해 예측된 플레이 패턴 및 상기 일 플레이어의 게임 데이터 이미지 세트에 포함된 게임 데이터 이미지의 게임 로그에 기초하여, 상기 일 플레이어에게 제공될 피드백을 결정하기 위한 회로에 의하여 추가적으로 구현될 수 있다.
도 8은 본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.
본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법은 다음과 같은 수단에 의해 구현될 수 있다.
본 개시의 일 실시예에 따라 게임 로그의 시각화를 통한 패턴 예측 방법은 하나 이상의 플레이어의 게임 플레이와 관련된 하나 이상의 게임 로그를 포함하는 게임 로그 세트를 획득하기 위한 수단(810); 상기 하나 이상의 플레이어 각각에 대하여 상기 게임 로그 세트에 기초하여 하나 이상의 게임 데이터 이미지를 포함하는 게임 데이터 이미지 세트를 생성하기 위한 수단(820); 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성하기 위한 수단(830); 및 상기 학습 데이터 세트를 이용하여 전체 플레이어의 게임 플레이 패턴을 학습시켜, 일 플레이어의 게임 데이터 이미지 세트를 통해 게임 플레이 패턴을 예측하는 게임 플레이 예측 모델을 생성하기 위한 수단(840)에 의하여 구현될 수 있다.
게임 로그의 시각화를 통한 패턴 예측 방법의 대안적인 실시예에서, 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성하기 위한 수단(830)은, 제 1 기간의 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트에 상기 하나 이상의 플레이어 각각의 제 2 기간에서의 게임 로그 세트의 하나 이상의 게임 요소 중 적어도 하나의 게임 요소에 기초한 게임 로그 값을 라벨링하여 상기 학습 데이터 세트를 생성하기 위한 수단에 의하여 구현될 수도 있다.
게임 로그의 시각화를 통한 패턴 예측 방법의 대안적인 실시예에서, 상기 일 플레이어의 게임 데이터 이미지 세트를 통해 예측된 플레이 패턴 및 상기 일 플레이어의 게임 데이터 이미지 세트에 포함된 게임 데이터 이미지의 게임 로그에 기초하여, 상기 일 플레이어에게 제공될 피드백을 결정하기 위한 수단에 의하여 추가적으로 구현될 수 있다.
도 9는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인 프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있다. 컴퓨터 판독가능 매체는 휘발성 및 비 휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비 휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피 변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피 변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비 휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (11)

  1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 게임 로그의 시각화를 통한 패턴 예측을 위한 이하의 동작들을 수행하도록 하며 상기 동작들은,
    하나 이상의 플레이어의 게임 플레이와 관련된 하나 이상의 게임 로그를 포함하는 게임 로그 세트를 획득하는 동작;
    상기 하나 이상의 플레이어 각각에 대하여 상기 게임 로그 세트에 포함된 둘 이상의 게임 요소들의 게임 로그 값 사이의 관계를 픽셀에 표시한 하나 이상의 게임 데이터 이미지를 포함하는 게임 데이터 이미지 세트를 생성하는 동작;
    상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성하는 동작; 및
    상기 학습 데이터 세트를 이용하여 전체 플레이어의 게임 플레이 패턴을 학습시켜, 일 플레이어의 게임 데이터 이미지 세트를 통해 게임 플레이 패턴을 예측하는 게임 플레이 예측 모델을 생성하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 게임 데이터 이미지 세트는,
    타임 슬롯 별 상기 게임 로그 세트에 포함된 하나 이상의 게임 요소 중 하나의 게임 요소의 게임 로그 값을 픽셀에 표시한 게임 데이터 이미지를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  4. 삭제
  5. 제 1 항에 있어서,
    상기 게임 로그 값은,
    원-핫 엔코딩(one-hot encoding) 기법을 이용하여,
    상기 게임 요소에 포함된 게임 로그의 최대값 및 최소값에 기초하여 정규화 한 값을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  6. 제 1 항에 있어서,
    상기 게임 데이터 이미지 세트는,
    원-핫 엔코딩 기법을 이용하여,
    상기 게임 로그와 관련된 픽셀은 픽셀 값을 1로 표시하고, 그리고
    상기 게임 로그와 관련이 없는 픽셀은 픽셀 값을 0으로 표시한 게임 데이터 이미지를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  7. 제 1 항에 있어서,
    상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성하는 동작은,
    제 1 기간의 상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트에 상기 하나 이상의 플레이어 각각의 제 2 기간에서의 게임 로그 세트의 하나 이상의 게임 요소 중 적어도 하나의 게임 요소에 기초한 게임 로그 값을 라벨링하여 상기 학습 데이터 세트를 생성하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  8. 제 1 항에 있어서,
    상기 게임 플레이 패턴은,
    이탈 패턴 및 결제 패턴 중 적어도 하나를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  9. 제 1 항에 있어서,
    상기 일 플레이어의 게임 데이터 이미지 세트를 통해 예측된 플레이 패턴 및 상기 일 플레이어의 게임 데이터 이미지 세트에 포함된 게임 데이터 이미지의 게임 로그에 기초하여, 상기 일 플레이어에게 제공될 피드백을 결정하는 동작;
    을 더 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  10. 게임 로그의 시각화를 통한 패턴 예측 방법에 있어서,
    하나 이상의 플레이어의 게임 플레이와 관련된 하나 이상의 게임 로그를 포함하는 게임 로그 세트를 획득하는 단계;
    상기 하나 이상의 플레이어 각각에 대하여 상기 게임 로그 세트에 포함된 둘 이상의 게임 요소들의 게임 로그 값 사이의 관계를 픽셀에 표시한 하나 이상의 게임 데이터 이미지를 포함하는 게임 데이터 이미지 세트를 생성하는 단계;
    상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성하는 단계; 및
    상기 학습 데이터 세트를 이용하여 전체 플레이어의 게임 플레이 패턴을 학습시켜, 일 플레이어의 게임 데이터 이미지 세트를 통해 게임 플레이 패턴을 예측하는 게임 플레이 예측 모델을 생성하는 단계;
    를 포함하는,
    게임 로그의 시각화를 통한 패턴 예측 방법.
  11. 게임 로그의 시각화를 통해 패턴 예측을 위한 컴퓨팅 장치에 있어서,
    하나 이상의 코어를 포함하는 프로세서; 및
    메모리;
    를 포함하고,
    상기 프로세서는,
    하나 이상의 플레이어의 게임 플레이와 관련된 하나 이상의 게임 로그를 포함하는 게임 로그 세트를 획득하고,
    상기 하나 이상의 플레이어 각각에 대하여 상기 게임 로그 세트에 포함된 둘 이상의 게임 요소들의 게임 로그 값 사이의 관계를 픽셀에 표시한 하나 이상의 게임 데이터 이미지를 포함하는 게임 데이터 이미지 세트를 생성하고,
    상기 하나 이상의 플레이어 각각에 대한 상기 게임 데이터 이미지 세트를 포함하는 학습 데이터 세트를 생성하고, 그리고
    상기 학습 데이터 세트를 이용하여 전체 플레이어의 게임 플레이 패턴을 학습시켜, 일 플레이어의 게임 데이터 이미지 세트를 통해 게임 플레이 패턴을 예측하는 게임 플레이 예측 모델을 생성하는,
    게임 로그의 시각화를 통해 패턴 예측을 위한 컴퓨팅 장치.

KR1020180126826A 2018-10-23 2018-10-23 게임 로그 시각화를 통한 게임 플레이 패턴 예측 방법 KR102078609B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180126826A KR102078609B1 (ko) 2018-10-23 2018-10-23 게임 로그 시각화를 통한 게임 플레이 패턴 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180126826A KR102078609B1 (ko) 2018-10-23 2018-10-23 게임 로그 시각화를 통한 게임 플레이 패턴 예측 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020200016757A Division KR20200045990A (ko) 2020-02-12 2020-02-12 게임 로그 시각화를 통한 게임 플레이 패턴 예측 방법

Publications (1)

Publication Number Publication Date
KR102078609B1 true KR102078609B1 (ko) 2020-02-19

Family

ID=69669673

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180126826A KR102078609B1 (ko) 2018-10-23 2018-10-23 게임 로그 시각화를 통한 게임 플레이 패턴 예측 방법

Country Status (1)

Country Link
KR (1) KR102078609B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111957047A (zh) * 2020-08-12 2020-11-20 超参数科技(深圳)有限公司 关卡配置数据调整方法、计算机设备及存储介质
CN113082711A (zh) * 2021-03-22 2021-07-09 北京达佳互联信息技术有限公司 游戏机器人的控制方法、装置、服务器及存储介质
WO2022215874A3 (ko) * 2021-04-05 2023-05-25 (주)에이엄 리그 오브 레전드 게임의 전장 내의 챔피언을 자동으로 플레이하는 봇의 행동을 결정하는 방법 및 이를 수행하는 컴퓨팅 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110093413A (ko) * 2010-02-12 2011-08-18 주식회사 넥슨코리아 온라인 게임에서의 유저 이탈 방지 시스템 및 그 방법
KR20170078327A (ko) * 2015-12-29 2017-07-07 주식회사 넥슨코리아 게임 가이드 제공 장치 및 게임 가이드 제공 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110093413A (ko) * 2010-02-12 2011-08-18 주식회사 넥슨코리아 온라인 게임에서의 유저 이탈 방지 시스템 및 그 방법
KR20170078327A (ko) * 2015-12-29 2017-07-07 주식회사 넥슨코리아 게임 가이드 제공 장치 및 게임 가이드 제공 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NGUARD: A Game Bot Detection Framework for NetEase MMORPGs* *
온라인 게임 내 유저 간 상호작용 분석을 통한 유저 이탈 예측* *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111957047A (zh) * 2020-08-12 2020-11-20 超参数科技(深圳)有限公司 关卡配置数据调整方法、计算机设备及存储介质
CN111957047B (zh) * 2020-08-12 2024-01-26 超参数科技(深圳)有限公司 关卡配置数据调整方法、计算机设备及存储介质
CN113082711A (zh) * 2021-03-22 2021-07-09 北京达佳互联信息技术有限公司 游戏机器人的控制方法、装置、服务器及存储介质
CN113082711B (zh) * 2021-03-22 2023-08-29 北京达佳互联信息技术有限公司 游戏机器人的控制方法、装置、服务器及存储介质
WO2022215874A3 (ko) * 2021-04-05 2023-05-25 (주)에이엄 리그 오브 레전드 게임의 전장 내의 챔피언을 자동으로 플레이하는 봇의 행동을 결정하는 방법 및 이를 수행하는 컴퓨팅 시스템

Similar Documents

Publication Publication Date Title
Milošević et al. Early churn prediction with personalized targeting in mobile social games
CN104424354B (zh) 使用用户操作生成模型检测异常用户行为的方法和系统
KR102173592B1 (ko) 비정상 게임 플레이 감지 방법
WO2022057658A1 (zh) 推荐模型训练方法、装置、计算机设备及存储介质
KR102078609B1 (ko) 게임 로그 시각화를 통한 게임 플레이 패턴 예측 방법
US20190303709A1 (en) Feature information extraction method, apparatus, server cluster, and storage medium
CN108734338A (zh) 基于lstm模型的信用风险预测方法及装置
US20220058714A1 (en) Systems and methods for next basket recommendation with dynamic attributes modeling
CN106776928B (zh) 基于内存计算框架、融合社交及时空数据的位置推荐方法
CN107169574A (zh) 利用嵌套机器学习模型来执行预测的方法及系统
US20170024749A1 (en) System and method for determining targeted paths based on influence analytics
CN109299356A (zh) 基于大数据的活动推荐方法、装置、电子设备及存储介质
US20210012236A1 (en) Dual machine learning pipelines for transforming data and optimizing data transformation
CN108304853A (zh) 游戏相关度的获取方法、装置、存储介质和电子装置
CN112070310A (zh) 基于人工智能的流失用户预测方法、装置及电子设备
CN108305181A (zh) 社交影响力确定、信息投放方法及装置、设备及存储介质
Bausch The geography of ethnocentrism
US20210264319A1 (en) Computer system, a computer device and a computer implemented method
KR102274654B1 (ko) 블록체인 네트워크에 기반한 게임 데이터 저장 및 활용 방법
CN107077455A (zh) 釆用基于事件的流量评分确定流量质量
CN115034836A (zh) 一种模型训练方法及相关装置
CN114841526A (zh) 一种高风险用户的检测方法、计算设备及可读存储介质
Martínez-Torres et al. Identifying the features of reputable users in eWOM communities by using Particle Swarm Optimization
KR20200045990A (ko) 게임 로그 시각화를 통한 게임 플레이 패턴 예측 방법
KR102404407B1 (ko) 게임 데이터 처리 방법

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant