KR102096935B1 - 리플레이 영상을 제공하는 컴퓨팅 장치 - Google Patents

Abstract

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 하나 이상의 프로세서들에 의해 실행 가능한 컴퓨터 판독가능 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 상기 하나 이상의 프로세서로 하여금 이하의 동작들을 수행하도록 하며, 상기 동작들은: 게임 데이터 세트에 포함된 하나 이상의 게임 데이터 서브 세트를 동작 평가 모델의 입력으로 하여 상기 하나 이상의 게임 데이터 서브 세트 각각에 대한 평가 점수를 산출하는 동작, 상기 평가 점수의 변화량이 사전 결정된 임계 변화량을 초과하는 특이점을 식별하는 동작 및 상기 특이점에 기초하여 상기 게임 데이터 세트로부터 주요 게임 데이터 세트를 추출하는 동작을 포함할 수 있다.

Description

리플레이 영상을 제공하는 컴퓨팅 장치 {COMPUTING DEVICE FOR PROVIDING REPLAY}

본 개시는 게임 영상을 제공하기 위한 컴퓨팅 장치에 관한 것으로, 보다 구체적으로, 게임 플레이에 대한 영상을 제공하는 컴퓨팅 장치에 관한 것이다.

오늘날 게임이 대중화되면서 게임을 즐기는 연령대 역시 변화하게 되었다. 구체적으로, 과거에는 청소년 중심으로 게임을 플레이했다면 지금은 30~40대는 또는 50대 이상의 중장년층도 스마트폰이나 PC를 통해 게임을 즐기고 있다. 이와 맞물려 1인 미디어(예를 들어, 개인 방송)가 발전함에 따라 유투브, 네이버 TV캐스트 등 동영상에 특화된 서비스가 주류 콘텐츠로 떠오르고 있다. 이에 따라, 다른 유저의 게임 플레이에 대한 하이라이트 장면을 보며 대리만족 하거나 자신의 게임 실력을 증진시키기 위해 프로게이머의 영상을 시청하는 등 직접 게임을 플레이하지 않고도 다른 유저의 게임 영상을 시청하는 다양한 연령대의 사람들이 늘어나고 있다.

다만, 다수의 사람들이 시청하는 리플레이 영상을 제작하고, 그리고 제작된 영상을 편집하는데 어려움이 있을 수 있다. 구체적으로, 스마트폰에서 게임 영상을 녹화하는 경우, 화질이 떨어지고 게임 플레이 시 끊김 현상이 발생한 우려가 있으며, PC에서 녹화하는 경우, 사용자가 직접 녹화 시작 및 종료 버튼을 누르는 등 번거로움을 수반할 수 있으며, 녹화된 게임 영상의 용량은 비교적 클 수 있다. 또한, 촬영부터 편집으로 이어지는 과정은 적지 않은 시간을 필요로 하며, 편집을 위한 영상 프로그램 배우려면 시간과 금전적인 비용 소모가 필요할 수 있다.

따라서, 당 업계에는 리플레이 영상을 제작할 시 추가적인 번거로움, 용량 부족, 낮은 화질 및 끊김 현상 등에 대한 우려를 방지할 수 있으며, 리플레이 영상에서 주요 장면 등과 같은 특정 구간을 자동으로 편집해주는 리플레이 영상 제공하는 컴퓨팅 장치에 대한 수요가 존재할 수 있다.

KR 10-2016-0137924

본 개시는 전술한 배경 기술에 대응하여 안출된 것으로, 유저의 게임 플레이에 대한 리플레이 영상을 제공하는 컴퓨팅 장치를 제공하기 위한 것이다.

전술한 과제를 해결하기 위한 본 개시의 일 실시예에서, 하나 이상의 프로세서들에 의해 실행 가능한 컴퓨터 판독가능 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 상기 하나 이상의 프로세서로 하여금 이하의 동작들을 수행하도록 하며, 상기 동작들은: 게임 데이터 세트에 포함된 하나 이상의 게임 데이터 서브 세트를 동작 평가 모델의 입력으로 하여 상기 하나 이상의 게임 데이터 서브 세트 각각에 대한 평가 점수를 산출하는 동작, 상기 평가 점수의 변화량이 사전 결정된 임계 변화량을 초과하는 특이점을 식별하는 동작 및 상기 특이점에 기초하여 상기 게임 데이터 세트로부터 주요 게임 데이터 세트를 추출하는 동작을 포함할 수 있다.

대안적으로, 상기 하나 이상의 데이터 서브 세트 각각은, 사전 결정된 기준으로 그룹화 된 하나 이상의 게임 데이터를 포함할 수 있다.

대안적으로, 상기 동작 평가 모델은, 상기 게임 데이터 서브 세트를 입력으로 하여 상기 게임 데이터 서브 세트에 대응하는 최적의 동작을 결정하도록 학습되는 최적 동작 결정 서브 모델 및 상기 최적 동작 결정 서브 모델을 통해 결정된 상기 최적의 동작과 상기 게임 데이터 서브 세트에 포함된 동작의 유사도 비교에 기초하여 상기 평가 점수를 출력하도록 학습되는 평가 점수 결정 서브 모델을 포함할 수 있다.

대안적으로, 상기 특이점에 기초하여 상기 게임 데이터 세트로부터 주요 게임 데이터 세트를 추출하는 동작은, 상기 게임 데이터 세트 중 상기 특이점을 기준으로 사전 결정된 범위의 복수의 게임 데이터 서브 세트를 식별하는 동작 및 상기 식별된 복수의 게임 데이터 서브 세트를 포함하는 주요 게임 데이터 세트를 생성하는 동작을 포함할 수 있다.

대안적으로, 상기 주요 게임 데이터 세트에 기초하여 리플레이 영상을 생성하는 동작을 더 포함하고, 상기 리플레이 영상은, 클라이언트가 게임의 주요 상황을 식별하도록 하는 하나 이상의 특수 효과를 포함할 수 있다.

대안적으로, 상기 주요 게임 데이터 세트에 기초하여 플레이 피드백 정보를 생성하는 동작을 더 포함하고, 그리고 상기 플레이 피드백 정보는, 상기 평가 점수 결정 서브 모델에서 높은 평가 점수가 출력되도록 하는 정보로, 유저의 플레이가 개선되도록 하는 정보를 의미할 수 있다.

대안적으로, 상기 플레이 피드백 정보는, 상기 하나 이상의 게임 데이터 서브 세트 중 낮은 평가 점수를 산출한 특정 게임 데이터 서브 세트에 포함된 하나 이상의 게임 데이터를 변경함으로써 생성될 수 있다.

대안적으로, 상기 주요 게임 데이터 세트에 기초하여 게임 추가 정보를 생성하는 동작을 더 포함하고, 그리고 상기 게임 추가 정보는, 유저의 플레이와 관련한 추가 설명에 관한 정보로, 게임의 상황에 관한 정보, 유저의 동작에 관한 정보, 게임 진행 시간에 관한 정보 중 적어도 하나를 포함할 수 있다.

대안적으로, 복수의 유저 별 하나 이상의 게임 데이터 서브 세트의 각각에 대한 평가 점수에 기초하여 종합 평가 점수를 각각 산출하는 동작 및 상기 복수의 유저별로 산출된 종합 평가를 각각 비교하여 상기 복수의 유저 간 승률 예측 정보를 생성하는 동작을 더 포함할 수 있다.

본 개시의 다른 실시예에 리플레이 영상을 제공하는 방법이 개시된다. 상기 방법은, 게임 데이터 세트에 포함된 하나 이상의 게임 데이터 서브 세트를 동작 평가 모델의 입력으로 하여 상기 하나 이상의 게임 데이터 서브 세트 각각에 대한 평가 점수를 산출하는 단계, 상기 평가 점수의 변화량이 사전 결정된 임계 변화량을 초과하는 특이점을 식별하는 단계 및 상기 특이점에 기초하여 상기 게임 데이터 세트로부터 주요 게임 데이터 세트를 추출하는 단계를 포함할 수 있다.

본 개시의 또 다른 실시예에서 리플레이 영상을 제공하는 서버로서, 하나 이상의 코어를 포함하는 서버 프로세서, 상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 서버 메모리 및 클라이언트 단말과 데이터를 송수신하는 서버 네트워크부를 포함하고, 그리고 상기 프로세서는, 게임 데이터 세트에 포함된 하나 이상의 게임 데이터 서브 세트를 동작 평가 모델의 입력으로 하여 상기 하나 이상의 게임 데이터 서브 세트 각각에 대한 평가 점수를 산출하고, 상기 평가 점수의 변화량이 사전 결정된 임계 변화량을 초과하는 특이점을 식별하고, 그리고 상기 특이점에 기초하여 상기 게임 데이터 세트로부터 주요 게임 데이터 세트를 추출할 수 있다.

본 개시는 유저의 게임 플레이에 대한 리플레이 영상을 제공하는 컴퓨팅 장치를 제공할 수 있다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예와 관련된 리플레이 영상을 제공하는 시스템을 나타낸 개념도를 도시한다.
도 2는 본 개시의 일 실시예와 관련된 리플레이 영상을 제공하는 컴퓨팅 장치의 블록 구성도를 도시한다.
도 3은 본 개시의 일 실시예와 관련된 컴퓨팅 장치가 리플레이 영상을 제공하기 위한 순서도를 도시한다.
도 4는 본 개시의 일 실시예와 관련된 유저의 게임 데이터 세트를 상세히 설명하기 위한 예시도이다.
도 5는 본 개시의 일 실시예와 관련된 동작 평가 모델을 구성하는 인공 신경망을 나타낸 개략도이다.
도 6은 본 개시의 일 실시예와 관련된 리플레이 영상을 제공하기 위한 수단을 도시한 블록 구성도이다.
도 7은 본 개시의 일 실시예와 관련된 리플레이 영상을 제공하기 위한 모듈을 도시한 블록 구성도이다.
도 8은 본 개시의 일 실시예와 관련된 리플레이 영상을 제공하기 위한 로직을 도시한 블록 구성도이다.
도 9는 본 개시의 일 실시예와 관련된 리플레이 영상을 제공하기 위한 회로를 도시한 블록 구성도이다.
도 10은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

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.

도 1은 본 개시의 일 실시예와 관련된 리플레이 영상을 제공하는 시스템을 나타낸 개념도를 도시한다.

본 개시 내용에서의 컴퓨팅 장치(100)는 클라이언트 단말(10)과 통신하여 정보를 교환할 수 있다. 또한, 컴퓨팅 장치(100)는 임의의 정보/데이터를 데이터베이스 또는 컴퓨터 판독가능 매체 등에 저장할 수 있다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 통신 매체를 포함할 수 있다. 이러한 컴퓨터 판독가능 저장 매체는 컴퓨터 시스템에 의해서 판독될 수 있도록 프로그램 및 데이터가 저장되는 모든 종류의 저장 매체를 포함할 수 있다. 본 개시의 일 양상에 따르면, 이러한 컴퓨터 판독가능 저장 매체는 ROM(판독 전용 메모리), RAM(랜덤 액세스 메모리), CD(컴팩트 디스크)-ROM, DVD(디지털 비디오 디스크)-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등을 포함할 수 있다. 또한, 컴퓨터 판독가능 통신 매체는, 또한 캐리어 웨이브(예컨대, 인터넷을 통한 전송)의 형태로 구현되는 것 또한 포함할 수 있다. 추가적으로, 이러한 매체는 네트워크로 연결된 시스템에 분산되어, 분산 방식으로 컴퓨터가 판독가능한 코드들 및/또는 명령들을 저장할 수도 있다. 본 개시의 컴퓨팅 장치(100)의 구성은 하기의 도 2에서 자세히 후술하도록 한다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 복수의 클라이언트 단말(10)에 복수의 유저 중 적어도 하나의 유저의 플레이 영상을 포함하는 리플레이 영상을 제공할 수 있다. 이때, 컴퓨팅 장치(100)가 클라이언트 단말(10)로 제공하는 리플레이 영상은 복수의 유저가 플레이한 게임 데이터 세트에 기초하여 생성될 수 있다. 자세히 설명하면, 컴퓨팅 장치(100)는 게임 서버 또는 클라이언트 단말(10)로부터 복수의 유저 각각의 게임 데이터 세트를 수신할 수 있다. 또한, 컴퓨팅 장치(100)는 상기 게임 데이터 세트에서 주요 변곡점이 발생한 시점에 기초하여 주요 게임 데이터를 추출하고, 상기 추출된 주요 게임 데이터에 기초하여 리플레이 영상을 생성할 수 있다. 즉, 컴퓨팅 장치(100)는 게임 서버에서 게임을 플레이한 복수의 유저 중 특정 플레이를 수행한 유저의 영상을 편집하여 클라이언트 단말(10)로 제공할 수 있다. 이때, 특정 플레이는 유저가 게임을 승리 또는 패배로 이끄는 주요 플레이일 수 있다. 따라서, 컴퓨팅 장치(100)는 복수의 유저 각각이 자신의 플레이를 별도로 녹화하지 않더라도 리플레이 영상을 복수의 유저에게 제공할 수 있고, 그리고 리플레이 영상을 유저의 주요 플레이만을 포함하도록 자동 편집하여 제공할 수 있어 복수의 유저들에게 편의성을 제공할 수 있다. 또한, 컴퓨팅 장치(100)가 생성하는 리플레이 영상은 복수의 유저의 수행한 게임 데이터 세트에 기초하여 생성되므로, 복수의 유저 각각이 별도로 녹화를 진행하지 않아도 생성될 수 있다.

또한, 컴퓨팅 장치(100)가 생성하는 리플레이 영상은 클라이언트가 게임 주요 상황을 식별할 수 있도록 하나 이상의 특수 효과를 포함할 수 있다. 이 경우, 하나 이상의 특수 효과는 색 반전 효과, 확대 효과, 슬로우 효과, 하이라이트 효과, 다각도 분할 효과 및 반복 효과 중 적어도 하나의 효과를 포함할 수 있다. 이에 따라, 리플레이 영상을 시청하는 클라이언트는 주요 상황을 높은 시인성에 기초하여 보다 명확히 파악할 수 있어, 상기 리플레이 영상 시청에 보다 큰 흥미를 유발할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 리플레이 영상에 대응하는 플레이 피드백 정보를 생성할 수 있다. 이때, 플레이 피드백 정보는 유저의 플레이를 개선시키기 위한 정보로, 상기 유저의 플레이에 대한 부정적 평가, 긍정적 평가 및 예측 평가 등을 포함할 수 있으며, 자막 형태, 가이드 형태 및 음성 형태 중 적어도 하나의 형태로 클라이언트 단말(10)에 제공할 수 있다. 또한, 컴퓨팅 장치(100)는 플레이 피드백 정보를 리플레이 영상에 대응하도록 동기화할 수 있다. 즉, 클라이언트는 유저가 진행한 게임의 리플레이 영상 및 상기 리플레이 영상에 포함된 각각 상황속에서 게임을 승리하기 위한 다양한 정보들을 제공받을 수 있어, 게임 내 다양한 상황속에서의 행할 수 있는 최선의 동작을 시청을 통해 학습할 수 있다.

도 2는 본 개시의 일 실시예와 관련된 리플레이 영상을 제공하는 컴퓨팅 장치의 블록 구성도를 도시한다.

도 2에 도시된 컴퓨팅 장치(100)의 컴포넌트들은 예시적인 것이다. 도 2에 도시된 컴포넌트 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다. 또한, 도 2에 도시된 컴포넌트 이외에 추가적인 컴포넌트(들)가 상기 컴퓨팅 장치(100)에 포함될 수도 있다.

도 2에 도시된 바와 같이, 컴퓨팅 장치(100)는 프로세서(110), 메모리(120) 및 네트워크부(130)를 포함할 수 있다. 본 개시의 컴퓨팅 장치(100)는 예를 들어, 게임 데이터가 수집되는 게임 서버를 포함할 수도 있고 게임 서버와 데이터 교환 가능하게 연결될 수도 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 게임 서버로부터 복수의 유저 별 게임 데이터 세트를 수신할 수 있다. 각각의 게임 데이터 세트는 각각의 유저에 대한 게임 데이터를 포함할 수 있다. 이때, 프로세서(110)가 수신하는 게임 데이터 세트는 하나 이상의 게임 데이터 서브 세트를 포함할 수 있다. 또한, 하나 이상의 게임 데이터 서브 세트 각각은 사전 결정된 기준으로 그룹화 된 하나 이상의 게임 데이터로 구성될 수 있다. 이 경우, 게임 데이터는 게임 서버에서 게임을 수행한 유저의 게임 활동에 관한 데이터로, 게임 상태 변화를 표현할 수 있는 스크립터 및 로그 데이터 중 적어도 하나 일 수 있다. 예를 들어, 사전 결정된 기준이 5분에 대한 시간 해당하는 경우, 하나 이상의 게임 데이터 서브 세트 각각은 5분 동안의 유저의 게임 플레이를 통해 저장된 하나 이상의 게임 데이터로 구성될 수 있다. 다시 말해, 프로세서(110)는 유저가 온라인 게임을 수행함으로써 게임 서버에 생성되는 하나 이상의 게임 데이터를 수신할 수 있다. 즉, 프로세서(110)는 게임 서버를 통해 수신한 복수의 게임 데이터를 통해 유저가 플레이한 게임 상황에 대한 상세 정보들을 획득할 수 있다. 전술한 게임 데이터를 그룹화하기 위한 사전 결정된 기준에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 게임 데이터 세트에 포함된 하나 이상의 게임 데이터 서브 세트를 동작 평가 모델의 입력으로 하여 하나 이상의 게임 데이터 서브 세트 각각에 대한 평가 점수를 출력할 수 있다. 이때, 동작 평가 모델은 최적 동작 결정 서브 모델 및 평가 점수 결정 서브 모델로 구성될 수 있다. 동작 평가 모델은 게임에서의 어떤 시점에서의 상황을 인식하고 해당 상황에서의 최적의 동작을 산출할 수 있으며, 플레이어가 해당 상황에서 수행한 동작이 게임에 미치는 영향을 판단할 수 있다.

동작 평가 모델은 인공 신경망으로 구성되며, 상기 인공 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuroun)”들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망을 구성하는 노드(또는 뉴런)들은 하나 이상의 “링크”에 의해 상호 연결될 수 있다.

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 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 업데이트될 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 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망내에서 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.

본 개시의 일 실시예에 따르면, 최적 동작 결정 서브 모델은 게임 내 특정 상황에서 유저가 플레이할 수 있는 동작 중 최적의 동작(즉, 최상의 결과를 가져올 수 있는 동작)을 결정하도록 학습될 수 있다. 자세히 설명하면, 최적 동작 결정 서브 모델은 게임 데이터 서브 세트를 입력으로 하여 이를 판독함으로써 게임에서의 상황을 인식할 수 있고, 적어도 하나 이상의 후보 동작 각각에 스코어를 출력할 수 있다. 즉, 최적 동작 결정 서브모델은 게임 데이터 서브세트를 입력으로하여 해당 게임 데이터 서브세트의 상황에 적절한 동작을 최적 동작 결정 서브모델의 정책을 통해 결정할 수 있다. 최적 동작 결정 서브모델의 정책은 결정된 동작에 대한 평가에 기초하여 수정될 수 있다. 최적 동작 결정 서브 모델은 상기 후보 동작 각각에 대한 스코어에 기초하여 동작 정보를 결정할 수 있다. 구체적으로, 최적 동작 결정 서브 모델은 게임 데이터 서브 세트에 기초하여 그에 대응하는 여러 동작들 각각에 스코어를 출력하고, 복수의 동작 중 스코어가 최대가 되는 동작을 결정할 수 있다. 예를 들어, 최적 동작 결정 서브 모델이 게임 데이터 서브 세트에 기초하여 출력한 복수의 동작 각각에 대한 스코어가 15, 28, 31, 2, 5 인 경우, 최적 동작 결정 서브 모델은 복수의 동작 중 스코어가 가장 높은 31을 선택하여 동작을 결정할 수 있다. 전술한 최적 동작 결정 서브 모델에 대한 스코어 수치의 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. 다시 말해, 최적 동작 결정 서브 모델은 게임 내 유저의 상황에 따른 복수의 동작 옵션들을 가질 수 있으며, 인공 신경망의 연산을 이용하여 복수의 동작 옵션 중 가장 적정한 동작을 결정할 수 있다. 최적 동작 결정 서브 모델은 결정된 동작에 대한 평가에 기초하여 해당 동작이 목표 달성을 위하여 적절하였는지 여부를 판단할 수 있고, 평가에 기초하여 해당 동작이 결정된 상황에서 해당 동작을 선택할 확률이 높아지거나 낮아지도록 동작을 결정하는 정책을 수정할 수 있다. 예를 들어, 최적 동작 결정 서브모델에서 결정된 동작이 목표 달성을 위하여 부적절한 경우(예를 들어, 상대방 캐릭터의 궁극기 피격 범위 안으로 이동하는 동작), 게임 데이터 서브세트로 판단되는 동일하거나 유사한 상황에서 해당 동작을 선택할 확률이 낮아지도록 학습될 수 있다. 또한, 예를 들어, 최적 동작 결정 서브모델에서 결정된 동작이 목표 달성을 위하여 적절한 경우(예를 들어, 상대방 캐릭터가 궁극기를 사용하려는 모션을 취하는 상황에서, 상대방 캐릭터의 궁극기 피격 범위 밖으로 회피하는 동작), 게임 데이터 서브세트로 판단되는 동일하거나 유사한 상황에서 해당 동작을 선택할 확률이 높아지도록 학습될 수 있다. 전술한 게임 데이터와 최적 동작 결정 서브모델에서 결정되는 동작은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

또한, 최적 동작 결정 서브 모델은 동작(action)을 하고 보상(reward)에 대한 피드백 받는 과정을 통해 미래의 수행할 동작에 대한 최적의 의사 결정을 내리는 강화학습 방식으로 학습될 수 있다.

본 개시의 일 실시예에 따르면, 평가 점수 결정 서브 모델은 게임 내 특정 상황에서 유저가 플레이한 동작에 대한 평가 점수를 산출할 수 있다. 보다 구체적으로, 평가 점수 서브 모델은 최적 동작 결정 서브 모델을 통해 결정된 최적의 동작과 게임 데이터 서브 세트에 포함된 동작의 유사도 비교에 기초하여 평가 점수를 출력할 수 있다. 평가 점수 결정 서브 모델은 최적의 동작과 게임 데이터 서브 세트에 포함된 동작의 유사도가 낮은 경우, 인공 신경망이 낮은 평가 점수를 출력하도록 학습되거나 또는, 최적의 동작과 게임 데이터 서브 세트에 포함된 동작의 유사도가 높은 경우, 인공 신경망이 높은 평가 점수를 출력하도록 학습될 수 있다. 이때, 동작 평가 모델이 유사도를 판단하는 방법은 구체적으로, 시간에 흐름에 따른 유사도를 측정하는 시계열 유사도 판단 방법, 게임 데이터 서브 세트에 포함된 특정 동작의 비율에 대한 비교를 통해 유사도를 판단하는 방법 및 최적의 동작을 그래프의 좌표로 환산하고, 그래프의 좌표로 환산한 최적의 동작과 그래프의 좌표로 환산한 게임 데이터 서브 세트에 포함된 특정 동작의 좌표상 거리를 계산하여 유사도를 판단하는 그래프 유사도 측정 방법 중 적어도 하나의 방법일 수 있다. 전술한 유사도 판단하는 방법의 기재는 예시일 뿐, 본 개시는 각각의 데이터의 유사도를 비교 판단할 수 있는 임의의 유사도 측정 방법을 포함할 수도 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 평가 점수의 변화량이 사전 결정된 임계 변화량을 초과하는 특이점을 식별할 수 있다. 보다 구체적으로, 프로세서(110)는 하나 이상의 게임 데이터 서브 세트 각각을 동작 평가 모델의 입력으로 하여 출력된 각각의 평가 점수들에 기초하여 평가 점수의 변화량을 도출할 수 있다. 프로세서(110)는 동작 평가 모델의 최적 동작 결정 서브모델을 이용하여 게임 데이터 서브세트에 대한 최적의 동작을 결정하고, 평가 점수 결정 서브모델을 이용하여 결정된 최적의 동작과 플레이어의 동작을 비교함으로써 해당 게임 데이터 서브 세트에 대한 평가 점수를 결정할 수 있다. 예를 들어, 도 4에 도시된 바와 같이, 게임 데이터 세트(300)를 구성하는 하나 이상의 게임 데이터 서브 세트 각각이 제 1 게임 데이터 서브 세트(310), 제 2 게임 데이터 서브 세트(320), 제 3 게임 데이터 서브 세트(330) 및 제 4 게임 데이터 서브 세트(340)이고, 그리고 하나 이상의 게임 데이터 서브 세트 각각의 평가 점수가 2, 6, 9, 2인 경우, 프로세서(110)는 상기 평가 점수를 통해 평가 점수의 변화량을 +4, +3, -7으로 도출할 수 있다. 이때, 사전 결정된 임계 변화량이 ±5인 경우, 프로세서(110)는 평가 점수의 변화량이 -7일 때(즉, 제 3 게임 데이터 서브 세트 및 제 4 게임 데이터 서브 세트 각각의 평가 점수를 통해 도출된 변화량), 임계 변화량이 초과되었다고 판단하여 제 3 게임 데이터 서브 세트를 특이점으로 판별할 수 있다. 전술한 게임 데이터 서브 세트에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 게임 데이터 세트로부터 주요 게임 데이터 세트를 추출할 수 있다. 자세히 설명하면, 프로세서(110)는 평가 점수의 변화량이 사전 결정된 임계 변화량에 초과하는 특이점을 기준으로 사전 결정된 범위의 복수의 게임 데이터 서브 세트를 식별할 수 있다. 또한, 프로세서(110)는 식별된 복수의 게임 데이터 서브 세트를 포함하는 주요 게임 데이터 세트를 생성할 수 있다. 구체적인 예를 들어, 도 4를 참조하면, 제 3 게임 데이터 서브 세트(330)를 특이점으로 판별한 경우, 프로세서(110)는 제 3 게임 데이터 서브 세트를 기준으로 사전 결정된 범위의 복수의 게임 데이터 서브 세트를 수집하여 주요 게임 데이터 세트(350)를 구성할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 복수의 유저의 게임 데이터 세트 중 적어도 하나의 게임 데이터 세트로부터 추출된 주요 게임 데이터 세트에 기초하여 리플레이 영상을 생성할 수 있다. 이때, 리플레이 영상은 주요 게임 데이터 세트를 구성하는 하나 이상의 게임 데이터 서브 세트에 기초하여 생성될 수 있다.

또한, 프로세서(110)가 주요 게임 데이터를 통해 생성하는 리플레이 영상은 클라이언트가 게임의 주요 상황을 높은 시인성을 통해 식별할 수 있도록 하나 이상의 특수 효과를 포함할 수 있다. 구체적으로, 프로세서(110)는 게임에 주요 상황에 대한 리플레이 영상을 클라이언트가 보다 용이하게 인지 및 식별할 수 있도록 하나 이상의 특수 효과를 리플레이 영상에 포함하여 생성할 수 있으며, 이 경우, 하나 이상의 특수 효과는 색 반전 효과, 확대 효과, 슬로우 효과, 하이라이트 효과, 다각도 분할 효과 및 반복 효과 중 적어도 하나의 효과를 포함할 수 있다. 이에 따라, 클라이언트는 프로세서(110)가 제공하는 하나 이상의 특수 효과를 포함하는 리플레이 영상을 통해 게임 내에서 진행되는 상황을 보다 잘 파악할 수 있다. 예를 들어, 프로세서(110)는 상대방 캐릭터의 궁극기 피격 범위에 있는 캐릭터가 상대방 캐릭터의 궁극기 사용 모션만을 보고 상대방 캐릭터의 궁극기 이펙트(예를 들어, 상대방 캐릭터의 궁극기의 게임 상에서의 시각적 효과)가 생성되기 전에 순간이동 기술을 사용하여 상대방 캐릭터의 궁극기를 회피한 경우, 이러한 일련의 동작들을 리플레이 영상으로 생성할 수 있다. 이 경우 프로세서(110)는 왜 플레이어의 캐릭터가 순간이동 기술을 사용하였는지 클라이언트가 식별할 수 있도록 상대방 캐릭터의 궁극기 사용 모션을 클로즈업 또는 슬로우로 표시할 수 있다. 전술한 특수 효과의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 주요 게임 데이터 세트에 기초하여 플레이 피드백 정보를 생성할 수 있다. 이때, 플레이 피드백 정보는 하나 이상의 게임 데이터 서브 세트 각각이 동작 평가 모델의 입력으로 처리되어 높은 평가 점수가 산출되도록 하는 정보로, 유저의 플레이가 개선되도록 하는 정보를 의미할 수 있다. 플레이 피드백 정보는 게임 상황 내에서의 유저의 플레이에 대한 긍정 평가, 부정 평가 및 예측 평가 중 적어도 하나의 평가 정보를 포함하며, 음성 형태 및 텍스트 형태 중 적어도 하나의 형태로 클라이언트 단말(10)로 제공될 수 있다. 자세히 설명하면, 유저가 진행하는 게임 내 특정 상황에 대한 게임 데이터 서브 세트가 동작 평가 모델에 입력되어 출력되는 평가 점수가 낮은 경우, 프로세서(110)는 유저가 진행하는 게임 내 특정 상황에서 높은 평가 점수가 출력되도록 하는 게임 데이터 서브 세트에 대한 설명을 음성 및 텍스트 형태로 제공할 수 있다. 구체적인 예를 들어, 유저가 바둑 게임을 수행하는 중 악수(좋지 않은 수)를 둔 경우, 동작 평가 모델은 해당 수에 대한 낮은 평가 점수 출력할 수 있다. 이때, 프로세서(110)는 동작 평가 모델을 통해 출력된 평가 점수가 낮음을 판별하고, 낮은 평가 점수에 대응하는 게임 데이터 서브 세트에서의 최적의 수에 대한 정보를 클라이언트 단말(10)로 제공할 수 있다. 즉, 프로세서(110)는 유저가 개임 내의 복수의 상황 속에서 수행한 동작의 적합성을 판별하고, 상기 동작들을 개선할 수 있는 플레이 피드백 정보를 제공함으로써, 클라이언트의 흥미를 고취시킬 수 있다. 예를 들어, 프로세서(110)는 상대방 캐릭터의 궁극기 피격 범위 밖에 있는 캐릭터가 상대방 캐릭터의 궁극기 이펙트가 표시된 순간에 순간이동 기술을 이용하여 상대방 캐릭터의 궁극기의 피격 범위 안으로 이동하여 궁극기에 의한 데미지를 받아 사망한 경우, 이러한 일련의 동작들을 리플레이 영상으로 생성할 수 있다. 이 경우 프로세서(110)는 플레이어의 캐릭터가 해당 위치로 순간이동 한 것에 대한 플레이 피드백 정보를 생성할 수 있다. 예를 들어, 플레이 피드백 정보는 플레이어의 캐릭터가 해당 위치로 순간이동을 하면 안된다는 코멘트, 해당 위치가 아닌 다른 위치(다른 적 팀 플레이어의 캐릭터의 협공을 피할 수 있는 위치 등)으로 해당 기술을 사용하였어야 했다는 코멘트 또는 영상에의 표시, 또는 플레이어가 수행하였어야 할 적절한 동작으로 생성된 게임 데이터에 기초한 영상(예를 들어, 다른 위치로 순간이동한 게임 데이터를 생성하고, 이에 기초한 영상) 등을 포함할 수 있다. 전술한 플레이 피드백 정보는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

또한, 프로세서(110)는 하나 이상의 게임 데이터 서브 세트 중 낮은 평가 점수를 산출한 특정 게임 데이터 서브 세트에 포함된 복수의 게임 데이터를 변경함으로써 플레이 피드백 정보를 생성할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 주요 게임 데이터 세트에 기초하여 기본 해설 정보를 생성할 수 있다. 이때, 기본 해설 정보는 유저의 플레이에 대한 추가 설명에 관한 정보로, 게임의 상황에 관한 정보, 유저의 동작에 관한 정보 및 게임 진행 시간에 관한 정보 중 적어도 하나의 정보를 포함할 수 있다. 보다 구체적으로, 프로세서(110)는 유저의 주요 플레이(게임을 승리 또는 패배로 이끄는 주요 동작)에 대한 정보들을 포함하는 주요 게임 데이터 세트에 대응하는 해설 정보를 생성할 수 있다. 예를 들어, 프로세서(110)는 게임 내에서 유저 및 상대 유저가 각각 수행하는 케릭터에 관한 정보, 해당 상황에서의 유저 및 상대 유저의 동작에 관한 정보, 주변 주요 상황에 관한 정보, 게임 지속 시간에 관한 정보 및 게임 잔여 시간에 관한 정보 등을 각각 또는 상호 결부하여 종합적인 상황들을 설명하는 해설 관련 정보를 생성할 수 있다. 전술한 기본 해설 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 게임 상황을 이해시키기 위한 임의의 정보들을 포함할 수 있다. 따라서, 프로세서(110)는 게임 상황을 복수의 클라이언트가 알기 쉽게 풀어서 설명하는 기본 해설 정보를 생성할 수 있어, 복수의 클라이언트가 리플레이 영상을 시청함에 있어, 재미 요소를 배가시킬 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 특정 유저의 하나 이상의 게임 데이터 서브 세트의 각각에 대한 평가 점수에 기초하여 종합 평가 점수를 생성할 수 있다. 구체적으로, 프로세서(110)는 특정 유저의 하나 이상의 게임 데이터 서브 세트 각각의 평가 점수의 평균을 산출하여 게임 데이터 세트에 대한 게임 평균 점수를 생성할 수 있다. 또한, 프로세서(110)는 복수의 게임 데이터 세트 각각의 게임 평균 점수를 합산, 정규화 및 평균값 중 적어도 하나를 통해 종합 평가 점수를 도출할 수 있다.

자세히 설명하면, 프로세서(110)가 평가 점수 결정 모델을 통해 출력하는 평가 점수는 한 게임 내에서(즉, 한 경기 또는 한판) 특정 상황에서의 동작에 대한 점수를 의미할 수 있다. 또한, 프로세서(110)가 하나 이상의 평가 점수의 평균을 통해 산출하는 게임 평균 점수는 한 게임(즉, 한 경기) 전체에 대한 점수를 의미할 수 있다. 또한, 프로세서(110)가 하나 이상의 게임 평균 점수를 합산, 정규화 및 평균값 중 적어도 하나를 통해 도출하는 종합 평가 점수는 특정 유저가 현재까지 진행한 모든 게임에 대응하는 점수를 의미할 수 있다. 또한, 프로세서(110)는 복수의 유저로부터 각각 산출된 종합 평가를 비교하여 복수의 유저간의 승률 예측 정보를 생성할 수 있다. 즉, 프로세서(110)는 게임을 수행하는 유저의 종합적인 플레이 실력을 종합 평가 점수로 환산하고, 복수의 유저간의 종합 평가 점수 비교를 통해 복수의 유저 간 승률 예측 정보를 생성할 수 있다. 이에 따라, 복수의 유저는 서로 직접 경기를 수행하지 않아도 프로세서(110)가 생성하는 승률 예측 정보를 통해 복수의 사용자 간 게임의 승률를 예측할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(120)는 프로세서(110)에서 실행가능한 프로그램 코드, 유저 별 게임 데이터 식별 정보, 게임 데이터 각각의 시간 정보 및 리플레이 영상 등에 관련된 정보들을 저장할 수 있다. 예를 들어, 플레이 피드백 정보 및 기본 해설 정보를 제공하기 위한 복수의 스크립트에 관한 정보들을 저장할 수 있다.

본 개시의 일 실시예에 따르면, 서버 메모리(120)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 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치는 인터넷(internet) 상에서 상기 메모리의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 네트워크부(130)는 클라이언트 단말(10) 및 게임 서버와 정보를 전송할 수 있고, 그리고 수신할 수 있다. 보다 구체적으로, 네트워크부(130)는 네트워크 접속을 위한 유/무선 인터넷 모듈을 포함할 수 있다. 무선 인터넷 기술로는 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다. 유선 인터넷 기술로는 XDSL(Digital Subscriber Line), FTTH(Fibers to the home), PLC(Power Line Communication) 등이 이용될 수 있다.

또한, 네트워크부(130)는 근거리 통신 모듈을 포함하여, 사용자 단말과 비교적 근거리에 위치하고 근거리 통신 모듈을 포함한 전자 장치와 데이터를 송수신할 수 있다. 근거리 통신(short range communication) 기술로 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee 등이 이용될 수 있다.

도 3은 본 개시의 일 실시예와 관련된 컴퓨팅 장치가 리플레이 영상을 제공하기 위한 순서도를 도시한다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 게임 서버로부터 복수의 유저의 게임 데이터 세트를 수신할 수 있다. 이때, 컴퓨팅 장치(100)가 수신하는 게임 데이터 세트는 하나 이상의 게임 데이터 서브 세트를 포함할 수 있다. 또한, 하나 이상의 게임 데이터 서브 세트 각각은 사전 결정된 기준으로 그룹화 된 하나 이상의 게임 데이터로 구성될 수 있다. 이 경우, 게임 데이터는 게임 서버에서 게임을 수행한 유저의 게임 활동에 관한 데이터로, 게임 상태 변화를 표현할 수 있는 스크립터 및 로그 데이터 중 적어도 하나 일 수 있다. 예를 들어, 사전 결정된 기준이 5분에 대한 시간 해당하는 경우, 하나 이상의 게임 데이터 서브 세트 각각은 5분 동안의 유저의 게임 플레이를 통해 저장된 하나 이상의 게임 데이터로 구성될 수 있다. 다시 말해, 컴퓨팅 장치(100)는 유저가 온라인 게임을 수행함으로써 게임 서버에 생성되는 하나 이상의 게임 데이터를 수신할 수 있다. 즉, 컴퓨팅 장치(100)는 게임 서버를 통해 수신한 복수의 게임 데이터를 통해 유저가 플레이한 게임 상황에 대한 상세 정보들을 획득할 수 있다. 전술한 게임 데이터를 그룹화하기 위한 사전 결정된 기준에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 게임 데이터 세트에 포함된 하나 이상의 게임 데이터 서브 세트를 동작 평가 모델의 입력으로 하여 하나 이상의 게임 데이터 서브 세트 각각에 대한 평가 점수를 산출할 수 있다(210). 컴퓨팅 장치(100)는 게임 데이터 세트에 포함된 하나 이상의 게임 데이터 서브 세트를 동작 평가 모델의 입력으로 하여 하나 이상의 게임 데이터 서브 세트 각각에 대한 평가 점수를 출력할 수 있다. 이때, 동작 평가 모델은 최적 동작 결정 서브 모델 및 평가 점수 결정 서브 모델로 구성될 수 있다.

본 개시의 일 실시예에 따르면, 최적 동작 결정 서브 모델은 게임 내 특정 상황에서 유저가 플레이할 수 있는 동작 중 최적의 동작(즉, 최상의 결과를 가져올 수 있는 동작)을 결정하도록 학습될 수 있다. 자세히 설명하면, 최적 동작 결정 서브 모델은 게임 데이터 서브 세트를 입력으로 하여 적어도 하나 이상의 후보 동작 각각에 스코어를 출력할 수 있다. 또한, 최적 동작 결정 서브 모델은 상기 후보 동작 각각에 대한 스코어에 기초하여 동작 정보를 결정할 수 있다. 구체적으로, 최적 동작 결정 서브 모델은 게임 데이터 서브 세트에 기초하여 그에 대응하는 여러 동작들 각각에 스코어를 출력하고, 복수의 동작 중 스코어가 최대가 되는 동작을 결정할 수 있다. 예를 들어, 최적 동작 결정 서브 모델이 게임 데이터 서브 세트에 기초하여 출력한 복수의 동작 각각에 대한 스코어가 15, 28, 31, 2, 5 인 경우, 최적 동작 결정 서브 모델은 복수의 동작 중 스코어가 가장 높은 31을 선택하여 동작을 결정할 수 있다. 전술한 최적 동작 결정 서브 모델에 대한 스코어 수치의 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. 다시 말해, 최적 동작 결정 서브 모델은 게임 내 유저의 상황에 따른 복수의 동작 옵션들을 가질 수 있으며, 인공 신경망의 연산을 이용하여 복수의 동작 옵션 중 가장 적정한 동작을 결정할 수 있다.

본 개시의 일 실시예에 따르면, 평가 점수 결정 서브 모델은 게임 내 특정 상황에서 유저가 플레이한 동작에 대한 평가 점수를 산출할 수 있다. 보다 구체적으로, 평가 점수 서브 모델은 최적 동작 결정 서브 모델을 통해 결정된 최적의 동작과 게임 데이터 서브 세트에 포함된 동작의 유사도 비교에 기초하여 평가 점수를 출력할 수 있다. 평가 점수 결정 서브 모델은 최적의 동작과 게임 데이터 서브 세트에 포함된 동작의 유사도가 낮은 경우, 인공 신경망이 낮은 평가 점수를 출력하도록 학습되거나 또는, 최적의 동작과 게임 데이터 서브 세트에 포함된 동작의 유사도가 높은 경우, 인공 신경망이 높은 평가 점수를 출력하도록 학습될 수 있다. 이때, 동작 평가 모델이 유사도를 판단하는 방법은 구체적으로, 시간에 흐름에 따른 유사도를 측정하는 시계열 유사도 판단 방법, 게임 데이터 서브 세트에 포함된 특정 동작의 비율에 대한 비교를 통해 유사도를 판단하는 방법 및 최적의 동작을 그래프의 좌표로 환산하고, 그래프의 좌표로 환산한 최적의 동작과 그래프의 좌표로 환산한 게임 데이터 서브 세트에 포함된 특정 동작의 좌표상 거리를 계산하여 유사도를 판단하는 그래프 유사도 측정 방법 중 적어도 하나의 방법일 수 있다. 전술한 유사도 판단하는 방법의 기재는 예시일 뿐, 본 개시는 각각의 데이터의 유사도를 비교 판단할 수 있는 임의의 유사도 측정 방법을 포함할 수도 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 평가 점수의 변화량이 사전 결정된 임계 변화량을 초과하는 특이점을 식별할 수 있다(220). 보다 구체적으로, 컴퓨팅 장치(100)는 하나 이상의 게임 데이터 서브 세트 각각을 동작 평가 모델의 입력으로 하여 출력된 각각의 평가 점수들에 기초하여 평가 점수의 변화량을 도출할 수 있다. 예를 들어, 도 4에 도시된 바와 같이, 게임 데이터 세트(300)를 구성하는 하나 이상의 게임 데이터 서브 세트 각각이 제 1 게임 데이터 서브 세트(310), 제 2 게임 데이터 서브 세트(320), 제 3 게임 데이터 서브 세트(330) 및 제 4 게임 데이터 서브 세트(340)이고, 그리고 하나 이상의 게임 데이터 서브 세트 각각의 평가 점수가 2, 6, 9, 2인 경우, 컴퓨팅 장치(100)는 상기 평가 점수를 통해 평가 점수의 변화량을 +4, +3, -7으로 도출할 수 있다. 이때, 사전 결정된 임계 변화량이 ±5인 경우, 컴퓨팅 장치(100)는 평가 점수의 변화량이 -7일 때(즉, 제 3 게임 데이터 서브 세트 및 제 4 게임 데이터 서브 세트 각각의 평가 점수를 통해 도출된 변화량), 임계 변화량이 초과되었다고 판단하여 제 3 게임 데이터 서브 세트를 특이점으로 판별할 수 있다. 전술한 게임 데이터 서브 세트에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 특이점에 기초하여 게임 데이터 세트로부터 주요 게임 데이터 세트를 추출할 수 있다(230). 자세히 설명하면, 컴퓨팅 장치(100)는 평가 점수의 변화량이 사전 결정된 임계 변화량에 초과하는 특이점을 기준으로 사전 결정된 범위의 복수의 게임 데이터 서브 세트를 식별할 수 있다. 또한, 컴퓨팅 장치(100)는 식별된 복수의 게임 데이터 서브 세트를 포함하는 주요 게임 데이터 세트를 생성할 수 있다. 구체적인 예를 들어, 도 4를 참조하면, 제 3 게임 데이터 서브 세트(330)를 특이점으로 판별한 경우, 컴퓨팅 장치(100)는 제 3 게임 데이터 서브 세트를 기준으로 사전 결정된 범위의 복수의 게임 데이터 서브 세트를 수집하여 주요 게임 데이터 세트(350)를 구성할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 복수의 유저의 게임 데이터 세트 중 적어도 하나의 게임 데이터 세트로부터 추출된 주요 게임 데이터 세트에 기초하여 리플레이 영상을 생성할 수 있다. 이때, 리플레이 영상은 주요 게임 데이터 세트를 구성하는 하나 이상의 게임 데이터 서브 세트에 기초하여 생성될 수 있다.

또한, 컴퓨팅 장치(100)가 주요 게임 데이터를 통해 생성하는 리플레이 영상은 클라이언트가 게임의 주요 상황을 높은 시인성을 통해 식별할 수 있도록 하나 이상의 특수 효과를 포함할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 게임에 주요 상황에 대한 리플레이 영상을 클라이언트가 보다 용이하게 인지 및 식별할 수 있도록 하나 이상의 특수 효과를 리플레이 영상에 포함하여 생성할 수 있으며, 이 경우, 하나 이상의 특수 효과는 색 반전 효과, 확대 효과, 슬로우 효과, 하이라이트 효과, 다각도 분할 효과 및 반복 효과 중 적어도 하나의 효과를 포함할 수 있다. 이에 따라, 클라이언트는 컴퓨팅 장치(100)가 제공하는 하나 이상의 특수 효과를 포함하는 리플레이 영상을 통해 게임 내에서 진행되는 상황을 보다 잘 파악할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 주요 게임 데이터 세트에 기초하여 플레이 피드백 정보를 생성할 수 있다. 이때, 플레이 피드백 정보는 하나 이상의 게임 데이터 서브 세트 각각이 동작 평가 모델의 입력으로 처리되어 높은 평가 점수가 산출되도록 하는 정보로, 유저의 플레이가 개선되도록 하는 정보를 의미할 수 있다. 플레이 피드백 정보는 게임 상황 내에서의 유저의 플레이에 대한 긍정 평가, 부정 평가 및 예측 평가 중 적어도 하나의 평가 정보를 포함하며, 음성 형태 및 텍스트 형태 중 적어도 하나의 형태로 클라이언트 단말(10)로 제공될 수 있다. 자세히 설명하면, 유저가 진행하는 게임 내 특정 상황에 대한 게임 데이터 서브 세트가 동작 평가 모델에 입력되어 출력되는 평가 점수가 낮은 경우, 컴퓨팅 장치(100)는 유저가 진행하는 게임 내 특정 상황에서 높은 평가 점수가 출력되도록 하는 게임 데이터 서브 세트에 대한 설명을 음성 및 텍스트 형태로 제공할 수 있다. 즉, 컴퓨팅 장치(100)는 유저가 개임 내의 복수의 상황 속에서 수행한 동작의 적합성을 판별하고, 상기 동작들을 개선할 수 있는 플레이 피드백 정보를 제공함으로써, 클라이언트의 흥미를 고취시킬 수 있다.

도 5는 본 개시의 일 실시예와 관련된 동작 평가 모델을 구성하는 인공 신경망을 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망(400)은 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은 "뉴런(neuron)"들로 지칭될 수도 있다. 신경망(400)은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망(400)들을 구성하는 노드(또는 뉴런)들은 하나 이상의"링크"에 의해 상호 연결될 수 있다.

신경망(400) 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. 상술한 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 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망(400)이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 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.

상술한 바와 같이, 신경망(400)은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망(400) 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망(400) 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망(400)의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망(400)이 존재하는 경우, 두 개의 신경망(400)들은 서로 상이한 것으로 인식될 수 있다.

신경망(400)은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망(400)을 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(400) 내에서 레이어의 차수는 상술한 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 노드 들과의 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 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 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 있는지, 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: recurrentneural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 데이터의 처리가 가능하도록 신경망(400)은 MLP(multilayer Perceptron), RNN(recurrent neural network), CNN(Convolutional Neural Network) 등을 포함할 수 있다. 또한 본 개시의 일 실시예에서 이벤트의 길이가 길어짐에 따라 발생할 수 있는 장기 기억 문제(long range dependency vanishing gradient)에 의한 성능 하락을 방지할 수 있도록 본 개시의 신경망(400)은 LSTM(long short-term memory)을 포함할 수 있다. 또한, 본 개시의 일 실시예에서 인공 신경망(400) 방법의 최적화 기법으로 확률적 경사하강법(SGD), 모멘텀(Momentum), Adam, AdaGrad, RMSprop 등을 사용할 수 있다. 또한, 학습 데이터를 한 번만 학습할 수도 있으면 여러 번 반복적인 에폭(epoch)을 통하여 오차함수를 최소화시킨 파라미터들을 구할 수도 있으며, 충분한 최적화가 이루어졌는지 검사한 후에 학습 단계를 마칠지 여부를 결정할 수 있다.

RNN은 일반적인 피드포워드 신경망과 달리 히든 레이어의 출력이 다시 같은 히든 레이어의 입력이 될 수 있다. RNN은 현재 입력된 입력 데이터와 과거에 입력 받았던 데이터를 동시에 고려하여 연산하며, 피드백 구조를 가짐으로써 기억 능력을 가지는 신경망이다. 따라서, RNN은 데이터에서 이전 데이터의 의미에 따라 현재 데이터를 해석할 수 있도록 훈련될 수 있다. RNN 중 하나인 LSTM은 장기 기억 네트워크(long short term memory network)라고도 불리며 장기 의존성을 학습할 수 있다. 본 개시의 일 실시예에서 신경망은 RNN 중 하나인 LSTM 뿐 아니라, 심 게이트 순환 신경망(depth gated RNN), 시계 장치 순환 신경망(clockwork RNN) 등과 같이 데이터를 처리할 수 있는 임의의 신경망을 포함할 수 있다.

도 6은 본 개시의 일 실시예와 관련된 리플레이 영상을 제공하기 위한 수단을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 리플레이 영상을 제공하기 위해서, 게임 데이터 세트에 포함된 하나 이상의 게임 데이터 서브 세트를 동작 평가 모델의 입력으로 하여 상기 하나 이상의 게임 데이터 서브 세트 각각에 대한 평가 점수를 산출하기 위한 수단(510), 상기 평가 점수의 변화량이 사전 결정된 임계 변화량을 초과하는 특이점을 식별하기 위한 수단(520) 및 상기 특이점에 기초하여 상기 게임 데이터 세트로부터 주요 게임 데이터 세트를 추출하기 위한 수단(530)을 포함할 수 있다.

대안적으로, 상기 하나 이상의 데이터 서브 세트 각각은, 사전 결정된 기준으로 그룹화 된 하나 이상의 게임 데이터를 포함할 수 있다.

대안적으로, 상기 동작 평가 모델은, 상기 게임 데이터 서브 세트를 입력으로 하여 상기 게임 데이터 서브 세트에 대응하는 최적의 동작을 결정하도록 학습되는 최적 동작 결정 서브 모델 및 상기 최적 동작 결정 서브 모델을 통해 결정된 상기 최적의 동작과 상기 게임 데이터 서브 세트에 포함된 동작의 유사도 비교에 기초하여 상기 평가 점수를 출력하도록 학습되는 평가 점수 결정 서브 모델을 포함할 수 있다.

대안적으로, 상기 특이점에 기초하여 상기 게임 데이터 세트로부터 주요 게임 데이터 세트를 추출하기 위한 수단은, 상기 게임 데이터 세트 중 상기 특이점을 기준으로 사전 결정된 범위의 복수의 게임 데이터 서브 세트를 식별하기 위한 수단 및 상기 식별된 복수의 게임 데이터 서브 세트를 포함하는 주요 게임 데이터 세트를 생성하기 위한 수단을 포함할 수 있다.

대안적으로, 상기 주요 게임 데이터 세트에 기초하여 리플레이 영상을 생성하기 위한 수단을 더 포함하고, 상기 리플레이 영상은, 클라이언트가 게임의 주요 상황을 식별하도록 하는 하나 이상의 특수 효과를 포함할 수 있다.

대안적으로, 상기 주요 게임 데이터 세트에 기초하여 플레이 피드백 정보를 생성하는 동작을 더 포함하고, 그리고 상기 플레이 피드백 정보는, 상기 평가 점수 결정 서브 모델에서 높은 평가 점수가 출력되도록 하는 정보로, 유저의 플레이가 개선되도록 하는 정보를 의미할 수 있다.

대안적으로, 상기 플레이 피드백 정보는, 상기 하나 이상의 게임 데이터 서브 세트 중 낮은 평가 점수를 산출한 특정 게임 데이터 서브 세트에 포함된 하나 이상의 게임 데이터를 변경함으로써 생성될 수 있다.

대안적으로, 상기 주요 게임 데이터 세트에 기초하여 게임 추가 정보를 생성하는 동작을 더 포함하고, 그리고 상기 게임 추가 정보는, 유저의 플레이와 관련한 추가 설명에 관한 정보로, 게임의 상황에 관한 정보, 유저의 동작에 관한 정보, 게임 진행 시간에 관한 정보 중 적어도 하나를 포함할 수 있다.

대안적으로, 복수의 유저 별 하나 이상의 게임 데이터 서브 세트의 각각에 대한 평가 점수에 기초하여 종합 평가 점수를 각각 산출하기 위한 수단 및 상기 복수의 유저별로 산출된 종합 평가를 각각 비교하여 상기 복수의 유저 간 승률 예측 정보를 생성하기 위한 수단을 더 포함할 수 있다.

도 7은 본 개시의 일 실시예와 관련된 리플레이 영상을 제공하기 위한 모듈을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 리플레이 영상을 제공하기 위해서, 게임 데이터 세트에 포함된 하나 이상의 게임 데이터 서브 세트를 동작 평가 모델의 입력으로 하여 상기 하나 이상의 게임 데이터 서브 세트 각각에 대한 평가 점수를 산출하기 위한 모듈(610), 상기 평가 점수의 변화량이 사전 결정된 임계 변화량을 초과하는 특이점을 식별하기 위한 모듈(620) 및 상기 특이점에 기초하여 상기 게임 데이터 세트로부터 주요 게임 데이터 세트를 추출하기 위한 모듈(630)을 포함할 수 있다.

도 8은 본 개시의 일 실시예와 관련된 리플레이 영상을 제공하기 위한 로직을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 리플레이 영상을 제공하기 위해서, 게임 데이터 세트에 포함된 하나 이상의 게임 데이터 서브 세트를 동작 평가 모델의 입력으로 하여 상기 하나 이상의 게임 데이터 서브 세트 각각에 대한 평가 점수를 산출하기 위한 로직(710), 상기 평가 점수의 변화량이 사전 결정된 임계 변화량을 초과하는 특이점을 식별하기 위한 로직(720) 및 상기 특이점에 기초하여 상기 게임 데이터 세트로부터 주요 게임 데이터 세트를 추출하기 위한 로직(730)을 포함할 수 있다.

도 9는 본 개시의 일 실시예와 관련된 리플레이 영상을 제공하기 위한 회로를 도시한 블록 구성도이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 리플레이 영상을 제공하기 위해서, 게임 데이터 세트에 포함된 하나 이상의 게임 데이터 서브 세트를 동작 평가 모델의 입력으로 하여 상기 하나 이상의 게임 데이터 서브 세트 각각에 대한 평가 점수를 산출하기 위한 회로(810), 상기 평가 점수의 변화량이 사전 결정된 임계 변화량을 초과하는 특이점을 식별하기 위한 회로(820) 및 상기 특이점에 기초하여 상기 게임 데이터 세트로부터 주요 게임 데이터 세트를 추출하기 위한 회로(830)를 포함할 수 있다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 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 예시적 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 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다

도 10은 본 개시의 일 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 조합으로서 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, 메인프레임 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 둘다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 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 비휘발성 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 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 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 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(2110) 및 랜덤 액세스 메모리(RAM)(2112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(2110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(2112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(2114)(예를 들어, EIDE, SATA)이 내장형 하드 디스크 드라이브(2114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음), 자기 플로피 디스크 드라이브(FDD)(2116)(예를 들어, 이동식 디스켓(2118)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(2114), 자기 디스크 드라이브(2116) 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(2130), 하나 이상의 애플리케이션 프로그램(2132), 기타 프로그램 모듈(2134) 및 프로그램 데이터(2136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(2112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(2112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용 가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(2138) 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 것이며, 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. 하나 이상의 프로세서들에 의해 실행 가능한 컴퓨터 판독가능 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 상기 하나 이상의 프로세서로 하여금 이하의 동작들을 수행하도록 하며, 상기 동작들은:
   게임 데이터 세트에 포함된 하나 이상의 게임 데이터 서브 세트를 동작 평가 모델의 입력으로 하여 상기 하나 이상의 게임 데이터 서브 세트 각각에 대한 평가 점수를 산출하는 동작;
   상기 평가 점수의 변화량이 사전 결정된 임계 변화량을 초과하는 특이점을 식별하는 동작;
   상기 게임 데이터 세트 중 상기 특이점을 기준으로 사전 결정된 범위의 복수의 게임 데이터 서브 세트를 식별하는 동작;
   상기 식별된 복수의 게임 데이터 서브 세트를 포함하는 주요 게임 데이터 세트를 생성하는 동작;
   상기 주요 게임 데이터 세트에 기초하여 리플레이 영상을 생성하는 동작; 및
   상기 주요 게임 데이터 세트에 기초하여 유저의 플레이가 개선되도록 하는 정보인 플레이 피드백 정보를 생성하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
2. 제 1 항에 있어서,
   상기 하나 이상의 데이터 서브 세트 각각은,
   사전 결정된 기준으로 그룹화 된 하나 이상의 게임 데이터를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
3. 제 1 항에 있어서,
   상기 동작 평가 모델은,
   상기 게임 데이터 서브 세트를 입력으로 하여 상기 게임 데이터 서브 세트에 대응하는 최적의 동작을 결정하도록 학습되는 최적 동작 결정 서브 모델 및 상기 최적 동작 결정 서브 모델을 통해 결정된 상기 최적의 동작과 상기 게임 데이터 서브 세트에 포함된 동작의 유사도 비교에 기초하여 상기 평가 점수를 출력하도록 학습되는 평가 점수 결정 서브 모델을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
4. 삭제
5. 제 1 항에 있어서,
   상기 리플레이 영상은,
   클라이언트가 게임의 주요 상황을 식별하도록 하는 하나 이상의 특수 효과를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
6. 제 1 항에 있어서,
   상기 플레이 피드백 정보는,
   상기 평가 점수 결정 서브 모델에서 높은 평가 점수가 출력되도록 하는 정보인,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
7. 제 6 항에 있어서,
   상기 플레이 피드백 정보는,
   상기 하나 이상의 게임 데이터 서브 세트 중 낮은 평가 점수를 산출한 특정 게임 데이터 서브 세트에 포함된 하나 이상의 게임 데이터를 변경함으로써 생성되는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
8. 제 1 항에 있어서,
   상기 주요 게임 데이터 세트에 기초하여 게임 추가 정보를 생성하는 동작;
   을 더 포함하고, 그리고
   상기 게임 추가 정보는,
   유저의 플레이와 관련한 추가 설명에 관한 정보로, 게임의 상황에 관한 정보, 유저의 동작에 관한 정보, 게임 진행 시간에 관한 정보 중 적어도 하나를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
9. 제 1 항에 있어서,
   복수의 유저 별 하나 이상의 게임 데이터 서브 세트의 각각에 대한 평가 점수에 기초하여 종합 평가 점수를 각각 산출하는 동작; 및
   상기 복수의 유저 별로 산출된 종합 평가를 각각 비교하여 상기 복수의 유저 간 승률 예측 정보를 생성하는 동작;
   더 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
10. 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 리플레이 영상을 제공하는 방법에 있어서,
    상기 프로세서가 게임 데이터 세트에 포함된 하나 이상의 게임 데이터 서브 세트를 동작 평가 모델의 입력으로 하여 상기 하나 이상의 게임 데이터 서브 세트 각각에 대한 평가 점수를 산출하는 단계;
    상기 프로세서가 상기 평가 점수의 변화량이 사전 결정된 임계 변화량을 초과하는 특이점을 식별하는 단계;
    상기 프로세서가 상기 게임 데이터 세트 중 상기 특이점을 기준으로 사전 결정된 범위의 복수의 게임 데이터 서브 세트를 식별하는 단계;
    상기 프로세서가 상기 식별된 복수의 게임 데이터 서브 세트를 포함하는 주요 게임 데이터 세트를 생성하는 단계;
    상기 프로세서가 상기 주요 게임 데이터 세트에 기초하여 리플레이 영상을 생성하는 단계; 및
    상기 프로세서가 상기 주요 게임 데이터 세트에 기초하여 유저의 플레이가 개선되도록 하는 정보인 플레이 피드백 정보를 생성하는 단계;
    를 포함하는,
    컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 리플레이 영상을 제공하는 방법.
    
11. 리플레이 영상을 제공하는 서버로서,
    하나 이상의 코어를 포함하는 서버 프로세서;
    상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 서버 메모리; 및
    클라이언트 단말과 데이터를 송수신하는 서버 네트워크부;
    를 포함하고, 그리고
    상기 프로세서는,
    게임 데이터 세트에 포함된 하나 이상의 게임 데이터 서브 세트를 동작 평가 모델의 입력으로 하여 상기 하나 이상의 게임 데이터 서브 세트 각각에 대한 평가 점수를 산출하고,
    상기 평가 점수의 변화량이 사전 결정된 임계 변화량을 초과하는 특이점을 식별하고,
    상기 게임 데이터 세트 중 상기 특이점을 기준으로 사전 결정된 범위의 복수의 게임 데이터 서브 세트를 식별하고,
    상기 식별된 복수의 게임 데이터 서브 세트를 포함하는 주요 게임 데이터 세트를 생성하고,
    상기 주요 게임 데이터 세트에 기초하여 리플레이 영상을 생성하고, 그리고
    상기 주요 게임 데이터 세트에 기초하여 유저의 플레이가 개선되도록 하는 정보인 플레이 피드백 정보를 생성하는,
    리플레이 영상을 제공하는 서버.
    

Images