KR102153076B1 - 게임 컨텐츠 초기화 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따른, 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램이 개시된다. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로써, 상기 컴퓨터 프로그램은 게임 서버의 프로세서로 하여금 이하의 동작들을 수행하기 위한 명령들을 포함하며, 상기 동작들은; 클라이언트 단말로부터 추천 초기화 시점 및 추천 초기화 주기 중 적어도 하나를 요청하는 제 1 신호를 수신하는 동작 - 상기 제 1 신호는, 상기 클라이언트 단말의 유저 식별 정보를 포함함 -; 상기 유저 식별 정보에 대응하는 유저의 플레이 기록을 인식하는 동작; 상기 플레이 기록에 기초하여 상기 유저에게 제공될 제 1 정보를 생성하는 동작 - 상기 제 1 정보는 추천 초기화 시점 및 추천 초기화 주기 중 적어도 하나를 포함함 -; 상기 제 1 정보를 상기 클라이언트 단말로 전송하는 동작; 상기 제 1 정보를 전송한 후 상기 클라이언트 단말로부터 제 2 정보에 따라 컨텐츠를 초기화하라는 명령을 포함하는 제 2 신호를 수신하는 동작 - 상기 제 2 정보는 초기화 수행이 이루어지는 시점인 제 1 시점 및 초기화 수행 주기 중 적어도 하나를 포함함 -; 및 상기 제 2 신호를 수신함에 따라, 상기 유저에 대하여 제 1 시점에 상기 컨텐츠를 초기화하는 동작; 을 포함한다.

Description

게임 컨텐츠 초기화 방법{METHOD FOR RESETTING CONTENTS IN GAME}

본 개시는 게임 컨텐츠를 초기화 하는 방법에 관한 것으로서, 구체적으로 유저가 게임 컨텐츠 초기화 시점 및 주기를 설정할 수 있도록 하는 방법에 관한 것이다.

게임을 통해 제공될 수 있는 컨텐츠의 유형은 다양할 수 있다. 초기의 게임은 오프라인 상에서 구현되며, 게임 상에서 제공되는 컨텐츠를 수행하고, 목표를 달성하는 데에 지나지 않았다. 그러나, 통신 기술의 발달 및 게임 산업의 확장에 따라 게임을 즐기는 환경이 오프라인에서 온라인으로 옮겨오게 되었다. 이에 따라, 같은 게임을 즐기는 유저 간 경쟁이 게임에서 제공되는 주요 컨텐츠로 자리잡게 되었다. 현재 시장에서 서비스되고 있는 대부분의 게임들은 랭킹 등의 시스템을 통해 게임 내에 경쟁 요소를 도입하여, 유저들의 게임에 대한 흥미를 증폭시켜 게임 제공자의 이익 창출에 이용하고 있다.

게임 내에 존재하는 어떤 유형의 컨텐츠들은, 특정 주기에 따라 유저들의 컨텐츠 수행도를 평가하여 이를 랭킹을 갱신하는데 이용한 후, 컨텐츠를 다시 초기 상태로 돌려놓는 형태로 제공된다. 컨텐츠를 특정 주기마다 갱신하는 이유는 다양하다. 이러한 유형의 컨텐츠를 포함하고 있는 게임에 있어서, 랭킹 산정의 공정성은 유저의 흥미와 직결되며, 따라서 게임이 발생시키는 수익과도 밀접한 관련이 있다. 랭킹의 산정이 공정하게 이루어지기 위해서는 모든 유저에게 컨텐츠 수행의 기회가 동등하게 주어져야 함은 자명하다.

게임 산업이 확장되면서, 전 세계에 존재하는 모든 유저에게 동기화 된 랭킹시스템을 제공하는 게임이 점점 늘어나고 있다. 이 경우, 랭킹 산정을 위한 컨텐츠 초기화를 특정 시간대(예를 들면, KST)를 기준으로 수행하게 된다면, 서로 다른 지역에서 게임을 플레이하는 유저 간에 컨텐츠 수행 기회의 격차가 존재할 수 있다. 따라서, 서로 다른 지역에 존재하는 유저 간 컨텐츠 수행 기회의 격차를 줄일 수 있는 기술에 대한 수요가 존재한다.

대한민국 등록 특허 10-1898927호

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 유저 간 격차를 해소할 수 있는 게임 컨텐츠 초기화 방법을 제공하고자 한다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 게임 서버로 하여금 이하의 동작들을 수행하게 하기 위한 명령들을 포함하며, 상기 동작들은:

클라이언트 단말로부터 추천 초기화 시점 및 추천 초기화 주기 중 적어도 하나를 요청하는 제 1 신호를 수신하는 동작 - 상기 제 1 신호는, 상기 클라이언트 단말의 유저 식별 정보를 포함함 -; 상기 유저 식별 정보에 대응하는 유저의 플레이 기록을 인식하는 동작; 상기 플레이 기록에 기초하여 상기 유저에게 제공될 제 1 정보를 생성하는 동작 - 상기 제 1 정보는 추천 초기화 시점 및 추천 초기화 주기 중 적어도 하나를 포함함 -; 상기 제 1 정보를 상기 클라이언트 단말로 전송하는 동작; 상기 제 1 정보를 전송한 후 상기 클라이언트 단말로부터 제 2 정보에 따라 컨텐츠를 초기화하라는 명령을 포함하는 제 2 신호를 수신하는 동작 - 상기 제 2 정보는 초기화 수행이 이루어지는 시점인 제1 시점 및 초기화 수행 주기 중 적어도 하나를 포함함 -; 및 상기 제 2 신호를 수신함에 따라, 상기 유저에 대하여 제 1 시점에 상기 컨텐츠를 초기화하는 동작; 을 포함할 수 있다.

또한, 상기 플레이 기록은, 상기 유저의 게임 플레이에 관련한 데이터 중 사전 결정된 시간 구간에 해당하는 제 1 시간 구간 동안 수집된 게임 데이터에 해당하는 제 1 데이터를 포함할 수 있다.

또한, 상기 제 1 정보를 생성하는 동작은, 컨텐츠 초기화 시점으로 설정될 수 있는 복수의 시점에 대한 정보 및 기 설정된 컨텐츠 초기화 주기를 인식하는 동작; 상기 복수의 시점 각각에 대하여, 상기 컨텐츠 초기화 주기 당 평균 컨텐츠 수행 점수를 상기 플레이 기록에 기초하여 생성하는 동작; 및 상기 복수의 시점 중에서 상기 제 1 시간 구간 동안의 상기 초기화 주기 당 평균 컨텐츠 수행 점수가 가장 높은 시점을, 상기 추천 초기화 시점으로 결정하는 동작; 을 포함할 수 있다.

또한, 상기 제 1 정보를 생성하는 동작은, 상기 유저의 상기 플레이 기록을 하나 이상의 네트워크 함수를 포함하는 추천 초기화 시점 결정 모델을 이용하여 연산함으로써 상기 추천 초기화 시점을 결정하는 동작; 을 포함할 수 있다.

또한, 상기 제 1 정보를 생성하는 동작은, 기 설정된 컨텐츠 초기화 시점에 해당하는 제 2 시점 및 컨텐츠 초기화 주기로 설정될 수 있는 복수의 시간 간격에 대한 정보를 인식하는 동작; 상기 제 2 시점을 기점으로, 상기 복수의 시간 간격 각각에 대하여, 상기 제 1 시간 구간 동안의 시간 간격 당 평균 컨텐츠 수행 점수를 상기 플레이 기록에 기초하여 생성하는 동작; 및 상기 복수의 시간 간격 중에서, 상기 제 1 시간 구간 동안의 시간 간격 당 평균 컨텐츠 수행 점수가 가장 높은 시간 간격을, 상기 추천 초기화 주기로 결정하는 동작; 을 포함할 수 있다.

또한, 상기 제 1 정보를 생성하는 동작은, 상기 유저의 상기 플레이 기록을 하나 이상의 네트워크 함수를 포함하는 추천 초기화 주기 결정 모델을 이용하여 연산함으로써 상기 추천 초기화 주기를 결정하는 동작; 을 포함할 수 있다.

상기 제 2 신호는, 상기 유저로부터 상기 초기화 시점을 설정하고자 하는 컨텐츠에 대한 정보를 포함할 수 있다.

또한, 상기 제 2 신호를 수신함에 따라, 상기 유저에 대하여 상기 제 1 시점에 상기 컨텐츠를 초기화하는 동작은, 상기 제 1 시점에 상기 컨텐츠를 초기화하기 전에, 상기 플레이 기록 및 상기 제 2 정보에 기초하여 상기 유저의 예상 컨텐츠 수행 점수에 대한 제 3 정보를 생성하는 동작; 상기 컨텐츠를 초기화할지 여부를 재확인하기 위해 상기 제 3 정보를 상기 클라이언트 단말로 전송하는 동작; 및 상기 제 3 정보를 상기 클라이언트 단말로 전송한 후, 상기 클라이언트 단말로부터 수신된 제 3 신호에 기초하여 상기 컨텐츠를 초기화할지 여부를 결정하는 동작; 을 포함할 수 있다.

또한, 상기 제 1 시점에 상기 컨텐츠를 초기화하기 전에, 상기 플레이 기록 및 상기 제 2 정보에 기초하여 상기 유저의 예상 컨텐츠 수행 점수에 대한 제 3 정보를 생성하는 동작은, 상기 유저의 상기 플레이 기록을 하나 이상의 네트워크 함수를 포함하는 컨텐츠 수행 점수 예측 모델을 이용하여 연산함으로써 상기 예상 컨텐츠 수행 점수를 결정하는 동작; 을 포함할 수 있다.

또한, 상기 동작들은 상기 제 1 시점에 상기 컨텐츠를 초기화하기 전에 상기 제 1 시점에서 상기 유저의 컨텐츠 수행 결과 점수를 생성하는 동작; 및 상기 컨텐츠 수행 결과 점수에 기초하여 랭킹 점수를 갱신하는 동작; 을 더 포함할 수 있다.

전술한 바와 같은 과제를 해결하기위한 본 개시의 몇몇 실시예에 따라, 게임 컨텐츠 초기화 방법을 제공하기 위한 게임 서버가 개시된다. 상기 게임 서버는: 클라이언트 단말과 통신이 가능한 통신부; 및 프로세서; 를 포함하고, 상기 프로세서는, 상기 통신부를 통해 상기 클라이언트 단말로부터 추천 초기화 시점 및 추천 초기화 주기 중 적어도 하나를 요청하는 제 1 신호를 수신하고, - 상기 제 1 신호는, 상기 클라이언트 단말의 유저 식별 정보를 포함함 -, 상기 제 1 신호가 수신됨에 따라 상기 유저 식별 정보에 대응하는 유저의 플레이 기록을 인식하고, 상기 플레이 기록에 기초하여 상기 유저에게 제공될 추천 초기화 시점에 대한 제 1 정보를 생성하고, 상기 제 1 정보를 상기 클라이언트 단말로 전송하도록 통신부를 제어하고, 상기 통신부를 통해 상기 클라이언트 단말로부터 제 2 정보에 따라 컨텐츠를 초기화하라는 명령이 포함된 제 2 신호가 수신한 경우, 상기 유저에 대하여 상기 제 1 시점에 상기 컨텐츠를 초기화하고, 상기 제 1 정보는, 추천 초기화 시점 및 추천 초기화 주기 중 적어도 하나를 포함하고, 상기 제 2 정보는, 초기화 시점인 제 1 시점 및 초기화 주기 중 적어도 하나를 포함한다.

상기 프로세서는, 컨텐츠 초기화 시점으로 설정될 수 있는 복수의 시점에 대한 정보 및 기 설정된 컨텐츠 초기화 주기를 인식하고, 상기 복수의 시점 각각에 대하여, 상기 컨텐츠 초기화 주기 당 평균 컨텐츠 수행 점수를 상기 플레이 기록에 기초하여 생성하고, 상기 복수의 시점 중에서, 상기 제 1 시간 구간 동안의 상기 초기화 주기 당 평균 컨텐츠 수행 점수가 가장 높은 시점을, 추천 초기화 시점으로 결정할 수 있다.

또한, 상기 프로세서는, 상기 유저의 상기 플레이 기록을 하나 이상의 네트워크 함수를 포함하는 추천 초기화 시점 결정 모델을 이용하여 연산함으로써 상기 추천 초기화 시점을 결정할 수 있다.

또한, 상기 프로세서는, 기 설정된 컨텐츠 초기화 시점에 해당하는 제 2 시점 및 컨텐츠 초기화 주기로 설정될 수 있는 복수의 시간 간격에 대한 정보를 인식하고, 상기 제 2 시점을 기점으로, 상기 복수의 시간 간격 각각에 대하여, 상기 제 1 시간 구간 동안의 시간 간격 당 평균 컨텐츠 수행 점수를 상기 플레이 기록에 기초하여 생성하고, 상기 복수의 시간 간격 중에서, 상기 제 1 시간 구간 동안의 시간 간격 당 평균 컨텐츠 수행 점수가 가장 높은 시간 간격을, 추천 초기화 주기로 결정할 수 있다.

또한, 상기 프로세서는, 상기 유저의 상기 플레이 기록을 하나 이상의 네트워크 함수를 포함하는 추천 초기화 주기 결정 모델을 이용하여 연산함으로써 상기 추천 초기화 주기를 결정할 수 있다.

또한, 상기 프로세서는, 기 설정된 컨텐츠 초기화 시점에 해당하는 제 2 시점 및 컨텐츠 초기화 주기로 설정될 수 있는 복수의 시간 간격에 대한 정보를 인식하고, 상기 제 2 시점을 기점으로, 상기 복수의 시간 간격 각각에 대하여, 상기 제 1 시간 구간 동안의 시간 간격 당 평균 컨텐츠 수행 점수를 상기 플레이 기록에 기초하여 생성하고, 상기 복수의 시간 간격 중에서, 상기 제 1 시간 구간 동안의 시간 간격 당 평균 컨텐츠 수행 점수가 가장 높은 시간 간격을, 추천 초기화 주기로 결정할 수 있다.

또한, 상기 프로세서는, 상기 유저의 상기 플레이 기록을 하나 이상의 네트워크 함수를 포함하는 추천 초기화 주기 결정 모델을 이용하여 연산함으로써 상기 추천 초기화 주기를 결정할 수 있다.

또한 상기 프로세서는, 상기 통신부를 통하여 상기 제 2 신호를 수신한 경우, 상기 제 1 시점에 상기 컨텐츠를 초기화하기 전에 상기 플레이 기록 및 상기 제 2 정보에 기초하여 상기 유저의 예상 컨텐츠 수행 점수에 대한 제 3 정보를 생성하고, 상기 컨텐츠를 초기화할지 여부를 재확인하기 위해 상기 제 3 정보를 상기 클라이언트 단말로 전송하도록 통신부를 제어하고, 상기 제 3 정보를 전송한 후, 상기 통신부를 통하여 상기 클라이언트 단말로부터 수신된 제 3 신호에 기초하여 상기 컨텐츠를 초기화할지 여부를 결정할 수 있다.

또한 상기 프로세서는, 상기 유저의 상기 플레이 기록을 하나 이상의 네트워크 함수를 포함하는 컨텐츠 수행 점수 예측 모델을 이용하여 연산함으로써 상기 예상 컨텐츠 수행 점수를 결정할 수 있다.

또한 상기 프로세서는, 상기 제 1 시점에 컨텐츠를 초기화하기 전에 상기 제 1 시점에서 상기 유저의 컨텐츠 수행 결과 점수를 생성하고, 상기 컨텐츠 수행 결과 점수에 기초하여 랭킹 점수를 갱신할 수 있다.

본 개시에서 얻을 수 있는 기술적 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 개시는 유저 간 격차를 해소할 수 있는 게임 컨텐츠 초기화 방법을 제공한다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

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 몇몇 실시예에 따른 게임 컨텐츠 초기화를 수행하기 위한 시스템에 대한 일례를 나타낸 도면이다.
도 2는 본 개시의 몇몇 실시예에 따른 게임 서버를 구성하는 컴퓨팅 장치의 구성의 일례를 나타낸 블록도이다.
도 3은 본 개시의 몇몇 실시예에 따른 게임 서버의 프로세서가 게임 컨텐츠의 초기화를 수행하는 방법의 일례를 설명하기 위한 흐름도이다.
도 4는 본 개시의 몇몇 실시예에 따른 게임 서버가 유저의 플레이 기록을 수집하는 시간 구간의 일례를 설명하기 위한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따라 게임 서버의 프로세서가 추천 초기화 시점을 결정하는 방법의 일례를 설명하기 위한 흐름도이다.
도 6은 본 개시의 몇몇 실시예에 따른 게임서버의 프로세서가 추천 초기화 시점을 결정하는 방법의 일례를 설명하기 위한 흐름도이다.
도 7은 본 개시의 몇몇 실시예에 따른 게임서버의 프로세서가 추천 초기화 주기를 결정하는 방법의 일례를 설명하기 위한 흐름도이다.
도 8은 본 개시의 몇몇 실시예에 따른 게임 서버의 프로세서가 추천 초기화 주기를 결정하는 방법의 일례를 설명하기 위한 흐름도이다.
도 9는 본 개시의 몇몇 실시예에 따른 게임 서버의 프로세서가 추천 초기화 시점 및 추천 초기화 주기 및 예상 컨텐츠 수행 점수를 결정하기 위해 이용하는 신경망의 일례를 나타내는 예시도이다.
도 10은 본 개시의 몇몇 실시예에 따른 게임 서버의 프로세서가 게임 컨텐츠를 초기화하는 방법의 일례를 설명하기 위한 흐름도이다.
도 11은 본 개시의 몇몇 실시예에 따른 게임 서버의 프로세서가 예상 컨텐츠 수행 점수를 결정하는 방법의 일례를 설명하기 위한 흐름도이다.
도 12는 본 개시의 몇몇 실시예에 따른 게임 서버의 프로세서가 컨텐츠 초기화 시 랭킹 서버를 업데이트 하는 방법의 일례를 설명하기 위한 흐름도이다.
도 13은 본 개시의 몇몇 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 감지될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다. 구체적으로, 본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다.

이하, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략한다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않는다.

비록 제1, 제2 등이 다양한 소자나 구성요소들을 서술하기 위해서 사용되나, 이들 소자나 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 소자나 구성요소를 다른 소자나 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 소자나 구성요소는 본 발명의 기술적 사상 내에서 제2 소자나 구성요소 일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

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 의미하는 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 의미하지만, 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.

더불어, 본 명세서에서 사용되는 용어 "정보" 및 "데이터"는 종종 서로 상호교환 가능하도록 사용될 수 있다.

이하의 설명에서 사용되는 구성 요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

본 개시의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 개시를 설명하는데 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 개시에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.

그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

본 개시에서 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 개시에서 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 몇몇 실시예에 따른 게임 컨텐츠 초기화를 수행하기 위한 시스템에 대한 일례를 나타낸 도면이다.

도 1에서 도시되는 바와 같이, 게임 컨텐츠 초기화를 수행하기 위한 시스템은, 클라이언트 단말(100a, 100b, 100c: 100), 게임 서버(200), 통신 네트워크(300)를 포함할 수 있다. 도 1에서 도시되는 컴포넌트들은 예시적인 것으로서, 추가적인 컴포넌트들이 존재하거나 또는 도 1에서 도시되는 컴포넌트들 중 일부는 생략될 수도 있다.

여기서, 게임 컨텐츠 초기화는 게임 컨텐츠의 상태를 유저에 의해 수행되기 전의 상태로 돌려놓는 동작을 의미할 수 있다. 예를 들면, 10단계로 이루어진 게임이 존재한다고 가정할 경우, 게임 서버(200)가 유저의 컨텐츠 수행 정도(가령, 8단계까지 클리어 한 경우)와 무관하게 특정 시점에서 컨텐츠를 다시 1단계로 돌려놓는 동작을 의미할 수 있다. 이러한 게임 컨텐츠 초기화는 게임 서버(200)내에 기 설정된 기준 시점에 모든 유저에 대하여 일괄적으로 수행되거나, 유저 각각이 스스로 초기화 시점 또는 초기화 주기를 설정하여 수행될 수 있다. 또한 컨텐츠 초기화는 주기적으로 수행될 수 있다.

클라이언트 단말(100)은 통신 네트워크(300)를 통하여 게임 서버(200) 또는 다른 클라이언트 단말과 통신하기 위한 매커니즘을 가지며, 게임 컨텐츠 초기화를 수행하기 위한 시스템에서의 임의의 형태의 노드를 의미할 수 있다. 예를 들어, 클라이언트 단말(100)은 PC, 랩탑 컴퓨터, 워크스테이션, 단말 및/또는 네트워크 접속성을 갖는 임의의 전자 디바이스를 포함할 수 있다. 또한, 클라이언트 단말(100)은 에이전트(Agent), API(Application Programming Interface) 및 플러그-인(Plug-in) 중 적어도 하나에 의해 구현되는 임의의 서버를 포함할 수도 있다. 또한, 클라이언트 단말(100)은 애플리케이션 소스 및/또는 클라이언트 애플리케이션을 포함할 수 있다.

클라이언트 단말(100)은 프로세서 및 저장부(메모리 및 영구저장매체)를 포함하여, 임의의 데이터를 처리 및 저장할 수 있는 임의의 엔티티일 수 있다.

클라이언트 단말(100)은 게임 서버(200)에 접속하여, 게임 컨텐츠를 초기화하는 과정에서 컨텐츠 초기화 수행에 필요한 정보를 게임 서버(200)에 전송할 수 있다.

클라이언트 단말(100)은 디스플레이를 구비하고 있어서, 게임 초기화 수행과 관련된 신호 및 정보에 있어서 유저의 입력을 수신하고 유저에게 임의의 형태의 출력을 제공할 수 있다.

본 개시내용의 몇몇 실시예에 따른 게임 서버(200)는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨터 시스템 또는 컴퓨터 디바이스를 포함할 수 있다. 도 1에서 도시되지는 않았지만 이러한 게임 서버(200)는 메모리, 통신부 및 프로세서를 포함할 수 있다. 게임 서버(200)는 클라이언트 단말(100)로 하여금 게임 컨텐츠 초기화 요청을 허용할 수 있다.

본 개시내용의 몇몇 실시예에 따른 통신 네트워크(300)는 공중전화 교환망(PSTN:Public Switiched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 개시내용에서 제시되는 통신 네트워크(300)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다. 본 개시내용에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 임의의 형태의 다른 통신 네트워크들에서도 사용될 수 있다.

도 2는 본 개시의 몇몇 실시예에 따른 게임 서버를 구성하는 컴퓨팅 장치의 구성의 일례를 나타낸 블록도이다.

게임 서버(200)는 프로세서(210), 통신부(220) 및 메모리(230)를 포함할 수 있다. 다만, 상술한 구성 요소들은 게임 서버(200)를 구현하는데 있어서 필수적인 것은 아니어서, 게임 서버(200)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다. 여기서, 각각의 구성 요소들은 별개의 칩이나 모듈이나 장치로 구성될 수 있고, 하나의 장치 내에 포함될 수도 있다.

프로세서(210)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(210)는 메모리(230)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 몇몇 실시예에 따른 게임 컨텐츠 초기화를 수행할 수 있다.

본 개시의 몇몇 실시예에 따라 프로세서(210)는 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(210)는 딥러닝(DN: Deep Learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐(feature) 추출, 오차 계산, 역전파(back propagation)을 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.

프로세서(210)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 모델의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 모델의 학습, 모델을 이용한 추천 초기화 시점 결정 연산, 추천 초기화 주기 결정 연산 및 예상 컨텐츠 수행 점수 연산을 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 모델의 학습, 모델을 이용한 추천 초기화 시점 결정 연산, 추천 초기화 주기 결정 연산 및 예상 컨텐츠 수행 점수 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 게임 서버(200)의 프로세서(210)는 CPU, GPGPU, 및 TPU 중 적어도 하나를 이용하여 모델을 분산하여 처리할 수 있다. 또한 본 개시의 일 실시예에서 게임 서버(200)의 프로세서(210)는 다른 게임 서버와 함께 모델을 분산하여 처리할 수 있다.

통신부(220)는 본 개시의 몇몇 실시예에 따른 게임 컨텐츠 초기화 방법을 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 클라이언트 단말 및 다른 게임 서버 등과 송수신할 수 있다. 통신부(220)는 게임 데이터 등 본 개시의 실시예에 필요한 데이터들을 다른 컴퓨팅 장치, 클라이언트 단말 및 다른 게임 서버 등과 송수신 할 수 있다. 예를 들어, 통신부(220)는 게임 데이터베이스 등에서 게임 데이터를 수신할 수 있다. 또한, 통신부(220)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 모델의 학습이 분산 수행되도록 할 수 있다. 통신부(220)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 모델을 이용한 추천 초기화 시점 결정 연산, 추천 초기화 주기 결정 연산 및 예상 컨텐츠 수행 점수 연산을 처리할 수 있다.

메모리(230)는 본 개시의 몇몇 실시예에 따른 게임 컨텐츠 초기화 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있다. 메모리(230)에 저장된 컴퓨터 프로그램은 프로세서(210)에 의하여 판독되어 구동될 수 있다.

본 개시의 실시예들에 따른 메모리(230)는 프로세서(210)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 게임 데이터 등)을 임시 또는 영구 저장할 수도 있다. 메모리(230)는 디스플레이 및 음향에 관한 데이터를 저장할 수 있다. 메모리(230)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.

이하에서는 본 개시의 몇몇 실시예에 따른 게임 컨텐츠 초기화 방법에 관하여 설명한다. 이에 대하여 이하 도 3을 참조하여 좀더 자세히 후술한다.

도 3은 본 개시의 몇몇 실시예에 따른 게임 서버의 프로세서가 게임 컨텐츠의 초기화를 수행하는 방법의 일례를 설명하기 위한 흐름도이다.

도 3을 참조하면, 클라이언트 단말(100)의 유저는 클라이언트 단말(100)에 추천 초기화 시점 및 추천 초기화 주기 중 적어도 하나에 대한 요청을 입력할 수 있다. 이 경우, 클라이언트 단말(100)은 추천 초기화 시점 및 추천 초기화 주기 중 적어도 하나를 요청하는 제 1 신호를 게임 서버(200)에 전송할 수 있다(S100). 추천 초기화 시점 및 추천 초기화 주기에 대한 자세한 설명은 도 5 내지 도 8에서 후술한다.

본 개시의 몇몇 실시예에 따르면, 제 1 신호는 클라이언트 단말의 유저 식별 정보를 포함할 수 있다. 여기서, 유저 식별 정보는 클라이언트 단말을 통해서 게임 초기화를 요청하는 유저의 계정에 대한 정보 및 해당 유저의 계정에 포함된 개별 캐릭터들을 인식할 수 있는 정보 중 적어도 하나를 포함할 수 있다.

예를 들어, 유저 식별 정보는 유저의 ID, 유저의 닉네임, 유저의 캐릭터 정보 및 클라이언트 단말의 시리얼 넘버 등을 포함할 수 있다.

다만, 유저 식별 정보는 상술한 예시에 한정되는 것은 아니고 유저를 식별할 수 있는 다양한 정보가 유저 식별 정보에 포함될 수 있다.

한편, 게임 서버(200)의 프로세서(210)는 단계(S100)에서 통신부(220)를 통해 클라이언트 단말로부터 추천 초기화 시점 및 추천 초기화 주기 중 적어도 하나를 요청하는 제 1 신호를 수신할 수 있다. 프로세서(210)는 단계(S100)에서 제 1 신호를 수신한 경우, 제 1 신호에 포함된 유저 식별 정보에 대응하는 유저의 플레이 기록을 인식할 수 있다(S200).

플레이 기록은, 제 1 신호에 포함된 유저 식별 정보에 대응하는 유저가 최초로 게임을 플레이한 시점으로부터 단계(S200)가 수행되는 시점까지의 유저가 게임 내 컨텐츠 및 서비스 중 적어도 하나를 이용한 결과를 포함할 수 있다.

구체적으로, 플레이 기록은 게임 접속 기록, 게임 종료 기록, 게임 접속 시 평균 이용시간 데이터, 게임 서버(200)에 저장된 로그 데이터, 게임 컨텐츠 수행 결과 데이터, 게임 플레이 스크린 샷 및 동영상 등을 포함할 수 있다.

한편, 게임 서버(200)는 개별 유저의 플레이 기록을 유저 식별 정보를 통하여 접근할 수 있도록 메모리(230)에 저장할 수 있다. 프로세서(210)는 인식된 플레이 기록을 기초로 컨텐츠 초기화 수행에 필요한 여러 데이터를 생성할 수 있다.

상술한 바와 같이, 유저의 플레이 기록에 기초하여 게임 컨텐츠를 초기화하는 방법을 결정할 경우, 유저에게 더 적절한 초기화 시점을 제공할 수 있다. 이 경우, 유저가 본인에게 주어진 플레이 시간을 효율적으로 사용할 가능성이 더욱 높아진다. 따라서 다른 유저와의 경쟁에 있어서 유저가 느끼는 불평등함의 정도를 줄일 수 있어 유저가 게임에 대하여 지속적으로 흥미를 느끼게 할 수 있다.

한편, 프로세서(210)는 유저에게 제공될 제 1 정보를 생성할 수 있다(S300). 여기서, 제 1 정보는 추천 초기화 시점 및 추천 초기화 주기 중 적어도 하나를 포함할 수 있다.

추천 초기화 시점은 게임 컨텐츠 초기화가 발생할 수 있는 복수의 시점 중에서 유저에게 가장 적절하다고 판단되는 시점을 의미할 수 있다. 추천 초기화 시점을 결정하는 기준은 다양할 수 있다.

본 개시의 몇몇 실시예에서 프로세서(210)는 컨텐츠 수행 정도(예를 들면, 10단계 중 8단계 까지를 클리어한 경우 80%), 컨텐츠 수행을 통해 획득한 점수(예를 들면, 승리한 경우 100점을 얻고 패배한 경우 50점을 잃는 특정 컨텐츠에 있어서, 10승 7패라면 650점) 등에 기초하여 추천 초기화 시점을 결정할 수 있다.

한편, 추천 초기화 시점은 반복적으로 초기화가 수행될 수 있는 시점의 형태로 제공될 수 있다. 예를 들면, 유저에게 제공되는 시각은 매일 05시, 매주 목요일 09시, 매월 둘째 주 목요일 09시 등의 형태를 포함할 수 있다.

추천 초기화 주기는 게임 컨텐츠 초기화가 반복적으로 발생할 수 있는 복수의 시간 간격(즉, 주기) 중에서 유저에게 가장 적절하다고 판단되는 시간 간격을 의미할 수 있다. 추천 초기화 주기를 결정하는 기준은 다양할 수 있다.

본 개시의 몇몇 실시예에서 프로세서(210)는 컨텐츠 수행 정도(예를 들면, 10단계 중 8단계 까지를 클리어한 경우 80%), 컨텐츠 수행을 통해 획득한 점수(예를 들면, 승리한 경우 100점을 얻고 패배한 경우 50점을 잃는 컨텐츠에 있어서, 10승 7패라면 650점)등에 기초하여 추천 초기화 주기를 결정할 수 있다.

구체적으로, 추천 초기화 주기는 반복적으로 초기화가 수행될 수 있는 시간 간격의 형태로 제공될 수 있다. 예를 들면, 유저에게 제공되는 시간 간격은 매일, 일주일, 1개월 등의 형태를 포함할 수 있다.

추천 초기화 시점 또는 추천 초기화 주기를 유저에게 제공하는 것은 유저의 게임에 대한 흥미를 지속적으로 유지시키는데 도움이 될 수 있다. 유저의 컨텐츠 수행도를 가장 높일 수 있는 최적의 컨텐츠 초기화 시점 또는 최적의 컨텐츠 초기화 주기를 제공함으로써, 유저는 본인에게 주어진 플레이 시간에서 가장 높은 컨텐츠 수행도를 성취할 수 있다. 그리고, 이를 경쟁에 반영함으로써 유저는 높은 성취감을 느낄 수 있다. 또한, 컨텐츠 초기화 시점 또는 주기를 전체 유저에 대하여 일괄적으로 제공할 경우 발생하는 유저 간 컨텐츠 수행도의 격차를 해소할 수 있어, 게임 운영에 대한 불만족을 줄일 수 있다.

한편, 게임 서버(200)의 프로세서(210)는 단계(S300)에서 제 1 정보가 생성된 경우, 통신부(220)를 통하여 제 1 정보를 클라이언트 단말(100)로 전송할 수 있다(S400).

클라이언트 단말(100)은 단계(S400)에서 제 1 정보를 수신한 경우, 초기화 수행이 이루어지는 시점인 제 1 시점 및 초기화 수행 주기 중 적어도 하나를 포함하는 제 2 정보를 생성할 수 있다(S500).

구체적으로, 클라이언트 단말(100)은 추천 초기화 시점 또는 추천 초기화 주기에 대한 정보를 전송받은 제 1 정보에 기초하여 디스플레이부에 디스플레이할 수 있다. 이 경우, 유저는 추천 초기화 시점 및 추천 초기화 주기 중 적어도 하나를 확인할 수 있다.

그리고, 클라이언트 단말(100)은 유저로부터 실제 초기화가 수행되는 시점인 제 1 시점 또는 실제 초기화가 수행되는 초기화 수행 주기에 대한 입력을 수신할 수 있다. 이 경우, 클라이언트 단말(100)은 유저로부터 수신한 입력에 기초하여 제 2 정보를 생성할 수 있다.

여기서, 초기화 시점은 게임 컨텐츠의 초기화가 주기적으로 수행되는 임의의 시점을 의미할 수 있다. 예를 들면, 초기화 시점이 목요일 오전 05시 정각일 경우, 프로세서(210)는 해당 유저에 대하여 매일 목요일 05시 정각에 컨텐츠의 초기화를 수행할 수 있다.

한편, 초기화 수행이 이루어지는 시점인 제 1 시점은 유저가 클라이언트 단말에 입력한 시점일 수 있다.

한편, 제 1 시점은 추천 초기화 시점과 동일할 수도 있고, 유저가 추천 초기화 시점과 다르게 임의로 선택한 별도의 시점일 수 있다.

초기화 주기는 게임 컨텐츠의 초기화가 수행된 시점으로부터 다음 초기화가 수행되는 시점까지의 시간 간격을 의미할 수 있다. 가령 초기화 주기가 일주일인 경우, 2019년 4월 1일에 게임 컨텐츠의 초기화가 수행되면 다음 번 게임 컨텐츠의 초기화는 2019년 4월 8일에 발생하게 된다.

한편, 초기화 수행 주기는 유저가 클라이언트 단말에 입력한 시점일 수 있다.

한편, 초기화 수행 주기는 추천 초기화 주기와 동일할 수도 있고, 유저가 추천 초기화 주기와 다르게 임의로 선택한 별도의 시간 간격일 수 있다.

한편, 제 1 시점과 초기화 수행 주기는 동시에 입력될 수도 있으며, 이 경우 게임 서버는 제 1 시점을 기점으로 입력된 초기화 수행 주기마다 유저에 대하여 게임 컨텐츠의 초기화를 수행할 수 있다.

한편, 클라이언트 단말(100)은 단계(S500)에서 제 2 정보를 생성한 경우, 제 2 정보에 따라 컨텐츠를 초기화하라는 명령을 포함하는 제 2 신호를 게임 서버(200)로 전송할 수 있다(S600).

게임 서버(200)의 프로세서(210)는 단계(S600)에서 제 2 신호를 수신한 경우, 제 2 신호에 포함된 제 2 정보에 기초하여 컨텐츠 초기화를 수행할 수 있다(S700).

구체적으로, 제 2 신호는 컨텐츠 초기화를 수행할지 여부에 대한 명령을 포함할 수 있다.

또한 제 2 신호는 유저가 초기화를 수행할 컨텐츠에 대한 정보를 포함할 수 있다. 예를 들어, 제 2 신호는, A, B, C 및 D 컨텐츠 중 A 및 B 컨텐츠에 대해서만 초기화를 수행하라는 명령을 포함할 수 있다.

상술한 바와 같이 컨텐츠 초기화를 수행하면, 유저 각각은 최적화된 컨텐츠 초기화 시점 및 초기화 주기를 선택할 수 있다. 또한, 본인이 원하는 컨텐츠에 대해서만 초기화를 수행할 수 있다. 따라서 개별 유저들 간에 물리적(예를 들면, 지리적) 요인에 따른 컨텐츠 수행 기회의 격차가 최소화될 수 있다.

유저 각각의 컨텐츠 수행 기회의 격차를 최소화하면, 유저 간의 공정한 경쟁이 가능해진다. 따라서 유저들의 게임에 대한 흥미를 지속적으로 유지시킬 수 있다.

컨텐츠 초기화를 수행하는 방법에 대한 자세한 설명은 도 10 및 도 11에서 좀더 자세히 후술한다.

도 4는 본 개시의 몇몇 실시예에 따른 게임 서버가 유저의 플레이 기록을 수집하는 시간 구간의 일례를 설명하기 위한 도면이다.

도 4를 참조하면, 플레이 기록에 포함되는 게임 플레이에 관련한 데이터는 유저의 전체 시간 구간(A)의 게임 데이터 및 사전 결정된 시간 구간에 해당하는 제 1 시간 구간(B) 동안 수집된 게임 데이터에 해당하는 제 1 데이터로 구분될 수 있다.

게임 플레이에 관련한 데이터는, 유저의 플레이 기록 중 게임 컨텐츠와 관련된 데이터를 의미할 수 있다.

예를 들어, 게임 플레이와 관련한 데이터는 시간 대 별 유저의 접속 빈도, 접속 일자, 컨텐츠 별 플레이 비중(예를 들면, 거래 활동, 필드 플레이, 게임 내 특정 마일스톤 획득 활동, PvE(Player vs. Environment, 즉 다른 유저가 아닌 가상의 적과의 전투를 벌이는 컨텐츠), PvP(Player vs. Player, 다른 유저와의 전투를 벌이는 컨텐츠) 간 플레이 비중), 전체 플레이 시간 중 파티 플레이의 비중 등을 포함할 수 있다. 다만, 게임 플레이와 관련한 데이터는 상술한 예시에 한정되는 것은 아니다.

유저의 게임 플레이에 관련한 데이터에 기초하여 게임 컨텐츠의 초기화를 수행하는 방법을 결정할 경우, 유저에게 더 적절한 초기화 시점을 제공할 수 있다. 그리고, 유저가 본인에게 주어진 플레이 시간을 효율적으로 사용할 가능성이 더욱 높아진다. 따라서 다른 유저와의 경쟁에 있어서 유저가 느끼는 불평등함의 정도를 줄일 수 있어 유저가 게임에 대하여 지속적으로 흥미를 느끼게 할 수 있다.

게임 플레이에 관련한 데이터는 유저가 게임을 플레이한 기간 전체에 걸쳐 수집될 수 있다.

한편, 본 개시의 몇몇 실시예에서 플레이 기록은, 전체 구간에서 수집된 게임 데이터 대신 사전 결정된 시간 구간에서 수집된 게임 플레이에 관련한 데이터를 포함할 수 있다.

사전 결정된 시간 구간인 제 1 시간 구간(B)은 전체 게임 플레이에 관련한 데이터의 수집 기간 중 추천 초기화 시점 또는 추천 초기화 주기 등을 결정하기 위하여 이용될 데이터가 수집된 시간 구간을 의미할 수 있다.

구체적으로, 사전 결정된 시간 구간은 컨텐츠 초기화 주기, 랭킹 점수를 산정하는 한 시즌의 기간, 이전 버전의 패치가 이루어진 시점부터 새로운 패치가 이루어지는 시점 또는 게임 내 특정 이벤트 발생 사이의 시간 구간을 의미할 수 있다.

전체 게임 데이터 수집 기간 중 특정 구간에 대한 데이터만을 이용하여 제 1 정보를 생성하는 경우, 게임 초기화 방법에 관한 데이터를 결정하기 위한 모델의 훈련을 효율적으로 수행할 수 있다. 또한, 현재 시점으로부터 가까운 시점의 데이터를 신경망에 입력할 수 있어, 유저에게 더욱 적절한 데이터가 제공될 수 있다.

도 5는 본 개시의 몇몇 실시예에 따라 게임 서버의 프로세서가 추천 초기화 시점을 결정하는 방법의 일례를 설명하기 위한 흐름도이다.

도 5를 참조하면, 게임 서버(200)의 프로세서(210)는 컨텐츠 초기화 시점으로 설정될 수 있는 복수의 시점 및 기 설정된 컨텐츠 초기화 주기를 인식할 수 있다(S311).

여기서, 컨텐츠 초기화 시점으로 설정될 수 있는 복수의 시점이란, 기 설정된 초기화 주기를 갖고 반복적인 컨텐츠 초기화가 수행될 수 있는 복수의 시점을 의미할 수 있다.

일례로, 기 설정된 초기화 주기가 일주일인 경우, 컨텐츠 초기화 시점으로 설정될 수 있는 복수의 시점은 월요일 0시로부터 일요일 23시 59분 사이의 임의의 시점을 포함할 수 있다.

다른 일례로, 기 설정된 초기화 주기가 1개월인 경우, 컨텐츠 초기화 시점은 매월 1일 0시부터 마지막 날의 23시 59분 사이의 임의의 시점을 포함할 수 있다.

컨텐츠 초기화 시점을 기 설정된 컨텐츠 초기화 주기 내의 임의의 시점으로 설정할 수 있는 경우, 유저 각각에 최적화된 컨텐츠 초기화 시점을 제공할 수 있어 유저의 게임에 대한 흥미를 지속시킬 수 있다.

한편, 기존의 컨텐츠 초기화 시스템에서는 특정 시간대의 기 설정된 시점에 모든 유저에 대하여 일괄적으로 컨텐츠 초기화가 수행되어, 유저 별 컨텐츠 수행 기회에 격차가 존재할 수밖에 없었다. 따라서 컨텐츠 수행 기회 불균형으로 인하여 유저들이 박탈감을 느끼고, 그에 따라 게임에 대한 흥미를 잃는 문제가 발생하였다.

컨텐츠 초기화 시점을 임의의 시점으로 설정할 수 있도록 함으로써 개별 유저가 자기에게 맞는 최적의 시점을 초기화 시점으로 설정할 수 있다. 따라서, 유저가 본인에게 주어진 컨텐츠 수행 기회를 최대한으로 활용할 수 있으며, 이에 따라 유저 간 컨텐츠 수행 기회 격차도 최소화될 수 있다. 이에 따라 유저가 느끼는 박탈감을 줄일 수 있고 게임에 대한 흥미가 지속될 수 있다.

단계(S311)에서 기 설정된 컨텐츠 초기화 주기란, 컨텐츠 초기화가 수행된 시점으로부터 다음 컨텐츠 초기화가 수행되는 시점 사이의 시간 간격을 의미할 수 있다. 본 개시의 몇몇 실시예에서는 컨텐츠 초기화 주기를 임의로 설정할 수 없는 것으로 개시하고 있으나, 컨텐츠 초기화 주기는 이러한 개시에 한정되지 않는다. 따라서 본 개시에서 컨텐츠 초기화 주기는 임의로 설정된 기간을 포함할 수 있다고 해석될 수 있다.

한편, 프로세서(210)는 복수의 시점 각각의 초기화 주기 당 평균 컨텐츠 수행 점수를 플레이 기록에 기초하여 생성할 수 있다(S312).

여기서, 복수의 시점 각각의 초기화 주기 당 평균 컨텐츠 수행 점수란, 도 4에서 상술한 제 1 시간 구간(B) 동안 기 설정된 초기화 주기마다 유저가 획득한 컨텐츠 수행 점수의 평균을 의미할 수 있다.

예를 들어, 제 1 시간 구간(B)이 2019년 4월 1일부터 2019년 4월 30일이고, 기 설정된 초기화 주기가 일주일인 경우, 프로세서(210)는 초기화 시점으로 설정될 수 있는 복수의 시점 각각에 대하여 일주일 마다 유저가 획득한 점수의 평균을, 복수의 시점 각각의 초기화 주기 당 평균 컨텐츠 수행 점수로 결정할 수 있다.

프로세서(210)는 단계(S312)에서 초기화 주기 당 평균 컨텐츠 수행 점수를 생성한 후, 초기화 시점으로 설정될 수 있는 복수의 시점 중 초기화 주기 당 평균 컨텐츠 수행 점수가 가장 높은 시점을 추천 초기화 시점으로 결정할 수 있다(S313).

예를 들어, 프로세서(210)는 제 3 시점을 기준으로 기 설정된 시간 간격으로 초기화를 수행할 경우 도 4에서 상술한 제 1 시간 구간(B) 구간 동안의 각각의 시간 간격마다 생성되는 컨텐츠 수행 점수에 대한 평균인 제 1 평균 컨텐츠 수행 점수를 제 1 데이터에 기초하여 생성할 수 있다. 또한, 프로세서(210)는 제 3 시점과 상이한 제 4 시점을 기준으로 기 설정된 시간 간격으로 초기화를 수행할 경우 도 4에서 상술한 제 1 시간 구간(B) 구간 동안의 각각의 시간 간격마다 생성되는 컨텐츠 수행 점수에 대한 평균인 제 2 평균 컨텐츠 수행 점수를 제 1 데이터에 기초하여 생성할 수 있다. 그리고, 프로세서(210)는 제 1 평균 컨텐츠 수행 점수와 제 2 평균 컨텐츠 수행 점수를 비교하여 제 1 평균 컨텐츠 수행 점수가 제 2 평균 컨텐츠 수행 점수보다 높은 경우, 제 3 시점을 추천 초기화 시점으로 결정할 수 있다. 그리고, 프로세서(210)는 제 2 평균 컨텐츠 수행 점수가 제 1 평균 컨텐츠 수행 점수보다 높은 경우, 제 4 시점을 추천 초기화 시점으로 결정할 수 있다.

본 개시의 몇몇 실시예에 따른 프로세서(210)는, 초기화 시점으로 설정될 수 있는 복수의 시점 각각에 대한 초기화 주기 당 평균 컨텐츠 수행 점수를 정렬하여 그 중 가장 높은 평균 컨텐츠 수행 점수를 갖는 시점을 추천 초기화 시점으로 결정할 수 있다.

구체적으로는, 프로세서(210)는 선택 정렬, 삽입 정렬, 퀵 정렬, 힙 정렬(Heap sort)등의 내부 정렬 방법을 이용하여 초기화 시점으로 설정될 수 있는 복수의 시점 각각에 대한 초기화 주기 당 평균 컨텐츠 수행 점수를 정렬할 수 있다.

한편, 메모리가 게임 서버(200)의 외부에 위치하는 경우, 프로세서(210)는 외부 정렬 방법을 이용할 수도 있다.

상술한 바에 따르면, 추천 초기화 시점은 다음 컨텐츠 초기화 시점에서 유저가 획득할 컨텐츠 수행 점수의 기대값이 가장 높은 시점으로 정의될 수 있다. 유저가 게임을 플레이하는 패턴에 큰 변동이 없다고 가정할 경우, 복수의 시점 각각에서 획득할 컨텐츠 수행 점수 기대값은 복수의 시점 각각에 대한 평균 컨텐츠 수행 점수일 수 있다. 따라서 추천 초기화 시점을 복수의 시점 각각에 대한 초기화 주기 당 평균 컨텐츠 수행 점수에 기초해서 결정하면 컨텐츠 수행 점수의 기대값이 가장 높은 시점을 추천 초기화 시점으로 제공할 수 있다.

도 6은 본 개시의 몇몇 실시예에 따른 게임서버의 프로세서가 추천 초기화 시점을 결정하는 방법의 일례를 설명하기 위한 흐름도이다.

도 6을 참조하면, 프로세서(210)는 유저의 플레이 기록을 하나 이상의 네트워크 함수를 포함하는 추천 초기화 시점 결정 모델에 입력할 수 있다(S321).

구체적으로, 유저의 플레이 기록은, 도 4에서 상술한 바와 같이 제 1 시간 구간(B) 동안의 게임 플레이와 관련한 제 1 데이터를 포함할 수 있다. 프로세서(210)는 통신부(220)를 통해 플레이 기록 데이터 세트를 수신하거나, 게임 서버(200) 내의 메모리(230)에 저장된 플레이 기록 데이터 세트를 불러올 수 있다. 여기서, 플레이 기록 데이터 세트는 학습 데이터 세트에 대응되는 개념일 수 있다. 플레이 기록 데이터 세트는 학습 데이터 세트에 대응되는 개념일 수 있다. 그리고, 프로세서(210)는 제 1 시간 구간(B) 동안의 게임 플레이와 관련한 제 1 데이터를 추천 초기화 시점 결정 모델에 입력할 수 있다.

여기서, 추천 초기화 시점 결정 모델은 강화 학습에서 동작(action)을 결정하는 정책과 관련될 수 있다. 추천 초기화 시점 결정 모델에서 동작은 초기화 시점으로 설정될 수 있는 복수의 시점 중에서 하나의 시점을 추천 초기화 시점으로 결정하는 것을 의미할 수 있다. 즉, 프로세서(210)는 게임 데이터의 비교 결과라는 관찰(observation) 결과(즉, 환경(environment))를 추천 초기화 시점 결정 모델(즉, 정책)로 처리하여, 추천 초기화 시점(즉, 동작)을 결정할 수 있다. 전술한 추천 초기화 시점 결정 모델은 게임 데이터 비교 결과에 따른 복수의 추천 초기화 시점 후보를 가질 수 있으며, 추천 초기화 시점 결정 모델의 연산을 이용하여 복수의 추천 초기화 시점 중 가장 적절한 추천 초기화 시점 후보를 유저에게 제공할 수 있다. 강화학습 방법에 대한 구체적인 내용에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 특허 출원 US15/091840(2016.04.060 및 US15/261579(2016.09.09)에서 구체적으로 논의된다.

한편, 프로세서(210)는 추천 초기화 시점 결정 모델의 출력 결과를 기초로 추천 초기화 시점을 결정할 수 있다(S322).

일례로, 추천 초기화 시점 결정 모델의 출력 결과는 초기화 시점으로 설정될 수 있는 복수의 시점 각각에 대하여 추천 초기화 시점으로 결정될 확률일 수 있다. 프로세서(210)는 복수의 시점 중 추천 초기화 시점으로 결정될 확률이 가장 높은 시점을 추천 초기화 시점으로 결정할 수 있다.

하나 이상의 네트워크 함수를 포함하는 추천 초기화 시점 결정 모델이 이용하는 신경망에 관한 내용은 도 9에서 후술한다.

하나 이상의 네트워크 함수를 포함하는 추천 초기화 시점 결정 모델은 유저의 플레이 패턴 변동(예를 들면, 시계열적 요소에 따른 변동)을 반영할 수 있다. 또한 추천 초기화 시점 결정에 다양한 요소(예를 들면, 유저의 게임 내 직업 등)를 반영할 수 있다. 따라서 유저에게 더 적합한 초기화 시점을 추천할 수 있다.

도 7은 본 개시의 몇몇 실시예에 따른 게임서버의 프로세서가 추천 초기화 주기를 결정하는 방법의 일례를 설명하기 위한 흐름도이다.

도 7을 참조하면, 프로세서(210)는 컨텐츠 초기화 주기로 설정될 수 있는 복수의 시간 간격 및 기 설정된 컨텐츠 초기화 시점에 해당하는 제 2 시점을 인식할 수 있다(S331).

여기서, 기 설정된 컨텐츠 초기화 시점에 해당하는 제 2 시점이란, 컨텐츠 초기화가 반복적으로 수행되는 임의의 시점을 포함할 수 있다.

여기서, 컨텐츠 초기화 주기로 설정될 수 있는 복수의 시간 간격이란, 제 2 시점을 기준으로, 컨텐츠 초기화가 반복적으로 수행될 수 있는 임의의 시간 간격을 의미할 수 있다.

구체적으로, 컨텐츠 초기화 주기는 초기화가 수행될 수 있는 최소 시간 간격을 초과하는 임의의 시간 간격을 포함할 수 있다. 최소 시간 간격이 하루인 경우, 하루 이상의 어떤 임의의 시간 간격도 초기화 주기로 설정될 수 있는 시간 간격에 포함될 수 있다.

컨텐츠 초기화 주기를 임의의 시간 간격으로 설정할 수 있다면 유저 각각에 최적화된 컨텐츠 초기화 주기를 제공할 수 있어 유저의 게임에 대한 흥미를 지속시킬 수 있다.

한편, 기존의 컨텐츠 초기화 시스템에서는 특정 시간대에 기초하여, 동일한 주기 하에 모든 유저에 대하여 일괄적으로 컨텐츠 초기화가 수행되어, 유저 별 컨텐츠 수행 기회에 격차가 존재할 수밖에 없었다. 따라서 유저들이 컨텐츠 수행 기회 불균형으로 인하여 박탈감을 느끼게 되어 게임에 대한 흥미를 잃는 문제가 발생하였다.

컨텐츠 초기화 주기를 임의의 주기로 설정할 수 있도록 함으로써 개별 유저가 자기에게 맞는 최적의 주기를 초기화 주기로 설정할 수 있게 된다. 유저는 본인에게 주어진 컨텐츠 수행 기회를 최대한으로 활용할 수 있으며, 이에 따라 유저 간 컨텐츠 수행 기회 격차도 최소화될 수 있다. 이에 따라 유저가 느끼는 박탈감을 줄일 수 있고 게임에 대한 흥미가 지속될 수 있다.

단계(S331)가 수행됨에 따라, 프로세서(210)는 제 2 시점을 기준으로, 복수의 시간 간격 각각에 대한 제 1 시간 구간(B) 동안의 시간 간격 당 평균 컨텐츠 수행 점수를 플레이 기록에 기초하여 생성할 수 있다(S332).

여기서, 복수의 시간 간격 각각에 대한 제 1 시간 구간(B) 동안의 시간 간격 당 평균 컨텐츠 수행 점수란, 제 1 시간 구간(B)을 복수의 시간 간격 각각으로 분할하여, 계산된 모든 시간 간격의 컨텐츠 수행 점수의 평균을 의미할 수 있다. 예를 들어, 제 1 시간 구간이 2019년 4월 1일부터 2019년 4월 30일이고, 복수의 시간 간격 중 하나가 일주일인 경우, 프로세서(210)는 제 1 시간 구간을 일주일 단위로 분할하여 분할 구간 각각의 컨텐츠 수행 점수를 결정한 후, 그 평균을 시간 간격이 일주일인 경우의 제 1 시간 구간 동안의 시간 간격 당 평균 컨텐츠 수행 점수로 결정할 수 있다.

프로세서(210)는 단계(S332)에서 복수의 시간 간격 각각에 대한 시간 간격 당 평균 컨텐츠 수행 점수를 플레이 기록에 기초하여 생성한 후, 초기화 주기로 설정될 수 있는 복수의 시간 간격 중 제 1 시간 구간(B) 동안의 시간 간격 당 평균 컨텐츠 수행 점수가 가장 높은 시간 간격을, 추천 초기화 주기로 결정할 수 있다(S333).

본 개시의 몇몇 실시예에 따른 프로세서(210)는, 초기화 주기로 설정될 수 있는 복수의 시간 간격 각각에 대하여, 제 1 시간 구간(B) 동안의 시간 간격 당 평균 컨텐츠 수행 점수를 정렬하여 그 중 가장 높은 평균 컨텐츠 수행 점수를 갖는 시간 간격을 추천 초기화 주기로 결정할 수 있다.

구체적으로는, 프로세서(210)는 선택 정렬, 삽입 정렬, 퀵 정렬, 힙 정렬(Heap sort)등의 내부 정렬 방법을 이용할 수 있다. 그리고, 메모리가 게임 서버(200)의 외부에 위치하는 경우, 프로세서(210)는 외부 정렬 방법을 이용할 수도 있다.

상술한 바에 따르면, 추천 초기화 주기는 다음 컨텐츠 초기화 주기가 경과한 때 유저가 획득할 컨텐츠 수행 점수의 기대값이 가장 높은 시간 간격으로 정의될 수 있다. 유저가 게임을 플레이하는 패턴에 큰 변동이 없다고 가정할 경우, 복수의 시간 간격 각각에서 획득할 컨텐츠 수행 점수 기대값은 복수의 시간 간격 각각에 대한 평균 컨텐츠 수행 점수일 수 있다. 따라서 추천 초기화 주기를 복수의 시간 간격 각각에 대한 평균 컨텐츠 수행 점수에 기초해서 결정하면 컨텐츠 수행 점수의 기대값이 가장 높은 시점을 추천 초기화 주기로 제공할 수 있다.

도 8은 본 개시의 몇몇 실시예에 따른 게임 서버의 프로세서가 추천 초기화 주기를 결정하는 방법의 일례를 설명하기 위한 흐름도이다.

도 8을 참조하면, 프로세서(210)는 유저의 플레이 기록을 하나 이상의 네트워크 함수를 포함하는 추천 초기화 주기 결정 모델에 입력할 수 있다(S341).

구체적으로 유저의 플레이 기록은 도 4에서 도시하고 있는 바와 같이 제 1 시간 구간(B) 동안의 게임 플레이와 관련한 제 1 데이터를 포함할 수 있다. 프로세서(210)는 통신부(220)를 통해 플레이 기록 데이터 세트를 수신하거나, 게임 서버(200) 내의 메모리(230)에 저장된 플레이 기록 데이터 세트를 불러올 수 있다. 플레이 기록 데이터 세트는 학습 데이터 세트에 대응되는 개념일 수 있다. 그리고, 프로세서(210)는 제 1 시간 구간(B) 동안의 게임 플레이와 관련한 제 1 데이터를 추천 초기화 주기 결정 모델에 입력할 수 있다.

추천 초기화 주기 결정 모델은 강화 학습에서 동작(action)을 결정하는 정책과 관련될 수 있다. 추천 초기화 주기 결정 모델에서 동작은 초기화 주기로 설정될 수 있는 복수의 시간 간격 중에서 하나의 시간 간격을 추천 초기화 주기로 결정하는 것이다. 즉, 프로세서(210)는 게임 데이터의 비교 결과라는 관찰(observation) 결과(즉, 환경(environment))를 추천 초기화 주기 결정 모델(즉, 정책)로 처리하여, 추천 초기화 주기(즉, 동작)를 결정할 수 있다. 전술한 추천 초기화 주기 결정 모델은 게임 데이터 비교 결과에 따른 복수의 추천 초기화 주기 후보를 가질 수 있으며, 추천 초기화 시점 결정 모델의 연산을 이용하여 복수의 추천 초기화 주기 중 가장 적절한 추천 초기화 주기 후보를 유저에게 제공할 수 있다. 강화학습 방법에 대한 구체적인 내용에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 특허 출원 US15/091840(2016.04.060 및 US15/261579(2016.09.09)에서 구체적으로 논의된다.

프로세서(210)는 추천 초기화 주기 결정 모델의 출력 결과에 기초하여 추천 초기화 주기를 결정할 수 있다(S342).

일례로, 추천 초기화 주기 결정 모델의 출력 결과는 초기화 주기로 설정될 수 있는 복수의 시간 간격 각각에 대하여 추천 초기화 주기로 결정될 확률일 수 있다. 프로세서(210)는 복수의 시간 간격 중 추천 초기화 주기로 결정될 확률이 가장 높은 시간 간격을 추천 초기화 주기로 결정할 수 있다.

하나 이상의 네트워크 함수를 포함하는 추천 초기화 주기 결정 모델이 이용하는 신경망에 관한 내용은 도 9에서 후술한다.

하나 이상의 네트워크 함수를 포함하는 추천 초기화 주기 결정 모델은 유저 플레이 패턴 변동(예를 들면, 시계열적 요소에 따른 변동)을 반영할 수 있다. 또한 추천 초기화 주기 결정에 다양한 요소(예를 들면, 유저의 게임 내 직업 등)을 반영할 수 있다. 따라서 유저에게 더 적합한 초기화 시점을 추천할 수 있다.

도 9는 본 개시의 몇몇 실시예에 따른 게임 서버의 프로세서가 추천 초기화 시점 및 추천 초기화 주기 및 예상 컨텐츠 수행 점수를 결정하기 위해 이용하는 신경망의 일례를 나타내는 도면이다.

본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은 "뉴런(neuron)"들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 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 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, 링크 들 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.

도 9에 도시된 바와 같이, 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 것 과 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 노드들 과의 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 노드들 과의 관계에서, 출 력 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. 도 2의 도시에서는 출력 노드는 생략되어 있다. 본 개시의 몇몇 실시예에 따른 신경망은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다.

본 개시의 몇몇 실시예에서 시계열적인 데이터의 처리가 가능하도록 신경망은 RNN(recurrent neural network)을 포함할 수 있다. 신경망은 LSTN(long short-term memory) 또는 CTRNN(continuous-time RNN)으로 구성될 수 있다. 또한 본 개시의 몇몇 실시예에서 이벤트의 길이가 길어 짐에 따라 발생할 수 있는 장기 기억 문제(long range dependency vanishing gradient)에 의한 성능 하락을 방지할 수 있도록 본 개시의 신경망은 LSTM(long short-term memory)을 포함할 수 있다. 프로세서(210)는 RNN에서 BPTT(backpropagation through time)을 이용해 신경망의 가중치 업데이트를 포함하는 신경망의 학습을 위한 계산을 수행할 수 있다.

RNN은 글, 유전자, 손글씨, 음성신호, 센서가 감지한 데이터, 주가, 생체 계측 데이터 등 시계열(sequence)의 형태를 가지는 데이터에서 패턴을 인식하는 인공 신경망일 수 있다. RNN은 시계열뿐 아니라 이미지 등의 처리도 가능하다. 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 시계열 데이터에서 이전 데이터의 의미에 따라 현재 데이터를 해석할 수 있도록 학습될 수 있다. RNN 중 하나인 LSTM은 장기 기억 네트워크(long short term memory network)라고도 불리며 장기 의존성을 학습할 수 있다. 본 개시의 몇몇 실시예에서 신경망은 RNN 중 하나인 LSTM 뿐 아니라, 심 게이트 순환 신경망(depth gated RNN), 시계 장치 순환 신경망(clockwork RNN) 등과 같이 시계열 데이터를 처리할 수 있는 임의의 신경망을 포함할 수 있다

도 9의 신경망(400)은 하나 이상의 히든 레이어를 포함할 수 있다. 히든 레이어의 히든 노드는 이전의 레이어의 출력과 주변 히든 노드의 출력을 입력으로 할 수 있다. 각 히든 레이어 별 히든 노드의 수는 동일할 수도 있고 상이할 수도 있다. 입력 레이어의 노드의 수는 입력 데이터의 데이터 필드의 수에 기초하여 결정될 수 있으며 히든 노드의 수와 동일할 수도 있고 상이할 수도 있다. 입력 레이어에 입력된 입력 데이터는 히든 레이어의 히든 노드에 의하여 연산될 수 있고 출력 레이어인 완전 연결 레이어(FCL: fully connected layer)에 의해 출력될 수 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learing rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regulaization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

도 10은 본 개시의 몇몇 실시예에 따른 게임 서버의 프로세서가 게임 컨텐츠를 초기화하는 방법의 일례를 설명하기 위한 흐름도이다.

도 10을 참조하면, 프로세서(210)는 플레이 기록 및 제 2 정보에 기초하여 유저의 예상 컨텐츠 수행 점수에 대한 제 3 정보를 생성할 수 있다(S710).

예상 컨텐츠 수행 점수는 유저의 플레이 기록을 바탕으로, 제 2 정보에 포함된 제 1 시점에 해당 초기화 주기를 기초로 초기화가 수행될 경우, 상기 유저가 초기화 주기 당 획득할 컨텐츠 수행 점수의 예상치를 의미할 수 있다.

예상 컨텐츠 수행 점수는 컨텐츠 수행 진척도, 컨텐츠 수행 정도(예를 들면, 10단계 중 8단계 까지를 클리어한 경우 80%), 컨텐츠 수행을 통해 획득한 점수(예를 들면, 승리한 경우 100점을 얻고 패배한 경우 50점을 잃는 특정 컨텐츠에 있어서, 10승 7패라면 650점), MMR(Match Making Rating), Elo Rating 등의 증감치, 랭킹 증감치 등의 형태로 표현될 수 있다.

본 개시의 몇몇 실시예에 따르면, 프로세서(210)는 예상 컨텐츠 수행 점수를 산출하기 위하여 생성된 모델을 통하여 예상 컨텐츠 수행 점수를 결정할 수도 있다. 예상 컨텐츠 수행 점수를 산출하기 위한 모델은, 하나 이상의 네트워크 함수를 포함하는 컨텐츠 수행 점수 예측 모델을 포함할 수 있다.

게임 컨텐츠를 실제로 초기화하기 전 유저에게 예상 컨텐츠 수행 결과 점수를 제시하고 컨텐츠 초기화 의사를 재확인함으로써, 유저가 본인에게 최적화된 초기화 시점을 선택할 수 있도록 할 수 있다. 따라서, 유저는 게임 내 목표를 더욱 수월하게 달성할 수 있게 되어 유저의 게임에 대한 흥미가 지속적으로 유지될 수 있다.

게임 서버(200)의 프로세서(210)는 단계(S710)에서 제 3 정보를 생성한 후, 제 3 정보를 클라이언트 단말로 전송할 수 있다(S720).

클라이언트 단말(100)은, 단계(S720)에서 제 3 정보를 수신함에 따라, 컨텐츠 초기화 여부를 확인하는 내용 및 제 3 정보를 클라이언트 단말(100)에 구비된 디스플레이부를 통하여 디스플레이할 수 있다(S730).

여기서, 클라이언트 단말(100)은 대화 창(Dialogue) 형태의 입력 창을 디스플레이부에 디스플레이 할 수 있다. 따라서, 클라이언트 단말(100)의 사용자는 제 3 정보 및 초기화 여부 확인 질의를 대화 창 형태의 입력 창에 입력할 수 있다.

한편, 클라이언트 단말(100)은 단계(S730)에서 디스플레이 된 대화 창 형태의 입력 창을 통해 사용자로부터 컨텐츠 초기화 여부에 대한 입력을 수신할 수 있다. 이 경우, 클라이언트 단말(100)은 컨텐츠 초기화 여부에 대한 정보가 포함된 제 3 신호를 게임 서버(200)에 전송할 수 있다(S740). 여기서 제 3 신호는, 컨텐츠 초기화 여부에 관한 정보를 포함할 수 있다.

게임 서버(200)의 프로세서(210)는 단계(S740)에서 통신부(220)를 통해 제 3 신호를 수신한 경우, 제 3 신호에 포함된 컨텐츠 초기화 여부에 관한 정보에 기초하여, 컨텐츠 초기화 여부를 결정할 수 있다(S750).

일례로, 제 3 신호는 컨텐츠 초기화를 수행할 지 여부에 대한 정보를 포함할 수 있다.

제 3 신호가 컨텐츠 초기화를 수행한다는 정보를 포함할 경우, 프로세서(210)는 컨텐츠 초기화를 수행할 수 있다. 이 경우, 게임 서버(200)의 프로세서(210)는 컨텐츠 초기화가 수행되었다는 내용을 포함하는 정보를 클라이언트 단말(100)로 전송하도록 통신부(220)를 제어할 수 있다.

제 3 신호가 컨텐츠 초기화를 수행하지 않는다는 정보를 포함할 경우, 프로세서(210)는 컨텐츠 초기화를 수행하지 않을 수 있다. 이 경우, 게임 서버(200)의 프로세서(210)는 다시 제 3 정보를 클라이언트 단말로 전송하도록 통신부(220)를 제어할 수 있다. 이에 따라, 클라이언트 단말(100)은 컨텐츠 초기화 여부를 확인하는 내용 및 제 3 정보를 클라이언트 단말(100)에 구비된 디스플레이부(미도시)에 디스플레이할 수 있다.

도 10에서 상술한 본 개시의 몇몇 실시예와 같이, 게임 컨텐츠에 대한 초기화를 수행하기 전 제 2 정보에 포함된 바와 같이 컨텐츠 초기화를 수행할 경우의 예상 결과를 미리 유저에게 제시하면, 유저가 초기화 결과에 대하여 확실하게 인지할 수 있게 된다. 따라서 유저는 본인에게 더 적합한 초기화 정보(즉, 초기화 시점 및 초기화 주기)를 선택할 수 있다.

도 11은 본 개시의 몇몇 실시예에 따른 게임 서버의 프로세서가 예상 컨텐츠 수행 점수를 결정하는 방법의 일례를 설명하기 위한 흐름도이다.

도 11을 참조하면, 프로세서(210)는 유저의 플레이 기록을 하나 이상의 네트워크 함수를 포함하는 컨텐츠 수행 점수 예측 모델에 입력할 수 있다(S711).

도 4에서 도시하고 있는 바와 같이 플레이 기록은 제 1 시간 구간(B) 동안의 게임 플레이와 관련한 제 1 데이터를 포함할 수 있다. 프로세서(210)는 통신부(220)를 통해 플레이 기록 데이터 세트를 수신하거나, 게임 서버(200) 내의 메모리(230)에 저장된 플레이 기록 데이터 세트를 불러올 수 있다. 플레이 기록 데이터 세트는 학습 데이터 세트에 대응되는 개념일 수 있다. 플레이 기록 데이터 세트는 학습 데이터 세트에 대응되는 개념일 수 있다.

프로세서(210)는 라벨링된 학습 데이터를 이용하여 예상 컨텐츠 수행 점수를 결정하는 컨텐츠 수행 점수 예측 모델을 생성할 수 있다.

일례로, 프로세서(210)는 게임 데이터를 컨텐츠 수행 점수 예측 모델을 이용하여 연산하여 해당 입력 데이터에 기초한 예상 컨텐츠 수행 점수를 결정할 수 있다.

프로세서(210)는 컨텐츠 수행 점수 예측 모델을 생성하기 위하여 사전 결정된 시간 단위로 그룹화한 게임 데이터를 컨텐츠 수행 점수 예측 모델에 입력시킬 수 있다. 컨텐츠 수행 점수 예측 모델 출력 결과인 예상 컨텐츠 수행 점수와 입력 데이터의 라벨링 값을 비교하여 오차를 계산할 수 있다. 프로세서(210)는 오차에 기초하여 컨텐츠 수행 점수 예측 모델의 가중치를 역전파 방식으로 조정할 수 있다. 프로세서(210)는 컨텐츠 수행 점수 예측 모델의 학습에서 과적합(overfitting)을 방지하기 위하여 히든 노드의 출력의 일부가 다음 히든 노드에 전달되지 못하도록 드롭 아웃(drop out)을 설정할 수 있다. 프로세서(210)는 학습 효율을 위하여 학습률(learning rate)을 학습 초기에는 높게 설정하고, 학습이 진행되며 낮아지도록 설정할 수도 있다. 컨텐츠 수행 점수 예측 모델의 최초 가중치는 랜덤 또는 연속 균등 분포에 기초하여 설정될 수 있다. 전술한 학습 방법에 관한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(210)는 이러한 학습을 사전결정된 에폭(epoch) 이상 수행한 경우, 검증 데이터를 이용하여 학습의 중단 여부를 결정할 수 있다. 검증 데이터는 라벨링된 전체 시간 구간(A) 게임 데이터를 포함할 수 있다. 여기서 사전 결정된 에폭은 전체 학습 목표 에폭의 일부일 수 있다. 프로세서(210)는 테스트 데이터를 이용하여 생성된 컨텐츠 수행 점수 예측 모델의 성능을 테스트하고, 성능에 기초하여 컨텐츠 수행 점수 예측 모델의 활성화 여부를 결정할 수 있다. 여기서 테스트 데이터는 라벨링된 전체 시간 구간(A) 게임 데이터를 포함할 수 있다. 프로세서(210)는 학습 데이터를 사용하여 컨텐츠 수행 점수 예측 모델의 학습을 수행한다. 컨텐츠 수행 점수 예측 모델 학습이 사전결정된 에폭 이상 반복된 후, 테스트 데이터를 이용하여 컨텐츠 수행 점수 예측 모델의 학습 효과가 사전결정된 수준 이상인지 판단할 수 있다. 예를 들어, 프로세서(210)는 100만개의 학습 데이터를 이용하여 목표 반복 학습 횟수가 10만회인 학습을 수행하는 경우, 사전결정된 에폭인 10000회의 반복 학습을 수행한 후, 1000개의 검증 데이터를 이용하여 10회의 반복 학습을 수행하여, 10회의 반복 학습 동안 컨텐츠 수행 점수 예측 모델 출력 결과의 변화가 사전결정된 수준 이하인 경우 더 이상의 학습이 무의미한 것으로 판단하고 학습을 종료할 수 있다. 즉, 검증 데이터는 컨텐츠 수행 점수 예측 모델의 반복 학습에서 에폭별 학습의 효과가 일정 이상인지 이하인지 여부에 기초하여 학습의 완료를 결정하는 데 이용될 수 있다. 전술한 학습 데이터, 검증 데이터의 수 및 반복 횟수는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

테스트 데이터는 컨텐츠 수행 점수 예측 모델의 성능을 검증하기 위하여 사용될 수 있다. 프로세서(210)는 학습이 완료된 신경망에 테스트 데이터를 입력하고 오차를 측정하여 사전설정된 성능 기준 이상인지 여부에 기초하여 컨텐츠 수행 점수 예측 모델의 활성화 여부를 결정할 수 있다. 프로세서(210)는 학습이 완료된 컨텐츠 수행 점수 예측 모델에 테스트 데이터를 이용하여 학습 완료된 컨텐츠 수행 점수 예측 모델의 성능을 검증하고 학습 완료된 컨텐츠 수행 점수 예측 모델의 성능이 사전결정된 기준 이상인 경우 해당 컨텐츠 수행 점수 예측 모델을 다른 어플리케이션에서 사용하도록 활성화할 수 있다. 또한 프로세서(210)는 학습 완료된 컨텐츠 수행 점수 예측 모델의 성능이 사전결정된 기준 이하인 경우 해당 컨텐츠 수행 점수 예측 모델을 비활성화하여 폐기할 수 있다. 예를 들어, 프로세서(210)는 정확도(accuracy), 정밀도(precision), 재현율(recall) 등의 요소를 기준으로 하여 생성된 신경망 모델의 성능을 판단할 수 있다. 전술한 성능 평가 기준은 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따라 프로세서(210)는 각각의 컨텐츠 수행 점수 예측 모델을 독립적으로 학습시켜 복수의 컨텐츠 수행 점수 예측 모델을 생성할 수 있으며, 성능을 평가하여 일정 성능 이상의 컨텐츠 수행 점수 예측 모델만을 컨텐츠 수행 점수 예측을 위해 사용할 수 있다. 또한, 본 개시의 일 실시예에서 컨텐츠 수행 점수 예측을 위하여 컨텐츠 수행 점수 예측 모델은 하나 또는 그 이상의 네트워크 함수를 포함할 수 있고, 복수의 네트워크 함수를 포함하는 경우 복수의 네트워크 함수의 출력을 조합하여 예상 컨텐츠 수행 점수를 결정할 수 있다.

프로세서(210)는 컨텐츠 수행 점수 예측 모델의 출력 결과에 기초하여 예상 컨텐츠 수행 점수를 결정할 수 있다(S712).

하나 이상의 네트워크 함수를 포함하는 컨텐츠 수행 점수 예측 모델이 이용하는 신경망에 관한 내용은 도 9에서 전술했다.

하나 이상의 네트워크 함수를 포함하는 컨텐츠 수행 점수 예측 모델은 예상 컨텐츠 점수를 생성할 때 다양한 요소를 고려할 수 있다. 따라서 유저에게 정확한 예상 컨텐츠 수행 점수를 제공할 수 있다.

유저는 컨텐츠 수행 점수 예측 모델이 제공한 예상 점수와 본인의 목표 점수를 비교할 수 있다. 따라서 유저는 목표 달성 가능성이 가장 높은 초기화 시점을 선택할 수 있다. 이는 유저 스스로가 설정한 목표를 달성하는데 도움을 줄 수 있다.

도 12는 본 개시의 몇몇 실시예에 따른 게임 서버의 프로세서가 컨텐츠 초기화 시 랭킹 서버를 업데이트 하는 방법의 일례를 설명하기 위한 흐름도이다.

도 12를 참조하면, 프로세서(210)는 제 1 시점에 컨텐츠를 초기화하기 전에 제 1 시점에서의 유저의 컨텐츠 수행결과 점수를 생성할 수 있다(S810).

컨텐츠 수행 결과 점수는 유저가 초기화 주기 동안 컨텐츠를 수행한 결과를 나타낸 데이터를 의미할 수 있다.

일례로, 컨텐츠 수행 결과 점수는 컨텐츠 수행 진척도, 컨텐츠 수행 정도(예를 들어, 10단계 중 8단계 까지를 클리어한 경우 80% 또는 80점), 컨텐츠 수행을 통해 획득한 점수(예를 들어, 승리한 경우 100점을 얻고 패배한 경우 50점을 잃는 컨텐츠에 있어서, 10승 7패라면 650점), MMR(Match Making Rating), Elo Rating 등의 증감치, 랭킹 증감치 등의 형태로 표현될 수 있다.

단계(S810)에서 유저의 컨텐츠 수행 결과 점수가 생성됨에 따라, 프로세서(210)는 컨텐츠 수행 결과 점수에 기초하여 랭킹 점수를 갱신할 수 있다(S820).

랭킹 점수는 유저의 컨텐츠 수행 결과를 종합하여 표현한 데이터를 의미할 수 있다. 구체적으로 랭킹 점수는 유저의 현재 시점까지의 컨텐츠 수행 결과를 기초로 다양하게 정의될 수 있다.

예를 들면, 랭킹 점수는 최초 게임 서비스 시점으로부터 누적된 점수, 시즌제로 운영되는 랭킹 시스템에 있어서는 시즌 초기화 시점으로부터 현재 시점까지의 누적 점수, 매 초기화 주기마다의 획득 점수, 주간 획득 점수, 월간 획득 점수 또는 연간 획득 점수로 정의될 수 있다.

프로세서(210)는 유저의 랭킹 점수를 전체 유저의 랭킹 점수를 관리하는 메모리(230) 또는 게임 서버와 연결된 랭킹 점수 관리 서버(미도시)에 업데이트 함으로써 랭킹 점수를 갱신할 수 있다. 여기서, 프로세서(210)는 초기화 방법에 따라 다양한 시점에서 랭킹 점수의 갱신을 수행할 수 있다.

본 개시의 몇몇 실시예와 같이, 유저에게 초기화 시점만을 선택할 수 있도록 하는 경우, 프로세서(210)는 각각의 유저의 초기화 시점에 개별적으로 랭킹 점수의 갱신을 수행할 수 있다.

본 개시의 또 다른 실시예와 같이 유저가 초기화 주기를 선택할 수 있는 경우, 프로세서(210)는 각각의 유저의 초기화 주기의 만료 시점에 개별적으로 랭킹 점수의 갱신을 수행할 수 있다.

랭킹 점수를 업데이트하는 시점을 유저 별로 개인화할 경우, 유저 각각은 본인에게 주어진 플레이 시간 안에서 최대의 점수를 얻을 수 있는 초기화 시점 및 주기를 설정할 수 있다. 따라서 유저 간 컨텐츠 수행 시간의 격차를 최소화할 수 있다. 따라서 유저의 컨텐츠 및 게임에 대한 관심도를 유지할 수 있다.

도 13은 본 개시의 몇몇 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

도 13에서 도시되는 컴퓨터(1102)는, 클라이언트 단말(100), 게임 서버(200) 및 통신 네트워크(300) 중 적어도 하나에 대응될 수 있다.

본 개시내용이 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시내용 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 본 명세서에서의 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 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 매체 로서, 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 판독가능 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 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 비휘발성 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 예를 들어, USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘다를 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 저장 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 저장 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, 서버 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 서버에 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.

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.

본 개시의 청구범위에서의 방법에 대한 권리범위는, 각 단계들에 기재된 기능 및 특징들에 의해 발생되는 것이지, 방법을 구성하는 각각의 단계에서 그 순서의 선후관계를 명시하지 않는 이상, 청구범위에서의 각 단계들의 기재 순서에 영향을 받지 않는다. 예를 들어, A단계 및 B단계를 포함하는 방법으로 기재된 청구범위에서, A단계가 B단계 보다 먼저 기재되었다고 하더라도, A단계가 B단계에 선행해야한다는 것으로 권리범위가 제한되지는 않는다.

Claims (20)

1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로써,
   상기 컴퓨터 프로그램은 게임 서버의 프로세서로 하여금 이하의 동작들을 수행하기 위한 명령들을 포함하며, 상기 동작들은;
   클라이언트 단말로부터 추천 초기화 시점 및 추천 초기화 주기 중 적어도 하나를 요청하는 제 1 신호를 수신하는 동작 - 상기 제 1 신호는, 상기 클라이언트 단말의 유저 식별 정보를 포함함 -;
   상기 유저 식별 정보에 대응하는 유저의 플레이 기록을 인식하는 동작;
   상기 플레이 기록에 기초하여 상기 유저에게 제공될 제 1 정보를 생성하는 동작 - 상기 제 1 정보는 추천 초기화 시점 및 추천 초기화 주기 중 적어도 하나를 포함함 -;
   상기 제 1 정보를 상기 클라이언트 단말로 전송하는 동작;
   상기 제 1 정보를 전송한 후 상기 클라이언트 단말로부터 제 2 정보에 따라 컨텐츠를 초기화하라는 명령을 포함하는 제 2 신호를 수신하는 동작 - 상기 제 2 정보는 초기화 수행이 이루어지는 시점인 제 1 시점 및 초기화 수행 주기 중 적어도 하나를 포함함 -; 및
   상기 제 2 신호를 수신함에 따라, 상기 유저에 대하여 제 1 시점에 상기 컨텐츠를 초기화하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
2. 제 1 항에 있어서,
   상기 플레이 기록은,
   상기 유저의 게임 플레이에 관련한 데이터 중 사전 결정된 시간 구간에 해당하는 제 1 시간 구간 동안 수집된 게임 데이터에 해당하는 제 1 데이터를 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
3. 제 2 항에 있어서,
   상기 제 1 정보를 생성하는 동작은,
   컨텐츠 초기화 시점으로 설정될 수 있는 복수의 시점에 대한 정보 및 기 설정된 컨텐츠 초기화 주기를 인식하는 동작;
   상기 복수의 시점 각각에 대하여, 상기 기 설정된 컨텐츠 초기화 주기 당 평균 컨텐츠 수행 점수를 상기 플레이 기록에 기초하여 생성하는 동작; 및
   상기 복수의 시점 중에서, 상기 제 1 시간 구간 동안의 상기 기 설정된 컨텐츠 초기화 주기 당 평균 컨텐츠 수행 점수가 가장 높은 시점을, 상기 추천 초기화 시점으로 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
4. 제 1 항에 있어서,
   상기 제 1 정보를 생성하는 동작은,
   상기 유저의 상기 플레이 기록을 하나 이상의 네트워크 함수를 포함하는 추천 초기화 시점 결정 모델을 이용하여 연산함으로써 상기 추천 초기화 시점을 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
5. 제 2 항에 있어서,
   상기 제 1 정보를 생성하는 동작은,
   기 설정된 컨텐츠 초기화 시점에 해당하는 제 2 시점 및 컨텐츠 초기화 주기로 설정될 수 있는 복수의 시간 간격에 대한 정보를 인식하는 동작;
   상기 제 2 시점을 기점으로, 상기 복수의 시간 간격 각각에 대하여, 상기 제 1 시간 구간 동안의 시간 간격 당 평균 컨텐츠 수행 점수를 상기 플레이 기록에 기초하여 생성하는 동작; 및
   상기 복수의 시간 간격 중에서, 상기 제 1 시간 구간 동안의 시간 간격 당 평균 컨텐츠 수행 점수가 가장 높은 시간 간격을, 상기 추천 초기화 주기로 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
6. 제 1 항에 있어서,
   상기 제 1 정보를 생성하는 동작은,
   상기 유저의 상기 플레이 기록을 하나 이상의 네트워크 함수를 포함하는 추천 초기화 주기 결정 모델을 이용하여 연산함으로써 상기 추천 초기화 주기를 결정하는 동작;
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
7. 제 1 항에 있어서,
   상기 제 2 신호는,
   상기 유저로부터 상기 초기화 시점을 설정하고자 하는 컨텐츠에 대한 정보를 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
8. 제 1 항에 있어서,
   상기 제 2 신호를 수신함에 따라, 상기 유저에 대하여 상기 제 1 시점에 상기 컨텐츠를 초기화하는 동작은,
   상기 제 1 시점에 상기 컨텐츠를 초기화하기 전에, 상기 플레이 기록 및 상기 제 2 정보에 기초하여 상기 유저의 예상 컨텐츠 수행 점수에 대한 제 3 정보를 생성하는 동작;
   상기 컨텐츠를 초기화할지 여부를 재확인하기 위해 상기 제 3 정보를 상기 클라이언트 단말로 전송하는 동작; 및
   상기 제 3 정보를 상기 클라이언트 단말로 전송한 후, 상기 클라이언트 단말로부터 수신된 제 3 신호에 기초하여 상기 컨텐츠를 초기화할지 여부를 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
9. 제 8 항에 있어서,
   상기 제 1 시점에 상기 컨텐츠를 초기화하기 전에, 상기 플레이 기록 및 상기 제 2 정보에 기초하여 상기 유저의 예상 컨텐츠 수행 점수에 대한 제 3 정보를 생성하는 동작은,
   상기 유저의 상기 플레이 기록을 하나 이상의 네트워크 함수를 포함하는 컨텐츠 수행 점수 예측 모델을 이용하여 연산함으로써 상기 예상 컨텐츠 수행 점수를 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
10. 제 1 항에 있어서,
    상기 제 1 시점에 상기 컨텐츠를 초기화하기 전에 상기 제 1 시점에서 상기 유저의 컨텐츠 수행 결과 점수를 생성하는 동작; 및
    상기 컨텐츠 수행 결과 점수에 기초하여 랭킹 점수를 갱신하는 동작;
    을 더 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
11. 게임 컨텐츠 초기화 방법을 제공하기 위한 게임 서버로써,
    클라이언트 단말과 통신이 가능한 통신부; 및
    프로세서;
    를 포함하고,
    상기 프로세서는,
    상기 통신부를 통해 상기 클라이언트 단말로부터 추천 초기화 시점 및 추천 초기화 주기 중 적어도 하나를 요청하는 제 1 신호를 수신하고, - 상기 제 1 신호는, 상기 클라이언트 단말의 유저 식별 정보를 포함함 -,
    상기 제 1 신호가 수신됨에 따라 상기 유저 식별 정보에 대응하는 유저의 플레이 기록을 인식하고,
    상기 플레이 기록에 기초하여 상기 유저에게 제공될 추천 초기화 시점에 대한 제 1 정보를 생성하고,
    상기 제 1 정보를 상기 클라이언트 단말로 전송하도록 통신부를 제어하고,
    상기 통신부를 통해 상기 클라이언트 단말로부터 제 2 정보에 따라 컨텐츠를 초기화하라는 명령이 포함된 제 2 신호를 수신한 경우, 상기 유저에 대하여 초기화 시점인 제 1 시점에 상기 컨텐츠를 초기화하고,
    상기 제 1 정보는,
    추천 초기화 시점 및 추천 초기화 주기 중 적어도 하나를 포함하고,
    상기 제 2 정보는,
    상기 제 1 시점 및 초기화 주기 중 적어도 하나를 포함하는,
    게임 서버.
    
12. 제 11 항에 있어서,
    상기 플레이 기록은,
    상기 유저의 게임 플레이에 관련한 데이터 중 사전 결정된 시간 구간에 해당하는 제 1 시간 구간 동안 수집된 게임 데이터에 해당하는 제 1 데이터를 포함하는,
    게임 서버.
    
13. 제 12 항에 있어서,
    상기 프로세서는,
    컨텐츠 초기화 시점으로 설정될 수 있는 복수의 시점에 대한 정보 및 기 설정된 컨텐츠 초기화 주기를 인식하고,
    상기 복수의 시점 각각에 대하여, 상기 기 설정된 컨텐츠 초기화 주기 당 평균 컨텐츠 수행 점수를 상기 플레이 기록에 기초하여 생성하고,
    상기 복수의 시점 중에서, 상기 제 1 시간 구간 동안의 상기 기 설정된 컨텐츠 초기화 주기 당 평균 컨텐츠 수행 점수가 가장 높은 시점을, 추천 초기화 시점으로 결정하는,
    게임 서버.
    
14. 제 11 항에 있어서,
    상기 프로세서는,
    상기 유저의 상기 플레이 기록을 하나 이상의 네트워크 함수를 포함하는 추천 초기화 시점 결정 모델을 이용하여 연산함으로써 상기 추천 초기화 시점을 결정하는,
    게임 서버.
    
15. 제 12 항에 있어서,
    상기 프로세서는,
    기 설정된 컨텐츠 초기화 시점에 해당하는 제 2 시점 및 컨텐츠 초기화 주기로 설정될 수 있는 복수의 시간 간격에 대한 정보를 인식하고,
    상기 제 2 시점을 기점으로, 상기 복수의 시간 간격 각각에 대하여, 상기 제 1 시간 구간 동안의 시간 간격 당 평균 컨텐츠 수행 점수를 상기 플레이 기록에 기초하여 생성하고,
    상기 복수의 시간 간격 중에서, 상기 제 1 시간 구간 동안의 시간 간격 당 평균 컨텐츠 수행 점수가 가장 높은 시간 간격을, 추천 초기화 주기로 결정하는,
    게임 서버.
    
16. 제 11 항에 있어서,
    상기 프로세서는,
    상기 유저의 상기 플레이 기록을 하나 이상의 네트워크 함수를 포함하는 추천 초기화 주기 결정 모델을 이용하여 연산함으로써 상기 추천 초기화 주기를 결정하는,
    게임 서버.
    
17. 제 11 항에 있어서,
    상기 제 2 신호는,
    상기 유저로부터 상기 초기화 시점을 설정하고자 하는 컨텐츠에 대한 정보를 포함하는,
    게임 서버.
    
18. 제 11 항에 있어서,
    상기 프로세서는,
    상기 통신부를 통하여 상기 제 2 신호를 수신한 경우, 상기 제 1 시점에 상기 컨텐츠를 초기화하기 전에 상기 플레이 기록 및 상기 제 2 정보에 기초하여 상기 유저의 예상 컨텐츠 수행 점수에 대한 제 3 정보를 생성하고,
    상기 컨텐츠를 초기화할지 여부를 재확인하기 위해 상기 제 3 정보를 상기 클라이언트 단말로 전송하도록 통신부를 제어하고,
    상기 제 3 정보를 전송한 후, 상기 통신부를 통하여 상기 클라이언트 단말로부터 수신된 제 3 신호에 기초하여 상기 컨텐츠를 초기화할지 여부를 결정하는,
    게임 서버.
    
19. 제 18 항에 있어서,
    상기 프로세서는,
    상기 유저의 상기 플레이 기록을 하나 이상의 네트워크 함수를 포함하는 컨텐츠 수행 점수 예측 모델을 이용하여 연산함으로써 상기 예상 컨텐츠 수행 점수를 결정하는,
    게임 서버.
    
20. 제 11 항에 있어서,
    상기 프로세서는,
    상기 제 1 시점에 컨텐츠를 초기화하기 전에 상기 제 1 시점에서 상기 유저의 컨텐츠 수행 결과 점수를 생성하고,
    상기 컨텐츠 수행 결과 점수에 기초하여 랭킹 점수를 갱신하는,
    게임 서버.
    

Images