KR102154828B1 - Method and apparatus for predicting game results - Google Patents

Method and apparatus for predicting game results Download PDF

Info

Publication number
KR102154828B1
KR102154828B1 KR1020190067511A KR20190067511A KR102154828B1 KR 102154828 B1 KR102154828 B1 KR 102154828B1 KR 1020190067511 A KR1020190067511 A KR 1020190067511A KR 20190067511 A KR20190067511 A KR 20190067511A KR 102154828 B1 KR102154828 B1 KR 102154828B1
Authority
KR
South Korea
Prior art keywords
game
team
selection combination
prediction
model
Prior art date
Application number
KR1020190067511A
Other languages
Korean (ko)
Inventor
이수원
김철기
Original Assignee
숭실대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 숭실대학교산학협력단 filed Critical 숭실대학교산학협력단
Application granted granted Critical
Publication of KR102154828B1 publication Critical patent/KR102154828B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

Disclosed are a method and device for predicting game results. The method for predicting game results may comprise the steps of: collecting selection combination information based on a selection combination of game characters for each team of first and second teams related to game play; performing data preprocessing on the selected combination information; inputting the selection combination information to which the data preprocessing has been performed into an embedding model of a game result prediction model to obtain a feature value for the selection combination of the game characters for each team; and obtaining prediction information on game results by inputting the feature value into an artificial neural network of the game result prediction model.

Description

게임 승부 예측 방법 및 장치{METHOD AND APPARATUS FOR PREDICTING GAME RESULTS}Game match prediction method and apparatus {METHOD AND APPARATUS FOR PREDICTING GAME RESULTS}

아래 실시예들은 게임 승부 예측 기술에 관한 것이다.The following embodiments relate to game match prediction technology.

리그 오브 레전드(League of Legends)는 MOBA(Multiplayers Online Battle Arena) 또는 ARTS(Action Real Time Strategy)로 불리는 AOS(Aeon of Strife) 장르의 대표적인 게임이다. AOS 장르는 실시간 전략 게임을 기반으로 제작된 전략 액션 게임을 의미한다. 장르에서도 유추할 수 있듯이, 리그 오브 레전드는 여러 명의 플레이어가 적절한 전략을 수립하는 것이 경기 승패에 중요한 영향을 미친다.League of Legends is a representative game in the AOS (Aeon of Strife) genre, called MOBA (Multiplayers Online Battle Arena) or ARTS (Action Real Time Strategy). The AOS genre refers to a strategy action game produced based on a real-time strategy game. As can be inferred from the genre, in League of Legends, having a number of players to establish an appropriate strategy has an important effect on winning or losing a match.

리그 오브 레전드의 인기에 따라 리그 오브 레전드에 대한 게임 플레이의 분석과 관련된 다양한 연구들이 등장하고 있다. 그러나 기존의 기술들은 승패에 대한 요인 분석 및 예측 모형에 대한 분석이 주를 이루고 있어 챔피언(게임 플레이에 참여하는 게임 캐릭터)을 조합하는 전략수립 단계에서 적용이 어려운 한계점이 존재하였다. 또한 해당 분야에 대한 전문적인 지식을 이용해 데이터를 가공하고 분석을 하더라도, 140가지가 넘는 챔피언 종류를 대상으로 모든 조합을 고려하는 것은 한계점이 존재한다. 따라서 이러한 한계점을 극복할 수 있는 연구가 필요한 실정이다.In accordance with the popularity of League of Legends, various studies related to the analysis of game play for League of Legends have emerged. However, the existing technologies mainly focus on the analysis of the factors of victory and loss and the analysis of predictive models, so there was a limitation that it was difficult to apply in the strategy establishment stage of combining champions (game characters participating in game play). Also, even if the data is processed and analyzed using expertise in the field, there are limitations to considering all combinations for more than 140 champion types. Therefore, there is a need for research that can overcome these limitations.

일 실시예에 따른 게임 승부 예측 방법은 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초하여, 상기 선택 조합 정보를 수집하는 단계; 상기 선택 조합 정보에 대하여 데이터 전처리를 수행하는 단계; 상기 데이터 전처리가 수행된 선택 조합 정보를 게임 승부 예측 모델의 임베딩 모델(embedding model)에 입력하여 상기 각 팀별 게임 캐릭터의 선택 조합에 대한 특징 값을 획득하는 단계; 및 상기 특징 값을 상기 게임 승부 예측 모델의 인공 신경망(Artificial Neural Network: ANN)에 입력하여, 게임 승부에 대한 예측 정보를 획득하는 단계를 포함할 수 있다.According to an exemplary embodiment, a method for predicting a game victory may include collecting the selection combination information based on a selection combination of game characters for each team of a first team and a second team related to game play; Performing data preprocessing on the selection combination information; Inputting the selection combination information on which the data pre-processing has been performed into an embedding model of a game game prediction model to obtain a characteristic value for the selection combination of the game characters for each team; And inputting the feature value into an artificial neural network (ANN) of the game game prediction model, and obtaining prediction information about the game game.

상기 데이터 전처리를 수행하는 단계는, 상기 선택 조합 정보에 대하여 정규화를 수행하고, 상기 선택 조합에 포함된 각 게임 캐릭터들의 정보에 기초하여 각 게임 캐릭터들에 대한 정렬을 수행하는 단계를 포함할 수 있다.The performing of the data pre-processing may include performing normalization on the selection combination information, and aligning each game character based on information on each game character included in the selection combination. .

상기 특징 값을 획득하는 단계는, 상기 데이터 전처리가 수행된 선택 조합 정보 및 상기 선택 조합에 포함된 각 게임 캐릭터들이 선택된 순서 정보를 상기 임베딩 모델에 입력하여 상기 각 팀별 게임 캐릭터의 선택 조합에 대한 특징 값을 획득하는 단계를 포함할 수 있다.In the obtaining of the feature value, the selection combination information on which the data pre-processing has been performed and the order information of each game characters included in the selection combination are input into the embedding model, and the selection combination of the game characters for each team is characterized. It may include obtaining a value.

상기 게임 승부 예측 모델은, 임베딩 모델 및 인공 신경망이 결합된 결합 모델이고, 상기 선택 조합 정보에 기초하여 상기 게임 승부에 대한 예측 정보를 출력할 수 있다.The game game prediction model is a combined model in which an embedding model and an artificial neural network are combined, and prediction information on the game game may be output based on the selection combination information.

상기 임베딩 모델은, 양방향 LSTM(Long Short Term Memory)이고, 상기 특징 값은, 상기 양방향 LSTM으로부터 출력되어 상기 인공 신경망의 입력 데이터로 입력될 수 있다.The embedding model may be a bidirectional Long Short Term Memory (LSTM), and the feature value may be output from the bidirectional LSTM and input as input data of the artificial neural network.

상기 게임 승부 예측 모델은, 과거에 수행된 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합 정보 및 상기 과거에 수행된 게임 플레이의 결과 정보에 기초하여 학습될 수 있다.The game match prediction model may be learned based on selection and combination information of game characters for each team of the first team and the second team related to the game play performed in the past and result information of the game play performed in the past.

상기 선택 조합 정보는, 상기 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터 각각의 공격력, 방어력 및 마법 공격력을 포함하고, 상기 게임 캐릭터에 대응하는 변수 데이터를 포함할 수 있다.The selection combination information may include attack power, defense power, and magic attack power of each team-specific game character of the first team and the second team related to the game play, and may include variable data corresponding to the game character.

일 실시예에 따른 게임 승부 예측 모델을 학습시키는 학습 방법은 과거에 수행된 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초하여, 상기 선택 조합 정보를 수집하는 단계; 상기 선택 조합 정보에 대하여 데이터 전처리를 수행하는 단계; 상기 데이터 전처리가 수행된 선택 조합 정보를 게임 승부 예측 모델의 임베딩 모델에 입력하여 상기 각 팀별 게임 캐릭터의 선택 조합에 대한 특징 값을 획득하는 단계; 상기 특징 값을 상기 게임 승부 예측 모델의 인공 신경망에 입력하여, 게임 승부에 대한 예측을 포함하는 출력 데이터를 획득하는 단계; 및 상기 출력 데이터와 상기 과거에 수행된 게임 플레이의 결과 데이터에 기초하여 상기 임베딩 모델 및 상기 인공 신경망의 파라미터를 조정하는 단계를 포함할 수 있다.According to an exemplary embodiment, a learning method for training a game game prediction model includes: collecting the selection combination information based on selection combinations of game characters for each team of a first team and a second team related to a game play performed in the past; Performing data preprocessing on the selection combination information; Inputting the selection combination information on which the data pre-processing has been performed into the embedding model of the game game prediction model to obtain a characteristic value for the selection combination of the game characters for each team; Inputting the feature value to an artificial neural network of the game game prediction model to obtain output data including prediction of a game game; And adjusting parameters of the embedding model and the artificial neural network based on the output data and result data of the game play performed in the past.

일 실시예에 따른 게임 승부 예측 방법을 수행하는 게임 승부 예측 장치는 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초하여, 상기 선택 조합 정보를 수집하는 데이터 수집부; 상기 선택 조합 정보에 대하여 데이터 전처리를 수행하는 데이터 전처리부; 상기 데이터 전처리가 수행된 선택 조합 정보를 게임 승부 예측 모델의 임베딩 모델에 입력하여 상기 각 팀별 게임 캐릭터의 선택 조합에 대한 특징 값을 획득하고, 상기 특징 값을 상기 게임 승부 예측 모델의 인공 신경망에 입력하여, 게임 승부에 대한 예측 정보를 획득하는 게임 승부 예측부를 포함할 수 있다.A game match prediction apparatus for performing a game match prediction method according to an embodiment includes: a data collection unit configured to collect the selection combination information based on a selection combination of game characters for each team of a first team and a second team related to game play; A data preprocessor for performing data preprocessing on the selection combination information; The selection combination information on which the data pre-processing has been performed is input into the embedding model of the game game prediction model to obtain a characteristic value for the selection combination of the game characters for each team, and the characteristic value is input into the artificial neural network of the game game prediction model Thus, it may include a game game prediction unit for obtaining prediction information about the game game.

일 실시예에 따른 게임 승부 예측 모델을 학습시키는 학습 방법을 수행하는 학습 장치는 과거에 수행된 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초하여, 상기 선택 조합 정보를 수집하는 데이터 수집부; 상기 선택 조합 정보에 대하여 데이터 전처리를 수행하는 데이터 전처리부; 및 게임 승부 예측 모델로부터 상기 게임 승부에 대한 예측을 포함하는 출력 데이터를 획득하고, 상기 출력 데이터 및 상기 과거에 수행된 게임 플레이의 결과 데이터에 기초하여 상기 게임 승부 예측 모델의 파라미터를 조정하는 학습부를 포함할 수 있다.The learning apparatus for performing a learning method for learning a game game prediction model according to an embodiment includes the selection combination information based on a selection combination of game characters for each team of a first team and a second team related to a game play performed in the past. A data collection unit that collects; A data preprocessor for performing data preprocessing on the selection combination information; And a learning unit that obtains output data including prediction of the game win from the game win prediction model, and adjusts a parameter of the game win prediction model based on the output data and result data of the game play performed in the past. Can include.

일 실시예에 따르면 게임에 대한 지식이 없더라도 딥러닝 기법이 적용된 임베딩 모델을 통해 팀별로 게임 플레이에 참여하게 될 게임 캐릭터들의 조합을 구성해볼 수 있다.According to an embodiment, even if there is no knowledge of the game, a combination of game characters that will participate in game play for each team may be configured through an embedding model to which a deep learning technique is applied.

일 실시예에 따르면 게임 캐릭터들의 조합에 따른 게임 승부 예측을 수행할 수 있다.According to an embodiment, a game match prediction may be performed according to a combination of game characters.

일 실시예에 따르면 예측된 게임 승부에 기초하여 게임 플레이에 참여하게 될 게임 캐릭터들의 조합과 관련된 전략을 수립할 수 있다.According to an embodiment, a strategy related to a combination of game characters who will participate in game play may be established based on the predicted game win.

일 실시예에 따르면 게임 분야뿐만 아니라 팀 단위의 스포츠 경기의 승부 예측에도 활용될 수 있다.According to an embodiment, it may be used not only in the field of games but also in predicting the outcome of a sports game for each team.

도 1은 일 실시예에 따른 게임 승부 예측 시스템의 전체적인 구성을 도시한 도면이다.
도 2는 일 실시예에 따른 게임 승부 예측 모델의 학습 방법의 동작을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 게임 승부 예측 방법의 동작을 설명하기 위한 흐름도이다.
도 4는 일 실시예에 따른 게임 승부 예측 방법의 동작을 도시하는 도면이다.
도 5는 일 실시예에 따른 게임 승부 예측 모델을 학습시키는 학습 장치의 구성을 도시하는 도면이다.
도 6은 일 실시예에 따른 게임 승부 예측 장치의 구성을 도시하는 도면이다.1 is a diagram showing the overall configuration of a game win prediction system according to an embodiment.
2 is a flowchart illustrating an operation of a method of learning a game game prediction model according to an exemplary embodiment.
3 is a flowchart illustrating an operation of a method for predicting a game win according to an exemplary embodiment.
4 is a diagram illustrating an operation of a method for predicting a game win according to an exemplary embodiment.
5 is a diagram illustrating a configuration of a learning apparatus for training a game game prediction model according to an exemplary embodiment.
6 is a diagram showing a configuration of a game match prediction apparatus according to an embodiment.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.Hereinafter, exemplary embodiments will be described in detail with reference to the accompanying drawings. However, since various changes may be made to the embodiments, the scope of the rights of the patent application is not limited or limited by these embodiments. It should be understood that all changes, equivalents, or substitutes to the embodiments are included in the scope of the rights.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the examples are used for illustrative purposes only and should not be interpreted as limiting. Singular expressions include plural expressions unless the context clearly indicates otherwise. In the present specification, terms such as "comprise" or "have" are intended to designate the presence of features, numbers, steps, actions, components, parts, or combinations thereof described in the specification, but one or more other features. It is to be understood that the presence or addition of elements or numbers, steps, actions, components, parts, or combinations thereof, does not preclude in advance.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which the embodiment belongs. Terms such as those defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and should not be interpreted as an ideal or excessively formal meaning unless explicitly defined in this application. Does not.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.In addition, in the description with reference to the accompanying drawings, the same reference numerals are assigned to the same components regardless of the reference numerals, and redundant descriptions thereof will be omitted. In describing the embodiments, when it is determined that a detailed description of related known technologies may unnecessarily obscure the subject matter of the embodiments, the detailed description thereof will be omitted.

도 1은 일 실시예에 따른 게임 승부 예측 시스템의 전체적인 구성을 도시한 도면이다.1 is a diagram showing the overall configuration of a game win prediction system according to an embodiment.

도 1을 참조하면, 게임 승부 예측 시스템은 게임 플레이를 수행할 두 개의 팀 각각에 대한 게임 캐릭터의 선택 조합에 기초하여 게임 승부에 대한 예측을 수행할 수 있다. 예를 들어 게임 승부 예측 시스템은 리그 오브 레전드(League of Legends: LOL)의 게임 플레이를 수행할 두 개의 팀 각각의 게임 캐릭터 선택 조합에 기초한 게임 승부에 대한 예측을 수행할 수 있다.Referring to FIG. 1, the game win prediction system may predict a game win based on a selection combination of game characters for each of two teams to perform game play. For example, the game win prediction system may predict a game win based on a combination of selection of game characters of each of two teams to perform a game play of League of Legends (LOL).

일 실시예에서, 게임 승부 예측 시스템은 데이터 전처리부(110) 및 게임 승부 예측 모델(120)을 포함할 수 있다. 데이터 전처리부(110)는 게임 플레이를 수행할 두 개의 팀 각각의 게임 캐릭터 선택 조합에 기초한 선택 조합 정보를 입력받을 수 있다. 데이터 전처리부(110)는 입력 받은 선택 조합 정보에 대하여 데이터 전처리를 수행할 수 있다. 데이터 전처리부(110)는 선택 조합 정보에 대하여 정규화를 수행하고, 선택 조합에 포함된 각 게임 캐릭터들의 정보에 기초하여 각 게임 캐릭터들에 대한 정렬을 수행할 수 있다. 여기서, 각 게임 캐릭터들의 정보는, 각 게임 캐릭터들의 역할 및 각 게임 캐릭터들이 게임 플레이를 수행하는 게임 내 위치 등을 포함할 수 있다. 데이터 전처리부(110)는 선택 조합에 포함된 각 게임 캐릭터들의 역할 및 각 게임 캐릭터들이 게임 플레이를 수행하는 게임 내 위치 정보 등에 기초하여 각 게임 캐릭터들에 대하여 정렬을 수행할 수 있다.In one embodiment, the game win prediction system may include a data preprocessor 110 and a game win prediction model 120. The data preprocessor 110 may receive selection combination information based on a game character selection combination of each of two teams to perform game play. The data preprocessor 110 may perform data preprocessing on the input selection combination information. The data preprocessor 110 may normalize the selection combination information and perform alignment for each game character based on the information of each game character included in the selection combination. Here, the information of each game character may include a role of each game character and a position in a game where each game character performs game play. The data preprocessor 110 may perform alignment for each game character based on the role of each game character included in the selection combination and information on the position in the game in which each game character performs game play.

게임 승부 예측 모델(120)은 데이터 전처리부(110)로부터 데이터 전처리가 수행된 선택 조합 정보를 수신할 수 있다. 게임 승부 예측 모델(120)은 데이터 전처리가 수행된 선택 조합 정보에 기초하여 게임 승부 예측 정보를 출력할 수 있다. 게임 승부 예측 모델(120)은 게임 플레이에 참여할 각 팀을 기준으로 승리, 무승부 및 패배 중 적어도 하나를 포함하는 예측 정보를 출력할 수 있다.The game game prediction model 120 may receive selection combination information on which data preprocessing has been performed from the data preprocessor 110. The game game prediction model 120 may output game game prediction information based on selection combination information on which data preprocessing has been performed. The game match prediction model 120 may output prediction information including at least one of a win, a draw, and a defeat based on each team that will participate in the game play.

일 실시예에서, 게임 승부 예측 모델(120)은 게임 캐릭터가 선택된 순서와 각 팀별 게임 캐릭터들의 선택 조합에 기초하여 게임 승부에 대한 예측을 수행하기 위하여, 임베딩 모델과 인공 신경망이 결합된 결합 모델일 수 있다. 여기서, 임베딩 모델은 양방향 LSTM일 수 있다.In one embodiment, the game game prediction model 120 is a combined model in which an embedding model and an artificial neural network are combined in order to predict the game game based on the order in which game characters are selected and the selection combination of game characters for each team. I can. Here, the embedding model may be a bidirectional LSTM.

도 2는 일 실시예에 따른 게임 승부 예측 모델의 학습 방법의 동작을 설명하기 위한 흐름도이다.2 is a flowchart illustrating an operation of a method of learning a game game prediction model according to an exemplary embodiment.

도 2를 참조하면, 단계(210)에서 학습 장치는 과거에 수행된 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초하여, 선택 조합 정보를 수집할 수 있다.Referring to FIG. 2, in step 210, the learning device may collect selection combination information based on a selection combination of game characters for each team of a first team and a second team related to a game play performed in the past.

일 실시예에서 학습 장치는 게임과 관련한 개발자 사이트에서, 과거에 수행된 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합을 수집할 수 있다.In an embodiment, the learning device may collect a selection combination of game characters for each team of the first team and the second team related to game play performed in the past on a game-related developer site.

여기서, 선택 조합은, 한 팀을 구성하고 있는 게임 캐릭터들이 선택된 조합을 의미할 수 있다. 한 팀을 구성하고 있는 각각의 게임 캐릭터들의 역할, 라인(게임 플레이를 수행하는 게임 상의 위치) 및 능력치에 기초하여 선택 조합에 따른 팀의 능력치가 결정될 수 있다. 실시예에 따라 각각의 능력치가 비슷한 게임 캐릭터들이라고 해도, 한 팀을 구성하고 있는 게임 캐릭터들의 선택 조합에 따라 팀의 능력치가 달라질 수도 있다.Here, the selection combination may mean a combination in which game characters constituting a team are selected. The ability value of the team according to the selection combination may be determined based on the role, line (position on the game performing game play) and the ability value of each game character constituting a team. Depending on the embodiment, even if each of the game characters has similar stats, the stats of the team may vary according to the selection combination of game characters constituting a team.

단계(220)에서 학습 장치는 선택 조합 정보에 대하여 데이터 전처리를 수행할 수 있다. 학습 장치는 선택 조합 정보에 대하여 정규화를 수행하고, 선택 조합에 포함된 각 게임 캐릭터들의 정보에 기초하여 각 게임 캐릭터들에 대한 정렬을 수행함으로써 선택 조합 정보에 대한 데이터 전처리를 수행할 수 있다. 선택 조합 정보는 양방향 LSTM인 임베딩 모델에 입력되기 적절하도록, 각 게임 캐릭터들이 선택된 순서에 기초하여 정렬될 수 있다. 일 실시예에서 학습 장치는 선택 조합 정보에 대해 주성분 분석(PCA: Principal Component Analysis)을 수행하여 데이터의 차원을 축소시킬 수도 있다.In step 220, the learning device may perform data pre-processing on the selection combination information. The learning apparatus may perform data preprocessing on the selection combination information by performing normalization on the selection combination information and aligning each game character based on information on each game character included in the selection combination. The selection combination information may be sorted based on the order in which each game character is selected so that it is appropriate to be input into the bidirectional LSTM embedding model. In an embodiment, the learning device may reduce the dimension of data by performing Principal Component Analysis (PCA) on the selection combination information.

단계(230)에서 학습 장치는 데이터 전처리가 수행된 선택 조합 정보를 게임 승부 예측 모델의 임베딩 모델에 입력 값으로 입력하여 각 팀별 게임 캐릭터의 선택 조합에 대한 특징 값을 획득할 수 있다.In step 230, the learning device may obtain a feature value for a selection combination of game characters for each team by inputting selection combination information on which data pre-processing has been performed into the embedding model of the game game prediction model as an input value.

단계(240)에서 학습 장치는 임베딩 모델로부터 획득한 특징 값을 게임 승부 예측 모델의 인공 신경망에 입력하여, 게임 승부에 대한 예측을 포함하는 출력 데이터를 획득할 수 있다. 게임 승부 예측 모델은 특징 값에 기초하여 제1팀 및 제2팀이 수행할 게임 플레이에 따른 게임 승부 결과의 예측을 수행할 수 있다. 실시예에 따라 게임 승부 예측 모델은 게임 플레이에 참여한 각 팀이 승리할 확률, 무승부일 확률 및 패배할 확률을 출력할 수 있고, 각 확률에 기초하여 각 팀의 승리, 무승부 및 패배를 예측하는 출력 데이터를 출력할 수 있다.In step 240, the learning device may input the feature value obtained from the embedding model into the artificial neural network of the game game prediction model to obtain output data including prediction of the game game. The game win prediction model may predict a game win result according to a game play to be performed by the first team and the second team based on the feature value. Depending on the embodiment, the game match prediction model may output the probability of winning, the probability of a draw, and the probability of losing each team participating in the game play, and an output that predicts the victory, draw, and defeat of each team based on each probability. Data can be output.

단계(250)에서 학습 장치는 출력 데이터와 상기 과거에 수행된 게임 플레이의 결과 데이터에 기초하여 임베딩 모델 및 인공 신경망의 파라미터를 조정할 수 있다. 학습 장치는 게임 승부 예측 모델의 예측 정확도를 향상시키기 위해 임베딩 모델 및 인공 신경망의 파라미터를 조정함으로써, 게임 승부 예측 모델을 학습시킬 수 있다. 또한, 임베딩 모델이 출력한 특징 값 중에서 인공 신경망에 입력할 특징 값의 형식을 결정하거나, 임베딩 모델이 출력할 특징 값들의 형식을 결정함으로써 게임 승부 예측 모델을 학습시킬 수도 있다. 예를 들어, 임베딩 모델이 출력한 특징 값의 형식이 수치형인 경우에 게임 승부 예측 모델의 정확도가 가장 높게 나타날 수 있다. 이 경우, 학습 장치는 임베딩 모델이 수치형의 특징 값들을 출력하게 학습시킬 수 있다.In step 250, the learning device may adjust the parameters of the embedding model and the artificial neural network based on the output data and the result data of the gameplay performed in the past. The training device may train the game game prediction model by adjusting parameters of the embedding model and the artificial neural network in order to improve the prediction accuracy of the game game prediction model. In addition, the game game prediction model may be trained by determining the format of the feature values to be input to the artificial neural network among feature values output from the embedding model or determining the format of the feature values to be output from the embedding model. For example, when the format of the feature value output from the embedding model is a numeric type, the accuracy of the game game prediction model may be highest. In this case, the learning device may train the embedding model to output numerical feature values.

도 3은 일 실시예에 따른 게임 승부 예측 방법의 동작을 설명하기 위한 흐름도이다.3 is a flowchart illustrating an operation of a method for predicting a game win according to an exemplary embodiment.

도 3을 참조하면, 단계(310)에서 게임 승부 예측 장치는 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초하여, 상기 선택 조합 정보를 수집할 수 있다. 여기서, 선택 조합 정보는 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터 각각의 공격력, 방어력 및 마법 공격력을 포함할 수 있고, 게임 캐릭터에 대응하는 데이터를 포함할 수도 있다.Referring to FIG. 3, in step 310, the game match prediction apparatus may collect the selection combination information based on a selection combination of game characters for each team of the first team and the second team related to game play. Here, the selection combination information may include the attack power, defense power, and magic attack power of each team of the first team and the second team related to the game play, and may include data corresponding to the game character.

게임 캐릭터에 대응하는 변수 데이터는 예를 들어, 게임 캐릭터에 대응하는 사용자의 이전 5경기 승패 결과, 게임 캐릭터에 대응하는 사용자의 티어(Tier), 게임 캐릭터에 대응하는 사용자가 선택한 게임 캐릭터의 스킬, 공격력, 방어력, 마법공격력 수치, 게임 캐릭터에 대응하는 사용자가 선택한 게임 캐릭터의 전체 승률, 게임 캐릭터에 대응하는 사용자의 이전 15 경기에서의 현재 게임 캐릭터를 선택한 비율, 게임 캐릭터에 대응하는 사용자의 이전 15 경기에서의 현재 역할을 선택한 비율 및 팀의 임계치 미만의 레벨을 가진 플레이어 수 중 적어도 하나를 포함할 수 있다.The variable data corresponding to the game character may be, for example, the result of winning or losing the previous 5 matches of the user corresponding to the game character, the user's tier corresponding to the game character, the skill of the game character selected by the user corresponding to the game character, Attack power, defense power, magic attack power value, the total win rate of the game character selected by the user corresponding to the game character, the percentage of the user corresponding to the game character selecting the current game character in the previous 15 matches, the previous 15 of the user corresponding to the game character It may include at least one of the ratio of selecting the current role in the game and the number of players having a level below the threshold of the team.

단계(320)에서 게임 승부 예측 장치는 선택 조합 정보에 대하여 데이터 전처리를 수행할 수 있다.In step 320, the game match prediction apparatus may perform data preprocessing on the selection combination information.

일 실시예에서, 게임 승부 예측 장치는 선택 조합 정보에 대하여 정규화를 수행하고, 선택 조합에 포함된 각 게임 캐릭터들의 정보에 기초하여 각 게임 캐릭터들에 대한 정렬을 수행할 수 있다. 게임 캐릭터들의 정보는 예를 들어, 게임 캐릭터가 선택된 순서 정보, 게임 캐릭터의 역할 정보 및 게임 캐릭터이 게임 플레이를 수행하는 게임 상 위치 정보 중 적어도 하나를 포함할 수 있다.In an embodiment, the game match prediction apparatus may normalize the selection combination information and perform alignment for each game character based on information of each game character included in the selection combination. The information on the game characters may include, for example, at least one of information on an order in which a game character is selected, information on a role of a game character, and information on a position on a game in which the game character plays a game.

단계(330)에서 게임 승부 예측 장치는 데이터 전처리가 수행된 선택 조합 정보를 게임 승부 예측 모델의 임베딩 모델에 입력하여 각 팀별 게임 캐릭터의 선택 조합에 대한 특징 값을 획득할 수 있다.In step 330, the game game prediction apparatus may input selection combination information on which data pre-processing has been performed into the embedding model of the game game prediction model to obtain a feature value for the selection combination of game characters for each team.

게임 승부 예측 장치는 데이터 전처리가 수행된 선택 조합 정보 및 선택 조합에 포함된 각 게임 캐릭터들이 선택된 순서 정보를 임베딩 모델에 입력하여 각 팀별 게임 캐릭터의 선택 조합에 대한 특징 값을 획득할 수 있다. 일 실시예에서 임베딩 모델은 양방향 LSTM이기 때문에, 순서 정보를 고려하여 특징 값을 추출하기에 용이할 수 있다.The game match prediction apparatus may obtain a feature value for a selection combination of game characters for each team by inputting selection combination information on which data pre-processing has been performed and information on the order in which each game character included in the selection combination is selected into the embedding model. In one embodiment, since the embedding model is a bidirectional LSTM, it may be easy to extract a feature value in consideration of order information.

단계(340)에서 게임 승부 예측 장치는 특징 값을 게임 승부 예측 모델의 인공 신경망에 입력하여, 게임 승부에 대한 예측 정보를 획득할 수 있다.In step 340, the game game prediction apparatus may obtain prediction information about the game game by inputting the feature value into the artificial neural network of the game game prediction model.

일 실시예에서 게임 승부 예측 모델은 각 팀별 게임 캐릭터의 선택 조합을 고려하여 게임 승부에 대한 예측을 수행할 수 있도록, 임베딩 모델 및 인공 신경망이 결합된 결합 모델일 수 있다. 임베딩 모델과 인공 신경망을 포함하는 게임 승부 예측 모델은 과거에 수행된 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합 정보 및 과거에 수행된 게임 플레이의 결과 정보에 기초하여 학습될 수 있다.In an embodiment, the game game prediction model may be a combined model in which an embedding model and an artificial neural network are combined so as to predict a game game by considering a selection combination of game characters for each team. The game game prediction model including the embedding model and the artificial neural network is learned based on the selection and combination information of the game characters for each team of the first team and the second team related to the game play performed in the past and the result information of the game play performed in the past. Can be.

게임 승부 예측 모델은 선택 조합 정보에 기초하여 게임 승부에 대한 예측 정보를 출력할 수 있다. 여기서, 양방향 LSTM인 임베딩 모델로부터 출력된 특징 값은 인공 신경망의 입력 데이터로 입력되는 특징을 가질 수 있다. 인공 신경망은 입력받은 특징 값에 기초하여 게임 승부에 대한 예측 정보를 출력할 수 있다.The game game prediction model may output prediction information about the game game based on the selection combination information. Here, a feature value output from an embedding model that is a bidirectional LSTM may have a feature input as input data of an artificial neural network. The artificial neural network may output prediction information about the game victory based on the received feature value.

도 4는 일 실시예에 따른 게임 승부 예측 방법의 동작을 도시하는 도면이다.4 is a diagram illustrating an operation of a method for predicting a game win according to an exemplary embodiment.

도 4를 참조하면, 일 실시예에서 게임 승부 예측 모델(400)은 임베딩 모델(430)과 인공 신경망(460)이 결합된 결합 모델일 수 있다. 여기서, 게임 승부 예측 모델(400)은 과거에 수행된 게임 플레이와 관련된 제1 팀 및 제2 팀의 게임 캐릭터의 선택 조합 및 게임 승부 결과에 기초하여 기존에 학습된 상태일 수 있다.Referring to FIG. 4, in an embodiment, the game game prediction model 400 may be a combined model in which an embedding model 430 and an artificial neural network 460 are combined. Here, the game match prediction model 400 may be in a previously learned state based on a selection combination of game characters of the first team and the second team related to the game play performed in the past and the game match result.

데이터 수집부(410)는 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초한 선택 조합 정보를 수집할 수 있다. 데이터 수집부(410)는 데이터 수집부(410)가 수집한 선택 조합 정보를 데이터 전처리부(420)에 전달할 수 있다. 데이터 전처리부(420)는 데이터 수집부(410)로부터 전달받은 선택 조합 정보에 대하여 데이터 전처리를 수행할 수 있다. 데이터 전처리부(420)는 데이터 전처리 과정을 통해서, 선택 조합 정보가 임베딩 모델에 입력될 수 있는 형태로 변환할 수 있다. 또한 데이터 전처리부(420)는 데이터 전처리 과정을 통해서 게임 승부 예측 모델(400)이 게임 승부를 예측하는 데 필요한 선택 조합 정보를 일관된 데이터 형식으로 변환할 수 있다. 데이터 전처리부(420)는 선택 조합 정보에 포함된 게임 캐릭터에 대응하는 변수의 형식에 적합한 데이터 전처리 방법을 선택하여 데이터 전처리를 수행할 수 있다.The data collection unit 410 may collect selection combination information based on selection combinations of game characters for each team of the first team and the second team related to game play. The data collection unit 410 may transmit the selection combination information collected by the data collection unit 410 to the data preprocessor 420. The data preprocessor 420 may perform data preprocessing on the selection combination information transmitted from the data collection unit 410. The data preprocessor 420 may convert the selection combination information into a form that can be input to the embedding model through a data preprocessing process. In addition, the data preprocessor 420 may convert the selection combination information necessary for the game game prediction model 400 to predict the game game through a data preprocessing process into a consistent data format. The data preprocessor 420 may perform data preprocessing by selecting a data preprocessing method suitable for a format of a variable corresponding to a game character included in the selection combination information.

예를 들어, 게임 캐릭터에 대응하는 사용자의 이전 5경기 승패 결과는 범주형 변수로서, 데이터 전처리부(420)는 게임 캐릭터에 대응하는 사용자의 이전 5경기 승패 결과에 대해 데이터 전처리를 수행할 때, 원-핫 인코딩(one-hot encoding) 방식을 선택할 수 있다. 또한, 게임 캐릭터에 대응하는 사용자가 선택한 게임 캐릭터의 스킬, 공격력, 방어력, 마법 공격력 수치는 벡터형 변수로서, 데이터 전처리부(420)는 게임 캐릭터에 대응하는 사용자가 선택한 게임 캐릭터의 스킬, 공격력, 방어력, 마법 공격력 수치에 대해 데이터 전처리를 수행할 때, 최대-최소 정규화(min-max normalization) 방식을 선택할 수 있다.For example, the result of the user's previous 5 games corresponding to the game character is a categorical variable, and the data preprocessor 420 performs data preprocessing on the results of the user's previous 5 games corresponding to the game character, One-hot encoding method can be selected. In addition, the skill, attack power, defense power, and magic attack power values of the game character selected by the user corresponding to the game character are vector-type variables, and the data preprocessing unit 420 includes the skill, attack power, and power of the game character selected by the user corresponding to the game character. When performing data preprocessing for defense and magic attack power values, you can select a min-max normalization method.

데이터 전처리부(420)는 데이터 전처리가 수행된 선택 조합 정보를 게임 승부 예측 모델(400)로 전달할 수 있다. 일 실시예에서 데이터 전처리가 수행된 선택 조합 정보는 임베딩 모델(430)의 입력 값으로 입력될 수 있다. 또한, 실시예에 따라서 데이터 전처리가 수행된 선택 조합 정보와 함께 선택 조합에 포함된 각 게임 캐릭터들이 선택된 순서 정보도 임베딩 모델(430)에 입력될 수 있다.The data preprocessor 420 may transmit the selection combination information on which data preprocessing is performed to the game match prediction model 400. In an embodiment, the selection combination information on which data preprocessing has been performed may be input as an input value of the embedding model 430. In addition, according to an exemplary embodiment, information on an order in which each game character included in the selection combination is selected together with selection combination information on which data preprocessing is performed may be input to the embedding model 430.

일 실시예에서 임베딩 모델(430)은 양방향 LSTM이 될 수 있다. 양방향 LSTM은 게임 플레이를 수행할 게임 캐릭터의 사용자가 게임 경기의 시작 단계에서, 게임 플레이를 함께 수행할 게임 캐릭터들을 선택할 때, 이전 및 이후에 선택될 게임 캐릭터를 고려할 수 있다. 즉, 양방향 LSTM은 게임 플레이를 수행할 모든 게임 캐릭터들의 영향을 고려하여 특징 값을 출력할 수 있다.In an embodiment, the embedding model 430 may be a bidirectional LSTM. The interactive LSTM may consider a game character to be selected before and after when a user of a game character to perform game play selects game characters to perform game play together at the start stage of a game match. That is, the bidirectional LSTM can output a feature value in consideration of the influence of all game characters to perform game play.

임베딩 모델(430)은 데이터 전처리가 수행된 선택 조합 정보를 입력받아, 데이터 전처리가 수행된 선택 조합 정보로부터 특징 값을 추출할 수 있다. 일 실시예에서 임베딩 모델(430)은 데이터 전처리가 수행된 선택 조합 정보로부터 인공 신경망(460)에 입력될 각 게임 캐릭터에 대한 주요한 특징을 포함하는 특징 값들을 추출할 수 있다.The embedding model 430 may receive selection combination information on which data preprocessing has been performed, and extract a feature value from selection combination information on which data preprocessing is performed. In an embodiment, the embedding model 430 may extract feature values including major features for each game character to be input to the artificial neural network 460 from selection combination information on which data preprocessing has been performed.

일 실시예에서, 임베딩 모델(430)은 제1팀에 대응하는 게임 캐릭터의 선택 조합 정보로부터 제1팀에 대응하는 특징 값(440)을 추출하는 과정을 수행할 수 있고, 제2 팀에 대응하는 게임 캐릭터의 선택 조합 정보로부터 제2팀에 대응하는 특징 값(450)을 추출하는 과정을 수행할 수 있다. 제1 팀에 대응하는 특징 값(440) 및 제2팀에 대응하는 특징 값(450)은 인공 신경망(460)의 입력 값 중 일부가 되어 인공 신경망(460)의 입력 노드에 입력될 수 있다. 여기서, 인공 신경망(460)의 다른 입력 노드에 입력되는 입력 값은 게임 캐릭터 및 게임 캐릭터에 대응하는 사용자에 대한 원시 데이터가 포함될 수 있다. 인공 신경망(460)은 특징 값을 포함하는 입력 값들에 기초하여 게임 승부에 대한 예측을 수행하여 예측 정보(470)를 출력할 수 있다.In one embodiment, the embedding model 430 may perform a process of extracting the feature value 440 corresponding to the first team from the selection combination information of the game character corresponding to the first team, and corresponds to the second team. A process of extracting a feature value 450 corresponding to the second team from the selection combination information of the game character to be performed may be performed. The feature value 440 corresponding to the first team and the feature value 450 corresponding to the second team become some of the input values of the artificial neural network 460 and may be input to an input node of the artificial neural network 460. Here, an input value input to another input node of the artificial neural network 460 may include a game character and raw data for a user corresponding to the game character. The artificial neural network 460 may perform prediction on a game game based on input values including feature values, and output prediction information 470.

도 5는 일 실시예에 따른 게임 승부 예측 모델을 학습시키는 학습 장치의 구성을 도시하는 도면이다.5 is a diagram illustrating a configuration of a learning apparatus for training a game game prediction model according to an exemplary embodiment.

도 5를 참조하면, 일 실시예에서 게임 승부 예측 모델(540)을 학습시키는 학습 장치(500)는 데이터 수집부(510), 데이터 전처리부(520) 및 학습부(530)를 포함할 수 있다.Referring to FIG. 5, in an embodiment, a learning device 500 for training a game game prediction model 540 may include a data collection unit 510, a data preprocessor 520, and a learning unit 530. .

일 실시예에서 데이터 수집부(510)는 과거에 수행된 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합을 수집할 수 있다. 데이터 수집부(510)는 예를 들어, 게임의 개발자 또는 운영자가 공개한 정보로부터 과거에 수행된 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합을 수집할 수 있다.In one embodiment, the data collection unit 510 may collect a selection combination of game characters for each team of the first team and the second team related to game play performed in the past. The data collection unit 510 may collect, for example, a selection combination of game characters for each team of the first team and the second team related to game play performed in the past from information disclosed by a game developer or operator.

데이터 전처리부(520)는 데이터 수집부(510)가 수집한 선택 조합 정보에 대하여 데이터 전처리를 수행할 수 있다. 데이터 전처리부(520)는 선택 조합 정보에 포함된 게임 캐릭터들의 정보 및 게임 캐릭터에 대응하는 변수 데이터에 대하여 정규화를 수행할 수 있고, 주성분 분석을 수행할 수 있다.The data preprocessor 520 may perform data preprocessing on the selection combination information collected by the data collection unit 510. The data preprocessor 520 may perform normalization on the information of game characters included in the selection combination information and variable data corresponding to the game character, and may perform principal component analysis.

학습부(530)는 데이터 전처리가 수행된 선택 조합 정보 및 게임 승부에 대한 정보에 기초하여 게임 승부 예측 모델(540)을 학습시킬 수 있다.The learning unit 530 may train the game game prediction model 540 based on the selection combination information on which data preprocessing has been performed and the game game information.

일 실시예에서 게임 승부 예측 모델(540)은 양방향 LSTM인 임베딩 모델과 인공 신경망이 결합된 결합 모델일 수 있다. 임베딩 모델은 각 게임 캐릭터가 팀의 팀원으로 선택된 순서와 한 팀을 구성하는 게임 캐릭터들의 조합을 고려한 특징 값을 출력할 수 있다. 인공 신경망은 선택 조합 정보가 고려된 특징 값에 기초하여 게임 승부의 예측에 대한 출력 데이터를 출력할 수 있다.In an embodiment, the game game prediction model 540 may be a combined model in which an embedding model that is a bidirectional LSTM and an artificial neural network are combined. The embedding model may output a feature value in consideration of an order in which each game character is selected as a team member of a team and a combination of game characters constituting a team. The artificial neural network may output output data for prediction of a game game based on a feature value in which the selection combination information is considered.

학습부(530)는 게임 승부 예측 모델(540)이 출력한 출력 데이터와, 출력 데이터에 대응하는 실제 게임 승부 결과에 기초하여 게임 승부 예측 모델(540)의 파라미터를 조정할 수 있다. 일 실시예에서 학습부(530)는 과거에 수행된 게임 플레이와 관련된 데이터의 일부에 기초하여 게임 승부 예측 모델(540)을 학습시킬 수 있다. 또한, 과거에 수행된 게임 플레이와 관련된 데이터의 또 다른 일부에 기초하여 학습된 게임 승부 예측 모델(540)의 성능을 확인할 수 있다.The learning unit 530 may adjust parameters of the game game prediction model 540 based on the output data output from the game game prediction model 540 and an actual game game result corresponding to the output data. In an embodiment, the learning unit 530 may train the game win prediction model 540 based on a part of data related to game play performed in the past. In addition, performance of the learned game game prediction model 540 may be checked based on another part of data related to game play performed in the past.

도 6은 일 실시예에 따른 게임 승부 예측 장치의 구성을 도시하는 도면이다.6 is a diagram showing a configuration of a game match prediction apparatus according to an embodiment.

도 6을 참조하면, 일 실시예에서 게임 승부 예측 장치(600)는 데이터 수집부(610), 데이터 전처리부(620) 및 게임 승부 예측부(630)를 포함할 수 있다.Referring to FIG. 6, in an embodiment, the game game prediction apparatus 600 may include a data collection unit 610, a data preprocessor 620, and a game game prediction unit 630.

일 실시예에서 데이터 수집부(610)는 게임 승부에 대하여 예측을 수행할 게임 플레이와 관련된 제1팀 및 제2팀의 팀별 게임 캐릭터의 선택 조합에 기초한 선택 조합 정보를 수집할 수 있다. 여기서, 제1팀과 제2팀은 게임 플레이를 수행할 팀으로, 게임 플레이를 수행할 사용자 입력에 기초하여 팀에 포함될 게임 캐릭터들이 각각 선택될 수 있다.In an embodiment, the data collection unit 610 may collect selection combination information based on selection combinations of game characters for each team of the first team and the second team related to the game play to predict the game victory. Here, the first team and the second team are teams to perform game play, and game characters to be included in the team may be respectively selected based on a user input to perform game play.

데이터 전처리부(620)는 데이터 수집부(610)로부터 선택 조합 정보를 전달받아, 선택 조합 정보에 대하여 데이터 전처리를 수행할 수 있다. 데이터 전처리부(620)는 선택 조합 정보에 포함된 각 게임 캐릭터들과 관련된 정보 및 게임 캐릭터에 대응하는 변수 데이터를 게임 승부 예측 모델(640)에 입력되기에 적합한 형식으로 변환할 수 있다.The data preprocessor 620 may receive the selection combination information from the data collection unit 610 and perform data preprocessing on the selection combination information. The data preprocessor 620 may convert information related to each game character included in the selection combination information and variable data corresponding to the game character into a format suitable for input into the game match prediction model 640.

게임 승부 예측부(630)는 데이터 전처리가 수행된 선택 조합 정보에 기초하여 게임 승부 예측 모델(640)로부터 게임 승부에 대한 예측 정보를 획득할 수 있다.The game game prediction unit 630 may obtain prediction information about the game game from the game game prediction model 640 based on the selection combination information on which data preprocessing has been performed.

일 실시예에서 데이터 전처리가 수행된 선택 조합 정보는, 게임 승부 예측 모델(640)의 임베딩 모델에 입력될 수 있다. 임베딩 모델은 각 팀의 게임 캐릭터들이 선택된 순서 정보 및 데이터 전처리가 수행된 선택 조합 정보에 기초하여 특징 값을 출력할 수 있다. 임베딩 모델이 출력한 특징 값은 게임 승부 예측 모델(640)의 인공 신경망의 입력 값 중 일부로서 입력될 수 있다. 인공 신경망은 특징 값에 기초하여 게임 승부에 대한 예측 정보를 출력할 수 있다. 인공 신경망이 출력하는 예측 정보는 실시예에 따라, 각 팀의 승리, 무승부 및 패배에 대한 확률이 포함될 수 있고, 또는, 한 팀을 기준으로 한 승리, 무승부 및 패배에 대한 정보가 포함될 수도 있다.In an embodiment, the selection combination information on which data preprocessing has been performed may be input to an embedding model of the game game prediction model 640. The embedding model may output a feature value based on information on an order in which game characters of each team are selected and information on a selection combination in which data preprocessing is performed. The feature value output from the embedding model may be input as a part of the input value of the artificial neural network of the game game prediction model 640. The artificial neural network may output prediction information about the game win based on the feature value. The prediction information output from the artificial neural network may include the probability of victory, draw, and defeat of each team, or may include information on victory, draw, and defeat based on one team.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The apparatus described above may be implemented as a hardware component, a software component, and/or a combination of a hardware component and a software component. For example, the devices and components described in the embodiments are, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA). , A programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions, such as one or more general purpose computers or special purpose computers. The processing device may execute an operating system (OS) and one or more software applications executed on the operating system. In addition, the processing device may access, store, manipulate, process, and generate data in response to the execution of software. For the convenience of understanding, although it is sometimes described that one processing device is used, one of ordinary skill in the art, the processing device is a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it may include. For example, the processing device may include a plurality of processors or one processor and one controller. In addition, other processing configurations are possible, such as a parallel processor.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may include a computer program, code, instructions, or a combination of one or more of these, configuring the processing unit to behave as desired or processed independently or collectively. You can command the device. Software and/or data may be interpreted by a processing device or to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. , Or may be permanently or temporarily embodyed in a transmitted signal wave. The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -A hardware device specially configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those produced by a compiler but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware device described above may be configured to operate as one or more software modules to perform the operation of the embodiment, and vice versa.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.Although the embodiments have been described by the limited embodiments and drawings as described above, various modifications and variations are possible from the above description to those of ordinary skill in the art. For example, the described techniques are performed in an order different from the described method, and/or components such as a system, structure, device, circuit, etc. described are combined or combined in a form different from the described method, or other components Alternatively, even if substituted or substituted by an equivalent, an appropriate result can be achieved.

그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims fall within the scope of the following claims.

110, 420, 420, 520, 620: 데이터 전처리부
120, 400, 540, 640: 게임 승부 예측 모델
410, 510, 610: 데이터 수집부
430: 임베딩 모델
460: 인공 신경망
500: 학습 장치
530: 학습부
600: 게임 승부 예측 장치
630: 게임 승부 예측부110, 420, 420, 520, 620: data preprocessor
120, 400, 540, 640: game match prediction model
410, 510, 610: data collection unit
430: embedding model
460: artificial neural network
500: learning device
530: Learning Department
600: game match prediction device
630: game match prediction section

Claims (10)

게임 승부 예측 방법에 있어서,
게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초하여, 상기 선택 조합 정보를 수집하는 단계;
상기 선택 조합 정보에 대하여 데이터 전처리를 수행하는 단계;
상기 데이터 전처리가 수행된 선택 조합 정보를 게임 승부 예측 모델의 임베딩 모델(embedding model)에 입력하여 상기 각 팀별 게임 캐릭터의 선택 조합에 대한 특징 값을 획득하는 단계; 및
상기 특징 값을 상기 게임 승부 예측 모델의 인공 신경망(Artificial Neural Network: ANN)에 입력하여, 게임 승부에 대한 예측 정보를 획득하는 단계를 포함하고,
상기 게임 승부 예측 모델은,
상기 임베딩 모델 및 상기 인공 신경망이 결합된 결합 모델이고,
상기 임베딩 모델을 이용하여 상기 제1 팀에 대응하는 게임 캐릭터의 선택 조합 정보로부터 상기 제1 팀에 대응하는 특징 값을 추출하고, 상기 제2 팀에 대응하는 게임 캐릭터의 선택 조합 정보로부터 상기 제2팀에 대응하는 특징 값을 추출하고,
상기 제1 팀에 대응하는 특징 값 및 상기 제2 팀에 대응하는 특징 값을 포함하는 입력 값을 상기 인공 신경망에 입력하여 상기 게임 승부에 대한 예측 정보를 출력하는,
게임 승부 예측 방법.
In the game match prediction method,
Collecting the selection combination information based on selection combinations of game characters for each team of the first team and the second team related to game play;
Performing data preprocessing on the selection combination information;
Inputting the selection combination information on which the data pre-processing has been performed into an embedding model of a game game prediction model to obtain a characteristic value for the selection combination of the game characters for each team; And
Including the step of inputting the feature value into an artificial neural network (ANN) of the game game prediction model, and obtaining prediction information about the game game,
The game match prediction model,
It is a combined model in which the embedding model and the artificial neural network are combined,
Using the embedding model, a feature value corresponding to the first team is extracted from selection combination information of a game character corresponding to the first team, and the second from selection combination information of a game character corresponding to the second team Extracting feature values corresponding to the team,
Inputting an input value including a feature value corresponding to the first team and a feature value corresponding to the second team to the artificial neural network to output prediction information on the game win,
How to predict game wins.
제1항에 있어서,
상기 데이터 전처리를 수행하는 단계는,
상기 선택 조합 정보에 대하여 정규화를 수행하고, 상기 선택 조합에 포함된 각 게임 캐릭터들의 정보에 기초하여 각 게임 캐릭터들에 대한 정렬을 수행하는 단계
를 포함하는,
게임 승부 예측 방법.
The method of claim 1,
The step of performing the data preprocessing,
Performing normalization on the selection combination information, and performing alignment for each game character based on the information of each game character included in the selection combination
Containing,
How to predict game wins.
제1항에 있어서,
상기 특징 값을 획득하는 단계는,
상기 데이터 전처리가 수행된 선택 조합 정보 및 상기 선택 조합에 포함된 각 게임 캐릭터들이 선택된 순서 정보를 상기 임베딩 모델에 입력하여 상기 각 팀별 게임 캐릭터의 선택 조합에 대한 특징 값을 획득하는 단계
를 포함하는,
게임 승부 예측 방법.
The method of claim 1,
The step of obtaining the feature value,
Inputting selection combination information on which the data pre-processing has been performed and information on the order in which each game character included in the selection combination is selected into the embedding model to obtain a feature value for the selection combination of the game characters for each team
Containing,
How to predict game wins.
제1항에 있어서,
상기 게임 승부 예측 모델은,
상기 선택 조합 정보에 기초하여 상기 게임 승부에 대한 예측 정보를 출력하는,
게임 승부 예측 방법.
The method of claim 1,
The game match prediction model,
Outputting prediction information about the game win based on the selection combination information,
How to predict game wins.
제1항에 있어서,
상기 임베딩 모델은,
양방향 LSTM(Long Short Term Memory)이고,
상기 특징 값은,
상기 양방향 LSTM으로부터 출력되어 상기 인공 신경망의 입력 데이터로 입력되는,
게임 승부 예측 방법.
The method of claim 1,
The embedding model,
It is a bidirectional LSTM (Long Short Term Memory),
The feature value is,
Output from the bidirectional LSTM and input as input data of the artificial neural network,
How to predict game wins.
제4항에 있어서,
상기 게임 승부 예측 모델은,
과거에 수행된 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합 정보 및 상기 과거에 수행된 게임 플레이의 결과 정보에 기초하여 학습된,
게임 승부 예측 방법.
The method of claim 4,
The game match prediction model,
Learned based on selection and combination information of game characters for each team of the first team and the second team related to game play performed in the past and result information of the game play performed in the past,
How to predict game wins.
제1항에 있어서,
상기 선택 조합 정보는,
상기 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터 각각의 공격력, 방어력 및 마법 공격력을 포함하고, 상기 게임 캐릭터에 대응하는 변수 데이터를 포함하는,
게임 승부 예측 방법.
The method of claim 1,
The selection combination information,
Including the attack power, defense power, and magic attack power of each team-specific game character of the first team and the second team related to the game play, and including variable data corresponding to the game character,
How to predict game wins.
게임 승부 예측 모델을 학습시키는 학습 방법에 있어서,
과거에 수행된 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초하여, 상기 선택 조합 정보를 수집하는 단계;
상기 선택 조합 정보에 대하여 데이터 전처리를 수행하는 단계;
상기 데이터 전처리가 수행된 선택 조합 정보를 게임 승부 예측 모델의 임베딩 모델에 입력하여 상기 각 팀별 게임 캐릭터의 선택 조합에 대한 특징 값을 획득하는 단계;
상기 특징 값을 상기 게임 승부 예측 모델의 인공 신경망에 입력하여, 게임 승부에 대한 예측을 포함하는 출력 데이터를 획득하는 단계; 및
상기 출력 데이터와 상기 과거에 수행된 게임 플레이의 결과 데이터에 기초하여 상기 임베딩 모델 및 상기 인공 신경망의 파라미터를 조정하는 단계
를 포함하고,
상기 게임 승부 예측 모델은,
상기 임베딩 모델 및 상기 인공 신경망이 결합된 결합 모델이고,
상기 임베딩 모델을 이용하여 상기 제1 팀에 대응하는 게임 캐릭터의 선택 조합 정보로부터 상기 제1 팀에 대응하는 특징 값을 추출하고, 상기 제2 팀에 대응하는 게임 캐릭터의 선택 조합 정보로부터 상기 제2팀에 대응하는 특징 값을 추출하고,
상기 제1 팀에 대응하는 특징 값 및 상기 제2 팀에 대응하는 특징 값을 포함하는 입력 값을 상기 인공 신경망에 입력하여 게임 승부에 대한 예측 정보를 출력하는,
학습 방법.
In a learning method for training a game game prediction model,
Collecting the selection combination information based on selection combinations of game characters for each team of the first team and the second team related to the game play performed in the past;
Performing data preprocessing on the selection combination information;
Inputting the selection combination information on which the data pre-processing has been performed into the embedding model of the game game prediction model to obtain a characteristic value for the selection combination of the game characters for each team;
Inputting the feature value to an artificial neural network of the game game prediction model to obtain output data including prediction of a game game; And
Adjusting parameters of the embedding model and the artificial neural network based on the output data and result data of the gameplay performed in the past
Including,
The game match prediction model,
It is a combined model in which the embedding model and the artificial neural network are combined,
Using the embedding model, a feature value corresponding to the first team is extracted from selection combination information of a game character corresponding to the first team, and the second from selection combination information of a game character corresponding to the second team Extracting feature values corresponding to the team,
Inputting an input value including a feature value corresponding to the first team and a feature value corresponding to the second team to the artificial neural network to output prediction information on the game win,
Learning method.
게임 승부 예측 방법을 수행하는 게임 승부 예측 장치에 있어서,
게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초하여, 상기 선택 조합 정보를 수집하는 데이터 수집부;
상기 선택 조합 정보에 대하여 데이터 전처리를 수행하는 데이터 전처리부;
상기 데이터 전처리가 수행된 선택 조합 정보를 게임 승부 예측 모델의 임베딩 모델에 입력하여 상기 각 팀별 게임 캐릭터의 선택 조합에 대한 특징 값을 획득하고, 상기 특징 값을 상기 게임 승부 예측 모델의 인공 신경망에 입력하여, 게임 승부에 대한 예측 정보를 획득하는 게임 승부 예측부
를 포함하고,
상기 게임 승부 예측 모델은,
상기 임베딩 모델 및 상기 인공 신경망이 결합된 결합 모델이고,
상기 임베딩 모델을 이용하여 상기 제1 팀에 대응하는 게임 캐릭터의 선택 조합 정보로부터 상기 제1 팀에 대응하는 특징 값을 추출하고, 상기 제2 팀에 대응하는 게임 캐릭터의 선택 조합 정보로부터 상기 제2팀에 대응하는 특징 값을 추출하고,
상기 제1 팀에 대응하는 특징 값 및 상기 제2 팀에 대응하는 특징 값을 포함하는 입력 값을 상기 인공 신경망에 입력하여 상기 게임 승부에 대한 예측 정보를 출력하는,
게임 승부 예측 장치.
In the game win prediction apparatus for performing the game win prediction method,
A data collection unit configured to collect the selection combination information based on a selection combination of game characters for each team of the first team and the second team related to game play;
A data preprocessor for performing data preprocessing on the selection combination information;
The selection combination information on which the data pre-processing has been performed is input to the embedding model of the game game prediction model to obtain a characteristic value for the selection combination of the game characters for each team, and the characteristic value is input to the artificial neural network of the game game prediction model Thus, a game match prediction unit that obtains prediction information about the game match
Including,
The game match prediction model,
It is a combined model in which the embedding model and the artificial neural network are combined,
Using the embedding model, a feature value corresponding to the first team is extracted from selection combination information of a game character corresponding to the first team, and the second from selection combination information of a game character corresponding to the second team Extracting feature values corresponding to the team,
Inputting an input value including a feature value corresponding to the first team and a feature value corresponding to the second team to the artificial neural network to output prediction information on the game win,
Game match prediction device.
게임 승부 예측 모델을 학습시키는 학습 방법을 수행하는 학습 장치에 있어서,
과거에 수행된 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초하여, 상기 선택 조합 정보를 수집하는 데이터 수집부;
상기 선택 조합 정보에 대하여 데이터 전처리를 수행하는 데이터 전처리부; 및
게임 승부 예측 모델로부터 상기 게임 승부에 대한 예측을 포함하는 출력 데이터를 획득하고, 상기 출력 데이터 및 상기 과거에 수행된 게임 플레이의 결과 데이터에 기초하여 상기 게임 승부 예측 모델의 파라미터를 조정하는 학습부
를 포함하고,
상기 게임 승부 예측 모델은,
임베딩 모델 및 인공 신경망이 결합된 결합 모델이고,
상기 임베딩 모델을 이용하여 상기 제1 팀에 대응하는 게임 캐릭터의 선택 조합 정보로부터 상기 제1 팀에 대응하는 특징 값을 추출하고, 상기 제2 팀에 대응하는 게임 캐릭터의 선택 조합 정보로부터 상기 제2팀에 대응하는 특징 값을 추출하고,
상기 제1 팀에 대응하는 특징 값 및 상기 제2 팀에 대응하는 특징 값을 포함하는 입력 값을 상기 인공 신경망에 입력하여 게임 승부에 대한 예측 정보를 출력하는,
학습 장치.In a learning device that performs a learning method for training a game game prediction model,
A data collection unit that collects the selection combination information based on selection combinations of game characters for each team of the first team and the second team related to game play performed in the past;
A data preprocessor for performing data preprocessing on the selection combination information; And
A learning unit that obtains output data including prediction of the game victory from a game game prediction model, and adjusts a parameter of the game game prediction model based on the output data and result data of the game play performed in the past
Including,
The game match prediction model,
It is a combined model in which an embedding model and an artificial neural network are combined,
Using the embedding model, a feature value corresponding to the first team is extracted from selection combination information of a game character corresponding to the first team, and the second from selection combination information of a game character corresponding to the second team Extracting feature values corresponding to the team,
Inputting an input value including a feature value corresponding to the first team and a feature value corresponding to the second team to the artificial neural network to output prediction information on the game win,
Learning device.
KR1020190067511A 2019-05-13 2019-06-07 Method and apparatus for predicting game results KR102154828B1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190055465 2019-05-13
KR20190055465 2019-05-13

Publications (1)

Publication Number Publication Date
KR102154828B1 true KR102154828B1 (en) 2020-09-10

Family

ID=72450443

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190067511A KR102154828B1 (en) 2019-05-13 2019-06-07 Method and apparatus for predicting game results

Country Status (1)

Country Link
KR (1) KR102154828B1 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113577769A (en) * 2021-07-07 2021-11-02 广州三七极耀网络科技有限公司 Game character action control method, device, equipment and storage medium
KR20220144478A (en) 2021-04-20 2022-10-27 (주)유니즈소프트 Winning rate predicting system using artificial intelligence technology
KR20230060286A (en) * 2021-10-27 2023-05-04 (주)팀스노우볼 System for providing prediction information and method thereof

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101855168B1 (en) * 2016-11-18 2018-05-10 가톨릭대학교 산학협력단 Emotion classification method based on deep learning and method thereof

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101855168B1 (en) * 2016-11-18 2018-05-10 가톨릭대학교 산학협력단 Emotion classification method based on deep learning and method thereof

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
AOS 장르 게임의 승패 예측 모형의 설계와 활용 (2017.01.31) 1부* *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220144478A (en) 2021-04-20 2022-10-27 (주)유니즈소프트 Winning rate predicting system using artificial intelligence technology
CN113577769A (en) * 2021-07-07 2021-11-02 广州三七极耀网络科技有限公司 Game character action control method, device, equipment and storage medium
CN113577769B (en) * 2021-07-07 2024-03-08 广州三七极耀网络科技有限公司 Game character action control method, apparatus, device and storage medium
KR20230060286A (en) * 2021-10-27 2023-05-04 (주)팀스노우볼 System for providing prediction information and method thereof
KR102587932B1 (en) 2021-10-27 2023-10-10 (주)팀스노우볼 System for providing prediction information and method thereof

Similar Documents

Publication Publication Date Title
KR102154828B1 (en) Method and apparatus for predicting game results
KR102186949B1 (en) Method and apparatus for predicting result of game
CN112272581A (en) Method and system for interactive, exposable and improved game and player performance prediction in team sports
KR20200039536A (en) Method and apparatus for detecting abnormal case
CN107335220A (en) A kind of recognition methods of passive user, device and server
EP4295208A1 (en) Micro-level and macro-level predictions in sports
Nimmagadda et al. Cricket score and winning prediction using data mining
CN111589120A (en) Object control method, computer device, and computer-readable storage medium
Wang et al. A novel deep residual network-based incomplete information competition strategy for four-players Mahjong games
KR102007371B1 (en) Method and apparatus for recommending game play strategy
Yamaguchi et al. Helios 2021: team description paper
CN113393063A (en) Match result prediction method, system, program product and storage medium
KR102579203B1 (en) Apparatus and method for predicting game result
Pelechrinis et al. The anatomy of American football: evidence from 7 years of NFL game data
Viggiato et al. Trouncing in dota 2: An investigation of blowout matches
Cho et al. Investigation of the effect of “fog of war” in the prediction of starcraft strategy using machine learning
Chen et al. A neural network model of the nba most valued player selection prediction
EP4329904A1 (en) System and method for individual player and team simulation
KR102253373B1 (en) Method and apparatus for predicting the result of games
KR20210032838A (en) Game apparatus and method using emotion
KR20200092242A (en) Method and apparatus for recommending game play strategy
KR102343354B1 (en) Energry charging apparatus and method for game
CN117883788B (en) Intelligent body training method, game fight method and device and electronic equipment
KR102633104B1 (en) Method for determining action of bot playing champion in battle field of League of Legends game, and computing system performing the same
US11712631B2 (en) System and method for matching users of client applications

Legal Events

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