KR102259786B1 - 게임 데이터 처리 방법 - Google Patents

게임 데이터 처리 방법 Download PDF

Info

Publication number
KR102259786B1
KR102259786B1 KR1020190075169A KR20190075169A KR102259786B1 KR 102259786 B1 KR102259786 B1 KR 102259786B1 KR 1020190075169 A KR1020190075169 A KR 1020190075169A KR 20190075169 A KR20190075169 A KR 20190075169A KR 102259786 B1 KR102259786 B1 KR 102259786B1
Authority
KR
South Korea
Prior art keywords
activity
game
information
log
activity information
Prior art date
Application number
KR1020190075169A
Other languages
English (en)
Other versions
KR20210000181A (ko
Inventor
엄태욱
한기영
황영태
Original Assignee
넷마블 주식회사
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 넷마블 주식회사 filed Critical 넷마블 주식회사
Priority to KR1020190075169A priority Critical patent/KR102259786B1/ko
Publication of KR20210000181A publication Critical patent/KR20210000181A/ko
Application granted granted Critical
Publication of KR102259786B1 publication Critical patent/KR102259786B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/70—Game security or game management aspects
    • A63F13/77—Game security or game management aspects involving data related to game devices or game servers, e.g. configuration data, software version or amount of memory
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/55—Controlling game characters or game objects based on the game progress
    • A63F13/58—Controlling game characters or game objects based on the game progress by computing conditions of game characters, e.g. stamina, strength, motivation or energy level
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
    • A63F13/67—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor adaptively or by learning from player actions, e.g. skill level adjustment or by storing successful combat sequences for re-use
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/70—Game security or game management aspects
    • A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 게임 데이터 처리를 위한 이하의 동작을 수행하도록 하며, 상기 동작은 게임 로그를 획득하는 동작; 상기 게임 로그에서 활동 로그 및 결과 로그를 추출하는 동작; 상기 활동 로그 또는 상기 결과 로그 중 적어도 하나를 활동 정보 생성 모델에 입력시켜 활동 정보를 획득하는 동작; 및 사용자 단말의 요청에 기초하여 활동 정보를 제공하는 동작을 포함할 수 있다.

Description

게임 데이터 처리 방법 {METHOD FOR PROCESSING GAME DATA}
본 개시는 데이터 처리하는 방법으로써 보다 구체적으로는 게임 데이터를 처리하기 위한 방법에 관한 것이다.
전자 통신 기술의 발달로 게임을 즐기는 사람이 증가하면서 전략 시뮬레이션 게임, 롤플레잉 게임 등 다양한 종류의 게임이 개발되었다. 이러한 게임들은 온라인 및 오프라인 상황에서도 게임을 진행할 수 있고, 특히 온라인 게임은 시공간의 제약이 없어 수많은 유저들이 쉽게 모여 함께 게임을 즐길 수 있다.
게임을 즐기는 유저의 수가 증가함에 따라, 축적되는 게임 데이터의 양도 증가하고 있다. 또한 게임을 즐기는 유저의 수가 증가함에 따라 기업들의 경쟁이 치열하다. 치열한 경쟁에서 생존하기 위해 방대한 양의 게임 데이터를 활용하여 유저에게 서비스를 제공하는 방법에 대해 당업계의 수요가 존재할 수 있다.
따라서 최근에는 방대한 양의 게임 데이터 처리를 통해 유저에게 필요한 서비스를 제공하는 다양한 방법이 연구 및 개발되고 있다.
대한민국 공개특허공보 제 2019-0015441호에서는 온라인 게임 캐릭터의 조작을 위한 사용자 인터페이스의 실시간 재구성 장치 및 방법을 개시하고 있다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 데이터를 처리하기 위한 방법을 제공하기 위함이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장되어 컴퓨터로 하여금 이하의 동작들을 수행하도록 하는 명령들을 포함하는 컴퓨터 프로그램이 개시된다. 상기 동작들은 게임 로그를 획득하는 동작; 상기 게임 로그에서 활동 로그 및 결과 로그를 추출하는 동작; 상기 활동 로그 또는 상기 결과 로그 중 적어도 하나를 활동 정보 생성 모델에 입력시켜 활동 정보를 획득하는 동작; 및 사용자 단말의 요청에 기초하여 활동 정보를 제공하는 동작을 포함할 수 있다.
대안적 실시예에서, 상기 활동 로그는, 게임 상에서 캐릭터의 활동 기록, 캐릭터의 정보 또는 게임 환경 정보 중 적어도 하나를 포함할 수 있다.
대안적 실시예에서, 상기 결과 로그는, 게임 상에서 캐릭터의 활동으로 야기된 결과에 대한 기록을 포함할 수 있다.
대안적 실시예에서, 상기 활동 정보는, 상기 활동 로그를 포함하는 제 1 활동 정보 또는 상기 활동 로그에 기초하여 생성된 제 2 활동 정보 중 적어도 하나를 포함할 수 있다.
대안적 실시예에서, 상기 활동 정보는, 사용자 단말로부터 수신된 목표 정보에 기초하여 결정될 수 있다.
대안적 실시예에서, 사용자 단말의 요청에 기초하여 결과 정보를 생성하는 동작을 더 포함하고, 상기 결과 정보는, 상기 활동 정보를 기초로 게임 상의 캐릭터가 활동한 결과를 예측한 정보를 포함할 수 있다.
대안적 실시예에서, 상기 활동 정보 생성 모델은, 제 1 활동 정보를 획득하기 위한 확률론적 시퀸스 모델을 포함하는 제 1 서브 모델을 포함할 수 있다.
대안적 실시예에서, 상기 확률론적 시퀸스 모델은, 상기 활동 로그에 포함된 컴포넌트인 복수개의 활동 패턴 각각의 확률 값에 기초하여 상기 활동 정보를 생성하는 모델을 포함할 수 있다.
대안적 실시예에서, 상기 활동 정보 생성 모델은, 제 2 활동 정보를 획득하기 위한 제 2 서브 모델을 포함하고, 제 2 활동 정보를 획득하기 위한 제 2 서브 모델은, 상기 활동 로그에 기초하여 제 2 활동 정보를 획득하기 위한 강화학습 모델을 포함할 수 있다.
대안적 실시예에서, 상기 강화학습 모델은, 상기 활동 로그에서 게임 상태를 획득하고, 상기 게임 상태를 강화학습 모델을 이용하여 연산함으로써 사전결정된 결과 정보를 도출하도록 하는 제 2 활동 정보를 획득하기 위한 모델을 포함할 수 있다.
대안적 실시예에서, 상기 강화학습 모델은, 근사 가치 함수(value function approximator)를 이용하여 제 2 활동 정보를 획득하기 위한 모델을 포함할 수 있다.
대안적 실시예에서, 상기 근사 가치 함수는, 실제 가치 함수와 근사 가치 함수의 차이를 줄이도록 학습된 파라미터를 이용하여, 활동 로그에서 획득한 게임 상태를 입력 받아 실제 가치 함수와 근사한 값을 산출하는 함수를 포함할 수 있다.
대안적 실시예에서, 사용자 단말의 요청에 기초하여 활동 정보를 제공하는 동작은, 사용자 단말의 게임 화면에서 사용자가 적어도 하나 이상의 스킬을 상기 활동 정보에 기초하여 선택하도록 야기하는 동작을 포함할 수 있다.
대안적 실시예에서, 상기 제공받은 활동 정보에 기초하여 게임 상의 캐릭터 동작을 야기하는 동작을 더 포함할 수 있다.
본 개시의 다른 일 실시예에 따라 게임 데이터를 처리하기 위한 방법이 개시된다. 게임 로그를 획득하는 단계; 상기 게임 로그에서 활동 로그 및 결과 로그를 추출하는 단계; 상기 활동 로그 또는 상기 결과 로그 중 적어도 하나를 활동 정보 생성 모델에 입력시켜 활동 정보를 획득하는 단계; 및 사용자 단말의 요청에 기초하여 활동 정보를 제공하는 단계를 포함할 수 있다.
본 개시의 다른 일 실시예에 따라 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 하나 이상의 프로세서; 및 상기 프로세서에서 실행가능한 명령들을 저장하는 메모리; 를 포함하고, 상기 하나 이상의 프로세서는, 게임 로그를 획득하고, 상기 게임 로그에서 활동 로그 및 결과 로그를 추출하고, 상기 활동 로그 또는 상기 결과 로그 중 적어도 하나를 활동 정보 생성 모델에 입력시켜 활동 정보를 획득하고, 그리고 사용자 단말의 요청에 기초하여 활동 정보를 제공할 수 있다.
본 개시의 일 실시예에 따라, 데이터를 처리하는 방법을 제공할 수 있다.
상기 언급된 본 개시내용의 특징들이 상세하게, 보다 구체화된 설명으로, 이하의 실시예들을 참조하여 이해될 수 있도록, 실시예들 중 일부는 첨부되는 도면에서 도시된다. 또한, 도면과의 유사한 참조번호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭하는 것으로 의도된다. 그러나, 첨부된 도면들은 단지 본 개시내용의 특정한 전형적인 실시예들만을 도시하는 것일 뿐, 본 발명의 범위를 한정하는 것으로 고려되지는 않으며, 동일한 효과를 갖는 다른 실시예들이 충분히 인식될 수 있다는 점을 유의하도록 한다.
도 1은 본 개시의 일 실시예에 따른 게임 데이터를 처리하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 게임 데이터를 처리하기 위한 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라 활동 정보를 제공하는 방법을 설명하기 위한 예시도이다.
도 4는 본 개시의 일 실시예에 따라 캐릭터 정보에 기초하여 활동 정보를 제공하는 방법을 설명하기 위한 예시도이다.
도 5는 본 개시의 일 실시예에 따라 게임 환경 정보에 기초하여 활동 정보를 제공하는 방법을 설명하기 위한 예시도이다.
도 6a 및 도 6b는 본 개시의 일 실시예에 따라 근사 가치 함수를 설명하기 위한 예시도이다.
도 7은 본 개시의 일 실시예에 따라 게임 데이터를 처리하는 방법의 순서도이다.
도 8은 본 개시의 일 실시예에 따라 게임 데이터를 처리하기 위한 모듈을 도시한 블록 구성도이다.
도 9은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 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 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
도 1은 본 개시의 일 실시예에 따른 게임 데이터를 처리하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)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(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 파라미터 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 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 실시예에 따라, 프로세서(110)는 게임 로그를 획득할 수 있다.
본 개시의 일 실시예에 따라, 프로세서(110)는 상기 게임 로그에서 활동 로그 및 결과 로그를 추출할 수 있다.
본 개시의 일 실시예에 따라, 게임 로그는, 사용자가 게임을 수행하는 과정에서 발생하는 모든 기록을 포함할 수 있다. 게임 로그는 활동 로그 또는 결과 로그 중 적어도 하나를 포함할 수 있다.
활동 로그는 게임 상에서 캐릭터의 활동에 관련된 모든 기록을 포함할 수 있다. 게임 상에서 캐릭터의 활동에 관련된 모든 기록은 게임 상의 캐릭터가 게임에 포함된 구성요소(예를 들어, 게임 오브젝트, 캐릭터 등) 및/또는 게임에 포함된 구성요소들과 상호작용한 기록을 포함할 수 있다. 활동 로그는 게임 상에서 캐릭터의 활동 기록, 캐릭터의 정보 또는 게임 환경 정보 중 적어도 하나를 포함할 수 있다. 결과 로그는, 게임 상에서 캐릭터의 활동으로 야기된 결과에 대한 기록을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 게임 상에서 캐릭터의 활동 기록은 캐릭터가 게임 상에서 수행한 모든 활동의 기록을 포함할 수 있다. 게임 상에서 캐릭터의 활동 기록은 예를 들어, 캐릭터가 사용한 스킬, 캐릭터가 사용한 스킬 시퀸스, 캐릭터가 사용한 복수개의 스킬 간의 시간 간격, 캐릭터 플레이 타임, 계정 플레이 타임, 아이템별 사용빈도, 개인상점 거래품목, 아이템 생성, 아이템 습득, 아이템 드랍, 아이템 소비, 아이템 생성, 아이템 소멸, 아이템 거래, 아이템 강화, 캐릭터 이동, 캐릭터 사망, 캐릭터 레벨업, 캐릭터 생성, 캐릭터 공격, 캐릭터 방어 등과 같은 활동을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 캐릭터의 정보는 게임 상에 존재하는 캐릭터에 대한 기록을 포함할 수 있다. 캐릭터의 정보는 예를 들어, 캐릭터의 능력치, 캐릭터의 착용 아이템, 캐릭터의 보유 아이템, 캐릭터가 사용 가능한 스킬을 포함할 수 있다. 또한 캐릭터의 정보는 예를 들어, 복수개의 캐릭터가 게임 플레이(예를 들어, 스테이지 진입)를 하는 경우, 게임 플레이에 참여하는 캐릭터의 순서, 게임 플레이에 참여하는 캐릭터의 조합을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 게임 환경 정보는 게임 상의 캐릭터가 게임 플레이하는 환경에 대한 정보를 포함할 수 있다. 게임 환경 정보는 예를 들어, 게임 상의 캐릭터가 플레이하는 스테이지 정보(예를 들어, 스테이지 난이도, 스테이지를 클리어하는데 소요되는 제한 시간) 또는 게임 오브젝트 정보를 포함할 수 있다. 게임 오브젝트 정보는 예를 들어, 플레이어가 게임 내에서 활동할 수 있는 맵을 포함할 수 있다. 또한 게임 오브젝트 정보는 예를 들어, 게임 환경에서 플레이어 캐릭터가 이동 가능한 요소, 게임 환경에서 플레이어의 캐릭터 이동이 제한되는 요소, 플레이어 캐릭터에 사전 결정된 효과를 발생시키는 요소, 캐릭터 생성 위치 등을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 결과 로그는, 게임 상에서 캐릭터의 활동으로 야기된 결과에 대한 기록을 포함할 수 있다. 결과 로그는 하나 이상의 항목을 포함할 수 있다. 결과 로그는 예를 들어, 총 데미지, 단위 시간당 데미지, 스킬 당 데미지, 공격 당 데미지, 자원 소모량 대비 데미지, 캐릭터가 사용한 스킬의 효과, 캐릭터가 사용한 스킬 시퀸스의 효과, 스테이지 클리어 여부, 스테이지 클리어한 경우 소요된 시간, 게임 플레이를 수행하여 산출된 스코어를 포함할 수 있다. 본 개시의 일 실시예에 따라, 결과 로그는 캐릭터A가 스테이지1에서 스킬 시퀸스(스킬A, 스킬B, 스킬C)사용하여 획득한 스킬 시퀸스의 효과, 스테이지1의 클리어 여부(예를 들어, 클리어 한 경우, 클리어 못한 경우), 스테이지1을 클리어한 경우 소요된 시간(예를 들어, 15분)을 포함할 수 있다. 따라서 프로세서(110)는 스테이지1에서 캐릭터A를 통해 스킬 시퀸스(스킬A, 스킬B, 스킬C)를 사용한 경우, 스테이지1 클리어한 경우 소요된 시간이 15분이라는 결과 로그를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 활동 정보는 게임 목표를 달성하기 위한 캐릭터의 활동에 관련한 정보를 포함할 수 있다. 활동 정보는 사용자 단말로부터 수신된 목표 정보에 기초하여 결정될 수 있다. 예를 들어, 활동 정보는 플레이어에게 캐릭터의 활동에 대한 가이드 정보를 제공하기 위한 정보를 포함하며, 활동 로그를 포함하는 제 1 활동 정보 또는 활동 로그에 기초하여 생성된 제 2 활동 정보 중 적어도 하나를 포함할 수 있다. 활동 정보는 게임 상의 캐릭터의 활동을 야기하기 위한 정보를 포함할 수 있다. 게임 상의 캐릭터의 활동을 야기하기 위한 정보는 사용자로 하여금 캐릭터의 활동을 선택하도록 유도하는 정보를 포함할 수 있다. 또한 게임 상의 캐릭터의 활동을 야기하기 위한 정보는 사용자 단말 상에서 게임 캐릭터가 자동으로 게임 플레이를 수행하도록 하는 정보를 포함할 수 있다. 예를 들어, 게임 캐릭터의 공격, 방어, 스킬 각각의 사용을 야기하기 위한 정보, 게임 캐릭터의 스킬 시퀸스를 플레이어의 캐릭터가 수행하도록 야기하기 위한 정보, 캐릭터의 이동을 야기하기 위한 정보, 게임 시뮬레이션을 수행하기 위한 정보를 포함할 수 있다. 게임 캐릭터의 스킬 시퀸스를 플레이어의 캐릭터가 수행하도록 야기하기 위한 정보는 예를 들어, 스테이지를 클리어하기 위한 스킬 시퀸스를 플레이어의 캐릭터가 수행하도록 야기하기 위한 정보, 스테이지를 최단 시간에 클리어하기 위한 스킬 시퀸스를 플레이어의 캐릭터가 수행하도록 야기하기 위한 정보, 스테이지를 목표 점수로 클리어하기 위한 스킬 시퀸스를 플레이어의 캐릭터가 수행하도록 야기하기 위한 정보를 포함할 수 있다. 캐릭터의 이동을 야기하기 위한 정보는 예를 들어, 스테이지를 클리어하기 위한 이동 경로 정보를 포함할 수 있다. 게임 시뮬레이션을 수행하기 위한 정보는 게임 캐릭터의 스킬 시퀸스를 시뮬레이션하기 위한 정보, 게임 캐릭터의 이동 경로를 시뮬레이션하기 위한 정보, 게임 캐릭터의 특정 스테이지에서의 플레이를 시뮬레이션하기 위한 정보를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 1 활동 정보는 획득한 게임 로그에 포함된 활동 로그의 사용을 야기하기 위한 정보를 포함할 수 있다. 활동 로그는 예를 들어, 스킬 시퀸스를 포함할 수 있다. 제 1 활동 정보는 예를 들어, 활동 로그에 포함된 스킬 시퀸스(예를 들어, 사용자들의 게임 플레이를 통해 기록된 스킬 시퀸스)의 사용을 야기하기 위한 정보를 포함할 수 있다. 따라서 프로세서(110)는 제 1 서브 모델을 이용하여 기존에 사용자들이 플레이하였던 스킬 시퀸스의 사용을 야기하는 정보를 생성할 수 있다. 제 1 활동 정보는 예를 들어, 기존에 사용자들이 특정 스테이지를 클리어한 스킬 시퀸스를 플레이어의 캐릭터가 수행하도록 야기하는 정보를 포함할 수 있다. 따라서 프로세서(110)는 활동 정보 생성 모델을 이용하여 기존에 사용자들이 특정 스테이지를 클리어한 스킬 시퀸스를 플레이어의 캐릭터가 수행하도록 야기하는 제 1 활동 정보를 생성할 수 있다. 제 1 활동 정보는 예를 들어, 기존에 사용자들이 특정 스테이지를 특정 캐릭터를 이용하여 클리어한 스킬 시퀸스를 플레이어의 캐릭터가 수행하도록 야기하는 정보를 포함할 수 있다. 따라서 프로세서(110)는 제 1 서브 모델을 이용하여 기존에 사용자들이 특정 스테이지를 특정 캐릭터를 이용하여 클리어한 스킬 시퀸스를 플레이어의 캐릭터가 수행하도록 야기하는 제 1 활동 정보를 생성할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 2 활동 정보는 활동 로그에 기초하여 생성된 활동 정보를 포함할 수 있다. 제 2 활동 정보는 기존의 활동 로그에 기초하여 새롭게 생성된 활동 정보일 수 있다. 예를 들어, 제 2 활동 정보는 게임의 플레이어들이 수행한 활동 로그에 포함되지 않는 새로운 정보를 포함할 수 있다. 즉, 제 2 활동 정보는 게임 결과를 달성하기 위한 활동 정보를 포함할 수 있으며, 제 2 활동 정보는 기존의 플레이어들이 수행하지 않은 새로운 패턴의 활동 정보를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 활동 정보는 사용자 단말로부터 수신된 목표 정보에 기초하여 결정될 수 있다. 결과 로그는, 게임 상에서 캐릭터의 활동으로 야기된 결과에 대한 기록을 포함할 수 있다. 목표 정보는 결과 로그의 하나 이상의 항목의 속성을 식별하기 위한 정보를 포함할 수 있다. 예를 들어, 결과 로그는 스테이지 클리어 여부, 초당 데미지 등을 항목으로 포함할 수 있다. 목표 정보는 예를 들어, 스테이지 클리어, 초당 데미지 1000 이상 등의 정보를 포함하여, 결과 로그의 하나 이상의 항목의 속성을 식별하기 위한 정보를 포함할 수 있다. 즉, 어떤 스테이지를 클리어 한 결과 로그 만을 선택하고자 하는 경우, 목표 정보는 스테이지 클리어를 결과 로그의 스테이지 클리어 항목의 속성 중 스테이지 클리어 만을 식별하기 위한 정보를 포함할 수 있다. 전술한 목표 정보는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 사용자 단말 요청에 기초하여 사용자가 요청한 목표를 달성할 수 있도록 돕는 활동 정보를 생성할 수 있다. 예를 들어, 목표 정보가 스테이지를 클리어하기 위한 목표 정보인 경우, 활동 정보는 스테이지를 클리어하기 위한 캐릭터의 스킬 시퀸스를 포함할 수 있다. 목표 정보가 스테이지를 최단 시간에 클리어하기 위한 목표 정보 경우, 활동 정보는 스테이지를 최단 시간에 클리어하기 위한 스킬 시퀸스를 포함할 수 있다. 목표 정보가 스테이지를 목표 점수로 클리어하기 위한 목표 정보인 경우, 활동 정보는 스테이지를 목표 점수로 클리어하기 위한 스킬 시퀸스를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
활동 정보는 도 3을 참조하여 후술하여 설명된다.
본 개시의 일 실시예에 따라, 프로세서(110)는 상기 활동 로그 또는 상기 결과 로그 중 적어도 하나를 활동 정보 생성 모델에 입력시켜 활동 정보를 획득할 수 있다. 활동 정보 생성 모델은 제 1 활동 정보를 획득하기 위한 제 1 서브 모델 또는 제 2 활동 정보를 획득하기 위한 제 2 서브 모델 중 적어도 하나를 포함할 수 있다. 제 1 서브 모델 및 제 2 서브 모델은 후술하여 설명된다. 전술한 활동 정보 생성 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 사용자 단말의 요청에 기초하여 결과 정보를 생성할 수 있다. 결과 정보는, 활동 정보를 기초로 게임 상의 캐릭터가 활동한 결과를 예측한 정보를 포함할 수 있다. 예를 들어, 사용자 단말이 제공받은 활동 정보에 기초하여 결과 정보를 요청한 경우, 프로세서(110)는 활동 정보에 기초하여 결과 정보를 생성할 수 있다. 프로세서(110)는 활동 정보를 기초로 게임 시뮬레이션을 수행하여 캐릭터가 활동한 결과를 예측할 수 있다. 예를 들어, 프로세서(110)는 캐릭터A로 스테이지1을 스킬 시퀸스(스킬B, 스킬A, 스킬C)를 사용한 경우 스테이지1을 클리어하는데 소요되는 시간을 결과 정보로 생성할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 활동 정보 생성 모델은, 제 1 활동 정보를 획득하기 위한 확률론적 시퀸스 모델(Probabilistic Sequence Model)을 포함하는 제 1 서브 모델을 포함할 수 있다. 프로세서(110)는 확률론적 시퀸스 모델에 컴포넌트의 시퀸스를 입력한 후, 다음 컴포넌트가 나올 확률 값을 확률론적 시퀸스 모델을 이용하여 획득할 수 있다. 확률론적 시퀸스 모델은 입력되는 복수개의 컴포넌트가 독립적인 경우에 사용되는 유니그램 모형, 입력되는 복수개의 컴포넌트가 각 컴포넌트의 바로 전 컴포넌트와 상관관계를 갖는 경우에 사용되는 바이그램 모델, 복수개의 컴포넌트가 각 컴포넌트의 전에 나타난 모든 컴포넌트와 상관관계가 있는 경우(예를 들어, n 번째 컴포넌트는 1번째부터 n-1번째 컴포넌트와 상관관계 갖는 경우)에 사용되는 N-그램 모델을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 상기 확률론적 시퀸스 모델은, 상기 활동 로그에 포함된 컴포넌트인 복수개의 활동 패턴 각각의 확률 값에 기초하여 상기 활동 정보를 생성하는 모델을 포함할 수 있다. 활동 패턴은 활동 로그에 포함된 컴포넌트를 포함할 수 있다. 예를 들어, 활동 패턴이 스킬이고, 확률론적 시퀸스 모델에 입력된 스킬 시퀸스가 스킬A, 스킬B, 스킬C인 경우, 프로세서(110)는 확률론적 시퀸스 모델을 이용하여 다음 스킬에 대한 확률 값을 획득할 수 있다. 예를 들어 프로세서(110)는 입력된 스킬 시퀸스(스킬A, 스킬B, 스킬C)다음에 나올 스킬C의 확률은 0.3, 스킬D의 확률은 0.6, 스킬E의 확률은 0.1인 확률 값을 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 활동 정보 생성 모델은, 제 2 활동 정보를 획득하기 위한 제 2 서브 모델을 포함할 수 있다. 제 2 활동 정보를 획득하기 위한 제 2 서브 모델은, 활동 로그에 기초하여 제 2 활동 정보를 획득하기 위한 강화학습 모델을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 강화학습 모델은, 활동 로그에서 게임 상태를 획득하고, 게임 상태를 강화학습 모델을 이용하여 연산함으로써 사전결정된 결과 정보를 도출하도록 하는 제 2 활동 정보를 획득하기 위한 모델을 포함할 수 있다. 게임 상태를 강화학습 모델을 이용하여 연산하는 과정은 게임 상태로부터 정책 네트워크(policy network)를 통해 캐릭터의 활동을 결정하고, 게임 상태로부터 가치 네트워크(value network)를 통해 게임 상황을 판단하는 과정을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서, 상기 정책 네트워크는 입력으로 게임 상태가 주어졌을 때 현재 게임 상태에서 취할 수 있는 캐릭터의 활동을 결정하기 위한 네트워크일 수 있다. 따라서 상기 정책 네트워크는 현재 상태가 주어졌을 때, 현재 상태에서 최대 리워드를 획득하기 위한 캐릭터의 활동에 대한 확률을 학습하여 현재 상태에서 취할 수 있는 각각의 캐릭터 활동에 대한 확률 데이터를 저장할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서, 가치 네트워크는 현재 상태 및/또는 정책이 입력으로 주어졌을 때, 가치 함수(Value Function) 값을 예측하는 네트워크일 수 있다. 상기 가치 함수는 입력된 현재 상태와 정책을 기초로 기대되는 미래 리워드들의 총합의 평균일 수 있다. 리워드는 현재 상태에서 어떤 정책을 취했을 때 얻어지는 보상일 수 있다. 정책은 현재 상태에서 최대 리워드를 획득하기 위한 캐릭터의 활동을 선택하도록 하는 전략일 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 사전결정된 결과 정보를 도출하도록 하는 제 2 활동 정보는 현재 상태에서 최대 리워드를 획득하기 위한 캐릭터의 활동을 선택하도록 하는 전략에 기초하여 생성된 활동 정보를 포함할 수 있다. 사전결정된 결과는 리워드가 최대가 되는 결과를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 제 2 서브 모델을 이용하여 제 2 활동 정보를 생성할 수 있다. 프로세서(110)는 제 2 서브 모델을 이용하여 언씬 데이터(획득한 게임 로그에 포함되어 있지 않는 데이터)를 포함하는 제 2 활동 정보를 생성할 수 있다. 예를 들어, 언씬 데이터가 스킬 시퀸스(스킬B, 스킬A, 스킬C)를 포함하고 있는 경우, 프로세서(110)는 제 2 서브 모델을 이용하여 입력 받은 게임 상태에 대해 언씬 데이터인 스킬 시퀸스(스킬B, 스킬A, 스킬C)를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 2 서브 모델을 강화학습시키기 위해 프로세서(110)는 강화학습을 위한 상태, 액션, 리워드를 결정할 수 있다.
상태는 예를 들어 현재 게임 상태를 포함할 수 있다. 현재 게임 상태는 게임 로그로부터 획득될 수 있다. 현재 게임 상태는 예를 들어 사용한 스킬 시퀸스, 현재 게임 플레이를 수행하는 스테이지, 캐릭터의 현재 상태(예를 들어, 캐릭터의 착용 아이템, 캐릭터의 체력, 마력) 등을 포함할 수 있으나, 본 개시는 이에 제한되지 않는다.
액션은 플레이어의 캐릭터가 수행할 수 있는 게임 상의 액션을 포함할 수 있으며, 예를 들어, 캐릭터가 사용 가능한 스킬, 캐릭터의 이동, 캐릭터의 공격, 방어 등을 포함할 수 있으나 본 개시는 이에 제한되지 않는다.
리워드는 결과 정보를 포함할 수 있다. 리워드는 예를 들어, 스테이지를 클리어했는지 여부, 스테이지 클리어한 시간이 단축되었는지 여부, 게임 플레이를 통해 획득한 점수가 증가하였는지 여부에 기초하여 결정될 수 있다. 예를 들어, 입력된 상태, 액션을 통해 스테이지를 클리어한 경우 리워드를 증가시킬 수 있다. 또한 입력된 상태, 액션을 통해 스테이지를 클리어한 시간이 단축된 경우 리워드를 증가시킬 수 있다. 입력된 상태, 액션을 통해 게임 플레이를 통해 획득한 점수가 증가한 경우 리워드를 증가시킬 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
예를 들어, 프로세서(110)가 스킬 시퀸스(스킬B, 스킬A, 스킬C)를 게임 상태로 입력 받은 경우, 선택 가능한 스킬은 스킬A, 스킬D, 스킬E일 수 있다. 강화학습 개념을 적용하면 스킬 시퀸스(스킬B, 스킬A, 스킬C)는 상태에 대응되고, 각각의 스킬A, 스킬D, 스킬E는 액션에 대응된다. 프로세서(110)는 강화학습을 통해 리워드가 최대화되는 스킬을 선택할 수 있으며, 스킬D가 리워드(예를 들어, 초당 데미지)를 최대화시키는 스킬인 경우, 스킬D를 다음 스킬로 선택할 수 있다. 프로세서는 이러한 스킬 시퀸스를 종합하여, 제 2 활동 정보를 생성할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시에 따라 제 2 서브 모델이 강화학습 모델을 포함함으로써, 프로세서(110)가 획득한 게임 로그에 포함되지 않는 언씬 데이터도 생성할 수 있으며, 최적의 활동 정보에 대한 결과를 획득할 수 있다. 따라서 강화학습 모델을 이용하여 더 다양하고 풍부한 활동 정보를 생성해 냄으로써, 사용자의 게임 상황에 맞는 활동 정보를 제공하여 사용자의 게임에 대한 흥미를 증진시킬 수 있다.
본 개시의 일 실시예에 따라, 강화학습 모델은, 근사 가치 함수를 이용하여 제 2 활동 정보를 획득하기 위한 모델을 포함할 수 있다. 본 개시의 일 실시예에 따라, 근사 가치 함수는, 실제 가치 함수와 근사 가치 함수의 차이를 줄이도록 학습된 파라미터를 이용하여, 활동 로그에서 획득한 게임 상태를 입력 받아 실제 가치 함수와 근사한 값을 산출하는 함수를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
근사 가치 함수는 도 6a 및 도 6b를 참조하여 후술하여 설명된다.
본 개시의 일 실시예에 따라, 프로세서(110)는 사용자 단말의 요청에 기초하여 활동 정보를 제공할 수 있다.
본 개시의 일 실시예에 따라, 프로세서(110)는 사용자 단말의 요청에 기초하여 활동 정보를 제공할 수 있다. 활동 정보는 사용자 단말의 게임 화면에서 사용자가 적어도 하나 이상의 스킬을 상기 활동 정보에 기초하여 선택하도록 하는 그래픽 표현을 야기할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
사용자 단말의 게임 화면에서 사용자가 적어도 하나 이상의 스킬을 상기 활동 정보에 기초하여 선택하도록 야기하는 동작은 도3을 참조하여 후술하여 설명된다.
본 개시의 일 실시예에 따라, 프로세서(110)는 활동 정보를 사용자 단말에 전달함으로써 사용자 단말 상에서 수행되는 게임 상의 캐릭터 동작을 야기할 수 있다. 사용자 단말은 제공받은 활동 정보에 기초하여 게임 상의 캐릭터가 사용자의 입력 신호 없이 자동으로 게임 플레이를 수행할 수 있도록 할 수 있다. 예를 들어, 사용자 단말에서 수행되는 게임은 게임의 일부 컨텐츠에 대하여 자동 수행(예를 들어, 자동 사냥 등)이 가능한 게임일 수 있다. 예를 들어, 제공받은 활동 정보에 스킬 시퀸스를 플레이어의 캐릭터가 수행하도록 야기하는 정보가 포함되어 있는 경우, 사용자 단말은 제공받은 활동 정보에 기초하여 게임 상의 게임 캐릭터가 해당 스킬 시퀸스에 따라 자동으로 게임 플레이를 수행하도록 할 수 있다. 제공받은 활동 정보에 캐릭터의 이동을 야기하는 정보가 포함되어 있는 경우, 프로세서(110)는 게임 상의 게임 캐릭터가 이동을 야기하는 정보에 기초하여 이동하도록 할 수 있다. (예를 들어, 스테이지를 클리어 하기 위한 최단 경로에 따라 이동) 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
게임에서는 스킬의 능숙한 사용 유무는 게임의 진행을 원할하게 하는 중요한 요소이다. 스킬의 능숙한 사용 유무에 따라 게임의 승패가 결정될 수 있고, 나아가 사용자의 게임에 대한 흥미를 증가시킬 수도 있다. 따라서 스킬의 능숙한 사용 시퀸스를 분석하여 사용자에게 제공함으로써, 게임에 익숙하지 않은 사용자들도 게임을 원할하게 수행할 수 있어 게임에 대한 흥미가 증가할 수 있다.
본 개시에 따라, 활동 정보 생성 모델을 이용하여 활동 정보(예를 들어, 스킬 시퀸스)를 사용자에게 제공함으로써, 게임에 익숙하지 않는 사용자들도 게임을 원할하게 수행할 수 있다. 또한 활동 정보 생성 모델을 통해 획득하는 활동 정보는 방대한 양의 게임 데이터를 기초로 분석한 결과를 가지고 생성된 것이므로, 사용자들의 활동 정보에 대한 신뢰도가 높을 수 있다. 또한 효율적인 활동 정보를 폐쇄적인 커뮤니티에서만 일부 공유되는 것이 아니라 모든 유저가 공유하도록 함으로써, 공유되었던 활동 정보가 효율적인지에 대한 검증을 명확한 기준을 통해 수행할 수 있어 정보의 왜곡 및 편향이 없는 활동 정보를 사용자에게 제공할 수 있다.
도 2는 본 개시의 일 실시예에 따라 게임 데이터를 처리하기 위한 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 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. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 파라미터를 가질 수 있다. 파라미터는 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 파라미터에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 파라미터의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 파라미터 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 2의 예시에서는 차원 감소 레이어와 차원 복원 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 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 파라미터를 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 파라미터가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 파라미터는 학습률(learning 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(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
도 3은 본 개시의 일 실시예에 따라 활동 정보를 제공하는 방법을 설명하기 위한 예시도이다.
도 3에서 참조번호 310은 스킬 버튼이 위치한 영역을 표시하고 있다. 스킬 버튼이 위치한 영역에는 스킬A 버튼(311), 스킬B 버튼(313), 스킬C 버튼(315), 스킬D 버튼(317)이 도시되어 있다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 활동 정보 생성 모델을 이용하여 활동 정보를 생성할 수 있다. 컴퓨팅 장치(100)는 사용자 단말의 요청에 기초하여 활동 정보를 제공할 수 있다. 활동 정보는 게임 상의 캐릭터의 활동을 야기하기 위한 정보를 포함할 수 있다. 게임 상의 캐릭터의 활동을 야기하기 위한 정보는 사용자로 하여금 캐릭터의 활동을 선택하도록 유도하는 정보를 포함할 수 있다. 사용자는 제공받은 활동 정보를 기초로 게임 플레이를 할 수 있다. 예를 들어, 활동 정보는 스킬 시퀸스를 사용하도록 야기하는 정보를 포함할 수 있다. 스킬 시퀸스를 사용하도록 야기하는 정보는 사용자로 하여금 해당 스킬 시퀸스를 선택하도록 유도하는 정보를 포함할 수 있다. 예를 들어, 해당 스킬 시퀸스는 스킬A, 스킬B, 스킬D, 스킬C를 포함할 수 있다. 사용자 단말은 활동 정보에 기초하여 스킬 시퀸스 스킬A, 스킬B, 스킬D, 스킬C를 사용자가 순차적으로 선택하도록 유도하기 위해 스킬A 버튼(311), 스킬B 버튼(313), 스킬D 버튼(317), 스킬C 버튼(315)을 순차적으로 사용자의 시각을 자극하는 방법(예를 들어, 버튼에 하이라이트 표시)으로 표시할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 활동 정보 생성 모델을 이용하여 활동 정보를 생성할 수 있다. 컴퓨팅 장치(100)는 사용자 단말의 요청에 기초하여 활동 정보를 제공할 수 있다. 활동 정보는 게임 결과를 달성하기 위한 캐릭터의 활동에 관련한 정보를 포함할 수 있다. 활동 정보는 게임 상의 캐릭터의 활동을 야기하기 위한 정보를 포함할 수 있다. 게임 상의 캐릭터의 활동을 야기하기 위한 정보는 사용자 단말 상에서 게임 캐릭터가 자동으로 게임 플레이를 수행하도록 하는 정보를 포함할 수 있다. 예를 들어, 활동 정보는 스킬 시퀸스를 플레이어의 캐릭터가 수행하도록 야기하는 정보를 포함할 수 있다. 스킬 시퀸스를 플레이어의 캐릭터가 수행하도록 야기하는 정보는 사용자의 입력 신호 없이 캐릭터가 자동으로 해당 스킬 시퀸스를 사용하여 게임 플레이를 수행하도록 야기하는 정보를 포함할 수 있다. 스킬 시퀸스를 사용하도록 야기하는 활동 정보는 해당 스킬 시퀸스를 사용하여 게임 자동 플레이를 수행하기 위한 명령어를 포함할 수 있다. 따라서 활동 정보에 포함된 스킬 시퀸스가 스킬A, 스킬B, 스킬D, 스킬C인 경우, 사용자 단말은 활동 정보에 기초하여 게임 상에서 게임 캐릭터가 스킬A, 스킬B, 스킬D, 스킬C를 사용하여 게임 플레이를 자동으로 수행하도록 제어할 수 있다. 게임 플레이가 자동으로 수행되는 경우, 사용자 단말 상의 게임 화면에 자동 전투(330)가 표시되어, 사용자 단말은 자동 전투 모드임을 표시할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 결과 정보를 생성할 수 있다. 결과 정보는, 활동 정보를 기초로 게임 상의 캐릭터가 활동한 결과를 예측한 정보를 포함할 수 있다. 컴퓨팅 장치(100)는 활동 정보를 기초로 게임 시뮬레이션을 수행하여 캐릭터가 활동한 결과를 예측할 수 있다. 예를 들어, 활동 정보는 게임 캐릭터가 스킬A, 스킬B, 스킬D, 스킬C 순서대로 사용하도록 야기하는 정보를 포함할 수 있다. 이를 통해, 컴퓨팅 장치(100)는 캐릭터가 스킬A, 스킬B, 스킬D, 스킬C를 순서대로 사용한 경우의 결과 정보를 획득할 수 있다. 스킬A, 스킬B, 스킬D, 스킬C를 순서대로 사용하는 시뮬레이션 결과가 참조번호 350에 도시된 바와 같이 데미지가 각각 585, 590, 591, 576인 경우, 컴퓨팅 장치(100)는 스킬A, 스킬B, 스킬D, 스킬C를 사용하면 데미지가 각각 585, 590, 591, 576을 발생시킨다는 예측을 포함하는 결과 정보를 생성할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 4는 본 개시의 일 실시예에 따라 캐릭터 정보에 기초하여 활동 정보를 제공하는 방법을 설명하기 위한 예시도이다.
도 4는 복수개의 캐릭터 및 각각의 캐릭터 정보를 도시하고 있다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 사용자 단말의 요청에 기초하여 활동 정보를 제공할 수 있다. 사용자 단말의 요청은 목표 정보를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 사용자 단말의 요청은 사용자가 선택한 캐릭터를 기초한 활동 정보의 생성 요청을 포함할 수 있다. 즉 예를 들어, 목표 정보는 사용자가 선택한 캐릭터를 사용하여 스테이지 클리어 일 수 있다. 예를 들어 사용자 단말의 요청은 토르(410) 캐릭터를 기초로 생성된 활동 정보 요청을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 사용자 단말의 요청은 스테이지를 클리어하기 위하여 게임 내에서 수행하여야 하는 동작에 관한 활동 정보의 생성 요청을 포함할 수 있다. 따라서 사용자 단말의 요청이 토르(410) 캐릭터로 스테이지를 클리어하기 위한 활동 정보의 생성 요청인 경우, 컴퓨팅 장치(100)는 토르(410) 캐릭터로 스테이지를 클리어하기 위한 활동 정보를 생성할 수 있다. 전술한 바와 같이 활동 정보는 플레이어의 캐릭터가 활도 정보의 활동 패턴을 수행하도록 야기하는 정보를 포함할 수 있다. 예를 들어, 토르(410) 캐릭터로 스테이지를 클리어하기 위한 스킬 시퀸스는 스킬A, 스킬B, 스킬D, 스킬C의 순차적 사용일 수 있다. 이 경우 컴퓨팅 장치(100)는 전술한 스킬 시퀸스를 포함하는 활동 정보를 생성하여 사용자 단말에게 제공할 수 있다. 사용자 단말은 전술한 스킬 시퀸스를 포함하는 활동 정보에 기초하여 사용자의 스킬A, 스킬B, 스킬D, 스킬C의 순차적 사용을 유도하기 위하여 스킬 버튼들에 대한 시각 효과를 제공할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 사용자 단말의 요청에 기초하여 활동 정보를 제공할 수 있다. 사용자 단말의 요청은 자동 전투를 위한 활동 정보 생성 요청을 포함할 수 있다. 예를 들어, 사용자 단말의 요청은 헬라(430) 캐릭터를 이용하여 스테이지를 클리어하기 위하여 수행하여야 하는 동작에 대한 활동 정보 요청을 포함할 수 있다. 따라서 컴퓨팅 장치(100)는 헬라(430) 캐릭터를 이용하여 스테이지를 클리어하는 자동 전투를 수행하는 활동 정보를 생성하여 사용자 단말에게 제공할 수 있다. 사용자 단말은 활동 정보에 기초하여 자동 전투를 수행할 수 있다. 예를 들어, 활동 정보가 스킬 시퀸스를 플레이어의 캐릭터가 수행하도록 야기하는 정보를 포함하는 경우, 헬라(430) 캐릭터로 스테이지를 클리어하기 위한 스킬 시퀸스는 스킬A, 스킬F, 스킬D, 스킬C를 포함할 수 있다. 따라서 사용자 단말은 스테이지를 클리어하기 위한 활동 정보에 기초하여 스킬 시퀸스(스킬A, 스킬F, 스킬D, 스킬C)를 사용하여 플레이어의 캐릭터의 자동 전투를 수행할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 사용자 단말의 요청에 기초하여 활동 정보를 제공할 수 있다. 사용자 단말의 요청은 사용자가 선택한 복수개의 캐릭터조합을 기초로 생성된 활동 정보 요청을 포함할 수 있다. 예를 들어, 사용자 단말의 요청은 토르(410) 캐릭터, 헬라(430) 캐릭터, 안젤라(450) 캐릭터를 사용하여 스테이지 클리어를 수행하는 활동 정보 생성 요청을 포함할 수 있다. 캐릭터의 조합에 따라 각 캐릭터의 활동 정보가 달라질 수 있다. 따라서 캐릭터 조합이 토르(410) 캐릭터, 헬라(430) 캐릭터, 안젤라(450) 캐릭터인 경우, 스테이지를 클리어 하기 위한 토르(410) 캐릭터의 활동 정보가 변경될 수 있다. 예를 들어, 토르(410) 캐릭터 단독으로 게임 플레이하는 경우, 최적의 스킬 시퀸스는 스킬A, 스킬B, 스킬D, 스킬C일 수 있다. 하지만 캐릭터 조합이 토르(410) 캐릭터, 헬라(430) 캐릭터, 안젤라(450) 캐릭터인 경우, 토르(410) 캐릭터의 최적의 스킬 시퀸스는 스킬A, 스킬C, 스킬B, 스킬D로 변경될 수 있다. 따라서 컴퓨팅 장치(100)는 캐릭터 조합을 고려하여 활동 정보를 생성할 수 있다. 이를 통해, 다양한 경우의 수가 존재하는 게임 상황에 더욱 적합한 활동 정보를 생성하여 사용자의 능숙한 게임 플레이를 도움으로써 사용자의 게임에 대한 흥미가 증가할 수 있다.
도 5는 본 개시의 일 실시예에 따라 게임 환경 정보에 기초하여 활동 정보를 제공하는 방법을 설명하기 위한 예시도이다.
도 5는 게임 환경 정보에 포함된 스테이지를 도시하고 있다.
본 개시의 일 실시예에 따라, 사용자 단말은 게임에서 달성하고자 하는 목표 정보를 컴퓨팅 장치(100)에 전송함으로써, 컴퓨팅 장치(100)로부터 목표를 달성하기 위하여 수행되어야 할 행동 정보를 수신할 수 있다. 사용자 단말은 게임에서 달성하고자 하는 목표를 컴퓨팅 장치로 요청할 수 있다. 게임에서 달성하고자 하는 목표는 결과 로그의 항목의 속성을 식별하는 정보일 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 사용자 단말의 활동 정보 요청은 사용자가 선택한 게임 환경에서 목표 정보를 달성하기 위한 활동 정보 요청을 포함할 수 있다. 예를 들어, 활동 정보 요청은 목표 정보에 기초한 활동 정보 요청을 포함할 수 있다. 예를 들어, 목표 정보는 캐릭터, 스테이지, 난이도 등을 포함할 수 있다. 즉, 본 예시에서 예를 들어, 사용자 단말의 활동 정보 요청은 특정 캐릭터를 사용하는 경우의 활동 정보(예를 들어, A캐릭터를 이용한 스테이지 클리어), 특정 스테이지를 클리어 하기 위한 활동 정보(예를 들어, A 및 B 캐릭터의 스테이지 입장 등)을 포함할 수 있다.
본 개시의 일 실시예에 따라, 사용자 단말의 요청이 토르(410) 캐릭터를 이용하여 스테이지2(510)를 클리어하기 위한 활동 정보 생성 요청을 포함하는 경우, 컴퓨팅 장치(100)는 토르(410) 캐릭터를 이용하여 스테이지2(510)를 클리어하기 위한 활동 정보를 생성할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 사용자 단말의 요청이 헬라(430) 캐릭터를 이용하여 스테이지5(530)를 최단 시간에 클리어하기 위한 활동 정보 생성 요청을 포함하는 경우, 컴퓨팅 장치(100)는 헬라(430) 캐릭터를 이용하여 스테이지5(530)를 최단 시간에 클리어하기 위한 활동 정보를 생성할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 사용자 단말의 요청이 안젤라(450) 캐릭터를 이용하여 스테이지7(550)을 게임 플레이를 통해 가장 높은 스코어를 획득하기 위한 활동 정보 생성 요청인 경우, 컴퓨팅 장치(100)는 안젤라(450) 캐릭터를 이용하여 스테이지7(550)를 최단 시간에 클리어하기 위한 활동 정보를 생성할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 활동 정보는 스테이지 난이도에 기초하여 달라질 수 있다. 예를 들어, 스테이지2(510)는 난이도 하, 스테이지5(530)는 난이도 중, 스테이지7(550)은 난이도 상인 경우, 컴퓨팅 장치(100)는 난이도에 따라 활동 정보를 각각 생성할 수 있다. 사용자 요청이 난이도 상인 스테이지7(550)을 클리어하기 위한 요청인 경우, 컴퓨팅 장치(100)는 헬라(430) 및 안젤라(450) 캐릭터를 이용하여 해당 스테이지에 입장할 것과, 각각의 캐릭터의 최적의 스킬 시퀸스를 포함하는 활동 정보를 생성할 수 있다. 사용자 요청이 난이도 중인 스테이지5(530)를 최단시간 클리어하기 위한 요청인 경우, 헬라(430) 캐릭터를 이용하여 해당 스테이지에 입장할 것과 헬라 케릭터의 최적의 스킬 시퀸스 및 이동 경로를 포함하는 활동 정보를 생성할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시에 따라, 스테이지에 따라 활동 정보 생성을 달리함으로써, 사용자가 게임을 플레이함에 있어 큰 영향을 미치는 스테이지 난이도에 적합한 활동 정보를 생성할 수 있다. 따라서 다양한 게임 환경에서도 사용자에게 적합한 활동 정보를 제공함으로써, 게임에 익숙하지 않아 게임 이탈 위험성이 있는 사용자도, 능숙하게 게임 플레이를 진행할 수 있어, 게임 플레이를 즐기는 사용자 수를 유지하거나 증가시킬 수 있다.
도 6a 및 도 6b는 본 개시의 일 실시예에 따라 근사 가치 함수를 설명하기 위한 예시도이다.
도 6a는 상태, 액션 쌍에 대한 실제 가치 함수 값(610)을 도시하고 있다. 컴퓨팅 장치(100)는 메모리(130)에 모든 상태, 액션 쌍에 대한 실제 가치 함수 값(610)을 저장할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 6b는 상태, 액션 쌍에 대한 근사 가치 함수 값(751)을 도시하고 있다. 참조번호 700번의 그래프에서, x축을 상태, 액션 쌍, y축은 가치 함수 값을 나타낼 수 있다. 참조번호 700번의 그래프에서 참조번호 710번은 상태, 액션 쌍에 대한 실제 가치 함수 값(610)을 나타낼 수 있다. 참조번호 730번은 근사 가치 함수의 그래프를 나타낼 수 있다. 컴퓨팅 장치(100)는 메모리(130)에 모든 상태, 액션 쌍에 대한 실제 가치 함수 값(610)이 아닌, 파라미터w(755)만 저장할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 근사 가치 함수는 실제 가치 함수(true value function)와 근사 가치 함수의 차이를 줄이도록 학습된 파라미터w(755)를 이용하여, 활동 로그에서 획득한 게임 상태를 입력 받아 실제 가치 함수와 근사한 값을 산출하는 함수를 포함할 수 있다. 예를 들어, 근사 가치 함수가 f(x) = ax4 +bx3 + cx2 + dx + e 인 경우, x는 상태, 액션 쌍, f(x)는 근사 가치 함수 값, a, b, c, d, e는 파라미터w(755)에 포함된 파라미터일 수 있다. 컴퓨팅 장치(100)는 학습 과정을 통해 a, b, c, d, e 값을 반복적으로 업데이트 함으로써(예를 들어, 경사 하강법을 사용한 업데이트) 근사 가치 함수 값 f(x)와 실제 가치 함수 값의 차이를 줄여 나갈 수 있다. 이를 통해 컴퓨팅 장치(100)는 모든 상태, 액션 쌍에 대한 가치 함수 값을 메모리(130)에 저장하지 않더라도, 파라미터w(755)를 통해 근사 가치 함수 값을 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
게임에 입력될 수 있는 상태, 액션 쌍은 무수히 많을 수 있다. 예를 들어, 상태는 스킬 시퀸스의 수에 기초하여 결정될 수 있다. 스킬 수가 100가지이고 스킬 시퀸스의 길이가 1010인 경우 상태는 1012가지 상태를 포함할 수 있다. 또한 액션은 캐릭터의 공격, 방어, 이동, 스킬을 포함하여 1010가지 액션을 존재할 수 있다. 종합하면 상태, 액션 쌍은 1022 개에 해당하여 메모리(130)는 1022 개의 가치 함수를 저장할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)가 근사 가치 함수를 이용함으로써, 메모리(130)에 모든 상태, 액션 쌍에 대한 가치 함수 값이 아닌 파라미터를 저장하여 높은 저장 공간 효율성을 도모할 수 있다. 따라서 수많은 경우의 수가 존재하는 게임 특성 상, 대규모 데이터를 이용하여 강화학습을 수행해야할 수 있다. 대규모 데이터를 이용하여 강화학습을 수행하는 경우 근사 가치 함수를 이용하여 빠른 시간 내에 원하는 활동 정보를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
게임에서는 수많은 게임 상태가 존재하고 수많은 액션을 선택할 수 있다. 본 개시에 따라, 근사 가치 함수를 사용함으로써, 방대한 양의 게임 데이터를 효율적으로 처리하여 적은 연산량으로 활동 정보를 획득할 수 있다.
도 7은 본 개시의 일 실시예에 따라 게임 데이터를 처리하는 방법의 순서도이다.
컴퓨팅 장치(100)는 게임 로그를 획득(810)할 수 있다.
컴퓨팅 장치(100)는 상기 게임 로그에서 활동 로그 및 결과 로그를 추출(820)할 수 있다.
본 개시의 일 실시예에서, 상기 활동 로그는, 게임 상에서 캐릭터의 활동 기록, 캐릭터의 정보 또는 게임 환경 정보 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에서, 상기 결과 로그는, 게임 상에서 캐릭터의 활동으로 야기된 결과에 대한 기록을 포함할 수 있다.
본 개시의 일 실시예에서, 상기 활동 정보는, 상기 활동 로그를 포함하는 제 1 활동 정보 또는 상기 활동 로그에 기초하여 생성된 제 2 활동 정보 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에서, 상기 활동 정보는, 상기 목표 정보에 기초하여 결정된 활동 정보를 포함하고, 상기 목표 정보는 사용자 단말의 요청에 기초하여 결정된 값을 포함할 수 있다.
컴퓨팅 장치(100)는 상기 활동 로그 또는 상기 결과 로그 중 적어도 하나를 활동 정보 생성 모델에 입력시켜 활동 정보를 획득(830)할 수 있다.
본 개시의 일 실시예에서, 상기 활동 정보 생성 모델은, 제 1 활동 정보를 획득하기 위한 확률론적 시퀸스 모델을 포함하는 제 1 서브 모델을 포함할 수 있다.
본 개시의 일 실시예에서, 상기 확률론적 시퀸스 모델은, 상기 활동 로그에 포함된 컴포넌트인 복수개의 활동 패턴 각각의 확률 값에 기초하여 상기 활동 정보를 생성하는 모델을 포함할 수 있다.
본 개시의 일 실시예에서, 상기 활동 정보 생성 모델은, 제 2 활동 정보를 획득하기 위한 제 2 서브 모델을 포함하고, 제 2 활동 정보를 획득하기 위한 제 2 서브 모델은, 상기 활동 로그에 기초하여 제 2 활동 정보를 획득하기 위한 강화학습 모델을 포함할 수 있다.
본 개시의 일 실시예에서, 상기 강화학습 모델은, 상기 활동 로그에서 게임 상태를 획득하고, 상기 게임 상태를 강화학습 모델을 이용하여 연산함으로써 사전결정된 결과 정보를 도출하도록 하는 제 2 활동 정보를 획득하기 위한 모델을 포함할 수 있다.
본 개시의 일 실시예에서, 상기 강화학습 모델은, 근사 가치 함수를 이용하여 제 2 활동 정보를 획득하기 위한 모델을 포함할 수 있다.
컴퓨팅 장치(100)는 사용자 단말의 요청에 기초하여 활동 정보를 제공(840)할 수 있다.
본 개시의 일 실시예에서, 상기 근사 가치 함수는, 실제 가치 함수와 근사 가치 함수의 차이를 줄이도록 학습된 파라미터를 이용하여, 활동 로그에서 획득한 게임 상태를 입력 받아 실제 가치 함수와 근사한 값을 산출하는 함수를 포함할 수 있다.
본 개시에 따라, 획득한 활동 로그에 포함된 제 1 활동 정보 및 획득한 활동 로그에 기초하여 생성된 제 2 활동 정보를 사용자에게 제공함으로써, 사용자가 게임을 원할하게 수행하여 게임에서 이탈하지 않고 더욱 더 게임에 대해 흥미를 느낄 수 있도록 할 수 있다.
도 8은 본 개시의 일 실시예에 따라 게임 데이터를 처리하기 위한 모듈을 도시한 블록 구성도이다.
본 개시의 일 실시예에 따라 게임 데이터 처리는 다음과 같은 모듈에 의해 구현될 수 있다.
본 개시의 일 실시예에 따라, 게임 로그를 획득하기 위한 모듈(910), 상기 게임 로그에서 활동 로그 및 결과 로그를 추출하기 위한 모듈(920), 상기 활동 로그 또는 상기 결과 로그 중 적어도 하나를 활동 정보 생성 모델에 입력시켜 활동 정보를 획득하기 위한 모듈(930) 및 사용자 단말의 요청에 기초하여 활동 정보를 제공하기 위한 모듈(940)에 의하여 구현될 수 있다.
게임 데이터 처리의 대안적 실시예에서, 사용자 단말의 요청에 기초하여 결과 정보를 생성하기 위한 모듈을 더 포함할 수 있다. 상기 결과 정보는, 상기 활동 정보를 기초로 게임 상의 캐릭터가 활동한 결과를 예측한 정보를 포함할 수 있다.
게임 데이터 처리의 대안적 실시예에서, 사용자 단말의 요청에 기초하여 활동 정보를 제공하기 위한 모듈(940)은 사용자 단말의 게임 화면에서 사용자가 적어도 하나 이상의 스킬을 상기 활동 정보에 기초하여 선택하도록 야기하기 위한 모듈을 포함할 수 있다.
게임 데이터 처리의 대안적 실시예에서, 상기 제공받은 활동 정보에 기초하여 게임 상의 캐릭터 동작을 야기하기 위한 모듈을 더 포함할 수 있다.
본 개시의 일 실시예에 따르면 게임 데이터를 처리하기 위한 모듈은, 컴퓨팅 장치를 구현하기 위한 수단, 회로 또는 로직에 의하여 구현될 수도 있다. 당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
도 9은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치(100)에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 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 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 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 데이터 등을 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 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (16)

  1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 게임 데이터를 처리하기 위한 이하의 동작을 수행하도록 하며, 상기 동작은,
    게임 로그를 획득하는 동작;
    상기 게임 로그에서 활동 로그 및 결과 로그를 추출하는 동작;
    상기 활동 로그 또는 상기 결과 로그 중 적어도 하나를 활동 정보 생성 모델에 입력시켜 활동 정보를 획득하는 동작; 및
    사용자 단말의 요청에 기초하여 활동 정보를 제공하는 동작;
    을 포함하고,
    상기 활동 로그는,
    게임 상에서 캐릭터의 활동에 관련된 기록을 포함하고,
    상기 활동 정보는,
    게임 목표를 달성하기 위한 상기 캐릭터의 활동에 관련한 정보이고, 상기 캐릭터의 플레이어가 수행하지 않은 새로운 패턴의 활동에 대한 신규 활동 정보를 포함하고,
    상기 신규 활동 정보는,
    상기 활동 로그에 기초하여 생성되는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  2. 제 1 항에 있어서,
    상기 활동 로그는,
    상기 게임 상에서 상기 캐릭터의 활동 기록, 상기 캐릭터의 정보 또는 게임 환경 정보 중 적어도 하나를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  3. 제 1 항에 있어서,
    상기 결과 로그는,
    상기 게임 상에서 상기 캐릭터의 활동으로 야기된 결과에 대한 기록을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  4. 제 1 항에 있어서,
    상기 활동 정보는,
    상기 활동 로그를 포함하는 제 1 활동 정보 또는 상기 신규 활동 정보 중 적어도 하나를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  5. 제 1 항에 있어서,
    상기 활동 정보는,
    사용자 단말로부터 수신된 목표 정보에 기초하여 결정되는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  6. 제 1 항에 있어서,
    사용자 단말의 요청에 기초하여 결과 정보를 생성하는 동작;
    을 더 포함하고,
    상기 결과 정보는,
    상기 활동 정보를 기초로 상기 게임 상의 상기 캐릭터가 활동한 결과를 예측한 정보를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  7. 제 1 항에 있어서,
    상기 활동 정보 생성 모델은,
    제 1 활동 정보를 획득하기 위한 확률론적 시퀸스 모델(Probabilistic Sequence Model)을 포함하는 제 1 서브 모델을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  8. 제 7 항에 있어서,
    상기 확률론적 시퀸스 모델은,
    상기 활동 로그에 포함된 컴포넌트인 복수개의 활동 패턴 각각의 확률 값에 기초하여 상기 활동 정보를 생성하는 모델인,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  9. 제 1 항에 있어서,
    상기 활동 정보 생성 모델은,
    상기 신규 활동 정보를 획득하기 위한 제 2 서브 모델을 포함하고,
    상기 신규 활동 정보를 획득하기 위한 상기 제 2 서브 모델은,
    상기 활동 로그에 기초하여 상기 신규 활동 정보를 획득하기 위한 강화학습 모델을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  10. 제 9 항에 있어서,
    상기 강화학습 모델은,
    상기 활동 로그에서 게임 상태를 획득하고, 상기 게임 상태를 강화학습 모델을 이용하여 연산함으로써 사전결정된 결과 정보를 도출하도록 하는 상기 신규 활동 정보를 획득하기 위한 모델을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  11. 제 9 항에 있어서,
    상기 강화학습 모델은,
    근사 가치 함수(value function approximator)를 이용하여 상기 신규 활동 정보를 획득하기 위한 모델을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  12. 제 11 항에 있어서,
    상기 근사 가치 함수는,
    실제 가치 함수(true value function)와 상기 근사 가치 함수의 차이를 줄이도록 학습된 파라미터를 이용하여, 상기 활동 로그에서 획득한 게임 상태를 입력 받아 실제 가치 함수와 근사한 값을 산출하는 함수를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  13. 제 1 항에 있어서,
    상기 사용자 단말의 요청에 기초하여 상기 활동 정보를 제공하는 동작은,
    상기 사용자 단말의 게임 화면에서 사용자가 적어도 하나 이상의 스킬을 상기 활동 정보에 기초하여 선택하도록 야기하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  14. 제 1 항에 있어서,
    상기 제공받은 활동 정보에 기초하여 게임 상의 캐릭터 동작을 야기하는 동작;
    을 더 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  15. 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 게임 데이터 처리 방법은,
    게임 로그를 획득하는 단계;
    상기 게임 로그에서 활동 로그 및 결과 로그를 추출하는 단계;
    상기 활동 로그 또는 상기 결과 로그 중 적어도 하나를 활동 정보 생성 모델에 입력시켜 활동 정보를 획득하는 단계; 및
    사용자 단말의 요청에 기초하여 활동 정보를 제공하는 단계;
    를 포함하고,
    상기 활동 로그는,
    게임 상에서 캐릭터의 활동에 관련된 기록을 포함하고,
    상기 활동 정보는,
    게임 목표를 달성하기 위한 상기 캐릭터의 활동에 관련한 정보이고, 상기 캐릭터의 플레이어가 수행하지 않은 새로운 패턴의 활동에 대한 신규 활동 정보를 포함하고,
    상기 신규 활동 정보는,
    상기 활동 로그에 기초하여 생성되는,
    게임 데이터 처리 방법.
  16. 게임 데이터를 처리하기 위한 컴퓨팅 장치로서,
    하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서에서 실행 가능한 명령들을 저장하는 메모리;
    를 포함하고,
    상기 하나 이상의 프로세서는,
    게임 로그를 획득하고,
    상기 게임 로그에서 활동 로그 및 결과 로그를 추출하고,
    상기 활동 로그 또는 상기 결과 로그 중 적어도 하나를 활동 정보 생성 모델에 입력시켜 활동 정보를 획득하고, 그리고
    사용자 단말의 요청에 기초하여 활동 정보를 제공하고,
    상기 활동 로그는,
    게임 상에서 캐릭터의 활동에 관련된 기록을 포함하고,
    상기 활동 정보는,
    게임 목표를 달성하기 위한 상기 캐릭터의 활동에 관련한 정보이고, 상기 캐릭터의 플레이어가 수행하지 않은 새로운 패턴의 활동에 대한 신규 활동 정보를 포함하고,
    상기 신규 활동 정보는,
    상기 활동 로그에 기초하여 생성되는,
    게임 데이터를 처리하기 위한 컴퓨팅 장치.
KR1020190075169A 2019-06-24 2019-06-24 게임 데이터 처리 방법 KR102259786B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190075169A KR102259786B1 (ko) 2019-06-24 2019-06-24 게임 데이터 처리 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190075169A KR102259786B1 (ko) 2019-06-24 2019-06-24 게임 데이터 처리 방법

Publications (2)

Publication Number Publication Date
KR20210000181A KR20210000181A (ko) 2021-01-04
KR102259786B1 true KR102259786B1 (ko) 2021-06-01

Family

ID=74127484

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190075169A KR102259786B1 (ko) 2019-06-24 2019-06-24 게임 데이터 처리 방법

Country Status (1)

Country Link
KR (1) KR102259786B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117046111B (zh) * 2023-10-11 2024-01-30 腾讯科技（深圳）有限公司 一种游戏技能的处理方法以及相关装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009064216A (ja) * 2007-09-06 2009-03-26 Univ Of Tsukuba 関数近似装置、強化学習システム、関数近似システムおよび関数近似プログラム
KR101975542B1 (ko) * 2018-11-07 2019-05-07 넷마블 주식회사 게임 공략 가이드 제공 방법 및 게임 공략 가이드 제공 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6201041B2 (ja) * 2013-05-30 2017-09-20 エンパイア テクノロジー ディベロップメント エルエルシー 多人数同時参加型オンラインロールプレイングゲームをコントロールすること

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009064216A (ja) * 2007-09-06 2009-03-26 Univ Of Tsukuba 関数近似装置、強化学習システム、関数近似システムおよび関数近似プログラム
KR101975542B1 (ko) * 2018-11-07 2019-05-07 넷마블 주식회사 게임 공략 가이드 제공 방법 및 게임 공략 가이드 제공 장치

Also Published As

Publication number Publication date
KR20210000181A (ko) 2021-01-04

Similar Documents

Publication Publication Date Title
Zocca et al. Python deep learning
JP7399277B2 (ja) 情報処理方法、装置、コンピュータプログラム及び電子装置
WO2019081705A1 (en) USING HIERARCHICAL REPRESENTATIONS FOR NEURONAL NETWORK ARCHITECTURE SEARCH
KR102173592B1 (ko) 비정상 게임 플레이 감지 방법
KR102199467B1 (ko) 기계 학습을 위한 데이터 수집 방법
KR102199466B1 (ko) 게임 환경 변경 방법
Zhao et al. Player behavior modeling for enhancing role-playing game engagement
CN112819151A (zh) 用于识别图像的方法和设备以及训练方法
US11724194B2 (en) Initial results of a reinforcement learning model using a heuristic
KR102259786B1 (ko) 게임 데이터 처리 방법
KR102193115B1 (ko) 드로잉 기반 보안 인증을 수행하기 위한 컴퓨터 프로그램
Tsikerdekis et al. Efficient deep learning bot detection in games using time windows and long short-term memory (lstm)
Saito et al. Python reinforcement learning projects: eight hands-on projects exploring reinforcement learning algorithms using TensorFlow
KR102548103B1 (ko) 다트핀 히트 위치 식별 방법, 컴퓨터 프로그램, 및 장치
KR102404407B1 (ko) 게임 데이터 처리 방법
KR20200060140A (ko) 게임 제공 장치에서 결제 분석 정보를 제공하는 방법 및 게임 제공 장치
Olesen et al. Evolutionary planning in latent space
KR102096935B1 (ko) 리플레이 영상을 제공하는 컴퓨팅 장치
KR100850913B1 (ko) 게임 캐릭터 형성방법
CN113946604A (zh) 分阶段围棋教学方法、装置、电子设备及存储介质
KR102716522B1 (ko) 선호도를 예측하기 위한 방법
KR102660586B1 (ko) 작업장 계정을 탐지하기 위한 방법
KR102698611B1 (ko) 게임 런칭 전 사전예약 접속 규모를 예측하는 방법 및 장치
Balabanov et al. Developing a general video game ai controller based on an evolutionary approach
KR102336067B1 (ko) 게임 내 플레이 상황에 대응하는 음성 데이터를 생성하기 위한 컴퓨터 프로그램

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant