KR20220099425A - System for forecasting Game Plays of Users based on Artificial Intelligence Algorithm - Google Patents

System for forecasting Game Plays of Users based on Artificial Intelligence Algorithm Download PDF

Info

Publication number
KR20220099425A
KR20220099425A KR1020210001640A KR20210001640A KR20220099425A KR 20220099425 A KR20220099425 A KR 20220099425A KR 1020210001640 A KR1020210001640 A KR 1020210001640A KR 20210001640 A KR20210001640 A KR 20210001640A KR 20220099425 A KR20220099425 A KR 20220099425A
Authority
KR
South Korea
Prior art keywords
game
user
play
module
information
Prior art date
Application number
KR1020210001640A
Other languages
Korean (ko)
Other versions
KR102517835B1 (en
Inventor
최지웅
Original Assignee
(주)지엔에이컴퍼니
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 (주)지엔에이컴퍼니 filed Critical (주)지엔에이컴퍼니
Priority to KR1020210001640A priority Critical patent/KR102517835B1/en
Publication of KR20220099425A publication Critical patent/KR20220099425A/en
Application granted granted Critical
Publication of KR102517835B1 publication Critical patent/KR102517835B1/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
    • A63F13/67—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor adaptively or by learning from player actions, e.g. skill level adjustment or by storing successful combat sequences for re-use
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/55—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
    • A63F13/70—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
    • 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
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/50—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers
    • A63F2300/55—Details of game data or player data management

Landscapes

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

Abstract

A system for predicting game play of a user comprises: a collection module collecting play information, which is information related to play of games of users, by receiving the information from a user terminal; a processing module processing the collected play information in a data form required for analysis; and an AI analysis module analyzing the processed play information through machine learning using an artificial intelligence algorithm to derive a predicted value of a future predicted behavior related to the game of the users. The present invention can derive the predicted value about the future play of the user by applying the artificial intelligence algorithm to the play information about the game of the user. The predicted value is used for target marketing and the like.

Description

ＡＩ 기반의 사용자 게임 플레이 예측 시스템 {System for forecasting Game Plays of Users based on Artificial Intelligence Algorithm}{System for forecasting Game Plays of Users based on Artificial Intelligence Algorithm}

본 발명은 AI 기반의 사용자 게임 플레이 예측 시스템에 관한 것으로서, 보다 상세하게는, 사용자의 로그 기록 등과 같은 플레이정보를 토대로 사용자의 향후 게임 플레이와 관련한 행동을 예측하는 시스템에 관한 것이다.The present invention relates to an AI-based user game play prediction system, and more particularly, to a system for predicting a user's future game play-related behavior based on play information such as a user's log record.

IT 기술의 발달에 따라 다양한 컴퓨터 게임이 활성화되고 많은 사용자가 온라인 게임을 즐기고 있다. 많은 게임 개발사가 경쟁적으로 다양한 종류의 게임을 출시함에 따라 컴퓨터 게임을 즐기는 사용자들에게 게임에 대해 마케팅을 할 필요가 있다. 마케팅을 하고자 하는 게임 개발사는 불특정 다수의 사용자에 대한 플레이 성향에 대해 알기 어렵기 때문에, 특정 게임에 적합한 주 수요층을 타겟으로 하는 마케팅을 수행하기 어렵다. 이에 따라 마케팅에 소요되는 노력과 비용에 비해 효과적인 마케팅 효과를 기대할 수 없는 상황이다. 나아가, 네트워크상의 광고 시장에는 인위적으로 광고 조회 트래픽을 증가시키는 등 사기성 조작이 성행하고 있으며, 이는 게임 개발사의 비용 증가의 폐해로 이어져 결과적으로 사용자에게 과금되는 게임의 이용료 증가로 이어지게 된다.With the development of IT technology, various computer games are activated and many users enjoy online games. As many game developers competitively release various types of games, it is necessary to market the games to users who enjoy computer games. Since it is difficult for a game developer who wants to do marketing to know about the play propensity for a large number of unspecified users, it is difficult to perform marketing targeting the main demand group suitable for a specific game. As a result, effective marketing effects cannot be expected compared to the effort and cost required for marketing. Furthermore, fraudulent manipulation, such as artificially increasing advertisement inquiry traffic, is prevalent in the advertising market on the network, which leads to an increase in the cost of game developers, which in turn leads to an increase in game usage fees charged to users.

타겟 마케팅을 하기 위해 필요한 것은 기본적으로 사용자의 성향 분석이다. 즉, 어떤 사용자가 게임을 얼마나 자주 그리고 오래 하는지 등과 같은 정보를 알 수 있다면 그 사용자에게 집중적으로 광고를 함으로써 광고의 효과를 높일 수 있다. 그러나 이러한 성향 분석만으로는 여전히 타겟 광고의 효과에 한계가 있다. 만약 어떤 사용자에 대해 과거 플레이 패턴을 토대로 향후 플레이 행동을 예측할 수 있다면, 해당 사용자에 대한 예측치를 바탕으로 그 사용자에 더욱 부합되고 효과가 높은 타겟 광고를 수행할 수 있을 것이다. 일 예로서, 특정 사용자가 오늘 밤 9시부터 2시간동안 게임을 할 것으로 예상되고 이 사용자가 즐길 것으로 예상되는 새로운 게임이 있다면, 이러한 예상치에 맞추어 사용자가 실제 게임을 시작하기 직전에 새로운 게임을 무료로 체험할 수 있는 쿠폰을 발송하여 줄 수 있다. 이와 같이 예측치를 토대로 타겟 광고를 할 경우, 광고의 효과는 단순한 성향 분석에 비하여 비교할 수 없이 클 것으로 예상된다.What you need to do target marketing is basically user propensity analysis. That is, if information such as how often and for a long time a user plays the game can be known, the effectiveness of the advertisement can be increased by intensively advertising to that user. However, there is still a limit to the effectiveness of targeted advertisements only by such tendency analysis. If it is possible to predict a future play behavior for a user based on past play patterns, a targeted advertisement that is more suitable for that user and has a high effect may be performed based on the predicted value for the user. As an example, if a particular user is expected to play a game for 2 hours from 9pm tonight and there is a new game that the user is expected to enjoy, in line with this expectation, the user will be given a free new game just before the actual game starts. We can send you a coupon that you can experience with. In the case of targeting advertisements based on the predicted values as described above, the effect of advertisements is expected to be incomparably greater than that of simple tendency analysis.

본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로서, 본 발명의 목적은 사용자의 게임에 대한 플레이정보에 대해 인공지능 알고리즘을 적용하여 사용자의 향후 플레이에 대한 예측치를 도출하는 방안을 제공하는 것이다.The present invention has been devised to solve the above problems, and an object of the present invention is to provide a method of deriving a predictive value for the user's future play by applying an artificial intelligence algorithm to the user's play information for the game. .

또한 본 발명은, 이러한 예측치를 토대로 예컨대 타겟 마케팅 등에 활용함으로써, 게임 개발사는 새로 출시한 게임을 동 게임에 관심도가 높을 것으로 예측되는 사용자에게 타겟팅 광고를 할 수 있다.In addition, according to the present invention, by utilizing, for example, target marketing based on the predicted value, the game developer can target the newly released game to users who are expected to have high interest in the game.

상기 목적을 달성하기 위하여 본 발명은, 사용자들의 게임들에 대한 플레이와 관련된 정보인 플레이정보를 상기 사용자가 사용하는 사용자 단말기로부터 제공받아 수집하는 수집 모듈; 상기 수집 모듈에 의해 수집된 상기 플레이정보를 분석에 필요한 데이터 형태로 가공하는 가공 모듈; 및 상기 가공 모듈에 의해 가공된 상기 플레이정보를 인공지능 알고리즘을 이용한 머신 러닝을 통해 분석하여, 상기 사용자들에 대해 향후 예상되는 게임과 관련한 행동의 예측치를 도출하는 AI 분석 모듈;을 포함하여 구성되는 사용자의 게임 플레이 예측 시스템을 제시한다.In order to achieve the above object, the present invention provides a collection module for receiving and collecting play information, which is information related to users' play of games, from a user terminal used by the user; a processing module for processing the play information collected by the collection module into a data form required for analysis; and an AI analysis module that analyzes the play information processed by the processing module through machine learning using an artificial intelligence algorithm, and derives predictions of future game-related behaviors for the users. We present a system for predicting the user's game play.

여기에서 상기 플레이정보는, 게임이 플레이되는 상기 사용자 단말기에 게임의 플레이를 위해 입력되는 입력신호, 게임이 플레이되는 상기 사용자 단말기에 의해 출력되는 출력신호, 상기 사용자의 게임에 대한 로그 기록, 게임의 플레이를 위한 프로그램이 상기 사용자 단말기에 설치 및 삭제된 이력, 게임에 대한 상기 사용자의 플레이 등급, 및 상기 사용자의 게임과 관련한 결제 내역 중 하나 이상을 포함한다. 그리고 상기 예측치는, 상기 사용자가 게임을 플레이할 시각, 특정 시각에 상기 사용자가 게임을 플레이할지 여부, 상기 사용자가 어떤 게임을 플레이할지 여부, 상기 사용자의 게임에 대한 결제 여부 및/또는 결재 금액, 특정 게임에 대한 상기 사용자의 수 변화, 및 특정 게임에 대한 상기 사용자의 이탈 여부 중 하나 이상을 포함한다.Here, the play information includes an input signal input to the user terminal where the game is played for playing the game, an output signal output by the user terminal where the game is played, a log record of the user's game, and the The program for play includes at least one of a history of installation and deletion in the user terminal, the user's play rating for the game, and payment details related to the user's game. And the predicted value, the time when the user will play the game, whether the user will play the game at a specific time, whether the user will play the game, whether the user pays for the game and/or the payment amount; It includes at least one of a change in the number of users for a specific game, and whether the user leaves for a specific game.

상기 AI 분석 모듈은 상기 예측치와 함께 상기 게임의 플레이와 관련된 소정의 판별치를 도출한다. 상기 판별치는, 상기 사용자들의 게임 플레이 조작 방식, 상기 사용자가 로봇인지 여부, 상기 사용자들이 선호하는 게임의 그래픽 및/또는 음향, 상기 사용자가 선호하는 게임의 장르, 및 상기 사용자의 플레이에 대한 부정행위 여부 중 하나 이상을 포함한다.The AI analysis module derives a predetermined discriminant value related to the play of the game together with the prediction value. The determination value may include a game play manipulation method of the users, whether the user is a robot, graphics and/or sound of a game preferred by the users, a genre of a game preferred by the user, and cheating on the user's play includes one or more of whether

상기 가공 모듈은, 상기 플레이정보에 대해 각 이벤트별 특징을 추출하여 추출된 각각의 특징에 대해 워드 임베딩(Word Imbedding)을 통해 벡터화한다.The processing module extracts a feature for each event with respect to the play information, and vectorizes each extracted feature through word embedding.

상기 AI 분석 모듈은, 벡터화된 상기 플레이정보에 대해 CNN (Convolutional Neural Network) 알고리즘을 적용하여 상기 예측치를 도출하는 CNN 모듈, 벡터화된 상기 플레이정보에 대해 LSTM (Long-Short Term Memory) 알고리즘을 적용하여 상기 예측치를 도출하는 LSTM 모듈, 및 벡터화된 상기 플레이정보에 대해 랜덤포레스트(Random Forest) 및/또는 의사결정트리(Decision Tree)를 포함하는 정적분류 알고리즘을 적용하여 상기 예측치를 도출하는 정적분류 모듈을 포함하여 구성될 수 있다.The AI analysis module applies a CNN (Convolutional Neural Network) algorithm to the vectorized play information to derive the prediction value, and a Long-Short Term Memory (LSTM) algorithm to the vectorized play information. An LSTM module for deriving the prediction value, and a static classification module for deriving the prediction value by applying a static classification algorithm including a random forest and/or a decision tree to the vectorized play information may be included.

또한, 상기 AI 분석 모듈은, 상기 CNN 모듈, 상기 LSTM 모듈 및 상기 정적분류 모듈 중 적어도 둘 이상을 뉴럴네트워크 알고리즘을 이용하여 조합한 결과를 토대로 상기 예측치를 도출하는 뉴럴네트워크 모듈을 더 포함하여 구성될 수 있다.In addition, the AI analysis module may further include a neural network module for deriving the prediction value based on a result of combining at least two or more of the CNN module, the LSTM module, and the static classification module using a neural network algorithm. can

본 발명에 따른 사용자의 게임 플레이 예측 시스템은, 상기 AI 분석 모듈에 의해 도출된 상기 예측치를 게임 제공사가 운영하는 게임제공 서버로 전송하는 전송 모듈을 더 포함하여 구성될 수 있다.The user's game play prediction system according to the present invention may further include a transmission module for transmitting the prediction value derived by the AI analysis module to a game providing server operated by a game provider.

또한 본 발명에 따른 사용자의 게임 플레이 예측 시스템은, 상기 게임 제공사가 상기 사용자들에게 제공하고자 하는 프로모션 관련 정보인 프로모션정보를 상기 게임제공 서버로부터 제공받고, 상기 프로모션정보를 상기 사용자 단말기로 제공하는 프로모션 관리 모듈을 더 포함하여 구성될 수 있다.In addition, the user's game play prediction system according to the present invention receives promotion information, which is promotion-related information that the game provider wants to provide to the users, from the game providing server, and provides the promotion information to the user terminal. It may be configured to further include a management module.

본 발명에 따르면, 사용자의 게임에 대한 플레이정보에 대해 인공지능 알고리즘을 적용하여 사용자의 향후 플레이에 대한 예측치를 도출할 수 있다. 이러한 예측치는 예컨대 타겟 마케팅 등에 활용됨으로써, 새로 출시한 게임을 동 게임에 관심도가 높을 것으로 예측되는 사용자에게 타겟팅 광고할 수 있다.According to the present invention, by applying an artificial intelligence algorithm to the play information of the user's game, it is possible to derive a predicted value for the user's future play. Such a prediction value may be utilized, for example, in target marketing, so that a newly released game may be targeted and advertised to a user predicted to have a high interest in the game.

도 1 은 본 발명에 따른 사용자 게임 플레이 예측 시스템을 포함하는 전체 구성을 도시한 도면.
도 2 는 도 1 의 AI 분석 모듈의 세부 구성을 도시한 도면.
도 3 은 도 2 의 CNN 모듈에 입력되는 데이터의 형태를 예시적으로 보여주는 도면.1 is a view showing an overall configuration including a user game play prediction system according to the present invention.
FIG. 2 is a diagram illustrating a detailed configuration of the AI analysis module of FIG. 1 .
FIG. 3 is a diagram exemplarily showing the form of data input to the CNN module of FIG. 2 .

이하에서는 도면을 참조하여 본 발명을 보다 구체적으로 설명한다.Hereinafter, the present invention will be described in more detail with reference to the drawings.

이하의 설명에서, ~시스템, ~모듈 등으로 기재된 구성은 각각이 하나의 컴퓨터나 서버에 의해 구현될 수도 있고 하나의 컴퓨터나 서버 내에 기능 모듈들로 각각 구분되어 구비되도록 구성될 수도 있다. 본 발명의 설명에서, 본 발명의 요지와 직접적으로 관련되어 있지 않거나 통상적으로 자명하게 구비되는 일반적인 구성에 대해서는 본 발명의 특징적인 구성과 직접 관련되어 있지 않는 한 그 세세한 구성의 도시 및 설명이 생략된다.In the following description, the components described as ~system, ~module, etc. may each be implemented by one computer or server, or may be configured to be provided separately as functional modules in one computer or server. In the description of the present invention, for a general configuration that is not directly related to the gist of the present invention or is usually provided as obvious, the illustration and description of the detailed configuration are omitted unless it is directly related to the characteristic configuration of the present invention. .

도 1 은 본 발명에 따른 사용자 게임 플레이 예측 시스템을 포함하는 전체 구성을 도시한 도면이다.1 is a view showing the overall configuration including the user game play prediction system according to the present invention.

본 발명의 시스템(100)은, 게임을 플레이하는 사용자들로부터 플레이정보를 제공받고, 이 플레이정보를 토대로 사용자 행동의 예측치를 도출한다. 이를 위하여, 사용자들이 사용하는 사용자 단말기(70)는 인터넷을 통해 본 발명의 시스템(100)에 연결되어 상호 통신 가능하다.The system 100 of the present invention receives play information from users who play a game, and derives a predicted value of user behavior based on the play information. To this end, the user terminal 70 used by users is connected to the system 100 of the present invention through the Internet and can communicate with each other.

또한 본 발명의 시스템(100)은, 이러한 예측치를 게임 개발사들에게 제공하여 게임에 대한 프로모션에 필요한 프로모션정보의 생성 또는 전송을 할 수 있도록 하거나, 또는 게임 개발사들로부터 프로모션 요청이 있는 경우 이를 수신하여 예측치를 토대로 해당 게임에 부합되는 행동이 예측되는 사용자들에게 프로모션정보를 제공한다. 이를 위하여, 게임 개발사들이 운영하는 게임제공 서버(50)는 인터넷을 통해 본 발명의 시스템(100)에 연결되어 상호 통신 가능하다.In addition, the system 100 of the present invention provides these predictions to game developers to generate or transmit promotion information necessary for promotion of the game, or to receive a promotion request from game developers by receiving it Promotional information is provided to users who are predicted to behave in accordance with the game based on the predicted value. To this end, the game providing server 50 operated by the game developers is connected to the system 100 of the present invention through the Internet and can communicate with each other.

본 발명의 시스템(100)이 사용자 단말기(70)에 대해 통신 가능하도록 연결되어 후술되는 플레이정보를 사용자 단말기(70)로부터 수신할 수 있게 하는 것은 다양한 방법으로 구현될 수 있다. 다만, 사용자 단말기(70)가 자발적으로 시스템(100)에 접속하게 하는 것은 다양한 플레이정보의 취합에 부적절하다고 볼 수 있고, 따라서 사용자 단말기(70)에 별도의 어플리케이션을 설치하여 사용자가 게임을 플레이할 때마다 어플리케이션의 동작에 의하여 플레이정보가 사용자 단말기(70)로부터 시스템(100)으로 전송되도록 하는 것이 바람직하다. 이를 위하여, 예컨대 사용자가 통상적으로 설치하는 보안 프로그램을 설치할 때 사용자 동의하에 플레이정보를 송신하는 어플리케이션이 설치되도록 하는 방안이 사용될 수 있다.The system 100 of the present invention is communicatively connected to the user terminal 70 to receive play information, which will be described later, from the user terminal 70 can be implemented in various ways. However, allowing the user terminal 70 to voluntarily access the system 100 may be viewed as inappropriate for collecting various play information. It is preferable to transmit play information from the user terminal 70 to the system 100 by the operation of the application each time. To this end, for example, when a user installs a security program that is normally installed, a method of installing an application that transmits play information under the user's consent may be used.

도 1 에 도시된 바와 같이, 본 발명의 시스템(100)은 수집 모듈(110), 가공 모듈(120), AI 분석 모듈(130), 전송 모듈(140), 및 프로모션 관리 모듈(150)을 포함하여 구성된다.1 , the system 100 of the present invention includes a collection module 110 , a processing module 120 , an AI analysis module 130 , a transmission module 140 , and a promotion management module 150 . is composed by

수집 모듈(110)은 사용자들의 게임들에 대한 플레이와 관련된 정보인 플레이정보를 사용자 단말기(70)로부터 제공받아 수집한다. 여기에서 플레이정보는 사용자의 향후 게임과 관련된 행동의 예측치를 도출하기 위한 기초가 되는 정보로서, 주로 사용자의 플레이 패턴과 관련된 정보이다. 플레이정보는 게임이 플레이되는 사용자 단말기(70)에 게임의 플레이를 위해 입력되는 입력신호 및 게임이 플레이되는 상기 사용자 단말기에 의해 출력되는 출력신호를 포함할 수 있다. 이러한 입력신호와 출력신호는, 예컨대 입력의 갯수, 빈도, 속도 등을 분석하거나 플레이 중에 게임에서 출력되는 음향을 분석함으로써 사용자의 플레이 성향을 도출하거나 사용자가 선호하는 게임의 종류 등을 도출하는 자료가 될 수 있다. 플레이정보는 상기 사용자의 게임에 대한 로그 기록을 포함할 수 있다. 로그 기록은, 예컨대 어떤 게임에 대해 접속 개시 및 종료한 시각에 대한 데이터를 통해 플레이의 빈도, 한 번 플레이할 때의 지속 시간, 플레이하는 시간대 등을 각 게임별로 도출하는 자료가 될 수 있다. 플레이정보는 게임의 플레이를 위한 프로그램이 사용자 단말기(70)에 설치 및 삭제된 이력을 포함할 수 있다. 이러한 이력은, 사용자가 특정 게임에 대해 지속적으로 선호하는 정도나 즐기는 게임의 종류, 그리고 즐기는 게임의 변화 등에 대해 도출하는 자료가 될 수 있다. 플레이정보는 게임에 대한 사용자의 플레이 등급을 포함할 수 있다. 플레이 등급은 해당 사용자의 게임 숙련도를 통해 매니아층인지 여부 등을 도출하는 자료가 될 수 있다. 플레이정보는 사용자의 게임과 관련한 결제 내역을 포함할 수 있다. 결제 내역은 사용자가 게임을 즐기는 데에 지불할 용의가 있는 비용 등을 도출하는 자료가 될 수 있다.The collection module 110 receives and collects play information, which is information related to users' play of games, from the user terminal 70 . Here, the play information is information that is a basis for deriving a prediction value of the user's future game-related behavior, and is mainly information related to the user's play pattern. The play information may include an input signal input to the user terminal 70 where the game is played for playing the game and an output signal output by the user terminal where the game is played. These input and output signals, for example, by analyzing the number, frequency, speed, etc. of the input or by analyzing the sound output from the game during play, there is data that derives the user's play tendency or the type of game the user prefers. can be The play information may include a log record of the user's game. The log record may be, for example, data for each game that derives the frequency of play, the duration of one play, the playing time, and the like through data on the start and end times of access to a certain game. The play information may include a history of installation and deletion of a program for playing a game in the user terminal 70 . Such a history may be data derived about the degree of a user's continuous preference for a specific game, the type of game he enjoys, and changes in the game he enjoys. The play information may include a user's play rating for the game. The play grade may be a data for deriving whether the user is a fanatic based on the game skill level of the user. The play information may include payment details related to the user's game. The payment details may be data for deriving a cost that the user is willing to pay to enjoy the game.

가공 모듈(120)은 수집 모듈(110)에 의해 수집된 플레이정보를 AI 분석 모듈(130)이 분석 동작을 하기 위해 필요한 데이터 형태로 가공한다. 이때 가공 모듈(120)은, 플레이정보에 대해 각 이벤트별 특징을 추출하여 추출된 각각의 특징에 대해 워드 임베딩(Word Imbedding)을 통해 벡터화하는 방식으로 가공할 수 있다. 구체적으로는, 사용자의 플레이정보를 각 이벤트별로 분류하여 이에 매칭되는 단어로 분류한다. 예컨대 Ligin, SignUp, LevelUp 등과 같은 이벤트들로 구분되어 분류될 수 있다. 이와 같이 분류된 각 이벤트들을 워드 임베딩을 통해 벡터로 변경한다. 각 이벤트들의 벡터는 각 이벤트들 사이의 상관관계가 높을수록 유사한 값을 갖는 벡터가 되고 상관관계가 낮을수록 비유사한 값을 갖는 벡터가 된다. 이와 같이 벡터로 변경된 데이터값을 토대로 피쳐(feature)를 분류한다. 이와 같이 분류된 피쳐들이 AI 분석 모듈(130)에서의 학습 알고리즘에 입력되는 입력 데이터로서 사용된다.The processing module 120 processes the play information collected by the collection module 110 into a data form required for the AI analysis module 130 to perform an analysis operation. At this time, the processing module 120 may process the play information by extracting the features for each event and vectorizing the extracted features through word embedding. Specifically, the user's play information is classified for each event and classified into words that match it. For example, it may be classified and classified into events such as Ligin, SignUp, LevelUp, and the like. Each event classified in this way is converted into a vector through word embedding. The vector of each event becomes a vector having a similar value as the correlation between the events is high, and a vector having a dissimilar value as the correlation is low. A feature is classified based on the data value changed to the vector in this way. The features classified as described above are used as input data input to the learning algorithm in the AI analysis module 130 .

AI 분석 모듈(130)은 가공 모듈(120)에 의해 가공된 플레이정보를 인공지능 알고리즘을 이용한 머신 러닝을 통해 분석하여, 각각의 사용자들에 대해 향후 예상되는 게임과 관련한 행동의 예측치를 도출한다. 여기에서 예측치는 본 발명의 시스템(100)이 궁극적으로 구하고자 하는 결과이며, 다양한 종류를 포함할 수 있다. 즉, 예측치는 사용자가 게임을 플레이할 시각, 특정 시각에 사용자가 게임을 플레이할지 여부, 사용자가 어떤 게임을 플레이할지 여부, 사용자의 게임에 대한 결제 여부 및/또는 결재 금액, 특정 게임에 대한 사용자의 수 변화, 및 특정 게임에 대한 사용자의 이탈 여부 중 하나 이상의 항목을 포함할 수 있다. 이러한 각각의 예측치 항목은 본 발명의 시스템(100)이 상시적으로 도출할 수도 있고, 게임제공 서버(50)로부터 특정 항목의 예측치가 요구될 경우 시스템(100)이 해당 항목의 예측치를 도출할 수도 있다.The AI analysis module 130 analyzes the play information processed by the processing module 120 through machine learning using an artificial intelligence algorithm, and derives predictions of future game-related behaviors for each user. Here, the predicted value is a result that the system 100 of the present invention ultimately seeks, and may include various types. That is, the prediction is the time the user will play the game, whether the user will play the game at a specific time, which game the user will play, whether the user has paid for the game and/or the amount of payment, the user for the particular game It may include one or more items of a change in the number of , and whether or not the user leaves for a specific game. Each of these predictive value items may be always derived by the system 100 of the present invention, or when a predictive value of a specific item is requested from the game providing server 50, the system 100 may derive the predicted value of the corresponding item have.

예컨대, 게임제공 서버(50)가 오늘 밤 9시~10시 사이에 게임을 플레이할 것으로 예측되는 사용자에 대해 특정 광고 콘텐츠를 전송하고자 의도하면, 개임제공 서버(50)는 이러한 요청을 본 발명의 시스템(100)에 전송한다. 시스템(100)의 AI 분석 모듈(130)은 분석 알고리즘을 실행하여 이 항목의 예측치를 도출한다. 도출된 결과에 따라, 시스템(100)은 게임제공 서버(50)로부터 받은 광고 콘텐츠를 예측된 사용자의 사용자 단말기(70)들로 전송한다. 바람직하게는, AI 분석 모듈(130)은 각 예측치의 항목을 각 사용자별로 1 또는 0 으로 구분한 결과로 도출한다. 즉, 상기 사례에서, 각 사용자별로 "User1 = 0, User2 = 0, User3 = 1, ㆍㆍㆍ"과 같이 모든 사용자에 대해 예측치가 결정된다.For example, if the game providing server 50 intends to transmit specific advertisement content to a user who is expected to play a game between 9:00 and 10:00 tonight, the game providing server 50 transmits such a request to the present invention. to the system 100 . The AI analysis module 130 of the system 100 runs the analysis algorithm to derive a prediction for this item. According to the derived result, the system 100 transmits the advertisement content received from the game providing server 50 to the user terminals 70 of the predicted user. Preferably, the AI analysis module 130 derives the result of classifying the items of each prediction value as 1 or 0 for each user. That is, in the above case, the predicted values are determined for all users, such as "User1 = 0, User2 = 0, User3 = 1, ..." for each user.

한편, 본 발명의 AI 분석 모듈(130)은, 상기한 바와 같은 예측치와 함께 게임의 플레이와 관련된 소정의 판별치를 도출하도록 구성된다. 판별치 도출에도 인공지능 알고리즘이 적용된다.On the other hand, the AI analysis module 130 of the present invention is configured to derive a predetermined discriminant value related to the play of the game together with the predicted value as described above. An artificial intelligence algorithm is also applied to the derivation of discriminant values.

판별치는 특정 사용자에 대한 향후 행동의 예측치와는 구분되는 개념으로서, 사용자들에 대한 게임과 관련한 각종 통계와 관련되어 있거나 전반적인 사용자의 플레이와 관련된 이상 동작 등에 대해 판단한 값을 의미한다. 일 예로서, 판별치는 사용자들의 게임 플레이 조작 방식, 사용자가 로봇인지 여부(즉, 사람인 사용자를 가장하여 게임 플레이를 위해 개발된 머신에 의해 게임이 수행되는 것인지 여부), 사용자들이 선호하는 게임의 그래픽 및/또는 음향, 사용자가 선호하는 게임의 장르, 및 사용자의 플레이에 대한 부정행위 여부 등을 포함할 수 있다. 플레이에 대한 통계와 관련된 판별 또는 이상 동작 등과 같은 현상 여부에 대한 판별 등은 단순히 특정 이벤트의 발생을 토대로 판단하는 경우 그 판단의 정확도가 떨어진다. 따라서 본 발명의 인공지능 알고리즘을 적용함으로써, 그 판별의 정확도가 머신러닝을 통해 적응적으로 개선되도록 할 수 있다.The discriminant value is a concept distinct from the prediction value of future behavior for a specific user, and refers to a value determined for abnormal behaviors related to various statistics related to games for users or general user play. As an example, the discriminant is a game play manipulation method of users, whether the user is a robot (ie, whether the game is performed by a machine developed for game play by pretending to be a human user), and graphics of the game preferred by users. and/or the sound, the genre of the game preferred by the user, and whether the user is cheating on the play. Determination of statistics related to play or determination of whether or not a phenomenon such as abnormal behavior is determined based on the occurrence of a specific event, the accuracy of the determination is lowered. Therefore, by applying the artificial intelligence algorithm of the present invention, the accuracy of the determination can be adaptively improved through machine learning.

전송 모듈(140)은 AI 분석 모듈(130)에 의해 도출된 예측치 및/또는 판별치를 게임제공 서버(50)로 전송한다. 전송 모듈(140)로부터 예측치 및/또는 판별치를 제공받음에 따라, 게임제공 서버(50)는 광고를 위하여 사용자들에 대한 행동 예측을 하거나 게임 개발을 위한 방향 설정을 위해 판별치를 참고할 수 있다. 전송 모듈(140)의 전송은 게임제공 서버(50)로부터의 별도 요청이 있는 경우에만 이루어지도록 하는 것이 바람직하다.The transmission module 140 transmits the predicted value and/or the discriminant value derived by the AI analysis module 130 to the game providing server 50 . As the prediction value and/or the discriminant value is provided from the transmission module 140 , the game providing server 50 may predict the behavior of users for advertisement or refer to the discriminant value for setting a direction for game development. It is preferable that the transmission of the transmission module 140 be performed only when there is a separate request from the game providing server 50 .

프로모션 관리 모듈(150)은 게임 제공사가 사용자들에게 제공하고자 하는 프로모션 관련 정보인 프로모션정보를 게임제공 서버(50)로부터 제공받고, 이 프로모션정보를 사용자 단말기로 제공하는 기능을 한다. 프로모션정보는, 예컨대 게임제공 서버(50)가 제공하는 게임에 대한 광고, 동 게임에 대한 리워드(reward), 동 게임을 무료로 체험할 수 있는 쿠폰 등을 포함할 수 있으며, 그 외에 전체 사용자 중에서 게임제공 서버(50)가 제공하는 게임의 특성에 부합되는 것으로 예측된 사용자에게만 부합되는 개별적인 콘텐츠로서 작성될 수 있다.The promotion management module 150 functions to receive promotion information, which is promotion-related information that the game provider wants to provide to users, from the game providing server 50, and provides the promotion information to the user terminal. The promotion information may include, for example, an advertisement for a game provided by the game providing server 50, a reward for the game, a coupon for free experience of the game, etc. It may be prepared as individual content that matches only the user predicted to match the characteristics of the game provided by the game providing server 50 .

이하에서는 본 발명의 시스템(100) 내의 AI 분석 모듈(130)의 구성 및 동작에 대해 보다 구체적으로 기술한다.Hereinafter, the configuration and operation of the AI analysis module 130 in the system 100 of the present invention will be described in more detail.

도 2 는 도 1 의 AI 분석 모듈(130)의 세부 구성을 도시한 도면이다. 본 발명의 AI 분석 모듈(130)은 CNN 모듈(131), LSTM 모듈(132), 정적분류 모듈(133), 및 뉴럴네트워크 모듈(135)을 포함하여 구성된다.FIG. 2 is a diagram illustrating a detailed configuration of the AI analysis module 130 of FIG. 1 . The AI analysis module 130 of the present invention is configured to include a CNN module 131 , an LSTM module 132 , a static classification module 133 , and a neural network module 135 .

CNN 모듈(131)은 가공 모듈(120)에 의해 벡터화된 플레이정보에 대해 CNN(Convolutional Neural Network) 알고리즘을 적용하여 예측치를 도출한다. CNN 알고리즘은 이미지 분류 처리에 최적화된 인공지능 알고리즘으로서, 시각화된 데이터에서 필터가 동작하여 특이성을 찾아내는 데에 주로 사용된다. 도 3 은 도 2 의 CNN 모듈(131)에 입력되는 데이터의 형태를 예시적으로 보여주는 도면으로서, 전술한 바와 같이 가공 모듈(120)에 의해 벡터화되어 특징별로 추출된 각 사용자의 데이터를 이미지 데이터와 같은 형태로 구성한 것이다. 도 3 에서, 각 사용자(User1, User2, .....)에 대한 플레이정보가 각 날짜별(Day1, Day2, .....)로 구분되어 행을 이루도록 배치되어 있으며, 또한 각 날짜에 대한 플레이정보가 벡터화된 각 특징별(Feature1, Feature2, ......)로 열을 이루도록 배치되어, 하나의 사용자(User1)에 대한 플레이정보가 이미지 데이터와 같은 형태로 배치되어 있다. 이와 같이 각 사용자별로 플레이정보가 사용자의 수만큼 형성됨에 따라 CNN 모듈(131)에 입력될 플레이정보가 생성된다. CNN 모듈(131)은 이와 같이 분류된 플레이정보에 CNN 알고리즘을 적용하여 특정 항목의 예측치를 도출한다. CNN 알고리즘은 이와 같이 이미지화된 형태의 플레이정보에 대해 머신 러닝을 적용하기에 최적화된 알고리즘을 제공한다.The CNN module 131 derives a prediction value by applying a Convolutional Neural Network (CNN) algorithm to the play information vectorized by the processing module 120 . The CNN algorithm is an artificial intelligence algorithm optimized for image classification processing, and is mainly used to find singularities by operating filters in visualized data. FIG. 3 is a view exemplarily showing the form of data input to the CNN module 131 of FIG. 2, and as described above, each user's data vectorized by the processing module 120 and extracted for each feature is combined with image data. It is constructed in the same form. In FIG. 3, the play information for each user (User1, User2, .....) is arranged so as to be divided into rows by each date (Day1, Day2, .....), and also on each date. The play information for each of the vectorized features (Feature1, Feature2, ...) is arranged to form a column, and the play information for one user (User1) is arranged in the same form as the image data. As such, play information to be input to the CNN module 131 is generated as the number of play information for each user is formed as much as the number of users. The CNN module 131 derives a prediction value of a specific item by applying the CNN algorithm to the play information classified in this way. The CNN algorithm provides an optimized algorithm for applying machine learning to imaged play information.

LSTM 모듈(132)은 벡터화된 플레이정보에 대해 LSTM (Long-Short Term Memory) 알고리즘을 적용하여 예측치를 도출한다. LSTM 알고리즘은 이전의 입력 데이터를 기억하여 분석하는 RNN 알고리즘의 짧은 기간 지속성을 개선한 알고리즘으로서, 긴 기간 동안의 데이터에 대해 지속적으로 예측을 하는 데에 최적화된 알고리즘이다. 예컨대 사용자의 플레이정보에 게임에 접속한 로그 기록에 대해 분석할 경우, 어느 한 날짜 내에서의 로그 기록에 대한 데이터와 여러 날짜에 걸친 로그 기록에 대한 데이터에 대한 분석이 모두 필요하며, 이러한 로그 기록들에 대한 데이터가 입력되는 동안 다른 데이터, 예컨대 입력신호와 출력신호 구매 기록 등과 같은 데이터가 혼입되게 된다. 이와 같이 입력되는 다수 종류의 플레이정보에서 로그 기록에 대한 분석만이 요구될 경우, LSTM 알고리즘은 오류가 적은 효과적인 분석 툴을 제공한다.The LSTM module 132 derives a prediction value by applying a Long-Short Term Memory (LSTM) algorithm to the vectorized play information. The LSTM algorithm is an algorithm that improves the short-term persistence of the RNN algorithm that memorizes and analyzes previous input data, and is an algorithm optimized for continuous prediction on long-term data. For example, when analyzing the log records of accessing the game to the user's play information, it is necessary to analyze both data on log records within one date and data on log records spanning multiple days, and these log records While data for the items is input, other data, for example, data such as input signal and output signal purchase record are mixed. When only analysis of log records is required in the multiple types of play information input in this way, the LSTM algorithm provides an effective analysis tool with few errors.

정적분류 모듈(133)은 벡터화된 플레이정보에 대해 랜덤포레스트(Random Forest) 및/또는 의사결정트리(Decision Tree)를 포함하는 정적분류 알고리즘을 적용하여 예측치를 도출한다. 정적분류 기법은 딥러닝 방식의 연구가 활발하기 이전부터 계산식을 이용하여 분류하는 전통적인 기법으로서, 스팸 메일의 분류, 악성 코드의 탐지, 이미지 분류, 화합물 분류 등의 다양한 분야에서 오랜 기간에 걸쳐 폭넓게 사용되어온 기법이다. 정적분류 알고리즘을 적용할 경우 매우 안정적이고 균형적인 결과를 도출하기에 적합하다. 따라서, 상기와 같은 CNN 알고리즘과 LSTM 알고리즘에 대해 정적분류 알고리즘을 조합할 경우, CNN 알고리즘과 LSTM 알고리즘에 특화된 결과값에 안정적인 결과값이 조합되어 예측의 정확도가 높아질 수 있다.The static classification module 133 derives a prediction value by applying a static classification algorithm including a random forest and/or a decision tree to the vectorized play information. The static classification technique is a traditional technique for classifying using a calculation formula even before deep learning research was active. It is a method that has been When the static classification algorithm is applied, it is suitable for deriving very stable and balanced results. Therefore, when the static classification algorithm is combined for the CNN algorithm and the LSTM algorithm as described above, a stable result value is combined with the result value specialized for the CNN algorithm and the LSTM algorithm, so that the accuracy of prediction can be increased.

뉴럴네트워크 모듈(135)은 CNN 모듈(131), LSTM 모듈(132) 및 정적분류 모듈(133)들의 출력 결과물에 대해 뉴럴네트워크 알고리즘을 이용하여 조합한 결과를 토대로 예측치를 도출한다. 일반적으로 머신러닝 모델들은 특정 영역에서의 답을 찾기 위해 특화되어 있다. 머신러닝을 활용하는 데에 있어서 각 모델들의 개별 특징들을 결합하여 더 강력한 모델을 구성할 수 있으며, 예컨대 A 모델의 결과를 B 모델의 입력으로 결합하거나 각자 다른 모델들의 결과들을 결합하는 앙상블 기법 적용할 수 있다. 앙상블 기법은 각 모델별 결과값에 대해 가중치를 부여하여 조합하는 방법 등을 적용하여 최종 결과값을 더욱 효과적으로 도출할 수 있다. 이는 개별 모델들 사이에서 다양성이 존재할 때 더욱 정확한 결과를 얻을 수 있게 한다. 본 발명에서는 상기한 각 모듈들(131, 132, 133)에 대해 뉴럴네트워크 알고리즘을 통해 조합함으로써 더욱 정확한 예측치를 얻을 수 있도록 한다. 한편, 뉴럴네트워크 모듈(135)은 CNN 모듈(131), LSTM 모듈(132) 및 정적분류 모듈(133) 모두가 아닌 이들 중 어느 두 개의 모듈들에 대해서만 조합한 결과를 도출하도록 구성될 수도 있다.The neural network module 135 derives a prediction value based on a result of combining the output results of the CNN module 131 , the LSTM module 132 , and the static classification module 133 using a neural network algorithm. In general, machine learning models are specialized to find answers in a specific domain. In utilizing machine learning, a more powerful model can be constructed by combining individual features of each model. can In the ensemble method, the final result value can be derived more effectively by applying a method of combining the result values by weighting for each model. This allows for more accurate results when there is variability between individual models. In the present invention, more accurate predictions can be obtained by combining the above-described modules 131 , 132 , and 133 through a neural network algorithm. On the other hand, the neural network module 135 may be configured to derive a combined result for only any two modules of the CNN module 131 , the LSTM module 132 , and not all of the static classification module 133 .

이상 기술한 바와 같은 본 발명에 의하면, 사용자의 게임에 대한 플레이정보에 대해 인공지능 알고리즘을 적용하여 사용자의 향후 플레이에 대한 예측치를 도출할 수 있다. 이러한 예측치를 토대로 예컨대 타겟 마케팅 등에 활용함으로써, 게임 개발사는 새로 출시한 게임을 동 게임에 관심도가 높을 것으로 예측되는 사용자에게 타겟팅 광고를 할 수 있다.According to the present invention as described above, by applying an artificial intelligence algorithm to the user's play information on the game, it is possible to derive a predicted value for the user's future play. By utilizing, for example, target marketing based on these predictions, the game developer can target the newly released game to users who are expected to have high interest in the game.

그 외에, 본 발명을 통해 다양한 예측치와 판별치를 얻을 수 있고, 이를 토대로 새로운 게임에 대한 종류나 특성 등과 관련한 사용자의 니즈를 파악할 수 있다. 따라서 많은 사용자에게 인기를 얻을 수 있는 게임 개발의 방향 설정 등에도 본 발명이 활용될 수 있다.In addition, various predictive values and discriminant values can be obtained through the present invention, and user needs related to the type or characteristics of a new game can be identified based on this. Therefore, the present invention can also be used for setting the direction of game development that can be popular with many users.

이상 도면에 도시된 일 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록 청구 범위의 기술적 사상에 의해 정해져야 할 것이다.Although an embodiment shown in the drawings has been described with reference to, this is merely exemplary, and those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Accordingly, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.

Claims (9)

사용자들의 게임들에 대한 플레이와 관련된 정보인 플레이정보를 상기 사용자가 사용하는 사용자 단말기로부터 제공받아 수집하는 수집 모듈;
상기 수집 모듈에 의해 수집된 상기 플레이정보를 분석에 필요한 데이터 형태로 가공하는 가공 모듈; 및
상기 가공 모듈에 의해 가공된 상기 플레이정보를 인공지능 알고리즘을 이용한 머신 러닝을 통해 분석하여, 상기 사용자들에 대해 향후 예상되는 게임과 관련한 행동의 예측치를 도출하는 AI 분석 모듈;
을 포함하여 구성되며,
상기 플레이정보는, 게임이 플레이되는 상기 사용자 단말기에 게임의 플레이를 위해 입력되는 입력신호, 게임이 플레이되는 상기 사용자 단말기에 의해 출력되는 출력신호, 상기 사용자의 게임에 대한 로그 기록, 게임의 플레이를 위한 프로그램이 상기 사용자 단말기에 설치 및 삭제된 이력, 게임에 대한 상기 사용자의 플레이 등급, 및 상기 사용자의 게임과 관련한 결제 내역 중 하나 이상을 포함하며,
상기 예측치는, 상기 사용자가 게임을 플레이할 시각, 특정 시각에 상기 사용자가 게임을 플레이할지 여부, 상기 사용자가 어떤 게임을 플레이할지 여부, 상기 사용자의 게임에 대한 결제 여부 및/또는 결재 금액, 특정 게임에 대한 상기 사용자의 수 변화, 및 특정 게임에 대한 상기 사용자의 이탈 여부 중 하나 이상을 포함하는 것을 특징으로 하는 사용자의 게임 플레이 예측 시스템.
a collection module for receiving and collecting play information, which is information related to users' play of games, from a user terminal used by the user;
a processing module for processing the play information collected by the collection module into a data form required for analysis; and
an AI analysis module that analyzes the play information processed by the processing module through machine learning using an artificial intelligence algorithm, and derives predictions of future game-related behaviors for the users;
It consists of
The play information includes an input signal input to the user terminal where the game is played for playing the game, an output signal output by the user terminal where the game is played, a log record of the user's game, and the play of the game. program includes at least one of a history of installation and deletion in the user terminal, the user's play rating for the game, and payment details related to the user's game,
The prediction value may include a time at which the user will play a game, whether the user will play a game at a specific time, whether the user will play a game, whether the user has paid for the game and/or a payment amount, a specific User's game play prediction system, characterized in that it includes at least one of a change in the number of users for a game, and whether the user leaves for a specific game.
 제 1 항에 있어서,
상기 AI 분석 모듈은 상기 예측치와 함께 상기 게임의 플레이와 관련된 소정의 판별치를 도출하며,
상기 판별치는, 상기 사용자들의 게임 플레이 조작 방식, 상기 사용자가 로봇인지 여부, 상기 사용자들이 선호하는 게임의 그래픽 및/또는 음향, 상기 사용자가 선호하는 게임의 장르, 및 상기 사용자의 플레이에 대한 부정행위 여부 중 하나 이상을 포함하는 것을 특징으로 하는 사용자의 게임 플레이 예측 시스템.
The method of claim 1,
The AI analysis module derives a predetermined discriminant value related to the play of the game together with the prediction value,
The determination value may include a game play manipulation method of the users, whether the user is a robot, graphics and/or sound of a game preferred by the users, a genre of a game preferred by the user, and cheating on the user's play User's game play prediction system, characterized in that it includes one or more of whether or not.
 제 2 항에 있어서,
상기 가공 모듈은, 상기 플레이정보에 대해 각 이벤트별 특징을 추출하여 추출된 각각의 특징에 대해 워드 임베딩(Word Imbedding)을 통해 벡터화하는 것을 특징으로 하는 사용자의 게임 플레이 예측 시스템.
3. The method of claim 2,
The processing module, the user's game play prediction system, characterized in that by extracting the features for each event with respect to the play information, and vectorizing each extracted feature through word embedding.
 제 3 항에 있어서,
상기 AI 분석 모듈은, 벡터화된 상기 플레이정보에 대해 CNN (Convolutional Neural Network) 알고리즘을 적용하여 상기 예측치를 도출하는 CNN 모듈을 포함하는 것을 특징으로 하는 사용자의 게임 플레이 예측 시스템.
4. The method of claim 3,
The AI analysis module, the user's game play prediction system, characterized in that it comprises a CNN module for deriving the predicted value by applying a CNN (Convolutional Neural Network) algorithm to the vectorized play information.
 제 4 항에 있어서,
상기 AI 분석 모듈은, 벡터화된 상기 플레이정보에 대해 LSTM (Long-Short Term Memory) 알고리즘을 적용하여 상기 예측치를 도출하는 LSTM 모듈을 더 포함하는 것을 특징으로 하는 사용자의 게임 플레이 예측 시스템.
5. The method of claim 4,
The AI analysis module further comprises an LSTM module for deriving the predicted value by applying an LSTM (Long-Short Term Memory) algorithm to the vectorized play information.
 제 5 항에 있어서,
상기 AI 분석 모듈은, 벡터화된 상기 플레이정보에 대해 랜덤포레스트(Random Forest) 및/또는 의사결정트리(Decision Tree)를 포함하는 정적분류 알고리즘을 적용하여 상기 예측치를 도출하는 정적분류 모듈을 더 포함하는 것을 특징으로 하는 사용자의 게임 플레이 예측 시스템.
6. The method of claim 5,
The AI analysis module further comprises a static classification module for deriving the predicted value by applying a static classification algorithm including a random forest and/or a decision tree to the vectorized play information User's game play prediction system, characterized in that.
 제 6 항에 있어서,
상기 AI 분석 모듈은, 상기 CNN 모듈, 상기 LSTM 모듈 및 상기 정적분류 모듈 중 적어도 둘 이상을 뉴럴네트워크 알고리즘을 이용하여 조합한 결과를 토대로 상기 예측치를 도출하는 뉴럴네트워크 모듈을 더 포함하는 것을 특징으로 하는 사용자의 게임 플레이 예측 시스템.
7. The method of claim 6,
The AI analysis module further comprises a neural network module for deriving the prediction value based on a result of combining at least two or more of the CNN module, the LSTM module, and the static classification module using a neural network algorithm. User's game play prediction system.
 제 1 항 내지 제 7 항 중 어느 한 항에 있어서,
상기 AI 분석 모듈에 의해 도출된 상기 예측치를 게임 제공사가 운영하는 게임제공 서버로 전송하는 전송 모듈;
을 더 포함하는 것을 특징으로 하는 사용자의 게임 플레이 예측 시스템.
8. The method according to any one of claims 1 to 7,
a transmission module for transmitting the predicted value derived by the AI analysis module to a game providing server operated by a game provider;
User's game play prediction system, characterized in that it further comprises.
 제 1 항 내지 제 7 항 중 어느 한 항에 있어서,
상기 게임 제공사가 상기 사용자들에게 제공하고자 하는 프로모션 관련 정보인 프로모션정보를 상기 게임제공 서버로부터 제공받고, 상기 프로모션정보를 상기 사용자 단말기로 제공하는 프로모션 관리 모듈;
을 더 포함하는 것을 특징으로 하는 사용자의 게임 플레이 예측 시스템.8. The method according to any one of claims 1 to 7,
a promotion management module for receiving promotion information, which is promotion-related information that the game provider wants to provide to the users, from the game providing server, and providing the promotion information to the user terminal;
User's game play prediction system, characterized in that it further comprises.
KR1020210001640A 2021-01-06 2021-01-06 System for forecasting Game Plays of Users based on Artificial Intelligence Algorithm KR102517835B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210001640A KR102517835B1 (en) 2021-01-06 2021-01-06 System for forecasting Game Plays of Users based on Artificial Intelligence Algorithm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210001640A KR102517835B1 (en) 2021-01-06 2021-01-06 System for forecasting Game Plays of Users based on Artificial Intelligence Algorithm

Publications (2)

Publication Number Publication Date
KR20220099425A true KR20220099425A (en) 2022-07-13
KR102517835B1 KR102517835B1 (en) 2023-04-05

Family

ID=82401445

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210001640A KR102517835B1 (en) 2021-01-06 2021-01-06 System for forecasting Game Plays of Users based on Artificial Intelligence Algorithm

Country Status (1)

Country Link
KR (1) KR102517835B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116351072A (en) * 2023-04-06 2023-06-30 北京羯磨科技有限公司 Robot script recording and playing method and device in online game
WO2023157994A1 (en) * 2022-02-21 2023-08-24 (주)지엔에이컴퍼니 System for predicting user game play based on ai

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101733458B1 (en) * 2016-11-01 2017-05-10 주식회사 코어사이트 Method for analyzing game log information
KR20180025692A (en) * 2016-09-01 2018-03-09 성균관대학교산학협력단 Method, apparatus, and computer program for detecting bot program based on group using location information in online game
JP2018041443A (en) * 2016-07-14 2018-03-15 株式会社シーサイドジャパン Deep learning artificial neural network-based task provision platform
KR20200129090A (en) * 2018-09-10 2020-11-17 미오츠쿠시 아날리틱스 가부시키가이샤 Information processing device that calculates predicted data, etc.

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018041443A (en) * 2016-07-14 2018-03-15 株式会社シーサイドジャパン Deep learning artificial neural network-based task provision platform
KR20180025692A (en) * 2016-09-01 2018-03-09 성균관대학교산학협력단 Method, apparatus, and computer program for detecting bot program based on group using location information in online game
KR101733458B1 (en) * 2016-11-01 2017-05-10 주식회사 코어사이트 Method for analyzing game log information
KR20200129090A (en) * 2018-09-10 2020-11-17 미오츠쿠시 아날리틱스 가부시키가이샤 Information processing device that calculates predicted data, etc.

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023157994A1 (en) * 2022-02-21 2023-08-24 (주)지엔에이컴퍼니 System for predicting user game play based on ai
CN116351072A (en) * 2023-04-06 2023-06-30 北京羯磨科技有限公司 Robot script recording and playing method and device in online game

Also Published As

Publication number Publication date
KR102517835B1 (en) 2023-04-05

Similar Documents

Publication Publication Date Title
KR101733458B1 (en) Method for analyzing game log information
Lee et al. Game data mining competition on churn prediction and survival analysis using commercial game log data
Drachen et al. Rapid prediction of player retention in free-to-play mobile games
KR102517835B1 (en) System for forecasting Game Plays of Users based on Artificial Intelligence Algorithm
Demediuk et al. Player retention in league of legends: a study using survival analysis
Bernevega et al. The industry of landlords: Exploring the assetization of the triple-A game
Canossa Meaning in gameplay: Filtering variables, defining metrics, extracting features and creating models for gameplay analysis
Choi et al. Detecting and monitoring game bots based on large-scale user-behavior log data analysis in multiplayer online games
Park et al. Show me your account: detecting MMORPG game bot leveraging financial analysis with LSTM
Rezvani et al. Gamers' Behaviour and Communication Analysis in Massively Multiplayer Online Games: A Survey
US11484788B2 (en) Apparatus and method for predicting result of the computer game
Guitart et al. From non-paying to premium: predicting user conversion in video games with ensemble learning
Bednárek et al. Player performance evaluation in team-based first-person shooter esport
WO2023157994A1 (en) System for predicting user game play based on ai
CN111489190A (en) Anti-cheating method and system based on user relationship
KR20170099750A (en) Apparatus and method of evaluation for game
CN110503468A (en) A kind of resource recommendation method and device based on user behavior
Kotkov et al. Gaming bot detection: a systematic literature review
Weiss et al. Predicting Churn in Online Games by Quantifying Diversity of Engagement
Pfau et al. Predicting success factors of video game titles and companies
Alha The imbalanced state of free to play game research: A literature review
Li et al. Zoom in ios clones: Examining the antecedents and consequences of mobile app copycats
Kerim et al. Mobile games success and failure: mining the hidden factors
Cave Can machines learn whether machines are learning to collude?
CN110033295A (en) To the detection device and method of the reward importance of event in game

Legal Events

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