WO2023177138A1 - 게임 런칭 전 사전예약 접속 규모를 예측하는 방법 및 장치 - Google Patents

게임 런칭 전 사전예약 접속 규모를 예측하는 방법 및 장치 Download PDF

Info

Publication number
WO2023177138A1
WO2023177138A1 PCT/KR2023/003068 KR2023003068W WO2023177138A1 WO 2023177138 A1 WO2023177138 A1 WO 2023177138A1 KR 2023003068 W KR2023003068 W KR 2023003068W WO 2023177138 A1 WO2023177138 A1 WO 2023177138A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
reservation
sub
game
combination
Prior art date
Application number
PCT/KR2023/003068
Other languages
English (en)
French (fr)
Inventor
송대섭
Original Assignee
주식회사 카카오게임즈
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 주식회사 카카오게임즈 filed Critical 주식회사 카카오게임즈
Publication of WO2023177138A1 publication Critical patent/WO2023177138A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations

Definitions

  • the present disclosure was made in response to the above-described background technology, and is intended to provide a method and device for predicting the size of pre-registration connections before game launch.
  • the sub-prediction model may include a Bayesian network model.
  • Figure 2 is a schematic diagram showing a network function according to an embodiment of the present disclosure.
  • the present disclosure can solve the above-mentioned problems by categorizing pre-reservation information and creating individual sub-models. In other words, instead of generating a single model, the present disclosure can generate a plurality of individual sub-models using a combination of various variables that can be used to determine the pre-reservation access probability. Accordingly, the present disclosure can provide a method and device for efficiently predicting the size of pre-reservation access by selecting and using an appropriate sub-model for pre-reservation information collected in various forms.
  • processor 110 may perform steps to perform a method for predicting pre-reservation connection size, described below.
  • the processor 110 may obtain a plurality of sub-information groups from the first pre-reservation information for at least one first game based on a combination of a plurality of pre-reservation variables.
  • the first game may include a game that has completed game launch through a pre-game, and the first pre-registration information may include information collected through pre-registration in relation to the first game and information collected after the game launch. You can.
  • the memory 130 may be a flash memory type, hard disk type, multimedia card micro type, or card type memory (e.g. (e.g. SD or -Only Memory), and may include at least one type of storage medium among magnetic memory, magnetic disk, and optical disk.
  • the computing device 100 may operate in connection with web storage that performs a storage function of the memory 130 on the Internet.
  • the description of the memory described above is merely an example, and the present disclosure is not limited thereto.
  • the network unit 150 may transmit and receive various information for performing a method for predicting the size of pre-reservation access according to some embodiments of the present disclosure.
  • the network unit 150 may receive one or more pre-reservation information or learning data stored in a database.
  • the network unit 150 may externally transmit some data generated in the process of performing the method for predicting the size of pre-reservation access described below to be stored in a database.
  • the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes in the input layer may be greater than the number of nodes in the output layer, and the number of nodes increases as it progresses from the input layer to the hidden layer. You can.
  • a neural network according to another embodiment of the present disclosure may be a neural network that is a combination of the above-described neural networks.
  • the prediction model group unit 400 may determine that sub-prediction models related to the sub-information groups of the first combination and the third combination correspond to the second pre-reservation information 30 .
  • Computer 4102 may be associated with any wireless device or object deployed and operating in wireless communications, e.g., printer, scanner, desktop and/or portable computer, portable data assistant (PDA), communications satellite, wirelessly detectable tag. Performs actions to communicate with any device or location and telephone. This includes at least Wi-Fi and Bluetooth wireless technologies. Accordingly, communication may be a predefined structure as in a conventional network or may simply be ad hoc communication between at least two devices.
  • wireless communications e.g., printer, scanner, desktop and/or portable computer, portable data assistant (PDA), communications satellite, wirelessly detectable tag.
  • PDA portable data assistant

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에 의해 수행되는 사전예약 접속 규모를 예측하는 방법이 개시된다. 상기 방법은: 복수의 사전예약 변수 조합에 기초하여 적어도 하나의 제 1 게임에 대한 제 1 사전예약 정보로부터 복수의 서브 정보 그룹을 획득하는 단계; 상기 복수의 서브 정보 그룹에 기초하여 복수의 서브 예측 모델을 포함하는 예측 모델 그룹 유닛을 생성하는 단계 - 상기 복수의 서브 예측 모델 각각은 상기 복수의 서브 정보 그룹 중 적어도 하나와 관련됨 -; 및 상기 예측 모델 그 룹 유닛 중에서 제 2 게임에 대한 제 2 사전예약 정보에 대응하는 적어도 하나의 상기 서브 예측 모델을 이용하여 상기 제 2 게임의 사전예약 접속 확률을 결정하는 단계를 포함할 수 있다.

Description

게임 런칭 전 사전예약 접속 규모를 예측하는 방법 및 장치
본 발명은 컴퓨터 기술 분야에 관한 것으로, 보다 구체적으로 게임 런칭 전 사전예약 접속 규모를 예측하는 방법 및 장치에 관한 것이다.
사전예약은 신작 게임이 정식으로 출시되기 전에 유저들을 끌어 모으는 마케팅의 한 종류다. 게임업체들은 사전예약을 게임의 흥행 가능성을 미리 확인해볼 수 있는 잣대로 활용하고 있다. 실제 사전예약에 성공한 게임이 흥행한 경우는 쉽게 찾아볼 수 있다.
게임업체들은 일반적으로 사전예약자 수를 이용하여 게임 런칭 시에 접속자를 예측하고, 이에 따라 서버 규모를 결정한다. 접속자를 과소 예측하는 경우에, 서버 부하에 따라 대기열이 과도하게 발생하는 문제점이 발생할 수 있다. 또한, 접속자를 과대 예측하는 경우 서버당 인원이 적어지는 문제점이 발생할 수 있다. 두 경우 모두 안정적인 게임 운영에 바람직하지 않다는 점에서, 접속 규모를 제대로 예측하는 것은 매우 중요하다.
사전예약에 따른 접속 규모를 예측하는 방법론으로, 평균 전환률을 이용하여 접속 규모를 예측하는 방법과 개인 누적 정보를 이용한 개인화 예측 방법이 있을 수 있다. 평균 전환률을 이용하는 방법은 사전예약자 수에 평균 전환률을 적용하여 접속자 수를 예측하는 것일 수 있다. 평균 전환률을 이용한 방법의 장점은 별다른 공식 없이 신속하게 계산할 수 있다는 점과 평균 정도의 정확도를 보장한다는 점이다. 다만, 평균 전환률을 이용한 방법은 사전 예약 외에 활용 가능성이 낮고 정확도에 대하여 큰 기대를 할 수 없다는 단점을 가진다. 개인화 예측 방법은 사전 예약 외에 활용 가능성이 높고, 비교적 높은 정확도를 보장한다는 장점을 가진다.다만, 개인화 예측 방법의 경우, 예측 모델이 상당히 복잡하고 작업에 있어서 많은 시간을 필요로 할 수 있고, 모델 학습 자체가 어려울 가능성도 있다.
따라서, 게임 런칭 전 사전예약 접속 규모를 효율적으로 정확하게 예측하는 방법 및 장치에 관한 수요가 존재한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 게임 런칭 전 사전예약 접속 규모를 예측하는 방법 및 장치를 제공하기 위함이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 몇몇 실시예에 따라 컴퓨팅 장치에 의해 수행되는 사전예약 접속 규모를 예측하는 방법이 개시된다. 상기 방법은: 복수의 사전예약 변수 조합에 기초하여 적어도 하나의 제 1 게임에 대한 제 1 사전예약 정보로부터 복수의 서브 정보 그룹을 획득하는 단계; 상기 복수의 서브 정보 그룹에 기초하여 복수의 서브 예측 모델을 포함하는 예측 모델 그룹 유닛을 생성하는 단계 - 상기 복수의 서브 예측 모델 각각은 상기 복수의 서브 정보 그룹 중 적어도 하나와 관련됨 -; 및 상기 예측 모델 그룹 유닛 중에서 제 2 게임에 대한 제 2 사전예약 정보에 대응하는 적어도 하나의 상기 서브 예측 모델을 이용하여 상기 제 2 게임의 사전예약 접속 확률을 결정하는 단계;를 포함할 수 있다.
대안적으로, 상기 서브 예측 모델은 베이지안 네트워크 모델을 포함할 수 있다.
대안적으로, 상기 방법은: 상기 제 2 게임의 사전예약 접속 확률에 기초하여 난수를 생성함으로써, 예상 사전예약 접속자 그룹을 결정하는 단계; 를 더 포함할 수 있다.
대안적으로, 상기 복수의 사전예약 변수 조합은 기본 사용자 정보, 사전예약 이력 정보, 게임 선호도 정보 중 적어도 하나를 포함하는 조합을 포함할 수 있다.
대안적으로, 상기 복수의 사전예약 변수 조합은: 상기 기본 사용자 정보를 포함하는 조합; 을 포함할 수 있다.
대안적으로, 상기 복수의 사전예약 변수 조합은: 상기 기본 사용자 정보 및 상기 사전예약 이력 정보를 포함하는 조합; 을 포함할 수 있다.
대안적으로, 상기 복수의 사전예약 변수 조합은: 상기 기본 사용자 정보 및 상기 게임 선호도 정보를 포함하는 조합; 을 포함할 수 있다.
대안적으로, 상기 복수의 사전예약 변수 조합은: 상기 기본 사용자 정보, 상기 사전예약 이력 정보 및 상기 게임 선호도 정보를 포함하는 조합; 을 포함할 수 있다.
대안적으로, 상기 복수의 사전예약 변수 조합은: 상기 기본 사용자 정보를 포함하는 조합; 상기 기본 사용자 정보 및 상기 사전예약 이력 정보를 포함하는 조합; 상기 기본 사용자 정보 및 상기 게임 선호도 정보를 포함하는 조합; 및 상기 기본 사용자 정보, 상기 사전예약 이력 정보 및 상기 게임 선호도 정보를 포함하는 조합; 을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 몇몇 실시예에 따라 사전예약 접속 규모를 예측하는 방법을 수행하는 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 적어도 하나의 코어를 포함하는 프로세서; 및 상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 를 포함하고, 상기 프로세서는: 복수의 사전예약 변수 조합에 기초하여 적어도 하나의 제 1 게임에 대한 제 1 사전예약 정보로부터 복수의 서브 정보 그룹을 획득하고, 상기 복수의 서브 정보 그룹에 기초하여 복수의 서브 예측 모델을 포함하는 예측 모델 그룹 유닛을 생성하고 - 상기 복수의 서브 예측 모델 각각은 상기 복수의 서브 정보 그룹 중 적어도 하나와 관련됨 -, 상기 예측 모델 그룹 유닛 중에서 제 2 게임에 대한 제 2 사전예약 정보에 대응하는 적어도 하나의 상기 서브 예측 모델을 이용하여 상기 제 2 게임의 사전예약 접속 확률을 결정하는 단계;를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 몇몇 실시예에 따라 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 사전예약 접속 규모를 예측하는 방법을 수행하기 위한 동작들을 수행하도록 하며, 상기 방법은: 복수의 사전예약 변수 조합에 기초하여 적어도 하나의 제 1 게임에 대한 제 1 사전예약 정보로부터 복수의 서브 정보 그룹을 획득하는 단계; 상기 복수의 서브 정보 그룹에 기초하여 복수의 서브 예측 모델을 포함하는 예측 모델 그룹 유닛을 생성하는 단계 - 상기 복수의 서브 예측 모델 각각은 상기 복수의 서브 정보 그룹 중 적어도 하나와 관련됨 -; 및 상기 예측 모델 그룹 유닛 중에서 제 2 게임에 대한 제 2 사전예약 정보에 대응하는 적어도 하나의 상기 서브 예측 모델을 이용하여 상기 제 2 게임의 사전예약 접속 확률을 결정하는 단계; 를 포함할 수 있다.
본 개시는 게임 런칭 전 사전예약 접속 규모를 예측하는 방법 및 장치를 제공할 수 있다.
도 1은 본 개시의 몇몇 실시예에 따른 사전예약 접속 규모를 예측하는 방법을 수행하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 몇몇 실시예에 따른 예측 모델 그룹 유닛을 생성하는 프로세스를 설명하기 위한 도면이다.
도 4은 본 개시의 몇몇 실시예에 따른 예측 모델 그룹 유닛을 이용하여 사전예약 접속 확률을 결정하는 프로세스를 설명하기 위한 도면이다.
도 5은 본 개시의 몇몇 실시예에 따른 사전예약 접속 규모를 예측하는 방법의 순서도이다.
도 6은 본 개시의 몇몇 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.
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 안 된다.
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 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시의 몇몇 실시예에 따라, 본 개시는 사전예약 접속 규모를 예측하는 방법 및 장치를 제공할 수 있다. 사전예약 접속 규모를 예측하기 위한 방법론 중에서, 평균 전환률을 사용한 방법론은 사전예약 이외에 활용 가능성이 낮고, 정확률을 보장할 수 없는 문제를 가진다. 또한, 모델 기반 방법론의 경우, 사전예약 정보는 단순한데 비해 사전예약자가 접속할 확률을 구하기 위한 모델은 복잡하다는 문제점이 있다. 또한, 기존에 런칭한 게임과 유사하지 않은 게임의 런칭을 준비하는 경우와 같이, 모델을 학습시키는 것이 불가능한 경우도 있다. 본 개시는 사전예약 정보를 카테고리화하여 개별적인 서브 모델들을 생성함으로써, 상술한 문제점을 해소할 수 있다. 환언하면, 본 개시는 하나의 모델을 생성하는 대신, 사전예약 접속 확률을 결정하는데 사용할 수 있는 다양한 변수들의 조합을 이용하여 개별적인 서브 모델들을 복수개 생성할 수 있다. 따라서, 본 개시는 다양한 형태로 수집되는 사전예약 정보에 대하여 적절한 서브 모델을 선택 및 사용함으로써 효율적으로 사전예약 접속 규모를 예측하는 방법 및 장치를 제공할 수 있다.
용어 '사전예약 접속 확률'은 게임 런칭 후 다양한 기간 사이에 사전예약자가 접속할 확률을 포함할 수 있다. 예를 들어, 사전예약 접속 확률을 게임 런칭 당일(또는 런칭 후 24시간)에 사전예약자가 접속할 확률을 포함할 수 있다. 다른 예를 들어, 사전예약 접속 확률을 게임 런칭 후 일주일 동안에 사전예약자가 접속할 확률을 포함할 수 있다. 다만 이에 한정되지 않고, 사전예약 접속 확률은 다양한 방식으로 정의될 수 있다. 마찬가지로, 용어 '사전예약 접속 규모'를 결정하는 기간은 다양한 방식으로 정의될 수 있다.
도 1은 본 개시의 몇몇 실시예에 따른 사전예약 접속 규모를 예측하는 방법을 수행하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 1에서 도시되는 바와 같이, 컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다. 도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 몇몇 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들을 포함할 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 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 및 처리, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 몇몇 실시예에 따른 사전예약 접속 규모를 예측하는 방법을 수행하기 위한 데이터 변환, 연산, 생성 등을 수행할 수 있다.
본 개시의 몇몇 개시에 따라, 프로세서(110)는 이하에서 설명되는 사전예약 접속 규모를 예측하는 방법을 수행하기 위한 단계들을 수행할 수 있다. 예를 들어, 프로세서(110)는 복수의 사전예약 변수 조합에 기초하여 적어도 하나의 제 1 게임에 대한 제 1 사전예약 정보로부터 복수의 서브 정보 그룹을 획득할 수 있다. 제 1 게임은 사전 게임을 통해 게임 런칭을 완료한 게임을 포함할 수 있고, 제 1 사전예약 정보는 제 1 게임과 관련하여 사전예약을 통해 수집된 정보 및 게임 런칭 이후에 수집된 정보를 포함할 수 있다. 프로세서(110)는 복수의 서브 정보 그룹에 기초하여 복수의 서브 예측 모델을 포함하는 예측 모델 그룹 유닛을 생성할 수 있고, 여기서 복수의 서브 예측 모델 각각은 복수의 서브 정보 그룹 중 적어도 하나와 관련될 수 있다. 몇몇 예에서, 서브 예측 모델은 베이지안 네트워크 모델을 포함할 수 있다. 프로세서(110)는 예측 모델 그룹 유닛 중에서 제 2 게임에 대한 제 2 사전예약 정보에 대응하는 적어도 하나의 서브 예측 모델을 이용하여 제 2 게임의 사전예약 접속 확률을 예측할 수 있다. 제 2 게임은 게임 런칭을 준비 중인 게임을 포함할 수 있고, 제 2 사전예약 정보는 제 2 게임의 사전 예약을 통해 수집된 정보를 포함할 수 있다. 다만 이에 한정되지 않고, 프로세서(110)는 사전예약 접속 규모를 예측하는 방법을 수행하기 위한 다양한 단계들을 수행할 수 있다.
또한, 프로세서(110)는 사전예약 접속 규모를 예측하는 방법을 수행하기 위한 다양한 유닛 및 모듈들을 구현할 수 있다. 예를 들어, 이하에서 도 3 내지 도 5를 참조하여 설명되는 바와 같이, 프로세서(110)는 정보 분류 유닛(200), 예측 모델 생성 유닛, (300), 예측 모델 그룹 유닛(400)을 구현할 수 있다. 정보 분류 유닛(200), 예측 모델 생성 유닛, (300), 예측 모델 그룹 유닛(400)은 본 명세서에 설명되는 동작 이외에 일반적인 컴퓨터 기술로 구현되는 다양한 동작을 수행하도록 구현될 수 있다.
예측 모델 그룹 유닛(또는 서브 예측 모델)은 룰-기반 모델 또는 머신 러닝 모델일 수 있다. 본 개시의 몇몇 실시예에 따라 그룹 예측 유닛(또는 서브 예측 모델)이 머신러닝 모델인 경우, 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 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 딥러닝 모델과 관련된 연산을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 딥러닝 모델과 관련된 연산을 처리할 수 있다. 또한, 본 개시의 몇몇 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 딥러닝 모델과 관련된 데이터 변환, 연산, 생성, 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 몇몇 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다. 예를 들어, 메모리(130)는 프로세서(110)에 의해 딥러닝 모델을 학습시키는 과정에서 생성되는 데이터들을 저장할 수 있다. 또한 메모리(130)는 프로세서(110)에 의해 다른 서버 또는 장치에 저장된 사전예약 정보와 같은 외부에서 수신되는 데이터들을 저장할 수 있다. 다만, 이에 한정되지 않고, 메모리(130)는 본 개시의 몇몇 실시예에 따른 사전예약 접속 규모를 예측하는 방법을 수행하기 위한 다양한 정보를 저장할 수 있다.
본 개시의 몇몇 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 몇몇 실시예에 따른 네트워크부(150)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다.
네트워크부(150)는 프로세서(110)에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 프로세서(110)에 의해 생성된 사용자 인터페이스를 클라이언트(e.g. 사용자 단말)로 제공할 수 있다. 또한, 네트워크부(150)는 클라이언트로 인가된 사용자의 외부 입력을 수신하여 프로세서(110)로 전달할 수 있다. 이때, 프로세서(110)는 네트워크부(150)로부터 전달받은 사용자의 외부 입력을 기초로 사용자 인터페이스를 통해 제공되는 정보의 출력, 수정, 변경, 추가 등의 동작을 처리할 수 있다.
구체적으로 예를 들면, 네트워크부(150)는 본 개시의 몇몇 실시예에 따른 사전예약 접속 규모를 예측하는 방법을 수행하기 위한 다양한 정보를 송수신할 수 있다. 예를 들어, 네트워크부(150)는 데이터베이스 상에 저장된 하나 이상의 사전예약 정보 또는 학습 데이터를 수신할 수 있다. 또한, 네트워크부(150)는 이하에서 설명되는 사전예약 접속 규모를 예측하는 방법을 수행하는 과정에서 생성되는 몇몇의 데이터를 데이터베이스 상에 저장하기 위해 외부로 전송할 수 있다.
한편, 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 정보를 송수신하는 컴퓨팅 시스템으로서 서버를 포함할 수 있다. 이때, 클라이언트는 서버에 액세스할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 사용자 단말로부터 쿼리를 수신하여 쿼리에 대응하는 단일 정보 처리 결과를 생성할 수 있다. 이 경우에, 서버인 컴퓨팅 장치(100)는 처리 결과를 포함하는 사용자 인터페이스를 사용자 단말로 제공할 수 있다. 이때, 사용자 단말은 서버인 컴퓨팅 장치(100)로부터 수신한 사용자 인터페이스를 출력하고, 사용자와의 상호 작용을 통해 정보를 입력받거나 처리할 수 있다.
추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수도 있다.
도 2는 본 개시의 일 실시예에 따라 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 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
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 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 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 노드들을 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 컨볼루션 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, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 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. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 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), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(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 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
도 3은 본 개시의 몇몇 실시예에 따른 예측 모델 그룹 유닛(400)을 생성하는 프로세스를 설명하기 위한 도면이다.
도 3을 참조하여, 프로세서(110)가 사전예약을 통해 런칭을 완료한 게임에 대한 사전예약 정보를 이용하여 예측 모델 그룹 유닛(400)을 생성하는 예시적인 프로세스가 설명된다.
본 개시의 몇몇 실시예에 따라, 프로세서(110)는 복수의 사전예약 변수 조합에 기초하여 적어도 하나의 제 1 게임에 대한 제 1 사전예약 정보(10)로부터 복수의 서브 정보 그룹(20)을 획득할 수 있다.
제 1 사전예약 정보(10)는 사전예약을 통해 런칭을 완료한 게임과 관련된 사용자(또는 사전예약자) 또는 게임에 대한 정보를 포함할 수 있다. 여기서, 사전예약을 통해 런칭을 완료한 게임은 편의상 제 1 게임으로 지칭될 수 있다. 몇몇 예에서, 제 1 사전예약 정보는 사전예약한 사용자에 관한 정보 및 사전예약한 게임에 관한 정보를 포함할 수 있다 사전예약한 사용자에 관한 정보는 사용자의 성별, 연령, 접속 기록, 결제이력, 선호하는 게임 정보, 게임 플레이 정보 등을 포함할 수 있다. 사전예약한 게임에 관한 정보는 사전예약 참여에 관한 정보(접속여부, 접속일자, 플레이시간, 유료 결제 여부 등), 사전예약한 게임의 장르 등을 포함할 수 있다. 다만 이에 한정되지 않고, 제 1 사전예약 정보(10)는 다양한 정보를 포함할 수 있다.
사전예약이 다양한 경로를 통해 이루어질 수 있으므로, 제 1 사전예약 정보(10)는 다양한 경로를 통해 다양한 정보를 수집함으로써 획득될 수 있다. 예를 들어, 플랫폼을 통해 사전예약이 이루어진 경우, 사용자가 플랫폼을 사용하기 위해 입력한 사용자 정보(성별, 연령, 거주지, 연락처 등)가 제 1 사전예약 정보로 수집될 수 있다. 또한, 플랫폼이 게임 서비스를 제공하는 경우, 사용자가 플레이한 게임들에 관한 정보가 제 1 사전예약 정보로 수집될 수 있다. 다른 예로, 광고 배너를 통해 로그인 없이 사전예약이 이루어진 경우, 광고 배너를 통해 입력 받은 정보가 제 1 사전예약 정보로 수집될 수 있다. 다만 이에 한정되지 않고, 제 1 사전예약 정보는 다양한 형태로 수집될 수 있다.
본 개시의 몇몇 실시예에 따라, 복수의 사전예약 변수 조합은 기본 사용자 정보, 사전예약 이력 정보, 게임 선호도 정보 중 적어도 하나를 포함하는 조합을 포함할 수 있다.
*복수의 사전예약 변수 조합은 사전예약 정보에 포함된 변수들을 카테고리별로 정제하는데 사용될 수 있다. 예를 들어, 사전예약 정보에 포함된 변수들은 기본 사용자 정보, 사전예약 이력 정보, 게임 선호도 정보로 분류될 수 있다. 몇몇 예에서, 기본 사용자 정보는 사용자(또는 사전 예약자)에 관한 정보를 포함할 수 있다. 예를 들어, 기본 사용자 정보는 성별, 연령, 접속 기록, 결제 이력 등을 포함할 수 있다. 몇몇 예에서, 사전예약 이력 정보는 과거의 사전예약에 관한 정보를 포함할 수 있다. 예를 들어, 사전예약 이력 정보는 과거에 사전예약한 게임에 대한 정보(예를 들어, 사전예약한 게임의 장르 등), 과거 사전예약의 참여 정도에 대한 정보를 포함할 수 있다. 몇몇 예에서, 게임 선호도 정보는 제 1 게임과 사전예약을 통해 게임을 런칭하고자 하는 게임(편의상 제 2 게임으로 지칭됨)과의 유사도를 판단하기 위한 정보를 포함할 수 있다. 예를 들어, 게임 선호도 정보는 사용자에 의해 입력된 선호 게임에 대한 정보, 사용자가 플레이한 게임에 대한 정보(예를 들어, 구매 또는 다운로드한 게임의 목록, 게임의 장르, 게임 플레이 시간, 게임 진행 및 완료 비율 등)를 포함할 수 있다. 다만 이에 한정되지 않고, 기본 사용자 정보, 사전예약 이력 정보, 게임 선호도 정보는 다양한 형태의 정보를 포함할 수 있다.
복수의 사전예약 변수 조합은 기본 사용자 정보, 사전예약 이력 정보, 게임 선호도 정보의 여러 조합들을 포함할 수 있다. 예를 들어, 복수의 사전예약 변수 조합은 4가지 조합을 포함할 수 있다. 여기서 4가지 조합은 기본 사용자 정보를 포함하는 제 1 조합, 기본 사용자 정보 및 사전예약 이력 정보를 포함하는 제 2 조합, 기본 사용자 정보 및 게임 선호도 정보를 포함하는 제 3 조합, 및 기본 사용자 정보, 사전예약 이력 정보 및 게임 선호도 정보를 포함하는 제 4 조합을 포함할 수 있다. 다만 이에 한정되지 않고, 복수의 사전예약 변수 조합은 다양한 정보들의 조합들을 포함할 수 있다.
도 3을 참조하면, 복수의 서브 정보 그룹(20)을 획득하기 위해, 프로세서(110)는 정보 분류 유닛(200)에 의해 복수의 사전예약 변수 조합에 따라 제 1 사전예약 정보로부터 복수의 서브 정보 그룹(20)을 생성할 수 있다. 예를 들어, 정보 분류 유닛(200)은 제 1 사전예약 정보(10) 중에서 기본 사용자 정보를 포함하는 제 1 조합에 해당하는 정보를 추출함으로써 하나의 서브 정보 그룹을 생성할 수 있다. 다른 예로, 정보 분류 유닛(200)은 기본 사용자 정보를 포함하는 제 1 조합, 기본 사용자 정보 및 사전예약 이력 정보를 포함하는 제 2 조합에 각각 해당하는 정보를 추출함으로써 2개의 서브 정보 그룹을 생성할 수 있다. 또 다른 예로, 정보 분류 유닛(200)은 기본 사용자 정보를 포함하는 제 1 조합, 기본 사용자 정보 및 사전예약 이력 정보를 포함하는 제 2 조합, 기본 사용자 정보 및 게임 선호도 정보를 포함하는 제 3 조합, 및 기본 사용자 정보, 사전예약 이력 정보 및 게임 선호도 정보를 포함하는 제 4 조합에 각각 해당하는 정보를 추출함으로써 4개의 서브 정보 그룹을 생성할 수 있다. 다만 이에 한정되지 않고, 정보 분류 유닛(200)은 다양한 방식으로 제 1 사전예약 정보로부터 복수의 서브 정보 그룹(20)을 생성할 수 있다.
본 개시의 몇몇 실시예에 따라, 프로세서(110)는 복수의 서브 정보 그룹(20)에 기초하여 복수의 서브 예측 모델(410, 420, 430, 440)을 포함하는 예측 모델 그룹 유닛(400)을 생성할 수 있다. 여기서, 복수의 서브 예측 모델 각각은 복수의 서브 정보 그룹(20) 중 적어도 하나와 관련될 수 있다.
제 1 사전예약 정보로부터 복수의 서브 정보 그룹(20)이 획득되는 경우, 프로세서(110)는 예측 모델 생성 유닛(300)에 의해 복수의 서브 정보 그룹(20)을 이용하여 예측 모델 그룹 유닛(400)을 생성할 수 있다. 예측 모델 그룹 유닛(400)은 복수의 서브 예측 모델(410, 420, 430, 440)을 포함할 수 있다. 도 3을 참조하면, 예측 모델 그룹 유닛(400)이 4개의 서브 예측 모델(410, 420, 430, 440)을 포함할 수 있다. 다만, 이는 단지 예시로, 예측 모델 그룹 유닛(400)은 다양한 개수의 서브 예측 모델을 포함할 수 있다.
복수의 서브 예측 모델(410, 420, 430, 440) 각각은 복수의 서브 정보 그룹(20) 중 적어도 하나와 관련될 수 있다. 예를 들어, 하나의 서브 예측 모델은 하나의 서브 정보 그룹을 이용하여 생성할 수 있다. 구체적으로 예를 들어, 서브 예측 모델(410)은 서브 정보 그룹(21)을 통해 네트워크를 학습시킴으로써 생성될 수 있다. 이 경우에, 다른 3개의 서브 예측 모델(420, 430, 440)은 각각 다른 서브 정보 그룹(22, 23, 24)을 통해 네트워크를 학습시킴으로써 생성될 수 있다.
이 경우에, 각각의 서브 예측 모델은 서브 예측 모델을 생성하는데 사용된 서브 정보 그룹에 포함된 정보 조합에 대하여 최적화될 수 있다. 예를 들어, 기본 사용자 정보를 포함하는 제 1 조합의 서브 정보 그룹을 이용하여 학습된 서브 예측 모델은 제 1 조합의 형태로 수집된 사전예약 정보에 대하여 최적의 예측 성능을 나타낼 수 잇다. 다른 예로, 기본 사용자 정보 및 사전예약 이력 정보를 포함하는 제 2 조합의 서브 정보 그룹을 이용하여 학습된 서브 예측 모델은 제 2 조합의 형태로 수집된 사전예약 정보에 대하여 최적의 예측 성능을 나타낼 수 있다. 다만, 이에 한정되지 않고, 복수의 서브 예측 모델 각각은 복수의 서브 정보 그룹(20) 중 적어도 하나와 관련하여 다양한 방식으로 생성될 수 있다.
본 개시의 몇몇 실시예에 따라, 서브 예측 모델은 베이지안 네트워크 모델일 수 있다.
서브 예측 모델은 다양한 알고리즘을 통해 구현될 수 있다. 예를 들어, 서브 예측 모델은 베이지안 네트워크 모델일 수 있다. 몇몇 예에서, 베이지안 네트워크 모델은 확률 변수 간의 인과 관계를 그래프 형태로 나타낸 후, 주어진 데이터에 대해 확률 변수의 분포를 학습하는 확률 그래프 모형(Probabilistic Graphical Model, PGM)일 수 있다. 최신 딥러닝 모델들은 더 큰 모델을 더 많은 데이터로 학습을 진행하고 있으나, 모델이 커질수록 해석하기가 어려워지고, 따라서 해석하기 어려운 딥러닝 모델의 출력값에 대하여 얼마나 신뢰할 수 있는지 불분명할 수 있다. 또한, 학습 데이터에 노이즈의 비율이 높거나, 학습에 사용하지 않은 데이터가 모델에 입력되는 경우, 이러한 모델은 정확한 예측값을 생성하지 하지 못할 수 있다. 베이지안 네트워크 모델은 모델이나 현상에 대한 불확실성을 정량화하는 특징을 가진다는 점에서, 상술한 문제점에 강인한 특성을 가질 수 있다. 환언하면, 본 개시는 사전예약 정보를 복수의 사전예약 변수 조합에 따라 정제하고, 정제된 정보(서브 정보 그룹)를 이용하여 베이지안 네트워크 모델 기반의 예측 모델을 생성할 수 있다. 구체적으로, 본 개시는 복수의 사전예약 변수 조합에 따라 획득된 복수의 서브 정보 그룹을 이용하여 베이지안 네트워크 모델 기반인 복수의 서브 예측 모델을 포함하는 예측 모델 그룹 유닛(400)을 생성함으로써, 다양한 사전예약 정보에 적합한 예측 모델을 제공할 수 있다.
도 4은 본 개시의 몇몇 실시예에 따른 예측 모델 그룹 유닛(400)을 이용하여 사전예약 접속 확률을 결정하는 프로세스를 설명하기 위한 도면이다.
본 개시의 몇몇 실시예에 따라, 프로세서(110)는 예측 모델 그룹 유닛(400) 중에서 제 2 게임에 대한 제 2 사전예약 정보에 대응하는 적어도 하나의 서브 예측 모델(410, 420, 430, 440)을 이용하여 제 2 게임의 사전예약 접속 확률을 결정할 수 있다.
제 2 게임은 게임 런칭을 준비 중인 게임을 포함할 수 있다. 그리고 제 2 사전예약 정보(30)는 제 2 게임의 사전 예약을 통해 수집된 정보를 포함할 수 있다. 몇몇 예에서, 프로세서(110)는 예측 모델 그룹 유닛(400)을 이용하여 게임 런칭 전에 사전예약 접속 규모를 예측하기 위해 제 2 사전예약 정보(30)를 획득할 수 있다.
사전예약이 다양한 경로를 통해 이루어질 수 있으므로, 제 1 사전예약 정보(10)와 같이, 제 2 사전 예약 정보(30)는 다양한 경로를 통해 다양한 정보를 수집함으로써 획득될 수 있다. 예를 들어, 플랫폼을 통해 사전예약이 이루어진 경우, 사용자가 플랫폼을 사용하기 위해 입력한 사용자 정보가 제 2 사전예약 정보(30)로 수집될 수 있다. 또한, 플랫폼이 게임 서비스를 제공하는 경우, 사용자가 플레이한 게임들에 관한 정보가 제 2 사전예약 정보(30)로 수집될 수 있다. 다른 예로, 광고 배너를 통해 로그인 없이 사전예약이 이루어진 경우, 광고 배너를 통해 입력 받은 정보가 제 2 사전예약 정보로 수집될 수 있다. 몇몇 예에서, 제 2 사전예약 정보는 하나의 형태의 정보를 포함할 수 있다. 다른 예로, 제 2 사전예약 정보는 다양한 형태 정보를 동시에 포함할 수 있다. 다만 이에 한정되지 않고, 제 2 사전예약 정보는 다양한 형태로 수집될 수 있다.
복수의 서브 예측 모델을 포함하는 예측 모델 그룹 유닛(400)이 생성되는 경우, 프로세서(110)는 예측 모델 그룹 유닛(400)을 이용하여 사전예약 접속 규모를 예측하기 위한 동작을 수행할 수 있다. 도 4를 참조하면, 프로세서(110)는 예측 모델 그룹 유닛(400) 중 제 2 사전예약 정보(30)에 대응하는 서브 예측 모델(410, 430)을 이용하여 사전예약 접속 확률(41, 42)을 획득할 수 있다. 이 경우에, 프로세서(110)는 예측 모델 그룹 유닛(400)에 의해 획득된 사전예약 접속 확률(41, 42)을 이용하여 사전예약 접속 인원을 결정함으로써 사전예약 접속 규모를 결정할 수 있다.
구체적으로 설명하면, 예측 모델 그룹 유닛(400)은 제 2 사전예약 정보(30)를 수신하는 경우에 제 2 사전예약 정보(30)에 대응하는 서브 예측 모델을 결정할 수 있다. 예를 들어, 제 2 사전예약 정보(30)가 기본 사용자 정보를 포함하는 제 1 조합 형태의 정보인 경우에, 예측 모델 그룹 유닛(400)은 제 1 조합의 서브 정보 그룹에 관련된 서브 예측 모델이 제 2 사전예약 정보(30)에 대응한다고 결정할 수 있다. 다른 예를 들어, 제 2 사전예약 정보(30)가 기본 사용자 정보를 포함하는 제 1 조합 형태의 정보 및 기본 사용자 정보 및 게임 선호도 정보를 포함하는 제 3 조합의 형태의 정보를 포함하는 경우에, 예측 모델 그룹 유닛(400)은 제 1 조합 및 제 3 조합의 서브 정보 그룹들에 관련된 서브 예측 모델들이 제 2 사전예약 정보(30)에 대응한다고 결정할 수 있다.
대응하는 하나 이상의 서브 예측 모델이 결정되는 경우, 예측 모델 그룹 유닛(400)은 대응하는 하나 이상의 서브 예측 모델을 이용하여 하나 이상의 사전예약 접속 확률을 결정할 수 있다. 이 경우에, 예측 모델 그룹 유닛(400)은 사전예약 접속 확률을 사전예약한 사용자 그룹에 적용함으로써 사전예약 접속 규모를 예측할 수 있다. 몇몇 예에서, 사전예약 접속 확률이 40%이고, 제 2 사전예약 정보에 대한 사용자 그룹이 300만명인 경우, 예측 모델 그룹 유닛(400)은 220만명을 사전예약 접속 인원으로 예측할 수 있다. 다른 예로, 제 2 사전예약 정보가 제 1 조합의 정보와 제 4 조합의 정보를 포함하는 경우에, 예측 모델 그룹 유닛(400)에 의해 제 2 사전예약 정보가 처리됨으로써, 제 1 조합의 서브 정보 그룹에 관련된 서브 예측 모델은 20%의 사전예약 접속 확률을 결정하고 제 4 조합의 서브 정보 그룹에 관련된 서브 예측 모델은 30%의 사전예약 접속 확률을 결정할 수 있다. 이 경우에, 예를 들어, 제 2 사전예약 정보 중 제 1 조합의 정보에 관련된 사용자 그룹이 100만명이고 제 2 사전예약 정보 중 제 4 조합의 정보에 관련된 사용자 그룹이 50만명인 경우, 예측 모델 그룹 유닛(400)은 35만명을 사전예약 접속 인원으로 예측할 수 있다. 다만 이에 한정되지 않고, 예측 모델 그룹 유닛(400)은 대응하는 하나 이상의 서브 예측 모델을 이용하여 다양한 방식으로 제 2 사전예약 정보로부터 사전예약 접속 확률을 결정할 수 있다.
상술한 바와 같이, 본 개시의 예측 모델 그룹(400)은 수집된 사전예약 정보의 공백에 따라 적합한 서브 예측 모델을 선택/사용함으로써 효과적으로 사전예약 접속 규모를 예측할 수 있다. 따라서 본 개시의 예측 모델 그룹(400)은 다양한 형태로 수집되는 사전예약 정보로부터 사전예약 접속 규모를 예측하는데 효율적일 수 있다.
본 개시의 몇몇 실시예에서, 프로세서(110)는 제 2 게임의 사전예약 접속 확률에 기초하여 난수를 생성함으로써, 예상 사전예약 접속자 그룹을 결정할 수 있다.
사전예약 접속 확률이 결정되는 경우, 프로세서(110)는 게임 런칭 시에 접속할 것으로 예상되는 사전예약 접속자 그룹을 특정할 수 있다. 예를 들어, 프로세서(110)는 제 2 게임의 사전예약 접속 확률에 기초하여 난수를 생성할 수 있다. 생성된 난수는 제 2 사전예약 정보와 관련된 사용자 그룹 중에서 접속할 것으로 예상되는 사전예약 접속자 그룹을 특정하는데 사용될 수 있다. 구체적으로, 사전예약에 따라 접속할 것으로 예약되는 개별 사용자가 전체 사용자 그룹 중에서 난수 분포에 따라 확률적으로 특정될 수 있다. 난수를 적용함으로써 특정한 사전예약 접속자에 관한 정보는 추가적인 프로모션을 진행하는 등의 추가적인 마케팅에 사용될 수 있다. 다만 이에 한정되지 않고, 프로세서(110)는 게임 런칭 시에 접속할 것으로 예상되는 사전예약 접속자 그룹을 다양한 방식으로 특정할 수 있다.
도 5은 본 개시의 몇몇 실시예에 따른 사전예약 접속 규모를 예측하는 방법의 순서도이다.
본 개시의 몇몇 실시예에 따라, 본 방법은 복수의 사전예약 변수 조합에 기초하여 적어도 하나의 제 1 게임에 대한 제 1 사전예약 정보로부터 복수의 서브 정보 그룹을 획득하는 단계(s100)를 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, 본 방법은 복수의 서브 정보 그룹에 기초하여 복수의 서브 예측 모델을 포함하는 예측 모델 그룹 유닛을 생성하는 단계(s200)를 포함할 수 있다. 여기서, 복수의 서브 예측 모델 각각은 복수의 서브 정보 그룹 중 적어도 하나와 관련될 수 있다.
본 개시의 몇몇 실시예에 따라, 본 방법은 예측 모델 그룹 유닛 중에서 제 2 게임에 대한 제 2 사전예약 정보에 대응하는 적어도 하나의 서브 예측 모델을 이용하여 제 2 게임의 사전예약 접속 확률을 결정하는 단계(s300)를 포함할 수 있다.
대안적으로, 본 개시의 몇몇 실시예에 따라, 본 방법은 상기 제 2 게임의 사전예약 접속 확률에 기초하여 난수를 생성함으로써, 예상 사전예약 접속자 그룹을 결정하는 단계;를 더 포함할 수 있다.
전술한 본 방법의 단계들은 단지 설명을 위해 제시된 것이며, 일부 단계가 생략되거나 별도의 단계가 추가될 수 있다. 또한, 전술한 본 방법의 단계들은 임의의 순서에 따라 수행될 수 있다.
도 6은 본 개시의 몇몇 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 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(handheld) 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(4102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(4100)이 나타내어져 있으며, 컴퓨터(4102)는 처리 장치(4104), 시스템 메모리(4106) 및 시스템 버스(4108)를 포함한다. 시스템 버스(4108)는 시스템 메모리(4106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(4104)에 연결시킨다. 처리 장치(4104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(4104)로서 이용될 수 있다.
시스템 버스(4108)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(4106)는 판독 전용 메모리(ROM)(4110) 및 랜덤 액세스 메모리(RAM)(4112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(4110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(4102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(4112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(4102)는 또한 내장형 하드 디스크 드라이브(HDD)(4114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(4114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(4116)(예를 들어, 이동식 디스켓(4118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(4120)(예를 들어, CD-ROM 디스크(4122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(4114), 자기 디스크 드라이브(4116) 및 광 디스크 드라이브(4120)는 각각 하드 디스크 드라이브 인터페이스(4124), 자기 디스크 드라이브 인터페이스(4126) 및 광 드라이브 인터페이스(4128)에 의해 시스템 버스(4108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(4124)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(4102)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(4130), 하나 이상의 애플리케이션 프로그램(4132), 기타 프로그램 모듈(4134) 및 프로그램 데이터(4136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(4112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(4112)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(4138) 및 마우스(4140) 등의 포인팅 장치를 통해 컴퓨터(4102)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(4108)에 연결되어 있는 입력 장치 인터페이스(4142)를 통해 처리 장치(4104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(4144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(4146) 등의 인터페이스를 통해 시스템 버스(4108)에 연결된다. 모니터(4144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(4102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(4148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(4148)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(4102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(4150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(4152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(4154)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(4102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(4156)를 통해 로컬 네트워크(4152)에 연결된다. 어댑터(4156)는 LAN(4152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(4152)은 또한 무선 어댑터(4156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(4102)는 모뎀(4158)을 포함할 수 있거나, WAN(4154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(4154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(4158)은 직렬 포트 인터페이스(4142)를 통해 시스템 버스(4108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(4102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(4150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(4102)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
상기와 같이 발명의 실시를 위한 최선의 형태에서 관련 내용을 기술하였다.
본 개시는 게임 런칭 전 사전예약 접속 규모를 예측하는 방법 및 장치를 제공할 수 있다.

Claims (11)

  1. 컴퓨팅 장치에 의해 수행되는 사전예약 접속 규모를 예측하는 방법에 있어서,
    복수의 사전예약 변수 조합에 기초하여 적어도 하나의 제 1 게임에 대한 제 1 사전예약 정보로부터 복수의 서브 정보 그룹을 획득하는 단계;
    상기 복수의 서브 정보 그룹에 기초하여 복수의 서브 예측 모델을 포함하는 예측 모델 그룹 유닛을 생성하는 단계 - 상기 복수의 서브 예측 모델 각각은 상기 복수의 서브 정보 그룹 중 적어도 하나와 관련됨 -; 및
    상기 예측 모델 그룹 유닛 중에서 제 2 게임에 대한 제 2 사전예약 정보에 대응하는 적어도 하나의 상기 서브 예측 모델을 이용하여 상기 제 2 게임의 사전예약 접속 확률을 결정하는 단계;
    를 포함하는,
    방법.
  2. 제 1 항에 있어서,
    상기 서브 예측 모델은 베이지안 네트워크 모델을 포함하는,
    방법.
  3. 제 1 항에 있어서,
    상기 제 2 게임의 사전예약 접속 확률에 기초하여 난수를 생성함으로써, 예상 사전예약 접속자 그룹을 결정하는 단계;
    를 더 포함하는,
    방법.
  4. 제 1 항에 있어서,
    상기 복수의 사전예약 변수 조합은 기본 사용자 정보, 사전예약 이력 정보, 게임 선호도 정보 중 적어도 하나를 포함하는 조합을 포함하는,
    방법.
  5. 제 4 항에 있어서,
    상기 복수의 사전예약 변수 조합은:
    상기 기본 사용자 정보를 포함하는 조합;
    을 포함하는,
    방법.
  6. 제 4 항에 있어서,
    상기 복수의 사전예약 변수 조합은:
    상기 기본 사용자 정보 및 상기 사전예약 이력 정보를 포함하는 조합;
    을 포함하는,
    방법.
  7. 제 4 항에 있어서,
    상기 복수의 사전예약 변수 조합은:
    상기 기본 사용자 정보 및 상기 게임 선호도 정보를 포함하는 조합;
    을 포함하는,
    방법.
  8. 제 4 항에 있어서,
    상기 복수의 사전예약 변수 조합은:
    상기 기본 사용자 정보, 상기 사전예약 이력 정보 및 상기 게임 선호도 정보를 포함하는 조합;
    을 포함하는,
    방법.
  9. 제 4 항에 있어서,
    상기 복수의 사전예약 변수 조합은:
    상기 기본 사용자 정보를 포함하는 조합;
    상기 기본 사용자 정보 및 상기 사전예약 이력 정보를 포함하는 조합;
    상기 기본 사용자 정보 및 상기 게임 선호도 정보를 포함하는 조합; 및
    상기 기본 사용자 정보, 상기 사전예약 이력 정보 및 상기 게임 선호도 정보를 포함하는 조합;
    을 포함하는,
    방법.
  10. 사전예약 접속 규모를 예측하는 방법을 수행하는 컴퓨팅 장치로서,
    적어도 하나의 코어를 포함하는 프로세서; 및
    상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리;
    를 포함하고,
    상기 프로세서는:
    복수의 사전예약 변수 조합에 기초하여 적어도 하나의 제 1 게임에 대한 제 1 사전예약 정보로부터 복수의 서브 정보 그룹을 획득하고,
    상기 복수의 서브 정보 그룹에 기초하여 복수의 서브 예측 모델을 포함하는 예측 모델 그룹 유닛을 생성하고 - 상기 복수의 서브 예측 모델 각각은 상기 복수의 서브 정보 그룹 중 적어도 하나와 관련됨 -,
    상기 예측 모델 그룹 유닛 중에서 제 2 게임에 대한 제 2 사전예약 정보에 대응하는 적어도 하나의 상기 서브 예측 모델을 이용하여 상기 제 2 게임의 사전예약 접속 확률을 결정하는,
    컴퓨팅 장치.
  11. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 사전예약 접속 규모를 예측하는 방법을 수행하기 위한 동작들을 수행하도록 하며, 상기 방법은:
    복수의 사전예약 변수 조합에 기초하여 적어도 하나의 제 1 게임에 대한 제 1 사전예약 정보로부터 복수의 서브 정보 그룹을 획득하는 단계;
    상기 복수의 서브 정보 그룹에 기초하여 복수의 서브 예측 모델을 포함하는 예측 모델 그룹 유닛을 생성하는 단계 - 상기 복수의 서브 예측 모델 각각은 상기 복수의 서브 정보 그룹 중 적어도 하나와 관련됨 -; 및
    상기 예측 모델 그룹 유닛 중에서 제 2 게임에 대한 제 2 사전예약 정보에 대응하는 적어도 하나의 상기 서브 예측 모델을 이용하여 상기 제 2 게임의 사전예약 접속 확률을 결정하는 단계;
    를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
PCT/KR2023/003068 2022-03-17 2023-03-07 게임 런칭 전 사전예약 접속 규모를 예측하는 방법 및 장치 WO2023177138A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0033488 2022-03-17
KR1020220033488A KR20230135920A (ko) 2022-03-17 2022-03-17 게임 런칭 전 사전예약 접속 규모를 예측하는 방법 및 장치

Publications (1)

Publication Number Publication Date
WO2023177138A1 true WO2023177138A1 (ko) 2023-09-21

Family

ID=88023975

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/003068 WO2023177138A1 (ko) 2022-03-17 2023-03-07 게임 런칭 전 사전예약 접속 규모를 예측하는 방법 및 장치

Country Status (2)

Country Link
KR (1) KR20230135920A (ko)
WO (1) WO2023177138A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008148995A (ja) * 2006-12-19 2008-07-03 Konami Digital Entertainment:Kk ゲームプログラム、ゲーム装置及びゲーム制御方法
JP2009048227A (ja) * 2007-08-13 2009-03-05 Fujitsu Ltd 利用者状態推定システム、利用者状態推定方法および利用者状態推定プログラム
KR20180061758A (ko) * 2016-11-30 2018-06-08 주식회사 엔씨소프트 온라인 게임 프로모션의 매출 예측 방법
KR20200072391A (ko) * 2019-08-05 2020-06-22 넷마블 주식회사 게임 지표 정보 예측 방법 및 장치
KR20200125153A (ko) * 2019-04-26 2020-11-04 넷마블 주식회사 예측 장치 및 이의 동작 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008148995A (ja) * 2006-12-19 2008-07-03 Konami Digital Entertainment:Kk ゲームプログラム、ゲーム装置及びゲーム制御方法
JP2009048227A (ja) * 2007-08-13 2009-03-05 Fujitsu Ltd 利用者状態推定システム、利用者状態推定方法および利用者状態推定プログラム
KR20180061758A (ko) * 2016-11-30 2018-06-08 주식회사 엔씨소프트 온라인 게임 프로모션의 매출 예측 방법
KR20200125153A (ko) * 2019-04-26 2020-11-04 넷마블 주식회사 예측 장치 및 이의 동작 방법
KR20200072391A (ko) * 2019-08-05 2020-06-22 넷마블 주식회사 게임 지표 정보 예측 방법 및 장치

Also Published As

Publication number Publication date
KR20230135920A (ko) 2023-09-26

Similar Documents

Publication Publication Date Title
KR101940029B1 (ko) 어노말리 디텍션
WO2022164230A1 (ko) 심전도 신호 기반의 만성질환 예측 방법
WO2020005049A1 (ko) 인공 신경망의 학습 방법
KR102430483B1 (ko) 반도체 소자의 배치를 평가하는 방법
KR102283523B1 (ko) 인공지능 서비스를 제공하기 위한 방법
KR102583582B1 (ko) 어노말리 데이터 생성 방법
KR20210068707A (ko) 신경망을 학습시키는 방법
KR102420071B1 (ko) 인공지능 기반의 반도체 설계 자동화 방법
KR20230053846A (ko) 쓰레기를 수거하기 위한 방법
WO2023101417A1 (ko) 딥러닝 기반의 강수량 예측 방법
WO2023027277A1 (ko) 신경망 모델의 다양성을 위한 학습 방법
WO2023177138A1 (ko) 게임 런칭 전 사전예약 접속 규모를 예측하는 방법 및 장치
WO2023027279A1 (ko) 화학구조 내부 원자의 키나아제 결합여부 예측 방법
KR102474856B1 (ko) 인공지능 기반의 반도체 설계 자동화 방법
WO2023027278A1 (ko) 커리큘럼 기반의 능동적 학습 방법
WO2023172050A1 (ko) 플레이 로그를 이용한 사용자 정보 예측 방법 및 장치
WO2023008811A2 (ko) 신경망 모델을 이용한 마스크 착용 얼굴 이미지 복원 방법
KR102440629B1 (ko) 반도체 설계를 위한 신경망 모델 학습 방법
WO2023113420A1 (ko) 사업자 활동 데이터 분석 방법
WO2023033283A1 (ko) 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법
WO2023075351A1 (ko) 산업용 로봇의 인공지능 학습 방법
KR102498533B1 (ko) 딥 러닝 기법으로 학습된 모델을 이용하여 사용자와의 실시간 대화 및 질문에 대한 응답 제공 기능을 수행하는 대화형 전자 장치 및 그 동작 방법
WO2023120766A1 (ko) 인공신경망 기반의 특성 곡선 예측 방법
WO2023027280A1 (ko) 항원 결정기 후보 도출 방법
KR102662989B1 (ko) 어플리케이션 플랫폼을 제공하기 위한 방법 및 장치

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23771017

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18292832

Country of ref document: US