제목 : 기계학습을 활용한 온라인게임 매치메이킹 개선방안
저자 : 김용우, 김영민
초록 :
온라인 게임에서 다른 플레이어와의 상호작용은 플레이어의 만족도에 영향을 미친다. 따라서, 비슷한 수준의 플레이어를 매치시켜 원활한 상호작용을 도모하는 것은 플레이어의 게임 경험을 위해 중요하다. 그러나, 게임의 최종승패로만 플레이어의 평가점수를 증감시키는 현재의 평가 방식으로는 신규 및 복귀 플레이어의 원활한 매칭이 불가능하다. 본 연구에서는 스타크래프트II의 리플레이를 활용하여 매치메이킹 개선을 위한 기계학습 활용방안을 제시한다. 매치메이킹의 기준이 되는 플레이어의 MMR 점수를 예측하는 기계학습 모델을 생성하고 성능을 평가하였다. 모델의 오차는 리그 평균 MMR 점수 범위의 40.4% 수준으로, 제안된 방식을 통해서 플레이어를 실력과 근접한 리그에 즉시 배치할 수 있음을 확인하였다. 또한, 결과에 대한 플레이어의 수용도를 높일 수 있도록 예측의 근거를 도출하는 방안도 제시되었다.
In online games, interactions with other players may threaten player satisfaction. Therefore, matching players of similar skill levels is important for players’ experience. However, with the current evaluation method which is only based on the final result of the game, newbies and returning players are difficult to be matched properly. In this study, we propose a method to improve matchmaking quality. We build machine learning models to predict the MMR of players and derive the basis of the prediction. The error of the best model was 40.4% of the average MMR range, confirming that the proposed method can immediately place players in a league close to their current skill level. In addition, the basis of predictions may help players to accept the result.
URL : https://www.dbpia.co.kr/journal/articleDetail?nodeId=NODE11036710
제목 : 기계학습을 활용한 온라인게임 매치메이킹 개선방안
저자 : 김용우, 김영민
초록 :
온라인 게임에서 다른 플레이어와의 상호작용은 플레이어의 만족도에 영향을 미친다. 따라서, 비슷한 수준의 플레이어를 매치시켜 원활한 상호작용을 도모하는 것은 플레이어의 게임 경험을 위해 중요하다. 그러나, 게임의 최종승패로만 플레이어의 평가점수를 증감시키는 현재의 평가 방식으로는 신규 및 복귀 플레이어의 원활한 매칭이 불가능하다. 본 연구에서는 스타크래프트II의 리플레이를 활용하여 매치메이킹 개선을 위한 기계학습 활용방안을 제시한다. 매치메이킹의 기준이 되는 플레이어의 MMR 점수를 예측하는 기계학습 모델을 생성하고 성능을 평가하였다. 모델의 오차는 리그 평균 MMR 점수 범위의 40.4% 수준으로, 제안된 방식을 통해서 플레이어를 실력과 근접한 리그에 즉시 배치할 수 있음을 확인하였다. 또한, 결과에 대한 플레이어의 수용도를 높일 수 있도록 예측의 근거를 도출하는 방안도 제시되었다.
In online games, interactions with other players may threaten player satisfaction. Therefore, matching players of similar skill levels is important for players’ experience. However, with the current evaluation method which is only based on the final result of the game, newbies and returning players are difficult to be matched properly. In this study, we propose a method to improve matchmaking quality. We build machine learning models to predict the MMR of players and derive the basis of the prediction. The error of the best model was 40.4% of the average MMR range, confirming that the proposed method can immediately place players in a league close to their current skill level. In addition, the basis of predictions may help players to accept the result.
URL : https://www.dbpia.co.kr/journal/articleDetail?nodeId=NODE11036710