[論文レビュー] EOMM: An Engagement Optimized Matchmaking Framework

Zhengxing Chen, Su Xue+5 more|arXiv (Cornell University)|Feb 22, 2017

Peer-to-Peer Network Technologies参考文献 33被引用数 6

ひとこと要約

本論文では、プレイヤーの離脱リスクのグラフ上で最小重み完全マッチング問題としてマッチメイキングを定式化することで、プレイヤーのリテンションを最大化する、エンゲージメント最適化マッチメイキングフレームワークEOMMを提案する。EAのゲームから得た実データを用いた実験では、スキルベースおよびランダムマッチメイキングを上回り、平均して1ラウンドあたり0.7%のプレイヤーをより多くリテンションさせ、20ラウンドで累積的に15%のリテンション向上を達成した。

ABSTRACT

Matchmaking connects multiple players to participate in online player-versus-player games. Current matchmaking systems depend on a single core strategy: create fair games at all times. These systems pair similarly skilled players on the assumption that a fair game is best player experience. We will demonstrate, however, that this intuitive assumption sometimes fails and that matchmaking based on fairness is not optimal for engagement. In this paper, we propose an Engagement Optimized Matchmaking (EOMM) framework that maximizes overall player engagement. We prove that equal-skill based matchmaking is a special case of EOMM on a highly simplified assumption that rarely holds in reality. Our simulation on real data from a popular game made by Electronic Arts, Inc. (EA) supports our theoretical results, showing significant improvement in enhancing player engagement compared to existing matchmaking methods.

研究の動機と目的

• 従来のマッチメイキングシステムが公平性を最優先する一方でエンゲージメントを無視するという限界に対処すること。
• 等しいスキルのマッチメイキングが長期的なプレイヤーのリテンションにとって最適であるかどうかを調査すること。
• 全体のプレイヤーのエンゲージメントを最大化するための柔軟で理論的根拠を持つフレームワークを構築すること。
• 人気のあるオンラインPvPゲームからの実世界データを用いてフレームワークを検証すること。
• エンゲージメント最適化が、定量化可能で調整可能な最適化目的関数として達成可能であることを示すこと。

提案手法

• 全ペアリングにおける合計のプレイヤー離脱（離脱リスク）を最小化する最適化問題としてマッチメイキングを定式化する。
• マッチメイキングプール内のプレイヤーを完全グラフのノードとしてモデル化し、エッジの重みはそのペアリングによる離脱リスクの合計を表す。
• 最近の対戦結果およびプレイヤーの状態に基づいて、個々のプレイヤーの離脱リスクを推定するための離脱予測モデルを採用する。
• 最小重み完全マッチング（MWPM）アルゴリズムを用いて、重複のない最適なペアを特定し、合計離脱リスクを最小化する。
• スキンモデル、離脱予測モデル、グラフマッチングモデルの3つのモジュラーコンponentを統合し、個別にチューニングやアップグレードが可能である。
• チームベースのゲームに対応するため、スキンモデルと離脱予測モデルを適応させるとともに、グループ割り当てにはハイパーグラフマッチングを用いる。

実験結果

リサーチクエスチョン

• RQ1 等しいスキルに基づくマッチメイキングは、プレイヤーのエンゲージメントにとって最適なのか、それとも特定のプレイヤー状態では失敗するのか？
• RQ2 マッチメイキングを最適化問題として定式化することで、プレイヤーのエンゲージメントを体系的に最大化できるか？
• RQ3 実世界のシナリオにおいて、EOMMのパフォーマンスは従来のスキンベースおよびランダムマッチメイキングと比べてどうか？
• RQ4 複数のプレイセッションにわたるエンゲージメント最適化マッチメイキングの累積的影響は何か？
• RQ5 EOMMフレームワークはチームベースのゲームやその他のマッチング応用に一般化可能か？

主な発見

• EOMMは、スキンベースマッチメイキング（SkillMM）と比較して、平均して1ラウンドあたり0.7%のプレイヤーをより多くリテンションさせ、プレイヤープールサイズが異なる状況でも0.3%〜1.1%の向上を示した。
• 20ラウンドのプレイにおいて、EOMMはSkillMMと比較して15%多くのプレイヤーをリテンションさせた。これは累積的なリテンションメリットによるものである。
• テストされたすべてのプレイヤープールサイズ（P=100〜P=500）において、EOMMは一貫してSkillMMおよびRandomMMを上回った。
• SkillMMは一貫してRandomMMを上回らないことが判明し、公平性に基づくペアリングが常にエンゲージメントに最適ではないことが示された。
• WorstMM（離脱リスクを最大化するようにペアリングする）は、常に最も少ないプレイヤーをリテンションさせた。これは、EOMMの最適化目的関数が逆方向からも妥当であることを裏付けた。