[논문 리뷰] Player Behavior and Optimal Team Composition for Online Multiplayer Games

Hao Yi Ong, Sunil Deolalikar외 1명|arXiv (Cornell University)|2015. 03. 08.

Artificial Intelligence in Games참고 문헌 5인용 수 18

한 줄 요약

이 논문은 레이트 오브 레전드에서 플레이어 행동을 비지도 학습(k-means 및 DP-means)을 사용해 군집화하는 기계학습 프레임워크를 제안하며, 이러한 군집을 바탕으로 팀 승패 결과를 최대 70.4%의 정확도로 예측한다. 이 방법은 공식 게임 개발사가 정의한 역할 카테고리 기반 기준선보다 16% 높은 성능을 보이며, 사전 정의된 역할 클래스보다 데이터 기반 행동 군집이 실제 플레이어의 행동 역학을 더 잘 반영함을 보여준다.

ABSTRACT

We consider clustering player behavior and learning the optimal team composition for multiplayer online games. The goal is to determine a set of descriptive play style groupings and learn a predictor for win/loss outcomes. The predictor takes in as input the play styles of the participants in each team; i.e., the various team compositions in a game. Our framework uses unsupervised learning to find behavior clusters, which are, in turn, used with classification algorithms to learn the outcome predictor. For our numerical experiments, we consider League of Legends, a popular team-based role-playing game developed by Riot Games. We observe the learned clusters to not only corroborate well with game knowledge, but also provide insights surprising to expert players. We also demonstrate that game outcomes can be predicted with fairly high accuracy given team composition-based features.

연구 동기 및 목표

• 비지도 학습을 사용해 팀 기반 온라인 게임에서 기술적 플레이어 행동 군집을 식별하기.
• 학습된 행동 군집과 팀 편성에 기반한 팀 승패 결과 예측 모델을 개발하기.
• 데이터 기반 행동 군집이 공식 게임 설계 역할 카테고리보다 더 유의미한 정보를 제공하는지 평가하기.
• 이 프레임워크가 다른 다중 플레이어 온라인 게임으로 일반화 가능한지 평가하기.

제안 방법

• 플레이스타일 행동을 나타내기 위해 21개의 정규화된 플레이어 통계(예: 피해량, 획득 골드)를 사용한 특성 선택.
• 유사한 행동을 가진 플레이어를 군집화하기 위해 k-means 및 DP-means 군집 알고리즘 적용.
• 학습된 행동 군집에 기반한 팀 편성에 대해 분류 모델(로지스틱 회귀, 가우시안 판별 분석, 서포트 벡터 머신)을 훈련.
• 모델 성능 평가를 위해 10% 테스트 분할 및 20개의 랜덤 훈련/테스트 분할을 사용.
• 공식 게임 역할 카테고리(예: 암살자, 서포트)를 사용한 기준선과 예측 정확도 비교.
• 데이터의 선형 분리 불가능성에 대비해 SVM에 ℓ₁ 정규화와 순차 최소 최적화를 적용해 안정성 확보.

실험 결과

연구 질문

• RQ1 플레이어 통계의 비지도 군집화가 온라인 다중 플레이어 게임에서 의미 있는 실제 플레이어 행동 그룹을 드러내는가?
• RQ2 데이터 기반 행동 군집을 사용할 경우와 공식 게임 역할 카테고리를 사용할 경우 팀 결과 예측 정확도는 어떻게 비교되는가?
• RQ3 학습된 행동 군집이 전문 플레이어의 게임플레이나 스타일 이해와 얼마나 일치하는가?
• RQ4 시간에 따라 변화하는 플레이어 통계는 행동 군집의 기술적 설명력과 결과 예측 성능을 향상시키는가?

주요 결과

• k-means로 군집화된 행동 특징에 기반한 SVM 모델은 테스트 정확도 70.4%를 기록했으며, 공식 역할 카테고리 기반 기준선 모델(테스트 정확도 54.4%)보다 유의미하게 높은 성능을 보였다.
• 학습된 행동 군집을 사용한 최고의 예측 모델은 기준선 대비 16% 더 높은 정확도를 기록했으며, 이는 데이터 기반 군집이 개발사가 정의한 역할보다 팀 성과 역학을 더 잘 반영함을 시사한다.
• k-means 및 DP-means 군집 결과는 전문 플레이어의 인사이트와 강하게 일치하여 학습된 행동 그룹의 해석 가능성에 대한 타당성을 입증했다.
• 모든 분류 모델(LR, GDA, SVM)이 행동 군집 특징을 사용할 경우 테스트 정확도가 67% 이상을 기록했으며, 알고리즘 간 일관된 예측 성능을 보였다.
• League of Legends가 이 분야의 대표성을 지닌 만큼, 이 프레임워크는 다른 팀 기반 다중 플레이어 게임으로도 잘 일반화된다.