[논문 리뷰] Using Collaborative Filtering to Recommend Champions in League of Legends

D. Tiffany, Dylan S. Yu외 2명|arXiv (Cornell University)|2020. 06. 17.

Digital Games and Media참고 문헌 14인용 수 4

한 줄 요약

이 논문은 선형 대수 분해(Singular Value Decomposition, SVD)를 사용하여 챔피언 마스터리 포인트(Champion Mastery Points, CMP)를 플레이어 선호도의 대체 지표로 활용하여 리그 오브 레전드의 협업 필터링 기반 챔피언 추천 시스템을 제안한다. 초보자 사용자 연구에서 무작위 추천 대비 성능이 뛰어나며, CMP가 플레이어의 만족도를 효과적으로 반영하고 개인화된 즐거운 챔피언 추천을 가능하게 함을 보여준다.

ABSTRACT

League of Legends (LoL), one of the most widely played computer games in the world, has over 140 playable characters known as champions that have highly varying play styles. However, there is not much work on providing champion recommendations to a player in LoL. In this paper, we propose that a recommendation system based on a collaborative filtering approach using singular value decomposition provides champion recommendations that players enjoy. We discuss the implementation behind our recommendation system and also evaluate the practicality of our system using a preliminary user study. Our results indicate that players significantly preferred recommendations from our system over random recommendations.

연구 동기 및 목표

• 리그 오브 레전드에서 승리율 최적화를 넘어서 개인화된 챔피언 추천 시스템의 부족을 해결하기 위해.
• 챔피언 마스터리 포인트(CMP)가 플레이어 선호도와 만족도를 신뢰할 만한 대체 지표로 사용될 수 있는지 탐색하기 위해.
• 승리율 기반 상호보완성 대신 사용자 참여도를 기반으로 챔피언을 추천하는 협업 필터링 시스템을 설계하고 평가하기 위해.
• 초기 사용자 연구를 통해 SVD 기반 추천이 무작위 추천 대비 실용성과 사용자 선호도를 검증하기 위해.

제안 방법

• 시스템은 비편향 SVD 알고리즘을 사용하여 저랭크 잠재 요인 공간에서 사용자-챔피언 상호작용을 모델링한다.
• 챔피언 마스터리 포인트(CMP)는 사용자 선호도와 챔피언에 대한 참여도를 나타내는 암시적 피드백으로 사용된다.
• SVD 모델은 311,727명의 플레이어-챔피언 쌍으로 구성된 데이터셋을 기반으로 학습되며, 루트 평균 제곱 오차를 최소화하기 위해 그리드 서치를 통해 하이퍼파라미터를 튜닝한다.
• 모델은 사용자와 챔피언을 공통 잠재 공간에 매핑하여, 사용자 및 챔피언 벡터의 내적을 통해 추천을 생성한다.
• Slope One 및 SVD++과 같은 대안 알고리즘은 높은 인기 편향 또는 과도한 학습 시간으로 인해 기각되었다.
• 사용자 연구를 통해 SVD 기반 추천과 무작위 추천을 비교하여 사용자 선호도를 평가했다.

실험 결과

연구 질문

• RQ1 챔피언 마스터리 포인트(CMP)는 리그 오브 레전드에서 플레이어의 챔피언 선호도를 효과적으로 표현할 수 있는가?
• RQ2 CMP 데이터에 SVD를 적용한 협업 필터링 시스템이 무작위 추천 대비 사용자가 선호하는 추천을 제공하는가?
• RQ3 Slope One 및 SVD++과 같은 대안 추천 알고리즘은 이 사용 사례에서 정확도와 실용성 측면에서 어떻게 비교되는가?
• RQ4 메타게임 변화와 챔피언 리워크가 CMP 기반 추천의 신뢰성에 어느 정도 영향을 미치는가?

주요 결과

• 초기 사용자 연구에서 플레이어는 SVD 기반 시스템의 추천을 무작위 추천보다 유의미하게 선호했다.
• 최적의 SVD 모델 하이퍼파라미터는 epoch=20, λ=0.4, γ=0.0005로, 루트 평균 제곱 오차를 최소화하고 이론적 정확도를 향상시켰다.
• Slope One 및 SVD++ 모델은 각각 높은 인기 편향과 비현실적인 장시간 학습으로 인해 성능이 열 劣했다.
• CMP는 명시적 평가가 없는 상황에서도 플레이어의 챔피언 선호도를 측정하는 데 실용적이고 유용한 지표로 검증되었다.
• 잠재 요인 분해를 활용함으로써 이 시스템은 인기 편향을 효과적으로 완화하여 덜 인기 있는 챔피언의 추천도 가능하게 했다.
• 한계점으로는 챔피언 리워크 및 변화하는 메타게임으로 인한 잠재적 편향과, 초기 연구에서 사용자 샘플이 대표성 없이 구성된 점이 있다.