[논문 리뷰] EOMM: An Engagement Optimized Matchmaking Framework

Zhengxing Chen, Su Xue외 5명|arXiv (Cornell University)|2017. 02. 22.

Peer-to-Peer Network Technologies참고 문헌 33인용 수 6

한 줄 요약

이 논문은 플레이어 이탈 위험을 고려한 그래프 기반 최소 가중치 완전 매칭 문제로 매칭을 모델링함으로써 플레이어 유지를 극대화하는 엔게이지먼트 최적화 매칭 프레임워크인 EOMM를 제안한다. EA 게임의 실제 데이터를 사용하여, EOMM는 스킬 기반 및 무작위 매칭보다 평균적으로 라운드당 0.7% 더 많은 플레이어를 유지하며, 20라운드 동안 누적 유지율 향상 폭이 15%에 이르렀다.

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.

연구 동기 및 목표

• 전통적인 매칭 시스템이 공정성보다 플레이어 참여도를 우선시하지 않는 한계를 해결하기 위해.
• 같은 스킬 수준의 매칭이 장기적 플레이어 유지율에 최적인지 여부를 조사하기 위해.
• 전반적인 플레이어 참여도를 극대화하는 유연하고 이론적으로 탄탄한 프레임워크를 개발하기 위해.
• 인기 있는 온라인 PVP 게임의 실제 데이터를 사용하여 프레임워크를 검증하기 위해.
• 참여도 최적화가 정량적이고 조정 가능한 최적화 목표로 달성될 수 있음을 보여주기 위해.

제안 방법

• 모든 조합에서의 총 플레이어 이탈(이탈 위험)을 최소화하는 최적화 문제로 매칭을 공식화한다.
• 매칭 풀 내 플레이어를 완전 그래프의 노드로 모델링하며, 간선의 가중치는 그들이 조합될 경우의 총 이탈 위험을 나타낸다.
• 최근 전적 결과와 플레이어 상태를 바탕으로 개별 플레이어의 이탈 위험을 추정하기 위해 이탈 예측 모델을 활용한다.
• 최소 가중치 완전 매칭(MWPM) 알고리즘을 사용하여 총 이탈 위험을 최소화하는 겹치지 않는 쌍을 찾는다.
• 스킬 모델, 이탈 예측 모델, 그래프 매칭 모델의 세 가지 모듈식 구성 요소를 통합하여 독립적인 조정과 업그레이드를 가능하게 한다.
• 스킬 모델, 이탈 예측 모델을 수정하고 군집 할당을 위해 초그래프 매칭을 사용하여 팀 기반 게임으로 프레임워크를 확장한다.

실험 결과

연구 질문

• RQ1 같은 스킬 수준 기반 매칭이 플레이어 참여도에 최적인지, 아니면 특정 플레이어 상태에서는 실패하는가?
• RQ2 매칭을 최적화 문제로 모델링함으로써 플레이어 참여도를 체계적으로 극대화할 수 있는가?
• RQ3 실제 상황에서 EOMM의 성능은 전통적인 스킬 기반 매칭 및 무작위 매칭과 비교해 어떻게 되는가?
• RQ4 다양한 플레이 세션 동안 참여도 최적화 매칭의 누적 영향은 무엇인가?
• RQ5 EOMM 프레임워크는 팀 기반 게임 및 기타 매칭 응용 분야로 일반화될 수 있는가?

주요 결과

• EOMM는 스킬 기반 매칭(SkillMM) 대비 평균적으로 라운드당 0.7% 더 많은 플레이어를 유지하며, 다양한 플레이어 풀 크기에서 0.3%에서 1.1%의 향상 폭을 기록한다.
• 20라운드의 플레이 동안 EOMM는 SkillMM보다 15% 더 많은 플레이어를 유지하며 누적 유지율 향상 효과를 보였다.
• 모든 테스트된 플레이어 풀 크기(P=100에서 P=500)에서 일관되게 EOMM가 SkillMM 및 RandomMM를 앞서며 성능이 우월하다.
• SkillMM가 항상 RandomMM를 승리시키지 못함을 고려할 때, 공정성 기반 조합이 참여도 최적화에 항상 최적은 아님을 시사한다.
• 이탈 위험을 최대화하는 WorstMM는 항상 가장 적은 수의 플레이어를 유지하며, EOMM의 최적화 목표가 반대 방향에서 검증됨을 입증한다.