1 |
1
온라인 게임에서 게이머 행동 유형을 분류하는 분류기의 학습 방법에서,특징 벡터 추출 알고리즘을 이용하여, 수집된 게이머의 행동 속성 및 온라인 게임의 환경 속성과 관련된 데이터로부터 특징 벡터들을 추출하는 단계;군집화 알고리즘을 이용하여, 상기 추출된 특징 벡터들을 군집화하여 학습 데이터 군집을 생성하는 단계;상기 학습 데이터 군집에 대해 데이터 레이블을 레이블링하는 단계; 및기계학습 알고리즘을 이용하여 상기 데이터 레이블로 상기 분류기를 학습시키는 단계를 포함하는 분류기의 학습 방법
|
2 |
2
제1항에서, 상기 추출하는 단계에서, 상기 게이머의 행동 속성과 관련된 데이터는,캐릭터 행동과 관련된 로그 데이터와 게이머 행동과 관련된 원시(raw) 데이터를 포함함을 특징으로 하는 분류기의 학습 방법
|
3 |
3
제2항에서, 상기 캐릭터 행동과 관련된 로그 데이터는,캐릭터가 다른 게임 유저의 캐릭터나 몬스터들을 공격하는 동작 횟수와 관련된 데이터 및 캐릭터가 다른 게임 유저의 캐릭터나 몬스터들의 공격을 회피하는 동작 횟수와 관련된 데이터를 포함하고,상기 게이머 행동과 관련된 원시 데이터는,상기 분류기가 탑재된 전자 장치의 입력 장치로부터 수집되는 데이터이고,상기 입력 장치로부터 수집되는 데이터는,게이머가 마우스를 움직이는 속도와 관련된 데이터, 게이머가 키보드를 터치하는 속도와 관련된 데이터, 마이크를 통해 수집된 게이머의 음성톤과 관련된 데이터 및 카메라가 캡쳐한 게이머의 영상과 관련된 데이터를 포함하는 것인 분류기의 학습 방법
|
4 |
4
제1항에서, 상기 추출하는 단계에서, 상기 온라인 게임의 환경 속성과 관련된 데이터는,상기 온라인 게임의 내부적 환경 속성과 관련된 데이터 및 상기 온라인 게임의 외부적 환경 속성과 관련된 데이터를 포함하는 것인 분류기의 학습 방법
|
5 |
5
제4항에서, 상기 내부적 환경 속성과 관련된 데이터는,상기 온라인 게임의 업데이트 일정과 관련된 데이터를 포함하고,상기 외부적 환경 속성과 관련된 데이터는,SMS 서버를 통해 수집된 상기 온라인 게임에 대한 게시글 및 댓글과 관련된 데이터, 다른 온라인 게임의 배포 일정 또는 업데이트 일정과 관련된 데이터 및, 날씨, 휴일, 계절과 관련된 데이터를 포함하는 것인 분류기의 학습 방법
|
6 |
6
제1항에서, 상기 군집화 단계는,주어진 기간 동안 일 단위(day unit)로 수행되는 것인 분류기의 학습 방법
|
7 |
7
제1항에서, 상기 분류기를 학습시키는 단계는,상기 환경 속성의 변화 시점 이후에 군집화된 테스트 데이터 군집이 상기 환경 속성의 변화 시점 이전에 군집화된 상기 학습 데이터 군집의 군집 멤버와 군집 특성을 유지하는지를 판별하기 위해, 상기 테스트 데이터 군집과 상기 학습 데이터 군집을 비교하는 단계;상기 군집 멤버와 상기 군집 특성을 비교한 결과에 따라, 상기 테스트 데이터 군집을 다수의 서브 군집으로 분할하고, 상기 다수의 서브 군집을 상기 학습 데이터 군집에 레이블링된 데이터 레이블을 이용하여 레이블링하는 단계; 및상기 다수의 서브 군집에 레이블링된 데이터를 이용하여 상기 분류기를 학습시키는 단계를 포함하는 것인 분류기의 학습 방법
|
8 |
8
제7항에서, 상기 판별하는 단계는,상기 학습 데이터 군집에 포함된 전체 특징 벡터들 중에서 상기 학습 데이터 군집과 상기 테스트 데이터 군집에 모두 포함된 특징 벡터들의 비율이 임계치 보다 크면, 상기 테스트 데이터 군집은 상기 학습 데이터 군집의 군집 멤버를 유지하는 것으로 판별하는 단계; 및상기 학습 데이터 군집의 대표값과 상기 테스트 데이터 군집의 대표값의 차이값이 허용 오차 범위 이내인 경우, 상기 테스트 데이터 군집은 상기 학습 데이터 군집의 군집 특성을 유지하는 것으로 판별하는 단계를 포함하는 것인 분류기의 학습 방법
|
9 |
9
제7항에서, 상기 레이블링 하는 단계는,상기 판별한 결과에 따라, 상기 테스트 데이터 군집이 상기 학습 데이터 군집의 상기 군집 멤버와 상기 군집 특성을 유지하는 것으로 판별되는 경우,상기 학습 데이터 군집에 레이블링된 데이터 레이블을 이용하여 상기 테스트 데이터 군집을 레이블링하는 것인 분류기의 학습 방법
|
10 |
10
제7항에서, 상기 레이블링 하는 단계는,상기 판별한 결과에 따라, 상기 테스트 데이터 군집이 상기 학습 데이터 군집의 상기 군집 멤버를 유지하고, 상기 학습 데이터의 상기 군집 특성을 유지하는 않는 것으로 판별되는 경우, 상기 학습 데이터 군집과 상기 테스트 데이터 군집에 모두 포함되는 특징 벡터들을 검출하고, 상기 검출된 특징 벡터들 중에서 상기 환경 속성의 변화 시점 이전의 특징값과 상기 환경 속성의 변화 시점 이후의 특징값의 차이가 허용 오차 범위 내에 있는 특징 벡터들과 상기 허용 오차 범위를 벗어난 특징 벡터들을 검출하는 단계; 상기 테스트 데이터 군집을 상기 허용 오차 범위 내에 있는 특징 벡터들을 포함하는 제1 서브 군집과 상기 허용 오차 범위를 벗어난 특징 벡터들을 포함하는 제2 서브 군집으로 분할하는 단계; 및상기 제1 서브 군집을 상기 학습 데이터 군집에 레이블링된 데이터 레이블로 레이블링하고, 상기 제2 서브 군집을 상기 학습 데이터 군집에 레이블링된 데이터 레이블에 근사화된 데이터 레이블로 레이블링하는 단계를 포함하는 것인 분류기의 학습 방법
|
11 |
11
제7항에서, 상기 레이블링 하는 단계는,상기 테스트 데이터 군집이 상기 환경 속성의 변화 시점 이후에 군집 멤버와 군집 특성이 유지되는 제1 학습 데이터 군집과 환경 속성의 변화 시점 이후에 군집 멤버는 유지되고 군집 특성이 변화된 제2 학습 데이터 군집이 병합된 것으로 판별되는 경우,상기 제1 학습 데이터 군집과 상기 테스트 데이터 군집에 모두 포함된 특징 벡터들을 포함하는 제1 서브 군집과 상기 제2 학습 데이터 군집과 상기 테스트 데이터 군집에 모두 포함되는 특징 벡터들 중에서 상기 환경 속성의 변화 시점 이전의 특징값과 환경 속성의 변화 시점 이후의 특징값의 차이가 허용 오차 범위 내에 있는 특징 벡터들을 포함하는 제2 서브 군집을 상기 테스트 데이터 군집으로부터 분할하는 단계; 및상기 제1 서브 군집을 상기 제1 학습 데이터 군집에 레이블링된 데이터 레이블로 레이블링하고, 상기 제2 서브 군집을 상기 제2 학습 데이터 군집에 레이블링된 데이터 레이블로 레이블링하는 단계를 포함하는 것인 분류기의 학습 방법
|
12 |
12
제7항에서, 상기 레이블링 하는 단계는,상기 학습 데이터 군집은 제1 및 제2 학습 데이터 군집을 포함하고, 상기 테스트 데이터 군집은 제1 및 제2 테스트 데이터 군집을 포함하고, 제1 테스트 데이터 군집은 상기 제1 학습 데이터 군집의 군집 멤버와 군집 특성을 모두 유지하는 특징 벡터들과 상기 제2 학습 데이터 군집의 군집 멤버를 유지하고 상기 제2 학습 데이터 군집의 군집 특성을 유지하지 않는 특징 벡터들을 포함하고, 상기 제2 테스트 데이터 군집은 제2 학습 데이터 군집의 군집 멤버와 군집 특성을 모두 유지하는 특징 벡터들을 포함하는 것으로 판별된 경우,상기 제1 테스트 데이터 군집을 상기 제1 학습 데이터 군집과 제1 테스트 데이터 군집에 모두 포함되는 특징 벡터들을 포함하는 제1 서브 군집과 상기 제2 학습 데이터 군집과 상기 제1 테스트 데이터 군집에 모두 포함되는 특징 벡터들 중에서 상기 환경 속성의 변화 시점 이전의 특징값과 상기 환경 속성의 변화 시점 이후의 특징값의 차이가 허용 오차범위 내에 있는 특징 벡터들을 포함하는 제2 서브 군집으로 분할하는 단계; 및상기 제1 서브 군집을 상기 제1 학습 데이터 군집에 레이블링된 데이터 레이블로 레이블링하고, 상기 제2 서브 군집을 상기 제2 학습 데이터 군집에 레이블링된 데이터 레이블로 레이블링하고, 상기 제2 테스트 데이터 군집을 상기 제2 학습 데이터 군집에 레이블링된 데이터 레이블로 레이블링하는 단계를 포함하는 것인 분류기의 학습 방법
|
13 |
13
온라인 게임에서 게이머 행동 유형을 분류하는 분류기를 포함하는 장치에서, 통신망에 접속된 상기 온라인 게임을 서비스하는 게임 서버, 다른 온라인 게임을 서비스하는 다른 온라인 게임 서버 및 SNS 서버와 통신하는 통신 모듈;상기 통신 모듈을 통해 게이머의 행동 속성 및 온라인 게임의 환경 속성과 관련된 데이터를 수집하는 데이터 수집 모듈; 및특징 벡터 추출 알고리즘을 실행하여 상기 수집된 게이머의 행동 속성 및 온라인 게임의 환경 속성과 관련된 데이터로부터 특징 벡터들을 추출하고, 군집화 알고리즘을 실행하여 상기 추출된 특징 벡터들이 군집화된 학습 데이터 군집을 생성하고, 상기 학습 데이터 군집에 대해 데이터 레이블을 레이블링하고, 상기 레이블링된 데이터 레이블을 이용하여 상기 분류기를 학습시키는 프로세서 모듈을 포함하는 분류기를 포함하는 장치
|
14 |
14
제13항에서, 상기 게이머의 행동 속성과 관련된 데이터는,캐릭터 행동과 관련된 로그 데이터와 게이머 행동과 관련된 원시(raw) 데이터를 포함하는 것인 분류기를 포함하는 장치
|
15 |
15
제13항에서, 상기 온라인 게임의 환경 속성과 관련된 데이터는,상기 온라인 게임의 내부적 환경 속성과 관련된 데이터 및 상기 온라인 게임의 외부적 환경 속성과 관련된 데이터 를 포함하는 것인 분류기를 포함하는 장치
|
16 |
16
제13항에서, 상기 프로세서 모듈은,상기 추출된 특징 벡터들을 주어진 기간 동안 일 단위(day unit)로 군집화하는 것인 분류기를 포함하는 장치
|
17 |
17
제1항에서, 상기 프로세서 모듈은,상기 환경 속성의 변화 시점 이후에 군집화된 테스트 데이터 군집이 상기 환경 속성의 변화 시점 이전에 군집화된 상기 학습 데이터 군집의 군집 멤버와 군집 특성을 유지하는지를 판별하기 위해, 상기 테스트 데이터 군집과 상기 학습 데이터 군집을 비교하는 프로세스,상기 군집 멤버와 상기 군집 특성을 비교한 결과에 따라, 상기 테스트 데이터 군집을 다수의 서브 군집으로 분할하고, 상기 다수의 서브 군집을 상기 학습 데이터 군집에 레이블링된 데이터 레이블을 이용하여 레이블링하는 프로세스, 및상기 다수의 서브 군집에 레이블링된 데이터를 이용하여 상기 분류기를 학습시키는 프로세스를 실행하는 것인 분류기를 포함하는 장치
|