게임 분류와 MAB를 이용한 게임 추천 시스템
Game Classification and MAB Based Game Recommender System
- 주제어 (키워드) 게임 , 스팀 , 추천 , 추천시스템 , Game , Steam , MAB , Recommender System
- 발행기관 서강대학교 정보통신대학원
- 지도교수 소정민
- 발행년도 2022
- 학위수여년월 2022. 8
- 학위명 석사
- 학과 및 전공 정보통신대학원 데이터사이언스 · 인공지능
- 실제 URI http://www.dcollection.net/handler/sogang/000000066885
- UCI I804:11029-000000066885
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록
한 해에도 수많은 게임들이 다양한 플랫폼으로 출시되고 있다. 그 중 PC 기반의 스팀(Steam)플랫폼은 가장 많은 유저와 게임을 보유하고 있다. 최고 동시접속자가 2,700만명이 넘을 만큼 많은 사용자들이 이용하고 있는 플랫폼으로 10만개 이상의 게임이 등록되어 있으며, 2021년에만 1만개 이상의 게임이 등록되었다. 이렇게 많은 게임들 중에서 유저가 자신에게 맞는 게임을 찾기란 쉽지 않다. 따라서, 유저가 좋아할 만한 게임을 추천하여 즐겁게 즐기며 지속적으로 게임을 할 수 있도록 하여야 한다. 추천시스템은 크게 협업필터링(Collaborative Filtering)과 내용 기반 필터링(Content-based Filtering), 지식 기반 필터링(Knowledge-Based Filtering)이 존재하며, 최근에는 딥러닝(Deep Learning)과 강화학습(Reinforcement Learning)등을 이용한 추천시스템에 대한 연구가 활발하게 이루어지고 있다. 실무에서 추천시스템을 적용할 때는 두 가지 이상의 기술을 혼합한 앙상블 형태의 추천시스템이 사용되고 있다. 본 논문에서는 스팀(Steam)에서 여러 가지 종류의 게임을 분류하는 방법 중에 태그(Tag)와 장르(Genre)를 이용한 개인별 게임 추천 목록을 만들고, 그에 속한 게임들을 바탕으로 MAB(Multi-Armed Bandit)을 이용하여 유저에게 게임을 추천하도록 하는 앙상블 방식의 추천시스템을 제안한다. 실험 결과는 분류-MAB를 이용한 여러 가지 실험 결과 중에서 태그를 이용한 분류 모델의 성능이 유저-게임 기반의 추천보다 좋은 성능을 보이는 것을 확인하였다.
more초록
Numerous games are being released on various platforms every year. Among them, the PC-based Steam platform has the most users and games. More than 100,000 games are registered as a platform that is used by many users, with the highest concurrent players exceeding 27 million, and more than 10,000 games were registered in 2021 alone. Among these many games, it is not easy for users to find the right game for them. Therefore, a game that the user may like should be recommended so that the user can enjoy the game continuously. Recommendation systems are largely divided into collaborative filtering, content-based filtering, and knowledge-based filtering, and recently, research on recommendation systems using deep learning and reinforcement learning has been actively conducted. When applying the recommendation system in practice, an ensemble type recommendation system that mixes two or more technologies is used. In this paper, we propose an ensemble-style recommendation system that creates an individual game recommendation list using tags and genres among the methods of classifying various types of games in Steam, and recommends games to users using multi-armed bandits(MAB). Among the various experimental results using classification-MAB, it was confirmed that the performance of the classification model using tags showed better performance than the user-game based recommendation.
more