Predicting Game Results using Machine Learning -MMORPG TERA : Focusing on the Rikanor Arena

서지정보

ㆍ발행기관 : 한국컴퓨터게임학회 ㆍ수록지정보 : 한국컴퓨터게임학회 논문지 / 31권 / 1호
ㆍ저자명 : Yu Cheol Kim, Jae Min Kim, Myoung Young Kim, Won Hyung Lee

목차

ABSTRACT
1. Introduction
2. Related Works
2.1 Artificial Intelligence
2.2 Machine Learning
2.3 Prediction using machine learning
3. Experimental method
3.1 Contents used for forecasting
3.2 Artificial neural network model
4. Experiment result
5. Conclusion and Future Research
Reference

한국어 초록

요약; 최근에는 기계 학습, 특히 심층 학습에 많은 연구가 진행되고 있다. 구글, 페이스 북과 같은 대기업이 인공 지능과 기계 학습에 관심을 가지고 있기 때문에, 이러한 연구는 날마다 발전하고있다. 기계 학습은 의학, 번역 및 IT와 같은 다양한 산업에서 사용될 것으로 기대됩니다. 게임 부문은 기계학습 기술적용의 효과가 예상되는 영역 중 하나라고 간주됩니다. 본 논문에서는 MMORPG-Tera의 게임 콘텐츠에서 몬스터의 승패를 예측하는 신경망을 Tensorflow를 통해 설계하였다. 이 모델은 1 개의 입력 레이어, 2 개의 숨겨진 레이어 및 1 개의 출력 레이어를 가지고 있다. 입력 레이어에는 8 개의 노드가 있고 각 숨겨진 레이어에는 16 개의 노드가 있으며 출력 레이어에는 1 개의 노드가 있다. 더 나은 결과를 위해 우리는 그라디언트 디센트, 시그 모이드 (Sigmoid) 함수 및 Relu 함수 (Activate 함수)에 Adam을 사용한다. 준비된 데이터 세트의 마지막 부분은 테스 트 데이터 용으로 사용되고 나머지는 학습 모델 용으로 사용되었다. 이 모델은 5 ~ 10 % 오차 이내의 확률을 예측할 수 있다. 데이터 세트의 부족은 만족스럽지 않은 점으로 남아 있으며, 충분한 데이터가 수집되고 더 개선 된 모델이 준비되면 오류를 더 줄일 수 있다. 그리고 제안된 모델은 앞으로 다른 게임이나 스포츠 게임에도 적용될 것이다.

영어 초록

Recently, much attention has been paid to machine learning - especially deep learning. As big companies like Google, Facebook are interested in AI and machine learning, these research is being developed day by day. Machine learning is expected to be used in various industries such as medical, translation, and IT. The game sector is also considered one of the areas where the effects of applying machine learning technology are expected. In this paper, we designed a Neural Network that predicts the win / loss of monsters in MMORPG-Tera’s Game contents. We designed the model through Tensorflow. This model has 1 input layer, 2 hidden layer and 1 output layer. There are 8 nodes in input layer, 16 nodes in each hidden layer and 1 nodes in output layer. For the better results we use Adam for gradient descent, Sigmoid function and Relu function for Activate function. The last part of the prepared dataset was used for the test data and the rest was used for the learning model. This model is able to predict the odds within 5 ~ 10 % error. The lack of datasets is left as an unsatisfactory point, it will be possible to reduce the error further if sufficient data is acquired and more improved model is prepared. And this proposed model will be applied to other games or sports games in the future.

참고 자료

없음