MMORPG-pelaajan pelin lopettamisen ennustaminen koneoppimisella
Lepistö, Emma (2021-04-01)
MMORPG-pelaajan pelin lopettamisen ennustaminen koneoppimisella
Lepistö, Emma
(01.04.2021)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
avoin
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2021052832094
https://urn.fi/URN:NBN:fi-fe2021052832094
Tiivistelmä
Massiiviset monen pelaajan verkkoroolipelit eli MMORPG-pelit (eng. Massively Multiplayer Online Role-playing Game) ovat suosittuja verkossa pelattavia pelejä, joiden tunnusmerkkejä ovat fantasiapainotteinen roolipelaaminen sekä jaetussa pelimaailmassa pelaaminen. Verkkopelaamisen harrastajamäärät ovat jatkuvassa kasvussa, ja suosituilla MMORPG-peleillä on miljoonia pelaajia. Peliyhtiöt kilpailevat pelaajien ajasta ja sitoutumisesta, ja ovat valmiita muokkaamaan peliä potentiaalisia pelaajia houkuttelevaksi.
Tässä tutkimuksessa ennustetaan koneoppimistekniikoita käyttämällä suositun MMORPG-pelin potentiaalisista pelaajista ne, jotka tulevat lopettamaan pelin pelaamisen tulevaisuudessa. Peliyhtiöille on tärkeää pystyä tunnistamaan pelaajia, joiden kiinnostus peliä kohtaan on laskemassa, jo ennen kuin pelaaja varsinaisesti lopettaa pelaamisen. Näin peliyhtiöt voivat pyrkiä pitämään pelaajaa pelin parissa tarjoamalla pelaajalle esimerkiksi houkuttimia tai helpotusta pelaamiseen. Lopettavien pelaajien tunnistaminen auttaa myös peliyhtiöitä pelin kehittämisessä ja peliyhtiöt voivat yrittää poistaa peleistään sellaisia ominaisuuksia, jotka nostavat pelaajien pelin lopettamisen todennäköisyyttä. Pelkkä tieto siitä, ketkä tulevat lopettamaan pelin pelaamisen, ei siis riitä. Peliyhtiöitä kiinnostaa myös se, millä tavalla pelin lopettavat pelaajat eroavat pelaajista, joiden motivaatio peliä kohtaan on säilynyt.
Tutkimuksen data on peräisin IEEE:n 2017 isännöimästä pelindatanlouhintakilpailusta, ja tutkimuksessa tutkitaan kilpailussa menestyneiden joukkueiden kilpailutöitä. Tutkimuksessa pyritään parantamaan Turun yliopiston (UTU) kilpailujoukkueen kilpailutyön ennustustarkkuutta lisäämällä malliin uusia piirteitä. Älykkäät piirteet vähentämät malliin tarvittavien piirteiden määrää. Tutkimuksessa tutkittiinkin yli sataa potentiaalista piirrettä, joista 40 valittiin uuteen malliin sovitettavaksi. Uusien piirteiden, sekä tiimi UTU:n mittaamien piirteiden, toimivuutta mitattiin usealla tekniikalla, joista parhaimman ristiinvalidointitarkkuuden saavuttivat harjanneluokittelija, lineaarinen tukivektorikone ja logistinen regressio. Testidatojen validoinnissa logistinen regressio onnistui parantamaan tiimin kilpailuratkaisua eniten.
Parhaiten menestyneessä mallissa oli vain yksitoista piirrettä, joista viisi oli uusia piirteitä ja kuusi sisältyi myös tiimi UTU:n kilpailutyöhön. Sekä tämän tutkimuksen, että varsinaisessa kilpailussa toiseksi päätyneen tiimi UTU:n ratkaisu, poikkeavat merkittävästi kilpailun voittajajoukkueen Yokozuna Data:n mallista. Voittajajoukkue käytti mallissaan jopa 500 piirrettä ja monimutkaisia tekniikoita, kuten syväoppimista ja satunnaistettuja päätöspuita. Koska molemmat lineaarista mallia käyttävät ratkaisut päätyivät melkein samaan tulokseen kuin voittajajoukkueen malli, tutkimuksesta käy ilmi, että juuri älykäs piirteiden valinta on avainasemassa MMORPG-pelin pelaajien lopettamisen ennustamisessa ja että lopettavat pelaajat voi ennustaa hyvin pienellä määrällä piirteitä.
Tässä tutkimuksessa ennustetaan koneoppimistekniikoita käyttämällä suositun MMORPG-pelin potentiaalisista pelaajista ne, jotka tulevat lopettamaan pelin pelaamisen tulevaisuudessa. Peliyhtiöille on tärkeää pystyä tunnistamaan pelaajia, joiden kiinnostus peliä kohtaan on laskemassa, jo ennen kuin pelaaja varsinaisesti lopettaa pelaamisen. Näin peliyhtiöt voivat pyrkiä pitämään pelaajaa pelin parissa tarjoamalla pelaajalle esimerkiksi houkuttimia tai helpotusta pelaamiseen. Lopettavien pelaajien tunnistaminen auttaa myös peliyhtiöitä pelin kehittämisessä ja peliyhtiöt voivat yrittää poistaa peleistään sellaisia ominaisuuksia, jotka nostavat pelaajien pelin lopettamisen todennäköisyyttä. Pelkkä tieto siitä, ketkä tulevat lopettamaan pelin pelaamisen, ei siis riitä. Peliyhtiöitä kiinnostaa myös se, millä tavalla pelin lopettavat pelaajat eroavat pelaajista, joiden motivaatio peliä kohtaan on säilynyt.
Tutkimuksen data on peräisin IEEE:n 2017 isännöimästä pelindatanlouhintakilpailusta, ja tutkimuksessa tutkitaan kilpailussa menestyneiden joukkueiden kilpailutöitä. Tutkimuksessa pyritään parantamaan Turun yliopiston (UTU) kilpailujoukkueen kilpailutyön ennustustarkkuutta lisäämällä malliin uusia piirteitä. Älykkäät piirteet vähentämät malliin tarvittavien piirteiden määrää. Tutkimuksessa tutkittiinkin yli sataa potentiaalista piirrettä, joista 40 valittiin uuteen malliin sovitettavaksi. Uusien piirteiden, sekä tiimi UTU:n mittaamien piirteiden, toimivuutta mitattiin usealla tekniikalla, joista parhaimman ristiinvalidointitarkkuuden saavuttivat harjanneluokittelija, lineaarinen tukivektorikone ja logistinen regressio. Testidatojen validoinnissa logistinen regressio onnistui parantamaan tiimin kilpailuratkaisua eniten.
Parhaiten menestyneessä mallissa oli vain yksitoista piirrettä, joista viisi oli uusia piirteitä ja kuusi sisältyi myös tiimi UTU:n kilpailutyöhön. Sekä tämän tutkimuksen, että varsinaisessa kilpailussa toiseksi päätyneen tiimi UTU:n ratkaisu, poikkeavat merkittävästi kilpailun voittajajoukkueen Yokozuna Data:n mallista. Voittajajoukkue käytti mallissaan jopa 500 piirrettä ja monimutkaisia tekniikoita, kuten syväoppimista ja satunnaistettuja päätöspuita. Koska molemmat lineaarista mallia käyttävät ratkaisut päätyivät melkein samaan tulokseen kuin voittajajoukkueen malli, tutkimuksesta käy ilmi, että juuri älykäs piirteiden valinta on avainasemassa MMORPG-pelin pelaajien lopettamisen ennustamisessa ja että lopettavat pelaajat voi ennustaa hyvin pienellä määrällä piirteitä.