[논문]사용자 평점 기반 게임 추천 시스템

김종현; 조현정; 김병만

doi:10.9723/jksiis.2018.23.6.009

사용자 평점 기반 게임 추천 시스템
Game Recommendation System Based on User Ratings 원문보기

한국산업정보학회논문지 = Journal of the Korea Industrial Information Systems Research, v.23 no.6, 2018년, pp.9 - 19

김종현 (금오공과대학교 컴퓨터소프트웨어공학과) , 조현정 (금오공과대학교 컴퓨터소프트웨어공학과) , 김병만 (금오공과대학교 컴퓨터소프트웨어공학과)

초록
AI-Helper

최근 게임 산업의 발달과 게임 방송에 대한 사람들의 관심이 많아짐에 따라 기존 게이머들이 아닌 사람들도 게임에 관심을 많이 보이고 있고, 게임 구매로 이어지고 있다. 하지만, 일반 사용자가 매일 수십 개씩 발매되는 게임 중에 어떤 게임이 자신이 재밌게 즐길 수 있는 게임인지를 판단하기 어렵다. 따라서 게임 판매 플랫폼에서 게임 추천 기능을 갖추고 있지만 그들의 매출 증가를 위한 수단으로 사용되어 그들의 할인 제품이나 신제품에 초점을 맞춰 추천을 해주기 때문에 추천 시스템의 정확도가 낮다. 이러한 이유 때문에 본 논문에서는 사용자에 대한 추천 만족도를 높이고 사용자 경험을 적절히 반영한, 사용자가 남긴 평점을 기반으로 한 게임 추천 시스템을 구성하였다. 시스템에서는 협력 필터링을 이용한 예상 평가 점수 기능과 나이브 베이지안을 이용한 게임 추천 기능을 구현하여 사용자에게 빠르고 정확한 추천을 할 수 있도록 구현하였다. 결과적으로 예상 평점 알고리즘의 경우 2.4초의 처리 속도와 평균 72.1퍼센트의 정확도를 얻었고, 게임 추천 알고리즘의 경우 75.187퍼센트의 정확도를 얻어 사용자에게 빠르고 정확한 추천 결과를 제시 할 수 있었다.

Abstract ▼ AI-Helper

As the recent developments in the game industry and people's interest in game streaming become more popular, non-professional gamers are also interested in games and buying them. However, it is difficult to judge which game is the most enjoyable among the games released in dozens every day. Although the game sales platform is equipped with the game recommendation function, it is not accurate because it is used as a means of increasing their sales and recommending users with a focus on their discount products or new products. For this reason, in this paper, we propose a game recommendation system based on the users ratings, which raises the recommendation satisfaction level of users and appropriately reflect their experience. In the system, we implement the rate prediction function using collaborative filtering and the game recommendation function using Naive Bayesian classifier to provide users with quick and accurate recommendations. As the result, the rate prediction algorithm achieved a throughput of 2.4 seconds and an average of 72.1 percent accuracy. For the game recommendation algorithm, we obtained 75.187 percent accuracy and were able to provide users with fast and accurate recommendations.

주제어

표/그림 (16)

그림 Fig. 1 Metacritic’s Web Page
그림 Fig. 2 Steam’s Web Page
그림 Fig. 3 Diagram of System Operation
그림 Fig. 4 Diagram of System Structure
그림 Fig. 5 Process of Game Recommendation
표 Table 1 Example of Game Ratings of User A
표 Table 2 Dataset for Performance Evaluation depending on the Number of Neighbors
표 Table 3 Dataset for Performance Evaluation depending on the Period Limit
그림 Fig. 6 Accuarcy by the Number of Neighbor
그림 Fig. 7 MAE by the Number of Neighbor
그림 Fig. 8 Processing Time by the Number of Neighbor
그림 Fig. 9 Accuracy by Period Limit
그림 Fig. 10 MAE by Period Limit
그림 Fig. 11 Processing Time by Period Limit
표 Table 4 Dataset for Naive Bayesian Classification
그림 Fig. 12 Accuracy by Preference Criteria

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 기존의 게임 추천 시스템이 가지는 이러한 문제점들을 해결하기 위해 공정한 분석을 통해 도출된 추천 결과를 사용자들에게 제시함으로 더 나은 유저 경험을 가질 수 있도록 하였다.
하지만, 예상 점수 측정 시간에 많은 영향을 주는 요소에는 평가된 게임 수도 있기 때문에 그것에 대한 확장성도 고려를 해야한다. 본 논문에서는 예상 점수 측정에 사용되는 대상 사용자의 평가 데이터에 기간 제한을 두어 평가된 게임 수에 대한 확장성을 고려했을 뿐만 아니라, 사용자의 최신 취향에 대한 정보를 더 정확하게 파악할 수 있게 하었다.
초기 데이터 수집은 협력 필터링의 문제점 중 하나였던 콜드 스타트 문제를 해소하기 위해 실행하였다. 초기 데이터 수집은 게임과 사용자 두 가지로 나눠서 진행하였다.

제안 방법

이는 앞서 말한 확장성 문제에 큰 영향을 주는 문제였고, 26만개가 넘는 평가 정보를 활용하여 평가 예측을 할 때 계산 시간에 너무 많은 시간이 소요된다. [12, 13]에서는 협력 필터링에서 유사도를 사용할 때 이웃과 사용자가 중복되는 평가 게임이 많을수록 가중치를 더 많이 부여하는 자카드 계수 유전 알고리즘을 통해 구하는 방식을 제안하였는데, 본 논문에서는 여기서 아이디어를 얻어 top-N을 선발하는 과정에서 평가한 게임이 많이 중복되면 유사도에 대한 신뢰도가 높다고 판단하여 중복되는 평가 게임이 많은 N명을 선발 하여 유사도를 계산하였다.
두 식의 차이점은 피어슨 상관관계 공식은 사용자가 평가한 평균을 통해 사용자의 평가 성향을 파악하고, 코사인 유사도 공식은 게임에 평가된 평균을 통해 사용자의 평가 성향을 파악한다. [2]의 결과를 보았을 때 피어슨 상관관계 공식과 보완 코사인 공식의 결과 값은 비슷하였기 때문에 본 논문에서는 보완 코사인 유사도를 채택하였다.
게임 추천은 사용자가 입력한 평가 정보와 평가가 입력된 게임들의 장르 정보를 이용하여 사용자가 선호하는 장르 정보를 선발하여 선발된 장르에서 게임을 추천 해주는 방식으로 진행된다[14]. 게임 추천의 경우 협력 필터링을 이용해 전체 항목을 계산하여 사용자에게 예상 점수가 높은 게임을 추천 해주는 방법도 있으나, 이 방법은 빠른 응답속도를 보여야 하는 웹 서비스 특성상 맞지 않다고 판단하여, 본 논문에서는 빠른 시간에 많은 게임을 추천 할 수 있는 나이브 베이지안 분류식을 선택하였다.
실험 방법은 선정된 평가 대상의 평가 정보의 무작위 20%를 삭제 한 뒤, 예상 점수를 측정하였다. 그 뒤, 예상 점수와 실제 점수를 비교 하였다. 평가 기준은 정확도, MAE, 계산 시간 3가지로 나누었고, 이 중 정확도는 실제 점수와 예상 점수가 ±0.
또한, 게임 추천은 사용자가 등록한 게임 평가 정보를 이용해 장르 선호도를 계산한다. 그러고나서, 선호 장르에 속한 게임을 나이브 베이지안을 통해 선호 게임인지를 판별 한 뒤, 사용자에게 만들어진 선호 게임 리스트를 제시한다.
게임 추천 알고리즘의 정확도는 선호 기준에 의해 좌우된다. 따라서, 선호 기준에 사용자의 평균 평점이 적합한지를 판단하기 위해, 선호 기준을 1～5점으로 변경하면서 실험 하였고, 그것의 정확도와 평균 평점의 정확도를 비교하였다. 실험 대상은 Table 4와 같다.
사용자가 입력한 평점은 데이터베이스에 저장되었다가 사용자가 특정 게임의 예상 점수를 원하면 데이터베이스에서 전처리과정을 통해 이웃을 선정하고 선정된 이웃과의 유사도 점수를 계산한 뒤, 예상 점수를 산출하게 된다. 또한, 게임 추천은 사용자가 등록한 게임 평가 정보를 이용해 장르 선호도를 계산한다. 그러고나서, 선호 장르에 속한 게임을 나이브 베이지안을 통해 선호 게임인지를 판별 한 뒤, 사용자에게 만들어진 선호 게임 리스트를 제시한다.
또한, 본 논문에서는 협력 필터링에서 확장성 문제를 해결하기 위해 이웃 수와 최신 평가를 이용하였고, 정확도를 크게 해치지 않으면서 계산 시간을 대폭 감소 할 수 있었다. 또한, 나이브 베이지안 분류식을 통해 장르별 선호도를 통해 선호 게임을 선정할 수 있었다.
9가 된다. 또한, 제한 기간별로 실험을 진행하여 정확도, MAE, 계산 시간을 측정하였다. 실험 데이터는 Table 3과 같으며, 제한 기간을 3개월, 6개월, 1년, 전체 기간으로 각각 조절하여 최적의 제한 기간을 결정 할 수 있도록 하였다.
본 논문에서는 사용자가 입력한 게임 평가 정보를 기반으로 협력 필터링 [1, 2, 3]을 통해 사용자의 각 게임에 대한 예상 평점을 계산하여, 사용자가 해당 게임을 구매하여 플레이 했을 때 얻을 수 있는 만족도를 수치화 하여 보여주고, 나이브 베이지안 분류기 [4]를 통해 게임 평가 정보를 게임의 장르별 선호도로 계산하여, 사용자의 장르별 취향을 분석할 수 있도록 하였다. 또한, 협력 필터링이 가지고 있는 여러 문제점 중 콜드 스타트, 확장성 문제를 완화 할 수 있도록 방안을 제시하였다. 콜드 스타트 문제를 완화하기 위해 초기 데이터 수집 방안을 수립하여 시스템과 사용자에게 일정 이상의 데이터를 가지고 있을 수 있도록 하였다.
나이브 베이지안은 대상에 속한 특성들이 서로 독립적이란 가정 하에 각각의 특성들을 이용해 해당 대상이 분류 기준에 해당할 확률을 계산할 수 있다. 본 논문에서는 게임에 속한 장르 정보를 이용하여, 사용자가 각 게임에 대해 선호할 게임일지, 비선호 게임일지를 분류한다.
본 논문에서는 사용자가 입력한 게임 평가 정보를 기반으로 협력 필터링 [1, 2, 3]을 통해 사용자의 각 게임에 대한 예상 평점을 계산하여, 사용자가 해당 게임을 구매하여 플레이 했을 때 얻을 수 있는 만족도를 수치화 하여 보여주고, 나이브 베이지안 분류기 [4]를 통해 게임 평가 정보를 게임의 장르별 선호도로 계산하여, 사용자의 장르별 취향을 분석할 수 있도록 하였다. 또한, 협력 필터링이 가지고 있는 여러 문제점 중 콜드 스타트, 확장성 문제를 완화 할 수 있도록 방안을 제시하였다.
3은 본 논문에서 제안하는 시스템의 운용도이다. 시스템은 데스크톱과 모바일에서 동일한 사용자 경험을 제공하기 위해서 반응형 웹디자인으로 만들어진 웹 페이지로 인터페이스를 구축하였다. 본 시스템은 Angular를 사용하여 차세대 웹 개발 방식인 SPA(Single Page Application)로 제작하였다.
또한, 제한 기간별로 실험을 진행하여 정확도, MAE, 계산 시간을 측정하였다. 실험 데이터는 Table 3과 같으며, 제한 기간을 3개월, 6개월, 1년, 전체 기간으로 각각 조절하여 최적의 제한 기간을 결정 할 수 있도록 하였다. 이 때, 이웃 수는 100명으로 고정하였다.
실험 방법은 선정된 평가 대상의 평가 정보의 무작위 20%를 삭제 한 뒤, 예상 점수를 측정하였다. 그 뒤, 예상 점수와 실제 점수를 비교 하였다.
예상 점수 측정 알고리즘은 사용되는 이웃의 수가 변하면 정확도와 계산 시간에 차이가 발생 하기 때문에 이웃의 수를 10, 30, 50, 70, 100 명으로 각각 조절하여 최적의 이웃 수를 결정 할 수 있도록 하였다. 이 실험의 실험 대상은 Table 2와 같이 선정하였다.
또한, 협력 필터링이 가지고 있는 여러 문제점 중 콜드 스타트, 확장성 문제를 완화 할 수 있도록 방안을 제시하였다. 콜드 스타트 문제를 완화하기 위해 초기 데이터 수집 방안을 수립하여 시스템과 사용자에게 일정 이상의 데이터를 가지고 있을 수 있도록 하였다. 또, 유사도 계산 대상을 평가한 게임이 많이 중복되는 순으로 선정하여 유사도 계산 대상을 대폭 감소하여 확장성 문제를 완화할 수 있었다.

대상 데이터

먼저 게임에 대한 데이터 수집은 해외 게임 전문 웹 서비스인 Metacritic의 평점 데이터를 수집 하였다. 게임 정보는 3천 여 개, 사용자 정보는 10만 5천여 개, 게임 평가 정보는 26만 2천여 개, 장르정보를 140여 개를 수집하여 데이터베이스에 저장하였다.
초기 데이터 수집은 게임과 사용자 두 가지로 나눠서 진행하였다. 먼저 게임에 대한 데이터 수집은 해외 게임 전문 웹 서비스인 Metacritic의 평점 데이터를 수집 하였다. 게임 정보는 3천 여 개, 사용자 정보는 10만 5천여 개, 게임 평가 정보는 26만 2천여 개, 장르정보를 140여 개를 수집하여 데이터베이스에 저장하였다.
실험 데이터는 Table 3과 같으며, 제한 기간을 3개월, 6개월, 1년, 전체 기간으로 각각 조절하여 최적의 제한 기간을 결정 할 수 있도록 하였다. 이 때, 이웃 수는 100명으로 고정하였다.

데이터처리

실험 대상은 Table 4와 같다. 실험 방법은 선정된 평가 대상이 입력한 평가 정보의 무작위 20%를 삭제 한 뒤, 삭제한 게임에 나이브 베이지안을 적용하여 나온 결과 값을 실제 평가 값이 평균 평점을 넘었는지 확인하여 비교하였다.

이론/모형

시스템은 데스크톱과 모바일에서 동일한 사용자 경험을 제공하기 위해서 반응형 웹디자인으로 만들어진 웹 페이지로 인터페이스를 구축하였다. 본 시스템은 Angular를 사용하여 차세대 웹 개발 방식인 SPA(Single Page Application)로 제작하였다. 또, Node.
사용자 k에 대해 게임 i에 대한 예상 평점을 구하기 위해서 미네소타 대학에서 개발한 Group Lens 방식을 이용했다[2]. (1)에서 얻은 sim(k, l)와 l의 평가 성향을 이용해 k의 예상 점수를 도출해낸다.
예상 점수 측정은 협력 필터링 방식을 이용한다. 협력 필터링 방식은 이웃이 입력한 게임 평가 정보와 사용자가 입력한 게임 평가 정보에 대한 유사도를 계산하고, 계산된 유사도를 이용해 이웃의 평가 특징을 통해 사용자의 예상 점수를 얻는다.
유사도를 계산하는 방식으로 일반적으로 피어슨 상관관계 공식[10]과 보완 코사인 유사도 측정 방법[11]이 사용된다. 두 방법은 사용자의 평가 성향을 파악하여 그 유사성을 비교하는데 주로 사용된다.

성능/효과

본 시스템은 Angular를 사용하여 차세대 웹 개발 방식인 SPA(Single Page Application)로 제작하였다. 또, Node.js와Express를 이용하여 RESTFul API를 작성하여 웹 페이지의 새로 고침 없이 페이지에 데이터를 반영할 수 있도록 제작하였고, 이에 따라 사용자에게 끊김 없는 웹 서비스를 제공하여 보다 빠르고 쾌적한 서비스를 제공할 수 있게 하였다. 또한, 알고리즘은 자바스크립트로 작성되어 Node.
콜드 스타트 문제를 완화하기 위해 초기 데이터 수집 방안을 수립하여 시스템과 사용자에게 일정 이상의 데이터를 가지고 있을 수 있도록 하였다. 또, 유사도 계산 대상을 평가한 게임이 많이 중복되는 순으로 선정하여 유사도 계산 대상을 대폭 감소하여 확장성 문제를 완화할 수 있었다.
또한, 본 논문에서는 협력 필터링에서 확장성 문제를 해결하기 위해 이웃 수와 최신 평가를 이용하였고, 정확도를 크게 해치지 않으면서 계산 시간을 대폭 감소 할 수 있었다. 또한, 나이브 베이지안 분류식을 통해 장르별 선호도를 통해 선호 게임을 선정할 수 있었다.
8은 보완 코사인 유사도 계산식을 이용한 협력 필터링 알고리즘을 사용 하였을 때, 각각 이웃 수에 따른 정확도, MAE, 계산 시간 변화를 나타낸 것이다. 먼저 정확도의 경우 70명까지 약 15%의 상승률을 보였지만, 100명에서 0.581%의 상승률을 보였고, 이웃수 100에서 최저 62.79%, 최고 83.744%의 정확도를 얻을 수 있었다. 실험 결과, 정확도는 대상에 따라 많은 차이를 보였는데 낮은 정확도의 경우 상대적으로 많은 사람들이 평가 하지 않은 게임들을 사용자가 상당수 평가한 경우에 선정된 이웃과 중복되는 게임이 많지 않아 정확도가 낮았다.
실험 결과, Fig. 12와 같이 선호 기준을 고정으로 설정하였을 때, 정확도가 0.5점대에 머무르는 것을 볼 수 있었다. 이유는 사용자 별로 평균 평가 점수가 제각각인데 선호 기준을 고정으로 설정하면 선호 기준에서 너무 떨어진 평균 평가를 가지고 있는 사용자는 나이브 베이지안의 결과가 모두 선호이거나 모두 비선호인 결과를 가졌기 때문이다.
744%의 정확도를 얻을 수 있었다. 실험 결과, 정확도는 대상에 따라 많은 차이를 보였는데 낮은 정확도의 경우 상대적으로 많은 사람들이 평가 하지 않은 게임들을 사용자가 상당수 평가한 경우에 선정된 이웃과 중복되는 게임이 많지 않아 정확도가 낮았다. 또한, MAE의 경우에도 이웃 수 70까지큰 감소폭을 보이다 100에서 70과 비슷한 MAE 값을 보였다.
이유는 사용자 별로 평균 평가 점수가 제각각인데 선호 기준을 고정으로 설정하면 선호 기준에서 너무 떨어진 평균 평가를 가지고 있는 사용자는 나이브 베이지안의 결과가 모두 선호이거나 모두 비선호인 결과를 가졌기 때문이다. 이에 반해 선호 기준을 각 사용자의 평균 평가 점수로 하게 되면, 나이브 베이지안이 사용자의 평가 특성을 반영할 수 있기 때문에 고정 기준의 결과 값에 비해 높은 75.187퍼센트의 정확도를 얻을 수 있었다.
평가 기준은 정확도, MAE, 계산 시간 3가지로 나누었고, 이 중 정확도는 실제 점수와 예상 점수가 ±0.6 미만의 차이가 발생했을 때 성공으로 판단하였다.
현재까지 시중에 나온 게임 추천 시스템은 게임 판매 플랫폼의 마케팅 전략을 위해 만들어진 수단으로 사용되어왔다. 하지만, 본 논문에서는 최신 웹 개발 프래임워크인 Angular를 이용하여, 데이터 중심의 웹페이지를 구성할 수 있게 되어, 사용자에게 더 나은 웹 경험을 선사할 수 있게 되었다.

후속연구

향후, 예상 점수의 계산 결과를 추천에 결합하여, 사용자가 더 나은 추천을 받을 수 있도록 할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	추천 시스템을 구현하는 방식에는 크게 어떤 방식이 있는가?	추천 시스템을 구현하는 방식에는 크게 두 가지 방식이 존재하는데, 하나는 협력 필터링 방식 [1,2,3]이고, 다른 하나는 내용 기반 필터링 방식[1,2,3]이다. 내용 기반 필터링 방식은 찾고자 하는 정보의 내용과 사용자의 관심사를 비교하여 사용자에게 적절한 정보를 선택해 주는 방식이다.
	게임 추천 시스템이 요구되는 이유는?	최근 게임 판매 플랫폼에서 이용자의 게임 구매 목록과 최근 실행한 게임 등을 기반으로 게임 추천을 하는 기능을 탑재하고 있다. 하지만, 이 역시 그들의 매출 증대를 위한 수단으로 사용되고 있어 할인 제품이나, 신제품을 우선적으로 보여주는 등 사용자에게 만족할 만한 기능이 제공되지 않는다. 이렇기 때문에 사용자의 데이터를 기반으로 한 게임 추천 시스템이 요구된다.
	내용 기반 필터링 방식은 무엇인가?	추천 시스템을 구현하는 방식에는 크게 두 가지 방식이 존재하는데, 하나는 협력 필터링 방식 [1,2,3]이고, 다른 하나는 내용 기반 필터링 방식[1,2,3]이다. 내용 기반 필터링 방식은 찾고자 하는 정보의 내용과 사용자의 관심사를 비교하여 사용자에게 적절한 정보를 선택해 주는 방식이다. 내용 기반 필터링 방식을 이용하기 위해선 사용자 관심사가 반드시 텍스트 등과 같은 기계가 분류 할 수 있는 형태이어야 하고, 사용자 관심사와 찾고자 하는 대상의 내용이 정확하게 일치해야 하는 용어 불일치 문제가 있다.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증