Player modeling by using unsupervised learning methods
Gözetimsiz öğrenme yöntemleri ile oyuncu modelleme
- Tez No: 705070
- Danışmanlar: DOÇ. DR. SANEM SARIEL UZER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Oyun ve Etkileşim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Oyun ve Etkileşim Teknolojileri Bilim Dalı
- Sayfa Sayısı: 77
Özet
Son dönemlerde insan davranışı tahmini ve modellemesi ile ilgili araştırmalar popüler hale gelmiştir. İlgili çalışmalarda, kişilik modeli oluşturma için gerekli olan yöntemler geliştirilmektedir. Bu yöntemler birçok alanda yaygın olarak kullanılmaya başlanmıştır. Bu konu ile ilgili başarılı çalışmalar yürütülmüş olmasına rağmen insan modeli oluşturma yöntemleri birçok faktör nedeniyle hala istikrarlı sonuçlar üretememektedir. Video oyunları gerçek dünya senaryolarını simüle edebilir ve bu sayede karakter özellikleri konusunda daha rahat çıkarım yapılmasına yardımcı olabilir. Video oyunlarında kişilik modelleme yöntemleri oyuncu modeli çıkarılması için kullanılmaktadır. Oyuncu modeli oluşturma, oyun sektörü için de yararlı araçlar sunmaktadır. Oyun endüstrisinin gelişmesiyle birlikte oyuncu modelleme teknikleri, farklı kullanıcı türlerinin memnuniyetlerini artırmak için uygulamaları ayarlamak, iyileştirmek ve geliştirmek için zorunlu bir süreç haline gelmiştir. Oyuncu modelleme sayesinde belirli oyunlar için oyuncuların ne zaman oyunu terkedeceğine dair tahmin yapılabilir; hangi oyun aktivitelerinin oyuncunun oyunu terketme konusunda olumlu veya olumsuz etkisi olduğu izlenebilir. Ayrıca, oyuncuların oyunu terketme sürelerini arttırmak için oyuncu modelleme teknikleri bize yeni özellikler eklememizi önerebilir. Ayrıca oyuncu bilgileri işlenerek, insan gibi oynayan botlar da yapılmıştır. Daha da ötesi, oyuncu modelleme ile oyun hikayesinden, oyun içi denge bileşenleri ve seviye tasarımına kadar tüm bileşenler daha optimize ve kişiye özel hale getirilebilir. Örneğin, oyuncunun daha çok zevk almasını sağlayacak prosedurel hikaye üreten bir oyun sunulabilir. Oyun kişinin kişiliğine özel bir zorluk seviyesinde kendini ayarlayabilir. Hatta bu zorluğu ayarlarken analiz edilen oyuncu kişiliğine özel zorlukta takım oyunuyla hareket eden karakterler yapılabilir. Fakat bu sunulan özelliklerine rağmen halen oyuncu modelleme yaklaşımları tüm oyunlar için kullanılamayabilir veya aynı methodolojiyle uygulanamayabilir, çünkü oynanan oyunda öne çıkarılan karakteristik özellikler her zaman aynı tür karakter özellikleri bütününden oluşmayabilir, aynı zamanda oyun içi aktiviteler birbirlerinden çok fazla farklılık gösterebilir yani farklı oyunları ortak bir yöntemle oynamak zordur. Bu çalışmada tüm oyunlara uygulanabilir üç farklı gözetimsiz öğrenme yöntemi önerilmiştir. Bu yöntemler, hemen hemen her oyun türüne ait öğeler barındıran devasa çok oyunculu çevrimiçi rol yapma oyunu World of Warcraft adlı bir oyunda uygulanmıştır. Ön işlemlerden geçmiş verisiyle bile ikiyüze yakın etkinlik sayısı olan bu oyunda çoğu kişiliğin temsil edilebileceği düşünülmektedir. Uygulaması yapılan ilk yöntem Güneş ve ark. sunduğu Olay-Kişilik Özelliği Eşleme ve Özellik Ağırlıklandırma Kullanarak Oyuncu Modelleme (OK-ÖA) yöntemidir. Tezin temel katkısı olan ikinci yöntemde ise OK-ÖA yönteminin Temel Bileşenler Analizi yöntemi ile genişletilmesi sağlanmıştır. Üçüncü olarak ise klasik bir derin öğrenme metodu olan otokodlayıcı yöntemi uygulanmıştır. OK-ÖA metodu, oyuncu modellerinin bir veya birden fazla kişilik özelliğinin farklı oranlarda kombine edilmiş hali olduğu gözönüne alınarak geliştirilmiştir. Oyuncu model kümelerini oluştururken gözetimsiz kümeleme yöntemlerinden faydalanırken, bu kümelerin hangi oranda hangi kişilik özelliklerini taşıdığını Olay-Kişilik özelliği(OK) matrisinden faydalanarak bulur. Bu matriste oyunun veri tabanı üzerindeki her bir olay, bir veya birden fazla kişisel özelliğe haritalanır. Bu sayede her bir olay için her bir kişisel özelliğe ait puanlaması yapılmış bir matris elde edilir. Bu matrisi kullanılarak Oyuncu/Olay matrisi çeşitli formüllerden geçerek Oyuncu/Kişilik Özelliği matrisine dönüştürülür ve ardından gözetimsiz öğrenme yöntemleriyle oyuncu modellemesi yapılır. Bu sayede yapılan kümeleme işlemleri, gözetimli veya anlamlandırılmış bir mantıkta yapılmış olduğu için sadece gözetimsiz öğrenme yöntemlerinden geçmiş bir veri tabanından daha anlamlı bir şekilde oluşturulur ve aynı zamanda birden fazla kişilik özelliğinin öne çıktığı kişilik modelleri elde edilir. Tezde önerilen yöntem, OK-ÖA metodunun Temel Bileşenler Analizi yöntemi ile genişletilmesini içerir. Bu yöntemle amaçlanan, manuel olarak düzenlenen OK matrisinin doğruluğunu arttırmaktır. OK-ÖA metodu, Oyuncu/Olay (OO) matrisi ile Olay/Kişilik özelliği (OK) matrisini alıp oyuncu/kişilik özelliği (OKÖ) matrisi elde ederek, bu matris üzerinde gözetimsiz kümeleme yöntemi olan beklenti maksimizasyonu yöntemi kullanılıp hem küme/kişilik özelliği (KK) matrisine hemde Oyuncu/kişilik özelliği (OKÖ) matrisine ulaşılmaktadır. Temel Bileşenler Analizi metodunda ise UE matrisine önce PCA metodu, ardından gözetimsiz öğrenme yöntemi olan k-ortalamalar kümeleme algoritması uygulanmıştır. Bu sayede UC ve EC matrisleri elde edilmiştir. Olay/Kişilik Özelliği (OK) matrisi ve Olay/Oyuncu Modeli matrisi (OO) bazı işlemlerden geçerek küme/kişilik özelliği (KK) matrisine ulaşmaktadır. Bu iki yöntemde de yegane amaç hem OOM hemde KK matrislerine ulaşmaktır. Son olarak klasik otokodlayıcı yöntemiyle gözetimsiz kümeleme yöntemi bir araya getirilerek oyuncu/oyuncu modeli (OOM) matrisi elde edilmiştir. Bu yöntemde ilk iki yöntemde olduğu gibi oyuncu modeli/kişilik özelliği (KK) matrisine ulaşılamamaktadır. Yani oyuncu modellerinin hangi kişilik özelliklerini ne kadar oranda içerdiğiyle ilgili bilgi verilememektedir. Bu yöntemler uygulanmadan önce oyuncu kişilikleri belirlenir ve veritabanındaki oyuncu verileri bir önişlemden geçirilir. Bu çalışmada oyuncular için sekiz farklı oyuncu kişiliği seçilmektedir. Bu kişilik özellikleri Bartle' ın kişilik özellikleriyle ilgili temel niteliği taşıyan matrisinden ve bu matrisi derinlemesine inceleyen Ferro' nun çalışmasından yola çıkılarak oluşturulmuştur. World of Warcraft oyununda işlenmemiş veride her bir oyuncu için 10000 den fazla olay bulunmaktadır. Bu olaylardan gereksiz olanlar elenip geriye kalan olaylar da çeşitli ön işlemlere tabii tutulmuştur. Sonuç olarak her bir oyuncu için modelleme yöntemlerinin uygulanacağı yeni 175 olay elde edilmiştir. Elde edilen veriler oyun yayıncısının veri tabanından çekildiği için uygulanan gözetimsiz öğrenme yöntemleri için herhangi hazır bir doğrulama yöntemi bulunmamaktadır. Ayrıca veri tabanındaki oyuncuları bulup gerçek hayatta kişilik testine tabi tutmak da mümkün olmamaktadır. Bu tür bir durumda yöntemlerin doğruluğunu ölçmek için iki farklı yaklaşım uygulanmıştır. Birinci yöntemde, herhangi bir kişilik özelliğini en çok gösterdiğine inanılan bir veya birden fazla olay seçilir ve bu oyuncular içerisinden bu olaylarla ilgili en çok değere sahip oyuncular seçilir. Bu oyuncuların hangi oyuncu modellerine ait olduğuna ve bu oyuncu modelleri içerisinde seçilen kişilik özelliğinin diğer oyuncu modellerine göre anlaşılır derecede fazla olup olmadığı incelenir. Bu sayede KK matrisine sahip ilk iki yöntem kendi içlerinde bir doğrulama yöntemine sahip olur. Bir diğer yöntem ise üç yöntemde de aynı kişilik özelliklerine sahip olduğu düşünülen kişiler alınır ve üç yöntemin de verdiği oyuncu modelleri sonucu ile karşılaştırılır. Bu doğrulama yöntemleri ile geliştirilen oyuncu modelleme yöntemleri ele alındığında, Temel Bileşenler Analizi metodu ile geliştirilen OK-ÖA metodunun en iyi sonuçları ürettiği gözlenmiştir.
Özet (Çeviri)
Research on human emotion recognition and human behavior prediction has gained increased popularity. Traditional approaches include personality prediction techniques which involve computational procedures for classification of people by investigation of their traits. These techniques are started to be used widely in many areas. Although several achievements have been made, current personality prediction techniques are still not stable due to several factors. Some techniques require ample time to map traits and their features because they need to be updated and added manually. Some techniques are not reliable due to the human factors that blur the data since these techniques rely on honest human inputs. Video games can simulate real-world scenarios. By doing this, they make it possible to obtain raw data easily. In game environments, human profiling turns into player modeling process. With the development of the game industry, player modeling has become a mandatory process to adjust, improve, and develop applications for different types of users to increase their satisfaction. Player modeling can be used to predict when players will leave the games. It can be monitored which game activities have a positive or negative effect on the player leaving the game. Also, player modeling techniques may suggest new features for the game to postpone the time player leave the game. In addition, by processing player information, bots that play like a human can also be made. Futhermore, with player modeling, all elements from the game story to the in-game balance elements and level design can be made more optimized and customized. For example, it is possible to present a game generating a procedural story that will make the player enjoy more. The game can adjust to a level of difficulty specific to the person's personality. Even the play difficulty can be adjusted based on the analyzed player personality. Despite these beautiful features, unfortunately, player modeling approaches may not be used for all games or applied with the same methodology, because the characteristics highlighted in the game played may not always consist of the same type of character traits. In addition, in-game activities may differ too much from each other. In this study, we propose an unsupervised learning method which is applicable to a variety of games genres. Our method builds on our earlier work, Event-Trait Mapping and Feature Weighting method (ET-FW) and extends it (ET-PCA) with the use of Principal Component Analysis (PCA). ET-FW creates profiles as combinations of one or more personality traits in different proportions. We present a case study of ET-PCA on the World of Warcraft(WoW), a massive multiplayer online role-playing game (MMORPG) that contains a wide spectrum of different in-game elements found in almost every game genre. We compare the results with the base method and an AutoEncoder (AE) based learning method. The Event-Trait Mapping and Feature Weighting method relies on the fact that player profiles are a combination of one or more personality traits in different proportions. While making use of unsupervised clustering methods for clustering player profiles, it can be found out what personality traits these clusters have by using the Event-Trait(ET) matrix. In this matrix, each event on the database of the game is mapped to one or more traits. In this way, for each event, a scored matrix for a trait is obtained. Using this matrix, User-Event (UE) matrix is transformed into User-Trait(UT) matrix by going through various formulas, and then the player profile is generated by the Expected-Maximization (EM) method which is an unsupervised clustering technique. In this way, clustering operations are created in a more effective way. At the same time, personality profiles which are represenative of a personality trait (Cluster-Trait matrix) are obtained. The second method used in this study is the ET-PCA method which aims to increase the accuracy of the manually edited Event-Trait matrix. The Event-Trait Mapping and Feature Weighting method takes the UE matrix and the ET matrix and obtains the UT matrix, and the expectation maximization method, which is the unsupervised clustering method, is used on this matrix and both Cluster-Trait (CT) matrix and User-Cluster(UC) matrix can be accessed. This method is extended with the PCA method and the k-means clustering method applied to the UE matrix. Thus, UC and EC matrices were obtained. ET matrix and EC matrix pass through some processes to reach the CT matrix. The only purpose of these two methods is to reach both UC and CT matrix in an efficient way. The third method uses the traditional autoencoder method and the k-means clustering method to obtain the UC matrix. Unfortunately, this method cannot reach the player CT matrix like the first two methods. In other words, it cannot provide information about what traits the player profiles contain and how much. Before these methods are applied, traits are determined and the player data in the database is preprocessed. In this study, eight player personalities are selected for the players. These personality traits are formed on the basis of Bartle's basic matrix of personality traits and the work of Ferro, who examines this matrix in depth. There are more than ten-thousand events for each player in the raw data in World of Warcraft. Unnecessary ones from these events are eliminated and the remainder are subjected to various pre-treatments. As a result, 172 new events are obtained where modeling methods are applied for each player. Since the obtained data are extracted from the game publisher's database, there is no ready-made verification method for the used methods. In addition, it is not possible to find players in the database and set a personality test for them in real life. In such a case, two different approaches are taken to measure the accuracy of the methods. In the first method, one or more events that are believed to belong to a personality trait are selected, and among these players, the players with the most value about these events are selected. It is examined which player profiles these players belong to and whether the personality trait selected in these player profiles is explicitly represented more than any other player profile. In this way, the first two methods with CT matrix have a validation method for themselves. Another method is to take people who are thought to have the same personality traits in all three methods and compare them with the result of the player profiles given in these methods. Considering the player modeling methods used in this study with these validation methods, the best results have been obtained as a result of the PCA-based method which is based on the Event-Trait Mapping and Feature Weighting method.
Benzer Tezler
- Perceptual audio source separation by subspace learning
Altuzay öğrenme ile algısal ses kaynak ayrıştırma
SERAP KIRBIZ
Doktora
İngilizce
2013
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL
- Mikrodalgalar aracılığıyla biyolojik dokuların belirlenmesi
The determination of biological tissues through microwave
MELİKE ERDOĞAN
Yüksek Lisans
Türkçe
2014
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN
- Real-time emotion recognition from EEG signals using one electrode device
Tek elektrotlu cihaz ile EEG sinyallerinden gerçek zamanlı duygu tanıma
MEHMET ALİ SARIKAYA
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÖKHAN İNCE
- Oyun teorisini kullanarak afet durumlarının modellenmesi üzerine
On modeling disaster situations by using game theory
MEDİNE DEMİR
Doktora
Türkçe
2024
MatematikSüleyman Demirel ÜniversitesiMatematik Ana Bilim Dalı
PROF. DR. SIRMA ZEYNEP ALPARSLAN GÖK
DOÇ. DR. PINAR USTA EVCİ
- Dynamic difficulty adjustment by changing enemy behavior using reinforcement learning
Pekiştirilmeli öğrenme yöntemi kullanarak düşman davranışlarının değiştirilmesi ile oyun zorluğunun dinamik olarak ayarlanması
BURAK FURKAN AKŞAHİN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiOyun ve Etkileşim Teknolojileri Ana Bilim Dalı
PROF. DR. SANEM SARIEL