ACTION2SCORE: AN EMBEDDING APPROACH TO SCORE PLAYER ACTION; Junho Jang, Ji Young Woo, Huy Kang Kim

○ 논문리뷰

이번에 읽은 논문은 ACTION2SCORE: AN EMBEDDING APPROACH TO SCORE PLAYER ACTION; Junho Jang, Ji Young Woo, Huy Kang Kim 이다. 이전 논문과 마찬가지로 League of Legends에 관련된 논문이며 이전의 논문인 “Smart kills and worthless deaths: eSports analytics for League of Legends; Philip Z. Maymin”을 Reference로 가지고 있다.

 

측정 지표 : 이전 연구의 경우 KDA, MMR과 같이 대략적인 값 및 승률에 따라 플레이어의 기여도를 분석하도록 하고 있다. 플레이어의 기여도 성능을 분석하기 위해서 미니언 킬, 골드, KDA와 같은 최종 게임 통계 데이터를 이용하고 있다. 위에서 말한 것과 같이 “Smart kills and worthless deaths: eSports analytics for League of Legends; Philip Z. Maymin”을 Reference로 하여 팀의 승리 확률을 높이는 킬, 승리 확률을 낮추는 죽음에 대한 분석을 진행하며 승리에 대한 개별 행동의 기여도를 평가한다. 각 플레이어의 행동에 대해 과대평가 및 과소평가된 행동들에 대해 분석을 진행한다. 이때 해당 기준은 Avg, KDA, Gold, Minoin Kills를 기반으로 한다. 이때 승리 팀과 패배팀 사이의 점수를 측정하여 비교한다.

서폿, 정글과 같이 실제로 라인에서 미니언을 통해 골드를 수급하는 것이 아니라 다른 라인의 개입을 통해 게임을 승리로 이끄는 라인의 경우 각 지표에서 과소평가 및 과대평가됨 ex) KDA의 경우 서폿라인이 Model1, 7에서 과소평가됨 일반적으로 KDA가 낮지만 플레이어가 팀원보다 기여도가 낮다는 것을 의미하지는 않는기 때문에

KDA 측정 기준에 따라 기여도가 과소평가됨

 

League Of Legends Map

 

Abstract : Multiplayer Online Battle Arena (MOBA) is one of the most successful game genres. MOBA games such as League of Legends have competitive environments where players race for their rank. In most MOBA games, a player’s rank is determined by the match result (win or lose). It seems natural because of the nature of team play, but in some sense, it is unfair because the players who put a lot of effort lose their rank just in case of loss and some players even get free-ride on teammates’ efforts in case of a win. To reduce the side-effects of the team-based ranking system and evaluate a player’s performance impartially, we propose a novel embedding model that converts a player’s actions into quantitative scores based on the actions’ respective contribution to the team’s victory. Our model is built using a sequence-based deep learning model with a novel loss function working on the team match. We showed that our model can evaluate a player’s individual performance fairly and analyze the contributions of the player’s respective actions.

 

 

○ 논문 질의응답

Q: 과대평가와 과소평가의 기준에 대해 다시 설명해주세요

A: KDA의 경우 서폿라인이 Model1, 7에서 과소평가됨 일반적으로 KDA가 낮지만 플레이어가 팀원보다 기여도가 낮다는 것을 의미하지는 않는 때문에 KDA 측정 기준에 따라 기여도가 과소평가됨. 즉, 미니언의 경우 미니언을 서폿 유저가 많이 먹었다고 하더라도 좋은 기여를 했다고 할 수 없기 떄문에 과대평가되었으며 KDA의 경우 서폿의 경우 많이 죽더라도 게임에 기여할 수 있으므로 과소평가 되었다고 할 수 있음.

 

 

이번에 읽은 논문은 ACTION2SCORE: AN EMBEDDING APPROACH TO SCORE PLAYER ACTION; Junho Jang, Ji Young Woo, Huy Kang Kim 이다. 이전 논문과 마찬가지로 League of Legends에 관련된 논문이며 이전의 논문인 “Smart kills and worthless deaths: eSports analytics for League of Legends; Philip Z. Maymin”을 Reference로 가지고 있다.

 

측정 지표 : 이전 연구의 경우 KDA, MMR과 같이 대략적인 값 및 승률에 따라 플레이어의 기여도를 분석하도록 하고 있다. 플레이어의 기여도 성능을 분석하기 위해서 미니언 킬, 골드, KDA와 같은 최종 게임 통계 데이터를 이용하고 있다. 위에서 말한 것과 같이 “Smart kills and worthless deaths: eSports analytics for League of Legends; Philip Z. Maymin”을 Reference로 하여 팀의 승리 확률을 높이는 킬, 승리 확률을 낮추는 죽음에 대한 분석을 진행하며 승리에 대한 개별 행동의 기여도를 평가한다. 각 플레이어의 행동에 대해 과대평가 및 과소평가된 행동들에 대해 분석을 진행한다. 이때 해당 기준은 Avg, KDA, Gold, Minoin Kills를 기반으로 한다. 이때 승리 팀과 패배팀 사이의 점수를 측정하여 비교한다.

서폿, 정글과 같이 실제로 라인에서 미니언을 통해 골드를 수급하는 것이 아니라 다른 라인의 개입을 통해 게임을 승리로 이끄는 라인의 경우 각 지표에서 과소평가 및 과대평가됨 ex) KDA의 경우 서폿라인이 Model1, 7에서 과소평가됨 일반적으로 KDA가 낮지만 플레이어가 팀원보다 기여도가 낮다는 것을 의미하지는 않는기 때문에

KDA 측정 기준에 따라 기여도가 과소평가됨

 

League Of Legends Map

 

Abstract : Multiplayer Online Battle Arena (MOBA) is one of the most successful game genres. MOBA games such as League of Legends have competitive environments where players race for their rank. In most MOBA games, a player’s rank is determined by the match result (win or lose). It seems natural because of the nature of team play, but in some sense, it is unfair because the players who put a lot of effort lose their rank just in case of loss and some players even get free-ride on teammates’ efforts in case of a win. To reduce the side-effects of the team-based ranking system and evaluate a player’s performance impartially, we propose a novel embedding model that converts a player’s actions into quantitative scores based on the actions’ respective contribution to the team’s victory. Our model is built using a sequence-based deep learning model with a novel loss function working on the team match. We showed that our model can evaluate a player’s individual performance fairly and analyze the contributions of the player’s respective actions.

 

 

○ 논문 질의응답

Q: 과대평가와 과소평가의 기준에 대해 다시 설명해주세요

A: KDA의 경우 서폿라인이 Model1, 7에서 과소평가됨 일반적으로 KDA가 낮지만 플레이어가 팀원보다 기여도가 낮다는 것을 의미하지는 않는 때문에 KDA 측정 기준에 따라 기여도가 과소평가됨. 즉, 미니언의 경우 미니언을 서폿 유저가 많이 먹었다고 하더라도 좋은 기여를 했다고 할 수 없기 떄문에 과대평가되었으며 KDA의 경우 서폿의 경우 많이 죽더라도 게임에 기여할 수 있으므로 과소평가 되었다고 할 수 있음.

 

 

이번에 읽은 논문은 ACTION2SCORE: AN EMBEDDING APPROACH TO SCORE PLAYER ACTION; Junho Jang, Ji Young Woo, Huy Kang Kim 이다. 이전 논문과 마찬가지로 League of Legends에 관련된 논문이며 이전의 논문인 “Smart kills and worthless deaths: eSports analytics for League of Legends; Philip Z. Maymin”을 Reference로 가지고 있다.

 

측정 지표 : 이전 연구의 경우 KDA, MMR과 같이 대략적인 값 및 승률에 따라 플레이어의 기여도를 분석하도록 하고 있다. 플레이어의 기여도 성능을 분석하기 위해서 미니언 킬, 골드, KDA와 같은 최종 게임 통계 데이터를 이용하고 있다. 위에서 말한 것과 같이 “Smart kills and worthless deaths: eSports analytics for League of Legends; Philip Z. Maymin”을 Reference로 하여 팀의 승리 확률을 높이는 킬, 승리 확률을 낮추는 죽음에 대한 분석을 진행하며 승리에 대한 개별 행동의 기여도를 평가한다. 각 플레이어의 행동에 대해 과대평가 및 과소평가된 행동들에 대해 분석을 진행한다. 이때 해당 기준은 Avg, KDA, Gold, Minoin Kills를 기반으로 한다. 이때 승리 팀과 패배팀 사이의 점수를 측정하여 비교한다.

서폿, 정글과 같이 실제로 라인에서 미니언을 통해 골드를 수급하는 것이 아니라 다른 라인의 개입을 통해 게임을 승리로 이끄는 라인의 경우 각 지표에서 과소평가 및 과대평가됨 ex) KDA의 경우 서폿라인이 Model1, 7에서 과소평가됨 일반적으로 KDA가 낮지만 플레이어가 팀원보다 기여도가 낮다는 것을 의미하지는 않는기 때문에

KDA 측정 기준에 따라 기여도가 과소평가됨

 

League Of Legends Map

 

Abstract : Multiplayer Online Battle Arena (MOBA) is one of the most successful game genres. MOBA games such as League of Legends have competitive environments where players race for their rank. In most MOBA games, a player’s rank is determined by the match result (win or lose). It seems natural because of the nature of team play, but in some sense, it is unfair because the players who put a lot of effort lose their rank just in case of loss and some players even get free-ride on teammates’ efforts in case of a win. To reduce the side-effects of the team-based ranking system and evaluate a player’s performance impartially, we propose a novel embedding model that converts a player’s actions into quantitative scores based on the actions’ respective contribution to the team’s victory. Our model is built using a sequence-based deep learning model with a novel loss function working on the team match. We showed that our model can evaluate a player’s individual performance fairly and analyze the contributions of the player’s respective actions.

 

 

○ 논문 질의응답

Q: 과대평가와 과소평가의 기준에 대해 다시 설명해주세요

A: KDA의 경우 서폿라인이 Model1, 7에서 과소평가됨 일반적으로 KDA가 낮지만 플레이어가 팀원보다 기여도가 낮다는 것을 의미하지는 않는 때문에 KDA 측정 기준에 따라 기여도가 과소평가됨. 즉, 미니언의 경우 미니언을 서폿 유저가 많이 먹었다고 하더라도 좋은 기여를 했다고 할 수 없기 떄문에 과대평가되었으며 KDA의 경우 서폿의 경우 많이 죽더라도 게임에 기여할 수 있으므로 과소평가 되었다고 할 수 있음.