Modeli za predviđanje ponašanja korisnika digitalne igre primjenom tehnika dubokog učenja

master's thesis

• Title (english): Models for Prediction of Player Behavior in Digital Games Using Deep Learning Techniques
• Author: Josip Pečarić
• Mentor: Lea Skorin-Kapov (mentor)
• Committee member: Lea Skorin-Kapov (predsjednik povjerenstva)
• Committee member: Maja Matijašević (član povjerenstva)
• Committee member: Mirko Sužnjević (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2022-02-10, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Casual mobilne igre su danas jedne od najpopularnijih vrsta igara na tržištu. Uglavnom se takve igre temelje na free-to-play monetizacijskom modelu gdje igrači mogu odustati od igranja igre u bilo kojem trenutku. Kompanije koriste predviđanje odustajanja igranja korisnika kako bi zadržale igrače i na taj način potencijalno povećale prihod od igre.

U ovom radu, korisnik je definiran kao churner ako u određenom promatranom vremenskom periodu nije zabilježio niti jednu sjednicu igranja. Na temelju podataka jedne casual mobilne igre, kreirana su dva skupa podataka za predviđanje odustajanja: tablični skup podataka sa ekstrahiranim značajkama i skup podataka temeljen na vremenskim okvirima. Predviđanje je odrađeno samo za novopridošle korisnike zbog visoke stope korisnika koji odustaju od igranja. Koristeći tablični skup podataka, usporedili smo performanse modela strojnog učenja (k-najbližih susjeda, nasumične šume i logistička regresija) sa modelom unaprijedne neuronske mreže. Za skup podataka temeljenim na vremenskim okvirima, istražili smo upotrebu konvolucijske neuronske mreže (CNN) i long short-term memory (LSTM) model. Također, procijenjene su performanse navedenih modela za kraće promatrane vremenske periode u rasponu od prvog do prva 24 sata od korisnikove instalacije.

Abstract (english)

Casual mobile games are today one of the most popular types of games on the market. Usually, they are based on the free-to-play monetization model, where players can opt-out of playing the game at any time. Companies use churn prediction to retain their players and potentially increase the game's revenue by doing so.

In this thesis, we define a player as a churner if that player did not record a single game session during the observed period of time. Based on the log data of a single casual mobile game, we created two datasets for churn prediction: a tabular dataset with extracted features and a time frame dataset. We focused only on churn prediction of new players, because of the game's high churn rate. Using the tabular dataset, we compared performance of machine learning models (k-Nearest Neighbors, Random Forest and Logistic Regression) with the deep learning model of feedforward neural network. For the time frame dataset, we explored the usage of a convolutional neural network (CNN) and long short-term memory (LSTM). Also, we evaluated performance of these models for shorter observation periods ranging from the first 1 hour since installation to the first 24 hours since installation.

• Keywords: casual mobilne igre; free-to-play; predviđanje odustajanja; strojno učenje; duboko učenje
• Keywords (english): casual mobile games; free-to-play; churn prediction; machine learning; deep learning
• Language: english
• URN:NBN: urn:nbn:hr:168:487739
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2023-01-13 15:50:48