Исследователи из Университета ИТМО смогли по данным о пользователях игровой онлайн-платформы предсказать пол игрока. Они одними из первых применили машинное обучение, чтобы проанализировать большой массив игровых данных.
Такой подход в перспективе позволит улучшить систему персональных рекомендаций для подбора игр. Также его можно применить для выявления игровой зависимости.
Видеоигры прочно вошли в современную жизнь: с каждым днем растет количество онлайн и оффлайн продуктов для различных платформ. В свою очередь, их пользователи с каждым днем генерируют все больше данных, которые можно использовать для разработки моделей игрового поведения или для определения персональных особенностей игроков. Это полезно, например, для раннего выявления игровой зависимости, а также для маркетинговых исследований в игровой сфере.
До сих пор все исследования игровых данных проводились вручную на небольших выборках. Однако, чтобы делать статистически значимые выводы, необходимо анализировать большие массивы игровых данных. Ученые из Университета ИТМО вместе с коллегами из Университета Сингапура одними из первых применили для этого машинное обучение. С помощью собранного ими набора данных о поведении пользователей игровой платформы Steam и специально разработанной и обученной модели, они смогли на основе игрового поведения предсказывать пол игрока.
Базу данных для анализа исследователи собирали на основе сервиса Player.me, который позволяет сопоставить аккаунты пользователей Steam с их профилями в социальных сетях: Twitter, Facebook и Instagram. На основе этого сравнения исследователи искали связи между данными об игровом поведении и демографическими показателями. В итоге в основу модели легли такие признаки как: потраченное на игру время, полученные игровые достижения, предпочитаемые жанры игр, наличие внутриигровых платежей и т.д.
«Идея моего исследования в том, чтобы использовать игровые данные для изучения поведения человека в реальной жизни. Для этого сейчас пробуют использовать социальные сети, но там люди задумываются о своем поведении, выбирают, что постить, и фильтруют свои мысли. А в играх такого не происходит: там мы ведем себя так, как хотели бы в жизни. И на данном этапе работы мне удалось подтвердить, что игровые данные имеют отношение к реальным характеристикам людей»,— отмечает Иван Самборский, аспирант Университета ИТМО.
По словам ученых, анализ игровых данных позволяет оценить интересы, локацию и демографию пользователей, а также учесть, сколько времени человек готов тратить на игры. Исследователи будут работать над улучшением полученной модели, чтобы повысить точность предсказаний о пользователях. Также модель планируют адаптировать для определения игровой зависимости.
«В наших прошлых исследованиях мы использовали тексты, изображения и даже геолокацию. Однако поведение игроков описывается совершенно особым языком проведенных в играх часов и полученных достижений. Наше исследование показало, что даже этой информации хватает, чтобы предсказать пол игрока. Конечно, полом дело не ограничится, но сейчас мы просто показали, что игровое поведение можно анализировать и получать хорошие прогнозные значения. Помимо вездесущей персонализации рекламы, хорошие прогнозные модели можно использовать во многих прикладных исследованиях: социологических, психологических, спортивных и медицинских»,— комментирует Андрей Фильченков, руководитель группы машинного обучения лаборатории «Компьютерные технологии» Университета ИТМО.
Результаты были представлены на конференции AAAI Conference on Artificial Intelligence.
Текст: ИТМО