본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

Title Page 2

Contents 5

Abstract 10

Chapter 1. Introduction 12

Chapter 2. Related Work 16

2.1. Multiplayer Online Battle Arena (MOBA) Games 16

2.2. League of Legends: Champion, Draft Phase, and Constraints 17

2.3. Draft Recommendation in MOBA Games 21

2.4. Recommendation System 23

Chapter 3. Proposed Method 26

3.1. Input Representation 27

3.1.1. Draft Sequence Representation 27

3.1.2. Match Feature Representation 29

3.2. Graph-Based Champion Relationship Modeling 29

3.2.1. Modeling Champion Synergy and Counterplay 30

3.2.2. Champion Graph Construction and Edge Weighting 30

3.3. Model Architecture 32

3.3.1. Input Processing 32

3.3.2. Graph Embedding Layer 33

3.3.3. Feature Embedding Layer 34

3.3.4. Transformer Encoder and Champion Recommendation 35

3.3.5. Training Objective 37

Chapter 4. Experiments And Results 38

4.1. Datasets 38

4.1.1. Ban-Pick Sequence Data 38

4.1.2. Match Performance Data 39

4.1.3. Dataset Statistics 39

4.2. Baselines 40

4.3. Implementation Details 41

4.3.1. Training 41

4.3.2. Evaluation 42

4.4. Experimental Results 43

4.4.1. Results on Individual Seasons and Aggregated Datasets 44

4.4.2. Ablation and Additional Studies 49

Chapter 5. Conclusion 56

5.1. Contributions 56

5.2. Limitations 57

5.3. Conclusion and Future Work 58

References 60

Appendices 66

Appendix A. Disdaimer 66

Appendix B. Dataset Features Description 66

Appendix C. Hyperparameter Settings 68

초록 70

List of Tables 8

Table 4.1. Description of datasets 39

Table 4.2. Performance Comparison on the 2020 Dataset 45

Table 4.3. Performance Comparison on the 2021 Dataset 45

Table 4.4. Performance Comparison on the 2022 Dataset 46

Table 4.5. Performance Comparison on the 2023 Dataset 47

Table 4.6. Performance Comparison on the 2024 Dataset 48

Table 4.7. Performance Comparison over 2020-2024 Datasets 49

Table 4.8. Ablation Study Results 51

Table 4.9. Performance Comparison: Original vs. Downsampled Datasets (2020-2023) 52

List of Appendix Tables 8

Table B.1. Draft Sequence Dataset Features 67

Table B.2. Match Feature Dataset Features 68

Table C.1. Hyperparameter settings for all models and datasets 69

List of Figures 9

Figure 2.1. League of Legends Position Map. Each team consists of five distinct roles: TOP... 18

Figure 2.2. Pick and Ban Sequence in League of Legends. This process includes four phases:... 20

Figure 3.1. Overall architecture of GARENRec. The architecture consists of (a) an input... 27

Figure 4.1. Top-10 champion pair attention scores computed on the 2022 test dataset. The... 53

초록보기

 리그 오브 레전드의 챔피언 선택 단계는 각 팀이 번갈아가며 챔피언을 금지하거나 선택하는 과정으로, 전략적 예측, 상대 팀의 대응, 팀 내 조율된 의사결정을 요구하는 복합적인 다중 아이템 추천 문제이다. 최근에는 인공지능 기반 추천 모델이 챔피언 선택 의사결정을 지원하는 가능성을 보이고 있으나, 대부분의 모델은 개인 선호도를 기반으로 한 일반 랭크 게임 데이터를 활용하고 있어, 팀 단위의 상호작용이나 챔피언 간의 장기적인 의존성을 충분히 반영하는 데 한계가 있다.

본 연구에서는 이러한 한계를 극복하기 위해 GARENRec(그래프 기반 주의 메커니즘과 트랜스포머를 활용한 리그 오브 레전드 챔피언 선택 추천 시스템)을 제안한다. GARENRec은 챔피언 간의 관계를 학습하는 그래프 주의 메커니즘과 챔피언 선택 순서의 흐름을 반영하는 순서 기반 인코더(트랜스포머)를 결합한 복합 구조의 모델이다. 그래프 모듈은 챔피언 간의 시너지와 상호 견제 관계를 학습하며, 순서 모듈은 시간적 순서에 따른 문맥 정보를 포착한다.

5년간의 프로 리그 데이터를 활용한 실험 결과, 제안한 모델은 기존 최신 기법들과 비교해 일관되게 우수한 성능을 보였으며, 특히 전체 top-k 평가 기준에서 평균 Hit Rate는 9.35 %, 평균 NDCG는 16.09 %의 성능 향상을 달성하였다.

이러한 결과는 단순히 선호 기반 모델링에 의존하기보다는, 챔피언 간의 관계 정보를 함께 반영하는 방식이 전략적으로 복잡하고 변화가 잦은 환경에서 더욱 효과적임을 시사한다. 또한 GARENRec은 간 흐름에 따른 게임 전략이나 챔피언 활용 방식의 변화에도 높은 일반화 성능을 유지하며, 데이터 규모 증가에 따라 안정적인 확장성도 확인되었다. 이는 기존의 사용자-아이템 중심 추천 시스템을 넘어, 아이템 간의 복합적인 관계까지 학습 가능한 추천 시스템 개발에 있어 유의미한 방향을 제시한다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기