IEEE CIG 2017 游戏数据挖掘竞赛的夺冠方案
机器学习
2019-01-18 v1 机器学习
摘要
由 Kaggle 或 KDD 组织的机器学习竞赛代表了数据科学研究的有用基准。在本工作中，我们呈现了在 2017 年 IEEE 计算智能与游戏会议（CIG 2017）举办的游戏数据挖掘竞赛中的夺冠方案。该竞赛包含两条赛道，参与者（超过 250 名，来自工业界与学术界）需预测哪些玩家将停止玩游戏以及他们的剩余生命周期。数据由全球大型视频游戏公司 NCSoft 提供，来自其成功的大型多人在线游戏《Blade and Soul》。在此，我们描述了使我们赢得竞赛两条赛道的长短期记忆（LSTM）方法与条件推断生存集成模型，以及我们为防过拟合所遵循的验证流程。特别地，选择能够处理删失数据的生存方法对于准确预测每位玩家离开游戏的时刻至关重要，因为流失中固有删失。所选模型被证明对演化条件具有鲁棒性——因为在提供的两个样本数据集之间游戏的商业模式发生了变化（从订阅制变为免费游玩）——并且在时间成本上高效。得益于这些特征以及它们扩展到大型数据集的能力，我们的模型可轻易部署于真实业务环境中。
引用
@article{arxiv.1901.05147,
title = {The Winning Solution to the IEEE CIG 2017 Game Data Mining Competition},
author = {Anna Guitart and Pei Pei Chen and África Periáñez},
journal= {arXiv preprint arXiv:1901.05147},
year = {2019}
}