Steam 실험실의 실험 기능 중 하나인 새로운 인터랙티브 추천기를 오늘 여러분에게 소개합니다.
링크: https://store.steampowered.com/recommender/
Steam에서 좋아하는 게임 찾기
Steam의 강점 중 하나는 개발사의 규모와 상관없이 거의 모든 장르를 아우르는 방대한 게임 목록입니다. 선택의 폭이 아주 넓기 때문에, 본인이 즐길 만한 게임을 찾을 수 있게 도와주는 더 나은 도구를 원한다는 사용자들의 의견이 있었습니다. 태그 기반 검색과 같은 기존의 상점 기능이 잘 작동하긴 하지만, 플레이어가 자신의 개별 플레이 패턴에 따라 맞춤 추천을 제공받을 수 있도록 머신 러닝을 도입하기로 했습니다. 또한, 결과를 조정할 수 있는 실시간 컨트롤 기능이 머신 러닝과 결합되어, 추천기는 Steam을 탐색하고 여러분과 여러분이 좋아할 만한 게임을 연결해 주는 재미있고 강력한 도구가 됩니다.
작동 방식
이 새로운 추천기는 다른 중요한 데이터와 함께, 사용자의 플레이 시간 기록을 바탕으로 게임을 추천하도록 훈련된 신경망 모델을 기반으로 합니다. 저희가 수백만 명의 Steam 사용자와 수십억 개의 플레이 세션 데이터를 기반으로 모델을 학습시키므로, 다양한 플레이 패턴의 미묘한 차이를 포착하고 Steam의 게임 목록 전체를 포함하는 강력한 결과를 제공합니다. 모델은 지정된 기간 내에 출시된 게임만으로 결과를 제한할 수 있도록 매개 변수화되어 있으며, 인기가 높은 제품순 또는 낮은 제품순으로 표시하도록 조정할 수 있습니다. 이러한 매개 변수는 사용자에게 노출되므로, 결과에 최근 출시된 게임만 표시할지, 아니면 10년 전에 출시된 게임도 모두 포함할지를 직접 선택할 수 있습니다. 이와 마찬가지로, 목록에서 주류 게임만 볼지, 아니면 비주류 게임도 함께 볼지를 선택할 수도 있습니다. 슬라이더의 설정에 관계없이, 항상 각 개별 사용자와 연관되고 개인화된 결과가 제공됩니다.
Steam 상점 전반에 걸친 머신 러닝
전통적인 접근 방식과는 달리, 저희는 게임에 대한 모델 정보를 명시적으로 제공하지 않습니다. 그 대신에, 모델은 훈련 과정 동안 스스로 게임들에 대해 학습합니다. 사실, 이 과정에서 명시적으로 제공되는 게임의 유일한 정보는 출시 날짜이며, 출시 날짜 슬라이더로 기간 범위를 조정할 수 있습니다. 모델 학습 과정의 일부로 출시 날짜를 사용하면, 출력된 결과에 단순히 필터를 적용하는 것보다 더 나은 품질의 결과를 산출하는 것으로 나타났습니다.
특히 저희는, 모델을 만들 때 태그 또는 평가 점수에 대한 정보를 사용하지 않습니다. 따라서 평가나 태그가 결과에 영향을 줄 수 없습니다. 이 모델은 다른 외부 데이터를 보는 것이 아니라 사용자들의 행동을 학습하면서 게임의 속성을 추론해 냅니다.
사용자는 최종 결과를 태그로 필터링하여 그때그때 기분에 맞는 게임을 찾을 수 있지만, 이는 기본 모델의 일부가 아닙니다.
플레이어들의 Steam 커뮤니티를 바탕으로 한 신경망
한 가지 방법은 게임에 대한 모든 단일 정보를 수집한 다음, '유사한' 게임이 무엇인지 추측하고 해당 게임을 추천하는 것입니다. 하지만 이는 다양한 유형의 왜곡 현상을 야기할 수 있습니다. Beat Saber를 많이 플레이한다고 해서 줄곧 VR 리듬 게임만 추천할 수는 없기 때문입니다. 이 모델은 다른 접근 방식을 사용합니다. 장르나 가격대와 같이, 게임에 관한 일반적인 데이터의 대부분을 무시하는 대신에, 여러분과 다른 사람들이 어떤 게임을 플레이하는지 보고, Steam에서 게임을 플레이하는 다른 사람들의 결정을 기반으로 정보에 입각한 추천을 합니다. 이는 여러분과 대체로 유사한 플레이 습관을 지닌 플레이어들이 여러분이 아직 플레이해보지 않은 다른 게임을 플레이하는 경향이 있다면, 그 게임이 여러분에게 좋은 추천이 될 가능성이 크다는 걸 뜻합니다.
인기도
더 정확한 용어가 없기 때문에 '인기도'라는 단어를 선택했지만, '주류'를 의미한다고 보시면 됩니다. 책이나 음악, 영화와 마찬가지로 사람들이 찾는 것은 그 범위가 매우 넓습니다. 가장 최신 게임과 가장 인기 있는 게임이 뭔지 알고 싶어하는 사람도 있고, 또 그와 반대로 잘 알려지지는 않았지만 흥미 있고 자신과 더 관련성이 높은 게임이 뭔지 알고 싶어하는 사람도 있습니다. 저희는 이 도구가 그 스펙트럼의 양쪽 끝에 있는 모든 사람에게 유용할 거라 생각합니다. 그 중에서도 특히 많은 게임을 플레이하고 비주류의 게임을 찾고 있는 사람들이 숨겨진 보석을 찾을 수 있는 아주 효과적인 방법이 될 수 있습니다.
Steam의 추천 게임
저희는 Steam에서 맞춤형 추천이 결정되는 방식에 큰 변화를 주기보다, 이 새로운 추천기를 도입하여 고객들이 자율적으로 실험해 볼 수 있도록 했습니다. 이는 이미 Steam에 익숙한 고객과 개발자들에게 혼란을 줄 수 있는 갑작스러운 변화는 피하면서 사용 데이터를 효과적으로 수집하는 데 도움이 될 것입니다. 인터랙티브 추천기나 관련 실험이 유용하다고 판명되면, Steam의 게임 추천 방식에 큰 변화를 주기 전에 먼저 여러분에게 업데이트를 공지해드리겠습니다. 인기 제품, 신규 출시, 인기 신제품의 데이터는 맞춤 대기열과 이 새로운 추천기의 데이터와는 다릅니다. 저희는 이 새로운 인터랙티브 추천기를 수많은 발견 요소 중의 하나로 보고 있으며, 계속해서 고객과 흥미로운 콘텐츠 및 개발자를 연결하는 다양한 방법을 소개해 드릴 수 있길 기대합니다.
추천 게임 및 신규 게임
이런 종류의 시스템에서는, 새로 출시되는 게임에 대해 닭과 계란 중 어느 것이 먼저인지를 따지는 소위 '콜드 스타트' 문제가 발생합니다. 이 모델에서는 아직 플레이어를 보유하지 못한 게임들의 경우, 그에 대한 데이터가 아직 존재하지 않으므로 추천을 받을 수 없게 됩니다. 하지만 모델의 반응 속도는 매우 빠르므로, 새로 훈련을 시킬 때마다 단 며칠 만의 데이터만을 가진 신규 출시작도 파악할 수 있게 됩니다. 그렇기 때문에, 탐색 대기열이 수행하고 있는 최신 콘텐츠를 소개하는 역할을 맡을 수는 없으며, 이 도구는 기존의 작업 방식을 대체하기보다는 추가적인 도움을 주는 도구로 생각하고 있습니다.
개발자 최적화 불필요
컴퓨터가 작성하는 맞춤 검색에 의존하다 보면 제작자들이 고객보다는 '알고리즘' 자체의 최적화에 집중하는 경우가 가끔 발생합니다. 지금 이 경우가 바로 그런 상황이라고 생각할 수도 있겠죠. 저희는 추천기가 태그나 평가와 같은 외부 요소에 좌우되지 않고 플레이어의 행동에 따라 움직이도록 설계했습니다. 개발자가 이러한 모델을 최적화하는 가장 이상적인 방법은 사람들이 즐겁게 플레이할 수 있는 게임을 만드는 것입니다. 상점 페이지에 판매하는 게임에 대한 유용한 정보를 사용자에게 제공하는 것이 중요하지만, 태그나 메타데이터에 의해 추천기의 게임에 대한 판단이 어떤 영향을 받는지에 대해 고민할 필요는 없습니다.
여러분의 의견을 저희에게 알려주세요
저희는 고객분들과 개발자분들 모두의 피드백을 받고 싶습니다. 인터랙티브 추천기와 토론 참여 페이지를 방문하여 저희에게 의견을 공유해 주세요. 추천기의 유용성 여부에 대한 데이터를 수집하는 동안, 진행 상황에 대한 정보를 공유해드릴 예정입니다.
개발자 참고 사항
새로운 추천기는 고객들이 사용하도록 설계된 도구이지만 개발자들에게도 도움이 되기를 바랍니다. 개발자는 각 게임에 대한 기존의 '트래픽 분석 결과'에서 추천기에 의해 발생한 방문 횟수를 직접 볼 수 있습니다. 하지만 Steam 전체와 비교했을 때 해당 실험이 그리 많은 트래픽을 생성하지 않을 수도 있음을 참고하세요. 개발자 여러분들은 의문 사항 또는 피드백이 있는 경우, 모든 Steamworks 웹 페이지의 상단에 있는 '지원' 버튼을 사용하여 손쉽게 저희에게 알릴 수 있습니다.
- Steam 팀 일동
(IP보기클릭)175.194.***.***
있습니당
(IP보기클릭)125.142.***.***
(IP보기클릭)121.179.***.***
(IP보기클릭)175.194.***.***
MINISTRY
있습니당 | 19.07.12 10:37 | | |