prikaz prve stranice dokumenta Modeli za predviđanje ponašanja korisnika digitalne igre primjenom tehnika dubokog učenja
No public access
master's thesis
Modeli za predviđanje ponašanja korisnika digitalne igre primjenom tehnika dubokog učenja
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. urn:nbn:hr:168:487739
Pečarić, Josip
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Pečarić, J. (2022). Modeli za predviđanje ponašanja korisnika digitalne igre primjenom tehnika dubokog učenja (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:487739

Pečarić, Josip. "Modeli za predviđanje ponašanja korisnika digitalne igre primjenom tehnika dubokog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:487739

Pečarić, Josip. "Modeli za predviđanje ponašanja korisnika digitalne igre primjenom tehnika dubokog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:487739

Pečarić, J. (2022). 'Modeli za predviđanje ponašanja korisnika digitalne igre primjenom tehnika dubokog učenja', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 22 July 2024, https://urn.nsk.hr/urn:nbn:hr:168:487739

Pečarić J. Modeli za predviđanje ponašanja korisnika digitalne igre primjenom tehnika dubokog učenja [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2022 [cited 2024 July 22] Available at: https://urn.nsk.hr/urn:nbn:hr:168:487739

J. Pečarić, "Modeli za predviđanje ponašanja korisnika digitalne igre primjenom tehnika dubokog učenja", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2022. Available at: https://urn.nsk.hr/urn:nbn:hr:168:487739

Metadata
TitleModeli za predviđanje ponašanja korisnika digitalne igre primjenom tehnika dubokog učenja
Title (english)Models for Prediction of Player Behavior in Digital Games Using Deep Learning Techniques
AuthorJosip Pečarić
MentorLea Skorin-Kapov (mentor)
Committee memberLea Skorin-Kapov (predsjednik povjerenstva)
Committee memberMaja Matijašević (član povjerenstva)
Committee memberMirko Sužnjević (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2022-02-10, 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
Keywords (english)
Languageenglish
URN:NBNurn:nbn:hr:168:487739
Study programmeTitle: Computing
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-01-13 15:50:48