Fugu-MT 論文翻訳(概要): Moment-to-moment Engagement Prediction through the Eyes of the Observer: PUBG Streaming on Twitch

論文の概要: Moment-to-moment Engagement Prediction through the Eyes of the Observer: PUBG Streaming on Twitch

arxiv url: http://arxiv.org/abs/2008.07207v1
Date: Mon, 17 Aug 2020 10:40:34 GMT
ステータス: 処理完了
システム内更新日: 2022-10-28 04:28:48.276224
Title: Moment-to-moment Engagement Prediction through the Eyes of the Observer: PUBG Streaming on Twitch
Title（参考訳）: オブザーバの目を通してのモーメント・ツー・モーメントエンゲージメント予測:Twitch上のPUBGストリーミング
Authors: David Melhart, Daniele Gravina, Georgios N. Yannakakis
Abstract要約: 我々は,有名なバトルロイヤルゲームPlayerUnknown's Battlegroundsから収集されたデータに基づいて,視聴者のエンゲージメントを予測するモデルを構築した。特に,5つの人気ストリーマーの数百試合から視聴者のチャットログとゲーム内テレメトリデータを収集する。私たちの重要な発見は、40のゲームプレイ機能のみにトレーニングされたエンゲージメントモデルが、平均で80%、最高で84%のアキュラシーに達することを示しています。
参考スコア（独自算出の注目度）: 0.9281671380673304
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Is it possible to predict moment-to-moment gameplay engagement based solely on game telemetry? Can we reveal engaging moments of gameplay by observing the way the viewers of the game behave? To address these questions in this paper, we reframe the way gameplay engagement is defined and we view it, instead, through the eyes of a game's live audience. We build prediction models for viewers' engagement based on data collected from the popular battle royale game PlayerUnknown's Battlegrounds as obtained from the Twitch streaming service. In particular, we collect viewers' chat logs and in-game telemetry data from several hundred matches of five popular streamers (containing over 100,000 game events) and machine learn the mapping between gameplay and viewer chat frequency during play, using small neural network architectures. Our key findings showcase that engagement models trained solely on 40 gameplay features can reach accuracies of up to 80% on average and 84% at best. Our models are scalable and generalisable as they perform equally well within- and across-streamers, as well as across streamer play styles.
Abstract（参考訳）: ゲームテレメトリのみに基づくモーメント間ゲームプレイエンゲージメントの予測は可能か? ゲームの視聴者の振る舞いを観察することで、ゲームプレイのエンゲージメントな瞬間を明らかにすることができるだろうか? 本稿では,ゲームプレイのエンゲージメントの定義を再構築し,その代わりに,ゲームの生のオーディエンスの目を通して見る。 twitchのストリーミングサービスから得られた人気バトルロイヤルゲームプレイヤーのバトルグラウンドから収集したデータに基づいて、視聴者のエンゲージメントの予測モデルを構築した。特に5つの人気ストリーマー(10万以上のゲームイベントを含む)の数百のマッチから視聴者のチャットログとゲーム内テレメトリデータを収集し、小さなニューラルネットワークアーキテクチャを用いてプレイ中のゲームプレイと視聴者のチャット頻度のマッピングを学ぶ。私たちの重要な発見は、40のゲームプレイ機能のみをトレーニングしたエンゲージメントモデルが、平均で80%、最高で84%の精度に達することを示しています。私たちのモデルはスケーラブルで汎用性があり、ストリーム内およびストリーム間、およびストリーマーのプレイスタイルで同等に機能します。

関連論文リスト

Game-MUG: Multimodal Oriented Game Situation Understanding and Commentary Generation Dataset [8.837048597513059]
本稿では,新しいマルチモーダルゲーム状況理解とオーディエンスによるコメント生成データセットであるGAME-MUGを紹介する。我々のデータセットは、YouTubeとTwitchの2020-2022 LOLゲームライブストリームから収集され、テキスト、オーディオ、時系列イベントログを含むマルチモーダルEスポーツゲーム情報を含んでいる。また,ゲーム状況とオーディエンス会話理解を網羅して,新たなオーディエンス会話追加コメントデータセットを提案する。
論文参考訳（メタデータ） (2024-04-30T00:39:26Z)
Towards Real-Time Analysis of Broadcast Badminton Videos [29.633481528698844]
生放送のマッチビデオにおけるバドミントンマッチに対するプレイヤーの動き分析のためのエンドツーエンドフレームワークを提案する。マルチモーダルセンサデータを使用する他のアプローチとは異なり、我々のアプローチは視覚的手がかりのみを使用する。われわれのフレームワークは、2019年のプレミアバドミントンリーグのライブ放送の試合をリアルタイムで分析するためにうまく利用された。
論文参考訳（メタデータ） (2023-08-23T15:38:26Z)
CS-lol: a Dataset of Viewer Comment with Scene in E-sports Live-streaming [0.5735035463793008]
何十億ものライブストリーミング視聴者が、リアルタイムで見ているシーンについて意見を共有し、イベントと対話する。 CS-lolは,E-Sportsのライブストリーミングにおけるゲームシーンの記述と組み合わせた,視聴者からのコメントを含むデータセットである。本稿では,ライブストリーミングイベントのシーンに対する視聴者コメントを検索するタスク,すなわち視聴者コメント検索を提案する。
論文参考訳（メタデータ） (2023-01-17T13:34:06Z)
A Graph-Based Method for Soccer Action Spotting Using Unsupervised Player Classification [75.93186954061943]
アクションスポッティングには、ゲームのダイナミクス、イベントの複雑さ、ビデオシーケンスのバリエーションを理解することが含まれる。本研究では, (a) 選手, 審判, ゴールキーパーをグラフのノードとして識別し, および (b) 時間的相互作用をグラフのシーケンスとしてモデル化することによって, 前者に焦点を当てる。プレーヤ識別タスクでは,他のモダリティと組み合わせることで,平均mAPの57.83%の総合的な性能が得られる。
論文参考訳（メタデータ） (2022-11-22T15:23:53Z)
GCN-WP -- Semi-Supervised Graph Convolutional Networks for Win Prediction in Esports [84.55775845090542]
本稿では,グラフ畳み込みネットワークに基づくエスポートに対する半教師付き勝利予測モデルを提案する。 GCN-WPはマッチとプレーヤに関する30以上の機能を統合し、近隣のゲームを分類するためにグラフ畳み込みを使用している。本モデルは,LLの機械学習やスキル評価モデルと比較して,最先端の予測精度を実現する。
論文参考訳（メタデータ） (2022-07-26T21:38:07Z)
Subjective and Objective Analysis of Streamed Gaming Videos [60.32100758447269]
ゲームビデオにおける主観的および客観的ビデオ品質評価(VQA)モデルについて検討する。 LIVE-YouTube Gaming Video Quality (LIVE-YT-Gaming) と呼ばれる新しいゲームビデオリソースを作成しました。このデータについて主観的人間調査を行い,61名の被験者が記録した品質評価18,600名を得た。
論文参考訳（メタデータ） (2022-03-24T03:02:57Z)
Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
論文参考訳（メタデータ） (2022-03-10T02:37:39Z)
A study on Channel Popularity in Twitch [0.0]
Twitchにおけるストリーマーの人気の予測についてはほとんど研究されていない。ストリームデータは、4週間の間にTwitchのAPIを使用して一貫したトラッキングを通じて収集された。その結果,ストリーミングセッションの頻度,コンテンツの種類,ストリームの長さが,セッション中に視聴者や購読者のストリームがどれだけの頻度で得られるかを決定する重要な要因であることが判明した。
論文参考訳（メタデータ） (2021-11-10T20:55:20Z)
Detecting Video Game Player Burnout with the Use of Sensor Data and Machine Learning [15.838305794790022]
本研究では,センサデータ分析に基づいて,プレイヤーが今後の出会いに勝つかどうかを予測する手法を提案する。センサデータは、リーグ・オブ・レジェンドズ(League of Legends)の22試合の参加者10名から収集された。われわれはTransformerやGated Recurrent Unitといった機械学習モデルを訓練し、将来一定時間後にプレイヤーが遭遇するかどうかを予測する。
論文参考訳（メタデータ） (2020-11-29T21:16:09Z)
What is More Likely to Happen Next? Video-and-Language Future Event Prediction [111.93601253692165]
対話が整ったビデオの場合、人々は次に何が起こるかを見極めることができる。本研究では,AIモデルがこのようなマルチモーダル・コモンセンスの次世代予測を学べるかどうかを考察する。新しいデータセットであるVideo-and-Language Event Prediction(ビデオ・アンド・ランゲージ・イベント予測)を収集します。
論文参考訳（メタデータ） (2020-10-15T19:56:47Z)
Interpretable Real-Time Win Prediction for Honor of Kings, a Popular Mobile MOBA Esport [51.20042288437171]
本研究では,2段階空間時間ネットワーク(TSSTN)を提案する。実世界のライブストリーミングシナリオにおける実験結果と応用により,提案したTSSTNモデルは予測精度と解釈可能性の両方において有効であることが示された。
論文参考訳（メタデータ） (2020-08-14T12:00:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。