特許 7064559 ディープラーニング基盤のゲームプレイサーバ、ゲーム難易度予測サーバ、およびゲームプレイサービス方法、ならびにプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2022-04-26

(45)【発行日】2022-05-10

(54)【発明の名称】ディープラーニング基盤のゲームプレイサーバ、ゲーム難易度予測サーバ、およびゲームプレイサービス方法、ならびにプログラム

(51)【国際特許分類】

   A63F 13/80 20140101AFI20220427BHJP

   A63F 13/60 20140101ALI20220427BHJP

   G06N 20/00 20190101ALI20220427BHJP

   G06N 3/08 20060101ALI20220427BHJP

【ＦＩ】

A63F13/80 E

A63F13/60

G06N20/00

G06N3/08

【請求項の数】 20

(21)【出願番号】P 2020196293

(22)【出願日】2020-11-26

(65)【公開番号】P2021122725

(43)【公開日】2021-08-30

【審査請求日】2020-11-26

(31)【優先権主張番号】10-2020-0014213

(32)【優先日】2020-02-06

(33)【優先権主張国・地域又は機関】KR

【新規性喪失の例外の表示】特許法第３０条第２項適用 開催日 令和１年１１月２７日 開催場所 ＮＨＮ ＦＯＲＷＡＲＤで発表

【新規性喪失の例外の表示】特許法第３０条第２項適用 ウェブサイトの掲載日 令和１年１１月２７日 ウェブサイトのアドレス ｈｔｔｐｓ：／／ｆｏｒｗａｒｄ．ｎｈｎ．ｃｏｍ／２０１９／ｓｅｏｕｌ／

【新規性喪失の例外の表示】特許法第３０条第２項適用 ウェブサイトの掲載日 令和２年１月２０日 ウェブサイトのアドレス ｈｔｔｐｓ：／／ｙｏｕｔｕ．ｂｅ／ＯＵｇ０ｘｃｇｋｈｌｓ

【新規性喪失の例外の表示】特許法第３０条第２項適用 ウェブサイトの掲載日 令和２年１月２１日 ウェブサイトのアドレス ｈｔｔｐｓ：／／ｗｗｗ．ｓｌｉｄｅｓｈａｒｅ．ｎｅｔ／ＮＨＮＦＯＲＷＡＲＤ／ｎｈｎｆｏｒｗａｒｄ２０１９－４

(73)【特許権者】

【識別番号】313011434

【氏名又は名称】エヌエイチエヌ コーポレーション

【住所又は居所原語表記】（Ｓａｍｐｙｅｏｎｇ－ｄｏｎｇ），１６，Ｄａｅｗａｎｇｐａｎｇｙｏ－ｒｏ ６４５ ｂｅｏｎ－ｇｉｌ，Ｂｕｎｄａｎｇ－ｇｕ，Ｓｅｏｎｇｎａｍ－ｓｉ，Ｇｙｅｏｎｇｇｉ－ｄｏ Ｒｅｐｕｂｌｉｃ ｏｆ Ｋｏｒｅａ

(74)【代理人】

【識別番号】110000408

【氏名又は名称】特許業務法人高橋・林アンドパートナーズ

(72)【発明者】

【氏名】リー，チャン ユル

(72)【発明者】

【氏名】リー，ジュン ユオプ

(72)【発明者】

【氏名】キム，チョン ヒョン

【審査官】早川 貴之

(56)【参考文献】

【文献】特開２０１９－１９１７８６（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１８／０２４３６５６（ＵＳ，Ａ１）

【文献】辻本 貴昭，ターン制コマンドバトルにおける強化学習効率化，情報処理学会 研究報告 ゲーム情報学（ＧＩ） ２０１９－ＧＩ－４２ ［ｏｎｌｉｎｅ］ ，日本，情報処理学会，2019年07月12日

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６３Ｆ ９／２４，１３／００－１３／９８

(57)【特許請求の範囲】

【請求項1】

ゲームマップに配置された固定パズルに合わせて操作パズルを配置する行動によって、同じ形態のパズルが少なくとも３個以上マッチングされれば除去され、点数を得るマッチパズルゲームを行う少なくとも１つ以上のディープラーニング基盤のゲームプレイサーバにおいて、
第１のサイズの複数の第１のゲームマップ及び前記第１のサイズより小さい第２のサイズの複数の第２のゲームマップを受信する少なくとも１つ以上の通信プロセッサと、
エージェント・ベース・モデルを格納するメモリと、
前記エージェント・ベース・モデルを読み出して前記エージェント・ベース・モデルの学習を行い、前記学習されたエージェント・ベース・モデルを利用して前記マッチパズルゲームを行う少なくとも１つ以上のプロセッサと、
を備え、
前記メモリに格納され、前記少なくとも１つ以上のプロセッサにより実行される少なくとも１つのプログラムとして前記少なくとも１つのプログラムは、
前記複数の第２のゲームマップに対して大きい点数を得る行動をするように前記エージェント・ベース・モデルを第１強化学習し、
前記複数の第１のゲームマップの各々に対して固定パズルの数の分だけ固定パズルを中心に配置して前記第２のサイズの複数の分割ゲームマップを生成し、
前記複数の第１のゲームマップの各々を入力データとし、前記複数の第１のゲームマップの各々に対して前記第２のサイズの複数の分割ゲームマップに対する行動のうち、最も大きい点数を得る行動をする分割ゲームマップの行動を正解ラベルとしてトレーニングデータセットを生成し、
前記第１強化学習されたエージェント・ベース・モデルを前記トレーニングデータセットを利用して教師あり学習し、
前記教師あり学習されたエージェント・ベース・モデルを前記複数の第１のゲームマップに対して第２強化学習することを特徴とするディープラーニング基盤のゲームプレイサーバ。

【請求項2】

前記複数の第１のゲームマップと前記複数の第２のゲームマップとは、前記固定パズルの配置によってゲーム難易度があり、
前記プログラムは、前記複数の第１のゲームマップと前記複数の第２のゲームマップとを入力するとき、ゲーム難易度が低いマップから高いマップの順に入力して前記エージェント・ベース・モデルを学習することを特徴とする請求項１に記載のディープラーニング基盤のゲームプレイサーバ。

【請求項3】

前記プログラムは、前記第１強化学習または前記第２強化学習の入力にガウスノイズを追加入力して前記エージェント・ベース・モデルを学習することを特徴とする請求項１に記載のディープラーニング基盤のゲームプレイサーバ。

【請求項4】

前記操作パズルは、ゲーム開始の際、４つの色相でランダムに選択順序が決められ、
前記行動は、基本行動及びスイッチ行動を含み、
前記基本行動は、操作パズルの方向及び位置を変更してゲームマップに配置する行動であり、
前記スイッチ行動は、前記操作パズルの順序を変更することを特徴とする請求項１に記載のディープラーニング基盤のゲームプレイサーバ。

【請求項5】

前記操作パズルは、４つの色相であり、
前記行動は、準備行動及び基本行動を含み、
前記準備行動は、前記操作パズルで前記基本行動に使用される候補パズルを所定の個数の
分だけ選択する行動であり、
前記基本行動は、前記候補パズルの方向及び位置を変更してゲームマップに配置する行動であることを特徴とする請求項１に記載のディープラーニング基盤のゲームプレイサーバ。

【請求項6】

ゲームマップに配置された固定パズルに合わせて操作パズルを配置する行動によって、同じ形態のパズルが少なくとも３個以上マッチングされれば除去され、点数を得るマッチパズルゲームに関するものであって、学習されていないゲームマップに対するユーザの難易度を予測する少なくとも１つ以上のディープラーニング基盤のゲーム難易度予測サーバにおいて、
学習されていないゲームマップ及び学習されたゲームマップに対するユーザの勝率を受信する少なくとも１つ以上の通信プロセッサと、
エージェント・ベース・モデル、ゲーム難易度予測モデル、及び学習されたゲームマップに対する前記エージェント・ベース・モデルの勝率を格納する少なくとも１つ以上のメモリと、
前記ゲーム難易度予測モデルを読み出して前記ゲーム難易度予測モデルの学習を行い、前記学習されたゲーム難易度予測モデルを利用して前記学習されていないゲームマップに対するゲーム難易度を予測する少なくとも１つ以上のプロセッサと、
を備え、
前記メモリに格納され、前記少なくとも１つ以上のプロセッサにより実行される少なくとも１つのプログラムとして前記少なくとも１つのプログラムは、
前記学習されたゲームマップに対するエージェント・ベース・モデルの勝率と前記学習されたゲームマップに対するユーザの勝率との差を利用した二項回帰分析を介して前記ゲーム難易度予測モデルを学習し、
前記学習されていない残りのゲームマップに対するエージェント・ベース・モデルの勝率を算出し、
前記ゲーム難易度予測モデルを介して前記学習されていない残りのゲームマップに対するエージェント・ベース・モデルの勝率を入力として、前記学習されていない残りのゲームマップに対するユーザの勝率を予測し、
前記通信プロセッサは、第１のサイズの複数の第１のゲームマップ及び前記第１のサイズより小さい第２のサイズの複数の第２のゲームマップを受信し、
前記プログラムは、
前記複数の第２のゲームマップに対して大きい点数を得る行動をするように前記エージェント・ベース・モデルを第１強化学習し、
前記複数の第１のゲームマップの各々に対して固定パズルの数の分だけ固定パズルを中心に配置して前記第２のサイズの複数の分割ゲームマップを生成し、
前記複数の第１のゲームマップの各々を入力データとし、前記複数の第１のゲームマップの各々に対して前記第２のサイズの複数の分割ゲームマップに対する行動のうち、最も大きい点数を得る行動をする分割ゲームマップの行動を正解ラベルとしてトレーニングデータセットを生成し、
前記第１強化学習されたエージェント・ベース・モデルを前記トレーニングデータセットを利用して教師あり学習し、
前記教師あり学習されたエージェント・ベース・モデルを前記複数の第１のゲームマップに対して第２強化学習することを特徴とするディープラーニング基盤のゲーム難易度予測サーバ。

【請求項7】

前記プログラムは、前記予測された学習されていないゲームマップに対するユーザの勝率を利用して前記学習されていないゲームマップの難易度を修正する請求項６に記載のディープラーニング基盤のゲーム難易度予測サーバ。

【請求項8】

前記プログラムは、
前記学習されていないゲームマップの難易度をステージが上がるほど増加させ、ｎ＋５ステージの次のステージの難易度を、以前ステージの難易度より減少させる（ｎは、１以上の自然数である。）請求項７に記載のディープラーニング基盤のゲーム難易度予測サーバ。

【請求項9】

前記プログラムは、前記学習されていないゲームマップで固定パズルの隣接した位置に同じ色相の固定パズルを配置して難易度を減少させる請求項７に記載のディープラーニング基盤のゲーム難易度予測サーバ。

【請求項10】

通信部とプロセッサを備える少なくとも１つ以上のディープラーニング基盤のゲームプレイサーバがゲームマップに配置された固定パズルに合わせて操作パズルを配置する行動によって、同じ色相のパズルが少なくとも３個以上マッチングされれば除去され、点数を得るマッチパズルゲームを行うディープラーニング基盤のゲームプレイサービス方法において、
前記通信部が第１のサイズの複数の第１のゲームマップ及び前記第１のサイズより小さい第２のサイズの複数の第２のゲームマップを受信するステップと、
前記プロセッサが前記複数の第２のゲームマップに対して大きい点数を得る行動をするようにエージェント・ベース・モデルを第１強化学習するステップと、
前記プロセッサが前記複数の第１のゲームマップの各々に対して固定パズルの数の分だけ固定パズルを中心に配置して前記第２のサイズの複数の分割ゲームマップを生成するステップと、
前記プロセッサが前記複数の第１のゲームマップの各々を入力データとし、前記複数の第１のゲームマップの各々に対して前記第２のサイズの複数の分割ゲームマップに対する行動のうち、最も大きい点数を得る行動をする分割ゲームマップの行動を正解ラベルとしてトレーニングデータセットを生成するステップと、
前記プロセッサが前記第１強化学習されたエージェント・ベース・モデルを前記トレーニングデータセットを利用して教師あり学習するステップと、
前記プロセッサが前記教師あり学習されたエージェント・ベース・モデルを前記複数の第１のゲームマップに対して第２強化学習するステップと、
を含むことを特徴とするディープラーニング基盤のゲームプレイサービス方法。

【請求項11】

前記複数の第１のゲームマップと前記複数の第２のゲームマップとは、前記固定パズルの配置によってゲーム難易度があり、
前記プロセッサが前記複数の第２のゲームマップに対して大きい点数を得る行動をするように前記エージェント・ベース・モデルを第１強化学習するステップは、
前記複数の第２のゲームマップを入力するとき、ゲーム難易度が低いマップから高いマップの順に入力して前記エージェント・ベース・モデルを学習することを特徴とする請求項１０に記載のディープラーニング基盤のゲームプレイサービス方法。

【請求項12】

前記複数の第１のゲームマップと前記複数の第２のゲームマップとは、前記固定パズルの配置によってゲーム難易度があり、
前記プロセッサが前記教師あり学習されたエージェント・ベース・モデルを前記複数の第１のゲームマップに対して第２強化学習するステップは、
前記複数の第１のゲームマップを入力するとき、ゲーム難易度が低いマップから高いマップの順に入力して前記エージェント・ベース・モデルを学習することを特徴とする請求項１０に記載のディープラーニング基盤のゲームプレイサービス方法。

【請求項13】

前記第１強化学習または前記第２強化学習の入力にガウスノイズを追加入力して前記エー
ジェント・ベース・モデルを学習することを特徴とする請求項１０に記載のディープラーニング基盤のゲームプレイサービス方法。

【請求項14】

前記操作パズルは、ゲーム開始の際、４つの色相でランダムに選択順序が決められ、
前記行動は、基本行動及びスイッチ行動を含み、
前記基本行動は、操作パズルの方向及び位置を変更してゲームマップに配置する行動であり、
前記スイッチ行動は、前記操作パズルの順序を変更することを特徴とする請求項１０に記載のディープラーニング基盤のゲームプレイサービス方法。

【請求項15】

前記プロセッサがゲーム難易度予測モデルを読み出して前記ゲーム難易度予測モデルの学習を行い、前記学習されたゲーム難易度予測モデルを利用して前記学習されていないゲームマップに対するゲーム難易度を予測するステップをさらに含む請求項１０に記載のディープラーニング基盤のゲームプレイサービス方法。

【請求項16】

前記ゲーム難易度予測モデルを読み出して前記ゲーム難易度予測モデルの学習を行い、前記学習されたゲーム難易度予測モデルを利用して前記学習されていないゲームマップに対するゲーム難易度を予測するステップは、
予め学習されたゲームマップに対するエージェント・ベース・モデルの勝率と前記学習されたゲームマップに対するユーザの勝率との差を利用した二項回帰分析を介して前記ゲーム難易度予測モデルを学習するステップと、
前記学習されていない残りのゲームマップに対するエージェント・ベース・モデルの勝率を算出するステップと、
前記ゲーム難易度予測モデルを介して前記学習されていない残りのゲームマップに対するエージェント・ベース・モデルの勝率を入力として、前記学習されていない残りのゲームマップに対するユーザの勝率を予測するステップと、
を含む請求項１５に記載のディープラーニング基盤のゲームプレイサービス方法。

【請求項17】

前記プロセッサが前記予測された学習されていないゲームマップに対するユーザの勝率を利用して前記学習されていないゲームマップの難易度を修正するステップをさらに含む請求項１６に記載のディープラーニング基盤のゲームプレイサービス方法。

【請求項18】

前記学習されていないゲームマップの難易度を修正するステップは、
前記学習されていないゲームマップの難易度をステージが上がるほど増加させ、ｎ＋５ステージの次のステージの難易度を、以前ステージの難易度より減少させるステップを含む（ｎは、１以上の自然数である。）請求項１７に記載のディープラーニング基盤のゲームプレイサービス方法。

【請求項19】

前記学習されていないゲームマップの難易度を修正するステップは、
前記学習されていないゲームマップで固定パズルの隣接した位置に同じ形態の固定パズルを配置して難易度を減少させるステップを含む請求項１７に記載のディープラーニング基盤のゲームプレイサービス方法。

【請求項20】

請求項１０に記載のディープラーニング基盤のゲームプレイサービス方法をコンピューターに実行させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測方法及びその装置に関する。より詳細には、マッチパズルゲームを行うディープラーニング基盤のゲームプレイサーバを利用してゲームマップの難易度を予測し、ゲームマップを修正するディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測方法及びその装置である。

【背景技術】

【0002】

情報通信技術と端末機仕様の発展につれて、携帯電話、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄａｔａ Ａｓｓｉｓｔａｎｔ）、またはＰＭＰ（Ｐｏｒｔａｂｌｅ Ｍｕｌｔｉｍｅｄｉａ Ｐｌａｙｅｒ）などのような携帯端末装置（Ｐｏｒｔａｂｌｅ ｄｅｖｉｃｅ）は、次第にトータルエンターテインメント機器へと進化されており、現代人の必需品となっている。

【0003】

近年、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）のような高性能のプロセッサ及び大容量のメモリを搭載し、ユーザが自由にアプリケーションを設置して使用することができるスマートフォン（Ｓｍａｒｔ ｐｈｏｎｅ）のような高性能携帯端末が急速に普及している。

【0004】

このような携帯端末装置は、文書管理、音楽ファイルや動画ファイルの再生、ゲーム実行、日程管理、写真または動画の撮影及び管理など、様々な用途に利用することができる。

【0005】

特に、余暇時間だけではなく、移動時間または待機時間などの退屈な時間に端末装置を利用してゲームを楽しむユーザが増加するにつれて、ＰＣにプログラムを設置して実行されるＰＣゲーム、通信網を介して複数のユーザが共に進行するオンラインゲーム、携帯電話のような携帯端末を介して簡単に楽しむことができるモバイルゲーム、ゲームプログラムを設置しなくても、ウェブブラウザを介して利用することができ、端末仕様に制約を受けないウェブゲームなど、様々な種類のゲームが提供されている。最近、短い時間に軽く楽しむことができるパズルゲームに対するユーザらの需要が増加する傾向にある。

【0006】

パズルゲームは、ゲームマップの状態によってゲーム難易度が決定される。ところが、新規ゲームマップに関しては、別途、ゲーム難易度評価をした後、ユーザらにゲーム難易度が合うように提供することができる。新規ゲームマップに対するゲーム難易度評価を正確にするためには、新規マップでゲームを数十回、多い場合は数百回以上、実際にプレイしなければならない。この場合、多くの時間と人力が必要であり、費用が多くかかるという問題があった。このような問題を解決するために、人の代わりに人工知能コンピュータを新規マップでゲームプレイさせる方法が提案されたが、学習された人工知能コンピュータであっても、多くの選択肢が存在する新規マップで正しくゲームプレイできないという問題があった。

【先行技術文献】

【特許文献】

【0007】

【文献】韓国登録特許第１０－２０３０９４２号公報

【発明の概要】

【発明が解決しようとする課題】

【0008】

本発明は、前述した問題点を解決するために、マッチパズルゲームを行うディープラーニング基盤のゲームプレイサーバを利用してゲームマップの難易度を予測し、ゲームマップを修正するディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測方法及びその装置を提供することを目的とする。

【0009】

具体的に、本発明は、学習されていない新しいゲームマップでもゲームプレイが可能なゲームプレイサーバを提供するディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測方法及びその装置を提供することを目的とする。

【0010】

また、本発明は、新しいゲームマップに対するゲーム難易度を予測することができるディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測方法及びその装置を提供することを目的とする。

【0011】

また、本発明は、ゲームマップのゲーム難易度を調整してゲームに対する興味を誘発するディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測方法及びその装置を提供することを目的とする。

【課題を解決するための手段】

【0012】

本発明の一実施形態に係るディープラーニング基盤のゲームプレイサーバは、ゲームマップに配置された固定パズルに合わせて操作パズルを配置する行動によって、同じ形態のパズルが少なくとも３個以上マッチングされれば除去され、点数を得るマッチパズルゲームを行う少なくとも１つ以上のディープラーニング基盤のゲームプレイサーバにおいて、第１のサイズの複数の第１のゲームマップ及び前記第１のサイズより小さい第２のサイズの複数の第２のゲームマップを受信する少なくとも１つ以上の通信プロセッサと、エージェント・ベース・モデルを格納するメモリと、前記エージェント・ベース・モデルを読み出して前記エージェント・ベース・モデルの学習を行い、前記学習されたエージェント・ベース・モデルを利用して前記マッチパズルゲームを行う少なくとも１つ以上のプロセッサと、を備え、前記メモリに格納され、前記少なくとも１つ以上のプロセッサにより実行される少なくとも１つのプログラムとして前記少なくとも１つのプログラムは、前記複数の第２のゲームマップに対して大きい点数を得る行動をするように前記エージェント・ベース・モデルを第１強化学習し、前記複数の第１のゲームマップの各々に対して固定パズルの数の分だけ固定パズルを中心に配置して前記第２のサイズの複数の分割ゲームマップを生成し、前記複数の第１のゲームマップの各々を入力データとし、前記複数の第１のゲームマップの各々に対して前記第２のサイズの複数の分割ゲームマップに対する行動のうち、最も大きい点数を得る行動をする分割ゲームマップの行動を正解ラベルとしてトレーニングデータセットを生成し、前記第１強化学習されたエージェント・ベース・モデルを前記トレーニングデータセットを利用して教師あり学習し、前記教師あり学習されたエージェント・ベース・モデルを前記複数の第１のゲームマップに対して第２強化学習することを特徴とする。

【0013】

本発明の一実施形態に係るディープラーニング基盤のゲーム難易度予測サーバは、ゲームマップに配置された固定パズルに合わせて操作パズルを配置する行動によって、同じ形態のパズルが少なくとも３個以上マッチングされれば除去され、点数を得るマッチパズルゲームに関するものであって、学習されていないゲームマップに対するユーザの難易度を予測する少なくとも１つ以上のディープラーニング基盤のゲーム難易度予測サーバにおいて、学習されていないゲームマップ及び学習されたゲームマップに対するユーザの勝率を受信する少なくとも１つ以上の通信プロセッサと、エージェント・ベース・モデル、ゲーム難易度予測モデル、及び学習されたゲームマップに対する前記エージェント・ベース・モデルの勝率を格納する少なくとも１つ以上のメモリと、前記ゲーム難易度予測モデルを読み出して前記ゲーム難易度予測モデルの学習を行い、前記学習されたゲーム難易度予測モデルを利用して前記学習されていないゲームマップに対するゲーム難易度を予測する少なくとも１つ以上のプロセッサと、を備え、前記メモリに格納され、前記少なくとも１つ以上のプロセッサにより実行される少なくとも１つのプログラムとして前記少なくとも１つのプログラムは、前記学習されたゲームマップに対するエージェント・ベース・モデルの勝率と前記学習されたゲームマップに対するユーザの勝率との差を利用した二項回帰分析を介して前記ゲーム難易度予測モデルを学習し、前記学習されていない残りのゲームマップに対するエージェント・ベース・モデルの勝率を算出し、前記ゲーム難易度予測モデルを介して前記学習されていない残りのゲームマップに対するエージェント・ベース・モデルの勝率を入力として、前記学習されていない残りのゲームマップに対するユーザの勝率を予測することを特徴とする。

【0014】

本発明の一実施形態に係るディープラーニング基盤のゲームプレイサービス方法
は、少なくとも１つ以上のディープラーニング基盤のゲームプレイサーバがゲームマップに配置された固定パズルに合わせて操作パズルを配置する行動によって、同じ色相のパズルが少なくとも３個以上マッチングされれば除去され、点数を得るマッチパズルゲームを行うディープラーニング基盤のゲームプレイサービス方法において、通信部が第１のサイズの複数の第１のゲームマップ及び前記第１のサイズより小さい第２のサイズの複数の第２のゲームマップを受信するステップと、プロセッサが前記複数の第２のゲームマップに対して大きい点数を得る行動をするようにエージェント・ベース・モデルを第１強化学習するステップと、前記プロセッサが前記複数の第１のゲームマップの各々に対して固定パズルの数の分だけ固定パズルを中心に配置して前記第２のサイズの複数の分割ゲームマップを生成するステップと、前記プロセッサが前記複数の第１のゲームマップの各々を入力データとし、前記複数の第１のゲームマップの各々に対して前記第２のサイズの複数の分割ゲームマップに対する行動のうち、最も大きい点数を得る行動をする分割ゲームマップの行動を正解ラベルとしてトレーニングデータセットを生成するステップと、前記プロセッサが前記第１強化学習されたエージェント・ベース・モデルを前記トレーニングデータセットを利用して教師あり学習するステップと、前記プロセッサが前記教師あり学習されたエージェント・ベース・モデルを前記複数の第１のゲームマップに対して第２強化学習するステップと、を含むことを特徴とする。

【発明の効果】

【0015】

一実施形態に係るディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測方法及びその装置は、マッチパズルゲームを行うディープラーニング基盤のゲームプレイサーバを利用してゲームマップの難易度を予測し、ゲームマップを修正することができる。

【0016】

また、一実施形態に係るディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測方法及びその装置は、学習されていない新しいゲームマップでもゲームプレイが可能なゲームプレイサーバを提供することができる。

【0017】

また、一実施形態に係るディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測方法及びその装置は、新しいゲームマップに対するゲーム難易度を予測することができる。

【0018】

また、一実施形態に係るディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測方法及びその装置は、ゲームマップのゲーム難易度を調整してゲームに対する興味を誘発することができる。

【図面の簡単な説明】

【0019】

【図1】本発明の一実施形態に係るディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測システムの例示図である。

【図2】本発明の一実施形態に係るディープラーニング基盤のゲームプレイサーバでゲームマップにおける行動のエージェント・ベース・モデルを説明するための図である。

【図3】図２のエージェント・ベース・モデルの行動方式を説明するための一例である。

【図4】図２のエージェント・ベース・モデルの行動方式を説明するための他の例である。

【図5】ゲーム難易度予測サーバでゲーム難易度予測モデルを生成する方法を説明するための図である。

【図6】ゲーム難易度予測サーバで新しいマップに対するゲーム難易度予測及びゲーム難易度を調整する方法を説明するための図である。

【図7】ゲーム難易度によるゲームマップの例示図である。

【図8】ゲームマップのゲーム難易度を調整する方法を説明するための図である。

【図9】ゲームマップのステージによるゲーム難易度を設定する例示図である。

【図10】本発明の一実施形態に係るディープラーニング基盤のゲームプレイサービス方法に対するフロー図である。

【図11】図１０のディープラーニング基盤のゲームプレイサービス方法のうち、複数の第２のゲームマップに対する例示図である。

【図12】図１０のディープラーニング基盤のゲームプレイサービス方法のうち、複数の分割ゲームマップ生成及びトレーニングデータセット生成方法を説明するための例示図である。

【図13】本発明のエージェント・ベース・モデルと従来技術に係るエージェント・ベース・モデルとの比較例である。

【図14】本発明のディープラーニング基盤のゲーム難易度予測方法に対するフロー図である。

【発明を実施するための形態】

【0020】

本発明は、様々な変更を加えることができ、種々の実施形態を有することができるところ、特定の実施形態を図面に例示し、詳細な説明に詳しく説明する。本発明の効果及び特徴、そして、それらを達成する方法は、図面とともに詳しく後述されている実施形態を参照すれば明確になるであろう。しかしながら、本発明は、以下において開示される実施形態等に限定されるものではなく、様々な形態で実現することができる。以下の実施形態において、第１、第２などの用語は、限定的な意味ではなく、１つの構成要素を他の構成要素と区別する目的として使用する。また、単数の表現は、文脈上、明白に異なるように意味しない限り、複数の表現を含む。また、「含む」または「有する」などの用語は、明細書上に記載された特徴または構成要素が存在することを意味するものであり、１つ以上の他の特徴または構成要素が付加される可能性を予め排除するものではない。また、図面では説明の都合上、構成要素等のサイズが拡大または縮小され得る。例えば、図面に示された各構成のサイズ及び厚さは、説明の都合上、任意に示したもので、本発明が必ずしも図示されたものに限定されない。

【0021】

以下、添付された図面を参照して本発明の実施形態を詳しく説明する。図面を参照して説明するとき、同一または対応する構成要素は、同様の図面符号を付し、これについての重複する説明を省略する。

【0022】

図１は、本発明の一実施形態に係るディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測システムの例示図である。

【0023】

図１に示すように、本実施形態に係るディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測システムは、端末機１００、パズルゲームサーバ２００、ゲームプレイサーバ３００、及びゲーム難易度予測サーバ４００を備えてもよい。

【0024】

図１の各構成要素は、ネットワーク５００を介して接続されてもよい。端末機１００、パズルゲームサーバ２００、ゲームプレイサーバ３００、及びゲーム難易度予測サーバ４００などそれぞれのノード相互間に情報交換が可能な接続構造を意味するものであって、このようなネットワークの一例には、３ＧＰＰ（３ｒｄ Ｇｅｎｅｒａｔｉｏｎ Ｐａｒｔｎｅｒｓｈｉｐ Ｐｒｏｊｅｃｔ）ネットワーク、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）ネットワーク、ＷＩＭＡＸ（Ｗｏｒｌｄ Ｉｎｔｅｒｏｐｅｒａｂｉｌｉｔｙ ｆｏｒ Ｍｉｃｒｏｗａｖｅ Ａｃｃｅｓｓ）ネットワーク、インターネット（Ｉｎｔｅｒｎｅｔ）、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、Ｗｉｒｅｌｅｓｓ ＬＡＮ（Ｗｉｒｅｌｅｓｓ Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＰＡＮ（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ブルートゥース（登録商標）（Ｂｌｕｅｔｏｏｔｈ）ネットワーク、衛星放送ネットワーク、アナログ放送ネットワーク、ＤＭＢ（Ｄｉｇｉｔａｌ Ｍｕｌｔｉｍｅｄｉａ Ｂｒｏａｄｃａｓｔｉｎｇ）ネットワークなどが含まれるが、これに限定されるものではない。

【0025】

＜端末機１００＞
まず、端末機１００は、パズルゲームサービスの提供を受けようとするユーザの端末機である。また、端末機１００は、様々な作業を行うアプリケーションを実行するためにユーザが使用する１つ以上のコンピュータまたは他の電子装置である。例えば、コンピュータ、ラップトップコンピュータ、スマートフォン、モバイル電話機、ＰＤＡ、タブレットＰＣ、あるいはパズルゲームサーバ２００と通信するように動作可能な任意の他のデバイスを備える。ただし、これに限定されるものではなく、端末機１００は、様々なマシン上で実行され、複数のメモリ内に格納された命令語を解釈して実行するプロセッシングロジックを備え、外部入力／出力デバイス上にグラフィックユーザインターフェース（ＧＵＩ）のためのグラフィック情報をディスプレイするプロセスなどのように、様々なその他の要素を含んでもよい。さらに、端末機１００は、入力装置（例えば、マウス、キーボード、タッチセンサーパネル等）及び出力装置（例えば、ディスプレイ装置、モニタ、スクリーン等）に接続されてもよい。端末機１００により実行されるアプリケーションは、ゲームアプリケーション、ウェブブラウザ、ウェブブラウザで動作するウェブアプリケーション、ワードプロセッサ、メディアプレイヤ、スプレッドシート、イメージプロセッサ、セキュリティソフトウェア、またはその他のものを含んでもよい。

【0026】

また、端末機１００は、命令を格納する少なくとも１つのメモリ１０１、少なくとも１つのプロセッサ１０２、及び通信部１０３を備えてもよい。

【0027】

端末機１００のメモリ１０１は、端末機１００で駆動される複数の応用プログラム（Ａｐｐｌｉｃａｔｉｏｎ ｐｒｏｇｒａｍ）またはアプリケーション（Ａｐｐｌｉｃａｔｉｏｎ）、端末機１００の動作のためのデータ、命令語を格納してもよい。命令は、プロセッサ１０２を用いて動作を行わせるためにプロセッサ１０２により実行可能であり、動作は、パズルゲーム実行要請信号を送信、ゲームデータ送受信、行動情報送受信、ゲームマップに対する勝率情報送受信、及び各種情報を受信する動作を含んでもよい。また、メモリ１０１は、ハードウェアとして、ＲＯＭ、ＲＡＭ、ＥＰＲＯＭ、フラッシュドライブ、ハードドライブなどの様々な格納機器であってもよく、メモリ１０１は、インターネット（Ｉｎｔｅｒｎｅｔ）上でメモリ１０１の格納機能を果たすウェブストレージ（Ｗｅｂ ｓｔｏｒａｇｅ）であってもよい。

【0028】

端末機１００のプロセッサ１０２は、全般的な動作を制御してパズルゲームサービスの提供を受けるためのデータ処理を行ってもよい。端末機１００でパズルゲームアプリケーションが実行されれば、端末機１００でパズルゲーム環境が構成される。そして、パズルゲームアプリケーションは、ネットワーク５００を介してパズルゲームサーバ２００とパズルゲームデータを交換して端末機１００上でパズルゲームサービスが実行されるようにする。このようなプロセッサ１０２は、ＡＳＩＣｓ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔｓ）、ＤＳＰｓ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒｓ）、ＤＳＰＤｓ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｄｅｖｉｃｅｓ）、ＰＬＤｓ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅｓ）、ＦＰＧＡｓ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙｓ）、制御機（Ｃｏｎｔｒｏｌｌｅｒｓ）、マイクロコントローラ（Ｍｉｃｒｏ－ｃｏｎｔｒｏｌｌｅｒｓ）、マイクロプロセッサ（Ｍｉｃｒｏｐｒｏｃｅｓｓｏｒｓ）、その他の機能実行のための任意の形態のプロセッサであってもよい。

【0029】

端末機１００の通信部１０３は、下記の通信方式（例えば、ＧＳＭ（Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ ｃｏｍｍｕｎｉｃａｔｉｏｎ）、ＣＤＭＡ（Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉ Ａｃｃｅｓｓ）、ＨＳＤＰＡ（Ｈｉｇｈ Ｓｐｅｅｄ Ｄｏｗｎｌｉｎｋ Ｐａｃｋｅｔ Ａｃｃｅｓｓ）、ＨＳＵＰＡ（Ｈｉｇｈ Ｓｐｅｅｄ Ｕｐｌｉｎｋ Ｐａｃｋｅｔ Ａｃｃｅｓｓ）、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）、ＬＴＥ－Ａ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ－Ａｄｖａｎｃｅｄ）等）、ＷＬＡＮ（Ｗｉｒｅｌｅｓｓ ＬＡＮ）、Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ－Ｆｉｄｅｌｉｔｙ）、Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ） Ｄｉｒｅｃｔ、ＤＬＮＡ（登録商標）（Ｄｉｇｉｔａｌ Ｌｉｖｉｎｇ Ｎｅｔｗｏｒｋ Ａｌｌｉａｎｃｅ）、ＷｉＢｒｏ（Ｗｉｒｅｌｅｓｓ Ｂｒｏａｄｂａｎｄ）、ＷｉＭＡＸ（Ｗｏｒｌｄ Ｉｎｔｅｒｏｐｅｒａｂｉｌｉｔｙ ｆｏｒ Ｍｉｃｒｏｗａｖｅ Ａｃｃｅｓｓ）によって構築されたネットワーク網上で基地局、外部の端末、サーバのうち、少なくとも１つと無線信号を送受信してもよい。

【0030】

＜パズルゲームサーバ２００＞
パズルゲームは、ゲームマップに配置された固定パズルに合わせて操作パズルを配置する行動によって、縦または横に隣接して同じ色相のパズルが３個以上マッチングされれば除去され、点数を得るマッチ３パズルゲームであってもよい。

【0031】

パズルゲームサーバ２００が提供するパズルゲームサービスは、パズルゲームサーバ２００が提供する仮想のコンピュータユーザと実際のユーザとが共にゲームに参加する形態で構成されてもよい。これは、ユーザの端末機１００上で実現されるパズルゲーム環境において、１人の実際のユーザと１つのコンピュータユーザとが共にゲームをプレイする。他の側面において、パズルゲームサーバ２００が提供するパズルゲームサービスは、複数のユーザ側端末機が参加して１つのパズルゲームがプレイされる形態で構成されてもよい。

【0032】

パズルゲームサーバ２００は、命令を格納する少なくとも１つのメモリ２０１、少なくとも１つのプロセッサ２０２、及び通信部２０３を備えてもよい。

【0033】

パズルゲームサーバ２００のメモリ２０１は、パズルゲームサーバ２００で駆動される複数の応用プログラム（Ａｐｐｌｉｃａｔｉｏｎ ｐｒｏｇｒａｍ）またはアプリケーション（Ａｐｐｌｉｃａｔｉｏｎ）、パズルゲームサーバ２００の動作のためのデータ、命令語を格納してもよい。命令は、プロセッサ２０２を用いて動作を行わせるためにプロセッサ２０２により実行可能であり、動作は、ゲーム実行要請信号受信、ゲームデータ送受信、行動情報送受信、及び各種送信動作を含んでもよい。また、メモリ２０１は、ハードウェアとして、ＲＯＭ、ＲＡＭ、ＥＰＲＯＭ、フラッシュドライブ、ハードドライブなどの様々な格納機器であってもよく、メモリ２０１は、インターネット（Ｉｎｔｅｒｎｅｔ）上でメモリ２０１の格納機能を果たすウェブストレージ（Ｗｅｂ ｓｔｏｒａｇｅ）であってもよい。

【0034】

パズルゲームサーバ２００のプロセッサ２０２は、全般的な動作を制御してパズルゲームサービスを提供するためのデータ処理を行ってもよい。このようなプロセッサ２０２は、ＡＳＩＣｓ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔｓ）、ＤＳＰｓ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒｓ）、ＤＳＰＤｓ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｄｅｖｉｃｅｓ）、ＰＬＤｓ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅｓ）、ＦＰＧＡｓ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙｓ）、制御機（Ｃｏｎｔｒｏｌｌｅｒｓ）、マイクロコントローラ（Ｍｉｃｒｏ－ｃｏｎｔｒｏｌｌｅｒｓ）、マイクロプロセッサ（Ｍｉｃｒｏｐｒｏｃｅｓｓｏｒｓ）、その他の機能実行のための任意の形態のプロセッサであってもよい。

【0035】

パズルゲームサーバ２００は、通信部２０３を介してネットワーク５００を経由して端末機１００、ゲームプレイサーバ３００、及びゲーム難易度予測サーバ４００と通信を行ってもよい。

【0036】

＜ゲームプレイサーバ３００＞
ゲームプレイサーバ３００は、別のクラウドサーバやコンピュータ装置を備えてもよい。また、ゲームプレイサーバ３００は、端末機１００のプロセッサ、またはパズルゲームサーバ２００のデータ処理部に設置されたニューラルネットワークシステム、またはゲーム難易度予測サーバ４００のデータ処理部に設置されたニューラルネットワークシステムであってもよいが、以下においてゲームプレイサーバ３００は、端末機１００、パズルゲームサーバ２００、またはゲーム難易度予測サーバ４００とは別の装置として説明する。

【0037】

ゲームプレイサーバ３００は、命令を格納する少なくとも１つのメモリ３０１、少なくとも１つのプロセッサ３０２、及び通信部３０３を備えてもよい。

【0038】

ゲームプレイサーバ３００は、パズルゲーム規則によって自ら学習してディープラーニングモデルであるエージェント・ベース・モデルを構築し、ゲームマップでゲームプレイをすることができる人工知能コンピュータである。ゲームプレイサーバ３００がエージェント・ベース・モデルでトレーニングする詳しい説明は、図１０～図１３のエージェント・ベース・モデルに関する説明にしたがう。

【0039】

ゲームプレイサーバ３００のメモリ３０１は、ゲームプレイサーバ３００で駆動される複数の応用プログラム（Ａｐｐｌｉｃａｔｉｏｎ ｐｒｏｇｒａｍ）またはアプリケーション（Ａｐｐｌｉｃａｔｉｏｎ）、ゲームプレイサーバ３００の動作のためのデータ、命令語を格納してもよい。命令は、プロセッサ３０２を用いて動作を行わせるためにプロセッサ３０２により実行可能であり、動作は、エージェント・ベース・モデル学習（トレーニング）動作、行動情報送受信、及び各種送信動作を含んでもよい。また、メモリ３０１は、ディープラーニングモデルであるエージェント・ベース・モデルを格納してもよい。また、メモリ３０１は、エージェント・ベース・モデルの勝率、学習に利用されたゲームマップ、学習に利用されていないゲームマップ、及び学習のためのトレーニングデータセットを格納してもよい。また、メモリ３０１は、ハードウェアとしてに、ＲＯＭ、ＲＡＭ、ＥＰＲＯＭ、フラッシュドライブ、ハードドライブなどの様々な格納機器であってもよく、メモリ３０１は、インターネット（Ｉｎｔｅｒｎｅｔ）上でメモリ３０１の格納機能を果たすウェブストレージ（Ｗｅｂ ｓｔｏｒａｇｅ）であってもよい。

【0040】

ゲームプレイサーバ３００のプロセッサ３０２は、メモリ３０１に格納されたエージェント・ベース・モデルを読み出して、構築されたニューラルネットワークシステムにしたがって下記に記述するエージェント・ベース・モデル学習及び操作パズル行動を行ってもよい。本実施形態においてプロセッサ３０２は、全体ユニットを制御するメインプロセッサと、エージェント・ベース・モデルによってニューラルネットワーク駆動の際に必要な大容量の演算を処理する複数のグラフィックプロセッサ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、ＧＰＵ）とを備えるように構成してもよい。

【0041】

ゲームプレイサーバ３００は、通信部３０３を介してネットワーク５００を経由してパズルゲームサーバ２００またはゲーム難易度予測サーバ４００と通信を行ってもよい。

【0042】

＜ゲーム難易度予測サーバ４００＞
ゲーム難易度予測サーバ４００は、別のクラウドサーバやコンピュータ装置を備えてもよい。また、ゲーム難易度予測サーバ４００は、端末機１００のプロセッサまたはパズルゲームサーバ２００のデータ処理部に設置されたニューラルネットワークシステムであってもよいが、以下においてゲーム難易度予測サーバ４００は、端末機１００またはパズルゲームサーバ２００と別の装置として説明する。

【0043】

ゲーム難易度予測サーバ４００は、命令を格納する少なくとも１つのメモリ４０１、少なくとも１つのプロセッサ４０２、及び通信部４０３を備えてもよい。

【0044】

ゲーム難易度予測サーバ４００は、通信部４０３を介してパズルゲームサーバ２００からユーザの勝率またはゲームプレイサーバ３００からエージェント・ベース・モデルの勝率を受信してもよい。ゲーム難易度予測サーバ４００は、受信したユーザの勝率とエージェント・ベース・モデルの勝率とを利用して、ゲーム難易度予測モデルを学習してもよい。ゲーム難易度予測サーバ４００がゲーム難易度予測モデルを学習する詳しい説明は、図５のゲーム難易度予測モデルに関する説明にしたがう。また、ゲーム難易度予測サーバ４００は、ゲーム難易度調整部が予測したゲーム難易度に基づいてゲームマップのゲーム難易度を調整してもよい。ゲーム難易度調整に関する詳しい説明は、図６～図９の説明にしたがう。

【0045】

ゲーム難易度予測サーバ４００のメモリ４０１は、ゲーム難易度予測サーバ４００で駆動される複数の応用プログラム（Ａｐｐｌｉｃａｔｉｏｎ ｐｒｏｇｒａｍ）またはアプリケーション（Ａｐｐｌｉｃａｔｉｏｎ）、ゲーム難易度予測サーバ４００の動作のためのデータ、命令語を格納してもよい。命令は、プロセッサ４０２を用いて動作を行わせるためにプロセッサ４０２により実行可能であり、動作は、ゲーム難易度予測モデル学習（トレーニング）動作、ゲーム難易度予測実行、ゲームマップのゲーム難易度調整、及び各種送信動作を含んでもよい。また、メモリ４０１は、ディープラーニングモデルであるゲーム難易度予測モデル及びゲーム難易度調整部を格納してもよい。また、メモリ４０１は、ハードウェアとして、ＲＯＭ、ＲＡＭ、ＥＰＲＯＭ、フラッシュドライブ、ハードドライブなどの様々な格納機器であってもよく、メモリ４０１は、インターネット（Ｉｎｔｅｒｎｅｔ）上でメモリ４０１の格納機能を果たすウェブストレージ（Ｗｅｂ ｓｔｏｒａｇｅ）であってもよい。

【0046】

ゲーム難易度予測サーバ４００のプロセッサ４０２は、メモリ４０１に格納されたゲーム難易度予測モデルを読み出して、構築されたニューラルネットワークシステムにしたがって下記に記述するゲーム難易度予測またはゲームマップに対するゲーム難易度調整を行ってもよい。本実施形態においてプロセッサ４０２は、全体ユニットを制御するメインプロセッサと、ゲーム難易度予測モデルによってニューラルネットワーク駆動の際に必要な大容量の演算を処理する複数のグラフィックプロセッサ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、ＧＰＵ）とを備えるように構成されてもよい。

【0047】

ゲーム難易度予測サーバ４００は、通信部４０３を介してネットワーク５００を経由してパズルゲームサーバ２００またはゲームプレイサーバ３００と通信を行ってもよい。

【0048】

＜エージェント・ベース・モデル３１０＞
図２は、本発明の一実施形態に係るディープラーニング基盤のゲームプレイサーバでゲームマップにおける行動のエージェント・ベース・モデルを説明する図であり、図３は、図２のエージェント・ベース・モデルの行動方式を説明するための一例であり、図４は、図２のエージェント・ベース・モデルの行動方式を説明するための他の例である。

【0049】

本発明の一実施形態に係るエージェント・ベース・モデル３１０は、ゲームプレイサーバ３００のディープラーニングモデルであってもよい。エージェント・ベース・モデル３１０は、ゲームマップの現在状態Ｓに対して可能な行動Ａのうち、いずれか１つの行動Ｏを行ってもよい。特に、エージェント・ベース・モデル３１０は、ゲームマップの現在状態Ｓで大きい点数を得ることができる行動Ｏを行ってもよい。例えば、図２に示すように、ゲームマップは、横９マス、縦１２マスであってもよい。ゲームマップには、１マスサイズであり、４つの色相のうちの１つの色相により構成される固定パズルｆｐが配置されてもよい。操作パズルｃｐは、２マスサイズであり、固定パズルｆｐと対応する４つの色相のうち、２つの色相により構成されるか、１つの色相によってのみ構成されてもよい。エージェント・ベース・モデル３１０は、固定パズルｆｐと同じ色相の操作パズルｃｐがマッチングされるように操作パズルｃｐに対して行動Ｏを行ってもよい。エージェント・ベース・モデル３１０が可能な行動Ａは、操作パズルｃｐの位置変更、回転などを含んでもよい。一例として、図３に示すように、エージェント・ベース・モデル３１０が可能な行動Ａは、基本行動ＢＡと特殊行動ＳＡとを含んでもよい。基本行動ＢＡは、操作パズルｃｐの方向または位置を変更してゲームマップに配置する行動であってもよい。基本行動ＢＡは、ゲームマップサイズとパズル色相とを考慮して、４３２種（９×１２×４）の行動を含んでもよい。特殊行動ＳＡは、スキル行動とスイッチ行動との２種を含んでもよい。スイッチ行動は、ランダムに生成されて順に配置された操作パズルｃｐの順序を変更する行動である。他の例として、図４に示すように、エージェント・ベース・モデル３１０が可能な行動Ａは、基本行動ＢＡ、特殊行動ＳＡ、及び準備行動ＰＡを含んでもよい。基本行動ＢＡと特殊行動ＳＡの説明は、前述した一例と同様である。準備行動ＰＡは、ゲーム開始前、操作パズルｃｐで基本行動ＢＡに使用される候補パズルを所定の個数の分だけ選択する行動である。すなわち、エージェント・ベース・モデル３１０は、準備行動ＰＡを含んで行動Ａをする場合、ゲーム開始前に準備行動ＰＡを介してゲームプレイに使用する操作パズルｃｐの候補を選択してもよい。また、準備行動ＰＡは、ゲーム開始前、複数の特殊行動ＳＡのうち、いずれか１つの特殊行動を候補特殊行動として選択し、ゲームプレイ中に候補特殊行動をしてもよい。

【0050】

また、エージェント・ベース・モデル３１０は、学習されていない新規マップでもマッチ３パズルゲームを行うことができる。エージェント・ベース・モデル３１０が新規マップでマッチ３パズルゲームを行い学習する方法は、図１０～図１３のエージェント・ベース・モデル学習方法の説明にしたがう。

【0051】

＜ゲーム難易度予測モデル４１０及びゲーム難易度調整＞
図５は、ゲーム難易度予測サーバでゲーム難易度予測モデルを生成する方法を説明するための図であり、図６は、ゲーム難易度予測サーバで新しいマップに対するゲーム難易度予測及びゲーム難易度を調整する方法を説明するための図であり、図７は、ゲーム難易度によるゲームマップの例示図であり、図８は、ゲームマップのゲーム難易度を調整する方法を説明するための図であり、図９は、ゲームマップのステージによるゲーム難易度を設定する例示図である。

【0052】

ゲーム難易度予測モデル４１０は、学習されていないゲームマップに対するゲーム難易度を予測してもよい。図５に示すように、ゲーム難易度予測モデル４１０が学習されていないゲームマップに対するゲーム難易度を予測するためには、学習されたゲームマップＳＭ（Ｓｔａｇｅ Ｍａｐ）に対するエージェント・ベース・モデル３１０の勝率（Ａｇｅｎｔ ｂａｓｅ ｍｏｄｅｌ Ｓｕｃｃｅｓｓ Ｒａｔｅ；ＡＳＲ）とユーザの勝率（Ｕｓｅｒ Ｓｕｃｃｅｓｓ Ｒａｔｅ；ＵＳＲ）とを利用して学習されなければならない。ユーザの勝率ＵＳＲは、端末機１００に格納された勝率であってもよい。ゲーム難易度予測モデル４１０の学習方法は、学習されたゲームマップＳＭに対するユーザの勝率ＵＳＲと学習されたゲームマップＳＭに対するエージェント・ベース・モデルの勝率ＡＳＲとの間の差を利用した線形分析をすることである。線形分析の一例として、二項回帰分析をしてもよい。勝率は、ゲームマップでゲームプレイを試みた回数に対するゲームをクリアして成功した回数であってもよい。学習されたゲームマップＳＭは、エージェント・ベース・モデル３１０で学習されたゲームマップでありうるし、ユーザの端末機１００にパズルゲームサーバ２００から提供されるゲームマップでありうる。図６に示すように、学習の結果、ゲーム難易度予測モデル４１０は、学習されていないゲームマップＮＭ（Ｎｅｗ Ｍａｐ）に対するエージェント・ベース・モデル３１０の勝率ＡＳＲを入力すれば、ユーザの勝率（Ｐｒｅｄｉｃｔｅｄ ＵＳＲ；ＰＵＳＲ）を予測することができるようになり、ゲーム難易度を予測することができる。ゲーム難易度予測モデル４１０は、数式１にしたがってエージェント・ベース・モデルの勝率ＡＳＲを入力として予測されたユーザの勝率ＰＵＳＲを出力することができる。

【数1】

数式１において、λ₁は、エージェント・ベース・モデル成功率ＡＳＲのハイパーパラメータである。Ｆ₁、Ｆ₂・・・は、ゲームマップに対する１つ以上の固有特性である。λ₂、λ₃・・・は、ゲームマップの各固有特性に対するハイパーパラメータである。

【0053】

また、ゲーム難易度予測サーバ４００は、ゲーム難易度予測モデル４１０とゲーム難易度調整部４２０とを利用して学習されていないゲームマップＮＭ、すなわち、新規マップに対するゲーム難易度を調整してもよい。ゲームマップは、固定パズルの個数、固定パズルが隣接した程度、使用可能な操作パズルの個数、固定パズルの配置などによってゲーム難易度が決定され得る。一例として、図７に示すように、ゲーム難易度がレベル１からレベル１０へとレベルが上がるほど、固定パズルの個数が増加し、同じ色相の固定パズルの隣接度が低下してゲーム難易度が高まるゲームマップの例示である。ゲーム難易度が高くなるほど、操作パズルの行動により固定パズルをマッチ３で除去することが難しくなる。また、ゲーム難易度予測サーバ４００は、学習されていないゲームマップＮＭをエージェント・ベース・モデル３１０がプレイしてエージェント・ベース・モデル３１０の勝率ＡＳＲを受信してもよい。ゲーム難易度予測サーバ４００は、ゲーム難易度予測モデル４１０を利用してエージェント・ベース・モデル３１０の勝率ＡＳＲを入力としてユーザの予測勝率ＰＵＳＲを算出してもよい。ゲーム難易度予測サーバ４００は、ユーザの予測勝率ＰＵＳＲを基盤にゲーム難易度調整部４２０が学習されていないゲームマップＮＭのゲーム難易度を調整してもよい。ゲーム難易度の調整とは、ゲームマップの固定パズルの個数、固定パズルが隣接した程度、使用可能な操作パズルの個数、固定パズルの配置などを調整することである。一例として、ゲーム難易度を高めるために、固定パズルの個数を増加させるか、同一色相の固定パズルをより遠く配置するか、使用可能な操作パズルの数を減らしてもよい。ゲーム難易度を低めるために、固定パズルの個数を減少させるか、同一色相の固定パズルを互いに隣接して配置するか、使用可能な操作パズルの数を増加してもよい。例えば、図８に示すように、ゲーム難易度予測サーバ４００は、ゲームマップの難易度を評価したが、難易度が高いことと評価された場合、固定パズルの数を減少させ、固定パズルの配置を変更して難易度を低めてもよい。

【0054】

図９に示すように、ゲーム難易度予測サーバ４００は、ゲームマップのステージが上がるほど、ゲームマップの難易度が増加し、ｎ＋５ステージの次のステージの難易度を、前のステージの難易度より減少させてもよい。ｎは、自然数である。すなわち、ｎ＋６ステージは、前のステージであるｎ＋５ステージより難易度が低くてもよい。ユーザは、ステージが上がるほどゲーム難易度が増加し続ければ、ゲームが難しいと感じてゲームの興味が減少することがある。これにより、本発明のゲーム難易度予測サーバ４００は、ゲーム難易度が増加したり、減少したり、再度増加するように調整して、ユーザにゲームが面白いと感じさせ、興味を誘発することができる。

【0055】

したがって、本実施形態に係るディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測装置は、マッチ３パズルゲームを行うディープラーニング基盤のゲームプレイサーバを利用してゲームマップの難易度を予測し、ゲームマップを修正してもよい。また、本実施形態に係るディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測装置は、学習されていない新しいゲームマップでもゲームプレイが可能なゲームプレイサーバを提供することができる。また、本実施形態に係るディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測方法及びその装置は、新しいゲームマップに対するゲーム難易度を予測することができる。また、本実施形態に係るディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測装置は、ゲームマップのゲーム難易度を調整してゲームに対する興味を誘発することができる。

【0056】

＜ディープラーニング基盤のゲームプレイサービス方法＞
図１０は、本発明の一実施形態に係るディープラーニング基盤のゲームプレイサービス方法に対するフロー図であり、図１１は、図１０のディープラーニング基盤のゲームプレイサービス方法のうち、複数の第２のゲームマップに対する例示図であり、図１２は、図１０のディープラーニング基盤のゲームプレイサービス方法のうち、複数の分割ゲームマップ生成及びトレーニングデータセット生成方法を説明するための例示図である。

【0057】

本発明の一実施形態に係るディープラーニング基盤のゲームプレイサービス方法は、ディープラーニング基盤のゲームプレイサーバがゲームマップに配置された固定パズルに合わせて操作パズルを配置する行動によって、縦または横に隣接して同じ色相のパズルが３つ以上マッチングされれば除去され、点数を得るマッチ３パズルゲームを行うことができる。

【0058】

図１０に示すように、本発明の一実施形態に係るディープラーニング基盤のゲームプレイサービス方法は、第１のサイズの複数の第１のゲームマップ及び第２のサイズの複数の第２のゲームマップを受信するステップ（Ｓ１００１）を含んでもよい。具体的に、第１のゲームマップは第１のサイズであり、第２のゲームマップは第２のサイズである。第１のゲームマップは、実際にパズルゲームサーバ２００が端末機１００にゲームサービスとして提供するゲームマップである。第２のゲームマップは、エージェント・ベース・モデルの学習のために使用されるゲームマップである。第１のゲームマップの第１のサイズは、第２のゲームマップの第２のサイズより大きくてもよい。すなわち、第２のゲームマップは、第１のゲームマップのミニマップであってもよい。一例として、第１のゲームマップの第１のサイズは、図２と図７のように、９×１２サイズであってもよい。第２のゲームマップＭＭの第２のサイズは、図１１のように、５×７サイズでありうる。

【0059】

また、本発明の一実施形態に係るディープラーニング基盤のゲームプレイサービス方法は、複数の第２のゲームマップＭＭに対して大きい点数を得る行動をするようにエージェント・ベース・モデル３１０を第１強化学習するステップ（Ｓ１００２）を含んでもよい。具体的に、ゲームプレイサーバ３００は、エージェント・ベース・モデル３１０を第１強化学習させるために、第１のゲームマップではなく第２のゲームマップＭＭを利用して先に強化学習させてもよい。最初から第１のゲームマップを利用して強化学習する場合、第１のゲームマップのサイズが大きく、選択肢が多いため、エージェント・ベース・モデル３１０が学習できないという問題があるためである。したがって、選択肢が少ない第１のゲームマップのミニマップである第２のゲームマップを利用すれば、第２のゲームマップに対してエージェント・ベース・モデル３１０がゲームプレイを行って点数を得るように強化学習させてもよい。第１強化学習は、ＲＮＤ（Ｒａｎｄｏｍ Ｎｅｔｗｏｒｋ Ｄｉｓｔｉｌｌａｔｉｏｎ）を利用してもよい。ＲＮＤは、目標、予測、及び政策ニューラルネットワークで構成されてもよい。政策ニューラルネットワークは、エージェントの行動を決定するニューラルネットワークであり、目標及び予測ニューラルネットワークは、次の状態値を入力として受けてある特徴値を出力するニューラルネットワークである。目標ニューラルネットワークは、荷重値がランダムに設定されて固定され、予測ニューラルネットワークは、目標ニューラルネットワークと同じ構造を有するニューラルネットワークであって、目標ニューラルネットワークと同一の出力を出すように政策ニューラルネットワークとともに学習される。すなわち、ランダムニューラルネットワーク（Ｒａｎｄｏｍ ｎｅｔｗｏｒｋ）を予測ニューラルネットワークに蒸留（Ｄｉｓｔｉｌｌａｔｉｏｎ）する効果があるので、ｒａｎｄｏｍ ｎｅｔｗｏｒｋ ｄｉｓｔｉｌｌａｔｉｏｎと呼ばれる。ＲＮＤでは、内発的報酬のための価値関数と外発的報酬のための価値関数とを各々求めた後、合わせる方式を選んでおり、政策ニューラルネットワーク最適化のために、ＰＰＯ（Ｐｒｏｘｉｍａｌ Ｐｏｌｉｃｙ Ｏｐｔｉｍｉｚａｔｉｏｎ）を使用する。また、ゲームプレイサーバ３００は、エージェント・ベース・モデル３１０の第１強化学習の際、入力に第２のゲームマップＭＭとともにガウスノイズを混ぜて入力してもよい。この場合、エージェント・ベース・モデル３１０の学習がより効率的になる。また、ゲームプレイサーバ３００は、エージェント・ベース・モデル３１０の第１強化学習の際、複数の第２のゲームマップを入力するとき、ゲーム難易度が低いマップから高いマップの順に入力して強化学習を行ってもよい。これにより、エージェント・ベース・モデル３１０の学習がより効率的になる。

【0060】

また、本発明の一実施形態に係るディープラーニング基盤のゲームプレイサービス方法は、複数の第１のゲームマップの各々に対して固定パズルの数の分だけ固定パズルを中心に配置して第２のサイズの複数の分割ゲームマップを生成するステップ（Ｓ１００３）を含んでもよい。一例として、図１２のように、所定のゲームマップで固定パズルを中心として分割ゲームマップＰＭを複数個生成してもよい。第１の分割ゲームマップＰＭ１と第２の分割ゲームマップＰＭ２とに対する様子を見てもよい。分割ゲームマップＰＭは、ゲームマップで所定の領域の分だけウィンドウを分割したものである。分割ゲームマップは、第２のゲームマップのサイズと同様に第２のサイズであってもよい。一例として、分割ゲームマップのサイズは、５×５サイズであってもよい。ゲームプレイサーバ３００は、第２のサイズのゲームマップで学習されたエージェント・ベース・モデル３１０が第１のゲームマップ内の第２のサイズの分割ゲームマップの各々に対して操作パズルの行動を判断してもよい。

【0061】

また、本発明の一実施形態に係るディープラーニング基盤のゲームプレイサービス方法は、複数の第１のゲームマップの各々を入力データとし、複数の第１のゲームマップの各々に対して第２のサイズの複数の分割ゲームマップに対する行動のうち、最も大きい点数を得る行動をする分割ゲームマップの行動を正解ラベルとしてトレーニングデータセットを生成するステップ（Ｓ１００４）を含んでもよい。より具体的に、ゲームプレイサーバ３００は、エージェント・ベース・モデル３１０が所定の第１のゲームマップ内に存在する複数の分割ゲームマップのうち、最も高い点数を得る行動をする分割ゲームマップでの行動を選択して、第１のゲームマップでの行動をする。すなわち、エージェント・ベース・モデル３１０は、複数の分割ゲームマップのうち、最も良い行動を選択するものである。一例として、図１２のように、第１のゲームマップ内に第１の分割ゲームマップＰＭ１と第２の分割ゲームマップＰＭ２とがある。第１の分割ゲームマップＰＭ１で操作パズルを固定パズルに合わせて配置してマッチ３除去により得る点数は１点である。第２の分割ゲームマップＰＭ２で操作パズルを固定パズルに合わせて配置してマッチ３除去により得る点数は１０点である。第２の分割ゲームマップＰＭ２での行動が、第１の分割ゲームマップＰＭ１での行動よりさらに高い点数を得てもよい。また、ゲームプレイサーバ３００は、第２の分割ゲームマップＰＭ２の行動を所定の第１のゲームマップに対する正解ラベルと指定して所定の第１のゲームマップと第２の分割ゲームマップＰＭ２とをトレーニングデータセットに含めてもよい。ゲームプレイサーバ３００は、同じような方式にて複数の第１のゲームマップに対して正解ラベルを生成し、トレーニングデータセットを集めてもよい。また、ゲームプレイサーバ３００は、エージェント・ベース・モデル３１０の教師あり学習の際、複数の第１のゲームマップを入力するとき、ゲーム難易度が低いマップから高いマップの順に入力して強化学習を行ってもよい。この場合、トレーニングデータセットは、ゲーム難易度が低いマップから高いマップの順に構成されてもよい。

【0062】

また、本発明の一実施形態に係るディープラーニング基盤のゲームプレイサービス方法は、第１強化学習されたエージェント・ベース・モデルをトレーニングデータセットを利用して教師あり学習するステップ（Ｓ１００５）を含んでもよい。より具体的に、ゲームプレイサーバ３００は、第２のサイズの第２のゲームマップに対して第１強化学習されたエージェント・ベース・モデル３１０を第１のゲームマップの分割ゲームマップを利用して取得したトレーニングデータセットを利用して教師あり学習してもよい。これにより、教師あり学習されたエージェント・ベース・モデル３１０は、第１のサイズの第１のゲームマップに対してもゲームマップを分割しなくてもゲームプレイができるようになる。また、ゲームプレイサーバ３００は、ゲーム難易度が低いマップから高いマップの順序となったトレーニングデータセットをエージェント・ベース・モデル３１０に順に入力してより効率よく学習させることができる。

【0063】

また、本発明の一実施形態に係るディープラーニング基盤のゲームプレイサービス方法は、教師あり学習されたエージェント・ベース・モデルを複数の第１のゲームマップに対して第２強化学習するステップ（Ｓ１００６）を含んでもよい。より具体的に、教師あり学習されたエージェント・ベース・モデルが、選択肢の多い第１のゲームマップに対してある程度ゲームプレイを行うことができるが、分割ゲームマップで学習されて分割ゲームマップ間に空いた空間を考慮して学習されたものでないため、最も高い点数を得る行動をしない場合が生じ得る。このため、ゲームプレイサーバ３００は、第１のゲームマップでプレイが可能となったエージェント・ベース・モデル３１０をもう一度複数の第１のゲームマップに対して第２強化学習をさせるものである。第２強化学習は、第１強化学習と同様に、ＲＮＤとＰＰＯを利用してもよい。また、ゲームプレイサーバ３００は、第２強化学習をするとき、エージェント・ベース・モデル３１０に第１のゲームマップとともにガウスノイズを混ぜて入力してもよい。この場合、エージェント・ベース・モデル３１０の学習がより効率的になる。

【0064】

したがって、本実施形態に係るディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測方法は、学習されていない新しいゲームマップでもゲームプレイが可能なゲームプレイサーバを提供することができる。

【0065】

図１３は、本発明のエージェント・ベース・モデルと従来技術に係るエージェント・ベース・モデルとの比較例である。

【0066】

図１３に示すように、エージェント・ベース・モデルを本発明に係るディープラーニング基盤のゲームプレイサービス方法により学習した場合と従来技術に係る他の学習方法により学習した場合との性能を比較した。ゲームマップのレベルが５以下では、エージェント・ベース・モデルの性能が類似している。しかし、最も難易度が高いレベル１０でのゲームマップで性能に差があることが分かる。まず、従来技術に係る学習方法であるＭＣＴＳアルゴリズム（ＭＣＴＳ）、ＣＮＮ教師あり学習（ＣＮＮ）、９×１２の強化学習で学習されたエージェント・ベース・モデル（ＲＬ（９×１２））は、成功率が急激に低くなることが分かる。しかし、本発明のゲームマップを分割して強化学習した方法（ＲＬ（５×５））は、レベル１０のゲームマップでも高い成功率を示す。さらに、本発明の分割ゲームマップで強化学習されたエージェント・ベース・モデルを再度教師あり学習した後、再度９×１２ゲームマップで強化学習したエージェント・ベース・モデル（ＳＬ＋ＲＬ）は、レベル１０で最も高い成功率を見せる。

【0067】

図１４は、本発明のディープラーニング基盤のゲーム難易度予測方法に対するフロー図である。

【0068】

本発明の一実施形態に係るディープラーニング基盤のゲーム難易度予測方法は、ディープラーニング基盤のゲーム難易度予測サーバがゲームマップに配置された固定パズルに合わせて操作パズルを配置する行動によって、縦または横に隣接して同じ色相のパズルが３つ以上マッチングされれば除去され、点数を得るマッチ３パズルゲームに関するものであって、学習されていないゲームマップに対するユーザの難易度を予測してもよい。

【0069】

図１４に示すように、本発明の一実施形態に係るディープラーニング基盤のゲーム難易度予測方法は、学習されていないゲームマップ及び学習されたゲームマップに対するユーザの勝率を受信するステップ（Ｓ１４０１）を含んでもよい。

【0070】

また、本発明の一実施形態に係るディープラーニング基盤のゲーム難易度予測方法は、エージェント・ベース・モデルの勝率とユーザの勝率との差を利用した二項回帰分析を介してゲーム難易度予測モデルを学習するステップ（Ｓ１４０２）を含んでもよい。ゲーム難易度予測モデル４１０を学習する方法は、図５の説明にしたがう。

【0071】

また、本発明の一実施形態に係るディープラーニング基盤のゲーム難易度予測方法は、学習されていないゲームマップに対するエージェント・ベース・モデルの勝率を算出するステップ（Ｓ１４０３）を含んでもよい。より具体的に、学習されたエージェント・ベース・モデルの勝率は、エージェント・ベース・モデル３１０が学習されていないゲームマップに対してゲームを行って得た勝率である。

【0072】

また、本発明の一実施形態に係るディープラーニング基盤のゲーム難易度予測方法は、ゲーム難易度予測モデルを介して学習されていないゲームマップに対するエージェント・ベース・モデルの勝率を入力として、学習されていないゲームマップに対するユーザの勝率を予測するステップ（Ｓ１４０４）を含んでもよい。ユーザの勝率を予測する方法は、図６の説明にしたがう。

【0073】

また、本発明の一実施形態に係るディープラーニング基盤のゲーム難易度予測方法は、予測された学習されていないゲームマップに対するユーザの勝率を利用して学習されていないゲームマップの難易度を修正するステップ（Ｓ１４０５）を含んでもよい。学習されていないゲームマップの難易度を修正する方法は、図６～図９の説明にしたがう。

【0074】

したがって、本実施形態に係るディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測方法は、マッチ３パズルゲームを行うディープラーニング基盤のゲームプレイサーバを利用してゲームマップの難易度を予測し、ゲームマップを修正することができる。また、本実施形態に係るディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測方法は、新しいゲームマップに対するゲーム難易度を予測することができる。また、本実施形態に係るディープラーニング基盤のゲームプレイサーバを利用したゲーム難易度予測方法は、ゲームマップのゲーム難易度を調整してゲームに対する興味を誘発することができる。

【0075】

以上で説明された本発明に係る一実施形態は、様々なコンピュータ構成要素を介して実行され得るプログラム命令語の形態で実現されて、コンピュータ読み取り可能な記録媒体に記録されてもよい。コンピュータ読み取り可能な記録媒体は、プログラム命令語、データファイル、データ構造などを単独でまたは組み合わせて含んでもよい。コンピュータ読み取り可能な記録媒体に記録されるプログラム命令語は、本発明のために特別に設計され、構成されたものであるか、コンピュータソフトウェア分野の当業者に公知されて使用可能なものでありうる。コンピュータ読み取り可能な記録媒体の例には、ハードディスク、フロッピーディスク、及び磁気テープのような磁気媒体、ＣＤ－ＲＯＭ及びＤＶＤのような光気緑媒体、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）のような磁気－光媒体（ｍａｇｎｅｔｏ－ｏｐｔｉｃａｌ ｍｅｄｉｕｍ）、及びＲＯＭ、ＲＡＭ、フラッシュメモリなどのような、プログラム命令語を格納し、実行するように特別に構成されたハードウェアー装置が含まれる。プログラム命令語の例には、コンパイラによって作られるような機械語コードだけでなく、インタプリタなどを使用してコンピュータにより実行され得る高級言語コードも含まれる。ハードウェアー装置は、本発明に係る処理を行うために、１つ以上のソフトウェアモジュールに変更されることができ、その逆も同様である。

【0076】

本発明において説明する特定実行等は、一実施形態であって、いかなる方法でも本発明の範囲を限定するものではない。明細書を簡潔にするために、従来の電子的な構成、制御システム、ソフトウェア、システムの他の機能的な側面等の記載は省略されることがある。また、図面に図示された構成要素間の線等の接続または接続部材などは、機能的な接続及び／又は物理的または回路的接続を例示的に示したものであって、実際、装置では代替可能であるか、追加の様々な機能的な接続、物理的な接続、または回路接続として示されてもよい。また、「必須な」、「重要に」などのように、具体的な言及がなければ、本発明の適用のために必ず必要な構成要素でない場合がある。

【0077】

また、説明した本発明の詳細な説明では、本発明の好ましい実施形態を参照して説明したが、当該技術分野の熟練された当業者または当該技術分野における通常の知識を有する者であれば、後述する特許請求の範囲に記載された本発明の思想及び技術領域から逸脱しない範囲内で本発明を様々に修正及び変更させ得ることが理解できるであろう。したがって、本発明の技術的範囲は、明細書の詳細な説明に記載された内容に限定されるものではなく、特許請求の範囲により決められなければならないであろう。

【符号の説明】

【0078】

１００ 端末機
２００ パズルゲームサーバ
３１０ エージェント・ベース・モデル
３００ ゲームプレイサーバ
４００ ゲーム難易度予測サーバ
４１０ ゲーム難易度予測モデル

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】