Extraktion und Evaluation automatisch generierter Highlights von Videos On Demand auf twitch.tv

Thema:
Extraktion und Evaluation automatisch generierter Highlights von Videos On Demand auf twitch.tv
Art:
MA
BetreuerIn:
Manuel Burghardt
BearbeiterIn:
Andreas Scherr
ErstgutachterIn:
Christian Wolff
ZweitgutachterIn:
N.N.
Status:
abgeschlossen
Stichworte:
Twitch, Streaming, eSports
angelegt:
2016-05-23
Antrittsvortrag:
2016-05-30
Abschlussvortrag:
2017-03-30
Textlizenz:
Unbekannt
Codelizenz:
Unbekannt

Hintergrund

Anderen Personen beim Computerspielen zuzuschauen ist in den letzten Jahren immer beliebter geworden. Plattformen wie Twitch, Hitbox, Azubu oder Douyu ziehen Millionen an Zuschauern weltweit an, die eSports-Turniere oder individuell gestaltete Übertragungen von Spielen einzelner Personen anschauen. Alleine auf Twitch wurden im letzten Jahr 241.441.823.059 Minuten an Videospielen live übertragen bei denen durchschnittlich 550.000 Zuschauer gleichzeitig zugesehen haben (Twitch Interactive, Inc., 2016, Abschnitt „Twitch Watched“).

Aufgrund der Zeitverschiebung und der Dauer solcher sogenannter Streams von meistens mehreren Stunden, hat nicht jeder die Möglichkeit diese (komplett) zu verfolgen. Somit bleiben die besten Momente ungesehen, da Videos on Demand (VoDs) keine Anhaltspunkte bieten an welcher Stelle etwas Sehenswertes passiert ist. Ist man nicht live dabei gewesen oder durchstöbert soziale Medien, wird ein Großteil dieser Szenen vom Nutzer verpasst.

Diese Situation ist vergleichbar mit Sportereignissen, die in der Literatur mittels Tweets relativ ausgiebig erforscht wurden hinsichtlich Extraktion und Zusammenfassung von Ereignissen bzw. Highlights (vgl. beispielsweise Marcus et al. 2011). Für populäre Sportarten existieren daneben manuelle Zusammenfassungen (vgl. beispielsweise die Samstagsausgabe der „Sportschau“ bei der die Fußballspiele der deutschen Bundesliga komprimiert werden).

Zielsetzung der Arbeit

Bisher ist die Extraktion von Highlights aus live übertragenen Videospielen noch weitestgehend unerforscht (vgl. Chu & Chou, 2015), weshalb in dieser Arbeit mittels des Chats, der den Stream begleitet, versucht wird Highlights automatisch aus Videos on Demand zu extrahieren.

Das Hauptziel der Arbeit ist es einen Algorithmus zu finden, der relativ zuverlässig Highlights aus Videos on Demand auf Twitch mittels Chatnachrichten für die beliebtesten Spiele extrahiert. Am Ende soll so ein Web-Tool entstehen, das es ermöglicht sich zu einem beliebigen Video on Demand auf Twitch Highlights interaktiv präsentieren zu lassen.

Konkrete Aufgaben

  • Festlegen der untersuchten Genre, Spiele und Streams
  • Sammeln objektiver Highlights von eSports Turnieren und Streams einzelner Personen (experten- und/oder crowdsourcingbasiert)
  • Evaluation von verschiedenen Highlight-Algorithmen basierend auf Merkmalen von Chatnachrichten (Recall, Precision)
  • Überführung des besten Algorithmus in ein Web-Tool, welches Highlights automatisch aus Videos on Demand aus Twitch extrahiert und dem Nutzer interaktiv präsentiert
  • Evaluation des Web-Tools (Usability, UX, Bewertung der extrahierten Szenen) und Vergleich mit ähnlichen Tools bzw. Videos on Demand auf Twitch in ihrer aktuellen Form

Erwartete Vorkenntnisse

Keine

Weiterführende Quellen

  • Cerf, L., Cesário, N., Kaytoue, M., Nascimento, G., Ribeiro, M., Raïssi, C., … Wagner, M. J. (2014). Modeling and Analyzing the Video Game Live-Streaming Community. In Proceedings of the Ninth Latin American Web Congress (S. 1–9). doi:10.1109/LAWeb.2014.9
  • Chu, W.-T., & Chou, Y.-C. (2015). Event Detection and Highlight Detection of Broadcasted Game Videos. In Proceedings of the 2nd Workshop on Computational Models of Social Interactions: Human-Computer-Media Communication (S. 1–8). New York: ACM. doi:10.1145/2810397.2810398
  • Marcus, A., Bernstein, M. S., Badar, O., Karger, D. R., Madden, S., & Miller, R. C. (2011). TwitInfo: Aggregating and Visualizing Microblogs for Event Exploration. In Proceedings of the 2011 annual conference on Human factors in computing systems (S. 227–236). New York: ACM. doi:10.1145/1978942.1978975
  • Olejniczak, J. (2015). A Linguistic Study of Language Variety Used on Twitch.tv: Desriptive and Corpus-Based Approaches. In D. Nagy, V. Borcan, G. Calvano, R. M. Levonian, & M. Pilchin (Hrsg.), Redefining Community in Intercultural Context (Vol. 4, S. 329–334). Brasov: Henri Coanda Air Force Academy Publishing House.
  • Tang, A., & Boring, S. (2012). #EpicPlay: Crowd-sourcing Sports Video Highlights. In Proceedings of the 2012 ACM annual conference on Human Factors in Computing Systems (S. 1569–1572). New York: ACM. doi:10.1145/2207676.2208622
  • Twitch Interactive, Inc. (2016). The 2015 Retrospective. Retrieved from https://www.twitch.tv/year/2015