読者です 読者をやめる 読者になる 読者になる

ベルウィックサーガALL35達成 その2

需要が全くない気がするけど、記憶がある時に書いておく。

適当な攻略その2

ALL35で大活躍したユニット

1位:セネ
通常攻略では捕縛でもしない限りほとんど使わなかったが、ALL35ではいろんな意味で捕縛が必要になるので任務、賞金首mapで必須に近い出撃となる。クラスチェンジ後のティコ+ボルトナイフとの組み合わせで捕縛を量産した。13章あたりからは不要になってくるけどそれまでの活躍が大きすぎる。
不在でのALL35はほぼ不可能なのでは...

2位:シロック
最初は育てるのも辛くなるほどの弱さ。初回プレイでは仕様がわからないまま早々に墓地に行きました...
技能が上がってくると連射+再攻撃+再移動で騎士よりも遥かに高火力なユニットに。CC後3連射になると、聖弓利用でボスユニットを容易に葬り去る。地味に射撃待機持ちなのも大きい。

3位:ダウド
斧、盾持ちでステータスもぐんぐん伸びていくので前方に一人で出してもポーション1-2個持っておけば適当に蹴散らしてくれる。ボスユニット討伐にも大きく貢献してくれた。斧はほぼディアンと二人になって、武器が消費されにくいのもいい。

4位:イストバル
弓兵の宿命だが、序盤が本当に使いづらい。レベル20に成ってからのパスカニオン装備+追撃でとんでもない火力になる。
弓兵は大器晩成型が多い。

普段は強いがALL35だと残念なユニット

最初から残念なユニット(デリック、マーセルなど)に配慮。

1位:シェルパ
クラスチェンジしないので使いどころが少ない。また騎乗できないため移動力的にもクリフォードや熊さんに劣る。火力は高いがちょっと前に出すと意外と簡単にやられてしまうことも多く、任務でも選びづらかった。

2位:シルウィス
クラスチェンジしない、かつALL35では他の弓兵が育つので入団条件だけ満たして終了という感じ。最序盤の強ユニット撃破には役立つ。

3位:ファラミア
剣+弓、高移動力、高回避の強ユニットだが、他の剣ユニットが多い、他の弓兵が多いのでメンバーに入れづらい。任務で使いたくてもフェイの雇用が必須で雇用費がかかるのも辛い。13章以外ではそこまで活躍しなかった。

敵から奪った方がいいアイテム

・ボルトナイフ
実質軽傷確率4割強の捕縛作業に必須の武器。合計2本盗めるのでできれば両方あると安心。リペアストンでのコストも1なので、無理しても意外と長持ちする。捕縛しないといけないので若干面倒。

・司教の腕輪
魔法ユニットが見違えるほど強くなる装飾品。一個はドロップなので確実にゲットしたい。もう一個は若干特殊な方法じゃないと取れないが、一個あればその頃には高火力ユニットがいるので問題ない。

・魔法のオーブ
販売品が限定かつ高価なので、できるだけ敵からとれるものは取っておきたい。基本は捕縛になる。技能が足りなくてオーブがないなんて状態になると泣けるので..

・石弓
使わないけど割と高く売れる。金策用。

家具の優先度

とりあえず宝箱は最初。あとは適当。戦術重視ならタペストリー、入団重視なら白磁器の花瓶。

ベルウィックサーガALL35達成 その1

先日ベルウィックサーガのALL35をクリアしました。
f:id:A_Koide0519:20161202220508j:plain
※画像上のプレイ時間の2倍くらいが実プレイ時間です。

久々にどっぷりゲームにはまりました。紹介してくれた会社の同僚に感謝。

ゲームについて

種別で言えばシミュレーションRPGです。細かい話はwikiを参照。
ティアリングサーガシリーズ ベルウィックサーガ - Wikipedia
2005年に発売されたソフトで、公式ページも既に存在しません。

シミュレーションゲームとしてのクオリティは、過去にやったどのゲームよりも高いと思いました。同時ターン制、地形効果、武器使用制限(確率)といった要素が攻略難易度を上げており、(少なくとも1週目では)相当戦略練らないとクリアもなかなか難しいです。
また、好みのキャラで無双プレイが基本的には不可能で、どのキャラもクセが強く、上手な運用が必要です。逆にたいていのユニットが終盤まで役立つ場面があります!(...最後まで弱いユニットもおり、社会の縮図っぽいところもありますが。)

一方、グラフィックははっきり言ってかなりお察しクオリティだと思います。
FF10が発売されたのが2001年だと思って見直すと...より際立ちます

まとめると、シミュレーション好きかつキャラゲーにはしたくない、そして難易度を求めている人にはオススメの一本です。

適当な攻略

ここからはALL35で気をつけたことを適当に書いていきます。

技能上げ

以下のメンバーの技能をいかに上げられるかにかかっている気がする。
・エルバート:槍(10章で完了)
・アデル:槍(10章で完了)
・ダウド:斧(12章で完了)
・アイギナ:風(12章で完了)
・ペルズウェル:雷(12章で完了)

アデル・エルバートはほぼ出しっぱなしでこんな感じなので、意識しないと相当厳しい。
しかもアデルは技能上げても最後使わないし、エルバートは剣の方が強いし、なんとの悲しい。
魔法系ユニットは出しどころとか気にしていると時間がかかるきがする。
この辺のユニットは、5ターンセーブからのレベルアップ技能向上リセマラすると楽。
盾の技能上げは序盤の依頼で弓兵の攻撃を受けまくるのが良い。

ユニットの雇用

任務で雇うのは基本的に強いユニットだけ。以下のメンバー+技能上げたいキャラという感じ。
・ディアン
・クリフォード(本当に辛いときだけ。私は5章任務のみ。)
ウォローレティシアイベントをこなさなかったため、雇っては捕虜にして好感度を上げた)
依頼では、
技能上げたい>好感度を上げたい>>レベル上げたい
の優先度で雇用。

難しい任務

勲功も含めた高難易度任務マップは個人的には以下

1位:10章
多分だいたいの人が苦戦するのが5章と10章。何も考えず普通クリアするだけでも相当難易度が高い。ALL35目指すにはリセット覚悟での特攻も必要...だと思う。武器は惜しげも無く使う。ラレンティア、CC済みのセネ、CC済みのシロックがいると楽。

2位:5章
序盤最大のヤマ。普通の人は3章もしんどいが、この章はもっときつい。
可能な限り最強メンバーで挑むことをお勧め。でないとリセット地獄になるかも。

3位:11章
簡単にクリアする方法もあるが、そろそろ技能の上がりが悪いユニットが出てきて、多少リスクを背負っても敵を攻撃しないといけなくなる。そうすると後半の強いユニットにガンガン味方が殺される。増援位置を塞ぐとかしてそこまで強くないユニットとだけ戦うのが楽。

4位:3章
イベントも多く、少し間違えると簡単に味方が死ぬ。ユニットも育ってないので技能上げをしたいが、落ち着くまで時間がかかる。
賞金首捕縛とかは無理しない範囲でやったほうがいい。

Appendix

攻略はこのサイトだけで十分
ベルウィックサーガWiki - BerwickSagaWiki

カツオだしを自分で取る

料理

手抜きな取り方

とりあえず適当に鰹節と昆布を1日以上冷蔵庫で水につけておく。個人的には鰹節は厚削りがいいと思う。
火を入れて沸騰する前に昆布を取る。
そのまま弱火で10分くらい煮る。
当然そのままだと香りとうまみしかないので、塩や醤油でよきように味付けする。

印象

そうめんで食べたけど、顆粒だしと比べて香りが全然違う。かなりうまいです。
味が薄いと感じる場合は、塩分の入っている顆粒だしに慣れすぎているので、醤油なり塩なりを追加すると良い。
飲みの締めに食うとたまらない。

感想

大した手間でもないけど幸せになれる気がする。

適当に読んだ:Dynamics of News Events and Social Media Reaction(KDD2014)

論文

論文を上手に読むこつが知りたい。

Dynamics of News Events and Social Media Reaction

アブスト

あるトピックに関する、ニュース投稿と、それに伴うソーシャル上の意見の変化のダイナミクスについての研究。ニュースとソーシャルメディアの振る舞いを、イベントの重要性とメディアのresponce関数の間のコンボリューションとしてモデル化する。それによって、各トピックに対するニュースイベントを抽出し、そしてそれと感情的な意見の時間変化とを相互に関係を持たせることで、イベントのダイナミクスと意見の変化のつながりを明らかにする事が出来る。

イントロ

特徴として、イベントの重要性とダイナミクスを理解するために、関連するニュース記事の投稿数だけでなく、ソーシャルメディアの反応を考慮に入れる事が挙げられる。
また、イベントに対するニュース投稿(もしくはユーザーの興味)のダイナミクスを決定するためために、ニュースメディア(もしくはソーシャルメディア)をresponce関数として描写するというアイデアを利用している。
このresponce関数というのは、イベントに対する投稿の"ディレイ"尤度として表現される。それは、ニュースやソーシャルメディアが再投稿、引用、以前の投稿について議論すると言ったようにアクティビティが時間を越えて展開される傾向がある事に起因している。このようなケースにおいては、投稿のピークは必ずしもイベントの開始の瞬間等とは一致しない。この問題を解決するために、画像処理や音声処理で利用されるデコンボリューションという技術を利用する。*1
この方法により、イベントの重要性とresponceのダイナミクスを正確にはかる事が出来,
また感情的な意見の展開に対するこれらのインパクトを評価する事が出来る。

※やりたい事の例が論文中に図解されているのでそちらを見るのが速い

貢献

1.既存モデルについて分析し、それらの基本原理について述べる
2.ニュースボリュームのダイナミクスを、イベントの重要性とresponce関数間のデコンボリューションとしてモデル化する
3.パラメータの自動最適化を伴ったデコンボリューションをもとに、ニュースイベントの抽出方法を発展させる
4.ニュースイベントに対して相互に関係する感情的な意見の特徴を評価することで、意見の変化を予測可能にした

また、このフレームワークはデコンボリューションに依存していることから、異なったケースに合わせて複数のresponse関数をのせる事が出来る。しかし、今回の手法ではそれぞれのケース対して異なった等式を要求する事はない。さらに、メディアのresponce関数についてはデータから自動で学習可能である。

Future Work

最適化部分においてデコンボリューションの頑健性と正確性をより発展させる。
意見の遷移は同一トピックだけでなく関連したトピックも要因となりうるので、それに対応できるようにモデルを拡張する。

*1:デコンボリューションについてはこちらのページを参照しました。DSLM::デコンボリューション

読んだ:Cross-Device Search(CIKM2014)

論文

GWは風邪を引いてほぼ寝ていました。●畜なのか平日は風邪をひきません。

http://research.microsoft.com/en-us/um/people/ryenw/papers/montanezcikm2014.pdf

デバイスを跨いだ検索の理解(トピックなど)と、デバイス遷移予測モデルの構築。
デバイスの遷移が予測できれば、例えば、PCからスマホにデバイスを変更した検索した人に対して、スマホ向けの短い記事を優先的に提示するといったデバイスに特化した試作を打つ事が出来る。

・デバイスとして、PC,tablet,smart phone,game consoleの4つを選択。

-データセットと基本的な特徴

コマース系検索エンジンから数ヶ月分の検索クエリを取得。

・クエリベースの統計量

クエリ数がおよそ2億で、複数デバイスを利用しているユーザーが検索したクエリ数はおよそ16%だった。また、PCのクエリが全体の9割以上になっている。

・ユーザーとdeviceに関する統計量

デバイスのうち、2つ以上のデバイスを利用しているユーザーが5%(!?)、複数デバイスの組み合わせとしては、PC-Tabletの組み合わせが3%で最も多い。

・クエリとトピックの分布

独自のクラス分類方法で50程のカテゴリにクエリを分類。さらにカテゴリは高確率に出現した15トピック(TV&movie,TVなど)にグループ分けした。
また、デバイス間で特徴的に出現するクエリを調査するために、P(topic|device)とP(topic)のPMI(自己相互情報量)を利用する。
各トピックに適用した結果、GameConsoleにおいてGAMINGトピックのPMI値が高く(当たり前)、smartphoneにおいて、foodトピックのPMI値も高かった。
次に、時間の遷移を加味したPMIの遷移を見て行く。デバイスごとにPMIの変化が大きく出たtopicを見ると、game consoleが全デバイスの中で最も滑らかなPMIの変化をしている。topic目線で見るとadultとfoodが非常に特徴的で、adultgは労働時間帯はPMI値がnagative rateであるが、22-4時位にかけてhigh positive rateとなる。一方で、foodは昼時と夕方にspikeが出来る特徴がある。

-デバイス間遷移

Markov Graphの様な自己遷移も含めたデバイスの遷移グラフをかいてみる。なお、遷移として認めるのは3時間以内とする。
これだと自己遷移が99%以上になるので、他デバイスへの遷移だけを示したグラフをかいてみる。
これを見ると、各デバイスからの大多数の遷移がPCに向かっている事がわかる。また、PC-smartphoneとPC-Tabletには密接な関係(高密度な相互リンク)がある事がわかる。

・次のdeviceへの遷移と遷移前に検索したトピックの関係
基本的にはPCへの遷移に引っ張られる(全体で見たときの遷移率はPC-63.9%,SmartPhone-11.2%,Tablet-24.6%,Console-0.6%)が、一部のトピックではあるデバイスへの遷移確率が全体と比較して非常に高いものが見られる。例えば、Events-Nightlifeに関するクエリを検索した後に遷移するデバイスがGameConsoleである確率は、全体のものと比較して870%も増加する。

・過去の時刻と次のデバイスへの関係

PCは事前の検索時刻が午前7時から午後5時の時に遷移しやすい。SmartPhoneやTabletは早朝や深夜、GameConsoleは0-4に検索された後に遷移しやすかった。

・デバイス遷移時間差

クエリ間の時間差を、すべてのデバイス間遷移を考慮したサイト、クロスデバイスで遷移した際で比較してみる(時間差と比率のlog-log plot)。すると、クロスデバイス遷移時間差は、なだらかなベキ則分布となる。

-デバイス遷移予測

これまで見てきた特徴が遷移予測の精度にどのくらい影響するかを調べる。
予測タスクとして3つ用意。
task1.次に利用するデバイスを予測する
task2.2つのクエリ間でデバイスの遷移が起こったのかを予測する
task3.デバイスが変化したときに、次のデバイスを予測する

データセットは予測タスクに合わせて3つ用意
1.Main:すべての遷移情報を含んだもの
2.Balanced:同一デバイスへの遷移とクロスデバイス遷移を同量含んだもの
3.Cross-Device Only:別デバイスへの遷移だけを含んだもの

特徴量は177個用意(予測結果で必要なものだけ述べる)。
学習モデルとして、L1正則化ロジスティック回帰とGBDTを利用。
Baselineとしては、
1)データセット内で最瀕のものを選択
2)ランダム
3)学習中に出現した比率にそってランダム
を用意。

どの3つのタスクにおいてもベースラインと比較して25%以上の精度が向上した。
task2,task3ではそれぞれどの特徴量が効いているかを調べており、task2ではユーザー独自の情報(過去の遷移情報(遷移数とクロスでバイス遷移数)、過去のデバイス使用率、デバイス間遷移確率、遷移時間差)とデバイス遷移時間差が非常によく効いており、task3ではユーザー独自の情報だけですべての特徴量を突っ込んだものとほぼ同様の精度が出せる事がわかった。