[論文レビュー] Modeling Game Avatar Synergy and Opposition through Embedding in Multiplayer Online Battle Arena Games

Zhengxing Chen, Yuyu Xu+3 more|arXiv (Cornell University)|Mar 28, 2018

Artificial Intelligence in Games参考文献 20被引用数 6

ひとこと要約

本稿では、MOBAゲームのゲームオーバーやキャラクターに対するペアワイズの好相性および相反関係を捉えるために、低次元のベクトル表現を学習する潜在変数モデルであるGame Avatar Embedding (GAE)を提案する。勾配降下法を用いて実際の対戦結果を最大化するように学習することで、専門家プレイヤーの認識と強く整合する類似検索やパーソナライズドなアバター推薦といった後続タスクを実現する。

ABSTRACT

Multiplayer Online Battle Arena (MOBA) games have received increasing worldwide popularity recently. In such games, players compete in teams against each other by controlling selected game avatars, each of which is designed with different strengths and weaknesses. Intuitively, putting together game avatars that complement each other (synergy) and suppress those of opponents (opposition) would result in a stronger team. In-depth understanding of synergy and opposition relationships among game avatars benefits player in making decisions in game avatar drafting and gaining better prediction of match events. However, due to intricate design and complex interactions between game avatars, thorough understanding of their relationships is not a trivial task. In this paper, we propose a latent variable model, namely Game Avatar Embedding (GAE), to learn avatars' numerical representations which encode synergy and opposition relationships between pairs of avatars. The merits of our model are twofold: (1) the captured synergy and opposition relationships are sensible to experienced human players' perception; (2) the learned numerical representations of game avatars allow many important downstream tasks, such as similar avatar search, match outcome prediction, and avatar pick recommender. To our best knowledge, no previous model is able to simultaneously support both features. Our quantitative and qualitative evaluations on real match data from three commercial MOBA games illustrate the benefits of our model.

研究の動機と目的

• マルチプレイヤーオンラインバトルアリーナ（MOBA）ゲームにおける、複雑なデザインや相互作用のため、プレイヤーが完全に理解することが難しい、ゲームアバター間の複雑な好相性および相反関係をモデル化すること。
• 経験豊富な人間プレイヤーの認識と整合する形で、これらの関係を捉える機械学習モデルを開発すること。
• 類似アバター検索、対戦結果予測、パーソナライズドなアバター推薦といった実用的後続タスクを可能にすること。
• 純粋な予測を超えて、複数のタスクをサポートする再利用可能で低次元のアバター表現を提供すること。

提案手法

• 各ゲームアバターを連続的な埋め込み空間内の低次元ベクトルとして表現する潜在変数モデル、Game Avatar Embedding (GAE) を提案する。
• アバターベクトル間のペアワイズの好相性および相反関係を関数としてモデル化し、埋め込みベクトルの内積に基づく確率関数を用いて対戦結果を定式化する。
• 実際のMOBA対戦データにおける観測済み対戦結果の尤度を最大化するように勾配降下法を用いてアバター埋め込みおよびモデルパラメータを学習する。
• 学習されたベクトル間の相互作用を通じて、好相性（正の相互作用）と相反（負の相互作用）の両方を統合的にモデル化する確率的フレームワークを採用する。
• Dota 2 を含む3つの商業的MOBAゲームの実際の対戦データを用いて、モデルの学習および検証を実施する。
• 類似検索や最適なアバター選択のためのベクトルベースの操作を可能にすることで、後続タスクを支援する。

実験結果

リサーチクエスチョン

• RQ1 学習された埋め込みモデルは、専門家プレイヤーの直感と整合するペアワイズの好相性および相反関係を効果的に捉えることができるか？
• RQ2 学習されたアバター埋め込みは、類似検索やアバター推薦といった後続タスクにどの程度一般化できるか？
• RQ3 ベースラインモデルと比較して、GAE埋め込みは対戦結果予測においてどの程度性能を向上させるか？
• RQ4 統一されたフレームワーク内で類似性、好相性、相反性の基準を組み合わせることで、パーソナライズドな推薦を実現できるか？

主な発見

• GAEモデルは、専門家によるケーススタディによる検証を通じて、経験豊富な人間プレイヤーにとって意味のある好相性および相反関係を効果的に捉えている。
• GAE埋め込みに基づく類似検索は、人間の専門家評価と強く相関しており、例えばClinkzに対してWeaver, Riki, Mirana が上位推薦として、3名のDota 2プロプレイヤーからも高レベルの類似性と評価されている。
• 実際の対戦シナリオにおいて、GAEはUrsaを高い信頼性で最適な選択肢として推薦した。専門家プレイヤーは、Ursaがチームと強い好相性を示し、敵チームに対して相反性があると確認した。
• モデルは類似性と戦略的適合性を組み合わせることで、パーソナライズドな推薦を可能にした。Sven はUrsaと高い類似性に加え、好相性・相反性スコアが優れているため、Ursaの馴染みやすい代替候補として推薦された。
• GAEは、再利用可能で解釈可能なベクトル表現を提供するため、従来の機械学習モデルに比べて後続タスクで優れた性能を示した。これにより、類似、好相性、相反するヒーローといった複数のクエリに対応できる。
• GAEフレームワークは、アバター関係の強固なモデル化と、対戦予測や推薦といった幅広い実用的後続タスクの両方を同時にサポートする最初のものである。