[論文レビュー] Player Behavior and Optimal Team Composition for Online Multiplayer Games

Hao Yi Ong, Sunil Deolalikar+1 more|arXiv (Cornell University)|Mar 8, 2015

Artificial Intelligence in Games参考文献 5被引用数 18

ひとこと要約

本論文では、無教師学習（k-meansおよびDP-means）を用いてリーグ・オブ・レジェンダーズにおけるプレイヤー行動をクラスタリングする機械学習フレームワークを提案し、これらのクラスタを用いてチームの勝利／敗北を最大70.4％の正確さで予測する。このアプローチは、公式ゲーム開発者による役割分類を用いたベースラインと比較して16％優れており、事前に定義された役割クラスよりもデータ駆動型の行動クラスタが現実のプレイヤー行動ダイナミクスをよりよく捉えていることを示している。

ABSTRACT

We consider clustering player behavior and learning the optimal team composition for multiplayer online games. The goal is to determine a set of descriptive play style groupings and learn a predictor for win/loss outcomes. The predictor takes in as input the play styles of the participants in each team; i.e., the various team compositions in a game. Our framework uses unsupervised learning to find behavior clusters, which are, in turn, used with classification algorithms to learn the outcome predictor. For our numerical experiments, we consider League of Legends, a popular team-based role-playing game developed by Riot Games. We observe the learned clusters to not only corroborate well with game knowledge, but also provide insights surprising to expert players. We also demonstrate that game outcomes can be predicted with fairly high accuracy given team composition-based features.

研究の動機と目的

• チームベースのオンラインゲームにおける記述的プレイヤー行動クラスタを無教師学習を用いて同定すること。
• 学習された行動クラスタとチーム編成に基づいて、チームの勝利／敗北を予測するモデルを開発すること。
• データ駆動型の行動クラスタが公式ゲームデザインによる役割分類よりも情報量が多いかどうかを評価すること。
• このフレームワークが他のマルチプレイヤー・オンラインゲームにも一般化可能かどうかを評価すること。

提案手法

• プレイ行動を表すために21個の正規化済みプレイヤー統計（例：与えたダメージ、獲得ゴールド）を用いた特徴選択。
• 行動の類似性に基づいてプレイヤーをグループ化するため、k-meansおよびDP-meansクラスタリングアルゴリズムの適用。
• 学習された行動クラスタに基づくチーム編成を用いて、分類モデル（ロジスティック回帰、ガウス判別分析、SVM）を訓練。
• モデル性能の評価に10％ホールアウト交差検証と20回のランダムなトレイン／テスト分割を用いる。
• 公式ゲーム役割カテゴリ（例：アサassin、サポート）を用いたベースラインと予測正確度を比較。
• データの非分離性に対するロバストネスを高めるために、SVMにℓ₁正則化と逐次最小最適化を採用。

実験結果

リサーチクエスチョン

• RQ1 プレイヤー統計の無教師クラスタリングは、オンラインマルチプレイヤーゲームにおける意味のある現実世界のプレイヤー行動グループを明らかにできるか？
• RQ2 データ駆動型の行動クラスタを用いたチーム結果予測の正確度と、公式ゲーム役割カテゴリを用いた場合とを比較すると、どのように異なるか？
• RQ3 学習された行動クラスタは、熟練プレイヤーのゲームスタイル理解とどの程度一致するか？
• RQ4 時間依存のプレイヤー統計を活用することで、行動クラスタの記述力と結果予測の精度が向上するか？

主な発見

• k-meansでクラスタリングされた行動特徴を用いて訓練したSVMモデルは、テスト正確度70.4％を達成し、公式役割カテゴリを用いたベースラインモデル（テスト正確度54.4％）を顕著に上回った。
• 学習された行動クラスタを用いた最良の予測器は、ベースラインより16％正確で、データ駆動型クラスタが開発者定義の役割よりもチームパフォーマンスのダイナミクスをよりよく捉えていることを示している。
• k-meansおよびDP-meansのクラスタリング結果は熟練プレイヤーのインサイトと強く一致しており、学習された行動グループの解釈可能性が裏付けられた。
• すべての分類モデル（LR、GDA、SVM）が行動クラスタ特徴を用いることで、テスト正確度が67％以上を達成し、アルゴリズムを問わず一貫した予測力を持っていることが示された。
• リーグ・オブ・レジェンダーズがそのジャンルを代表していることから、このフレームワークは他のチームベースのマルチプレイヤーゲームにも良好に一般化可能である。