[論文レビュー] Toward Automated Quest Generation in Text-Adventure Games
本稿では、知識グラフに根ざしたマークフ・モデルとニューラル言語モデルを用いて、テキストアドベンチャー・ゲームにおける一貫性があり創造的な調理クエストを自動生成するフレームワークを提示する。人間による評価では、両方の生成モデルが人間が設計したクエストと同等の一貫性と創造性を示しており、ニューラルモデルは一貫性と価値において優れている一方、マークフ・モデルは驚きと新規性において高いスコアを記録した。
Interactive fictions, or text-adventures, are games in which a player interacts with a world entirely through textual descriptions and text actions. Text-adventure games are typically structured as puzzles or quests wherein the player must execute certain actions in a certain order to succeed. In this paper, we consider the problem of procedurally generating a quest, defined as a series of actions required to progress towards a goal, in a text-adventure game. Quest generation in text environments is challenging because they must be semantically coherent. We present and evaluate two quest generation techniques: (1) a Markov model, and (2) a neural generative model. We specifically look at generating quests about cooking and train our models on recipe data. We evaluate our techniques with human participant studies looking at perceived creativity and coherence.
研究の動機と目的
- テキストアドベンチャー・ゲームにおいて、特に調理のような制限されたドメインにおいて、意味的に一貫性があり創造的で魅力的なクエストを生成する課題に対処すること。
- 自動生成技術が、人間が設計したクエストと同等の認識された一貫性と創造性を有するクエストを生成できるかを調査すること。
- 知識グラフによる意味的根拠が、複雑で多段階的な物語においても一貫性を保つことのできるクエスト品質に与える影響を評価すること。
- 手続き的生成されたインタラクティブ・フィクションにおいて、創造性、一貫性、認識された価値の間のトレードオフを調査すること。
提案手法
- フレームワークは、レシピデータから得られる材料、行動、場所の関係をエンコードすることで、クエスト生成を意味的に根拠づける知識グラフを用いる。
- 2つの生成モデルを実装する：シーケンス生成のためのマークフ連鎖モデルと、より柔軟で文脈に配慮したテキスト生成のためのニューラル言語モデル（LM）。
- テキストアドベンチャー・ゲームの文脈として「ホーム」テーマを採用し、部屋、オブジェクト、アイテムの位置を含む家庭環境をシミュレートしてクエストを生成する。
- モデルは、材料の依存関係や手順的ステップを含む、調理タスクの構造と意味を学ぶために大規模なレシピデータセットで訓練される。
- 知識グラフにより、生成されたクエストがオブジェクトの機能や論理的依存関係（例：卵を割る前に回収する必要がある）といった世界の制約を尊重することが保証される。
- 人間による評価は、プレイヤーが生成されたクエストを一貫性、独自性、驚き、達成感の観点から評価する制御された研究で実施される。
実験結果
リサーチクエスチョン
- RQ1マークフ・モデルおよびニューラル言語モデルは、テキストアドベンチャー・ゲームにおける調理クエストを、人間プレイヤーが一貫性と創造性を認められるように生成できるか？
- RQ2知識グラフによる意味的根拠が、自動生成クエストの認識された一貫性と品質に与える影響は何か？
- RQ3自動生成クエストは、人間が設計したクエストと同等に、認識された創造性と一貫性を有しているか？
- RQ4手続き的生成クエストにおいて、一貫性と認識された創造性の関係は何か？また、一貫性の欠如は、より高い認識された新規性をもたらすか？
- RQ5クエストの複雑さ（1部屋対5部屋）とモデルタイプが、認識された驚きと達成感に与える影響は何か？
主な発見
- マークフ連鎖モデル、ニューラル言語モデル、人間が設計したクエストのすべてが、p < 0.05の有意水準で一貫性スコアを達成し、その中でニューラル言語モデルがマークフ・モデルを上回った。
- ニューラル言語モデルは、認識された価値と達成感の両面で最高スコアを記録し、人間が設計したゲームでさえも上回った。これは、アクションの多様性が高く、事前に定義されたアクショングラフによる制約が少ないためと考えられる。
- マークフ連鎖モデルは、ニューラルモデルよりも驚きと独自性が高く評価された。これは、一貫性と新規性の間のトレードオフを示している。
- 知識グラフは一貫性を著しく向上させ、複雑で多部屋の環境においても、生成されたクエストが意味的に根拠があり論理的に整合的であることを保証した。
- 5部屋のゲームは1部屋のゲームよりも驚きと独自性が高く評価された。これは、複雑さが認識された新規性を高めることを示している。
- ランダムに生成されたクエスト（RA）は、一部の新規性はあったものの、一貫性がなく創造性が低いと認識された。これは、一貫性が認識された創造性の前提条件であることを確認した。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。