[논문 리뷰] Modeling Game Avatar Synergy and Opposition through Embedding in Multiplayer Online Battle Arena Games

Zhengxing Chen, Yuyu Xu외 3명|arXiv (Cornell University)|2018. 03. 28.

Artificial Intelligence in Games참고 문헌 20인용 수 6

한 줄 요약

이 논문은 다중 플레이어 온라인 배틀 아레나(MOBA) 게임 캐릭터의 쌍별 상호보완성과 대립 관계를 포착하기 위해 저차원 벡터 표현을 학습하는 잠재변수 모델인 게임 아바타 임베딩(GAE)을 제안한다. 기울기 하강법을 사용해 실제 대전 결과를 기반으로 학습함으로써 우도를 최대화함으로써, GAE는 전문 플레이어의 인식과 강하게 일치하는 유사도 검색 및 개인화된 아바타 추천과 같은 후행 작업을 가능하게 한다.

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.

연구 동기 및 목표

• 복잡한 디자인과 상호작용으로 인해 플레이어가 완전히 이해하기 어려운 다중 플레이어 온라인 배틀 아레나(MOBA) 게임에서 아바타 간의 복잡한 상호보완성과 대립 관계를 모델링하기 위해.
• 경험 많은 인간 플레이어의 인식과 일치하는 방식으로 이러한 관계를 포착하는 기계학습 모델을 개발하기 위해.
• 유사 아바타 검색, 대전 결과 예측, 개인화된 아바타 추천과 같은 실용적 후행 응용을 가능하게 하기 위해.
• 순수 예측을 넘어서 다양한 작업을 지원할 수 있는 재사용 가능한 저차원 벡터 표현을 제공하기 위해.

제안 방법

• 모든 게임 아바타를 연속적인 임베딩 공간 내 저차원 벡터로 표현하는 잠재변수 모델인 게임 아바타 임베딩(GAE)을 제안한다.
• 쌍별 상호보완성과 대립 상호작용을 기반으로 한 벡터 내적의 확률 함수를 사용해 대전 결과를 모델링한다.
• 실제 MOBA 대전 데이터에서 관측된 대전 결과의 우도를 최대화하기 위해 기울기 하강법을 사용해 아바타 임베딩과 모델 파라미터를 학습한다.
• 학습된 벡터 상호작용을 통해 상호보완성(긍정적 상호작용)과 대립성(부정적 상호작용)을 동시에 모델링하는 확률적 프레임워크를 활용한다.
• DOTA 2를 포함한 세 개의 상업용 MOBA 게임에서 수집한 실제 대전 데이터를 사용해 모델를 학습하고 검증한다.
• 쌍별 유사도 검색 및 상호보완성·대립성 점수를 활용한 최적의 아바타 선택과 같은 벡터 기반 연산을 통해 후행 작업을 지원한다.

실험 결과

연구 질문

• RQ1 학습된 임베딩 모델이 전문 플레이어의 직관과 일치하는 방식으로 MOBA 게임 아바타 간의 쌍별 상호보완성과 대립 관계를 효과적으로 포착할 수 있는가?
• RQ2 학습된 아바타 임베딩이 유사도 검색 및 아바타 추천과 같은 후행 작업으로 일반화되는 정도는 어떠한가?
• RQ3 기본 모델 대비 GAE 임베딩이 대전 결과 예측 성능을 얼마나 향상시키는가?
• RQ4 통합 프레임워크 내에서 유사도, 상호보완성, 대립성 기준을 결합해 개인화된 추천을 지원할 수 있는가?

주요 결과

• GAE 모델은 전문가 사례 연구를 통해 경험 많은 인간 플레이어에게 자연스럽게 다가오는 상호보완성과 대립 관계를 성공적으로 포착했다.
• GAE 임베딩 기반의 유사도 검색은 인간 전문가 평가와 강한 상관관계를 보였으며, Clinkz에 대해 Weaver, Riki, Mirana를 상위 추천으로 내보낸 결과는 세 명의 DOTA2 전문가가 이들 캐릭터를 매우 유사하다고 평가했다.
• 실제 대전 상황에서 GAE는 Ursa를 높은 신뢰도로 최적의 선택으로 추천했으며, 전문 플레이어들은 Ursa가 팀과 뛰어난 상호보완성을 보이고 적대자와는 강한 대립성을 보인다고 확인했다.
• 모델은 유사도와 전략적 호환성을 결합해 개인화된 추천을 가능하게 했으며, Sven는 Ursa와 높은 유사도를 보였고, 강력한 상호보완성·대립성 점수를 바탕으로 유사한 대안으로 추천되었다.
• 모델은 순수 예측을 넘어서 다양한 질의(예: 유사한, 상호보완적인, 대립적인 영웅)를 지원하는 재사용 가능하고 해석 가능한 벡터 표현을 제공함으로써 기존 기계학습 모델보다 후행 작업에서 뛰어난 성능을 보였다.
• GAE 프레임워크는 아바타 관계의 강력한 모델링과 매치 예측 및 추천과 같은 다양한 실용적 후행 응용을 동시에 지원하는 최초의 프레임워크이다.