[论文解读] Toward Automated Quest Generation in Text-Adventure Games

Prithviraj Ammanabrolu, William Broniec+3 more|arXiv (Cornell University)|Sep 13, 2019

Artificial Intelligence in Games参考文献 29被引用 8

一句话总结

本文提出了一种基于知识图谱的框架，利用马尔可夫模型和神经语言模型自动生成文本冒险游戏中连贯且富有创意的烹饪任务。人类评估显示，两种生成模型生成的任务在感知连贯性和创造力方面与人工设计的任务相当，其中神经模型在连贯性和价值方面表现更优，而马尔可夫模型在意外性和新颖性方面得分更高。

ABSTRACT

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.

研究动机与目标

• 为解决在烹饪等受限领域中生成语义连贯且富有创意的文本冒险游戏任务的挑战。
• 探索自动化生成技术能否生成与人工设计质量相当的任务，以实现感知上的连贯性和创造力。
• 评估通过知识图谱实现语义接地对任务质量的影响，特别是在保持复杂多步骤叙事连贯性方面的表现。
• 研究程序化生成互动小说中创造力、连贯性与感知价值之间的权衡关系。

提出的方法

• 该框架利用知识图谱对任务生成进行语义接地，从食谱数据中编码食材、动作和地点之间的关系。
• 实现两种生成模型：用于序列生成的马尔可夫链模型，以及用于更灵活、上下文感知文本生成的神经语言模型（LM）。
• 任务在TextWorld框架中生成，主题为“家”，模拟包含房间、物品和物品位置的居家环境。
• 模型在大规模食谱数据集上进行训练，以学习烹饪任务的结构与语义，包括食材依赖关系和操作步骤。
• 知识图谱确保生成的任务符合世界约束，如物品功能和逻辑依赖关系（例如，鸡蛋必须先被获取才能打碎）。
• 通过控制实验进行人类评估，参与者对生成任务的连贯性、原创性、意外性以及成就感进行评分。

实验结果

研究问题

• RQ1 马尔可夫模型与神经语言模型能否在文本冒险游戏中生成被人类玩家感知为连贯且富有创意的烹饪任务？
• RQ2 通过知识图谱实现的语义接地如何影响自动生成任务的感知连贯性和质量？
• RQ3 自动生成的任务在感知创造力与连贯性方面是否与人工设计的任务表现相当？
• RQ4 程序化生成任务中，连贯性与感知创造力之间存在何种关系？不连贯是否会导致更高的感知新颖性？
• RQ5 任务复杂度（单房间 vs. 五房间）与模型类型如何影响感知意外性与成就感？

主要发现

• 所有生成模型——马尔可夫链模型、神经语言模型以及人工设计任务——在 p < 0.05 的显著性水平下均达到统计显著的连贯性评分，其中神经语言模型表现优于马尔可夫模型。
• 神经语言模型在感知价值和成就感方面得分最高，甚至超过人工设计游戏，可能归因于更高的动作多样性以及较少受预定义动作图的约束。
• 马尔可夫链模型被评价为比神经语言模型更具意外性和原创性，表明连贯性与新颖性之间存在权衡。
• 知识图谱显著提升了连贯性，确保生成任务在复杂多房间环境中仍保持语义一致与逻辑自洽。
• 五房间任务被评价为比单房间任务更具意外性和原创性，表明复杂度可增强感知新颖性。
• 随机生成任务（RA）尽管具有一定的新颖性，但被感知为缺乏连贯性且创造力较低，证实连贯性是感知创造力的前提条件。