[论文解读] Designer Modeling through Design Style Clustering

Alberto Alvarez, José Font+1 more|arXiv (Cornell University)|Apr 3, 2020

Artificial Intelligence in Games参考文献 36被引用 4

一句话总结

本文通过房间设计风格的聚类与频繁序列挖掘，提出了一种建模混合协作游戏设计中设计师行为的方法，识别出典型的设 计轨迹——即“设计师人格”（Designer Personas）。基于48名用户在《进化地牢设计师》中的数据，该方法识别出12个连贯的房间风格聚类与4种主导的设计人格，使AI能够以低计算成本预测设计师意图，并指导程序化内容生成。

ABSTRACT

We propose modeling designer style in mixed-initiative game content creation tools as archetypical design traces. These design traces are formulated as transitions between design styles; these design styles are in turn found through clustering all intermediate designs along the way to making a complete design. This method is implemented in the Evolutionary Dungeon Designer, a research platform for mixed-initiative systems to create adventure and dungeon crawler games. We present results both in the form of design styles for rooms, which can be analyzed to better understand the kind of rooms designed by users, and in the form of archetypical sequences between these rooms, i.e., Designer Personas.

研究动机与目标

• 为解决在程序化游戏内容生成中实现无缝人机协作的挑战，通过超越单个操作的抽象，建模设计师行为。
• 克服基于单个编辑动作训练的监督模型的局限，将抽象层次提升至设计风格与设计轨迹。
• 识别出反映设计师在关卡设计过程中进展模式的典型路径——即“设计师人格”。
• 使AI系统能够预测设计师偏好，并建议与观察到的设计风格和进展模式一致的内容。
• 提供一种可扩展的、基于数据驱动的方法，通过真实设计会话数据的无监督聚类与频繁序列挖掘，对设计师行为进行建模。

提出的方法

• 基于设计步骤序列，将180个独特地牢房间的中间设计状态聚类为12个连贯的房间风格聚类。
• 使用无监督学习方法，从关卡创建过程中编辑序列中识别出具有代表性的设计风格。
• 对设计会话轨迹应用频繁序列挖掘，以发现风格空间中的典型路径。
• 将每位设计师的会话映射到已识别的风格聚类中，以确定其与特定“设计师人格”的匹配程度。
• 通过可视化各聚类中的设计进展，验证了明确且可重复的设计路径的出现。
• 利用所得模型通过预测当前在风格空间中的位置下一次可能的设计风格，来指导程序化内容生成。

实验结果

研究问题

• RQ1 如何通过更高阶的抽象（而非单个编辑操作），对混合协作游戏设计中的设计师行为进行建模？
• RQ2 在地牢探索类创作工具的真实用户设计会话中，哪些主导的典型设计路径被发现？
• RQ3 对中间设计状态的聚类能否揭示出反映设计师意图的连贯且有意义的房间设计风格？
• RQ4 设计师在风格空间中遵循可预测、重复的路径程度如何？这些路径如何用于指导AI辅助？
• RQ5 所生成的“设计师人格”在多大程度上能提升程序化内容生成与设计师偏好的契合度？

主要发现

• 该方法成功通过180个独特房间的中间步骤聚类，识别出12个连贯且具有代表性的房间设计风格。
• 通过设计会话的频繁序列挖掘，发现了4种主导的典型设计轨迹——Split Central-Focus（分裂中心聚焦）、Goal-Oriented（目标导向）、Architectural Focus（建筑聚焦）和Early Design（早期设计）。
• 研究发现，设计会话在不同进展阶段可能与多个“人格”对齐，部分设计初期偏离，但后期趋于明确路径。
• 该方法通过识别当前所处的设计风格及风格空间中可能的下一步，实现了低成本的设计师意图预测。
• 模型成功捕捉了设计过程中的不确定性和适应性，体现在早期设计虽不明确，但后期与已知人格对齐。
• 所生成的“设计师人格”为基于搜索或强化学习的程序化内容生成提供了基础，可实现更高风格保真度的生成。