[论文解读] Modeling Game Avatar Synergy and Opposition through Embedding in Multiplayer Online Battle Arena Games

Zhengxing Chen, Yuyu Xu+3 more|arXiv (Cornell University)|Mar 28, 2018

Artificial Intelligence in Games参考文献 20被引用 6

一句话总结

本文提出游戏角色嵌入（Game Avatar Embedding, GAE），一种潜在变量模型，通过学习多人在线战术竞技场（MOBA）游戏角色的低维向量表示，以捕捉角色之间的成对协同与对抗关系。通过使用梯度下降法在真实对局结果上最大化似然函数进行训练，GAE 能够在相似性搜索和个性化角色推荐等下游任务中实现与资深玩家认知高度一致的性能表现。

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.

研究动机与目标

• 建模多人在线战术竞技场（MOBA）游戏中角色之间复杂的协同与对抗关系，这些关系因游戏机制复杂且互动繁多，导致玩家难以全面掌握。
• 开发一种机器学习模型，以捕捉这些关系，并使其与资深人类玩家的认知保持一致。
• 支持实际的下游应用，如相似角色搜索、对局结果预测和个性化角色推荐。
• 提供一种可复用的、低维的角色向量表示，支持超越纯预测任务的多种应用场景。

提出的方法

• 提出一种潜在变量模型——游戏角色嵌入（GAE），将每个游戏角色表示为连续嵌入空间中的低维向量。
• 将对局结果建模为角色向量之间成对协同与对抗交互的函数，采用基于嵌入向量点积的概率函数。
• 通过梯度下降法，基于真实MOBA对局数据中观察到的对局结果似然函数，学习角色嵌入与模型参数。
• 采用概率框架，通过学习到的向量交互，联合建模协同（正向互动）与对抗（负向互动）。
• 利用三款商业MOBA游戏（包括DOTA 2）的真实对局数据进行模型训练与验证。
• 通过支持基于向量的操作（如相似性搜索和基于协同与对抗得分的最优角色选择），实现下游任务支持。

实验结果

研究问题

• RQ1 学习到的嵌入模型是否能有效捕捉与资深玩家直觉一致的MOBA游戏角色之间的成对协同与对抗关系？
• RQ2 学习到的角色嵌入在相似性搜索和角色推荐等下游任务中的泛化能力如何？
• RQ3 与基线模型相比，GAE嵌入在多大程度上提升了对局结果预测的性能？
• RQ4 该模型能否通过统一框架结合相似性、协同与对抗标准，实现个性化推荐？

主要发现

• GAE模型成功捕捉了资深玩家认为合理的协同与对抗关系，经由专家案例研究验证。
• 基于GAE嵌入的相似性搜索与人类专家评分高度相关，例如在Clinkz角色的推荐中，Weaver、Riki和Mirana被三位DOTA2职业选手一致评为高度相似。
• 在真实对局场景中，GAE以高置信度推荐Ursa为最优选择，资深玩家确认Ursa与己方队伍具有强协同性，且对敌方具有强对抗性。
• 该模型通过结合相似性与战略兼容性，实现个性化推荐：由于Sven与Ursa具有高度相似性及强协同/对抗得分，因此被推荐为Ursa的熟悉替代角色。
• 与传统机器学习模型相比，该模型在下游任务中表现更优，因其提供可复用、可解释的向量表示，支持多种查询类型（如相似、协同、对抗英雄）。
• GAE框架是首个同时支持角色关系稳健建模与广泛实际下游应用（如对局预测与推荐）的模型。