[论文解读] Optimal Team Economic Decisions in Counter-Strike

Peter Xenopoulos, Bruno Coelho+1 more|arXiv (Cornell University)|Sep 20, 2021

Sports Analytics and Performance参考文献 7被引用 6

一句话总结

本文提出了一种《反恐精英：全球攻势》（CSGO）游戏级别的胜率模型，用于评估队伍的经济决策，特别是每回合的装备支出。该模型利用队伍得分、金钱和装备价值等特征，识别职业比赛中次优的支出模式，并引入了最优支出误差（Optimal Spending Error, OSE）这一指标，显示出与队伍成功高度相关的特征，揭示了队伍在高影响力情境下往往支出不足。

ABSTRACT

The outputs of win probability models are often used to evaluate player actions. However, in some sports, such as the popular esport Counter-Strike, there exist important team-level decisions. For example, at the beginning of each round in a Counter-Strike game, teams decide how much of their in-game dollars to spend on equipment. Because the dollars are a scarce resource, different strategies have emerged concerning how teams should spend in particular situations. To assess team purchasing decisions in-game, we introduce a game-level win probability model to predict a team's chance of winning a game at the beginning of a given round. We consider features such as team scores, equipment, money, and spending decisions. Using our win probability model, we investigate optimal team spending decisions for important game scenarios. We identify a pattern of sub-optimal decision-making for CSGO teams. Finally, we introduce a metric, Optimal Spending Error (OSE), to rank teams by how closely their spending decisions follow our predicted optimal spending decisions.

研究动机与目标

• 开发一种 CSGO 游戏级别的胜率模型，以预测每回合开始时队伍的获胜概率。
• 分析不同游戏情境下队伍的经济决策，特别是装备支出。
• 识别职业 CSGO 队伍中系统性的次优支出行为。
• 提出并验证一种新指标——最优支出误差（OSE），以量化与最优经济决策的偏离程度。
• 评估模型在未训练过的地图上的泛化能力，无需针对地图进行再训练。

提出的方法

• 模型使用每回合开始时的游戏状态特征：队伍得分、总金钱、装备价值以及购买类型（如全买、半买、存钱）。
• 评估多种模型架构：逻辑回归、树模型（XGBoost）和前馈神经网络，性能通过对数损失（log-loss）衡量。
• 地图特征通过独热编码（OHE）处理，并与每张地图专用模型进行比较，以评估泛化能力。
• 应用微调程序，测试模型在保留地图上的泛化能力，模拟新增地图池的场景。
• 最优支出误差（OSE）计算为实际支出与预测最优支出在各回合中的平均偏差。
• 模型在职业 CSGO 录像文件上进行训练，并在排名比赛的测试回合集上进行评估。

实验结果

研究问题

• RQ1 在不同游戏状态（如比分差和回合结果）下，CSGO 中队伍的最优支出策略是什么？
• RQ2 在职业比赛中，实际队伍的支出决策与预测的最优决策之间存在多大程度的偏离？
• RQ3 最优支出误差（OSE）与可衡量的队伍表现指标（如回合胜率）的相关性有多高？
• RQ4 一个单一的统一模型能否在无需地图特定微调的情况下，有效泛化到新的、未玩过的地图？
• RQ5 在预测 CSGO 游戏级别胜率方面，不同模型架构（如神经网络与 XGBoost）的表现如何比较？

主要发现

• 游戏级别胜率模型显著优于基线逻辑回归模型，其中神经网络在 overpass 地图上实现了最低的对数损失（0.646）。
• 队伍在高影响力情境下持续支出不足——尤其是在输掉第一回合后，T 方在第二回合的支出明显不足，表明经济决策存在次优性。
• 最优支出误差（OSE）与回合胜率呈显著负相关（r = -0.45），表明 OSE 越低的队伍表现越佳。
• 模型在新地图上泛化良好：在六张地图上训练并针对保留地图（如 vertigo）进行微调的单一模型，其测试损失与地图专用模型相当。
• 不包含地图特定特征的 OHE 模型在 7 张地图中的 6 张上优于地图专用模型，表明数据量在泛化中比地图特定编码更具优势。
• 顶级队伍如 FaZe 和 Natus Vincere 的 OSE 值较低，而表现不佳的队伍如 Copenhagen Flames 和 NIP 的 OSE 值较高，表明其经济效率低下。