[论文解读] Player Behavior and Optimal Team Composition for Online Multiplayer Games

Hao Yi Ong, Sunil Deolalikar+1 more|arXiv (Cornell University)|Mar 8, 2015

Artificial Intelligence in Games参考文献 5被引用 18

一句话总结

本文提出了一种机器学习框架，通过无监督学习（k-means 和 DP-means）对《英雄联盟》玩家行为进行聚类，并利用这些聚类预测队伍胜负结果，准确率最高达 70.4%。该方法相比使用官方游戏开发者分类的角色类别基线模型提高了 16%，表明数据驱动的行为聚类比预定义的角色分类更能准确捕捉真实玩家行为动态。

ABSTRACT

We consider clustering player behavior and learning the optimal team composition for multiplayer online games. The goal is to determine a set of descriptive play style groupings and learn a predictor for win/loss outcomes. The predictor takes in as input the play styles of the participants in each team; i.e., the various team compositions in a game. Our framework uses unsupervised learning to find behavior clusters, which are, in turn, used with classification algorithms to learn the outcome predictor. For our numerical experiments, we consider League of Legends, a popular team-based role-playing game developed by Riot Games. We observe the learned clusters to not only corroborate well with game knowledge, but also provide insights surprising to expert players. We also demonstrate that game outcomes can be predicted with fairly high accuracy given team composition-based features.

研究动机与目标

• 使用无监督学习识别团队制多人在线游戏中的描述性玩家行为聚类。
• 基于玩家行为聚类和队伍组成，开发队伍胜负结果的预测模型。
• 评估数据驱动的行为聚类是否比官方游戏设计的角色分类更具信息量。
• 评估该框架在其他多人在线游戏中的可推广性。

提出的方法

• 使用 21 个归一化的玩家统计数据（如造成的伤害、获得的金币）进行特征选择，以表征游戏行为。
• 应用 k-means 和 DP-means 聚类算法，根据行为相似性对玩家进行分组。
• 基于学习到的行为聚类定义的队伍组成，训练分类模型——逻辑回归、线性判别分析和 SVM。
• 使用 10% 保留交叉验证和 20 次随机训练/测试划分来评估模型性能。
• 将预测准确率与使用官方游戏角色类别（如刺客、辅助）的基线模型进行比较。
• 在 SVM 中使用 ℓ₁ 正则化，并采用序列最小优化方法，以增强对潜在数据非可分性的鲁棒性。

实验结果

研究问题

• RQ1 对玩家统计数据进行无监督聚类，是否能在多人在线游戏中揭示有意义且贴近现实的玩家行为分组？
• RQ2 当使用数据驱动的行为聚类与官方游戏角色分类时，队伍胜负结果预测模型的准确率有何差异？
• RQ3 所学习到的行为聚类在多大程度上与专家玩家对游戏风格的理解相一致？
• RQ4 时变玩家统计数据在多大程度上能提升行为聚类的描述能力与结果预测性能？

主要发现

• 基于 k-means 聚类行为特征训练的 SVM 模型，测试准确率达到 70.4%，显著高于使用官方角色类别基线模型的 54.4% 测试准确率。
• 使用学习到的行为聚类的最佳预测器比基线模型高出 16% 的准确率，表明数据驱动聚类更能捕捉队伍表现动态，优于开发者定义的角色。
• k-means 和 DP-means 聚类结果与专家玩家的洞察高度一致，验证了所学行为群体的可解释性。
• 所有分类模型（LR、GDA、SVM）使用行为聚类特征均达到超过 67% 的测试准确率，表明该方法在不同算法间具有稳定的预测能力。
• 该框架可良好推广至其他团队制多人在线游戏，因为《英雄联盟》具有该类型游戏的代表性。