[论文解读] Scalable Psychological Momentum Forecasting in Esports

Alfonso White, Daniela M. Romano|arXiv (Cornell University)|Jan 1, 2020

Gambling Behavior and Treatments参考文献 16被引用 10

一句话总结

本文提出了一种基于循环神经网络和玩家表现数据的可扩展电子竞技心理动量预测系统，用于预测《英雄联盟》比赛的胜负结果。通过建模短期动量与情绪波动（tilt）效应以及玩家专业水平，该方法在赛前和赛后的胜负预测中实现了最先进的72.1%分类准确率，从而支持个性化游戏内及会话时机推荐。

ABSTRACT

The world of competitive Esports and video gaming has seen and continues to experience steady growth in popularity and complexity. Correspondingly, more research on the topic is being published, ranging from social network analyses to the benchmarking of advanced artificial intelligence systems in playing against humans. In this paper, we present ongoing work on an intelligent agent recommendation engine that suggests actions to players in order to maximise success and enjoyment, both in the space of in-game choices, as well as decisions made around play session timing in the broader context. By leveraging temporal data and appropriate models, we show that a learned representation of player psychological momentum, and of tilt, can be used, in combination with player expertise, to achieve state-of-the-art performance in pre- and post-draft win prediction. Our progress toward fulfilling the potential for deriving optimal recommendations is documented.

研究动机与目标

• 研究旨在将心理动量和情绪波动建模为影响电子竞技表现的动态、上下文敏感因素。
• 通过整合实时玩家表现波动（超越静态的职位与英雄数据），提升胜负预测的准确性。
• 目标包括开发一个推荐引擎，基于动量状态建议最优的阵容选择和休息时机。
• 旨在构建一个强化学习智能体，通过个性化通知实现实时自适应指导，以管理情绪波动。
• 研究探讨动量建模在金融、应急响应和赌博等高压领域中的更广泛应用。

提出的方法

• 系统利用时间序列玩家表现数据，通过循环神经网络（RNN）学习心理动量与情绪波动的动态表征。
• 对输入特征应用自动对数缩放，以提升线性模型与神经网络模型的准确性。
• 使用预训练的RNN子网络进行微调，以从基础技能中分离出动量效应，从而获得仅与动量相关的性能估计。
• 模型整合玩家专业水平（Elo评分）和历史胜负序列，以预测选人阶段前后的胜率。
• 提出一种基于强化学习的自适应通知策略，智能体可选择最优时机与内容发送情绪缓解消息。
• 名为Flow的桌面应用程序通过无干扰通知实时提供动量与情绪波动估计，并通过纵向调查收集用户反馈。

实验结果

研究问题

• RQ1 心理动量与情绪波动能否在电子竞技表现预测中被有效建模为动态、时间敏感的因素？
• RQ2 与仅基于英雄与职位选择的传统模型相比，引入动量与情绪波动后，胜负预测准确率提升多少？
• RQ3 学习到的动量表征在多大程度上可实现针对阵容选择与休息时机的个性化实时推荐？
• RQ4 强化学习智能体能否通过上下文感知的通知有效管理玩家情绪波动，从而提升长期表现与满意度？
• RQ5 该动量建模方法在金融交易、应急响应等其他高压、周期性活动中的泛化潜力如何？

主要发现

• 所提出的模型在使用逻辑回归时实现了72.1%的最先进胜负预测准确率，相较于基于战略玩家行为聚类的先前工作提升了2.0%。
• 与基线模型相比，循环神经网络模型在赛前单人分类准确率上实现了0.5%的相对提升。
• 自动对数缩放使线性模型的准确率最高提升1.3%，神经网络模型最高提升2.8%。
• 系统成功从大规模玩家历史数据中学习到与情绪波动初期及动量转变相关的细微非线性模式。
• 初步实验表明，可使用贪心算法生成基于动量感知的阵容推荐，无偏方法正在积极开发中。
• Flow应用原型证明了实时动量与情绪波动可视化可行性，通知基于预测的心理状态触发。