[论文解读] The Art of Drafting: A Team-Oriented Hero Recommendation System for Multiplayer Online Battle Arena Games

Zhengxing Chen, Truong-Huy D. Nguyen+5 more|arXiv (Cornell University)|Jun 26, 2018

Artificial Intelligence in Games参考文献 28被引用 11

一句话总结

本文提出了一种面向多人在线战斗竞技场（MOBA）游戏的团队导向英雄推荐系统，采用蒙特卡洛树搜索（MCTS）优化英雄选择，基于英雄之间的协同与对抗关系。该系统将选人过程建模为组合博弈，并通过仿真证明，基于MCTS的推荐显著优于基线方法，在面对强敌时预测胜率最高可达62.7%。

ABSTRACT

Multiplayer Online Battle Arena (MOBA) games have received increasing popularity recently. In a match of such games, players compete in two teams of five, each controlling an in-game avatars, known as heroes, selected from a roster of more than 100. The selection of heroes, also known as pick or draft, takes place before the match starts and alternates between the two teams until each player has selected one hero. Heroes are designed with different strengths and weaknesses to promote team cooperation in a game. Intuitively, heroes in a strong team should complement each other's strengths and suppressing those of opponents. Hero drafting is therefore a challenging problem due to the complex hero-to-hero relationships to consider. In this paper, we propose a novel hero recommendation system that suggests heroes to add to an existing team while maximizing the team's prospect for victory. To that end, we model the drafting between two teams as a combinatorial game and use Monte Carlo Tree Search (MCTS) for estimating the values of hero combinations. Our empirical evaluation shows that hero teams drafted by our recommendation algorithm have significantly higher win rate against teams constructed by other baseline and state-of-the-art strategies.

研究动机与目标

• 为解决MOBA游戏中选择最优英雄阵容的挑战，其中英雄选择需与队友协同并针对对手进行克制。
• 通过数据驱动的推荐提升选人质量，减少玩家挫败感与负面情绪。
• 将选人过程建模为具有完美信息的顺序性、双人、零和组合博弈。
• 开发一种可扩展的推荐系统，高效探索可能的英雄组合庞大搜索空间。
• 通过基于仿真的实验，在真实选人规则下评估系统性能与现有基线方法的对比。

提出的方法

• 将选人过程形式化为组合博弈，包含状态、动作（选择与禁用）以及基于预测胜率的奖励函数。
• 采用改进的UCT（上限置信区间应用于树）算法执行蒙特卡洛树搜索，实现对英雄组合的高效探索。
• 奖励函数使用训练好的预测器估算团队胜率，将被禁用的英雄视为终端状态中的零值组件。
• 算法通过选择频率加权采样与反向传播机制，在多次仿真中逐步优化动作价值。
• 系统支持All Ranked与Captain Mode两种选人规则，采用向量表示动态状态，其中值为1（Radiant选择）、-1（Dire选择）、Ξ（被禁用）或0（未选择）。
• MCTS框架在每一轮迭代中选择下一个最优英雄选择，且在足够计算资源下可保证收敛。

实验结果

研究问题

• RQ1 基于仿真的MCTS方法能否有效推荐最大化团队胜率的英雄选择？
• RQ2 与随机选人（RD）、自适应响应（AR）和最高胜率（HWR）等基线策略相比，MCTS推荐策略的性能如何？
• RQ3 在更复杂的选人规则（如Captain Mode）下，MCTS系统是否仍能保持或提升性能？
• RQ4 与启发式或静态胜率选择相比，基于仿真的规划如何增强战略深度？
• RQ5 参数调优（如探索常数c）对系统预测准确率与胜率的影响如何？

主要发现

• 基于UCT的推荐系统在Captain Mode下对HWR基线的预测胜率达到62.7%，高于其在All Ranked模式下的61.1%胜率。
• UCT策略在所有基线中表现一致更优，其中UCT1600,2−1在两种选人规则下均表现最强。
• 在Captain Mode下，MCTS策略相比基线的胜率提升达1–3个百分点（绝对值），凸显深度规划的优势。
• 系统保持了较低的计算开销，每步选择的平均耗时与All Ranked仿真相比几乎无增加。
• MCTS算法表现出收敛性，能趋近最优选择，且在足够计算资源下具有理论保证的性能提升。
• 结果证实，基于MCTS的仿真搜索能有效探索复杂的英雄互动空间，显著提升团队阵容质量。