Feb, 2017

多人在线竞技场中的玩家技能分解

PDF
TL;DR通过使用不同的技能预测模型，该研究分解了 MOBA 游戏玩家技能并将其影响以统计术语评估，发现在 LOL 中，游戏人物的基本技能、玩家的基本技能和玩家特定的技能是影响赛果的三个主要技能组成部分，而 DOTA2 的赛果主要受游戏角色的基本技能影响，而不会很受其他两种技能影响。
player skillsvideo gamesskill decompositionmobastatistical analysis
发现论文，激发创造
  • MOBA-Slice: 基于时间片的 MOBA 游戏团队相对优势评估框架

    本研究提出了基于时间片的 MOBA 游戏队伍相对优势评估框架 MOBA-Slice，并将其应用到 Dota2 中，通过神经网络建模及数据实验验证了其在目标检测以及剩余游戏时间预测方面的优越性。

    Jul, 2018

  • 在线多人游戏的玩家行为和最佳团队构成

    该研究考虑通过聚类玩家行为和学习最佳团队组合来预测多人在线游戏中的胜负结果，使用无监督学习找到行为聚类，并使用分类算法学习预测器，结果可以用来预测相当高的准确率。

    Mar, 2015

  • 在线游戏中人类行为模式挖掘的非负张量分解

    本研究使用非负张量分解技术，分析 League of Legends 游戏中 1000 名玩家约 10 万场比赛的游戏历史，以及他们的游戏策略和技能提高过程，从而发现隐藏的相关行为模式。

    Feb, 2017

  • 虚拟团队设计与绩效中的熟练度一致性困境：多人在线游戏

    采用混合研究方法，本研究以《英雄联盟》中的 3.36 万用户为数据来源，研究用户在设计游戏角色团队时的技能和协同性考虑，我们发现在设计团队时，用户的技能优势对于团队的表现具有更大的影响。

    Dec, 2015

  • MOBA：游戏人工智能的新战场

    本文探讨了在 MOBA 游戏中使用人工智能进行游戏研究的主要特征和机会，并提出了一种离散模型，以更好地理解和探索游戏，以此来鼓励 MOBA 作为新的游戏人工智能研究平台的使用。

    May, 2017

  • 突破元数据：利用游戏设计参数进行独立于版本的电子竞技分析

    本文通过从游戏设计 (即补丁说明) 中提取信息，并利用聚类技术提出了一种新的角色表示形式，然后以 Dota 2 比赛中击杀数量预测为案例研究，训练了一个神经网络模型，该模型使用这种新的角色表示技术，表现显著超过了两种不同的基线方法，同时还在引入一种新角色和一种全新角色类型的游戏的两个更新版本中保持了准确性。提出的角色表示方法可以提高机器学习模型的生命周期，并在与文献中通常使用的传统技术相比，有助于提高性能。

    May, 2023

  • 使用深度强化学习玩完整的 MOBA 游戏

    提出了一种 MOBA 游戏 AI 学习范式，采用深度强化学习及新型学习技术，可训练玩家池多的游戏并解决了可扩展性问题，测试结果表明该 AI 在王者荣耀等游戏中已能击败顶尖电竞选手。

    Nov, 2020

  • DraftRec：面向多人在线战斗竞技游戏的个性化选秀推荐

    本文提出了一个针对多人在线战斗竞技游戏（MOBA Games）的个性化角色推荐系统，通过使用 DraftRec 模型的玩家网络和比赛网络来评估每个玩家的冠军偏好和玩家之间的互动，该模型在 LOL 和 Dota2 的数据集上实现了业界领先的角色推荐和比赛结果预测任务。

    Apr, 2022

  • 使用深度强化学习掌握 MOBA 游戏中的复杂控制

    本文提出了一种深度强化学习框架，从系统和算法两个角度来解决 Multi-player Online Battle Arena（MOBA）1v1 游戏中复杂动作控制的问题，通过包括控制依赖解耦、动作遮罩、目标注意力和双剪辑 PPO 等多种新颖策略，训练出可以在 MOBA 游戏王者荣耀中打败顶级人类选手的 AI 代理 Tencent Solo。

    Dec, 2019

  • 制定艺术：面向团队的多人在线战斗竞技游戏英雄推荐系统

    本文提出了一种新的英雄推荐系统，通过模拟两个团队之间的 “英雄选择” 为组合游戏，并使用 Monte Carlo 树搜索来估计英雄组合的价值，从而最大化团队获胜的可能性。实证结果表明，通过我们的推荐算法构建的英雄团队与基准算法和现有技术策略构建的团队相比具有显着更高的胜率。

    Jun, 2018