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

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

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

JueWu-SL 是第一个在多人在线战略游戏中通过监督学习实现人类水平表现的 AI 程序，通过对宏观战略和微管理进行端到端的神经网络整合，经过 Honor of Kings 的测试，在标准的 5v5 游戏中表现出和高王段位选手的竞争水平。

Nov, 2020

本研究提出了一种新的基于学习的分层宏观策略模型，用于掌握 MOBA 游戏，包括实现宏观策略决策和微观水平执行，每个代理人可以独立做出策略决策，并通过模拟跨代理人通信机制与盟友进行通信。在评估中，我们的 5 个 AI 团队在一种流行的 5v5 MOBA 游戏中取得了 48％的胜率，这些人类玩家团队在玩家排名系统中排名前 1％。

Dec, 2018

本文提出了一种新颖的分层强化学习模型，通过模仿学习从事宏观策略，并通过强化学习进行微观操作，以应对多人在线战斗竞技游戏 (MOBA) 中包含的大量状态空间、动作空间和隐藏信息，并且该模型在缺乏游戏引擎或 API 的情况下，还设计了一种密集的奖励函数来鼓励多个智能体合作。实验结果表明该方法能够在 MOBA 游戏中获得优异表现，如在王者荣耀 5v5 模式中成功与内置 AI 进行战斗且胜率达到 100%。

Jan, 2019

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

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

该研究提出了一种基于 MOBA 电子竞技的实时战绩数据集和 Two-Stage Spatial-Temporal Network (TSSTN) 网络，旨在实现精确的比赛结果预测和预测结果的可解释性。实验结果表明，该网络在预测准确性和可解释性方面都很有效。

Aug, 2020

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。

Feb, 2017