本文提出了一种通过生成 player 模型，利用叫做 procedual personas 的原型 player 模型实现自动游戏内容测试的方法，该模型基于心理决策理论，通过使用进化计算开发的节点选择标准来替换 MCTS 的标准 UCB1 标准。我们在多种游戏水平中演示了这些人物的应用，并展示了不同的玩法风格如何在每个水平中表现。总之，我们使用人工智能人物来构建合成游戏测试人员。该方法可用作自动游戏测试工具，在人类反馈不可用或需要快速可视化潜在互动时使用。可能的应用包括游戏开发期间的交互式工具或需在短时间内进行许多评估的程序性内容生成系统。

Feb, 2018

本研究考虑将行为规则、奖励和人类示范化为生成 AI 代理即程序化人物角色，以模拟人类玩家的游戏体验，通过 Go-Explore 强化学习方法来训练人类化的代理，其结果显示生成的代理呈现出人类玩家的不同游戏风格和体验响应，同时对玩家体验的考虑，能够更好地推动行为探索。

Aug, 2022

通过分析游戏行为和个性问卷，我们探索了从记录的游戏行为中预测玩家的个人特质问卷指标的可能性，并尝试通过添加情感对话决策来提高模型的准确性。我们使用随机森林回归方法，在定制化的角色扮演游戏《辐射：新维加斯》的 60 分钟游戏时间内，从 62 位玩家的数据中预测了七个已建立的个性问卷的多种指标。尽管一些个性变量可以从合理的游戏行为和情感表达中识别出来，但我们未能找到预测其他变量的方法，也遇到了一些不能通过理论背景文献来解释的可疑相关性。然而，基于这个探索性研究的初步机会，我们计划大规模扩展我们的数据集，研究更复杂的机器学习方法在真实工业游戏环境中的表现。

Aug, 2023

本文提出使用自动规划代理来模拟不同技能水平的人来生成游戏过程，并从中收集指标以评估当前的游戏设计并确定其潜在缺陷。本文以 Scrabble 和 Cardonomicon 为案例，展示了使用模拟代理来模拟人类玩家如何从游戏中提取度量（在 Scrabble 的情况下）以及突出设计缺陷（在 Cardonomicon 的情况下）。

Aug, 2019

提出了两种反映演员与角色关系的任务：演员选角预测和演员多才度排名，并提出了一种将演员、电影、角色、类型和描述性关键词嵌入为高斯分布和翻译向量的技术，表明自动识别的人物主题能够在这两个任务上显著提高演员模型的性能。

Apr, 2018

通过增加奖励机制，使用强化学习方法来提高响应与用户角色特征事实之间的一致性，从而促进神经模型的响应生成能力。

Apr, 2020

本文提出了一个新任务 ——Response Forecasting on Personas for News Media，并创建了一个包含 13,357 条回复的数据集，以预测不同人物或人群对新闻事件的不同响应，其中任务除了预测评论的情感极性和强度外，还引入了个性化因素，利用最新的神经语言模型进行研究，分析结果表明，加入人物特征有助于预测响应的所有维度，同时该任务的制定还能够应用于社交网络分析中的极端意见群体讨论等多种有趣应用。

May, 2023

该论文提出了一种新的检索到预测范例来解决个性化聊天机器人中 OOP 问题，并通过采用实际人物进行后验转换来进一步缓解训练和推理之间的差距。并通过 IT-ConvAI2 和 ConvAI2 的广泛实验表明，我们提出的模型在自动指标和人类评估方面都取得了可观的改进。

Aug, 2022

本文提出了一个基于个人化的情感支持框架，结合了情感对话模型和基于策略的可控生成方法，可根据寻求者的个人信息提供个性化的情感支持，该框架实验结果表明 PAL 模型胜过其他基准模型。

Dec, 2022

通过将自然语言处理领域的长程 Transformer 模型应用到玩家行为数据中，我们提出了一种克服游戏领域中历史行为日志学习潜在用户表示的方法，在缺乏标记数据的情况下，通过将游戏中的事件与句子中的单词类比，从而实现以自我监督方式学习玩家表示，并通过评估内在语言建模指标证明了所提方法的效果，并定性分析了学习嵌入空间的新结构，并展示其在生成行为模式见解上的价值。

Apr, 2024