Dec, 2022

如何利用游戏日志提升深度本地化层面分析

PDF
TL;DR本文提出了一种使用深度卷积神经网络来预测玩家体验的新方法，并通过游戏事件日志训练加上局部层次结构信息来实现情感预测的改进，试验结果表明我们的方法在预测玩家体验方面优于以往研究，并证明了在缺乏日志文件的情况下，通过训练进行跨领域玩家建模的实用性。
player modellingaffect predictiondeep convolutional neural networkgame event logscross-domain player modelling
发现论文，激发创造
  • player2vec：基于语言模型的游戏玩家行为理解方法

    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

  • 游戏中基于深度学习和参数模型的客户生命周期价值

    该研究利用深度神经网络方式进行视频游戏内最高消费者（whales）的人群预测和经济价值分析，通过比较使用 Pareto/NBD 思想的建模方式，表明使用卷积神经网络标准结构预测最为准确，特别适用于大规模数据集。

    Nov, 2018

  • 日志分析的活跃元学习器

    本研究提出了一种基于深度学习模型的日志分析方法，旨在提高系统和网络安全韧性，能够学习和改进自身，识别异常日志条目并忽略错误报警。

    Mar, 2022

  • 学习混合计算机游戏关卡

    本文提出了一种无监督融合不同游戏概念生成新的计算机游戏关卡的方法，主要贡献在于引入类比推理过程，以构建从游戏视频中学习的不同层级设计模型之间的融合模型，并通过证明在超级马里奥兄弟游戏中表现出的风格化水平设计知识的方式，演示了我们的系统说明了由人类专家设计者融合的游戏关卡。

    Mar, 2016

  • 大型语言模型生成游戏关卡

    本文探讨了使用大型语言模型 (LLMs) 生成 Sokoban 游戏关卡的可行性及效果，发现 LLMs 能够生成关卡，且其性能随数据集规模的提高而显著提高。同时，文章也介绍了控制 LLMs 关卡生成器的初步实验结果，并探讨了未来研究的有 promising 的方向。

    Feb, 2023

  • 机器学习辅助下的协同创作级别设计

    本文介绍了一个通过 PLGML 代理进行共创级别设计的框架，并通过用户研究和比较研究的结果来支持该框架。

    Sep, 2018

  • 利用学习到的关卡表示进行游戏关卡融合

    本文提出一种新的游戏水平融合方法，利用聚类的瓷砖嵌入技术作为无注释游戏的水平表示，将其应用于经典的任天堂游戏 Lode Runner 和 The Legend of Zelda，比较其在混合任务中的表现。

    Jun, 2023

  • 利用深度卷积生成对抗网络的潜在空间演化马里奥关卡

    本论文使用对抗生成网络 (GANs) 和协方差矩阵自适应进化策略 (CMA-ES) 生成了大量类似原始语料库中的 Super Mario Bros 的电子游戏层级，并使用各种适应性函数发现了专家所设计示例空间内存在的层级，并引导搜索满足一个或多个指定目标的层级。

    May, 2018

  • 友人、合作伙伴、学生、经理：人工智能驱动游戏关卡编辑器的设计如何影响创作者

    本文介绍了一个名为 Morai Maker 的基于超级马里奥兄弟风格游戏的 AI 智能设计工具，并通过两个混合方法研究总共超过 100 名参与者来讨论 AI 在创造过程中的作用及与人的合作方式。研究发现，设计师对与 AI 的交互和作用的期望存在差异，AI 使得设计师改变设计方式，设计师认为 AI 在其设计实践中具有潜在价值。

    Jan, 2019

  • 利用游戏视频进行联合级别生成和翻译

    通过利用人类注释的游戏玩法视频，实现一种多重尾部框架，该框架学习执行同时水平转换和生成的任务，具有在 Level 传输中提高总体性能的潜力，并展示未来版本泛化到未见过游戏的可能性。

    Jun, 2023