May, 2023

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

PDF
TL;DR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。
esports analyticscharacter representationclustering techniquesneural networkgame design
发现论文，激发创造
  • 大规模数据集上的电子竞技数据即时解说生成

    本研究提出了一项从结构化数据记录中生成游戏评论的任务，利用一种大规模的电子竞技数据集和多种基线编码器 - 解码器模型以及一种层次模型来生成各个层面的比赛评论，结果表明层次模型优势明显，并且揭示了几个新任务带来的挑战。

    Dec, 2022

  • 实时电竞比赛结果预测

    本文提出了多种模型，使用赛前个人数据和实时数据对多人电子竞技游戏 Dota 2 中比赛获胜队伍进行预测，其中包括逻辑回归，属性序列模型，以及它们的组合，实验表明，添加赛前和实时的特征信息可以将精度从 58.69% 提高至 71.49% 和 93.73%。

    Dec, 2016

  • 反恐精英：全球攻势中玩家行动的价值评估

    通过引入一个数据模型和一个图形距离度量方法以及一个上下文感知框架基于团队赢球机会变化来评估球员的价值，我们解决了评估 Counter-Strike: Global Offensive (CSGO) 玩家的难题，并证明了该框架与现有框架的一致性和独立性，同时提供了高影响力游戏识别和不确定性估计的用例。

    Nov, 2020

  • 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

  • 移动拼图游戏中的困难建模：基于玩家分析和模拟数据的不同方法的实证研究

    游戏开发中，难度是玩家参与度的关键因素之一，本文通过模拟数据和队伍统计数据训练的人工神经网络是最准确的难度评估方法。

    Jan, 2024

  • 英雄联盟：实时比赛结果预测

    使用机器学习技术对电子游戏《英雄联盟》（LoL）比赛结果进行预测的研究，采用未发布的数据作为预测过程的基础，研究结果有助于提高玩家策略和相关博彩行业的效益。

    Sep, 2023

  • 利用多模态机器学习评估在线游戏技能的研究：以 CS:GO 为例

    在线流媒体对游戏技能进行评估是一个重要任务，以帮助发现有才华的玩家，该研究通过清理数据集和提出多模态机器学习模型的变体来解决这一问题，同时发现了模型容易识别用户而不是学习有意义的表示的问题。

    Jul, 2023

  • 游戏化学习环境中学生表现建模

    研究了基于游戏的学习在教育游戏 “Jo Wilder and the Capitol Case” 中的应用，使用 K-Nearest Neighbors (KNN)、Multi-Layer Perceptron (MLP) 和 Random Forest 等机器学习模型预测学生表现，通过适当的数据预处理技术提高非深度学习模型的性能，提供优化教育游戏体验的见解，以促进学生成果和技能发展。

    Sep, 2023

  • 使用长短期记忆网络预测电子游戏结果

    我们的研究旨在通过引入实时方法预测获胜来增强电子竞技比赛的观众参与度。我们的基于长短期记忆网络（LSTM）的方法通过仅使用每个玩家的健康指标作为时间序列，实现了高效的胜负结果预测。我们以经典的两人对战街头霸王 II Turbo 为例，评估了我们模型在此游戏中的表现，并与流行的时间序列预测方法进行了对比。最后，我们公开了数据集和代码，以期促进对街机游戏的预测性分析进一步的研究。

    Feb, 2024

  • 多人在线竞技场中的玩家技能分解

    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