Jun, 2024

CUPID：在线MOBA游戏通过再匹配系统提高战斗公平性和位置满意度

HTML
PDF
TL;DR提供了一个名为CUPID的新框架，利用重新匹配实现了职位和队伍的优化分配，从而提高公平性和玩家满意度。在真实MOBA数据集的实验中，CUPID的效果超越所有基准模型，以平均相对改进7.18%的胜率预测准确性。此外，CUPID已经成功应用于一款受欢迎的在线移动MOBA游戏，显著改善了比赛的公平性和玩家满意度。
发现论文，激发创造
  • 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

  • EOMM: 一种优化用户体验的匹配框架

    该论文提出了一种优化玩家参与度的匹配模式，即优化参与度匹配模式（EOMM），并证明了基于公平的匹配不是实现最佳玩家体验的最优解。该研究还表明，EOMM框架能够显著提高玩家参与度，相比于现有的匹配方法。

    Feb, 2017

  • 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

  • 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

  • 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

  • 可解释的团队感知场景推荐：在多人在线战斗竞技游戏中的应用

    本文研究了如何在计时策略视频游戏中使用Transformer神经结构进行基于上下文数据的推荐系统，以在形成团队的上下文中给每个团队成员推荐一组项目。 评估表明，Transformer架构和上下文信息对于获得此项推荐任务的最佳结果是至关重要的。

    Jul, 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

  • 竞技在线射击游戏中的行为玩家评级

    研究比较了行为分级系统和三种主流分级系统对玩家实际表现的预测能力，并证明了使用行为分级系统进行配对可以实现更好的游戏体验。

    Jul, 2022

  • MOBA游戏中有效且可解释的人机协同合作：信息交流角度

    本研究首次尝试通过设计一种有效和可解释的基于元命令通信的框架来促进 MOBA 游戏中的人-代理协作，在荣耀王者中进行的实验结果表明，MCC 代理可以与人类队友合作得相当好，并且甚至可以推广到与不同水平和数量的人类队友进行合作。

    Apr, 2023

  • 识别与聚类PvP游戏中团队组成的反制关系以进行有效的平衡分析

    本研究解决了PvP游戏中平衡量化的问题，开发了两种先进的衡量方法，以超越简单的胜率分析。研究成果表明，该方法有效识别了团队组合的反制关系，显著降低了传统胜值估算的计算复杂性，从而为游戏平衡评估和设计提供了新的见解。

    Aug, 2024