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

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

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

本文旨在分析和提出可扩展的算法，以计算正常形式和广义形式下对量化对手的有效和稳健策略，通过对量化对手的剥削，定义了两种解决方案，分析了它们的特性，并证明了计算这些解决方案是计算上困难的，因此我们评估了几种基于可扩展的对偶后悔最小化的启发式近似方法，并且鉴别了比先前使用的变体更好地利用有界对手的CFR变体，同时被最坏情况的完全理性对手所利用。

Sep, 2020

本研究使用不同的游戏空间比较多人桌面游戏的特征，并通过Monte Carlo Tree Search算法优化参数获取了最具可解释性的空间，同时发现游戏树属性定义的空间与实际结果不相符。此外，在通过原始特征将游戏分类为两类时没有发现玩家数量对游戏特征的影响。

Feb, 2022

本文提出了一种基于PCGRL框架的自动平衡的方法，其架构包括三个部分：关卡生成器，平衡代理以及奖励模型仿真，并且使用新颖的基于交换的表示法，该方法能够比普通的PCGRL更好更快地教授代理修改关卡以进行平衡。

Jun, 2023

本研究提出了一个新的游戏模拟器——RaidEnv，并在其中设计了两个基准测试，以解决自动游戏平衡中的两个开放性问题，并引入了两个评估指标，为自动游戏平衡的AI提供指导，该创新性的游戏研究平台扩展了自动游戏平衡问题的前沿，并提供了一个在现实游戏生产流程中的框架。

Jul, 2023

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。

Jun, 2024

本研究解决了游戏开发者在平衡调整中面临的预测困难，通过提出一种基于强化学习的元发现框架来自动测试平衡变化。研究表明，该框架能够高精度预测《宝可梦对战》中的平衡变化结果，为开发者提供更科学的平衡决策支持。

Sep, 2024