論文の概要: Individualized Context-Aware Tensor Factorization for Online Games Predictions

• arxiv url: http://arxiv.org/abs/2102.11352v1
• Date: Mon, 22 Feb 2021 20:46:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-24 14:01:15.112848
• Title: Individualized Context-Aware Tensor Factorization for Online Games Predictions
• Title（参考訳）: オンラインゲーム予測のための個別コンテキスト認識テンソルファクタリゼーション
• Authors: Julie Jiang, Kristina Lerman, Emilio Ferrara
• Abstract要約: ユーザパフォーマンスとゲーム結果を予測するために,Neural Individualized Context-aware Embeddings(NICE)モデルを提案する。 提案手法は,ユーザとコンテキストの潜在表現を学習することで,異なるコンテキストにおける個人行動の違いを識別する。 我々は,MOBAゲームLeague of Legendsのデータセットを用いて,勝利の予測,個々のユーザパフォーマンス,ユーザエンゲージメントを大幅に改善することを示した。
• 参考スコア（独自算出の注目度）: 6.602875221541352
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Individual behavior and decisions are substantially influenced by their contexts, such as location, environment, and time. Changes along these dimensions can be readily observed in Multiplayer Online Battle Arena games (MOBA), where players face different in-game settings for each match and are subject to frequent game patches. Existing methods utilizing contextual information generalize the effect of a context over the entire population, but contextual information tailored to each individual can be more effective. To achieve this, we present the Neural Individualized Context-aware Embeddings (NICE) model for predicting user performance and game outcomes. Our proposed method identifies individual behavioral differences in different contexts by learning latent representations of users and contexts through non-negative tensor factorization. Using a dataset from the MOBA game League of Legends, we demonstrate that our model substantially improves the prediction of winning outcome, individual user performance, and user engagement.
• Abstract（参考訳）: 個人の行動や決定は、場所、環境、時間といった状況によって大きく影響を受ける。 これらの寸法に沿った変更は、マルチプレイヤーオンラインバトルアリーナゲーム(MOBA)で容易に観察することができ、プレイヤーは各試合の異なるゲーム内設定に直面し、頻繁なゲームパッチの対象となります。 既存の文脈情報を利用した手法は、人口全体に対する文脈の影響を一般化するが、各個人に適した文脈情報の方が効果的である。 これを実現するために、ユーザパフォーマンスとゲーム結果を予測するニューラルパーソナライズドコンテキスト認識埋め込み(NICE)モデルを提案する。 提案手法は,非負のテンソル因子化によるユーザとコンテキストの潜在表現を学習することにより,異なるコンテキストにおける個人的行動差を識別する。 我々は,MOBAゲームLeague of Legendsのデータセットを用いて,勝利の予測,個々のユーザパフォーマンス,ユーザエンゲージメントを大幅に改善することを示した。

関連論文リスト

• Understanding Players as if They Are Talking to the Game in a Customized Language: A Pilot Study [3.4333699338998693]
  本研究は,ゲームイベントシーケンスのモデル化における言語モデル(LM)の適用について検討する。 生イベントデータをテキストシーケンスに変換し、このデータ上でLongformerモデルを事前学習する。 これらの結果から,ゲームデザインやパーソナライズにおける自己監督型LMの可能性を示す。
  論文  参考訳（メタデータ） (2024-10-24T09:59:10Z)
• player2vec: A Language Modeling Approach to Understand Player Behavior in Games [2.2216044069240657]
  過去の行動ログから潜在ユーザ表現を学習する手法は、eコマース、コンテンツストリーミング、その他の設定におけるレコメンデーションタスクの注目を集めている。 本稿では,長距離トランスフォーマーモデルをプレイヤーの行動データに拡張することで,この制限を克服する新しい手法を提案する。 ゲームにおける行動追跡の具体性について議論し,文中の単語に類似した方法でゲーム内イベントを視聴することで,前処理とトークン化のアプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-05T17:29:47Z)
• "Can You Play Anything Else?" Understanding Play Style Flexibility in League of Legends [54.60542351417308]
  各プレイヤーの柔軟性を総合的柔軟性と時間的柔軟性の2つの尺度で計算する。 以上の結果から,ユーザの柔軟性はユーザの好みのプレイスタイルに依存し,柔軟性は結果に一致することが示唆された。
  論文  参考訳（メタデータ） (2024-02-08T17:57:03Z)
• All by Myself: Learning Individualized Competitive Behaviour with a Contrastive Reinforcement Learning optimization [57.615269148301515]
  競争ゲームのシナリオでは、エージェントのセットは、彼らの目標を最大化し、敵の目標を同時に最小化する決定を学習する必要があります。 本稿では,競争ゲームの表現を学習し,特定の相手の戦略をどうマップするか,それらを破壊するかを学習する3つのニューラルネットワーク層からなる新しいモデルを提案する。 我々の実験は、オフライン、オンライン、競争特化モデル、特に同じ対戦相手と複数回対戦した場合に、我々のモデルがより良いパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2023-10-02T08:11:07Z)
• Modeling Player Personality Factors from In-Game Behavior and Affective Expression [17.01727448431269]
  我々は,記録されたゲーム内行動から,一連のプレイヤパーソナリティアンケート値を予測する可能性を探る。 ロールプレイングゲーム『Fallout: New Vegas』のカスタマイズ版を60分間のゲームプレイで62人を対象に,定評ある7つの質問紙から,さまざまなパーソナリティ指標を予測した。
  論文  参考訳（メタデータ） (2023-08-27T22:59:08Z)
• Graph Neural Networks to Predict Sports Outcomes [0.0]
  スポーツに依存しないグラフによるゲーム状態の表現を導入する。 次に、提案したグラフ表現をグラフニューラルネットワークの入力として使用し、スポーツ結果を予測する。
  論文  参考訳（メタデータ） (2022-07-28T14:45:02Z)
• Modeling Content Creator Incentives on Algorithm-Curated Platforms [76.53541575455978]
  本研究では,アルゴリズムの選択が露出ゲームにおける(ナッシュ)平衡の存在と性格にどのように影響するかを検討する。 本研究では、露出ゲームにおける平衡を数値的に見つけるためのツールを提案し、MovieLensとLastFMデータセットの監査結果を示す。
  論文  参考訳（メタデータ） (2022-06-27T08:16:59Z)
• Player Modeling using Behavioral Signals in Competitive Online Games [4.168733556014873]
  本稿では,マッチング作成のためのプレイヤーのモデリングにおいて,演奏行動の異なる側面に対処することの重要性に焦点をあてる。 75,000以上のバトルロイヤルマッチのデータセットからいくつかの行動特性を設計し、プレイヤーモデルを作成しました。 次に、作成したモデルを使用して、データ内のさまざまなプレイヤーのグループのランクを予測します。
  論文  参考訳（メタデータ） (2021-11-29T22:53:17Z)
• Pick Your Battles: Interaction Graphs as Population-Level Objectives for Strategic Diversity [49.68758494467258]
  我々は、集団内の個人がどのように相互作用するかを慎重に構造化することで、多様なエージェントの集団を構築する方法について研究する。 我々のアプローチは,エージェント間の情報の流れを制御するインタラクショングラフに基づいている。 マルチエージェント・トレーニングにおける多様性の重要性を証明し,様々な相互作用グラフを適用したゲームにおけるトレーニング・トラジェクトリ,多様性,パフォーマンスに与える影響を解析する。
  論文  参考訳（メタデータ） (2021-10-08T11:29:52Z)
• Contextual Games: Multi-Agent Learning with Side Information [57.76996806603094]
  各ラウンドでコンテキスト情報によって駆動されるコンテキストゲームの新しいクラスを定式化する。 カーネルベースの規則性仮定を用いて、異なるコンテキストとゲーム結果の相関関係をモデル化する。 本研究では,個々のプレイヤーの文脈的後悔を最小限に抑えるために,そのような相関を利用した新しいオンライン(メタ)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-07-13T18:37:37Z)
• Towards Universal Representation Learning for Deep Face Recognition [106.21744671876704]
  対象のドメイン知識を活用せずに、与えられたトレーニングデータに見つからない大きな変化に対処できる普遍的な表現学習フレームワークを提案する。 実験により,LFW や MegaFace などの一般的な顔認識データセットにおいて,本手法が最高性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-02-26T23:29:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。