論文の概要: Sequential Item Recommendation in the MOBA Game Dota 2

• arxiv url: http://arxiv.org/abs/2201.08724v1
• Date: Mon, 17 Jan 2022 14:19:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-30 11:37:04.453662
• Title: Sequential Item Recommendation in the MOBA Game Dota 2
• Title（参考訳）: MOBAゲームDota 2における逐次項目推薦
• Authors: Alexander Dallmann, Johannes Kohlmann, Daniel Zoller and Andreas Hotho
• Abstract要約: 本研究では,Dota 2における購入勧告の文脈における逐次項目推薦(SIR)モデルの適用可能性について検討する。 以上の結果から,購入順序を考慮したモデルが最も有効であることが示唆された。 他のドメインとは対照的に、我々は最新のTransformerベースのアーキテクチャをDota-350kで上回るRNNベースのモデルを見つけました。
• 参考スコア（独自算出の注目度）: 64.8963467704218
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiplayer Online Battle Arena (MOBA) games such as Dota 2 attract hundreds of thousands of players every year. Despite the large player base, it is still important to attract new players to prevent the community of a game from becoming inactive. Entering MOBA games is, however, often demanding, requiring the player to learn numerous skills at once. An important factor of success is buying the correct items which forms a complex task depending on various in-game factors such as already purchased items, the team composition, or available resources. A recommendation system can support players by reducing the mental effort required to choose a suitable item, helping, e.g., newer players or players returning to the game after a longer break, to focus on other aspects of the game. Since Sequential Item Recommendation (SIR) has proven to be effective in various domains (e.g. e-commerce, movie recommendation or playlist continuation), we explore the applicability of well-known SIR models in the context of purchase recommendations in Dota 2. To facilitate this research, we collect, analyze and publish Dota-350k, a new large dataset based on recent Dota 2 matches. We find that SIR models can be employed effectively for item recommendation in Dota 2. Our results show that models that consider the order of purchases are the most effective. In contrast to other domains, we find RNN-based models to outperform the more recent Transformer-based architectures on Dota-350k.
• Abstract（参考訳）: Dota 2のようなマルチプレイヤーオンラインバトルアリーナ(MOBA)ゲームは毎年何十万人ものプレイヤーを惹きつけている。 大きなプレイヤー基盤にもかかわらず、ゲームのコミュニティが不活発になることを防ぐために新しいプレイヤーを引き付けることが依然として重要である。 しかし、MOBAゲームに参加することはしばしば要求され、プレイヤーは一度に多くのスキルを学ぶ必要がある。 成功の重要な要因は、既に購入したアイテムやチーム構成、利用可能なリソースなど、ゲーム内要因によって複雑なタスクを形成する正しいアイテムを購入することです。 推奨システムは、適切なアイテムを選択するのに必要な精神的労力を削減し、例えば、より長い休憩後にゲームに戻る新しいプレイヤーまたはプレイヤーが、ゲームの他の側面に集中するのを助けることで、プレイヤーを支援することができる。 シークエンシャルアイテムレコメンデーション(SIR)は、様々なドメイン(eコマース、映画レコメンデーション、プレイリスト継続など)で有効であることが証明されているため、Dota 2における購入レコメンデーションの文脈において、よく知られたSIRモデルの適用性について検討する。 この研究を容易にするために、最近のdota 2マッチに基づく新しい大規模データセットであるdota-350kを収集、分析、公開する。 Dota 2では、SIRモデルをアイテムレコメンデーションに効果的に利用することができる。 その結果,購入順序を考慮したモデルが最も効果的であることが判明した。 他のドメインとは対照的に、我々は最新のTransformerベースのアーキテクチャをDota-350kで上回るRNNベースのモデルを見つけました。

関連論文リスト

• People use fast, goal-directed simulation to reason about novel games [75.25089384921557]
  我々は,シンプルだが斬新なコネクテッドnスタイルのボードゲームについて,人々がどう考えるかを研究する。 ゲームがどんなに公平か、そしてどんなに楽しいのかを、ごくわずかな経験から判断するよう、私たちは人々に求めます。
  論文  参考訳（メタデータ） (2024-07-19T07:59:04Z)
• Improving Language Model Negotiation with Self-Play and In-Context Learning from AI Feedback [97.54519989641388]
  交渉ゲームにおいて,複数大言語モデル(LLM)が,遊び,振り返り,批判によって自律的に互いに改善できるかどうかを検討する。 私たちが考慮している言語モデルのサブセットだけが、AIフィードバックから自己プレイし、取引価格を改善することができます。
  論文  参考訳（メタデータ） (2023-05-17T11:55:32Z)
• GCN-WP -- Semi-Supervised Graph Convolutional Networks for Win Prediction in Esports [84.55775845090542]
  本稿では,グラフ畳み込みネットワークに基づくエスポートに対する半教師付き勝利予測モデルを提案する。 GCN-WPはマッチとプレーヤに関する30以上の機能を統合し、近隣のゲームを分類するためにグラフ畳み込みを使用している。 本モデルは,LLの機械学習やスキル評価モデルと比較して,最先端の予測精度を実現する。
  論文  参考訳（メタデータ） (2022-07-26T21:38:07Z)
• Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
  チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。 提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。 次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
  論文  参考訳（メタデータ） (2022-03-10T02:37:39Z)
• Optimal Team Economic Decisions in Counter-Strike [0.0]
  ゲームレベルの勝利確率モデルを導入し、与えられたラウンドの開始時にチームがゲームに勝つ確率を予測する。 勝利確率モデルを用いて,重要なゲームシナリオに対する最適なチーム支出決定について検討する。 最後に、最適な支出決定が予想される最適支出決定にどの程度近づいたかによってチームをランク付けするために、測定基準である"Optimal Spending Error"(OSE)を導入します。
  論文  参考訳（メタデータ） (2021-09-20T15:16:36Z)
• The Dota 2 Bot Competition [0.0]
  本稿では、Dota 2 BotコンペティションとそれをサポートするDota 2 AIフレームワークについて詳しく説明します。 この挑戦はmobisとai/ciの両方のゲームコンペに参加し、参加者にmoba textit defense of the ancients 2(dota2)のaiコントローラーを1v1でプレイするよう促す。
  論文  参考訳（メタデータ） (2021-03-04T10:49:47Z)
• Towards Playing Full MOBA Games with Deep Reinforcement Learning [34.153341961273554]
  MOBAゲーム(Honor of Kings、League of Legends、Dota 2など)はAIシステムに大きな課題をもたらす。 そこで本研究では,MOBAAI学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-11-25T12:52:33Z)
• Content Based Player and Game Interaction Model for Game Recommendation in the Cold Start setting [3.249853429482705]
  本稿では、新しいゲーム、新しいプレイヤー、新しいゲームとプレイヤーの両方に同時に一般化するコンテンツベースインタラクションモデルを提案する。 これらの課題において,これらのモデルは協調フィルタリングよりも優れており,現実のゲームレコメンデーションに有用である。
  論文  参考訳（メタデータ） (2020-09-11T11:10:49Z)
• Interpretable Contextual Team-aware Item Recommendation: Application in Multiplayer Online Battle Arena Games [1.995792341399967]
  本研究では,Transformer ニューラルアーキテクチャに基づくコンテキストレコメンデータモデル TTIR を開発する。 評価の結果,Transformer アーキテクチャとコンテキスト情報の両方が最適な結果を得るために不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2020-07-30T05:17:28Z)
• Neural MMO v1.3: A Massively Multiagent Game Environment for Training and Evaluating Neural Networks [48.5733173329785]
  本稿では,MMOにインスパイアされたマルチエージェントゲーム環境であるNeural MMOを紹介する。 分散インフラストラクチャとゲームIOという,AI研究のためのマルチエージェントシステムエンジニアリングにおける,より一般的な2つの課題について論じる。
  論文  参考訳（メタデータ） (2020-01-31T18:50:02Z)

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。