論文の概要: Personalized Game Difficulty Prediction Using Factorization Machines
- arxiv url: http://arxiv.org/abs/2209.13495v1
- Date: Tue, 6 Sep 2022 08:03:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 23:59:16.768525
- Title: Personalized Game Difficulty Prediction Using Factorization Machines
- Title（参考訳）: ファクトリゼーションマシンを用いたパーソナライズされたゲーム障害予測
- Authors: Jeppe Theiss Kristensen, Christian Guckelsberger, Paolo Burelli,
Perttu H\"am\"al\"ainen
- Abstract要約: コンテンツレコメンデーションからの手法を借りて,ゲームレベルのパーソナライズした難易度推定に寄与する。
我々は、プレイヤーが将来のゲームレベルを通過させるのに必要な試行回数と、他のプレイヤーがプレイする以前のレベルの試行回数に基づいて、難易度を予測することができる。
この結果から,FMはゲームデザイナーがプレイヤー体験を最適化し,プレイヤーとゲームについてより深く学ぶことができる,有望なツールであることが示唆された。
- 参考スコア（独自算出の注目度）: 0.9558392439655011
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The accurate and personalized estimation of task difficulty provides many
opportunities for optimizing user experience. However, user diversity makes
such difficulty estimation hard, in that empirical measurements from some user
sample do not necessarily generalize to others. In this paper, we contribute a
new approach for personalized difficulty estimation of game levels, borrowing
methods from content recommendation. Using factorization machines (FM) on a
large dataset from a commercial puzzle game, we are able to predict difficulty
as the number of attempts a player requires to pass future game levels, based
on observed attempt counts from earlier levels and levels played by others. In
addition to performance and scalability, FMs offer the benefit that the learned
latent variable model can be used to study the characteristics of both players
and game levels that contribute to difficulty. We compare the approach to a
simple non-personalized baseline and a personalized prediction using Random
Forests. Our results suggest that FMs are a promising tool enabling game
designers to both optimize player experience and learn more about their players
and the game.
- Abstract（参考訳）: タスクの難しさの正確かつパーソナライズされた推定は、ユーザエクスペリエンスを最適化する多くの機会を提供する。
しかし、ユーザの多様性は、ユーザサンプルからの実証的な測定が必ずしも他のサンプルに一般化するとは限らないため、そのような予測を難しくする。
本稿では,ゲームレベルをパーソナライズした難易度推定手法として,コンテンツレコメンデーションからの借用法を提案する。
商用パズルゲームからの大規模データセット上での因子化マシン(fm)を利用することで、プレイヤーが将来のゲームレベルをパスするために必要となる試行回数と、他のプレイヤーがプレイするレベルから観察した試行回数に基づいて、難易度を予測できる。
FMは、性能とスケーラビリティに加えて、学習した潜在変数モデルを使用して、難易度に寄与するプレイヤーとゲームレベルの両方の特性を研究する利点を提供する。
このアプローチを,単純な非人格ベースラインとランダムフォレストを用いたパーソナライズ予測と比較した。
この結果から,FMはゲームデザイナーがプレイヤー体験を最適化し,プレイヤーとゲームについてより深く学習できる有望なツールであることが示唆された。
関連論文リスト
- Difficulty Modelling in Mobile Puzzle Games: An Empirical Study on
Different Methods to Combine Player Analytics and Simulated Data [0.0]
一般的なプラクティスは、プレイヤーとコンテンツとのインタラクションによって収集されたデータからメトリクスを作成することです。
これにより、コンテンツがリリースされた後にのみ見積が可能であり、将来のプレイヤーの特徴を考慮しない。
本稿では,そのような条件下での難易度推定の潜在的な解を多数提示する。
論文 参考訳（メタデータ） (2024-01-30T20:51:42Z) - Fair Few-shot Learning with Auxiliary Sets [53.30014767684218]
多くの機械学習(ML)タスクでは、ラベル付きデータサンプルしか収集できないため、フェアネスのパフォーマンスが低下する可能性がある。
本稿では,限定的なトレーニングサンプルを用いたフェアネス認識学習課題をemphfair few-shot Learning問題として定義する。
そこで我々は,学習した知識をメタテストタスクに一般化し,様々なメタトレーニングタスクに公平な知識を蓄積する新しいフレームワークを考案した。
論文 参考訳（メタデータ） (2023-08-28T06:31:37Z) - 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) - GameEval: Evaluating LLMs on Conversational Games [93.40433639746331]
大規模言語モデル(LLM)を評価する新しいアプローチであるGameEvalを提案する。
GameEvalはLSMをゲームプレイヤーとして扱い、様々な形式の会話を起動することで達成した特定の目標にそれぞれ異なる役割を割り当てる。
我々は,GameEvalが様々なLLMの能力を効果的に差別化することができ,複雑な問題を解決するための統合能力を総合的に評価できることを示した。
論文 参考訳（メタデータ） (2023-08-19T14:33:40Z) - Ordinal Regression for Difficulty Estimation of StepMania Levels [18.944506234623862]
我々は,StepManiaレベルの難易度予測タスクを順序回帰(OR)タスクとして定式化し,解析する。
我々は、多くの競争力のあるORモデルと非ORモデルを評価し、ニューラルネットワークベースのモデルが芸術の状態を著しく上回ることを示した。
我々は、トレーニングされたモデルが人間のラベルよりも優れていることを示すユーザー実験で締めくくった。
論文 参考訳（メタデータ） (2023-01-23T15:30:01Z) - JECC: Commonsense Reasoning Tasks Derived from Interactive Fictions [75.42526766746515]
本稿では,人間のインタラクティブ・フィクション(IF)ゲームプレイ・ウォークスルーに基づく新しいコモンセンス推論データセットを提案する。
本データセットは,事実知識ではなく,機能的コモンセンス知識ルールの評価に重点を置いている。
実験の結果、導入したデータセットは、以前の機械読影モデルと新しい大規模言語モデルに難題であることが示されている。
論文 参考訳（メタデータ） (2022-10-18T19:20:53Z) - CommonsenseQA 2.0: Exposing the Limits of AI through Gamification [126.85096257968414]
現代自然言語理解モデルの能力をテストするベンチマークを構築した。
本研究では,データ構築の枠組みとしてゲーミフィケーションを提案する。
論文 参考訳（メタデータ） (2022-01-14T06:49:15Z) - Statistical Modelling of Level Difficulty in Puzzle Games [0.0]
我々は、古典的な成功確率を超えるパズルゲームに対して、レベル困難のモデルを定式化する。
モデルは、ゲーム『Lily's Garden by Tactile Games』から収集されたデータセットに適合し、評価される。
論文 参考訳（メタデータ） (2021-07-05T13:47:28Z) - DL-DDA -- Deep Learning based Dynamic Difficulty Adjustment with UX and
Gameplay constraints [0.8594140167290096]
ゲームによって課される他のプレイヤーやマクロ制約を考慮して,ユーザエクスペリエンスを自動的に最適化する手法を提案する。
ゲームデザインの専門家が作成したマニュアルを,20万ドルで実験し,その成果を実演した。
論文 参考訳（メタデータ） (2021-06-06T09:47:15Z) - Generating Diverse and Competitive Play-Styles for Strategy Games [58.896302717975445]
ターン型戦略ゲーム(Tribes)のためのプログレッシブアンプランによるPortfolio Monte Carlo Tree Searchを提案する。
品質分散アルゴリズム(MAP-Elites)を使用して異なるプレイスタイルを実現し、競争レベルを維持しながらパラメータ化する方法を示します。
その結果,このアルゴリズムは,トレーニングに用いるレベルを超えて,幅広いゲームレベルにおいても,これらの目標を達成できることが示された。
論文 参考訳（メタデータ） (2021-04-17T20:33:24Z) - An Information-Theoretic Approach to Personalized Explainable Machine
Learning [92.53970625312665]
本稿では,予測とユーザ知識のための簡易確率モデルを提案する。
説明と予測の間の条件付き相互情報による説明の効果を定量化する。
論文 参考訳（メタデータ） (2020-03-01T13:06:29Z)
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。