論文の概要: CUPID: Improving Battle Fairness and Position Satisfaction in Online MOBA Games with a Re-matchmaking System
- arxiv url: http://arxiv.org/abs/2406.19720v1
- Date: Fri, 28 Jun 2024 08:09:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 17:29:51.682959
- Title: CUPID: Improving Battle Fairness and Position Satisfaction in Online MOBA Games with a Re-matchmaking System
- Title（参考訳）: CUPID:再試合システムによるオンラインMOBAゲームにおけるバトルフェアネスとポジション満足度の改善
- Authors: Ge Fan, Chaoyun Zhang, Kai Wang, Yingjie Li, Junyang Chen, Zenglin Xu,
- Abstract要約: CUPIDは、フェアネスとプレイヤーの満足度の両方を改善するために、チームとポジションの割り当てを最適化することを目的としている。
マッチング品質の最小レベルを確保するために、事前フィルタリングのステップを組み込んだ後、事前マッチの勝利率予測モデルが続く。
CUPIDの有効性を検証するために、2つの大規模な実世界のMOBAデータセットを用いて実験を行った。
- 参考スコア（独自算出の注目度）: 38.36310386543932
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The multiplayer online battle arena (MOBA) genre has gained significant popularity and economic success, attracting considerable research interest within the Human-Computer Interaction community. Enhancing the gaming experience requires a deep understanding of player behavior, and a crucial aspect of MOBA games is matchmaking, which aims to assemble teams of comparable skill levels. However, existing matchmaking systems often neglect important factors such as players' position preferences and team assignment, resulting in imbalanced matches and reduced player satisfaction. To address these limitations, this paper proposes a novel framework called CUPID, which introduces a novel process called ``re-matchmaking'' to optimize team and position assignments to improve both fairness and player satisfaction. CUPID incorporates a pre-filtering step to ensure a minimum level of matchmaking quality, followed by a pre-match win-rate prediction model that evaluates the fairness of potential assignments. By simultaneously considering players' position satisfaction and game fairness, CUPID aims to provide an enhanced matchmaking experience. Extensive experiments were conducted on two large-scale, real-world MOBA datasets to validate the effectiveness of CUPID. The results surpass all existing state-of-the-art baselines, with an average relative improvement of 7.18% in terms of win prediction accuracy. Furthermore, CUPID has been successfully deployed in a popular online mobile MOBA game. The deployment resulted in significant improvements in match fairness and player satisfaction, as evidenced by critical Human-Computer Interaction (HCI) metrics covering usability, accessibility, and engagement, observed through A/B testing. To the best of our knowledge, CUPID is the first re-matchmaking system designed specifically for large-scale MOBA games.
- Abstract（参考訳）: マルチプレイヤーオンラインバトルアリーナ(MOBA)ジャンルは、ヒューマン・コンピュータ・インタラクション・コミュニティ内でかなりの研究関心を集め、大きな人気と経済的成功をもたらした。
ゲーム体験の強化には、プレイヤーの振る舞いの深い理解が必要であり、MOBAゲームの重要な側面は、同等のスキルレベルのチームを組み立てることを目的としたマッチメイキングである。
しかし、既存のマッチメイキングシステムはプレイヤーの位置選好やチームの割り当てといった重要な要素を無視し、不均衡な試合とプレイヤーの満足度を低下させる。
このような制約に対処するため,本論文では,チームとポジションの割り当てを最適化し,公平さと選手の満足度を両立させる,CUPIDと呼ばれる新しいフレームワークを提案する。
CUPIDは、マッチング品質の最小レベルを確保するために、事前フィルタリングステップを組み込んだ後、潜在的な割り当ての公平性を評価する事前マッチの勝利率予測モデルが続く。
プレイヤーの位置満足度とゲームフェアネスを同時に考慮することで、CUPIDはより高度なマッチメイキング体験を提供することを目指している。
CUPIDの有効性を検証するために、2つの大規模な実世界のMOBAデータセットで大規模な実験を行った。
結果は既存の最先端のベースラインを抜いて、勝利予測精度の平均相対的な改善は7.18%である。
さらに、CUPIDは人気のあるオンラインモバイルMOBAゲームにうまくデプロイされている。
この展開は、A/Bテストを通じて観察されたユーザビリティ、アクセシビリティ、エンゲージメントに関する人-コンピュータインタラクション(HCI)の重要な指標によって証明されたように、マッチフェアネスとプレイヤーの満足度を大幅に改善した。
我々の知る限りでは、CUPIDは大規模なMOBAゲーム用に特別に設計された最初の再マッチングシステムである。
関連論文リスト
- QuickSkill: Novice Skill Estimation in Online Multiplayer Games [19.364132825629465]
現在のマッチメイキングレーティングアルゴリズムは、新しいプレイヤーの真のスキルを学ぶために、かなりの量のゲームを必要とする。
これはマッチングレーティングアルゴリズムの'コールドスタート'問題として知られている。
本稿では,ディープラーニングに基づく初心者スキル推定フレームワークQuickSKillを提案する。
論文 参考訳（メタデータ） (2022-08-15T11:59:05Z) - Behavioral Player Rating in Competitive Online Shooter Games [3.203973145772361]
本稿では,ゲーム内統計学からモデルプレイヤへのいくつかの特徴を設計し,その振る舞いと真のパフォーマンスレベルを正確に表現するレーティングを作成する。
その結果, 動作評価は, 生成した表現の解釈可能性を維持しつつ, より正確な性能評価を示すことがわかった。
プレイヤーのプレイ行動の異なる側面を考慮し、マッチメイキングに行動評価を使用すると、プレイヤーのゴールや関心とより一致したマッチアップにつながる可能性がある。
論文 参考訳（メタデータ） (2022-07-01T16:23:01Z) - 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) - Evaluating Team Skill Aggregation in Online Competitive Games [4.168733556014873]
本稿では,2つの新しい集計手法が評価システムの予測性能に与える影響について分析する。
以上の結果から,テストケースの大部分において,MAX法が他の2手法よりも優れていることが示された。
本研究の結果は,チームのパフォーマンスを計算するために,より精巧な手法を考案する必要性を浮き彫りにした。
論文 参考訳（メタデータ） (2021-06-21T20:17:36Z) - The Evaluation of Rating Systems in Team-based Battle Royale Games [4.168733556014873]
本稿では,25,000人以上のチームバトルロイヤルマッチのリアルタイムデータセット上で,3つの人気評価システムを評価するためのいくつかの指標の有用性について検討する。
正規化割引累積ゲイン (NDCG) は信頼性が高く, 柔軟性が高かった。
論文 参考訳（メタデータ） (2021-05-28T19:22:07Z) - 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) - Multi-Agent Collaboration via Reward Attribution Decomposition [75.36911959491228]
本稿では,StarCraftのマルチエージェントチャレンジにおいて,最先端のパフォーマンスを実現するコラボレーション型Q-ラーニング(CollaQ)を提案する。
CollaQは様々なStarCraft属性マップで評価され、既存の最先端技術よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-10-16T17:42:11Z) - Interpretable Real-Time Win Prediction for Honor of Kings, a Popular
Mobile MOBA Esport [51.20042288437171]
本研究では,2段階空間時間ネットワーク(TSSTN)を提案する。
実世界のライブストリーミングシナリオにおける実験結果と応用により,提案したTSSTNモデルは予測精度と解釈可能性の両方において有効であることが示された。
論文 参考訳（メタデータ） (2020-08-14T12:00:58Z) - Competitive Balance in Team Sports Games [8.321949054700086]
最終的なスコア差を用いることで,競争バランスの予測基準がさらに向上することを示す。
また、慎重に選択されたチームと個々の特徴に基づいて訓練された線形モデルが、より強力なニューラルネットワークモデルの性能をほぼ達成できることも示している。
論文 参考訳（メタデータ） (2020-06-24T14:19:07Z) - 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。