論文の概要: Robust Player-Conditional Champion Ranking for League of Legends: Style Similarity, Mastery Priors, and Archetype-Constrained Discovery
- arxiv url: http://arxiv.org/abs/2605.18338v1
- Date: Mon, 18 May 2026 12:52:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:49.61442
- Title: Robust Player-Conditional Champion Ranking for League of Legends: Style Similarity, Mastery Priors, and Archetype-Constrained Discovery
- Title（参考訳）: リーグ・オブ・レジェンド(League of Legends:style similarity, Mastery Priors, Archetype-Constrained Discovery)
- Authors: Min Heo, Pranav Kadiyam, Prasun Panthi,
- Abstract要約: 我々は,リーグ・オブ・レジェンドにおけるチャンピオン推薦を,スパース,ノイズ,非定常行動データに基づく解釈可能な,条件付きランキング問題として定式化する。
提案するフレームワークは、4つの情報ソース – 人口密度プロキシ、プレイヤースタイルの類似性、直接および間接的な熟達前、およびアーチタイプレベルのガードレール – を組み合わせている。
実装されたプロトタイプでは、Python/Pandasモデリング層、Supabaseベースのストレージ、Web対応レコメンデーションインターフェースが使用されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Champion recommendation in multiplayer online battle arena games is usually framed informally as a problem of metagame strength, personal comfort, or global win rate. We formalize champion recommendation in League of Legends as an interpretable, player-conditional ranking problem under sparse, noisy, and non-stationary behavioral data. The proposed framework combines four information sources: a population-strength proxy, player-style similarity, direct and indirect mastery priors, and archetype-level guardrails. The method uses robust median/MAD normalization, logarithmic transforms for skewed event counts, recency-weighted player style vectors, mastery-weighted champion-pool vectors, weighted cosine similarity, rank-scaled score components, and k-means++ clustering for coarse archetype support. The implemented prototype uses a Python/Pandas modeling layer, Supabase-backed storage, and a web-facing recommendation interface. Unlike black-box supervised win-prediction systems, the proposed method returns decomposed recommendation scores that can be inspected as expected-performance proxy, fit, mastery, and archetype compatibility. A single-player case study on a 100-game history for the player identifier DIVINERAINRACCON is included as an end-to-end sanity check. The manuscript is therefore a methods and systems contribution: it specifies a reproducible, modular, and auditable champion recommender and gives a validation protocol for future large-scale evaluation through temporal train-test splits, next-champion recovery, calibration analysis, and ablation studies.
- Abstract（参考訳）: マルチプレイヤーオンラインバトルアリーナゲームにおけるチャンピオンレコメンデーションは、通常、メタゲーム強度、個人的快適性、またはグローバルな勝利率の問題として非公式にフレーム化される。
我々は,リーグ・オブ・レジェンドにおけるチャンピオン推薦を,スパース,ノイズ,非定常行動データに基づく解釈可能な,条件付きランキング問題として定式化する。
提案するフレームワークは、4つの情報ソース – 人口密度プロキシ、プレイヤースタイルの類似性、直接および間接的な熟達前、およびアーチタイプレベルのガードレール – を組み合わせている。
この方法は、頑健な中央値/MAD正規化、歪んだイベント数に対する対数変換、直立重み付きプレイヤースタイルベクター、マスターウェイトされたチャンピオンプールベクター、重み付きコサイン類似性、ランクスケールスコアコンポーネント、粗いアーチタイプサポートのためのk-means++クラスタリングを使用する。
実装されたプロトタイプでは、Python/Pandasモデリング層、Supabaseベースのストレージ、Web対応レコメンデーションインターフェースが使用されている。
ブラックボックス制御型ウィンドプレディションシステムとは異なり、提案手法は予測性能プロキシ、適合性、熟達性、アーキタイプ互換として検査可能な分解されたレコメンデーションスコアを返却する。
エンド・ツー・エンド・サニティーチェックとして、プレイヤー識別子DIVINERAINRACCONの100ゲームの歴史に関するシングルプレイヤーケーススタディが組み込まれている。
再現性があり、モジュール化され、監査可能なチャンピオンレコメンデーションを規定し、時間的列車試験の分割、次のシャンピオン回復、校正分析、アブレーション研究による将来の大規模評価のための検証プロトコルを提供する。
関連論文リスト
- Category-based and Popularity-guided Video Game Recommendation: A Balance-oriented Framework [29.0540988283535]
現在のビデオゲームレコメンデーションアプローチは、多様性よりも精度を優先する傾向があり、おそらくは未検証のゲーム提案につながる。
CPGRecと呼ばれる新しいフレームワークを導入し、精度駆動、多様性駆動、包括的3つのモジュールからなる。
第1モジュールは、より厳密な方法でゲームを接続し、推奨精度を高めることにより、最先端の精度に焦点を当てたゲームレコメンデーション手法を拡張する。
第2のモジュールは、提案したゲームグラフ内の様々なカテゴリを隣人に接続し、人気のあるゲームノードの利点を利用して、プレイヤゲームバイパーティイトグラフ内のロングテールゲームの影響を増幅する。
論文 参考訳（メタデータ） (2026-04-16T04:03:45Z) - CPGRec+: A Balance-oriented Framework for Personalized Video Game Recommendations [26.80916834756631]
本稿では, Preference-informed Edge Reweighting (PER) モジュールと Preference-informed Representation Generation (PRG) モジュールを提案する。
PERモジュールは署名されたエッジウェイトを割り当て、重要なプレーヤの興味や関心を質的に区別すると同時に、グラフ畳み込みにおけるオーバー・スムーシングを軽減するために、好みの強度を定量的に測定する。
PRGモジュールはLLMを活用して、グローバルと個人の利益の比較から個人の好みを推論することで、ゲームとプレイヤーのコンテキスト化された記述を生成する。
論文 参考訳（メタデータ） (2026-04-16T03:25:18Z) - Game-TARS: Pretrained Foundation Models for Scalable Generalist Multimodal Game Agents [56.25101378553328]
本稿では,汎用ゲームエージェントであるGame-TARSについて紹介する。
Game-TARSは500B以上のトークンで事前トレーニングされており、様々な軌跡とマルチモーダルデータがある。
実験により、Game-TARSは、オープンワールドMinecraftタスクにおける以前のソータモデルの約2倍の成功率を達成することが示された。
論文 参考訳（メタデータ） (2025-10-27T17:43:51Z) - RewardRank: Optimizing True Learning-to-Rank Utility [28.662272762911325]
本稿では,RewardRankを紹介した。
この結果から, 対実的ユーティリティの直接最適化として, 学習からランクへの変換が可能であることが示唆された。
論文 参考訳（メタデータ） (2025-08-19T18:08:35Z) - Who is a Better Player: LLM against LLM [53.46608216197315]
本稿では,大規模言語モデル (LLM) の総合的な性能を評価するための対戦型ベンチマークフレームワークを提案する。
広範にプレイされている5つのゲームをサポートし,20のLDMを駆使したプレーヤーを対象とする,特別な評価プラットフォームであるQi Townを紹介した。
論文 参考訳（メタデータ） (2025-08-05T06:41:47Z) - Multi-agent Multi-armed Bandits with Stochastic Sharable Arm Capacities [69.34646544774161]
我々は、各アームへのリクエストの到着とプレイヤーへのリクエストの割り当てポリシーをキャプチャするマルチプレイヤーマルチアーム・バンディット(MAB)モデルの新しいバリエーションを定式化する。
課題は、プレイヤーが最適な腕引きプロファイルに従って腕を選択するように分散学習アルゴリズムを設計する方法である。
我々は,Mラウンドのみの最適腕引きプロファイルにおいて,プレイヤーがコンセンサスに達することを保証した反復分散アルゴリズムを設計する。
論文 参考訳（メタデータ） (2024-08-20T13:57:00Z) - A Minimaximalist Approach to Reinforcement Learning from Human Feedback [49.45285664482369]
人間のフィードバックから強化学習を行うアルゴリズムとして,SPO(Self-Play Preference Optimization)を提案する。
我々のアプローチは、報酬モデルや不安定な敵の訓練を必要としないという点で最小主義である。
我々は,一連の継続的制御タスクにおいて,報酬モデルに基づくアプローチよりもはるかに効率的に学習できることを実証した。
論文 参考訳（メタデータ） (2024-01-08T17:55:02Z) - Unbalanced Optimal Transport: A Unified Framework for Object Detection [97.74382560746987]
不均衡最適輸送がオブジェクト検出に対する異なるアプローチをどのように統合するかを示す。
非平衡最適輸送を用いた物体検出モデルの訓練が最先端に到達可能であることを示す。
このアプローチはGPUの実装に適しており、大規模なモデルに有利であることが証明されている。
論文 参考訳（メタデータ） (2023-07-05T16:21:52Z)
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。