基于机器学习的方法从大规模观测数据检测战略行为：应用于团队型视频游戏的游戏模式预测

使用现有的领先计算游戏论工具对现实多主体系统中的主体战略行为进行建模是一个不小的挑战，尤其当只能观察到主体所采取的行动时。在尝试解决此问题之前，获取关于主体是否从游戏论角度实际上以战略方式行动的洞见是有用的。本文提出了一种基于机器学习基础的通用方法，用于检测潜在的战略行为，并通过在英雄联盟（Heroes of the Storm）这款多人在线视频游戏中预测玩家游戏模式选择来实现该方法。具体而言，作为基线，我们首先仅使用关于玩家自身状态的信息训练神经网络来预测玩家的游戏模式选择。随后，我们使用相同的网络架构，这次纳入包含玩家与其他玩家过去互动历史的“历史共同活动”特征。我们发现，纳入这些新特征后，游戏模式预测准确率得到了统计显著的提升，这表明玩家确实以战略方式做出决策，从而证明了在希望提高建模和预测能力的前提下，发展更复杂的计算游戏论工具是有价值的。我们讨论了关于验证此初始步骤检测战略行为有效性的潜在方法。