一种基于机器学习的玩家建模方法论

人工智能作为增强数字游戏沉浸感的基本特征，正逐渐受到更多关注。在众多人工智能方法中，玩家建模正成为重要的一环。其主要思想是理解并建模玩家特征与行为，以开发更优的人工智能。本文讨论了这一新领域的多个方面。我们提出了一种分类法来组织该领域，探讨了从实现决策到模型试图描述内容的多个层面。随后，我们在该分类法中对领域内一些最重要的工作进行了归类。我们还提出了一种使用机器学习处理玩家建模的通用方法，并将该方法实例化以建模《文明 IV》游戏中玩家的偏好。该方法的实例化包含多个步骤：首先讨论一种通用表示形式（无论建模对象为何），并通过在策略游戏《文明 IV》中进行实验对其进行评估；接着评估利用游戏得分信息区分不同偏好的适用性；随后对游戏中的虚拟代理进行特征刻画，将其行为与其声明的偏好进行比较。一旦完成这些代理的特征刻画，我们便能观察到不同偏好会通过多种游戏指标产生不同的行为。随后，我们将偏好建模问题作为二元分类任务，采用监督学习方法进行处理。我们比较了基于不同范式（SVM、AdaBoost、NaiveBayes 和 JRip）的四种不同方法，并在由不同虚拟代理进行的一系列对局中进行了评估。最后，我们利用学习到的模型推断人类玩家的偏好。使用部分评估过的分类器，我们对大多数推断出的偏好获得了超过 60% 的准确率。