基于少样本学习的跨游戏参与度建模

领域泛化涉及学习能够在特定任务的不同领域间保持高性能的人工智能（AI）模型。例如在电子游戏中，此类 AI 模型理应能够学会检测不同游戏中的玩家行为。尽管 AI 取得了最新进展，但用于建模用户体验的领域泛化在很大程度上仍未被探索。尽管电子游戏因其动态和丰富的上下文特性，为用户体验分析带来了独特的挑战和机遇，但此类体验的建模通常受限于较小的数据集。因此，传统建模方法由于依赖大量标注训练数据并假设用户体验具有共同分布，往往难以弥合用户与游戏之间的领域差距。在本文中，我们通过引入一个框架来解决这一挑战，该框架将与领域无关的通用用户体验建模分解为多个特定领域且依赖游戏的任务，这些任务可以通过少样本学习来解决。我们在公开可用的 GameVibe 语料库的一个变体上测试了我们的框架，该变体专门用于测试模型在不同第一人称射击游戏间预测用户参与度的能力。我们的研究结果证明了少样本学习器优于传统建模方法，从而展示了少样本学习在电子游戏及其他领域进行鲁棒体验建模的潜力。