CognitionNet：面向在线技能游戏平台游戏风格发现的协作神经网络
人工智能
2025-05-02 v1 机器学习
摘要
游戏是同时实现自尊与放松的最安全来源之一。一个在线游戏平台通常会产生海量数据，例如游戏内动作、玩家操作、点击流、交易等。有趣的是，像游戏操作数据这样简单的东西，基于玩家在游戏情境中的冲动反应和响应，可以帮助创建用户当时的心理印记。挖掘这些知识可以：(a) 立即帮助更好地解释观察到的和预测的玩家行为；(b) 从而推动对玩家体验、成长和保护的更深入理解。为此，我们专注于在一个在线拉米纸牌技能游戏平台上，发现由连续游戏序列形成的微观模式“游戏行为”以及由这些序列的序列构成的玩家持久“游戏风格”。我们提出了一个两阶段深度神经网络，CognitionNet。第一阶段专注于将游戏行为挖掘为潜在空间中的聚类表示，而第二阶段则聚合这些微观模式，通过一个围绕玩家参与度的监督分类目标来发现游戏风格。这种双重目标使 CognitionNet 能够揭示多种受玩家心理学启发的决策制定和策略。据我们所知，这是首个完全自动化发现以下内容的同类研究：(i) 从遥测数据中发现玩家心理和游戏策略；(ii) 为玩家参与度预测提供相关的诊断性解释。通过一种新颖的“桥接损失”公式，实现了具有不同输入维度的两个网络的协作训练。该网络在获得同质且一致的游戏风格定义方面起着关键作用，并在适用的情况下显著优于最先进的基线方法。
引用
@article{arxiv.2505.00325,
title = {CognitionNet: A Collaborative Neural Network for Play Style Discovery in Online Skill Gaming Platform},
author = {Rukma Talwadker and Surajit Chakrabarty and Aditya Pareek and Tridib Mukherjee and Deepak Saini},
journal= {arXiv preprint arXiv:2505.00325},
year = {2025}
}