通过基于贝叶斯玩家建模的快速游戏内容适配
人工智能
2021-07-01 v2 应用统计
摘要
在游戏以及许多面向用户的系统中，使内容适应用户的偏好与经验是一项重要挑战。本文在动态难度调整 (DDA) 背景下探索实现该目标的新方法。其目标是不断使游戏内容适应玩家的技能水平，通过避免过难或过易的状态来保持其参与度。当前的 DDA 系统依赖于昂贵的数据挖掘，或依赖于为特定领域手工设计的规则，且通常以适应来使玩家保持在心流中，没有空间让设计者呈现刻意简单或困难的内容。本文提出 Fast Bayesian Content Adaption (FBCA)，一种与领域无关的 DDA 系统，可针对特定难度。我们在两个不同领域部署该框架：益智游戏 Sudoku 和简单的 Roguelike 游戏。通过修改采集函数的优化，我们可靠地能够在少于五次迭代 (Sudoku) 和十五次迭代 (简单 Roguelike) 内，为具有不同技能水平的玩家呈现具有定制难度的内容。我们的方法显著优于更简单的 DDA 启发式方法，并附带维护用户模型的益处。这些结果指向了一种在有多种不同领域中用于内容适配的有前景的替代方案。
引用
@article{arxiv.2105.08484,
title = {Fast Game Content Adaptation Through Bayesian-based Player Modelling},
author = {Miguel González-Duque and Rasmus Berg Palm and Sebastian Risi},
journal= {arXiv preprint arXiv:2105.08484},
year = {2021}
}
备注
Accepted at CoG2021