面向在线游戏预测的个性化上下文感知张量分解
人工智能
2021-02-24 v1
摘要
个体的行为与决策在很大程度上受其上下文（如位置、环境和时间）的影响。这些维度上的变化在 multiplayer online battle arena 游戏（MOBA）中易于观察到，玩家在每场比赛中面对不同的游戏内设置，并受到频繁的游戏补丁影响。现有利用上下文信息的方法将某一上下文的影响泛化到整个用户群体，但针对每个个体定制的上下文信息可能更为有效。为此，我们提出神经个性化上下文感知嵌入（NICE）模型，用于预测用户表现与比赛结果。我们提出的方法通过非负张量分解学习用户与上下文的潜在表示，从而识别不同上下文中个体的行为差异。利用来自 MOBA 游戏 League of Legends 的数据集，我们证明该模型在预测胜负结果、个体用户表现及用户参与度方面均有显著提升。
引用
@article{arxiv.2102.11352,
title = {Individualized Context-Aware Tensor Factorization for Online Games Predictions},
author = {Julie Jiang and Kristina Lerman and Emilio Ferrara},
journal= {arXiv preprint arXiv:2102.11352},
year = {2021}
}