可解释的上下文感知团队物品推荐：在多人在线战术竞技游戏中的应用
信息检索
2020-07-31 v1 人工智能
摘要
视频游戏行业已采用推荐系统以提升用户兴趣，重点在于游戏销售。视频游戏中其他令人兴奋的应用是帮助玩家做出最大化其游戏体验的决策，这在诸如 DotA 和 LoL 等多人在线战术竞技（MOBA）等实时战略视频游戏中是一项理想特性。在这些任务中，物品推荐具有挑战性，鉴于游戏的上下文性质以及它如何暴露对每个队伍组成的依赖。该主题的现有工作未利用所有可用的上下文比赛数据，并忽略了潜在有价值的信息。为解决此问题，我们开发了 TTIR，一种源自 Transformer 神经架构的上下文推荐模型，它基于描述比赛的队伍和角色的上下文，向每个团队成员建议一组物品。TTIR 优于多种方法，并通过注意力权重可视化提供可解释的推荐。我们的评估表明，Transformer 架构和上下文信息对于获得该物品推荐任务的最佳结果都至关重要。此外，初步的用户调查表明了注意力权重对于解释推荐以及未来工作思路的有用性。代码和数据集可在 https://github.com/ojedaf/IC-TIR-Lol 获取。
引用
@article{arxiv.2007.15236,
title = {Interpretable Contextual Team-aware Item Recommendation: Application in Multiplayer Online Battle Arena Games},
author = {Andrés Villa and Vladimir Araujo and Francisca Cattan and Denis Parra},
journal= {arXiv preprint arXiv:2007.15236},
year = {2020}
}