基于因子分解机的个性化游戏难度预测
人机交互
2022-09-28 v1 人工智能
摘要
对任务难度的准确且个性化的估计为优化用户体验提供了许多机会。然而，用户的多样性使得这种难度估计十分困难，因为来自某些用户样本的经验测量未必能推广到其他人。在本文中，我们借助内容推荐的方法，提出了一种用于游戏关卡个性化难度估计的新方法。在来自一款商业益智游戏的大规模数据集上使用因子分解机（FM），我们能够根据玩家在早期关卡观察到的尝试次数以及他人玩过的关卡，预测难度为该玩家通过未来游戏关卡所需的尝试次数。除了性能和可扩展性之外，FM的优势在于所学到的潜变量模型可用于研究导致难度的玩家和游戏关卡的特征。我们将该方法与简单的非个性化基线以及使用随机森林的个性化预测进行比较。我们的结果表明，FM是一种有前景的工具，使游戏设计者既能优化玩家体验，又能更多地了解其玩家和游戏。
引用
@article{arxiv.2209.13495,
title = {Personalized Game Difficulty Prediction Using Factorization Machines},
author = {Jeppe Theiss Kristensen and Christian Guckelsberger and Paolo Burelli and Perttu Hämäläinen},
journal= {arXiv preprint arXiv:2209.13495},
year = {2022}
}