基于 Transformer 的象棋拼图难度预测

本研究 addresses the challenge of quantifying chess puzzle difficulty - 一种结合博弈论与人类认知元素、并凸显其在有效棋盘训练中关键作用的复杂任务。我们提出了 GlickFormer，这是一种新颖的基于 Transformer 的架构，通过近似 Glicko-2 评级系统来预测象棋拼图难度。不同于传统棋局引擎优化游戏结果，GlickFormer 模型化人类对战术模式和问题解决复杂度的感知。该模型利用修改版 ChessFormer 主干网络进行空间特征提取，并通过分解 Transformer 技术融合时序信息。这种方法能够捕捉空间棋子布局与走子序列，有效建模与难度评估相关的时空关系。实验在超过 400 万个象棋拼图数据集上进行。结果表明，GlickFormer 在多项指标上均优于最新的 ChessFormer 基线。该算法通过在 IEEE BigData 2024 Cup：Predicting Chess Puzzle Difficulty 竞赛中获得 11 名成绩，获得了竞争性认可。这项研究所获的见解对个性化棋盘训练以及更广泛的教育技术和认知建模具有启示意义。