利用上下文偏好排序预测万智牌中的人类选牌行为

抓牌（drafting），即从较大的候选集中选取子集，是许多游戏及相关问题的关键要素。它包括体育或电子竞技中的组队，以及许多现代卡牌游戏中的牌组选择。抓牌的关键难点在于通常仅孤立地评估每项条目并选择最佳条目是不够的。对一条目的评估取决于先前已选条目集合的上下文，因为集合的价值不仅仅是其成员价值之和——还必须包含条目间契合程度的考量。本文中，我们在卡牌游戏万智牌（Magic: The Gathering）的情境下研究抓牌。我们提出使用上下文偏好网络，其学习比较两个给定牌组的可能扩展。我们证明所得网络比以往的尝试更能在此游戏中评估牌组。