基于机器学习的程序化内容生成（PCGML）
人工智能
2018-05-08 v3
摘要
本综述探讨基于机器学习的程序化内容生成（PCGML），其定义为使用在已有内容上训练的机器学习模型来生成游戏内容。随着PCG在游戏开发中重要性的增加，研究者探索在有或无人类参与下生成高质量内容的新途径；本文论述使用机器学习（相对于基于搜索、基于求解器和构造性方法）这一相对新颖的范式。我们关注最常被视为功能性游戏内容的部分，如平台游戏关卡、游戏地图、交互式小说故事以及集换式卡牌游戏中的卡牌，而非精灵图和音效等装饰性内容。除了将PCG用于自主生成、共同创造、混合主动设计以及压缩外，PCGML因其侧重于对已有内容建模，还适用于修复、批评和内容分析。我们讨论了影响生成内容结果的多种数据源与表示形式。涵盖了多种PCGML方法，包括神经网络、长短期记忆（LSTM）网络、自动编码器以及深度卷积网络；马尔可夫模型、元语法和多维马尔可夫链；聚类；以及矩阵分解。最后，我们讨论PCGML应用中的开放问题，包括从小数据集学习、缺乏训练数据、多层学习、风格迁移、参数调优以及PCG作为游戏机制。
引用
@article{arxiv.1702.00539,
title = {Procedural Content Generation via Machine Learning (PCGML)},
author = {Adam Summerville and Sam Snodgrass and Matthew Guzdial and Christoffer Holmgård and Amy K. Hoover and Aaron Isaksen and Andy Nealen and Julian Togelius},
journal= {arXiv preprint arXiv:1702.00539},
year = {2018}
}