QuickSkill：在线多人游戏中的新手技能估计

匹配系统对于在线多人游戏中创建公平对局至关重要，直接影响玩家满意度与游戏体验。大多数匹配系统很大程度上依赖对玩家游戏技能的精确估计来构建均衡游戏。然而，新手的技能评级通常不准确，因为当前匹配评分算法需要大量对局才能学习新玩家的真实技能。在初期使用这些不可靠的技能分数进行匹配通常导致团队表现失衡，造成负面游戏体验。这被称为匹配评分算法的“冷启动”问题。为克服此困境，本文提出 QuickSKill，一种基于深度学习的在线多人游戏新手技能估计框架，用于快速探查新玩家能力。QuickSKill 从玩家最初几局中提取序列表现特征，通过专用神经网络预测其未来技能评级，从而在玩家早期游戏阶段提供准确技能估计。通过将 QuickSKill 用于匹配，游戏公平性在初始冷启动期可显著提升。我们在一款流行移动多人游戏的离线与在线场景中开展实验。基于两个真实世界匿名游戏数据集的结果表明，所提 QuickSKill 能为新手提供精确游戏技能估计，显著降低了团队技能差异并改善了玩家游戏体验。据我们所知，所提 QuickSKill 是首个解决传统技能评级算法冷启动问题的框架。