MOBA 游戏 Dota 2 中的序列化物品推荐
机器学习
2022-01-24 v1 信息检索
摘要
诸如 Dota 2 的多人在线战术竞技（MOBA）游戏每年吸引数十万玩家。尽管玩家基数庞大，吸引新玩家以防止游戏社区变得不活跃仍十分重要。然而，进入 MOBA 游戏往往要求苛刻，需要玩家同时学习众多技能。成功的一个重要因素是购买正确的物品，这构成了一项复杂任务，取决于已购物品、团队构成或可用资源等多种游戏内因素。推荐系统可通过降低选择适宜物品所需的心智负担来辅助玩家，例如帮助新玩家或久未回归的玩家专注于游戏其他方面。由于序列化物品推荐（SIR）已在诸多领域（如电商、电影推荐或播放列表续接）被证明有效，我们探索了知名 SIR 模型在 Dota 2 购买推荐场景中的适用性。为促进该研究，我们收集、分析并发布了 Dota-350k，一个基于近期 Dota 2 对局的新大型数据集。我们发现 SIR 模型可有效用于 Dota 2 中的物品推荐。结果表明，考虑购买顺序的模型最为有效。与其他领域相反，我们发现基于 RNN 的模型在 Dota-350k 上优于更新的基于 Transformer 的架构。
引用
@article{arxiv.2201.08724,
title = {Sequential Item Recommendation in the MOBA Game Dota 2},
author = {Alexander Dallmann and Johannes Kohlmann and Daniel Zoller and Andreas Hotho},
journal= {arXiv preprint arXiv:2201.08724},
year = {2022}
}