面向玩家建模的动作模型学习
机器学习
2021-03-11 v1 人机交互
摘要
玩家建模试图创建一个计算模型，以准确近似玩家在游戏中的行为。大多数玩家建模技术依赖领域知识且不可跨游戏迁移。此外，玩家模型目前无法对玩家的认知过程（例如心智模型的创建与精炼）提供任何解释性洞察。本文中，我们展示了使用动作模型学习（AML）的发现，其中给定以游戏轨迹形式的数据学习动作模型，以领域无关的方式学习玩家模型。我们通过引入一种技术来定量估计玩家对游戏机制的理解程度，证明了该模型的效用。我们评估了一种现有 AML 算法（FAMA）用于玩家建模，并开发了一种受玩家认知启发、名为 Blackout 的新算法。我们使用益智游戏 Sokoban 将 Blackout 与 FAMA 比较，表明 Blackout 生成更好的玩家模型。
引用
@article{arxiv.2103.05682,
title = {Towards Action Model Learning for Player Modeling},
author = {Abhijeet Krishnan and Aaron Williams and Chris Martens},
journal= {arXiv preprint arXiv:2103.05682},
year = {2021}
}
备注
7 pages, 1 figure