零样本推理：无冷启动问题的个性化内容生成

程序化内容生成使用算法技术以更低的制作成本为游戏创建大量新内容。在较新的方法中，程序化内容生成利用机器学习。然而，这些方法通常需要昂贵地收集大量数据，以及开发和训练相当复杂的学习模型，这可能既极其耗时又昂贵。我们研究的核心是探索是否可以通过一种更实用且可泛化的方法，利用大语言模型来降低个性化程序化内容生成的使用门槛。将游戏内容与玩家偏好匹配对玩家和开发者都有利：玩家更享受游戏，而开发者越来越依赖玩家在享受游戏后才能将其变现。因此，本文提出了一种新颖的个性化方法，通过使用大语言模型根据从单个玩家持续收集的游戏数据来提出关卡。我们将使用我们的方法生成的关卡与使用更传统的程序化生成技术生成的关卡进行了比较。我们易于复现的方法在生产环境中被证明是可行的，并且在玩家不会在关卡中途退出游戏的概率上优于传统方法生成的关卡。