研究表明，这是哪些策略帮助玩家赢得面向团队的视频游戏
北卡罗来纳州立大学(North Carolina State University)的计算机科学研究人员开发了一种技术，可以确定在多人(动作)实时策略(ARTS)游戏(如DotA、魔兽争霸3和星际争霸2)中，哪些策略能让玩家获得胜利。该技术提供了关于玩家行为如何影响团队获胜机会的极其精确的信息，可以用于开发技术，供玩家和开发者使用，以改善游戏体验。
研究人员使用这种技术，利用各种分析工具，来评估数千款ARTS游戏中的玩家行为日志。然后，他们利用这些信息开发了一套管理团队游戏策略的规则，以确定哪种方法能够给团队带来最大的获胜机会。
“我们的目标是使用这些数据来开发工具，可以培养游戏玩家更成功地发挥更成功的作用，”在中国国家统计局州科学计算机科学助理教授和两篇论文中的两篇论文中的两篇论文助理教授David L. Roberts博士说。“这些工具可以通过游戏开发人员纳入游戏，或者可以开发成独立培训模块。
“游戏开发者也可以使用这些工具来帮助他们了解他们在游戏中添加的游戏机制是否具有预期效果，并据此对游戏进行微调。”
研究人员评估了各个团队角色的属性 - 例如英雄在Dota中的力量 - 以及每个团队的总体属性 - 例如在Dota中英雄团队的合并总体力量。这些属性在游戏过程中发生了变化，研究人员还研究了这些属性如何以及当每个团队更改这些属性。
在观察聚合属性时，研究人员发现，属性改进的时机与团队成功的可能性有关——有时是以一种非直觉的方式。
例如，在DotA中，每个角色都有“损伤点”，表示角色在“死亡”之前可能会造成多少损坏。如果A比赛中的第59.7团队的伤害点数超过球队的第二季度，队伍队的胜利队伍超过了80％以上。但是，如果A团队有54个伤害点，而不是B团队，A队的胜利几率不到10％ - 但只有在B团队没有太强大，聪明或富有。
为什么?因为《DotA》中的玩家会在游戏中积累“金币”和“经验”，并将其用于提高自己的攻击力和其他属性。虽然在单一属性中积累巨大优势(如伤害)能够帮助团队获胜，但更重要的是找到一种平衡的方法。
Roberts说道:“找到这种平衡是一件非常复杂的事情，这也是游戏如此吸引人的原因。
研究人员还发现，个人角色的属性的重要性差异很大，具体取决于每个多人团队的化妆。
例如，在《星际争霸2》中，玩家可以扮演几种外星种族中的任何一种，每种种族都有自己的特点。如果一个团队由人族(人类)和虫族(外星节肢动物)组成，那么如果虫族的人口增长率很高，而人族的人口增长率很低，那么它获胜的几率将超过70%。但是虫族的人口增长率在其他团队组合中并不重要。
Roberts表示:“我们目前正利用这些发现开发可视化工具，让玩家实时了解自己的表现，以及我们所知道的能够预测成功的策略。”
这些研究论文将在两个会议上发表。关于个性属性的论文，"知识发现，用于表征团队成功或失败（A）RTS游戏，“将于8月13日展示在IEEE 2013年在安大略省尼亚加拉瀑布举行的游戏中的计算智能会议。关于聚合数据的论文，“复杂时代环境下人类可读知识规则的提取“是在2013年7月22日至25日在内华拉斯维加斯举行的2013年国际信息和知识工程议会上举行的。两篇论文的主要作者是普阳，博士。学生处于NC状态。
- 船员 -
编辑注意事项：研究摘要跟随。
“在复杂的时间演化环境中提取人类可读的知识规则”
作者：北卡罗来纳州立大学浦阳和大卫罗伯茨
提出了: 2013年7月22-25日，信息与知识工程国际会议，拉斯维加斯，内华达州
抽象的：生产规则系统是一种使用知识表示规则的推理系统。手动规则收购需要人类的大量努力和时间。在本文中，我们提出了一种数据驱动技术，用于自主地从复杂，时间不断发展的环境中提取人类可读规则，使规则获取为生产规则系统有效。复杂，时间不断发展的环境通常是高度动态且难以预测的。我们使用属性集代表这些环境，并将这些属性转换为频域，该属性可以分析提取重要功能。我们使用基于规则的分类技术从这些功能中提取人类可读知识规则，并将决策规则转换回时域。我们在三种环境中对我们的方法进行了评估：飓风数据，实时战略游戏和货币兑换。实验表明提取的规则是人类可读的并且达到良好的预测精度。
《描述(A)RTS游戏中团队成败的知识发现》
作者：北卡罗来纳州立大学浦阳和大卫罗伯茨
提出了：8月11日至13日，IEEE 2013年游戏中的计算智能会议，尼亚加拉瀑布，安大略省
抽象的：当在团队游戏中进行赛后分析时，我们很难直接从游戏日志中判断出团队成员的角色属性开发是否成功。此外，很难弄清楚一个团队成员的表现如何影响另一个团队成员的表现。在本文中，我们提出了一种数据驱动的方法来自动发现团队游戏中成功团队成员角色属性发展的模式。我们首先用信息属性的时间序列来表示团队成员的性格属性发展。然后，我们利用聚类和线性回归找到区分快速和缓慢属性增长率的阈值。通过与阈值比较，我们创建了一组分类属性增长率。如果增长速度大于阈值，则属于快速增长;如果增长率低于这一标准，则被归类为“缓慢增长”。在获得分类属性增长率集合后，在集合上构建决策树。最后，我们用描述团队成员性格属性增长率的规则来描述团队成功的模式。 We present an evaluation of our methodology on three real games: DotA, Warcraft III, and Starcraft II. A standard machine-learning-style evaluation of the experimental results shows the discovered patterns are highly related to successful team strategies and achieve an average 86% prediction accuracy when testing on new game logs.
