基于知识图谱的游戏预测与支持系统研究

### 基于知识图谱的游戏预测与支持系统研究 #### 1. 初始知识图谱与IOBC 在构建跨不同子领域的知识图谱时，IOBC（Interlinking Ontology for Biological Concepts）展现出独特的特性。其特点源于从JST词库衍生出的广泛概念，以及由领域专家和耳科专家精心整理的语义关系。尽管IOBC在本体中仅由类（概念）组成，但当整合包含个体的数据集时，所提出的方法能够构建包含类和个体（实例）的知识图谱。 不过，该方法在实际应用中仍有一些方面值得考虑和改进： - **概念、关系和路径的选择**：如何根据用户的兴趣和目的，支持选择合适的概念、关系和路径来构建知识图谱是一个问题。由于选择方式的不同，这些元素的数量可能超过数千个，因此有时很难进行恰当的选择。后续计划更详细地分析IOBC，以确定在每个步骤中选择合适元素的标准。 - **支持工具的研究**：正在开发一些工具，用于选择IOBC的概念和关系，并可视化所获得的路径。这些工具旨在帮助用户更有效地选择合适的概念、关系和路径，以构建知识图谱。 #### 2. 《王者荣耀》游戏预测与支持系统概述 《王者荣耀》是一款多人在线战斗竞技游戏，由腾讯公司开发。截至2017年，其日活跃玩家超过8000万，月活跃玩家超过2亿，是全球最受欢迎、收入最高且下载量最大的游戏。目前，关于MOBA游戏结果的研究主要集中在DOTA2，对《王者荣耀》游戏结果预测的研究相对较少。 在《王者荣耀》中，玩家可以选择1V1、3V3、5V5等多种PVP游戏模式，每个玩家控制一个英雄。游戏胜利的条件是摧毁对方团队的主水晶。当前版本中有88个英雄，每个英雄都有独特的技能和属性，大致可分为以下几类： |英雄类型|特点| | ---- | ---- | |射手|擅长远程物理伤害，主要通过普通攻击造成伤害| |法师|魔法类型英雄，主要通过特定法术技能造成魔法伤害| |刺客|爆发型英雄，能在短时间内造成高伤害，对射手和法师威胁大| |辅助|保护型英雄，伤害能力较弱，为友方英雄提供保护| |战士|近战型英雄，能在承受敌人伤害的同时进行近战攻击| 一个团队若想赢得比赛，合理搭配英雄阵容至关重要。本文旨在仅根据双方所选英雄的信息来预测游戏结果，并构建知识图谱为玩家提供装备推荐等支持。具体工作如下： - 分析游戏以确定所需特征，并引入计算阵容匹配度和克制度的方法。 - 引入《王者荣耀》胜利预测算法Rule and Logistics Regression based Win Prediction Algorithm (RLWPA)，仅根据双方所选英雄的信息预测比赛结果。 #### 3. 英雄分析 - **英雄匹配关系**：英雄配对胜率表展示了不同英雄之间的匹配关系。每个英雄的特点不同，导致不同英雄之间的匹配程度也不同。匹配度高的英雄组合能充分发挥彼此的优势，显著影响游戏结果。例如，（奕星，女娲）、（奕星，武则天）和（裴擒虎，杨玉环）的胜率超过70%；而成吉思汗和马可波罗、嬴政和干将莫邪、姜子牙和太乙真人等组合的胜率低于20%。 - **英雄克制关系**：英雄克制胜率表体现了不同英雄之间的克制关系。当两个英雄处于对抗位置时，属性差异会导致相互克制的状态。选择能有效克制敌方英雄的英雄，更容易在游戏中取得优势。例如，（奕星克制公孙离）、（太乙真人克制马可波罗）和（成吉思汗克制姜子牙）的胜率超过80%。 #### 4. 特征选择 《王者荣耀》的战斗场景是镜像场景，双方玩家的地图和操作视角完全相同，因此阵营不同不会影响游戏胜率。将双方定义为阵营α和阵营β，考虑以下特征： - **匹配度**： - 阵营α的匹配度：$S_α = \sum_{i∈α}\sum_{j∈α,i≠j}S_{ij}$ - 阵营β的匹配度：$S_β = \sum_{i∈β}\sum_{j∈β,i≠j}S_{ij}$ - 双方匹配度差异：$S = S_α - S_β$ 当$S$为正数时，阵营α的匹配度更好；当$S$为负数时，阵营β的匹配度更好。