> For the complete documentation index, see [llms.txt](https://fuxi-up-research.gitbook.io/open-project/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://fuxi-up-research.gitbook.io/open-project/research_topics/player_action_evaluation.md). # 基于游戏战场中行为序列的动作价值评估 ## 课题背景 动作价值评估一直是团队分析的核心研究课题之一，它对于关键动作识别、成员贡献评估、策略分析、团队招募等问题的决策都有非常重要的价值。 目前的研究大多数集中于根据专家经验筛选的关键动作评估，如足球中的射门，篮球中的扣篮、盖帽、投篮；一些其它相关研究以球的传输轨迹作为切入点，研究各个成员在球的传输网络中发挥的作用；此外最新的研究开始考虑比赛情境和动作对后续比赛的长期影响来评估动作价值，但建模方式仍限制于几个特定球类运动，难以拓展到更为广义的团队协作任务中，如游戏战场。 ## 问题定义 从海量的游戏战场日志中，挖掘和评估各个玩家在不同情境下完成不同动作的价值，评定不同动作对团队最终胜/负结果的贡献。 ## 问题挑战 玩家战场中动作价值评估的主要挑战包括以下几点： * 现阶段该领域的研究主要集中在球类运动中，对非球类的团队协作任务缺少较为成熟、通用的研究方法 * 在游戏战场中，多个玩家同时发生大量动作，且游戏状态复杂，结合游戏情境来刻画玩家间的相互作用困难 * 在一个协作任务中，不同玩家通常在团队中扮演不同的角色，如何将不同角色的贡献统一到同一个维度（或几个固定维度）上进行比较，也是难点之一 * 由于玩家战场中的动作密集性，我们只能对玩家行为进行有间隔地采样统计和记录（通常是以每5s为一个采样间隔），数据中存在一定的信息损失 * 玩家在战场中的行为是交互的，交互行为发生在人和环境、人和人之间，但有些动作很难记录指向性（如群体性、范围性技能） * 玩家的战场行为到最终的比反馈链路很长，缺少实时反馈 * 当前研究的评估方式仍以主观评估为主 ## 评价指标 可以通过以下指标进行评估： * 在普遍认可的运动类数据集上进行实验，如篮球、足球等，然后将算法结论与各个球员的实际情况对比，进行主观判断 * 其它量化评估方式 （也是本问题的研究难点之一） ## 数据集描述 * 比赛结算数据 | 字段 | 类型 | 描述 | | ----------- | ------ | ------------- | | battle\_id | string | 比赛id | | time | string | 比赛结束时间 | | iswin | int | 所在队伍是否获胜 | | teamscore | float | 所在队伍得分 | | role\_id | string | 玩家id | | level | int | 玩家等级 | | role\_class | int | 职业 | | equipscore | int | 玩家装备评分 | | ... | | 其它玩家画像记录 | | playerscore | int | 玩家在本场比赛中的个人得分 | | kill\_num | int | 击杀数 | | killed\_num | int | 被杀数 | | ... | | 其它战绩总结记录 | * 本场比赛内动作序列数据 | 字段 | 类型 | 描述 | | ----------------------- | ------ | -------------------- | | battle\_id | string | 比赛id | | time | string | 日志记录时间 | | role\_id | string | 玩家id | | dps | int | 采样间隔内dps | | kill\_summary | string | 采样间隔内击杀的玩家id，按击杀顺序记录 | | skill\_release\_summary | string | 采样间隔内释放的技能id，按释放顺序记录 | | hook\_summary | string | 采样间隔内玩家挂机判定 | ## 联系我们 有任何问题，请联系