可左右滑动选省市

一种基于图注意力网络的MOBA游戏装备推荐方法

更新时间:2024-07-01
一种基于图注意力网络的MOBA游戏装备推荐方法 专利申请类型:发明专利;
源自:北京高价值专利检索信息库;

专利名称:一种基于图注意力网络的MOBA游戏装备推荐方法

专利类型:发明专利

专利申请号:CN202210164356.3

专利申请(专利权)人:北京工业大学
权利人地址:北京市朝阳区平乐园100号

专利发明(设计)人:段立娟,李舒欣,张文博,乔元华

专利摘要:本发明属于推荐系统领域,针对多人在线战术竞技类型MultiplayerOnlineBattleArena,MOBA游戏装备推荐问题,提出了一种基于图注意力网络的MOBA游戏装备推荐方法。首先使用基于Transformer的局部和全局注意力特征提取方法,针对局内对战队伍的多属性特征进行细粒度提取,促使模型在装备推荐时既考虑己方协助信息也考虑敌方制约信息,进行有效信息互通。其次,基于图注意力网络的全局多重聚合方法通过计算影响因子权重深入更新聚合特征,不断强化英雄‑英雄、英雄‑装备间的交互影响。本发明在Precision和MAP指标上明显优于先前方法,对MOBA游戏的装备推荐更准确有效。

主权利要求:
1.一种基于图注意力网络的MOBA游戏装备推荐方法,其特征在于包括数据准备、构建并训练装备推荐网络、利用训练完成的装备推荐网络进行装备推荐,数据准备包括,
步骤1:获取MOBA类英雄联盟游戏数据集,作为训练数据集;
步骤2:对步骤1中数据进行基于Transformer的局部和全局注意力特征提取;构建并训练装备推荐网络,装备推荐网络用于装备推荐,工作过程如下,步骤3:对步骤2所得的游戏特征表达进行基于图注意力网络的全局多重聚合得到综合特征HL;
步骤4:进行基于英雄和装备的全局综合特征表达的装备推荐;
利用训练完成的装备推荐网络进行装备推荐,具体如下,
步骤5:将待分析数据经步骤2处理后输入到训练好的装备推荐网络中完成装备推荐;
步骤2具体包括如下步骤:
步骤2.1:基于步骤1的输入数据进行Embedding特征嵌入得到嵌入矩阵Eb,首先,将输入的每一场比赛数据分别送入四类Embedding,四类Embedding分别进行英雄角色、英雄类型、所用装备、所属阵营的特征嵌入;
然后,将四类Embedding后的结果进行拼接操作得到嵌入矩阵Eb, N表示一场比赛中的英雄总数,D为嵌入维度,b为比赛场次的序号,Eb中包含了第b场比赛中英雄角色、英雄类型、英雄所用装备、所属阵营四类属性的嵌入信息;
步骤2.2:利用TransformerEncoder对步骤2.1得到的Eb进行局部特征提取得到首先,将每场比赛的嵌入矩阵根据对战阵营划分为两部分,其中,第b场比赛的嵌入矩阵Eb划分为 和然后,利用四个TransformerEncoder分别提取对战阵营A、B的四类内部属性特征,记为 其中,(m)
n为一支队伍中英雄数量,N=2n,θ 是TransformerEncoderm的可训练参数;
最后,分别将对战阵营A、B的四类内部属性特征进行拼接,得到对战阵营A、B的队内特征编码,记为步骤2.3:基于步骤2.2所得 计算全局注意力特征H,具体步骤如下:步骤2.3.1,分别对队内特征 进行平均池化操作,接着使用全连接层映射得到队伍的全局特征表达 与 表示如下,步骤2.3.2,计算A、B双方之间的指导相似性SA→B和SB→A,用于相互指导、信息互通,其中,A队对B队出装的指导相似性B队对A队出装的指导相似性得分
步骤2.3.3,计算A队伍基于全局的队间特征fA→B以及B队伍基于全局的队间特征fB→A,计算公式如下:步骤2.3.4,计算A队的输出特征 和B队伍的输出特征 用于有效捕捉己方与敌方队伍的特征,计算公式如下:步骤2.3.5,最终将A、B两队的输出特征进行拼接,得到一场游戏比赛的全局注意力特征,计算公式如下:步骤3具体步骤如下:
步骤3.1:基于步骤2得到的全局注意力特征H得到Hl,
一场游戏比赛的特征表达包含两队共N个英雄的全局综合特征
每个英雄作为一个节点,特征向量 表示第i个英雄节点的综合
特征,D为特征矩阵维度,H做为输入图注意力网络的特征矩阵部分;
由于图注意力网络内由多个子层进行特征聚合,因此H送入图注意力网络后经过网络内第l子层聚合后的总特征为 表示英雄节点i在第l层聚合得到的特征;
步骤3.2:基于步骤2.1所得Eb计算得到英雄间相互关系特征V英雄之间的相互关系作为边,边之间存在的相互关系由 计算得
到,并作为输入图注意力网络的相关矩阵部分;
步骤3.3:基于步骤3.1计算影响因子权重 的步骤如下:
通过 来计算英雄节点i基于注意力机制c在第l层的影响权重;
其中||表示对多个向量进行连接的操作, 表示由英雄节点i在其关联节点j上,基于c,c∈(role,type,item,team)方面的注意力,得到的在第l子层的影响因子权重值,为图注意力网络设置的注意力头的数目C为4,即对每场比赛的综合特征表达H分别从role、type、item、team四个方面进行注意力的针对性聚合,M[i]表示与英雄节点i相关联的英雄节点组成的集合,各英雄节点间是否关联由步骤3.2的相关矩阵V得到, 为第c方面注意力机制的线性变换矩阵,g(·)是LeakyReLU非线性函数, 是一个在训练过程中学习到的注意力向量;
步骤3.4:基于步骤3.3所得 计算得到英雄i在第l+1层的特征英雄结点i在第l+1子层基于C种注意力机制进行更新聚合特征的具体流程如下面公式所示:表示与英雄i相关联的英雄结点j在第l子层的特征,σ表示sigmoid函数,Wlc为第c方面注意力机制的线性变换矩阵,所得的 为英雄节点i在图注意力网络的第l+1子层进行更新聚合后的特征表示,因此一场比赛中所有英雄节点在图注意力网络的第l+1子层的特征聚合表示为:步骤3.5:基于步骤3.4所得Hl+1和步骤3.2所得V计算图注意力网络的最终输出特征包含了英雄‑装备之间的综合特征表达HL,图注意力网络GAT的输入是Hl+1和V,其表示如下:
HL=GAT(Hl+1,V;Θl)
设置图注意力网络的总子层数L=3,即第一子层主要聚合队内英雄之间的关系特征,第二子层主要聚合队间英雄之间的关系特征,第三子层主要聚合英雄和使用装备之间的关系特征,Hl+1和V经过L层的更新聚合后得到 Θl是位于第l层的图注意力网络子层的参数集。
2.根据权利要求1所述的一种基于图注意力网络的MOBA游戏装备推荐方法,其特征在于:数据集中的一个样本表示一场比赛数据,由一场比赛的英雄所属类型champion_type、英雄所属阵营champion_team、英雄所属角色champion_role、英雄所用装备champion_items和英雄所用装备的标签items_use组成,表示为(champion_type,champion_team,champion_role,champion_items,items_use),其中,champion_type={type1,type1,…,typeN},typei表示一场比赛中第i个英雄的所属类型,N表示一场比赛中的英雄总数,champion_team={team1,team2,…,teamN},teami是一场比赛中第i个英雄的所属阵营,champion_role={role1,role2,…,roleN},rolei是一场比赛中第i个英雄的所属角色,champion_items={items1,items2,…,itemsN},itemsi表示一场比赛中第i个英雄所使用到的装备,items_use={use1,use2,...,useN},usei表示一场比赛中第i个英雄所使用到的装备的标签,标签具体内容为各装备的编码。
3.根据权利要求1所述的一种基于图注意力网络的MOBA游戏装备推荐方法,其特征在于步骤4具体步骤如下:步骤4.1:基于步骤2.3所得H和步骤3.5所得HL计算局部和全局综合特征H′,即将H与HL进行拼接得到一场游戏中英雄和装备的全局综合特征表达H′;
步骤4.2:基于步骤4.1所得H′计算匹配得分矩阵ZNK,用于估计N个英雄对K个目标装备的适用概率,具体公式如下:ZNK=H′·WK
其中,WK是线性变换矩阵,
步骤4.3:基于步骤4.2所得ZNK计算Y(N,K),预测评分Y(N,K)表示N个英雄分别选择K项装备的可能性,具体公式如下:将ZNK经过Sigmoid激活层后最终输出一场比赛中N个英雄选择K项装备的概率值,根据实际需要选择预测评分Y(N,K)大的前K项装备作为推荐装备。 说明书 : 一种基于图注意力网络的MOBA游戏装备推荐方法
技术领域:[0001] 本发明针对多人在线战术竞技类型(MultiplayerOnlineBattleArena,MOBA)游戏装备推荐问题,提出了一种基于图注意力网络的MOBA游戏装备推荐方法。本发明属于推荐系统领域,具体涉及深度学习,注意力特征提取和图注意力网络等技术。背景技术:[0002] MOBA类型游戏近年来发展迅速,已成为网络游戏的重要组成部分。英雄联盟(LeagueofLegends,LOL)做为一款由美国RiotGames公司开发的MOBA类型竞技网络游戏,已经形成了自身独有的电子竞技文化,意味着英雄联盟依旧是全球玩家数量最庞大的电竞游戏。虽然决定比赛胜利的因素是多方面的,但影响因素排名前两项的分别是阵营中角色选择以及角色的装备选择。截至目前,有关MOBA类型游戏角色推荐方面的研究已较为深入,已上线了多种模式的角色阵营匹配系统,但针对阵营中角色的装备匹配推荐研究仍然很少,尤其对于新手玩家来说,如何根据敌我双方阵营选择适合英雄的装备较为复杂,同时也是影响游戏胜利的一大因素,因此研究阵营内的英雄装备推荐具有深远意义。[0003] 传统MOBA类游戏内的研究主要集中在游戏角色推荐和团队胜利预测方面,与装备推荐相关的研究仍然很少,而且采用的大多是传统机器学习方法,对于数据量庞大的游戏比赛缺乏自适应学习的特性,局限于一种或几种特定的数据源,不能充分利用比赛数据中的多属性信息,忽略了潜在有价值的上下文信息,导致推荐系统性能次优化。为了更细粒度地提取相关属性特征,并提高远近距离相关性捕获能力,本发明设计了一种基于图注意力网络的游戏装备推荐方法,利用Transformer进行局部和全局注意力特征提取,并利用图注意力网络进行全局多重聚合,有效利用游戏阵营的全局特征表达进行信息互通,捕获阵营中英雄装备间协助制约等隐含关系以指导装备推荐。[0004] 先前的游戏装备推荐研究利用CNN进行粗粒度特征提取,仅考虑了基于阵营和角色之间单一对应关系,忽略了潜在的阵营结构交互性信息,缺失了从角色装备的复杂交互中学习丰富和鲁棒的图结构嵌入。为了更具全局性的建模装备选择对两方队伍中英雄的影响关系,本发明设计了基于图注意力网络的全局多重聚合模块,通过图结构的隐式反馈来构建阵营中各英雄交互结构的影响,运用图注意力网络学习英雄‑英雄以及英雄‑装备之间的影响交互权重,通过图注意力机制的隐式反馈进行信息融合,以学习装备推荐的偏好。发明内容:[0005] 本发明针对MOBA类型游戏基于阵营的特点,设计了一种基于图注意力网络的装备推荐方法。[0006] (1)基于Transformer的局部和全局注意力特征提取[0007] Transformer在许多领域产生了巨大的影响,其中的编码器已被证明可以有效提取各种类型的信息。为了弥补传统推荐算法仅对单一属性进行特征提取的局限性,在复杂的多属性上下文关系中更加细粒度、针对性地提取局部和全局特征,本发明设计了一种基于Transformer的局部和全局注意力特征提取方法,有效利用游戏内阵营的全局表达进行信息指导与互通。[0008] (2)基于图注意力网络的全局多重聚合[0009] 基于图注意力网络的推荐方法以其处理结构化数据和挖掘上下文信息的优势,已成为推荐系统中最先进的方法。与之前的工作不同,本发明将其应用于新颖的MOBA类游戏装备推荐项目。考虑到MOBA类型游戏数据中不同英雄可以构成节点,相关联英雄节点间关系强弱由图注意力网络中的影响因子权重计算,深入捕获角色与装备之间的辅助与抑制关系,并通过多个图注意力层深入更新聚合特征,不断强化英雄‑英雄、英雄‑装备间的交互影响,从而为英雄精准的推荐装备。[0010] 实验结果表明,本发明提出的方法对于MOBA类型游戏装备推荐的准确率比以往有明显提升。[0011] 有益效果:[0012] 本方法与现有技术相比,具有以下的明显优势和有益效果:[0013] 首先,融合了基于图注意力网络和Transformer机制的整体架构,增加了全局和局部细粒度提取以指导特征,增强信息互通。其次,通过计算图注意力机制中影响因子权重不断深入强化队内英雄、队间英雄以及英雄‑装备间的影响。从而帮助推荐模型根据英雄所处阵营以及对战阵营,精准发现该英雄的适用装备,提升了英雄装备推荐的准确性。附图说明:[0014] 图1为网络整体框架结构图;[0015] 图2为基于TransformerEncoder的局部特征提取模块图;[0016] 图3为全局特征解耦图;[0017] 图4为图注意力多重聚合模块单一子层模型图。具体实施方式:[0018] 本发明的目的在于提出一种基于图注意力机制的MOBA类游戏装备推荐方法,在局部和全局注意力特征提取的基础上,利用图注意力网络进行全局多重聚合,从而生成更加精准的装备推荐结果。[0019] 一种基于图注意力网络的MOBA游戏装备推荐方法,其特征在于包括数据准备、构建并训练装备推荐网络、利用训练完成的装备推荐网络进行装备推荐,该方法的具体的实施流程如下:[0020] 步骤1:获取MOBA类英雄联盟游戏数据集,作为训练数据集;[0021] 本发明使用了美国RiotGames公司发布于2017年的Kaggle公开英雄联盟数据集,涵盖了自2014年起收集的157,584场英雄联盟匹配排名比赛数据。数据集中的一个样本表示一场比赛数据,由一场比赛的英雄所属类型champion_type、英雄所属阵营champion_team、英雄所属角色champion_role、英雄所用装备champion_items和英雄所用装备的标签items_use组成,表示为(champion_type,champion_team,champion_role,champion_items,items_use),其中,champion_type={type1,type1,…,typeN},typei表示一场比赛中第i个英雄的所属类型,N表示一场比赛中的英雄总数,champion_team={team1,team2,…,teamN},teami是一场比赛中第i个英雄的所属阵营,champion_role={role1,role2,…,roleN},rolei是一场比赛中第i个英雄的所属角色,champion_items={items1,items2,…,itemsN},itemsi表示一场比赛中第i个英雄所使用到的装备,items_use={use1,use2,...,useN},usei表示一场比赛中第i个英雄所使用到的装备的标签,标签具体内容为各装备的编码。[0022] 步骤2:对步骤1中数据进行基于Transformer的局部和全局注意力特征提取,构建并训练装备推荐网络,装备推荐网络用于装备推荐;[0023] 为了对游戏阵营内外英雄的多属性特征(即英雄所属类型、所属阵营、所用装备及所属角色)进行特征解耦,本发明利用Transformer编码器结构对不同属性特征进行针对性提取,有效利用阵营的全局表达进行信息互通,捕获阵营中英雄装备协助制约等隐含关系从而指导出装,如图1中的局内多属性特征提取模块所示,模块内具体流程如图2和图3所示。[0024] 步骤2.1:基于步骤1的输入数据进行Embedding特征嵌入得到嵌入矩阵Eb,[0025] 首先,将输入的每一场比赛数据分别送入四类Embedding,四类Embedding分别进行英雄角色、英雄类型、所用装备、所属阵营的特征嵌入;[0026] 然后,将四类Embedding后的结果进行拼接操作得到嵌入矩阵Eb, N表示一场比赛中的英雄总数,D为嵌入维度,b为比赛场次的序号,Eb中包含了第b场比赛中英雄角色、英雄类型、英雄所用装备、所属阵营四类属性的嵌入信息;[0027] 步骤2.2:利用TransformerEncoder对步骤2.1得到的Eb进行局部特征提取得到[0028] 首先,将每场比赛的嵌入矩阵根据对战阵营划分为两部分,其中,第b场比赛的嵌入矩阵Eb划分为 和[0029] 然后,利用四个TransformerEncoder分别提取对战阵营A、B的四类内部属性特征,记为 其中,[0030][0031][0032] n为一支队伍中英雄数量,N=2n,θ(m)是TransformerEncoderm的可训练参数;[0033] 最后,分别将对战阵营A、B的四类内部属性特征进行拼接,得到对战阵营A、B的队内特征编码,记为[0034] 步骤2.3:基于步骤2.2所得 计算全局注意力特征H,具体步骤如下:[0035] 步骤2.3.1,分别对队内特征 进行平均池化操作,接着使用全连接层映射得到队伍的全局特征表达 与 表示如下,[0036][0037][0038] 步骤2.3.2,计算A、B双方之间的指导相似性SA→B和SB→A,用于相互指导、信息互通,其中,[0039] A队对B队出装的指导相似性[0040] B队对A队出装的指导相似性得分[0041] 步骤2.3.3,计算A队伍基于全局的队间特征fA→B以及B队伍基于全局的队间特征fB→A,计算公式如下:[0042][0043][0044] 步骤2.3.4,计算A队的输出特征 和B队伍的输出特征 用于有效捕捉己方与敌方队伍的特征,计算公式如下:[0045][0046][0047] 步骤2.3.5,最终将A、B两队的输出特征进行拼接,得到一场游戏比赛的全局注意力特征,计算公式如下:[0048][0049] 步骤3:对步骤2所得的游戏特征表达进行基于图注意力网络的全局多重聚合得到综合特征HL;[0050] 如图1中的图注意力多重聚合模块所示,模块中应用了图注意力网络,其接收两部分输入,一个是特征矩阵输入部分,一个是相关矩阵输入部分,具体步骤如下:[0051] 步骤3.1:基于步骤2得到的全局注意力特征H得到Hl,[0052] 一场游戏比赛的特征表达包含两队共N个英雄的全局综合特征每个英雄作为一个节点,特征向量 表示第i个英雄节点的综合特征,D为特征矩阵维度。H做为输入图注意力网络的特征矩阵部分。[0053] 由于图注意力网络内由多个子层进行特征聚合,因此H送入图注意力网络后经过网络内第l子层聚合后的总特征为 表示英雄节点i在第l层聚合得到的特征。[0054] 步骤3.2:基于步骤2.1所得Eb计算得到英雄间相互关系特征V。[0055] 英雄之间的相互关系作为边,边之间存在的相互关系由 计算得到,并作为输入图注意力网络的相关矩阵部分。[0056] 步骤3.3:基于步骤3.1计算影响因子权重 的步骤如下:[0057] 本发明中为图注意力网络设置的注意力头的数目C为4,即对每场比赛的综合特征表达H分别从role、type、item、team四个方面进行注意力的针对性聚合。[0058] 一场比赛中各个英雄之间的相关影响大小不同,相关影响大小由影响因子权重得到。通过 来计算英雄节点i基于注意力机制c在第l层的影响权重。[0059][0060] 其中||表示对多个向量进行连接的操作, 表示由英雄节点i在其关联节点j上,基于c,c∈(role,rype,item,team)方面的注意力,得到的在第l子层的影响因子权重值。M[i]表示与英雄节点i相关的联英雄节点组成的集合,各英雄节点间是否关联由步骤3.2的相关矩阵V得到。例如,英雄节点i和英雄节点j、p、q相关联,但相关性强弱不同,若要计算英雄节点i和英雄节点j之间的影响关系强弱,需要计算英雄节点i和英雄节点j、p、q之间关系之和,再求比例。 为第c方面注意力机制的线性变换矩阵,Wlc的维度是根据需要取值的,本实施例中取值为 g(·)是LeakyReLU非线性函数。 是一个在训练过程中学习到的注意力向量。[0061] 步骤3.4:基于步骤3.3所得 计算得到英雄i在第l+1层的特征[0062] 英雄结点i在第l+1子层基于C种注意力机制进行更新聚合特征的具体流程如下面公式所示:[0063][0064] 表示与英雄i相关联的英雄结点j在第l子层的特征,σ表示sigmoid函数,Wlc为第c方面注意力机制的线性变换矩阵。所得的 为英雄节点i在图注意力网络的第l+1子层进行更新聚合后的特征表示,因此一场比赛中所有英雄节点在图注意力网络的第l+1子层的特征聚合表示为:[0065][0066] 步骤3.5:基于步骤3.4所得Hl+1和步骤3.2所得V计算图注意力网络的最终输出特征包含了英雄‑装备之间的综合特征表达HL。[0067] 图注意力网络(GAT)的输入是Hl+1和V,其表示如下:[0068] HL=GAT(Hl+1,V;Θl)[0069] 本发明中设置图注意力网络的总子层数L=3,即第一子层主要聚合队内英雄之间的关系特征,第二子层主要聚合队间英雄之间的关系特征,第三子层主要聚合英雄和其使用装备之间的关系特征。Hl+1和V经过L层的更新聚合后得到 Θl是位于第l层的图注意力网络子层的参数集。[0070] 图注意力网络中有多个子层,每个子层通过把与第i个英雄相关的英雄节点按影响因子权重大小聚合到i自身,使i英雄节点具有与其他英雄相关性密切与否的特性。如图4所示,在第l层中,通过把与琴瑟仙女相关的英雄如赏金猎人、盖伦、婕拉、伊莉丝和安妮等特征按照影响关系强弱聚合到第l+1层的琴瑟仙女自身特征上,琴瑟仙女便更新聚合了与本场比赛的其余英雄相关性特征,更利于根据敌方英雄影响的强弱进行精确装备推荐。同理,每场比赛中的每个英雄都经过多个子层进行更新聚合特征。通过多个图注意力网络子层,更利于精确计算每场比赛不同英雄间的相关性大小。[0071] 例如,A队英雄包括齐天大圣、九尾狐妖、卡莉丝塔、格雷福斯和琴瑟仙女,B队英雄包括盖伦、婕拉、赏金猎人、伊莉丝和安妮。A队中具有上单类型坦克角色属性的齐天大圣前期爆发力高但防御能力弱,其与下单类型射手角色的卡莉丝塔配合,卡莉丝塔更倾向于给齐天大圣提供保护类型的辅助;其与中单类型法师角色的九尾狐妖配合,九尾狐妖具有迅速位移和自保能力,更倾向于给齐天大圣提供偶尔的辅助。因此,对于A队的齐天大圣而言,队内英雄之间相互关系影响因子权重卡莉丝塔大于九尾狐妖。而敌方B队中同样具有上单类型坦克角色的盖伦拥有不俗的输出能力以及防御能力,可谓攻守兼备,但攻击伤害的范围有限,齐天大圣与盖伦直接对战,所以队间英雄影响因子较大。因此,对于齐天大圣而言,针对其自身防御力弱的缺点为其推荐防御系列装备,针对影响因子较大的对战英雄盖伦的缺点而言,为齐天大圣推荐攻击范围更大射程更远的装备,更利于战胜盖伦。[0072] 步骤4:进行基于英雄和装备的全局综合特征表达的装备推荐,利用训练完成的装备推荐网络进行装备推荐;[0073] 步骤4.1:基于步骤2.3所得H和步骤3.5所得HL计算局部和全局综合特征H′。[0074] 即将H与HL进行拼接得到一场游戏中英雄和装备的全局综合特征表达H′。[0075] 步骤4.2:基于步骤4.1所得H′计算匹配得分矩阵ZNK,用于估计N个英雄对K个目标装备的适用概率,具体公式如下:[0076] ZNK=H′·WK[0077] 由于最终结果是要为一场比赛中的每个英雄推荐最适用的6项装备属于top‑k推荐,须通过计算 来估计N个英雄对K个目标装备的适用概率,WK是线性变换矩阵,其中,WK是线性变换矩阵,[0078] 步骤4.3:基于步骤4.2所得ZNK计算Y(N,K),预测评分Y(N,K)表示N个英雄分别选择K项装备的可能性,具体公式如下:[0079][0080] 将ZNK经过Sigmoid激活层后最终输出一场比赛中N个英雄选择K项装备的概率值,根据实际需要选择预测评分Y(N,K)大的前K项装备作为推荐装备。[0081] 步骤5:将待分析数据经步骤2处理后输入到训练好的装备推荐网络中完成装备推荐。[0082] 在装备推荐预测损失中,采用二元交叉熵损失函数,为每场比赛中每个英雄推荐辅助友方并抑制敌方作用的装备,定义为Litems。yi表示样本数据中第i个英雄所使用到的装备标签, 表示图注意力网络输出推荐的装备。[0083][0084] 基于图注意力机制的MOBA类游戏装备推荐方法能够产生比现有方法更好的推荐结果,充分利用了游戏阵营中的多属性上下文信息和图注意力机制,在比赛中利于英雄获胜的装备能够得到更高的分数,在推荐列表中占据更靠前的位置。[0085] 一场比赛中两支队伍总英雄数N为10,一支队伍英雄数n为5;将Embedding层的嵌入维度D设置为512;图注意力网络的多头注意力机制数目C为4,图注意子层数L设置为3,隐藏层数设为256,droupout为0.5;batchsize设置为100,学习速率设为3e‑5。[0086] 整体采用精确率(Precision@k)和平均精度均值(MAP@k)两个评估指标,其中k取值为1、6、10,即为英雄推荐胜率最高的前k项装备。[0087] 表1显示了基于图注意力网络的装备推荐模型与现有方法的比较。[0088] 表1:实验结果[0089][0090] 为了在游戏中给不同英雄更加精准的推荐装备,因此各项指标结果中更倾向于准确率的提升。与最佳基线方法TTIR相比,基于图注意力网络的装备推荐方法在Precision@k上取得了更高的结果。当k=6时,精度提高效果最好,为4.8%;当k=1和k=10时,精度分别提高了2.7%和4.1%。在MAP@k上也有改进,当k为1,6和10时,分别提高了2.7%,1.8%和1.2%,证明了该模型的综合性能得到了提升。

专利地区:北京

专利申请日期:2022-02-22

专利公开日期:2024-06-18

专利公告号:CN115193055B

电话咨询
读内容
搜本页
回顶部