Dissertação
Player Preference Extraction From In-Game Behavior EVALUATED
A Geração de Conteúdo Procedimental é capaz de gerar conteúdo adaptado aos jogadores, mas precisamos de descobrir as preferências do jogador para o conseguir. Este trabalho visa abordar a forma de extrair e criar um modelo machine learning das preferências do jogador a partir dos dados de jogo recolhidos. Para o conseguir, foi criado um jogo offline e singleplayer, onde colocámos desafios cuidadosamente elaborados, com base em seis das sete classes BrainHex estudadas, das quais retirámos o Socializer por não se adequar ao nosso tipo de jogo, a correspondência com as preferências dos jogadores que estávamos a tentar medir Os dados de jogabilidade do jogador foram extraídos da sua interacção com os desafios e o ambiente, e adaptados às nossas necessidades de machine learning. Os dados foram então utilizados com uma variedade de algoritmos de machine learning, como Naive Bayes, Decision Trees, e K-Means, para prever as preferências de jogo dos futuros jogadores. O conjunto de dados foi replicado seis vezes, um para cada classe BrainHex, e utilizado separadamente para treinar diferentes modelos de machine learning. Mesmo com um tamanho de amostra muito limitado de 30, (n=24 para o conjunto de treino e n=6 para o conjunto de validação), os nossos modelos relataram uma alta precisão na identificação das classes BrainHex dos jogadores para cinco dos seis conjuntos de dados. A maior precisão para cada conjunto de dados em validação foi: 100% para Conqueror, 100% para Achiever, 100% para Mastermind, 83,33% para Survivor, e 66,66% para Daredevil.
novembro 19, 2021, 14:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Informática (DEI)
Professor Associado