Использование машинного обучения (МО) и искусственного интеллекта (ИИ) для формирования опыта игрока или группы игроков теперь хорошо интегрируется в современные игры. Примером может служить динамическая регулировка сложности, используемая в Left 4 Dead, которая, как следует из названия, изменяет сложность игрового сеанса во время его выполнения.

В рамках проекта моей магистерской диссертации в RWTH Aachen University я разработал различные системы рекомендаций, которые работают с алгоритмом процедурной генерации контента (PCG), чтобы рекомендовать контент, который понравится определенному профилю игрока. Моя команда в Flying Sheep Studios и я создали RPG-подземелье видеоигру для IP Охотники на троллей. Затем я перепрофилировал и создал алгоритмы рекомендательной системы, которые корректировали уровень сложности и атрибуты квеста в зависимости от того, что может предпочесть игрок. Мы обнаружили, что с помощью системы рекомендаций мы смогли значительно увеличить удержание игроков.

Алгоритмы рекомендации были в значительной степени основаны на концепции потока из психологии. Проще говоря, игры не должны быть ни настолько сложными, чтобы игроки постоянно терпели поражение и уходили из-за разочарования, ни настолько легкими, чтобы игроки не чувствовали себя вызовом и уходили от скуки. Не все игроки играют в игру одинаково и не одинаково хорошо справляются с задачей или игрой. Многие часы тратятся на то, чтобы сбалансировать игры, и в ходе этого процесса дизайнеры пытаются найти золотую середину, в которой сложность является идеальной. Но даже в самых лучших и сбалансированных играх могут отсутствовать некоторые профили игроков. Вот где на помощь приходит машинное обучение; сложность игры и содержание могут варьироваться в соответствии с любым количеством профилей игроков.

Чтобы развить игру дальше, игрок оказывается в шкуре первого в истории человека-охотника на троллей: Джима. Цель игроков - выполнять различные типы квестов, включая сбор, убийство, сопровождение, поиск и т. Д. Игроки выполняют побочные квесты для повышения уровня, и после каждых нескольких уровней игрок получает возможность пройти сюжетный квест. Этот процесс продолжается до тех пор, пока игрок не достигнет уровня 30, который является максимальным уровнем. После этого игра бесконечно предлагает побочные квесты. Сюжетные квесты всегда одни и те же, но побочные квесты повсеместно меняются в зависимости от навыков и предпочтений игрока.

Основной цикл игры продолжается, когда игрок начинает на рынке. Всегда есть два доступных квеста на выбор.

Когда игрок берет квест у одного из NPC, дающего квесты, ему/ей предоставляются квестовые задания. Если игрок соглашается, он/она отправляется в подземелье.

Игрок выполняет квестовые задачи, которые могут включать сбор драгоценных камней, убийство врагов, поиск потерянных друзей и так далее. После того, как все задания выполнены, игрок возвращается на рынок, чтобы выбрать следующий квест.

Алгоритм PCG был использован для создания около 90 000 квестов и соответствующих подземелий. Квест может выбрать любой из этих квестов в зависимости от того, какие типы врагов или квестовые задачи предпочитает игрок. По ходу игры алгоритм обучения знакомится с уровнем навыков и предпочтениями игрока. В результате всякий раз, когда игрок идет на рынок, чтобы найти новый квест, алгоритм лучше понимает, что может понравиться игроку, и представляет квест в соответствии с этим профилем.

Серверная часть приложения, которое содержит алгоритмы обучения, размещена на веб-сервере Golang. Игра была создана с использованием библиотек WebGL, а именно Three.js и Phaser. Это кроссплатформенная игра HTML5, в которую можно играть на любом устройстве с браузером, поддерживающим WebGL. Она размещена на Toggo.de и доступна по этой ссылке.

Часть моего исследования была опубликована на конференции AIIDE 2018, проходившей в Канаде. Если вы хотите узнать больше о том, какие алгоритмы использовались и как они противостояли друг другу, черновик этой статьи можно найти здесь.

Мое исследование также было освещено Kölnische Rundschau в их статье об ИИ в детских играх.

Эта статья была впервые опубликована здесь:http://raheelyawar.com/recommending-in-game-content-using-machine-learning/