Graph Embedding Augmented Skill Rating System

要約

タイトル: グラフ埋め込みによるスキル評価システムの拡張
要約: 本論文は、競技ゲームやイベントでのプレーヤーの埋め込みを学習するためのフレームワークを提供します。プレーヤーと彼らの勝敗関係は、無向重みグラフであるスキルギャップグラフとしてモデル化されます。プレーヤーの埋め込みは、ランダムウォークベースのグラフ埋め込み法を用いてグラフから学習され、プレーヤーの相対的なスキルレベルを反映することができます。埋め込みは、グラフのトポロジックな関係を保持しながら、後続のタスクに便利に適用される低次元のベクトル表現です。本論文の後半では、プレーヤースキルの評価におけるプレーヤーの埋め込みの応用として、Graphical Elo（GElo）が紹介されています。GEloは、クラシックなEloレーティングシステムの拡張です。プレーヤーのマッチ履歴に基づくスキルギャップグラフを構築し、そこからプレーヤーの埋め込みを学習します。その後、Eloによって計算された評価スコアは、プレーヤーのアクティブ度合いやプレーヤーの埋め込み間のコサイン類似度に応じて調整されます。GEloはオフラインで並列実行でき、既存の評価システムに干渉せず、より信頼性の高いプレーヤースキルレベルの評価ができることが公開データセットでの実験結果を示しています。プレーヤーの埋め込みの競技ゲームやイベントでのポテンシャルアプリケーションを示唆しています。

要約(オリジナル)

This paper presents a framework for learning player embeddings in competitive games and events. Players and their win-loss relationships are modeled as a skill gap graph, which is an undirected weighted graph. The player embeddings are learned from the graph using a random walk-based graph embedding method and can reflect the relative skill levels among players. Embeddings are low-dimensional vector representations that can be conveniently applied to subsequent tasks while still preserving the topological relationships in a graph. In the latter part of this paper, Graphical Elo (GElo) is introduced as an application of player embeddings when rating player skills. GElo is an extension of the classic Elo rating system. It constructs a skill gap graph based on player match histories and learns player embeddings from it. Afterward, the rating scores that were calculated by Elo are adjusted according to player activeness and cosine similarities among player embeddings. GElo can be executed offline and in parallel, and it is non-intrusive to existing rating systems. Experiments on public datasets show that GElo makes a more reliable evaluation of player skill levels than vanilla Elo. The experimental results suggest potential applications of player embeddings in competitive games and events.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI