Evaluación de modelos de jugadores mediante técnicas de clustering

Para conseguir captar el interes de los jugadores is importante que los video juegos adapten su dificultad en funcion de las habilidades del jugador. Ser capaz de evaluar como juegan los usuarios es un componente crucial para modelar el comportamiento de los jugadores en los juegos. Uno de los problemas de crear un modelo de comportamiento de usuario es comprobar si las variable predictoras detectan correctamente las acciones del jugador. En este articulo, estudiaremos el juego de codigo abierto Tower Defense (Open-source Tower Defence OTD), basado en un tablero 2D en el que aparecen conjunto de hordas enemigas que deben ser destruidas para evitar que alcancen la salida. Utilizando dicho juego extraeremos en tiempo real la informacion de las interacciones usuario y los eventos del juego utilizando la tecnica de ventana deslizante. Una vez obtenida suficiente informacion, el modelo se evaluara mediante tecnicas de clustering (concretamente, K-Means y Spectral Cluster). Finalmente, estudiaremos la similitud entre las diferentes partidas donde los jugadores han utilizado diferentes estrategias.

[1]  Clare Bates Congdon,et al.  FRIGHT: A flexible rule-based intelligent ghost team for Ms. Pac-Man , 2012, 2012 IEEE Conference on Computational Intelligence and Games (CIG).

[2]  Antonio González-Pardo,et al.  Simple Gamer Interaction Analysis through Tower Defence Games , 2015, New Trends in Computational Collective Intelligence.

[3]  Krista Rizman Zalik,et al.  An efficient k 0-means clustering algorithm , 2008 .

[4]  Mihai Polceanu,et al.  MirrorBot: Using human-inspired mirroring behavior to pass a turing test , 2013, 2013 IEEE Conference on Computational Inteligence in Games (CIG).

[5]  Gabriel Synnaeve,et al.  A Bayesian model for RTS units control applied to StarCraft , 2011, 2011 IEEE Conference on Computational Intelligence and Games (CIG'11).

[6]  Georgios N. Yannakakis,et al.  Feature selection for capturing the experience of fun , 2007 .

[7]  Philip S. Yu,et al.  Mining concept-drifting data streams using ensemble classifiers , 2003, KDD '03.

[8]  Antonio González-Pardo,et al.  An Empirical Study on Collective Intelligence Algorithms for Video Games Problem-Solving , 2015, Comput. Informatics.

[9]  Sanjay Ranka,et al.  An effic ient k-means clustering algorithm , 1997 .

[10]  Siddheswar Ray,et al.  Determination of Number of Clusters in K-Means Clustering and Application in Colour Image Segmentation , 2000 .

[11]  Julian Togelius,et al.  Modeling player experience in Super Mario Bros , 2009, 2009 IEEE Symposium on Computational Intelligence and Games.

[12]  Chris Child,et al.  QL-BT: Enhancing behaviour tree design and implementation with Q-learning , 2013, 2013 IEEE Conference on Computational Inteligence in Games (CIG).

[13]  Ulrike von Luxburg,et al.  A tutorial on spectral clustering , 2007, Stat. Comput..

[14]  D. Brzezinski.  MINING DATA STREAMS WITH CONCEPT DRIFT , 2010 .