Dota2预测英雄死亡

今天要阅读的论文《Time to Die: Death Prediction in Dota 2 usingDeep Learning》。论文中能够预测10个英雄中，在下5秒窗口下死亡概率。

1.背景

目前MOBA类游戏风靡全球，同时这种竞技类游戏的比赛也越来越受广大观众的喜爱。但是试图预测MOBA类游戏中的比赛发生情况，目前还是很少有类似论文。

然而，主播和观众一般会对游戏内微观事件有着天然的的兴趣。假设电子竞技中有一种技术能够为他们提供观察兴趣点的能力，那么他们将不会错过这种时间点。但是电子竞技游戏非常复杂，动作快速，游戏的平衡可以在几秒钟内改变，兴趣点事件可以在多个不同区域内同时发生。这让观众往往容易错过这些信息，特别是英雄被击杀往往是观众感兴趣的敌方。

论文中提出了一个模型，用来预测5s窗口中玩家死亡概率。模型能够达到0.377 precision，0.725 recall。同时可以实时微观预测Dota 2的死亡时间节点，让主播和观众有时间将注意力转移到这些关键事件上。

2.引入

在电子竞技中进行事件预测是具有较大的挑战性的。许多电子竞技项目很复杂，节奏也很快，因此很难用肉眼完全来捕捉这类关键信息。

在Dota 2游戏中，玩家必须密切监视英雄的状态，尤其是死亡的可能性。因此，在Dota 2游戏中预测死亡的方法在职业和业余游戏分析的多个层面上都是有益的。

同时，局内的一些特征对预测死亡事件有帮助。特别是英雄健康变量似乎是死亡可能性的一个明显指标，与英雄死亡无关。有些英雄拥有治疗自己或队友的能力，而英雄可以在游戏中购买物品，使他们能够治疗或传送远离危险。

直播将受益于将这些“死亡信息”反馈给观众，以及当这些预测达到足够高的准确度时，自动摄像机移动来引导焦点，从而使主播的工作和用户的观看体验都变得更加顺畅。

在论文中，训练了一个共享权重的网络，从中输入10个英雄数据进行未来死亡事件得预测。

3.数据集

论文中使用了Dota2 replay文件，这是一个二进制文件。从中收集了5000个专业选手 + 5000半专业选手的replay文件。

在预处理阶段，Dota2中有暂停时刻，因此需要去掉这部分数据。

特征构造如下：

对于每一个英雄：构建了287个features

• time：出于两个原因，游戏时间可能是一个有用的功能。 一个是在特定时间发生的事件（生物生成），另一个是随着时间的推移，玩家通常会变得更强大，这导致玩家追求不同的目标。这种玩法变化通常被称为从早期游戏过渡 到游戏中期，然后是游戏后期
• hero state：英雄状态，包括血量，技能等
• statistics：关于英雄的统计数据（17 个特征）：描述英雄过去所做的事情。 例如击杀数、死亡数、最后一击、经验值等
• 玩家装备：可激活物品（34种功能）：玩家可以购买可以激活的物品以提供强大的效果。 这些物品可以对遭遇的结果产生巨大的影响，例如，它们可以使玩家从危险中传送出去。 每个物品都有一个二进制特征值，表示玩家是否拥有该物品，以及一个冷却时间特征，表示它可以再次激活之前的时间。 为了保持较低的特征空间，根据专家意见选择了 17 个最强大的项目
• 英雄能力：冷却、蓝量、等级等
• 英雄ID
• 英雄位置
• 英雄最近距离：最近距离塔，敌方等
• 视野：过去10s是否可见

4.模型

一个hero包含287个特征，模型有10个独立的输入，用来预测接下来5秒的死亡概率。

1）权重共享：
权重共享可以在不牺牲大部分表示能力的情况下大大减少网络的权重数量。在DOTA2中，所有英雄具有完全相同的特征，并且英雄位置顺序与游戏玩法无关。因此可以使用权重共享机制，减少网络的参数信息。在本文讨论的预测问题中，主要学习英雄位置输入不变性进行表示

2） 网络结构
所有的权重都是共享的。经过权重共享层之后，其输出通过concat，然后再输出到dense层中

3）解决不平衡问题
大部分数据都是“no die”标签，只有1%是“die”标签。

• 随机抛弃50%不死亡的片段
• 有人死亡，其他人不应该在同一个时间点死亡；在一个batch中，只有一个player死亡

4）特征集合
为了验证不同特征对模型的效果，设置多小、中、大等特征数据集，也就是不同特征大小。

5.模型效果

5.1 预测不同时间窗口的死亡概率

• 随着时间窗口变大，模型预测死亡的概率也变低

5.2 模型预测每个英雄的死亡时间节点