Reprezentace herních stylů hry League of Legends pro shlukovou analýzu a detekci odlehlých hodnot

Abstract

Oblast online her je předmětem značného zájmu a množství dat neustále roste. Tyto informace můžeme využít k lepšímu modelování výkonu hráčů a pochopení jejich herních stylů a dovedností. Tato práce analyzuje herní data z League of Legends, jedné z nejpopulárnějších kompetitivních online her typu MOBA. Experimenty jsme prováděli na ručně shromážděné sadě dat, která obsahuje informace o 141 300 zápasech s 202 příznaky pro 1413 unikátních hráčů (100 posledních zápasů pro každého hráče). Cílem této práce bylo představit přístup pro generování reprezentativních hráčských embeddingů. Za tímto účelem jsme natrénovali dva modely neuronových sítí, Multilayer Autoencoder a Stacked LSTM Autoencoder. Porovnali jsme embeddingy založené na různých technikách předzpracování dat a shlukovali jsme embeddingy pomocí algoritmu K-means. Úspěšně se nám podařilo rozdělit hráče do odlišných shluků. K analýze vytvořených shluků jsme použili metody významnosti příznaků. Kromě toho jsme použili Unsupervised Anomaly Detection model k předpovědi následujících statistik zápasů. Přínosy této práce mají potenciál být využity ve službách analýzy online her k vytváření otisků hráčů, předpovídání výsledků her a odhalování podezřelého chování.

The online games area is attracting considerable interest, and the quantity of data is constantly growing. We can utilize this information to better model players' performance and understand their playing styles and skills. This work analyzes game data from League of Legends, one of the most popular competitive MOBA online games. We performed our experiments on the hand-collected dataset that contains information about 141 300 matches with 202 features for 1413 unique players (100 most recent matches for every player). The goal of this work was to present an approach for generating representative player embeddings. For this purpose, we trained two neural network models, Multilayer Autoencoder and Stacked LSTM Autoencoder. We compared the embeddings based on different data preprocessing techniques and clusterized the embeddings using the K-means algorithm. We successfully managed to split players into distinct clusters. We employed feature importance methods to analyze produced clusters. Moreover, we used the Unsupervised Anomaly Detection model to predict the following match statistics. The contributions of this work have the potential to be used in online game analysis services to create player fingerprints, predict game outcomes, and detect suspicious behavior.