Recommender System for Items in <i>Dota 2</i>
Notice bibliographique
Résumé
Dota 2 is one of several multiplayer online battle arena games that have recently become extremely popular. A central feature of Dota 2 is that players select and purchase items that are used in the game and the selections strongly affect the outcome of the game. Item recommendations and purchase predictions in Dota 2 turn out to be interesting problems due to the many factors affecting the choice of items and due to the frequency by which items are purchased throughout the game. We present three recommender systems for recommending which items a player might buy throughout a match, based on commonly used purchasing strategies. These systems are a rule-based system, a logistic regression based system, and a logistic regression based system enhanced with clustering. Knowing only the player's hero and inventory items, the first two systems are able to predict the purchases by highly skilled players with accuracies ranging from 66.5% to 87.1%, depending on the hero where accuracy is defined as recommended items that were actually purchased in the next 5 min of the game. For the third system, the players are clustered by purchasing strategy which in turn group players by role and play style. Adding the clustering feature to the second version of the recommender system only improve the results slightly. The reason for this could be that the items in the player's inventory are already a strong indicator of a player's role and play style both of which were used to develop the first two recommender systems. An important question for future work is how the recommendations could be useful in practice for human or AI players.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».