Mejorando el Análisis de Esports a Través del Clustering de Personajes

Los juegos de esports se están convirtiendo en una parte importante del mercado global de videojuegos y están creciendo más rápido que otros tipos de juegos. A medida que aumenta este interés, también se incrementa la necesidad de análisis en esports. Esto utiliza datos de los juegos para ayudar a jugadores, entrenadores, transmisores y otros en la comunidad deportiva. A diferencia de los deportes tradicionales, los juegos de esports cambian rápidamente, con nuevas reglas y mecánicas que se introducen con frecuencia.

Estos cambios frecuentes significan que los modelos de análisis pueden volverse obsoletos rápidamente, lo que lleva a desafíos en su utilidad. Los estudios actuales a menudo pasan por alto este problema. Este artículo habla sobre una nueva forma de representar personajes de juegos para mejorar la longevidad y precisión de los modelos de análisis.

#El Desafío del Cambio en los Esports

Varios títulos de esports, como League of Legends y Dota 2, tienen enormes audiencias y bases de jugadores. La naturaleza competitiva de estos juegos lleva a los jugadores a desarrollar estrategias llamadas "metas". Una meta se refiere a las formas más efectivas de jugar el juego según las reglas y mecánicas actuales. Los desarrolladores de juegos cambian regularmente las reglas para mantener el equilibrio y el interés de los jugadores, a menudo a través de actualizaciones conocidas como parches.

Cuando se lanzan parches, pueden traer cambios como nuevos personajes o modificaciones a las Habilidades existentes. Estas actualizaciones pueden impactar significativamente la forma en que los jugadores competitivos abordan el juego, llevando a nuevas estrategias. La mayoría de la investigación actual se centra en un marco de tiempo limitado para minimizar los efectos de estos cambios, pero este enfoque puede hacer que los modelos pierdan efectividad si no se vuelven a entrenar.

#Cómo los Cambios en el Juego Afectan a los Modelos de Datos

En la literatura de esports, los modelos que consideran los personajes en un partido a menudo se construyen usando identificadores únicos para cada personaje, usualmente a través de codificación one-hot. Esto significa que cada personaje está representado por un vector binario que indica su presencia en un partido. Sin embargo, a medida que se añaden nuevos personajes o los personajes existentes cambian significativamente, esta representación puede volverse problemática.

Por ejemplo, si se introduce un nuevo personaje, el modelo debe adaptarse a un tamaño de entrada más grande para acomodar un nuevo identificador. Esto puede hacer que los modelos antiguos se vuelvan inutilizables. Además, si un personaje sufre un rediseño, sus habilidades anteriores pueden ya no ser aplicables. Así, un modelo entrenado con representaciones de personajes desactualizadas puede dar resultados poco fiables.

Los cambios en el diseño del juego se pueden categorizar generalmente como:

1. Cambios drásticos: Alteraciones importantes que requieren rehacer completamente el modelo.
2. Cambios impactantes: Modificaciones que no alteran la arquitectura del modelo pero que aún pueden afectar su rendimiento.
3. Cambios poco impactantes: Ajustes menores que no tienen un efecto significativo en la precisión del modelo.

Mientras que los cambios drásticos son fáciles de identificar, detectar cambios impactantes puede ser complejo y puede requerir un análisis exhaustivo.

#La Metodología Propuesta

Este artículo presenta un nuevo enfoque para la representación de personajes utilizando datos del diseño del juego a partir de parches. Al emplear técnicas de Agrupamiento, este método permite una representación de personajes más estable y reutilizable que sigue siendo efectiva a través de actualizaciones del juego. Este sistema se centra en Dota 2, un popular juego de batalla en línea multijugador con una amplia gama de personajes únicos.

En Dota 2, cada personaje se distingue por habilidades y Atributos únicos como inteligencia, agilidad y fuerza. Este enfoque propuesto permite una mejor comprensión de las capacidades de cada personaje, permitiendo que los modelos se adapten a los cambios en el diseño del juego de manera efectiva.

#Recopilación y Procesamiento de Datos

Para llevar a cabo este estudio, se recopilaron dos tipos principales de datos. El primer tipo cubría las habilidades y atributos de los personajes de varios parches, mientras que el segundo tipo recopilaba datos de historial de partidas, que incluían información sobre las selecciones de personajes, duración del partido, número de eliminaciones por equipo y resultados de las partidas.

Los datos se recopilaron a través de OpenDota, una plataforma que proporciona estadísticas detalladas para partidas de Dota 2. La recopilación se centró solo en partidas profesionales y premium, lo que llevó a un total de más de 61,000 partidas analizadas para este estudio.

Después de adquirir los datos necesarios, estos fueron procesados para estandarizar y organizar las habilidades y parámetros relacionados de cada personaje. Esto ayudó a crear un conjunto de datos completo que podría ser utilizado para el análisis de agrupamiento.

#Agrupamiento de Datos de Personajes

Una vez que los datos relevantes fueron procesados, se utilizaron algoritmos de agrupamiento. El agrupamiento permite agrupar puntos de datos similares en función de atributos específicos. En este estudio, se eligió el agrupamiento K-Means debido a su capacidad de adaptarse sin necesidad de cambiar el número de grupos cuando llegan nuevos datos.

El proceso de agrupamiento llevó a la creación de centroides que representan las habilidades y rasgos de los personajes. Al entender estos grupos, los personajes podían ser representados de una manera más eficiente, sin importar nuevos personajes que se introduzcan más adelante.

Por ejemplo, si un personaje tiene múltiples habilidades que caen en grupos similares, todas sus habilidades pueden combinarse en un solo vector. Esto significa que incluso si se añaden nuevos personajes en el futuro, el tamaño de la representación permanece consistente, lo que facilita la adaptación del modelo a las actualizaciones.

#Modelos Predictivos y su Evaluación

Para probar la efectividad de la nueva representación de personajes, se construyeron tres modelos de red neuronal.

1. NN1: Este modelo solo utilizó la duración de la partida como entrada, proporcionando una línea de base para comparación.
2. NN2: Este modelo incluyó tanto la duración de la partida como datos de selección de personajes basados en métodos tradicionales de codificación one-hot.
3. NN3: Este modelo utilizó el nuevo enfoque agrupado para representar la selección de personajes junto con la duración de la partida.

El objetivo era predecir el número de eliminaciones para cada equipo al final de una partida. Esta área no ha sido explorada extensamente en investigaciones anteriores, lo que la convierte en un valioso estudio de caso.

Los modelos fueron entrenados con datos de varios parches, mientras que las partidas de los parches más recientes-donde los cambios fueron más significativos-se retuvieron para validar el rendimiento de los modelos. Los resultados destacaron las fortalezas de la representación agrupada, particularmente en mantener una alta precisión a través de diferentes versiones.

#Resultados y Discusión

Al evaluar los modelos, los hallazgos revelaron ideas clave sobre sus desempeños.

• NN1 y NN2 mostraron niveles de rendimiento similares, lo que indica que los aspectos de selección de personajes no fueron tan impactantes como se pensaba inicialmente. Esto planteó preguntas sobre el valor de los métodos tradicionales de codificación one-hot.
• NN3, sin embargo, demostró una mejora marcada y consistencia a través de los nuevos parches, apoyando la idea de que agrupar las habilidades de los personajes tenía beneficios significativos.

Incluso cuando se enfrentó a importantes actualizaciones del juego, NN3 mantuvo un alto nivel de precisión, mientras que NN2 enfrentó desafíos debido a su dependencia de identificadores específicos de personajes. Esto muestra claramente que la nueva representación agrupada ofrece una base más confiable para futuras investigaciones.

#Conclusión

Este artículo habla sobre la importancia de adaptar los modelos de análisis en el campo de los esports, que evoluciona rápidamente. A medida que los parámetros del juego y las habilidades de los personajes cambian con frecuencia, hay una clara necesidad de métodos que permitan un análisis de datos estable y efectivo. Al introducir una representación agrupada de personajes, este estudio proporciona un enfoque valioso para abordar estos desafíos.

En general, la metodología propuesta tiene el potencial de mejorar la longevidad de los modelos de esports, ofreciendo un marco que puede acomodar cambios futuros sin requerir una revisión completa. Con el creciente interés en el análisis de esports, este enfoque puede mejorar la comprensión y el rendimiento de los modelos, beneficiando a jugadores, entrenadores e investigadores por igual.

En resumen, la investigación enfatiza la necesidad de modelos adaptativos en el análisis de esports mientras proporciona soluciones prácticas para desarrollos futuros. A medida que el paisaje de los videojuegos continúa evolucionando, encontrar maneras de representar y analizar datos de manera efectiva será esencial para maximizar la experiencia competitiva.