Systèmes bayésiens de notation: analyse et améliorations.

Memmi, Amen (2018). Systèmes bayésiens de notation: analyse et améliorations. Mémoire. Québec, Université du Québec, Institut national de la recherche scientifique, Maîtrise en télécommunications, 121 p.

Prévisualisation

PDF Télécharger (5MB) | Prévisualisation

Résumé

Les systèmes de notation continuent de faire l’objet d’un intérêt croissant, en particulier après la popularité croissante des jeux multijoueur en ligne. La plupart de ces derniers basent le jumelage des joueurs sur leurs compétences afin de leur donner des matchs équitables et agréables. L’estimation de ces compétences est réalisée à travers un système de notation qui les déduit à partir des données historiques. Le système de notation bayésien TrueSkill™, développé il y a quelques années par Microsoft, fournit un modèle probabiliste pour cette estimation dans un cadre général de compositions et de nombre d’équipes et ce seulement à partir du résultat binaire de chaque match. Dans ce travail, on présente et on analyse le comportement de ce système dans des situations particulières et on se propose ensuite de l’étendre en incorporant les différentes statistiques disponibles relatives au déroulement des jeux, telles que le nombre de kills, les dégâts moyens reçus, le nombre de matchs déjà joués et plein d’autres caractéristiques. On montre que l’extension et les modifications apportées permettent des gains importants capturés par les multiples métriques d’évaluation introduites. Entre autres, la corrélation des mises à jour des compétences par ces statistiques a permis au système des prédictions plus précise, ayant un plus grand gain d’information, plus équitable en relation avec les performances individuelles et mieux représentative des compétences moyennes de certaines sous populations de joueurs définies à travers les statistiques.

Rating systems continue to attract increasing interest, especially after the growing popularity of online multiplayer games. Most of the latter base the matching of players on their skills in order to give them fair and enjoyable matches. These skills are estimated using a rating system that derives them from historical data. The TrueSkill™Bayesian rating system, developed a few years ago by Microsoft, provides a probabilistic model for this estimation within a general framework of teams composition and number and inference is done based only on the binary result of each match. In this work, we present and analyze the behavior of this system in particular situations and we then propose to extend it by incorporating the various available in-game statistics, such as the number of kills, the average damage received, the number of matches already played and many other characteristics. We show that the extension and the modifications made allow significant gains captured by the multiple metrics of evaluation introduced. Among other things, the correlation of skills updates by these statistics has allowed the system to make predictions that are more accurate, having a greater gain of information, more equitable in relation to individual performances and with better representative capacity of the average skills of certain statistics-defined sub-populations.

Type de document:	Thèse Mémoire
Directeur de mémoire/thèse:	Le, Long Bao
Co-directeurs de mémoire/thèse:	Szczecinski, Leszek
Mots-clés libres:	système de notation; competence; inférence Bayésienne; propagation de messages; statistiques du jeu; rating system; skills; bayesian inference; message passing; in-game statistics
Centre:	Centre Énergie Matériaux Télécommunications
Date de dépôt:	19 oct. 2018 15:42
Dernière modification:	29 sept. 2021 19:48
URI:	https://espace.inrs.ca/id/eprint/7646

Gestion Actions (Identification requise)

Modifier la notice