机器学习在桌面RPG游戏设计中怪物等级预测的应用

# 机器学习在桌面RPG游戏设计中怪物等级预测的应用 来源：https://arxiv.org/html/2607.09196 Jakub Adamczyk²²²两位作者对本文贡献相同。[email protected] (https://arxiv.org/html/2607.09196v1/mailto:[email protected]) ###### 摘要 在设计桌面角色扮演游戏（TTRPG）时，平衡敌人是一项核心但劳动密集型的任务。在Pathfinder等系统中，每个怪物都由许多数值属性描述，这些属性共同决定其威力，并汇总为一个有序的等级。我们研究了机器学习是否可以通过从怪物的属性预测其等级来支持设计者，将该任务定义为表格有序回归。我们介绍了据我们所知第一个专门用于TTRPG怪物等级预测的数据集，该数据集来自公开可用的Pathfinder第二版数据。使用该数据集，我们比较了带有舍入方案的经典回归模型、专用表格有序回归算法以及具有有序感知损失的神经网络。为了反映真实的设计工作流程，我们在时间顺序和扩展窗口协议下使用多个互补指标对所有模型进行了评估。结果表明，基于树的集成方法优于线性模型和神经方法，实现了近乎完美的有序排序和高预测精度。可解释AI分析（如特征重要性和误差分布）表明，该模型与人类直觉一致，并遵循游戏规则中的模式。这些结果共同表明，机器学习能够可靠地近似设计者的判断，并可作为怪物平衡以及更广泛的TTRPG系统设计的有效计算机辅助工具。 ###### 关键词：机器学习，有序回归，计算机辅助设计，游戏设计 ###### MSC：62-04，62J02，62P25，68-04，68T05，68T35，68U07 ††期刊：Expert Systems with Applications\\affiliation \[agh\]organization=Faculty of Computer Science, AGH University of Krakow, city=Cracow, country=Poland label1label1footnotetext:ORCID 0009-0004-1889-5655label2label2footnotetext:ORCID 0000-0003-4336-4288## 1 引言 人工智能（AI）和机器学习（ML）方法自这些领域诞生之初就被用于玩游戏，其突破包括alpha-beta剪枝[42 (https://arxiv.org/html/2607.09196#bib.bib1)]、蒙特卡洛树搜索（MCTS）[14 (https://arxiv.org/html/2607.09196#bib.bib3)]、AlphaGo[47 (https://arxiv.org/html/2607.09196#bib.bib4)]和AlphaZero[48 (https://arxiv.org/html/2607.09196#bib.bib5)]。这些应用以玩家为中心，并假设存在一个现成的游戏环境及其规则。换句话说，它们预设游戏本身已经创建和设计完成，从而允许对其规则和状态进行抽象的数学表示。在本工作中，我们转而关注将机器学习用于游戏设计，这是一个相对较少受到关注但对行业非常重要的领域，因为游戏创作的许多步骤缓慢、劳动密集且成本高昂。具体来说，我们研究角色扮演游戏（RPG），特别是笔与纸RPG，也称为桌面RPG（TTRPG）。它们与电脑游戏和电脑RPG（cRPG）不同且出现得更早。在这类游戏中，参与者扮演由游戏主持人（GM）叙述的故事中的虚构角色。玩家们围坐在一张桌子旁（实体的或虚拟的），在一个不断发展的故事中创建和发展角色。游戏过程通过叙述以及通过选定的规则系统（或简称“系统”）解决冲突来驱动，通常使用多面骰子投掷来引入随机性。本文考虑的游戏设计任务纯粹集中在游戏本身的规则上，而不是生成故事、关卡或音乐，这些留给GM和人类创造力。TTRPG也经常被用作电脑游戏的规则集，著名的例子包括《博德之门》系列使用《龙与地下城》（D&D）规则，以及《开拓者：正义之怒》使用Pathfinder第一版系统。RPG市场长期以来一直稳步增长。2023年，其价值约为19.2亿美元，预计到2033年将达到52.7亿美元[9 (https://arxiv.org/html/2607.09196#bib.bib6)]。这种快速增长凸显了TTRPG日益增长的受欢迎程度以及玩家不断变化的需求。与电脑RPG相比，TTRPG具有优势，因为电脑RPG有固定的叙事，留给玩家的自由有限，而TTRPG的可能性几乎是无限的。然而，为了保持竞争力，出版商、微缩模型制造商和其他行业参与者必须不断创新。除了创造性的营销策略和引人入胜的游戏演示之外，公司还非常重视研发和技术进步，以改善游戏体验。人们对在这一领域应用AI和ML方法越来越感兴趣，并且某些方面特别适合它们。冒险中最重要组成部分之一是与敌人的战斗，这些敌人通常被称为敌人或怪物，由GM引入，例如地精或龙。与玩家角色一样，怪物在规则系统中由许多数值属性表示，这些属性定义了它们的力量、能力和击败难度。例子包括力量、每次攻击造成的伤害量以及护甲。在许多系统中，怪物的整体力量由一个称为其等级的值表示，通常是一个非负整数，等级越高表示怪物越强大。等级直接且因果地从属性值推导出来。选择合适的怪物等级对于准备既有挑战性又让玩家有获胜希望的遭遇战至关重要。RPG出版商的一项重要任务是创建整本怪物示例书，以便GM在自己的叙事中使用。这需要根据每个怪物的统计数据正确估计其等级。然而，在D&D或Pathfinder等许多系统中，怪物由数十个属性描述，这使得人类设计者难以完成此过程。在实践中，这种估计要么通过专家的人类判断（容易出错），要么通过大量的游戏过程（劳动密集且通常一次需要4-5人，包括GM和玩家）来完成。销售怪物书籍是这些公司的重要收入来源，一本合集可能包含超过100个怪物。这就产生了业务需求，即快速自动地从怪物的数值统计数据中估计其等级，从而获得潜在设计的早期验证。基于ML的解决方案自然适用于这个问题，因为它们可以轻松地包含高维数值输入以及属性与等级之间的非线性关系。此类工具可以帮助游戏设计师在创作过程中通过提供关于怪物力量的反馈来加速进程。此外，GM可以使用这些算法来设计独特的怪物，增强他们自己的游戏体验。本文的主要贡献包括： - 1. 创建了据我们所知第一个用于TTRPG游戏设计的数据集，专门用于Pathfinder第二版游戏系统中的怪物等级估计。该数据集在宽松的开源许可下公开可用，以促进该领域的进一步研究。 - 2. 将怪物等级预测形式化为一个表格有序回归问题。我们提供了特征工程示例，并对16个模型进行了全面基准测试，包括带有舍入的回归、专用的表格有序回归算法以及带有有序损失函数的神经网络。 - 3. 针对模型泛化能力的现实量化，提出了领域特定的评估方案，包括基于时间的扩展窗口训练-测试划分以及用于不平衡回归的宏观平均MAE等指标。 - 4. 应用数据分析和可解释AI（XAI），展示了模型的显著鲁棒性、与人类直觉的一致性以及现实世界的适用性。 ## 2 文献综述 AI和ML在游戏中得到了广泛应用，但主要是用于玩游戏，特别是通过搜索技术和强化学习。本文所关注的游戏设计领域吸引的研究兴趣要少得多。现有文献中许多更关注人文学科方面而非计算机科学，例如故事叙述[16 (https://arxiv.org/html/2607.09196#bib.bib15)]或整合技术以改进传统游戏体验[53 (https://arxiv.org/html/2607.09196#bib.bib26)]。生成式ML的应用已在程序化世界设计和创意内容生成方面得到探索，例如地图生成[44 (https://arxiv.org/html/2607.09196#bib.bib16),19 (https://arxiv.org/html/2607.09196#bib.bib17),56 (https://arxiv.org/html/2607.09196#bib.bib18),29 (https://arxiv.org/html/2607.09196#bib.bib19),50 (https://arxiv.org/html/2607.09196#bib.bib20)]、音乐生成[37 (https://arxiv.org/html/2607.09196#bib.bib21),38 (https://arxiv.org/html/2607.09196#bib.bib22)]以及非玩家角色（NPC）文本和对话生成[43 (https://arxiv.org/html/2607.09196#bib.bib23),54 (https://arxiv.org/html/2607.09196#bib.bib24),4 (https://arxiv.org/html/2607.09196#bib.bib25)]。预测性AI和ML方法，特别是用于游戏平衡的方法，研究得更少。与我们最接近的工作是自适应游戏平衡[21 (https://arxiv.org/html/2607.09196#bib.bib8)]，它根据玩家行为动态调整游戏世界，例如敌人统计数据。然而，这些技术自适应地控制玩家对手，这意味着它们仅适用于电脑游戏，操作的是已经存在的游戏系统而不是游戏设计的一部分，并且需要深度集成到软件中。因此，它们不在本文的讨论范围内，本文关注的是在游戏开始之前，作为游戏设计的一部分预测怪物等级。近年来发表了几篇关于AI和ML在游戏中应用的综述[17 (https://arxiv.org/html/2607.09196#bib.bib9),51 (https://arxiv.org/html/2607.09196#bib.bib10),23 (https://arxiv.org/html/2607.09196#bib.bib11),20 (https://arxiv.org/html/2607.09196#bib.bib12),57 (https://arxiv.org/html/2607.09196#bib.bib13),1 (https://arxiv.org/html/2607.09196#bib.bib14)]。然而，它们主要关注上述基于AI的内容生成和基于ML的交互式游戏，没有一篇提及使用预测性ML进行敌人力量预测或统计数据平衡的可能性。据我们所知，本文因此是第一个提出这种应用的工作。在RPG游戏中，怪物等级通常是一个从0或1开始的整数。因此，当应用预测性ML方法时，因变量既是离散的又是有序的，这构成一个有序回归问题，也称为有序分类[55 (https://arxiv.org/html/2607.09196#bib.bib29),8 (https://arxiv.org/html/2607.09196#bib.bib30),52 (https://arxiv.org/html/2607.09196#bib.bib33)]。针对这个问题已经提出了各种算法，这个问题出现在许多ML应用中，例如推荐系统（用户评分如1-5星）[22 (https://arxiv.org/html/2607.09196#bib.bib32)]、年龄估计（预测图像中受试者的年龄）[33 (https://arxiv.org/html/2607.09196#bib.bib50)]以及社会科学和心理学中的意见强度（李克特量表上的数值）[8 (https://arxiv.org/html/2607.09196#bib.bib30)]。我们找不到任何将有序回归应用于游戏或游戏设计的先前工作；这也构成了本文的一个新颖贡献。一组方法基于标准回归，其结果在后续处理步骤中四舍五入以确保离散输出[26 (https://arxiv.org/html/2607.09196#bib.bib31),46 (https://arxiv.org/html/2607.09196#bib.bib39)]。可以使用各种舍入方案代替经典的数学舍入以改进结果。然而，这种方法没有将离散类的信息纳入学习过程。另外，许多经典的表格ML模型已经适配用于有序回归，包括有序逻辑回归[6 (https://arxiv.org/html/2607.09196#bib.bib41)]、有序随机森林（ORF）[27 (https://arxiv.org/html/2607.09196#bib.bib46)]和高斯过程有序回归（GPOR）[12 (https://arxiv.org/html/2607.09196#bib.bib44)]。对于神经网络，已经提出了专门用于有序回归的层和损失函数，例如CORN[45 (https://arxiv.org/html/2607.09196#bib.bib52)]、CORAL[10 (https://arxiv.org/html/2607.09196#bib.bib51)]和CONDOR[24 (https://arxiv.org/html/2607.09196#bib.bib53)]。这些算法的详细描述在方法部分中呈现。 ## 3 数据集与特征工程 在本节中，我们描述数据集的构建及其基本特征。我们还解释了特征工程的方法，以获得用于下游模型训练的表格数据集。 ### 3.1 数据集整理 在本工作中，我们专注于Pathfinder角色扮演第二版游戏系统（简称Pathfinder 2e），原因有三。首先，它非常受欢迎，一直位居最受欢迎的TTRPG之列，这使得ML解决方案对许多潜在用户具有高度兴趣。其次，它高度数学化：怪物由大约十几个基本属性和许多附加属性描述，这使得人类估计其等级具有挑战性，同时为特征工程提供了充足的机会。第三，它在宽松的开源许可（旧作品在Open Game License 1.0A[34 (https://arxiv.org/html/2607.09196#bib.bib27)]下，新作品在Open RPG Creative (ORC) License[35 (https://arxiv.org/html/2607.09196#bib.bib28)]下）下发布，这实现了开放科学原则，并允许我们共享数据以促进可重复性和进一步研究。我们基于一个公开可用的Pathfinder 2e书籍数据库创建了一个怪物数据集，总共包含来自302本源书、冒险和剧本的6007条怪物条目，最新的一本于2026年4月26日出版。使用的源书完整列表可在GitHub仓库中获取。生物来自Paizo出版的书籍；每本书要么提供许多怪物（如果是怪物合集），要么只提供少数独特的怪物（如果是单个冒险剧本）。我们注意到怪物设计具有很强的时间特征：较新的怪物是基于先前的怪物设计的。例如，现有怪物的一个新颖但相似的变体应该具有与现有怪物相当的等级。一条怪物条目以高度复杂的JSON对象形式提供描述和特征。图1 (https://arxiv.org/html/2607.09196#S3.F1) 提供了来自Archives of Nethys网页（由出版商Paizo官方支持）[3 (https://arxiv.org/html/2607.09196#bib.bib2)]的怪物统计数据块的渲染显示。参见图1图注图1：Pathfinder 2e[2 (https://arxiv.org/html/2607.09196#bib.bib7)]中的怪物示例。具体来说，每条条目包含怪物等级，我们将其视为真实值。该等级是通过专家估计和广泛的实践游戏过程获得的。在Pathfinder 2e系统中，等级是一个从-1到25的整数。由于很少有怪物超过20级，在21-25级中总共只有89个。