基于文本向量化和机器学习模型的电子竞技预测系统

发布时间：2020-07-05 08:23

【摘要】：随着当前世界范围内电子竞技快速蓬勃的发展,国内相关电竞产业也在不断注入资本和人才等新鲜血液。既然有了更多的人和钱的涌入,其向传统竞技体育方向的靠拢自然是不可避免的。传统的竞技体育中,比赛结果的预测分析是其中非常重要的一环:NBA,法网之流早就用上了专业的数据分析师建立相关模型,用来处理相关比赛数据。但是在相关的电子竞技行业,这一分析处理却还仍然停留在初级、简单、粗糙的水准,更多的时候只是依靠简单的统计和选手本身的有限过往经验来进行处理。这显然是不科学的,因为电子竞技本身的电子性,所有的数据均是容易大规模获取的,那么在当下已经越来越讲求数据化,智能化的时代,我们显然可以运用一些更好的方法来进行相关预测分析的建模。本文就从分析当今最火热的一款电子竞技游戏之一,DOTA2(中文名:刀塔2)出发,首先介绍了一些相关传统的机器学习模型:K近邻(KNN)模型、逻辑斯蒂(logistic)回归模型、支持向量机(SVM)模型、决策树(DecisionTree)模型、以Xgboost为代表的一类集成的的元学习算法模型和神经网络(ANN)算法模型,并且就各个模型的优缺点做出了一一分析。其次鉴于以上各个模型在处理我们的电子竞技相关数据时,并不能得到很好的分类性能指标,本文接下来创新性的引入相关最新研究成果——文本向量化中的词向量(词嵌入),作为处理这一难题的一条解决之路,为此详细的介绍了当前的关于生成词向量的各个模型,并且就各个模型之间的联系与比较做了一个小结,为我们后文具体构建相关模型扫清了障碍。紧接着本文还设计并搭建了一个比赛胜负预测系统,并且做到了模块化处理相关工作,以便未来持续不断的改进相关独立模块。最后根据己经模块化的系统,在个人PC端进行相关数据实验,并且分析比较了各个不同分类模型和词向量组合而成的新模型的相关性能。幸运的是基于实验结果表明,在引入相关词向量的来作为模型的输入时,分类器的分类准确率均有了不错的提升。
【学位授予单位】：武汉大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：C815

【参考文献】