摘要

本文探讨了在“魔法：集会”（Magic: The Gathering, MTG）游戏中，如何通过学习广义的卡牌表示来改进AI在卡组构建（deck building）过程中的应用。卡组构建是集换式卡牌游戏（CCG）中的关键环节，但由于卡牌种类繁多、语义复杂以及新卡牌的不断推出，这一过程对玩家和模型都极具挑战性。传统的游戏AI方法在处理卡组构建时通常局限于固定的卡牌集合，这在实际应用中大大限制了其效用。本文提出了一种新的方法，通过研究基于数值、名义和文本特征的卡牌表示，以及卡牌图像和第三方服务的元信息，来泛化到未见过的卡牌，从而显著提高了AI在实际游戏中的实用性。实验结果表明，尽管特定选择的广义输入表示对预测已知卡牌的人类选择影响不大，但在处理新、未见过的卡牌时，性能可以得到显著提升。广义模型能够预测55%的人类选择在完全未见过的卡牌上，显示出对卡牌质量和策略的深刻理解。

原理

本文的核心在于通过广义的卡牌表示来改进AI在MTG游戏中的卡组构建能力。具体来说，研究者采用了多种卡牌表示方法，包括随机向量、手工编码特征、图像表示和统计元信息，以适应不断更新的卡牌集合。这些表示方法被输入到Siamese神经网络（SNN）中，通过上下文偏好排序（CPR）框架来学习卡牌之间的关系。SNN通过最小化三元组损失来训练，其中锚点（a）代表上下文（C）的嵌入，正例（p）和负例（n）分别代表两个可能的卡牌选择。在测试阶段，模型通过计算卡牌与当前卡组在嵌入空间中的距离来排序和选择最佳卡牌。这种方法不仅提高了对已知卡牌的预测准确性，更重要的是，它能够泛化到新、未见过的卡牌，从而在实际游戏中保持持续的实用性。

流程

本文的工作流程首先涉及数据收集，包括从多个来源收集约1亿个卡牌选择决策，这些数据用于训练和测试模型。接下来，研究者探索了不同的卡牌表示方法，并将这些表示输入到CPR框架中，通过SNN进行训练。训练过程中，模型学习如何在给定上下文（即当前卡组）的情况下，对两个卡牌选择进行偏好排序。在实际应用中，模型会根据当前卡组和所有可能的卡牌选择，计算每个卡牌的嵌入，并选择与当前卡组嵌入距离最小的卡牌作为最佳选择。此外，研究者还探索了模型对新卡牌集合的快速适应能力，通过微调预训练模型来模拟新卡牌集合的发布。

应用

本文提出的方法不仅适用于MTG游戏，还可以扩展到其他集换式卡牌游戏，如Hearthstone等。随着新卡牌的不断推出，这种方法能够持续适应并提供有效的卡组构建策略，从而在竞技游戏中为玩家提供决策支持。此外，该方法还可以应用于游戏设计和平衡测试，通过模拟不同卡牌组合的效果来优化游戏体验。长远来看，这种基于AI的卡组构建工具可能会成为集换式卡牌游戏社区的标准工具，帮助玩家和开发者更好地理解和优化游戏策略。