机器学习随着蓬勃发展和日益著名的中国游戏市场和电子竞技产业,电子竞技用户在中国的规模已逐年增长。在2019年,在中国电子竞技的用户数已经达到4.7亿,并预计在最近的几年里将达到5.5亿,电子竞技产业正在迅速发展。数据分析也在当下慢慢渗透进各个行业,电竞行业当然也不例外。对电子竞技的比赛进行预测的工作主要分为两个部分,一个是提取电子竞技游戏中的会对胜率造成影响的特征,另一个是对特征进行分析并将其带入机器学习模型中对比赛结果进行预测。会影响游戏结果的因素很多,这类因素可以被归类为同一种东西叫做特征。针对不同类型的游戏有不同类型的影响游戏胜率的特征值。现在参与人数最多的游戏种类为多人在线战术竞技游戏（MOBA）,其次是射击类游戏,前者游戏中会对游戏结果产生很大影响的特征因素往往是英雄选择,因此我们会面临道德挑战即是如何处理这些英雄的分类特征。本文所研究的内容即是基于该特征因素。在如今的大环境下,对于电竞比赛的数据分析技术依然并没有太多发展,无法达到当前电竞行业的需求,需要填补的技术空缺依然存在。在体育比赛中,专业和业余运动员越来越相似,业余运动员也越来越多,与传统运动相比,电子竞技这上增加了比赛数据的数量和数据分析的技术要求。而胜负预测在电子竞技的数据分析领域起着举足轻重的作用,现在全球关注度最高的电子竞技游戏类型为MOBA类游戏,游戏为两方作战形式,即使只有两个游戏的双方,胜负的预测很难做到非常准确。因此,如何使电子竞技比赛的预测结果更准确已经成为一个有意义和迫切解决的问题。为了解决这样的电子竞技胜率预测问题,学者们试图通过研究采用传统机器学习的方法对比赛结果进行预测。不过,因为英雄数量多且其中英雄之间的关系繁杂难以数据化表示的问题,预测结果比较不准确。通过将体育比赛的输赢预测与机器学习相结合,然后将其算法应用于输赢预测模型。这对于起步较晚的中国电子竞技产业能起到非常有效的帮助。本文的研究工作主要包括以下几个方面:本文从现行玩家最多的MOBA类游戏进行特征因素的提取,总结分析对游戏胜率影响较大的因素是阵容之间的搭配和克制。比如现在最热门的英雄联盟、Dota2、守望先锋等游戏都需要考虑英雄选择和阵容搭配。职业选手的游戏水平大致在伯仲之间,所以比赛阵容的选择就显得尤为重要。现在的常规类型电子竞技游戏中,可供玩家选择的英雄数量非常多,英雄特点也各不相同,这导致了游戏中英雄之间的组合模式较为复杂。游戏在英雄选择阶段也具有时序性。1.为解释阵容之中的组合与压制关系,本文引入了基于改进的Hero2vec的CBOW模型,该模型的作用是输入给定的词语预测目标词语出现的概率。与最初的One-Hot编码不同的是,它能够在一定程度上解决高维灾难,还可以具备上下文的语义特征,在英雄CBOW模型中,英雄是单词,英雄阵容是句子,单词向量将转换为英雄向量。构建的英雄向量模型可以将预处理后的数据放在模型上训练得到英雄的向量权重。通过梯度优化和反向传播的策略得到准确的词向量。预训练模型CBOW在许多具有类似特征的电子竞技游戏中已经证明了其分析的有效性,可以通过向量描述不同英雄的定位是否相似。2.根据log5公式量化英雄之间的具体克制指数。根据A队和B队的实际胜率来估计A队获胜的可能性。实际使用于本文中时,A队和B队为两种英雄的对阵情况,该公式会单独根据两方单个英雄的总体胜率来预测相对时的输赢概率。此概率即可以解释为两位英雄之间的约束关系,然后将约束关系转换为参数以表示该关系。最终可以得到英雄与英雄之间的压制关系矩阵。3.由于英雄选择在电子竞技中具有时序性,本文提出了长短期记忆神经网络模型来预测具有阵容选择的同种类游戏的比赛结果。目前常用于解决电子竞技胜率预测问题的方法较少,更多的是使用一些基准方法包括逻辑回归等二分类器或简单的神经网络,长短期记忆网络（Long Short-Term Memory,LSTM）在结构上与普通神经网络不同的是,它拥有较为特殊的遗忘门结构。该结构针对选择英雄具有时序性的MOBA类型游戏来说非常合适,LSTM模型通过记忆结构可以对长时序的数据进行完整的分析。基于此结构,这个神经网络经常用于构建较为大规模的深层次神经网络。结合前文所提到的CBOW英雄向量模型和Log5公式建立的英雄压制关系矩阵,结合LSTM神经网络模型,提高对于电竞这一门类的预测精确性。4.将改进的整体网络模型运用于英雄联盟数据集中进行实验,并结合对比逻辑回归和朴素贝叶斯等对比实验,最终预测结果达到61.96%,优于所有基准方法,预测准确率提高1.8%。