
英雄联盟是最近历史上最受欢迎的计算机游戏之一-每月拥有多达8000万玩家。 凭借其日益普及的人气,它成为了任何电子竞技(或电子运动)的核心内容,除了每周一次的区域性比赛外,每年都在进行全球性比赛。 尽管每个地区都有自己的支配队伍和球员,但韩国英雄联盟的球员Faker又名不可抗拒的恶魔之王,即“神”,在他们的头肩上站着。
每个英雄联盟玩家都梦想着制作Faker的神似戏剧。 尽管有很多工具可以帮助玩家追求最好的成绩,但是其中大多数工具都在非常普遍的意义上应用了分析。 例如,某些最受欢迎的英雄联盟网站,例如op.gg,提供有关最受欢迎角色或游戏中“冠军”,其“反击”冠军,一般玩家游戏历史,游戏项目详细信息的信息。尽管这些站点提供了信息和指南,但此建议是基于从游戏中收集到的大量的,广泛的玩家数据。

作为我自己的英雄联盟玩家,我发现这些工具会有所帮助。 但是,我相信可以将这些工具提高到一个新的高度,并具有更高的个性化水平。 我们招募了一组来自布朗大学数据科学课程(CS1951A)的研究生,我们着手利用Riot Games开发人员API开发由数据分析驱动的个性化决策工具。

初步研究了Riot Games Developer API之后,我们发现了很多信息。 生成一个临时的,每次使用24小时的API密钥后,我们可以对端点进行API调用,将我们定向到玩家特定的数据,包括玩家对象,从而为我们提供加密的玩家ID以访问其他信息。 加密的玩家ID允许我们访问玩家过去的所有比赛,以及与每场比赛有关的大量数据。 我们的团队决定研究大量数据,并在筛选数据的同时,决定要分析哪些数据点,至少要进行一些简单的回归分析。 我们的第一个测试案例涉及冠军的选择和结果(个性化地针对玩家),因此我们可以根据玩家自己的冠军选择数据以及他与其他冠军的对抗结果,对玩家做出的决定提出建议。 在进行了此类分析之后,我们希望以一种便于玩家使用Python Pandas库之类的技术进行数据分析和可视化的技术快速消化的方式来可视化这些结果。

到目前为止,我们面临的最大挑战之一是获得了玩家比赛的绝对大量数据,并且我们正在寻求以更易于访问和处理的方式清理和整理数据。 此外,尽管我们已经为项目提供了一个永久性的API密钥,并改善了API调用限制,但我们不断生成的24小时API密钥是访问Riot Games API和数据库的临时解决方案等等,作为备份,我们从1,000个英雄联盟排名比赛中收集了游戏数据,以便我们至少可以对虚拟数据进行虚拟分析,尽管这些数据不是针对特定玩家的,但仍可以为我们提供洞察以前没有相互比较的数据集。

理想情况下,在获得对Riot Games API的稳定访问之后,我们寻求实现某种机器学习软件以检测值得分析的趋势,并在玩家继续玩游戏时继续进行分析并从玩家数据中学习,以及生成新的建议并将新的数据点结合在一起作为分析的一部分。