角色扮演游戏中的个性化任务和对话生成：一种基于知识图谱和语言模型的方法

文献标题

Personalized Quest and Dialogue Generation in Role-Playing Games: A Knowledge Graph- and Language Model-based Approach

文献信息

• 主题领域: 视频游戏的程序化内容生成，特别是角色扮演游戏（RPG）中的动态任务和对话生成
• 关键词: 程序化内容生成、人机协作创造、自然语言处理、知识图谱、GPT-2、大型语言模型、NPC对话、角色扮演游戏、动态任务生成

研究背景与问题

• 发现的问题或挑战:

  • 传统的视频游戏内容生成方法无法动态适应游戏状态、故事情节和玩家输入的变化。
  • 现有方法通常依赖于规则驱动的确定性过程，但缺乏对玩家输入的直接响应性，而神经网络驱动的内容生成存在产生不一致、逻辑混乱的文本内容的风险。
  • 标准化的任务生成方法难以提供玩家个性化的体验，这通常会削弱游戏的沉浸感和玩家参与度。

• 研究的重要性:

  • 任务（quest）是角色扮演游戏中叙事和游戏世界构建的关键组成部分。生成动态且响应玩家需求的内容有助于提升玩家的游戏体验。
  • 通过优化任务生成和 NPC 对话生成，能够增强游戏的重复可玩性、用户沉浸感和用户参与度。

• 研究动机与相关工作:

  • 研究借鉴了混合创意协同框架（Mixed-Initiative Co-Creativity, MI-CC），重点放在通过将玩家输入与游戏当前世界状态结合，使生成的内容既个性化又保持和游戏世界的一致性。
  • 与过往试图生成任务或对话的研究不同，本研究提出了一个将任务生成与 NPC 对话生成紧密耦合的框架，旨在为游戏开发带来更广泛的适用性并扩展与玩家的互动范围。

解决方案

• 提出的方法或解决方案:

  1. 基于知识图谱和大型语言模型（例如 GPT-2）结合的方法：
     • 知识图谱用于编码游戏世界的实体及其相互关系。
     • 玩家输入作为初始触发条件，通过图谱节点的语义相似度算法确定任务种子。
     • 使用 GPT-2 语言模型生成与任务相关的 NPC 对话。
  2. 使用上下文无关文法（Context-Free Grammar）模板生成任务描述，并结合图谱信息填充具体内容。

• 创新之处:

  • 将任务生成与 NPC 对话生成集成，为玩家提供个性化任务和独特的对话内容。
  • 提出了一种基于词汇共现的自动化对话评估指标，通过量化对话与任务的相关性来衡量生成内容的质量。
  • 将语言模型与知识图谱结合以增强语言模型在叙述一致性上的表现，同时允许玩家在任务生成过程中成为共同创造者。

• 实施步骤与关键技术:

  • 玩家通过自由文本与 NPC 交互，系统利用余弦相似度计算对玩家输入进行语义分析，选择最匹配的知识图谱路径。
  • 根据知识图谱的路径，模板生成任务描述，并通过 GPT-2 语言模型生成任务标题及相关对话。
  • 所提出的任务经过人类评估和自动化归一化指标进行评价，以验证框架的整体有效性。

研究成果

• 取得的具体成果:

  • 通过人类评估，生成的任务和 NPC 对话在流畅性、一致性、新颖性和创造力方面接近手工设计的任务内容。
  • 所生成的内容能够响应玩家输入并与游戏世界状态保持一致，同时显著提升了游戏中的动态性和个性化体验。

• 与现有解决方案的优势:

  • 在满足游戏世界一致性的前提下，对玩家输入的动态响应能力显著提高。
  • 与静态任务相比，动态任务显著改善了沉浸式游戏体验，并提高了玩家的总体满意度。

• 实验或评估结果:

  • 为衡量生成对话及其与任务的相关性，提出了一种基于归一化词汇共现得分的指标。在实验中，生成的对话与任务的相关性分布与手工设计内容接近。
  • 人类用户对系统生成的任务和对话的满意度调查表明，对比随机生成和传统任务设计，本系统生成的任务在响应性和创意方面表现出色。

• 局限性与未来方向:

  1. 语言模型生成的额外信息有时无法在知识图谱中找到对应关系，可能导致玩家体验中断。
  2. 框架对知识图谱的规模和质量依赖较大，现有测试中使用的是手工构建的小型图谱。
  3. 平台目前无法支持持续对话，未来需要扩展至多轮聊天和 NPC 个性化对话生成。
  4. 针对社会偏见和语言模型潜在有害输出的问题，需进一步研究加强模型的安全性和公平性。

总结

本研究提出了一种新型的任务和对话生成框架，以知识图谱驱动动态内容生成，并通过 GPT-2 补充细节和增强互动。实验与人类评价表明，该框架能显著提升用户参与度和沉浸感，为未来全动态、人机协作的游戏叙事生成提供了重要参考。