![Institutional Repository [SANDBOX]](images/dias.logo.png "Institutional Repository [SANDBOX]"){kind=logo}
Institutional Repository [SANDBOX]
Technical University of Crete
Technical University of Crete
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/0CD3B6B7-0545-44CC-A3BE-B828C4E6E3E0 | - |
| Identifier | https://doi.org/10.26233/heallink.tuc.86478 | - |
| Language | en | - |
| Extent | 135 pages | en |
| Extent | 10.3 megabytes | en |
| Title | Exploiting linguistic data for modeling players’ behaviour in strategic board games | en |
| Title | Αξιοποίηση γλωσσολογικών δεδομένων για τη μοντελοποίηση στρατηγικής συμπεριφοράς σε παίγνια πολλών παικτών | el |
| Creator | Apostolidou Maria | en |
| Creator | Αποστολιδου Μαρια | el |
| Contributor [Thesis Supervisor] | Chalkiadakis Georgios | en |
| Contributor [Thesis Supervisor] | Χαλκιαδακης Γεωργιος | el |
| Contributor [Committee Member] | Lagoudakis Michail | en |
| Contributor [Committee Member] | Λαγουδακης Μιχαηλ | el |
| Contributor [Committee Member] | Afantenos, Stergos, 1978-...., enseignant-chercheur en informatique | en |
| Publisher | Πολυτεχνείο Κρήτης | el |
| Publisher | Technical University of Crete | en |
| Academic Unit | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Academic Unit | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Content Summary | Many multi-agent strategic games entail social aspects realized often via natural language exchanges. Unfortunately few attempts have been made to take into account both actions and linguistic information for modeling agents. In this thesis the goal is to leverage both types of information in order to create a model that is capable of emulating players’ actions taking into account actions performed by all players in the past as well as their previous linguistic exchanges. Recent advances in neural network architectures and more precisely recurrent models allow one to sequentially update representations of the game state or linguistic data, as well as the sharing of parameters between disparate representations. Thus, in this thesis we produced and employed combined representations for the game state and for the linguistic exchanges, in order to model players’ actions and enable the prediction of their moves. We demonstrate our approach in the "Settlers of Catan" multi-agent strategic game domain. As a first step the raw data was processed to form a Dataset suitable for use in machine learning projects. This step entailed a novel modeling of the way in which information about a game of "Settlers of Catan" is represented. Then linguistic and gameplay information from the created Dataset was exploited by neural networks to predict the players’ actions. Architectures of Feed Forward Neural Networks, Recurrent Neural Networks (such as Long Short-term Memory Networks) as well as combined architectures of the two were investigated in the context of this thesis. We note that data collected in the context of the ERC Advanced Grant project STAC was used for this work, as well as the GloVe vectors for word representation. | en |
| Content Summary | Πολλά πολυπρακτορικά επιτραπέζια ή ψηφιακά στρατηγικά παιχνίδια απαιτούν κοινωνικές αλληλεπιδράσεις μεταξύ των παικτών μέσω της συνομιλίας σε φυσική γλώσσα. Δυστυχώς λίγες απόπειρες έχουν γίνει ώστε να ληφθούν υπόψιν τόσο οι ενέργειες των παικτών όσο και η γλωσσική πληροφορία για την μοντελοποίηση πρακτόρων. Σε αυτή την εργασία ο στόχος είναι να εξισορροπήσουμε και τα δύο είδη πληροφορίας με σκοπό να δημιουργήσουμε ένα μοντέλο που να είναι ικανό να μιμηθεί τις ενέργειες των παικτών λαμβάνοντας υπόψιν τις ενέργειες που έκαναν πρωτύτερα οι παίκτες καθώς και τις προηγούμενες γλωσσικές συνομιλίες τους. Η πρόοδος που έχει σημειωθεί πρόσφατα στο χώρο των νευρωνικών δικτύων και ειδικότερα στα αναδρομικά νευρωνικά δίκτυα επιτρέπουν την ακολουθιακή ενημέρωση των αναπαραστάσεων των καταστάσεων του παιχνιδιού ή και των γλωσσικών δεδομένων καθώς και την κοινή χρήση παραμέτρων μεταξύ διαφορετικών αναπαραστάσεων. Ως εκ τούτου σε αυτή την εργασία παράγαμε και χρησιμοποιήσαμε συνδυαστικές αναπαραστάσεις τόσο των καταστάσεων του παιχνιδιού όσο και των γλωσσικών συνομιλιών, ώστε να μοντελοποιηθούν οι ενέργειες των παικτών και να γίνει δυνατή η πρόβλεψη των κινήσεών τους. Η προσέγγισή μας εφαρμόστηκε στο στρατηγικό παιχνίδι «Άποικοι του Κατάν». Σαν πρώτο βήμα, τα ανεπεξέργαστα δεδομένα επεξεργάστηκαν για να σχηματιστεί ένα Σύνολο Δεδομένων κατάλληλο για χρήση σε διεργασίες μηχανικής μάθησης. Αυτό συμπεριέλαβε μια πρωτότυπη μοντελοποίηση του τρόπου με τον οποίο αναπαρίσταται η πληροφορία αναφορικά με το παιχνίδι «Άποικοι του Κατάν». Εν συνεχεία, γλωσσική πληροφορία και πληροφορία αναφορικά με το παιχνίδι από το δημιουργηθέν Σύνολο Δεδομένων αξιοποιήθηκε από νευρωνικά δίκτυα για να προβλεφθούν οι ενέργειες των παικτών. Αρχιτεκτονικές όπως Νευρωνικά Δίκτυα Έμπροσθεν Τροφοδότησης και Αναδρομικά Νευρωνικά Δίκτυα (όπως Δίκτυα Μακροπρόθεσμης Μνήμης) καθώς και συνδυαστικές αρχιτεκτονικές των δύο ερευνήθηκαν στο πλαίσιο αυτής της εργασίας. Για την εργασία αυτή αξιοποιήθηκαν τα δεδομένα που έχουν συλλεχθεί στο πλαίσιο του ERC Advanced Grant project STAC, καθώς και τα GloVe διανύσματα για αναπαράσταση λέξεων. | el |
| Type of Item | Διπλωματική Εργασία | el |
| Type of Item | Diploma Work | en |
| License | http://creativecommons.org/licenses/by/4.0/ | en |
| Date of Item | 2020-08-19 | - |
| Date of Publication | 2020 | - |
| Subject | Μηχανική μάθηση | el |
| Subject | Natural language processing | en |
| Subject | Machine learning | en |
| Bibliographic Citation | Maria Apostolidou, "Exploiting linguistic data for modeling players’ behaviour in strategic board games", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2020 | en |
| Bibliographic Citation | Μαρία Αποστολίδου, "Αξιοποίηση γλωσσολογικών δεδομένων για τη μοντελοποίηση στρατηγικής συμπεριφοράς σε παίγνια πολλών παικτών", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2020 | el |
Copyright © DIAS 2013
