在设计引人入胜的益智游戏时，准确建模和理解玩家体验至关重要。为了实现这一目标，常用的方法是收集多样的用户数据，以训练能够模拟玩家行为的预测性游戏测试模型。然而，现有的数据驱动方法往往无法捕捉到玩家策略的全貌，并且需要大量的特征工程和网络架构建模。这一局限性在新游戏机制或特性的引入时尤为明显，迫使模型进行持续的调整。
为了解决这些挑战，我们提出了一种更为通用的表示方法，旨在减少甚至消除对持续特征工程维护的需求。具体而言，我们研究了两种通用网络架构：(a) 基于Transformer的模型（BERT）和(b) 图注意力模型（GAT），这两者均旨在有效捕捉《糖果传奇》（Candy Crush Saga）游戏棋盘的关系结构。我们的实验将这些方法与卷积神经网络（CNN）基线进行了比较，结果显示在复杂的棋盘配置上表现更佳，并强调了我们通用表示的优势。
博主点评： 本文深入探讨了游戏测试中的模型选择问题，GAT和BERT在捕捉玩家行为方面展现出更强的适应性，尤其是在新特性引入时。这为游戏设计师提供了新的思路，如何利用先进的深度学习架构提升玩家体验。希望未来能有更多相关研究推动这一领域的发展。