Multiplayer Online Battle Arena（MOBA）游戏依赖匹配系统保持竞争平衡。我们之前的工作 CUPID 将匹配视为分配再优化问题，并证明单一模式的胜率预测器能够显著重新平衡队伍。但在不同玩家群体中部署时出现三大瓶颈：大多数排队玩家缺乏足够的同模式对局历史（冷启动），不同段位的技能分布差异巨大（分布不一致），以及极端技能段位数据极度稀缺。
CHAMP 提出跨域匹配框架以解决这些问题。为缓解数据稀疏和冷启动，CHAMP 用混合域特征取代仅目标模式的玩家画像：包括时间顺序的跨模式短期序列（切片标注目标域特征）以及每个模式的长期、实时和团队统计分解。
我们进一步设计了 Domain‑Aware Win‑rate Network（DAWN）。Domain‑Aware Knowledge Extractor（DAKE）将目标模式属性编译为可学习的表示，送入 Domain‑Aware Temporal/Spatial/Permutation OmniNet 编码器（DATOE、DASOE、DAPOE），实现模式条件化表示和跨模式去偏差在同一共享网络中联合学习。
在线上，单一训练好的 DAWN 可服务所有支持的模式，仅通过每种模式的位置满意度阈值进行微调。离线评估显示 DAWN 达到 67.73% 的胜率预测准确率，优于所有对比的注意力和序列基线模型。
在大规模 MOBA 游戏全段位的 A/B 测试中，CHAMP 持续降低不平衡对局。对低段位玩家，5 分钟内的击杀压制率最高下降 20.73%。
点评