Learning With Generalised Card Representations for "Magic: The Gathering"

集换式卡牌游戏的一个显著特点是在实际游戏之前的构筑卡组过程，玩家会根据一些限制来组建卡组。由于卡牌种类繁多、语义高度复杂，以及需要有意义的卡牌和卡组表示，因此学习构建卡组对于玩家和模型来说都很困难。此外，不断推出新卡牌系列会导致可用卡牌池的不可预见波动，从而影响可能的卡组配置，需要不断更新。以往的游戏AI构建卡组方法通常仅限于固定的卡牌组合，这在实践中大大限制了它们的效用。在这项工作中，我们探索了可能的卡牌表示方法，这些方法可以推广到未见过的卡牌，从而极大地扩展了基于AI的卡组构建在“魔法：聚会”游戏中的实用性。我们研究了基于卡牌的数值、名义和文本特征、卡牌图像以及第三方服务中有关卡牌使用的元信息等表示方法。我们的结果表明，尽管特定的推广输入表示对于学习预测已知卡牌的人类选择几乎没有影响，但在新的未见过的卡牌上的表现可以大大提高。我们的推广模型能够预测完全未见过的卡牌中55％的人类选择，因此显示出对卡牌质量和策略的深入理解。

本论文旨在解决集换式卡牌游戏中的卡组构建问题，即如何利用AI进行卡组构建并适应新卡牌扩展包的发行。

本文探讨了基于数字、名义和文本特征的卡牌表示方法，能够泛化到未见过的卡牌上，从而大大提高了AI卡组构建的实用性。

论文使用了第三方服务提供的卡牌元信息，并在实验中展示了该方法在完全未见过的卡牌上的预测能力。结果显示，该模型能够预测55%的人类选择。

近期相关研究包括基于神经网络的卡组构建方法和基于进化算法的卡组构建方法等。