Intelligent Minigame Selection for the Game Arena of Dreams

Abstract

This project addresses the challenge of content repetition in Arena of Dreams, a partyroyale mobile game developed by Fanatee, where excessive repetition of minigames can undermine player engagement and retention. The project aimed to replace the game’s purely random minigame selection system with an intelligent algorithm that reduces the player’s perception of repetitiveness by spacing out similar experiences. Through a methodology involving online and in-person user surveys, computer vision and data analysis, the team quantified how players perceive similarity between minigames. Multiple distance matrices were generated from different perspectives (user perception, visual features, semantic descriptions) and combined using Multi-View Multidimensional Scaling (MVMDS) to create n-dimensional embeddings representing each minigame. The selection algorithm then uses these embeddings to calculate the optimal minigame choice based on players’ recent match history, selecting minigames that are furthest from what players have recently experienced. Validation results demonstrate that this approach successfully reduces the perception of repetition by understanding and quantifying similarity, ultimately creating a more enjoyable and engaging gaming experience for players.

O projeto aborda o desafio da repetição de conteúdo em Arena of Dreams, um jogo mobile do gênero party-royale desenvolvido pela Fanatee, no qual a repetição excessiva de minigames pode comprometer o engajamento e a retenção dos jogadores. O objetivo do projeto foi substituir o sistema puramente aleatório de seleção de minigames por um algoritmo inteligente, capaz de reduzir a percepção de repetitividade ao espaciar experiências semelhantes. Por meio de uma metodologia que envolveu pesquisas com usuários (presenciais e online), visão computacional e análise de dados, a equipe quantificou como os jogadores percebem a similaridade entre os minigames. Diversas matrizes de distância foram geradas a partir de diferentes perspectivas (perceção do usuário, características visuais, descrições semânticas) e combinadas utilizando o algoritmo Multi-View Multidimensional Scaling (MVMDS) para criar embeddings em n dimensões representando cada minigame. O algoritmo de seleção utiliza esses embeddings para calcular a melhor escolha de minigame com base no histórico recente de partidas dos jogadores, selecionando aqueles mais distantes das experiências recentes. Os resultados de validação demonstram que essa abordagem reduz com sucesso a percepção de repetição ao compreender e quantificar a similaridade, proporcionando uma experiência de jogo mais agradável e envolvente para os usuários.