赛前就能判断哪套阵容会赢：把选手熟练度与团队互补放进同一个模型，准确率到61.33%
核心概要
临时组队的胜负往往在开打前就已有线索，但单个选手的评分无法说明他是否适合当前角色，也无法说明五个人的分工是否互补。研究把这两件事放进同一个深度学习模型：先用选手此前的对局记录判断他与当前英雄、位置的匹配程度，再把双方十名选手的阵容作为整体比较。在按全局时间顺序划分的验证集上，该模型赛前预测准确率为61.33%，高于所比较的TrueSkill、CatBoost、GRU和DraftRec。
深度剖析
赛前只看双方已经确定的英雄与位置分工，就能比现有评分和阵容指标更准地判断哪一方会赢。 此前的做法要么用TrueSkill这类单一能力评分概括选手，要么用人工构造的出场次数、胜率等统计量描述阵容，这些信息都压缩了选手在不同角色和英雄下的差异。 在按全局时间顺序划分的验证集上，该模型准确率为61.33%±0.05%、二元交叉熵为0.6490±0.0008，所比较方法中表现最好的DraftRec为58.31%±0.06%和0.6689±0.0007，TrueSkill为53.88%。
模型先按当前任务重新解读每名选手的历史，再把十个人的表示放在一起联合评估，而不是各自打分后取平均。 此前的DraftRec先独立于当前英雄与位置生成选手表示，再在队内做平均池化；该模型让当前英雄、位置和版本参与对历史的注意力计算，并用一个可学习的阵容标记汇总双方全部十个位置。 消融实验显示，去掉历史、只看当前阵容时准确率降到55.37%±0.03%，把联合阵容表示换成独立评估后取平均则降到58.19%±0.07%，均低于完整模型的61.33%±0.05%。
模型容量和历史长度都存在收益饱和点，主配置用约5190万参数、每人32场历史就接近更大模型的效果。 把模型从约92万参数逐步放大到主配置时准确率持续上升，继续放大到1.73亿参数后准确率基本不变、交叉熵也未改善。 历史长度从8场增至32场带来明显提升，再增至64场只带来边际改善；主配置为61.33%±0.05%，1.73亿参数版本为61.36%±0.06%。
启示与展望
评估范围限于《英雄联盟》单排对局中双方位置与英雄已确定、比赛尚未开始的时刻，输入只包含目标对局之前的记录，不使用对局中产生的任何信息。作者同时公开了处理后的匿名数据和代码，供复现与后续研究使用。
熟练度与互补性是通过专门的预测模型间接得到的相对量，并非直接观测到的团队属性；比赛结果还包含执行与偶然因素，因此预测误差不一定意味着对初始阵容的判断有误。分析属于观察性研究，只能说明按时间可泛化的关联，不能确立更换某名选手位置所带来的因果效果。