GARENRec : graph-attention based transformer network for league of legends draft recommendation

다국어 초록 (Multilingual Abstract)

The drafting phase in League of Legends (LoL), in which teams alternately ban and pick champions, presents a complex multi-item recommendation challenge requiring strategic foresight, opponent adaptation, and coordinated team decision-making. Although recent AI-based models have shown potential in supporting draft-related decisions, most are trained on ranked match data that focus on individual player preferences, limiting their capacity to model team-level interactions and long-term item dependencies.

To address this limitation, we introduce GARENRec (Graph-Attention based Transformer for Draft Recommendation), a hybrid recommendation model that integrates Graph Attention Networks (GAT) with Transformers. The graph component encodes champion-level synergies and counter-relationships, while the sequential module captures the temporal dynamics of draft decisions. Evaluations on five years of professional match data demonstrate that the proposed method consistently outperforms state-of-the-art baselines. It achieves a 9.35 % relative improvement in average Hit Rate and a 16.09 % improvement in average NDCG across all top-k metrics on the combined multi-year dataset.

These results underscore the benefits of incorporating relational signals, as opposed to relying solely on preference-based modeling, particularly in dynamic and strategically complex environments. The proposed method demonstrates strong generalization across seasonal shifts and exhibits improved scalability with larger datasets. These characteristics point toward a promising direction for developing recommendation systems that must capture intricate inter-item dependencies beyond traditional user–item interaction frameworks.

국문 초록 (Abstract)

리그 오브 레전드의 챔피언 선택 단계는 각 팀이 번갈아가며 챔피언을 금지하거나 선택하는 과정으로, 전략적 예측, 상대 팀의 대응, 팀 내 조율된 의사결정을 요구하는 복합적인 다중 아이템 추천 문제이다. 최근에는 인공지능 기반 추천 모델이 챔피언 선택 의사결정을 지원하는 가능성을 보이고 있으나, 대부분의 모델은 개인 선호도를 기반으로 한 일반 랭크 게임 데이터를 활용하고 있어, 팀 단위의 상호작용이나 챔피언 간의 장기적인 의존성을 충분히 반영하는 데 한계가 있다.

본 연구에서는 이러한 한계를 극복하기 위해 GARENRec(그래프 기반 주의 메커니즘과 트랜스포머를 활용한 리그 오브 레전드 챔피언 선택 추천 시스템)을 제안한다. GARENRec은 챔피언 간의 관계를 학습하는 그래프 주의 메커니즘과 챔피언 선택 순서의 흐름을 반영하는 순서 기반 인코더(트랜스포머)를 결합한 복합 구조의 모델이다. 그래프 모듈은 챔피언 간의 시너지와 상호 견제 관계를 학습하며, 순서 모듈은 시간적 순서에 따른 문맥 정보를 포착한다.

5년간의 프로 리그 데이터를 활용한 실험 결과, 제안한 모델은 기존 최신 기법들과 비교해 일관되게 우수한 성능을 보였으며, 특히 전체 top-k 평가 기준에서 평균 Hit Rate는 9.35 %, 평균 NDCG는 16.09 %의 성능 향상을 달성하였다.

이러한 결과는 단순히 선호 기반 모델링에 의존하기보다는, 챔피언 간의 관계 정보를 함께 반영하는 방식이 전략적으로 복잡하고 변화가 잦은 환경에서 더욱 효과적임을 시사한다. 또한 GARENRec은 간 흐름에 따른 게임 전략이나 챔피언 활용 방식의 변화에도 높은 일반화 성능을 유지하며, 데이터 규모 증가에 따라 안정적인 확장성도 확인되었다. 이는 기존의 사용자-아이템 중심 추천 시스템을 넘어, 아이템 간의 복합적인 관계까지 학습 가능한 추천 시스템 개발에 있어 유의미한 방향을 제시한다.

목차 (Table of Contents)

• 1 Introduction 1
• 2 Related Work 5
• 2.1 Multiplayer Online Battle Arena (MOBA) Games 5
• 2.2 League of Legends: Champion, Draft Phase, and Constraints 6
• 2.3 Draft Recommendation in MOBA Games 10
• 2.4 Recommendation System 12
• 3 Proposed Method 15
• 3.1 Input Representation 16
• 3.1.1 Draft Sequence Representation 16
• 3.1.2 Match Feature Representation 18
• 3.2 Graph-Based Champion Relationship Modeling 18
• 3.2.1 Modeling Champion Synergy and Counterplay 19
• 3.2.2 Champion Graph Construction and Edge Weighting 19
• 3.3 Model Architecture 21
• 3.3.1 Input Processing 21
• 3.3.2 Graph Embedding Layer 22
• 3.3.3 Feature Embedding Layer 23
• 3.3.4 Transformer Encoder and Champion Recommendation 24
• 3.3.5 Training Objective 26
• 4 Experiments And Results 27
• 4.1 Datasets 27
• 4.1.1 Ban-Pick Sequence Data 27
• 4.1.2 Match Performance Data 28
• 4.1.3 Dataset Statistics 28
• 4.2 Baselines 29
• 4.3 Implementation Details 30
• 4.3.1 Training 30
• 4.3.2 Evaluation 31
• 4.4 Experimental Results 32
• 4.4.1 Results on Individual Seasons and Aggregated Datasets 33
• 2020 Season Performance 33
• 2021 Season Performance 34
• 2022 Season Performance 35
• 2023 Season Performance 35
• 2024 Season Performance 36
• Results on Aggregated Datasets (20202024) 37
• 4.4.2 Ablation and Additional Studies 38
• Ablation Study 38
• Effect of Dataset Size 40
• Case Study: Champion Pair Attention Scores 42
• 5 Conclusion 45
• 5.1 Contributions 45
• 5.2 Limitations 46
• 5.3 Conclusion and Future Work 47
• References 48
• Appendices 54
• Appendix A. Disclaimer 54
• Appendix B. Dataset Features Description 54
• Appendix C. Hyperparameter Settings 56