2024年沙特电子竞技世界杯的圆满闭幕和2027年沙特电子竞技奥运会的即将举办，共同凸显了综合性赛事在电竞赛事体系中的重要性。综合性赛事可以体现一个国家电竞运动的整体实力，检验的是各个电竞项目普及的广度和深度。尽管我国选手已在《英雄联盟》《DOTA2》《王者荣耀》《和平精英》等主流电竞项目中占据优势地位，但是大约有2/3的电竞项目与世界顶尖水平相去甚远。与此同时，我国人工智能领域从技术研发到实践应用皆已位居世界前列，如果要快速提高我国在弱势电竞项目的竞技水平，可以将人工智能技术融入到电子竞技的各个环节，通过人工智能的算法和数据分析辅助电子竞技运动员的训练、比赛以及观众观赛，即通过辅助训练提高电竞选手竞技水平、通过辅助裁判使赛事更加公平和公正、通过智能播报改善赛事呈现效果等（如图1所示），进而驱动电子竞技赛事步入智能化的发展阶段。然而人工智能作为一个尚在发展过程中的技术集合体，其在为电子竞技提供各种助益的同时，也必然存在不同程度的风险，包括数据风险、算法风险、责任风险等，其中首要风险是数据风险。当前，以神经网络和机器学习为主流算法的人工智能，如果要实现更为复杂的类人化功能，必须以大量数据为基础。例如，ChatGPT四阶段生成机制中的前三项为“对人工智能进行数据喂养来锻炼其自动生成后续文本的能力”“收集人类数据并进行监督”“收集对比数据并训练奖励模型”[1]，GPT-4的预训练数据量已达65TB [2]。而从电竞人工智能的数据分析出其中存在的各项数据污染风险，并通过数据治理规则探索应对之策，正是本研究的主旨。此外，本研究将“专门适用于电子竞技场域的人工智能”或者“电子竞技+人工智能”简称为“电竞人工智能”。
1 电竞人工智能的数据污染风险检视
一般而言，电竞数据可以按照不同主体划分为玩家数据、选手数据和赛事数据（见图2）。具体而言：1）玩家数据的来源是竞技游戏的普通玩家，可以进一步分为个人信息数据和在游戏过程中产生的数据；2）选手数据的来源是电竞职业选手，可以进一步分为个人信息数据和赛训数据，由于电竞选手需要参加各类赛事，其个人信息数据中的基本信息（如姓名、年龄、国别、籍贯等）是对外公开的，其他数据则可以不公开，而包括赛场数据和训练数据的赛训数据在公开举办的赛事中，前者必然处于公开状态，后者则可以不公开；3）赛事数据的来源是各类公开举办的电竞赛事，主要由游戏厂商和赛事主办方掌握，包括游戏数据、比赛数据、观赛数据、新闻数据等。电竞人工智能技术在采集数据的过程中往往可以指向较为宽泛的关联信息，致使浩如烟海成了数据的主要特征。以《英雄联盟》为例，在玩家数据上，该游戏玩家总数已达1亿8 000万人，全球每日活跃玩家数量约为2 700万人[3]，其中大部分玩家及其对局形成的数据从电竞人工智能而言都具有不同程度的利用价值；在选手数据上，随着电竞俱乐部管理的规范化，电竞职业选手和青训选手的数量稳中有增，其在常规训练和各场比赛中的数据也属于较大规模；在赛事数据上，该游戏划分为LPL、LCK、LEC、LTA、LCP，每个赛区内的职业联赛又分为3个赛段，每个赛段又可以划分为常规赛和淘汰赛等，加之世界性的全球先锋赛、MSI和S赛，以及国内众多的非职业赛事，使得赛事数据同样复杂而庞大。其中的问题在于，这些数据可能有相当一部分是无用的、过时的或者被恶意伪造的——笔者将这3种情形统称为“数据污染”，其中的无用数据和过时数据属于客观情形，伪造数据则存在主观故意。
1.1 无用数据及其污染风险
在电竞场域，玩家数据，特别是段位较低者的对局记录中有相当一部分属于质量不佳的无用数据，即操作反应、路线规划、战术布局等皆处于较低水平，明显不具有合理性与借鉴价值，用其训练角色AI难以达到理想的效果。即便是选手数据，其在赛训过程中也可能出现错误或失误的操作和运用不当的战术策略，用其模拟对方选手就会存在真实性不足、对抗强度有限等问题。赛事数据中如果存在有争议性的判罚数据，包括不合理的回溯点位、不准确的进程检测等，也会影响智能裁判功能的发挥。为了增强训练的真实感，对角色AI进行拟人化的途径之一即是提高其随机性，使其在某种具体情境下的行为选择不是唯一的，而是多种的；此时无论是树搜索还是蒙特卡罗树搜索[7]，都会涉及电竞数据集中的与某个情境存在关联关系的一系列不同的数据。如果该数据集被无用数据污染且未能完整地进行清理，角色AI就有可能概率性地搜索并选择到低质量的数据，表现出错误或不当的行为，从而整体性地降低训练效果；如果无用数据占比过高，角色AI在数据整合的过程中就会忽略可用性指标，致使无用的数据被不断叠加和反复使用，最终完全偏离预设的功能。
1.2 过时数据及其污染风险
过时数据在性质上属于数据时效问题，是指所采集的数据无法满足人工智能当前的需要，或者会使人工智能学到过时的、无法匹配实际状况的知识。由于信息时代数据增长和更迭速度加快，有关同一事项的信息可能短时间内即会发生更迭。如果人工智能基于大量陈旧数据，或者少量的当前未能覆盖或替换大量陈旧数据的数据，其所生成的结果也就无法反映实际情况。例如，ChatGPT的训练语料库中包含了大量的网页内容[6]，而使用国产大模型进行法律文件查询时经常会得出已经废止的条文或未被采纳的草案，其原因无外乎：一是修改后的现行法律文件并未被纳入数据集；二是已废止的法律文件并未被剔除出数据集。如果数据集包含的陈旧数据过多，人工智能生成的结果也必然是陈旧的。
在电竞场域，一是职业选手在不同时期的操作习惯、战术策略乃至风格打法都可能发生改变，竞技状态也可能出现起伏，或者说，选手的赛训表现并不是一个恒定的数值。一方面，这使“智能教练”决策增加了不确定因素——必须紧密围绕选手的当前状态制定训练方案，如果数据集包含的选手的体能状况及专项数据都是以往竞技高峰期或竞技低谷期的，那么生成的方案就可能使当前的选手训练强度过高或过低。另一方面，这也对“模拟对方选手”增加了不确定性——一则如果使用对方选手的过往数据进行模拟，可能无法体现其现阶段的竞技风格和水平，致使己方选手在临赛训练时面对的虚拟选手和真实选手差距过大，难以做出有效应对；二则如果使用对方选手的当期数据进行模拟，则不仅要面临数据量不足的问题，而且快速成型也是对人工智能技术的严峻挑战。二是不同于规则相对稳定的传统体育项目，电竞项目的比赛版本（游戏版本）经常会发生大幅度变化，如《无畏契约》中可使用的角色数量、角色属性和技能、枪械种类和参数、地图或场地布局等，在不同版本中的差异可能非常明显。此时，如果所采集的数据主要来源于以往的游戏版本，以此为基础生成的角色AI就可能与当前的游戏版本发生错位——其行为模式在某一历史版本中是合理的，在当前版本中却是不当的，甚至是无法实现的。同时，游戏版本的切换往往会迫使选手改变以往的角色选择和战术策略，从而使同一选手在不同版本间的赛训数据存在较大差异，基于过往版本模拟而成的对方选手，也难以适用于当前版本的辅助训练。此外，如果游戏版本的切换还伴有比赛规则的变化，那么基于旧版本训练而成的智能裁判也无法胜任当前版本的执裁工作，等等。三是电竞赛事中的同一俱乐部的参赛人员在不同时期往往会出现较大的变动，而智能播报结果由于受历史数据的影响也会存在错乱风险。例如，同为《英雄联盟》BLG俱乐部和JDG俱乐部的比赛，2023年夏季赛和2024年夏季赛的比赛双方的首发选手、比赛过程和比赛结果都存在显著差别，但人工智能却有可能将2023年的赛况当成2024年的赛况进行输出。
1.3 伪造数据及其污染风险
在电竞场域，伪造数据的行为结果是，在玩家的游戏数据和选手的赛训数据中输入大量伪造数据，以影响玩家游戏行为的合理性，可能会使据此生成的训练用角色AI的应用效能低下，乃至失去实用价值，即便是已经成型的角色AI，在虚假数据的持续输入下也可能使训练用角色AI逐渐遭到破坏。特别是在临赛训练时，可采集的对方选手的数据有限，即便输入少量的伪造数据，也会在行为树的“枝干”中产生影响，足以扰乱角色AI的模拟结果，此时不仅无法起到适应对方选手的训练效果，反而可能误导己方选手的备战方向和赛场预期。从智能裁判而言，“数据本身的真实性和可靠性，以及数据与真实世界的契合度，会直接影响甚至决定人工智能裁判的输出结果”[8]。如果既往的执裁数据中存在被篡改或虚构的数据，智能裁判的执裁功能必然会削弱。如在检测作弊工具和认定假赛时，如果选手以往的赛训及语音数据被伪造，智能裁判便无法作出准确的判断。从观赛观众而言，如果观众的观赛数据被伪造，就会使AI OB习得错误的观众观赛习惯，不仅可能在直播过程中持续切换缺乏重要性的赛场区域，以致遗漏精彩镜头和错过关键节点，而且可能导致“画中画”“三分屏”等模式的混乱应用。
2 电竞人工智能数据治理规则的建构
为了防范电竞人工智能的数据污染风险，应当通过数据挖掘技术进行结构化调整，提炼出有效部分，并通过数据清洗、数据转换、数据整合等步骤形成完整的数据集合。数据挖掘是指从已采集到的大量的、真实的、有噪声的数据中提取出可接受、可理解、可运用的部分，也可视为数据库中知识发现（KDD）的过程之一。数据挖掘时也会甄别并舍弃存在污染的数据，使得经此过程的数据皆是有意义的。在电竞场域，数据挖掘是通过“数据过滤，元数据生成，错误数据和缺失数据的信息提取，不同数据集的自动数据分析”[9]等技术，从海量的电竞数据中提取有价值的信息和知识，舍弃被污染的数据，从而用更具价值的数据训练和制作角色AI、智能教练、智能裁判、AI OB等，为电竞人工智能提供坚实的数据基础。具体而言，电竞场域中的数据治理可以分为数据结构化、数据筛选和数据治理体系，并据此可以划分为3个阶段进行治理。
2.1 电竞人工智能数据结构化阶段的治理规则
数据结构化是将采集到的原始数据按照电竞人工智能所需要的格式进行编译、转化和分类，使之能被更为有效地存储、访问和调用；或者说，按照电竞人工智能预设的数据模型对原始数据进行“修剪”和归位，形成具有清晰结构和相互关联的数据集合。数据结构化的前提是有明确的数据模型和固定的数据格式，结构化之后则应具有查询的便利性、解析和处理的高效性等特点，并能避免数据重复和冗余，以及可以提高存储效率。电竞场域中的数据获取和保存虽然较为便利，但是数据类型也较为复杂，如游戏数据中的操作记录和对局记录、赛场数据中的语音记录和体征数据、赛事数据中的关键节点标记和赛况报道等，分别涵盖了视频、音频、图片、文本等多种数据格式。这些原始数据大多是半结构化和非结构化的，一则即便是相同类型的数据（如视频数据）也可能存在不同格式（如mkv、mp4、wmv等）；二则即便是相同格式的数据，也可能与电竞人工智能的数据模型不相匹配——某一固定格式的电竞人工智能数据可能适用于一部分电竞项目，无法适用于另一部分电竞项目；在同一电竞项目中，可能适用于一部分游戏版本，无法适用于另一部分游戏版本， 即数据构成与电竞项目、游戏版本都存在严格的对应关系，如对局过程中的关键节点标记在不同名称竞技游戏中几乎不存在通用性，在同一电竞游戏的不同版本间也可能存在明显的错位。因此，数据结构化是电竞人工智能运行的必要步骤，尽管在不同电竞项目及版本间协调统一数据模型是优先考虑的事项，但若无法实现，则必须通过数据结构化完成格式转换，以使“电竞数据-竞技项目-游戏版本”三者相互匹配。
2.1.1 电竞人工智能数据结构化的标注类型规制
在结构化过程中，数据标注是较为重要的步骤，即为各类原始数据添加有意义的信息标签或注释，包括分类标注、边界框标注、语义分割、文本标注、关键点标注等，可以提高数据使用效率。数据标注可以进一步分为人工标注和自动标注，前者是由专门的数据标注员根据特定的规范和流程，通过观察和判断对数据进行标注，工作量大且成本较高，但准确性和一致性较好；后者则是基于已有的数据，通过算法自动对新的数据进行标注，速度较快但准确度会受算法性能和原始数据质量的影响。在电竞场域，由于数据复杂度偏高，对重要数据进行人工标注更为稳妥。但是当原始数据量过大时，如某一电竞项目需要若干年内的玩家数据以制作全部虚拟的角色AI，尽管采用众包平台分散标注任务也是可选路径，但其更适于采用自动标注，通过标注工具及开发更加智能的自动标注算法，以确保标注的准确性、一致性和效率性。
在规范性层面，《生成式人工智能服务管理暂行办法》中对数据提供者制定标注规则提出了要求。《生成式人工智能服务安全基本要求》中对服务提供者提出了具体的标注规则和标注内容准确性方面的要求。电竞人工智能数据治理可以参照上述要求加以执行，特别是在数据标注质量控制层面，电竞人工智能开发者（以下简称“开发者”）应当对每一批次的标注数据进行人工抽检，查验电竞数据的分类、格式、构成等是否标注正确，并充分核实数据标签与其所对应的竞技项目、游戏版本乃至其中的虚拟角色是否严格匹配，发现标注错误的数据应及时纠正，并通过收集相关实例推动数据标注算法的升级。
2.1.2 电竞人工智能数据结构化的一致性标准设置
在数据结构化的标准设置层面，《中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见》中提出，支持第三方机构、中介服务组织加强数据采集和质量评估标准制定，推动数据产品标准化。电竞人工智能数据治理过程中也应逐步消除各个竞技游戏之间的数据壁垒，推行统一执行的结构化标准。对此，一方面，可以优先考虑以竞技游戏类型为依据加以推进，由于游戏原理、胜负规则、战术机制等存在共通性，同类游戏存在共用数据标准的可能，诸如同为MOBA类游戏，可以在《英雄联盟》《DOTA2》《王者荣耀》《梦三国》等游戏之间推行统一执行的数据结构化模型；再如同为FPS类游戏，可以在《CS：GO》《守望先锋》《穿越火线》《无畏契约》等游戏之间推行统一执行的数据结构化模型；等等。另一方面，可以考虑以不同类型游戏的特定数据为依据加以推进，同为竞技类游戏，即便类型不同，部分特定数据仍然有着内在的一致性，诸如MOBA类的《英雄联盟》和FPS类的《无畏契约》，都存在着选手的得分和助攻、虚拟角色的出场率和胜率等记录，这些记录也有共用数据标准的可能。而执行统一的数据结构化标准，有助于提高电竞人工智能数据的通用性，即适用于某一电竞项目的人工智能，可以更为便捷地适用于另一同类型游戏，乃至经过一定幅度的调整还可以适用于其他类型的游戏。例如，为《英雄联盟》游戏设计的智能教练，可以移植至《王者荣耀》等同类型游戏；经过一定幅度的调整还可以移植至《无畏契约》等不同类型的游戏。由于竞技游戏众多，并且不同主办方的综合性赛事所设比赛项目往往差异显著，如果能增强电竞人工智能数据技术在不同游戏间的通用性，实现不同程度的跨游戏应用，则可显著节约其制作和运行成本，可以更为充分地运用其辅助训练、辅助裁判等功能。
电竞数据的结构化过程还应关注不同电竞项目间数据标注程序的通用性、数据转换格式的统一性、数据跨平台迁移的便捷性等，使诸多竞技游戏平台中来自各游戏主体的原始数据经过结构化之后可以无缝连接至既定的人工智能系统。开发者可以比照国家标准、行业标准等构建相关的基础数据标准、指标数据标准和数据模型标准，搭建数据管理中台，快速形成可被电竞人工智能分析程序理解的优质数据，有效增加跨平台、跨游戏的数据共享与沉淀复用[10]。此外，根据《中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见》的要求，如果能在数据结构化阶段对含有个人信息的数据进行加密处理，或者为其添加特定标签进行统一管理，系统地提高信息安全等级、施加访问限制，或者按照2024年颁布的《网络数据安全管理条例》的相关规定进行删除处理或匿名化处理，则对前置的信息安全和后续的数据安全皆具有较大助益。
这里的问题在于，原稿对于《英雄联盟》《王者荣耀》等统一使用的是“电竞项目”和“竞技游戏”两种表述，在您修改之后，前文保留了这种两种表述，此处又增加了“电竞游戏”和“电子竞技游戏”两种表述，使得名词统一性有所下降。
2.2 电竞人工智能数据筛选阶段的治理规则
2.2.1 应对无用数据的筛选规则
对无用数据的筛选，可以运用 “条件筛选”的模式，首先将所需数据的类型、范围或其他特征设定为筛选条件，之后再通过如SQL、Python中的Pandas库、R语言等数据处理工具应用这些条件。具体包括以下几个方面。1）对于玩家数据，若要生成较高层级或强度的角色AI，可以以玩家等级或段位为条件，筛选高层级玩家之间的对局记录，或者反向过滤掉中低层级的玩家数据，从而确保数据体现的操作反应、路线规划、战术布局等具有相当程度的合理性，进而确保角色AI的可用。2）对于选手数据，若要模拟对方选手进行临赛训练，则应过滤掉表现不佳或失误频发的选手数据，甚至可以将筛选条件设置为“仅限胜场”，以最大程度实现对对方选手的模拟。在AI教练生成训练方案时可反向筛选选手操作失误和战术不当的数据，对其进行归类整合，凸显选手各个环节的问题所在，从而进行针对性训练。3）对于赛事数据，从智能裁判而言，可以构建裁判案例库，筛选以往的典型案例，用判罚数据进行模型训练；从智能播报而言，若要生成高质量的赛况报道，可以通过圈定数据来源等方式剔除低质量的数据，如过滤掉质量欠佳的网址，形成“黑名单”或“白名单”规则，或者增加官方媒体和头部媒体的权重，以确保赛况数据的权威性。4）对于带有随机性的角色AI，若要确保某项特定功能的高质量，可能不得不放弃其他功能，诸如远程寻路功能存在缺陷，但是要凸显利用掩体定点射击的优势功能，就可采取数据抽取的方式，通过严格的条件设定从数据集筛选出少量数据以训练角色AI，即放弃其综合功能以提升专项功能，从而达成特定的训练目的。
2.2.2 应对过时数据的筛选规则
对于过时的数据，核心宗旨是按照时效进行筛选，或者对陈旧的数据进行过滤。具体包括以下几个方面。1）从职业选手而言，智能教练应当选取选手最近一段时间或者至少是当前赛季的数据进行模型训练，使其生成的训练方案能够紧密贴合选手的当前状态。若要生成“模拟对方选手”的角色AI以应对当期比赛，在数据能够获取的前提下，可以对指定选手的赛训数据进行时间限制，将初始时间设定在其竞技风格和水平成型之时，或者将时间范围框定在本赛季已结束的若干场次，并为后者设置更高的权重；在数据难以获取的前提下，则可采用混合筛选的方式，将对方选手已公开的近期数据与以往的“惯性数据”（习惯性、固定化的操作模式、战术布局等）加以混合，以尽量贴合对方选手的当前状态。2）从游戏版本而言，可以将“仅限当前版本”设为数据筛选条件，或者将数据创建的时间限定在游戏当前版本发布后的范围内，以使角色AI、智能教练、智能裁判的基础数据与游戏当前版本相匹配。如若当前版本数据过少，还可以进一步增加筛选条件，将历史版本中没有变化或变化较小的虚拟角色、技能和装备、地图和场景乃至裁判规则列入筛选范围。3）从智能播报而言，可以将“时间戳”设定为筛选条件，以使“Al数据保证严格时序，避免时序不准确导致的特征错误或特征穿越等问题”[10]。时间戳是一种表示特定时刻的数据，用于记录事件发生的确切时间，如文件的创建和修改时间、消息的发送时间、数据记录的插入和更新时间等，具有全球统一性、精确性、高存储效率、易于比较和排序等优势。一方面，为了应对“时间戳伪造”，即将过往的赛况数据伪装成当前时间点的问题，可以通过数字签名、可信时间戳服务、区块链技术、一致性检查、校验算法等进行检测。另一方面，为了应对“旧闻新发”，即在“新时间”发布“旧信息”的问题，可以对时间戳技术进行优化升级，例如，经时间戳筛选后，可以在时间信息相同或相近的赛况数据中进行比较，若发现明显差错，则应进一步对数据的具体内容加以审查，核实其中的赛况信息与时间戳是否相符，最终剔除其中的陈旧数据。
2.2.3 应对伪造数据的筛选规则
对于伪造的数据，应从以下几个方面建立筛选规则。1）应当建立数据异常的监测机制。通过单独的模块监测数据是否存在异常，如高层级玩家和职业选手的数据中的命中率、失误率等是否大幅超过正常范畴，行动轨迹、装备选择、技能释放等是否明显超出合理范围，乃至是否存在受游戏程序限制而不可能实现的角色位移、属性数值、伤害数值等，一经发现，则应立即警惕其伪造的可能性并加以过滤。《生成式人工智能服务安全基本要求》中要求采取关键词、分类模型、人工抽检等方式充分过滤全部语料中的违法不良信息；《互联网信息服务算法推荐管理规定》《互联网信息服务深度合成管理规定》中都要求建立健全用于识别违法和不良信息的特征库，完善入库标准、规则和程序。人工智能数据库可将上述具有伪造嫌疑的状况列入数据筛选条件，以实时监测相关数据是否被恶意污染，并禁止其进入数据集或及时加以清除。2）应当建立恶意数据来源的屏蔽机制。如若数据伪造的情形被查实，应当立即追踪并锁定其来源，特别是执裁数据和观赛数据中的多项虚假数据如果来源于同一个主体，即有恶意操控裁判结果和播出效果之嫌，应当对其系统性地屏蔽或清除。依据《生成式人工智能服务安全基本要求》中的相关要求，面向特定语料来源进行采集前，应对该来源语料进行安全评估，语料内容中含违法不良信息超过5%的，不应采集该来源语料。电竞场域可比照这一规定并适当降低百分比加以执行。3）应当建立异常数据的清洗机制。数据清洗是指去除数据集包含的无效数据或错误数据，包括删除重复项、处理缺失值、剔除异常值等。2024年发布的《人工智能安全治理框架》中就要求及时过滤失效、错误、偏见数据。而伪造的数据往往会包含错误的、不完整的、不准确的、不相关的或者是重复的数据，如若电竞数据已经被污染，数据清洗能够去除虚假数据，削弱其对人工智能输出信息的不良影响。而在数据清洗后，也要验证数据筛选的结果，确保没有错误地排除真实数据或保留虚假数据，切实做到“去伪存真”。
2.3 电竞人工智能数据治理体系建立阶段的数据治理规则
数据挖掘过程应当同时建立数据治理体系，形成优良的数据生态系统，以使人工智能的开发者和使用者能够运用这些数据。其原因在于：一方面，有效的数据治理可以为数据挖掘提供高质量的数据输入，提高数据挖掘的成功率和有效性；另一方面，数据挖掘的结果也可以在数据治理过程向数据使用者进行反馈，有助于改进数据管理策略。具体而言，在数据治理体系建立阶段应当以多种技术手段为基础制定系统性的规则，以此对电竞人工智能数据进行综合治理。
2.3.1 数据挖掘应当采取多种技术手段
数据挖掘主要包括以下技术手段。1）以计算机图形学和图像处理技术为基础实现数据与图形相互转化的可视化分析技术。一是可以将赛场中的选手表现、团队配合等数据通过动态图表、数据面板等形式进行可视化呈现，以使教练员更为直观地了解赛场上的状况，使选手更为直观地认识自身的优缺点，加深赛后复盘和战术分析的深度；二是可以将一定时期内的训练数据进行阶段性汇总，以形成趋势图，或将不同赛事的数据进行可视化对比，配合AI教练的诸项功能，辅助团队预测对手的策略或评估己方战术的长期效果；三是可以将不同时期、不同赛事、不同场次的观赛数据进行图形化展示和对比，以辅助游戏厂商和赛事主办方对游戏热度、赛事强度、传播策略、办赛质量等进行评估，并加以改进。2）以回归分析、聚类分析、关联规则、特征分析、偏差分析为基础进行多角度计算的数据挖掘算法。其中：聚类分析是根据数据本身的特性进行分组，使得同一组内的对象彼此相似，而不同组的对象差异较大，可以根据选手在游戏中的不同功能位对其数据进行聚类，如上单位、打野位、辅助位等，以制作不同功能位的角色AI或生成不同功能位的训练方案等；关联规则旨在发现大量数据中的项集之间的关联，并通过支持度、置信度和提升度衡量关联强度，可以通过该规则从赛训数据中发掘某一选手与虚拟角色、装备、符文、技能等之间的关联性，从而分析该选手的比赛风格和习惯，以更为合理地形成AI模拟角色或改进训练方案。3）以统计分析、预测建模、实时评分等为基础显示数据趋势、模式和相关关系的预测性分析技术[11]12。通过分析某一选手在赛事历史数据中的阶段性变化，既可以预测该选手对手的行为模式及战术倾向，并预估其未来技战术变化的大致方向，也可以用于改进己方选手的表现，或评估青训队员的潜力等。
2.3.2 数据挖掘的前置标准应当多维度布控
前置标准是数据挖掘的基础标准或底层标准，旨在筛查并剔除可用性过低的数据，确保用于挖掘的数据具有必要的价值。较为常见的前置标准包括数据有效性、数据格式一致性、数据来源唯一性、数据时序性、数据完备性、数据完整性、数据合理性和数据准确性8个维度[10]，每个维度皆可按照规范设定不同的筛查条件。其中：1）数据来源唯一性需要确保特定玩家或选手的基础数据，包括对战数、胜场数、MPV数等皆为确定值，在不同数据集不得出现不同数值，在同一数据集也不得重复出现，否则应进行一致化处理或去重处理，以避免角色AI生成或赛况报道过程中出现数值错乱；2）数据完整性要求数据符合多重字段特征以满足人工智能模型的要求，避免出现数据中某个字段信息缺失的情况，如某一选手在某一特定场次的赛训数据必须包含角色选用、角色等级、击杀、助攻、正补或反补、GPM、XPM等字段，以避免AI教练在赛后复盘时因欠缺完整的数据依据而提出有失准确的训练建议；3）数据准确性要求数据能够正确反映客观状况，可以采用“比例验证”的方式加以控制，将选手数据中已验证为真实的基本信息作为验证标准，或将比赛数据中已验证为真实的某一场次数据作为验证标准，如若待验证的某项数据与之冲突，则应将该项数据所在数据集标注为整体存疑状态，即通过个别数据的真实状况去推断整体数据。
上述前置标准还应建立相应的审核和处置机制。《互联网信息服务深度合成管理规定》《互联网信息服务算法推荐管理规定》《生成式人工智能服务管理暂行办法》都对服务者发现违法信息和不良信息采取处置措施作出了类似的规定。换言之，不符合前置标准的数据如果只存在质量、时效、正确性等技术问题，开发者可自行处理；如果发现违法信息，则应交由主管部门处理。
2.3.3 数据治理标准体系应当具有关联性和衔接性
数据治理体系各个维度的标准应当相互关联和衔接，应包括以下几个方面。1）应具有开放性和包容性，在数据挖掘这一主体功能之外，可链接数据资产管理等组件模块，以电竞人工智能应用数据需求为核心，优化对应模块。2）应当鼓励和推动数据要素在游戏厂商、赛事主办方、电竞俱乐部等电竞治理主体之间的合理流动和利用。《中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见》中要求“合理降低市场主体获取数据的门槛，增强数据要素共享性、普惠性，……形成依法规范、共同参与、各取所需、共享红利的发展模式”。以电竞俱乐部为例，尽管不同俱乐部之间存在竞争关系，往往不愿共享或分享自身所掌握的数据，但在电竞场域，仍有相当一部分非敏感数据是可以流动的，如赛事数据中的比赛数据、观赛数据、新闻数据等，既可以用于不同玩家或选手之间学习和研究战术技巧，也可以为不同电竞媒体所用，还可以用于不同赛事主办方相互借鉴办赛经验。电竞治理主体间的数据共享有助于电竞人工智能技术的升级迭代。3）在促进电竞数据流动的同时，也可尝试促进数据标准的一体化，包括数据传输端口、数据格式、标注方式等，从而促进电竞场域数据的通用性，消除不同主体间的数据共享壁垒，以使相同量级的数据能够共享。
3 结论与启示
为了深化人工智能技术在电竞运动中的应用，进一步增强我国电竞项目的国际竞争力，所需面临的问题之一即如何应对和化解人工智能技术产生的风险，特别是其中的数据污染风险。本研究在系统梳理各个风险点及现行法律和法规的基础上，提出如下建议。
1）应当首先对电竞场域中的数据污染进行分类，按照数据污染表现形式的不同划分为无用数据、过时数据和伪造数据，并分别检视各自包含的风险点，以使治理规则的设计有的放矢。例如：段位较低的玩家数据和失误频发的选手数据无助于提升角色AI的辅助训练功效；选手数据、版本数据、赛况数据等过于陈旧，可能使角色AI无法展现对方选手的当前水平、智能教练训练方案无法贴近己方选手的当前状态、智能播报误将以往的赛况用作当前播报；等等。
2）电竞人工智能数据污染的风险点和治理规则并不完全是一一对应的关系，而应建立综合性、多维度的数据治理机制，分阶段、分角度地防范风险。换言之，数据治理机制的健全也能实现对各个风险点的全面覆盖。同时，电竞人工智能的数据治理规则应当以法律或政策为载体，政府主管部门、行业协会等治理主体可以分别制定行业规范和国家标准、行业标准、企业标准，制定数据风险的疏导措施和化解措施，使数据提供者和数据服务者承担自控义务，并将责任落到实处。
3）电竞人工智能的数据治理规则可以划分为数据结构化、数据筛选和数据治理体系建立3个阶段。其中：数据结构化阶段旨在使采集到的电竞数据具有可用性，并增强其通用性，主要通过标注类型和一致性标准设置加以规制；数据筛选阶段旨在提取出具有特定特征或满足特定条件的数据子集，主要通过针对无用数据、过时数据和伪造数据制定的筛选规则加以规制；数据体系建立阶段旨在制定系统性的规则对电竞数据进行综合治理，主要通过应用多种技术手段、前置标准的多维度布控、数据治理标准体系加以规制，最终通过治理规则实现电竞人工智能数据污染风险的全方位防范。
