20.500.12556/RUL-188808 Avtomatsko prepoznavanje sorodnih taktičnih motivov v šahovski različici Crazyhouse Automatic recognition of similar tactical motifs in the Crazyhouse chess variant Osnovali in implementirali smo prvi sistem za prepoznavanje sorodnih taktičnih problemov v igri Norišnica (angl. Crazyhouse), različici šaha, v kateri postavljanje figur iz žepa ustvarja matne vzorce, kakršnih v klasičnem šahu ni. Položaj skupaj z rešitvijo zapišemo kot dokument iz simbolnih značk. Iz približno 17 milijonov partij smo zgradili zbirko 555 576 taktičnih problemov, preverjenih forsiranih matov v treh potezah. Kandidate prikliče BM25, uredi pa jih naučen preurejevalnik. Domenski strokovnjak v spletni aplikaciji vnese taktični problem, aplikacija pokaže kandidate, strokovnjak pa jih označi kot podobne ali različne. Podatke smo zbirali v dveh fazah z različnim namenom: prvi strokovnjak je prispeval oznake, drugi pa značilke, izpeljane iz lastnih utemeljitev po zgledu argumentiranega strojnega učenja. Prispevek teh značilk zato izmerimo na oznakah prvega strokovnjaka, ki jih drugi ni videl: na 790 parih se AUC dvigne z 0,733 na 0,847. Ablacija pokaže, da o sorodnosti odloča dinamični kontekst rešitve (AUC 0,789), ne pa statična razporeditev figur (0,534). Meja sistema ni razvrščanje, temveč priklic: za iskanje sorodnih primerov je pomembnejše, kateri kandidati sploh pridejo v izbor, kot pa to, kako jih model nato razvrsti. We designed and implemented the first system for recognising similar tactical problems in Crazyhouse, a chess variant in which dropping captured pieces creates mating patterns that do not occur in classical chess. Each position, together with its solution, is encoded as a document of tokens. From roughly 17 million games we built a collection of 555,576 tactical problems, all verified forced mates in three moves. Candidates are retrieved by BM25 and ordered by a trained re-ranker. In a web application, the domain expert enters a tactical problem, the application returns candidates and the expert labels them as similar or different. The data were collected in two phases with distinct purposes: the first expert supplied the labels, the second the features, derived from his own justifications following argument-based machine learning. The contribution of these features is therefore measured on the first expert’s labels, which the second never saw. Across 790 pairs, the AUC rises from 0.733 to 0.847. An ablation shows that similarity is determined by the dynamic context of the solution (AUC 0.789) rather than by the static arrangement of the pieces (0.534). The limit of the system lies not in ranking but in retrieval. informacijsko poizvedovanje šah Norišnica sorodni taktični motivi argumentirano strojno učenje poizvedba z zgledom information retrieval chess Crazyhouse similar chess motifs argument-based machine learning query by example true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2026-09-28 16:45:12 2026-09-28 16:45:18 2026-09-29 04:06:25 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 1970-01-01 38537 Grumerec_Tian_-_Avtomatsko_prepoznavanje_sorodnih_takticnih_motivov_v_sahovski_razlicici_Crazyho.pdf Grumerec_Tian_-_Avtomatsko_prepoznavanje_sorodnih_takticnih_motivov_v_sahovski_razlicici_Crazyho.pdf 1 437B070C93359A0900EEF96D72EACF7E 078598ddfb8394b5a3f619496eff403e913260d2f947c4fbf5a0acdaa1ed2ea5 1ff6faf1-bb4b-11f1-8bc5-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=249154 Fakulteta za računalništvo in informatiko 0 0 0