本文对图神经网络、深度强化学习及概率主题建模方法进行了全面综述，重点探讨其在战略性多智能体场景中的潜在整合应用。重点关注（i）当前用于揭示可适应战略对手建模任务的未知模型结构的机器学习方法，以及（ii）这些方法与博弈论概念的集成，旨在避免依赖现实场景中往往不成立的假设，例如“共同先验假设”与“自利假说”。分析了方法处理不确定性与异质性的能力（此两种特性在现实应用案例中极为常见）以及可扩展性。作为在多智能体环境中有效建模关系与交互的潜在解决方案，倡导使用图神经网络。此类方法专为处理图结构数据而设计，并已被证明是执行节点分类与链接预测等任务的强大工具。接着，回顾了强化学习领域，特别是多智能体深度强化学习的进展。随后，描述了现有的相关博弈论解概念，并考量了公平性、稳定性等属性。综述还附带了关于在文档分析与分类之外领域应用概率主题建模的文献说明。概率主题建模估计未知潜在分布的能力有助于应对异质性与未知的智能体信念。最后，明确指出若干待解决的挑战，尤其需要（i）适应非平稳环境，（ii）平衡稳定性与自适应程度，（iii）应对不确定性与异质性，（iv）保证可扩展性与解的可追踪性。