岂止于“数据”—游戏数据挖掘畅想

个性化推荐

针对玩家的特点,在适当的时候向玩家推送玩家需要的消费内容。

使用个性化推荐的理由:

  • 无差别投放有时可能会造成玩家困扰,甚至给玩家造成压力(少部分玩家会得到他想要的信息,但大部分玩家会得到他不想要的信息)
  • 个性化推荐能够更好地适应玩家需求,减少连带的不良影响(使每一名玩家都能收到他想要的信息,同时不会收到不想要的信息)

挖掘算法(个性化推荐)与规则逻辑(无差别投放)的权衡

  • 挖掘算法实现难度较大,规则逻辑相对较小
  • 挖掘算法适用潜在的需求发现
  • 规则逻辑适用显性的需求关联

玩家的个性化需求来自于角色差异:

  • 不同成长阶段的成长引导
  • 不同消费档次的消费引导
  • 不同玩法倾向的减负或玩法填充
  • 不同体验场景的临时道具需求

案列呈现

相比于促销,玩家能够根据实际情况自主选择消费大小,对折扣的接受率提高,能有效解决“促销依赖压力”的问题。


游戏个性化推荐要点

推荐目标
给谁推荐的问题,用户画像辅助发现

推荐时机
在什么时间,什么样的上下文场景下执行

推荐方式
以什么样的方式将道具送到玩家手中

推荐内容
推荐的内容是什么,以什么样的形式包装

面对推荐目标,需要找到其“痛点”


用户画像


用户画像特征

  • 群体数据整合
  • 行为特征描述
  • 生存状态呈现

案例呈现:


个性化推荐的形式

推荐时机

推荐时机强时效性时机弱时效性时机
执行要求时间发生后立即执行在事件发生的有效期内即可
实现方式程序后台逻辑实现数据平台运算实现
优点对玩家需求及时响应便于应用大数据发掘深层需求
缺点程序后台不便于大数据运算响应不够快
适用场景玩家首次闯关失败失败推荐角色强化道具监测玩家流失风险,推荐挽留道具
玩家询问精灵某问题后推荐相关道具监测玩家道具需求,推荐相关道具

推荐方式

直接推送(简单的文字包装)
优点:实现简单

随机掉落(在原有随机玩法中夹带)
优点:代入感强

随机商城(随机刷可购买道具)
优点:随机乐趣,体验丰富


推荐内容


实际运作方式


数据准备

群体类别标定
促销期间消费上涨超过2倍

数据集制作
促销前一周的基本特征

时机类别标定
下一个统计周期出现目标道具净流入

数据集制作
当前周期的行为信息统计


数据预处理

主要是指示性的数据,归一化后便于处理。

数据普遍存在长尾分布

应对长尾分布的归一化处理办法:


分类器评价方式

分类正确率:正确分类的比例


简单网格输出

便于执行分布式计算:

主要问题:

  1. 特征较少时分辨力不足
  2. 特征较多时重点切分下的群体数量稀少,失去统计意义

改进思路:

  1. 有价值的特征执行切分,提高分辨力
  2. 无价值的特征避免切分,保证统计意义
依靠决策树决定是否切分

决策树

主要问题:
样本有偏的情况下,信息增益方向与预期相反。


决策树改进


决策树问题

  1. 决策树只能输出分类,但不能输出量化评定
  2. 截取特定数量的推荐时无法执行

Bayes概率推断


可以得到方便排序的连续量化结果


算法调试经验

好特征才会有好的分类结果

  • 运用领域知识提取相关性更强的特征
  • 用数学方法变换组合,使特征表达更充分

特征固定的情况下,优化分类器效果有限

  • 决策树增加boosting,变成随机森林
  • SVN,adaboost算法

推荐流程


游戏推荐场景

个性化推荐是游戏内个性化的内容投放,是对游戏总体投放的有效填充,让玩家获得更好的游戏体验。

适应场景:
与特定角色、特定上下文关联的投放

核心内容:
按需投放,避免过多信息呈现,提高接受率和投放效果


总结思考

游戏数据挖掘有发挥作用的广阔空间

  • 人群刻画、个性化投放
  • 社交体系优化

游戏世界相对现实世界有显著差异

  • 游戏数据相对封闭,研究较少
  • 游戏世界有其特有特点,无法照搬现实世界方案

/var/www/html/data/pages/岂止于_数据_游戏数据挖掘畅想.txt · 最后更改: 2016/04/25 05:07 由 parsons
Powered by PHP Driven by DokuWiki Recent changes RSS feed Valid CSS Valid XHTML 1.0 Valid HTML5