基于游戏虚拟社交空间的玩家时空序列预测

课题背景

时间序列预测问题是一个经久不衰的问题，在游戏中针对整个游戏、服务器的相关指标，如物品、货币等的价值预测已经取得不错的效果，但是由于用户行为的随机性和动态性，针对用户的时间序列预测存在很多挑战。在这其中预测用户的在线时间对于分析用户的游戏模式及生命周期具有十分重要的意义。

在逆水寒等大型MMORPG，社交是维持用户游戏粘性的重要因素，因此游戏用户社交网络可以有效的提高用户在线时间预测的效果。图网络和时间序列预测结合的问题，如时空序列预测（spatial-temporal prediction）问题已经得到了广泛的研究，并且已经应用到交通流量、水电用量预测等服务中。在这里不同于时空序列预测问题，用户的社交图是动态变化的，同时用户的预测指标如在线时长也是动态变化的，因此基于动态社交图的用户在线时间预测问题存在许多挑战和重要的研究意义。

问题定义

游戏中的社交图是多关系的同时也是动态变化的，如图1所示，设定 $N_p^t$ 为 时间步时的游戏在线人数，每两个玩家之间可以存在 $N_{rela}$ 种关系（如聊天、交易、组队、好友等），每个玩家在该时间步可以得到 $N_{attr}$ 种属性值，因此每个时间步有这样的一个多关系的属性带权图 $G^t = (v^t,{\epsilon}^t,W^t,A^t)$ ,其中 $v^t$ 表示节点集合（代表玩家）， $|v^t|=N_p^t$ ， ${\epsilon}^t$ 表示边的集合（代表了不同关系）， $W^t \in R^{N_p^t \times N_p^t \times N_{rela}}$ 表示不同关系的带权邻接矩阵， $A^t \in R^{N_p^t \times N_{attr}}$ 表示每个玩家的属性矩阵，其中包括玩家在该时间步的在线时长，如图2所示，玩家在线时长也是动态变化的。

问题挑战

基于社交网络的用户在线时长预测问题主要存在以下几个挑战：

• 如何将动态社交图和时间序列有效结合。

• 如何解决游戏过程中新用户的冷启动问题。

• 如何有效解决玩家当天没上线导致该玩家节点在当天聊天、组队、交易图中变成孤立点问题。

评价指标

用户在线时间预测主要通过以下指标进行评估：

• 在线时间准确率：RMSE、MSE、R Squared

数据集描述

数据集按照天进行分割，其中每天数据包括下面五部分：用户该天属性数据（包括画像和在线时长）、该天聊天数据、该天交易数据、该天组队数据、该天好友数据。

• 用户属性数据

• 该天聊天数据

• 该天交易数据

• 该天组队数据

• 该天好友数据

相关学术论文

Fuxi-UP团队针对该问题，从多任务学习角度，提出了通过Attention结合图数据的时空序列预测框架GMTL，工作已发表在CIKM'2019

Tao, Jianrong, Linxia Gong, Changjie Fan, Longbiao Chen, Dezhi Ye, and Sha Zhao. "GMTL: A GART Based Multi-task Learning Model for Multi-Social-Temporal Prediction in Online Games." In Proceedings of the 28th ACM International Conference on Information and Knowledge Management, pp. 2841-2849. ACM, 2019.

联系我们

有任何问题，请联系 lihao01@corp.netease.com