个性化礼包生成与个性化礼包推荐

课题背景

目前，推荐系统在很多的互联网平台得到了广泛的应用，例如今日头条的新闻推荐、网易云音乐的音乐推荐、淘宝首页的商品推荐等等，作为一种有效地缓解互联网用户信息过载的技术，推荐系统能够帮助用户在这些平台上找到自己感兴趣的内容，以及与具有相似喜好的人建立新的社交关系。

然而，现有的大多数推荐系统面向的都是单个商品的推荐，在游戏世界中，由于商品的虚拟性和与游戏内容的相关性，经常会将若干种商品（游戏道具）组合在一起打包出售，也就是我们常说的礼包（bundle）。礼包是若干种商品的一种组合，实际出售时通常还会有一定的折扣，礼包这种方式的“组合商品”本身在线下超市和零售店里也是一种常用的营销策略。因此，如果策略得当，为用户群体推荐合适的、感兴趣的礼包，不仅能够给玩家带来一种个性化的游戏体验，还能促进长尾商品的曝光和购买收益，提升游戏营收。

相似的问题还可以迁移到歌单推荐、书单推荐等互联网引用场景，提升用户对于互联网平台的粘性。

问题定义

如图1所示，对于每一个游戏玩家，给定玩家基本画像（例如等级、在线时长等）、玩家之间的社交关系（好友、组队、交易等）、玩家与商品、玩家和礼包的历史交互数据，以及礼包和商品之间的包含关系，目标是为玩家推荐最可能购买的礼包（道具组合）。

图1：游戏礼包推荐

问题挑战

相比于传统的推荐场景，该推荐问题存在以下挑战：

• 如何为用户推荐合适的礼包；

• 用户-礼包关系相比于用户-商品关系，其历史交互数据更加稀疏；

• （可选）如何为礼包选择折扣，以最大化未来一段时间玩家群体的游戏内总体消费；

• （可选）目前的礼包都是由游戏方策划手工定义，对于商品组合覆盖面非常小，如何“生成”个性化的礼包，也就是需要决定如何选择出若干种商品以及对应的数量，构成一个礼包，并进行推荐；

个性化推荐是机器学习在用户建模上最成功的应用服务之一，在游戏中的应用可以优化玩家体验、提升游戏营收。和普通的道具推荐问题不同，礼包推荐需要考虑一种捆绑式的道具组合推荐服务，包含各种道具的礼包会以一个整体价格进行出售，一般还有一定的折扣来吸引玩家购买，评价指标一方面需要考虑玩家的购买率，另一方面（可能也是更重要的）是考虑玩家群体的总体消费。

评价指标

礼包推荐可以通过常用的推荐排序指标进行评估：

• TOP-K精确率：precision@K

• TOP-K召回率准确率：recall@K

• NDCG@K：Normalized Discounted Cumulative Gain

• （可选）玩家群体的总体消费

数据集描述

数据集主要分为五个部分：用户画像数据，用户关系数据，用户-商品数据，用户-礼包数据，礼包-商品数据。

• 用户画像数据

字段	类型	描述
role_id	string	玩家id
role_level	int	等级
vip_level	int	VIP等级
role_class	int	职业
online_time	int	累计在线时长
……

• 用户关系数据

字段	类型	描述
role_id1	int	玩家id
role_id2	int	玩家id
degree	int	友好度
……

• 用户-商品数据

字段	类型	描述
role_id	int	玩家id
item_id	int	商品id
buy_cnt	int	购买数量
time_stamp	int	购买时间戳

• 用户-礼包数据

字段	类型	描述
role_id	int	玩家id
bundle_id	int	礼包id
buy_cnt	int	购买数量
time_stamp	int	购买时间戳

• 礼包-商品数据

字段	类型	描述
bundle_id	int	礼包id
item_id	int	商品id
item_cnt	int	商品数量

相关学术论文

Fuxi-UP团队针对该问题，从三部图网络出发提出礼包推荐模型，工作已发表在CIKM'2020

Qilin Deng, Kai Wang, Minghao Zhao, Zhene Zou, Runze Wu, Jianrong Tao, Changjie Fan, Liang Chen. "Personalized Bundle Recommendation in Online Games." In Proceedings of the 29th ACM International Conference on Information and Knowledge Management, ACM, 2020.

联系我们

有任何问题，请联系 [e-mail]