基于游戏社交关系的玩家-帮会关系预测
Last updated
Last updated
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。
与现实世界类似,在游戏世界中(特别是MMORPG类游戏),玩家之间也会建立多种社交网络关系(例如好友、聊天、交易、组队、帮会等),玩家在游戏中会呈现出明显的游戏社交偏好的特性,并且这些社交关系也是维持用户对于这类游戏粘性的重要因素。
本课题中,我们主要研究玩家和帮会之间的社交关系结构。实际上,游戏日志表明,玩家在游戏中的很多活动都与帮会有着直接或者间接的关系。游戏中的帮会通常是由玩家自发组建的一个群体,玩家在帮会机制下参与各类游戏玩法,完成大型副本,帮会的规模一般在几十到几百人之间(典型情况下50~200人),考虑到帮会等社交因素对于玩家游戏体验的影响,因此,如果策略得当,能够:
为用户推荐合适的、感兴趣的帮会
为帮会推荐合适的、感兴趣的个人玩家
不仅能够给玩家带来一种个性化的游戏体验,而且有利于促进游戏玩家的留存与召回。
对于每一个游戏玩家,给定玩家基本画像(例如等级、在线时段、在线时长等)、玩家之间的社交关系(好友、组队、交易等)、玩家与帮会的当前归属关系,玩家加入帮会的历史记录,目标是为玩家推荐最合适的帮会,以及为帮会推荐最合适的玩家。
相比于传统的推荐场景,该推荐问题存在以下挑战:
用户与帮会的交互数据非常稀疏,因为每个玩家同一时刻只能加入一个帮会
用户属性(例如等级)和帮会属性(例如帮会等级,帮会的成员)都会动态变化,强大、活跃的帮会也可能会慢慢衰落
帮会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
数据集主要分为五个部分:用户画像数据,帮会画像数据,用户关系数据(包括好友、组队、交易),当前用户-帮会归属关系,用户加入帮会历史记录
用户画像数据
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
在线时长
online_period
int
在线时段
……
帮会画像数据
guild_id
string
帮会id
guild_level
int
帮会等级
guild_type
int
帮会类型
guild_cnt
int
帮会成员数
……
用户关系数据(以好友关系为例)
role_id1
int
玩家id
role_id2
int
玩家id
degree
int
友好度
……
当前用户-帮会归属关系
role_id
int
玩家id
guild_id
int
帮会id
time_stamp
int
加入时间戳
title
int
职位
用户加入帮会历史记录
role_id
int
玩家id
guild_id
int
帮会id
time_stamp
int
加入时间戳
有任何问题,请联系 dengqilin@corp.netease.com