基于玩家实时交互的游戏道具推荐

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。 然而现有的推荐系统大多存在一些问题：

• 针对单个物品的推荐

• 无法建模用户兴趣的动态变化

• 最大化当前收益，忽略了长期受益

在游戏环境中存在许多需要考虑多个商品交互的应用场景。同时，这些场景中往往需要考虑多个强相关物品的推荐。

问题定义

在这里给出两个具体的应用场景。

大转盘

图1：游戏中的大转盘玩法

如图1所示，在大转盘上给定8个物品，并给出转大转盘的成本(图上为2钻石)，用户选择是否花费钻石转。转完大转盘后，刷新大转盘上物品，用户可选择是否继续转。

是否点击大转盘，与多方面的因素有关。比如当前转盘物品是否符合玩家需求、玩家对大转盘的主观认可度。

目标是尽可能增加玩家转大转盘的次数，同时控制成本。

神秘商店

图2：游戏中的神秘商店玩法

如图2所示，9个物品在神秘商店中摆放在三个层，每层3个物品。当购买完当前层（图上为第一层）的所有物品，解锁下一层物品的购买权限。点击刷新按钮，替换图中9个物品，并重新从第一层开始购买物品。

在神秘商店的应用场景中，玩家是基于商店中商品的整体分布，选择是否继续购买商品。比如买了某个商品，可能不是这个商品价值高，而是这个商品后面有高价值商品。

目标是尽可能增加玩家在神秘商店中的消费，尤其是平时购买欲望低的商品。

问题挑战

这些游戏内特殊推荐场景有以下一些难点：

• 由于样本的稀疏性，如何离线评估模型的效果

• 如何建模用户对商品的个性化价值偏好，对商品做个性化定价

• 如何建模商品之间的相互关系

• 如何同时推荐强相关的多个物品，而不仅仅是推荐一个物品

• 商品组合空间大，如何构建泛化能力强的模型

评价指标

离线评估

传统推荐系统指标，包括auc、recall、precision等

线上评估

• 玩家的总体充值金额

• 玩家在当前商店（比如大转盘和神秘商店）的消费金额

数据集描述

• 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-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-大转盘数据

字段	类型	描述
role_id	int	玩家id
item_list	int	大转盘物品列表
click	int	是否点击大转盘
item	int	转到的物品
time_stamp	int	时间戳

• 用户-神秘商店数据

字段	类型	描述
role_id	int	玩家id
item_id	int	商品id
click	int	是否购买
time_stamp	int	购买时间戳

联系我们

有任何问题，请联系 [e-mail]