基于玩家实时交互的游戏道具推荐
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。 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。
在这里给出两个具体的应用场景。
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。
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。
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
传统推荐系统指标，包括auc、recall、precision等
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
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
累计在线时长
……
用户-商品数据
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
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
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
有任何问题，请联系 zouzhene@corp.netease.com
