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

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

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 zouzhene@corp.netease.com

Last updated