Рэйчел Чжан, Джулиан Рунге, Эрнан Сильберман, Джеймс Марр, Кэтрин Киуреллис, Марк Уильямс, Дэн Барнс
«Человек по своей природе социальное животное». Этим словам тысячи лет, и сегодня они так же верны, как и в античном мире, когда их воспринимал Аристотель. Люди от природы ориентированы на других и стремятся к социальному взаимодействию. Мы живем, работаем, едим и развлекаемся группами. Возможно, все развлечения происходят от (опосредованного) социального взаимодействия.
Благодаря повсеместному использованию смартфонов социальное взаимодействие значительно упрощается. Растущие виртуальные сообщества предлагают людям все более широкие и разнообразные возможности для подключения к сети через различные приложения, которые служат посредниками, и в любое время. Онлайн-игры, в которых одновременно участвует значительное количество людей, являются важным местом для таких сообществ.
В этом посте мы демонстрируем подход к поддержке социального здоровья в Legendary: Game of Heroes. Наш подход использует смесь институциональных знаний, социальных наук и методов машинного обучения. Что касается социальных наук, мы прибегаем к подходу ассортативного сопоставления, который подбирает игроков на основе их поведенческого сходства. Ассортативное сопоставление было популярно на рынках брака и труда с 70-х годов - подробнее об этом ниже. Что касается машинного обучения, мы используем XGBoost для прогнозов на уровне пользователя и простую классификацию на основе среднего геометрического для определения здоровой социальной среды. Наша конечная цель - создать максимально интересное сообщество для игроков разного происхождения, которые смогут беспрепятственно взаимодействовать друг с другом, вместе развиваться и исследовать игру.
1. Использование институционального опыта для определения «здоровой» социальной среды
Гильдии жизненно важны для опыта игроков в Legendary. (Примечание: два игрока, которые встретились в гильдии в Legendary, поженились и поблагодарили нас, отправив фотографии своего брака.) Игроки присоединяются к гильдии практически сразу после прохождения начального обучения в игре. Вступление в гильдию позволяет игрокам связываться с другими игроками, учиться друг у друга, обмениваться внутриигровыми подарками и сотрудничать в соревнованиях и мероприятиях в рамках всей игры.
Благодаря десяткам тысяч действующих гильдий, Legendary имеет активное и быстрорастущее сообщество гильдий. Каждую гильдию возглавляет лидер гильдии и насчитывает до 30 членов. В этом проекте мы стремимся найти лучшие гильдии, которые можно было бы рекомендовать игрокам, которые только что присоединились к игре, путем определения классификатора для определения «здоровой» социальной среды, которая помогает игрокам взаимно обогащать свой игровой опыт. Институциональные знания играют важную роль в этой идентификации. Опытные менеджеры по продукту обладают знаниями в конкретной области игры и глубоко понимают, что составляет захватывающую среду гильдии. Предварительные знания, полученные во время бесед с институциональными экспертами, легли в основу нашей классификации гильдий. Мы сосредоточились на таких аспектах, как количество активных игроков в день, количество выполняемых вместе миссий, а также объем подарков и сообщений, которыми обмениваются члены гильдии (рис. 2).
Затем мы объединили различные входные функции, обеспечивающие целостное представление о `` здоровье '' социальной среды, в `` оценку здоровья '' с использованием средневзвешенного геометрического значения и установили пороговое значение для этой оценки, чтобы прогнозировать будущую здоровую среду по сравнению с не супер-здоровой. . По сути, мы построили очень простую классификационную модель здоровья гильдии, основанную на институциональных знаниях и легко интерпретируемую экспертами в предметной области. Цель итогового показателя здоровья и классификации гильдии - определить наиболее активную и интересную среду для размещения новых игроков, чтобы, в свою очередь, получить максимальное удовольствие от игры.
2. Первый подход к улучшению социального опыта игроков: теория ассортативного соответствия
Гильдии состоят из игроков, поэтому «здоровье» социальной среды в конечном итоге определяется активностью и ростом ее членов. Помимо классификации гильдий по двум общим категориям здоровья, как мы можем сопоставить игроков с их «лучшими» командами, чтобы связь между игроками была наиболее стабильной и приносила максимум удовольствия?
Теория ассортативного соответствия предполагает, что игроки будут мотивированы проводить время со сверстниками, которые разделяют схожие предпочтения, например, одинаковую приверженность игре, чтобы они развивались с одинаковой скоростью, чтобы становиться сильнее и приносить пользу друг другу, когда вместе сражаются на миссиях. Эта концепция была введена экономистом Гэри Беккером в контексте брачного рынка в 1973 году (Becker 1973). Исходя из предположения, что каждый человек делает все возможное (максимизирует полезность) и брачный рынок стабилен (находится в равновесии), Беккер обнаружил, что «Мужчины, различающиеся физическим капиталом, образованием ... и многими другими качествами, будут иметь тенденцию жениться на женщинах LIKE VALUES этих черт ». После Беккера концепция ассортативного сопоставления была распространена на изучение поведения домохозяйств, создания фирм и рынка труда, где партнерство агентов происходит естественным образом.
В первом простом случае мы решили применить аналогичный подход в нашей схеме сопоставления игроков и гильдий. Сопоставление игрока с гильдией, по сути, сводится к сопоставлению игрока с командой игроков, которые разделяют схожие цели, активность и преданность игре.
Что касается гильдии, мы уже построили оценку здоровья гильдии, классифицируя среду гильдии по разным степеням «социального здоровья», например более активная и требовательная среда по сравнению с более расслабленной и спокойной средой. Теперь, чтобы включить ассортативное сопоставление, нам нужна аналогичная модель на стороне игрока, предсказывающая будущую активность игроков и их преданность игре.
3. Использование машинного обучения для прогнозирования типов игроков
Предсказание различных стилей игры по поведенческим следам пользователей, которые обычно собирают издатели приложений, является проблемой контролируемого обучения. Мы можем использовать исторические данные для определения различных стилей игры, а затем прогнозировать эти метки стиля игры на основе поведенческих трассировок, которые пользователи генерируют сразу после загрузки приложения, прежде чем перейти к экрану рекомендаций гильдии, показанному на рисунке 1.
Среди множества различных подходов к машинному обучению лучшим предсказателем оказался XGBoost на основе дерева регрессии. Все модели были обучены на одних и тех же исторических данных пользователя, с функциями ввода, содержащими информацию, собранную при загрузке приложения, и действиями пользователя в приложении до момента, когда пользователь получил право вступить в гильдию. Затем они были оценены в наборе данных о задержке, не зависящем от времени, для сравнения производительности.
Модель XGBoost, развернутая в производственной среде, постоянно прогнозирует значения вовлеченности и приверженности для новых пользователей (рисунок 4). Он ежедневно переобучается на новейших доступных тренировочных данных и автоматически выполняет выбор функций и настройку параметров.
После получения прогноза для каждого нового пользователя, входящего в нашу игру, мы сопоставляем эти значения прогнозов с категориями, соответствующими доступным средам здоровья гильдии. Пороги этой классификации устанавливаются для уравновешивания спроса и предложения в каждой категории предпочтений (с точки зрения активности и преданности делу). Таким образом, соответствующий рынок находится в равновесии, где спрос (количество игроков, ищущих место гильдии) равен предложению (количеству доступных мест гильдии).
4. Применение системы в полевых условиях: повышение социальной активности
Наша заявленная цель заключалась в том, чтобы игроки получали больше удовольствия от игры. Итак, повлияла ли система на поведение игроков в онлайн-поле желаемым образом? Мы рады сообщить, что это произошло. В частности, количество сообщений в чате, отправленных и полученных новыми игроками, выросло на 25%, как и другие показатели активности в игре и гильдии.
Таким образом, ассортативное сопоставление, по-видимому, является эффективным катализатором игрового и социального опыта игроков. Наша рекомендация наиболее подходящей гильдии для игроков, к которой можно присоединиться, вероятно, также минимизирует когнитивную нагрузку и затруднения при поиске, которые могут быть вызваны несоответствием между командами и типами игроков. Подход с использованием ассортативного сопоставления, вероятно, также обеспечит лучшую социальную среду обучения для игроков, чтобы они могли глубоко понять игру. Таким образом, мы ожидаем положительного влияния на долгосрочные показатели вовлеченности и продолжим мониторинг.
5. Помимо того, что «нравится нравится»
Хотя ассортативное сопоставление является отличной отправной точкой, могут быть более сложные подходы к сопоставлению, которые потенциально могут создать еще более приятную социальную среду. Например, ассортативное сопоставление может вызвать риск создания очень однородных социальных групп. Говоря об этом, популярным подходом было гетерогенное сопоставление, например для группировки учащихся в аудиториях. Многочисленные исследования² в учебной литературе указывают на то, что учащихся с низкими и средними способностями можно мотивировать, обучаясь у их сверстников с высокими способностями, и они получают значительную выгоду от разнородных групп. Это может быть справедливо и в онлайн-игровой среде, где менее опытные и менее заинтересованные игроки могут извлечь выгоду из команды с несколькими высококвалифицированными и заинтересованными игроками, у которых можно учиться. Надеемся скоро узнать - следите за обновлениями.
[1] Теоретические работы, в которых изучается модель ассортативного соответствия в различных условиях, например, Дурлауф (2003), Беслей и Гхатак (2005), Легро и Ньюман (2007), Чай и др. (2016) и Ахлин (2017) .
Наблюдательно, Luechinger et al (2006) изучали соответствие сотрудников фирмам, а Choi et al. (2008) исследовать соответствие гидов и игроков на основе социальных или целевых предпочтений.
Экспериментально ассортативное соответствие изучается в играх с общественными благами и дилемме заключенного: Пейдж и др. (2005) , Гуннторсдоттир и др. (2007) и Рабанал и Пол (2012) являются примерами.
[2] Хупер и Ханнафин (1988), Салех, Лазондер и Джонг (2005), Фальк и Ичино (2006), Мас и Моретти (2009).
