游戲運(yùn)營(yíng)IB推薦算法

1、什么是IB 推薦算法，說(shuō)白了就是當(dāng)玩家在游戲商城瀏覽或者購(gòu)買時(shí)，基于玩家的瀏覽和購(gòu)買行為，進(jìn)行個(gè)性化的IB 推薦，達(dá)到擴(kuò)增IB 銷量，增加收入的目的，其實(shí)這是一種虛擬營(yíng)銷，是玩家關(guān)系管理系統(tǒng)下的一個(gè)應(yīng)用，之前有人說(shuō)這個(gè)虛擬營(yíng)銷就是廢話連篇，今天結(jié)合具體的應(yīng)用來(lái)說(shuō)說(shuō)這個(gè)虛擬營(yíng)銷。這里的虛擬營(yíng)銷是說(shuō)得在游戲內(nèi)針對(duì)玩家的營(yíng)銷，營(yíng)銷無(wú)論是在人還是環(huán)境，都很重要，營(yíng)銷的對(duì)象是玩家，但是配合這種運(yùn)作就需要環(huán)境，而環(huán)境得早就還要反過(guò)來(lái)依托于對(duì)玩家的深刻分析，最后創(chuàng)造環(huán)境。以上的這個(gè)循環(huán)其實(shí)是完成了一次虛擬營(yíng)銷的整個(gè)過(guò)程，至少在我的理解是這樣的，那么在這個(gè)過(guò)程中，究竟我們?cè)趺磥?lái)做，下面我們具體來(lái)看。玩家行為分

2、析在PRM 中，玩家行為分析是類別很大的一類，但是其中有一類就是很關(guān)鍵的，那就是 IB 的關(guān)聯(lián)購(gòu)買和推薦，關(guān)聯(lián)購(gòu)買其實(shí)就是購(gòu)物車分析，是一類非常成熟的分析方法，然而關(guān)聯(lián)購(gòu)買在實(shí)際分析時(shí)影響因素很多，比如本身IB 就存在的關(guān)聯(lián)性，這一類我們?cè)诓僮鬟^(guò)程中就要考慮，另外隨著IB 的豐富，由關(guān)聯(lián)規(guī)則最后實(shí)施算法分析（C5.0或者神經(jīng)網(wǎng)絡(luò)），會(huì)生成巨大而又多樣的分析結(jié)果，一時(shí)之間不能找到最需要的，而且實(shí)際應(yīng)用存在局限性。因此，我們可以從玩家購(gòu)買記錄使用別的算法進(jìn)行推薦，或者從每件道具的購(gòu)買情況，進(jìn)行IB 內(nèi)容推薦。換句話說(shuō)一個(gè)是從玩家的購(gòu)買記錄下手，一個(gè)是從每件道具得購(gòu)買情況入手，但是不采用關(guān)聯(lián)規(guī)則的算

3、法進(jìn)行IB 推薦計(jì)算。提取行為特征由于我們從兩個(gè)角度來(lái)考慮這個(gè)推薦，因此最后就是兩套算法，故而行為特征的提取需要從兩方面入手，具體來(lái)說(shuō)就是數(shù)據(jù)特征提取。從玩家的購(gòu)買記錄來(lái)進(jìn)行數(shù)據(jù)提取：可以看到有玩家ID，道具ID，購(gòu)買頻次，使用頻次。這基本上是交易記錄的變換形式，不是完全意義上的交易記錄，是把眾多某一個(gè)玩家某一個(gè)時(shí)期使用某一個(gè)道具的信息進(jìn)行匯總的交易記錄數(shù)據(jù)。從道具購(gòu)買的信息進(jìn)行數(shù)據(jù)提取：這里我們使用的是一種表格數(shù)據(jù)，例如玩家1，購(gòu)買了道具A和 C，但是沒(méi)夠購(gòu)買 B，玩家2購(gòu)買了道具B 和 C，未購(gòu)買道具A，玩家3購(gòu)買了道具B，未購(gòu)買A 和C。這種數(shù)據(jù)也是經(jīng)過(guò)預(yù)處理后的數(shù)據(jù)形式。從整個(gè)營(yíng)銷的過(guò)

4、程來(lái)看我們后來(lái)需要三個(gè)階段，但是從我們本身的數(shù)據(jù)挖掘和分析應(yīng)用層面來(lái)說(shuō)，這應(yīng)該是確立算法和進(jìn)行算法實(shí)施的階段。環(huán)境的造就就是在確立此次營(yíng)銷目的所需的功能配合，算法研究。精準(zhǔn)推送就是對(duì)于實(shí)施的算法進(jìn)行驗(yàn)證并推送，作用特定人群其實(shí)就是經(jīng)過(guò)驗(yàn)證的算法最后發(fā)布，并根據(jù)算法的實(shí)際運(yùn)算和分析作用在特定人群身上，發(fā)生作用，達(dá)到預(yù)期目的。使用玩家的購(gòu)買記錄的 IB 推薦算法我們知道，作為玩家而言，如果對(duì)某一樣道具使用習(xí)慣，并有較高的認(rèn)知度，那么實(shí)際在游戲體驗(yàn)過(guò)程中，必然是使用得次數(shù)非常多，但是購(gòu)買次數(shù)不一定非常多（原因此處不解釋，各位自己思考），但是不喜歡或者認(rèn)知度很低的道具使用次數(shù)不會(huì)很高，而且購(gòu)買肯定會(huì)很

5、低。算法分析：既然是IB 的推薦，就必然存在一個(gè)指標(biāo)和結(jié)果作為推薦的因素，那么一般的推薦都是采用打分的形式，但是在游戲中，我們不可能希望于玩家對(duì)IB 打分，這也是不現(xiàn)實(shí)和沒(méi)有作用的，因?yàn)橥婕也磺宄趺创蚍郑驇追?。因此我們要采用隱性的打分方式，具體如下：對(duì)于一個(gè)玩家X1而言，設(shè)為Y1、Y2.Yn 某一道具的使用次數(shù)，Z1為對(duì)于玩家X1而言所有道具中使用次數(shù)最高的值。那么此時(shí)對(duì)于玩家X1而言，其道具打分為：S1->X1 = Y1/Z1 ; S1->X1 = Y1/Z1; Sn->Xn= Yn/Z1具體計(jì)算如下表格所示：可以看到打分是在0,1之內(nèi)，每名玩家必然存在一個(gè)打分為1的數(shù)

6、據(jù)項(xiàng)，但是除此之外，當(dāng)打分趨近于1 的時(shí)候，其道具必然是該玩家最為習(xí)慣使用和認(rèn)知相對(duì)較高的道具。這樣的道具就是在我們要推薦的范圍內(nèi)，而且是基于每名玩家的個(gè)人購(gòu)買信息進(jìn)行推送的，如果需要在后期的定制推送階段，我們可以再次結(jié)合RFM 模型，聚類分析詳細(xì)的細(xì)分玩家群體，進(jìn)行更加細(xì)致的特定人群推薦服務(wù)，達(dá)到最精準(zhǔn)的虛擬營(yíng)銷。使用道具購(gòu)買的信息 IB 推薦算法其實(shí)該算法是Amazon 的Item-to-Item 算法的借鑒，大概原理是一致的，此處向各位在解釋一番，加深理解，如果有好的應(yīng)用，歡迎留言討論。這個(gè)算法是建立二元向量表示玩家-項(xiàng)目購(gòu)買關(guān)系的矩陣，計(jì)算二元向量cosine 相關(guān)系數(shù)，進(jìn)而得到推薦和

7、推送信息。表格如上圖所示的形式，下面我們分別計(jì)算道具A 和 B 的相關(guān)系數(shù)： (1,0,0)·(0,1,1)/|(1,0,0)| |(0,1,1)|結(jié)果等于0，A 和C 的相關(guān)系數(shù)為1/2(1/2),B 和C 的相關(guān)系數(shù)為1/2。因此我們可以得出結(jié)論：購(gòu)買A 道具的玩家推薦購(gòu)買C；購(gòu)買B 道具的玩家推薦購(gòu)買C；購(gòu)買C 道具的玩家推薦購(gòu)買A。下面我們驗(yàn)證一下是否準(zhǔn)確：玩家1購(gòu)買了A 道具，被推薦購(gòu)買C 道具，事實(shí)上確實(shí)買了C 道具，反之，亦然；玩家2購(gòu)買了B 道具，被推薦購(gòu)買C 道具，事實(shí)上確實(shí)買了C 道具，但對(duì)于玩家3來(lái)說(shuō)這就是不準(zhǔn)確的。初步的計(jì)算了一下，如果使用該種算法進(jìn)行推薦算法計(jì)算，如果我們有N 件道具，那么我們需要計(jì)算 n(n-1)/2次，時(shí)間復(fù)雜度為O(n2)總的來(lái)說(shuō)，以上介紹了兩種關(guān)于道具推薦的小算法，在網(wǎng)游產(chǎn)品的實(shí)際應(yīng)用中，要根