游戏运营杂谈之----->IB推荐算法

sea_bug

博客：data-intelligence


　　最近比较累，也比较忙，有些东西没来得及写给各位，这里抱歉了，无论是否对错，都只是鄙人一家之言，还请见谅，有错欢迎指出，并加以改之。

　　什么是IB推荐算法，说白了就是当玩家在游戏商城浏览或者购买时，基于玩家的浏览和购买行为，进行个性化的IB推荐，达到扩增IB销量，增加收入的目的，其实这是一种虚拟营销，是玩家关系管理系统下的一个应用，之前有人说这个虚拟营销就是废话连篇，今天结合具体的应用来说说这个虚拟营销。

　　这里的虚拟营销是说得在游戏内针对玩家的营销，营销无论是在人还是环境，都很重要，营销的对象是玩家，但是配合这种运作就需要环境，而环境得早就还要反过来依托于对玩家的深刻分析，最后创造环境。



　　以上的这个循环其实是完成了一次虚拟营销的整个过程，至少在我的理解是这样的，那么在这个过程中，究竟我们怎么来做，下面我们具体来看。

玩家行为分析

　　在PRM中，玩家行为分析是类别很大的一类，但是其中有一类就是很关键的，那就是IB的关联购买和推荐，关联购买其实就是购物车分析，是一类非常成熟的分析方法，然而关联购买在实际分析时影响因素很多，比如本身IB就存在的关联性，这一类我们在操作过程中就要考虑，另外随着IB的丰富，由关联规则最后实施算法分析（C5.0或者神经网络），会生成巨大而又多样的分析结果，一时之间不能找到最需要的，而且实际应用存在局限性。

　　因此，我们可以从玩家购买记录使用别的算法进行推荐，或者从每件道具的购买情况，进行IB内容推荐。换句话说一个是从玩家的购买记录下手，一个是从每件道具得购买情况入手，但是不采用关联规则的算法进行IB推荐计算。

提取行为特征

　　由于我们从两个角度来考虑这个推荐，因此最后就是两套算法，故而行为特征的提取需要从两方面入手，具体来说就是数据特征提取。

　　从玩家的购买记录来进行数据提取：

　　可以看到有玩家ID，道具ID，购买频次，使用频次。这基本上是交易记录的变换形式，不是完全意义上的交易记录，是把众多某一个玩家某一个时期使用某一个道具的信息进行汇总的交易记录数据。



　　从道具购买的信息进行数据提取：

　　这里我们使用的是一种表格数据，例如玩家1，购买了道具A和C，但是没够购买B，玩家2购买了道具B和C，未购买道具A，玩家3购买了道具B，未购买A和C。这种数据也是经过预处理后的数据形式。



　　从整个营销的过程来看我们后来需要三个阶段，但是从我们本身的数据挖掘和分析应用层面来说，这应该是确立算法和进行算法实施的阶段。环境的造就就是在确立此次营销目的所需的功能配合，算法研究。精准推送就是对于实施的算法进行验证并推送，作用特定人群其实就是经过验证的算法最后发布，并根据算法的实际运算和分析作用在特定人群身上，发生作用，达到预期目的。

使用玩家的购买记录的IB推荐算法

　　我们知道，作为玩家而言，如果对某一样道具使用习惯，并有较高的认知度，那么实际在游戏体验过程中，必然是使用得次数非常多，但是购买次数不一定非常多（原因此处不解释，各位自己思考），但是不喜欢或者认知度很低的道具使用次数不会很高，而且购买肯定会很低。

　　算法分析：

　　既然是IB的推荐，就必然存在一个指标和结果作为推荐的因素，那么一般的推荐都是采用打分的形式，但是在游戏中，我们不可能希望于玩家对IB打分，这也是不现实和没有作用的，因为玩家不清楚怎么打分，打几分。因此我们要采用隐性的打分方式，具体如下：

　　对于一个玩家X1而言，设为Y1、Y2…..Yn某一道具的使用次数，Z1为对于玩家X1而言所有道具中使用次数最高的值。那么此时对于玩家X1而言，其道具打分为：

　　　　S1->X1 = Y1/Z1 ; S1->X1 = Y1/Z1; Sn->Xn= Yn/Z1

　　具体计算如下表格所示：



　　可以看到打分是在[0,1]之内，每名玩家必然存在一个打分为1的数据项，但是除此之外，当打分趋近于1的时候，其道具必然是该玩家最为习惯使用和认知相对较高的道具。这样的道具就是在我们要推荐的范围内，而且是基于每名玩家的个人购买信息进行推送的，如果需要在后期的定制推送阶段，我们可以再次结合RFM模型，聚类分析详细的细分玩家群体，进行更加细致的特定人群推荐服务，达到最精准的虚拟营销。

使用道具购买的信息IB推荐算法

　　其实该算法是Amazon的Item-to-Item算法的借鉴，大概原理是一致的，此处向各位在解释一番，加深理解，如果有好的应用，欢迎留言讨论。

　　这个算法是建立二元向量表示玩家-项目购买关系的矩阵，计算二元向量cosine相关系数，进而得到推荐和推送信息。



　　表格如上图所示的形式，下面我们分别计算道具A和B的相关系数：

　　　　(1,0,0)·(0,1,1)/||(1,0,0)|| ||(0,1,1)||

　　结果等于0，A和C的相关系数为1/2^(1/2),B和C的相关系数为1/2。

　　因此我们可以得出结论：

　　　　购买A道具的玩家推荐购买C；

　　　　购买B道具的玩家推荐购买C；

　　　　购买C道具的玩家推荐购买A。

　　下面我们验证一下是否准确：

　　　　玩家1购买了A道具，被推荐购买C道具，事实上确实买了C道具，反之，亦然；

　　　　玩家2购买了B道具，被推荐购买C道具，事实上确实买了C道具，但对于玩家3来说这就是不准确的。

　　初步的计算了一下，如果使用该种算法进行推荐算法计算，如果我们有N件道具，那么我们需要计算n(n-1)/2次，时间复杂度为O(n^2)

　　总的来说，以上介绍了两种关于道具推荐的小算法，在网游产品的实际应用中，要根据需要灵活制定方法，IB的收入不再是单纯的硬性和软性需求的拉动，在保持刚性需求增长的同时，利用推荐和关联IB，并针对特定客群的投放，会大大提升我们的收益，其实说句远一点，IB品牌的树立，以及长尾的形成都会得益于这种手段。