【Qoo TGDF2015】如何激發玩家購買商城道具?剖析推薦系統中的「資料探勘」

0
    

147

以下為TGDF官方新聞稿全文

郭羿呈目前任職於獅虎科技,熟悉 Web、App、遊戲、平台及 SDK 開發,專業領域為推薦系統、統計及資料分析等等,而在這次的演講當中,他將以他的專業與技術,以資料探勘的模式,為大家解釋商城推薦系統的應用,讓玩家願意花錢購買道具。

什麼是推薦系統?

郭羿呈表示,推薦系統是根據客戶的興趣與行為,向推薦客戶感興趣的內容或商品,他說道,在遊戲當中,大部分的玩家在看商城時只會瀏覽第一、二頁,或是搜尋已經知道的東西,而不會把商城的所有道具從頭到尾地看一遍,也因此失去了許多好用的道具消息。為了避免客戶花費大量的時間才能找到自己想買的商品,並且提升付費轉化率,這樣的系統應用絕對是遊戲裡商城的一項趨勢。

如何建造一個推薦系統?

推薦系統的實作方法有幾種,郭羿呈這次為我們介紹的是「基於內容法」以及「協同過濾法」。 他表示,基於內容的推薦是一種從玩家過去歷史資料來找出相似商品的方法,很簡單也很有效,透過定義商品的特徵,學習到玩家的興趣以及喜好的種類,並且推薦類似的商品給他。例如: A 玩家喜歡購買犧牲命中率換取攻擊力這類的武器,而系統就可能會推薦這樣效果的其他物品給他。 而協同過濾法的概念則為,利用歷史資料來計算使用者之間的相似度,並且過濾分析玩家對於商品的興趣,找出跟他興趣相似的其他玩家,並且綜合分析他們對於某商品的評價,計算出對於商品的喜好分析,例如說,當系統分析出 A 玩家與 B 玩家有相同興趣時,當 A 玩家購買了某件武器,而這個武器可能也會推薦給 B 玩家來購買。 而協同過濾法的相似度測量又能以不同的方式來計算:

 1. Distance-based:在空間座標上,將兩個使用者對於某物的評分當作座標點,並計算兩者之間的距離,如果距離越近,代表喜好越近。
2. Cosine-based:量測兩點之間的角度,這個方法更在乎的是方向上的差異而不是距離。
3. Correlation-based 畫一條盡可能接近這些座標點的直線與計算出它們之間的相關度。

IMG 0097
▲郭羿呈介紹推薦系統的應用郭羿呈介紹推薦系統的應用

融入情境感知的機制於演算法中

郭羿呈說道,除了上述的演算法之外,融合情境感知的要素也能增加推薦的效用。情境感知是指系統有能力去發現並反映使用者當下外在情境的改變,可以結合既有的推薦演算法,計算不同情境之間的相關性去加權評分。而這樣的方式,能將玩家當下的情境也當作參數,一併納入了演算法的計算。而何時紀錄下情境,則也是一門學問,郭羿呈表示,在遊戲中,紀錄的時機可以是當下的回合、任務或者是地圖,不同遊戲也會有不同的最好時機點,比如說,在遊戲中,一個對於小型怪物攻擊有加成的武器,就適合推薦給在小型怪物居多的地圖上玩家來使用。

推薦機制仍具有許多發揮空間

雖然推薦系統已經在許多地方展現了它的好處,不過,郭羿呈也表示,這些演算法卻仍然不是十全十美,他舉例,像是協同過濾法仍然存在著三個缺點:
1. Cold start:新上架的、或是從來沒有被購買過的道具,不會有玩家對它的評價,也因此不會被當作推薦的商品。
2. Sparsity:玩家對於道具的評價過少,產生資料不全、稀疏的情形,如此一來相似性的預測也會變得很不準確
3. Scalability:當玩家跟道具的數量越來越多時,記錄的矩陣的大小將成指數性的成長,使得系統的效能受到影響。

不同的評價方法、相似性計算、推薦演算法以及情境感知設計,對於推薦系統的準確性來說,影響都可能會非常的廣大,而郭羿呈也說道,要使用哪一套方法來實作,都是要依據遊戲本身的機制、觀察來做判斷。而在這樣的領域中,也仍然有許多的挑戰是尚待被解決的。

最後,他說道,大部分的遊戲如果只是一樣的商品推薦、一樣的限時搶購,並不會引起較高的購買欲望,除此之外,也不要只是推薦那些像是衛生紙、水等等的必需品,因為這些可能只會佔據寶貴的頁面空間。他也希望,大家能試著摸索出好的推薦系統,因為這樣才會知道,對於每個玩家需要推薦什麼樣的商品,也才會提升他們購買的意願。