阿里云智能建站,大淘客wordpress,浙江省建设信息港网,国家信息企业网查询最近比较累#xff0c;也比较忙#xff0c;有些东西没来得及写给各位#xff0c;这里抱歉了#xff0c;无论是否对错#xff0c;都只是鄙人一家之言#xff0c;还请见谅#xff0c;有错欢迎指出#xff0c;并加以改之。 什么是IB推荐算法#xff0c;说白了就是当玩家在… 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0A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。转载于:https://www.cnblogs.com/yuyang-DataAnalysis/archive/2012/03/20/2409012.html
