最近比較累，也比較忙，有些東西沒來得及寫給各位，這里抱歉了，無論是否對錯，都只是鄙人一家之言，還請見諒，有錯歡迎指出，并加以改之。

什么是IB推薦算法，說白了就是當玩家在游戲商城瀏覽或者購買時，基于玩家的瀏覽和購買行為，進行個性化的IB推薦，達到擴增IB銷量，增加收入的目的，其實這是一種虛擬營銷，是玩家關系管理系統下的一個應用，之前有人說這個虛擬營銷就是廢話連篇，今天結合具體的應用來說說這個虛擬營銷。

這里的虛擬營銷是說得在游戲內針對玩家的營銷，營銷無論是在人還是環境，都很重要，營銷的對象是玩家，但是配合這種運作就需要環境，而環境得早就還要反過來依托于對玩家的深刻分析，最后創造環境。

以上的這個循環其實是完成了一次虛擬營銷的整個過程，至少在我的理解是這樣的，那么在這個過程中，究竟我們怎么來做，下面我們具體來看。

玩家行為分析

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鍵的，那就是IB的關聯購買和推薦，關聯購買其實就是購物車分析，是一類非常成熟的分析方法，然而關聯購買在實際分析時影響因素很多，比如本身IB就存在的關聯性，這一類我們在操作過程中就要考慮，另外隨著IB的豐富，由關聯規則最后實施算法分析（C5.0或者神經網絡），會生成巨大而又多樣的分析結果，一時之間不能找到最需要的，而且實際應用存在局限性。

因此，我們可以從玩家購買記錄使用別的算法進行推薦，或者從每件道具的購買情況，進行IB內容推薦。換句話說一個是從玩家的購買記錄下手，一個是從每件道具得購買情況入手，但是不采用關聯規則的算法進行IB推薦計算。

提取行為特征

由于我們從兩個角度來考慮這個推薦，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，具體來說就是數據特征提取。

從玩家的購買記錄來進行數據提取：

可以看到有玩家ID，道具ID，購買頻次，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，是把眾多某一個玩家某一個時期使用某一個道具的信息進行匯總的交易記錄數據。

從道具購買的信息進行數據提取：

這里我們使用的是一種表格數據，例如玩家1，購買了道具A和C，但是沒夠購買B，玩家2購買了道具B和C，未購買道具A，玩家3購買了道具B，未購買A和C。這種數據也是經過預處理后的數據形式。

從整個營銷的過程來看我們后來需要三個階段，但是從我們本身的數據挖掘和分析應用層面來說，這應該是確立算法和進行算法實施的階段。環境的造就就是在確立此次營銷目的所需的功能配合，算法研究。精準推送就是對于實施的算法進行驗證并推送，作用特定人群其實就是經過驗證的算法最后發布，并根據算法的實際運算和分析作用在特定人群身上，發生作用，達到預期目的。

使用玩家的購買記錄的IB推薦算法

我們知道，作為玩家而言，如果對某一樣道具使用習慣，并有較高的認知度，那么實際在游戲體驗過程中，必然是使用得次數非常多，但是購買次數不一定非常多（原因此處不解釋，各位自己思考），但是不喜歡或者認知度很低的道具使用次數不會很高，而且購買肯定會很低。

算法分析：

既然是IB的推薦，就必然存在一個指標和結果作為推薦的因素，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IB打分，這也是不現實和沒有作用的，因為玩家不清楚怎么打分，打幾分。因此我們要采用隱性的打分方式，具體如下：

對于一個玩家X1而言，設為Y1、Y2…..Yn某一道具的使用次數，Z1為對于玩家X1而言所有道具中使用次數最高的值。那么此時對于玩家X1而言，其道具打分為：

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

具體計算如下表格所示：

可以看到打分是在[0,1]之內，每名玩家必然存在一個打分為1的數據項，但是除此之外，當打分趨近于1的時候，其道具必然是該玩家最為習慣使用和認知相對較高的道具。這樣的道具就是在我們要推薦的范圍內，而且是基于每名玩家的個人購買信息進行推送的，如果需要在后期的定制推送階段，我們可以再次結合RFM模型，聚類分析詳細的細分玩家群體，進行更加細致的特定人群推薦服務，達到最精準的虛擬營銷。

使用道具購買的信息IB推薦算法

其實該算法是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，如果有好的應用，歡迎留言討論。

這個算法是建立二元向量表示玩家-項目購買關系的矩陣，計算二元向量cosine相關系數，進而得到推薦和推送信息。

表格如上圖所示的形式，下面我們分別計算道具A和B的相關系數：

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

結果等于0，A和C的相關系數為1/2^(1/2),B和C的相關系數為1/2。

因此我們可以得出結論：

購買A道具的玩家推薦購買C；

購買B道具的玩家推薦購買C；

購買C道具的玩家推薦購買A。

下面我們驗證一下是否準確：

玩家1購買了A道具，被推薦購買C道具，事實上確實買了C道具，反之，亦然；

玩家2購買了B道具，被推薦購買C道具，事實上確實買了C道具，但對于玩家3來說這就是不準確的。

初步的計算了一下，如果使用該種算法進行推薦算法計算，如果我們有N件道具，那么我們需要計算n(n-1)/2次，時間復雜度為O(n^2)

總的來說，以上介紹了兩種關于道具推薦的小算法，在網游產品的實際應用中，要根據需要靈活制定方法，IB的收入不再是單純的硬性和軟性需求的拉動，在保持剛性需求增長的同時，利用推薦和關聯IB，并針對特定客群的投放，會大大提升我們的收益，其實說句遠一點，IB品牌的樹立，以及長尾的形成都會得益于這種手段。

轉載于:https://www.cnblogs.com/yuyang-DataAnalysis/archive/2012/03/20/2409012.html

總結

以上是生活随笔為你收集整理的游戏运营杂谈之-----IB推荐算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。