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(duì)錯(cuò)，都只是鄙人一家之言，還請(qǐng)見諒，有錯(cuò)歡迎指出，并加以改之。

什么是IB推薦算法，說白了就是當(dāng)玩家在游戲商城瀏覽或者購買時(shí)，基于玩家的瀏覽和購買行為，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，之前有人說這個(gè)虛擬營銷就是廢話連篇，今天結(jié)合具體的應(yīng)用來說說這個(gè)虛擬營銷。

這里的虛擬營銷是說得在游戲內(nèi)針對(duì)玩家的營銷，營銷無論是在人還是環(huán)境，都很重要，營銷的對(duì)象是玩家，但是配合這種運(yùn)作就需要環(huán)境，而環(huán)境得早就還要反過來依托于對(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銷的整個(gè)過程，至少在我的理解是這樣的，那么在這個(gè)過程中，究竟我們?cè)趺磥碜?#xff0c;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(guān)鍵的，那就是IB的關(guān)聯(lián)購買和推薦，關(guān)聯(lián)購買其實(shí)就是購物車分析，是一類非常成熟的分析方法，然而關(guān)聯(lián)購買在實(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^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，我們可以從玩家購買記錄使用別的算法進(jìn)行推薦，或者從每件道具的購買情況，進(jìn)行IB內(nèi)容推薦。換句話說一個(gè)是從玩家的購買記錄下手，一個(gè)是從每件道具得購買情況入手，但是不采用關(guān)聯(lián)規(guī)則的算法進(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，具體來說就是數(shù)據(jù)特征提取。

從玩家的購買記錄來進(jìn)行數(shù)據(jù)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(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(shù)據(jù)也是經(jīng)過預(yù)處理后的數(shù)據(jù)形式。

從整個(gè)營銷的過程來看我們后來需要三個(gè)階段，但是從我們本身的數(shù)據(jù)挖掘和分析應(yīng)用層面來說，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)過程中，必然是使用得次數(shù)非常多，但是購買次數(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，而且購買肯定會(huì)很低。

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)和沒有作用的，因?yàn)橥婕也磺宄趺创蚍?#xff0c;打幾分。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)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)的虛擬營銷。

使用道具購買的信息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(yàn)證一下是否準(zhǔn)確：

玩家1購買了A道具，被推薦購買C道具，事實(shí)上確實(shí)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(shí)上確實(shí)買了C道具，但對(duì)于玩家3來說這就是不準(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(n^2)

總的來說，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，要根據(jù)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(dòng)，在保持剛性需求增長的同時(shí)，利用推薦和關(guān)聯(lián)IB，并針對(duì)特定客群的投放，會(huì)大大提升我們的收益，其實(shí)說句遠(yuǎn)一點(diǎn)，IB品牌的樹立，以及長尾的形成都會(huì)得益于這種手段。

轉(zhuǎn)載于:https://www.cnblogs.com/yuyang-DataAnalysis/archive/2012/03/20/2409012.html

總結(jié)

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(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。