CN104866699B - 一种网络游戏智能化数据分析方法 - Google Patents

Abstract

本发明揭示了一种网络游戏智能化数据分析方法，包括以下步骤：通过搜集用户数据，建立玩家在玩游戏的过程中行为的波动情况，以此建立起玩家行为波动曲线，然后计算玩家行为特征及差异检测，并且计算玩家对于两个事件之间行为的特征以及不同行为间的差异性，从而可以直观监控玩家行为变化以及玩家进行游戏时两个事件之间的关联程度，当玩家行为出现变化时，根据MI曲线以及D_i的差值变化，***会自动报警并且调整推送游戏行为的顺序以及事件的顺序，根据玩家行为差异曲线，自动调整r值，从而调整S值，来适应玩家的行为需求，本发明不会影响后台调控的精度，并且能够反映出用户的喜好随着时间的推移可能会出“缓慢变化的”趋势速度。

Description

一种网络游戏智能化数据分析方法

技术领域

本发明涉及网络数据分析领域，特别涉及一种网络游戏智能化数据分析方法。

背景技术

目前，在网游用户大数据平台支撑下，***自动进行信息数据的采集、分析、过滤、整合，以达到同时为大量网游玩家定制轻松、智能、且个性差异化服务的新一代网络游戏的目的。

但是，现有数据分析的方法存在以下不足，需要改进：

随着用户数量的激增，时代的发展，互联网用户的需求发生着巨大的变化，如何精确的为每个用户定制游戏内容，让每个用户得到自己最佳的游戏体验一直是研究的方向。本发明建立了一个游戏后台智能调控体系，能够帮助游戏开发者统计分析海量用户行为，同时根据用户行为自适应调节，为每个用户提供尽可能完善的游戏体验。

然而这个***也还存在着一些缺点，首先是在建立，量化用户样本库时，采用的统计的方法主要基于用户的游戏内容，而实际用户个体的软件使用时间差异相对较大，游戏内容也受到游戏外界诸多因素影响，因此会部分影响后台调控的精度。

其次是用户的喜好随着时间的推移可能会出现缓慢变化(如工作变化，生活环境变化，婚姻状况变化等导致的游戏喜好变化)，游戏的数据模型统计难以反映出“缓慢变化的”趋势速度，因此，尽管在长时间的采样中通过特征提取方式进行了归类，但是分析出的结果只能够是基于现有进行调控，并且为开发者后续开发内容提供方向性的参考，并不能完全准确出预测出用户行为趋势。如何能够准确预测玩家行为走向，这也是接下来的重点研究内容。

有鉴于此，本领域发明人针对上述问题，研发了一种网络游戏智能化数据分析方法。

发明内容

本发明提供了一种网络游戏智能化数据分析方法，克服了现有技术的困难，不会影响后台调控的精度，并且能够反映出用户的喜好随着时间的推移可能会出“缓慢变化的”趋势速度。

本发明采用了如下技术方案：

本发明提供了一种网络游戏智能化数据分析方法，包括以下步骤：

(1)统计样本库行为波动曲线，当用户进入游戏时，***会自动收集包括用户等级、在线时长、离线时间、偏爱任务类型、社会关系的所有游戏行为，随后每个个体行为会被统计为一个向量，对玩家的行为进行一段时间统计后，会对所有玩家累积的行为进行一个差异统计：

其中，H为行为数量，W为玩家样本数量，f(x，y)为玩家每日行为向量；以此，计算出玩家两日行为的平均差异数值，同理对个体进行单独统计，计算出玩家在玩游戏的过程中行为的波动情况，以此建立起玩家行为波动曲线；

(2)提取玩家行为特征及差异检测，使用互信息熵来计算：

其中，此时熵的单位为行为数；

(3)计算两个事件的联合熵：

(4)计算互信息MI：

MI＝H(x)+H(y)-H(x,y)

(5)将行为差值与MI做商，取得新的差值为：

其中，N是划分的时间区间的个数，H_i(j)是第i个行为中发生第j日里的概率；

(6)计算出第i个行为的熵HI_i为：

同理计算出第i-1个行为的熵，然后求这两个联合分布率，求出MI的值，从而最终得到差值D_i；其中，D_i反映了玩家对于两个事件之间行为的特征以及不同行为间的差异性，从而直观监控玩家行为变化以及玩家进行游戏时两个事件之间的关联程度，相似程度；以及

(7)当玩家行为出现变化时，根据MI曲线以及D_i的差值变化，***会自动报警并且调整推送游戏行为的顺序以及事件的顺序，对特征量的分布用高斯函数建立模型，假设符合均值为μ方差为σ的高斯分布N(μ，σ)，并设定阈值为S＝μ+rσ

这里，r是一个调节误检数的参数，r的设定方法为

其中，X是昨日的MI平均数据，而Y是今日已经出现的MI数据，T是时间，基于此***会根据玩家行为差异曲线，自动调整r值，从而调整S值，来适应玩家的行为需求。

优选地，所述步骤(1)中，玩家在玩游戏的过程中行为的波动情况，包括个体玩家的波动情况或全体玩家的波动情况。

优选地，所述步骤(4)中，当MI的值越大，则两个变量相互的独立性越小，而相关性就越大。

由于使用了以上技术，本发明的网络游戏智能化数据分析方法不会影响后台调控的精度，并且能够反映出用户的喜好随着时间的推移可能会出“缓慢变化的”趋势速度。

以下结合附图及实施例进一步说明本发明。

附图说明

图1为本发明的网络游戏智能化数据分析方法的流程图；

图2为本发明实施例中的MI值变化曲线；

图3为本发明的实施例中在使用智能化网游后台***一段时间之后，玩家的MI值曲线；以及

图4为本发明的实施例中Precision-Recall分布图。

具体实施方式

下面通过图1至4来介绍本发明的具体实施例。

第一实施例

图1为本发明的网络游戏智能化数据分析方法的流程图。将本发明的方法应用于智能化游戏《江湖》时，如图1所示，本发明的一种网络游戏智能化数据分析方法，包括以下步骤：

统计样本库行为波动曲线。当用户进入巨人网络研发的智能化游戏《江湖》时，***会自动收集用户等级、在线时长、离线时间、偏爱任务类型、社会关系等所有游戏行为。随后每个个体行为会被统计为一个向量，对玩家的行为进行一段时间统计后，会对所有玩家累积的行为进行一个差异统计

其中H为行为数量，W为玩家样本数量，f(x,y)为玩家每日行为向量；该方法计算出玩家两日行为的平均差异数值，同理对个体进行单独统计，可以计算出玩家在玩游戏的过程中行为的波动情况

至此，建立起玩家行为波动曲线，对于个体和全体均有效。

提取玩家行为特征及差异检测。使用互信息熵来计算。

此时熵的单位为行为数。

计算两个事件的联合熵：

计算互信息MI：

MI＝H(x)+H(y)-H(x,y)

MI的值越大，说明这两个变量相互的独立性越小，那么它们的相关性就越大。

将行为差值与MI做商，取得新的差值为：

其中N是划分的时间区间的个数，H_i(j)是第i个行为中发生第j日里的概率，这样再以计算出第i个行为的熵HI_i为：

同理计算出第i-1个行为的熵，然后求这两个联合分布率，求出MI的值。从而最终得到差值D_i。

D_i充分反映了玩家对于两个事件之间行为的特征以及不同行为间的差异性，从而可以直观监控玩家行为变化以及玩家进行游戏时两个事件之间的关联程度，相似程度。

自适应数据运算与智能学习。

当玩家行为出现变化时，根据MI曲线以及D_i的差值变化，***会自动报警并且调整推送游戏行为的顺序以及事件的顺序，也就是自我调整以适应玩家的行为变化需求。

对特征量的分布用高斯函数建立模型,假设符合均值为μ方差为σ的高斯分布N(μ,σ),并设定阈值为

S＝μ+rσ

这里,r是一个调节误检数的参数。r的设定方法为

其中X是昨日的MI平均数据，而Y是今日已经出现的MI数据，T是时间。基于此***会根据玩家行为差异曲线，自动调整r值，从而调整S值，来适应玩家的行为需求。

数据已经建立在巨人的大数据处理基础之上，这里可以给出使用智能化***前和智能化***后，得出的玩家行为差异变化：

使用之前，曲线如图2所示，其中，横轴为日期，竖轴为MI值，该数据采样来自于征途全区500天(2006年1月到2007年5月)的所有活跃玩家行为数据。使用之前可以看到，玩家行为每日波动变化剧烈，说明玩家在游戏中每日行为差异巨大，而***不能进行游戏内功能及时调控，导致玩家在玩了游戏200天之后，出现大量玩家流失情况(MI值变化剧烈)，在大量玩家流失后，剩余玩家继续游戏，MI值趋于平滑，但是在一段时间后继续出现剧烈波动。该曲线与游戏实际运营情况相符。

如图3所示，在使用智能化网游后台***一段时间之后，玩家的MI值曲线，其中，横轴为日期，竖轴为MI值。此数据采样为征途2008年至2013年年底总计2000天的数据，数据波动幅度平均下降20～30％左右，而且游戏中进行大规模更新，游戏性，平衡性调整时，均在曲线中得到了体现。但是在调整之后，玩家日常行为趋于平滑，较少出现大规模，长时间变化，整体玩家游戏体验得到了大幅提升。

如图4所示，本发明的实施例中Precision-Recall分布图，其中，横轴为准确率，竖轴为召回率。可见针对不同群体进行调查之后，玩家对于自动调控反响均较好。在经过多年的研究实验和改进后，该***已经全面用于《江湖》游戏中。

综上可知，本发明的网络游戏智能化数据分析方法不会影响后台调控的精度，并且能够反映出用户的喜好随着时间的推移可能会出“缓慢变化的”趋势速度。

以上所述的实施例仅用于说明本专利的技术思想及特点，其目的在于使本领域内的技术人员能够了解本专利的内容并据以实施，不能仅以本实施例来限定本专利的专利范围，即凡依本专利所揭示的精神所作的同等变化或修饰，仍落在本专利的专利范围内。

Claims (3)

1.一种网络游戏智能化数据分析方法，其特征在于，包括以下步骤：

(1)统计样本库行为波动曲线，当用户进入游戏时，***会自动收集包括用户等级、在线时长、离线时间、偏爱任务类型、社会关系的所有游戏行为，随后每个个体行为会被统计为一个向量，对玩家的行为进行一段时间统计后，对所有玩家累积的行为进行一个差异统计：

$Fd=\underset{x=1}{\overset{H}{\Σ}}\underset{y=1}{\overset{W}{\Σ}}\[f_1(x,y)-f_2(x,y)|/HW$

其中，H为行为数量，W为玩家样本数量，f(x，y)为玩家每日行为向量；以此，计算出玩家两日行为的平均差异数值，同理对个体进行单独统计，计算出玩家在玩游戏的过程中行为的波动情况，以此建立起玩家行为波动曲线；

(2)提取玩家行为特征及差异检测，使用互信息熵来计算：

$H\left(x\right)=-\underset{x\∈A\left(X\right)}{\Σ}{P}_x\left(x\right){\mathrm{logP}}_x\left(x\right)$

其中，此时熵的单位为行为数；

(3)计算两个事件的联合熵：

$H(x,y)=-\underset{x\∈A\left(X\right),y\∈A\left(y\right)}{\Σ}{P}_{xy}(x,y){\mathrm{logP}}_{xy}(x,y)$

(4)计算互信息MI：

MI＝H(x)+H(y)-H(x,y)

(5)将行为差值与MI做商，取得新的差值为：

$D_i=\underset{j=0}{\overset{N}{\Σ}}\left(H_i\right(j)-H_{i-1}(j-1\left)\right)/MI$

其中，N是划分的时间区间的个数，H_i(j)是第i个行为中发生第j日里的概率；

(6)计算出第i个行为的熵HI_i为：

${\mathrm{HI}}_i=\underset{j=1}{\overset{N}{\Σ}}-H_i\left(j\right){\mathrm{logH}}_i\left(j\right)$

同理计算出第i-1个行为的熵，然后求这两个联合分布率，求出MI的值，从而最终得到差值D_i；其中，D_i反映了玩家对于两个事件之间行为的特征以及不同行为间的差异性，从而直观监控玩家行为变化以及玩家进行游戏时两个事件之间的关联程度，相似程度；以及

(7)当玩家行为出现变化时，根据MI曲线以及D_i的差值变化，***会自动报警并且调整推送游戏行为的顺序以及事件的顺序，对特征量的分布用高斯函数建立模型，假设符合均值为μ方差为σ的高斯分布N(μ，σ)，并设定阈值为S＝μ+rσ

这里，r是一个调节误检数的参数，r的设定方法为

$r=\frac{t}{T}X+(1-\frac{t}{T})Y,0\≤t\≤T$

其中，X是昨日的MI平均数据，而Y是今日已经出现的MI数据，T是时间，基于此***会根据玩家行为差异曲线，自动调整r值，从而调整S值，来适应玩家的行为需求。

2.如权利要求1所述的网络游戏智能化数据分析方法，其特征在于：所述步骤(1)中，玩家在玩游戏的过程中行为的波动情况，包括个体玩家的波动情况或全体玩家的波动情况。

3.如权利要求1或2所述的网络游戏智能化数据分析方法，其特征在于：所述步骤(4)中，当MI的值越大，则两个变量相互的独立性越小，而相关性就越大。