騰訊分享的這套用戶網絡模型，可能會顛覆行業...

相關報導

遊戲葡萄

騰訊分享的這套用戶網絡模型，可能會顛覆行業的運營思路

2年前

騰訊分享的這套用戶網絡模型，可能會顛覆行業的運營思路

如何基於社交網絡提升遊戲活躍度？

整理/秋秋

判斷遊戲社交做得好不好，可能是長久以來困擾廠商的難題。

對他們來說，反映玩家活躍度的有日活、月活這些數據；反映遊戲商業化能力的，也有流水、付費率這些明確的指標。但相對應的，遊戲社交卻沒有這樣的描述方式和評估標准。

退一步說，對玩家社交行爲分析本身就是一個運營難題。畢竟遊戲玩家群體數量龐大、社交行爲多種多樣，要想全面系統地形成數據體系基本不現實。但在這方面，《和平精英》卻給出了不一樣的解題思路。

在8月14日由騰訊遊戲學堂舉辦的第六屆騰訊遊戲开發者大會（ Tencent Game Developers Conference ，即 TGDC ）上，騰訊互娛光子S工作室總經理、《和平精英》項目負責人高麗娜，介紹了《和平精英》在社交網絡研究方面的一些探索，例如利用建模和算法形成玩家網絡和動態社群；通過觀測網絡集聚系數，量化社交與遊戲活躍度的關系等等。

以下是這次分享的具體內容，其中一些思路或許能復用到更多產品上，幫助大家更好地了解用戶，維護遊戲社交生態：

大家好，今天我們的主題是：遊戲世界中的玩家網絡。因爲人類是一種社會動物，很難脫離群體而存在。因此在信息社會，社交性也成爲網絡遊戲的重要玩法構成。

以一組遊戲中玩家群體的脫敏社交類信息爲例，我們可以看到：超過80%的玩家通過組隊進行遊戲；超過50%的玩家會邀請好友組隊；超過50%的流失玩家回流歸因於好友邀請；「單人進行遊戲」的玩家流失率最高。

雖然這些數據相對明確，但想借此指導遊戲運營和迭代卻非常困難。因爲像遊戲的活躍、商業化這些都有成熟數據指標體系來描述衡量，而玩家社交一直缺乏有效的描述方式和評估方法——這就是我們今天想要探討的話題。

基於無標度性質的玩家網絡化建模

阻礙玩家社交評估體系的第一個難點，可能是玩家人際關系網絡的數量。

舉個例子，一個30人社群，他們其中兩兩結爲朋友的情況有435種，把這些情況組成一個朋友關系網時，這個數量會達到2的435次方，遠遠超過宇宙的可觀測恆星數量。

那對於如此復雜的人際關系信息，我們應該如何去描述、並且建立起相應的評估體系呢？我們選擇了網絡化建模——當前技術時代，計算機可以幫助我們存儲和分析處理如此巨量的數據。

什么是網絡化建模？簡單舉例，我們把遊戲裏的每個玩家描繪成一個「點」，把玩家之間的社交關系連接成一條「邊」，最終我們就能得到如下圖右側這樣的網絡化連接圖。

這裏我用一個更具體的案例展示。

上圖中有兩幅採用不同的布局算法呈現967人關系網絡的數據圖。其中圖上的色彩，代表人員來自的國家地區；圓圈的大小表示每個人連接數量的多少。

第一種布局以呈現國家地區爲單位的社群分布爲主，可以方便地看到社群裏以及社群間人們的連接情況，包括同地區人們之間的連接聚集情況，以及哪些人承擔了跨地區連接的橋梁作用。

第二種布局重點呈現了那些連接數最高的人，擁有最多連接數的人員也被認爲是最有影響力、最核心的成員，他們位於這幅圖的中心位置。

如果我們把遊戲裏的玩家網絡繪制出來，那也將是上面這兩幅圖的呈現方式。只不過遊戲的玩家數以億計，計算機繪制出相關玩家網絡後，我們沒辦法憑借肉眼了解和處理信息，只能通過計算機算法從不同維度幫助我們透視信息。

完成數量龐大的玩家網絡化建模後，另一個難點是能否從其中找出一些規律或特點。

幸運的是，很早之前就有學者研究過復雜網絡的課題。1999年，美國聖母大學物理系的 Barabsi 教授及其博士生 Albert 發現了復雜網絡的無標度性質。

此後包括互聯網、電話網在內的大量真實網絡被證實存在無標度網絡性質，包括 Twitter 和 Facebook 也進行了相應研究，發現它們的用戶關系網也符合該性質。

所以，現在我們把這種研究復雜網絡的方法引入到遊戲裏，爲我們的遊戲玩家社交網絡提供理論和方法支持。

那么，什么是無標度網絡？這裏以 Barabsi 著作中的公路網和航空網這兩張示意圖爲例。

首先對於公路網來說，它的顯著特點是各個城市擁有的公路數量差別不大，大概都在3~5條。我們稱其爲隨機網絡，每個節點擁有的連接數大體是差不多的，沒有擁有特別多連接數的節點，遵循泊松分布。

而航空網不一樣，比如下圖，像芝加哥這樣的大樞紐城市航线非常多，而小城市的航线相對較少。

像這種大多數節點只有少數連接，而少數節點卻擁有大量連接的網絡，就叫做無標度網絡，它的主要特點如下：

符合冪律分布、擁有樞紐節點。對於遊戲玩家網絡來說，我們經過分析，發現遊戲裏大部分的玩家通常交互的朋友數也只是3～4人，但是有少部分玩家交互的朋友數卻非常的多，可能達到幾十人，甚至幾百人。

無標度網絡不是靜態的，且在生長的過程中具有優先連接特徵。這個在遊戲裏也很容易理解——擁有更多朋友、更活躍的玩家確實更容易交到新朋友。

社群聚集的特徵。我們常說人以群分，具有共性的人們傾向於結成圈子，在遊戲裏也一樣，所以基於不同屬性的玩家標籤，可以挖掘出不同的社群。

面對攻擊的脆弱性。對於這樣的網絡，當你攻擊它的主要樞紐節點，效果一定是最大化的。因爲失去樞紐節點會讓它所連接的大量其他節點斷聯。這在遊戲裏表現爲當樞紐用戶（可以理解爲KOL）流失時，也會影響他周邊大量好友的活躍和留存，進而影響到遊戲局部社交生態。

網絡化建模在遊戲中的應用

我們先來具體展示一下玩家網絡在遊戲中建模的過程。首先爲了構建這個網絡，我們需要對它的「邊」進行定義，因爲遊戲中玩家的關系和交互行爲非常多樣。

如果你想要建立一個描述玩家強互動行爲的網絡，那么就可以選取比如組隊、聊天和預約對局這樣的強交互行爲，假設把它們按照1：1：1的權重進行網絡「邊」的計算，就能得到一張描述強交互行爲連接情況的玩家網絡。

而如果你想構建一張輕交互連接的玩家網絡，那就可以選取比如觀战，點贊這樣的輕互動來定義它。因此這個定義可以根據實際研究的需要進行修改——我們目前主要是聚焦於研究強交互玩家網絡，認爲這種交互更加核心。

有了「邊」的定義之後，我們就能用遊戲中所有的玩家數據，構建出一張帶有「邊」權重信息的玩家網絡。當然，這張網很大，前面也提到，數據量決定了只有計算機才能閱讀它，我們只能通過各種算法、從各種維度查看和管理它。

在全局網絡生成之後，我們就可以進行社群的挖掘。首先我們認爲社群是一些緊密連接的節點的集合，集合內部連接緊密，而與外部的連接是稀疏的。我們根據這個定義，運用相應的算法來篩選玩家網絡，最後得到了幾百萬個社群——這樣，我們遊戲中的玩家網絡和相應的社群信息就都建模好了。

下面我們來看如何動態地運營這張網絡。

首先我們在遊戲中研究的都是玩家群體，因此我們就需要借助一些標籤來定義群體。同時，我們需要在原有用戶標籤基礎上補充添加一些社交相關的標籤信息，以便於我們針對社交屬性進行研究。

一方面，我們在原有的標籤裏增加了一些社交標籤，用來標識玩家社交相關的特徵。比如是否偏好組隊、是否喜歡主動添加好友等等。我們會盡量去還原用戶的社交偏好，以便更好地爲他們服務。

另一方面，我們也給挖掘出來的社群定義了社群標籤，用於標識他們的特徵。偏好類例如有的社群喜歡玩團競模式，而有的只玩海島等；屬性類，比如有的社群平均段位可能就很高。

有了這些標籤後，我們就能從用戶群體出發做一些體驗優化。首先我們關注的是玩家網絡的生長和維護。

其中生長就是網絡中的新的連接關系的建立。主要有陌生人之間的交友聯建，以及將玩家推薦建聯到合適他的群體組織這兩部分。

陌生人之間的交友聯建，根據不同情況和適用性有很多種公开算法。

這裏的優化重點是，以前我們做推薦更多都只考慮玩家的活躍、行爲偏好來進行，但現在我們提取並新增定義了社交類的標籤，社交標籤能幫助更好地了解用戶在社交方面的特徵偏好，讓推薦結果更精准化。畢竟只有精准、有效地推薦對玩家來說才是有用的，因爲他們不是不喜歡交朋友，而是希望交到自己覺得合適的朋友。

將玩家推薦到適合的組織也是類似原理。假如你是一個軍團長，你會同意什么樣的玩家加入自己的軍團是有一定標准的，那么我們就需要盡量讓算法理解軍團吸納成員的偏好，把適合的玩家推薦過來，才更有可能讓他們加入到群體中來。

總體上，這些算法的思路都是通過將用戶社交屬性進行定義，並且融入到算法裏提升推薦的精准性，從而促進玩家網絡的生長。

除了生長以外，我們還需要不斷地維護這張網絡，也就是要不斷的激活網絡中的聯通關系，促進玩家間實實在在的交互，畢竟我們都知道很多玩家加好友之後確實有不再互動的情況。

從我們過去對流失玩家的分析經驗來看。用戶流失通常的路徑，先是活躍度降低，當降低成低活躍用戶時，因爲粘性不足就很可能會流失。而活躍度降低原因裏，關鍵好友流失、社交行爲減少這樣的社交原因佔比是比較重的。

下圖中由紅色點組成的網絡圖，這是使用 PageRank 算法標識的一個局部社群。在這個算法裏，我們把用戶的每次互動都看作是一次能量的交換傳遞，假如對社群以月爲周期進行標識，就可以得到一個這樣的月度社群能量值網絡圖。

從這張圖中我們能明顯看到，這個社群裏存在社交能量遠遠高於其他用戶的大KOL，以及一些能量次之的小KOL，他們就是我們之前講到的樞紐用戶，都擁有非常多的朋友連接數。可以說社群的形成離不开這些KOL，正是這些有非常高社交意愿的KOL，他們所輻射的高社交能量才使得這個社區被緊密的維護在一起。

而社群還具有另一個特點：信息在社群內部傳播得很快，但如果想把信息出圈傳到其他社群就比較困難，因爲社群之間的連接是比較稀疏的。

所以當我們想要把重要的信息盡可能觸達到所有用戶時，我們往往需要借助社群和KOL的力量，由傳播意愿最高的大KOL傳播給傳播意愿次之的小KOL，那么最終，這個信息就最有可能傳遍到整個社群、觸達到盡可能多的人。

最後我們仍然是對一些常用的熟人推薦算法在使用上進行了優化，在算法中融入社交特徵去激活已經建立的連接，幫助玩家間可以更好的互動起來，加深連接。

玩家網絡的評估探索

介紹完玩家網絡的搭建和基本運營方式後，我們回到這次分享的主題，談一談目前我們在社交評估方法上的一些探索。注意，因爲各種遊戲中的具體情況不同，所以接下來圖表中舉例的數據也僅是示意值，但不影響結論的呈現。

1. 社群的平均在线時長與社群規模呈正相關，但存在邊際效應。

首先看上邊這張圖，我們可以在此前講到的社群挖掘方法上，根據自己的需求設定一些社群規模的標杆值，例如10人以下社群、10～50人社群、50～100、500人以上等等。這樣我們就能統計比如遊戲中各種規模的社群數量有多少，也可以很方便的看到遊戲中各類社群所會覆蓋的玩家數量。

需要注意的是，這種數據展示基於玩家間一定周期內的真實互動而生成，它區別於統計遊戲中的靜態社交組織，比如單純統計遊戲中公會、幫派這樣的社交組織中有多少玩家，因爲很多玩家加入這些組織後可能流失很久了，靜態社交數據統計沒辦法真實反映出玩家的聚集情況，我們也沒法知道玩家們都身處在怎樣繁榮度的朋友網絡裏。

當我們把社群分成不同的規模後，我們就可以針對不同規模的社群挖掘它的其他規律。

比如上面這張圖，這是一個對不同規模的社群進行當周平均在线時長統計發現的結果，我們可以很明顯看出：當社群規模小於10，隨着社群規模的增大，平均在线時長增長得很明顯；當社群規模大於10人以後，增長开始變緩，而當社群規模大於50人以後基本上這個值趨於穩定。

所以這裏我們通過社群的分解和挖掘，得到的一個結論是：社群的平均在线時長與社群規模呈正相關，但存在邊際效應。以這個數據爲例，我們可以有一個直觀的策略：如果能夠把遊戲裏規模少於10人的社群提升到10人以上，勢必會增加不少用戶粘性，玩家的社交體驗會更好。

2. 社群CC值跟社群的活躍度、留存情況正相關。

爲了進一步研究清楚社群規模和用戶活躍度的關系，我們又進行了進一步的探索。這裏我們要引入一個圖論中的集聚系數的概念（Cluster Coefficient，簡稱CC值），下圖是有關這個概念的簡單解釋。

簡單來說，CC值描述一個網絡圖裏鄰接點之間相互連接的密集程度，來表徵圖中的點之間集聚的程度，最小爲0，最大爲1。對於現實中的朋友網絡來說，CC值越大網絡裏人們的關系十分緊密，大多數人互相都認識；越小說明關系比較疏散，很多人互相間不認識。

以下三幅圖展示了不同的連接情況以其對應的CC值。

第一幅CC=0的這個圖裏，左上的四個點裏，我們可以看到其中一個點和其它三個點都有連接關系，假設這就是你，也就是說你有三個認識的朋友，但他們互相之間都不認識，這時候如果你流失了，那么這個網絡就斷开了，他們就會變成三個無社群的散點。但如果你一直留存，就有可能某一次你會邀請他們三個和你一起四人組隊，這樣他們之間可能就會互相認識，建立起新的連接，這時CC值就會變大了。

有了CC值的概念後，我們繼續以10人群爲例，橫坐標是CC值，縱坐標是一周的平均對局次數，明顯會看到隨着CC值的增大，平均對局次數也在不斷增大，是一個正相關的關系。

下面一張圖是10人群裏，CC值和留存率的關系很明顯也是正相關，可以看到隨着CC值靠近1，這個留存率會達到非常高的程度。

這兩張圖都說明在一個社群裏，當CC值很高時，每個人都身處在熟悉的環境裏，朋友圈內部關系很親密，良好的社交支撐將帶來高度的活躍。所以我們在運營中觀察各種規模的社群按不同CC值的數量分布情況，可以讓我們比較直觀地了解到用戶網絡的緊密與活躍情況。

當然，我們努力的目標也是盡量去通過各種方法，把社群的CC值向上引導，讓玩家的社交網絡更加活躍健康，改善遊戲體驗。

3. 遊戲裏無社群和小社群佔比與活躍度負相關。

從之前的講述裏，我們可以知道因爲樞紐用戶的流失，遊戲中的大社群會拆分變成多個更小的社群。如果我們去統計各種不同規模社群的佔比變化，可以發現這個情況存在着一些數據上的關聯，例如50人以上社群每減少1%，那么下一個周期的2～5人社群就會增加0.3%；10～50人社群每減少1%，那么2～5人的社群下一周期就會增加0.5%。