大规模在线游戏网络用户行为研究

Multiplayer Online Games (MOGs) like Defense of the Ancients and StarCraft II have attracted hundreds of millions of users who communicate, interact, and socialize with each other through gaming. In MOGs, rich social relationships emerge and can be used to improve gaming services such as match recommendation and game population retention, which are important for the user experience and the commercial value of the companies who run these MOGs. In this project, we focus on understanding social relationships in MOGs. We first carry out a large-scale measurement on user behaviors in MOGs. Then, we propose a graph model that is able to capture social relationships of a variety of types and strengths. We apply our model to real-world data collected from three MOGs that contain in total over 10 years of behavioral history for millions of players and matches. We compare social relationships in MOGs across different game genres and with regular online social networks like Facebook. Taking match recommendation as an example application of our model, we propose a socially aware match recommendation algorithm that takes social relationships into account. We show that our model not only improves the precision of traditional link prediction approaches, but also potentially helps players enjoy games to a higher extent.

在线游戏网络以其独有的游戏及社交影响力，已经成功的在世界范围内吸引了数亿用户，其在全球范围内的产业估值达到数百亿美元。和普通在线社交网络不同，以游戏为载体，游戏网络中的的用户关系是丰富而又独特的。本课题预期首先进行大规模多人在线游戏网络测量，为分析和挖掘游戏网络用户关系提供量化可靠性保证；其次针对游戏网络中特有的动态用户交互信息，改进传统复杂网络方法的不足，设计有效的游戏网络关系提取模型；最后，基于游戏网络用户关系挖掘，改进传统复杂网络关系预测方法的不足，设计适用于游戏网络的用户关系及比赛推荐算法。深刻理解游戏网络中的用户关系，从而为拥有用巨大用户基数，涵盖重要工业产值的游戏网络提供更精准的服务设计，具有十分重要的科学意义和实用价值。

在线游戏网络以其独有的游戏及社交影响力，已经成功的在世界范围内吸引了数亿用户，其在全球范围内的产业估值达到数百亿美元。和普通在线社交网络不同，以游戏为载体，游戏网络中的的用户关系是丰富而又独特的。本课题针对大规模游戏网络进行研究，深刻理解游戏网络中的用户关系，从而为拥有用巨大用户基数，涵盖重要工业产值的游戏网络提供更精准的服务设计。基于此，课题研究的主要内容及其重要结果、关键数据及科学意义包括如下三个方面：. (1) 通过大规模在线游戏网络测量，获得了百万级别的游戏网络用户行为数据，为后续研究提供了坚实的数据基础；与此同时，课题组对在线游戏视频共享网络也进行了大规模测量，从游戏玩家和游戏观看者两个角度进行了分析，为在线游戏网络的用户关系挖掘提供了多维度信息。数据集已向学术界共享，填补了相关领域的数据空白：截至目前为止该数据集获得引用200余次。. (2) 针对游戏网络中特有的动态用户交互信息，整合、改进了传统复杂网络分析方法，设计了适用于游戏网络的用户关系提取模型。除游戏网络外，该模型也有广阔的应用场景：横向上，可应用于其他包含多种用户关系和交互信息的复杂网络，例如视频共享网络等；纵向上，可以与近年来受到学术界广泛关注的网络表示学习方法相结合，优化下游链路预测、节点分类等问题。. (3) 基于游戏网络用户关系挖掘，改进了传统复杂网络链路预测方法，使其能够应用在有丰富动态用户交互信息的游戏网络；另一方面，依据前述游戏用户关系提取模型设计了全新的涵盖社交远近信息的用户关系及比赛推荐算法，为推荐问题提供了新思路。