腾讯游戏用户增长策略实践深度解析

引言

随着全球游戏市场的不断扩张，游戏用户增长成为各大游戏厂商关注的焦点。腾讯游戏，作为全球领先的游戏研发和运营商，凭借其强大的技术实力和丰富的运营经验，在游戏用户增长策略上取得了显著成效。本文基于腾讯游戏在SDC 2023全球软件研发技术大会上分享的《腾讯游戏用户增长策略实践》内容，深入解析腾讯游戏在用户增长方面的策略、技术和实践。

一、游戏增长营销背景

1.1 多渠道游戏发行与广告投放

腾讯游戏通过多渠道发行和广告投放策略，实现用户拉新、回流和提高活跃度的目标。这些渠道包括但不限于虎牙、斗鱼、微博、百度、快手、UC、爱奇艺、B站等，以及游戏内商城推荐和游戏社区推荐。通过精准的用户定向和渠道用户分布差异分析，腾讯游戏能够更有效地触达目标用户群体。

1.2 媒体/渠道习惯养成漏斗分化

腾讯游戏通过优化游戏资源利用率，助力游戏场景的智慧运营和用户持续增长。在用户从曝光到注册、点击、下载、深度交互的过程中，腾讯游戏利用数据挖掘和特征工程技术，识别用户行为特征，构建用户描述模型，从而优化广告投放和渠道选择，提高用户转化效率。

二、游戏增长营销体系

2.1 核心技术支撑

腾讯游戏增长营销体系依托于强大的技术支撑，包括TensorFlow、Spark、Faiss、Redis等计算基础和存储基础服务，以及Docker、CI/CD等自动化部署和运维工具。这些技术为腾讯游戏提供了高效的数据处理和模型训练能力，支持大规模用户数据的实时分析和精准干预。

2.2 特征服务与模型服务

腾讯游戏通过特征服务和模型服务，实现用户特征的注册管理、特征交叉、高质量特征资产的复用，以及复杂关系建模和全面性能评估。这些服务支持游戏增长业务的多场景应用，包括精准推荐、科学营销、游戏广告定向投放、游戏商城道具推荐及游戏社区运营等。

2.3 个性化、多样性、精准干预

腾讯游戏通过个性化、多样性和精准干预的策略，提升用户增长效果。利用序列学习、LTR学习、迁移学习、多任务集成学习等技术，腾讯游戏能够构建高效的召回和排序模型，实现用户行为的精准预测和干预。同时，通过分层实验和延迟反馈机制，不断优化模型效果，提升用户转化率和留存率。

三、游戏用户描述挖掘与实践

3.1 基础游戏用户描述

腾讯游戏通过关联场景、合作场景、游戏内多游戏用户描述等方式，构建用户全生命周期序列。这些序列包括用户的活跃、注册、新游、回流等阶段，以及用户的值特征、类别特征、序列特征等。通过K-V统计和序列表征算子（如RNN/LSTM/Transformer）等技术，腾讯游戏能够全面刻画用户行为特征，为精准营销提供数据支持。

3.2 游戏描述特征工程

腾讯游戏在游戏描述特征工程方面，注重基础特征的高阶交叉和组合。通过Tabular类型特征的高阶组合（如Emb、Wide&Deep、DeepFM、IFM等），以及用户序列描述相关建模（如Transformer及其变体），腾讯游戏能够显著提升特征表达能力和目标拟合能力。以下是对腾讯游戏描述特征工程部分的详细介绍：

基础特征与高阶交叉

腾讯游戏首先构建了基础特征，这些特征包括类型、统计类特征等。然而，基础特征往往缺乏关联信息，因此腾讯进一步探索了高阶交叉特征。高阶交叉通过Tabular类型特征的高阶组合（如Embeddings），显著拓展了特征的表达能力，使得模型的目标拟合能力更强。经典的高阶特征交叉模型如Wide&Deep、DeepFM、IFM等被广泛应用于游戏用户特征工程中。

用户序列描述建模

用户在游戏中的行为序列是理解用户行为模式的重要线索。腾讯游戏通过用户序列描述建模，捕捉用户在不同时间点的行为变化。例如，用户A的行为序列可能是“微博→王者荣耀→点击”和“快手→欢乐麻将→下载”。这些序列信息被转化为特征，并通过RNN/LSTM/Transformer等序列表征算子进行处理，以捕捉用户行为的长距离依赖关系。

用户交互网络建模

除了基础特征和用户序列，腾讯还构建了用户-用户、用户-渠道-游戏的交互网络。这些网络不仅包含了用户的关注、组队、浏览、收藏等显式反馈，还通过位置信息和局部感知等技术捕捉隐式反馈。这种网络建模技术，特别是利用Transformer及其变体，能够处理复杂的用户关系，提升模型的表达能力和泛化能力。

3.3 化繁为简：LLM游戏用户表征

背景

在游戏用户表征中，通常面临百万级用户数据，这些数据的特征维度广泛且复杂，其中大部分为高占比的用户行为特征。这种特征矩阵的庞大性导致在处理下游任务时，存在大量对模型贡献微弱甚至无贡献的特征，从而导致模型臃肿、效率低下。面对百万级用户表征维度带来的特征选择和组合压力，腾讯游戏采用LLM（大语言模型）结构进行用户表征。通过BERT等海量用户行为序列的无监督预训练，结合少量有监督精调，腾讯游戏能够构建高效、鲁棒的用户表征模型。同时，通过模型裁剪和特征选择技术，降低模型复杂度和资源开销，提升模型训练和应用效率。

解决方案

提出了将End2End模型拆解为特征工程和业务目标拟合两部分的思路。具体方案包括特征选择、特征组合以及利用LLM（如BERT等）结构进行用户表征。

1. 特征工程抽离：

• • 特征选择与组合：通过网格搜索或模型裁剪等方法，从海量用户行为数据中挑选出对模型贡献显著的特征，并进行高阶特征交叉，以提升模型的目标拟合能力。

    

  • 经典模型应用：使用如Wide&Deep、DeepFM、IFM等经典FM-based（因子分解机）模型进行高阶特征交叉。

1. LLM用户表征：

• • 多源表征：结合用户的多源行为数据（如游戏内行为、游戏社区交互等），通过LLM（如BERT）进行无监督预训练，构建用户的基础表征。

• • 业务精调：在预训练的基础上，针对具体业务目标（如拉新、回流、活跃等）进行少量有监督数据的精调，以适应不同的业务需求。

1. 模型结构示例：

随着大模型（如BERT）的发展，腾讯游戏开始探索利用LLM（大型语言模型）进行用户表征。百万级用户的数据量使得传统的特征选择和组合方法变得复杂和耗时。腾讯通过将End2End模型拆解为特征工程和业务目标拟合两个步骤，实现了特征的抽离和复用。同时，利用LLM的无监督预训练能力，构建用户表征基座，并通过少量精调数据实现下游任务的快速适应。

• 利用BERT等LLM模型，对用户的行为序列（如游戏活跃、游戏安装等）进行编码，得到用户的综合表征。
• 通过这些表征，可以支持多种下游任务，如精准推荐、科学营销、游戏广告定向投放等。

3.4 隐私合规与联邦学习

在游戏用户表征过程中，还涉及到数据隐私和合规问题。为了解决这一问题，提出了纵向联邦合作（Vertical Federated Learning, VFL）的方案，通过共享表征数据来增强建模精度，同时确保数据的安全和隐私。

1. 联邦学习：

通过纵向联邦学习和横向联邦学习等技术，腾讯能够在不直接共享用户数据的前提下，实现特征的联合训练和模型的共享。

• 纵向联邦：用户相同但特征/标签不同的双方进行数据交换和建模，通过双塔DNN结构实现。
• 无监督学习扩展：通过自监督学习无标签交叉数据，将VFL拓展为无监督纵向联邦学习（SSL-VFL），提高数据利用率和建模效果。

1. 联邦蒸馏：

• 利用联邦流程提升单侧模型效果，通过蒸馏学习部署单侧学生模型，减少跨网络通信带来的时延和部署难度。

综上所述，腾讯游戏在描述特征工程方面，通过基础特征的高阶交叉、用户序列描述建模、用户交互网络建模以及大模型与用户表征等技术手段，实现了对用户行为的精准刻画和预测。这些技术不仅提升了游戏增长营销的效率和效果，还为游戏用户经营提供了有力的支持。

四、典型游戏用户增长场景实践

游戏用户全生命周期 涉及多个阶段，需要根据不同的阶段制定相应的策略分析

4.1 新游发行-预约与注册

在新游发行期，腾讯游戏通过预约与注册策略实现人群定向冷启动。通过分析注册与预约的相关性、发行渠道的匹配程度以及游戏受众特征，腾讯游戏能够提前优化投放资源，提高新游发行注册量。同时，利用多品类交叉注册模型和延时注册问题解决方案，提升预约转化率和注册效率。

对于新游戏发行期预约下载，本质是人群定向冷启动问题

用户延时注册相关因素:

• 游戏大小
• 用户所处网络环境
• 用户游戏行为习惯(最相关)

• 

延时注册负效应:

• 假负，人群定向能力差
• 频控下重复投放投放，资源浪费
• 正样本稀疏，实时用户交互分析偏差较大

针对新游戏正式发行后延时注册问题，先对用户行为进行相关分析预测，再通过特征拼接服务化+实时样本，完成流式增量训练，从而达到更好的宣发效果。

4.2 成熟游戏-用户流失

针对成熟游戏的用户流失问题，腾讯游戏通过RFM模型进行用户分层和召回优先级排序。然而，传统RFM模型存在特征少、用户分层粗糙等问题。腾讯游戏通过无监督社群检测、流失用户定向和社交关联用户定向等策略，实现流失用户的精准召回。同时，通过多模态内容推荐和序列对比学习等技术，提升社区内容分发效率和用户活跃度。

游戏用户流失的重要性:

常见且频繁、Why:用户流失预警，找到问题所在不断迭代优化、用户回流成本远低于新用户注册拉新成本

使用RFM困境:

• 特征少,难以对流失用户进行完整刻画
• 特征交叉严重依赖经验，用户分层粗糙
• RFM召回优先级缺少科学性，多目标难以权衡

优化改进方案：通过构建基于RFM模型的流失预警系统，结合无监督社群检测和社交召回策略，提高用户回流率。同时，通过社区个性化推荐和社交关联用户定向，提升游戏活跃度和用户归属感。

4.3 成熟游戏-社区个性化推荐

游戏社区在游戏运营中扮演着至关重要的角色，其影响力深远且多维。首先，游戏社区是增强游戏用户归属感的核心阵地。在这里，玩家可以围绕共同的兴趣和爱好交流互动，分享游戏心得、攻略和趣事，从而建立起紧密的社群联系。这种归属感不仅让玩家感到自己是游戏世界的一部分，还促进了游戏文化的形成与传播，加深了玩家对游戏的认同感和忠诚度。

其次，游戏社区对于提高游戏活跃性具有显著作用。通过社区内的丰富活动和内容推荐，可以不断激发玩家的参与热情，延长他们在游戏中的停留时间。社区不仅是获取游戏信息的渠道，更是玩家之间交流竞技、相互激励的平台。这种互动机制能够有效提升游戏的用户粘性和活跃度，为游戏带来持续的生命力。

此外，游戏社区还是洞察异常/流失用户的重要窗口。社区内的用户行为数据、言论反馈以及社交关系等信息，为游戏运营者提供了宝贵的用户洞察资源。通过对这些数据的分析，可以及时发现潜在的问题用户群体，了解他们的需求和不满，从而采取针对性的措施进行干预和挽留。这对于降低用户流失率、提升用户体验具有重要意义。

在推荐技术方面，游戏社区采用了多种先进的策略来提升内容分发的效率和精准度。其中包括多路召回机制，能够基于用户的历史行为和兴趣偏好，从多个维度挖掘潜在的推荐内容；多目标精排策略则进一步优化推荐列表的排序，确保推荐内容既符合用户的当前需求，又能引导用户进行更深度的探索和互动；游戏元素的召回重排则通过智能分析用户在游戏中的行为和成就，精准推送相关的游戏元素（如装备、道具等），增强用户的游戏体验和成就感。此外，LBS（基于位置的服务）、社交推荐和社群发现等技术的运用，也使得游戏社区的内容推荐更加个性化和多样化，满足了不同用户的差异化需求。

总的来说，游戏社区以其独特的优势在提升用户归属感、促进游戏活跃性以及洞察用户行为等方面发挥着不可替代的作用。未来随着技术的不断进步和社区生态的日益完善，游戏社区将继续成为推动游戏行业发展的重要力量。

五、全域游戏用户经营与大模型机遇

一、多游戏-多场景-多目标策略

腾讯游戏正在探索多游戏、多场景、多目标的全域用户增长策略。全域游戏用户经营中，关键在于实现多种品类游戏、多个广告投放场景以及多项广告投放目标的综合管理。这不仅要求精细化的市场细分，还需要高效的资源配置策略。需要构建公共用户表征、游戏表征和场景表征，实现特征隔离与共享机制。同时，借鉴迁移学习的方法，设计多域自适应匹配优化，解决多场景-多游戏面临的分布差异问题。

首先，针对多种品类游戏，腾讯游戏通过构建全面的用户画像和游戏特征库，实现了对不同游戏品类用户的精准识别。这一策略使得腾讯能够在多个广告投放场景中，如信息流平台、行业性平台和综合性平台，灵活调整投放策略，以最大化触达目标用户。

在广告投放场景的选择上，腾讯游戏充分利用了信息流平台的广泛覆盖能力和行业性平台的精准定位能力，同时结合综合性平台的多样化资源，形成了多维度的广告投放网络。这种布局不仅提升了广告的曝光率和点击率，还显著提高了用户的转化率和留存率。在广告投放目标方面，腾讯游戏设定了多项具体且可衡量的目标，如新用户注册、用户回流、节点活跃和道具营销等。这些目标不仅指导了广告投放的方向和重点，还为后续的效果评估和优化提供了明确的依据。

此外，腾讯游戏在全域游戏目标用户经营中，还特别注重模型共享和数据共享的价值。通过构建统一的用户表征模型和知识库，实现了不同游戏和场景之间的数据互通和模型复用，从而大大节约了人力成本，提高了游戏的发行效率。同时，这种数据共享机制还使得腾讯能够充分利用数据优势，快速处理各维度的冷启动问题，为游戏的长期运营奠定了坚实的基础。

全域游戏目标用户经营也面临着一些挑战和难点。其中，跨域分布差异和不同业务目标之间的冲突是最为突出的问题。为了应对这些挑战，腾讯游戏不断探索和优化多域自适应匹配和迁移学习等先进技术，以实现不同游戏、场景和目标之间的平衡与协调。

综上所述，全域游戏目标用户经营是一个复杂而精细的过程，需要综合考虑多种因素和挑战。腾讯游戏通过构建全面的用户画像、灵活的广告投放策略、高效的模型共享和数据共享机制，以及持续的技术创新和优化，成功实现了全域游戏用户的高效经营和管理。

二、LLM游戏知识库

大语言模型（LLM）具备知识存储和逻辑推理能力，为构建新一代游戏知识库提供了可能。相比传统的知识图谱，LLM知识库在知识存储、索引、回答等方面具有更强的灵活性和可扩展性。腾讯游戏正在探索如何利用LLM技术，构建包含大规模游戏语料和游戏用户语料的新一代游戏知识库。

游戏知识库的鲁棒性与事实存储

在构建游戏知识库时，鲁棒性和事实存储是两大核心挑战。传统基于知识图谱（KG）的知识库依赖于固定的三元组存储和符号内存访问，这种方式在更新和扩展时较为困难，且难以处理复杂的逻辑关系和事实关联。

相反，基于大语言模型（LLM）的游戏知识库利用NLP技术从大规模无监督语料中自动学习和更新知识，无需依赖人工标记的标签。这种无监督预训练架构使得LLM能够存储并索引大量的游戏相关事实，同时通过逻辑推理能力，支持复杂的查询和推理任务。

事实存储的多样性：

• 游戏内知识：包括游戏规则、角色介绍、装备属性等。
• 用户行为数据：用户的历史行为、偏好、活跃度等。
• 社区内容：游戏论坛、社区帖子、玩家评论等。

LLM通过其强大的记忆和检索能力，将这些事实以多样化的形式存储起来，并支持根据用户查询进行高效的检索和推理。

大语言模型具备知识存储和逻辑推理能力，探索构建新一代游戏知识库的可能性。

模型编辑与知识更新

在快速变化的游戏领域，知识库需要保持高度的时效性和准确性。基于LLM的游戏知识库允许进行便捷的模型编辑和知识更新。当新的游戏版本发布或游戏规则调整时，可以通过微调LLM模型来快速适应这些变化，而无需重新构建整个知识库。

此外，LLM还支持通过多样化的prompt来触发不同的逻辑推理路径，从而实现对复杂查询的精准回答。这种灵活的模型编辑和知识更新机制，使得LLM游戏知识库在应对复杂多变的游戏环境时具有更强的适应性和鲁棒性。

专家系统与大模型融合：
此外，还可以将专家系统与大语言模型相结合，利用专家系统提供业务规则和领域知识，指导大模型进行更准确的预测和推理。通过不断迭代和优化，构建出既具有专家知识又具有强大推理能力的全域游戏用户增长系统。

总结

腾讯游戏在SDC 2023全球软件研发技术大会上分享了其在用户增长策略实践方面的宝贵经验。通过构建基于大语言模型（LLM）的游戏知识库和全域用户增长策略，腾讯游戏成功实现了多游戏、多场景、多目标下的用户增长目标。