使用机器学习构建SLG陪玩系统

使用机器学习构建SLG陪玩系统
一、目的和意义
对于SLG游戏来说，玩家在游戏内相互竞争是游戏活跃度的重要体现，也是游戏收入的重要来源。但是相互竞争也是玩家流失的一个最主要原因，当游戏中某玩家没有竞争对手的时候，这个玩家也会觉得游戏乏味，趋于流失。
游戏陪玩系统可以为上述没有对手的玩家陪玩，增强游戏活跃度、减少流失率、提高付费、延长游戏生命周期。

二、如何通过机器学习的方式实现陪玩系统
SLG类型的游戏陪玩系统比较复杂，原因如下：
1、不同于moba或者一些单机小游戏，人工智能决策输出结果比较复杂，对于部分结果还需要进一步分析计算；
2、对于玩家交互行为要求比较严苛（相对于moba类型的游戏和其他游戏辅助工具来说），稍有考虑不周就会被玩家察觉；
技术实现路径如下：
1、游戏日志整理分析
2、玩家行为数据建模
3、用机器学习的方法为玩家行为数据建立决策系统（决策树、随机森林、K紧邻等算法）
4、建立策略行为决策系统（行为树等算法）
5、陪玩系统本身架构和功能
6、可能会有的聊天、工会管理、跨服战等独立行为需求

三、成本分析
1、人员：开发阶段每隔项目需要3人（懂机器学习1程序员人，中高级程序员2人）。维护阶段每隔项目需要1-2人。
2、开发工期：首个项目大概4-6个月，后续类似项目大概1-2个月

四、预期收益
1、项目收益提高：预计项目中后期每个月可以有10-25%的收入提高
2、项目寿命延长：预计可以延长30%的生命周期

五、系统实施细节
1、陪玩系统可以在项目中期介入（此时已经有相当数量的玩家数据了），但是需要“养号”（无法像moba那样使用玩家的号）
2、开发过程中需要项目组少量配合（后端规整日志和消息、前端需要提供发消息接口）
3、在开发完成后，随着项目新功能增加、老功能删改，以上的数据建模、学习数据、各种决策系统都需要调整

六、风险
在SLG类型游戏上实施陪玩系统比较困难，目前各大公司实施成功案例较少，并且有如下风险：
1、工作量估计不足：对于SLG系统复杂度估计不足导致该系统开发延期，此种风险发生可能性在30%
2、开发失败：对于技术难度预估不足导致开发无法进行，此种风险发生可能性在10%
3、系统实施后效果不佳：由于系统开发成本不是很高，预期收益较大，所以此种风险发挥可能性不高
4、对于玩家交互行为要求比较严苛，在运营期聊天的系统无法全部自动化，可能需要人工干预。