文件名称：“升级”：利用技能和参与度最大限度地提高在线视频游戏中的玩家游戏体验-研究论文
文件大小：818KB
文件格式：PDF
更新时间：2024-06-29 07:17:36
Online Video Games
我们提出了一种新颖的两阶段数据分析建模方法，结合理论、统计分析和优化技术，将玩家参与度建模为动机的函数，以通过在大型且不断增长的在线视频游戏行业中匹配来最大化客户游戏玩法。 在第一阶段，我们基于客户参与和玩家动机理论构建了一个隐马尔可夫模型 (HMM)，以捕捉游戏玩家潜在参与状态和状态依赖参与行为的演变。 然后，我们使用从一家大型国际视频游戏公司获得的纵向数据集校准 HMM，该数据集包含 1,309 名随机抽样的游戏玩家在 29 个月内的游戏历史的详细信息，包括超过 700,000 轮独特的游戏回合。 我们发现，高、中和低参与度状态的游戏玩家对效果感和挑战需求等动机的React不同。 在第二阶段，我们使用第一阶段的结果开发匹配算法，该算法“即时”学习（推断）玩家当前的参与状态，并利用该学习将玩家与回合匹配以最大化游戏玩法。 我们的算法保守地将游戏玩家的游戏量和频率提高了 4-8%，从而为公司带来了显着的经济收入增长。