大规模用户游戏生命周期表示学习
计算与语言
2025-10-21 v2
摘要
视频游戏生产的快速扩张 necessitates 发展有效的广告和推荐系统用于在线游戏平台。向用户推荐游戏和广告游戏取决于捕捉他们对游戏的兴趣。然而，现有的表示学习方法为处理推荐系统中的数十亿物品而设计，不适用于游戏广告和推荐。这主要是由于游戏稀疏性——仅数百款游戏不足以进行大规模用户表示学习；以及游戏不平衡——用户行为被少数几款热门游戏主导。为解决稀疏性问题，我们引入用户游戏生命周期（UGL），旨在丰富用户在游戏中的行为。此外，我们提出了两种创新策略，用于更有效地提取短期和长期兴趣。为解决不平衡问题，我们提出了面向 UGL 表示学习的逆概率遮蔽策略。离线和在线实验结果表明，UGL 表示通过在游戏广告中实现平均 1.83% 的 AUC 提升以及平均 21.67% 的 CVR 提升，以及在游戏内物品推荐中实现平均 0.5% 的 AUC 提升和平均 0.82% 的 ARPU 提升。
引用
@article{arxiv.2510.15412,
title = {Large-scale User Game Lifecycle Representation Learning},
author = {Yanjie Gou and Jiangming Liu and Kouying Xue and Yi Hu},
journal= {arXiv preprint arXiv:2510.15412},
year = {2025}
}