关于糖果粒子游戏中捆绑推荐的尺度不变方法
机器学习
2024-08-15 v2
摘要
良好地理解玩家偏好对于增加内容相关性尤为重要，尤其是在移动游戏场景中。本文展示了如何使用注意力模型为移动游戏中的物品推荐产生建议。该方法论方法由监督和无监督方法的组合而成，用于创建用户级别的建议，同时引入一种新颖的尺度不变方法进行预测。随后将该方法应用于糖果粒子 Saga 中的捆绑推荐。针对服务数百万用户的 ML 模型的部署、维护和监控策略被呈现，并介绍了为最小化 ML 系统典型技术债务所采取的最佳实践和设计模式。该推荐方法在离线和在线上均得到评估，重点关注提升用户参与度、点击率和采纳率、新颖性效应、推荐多样性以及退行反馈环路的影响。我们证明，该推荐方法可将点击率提升 30%，采纳率提升超过 40%。此外，我们经验性地量化了推荐准确率对用户参与度的递减效应。
引用
@article{arxiv.2408.06799,
title = {On a Scale-Invariant Approach to Bundle Recommendations in Candy Crush Saga},
author = {Styliani Katsarou and Francesca Carminati and Martin Dlask and Marta Braojos and Lavena Patra and Richard Perkins and Carlos Garcia Ling and Maria Paskevich},
journal= {arXiv preprint arXiv:2408.06799},
year = {2024}
}