# 2026.06.25-日报-莫润麟


Source: https://feishu.cn/docx/PVQqwCklDiMWsakMvAvcBoyanTd


#### 今日内容

①36个机制变量 XGBoost + SHAP三轮训练

②七机制四维度判断

基于36个机制变量 XGBoost + SHAP 结果，结合实际游戏规则及体验，进一步修订七机制重点筛选判断。

不是简单按 SHAP 排名前三选机制，而是综合模型信号、理论解释、数据支撑和业务规则代表性，筛选本阶段最适合展开的重点机制。

总结

结果表明，七机制重点筛选不能简单等同于 SHAP 排名前三，而应结合模型信号、理论解释力、数据支撑和业务代表性综合判断。

当前判断将私有性、激励性、公平性作为本阶段重点机制：

私有性解释个人收益回流

激励性解释奖励可达和加码投入

公平性解释赛局是否值得继续竞争。

补偿性、互补性、互动性并非不重要，而是更适合作为候选机制、子模型或后续扩展分析；

流动性则由于名单锁定和玩家体感较低，暂作为探索机制保留。

### 一、七机制四维度判断

#### 私有性机制（重点机制）

模型信号最强。第三轮严格36变量全量模型中三个变量变量排名靠前，说明模型高度依赖"个人可获得收益"和"个人投入能否回流到自己"这类变量。

理论解释：

私有性可清楚进入玩家效用函数——个人贡献能否稳定转化为个人收益，直接影响边际收益感；个人奖励不明显时，玩家容易觉得自己是在"打工"，投入动机下降。

数据支撑：

已可稳定落表，主要来自个人奖励、个人排名、可获得奖励总量、私有化收益比例

含义清楚、缺失风险较低，但需避免将模型相关性直接解释为因果效应。

业务代表性：

玩家更在意个人奖励，因为个人奖励价值更高、内容更丰富，阵营奖励相对不高；多打可获得更多战功/旌旗，排名更高、兑换物更多，与玩家真实投入动机高度一致。

本阶段重点机制。理由是模型信号强、理论解释清楚、变量支撑稳定，与玩家真实体感高度一致。

#### 激励性机制（重点机制）

中高强度信号。变量反映奖励可达性、排名距离和追赶压力，对综合投入有较明显解释价值。

理论解释

可解释玩家为什么"继续加码"——接近下一档奖励、排名临近突破或被追赶时，继续投入的边际收益上升；

但激励非线性，差距过大时玩家可能保留资源到下次活动。

数据支撑

主要来自奖励配置、榜单、积分差、排名差和奖励可达性计算，可复现性较好，但需重点维护奖励档位映射（不同月份/版本配置会变化）。

业务代表性

"想拿奖励就会投入"是直接动机，但存在可达性和阈值判断，并非简单的"奖励越高投入越高"。

本阶段重点机制。理由是奖励规则载体明确，模型信号稳定，能较好解释边际收益变化、加码投入和阶段性放弃。

#### 公平性机制（重点机制）

单个变量排名不一定最靠前，但整体变量覆盖较完整更像是影响投入环境的结构性机制，而非单个强特征机制。

理论解释：

主要影响玩家对胜率预期和投入有效性的判断。

赛局明显失衡时，弱势方觉得追不上、优势方缺少竞争压力。可进入博弈论中的胜率预期、参与约束和边际收益预期。

数据支撑：

可通过参与名单、阵营人数、战力分布、联盟结构和质量匹配代理构建，支撑度较好

但部分变量是研究者构造的代理口径，需在论文中标注。

业务代表性：

玩家通过查看对手资料、VIP等级、上赛季等级判断对面实力，发现明显不平衡可能减少投入；

公平性的直接体感不如奖励强，但决定玩家是否觉得"这局值得打"。

本阶段第三个重点机制。理由是模型信号弱于私有性和激励性，但理论解释力、数据覆盖度和业务结构意义较强。

#### 补偿性机制

变量已能进入模型并有一定 SHAP 贡献。

理论解释：更适合解释"为什么玩家还能继续参与"，而非"为什么一开始就高投入"。治疗、征兵、恢复机制降低继续参与成本，对落后方或受损玩家有支撑作用。

数据支撑：

变量都可构建，但部分仍是代理口径（通过恢复能力、建筑、道具间接表示），需进一步确认更准确的治疗、征兵、恢复字段。

业务代表性：

治疗、征兵、恢复是基础机制，体感存在，但更像基础保障

落后不多时玩家会追，落后太多时仅靠补偿机制很难重新投入。

暂不作为三大重点机制，保留为重点候选。理由是有现实意义和一定模型信号，但代理性仍较强，更适合后续在"持续参与能力"或"落后追赶空间"中展开。

#### 互补性机制

有一定信号，变量排名较靠前，说明大臣委派、建筑效果、Buff 暴露等变量与综合投入存在关系。

理论解释：

理论价值很强，但更适合解释 K 和 L 的关系——金钱/元宝投入可能通过更多兵力、更快恢复、更多操作次数放大行为投入，而非单纯替代行为时间。

数据支撑：

可通过元宝/付费投入、兵力消耗、恢复能力、操作次数、建筑、Buff、大臣委派构造，但若直接放入预测综合投入 Y 的主模型，容易出现同源解释问题（综合投入本身由 K 和 L 合成）。

业务代表性：

非常真实——花钱/花元宝后兵更多、恢复更快、次数更多；高付费玩家本质是获得更多操作机会，类似购买体力。

暂不作为三大重点机制，但保留为后续重点分析方向。更适合通过 K/L 子模型、投入结构聚类、兵力消耗行为投入模型单独分析，不适合直接作为预测综合投入的主模型核心结论。

#### 互动性机制

变量能进入模型，说明攻防事件、城池易手和战斗参与与投入存在关系。

理论解释：

可解释竞争强度和局势变化如何影响投入——被攻击、城池争夺会提高竞争感知，改变玩家对"投入能否改变局面"的判断。

数据支撑：

主要来自城池争夺、攻防、指令、占城等行为表，账户ID桥接后部分行为已可落到账户维度，但当前变量更偏"活动环境和竞争事件代理"，还不能充分代表真实协作、沟通或组织响应。

业务代表性：

城池争夺、攻防、指令是基础获得战功的行为，体感较强

但当前活动里仍有不少"自己玩自己的"情况，互动存在但不一定都是深度协作。

暂不作为三大重点机制，保留为观察机制。理由是模型信号和业务体感都存在，但当前变量更多是竞争环境代理。

#### 流动性机制

模型信号较弱，变量更多反映联盟集中度、第一大联盟占比、有效联盟数量、前两大联盟占比等组织结构特征。

理论解释：

可解释组织结构、联盟集中度和成员稳定性如何影响赛局生态，但当前赛制下活动开始后名单锁定，玩家中途流动空间有限，难以形成强机制命题。

数据支撑：

可构建，但变量主要是组织结构描述，不是玩家实际流动行为。若要真正分析流动性，需要跨期报名、联盟迁移、成员留存或长期赛季组织变化数据。

业务代表性：

影响较低，由于名单锁定，玩家很少把"能不能换组织"作为本次活动投入决策的核心因素。

判暂不作为本阶段重点机制，归入探索机制。后续如扩展到跨期赛季、联盟组织变化或报名流动，再重新评估其研究价值。