Evilom
107 lines
8.3 KiB
Markdown
107 lines
8.3 KiB
Markdown
# PVQqwCklDiMWsakMvAvcBoyanTd
|
||
|
||
Source: https://fcnlycv6dd0w.feishu.cn/wiki/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**
|
||
|
||
> :book:
|
||
**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。**
|
||
|
||
> :mag_right:
|
||
**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。
|
||
|
||
> :mag_right:
|
||
**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"。
|
||
|
||
> :mag_right:
|
||
**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"。
|
||
|
||
> :mag_right:
|
||
**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。
|
||
|
||
> :mag_right:
|
||
**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。
|
||
|
||
> :mag_right:
|
||
**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。
|
||
|
||
> :mag_right:
|
||
**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。
|
||
|
||
> :mag_right:
|
||
**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。 |