Evilom
114 lines
12 KiB
Markdown
114 lines
12 KiB
Markdown
# 2026.06.17-日报-夏莲
|
||
|
||
Source: feishu docx QEsZdS4wVo8UdaxM635cvEAvnZg
|
||
Fetched: 2026-06-18
|
||
|
||
---
|
||
|
||
# 2026.06.17-日报-夏莲
|
||
## 一、今日内容概述
|
||
- 梳理聚类分析在实证流程中的定位- 完成版本 A 投入结构描述性聚类试跑- 完成版本 B-lite 前置画像聚类探索性试跑- 识别聚类分析与七机制分析的口径衔接问题
|
||
|
||
## 二、聚类分析
|
||
|
||
开题报告的初步设计中，实证分析并不是只依赖单一模型，而是由**“机制识别”+“异质性分析”**两类工作共同组成。- **机制识别：**
|
||
主要用于判断哪些规则机制更可能影响综合投入- **异质性分析：**
|
||
观察不同类型的团体、玩家或赛局状态下，机制作用是否存在差异。
|
||
**对应到具体方法上，主要包括三个部分：**>
|
||
**XGBoost：**用于辅助筛选重要机制变量，判断哪些机制与综合投入之间的关系更突出。
|
||
**SHAP：**用于解释重点机制变量的作用方向、非线性关系和边界特征。
|
||
**聚类分析：**用于识别不同群体类型，为后续比较重点机制在不同群体中的表现差异提供分组基础。
|
||
|
||
#### **整理【聚类分析】在当前实证流程中的具体位置**
|
||
|
||
结合阶段四和阶段五的实证流程，聚类分析主要衔接两个环节：
|
||
#### **16. 聚类 / 分群辅助检查（阶段四）**
|
||
|
||
**阶段四重点：**聚类分析主要用于判断当前数据是否能够形成可解释的群体分组>
|
||
检查数据是否支持聚类、分群结果是否具有业务解释性，以及后续是否可能服务于异质性分析。
|
||
**聚类分析主要辅助判断：**- 当前样本中是否存在不同类型的团体或投入结构- 聚类结果是否具有业务解释性- 聚类标签后续是否有可能回填到主分析底表- 当前数据还缺少哪些前置画像字段或正式粒度字段- 聚类结果后续能否服务于重点机制的异质性分析
|
||
#### **18. 聚类分组下的机制差异比较（阶段五）**
|
||
|
||
**阶段五重点：比较重点机制在不同群体类型下是否存在表现差异。**>
|
||
等重点机制基本确定以后，再观察这些重点机制在不同群体中的作用是否不同，从而服务于机制解释、异质性分析和分层治理建议。>
|
||
**聚类分析是服务于“重点机制解释”和“分层治理建议”的辅助模块**
|
||
---
|
||
|
||
## 三、聚类分析试跑与初步判断
|
||
>
|
||
在等待数据返回期间，试跑聚类分析。主要是为了提前发现数据口径、样本粒度和变量边界上的问题，为后续正式进入阶段五做准备。
|
||
### （一）版本 A：投入结构描述性聚类
|
||
|
||
**主要识别：**当前样本在 K / L 投入结构上的差异，观察不同样本是否呈现出高 K 高 L 综合投入、行为驱动、低行为弱投入或低参与均衡弱投入等类型特征。
|
||
#### **样本和输入变量：**
|
||
- **样本： 1301 条**>
|
||
说明：本轮使用的是当前阶段四已有的活动层试跑口径，主要用于验证投入结构聚类是否能够跑通。它还不是后续正式论文中更理想的“团体-赛局-期”聚类口径。- **本轮聚类输入变量包括：**>
|
||
K_main_full_z：货币投入 K 的标准化结果，用于反映样本的竞赛相关货币投入水平。
|
||
L_main_full_z：行为投入 L 的标准化结果，用于反映样本的竞赛相关行为投入水平。
|
||
K_minus_L_full：K 与 L 的结构差异，用于观察样本更偏货币投入还是更偏行为投入。
|
||
另外，保留以下变量用于聚类结果后的描述性对比，但不作为聚类输入：>
|
||
Y_main_full_z：综合投入 Y 的标准化结果，用于观察不同聚类类型的总体投入水平。
|
||
K_L_Balance_full：K-L 投入平衡度，用于辅助判断不同类型样本的投入结构是否均衡。
|
||
本轮聚类主要基于 K、L 及 K-L 结构差异进行分群，Y 和 K-L 平衡度只用于解释聚类结果，不参与聚类计算。
|
||
#### **聚类分析方法评估（KMeans 试跑与 GMM 对照）**
|
||
|
||
本轮版本 A 属于投入结构描述性聚类，主要用于观察当前样本在货币投入 K 与行为投入 L 上是否存在不同结构类型。为避免依赖单一算法，本轮同时使用 KMeans 和 Gaussian Mixture Model（GMM）进行对照试跑，并分别测试 k=3、k=4、k=5、k=6 四种聚类数量。- **分析方法：** K-Means 聚类 \text{v.s.} 高斯混合模型（GMM）- **聚类数量测试范围：** k=3, \ k=4, \ k=5, \ k=6- **主要评估指标：**轮廓系数、Calinski-Harabasz 指标、Davies-Bouldin 指标、样本分布和业务可解释性
|
||
**图表说明：**本图用于比较不同聚类方法和 k 值下的模型表现。综合指标结果和业务解释性，本轮暂时选择 KMeans + k=4 作为版本 A 的可解释输出方案。
|
||
|
||
#### **KMeans (****k=4****) 分群方案选择与决策逻辑**
|
||
|
||
从本轮试跑结果看，KMeans 在当前数据和测试范围内整体表现相对更稳，且结果更便于解释。k=3 和 k=4 均具备一定解释性，但 k=3 的分类相对较粗，更多体现高低投入差异，难以进一步区分 K/L 结构上的不同类型。
|
||
本轮暂时选择 KMeans + k=4 作为版本 A 的主输出方案，主要基于以下考虑：- k=4 能够在保持样本量相对均衡的同时，更清楚地区分不同 K/L 投入结构。- 相比 k=3，k=4 可以进一步识别出高 K 高 L、行为驱动、低行为弱投入等结构差异。- 相比 k=5 或 k=6，k=4 的分类结果更简洁，业务解释成本更低。- 四类样本规模均未出现极端小样本，具备基本描述性解释价值。
|
||
|
||
**图表说明：**本图展示了四类样本在 K/L 投入结构上的分布情况。结果表明，不同聚类类型在货币投入和行为投入上存在一定结构差异，本轮聚类用于描述投入结构分群，但不作为正式异质性分析标签。
|
||
---
|
||
|
||
### （二）版本 B：前置画像聚类
|
||
|
||
**主要识别：**样本在投入结果形成之前，是否已经存在不同的前置画像类型。
|
||
关注“样本本身具有什么基础特征和早期行为特征”，例如基础强度、付费基础、活动规模、早期战斗参与和早期攻防行为等。
|
||
#### 样本和输入变量：
|
||
- **样本：1297 条**>
|
||
说明：本轮原始样本为 1301 条。第二轮根据 activity_player_n < 15 及玩家层聚合缺失规则剔除异常样本，共剔除 4 条，最终保留 1297 条样本。- **本轮版本 B-lite 的输入变量主要来自阶段四统一分析底表和玩家层聚合字段，重点包括：**>
|
||
activity_player_n：活动参与人数，用于反映样本规模。
|
||
server_id_check_n：服务器数量检查字段，用于辅助判断服务器覆盖情况。
|
||
area_id_check_n：区服数量检查字段，用于辅助判断区服覆盖情况。
|
||
faction_n：阵营数量，用于反映阵营结构。
|
||
alliance_n：联盟数量，用于反映组织结构。
|
||
camp_size_ctrl_z：阵营规模控制变量，用于反映阵营规模差异。
|
||
player_count_cv_recalc_z：玩家数量变异系数，用于反映结构均衡程度。
|
||
Interaction_Battle_Engagement_Lag_z：滞后战斗参与强度，用于反映前期/滞后窗口的战斗参与情况。
|
||
Interaction_City_Turnover_Early_z：早期城池归属变化，用于反映早期攻防互动情况。
|
||
level_mean：平均等级，用于反映基础强度。
|
||
vip_level_mean：平均 VIP 等级，用于反映付费基础。
|
||
说明：本轮输入变量中仍包含部分灰名单代理变量，仅用于探索性试跑。后续进入正式版版本 B，还需要重新进行白名单、灰名单和黑名单审计。
|
||
#### 当前形成的四类前置画像类型
|
||
|
||
本轮版本 B 同样采用 KMeans 与 GMM 进行对照试跑，并测试 k=3、k=4、k=5、k=6。综合模型指标、样本分布和业务解释性后，暂时选择 KMeans + k=4 作为本轮探索性输出方案。[嵌入表格]
|
||
> #### 试跑结果
|
||
>
|
||
版本 B 的试跑流程已经走通，剔除异常小样本后，当前阶段四底表可以支持一版前置画像近似聚类试跑，并初步识别出不同基础强度、付费基础、活动规模和早期行为特征的样本类型。
|
||
> #### 边界说明
|
||
>
|
||
当前结果属于探索性试跑，不是正式论文版版本 B。正式版本后续要使用**“团体-赛局-期”**口径，重新完成样本单位、主键、时间窗口、前置画像字段和灰名单变量审计。这部分将在第二轮数据返回后，结合正式变量池一起推进。
|
||
---
|
||
|
||
## 四、聚类分析与机制分析的口径衔接问题
|
||
|
||
通过今天对聚类分析的整体梳理和试跑，进一步发现一个需要后续重点关注的问题：**聚类分析与当前七机制分析的样本层级和分析口径并不完全一致。**
|
||
目前七机制分析主要还是按照现有数据条件分层推进：- **赛局层：**主要用于互动性、公平性、流动性等机制分析。- **个体层：**主要用于私有性、互补性等机制分析。
|
||
而聚类分析如果后续要进入正式异质性分析，**更理想的方向是围绕“团体-赛局-期”形成分组标签，再比较不同团体类型下重点机制的表现差异。**>
|
||
**后续重点关注：**聚类分析后续不能只看“能不能分群”，还需要进一步解决一个接口问题：> - 聚类标签能否与后续机制分析的样本单位、主键、时间窗口和变量口径对齐。- **口径对齐包括：**样本对象、样本粒度、主键、时间窗口、变量属性、数据来源、构造方式、是否可回填、是否有结果回灌风险、后续用途。
|
||
**目前的推进方式：**
|
||
机器学习机制筛选先按现有赛局层、个体层口径继续试跑，聚类分析也先按可行口径进行试跑和字段盘点，先发现数据、样本粒度和变量边界上的问题。后续在七机制补数完成、第二轮试跑结束，并初步筛选出 2–3 个重点机制后，再进行正式口径统一。
|
||
**后续推进：**- **阶段二：定变量**
|
||
完成七机制变量补充、方向统一和初步筛选，同时区分机制变量、结果变量、画像变量和聚类候选变量。- **阶段三：定样本与统一底表**
|
||
锁定正式样本单位、主键和时间窗口，建立统一分析底表，并完成聚类字段白名单、灰名单、黑名单划分。聚类分析与机制分析的正式口径统一，主要在这一阶段完成。- **阶段四：试跑与验证**
|
||
在统一底表基础上，同时推进机制分析和聚类分析试跑，验证字段是否可用、聚类是否可解释、聚类标签是否能够回填到主分析底表。- **阶段五：正式使用与结果解释**
|
||
在重点机制确定后，正式使用聚类标签开展异质性分析，比较不同群体下重点机制的表现差异，并将结果转化为机制解释和分层治理建议。
|
||
---
|
||
> ### 总结：
|
||
>
|
||
当前实证阶段的核心目标，**是从七机制中筛选出后续适合重点解释的机制。筛选过程需要结合七机制试跑、变量池复核、聚类可行性分析和理论对齐共同判断。**
|
||
- 今天在梳理聚类分析时进一步明确，**“重要机制”不能简单等同于 XGBoost 排名靠前的机制**，**也不能只看某一次模型结果**。真正适合作为论文重点机制的内容，需要同时满足以下条件：**理论能讲：**机制需要能够回到博弈论、机制设计或平台治理主线中，具备清晰解释逻辑。- **数据能算：**机制变量需要有稳定数据来源、清晰字段口径和可复核的构造方式。- **结果稳定：**机制需要在单机制试跑、联合比较、替代变量检验和不同样本中保持相对稳定。- **口径能对齐：**机制分析、聚类分析和异质性分析之间，需要在样本单位、主键、时间窗口和变量边界上能够衔接。- **管理有意义：**机制结果需要能够转化为平台规则优化、活动运营和分层治理建议，而不只是模型排序结果。
|
||
在第二轮数据返回后、正式试跑前，需要提前设置好各环节需要统一的口径和条件。把多维度要求考虑进来，减少后续返工。 |