dc-docs/output/feishu-docs/Oh5UdCQdGoDJVIxSmRBcgu2pnDb.md

Oh5UdCQdGoDJVIxSmRBcgu2pnDb

Source: https://fcnlycv6dd0w.feishu.cn/docx/Oh5UdCQdGoDJVIxSmRBcgu2pnDb

一、 今日内容概述

1. 完成互动性机制变量池整理 auto. 补充七机制入模前流程说明 auto. 反馈激励性机制关键字段缺失问题

二、互动性机制

互动性机制主要关注：赛局中阵营之间的真实竞争互动是否被持续激活，以及这种竞争互动环境是否与玩家后续投入存在关系。

理论来源：

互动性机制可以追溯到重复博弈中的默契合作与低竞争均衡问题。在长期重复互动中，如果玩家预期未来合作收益较高，可能形成类似“种田协议”的低冲突状态，使赛局竞争热度下降，活动逐渐进入低对抗、低争夺的稳定状态。

• 当前互动性机制并不是直接识别玩家之间是否存在共谋，而是将这一理论逻辑转化为可观测的竞争互动环境。

变量挑选逻辑：

1. 能够反映真实竞争互动 变量需要直接反映阵营之间是否发生攻城、防守、城池争夺等真实竞争行为，而不是一般社交行为。 auto. 能够对应具体游戏规则、真实埋点数据 变量需要能够落到游戏规则中的具体机制载体，在现有埋点中找到可用字段支撑。 auto. 时间边界相对清楚 主变量优先采用首日、早期窗口或近似滞后口径，尽量刻画玩家进入后续投入阶段前所处的竞争互动环境，避免与同轮行为投入或全期结果发生重叠。 auto. 具备变量保留价值 变量需要在 3 月样本、5 月样本及合并样本中，与综合投入（）、行为投入（）和金钱投入（）呈现较稳定的方向关系，才能进入主变量或补充变量候选。

（一）变量选择

前期攻防（IB_Lag）

正式变量名：Interaction_Battle_Engagement_Lag 用于刻画：赛局前期或上一时间窗口内，阵营之间的攻城、防守互动强度。 如果首日就出现较多攻城、防守指令，说明阵营之间已经发生真实攻防互动，赛局没有停留在低冲突、低对抗状态。这个变量可以反映出赛局早期竞争互动环境是否被激活。

• 机制含义：它测量的是阵营之间的攻防互动强度，能够直接反映竞争互动是否被激活，而不是社交行为。
• 时间边界：它用首日 / 近似滞后口径，尽量表示“进入当前投入阶段前的互动环境”。
• 实际数据试跑：在 3 月样本、5 月样本及合并样本中，前期攻防与综合投入、行为投入和金钱投入呈稳定正向关系。其中，该变量与行为投入之间的关系最为明显。

早期城池归属变化（IC_Early）

正式变量名：Interaction_City_Turnover_Early 用于刻画：赛局早期城池归属是否发生变化，赛局早期有没有进入真实争夺状态。 如果赛局早期已经出现城池归属变化，说明不是只有一方静态占城，也不是阵营之间没有行动，而是城池归属已经发生变化。可以反映阵营之间是否已经出现真实竞争。

• 机制含义：城池归属变化是竞争互动的过程表现，说明阵营之间确实发生了围绕城池归属的争夺。
• 时间边界：采用早期窗口口径，只观察赛局早期城池归属变化情况，避免直接使用全期城池归属变化，降低与整期行为投入 L 的重叠风险。
• 实际数据试跑：在 3 月样本、5 月样本及合并样本中，早期城池归属变化与综合投入、行为投入和金钱投入均呈稳定正向关系。

都城争夺（Capital_Fight）

正式变量名：Interaction_Capital_Contest 用于刻画：赛季中后期都城等关键节点是否形成争夺。 都城通常是赛局中的重要战略节点。如果围绕都城出现攻防和占领事件，说明赛局中后期仍然存在冲突和竞争。这个变量可以作为“关键节点冲突”的补充观察。

• 机制含义：都城争夺属于阵营之间的竞争互动，能够反映赛季中后期关键节点是否被激活。
• 时间边界：它更偏向赛季中后期节点，不如“前期攻防”和“早期城池归属变化”更适合代表进入当前投入阶段前的互动环境。
• 实际数据试跑：在单变量模型中方向较稳定，但整体稳定性和解释强度弱于前两个主变量。

全期城池归属变化（City_Turnover）

正式变量名：Interaction_City_Turnover 用于刻画：整个赛季中城池归属是否持续发生变化。 如果整个赛季中城池多次发生归属变化，说明阵营之间存在持续争夺。可以反映赛局整体层面的竞争互动强度。

• 机制含义：全期城池归属变化能够反映整个赛季的城池争夺强度。
• 时间边界：它使用的是全期口径，可能包含整个赛季中的行为投入和后期赛局状态，与整期行为投入 L 存在一定重叠风险。
• 实际数据试跑：变量方向较稳定，也可以验证互动性总体方向是否一致，但由于全期口径边界不如早期窗口干净，因此不适合作为主变量。

追赶压力（Comp_Pressure）

正式变量名：Interaction_Competition_Pressure 用于刻画：阵营积分差或排名差是否形成追赶压力。 这个变量原本希望反映阵营之间的竞争压力。但它主要来自阵营榜单中的积分和排名信息，而积分、排名更接近赛局结算结果，不是纯粹的前置互动环境。

• 机制含义：追赶压力在理论上与竞争有关，但它更接近竞争结果形成后的压力，不完全等同于赛前或赛中的互动环境。
• 时间边界：变量来自结算榜单，存在结果信息回灌风险，不适合作为互动性机制的主变量。
• 实际数据试跑：在 3 月样本、5 月样本及合并样本中，变量与综合投入、行为投入和金钱投入之间的关系不够稳定。

---

三、七机制进入机器学习前的变量构造与验证流程

（一）为什么需要整理这套流程

当前七机制研究已经进入从理论机制、规则条款、数据字段向机器学习变量池转化的阶段。由于基于博弈论抽象出的七大机制本身属于理论构念，并不是游戏埋点表中天然存在的字段，所以不能直接将原始字段放入 XGBoost / SHAP 模型。 如果没有统一流程，容易出现四类问题：

1. 机制定义和规则映射不清，导致不同机制边界重叠，变量缺少明确规则依据。 auto. 字段口径、粒度、合并键和时序口径不一致，导致变量无法复核、无法合并或影响后续联合建模。 auto. 结果字段、同轮 K/L/Y 行为或后验结算字段被误当作解释变量。 auto. 机器学习模型虽然可以输出变量重要性，但变量本身缺少理论解释价值。 所以需要先建立一套“进入机器学习前”的标准整理流程，用于规范七机制变量从理论概念到公共变量池的转化路径。流程的目的，是保证后续进入 XGBoost / SHAP 的变量，既有理论来源，也有规则依据和数据支撑。

（二）相关方法论依据

当前流程可以从五类方法论中获得支撑。

构念操作化

七机制本身属于理论构念，例如公平性、激励性、互补性、互动性等，并不是数据表中天然存在的字段。因此，需要先将理论构念转化为游戏规则中的机制载体，再进一步转化为可观察指标和可计算变量。

• 方法论依据：社会科学研究中的构念操作化和构念效度 Cronbach 与 Meehl（1955）：在构念效度研究中强调，当一个测量结果被解释为某种属性或理论构念的测量时，需要明确该构念与观察指标之间的关系。 Adcock 与 Collier（2001）：经验研究中经常需要将抽象概念转化为可观察和可测量的指标，因此必须关注概念、测量和观察之间的有效连接。 主要对应当前流程中的第一阶段，并延伸到第二阶段的候选变量构造环节： 机制概念提出 → 机制定义与理论边界 → 游戏规则载体识别 → 字段映射与可得性检查 → 候选机制变量构造与操作化

测量效度

机制变量应当真正反映对应机制，而不能把与活动结果有关的字段直接当成机制变量。

• 方法论依据：社会科学研究中的测量效度、构念效度与测量模型设定。 Cronbach 与 Meehl（1955）：构念效度要求研究者说明测量指标与理论构念之间的对应关系。 Adcock 与 Collier（2001）：测量有效性本身就是经验研究中的重要方法问题，需要关注概念、指标和经验观察之间的对应关系。 MacKenzie、Podsakoff 与 Jarvis（2005）：如果构念与指标之间的测量关系被错误设定，可能导致研究结论出现偏误。
• 对应环节： 字段映射与可得性检查 → X/Y 边界与时序检查 → 后验结果字段排除 → 同轮 K/L/Y 重叠字段排除。

数据挖掘流程

数据挖掘与机器学习建模前，需要经历问题理解、数据理解、数据准备、变量构造和变量筛选。

• 方法论依据： CRISP-DM 数据挖掘流程 CRISP-DM：将数据挖掘项目划分为业务理解、数据理解、数据准备、建模、评估和部署等阶段，强调在正式建模之前，需要先完成问题理解、数据理解和数据准备工作。
• 对应关系：

1. 机制定义与规则载体识别 → 研究问题理解 auto. 字段映射与可得性检查 → 数据理解 auto. X/Y 边界与时序检查、候选变量构造 → 数据准备 auto. 单机制试跑与机制内部筛选 → 建模前变量评估 auto. 公共变量池与联合入模前检查 → 机器学习建模前的最终数据准备

特征工程与变量筛选

进入模型前，需要判断变量是否具有理论含义、数据质量是否稳定、缺失是否可控、是否与其他变量高度重复，以及是否具有解释价值。

• 方法论依据：机器学习中的特征工程和变量筛选。 Guyon 与 Elisseeff（2003）：在变量与特征选择研究中指出，特征选择不仅有助于提升预测表现，也有助于降低模型复杂度，并帮助理解数据背后的生成过程。 Kuhn 与 Johnson（2013）：强调预测建模前的数据预处理、训练测试集划分、变量处理和模型评估，是建模流程中的关键环节。
• 对应关系：

1. 候选变量是否能够正常计算 auto. 变量分布、缺失和极端值是否可控 auto. 变量方向是否符合理论预期 auto. 变量与 Y/K/L/K-L 的关系是否具有稳定性 auto. 变量是否与其他机制变量高度重复 auto. 变量是否适合作为主保留变量、结构补充变量、备选变量或暂缓变量 候选机制变量构造与操作化 → 单机制试跑与可执行性验证 → 机制内部筛选与分层保留 → 主保留变量、结构补充变量、备选变量和暂缓变量划分。

入模前边界控制

研究需要避免用同轮K/L/Y、战功、排名、胜负、领奖等结果字段反推机制变量，否则可能造成解释变量中混入结果信息，影响后续模型判断。

• 方法论依据：机器学习中的信息泄漏控制与分组交叉验证思想。 Kaufman、Rosset 与 Perlich（2011）：指出信息泄漏是指将建模时不应可用的目标信息引入模型变量，从而造成模型表现虚高或解释失真。 GroupKFold 等分组交叉验证思想：强调同一组样本不应同时出现在训练集和测试集中。
• 对应关系： X/Y 边界与时序检查 → 后验结果字段排除 → 滞后变量或赛前变量处理 → 联合入模前检查 → 分组切分方案确认。

（三）流程图及说明

图示说明： 展示七机制变量进入联合分析前的整理与验证流程。整体包括机制拆解、机制验证和联合准备三个阶段：首先明确各机制的理论边界、规则载体和字段口径。其次基于真实埋点数据构造候选机制变量，并通过单机制试跑检验变量方向一致性、关系稳定性和解释价值。最后将通过检验的变量接入统一变量池，开展缺失、共线、结果信息混入和分组切分等联合入模前检查。单机制试跑属于变量预检环节，不等同于因果识别或正式机器学习建模。

（四）变量池整理进展

总结：

第一阶段目标：聚焦重点博弈论机制 具体步骤：

1. 先分析七大机制，并结合游戏规则提取可观测的机制变量。 auto. 严格按照变量构造流程，建立“全量机制池”并进行单机制试跑。 auto. 先结合单机制试跑结果进行初筛，后续再结合机器学习结果提取重点分析机制 这是理想情况，如果所有变量跑出来的结果都不理想则更换第二方案。 目前完成进度：
2. 已进入“全量机制池”：公平性、私有性、互补性、互动性 auto. 待定机制：激励性（还缺少日级/阶段级排名、进度和奖励距离等关键观测字段）——待更新数据后再重新试跑。 auto. 待交叉检验：补偿性、流动性（计划明日进行） auto. “全量机制池”建立完毕后，会进行内部变量去重、联合分析和机器学习方法准备