Evilom
21 lines
18 KiB
JSON
21 lines
18 KiB
JSON
{
|
||
"ok": true,
|
||
"identity": "user",
|
||
"data": {
|
||
"document": {
|
||
"content": "<title>2026.06.17-日报-夏莲</title><h2>一、今日内容概述</h2><ol><li seq=\"1\">梳理聚类分析在实证流程中的定位</li><li>完成版本 A 投入结构描述性聚类试跑</li><li>完成版本 B-lite 前置画像聚类探索性试跑</li><li>识别聚类分析与七机制分析的口径衔接问题</li></ol><p></p><h2>二、聚类分析</h2><p>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<b><u>“机制识别”+“异质性分析”</u></b>两类工作共同组成。</p><ul><li><b>机制识别：</b><p>主要用于判断哪些规则机制更可能影响综合投入</p></li><li><b>异质性分析：</b><p>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。</p></li></ul><p><b>对应到具体方法上，主要包括三个部分：</b></p><blockquote><p><b>XGBoost：</b>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。</p><p><b>SHAP：</b>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。</p><p><b>聚类分析：</b>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。</p></blockquote><p></p><h4><b>整理【聚类分析】在当前实证流程中的具体位置</b></h4><p>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：</p><img name=\"image.png\" alt=\"图片中是实证研究流程图。图中以六阶段划分，从研究准备到研究输出。阶段四“聚类 addCriterion类/分群辅助检查”被红色框突出显示，位于阶段四“联合建模与机器学习初筛”之后，是该阶段的重点内容。该图片 addCriterion图片与上下文紧密相关，上下文提到聚类分析主要用于判断当前数据是否能形成可解释群体分组，辅助判断当前样本中是否存在不同 addCriterion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等，图片直观呈现了聚类分析在实证研究流程中的位置，帮助理解其在上下文中的重要性。\" href=\"https://internal-api-drive-stream.feishu.cn/space/api/box/stream/download/authcode/?code=NDYxMzk1MmM1ODFiMDgyZjE5MjM3N2U3OTg4N2U4MGNfNDA3M2NiNWZhMDg2MWJlZjBkZmEyMjNmMmU3MWMzZGFfSUQ6NzY1MjM1MDE3NDI5MTEwMjk1Ml8xNzgxNzQ3NjM1OjE3ODE3NTEyMzVfVjM\" mime=\"image/png\" scale=\"1.000000\" src=\"YGJgbYLv7oJzDUxrKuycsraRndb\"/><h4><b>16. 聚类 / 分群辅助检查（阶段四）</b></h4><p><b>阶段四重点：</b>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</p><blockquote><p>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。</p></blockquote><p><b>聚类分析主要辅助判断：</b></p><ul><li>当前样本中是否存在不同类型的团体或投入结构</li><li>聚类结果是否具有业务解释性</li><li>聚类标签后续是否有可能回填到主分析底表</li><li>当前数据还缺少哪些前置画像字段或正式粒度字段</li><li>聚类结果后续能否服务于重点机制的异质性分析</li></ul><h4><b>18. 聚类分组下的机制差异比较（阶段五）</b></h4><p><b>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。</b></p><blockquote><p>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。</p></blockquote><callout emoji=\"◾\"><p><b>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</b></p></callout><hr/><h2>三、聚类分析试跑与初步判断</h2><blockquote><p>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。</p></blockquote><h3>（一）版本 A：投入结构描述性聚类</h3><p><b>主要识别：</b>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。</p><h4 seq=\"1\" seq-level=\"auto\"><b>样本和输入变量：</b></h4><ul><li><b>样本： 1301 条</b><blockquote><p>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。</p></blockquote></li><li><b>本轮聚类输入变量包括：</b><blockquote><p>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。</p><p>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。</p><p>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。</p></blockquote><p>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：</p><blockquote><p>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。</p><p>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。</p></blockquote></li></ul><p>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。</p><h4 seq=\"auto\" seq-level=\"auto\"><b>聚类分析方法评估（KMeans 试跑与 GMM 对照）</b></h4><p>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。</p><ul><li><b>分析方法：</b> K-Means 聚类 <latex>\\text{v.s.}</latex> 高斯混合模型（GMM）</li><li><b>聚类数量测试范围：</b> <latex>k=3, \\ k=4, \\ k=5, \\ k=6</latex></li><li><b>主要评估指标：</b>轮廓系数、Calinski-Harabasz 指标、Davies-Bouldin 指标、样本分布和业务可解释性<img name=\"Appendix_A1_cluster_model_selection.png\" alt=\"图片为版本A聚类模型选择指标对比图，包含轮廓系数、Calinski-Harabasz指标、Davies-Bouldin指标三张子图。轮廓系数图中，KMeans聚类的轮廓系数在k=4时最高；Calinski-Harabasz指标图中，k=4时GMM指标最高；Davies-Bouldin指标图中，k=4时KMeans指标最低。红点标记本轮主输出版本为KMeans + k=4。该图与上下文关系紧密，用于直观呈现不同聚类方法和k值下的模型表现，辅助版本A聚类模型选择。\" caption=\"版本 A 聚类模型选择指标对比
\" href=\"https://internal-api-drive-stream.feishu.cn/space/api/box/stream/download/authcode/?code=OTA1Yjc3YzNkYWE3YmUzNzk0MGQ1M2EwMzg0YzE5NWRfM2RhZTAwZWU2ZWI3YTY5YWNhYjkwZTBmMDMwNjAxZjZfSUQ6NzY1MjM2Njc4NDAyNDI2Nzc0Ml8xNzgxNzQ3NjM1OjE3ODE3NTEyMzVfVjM\" mime=\"image/png\" scale=\"1.000000\" src=\"RzOpbx6CHoSDd8xvVh1cqlivnpg\"/></li></ul><p><b>图表说明：</b>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。</p><p></p><h4 seq=\"auto\" seq-level=\"auto\"><b>KMeans (</b><b><latex>k=4</latex></b><b>) 分群方案选择与决策逻辑</b></h4><p>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。</p><p>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：</p><ul><li>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。</li><li>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。</li><li>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。</li><li>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。</li></ul><grid><column width-ratio=\"0.500000\"><img name=\"Figure_A1_KL_cluster_scatter.png\" alt=\"图片为 addCriterion()\" caption=\"版本 A：K-L 投入结构聚类分布
\" crop=\"[0.000000,0.000000,1.000000,0.942100]\" href=\"https://internal-api-drive-stream.feishu.cn/space/api/box/stream/download/authcode/?code=NTQyZjg3NDY4YTZjOWEwYWZkMjBlYmMxYjcwYmU1YjBfNWI1MTVhYTJkYTUxODM3NGY4MWJlNmU1MTg5NGY0ZDVfSUQ6NzY1MjM2NzM4NjU4NjI4NzA1Ml8xNzgxNzQ3NjM1OjE3ODE3NTEyMzVfVjM\" mime=\"image/png\" scale=\"0.161527\" src=\"Dc30bJCvBothrIxAquRcMqJmnwd\"/></column><column width-ratio=\"0.500000\"><p></p></column></grid><p><b>图表说明：</b>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。</p><hr/><h3>（二）版本 B：前置画像聚类</h3><p><b>主要识别：</b>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。</p><p>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。</p><h4 seq=\"1\" seq-level=\"1\">样本和输入变量：</h4><ul><li><b>样本：1297 条</b><blockquote><p>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。</p></blockquote></li><li><b>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：</b><blockquote><p>activity_player_n：活动参与人数，用于反映样本规模。</p><p>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。</p><p>area_id_check_n：区服数量检查字段，用于辅助判断区服覆盖情况。</p><p>faction_n：阵营数量，用于反映阵营结构。</p><p>alliance_n：联盟数量，用于反映组织结构。</p><p>camp_size_ctrl_z：阵营规模控制变量，用于反映阵营规模差异。</p><p>player_count_cv_recalc_z：玩家数量变异系数，用于反映结构均衡程度。</p><p>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。</p><p>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。</p><p>level_mean：平均等级，用于反映基础强度。</p><p>vip_level_mean：平均 VIP 等级，用于反映付费基础。</p></blockquote></li></ul><p>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。</p><h4 seq=\"auto\" seq-level=\"auto\">当前形成的四类前置画像类型</h4><p>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。</p><sheet sheet-id=\"59FY1v\" token=\"SDLAsAbtnhIcaxtq8F3cdnq6nrd\"></sheet><grid><column width-ratio=\"0.500000\"><img name=\"image.png\" alt=\"图片为版本B - lite前置画像聚类画像对比图，展示了四类前置画像类型在活动人数、基础等级、VIP等级、早期战斗参与、早期攻防表现等方面的相对强度。其中，高基础强度/高付费基础/高早战参与型表现最优，活动人数相对强度为88.47，基础等级为3.88；规模在但前期发动偏弱型表现次之，活动人数相对强度为79.18；高基础强度/高付费基础型表现稍弱，活动人数相对强度为66.12；高早战参与/高早期攻防型表现最弱，活动人数相对强度为75.02。该图与上下文介绍的版本B试跑结果相呼应，直观呈现了不同类型的相对强度情况。\" href=\"https://internal-api-drive-stream.feishu.cn/space/api/box/stream/download/authcode/?code=ZTk2NDUyNjBiZWFhNTAzNGI3YzhkZjIxMDY2ZmVjMDVfOGViM2E0ZWQ5ZmU5YWZjODFhYjUxNTMzNTg0YzMxM2FfSUQ6NzY1MjQwMTkxNzA1NTQyMTQxM18xNzgxNzQ3NjM1OjE3ODE3NTEyMzVfVjM\" mime=\"image/png\" scale=\"1.000000\" src=\"AYsXbCdAUoo60wxZQMHcZFDknhh\"/></column><column width-ratio=\"0.500000\"><p></p></column></grid><callout emoji=\"◾\"><h4>试跑结果</h4><p>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。</p><h4>边界说明</h4><p>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<b>“团体-赛局-期”</b>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。</p></callout><hr/><h2>四、聚类分析与机制分析的口径衔接问题</h2><p>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：<b><u>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。</u></b></p><p>目前七机制分析主要还是按照现有数据条件分层推进：</p><ul><li><b>赛局层：</b>主要用于互动性、公平性、流动性等机制分析。</li><li><b>个体层：</b>主要用于私有性、互补性等机制分析。</li></ul><p>而聚类分析如果后续要进入正式异质性分析，<b>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。</b></p><callout emoji=\"◾\"><p><b>后续重点关注：</b>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：</p><blockquote><ul><li>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。</li><li><b>口径对齐包括：</b>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。</li></ul></blockquote></callout><p><b>目前的推进方式：</b></p><p>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。</p><p><b>后续推进：</b></p><ul><li><b>阶段二：定变量</b><p>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。</p></li><li><b>阶段三：定样本与统一底表</b><p>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。</p></li><li><b>阶段四：试跑与验证</b><p>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。</p></li><li><b>阶段五：正式使用与结果解释</b><p>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。</p></li></ul><hr/><callout emoji=\"◾\"><h3>总结：</h3><p>当前实证阶段的核心目标，<b><u>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。</u></b></p><p></p><ul><li>今天在梳理聚类分析时进一步明确，<b>“重要机制”不能简单等同于 XGBoost 排名靠前的机制</b>，<b>也不能只看某一次模型结果</b>。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：<ol><li seq=\"1\"><b>理论能讲：</b>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。</li><li><b>数据能算：</b>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。</li><li><b>结果稳定：</b>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。</li><li><b>口径能对齐：</b>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。</li><li><b>管理有意义：</b>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。</li></ol></li></ul><p>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。</p></callout>",
|
||
"document_id": "QEsZdS4wVo8UdaxM635cvEAvnZg",
|
||
"revision_id": 859
|
||
},
|
||
"log_id": "20260618095354AA45F5D0F8A7E5D160DC"
|
||
},
|
||
"_notice": {
|
||
"update": {
|
||
"command": "lark-cli update",
|
||
"current": "1.0.32",
|
||
"latest": "1.0.54",
|
||
"message": "lark-cli 1.0.54 available, current 1.0.32, run: lark-cli update"
|
||
}
|
||
}
|
||
}
|