Evilom
21 lines
7.6 KiB
JSON
21 lines
7.6 KiB
JSON
{
|
||
"ok": true,
|
||
"identity": "user",
|
||
"data": {
|
||
"document": {
|
||
"content": "<title>2026.06.13-日报-莫润麟</title><h3>今日内容</h3><p><b>1.GPT Researcher 调研分析</b></p><p><b>2.机器学习建模前预处理</b></p><h3>一、<b>GPT Researcher 调研分析</b></h3><callout emoji=\"🔎\"><p><b>完成 GPT Researcher 工具部署，以小游戏行业为测试场景，结合宏观行业报告与微信/抖音双平台畅销榜 Top50 数据进行交叉验证，形成阶段性行业判断。</b></p></callout><h4><b>（一）GPT Researcher （GitHub开源项目）是什么</b></h4><p><b>面向深度调研场景的开源 AI 工具，核心能力是根据研究主题自动完成资料搜索、信息整合、内容归纳，并生成结构化调研报告。</b></p><p>工作原理：采用\"规划者 + 执行者 + 汇总者\"三段式代理结构：</p><ol><li seq=\"1\"><b>规划者：</b>拆解研究主题，形成具体调研子问题</li><li><b>执行者：</b>联网检索、抓取资料、逐条生成摘要</li><li><b>汇总者：</b>筛选整合各来源信息，输出结构化报告</li></ol><callout emoji=\"🔎\"><p>准确定位：<b>研究加速器，而非最终报告生成器。</b> 适合承担资料抓取、框架搭建、信息归纳等前置环节，生成内容仍需人工核验与二次加工。</p></callout><h4><b>（二）本次研究说明</b></h4><blockquote><p> 本次以\"小游戏行业发展情况\"为测试场景，分两条线推进：</p></blockquote><ul><li><b>行业报告线</b>：通过 GPT Researcher 生成宏观行业研究框架，覆盖平台生态、产品形态、商业化模式和渠道机会；通过 Codex 辅助完成部署、资料整理与可视化优化。</li><li><b>榜单验证线</b>：引入 2026年5月微信/抖音小游戏畅销榜 Top50 作为实际产品数据，用于验证或修正宏观判断。</li></ul><blockquote><p>说明：单月畅销榜只能反映特定时间段内的榜单表现，不能直接代表完整市场规模、用户规模或绝对收入。榜单分析作为辅助验证，而非最终结论依据。</p></blockquote><p></p><p><b>（三）核心发现</b></p><blockquote><p>基于行业报告与双平台榜单交叉验证，形成以下阶段性判断：</p></blockquote><ol><li seq=\"1\">小游戏行业仍在增长，但竞争重点已从\"低成本上线\"转向精品化、长线运营和商业化能力——<b>榜单验证：中重度产品在 Top50 中占据重要位置，与宏观趋势一致</b></li><li>SLG、放置RPG、模拟经营、塔防等中重度品类已成为畅销榜重要组成，小游戏不再是轻度休闲产品的单一场景</li><li>微信 & 抖音 Top50 重合 23 款（约46%），部分头部产品具备跨平台畅销能力</li><li><b>支付宝小游戏、华为及快游戏联盟</b><b>（ vivo + OPPO + 小米 + 荣耀，是这四家手机厂商成立的小游戏统一标准组织，可实现一次开发，四端上线）</b>可作为成熟产品增量渠道</li></ol><p></p><callout emoji=\"🔎\"><p><b>后续可优化方向</b></p><ol><li seq=\"1\">继续优化 GPT Researcher，使报告更聚焦平台差异、产品案例和商业化模式</li><li>对双平台 Top50 进行结构化补充（品类、发行商、变现方式、渠道表现类型）</li><li>向渠道运营请教小游戏发行渠道经验作为经验补充</li></ol></callout><h3>二、机器学习建模前预处理</h3><h4>（一）基本分析原理</h4><ol><li seq=\"1\"><b>XGBoost 的作用</b></li></ol><p>XGBoost 是一种基于树模型的机器学习方法，适合处理变量较多、关系复杂、非线性明显的数据。</p><p>在本研究中，XGBoost 的作用不是直接证明因果关系，而是用于回答：</p><blockquote><p><b>在多个机制变量共同进入模型后，哪些变量对综合投入差异更有解释价值？</b></p></blockquote><p>它可以帮助我们从七个机制变量中，初步筛选出更值得关注的关键机制变量。</p><p></p><ol><li><b>SHAP 的作用</b></li></ol><p>SHAP 是一种模型解释方法，用于解释 XGBoost 识别出的变量为什么重要，以及这些变量和综合投入之间呈现什么关系。</p><p>SHAP 主要回答三个问题：</p><ul><li>哪些变量最重要；</li><li>变量值升高时，对综合投入是正向还是负向；</li><li>变量与综合投入之间是否存在非线性、阈值或倒 U 型关系。</li></ul><blockquote><p><b>XGBoost 更偏向“筛选变量”，SHAP 更偏向“解释机制”</b></p></blockquote><p></p><h4>（二）建模前的数据检查</h4><img name=\"image.png\" alt=\"图片展示了机器学习建模前的数据检查流程。分为五个步骤：1. 缺失值检查，检查缺失率，低缺失填充，中高缺失标记谨慎使用；2. 异常值检查，检查极端值，P99截断/对数变换，标准化处理；3. 重复/高相关检查，避免信息重复，综合指数与分项分开，保留解释更清楚的变量；4. 因变量泄漏检查，避免“用投入预测投入”，不直接放综合 addCriterion\" href=\"https://internal-api-drive-stream.feishu.cn/space/api/box/stream/download/authcode/?code=NGQwMTg4M2MxOTQ4MTEwZjA5NGJmNDAxNWE0Yzc1MjdfNDE0MTM2MmFkNTBhOWUwMzI1ODkzMWJmOWIyOWQwNmVfSUQ6NzY1MDc2NjA3NzIzMjE4ODU5N18xNzgxNTgxNzk1OjE3ODE1ODUzOTVfVjM\" mime=\"image/png\" scale=\"1.000000\" src=\"DTQ8bzfEsoHn4oxqu9lcyLcynUh\"/><ol><li seq=\"1\"><b>缺失值检查</b><p><b>需要检查每个变量的缺失率，并确定处理方式。</b></p><p>一般可以分为：</p><ul><li><b>缺失率较低：</b>可用 0、中位数或均值填充；</li><li><b>缺失率中等：</b>保留变量，同时增加缺失标记；</li><li><b>缺失率较高：</b>谨慎进入模型，必要时先放入探索变量。</li></ul></li></ol><p></p><ol><li><b>异常值检查</b><p><b>需要检查金额、积分、次数、人数等变量是否存在极端值。</b></p><p>可考虑：</p><ul><li><b>P99 截断；</b></li><li><b>log 变换；</b></li><li><b>Z-score 标准化</b>。</li></ul><p>虽然 XGBoost 不强制要求变量标准化，但为了后续解释和变量比较，建议尽量保持统一口径。</p><p></p></li><li><b>重复变量和高相关变量检查</b><p><b>如果多个变量表达的是同一个信息，容易造成解释分散。</b></p><p>例如：</p><ul><li>综合指数和组成分项同时进入模型；</li><li>两个变量相关性过高；</li><li>变量含义高度重复。</li></ul><p>处理建议是：</p><ul><li>第一版优先保留解释最清楚的变量；</li><li>综合指数和分项变量可以分两个模型分别测试；</li><li>不建议把高度重复变量全部放进主模型。</li></ul></li></ol><p></p><ol><li><b>因变量泄漏检查</b><p>这是进入模型前最重要的一步。</p><p><b>如果综合投入由金钱投入和有效行为投入构成，则自变量中不能直接放入这些组成项，否则模型会变成</b><b><u>“用综合投入的一部分预测综合投入</u></b><b>”。</b></p><p>因此，机制变量应尽量来自：</p><ul><li>规则结构；</li><li>奖励结构；</li><li>组织结构；</li><li>匹配结构；</li><li>阶段差距；</li><li>协作关系。</li></ul><blockquote><p>而不是直接使用综合投入的组成行为。</p></blockquote></li></ol>",
|
||
"document_id": "LNNWdCwK0oUYsEx7mK4cuBMRnog",
|
||
"revision_id": 301
|
||
},
|
||
"log_id": "2026061611495431EA2F3F04D7E29891EE"
|
||
},
|
||
"_notice": {
|
||
"update": {
|
||
"command": "lark-cli update",
|
||
"current": "1.0.32",
|
||
"latest": "1.0.51",
|
||
"message": "lark-cli 1.0.51 available, current 1.0.32, run: lark-cli update"
|
||
}
|
||
}
|
||
}
|