由腾讯游戏学堂举办，以“Inspire Six Senses”为主题的2022腾讯游戏开发者大会（Tencent Game Developers Conference，以下简称TGDC）在8月14日正式举行。
本次大会将持续四天，包含主论坛、产品、技术、市场、艺术、独立游戏、游戏社会价值等七个专场，多款优秀游戏产品的幕后从业者将从从业者需求出发，分享开发经验，以持续探索游戏的多元价值及无限可能。
今天上午，腾讯互娱光子S工作室总经理、《和平精英》项目负责人高丽娜就提出了“玩家网络”的概念，在对游戏内玩家社群的基本情况，主要特征进行介绍后，也从产品开发视角探索了这一理念的应用可能性。
为优化阅读体验，手游那点事删减、调整了部分内容，以下为演讲全文：
大家好，今天我们的主题是游戏世界中的玩家网络，主要包含游戏与网络科学、玩家网络的运营和玩家网络健康度三个板块。
考虑到问题相对复杂，且时间有限，总体会更偏理论基础一些，主要还是想和大家分享《和平精英》在社交网络方面的研究与探索。
01
游戏与网络科学
人作为社会动物，很难脱离群体存在，在信息社会中，网络游戏作为一种新的社交介质，帮助人们连接彼此，解放孤独。由此，玩家的社交也成了网络游戏中重要的玩法构成
以一组游戏里的玩家脱敏行为数据统计为例，我们可以看到超80%的玩家组队进行游戏；超50%的玩家会邀请好友组队；超过50%流失用户再回流也是因好友邀请；单人游戏玩家流失率也是最高的。
基于较大的用户规模，我们对于用户社交生态的维护很大程度上会决定游戏玩家的活跃稳定性，由此凸显了社交健康度的重要性。
但是对于游戏运营来说，一直以来的一个难点是，以往游戏的运营体系，有类似活跃、商业化这类明确的数据指标体系进行衡量，进而帮助我们更好地迭代、运营游戏。玩家社交作为游戏内的重要一环，始终缺乏有效的评估体系与衡量指标，这就是我们今天想要探讨的话题。
美国的天文学家卡尔萨根在代表作《宇宙》中提出，星际中人类能够观测到的恒星数量大约是“23个0”，这个庞大的数字显得人类非常渺小，但有意思的是，在由30个人构成的社群中，可以结为朋友的两两组合的数量有435个，当我们要把他们组成一个朋友关系网的时候，这个朋友网络的数量是2的435次方，这个结果最后大概是131个零的数量级的数字。
所以人际关系的信息是庞大且复杂的，如何对这个体系进行描述和评估呢？我们找到的方法是网络化建模。
那什么是网络化的建模呢？我们把游戏里的每一个玩家描述成一个点，把玩家之间的这个社交关系连接成一条边，最终可以得到一张像右侧这样的网络化连接图。
我们再展示一个更具体的案例。这两幅图源于Pacific RISA网站，它是一个评估太平洋区域气候环境变化的研究项目。研究组织中共有331位专业人士，当把他们以及与他们交流过气候相关问题的人员也包括进来，进行调查和绘制后，就形成了一个有967人的研究关系网络，就是大家现在看到的两幅图。
这两幅图分别采用了不同的布局算法来呈现。图上的每种颜色，标识的是研究人员来自的国家和地区。而圆圈的大小，表示的是每个人所拥有的连接数量。
我们可以看到，在第一种布局里，它以国家地区为主的社群进行分布。原图其实可以放大到非常大的程度，我们可以清晰看到社群里人们的连接情况。也就是说，你能很方便地查阅到来自于同个地区的人们互相连接聚集的情况，同时也能看到哪些人承担了跨地区连接的桥梁作用。
在第二种布局里，它重点呈现了连接数最高的人。拥有最多连接数的这些人员，通常也被我们认为是整个研究组织里面最有影响力的核心成员，他们都位于这幅图的中心位置。网站也把这些人的名字单独列了出来，因为他们是核心研究人员。
参照这两张图，会发现如果我们想要得到玩家的社交网络关系，也会是这样的形式。只不过数量为亿计算时，只能在计算机中绘制，难以直接用肉眼查看、了解信息。
那么像这样描绘出来的网络，其中蕴含着什么样的规律和特点呢？因为如果它是无序随机的，就很难为我们的下一步挖掘提供支持了。
所幸在1999年，美国圣母大学物理系的巴拉巴西教授和他的博士生阿尔伯特，在Science上发表了《随机网络中标度的涌现》。也是这篇论文，揭示了复杂网络的无标度性质，从而诞生了一门新的学科，就是网络科学。
基于这个理论的提出，后续也有学者进行了深挖，比如通信电话网、互联网等等，这里特别要提到的是Twitter和Facebook，它们也就用户关系连接网络进行了研究。
那么现在，我们尝试将这套方法论沿用到游戏里，为我们研究游戏玩家的社交网络提供对应的理论及方法支撑。
这里要强调一下，我们之前提到的网络科学，都是基于无标度网络的。那么什么是无标度网络呢？这里引用巴拉巴西教授在专著中的两张示意图，分别是公路网和航空网。
就图上的公路网而言，它的显著特点是无论大城市还是小村庄，一般拥有的公路数量差别都不大，大概也就是3～5条左右，这种网络我们称之为随机网络。这个网络的特点是每个节点所拥有的连接数大体上差不多，没有拥有特别多连接数的节点，整体遵循泊松分布。
航空网就不一样了，像图上的芝加哥这样的大枢纽城市，会拥有非常多航班路线，但小城市拥有的航线就非常有限。对于这种大多数节点只拥有少量的连接，而少数节点却拥有大量连接的网络，我们把它叫做无标度网络。它整体是遵循幂律分布，尾部会拖得非常长，所以我们说它有重尾效应。
那其实无标度网络的特点就十分明确了，符合幂律分布，拥有枢纽节点。经过我们对游戏内玩家的社交网络分析，发现它也呈现无标度网络特征。大部分玩家的交互好友数量也就是3～4个，少部分玩家交互的好友数量非常多，可以达到十几个，甚至上百人。
另外，无标度网络还有一个重要特征，它不是静态的，它具备成长性。放在游戏里其实也很好理解，就是拥有更多好友的相对活跃的用户也会更容易结交新的社交关系。
再之后就是社群聚集的特征。关于社群，我们之前也有相应的展示。我们常说人以群分，所以具备共性的人也会更倾向于结成新圈子，在游戏里也是一样，不同属性的玩家具备不同的社群分布特点。
回到无标度网络，它的最后一个特征就是面对攻击时呈脆弱性。
以图为例，如果你想要主动攻击网络，那一定会选择攻击这个枢纽节点，因为这样效果会最大化，一旦失去枢纽节点，大量节点之间的关联会断掉。体现在游戏里，就是枢纽用户流失后，同时也会影响大量周边好友的活跃与留存，进而严重影响游戏局部的社交生态。
看完这些特点会发现我们在游戏中尝试构建的玩家社交关系网络，是能够和社科领域的一些概念产生对应的，比如二八定律、六度分隔、小世界等等，就如我们常说的能够在近80亿人的地球上仅通过6个人就找到任意一个人，其实也是因为真实世界里那些拥有广泛人脉的枢纽节点型的人的存在促使地球这样一个大世界通过枢纽节点快速完成了一种连接塌缩。
02
玩家网络的运营
说完了概念引入，我们看具体的玩家网络运营。
首先展示一下游戏中玩家网络的建模过程。为了构建玩家网络，我们需要对网络的边进行定义。游戏里玩家的交互行为非常多样，如果我们想要建立一个描述玩家强互动行为的网络，比如说我们定义边的时候，就可以选取组队、聊天、预约对局，这样的强交互行为。
然后我们把这些行为按照1:1:1的预设权重进行网络边权重计算，就可以得到一个描述强交互行为的连接玩家网络。
同理，如果你想构建轻交互连接的玩家网络，就可以把观战、点赞，这样的轻互动社交行为做定义，具体的边定义可以根据实际研究的需要修改，不同的需求就采用不同的定义方式。目前我们还是聚焦于强交互玩家网络，我们认为是更核心的部分。
那有了这些边定义后，就可以构建出玩家网络。当然这张网很大，前面我们也提了，它的数据量决定了只有计算机才能够阅读它，所以我们也是通过各种算法来查看、管理它的。
全局网络生成后，我们就可以进行社群挖掘。在我们对社群的定义里，会认为社群是一些紧密连接的节点的集合。那这个集合内部的连接是非常紧密的，但它和外部的连接是比较稀疏的。根据这样的定义，我们运用相应算法来进行社群发现。
那最后我们在游戏里面得到了几百万个社群，这样就完成了对游戏内玩家全局网络和局部社群信息的建模。下面我们来看如何去动态运营这个网络。因为在游戏里我们研究的都是群体，所以我们就需要借助一些标签来定义玩家群体。
一方面我们在原有玩家标签里，增加了标签，比如是否偏好组队战斗，是否喜欢主动添加好友等等。尽量用这样方式还原用户的社交偏好，以便提供更好的玩家服务。
另一方面，因为我们也建立了社群，所以也会给社群定义标签，用以标识社群的特征。比如说有些社群就特别喜欢玩团竞模式，但有的可能只玩海岛。属性的话，就比如有的社群平均段位比较高，类似这样的类别。有了这样的标签以后，就可以从用户群体出发做相应的体验优化了。
首先，我们关注玩家网络的生长问题，所谓网络的生长，也就是如何在网络中建立新的连接关系。这种生长一般分为两类，一类是陌生人间的交友建连，另一类就是将玩家推荐到适合他的群体组织中去。
陌生人之间的交友建联，根据不同的情况和适用性，目前有多套公开算法，这里我们举两个例子示意。但重要的优化点在于，以前我们运用这类算法时，主要考虑玩家的活跃、行为偏好等特征，现在因为构建了玩家网络梳理了玩家社交标签，我们能够将玩家的社交偏好特征也融入到算法中去，以让交友推荐更精准化。
因为玩家并不是不喜欢交朋友，而是希望能够找到合适的朋友，前面的讲述里我们也提到过优先连接的结论，所以将社交标签融入算法进行改进的目标，就是为了能够精准推荐玩家愿意优先连接的节点，最终才会有较高的成功率。
把玩家推荐到适合的组织也是一样的道理，我们可以设想，假如你是军团的团长，当你收到很多入团申请时，你会批准或者拒绝玩家的加入，一定是有一些标准的。
所以这里我们的优化目的就是通过融入社交类标签，让算法更能理解军团吸纳新人的偏好，这样就能够把更适合的玩家推荐过来，帮助他们成功的加入到相应的群体中来。所以总体思路仍然是，结合用户社交属性进行细分定义并将其融入算法，提升推荐的精准性，进而促进玩家网络的生长。
在生长以外，我们也需要不断维护这张网络，也是不断激活网络连通关系的过程，让玩家在网络体系中真正地交互。我们也都知道，很多玩家是在游戏里加了好友，但之后再也没有互动了。根据我们以往对流失玩家的分析，在整个游戏玩家的社交体系中，关键好友的流失以及社交行为的减少对玩家活跃度的影响是非常大的。
这幅红点组成的网络图是我们用算法标识的局部社群，我们将用户的每一次互动都看成是一次能量交互传递，如果对社群以月为周期进行标识，就能够得到本月用户社群能量值的网络图。
可以看到大KOL的社交能量远高于其他用户，小KOL次之，这也是我们提到的枢纽用户。其实社群的形成是离不开这些KOL用户的，正是由于他们的高辐射社交能量，才让社群紧密地维护在一起。
其实社群还有一个典型特点，就是内部传播信息的能力与速度都非常快，但如果你想把一个信息传出圈，到另外的社群，那其实难度是比较大的。这个我们之前也讲过，因为社群与社群之间的连接是比较稀疏的。所以当我们想要将信息尽可能传递给所有用户时，就需要借助社群和KOL的力量。
最后我们依然列举了两种常用的熟人社交算法，原理与之前一致，也是融入了社交特征后进行改进，激活玩家的社交连接，继而让玩家更有效地互动。
03
玩家网络健康度
介绍完我们对玩家网络的搭建和基本的运营方式以后，最后来谈谈我们目前在社交评估方法上的一些探索。因为游戏内具体情况不同，图中数据也仅供参考，并不影响最终的结论。
首先看左图，基于我们前面提过的社群挖掘，我们可以根据自己的需求，设定社群规模的标杆值，比如10人以下，10-15人，到50人，100人或者500人以上等等。
当定义了这样的标准划分后，就可以较好地统计游戏中各个规模社群的数量占比，包括他们覆盖的玩家数量。以周期为单位进行对比分析后，对于玩家社交网络的运转变化情况就能够得到一些有用的观察信息。那需要注意的是，这里数据展示是基于玩家间在一定周期里的真实互动，它是区别于统计游戏里静态社交组织的。
因为我们都知道，游戏里通常都会涉及说像帮派、军团这样的社交组织。当然我们可以去统计每个帮派中包含多少玩家，但这些帮派中也有很多加入后流失了的玩家，如果基于这样的静态社交组织去统计社交数据，其实是无法真实反映玩家真实的聚集情况的。
来看右侧，如果把社群分成不同规模后，我们就可以进一步针对不同规模的社群挖掘它的其他规律。右侧这个图就是对不同规模的社群进行当周平均在线时长的统计所发现的结果，可以很明显地看出：当社群规模少于10个人的时候，随着社群规模的增大平均在线时长增长得很明显；当社群规模大于10人以后，增长开始变缓；当社群规模大于50人以后基本上这个值就趋于稳定了。
所以这里我们通过社群的分解和挖掘可以得到一个结论是：社群的平均在线时长与社群规模呈正相关，但是存在边际效应。
以这个数据为例，我们可以有一个直观的结论：如果能够把游戏里规模少于10人的社群提升到10人以上，势必会增加不少用户粘性，玩家的社交体验会变得更好。如此就可进一步看出，社群的规模和用户活跃度息息相关。
为了进一步研究清楚社群规模和用户活跃度之间的关系，我们又进行了进一步的探索。这里我们要引入图论中的集聚系数的概念，简称cc值，方便描述。
关于cc值的具体概念可以看右下方的示例，但是为了方便大家记住结论，我们用一种更简单的方式来介绍它。
首先cc值在概念上是用来表征一个网络中的点它们之间连接的密集程度的，这个值最小为0，最大为1。对于一个现实中的朋友网络来说，cc值越大说明这个朋友圈里人们的关系交错得十分紧密，大多数的人互相之间都认识；越小说明关系是比较疏散的，很多人互相之间不认识。
假设，你新建了一个群，这个时候刚把你的朋友们拉进去，准备介绍他们互相认识，但这个时候他们互相之间是不认识的，那这时这个群的cc值就是0；但是当你认真地介绍了每一个人的情况，他们这个时候互相都知道了彼此，也添加了对方为好友，大家都认识了，这时这个群的cc值就是1。
具体看三幅图的第一幅图就是介绍cc=0的情况，看左上的四个点，其中有一个点跟另外三个点之间都是有连接关系的，如果这个点就是你，就是说这里你是认识你三个朋友，但是他们三个互相之间都是不认识的，这个时候如果你流失了，那这个网络便从这里断开了，他们变成了三个无社群的散点。
但如果你一直留存，有可能你会邀请他们三个一起四人组队游戏，这样他们之间可能互相就认识了，也加了好友，他们互相间也形成新的连接关系，cc值就变大了。同理，后面的两幅图，呈现了cc=0.6和cc=0.92的时候，图中的点互相之间连接紧密度的情况。
事实上在真实的社交网络里，我们的密友之间他们往往也是朋友，所以真实世界的社交网络通常集聚性是比较高的，大家是以一种圈子的方式在生活，在虚拟世界里，这也是我们努力的目标。
那有了cc值的概念，我们再来看几组和它有关的挖掘的结论。继续以10人群为例，看第一幅图，横坐标是cc值，纵坐标是一周的平均对局次数，明显会看到随着cc值的增大，平均对局次数也在不断增大，是一个正相关的关系，cc=0.6的时候大约刚好是中间值。
下面一张图是cc值和留存率的关系。很明显也是正向增长的关系，随着cc值靠近1，这个留存率会达到一个非常高的程度。
这两张图都说明在一个社群里，当cc值很高时，玩家的社交网络是非常致密的，每个人都身处在一个熟悉的环境里，朋友圈内部关系很亲密，良好的社交支撑带来了高度的活跃性。由这两组例子我们可以看出，社群cc值跟社群的活跃度、留存情况是正相关的。
所以我们在日常的运营中就可以去查看各种规模社群，按不同cc值的数量分布情况，即右边这张图，这样查看可以让我们比较直观地了解到用户网络的紧密与活跃情况。
当然我们努力的目标就是要尽量去通过各种方法把社群的cc值向上引导，让玩家的社交网络更加活跃健康，从而改善玩家社交的游戏体验。在之前的讲述里，我们可以知道在游戏中因为枢纽用户的流失，大社群会被拆分变成多个更小的社群。
我们进一步统计各种不同规模社群的占比变化，就可以发现里面存在一些数据上的关联性，比如说50人以上社群每减少1%，那么下一个周期2～5人社群就会增加0.3%；10～50人社群每减少1%，2～5人社群下一周期就会增加0.5%。
而如果我们把游戏里不同规模的社群人数占比随着时间画成一张图，我们也明显看到这种占比变化是存在周期性的，比如在每年春节这样的大节点，因为很多人有时间了，各种玩家的回流，大社群就会多起来，游戏里的社交就会呈现一种非常繁荣的迹象，当假期结束很多人重新忙碌起来，大社群就会拆分，小社群变得多起来。
但总体来说，游戏里的无社群和小社群占比的增加，与活跃度是负相关的，所以我们日常努力的目标依然是要维稳社群，这对游戏的活跃是非常重要的。
目前基于对这样一些变化关系的观察，我们在游戏里也实现了相应的无社群预测模型，可以帮助去预测接下来的周期里，如果没有一些相应的引导，可能的无社群的情况以及相应的流失情况。
来到最后，经过前面的介绍，我们总结一下玩家网络生态整体的动态运行方式。
首先是网络的生长和修复：我们通过对陌生关系的破冰去促进网络的生长，在里面运用融入社交标签的陌生关系推荐以及社群推荐算法，去帮助玩家更好地结识新朋友；其次注重做好回流玩家的承接，运用熟人关系推荐算法，帮助玩家重新激活和修复原有的社交网络。
再次是对社交关系的带动加深：这里会关注运用社群化传播方式来最大化的带动触达到网络中的每一个用户，致力于去提升玩家社群的cc值，加深玩家间的连接紧密性，从而提升玩家活跃度。
最后是在整个过程里，会不断地从对全局指标和局部指标的观察出发，来分析玩家网络波动的原因，同时也会开展一些主动的预测，去及时引导和加固相应的社群，维稳活跃。
在PPT右侧简单示例了全局的指标，比如说第一个连通性的指标，它的意思比较简单，就是在全局网络里有组队交互的玩家占比，下面的繁荣性广度、深度相应也有自己的定义，这是一些指标的例举。
今天全部的分享就到这里。
Q&A整理
Q1：这样的体系化建立是什么样的过程，又是基于何种思路构成体系的？
A1：在建模完成的基础上我们研究建立了一些社交数据指标，尝试去量化社交这件事情。因为像以前我们为了改善玩家社交其实也一直在做一些事情，但因为没有数据能衡量所以很难说效果到底怎么样，没有数据也没办法去指导不断地改进迭代，但有了指标以后，我们再去做一些事情就能比较直观地看到数据变化，从而让我们知道自己做的尝试是不是有效果，也能够去指导不断地优化。
然后是当我们把这些社交类的数据和游戏原有的各种活跃数据之类做交叉分析的时候，我们就发现了很多有关联性的有趣结论，刚才讲的过程中也有进行一些例举。
这就让我们在改进社交数据的同时，也能进一步非常直观地关联到它会对比如其他活跃指标之类有什么样的影响，就对游戏全局所起到的作用变得更清晰。这些探索研究我们还在继续进行中，目前在我看来应该还是刚刚起步的程度，还有很多的维度和角度可以去探索挖掘。
也是希望抛砖引玉，以后可以跟大家一起努力。
Q2：最后一页的全局指标和前面讲到的社群指标是什么关系？
A2：整个玩家网络包含的玩家是非常多的，存在的情况很多。如果想要比较精准地去了解到一些局部的情况，是需要去查看社群指标的，但是你可能要挖掘和查看的指标信息就会非常多。
所以我们还是建立了一些颗粒度比较大的全局指标。它们是面向整个玩家网络的非常宽泛的数据，全局指标可以让我们在非常快的时间里去捕捉到玩家网络整体的波动情况，比如连接性这个指标在这个周期里大幅下降，那肯定不是我们希望见到的，这时候就可以展开去借助更多的局部社群的指标来定位这个问题，确定原因，以便我们知道接下来该怎么做。
这个就是全局指标和社群指标的关系。
来源： 手游那点事公众号
