神經網路在提升玩家遊戲體驗的應用探討

人工智慧在最近幾年吸引了全世界的眼球，從一開始的AlphaGo，到馬斯克的OpenAI大戰DOTA2中的各大職業好手，人工智慧也廣泛應用於用戶推薦，工業生產中的基於大數據預測等，那麼如果應用到遊戲產業中能有什麼潛在的應用呢？

心流理論

遊戲界中有一個很重要的理論，叫做心流理論，如下圖所示：

圖1：心流理論

遊戲策劃者當然希望所有玩家都能進入心流狀態，但是如果人工調整數值需要大量的實驗，調研等等。那麼在大數據時代下，能否利用大數據技術來調整數值呢？

本次的主題就是圍繞大數據調整遊戲中的數值以優化心流體驗。這裡主要介紹神經網路構建心流體驗模型，根據神經網路模型對相應的數值進行調整，從而使玩家能一直處於心流體驗的過程中，達到優化遊戲體驗，提升遊戲樂趣的目的。

神經網路

首先介紹神經網路，以二元一次方程為例子：y=1/(1+e^(-ax-b) )，為了簡單化描述，這裡假設x是玩家的力量屬性，y為玩家通過某個副本的成功率，這裡假設通過副本的成功率僅與玩家的力量屬性相關，a，b則是該數值模型的兩個參數。為什麼用這麼複雜的函數呢，因為 y=1/[1+e^(-x)] 這個函數(Sigmoid函數)長這樣：

圖2：Sigmoid 函數

注意圖中的Y的分布，Y總是處於(0,1)這個區間的，這樣就可以用於表示玩家通關的概率。

那麼怎麼把這個東西應用到遊戲中呢，回到剛才的公式y=1/(1+e^(-ax-b) )，我想要預測這個玩家的通過概率，首先我要知道這個玩家的X，也就是力量值是多少，其次我還要知道上面公式的a和b分別是多少。對於玩家的X（力量數值）可以通過抓取玩家數據得到，但是對於a和b其實我並不清楚，這樣就無法算出Y，也就是玩家的通關概率。

神經網路優化遊戲體驗

在此時神經網路就可以派上用場了，神經網路可以基於歷史數據推演出a和b，最終得到能預測玩家副本通過率的模型。這裡歷史數據我指的是， X，即玩家的力量屬性，以及Y，本副本通過與否。

那為什麼要用神經網路呢，因為在現實中影響通關的因素有非常多種，因此就會有非常多不同的的X以及a，b，而神經網路則在數據足夠充分的情況把全部的a和b都準確地推算出來。具體的模型可能就如下圖所示：

圖3：遊戲預測神經網路概念圖

這樣，我們可以抓取所有對該副本通關有影響的因素以及玩家的通過與否來構建上圖所示的神經網路。網路構建完成之後，就可以通過上面的這些參數預測副本的通關概率了。

那麼問題來了，這個模型有什麼用，在這裡僅提供兩個思路。

1，根據玩家屬性動態調整在遊戲中的怪物的數值

若發現玩家的各項屬性值較強，原本的通關概率高達90以上，則相應地自動提升怪物的屬性值，並降低玩家的預計通過概率到60%的一個水平，以此提升遊戲的挑戰性，達到心流的效果。這麼做可能對單機遊戲有比較好的效果，但是對於網遊的話還是涉及到一個公平性的問題，應該謹慎。

2，根據模型做副本建議功能/競技類遊戲匹配類功能

第二個潛在應用可能更具有實際意義，把上面的模型嵌入到遊戲的副本系統中，在副本進入界面根據神經網路預測的通關概率對玩家給出建議，假設玩家心流體驗的通關概率在75%，那麼系統則可以這麼建議玩家：

If 通關概率>95%

Then 強烈建議挑戰更高難度的副本

Elseif 通關概率80%

Then 不那麼強烈地建議挑戰更高難度的副本

Elseif 通關概率70%

Then 非常歡迎玩家進行副本

Elseif 通關概率

Then 推薦玩家繼續提升

其中特別是在預測玩家通過概率較小時給出具體的建議，分析玩家的數值，若是等級較低造成的低屬性，則建議玩家繼續提升等級。若是玩家裝備較差，則建議玩家打造高級裝備(氪金)，等等。

總結

總的來說，本文的主要思想是構建一個神經網路數學模型，模型的輸入變數是玩家的數值，與副本有關的數值，模型的輸出變數是副本通關概率(或者其他與遊戲體驗的屬性，例如通關時間等)。

潛在的應用空間包括：

1) 通過根據這個數學模型所推算出的玩家通關概率，對副本怪物屬性進行實時性的改變，以提升/降低通關概率，達到優化玩家的遊戲體驗的目的。

2) 通過該數據模型，預測玩家此副本的通關概率等與遊戲體驗相關的參數，在玩家進行副本前給出針對性建議，以提升遊戲體驗。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！