Steam จะใช้ Machine Learning เพื่อปรับปรุงคำแนะนำเกม

ปัญหาใหญ่อย่างหนึ่งที่มาพร้อมกับการเข้าถึงร้านเกมดิจิทัลขนาดใหญ่ได้อย่างง่ายดายคือการหาว่าจะเล่นอะไร Steam ซึ่งปัจจุบันเป็นไคลเอนต์เกมพีซีที่ใหญ่ที่สุดให้คำแนะนำแก่ผู้ใช้ว่าจะเล่นอะไรต่อไป โดยคำนึงถึงปัจจัยหลายอย่างเช่นการให้คะแนนและประเภทของเกมที่คิดว่าคุณชอบ ตอนนี้ Valve ได้ตัดสินใจที่จะก้าวไปอีกขั้นหนึ่งโดยใช้การเรียนรู้ของเครื่องเพื่อแนะนำเกมให้ผู้ใช้ที่เหมาะสมกับรสนิยมของพวกเขามากขึ้น

ผู้แนะนำแบบโต้ตอบ

ตัวแนะนำแบบโต้ตอบเป็นคุณสมบัติทดลองใหม่สำหรับ Steam เพื่อให้ง่ายผู้ใช้ Steam ทุกคนสามารถใช้เครื่องมือนี้เพื่อค้นหาเกมที่จะเล่นต่อไป เป็นระบบที่ใช้งานง่ายมากช่วยให้ผู้ใช้สามารถจัดเรียงตามประเภทกรองตามแท็กและปรับหน้าต่างเวลาของผลลัพธ์

Valve อธิบายการทำงานของผู้แนะนำแบบโต้ตอบในบล็อกโพสต์ จากรูปแบบเครือข่ายประสาทเทียมผู้แนะนำใช้ประโยชน์จากประวัติเวลาเล่นของคุณพร้อมกับ "ข้อมูลสำคัญอื่น ๆ " เพื่อให้ได้ผลลัพธ์ที่เป็นส่วนตัว

“เราฝึกโมเดลตามข้อมูลจากผู้ใช้ Steam หลายล้านคนและเซสชันการเล่นหลายพันล้านครั้ง ทำให้เราได้ผลลัพธ์ที่แข็งแกร่งซึ่งจับความแตกต่างของรูปแบบการเล่นที่แตกต่างกันและครอบคลุมแคตตาล็อกของเรา โมเดลได้รับการกำหนดพารามิเตอร์เพื่อให้เราสามารถ จำกัด เอาท์พุตเฉพาะเกมที่วางจำหน่ายภายในกรอบเวลาที่กำหนดและสามารถปรับเปลี่ยนเพื่อให้เกมมีความนิยมสูงขึ้นหรือต่ำลง”

เกมใหม่

สิ่งนี้ทำให้เกิดคำถามว่าผู้แนะนำจัดการกับเกมใหม่อย่างไร? ชื่อที่ออกใหม่โดยเฉพาะที่กำหนดเป้าหมายไปที่ตลาดเฉพาะมักจะมีฐานผู้เล่นที่อ่อนแอกว่า ด้วยเหตุนี้เครือข่ายประสาทเทียมจึงไม่สามารถแนะนำเกมที่ไม่มีข้อมูลเกี่ยวกับ ด้วยเหตุนี้ Valve จึงกล่าวว่าผู้แนะนำใช้วิธี“ การเริ่มเย็น” เหล่านี้แตกต่างกัน

“ มันสามารถตอบสนองได้ค่อนข้างเร็วและเมื่อได้รับการฝึกฝนอีกครั้งมันจะรับข้อมูลรุ่นใหม่ ๆ โดยใช้ข้อมูลเพียงไม่กี่วัน กล่าวได้ว่ามันไม่สามารถเติมเต็มบทบาทของ Discovery Queue ในการแสดงเนื้อหาใหม่เอี่ยมได้ดังนั้นเราจึงมองว่าเครื่องมือนี้เป็นส่วนเสริมของกลไกที่มีอยู่แทนที่จะใช้แทนเครื่องมือเหล่านี้”

อีกหัวข้อที่ถกเถียงกันคือ“ อัลกอริทึม” หลายคนเชื่อว่าเพื่อให้ผู้ใช้หลายคนมองเห็นเกมได้จำเป็นต้องมีการ“ ปรับให้เหมาะสม” สำหรับรูปแบบหนึ่ง ๆ เช่นเดียวกับ Steam อื่น ๆ นี่ไม่ใช่วิธีการทำงานของผู้แนะนำแบบโต้ตอบใหม่

“ เราออกแบบผู้แนะนำให้ขับเคลื่อนโดยสิ่งที่ผู้เล่นทำไม่ใช่โดยองค์ประกอบภายนอกเช่นแท็กหรือบทวิจารณ์ วิธีที่ดีที่สุดสำหรับนักพัฒนาในการเพิ่มประสิทธิภาพสำหรับโมเดลนี้คือการสร้างเกมที่ผู้คนสนุกกับการเล่น แม้ว่าการจัดหาข้อมูลที่เป็นประโยชน์เกี่ยวกับเกมของคุณให้กับผู้ใช้ในหน้าร้านค้าเป็นสิ่งสำคัญ แต่คุณไม่ควรเสียใจว่าแท็กหรือข้อมูลเมตาอื่น ๆ จะส่งผลต่อการที่โมเดลคำแนะนำมองเห็นเกมของคุณอย่างไร”

แม้ว่าจะยังอยู่ระหว่างดำเนินการ แต่คุณสามารถทดสอบคำแนะนำแบบโต้ตอบใหม่ด้วยตัวคุณเองได้ในขณะนี้