判断游戏社交做得好不好，可能是长久以来困扰厂商的难题。

　　对他们来说，反映玩家活跃度的有日活、月活这些数据；反映游戏商业化能力的，也有流水、付费率这些明确的指标。但相对应的，游戏社交却没有这样的描述方式和评估标准。

　　退一步说，对玩家社交行为分析本身就是一个运营难题。毕竟游戏玩家群体数量庞大、社交行为多种多样，要想全面系统地形成数据体系基本不现实。但在这方面，《和平精英》却给出了不一样的解题思路。

　　在8月14日由腾讯游戏学堂举办的第六届腾讯游戏开发者大会（ Tencent Game Developers Conference ，即 TGDC ）上，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，介绍了《和平精英》在社交网络研究方面的一些探索，例如利用建模和算法形成玩家网络和动态社群；通过观测网络集聚系数，量化社交与游戏活跃度的关系等等。

　　以下是这次分享的具体内容，其中一些思路或许能复用到更多产品上，帮助大家更好地了解用户，维护游戏社交生态：

　　大家好，今天我们的主题是：游戏世界中的玩家网络。因为人类是一种社会动物，很难脱离群体而存在。因此在信息社会，社交性也成为网络游戏的重要玩法构成。

　　以一组游戏中玩家群体的脱敏社交类信息为例，我们可以看到：超过80%的玩家通过组队进行游戏；超过50%的玩家会邀请好友组队；超过50%的流失玩家回流归因于好友邀请；「单人进行游戏」的玩家流失率最高。

　　虽然这些数据相对明确，但想借此指导游戏运营和迭代却非常困难。因为像游戏的活跃、商业化这些都有成熟数据指标体系来描述衡量，而玩家社交一直缺乏有效的描述方式和评估方法——这就是我们今天想要探讨的话题。

　　阻碍玩家社交评估体系的第一个难点，可能是玩家人际关系网络的数量。

　　举个例子，一个30人社群，他们其中两两结为朋友的情况有435种，把这些情况组成一个朋友关系网时，这个数量会达到2的435次方，远远超过宇宙的可观测恒星数量。

　　那对于如此复杂的人际关系信息，我们应该如何去描述、并且建立起相应的评估体系呢？我们选择了网络化建模——当前技术时代，计算机可以帮助我们存储和分析处理如此巨量的数据。

　　什么是网络化建模？简单举例，我们把游戏里的每个玩家描绘成一个「点」，把玩家之间的社交关系连接成一条「边」，最终我们就能得到如下图右侧这样的网络化连接图。

　　这里我用一个更具体的案例展示。

　　上图中有两幅采用不同的布局算法呈现967人关系网络的数据图。其中图上的色彩，代表人员来自的国家地区；圆圈的大小表示每个人连接数量的多少。

　　第一种布局以呈现国家地区为单位的社群分布为主，可以方便地看到社群里以及社群间人们的连接情况，包括同地区人们之间的连接聚集情况，以及哪些人承担了跨地区连接的桥梁作用。

　　第二种布局重点呈现了那些连接数最高的人，拥有最多连接数的人员也被认为是最有影响力、最核心的成员，他们位于这幅图的中心位置。

　　如果我们把游戏里的玩家网络绘制出来，那也将是上面这两幅图的呈现方式。只不过游戏的玩家数以亿计，计算机绘制出相关玩家网络后，我们没办法凭借肉眼了解和处理信息，只能通过计算机算法从不同维度帮助我们透视信息。

　　完成数量庞大的玩家网络化建模后，另一个难点是能否从其中找出一些规律或特点。

　　幸运的是，很早之前就有学者研究过复杂网络的课题。1999年，美国圣母大学物理系的 Barabási 教授及其博士生 Albert 发现了复杂网络的无标度性质。

　　此后包括互联网、电话网在内的大量真实网络被证实存在无标度网络性质，包括 Twitter 和 Facebook 也进行了相应研究，发现它们的用户关系网也符合该性质。

　　所以，现在我们把这种研究复杂网络的方法引入到游戏里，为我们的游戏玩家社交网络提供理论和方法支持。

　　那么，什么是无标度网络？这里以 Barabási 著作中的公路网和航空网这两张示意图为例。

　　首先对于公路网来说，它的显著特点是各个城市拥有的公路数量差别不大，大概都在3~5条。我们称其为随机网络，每个节点拥有的连接数大体是差不多的，没有拥有特别多连接数的节点，遵循泊松分布。

　　而航空网不一样，比如下图，像芝加哥这样的大枢纽城市航线非常多，而小城市的航线相对较少。

　　像这种大多数节点只有少数连接，而少数节点却拥有大量连接的网络，就叫做无标度网络，它的主要特点如下：

　　符合幂律分布、拥有枢纽节点。对于游戏玩家网络来说，我们经过分析，发现游戏里大部分的玩家通常交互的朋友数也只是3～4人，但是有少部分玩家交互的朋友数却非常的多，可能达到几十人，甚至几百人。

　　无标度网络不是静态的，且在生长的过程中具有优先连接特征。这个在游戏里也很容易理解——拥有更多朋友、更活跃的玩家确实更容易交到新朋友。

　　社群聚集的特征。我们常说人以群分，具有共性的人们倾向于结成圈子，在游戏里也一样，所以基于不同属性的玩家标签，可以挖掘出不同的社群。

　　面对攻击的脆弱性。对于这样的网络，当你攻击它的主要枢纽节点，效果一定是最大化的。因为失去枢纽节点会让它所连接的大量其他节点断联。这在游戏里表现为当枢纽用户（可以理解为KOL）流失时，也会影响他周边大量好友的活跃和留存，进而影响到游戏局部社交生态。

　　我们先来具体展示一下玩家网络在游戏中建模的过程。首先为了构建这个网络，我们需要对它的「边」进行定义，因为游戏中玩家的关系和交互行为非常多样。

　　如果你想要建立一个描述玩家强互动行为的网络，那么就可以选取比如组队、聊天和预约对局这样的强交互行为，假设把它们按照1：1：1的权重进行网络「边」的计算，就能得到一张描述强交互行为连接情况的玩家网络。

　　而如果你想构建一张轻交互连接的玩家网络，那就可以选取比如观战，点赞这样的轻互动来定义它。因此这个定义可以根据实际研究的需要进行修改——我们目前主要是聚焦于研究强交互玩家网络，认为这种交互更加核心。

　　有了「边」的定义之后，我们就能用游戏中所有的玩家数据，构建出一张带有「边」权重信息的玩家网络。当然，这张网很大，前面也提到，数据量决定了只有计算机才能阅读它，我们只能通过各种算法、从各种维度查看和管理它。

　　在全局网络生成之后，我们就可以进行社群的挖掘。首先我们认为社群是一些紧密连接的节点的集合，集合内部连接紧密，而与外部的连接是稀疏的。我们根据这个定义，运用相应的算法来筛选玩家网络，最后得到了几百万个社群——这样，我们游戏中的玩家网络和相应的社群信息就都建模好了。

　　下面我们来看如何动态地运营这张网络。

　　首先我们在游戏中研究的都是玩家群体，因此我们就需要借助一些标签来定义群体。同时，我们需要在原有用户标签基础上补充添加一些社交相关的标签信息，以便于我们针对社交属性进行研究。

　　一方面，我们在原有的标签里增加了一些社交标签，用来标识玩家社交相关的特征。比如是否偏好组队、是否喜欢主动添加好友等等。我们会尽量去还原用户的社交偏好，以便更好地为他们服务。

　　另一方面，我们也给挖掘出来的社群定义了社群标签，用于标识他们的特征。偏好类例如有的社群喜欢玩团竞模式，而有的只玩海岛等；属性类，比如有的社群平均段位可能就很高。

　　有了这些标签后，我们就能从用户群体出发做一些体验优化。首先我们关注的是玩家网络的生长和维护。

　　其中生长就是网络中的新的连接关系的建立。主要有陌生人之间的交友联建，以及将玩家推荐建联到合适他的群体组织这两部分。

　　陌生人之间的交友联建，根据不同情况和适用性有很多种公开算法。

　　这里的优化重点是，以前我们做推荐更多都只考虑玩家的活跃、行为偏好来进行，但现在我们提取并新增定义了社交类的标签，社交标签能帮助更好地了解用户在社交方面的特征偏好，让推荐结果更精准化。毕竟只有精准、有效地推荐对玩家来说才是有用的，因为他们不是不喜欢交朋友，而是希望交到自己觉得合适的朋友。

　　将玩家推荐到适合的组织也是类似原理。假如你是一个军团长，你会同意什么样的玩家加入自己的军团是有一定标准的，那么我们就需要尽量让算法理解军团吸纳成员的偏好，把适合的玩家推荐过来，才更有可能让他们加入到群体中来。

　　总体上，这些算法的思路都是通过将用户社交属性进行定义，并且融入到算法里提升推荐的精准性，从而促进玩家网络的生长。

　　除了生长以外，我们还需要不断地维护这张网络，也就是要不断的激活网络中的联通关系，促进玩家间实实在在的交互，毕竟我们都知道很多玩家加好友之后确实有不再互动的情况。

　　从我们过去对流失玩家的分析经验来看。用户流失通常的路径，先是活跃度降低，当降低成低活跃用户时，因为粘性不足就很可能会流失。而活跃度降低原因里，关键好友流失、社交行为减少这样的社交原因占比是比较重的。

　　下图中由红色点组成的网络图，这是使用 PageRank 算法标识的一个局部社群。在这个算法里，我们把用户的每次互动都看作是一次能量的交换传递，假如对社群以月为周期进行标识，就可以得到一个这样的月度社群能量值网络图。

　　从这张图中我们能明显看到，这个社群里存在社交能量远远高于其他用户的大KOL，以及一些能量次之的小KOL，他们就是我们之前讲到的枢纽用户，都拥有非常多的朋友连接数。可以说社群的形成离不开这些KOL，正是这些有非常高社交意愿的KOL，他们所辐射的高社交能量才使得这个社区被紧密的维护在一起。

　　而社群还具有另一个特点：信息在社群内部传播得很快，但如果想把信息出圈传到其他社群就比较困难，因为社群之间的连接是比较稀疏的。

　　所以当我们想要把重要的信息尽可能触达到所有用户时，我们往往需要借助社群和KOL的力量，由传播意愿最高的大KOL传播给传播意愿次之的小KOL，那么最终，这个信息就最有可能传遍到整个社群、触达到尽可能多的人。

　　最后我们仍然是对一些常用的熟人推荐算法在使用上进行了优化，在算法中融入社交特征去激活已经建立的连接，帮助玩家间可以更好的互动起来，加深连接。

　　介绍完玩家网络的搭建和基本运营方式后，我们回到这次分享的主题，谈一谈目前我们在社交评估方法上的一些探索。注意，因为各种游戏中的具体情况不同，所以接下来图表中举例的数据也仅是示意值，但不影响结论的呈现。

　　1. 社群的平均在线时长与社群规模呈正相关，但存在边际效应。

　　首先看上边这张图，我们可以在此前讲到的社群挖掘方法上，根据自己的需求设定一些社群规模的标杆值，例如10人以下社群、10～50人社群、50～100、500人以上等等。这样我们就能统计比如游戏中各种规模的社群数量有多少，也可以很方便的看到游戏中各类社群所会覆盖的玩家数量。

　　需要注意的是，这种数据展示基于玩家间一定周期内的真实互动而生成，它区别于统计游戏中的静态社交组织，比如单纯统计游戏中公会、帮派这样的社交组织中有多少玩家，因为很多玩家加入这些组织后可能流失很久了，静态社交数据统计没办法真实反映出玩家的聚集情况，我们也没法知道玩家们都身处在怎样繁荣度的朋友网络里。

　　当我们把社群分成不同的规模后，我们就可以针对不同规模的社群挖掘它的其他规律。

　　比如上面这张图，这是一个对不同规模的社群进行当周平均在线时长统计发现的结果，我们可以很明显看出：当社群规模小于10，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，而当社群规模大于50人以后基本上这个值趋于稳定。

　　所以这里我们通过社群的分解和挖掘，得到的一个结论是：社群的平均在线时长与社群规模呈正相关，但存在边际效应。以这个数据为例，我们可以有一个直观的策略：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，玩家的社交体验会更好。

　　2. 社群CC值跟社群的活跃度、留存情况正相关。

　　为了进一步研究清楚社群规模和用户活跃度的关系，我们又进行了进一步的探索。这里我们要引入一个图论中的集聚系数的概念（Cluster Coefficient，简称CC值），下图是有关这个概念的简单解释。

　　简单来说，CC值描述一个网络图里邻接点之间相互连接的密集程度，来表征图中的点之间集聚的程度，最小为0，最大为1。对于现实中的朋友网络来说，CC值越大网络里人们的关系十分紧密，大多数人互相都认识；越小说明关系比较疏散，很多人互相间不认识。

　　以下三幅图展示了不同的连接情况以其对应的CC值。

　　第一幅CC=0的这个图里，左上的四个点里，我们可以看到其中一个点和其它三个点都有连接关系，假设这就是你，也就是说你有三个认识的朋友，但他们互相之间都不认识，这时候如果你流失了，那么这个网络就断开了，他们就会变成三个无社群的散点。但如果你一直留存，就有可能某一次你会邀请他们三个和你一起四人组队，这样他们之间可能就会互相认识，建立起新的连接，这时CC值就会变大了。

　　有了CC值的概念后，我们继续以10人群为例，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。

　　下面一张图是10人群里，CC值和留存率的关系很明显也是正相关，可以看到随着CC值靠近1，这个留存率会达到非常高的程度。

　　这两张图都说明在一个社群里，当CC值很高时，每个人都身处在熟悉的环境里，朋友圈内部关系很亲密，良好的社交支撑将带来高度的活跃。所以我们在运营中观察各种规模的社群按不同CC值的数量分布情况，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，我们努力的目标也是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，改善游戏体验。

　　3. 游戏里无社群和小社群占比与活跃度负相关。

　　从之前的讲述里，我们可以知道因为枢纽用户的流失，游戏中的大社群会拆分变成多个更小的社群。如果我们去统计各种不同规模社群的占比变化，可以发现这个情况存在着一些数据上的关联，例如50人以上社群每减少1%，那么下一个周期的2～5人社群就会增加0.3%；10～50人社群每减少1%，那么2～5人的社群下一周期就会增加0.5%。

　　当我们把这个情况跟时间关联（如上图），我们就能发现这种占比变化是存在明显的周期性的，比如在每年春节因为各种玩家的回流，大社群就会多起来，游戏活跃度也会增加；而假期结束很多人重新忙碌起来，大社群就会拆分，小社群多起来。

　　因此游戏里的无社群和小社群占比的增加，与活跃度呈负相关。所以我们运营目标依然是要维稳社群，这对游戏的活跃非常重要。

　　最后，我们总结一下玩家网络生态整体的动态运行方式。

　　首先是玩家网络的生长和修复，分为以下三点：

　　通过对陌生关系的破冰促进网络的生长；

　　运用融入了社交标签的陌生关系推荐以及社群推荐算法，帮助玩家结识新朋友；

　　注重做好回流玩家的承接，运用融入社交标签的熟人推荐算法，帮助玩家激活修复原有的关系网络。

　　其次是对社交关系的带动加深。我们会关注和运用社群化传播的方式，来最大化带动和触达网络中的每位用户；同时重视提升玩家社群的CC值，以加深玩家间的连接紧密性，从而提升玩家活跃度。

　　当然，在玩家网络运行的整个过程中，我们也会不断从对全局指标和局部指标的观察出发，来分析波动产生的原因，同时也开展一些主动预测，及时干预和加固社群，维稳活跃。

　　8月14日-17日期间，TGDC2022将在官网、腾讯游戏学堂视频号开启线上直播，感兴趣的观众可以点击下方链接观看。