Steam實驗室深化推薦功能 編輯下崗倒數計時？

Valve一直有放假的梗，例如“員工一直都在度假，放假空隙更新一下Dota2和CS：GO，上Steam收收錢等。”

7月，Steam實驗室迎來一週年，官方通過部落格文章回顧了過去一年中Steam實驗室的運營情況，並宣佈社群推薦、互動式推薦、接下來暢玩以及升級版搜尋工具已經正式上線。


繼續主推社群功能、玩家推薦以及利用大資料深入優化使用者獲取喜愛的遊戲的工具，逐步取代平臺一貫編輯主導的格局，為了讓員工多放假，Valve真是煞費苦心。

平臺做大，演算法與人工的抉擇

2018年末，Steam遊戲數量就已突破3萬，現或超過4萬。根據Steam平臺資料顯示，同時線上人數已超過2000萬。其實無論是Wegame、Epic商城、Taptap亦或者Steam，玩家的核心訴求其實都相似，能不能找到我想玩的？能不能分享我愛玩的？能不能推薦符合口味的？能不能讓我買到更便宜的？

價格永遠是牽動消費者敏感神經的一環，一個合格的遊戲平臺少不了各種名目的打折促銷，更有Epic這樣財大氣粗、野心勃勃的連續贈送“喜加一”來拉攏使用者。

一般來說，新平臺上線的首要任務是保障自己有時下熱門和最新的遊戲，然後不斷引進更多老遊戲擴充產品庫。此外通過贊助、合作等方式與各個遊戲團隊建立關係，獨家、首發等形式提升競爭力。


隨著遊戲數量與使用者數量的雙重增長，平臺社群文化的構建，相關推薦機制成為新的研究課題，這也是目前擺在Steam面前的問題。

遊戲數量在不斷增長，使用者接受的資訊量也越來越龐雜，尋找感興趣遊戲的困難程度在加劇。對Steam而言，傳統編輯推薦的形式已不足以滿足日益增長的使用者需求。利用大資料下神經網路、機器學習構建的推薦機制，以及對標籤搜尋的深入優化，同時增加社群推薦的入口和比重。

這也意味著在Steam看來，平臺和編輯不應該成為引導使用者方向和口味的主要角色，玩家自己才是，推薦機制和搜尋功能的優化也是為了方便玩家尋找更符合口味的遊戲。

Steam實驗室演變

Steam一直都有利用資料的傳統，甚至專門開闢了相關頁面（Steam統計）來分享一部分平臺資料。官方的說法是“相信通過這些資料的分享，我們便可以儘早發現問題，更有效地改善 Steam 服務，最終打造更好的產品和體驗。”，當然免不了也有秀肌肉的意味。


2019年7月，Steam上線了“Steam實驗室”模組，並把入口放在了平臺首頁。該板塊作用是針對可發現性、視訊、機器學習及更多功能進行各種實驗測試。首期上線了“微型宣傳片”、“互動式推薦模型”和“自動展示”功能。所有玩家都可以去試用並提交反饋建議，Steam也會據此對它們做出改進。

而在一年後，Steam宣佈正式上線4項新功能，暫時擱置2項測試，同時繼續展開3項實驗。

社群推薦：在主頁主推展示使用者的評測，所有人均可看到。將社群活力帶到商店中，讓使用者隨時知曉遊戲玩家現在正樂於玩什麼遊戲，又為什麼樂在其中。這一新功能同時也可以讓我們這些平臺管理者退居幕後，讓玩家相互聯絡並賦予他們更多能力，以便他們可以直接相互推薦遊戲。


互動式推薦：使用機器學習來為玩家提供個性化推薦，建立了一個能夠自我訓練來辨別 Steam上數百萬玩家遊戲模式的系統。玩家能夠排除自己的遊戲歷史記錄中他們認為是異數或是錯誤的遊戲，納入了避免已經玩過的遊戲影響推薦結果的功能，以及忽略大家已經在另一個平臺上擁有的遊戲的推薦。

“接下來暢玩”建議：這個功能利用與互動式推薦模型相同的技術，向玩家推薦已經擁有但尚未玩過的遊戲。使用者可以在自己的收藏中新增“接下來暢玩”陳列架，用來在自己的庫中檢視 Steam 的推薦。這些是在與數百萬其他玩家進行比較後，根據玩家的遊戲歷史記錄做出的建議。

強大的“搜尋”工具：玩家要求的許多全新工具都已新增，如依價格篩選結果、只檢視正在特賣的專案，以及排除已擁有遊戲、已加入願望單或已忽略的專案。現在使用“搜尋”，就可以將威力強大的特定搜尋加入書籤，例如這個書籤可以直接訪問社群最受好評、且支援多達四名好友遠端同樂的非暴力橫向滾屏平臺遊戲。

Steam的意圖很明確，如上文提到，平臺退居幕後，玩家互相推薦遊戲。而互動式推薦以及接下來暢玩其實類似我們常見的“猜你喜歡”這類關聯功能，不過推薦內容使用者是否真的滿意，還要看背後演算法的優劣。

除此之外，實驗室中還有一些傾向明顯的功能，例如玩家自定義新聞活動中心，定向獲得資訊；微型宣傳片，自動化生成遊戲宣傳內容，不光圖文編輯要下班，視訊編輯也進入倒數計時；基於標籤關聯絡統的持續優化等。

平臺編輯的未來

Steam實驗室的方向並非天馬行空，而是我們常見的功能的持續優化。例如Wegame一開始就加入的社群功能，又如Taptap引以為傲的高質量使用者評論系統。但由於發展階段的不同，Steam如今所面對的問題，也是遊戲平臺做大必須面對的。

無論是PC、還是手遊，其它遊戲平臺目前還是由專業編輯作為推薦的主導，哪怕是高冷的App Store少不了編輯推薦的部分。這些編輯基於自身經驗、市場風向以及平臺需求，蒐集整理相關遊戲向玩家進行資訊輸出。

然而當平臺內容數量達到一定量級，再專業的編輯也不可能定向滿足不同使用者口味，提供定製化的遊戲推薦服務。更優秀的演算法，更自動化的推薦、更符合使用者口味的建議本質是提供更好的遊戲推薦服務，來近一步提升平臺自身的競爭優勢。

當然，平臺編輯也不可能完全失業，無論是監管需要，還是對於平臺整體的內容把控仍需要經驗豐富的人來完成。

來源：遊戲觀察
原地址：https://mp.weixin.qq.com/s/eNwBrwCM6sGgQVvMtK7U5w