人类是一种社交动物，很难脱离群体而存在。

在信息时代，网络游戏作为一种新的社交介质，帮人们连接彼此，解放孤独。因而在网络游戏中，玩家间的社交成为最重要的玩法构成。

例如《和平精英》一组社交数据显示，超过80%的玩家选择组队游戏。在游戏里自己一个人玩的玩家流失率最高，而超过一半的流失玩家回流是因为好友邀请。

对于很多拥有庞大用户规模的游戏产品来说，如何维护好用户的社交生态，成为决定游戏玩家活跃稳定性的关键。换句话说，游戏中的社交健康度非常重要。

值得提出的是，站在游戏运营角度，这一直存在一个难点：游戏活跃、商业化等都有成熟的数据指标体系来描述衡量，进而帮助游戏迭代运营。但对于玩家社交，却一直缺乏有效的描述和评估方式。

在今天的腾讯游戏开发者大会（TGDC 2022）上，腾讯互娱光子S工作室总经理、《和平精英》项目负责人高丽娜以“游戏世界中的玩家网络”为主题，为我们带来了最新解法。

她从前期理论、游戏中建模、后期运营，全方位分析玩家网络对游戏生态的影响，以及如何实现玩家网络动态运营。

以下是腾讯互娱光子S工作室总经理、《和平精英》项目负责人高丽娜讲全文，略经编辑：

网络化建模，游戏社交方法论

我们应该如何去描述，并且建立起相应的评估体系呢？

答案之一即网络化建模。比如我们把游戏里的每一个玩家描绘成一个点，而把玩家之间的社交关系连接成一条边，最终我们就可以得到一张右侧这样的网络化连接图。

今天，我们有幸处在信息技术非常发达的时代，计算机可以帮助我们存储和分析处理如此巨量的数据。

什么是网络化建模呢？比如我们把游戏里的每一个玩家描绘成一个点，而把玩家之间的社交关系连接成一条边，最终我们就可以得到一张这样的网络化连接图。

以 pacific RISA的网站评估太平洋区域气候环境变化的两幅研究项目图为例。这两幅图分别采用了不同的布局算法来呈现。图上的每种色彩，标识的是研究人员来自的国家地区；而圆圈的大小用来表示每个人所拥有的连接数量。

第一种布局，是以呈现国家地区为单位的社群分布为主。这个原图是可以放大到非常大的，可以方便的看到社群里以及社群间的人们的连接情况。也就是说来自于同个地区的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。拥有最多连接数的研究人员也被认为是最有影响力、最核心的成员，他们都位于这幅图的中心位置，网站上也把这些人员单独列了一张姓名列表出来。

参照这两个图，如果我们把游戏里的玩家网络绘制出来，也将以同样的图示方式呈现。只不过对于以亿计的玩家数来说，我们可以把玩家的连接网络在计算机里绘制出来，但却很难以这样一张图的方式供人来肉眼查看了解信息

换句话说，这已经超出了我们自身处理信息的能力。但计算机是具有这样的信息阅读和挖掘能力的，所以我们可以使用计算机通过多种算法，从不同维度帮助我们透视了解其中的信息。

既然人与人之间的关系，可以用网络化建模的方式来描述。那么于这样绘制出来的网络来说，它们是否会存在一些规律或是特点呢？答案是存在。

自从复杂网络的无标度特性被发现以后，大量的真实网络都被发现是具有这种特点，例如我们熟悉的由无数网页连接而成的互联网、以及人与人之间进行通讯的电话网等等。

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。

无标度网络的4大特性

​既然网络科学是基于无标度网络的，那什么是无标度网络？

对于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，叫做无标度网络。它遵循幂律分布，有重尾效应。

无标度网络的重要特点包括以下几个方面：

符合幂律分布和拥有枢纽节点。对于游戏玩家网络来说，我们经过分析，发现游戏里大部分玩家通常交互的朋友数在3～4人，少部分玩家交互的朋友数偏多，可以达到几十人，甚至几百人。 

其次，无标度网络不是静态的，在生长过程中它具有优先连接的特征。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也更容易交到新朋友。

再则是社群聚集的特征。我们常说人以群分，具有共性的人们总是倾向于结成一个圈子，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。

接下来是面对攻击的脆弱性。当你主动攻击枢纽节点，会让它所连接的大量其他节点断联。这在在游戏里表现为，当枢纽用户流失的时候，会影响他周边大量好友的活跃和留存，进而严重影响游戏的局部社交生态。

看完这些特点，我们其实会发现，无标度网络模型能对应社科学里的一些概念。

比如幂律分布就很像二八定律，20%的人拥有80%的资源；我们经常说，在地球上要找到任意一个人最多只需要通过6个人，因为我们在找人的时候也总是先找到那些拥有广泛连接的枢纽节点型的人。

如何在游戏中建立社交网络模型？

讲完概念，我们具体看一下游戏中的应用，以及游戏中建模的过程。

首先为了构建我们的玩家网络，我们需要对网络的边进行定义。在这里玩家网络大致分为强交互和轻交互两种。

前者，比如我们可以选择选取组队、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的权重进行网络边权重的计算，这样就可以得到一张描述强交互行为连接情况的玩家网络。后者，可以选取观战、点赞这样的轻互动来定义。

这个定义是可以根据实际研究需要进行修改，不同的目的就采用不同的定义方式。目前，我们主要是聚焦于研究强交互玩家网络，我们认为强交互更加核心。

有了这样的边定义之后，我们就把游戏中所有玩家构建出了一张带有边权重信息的玩家网络。当然，这张网很大，数据量决定了只有计算机才能阅读它，所以我们是通过各种算法来从各种维度查看和管理它。

在全局网络生成之后，就可以进行社群的挖掘。在我们的社群定义里，它是一些紧密连接节点的集合，集合内部连接紧密，而与外部连接稀疏。根据这个定义，我们运用了相应的算法来进行社群发现，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。

标签化，动态运营玩家网络

因为在游戏中我们研究的都是群体，所以需要借助一些标签来定义玩家的群体。

首先为了基于社交这个属性进行相应的研究，我们需要在原有的用户标签基础上，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，在原有的玩家标签里增加一些社交标签，用来标识玩家社交相关的特征。比如偏好组队战斗还是一个人奋战，喜欢点赞还是从来不发声，喜欢主动添加好友还是被动等待别人加自己等等。尽量去还原用户的社交偏好，以便更好的为他们服务。

另一方面，因为我们建立了社群，所以我们针对所挖掘出来的社群，也给它定义了社群标签，用于标识社群的特征。偏好类，比如有的社群只喜欢玩团竞模式，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等。

那有了这些标签，我们就可以从用户群体出发来做一些体验优化了。

首先我们关注的是玩家网络中的生长，也就是网络中新连接关系的建立。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。

陌生人之间的交友建联，目前根据不同的情况和适用性有很多套算法。例如，以前我们做推荐更多是考虑玩家的活跃、行为偏好这些标签，但是现在我们基于对社交网络的构建，以及提取并且新增定义了社交类的标签。

社交标签能帮助我们更好的了解用户在社交方面的特征偏好，所以我们把社交标签加入到算法中，也可以进一步让我们的交友推荐变得更加精准化。而只有有效精准的推荐，对玩家来说才是有用的，因为玩家不是不喜欢交朋友，而是他们希望交到自己觉得合适的朋友。

此外，前面我们也提到过优先连接的结论。融入社交标签进行算法改进的目标，就是能够精准的为用户推荐会让他愿意结交的优先连接节点，这样他们的结交概率才会大。

而将玩家推荐到适合的组织也是一样的道理。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其实是有标准的。那么这里的目的就是要尽量让算法去理解军团长的偏好，把适合的玩家推荐过来，才更有可能成功的加入到群体中来。

总体这些算法的思路，都是通过将用户社交属性进行细分定义，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，我们还需要不断维护这张网络。也就是要不断激活网络中的联通关系，促进玩家间实实在在的交互。

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。当降低成一个低活跃用户的时候，因为粘性不足，就很可能会流失。而活跃度降低的原因里像关键好友流失、社交行为减少等占比很重。

根据我们的研究，可以说社群的形成离不开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。而社群的一个典型特点是：信息在社群内部会被传播的很快，但如果想要把信息出圈传到其他社群就会比较困难。

往往我们需要借助社群和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被传遍整个社群触达到尽可能多的人。

聚集系数，拆解社群与活跃关系

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。这里要引入一个图论中集聚系数的概念，简称cc值。

关于cc值，我们用了一种更直观的方式来介绍它。

首先，cc值在概念上是用来表征网络中的点之间连接的密集程度。它最小为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的十分紧密，大多数的人互相都认识；越小说明关系是比较疏散的，很多人互相间不认识。

比如你新建了一个群，你的朋友之前互相都不认识，那这时这个群的cc值就是0；当你认真的介绍了每一个人的情况，他们互相之间认识了并理解彼此的情况后，这时这个群的cc值就是1。

对位到游戏中，如果你一直留存，就有可能你会邀请他们三个一起四人组队游戏，这样他们之间就可能互相认识，当他们互相间也形成连接之后，cc值就变大了。

事实上在真实的社交网络里，我们的密友他们之间往往也是朋友，所以真实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。

那有了cc值的概念，我们再来看几组和它有关的研究结论。

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，当cc=0.6的时候大约刚好是中间值。

同时cc值和留存率的关系，也是正相关。随着cc值靠近1，留存率会达到一个非常高的程度。

这说明在一个社群里，当cc值很高时，玩家的社交网络非常致密。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。

由此，我们在日常的运营中，可以去统计查看各种规模社群按不同cc值数量分布的情况，进而让我们比较直观的了解到用户网络的紧密与活跃情况。让玩家的社交网络更加活跃健康，改善游戏体验。

从之前的讲述里，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，可以发现其中存在着一些数据上的关联。

例如，我们发现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%；而10～50人社群每减少1%，那么2～5人社群下一周期就会增加0.5%。

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，也可以发现这种占比变化存在明显的周期性。比如每年春节因为各种玩家的回流，大社群就会多起来；假期结束很多人重新忙碌起来，大社群就会拆分，小社群开始变多。

但总体来说，游戏里无社群和小社群占比的增加，与活跃度呈负相关。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。

目前基于对这样一些变化关系的观察，我们在游戏里实现了对玩家的无社群预测模型。它可以帮助去预测接下来的周期里，在没有干预的情况下玩家转化为无社群而流失的情况。

最后，我们总结一下玩家网络生态整体的一个动态运行方式。

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，去帮助玩家结识新朋友；其次注重做好回流玩家的承接，运用熟人关注推荐算法，帮助玩家激活修复原有的关系网络。

然后是对社交关系的带动加深：这里会关注运用社群化传播的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。

在整个过程里，会不断的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的预测，去及时干预和加固社群，维稳活跃。