Нейросети в приложении к играм и игрокам

[flashgun 0]

Братцы, рискую насмешить и окончательно снискать репутацию поехавшего, но чем больше я смотрю на накопившуюся инфу, полученную из стора и xbox live, тем больше мне хочется получить ответ не в виде таблицы и/или графика, а в виде каких-то рекомендаций. Есть идея скормить стату и прайсы по играм и игрокам в нейросеть, чтобы получить ответы на следующие вопросы:

 

1. Стоит ли некая игорь своих денег

2. Стоит ли рассчитывать на скидку в будущем (и размер скидки) для конкретной игры

3. Зайдёт ли мне та или иная игра (стоит ли её купить за этот ценник)

 

Ну, то есть вопросы понятны, и ответы на них нужны и полезны.

 

Что есть:

1. Для каждой игры её цена и история изменения цены, дата выхода. Есть издатель и разработчик. Типа, можно предположить, что цена, например, на какой-нибудь Just Dance 2019 упадёт в очередное рождество. Но это-то и так понятно, потому что таких игр мало, а вот для всякого инди-говнеца было бы любопытно попробовать предсказать её появление в распродажах.

2. Для каждого игрока есть перечень игр, в которые он играл, процент прохождения, ачивки, длительность сессии. Можно, наверное, найти игроков с похожими "вкусами" и прикинуть, что конкретную игру вы пройдёте на такой-то процент с такой-то вероятностью. Я пытался построить рекомендательный сервис (есть ссылка в подписи), но его логика железна и математична, а мне кажется, её нужно сделать менее чёткой.

3. Есть стоимость игры, которая вместе с количеством поигравших, процентом прохождения, ачивками, может дать информацию относительно обоснованности цены. Тут, конечно, есть сомнения в адекватности результата, но и нейросеть обычно реализует вероятность правильного ответа, поэтому можно просто попробовать в качестве эксперимента.

 

Могут быть и другие неочевидные корреляции и зависимости.

 

Короче, если здесь есть спецы, поделитесь соображениями, как лучше офигачить нейросетью мегабайты данных из моей статы и дипы.

[moff 214]

А беткоены твоё говно майнить может?

[maxbesheniy 19]

@flashgun, никак не стоит

Вопросы, которые ты перечислил, глубоко субъективные, кроме скидок, которые далеко не всегда подчиняются логике

[Gman 264]

снискать репутацию поехавшего

Так уже давно

[creker 0]

1. В этом вопросе одни неизвестные. Нет четких критериев, на основе которых можно строить прогноз. Попробуй сам предсказать, имея на руках не вышедший проект, какой у него будет успех и когда его начнут сливать по скидке. Все, что здесь поддается анализу, это насыщение рынка, потенциальная база игроков, чем занимаются разрабы, когда берутся за новый проект. Вон Клиффи взялся за lawbreakers и прогадал. И это при том, что он знал про все эти критерии, но надеялся, что его проект сможет кусочек отхватить. Ничем это толком не предскажешь, надежды ведь реально были. Отчасти своей мерзкой натурой и испортил проекту жизнь, такое не предскажешь.

2. Именно рекомендательная система здесь и нужна. У тебя есть критерии (оценка от прессы, издатель, разработчик, жанр, история игр игрока) и, по факту, отсутствие какой-либо корреляции между ними, т.к. предсказать по этим параметрам оценку игрока невозможно. Все, что в таких случаях делают, это строят рекомендательные системы, которые берут выборку продуктов, максимизирующую эти критерии. Нейросеть здесь не нужна.

3. Оценка в любом случае будет очень грубой, но ее достаточно легко будет посчитать подбором коэффициентов для взвешивания критериев, чтобы получить на выходе обоснованность. По сути, это будет примитивный вариант нейросети с одним скрытым слоем. Можно конечно это доверить алгоритму обратного обучения, который сам коэффициенты подберет, а можно и руками сделать.

 

как лучше офигачить нейросетью мегабайты данных из моей статы и дипы.

Лучше не упарываться в модное слово, потому что нейросетям не скармливают просто мегабайты данных в поисках какого-то чуда. Нужен тщательный подбор входных и выходных значений, стратегия обучения, правильная конфигурация самой сети и потом отсутствие каких-либо гарантий, что она будет эффективно работать. Для всех твоих задач есть специализированные алгоритмы вроде деревьев принятия решений, опорных векторов и байесовских сетей. Просто так кидать на все подряд нейронную сеть - так дела не делаются. Это было пройдено на заре их рождения, после чего они и были забыты. Побаловаться конечно можно с нынешним изобилием библиотек, но не думаю, что получится что-то дельно, что сможет превзойти специализированное решение.

[lexxemburg 0]

Лол, тебе 12?

[rus1988 105]

Попробовать всегда можно. почему нет. но в любом подобном моделировании нужно все делать с осторожностью и каждый этап проверять. я с нейросетью не работал, все делаю руками, поэтому не могу ниче сказать насчет того, насколько корректно нейросеть использует различные виды данных и методы анализа - здесь @creker правильно говорит. та же множественная регрессия (мне только она известна из предиктивных методов) имеет строгие требования к тому, что туда засовывать и нужно готовить данные. если брать кореляции, то тоже надо смотреть, нормальное распределение или нет, какие типы данных - дихотомия, шкала или номинальное распределение. исходя из этого выбираешь коэффициент. часто не морочатся и берут к-т пирсона, но это не есть правильно - он подходит для нормальной количественной переменной типо роста, возраста. короче, надо смотреть, что и как твоя нейросеть делает, т.е. какое древо решений в ней заложено. 

 

Если все ок с техническими моментами, то основная опасность - неверная интерпретация причинно следственных связей. например, если в обработку запихнуть сердечнососудистые заболевания и частоту игры в гольф, она 100% покажет, что между ними прямая зависимость. ошибка в том, что не запихнул переменную возраст, которая в данном случае остается за скобками.

 

Мне кажется третий пункт твоего поста очень перекликается с этим примером. навскидку я бы еще делал оглядку на хайп - то есть проценту прохождения среди тех, кто начал играть спустя месяца два-три я бы придал больший вес. еще есть разные сегменты пользователей. мое имхо - большинство юзеров говнари и школьники, которые раз заплатили, то пройдут до конца. т.е. надо выделять сегмент пользователей, чувствительных к качеству игр именно этого жанра. короче, это интересно, но денег за результаты я бы не заплатил. 

 

опробовать всегда можно. почему нет. но в любом подобном моделировании нужно все делать с осторожностью и каждый этап проверять. я с нейросетью не работал, все делаю руками, поэтому не могу ниче сказать насчет того, насколько корректно нейросеть использует различные виды данных и методы анализа. та же множественная регрессия (мне только она известна из предиктивных методов) имеет строгие требования к тому, что туда засовывать и нужно готовить данные. 

если все ок с техническими моментами, то основная опасность - неверная интерпретация причинно следственных связей. например, если в обработку запихнуть сердечнососудистые заболевания и частоту игры в гольф, она 100% покажет, что между ними прямая зависимость. ошибка в том, что не запихнул переменную возраст, которая в данном случае остается за скобками.

мне кажется третий пункт твоего поста очень перекликается с этим примером. навскидку я бы еще делал оглядку на хайп - то есть проценту прохождения среди тех, кто начал играть спустя месяца два-три я бы придал больший вес. еще есть разные сегменты пользователей. мое имхо - большинство юзеров говнари и школьники, которые раз заплатили, то пройдут до конца. т.е. надо выделять сегмент пользователей, чувствительных к качеству игр именно этого жанра. короче, это интересно, но денег за результаты я бы не заплатил. 

По рекомендациям, я знаю нетфликс в свое время проводил челлендж среди студенческих команд на разработку системы рекомендации для их сайта. можно погуглить алгоритмы. 

 

П.П.С. расскажи, что за нейросеть и как ты ее используешь, если не секрет.

Изменено 20 апреля 2018 пользователем russamael