CN106540448A - 一种游戏玩家之间交流对其消费行为影响的可视分析方法 - Google Patents

Abstract

本发明公开了一种游戏玩家之间交流对其消费行为影响的可视分析方法，包括以下步骤：(1)获取数据，数据中的属性包括：人物的身份标识ID、时间戳t、人物自带的分组g和人物随时间变化的行为属性；(2)通过行为属性计算人物核心度，划分出核心人物与普通人物；(3)将行为属性中人物受到影响产生的行为定义为B行为；(4)根据步骤(3)得到的关系计算不同组的人物完成不同B行为所受到影响，得到一个方程系统，采用偏相关平方来评估核心人物和普通人物的影响力；(5)将步骤(4)得到的数据和模型进行可视化，可视化图像包括高层视图和细节视图；本发明方法可有效分析玩家交流对消费力的影响，可以应用到很多不同的虚拟游戏平台中。

Description

一种游戏玩家之间交流对其消费行为影响的可视分析方法

技术领域

本发明涉及虚拟游戏数据评估分析方法，特别涉及一种游戏玩家之间交流对其消费行为影响的可视分析方法。

背景技术

多人在线角色扮演游戏为玩家创造了虚拟的社会环境，玩家可以选择不同门派的角色，在一个游戏环境中持续的相互影响。在这个虚拟的社会中，包含了大量交互行为和参与式活动，因而许多玩家在各种MMORPG中投入了大量的金钱，时间和精力。某种程度上在线角色扮演游戏已成为电子商务的一个重要组成部分。据统计，全球MMORPG总收入在2015年已达到110亿美元。

玩家对于游戏的体验和投入性对MMORPG的公司盈利性和发展的持续性影响很大，玩家对游戏越有兴趣有依赖，公司能有更大的收入，游戏也能更加可持续的发展。因此，理解玩家在游戏中的行为动态变化的特征和趋势具有可观的潜在商业价值。同时，玩家在自发的依时间变化的行为数据可以让社会学家更好的理解这些复杂行为是如何影响和被影响，是如何在这个虚拟社会网中受到制约或者制约其他行为的，因此也具有科研价值。

传统的分析类似数据集的分析方法集中在三个方面，一是社交网络中的行为分析，二是社交网络可视分析，最后一个是时序数据的可视化。对于第一个，在我们的游戏数据中，有两个突出的行为是消费和交流。相关文献表明，一个人的消费是受到其和伙伴之间交流重大影响的。影响的过程中有三个机制尤为重要，分别是直接交流(DirectCommunication)，社会影响(Social Influence)，三元闭包(Triadic Closure)。玩家间的直接交流是游戏中玩家的想法或者商品售卖传播的重要途径。社会影响是说，玩家会观察其他比自己优秀的玩家，然后花钱买装备等来改善自己使得自己的技能和表现使得能与优秀玩家更接近；两者差距越大，玩家有更强动机来消费。三元闭包是说，一个玩家若和另外一个玩家又更多共同好友，那么这个玩家会买更多商品来改善自己技能和表现使得能与这些玩家更接近。

对于社交网络可视分析中，早期一些分析都是基于静态网络的，比如节点‐链接图(Node‐Link)，矩阵图或者这两者的结合体等等；近些年来，动态社交网络可视分析也渐渐成为研究的热点，比如动态的自我中心网络(ego‐centric network)等。

时序数据可视化中，流图(stream graph)是常见的用于表现演化过程模式的可视化方法。不少流图的改进版被用于文本数据演化，主题数据演化，文本流数据等。

这样的解决方法面临一些挑战:一是如何度量不同行为之间的交互关，发掘不同社会结构或影响机制产生的作用；二是如何将这种大规模的动态的，彼此之间有交互的数据进行可视化。

发明内容

本发明是提供一种游戏玩家之间交流对其消费行为影响的可视分析方法，可以度量不同行为之间的交互关系，发掘不同社会结构或影响机制产生的作用，并将彼此之间有交互的数据进行可视化，便于分析和处理。

一种游戏玩家之间交流对其消费行为影响的可视分析方法，包括以下步骤：

(1)获取数据，数据中的属性包括：人物的身份标识ID、时间戳t、人物自带的分组g和人物随时间变化的行为属性；

(2)通过行为属性计算人物核心度，划分出核心人物与普通人物；

(3)将行为属性中人物受到影响产生的行为定义为B行为，将人物的B行为受到的影响分为三种社会机制：直接交流DC，社会影响SI和三元闭包TC；

B行为设有多种，任一B行为定义为b_p；

处于时间段t属于分组i的ID为k的人物产生b_p所受到影响的计算公式为：

其中，

DC、SI、TC是每一组人物(不管是同一组还是其他组)通过三种机制对人物k造成的影响；

DC*SI、DC*TC是检测DC与SI的联合影响和DC与TC的联合影响；

Controls是对人物的B行为产生影响的控制变量；

(4)根据步骤(3)中的公式，计算不同组的人物完成不同B行为所受到影响，得到一个方程系统，每个方程系统用表面非相关回归(seemingly unrelated regression)来进行估计，得到每个机制产生的影响力以及不同组人物的影响力；

采用偏相关平方来评估核心人物和普通人物的影响力。

(5)将步骤(4)得到的数据和模型进行可视化，可视化图像包括高层视图和细节视图：

高层视图是用河流的形态表示玩家不同行为的动态变化以及不同行为影响力的共同演化趋势，包括：

堆叠树图像，有至少三层，包括：底层为根节点，代表当前服务器所有玩家；中间层为玩家分类节点，代表所有玩家分组，每组内又分核心玩家和普通玩家；最上层为商品消费叶节点，代表每个小组对应的在商品上的消费情况；

消费流图像，每条消费流在任一时间点的宽度和该时间点上对应组玩家的平均消费额度成比例；

影响力彩带，不同颜色的影响力彩带按固定排列顺序叠放在每个消费流上，代表社会交互机制类别，影响力彩带的宽度来编码社会交互机制的影响力大小；

影响条形图，在任一时间点的影响力彩带上单击产生，代表在这个时间点上该组受到的来自其他组和本身的社会交互机制的影响力；

细节视图是多列相互动态关联的交互视图，包括：

属性分布环，沿周向按玩家组数分为多个部分，每个部分对应的圆心角和该部分对应玩家组的人数成正比；

像素条图，像素条图中的每一个像素块代表选中玩家组中的一个玩家，像素块颜色的深浅代表该玩家当前用户选中的属性值的大小。

在计算前，将采集的数据进行清洗数据，整理数据：

数据包含一系列属性，包括：人物的身份标识ID，时间戳t，人物有自己本身的分组g(g₁,g₂…)；一些随时间变化的行为属性p₁,p₂…；

行为属性有：

交流行为(比如在在线多人角色扮演类游戏中的聊天等)的记录；

受到影响的行为(称为行为B,比如在在线多人游戏角色扮演类中购买商品)的记录，在这里B可以分为并列的几种形式(b₁,b₂,…,比如在游戏中对应购买不同种类的商品)。

将这些数据整合为异构的时间序列数据，将数据字段不全、缺失数据字段的值无法推断的、或者其他异常的记录剔除，清洗后的存储在数据库中。

步骤(2)中，通过对p₁,p₂…这些行为属性进行降维、抽象得到一个指标，再用交流行为中提出的指标对这个综合指标进行加权，称之为“交流行为加权的行为核心度”(Communication‐Weighted Behavior Sophistication,CWBS)。根据一定百分比(可以进行设定)，划分出核心人物(sophisticated persons)与普通人物(general persons)。

为了提高评估的准确性，优选的，步骤(3)中，DC、SI、TC的计算

公式如下：

其中：

代表组i的人物k的CWBS得分与同组核心人物组、普通人物组之间交流频次，CWBS得分即交流行为加权的行为核心度；

代表组i的人物k与其他组j核心人物组、普通人物组之间的直接交流频次；

分别代表组i中人物k与和其有过交流的同组核心人物和普通人物的平均的CWBS得分差异；

则代表代表组i中人物k与和其有过交流的另一组j中核心人物和普通人物的平均的CWBS得分差异；

因此,人物k和同他/她有交流的人的差异越大,他/她就越容易受到其朋友的影响；

分别代表组i中人物k与和其有过交流的同组核心人物和普通人物的平均共有好友数；可以采用Jaccard系数计算，如果u、v是两个人物，他们共同好友数目为|u∩v|，两个总共好友数目为|u∪v|则Jaccard系数为

(有修改请确认)分别代表组i中人物k与和其有过交流的其他组j的核心人物和普通人物的平均共有好友数；

ngr代表组数。

为了提高评估的准确性，优选的，步骤(3)中，DC*SI和DC*TC的计算公式如下：

这里上下文中提到的β都是回归系数,是需要在回归的时候求出来的。

上述的两个公式中乘积项的部分是用来控制社会影响力，三元闭包对直接交流影响力的混淆效果。这方面的考虑已经在之前许多实证的关于社会，交流和信息网络的研究中得到了很好的论述。控制重叠效果使得理清楚三种社会机制交织的关系，从复杂的影响网络中找出和研究每个机制的影响力。

为了提高评估的准确性，优选的，步骤(3)中，Controls的计算公式如下：

其中：

X_sp(i),X_gp(i)代表与属于组i的人物k有交流的同组的核心人物和普通人物的各个属性的平均值；

X_sp(j),X_gp(j)代表与属于组i的人物k有交流的其他组j的核心人物和普通人物的各个属性的平均值；

X_k代表人物k自身的属性值；

C_k代表人物k在上一个时间段里在完成b_p付出的努力，比如,如果b_p代表的是在商品p上的消费行为,那这里付出努力衡量值就是在商品p上花费的金钱，除此之外还可以是花费的时间、

C′_k代表人物k在当前时间段在除b_p外其他B行为付出的努力；

P_j代表人物k当前时间段内有交流的人数中完成b_p的人数所占的比例。

为了使属性分布环具有更好的显示和分析数据效果，优选的，将每个根据玩家感兴趣的属性，所有的玩家会按照各自的属性值的高低进行排序，把所有玩家的属性的值的集合根据四分位数划分为四个部分，沿半径从内向外排的分界值；然后根据得到的分界值对所述属性分布环的各部分的玩家从外到内地进行多个区块的划分，其中每个区块的厚度与该玩家小组落入这个属性区间人数的百分比成正比。

优选的，在所述属性分布环中间设有连接任一两部分属性分布环的曲线，所述曲线用来代表不同玩家小组之间的社会交互变量的值，这可以帮助用户直观地得到玩家小组间的交流次数，CWBS差值，共同交流人数的交互变量的值，从而把玩家的交互变量和他们的属性联系起来。曲线的宽度代表连接两个玩家组中个体相应的社会交互变量值的平均值。(比如，平均交流次数，平均共同玩家，平均CWBS差值)。

为了丰富本发明系统，用图像更直观地展现更多地数据，优选的，所述细节视图可视化模块还包括：

像素条图，在选中属性分布环中某一个部分后出现，像素条图的设计是为了展示最细粒度的玩家属性。具体而言，像素条图中的每一个像素块代表选中玩家组中的一个玩家，像素块颜色的深浅代表该玩家当前用户选中的属性值的大小。

进一步优选的，所述细节视图可视化模块还包括：

平行坐标，与像素条图同时显现的多个平行坐标，对于像素条中的每个玩家，都能算出他与所有玩家组的三个交互变量来。采用三个每个平行坐标表示可视化组内每个玩家与其他组的一个交互变量。

进一步优选的，每个平行坐标对应一种交互变量，具有与玩家分组数量相同的轴，每个轴代表一个玩家组，在对应某一变量的平行坐标上，一根分别连接的所有轴上任一点的线显示了当前选定的玩家组内某一个玩家在该种交互变量上和其他玩家组的变量值的分布。

线的颜色由该平行坐标所对应的交互变量种类决定，和高层视图中三条条带的颜色对应。平行坐标和像素条图都是可交互的且联动的，当用户选定像素条图中的一部分像素，那么对应那部分的玩家对应在平行坐标上的线就会高亮起来。同样若用户刷取平行坐标中感兴趣的一部分线条，对应像素条图上的相应玩家的像素点也会高亮起来。

优选的，所述细节视图可视化模块还包括：

玩家信息图表，表中通过像素条表示被选定的玩家的详细信息，表中每一行代表一个玩家，每一列代表一个玩家属性。

每个单元中放置一个横向的条来可视显现该单元格中的值相对大小。用户可以根据特定的属性排序表格中的玩家。一旦在表格中选定某个玩家，该玩家的自我中心网络就会以力引导布局出现在表格下方。力引导图中点代表一个玩家，点上的字母代表该玩家的组别，点的大小代表该玩家的CWBS值。由此不同玩家组中不同复杂度的玩家在当前选定玩家的个人交流网络中的分布情况可以清楚的展现。同时点和点之间的连线的粗细代表玩家之间交流的频繁程度，由此交流情况也能很好地被观测到。

本系统的界面还可以设置用户交互，系统提供多种用户交互机制，帮助分析师更好的探索数据的内涵，数据间关联，以及模式的产生原因、假设，具体如下：

选择与高亮:在分布环选中一个小组时，整个环会转动到使得选中小组从圆心向外指向右方。像素条图中的像素选中时，会变色而高亮。

过滤:主视图侧边的过滤栏，帮助玩家调节影响力彩带的粗细，和其深浅。当彩带因为归一化导致粗细较细而看不清，或者颜色由于太浅而可以忽略的时候，过滤栏帮助分析师显示重要细节或者忽略不必要细节。

放大缩小:选中高层视图中的一个时间段，细节层次视图就会展示对应时间点各种信息的内容；选中表中一个点，就可以看到其朋友门派分布，及和其交流次数。

视图关联:平行坐标中选中一些玩家，对应像素条图也会高亮。如果在表格中选中一个人，其对应的属性分布即在平行坐标中显现。

系统还可以自带分析任务，利用本发明的可视分析系统，可以完成大型多人在线角色扮演类游戏数据探索，分析任务，包括但不局限于：

1、探究玩家各种行为的演化:分析师可以用此系统完成对玩家消费依时间变化的探索，以及其社会活动演化。

2、玩家交流和消费的共同演化(co‐evolve)过程。玩家间社交会对消费通过不同机制产生剧烈的影响，分析师可以据此探求共同演化的过程。

3、寻找对其他组影响更高的玩家组，以及更容易受到其他组影响的玩家组。分析师可以进行组内与组间的比较。

4、研究影响交流对不同种类商品产生影响的异同。商品也各有各的属性，用途。分析师可以进行不同类商品进行类内和类间的比较。

5、探寻找到的模式的原因，寻求可能的解释和假设。当分析师发现了这些模式以及现象以后，利用交互进行更细致的挖掘，还可以结合自身经验，提出一些假设。

本发明的有益效果：

(1)本发明的游戏玩家之间交流对其消费行为影响的可视分析方法，适用于大数据量的计算，考虑多种属性变化，加入所处的虚拟社会环境的影响，适用性范围广，可以应用到很多不同的虚拟平台中。

(2)本发明的游戏玩家之间交流对其消费行为影响的可视分析方法，可以对玩家消费依时间变化的探索以及其社会活动演化；实时显示玩家交流和消费的共同演化过程以及玩家间社交会对消费通过不同机制产生的影响；寻找对其他组影响更高的玩家组，以及更容易受到其他组影响的玩家组；可以进行组内与组间的比较；快速发现影响交流对不同种类商品产生影响的异同；根据商品的属性和用途可以进行不同类商品进行类内和类间的比较；探寻找到的模式的原因，寻求可能的解释和假设；发现以上了这些模式以及现象以后，利用交互进行更细致的挖掘，还可以结合自身经验，提出一些假设。

附图说明

图1是本发明的游戏玩家之间交流对其消费行为影响的可视分析方法的流程图。

图2为本发明的游戏玩家交流对消费行为影响的可视分析图像的展示图。

图3为图2中A部分的放大示意图。

图4为图3中最左部分的放大示意图。

图5为图2中B部分的放大示意图。

图6为图2中C部分的放大示意图。

图7为图6的属性分布环某个部分的示意图。

图8为图6的属性分布环中曲线的示意图。

图9为图2中D部分的放大示意图。

图10为图2中E部分的放大示意图。

图11为图2中F部分的放大示意图。

图12为图2中G部分的放大示意图。

具体实施方式

如图1所示，本实施例的游戏玩家之间交流对其消费行为影响的可视分析方法，包括如下步骤:

步骤1、设计目标确立，清洗数据，整理数据：

通过和游戏运营者，相关领域专家或者潜在用户交流和讨论，得到一些关于MMORPG数据中行为可视分析系统的设计目标:i展现每种行为的演化。ii展现玩家的交流行为和消费行为随着时间共同演化。iii能帮助用户找到一组用户，其交流能对其他玩家的消费造成更大的影响；找到一组用户，更容易受到这样的影响。iv)帮助用户找到对于不同商品来说，交流对消费影响异同。v找到模式的可能的原因，解释，或者假设。

一般来说，大型多人在线角色扮演游戏(Massively Multiplayers Online Role‐playing Games，以下简称MMORPG这样的数据会包含这一系列活动属性：玩家的身份标识ID，时间戳，玩家的门派，性别，职业；一些随时间变化的属性如等级，修炼等；交互行为比如玩家之间进行聊天的记录；消费行为，在游戏中购买不同种类的商品，道具，还有充值记录等等。

我们选择有游戏中一个服务器的数据游戏同时在多个服务器上运行，不同服务器之间玩家是没有聊天等形式的交流的)，将这些数据整合为异构的时间序列数据以时间和玩家ID为主键)，将数据字段不全、缺失数据字段的值无法推断的、重复的、或者其他异常的记录剔除，清洗后的存储在数据库中。时间跨度总长为49周。

时间序列的生成，是由滑动窗口的方法建立的。我们时间窗口长度取14天，滑动的大小为7天，这样能保持数据的连贯性，防止过于剧烈的波动。

将这些数据整合为异构的时间序列数据，将数据字段不全、缺失数据字段的值无法推断的、或者其他异常的记录剔除；对时间段进行合理划分，按照时间戳t和人物的ID进行数据的整合；整合后的数据往往是异构数据，可以存储在例如MongoDB这样的数据库中；

步骤2、计算人物核心度：

通过对p1,p2…这些属性通过主成分分析法(PCA,Principal ComponentAnalysis)进行降维得到一个指标，再用交流行为中提出的指标(可以根据交流行为构建网络，用一些网络的属性诸如centrality等作为用于加权的指标)对这个综合指标进行加权，称之为“交流行为加权的行为核心度”(Communication‐Weighted BehaviorSophistication,CWBS)；根据预设的百分比，在每一组中划分出核心人物(sophisticatedpersons)与普通人物(general persons)。

然后，利用这些属性通过一个设定的度量方法，计算出一个核心度值。这个核心度在我们方法中，既考虑了玩家那些动态属性，又考虑了玩家所处虚拟社会环境的影响，即是将玩家间交流行为做量化并整合进动态属性中抽样的指标中。我们称为Communication‐weighted Behavioral Sophistication(CWBS)。

CWBS是如下计算的:根据经验，我们首先选择一些玩家属性，计算Cronbachα值来这些属性的内在一致性。如果这个值大于一个设定的阈值，则认为内在一致性足够，否则重新选取。在我们的数据中，选取了等级，修炼，修为，VIP等级。得到合适的属性后做PCA，并用varimax旋转得到一个综合值。然后，我们计算一个表征交流的值，其方法是根据聊天记录网络的特征向量中心度。这个值乘以(加权)前面的综合值，便得到了CWBS值。如果根据CWBS的大小，设定阈值我们划分出核心玩家与普通玩家。

步骤3、构建回归模型：

把用户行为B受到的影响看成三种社会机制：直接交流(direct communication,DC)，社会影响(social influence,SI)和三元闭包(triadic closure,TC)；所谓三元闭包，描述的是这样一种现象：当B和C有一个共同的朋友A，他们成为朋友的几率就会增加；

公式如下：

上述模型中，处于时间段t属于分组i(设一共有ngr组)的ID为k的人物，可能发生行为b_p的是由五个因素共同作用的；

DC、SI、TC是每一组人物(不管是同一组还是其他组)通过三种机制对人物k造成的影响；

后两个是来检测DC，SI的联合影响和DC，TC的联合影响；

最后一个是一系列也能对个人的B行为产生影响的控制变量；

特别的，这些因素在下面这个方程中具体表现为：

这里代表组i的人物k的CWBS得分与同组核心人物组、普通人物组之间交流频次；

代表组i的人物k与其他组j复杂人物组和普通人物组之间的直接交流频次；

分别代表组i中人物k与和其有过交流的同组核心人物和普通人物的平均的CWBS得分差异；

则代表代表组i中人物k与和其有过交流的另一组j中

核心人物和普通人物的平均的CWBS得分差异；因此，人物k和同他/她有交流的人的差异越大，他/她就越容易受到其朋友的影响；

分别代表组i中人物k与和其有过交流的同组核心人物和普通人物的平均共有好友数(可以采用Jaccard系数计算，如果u,v是两个人物，则Jaccard系数为)；

分别代表组i中人物k与和其有过交流的其他组j的核心人物和普通人物的平均共有好友数；

三个等式中(i)和(iii)项代表人物k受到三个社会机制直接交流，社会影响，三元闭包下的同组的核心人物和普通人物的影响项,而(ii)和(iv)项表示人物k受到三个社会机制下的其他组j的核心人物和普通人物的影响项；这种分解使得能检验和比较同组，不同组，核心人物，普通人物发挥作用的异同对比和分析；

上述的两个公式中乘积项的部分是用来控制社会影响力，三元闭包对直接交流影响力的混淆效果；这方面的考虑已经在之前许多实证的关于社会，交流和信息网络的研究中得到了很好的论述；控制重叠效果使得理清楚三种社会机制交织的关系，从复杂的影响网络中找出和研究每个机制的影响力。

最后还有一些列的控制变量也在研究范围中:

这里X_sp(i),X_gp(i)代表与属于组i的人物k有交流的同组的核心人物和普通人物的各个属性的平均值；

X_sp(j),X_gp(j)代表与属于组i的人物k有交流的其他组j的核心人物和普通人物的各个属性的平均值；

X_k代表人物k自身的各个属性值；

C_k代表k在上一个时间段里在完成行为b_p付出的努力比如,网络游戏中购买某一样商品)；

C′_k代表人物k在当前时间段在除b_p外其他B行为付出的努力；

P_j代表人物k当前时间段内有交流的人数中完成行为b_p人数所占的比例；

步骤4：影响力的估计与度量：

上面的模型可以细化到不同组的人物完成不同B任务的情况；可以得到一个方程系统，每个方程系统用表面非相关回归(seemingly unrelated regression,SUR)来进行估计；为了比较不同组人物的影响力，分离出每个机制产生的影响力，还采用偏相关平方(squared semi‐partial correlation,sr²)来度量核心人物和普通人物的影响力，sr²具有可加性，正规化性，以及可以在方程系统内与系统间进行比较的特性。

采用分布回归来分别得到不同人物小组的影响力，这里的小组，其实是指在之前组的基础上，每个组再分核心人物小组和普通人物小组，所以小组一共有2ngr个，具体地说，用这些和人物k同组的(即第i组)的核心人物的相关的项的sr²值的和来代表同组核心人物的影响力；同样的，用这些和人物k同组的(即第i组)的普通人物的相关的项的sr²值的和来代表同组核心人物的影响力，其他影响力同理可以推得；三种机制，直接交流，社会影响，三元闭包的影响力，是通过加和(2)、(3)、(4)中相关项的sr²值的和得到。

得到这些估计值以后,可以用来更好的进行探索分析,如不同机制影响力关系,不同组别影响力关系,不同时间或不同事件可能对影响力带来的变化。

步骤5：将步骤4得到的数据和模型转化为可视化图像：

经过数据预处理和建模分析，已经获得了想要的数据和模型结果(数据字段，玩家组分类，交流对消费影响力)。为了满足游戏数据的分析需求，进而搭建可视分析系统。其可视设计如下:

如图2所示，本实施例的可视化图像分为高层视图与细节层视图两部分。

高层视图用河流的形态隐喻玩家不同行为的动态变化以及它们影响力的共同演化趋势。堆叠的树形结构能使用户更好的浏览不同玩家组，不同商品类这样不同层次的动态和演化。

细节层的视图由一些列相互动态关联的交互视图，如属性分布环、平行坐标、自我中心网络(ego-network)等等。这些视图能让用户进行组间和组内的对比与比较，帮助用户进一步探索在高层视图中发现的那些模式，构建一些假设并且寻求对这些模式的可能的解释。

为了避免混淆，在这里对几个说法进行统一。在回归模型中，用于回归的自变量的值被称为交互变量，而相关项的偏相关平方(sr²)的和被称为机制的影响力。

高层视图:

堆叠树:如图4所示，本实施例中有三个层次，最长的为根节点，代表当前服务器所有玩家；中间层八个节点，代表四个门派，每个门派的玩家又分为核心玩家和普通玩家因而为八小组。再往下一层每层有五个叶节点，是该小组对应的在五种商品上的消费。同时根据每个消费流上所有时间节点受到的影响力的总和的多与少，来决定该消费流对应堆叠树上的节点的颜色深与浅。只要点击堆叠树上的节点，对应的消费流就会在右边的视图中展现。

消费流:消费流的是用上下对称的方式来绘制的，如图3所示。消费流在一个时间点的宽度和改时间点上该组玩家的平均消费额度成比例。从堆叠树的中间层次点击得出的8个玩家小组的消费流在时间轴上起伏变化展现着对应8个玩家小组消费行为的时序变化。类似的从堆叠树叶节点出来的流表示该玩家小组在该类商品上消费行为的动态变化。

影响力彩带：如图3所示，三条不同颜色的带字按固定排列顺序叠放在每个消费流上，它们随消费流的波动而一起波动，好比浪花在巨浪当中摇摆。这三条彩带分别对应前面提到的三种社会交互机制，用三种颜色来编码社会交互机制的类别(蓝色是直接交流DC，红色是三元闭包TC，绿色是直接交流SI)，条带的宽度来编码社会交互机制的影响力大小。条带可以根据需求合并(两两合并或者三者合一)从而表现加和几种机制的影响力。每组玩家经过归一化处理的直接交流频率，共同交流人数，CWBS差值，也即该组玩家每个人三个社会交互变量的均值用彩色条带的明亮程度，由此在观测影响力的同时观察到实际产生影响力的社交行为指标。

影响条形图:当用户对三个机制的社会影响力大小对比感兴趣，在每个时间点上单击一下影响力彩带，都会产生一个条形图，如图5所示，代表在这个时间点上这一小组受到的来自其他七个小组和本身的社会交互机制的影响力。

细节视图:

属性分布环:如图6所示，环一共有八个部分，每个部分对应的圆心角b和该部分代表的玩家小组的人数成比例，如图7所示。选定用户所感兴趣的属性，所有的玩家会按照各自这个属性值的高低进行排序。接着把所有玩家的这个属性的值的集合根据四分位数划分为四个部分，沿半径从内向外排。再根据这个划分的分界值来把每个部分的玩家从外到内地进行4个区块的划分，其中每个区块的厚度a用来编码该玩家小组落入这个属性区间人数的百分比。

如图8所示，在分布环中间的曲线是用来编码不同玩家小组之间的社会交互的，这可以帮助用户直观地得到玩家小组间的交流次数，CWBS差值，共同交流人数的交互变量的值，从而把玩家的交互变量和他们的属性联系起来。曲线的宽度代表连接两个玩家组中个体相应的社会交互变量值的平均值(比如，平均交流次数，平均共同玩家，平均CWBS差值)。

像素条图:在分布环的右侧，放置了一个像素条图，如图9所示，它在选中分布环中某一个部分，即一个玩家小组以后出现。像素条图的设计是为了展示最细粒度的玩家属性。具体而言，像素条图中的每一个像素块代表选中玩家组中的一个玩家，像素块颜色的深浅代表该玩家当前用户选中的属性值的大小。

平行坐标:与像素条图同时显现的还有三个平行坐标，如图10所示。对于像素条中的每个玩家，都能算出他与8个玩家组的三个交互变量来。采用三个平行坐标来分别表示可视化组内每个玩家与8个组的这三个交互变量。每个平行坐标对应一种交互变量，同时有8个轴，每个轴代表一小玩家。那么在对应某一变量的平行坐标上，一根分别连接的8个轴上某点的线就显示了当前选定的玩家组内某一个玩家在该种交互变量上和8个玩家组的变量值的分布。线的颜色由该平行坐标所对应的交互变量种类决定，和高层视图中三条条带的颜色对应。平行坐标和像素条图都是可交互的且联动的，当用户选定像素条图中的一部分像素，那么对应那部分的玩家对应在平行坐标上的线就会高亮起来。同样若用户刷取平行坐标中感兴趣的一部分线条，对应像素条图上的相应玩家的像素点也会高亮起来，图中每一组玩家(Q1、Q2、Q3、Q4以及q1、q2、q3、q4)交互变量的值；在每个平行坐标中是一条连接每个轴上的点的线，线与点的交点是交互变量的值，黑色(深色)线代表选中的一个玩家。

其他视图:采用一个表格，如图11所示，展示那些发现的特别的玩家的详细信息。表格中只呈现像素中选中的用户感兴趣的玩家的详细信息。具体而言，表中每一行代表一个玩家，每一列代表一个玩家属性。每个单元中放置一个横向的条来可视显现该单元格中的值相对大小。用户可以根据特定的属性排序表格中的玩家。一旦在表格中选定某个玩家，该玩家的自我中心网络就会以力引导布局出现在表格下方，如图12所示。力引导图中点代表一个玩家，点上的字母代表该玩家的组别，点的大小代表该玩家的CWBS值。由此不同玩家组中不同复杂度的玩家在当前选定玩家的个人交流网络中的分布情况可以清楚的展现。同时点和点之间的连线的粗细代表玩家之间交流的频繁程度，由此交流情况也能很好地被观测到。

本实施例还包括以下操作：

用户交互：

系统提供多种用户交互机制，帮助分析师更好的探索数据的内涵，数据间关联，以及模式的产生原因、假设。

选择与高亮:在分布环选中一个小组时，整个环会转动到使得选中小组从圆心向外指向右方。像素条图中的像素选中时，会变色而高亮。

过滤:主视图侧边的过滤栏，帮助玩家调节影响力彩带的粗细，和其深浅。当彩带因为归一化导致粗细较细而看不清，或者颜色由于太浅而可以忽略的时候，过滤栏帮助分析师显示重要细节或者忽略不必要细节。

放大缩小:选中高层视图中的一个时间段，细节层次视图就会展示对应时间点各种信息的内容；选中表中一个点，就可以看到其朋友门派分布，及和其交流次数。

视图关联:平行坐标中选中一些玩家，对应像素条图也会高亮。如果在表格中选中一个人，其对应的交互变量值的分布即在平行坐标中显现。

分析任务：

利用这样一个可视分析系统，可以完成大型多人在线角色扮演类游戏数据探索，分析任务，包括但不局限于:

探究玩家各种行为的演化:分析师可以用此系统完成对玩家消费依时间变化的探索，以及其社会活动演化。

玩家交流和消费的共同演化(co-evolve)过程。玩家间社交会对消费通过不同机制产生剧烈的影响，分析师可以据此探求共同演化的过程。

寻找对其他组影响更高的玩家组，以及更容易受到其他组影响的玩家组。分析师可以进行组内与组间的比较。

研究影响交流对不同种类商品产生影响的异同。商品也各有各的属性，用途。分析师可以进行不同类商品进行类内和类间的比较。

探寻找到的模式的原因，寻求可能的解释和假设。当分析师发现了这些模式以及现象以后，利用交互进行更细致的挖掘，还可以结合自身经验，提出一些假设。

Claims (10)

1.一种游戏玩家之间交流对其消费行为影响的可视分析方法，其特征在于，包括以下步骤：

(1)获取数据，数据中的属性包括：人物的身份标识ID、时间戳t、人物自带的分组g和人物随时间变化的行为属性；

(2)通过行为属性计算人物核心度，划分出核心人物与普通人物；

(3)将行为属性中人物受到影响产生的行为定义为B行为，将人物的B行为受到的影响分为三种社会机制：直接交流DC，社会影响SI和三元闭包TC；

B行为设有多种，任一B行为定义为b_p；

处于时间段t属于分组i的ID为k的人物产生b_p所受到影响的计算公式为：

其中，

DC、SI、TC是每一组人物通过三种机制对人物k造成的影响；

DC*SI、DC*TC是检测DC与SI的联合影响和DC与TC的联合影响；

Controls是对人物的B行为产生影响的控制变量；

(4)根据步骤(3)中的公式，计算不同组的人物完成不同B行为所受到影响，得到一个方程系统，每个方程系统用表面非相关回归来进行估计，得到每个机制产生的影响力以及不同组人物的影响力；

采用偏相关平方来评估核心人物和普通人物的影响力；

(5)将步骤(4)得到的数据和模型进行可视化，可视化图像包括高层视图和细节视图：

高层视图是用河流的形态表示玩家不同行为的动态变化以及不同行为影响力的共同演化趋势，包括：

堆叠树图像，有至少三层，包括：底层为根节点，代表当前服务器所有玩家；中间层为玩家分类节点，代表所有玩家分组，每组内又分核心玩家和普通玩家；最上层为商品消费叶节点，代表每个小组对应的在商品上的消费情况；

消费流图像，每条消费流在任一时间点的宽度和该时间点上对应组玩家的平均消费额度成比例；

影响力彩带，不同颜色的影响力彩带按固定排列顺序叠放在每个消费流上，代表社会交互机制类别，影响力彩带的宽度来编码社会交互机制的影响力大小；

影响条形图，在任一时间点的影响力彩带上单击产生，代表在这个时间点上该组受到的来自其他组和本身的社会交互机制的影响力；

细节视图是多列相互动态关联的交互视图，包括：

属性分布环，沿周向按玩家组数分为多个部分，每个部分对应的圆心角和该部分对应玩家组的人数成正比；

像素条图，像素条图中的每一个像素块代表选中玩家组中的一个玩家，像素块颜色的深浅代表该玩家当前用户选中的属性值的大小。

2.如权利要求1所述的游戏玩家之间交流对其消费行为影响的可视分析方法，其特征在于，步骤(3)中，DC、SI、TC的计算公式如下：

其中：

代表组i的人物k的CWBS得分与同组核心人物组、普通人物组之间交流频次，CWBS得分即交流行为加权的行为核心度；

代表组i的人物k与其他组j核心人物组、普通人物组之间的直接交流频次；

分别代表组i中人物k与和其有过交流的同组核心人物和普通人物的平均的CWBS得分差异；

则代表代表组i中人物k与和其有过交流的另一组j中核心人物和普通人物的平均的CWBS得分差异；

分别代表组i中人物k与和其有过交流的同组核心人物和普通人物的平均共有好友数；

分别代表组i中人物k与和其有过交流的其他组j的核心人物和普通人物的平均共有好友数；

ngr代表组数。

3.如权利要求1所述的游戏玩家之间交流对其消费行为影响的可视分析方法，其特征在于，步骤(3)中，DC*SI和DC*TC的计算公式如下：

所有β是回归系数，在对应的回归过程中求得。

4.如权利要求1所述的游戏玩家之间交流对其消费行为影响的可视分析方法，其特征在于，步骤(3)中，Controls的计算公式如下：

其中：

X_sp(i),X_gp(i)代表与属于组i的人物k有交流的同组的核心人物和普通人物的各个属性的平均值；

X_sp(j),X_gp(j)代表与属于组i的人物k有交流的其他组j的核心人物和普通人物的各个属性的平均值；

X_k代表人物k自身的属性值；

C_k代表人物k在上一个时间段里在完成b_p付出的努力；

C′_k代表人物k在当前时间段在除b_p外其他B行为付出的努力；

P_j代表人物k当前时间段内有交流的人数中完成b_p的人数所占的比例。

5.如权利要求1所述的游戏玩家之间交流对其消费行为影响的可视分析方法，其特征在于，将每个根据玩家感兴趣的属性，所有的玩家会按照各自的属性值的高低进行排序，把所有玩家的属性的值的集合根据四分位数划分为四个部分，沿半径从内向外排的分界值；然后根据得到的分界值对所述属性分布环的各部分的玩家从外到内地进行多个区块的划分，其中每个区块的厚度与该玩家小组落入这个属性区间人数的百分比成正比。

6.如权利要求1所述的游戏玩家之间交流对其消费行为影响的可视分析方法，其特征在于，在所述属性分布环中间设有连接任一两部分属性分布环的曲线，所述曲线用来代表不同玩家小组之间的社会交互，曲线的宽度代表连接两个玩家组中个体相应的社会交互变量值的平均值。

7.如权利要求1所述的游戏玩家之间交流对其消费行为影响的可视分析方法，其特征在于，所述细节视图可视化模块还包括：

像素条图，在选中属性分布环中任一部分后出现，每一个像素块代表选中玩家组中的一个玩家，像素块颜色的深浅代表该玩家当前用户选中的属性值的大小。

8.如权利要求7所述的游戏玩家之间交流对其消费行为影响的可视分析方法，其特征在于，所述细节视图可视化模块还包括：

平行坐标，与像素条图同时显现的多个平行坐标，每个平行坐标表示可视化组内每个玩家与其他组的一个交互变量的分布情况。

9.如权利要求8所述的游戏玩家之间交流对其消费行为影响的可视分析方法，其特征在于，每个平行坐标对应一种交互变量的分布情况，具有与玩家分组数量相同的轴，每个轴代表一个玩家组，在对应某一变量的平行坐标上，一根分别连接的所有轴上任一点的线显示了当前选定的玩家组内某一个玩家在该种交互变量上和其他玩家组的变量值的分布。

10.如权利要求1所述的游戏玩家之间交流对其消费行为影响的可视分析方法，其特征在于，所述细节视图可视化模块还包括：

玩家信息图表，表中通过像素条表示被选定的玩家的详细信息，表中每一行代表一个玩家，每一列代表一个玩家属性。