Онлайн-игры — это не только индустрия с многомиллиардным доходом (Anderton, 2017), которая развлекает большое население планеты, но и популярная форма социального взаимодействия миллионов людей. Поскольку онлайн-игры проявляют различные типы общительности, такие как совместная деятельность (Zhuang et al., 2007; Merritt et al., 2013), формирование связей и команд (Alhazmi et al., 2017), формирование доверия (Depping et al., 2016) и долгосрочных ассоциаций (McEwan et al., 2012; Jia et al., 2015), он становится богатым источником временных данных о социальном взаимодействии, которые могут быть использованы для многих вычислительных социальных наук. Данные из игровых онлайн-сред использовались для измерения поведения, с которым трудно наблюдать, например, обмана (Blackburn et al., 2014; Zuo et al., 2016), токсичности (Kwak et al., 2015), добычи золота (Ahmad et al. ., 2009) и измерение онлайн-социального капитала (Molyneux et al., 2015).
Другое поведение человека, которое цифровые записи из игровой среды могут описать, — это мобильность. Понимание мобильности игроков между игровыми серверами важно во многих аспектах, таких как предоставление сервера, перенаправление трафика в случае сбоя сервера и продвижение игры. Кроме того, миграционные модели игроков могут быть использованы для моделирования распространения информации или принятия поведения. Например, игрок может ввести новый набор уловок или может повлиять на культуру сервера с помощью позитивного или токсичного социального поведения.
В реальном мире было показано, что мобильность человека является социально внедренным явлением (Bilecen et al., 2018), на которое влияют как социально-экономические факторы, так и субъективность человеческого поведения (Barbosa Filho et al., 2011). Было отмечено, что два важных фактора способствуют принятию решения о миграции человека (Blumenstock and Tan, 2016). Во-первых, степень, в которой мигрант связан с общинами дома и в пункте назначения, и, во-вторых, сила и поддержка связей пункта назначения в обеспечении доступа к ресурсам, доступным в среде назначения (например, информация о работе). У игровой онлайн-среды разные характеристики, и неясно, применимы ли те же аргументы к мобильности игроков (например, игры на 1 онлайн).
Исследуя онлайн-игры необходимо дать количественную оценку важности взаимодействия в игре для решения игрока перейти с одного сервера на другой в рамках одной и той же игры. Игроки переходят на разные серверы с течением времени по разным причинам, включая техническую производительность (задержка, скорость вычислений), предпочтения сервера / игры, знакомство с коллегами или личные одобрения. Предыдущие исследования показали, что игроки, как правило, неоднократно присоединяются к играм с набором знакомых игроков, с которыми они поделились прошлым опытом (Jia et al., 2015; Alhazmi et al., 2017). В новые исследования специально фокусируются на социальных взаимодействиях как факторе, характеризующем модели мобильности игроков. Ведётся разработка моделей, основанных на машинном обучении, чтобы, во-первых, прогнозировать популярность игроков с течением времени в зависимости от количества соседей, следующих за их моделями мобильности, и, во-вторых, насколько быстро игрок перемещается между серверами относительно других.
Проведено исследование, используя данные двух популярных онлайн-игр, Team Fortress 2 (TF2) и Counter Strike: Global Offensive (CSGO), в которых участвуют миллионы игроков на тысячах серверов в течение 4 месяцев.
Для классификации популярных игроков из непопулярных игроков характерен высокий уровень отзыва, но низкая точность. Точно так же производительность прогнозирования в CSGO превзошла показатели в TF2. Основополагающими причинами лучшей производительности являются размер наборов классификационных данных и богатых значений признаков без существенного совпадения между положительными и отрицательно помеченными точками данных. Список функций ранжирован в соответствии с их важностью, рассчитанной с помощью классификатора Random Forest в CSGO. Следует отметить, что аналогичные результаты для TF2 опущены из-за нехватки места. Было установлено, что выходная степень узла является наиболее важной характеристикой в прогнозировании популярности игрока. Что еще более удивительно, было обнаружено, что выход из узла по отношению к его соседям, отсутствующим по соседству с сетью дружбы, был наиболее важным признаком в обеих играх. Очевидно, что дружба оказывает минимальное влияние на прогнозирование количества игроков, переходящих на новый сервер, следующих за другими.
Использованные источники
- Ahmad, M. A., Keegan, B., Srivastava, J., Williams, D., and Contractor, N. (2009). “Mining for gold farmers: automatic detection of deviant players in MMOGs,” in 2009 International Conference on Computational Science and Engineering, Vol. 4 (Vancouver, BC), 340–345.
- Alhazmi, E., Horawalavithana, S., Skvoretz, J., Blackburn, J., and Iamnitchi, A. (2017). “An empirical study on team formation in online games,” in Proceedings of the 2017 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining 2017, ASONAM ’17 (Sydney, NSW: ACM).
- Anderton, K. (2017). The Business of Video Games: A Multi Billion Dollar Industry. Jersey City, NJ: Forbes.
- Barbosa Filho, H. S., de Lima Neto, F. B., and Fusco, W. (2011). “Migration and social networks-an explanatory multi-evolutionary agent-based model,” in 2011 IEEE Symposium on Intelligent Agent (IA) (Paris: IEEE), 1–7.
- Bilecen, B., Gamper, M., and Lubbers, M. J. (2018). The missing link: social network analysis in migration and transnationalism. Soc. Netw. 53, 1–3. doi: 10.1016/j.socnet.2017.07.001
- Blackburn, J., Kourtellis, N., Skvoretz, J., Ripeanu, M., and Iamnitchi, A. (2014). Cheating in online games: a social network perspective. ACM Trans. Internet Technol. 13:9. doi: 10.1145/2602570
- Blumenstock, J., and Tan, X. (2016). Social Networks and Migration: Theory and Evidence From Rwanda.
- Depping, A. E., Mandryk, R. L., Johanson, C., Bowey, J. T., and Thomson, S. C. (2016). “Trust me: social games are better than social icebreakers at building trust,” in Proceedings of the 2016 Annual Symposium on Computer-Human Interaction in Play, CHI PLAY ’16 (New York, NY: ACM), 116–129.
- Easley, D., and Kleinberg, J. (2010). Cascading behavior in networks. Networks, Crowds, and Markets: Reasoning About a Highly Connected World. Cambridge University Press.
- Jia, A. L., Shen, S., Bovenkamp, R. V. D., Iosup, A., Kuipers, F., and Epema, D. H. J. (2015). Socializing by gaming: revealing social relationships in multiplayer online games. ACM Trans. Knowl. Discov. Data 10, 11:1–11:29. doi: 10.1145/2736698
Temporal Mobility Networks in Online Gaming
Essa Alhazmi, Nazim Choudhury, Sameera Horawalavithana, Adriana Iamnitchi