手機(jī)游戲消費(fèi)潛在現(xiàn)象的預(yù)測

摘 要：文章利用了人工神經(jīng)網(wǎng)絡(luò)模型，通過被調(diào)查者的基本信息、手游時長、消費(fèi)態(tài)度等方面，預(yù)測被調(diào)查者是否存在長期消費(fèi)的現(xiàn)象，以期更容易辨認(rèn)出氪金玩家與平民玩家，使得開發(fā)者的宣傳以及策劃更具有目的性和有效性。

關(guān)鍵詞：長期消費(fèi)行為;手機(jī)游戲消費(fèi);人工網(wǎng)絡(luò)模型

中圖分類號：F49 文獻(xiàn)標(biāo)識碼：A 文章編號：1005-6432（2022）05-0123-02

DOI：10.13939/j.cnki.zgsc.2022.05.123

1 引言

如今的社會中，科技迅速發(fā)展，手機(jī)也變成人手一個的生活必需品，網(wǎng)上支付的便捷性和安全性也使手機(jī)從20年前的聯(lián)系工具，變成了人們移動的錢包。對于公司而言，能從龐大的玩家群體尋找出未來可能存在長期消費(fèi)行為的人群，會使其策劃、宣傳的過程中的對象更加集中，對于手游公司來說百利而無一害。宋子健等[1]通過構(gòu)建二元Logistic回歸模型消費(fèi)者的游戲意愿和消費(fèi)意愿進(jìn)行實證分析得到“年齡”“平均每天游戲時長”“接觸手機(jī)游戲時間”對消費(fèi)者的消費(fèi)意愿均起到正向作用這一結(jié)論。洪晶[2]考慮通過神經(jīng)網(wǎng)絡(luò)算法預(yù)測出每一位客戶最終所屬的消費(fèi)模式類別，能夠幫助客戶服務(wù)人員按照每一類客戶群體消費(fèi)行為的特點(diǎn)提供相應(yīng)的服務(wù)和采取針對性的營銷策略。本文采取人工神經(jīng)網(wǎng)絡(luò)模型，通過玩家的基本信息、游戲時長等方面對玩家是否存在長期消費(fèi)行為進(jìn)行預(yù)測，使得游戲開發(fā)商能夠針對不同的玩家采取不同的策劃宣傳方式。

2 理論概述

人工神經(jīng)網(wǎng)絡(luò)，就是人們利用計算機(jī)模仿生物的神經(jīng)網(wǎng)絡(luò)，解決信息分類處理的模型[2]。神經(jīng)元大致可以分為樹突、突觸、細(xì)胞體和軸突。神經(jīng)元在神經(jīng)系統(tǒng)中，起著接收信息、傳遞信息、處理信息的作用。而人工神經(jīng)網(wǎng)絡(luò)，將輸入數(shù)據(jù)看成是接收信息，而激活函數(shù)則是神經(jīng)元處理信息的能力，輸出數(shù)據(jù)則是經(jīng)過神經(jīng)元多層處理傳出的信息。經(jīng)過一層層神經(jīng)元的處理之后，便可以由原始的輸入數(shù)據(jù)得到對應(yīng)的輸出數(shù)據(jù)。由于迭代的次數(shù)，神經(jīng)元的層數(shù)比較多，相比于大多回歸模型，預(yù)測精度可能會更高，擬合效果會更好。

本文經(jīng)過多層神經(jīng)元處理所得到的神經(jīng)網(wǎng)絡(luò)模型：

其中的g（i），i=1，2，3，…，n指的是每一層的激活函數(shù)，在每一層中神經(jīng)元處理數(shù)據(jù)所遵循的函數(shù)。而b（i），i=1，2，3，…，n代表了每一層的閾值，在生物神經(jīng)元中，只有足量的信息輸入神經(jīng)元后，達(dá)到一定的閾值之后，神經(jīng)元才會向下一層神經(jīng)元傳遞信息，這里用bi表示第i層的閾值。W（i），i=1，2，3，…，n指的是每一層神經(jīng)元中的權(quán)重，用來說明每一層對應(yīng)分量的影響程度。上述模型，就是模擬了輸入數(shù)據(jù)經(jīng)過一層層神經(jīng)元激活函數(shù)的作用后，輸出對應(yīng)y的過程。

3 變量選取

本文中所研究的問題存在12個自變量，所以設(shè)X=（x1，x2，…，x12）為輸入數(shù)據(jù)，而調(diào)查中所得到的數(shù)據(jù)中存在缺失的問題，倘若學(xué)生并沒有進(jìn)行過手機(jī)游戲的消費(fèi)行為，那么手機(jī)的消費(fèi)體驗以及更傾向的消費(fèi)模式的數(shù)據(jù)就會缺失，設(shè)計問卷時，有意將y=0看作是玩家無消費(fèi)行為。因此，筆者將缺失的部分?jǐn)?shù)據(jù)用0進(jìn)行對應(yīng)的補(bǔ)齊。輸入數(shù)據(jù)X包括性別、收入、游戲時間、手機(jī)內(nèi)游戲數(shù)量、最近所玩游戲的游戲時長，以及對于游戲品質(zhì)、社交系統(tǒng)等屬性偏好，共12方面，通過被調(diào)查者的選擇，預(yù)測被調(diào)查者是否大概率存在消費(fèi)狀況。

y為問題中的輸出數(shù)據(jù)，由于筆者感興趣的是消費(fèi)玩家的是否存在長期穩(wěn)定的消費(fèi)行為，所以如果玩家存在氪金的情況，筆者設(shè)y=1，若玩家不氪金，設(shè)y=0，相當(dāng)于筆者將其看成了一個二分類的問題。由于數(shù)據(jù)本身并非如上的表示方法，所以筆者對數(shù)據(jù)y進(jìn)行了一定的處理，方便后續(xù)模型的建立。

4 模型的建立

由于解釋變量X存在12個分量，所以在設(shè)計第一層神經(jīng)元時，遵從規(guī)律，設(shè)計約為變量個數(shù)的百分之七十五，第一層的神經(jīng)元個數(shù)設(shè)置約為8個。在構(gòu)建模型之時，所選用的激活函數(shù)是“relu”函數(shù)：

相比于其他函數(shù)，經(jīng)過測試發(fā)現(xiàn)，“relu”函數(shù)的迭代次數(shù)更少，并且更快地達(dá)到了所需要的精度。由于問題最后的輸出數(shù)據(jù)為二分類型，為了能更好地映射到0，1上面，輸出層的激活函數(shù)使用“sigmoid”，公式如下所示：

通過以上兩種形式激活函數(shù)，便可以將輸入數(shù)據(jù)進(jìn)行有效的分類，使得最后的輸出數(shù)據(jù)對應(yīng)想得到的0，1。

為了驗證模型的準(zhǔn)確性，將數(shù)據(jù)集分為三個部分，從理論上說，訓(xùn)練集、測試集、驗證集的比例為8∶1∶1，根據(jù)所得到的數(shù)據(jù)數(shù)量共792組，將其分為訓(xùn)練集634組，測試集79組，驗證集79組。首先，利用634組訓(xùn)練集的數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練構(gòu)建好模型，利用測試集的數(shù)據(jù)，對模型的擬合度等進(jìn)行測試。

在本文中，筆者利用loss函數(shù)，以及模型的精度，對模型進(jìn)行檢驗。所采取的loss函數(shù)是可以度量預(yù)測值與實際值之間的差異的二分類交叉熵公式：

筆者先分別在訓(xùn)練集、測試集中計算其loss函數(shù)。訓(xùn)練集中損失函數(shù)的值越大，說明訓(xùn)練集中預(yù)測的差異與真實情況越大，驗證集中的損失函數(shù)同理。

如圖1的上方圖所示，點(diǎn)集代表訓(xùn)練集的loss函數(shù)值，線條代表驗證集的loss函數(shù)值。隨著迭代次數(shù)的增加，兩者都在逐步減小，可見迭代的次數(shù)增加，模型的預(yù)測效果會更好。當(dāng)訓(xùn)練集和測試集的loss函數(shù)值在迭代了20次時，兩者接近重合，可見其擬合的效果。最為重要的是，隨著迭代的次數(shù)增加到80次后時，訓(xùn)練集和驗證集的loss函數(shù)值已經(jīng)無限的趨近于0，可見在兩者中，模型的預(yù)測值與真實值的差異逐步減少，甚至是消失。如圖1的下方圖所示，就算是迭代的次數(shù)不超過20，訓(xùn)練集所訓(xùn)練的模型的精度也高達(dá)0.6，而隨著迭代的次數(shù)逐步增加，在迭代次數(shù)達(dá)到40時，不管是訓(xùn)練集，還是驗證集，產(chǎn)生的模型精度都高達(dá)0.9以上。筆者為了測試模型的精度，繪制訓(xùn)練集與測試集的精度圖。為了確保模型的準(zhǔn)確性，利用測試集對模型進(jìn)行了同樣的測試，結(jié)果如圖2所示。

如圖2所示，當(dāng)?shù)螖?shù)足夠時，測試集的loss函數(shù)足夠小，精度也同樣足夠高，所以可以說本文所提到的模型通過了檢驗。也可以根據(jù)測試集的數(shù)量，將數(shù)據(jù)分為10組，每組79份，每組都進(jìn)行精度的計算，得出精度分別為0.9744、0.9465、0.9487、0.8077、0.8846、0.8846、0.9872、0.9615、0.6538、0.6538，算出其平均值約為0.8703，在多次訓(xùn)練的模型精度的平均水平達(dá)到了0.8703，可見相比于logistic回歸模型，神經(jīng)網(wǎng)絡(luò)的模型預(yù)測的能力之強(qiáng)，結(jié)果之準(zhǔn)確。除已有的數(shù)據(jù)外，又收取了10份問卷，將其數(shù)據(jù)處理之后，代入到已經(jīng)訓(xùn)練好的模型中，發(fā)現(xiàn)在迭代多次后，最多只會出現(xiàn)一次錯誤，大多數(shù)情況甚至沒有出現(xiàn)預(yù)測錯誤的情況。

5 結(jié)論

倘若對數(shù)據(jù)使用Logistic回歸模型，預(yù)測的正確率只有60%左右，神經(jīng)網(wǎng)絡(luò)的精度高達(dá)90%，其預(yù)測的效果有著極大差距。神經(jīng)網(wǎng)絡(luò)模型所訓(xùn)練出的模型，其精度較高，預(yù)測出錯的概率在迭代次數(shù)較高時，非常低，利用神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型，可以通過玩家的一些基本信息，平時游戲的時長，還有其對于游戲內(nèi)一些消費(fèi)內(nèi)容的偏好性，很好地預(yù)測玩家是否存在消費(fèi)行為。玩家如果經(jīng)過神經(jīng)網(wǎng)絡(luò)的檢測之后，輸出的數(shù)據(jù)為1時，可以認(rèn)定玩家存在著長期的、穩(wěn)定的手機(jī)游戲消費(fèi)行為，是未來游戲盈利的主要對象，可以針對其游戲偏好設(shè)置一些更新內(nèi)容，道具，促使消費(fèi);當(dāng)輸出結(jié)果為0時，玩家被認(rèn)定為平民玩家，消費(fèi)的潛在可能性較低，在策劃運(yùn)營過程可以不用太過于迎合其心理需求。綜上而言，本文所得出的神經(jīng)網(wǎng)絡(luò)模型，可以有效且高精度地判斷學(xué)生是否為一個有著長期穩(wěn)定消費(fèi)行為的群體，可以方便游戲開發(fā)商針對這些長期穩(wěn)定的消費(fèi)群體做出合理的游戲運(yùn)營策略。

參考文獻(xiàn)：

[1]宋子健，陳家樂，趙家悅.手機(jī)游戲廣告對消費(fèi)者游戲意愿和消費(fèi)意愿的影響因素：基于Logistics回歸和SEM模型[J].現(xiàn)代經(jīng)濟(jì)信息，2019（13）：129-131.

[2]洪晶. 聚類和神經(jīng)網(wǎng)絡(luò)算法研究及其在電信業(yè)客戶消費(fèi)模式中的應(yīng)用[D].景德鎮(zhèn)：景德鎮(zhèn)陶瓷學(xué)院，2007.

[作者簡介]朱文瑞，男，漢族，江西南昌人，研究生學(xué)歷，研究方向：數(shù)理統(tǒng)計。