（游戏智库略作编辑）
1. 游戏与网络科学
人类是群居动物，很难脱离群体而生存。在信息社会中，网络游戏作为新的社交媒体，帮助人们相互联系、排解孤独。因此，玩家的社交互动可以说是网络游戏中最重要的游戏元素。
以某类游戏群体的玩家脱敏行为数据为例，我们可以看到：超过80%的玩家组队玩游戏，超过50%的玩家邀请好友组队，超过50%的流失用户回归是因为好友邀请其再次加入游戏。单独玩游戏的玩家流失率也是最高的。
对于拥有庞大用户基数的和平精英来说，如何维系用户的社交生态也很大程度上决定了游戏玩家的活跃度和稳定性，因此玩家在游戏中的社交健康至关重要。
对于游戏运营来说，一个难点是：比如我们都知道有成熟的数据指标体系来描述和衡量游戏的活跃度和商业化程度，可以帮助指导我们迭代和运营游戏，对玩家社交也很重要，但我们一直缺乏有效的描述和评估方法。这也是我们今天想要讨论的话题。
美国天文学家卡尔·萨根在他的名著《宇宙》中提到，我们的宇宙中有数十亿颗恒星，预估宇宙中可观测的恒星数量约为230个，这个数字看上去非常庞大。
但有趣的是，与30人的社区好友数量相比，“23个零”的数量似乎非常少。这听起来确实有点不可思议。
30 人的群体中，可能的朋友对有 435 对之多。当我们想要组建朋友网络时，朋友网络的数量是 2 的 435 次方，大约是 131 个零。与前面提到的宇宙中恒星总数相比，只有 23 个零。因此，即使在 30 人的群体中，可能的朋友网络数量也是惊人的。
人际关系信息如此庞大而复杂，描述起来十分困难，又如何建立相应的评价体系对其进行评价？
我们找到的描述语言就是网络建模，幸运的是我们也处在一个信息技术高度发达的时代，计算机可以帮助我们存储和分析海量的数据。
网络建模具体是什么呢？比如，我们把游戏中的每个玩家描绘成一个点，把玩家之间的社交关系连接成一条边，最终就能得到一个网络连接图。
这里我们举一个更具体的例子，这两张图片来自 Pacific RISA 的网站，这是一个评估太平洋岛屿气候和环境变化的研究项目，这个研究机构调查并绘制了参与研究的所有 331 名专业人员的科研关系网络，如果把所有与这 300 多名研究人员进行过气候相关讨论的人都算进去，就绘制了一个 967 人的科研关系网络。
最后他们在网站上公布了两张地图，两张地图采用了不同的排版算法来呈现，地图上每种颜色表示研究人员来自的国家和地区，圆圈的大小用来表示每个人拥有的联系数量。
第一张布局主要是按照国家和地区来呈现社区分布，原图可以放大到非常大，让我们可以清晰的看到社区内的人与人之间，以及社区与社区之间的联系，也就是说，可以很方便的看到同一个地区的人与人之间的联系和聚合，也可以看到谁是跨地区联系的桥梁。
第二种布局侧重展示人脉最多的人。人脉最多的研究人员也被认为是最有影响力和最核心的成员。他们都位于图片的中心。该网站还单独列出了这些人的姓名，因为他们是核心研究人员。
通过参考这两张图，大家其实可以感觉到，如果我们把游戏中的玩家网络画出来，也会是这样的一张图。但是面对数十亿的玩家数量，我们可以在计算机中画出玩家连接网络，但是如果导出来的话，人很难用肉眼去查看和理解这些信息，因为这已经基本超出了人肉眼处理信息的能力。但是计算机有这样的信息读取和挖掘能力，所以我们可以利用计算机利用各种各样的算法，帮助我们从不同的维度去理解这些信息。
既然人与人之间的关系可以用网络建模来描述，那么画出来的网络之间有没有什么规律或者特点呢?幸运的是，是有规律和特点的。
值得一提的是，1999年，美国圣母大学物理系巴拉巴西教授和他的博士生艾伯特在《科学》杂志上发表了题为《随机网络中尺度的出现》的论文，从而发现了复杂网络的无标度性质，从此诞生了一门研究复杂网络性质的新学科：网络科学。
自从复杂网络的无标度特性被发现以来，人们发现生活中大量的现实网络都具有这一特性，比如由无数个网页相互链接构成的互联网，比如人与人之间通信的电话网络。
从1999年开始，人们针对这些满足无标度性的大量复杂网络发表了许多论文。左图是历年发表的关于无标度网络的论文数量的连接图。特别值得一提的是Twitter和Facebook，他们也对其用户连接关系网络进行了相应的研究，然后发现他们的用户关系网络也满足无标度性，所以在2010年和2011年也发表了相应的论文。
因此，我们现在要做的就是将复杂网络的研究方法引入到游戏中，并为游戏玩家社会网络的研究提供相应的理论和方法支持。
既然网络科学的基础是无标度网络，那么什么是无标度网络呢？以下是巴拉巴西教授在《网络科学》一书中给出的两张图，以高速公路网络和航空网络为例。
首先对于道路网络，我们可以看到它的显著特点是，不管是大城市还是小村庄，它们拥有的道路数量一般相差不大，大概在3到5条左右。我们把这种网络称为随机网络，其特点是各个节点的连接数大致相同，不存在连接数特别多的节点。网络整体服从泊松分布，我们所说的“相似”其实就是“规模”；航空网络就很不一样了，比如像芝加哥这样的大型枢纽城市，会有很多的航线，而小城市的航线就非常有限。对于这种大多数节点只有少量连接，而少数节点却有大量连接的网络，就称为无标度网络。它整体服从幂律分布，而且这个分布的尾部会拖得比较长，所以我们说它有重尾效应。
接下来我们来总结一下无标度网络的重要特征：
上图中已经提到了幂律分布和枢纽节点的存在游戏搭建，对于游戏玩家网络，经过我们的分析发现，游戏中大部分玩家通常只与3到4个好友互动，但也有少部分玩家会与大量的好友互动，这个数量可以达到几十个甚至上百个。
其次，无标度网络并不是静态的，而是具有增长的特性，而增长过程中一个很重要的特征就是优先连接的特性。这在游戏中也很容易理解，拥有更多好友、更活跃的玩家在游戏中通常更容易结交新朋友。
然后是社群聚集的特征。我们在前面的图示中也演示过社群。我们常说人有分群，有共同特征的人总是倾向于形成一个圈子。在游戏中也是如此，所以在游戏中，可以根据不同属性的玩家挖掘出不同的社区分布。
最后一个特点就是易受攻击。从这个网络连接图来看，当你主动攻击网络的时候，一定会选择攻击枢纽节点，因为此时攻击效果最大化。失去枢纽节点，会导致大量与其连接的其他节点失去连接。在游戏中，枢纽用户丢失，也会影响他身边大量好友的活跃度和留存，严重影响游戏本地的社交生态。
看完这些特点，我们会发现，这个无标度网络模型其实可以对应到社会科学中的一些概念。比如幂律分布就很像我们经常讲的80/20法则，也就是20%的人拥有80%的资源。而我们常说，如果想在地球上找到任何一个人，最多只需要经过6个人，但是我们都知道地球很快就会有80亿人口，那为什么我们可以通过这么少的人就能到达世界的每个角落呢？因为我们在找人的时候，总是先找到那些有着广泛联系的枢纽节点人。这些有着广泛联系的人的存在，最终促使地球这么大的世界通过枢纽节点快速完成一种联系崩塌。最终的结果就好像我们生活在一个非常小的世界里一样。这里提到的就是社会科学中的六度分隔和小世界。最终的优先连接点听起来很像我们常说的富者越富。
2. 玩家网络的运营
说完了比较概念性的章节，我们来仔细看看第二部分：玩家网络的运作。我们先来展示一下游戏中玩家网络建模的具体流程。
首先，为了构建我们的玩家网络，我们需要定义网络的“边缘”。
游戏中玩家的互动行为非常多样，如果我们想构建一个描述玩家强互动行为的网络，比如在定义边的时候，我们可以选取组队、聊天、订游戏等强互动行为，假设这些行为按照1:1:1的比例按照网络边的权重计算，就可以得到一个描述强互动行为连接的玩家网络。如果想构建一个轻互动连接的玩家网络，可以在定义中加入看比赛、点赞等轻互动社交行为。边的具体定义可以根据实际研究的需要进行修改，不同的定义用于不同的目的。我们目前重点研究的是强互动玩家网络，我们认为强互动是游戏中比较核心的部分。
有了这些边定义，我们就为游戏中所有玩家构建了一个带有边权重信息的玩家网络。当然这个网络非常庞大，它的数据量决定了只有计算机才能读取，所以我们用各种算法从各个维度去查看和管理它。
全局网络生成之后，我们就可以开始进行社区挖掘了。在我们对社区的定义中，我们认为社区是紧密连接的节点的集合，这个集合的内部连接非常紧密，但是与外部的连接却很稀疏。基于这个定义，我们使用了相应的算法来发现社区。最终，我们得到了游戏中数百万个社区。这样，游戏中玩家的整体全局网络以及对应的本地社区信息就全部建模了。
接下来我们看一下如何动态地操作这个网络。
因为我们研究的是游戏中的群体，所以需要定义一些标签来定义玩家的群体。首先，为了能够根据社交属性进行相应的研究，我们需要在已有的用户标签基础上，增加一些社交相关的标签信息，方便进行社交属性的研究。
一方面，我们在原有的玩家标签上增加了一些标签，用于标识玩家社交相关的特征，比如是否喜欢组队作战、是否会进行点赞、聊天等社交行为、是否喜欢主动加好友等，我们尽量通过这种方式还原用户的社交偏好，以便更好地为用户服务。
另一方面，因为我们建立了社区，所以我们对发现的社区也定义了社区标签，用来标识社区的特点。比如有的社区特别喜欢玩团战模式，有的社区只玩孤岛；比如有的社区可能平均排名很高，等等。
有了这些标签之后，我们就可以从用户群体出发，做一些相应的体验优化。首先我们关注的是玩家网络的增长，玩家网络的增长就是如何在网络中建立新的连接，主要分为两种，一种是陌生人之间交友建立连接，一种是推荐玩家和合适的群体建立连接。
陌生人之间的交友公开的算法有很多，根据不同的情况和适用性，这里就介绍两种。这里要提一下的重点是，以前我们在利用这些公开的算法做推荐的时候，只考虑了玩家活跃度、行为偏好等一些标签。但现在我们构建了相应的社交网络，并提取和重新定义了社交标签。我们认为这些社交标签能够更好地帮助我们了解用户在社交方面的特征偏好，所以我们把社交标签纳入到算法中，进一步让我们的好友推荐更加精准，因为一般玩家并不是不喜欢交朋友的，他们希望交到自己认为合适的朋友。
优先连接的结论我们在前面提到过，所以通过融入社交标签来改进算法的目标就是为了给用户精准推荐他们愿意结交的优先连接节点，让他们最终的连接成功率更高。
同样的道理也适用于向合适的组织推荐玩家。假设你是一个军团长，你会收到很多加入军团的申请，这时候你会同意批准什么样的玩家加入你的军团，其实是有标准的。我们这里的目标是整合这些标签，让算法能够更好地理解这个军团在吸纳人手方面的偏好，从而推荐出更合适的玩家，更有可能帮助他们成功加入相应的团体。
整体思路是对用户的社交属性进行细分和定义，然后融入到算法中，提高推荐的精准度，从而促进玩家网络的增长。
除了增长之外，我们还要做的就是持续的维护这个网络，也就是不断激活网络中的连接，促进玩家之间的真实互动。
我们都知道，很多玩家确实会在游戏中添加好友，但之后再也没有互动。从我们过去分析流失玩家的经验来看，用户流失的通常路径是，他们很有可能会经历活跃度的下降。当他们成为低活跃用户时，他们很可能会在下一步因为粘性不足而流失。而关键好友流失、社交行为减少等社交原因其实占了活跃度下降很大一部分原因。
这里是一张由红点组成的网络图，这是我们用算法标注的本地社区，在这个算法中，我们把每一次用户的互动都看成是一次能量的交换。如果把这个社区标注成一个月的周期，我们就可以得到这个用户社区本月能量值的网络图。这里可以很明显的看到，这个社区里有社交能量远高于其他用户的大咖，也有能量比较小的几位小咖，他们就是我们之前提到的枢纽用户，他们都有很多好友关系。
可以说一个社群的形成离不开这些KOL，正是这些社交意愿非常高的KOL以及他们所散发的高社交能量，让这个社群紧密的凝聚在一起。
社区还有一个典型的特点：当你想传播相关信息时，信息在社区内部会传播得非常快，但要把信息传播到圈外其他社区就会比较困难。因为正如我们前面提到的，社区之间的联系比较稀疏。
所以当我们想让重要的信息尽可能的触达更多的用户，让他们了解或者关注到它的时候，很多时候我们需要借助社区和KOL的力量，让传播意愿最高的大KOL传播给传播意愿第二高的小KOL，最终在他们高意愿、高能量的帮助下，把这些信息尽可能的传播到社区更多的人身上。
最后我们还是列出两种熟人社交常用的算法，这些公开的算法都是我们做推荐时常用的游戏搭建，但原理和前面说的是一样的。这次我们做了改进，把社交特性融入其中。我们用融入社交特性的算法来激活玩家已经建立起来的联系，让玩家更有效地互动，加深彼此之间的联系。
3. 玩家网络健康状况
介绍完我们的玩家网络的构建和基本运作方式之后，我们再来谈谈我们目前对于社会评价方法的探索。
由于各个游戏的具体情况有所不同，下列图表中的数据示例仅为指示性值，但不影响最终结论的呈现。
首先看左边这张图，基于我们前面讨论过的社区挖掘，我们可以根据自己的需求，对社区规模设定一些基准值，比如 10 人以下的社区，10 到 50 人的社区，50 到 100 人的社区，500 人以上的社区等等。
当我们定义这些分类标准时，就更容易统计出游戏中发现的社区中各种规模的社区数量，我们也可以很容易地看到游戏中每个社区可以覆盖多少玩家，就像这张图所示。对于这张图，如果你逐年看一些时期，这里的比较信息会给你一个更有启发性的结论。
需要注意的是，这里展示的数据是基于一定时间段内玩家之间真实的互动产生的，与游戏中静态的社交组织的统计不同。我们都知道，游戏中通常会设计帮派、军团等社交组织。我们当然可以统计出每个帮派中有多少玩家，但实际上这些帮派中的很多玩家在加入后可能已经离开很久了。因此，如果用这样的静态社交数据统计，其实没办法真实体现玩家的聚集情况，也没办法知道玩家处于什么样的繁华好友网络中。
我们再看右边，如果将社区按照规模进行划分，我们还可以进一步探索不同规模社区的其他规律。右边的图是对不同规模社区的一周平均在线时长进行统计的结果。可以明显看到：当社区规模小于10人时，随着社区规模的增加，平均在线时长呈现明显的增长趋势；当社区规模大于10人时，增长开始减缓；当社区规模大于50人时，数值基本趋于稳定。
所以这里我们可以通过对社区的分解挖掘得出一个结论：社区平均在线时长与社区规模呈正相关，但存在边际效应。
以此数据为例，我们可以得出一个直观的结论：如果能将10人以下的游戏社区规模提升到10人以上，必然会增加用户粘性，玩家的社交体验也会变得更好。这进一步说明了社区规模和用户活跃度是息息相关的。
为了进一步研究社区规模与用户活跃度之间的关系，我们进行了进一步的探索。这里需要引入图论中的聚类系数的概念，简称cc值，以便于描述。
首先，cc值在概念上用来表征网络中点与点之间连接的密度，最小值为0，最大值为1。
对于现实生活中的朋友网络来说，CC值越大，朋友圈中的人与人之间关系越密切，绝大部分人都互相认识；CC值越小，关系越稀疏，很多人彼此都不认识。
假设比如你新建了一个群，刚刚把好友加进去，准备互相介绍认识，但是此时他们互相还不认识，那么这个群的CC值就是0；但是当你仔细介绍完每个人的情况后，他们都知道彼此的情况，互相添加为好友，大家都互相认识了，那么这个群的CC值就是1。
比如三张图第一张就介绍了cc=0的情况。比如看左上角的四个点，其中一个点跟另外三个点是相连的，如果这个点是你，说明你认识你这里的三个朋友，但是他们彼此并不认识。如果你这时候离开，网络就会从这里断开，他们就变成三个没有社区的散点。但是如果你留下来，你可能会邀请他们三个人一起玩四人组队游戏。这样，他们可能互相认识，加好友，互相之间形成新的连接，cc值就会变大。
同样的，下面两张图分别展示了cc=0.6和cc=0.92时，图中各点之间的联系程度。
其实在现实的社交网络中，我们的密友往往也是朋友，所以现实世界的社交网络通常是高度聚集的，大家都生活在一个圈子里。在虚拟世界里，这也是我们的目标。
现在我们有了CC值的概念，我们再来看与之相关的几组挖掘结论。
继续以10人组为例，看第一张图，横轴是cc值，纵轴是一周平均游戏场次。可以明显看到，随着cc值的增加，平均游戏场次也在增加，呈正相关。当cc=0.6时，大约是中间值。
下图是cc值和留存率的关系，也是正增长的关系，当cc值趋近于1的时候，留存率就会达到一个很高的水平。
这两张图都表明，在一个社区中，当CC值很高时，玩家的社交网络非常密集，大家都处于熟悉的环境中，朋友圈内的关系非常紧密，良好的社交支持带来较高的活跃度。
从这两组例子中我们可以看出，一个社群的 CC 值和社群的活跃度、留存率是正相关的。因此在日常运营中，我们可以根据不同的 CC 值来查看各种规模的社群数量分布情况，也就是右图。这样可以让我们更直观的了解用户网络的紧密度和活跃度。
当然，我们的目标是尝试通过各种方式引导社区的CC值向上，使得玩家的社交网络更加活跃和健康，从而提升玩家的社交游戏体验。
在前面的讨论中我们知道，在游戏中，由于核心用户的流失，大社区会分裂成多个较小的社区。
我们进一步统计了各种规模社区占比的变化，发现数据中存在一定的相关性，比如50人以上的社区每减少1%，下一周期2到5人的社区数量就会增加0.3%；10到50人的社区每减少1%，下一周期2到5人的社区数量就会增加0.5%。
如果我们把游戏中不同规模的社区人数占比随时间变化绘制成图，可以明显看到这个占比的变化具有周期性。比如每年春节等重大活动期间，由于大家有空，各类玩家回归，大社区就会增多，游戏社交就会呈现繁荣的迹象。而当节假日结束，大家又开始忙碌起来，大社区就会分裂，小社区就会增多。
但总体来说，游戏中无社区、小社区占比的提升和活跃度是负相关的，所以我们日常的目标依然是维持社区，这对于游戏的活跃度非常重要。
基于对这种变化关系的观察，我们在游戏中也实现了相应的无社区预测模型，如果没有相应的引导，可以帮助预测下一轮周期可能出现的无社区情况以及相应的亏损情况。
最后，经过前面的介绍，我们来总结一下整体玩家网络生态的动态运行情况。
第一是网络的成长与修复：我们通过破除陌生人关系坚冰来促进网络的成长，利用融入社交标签的陌生人关系推荐和社区推荐算法，帮助玩家更好地结交新朋友；其次，我们专注于接手回归玩家，利用熟人关注推荐算法，帮助玩家重新激活和修复原有的社交网络。
第二是促进和深化社交关系：在这里我们将注重利用社交传播方式，最大化触达网络中每一位用户，努力提高玩家社区的CC值，加深玩家之间的联系，进而增加玩家活跃度。
最后，在整个过程中，我们会不断根据全局和局部指标的观察，分析玩家网络波动的原因，同时我们也会进行一些主动的预测，及时引导和强化相应的社区，保持稳定和活跃。
PPT右侧简单说明了全球指标，比如第一个连通性指标含义很简单，就是全球网络中以团队形式互动的玩家占比，下面的繁荣广度和繁荣深度也有各自的定义，以上是一些指标的例子。
