Friend Ranking in Online Games via Pre-training Edge Transformers

要約

タイトル：Pre-training Edge Transformersによるオンラインゲームの友達ランキング

要約：
– オンラインゲームでは友達リコールがDaily Active Users (DAU)を増やすために重要であり、適切な失われた友達のランキングリストを生成することが問題となっている。
– 従来の友達リコールの方法は、友達の親密さのような規則に注目したり、失われたプレーヤーの再帰の確率を予測するための分類器のトレーニングに注目したが、アクティブなプレーヤーや歴史的な友達リコールのイベントの特徴情報を無視している。
– 本研究では、友達リコールをリンク予測問題として扱い、アクティブなプレーヤーや失われたプレーヤーの両方の特徴情報、および歴史的イベントを利用できるいくつかのリンク予測方法を探求する。
– さらに、Edge Transformerモデルを提案し、マスクされたオートエンコーダーでモデルを事前トレーニングする。本手法は、3つのTencentゲームのオフライン実験およびオンラインA/Bテストで最先端の結果を達成した。

要点：
– オンラインゲームでは友達リコールがDAUを向上させるために重要
– 適切な失われた友達のランキングリストを生成することが問題
– 従来の友達リコールの方法は特徴情報を無視していた
– 友達リコールをリンク予測問題と見なすことができる
– アクティブなプレーヤーや失われたプレーヤーの特徴情報、および歴史的イベントを利用できるリンク予測手法が考えられる
– Edge Transformerモデルを提案し、事前トレーニングを行うことができる
– 本手法は3つのTencentゲームで最先端の結果を達成した

要約(オリジナル)

Friend recall is an important way to improve Daily Active Users (DAU) in online games. The problem is to generate a proper lost friend ranking list essentially. Traditional friend recall methods focus on rules like friend intimacy or training a classifier for predicting lost players’ return probability, but ignore feature information of (active) players and historical friend recall events. In this work, we treat friend recall as a link prediction problem and explore several link prediction methods which can use features of both active and lost players, as well as historical events. Furthermore, we propose a novel Edge Transformer model and pre-train the model via masked auto-encoders. Our method achieves state-of-the-art results in the offline experiments and online A/B Tests of three Tencent games.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI