[论文解读] EOMM: An Engagement Optimized Matchmaking Framework

Zhengxing Chen, Su Xue+5 more|arXiv (Cornell University)|Feb 22, 2017

Peer-to-Peer Network Technologies参考文献 33被引用 6

一句话总结

本文提出EOMM，一种以参与度优化为目标的匹配框架，通过将匹配问题建模为图上最小权重完美匹配问题，以最小化玩家流失风险，从而最大化玩家留存率。基于一款EA游戏的真实数据，EOMM在每轮匹配中平均比基于技能和随机匹配的系统多保留0.7%的玩家，20轮累计留存率提升达15%。

ABSTRACT

Matchmaking connects multiple players to participate in online player-versus-player games. Current matchmaking systems depend on a single core strategy: create fair games at all times. These systems pair similarly skilled players on the assumption that a fair game is best player experience. We will demonstrate, however, that this intuitive assumption sometimes fails and that matchmaking based on fairness is not optimal for engagement. In this paper, we propose an Engagement Optimized Matchmaking (EOMM) framework that maximizes overall player engagement. We prove that equal-skill based matchmaking is a special case of EOMM on a highly simplified assumption that rarely holds in reality. Our simulation on real data from a popular game made by Electronic Arts, Inc. (EA) supports our theoretical results, showing significant improvement in enhancing player engagement compared to existing matchmaking methods.

研究动机与目标

• 解决传统匹配系统过度强调公平性而忽视玩家参与度的局限性。
• 探究基于同等技能的匹配是否对长期玩家留存最优。
• 开发一种灵活且理论基础扎实的框架，以最大化整体玩家参与度。
• 利用一款热门在线PvP游戏的真实世界数据验证该框架。
• 证明可通过可量化、可调节的优化目标实现参与度优化。

提出的方法

• 将匹配问题建模为优化问题，以最小化所有配对中总玩家流失风险（即流失风险总和）。
• 将匹配池中的玩家建模为完全图的节点，边的权重表示若两玩家配对时的流失风险总和。
• 使用流失预测模型，基于近期对战结果和玩家状态，估算个体玩家的流失风险。
• 采用最小权重完美匹配（MWPM）算法，寻找不重叠的最优配对，以最小化总流失风险。
• 集成三个模块化组件：技能模型、流失预测模型和图匹配模型，支持独立调优与升级。
• 通过调整技能模型和流失预测模型，并采用超图匹配算法处理群体分配，将框架扩展至团队对战游戏。

实验结果

研究问题

• RQ1 基于同等技能的匹配是否对玩家参与度最优？在某些玩家状态下是否失效？
• RQ2 能否通过将匹配建模为优化问题，系统性地最大化玩家参与度？
• RQ3 在真实场景中，EOMM相较于传统基于技能和随机匹配的系统表现如何？
• RQ4 参与度优化的匹配机制在多次游戏会话中会产生怎样的累积影响？
• RQ5 EOMM框架是否可推广至团队对战游戏及其他匹配应用场景？

主要发现

• 与基于技能的匹配（SkillMM）相比，EOMM在每轮匹配中平均提升0.7%的玩家留存率，不同玩家池规模下提升幅度为0.3%至1.1%。
• 在20轮游戏过程中，EOMM比SkillMM多保留15%的玩家，得益于累积留存优势。
• 在所有测试的玩家池规模（P=100至P=500）下，EOMM表现均一致优于SkillMM和RandomMM。
• SkillMM并未始终优于RandomMM，表明基于公平性的配对并非在所有情况下都最优于参与度目标。
• WorstMM（即配对以最大化流失风险）始终留存玩家最少，从反向验证了EOMM优化目标的有效性。