通过使用序列预测技术，我们可以更好地洞察用户行为。

由 Tarun Sai，Hike 的 AI/ML 团队成员（在 https://www.linkedin.com/in/tarunsaib/）

理解并预测用户行为对于提升用户体验和促进用户参与至关重要。在移动游戏领域，能够预测用户接下来的动作——比如用户会根据游戏结果选择玩哪些桌游——可以带来更个性化且令人满意的游戏体验。这篇博客介绍了一种基于变换器模型的系统，用于预测用户将会采取的一系列动作，尤其是选择游戏桌的过程。

我们旨在预测用户在Rush游戏世界中将采取的行动序列。具体来说，我们想要预测的是玩家在游戏中将采取的行动序列。

用户即将玩的牌桌游戏

通过准确的预测，我们可以提高用户的参与度，通过个性化推荐。

在中文中，句子和标题通常使用句点（。）或冒号（：）来表示概念的结束或引入。因此，为了符合中文的书写习惯，可以在“方法”后面加上冒号。同时，考虑到专家的建议，如果“Approach”指的是策略或解决问题的具体方法，“策略”（cèlüè）或“方法论”（fāngfǎlùn）可能更合适。

为了应对这个预测任务，我们采用了一种基于变压器的模型，该模型根据用户的当前技能以及任何给定时间通常在该桌游戏的玩家技能分布，自回归地预测接下来的桌面及其相关结果。变压器是一种强大的神经网络架构，非常适合处理序列数据，这使得它们非常适合用来建模用户随时间的行为。

我们的模型基于三个关键特征来理解和预测用户动作。

1. 游戏时间索引：用户所玩游戏的时间顺序。
2. 桌号：具体游戏桌的标识符。
3. 胜负标志：每局游戏的结果，表示是赢还是输。

由于该模型是自回归的，它会依次预测下一个表索引值。游戏索引则会从表索引的序列中自然得出，因为每次新的预测都会递增游戏序列。

1. 输入：用户的历次的游戏记录、详细信息的桌子以及每局的胜负结果的序列。
2. 嵌入式表示：每个特征都被转换为密集型向量表示。

• 游戏嵌入向量

• 表格嵌入向量

• 胜负结果嵌入向量

3. 位置编码：添加到词嵌入中以保留序列中的位置信息，这对于捕捉时间序列中的依赖关系非常重要。

这些嵌入结合后通过一个Transformer编码器（一种）处理，它能捕获序列数据中的复杂模式和依赖。

• 表预测功能：利用变压器编码器的输出来预测用户可能要玩的下一张牌桌。

架构示意图

或

最后
（注：若保留#号以保持与原文格式一致，则使用第一种；若追求更自然的中文表达，则使用第二种。）

我们进行了一项A/B实验，控制组接触到的是现有统计系统的推荐，而测试组则收到了变压器模型的推荐。我们注意到相对于现有的启发式系统，ARPU有了大约4%的相对增长，并且这一增长具有统计学上的显著性。

使用基于变压器的模型来预测用户行为提供了一种强大的手段来更好地理解和优化用户旅程。通过关注用户选择的游戏内容及其游戏结果，我们可以创建一个更互动和响应的游戏环境。这种方法通过个性化的体验使用户受益，同时也为平台开发者和利益相关者提供了可操作的见解。

利用变压器在序列预测方面的优势开启了新的用户互动和平台优化机会。随着我们不断优化这些模型，创造更加沉浸式和直观用户体验的潜力将不断增加。