《Steam 游戏平台:开发与商业化》4.1 发现队列与个性化推荐

Steam 发现队列按用户行为信号(愿望单、购买史、游玩时长、评测)做个性化推荐。本节讲信号如何构成相关性、冷启动为何难进队列、发售前的早期信号只有愿望单与商店页互动,lab 用 C++ 仿真余弦相关性、信号累积与队列入选概率。

4.1 发现队列与个性化推荐

发现队列(Discovery Queue)是 Steam 商店的个性化推荐面:用户进入队列,系统逐个展示它认为「你可能会喜欢」的游戏。队列怎么选游戏?机制上表现为:基于用户行为信号打相关性分——愿望单、游玩时长、购买史、评测记录这些行为构成用户的画像,也构成每个游戏的「信号向量」,两者匹配度高的游戏被选进队列的概率更高。

对开发者的含义非常直接:发售前你没有任何游玩数据,愿望单与商店页互动就是你的全部早期信号。冷启动的游戏(零信号)即使品类上本该匹配,也进不了队列;只有当相似用户开始把你加进愿望单、在你的商店页停留,你的「相关性信号」才生长出来。本节的核心判断是:发售窗口之前,你的发现机制工作是「经营愿望单信号」,而不是指望推荐系统凭空发现你。

本章与站内既有内容的分工

主题站内既有内容本节做什么
Steam 上架操作Steam 游戏发行专题操作手册讲怎么准备商店页;本节讲队列如何用行为信号选游戏
独立游戏选题独立游戏专题讲单款游戏经验;本节给出「信号 → 相关性 → 队列入选」的机制模型
独立开发者商业《独立开发者的商业指南》讲收入财务;本节贡献曝光获取这一机制输入
小游戏上线运营《上线变现与长线运营》讲上线节奏与运营;本节只做 Steam 发现机制的个性化一面

一句话:别人讲怎么上架,本卷讲发现队列这套信号机制如何决定你的游戏能否被推荐给合适的人。

行为信号与相关性

发现队列的相关性由行为信号构成。公开资料显示,能被平台观察到的行为包括:

  • 愿望单:用户把游戏加入愿望单,是强烈的「想买」信号。
  • 游玩时长:已发售游戏被用户实际游玩,是「买对了」的信号。
  • 购买史:用户过去买过什么,勾勒品类偏好。
  • 评测与社区互动:好评、评测、社区参与,补充兴趣画像。

对一款游戏而言,这些行为汇聚成它的信号向量:在哪些维度(流派、主题)上被多少用户偏好。推荐系统在做法上表现为:把目标用户的画像向量与候选游戏的信号向量做相似度匹配(模型上可用余弦相关性),相似度越高的游戏越可能进队列。

两个机制要点:

  1. 相关性是用户特定的:同一款游戏,对不同用户的相关性不同。「强信号但在错误品类」的游戏(例如在解谜模拟品类有大量信号,而这位用户只玩动作肉鸽)对这位用户依然不相关。
  2. 信号会累积:愿望单、游玩时长会逐步改变游戏的信号方向,让它向「真正喜欢它的人」靠拢——相似用户的偏好被并入信号,相关性持续上升。

冷启动与发售前的信号经营

冷启动是发现机制的经典缺口:没有行为信号,相关性就是零。哪怕你的游戏品类上完美匹配某用户,系统也「不知道该推给你」,因为推荐靠的是行为证据而非品类声明。仿真里,零信号游戏的队列入选期望严格为 0。

由此,发售前的发现机制工作只剩两条路:

  1. 愿望单经营:让目标用户尽早把你加进愿望单。这不是「虚荣指标」,而是你在发售前唯一能生长的相关性信号。
  2. 商店页互动:商店页停留、截图浏览、评测浏览都是行为,都会被计入信号。商店页(见 2.3 页面元素与转化)从「转化工具」升格为「信号工具」。

仿真显示:同样的品类匹配,愿望单信号让相关性从 0.958 继续抬升,游玩时长信号再叠加——每一条早期行为都在给推荐系统「证据」。

判断链:信号决定「给谁推、推多准」

机制接回开发决策:

  1. 发售前没有信号就没有推荐:别指望首发当天的队列流量,首发前的愿望单积累就是你的队列入场券。
  2. 信号来自相似用户:让核心受众(3.1/3.3 的窄标签受众)先看到你、先加愿望单,他们的偏好会把你的信号向量拉向正确的方向。
  3. 错配信号是浪费:吸引来错误品类的关注,信号再强对正确用户也不相关——宁可信号少而准,不要多而散。

lab 会把相关性、信号累积与队列入选概率跑成可复现的数字。

数据口径与来源

以上机制口径撰写时对照 Steamworks 官方文档与 store.steampowered.com 可实证页面核对;登录后可见数据以官方当前为准。

可运行产物:C++ 最小验证

下面的 lab 复现「用户画像 × 游戏信号 → 余弦相关性 → 队列入选概率」的模型:五维流派画像下,比较强信号、弱信号、错配信号与冷启动游戏的相关性,再模拟愿望单/游玩时长信号累积,最后用 3,000 名抖动用户跑队列入选期望。它与 src/04-1-discovery-queue-recommend.cpp 逐字节一致:

// file: src/04-1-discovery-queue-recommend.cpp
// tier: L1
// verify: clang++ -std=c++20 -Wall -I. src/04-1-discovery-queue-recommend.cpp -o bin/04-1-discovery-queue-recommend && ./bin/04-1-discovery-queue-recommend
//
// 复现 Steam 发现队列的个性化推荐:队列根据用户行为信号(愿望单、购买史、
// 游玩时长)给游戏打相关性分,并按相关性决定是否进队列。
// 本仿真把「用户画像 × 游戏信号 → 余弦相关性 → 队列入选」建成数值模型:
// 信号向量决定相关性,冷启动(零信号)即使品类匹配也进不了队列,
// 愿望单与游玩时长信号随发售前/发售后逐步累积。独立最小验证,非 Valve 源码。
#include "verify.h"

#include <cmath>
#include <cstdio>
#include <random>
#include <string>
#include <vector>

namespace steam_repro {

// 五个流派维度:Action, RPG, Puzzle, Simulation, Roguelite。
constexpr int kDims = 5;

struct Profile {
  double v[kDims];
};

Profile normalize(Profile p) {
  double norm = 0.0;
  for (double x : p.v) norm += x * x;
  norm = std::sqrt(norm);
  if (norm <= 0.0) return p;
  for (int i = 0; i < kDims; ++i) p.v[i] /= norm;
  return p;
}

double cosine(const Profile& a, const Profile& b) {
  double dot = 0.0, na = 0.0, nb = 0.0;
  for (int i = 0; i < kDims; ++i) {
    dot += a.v[i] * b.v[i];
    na += a.v[i] * a.v[i];
    nb += b.v[i] * b.v[i];
  }
  if (na <= 0.0 || nb <= 0.0) return 0.0;
  return dot / (std::sqrt(na) * std::sqrt(nb));
}

// 行为信号累积:愿望单把「想买该品类的用户」的偏好并入信号,游玩时长同理。
Profile accumulateSignal(Profile sig, double wishlists, const Profile& wishVec,
                         double playHours, const Profile& playVec) {
  for (int i = 0; i < kDims; ++i) {
    sig.v[i] += wishlists * wishVec.v[i] + playHours * playVec.v[i];
  }
  return sig;
}

}  // namespace steam_repro

int main() {
  using namespace steam_repro;

  // 目标用户画像:偏爱 Action 与 Roguelite,次要 RPG/Simulation,几乎不看 Puzzle。
  const Profile user = normalize({0.5, 0.1, 0.05, 0.1, 0.25});

  // 候选游戏信号(发售后由行为信号构成;此处直接给出量级假设的汇总向量)。
  const Profile sigA = normalize({0.6, 0.0, 0.0, 0.0, 0.4});   // A:动作肉鸽,强信号
  const Profile sigB = normalize({0.0, 0.6, 0.1, 0.0, 0.4});   // B:RPG + 肉鸽
  const Profile sigC = normalize({0.0, 0.0, 0.0, 1.0, 0.0});   // C:模拟
  const Profile sigE = normalize({0.0, 0.0, 1.0, 0.0, 0.0});   // E:纯解谜
  const Profile sigF = normalize({0.0, 0.0, 0.9, 0.8, 0.0});   // F:解谜模拟强信号(品类错配)
  const Profile sigZero = {};                                  // D:冷启动零信号

  // 相关性:A 最高,B 与 C 中等,E 低,冷启动为 0。
  const double relA = cosine(user, sigA);
  const double relB = cosine(user, sigB);
  const double relC = cosine(user, sigC);
  const double relE = cosine(user, sigE);
  const double relF = cosine(user, sigF);
  const double relD = cosine(user, sigZero);

  CHECK(relA > relB);
  CHECK(relB > relC);
  CHECK(relC > relE);
  CHECK(relF > 0.0 && relF < relA);  // 品类错配的强信号:对这位用户仍不相关
  CHECK(relD < 1e-9);               // 冷启动零信号相关性为零

  // 信号累积:愿望单/游玩时长来自「与你画像相似的用户」,把它们并入信号后
  // 信号方向向该用户倾斜,相关性上升。
  const Profile wishVec = normalize({0.5, 0.1, 0.05, 0.1, 0.25});
  const Profile playVec = normalize({0.5, 0.1, 0.05, 0.1, 0.25});
  Profile sigPre = sigA;  // 发售后初始
  const double relPre = cosine(user, sigPre);
  sigPre = accumulateSignal(sigPre, 2000.0, wishVec, 0.0, playVec);
  const double relWish = cosine(user, sigPre);
  sigPre = accumulateSignal(sigPre, 0.0, wishVec, 400.0, playVec);
  const double relPlay = cosine(user, sigPre);
  CHECK(relWish > relPre);  // 愿望单信号提升相关性
  CHECK(relPlay > relWish); // 游玩时长信号继续提升

  // 冷启动对比:即使「品类上本该匹配」,零信号也进不了队列。
  const Profile coldAction = {};  // 无任何行为信号的动作游戏
  CHECK(cosine(user, coldAction) < 1e-9);

  // 队列入选仿真:对 3000 名围绕 user 轻微抖动的用户,队列从 6 个候选游戏抽样,
  // 每名用户每个候选的入队期望 = kQueue × rel^gamma / Σrel^gamma(幂次放大头部差距,
  // 体现推荐带的随机性)。对每名用户累积期望入队次数。
  std::mt19937 rng(20261112u);
  const Profile candidates[] = {sigA, sigB, sigC, sigZero, sigE, sigF};
  const int kQueue = 3;
  const int kUsers = 3000;
  const double gamma = 3.0;
  double appear[6] = {0.0, 0.0, 0.0, 0.0, 0.0, 0.0};
  for (int i = 0; i < kUsers; ++i) {
    Profile u = user;
    for (int d = 0; d < kDims; ++d) {
      u.v[d] += (static_cast<int>(rng() % 21) - 10) / 1000.0;  // ±0.010 抖动
      if (u.v[d] < 0.0) u.v[d] = 0.0;
    }
    u = normalize(u);
    double weights[6];
    double total = 0.0;
    for (int s = 0; s < 6; ++s) {
      double rel = cosine(u, candidates[s]);
      weights[s] = std::pow(rel, gamma);
      total += weights[s];
    }
    for (int s = 0; s < 6; ++s) appear[s] += kQueue * weights[s] / total;
  }

  CHECK(appear[0] > appear[1]);  // A 期望入队次数 > B
  CHECK(appear[1] > appear[2]);  // B > C
  CHECK(appear[2] > appear[4]);  // C > E
  CHECK(appear[3] < 1e-9);       // 冷启动 D 几乎进不去
  CHECK(appear[0] > appear[5]);  // A > F 品类错配强信号
  CHECK(appear[1] > appear[5]);  // B 也多于 F(错配信号对该用户不相关)

  // 每名用户期望入队总数守恒:约等于 kQueue(全部入队次数和)。
  const double totalAppear = appear[0] + appear[1] + appear[2] + appear[3] + appear[4] + appear[5];
  CHECK(totalAppear > static_cast<double>(kUsers) * kQueue - 10.0);
  CHECK(totalAppear < static_cast<double>(kUsers) * kQueue + 10.0);

  std::printf("relevance A=%.3f B=%.3f C=%.3f E=%.3f F=%.3f D=%.3f | expected queue slots A=%.1f B=%.1f C=%.1f E=%.1f F=%.1f D=%.3f\n",
              relA, relB, relC, relE, relF, relD, appear[0], appear[1], appear[2], appear[4], appear[5], appear[3]);
  return lab::report("04-1 发现队列与个性化推荐");
}

模型输出(同机可复现):相关性 A=0.958、B=0.392、C=0.173、E=0.086、F=0.179、冷启动 D=0.000;3,000 名用户 × 3 个队列位的期望入队次数 A=8322、B=568、C=49、E=6、F=55、D=0。强信号吃走绝大部分队列位,冷启动一次都进不去。

本机实测(Apple clang 16,clang++ -std=c++20 -Wall):编译通过(零警告),断言 16/16 通过。

小结

  • 发现队列按用户行为信号做个性化推荐,相关性由愿望单/游玩时长/购买史/评测构成。
  • 相关性是用户特定的:强信号但在错误品类,对目标用户依然不相关。
  • 冷启动零信号进不了队列;发售前愿望单与商店页互动是仅有的早期信号。
  • 判断链:发售前经营愿望单信号,就是经营发售后的队列曝光。

阅读导航:上一节:3.3 标签决定曝光与受众 · 下一节:4.2 新品与流行、热销榜口径 。

继续阅读

探索更多技术文章

浏览归档,发现更多关于系统设计、工具链和工程实践的内容。

全部文章 返回首页

「books」更多文章

  1. 《大规模分布式计算深入解析》15.3 落地:从 Neo4j 到自研图引擎
  2. 《大规模分布式计算深入解析·图计算与图数据库内核》 · 目录与学习路径(45 篇)
  3. 《大规模分布式计算深入解析》15.2 十一卷主线:从切分到图