《Steam 游戏平台:开发与商业化》4.3 曝光分配模型

Steam 把商店总曝光按信号权重(愿望单、销量、关注度)分配给各游戏,公开资料显示信号加权但无官方精确算法。本节把曝光分配建成超线性权重模型,验证头部集中、反馈放大与冷启动无曝光,lab 用 C++ 仿真曝光→点击→愿望单→反哺信号回路。

4.3 曝光分配模型

前面几节讲了发现机制的各条路:标签频道、品类货架、发现队列、榜单。本节把它们抽象成同一个底层问题:商店的总曝光池,如何在所有游戏之间分配? 公开资料显示,Steam 的曝光分配与愿望单、销量、关注度等信号加权有关,官方从未公布精确算法。我们把它建成一个可仿真的分配模型,理解其结构性倾向——而不是冒充官方口径。

模型的两个核心结构:

  1. 信号加权 + 超线性:曝光按信号权重的幂次分配(alpha > 1)。含义是权重越高的游戏,拿到的份额超过其成比例份额——头部集中。
  2. 反馈回路:曝光 → 点击 → 愿望单/购买 → 信号更强 → 下一轮曝光更多。「赢家通吃」的倾向来自这个回路。

本节的核心判断:发售窗口的曝光争夺,本质是抢喂信号的环节。你无法直接购买曝光,但可以通过愿望单、早期销量、评测质量(见第 5 章)喂高自己的信号权重。

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做素材;本节讲曝光池的分配结构
发现机制4.1 发现队列 / 4.2 榜单那两节讲具体发现面;本节把分配抽象成统一模型
独立开发者商业《独立开发者的商业指南》讲收入财务;本节贡献曝光分配这一机制输入
商业化数值《数值平衡与商业化运营》讲内购数值;本节只做曝光分配的结构性模型

一句话:前两节讲发现面的具体机制,本节讲所有发现面背后的分配结构——信号如何决定谁能分到曝光。

信号加权与超线性集中

设商店某轮可分配的总曝光为 I,每款游戏有信号权重 w(由愿望单、销量、关注度等构成),分配在做法上可近似为:

impressions_i = I × w_i^α / Σ w_j^α   (α > 1)

当 α = 1 时是严格按比例分配(公平池子);α > 1 时是超线性——权重翻倍的收益大于翻倍。仿真里 α = 1.5、五款游戏权重 1/2/4/8/16:

游戏权重成比例份额模型曝光份额(α=1.5)
13.2%0.6%
26.5%1.8%
412.9%5.9%
825.8%19.7%
1651.6%72.0%

读出机制事实:头部权重 16 的游戏拿到 72% 曝光,远超其成比例的 51.6%;尾部权重 1 的游戏只拿到 0.6%。α > 1 的含义是:平台不想把曝光平均撒给所有游戏,而是把更多曝光给已经被证明受欢迎的——这是「放大头部」的分配结构。

反馈回路:赢家通吃

曝光不是终点,它进入一条回路:

曝光 → 点击 → 愿望单/购买 → 信号权重上升 → 下一轮曝光更多

仿真把每轮的愿望单并入权重(反馈系数为量级假设),跑 5 轮后头部份额从 72.0% 涨到 73.3%,且份额差距持续扩大。回路还带来两个性质:

  • 冷启动无曝光:权重为 0 的游戏曝光严格为 0,且不占池子——它一分曝光都分不到,也不稀释别人。这解释了 4.1 的冷启动缺口:不是平台歧视新游戏,而是分配结构只认信号。
  • 凸性:把一款权重 1 的游戏权重 +10%,曝光增幅超过 10%(α>1 下,加权分配是凸的)——小幅度喂信号也有超过线性的回报。

判断链:发售窗口的曝光争夺

机制接回开发决策:

  1. 抢喂信号环节:你不能买曝光,但能把每一份早期愿望单、每一笔首日销量、每一条好评喂进权重。发售窗口的每一天,都是让信号权重「起步」的窗口。
  2. 冷启动必须人工破冰:零权重分不到曝光,所以发售前的愿望单经营(4.1)、评测首发质量(第 5 章)就是破冰工具——它们先把权重从 0 抬起来。
  3. 别做尾部竞争:在超线性结构下,尾部权重几乎白给。资源应集中到能把权重抬过「临界」的动作上,而不是平均用力。
  4. 高点击率是杠杆:同样权重下,商店页转化好(2.3)的游戏点击多、愿望单多、反哺强——页面质量直接放大曝光回报。

lab 会把超线性分配、反馈回路、凸性与冷启动跑成可复现的数字。

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「信号权重 → 超线性分配 → 点击 → 愿望单 → 反哺信号」模型:五款等比权重游戏分配 100,000 曝光,验证单调性、总量守恒、头部集中、凸性、反馈放大与冷启动无曝光。它与 src/04-3-exposure-allocation-model.cpp 逐字节一致:

// file: src/04-3-exposure-allocation-model.cpp
// tier: L1
// verify: clang++ -std=c++20 -Wall -I. src/04-3-exposure-allocation-model.cpp -o bin/04-3-exposure-allocation-model && ./bin/04-3-exposure-allocation-model
//
// 复现 Steam 商店曝光的信号加权分配:公开资料显示曝光分配与愿望单、
// 销量、关注度等信号加权有关,官方未公布精确算法。本仿真建一个
// 「信号权重 → 展示位 → 点击 → 愿望单 → 反哺信号」的分配模型:
// 曝光按 weight^alpha(alpha>1 超线性)分配,头部游戏拿走超过成比例份额,
// 愿望单反馈使头部进一步放大(赢家通吃)。所有数值为量级假设的模型输出,
// 非官方口径。独立最小验证,非 Valve 源码。
#include "verify.h"

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

namespace steam_repro {

struct Game {
  double weight;   // 曝光信号权重(量级假设)
  double ctr;      // 点击率
  double wishRate; // 点击后的愿望单率
  double conv;     // 愿望单转购买率
};

// 曝光分配:impressions_i = totalImp * weight_i^alpha / Σ weight_j^alpha。
std::vector<double> allocate(double totalImp, const std::vector<Game>& games, double alpha) {
  double sum = 0.0;
  std::vector<double> w;
  w.reserve(games.size());
  for (const auto& g : games) {
    const double v = std::pow(g.weight, alpha);
    w.push_back(v);
    sum += v;
  }
  std::vector<double> imp;
  imp.reserve(games.size());
  for (size_t i = 0; i < games.size(); ++i) imp.push_back(totalImp * w[i] / sum);
  return imp;
}

// 反馈一轮:曝光 → 点击 → 愿望单 → 并入权重。
void feedbackRound(std::vector<Game>& games, const std::vector<double>& imp, double feedK) {
  for (size_t i = 0; i < games.size(); ++i) {
    const double clicks = imp[i] * games[i].ctr;
    const double wishlists = clicks * games[i].wishRate;
    games[i].weight += wishlists * feedK;
  }
}

}  // namespace steam_repro

int main() {
  using namespace steam_repro;

  // 五款游戏,权重 1/2/4/8/16 等比拉开(量级假设)。
  std::vector<Game> games = {
      {1.0, 0.030, 0.15, 0.30},
      {2.0, 0.030, 0.15, 0.30},
      {4.0, 0.030, 0.15, 0.30},
      {8.0, 0.030, 0.15, 0.30},
      {16.0, 0.030, 0.15, 0.30},
  };
  const double totalImp = 100000.0;
  const double alpha = 1.5;
  const double feedK = 0.01;

  std::vector<double> imp = allocate(totalImp, games, alpha);

  // 单调性:权重越高曝光越多。
  for (size_t i = 1; i < imp.size(); ++i) CHECK(imp[i] > imp[i - 1]);

  // 总量守恒。
  double sumImp = 0.0;
  for (double x : imp) sumImp += x;
  CHECK(std::fabs(sumImp - totalImp) < 1e-6);

  // 超线性集中:头部游戏曝光占比 > 成比例占比。
  const double topShare = imp[4] / totalImp;
  const double topProportional = games[4].weight /
      (games[0].weight + games[1].weight + games[2].weight + games[3].weight + games[4].weight);
  CHECK(topShare > topProportional);

  // 凸性:权重 +10% → 曝光增加 >10%(alpha>1)。
  std::vector<Game> boosted = games;
  boosted[0].weight *= 1.10;
  const std::vector<double> impBoosted = allocate(totalImp, boosted, alpha);
  CHECK(impBoosted[0] > imp[0] * 1.10 - 1e-6);

  // 漏斗:点击随曝光、愿望单随点击、购买随愿望单。
  const double clicksTop = imp[4] * games[4].ctr;
  const double wishTop = clicksTop * games[4].wishRate;
  const double buyTop = wishTop * games[4].conv;
  CHECK(clicksTop > 0.0 && clicksTop < imp[4]);
  CHECK(wishTop > 0.0 && wishTop < clicksTop);
  CHECK(buyTop > 0.0 && buyTop < wishTop);

  // 反馈放大:迭代 5 轮后头部份额上升(赢家通吃)。
  const double shareBefore = imp[4] / totalImp;
  for (int r = 0; r < 5; ++r) {
    imp = allocate(totalImp, games, alpha);
    feedbackRound(games, imp, feedK);
  }
  const double shareAfter = allocate(totalImp, games, alpha)[4] / totalImp;
  CHECK(shareAfter > shareBefore);

  // 冷启动:权重 0 的游戏分不到曝光,也不分走别人的曝光(0^alpha 不占池子)。
  const std::vector<double> impNoCold = allocate(totalImp, games, alpha);  // 反馈后的 games
  std::vector<Game> withCold = games;
  withCold.push_back({0.0, 0.030, 0.15, 0.30});
  const std::vector<double> impCold = allocate(totalImp, withCold, alpha);
  CHECK_EQ(impCold[5], 0.0);
  CHECK(std::fabs(impCold[4] - impNoCold[4]) < 1e-6);  // 冷启动不稀释别人

  // 同权重但点击率更高的游戏,反馈后份额增长更快。
  std::vector<Game> games2 = {
      {10.0, 0.020, 0.15, 0.30},
      {10.0, 0.050, 0.15, 0.30},
  };
  std::vector<double> imp2 = allocate(totalImp, games2, alpha);
  CHECK_EQ(imp2[0], imp2[1]);  // 同权重初始曝光相同
  for (int r = 0; r < 5; ++r) {
    imp2 = allocate(totalImp, games2, alpha);
    feedbackRound(games2, imp2, feedK);
  }
  CHECK(games2[1].weight > games2[0].weight);  // 高点击率反哺更多

  std::printf("round1 shares: %6.2f%% %6.2f%% %6.2f%% %6.2f%% %6.2f%% -> after feedback top %.2f%%\n",
              imp[0] / totalImp * 100, imp[1] / totalImp * 100, imp[2] / totalImp * 100,
              imp[3] / totalImp * 100, imp[4] / totalImp * 100, shareAfter * 100);
  return lab::report("04-3 曝光分配模型");
}

模型输出(同机可复现):第一轮五款权重 1/2/4/8/16 的曝光份额为 0.59% / 1.83% / 5.85% / 19.74% / 71.99%;反馈 5 轮后头部份额升至 73.34%。头部拿走远超成比例份额,冷启动权重 0 分不到曝光也不稀释别人。

本机实测(Apple clang 16,clang++ -std=c++20 -Wall):编译通过(零警告),断言 15/15 通过。

小结

  • 曝光分配按信号权重超线性进行:头部游戏拿到超过成比例份额。
  • 曝光 → 点击 → 愿望单 → 信号的反哺回路让差距随轮次扩大(赢家通吃)。
  • 冷启动零权重分不到曝光,必须靠发售前信号破冰。
  • 判断链:发售窗口的曝光争夺 = 抢喂信号环节;页面转化质量是曝光回报的杠杆。

阅读导航:上一节:4.2 新品与流行、热销榜口径 · 下一节:5.1 评测机制与评分算法 。

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