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:
- 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。
- 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) |
|---|---|---|
| 1 | 3.2% | 0.6% |
| 2 | 6.5% | 1.8% |
| 4 | 12.9% | 5.9% |
| 8 | 25.8% | 19.7% |
| 16 | 51.6% | 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:
- 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。
- 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。
- 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。
- 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
- 首页与发现面的曝光现象(可实证,登录后):https://store.steampowered.com/
- Steamworks 发现与推广文档(登录后可见):https://partner.steamgames.com/doc/store/discovery
- 曝光分配算法官方未公开;本仿真中 α、反馈系数、点击率/愿望单率均为量级假设的模型输出,非官方精确算法
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。