Steam: Startet neuronal lernende „Empfehlungsgeber“-KI

Valve hat ein experimentelles Feature gestartet, mit dessen Hilfe Nutzer Spiele vorgeschlagen bekommen. Das mag an sich nicht ungewöhnlich klingen, doch der Entwickler nutzt eine maschinell lernende KI, um das Spielerverhalten und seine Vorlieben zu analysieren. Der offizielle Blog erläutert:


Zwar helfen existierende Shop-Funktionen, wie die Tag-Suche, aber wir sind der Ansicht, dass wir die Vorteile des maschinellen Lernens noch besser nutzen und Spielern auf Basis Ihres Spielverhaltens maßgeschneiderte Empfehlungen geben können. Mit Anpassungsmöglichkeiten in Echtzeit wird der Empfehlungsgeber zu einem effektiven und nutzerfreundlichen Werkzeug zum Stöbern auf Steam und garantiert, dass Sie Ihre zukünftigen Lieblingsspiele finden.

So funktioniert’s

Der neue Empfehlungsgeber verwendet ein neuronales Netzwerkmodell, das darauf trainiert ist, Nutzern Spiele basierend auf ihrem Spielzeitverlauf und anderen relevanten Daten zu empfehlen. Um zuverlässige Ergebnisse zu erhalten, die die Nuancen verschiedener Spielmuster erfassen und unseren Katalog abdecken, haben wir das Modell auf der Grundlage von Daten von vielen Millionen Steam-Nutzern und vielen Milliarden Spielsitzungen trainiert. Über mehrere Parameter kann das Modell auf Spielempfehlungen eingeschränkt werden, die in einem bestimmten Zeitrahmen veröffentlicht wurden oder einen höheren oder niedrigeren Beliebtheitsgrad haben. Nutzer können diese Parameter einsehen und selbst wählen, ob sie nur kürzlich erschienene Titel in den Ergebnissen sehen möchten oder auch solche, die vor mehr als zehn Jahren herausgekommen sind. Sie können einstellen, ob die Ergebnisse nur Mainstream-Hits oder auch bisher unentdeckte Kleinode enthalten sollen. Unabhängig von den Einstellungen der Schieberegler sind die Ergebnisse immer individuell auf den Nutzer zugeschnitten.

Maschinelles Lernen im Steam-Shop

Im Gegensatz zu traditionelleren Ansätzen füttern wir unser Modell nicht mit Informationen über die Spiele. Stattdessen macht sich das Modell während des Trainings selbst mit den Spielen vertraut. Die einzige Information, die wir explizit beim Trainingsprozess eingeben, ist das Veröffentlichungsdatum, damit Nutzer mithilfe des Reglers einen Zeitrahmen oder Zeitpunkt für Ihre Suchergebnisse festlegen können. Es hat sich herausgestellt, dass man auf diese Weise qualitativ bessere Ergebnisse erzielt, als wenn das Veröffentlichungsdatum einfach als Filter auf die Ausgabe angewendet wird.

Insbesondere verwenden wir beim Erstellen des Modells keine Informationen zu Tags oder Spielbewertungen. Das bedeutet, Tags oder Bewertungen haben keine Auswirkung auf das Suchergebnis. Das Modell betrachtet Benutzeraktivitäten statt andere, externe Daten, um Rückschlüsse auf Spieleigenschaften zu ziehen.

Nutzer können weiterhin ihre Suchergebnisse nach Tag filtern und so Spiele nach ihrem Geschmack finden. Dies ist aber nicht Teil des zugrunde liegenden Modells.

Ein neurales Netzwerk, informiert von der Steam Community

Natürlich kann man alle verfügbaren Informationen über ein Spiel sammeln, dann anhand von Vermutungen ähnliche Spiele heraussuchen und diese „ähnlichen“ Spiele empfehlen. Dies führt jedoch zu „verzerrten Empfehlungen“ – nur weil Sie oft Beat Saber spielen, bedeutet das nicht, dass Sie ausschließlich VR-Rhythmusspiele empfohlen bekommen möchten. Unser Modell hat daher einen anderen Ansatz. Es ignoriert die meisten üblichen Daten zu einem Spiel, wie etwa Genre und Preis. Stattdessen sieht es sich an, welche Spiele Sie und andere Spieler auf Steam spielen, und gibt dann anhand ihrer getroffenen Entscheidungen fundierte Empfehlungen. Das Modell basiert auf also auf der Idee, dass wenn Spieler mit ähnlichen Spielgewohnheiten wie Sie ein Spiel spielen, das Sie noch nicht ausprobiert haben, Ihnen dieses Spiel womöglich gefällt.

Beliebtheit

Der Begriff „Beliebtheit“ ist vielleicht nicht die beste Wahl, aber ein besserer ist schwer zu finden. Wir definieren ihn als „Mainstream“, also Spiele die bei einer Masse von Spielern Anklang finden. Aber genau wie bei Büchern, Musik oder Filmen suchen Leute nach einer Vielzahl verschiedener Dinge. Ein Spieler möchte die neuesten und beliebtesten Spiele finden während ein anderer das genaue Gegenteil will und nach interessanten, relevanten Spielen sucht, die nicht unbedingt sehr bekannt sind. Wir sind überzeugt, dass unser Werkzeug Spielern an beiden Enden des Spektrums helfen wird. Besonders Spieler, die eine große Anzahl Spiele spielen, können so in bisher unentdeckten Nischen stöbern und verborgene Schätze entdecken.

Der Empfehlungsgeber auf Steam

Wir möchten Kunden die Gelegenheit geben, den neuen Empfehlungsgeber auf eigenen Wunsch auszuprobieren. Daher führen wir ihn als Experiment ein, anstatt große Änderungen an der Art und Weise, wie Steam individuelle Empfehlungen gibt, vorzunehmen. Auf diese Weise erhalten wir bessere Nutzungsdaten und vermeiden eine plötzliche Umgestaltung, was für Kunden und Entwickler, die an bestimmte Steam-Funktionen gewöhnt sind, frustrierend sein kann. Falls sich der Interaktive Empfehlungsgeber oder damit zusammenhängende Experimente als nützlich erweisen, werden wir das Update ankündigen bevor tief greifende Änderungen in Kraft treten. Die Daten, die die Kategorien „Neu und angesagt“ oder „Topseller“ steuern, unterscheiden sich von denen der Entdeckungsliste, dem neuen Empfehlungsgeber usw. Wir betrachten den neuen Interaktiven Empfehlungsgeber als ein Element der Entdeckung unter vielen und freuen uns darauf, Kunden weitere Möglichkeiten zu bieten, interessante Inhalte und Entwickler zu finden.

Empfehlungen und neue Spiele

Neue Spiele in dieser Art von System unterliegen einem „Huhn-oder-Ei“-Effekt, der auch als „Kaltstart“-Problem bekannt ist. Das Modell kann keine Spiele empfehlen, die noch niemand gespielt hat, da es keine Daten für diese gibt. Es reagiert jedoch schnell – sobald Daten von wenigstens ein paar Tagen vorliegen und es diese verarbeitet hat, kann es Neuveröffentlichungen in die Empfehlungen miteinbeziehen. Dementsprechend kann es nicht die Rolle der Entdeckungsliste erfüllen und brandneue Inhalte vorstellen. Deshalb betrachten wir dieses Werkzeug als eine Funktion zusätzlich zu bestehenden Mechanismen und nicht als einen Ersatz.

Keine Optimierungsarbeit für Entwickler

Manchmal kann eine computergesteuerte Entdeckungsfunktion dazu führen, dass sich Entwickler auf Optimierungen „für den Algorithmus“ statt für Kunden konzentrieren. Sie fragen sich sicher: Was ist hieran so anders? Wir haben den Empfehlungsgeber so entworfen, dass er von Spieler selbst gesteuert wird, nicht von extrinsischen Elementen wie Tags oder Reviews. Der beste Weg für Entwickler, dieses Modell zu optimieren, ist die Entwicklung eines Spiels, das Spielern Spaß macht. Es ist zwar wichtig, Benutzern nützliche Spielinformationen auf der Shopseite zu anzuzeigen, aber Sie sollten sich nicht darum sorgen, welche Tags oder andere Metadaten beeinflussen, wie das Empfehlungsmodell Ihr Spiel sieht.

Ihr Feedback ist gefragt

Wir freuen uns sowohl auf Feedback von Kunden als auch von Entwicklern. Sehen Sie sich den Interaktiven Empfehlungsgeber an, nehmen Sie an den Diskussionen teil und lassen Sie uns wissen, was Sie denken. Sobald wir genügend Daten über die Nützlichkeit des Empfehlungsgebers gesammelt haben, teilen wir Ihnen den Stand der Dinge mit.

Hinweis für Entwickler

Wir haben den neuen Empfehlungsgeber als Werkzeug für Kunden entworfen. Idealerweise hilft er auch Entwicklern. Entwickler können direkt auf der Seite „Traffic-Analyse“ für jedes Spiel überprüfen, wie viele Seitenaufrufe der Empfehlungsgeber generiert. Bedenken Sie bitte, das dieses Experiment im Vergleich zum Rest von Steam möglicherweise weniger Traffic generiert. Bei Fragen oder Feedback können Entwickler oben auf jeder Steamworks-Website die Schaltfläche „Support“ verwenden, um schnell Kontakt mit uns aufzunehmen.“

Weiter zum Video