一篇文章带你了解影之诗设计师是如何分析环境的

　　在影之诗中，每次更新调整都会有详细数据作为依托。那么设计师是如何分析环境的?怎么找出胜率高的卡组?使用率高的卡组怎么用什么方法找呢?下面小编就带大家一起来了解下游戏中设计师分析环境原理，希望可以帮助到各位玩家。

　　分析牌组趋势，整顿环境

　　2017年8月30日～9月1日，在日本横滨召开了面向开发者的学会“CEDEC 2017”。学会第一天，Cygames的分析家铃木贵都先生与服务器工程师草野友弘先生做了题为“运用数据挖掘技术，分析影之诗的牌组趋势”的演讲。

　　※数据挖掘：一种从大量的数据中，利用数据分析手段发掘出有价值内容的技术。

　　铃木贵都(左)，草野友弘(右)

　　演讲的要点如下：

　　·通过分析行动记录来提高用户的游戏体验

　　·正确的分析方法是分析的基础

　　·如何定量衡量不同牌组之间的差异

　　·将影响分析对象的要素分门别类

　　·把分析结果落实在时间轴上，以分析趋势

　　为了让影之诗变得更有趣

　　作为一款目前已有800多张卡牌，且每三个月就发布100多张新卡牌的游戏，游戏平衡性是影之诗保持吸引力并提高用户体验的关键。

　　尽管在影之诗中，有被称为TCG设计师的专门人士来调整游戏平衡，但新卡牌加入后，不仅要考虑环境风向的突然变化，还必须考虑到与旧卡牌之间的相互作用，这都使设计师的负担变得越来越重。

　　设计师用实体牌进行测试为了能更好地调整游戏平衡性，就要求对玩家的对战信息和行动记录进行分析，将其可视化，使TCG设计师和负责人可以更加方便的确认玩家的动向。

　　毋庸置疑，理想的卡牌游戏平衡是，每个牌组都有有利牌组和不利牌组，它们能形成循环，互相制约。如果某个特定牌组过强的话，玩家们就会遇到总是匹配到那个牌组的情况，会导致玩家的厌烦。

　　彼此制约是好环境，一大独大是差环境于是，我们从这点出发，开始开发定量把握牌组趋势的方法。

　　深刻理解并正确运用分析方法，然后将其逐渐完善

　　我们首先尝试使用的是一种叫“k-means”的分析方法。这种方法将相似的牌组按照其特征归类，取得牌组的“中心点”，算出牌组的“平均值”，然后找到整个集合的“中心点”。

　　虽然k-means是分析界常用的方法，但它在影之诗所追求的数据挖掘上的表现并不是很好。

　　原因之一在于，k-means不能很好地处理离群值。

　　※离群值：和其他数据相比，差异比较大的数据。

　　多数的影之诗玩家会选择当前环境中最强力的、俗称Tier1的牌组，不过也不少玩家有自己的偏好和特殊的执着，这些所谓的少数派变成了离群值，偏离了整体数据，会导致整个集合化(聚类)无法顺利进行。(译注：就是说你们这些真爱党、钟馗、小仓唯杀手、菲娜控、地心少女爱好者影响爸爸们进行数据分析了)

　　我们原本希望如此分类

　　但因为离群值的影响，k-means会将右下角的数据与左上方土黄色的数据归为一类，而且还会影响其他数据的分类(红色和蓝色原本应为一类)接下来我们采用的算法是k-mediods。

　　k-medoids不是做出中心点，而是将各个数据自身作为中心。这样，离群值也能进行集群化，不能顺利归类的问题就可以得以解决。(译注：就是说k-means对离群值过于敏感，而k-medoids则能精确地区分)

　　k-means会将右下角的离群值和左上方的归为一类，而k-medoids则能进行区分

　　将牌组之间的差异用“距离”来定量数据化

　　虽说实现了牌组归类，但是还有衡量牌组间“距离”的问题。牌组间的距离指的是不同牌组之间有怎样程度的差别，在图表上通过距离来定量表达。牌组间的距离越小，牌组就越相似。

　　将距离很小的数据进一步归类，可以得到更高精度的分析结果。但是如果仅凭感觉来测定距离，我们无法得出正确结果，必须要采用某种指标进行定量处理。

　　为了解决这个问题，我们最初采用了“欧式距离”这一指标。

　　欧氏距离(欧几里得距离)：n维空间中两点间真实的距离。

　　横坐标是“A牌的数量”，纵坐标是“B牌的数量”根据欧氏距离测量了图表上的线段距离之后，即使都是“差两张”这样的张数差异，距离的数值也会不同。

　　粗略看上去，这种方法似乎可以进行有效的距离测定，但其实是有问题的。如果采用这样的测量方法，就会像上面的图一样，A卡牌和B卡牌各放2张的牌组，与AB各放1张的牌组之间的距离会被判定为比放3A1B的牌组或1A3B的牌组的距离要小，但是我们并没有做出这种结论的依据。

　　也就是说，牌组和牌组间的距离本来没有什么特别的实际意义。

　　为了解决这一问题，我们改为使用曼哈顿距离。这种算法是计算从一个牌组调整到另一个牌组需要多少步骤，在影之诗中的话，就是需要进行多少次加减卡牌。

　　曼哈顿距离与欧式距离的差别。

　　绿色是欧式距离，蓝色是曼哈顿距离，红色和黄色也是曼哈顿距离，与蓝色等价

　　横坐标是“A牌的数量”，纵坐标是“B牌的数量”以“张数”为单位，将编辑牌组这一行为进行定量表达，能够赋予“牌组之间的距离”一个实际意义，提高牌组分类的精度。虽说这是经过客观分析得到的产物，但也很接近人类的直觉，这样就能做出简洁明了的图表。

　　准确选出对环境造成影响的“核心牌”

　　确定了方法之后，在操作上要面临的问题是，要分成多少个集群进行分析。

　　我们当然可以根据人的主观来设定集群的数字，但这就无法涉及人眼看不到的地方，也失去了进行数据挖掘的意义。

　　如前文所述，影之诗每三个月会推出一个新卡包，在卡包刚推出开始，很难准确把握不断变化的趋势。等到人能主观观察到的的时候，那环境可能就已经定型了。

　　为了解决这个问题，可以采取先把集群数设定得比较大，然后再逐渐缩小的办法，不过这会产生“如何定下最初的集群数”这一问题。其实，通过提取出牌组中的“核心牌”，我们就可以得出结果。

　　具有相同核心牌的牌组会被归为一个集群所谓的核心牌，指的是某些牌组中能决定胜负的combo卡牌(例如上图中的超越)或有终结游戏能力的强力卡牌，但是又不会被广泛应用在其他思路的牌组中。可以说，核心牌代表了相应牌组。

　　只遴选出这些核心牌，并将其指标化，就可以使集群数达到所需的精度，从而分析出结果。

　　这样，即使两个牌组的牌表看起来差异很大，但只要担任战略核心地位的核心牌相同，我们就可以认为这是同一思路的牌组，并将其作为同一个集群来处理。

　　按照这样的方式，那些个性牌组也能被归到应在的集群。所以无论是客观上还是主观上，这样的归类都存在实际意义。

　　用“时间轴分析”来追踪牌组趋势

　　以上讨论的分析方法通常只是取一个时间点来进行分析，但仅凭这些难以搞清牌组趋势。

　　特别是新卡包刚推出的时候，战术在不断成熟，集群数量(牌组类型)的变化会相当大，很难就这样直接进行比较。

　　随着时间推移，旧牌组消失，新牌组出现为了调整游戏平衡性，掌握牌组趋势是极其重要的事情，而我们尝试将其以直观的形式可视化。将不同时期的各个集群的中心点取出之后，放在同一图表中，就可以比较清晰地看到其变化动向。

　　将同一集群(牌组类型)的中心点取出，投影到低次元空间中

　　可以观察到牌组之间是在趋近还是在避离通过这种方式进行分析，我们就可以解答诸如“使用核心牌A的牌组与使用核心牌B的牌组是不是可以归为同一种牌组类型呢”，“某个思路是不是产生了分歧，现在已经分裂成两种思路了呢”这样的问题。

　　这样，我们就能一点点得出想要的分析结果，不过这个数据挖掘尚在试验中。为了能让这样的分析运用于实际，我们意识到，例如“打出核心牌前后使用过什么样的卡牌”这样特征都是很有必要的。

　　我们会不断尝试活用数据的方法，直到将服务器提供的庞大数据有效的整合起来，让TCG设计师们更容易把握到环境和牌组趋势。

　　行动记录分析是游戏平衡的脊梁骨

　　演讲的最后，铃木先生，草野先生这样说道：

　　“虽然分析用户的行动记录是一件成本很高的事情，不过我们为了提高玩家的游戏体验，会继续不断努力。虽说神经式网络和深度学习可以进行精度较高的分析，但通过人类的判断力来分析那些结果意味着什么，依然不是一件容易的事情。如果得到了设计师无法理解的分析结果，那么无法应用到游戏之中，不管是对于我们来说，还是对玩家们来说，都是没有价值的分析。

　　想搞清楚究竟是什么因素在对分析结果造成影响，行动记录的分析尤为重要，不玩游戏的话是不会理解的。所以虽然会耗费成本，但是为了提高玩家的体验，今后也会注重这方面的研究。”

　　希望这篇文章能够帮助大家了解设计师是如何分析环境的，也希望大家能够继续支持本站，更多精彩攻略尽在影之诗专区。