【社交算法】K-Free社群检测：找到属于你的游戏搭子

作者：腾讯游戏社交算法团队

背景

游戏内的玩家和玩家间的交互关系构成了游戏社交网络，其中部分关系亲密的好友或者兴趣相近的玩家进一步组成了社交网络中的社群，例如游戏内的社团、俱乐部或者以某个大V玩家为枢纽的局部人群所构成的子网络。同时社群也是游戏内社交生态繁荣的一个表现，研究表明，社群内的玩家通常有着更高的社交度和活跃度，此外属于同一个社群内的玩家通常有着相近的活跃模式，因此对游戏内社群的挖掘和分析对于理解游戏内用户的社交和活跃模式意义重大。

游戏社交网络具有网络规模巨大、语义特征丰富等特点，除了玩家之间海量的关系链数据（例如好友、情侣、师徒、组队等），还有丰富的玩家语义属性（例如玩家等级、战力、玩法偏好等），如何权衡社交网络的“结构”和“语义”信息从而充分挖掘游戏内趣味相投的用户群体是一项极具挑战性的任务。如图1所示，社群检测（community detection）旨在将社交网络划分为不同社群，以发现社交网络中兴趣相似的人，从而提升活动推广和资源投放的效率。传统的社群检测算法（例如Lovain等）大多只考虑社交网络的结构信息，将社群定义为社群内连接密集、社群间连接稀疏的人群，但其忽略了节点的语义信息；此外，已有的社群检测算法通常需要人为指定社群数量K，并将社交网络划分为K个社群，然而真实的业务场景中往往没有这样的先验知识，需要花费专家知识和大量人力来确定社群数量K。

基于上述挑战，我们提出了深度自适应生成式社群检测算法DAG，从数据生成的视角建模社交网络中社群的产生过程，在不需要人为指定社群数量K的情况下，自适应地将任意的社交网络划分成适当数量的社群，并通过图神经网络算法对社交网络中的结构和语义信息联合建模，从而充分挖掘社交网络中紧密连接并语义相似的社群。基于该算法，我们不仅可以挖掘社交网络中的潜在社群并加深对社群内玩家行为模式的理解，还可以实现对游戏内不同社群玩家的个性化资源投放，例如，我们可以为偏好特定玩法的社群投放他们更感兴趣的任务，并鼓励同一社群内的用户组队完成，以高活带低活的形式拉动社群内成员的整体活跃度，持续增加用户粘性。

我们围绕社交网络挖掘、图神经网络、组合优化等技术，持续优化社群挖掘和推荐算法，并与游戏业务团队紧密合作，共同探索促进用户活跃度的运营模式，截至目前我们团队自研的社群挖掘、社群推荐算法已经在好友组队推荐、圈子推荐、战队推荐等多个腾讯游戏业务场景成功落地，并取得了显著的效果提升。下面将重点介绍DAG算法及其在实际业务场景中的效果。

相关工作和挑战

社群检测的方法主要分为传统的社区检测以及深度图聚类算法，然而这些算法各自又存在不同的问题，即难以权衡图结构和语义属性，以及无法自适应寻找社群数目。

痛点一：难以权衡的拓扑结构和语义相似性

社区检测算法，如Louvain，通过最大化模块度的方法来进行优化，模块度可以简单理解为“同社群内的边数与不同社群间社群的边