成就和好友：在线多人游戏玩家留存的关键因素

标题：Achievement and Friends: Key Factors of Player Retention
Vary Across Player Levels in Online Multiplayer Games

作者：Kunwoo Park, Meeyoung Cha, Haewoon Kwak, Kuan-Ta Chen

翻译：游戏数据科学

摘要

在游戏行业中，玩家长期留存一直是一个长期存在的挑战。为了理解是什么激励玩家享受游戏，已经付出了大量的努力。虽然个人在游戏的不同阶段可能有不同的玩游戏或放弃游戏的原因，但之前的研究往往从快照视角看待留存问题。本研究通过分析一款在线多人游戏中51,104个不同个体的游戏日志，独特地提供了一个多方面的视角来审视玩家虚拟生命阶段的留存问题。我们发现，随着游戏等级的变化，长期留存的关键指标也在变化。在从初级到高级阶段，成就特征对玩家非常重要，但一旦玩家达到游戏提供的最高等级，社交特征就成为了预测长期留存的最重要因素。这些发现对于设计能够适应玩家需求的在线游戏具有理论和实际意义。

关键词

玩家留存；虚拟生命轨迹；玩家等级；在线多人游戏；长期留存

1. 引言

玩家留存是网络游戏行业中一个关键且长期的追求。是什么让玩家在游戏中保持愉快并跟随其剧情？是什么让他们在达到最高级别后仍然继续游戏？为了回答这些问题，研究人员已经研究了游戏玩家的动机超过十年[7, 24, 25]。基于理论研究、用户调查和日志数据分析的研究已经确定了几个对留存至关重要的因素。例如，众所周知，玩家通过完成任务、通过成长和升级获得力量、形成社区、与其他玩家竞争、发现情节和角色等在游戏中找到乐趣。

以往的研究尝试将这些激励因素分组并衡量它们在保留玩家方面的相对强度。研究人员发现，玩家可以根据他们的游戏动机分为几个集群，如行动-社交（即喜欢快节奏情景和玩家互动的玩家）、掌握-成就（即对叙事、表达和世界探索感兴趣的玩家）和沉浸-创造（即喜欢战略游戏、接受挑战和变得强大的玩家）。游戏设计师在整个游戏情景中仔细实施每种动机类型的奖励机制，以满足不同玩家的需求。现有的工作假设玩家与动机之间的关系是固定的（例如，随着时间的推移不会改变），并且与玩家的虚拟生命阶段无关。

本研究通过考察个人生命周期的各个阶段的留存情况，为这一重要问题带来了多方面的视角。我们假设一个人享受游戏的潜力和能力会随着时间的推移而变化，因此每个人在游戏中快速达到更高水平和进行社交的需求和能力必须是不同的。通过观察真实游戏玩家在各个阶段的游戏行为日志，本文旨在回答以下研究问题：

• 在网络多人游戏的每个阶段，达到更高水平并被保留的玩家有哪些特征？

• 为什么有些人在达到最高级别后仍然继续游戏？

我们利用了来自世界上最古老的大型多人在线角色扮演游戏（MMORPG）之一——台湾的《Fairyland Online》的日志。我们获得了51,104名玩家的完整行动记录，描述了他们的成就日志（任务和升级）、财务日志（财富获取）以及社交日志（玩家之间的聊天）。数万个最终达到不同级别并在游戏中玩了不同时间的个体的无数行动日志使我们能够设计一个关于生命周期留存问题的自然实验。通过详细的日志分析，我们确定了导致游戏长期留存的因素，并得出了以下观察结果：

1. 成就特征在初级到高级阶段对玩家非常重要；成就导向并收集大量稀有物品和虚拟货币的玩家更有可能被保留并成功达到下一个级别。

2. 然而，对于达到最高级别的玩家，成就相关的特征不再那么重要。社交特征成为成功和长期留存的最重要预测因素。

3. 拥有强大的社交关系（通过朋友数量来衡量）是玩家留存的良好指标，其影响在玩家的虚拟生命阶段中持续显示出显著性。

我们的发现为研究和设计网络游戏带来了理论和实践意义。发现玩家的需求在其虚拟生命轨迹中变化需要进一步研究和游戏设计来仔细处理。特别是，关于最高级别玩家长期留存的发现是新的。这一发现尤其重要，因为他们的行为研究不多，尽管专家玩家对用户生态系统非常有价值。

2. 相关工作

自从Bartle [3] 基于动机在文本游戏中定义了四种玩家分类以来，已经有许多努力试图理解为什么人们加入并继续玩网络游戏。其中，Yee基于对Bartle玩家类型的调查结果的因素分析，发现了三种动机成分——成就、社交和沉浸。该研究还发现动机可以因不同的人口统计特征而异。虽然一般的MMO玩家被发现是成就导向的[24]，但女性更可能玩网络游戏以与其他玩家建立社交关系。玩家动机被研究了几十年的部分原因是因为它最终与玩家留存有联系。

在最近的发现中，Debeauvais等人[7]通过问卷调查询问了《魔兽世界》玩家的游戏动机和使用模式，发现社交动机的玩家更可能停止游戏，而成就导向的玩家则倾向于继续。Borbora等人[5]从日志数据中建立了玩家动机的预测模型。通过使用《无尽的任务II》玩家活动日志的数据挖掘实验，他们发现成就是预测玩家流失（即玩家留存的反面）的主要动机。上述研究一致报告称，成就是在线游戏中留存的主要动机。另一方面，一些研究发现社交活动对留存更为重要。基于《无尽的任务II》的日志数据，一项研究显示来自同伴的社交影响更有助于预测玩家留存[11]。

最近，另一组研究人员观察到，与有毒玩家互动等游戏互动会对《英雄联盟》的留存产生负面影响[19]。由于网络欺凌被认为是让玩家感到烦恼、疲倦甚至离开游戏的因素之一[15]，因此已经有许多努力来定义、检测和防止在线游戏中的有毒行为[4,13,14]。然而，在这项工作中，由于数据集的限制，我们没有调查网络欺凌对玩家参与的影响。

虽然许多研究都在努力贡献于理解玩家留存，但大部分发现都是从快照视角得出的——玩家按人口统计特征聚合，但没有考虑他们在游戏中的成长过程。就像人类生活本身一样，玩家会面临不同的挑战，并根据他们的等级参与特定的行动。例如，Ducheneaut等人[8]观察到，在线游戏玩家在早期阶段更可能独自游戏，但在较高等级时变得社交活跃。随着等级的提升，玩家需要彼此合作以击败强大的怪物或完成困难的任务。此外，一旦玩家达到最高等级，他们会享受完全不同的游戏内体验，因为他们在不消耗大量游戏内容的情况下变得社交活跃[9]。这意味着，导致更高等级或被留存的因素可能在整个玩家生命周期内是不同的。

然而，很少有研究关注不同阶段流失玩家的特征。据我们所知，只有Shores等人[19]的一项研究调查了MOBA（多人在线战术竞技场）游戏中新加入者和专家之间的玩家留存指标的比较，并且还有改进的空间。首先，可以对超过两个群体的流失类型进行检查。玩家行为随着等级不断变化，因此观察玩家生命周期的全貌更加自然。其次，综合数据提供了更丰富的视角。虽然该研究依赖插件收集数据，但外部收集的数据种类有限。利用游戏内日志可以提供完整的玩家行为图景，这对预测留存可能很重要。第三，所研究的游戏类型并不能自然地捕捉玩家的成长。MOBA游戏是反复的地面比赛，团队编队很重要[12]，而MMORPG允许角色作为个体进行探索和成长。

3. 数据集

《Fairyland Online》是服务时间最长的MMORPG之一，自2003年推出以来一直在台湾及其他邻近国家进行运营。如图1所示，游戏设定在一个以童话为背景的虚拟世界中。玩家可以通过选择人类、精灵和矮人中的一种种族以及男性或女性中的一种性别来创建自己的角色。在虚拟世界中，玩家探索他们的王国，通过与怪物战斗完成任务，并与其他玩家建立社交关系。游戏中的每一个动作都被精确的时间戳记录在游戏服务器中。感谢为《Fairyland Online》提供服务的大型网络技术，我们获得了描述游戏中所有已执行动作的日志数据。

《Fairyland Online》服务器记录了三种不同类型的数据集。首先，有与成就经验点相关的日志（例如，学习技能、完成任务）。当玩家获得足够的经验点时，他或她的等级将会提升。其次，有一组与在虚拟世界中获取或失去财富相关的动作（例如，购买或出售物品，赚取或使用金钱）。游戏物品可以通过击败怪物或使用虚拟货币购买来获取。最后一类日志是玩家之间的聊天记录。有四种不同的聊天频道：Say、Whisper、Family和Party。Say是一个公共频道，通过它玩家可以与多个同伴交流。Say频道上的消息是广播的，因此，如果有人通过Say频道发送消息，虚拟邻近的任何人都可以看到。Whisper是两个玩家之间的私人频道。由于Whisper频道是私密的，除了发送者和接收者外，没有人可以听到这些消息。Family是专门为属于同一个“家族”的玩家设置的频道，相当于其他MMORPG中的“公会”[20]。Party是短期团队的交流模式。出于隐私考虑，聊天内容本身是加密的。

我们收到的三种数据集覆盖了不同的时间跨度。我们将它们整合以找到一个共同的重叠时期，在此期间我们可以全面了解游戏中的成就、财务和社交活动。重叠部分覆盖了记录的近6000万次活动实例，涉及51,104名游戏玩家。我们在本文中将这个最终完整的数据集称为Core，并在表1中描述其统计数据。表中还显示了三个原始数据集中记录的独特游戏玩家和记录实例的数量。

根据动作的时间戳，我们可以推断玩家在一天和一周内访问游戏的时间。图2(a)中显示的24小时图表描绘了无论是整个日志还是Core时期，玩家都表现出强烈的昼夜节律。游戏在晚上时段玩得最多，峰值在晚上8点到10点之间。相对较少的玩家在清晨登录。上午的最高时间大约是上午11点（午餐前），然后在下午和晚上有越来越多的玩家加入。整个日志和Core之间的差异微乎其微，这表明我们研究的最终Core数据集在时间模式方面代表了整个日志。

图2(b)展示了整个日志和Core的标准化日访问模式。我们发现在周末玩游戏的频率比工作日高出1.4到1.5倍。稍后，我们将在预测玩家留存时研究这些详细的时间特征（例如，周末与工作日的倾向、一天中最活跃的时间）。请注意，这里看到的时间模式也出现在其他游戏研究中[18]，这表明所研究的《Fairyland Online》与其他代表性MMORPG有共性。

4. 方法论

4.1 阶段定义

本研究的主要目标是了解在玩家的虚拟生命的各个阶段（尤其是接近末期）是什么让他们留在游戏中。为了解答这个问题，我们从任意分组玩家的生命周期开始。在这项工作中，我们不考虑游戏的最初阶段（即初学者），这是我们问题的一个特定子集。我们关注那些已经花费足够时间熟悉游戏规则的玩家，并确定哪些因素对他们达到下一个级别产生了正面或负面的影响。

Fairyland Online中的玩家等级从最低的1级到最高的50级。在这些玩家中，我们决定用一个数量来代表在线游戏的每个阶段：在核心期间每个玩家的可观察等级范围（即10–15级、20–25级、30–35级、40–45级和45–50级）。属于10–15级组的玩家必须至少达到15级，并且在核心期间从10级开始的痕迹是可见的。

表2描述了我们在本文中检查的虚拟生命的五个代表性阶段。各组之间的确切划分在这项工作中并不那么重要。相反，我们更感兴趣的是在高级、长期游戏玩家中变得更加突出的趋势。对于每个阶段，我们定义成功的标准不同。表2中的前四个阶段（1–4）允许我们检查每个玩家是否成功达到了下一个五个等级。对于阶段1（即10–15级），我们认为最终达到20级的玩家是成功的，否则是不成功的。对于阶段5，成功的定义是游戏是否能够留住一个特定的玩家。如果玩家在接下来的270天内连续90天不活跃，我们就认为玩家流失。为了测试决定用户流失的天数长度的有效性，我们将天数从30天到180天进行了变化，结果与表7显示的结果相似，这将在下一节中介绍。

在核心数据集中有51,104个人，我们只考虑那些可观察等级在阶段1–5所描述范围内的玩家作为目标玩家。我们还确保每个玩家在观察等级结束后的核心期间至少有31天是可观察的。例如，对于阶段1，我们确保个体在达到15级后的日志中至少有31天。这给了他们足够的时间来满足成功标准（即阶段1达到20级）。31天的缓冲时间是通过日志分析确定的。我们调查了在核心数据期间加入并达到最高等级的91名玩家需要多长时间达到每个阶段列出的更高等级。这些玩家平均花了13.92天，标准差为1.29，最大为30.97天来达到5个等级的提升（即从45级到50级）。因此，我们将缓冲长度设定为31天。然而，对于阶段5的玩家，我们没有强制执行这个缓冲长度，因为他们不再需要达到更高的等级。对于这些玩家，流失是在整个日志期间（超出核心期间）衡量的。从阶段1到阶段5，我们分别确定了3818、1739、1370、674和221名符合上述标准的玩家。请注意，只要符合标准，玩家可以属于多个组。

表2的最后一列显示了每个阶段的成功概率，成功标准也列在表中。在给定阶段中成功的玩家比例在阶段3（即30–35级的个体）中最高，在阶段5（即达到提供的最高等级的个体）中最低。然而，成功概率或留存率相当稳定，在五个阶段中保持在0.4以上。

4.2 特征研究

我们使用了总共16个特征来预测用户留存。这些特征根据其特性分为三大类：时间相关、成就相关和社交相关。

4.2.1 时间类别

时间特征描述了个人玩游戏的时间。时间模式不仅揭示了用户玩游戏的频率（例如，每天 vs. 每周一次），还揭示了某些人口统计特征。例如，游戏时间可以用来推断哪些玩家可能是学生（例如，放学后立即出现的高峰）或哪些玩家可能有规律工作时间（例如，只在典型的工作时间后开始玩）。我们提取了如下两个特征：

• 频繁时间段（早晨、工作时间、晚上、夜猫子）：为了捕捉玩游戏的模式，我们测量了玩家在以下时间段访问游戏的频率。我们定义了4个变量来表示特定的玩游戏模式：早晨从早上6点到9点，工作时间从早上9点到下午6点，晚上从下午6点到午夜，夜猫子从午夜到早上6点。我们对这些变量进行了向量归一化，以消除参与天数的影响。

• 工作日 vs 周末（周末）：周末玩游戏时间的比例。

4.2.2 成就相关类别

许多研究报告了成就作为玩家留存目标的重要性 [5, 7]。为了测量其效果，我们利用了以下与游戏内成就相关的特征。

• 拥有的物品数量（物品）：通过减去物品丢失日志的数量，从物品获得日志中测量的总拥有物品数量。这个数量是游戏内成就的一个代理。

• 手上稀有物品（稀有物品）：拥有稀有物品可能比一般物品数量更重要。为了决定哪些物品是稀有的，我们通过计算从Core测量的所有物品频率来近似获得物品的机会。然后，我们将出现概率低于0.01的物品视为稀有物品。我们以与计算手上物品数量相同的方式测量手上稀有物品的数量。

• 手上的金额（金额）：每个玩家拥有的虚拟货币数量，通过货币获得日志和货币丢失日志之间的差异计算得出。

• 难度等级（难度）：难度等级，通过死亡次数和破损物品数量的组合来测量。适当的难度等级被认为是在线游戏中用户参与的重要元素 [6]。

• 表现（表现）：成就等级的表现可以代表成就动机的水平。我们通过改变观察期时间长度的符号来测量它，因为每个用户在观察期内达到5个等级的时间可能不同。较大的表现值因此表明玩家升级速度较快。

4.2.3 社交类别

社交特征是玩家参与度的重要指标之一 [9, 11, 23]。以下是本文测试的社交特征列表。

• 社交互动次数（num social）：玩家通过任何渠道发送的所有消息的数量——衡量社交活跃度。

• 响应率（response rate）：玩家收到陌生玩家消息时给予回应的概率——衡量社交开放度。

• 朋友数量（friends）：为了更详细地了解社交互动的效果，我们定义了友谊关系。基于私聊记录，我们统计了配对通信发生的不同天数。如果一个玩家在至少三个不同的日子里与另一个玩家进行了配对通信，我们认为该通信伙伴是朋友。为了衡量这个变量，我们统计了观察期内与玩家通信的朋友数量作为留存的特征。

• 非朋友数量（nonfriends）：我们认为那些有配对通信但不是朋友的人是非朋友。每个阶段的观察期内观察到的非朋友数量。

• 朋友的等级（friends level）：为了表示朋友的等级，我们取了在观察期内与玩家通信的朋友的中位等级。

• 非朋友的等级（nonfriends level）：在观察期内与玩家通信的非朋友的中位等级。

• 最高等级的朋友数量（friends maxlevel）：在观察期内与玩家通信并已经达到最高等级的朋友数量。

• 最高等级的非朋友数量（nonfriends maxlevel）：在通信发生时与玩家有配对通信并已经达到最高等级的非朋友数量。

• 是否是家庭成员（has family）：一个二元变量，表示玩家是否属于一个基于会员制的群组。我们根据用户是否通过家庭频道发送消息来推断。

4.3 玩家留存模型

我们使用逻辑回归模型来确定影响玩家长期留存的因素。回归模型帮助我们调查各种指标在虚拟世界不同生命阶段对玩家留存的贡献，同时允许我们控制其他变量的影响。因此，我们选择在本文中使用可解释的模型，而不是实施可能具有更高性能的其他预测模型。

在分析之前，我们采取了一步来平衡数据。由于每个阶段的成功率偏向一侧，我们采用了过采样技术为每个阶段准备了等数量的成功和失败案例。所有变量都被缩放到均值为0，标准差为1。此外，由于回归模型的变量可能由于大量预测变量而变得显著，我们使用Lasso [22] 进行变量选择，选择交叉验证均方误差在最小值一个标准误差内的lambda。在结果部分，我们报告了特征选择步骤后的回归拟合结果。

5. 结果

本研究假设玩家留存的重要指标在《Fairyland Online》的不同阶段会有所不同。为了验证这一观点，对于游戏的每个阶段，我们基于来自三个类别（即时间、成就和社交）的16个特征，拟合了成功案例和不成功案例（如表2所定义）的逻辑回归模型。我们比较了每个类别在预测玩家留存方面的相对重要性。

5.1 低到中等等级的模式

在游戏等级的五个阶段中，我们重点关注第1阶段到第3阶段，这是玩家已经熟悉游戏的日志。我们的目标是了解哪种类型的玩家更有可能被留存并进一步成功达到下一个等级。超过一千名个体被观察到这三个阶段。以下我们仅列出在Lasso变量选择步骤后，被认为对每个阶段有意义的最终特征集（从16个特征中）。

表3展示了第1阶段的拟合结果，显示了变量的估计值和显著性。该表还显示了基于似然比检验的模型 ${\chi }^2$ 值与空模型的比较。我们看到，至少有一个来自时间、成就和社交类别的特征显著。时间特征中，夜猫子与成功正相关，而周末则负相关。这意味着主要在午夜后和工作日（但不仅仅是周末）玩游戏的个体更有可能达到下一个等级——这可能表明在早期阶段，时间投入是成功的重要标志。成就特征中，表现（即游戏时间的负数量）增加了成功的概率，因为快速游戏风格的玩家更有可能被留存并达到下一个等级。正如许多研究发现的那样，成就是继续玩在线游戏的主要动机之一 [5, 7]。我们的分析也证实了在早期虚拟阶段，成就帮助玩家在不离开游戏的情况下达到下一个等级。

在社交特征中，朋友与成功正相关，而非朋友与成功负相关。这可能表明拥有许多朋友但较少弱社交联系的玩家更有可能达到下一个等级。这一趋势支持了几项关于社交互动在游戏中重要性的研究结果 [9, 11]。相反，非朋友的负面影响很有趣。它可能表明与太多随机用户的交流可能对长期参与有害。此外，非朋友最高等级与成功率负相关，这表明与许多最高等级的非朋友交流的玩家不太可能继续游戏。与太高级别的非朋友交流可能对未来的参与产生负面影响，因为玩家可能会感到被落下 [21]。

第2阶段的玩家显示出更多与留存相关的显著变量，如表4所示。时间特征中，夜猫子与成功正相关，而早晨则不相关。看来在午夜后花更多时间在游戏上仍然很重要，而从早晨（即早上6点到9点）开始玩游戏似乎不是进一步参与的有效策略。成就特征中，表现再次与成功正相关。我们新发现金额与成功正相关，而物品与成功负相关。积累游戏内货币增加了在第2阶段继续使用的概率，因为在收集大量虚拟货币后可能很难退出游戏。此外，虚拟财富意味着升级游戏角色的能力，这有助于更容易达到下一个等级。这两个可能的解释可以与成功达到更多等级联系起来。然而，简单地拥有许多物品会降低成功的机会。

在社交特征中，朋友再次与成功正相关，而非朋友则不相关。这一发现表明，拥有更多朋友和较少弱社交关系有助于玩家达到更高的等级。此外，在这个阶段，加入家庭的玩家成功的可能性较低。这一趋势也支持了专注于强社交关系对继续使用在线游戏的重要性。最后，我们观察到朋友最高等级和朋友等级与成功负相关。这一趋势可以通过非朋友最高等级对第1阶段预测的负相关性类似解释。

第3阶段的玩家表现出与第2阶段类似的趋势（表5）。时间特征中，夜猫子与成功正相关，而周末则不相关——这一模式与前几个阶段的情况类似。成就特征中，表现再次是预测玩家留存的重要因素。出现了一些新趋势；虽然物品仍然与成功负相关，但收集大量稀有物品（即稀有物品）的玩家更有可能成功。与金额的正相关性支持了拥有虚拟财富与成功达到更高等级相关的说法。此外，难度（即死亡次数和破损物品数量）被发现是成功的正面指标。一旦游戏达到某个阶段，适当的难度等级可能有助于玩家更好地享受游戏，如之前的一项研究所报告的 [6]。

接下来，在社交特征中，朋友与成功正相关，而非朋友和社交互动次数则不相关。再次，这一发现表明，与亲密朋友的交流比简单的社交活跃更重要。最后，在用户交流对象的变量中，非朋友等级被新发现是一个正面估计量。我们假设向更高级别的其他玩家寻求更多帮助的玩家更有可能成功。如之前的研究所报告的 [10, 16]，与专家交流有时在在线游戏中是有帮助的，因为他们分享知识、实用策略和战术，这对推进到下一个阶段至关重要。因为这个过程不需要与那些高等级玩家建立任何强关系，非朋友等级是一个正面指标，而朋友等级可能保持相反的效果。如前几个阶段的结果所讨论的，与最高等级或更高等级的用户建立社交关系可能对未来的参与产生不利影响。

总之，我们从低到中等等级阶段（即第1-3阶段）的回归分析中发现了两个一致的趋势。一个是达到等级的表现和与花费更多时间相关的游戏模式增加了成功达到更多等级的概率。这些发现可以与成就动机对玩家留存的重要性联系起来。另一个是拥有更多朋友但较少弱社交关系的玩家更有可能持续参与《Fairyland Online》。与朋友一起玩游戏可能对达到更多等级产生积极影响。这些发现与其他游戏中关于玩家留存的先前研究结果一致 [5, 7, 9, 11]。

5.2 高层次模式

在《Fairyland Online》中达到50级中的40级或以上的玩家可以被认为是高级用户。是什么因素导致这些高级玩家成功达到终局？表6显示了第四阶段玩家的回归结果。在这个最后阶段，Lasso特征选择后唯一有意义的特征是表现（即，-1×游戏时间）。喜欢快速游戏并且快速升级的玩家更有可能成功达到最高等级。有趣的是，仅与成就相关的特征就是成功的关键因素。

一旦玩家达到最高等级，不同的故事展开了。与第四阶段玩家相比，此阶段唯一有意义的长期留存特征是社交类别，其中朋友是达到最高等级的玩家留存的唯一显著指标。这一发现表明，拥有大量朋友在决定谁会在完成所有任务后继续玩在线游戏方面始终重要。注意，这个变量在早期阶段也很重要，进一步表明了从早期到终局阶段社交互动对玩家留存的重要性。正如之前的研究发现[9]，在线游戏在达到最高等级后更多地成为一个社交空间。要长期参与此类在线游戏，玩家必须从虚拟生活的早期就建立起强大的社交关系。

5.3 生命周期轨迹

在逐步检查了玩家留存的因素后，现在我们共同查看《Fairyland Online》游戏中整个生命周期阶段的趋势。所检查的特征集来自三个主要类别：时间相关、成就相关和社交。哪个类别在每个阶段预测玩家留存方面重要？为回答这个问题，我们通过分别训练每个类别的特征来比较三个类别在预测玩家留存方面的相对重要性。对于测试，使用了对不平衡原始数据集进行5折交叉验证，保持目标标签的分布。然后，我们对每个分割进行了过采样以保持平衡。我们在每个分割后应用这个采样技术，以防止同一实例同时出现在训练和测试集中。最后，我们测量了使用每组特征的逻辑回归分类器的ROC曲线下面积（AUROC）。

图3展示了五个阶段中三个类别AUROC值的变化。AUROC值介于0和1之间，值为1表示预测模型是完美的。我们看到的一个显著趋势是成就特征在游戏的早期到后期阶段（即，第一阶段到第四阶段）表现最好。社交类别在第一、二、四阶段显示了与成就类别相当的趋势。这个类别在第五阶段（即，最高等级玩家）变得最重要，此时其他特征不再重要。时间特征在大多数阶段比随机猜测（即，AUROC为0.5）更好，尽管它们没有显示出相对于基线的大幅提升。我们将在下一节讨论这些发现的意义。

6. 讨论与结论

保持大量用户基础对于许多公司运营其服务至关重要。各行各业的公司（例如，电信公司[2]、健康应用提供商[17]等）都在努力了解那些停止服务的人的特征，并基于数据挖掘方法提前预测他们。游戏行业和研究人员也注意到了玩家留存问题的重要性，因此许多研究试图了解玩家动机[24,25]、行为特征[8,9]，并基于研究的特征建立预测模型[5,11]。

然而，现有研究并没有区分用户群体，也没有考虑玩家等级进行分析。由于MMORPG的游戏设计让玩家随着等级的提升进行一定量的活动[8]，玩家在等级提升时面临不同的挑战，这种演变会影响用户留存。如图4所示，我们在数据集中也观察到社交互动随着等级的提升而增加。因此，为了精确理解玩家留存的指标，应该分别测量特征在在线游戏中不同虚拟生活阶段的影响。

另一个受到较少关注的方面是保留已达到游戏最高等级的玩家。这些专家玩家不仅帮助新手适应游戏，也是游戏行业的主要利润来源。因此，保留最高等级玩家是一个关键问题。

受这些未被充分利用的机会的启发，本研究旨在回答两个研究问题：（i）在不同玩家阶段的玩家留存指标是什么，（ii）留存特征的重要性如何随游戏阶段变化。通过基于游戏内日志对51,104名玩家进行的一系列定量分析，我们对这些问题得出了一些关键发现。这些结果重要的原因如下。

首先，我们注意到长期留存的关键指标随着玩家阶段的变化而变化。这一发现意味着其他关于用户行为的研究也需要考虑玩家的阶段。其次，我们的发现对在线游戏开发者具有实际意义，因为他们需要仔细考虑玩家在各个生命周期阶段的需求变化。游戏设计师可以在开始时提供快速成就导向的场景，同时激励玩家在达到任何高级别之前就形成强大的社交关系。我们注意到这些建议是假设性的，因为观察表明的是相关性而非因果关系。未来的研究可以进行控制实验或定性研究，以进一步测试特征影响的因果关系。另一个意义是游戏行业可以应用这些发现来构建流失预测模型。例如，可以为每个阶段分别构建预测模型，从而更好地捕捉流失个体的信号。

除了上述发现，我们还发现了一些特定阶段的显著指标。午夜后游戏与第一至第三阶段的成功正相关，而清晨游戏与持续使用负相关。可能存在某些游戏模式，可以与玩家留存相关联。此外，获得稀有物品或大量金钱增加了低到中等等级的成功机会。拥有虚拟财富可能有助于达到更高等级，或者通过在虚拟世界中拥有大量财富使他们感到有必要继续玩在线游戏。最后，我们发现了玩家与谁交谈的显著指标。例如，朋友的等级在初期阶段是一个显著指标。这一发现表明，当个体与适当等级的伙伴形成互动时，社交网络对留存有积极影响。由于这些发现是本研究中新发现的，通过进一步研究这些变量可以更好地改进玩家留存预测。

本文有几个局限性。其中之一是使用了单一数据源。每个MMORPG都有不同的游戏元素和玩家特征，因此我们的发现不能直接推广到其他在线游戏。不过，我们期望《Fairyland Online》在时间趋势方面代表了典型的MMORPG，显示出与其他游戏的相似性[18]。未来我们希望能用其他在线游戏日志复制这项研究。另一个局限性是，尽管我们根据相关文献尝试了跨三个不同类别的广泛特征，仍可能存在与玩家留存紧密相关的缺失特征。例如，在一款在线游戏中，流失朋友的数量被发现是玩家流失的一个指标[11]。由于数据有限，我们无法在分析中使用这一特征。未来的工作中，我们希望研究更长时间段，并调查包括流失朋友在内的其他可能指标的影响。最后，我们没有研究处于非常早期阶段（即1-10级）的玩家。这是因为在《Fairyland Online》中初级升级相对容易，并且与这一时期相关的数据不多。然而，新加入者对游戏行业非常重要，因为他们对增加用户基础至关重要，未来的研究可以更深入地探讨不同游戏中新加入者的行为。

致谢

Cha和Park得到了韩国贸易、工业和能源部（MOTIE）在工业技术创新项目（No.10073144）“开发基于机器智能的对话系统，能够检测情境并响应人类情感”的支持。

REFERENCES

[1] Fairyland Players. http://bit.ly/2mb19UO, 2008. [Online; accessed 19-Feb-2017].

[2] A. Backiel, B. Baesens, and G. Claeskens. Predicting Time-To-Churn of Prepaid Mobile Telephone Customers Using Social Network Analysis. Journal of the Operational Research Society, 2016.

[3] R. Bartle. Hearts, Clubs, Diamonds, Spades: Players Who Suit MUDs. Journal of MUD research, 1(1):19, 1996.

[4] J. Blackburn and H. Kwak. STFU NOOB!: Predicting Crowdsourced Decisions on Toxic Behavior in Online Games. In Proceedings of the 23rd International Conference on World Wide Web, pages 877–888. ACM, 2014.

[5] Z. Borbora, J. Srivastava, K. Hsu, and D. Williams. Churn Prediction in MMORPGs Using Player Motivation Theories and an Ensemble Approach. In Proceedings of the International Conference on Privacy, Security, Risk and Trust, pages 157–164. IEEE, 2011.

[6] G. Chanel, C. Rebetez, M. B´etrancourt, and T. Pun. Boredom, Engagement and Anxiety as Indicators for Adaptation to Difficulty in Games. In Proceedings of the 12th International Conference on Entertainment and Media in the Ubiquitous Era, pages 13–17. ACM, 2008.

[7] T. Debeauvais, B. Nardi, D. Schiano, N. Ducheneaut, and N. Yee. If You Build It They Might Stay: Retention Mechanisms in World of Warcraft. In Proceedings of the 6th International Conference on Foundations of Digital Games, pages 180–187. ACM, 2011.

[8] N. Ducheneaut, N. Yee, E. Nickell, and R. Moore. “Alone Together?” Exploring the Social Dynamics of Massively Multiplayer Online Games. In Proceedings of the 24th Conference on Human Factors in Computing Systems, pages 407–416. ACM, 2006.

[9] N. Ducheneaut, N. Yee, E. Nickell, and R. Moore. Building an MMO With Mass Appeal: A Look at Gameplay in World of Warcraft. Games and Culture, 1(4):281–317, 2006.

[10] D. Fields and Y. Kafai. A Connective Ethnography of Peer Knowledge Sharing and Diffusion in a Tween Virtual World. International Journal of Computer-Supported Collaborative Learning, 4(1):47–68, 2009.

[11] J. Kawale, A. Pal, and J. Srivastava. Churn Prediction in MMORPGs: A Social Influence Based Approach. In Proceedings of the Computational Science and Engineering, volume 4, pages 423–428. IEEE, 2009.

[12] J. Kim, B. C. Keegan, S. Park, and A. Oh. The Proficiency-Congruency Dilemma: Virtual Team Design and Performance in Multiplayer Online Games. In Proceedings of the 34th Conference on Human Factors in Computing Systems, pages 4351–4365. ACM, 2016.

[13] H. Kwak and J. Blackburn. Linguistic Analysis of Toxic Behavior in an Online Video Game, pages 209–217. Springer International Publishing, 2015.

[14] H. Kwak, J. Blackburn, and S. Han. Exploring Cyberbullying and Other Toxic Behavior in Team Competition Online Games. In Proceedings of the 33rd Conference on Human Factors in Computing Systems. ACM, 2015.

[15] J. Mulligan and B. Patrovsky. Developing Online Games: An Insider’s Guide. New Riders, 2003.

[16] B. Nardi, S. Ly, and J. Harris. Learning Conversations in World of Warcraft. In Proceedings of the 40th Annual Hawaii International Conference on System Sciences, pages 79–79. IEEE, 2007.

[17] K. Park, I. Weber, M. Cha, and C. Lee. Persistent Sharing of Fitness App Status on Twitter. In Proceedings of the 19th Conference on Computer Supported Cooperative Work & Social Computing, pages 184–194. ACM, 2016.

[18] D. Pittman and C. GauthierDickey. A Measurement Study of Virtual Populations in Massively Multiplayer Online Games. In Proceedings of the 6th SIGCOMM Workshop on Network and System Support for Games, pages 25–30. ACM, 2007.

[19] K. Shores, Y. He, K. Swanenburg, R. Kraut, and J. Riedl. The Identification of Deviance and Its Impact on Retention in a Multiplayer Game. In Proceedings of the 17th Conference on Computer Supported Cooperative Work & Social Computing, pages 1356–1365. ACM, 2014.

[20] C. Steinkuehler and D. Williams. Where Everybody Knows Your (Screen) Name: Online Games as “ Third Places”. Journal of Computer-Mediated Communication, 11(4):885–909, 2006.

[21] E. Tandoc, P. Ferrucci, and M. Duffy. Facebook Use, Envy, and Depression among College Students: Is Facebooking Depressing? Computers in Human Behavior, 43:139–146, 2015.

[22] R. Tibshirani. Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society. Series B (Methodological), pages 267–288, 1996.

[23] A. Tyack, P. Wyeth, and D. Johnson. The Appeal of MOBA Games: What Makes People Start, Stay, and Stop. In Proceedings of the Annual Symposium on Computer-Human Interaction in Play, pages 313–325. ACM, 2016.

[24] D. Williams, N. Yee, and S. Caplan. Who Plays, How Much, and Why? A Behavioral Player Census of a Virtual World. Journal of Computer Mediated Communication, 13(4):993–1018, 2008.

[25] N. Yee. Motivations for Play in Online Games. CyberPsychology & Behavior, 9(6):772–775, 2006.