会议介绍
CoG会议全名IEEE Conference on Games，由IEEE计算智能学会主办，一般每年8月召开，是国际游戏领域影响力最大的顶级学术会议，主要收录游戏相关的玩家建模、游戏人工智能、游戏设计、多智能体、游戏内容生成等理论创新与落地应用工作，h5-index达25，论文接受率在30%左右。
论文介绍
游戏玩家画像分析，特别是玩家流失和玩家付费，是在线游戏提高产品设计和游戏营收的最重要因素，在游戏产品的研发和运营过程中都具有不可取代的重要作用。现有的大多数方法将流失预测或付费预测看作是一个独立的任务，或者只依赖于单一的数据源，即表格类统计数据。
基于真实的游戏数据，我们进行了广泛的数据分析。
一方面，玩家流失和玩家付费之间存在显著的双向相关性，两者之间能够相互影响、相互补充。例如，如果玩家不想玩游戏，他们就不太可能付钱；相反，付费玩家，尤其是那些已经充值了大量金额的玩家，相对则不太可能出现流失。
另一方面，真实游戏场景中的数据环境复杂，主要存在以玩家画像、行为序列和社交网络为主的多源异构数据，不同数据之间存在显著差异，能够信息互补，从不同方面描述玩家的状态属性、行为偏好和群体偏好。
基于此，本文提出了一种基于多源数据和多任务学习的玩家流失和玩家付费预测方法，针对不同数据自身特点采用不同的模型结构提取相应的特征表示，并以多任务学习的方式同时训练和预测玩家流失和付费两个任务。在两个真实游戏数据集上的综合实验验证了我们提出的方法的有效性和合理性，与其他基线方法相比有显著的改进。
论文原文
https://nos.netease.com/mg-file/mg/neteasegamecampus/art_works/20200812/202008122020238598.pdf
