如果让你来设计一套『游戏推荐系统』，你会从哪些角度来提高推荐的准确度？

参考网易云音乐的推荐系统设计：

1.放弃构建架构，不论建立多么广的纬度，都有可能遗漏或者对某个游戏类型上贴合度不够。

2.采用细粒度的描述语言贴近游戏，即标签形式。可以看网易云音乐的歌单，一个歌单里包含很多首歌。它们可能风格各异，但会在某个角度是贴近的。这就是它们可能有多种标签，但同时都具有了某些相同的标签。

3.对玩家喜好进行标签化绑定。一个玩家同时有数个标签。

4.可以用现成算法实现玩家与游戏之间最优匹配。以前读研的时候用过K均值算法来做最优匹配——没记错的话。

5.对标签进行聚合，计算每个标签之间的关联关系（这里需要用到NLP的知识）。玩家在最优匹配外，可以对有相近标签进行匹配，推荐这些游戏。

OVER

先明确下目标，提高推荐的准确度意味着使被推荐玩家觉得推荐给自己的是“好玩”的游戏，而一个游戏好不好玩很大原因取决于玩的人自己的喜好。

所以如果我来设计这套系统的话，我会着重于以下几点：

1.收集玩家本身的信息作为推荐参考

一千个哈姆雷特的梗已经被用到不能再烂了，但我这里还是要再用一次，因为这是推荐系统的关键所在。

给一个喜欢车枪球的玩家推荐GAL，就算推荐的是Clannad或者Ever17这种公认的神作，估计玩家也要给这个系统打出翔不及格。所以我们先要收集该玩家一定程度的资料才能判别何种游戏适合TA。

对于没玩过或者玩得很少的新玩家，可以通过性别年龄三围喜好之类的问卷调查方式进行，而对于玩过不少游戏的老鸟则可以让其在一些玩过的游戏里选出几款最喜爱的来做进一步的细分。

2.建立一个同时包含广度和深度的游戏评分系统

关于广度：steam用的metacritic是个很好的样例，虽然我不太懂是具体如何加权的各大媒体平均分可能说不上绝对权威，但的确是个不错的参考。

关于深度：按游戏类型区分，请各类游戏的骨灰级玩家撰写游戏的深度评测。骨灰级玩家对该类型游戏的深入理解保证了评测的可信度，按游戏类型区分则把评测时的主观性带来的影响尽可能降到最低。当然并不是每个睾丸高玩都能写出或写好评测，所以这点可能是整个系统里最难实现的一环...

至于普通玩家的打分，个人觉得可以放在最后作为参考但不能作为推荐的依据。毕竟各种游戏论坛里玩家为了自己眼中的哈姆雷特而互相飞妈争吵已然成为了日常。

3.结合以上两点，在向玩家推荐符合其口味的游戏类型的同时偶尔推荐一些类型近似的高分作

天天吃山珍海味也是会腻的，总要偶尔来一点不一样的东西，比如打打昆特艹艹猫。也许玩家的某次尝试最后就成了意外的惊喜，而促成这份惊喜也是推荐系统的微小工作之一。

以上，纯属纸上谈兵，欢迎各位大佬来TMD打我呀指正。

从游戏内容本身出发，做Clustering之类，各种元数据和相似度算法都可以尝试。

从游戏用户出发，可以做Collaborative Filtering，比如“喜欢这个游戏的人也喜欢”。

找个有机器学习和推荐系统背景的人做这些。

每个人喜欢的游戏都是不一样的，画面党去玩游戏性再高的2D游戏也不一定喜欢，我的建议是：

1.同时包含广度，深度并且独立客观的评测机构

2.随机性，随机推荐一些精品游戏

3.分类，比如我喜欢RPG我可以按照各种资料来找我感兴趣的游戏，比如开发商，发售时间，评分等

4.黑名单系统，这个比较好理解吧，就是我不想玩的不要再给我推荐

5.购买渠道，推荐的游戏最好可以顺便添加购买方式

目前就想到这些

如果是我的话，我可能会增加一个游戏相关报道栏目。

当然，这需要游戏媒体的转载授权。

机器学习？

以该用户现有的游戏数量、类型（或比例）及游戏时长、使用习惯、成就获得情况等作为训练集

按照开发商交的钱的多少来推荐

如果是纯机械推荐的话

我觉得现在可以努力的应该就两个方面

一是给每个游戏增加越来越多的tag

二就是让电脑根据玩家库里已有游戏的tag然后相似度匹配再根据tag在游戏中的占比来确定优先级然后进行推荐。其实就是网易云的大概思路 

其实我也不知道是不是这样！

不过人这种生物 这么复杂 鬼知道那个时候是哪根筋抽了看上这款游戏的呢。

要不还是洗脑安利算了

亲爱的用户您好，请在选择推荐或不推荐此游戏之前，完成下面的调查问卷。

1. 您的性别
2. 您的年龄
3. 您的三观（请在系统所提供的选项中选择符合的特征，可多选）
4. 您的职业
5. 您的婚姻状况
6. 您的月收入
7. 您什么时候开始接触游戏
8. 您习惯什么时间段玩游戏
9. 您平均每天在游戏上投入的时间
10. 您平均每个月花多少钱玩游戏
11. 您玩不玩网游
12. 您喜欢玩的游戏类型
13. ……
14. ……
15. ……