ترجمه فارسی مقاله روی یک رویکرد تغییرناپذیر مقیاس برای بسته‌بندی توصیه‌ها در Candy Crush Saga

چکیده

A good understanding of player preferences is crucial for increasing content relevancy, especially in mobile games. This paper illustrates the use of attentive models for producing item recommendations in a mobile game scenario. The methodology comprises a combination of supervised and unsupervised approaches to create user-level recommendations while introducing a novel scale-invariant approach to the prediction. The methodology is subsequently applied to a bundle recommendation in Candy Crush Saga. The strategy of deployment, maintenance, and monitoring of ML models that are scaled up to serve millions of users is presented, along with the best practices and design patterns adopted to minimize technical debt typical of ML systems. The recommendation approach is evaluated both offline and online, with a focus on understanding the increase in engagement, click- and take rates, novelty effects, recommendation diversity, and the impact of degenerate feedback loops. We have demonstrated that the recommendation enhances user engagement by 30% concerning click rate and by more than 40% concerning take rate. In addition, we empirically quantify the diminishing effects of recommendation accuracy on user engagement.

چکیده به فارسی (ترجمه ماشینی)

درک خوب از ترجیحات بازیکن برای افزایش ارتباط با محتوا ، به ویژه در بازی های موبایل بسیار مهم است.در این مقاله استفاده از مدل های توجه برای تولید توصیه های مورد در یک سناریوی بازی موبایل نشان داده شده است.این روش شامل ترکیبی از رویکردهای تحت نظارت و بدون نظارت برای ایجاد توصیه های سطح کاربر در حالی است که یک رویکرد جدید متغیر را برای پیش بینی معرفی می کند.این روش متعاقباً در یک توصیه بسته نرم افزاری در Candy Crush Saga اعمال می شود.استراتژی استقرار ، نگهداری و نظارت بر مدل های ML که برای خدمت به میلیون ها کاربر در مقیاس شده اند ، همراه با بهترین شیوه ها و الگوهای طراحی اتخاذ شده برای به حداقل رساندن بدهی فنی معمولی سیستم های ML ارائه شده است.رویکرد توصیه هم به صورت آفلاین و هم به صورت آنلاین ارزیابی می شود ، با تمرکز بر درک افزایش درگیری ، کلیک و نرخ ، اثرات جدید ، تنوع توصیه و تأثیر حلقه های بازخورد انحطاط.ما نشان داده ایم که این توصیه 30 ٪ در مورد نرخ کلیک و بیش از 40 ٪ در مورد نرخ گرفتن ، 30 ٪ تعامل کاربر را افزایش می دهد.علاوه بر این ، ما به صورت تجربی اثرات کاهش دهنده صحت توصیه را در تعامل کاربر تعیین می کنیم.