Torrent Gear

AI arkaly ýaryşlara gatnaşyjylary bölmek

1) Näme üçin ýaryş oýunçylaryny bölmek

AI segmentasiýasy kömek edýär:

Dogruçyl ekmek we oýnamak (MMR/ligalar, saýlama sebetleri).
Maksatlary we meýilnamalary şahsylaşdyrmak (wagt boşluklary, çäräniň uzynlygy).
Baýraklaryň ykdysadyýetini dolandyrmak (maksatly gurşaw we baýraklaryň emissiýasy).
Töwekgelçiligi we ýüki azaltmak (RG-garawullar, hyýanatçylyga garşy).
Degişli maksatlar we meta-progressiýanyň çylşyrymlylygyny duýmak arkaly retenşn ýokarlandyrmak.

2) Maglumatlar we signallar

Oýunlarda/ýaryşlarda özüni alyp barşy

Tizligi: spin/min, ortaça we dispersiýa.

Gatnaşmagyň häsiýeti: wakalaryň ýygylygy, saýlama oýunlarynyň uzynlygy, pellehanalaryň paýy.

Mazmunyň dürlüligi: üpjün edijiler/resanrlar, täzelik.

Skill & Bäsdeşlik

Pozisiýalaryň taryhy (top-X%, jemleýji stollar), netijäniň durnuklylygy.

MMR/Elo, K-faktor, liganyň ýokarlanmagyna jogap.

Ykdysadyýet

Proxy gymmatlyklary: goýumlaryň dolanyşygy/ýygylygy (agregirlenen), baýraklara duýgurlyk (yglan edilende gatnaşmaga öwrülişik).

Sosial signallar

Söhbetdeşliklerde/kliplerde/jemgyýetlerde, habarlarda we hvast postlarda işjeňlik.

Kontekst we RG

Günüň wagty, gurluş, yzly-yzyna sessiýalar, çäklendirmeler we RG baýdaklary (ýüküň peselmegi üçin).

💡 Ähli signallar - düzgünleşdiriji minimumdan ýokary PII bolmasa, jemlenen görnüşde.

3) Fiçering (mysallar)

Netijäniň durnuklylygy: pozisiýanyň üýtgeýiş koeffisiýenti, P75 → P25 delta.

Skill-gradient: bölümleriň arasynda geçenden soň MMR-iň köpelmegi/peselmegi.

Wagtyna gatnaşmak: hepdäniň sagatlary/günleri boýunça hitler, awto-baglanyşyk.

Mazmunyň dürlüligi: üpjün edijileriň/resanrlaryň entropiýasy.

Ykdysady duýgurlyk: promo/busta uplift gatnaşmak.

RG-ýüki: sessiýalaryň ortaça dowamlylygy we tizligi, duýduryş akymy.

4) Segmentasiýa model steki

1. Toparlanma (unsupervised): K-Means/HDBSCAN hereket segmentleri üçin.

2. Embeddingler:

User2Vec ýakynlygy üçin Game2Vec üpjün edijileriň/wakalaryň yzygiderliligi boýunça (Skip-gram) → "gyzyklanmalaryň" iň gowy toparlanmagy.
3. Grafiki segmentasiýa: Bilelikde gatnaşmak jemgyýetleri (Community Detection) - kolluziýa/pati oýunlaryny tutmak üçin peýdalydyr.
4. Propensiti-modeller (supervised): ýeňilenden soň gatnaşmak/pellehana çykmak/yzyna gaýtarmak ähtimallygy.
5. Garyşyk tipologiýa: soňky segmentler = × skillanyň özüni alyp barşynyň utgaşmasy × ykdysadyýet × töwekgelçilik.

5) Tipologiýanyň mysaly (skelet)

S1 "Sprinter-kwalifikator": gysga intensiw gezelençler, ýokary belentlikler, pes durnuklylyk.

S2 "Staer-ýaryşçy": uzyn saýlama, durnukly top-25%, ortaça tizlik.

S3 "Mazmun ýygnaýjy": üpjün edijileriň ýokary entropiýasy, "dürlülik" missiýalaryny halaýar.

S4 "Master finallary": ýokary MMR, üpjün edijileriň dar howzy, soňky stollaryň ýokary%.

S5 "Möwsümleýin awçy": güýçlendirijiler/wakalar döwründe tolkunlar bilen işjeňleşýär.

S6 "RG töwekgelçilik signaly": ýadawlygyň/uzyn strik sessiýalarynyň alamatlary - ýumşak ssenariýalary talap edýär.

6) Ligalar we ekişler bilen baglanyşyk

Segmentler MMR-iň ornuny tutmaýar, ýöne ony baýlaşdyrýar: segment saýlawlaryň uzynlygyna, meseleleriň görnüşine, tertibine täsir edýär, ýöne matematiki mümkinçiliklere/düzgünlere däl.

Placement-oýunlar + segment bilen häzirki liganyň arasyndaky aç-açan miss-oýunda çalt ap/down.

Adalat: VIP statusy MMR-e täsir etmeýär we oýunda artykmaçlyk bermeýär.

7) Segmentleri iş ýüzünde ulanmak

Ýaryşlaryň formatlary: sprint/marafon/ S1/S2 aşagyndaky garyşyk.

Mikro-meseleler: S3 üçin üpjün edijileriň dürlüligi, S1 üçin tizlige gözegçilik.

Meýilnama: adaty işjeňlik boýunça slotlaryň şahsy teklipleri.

Baýraklar: kosmetika/toplumlara üns; seýrek duş gelýänler - pay-to-win bolmasa, hemmeler üçin umumy.

Aragatnaşyk: tekst/äheňlilik, strategiýanyň maslahatlary (etika-bitarap).

RG-garawullar: S6 üçin - ýumşak arakesmeler, missiýalaryň uzynlygyny çäklendirmek, çylşyrymlylygy azaltmak.

8) Hyýanatçylyga garşy we gabat gelmek

Kollýuziýa/smurfing: graf-signallar we özüni alyp baryş biometriýasy; Master ligalarda tötänleýin KYC.

Rate limiting: synanyşyk/re-entri; gaýtalanýan sikllerde sowatmak.

Adalat: baýraklaryň gymmaty birmeňzeş; segmentasiýa/UX ýoluny üýtgedýär, ýeňiş EV däl.

Aç-açanlyk: "Segmentasiýa nähili işleýär" ekrany: umumy ýörelgeler, içerki agramlary açmazdan.

9) Üstünligiň metrikleri

Uplift D7/D30 segmentler boýunça vs gözegçilik.

Participation Rate/Completion Rate missiýalary we saýlama.

SP-paýlanyş (Gini) - möwsümleýin ösüşiň birmeňzeşligi.

Baýraga çenli wagt P95 - dispersiýa gözegçiligi.

Complaint/Abuse rate, Smurf/Collusion flags.

RG-metrikler: ýumşak arakesmeleriň paýy, uzyn sessiýalaryň azalmagy.

Prize ROI/Emission to GGR - mahabat ykdysadyýetiniň durnuklylygy.

10) A/B-patternleri

1. K-Means vs HDBSCAN segmentasiýasy (ses garşylygy, klaster durnuklylygy).

2. Embeddingi goşmak bilen vs onsuz (formatlaryň teklipleriniň hili).

3. Mikro-meseleler: bir vs iki paralel.

4. Wagt slotlary: şahsy vs kesgitlenen.

5. RG goragçylarynyň bosagasy: ýumşak vs berk.

6. Saýlama oýunlarynyň uzynlygy: gysga vs S1/S2 üçin uzyn.

11) JSON şablonlary

Oýunçy segmentiniň kartoçkasy (agregatlar + bellikler):

json
{
"user_id": "u_87421",  "segments": ["S1_sprinter", "S3_collector"],  "mmr": 1420,  "features": {
"pace_spm_med": 52,   "pace_spm_cv": 0. 31,   "finish_top10_rate": 0. 18,   "provider_entropy": 1. 92,   "evening_participation_rate": 0. 64
},  "rg_flags": {"long_sessions": true, "cooldown_suggested": true},  "updated_at": "2025-10-24T10:00:00Z"
}

Ýaryşyň/wezipeleriň formaty boýunça çözgüt:

json
{
"decision_id": "d_s3_2025_10_24_1000",  "user_id": "u_87421",  "recommendation": {
"qualifier_format": "sprint_20min",   "time_slot": "evening",   "micro_tasks": [
{"type":"pace_control","max_spm":48,"duration_min":20},    {"type":"provider_diversity","providers":3}
],   "reentry_cap": 1
},  "fairness": {"vip_neutral": true, "reward_cap_equivalent": true},  "rg": {"enforced_break_min": 10}
}

12) Paýpline we önümçilik

Arhitektura:

Wakalar → Kafka/Redpanda → fichering batch/stream (1h/24h/7d penjireler).
SLA eltip bermek bilen Feature Store (onlaýn/awtonom).
Her 1-7 günde bir gezek toparlaşdyrmagy/embeddingi öwretmek; girelgede segmentleri onlaýn bellemek.
Çözgütleriň orkestri: Segmentation API → Matchmaking/Tasks/Comms hyzmaty.

Pseudo bellemek:

python ctx = build_context(user_id)
x = feature_store. fetch(user_id)
z = user2vec. embed(x. sequence)
cluster = hdbscan. predict(z)
segment = postprocess(cluster, mmr=ctx. mmr, rg=ctx. rg_flags)
emit_segment(user_id, segment)

13) UX we aragatnaşyklar

"Aşaky" lobbi: format, dowamlylyk, wagt boşluklary - bir blokda.

Manipulýasiýasyz äheň: "Agşam gysga kwalifikatory maslahat berýäris - adatça şeýle oýnaýarsyňyz".

Gözegçilik opsiýalary: formaty/sloty üýtgetmek, şahsy teklipleri öçürmek.

Sessiz VFX: wezipeler boýunça öňe gidişligiň takyk bellikleri, spamsyz.

14) Dogruçyllyk we RG barlagy

Segmentasiýa RTP/oýunlarda mümkinçiliklere täsir etmeýär.
Baýraklaryň gymmaty hemmeler üçin deňdir.
Iş ýörelgeleriniň aç-açan sahypasy.
Hyýanatçylyga garşy (kollýuziýa, smurfing, rate limits) goşuldy.
RG goragçylary işjeň: arakesmeler, dowamlylyk çäkleri, çylşyrymlylygy azaltmak.
Çözgütleriň ýazgylary we düşündiriş auditi (reason codes).

15) Durmuşa geçirmek meýilnamasy

1. MVP (3-5 hepde): K-Means + esasy fiçering; format/slot teklipleri; aç-açanlyk ekrany.

2. v0. 9: embeddingler User2Vec/Game2Vec; HDBSCAN; anti-hyýanatçylykly graf-signallar.

3. v1. 0: segmentleriň onlaýn täzelenmeleri, meseleler üçin garakçylar bilen baglanyşyk; "dogruçyllyk" hasabatlary we RG-seljermesi.

4. Indiki: Segmentler boýunça wezipe zynjyrlaryny RL sazlamak; çapraz mahabat, möwsümleýin şablonlar.

AI-segmentasiýa - MMR-iň üstündäki manylaryň gatlagy: ol mümkinçilikleri üýtgetmeýär, ýöne oýunçynyň stiline laýyklykda formaty, dowamlylygy, wezipeleri we aragatnaşyklary saýlaýar. Toparlanmagyň, embeddingiň we propensitiniň utgaşmasy durnukly tipologiýany berýär; hyýanatçylyga garşy we RG goragçylary ulgamy dogruçyl saklaýarlar; metrikler (Gini, P95, ROI emissiýalary) ýaryş ekosistemasynyň adalatly we täsirli bolandygyny tassyklaýar.