完全不搭的配图
本篇文章将介绍Anders Drachen的文章中两个对游戏中玩家行为进行聚类分析的案例。分析中采用的算法包括SIVM(Simples Volume Maximization)和k-means聚类。本文中将主要关注这些聚类方式的思路和切入点，对于算法和聚类过程的描述就到此为止了，希望了解更多的可以自行查看参考文献。
游戏及数据本次分析涉及到的两个游戏分别是MMORPG游戏Tera(神谕之战)和FPS游戏BattleFiled 2(战地2)。数据均来源于两个游戏的公开数据。
《Tera》由韩国的Bluehole开发(对！就是开发绝地求生那个)，曾由昆仑万维代理运营，现已关闭国服。Tera拥有与其它传统MMORPG游戏类似的结构设计：包括有任务系统、打造系统、PVP操作以及一个完整的经济系统。Tera允许玩家创造多个不同的角色，因此在数据库中一个账号可能对应着多条数据，但在本次分析中使用的均是角色的数据而非是账号数据。本次分析的数据分为两类：角色属性，如种族、力量、攻击、防御等属性，这些数据在本次分析中不涉及；和角色行为数据，如下：
任务完成数:该角色所完成的任务总数；
好友数:该角色所拥有的好友数量；
成就:该角色所取得的成就数量；
技能等级:该角色在挖矿、种植方便的技能等级；
击*量:该角色*死的AI怪物/敌人数量；
被击*次数:该角色被AI怪物/敌人*死的次数；
物品获得数量:该角色在游戏中收集/捡到的物品总数量；
拍卖行使用次数:即该角色在拍卖行拍卖/购买的总次数；
角色等级:游戏角色的等级在1~32之间，但本次分析中集中在32级的玩家(在分析中包括有全部等级的玩家容易使得分类的结果按照等级进行)。
《战地2》则是一款注重策略和战术元素的FPS游戏，由EA DICE开发和运营。其数据库中包含有超过100中行为数据，但本次分析中只挑选了三类数据：角色表现(得分、技能等级等)、游戏功能的使用(如Kit状态、载具的使用等)和游戏时间。详细如下：
游戏时间：玩家账号活跃的时间总长；
游戏回合数：即玩家参与游戏回合的次数；
技能等级：即对玩家技能等级的综合测量；
得分：即玩家所获得的游戏分数；
每分钟得分：即该角色在所有战斗任务中平均每分钟所获得的分数；
精确度：玩家射击分数在不同武器上的分配比；
击*/死亡比(K/D Ratio)：即玩家击*数量与被击*次数之间的比值；
每分钟击*/死亡次数(KpM/DpM)：即在所有战斗中该角色平均每分钟击*/被击*的次数；
Kit状态：即玩家的得分、击*和被击*次数在不同兵种之间的分配；
载具使用：即玩家在使用海陆空或者驻地车辆上花费的时间总长；
分类结果虽然在聚类分析中算法承担着主要的计算工作，但如何判断不同分类之间的阈限值，即需要多少个分类却是研究员需要决定的事。在这次分析中，k-means的结果中将Tera的游戏角色被分为6类，而Battlefield的游戏玩家则被分为了7类(SIVM得出的聚类与k-means并不完全相同，感兴趣的同样请查看原文)。
Tera的行为聚类
通过k-means对25000个游戏角色的聚类最终得到的6类角色分别为：精英(Elite)、滞后者(Stragglers)、可依赖者(Dependable)、一般玩家(Average Joes)、工人I(Worker I)、工人II (Worker II)。
精英们占比5.78%，是在除了被AI击*外其余各个维度上的得分均较高的一群人，但在种植和挖矿两个技能上的表现较差。这意味着这些玩家专注于其游戏表现，在种植和挖矿等不直接影响其表现的方面关注较少。精英们的同样在其社交维度上表现优异（有较高数量的好友），因此可以通过构建可持续的游戏社区来促进其更长期的参与游戏。
滞后者占比39.4%，是在所有维度上的表现均是最差的(包括被AI击*的次数)。即使已经达到了游戏所允许的最高等级(32)，这些玩家的表现也依旧糟糕且随时可能流失。
一般玩家和可依赖者分别占比12.7%和18.6%，后者是在各维度上的表现仅次于精英玩家的，而前者则又略次于后者。继续探索这一类玩家与其他行为指标(如游戏时长)之间的关系可以试图了解如何帮助他们进步成为精英玩家。
工人I和工人II在其他维度上的得分分别接近与一般玩家和可依赖者，分布占比15.9%和7.6%。不同的是，这二者在种植和挖矿技能，以及收集的物品数量上则排列在第二和第一位。
在6类玩家中，只有两类玩家愿意花费时间学习种植和挖矿这一类非战斗技能可能意味着游戏设计的缺陷：资源收集技能是MMORPG游戏中经济系统的重要支柱，如果25~35%左右的玩家有着相应的技能，则游戏可能会面临着原材料供应不足的窘境。而且即使是非战斗技能，作为游戏的核心功能设计也本应该有着更大的受众。
Battlefield2的行为聚类
对于Battlefield2的分析数据涉及10000PC玩家，通过SIVM和k-means得到的聚类对极端行为模式的判别存在一定的相似性：刺客(Assassins)、老兵(Veterans)和菜鸟(Target Dummies)。
刺客和老兵是游戏中最厉害的玩家，有着最高的K/D比、KpM值和较低的DpM值和游戏时长。 菜鸟则是在各个方面表现均较差的一群玩家。
其余的聚类结果则展现了利用算法聚类分析过程中可能会出现的问题：k-means聚类的结果中各类别的玩家行为存在类似性(比如实习老兵: 数据表现类似于老兵但在多数指标上低于老兵)，SIVM的分析结果则主要关注于不同兵种之间的差异(如载具使用尤其突出的工程兵)，后者的结果也揭示了战地2中专注战斗和专注辅助的两种玩法。
参考文献Drachen, A., Sifa, R., Bauckhage, C., & Thurau, C. (2012). Guns, swords and data: Clustering of player behavior in computer games in the wild. Computational Intelligence and Games (pp.163-170). IEEE.
PS. Drachen的个人网站中提供了一系列文章介绍了如何进行游戏行为的聚类分析的具体操作和可能的坑：Introducing Clustering IV: The Case of Tera Online
