“这个玩家喜欢射击游戏”，是一句危险的话。它可能半年前是对的，如今已经不对；它可能对他自己是对的，对他和朋友一起玩的那个晚上又不对。游戏推荐长期把兴趣当成一个贴在玩家身上的标签，而最近的研究趋势，恰好在一点点拆掉这个假设：社交关系、行为记录和时间变化开始被放进同一个模型里看。这篇动态想说清楚这个变化到底带来了什么、没带来什么，以及爱游戏在设计玩家兴趣模型时准备怎样吸收它，又在哪里主动踩刹车。

推荐的三条旧假设，正在被替换

传统的游戏推荐大致依赖三个隐含假设。第一，兴趣是个人属性，只要看这个玩家玩过什么、玩了多久就够了。第二，过去等于未来，历史越长画像越准。第三，玩家之间互不相干，推荐可以对每个人独立进行。这三条在做首页“猜你喜欢”时勉强够用，但一旦放到多人游戏里就会露出裂缝。

公开的研究趋势大致是这样变化的：社交推荐开始融合社交关系、行为与时间变化，玩家兴趣不再被当作固定标签，而被看成一个随关系和时间不断移动的量。这里需要说明，我们只按定性的层面引用这一趋势，不引用任何具体论文的成绩，也不在此比较哪种方法更好。要谈的是：这些新加入的信号，分别能回答什么问题。

社交关系：朋友带来的新游戏，是最强的兴趣突变

先说社交关系。一个玩家半年只玩两三款游戏，某天突然开始玩一款从未碰过的游戏，最常见的原因不是他的口味变了，而是他的朋友在玩。对单人视角的推荐模型来说，这看起来像一次无法解释的“异常”；放进社交图里，这却是一条有解释的边：他和某几位好友的交互变多了，好友最近集中转向了同一款游戏。

社交关系还提供了另一类信息：关系的类型和强度。一起打了很多场的固定队友，一位只在同一公会里见过几次的陌生人，一个线下认识的朋友，在推荐里的意义并不相同。前者影响“下次一起玩什么”，后者更多影响“可以顺带了解哪些游戏”。把它们混成一个笼统的“好友数”，反而丢掉了最有用的部分。这一点和AI帮你找队友为什么不能只看都喜欢同一个游戏里的观点一脉相承：兴趣相同只是表面，一起玩的方式是否兼容才是内核。

时间行为：周期、漂移和突发，是三种不同的事

再说时间。把“时间”加进兴趣模型，并不是简单地给近期行为更高的权重，因为时间至少带来三种性质不同的现象：

  • 周期。工作日晚上玩十几分钟的休闲游戏，周五晚上和朋友打一两个小时合作副本，假期集中玩一款大作。这些不是兴趣变化，而是同一个人在不同时段的不同状态。如果模型把周五晚上的行为当作“他的新兴趣”，就会在周一早上给出完全错位的推荐。
  • 漂移。兴趣沿着缓慢的方向移动，比如从竞技射击逐渐转向模拟经营。它需要足够长的观察才能确认，短期波动不能被当作漂移。
  • 突发。由某个外部事件触发的短期转向，比如一款游戏推出大型活动，或者朋友邀请入坑。它可能会持续，也可能两周后消退。

把这三者分开的意义在于，它们对应的处理方式不同：周期要按时段分别建模，漂移要慢慢更新长期偏好，突发则应该先当作短期兴趣观察，而不是立刻改写画像。关于漂移本身，我们在AI怎么知道玩家最近换了兴趣里已经有过展开，这里只强调一点：时间信号不是让画像“更新得更快”，而是让画像知道哪些变化值得相信。

空间行为：位置类游戏的信号有用，也最敏感

还有一类信号常被并列提起，就是空间行为，主要出现在线下位置类的游戏里：玩家在哪个区域活动、常在什么时段出门、和谁在同一个地点出现。它确实能补充信息，比如同一个街区的玩家更容易组成线下小队，某个公园周末总有人聚集。

但这也是隐私风险最集中的一类。位置轨迹很容易间接暴露居住地、作息甚至关系。所以我们对它的态度是克制优先：默认不使用精确位置，需要时只用粗粒度的区域信息，并且在玩家明确同意之后才启用；玩家可以随时关闭，关闭之后已产生的位置相关画像也应当可清除。宁可推荐得不够贴近，也不让这种信号成为一条隐蔽的追踪链。

对爱游戏兴趣模型的启发：分层、可解释、可修改

以下是爱游戏的设计思路，不是对已上线功能的描述，具体形态以后续正式说明为准。把上面几类信号放进兴趣模型时，我们倾向于这样处理。

第一，长期偏好与短期兴趣分开存。稳定的部分，比如喜欢合作还是竞技、偏好的组队规模、常在线的时段，更新得慢；近期的部分，比如最近两周新接触的类型，更新得快，但默认权重较低，并且会随时间自然衰减。

第二，社交信号只作为“理由”，不作为“定论”。好友在玩某款游戏，可以成为推荐它的一个原因，但不应该直接改写“这个玩家喜欢什么”。

第三，每条推荐都带理由，并且可拒绝。比如“你最近两周在玩模拟经营，你的两位常一起玩的好友也在玩”。玩家可以选择“不再推荐此类”“暂停推荐”，也可以直接查看和修改画像。这部分与爱游戏为什么把控制权留给玩家是同一条原则的延伸：推荐帮助发现，不替玩家决定。

下面用一个模拟场景把这些放在一起。假设玩家甲半年前主要玩竞技射击，最近两周被朋友拉去玩模拟经营，每周五晚上一起玩两三个小时，平时工作日几乎不碰这类游戏。系统读到的信号包括：长期偏好里竞技占比高；最近两周新类型出现，并且集中在周五晚上；社交图里有两位常一起玩的好友也转向了同一款游戏。合理的做法是：周五晚上适当推荐模拟经营和好友联机，工作日仍以原来的休闲和竞技内容为主；不把“喜欢模拟经营”直接写进长期偏好，而是先标注为“近期兴趣，观察中”。等到几周之后这个兴趣依然稳定，才逐步提高它的权重。这个场景里的所有数据都是假设的，仅用来说明处理流程。

边界与风险：把三种典型的坑说在前面

兴趣模型越会利用社交和时间，越容易在几处出问题，值得逐个交代。

信息茧房。推荐越贴近你和朋友的行为，越容易把你留在同一个圈子的同一批游戏里。社交关系放大了这一点：朋友玩什么就推荐什么，圈子会越缩越小。我们的取舍是给推荐留一部分“探索”的名额，标注为探索性推荐，而且频率有上限，不与主推荐混在一起。

隐私推断。把关系、时间和位置放在一起，可以推出很多玩家从未主动说过的东西，比如作息、生活状态、社交圈的构成。这些推断不应该被保存为画像属性，更不应该在推荐理由里被公开给别人。推荐理由只能使用玩家自己的行为和玩家自己同意共享的信息，不能泄露对方的数据。也就是说，“你的朋友们最近都在玩”这类理由，要以对方已选择公开为前提。

从众压力。看到朋友都在玩某款游戏，玩家的选择会受到影响，而系统一旦把这种影响放大，就变成一种社交压力。所以社交理由应该被写成一个可以忽略的信息，而不是一个催促性的提示；没有人加入某款游戏时，也不应该出现“你落后了”这类措辞。

此外还有一条评估上的边界：这类研究给出的是趋势，并不等于任何一个产品已经因此推荐得更准。“融合社交与时间”能带来什么增益，取决于数据质量、冷启动阶段的做法，以及玩家愿意让系统看到多少，这些都必须在真实使用中检验，而不是靠引用论文来回答。

画像应该是玩家看得见、改得动的东西

把这些线索合在一起，我们对“玩家兴趣模型”的理解变得朴素了：它不是一份藏在后台的档案，而是一个玩家随时可以看到、可以修改、可以清空的工作草稿。社交关系和时间行为让推荐更懂上下文，这是进步；但越懂，越应该把画像和理由摆到玩家面前，让玩家有机会说“不是这样的”。一个能被玩家纠正的兴趣模型，比一个更准却无法被质疑的模型，更值得长期信任。