Auf Sanskrit, Avatar () bezieht sich auf "eine Inkarnation in menschlicher Form". In Roblox spiegeln nur wenige Dinge die Identität eines Benutzers direkter wider als sein Avatar. Wie wir herausfinden werden, gibt es keinen „normalen“ Roblox-Benutzer, und die fantastische ästhetische Vielfalt unserer Benutzer-Avatare spiegelt direkt die Vielfalt der Benutzerbasis selbst wider.
Charakterisierung von Avataren (Methodik)
Wenn wir uns für ästhetische Vielfalt interessieren, müssen wir zunächst die Ästhetik von Avataren charakterisieren. Der natürlichste Ort zum Anschauen ist das 2D-Avatar-Thumbnail, das oft Benutzer untereinander darstellt. Für eine ästhetische Analyse müssen wir diese Vignette in eine semantisch sinnvolle digitale Repräsentation umwandeln. Es gibt viele Möglichkeiten, die Dimensionalität zu reduzieren, aber hier sind einige, die wir ausprobieren können.
- Der einfachste Weg: Direkt bewerben APC zu abgeflachten Miniaturansichten. Um die "Qualität" der Reduktion zu beurteilen, visualisieren wir Miniaturansichten der Extreme der Hauptkomponenten (PCs). Wir können sehen, dass, wenn der erste PC die Typen interpretierbarer Avatare unterscheidet, der zwölfte zu groß ist, um irgendeine Bedeutung zu haben.
CP 1 (14,3% der erklärten Varianz):
CP 12 (1,5 % der erklärten Varianz):
2. Fast genauso einfach: Wir können die letzte versteckte Schicht eines vortrainierten Bildklassifizierungsnetzwerks (Resnet 18) anwenden und die Qualität der Integration durch Gruppierung beurteilen. Beobachten Sie, wie Resnet Farbinformationen sehr effizient erfasst (siehe alle blauen Schuhe in der zweiten Gruppe), aber manchmal die Forminformationen nicht kodiert (siehe erste Gruppe).
Beispiele für Miniaturen von 2 Clustern sind unten gezeigt:
3. Um eine visuelle Lesbarkeit der Kohäsion zu erhalten, können wir UMAP anwenden, um die Einbettungen der Bildklassifizierung auf 2 Dimensionen zu reduzieren. Obwohl es erkennbare Cluster zu geben scheint, sieht der große Punkttropfen unten rechts verdächtig aus. Zu Recht: Die Samples in diesem Mega-Cluster sind optisch inkonsistent.
2D-Einfügepfad:
Beispiele für den Mega-Cluster im 2D-Bordraum:
4. Trainieren eines kleinen benutzerdefinierten Variations-Autoencoders (VAE) direkt auf den Miniaturansichtsdaten. Im Idealfall erfasst dies die einzigartige ästhetische Variation von Roblox-Avataren besser als ein Allzweck-Bildklassifikator. (süß: K-Means eignet sich besonders gut, um diese Einbettungen zu gruppieren, da sein normales a priori der posterioren latenten Variablen des VAE entspricht)
Während es Metriken gibt, mit denen versucht werden kann, den Nutzen verschiedener Ansätze zu quantifizieren, laufen praktische Anwendungsfälle des unbeaufsichtigten Lernens oft auf eine subjektive Beurteilung hinaus. Für das Protokoll finden wir den größten Erfolg mit Platz 4.
Der Avatar-Sammler
Mit dem VAE können wir die Miniaturansichten in 64-dimensionale prägnante Vektoren zum Gruppieren umwandeln. Hier sind einige Beispiele für VAE + K-Means-Cluster, die aus einem 20-Wege-Clustering resultieren:
Einige sehr personalisierte Avatare in einem Cluster:
Große und dünne Avatare, die wir in einer anderen Gruppe "Rthro" nennen:
Große und blockige Avatare, die wir in diesem Cluster "Blocky" nennen:
Standard-Avatare hier:
Leicht angepasst zwischen Rthro- und Blocky-Körpertypen in diesem:
Die Dark Angels von Roblox
"Schau dort!"
Der schwarze Würfel
Ich glaube, ich kann fliegen
Die Konsistenz der Cluster über mehrere Ausführungen, die zufälligen Initialisierungen und die Auswahl von k legen nahe, dass die Avatare natürlich in verschiedene (wenn auch verschwommene) Kategorien fallen. Am Ende des Umrisses stehen die altmodischen, kantigen "Blocky"-Charaktere, die den großen, dünnen und realistischeren "Rthro"-Avataren gegenüberstehen. Wir finden auch eine Reihe von Standard-Avataren, die Benutzer seit ihrem Beitritt zu Roblox (Cluster 4 oben) nicht geändert haben. Dazwischen gibt es von „Gothic Ninjas“ bis „Clubbing“ alles.
Identität von Avatar
In welcher Beziehung stehen diese ästhetischen Cluster zu unseren Nutzern selbst?
Der einfachste Ausgangspunkt ist das Nutzerverhalten auf der Plattform. Bei der Verfolgung der Änderungen am Avatar im letzten Monat, des Kontoalters in Wochen, der gesamten Spielsekunden und der Aufbewahrung von einem Monat pro Cluster (Engagement-Metriken) werden uns vier Grafiken präsentiert, die dies demonstrieren spectaculaire Variation zwischen Clustern. Benutzer mit stark personalisierten Avataren sind in der Regel die engagiertesten und werden am häufigsten in Erinnerung gerufen. während Avatare, die nicht so stark personalisiert waren, tendenziell weniger engagiert sind.
Dafür gibt es zwei gegensätzliche kausale Interpretationen. Einer ist, dass Benutzer, die ihren Avatar ändern, dadurch stärker mit Roblox interagieren. Der andere könnte sein, dass Benutzer, die bereits in Roblox investiert haben, im Laufe der Zeit dazu neigen, mehr Mühe in ihre Avatare zu investieren. Es gab großartige Arbeit von anderen bei Roblox bestimmen, welcher Interpretation Sie glauben sollen.
Unabhängig von der Kausalität sehen wir, dass zwei Aspekte der Identität auf der Plattform – ästhetische Repräsentation und Engagement – eng miteinander verbunden sind. Wie sieht es jedoch mit der Identität außerhalb der Plattform aus? Wie überschneiden sich die echten Kennungen unserer Benutzer (Alter, Geografie, Geschlecht usw.) mit ihren Roblox-Identitäten? Schauen Sie sich Teil 2 dieses Blogbeitrags an, um es herauszufinden!
Nameer Hirschkind ist ein Data Science Praktikant bei Roblox. Er arbeitet am Avatar-Laden, um sicherzustellen, dass seine Wirtschaft gesund und wohlhabend ist. Weder die Roblox Corporation noch dieser Blog befürworten oder befürworten ein Geschäft oder eine Dienstleistung. Darüber hinaus werden keine Garantien oder Zusicherungen hinsichtlich der Richtigkeit, Zuverlässigkeit oder Vollständigkeit der in diesem Blog enthaltenen Informationen abgegeben.
© 2021 Roblox Corporation. Roblox, das Roblox-Logo und Powering Imagination gehören zu unseren eingetragenen und nicht eingetragenen Marken in den USA und anderen Ländern.
