Google内部案例分享 | 我们是如何构建定制化TensorFlow预测系统的？

近年来，移动端游戏随着智能手机技术的发展，越来越成为人们娱乐休闲的新模式。据 NewZoo 数据调查研究发现，全球手机端游戏已达到 21 亿玩家规模，呈 14% 同比年增长趋势，其中大部分玩家有在游戏中付费的经历。

对于 SLG 策略类型手机游戏，由于前期用户需要时间了解及熟练游戏操作，即使有付费倾向，一般也会比较滞后。这种滞后为游戏的内部运营，市场投放效果的衡量及优化带来了很大挑战。本文基于一款日活 600 万的明星 SLG 游戏，根据游戏内用户的 500+ 个特征行为，对未付费用户在下载安装后 28 天内是否会转化为付费用户加以预测。

文章尽量避免涉及过多的技术细节， 主要从系统架构的角度加以阐述，如何自动化一套机器学习预测系统并与 Google UAC ( 通用应用广告平台 ) 相结合，最终提高 7 倍转化率，2.6 倍投资回报率，降低 63% 付费用户获取成本。

数据准备

数据包括两部分， 预测目标 Y 及用户参数 X，其中用户参数 X 又分为状态参数 Xs 和行为参数 Xb。

原始数据符合如下模板：

其中，每行数据为每一位用户每天的行为参数汇总和状态快照。如若用户当天未登录，则不需记录当天状态或行为。 如果用户前 n-1 天未付费，在第 n 天发生付费转化，则该用户有 n 行数据 (假设用户每天登陆)。

• 状态参数 (当天零点快照) 包括但不限于，游戏内人物等级，游戏内金币数量，登陆游戏手机品牌，登陆游戏地点等。

• 行为参数包括但不限于 (推荐四种对预测付费最重要的行为，其他行为越多越好)：

1. 付费相关类行为：打开付费窗口，点击付费按钮（还未确认付费成功）

2. 游戏币购买物品：这里物品可缩小范围到游戏的核心追求品类，如皮肤，武器等

3. 社交行为：是否加入公会，在团队发言次数，社交账号分享等

4. 打折类行为：打开打折商店等

对原始数据处理后，得到如下数据 (假设模型目标是基于未付费用户下载后 7 天行为预测下载后 28 天内是否会付费)：

• 预测目标 Y：如果用户下载游戏后 28 天内发生付费转化，则为 1，否则为 0

• 用户参数 X：假设原始数据中对于用户 i, 有 j 行数据，经过处理后每个用户只有一行数据

1. 状态参数 Xs：最后一天的状态快照

2. 行为参数 Xb:  j 行数据的加和

注 1：推荐取 7 天以内行为作预测基础，这样可以在用户下载安装 APP 后七天内产生预测，进而及时把预测信号发送给 Google UAC 广告投放平台，便于 UAC 平台内的机器学习。

注 2：推荐取 28 天内的付费作预测目标，这样便于在一个月内完成预测效果及 Google UAC 广告平台投放效果的衡量。

数据清洗与特征工程

对数据进行清洗

• 用 0 填充所有缺失值

• 以列为单位，标准化变形。sklearn.preprocessing.StandardScaler

• 主成分分析 PCA：降维到原纬度数量的一半。

经过数据清洗和特征工程处理后，得到如下数据（假设模型目标是基于未付费用户下载后7天行为预测下载后 28 天内会不会付费）：

• 将处理后的数据按 1:1 分成两部分，train 和 test

• 预测目标没有变化，即 Y_noTransform_train, Y_noTransform_test：如果用户下载游戏后 28 天内付过费，则为 1，否则为 0;

• 相对应的用户参数经过变形，即 X_transformed_train, X_transformed_test；每个用户一行数据，但经过 PCA 降维之后，很难理解X中每一列代表什么行为。

基于TensorFlow深度神经网络分类器建模

创建分类器

设计系统时，选择调用 tensorflow Python API，直接建立 DNNClassifier 对象，省去了大量从底层开始架构模型的时间。对解决简单分类问题很有效，推荐给大家。

classifier = tf.estimator.DNNClassifier()

训练分类器

调用 DNNClassifier 对象的 fit 函数，建立训练模块。

classifier.fit(X_transformed_train, Y_noTransform_train, steps=2000, batch_size=5000)

分类器预测

调用 DNNClassifier 对象的 predict 函数，建立预测模块。输出为 0 或 1，0 代表分类器认为转化概率低于 50%，即不会付费转化，1 代表分类器认为转化概率大于等于 50%，即大概率付费转化。50% 为 predict 函数默认的缺省阈值，如需改变此阈值，则要调用 predict_proba 函数，输出为转化概率，而不再是 0 或 1。

Y_predict = classifier.predict(X_transformed_test)

分类器验证

Y_predict 和 Y_noTransform_test 都是真对同一批测试者，前者为预测值，后者为实际值。通过比较得出 Precision 和 Recall，以此衡量预测模型的准确度。如果用于 Google 广告平台的投放，则 Recall 比 Precision 重要，应尽量提高 Recall。如果用户内部运营，则 Precision 比 Recall 重要，应尽量提高 Precision。

其中 p recision 代表精度，r ecall 代表广度。f1 是综合考虑 p recision ，r ecall 的整体参数。具体定义如下：

经过多次调参迭代，模型性能如下所示，

注：蓝色竖虚线与 x 轴的交点是使 f1 达到最高点的预测概率的取值

系统设计

系统基于 Google Cloud Platform，简称 GCP，进行架构。激活了 GCP 中三个组件，BigQuery, Compute Engine 和 Storage。每天，基于游戏内新产生的数据运行“预测模块”，对每个用户加以评估，是否会付费转化。每季度初，基于过去 120 天内注册的用户数据运行“训练模块”，对模型加以更新。这里采用了混合数据集的方法，即90天新数据，30 天老数据，以保证模型和谷歌广告投放平台的合作顺畅。

每季度

每天

预测结果在 Google UAC 广告平台的应用

Univeral App Campaign 即通用应用广告系列（以下简称 UAC），是 Google 开发的基于大数据和机器学习的移动端应用广告投放平台。旨在帮助用户简化广告投放流程，更轻松地在 Google 用户量最多的各款产品和服务（包括 Google 搜索、Google Play、YouTube 和 Google 展示广告网络）中宣传自己的应用 APP。用户只需添加几行文字、设置出价、提供一些素材资料，系统会自动优化其余部分（包括具体广告的设计、广告投放的目标定位和出价等），从而帮助用户推广应用 APP。

目前有三个版本，根据推广目标不同，分别为以提升 APP 下载安装量为目标、提升 APP 内事件触发频次为目标和提升 APP 内用户价值为目标。本文主要应用在 UAC 的第二个版本，以提升 APP 内事件触发频次为目标。

APP 内的事件多种多样，游戏内充值付费（以下简称 IAP，In-App-Purchase）应属最简单明了也最便于尝试的事件之一。大多数用户都有测试，但效果有好有坏，究竟是什么因素导致了效果的不同？有没有一种方法可以提升 UAC 广告投放效果？本文希望通过对大量投放经验的总结，提出一种基于预测付费用户的新的 UAC 广告投放方式，用于高质量的新用户获取。

如之前章节所述，最后得出的预测结果应为两列数据，DeviceID 及预测标签 (0 或1)。取决于预测概率阈值的不同，被标记为 1 (有付费倾向) 的用户数量及准确度也会不同。阈值越高，被标记为 1 的要求越苛刻，既被认为有付费倾向的用户数量越少，准确度越高，如图二所示。当阈值达到最高 100%，则预测事件等同于实际付费事件；当阈值达到最低 0%，则预测事件等同于 APP 安装事件。“预测事件”本质上是我们通过机器学习预测系统，创造出来的一个“假想”事件，并根据预测阈值的不同，可以在APP下载安装及最终付费之间做优化调节。

经大量实验研究发现，如果考虑把预测结果应用在 UAC 上，应尽量调节阈值，牺牲一些 precision，使 recall 尽可能高。

如下图所示，阐述了基于 TensorFlow 的机器学习预测系统与 Google UAC 广告投放平台结合的工作原理。左边蓝色的部分为本文搭建的预测系统，右侧绿色的部分为 UAC 系统。通过分析预测，找出潜在付费用户，扩大了发送给 UAC 的种子人群数量，缩短了从 APP 安装到有效转化发生的效果回馈时间，进而提升了 UAC 机器学习和广告投放的效果。

注：用户需要思考是否充值付费的时间越长，潜在付费用户群体越大

结论及未来展望

本文通过对行业背景的分析，提出了策略类手机游戏面临的挑战。并从系统架构的角度，介绍了如何对数据进行清理、特征工程、预测分类器的建模及系统自动化。其中，数据的搜集处理对模型的准确性及应用性有很大影响。文章也给出了四种对预测游戏内付费有重要影响的行为参数，并通过 PCA 主成分分析的特征降维方法，极大提高了模型的性能。另外，通过调节预测转化概率的阈值，可在精度和广度之间作以取舍，使模型的预测结果适用于不同的领域。