En sánscrito, avatar () se refiere a "una encarnación en forma humana". En Roblox, pocas cosas reflejan la identidad de un usuario más directamente que su avatar. Como veremos, no hay un usuario de Roblox "estándar", y la fantástica variedad estética de los avatares de nuestros usuarios refleja directamente la diversidad de la propia base de usuarios.
Caracterización de avatares (metodología)
Si nos interesa la diversidad estética, debemos comenzar por caracterizar la estética de los avatares. El lugar más natural para mirar es la miniatura del avatar 2D que a menudo representa a los usuarios entre sí.. Para el análisis estético, necesitamos transformar esta miniatura en una representación digital semánticamente significativa. Hay muchas formas de reducir la dimensionalidad, pero aquí hay algunas que podemos probar.
- El enfoque más simple: aplicar directamente APC a imágenes en miniatura aplanadas. Para evaluar la "calidad" de la reducción, visualizamos viñetas en los extremos de los componentes principales (PC). Se puede ver que mientras la primera PC distingue tipos interpretables de avatares, la duodécima es demasiado amplia para tener sentido.
CP 1 (14,3% de la varianza explicada):
CP 12 (1,5% de la varianza explicada):
2. Casi igual de sencillo: podemos aplicar la última capa oculta de una red de clasificación de imágenes preentrenada (Resnet 18) y evaluar la calidad de la integración agrupándolas. Observe cómo Resnet captura de manera muy eficiente la información de color (vea todos los zapatos azules en el segundo grupo), pero a veces falla al codificar la información de la forma (vea el primer grupo).
A continuación se muestran miniaturas de ejemplo de 2 clústeres:
3. Para obtener una lectura visual de la cohesión, podemos aplicar UMAP para reducir las incrustaciones de clasificación de imágenes a 2 dimensiones. Aunque parece haber grupos discernibles, la gran mancha de puntos en la parte inferior derecha parece sospechosa. Por una buena razón: las muestras de este megacúmulo son visualmente inconsistentes.
Gráfico de inserción 2D:
Ejemplos del megacluster en espacio embebido 2D:
4. Entrenar un pequeño codificador automático variacional personalizado (VAE) directamente en los datos de la miniatura. Idealmente, esto captura mejor la variación estética única de los avatares de Roblox, en comparación con un clasificador de imágenes de propósito general. (Qué lindo: K-means es particularmente adecuado para agrupar estas incrustaciones, porque su anterior normal corresponde a la variable latente posterior de la VAE)
Si bien existen métricas que pueden intentar cuantificar los beneficios de diferentes enfoques, los casos de uso práctico para el aprendizaje no supervisado a menudo se reducen a un juicio subjetivo. Como anécdota, encontramos el mayor éxito con el #4.
El coleccionista de avatares
Usando el VAE, podemos convertir las miniaturas en vectores sucintos de 64 dimensiones para agrupar. Estos son algunos ejemplos de clústeres VAE + K-means de un agrupamiento de 20 vías:
Algunos avatares muy personalizados en un grupo:
Avatares altos y delgados, a los que llamamos "Rthro" en otro grupo:
Avatares grandes y en bloques que llamamos "Blocky" en este grupo:
Avatares predeterminados aquí:
Ligeramente personalizado entre los tipos de cuerpo Rthro y Blocky en este:
Ángeles oscuros de Roblox
"¡Mira allá!"
el cubo negro
Creo que puedo volar
La consistencia del grupo a través de múltiples ejecuciones, inicializaciones aleatorias y opciones k sugieren que los avatares caen naturalmente en categorías distintas (aunque confusas). En los extremos del esquema, tenemos los personajes "Blocky" de cuerpo cuadrado de la vieja escuela frente a los avatares "Rthro" altos, delgados y más realistas. También encontramos una serie de avatares predeterminados, que los usuarios no han cambiado desde que se unieron a Roblox (grupo 4 anterior). En el medio, hay de todo, desde "ninjas góticos" hasta "discotecas".
Identidad por Avatar
¿Cómo se relacionan estos grupos estéticos con nuestros propios usuarios?
El punto de partida más simple es el comportamiento del usuario en la plataforma. Al realizar un seguimiento de los cambios de avatar durante el último mes, la antigüedad de la cuenta en semanas, el total de segundos jugados y la retención de un mes por grupo (métricas de participación), se nos presentan cuatro gráficos que demuestran spectaculaire variación entre conglomerados. Los usuarios con avatares muy personalizados tienden a ser los más comprometidos y retenidos con más frecuencia. mientras que los avatares que no han sido tan personalizados tienden a ser menos atractivos.
Hay dos interpretaciones causales opuestas de esto. Una es que, como resultado, los usuarios que cambian su avatar se involucran más con Roblox. El otro podría ser que los usuarios que ya han invertido en Roblox tienden a esforzarse más en sus avatares con el tiempo. Ha habido un gran trabajo por parte de otros en Roblox. determinar qué interpretación creer.
Independientemente de la causalidad, vemos que dos aspectos de la identidad en la plataforma, la representación estética y el nivel de compromiso, están estrechamente relacionados. Sin embargo, ¿qué pasa con la identidad fuera de la plataforma? ¿Cómo se cruzan las identificaciones reales de nuestros usuarios (edad, geografía, género, etc.) con sus identidades de Roblox? ¡Mira la parte 2 de esta publicación de blog para averiguarlo!
Nameer Hirschkind es pasante de ciencia de datos en Roblox. Trabaja en la Tienda Avatar para garantizar que su economía sea saludable y próspera. Ni Roblox Corporation ni este blog respaldan o respaldan a ninguna empresa o servicio. Además, no se ofrecen garantías ni promesas con respecto a la precisión, confiabilidad o integridad de la información contenida en este blog.
© 2021 Roblox Corporación. Roblox, el logotipo de Roblox y Powering Imagination se encuentran entre nuestras marcas comerciales registradas y no registradas en los Estados Unidos y otros países.
