Аватары и идентичность в метавселенной, часть 1


На санскрите аватар (अवतार) относится к «воплощению в человеческой форме». В Roblox немногие вещи отражают личность пользователя более прямо, чем его аватар. Как мы выясним, «стандартного» пользователя Roblox не существует, и фантастическое эстетическое разнообразие аватаров наших пользователей напрямую отражает разнообразие самой базы пользователей.

Характеристика аватаров (методология)

Если нас интересует эстетическое разнообразие, нам нужно начать с характеристики эстетики аватара. Наиболее естественным местом для просмотра является миниатюра 2D-аватара, которая часто представляет пользователей друг другу.. Для эстетического анализа нам нужно превратить эту миниатюру в семантически значимое числовое представление. Есть много способов уменьшить размерность, но вот несколько, которые мы можем попробовать.

  1. Самый простой подход: прямо подать PCA к уплощенным миниатюрным изображениям. Чтобы оценить «качество» уменьшения, мы визуализируем эскизы на крайних точках основных компонентов (ПК). Мы можем видеть, что в то время как первый компьютер различает интерпретируемые типы аватаров, двенадцатый слишком широк, чтобы иметь смысл.

ПК 1 (объяснение 14,3% отклонения):

ПК 12 (объяснение 1,5% отклонения):

2. Почти так же просто: мы можем применить последний скрытый слой готовой предварительно обученной сети классификации изображений (Resnet 18) и оценить качество встраивания путем их кластеризации. Посмотрите, как Resnet очень эффективно захватывает информацию о цвете (см. Все синие туфли во втором кластере), но иногда не может кодировать информацию о форме (см. Первый кластер).

Примеры миниатюр из 2 кластеров показаны ниже:

3. Чтобы получить визуальное представление о связности, мы можем применить UMAP, чтобы уменьшить вложения классификации изображений до двух измерений. В то время как дозы кажутся заметными скоплениями, большое пятно точек в правом нижнем углу выглядит подозрительно. Совершенно верно: образцы из этого мегакластера визуально несвязны.

2D-график встраивания:

Примеры из мегакластера во встроенном 2D пространстве:

4. Обучение небольшого настраиваемого вариационного автокодировщика (VAE) непосредственно на данных эскизов. В идеале это лучше отражает уникальные эстетические вариации аватаров Roblox по сравнению с универсальным классификатором изображений. (мило в сторону: K-средство особенно подходит для кластеризации этих встраиваний, так как его обычное априорное совпадение с апостериорной латентной переменной VAE)

Несмотря на то, что существуют показатели, с помощью которых можно попытаться количественно оценить преимущества различных подходов, практические примеры использования обучения без учителя часто сводятся к субъективному суждению. Как ни странно, мы находим наибольший успех с №4.

Множество аватаров

Используя VAE, мы можем преобразовать миниатюры в сжатые 64-мерные векторы для кластеризации. Вот несколько примеров кластеров VAE + K-means из 20-сторонней кластеризации:

Несколько персонализированных аватаров в одном кластере:

Высокие и худые аватары, которых мы называем «Ртро» в другом кластере:

Большие и блочные аватары, которые мы называем «Блочными» в этом кластере:

Здесь аватарки по умолчанию:

Слегка настроенный промежуточный тип телосложения Rthro и Blocky в этом:

Темные ангелы Роблокса

«Посмотри туда!»

Черный куб

Я верю, что я могу летать

Согласованность кластеров при нескольких запусках, случайных инициализациях и выборе k предполагает, что аватары естественным образом попадают в отдельные (хотя и нечеткие) категории. По краям контура мы видим старомодных прямоугольных персонажей «Blocky» напротив высоких, тонких и более реалистичных аватаров «Rthro». Мы также находим ряд аватаров по умолчанию, которые пользователи не редактировали с момента присоединения к Roblox (кластер 4 выше). Между ними есть все, от «готических ниндзя» до «походов по клубам».

Идентичность через аватар

Как эти эстетические кластеры относятся к самим нашим пользователям?

Легче всего начать с поведения пользователей на платформе. При отображении изменений аватара за последний месяц, возраста учетной записи в неделях, общего времени воспроизведения в секундах и удержания в течение одного месяца по кластерам — индикаторы вовлеченности — нам представлены четыре графика, которые демонстрируют драматический вариации по кластерам. Пользователи с сильно настроенными аватарами, как правило, наиболее заинтересованы и чаще всего удерживаются, в то время как аватары, которые не были так сильно настроены, как правило, менее интересны.

Есть две противоположные причинно-следственные интерпретации этого. Во-первых, пользователи, которые редактируют свой аватар, в результате становятся более вовлеченными в Roblox. Другое может заключаться в том, что пользователи, которые уже инвестировали в Roblox, со временем склонны вкладывать больше усилий в свои аватары. Другие в Roblox проделали отличную работу определение, какой интерпретации верить.

Независимо от причинно-следственной связи, мы видим, что два аспекта идентичности на платформе — эстетическая репрезентация и уровень вовлеченности — тесно взаимосвязаны. А как насчет внеплатформенной идентичности? Как реальные идентификаторы наших пользователей — возраст, география, пол и т. Д. — пересекаются с их идентичностями в Roblox? Прочтите часть 2 этого сообщения в блоге, чтобы узнать!


Неймер Хиршкинд — стажер по науке о данных в Roblox. Он работает над Аватарами Роблокса, чтобы помочь каждому игроку создать Аватар, который им нравится. Ни корпорация Roblox, ни этот блог не одобряют и не поддерживают какие-либо компании или услуги. Кроме того, не дается никаких гарантий или обещаний относительно точности, надежности или полноты информации, содержащейся в этом блоге.

© 2021 Корпорация Роблокс. Roblox, логотип Roblox и Powering Imagination являются нашими зарегистрированными и незарегистрированными товарными знаками в США и других странах.



Источник: https://blog.roblox.com

Вам может понравиться...

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *