게임에서 사용자 맞춤형 큐레이션 콘텐츠(예: 2D 및 3D 자산, 미니게임, 기타 게임 등)를 제시하는 맞춤 추천 시스템을 구축하세요. Recommendation Service API를 사용하면 사용자 활동을 기록하고, 임프레션을 캡처하며, 거의 모든 유형의 참여에 대해 개인화된 결과를 제공할 수 있습니다.
추천 시스템의 일반적인 사용 사례에는 라운드 종료 제안 인터페이스, 개인화된 작업을 제시하는 메뉴 오버레이, 또는 사용자에게 고유한 선택, 자산, 위치 또는 게임 세트를 제공하는 다른 구현이 포함됩니다.
아래의 일반적인 단계와 모범 사례를 사용하여 추천 시스템을 설정하세요:
이 가이드는 게임에서 RecommendationService를 구현하는 과정을 다룹니다. 이 콘텐츠는 UI 생성, 자산 추가 또는 사용자 텔레포트 과정에 대한 내용을 포함하지 않습니다. 이러한 주제에 대한 추가 문서를 참조하세요.
콘텐츠 등록하기
게임에서 추천을 구현하는 방법은 여러 가지가 있습니다. 이 가이드의 예시 설정은 사용자가 게임 내에서 다양한 미니게임을 추천받도록 설계되어 있으며, 양질의 플레이 세션을 극대화할 가능성이 가장 높은 추천을 우선시합니다.
이 유형의 추천 시스템은 일반적으로 사용자가 스크롤하고 선택하며 참여할 활동에 대한 더 많은 세부정보를 찾을 수 있는 캐러셀 UI 메뉴에 통합됩니다. 이러한 유형의 인터페이스에 대한 고려 사항은 아래 설정에 포함되어 있습니다.
자신만의 시스템을 만들 경우, 약간 다른 설정과 구성을 사용해야 할 수도 있지만 기본적인 단계는 동일합니다.
추천 시스템이 사용자에게 제공할 수 있는 콘텐츠를 채우기 위해 RegisterItemAsync를 사용하세요. 항목을 등록할 때는 referenceId를 제공해야 하며, 이는 데이터베이스에서 항목을 고유하게 식별하는 개발자가 정의한 문자열입니다. 이 referenceId는 일반적으로 UI에 표시하기 위해 메타데이터(이름, 설명 또는 자산 ID 등)를 조회하는 데 사용됩니다.
모범 사례로, 항목이 생성되는 즉시 등록하여 추천 풀을 항상 최신 상태로 유지하세요.
사용자 임프레션 기록하기
서비스가 항목을 인식하고 추천하기 시작하면, 사용자가 실제로 추천 항목을 보는 경우 LogImpressionEvent를 사용하여 서비스에 알리세요.
기록 시점
캐러셀 타입 UI는 사용자에게 여러 선택 가능한 옵션을 표시하는 일반적인 인터페이스입니다. 귀하의 로깅이 실행 가능한 데이터를 제공하도록 보장하기 위해 다음과 같은 모범 사례를 사용하세요:
- 단일 로그: 특정 항목에 대해 세션당 한 번만 임프레션을 기록하세요.
- 항목이 나타날 때마다 로그를 남기지 마세요. 이는 로깅에 방해가 될 수 있는 노이즈 정보를 생성합니다.
- 트리거: 항목이 메뉴에서 완전히 보일 때 또는 사용자가 항목과 상호작용할 때(예: 상세 페이지 열기) 로그를 남기도록 선택할 수 있습니다.
RecommendationService.LogImpressionEvent에 전달하는 ID에 대해 매우 주의하세요. 서비스는 이벤트를 생성한 특정 추천 인스턴스와 엄격하게 연결될 필요가 있습니다.
- 원시 문자열이나 참조 ID를 사용하지 마세요.
- RegisterItemAsync 또는 GenerateItemListAsync에 의해 반환된 itemId를 사용하세요.
지속 시간
지속 시간은 임프레션의 시간을 추적합니다. 사용자가 이미지 또는 추천을 바라본 시간을 이렇게 생각할 수 있습니다.
비디오를 사용하지 않는 경우, 지속 시간 값을 1로 설정할 수 있습니다. 이렇게 하면 "사용자가 이 항목을 보았다"는 안정적인 데이터가 얻어지며, 이는 일반적으로 정적 카드에 필요한 유일한 로깅입니다.
품질 작업 기록하기
사용자가 추천과 상호작용하기로 결정하면 LogActionEvent를 사용하세요. 이 예시에서는 추천에서 "Play"를 클릭하는 것만으로는 고품질 추천 시스템을 위한 신호가 충분하지 않습니다. 우연한 클릭과 진정한 세션을 구별하는 것이 중요합니다.
필수 작업 유형
LogActionEvent를 호출할 때 어떤 유형의 작업이 발생하는지를 지정해야 합니다. 플레이 세션으로 이어지는 작업 이벤트를 추적하려면 Enum.RecommendationActionType.Play를 사용하세요. 특정 유형의 작업이 활성화되었음을 백엔드에 알리기 위해 올바른 열거형을 사용하는 것이 중요합니다. 플레이 관련 추천의 경우, Enum.RecommendationActionType.Play는 다음 단계에서 추천을 가져오기 위한 MaximizePlays 구성 템플릿과 일치하도록 엄격히 요구됩니다. 다른 열거형을 사용하면 모델이 플레이 관련 작업에 대한 이벤트를 올바르게 등록하지 않습니다.
"양질의 플레이" 전략
게임에 따라 "양질의 플레이"를 정의하는 방식이 다를 수 있습니다. 귀하의 상황에서 품질 플레이를 차별화하는 요소를 미세 조정하는 데 도움이 되는 다음 단계를 사용하세요.
- 내부 추적: 사용자가 미니게임에 들어갔을 때, 스크립트에서 세션 시간을 로컬로 추적하세요.
- 필터링: 60초 이상 플레이하는 것과 같은 만족도 기준을 정의하세요.
- 기록: 사용자가 이 기준을 충족하는 경우에만 LogActionEvent를 호출하세요.
RecommendationService에 의해 실제로 제공된 항목에 대해서만 작업을 기록하세요.
- 검색, 무작위 선택 또는 과거 플레이에서 온 플레이는 기록하지 마세요.
- 이러한 작업을 시스템으로 강제로 밀어넣기 위해 "더미 추적 ID"를 사용하지 마세요.
모델은 현실적인 비율을 기대합니다. 1개의 임프레션을 제공했지만 외부 트래픽에서 10개의 플레이를 기록하면, 학습 데이터를 혼란스럽게 하고 메트릭의 정확성을 해칩니다.
추천 항목 가져오기
추천을 가져오기 위해 GenerateItemListAsync를 사용하세요. GenerateItemListAsync는 추천 목록 쿼리를 위한 다양한 옵션을 포함하는 사전을 수용합니다. 이러한 설정 중 많은 부분이 간단하지만, 성공적인 추천을 제공하기 위해 지원되는 ConfigName 매개변수를 이해하는 것이 중요합니다.
ConfigName
추천을 가져올 때 여러 가지 구성을 사용할 수 있습니다. 양질의 플레이 수를 기준으로 추천을 극대화하도록 설계된 현재 예제에서는 MaximizePlays 구성을 사용하세요. 사용 사례에 따라 MaximizePlays 구성은 단순히 사용자가 소요한 시간뿐만 아니라 사용자 만족도를 추가로 인덱싱하기 때문에 MaximizeTimeSpent보다 더 우수합니다. 이는 시스템에 품질 플레이를 가장 잘 가져올 항목을 반환하라는 지시를 제공합니다.
각 지원 구성에 대한 자세한 정보는 GenerateItemListAsync를 확인하세요.
분석 모니터링
서비스를 통합한 후, Creator Hub에서 직접 해당 성능을 모니터링할 수 있습니다. 추천 분석에 접근하려면:
- Creator Hub에서 게임 페이지로 이동하세요.
- 사이드바에서 Engagement > Recommendation Service로 이동하세요.
주목해야 할 주요 메트릭:
- 시간에 따른 총 작업 수: 사용자가 실제로 추천과 상호작용하고 있나요?
- 총 고유 사용자 수: 몇 명이 발견 기능을 사용하고 있나요?
- 사용자 당 평균 임프레션 항목 수: 사용자가 캐러셀을 스크롤하고 있나요?
- 사용자 당 평균 소요 시간: 추천의 질이 사용자를 게임에 더 오랫동안 머물게 하고 있나요?
- 제공된 예시에서는 지속 시간이 1로 설정되어 있으므로, 이 특정 메트릭은 그 사용 사례에서 특히 가치가 없습니다. 그러나 비디오와 같은 다른 응용 프로그램에서는 이는 임프레션의 강력한 지표가 될 수 있습니다.
이 추천 시스템에서 품질 플레이를 극대화하기 위해 사용된 설정 및 프로세스를 기억하세요. 특히 썸네일에 대해 1초 지속 시간, 품질 플레이만 로깅하기 및 ID를 엄격히 관리하는 것이 중요합니다. 로깅과 임프레션 데이터를 명확하게 유지하면 사용자에게 가장 적합한 콘텐츠를 추천하고 미세 조정할 수 있습니다.
이 흐름은 플레이 시간을 극대화하기 위한 추천 시스템의 과정에 대해 다루고 있지만, 비슷한 작동 순서와 기본 개념을 사용하여 게임의 요구에 맞는 추천 서비스를 구축할 수 있습니다.