在遊戲解決方案加速器:毒性檢測
檢查解決方案加速器下載筆記本在這個博客。
在大型多人在線遊戲(MMOs),多人在線競技場遊戲(MOBAs)和其他形式的網絡遊戲,玩家連續實時交互協調或競爭,因為他們朝著一個共同的目標——贏得。這種交互性積分遊戲動態,但與此同時,這是一個'開放不良行為——整個在線視頻遊戲領域普遍存在的一個問題。
有毒的行為體現在多種形式,如不同程度的惡意破壞,網絡欺淩和性騷擾,見下麵的矩陣行為互動,列表類型的交互在多人遊戲中,死在白天。
除了個人付出的代價不良行為對玩家和社區——這個問題不能被誇大,也損害了許多遊戲工作室的底線。例如,一項研究密歇根州立大學顯示,80%的球員最近經曆了毒性,其中,20%離開遊戲由於這些交互。同樣,一項研究蒂爾堡大學顯示有一個破壞性的或者有毒遇到第一個會話中的遊戲導致玩家的三倍更有可能離開這個遊戲沒有返回。鑒於球員保留許多工作室的重中之重,特別是當遊戲交付轉換從物理介質釋放長壽服務,很明顯,必須抑製毒性。
加劇這一問題相關的生產,一些公司麵臨挑戰與毒性在發展早期,甚至在發射前。例如,亞馬遜的坩堝被釋放到測試沒有文本或語音聊天部分原因是沒有一個係統來監視或管理有毒的玩家和交互。這說明遊戲空間的規模遠遠超過了大多數團隊管理的能力,這樣的行為通過報告或通過幹預破壞性的交互。考慮到這一點,這是必不可少的工作室分析融入遊戲在開發周期的早期然後設計的持續管理有毒交互。
毒性在遊戲顯然是一個多方麵的問題,已成為一個視頻遊戲文化的一部分,不能解決普遍在一個單一的方法。說,解決毒性在遊戲內聊天可以給有毒的頻率產生巨大影響的行為和能力自動化檢測的使用自然語言處理(NLP)。
我ntroducing磚的毒性檢測在遊戲解決方案加速器
使用有毒的評論數據從拚圖隊伍2場比賽數據,這個解決方案加速器走過實時檢測毒性評價所需的步驟使用NLP和您現有的lakehouse。NLP,這個解決方案加速器使用火花NLP從約翰·斯諾實驗室、一個開源企業級解決方案構建本機在Apache引發™。
這個解決方案加速器的你將采取的措施是:
- 拚圖和隊伍2數據加載到表使用三角洲湖
- 使用多標記分類分類有毒評論(火花NLP)
- 跟蹤實驗和注冊使用MLflow模型
- 在批處理和流數據上應用推理
- 檢查對遊戲比賽數據毒性的影響
在生產中檢測毒性在遊戲內聊天
這個解決方案加速器,您現在可以更容易地將毒性檢測集成到你自己的遊戲。例如,下麵的參考體係結構顯示了如何聊天和遊戲來自各種數據源的數據,如流,文件、聲音或操作數據庫,並利用數據磚攝取,存儲和牧師數據轉化為機器學習功能表(ML)管道、遊戲ML, BI表進行分析,甚至直接交互工具用於社區適度。
有一個實時的、可伸縮的架構來檢測毒性在社區允許簡化工作流社區關係經理的機會,能夠過濾數以百萬計的交互成易處理的工作負載。類似地,實時報警嚴重不良事件的可能性,甚至自動化響應如靜音球員或快速報警事件的CRM,保留有直接影響的球員。同樣,有一個平台能夠處理大型數據集,從Beplay体育安卓版本不同的來源,可以用於監控品牌認知通過報告和儀表板。
開始
這個解決方案加速器的目標是幫助支持有毒的持續管理互動網絡遊戲通過啟用實時檢測有毒評論在遊戲內聊天。今天開始導入此解決方案加速器直接進入磚工作區。
一旦你將筆記本和兩個管道進口準備生產。
- 毫升管道與英語培訓實際使用多標記分類數據集從穀歌拚圖。模型的分類和標簽文本形式的毒性。
- 實時流推理管道利用毒性模型。管道來源攝取聊天數據可以很容易地修改所有的公共數據來源。
使用這兩個管道,可以開始真正理解和分析毒性以最小的努力。這個解決方案加速器還提供了一個基礎平台,定製和改進模型與遊戲機製和社區相關數據。
檢查解決方案加速器下載筆記本在這個博客。