爱游戏AI模型研究组
变化：推荐模型不再只盯着“谁玩了什么”
传统的游戏推荐主要吃一种数据：玩家与游戏之间的交互记录。买过、玩过、玩了多久，据此找相似的玩家和相似的游戏。这条路线在热门游戏上很有效，但有两个盲区：新游戏没有交互记录，冷门游戏交互记录太少。
近两年的公开研究在补这两个盲区，方向大致有三个。
- 多模态特征进入模型。2026年发表在《Applied Intelligence》的一项游戏推荐研究，把游戏的图像与文字描述结合起来，基于它们的相似性构建物品之间、用户之间的潜在语义关系图，再用图卷积和对比学习融合多种模态信息，同时借助生成式AI从文本中提取信息。论文称这有助于改善冷启动推荐，使用的是Steam平台的游戏数据。
- 结构化属性靠大模型补出来。2025年有研究针对用户生成内容平台上游戏标题与描述“不一致、稀疏”的问题，让语言模型从游戏文本和玩家交互中生成类型、玩法机制等结构化属性，并用另一步排序去验证这些属性，再交给推荐系统使用。
- 兴趣被拆开看。2025年的另一项研究强调，游戏推荐需要同时刻画玩家的即时兴趣与长期兴趣，并要应对可学习游戏数量稀疏、玩家行为集中在少数热门游戏这两个问题。
这里必须把话说准。标题里“知识图谱与多模态放在一起”，在公开研究里目前更常见的形态其实是“多模态特征加图结构”：上面那篇研究的图，是由图像和文本相似性构建出来的关系图，属于图卷积处理的范畴，并不是严格意义上的知识图谱推理，摘要里也没有涉及随时间演化的动态图。知识图谱这一环，是我们的判断，不是已有论文的结论，后文单独讲。
原因：单一特征各有各的盲区
为什么不能只用一种信号，用一个具体的例子就能说明。假设有一款“灰烬回廊”式的类银河城游戏，刚发布，没有评价。
| 只用的信号 | 看到什么 | 看不到什么 |
|---|---|---|
| 交互记录 | 几乎没有记录，等于不存在 | 它是什么样的游戏 |
| 文字描述 | “探索、成长、高难度”这类泛词 | 画风与节奏，玩家一眼就能看出的东西 |
| 截图与画面 | 美术风格、视角、界面密度 | 存档机制、任务是否线性等玩法结构 |
| 人工标签 | 一两个粗粒度类型 | 标签之间的组合与边界 |
没有哪一种单独够用。多模态的价值是让画面和文字互相补位，图结构的价值是让信息沿着“相似”传播：一款新游戏即便没人玩过，只要它的画面与文字接近某些已有游戏，就能借到这些游戏的邻居关系。这正是研究者把它当作冷启动思路的原因。
不过，冷启动是一个要分场景讲的问题。新游戏冷启动靠内容特征，新玩家冷启动靠兴趣采集与早期行为，两者用的手段并不相同，可以参考新玩家没有历史记录时的推荐思路。多模态特征主要帮的是前一种。
另一条理由来自“准确”本身的局限。有研究指出，游戏推荐若只追求准确度，容易给出单一、重复的结果，因此需要同时考虑品类多样性与长尾游戏曝光；好友推荐里也有类似结论，即不能只推“最像你的人”，还要兼顾多样性。于是模型的目标不再是单一的点击预测，而是准确、多样、长期兴趣几个目标的折中。
代价：信号多了，问题也多了
更多信号并不是免费的。至少有四类代价。
- 属性质量。大模型生成的类型、玩法机制并非事实，它们是带着不确定性的推断。如果错误的属性被当成图谱边写进去，会沿着图一路传播，错得比单个标签更隐蔽。前面提到的研究之所以要再加一步排序做验证，原因就在这里。
- 冷启动的边界。画面相似不等于玩法相似。两款美术风格几乎一样的游戏，一款是回合制策略，一款是动作平台，推荐给同一批玩家可能是灾难。多模态特征缓解的是“没有任何信息”，而不是“信息足够准确”。
- 可解释性下降。当推荐理由来自图卷积后的向量，很难给玩家一句人话解释“为什么推这款”。关系一旦显式化成图谱边，情况会好一些：“因为你常玩的几款游戏都带有存档点稀疏、探索优先这两个属性”，这种理由是可以写出来的。
- 研究结论的适用范围。这些研究大多基于特定平台的数据集，例如Steam数据或某个用户生成内容平台。把结论直接搬到另一个游戏库，不能想当然。
我们的判断：知识图谱是属性的落脚点
以下是爱游戏对这一趋势的判断，属于设计取向，不是对已有研究的复述，也不代表某项能力已经在大规模场景中验证。
第一，结构化属性是桥。让大模型为稀疏的游戏文本补出类型、玩法机制、难度取向、单人还是多人这类属性，本身就是在为知识图谱生产节点和边的原料。我们倾向于把这些属性当作“待验证的假设”入库，带上来源与置信度，再通过排序验证或人工抽检转为稳定的边。图谱本身应当服务于搜索、推荐与依赖分析，而不是停留在展示层，我们在游戏知识图谱要解决的问题里讲过这一点。
第二，属性边与多模态特征并行进入排序，而不是二选一。多模态特征擅长表达“看起来像什么”，图谱边擅长表达“机制上属于什么、和什么相关”。前者提供覆盖面，后者提供可解释的锚点。当两者给出的相似关系一致，可信度就更高；当两者冲突，比如画风相似但机制迥异，这个冲突本身就是有用的信号，应当降低推荐权重，而不是简单平均。
第三，长短期兴趣仍然是排序层的问题。图谱与多模态解决的是“候选游戏被理解得多准”，而玩家这几天想玩什么、长期偏好什么，则需要单独建模，两者不能混在一起。关于玩家长期兴趣为什么不该被单一类型绑架，可以看玩家长期兴趣与推荐多样性的讨论。
最后是需要保持克制的地方：这条路线目前仍是方向，公开研究本身的实验条件也各不相同。爱游戏更看重的是先把属性验证与冲突检测这两步做扎实，再谈上线范围。图谱能否带来更好的推荐，要靠对照实验和玩家的定性反馈来检验。
公开来源
- 多模态图像与文本、图卷积、对比学习与冷启动：2026年《Applied Intelligence》第56卷，论文《Generative AI-augmented multimodal graph model with parallel contrastive learning for game recommendation》。Springer 论文页面
- 用大模型为稀疏游戏文本生成结构化属性：2025年arXiv预印本，论文《Solving the Content Gap in Roblox Game Recommendations: LLM-Based Profile Generation and Reranking》。arXiv摘要页
- 准确度与多样性的平衡：论文《Category-based and Popularity-guided Video Game Recommendation: A Balance-oriented Framework》，页面标注为The Web Conference收录，年份在页面上不一致，此处不写年份。arXiv摘要页
- 即时兴趣与长期兴趣：2025年arXiv预印本，论文《Large-scale User Game Lifecycle Representation Learning》。arXiv摘要页
- 好友推荐中的相似与多样：2025年IUI，论文《Prefer2SD: A Human-in-the-Loop Approach to Balancing Similarity and Diversity in In-Game Friend Recommendations》。arXiv摘要页
