JBT Journal
Advanced

Raqamli Transformatsiya va Sun’iy Intellekt

КОНТРАСТИВНОЕ ПРЕДСТАВЛЕНИЕ ПОВЕДЕНИЯ И КОНТЕНТА ДЛЯ ПРОГНОЗИРОВАНИЯ МОНЕТИЗАЦИИ ВИДЕОИГР

Raximov Nodir Odilovich1, Doshanova Malika Yuldashovna1, Shvets Stanislav Fedorovich1

1 Tashkent University of Information Technologies Named After Muhammad Al-Khwarizmi

Keywords

пространство признаков обучение представлений семантическое согласование контрастивное обучение трансформер-сети прогнозирование монетизации мультимодальное обучение

Abstract

В работе рассматривается задача прогнозирования монетизации пользователей в видеоиграх в условиях гетерогенных мультимодальных данных. Основное внимание уделяется преодолению семантического разрыва между поведенческими логами пользователей и игровым контентом, который существенно ограничивает эффективность традиционных моделей. Предлагается мультимодальная архитектура, основанная на двухпоточном нейронном представлении, включающем Transformer-энкодер для обработки последовательностей действий и CNN/ViT-энкодер для извлечения визуальных признаков контента. Для согласования латентных пространств вводится механизм контрастивного обучения на основе функции потерь InfoNCE, обеспечивающий формирование единого семантического пространства признаков.
Проведённые вычислительные эксперименты на синтетических и частично реалистичных данных демонстрируют существенное улучшение качества прогнозирования по сравнению с базовыми подходами. Дополнительный анализ латентного пространства, ablation-эксперименты и исследование устойчивости подтверждают, что контрастивное согласование является ключевым фактором повышения качества и интерпретируемости модели.
Полученные результаты показывают, что интеграция мультимодальных данных с использованием контрастивного обучения позволяет существенно повысить эффективность систем поддержки принятия решений в индустрии Games-as-a-Service. Работа также формулирует ряд открытых исследовательских вопросов, связанных с масштабируемостью, интерпретируемостью и расширением модели на дополнительные модальности.

Views: 112 Published: 2026-02-28 Pages: 319-335 Volume: 4 Issue: 1

References

  1. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
  2. Yang, J., Hu, M., He, Z., & Chen, J. (2022). Integrating Content and Behavior for Game Recommendation via Contrastive Learning. arXiv preprint arXiv:2209.11737.
  3. Goldi Soni, Rohan Vaishnav, Mayank Mahant - A Comprehensive Study of the Role of Artificial Intelligence in Transforming Gaming Industry, International Journal for Research in Applied Science & Engineering Technology (IJRASET) ISSN: 2321-9653; IC Value: 45.98; SJ Impact Factor: 7.538 Volume 13, Issue XI November 2025, DOI: https://doi.org/10.22214/ijraset.2025.74946
  4. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9 (8), 1735-1780.
  5. Wang, W., Feng, Y., Chen, W., & Xu, Y. (2020). Contrastive learning for sequential recommendation. In Proceedings of the 13th International Conference on Web Search and Data Mining (WSDM) (pp. 37-45).
  6. Gao, J., Ge, Z., Hu, Z., & Ye, H. (2017). Deep learning for modeling user purchase behavior in mobile games. In Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 1775-1784).
  7. Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A simple framework for contrastive learning of visual representations. In International conference on machine learning (pp. 159-170). PMLR.
  8. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30.
  9. Baltrušaitis, T., Ahuja, C., & Morency, L. P. (2018). Multimodal machine learning: A survey and taxonomy. IEEE transactions on pattern analysis and machine intelligence, 41 (2), 423-443.
  10. Oord, A. V. D., Li, Y., & Babenko, B. (2018). Representation learning with contrastive predictive coding. arXiv preprint arXiv:1807.03748.
  11. Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Dhariwal, P., Luan, M., ... & Sutskever, I. (2021). Learning transferable visual models from natural language supervision. In International conference on machine learning (pp. 8748-8763). PMLR.
  12. Wang, S., Wang, H., & Zhou, W. (2020). Multi-Modality Attention Network for User Purchase Prediction. In Proceedings of the 29th ACM International Conference on Information and Knowledge Management (pp. 1485-1494).