游戏标签:

基于多源隐式反馈的游戏推荐列表

融合公开 Steam 群体行为信号、评论时游玩时长、口碑质量与舆情风险，实时生成可复现的推荐排序

推荐策略调校

拖动滑块调整口碑质量、群体热度、沉浸投入、舆情安全、价格友好度与风险惩罚在多源隐式反馈推荐分中的影响。系统将按公开 Steam 数据实时重排预览结果。

多源隐式反馈预设:
0.25
基于 Steam Store 评论统计与公开评论样本，代表大众满意度。
0.20
按公开评论规模与样本量归一化，反映市场讨论热度。
0.20
基于公开评论中的评论时游玩时长与样本平均投入，衡量玩家群体沉浸程度。
0.20
由近期避坑指数反向得到，风险越低安全度越高。
0.15
按当前公开价格在列表中的相对位置归一化，价格越友好得分越高。
0.20
对近期差评率、风险关键词与负面概率形成的避坑风险进行扣分。
0.60
当某游戏的避坑指数超过该值时，系统将在推荐列表中发出警告或自动隐藏该游戏。

多源隐式反馈公式与排名预览

GroupImplicitScore = 正向信号 − 风险惩罚

综合口碑、热度、投入、价格与安全度，扣除近期舆情风险后生成推荐排序。

口碑质量 0.25
群体热度 0.20
沉浸投入 0.20
价格友好 0.15
舆情安全 0.20
风险惩罚 0.20

多源推荐前三

K-Means 游戏特征聚类分析 (散点图)

Sklearn K-Means

横轴表示群体热度指数，纵轴表示舆情安全度。系统基于评论量、评论时游玩时长、好评率、价格与风险指标进行标准化映射后生成多类游戏特征簇。

核心游戏近半年避坑舆情趋势走势 (折线图)

舆情时间序列趋势

展示重点监测游戏最近 6 个月的“避坑指数”波动。能够明显捕捉到游戏更新或优化崩盘引发的舆情拐点。

显示范围
显示重点监测游戏

主要游戏负面舆情痛点构成分布 (柱状图)

词频聚类与分类

系统基于玩家评论文本自动分析提取的导致玩家避坑的前四大核心痛点占比情况。

全局高频玩家舆情分析词云 (词云)

文本挖掘 TF-IDF

从 14 万余条评论数据中提取出的核心关键字。不同字号代表词频与重要性权重，浅蓝色为安全/好评倾向，红色为雷区避坑倾向。

不同类型游戏占比与平均好评率 (双环图)

类型与满意度映射

外环展示游戏库中不同类型的占比分布，内环展示各类型游戏的平均好评率倾向。

游戏群体热度、好评率与舆情风险关联 (气泡图)

高维气泡关联分析

横轴群体热度指数，纵轴好评率，气泡大小代表评论样本量，颜色红黄绿分别代表高危/警戒/安全舆情级别。

AI 舆情分析姬

● 在线 | 蒸汽Lens大数据助手 模型待命
AI 分析姬

你好！我是 SteamLens 智能分析姬。我可以根据当前游戏舆情数据与公开群体隐式反馈进行实时分析。

您可以直接向我输入想要了解的游戏或指标，或者点击下方的快捷分析指令开始探索：

AI 实时分析看板

向分析姬发送指令，系统将在此处即时绘制匹配的分析图表、舆情报表或对比清单。