元宇宙中的虚拟形象与身份认同（上）
在梵语中，“化身”（अवतार）意为“以人类形态显现的化身”。在Roblox中，没有什么比用户的化身更能直接体现其身份了。正如我们将要发现的，并不存在所谓的“标准”Roblox用户，而用户化身中丰富多彩的奇幻美学风格，恰恰反映了用户群体本身的多样性。
虚拟形象特征分析（方法论）
若要探究美学多样性，我们首先需要对化身的美学特征进行建模。最直观的观察对象便是2D化身缩略图——它通常是用户在平台上的视觉代表。为了进行美学分析，我们需要将该缩略图转化为具有语义意义的数值表示。降维方法多种多样，以下是几种可行的尝试。
- 最简单的方法：直接对展平后的缩略图图像应用PCA（主成分分析）。为了评估降维的“质量”，我们将主成分（PCs）两端的缩略图可视化。我们可以发现，虽然第一主成分能够区分可解释的头像类型，但第十二主成分的范围过于宽泛，缺乏实际意义。
主成分1（解释了14.3%的方差）：
2. 方法同样简单：我们可以应用现成的预训练图像分类网络（ResNet-18）的最后一个隐藏层，并通过聚类分析来评估嵌入质量。观察ResNet如何非常有效地捕捉颜色信息（见第二聚类中的所有蓝色鞋子），但有时却无法编码形状信息（见第一聚类）。
以下展示了来自两个聚类的缩略图样本：
3. 为了直观地观察凝聚性，我们可以应用UMAP将图像分类嵌入向量降维至2维。虽然似乎存在可辨别的聚类，但右下角那大片点云看起来有些可疑。事实确实如此：来自该巨型聚类的样本在视觉上缺乏凝聚性。
2D 嵌入图：
4. 直接基于缩略图数据训练一个小型定制变分自编码器（VAE）。理想情况下，与通用图像分类器相比，这能更好地捕捉Roblox虚拟形象中独特的审美差异。（有趣的补充：K均值聚类特别适合对这些嵌入向量进行聚类，因为其正态先验分布与VAE的潜在变量后验分布相匹配）
虽然存在一些指标试图量化不同方法的优势，但无监督学习的实际应用往往归结于主观判断。根据我们的经验，第4种方法效果最佳。
虚拟形象流形
利用 VAE，我们可以将缩略图转换为简洁的 64 维向量以进行聚类。以下是 20 类聚类中 VAE + K-means 聚类的示例：
一个聚类中包含了一些高度个性化的虚拟形象：
在多次运行、随机初始化和不同 k 值选择下，聚类结果的一致性表明，虚拟形象自然会归入不同的（尽管界限模糊）类别。在轮廓特征的两端，我们看到了一类老式、方正的“Blocky”角色，与之相对的是高挑、纤细且更具真实感的“Rthro”虚拟形象。 我们还发现了一些默认虚拟形象，用户自加入Roblox以来从未对其进行过编辑（上文中的聚类4）。介于两者之间，则涵盖了从“哥特忍者”到“夜店狂欢”等各种风格。
通过虚拟形象建立身份
这些美学聚类与用户本身有何关联？
最直观的切入点是平台上的用户行为。当我们将过去一个月内的虚拟形象编辑情况、账户注册时长（以周为单位）、总游戏时长以及各聚类的一月留存率——即参与度指标——绘制成图表时，呈现出的四张图表显示了各聚类间显著的差异。虚拟形象高度定制化的用户通常参与度最高且留存率最高，而未经过深度定制的用户则往往参与度较低。
对此有两种截然相反的因果解释。一种是用户通过编辑头像从而对Roblox产生了更强的参与度；另一种可能是，那些已经投入Roblox的用户往往会随着时间的推移在头像上投入更多精力。Roblox内部的其他同事已就此开展了大量研究，以确定哪种解释更可信。
无论因果关系如何，我们可以看到平台内身份的两个方面——美学呈现与参与度——紧密交织。那么平台外的身份又如何呢？用户的现实生活标识——年龄、地理位置、性别等——与他们的 Roblox 身份之间存在怎样的交集？请阅读本博客文章的第二部分，一探究竟！
Nameer Hirschkind 是 Roblox 的数据科学实习生。他负责 Roblox 的虚拟形象项目，致力于帮助每位玩家打造心仪的虚拟形象。Roblox 公司及本博客均不认可或支持任何公司或服务。此外，对于本博客所含信息的准确性、可靠性或完整性，我们不作任何保证或承诺。
©2021 Roblox Corporation。Roblox、Roblox 标志及“Powering Imagination”均为我们在美国及其他国家/地区的注册及未注册商标。
