元宇宙中的虛擬形象與身份認同，第一部分
在梵文中，「化身」（अवतार）意指「以人類形態顯現的化身」。在 Roblox 中，鮮少有事物能比用戶的化身更直接地反映其身分。正如我們即將發現的，並不存在所謂的「標準」Roblox 用戶，而用戶化身中那奇幻多變的美學風格，正是用戶群體本身多元性的直接體現。
化身特徵分析（方法論）
若我們對美學多樣性感興趣，首先需釐清化身的美學特徵。最自然的觀察對象便是 2D 化身縮圖，這通常是用戶彼此間的代表形象。為了進行美學分析，我們需要將這張縮圖轉化為具有語義意義的數值表示。雖然有許多方法可以降低維度，但以下是我們可以嘗試的幾種方法。
- 最簡單的方法：直接對壓縮後的縮圖影像應用主成分分析（PCA）。為了評估降維的「品質」，我們將主成分（PCs）兩端的縮圖進行視覺化呈現。我們可以看到，雖然第一個主成分能區分出可理解的虛擬形象類型，但第十二個主成分的涵蓋範圍過於廣泛，難以產生實質意義。
主成分 1（解釋了 14.3% 的變異量）：
2. 方法同樣簡單：我們可以套用現成預訓練圖像分類網路（ResNet 18）的最後一層隱藏層，並透過聚類分析來評估嵌入品質。請觀察 ResNet 如何非常有效地捕捉色彩資訊（請看第二聚類中所有藍色鞋子），但有時卻無法有效編碼形狀資訊（請看第一聚類）。
以下展示來自 2 個聚類的縮圖樣本：
3. 為了直觀地檢視凝聚力，我們可以運用 UMAP 將圖像分類的嵌入向量降維至 2 維。雖然似乎能辨識出若干簇群，但右下角那大片點群看起來頗為可疑。果不其然：來自該巨型簇群的樣本在視覺上確實缺乏凝聚力。
2D 嵌入圖：
4. 直接在縮圖資料上訓練一個小型自訂變分自編碼器（VAE）。理想情況下，相較於通用影像分類器，此方法更能精準捕捉 Roblox 虛擬角色的獨特美學變化。（有趣的補充：K-means 特別適合用於聚類這些嵌入向量，因為其常態先驗分佈與 VAE 的潛在變量後驗分佈相吻合）
雖然有指標可嘗試量化不同方法的優點，但無監督學習的實際應用案例往往取決於主觀判斷。根據經驗，我們發現第 4 種方法最為成功。
虛擬角色流形
透過 VAE，我們能將縮圖轉化為簡潔的 64 維向量以進行聚類。以下是 20 聚類中 VAE + K-means 聚類的幾個範例：
某個聚類中包含一些高度客製化的虛擬形象：
無論在多次運行、隨機初始化或 k 值選擇下，群集的一致性皆顯示，虛擬角色自然會歸類至不同的（儘管界線模糊）類別中。在輪廓的兩極，我們看到老派、方正身形的「Blocky」角色，與高瘦、更逼真的「Rthro」虛擬角色形成對比。 我們還發現許多預設化身，這些是使用者自加入 Roblox 以來未曾編輯過的（如上圖的聚類 4）。其間則涵蓋了從「哥德忍者」到「夜店狂歡」等各式各樣的風格。
透過虛擬角色建立身份
這些美學群組與使用者本身有何關聯？
最容易切入的切入點是平台上的用戶行為。當我們將過去一個月的虛擬角色編輯次數、帳號週齡、總遊玩秒數，以及各群組的一個月留存率——這些參與度指標——繪製成圖表時，呈現出的四張圖表顯示了各群組間的顯著差異。擁有高度自訂虛擬角色的用戶通常參與度最高且留存率最高，而虛擬角色未經深度自訂的用戶則往往參與度較低。
對此有兩種截然相反的因果解釋。一種是認為編輯頭像的用戶因此會更投入於 Roblox；另一種則可能是，那些原本就已投入 Roblox 的用戶，隨著時間推移會傾向於在頭像上投入更多心力。Roblox 內部其他同仁已針對該採信哪種解釋進行了深入研究。
無論因果關係為何，我們可以看到平台內身分的兩個面向——美學呈現與參與程度——是緊密交織的。然而，平台外的身分又是如何呢？使用者的現實生活識別資訊——年齡、地理位置、性別等——與他們的 Roblox 身分之間有何交集？請閱讀本篇部落格文章的第二部分，一探究竟！
Nameer Hirschkind 是 Roblox 的資料科學實習生。他負責 Roblox 的虛擬角色（Avatars）相關工作，致力協助每位玩家打造心儀的虛擬角色。Roblox 公司及本部落格均不背書或支持任何公司或服務。此外，對於本部落格所含資訊的準確性、可靠性或完整性，亦不作任何保證或承諾。
©2021 Roblox Corporation。Roblox、Roblox 標誌及「Powering Imagination」均為我們在美國及其他國家的註冊與未註冊商標。
