多年来，Valve一直在测试一些新方法，以将过多的Steam游戏过滤到个人用户最有可能感兴趣的游戏中。为此，该公司今天推出了一款由机器学习驱动的“互动推荐器”，专门针对Steam用户群的“数十亿次游戏体验”进行培训。
在过去，Steam主要依赖于用户提供的标签、用户管理的列表、聚合的评论分数和销售数据等众包元数据来驱动其推荐算法。但Valve表示，新的互动推荐是不同的，因为它没有任何关于游戏本身的内部或外部信息(除了发行日期)。“相反，模型会在训练过程中自己学习游戏，”Valve说。“该模型通过了解用户在做什么来推断游戏的属性，而不是通过查看其他外部数据。”
你自己的游戏时间历史是这个神经网络驱动模型的核心部分。你在你的游戏库中投入的每款游戏的小时数与其他数百万Steam用户的小时数相比较，这样神经网络就可以对你可能喜欢的游戏类型提出“明智的建议”。Valve写道:“我们的想法是，如果那些有着与你相似游戏习惯的玩家也倾向于玩另一款你从未尝试过的游戏，那么这款游戏很可能是你的一个很好的推荐。”
反过来，这应该可以预先解决开发人员试图通过选择流行标签或依赖正面评论来玩弄系统的问题，就像他们在以前的推荐算法中所做的那样。Valve写道:“对于开发者来说，优化这一模型的最好方法便是创造一款人们喜欢玩的游戏。”
个人用户可以调整这些ai支持的建议的参数，以支持在特定时间段内发布的游戏，或在“受欢迎程度”梯度上偏向某一边或另一边的游戏。Valve写道:“我们发现，尤其是对于那些经常玩游戏的人来说，挖掘游戏的‘利基’端是寻找隐藏宝石的一种非常有效的方式。”
Valve承认，这种机器学习系统并不适合全新的游戏，因为游戏中没有足够的玩家去收集数据，这导致了“冷启动”先有鸡还是先有蛋的效果。该公司写道，像Steam的Discovery Queue这样的现有系统应该能够帮助玩家在第一批玩家面前获得这些游戏。
这个新的推荐引擎与今天新推出的“蒸汽实验室”品牌的另外两个实验产品一起推出。一个微型预告片页面会自动生成6秒的视频小插曲，以代表按类型排列的标题，而这个自动播放的节目将从最新的Steam发行版中收集30分钟的视频片段，以便于消费。