CN106022877A - 一种基于用户手游行为图谱的游戏推荐方法 - Google Patents

Abstract

本发明公开了一种基于用户手游行为图谱的游戏推荐方法，利用游戏数据中用户的登录日志，提取用户特征。计算用户特征向量两两的余弦相似度，根据余弦相似度值与设定的阈值大小关系确定两个节点是否有边相连；提取用户对游戏的操作，比如用户对游戏的充值操作等，提取游戏的上线时间，用户开始玩游戏的时间，构造用户的属性，从而构造用户手游行为图谱；分析用户手游行为图谱，挖掘其中的“潮流用户”节点，“朋友”关系节点等角色信息。根据与目标用户节点相连的近邻用户节点角色信息，赋予近邻用户节点不同的权重，将近邻用户节点玩过的游戏并且目标用户节点没有玩过的游戏按照权重加权，形成推荐列表，推荐给目标用户，实现个性化游戏推荐。

Description

一种基于用户手游行为图谱的游戏推荐方法

技术领域

本发明涉及大数据游戏推荐的技术领域，尤其是指一种基于用户手游行为图谱的游戏推荐方法。

背景技术

移动设备的快速发展，促进了移动游戏的高速发展。游戏已经成为推动厂商营收增长的重要因素。而游戏运营平台作为与游戏厂商合作的游戏下载平台，面对平台游戏的种类繁多，游戏运营平台需要留住本平台用户数量和提高消费用户的占比。如何实现个性化推荐来提高用户在平台的留存率，从而增长营收成为一个至关重要的问题，解决这一关键问题便是游戏的个性化推荐。

然而，目前面向游戏领域的个性化推荐研究甚是缺乏。目前主流的推荐系统主要应用在电商领域的商品推荐，电影推荐，音乐推荐等等。主流推荐算法是基于内容和基于协同过滤的推荐算法，基于协同过滤的推荐，无需领域知识，能挖掘用户隐藏的兴趣，在电子商务领域，电影，音乐等取得巨大成功，但是由于游戏用户数据比一般领域的用户数据更加稀疏且缺少用户评分，直接利用基于协同过滤的推荐方法效果并不理想。

而基于内容的推荐方式则主要挖掘游戏本身的内容，推荐理由解释性较强，但也容易面临推荐列表过于集中及单调的问题。

基于用户图谱的建模方式是最近提出比较新颖的推荐建模方式，主要应用在社交网络中，由于社交网络容易得到用户与用户之间的直接或者间接关系，将这关系应用到推荐系统中，可以构建更准确的用户模型。但由于游戏用户数据通常缺乏类似社交网络用户之间的直接联系，因此需要基于已有的游戏用户数据建模用户与用户，用户与游戏之间的联系。

本发明利用游戏数据构建用户手游行为图谱。通过用户日志记录分析得到用户特征向量，计算特征向量间的相似度，依据相似度连接用户节点，构建用户连接图；将用户对游戏的操作作为用户节点的属性，作为用户节点的描述；对比用户节点的度数以及属性的相关性，将用户节点聚类为不同类别，比如潮流领导用户，朋友用户等；通过以上步骤，得到一个具有多种用户类别的用户图谱，利用图谱中节点间的关系，为每一个用户得到一个推荐列表，进而作个性化推荐。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于用户手游行为图谱的游戏推荐方法，以游戏日志为数据源建立用户手游行为图谱来分析用户对游戏的兴趣爱好程度，得到以用户为中心，多个游戏与用户相连的图谱，从而形成用户的游戏推荐列表，实现个性化游戏推荐。

为实现上述目的，本发明所提供的技术方案为：一种基于用户手游行为图谱的游戏推荐方法，包括以下步骤：

1)对游戏日志数据预处理：删除不完整、异常数据，清洗数据保证噪音数据对后续实验的影响大大减少；转换数据的格式，使其符合后期实验的要求，便于快速开展实验。预处理后的数据为s₁；

2)从s₁中提取用户特征，特征包括但不限于用户玩的游戏个数，用户手机型号，用户充值数，用户游戏等级以及用户的周登录比率，一天中各个时段登录比率等特征；以特征向量u_i＝(x₁,x₂,...,x_m)表示第i个用户,i＝1,2,3,...,n，x_m表示第m个特征。

3)利用从步骤2)中得到的用户特征向量组，分别计算用户特征向量两两的余弦相似度cosu_i,j,cosu_i,j表示第i个用户特征向量和第j用户特征向量的余弦相似度；如果cosu_i,j大于阈值T_u，表示用户i和用户j之间存在一条边相连，反之则表示两个用户之间不存在边连接；将用户i对游戏g的各种操作按照一定权重加权，得到w_i,g；用户对游戏的操作表示用户对该游戏有过记录，包括用户对游戏的充值数，登录该游戏的次数等。提取游戏上线时间t_g,用户i开始玩游戏g的时间t_i,g，得到A_i,g＝＜g-(t_g,t_i,g,w_i,g)＞作为用户i的属性。通过上述步骤，得到用户手游行为图谱u_graph。

4)分析用户手游行为图谱u_graph，步骤3)中得到的相连用户都是相似用户，即能够将他们作为“朋友”关系；接着，找到图谱中的“潮流用户”节点，“潮流用户”为游戏爱好者，玩的游戏数目多，能够发掘新上线的游戏并且尝试玩新游戏；如果用户节点i的属性个数n_A＞T_l并且定义该用户为“潮流用户”，其中T_l、T_h和T_k为设定的阈值，count((t_i,g-t_g)＜T_h)为用户i开始玩游戏g的时间与游戏g上线时间之差小于T_h的个数；

5)分析用户手游行为图谱u_graph，对每一个用户i，定义推荐规则：给用户i的推荐列表为与之相连用户玩过的但是用户i没玩过的游戏，其中，每个游戏g的推荐分值为

$s=\mathrm{\α}\underset{j=1}{\overset{n1}{\Σ}}\cos u_{i,j}{w}_{i,g}+(1-\mathrm{\α})\underset{k=1}{\overset{n2}{\Σ}}\cos u_{i,k}{w}_{k,g},$

n₁表示玩过游戏g并且与用户i相连的“潮流用户”个数；n₂表示玩过游戏g并且与用户i相连的普通用户个数，取分数靠前的topN个游戏推荐给用户i；α为比例系数，取值0.5≤α≤1。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明从个性化手游推荐出发，弥补目前手游个性化推荐市场的空白。

2、基于用户手游行为图谱的推荐更形象直观的将用户与用户，用户与游戏的关系表达清楚，便于手游个性化推荐研究。

附图说明

图1为用户手游行为图谱。

图2为基于用户手游行为图谱的游戏推荐流程图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

本发明主要目的是实现游戏平台上游戏个性化推荐，提高平台游戏下载安装率，从而提高平台用户留存率，新用户数量以及整个平台的充值水平。从原始游戏日志中提取用户特征，计算用户特征余弦相似度，将相似度高于阈值的两个节点用边相连，提取用户对游戏的操作按照一定权重加权形成用户的属性，从而构建用户手游行为图谱，如图1所示；分析图谱得到“潮流用户”；依据与用户直接关联的不同种类用户玩过的游戏进行得分计算，得到用户的游戏推荐列表。如图2所示，本实施例所述的游戏推荐方法，具体包括以下步骤：

一、对游戏数据预处理

1)原始数据为偶玩平台提供的游戏用户8月和9月的登录日志以及从网上爬取的游戏简介信息；其中用户登录日志包含用户的登录时间，游戏等级等信息，游戏简介包含游戏的类别，上线时间等信息；在实验室集群搭建的spark平台上实施实验；

2)原始数据存在数据不完整，数据失真，字段缺失等情况，需要对原始数据进行清洗，删除噪声数据，得到少含甚至不含噪声的数据，尽可能避免噪声数据对实验结果造成影响；

3)将处理过后的数据作格式转换，使其符合实验所要求的格式。最后得到预处理数据s₁。

二、基于图对用户建模，形成手游行为图谱

1)从s₁中分别提取用户特征，特征包括但不限于用户玩的游戏个数，用户手机型号，比如“华为”，“小米”等，用户充值数，用户游戏等级以及用户的周登录比率，一天中各个时段登录比率等特征；以特征向量u_i＝(x₁,x₂,...,x_m)表示第i个用户。

2)利用从1)中得到的用户特征向量组，计算用户特征向量两两的余弦相似度cosu_i,j；用户特征向量的余弦相似度的计算公式如下：

$\cos u_{i,j}=\frac{u_i*u_j}{\left|\right|u_i\left|\right|*\left|\right|u_j\left|\right|}=\frac{x_{i,1}*x_{j,1}+x_{i,2}*x_{j,2}+...+x_{i,m}*x_{j,m}}{\sqrt{x_{i,1}^2+x_{i,2}^2+...+x_{i,m}^2}*\sqrt{x_{j,1}^2+x_{j,2}^2+...+x_{j,m}^2}}$

如果cosu_i,j大于阈值T_u，表示用户i和用户j之间存在一条边相连，反之则表示两个用户之间不存在边连接。

3)将用户i对游戏g的各种操作按照一定权重加权，得到w_i,g；用户对游戏的操作表示用户对该游戏有过记录，包括用户对游戏的充值数，登录该游戏的次数等。提取游戏上线时间t_g,用户i开始玩游戏g的时间t_i,g，得到A_i,g＝＜g-(t_g,t_i,g,w_i,g)＞作为用户i的属性；其中，M表示用户i对游戏g的操作类别总数；v表示第v个操作，1≤v≤M；表示用户i对游戏g的操作v的权重，比如用户i对游戏g充值的钱数的权重Mon_i,g表示用户i对游戏g充值数；α_v表示第v个操作的比例系数，通过上述步骤，得到用户手游行为图谱u_graph。

4)分析用户手游行为图谱u_graph，步骤3)中得到的相连用户都是相似用户，即可将他们作为“朋友”关系；找到图谱中的“潮流用户”节点，“潮流用户”为游戏爱好者，玩的游戏数目多，能够发掘新上线的游戏并且尝试玩新游戏。如果用户节点i的属性个数n_A＞T_l并且定义该用户为“潮流用户”，其中T_l、T_h和T_k为设定的阈值，count((t_i,g-t_g)＜T_h)为用户i开始玩游戏g的时间与游戏g上线时间之差小于T_h的个数。

三、分析手游行为图谱，得到用户的推荐列表

对每一个用户i，定义推荐规则：给用户i的推荐列表为与之相连用户玩过的但是用户i没玩过的游戏，其中，每个游戏g的推荐分值为

$s=\mathrm{\α}\underset{j=1}{\overset{n1}{\Σ}}\cos u_{i,j}{w}_{i,g}+(1-\mathrm{\α})\underset{k=1}{\overset{n2}{\Σ}}\cos u_{i,k}{w}_{k,g},$

n₁表示玩过游戏g并且与用户i相连的“潮流用户”个数；n₂表示玩过游戏g并且与用户i相连的普通用户个数，取分数靠前的topN个游戏推荐给用户i；α为比例系数，取值0.5≤α≤1。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (1)

1.一种基于用户手游行为图谱的游戏推荐方法，其特征在于，包括以下步骤：

1)对游戏日志数据预处理：删除不完整、异常数据，清洗数据以减少噪音数据对后续实验的影响；转换数据的格式，使其符合后期实验的要求，便于快速开展实验；预处理后的数据为s₁；

2)从s₁中提取用户特征，特征包括用户玩的游戏个数，用户手机型号，用户充值数，用户游戏等级以及用户的周登录比率，一天中各个时段登录比率特征；以特征向量u_i＝(x₁,x₂,...,x_m)表示第i个用户,i＝1,2,3,...,n，x_m表示第m个特征；

3)利用从步骤2)中得到的用户特征向量组，分别计算用户特征向量两两的余弦相似度cosu_i,j,cosu_i,j表示第i个用户特征向量和第j用户特征向量的余弦相似度；如果cosu_i,j大于阈值T_u，表示用户i和用户j之间存在一条边相连，反之则表示两个用户之间不存在边连接；将用户i对游戏g的各种操作按照设定的权重加权，得到w_i,g；用户对游戏的操作表示用户对该游戏有过记录，包括用户对游戏的充值数及登录该游戏的次数；提取游戏上线时间t_g，用户i开始玩游戏g的时间t_i,g，得到A_i,g＝＜g-(t_g,t_i,g,w_i,g)＞作为用户i的属性；通过上述步骤，得到用户手游行为图谱u_graph；

4)分析用户手游行为图谱u_graph，步骤3)中得到的相连用户都是相似用户，即能够将他们作为“朋友”关系；接着，找到图谱中的“潮流用户”节点，“潮流用户”为游戏爱好者，玩的游戏数目多，能够发掘新上线的游戏并且尝试玩新游戏；如果用户节点i的属性个数n_A＞T_l并且定义该用户为“潮流用户”，其中T_l、T_h和T_k为设定的阈值，count((t_i,g-t_g)＜T_h)为用户i开始玩游戏g的时间与游戏g上线时间之差小于T_h的个数；

5)分析用户手游行为图谱u_graph，对每一个用户i，定义推荐规则：给用户i的推荐列表为与之相连用户玩过的但是用户i没玩过的游戏，其中，每个游戏g的推荐分值为

$s=\mathrm{\α}\underset{j=1}{\overset{n1}{\mathrm{\Σ}}}\cos u_{i,j}{w}_{i,g}+(1-\mathrm{\α})\underset{k=1}{\overset{n2}{\Σ}}\cos u_{i,k}{w}_{k,g},$

n₁表示玩过游戏g并且与用户i相连的“潮流用户”个数；n₂表示玩过游戏g并且与用户i相连的普通用户个数，取分数靠前的topN个游戏推荐给用户i；α为比例系数，取值0.5≤α≤1。