CN106557938A - 一种游戏中虚拟物品的推送方法 - Google Patents

Abstract

本发明公开了一种游戏中虚拟物品的推送方法，包括以下步骤，1)提取游戏玩家的数据信息，所述数据信息包括付费数据信息和游戏行为数据信息；2)根据所述付费数据信息将玩家分类为多个不同付费等级的玩家类别；3)在各个付费等级玩家类别中，根据各个玩家的游戏行为数据信息，通过聚类方法将各个玩家聚类为不同游戏行为的玩家类别；4)在多个不同付费等级的不同游戏行为的玩家类别之间，确定出游戏行为相似付费等级不同的玩家类别群体对；5)在步骤4)得到的各个玩家类别群体对中，提取相对高付费等级的玩家类别中各玩家购买的物品种类，将其推送给该群体对中相对低付费等级的玩家类别中的各玩家。本发明的推送方法，针对性强，推送效果好。

Description

一种游戏中虚拟物品的推送方法

【技术领域】

本发明涉及一种游戏中虚拟物品的推送方法。

【背景技术】

随着移动终端的广泛应用，在移动终端上开发游戏的需求也越来越大。随着玩家对游戏不断深入，等级不断提升，涉及到的虚拟物品(例如道具、服装、技能秘籍等)也越来越多。不同的虚拟物品对应的效果和游戏体验不同。目前的游戏中，对于虚拟物品的推送多采用广泛推送的方式，配合提供优惠的营销手段。例如，选取一批道具，面向所有玩家用户，配合首充优惠、打折促销或者充值送礼的营销手段进行推送。这种推送方式，针对性不足，推送效果差。结合营销手段的批量推送，都是针对所有玩家。这种无差别对待的方法，无法满足各种不同类型玩家的需求。游戏中的玩家，游戏时间、技术水平、付费额度、游戏进度等不同，对同一件道具的需求也截然不同。有些玩家会因为游戏进度问题，当前还不需要这件道具；有些玩家会因为之前已经购买了这件道具，不再需要了；有些玩家会因为已经拥有了类似或更好的道具，没有需求了。对于这些玩家来说，目前的推送方式下推送的虚拟物品信息没有任何吸引力，推送的信息没有意义，推送效果不明显。

【发明内容】

本发明所要解决的技术问题是：弥补上述现有技术的不足，提出一种游戏中虚拟物品的推送方法，针对性强，推送效果好。

本发明的技术问题通过以下的技术方案予以解决：

一种游戏中虚拟物品的推送方法，包括以下步骤，1)提取游戏玩家的数据信息，所述数据信息包括付费数据信息和游戏行为数据信息；2)根据所述付费数据信息将玩家分类为多个不同付费等级的玩家类别；3)在各个付费等级玩家类别中，根据各个玩家的游戏行为数据信息，通过聚类方法将各个玩家聚类为不同游戏行为的玩家类别；4)在多个不同付费等级的不同游戏行为的玩家类别之间，确定出游戏行为相似付费等级不同的玩家类别群体对；5)在所述步骤4)得到的各个玩家类别群体对中，提取相对高付费等级的玩家类别中各玩家购买的物品种类，将其推送给该群体对中相对低付费等级的玩家类别中的各玩家。

本发明与现有技术对比的有益效果是：

本发明的虚拟物品的推送方法，利用玩家的游戏数据信息，提取付费数据信息和游戏行为数据信息，通过付费划分+聚类的方法，实现对玩家的分类，将玩家划分为游戏行为相似、付费等级不同的玩家类别群体对。基于聚类的结果，提取相对高付费等级的玩家的付费物品，推荐给同一群体，也即游戏行为相似的群体对中，其他相对低付费等级的玩家。这样，对某一虚拟物品而言，其推送给真正需要它的玩家，而不是以往泛泛地推送给所有玩家。而对某一玩家而言，其获得的推送物品信息也正是其在游戏中会需要的物品，而不是以往一大批可能有用、可能没用的虚拟物品。推送后玩家购买的可能性高，游戏盈利性增强。也即本发明的推送方法，推送对象的针对性强，推送信息的准确性较高，推送效果好。

【附图说明】

图1是本发明具体实施方式的虚拟物品的推送方法的流程图；

图2是本发明具体实施方式中的提取的游戏行为数据的内容示意图；

图3是本发明具体实施方式中的分类成3个付费等级时的示意图；

图4是本发明具体实施方式中的聚类的结果示意图；

图5是本发明具体实施方式形成的玩家群体对的结果示意图。

【具体实施方式】

下面结合具体实施方式并对照附图对本发明做进一步详细说明。

本发明的构思是：游戏盈利与否是商业游戏设计者较为关心的一个问题，而玩家是否愿意付费购买游戏中的虚拟物品，则是游戏盈利的关键。在引导玩家购买某一虚拟物品时，虚拟物品的推送方式影响较大。如果推送得“恰到好处”，则购买可能性较大，游戏盈利也较大。而本发明的推送方法，充分考虑玩家在一款游戏内是否购买某一虚拟物品的众多因素，比如玩家自身的经济条件、玩家对于游戏的喜爱程度、虚拟物品对玩家的游戏体验刺激等等。在玩家经济条件允许的前提下，同一类游戏行为的玩家会倾向于购买相同的虚拟物品。因此，本发明将玩家聚类为游戏行为相似、付费等级不同的玩家类别群体对，将高付费等级的玩家的购买的物品提取出来推送给同一游戏行为的低付费等级的玩家，从而提高推送信息的针对性。

如图1所示，为本具体实施方式的虚拟物品的推送方法，包括以下步骤：

1)提取游戏玩家的数据信息，数据信息包括付费数据信息和游戏行为数据信息。

该步骤中，可利用大数据技术，从游戏日志中提取玩家数据信息。游戏日志数据是对游戏中玩家行为的详细记录，通过游戏日志数据，可以准确了解一个玩家在游戏中的付费情况和行为特征。举例来说，游戏日志数据一般包括：

游戏登出记录(logout)：玩家每次登出游戏时记录，包含本次登出时间、玩家当前最终等级、本次在线时间、玩家当前机器硬件配置等信息。

比赛结束记录(game_over)：玩家每次参与一场游戏比赛结束时记录，包含本次比赛的类型和模式、以及比赛分数记录，例如本场比赛的击杀数、死亡数。

充值付费记录(pay)：玩家每次充值付费时记录，包含本次付费时间、付费金额。

货币使用记录(buy)：玩家每次使用货币消费时记录，包含本次消费时间、购买的物品名称、数量、花费的货币类型、数量。

社交记录(social)：玩家添加或解除好友关系，玩家加入公会或社团时记录，包含本次社交行为类型、当前时间等。

上述日志数据一般存储在数据库中。该步骤中，从存储的数据库提取相关信息。例如，游戏服务器一般会将玩家的行为日志信息存入数据库，如MongoDB数据库或MySQL数据库。日志信息存入MongoDB数据库中的，提取时，先从MongoDB数据库中将行为日志信息导入分布式文件存储系统HDFS，最后，利用Hive技术从HDFS中提取玩家的数据特征信息。日志信息存入MySQL数据库中的，提取时，直接从MySQL数据库中提取数据。两种存储以及提取方法都是可用的，各有优劣。其中，MongoDB数据库适合海量数据的处理，但是其数据提取能力不强，需要借助HDFS+Hive提取数据，而MySQL适合小量数据的处理，并且本身具有很好的数据提取能力。在本具体实施方式中，考虑到游戏中玩家日志数据通常比较大，优先考虑MongoDB数据库进行存储，相应通过HDFS+Hive提取数据。

提取的数据信息至少包括付费数据信息和游戏行为数据信息，以供后续付费等级分类以及游戏行为聚类。关于付费数据，R是英文单词Revenue的首字母，一般游戏日志中使用R对某玩家在游戏内付费水平进行描述。关于游戏行为数据，例如可包括玩家的等级信息，技术特征信息，以及活动特征等。本具体实施方式中，提取的游戏行为数据如图2所示。图2中，第二列和第三列分别代表玩家行为特征类型和为表示该行为特征选取的数据指标。需说明的是，选取何种行为特征以及哪些指标依赖于游戏类型，不同的游戏类型可选择不同的行为特征和数据指标去描述。具体游戏，根据具体情况进行选择调整。图2中列出的是一些通用行为特征和数据指标，仅为示例，不构成限制。

2)根据所述付费数据信息将玩家分类为多个不同付费等级的玩家类别。

该步骤中，按照付费额度对玩家进行分类。大R表示高付费玩家，中R表示中付费玩家，小R表示低付费玩家，非R表示未付费玩家。其中大中小R的付费界限需要根据游戏自身情况确定。划分越精细，后续推送越精准，但相应方法的处理量将较大。可根据推送的要求和运算量综合设定划分的等级个数，可定义为G1，G2，…，Gi，…，Gn总计n个付费等级玩家类别，Gi表示玩家的付费类型。本具体实施方式中，如图3所示，为n＝3的情形，此时将玩家分为无付费(非R)，低付费(小R)，高付费(大R)三个付费等级的玩家类别。G1＝0表示无付费玩家，G2＝1表示低付费玩家，G3＝2表示高付费玩家。

3)在各个付费等级玩家类别中，根据各个玩家的游戏行为数据信息，通过聚类方法将各个玩家聚类为不同游戏行为的玩家类别。

对于每一个玩家，前述步骤1)提取了两类特征，分别是付费数据和行为特征数据。步骤2)已分类出玩家的付费等级Gi。该步骤即是对玩家进行聚类。聚类的目的是得到游戏行为相似但付费类型不同的玩家群体。以Gi付费等级为例，聚类后划分为Gi1，Gi2，…，Gij，…，Gim总计m个游戏行为玩家类别。

本具体实施方式中，步骤2)中已将玩家按照付费等级分为无付费玩家、低付费玩家和高付费玩家三类。步骤3)聚类时，对三类玩家分别聚类。聚类后，得到了每种付费类型的玩家类别中对应的各种不同游戏行为的玩家类别。如图4所示，为本具体实施方式中聚类的结果示意图。非R类的游戏玩家聚类划分为行为类别为A0类(例如好战攻击型)的玩家，行为类别为B0类(例如擅于防守型)的玩家，行为类别为C0类(例如倾向修炼型)的玩家。同样地，小R类的游戏玩家聚类划分为A1类、B1类、C1类玩家，大R类的游戏玩家聚类划分为A2类、B2类、C2类玩家。

该步骤中，根据游戏行为数据对各个付费等级中的玩家类别分别聚类时，选择Xmeans聚类方法进行聚类操作。Xmeans聚类方法的特点是会自动寻找最佳聚类中心数，然后将数据聚集成这些类别。因此，Xmeans聚类方法较适合针对目标类别数未知的聚类问题。关于Xmeans聚类方法的具体实现，已有成熟技术，在此不再详细说明。

优选地，将上述游戏行为数据表示成向量，从而便于聚类的算法代码实现。具体地，将玩家行为特征用一个向量来表示，向量中的每一个元素表示一个数据指标，如下所示：P＝(p1,p2,p3,……)，大写字母P表示玩家行为向量，其中的每一个元素表示一个数据指标，例如，p1表示玩家的等级，p2表示玩家在线时间，p3表示登录次数，等等。表示成向量P后，可将向量P带入聚类算法中，从而便于聚类操作的实现。

进一步优选地，在得到向量P之后，对向量P中每一个元素的值经过归一化处理，从而统一各个元素的量纲。归一化的公式如下：xi＝(pi-pi_min)/(pi_max-pi_min)，其中，pi表示归一化处理之前向量中第i个元素的值，xi表示归一化处理之后向量中第i个元素的值，pi_min表示所有玩家的向量在第i个元素上的最小值，pi_max表示所有玩家的向量在第i个元素上的最大值。这样，使用向量X表示归一化之后的玩家行为向量。

聚类后，进入如下步骤4)，在不同付费类型之间，寻找游戏行为相似的玩家类别组成玩家群体对。

4)在多个不同付费等级的不同游戏行为的玩家类别之间，确定出游戏行为相似付费等级不同的玩家类别群体对。

该步骤中，对于低付费类别玩家得到的聚类结果，在高付费类别玩家中寻找与其游戏行为最相似的玩家类别，形成玩家群体对。如图5所示，为形成的玩家群体对的结果示意图。非R类付费等级中的游戏行为类别A0，与小R类中的游戏行为类别A1，大R类中的游戏行为类别A2形成一类游戏行为相似的的玩家群体对。相应地，非R类中的游戏行为类别B0，与小R类中的游戏行为类别B1，大R类中的游戏行为类别B2形成一类游戏行为相似的玩家群体对。非R类中的游戏行为类别C0，与小R类中的游戏行为类别C1，大R类中的游戏行为类别C2形成一类游戏行为相似的的玩家群体对。

确定相似游戏行为的玩家群体对时，优选地，采用“聚类中心相似度”来表示两个类别玩家之间的相似性。先确定各个玩家类别的聚类中心，然后根据聚类中心的相似度确定出哪些玩家类别是相似的。进一步地，根据聚类中心的欧式距离来确定聚类中心的相似度。某个类别的聚类中心，可以理解为这个类别的一个代表玩家，这个类别内其它玩家的行为跟该代表玩家的行为是相似的。具体地，若A0类玩家的聚类中心用XA0表示，A1类玩家的聚类中心用XA1来表示，B1类玩家的聚类中心用XB1来表示，若满足：

E_distance(XA0，XA1)<E_distance(XA0，XB1)

则表示与B1类玩家相比，A1类玩家与A0类玩家的相似度更高。其中E_distance()表示欧式距离计算函数。

对应上述优选地，如使用向量表示游戏行为特征，则确定玩家类别群体对时，步骤41)根据玩家类别中各个玩家的向量计算出平均值向量，将该平均值向量作为聚类中心向量；42)计算各个玩家类别的聚类中心向量之间的欧式距离，根据欧式距离确定出游戏行为相似付费等级不同的玩家类别群体对。聚类中心向量之间的欧式距离越小，所代表的玩家类别之间越相似。具体地，使用一个数值向量表示某一个玩家的行为时，将某个类别内部所有玩家的数值向量的均值向量作为该类别的聚类中心。例如，某个类别内有3名玩家，分别用[1.2,2.2],[0.9,1.9],[0.9,1.9]来表示行为向量，该类别的聚类中心就是[1.0,2.0]。此时，通过向量表征行为，以及均值向量表征聚类中心时，聚类中心不再是一个具体的玩家，而是一个代表向量。此后的欧式距离计算判断相似性，可更加准确。

通过上述4个步骤，已完成了玩家游戏行为的聚类和不同付费类型相似游戏行为的玩家群体的定位，如下即进行道具提取及推荐。

5)在所述步骤4)得到的各个玩家类别群体对中，提取相对高付费等级的玩家类别中各玩家购买的物品种类，将其推送给该群体对中相对低付费等级的玩家类别中的各玩家。

该步骤中，虚拟物品可为游戏中的道具、服装、药物或技能秘籍。提取推送时，以游戏行为类别A0(非R付费等级)，A1(小R付费等级)，A2(大R付费等级)形成的一类游戏行为相似的的玩家群体对为例。如果A0和A1两类玩家有相似的游戏行为，比如，等级、技术水平、游戏深度、社交倾向等都相似，那么它们对同一种道具、技能秘籍感兴趣的可能性更大。由于A1类玩家是低付费玩家，他们可能购买了A0类非付费玩家买不起的道具，而这些道具恰恰是A0类玩家也非常需要的。因此将A1类玩家购买的道具一起推送给A0类玩家，则对A0类玩家而言，推送的虚拟物品较有针对性，推送效果较好。进而也在很大程度上会促进A0类玩家付费购买这些虚拟物品，也提高游戏盈利的可能性。

优选地，提取时，可提取相对高付费等级的玩家类别中各玩家购买的物品中购买的数量最多的一种或者多种物品批量推送。比如高付费玩家购买的物品中，数量最多的是“物品1”，“物品2”，“物品3”，则将这三件物品的信息提取后，推送给与之游戏行为相似的低付费玩家。进一步优选地，批量推送时附加批量购买打折信息一起推送，增加推送后促进购买的可能性。

通过上述5个步骤的设置，本具体实施方式的虚拟物品的推送方法，提供了一种基于聚类的定点推送方法，对游戏行为相似但付费类别不同的玩家进行定点推送，能够将玩家最迫切需求的物品推荐给他，这种方法更加精细、准确，也更有针对性。不再像以往推送虚拟物品时，仅是面向所有玩家进行推送，推送过于简单，针对性也不强，无法起到真正促进购买的效果。

除上述步骤之外，本具体实施方式还提供一种优选的设置，即增加验证环节，包括以下步骤(图1中未示意)：

6)提取推送前后设定时间段内各玩家的付费数据信息变化情形，统计低等级付费玩家转换为高等级付费玩家的数量。

7)判断步骤6)统计的数量是否超过设定阈值，如果是，则重复步骤1)至步骤5)执行下一轮周期的推送；如果否，则停止下一轮周期的推送。

具体地，在推送虚拟物品前后的一段时间内，例如前后一个月，查看虚拟物品推荐前一个月内玩家的付费，以及虚拟物品推荐后一个月内玩家的付费，通过对比这两个数值，判断玩家在各付费类别之间的变化情况。当然设定时间段也可以是其它时间单位，例如以周为单位。在该设定时间段内，统计游戏行为类别A0(非R付费等级)，向A1(小R付费等级)，A2(大R付费等级)方向变化的玩家个数，以及游戏行为类别A1(小R付费等级)向A2(大R付费等级)方向变化的玩家个数，如果这些变化的玩家个数较多(多于设定阈值)，则表示推送后促进购买的效果非常好，玩家付费等级显著提升。下一轮周期推送时，可以重复上述步骤，继续对玩家进行聚类，确定相似类等。如果这些变化的玩家个数较少，则表示推送效果不理想，玩家付费等级无变化。则下一轮周期推送时，暂停推送，节省资源消耗。

上述优选的设置，在定点推送之后考查玩家类别转换情况，对定点推送效果进行评价的设置，使得游戏策划者能够从数值上清晰的认识到当前的推送方法起到了怎样的付费拉动作用，从而更好地指导下一轮推送周期的推送过程。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下做出若干替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (10)

1.一种游戏中虚拟物品的推送方法，其特征在于：包括以下步骤，1)提取游戏玩家的数据信息，所述数据信息包括付费数据信息和游戏行为数据信息；2)根据所述付费数据信息将玩家分类为多个不同付费等级的玩家类别；3)在各个付费等级玩家类别中，根据各个玩家的游戏行为数据信息，通过聚类方法将各个玩家聚类为不同游戏行为的玩家类别；4)在多个不同付费等级的不同游戏行为的玩家类别之间，确定出游戏行为相似付费等级不同的玩家类别群体对；5)在所述步骤4)得到的各个玩家类别群体对中，提取相对高付费等级的玩家类别中各玩家购买的物品种类，将其推送给该群体对中相对低付费等级的玩家类别中的各玩家。

2.根据权利要求1所述的游戏中虚拟物品的推送方法，其特征在于：还包括验证步骤：6)提取推送前后设定时间段内各玩家的付费数据信息变化情形，统计低等级付费玩家转换为高等级付费玩家的数量；7)判断步骤6)统计的数量是否超过设定阈值，如果是，则重复步骤1)至步骤5)执行下一轮周期的推送；如果否，则下一轮周期时，暂停推送。

3.根据权利要求1所述的游戏中虚拟物品的推送方法，其特征在于：所述步骤3)中通过Xmeans聚类方法进行聚类操作。

4.根据权利要求1所述的游戏中虚拟物品的推送方法，其特征在于：所述步骤4)中，确定玩家类别群体对时，先确定各个玩家类别的聚类中心，然后根据聚类中心的相似度确定出游戏行为相似付费等级不同的玩家类别群体对。

5.根据权利要求4所述的游戏中虚拟物品的推送方法，其特征在于：所述聚类中心的相似度根据聚类中心之间的欧式距离计算得到。

6.根据权利要求1所述的游戏中虚拟物品的推送方法，其特征在于：所述步骤3)中，将各个玩家的游戏行为数据信息表示成向量，向量中每一个元素表示一种行为特征。

7.根据权利要求6所述的游戏中虚拟物品的推送方法，其特征在于：向量中每一个元素的值经过归一化处理，归一化处理的公式为xi＝(pi-pi_min)/(pi_max-pi_min)，其中，pi表示归一化处理之前向量中第i个元素的值，xi表示归一化处理之后向量中第i个元素的值，pi_min表示所有玩家的向量在第i个元素上的最小值，pi_max表示所有玩家的向量在第i个元素上的最大值。

8.根据权利要求6所述的游戏中虚拟物品的推送方法，其特征在于：所述步骤4)中，确定玩家类别群体对时，41)根据玩家类别中各个玩家的向量计算出平均值向量，将该平均值向量作为聚类中心向量；42)计算各个玩家类别的聚类中心向量之间的欧式距离，根据欧式距离确定出游戏行为相似付费等级不同的玩家类别群体对。

9.根据权利要求1所述的游戏中虚拟物品的推送方法，其特征在于：所述步骤5)中，提取相对高付费等级的玩家类别中各玩家购买的物品中购买的数量最多的一种或者多种物品批量推送。

10.根据权利要求1～9任一项所述的游戏中虚拟物品的推送方法，其特征在于：所述虚拟物品为游戏中的道具、服装、药物或技能秘籍。