CN107944915A - 一种游戏用户行为分析方法及计算机可读存储介质 - Google Patents
一种游戏用户行为分析方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN107944915A CN107944915A CN201711167064.0A CN201711167064A CN107944915A CN 107944915 A CN107944915 A CN 107944915A CN 201711167064 A CN201711167064 A CN 201711167064A CN 107944915 A CN107944915 A CN 107944915A
- Authority
- CN
- China
- Prior art keywords
- action
- user
- layer
- users
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种用户行为分析方法及计算机可读存储介质，所述方法包括以下步骤：利用用户行为数据样本训练包含循环神经网络模型和注意力模型的神经网络模型，获得不同行为类型的用户的各个动作对应的权重值，其中，所述用户行为数据样本包括不同行为类型的用户的动作序列。本发明实施例通过获取游戏中的用户动作序列与用户流失、用户付费等的权重关系，能在短时间内，分析出游戏导致用户流失或不付费等行为的客观原因，通过分析得出的结果，可以有针对性地改进游戏内容，从而减少用户的流失甚至吸引用户回流。
Description
技术领域
本发明涉及游戏数据分析技术领域，特别涉及一种游戏用户行为分析方法及计算机可读存储介质。
背景技术
一般来说，网络游戏往往存在部分玩家因为种种原因流失掉的现象，即用户不再玩本款游戏。如果玩家大量流失，会严重影响游戏公司的收入，因此，如何减少甚至尽量避免玩家流失是困扰游戏公司的一个重要问题。同时，有些游戏会设有付费项目，如何改进付费项目、如何吸引玩家为付费项目买单、如何让付费用户加深付费是各游戏公司非常感兴趣的问题。现在大部分的游戏公司都是通过运营和策划人工来分析玩家流失状态和玩家付费行为。通常，运营和策划主要是根据玩家流失量指标，玩家付费等级，游戏日当天做的活动等一系列的客观因素来分析玩家流失状态和玩家付费行为，通过分析这些客观因素只能得到客观影响玩家流失和玩家付费的原因。通过这些方式找出来的原因，并没有针对游戏本身的改进点，不会提高游戏本身的质量，也没有找到影响玩家流失状态和玩家付费行为的根本原因。并且，通过人工来分析玩家行为的工作量非常大，会产生很高的人力资本，效率也非常低下。
因此，需要一种能有效地发现游戏中影响玩家流失和付费行为的因素的技术方案，以便有针对性地对游戏进行改进。
发明内容
本发明的目的在于提供一种能有效地发现游戏中影响玩家流失和付费等行为的因素的游戏用户行为分析方法。
一方面，本发明实施例提供一种游戏用户行为分析方法，该方法包括以下步骤：
利用用户行为数据样本训练包含循环神经网络模型层和注意力模型层的深度学习模型，获得不同行为类型的用户的各个动作对应的权重值，其中，所述用户行为数据样本包括不同行为类型的用户的动作序列。
优选地，所述方法还包括：利用训练的深度学习模型，对采集的用户动作序列中的动作进行权重值计算，基于计算的权重值进行用户行为分类，从而预测用户行为。
优选地，所述利用用户行为数据样本训练包含循环神经网络模型层和注意力模型层的深度学习模型，获得不同行为类型的用户的各个动作对应的权重值的步骤包括：将用户数据行为样本中每个用户的动作序列分割为具有预定序列长度的子序列；将子序列中的每个动作进行one-hot编码，并利用嵌入矩阵进行嵌入操作得到m维向量的动作编码；将每个子序列的各动作编码输入至包含第一循环神经网络模型层和第一注意力模型层的第一深度学习模型，获得子序列中各个动作对应的权重值，并基于各动作对应的隐状态向量和权重值得到子序列的特征向量；将各个子序列的特征向量输入至包含第二循环神经网络模型层和第二注意力模型层的第二深度学习模型，得到当前用户整个动作序列的特征向量；基于用户整个动作序列的特征向量利用分类函数进行分类；以及基于分类结果反向调节所述第一循环神经网络模型、所述注意力模型和所述第二循环神经网络模型的参数。
优选地，所述将每个子序列的各动作编码输入至包含第一循环神经网络模型层和第一注意力模型层的第一深度学习模型，获得子序列中各个动作对应的权重值，并基于各动作对应的隐状态向量和权重值得到子序列的特征向量的步骤包括：将每个子序列的各动作编码输入至第一循环神经网络模型层，将前后动作相关联，输出各动作对应的隐状态向量；以及将子序列中各动作对应的隐状态向量输入到第一注意力模型层，获得子序列中各个动作对应的权重值，并基于各动作对应的隐状态向量和权重值得到子序列的特征向量。
优选地，所述第一循环神经网络模型层为双向门控循环单元GRU模型层，所述第二循环神经网络模型层为双向GRU模型层。
优选地，所述嵌入矩阵表示为：
其中，n为动作总数，m为动作向量维度，i为子序列编号，j为动作下标。
优选地，所述注意力模型采用如下公式：
uit＝tanh(Wwhit+bw)
si＝∑tαithit
其中，hit为GRU模型层的输出，uit为hit的隐藏层表示，αit是归一化的重要性权值，Ww、bw分别表示权重和偏置值；si是子序列向量的表示，uw为表示上下文关系的向量。
优选地，所述分类器为softmax分类器，其基于如下公式得到用户行为类型分类的归一化概率：p＝softmax(Wvv+bc)；
其中，Wv为线性分类器的权重矩阵，bc为正则化偏置。
所述基于分类结果反向调节所述第一层深度学习模型和所述第二层深度学习模型的参数的步骤包括：使用负对数似然函数作为损失函数，并利用的得到的损失值反向传播来调节所述第一层深度学习模型和所述第二层深度学习模型中的参数，其中，所述损失函数为：L＝∑dlogpdj；其中，j是玩家d的标签。
优选地，所述方法还包括：提取不同行为类型的用户的各个动作对应的权重值；以及以提取的权重值为横坐标，权重值对应的不同行为类型的用户数为纵坐标绘制权重分布图。
优选地，所述方法还包括：基于所述权重分布图中不同行为类型的用户的动作的权重重叠程度来确定动作对用户行为的影响。
优选地，所述不同行为类型的用户包括：流失用户和非流失用户；或者付费用户和非付费用户；或者高等级用户和低等级用户。
另一方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，该计算机程序被处理器执行时实现如上所述方法的步骤。
本发明实施例通过获取游戏中的用户动作序列与用户流失、用户付费等的权重关系，能在短时间内，分析出游戏导致用户流失或不付费等行为的客观原因，通过分析得出的结果，可以有针对性地改进游戏内容，从而减少用户的流失甚至吸引用户回流。
本领域技术人员应当理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当用作对本发明所要求保护内容的限制。
附图说明
参考随附的附图，本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明，其中：
图1为本发明实施例中游戏用户行为分析方法的示意图；
图2为本发明实施例中数据预处理步骤的流程示意图；
图3为本发明实施例中多层次整体处理模型的示意图；
图4为本发明实施例中attention模型中第一层的双向GRU模型；
图5为本发明实施例中attention模型中单个方向的GRU单元结构示意图；
图6为本发明实施例中某个动作的流失用户与非流失用户的权重分布图。
具体实施方式
通过参考示范性实施例，本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本发明并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。
在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
本发明是将深度学习中的注意力模型(attention)模型和循环神经网络模型(RNN)对用户(或称玩家)游戏中的动作和行为数据(用户埋点数据)进行深度挖掘，分析出游戏中的动作序列与用户流失的权重关系，和游戏中的动作序列与用户付费的权重关系，从而在一定程度上发现玩家流失的原因。
GRU(Gated Recurrent Unit，门控循环单元)模型是RNN(循环神经网络)模型中的一种，适合于处理和预测时间序列中间隔和延迟非常长的重要事件。GRU可以获得序列中的变化特征，使数据的前后关系也可以加入到神经网络中，是目前用于序列分析的较为成功的神经网络结构。
注意力(attention)模型是一种广泛应用于序列数据分类和序列到序列转换，如自动翻译、文本情感分类、语音识别等的深度学习模型。attention模型最初应用于图像识别，模仿人看图像时，目光的焦点在不同的物体上移动。当神经网络对图像或语言进行识别时，每次集中于部分特征上，识别更加准确。衡量特征的重要性的最直观的方法是权重，attention模型就是在每次识别时，首先计算每个特征的权值，然后对特征进行加权求和，权值越大，该特征对当前识别的贡献就大。
在本发明实施例中，利用用户行为数据样本来训练包含RNN模型(如GRU模型)和attention模型的深度学习模型，从而获得不同行为类型的用户的各个动作对应的权重值，其中，用户行为数据样本包括不同行为类型的用户的动作序列。通过用户动作序列中的每一个动作在预测玩家行为(如流失、付费)时的权重大小，分析每一个动作对于玩家的影响。本发明提出的模型核心就是通过RNN(如GRU)和attention模型结合，通过多层次的动态结构，训练模型可以通过玩家在游戏中的操作来预测玩家的行为，之后提取出动作特征，通过分析动作特征，找出哪些操作对玩家未来行为的影响最大。
如图1为本发明实施例中游戏用户行为分析方法的流程示意图，如图1所示，该方法包括步骤S100至步骤S140。下面将对这些步骤进行详细描述。
在步骤S100，进行用户游戏数据预处理，得到用户行为数据样本。其中，用户行为数据样本可包括不同行为类型的用户的动作序列。
此处，不同行为类型例如指的是用户流失、用户付费、用户活跃程度等行为类型，或者不同用户行为导致的用户级别。相应地，不同行为类型的用户例如包括：流失用户和非流失用户；或者付费用户和非付费用户；或者高等级用户和低等级用户等。下面将针对流失用户和非流失用户为例对本发明进行说明。动作序列可以是用户在玩游戏的过程中鼠标点击按钮的序列，例如打击、移动等一些鼠标点击操作，动作序列长度是指用户一系列动作的个数。动作序列例如还可以包括操作键盘的动作的序列。
如图2所示，动作序列的预处理过程如下：
步骤S1001，生成用户数据行为样本。
不同用户的动作序列长度一般不相同，本发明中可选取某一序列长度，例如选取序列长度100。在此，序列长度100仅为示例，还可以选取其它合理数值。
在一实施例中，选取动作序列长度(例如序列长度为100)相同的用户，其中流失用户数和非流失用户数相等，各为100。在另一实施例中，可选取动作序列长度相同的流失用户的数量大于非流失用户的数量，如选取动作序列长度为100的流失用户100个，非流失用户50个，在这种情况下，为了均衡样本(即为了让动作序列长度相同的流失用户和非流失用户占比相同)，可对非流失用户进行有放回的采样(即从非流失用户中进行随机抽取，抽取之后将这次抽取到的用户放回，像这样随机抽取100次，得到100个非流失用户，即流失用户的数量和非流失用户的数量相同。在另一实施方式中，如果选取的动作序列长度相同的流失用户的数量小于非流失用户的数量，则可对流失用户进行有放回的采样，直至流失用户的数量和非流失用户的数量相同。
进一步地，依次对动作序列长度以起始长度为100，间隔为5，终止长度为200的用户进行如上述步骤S1001的采样。例如对动作序列长度为100，105，110，...，200的用户分别进行如上述步骤S1001的采样。在此，各动作序列长度100，105，110，...，200和间隔5仅为示例，可以根据需要选取其它合理数值。
通过如上步骤，本发明得到了均衡的流失用户与非流失用户的数据样本，每个数据样本是某个用户的动作序列。统计所有的数据样本，可以得到动作序列字典(不含重复动作的动作序列列表)。
步骤S1002，将用户动作序列向量化。
本发明优选实施方式中，可以将动作序列字典例如[前进，后退，攻击，隐藏…]中前进对应下标1，后退对应下标2…，则用户的动作序列行为可以用字典的下标向量化表示。例如，某个用户的动作序列为[攻击，前进，隐藏，后退]，那么它的向量表示为[3，1，4，2]，通过这种方式将用户的动作序列向量化。
步骤S1003，对于每个用户的动作序列，根据设定的最大动作序列长度，将其分割为若干个子序列。
假如玩家的动作序列是[3，1，4，2]，设定最大动作序列长度为2，则分割后的动作序列为[[3，1]，[4，2]]，在此，最大动作序列长度的数值2仅为示例，也可以是更大的自然数。
另选地，基于用户的动作序列长度，本发明也可以不对用户的动作序列进行分割。
步骤S1004，对用户动作序列进行嵌入操作。
在用户动作输入到神经网络模型之前，需要对每一个动作进行编码。
如果用数字作为编码，那么会使动作之间的欧式距离会不同，这样会引入不必要的信息，并不能准确表达出动作的意义。如果用one-hot编码，那么每一个维度只代表一个动作，动作编码之间无法表达相互的关系，并且会使输入维度过大。在本发明实施例中，在将数据输入到神经网络模型之前，对其进行嵌入操作，即在每一动作在训练前，随机赋予一个符合独立高斯分布的n维编码，这样编码之间并没有相互关系，而随着训练，该嵌入层中的编码也会被反向传播更新数值，从而可以表达出在固定领域内，不同动作之间的相互关系。
或者说，在本发明实施例中，将每一个动作编码成one-hot变量，然后通过和嵌入矩阵相乘就能得到嵌入操作后的编码。嵌入矩阵是通过神经网络训练得到的。
嵌入操作的公式表达如下：
其中，n为动作总数，m为动作向量维度，i为子序列编号，j为动作下标。
在嵌入操作完成之后，每个动作被表示成了m维的向量(不同的游戏动作被表示成的维度不同)。在本发明一实施例中，m取值为100，但本发明并不限于此。
可以看出，最终在经过了数据预处理之后，用户动作子序列里面的每一个动作被表示成了100维向量。这样就得到了后续神经网络模型的输入。
图3所示为本发明实施例中多层次的整体处理模型的示意图。如图3所示，整个深度学习模型从下至上分为三层，第一层为第一深度学习模型层，负责提取低层次特征，也就是动作序列中的动作特征，而第二层为第二深度学习模型层，负责提取高层次特征，更加抽象，这是为了得到更好的分类效果，第三层可以通过softmax层来分类，即通过动作序列来预测这个玩家是流失/非流失，付费/非付费。模型当中第一层的底层包括循环神经网络层，循环神经网络层优选由多个双向GRU表示。当动作子序列被编码后，每个子序列被输入到相同权重参数与长度的循环神经网络中，每一个循环神经网络的单元为双向GRU。
再参照图1，在步骤S110，将每个子序列的各动作编码输入至包含第一循环神经网络模型层和第一注意力模型层的第一层深度学习模型，获得子序列中各个动作对应的权重值，并基于各动作对应的隐状态向量和权重值得到子序列的特征向量。
具体地，本步骤可包括以下步骤：
(1)将每个子序列的各动作编码输入至第一循环神经网络模型，将前后动作相关联，输出各动作对应的隐状态向量。
(2)将子序列中各动作对应的隐状态向量输入到第一attention模型层，获得子序列中各个动作对应的权重值，并基于各动作对应的隐状态向量和权重值得到子序列的特征向量。
在本实施例中，第一循环神经网络模型优选为双向GRU模型。但本发明并不限于此，第一循环神经网络模型还可以是LSTM(长短期记忆)模型或其他RNN模型，其同样将前后动作相关联，输出各动作对应的隐状态向量。
一个双向GRU模型的处理过程如图4所示，wij为模型的输入，表示第i个子序列的第j个动作所表示的m维编码，图3和图4的中w21和w22分别表示第2个子序列的第1个动作和第2个子序列的第2个动作。第一层的GRU模型中的GRU单元结构如图5所示，计算过程如下：
zt＝σ(Wz·[ht-1,xt]) (2)
rt＝σ(Wr·[ht-1,xt]) (3)
其中，xt为输入的动作编码，即上述的wij；ht为输出的隐状态，ht-1为前一单元输出的隐状态；Wz和Wr分别表示输入到更新门z的连接矩阵和输入到重置门r的连接矩阵，W表示输入到待选状态的连接矩阵；
每个动作经GRU单元后输出的隐状态h作为第一层attention模型(或称第一attention模型层)的输入。该隐状态经过GRU的编码，已经将前后动作的影响因素加入到隐状态向量中。attention模型中对权重的计算过程如下：
uit＝tanh(Wwhit+bw) (6)
si＝∑tαithit (8)
其中，hit为GRU模型层的输出，uit为hit的隐藏层表示，通过将动作的hit放入一个一层的神经网络得到uit，αit是归一化的重要性权值，Ww、bw分别表示权重和偏置值,uw为表示上下文关系的向量；si是子序列向量的表示。
对于Attention模型的参数选取，本发明一实施例中用枚举法选定超参数，然后选择测试集与训练集综合误差最小的参数作为模型参数。
Attention模型层(权重层)用于表达出某个动作在预测一个玩家未来行为时的重要性，attention权值越高，那么说明在预测时，这个动作越重要，从而可以推断出，哪些动作是分化玩家的重要动作，而哪些动作对玩家未来的行为并没有很大的影响。通过公式(7)就可以求出该动作的权重大小，然后根据权重大小求和(公式(8))，得到一个子序列的特征向量si。
在步骤S120，将各个子序列的特征向量输入至第二层深度学习模型，得到当前用户整个动作序列的特征向量。
如图3所示，第二层和第一层的结构和计算方式基本相同，第二层的底层优选可以是双向GRU，它的输入是经过第一层的训练后，得到的每一个子序列的特征向量即si，经过与第一层相同的计算过程，就可以得到玩家一系列动作的整体的特征向量即总体模型中的v。
在步骤S130，基于用户整个动作序列的特征向量利用分类器对用户类型进行分类。
整个模型的第三层为softmax层，用户的动作序列经过前两层的计算后，可得出一系列动作的整体高级特征向量v，特征向量v作为softmax层的输入，最后经计算可以对用户的类型(流失or非流失，付费or非付费)进行预测。具体地计算过程如下：
通过softmax分类器计算用户类型分类的归一化概率p：
p＝softmax(Wvv+bc) (9)
其中，Wv为线性分类器的权重矩阵，bc为正则化偏置。
步骤S140，基于分类结果反向调节第一深度学习模型、第二深度学习模型中的参数。
在训练过程中，可使用负对数似然函数作为损失函数，利用的得到的损失值反向传播来调节第一层深度学习模型和第二层深度学习模型中的参数。负对数似然函数可以表示为：
L＝∑dlogpdj (10)
其中j是玩家d的标签。
通过上述步骤，可以得出用户一系列动作的整体的特征向量，最后经softmax层对用户行为进行预测。
在本发明的如上实施例中，整个训练模型是通过两层深度学习模型(每层均包括GRU模型和attention模型)加上softmax层来实现，但本发明并不限于此。另选地，本发明的整个训练模型还可以通过一层深度学习模型(包括GRU模型和attention模型)加上softmax层来实现，也可以通过多层(>＝2)深度学习模型(每层均包括GRU模型和attention模型)加上softmax层来实现。也即，本发明可以采用一层attention模型、两层attention模型或更多层attention模型来分析游戏玩家动作的权重。
基于本发明的上述方法，可以分析某一动作对玩家行为的影响。本发明的核心思想在于，通过提取第一层结构中，动作的权值α大小，从而找出哪些动作对于玩家未来的行为比较重要。
本发明的深度学习模型通过上述流程的训练，可得到一个较高预测准确度模型。在模型达到稳定之后，每训练一次就记录动作的权重值α，例如模型中的αij就代表了某个用户第i个子序列的第j个动作的权重，假设wij是“打击”这个动作的m维表示，那么αij就是“打击”这个动作的权重。
为了分析动作对玩家行为的影响，本发明的游戏用户行为分析方法还包括：提取不同行为类型的用户的各个动作对应的权重值；以提取的权重值为横坐标，权重值对应的不同行为类型的用户数为纵坐标绘制权重分布图。基于权重分布图中不同行为类型的用户的动作的权重重叠程度来确定动作对用户行为的影响。
例如，将训练样本带入模型训练之后会得到流失用户和非流失用户每个动作的权重分布。例如“打击”的权重分布，横坐标是“打击”的权重值a，纵坐标是取这个权重值a的用户数。如果所有玩家一共有30种动作，那么就会得到30张权重分布图。在此，数值30仅为示例，可以为其它有意义的整数。
如图6是某个动作的流失用户与非流失用户的权重分布图，横坐标代表相对权重的大小，而纵向坐标代表用户数，流失用户的该动作权重分布与非流失用户的该动作权重分布重叠程度越低，就表示该动作对用户行为影响越大。由此可以判断出哪些动作对用户的流失/非流失状态、付费/非付费行为影响程度较大。通过分析得出的结果，可以有针对性地改进游戏内容，从而减少玩家的流失甚至吸引玩家回流；通过分析玩家行为数据，可以发现玩家的兴趣点，从玩家兴趣点出发，可以改进游戏的付费项目。通过这些方案，可以达到提高玩家游戏粘着性、增加游戏运营商收入的目的。
本发明可以通过提取出模型在预测玩家流失与否时权重差异最大的多个动作(动作个数可由软件用户通过参数定义)，可将动作的权重分布，按流失用户和非流失用户权重平均值差值的绝对值大小排列，并输出每个操作的权重分布图。并且，本发明可以跟踪玩家具体动作，从而可以方便策划人员分析具体动作使玩家流失的成因，帮助客户改进游戏。本发明还可以将用户根据是否付费，付费多少分类，输出每一类用户的每一个操作的权重分布，看哪一些动作导致用户不同的付费水平，从而可以方便策划人员分析具体动作使用户付费，帮助客户改进游戏。
本发明通过将attention模型和GRU模型结合在一起，可以有针对性地分析处理并预测游戏中玩家的行为序列，并可以得出非常理想的预测效果。通过预测玩家行为(倾向于流失还是非流失)，可提前采取有效的预防应对措施。
本发明通过分析玩家流失的原因，可以有针对性地改进游戏内容，从而减少玩家的流失甚至吸引玩家回流；通过分析玩家行为数据，可以发现玩家的兴趣点，从玩家兴趣点出发，可以改进游戏的付费项目。通过这些方案，可以达到提高玩家游戏粘着性、增加游戏运营商收入的目的。
本发明的各部分可以用硬件、软件、固件或者它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可以用本领域共知的下列技术中的任一项或者他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在流程图中表示或者在此以其它方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。
如上针对一个实施例描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施例中使用，和/或与其它实施例中的特征相结合或替代其它实施例中的特征使用。
结合这里披露的本发明的说明和实践，本发明的其他实施例对于本领域技术人员都是易于想到和理解的。说明和实施例仅被认为是示例性的，本发明的真正范围和主旨均由权利要求所限定。
Claims (12)
1.一种游戏用户行为分析方法，其特征在于，所述方法包括以下步骤：
利用用户行为数据样本训练包含循环神经网络模型层和注意力模型层的深度学习模型，获得不同行为类型的用户的各个动作对应的权重值，其中，所述用户行为数据样本包括不同行为类型的用户的动作序列。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
利用训练的深度学习模型，对采集的用户动作序列中的动作进行权重值计算，基于计算的权重值进行用户行为分类，从而预测用户行为。
3.根据权利要求1所述的方法，其特征在于，所述利用用户行为数据样本训练包含循环神经网络模型层和注意力模型层的深度学习模型，获得不同行为类型的用户的各个动作对应的权重值的步骤包括：
将用户数据行为样本中每个用户的动作序列分割为具有预定序列长度的子序列；
将子序列中的每个动作进行one-hot编码，并利用嵌入矩阵进行嵌入操作得到m维向量的动作编码；
将每个子序列的各动作编码输入至包含第一循环神经网络模型层和第一注意力模型层的第一层深度学习模型，获得子序列中各个动作对应的权重值，并基于各动作对应的隐状态向量和权重值得到子序列的特征向量；
将各个子序列的特征向量输入至包含第二循环神经网络模型层和第二注意力模型层的第二层深度学习模型，得到当前用户整个动作序列的特征向量；
基于用户整个动作序列的特征向量利用分类器对用户的行为类型进行分类；
基于分类结果反向调节所述第一层深度学习模型和所述第二层深度学习模型中的参数。
4.根据权利要求3所述的方法，其特征在于，所述将每个子序列的各动作编码输入至包含第一循环神经网络模型层和第一注意力模型层的第一层深度学习模型，获得子序列中各个动作对应的权重值，并基于各动作对应的隐状态向量和权重值得到子序列的特征向量的步骤包括：
将每个子序列的各动作编码输入至第一循环神经网络模型层，将前后动作相关联，输出各动作对应的隐状态向量；
将子序列中各动作对应的隐状态向量输入到第一注意力模型层，获得子序列中各个动作对应的权重值，并基于各动作对应的隐状态向量和权重值得到子序列的特征向量。
5.根据权利要求3所述的方法，其特征在于：
所述第一循环神经网络模型层为双向门控循环单元GRU模型层或长短期记忆LSTM模型层，所述第二循环神经网络模型层为双向GRU模型层或LSTM模型层。
6.根据权利要求3所述的方法，其特征在于，所述嵌入矩阵表示为：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mi>j</mi>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mi>n</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>&times;</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>k</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>k</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mo>&lsqb;</mo>
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，n为动作总数，m为动作向量维度，i为子序列编号，j为动作下标。
7.根据权利要求3所述的方法，其特征在于，所述注意力模型采用如下公式：
uit＝tanh(Wwhit+bw)
si＝∑tαithit
其中，hit为GRU模型层的输出，uit为hit的隐藏层表示，αit是归一化的重要性权值，Ww、bw分别表示权重和偏置值；si是子序列向量的表示,uw为表示上下文关系的向量。
8.根据权利要求3所述的方法，其特征在于：
所述分类器为softmax分类器，其基于如下公式得到用户行为类型分类的归一化概率：
p＝softmax(Wvv+bc)
其中，Wv为线性分类器的权重矩阵，bc为正则化偏置；
所述基于分类结果反向调节所述第一层深度学习模型和所述第二层深度学习模型的参数的步骤包括：
使用负对数似然函数作为损失函数，利用的得到的损失值反向传播来调节所述第一层深度学习模型和所述第二层深度学习模型中的参数，其中，所述损失函数为：L＝∑dlogpdj；
其中，j是玩家d的标签。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
提取不同行为类型的用户的各个动作对应的权重值；
以提取的权重值为横坐标，权重值对应的不同行为类型的用户数为纵坐标绘制权重分布图。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
基于所述权重分布图中不同行为类型的用户的动作的权重重叠程度来确定动作对用户行为的影响。
11.根据权利要求1所述的方法，其特征在于，所述不同行为类型的用户包括：
流失用户和非流失用户；或者
付费用户和非付费用户；或者
高等级用户和低等级用户。
12.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-11中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711167064.0A CN107944915B (zh) | 2017-11-21 | 2017-11-21 | 一种游戏用户行为分析方法及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711167064.0A CN107944915B (zh) | 2017-11-21 | 2017-11-21 | 一种游戏用户行为分析方法及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107944915A true CN107944915A (zh) | 2018-04-20 |
| CN107944915B CN107944915B (zh) | 2022-01-18 |
Family
ID=61930474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711167064.0A Active CN107944915B (zh) | 2017-11-21 | 2017-11-21 | 一种游戏用户行为分析方法及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107944915B (zh) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108648020A (zh) * | 2018-05-15 | 2018-10-12 | 携程旅游信息技术（上海）有限公司 | 用户行为量化方法、系统、设备及存储介质 |
| CN108900446A (zh) * | 2018-05-28 | 2018-11-27 | 南京信息工程大学 | 基于门控循环单元神经网络的坐标变换常模盲均衡方法 |
| CN108905209A (zh) * | 2018-06-11 | 2018-11-30 | 网易（杭州）网络有限公司 | 游戏中的外挂检测方法及系统、电子设备和存储介质 |
| CN109034861A (zh) * | 2018-06-04 | 2018-12-18 | 挖财网络技术有限公司 | 基于移动端日志行为数据的用户流失预测方法及装置 |
| CN109091868A (zh) * | 2018-08-14 | 2018-12-28 | 腾讯科技（深圳）有限公司 | 对战行为确定的方法、装置、计算机设备及存储介质 |
| CN109325110A (zh) * | 2018-08-24 | 2019-02-12 | 广东外语外贸大学 | 印尼语文档摘要生成方法、装置、存储介质及终端设备 |
| CN109464808A (zh) * | 2018-11-06 | 2019-03-15 | 网易（杭州）网络有限公司 | 检测游戏外挂的方法、装置和终端 |
| CN109818839A (zh) * | 2019-02-03 | 2019-05-28 | 三星电子（中国）研发中心 | 应用于智能家居的个性化行为预测方法、装置和系统 |
| CN109947029A (zh) * | 2019-04-10 | 2019-06-28 | 广东工业大学 | 智能家居设备的控制方法、装置及设备 |
| CN110557447A (zh) * | 2019-08-26 | 2019-12-10 | 腾讯科技（武汉）有限公司 | 一种用户行为识别方法、装置及存储介质和服务器 |
| CN110659412A (zh) * | 2019-08-30 | 2020-01-07 | 三星电子（中国）研发中心 | 用于在电子设备中提供个性化服务的方法和设备 |
| CN111210279A (zh) * | 2020-01-09 | 2020-05-29 | 支付宝(杭州)信息技术有限公司 | 一种目标用户预测方法、装置和电子设备 |
| CN111553754A (zh) * | 2020-07-10 | 2020-08-18 | 支付宝(杭州)信息技术有限公司 | 行为预测系统的更新方法及装置 |
| CN111821694A (zh) * | 2020-07-24 | 2020-10-27 | 北京达佳互联信息技术有限公司 | 游戏新用户的防流失方法及装置、电子设备及存储介质 |
| CN112017742A (zh) * | 2020-09-08 | 2020-12-01 | 平安科技（深圳）有限公司 | 分诊数据处理方法、装置、计算机设备及存储介质 |
| CN112559099A (zh) * | 2020-12-04 | 2021-03-26 | 北京新能源汽车技术创新中心有限公司 | 基于用户行为的远程图像显示方法、装置、系统及存储介质 |
| CN112600618A (zh) * | 2020-12-07 | 2021-04-02 | 重庆邮电大学 | 一种基于注意力机制的可见光信号均衡系统及方法 |
| CN112801706A (zh) * | 2021-02-04 | 2021-05-14 | 北京云上曲率科技有限公司 | 一种游戏用户行为数据挖掘方法及系统 |
| CN112836123A (zh) * | 2021-02-03 | 2021-05-25 | 电子科技大学 | 一种基于知识图谱的可解释推荐系统 |
| CN113318448A (zh) * | 2021-06-11 | 2021-08-31 | 北京完美赤金科技有限公司 | 游戏资源展示方法及装置、设备、模型训练方法 |
| CN113648659A (zh) * | 2021-08-20 | 2021-11-16 | 腾讯科技（深圳）有限公司 | 一种确定用户活跃度的方法和相关装置 |
| CN114417817A (zh) * | 2021-12-30 | 2022-04-29 | 中国电信股份有限公司 | 一种会话信息切割方法和装置 |
| CN114742569A (zh) * | 2021-01-08 | 2022-07-12 | 广州视源电子科技股份有限公司 | 用户生命阶段预测方法、装置、计算机设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106383815A (zh) * | 2016-09-20 | 2017-02-08 | 清华大学 | 结合用户和产品信息的神经网络情感分析方法 |
| CN106611169A (zh) * | 2016-12-31 | 2017-05-03 | 中国科学技术大学 | 一种基于深度学习的危险驾驶行为实时检测方法 |
| US20170200125A1 (en) * | 2014-09-25 | 2017-07-13 | Institute Of Software, Chinese Academy Of Sciences | Information visualization method and intelligent visual analysis system based on text curriculum vitae information |
| CN107229943A (zh) * | 2017-04-26 | 2017-10-03 | 厦门吉比特网络技术股份有限公司 | 一种网络游戏玩家流失的预测方法 |
| CN107239446A (zh) * | 2017-05-27 | 2017-10-10 | 中国矿业大学 | 一种基于神经网络与注意力机制的情报关系提取方法 |
| CN107330362A (zh) * | 2017-05-25 | 2017-11-07 | 北京大学 | 一种基于时空注意力的视频分类方法 |
-
2017
- 2017-11-21 CN CN201711167064.0A patent/CN107944915B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170200125A1 (en) * | 2014-09-25 | 2017-07-13 | Institute Of Software, Chinese Academy Of Sciences | Information visualization method and intelligent visual analysis system based on text curriculum vitae information |
| CN106383815A (zh) * | 2016-09-20 | 2017-02-08 | 清华大学 | 结合用户和产品信息的神经网络情感分析方法 |
| CN106611169A (zh) * | 2016-12-31 | 2017-05-03 | 中国科学技术大学 | 一种基于深度学习的危险驾驶行为实时检测方法 |
| CN107229943A (zh) * | 2017-04-26 | 2017-10-03 | 厦门吉比特网络技术股份有限公司 | 一种网络游戏玩家流失的预测方法 |
| CN107330362A (zh) * | 2017-05-25 | 2017-11-07 | 北京大学 | 一种基于时空注意力的视频分类方法 |
| CN107239446A (zh) * | 2017-05-27 | 2017-10-10 | 中国矿业大学 | 一种基于神经网络与注意力机制的情报关系提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| ZICHAO YANG等: "Hierarchical Attention Networks for Document Classification", 《HTTPS://WWW.ACLWEB.ORG/ANTHOLOGY/N16-1174/》 * |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108648020A (zh) * | 2018-05-15 | 2018-10-12 | 携程旅游信息技术（上海）有限公司 | 用户行为量化方法、系统、设备及存储介质 |
| CN108900446A (zh) * | 2018-05-28 | 2018-11-27 | 南京信息工程大学 | 基于门控循环单元神经网络的坐标变换常模盲均衡方法 |
| CN109034861B (zh) * | 2018-06-04 | 2022-06-07 | 挖财网络技术有限公司 | 基于移动端日志行为数据的用户流失预测方法及装置 |
| CN109034861A (zh) * | 2018-06-04 | 2018-12-18 | 挖财网络技术有限公司 | 基于移动端日志行为数据的用户流失预测方法及装置 |
| CN108905209A (zh) * | 2018-06-11 | 2018-11-30 | 网易（杭州）网络有限公司 | 游戏中的外挂检测方法及系统、电子设备和存储介质 |
| CN108905209B (zh) * | 2018-06-11 | 2022-03-22 | 网易（杭州）网络有限公司 | 游戏中的外挂检测方法及系统、电子设备和存储介质 |
| CN109091868A (zh) * | 2018-08-14 | 2018-12-28 | 腾讯科技（深圳）有限公司 | 对战行为确定的方法、装置、计算机设备及存储介质 |
| CN109325110A (zh) * | 2018-08-24 | 2019-02-12 | 广东外语外贸大学 | 印尼语文档摘要生成方法、装置、存储介质及终端设备 |
| CN109325110B (zh) * | 2018-08-24 | 2021-06-25 | 广东外语外贸大学 | 印尼语文档摘要生成方法、装置、存储介质及终端设备 |
| CN109464808A (zh) * | 2018-11-06 | 2019-03-15 | 网易（杭州）网络有限公司 | 检测游戏外挂的方法、装置和终端 |
| CN109818839A (zh) * | 2019-02-03 | 2019-05-28 | 三星电子（中国）研发中心 | 应用于智能家居的个性化行为预测方法、装置和系统 |
| CN109818839B (zh) * | 2019-02-03 | 2022-02-25 | 三星电子（中国）研发中心 | 应用于智能家居的个性化行为预测方法、装置和系统 |
| CN109947029A (zh) * | 2019-04-10 | 2019-06-28 | 广东工业大学 | 智能家居设备的控制方法、装置及设备 |
| CN110557447B (zh) * | 2019-08-26 | 2022-06-10 | 腾讯科技（武汉）有限公司 | 一种用户行为识别方法、装置及存储介质和服务器 |
| CN110557447A (zh) * | 2019-08-26 | 2019-12-10 | 腾讯科技（武汉）有限公司 | 一种用户行为识别方法、装置及存储介质和服务器 |
| CN110659412A (zh) * | 2019-08-30 | 2020-01-07 | 三星电子（中国）研发中心 | 用于在电子设备中提供个性化服务的方法和设备 |
| CN111210279A (zh) * | 2020-01-09 | 2020-05-29 | 支付宝(杭州)信息技术有限公司 | 一种目标用户预测方法、装置和电子设备 |
| CN111553754A (zh) * | 2020-07-10 | 2020-08-18 | 支付宝(杭州)信息技术有限公司 | 行为预测系统的更新方法及装置 |
| CN111821694B (zh) * | 2020-07-24 | 2024-05-21 | 北京达佳互联信息技术有限公司 | 游戏新用户的防流失方法及装置、电子设备及存储介质 |
| CN111821694A (zh) * | 2020-07-24 | 2020-10-27 | 北京达佳互联信息技术有限公司 | 游戏新用户的防流失方法及装置、电子设备及存储介质 |
| CN112017742B (zh) * | 2020-09-08 | 2024-05-24 | 平安科技（深圳）有限公司 | 分诊数据处理方法、装置、计算机设备及存储介质 |
| CN112017742A (zh) * | 2020-09-08 | 2020-12-01 | 平安科技（深圳）有限公司 | 分诊数据处理方法、装置、计算机设备及存储介质 |
| CN112559099B (zh) * | 2020-12-04 | 2024-02-27 | 北京国家新能源汽车技术创新中心有限公司 | 基于用户行为的远程图像显示方法、装置、系统及存储介质 |
| CN112559099A (zh) * | 2020-12-04 | 2021-03-26 | 北京新能源汽车技术创新中心有限公司 | 基于用户行为的远程图像显示方法、装置、系统及存储介质 |
| CN112600618B (zh) * | 2020-12-07 | 2023-04-07 | 重庆邮电大学 | 一种基于注意力机制的可见光信号均衡系统及方法 |
| CN112600618A (zh) * | 2020-12-07 | 2021-04-02 | 重庆邮电大学 | 一种基于注意力机制的可见光信号均衡系统及方法 |
| CN114742569A (zh) * | 2021-01-08 | 2022-07-12 | 广州视源电子科技股份有限公司 | 用户生命阶段预测方法、装置、计算机设备及存储介质 |
| CN112836123A (zh) * | 2021-02-03 | 2021-05-25 | 电子科技大学 | 一种基于知识图谱的可解释推荐系统 |
| CN112801706B (zh) * | 2021-02-04 | 2024-02-02 | 北京云上曲率科技有限公司 | 一种游戏用户行为数据挖掘方法及系统 |
| CN112801706A (zh) * | 2021-02-04 | 2021-05-14 | 北京云上曲率科技有限公司 | 一种游戏用户行为数据挖掘方法及系统 |
| CN113318448B (zh) * | 2021-06-11 | 2023-01-10 | 北京完美赤金科技有限公司 | 游戏资源展示方法及装置、设备、模型训练方法 |
| CN113318448A (zh) * | 2021-06-11 | 2021-08-31 | 北京完美赤金科技有限公司 | 游戏资源展示方法及装置、设备、模型训练方法 |
| CN113648659A (zh) * | 2021-08-20 | 2021-11-16 | 腾讯科技（深圳）有限公司 | 一种确定用户活跃度的方法和相关装置 |
| CN113648659B (zh) * | 2021-08-20 | 2023-09-26 | 腾讯科技（深圳）有限公司 | 一种确定用户活跃度的方法和相关装置 |
| CN114417817A (zh) * | 2021-12-30 | 2022-04-29 | 中国电信股份有限公司 | 一种会话信息切割方法和装置 |
| CN114417817B (zh) * | 2021-12-30 | 2023-05-16 | 中国电信股份有限公司 | 一种会话信息切割方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107944915B (zh) | 2022-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107944915B (zh) | 一种游戏用户行为分析方法及计算机可读存储介质 | |
| CN112784881B (zh) | 网络异常流量检测方法、模型及系统 | |
| Kahl et al. | Large-Scale Bird Sound Classification using Convolutional Neural Networks. | |
| CN109302410B (zh) | 一种内部用户异常行为检测方法、系统及计算机存储介质 | |
| US20200250555A1 (en) | Method and system for creating a game operation scenario based on gamer behavior prediction model | |
| WO2020088491A1 (zh) | 一种运动行为模式分类方法、系统以及装置 | |
| CN112329974B (zh) | 基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统 | |
| CN111191722B (zh) | 通过计算机训练预测模型的方法及装置 | |
| Zhao et al. | Player behavior modeling for enhancing role-playing game engagement | |
| CN112801706A (zh) | 一种游戏用户行为数据挖掘方法及系统 | |
| KR20220059287A (ko) | 시계열 예측을 위한 어텐션 기반 스태킹 방법 | |
| CN115033878A (zh) | 快速自博弈强化学习方法、装置、计算机设备和存储介质 | |
| Wang et al. | How is the stroke? inferring shot influence in badminton matches via long short-term dependencies | |
| Fassmeyer et al. | Toward automatically labeling situations in soccer | |
| CN110827809B (zh) | 一种基于条件生成式对抗网络的语种识别分类方法 | |
| CN115511012B (zh) | 一种最大熵约束的类别软标签识别训练方法 | |
| Zhang et al. | Multi-attention networks for temporal localization of video-level labels | |
| Brown et al. | Automatic construction of accurate bioacoustics workflows under time constraints using a surrogate model | |
| Yu et al. | DRAM: A deep reinforced intra-attentive model for event prediction | |
| Wang | Using Gaussian Process in Clockwork Variational Autoencoder for Video Prediction | |
| Sagri et al. | Vision Transformers for Computer Go | |
| CN113449304B (zh) | 一种基于策略梯度降维的恶意软件检测方法及装置 | |
| Bariko et al. | Efficient implementation of Background Subtraction GMM method on Digital Signal Processor | |
| Chauhan et al. | Machine Learning Approaches to Predict the Teams for Fantasy Leagues | |
| Lin et al. | Forecasting Results of Sport Events Through Deep Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200201 Address after: 100041, room 2, building 3, building 30, Xing Xing street, Shijingshan District, Beijing, Applicant after: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd. Address before: 100083 the first floor of the western small building, No. 18, No. 18, Xue Qing Lu Jia, Beijing Applicant before: Beijing Shenji Intelligent Technology Co., Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |