CN107977411A - 群组推荐方法、装置、存储介质以及服务器 - Google Patents

群组推荐方法、装置、存储介质以及服务器 Download PDF

Info

Publication number
CN107977411A
CN107977411A CN201711168488.9A CN201711168488A CN107977411A CN 107977411 A CN107977411 A CN 107977411A CN 201711168488 A CN201711168488 A CN 201711168488A CN 107977411 A CN107977411 A CN 107977411A
Authority
CN
China
Prior art keywords
group
user
recommended
recommendation
recommendation list
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
Application number
CN201711168488.9A
Other languages
English (en)
Other versions
CN107977411B (zh
Inventor
谢思发
柴海霞
李立
程序
邓大付
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Chengdu Co Ltd
Original Assignee
Tencent Technology Chengdu Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Chengdu Co Ltd filed Critical Tencent Technology Chengdu Co Ltd
Priority to CN201711168488.9A priority Critical patent/CN107977411B/zh
Publication of CN107977411A publication Critical patent/CN107977411A/zh
Application granted granted Critical
Publication of CN107977411B publication Critical patent/CN107977411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/131—Protocols for games, networked simulations or virtual reality

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种群组推荐方法、装置、存储介质以及服务器，属于互联网技术领域。方法包括：对于每一个待推荐用户，获取待推荐用户的任务偏好信息；在处于活跃状态的候选群组中，根据任务偏好信息以及候选群组的群组特征，筛选出与待推荐用户匹配的待预测群组；获取待推荐用户加入待预测群组中每一个群组的概率；按照概率值对待预测群组中包含的群组进行排序，得到待推荐用户的第一群组推荐列表；基于第一群组推荐列表向待推荐用户进行群组推荐。本发明结合用户的任务偏好以及群组的群组特征为用户进行战队推荐，不但丰富了群组推荐方式，使得战队推荐更具个性化，而且大大提升了群组推荐精准度，用户在加入推荐的群组后活跃的可能性也更高。

Description

群组推荐方法、装置、存储介质以及服务器
技术领域
本发明涉及互联网技术领域，特别涉及一种群组推荐方法、装置、存储介质以及服务器。
背景技术
网络游戏作为一种基于网络平台的多人联网互动游戏，成为了时下人们在娱乐闲暇时间的一大消遣。其中，时下大部分网络游戏均支持用户(又称之为玩家)进行组队，即一定数量的玩家可组成一个战队。对于一个战队内的各个玩家来说可一起组队做任务、互送礼物或相互聊天等。其中，组队做任务即多个玩家共同去完成一项任务，通过完成任务，这些玩家不仅能够获得游戏道具或积分，体验游戏乐趣，而且还能够增长竞技能力。而如果将战队称之为一个群组的话，则在玩家处于在线状态时，若能够向玩家进行一下可加入的群组推荐，尤其是针对未加入任何群组的玩家进行推荐，则将极大地提升用户体验。
相关技术在进行群组推荐时，首先基于玩家是否符合一个群组的加入条件，来进行群组的筛选。比如，一个群组以玩家积分大于M为门槛，则对于一个积分大于M的玩家来说，该玩家便符合这个群组的加入条件。而在为该玩家筛选出符合加入条件的群组之后，通过对这些群组进行排序，便可得到一个有关于群组的推荐列表。
在实现本发明的过程中，发明人发现相关技术至少存在以下问题：
由于仅以用户是否符合群组的加入条件这一单一维度来进行群组的推荐，所以存在推荐方式单一、推荐精准度不高的缺陷。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种群组推荐方法、装置、存储介质以及服务器。所述技术方案如下：
第一方面，提供了一种群组推荐方法，所述方法包括：
对于每一个待推荐用户，获取所述待推荐用户的任务偏好信息；
在处于活跃状态的候选群组中，根据所述任务偏好信息以及所述候选群组的群组特征，筛选出与所述待推荐用户匹配的待预测群组；
获取所述待推荐用户加入所述待预测群组中每一个群组的概率；
按照概率值对所述待预测群组中包含的群组进行排序，得到所述待推荐用户的第一群组推荐列表；
基于所述第一群组推荐列表向所述待推荐用户进行群组推荐。
第二方面，提供了一种群组推荐装置，所述装置包括：
第一获取模块，用于对于每一个待推荐用户，获取所述待推荐用户的任务偏好信息；
筛选模块，用于在处于活跃状态的候选群组中，根据所述任务偏好信息以及所述候选群组的群组特征，筛选出与所述待推荐用户匹配的待预测群组；
第二获取模块，用于获取所述待推荐用户加入所述待预测群组中每一个群组的概率；
排序模块，用于按照概率值对所述待预测群组中包含的群组进行排序，得到所述待推荐用户的第一群组推荐列表；
推荐模块，用于基于所述第一群组推荐列表向所述待推荐用户进行群组推荐。
在另一个实施例中，所述第一群组推荐列表中的群组按照概率值由大到小的顺序排列，所述推荐模块，用于在所述第一群组推荐列表中确定与所述待推荐用户存在关联关系的指定群组，所述指定群组为包含目标用户的群组，所述目标用户为与所述待推荐用户存在关联关系的用户；按照群组中目标用户数量由大到小的顺序，对所述指定群组中包含的群组进行排列顺序调整；将经过排序调整后的指定群组置于所述第一群组推荐列表的顶部；基于经过排序调整处理后的第一群组推荐列表，向所述待推荐用户进行群组推荐。
在另一个实施例中，所述推荐模块，用于若所述指定群组中包含目标用户数量一致的至少两个群组，则对于所述至少两个群组中的每一个群组，获取所述待推荐用户与所述群组中包含的目标用户的亲密度；根据所述亲密度对所述至少两个群组进行排序。
在另一个实施例中，所述筛选模块，还用于筛选在第一时间段内处于活跃状态且未加入任一群组的用户，得到所述待推荐用户；或，筛选在所述第一时间段内已加入群组但已加入的群组为非活跃群组的用户，得到所述待推荐用户；筛选在所述第一时间段内处于活跃状态且存在空位的群组，得到所述候选群组。
在另一个实施例中，所述第二获取模块，用于基于已建立的群组预测模型，获取所述待推荐用户加入所述待预测群组中每一个群组的概率。
在另一个实施例中，所述装置还包括：
训练模块，用于将在第二时间段内已加入群组的第一用户以及已加入的群组作为正例样本；对于在第二时间段内处于活跃状态且未加入任一群组的第二用户，在所述正例样本中随机为所述第二用户匹配至少一个群组，得到负例样本；获取所述正例样本的第一特征信息，并获取所述负例样本的第二特征信息；基于所述第一特征信息和所述第二特征信息进行模型训练，得到所述群组预测模型。
在另一个实施例中，所述训练模块，还用于对于所述正例样本中的每一个样本，获取所述样本中第一用户的第一用户简介信息；获取所述样本中包含的群组的第一群组简介信息以及所述群组内成员用户的第一成员简介信息；将所述第一用户简介信息、所述第一群组简介信息以及所述第一成员简介信息进行特征信息交叉处理，得到第一交叉特征信息；将所述第一群组简介信息、所述第一用户简介信息、所述第一成员简介信息以及所述第一交叉特征信息中的连续特征信息进行分桶处理；将经过分桶处理后的特征信息以及除了所述连续特征信息之外的离散特征信息进行一位有效编码，得到所述样本的特征信息。
在另一个实施例中，所述训练模块，还用于对于所述负例样本中的每一个样本，获取所述样本中第二用户的第二用户简介信息；获取所述样本中包含的群组的第二群组简介信息以及所述群组内成员用户的第二成员简介信息；将所述第二用户简介信息、所述第二群组简介信息以及所述第二成员简介信息进行特征信息交叉处理，得到第二交叉特征信息；将所述第二群组简介信息、所述第二用户简介信息、所述第二成员简介信息以及所述第二交叉特征信息中的连续特征信息进行分桶处理；将经过分桶处理后的特征信息以及除了所述连续特征信息之外的离散特征信息进行一位有效编码，得到所述样本的特征信息。
在另一个实施例中，所述推荐模块，用于获取所述待推荐用户的第二群组推荐列表，所述第二群组推荐列表是基于所述待推荐用户是否符合群组加入条件筛选得到的；若所述第一群组推荐列表以及所述第二群组推荐列表中存在重复的群组，则在所述第二群组推荐列表中将所述重复的群组过滤掉；基于所述第一群组推荐列表以及经过过滤去重后的第二群组推荐列表，向所述待推荐用户进行群组推荐。
在另一个实施例中，所述推荐模块，用于在获取到群组的推荐请求后，将所述第一群组推荐列表以及经过过滤去重后的第二群组推荐列表发送至所述待推荐用户的终端，以使所述终端按照群组的排列顺序，以交叉排序的方式将所述第一群组推荐列表以及所述第二群组推荐列表中包含的群组在推荐界面上进行展示。
在另一个实施例中，所述装置还包括：
收集模块，用于收集所述待推荐用户的用户日志，所述用户日志记录了推荐的群组的曝光情况以及所述待推荐用户对推荐的群组执行的操作；
更新模块，用于根据所述用户日志对用于进行所述群组预测模型训练的正例样本以及负例样本进行更新；
训练模块，用于基于更新后的正例样本以及更新后的负例样本，优化所述群组预测模型。
第三方面，提供了一种存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述第一方面所述的群组推荐方法。
第四方面，提供了一种用于群组推荐的服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述第一方面所述的群组推荐方法。
本发明实施例提供的技术方案带来的有益效果是：
结合用户的任务偏好以及群组的群组特征为用户进行群组推荐，不但丰富了群组推荐方式，使得群组推荐更具个性化，而且大大提升了群组推荐精准度，用户在加入推荐的群组后活跃的可能性也更高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的群组推荐方法所涉及的实施环境的示意图；
图2是本发明实施例提供的一种获取模型特征的示意图；
图3是本发明实施例提供的一种玩家的活跃画像的示意图；
图4是本发明实施例提供的一种玩家类别与战队特色的映射关系示意图；
图5是本发明实施例提供的一种群组推荐方法的流程图；
图6是本发明实施例提供的一种群组推荐方法的流程图；
图7是本发明实施例提供的一种群组推荐方法的流程图；
图8是本发明实施例提供的一种推荐面板的示意图；
图9是本发明实施例提供的一种群组优化过程的流程图；
图10是本发明实施例提供的一种群组推荐方法的流程图；
图11是本发明实施例提供的一种群组推荐装置结构示意图；
图12是本发明实施例提供的一种群组推荐装置结构示意图；
图13是本发明实施例提供的一种群组推荐装置结构示意图；
图14是本发明实施例提供的一种用于群组推荐的服务器的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
在对本发明实施例进行详细地解释说明之前，先对本发明实施例涉及的一些名词进行详细地解释说明。
玩家：在本发明实施例中称之为用户。
其中玩家也可称为游戏者，是一种游戏业界与游戏参与者之间的术语。广义上讲，玩家泛指玩游戏的用户，即参与任何形式游戏的人。
特殊地，在角色扮演类游戏中，玩家通常在游戏世界中扮演其中的可控角色，通过操作这些可控角色去完成游戏或是自己所设定的目标。此外，部分玩家在角色扮演类游戏中还可以作为主角或是游戏剧情的关键。
总结来讲，玩家是游戏的体验者、使用者、评价者和消费者。根据性格和喜好的差异，不同的玩家喜爱的游戏类型也各不相同。
战队：在本发明实施例中称之为群组。
网络游戏通常包括多人对战形式，即一定数量的玩家组成一个战队共同去完成一项任务，通过完成任务，这些用户不仅能够获得游戏道具或积分，体验游戏乐趣，而且还能够增长竞技能力。
需要说明的是，本发明实施例为每一个战队分别设置了一个用于保存战队特色的字段。其中，战队特色用于指代一个战队的类别或特性，在本发明实施例中又称之为群组特征，比如战队特色可分为诸如极速、宠物、舞蹈、比赛、休闲、道具等等，本发明实施例对此不进行具体限定。
活跃玩家：指代一个时间段内在线时长大于一个设定的阈值的玩家。
比如以设置的时间段为1天，设定的阈值为10分钟为例，则若一个玩家1天内的在线时长大于10分钟，则该玩家便为活跃玩家。
活跃战队：在本发明实例中一个战队是否处于活跃状态可至少从以下两个方面来衡量：(1)、一个时间段内是否有活跃玩家；(2)、战队积分是否在增加。如果在一个时间段内存在活跃玩家且战队积分也在增加，则该战队为活跃战队。继续以设置的时间段为1个月为例，则如果一个战队在1个月内有活跃玩家且该战队的积分在增加，则将该战队作为活跃战队。当然，还可从其他方面来衡量一个战队是否活跃，本发明实施例对此不进行具体限定。
好友：存在于社交应用或具有社交功能的应用中的概念，在社交应用或者具有社交功能的应用中，每一个用户均对应有一个用户关系链(也可称之为通讯录)，该用户关系链中示出了该用户的全部好友。其中，互为好友的双方可以进行信息交互，比如可以进行语音、视频或文字聊天，可以进行文件传输、可以查看对方动态等。在本发明实施例中，一个用户与另一个用户存在关联关系，即指代二者互为好友。
活跃画像：以玩家的在线时长，玩家在各种类型游戏玩法中的游戏时长与总的在线时长的比例为维度，来为每一个玩家进行活跃画像的构建。
换句话说，通过活跃画像可实现将玩家进行分类，也即活跃画像示出了不同玩家的任务偏好信息。其中，任务偏好信息在本发明实施例中也可称之为游戏玩法偏好信息，其示出了玩家热衷或喜爱的游戏玩法。
次留率/周留率：在参加一个战队、参与一种游戏玩法或一个活动后，次日/一周后仍然活跃的玩家占所有参加这个战队、参与这个游戏玩法或活动的玩家的比例。
图1示出了本发明实施例提供的群组推荐方法所涉及的实施环境。
参见图1，该实施环境可以包括：业务服务器101(又可称之为业务侧)、数据服务器102(又可称之为数据侧)和终端103。
其中，业务服务器101以及数据服务器102之间通过交互，实现结合玩家的游戏玩法偏好以及战队的战队特色，为玩家进行个性化的战队推荐。
在本发明实施例中，业务服务器101以及数据服务器102是通过终端103所安装的游戏应用向终端提供战队推荐服务，即业务服务器101以及数据服务器102在得到有关于玩家的战队推荐列表后，通过终端103所安装的游戏应用将该战队推荐列表推送至终端103，进而终端103便可通过所安装的游戏应用将该战队推荐列表展示给玩家。
其中，终端103可以为智能手机、平板电脑、台式电脑等等，本发明实施例对此不进行具体限定。终端103在通过所安装的游戏应用向玩家进行战队推荐列表展示时，具体可设置一个专用于对战队推荐列表进行展示的推荐面板，当检测到玩家对该推荐面板的查看操作时，通过该推荐面板展示该战队推荐列表。以上仅为战队推荐列表的一种示例性的展示方式，本发明实施例对战队推荐列表的展示方式不进行具体限定。
需要说明的第一点是，上述业务服务器101、数据服务器102和终端103可通过有线网络或无线网络进行连接。
需要说明的第二点是，本发明实施例以业务服务器101和数据服务器102这两个服务器来实现上述个性化战队的推荐。可扩展的是，上述业务服务器101和数据服务器102还可被替换为一个综合了二者全部功能的单独服务器，本发明实施例对此不进行具体限定。
在另一个实施例中，本发明实施例为了实现群组的推荐会涉及到候选集、训练集和预测集的筛选，以及群组预测模型(机器学习模型)的训练。在对本发明实施例提供的群组推荐方法进行详细地解释说明之前，先对上述概念以及模型训练过程进行一下解释说明。
候选集
在本发明实施例中数据服务器会对玩家和战队做筛选，过滤掉处于非活跃状态的玩家和战队，因为一方面对处于非活跃状态的玩家进行战队推荐或者向处于活跃状态的玩家推荐处于非活跃状态的战队意义并不大，另一方面过滤去掉处于非活跃状态的玩家和战队后续可以减轻群组预测模型的预测压力。
简言之，候选集用于筛选作为推荐候选的玩家和战队。即，仅对候选集中的玩家进行战队推荐，而向这些玩家推荐的战队同样也来自于候选集。
其中，在筛选候选集中的战队时，包括但不限于：筛选在第一时间段内处于活跃状态的指定战队，得到候选战队。
以第一时间段为1个月为例，则数据服务器可筛选最近1个月内处于活跃状态的指定战队，将这些战队作为上述候选战队。其中，候选战队通常情况下还需满足下述几个条件：
1、第一时间段内有活跃玩家，比如最近1个月内有活跃玩家。
2、战队积分在增加。
需要说明的是，通过上述两个条件便可确定一个战队为活跃战队。但是仅仅靠上述两个条件还不能够确定该战队可作为候选战队。因为本发明实施例的候选战队后续可能是要推荐给玩家的，如果该战队中的成员数量已经满了或者该战队不进行成员招募，那么向玩家推荐该战队并没有实际意义，基于此，在筛选候选战队时还包括下述条件3。
3、战队有招募成员且存在空位。
综上，通过上述条件数据服务器便可筛选出处于活跃状态且有空位的战队，即前文所述的指定战队，并将筛选出的指定战队加入候选集作为候选战队。
其中，在筛选候选集中的玩家时，包括但不限于下述两种方式：
方式一、筛选在第一时间段内处于活跃状态且未加入任一群组的玩家，得到待推荐玩家。
该种方式用于筛选出近期未加入战队的活跃玩家，将这些玩家加入候选集作为待推荐玩家。此外，在进行待推荐玩家的筛选时，还可过滤掉小号。其中，小号的识别方式可为参赛次数低、账号等级低、聊天时间长等，本发明实施例对此不进行具体限定。
方式二、筛选在第一时间段内已加入群组但已加入的群组为非活跃群组的用户，得到待推荐用户；
该种方式用于筛选出近期已加入战队，但是加入的战队不活跃的玩家。
另外，数据服务器可周期性地进行候选集的筛选，比如每周筛选一次最近30天的窗口范围内的候选战队以及待推荐玩家，本发明实施例对此不进行具体限定。
训练集
在本发明实施例中训练集用于进行群组预测模型的训练。其中，群组预测模型为机器学习模型，比如可为LR(Linear Regression，线性回归)模型、GBDT(GradientBoosting Decision Tree，梯度提升决策树)模型或者随机森林模型，本发明实施例对此不进行具体限定。本发明实施例仅以LR模型为例进行说明。
在本发明实施例中，在进行LR模型的训练时，基于玩家是否加入战队来进行训练集的构建。简言之，将近期内已加入战队的玩家和对应加入的战队作为训练集中的正例样本，而抽取近期活跃且未加战队的玩家，随机为其匹配正例样本中的战队，进而得到训练集中的负例样本。
即，数据服务器将在第二时间段内已加入战队的第一用户以及已加入的战队作为正例样本。而对于在第二时间段内处于活跃状态且未加入任一战队的第二用户来说，在正例样本中随机为第二用户匹配至少一个战队，得到负例样本。
其中，第一时间段既可以与第一时间段相同也可以不同，本发明实施例对此不进行具体限定，比如第二时间段可为1个月内。本发明实施例之所以选取近期的数据，是因为考虑到特征的时效性问题，所以训练集针对的并非全量数据。
需要说明的第一点是，虽然本发明实施例的终极目标是欲实现预测玩家是否会点击某个推荐的战队，而当前LR模型的目标则是实现预测玩家是否会加某一个推荐的战队。但这两个目标是存在正相关的，仅有玩家先对战队感兴趣，点击申请战队，后续才有可能最终加入战队。
需要说明的第二点是，在某些情形下，虽然可能存在由于一个玩家已经加入了某个战队，但是由于当前申请还未通过或者数据更新延迟等原因，导致该玩家现在仍然是未加战队状态的情况，进而致使上述负例样本构建方式会存在一些偏差，但是需要注意的一点是，假设规定一个玩家近期仅能加入一个战队，则对于近期没有加入任何战队的一个活跃玩家来说，虽然本发明实施例中为该玩家随机匹配了多个战队，即该玩家对应多个负例样本，但是其中仅有一个负例样本的标签是错误的，剩余的负例样本均是正确的，所以大量标签正确的负例样本便可将这一标签错误的负例样本稀释掉，即上述负例样本存在的偏差可以完全忽略不计。
在本发明实施例中在得到训练集后，数据服务器还需先进行模型特征的提取，即还需先获取正例样本的第一特征信息以及负例样本的第二特征信息，进而再基于第一特征信息和第二特征信息进行模型训练，得到LR模型。
其中，获取正例样本的第一特征信息，包括但不限于下述几个步骤：
(1)、对于正例样本中的每一个样本，获取该样本中第一玩家的第一玩家简介信息。
其中，一个样本即为一个玩家与一个战队的匹配对。在本发明实施例中将一个正例样本中包括的那个玩家统称为第一玩家。第一玩家简介信息可包括该玩家的注册时间、游戏时长、VIP(Very Important People，贵宾)等级、性别、参赛次数等玩家基础信息，本发明实施例对此不进行具体限定。
(2)、获取该样本中战队的第一战队简介信息以及该战队内各个成员玩家的第一成员简介信息。
其中，将一个正例样本中包括的那个战队的简介信息统称为第一战队简介信息，而将该战队内各个成员玩家的简介信息统称为第一成员简介信息。
在本发明实施例中，第一战队简介信息可包括战队注册时间、战队积分、成员个数等战队基础信息，本发明实施例对此不进行具体限定。第一成员简介信息中通常包括的是该战队内成员的基础信息的平均值，比如战队内成员的游戏时长平均值、参赛次数的平均值等，本发明实施例对此不进行具体限定。其中，成员的基础信息可包括各个成员的注册时间、游戏时长、VIP等级、性别、参赛次数等等，本发明实施例对此同样不进行具体限定。需要说明的一点是，成员的基础信息是指去除了第一用户之外的剩余成员用户的基础信息。
(3)、将该样本中的第一玩家简介信息、第一战队简介信息以及第一成员简介信息进行特征信息交叉处理，得到第一交叉特征信息。
如图2所示，为了增加LR模型的表达能力，数据服务器还会进行特征信息交叉处理。其中，特征信息交叉处理即是将不同的特征信息进行交叉合并处理。以一个特征信息为性别女以及另一个特征信息为VIP等级为VIP4为例，则在将二者进行特征信息交叉处理后，便可得到一个诸如女+VIP4这样的交叉特征信息。
(4)、将第一战队简介信息、第一玩家简介信息、第一成员简介信息以及第一交叉特征信息中的连续特征信息进行分桶处理。
在本发明实施例中，为了提高数据管理效率或者对噪音数据进行处理以使得模型更稳定，还会将获取到的全部特征信息中的连续特征信息进行分桶处理。其中，连续特征信息通常指代取值为有理数但是特征取值个数不定的特征。例如游戏时长特征，特征取值可为0～正无穷。而进行分桶处理是将数量庞大的特征信息进行更为细粒度的数据范围划分，每一个桶仅关注部分特征信息，使得数据管理效率得以提高。
(5)、将经过分桶处理后的特征信息以及除了连续特征信息之外的离散特征信息进行一位有效编码，得到该样本的特征信息。
其中，一位有效编码具体指代one-hot编码，用于将特征数字化以用于机器学习算法中。one-hot编码主要是采用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候仅有一位有效。
在实际的机器学习任务中，有些特征并非连续值，而有可能是一些分类值，如性别可分为“male”和“female”。对于这样的特征，通常需要对其进行特征数字化，如下面三个特征属性：
性别：["male"，"female"]
地区：["Europe"，"US"，"Asia"]
浏览器：["Firefox"，"Chrome"，"Safari"，"Internet Explorer"]
假设一个样本为["male"，"US"，"Internet Explorer"]，在将这个样本的特征数字化时如果序列化为[0,1,3]，则这样的特征处理并不能直接放入机器学习算法中，因此还需引入one-hot编码。而若采用one-hot编码对样本“["male"，"US"，"InternetExplorer"]”进行编码，则“male”可对应[1，0]，“US”可对应[0，1，0]，“Internet Explorer”可对应[0,0,0,1]，则该样本的完整版特征数字化结果为：[1,0,0,1,0,0,0,0,1]。
综上，对于正例样本中的每一个样本均按照上述方式进行处理，便可得到正例样本的第一特征信息。同理，在获取负例样本的第二特征信息时，包括：
首先，对于负例样本中的每一个样本，获取该样本中第二玩家的第二玩家简介信息、该样本中战队的第二战队简介信息以及该战队内各个成员玩家的第二成员简介信息。
之后，将第二玩家简介信息、第二战队简介信息以及第二成员简介信息进行特征信息交叉处理，得到第二交叉特征信息，并将第二战队简介信息、第二玩家简介信息、第二成员简介信息以及第二交叉特征信息中的连续特征信息进行分桶处理，最终将经过分桶处理后的特征信息以及除了连续特征信息之外的离散特征信息进行一位有效编码，得到该样本的特征信息。
综上，对于负例样本中的每一个样本均按照上述方式进行处理，便可得到负例样本的第二特征信息。
总结来说，对于训练集中的每一个样本来说，本发明实施例均会对其执行上述过程，以获取用于进行战队推荐模型训练时的模型特征。其中，模型特征中包括有关于战队的战队特征信息、有关于玩家的玩家特征信息以及进行特征信息交叉处理后的交叉特征信息。
预测集
在本发明实施例中，在筛选出候选集后，还需要将玩家和战队进行匹配与组合，以构成预测集。之所以这样做的原因是如果每个玩家都预测所有战队，则数据量可能会在千亿左右，量级太大，战队推荐很难实现。比如假设候选集中包括3千万个待进行战队推荐的玩家和3万个战队，如果对于每一个玩家均从3万个战队中进行战队推荐，则需处理的数据量过于庞大。
针对这一问题，本发明实施例可根据活跃画像对玩家进行分类，即划分成不同的游戏玩法偏好或玩家类别。而由于每个战队中均会有一个战队特色的字段，即每一个战队均包含一个群组特征，因此将玩家类别/游戏玩法偏好、战队特色/群组特征做了一个映射。比如，可预先设置玩家类别/游戏玩法偏好与战队特色/群组特征之间的映射关系并进行保存。这样对于具有不同游戏玩法偏好的玩家，在进行战队推荐时便可以从匹配的待预测战队去选取。比如，针对热衷于比赛型的玩家来说便可以选取比赛型战队作为待预测战队。
继续以上述例子为例，如果一个玩家通过上述映射关系匹配到300个待预测战队，那么在进行战队推荐时便从这300个待预测战队中进行选取。
举例来说，参见图3将玩家分成了6类，分别为模式1、模式2、模式3、模式4、小号以及核心。其中，模式1至模式4通常指代同一款游戏的不同游戏玩法。比如模式1至模式4可为诸如极速模式、宠物模式、舞蹈模式、比赛模式、休闲模式、道具模式中的几种模式，本发明实施例对此不进行具体限定。针对一个玩家来说在判断该玩家归属于上述哪一个类别，即确定一个玩家的任务偏好时，依据的便是该玩家的活跃画像。
如图3所示，对于玩家1来说，由于其活跃画像示出了其在模式4下的游戏时长最长，因此玩家1归属于模式4；对于玩家3来说，由于其活跃画像示出了其在模式1下的游戏时长最长，因此玩家1归属于模式1；对于玩家5来说，由于其活跃画像示出了其在模式3下的游戏时长最长，因此玩家5归属于模式3；对于玩家6来说，由于其活跃画像示出了其在模式2下的游戏时长最长，因此玩家1归属于模式2。
而对于玩家2来说，由于其活跃画像示出了其在线时长很短，且与模式1至模式4的距离均较远，因此玩家2不热衷于任何一种游戏玩法，归属于小号。比如，玩家2可能仅是短暂的进行线上聊天而已。
而对于玩家4来说，由于其活跃画像示出了其在在线时长最长，且与模式1至模式4的距离均相差不多，因此玩家4归属于核心玩家。比如，玩家4可能每一种游戏玩法均参与，且在每一种游戏玩法下的游戏时长均差不多。
其中，玩家类别与战队特色的映射关系示意图可如图4所示。比如，玩家类别为模式1的玩家匹配到战队特色为休闲模式的战队，所以在对这类玩家进行战队推荐时，还需在这些战队中进行选取。而玩家类别为模式4的玩家匹配到战队特色为不限以及比赛模式的战队，所以在对这类玩家进行战队推荐时，可以在战队特色为这两个模式战队中进行选取。
以上内容对候选集、训练集和预测集的筛选，以及群组预测模型的训练过程均进行了详细地解释说明。下面结合上述内容，对本发明实施例提供的战队推荐过程进行详细描述。
图5是本发明实施例提供的一种战队推荐方法的流程图。参见图5，本发明实施例提供的方法流程包括：
501、对于每一个待推荐玩家，数据服务器获取待推荐玩家的任务偏好信息并在处于活跃状态的候选战队中，根据该任务偏好信息以及候选战队的群组特征，筛选出与待推荐用户匹配的待预测战队。
前文已经对待推荐玩家、任务偏好信息、群组特征、候选战队以及待预测战队分别进行过详细介绍，此处不再赘述。
针对该步骤，在处于活跃状态的候选战队中，若一个候选战队的群组特征与该任务偏好信息匹配，则该候选战队便为一个待预测战队。比如，假设该任务偏好信息为比赛模式，而若一个候选战队的群组特征指示该候选战队为比赛战队，则二者相互匹配。
502、数据服务器基于已建立的群组预测模型，获取待推荐玩家加入待预测战队中每一个战队的概率，并按照概率值对待预测战队中包含的战队进行排序，得到待推荐玩家的第一战队推荐列表。
在本发明实施例中，群组预测模型的输出为待推荐玩家加入待预测战队中每一个战队的概率。之后，数据服务器可按照输出的概率值对待预测战队中包含的战队进行排序，比如可按照概率值由大到小的顺序对待预测战队中的各个战队进行排列，本发明实施例对此不进行具体限定。需要说明的是，如果待预测战队的数目众多，则第一战队推荐列表中还可以包括部分战队，比如仅包括概率值最大的前5％或10％的战队，或者仅包括概率值大于一定阈值的战队，本发明实施例对此不进行具体限定。
之后，业务服务器以及数据服务器便可基于第一战队推荐列表向待推荐玩家进行群组推荐。即本发明还包括下述步骤503以及步骤504。
503、在获取到待推荐玩家对战队的推荐请求后，业务服务器从数据服务器拉取第一战队推荐列表，并将第一战队推荐列表发送至待推荐用户的终端。
在本发明实施例中，可设置一个专用于进行推荐战队展示的推荐面板，当一个符合前述战队推荐条件的玩家查看推荐面板时，便将该玩家作为一个待推荐玩家，为其进行战队的推荐。需要说明的是，当该玩家查看推荐面板时，便会触发终端向业务服务器发送对战队的推荐请求，而业务服务器在接收到这样请求后，便会到数据服务器为待推荐用户拉取第一战队推荐列表。
504、待推荐用户的终端对第一战队推荐列表进行展示。
其中，如果推荐面板的一个页面不能够对第一战队推荐列表中的全部战队进行展示，则还可以通过多个页面实现，本发明实施例对此不进行具体限定。比如第一战队推荐列表中包括20个战队，而一个页面上最多仅能够展示10个战队，那么可通过2个页面对这20个战队进行展示。比如，第一个页面上按照概率值由大到小的顺序展示概率值排在前10位的战队，第二个页面上按照概率值由大到小的顺序展示概率值排在后10位的战队。
在另一个实施例中，为了提升战队推荐的精准度，本发明实施例还包括对得到的第一战队推荐列表进行洗脸的过程。即参见图6，上述步骤502还可被下述步骤505以及步骤506替换。
505、数据服务器在第一战队推荐列表中确定与待推荐玩家存在关联关系的指定战队，其中指定战队为包含目标玩家的战队，目标玩家为与待推荐玩家存在好友关系的玩家。
本步骤旨在寻找那些与待推荐玩家存在好友关系的战队，其中与待推荐玩家存在好友关系的战队，指代待推荐玩家的好友所在的那些战队，在寻找到这些战队后，本发明实施例会对上述得到的第一战队推荐列表中的战队排列顺序进行调整，优先展示与待推荐玩家存在好友关系的战队。具体调整过程请参见下述步骤506。
506、数据服务器按照目标玩家数量由大到小的顺序，对指定战队中包含的战队进行排列顺序调整，并将经过排序调整后的指定战队置于第一战队推荐列表的顶部。
在本发明实施例中，对于上述指定战队，数据服务器会按照好友数量由大到小的顺序，对指定战队中包含的战队进行排列顺序的调整，之后将经过排序调整后的指定战队置于第一战队推荐列表的顶部，以保证优先展示和待推荐玩家存在好友关系的战队。
其中，数据服务器在按照目标玩家数量由大到小的顺序，对指定战队中包含的战队进行排列顺序调整时，包括但不限于采取下述方式实现：若指定战队中包含好友数量一致的至少两个战队，则对于至少两个战队中的每一个战队，获取待推荐玩家与每一个战队中包含的好友的亲密度，并根据得到亲密度对至少两个战队进行排序。
在本发明实施例中，在好友数量相同的情况下，与好友的亲密度越高，对应的战队越优先进行展示。在另一个实施例中，除了上述方式外，还可按照活跃好友的数量来指导进行战队排序。其中，活跃好友与活跃玩家的概念类似，指代一个时间段内在线时长大于一个设定的阈值的好友。
其中，玩家与好友之间的亲密度可从多个方面来衡量，比如二者之间的基础信息是否相近，比如游戏时长或参赛次数或VIP等级是否相近、性别是否相同、是否互动过、是否共同参与过活动等，本发明实施例对此不进行具体限定。也即，亲密度反映了玩家与好友之间的亲密程度。通常情况下关系越亲密的好友对其产生的影响越大，所以将好友战队优先展示正是利用了这一特性。
总结来说，在对好友所在的战队进行排序时，按照好友数量进行战队排序，对于好友数量相同的情况，则按照亲密度指导进行战队排序。
在对上述步骤502得到的第一战队推荐列表经过上述步骤505以及步骤506的处理后，便可得到最终的用于进行战队推荐的战队推荐列表，由于这个推荐列表是基于群组预测模型得到的，因此又可称之为模型推荐列表。
在另一个实施例中，本发明实施例除了获取上述模型推荐列表之外，当有玩家查看推荐面板时，业务服务器除了从数据服务器拉取上述模型推荐列表之外，另外还可按原有逻辑获取一个战队列表(称之为第二战队推荐列表)。其中，第二战队推荐列表是基于待推荐玩家是否符合战队加入条件筛选得到的。即，参见图7，在图6方案的基础上，本发明实施例还包括下述步骤507至步骤510。
507、在获取到待推荐玩家对战队的推荐请求后，业务服务器获取待推荐玩家的第二群组推荐列表。
508、若经过排序调整处理后的第一战队推荐列表以及第二战队推荐列表中存在重复的战队，则业务服务器在第二战队推荐列表中将重复的战队过滤掉。
本步骤的目的在于对第一战队推荐列表以及第二战队推荐列表进行过滤排重，若一个战队在两个战队推荐列表中均出现了，那么将其在第二战队推荐列表中删除。
接下来，业务服务器便可基于第一战队推荐列表以及经过过滤去重后的第二战队推荐列表，向待推荐玩家进行战队推荐。
需要说明的是，上述过滤排重的步骤既可以由业务服务器完成，也可以由数据服务器完成，本发明实施例对此不进行具体限定。
509、业务服务器将经过排序调整处理后的第一战队推荐列表以及经过过滤去重后的第二战队推荐列表发送至待推荐玩家的终端。
510、待推荐用户的终端按照战队的排列顺序，对经过排序调整处理后的第一战队推荐列表以及经过过滤去重后的第二战队推荐列表进行交叉排序展示。
按照战队的排列顺序的含义是，对于来自于同一战队推荐列表的各个战队来说，虽然由于交叉排序展示可能将各个战队原有的顺序打破，但是在整体上来看，散落在推荐面板不同页面上的各个战队还是按照概率值由大到小的顺序进行排序的。
在本发明实施例中，如图8所示，在推荐面板里可按照下述方式进行战队展示：每个页面上N个来自于第一战队推荐列表的战队以及N个来自于第二战队推荐列表的战队。以N的取值为5为例，则来自于第一战队推荐列表的战队a1至a5可占据1、3、5、7、9位，而来自于第二战队推荐列表的战队b1至b5可占据2、4、6、8、10位。当然，除了这种展示方式外，还可采取其他展示方式，本发明实施例对此不进行具体限定。
在另一个实施例中，上述步骤507至步骤510所示的方案还可与图5所示方案进行结合，具体过程与图7所示结合方案类似，此处不再赘述。
在另一个实施例中，无论是针对上述图5、图6还是图7所示方案来说，在向玩家进行战队推荐后，本发明实施例均还包括基于玩家日志对群组预测模型进行优化(也可称之为更新)的过程。如图9所示，这个模型优化过程主要包括下述三个步骤。
901、数据服务器收集待推荐玩家的玩家日志，玩家日志记录了推荐的战队的曝光情况以及待推荐玩家对推荐的战队执行的操作。
其中，玩家日志具体是由玩家的终端进行收集并上报至业务服务器，而后再由业务服务器上报至数据服务器。其中，玩家日志的收集也可周期性进行，比如一个星期一次，本发明实施例对此不进行具体限定。在本发明实施例中，对推荐的战队执行的操作可包括点击一个战队(即玩家申请一个战队)、鼠标指针或者光标或者操作点悬浮于一个展示的战队上、玩家申请一个战队并通过，本发明实施例对此不进行具体限定。其中，一个战队在推荐面板展示了，便可称之为该战队被曝光。而玩家在申请一个战队后，通常情况下还需要战队的管理员进行审批，仅在审批通过后该玩家才能加入这个战队。
902、数据服务器根据玩家日志对用于进行群组预测模型训练的正例样本以及负例样本进行更新。
这个步骤可用于对前文所述的正例样本以及负例样本进行标签矫正，进而使得正例样本以及负例样本的样本纯净度更高；还可以扩充正例样本或负例样本中的样本数量。
903、数据服务器基于更新后的正例样本以及更新后的负例样本，优化群组预测模型。
初始得到的群组预测模型可能不是很精准，但是在基于这一模型进行战队推荐后，再基于收集到的玩家日志反过来指导模型优化，可以使得模型的精度越来越高。且时间越长，得到的模型的精准度越高。
下面结合图10所示的战队推荐流程，对本发明实施例提供的战队推荐过程进行一下总结简述。
(a)、数据侧每周筛选1个月内的待推荐玩家和候选战队，作为候选集。
(b)、对于每一个待推荐玩家，数据侧在候选战队中为其进行待预测战队的选取。
(c)、数据侧利用已建立的群组预测模型，获取每一个待推荐玩家加入待预测战队中每一个战队的概率。
(d)、数据侧基于概率值对待预测战队中每一个战队进行排序，并优先展示与待推荐玩家有好友关系的战队，得到模型推荐列表。
(e)、玩家查看推荐面板，业务侧按照原有逻辑进行原有推荐列表的获取。
(f)、业务侧拉取模型推荐列表，并对模型推荐列表以及原有推荐列表进行过滤排重处理。
(g)、业务侧将模型推荐列表以及经过过滤排重处理后的原有推荐列表发送至终端。
(h)、终端按照N个来自于模型推荐列表的战队以及N个来自于原有推荐列表的战队，在推荐面板的至少一个页面上进行战队展示。
(i)、终端统计玩家执行的操作，包括点击、悬浮等，得到玩家日志。
(j)、业务侧将收集到的玩家日志周期性地反馈给数据侧。
(k)、数据侧根据收集到的玩家日志优化群组预测模型。
需要说明的第一点是，由于本发明实施例利用机器学习模型，结合玩家的游戏玩法偏好以及战队特色进行战队推荐，所以在玩家加入某一个进过群组预测模型推荐的战队后，其次留率/周留率均会优于原有逻辑，且在线时长以及活跃天数也要优于原有逻辑。其中，玩家一天的在线时长超过一定阈值，可确定该天为一个活跃天。需要说明的第二点是，在推荐面板进行推荐的战队展示时，可按照奇数位展示来自于经过群组预测模型推荐的战队，偶数位来自于经过原有逻辑推荐的战队。
本发明实施例提供的方法，实现了利用机器学习模型，结合玩家的游戏玩法偏好以及战队特色为玩家进行战队推荐，不但丰富了推荐方式，使得战队推荐更具个性化，而且大大提升了推荐精准度，不但使得玩家通过战队申请的概率得以提升，而且玩家在加入推荐的战队后也更要活跃，用户体验度较高。
另外，本发明实施例在进行战队推荐时，除了上述推荐方式外，还可结合原有逻辑进行战队推荐，以使得推荐面板上交叉展示来自于两种不同推荐模式预测的战队，大大地提升了战队推荐的灵活性，更加智能化。
图11是本发明实施例提供的一种群组推荐装置的结构示意图。参见图11，该装置包括：
第一获取模块1101，用于对于每一个待推荐用户，获取待推荐用户的任务偏好信息；
筛选模块1102，用于在处于活跃状态的候选群组中，根据所述任务偏好信息以及所述候选群组的群组特征，筛选出与所述待推荐用户匹配的待预测群组；
第二获取模块1103，用于获取待推荐用户加入所述待预测群组中每一个群组的概率；
排序模块1104，用于按照概率值对所述待预测群组中包含的群组进行排序，得到所述待推荐用户的第一群组推荐列表；
推荐模块1105，用于基于第一群组推荐列表向所述待推荐用户进行群组推荐。
在另一个实施例中，所述第一群组推荐列表中的群组按照概率值由大到小的顺序排列，推荐模块1105，用于在所述第一群组推荐列表中确定与所述待推荐用户存在关联关系的指定群组，所述指定群组为包含目标用户的群组，所述目标用户为与所述待推荐用户存在关联关系的用户；按照群组中目标用户数量由大到小的顺序，对所述指定群组中包含的群组进行排列顺序调整；将经过排序调整后的指定群组置于所述第一群组推荐列表的顶部；基于经过排序调整处理后的第一群组推荐列表，向所述待推荐用户进行群组推荐。
在另一个实施例中，推荐模块1105，用于若所述指定群组中包含目标用户数量一致的至少两个群组，则对于所述至少两个群组中的每一个群组，获取所述待推荐用户与所述群组中包含的目标用户的亲密度；根据所述亲密度对所述至少两个群组进行排序。
在另一个实施例中，筛选模块1102，还用于筛选在第一时间段内处于活跃状态且未加入任一群组的用户，得到所述待推荐用户；或，筛选在所述第一时间段内已加入群组但已加入的群组为非活跃群组的用户，得到所述待推荐用户；筛选在所述第一时间段内处于活跃状态且存在空位的群组，得到所述候选群组。
在另一个实施例中，所述第二获取模块1103，用于基于已建立的群组预测模型，获取所述待推荐用户加入所述待预测群组中每一个群组的概率。
在另一个实施例中，参见图12，该装置还包括：
训练模块1106，用于将在第二时间段内已加入群组的第一用户以及已加入的群组作为正例样本；对于在第二时间段内处于活跃状态且未加入任一群组的第二用户，在所述正例样本中随机为所述第二用户匹配至少一个群组，得到负例样本；获取所述正例样本的第一特征信息，并获取所述负例样本的第二特征信息；基于所述第一特征信息和所述第二特征信息进行模型训练，得到所述群组预测模型。
在另一个实施例中，训练模块1106，还用于对于所述正例样本中的每一个样本，获取所述样本中第一用户的第一用户简介信息；获取所述样本中包含的群组的第一群组简介信息以及所述群组内成员用户的第一成员简介信息；将所述第一用户简介信息、所述第一群组简介信息以及所述第一成员简介信息进行特征信息交叉处理，得到第一交叉特征信息；将所述第一群组简介信息、所述第一用户简介信息、所述第一成员简介信息以及所述第一交叉特征信息中的连续特征信息进行分桶处理；将经过分桶处理后的特征信息以及除了所述连续特征信息之外的离散特征信息进行一位有效编码，得到所述样本的特征信息。
在另一个实施例中，训练模块1106，还用于对于所述负例样本中的每一个样本，获取所述样本中第二用户的第二用户简介信息；获取所述样本中包含的群组的第二群组简介信息以及所述群组内成员用户的第二成员简介信息；将所述第二用户简介信息、所述第二群组简介信息以及所述第二成员简介信息进行特征信息交叉处理，得到第二交叉特征信息；将所述第二群组简介信息、所述第二用户简介信息、所述第二成员简介信息以及所述第二交叉特征信息中的连续特征信息进行分桶处理；将经过分桶处理后的特征信息以及除了所述连续特征信息之外的离散特征信息进行一位有效编码，得到所述样本的特征信息。
在另一个实施例中，推荐模块1105，用于获取所述待推荐用户的第二群组推荐列表，所述第二群组推荐列表是基于所述待推荐用户是否符合群组加入条件筛选得到的；若所述第一群组推荐列表以及所述第二群组推荐列表中存在重复的群组，则在所述第二群组推荐列表中将所述重复的群组过滤掉；基于所述第一群组推荐列表以及经过过滤去重后的第二群组推荐列表，向所述待推荐用户进行群组推荐。
在另一个实施例中，推荐模块1105，用于在获取到群组的推荐请求后，将所述第一群组推荐列表以及经过过滤去重后的第二群组推荐列表发送至所述待推荐用户的终端，以使所述终端按照群组的排列顺序，以交叉排序的方式将所述第一群组推荐列表以及所述第二群组推荐列表中包含的群组在推荐界面上进行展示。
在另一个实施例中，参见图13，该装置还包括：
收集模块1107，用于收集所述待推荐用户的用户日志，所述用户日志记录了推荐的群组的曝光情况以及所述待推荐用户对推荐的群组执行的操作；
更新模块1108，用于根据所述用户日志对用于进行所述群组预测模型训练的正例样本以及负例样本进行更新；
训练模块1106，用于基于更新后的正例样本以及更新后的负例样本，优化所述群组预测模型。
本发明实施例提供的装置，实现了利用机器学习模型，结合玩家的游戏玩法偏好以及战队特色为玩家进行战队推荐，不但丰富了推荐方式，使得战队推荐更具个性化，而且大大提升了推荐精准度，不但使得玩家通过战队申请的概率得以提升，而且玩家在加入推荐的战队后也更要活跃，用户体验度较高。
另外，本发明实施例在进行战队推荐时，除了上述推荐方式外，还可结合原有逻辑进行战队推荐，以使得推荐面板上交叉展示来自于两种不同推荐模式预测的战队，大大地提升了战队推荐的灵活性，更加智能化。
需要说明的是：上述实施例提供的群组推荐装置在进行群组推荐时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的群组推荐装置与群组推荐方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图14是根据一示例性实施例示出的一种用于群组推荐的服务器的结构示意图，该服务器可以用于实施上述任一示例性实施例示出的群组推荐方法。具体来讲：参见图14，该服务器1400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(Central Processing Unit，CPU)1422(例如，一个或一个以上处理器)和存储器1432，一个或一个以上存储应用程序1442或数据1444的存储介质1430(例如一个或一个以上海量存储设备)。其中，存储器1432和存储介质1430可以是短暂存储或持久存储。存储在存储介质1430的程序可以包括一个或一个以上模块(图示没标出)。
服务器1400还可以包括一个或一个以上电源1428，一个或一个以上有线或无线网络接口1450，一个或一个以上输入输出接口1458，和/或，一个或一个以上操作系统1441，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。所述存储器1432中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述实施例所述的群组推荐方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种群组推荐方法，其特征在于，所述方法包括：
对于每一个待推荐用户，获取所述待推荐用户的任务偏好信息；
在处于活跃状态的候选群组中，根据所述任务偏好信息以及所述候选群组的群组特征，筛选出与所述待推荐用户匹配的待预测群组；
获取所述待推荐用户加入所述待预测群组中每一个群组的概率；
按照概率值对所述待预测群组中包含的群组进行排序，得到所述待推荐用户的第一群组推荐列表；
基于所述第一群组推荐列表向所述待推荐用户进行群组推荐。
2.根据权利要求1所述的方法，其特征在于，所述第一群组推荐列表中的群组按照概率值由大到小的顺序排列，所述基于所述第一群组推荐列表向所述待推荐用户进行群组推荐，包括：
在所述第一群组推荐列表中确定与所述待推荐用户存在关联关系的指定群组，所述指定群组为包含目标用户的群组，所述目标用户为与所述待推荐用户存在关联关系的用户；
按照群组中目标用户数量由大到小的顺序，对所述指定群组中包含的群组进行排列顺序调整；
将经过排序调整后的指定群组置于所述第一群组推荐列表的顶部；
基于经过排序调整处理后的第一群组推荐列表，向所述待推荐用户进行群组推荐。
3.根据权利要求2所述的方法，其特征在于，所述按照目标用户数量由大到小的顺序，对所述指定群组中包含的群组进行排列顺序调整，包括：
若所述指定群组中包含目标用户数量一致的至少两个群组，则对于所述至少两个群组中的每一个群组，获取所述待推荐用户与所述群组中包含的目标用户的亲密度；
根据所述亲密度对所述至少两个群组进行排序。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
筛选在第一时间段内处于活跃状态且未加入任一群组的用户，得到所述待推荐用户；或，筛选在所述第一时间段内已加入群组但已加入的群组为非活跃群组的用户，得到所述待推荐用户；
筛选在所述第一时间段内处于活跃状态且存在空位的群组，得到所述候选群组。
5.根据权利要求1所述的方法，其特征在于，所述获取所述待推荐用户加入所述待预测群组中每一个群组的概率，包括：
基于已建立的群组预测模型，获取所述待推荐用户加入所述待预测群组中每一个群组的概率。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
将在第二时间段内已加入群组的第一用户以及已加入的群组作为正例样本；
对于在所述第二时间段内处于活跃状态且未加入任一群组的第二用户，在所述正例样本中随机为所述第二用户匹配至少一个群组，得到负例样本；
获取所述正例样本的第一特征信息，并获取所述负例样本的第二特征信息；
基于所述第一特征信息和所述第二特征信息进行模型训练，得到所述群组预测模型。
7.根据权利要求6所述的方法，其特征在于，所述获取所述正例样本的第一特征信息，包括：
对于所述正例样本中的每一个样本，获取所述样本中第一用户的第一用户简介信息；
获取所述样本中包含的群组的第一群组简介信息以及所述群组内成员用户的第一成员简介信息；
将所述第一用户简介信息、所述第一群组简介信息以及所述第一成员简介信息进行特征信息交叉处理，得到第一交叉特征信息；
将所述第一群组简介信息、所述第一用户简介信息、所述第一成员简介信息以及所述第一交叉特征信息中的连续特征信息进行分桶处理；
将经过分桶处理后的特征信息以及除了所述连续特征信息之外的离散特征信息进行一位有效编码，得到所述样本的特征信息。
8.根据权利要求6所述的方法，其特征在于，所述获取所述负例样本的第二特征信息，包括：
对于所述负例样本中的每一个样本，获取所述样本中第二用户的第二用户简介信息；
获取所述样本中包含的群组的第二群组简介信息以及所述群组内成员用户的第二成员简介信息；
将所述第二用户简介信息、所述第二群组简介信息以及所述第二成员简介信息进行特征信息交叉处理，得到第二交叉特征信息；
将所述第二群组简介信息、所述第二用户简介信息、所述第二成员简介信息以及所述第二交叉特征信息中的连续特征信息进行分桶处理；
将经过分桶处理后的特征信息以及除了所述连续特征信息之外的离散特征信息进行一位有效编码，得到所述样本的特征信息。
9.根据权利要求1至8中任一权利要求所述的方法，其特征在于，所述基于所述第一群组推荐列表向所述待推荐用户进行群组推荐，包括：
获取所述待推荐用户的第二群组推荐列表，所述第二群组推荐列表是基于所述待推荐用户是否符合群组加入条件筛选得到的；
若所述第一群组推荐列表以及所述第二群组推荐列表中存在重复的群组，则在所述第二群组推荐列表中将所述重复的群组过滤掉；
基于所述第一群组推荐列表以及经过过滤去重后的第二群组推荐列表，向所述待推荐用户进行群组推荐。
10.根据权利要9所述的方法，其特征在于，所述基于所述第一群组推荐列表以及经过过滤去重后的第二群组推荐列表，向所述待推荐用户进行群组推荐，包括：
在获取到群组的推荐请求后，将所述第一群组推荐列表以及经过过滤去重后的第二群组推荐列表发送至所述待推荐用户的终端，以使所述终端按照群组的排列顺序，以交叉排序的方式将所述第一群组推荐列表以及所述第二群组推荐列表中包含的群组在推荐界面上进行展示。
11.根据权利要求1至8中任一权利要求所述的方法，其特征在于，所述方法还包括：
收集所述待推荐用户的用户日志，所述用户日志记录了推荐的群组的曝光情况以及所述待推荐用户对推荐的群组执行的操作；
根据所述用户日志对用于进行所述群组预测模型训练的正例样本以及负例样本进行更新；
基于更新后的正例样本以及更新后的负例样本，优化所述群组预测模型。
12.一种群组推荐装置，其特征在于，所述装置包括：
第一获取模块，用于对于每一个待推荐用户，获取所述待推荐用户的任务偏好信息；
筛选模块，用于在处于活跃状态的候选群组中，根据所述任务偏好信息以及所述候选群组的群组特征，筛选出与所述待推荐用户匹配的待预测群组；
第二获取模块，用于获取所述待推荐用户加入所述待预测群组中每一个群组的概率；
排序模块，用于按照概率值对所述待预测群组中包含的群组进行排序，得到所述待推荐用户的第一群组推荐列表；
推荐模块，用于基于所述第一群组推荐列表向所述待推荐用户进行群组推荐。
13.一种存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至11中任一权利要求所述的群组推荐方法。
14.一种用于群组推荐的服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至11中任一权利要求所述的群组推荐方法。
CN201711168488.9A 2017-11-21 2017-11-21 群组推荐方法、装置、存储介质以及服务器 Active CN107977411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711168488.9A CN107977411B (zh) 2017-11-21 2017-11-21 群组推荐方法、装置、存储介质以及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711168488.9A CN107977411B (zh) 2017-11-21 2017-11-21 群组推荐方法、装置、存储介质以及服务器

Publications (2)

Publication Number Publication Date
CN107977411A true CN107977411A (zh) 2018-05-01
CN107977411B CN107977411B (zh) 2021-12-14

Family

ID=62010919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711168488.9A Active CN107977411B (zh) 2017-11-21 2017-11-21 群组推荐方法、装置、存储介质以及服务器

Country Status (1)

Country Link
CN (1) CN107977411B (zh)

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108768982A (zh) * 2018-05-17 2018-11-06 江苏通付盾信息安全技术有限公司 钓鱼网站的检测方法、装置、计算设备及计算机存储介质
CN108830478A (zh) * 2018-06-12 2018-11-16 北京航空航天大学 一种面向众包任务处理的团队推荐方法
CN108932069A (zh) * 2018-07-11 2018-12-04 科大讯飞股份有限公司 输入法候选词条确定方法、装置、设备及可读存储介质
CN108958247A (zh) * 2018-07-02 2018-12-07 深圳市益鑫智能科技有限公司 一种引导机器人
CN109063104A (zh) * 2018-07-27 2018-12-21 百度在线网络技术（北京）有限公司 推荐信息的刷新方法、装置、存储介质和终端设备
CN109086787A (zh) * 2018-06-06 2018-12-25 平安科技（深圳）有限公司 用户画像获取方法、装置、计算机设备以及存储介质
CN109272366A (zh) * 2018-10-15 2019-01-25 拉扎斯网络科技（上海）有限公司 订单数据的处理方法及装置
CN109547225A (zh) * 2018-10-30 2019-03-29 咪咕互动娱乐有限公司 一种群组的复用方法、装置及存储介质
CN110772796A (zh) * 2018-07-30 2020-02-11 优视科技有限公司 组队方法、装置及电子设备
CN110955821A (zh) * 2018-09-25 2020-04-03 北京搜狗科技发展有限公司 一种推荐方法、装置及可读介质
CN110968578A (zh) * 2018-09-28 2020-04-07 中建水务环保有限公司 污水处理工艺推荐方法及装置
CN110990723A (zh) * 2019-12-23 2020-04-10 上海米哈游天命科技有限公司 好友推荐方法、装置、设备和存储介质
CN111130992A (zh) * 2019-11-22 2020-05-08 北京达佳互联信息技术有限公司 群组推荐方法、装置、电子设备及存储介质
CN111259119A (zh) * 2018-11-30 2020-06-09 北京嘀嘀无限科技发展有限公司 一种问题推荐方法及装置
CN111262712A (zh) * 2018-12-03 2020-06-09 北京嘀嘀无限科技发展有限公司 群组推荐方法、推荐装置、终端、服务器和存储介质
CN111695680A (zh) * 2020-06-15 2020-09-22 北京百度网讯科技有限公司 成绩预测方法、成绩预测模型训练方法、装置及电子设备
CN111888769A (zh) * 2020-08-11 2020-11-06 网易（杭州）网络有限公司 一种群组推荐方法、装置、电子设备及存储介质
CN112559902A (zh) * 2020-12-15 2021-03-26 广州市贺氏办公设备有限公司 一种社区成员排名方法、系统、装置及介质
CN113171617A (zh) * 2021-04-22 2021-07-27 网易（杭州）网络有限公司 游戏中的信息处理方法、装置和电子设备
CN113300935A (zh) * 2020-09-15 2021-08-24 阿里巴巴集团控股有限公司 群组处理方法、终端设备、服务端设备及存储介质
WO2021163856A1 (zh) * 2020-02-17 2021-08-26 深圳市欢太科技有限公司 内容推送方法、装置、服务器及存储介质
WO2021164619A1 (zh) * 2020-02-19 2021-08-26 北京达佳互联信息技术有限公司 群组展示方法及装置
CN113592342A (zh) * 2021-08-10 2021-11-02 平安银行股份有限公司 基于大数据的任务处理方法、装置、设备及存储介质
CN113730921A (zh) * 2021-09-17 2021-12-03 腾讯科技（深圳）有限公司 虚拟组织的推荐方法和装置、存储介质及电子设备
CN113779391A (zh) * 2021-09-02 2021-12-10 广东好太太智能家居有限公司 基于建模的智能锁开锁推荐方法、系统、装置及存储介质
CN114765624A (zh) * 2020-12-31 2022-07-19 北京达佳互联信息技术有限公司 信息推荐方法、装置、服务器及存储介质
CN115487508B (zh) * 2022-11-08 2023-04-07 腾讯科技（深圳）有限公司 游戏战队推荐模型的训练方法和相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110270774A1 (en) * 2010-04-30 2011-11-03 Microsoft Corporation Group Recommendations in Social Networks
CN103810379A (zh) * 2014-01-23 2014-05-21 珠海多玩信息技术有限公司 目标状态推荐方法及装置
US20140380359A1 (en) * 2013-03-11 2014-12-25 Luma, Llc Multi-Person Recommendations in a Media Recommender
CN104254867A (zh) * 2012-03-21 2014-12-31 索尼电脑娱乐美国公司 针对在线社区和计算机模拟将群组匹配至用户的装置和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110270774A1 (en) * 2010-04-30 2011-11-03 Microsoft Corporation Group Recommendations in Social Networks
CN104254867A (zh) * 2012-03-21 2014-12-31 索尼电脑娱乐美国公司 针对在线社区和计算机模拟将群组匹配至用户的装置和方法
US20140380359A1 (en) * 2013-03-11 2014-12-25 Luma, Llc Multi-Person Recommendations in a Media Recommender
CN103810379A (zh) * 2014-01-23 2014-05-21 珠海多玩信息技术有限公司 目标状态推荐方法及装置

Cited By (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108768982B (zh) * 2018-05-17 2021-04-27 江苏通付盾信息安全技术有限公司 钓鱼网站的检测方法、装置、计算设备及计算机存储介质
CN108768982A (zh) * 2018-05-17 2018-11-06 江苏通付盾信息安全技术有限公司 钓鱼网站的检测方法、装置、计算设备及计算机存储介质
CN109086787B (zh) * 2018-06-06 2023-07-25 平安科技（深圳）有限公司 用户画像获取方法、装置、计算机设备以及存储介质
CN109086787A (zh) * 2018-06-06 2018-12-25 平安科技（深圳）有限公司 用户画像获取方法、装置、计算机设备以及存储介质
CN108830478A (zh) * 2018-06-12 2018-11-16 北京航空航天大学 一种面向众包任务处理的团队推荐方法
CN108830478B (zh) * 2018-06-12 2022-05-31 北京航空航天大学 一种面向众包任务处理的团队推荐方法
CN108958247A (zh) * 2018-07-02 2018-12-07 深圳市益鑫智能科技有限公司 一种引导机器人
CN108932069A (zh) * 2018-07-11 2018-12-04 科大讯飞股份有限公司 输入法候选词条确定方法、装置、设备及可读存储介质
CN108932069B (zh) * 2018-07-11 2023-04-07 科大讯飞股份有限公司 输入法候选词条确定方法、装置、设备及可读存储介质
CN109063104A (zh) * 2018-07-27 2018-12-21 百度在线网络技术（北京）有限公司 推荐信息的刷新方法、装置、存储介质和终端设备
CN109063104B (zh) * 2018-07-27 2020-11-10 百度在线网络技术（北京）有限公司 推荐信息的刷新方法、装置、存储介质和终端设备
CN110772796B (zh) * 2018-07-30 2023-05-05 阿里巴巴（中国）有限公司 组队方法、装置及电子设备
CN110772796A (zh) * 2018-07-30 2020-02-11 优视科技有限公司 组队方法、装置及电子设备
CN110955821B (zh) * 2018-09-25 2024-05-17 北京搜狗科技发展有限公司 一种推荐方法、装置及可读介质
CN110955821A (zh) * 2018-09-25 2020-04-03 北京搜狗科技发展有限公司 一种推荐方法、装置及可读介质
CN110968578A (zh) * 2018-09-28 2020-04-07 中建水务环保有限公司 污水处理工艺推荐方法及装置
CN109272366A (zh) * 2018-10-15 2019-01-25 拉扎斯网络科技（上海）有限公司 订单数据的处理方法及装置
CN109547225A (zh) * 2018-10-30 2019-03-29 咪咕互动娱乐有限公司 一种群组的复用方法、装置及存储介质
CN111259119A (zh) * 2018-11-30 2020-06-09 北京嘀嘀无限科技发展有限公司 一种问题推荐方法及装置
CN111259119B (zh) * 2018-11-30 2023-05-26 北京嘀嘀无限科技发展有限公司 一种问题推荐方法及装置
CN111262712B (zh) * 2018-12-03 2022-11-04 北京嘀嘀无限科技发展有限公司 群组推荐方法、推荐装置、终端、服务器和存储介质
CN111262712A (zh) * 2018-12-03 2020-06-09 北京嘀嘀无限科技发展有限公司 群组推荐方法、推荐装置、终端、服务器和存储介质
US11470032B2 (en) 2019-11-22 2022-10-11 Beijing Dajia Internet Information Technology Co., Ltd. Method for recommending groups and related electronic device
CN111130992A (zh) * 2019-11-22 2020-05-08 北京达佳互联信息技术有限公司 群组推荐方法、装置、电子设备及存储介质
CN110990723A (zh) * 2019-12-23 2020-04-10 上海米哈游天命科技有限公司 好友推荐方法、装置、设备和存储介质
WO2021163856A1 (zh) * 2020-02-17 2021-08-26 深圳市欢太科技有限公司 内容推送方法、装置、服务器及存储介质
WO2021164619A1 (zh) * 2020-02-19 2021-08-26 北京达佳互联信息技术有限公司 群组展示方法及装置
CN111695680A (zh) * 2020-06-15 2020-09-22 北京百度网讯科技有限公司 成绩预测方法、成绩预测模型训练方法、装置及电子设备
CN111695680B (zh) * 2020-06-15 2023-11-10 北京百度网讯科技有限公司 成绩预测方法、成绩预测模型训练方法、装置及电子设备
CN111888769A (zh) * 2020-08-11 2020-11-06 网易（杭州）网络有限公司 一种群组推荐方法、装置、电子设备及存储介质
CN111888769B (zh) * 2020-08-11 2024-02-09 网易（杭州）网络有限公司 一种群组推荐方法、装置、电子设备及存储介质
CN113300935A (zh) * 2020-09-15 2021-08-24 阿里巴巴集团控股有限公司 群组处理方法、终端设备、服务端设备及存储介质
CN112559902A (zh) * 2020-12-15 2021-03-26 广州市贺氏办公设备有限公司 一种社区成员排名方法、系统、装置及介质
CN114765624B (zh) * 2020-12-31 2024-04-30 北京达佳互联信息技术有限公司 信息推荐方法、装置、服务器及存储介质
CN114765624A (zh) * 2020-12-31 2022-07-19 北京达佳互联信息技术有限公司 信息推荐方法、装置、服务器及存储介质
CN113171617B (zh) * 2021-04-22 2024-02-02 网易（杭州）网络有限公司 游戏中的信息处理方法、装置和电子设备
CN113171617A (zh) * 2021-04-22 2021-07-27 网易（杭州）网络有限公司 游戏中的信息处理方法、装置和电子设备
CN113592342A (zh) * 2021-08-10 2021-11-02 平安银行股份有限公司 基于大数据的任务处理方法、装置、设备及存储介质
CN113779391A (zh) * 2021-09-02 2021-12-10 广东好太太智能家居有限公司 基于建模的智能锁开锁推荐方法、系统、装置及存储介质
CN113730921B (zh) * 2021-09-17 2023-08-25 腾讯科技（深圳）有限公司 虚拟组织的推荐方法和装置、存储介质及电子设备
CN113730921A (zh) * 2021-09-17 2021-12-03 腾讯科技（深圳）有限公司 虚拟组织的推荐方法和装置、存储介质及电子设备
CN115487508B (zh) * 2022-11-08 2023-04-07 腾讯科技（深圳）有限公司 游戏战队推荐模型的训练方法和相关装置

Also Published As

Publication number Publication date
CN107977411B (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN107977411A (zh) 群组推荐方法、装置、存储介质以及服务器
Brejla et al. An exploratory use of web content analysis to understand cruise tourism services
CN110162703A (zh) 内容推荐方法、训练方法、装置、设备及存储介质
Lee et al. ‘Gaming is my work’: identity work in internet-hobbyist game workers
CN108304379A (zh) 一种文章识别方法、装置及存储介质
US20070239826A1 (en) Method, device, and program product for a social dashboard associated with a persistent virtual environment
Chang Spectators’ emotional responses in tweets during the Super Bowl 50 game
CN109460463A (zh) 基于数据处理的模型训练方法、装置、终端及存储介质
CN107808278A (zh) 一种基于稀疏自编码器的Github开源项目推荐方法
CN107807943B (zh) 应用推荐消息的推送方法、装置、服务器及存储介质
CN110175299A (zh) 一种推荐信息确定的方法及服务器
US20220210098A1 (en) Providing responses in an event-related session
CN110175619A (zh) 基于机器学习模型的出牌牌组确定方法、设备及存储介质
CN109446393A (zh) 一种网络社区话题分类方法及装置
JP5268275B2 (ja) 永続的な仮想環境の社会の健全性を監視するための装置
US9032044B2 (en) Information processing system, information processing method, program, and non-transitory information storage medium
KR102223640B1 (ko) 클라우드 기반 개인화 콘텐츠 구독 서비스 제공 시스템 및 방법
CN115033668B (zh) 故事脉络构建方法、装置、电子设备和存储介质
Guarino et al. Using sociocultural data from online gaming and game communities
CN107251020A (zh) 自适应媒体
CN112507185B (zh) 用户肖像的确定方法和装置
CN113672818A (zh) 一种获取社交媒体用户画像的方法及系统
Thurau et al. Naming virtual identities: patterns and inspirations for character names in world of warcraft
KR20210117038A (ko) 소셜 네트워크에서 연관 문서 분석을 통한 지역 이벤트 검출 시스템 및 방법
Dickinson et al. Socially networked citizen science and the crowd-sourcing of pro-environmental collective actions

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
GR01 Patent grant
GR01 Patent grant