CN108090782A - 一种网游推荐方法及服务器 - Google Patents
一种网游推荐方法及服务器 Download PDFInfo
- Publication number
- CN108090782A CN108090782A CN201611043006.2A CN201611043006A CN108090782A CN 108090782 A CN108090782 A CN 108090782A CN 201611043006 A CN201611043006 A CN 201611043006A CN 108090782 A CN108090782 A CN 108090782A
- Authority
- CN
- China
- Prior art keywords
- user
- network game
- recommended
- recommendation
- user group
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
Abstract
本发明实施例涉及计算机技术领域,尤其涉及一种网游推荐方法及服务器,用以提高向用户推荐网游的精确度,包括:服务器为用户的初始网游推荐列表中的每个网游对应的网游信息分别配置对应的推荐值,然后根据每个网游对应的网游信息的推荐值,得到目标网游推荐列表,并根据目标网游推荐列表向用户推荐网游,其中,在计算一个用户对应的网游的推荐值时,不仅考虑了在对应的用户组中向用户推荐网游的评估值,还考虑了用户自身的用户模式,并且对于每一个用户都单独计算一个目标网游推荐列表,从而可以更加准确地确定出用户比较感兴趣的网游,提高了网游推荐的精确度。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种网游推荐方法及服务器。
背景技术
随着智能手机的迅速普及,基于智能终端的应用被广泛使用,手机游戏应用已经成为智能终端应用的重要组成部分,手机游戏通常可分为单机手游和手机网游,单机手游指仅需一台手机就能独立运行的游戏应用;手机网游主要指依靠互联网媒介,以游戏运营商服务器和用户手机设备为处理终端,通过手机客户端软件为载体提供信息交互窗口的多人在线游戏。
为了让用户可以使用下载到最新的或者是最想玩的游戏,目前应用市场中的各游戏平台都支持为用户提供更加丰富的个性化推荐,即根据网游推荐策略,确定用户对应的网游推荐列表,并根据网游推荐列表,为用户推荐网游。
现有的网游推荐策略主要有以下两种:
第一种推荐策略主要是通过提取训练样本中用户的用户特征(如用户身份特征、用户曾经玩过的网游等),进行样本训练,得到一个训练模型,然后使用该训练模型及目标用户的用户特征,对待推荐网游进行打分并排序,从而得到目标用户的网游推荐列表。
第二种推荐策略主要是对于某个用户群体,根据该群体内所有用户对某个网游的喜好程度,对该网游进行打分,向该用户群体返回得分较高的K个网游构成的网游推荐列表。
上述第一种网游推荐策略存在的缺陷是:在进行模型训练时,仅考虑了单个用户自身的一些个性化特征,而忽略了用户的群体特征,以及用户在特定用户群体中的相互影响等特征,并且,没有考虑到不同用户在用户群中的行为差异,有些用户可能偏向于主动尝试新的网游,而另外一些用户可能偏向于被动追随其他用户来下载使用相关网游,因而该策略无法有效地根据不同用户的用户特征来推荐合适的网游。
上述第二种网游推荐策略存在的缺陷是:该策略对一个用户群体内的所有用户都推荐相同的网游,仅适用于对用户群体水平上的推荐,无法满足应用市场用户个性化的推荐需求。
综上所述,现有技术下的网游推荐方法,由于未能充分体现不同用户之间的相互影响及差异性,从而造成网游推荐结果精确度较低。
发明内容
本发明实施例提供一种网游推荐方法及服务器,用以更加精确地向用户推荐网游。
第一方面,本发明实施例提供一种网游推荐方法,包括:
服务器获取用户的初始网游推荐列表,所述初始网游推荐列表中包括至少两个待推荐网游分别对应的网游信息;
所述服务器为所述初始网游推荐列表中包括的每个网游信息配置对应的推荐值;
其中,所述服务器通过下述过程实现为任一网游信息配置对应的推荐值:所述服务器根据所述任一网游信息对应的待推荐网游所属的网游主题,确定在所述网游主题下所述用户对应的用户组;其中,每个所述网游主题下的用户组根据所述网游主题下用户的特征信息划分;所述服务器根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值;其中,一个用户的用户模式用于表示该用户下载网游的主动程度;所述服务器根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值;
所述服务器根据所述初始网游推荐列表以及所述每个网游信息对应的推荐值,确定更新后的目标网游推荐列表中所述待推荐网游的推荐顺序,并根据所述推荐顺序向所述用户推荐网游。
上述发明实施例,为用户的初始网游推荐列表中的每个网游对应的网游信息分别配置对应的推荐值,然后根据每个网游对应的网游信息的推荐值,得到目标网游推荐列表,并根据目标网游推荐列表向用户推荐网游。该发明实施例,在计算一个用户对应的网游的推荐值时,不仅考虑了在对应的用户组中向用户推荐网游的评估值,还考虑了用户自身的用户模式,并且对于每一个用户都单独确定一个目标网游推荐列表,从而可以更加准确地确定出用户比较感兴趣的网游,提高了网游推荐的精确度。
可选地,所述用户的用户模式为跟随者模式,所述跟随者模式指用户跟随其他人使用相同网游的概率大于或等于目标阈值的模式;
所述服务器根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述任一网游信息的评估值,包括:针对所述用户对应的任意一个用户组,所述服务器根据所述任意一个用户组中已经安装所述待推荐网游的用户比例,确定针对所述任意一个用户组向所述用户推荐所述待推荐网游的评估值;
所述服务器根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值,包括:
根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值,及所述用户对应的每个用户组的权重值,为所述任一网游信息配置对应的推荐值。
在上述发明实施例中,当用户的用户模式为跟随者模式时,则根据用户对应的用户组中已经安装待推荐网游的用户比例,为待推荐网游配置对应的推荐值,可实现根据用户模式为用户推荐用户比较感兴趣的网游,因而提高了网游推荐的精确度。
可选地,所述用户对应的任意一个用户组的权重值,为所述任意一个用户组中的用户数量与所述用户对应的所有用户组中包括的所有用户数量的比值。
可选地,所述用户的用户模式为探索者模式,所述探索者模式指用户跟随其他人使用相同网游的概率小于目标阈值的模式;
所述服务器根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述任一网游信息的评估值,包括:
针对所述用户对应的任意一个用户组,所述服务器确定所述用户在所述任意一个用户组下载所述待推荐网游后所述待推荐网游在所述任意一个用户组的传播效率值,并将所述传播效率值确定为针对所述任意一个用户组向所述用户推荐所述待推荐网游的评估值;
所述服务器根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值,包括:
所述服务器根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值,确定向所述用户推荐所述待推荐网游的综合评估值;
所述服务器根据确定的向所述用户推荐所述待推荐网游的综合评估值及获取到的所述用户对应的所述待推荐网游的初始推荐值,为所述任一网游信息配置对应的推荐值。
在上述发明实施例中,当用户的用户模式为探索者模式时,则根据用户在用户组下载待推荐网游后,待推荐网游在用户组内的传播效率值,为待推荐网游配置对应的推荐值,可实现根据用户模式为用户推荐用户比较感兴趣的网游,因而提高了网游推荐的精确度。
可选地,所述服务器根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值,确定向所述用户推荐所述待推荐网游的综合评估值,包括:
所述服务器将针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值的平均值,作为向所述用户推荐所述待推荐网游的综合评估值;或者
所述服务器将针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值中的最大值,作为向所述用户推荐所述待推荐网游的综合评估值。
可选地,确定所述用户在所述任意一个用户组下载所述待推荐网游后所述待推荐网游在所述任意一个用户组的传播效率值,包括:
确定所述任意一个用户组中所有用户对所述待推荐网游的偏好度;
根据确定的所述任意一个用户组中所有用户对所述待推荐网游的偏好度,确定所述任意一个用户组中任意两个用户对所述待推荐网游的偏好度的差异度;
根据确定的确定的所述任意一个用户组中所有用户对所述待推荐网游的偏好度及所述任意一个用户组中任意两个用户对所述待推荐网游的偏好度的差异度,确定所述用户在所述任意一个用户组下载所述待推荐网游后所述待推荐网游在所述任意一个用户组的传播效率值。
在上述发明实施例中,在确定待推荐网游在用户组内的传播效率值时,综合考虑了所有用户在用户组内对待推荐网游的偏好度,以及不同用户之间的偏好度的差异度,因而既考虑了用户之间的关联性,又考虑了用户之间的差异性,可实现精确确定待推荐网游在用户组内的传播效率值,因而进一步地可提高最终为每个用户推荐网游的精确度。
可选地,所述用户的用户模式为混合模式,所述混合模式表示所述用户在一个规定时长内出现跟随者模式的概率为第一概率、且出现探索者模式的概率为第二概率;
所述服务器根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述任一网游信息的评估值,包括:
所述服务器确定所述用户的用户模式为跟随者模式时,针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第一评估值;以及确定所述用户的用户模式为探索者模式时,针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第二评估值;
所述服务器根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值,包括:
根据确定的针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第一评估值,及所述用户对应的每个用户组的权重值,确定所述任一网游信息对应的第一推荐值;以及根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的第二评估值,确定向所述用户推荐所述待推荐网游的综合评估值,并根据确定的向所述用户推荐所述待推荐网游的综合评估值及获取到的所述用户对应的所述待推荐网游的初始推荐值,确定所述任一网游信息对应的第二推荐值;
根据确定的所述任一网游信息对应的第一推荐值、确定的所述任一网游信息对应的第二推荐值、所述第一概率及所述第二概率,为所述任一网游信息配置对应的推荐值。
在上述发明实施例中,当用户的用户模式为混合模式时,则分别计算用户模式为跟随者模式时待推荐网游的第一推荐值和用户模式为探索者模式时待推荐网游的第二推荐值,以及结合用户为跟随者模式的第一概率和用户为探索者模式的第二概率,最终确定出网游信息对应的推荐值,并将该推荐值配置给对应的网游信息,因而可实现根据用户模式为用户推荐用户比较感兴趣的网游,因而提高了网游推荐的精确度。
可选地,所述服务器根据所述初始网游推荐列表以及所述每个网游信息对应的推荐值,确定更新后的目标网游推荐列表中所述待推荐网游的推荐顺序,包括:
所述服务器根据所述初始网游推荐列表中每个网游信息对应的推荐值,对所述初始网络推荐列表中包括的各个网游信息进行排序,得到所述目标网游推荐列表中所述待推荐网游的推荐顺序;或者
所述服务器根据所述初始网游推荐列表中每个网游信息对应的推荐值,对所述初始网游推荐列表中包括的各个网游信息进行排序,并根据排序靠前的N个网游信息的排列顺序,得到所述目标网游推荐列表中所述待推荐网游的推荐顺序,N为正整数;
其中,所述目标网游推荐列表中排序靠前的网游信息对应更高的推荐值。
可选地,所述服务器根据所述任一网游信息对应的待推荐网游所属的网游主题,确定在所述网游主题下所述用户对应的用户组,包括:
所述服务器将所述任一网游信息对应的待推荐网游所属的每个网游主题下建立的所有用户组中包含所述用户的用户组,确定为在所述网游主题下所述用户对应的用户组。
可选地,所述服务器根据下列方式建立一个网游主题下的用户组:
所述服务器将曾经使用过所述网游主题下包括的各个网游的用户作为所述网游主题对应的用户群;
所述服务器针对选定的各个特征信息中的任意一个特征信息,分别对所述用户群进行聚类分组,得到每个特征信息分别对应的用户组;
所述服务器将每个特征信息分别对应的用户组,作为在所述网游主题下建立的用户组。
可选地,根据所述用户的用户模式,所述服务器确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值之前,还包括:
在所述用户的用户模式为跟随者模式时,所述服务器删除在所述网游主题下所述用户对应的用户组中的第一用户组,其中,所述第一用户组中已经安装所述待推荐网游的用户数量与所述第一用户组中的总用户数量的比值小于或等于第三阈值,所述跟随者模式指用户跟随其他人使用相同网游的概率大于或等于目标阈值的模式;
在所述用户的用户模式为探索者模式时,所述服务器删除在所述网游主题下所述用户对应的用户组中的第二用户组,其中,所述第二用户组中已经安装所述待推荐网游的用户数量与所述第二用户组中的总用户数量的比值大于或等于第四阈值,所述探索者模式指用户跟随其他人使用相同网游的概率小于所述目标阈值的模式。
上述发明实施例中,在确定出用户对应的用户组之后,进一步地,从中过滤掉噪声用户组,所谓噪声用户组指的是会降低最终结果的准确度的用户组,从而可以进一步提高网游推荐的精确度。
第二方面,本发明实施例提供一种服务器,包括:
获取单元,用于获取用户的初始网游推荐列表,所述初始网游推荐列表中包括至少两个待推荐网游分别对应的网游信息;
推荐值配置单元,用于为所述初始网游推荐列表中包括的每个网游信息配置对应的推荐值;
其中,所述推荐值配置单元通过下述过程实现为任一网游信息配置对应的推荐值:根据所述任一网游信息对应的待推荐网游所属的网游主题,确定在所述网游主题下所述用户对应的用户组;其中,每个所述网游主题下的用户组根据所述网游主题下用户的特征信息划分;根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值;其中,一个用户的用户模式用于表示该用户下载网游的主动程度;根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值;
网游推荐单元,用于根据所述初始网游推荐列表以及所述每个网游信息对应的推荐值,确定更新后的目标网游推荐列表中所述待推荐网游的推荐顺序,并根据所述推荐顺序向所述用户推荐网游。
上述发明实施例,为用户的初始网游推荐列表中的每个网游对应的网游信息分别配置对应的推荐值,然后根据每个网游对应的网游信息的推荐值,得到目标网游推荐列表,并根据目标网游推荐列表向用户推荐网游。该发明实施例,在计算一个用户对应的网游的推荐值时,不仅考虑了在对应的用户组中向用户推荐网游的评估值,还考虑了用户自身的用户模式,并且对于每一个用户都单独确定一个目标网游推荐列表,从而可以更加准确地确定出用户比较感兴趣的网游,提高了网游推荐的精确度。
可选地,所述用户的用户模式为跟随者模式,所述跟随者模式指用户跟随其他人使用相同网游的概率大于或等于目标阈值的模式;
所述推荐值配置单元,具体用于:
针对所述用户对应的任意一个用户组,根据所述任意一个用户组中已经安装所述待推荐网游的用户比例,确定针对所述任意一个用户组向所述用户推荐所述待推荐网游的评估值;
根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值,及所述用户对应的每个用户组的权重值,为所述任一网游信息配置对应的推荐值。
在上述发明实施例中,当用户的用户模式为跟随者模式时,则根据用户对应的用户组中已经安装待推荐网游的用户比例,为待推荐网游配置对应的推荐值,可实现根据用户模式为用户推荐用户比较感兴趣的网游,因而提高了网游推荐的精确度。
可选地,所述用户对应的任意一个用户组的权重值,为所述任意一个用户组中的用户数量与所述用户对应的所有用户组中包括的所有用户数量的比值。
可选地,所述用户的用户模式为探索者模式,所述探索者模式指用户跟随其他人使用相同网游的概率小于目标阈值的模式;
所述推荐值配置单元,具体用于:
针对所述用户对应的任意一个用户组,确定所述用户在所述任意一个用户组下载所述待推荐网游后所述待推荐网游在所述任意一个用户组的传播效率值,并将所述传播效率值确定为针对所述任意一个用户组向所述用户推荐所述待推荐网游的评估值;
根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值,确定向所述用户推荐所述待推荐网游的综合评估值;
根据确定的向所述用户推荐所述待推荐网游的综合评估值及获取到的所述用户对应的所述待推荐网游的初始推荐值,为所述任一网游信息配置对应的推荐值。
在上述发明实施例中,当用户的用户模式为探索者模式时,则根据用户在用户组下载待推荐网游后,待推荐网游在用户组内的传播效率值,为待推荐网游配置对应的推荐值,可实现根据用户模式为用户推荐用户比较感兴趣的网游,因而提高了网游推荐的精确度。
可选地,所述推荐值配置单元,具体用于:
将针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值的平均值,作为向所述用户推荐所述待推荐网游的综合评估值;或者
将针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值中的最大值,作为向所述用户推荐所述待推荐网游的综合评估值。
可选地,所述推荐值配置单元,具体用于:
确定所述任意一个用户组中所有用户对所述待推荐网游的偏好度;
根据确定的所述任意一个用户组中所有用户对所述待推荐网游的偏好度,确定所述任意一个用户组中任意两个用户对所述待推荐网游的偏好度的差异度;
根据确定的确定的所述任意一个用户组中所有用户对所述待推荐网游的偏好度及所述任意一个用户组中任意两个用户对所述待推荐网游的偏好度的差异度,确定所述用户在所述任意一个用户组下载所述待推荐网游后所述待推荐网游在所述任意一个用户组的传播效率值。
在上述发明实施例中,在确定待推荐网游在用户组内的传播效率值时,综合考虑了所有用户在用户组内对待推荐网游的偏好度,以及不同用户之间的偏好度的差异度,因而既考虑了用户之间的关联性,又考虑了用户之间的差异性,可实现精确确定待推荐网游在用户组内的传播效率值,因而进一步地可提高最终为每个用户推荐网游的精确度。
可选地,所述用户的用户模式为混合模式,所述混合模式表示所述用户在一个规定时长内出现跟随者模式的概率为第一概率、且出现探索者模式的概率为第二概率;
所述推荐值配置单元,具体用于:
确定所述用户的用户模式为跟随者模式时,针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第一评估值;以及确定所述用户的用户模式为探索者模式时,针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第二评估值;
根据确定的针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第一评估值,及所述用户对应的每个用户组的权重值,确定所述任一网游信息对应的第一推荐值;以及根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的第二评估值,确定向所述用户推荐所述待推荐网游的综合评估值,并根据确定的向所述用户推荐所述待推荐网游的综合评估值及获取到的所述用户对应的所述待推荐网游的初始推荐值,确定所述任一网游信息对应的第二推荐值;
根据确定的所述任一网游信息对应的第一推荐值、确定的所述任一网游信息对应的第二推荐值、所述第一概率及所述第二概率,为所述任一网游信息配置对应的推荐值。
在上述发明实施例中,当用户的用户模式为混合模式时,则分别计算用户模式为跟随者模式时待推荐网游的第一推荐值和用户模式为探索者模式时待推荐网游的第二推荐值,以及结合用户为跟随者模式的第一概率和用户为探索者模式的第二概率,最终确定出网游信息对应的推荐值,并将该推荐值配置给对应的网游信息,因而可实现根据用户模式为用户推荐用户比较感兴趣的网游,因而提高了网游推荐的精确度。
可选地,所述网游推荐单元,具体用于:
根据所述初始网游推荐列表中每个网游信息对应的推荐值,对所述初始网络推荐列表中包括的各个网游信息进行排序,得到所述目标网游推荐列表中所述待推荐网游的推荐顺序;或者
根据所述初始网游推荐列表中每个网游信息对应的推荐值,对所述初始网游推荐列表中包括的各个网游信息进行排序,并根据排序靠前的N个网游信息的排列顺序,得到所述目标网游推荐列表中所述待推荐网游的推荐顺序,N为正整数;
其中,所述目标网游推荐列表中排序靠前的网游信息对应更高的推荐值。
可选地,所述推荐值配置单元,具体用于:
将所述任一网游信息对应的待推荐网游所属的每个网游主题下建立的所有用户组中包含所述用户的用户组,确定为在所述网游主题下所述用户对应的用户组。
可选地,所述服务器还包括用户组建立单元,用于根据下列方式建立一个网游主题下的用户组:
将曾经使用过所述网游主题下包括的各个网游的用户作为所述网游主题对应的用户群;
针对选定的各个特征信息中的任意一个特征信息,分别对所述用户群进行聚类分组,得到每个特征信息分别对应的用户组;
将每个特征信息分别对应的用户组,作为在所述网游主题下建立的用户组。
可选地,所述推荐值配置单元还用于:
根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值之前,在所述用户的用户模式为跟随者模式时,删除在所述网游主题下所述用户对应的用户组中的第一用户组,其中,所述第一用户组中已经安装所述待推荐网游的用户数量与所述第一用户组中的总用户数量的比值小于或等于第三阈值,所述跟随者模式指用户跟随其他人使用相同网游的概率大于或等于目标阈值的模式;
根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值之前,在所述用户的用户模式为探索者模式时,删除在所述网游主题下所述用户对应的用户组中的第二用户组,其中,所述第二用户组中已经安装所述待推荐网游的用户数量与所述第二用户组中的总用户数量的比值大于或等于第四阈值,所述探索者模式指用户跟随其他人使用相同网游的概率小于目标阈值的模式。
上述发明实施例中,在确定出用户对应的用户组之后,进一步地,从中过滤掉噪声用户组,所谓噪声用户组指的是会降低最终结果的准确度的用户组,从而可以进一步提高网游推荐的精确度。
第三方面,本发明实施例提供一种服务器,包括:通信接口,处理器和存储器;其中,存储器用于存储初始网游推荐列表和目标网游推荐列表;
通信接口,用于获取用户的初始网游推荐列表,所述初始网游推荐列表中包括至少两个待推荐网游分别对应的网游信息;
处理器,用于为所述初始网游推荐列表中包括的每个网游信息配置对应的推荐值;
其中,所述处理器通过下述过程实现为任一网游信息配置对应的推荐值:根据所述任一网游信息对应的待推荐网游所属的网游主题,确定在所述网游主题下所述用户对应的用户组;其中,每个所述网游主题下的用户组根据所述网游主题下用户的特征信息划分;根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值;其中,一个用户的用户模式用于表示该用户下载网游的主动程度;根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值;
根据所述初始网游推荐列表以及所述每个网游信息对应的推荐值,确定更新后的目标网游推荐列表中所述待推荐网游的推荐顺序,并根据所述推荐顺序向所述用户推荐网游。
上述发明实施例,为用户的初始网游推荐列表中的每个网游对应的网游信息分别配置对应的推荐值,然后根据每个网游对应的网游信息的推荐值,得到目标网游推荐列表,并根据目标网游推荐列表向用户推荐网游。该发明实施例,在计算一个用户对应的网游的推荐值时,不仅考虑了在对应的用户组中向用户推荐网游的评估值,还考虑了用户自身的用户模式,并且对于每一个用户都单独确定一个目标网游推荐列表,从而可以更加准确地确定出用户比较感兴趣的网游,提高了网游推荐的精确度。
可选地,所述用户的用户模式为跟随者模式,所述跟随者模式指用户跟随其他人使用相同网游的概率大于或等于目标阈值的模式;
所述处理器,具体用于:
针对所述用户对应的任意一个用户组,根据所述任意一个用户组中已经安装所述待推荐网游的用户比例,确定针对所述任意一个用户组向所述用户推荐所述待推荐网游的评估值;
根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值,及所述用户对应的每个用户组的权重值,为所述任一网游信息配置对应的推荐值。
在上述发明实施例中,当用户的用户模式为跟随者模式时,则根据用户对应的用户组中已经安装待推荐网游的用户比例,为待推荐网游配置对应的推荐值,可实现根据用户模式为用户推荐用户比较感兴趣的网游,因而提高了网游推荐的精确度。
可选地,所述用户对应的任意一个用户组的权重值,为所述任意一个用户组中的用户数量与所述用户对应的所有用户组中包括的所有用户数量的比值。
可选地,所述用户的用户模式为探索者模式,所述探索者模式指用户跟随其他人使用相同网游的概率小于目标阈值的模式;
所述处理器,具体用于:
针对所述用户对应的任意一个用户组,确定所述用户在所述任意一个用户组下载所述待推荐网游后所述待推荐网游在所述任意一个用户组的传播效率值,并将所述传播效率值确定为针对所述任意一个用户组向所述用户推荐所述待推荐网游的评估值;
根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值,确定向所述用户推荐所述待推荐网游的综合评估值;
根据确定的向所述用户推荐所述待推荐网游的综合评估值及获取到的所述用户对应的所述待推荐网游的初始推荐值,为所述任一网游信息配置对应的推荐值。
在上述发明实施例中,当用户的用户模式为探索者模式时,则根据用户在用户组下载待推荐网游后,待推荐网游在用户组内的传播效率值,为待推荐网游配置对应的推荐值,可实现根据用户模式为用户推荐用户比较感兴趣的网游,因而提高了网游推荐的精确度。
可选地,所述处理器,具体用于:
将针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值的平均值,作为向所述用户推荐所述待推荐网游的综合评估值;或者
将针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值中的最大值,作为向所述用户推荐所述待推荐网游的综合评估值。
可选地,所述处理器,具体用于:
确定所述任意一个用户组中所有用户对所述待推荐网游的偏好度;
根据确定的所述任意一个用户组中所有用户对所述待推荐网游的偏好度,确定所述任意一个用户组中任意两个用户对所述待推荐网游的偏好度的差异度;
根据确定的确定的所述任意一个用户组中所有用户对所述待推荐网游的偏好度及所述任意一个用户组中任意两个用户对所述待推荐网游的偏好度的差异度,确定所述用户在所述任意一个用户组下载所述待推荐网游后所述待推荐网游在所述任意一个用户组的传播效率值。
在上述发明实施例中,在确定待推荐网游在用户组内的传播效率值时,综合考虑了所有用户在用户组内对待推荐网游的偏好度,以及不同用户之间的偏好度的差异度,因而既考虑了用户之间的关联性,又考虑了用户之间的差异性,可实现精确确定待推荐网游在用户组内的传播效率值,因而进一步地可提高最终为每个用户推荐网游的精确度。
可选地,所述用户的用户模式为混合模式,所述混合模式表示所述用户在一个规定时长内出现跟随者模式的概率为第一概率、且出现探索者模式的概率为第二概率;
所述处理器,具体用于:
确定所述用户的用户模式为跟随者模式时,针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第一评估值;以及确定所述用户的用户模式为探索者模式时,针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第二评估值;
根据确定的针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第一评估值,及所述用户对应的每个用户组的权重值,确定所述任一网游信息对应的第一推荐值;以及根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的第二评估值,确定向所述用户推荐所述待推荐网游的综合评估值,并根据确定的向所述用户推荐所述待推荐网游的综合评估值及获取到的所述用户对应的所述待推荐网游的初始推荐值,确定所述任一网游信息对应的第二推荐值;
根据确定的所述任一网游信息对应的第一推荐值、确定的所述任一网游信息对应的第二推荐值、所述第一概率及所述第二概率,为所述任一网游信息配置对应的推荐值。
在上述发明实施例中,当用户的用户模式为混合模式时,则分别计算用户模式为跟随者模式时待推荐网游的第一推荐值和用户模式为探索者模式时待推荐网游的第二推荐值,以及结合用户为跟随者模式的第一概率和用户为探索者模式的第二概率,最终确定出网游信息对应的推荐值,并将该推荐值配置给对应的网游信息,因而可实现根据用户模式为用户推荐用户比较感兴趣的网游,因而提高了网游推荐的精确度。
可选地,所述处理器,具体用于:
根据所述初始网游推荐列表中每个网游信息对应的推荐值,对所述初始网络推荐列表中包括的各个网游信息进行排序,得到所述目标网游推荐列表中所述待推荐网游的推荐顺序;或者
根据所述初始网游推荐列表中每个网游信息对应的推荐值,对所述初始网游推荐列表中包括的各个网游信息进行排序,并根据排序靠前的N个网游信息的排列顺序,得到所述目标网游推荐列表中所述待推荐网游的推荐顺序,N为正整数;
其中,所述目标网游推荐列表中排序靠前的网游信息对应更高的推荐值。
可选地,所述处理器,具体用于:
将所述任一网游信息对应的待推荐网游所属的每个网游主题下建立的所有用户组中包含所述用户的用户组,确定为在所述网游主题下所述用户对应的用户组。
可选地,所述处理器,具体用于,根据下列方式建立一个网游主题下的用户组:
将曾经使用过所述网游主题下包括的各个网游的用户作为所述网游主题对应的用户群;
针对选定的各个特征信息中的任意一个特征信息,分别对所述用户群进行聚类分组,得到每个特征信息分别对应的用户组;
将每个特征信息分别对应的用户组,作为在所述网游主题下建立的用户组。
可选地,所述处理器,还用于:
根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值之前,在所述用户的用户模式为跟随者模式时,删除在所述网游主题下所述用户对应的用户组中的第一用户组,其中,所述第一用户组中已经安装所述待推荐网游的用户数量与所述第一用户组中的总用户数量的比值小于或等于第三阈值,所述跟随者模式指用户跟随其他人使用相同网游的概率大于或等于目标阈值的模式;
根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值之前,在所述用户的用户模式为探索者模式时,删除在所述网游主题下所述用户对应的用户组中的第二用户组,其中,所述第二用户组中已经安装所述待推荐网游的用户数量与所述第二用户组中的总用户数量的比值大于或等于第四阈值,所述探索者模式指用户跟随其他人使用相同网游的概率小于目标阈值的模式。
上述发明实施例中,在确定出用户对应的用户组之后,进一步地,从中过滤掉噪声用户组,所谓噪声用户组指的是会降低最终结果的准确度的用户组,从而可以进一步提高网游推荐的精确度。
本发明实施例,获取用户的初始网游推荐列表,为初始网游推荐列表中包括的每个网游信息配置对应的推荐值,根据初始网游推荐列表中每个网游信息对应的推荐值,确定更新后的目标网游推荐列表中待推荐网游的推荐顺序中待推荐网游的推荐顺序,并根据目标网游推荐列表向所述用户推荐网游,其中,通过下述过程实现为任一网游信息配置对应的推荐值:根据网游信息对应的待推荐网游所属的网游主题,确定在网游主题下所述用户对应的用户组,根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值。从上述实现网游推荐过程来看,本发明实施例在计算一个用户对应的网游的推荐值时,不仅考虑了在对应的用户组中向用户推荐网游的评估值,还考虑了用户自身的用户模式,并且对于每一个用户都单独计算一个目标网游推荐列表,从而可以更加准确地确定出用户比较感兴趣的网游,提高了网游推荐的精确度。
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要介绍。
图1为本发明实施例提供的网游推荐方法示意图;
图2为本发明实施例提供的网游推荐流程图;
图3为本发明实施例提供的用户分组流程图;
图4为本发明实施例提供的网游推荐流程图;
图5为本发明实施例提供的跟随者模式下的网游推荐方法示意图;
图6为本发明实施例提供的探索者模式下的网游推荐方法示意图;
图7为本发明实施例提供的混合模式下的网游推荐方法示意图;
图8为本发明实施例提供的服务器示意图;
图9为本发明实施例提供的服务器示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例,用于实现为终端(例如可以是移动终端或者是个人电脑等)网游用户在使用终端网游应用时,为终端用户精确推荐网游,以提高用户下载安装及使用这些推荐网游的概率,从而提高了用户的网游体验,使得用户可下载到最适合自己的网游,进而提高了用户对网游应用的粘性。
本发明实施例中,在为用户推荐网游时,不同的用户之间,推荐的网游是不相同或者不完全相同的,即,可实现为个性化的网游推荐,根据每个用户自身特点来推荐最适合用户的网游。
本发明实施例中,在为用户推荐网游之前,需要确定每个用户的用户模式,一个用户的用户模式用于表示该用户下载网游的主动程度。
举例来说,有的用户属于跟随者模式用户(也可称之为被动型用户),其在玩网游时,喜欢观察其所在的群组中已经使用某个网游的用户比例,如果群组中已经在玩该网游的用户比较多,则该用户倾向于认为该网游比较好玩,因而该用户也会下载该网游来玩;如果群组中已经在玩该网游的用户相对较少,则该用户倾向于认为该网游可能不怎么好玩,因而该用户不会下来该网游来玩。因而对于跟随者模式的用户,其是否下载或者安装某个网游的主动程度,取决于其所在群组中其它用户的行为,因而在为这类用户推荐网游时,可利用这种用户特点,来提高网游推荐的精确度。
再比如,还有一些用户属于探索者模式用户(也可称之为主动型用户),其在玩网游时的特点与跟随者模式用户恰好相反,这类用户比较喜欢尝试刚推出的最新游戏,反而不怎么喜欢玩大家都已经在玩,或者是已经推出很久的网游。因而对于探索者模式的用户,其是否下载或者安装某个网游的主动程度,也是取决于其所在群组中其它用户的行为,如果已经下载或者安装某个网游的用户比较多,则该用户倾向于不再玩该网游,因而在为这类用户推荐网游时,可利用这种用户特点,来提高网游推荐的精确度。
此外,在具体对用户进行用户模式确定的时候,本发明实施例中,将采用两种策略来为每个用户推荐网游,具体地:
第一种策略为:将每个用户的用户模式确定为跟随者模式,或者确定为探索者模式
在该策略下,一个用户要么是跟随者模式,要么是探索者模式,二者只能为其一。
第二种策略为:将每个用户的用户模式确定为混合模式
在该策略下,每个用户都是混合模式,其中混合模式指的是,一个用户在一个时长内时而为跟随者模式时而为探索者模式,或者说是一个用户在一个时长内以一定概率出现跟随者模式,以另一概率出现探索者模式,之所以有这种模式划分方式,是考虑到任何一个用户,其有时候表现为跟随者模式,有时候表现为探索者模式,主要是根据用户对某类网游的偏好度,用户自身的行为习惯相关,只不过用户可能倾向于某种模式的可能性要大一些,例如,混合模式的用户在一个时长内有70%的可能性是探索者模式用户,有30%的可能性是跟随者模式用户,因此,在第二种策略下,将每个用户都统一确定为混合模式用户,并结合该用户为探索者模式的概率和为跟随者模式的概率,来综合为该用户推荐网游。
下面对本发明实施例提供的网游推荐方法做详细说明,参照图1,为本发明实施例提供一种网游推荐方法,该方法的执行主体为网络侧的服务器,具体地,可以是服务器内的处理器,如CPU(Central Processing Unit,中央处理器),所述方法包括:
步骤101、服务器获取用户的初始网游推荐列表,所述初始网游推荐列表中包括至少两个待推荐网游分别对应的网游信息;
步骤102、服务器为所述初始网游推荐列表中包括的每个网游信息配置对应的推荐值;
其中,服务器通过下述过程实现为任一网游信息配置对应的推荐值:
步骤1021、服务器根据所述任一网游信息对应的待推荐网游所属的网游主题,确定在所述网游主题下所述用户对应的用户组;其中,每个所述网游主题下的用户组根据所述网游主题下用户的特征信息划分;
步骤1022、服务器根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值;其中,一个用户的用户模式用于表示该用户下载网游的主动程度;
步骤1023、服务器根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值;
步骤103、服务器根据所述初始网游推荐列表中每个网游信息对应的推荐值,确定更新后的目标网游推荐列表,并根据所述目标网游推荐列表向所述用户推荐网游。
上述发明实施例,为用户的初始网游推荐列表中的每个网游对应的网游信息分别配置对应的推荐值,然后根据每个网游对应的网游信息的推荐值,得到目标网游推荐列表,并根据目标网游推荐列表向用户推荐网游。该发明实施例,在计算一个用户对应的网游的推荐值时,不仅考虑了在对应的用户组中向用户推荐网游的评估值,还考虑了用户自身的用户模式,并且对于每一个用户都单独确定一个目标网游推荐列表,从而可以更加准确地确定出用户比较感兴趣的网游,提高了网游推荐的精确度。
本发明实施例的总体思路为:
通过上述步骤101,服务器获取用户的初始网游推荐列表。
通过上述步骤102,服务器为初始网游推荐列表中包括的每个网游信息配置对应的推荐值。
通过上述步骤103,服务器根据所述初始网游推荐列表中每个网游信息对应的推荐值,确定更新后的目标网游推荐列表,并根据所述目标网游推荐列表向所述用户推荐网游。
具体地,在上述步骤101中,初始网游推荐列表中包括至少两个待推荐网游分别对应的网游信息,并且获取用户的初始网游推荐列表指的是将根据现有技术中的网游推荐方法得到的网游推荐列表,作为本发明实施例的初始网游推荐列表,由于现有技术中获取网游推荐列表的方法比较多,但这些方法得到的网游推荐列表不是很精确,因此本发明在现有技术的基础上,对现有技术得到的网游推荐列表做进一步分析和更新,从而得到更为精确的网游推荐列表。
举例来说,现有技术中的网游推荐方法可以是通过抽取用户历史数据,提取用户、网游及应用场景特征,利用经典机器学习方法(如libLinear)训练模型,按照模型预测得分,得到网游推荐列表。本发明实施例将得到的该网游推荐列表,作为初始网游推荐列表。
上述步骤102中,为初始网游推荐列表中包括的每个网游信息配置对应的推荐值,其中网游配置信息指的是用于标识一个网游的一些基本信息,其中,至少包含一个网游标识信息,用于唯一标识网游,例如使用网游0001,网游0002,网游0003等,来区分不同的网游,网游配置信息中包含的其它信息还可以有:网游名称,网游发布时间,网游下载人数等信息,以便用户可以查看和了解该网游的信息和特点。
例如,参照表1,示例性地给出了用户2对应的初始网游推荐列表。
表1
网游标识 | 网游名称 | 网游发布时间 | 网游下载人数 |
网游0001 | 大话西游 | 2013-9-2 | 25687 |
网游0002 | 传奇 | 2010-8-5 | 523695 |
网游0003 | 魔兽 | 2012-5-6 | 10523689 |
网游0004 | 切西瓜 | 2013-2-3 | 225632 |
网游0005 | 超级玛丽 | 2009-9-6 | 25365 |
网游0006 | 魂斗罗 | 2006-6-8 | 12555 |
…… | …… | …… | …… |
网游信息配置对应的推荐值用于表示向用户推荐该网游的推荐程度,推荐值越大,表示越倾向于向该用户推荐该网游,举例来说,假设用户1对应的网游A的推荐值为10,对应的网游B的推荐值为9,则优先向用户1推荐网游A。
参照表2,示例性地给出了对于上述表1中每个网游配置信息都配置了一个推荐值之后的参照表。
表2
上述步骤103中,服务器根据所述初始网游推荐列表中每个网游信息对应的推荐值,确定更新后的目标网游推荐列表,并根据所述目标网游推荐列表向所述用户推荐网游。
在表2的基础上,得到的更新后的目标网游推荐列表,其中,目标网游推荐列表中排序靠前的网游信息对应更高的推荐值。
可选地,至少有以下两种方式得到目标网游推荐列表:
方式一、服务器根据初始网游推荐列表中每个网游信息对应的推荐值,对初始网络推荐列表中包括的各个网游信息进行排序,得到目标网游推荐列表中所述待推荐网游的推荐顺序
在该方式中,目标网游推荐列表中的网游信息的数量与初始网游推荐列表中的网游信息的数量相同。
以表2为例,假设表2中前面6个网游信息对应的推荐值都大于后面其它的网游信息对应的推荐值,则根据方式一得到的目标网游推荐列表如表3-1所示。
表3-1
方式二、服务器根据初始网游推荐列表中每个网游信息对应的推荐值,对初始网游推荐列表中包括的各个网游信息进行排序,并根据排序靠前的N个网游信息的排列顺序,得到目标网游推荐列表述待推荐网游的推荐顺序,N为正整数
在该方式中,目标网游推荐列表中的网游信息的数量少于初始网游推荐列表中的网游信息的数量。
以表2为例,假设表2中前面6个网游信息对应的推荐值都大于后面其它的网游信息对应的推荐值,且N取值为3,则根据方式二得到的目标网游推荐列表如表3-2所示。
表3-2
网游标识 | 网游名称 | 网游发布时间 | 网游下载人数 | 推荐值 |
网游0003 | 魔兽 | 2012-5-6 | 10523689 | 15.2 |
网游0002 | 传奇 | 2010-8-5 | 523695 | 13.6 |
网游0004 | 切西瓜 | 2013-2-3 | 225632 | 11.2 |
最终,根据上述表3-1或者上述表3-2向用户2推荐网游,即根据表3-1从前往后的顺序向用户2推荐网游,或者是根据表3-2从前往后的顺序向用户2推荐网游,至此,实现了对某个用户推荐网游的过程。
下面对上述步骤102中,具体如何实现为用户对应的初始网游推荐列表中的任一网游信息配置对应的推荐值做详细的描述。
具体地,参照图1,包括步骤1021~步骤1023。
为方便理解本发明实施例的方案,在这里,首先对本发明实施例步骤1021~步骤1023之外的预备处理工作做详细介绍。
预备处理工作一、网游主题的划分
对网游主题进行划分指的根据网游的类型、游戏的属性或用户玩家的特点等,将应用市场所有网游划分成不同的游戏主题。
举例来说,可以将应用市场下的所有网游划分为M个类型(M取值视实际需要而定),例如有飞行射击类网游、少女最爱网游、宅男必玩网游、热血网游、休闲类网游等等。
预备处理工作二、网游主题下用户组的划分
对网游主题进行用户组的划分具体包括:用户聚群和用户分组。
用户聚群指的是将网游主题下的用户聚集成一个用户群,例如可以是将曾经使用过所述网游主题下包括的各个网游的用户作为网游主题对应的用户群,并且一个网游主题对应一个用户群。举例来说,对于飞行射击类网游主题,通过用户聚群后得到的用户群中包含10000个用户;少女最爱网游主题,通过用户聚群后得到的用户群中包含20000个用户,等等。需要说明的是,一个用户可以属于多个用户群,例如用户3既属于少女最爱网游主题对应的用户群,也可以同时属于休闲类网游主题对应的用户群。
用户分组指的是根据在网游主题下用户的特征信息对网游主题对应的用户群进行分组划分的。可选地,根据下列方式建立一个网游主题下的用户组:
针对选定的各个特征信息中的任意一个特征信息,分别对所述用户群进行聚类分组,得到每个特征信息分别对应的用户组;将每个特征信息分别对应的用户组,作为在所述网游主题下建立的用户组。
举例来说,针对飞行射击类网游主题对应的用户群(为方便说明,将该用户群称为目标用户群)假设该用户群中10000个用户。例如选定的特征信息有:年龄、性别、学生类别、地点、工作年限。
根据年龄,例如将目标用户群划分为以下四个用户组:
用户组1(10岁以下):2000个用户;
用户组2(10~20岁):1500个用户;
用户组3(20~40岁)4000个用户;
用户组4(40岁以上)2500个用户。
根据性别,将目标用户群划分为以下两个用户组:
用户组5(男性):8000个用户;
用户组6(女性):2000个用户。
根据学生类别,例如将目标用户群划分为以下四个用户组:
用户组7(初中用户):5000个用户;
用户组8(高中用户):1000个用户;
用户组9(大学用户):2000个用户;
用户组10(其它用户):2000个用户。
根据地点,例如将目标用户群划分为以下两个用户组:
用户组11(北方用户):6000个用户;
用户组12(南方用户):4000个用户。
根据工作年限,例如将目标用户群划分为以下四个用户组:
用户组13(少于1年):8000个用户;
用户组14(1~3年):1000个用户;
用户组15(3年以上):1000个用户。
从而,根据选定的特征信息,根据每个特征信息,都可以将目标用户群划分为多个用户组,基于上面的例子,本发明实施例中,一个网游主题下的用户组指的是上述用户组1~用户组15。即将根据选定的多个特征信息分别划分得到的所有用户组,作为一个网游主题下的用户组。
需要特别说明的是,上述选定的特征信息以及用户组划分方式只是为方便说明,给出的一种示例,实际应用中,具体如何选定特征信息,以及如何根据特征信息对网游主题对应的用户群进行划分得到多个用户组,视实际情况而定。
通过上述方式,即可实现将一个网游主题下的用户划分为多个用户组,其中,一个网游主题下的每个用户可以属于多个用户组,例如飞行射击类网游主题下的的某个用户,具有如下特征信息:25岁、女、高中生、南方、5年,则可以确定该用户对应的用户组为:用户组4、用户组6、用户组8、用户组12、用户组15。
在上述方法中,针对选定的特征信息,将用户群进行聚类分组时,例如可采用下列方式实现:
对网游主题下的用户群,建立用户之间的相似性图谱,利用图谱融合方法,将该网游主题对应的用户群中多个相似性图谱融合成最优图谱,对最优图谱采用可覆盖关联聚类优化方法,将该网游主题对应的用户群划分成多个可相互重叠的用户组集合。通常可以选取用户自身相关特征信息或者是用户与其它用户之间的历史交互行为等特征,从不同角度计算该网游主题下用户群中用户之间的相似性,并得到该网游主题下用户之间的相似性图谱,其中图节点表示用户,边表示用户之间相似性权重;通过上述方式,可以构建该网游主题下的多个无向加权图谱。利用多图谱融合方法和可覆盖关联聚类优化将该网游主题下用户进行划分。
预备处理工作三、用户模式的划分
其中,一个用户的用户模式用于表示该用户下载网游的主动程度。
本发明实施例中,根据两种策略来确定每个用户的用户模式,具体为:
第一种策略、将每个用户的用户模式确定为跟随者模式,或者确定为探索者模式
其中,跟随者模式指用户跟随其他人使用相同网游的概率大于或等于目标阈值的模式;探索者模式指用户跟随其他人使用相同网游的概率小于目标阈值的模式。
其中,目标阈值一般取值为50%,例如,当用户跟随其他人使用相同网游的概率为60%时,则确定该用户的用户模式为跟随者模式;在这里,也可以理解为,用户以60%的概率为跟随者模式,以40%的概率为探索者模式,由于用户为跟随者模式的概率更大,因此将用户确定为跟随者模式。
当用户跟随其他人使用相同网游的概率为20%时,则确定该用户的用户模式为跟探索者模式。在这里,也可以理解为,用户以20%的概率为跟随者模式,以80%的概率为探索者模式,由于用户为探索者模式的概率更大,因此将用户确定为探索者模式。
可选地,本发明实施例中,还可以通过下列方式来确定一个用户的用户模式:
根据用户的历史行为特征及用户的特性信息,确定所述用户的用户模式为跟随者模式的概率;若所述用户的用户模式为跟随者模式的概率大于或等于第一阈值,则确定所述用户的用户模式为跟随者模式,否则,确定所述用户的用户模式为探索者模式。
其中,根据所述用户的历史行为特征及用户的特性信息,确定所述用户的用户模式为跟随者模式的概率,包括:根据所述用户的历史行为特征及用户的特性信息,确定所述用户的用户模式为跟随者模式的先验概率及所述用户的用户模式为跟随者模式时针对各历史行为特征或用户的特性信息的条件概率;根据所述用户的用户模式为跟随者模式的先验概率及所述用户的用户模式为跟随者模式时针对各历史行为特征或用户的特性信息的条件概率,确定所述用户的用户模式为跟随者模式的概率。
下面结合一个具体的例子,来说明如何确定一个用户的用户模式。
假设用户4的历史行为特征为:X1=下载过2款以上网游,用户的特性信息:X2=学生,则首先计算用户4的先验概率P(跟随者模式),条件概率P(X2|跟随者模式),条件概率P(X1|跟随者模式),然后计算用户4为跟随者模式的概率为:
P(跟随者模式|X1,X2)=P(跟随者模式)*条件概率P(X2|跟随者模式)*P(X1|跟随者模式)。
如果计算得到的P(跟随者模式|X1,X2)大于第一阈值,则确定用户4的用户模式为跟随者模式。
由于在第一种策略下,一个用户或者为跟随者模式,或者为探索者模式,因此如果计算得到的P(跟随者模式|X1,X2)小于第一阈值,则确定用户4的用户模式为探索者模式;如果计算得到的P(跟随者模式|X1,X2)等于第一阈值,则用户4的用户模式既可以确定为跟随者模式,也可以确定为探索者模式,根据实际需要设定。
第二种策略、每个用户的用户模式均为混合模式
混合模式表示所述用户在一个规定时长内出现跟随者模式的概率为第一概率、且出现探索者模式的概率为第二概率,例如,用户5的模式是以80%的概率为跟随者模式,以20%的概率为探索者模式,其中,概率的计算方式与第一种策略中计算用户为跟随者模式的概率以及为探索者模式的概率的方式相同,这里不再赘述。
参照图2,为本发明实施例提供的网游推荐流程图,首先对网游进行主题划分,然后进行用户聚群,以及用户分组,之后根据用户的用户模型,选择相应的推荐策略对初始推荐列表进行更新,得到更新后的目标网游推荐列表。
参照图3,为本发明实施例提供的用户分组流程图,一个网游主题对应一个用户群,一个用户群通过用户聚类分组,可以划分得到多个用户组,例如用户群U1划分得到了k1个用户组,用户群U2划分得到了k2个用户组,等等。
在做好了以上三个预备处理工作之后,即可进入步骤1021~步骤1023,为用户对应的初始网游列表中的任一网游信息配置对应的推荐值,可选地,上述三个预备处理工作是在上述步骤101之前完成的。
在步骤1021中,根据用户对应的初始网游推荐列表中任一网游信息对应的待推荐网游所属的网游主题,确定在所述网游主题下所述用户对应的用户组。
可选地,根据所述任一网游信息对应的待推荐网游所属的网游主题,确定在所述网游主题下所述用户对应的用户组,包括:将所述任一网游信息对应的待推荐网游所属的每个网游主题下建立的所有用户组中包含所述用户的用户组,确定为在所述网游主题下所述用户对应的用户组。
举例来说,参照上面的例子,对飞行射击类网游主题对应的用户群进行划分,得到了15个用户组,针对某个用户6,在确定用户6在飞行射击类网游主题下对应的用户组时,将这15个用户组中包含用户6的用户组,确定飞行射击类网游主题下用户6对应的用户组。例如,假设用户组4,用户组6,用户组10,用户组11,用户组14均包含用户6,则用户6在飞行射击类网游主题下对应的用户组为:用户组4,用户组6,用户组10,用户组11,用户组14。
在这里,需要说明的是,由于一个用户可能属于不止一个网游主题对应的用户群,例如用户6还属于宅男必玩网游主题对应的用户群,相应地,也确定出用户6在宅男必玩网游主题下对应的用户组,假设为:用户组5’,用户组8’,用户组15’。则,最终用户6对应的用户组应该为:用户组4,用户组6,用户组10,用户组11,用户组14,用户组5’,用户组8’,用户组15’。
在步骤1022中,根据用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值。然后在步骤1023中,根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值。
对于步骤1022和步骤1023,下面根据选择的不同策略分别详细介绍。
第一种策略、将每个用户的用户模式确定为跟随者模式,或者确定为探索者模式
参照图4,为本发明实施例提供的网游推荐流程图,针对某个具体的用户,根据该用户的用户模式,选择相应的推荐策略,对该用户的初始推荐列表进行更新,得到该用户的目标网游推荐列表。
情形一、确定出用户的用户模式为跟随者模式
当用户的用户模式为跟随者模式时,可选地,根据下列方式确定针对所述用户对应的用户组向所述用户推荐所述任一网游信息的评估值:
针对所述用户对应的任意一个用户组,根据所述任意一个用户组中已经安装所述待推荐网游的用户比例,确定针对所述任意一个用户组向所述用户推荐所述待推荐网游的评估值。可选地,所述用户对应的任意一个用户组的权重值,为所述任意一个用户组中的用户数量与所述用户对应的所有用户组中包括的所有用户数量的比值。
可选地,根据下列方式为任一网游信息配置对应的推荐值:
根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值,及所述用户对应的每个用户组的权重值,为所述任一网游信息配置对应的推荐值。
下面结合图5,对上述发明内容进行详细说明,参照图5,为本发明实施例提供的跟随者模式下的网游推荐方法示意图。例如,针对某个用户U,其对应的用户组为C(T,1),C(T,2),……,C(T,N),当前需要计算的是网游g的推荐值,则首先计算出用户U在对应的每个用户组中向用户U推荐待推荐网游的评估值,以用户组C(T,1)为例,具体的计算方法为:将用户组C(T,1)中已经下载网游g的用户数量与用户组C(T,1)中用户总数量的比值,作为用户组C(T,1)中向用户U推荐网游g的评估值,例如,用户组C(T,1)中已经下载网游g的用户数量为60,用户组C(T,1)中用户总数量为100,则用户组C(T,1)中向用户U推荐网游g的评估值为0.6(即60/100),同样地,可以计算出用户U对应的其它用户组中向用户U推荐网游g的评估值。
在计算得到用户U对应的所有用户组中分别向用户U推荐网游g的评估值之后,还需要计算用户对应的每个用户组的权重值,本发明实施例中,将一个用户组中的用户数量与用户对应的所有用户组中包括的所有用户数量的比值,作为该用户对应的该用户组的权重,举例来说,假设用户组C(T,1)中一共有100个用户,用户U对应的N个用户组中的中用户数量为500(即对用户U对应的N个用户组中的用户数量进行求和),则用户组C(T,1)的权重为0.2(即100/500),同样地,可以计算得到用户U对应的其它用户组的权重。
在计算得到用户U在N个用户组中的每个用户组中向用户U推荐网游g的评估值,以及计算得到用户U对应的N个用户组中每个用户组的权重之后,即可计算得到用户U对应的网游g的推荐值为:其中,N表示用户U对应的用户组的数量,wi表示用户U对应的用户组C(T,i)的权重,pi表示用户组C(T,i)中向用户U推荐网游g的评估值。
在上述发明实施例中,当用户的用户模式为跟随者模式时,则根据用户对应的用户组中已经安装待推荐网游的用户比例,为待推荐网游配置对应的推荐值,可实现根据用户模式为用户推荐用户比较感兴趣的网游,因而提高了网游推荐的精确度。
情形二、确定出用户的用户模式为探索者模式
当用户的模式为探索者模式时,可选地,根据下列方式,确定针对用户对应的用户组向用户推荐任一网游信息的评估值:针对用户对应的任意一个用户组,确定所述用户在所述任意一个用户组下载所述待推荐网游后所述待推荐网游在所述任意一个用户组的传播效率值,并将所述传播效率值确定为针对所述任意一个用户组向所述用户推荐所述待推荐网游的评估值。
可选地,根据下列方式确定用户在任意一个用户组下载待推荐网游后待推荐网游在任意一个用户组的传播效率值:确定任意一个用户组中所有用户对待推荐网游的偏好度;根据确定的任意一个用户组中所有用户对所述待推荐网游的偏好度,确定所述任意一个用户组中任意两个用户对所述待推荐网游的偏好度的差异度;根据确定的确定的所述任意一个用户组中所有用户对所述待推荐网游的偏好度及所述任意一个用户组中任意两个用户对所述待推荐网游的偏好度的差异度,确定所述用户在所述任意一个用户组下载所述待推荐网游后所述待推荐网游在所述任意一个用户组的传播效率值,即本发明实施例中的传播效率值,依赖于用户组内用户间的网络拓扑关系及用户组中用户对待推荐网游的偏好度和用户之间的差异度。
在上述发明实施例中,在确定待推荐网游在用户组内的传播效率值时,综合考虑了所有用户在用户组内对待推荐网游的偏好度,以及不同用户之间的偏好度的差异度,因而既考虑了用户之间的关联性,又考虑了用户之间的差异性,可实现精确确定待推荐网游在用户组内的传播效率值,因而进一步地可提高最终为每个用户推荐网游的精确度。
可选地,根据下列方式为任一网游信息配置对应的推荐值:
根据针对用户对应的每个用户组确定的向用户推荐待推荐网游的评估值,确定向用户推荐待推荐网游的综合评估值;
根据确定的向用户推荐待推荐网游的综合评估值及获取到的用户对应的待推荐网游的初始推荐值,为所述任一网游信息配置对应的推荐值。
可选地,根据下列方式确定向用户推荐待推荐网游的综合评估值:
将针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值的平均值,作为向所述用户推荐所述待推荐网游的综合评估值;或者
将针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值中的最大值,作为向所述用户推荐所述待推荐网游的综合评估值。
下面结合图6,对上述发明内容进行详细说明,参照图6,为本发明实施例提供的探索者模式下的网游推荐方法示意图。例如,针对某个用户V,其对应的用户组为C(S,1),C(S,2),……,C(S,M),当前需要计算的是网游h的推荐值,则首先计算出用户U在对应的每个用户组中向用户V推荐待推荐网游的评估值,以用户组C(S,1)为例,具体的计算方法为:计算用户V在用户组C(S,1)下载网游h后,网游h在用户组C(S,1)的传播效率值,并将该传播效率值确定为用户组C(S,1)向用户V推荐网游h的评估值,其中,计算一个用户组中网游的传播效率值的方法在现有技术中比较多,本发明实施例采用根据用户组中所有用户对待推荐网游的偏好度,以及用户组中任意两个用户对待推荐网游的偏好度的差异度,来确定用户在任意一个用户组下载待推荐网游后,待推荐网游在所述任意一个用户组的传播效率值。
例如,确定的用户组i(其中i∈[1,M])中向用户V推荐网游h的评估值为qi,接下来需要计算向用户V推荐网游h的综合评估值,计算方式比较多,下面示例性的给出两种计算方式:
方式一、综合评估值=max(qi),i∈[1,M]。
即将针对用户V对应的每个用户组确定的向用户推荐网游h的评估值中的最大值,作为向用户V推荐网游h的综合评估值。
方式二、
即将针对用户V对应的每个用户组确定的向用户推荐网游h的评估值的平均值,作为向用户V推荐网游h的综合评估值。
在确定了向用户V推荐网游h的综合评估值之后,结合获取到的用户V对应的网游h的初始推荐值,即可得到向用户V推荐网游h的推荐值=向用户V推荐网游h的初始推荐值*综合评估值。
其中,上述使用到的向用户V推荐网游h的初始推荐值是可以直接获得的,即通过现有技术的方法得到初始推荐列表的同时,也可以得到初始推荐值,具体如何计算得到初始推荐值为现有技术,这里不再赘述。
在上述发明实施例中,当用户的用户模式为探索者模式时,则根据用户在用户组下载待推荐网游后,待推荐网游在用户组内的传播效率值,为待推荐网游配置对应的推荐值,可实现根据用户模式为用户推荐用户比较感兴趣的网游,因而提高了网游推荐的精确度。
第二种策略、每个用户的用户模式均为混合模式
用户模式为混合模式时,以计算向用户X推荐网游r的推荐值为例,具体方法为:
计算用户模式为跟随者模式时,向用户X推荐网游r的第一推荐值,计算用户模式为探索者模式时,向用户X推荐网游r的第二推荐值,具体计算第一推荐值和第二推荐值的方法可参照上述第一种策略中的计算方法;
计算用户X的用户模式为跟随者模式的第一概率,计算用户X的用户模式为探索者模式的第二概率,具体计算方法可参照本发明实施例中预备工作三中计算用户模式的方法;
在得到第一推荐值,第二推荐值,第一概率,第二概率之后,则最终计算得到的向用户X推荐网游r的推荐值=第一推荐值*第一概率+第二推荐值*第二概率。
举例来说,假设向用户X推荐网游r的第一推荐值为11.5,向用户X推荐网游r的第二推荐值为15,用户X的用户模式为跟随者模式的第一概率为60%,用户X的用户模式为探索者模式的第二概率为40%,则最终计算得到的向用户X推荐网游r的推荐值=11.5*60%+15*40%=6.9+6=12.9。
在上述发明实施例中,当用户的用户模式为混合模式时,则分别计算用户模式为跟随者模式时待推荐网游的第一推荐值和用户模式为探索者模式时待推荐网游的第二推荐值,以及结合用户为跟随者模式的第一概率和用户为探索者模式的第二概率,最终确定出网游信息对应的推荐值,并将该推荐值配置给对应的网游信息,因而可实现根据用户模式为用户推荐用户比较感兴趣的网游,因而提高了网游推荐的精确度。
参照图7,为本发明实施例提供的混合模式下的网游推荐方法示意图,其中,可选地,根据用户的用户模式,确定针对用户对应的用户组向用户推荐待推荐网游的评估值之前,还包括:
在所述用户的用户模式为跟随者模式时,删除在网游主题下用户对应的用户组中的第一用户组,其中,所述第一用户组中已经安装所述待推荐网游的用户数量与所述第一用户组中的总用户数量的比值小于或等于第三阈值。
举例来说,假设用户对应的用户组A中,只有1%的用户安装了待推荐网游,如果第三阈值取值是大于1%的,例如预先设定的取值为5%,则由于用户组A中安装待推荐网游的用户的比例小于5%,表明用户组A与此待推荐网游关联性不强,因而直接将用户组A过滤掉,以防止其影响最终计算待推荐网游的推荐值的准确度。
在用户的用户模式为探索者模式时,删除在网游主题下所述用户对应的用户组中的第二用户组,其中,所述第二用户组中已经安装所述待推荐网游的用户数量与所述第二用户组中的总用户数量的比值大于或等于第四阈值。
举例来说,假设用户对应的用户组B中,有80%的用户安装了待推荐网游,如果第四阈值取值是小于80%的,例如预先设定的取值为40%,则由于用户组B中安装待推荐网游的用户的比例大于40%,表明用户组B中,绝大多数用户已下载过此网游,则无需在用户组B中进一步推广该网游应用,因而直接将用户组B过滤掉,以防止其影响最终计算待推荐网游的推荐值的准确度。
上述发明实施例中,在确定出用户对应的用户组之后,进一步地,从中过滤掉噪声用户组,所谓噪声用户组指的是会降低最终结果的准确度的用户组,从而可以进一步提高网游推荐的精确度。
本发明实施例,获取用户的初始网游推荐列表,为初始网游推荐列表中包括的每个网游信息配置对应的推荐值,根据初始网游推荐列表中每个网游信息对应的推荐值,确定更新后的目标网游推荐列表中待推荐网游的推荐顺序,并根据目标网游推荐列表向所述用户推荐网游,其中,通过下述过程实现为任一网游信息配置对应的推荐值:根据网游信息对应的待推荐网游所属的网游主题,确定在网游主题下所述用户对应的用户组,根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值。从上述实现网游推荐过程来看,本发明实施例在计算一个用户对应的网游的推荐值时,不仅考虑了在对应的用户组中向用户推荐网游的评估值,还考虑了用户自身的用户模式,并且对于每一个用户都单独计算一个目标网游推荐列表,从而可以更加准确地确定出用户比较感兴趣的网游,提高了网游推荐的精确度。
基于相同的发明构思,本发明实施例还提供一种提供一种服务器800,如图8所示,包括:
获取单元801,用于获取用户的初始网游推荐列表,所述初始网游推荐列表中包括至少两个待推荐网游分别对应的网游信息;
推荐值配置单元802,用于为所述初始网游推荐列表中包括的每个网游信息配置对应的推荐值;
其中,所述推荐值配置单元802通过下述过程实现为任一网游信息配置对应的推荐值:根据所述任一网游信息对应的待推荐网游所属的网游主题,确定在所述网游主题下所述用户对应的用户组;其中,每个所述网游主题下的用户组根据所述网游主题下用户的特征信息划分;根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值;其中,一个用户的用户模式用于表示该用户下载网游的主动程度;根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值;
网游推荐单元803,用于根据所述初始网游推荐列表以及所述每个网游信息对应的推荐值,确定更新后的目标网游推荐列表中所述待推荐网游的推荐顺序,并根据所述推荐顺序向所述用户推荐网游。
上述发明实施例,为用户的初始网游推荐列表中的每个网游对应的网游信息分别配置对应的推荐值,然后根据每个网游对应的网游信息的推荐值,得到目标网游推荐列表,并根据目标网游推荐列表向用户推荐网游。该发明实施例,在计算一个用户对应的网游的推荐值时,不仅考虑了在对应的用户组中向用户推荐网游的评估值,还考虑了用户自身的用户模式,并且对于每一个用户都单独确定一个目标网游推荐列表,从而可以更加准确地确定出用户比较感兴趣的网游,提高了网游推荐的精确度。
可选地,所述用户的用户模式为跟随者模式,所述跟随者模式指用户跟随其他人使用相同网游的概率大于或等于目标阈值的模式;
所述推荐值配置单元802,具体用于:
针对所述用户对应的任意一个用户组,根据所述任意一个用户组中已经安装所述待推荐网游的用户比例,确定针对所述任意一个用户组向所述用户推荐所述待推荐网游的评估值;
根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值,及所述用户对应的每个用户组的权重值,为所述任一网游信息配置对应的推荐值。
在上述发明实施例中,当用户的用户模式为跟随者模式时,则根据用户对应的用户组中已经安装待推荐网游的用户比例,为待推荐网游配置对应的推荐值,可实现根据用户模式为用户推荐用户比较感兴趣的网游,因而提高了网游推荐的精确度。
可选地,所述用户对应的任意一个用户组的权重值,为所述任意一个用户组中的用户数量与所述用户对应的所有用户组中包括的所有用户数量的比值。
可选地,所述用户的用户模式为探索者模式,所述探索者模式指用户跟随其他人使用相同网游的概率小于目标阈值的模式;
所述推荐值配置单元802,具体用于:
针对所述用户对应的任意一个用户组,确定所述用户在所述任意一个用户组下载所述待推荐网游后所述待推荐网游在所述任意一个用户组的传播效率值,并将所述传播效率值确定为针对所述任意一个用户组向所述用户推荐所述待推荐网游的评估值;
根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值,确定向所述用户推荐所述待推荐网游的综合评估值;
根据确定的向所述用户推荐所述待推荐网游的综合评估值及获取到的所述用户对应的所述待推荐网游的初始推荐值,为所述任一网游信息配置对应的推荐值。
在上述发明实施例中,当用户的用户模式为探索者模式时,则根据用户在用户组下载待推荐网游后,待推荐网游在用户组内的传播效率值,为待推荐网游配置对应的推荐值,可实现根据用户模式为用户推荐用户比较感兴趣的网游,因而提高了网游推荐的精确度。
可选地,所述推荐值配置单元802,具体用于:
将针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值的平均值,作为向所述用户推荐所述待推荐网游的综合评估值;或者
将针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值中的最大值,作为向所述用户推荐所述待推荐网游的综合评估值。
可选地,所述推荐值配置单元802,具体用于:
确定所述任意一个用户组中所有用户对所述待推荐网游的偏好度;
根据确定的所述任意一个用户组中所有用户对所述待推荐网游的偏好度,确定所述任意一个用户组中任意两个用户对所述待推荐网游的偏好度的差异度;
根据确定的确定的所述任意一个用户组中所有用户对所述待推荐网游的偏好度及所述任意一个用户组中任意两个用户对所述待推荐网游的偏好度的差异度,确定所述用户在所述任意一个用户组下载所述待推荐网游后所述待推荐网游在所述任意一个用户组的传播效率值。
在上述发明实施例中,在确定待推荐网游在用户组内的传播效率值时,综合考虑了所有用户在用户组内对待推荐网游的偏好度,以及不同用户之间的偏好度的差异度,因而既考虑了用户之间的关联性,又考虑了用户之间的差异性,可实现精确确定待推荐网游在用户组内的传播效率值,因而进一步地可提高最终为每个用户推荐网游的精确度。
可选地,所述用户的用户模式为混合模式,所述混合模式表示所述用户在一个规定时长内出现跟随者模式的概率为第一概率、且出现探索者模式的概率为第二概率;
所述推荐值配置单元802,具体用于:
确定所述用户的用户模式为跟随者模式时,针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第一评估值;以及确定所述用户的用户模式为探索者模式时,针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第二评估值;
根据确定的针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第一评估值,及所述用户对应的每个用户组的权重值,确定所述任一网游信息对应的第一推荐值;以及根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的第二评估值,确定向所述用户推荐所述待推荐网游的综合评估值,并根据确定的向所述用户推荐所述待推荐网游的综合评估值及获取到的所述用户对应的所述待推荐网游的初始推荐值,确定所述任一网游信息对应的第二推荐值;
根据确定的所述任一网游信息对应的第一推荐值、确定的所述任一网游信息对应的第二推荐值、所述第一概率及所述第二概率,为所述任一网游信息配置对应的推荐值。
在上述发明实施例中,当用户的用户模式为混合模式时,则分别计算用户模式为跟随者模式时待推荐网游的第一推荐值和用户模式为探索者模式时待推荐网游的第二推荐值,以及结合用户为跟随者模式的第一概率和用户为探索者模式的第二概率,最终确定出网游信息对应的推荐值,并将该推荐值配置给对应的网游信息,因而可实现根据用户模式为用户推荐用户比较感兴趣的网游,因而提高了网游推荐的精确度。
可选地,所述网游推荐单元803,具体用于:
根据所述初始网游推荐列表中每个网游信息对应的推荐值,对所述初始网络推荐列表中包括的各个网游信息进行排序,得到所述目标网游推荐列表中所述待推荐网游的推荐顺序;或者
根据所述初始网游推荐列表中每个网游信息对应的推荐值,对所述初始网游推荐列表中包括的各个网游信息进行排序,并根据排序靠前的N个网游信息的排列顺序,得到所述目标网游推荐列表中所述待推荐网游的推荐顺序,N为正整数;
其中,所述目标网游推荐列表中排序靠前的网游信息对应更高的推荐值。
可选地,所述推荐值配置单元802,具体用于:
将所述任一网游信息对应的待推荐网游所属的每个网游主题下建立的所有用户组中包含所述用户的用户组,确定为在所述网游主题下所述用户对应的用户组。
可选地,所述服务器还包括用户组建立单元804,用于根据下列方式建立一个网游主题下的用户组:
将曾经使用过所述网游主题下包括的各个网游的用户作为所述网游主题对应的用户群;
针对选定的各个特征信息中的任意一个特征信息,分别对所述用户群进行聚类分组,得到每个特征信息分别对应的用户组;
将每个特征信息分别对应的用户组,作为在所述网游主题下建立的用户组。
可选地,所述推荐值配置单元802还用于:
根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值之前,在所述用户的用户模式为跟随者模式时,删除在所述网游主题下所述用户对应的用户组中的第一用户组,其中,所述第一用户组中已经安装所述待推荐网游的用户数量与所述第一用户组中的总用户数量的比值小于或等于第三阈值,所述跟随者模式指用户跟随其他人使用相同网游的概率大于或等于目标阈值的模式;
根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值之前,在所述用户的用户模式为探索者模式时,删除在所述网游主题下所述用户对应的用户组中的第二用户组,其中,所述第二用户组中已经安装所述待推荐网游的用户数量与所述第二用户组中的总用户数量的比值大于或等于第四阈值,所述探索者模式指用户跟随其他人使用相同网游的概率小于目标阈值的模式。
上述发明实施例中,在确定出用户对应的用户组之后,进一步地,从中过滤掉噪声用户组,所谓噪声用户组指的是会降低最终结果的准确度的用户组,从而可以进一步提高网游推荐的精确度。
本发明实施例,获取用户的初始网游推荐列表,为初始网游推荐列表中包括的每个网游信息配置对应的推荐值,根据初始网游推荐列表中每个网游信息对应的推荐值,确定更新后的目标网游推荐列表中待推荐网游的推荐顺序,并根据目标网游推荐列表向所述用户推荐网游,其中,通过下述过程实现为任一网游信息配置对应的推荐值:根据网游信息对应的待推荐网游所属的网游主题,确定在网游主题下所述用户对应的用户组,根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值。从上述实现网游推荐过程来看,本发明实施例在计算一个用户对应的网游的推荐值时,不仅考虑了在对应的用户组中向用户推荐网游的评估值,还考虑了用户自身的用户模式,并且对于每一个用户都单独计算一个目标网游推荐列表,从而可以更加准确地确定出用户比较感兴趣的网游,提高了网游推荐的精确度。
基于相同的发明构思,本发明实施例还提供一种提供一种服务器900,如图9所示,包括:通信接口901,处理器902和存储器903;其中,存储器903用于存储初始网游推荐列表和目标网游推荐列表,以及存储计算机程序。具体地,存储的计算机程序可以包括程序代码,程序代码包括计算机操作指令。存储器903可能为随机存取存储器(random accessmemory,简称RAM),也可能为非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。图中仅示出了一个存储器,当然,存储器也可以根据需要,设置为多个。存储器903也可以是处理器902中的存储器。
存储器903存储了如下的元素,可执行模块或者数据结构,或者它们的子集,或者它们的扩展集:
操作指令:包括各种操作指令,用于实现各种操作。
操作系统:包括各种系统程序,用于实现各种基础业务以及处理基于硬件的任务。
处理器902还可以称为CPU(Central Processing Unit,中央处理单元)。具体的应用中,服务器900的各个组件通过总线接口耦合在一起,其中总线接口除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都标为总线接口。为便于表示,图9中仅是示意性画出。
上述本申请实施例揭示的方法可以应用于处理器902中,或者由处理器902实现。处理器902可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器902中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器902可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器903,处理器902读取存储器903中的信息,结合其硬件执行以下步骤:
通信接口901,用于获取用户的初始网游推荐列表,并将获取的初始网游推荐列表存储到存储器903中,所述初始网游推荐列表中包括至少两个待推荐网游分别对应的网游信息;
处理器902,用于获取存储器903中存储的初始网游推荐列表,并为所述初始网游推荐列表中包括的每个网游信息配置对应的推荐值;
处理器902,还用于根据所述初始网游推荐列表以及所述每个网游信息对应的推荐值,确定更新后的目标网游推荐列表中所述待推荐网游的推荐顺序,并根据所述推荐顺序向所述用户推荐网游。
其中,处理器902为任一网游信息配置对应的推荐值的过程具体请参照上述方法实施例的具体描述过程,这里不再过多赘述。
本发明实施例,获取用户的初始网游推荐列表,为初始网游推荐列表中包括的每个网游信息配置对应的推荐值,根据初始网游推荐列表中每个网游信息对应的推荐值,确定更新后的目标网游推荐列表中待推荐网游的推荐顺序,并根据目标网游推荐列表向所述用户推荐网游,其中,通过下述过程实现为任一网游信息配置对应的推荐值:根据网游信息对应的待推荐网游所属的网游主题,确定在网游主题下所述用户对应的用户组,根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值。从上述实现网游推荐过程来看,本发明实施例在计算一个用户对应的网游的推荐值时,不仅考虑了在对应的用户组中向用户推荐网游的评估值,还考虑了用户自身的用户模式,并且对于每一个用户都单独计算一个目标网游推荐列表,从而可以更加准确地确定出用户比较感兴趣的网游,提高了网游推荐的精确度。
本领域内的技术人员应明白,本发明的实施例可提供为方法、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (20)
1.一种网游推荐方法,其特征在于,包括:
服务器获取用户的初始网游推荐列表,所述初始网游推荐列表中包括至少两个待推荐网游分别对应的网游信息;
所述服务器为所述初始网游推荐列表中包括的每个网游信息配置对应的推荐值;
其中,所述服务器通过下述过程实现为任一网游信息配置对应的推荐值:所述服务器根据所述任一网游信息对应的待推荐网游所属的网游主题,确定在所述网游主题下所述用户对应的用户组;其中,每个所述网游主题下的用户组根据所述网游主题下用户的特征信息划分;所述服务器根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值;其中,一个用户的用户模式用于表示该用户下载网游的主动程度;所述服务器根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值;
所述服务器根据所述初始网游推荐列表以及所述每个网游信息对应的推荐值,确定更新后的目标网游推荐列表中所述待推荐网游的推荐顺序,并根据所述推荐顺序向所述用户推荐网游。
2.根据权利要求1所述的网游推荐方法,其特征在于,所述用户的用户模式为跟随者模式,所述跟随者模式指用户跟随其他人使用相同网游的概率大于或等于目标阈值的模式;
所述服务器根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述任一网游信息的评估值,包括:
针对所述用户对应的任意一个用户组,所述服务器根据所述任意一个用户组中已经安装所述待推荐网游的用户比例,确定针对所述任意一个用户组向所述用户推荐所述待推荐网游的评估值;
所述服务器根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值,包括:
所述服务器根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值,及所述用户对应的每个用户组的权重值,为所述任一网游信息配置对应的推荐值。
3.根据权利要求2所述的网游推荐方法,其特征在于,所述用户对应的任意一个用户组的权重值,为所述任意一个用户组中的用户数量与所述用户对应的所有用户组中包括的所有用户数量的比值。
4.根据权利要求1所述的网游推荐方法,其特征在于,所述用户的用户模式为探索者模式,所述探索者模式指用户跟随其他人使用相同网游的概率小于目标阈值的模式;
所述服务器根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述任一网游信息的评估值,包括:
针对所述用户对应的任意一个用户组,所述服务器确定所述用户在所述任意一个用户组下载所述待推荐网游后所述待推荐网游在所述任意一个用户组的传播效率值,并将所述传播效率值确定为针对所述任意一个用户组向所述用户推荐所述待推荐网游的评估值;
所述服务器根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值,包括:
所述服务器根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值,确定向所述用户推荐所述待推荐网游的综合评估值;
所述服务器根据确定的向所述用户推荐所述待推荐网游的综合评估值及获取到的所述用户对应的所述待推荐网游的初始推荐值,为所述任一网游信息配置对应的推荐值。
5.根据权利要求4所述的网游推荐方法,其特征在于,所述服务器根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值,确定向所述用户推荐所述待推荐网游的综合评估值,包括:
所述服务器将针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值的平均值,作为向所述用户推荐所述待推荐网游的综合评估值;或者
所述服务器将针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值中的最大值,作为向所述用户推荐所述待推荐网游的综合评估值。
6.根据权利要求1所述的网游推荐方法,其特征在于,所述用户的用户模式为混合模式,所述混合模式表示所述用户在一个规定时长内出现跟随者模式的概率为第一概率、且出现探索者模式的概率为第二概率;
所述服务器根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述任一网游信息的评估值,包括:
所述服务器确定所述用户的用户模式为跟随者模式时,针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第一评估值;以及确定所述用户的用户模式为探索者模式时,针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第二评估值;
所述服务器根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值,包括:
所述服务器根据确定的针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第一评估值,及所述用户对应的每个用户组的权重值,确定所述任一网游信息对应的第一推荐值;以及根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的第二评估值,确定向所述用户推荐所述待推荐网游的综合评估值,并根据确定的向所述用户推荐所述待推荐网游的综合评估值及获取到的所述用户对应的所述待推荐网游的初始推荐值,确定所述任一网游信息对应的第二推荐值;
根据确定的所述任一网游信息对应的第一推荐值、确定的所述任一网游信息对应的第二推荐值、所述第一概率及所述第二概率,为所述任一网游信息配置对应的推荐值。
7.根据权利要求1-6中任一项所述的网游推荐方法,其特征在于,所述服务器根据所述初始网游推荐列表以及所述每个网游信息对应的推荐值,确定更新后的目标网游推荐列表中所述待推荐网游的推荐顺序,包括:
所述服务器根据所述初始网游推荐列表中每个网游信息对应的推荐值,对所述初始网络推荐列表中包括的各个网游信息进行排序,得到所述目标网游推荐列表中所述待推荐网游的推荐顺序;或者
所述服务器根据所述初始网游推荐列表中每个网游信息对应的推荐值,对所述初始网游推荐列表中包括的各个网游信息进行排序,并根据排序靠前的N个网游信息的排列顺序,得到所述目标网游推荐列表中所述待推荐网游的推荐顺序,N为正整数;
其中,所述目标网游推荐列表中排序靠前的网游信息对应更高的推荐值。
8.根据权利要求1-7中任一项所述的网游推荐方法,其特征在于,所述服务器根据所述任一网游信息对应的待推荐网游所属的网游主题,确定在所述网游主题下所述用户对应的用户组,包括:
所述服务器将所述任一网游信息对应的待推荐网游所属的每个网游主题下建立的所有用户组中包含所述用户的用户组,确定为在所述网游主题下所述用户对应的用户组。
9.根据权利要求1-8中任一项所述的方法,其特征在于,所述服务器根据下列方式建立一个网游主题下的用户组:
所述服务器将曾经使用过所述网游主题下包括的各个网游的用户作为所述网游主题对应的用户群;
所述服务器针对选定的各个特征信息中的任意一个特征信息,分别对所述用户群进行聚类分组,得到每个特征信息分别对应的用户组;
所述服务器将每个特征信息分别对应的用户组,作为在所述网游主题下建立的用户组。
10.根据权利要求1所述的网游推荐方法,其特征在于,所述服务器根据所述用户在所述网游主题下的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值之前,还包括:
在所述用户的用户模式为跟随者模式时,所述服务器删除在所述网游主题下所述用户对应的用户组中的第一用户组,其中,所述第一用户组中已经安装所述待推荐网游的用户数量与所述第一用户组中的总用户数量的比值小于或等于第三阈值,所述跟随者模式指用户跟随其他人使用相同网游的概率大于或等于目标阈值的模式;
在所述用户的用户模式为探索者模式时,所述服务器删除在所述网游主题下所述用户对应的用户组中的第二用户组,其中,所述第二用户组中已经安装所述待推荐网游的用户数量与所述第二用户组中的总用户数量的比值大于或等于第四阈值,所述探索者模式指用户跟随其他人使用相同网游的概率小于所述目标阈值的模式。
11.一种服务器,其特征在于,包括:
获取单元,用于获取用户的初始网游推荐列表,所述初始网游推荐列表中包括至少两个待推荐网游分别对应的网游信息;
推荐值配置单元,用于为所述初始网游推荐列表中包括的每个网游信息配置对应的推荐值;
其中,所述推荐值配置单元通过下述过程实现为任一网游信息配置对应的推荐值:根据所述任一网游信息对应的待推荐网游所属的网游主题,确定在所述网游主题下所述用户对应的用户组;其中,每个所述网游主题下的用户组根据所述网游主题下用户的特征信息划分;根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值;其中,一个用户的用户模式用于表示该用户下载网游的主动程度;根据针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值,为所述任一网游信息配置对应的推荐值;
网游推荐单元,用于根据所述初始网游推荐列表以及所述每个网游信息对应的推荐值,确定更新后的目标网游推荐列表中所述待推荐网游的推荐顺序,并根据所述推荐顺序向所述用户推荐网游。
12.根据权利要求11所述的服务器,其特征在于,所述用户的用户模式为跟随者模式,所述跟随者模式指用户跟随其他人使用相同网游的概率大于或等于目标阈值的模式;
所述推荐值配置单元,具体用于:
针对所述用户对应的任意一个用户组,根据所述任意一个用户组中已经安装所述待推荐网游的用户比例,确定针对所述任意一个用户组向所述用户推荐所述待推荐网游的评估值;
根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值,及所述用户对应的每个用户组的权重值,为所述任一网游信息配置对应的推荐值。
13.根据权利要求12所述的服务器,其特征在于,所述用户对应的任意一个用户组的权重值,为所述任意一个用户组中的用户数量与所述用户对应的所有用户组中包括的所有用户数量的比值。
14.根据权利要求11所述的服务器,其特征在于,所述用户的用户模式为探索者模式,所述探索者模式指用户跟随其他人使用相同网游的概率小于目标阈值的模式;
所述推荐值配置单元,具体用于:
针对所述用户对应的任意一个用户组,确定所述用户在所述任意一个用户组下载所述待推荐网游后所述待推荐网游在所述任意一个用户组的传播效率值,并将所述传播效率值确定为针对所述任意一个用户组向所述用户推荐所述待推荐网游的评估值;
根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值,确定向所述用户推荐所述待推荐网游的综合评估值;
根据确定的向所述用户推荐所述待推荐网游的综合评估值及获取到的所述用户对应的所述待推荐网游的初始推荐值,为所述任一网游信息配置对应的推荐值。
15.根据权利要求14所述的服务器,其特征在于,所述推荐值配置单元,具体用于:
将针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值的平均值,作为向所述用户推荐所述待推荐网游的综合评估值;或者
将针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的评估值中的最大值,作为向所述用户推荐所述待推荐网游的综合评估值。
16.根据权利要求11所述的服务器,其特征在于,所述用户的用户模式为混合模式,所述混合模式表示所述用户在一个规定时长内出现跟随者模式的概率为第一概率、且出现探索者模式的概率为第二概率;
所述推荐值配置单元,具体用于:
确定所述用户的用户模式为跟随者模式时,针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第一评估值;以及确定所述用户的用户模式为探索者模式时,针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第二评估值;
根据确定的针对所述用户对应的用户组向所述用户推荐所述任一网游信息的第一评估值,及所述用户对应的每个用户组的权重值,确定所述任一网游信息对应的第一推荐值;以及根据针对所述用户对应的每个用户组确定的向所述用户推荐所述待推荐网游的第二评估值,确定向所述用户推荐所述待推荐网游的综合评估值,并根据确定的向所述用户推荐所述待推荐网游的综合评估值及获取到的所述用户对应的所述待推荐网游的初始推荐值,确定所述任一网游信息对应的第二推荐值;
根据确定的所述任一网游信息对应的第一推荐值、确定的所述任一网游信息对应的第二推荐值、所述第一概率及所述第二概率,为所述任一网游信息配置对应的推荐值。
17.根据权利要求11-16中任一项所述的服务器,其特征在于,所述网游推荐单元,具体用于:
根据所述初始网游推荐列表中每个网游信息对应的推荐值,对所述初始网络推荐列表中包括的各个网游信息进行排序,得到所述目标网游推荐列表中所述待推荐网游的推荐顺序;或者
根据所述初始网游推荐列表中每个网游信息对应的推荐值,对所述初始网游推荐列表中包括的各个网游信息进行排序,并根据排序靠前的N个网游信息的排列顺序,得到所述目标网游推荐列表中所述待推荐网游的推荐顺序,N为正整数;
其中,所述目标网游推荐列表中排序靠前的网游信息对应更高的推荐值。
18.根据权利要求11-17中任一项所述的服务器,其特征在于,所述推荐值配置单元,具体用于:
将所述任一网游信息对应的待推荐网游所属的每个网游主题下建立的所有用户组中包含所述用户的用户组,确定为在所述网游主题下所述用户对应的用户组。
19.根据权利要求11-18中任一项所述的服务器,其特征在于,所述服务器还包括用户组建立单元,用于根据下列方式建立一个网游主题下的用户组:
将曾经使用过所述网游主题下包括的各个网游的用户作为所述网游主题对应的用户群;
针对选定的各个特征信息中的任意一个特征信息,分别对所述用户群进行聚类分组,得到每个特征信息分别对应的用户组;
将每个特征信息分别对应的用户组,作为在所述网游主题下建立的用户组。
20.根据权利要求11所述的服务器,其特征在于,所述推荐值配置单元,还用于:
根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值之前,在所述用户的用户模式为跟随者模式时,删除在所述网游主题下所述用户对应的用户组中的第一用户组,其中,所述第一用户组中已经安装所述待推荐网游的用户数量与所述第一用户组中的总用户数量的比值小于或等于第三阈值,所述跟随者模式指用户跟随其他人使用相同网游的概率大于或等于目标阈值的模式;
根据所述用户的用户模式,确定针对所述用户对应的用户组向所述用户推荐所述待推荐网游的评估值之前,在所述用户的用户模式为探索者模式时,删除在所述网游主题下所述用户对应的用户组中的第二用户组,其中,所述第二用户组中已经安装所述待推荐网游的用户数量与所述第二用户组中的总用户数量的比值大于或等于第四阈值,所述探索者模式指用户跟随其他人使用相同网游的概率小于目标阈值的模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611043006.2A CN108090782B (zh) | 2016-11-21 | 2016-11-21 | 一种网游推荐方法及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611043006.2A CN108090782B (zh) | 2016-11-21 | 2016-11-21 | 一种网游推荐方法及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108090782A true CN108090782A (zh) | 2018-05-29 |
CN108090782B CN108090782B (zh) | 2021-09-14 |
Family
ID=62170187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611043006.2A Active CN108090782B (zh) | 2016-11-21 | 2016-11-21 | 一种网游推荐方法及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090782B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918568A (zh) * | 2019-03-13 | 2019-06-21 | 百度在线网络技术(北京)有限公司 | 个性化学习方法、装置、电子设备及存储介质 |
WO2021126076A1 (en) * | 2019-12-18 | 2021-06-24 | Pt Aplikasi Karya Anak Bangsa | Methods and systems for recommendation using a neural network |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231166A (zh) * | 2011-07-12 | 2011-11-02 | 浙江大学 | 基于社会上下文的协同推荐方法 |
CN102812486A (zh) * | 2010-03-25 | 2012-12-05 | 诺基亚公司 | 根据群体行为提供个性化信息资源推荐的方法和设备 |
US20140129376A1 (en) * | 2010-06-15 | 2014-05-08 | Sony Corporation | Item recommendation system, item recommendation method and program |
CN104104999A (zh) * | 2013-04-10 | 2014-10-15 | 华为技术有限公司 | 音视频信息推荐方法及设备 |
CN104239450A (zh) * | 2014-09-01 | 2014-12-24 | 百度在线网络技术(北京)有限公司 | 搜索推荐方法和装置 |
US20150095183A1 (en) * | 2013-09-30 | 2015-04-02 | International Business Machines Corporation | Methods and Apparatus for Generating Recommendations |
CN105574015A (zh) * | 2014-10-13 | 2016-05-11 | 阿里巴巴集团控股有限公司 | 搜索推荐方法和装置 |
WO2016099447A1 (en) * | 2014-12-15 | 2016-06-23 | Quixey, Inc. | Personalized application recommendations |
-
2016
- 2016-11-21 CN CN201611043006.2A patent/CN108090782B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102812486A (zh) * | 2010-03-25 | 2012-12-05 | 诺基亚公司 | 根据群体行为提供个性化信息资源推荐的方法和设备 |
US20140129376A1 (en) * | 2010-06-15 | 2014-05-08 | Sony Corporation | Item recommendation system, item recommendation method and program |
CN102231166A (zh) * | 2011-07-12 | 2011-11-02 | 浙江大学 | 基于社会上下文的协同推荐方法 |
CN104104999A (zh) * | 2013-04-10 | 2014-10-15 | 华为技术有限公司 | 音视频信息推荐方法及设备 |
US20150095183A1 (en) * | 2013-09-30 | 2015-04-02 | International Business Machines Corporation | Methods and Apparatus for Generating Recommendations |
CN104239450A (zh) * | 2014-09-01 | 2014-12-24 | 百度在线网络技术(北京)有限公司 | 搜索推荐方法和装置 |
CN105574015A (zh) * | 2014-10-13 | 2016-05-11 | 阿里巴巴集团控股有限公司 | 搜索推荐方法和装置 |
WO2016099447A1 (en) * | 2014-12-15 | 2016-06-23 | Quixey, Inc. | Personalized application recommendations |
Non-Patent Citations (2)
Title |
---|
CONG YU ET AL.: "Recommendation Diversification Using Explanations", 《2009 IEEE 25TH INTERNATIONAL CONFERENCE ON DATA ENGINEERING》 * |
张玉霞: "改进的个性化智能文献推送方法在数字图书馆中的应用研究", 《情报理论与实践》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918568A (zh) * | 2019-03-13 | 2019-06-21 | 百度在线网络技术(北京)有限公司 | 个性化学习方法、装置、电子设备及存储介质 |
WO2021126076A1 (en) * | 2019-12-18 | 2021-06-24 | Pt Aplikasi Karya Anak Bangsa | Methods and systems for recommendation using a neural network |
Also Published As
Publication number | Publication date |
---|---|
CN108090782B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103020845B (zh) | 一种移动应用的推送方法及系统 | |
CN106250403A (zh) | 用户流失预测方法及装置 | |
CN107705183A (zh) | 一种商品的推荐方法、装置、存储介质及服务器 | |
CN104091287B (zh) | 一种基于数据驱动的任务实现方法及装置 | |
CN107689008A (zh) | 一种用户投保行为预测的方法及装置 | |
CN107038213A (zh) | 一种视频推荐的方法及装置 | |
CN109145210A (zh) | 一种信息推荐的方法、装置及存储介质 | |
CN104820945B (zh) | 基于社团结构挖掘算法的在线社会网络信息传播最大化方法 | |
CN104915423B (zh) | 获取目标用户的方法和装置 | |
CN103353920A (zh) | 基于社交网络推荐游戏的方法和装置 | |
CN108304853B (zh) | 游戏相关度的获取方法、装置、存储介质和电子装置 | |
CN106339948A (zh) | 一种基于社交网络的关联用户的挖掘方法及装置 | |
CN105321249A (zh) | 一种抽奖方法及装置 | |
CN104618347B (zh) | 一种游戏事件处理装置及方法、网络平台 | |
CN106650930A (zh) | 模型参数优化的方法及装置 | |
CN106528851A (zh) | 一种智能推荐方法及装置 | |
CN109011580A (zh) | 残局牌面获取方法、装置、计算机设备及存储介质 | |
CN104679791B (zh) | 获取数据包的处理方法和装置 | |
CN103699614B (zh) | 一种确定下载资源时的默认保存路径的方法和装置 | |
CN108090782A (zh) | 一种网游推荐方法及服务器 | |
CN110727870A (zh) | 一种新型序贯同步博弈的单树蒙特卡洛搜索方法 | |
CN109933720A (zh) | 一种基于用户兴趣自适应演化的动态推荐方法 | |
CN106919693A (zh) | 一种提高热词曝光覆盖率的方法和装置 | |
CN110941769B (zh) | 目标帐号的确定方法和装置、电子装置 | |
CN106096653B (zh) | 基于跨平台用户社交多媒体行为的人口属性推断方法 |
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 |