CN108304853A - 游戏相关度的获取方法、装置、存储介质和电子装置 - Google Patents
游戏相关度的获取方法、装置、存储介质和电子装置 Download PDFInfo
- Publication number
- CN108304853A CN108304853A CN201710936380.3A CN201710936380A CN108304853A CN 108304853 A CN108304853 A CN 108304853A CN 201710936380 A CN201710936380 A CN 201710936380A CN 108304853 A CN108304853 A CN 108304853A
- Authority
- CN
- China
- Prior art keywords
- game
- target
- correlation
- degree
- game application
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明公开了一种游戏相关度的获取方法、装置、存储介质和电子装置。其中,该方法包括:分别获取多个游戏应用的目标样本,其中,每个游戏应用的目标样本包括每个游戏应用的游戏数据,游戏数据包括多个第一目标对象在使用每个游戏应用时产生的数据;通过目标样本中的游戏数据对目标模型进行训练;通过训练后的目标模型预测每个第一目标对象与每个游戏应用之间的目标参数,其中,目标参数用于指示每个第一目标对象与每个游戏应用之间的关联程度;按照目标参数确定多个游戏应用之间的目标相关度。本发明解决了相关技术游戏相关度的获取效率低的技术问题。
Description
技术领域
本发明涉及游戏领域,具体而言,涉及一种游戏相关度的获取方法、装置、存储介质和电子装置。
背景技术
目前,获取游戏相似度的方法主要是基于启发式的方法。比如,利用游戏品类和玩法等要素进行分类,对于单机、实时对战、角色扮演、棋牌等游戏类别,同类别的相似度较高。另外获取游戏相似度的方法是基于用户注册的交并比等方法,比如,两款游戏的相似度为共同用户数与总用户数的比值。
但是,依靠品类来对游戏进行区分有以下不足:品类的定义很难做到彻底分类,部分游戏会属于多品类;不同品类游戏的相似度也很难衡量;同一品类游戏由于上线时间、生命周期等原因,受众用户也会相差很大,游戏相关度的获取效率低。
另外,依靠用户注册的相似性来衡量游戏的相似性也有以下不足:由于游戏上线时间不同,生命周期不同,会导致利用注册用户、活跃用户相似性来衡量游戏的相似性,这不具备可扩展性;并且利用已经注册用户的相似性来衡量游戏的相似性在业务上并不能很好地针对未注册用户做出决策,而游戏运营针对的主要对象是未注册用户,从而不能很好地对未注册用户做出决策。
针对上述的游戏相关度的获取效率低的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种游戏相关度的获取方法、装置、存储介质和电子装置,以至少解决相关技术游戏相关度的获取效率低的技术问题。
根据本发明实施例的一个方面,提供了一种游戏相关度的获取方法。该方法包括:分别获取多个游戏应用的目标样本,其中,每个游戏应用的目标样本包括每个游戏应用的游戏数据,游戏数据包括多个第一目标对象在使用每个游戏应用时产生的数据;通过目标样本中的游戏数据对目标模型进行训练;通过训练后的目标模型预测每个第一目标对象与每个游戏应用之间的目标参数,其中,目标参数用于指示每个第一目标对象与每个游戏应用之间的关联程度;按照目标参数确定多个游戏应用之间的目标相关度,目标相关度用于指示多个游戏应用之间的关联程度。
根据本发明实施例的另一方面,还提供了一种游戏相关度的获取装置。该装置包括:获取单元,用于分别获取多个游戏应用的目标样本,其中,每个游戏应用的目标样本包括每个游戏应用的游戏数据,游戏数据包括多个第一目标对象在使用每个游戏应用时产生的数据;训练单元,用于通过目标样本中的游戏数据对目标模型进行训练;预测单元,用于通过训练后的目标模型预测每个第一目标对象与每个游戏应用之间的目标参数,其中,目标参数用于指示每个第一目标对象与每个游戏应用之间的关联程度;确定单元,用于按照目标参数确定多个游戏应用之间的目标相关度,目标相关度用于指示多个游戏应用之间的关联程度。
在本发明实施例中,分别获取多个游戏应用的目标样本,其中,每个游戏应用的目标样本包括每个游戏应用的游戏数据,游戏数据包括多个第一目标对象在使用每个游戏应用时产生的数据;通过目标样本中的游戏数据对目标模型进行训练;通过训练后的目标模型预测每个第一目标对象与每个游戏应用之间的目标参数,其中,目标参数用于指示每个第一目标对象与每个游戏应用之间的关联程度;按照目标参数确定多个游戏应用之间的目标相关度。由于对包括游戏数据的目标样本进行模型训练,通过训练得到的目标模型,预测第一目标对象对每个游戏应用的评分数据,再通过计算评分数据计算得到游戏应用的目标相关度,目标相关度用于指示多个游戏应用之间的关联程度,可以解决相关技术游戏相关度的获取效率低的技术问题,进而达到提高游戏应用的相关度的获取效率的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种游戏相关度的获取方法的硬件环境的示意图;
图2是根据本发明实施例的一种游戏相关度的获取方法的流程图;
图3是根据本发明实施例的另一种游戏相关度的获取方法的流程图;
图4是根据本发明实施例的一种样本集合的示意图;
图5是根据本发明实施例的另一种样本集合的示意图;
图6是根据本发明实施例的一种相似游戏团的示意图;
图7是根据本发明实施例的一种通过游戏相关度计算得到的游戏之间相关度可视化结果的示意图;
图8是根据本发明实施例的一种游戏相关度的获取装置的示意图;以及
图9是根据本发明实施例的一种电子装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面,提供了一种游戏相关度的获取方法的实施例。
可选地,在本实施例中,上述游戏相关度的获取方法可以应用于如图1所示的由服务器102和终端104所构成的硬件环境中。图1是根据本发明实施例的一种游戏相关度的获取方法的硬件环境的示意图。如图1所示,服务器102通过网络与终端104进行连接,上述网络包括但不限于:广域网、城域网或局域网,终端104并不限定于PC、手机、平板电脑等。本发明实施例的游戏相关度的获取方法可以由服务器102来执行,还可以是由服务器102和终端104共同执行。其中,终端104执行本发明实施例的游戏相关度的获取方法也可以是由安装在其上的第一客户端来执行。
可选地,终端104向服务器102发送目标样本,服务器分别获取多个游戏应用的目标样本,通过目标样本中的游戏数据对目标模型进行训练;通过训练后的目标模型预测每个第一目标对象与每个游戏应用之间的目标参数,其中,第一目标对象可以为登录游戏应用的帐号,在用户与登录游戏应用的帐号一一对应的情况下,该第一目标对象也可以为用户,也即,该第一目标对象为游戏玩家,用户通过注册的帐号登录游戏应用。目标参数用于指示每个第一目标对象与每个游戏应用之间的关联程度;按照目标参数确定多个游戏应用之间的目标相关度。
图2是根据本发明实施例的一种游戏相关度的获取方法的流程图。如图2所示,该方法可以包括以下步骤:
步骤S202,分别获取多个游戏应用的目标样本。
在本申请上述步骤S202提供的技术方案中,分别获取多个游戏应用的目标样本,其中,每个游戏应用的目标样本包括每个游戏应用的游戏数据,游戏数据包括多个第一目标对象在使用每个游戏应用时产生的数据。
在该实施例中,游戏平台包括多个游戏应用,该游戏平台可以为游戏客户端,是一个整合游戏下载的管理平台,可以集全平台的精品游戏、特权礼包、与游戏有关的最新新闻资讯、游戏辅助工具于一体,从而使游戏玩家掌握最快最全战绩信息、助力升级提速,享受最畅快的游戏体验。可选地,游戏应用包括游戏应用A、游戏应用B、游戏应用C和游戏应用D等。游戏平台上的每个游戏应用都包括目标样本,该目标样本也即样本集合,也即,针对每个游戏而言,每个游戏应用都有一个样本集合。每个游戏应用的目标样本中包括每个游戏应用的游戏数据,该游戏数据包括多个第一目标对象在使用每个游戏应用时产生的数据,比如,游戏应用的玩家数据,以及用户的基本属性数据等,还包括最近注册的未流失用户的数据、最近持续活跃的用户的数据、最近由活跃变为付费的用户的数据、未注册用户的数据、最近流失用户的数据、最近活跃度大幅下降的用户等游戏数据。其中,最近注册的未流失用户的数据、最近持续活跃的用户的数据、最近由活跃变为付费的用户的数据为目标样本的正样本中的游戏数据;未注册用户的数据、最近流失用户的数据、最近活跃度大幅下降的用户为目标样本的负样本中的游戏数据。
可选地,上述游戏数据还包括:用户画像数据,比如,包括用户基本的年龄性别、注册累计时长等信息;还包括用户玩游戏的数据,比如,包括用户在每个游戏上的游戏时长、付费金额、礼包领取、活动点击等数据。为了体现时效性,可以将游戏数据分别按时序统计提取,比如,最近一年统计数据、最近半年统计数据、最近一月统计数据、最近两周统计数据、最近一周统计数据等。上述游戏数据还可以包括用户好友玩游戏的数据,获取好友的平均统计数据。
步骤S204,通过目标样本中的游戏数据对目标模型进行训练。
在本申请上述步骤S204提供的技术方案中,在分别获取多个游戏应用的目标样本之后,通过目标样本中的游戏数据对目标模型进行训练。
在该实施例中,目标模型可以为初始建立的检测模型,也即,目标模型为初始检测模型,通过目标样本中的游戏数据对目标模型进行训练,得到的训练后的目标模型可以用于预测每个用户对游戏应用的兴趣分。
可选地,在该实施例中,目标模型可以为初始神经网络模型,该初始神经网络模型是以神经元的数学模型为基础来描述的,而该神经元是通过一开始采集的游戏数据建立起来的。可以从大量的游戏应用中获取到多组游戏数据,将多组游戏数据作为用于对初始神经网络模型进行训练的目标样本。其中,对每组游戏数据进行处理,比如,对每组游戏数据中的游戏应用的玩家数据、用户的基本属性数据、最近注册的未流失用户的数据、最近持续活跃的用户的数据、最近由活跃变为付费的用户的数据、未注册用户的数据、最近流失用户的数据、最近活跃度大幅下降的用户等游戏数据进行处理,得到用于指示用户与游戏应用的关联程度的数据,比如,得到用于表示用户对游戏应用的兴趣程度的兴趣分。
在对每组游戏数据进行处理时,通过机器学习来解析多组游戏数据,从中学习来对目标模型进行训练。其中,在通过机器学习来解析多组游戏数据时,可以对多组游戏数据按照分布一致性算法、去噪、采样等算法进行预处理,再从预处理后的数据中进行特征提取、特征变换、特征归一、特征组合等得到用于训练目标模型的特征,进一步通过优化算法、假设函数、损失函数、决策边界、收敛速度、迭代策略等对特征进行处理,得到目标对象与每个游戏应用之间的关联程度的标签,进而通过目标对象与每个游戏应用之间的关联程度的标签对目标模型进行训练。最后对训练后的目标模型进行交叉验证、评估目标、过拟合、欠拟合等评价,从而确定用于预测每个第一目标对象与游戏应用之间的关联程度的训练模型。可以使用目标模型对每个第一目标对象与每个游戏应用之间的游戏数据进行分析,进而得到用于指示每个第一目标对象与每个游戏应用之间的关联程度的目标参数,而上述多组游戏数据包括每个第一目标对象与每个游戏应用之间的游戏数据。
可选地,在通过目标样本中的游戏数据对目标模型进行训练时,可以采用分类方法进行对目标样本进行构建,得到二分类模型。可选地,构建二分类模型的方法可以是,但不局限于逻辑回归分类方法、决策树分类方法、支持向量机(Support,Vector Machine,简称为SVM)方法等二分类方法。该实施例还可以通过数据离散化,数据选择等步骤进行处理,并通过加入正则项,或者加入松弛变量的方法以防止目标模型的训练过拟合,得到训练后的目标模型。其中,如果所研究的线性规划模型的约束条件全是小于类型,则可以通过标准化过程引入M个非负的松弛变量,M为非零的自然数,其中,过拟合是指为了一致假设而使假设变得过度严格。
步骤S206,通过训练后的目标模型预测每个第一目标对象与每个游戏应用之间的目标参数。
在本申请上述步骤S206提供的技术方案中,通过训练后的目标模型预测每个第一目标对象与每个游戏应用之间的目标参数,其中,目标参数用于指示每个第一目标对象与每个游戏应用之间的关联程度。
在该实施例中,使用目标模型对每个第一目标对象与每个游戏应用之间的游戏数据进行分析,得到用于指示每个第一目标对象与每个游戏应用之间的关联程度的目标参数,而上述用于训练目标模型的多组游戏数据包括每个第一目标对象与每个游戏应用之间的游戏数据。
通过训练后的目标模型预测每个第一目标对象与每个游戏应用之间的目标参数,可以用于预测每个第一目标对象对每个游戏应用的评分数据,其中,目标参数用于指示每个第一目标对象与每个游戏应用之间的关联程度,可以包括评分数据,该评分数据可以为评分值、用户兴趣分等,用于指示第一目标对象对游戏应用的兴趣程度,也即,关联程度包括兴趣程度,因而该实施例的评分数据也为兴趣分值。可选地,通过训练的目标模型遍历所有游戏应用,得到每个第一目标对象对每个游戏应用的兴趣分值。
步骤S208,按照目标参数确定多个游戏应用之间的目标相关度。
在本申请上述步骤S208提供的技术方案中,在通过训练后的目标模型预测每个第一目标对象与每个游戏应用之间的目标参数之后,按照目标参数确定多个游戏应用之间的目标相关度,目标相关度用于指示多个游戏应用之间的关联程度。
该实施例的目标相关度用于指示多个游戏应用之间的相关性、相似性、相似程度等,也即,目标相关度为游戏相似度,可以用于表明多个游戏应用在当前情况下的受众群体的情况,比如,用于表明多个游戏应用在当前情况下的受众群体是否接近等。可选地,每个第一目标对象与每个游戏应用之间的目标参数可以为用于指示每个第一目标对象对每个游戏应用的兴趣程度的评分数据,可以用兴趣分进行表示。如果第一目标对象对游戏应用A的兴趣分与对游戏应用B的评分数据比较接近,则可以认为游戏应用A和游戏应用B在当前情况下有着比较接近的受众群体,也即,比较接近的用户群体都对游戏应用A和游戏应用B感兴趣。
在按照目标参数确定多个游戏应用之间的目标相关度时,可以根据第一目标对象与多个游戏应用中的游戏应用A之间的目标参数和与游戏应用B之间的目标参数,确定游戏应用A和游戏应用B之间的目标相关度,其中,目标参数的分布可以为[0-1]。如果第一目标对象与游戏应用A之间的目标参数和第一目标对象与游戏应用B之间的目标参数有着较强的线性相关性,则可以认为游戏应用A和游戏应用B也有着较大的目标相关度,也即,游戏应用A和游戏应用B有着较强的相似度。
可选地,上述第一目标对象与游戏应用A之间的目标参数和第一目标对象与游戏应用B之间的目标参数的相关性可以由相关系数ρX,Y表示,也即,通过相关系数ρX,Y确定游戏应用A和游戏应用B之间的目标相关度,比如,可以用皮尔逊系数计算第一目标对象与游戏应用A之间的目标参数和第一目标对象与游戏应用B之间的目标参数的协方差和标准差,通过协方差与标准差之商得到相关系数ρX,Y,ρX,Y的取值范围为[-1,1]。在极端情况下,第一目标对象与游戏应用A之间的目标参数和第一目标对象与游戏应用B之间的目标参数完全一致,则第一目标对象与游戏应用A之间的目标参数和第一目标对象与游戏应用B之间的目标参数的相关系数为1,也即,第一目标对象与游戏应用A与游戏应用B之间的目标参数完全相同;如果第一目标对象与游戏应用A之间的目标参数和第一目标对象与游戏应用B之间的目标参数完全相反,也即,第一目标对象与游戏应用A与游戏应用B之间的目标参数完全相反,则第一目标对象与游戏应用A之间的目标参数和第一目标对象与游戏应用B之间的目标参数的相关系数为-1。
通过上述方法得多个游戏应用中游戏应用A或游戏应用B与其它游戏应用之间的目标相关度,或者得到多个游戏应用中除游戏应用A和游戏应用B之外的其它游戏应用之间的目标相关度。可选地,为了使多个游戏应用之间的目标相关度为正数,可以定义多个游戏应用之间的目标相关度为多个游戏应用对应的目标参数的相关度与1之和的一半的平方。比如,定义游戏应用A和游戏应用B之间的目标相关度为PAB=(ρX,Y+1/2)2,从而得到多个游戏应用之间的目标相关度。
举例而言,在该实施例中,目标参数为评分数据,X用于表示游戏应用A的评分数据,K用于表示第一目标对象,Xk用于表示第一目标对象K对游戏应用A的评分数据,比如,Xk用于表示用户K对游戏应用A的兴趣分;Y用于表示游戏应用B的评分数据,Yk用于表示第一目标对象K对游戏应用B的评分数据,比如,Xk表示用户K对游戏应用B的兴趣分。评分数据指示的评分分布可以为[0-1]。如果X与Y有着较强的线性相关性,则可以认为游戏应用A和游戏应用B也有着较大的目标相关度,也即,游戏应用A和游戏应用B有着较强的相似度。
可选地,上述X和Y的相关性可以由相关系数ρX,Y表示,可以用皮尔逊系数计算X和Y之间的协方差和标准差,比如,通过公式计算得到。ρX,Y的取值范围为[-1,1]。在极端情况下,X和Y完全一致,则X和Y的相关系数为1,也即,游戏应用A与游戏应用B的评分数据完全相同;如果X和Y完全相反,也即,游戏应用A与游戏应用B的评分数据完全相反,则X和Y的相关系数为-1。
可选地,为了使多个游戏应用之间的目标相关度为正数,可以定义多个游戏应用之间的目标相关度,为多个游戏应用的评分数据的相关度与1之和的一半的平方。比如,定义游戏应用A和游戏应用B之间的相关度为PAB=(ρX,Y+1/2)2,从而得到多个游戏应用之间的目标相关度。
可选地,为了使得相似游戏应用和不相似游戏应用的差别增大,可以增加多个游戏应用之间相似度的平方差。
可选地,该实施例的多个游戏应用之间的目标相关度可以随着当前用户兴趣转变而实时更新,从而更加符合游戏的运营需求。
在按照目标参数确定多个游戏应用之间的目标相关度之后,根据目标相关度执行与游戏应用相关联的目标事件。该目标事件可以为用于指导游戏应用的运营事件,比如,用于指导游戏应用的运营活动,可以为根据游戏应用之间的相关度进行的相关游戏内容的推荐、拉新等运营活动。在根据游戏应用之间的相关度进行游戏应用的运营活动之后,此时游戏数据根据运营结果会发生改变,可以重新分别获取多个游戏应用的目标样本,对目标样本进行训练,得到目标模型;通过目标模型预测每个目标对象对每个游戏应用的评分数据,该评分数据用于指示每个目标对象对每个游戏应用的评分;按照评分数据确定多个游戏应用之间的目标相关度,进而再根据游戏应用之间的相关度进行游戏应用的运营活动。从而利用了目标对象对游戏应用的评分数据进行游戏应用之间的相关度的计算,使得游戏应用之间的相关度衡量更加科学和有针对性,进而能够更好地指导游戏应用的运营活动。
通过上述步骤S202至步骤S208,通过分别获取多个游戏应用的目标样本,其中,每个游戏应用的目标样本包括每个游戏应用的游戏数据,游戏数据包括多个第一目标对象在使用每个游戏应用时产生的数据;对目标样本进行训练,得到目标模型;通过目标模型预测每个第一目标对象对每个游戏应用的评分数据,其中,评分数据用于指示每个第一目标对象对每个游戏应用的评分;按照评分数据确定多个游戏应用之间的目标相关度。由于对包括游戏数据的目标样本进行模型训练,通过训练得到的目标模型,预测第一目标对象对每个游戏应用的评分数据,再通过计算评分数据计算得到游戏应用的目标相关度,目标相关度用于指示多个游戏应用之间的关联程度,可以解决相关技术游戏相关度的获取效率低的技术问题,进而达到提高游戏应用的相关度的获取效率的技术效果。
作为一种可选的实施方式,步骤S204,通过目标样本中的游戏数据对目标模型进行训练包括:对目标样本中的游戏数据进行分类处理,得到训练后的二分类模型,其中,训练后的目标模型包括二分类模型;步骤S206,通过训练后的目标模型预测每个第一目标对象与每个游戏应用之间的目标参数包括:通过二分类模型预测每个第一目标对象与每个游戏应用之间的目标参数。
在该实施例中,训练后的目标模型可以为二分类模型。在对目标样本进行训练,得到目标模型时,可以对目标样本中的游戏数据进行分类处理,得到二分类模型,比如,将每个游戏应用的采集的正样本和负样本,构建为二分类模型。该实施例构建二分类模型的方法可以是,但不局限于逻辑回归分类方法、决策树分类方法、SVM支持向量机方法等二分类方法。可选地,通过对数据进行离散化,对数据进行选择等步骤进行处理,并通过加入正则项或者松弛变量的方法以防止在对目标模型在训练过程中出现过拟合。该实施例通过二分类模型预测每个第一目标对象与每个游戏应用之间的目标参数,比如,通过二分类模型预测每个第一目标对象对每个游戏应用的评分数据,也即,可以利用训练的二分类模型预测每个用户对该游戏应用的兴趣分,进而遍历所有游戏应用得到每个用户对每个游戏应用的兴趣分值,按照多个游戏应用的兴趣分值的相关性确定多个游戏应用之间的目标相关度,进而达到提高游戏应用的相关度的获取效率的技术效果。
作为一种可选的实施方式,步骤S204,通过目标样本中的游戏数据对目标模型进行训练包括:离散目标样本中的游戏数据,得到第一游戏数据;选择第一游戏数据中的第二游戏数据,其中,第二游戏数据用于训练目标模型;向第二游戏数据中添加正则项或者目标变量,得到目标模型,其中,正则项和目标变量均用于使目标模型符合目标条件。
在该实施例中,在对目标样本进行训练,得到目标模型时,获取目标样本中的游戏数据,对游戏数据进行离散处理,也即,将游戏数据按照自然数或者整数单位进行计算,得到离散的第一游戏数据。再从离散的第一游戏数据中选择用于训练目标模型的第二游戏数据,该第二游戏数据为用于训练目标模型的数据。在选择第一游戏数据中的第二游戏数据之后,向第二游戏数据中添加正则项或者目标变量,得到目标模型。该实施例的正则项和目标变量均用于使目标模型符合目标条件,该目标条件为防止目标模型在训练过程中过拟合的条件,目标变量可以为松弛变量,其中,如果所研究的线性规划模型的约束条件全是小于类型,则可以通过标准化过程引入M个非负的松弛变量,M为大于等于1的整数。
作为一种可选的实施方式,步骤S202,分别获取多个游戏应用的目标样本包括:获取每个游戏应用的目标样本中的正样本和负样本,其中,正样本包括符合第一条件的游戏数据,负样本包括符合第二条件的游戏数据;将正样本和负样本划分为多个样本子集,其中,多个样本子集中的正样本的比例和负样本的比例一致;S204,通过目标样本中的游戏数据对目标模型进行训练包括:通过每个样本子集对目标模型进行训练。
在该实施例中,游戏应用的目标样本包括子样本,该子样本包括正样本和负样本。其中,正样本包括符合第一条件的游戏数据,该符合第一条件的游戏数据可以为用户数据,该正样本可以为从每个游戏应用的游戏数据中选择符合最近注册用户和活跃用户的条件的游戏活跃正向的用户数据,将游戏活跃正向的用户数据作为游戏应用的正样本,比如,正样本包括的最近注册的未流失用户的数据、最近持续活跃的用户的数据、最近由活跃变为付费的用户的数据;负样本包括符合第二条件的游戏数据,该符合第二条件的游戏数据可以为用户数据,可以为从每个游戏应用中的游戏数据中选择出符合最近未注册用户、最近流失用户、最近活跃度大幅下降的条件的游戏数据,进而按照游戏应用将上述正样本和负样本划分为若干子集,并通过采样的方法使得上述若干子集中的各子集的正负样本的比例保持一致。
可选地,对于每个游戏应用的目标样本,收集正样本和负样本中的用户数据,这些用户数据包括但不限于:用户画像数据,比如,包括用户基本的年龄性别、注册累计时长等个人信息;还包括用户玩游戏的数据,比如,包括用户在每个游戏应用上的游戏时长、付费金额、礼包领取、活动点击等数据;为了体现时效性,将这游戏数据分别按时序统计提取,比如,按照最近一年统计数据、最近半年统计数据、最近一月统计数据、最近两周统计数据、最近一周统计数据等;还包括用户好友玩游戏的数据,比如,按照最近一年统计好友的数据、最近半年统计好友的数据、最近一月统计好友的数据、最近两周统计好友的数据、最近一周统计好友的数据等,进而统计好友的平均统计数据。
在通过目标样本中的游戏数据对目标模型进行训练时,通过目标样本中的每个样本子集对目标模型进行训练,得到训练后的目标模型,可以对每个样本子集采用二分类方法进行训练,得到二分类模型。其中,二分类方法包括逻辑回归分类方法、决策树分类方法、SVM支持向量机方法等,此处不做任何限制。
作为一种可选的实施方式,其特征在于,步骤S208,按照目标参数确定多个游戏应用之间的目标相关度包括:获取第一游戏应用的第一目标参数和第二游戏应用的第二目标参数,其中,多个游戏应用包括第一游戏应用和第二游戏应用,每个游戏应用的目标参数包括第一目标参数和第二目标参数;获取第一目标参数和第二目标参数之间的第一相关度;对第一相关度进行处理,得到第一游戏应用和第二游戏应用之间的第二相关度,其中,目标相关度包括第二相关度。
在该实施例中,多个游戏应用包括第一游戏应用和第二游戏应用,目标参数可以为第一目标对象对第一游戏应用和第二游戏应用的评分数据。在按照评分数据确定多个游戏应用之间的目标相关度时,获取第一游戏应用的第一目标参数和第二游戏应用的第二目标参数,比如,获取第一游戏应用的第一评分数据和第二游戏应用的第二评分数据。该实施例的第一评分数据可以用于指示第一目标对象对第一游戏应用的兴趣程度,可以为第一评分,该第一评分为第一兴趣分值,比如,X用于表示第一游戏应用的第一评分数据,Xk用于表示用户K对第一游戏应用的第一评分数据;第二评分数据可以用于指示第一目标对象对第二游戏应用的兴趣程度,可以为第二评分,该第二评分为第二兴趣分值,比如,Y用于表示第二游戏应用的第二评分数据,Yk用于表示用户K对第二游戏应用的第二评分数据。
获取第一游戏应用的第一目标参数和第二游戏应用的第二目标参数之后,获取第一目标参数和第二目标参数之间的第一相关度。比如,在获取第一游戏应用的第一评分数据和第二游戏应用的第二评分数据之后,获取第一评分数据所指示的第一评分和第二评分数据所指示的第二评分之间的第一相关度,其中,如果第一评分和第二评分比较接近,则可以认为第一游戏应用和第二游戏应用在当前情况下有着比较接近的受众群体,在第一评分和第二评分有着较强的线性相关性时,则可以认为第一游戏应用和第二游戏应用有着比较强的相似度。在获取第一评分和第二评分之间的第一相关度时,可以采用皮尔逊系数进行计算,比如,通过进行计算,其中,ρX,Y用于表示第一相关度,X用于表示第一评分,Y用于表示第二评分,ρX,Y的计算是通过两个变量之间的协方差和标准差的商得到的,取值范围[-1,1]。
可选地,在极端情况下,第一评分和第二评分完全一致,则第一评分和第二评分之间的第一相关度对应的相关度为;如果第一评分和第二评分完全相反,比如,第一评分=1-第二评分,则第一评分和第二评分之间的第一相关度为-1。
在获取第一目标参数和第二目标参数之间的第一相关度之后,对第一相关度进行处理,得到第一游戏应用和第二游戏应用之间的第二相关度。可选地,在获取第一评分数据所指示的第一评分和第二评分数据所指示的第二评分之间的第一相关度之后,对第一相关度进行处理,得到第一游戏应用和第二游戏应用之间的第二相关度。可选地,为了使得第二相关度为正数,可以将第一相关度与1之和的一般的平方确定为第二相关度,比如,第一游戏应用和第二游戏应用之间的第二相关度为P=(ρX,Y+1/2)2,其中,上述目标相关度包括该实施例的第二相关度,实现了按照评分数据确定多个游戏应用之间的目标相关度的目的,达到了提高游戏应用的相关度的获取效率的技术效果。
作为一种可选的实施方式,获取第一目标参数和第二目标参数之间的第一相关度包括:获取第一目标参数和第二目标参数之间的协方差;获取第一目标参数和第二目标参数之间的标准差;将协方差和标准差之商确定为第一相关度。
该实施例在获取第一目标参数和第二目标参数之间的第一相关度时,获取第一目标参数和第二目标参数之间的协方差,比如,获取第一评分数据所指示的第一评分和第二评分数据所指示的第二评分之间的第一相关度时,获取第一评分数据所指示的第一评分和第二评分数据所指示的第二评分之间的协方差,比如,第一评分数据为X,第二评分数据为Y,上述协方差为cov(X,Y);获取第一目标参数和第二目标参数之间的标准差,比如,获取第一评分数据所指示的第一评分和第二评分数据所指示的第二评分之间的标准差,比如,该标准差为σXσY。在获取第一评分和第二评分之间的协方差和标准差之后,将协方差和标准差之商确定为第一相关度,比如,第一相关度为从而实现了获取第一评分数据所指示的第一评分和第二评分数据所指示的第二评分之间的第一相关度的目的。获取第一目标参数和第二目标参数之间的协方差和标准差之后,将协方差和标准差之商确定为第一相关度,比如,对第一相关度进行处理,得到第一游戏应用和第二游戏应用之间的第二相关度,实现了按照评分数据确定多个游戏应用之间的目标相关度,达到了提高游戏应用的相关度的获取效率的技术效果。
作为一种可选的实施方式,在步骤S208,在按照目标参数确定多个游戏应用之间的目标相关度之后,该方法还包括:获取多个游戏应用中任意两个游戏应用之间的目标相关度;将多个游戏应用中,目标相关度大于预定阈值的两个游戏应用确定为具有关联关系的游戏应用。
在该实施例中,在按照目标参数确定多个游戏应用之间的目标相关度之后,获取多个游戏应用中任意两个游戏应用之间的目标相关度。判断目标相关度是否大于预定阈值,将目标相关度大于预定阈值的两个游戏应用确定为具有关联关系的游戏应用,可以将多个游戏应用中,目标相关度大于预定阈值的两个游戏应用之间用一条线相连,形成一个相似游戏团,以将游戏应用之间的相关度通过可视化结果表示出。
在该实施例中,一开始会有许多游戏应用的节点为单节点。可以通过标签传播算法在多个游戏应用中发现相似游戏团。比如,第一步,为所有游戏应用指定一个唯一的标签;第二步,逐轮刷新所有游戏应用的节点的标签,直到达到收敛要求为止。其中,对于每一轮刷新,对游戏应用的标签进行刷新的规则如下:对于当前某一个游戏应用的节点,查询该当前游戏应用的节点的所有邻居游戏应用的节点的标签,并对所有邻居游戏应用的节点进行统计,获取当前游戏应用的节点与该当前游戏应用的节点的所有邻居游戏应用的节点之间的相似度,将与当前游戏应用相似度最大的游戏应用的标签赋给当前游戏应用的节点,从而确定与当前游戏应用相似度最大的游戏应用,进而通过游戏相似度计算得到的游戏应用之间的相关度的可视化结果。
作为一种可选的实施方式,在步骤S208,在按照目标参数确定多个游戏应用之间的目标相关度之后,该方法还包括:将多个游戏应用之间的目标相关度大于第一阈值的两个游戏应用确定为相似游戏应用;将多个游戏应用之间的目标相关度不大于第一阈值的两个游戏应用确定为不相似游戏应用。
在按照评分数据确定多个游戏应用之间的目标相关度之后,获取多个游戏应用之间的目标相关度大于第一阈值的两个游戏应用,将多个游戏应用之间的目标相关度大于第一阈值的两个游戏应用确定为相似游戏应用。获取多个游戏应用之间的目标相关度不大于第一阈值的两个游戏应用,将多个游戏应用之间的目标相关度不大于第一阈值的两个游戏应用确定为不相似游戏应用,实现了确定相似游戏应用的目的。
作为一种可选的实施方式,获取相似游戏应用的目标相关度和不相似游戏应用的目标相关度之间的平方差,其中,平方差用于表征相似游戏应用和不相似游戏应用之间的不均衡性。
在该实施例中,为了使得相似游戏应用和不相似游戏应用之间的差别增大,获取相似游戏应用的目标相关度和不相似游戏应用的目标相关度之间的平方差,以表征相似游戏应用和不相似游戏应用之间的不均衡性。
作为一种可选的实施方式,游戏应用的游戏数据还包括以下至少之一:第一目标对象的属性信息;与第一目标对象相关联的第二目标对象在使用每个游戏应用时产生的数据。
在该实施例中,游戏应用的游戏数据除了包括多个第一目标对象在使用每个游戏应用时产生的数据之外,还包括第一目标对象的属性信息,该第一目标对象的属性信息可以为第一目标对象的画像数据,包括第一目标对象基本的年龄性别、注册累计时长等个人信息;还包括与第一目标对象相关联的第二目标对象在使用每个游戏应用时产生的数据,该与第一目标对象相关联的第二目标对象可以为第一目标对象的好友,也即,游戏应用的游戏数据还包括用户好友玩游戏的数据。
本发明实施例提供了一种基于用户实时兴趣的游戏相似度计算方法。该方法首先对游戏平台上的每款游戏应用按照指定方案提取正样本和负样本、并抽取所有用户的游戏数据进行建模,利用训练好的模型计算用户对每款游戏应用的兴趣分。然后对于每两款游戏应用,基于用户对该两款游戏应用的兴趣分,计算兴趣分的相关度来计算得到游戏应用之间的相关度,使得游戏应用之间的相似性衡量更加科学化,游戏应用之间的相似性也随着当前用户兴趣转变而实时更新,更加符合游戏运营需求。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
下面结合优选的实施例对本发明的技术方案进行举例说明。
本发明实施例提供了一种基于用户实时兴趣的游戏相似度计算方法。该方法首先对游戏平台上的每款游戏按照指定方案提取正负样本、并抽取所有用户的游戏特征和其他特征进行建模,利用模型计算用户对每款游戏的兴趣分。然后对于每两款游戏,基于大盘用户对该两款游戏的兴趣分,通过计算兴趣分的相关性来计算得到游戏的相似度,从而使得游戏之间的相似性衡量更加科学化,游戏相似也随着当前用户兴趣转变而实时更新,更加符合游戏运营需求。
图3是根据本发明实施例的另一种游戏相关度的获取方法的流程图。如图3所示,该方法包括以下步骤:
步骤S301,统计当前各游戏应用的用户数据。
该实施例的游戏应用的用户数据以包括,但不限于目标对象在使用每个游戏应用时产生的数据,比如,用户在每个游戏应用上的游戏时长、付费金额、礼包领取、活动点击等数据。为了体现时效性,将这些游戏数据可以分别按时序进行统计,比如,最近一年统计数据、最近半年统计数据、最近一月统计数据、最近两周统计数据、最近一周统计数据等;还可以包括用户画像数据,比如,用户基本的年龄性别、注册累计时长等个人信息;还可以包括用户好友玩游戏的数据,以统计好友的平均统计数据。
步骤S302,对每个游戏应用的用户数据进行筛选,得到每个游戏应用的正样本和负样本。
在统计当前各游戏应用的用户数据之后,对每个游戏应用的用户数据进行筛选,得到每个游戏应用的正样本和负样本。
下面对每个游戏应用的正样本和负样本进行介绍。
图4是根据本发明实施例的一种样本集合的示意图。如图4所示,获取每个游戏的样本集合中的正样本和负样本。从每个游戏最近的注册用户和活跃用户中选则出游戏活跃正向的用户作为正样本。该正样本包括:最近注册的未流失用户、最近持续活跃的用户、最近由活跃变为付费的用户。选取另外一些用户的数据作为负样本。该负样本包括:未注册用户、最近流失用户、最近活跃度大幅下降的用户。
图5是根据本发明实施例的另一种样本集合的示意图。如图5所示,将样本集合中的样本分为若干个样本子集,并通过采样的方法使得各样本子集合中的正样本和负样本比例保持一致。
可选地,对于每一个样本集合,收集正负样本的用户数据,这些数据包括但不局限于:(1)用户画像数据,包括用户基本的年龄性别、注册累计时长等个人信息;(2)用户玩游戏的数据,包括用户在每个游戏上的游戏时长、付费金额、礼包领取、活动点击等数据。为了体现时效性,将这些特征分别按时序统计提取,比如,提取最近一年统计数据、最近半年统计数据、最近一月统计数据、最近两周统计数据和最近一周统计数据;(3)用户好友玩游戏的数据,类似(2)中的数据,统计好友的平均统计数据。
步骤S303,获取正样本和负样本中的数据,并进行数据处理,得到训练的目标模型。
在对每个游戏应用的用户数据进行筛选,得到每个游戏应用的正样本和负样本之后,获取正样本和负样本中的数据,并进行数据处理,得到训练的目标模型。对于每个游戏采集的正样本和负样本,训练目标模型,比如,构建二分类模型。其中,构建模型的方法可以是,但不局限于逻辑回归分类方法、决策树分类方法、SVM支持向量机方法等二分类方法。通过游戏数据离散化,数据选择等步骤进行处理,并通过加入正则项或者松弛变量的方法防止模型训练过拟合。利用训练的模型来预测每个用户对该游戏的兴趣分,进而遍历所有游戏得到每个用户对每个游戏的兴趣分值。
步骤S304,通过目标模型预测每个游戏应用的兴趣分值。
在获取正样本和负样本中的数据,并进行数据处理,得到训练的目标模型之后,通过目标模型预测每个游戏应用的兴趣分值,也即,通过目标模型预测每个用户对每个游戏应用的感兴趣程度。
步骤S305,根据每个游戏应用的兴趣分值获取多个游戏应用之间的相关度。
在通过目标模型预测每个游戏应用的兴趣分值之后,根据每个游戏应用的兴趣分值获取多个游戏应用之间的相关度。
举例而言,通过上述方法计算得到游戏应用A和游戏应用B的用户兴趣分。若用户对A游戏的兴趣分与B游戏的兴趣分比较接近,则可以认为A游戏与B游戏在当前情况下有着比较接近的受众群体。假设X为A游戏的用户兴趣分,其中,Xk用于表示用户K对游戏应用A的兴趣分;假设Y为B游戏的用户兴趣分,其中,Yk用于表示用户K对游戏应用B的兴趣分。用户兴趣分的分布是[0-1],假设X与Y有着较强的线性相关性,则可以认为A游戏与B游戏也有着较强的相似度。X和Y的相关性ρX,Y,可以用皮尔逊系数计算:
相关性ρX,Y是两个变量之间的协方差和标准差的商,取值范围是[-1,1]。在极端情况下,X和Y完全一致,则那么相关系数为1,若X和Y完全相反,也即,X=1-Y,则相关系数为-1。
可选地,为使得相关度为正数,可以定义A游戏与B游戏的相关度为P=(ρX,Y+1/2)2。
可选地,增加游戏间相似度的平方差,使得相似游戏和不相似游戏差别增大。
步骤S306,根据游戏应用之间的相关度进行游戏应用的运营活动。
在根据每个游戏应用的兴趣分值获取多个游戏应用之间的相关度之后,根据游戏应用之间的相关度进行游戏应用的运营活动。比如,利用游戏应用之间的相关度进行相关内容的推荐、拉新等运营活动,从而使得游戏应用之间的相关度衡量更加科学和有针对性,能够更好地指导游戏应用的运营活动。
在根据游戏应用之间的相关度进行游戏应用的运营活动之后,执行步骤S301。
该实施例收集游戏平台内各种游戏的玩家数据,以及用户的基本属性数据。通过读取每个游戏进行建模得到每个用户的兴趣分,利用用户对每个游戏的兴趣分,来计算游戏应用之间的相关度,达到了提高游戏应用的相关度的获取效率的技术效果。
下面对本发明实施例的相似游戏团的计算进行介绍。
图6是根据本发明实施例的一种相似游戏团的示意图。如图6所示,设定初始的预定相似度阈值,比如,为0.6,将多个游戏应用中相似度大于预定相似度阈值的两个游戏应用之间用一条边相连形成一个游戏图,初始会有许多节点为单节点。比如,游戏应用A与游戏应用B之间的相似度为0.7,游戏应用A与游戏应用C之间的相似度为0.5,游戏应用A与游戏应用D之间的相似度为0.8,则将游戏应用A与游戏应用B相连接,将游戏应用A与游戏应用D相连接;游戏应用B与游戏应用C之间的相似度为0.9,游戏应用B与游戏应用D之间的相似度为0.5,则将游戏应用B与游戏应用C相连接;游戏应用C与游戏应用D之间的相似度为0.4,则不将游戏应用C与游戏应用D相连接。
可选地,该实施例通过标签传播算法进行游戏团发现:
第一步:为所有游戏应用指定一个唯一的标签;
第二步:逐轮刷新所有节点的标签,直到达到收敛要求为止。
对于每一轮刷新,对游戏应用的标签进行刷新的规则如下:对于当前某一个游戏应用的节点,查询该当前游戏应用的节点的所有邻居游戏应用的节点的标签,并对所有邻居游戏应用的节点进行统计,获取当前游戏应用的节点与该当前游戏应用的节点的所有邻居游戏应用的节点之间的相似度,将与当前游戏应用相似度最大的游戏应用的标签赋给当前游戏应用的节点,从而确定与当前游戏应用相似度最大的游戏应用,进而通过游戏相似度计算得到的游戏应用之间的相关度的可视化结果。
图7是根据本发明实施例的一种通过游戏相关度计算得到的游戏之间相关度可视化结果的示意图。如图7所示,圈1至圈95分别用于表示多个不同的游戏应用,将多个游戏应用中相似度大于预定相似度阈值的两个游戏应用之间用一条边相连形成一个游戏图。比如,设预定相似度阈值为0.6,将多个游戏应用中相似度大于0.6的两个游戏应用之间用一条边相连形成一个游戏图。该实施例通过游戏社团可以较方便地找出比较相似的游戏以用于营销和分析。
该实施例利用了当前用户对游戏应用的兴趣分来进行游戏相关度计算,使得游戏应用之间的相关度衡量更加科学和有针对性,并且能够更好的指导游戏运营活动。
根据本发明实施例的另一个方面,还提供了一种用于实施上述游戏相关度的获取方法的游戏相关度的获取装置。图8是根据本发明实施例的一种游戏相关度的获取装置的示意图。如图8所示,该装置可以包括:获取单元10、训练单元20、预测单元30和确定单元40。
获取单元10,用于分别获取多个游戏应用的目标样本,其中,每个游戏应用的目标样本包括每个游戏应用的游戏数据,游戏数据包括多个第一目标对象在使用每个游戏应用时产生的数据。
训练单元20,用于通过目标样本中的游戏数据对目标模型进行训练。
预测单元30,用于通过训练后的目标模型预测每个第一目标对象与每个游戏应用之间的目标参数,其中,目标参数用于指示每个第一目标对象与每个游戏应用之间的关联程度。
确定单元40,用于按照目标参数确定多个游戏应用之间的目标相关度,目标相关度用于指示多个游戏应用之间的关联程度。
可选地,训练单元20包括:分类模块,用于对目标样本中的游戏数据进行分类处理,得到训练后的二分类模型,其中,训练后的目标模型包括二分类模型;预测单元包括:预测模块,用于通过二分类模型预测每个第一目标对象与每个游戏应用之间的目标参数。
可选地,训练单元20包括:离散模块和添加模块。其中,离散模块,用于离散目标样本中的游戏数据,得到第一游戏数据;选择模块,用于选择第一游戏数据中的第二游戏数据,其中,第二游戏数据用于训练目标模型;添加模块,用于向第二游戏数据中添加正则项或者目标变量,得到目标模型,其中,正则项和目标变量均用于使目标模型符合目标条件。
需要说明的是,该实施例中的获取单元10可以用于执行本申请实施例1中的步骤S202,该实施例中训练单元20可以用于执行本申请实施例1中的步骤S204,该实施例中的预测单元30可以用于执行本申请实施例1中的步骤S206,该实施例中的确定单元40可以用于执行本申请实施例1中的步骤S208。
该实施例通过获取单元10分别获取多个游戏应用的目标样本,其中,每个游戏应用的目标样本包括每个游戏应用的游戏数据,游戏数据包括多个第一目标对象在使用每个游戏应用时产生的数据,训练单元20通过目标样本中的游戏数据对目标模型进行训练;预测单元30,用于通过训练后的目标模型预测每个第一目标对象与每个游戏应用之间的目标参数,其中,目标参数用于指示每个第一目标对象与每个游戏应用之间的关联程度,通过确定单元40按照目标参数确定多个游戏应用之间的目标相关度,目标相关度用于指示多个游戏应用之间的关联程度。由于对包括游戏数据的目标样本进行模型训练,通过训练得到的目标模型,预测第一目标对象对每个游戏应用的评分数据,再通过计算评分数据计算得到游戏应用的目标相关度,可以解决相关技术游戏相关度的获取效率低的技术问题,进而达到提高游戏应用的相关度的获取效率的技术效果。
此处需要说明的是,上述单元和模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现,其中,硬件环境包括网络环境。
根据本发明实施例的另一个方面,还提供了一种用于实施上述游戏相关度的获取方法的电子装置。
图9是根据本发明实施例的一种电子装置的结构框图。如图9所示,该的电子装置可以包括:一个或多个(图中仅示出一个)处理器901、存储器903。可选地,如图9所示,该电子装置还可以包括传输装置905、输入输出设备907。
其中,存储器903可用于存储软件程序以及模块,如本发明实施例中的游戏相关度的获取方法和装置对应的程序指令/模块,处理器901通过运行存储在存储器903内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的游戏相关度的获取方法。存储器903可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器903可进一步包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至电子装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置905用于经由一个网络接收或者发送数据,还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置905包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置905为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
其中,具体地,存储器903用于存储应用程序。
处理器901可以通过传输装置905调用存储器903存储的应用程序,以执行下述步骤:
分别获取多个游戏应用的目标样本,其中,每个游戏应用的目标样本包括每个游戏应用的游戏数据,游戏数据包括多个第一目标对象在使用每个游戏应用时产生的数据;
通过目标样本中的游戏数据对目标模型进行训练;
通过训练后的目标模型预测每个第一目标对象与每个游戏应用之间的目标参数,其中,目标参数用于指示每个第一目标对象与每个游戏应用之间的关联程度;
按照目标参数确定多个游戏应用之间的目标相关度,目标相关度用于指示多个游戏应用之间的关联程度。
处理器901还用于执行下述步骤:对目标样本中的游戏数据进行分类处理,得到训练后的二分类模型,其中,训练后的目标模型包括二分类模型;通过二分类模型预测每个第一目标对象与每个游戏应用之间的目标参数。
处理器901还用于执行下述步骤:离散目标样本中的游戏数据,得到第一游戏数据;选择第一游戏数据中的第二游戏数据,其中,第二游戏数据用于训练目标模型;向第二游戏数据中添加正则项或者目标变量,得到目标模型,其中,正则项和目标变量均用于使目标模型符合目标条件。
处理器901还用于执行下述步骤:获取每个游戏应用的目标样本中的正样本和负样本,其中,正样本包括符合第一条件的游戏数据,负样本包括符合第二条件的游戏数据;将正样本和负样本划分为多个样本子集,其中,多个样本子集中的正样本的比例和负样本的比例一致;通过每个样本子集对目标模型进行训练。
处理器901还用于执行下述步骤:获取第一游戏应用的第一目标参数和第二游戏应用的第二目标参数,其中,多个游戏应用包括第一游戏应用和第二游戏应用,每个游戏应用的目标参数包括第一目标参数和第二目标参数;获取第一目标参数和第二目标参数之间的第一相关度;对第一相关度进行处理,得到第一游戏应用和第二游戏应用之间的第二相关度,其中,目标相关度包括第二相关度。
处理器901还用于执行下述步骤:获取第一目标参数和第二目标参数之间的协方差;获取第一目标参数和第二目标参数之间的标准差;将协方差和标准差之商确定为第一相关度。
处理器901还用于执行下述步骤:在按照目标参数确定多个游戏应用之间的目标相关度之后,获取多个游戏应用中任意两个游戏应用之间的目标相关度;将多个游戏应用中,目标相关度大于预定阈值的两个游戏应用确定为具有关联关系的游戏应用。
处理器901还用于执行下述步骤:在按照目标参数确定多个游戏应用之间的目标相关度之后,将多个游戏应用之间的目标相关度大于第一阈值的两个游戏应用确定为相似游戏应用;将多个游戏应用之间的目标相关度不大于第一阈值的两个游戏应用确定为不相似游戏应用。
处理器901还用于执行下述步骤:获取相似游戏应用的目标相关度和不相似游戏应用的目标相关度之间的平方差,其中,平方差用于表征相似游戏应用和不相似游戏应用之间的不均衡性。
采用本发明实施例,提供了一种游戏相关度的获取的方案。分别获取多个游戏应用的目标样本,其中,每个游戏应用的目标样本包括每个游戏应用的游戏数据,游戏数据包括多个第一目标对象在使用每个游戏应用时产生的数据;通过目标样本中的游戏数据对目标模型进行训练;通过训练后的目标模型预测每个第一目标对象与每个游戏应用之间的目标参数,其中,目标参数用于指示每个第一目标对象与每个游戏应用之间的关联程度;按照目标参数确定多个游戏应用之间的目标相关度。由于对包括游戏数据的目标样本进行模型训练,通过训练得到的目标模型,预测第一目标对象对每个游戏应用的评分数据,再通过计算评分数据计算得到游戏应用的目标相关度,可以解决相关技术游戏相关度的获取效率低的技术问题,进而达到提高游戏应用的相关度的获取效率的技术效果。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,图9所示的结构仅为示意,电子装置可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等电子装置。图9其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图9中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图9所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令电子装置相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于执行游戏相关度的获取方法的程序代码。
可选地,在本实施例中,上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
分别获取多个游戏应用的目标样本,其中,每个游戏应用的目标样本包括每个游戏应用的游戏数据,游戏数据包括多个第一目标对象在使用每个游戏应用时产生的数据;
通过目标样本中的游戏数据对目标模型进行训练;
通过训练后的目标模型预测每个第一目标对象与每个游戏应用之间的目标参数,其中,目标参数用于指示每个第一目标对象与每个游戏应用之间的关联程度;
按照目标参数确定多个游戏应用之间的目标相关度,目标相关度用于指示多个游戏应用之间的关联程度。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:对目标样本中的游戏数据进行分类处理,得到训练后的二分类模型,其中,训练后的目标模型包括二分类模型;通过二分类模型预测每个第一目标对象与每个游戏应用之间的目标参数。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:离散目标样本中的游戏数据,得到第一游戏数据;选择第一游戏数据中的第二游戏数据,其中,第二游戏数据用于训练目标模型;向第二游戏数据中添加正则项或者目标变量,得到目标模型,其中,正则项和目标变量均用于使目标模型符合目标条件。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:获取每个游戏应用的目标样本中的正样本和负样本,其中,正样本包括符合第一条件的游戏数据,负样本包括符合第二条件的游戏数据;将正样本和负样本划分为多个样本子集,其中,多个样本子集中的正样本的比例和负样本的比例一致;通过每个样本子集对目标模型进行训练。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:获取第一游戏应用的第一目标参数和第二游戏应用的第二目标参数,其中,多个游戏应用包括第一游戏应用和第二游戏应用,每个游戏应用的目标参数包括第一目标参数和第二目标参数;获取第一目标参数和第二目标参数之间的第一相关度;对第一相关度进行处理,得到第一游戏应用和第二游戏应用之间的第二相关度,其中,目标相关度包括第二相关度。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:获取第一目标参数和第二目标参数之间的协方差;获取第一目标参数和第二目标参数之间的标准差;将协方差和标准差之商确定为第一相关度。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:在按照目标参数确定多个游戏应用之间的目标相关度之后,获取多个游戏应用中任意两个游戏应用之间的目标相关度;将多个游戏应用中,目标相关度大于预定阈值的两个游戏应用确定为具有关联关系的游戏应用。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:在按照目标参数确定多个游戏应用之间的目标相关度之后,将多个游戏应用之间的目标相关度大于第一阈值的两个游戏应用确定为相似游戏应用;将多个游戏应用之间的目标相关度不大于第一阈值的两个游戏应用确定为不相似游戏应用。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:获取相似游戏应用的目标相关度和不相似游戏应用的目标相关度之间的平方差,其中,平方差用于表征相似游戏应用和不相似游戏应用之间的不均衡性。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的第一客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (15)
1.一种游戏相关度的获取方法,其特征在于,包括:
分别获取多个游戏应用的目标样本,其中,每个所述游戏应用的目标样本包括每个所述游戏应用的游戏数据,所述游戏数据包括多个第一目标对象在使用每个所述游戏应用时产生的数据;
通过所述目标样本中的所述游戏数据对目标模型进行训练;
通过训练后的所述目标模型预测每个所述第一目标对象与每个所述游戏应用之间的目标参数,其中,所述目标参数用于指示每个所述第一目标对象与每个所述游戏应用之间的关联程度;
按照所述目标参数确定多个所述游戏应用之间的目标相关度,其中,所述目标相关度用于指示所述多个游戏应用之间的关联程度。
2.根据权利要求1所述的方法,其特征在于,
通过所述目标样本中的所述游戏数据对所述目标模型进行训练包括:对所述目标样本中的所述游戏数据进行分类处理,得到训练后的二分类模型,其中,训练后的所述目标模型包括所述二分类模型;
通过训练后的所述目标模型预测每个所述第一目标对象与每个所述游戏应用之间的所述目标参数包括:通过所述二分类模型预测每个所述第一目标对象与每个所述游戏应用之间的所述目标参数。
3.根据权利要求1所述的方法,其特征在于,通过所述目标样本中的所述游戏数据对所述目标模型进行训练包括:
离散所述目标样本中的所述游戏数据,得到第一游戏数据;
选择所述第一游戏数据中的第二游戏数据,其中,所述第二游戏数据用于训练所述目标模型;
向所述第二游戏数据中添加正则项或者目标变量,得到所述目标模型,其中,所述正则项和所述目标变量均用于使所述目标模型符合目标条件。
4.根据权利要求1所述的方法,
分别获取多个所述游戏应用的所述目标样本包括:获取每个所述游戏应用的所述目标样本中的正样本和负样本,其中,所述正样本包括符合第一条件的所述游戏数据,所述负样本包括符合第二条件的所述游戏数据;将所述正样本和所述负样本划分为多个样本子集,其中,所述多个样本子集中的所述正样本的比例和所述负样本的比例一致;
通过所述目标样本中的所述游戏数据对所述目标模型进行训练包括:通过每个所述样本子集对所述目标模型进行训练。
5.根据权利要求1所述的方法,其特征在于,按照所述目标参数确定多个所述游戏应用之间的所述目标相关度包括:
获取第一游戏应用的第一目标参数和第二游戏应用的第二目标参数,其中,多个所述游戏应用包括所述第一游戏应用和所述第二游戏应用,每个所述游戏应用的目标参数包括所述第一目标参数和所述第二目标参数;
获取所述第一目标参数和所述第二目标参数之间的第一相关度;
对所述第一相关度进行处理,得到所述第一游戏应用和所述第二游戏应用之间的第二相关度,其中,所述目标相关度包括所述第二相关度。
6.根据权利要求5所述的方法,其特征在于,获取所述第一目标参数和所述第二目标参数之间的所述第一相关度包括:
获取所述第一目标参数和所述第二目标参数之间的协方差;
获取所述第一目标参数和所述第二目标参数之间的标准差;
将所述协方差和所述标准差之商确定为所述第一相关度。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,在按照所述目标参数确定多个所述游戏应用之间的所述目标相关度之后,所述方法还包括:
获取多个所述游戏应用中任意两个游戏应用之间的所述目标相关度;
将多个所述游戏应用中,所述目标相关度大于预定阈值的两个游戏应用确定为具有关联关系的游戏应用。
8.根据权利要求1至6中任意一项所述的方法,其特征在于,在按照所述目标参数确定多个所述游戏应用之间的目标相关度之后,所述方法还包括:
将多个所述游戏应用之间的所述目标相关度大于第一阈值的两个游戏应用确定为相似游戏应用;
将多个所述游戏应用之间的所述目标相关度不大于所述第一阈值的两个游戏应用确定为不相似游戏应用。
9.根据权利要求8所述的方法,其特征在于,
获取所述相似游戏应用的所述目标相关度和所述不相似游戏应用的所述目标相关度之间的平方差,其中,所述平方差用于表征所述相似游戏应用和所述不相似游戏应用之间的不均衡性。
10.根据权利要求1至6中任意一项所述的方法,其特征在于,所述游戏应用的所述游戏数据还包括以下至少之一:
所述第一目标对象的属性信息;
与所述第一目标对象相关联的第二目标对象在使用每个所述游戏应用时产生的数据。
11.一种游戏相关度的获取装置,其特征在于,包括:
获取单元,用于分别获取多个游戏应用的目标样本,其中,每个所述游戏应用的目标样本包括每个所述游戏应用的游戏数据,所述游戏数据包括多个第一目标对象在使用每个所述游戏应用时产生的数据;
训练单元,用于通过所述目标样本中的所述游戏数据对目标模型进行训练;
预测单元,用于通过训练后的所述目标模型预测每个所述第一目标对象与每个所述游戏应用之间的目标参数,其中,所述目标参数用于指示每个所述第一目标对象与每个所述游戏应用之间的关联程度;
确定单元,用于按照所述目标参数确定多个所述游戏应用之间的目标相关度,所述目标相关度用于指示所述多个游戏应用之间的关联程度。
12.根据权利要求11所述的装置,其特征在于,
所述训练单元包括:分类模块,用于对所述目标样本中的所述游戏数据进行分类处理,得到训练后的二分类模型,其中,训练后的所述目标模型包括所述二分类模型;
所述预测单元包括:预测模块,用于通过所述二分类模型预测每个所述第一目标对象与每个所述游戏应用之间的所述目标参数。
13.根据权利要求11所述的装置,其特征在于,所述训练单元包括:
离散模块,用于离散所述目标样本中的所述游戏数据,得到第一游戏数据;
选择模块,用于选择所述第一游戏数据中的第二游戏数据,其中,所述第二游戏数据用于训练所述目标模型;
添加模块,用于向所述第二游戏数据中添加正则项或者目标变量,得到所述目标模型,其中,所述正则项和所述目标变量均用于使所述目标模型符合目标条件。
14.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行所述权利要求1至10任一项中所述的游戏相关度的获取装置。
15.一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器通过所述计算机程序执行所述权利要求1至10任一项中所述的游戏相关度的获取装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710936380.3A CN108304853B (zh) | 2017-10-10 | 2017-10-10 | 游戏相关度的获取方法、装置、存储介质和电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710936380.3A CN108304853B (zh) | 2017-10-10 | 2017-10-10 | 游戏相关度的获取方法、装置、存储介质和电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108304853A true CN108304853A (zh) | 2018-07-20 |
CN108304853B CN108304853B (zh) | 2022-11-08 |
Family
ID=62869983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710936380.3A Active CN108304853B (zh) | 2017-10-10 | 2017-10-10 | 游戏相关度的获取方法、装置、存储介质和电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304853B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109711879A (zh) * | 2018-12-25 | 2019-05-03 | 广东电网有限责任公司信息中心 | 基于微服务架构的电力业务应用智能交互方法及系统 |
CN110197191A (zh) * | 2018-08-15 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 电子游戏推荐方法 |
CN110443320A (zh) * | 2019-08-13 | 2019-11-12 | 北京明略软件系统有限公司 | 事件相似度的确定方法及装置 |
CN111949837A (zh) * | 2020-08-18 | 2020-11-17 | 北京字节跳动网络技术有限公司 | 信息处理方法、装置、电子设备以及存储介质 |
CN112100045A (zh) * | 2020-09-01 | 2020-12-18 | 广州掌淘网络科技有限公司 | 一种识别游戏相似程度的方法与设备 |
CN116173513A (zh) * | 2023-04-24 | 2023-05-30 | 深圳市乐易网络股份有限公司 | 一种智能化游戏推送系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080114564A1 (en) * | 2004-11-25 | 2008-05-15 | Masayoshi Ihara | Information Classifying Device, Information Classifying Method, Information Classifying Program, Information Classifying System |
CN103136435A (zh) * | 2011-11-30 | 2013-06-05 | 深圳市快播科技有限公司 | 一种个性化游戏推荐的系统、方法及游戏平台 |
US20140205203A1 (en) * | 2013-01-22 | 2014-07-24 | University Of Central Florida Research Foundation, Inc. | System and Method for Visual Correlation of Digital Images |
CN104281718A (zh) * | 2014-11-04 | 2015-01-14 | 深圳市英威诺科技有限公司 | 一种基于用户群体行为数据挖掘智能推荐的方法 |
CN104765751A (zh) * | 2014-01-07 | 2015-07-08 | 腾讯科技(深圳)有限公司 | 应用推荐方法及装置 |
CN104899266A (zh) * | 2015-05-22 | 2015-09-09 | 广东欧珀移动通信有限公司 | 一种应用推荐方法及装置 |
CN105930723A (zh) * | 2016-04-20 | 2016-09-07 | 福州大学 | 一种基于特征选择的入侵检测方法 |
CN105991583A (zh) * | 2015-02-12 | 2016-10-05 | 广东欧珀移动通信有限公司 | 一种游戏应用推荐方法、应用服务器、终端及系统 |
CN106126544A (zh) * | 2016-06-15 | 2016-11-16 | 晶赞广告(上海)有限公司 | 一种互联网内容的投放方法及装置 |
CN106503787A (zh) * | 2016-10-26 | 2017-03-15 | 腾讯科技(深圳)有限公司 | 一种获取游戏数据的方法及电子设备 |
-
2017
- 2017-10-10 CN CN201710936380.3A patent/CN108304853B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080114564A1 (en) * | 2004-11-25 | 2008-05-15 | Masayoshi Ihara | Information Classifying Device, Information Classifying Method, Information Classifying Program, Information Classifying System |
CN103136435A (zh) * | 2011-11-30 | 2013-06-05 | 深圳市快播科技有限公司 | 一种个性化游戏推荐的系统、方法及游戏平台 |
US20140205203A1 (en) * | 2013-01-22 | 2014-07-24 | University Of Central Florida Research Foundation, Inc. | System and Method for Visual Correlation of Digital Images |
CN104765751A (zh) * | 2014-01-07 | 2015-07-08 | 腾讯科技(深圳)有限公司 | 应用推荐方法及装置 |
CN104281718A (zh) * | 2014-11-04 | 2015-01-14 | 深圳市英威诺科技有限公司 | 一种基于用户群体行为数据挖掘智能推荐的方法 |
CN105991583A (zh) * | 2015-02-12 | 2016-10-05 | 广东欧珀移动通信有限公司 | 一种游戏应用推荐方法、应用服务器、终端及系统 |
CN104899266A (zh) * | 2015-05-22 | 2015-09-09 | 广东欧珀移动通信有限公司 | 一种应用推荐方法及装置 |
CN105930723A (zh) * | 2016-04-20 | 2016-09-07 | 福州大学 | 一种基于特征选择的入侵检测方法 |
CN106126544A (zh) * | 2016-06-15 | 2016-11-16 | 晶赞广告(上海)有限公司 | 一种互联网内容的投放方法及装置 |
CN106503787A (zh) * | 2016-10-26 | 2017-03-15 | 腾讯科技(深圳)有限公司 | 一种获取游戏数据的方法及电子设备 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110197191A (zh) * | 2018-08-15 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 电子游戏推荐方法 |
CN110197191B (zh) * | 2018-08-15 | 2022-09-02 | 腾讯科技(深圳)有限公司 | 电子游戏推荐方法 |
CN109711879A (zh) * | 2018-12-25 | 2019-05-03 | 广东电网有限责任公司信息中心 | 基于微服务架构的电力业务应用智能交互方法及系统 |
CN110443320A (zh) * | 2019-08-13 | 2019-11-12 | 北京明略软件系统有限公司 | 事件相似度的确定方法及装置 |
CN111949837A (zh) * | 2020-08-18 | 2020-11-17 | 北京字节跳动网络技术有限公司 | 信息处理方法、装置、电子设备以及存储介质 |
CN112100045A (zh) * | 2020-09-01 | 2020-12-18 | 广州掌淘网络科技有限公司 | 一种识别游戏相似程度的方法与设备 |
CN116173513A (zh) * | 2023-04-24 | 2023-05-30 | 深圳市乐易网络股份有限公司 | 一种智能化游戏推送系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108304853B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304853A (zh) | 游戏相关度的获取方法、装置、存储介质和电子装置 | |
US11659050B2 (en) | Discovering signature of electronic social networks | |
CN104778173B (zh) | 目标用户确定方法、装置及设备 | |
CN109325691A (zh) | 异常行为分析方法、电子设备及计算机程序产品 | |
CN107766929B (zh) | 模型分析方法及装置 | |
CN110245301A (zh) | 一种推荐方法、装置及存储介质 | |
CN110147711A (zh) | 视频场景识别方法、装置、存储介质和电子装置 | |
CN106022508A (zh) | 预测线上理财平台的用户邀请好友行为的方法和装置 | |
CN107644279A (zh) | 评价模型的建模方法及装置 | |
CN105069534A (zh) | 客户流失预测方法以及装置 | |
CN111311338A (zh) | 用户价值的预测方法以及用户价值预测模型的训练方法 | |
CN107424007A (zh) | 一种构建电子券敏感度识别模型的方法和装置 | |
CN107403311B (zh) | 账户用途的识别方法及装置 | |
CN107767055A (zh) | 一种基于串谋检测的众包结果汇聚方法及装置 | |
Rothmeier et al. | Prediction of player churn and disengagement based on user activity data of a freemium online strategy game | |
CN108319974A (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN109902823A (zh) | 一种基于生成对抗网络的模型训练方法及设备 | |
CN111626767B (zh) | 资源数据的发放方法、装置及设备 | |
CN106257507A (zh) | 用户行为的风险评估方法及装置 | |
CN110288468A (zh) | 数据特征挖掘方法、装置、电子设备及存储介质 | |
CN110941769B (zh) | 目标帐号的确定方法和装置、电子装置 | |
CN110457387A (zh) | 一种应用于网络中用户标签确定的方法及相关装置 | |
CN106600432B (zh) | 基于社交属性行为数据的行为间影响力评估方法和装置 | |
CN113457167A (zh) | 用户分类网络的训练方法、用户分类方法及装置 | |
Srinivasan et al. | A supervised learning model to identify the star potential of a basketball player |
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 |