CN109908590A - 一种游戏推荐方法、装置、设备及介质 - Google Patents
一种游戏推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109908590A CN109908590A CN201910147604.1A CN201910147604A CN109908590A CN 109908590 A CN109908590 A CN 109908590A CN 201910147604 A CN201910147604 A CN 201910147604A CN 109908590 A CN109908590 A CN 109908590A
- Authority
- CN
- China
- Prior art keywords
- game
- user
- demand degree
- behavioral data
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明公开了一种游戏推荐方法、装置、设备及介质,属于计算机领域。所述方法包括:获取用户的行为数据;基于所述用户的行为数据,根据游戏需求度模型,获取指标权重;基于所述指标权重,根据游戏需求度计算模型,获得所述用户对游戏的需求度;基于所述用户对游戏的需求度,生成对应的游戏推荐横幅,并在应用程序的用户界面中显示所述游戏推荐横幅。本说明书实施例提供的方法,能够深入挖掘用户对游戏的需求规律,实现对用户集中度较高、游戏款数较少的情形下的个性化推荐,达到较为精准的游戏推荐,从而提升用户体验。
Description
技术领域
本说明书涉及计算机领域,尤其涉及一种游戏推荐方法、装置、设备及介质。
背景技术
随着互联网的发展,流量入口之争日益白热化。横幅(Banner)作为一个重要的流量入口,出现在不同终端产品的用户界面中,横幅的主要作用之一是作为推荐弹窗,进行信息推送或信息推荐。一般情况下,进行信息推送或推荐往往依赖用户偏好予以实施。
由于用户对产品内容的偏好存在个体差异及群体共性,为增强推荐的针对性,目前普遍采用个性化推荐技术进行用户偏好的挖掘。通过个性化推荐技术着重解决了用户对长尾内容的偏好,推荐的内容也较为丰富,适用于“五花八门”的多样化需求的用户,但该个性化推荐技术并不适用于用户集中度较高、对长尾内容需求偏低的应用场景。
因此,需要一种新的推荐方法,能够满足用户集中度较高、对长尾内容需求偏低的应用场景。
发明内容
本说明书实施例提供一种游戏推荐方法、装置、设备及介质,用于解决现有个性化推荐技术仅着重解决用户对长尾内容的偏好,推荐内容虽较为丰富,适用于多样化需求的用户,但不适用于用户集中度较高、对长尾内容需求偏低应用场景的问题。
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供的一种游戏推荐方法,包括:
获取用户的行为数据,其中,所述行为数据是所述用户进行游戏操作相关的数据;
基于所述用户的行为数据,根据游戏需求度模型,获取指标权重,其中,所述指标权重为所述用户的行为数据的权重;
基于所述指标权重,根据游戏需求度计算模型,获得所述用户对游戏的需求度,其中,所述游戏需求度计算模型是计算所述用户对游戏需求度的模型;
基于所述用户对游戏的需求度,生成对应的游戏推荐横幅,并在应用程序的用户界面中显示所述游戏推荐横幅。
优选地,所述行为数据包括用户属性、游戏属性及游戏行为属性;
其中,
所述用户属性包括用户注册时间、用户性别、用户年龄中的任何一种或多种;
所述游戏属性包括游戏玩法类型、游戏日活跃用户级别中的任何一种或多种;
所述游戏行为属性包括用户玩游戏的累计局数、用户玩游戏的最后一日与游戏推荐日的间隔天数及最后一日玩游戏的局数,其中,所述最后一日为用户最后玩游戏所在的日期,所述游戏推荐日为向用户推荐该游戏的日期。
优选地,所述游戏需求度模型是基于机器学习预先获得的需求度模型,其中,所述游戏需求度模型包括:游戏第一需求度模型和游戏第二需求度模型。
优选地,所述游戏第一需求度模型是根据预设天数,获取多个用户的老游戏行为数据,以所述老游戏行为数据包括的用户属性、游戏属性及游戏行为属性指标为特征向量,以所述老游戏行为数据采集日的次日玩所述老游戏的人数占比为预设目标,建立的游戏第一需求度模型;
所述游戏第二需求度模型是根据预设天数,获取多个用户的老游戏行为数据,以所述老游戏行为数据包括的用户属性及游戏属性指标为特征向量,以所述老游戏行为数据采集日的次日玩新游戏的人数占比为预设目标,建立的游戏第二需求度模型。
优选地,所述基于所述用户的行为数据,根据游戏需求度模型,获取指标权重,具体包括:
根据预设天数,获取所述行为数据中的用户属性、游戏属性及游戏行为属性指标,其中,所述预设天数是所述用户行为数据的统计天数;
以所述用户属性、游戏属性及游戏行为属性指标为特征向量,以所述用户在行为数据采集日的次日玩老游戏的人数占比为预设目标,建立游戏第一需求度模型,从而获得老游戏的用户属性、游戏属性及游戏行为属性指标的权重;
和/或以所述用户属性及游戏行为属性指标为特征向量,以所述用户在行为数据采集日的次日玩新游戏的人数占比为预设目标,建立游戏第二需求度模型,从而获得新游戏的用户属性及游戏行为属性指标的权重。
优选地,所述基于所述指标权重,根据游戏需求度计算模型,获得所述用户对游戏的需求度,具体包括:
基于游戏需求度计算模型,将所述指标权重按照由高到低的顺序进行排序;
根据所述指标权重的排序,对所述指标进行组合,并设置指标组合的组合优先级,所述组合优先级为计算游戏需求度的先后顺序;
将所述游戏需求度模型中的指标,与所述指标组合进行匹配,根据组合优先级,选取优先级最高的指标组合;
根据所述优先级最高的指标组合,获得所述用户对应的老游戏或新游戏需求度。
优选地,所述游戏需求度计算模型是根据所述游戏需求度模型获得是指标权重进行组合,获得指标组合,将所述指标组合中各指标的权重设置组合优先级,建立的游戏需求度计算模型。
本说明书实施例提供的一种游戏推荐装置,包括:
收集模块,用于获取用户的行为数据,其中,所述行为数据是所述用户进行游戏操作相关的数据;
分析模块,基于所述用户的行为数据,根据游戏需求度模型,获取指标权重,其中,所述指标权重为所述用户的行为数据的权重;
个性化推荐模块,基于所述指标权重,根据游戏需求度计算模型,获得所述用户对游戏的需求度;
基于所述用户对游戏的需求度,生成对应的游戏推荐横幅,并在应用程序的用户界面中显示所述游戏推荐横幅。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取用户的行为数据,其中,所述行为数据是所述用户进行游戏操作相关的数据;
基于所述用户的行为数据,根据游戏需求度模型,获取指标权重,其中,所述指标权重为所述用户的行为数据的权重;
基于所述指标权重,根据游戏需求度计算模型,获得所述用户对游戏的需求度,其中,所述游戏需求度计算模型是计算所述用户对游戏需求度的模型;
基于所述用户对游戏的需求度,生成对应的游戏推荐横幅,并在应用程序的用户界面中显示所述游戏推荐横幅。
本说明书实施例还提供一种计算机可读存储介质,用于存储程序,所述程序被执行时,能够实现:
获取用户的行为数据,其中,所述行为数据是所述用户进行游戏操作相关的数据;
基于所述用户的行为数据,根据游戏需求度模型,获取指标权重,其中,所述指标权重为所述用户的行为数据的权重;
基于所述指标权重,根据游戏需求度计算模型,获得所述用户对游戏的需求度,其中,所述游戏需求度计算模型是计算所述用户对游戏需求度的模型;
基于所述用户对游戏的需求度,生成对应的游戏推荐横幅,并在应用程序的用户界面中显示所述游戏推荐横幅。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书实施例基于用户行为数据,建立游戏需求模型以获得指标权重,进一步建立基于组合优先级的游戏需求计算模型,能够深入挖掘用户对游戏的需求规律,实现对用户集中度较高、游戏款数较少的情形下的个性化推荐,达到较为精准的游戏推荐,从而提升用户体验。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种游戏推荐方法的示意图;
图2a为本说明书实施例提供的游戏第一需求度模型的示意图;
图2b为本说明书实施例提供的游戏第二需求度模型的示意图;
图3为本说明书实施例提供的游戏需求度计算模型的示意图;
图4为本说明是实施例提供的游戏推荐的效果示意图;
图5为本说明书实施例提供的一种游戏推荐装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
横幅资源位可以实现游戏推荐,最简单的游戏推荐方法是对所有用户采用相同的逻辑,由业务后台进行游戏分发,该方法推荐的游戏点击率偏低,资源位利用率低。因此,需要改善游戏推荐方法,以提高游戏点击率及资源位利用率。
目前,普遍采用个性化推荐技术进行用户偏好挖掘,这种个性化的推荐技术着重解决用户对长尾内容的偏好。但是对于游戏款数较少、爆款游戏的用户相对集中的应用场景,对长尾内容的需求偏低,目前个性化的推荐技术并不是最佳的推荐方法。本说明书图1所示的方法,能够实现向每个用户推荐合适的游戏。图1为本说明书实施例提供的一种游戏推荐方法的示意图。该方法包括:
步骤S101:获取用户的行为数据。
本说明书实施例中,用户的行为数据是用户进行游戏操作的相关数据,用于反映用户、游戏及用户的游戏行为。具体地,可以包括用户属性、游戏属性及游戏行为属性。
在本说明书的一个实施例中,用户属性包括但不限于:用户注册时间、用户性别及用户年龄中的任何一种或多种。具体地,计算用户注册日距离当前行为数据采集日的天数,根据用户的生命周期,计算用户注册时间的类型。在本说明书的一个实施例中,将用户注册日距离当前行为数据采集日的天数≤56天时,采用向上取整的原则,将用户注册时间的类型进行标记:用户注册日距离当前行为数据采集日的天数/7,即标记为1~8,对于用户注册日距离当前行为数据采集日的天数>56天时,将用户注册时间的类型标记为9,亦即采用本说明书实施例,可以将用户注册时间的类型标记为1~9。在具体实施过程中,根据用户注册日距离当前行为数据采集日的天数确定用户注册时间的类型时,需要由游戏对应的用户的生命周期而定。在本说明书的一个实施例中,对于用户性别,将男性记为1,女性记为0,由于游戏的男性用户较多,因此将其他未知的用户也记为1。在本说明书的一个实施例中,将用户年龄按照不同年龄段进行了划分,并标记。具体地,将年龄为8~16岁的用户标记为1,年龄为17~20岁的用户标记为2,年龄为21~25岁的用户标记为3,26~40岁的用户标记为4,其他用户标记为0。在具体实施过程中,用户年龄的划分与用户的生命周期密切相关,可根据用户的生命周期进行用户年龄的划分。
在本说明书的一个实施例中,游戏属性包括但不限于:游戏玩法类型、游戏日活跃用户(Daily Active User,DAU)中的任何一种或多种。在本说明书的一个实施例中,游戏玩法类型可以包括:双人对战和多人对战,将双人对战标记为1,多人对战标记为2。在具体实施过程中,也可以根据游戏推荐需求,将游戏玩法类型进一步进行细分。在本说明书的一个实施例中,游戏日活跃用户可以采用平均日活跃用户的方式。在一个实施例中,可以计算近7天的平均日活跃用户,根据近7天的平均日活跃用户,对游戏进行排序。将排名前3的游戏的DAU级别定义为3,将排名第4位~中位的游戏的DAU级别定义为2,排名位于中位之后的游戏的DAU级别定义为1。采用本发明类似的方式或者基于本发明的思路进行平均日活跃用户的计算及DAU级别的定义,均属于本发明的保护范围。
在本说明书的一个实施例中,游戏行为属性包括但不限于:用户玩游戏的累计局数A、用户玩游戏的最后一日与游戏推荐日的间隔天数R及最后一日玩游戏的局数F中的任何一种或多种。
在本说明书的一个实施例中,A为用户玩某游戏的累计局数,依据累计局数来划分用户在游戏中的生命周期,根据累计局数按照从低到高的顺序划分为尝试期、成长期和成熟期。在具体实施过程中,需要综合考虑用户玩某游戏到一定累计局数后,在后续n天内是否继续玩该游戏的趋势变化(即后7天内的游戏留存率),具体地,后续n天的具体天数可以根据游戏自身性质而定,一般考虑后续7天内的游戏留存率即可。需要特别说明的是,考虑到用户开始尝试游戏过程中,由于印象不深,若长时间不玩该游戏,对游戏的感知记忆会衰减,因此将累计局数低于n且超过m天不玩游戏的累计局数归零,依据不同游戏的属性,设置n和m,但是一般来说,n小于成长期的上限局数。在本说明书的一个实施例中,将累计局数1~5局划分为尝试期,对应的评分scoreA=1;累计局数6~50局划分为成长期,对应的评分scoreA=2;51局以上划分为成熟期,对应的评分scoreA=3。
在本说明书的一个实施例中,R为用户玩游戏的最后一日与游戏推荐日的间隔天数。不同游戏的用户对应不同的R,同时综合考虑用户数量分布和n天后游戏留存率情况,对R进行评分(scoreR)。具体地,用户数量分布为R值对应的用户在全部用户中的占比,如游戏G共有100个用户,R=1对应的用户量为10,则其用户数量分布为10%;R=2对应的用户量为20,则其用户数量分布为20%;R=3对应的用户量为30,则其用户数量分布为30%。N天内的游戏留存率,一般考虑后续7天内的游戏留存率即可。在本说明书的一个实施例中,当R=1时,scoreR=5,当R∈[2,3]时,scoreR=4,当R∈[4,7]时,scoreR=3,当R∈[8,14]时,scoreR=2,当R>14时,scoreR=1。
在本说明书的一个实施例中,F为用户最后一日玩游戏的局数。不同游戏的用户对应不同的F,同时综合考虑用户数量分布和n天内游戏留存率情况,对F进行评分(scoreF)。具体地,用户数量分布为F值对应的用户在全部用户中的占比,如游戏G共有100个用户,F=1对应的用户量为10,则其用户数量分布为10%;F=2对应的用户量为20,则其用户数量分布为20%;F=3对应的用户量为30,则其用户数量分布为30%。N天内的游戏留存率,一般考虑后续7天内的游戏留存率即可。在本说明书的一个实施例中,当F>10时,scoreF=4,当F∈[6,10]时,scoreF=3,当F∈[4,5]时,scoreF=2,当F∈[1,3]时,scoreF=1。
步骤S103:基于所述用户的行为数据,根据游戏需求度模型,获取指标权重。
本说明书实施例提供的游戏需求度模型包括游戏第一需求度模型和游戏第二需求度模型。需要说明的是,游戏第一需求度模型是指用户已经在玩或者玩过的游戏的需求度模型,游戏第二需求度模型是指用户尚未玩过的游戏的需求度模型,该模型是基于其它玩过该新游戏的游戏行为属性指标并结合用户属性建立的。
在本说明书的一个实施例中,游戏需求度模型的建立是基于机器学习中的决策树实现的。决策树是一种基本的分类和回归方法,代表对象属性与对象值之间的一种映射关系。其中,回归决策树的特点是特征的取值为“是”和“否”,为二叉树结构。所谓回归,就是根据特征向量来决定对应的输出值。回归树就是将特征空间划分成若干单元,每一个划分单元有一个特定的输出。划分的过程也就是建立树的过程,每划分一次,随即确定划分单元对应的输出,也就多了一个结点。当根据停止条件划分终止的时候,最终每个单元的输出也就确定了,也就是叶结点。在本说明书的一个具体实施例中,采用决策回归树建立游戏需求度模型。
在本说明书的一个实施例中,建立游戏第一需求度模型时,根据预设天数,获取多个用户老游戏行为数据,以老游戏行为数据包括的用户属性、游戏属性及游戏行为属性指标为特征向量,以老游戏行为数据采集日的次日玩该老游戏的人数占比为预设目标,建立游戏第一需求度模型,从而获得老游戏的用户属性、游戏属性及游戏行为属性指标的权重。在具体实施过程中,预设天数可以根据游戏种类等进行选择。在本说明书的一个实施例中,预设天数选择14天。基于用户近14天的行为数据,提取如下指标:用户属性、游戏属性及游戏行为属性。具体地,如前所述,用户属性可以包括用户注册时间、用户性别及用户年龄等;游戏属性可以包括游戏玩法类型及游戏日活跃用户级别等;游戏行为属性可以包括用户玩游戏的累计局数、用户玩游戏的最后一日与游戏推荐日的间隔天数及最后一日玩游戏的局数,其中,游戏推荐日是指向该用户推荐某款游戏的当日。需要特别说明的是,用于建立游戏第一需求度模型的用户行为数据中,全部游戏scoreA的最大值,表征用户最高游戏周期;全部游戏scoreR的最大值,表征最近一天玩任意游戏距离当天的天数;全部游戏scoreF的最大值,表征最近一天玩全部游戏的总局数。另外需要说明的是,建立游戏第一需求度模型过程中,以用户在行为数据采集日的次日玩老游戏的人数占比为预设目标,其主要目的是为了衡量游戏需求度。图2a为本说明书实施例提供的游戏第一需求度模型的示意图,以方便进一步理解游戏第一需求度模型。
在本说明书的一个实施例中,可以采用建立游戏第一需求度模型类似的方法,建立游戏第二需求度模型。由于新游戏为用户尚未玩过的游戏,因此在建立第二需求度模型时,根据预设天数,获取多个用户的老游戏行为数据,以老游戏行为数据包括的用户属性及游戏行为属性指标为特征向量,以用户在行为数据采集日的次日玩新游戏的人数占比为预设目标,建立游戏第二需求度模型,从而获得新游戏的用户属性及游戏行为属性指标的权重。与建立游戏第一需求度模型类似,在具体实施过程中,预设天数可以根据游戏种类等进行选择。在本说明书的一个实施例中,预设天数选择14天。基于用户近14天的行为数据,提取如下指标:用户属性及游戏行为属性。由于用户尚未玩新游戏,因此提取的是已经玩过新游戏的用户的行为数据。具体地,如前所述,用户属性包括但不限于:用户注册时间、用户性别及用户年龄中的任何一种或多种;游戏行为属性包括但不限于:用户玩游戏的累计局数、用户玩游戏的最后一日与游戏推荐日的间隔天数及最后一日玩游戏的局数中的任何一种或多种。需要特别说明的是,用于建立新用户游戏需求度模型的用户行为数据中,全部游戏scoreA的最大值,表征用户最高游戏周期;全部游戏scoreR的最大值,表征最近一天玩任意游戏距离当天的天数;全部游戏scoreF的最大值,表征最近一天玩全部游戏的总局数。在本说明书的一个实施例中,全部游戏中scoreA=1的游戏款数,表征尝试期游戏款数;全部游戏中scoreA=1且scoreR≥4的游戏款数,表征用户近3天内玩的尝试期游戏款数;全部游戏中scoreA=1且scoreR=3的游戏款数,表征用户近4-7天内玩的尝试期游戏款数;全部游戏中scoreA=2的游戏款数,表征成长期游戏款数;全部游戏中scoreA=2且scoreR≥4的游戏款数,表征用户近3天内玩的成长期游戏款数;全部游戏中scoreA=2且scoreR=3的游戏款数,表征用户近4-7天内玩的成长期游戏款数。另外需要说明的是,建立游戏第二需求度模型过程中,以用户在行为数据采集日的次日玩新游戏的人数占比为预设目标,其主要目的是为了衡量用户对于新游戏的需求度。需要特别说明的是,采用本实施例提供的方法,可以确定是否需要向用户推荐新游戏。若需要推荐新游戏,可以基于关联原则,进行新游戏推荐。图2b为本说明书实施例提供的游戏第二需求度模型的示意图,以方便进一步理解游戏第二需求度模型,图2b示意图中的新游戏为用户尚未玩过的游戏,包含多款游戏。
采用本说明书实施例建立的游戏第一需求度模型及游戏第二需求度模型,能够深入挖掘游戏的需求规律。
步骤S105:基于所述指标权重,根据游戏需求度计算模型,获得所述用户对游戏的需求度。
本说明书实施例中的游戏需求度模型可以实现将指标权重按照由高到低的顺序进行排序,根据指标权重的排序,进行指标组合,设置组合优先级。
在本说明书的一个实施例中,游戏需求度计算模型是根据游戏需求度模型获得的指标权重进行组合,获得指标组合,将指标组合中各指标的权重设置组合优先级,建立的游戏需求度计算模型。
在本说明书的一个实施例中,设置权重最高的指标的组合为第1优先级,设置权重中等的指标为第2优先级……前N名以内权重的指标(能够覆盖全部用户)为第P优先级,其中P为大于等于3的整数,N为整数。需要特别说明的是,为了保证准确性,在进行指标组合时,需要过滤少于最低用户量阈值的指标组合。在具体实施过程中,最低用户量阈值可以选择1000,具体根据游戏特点而定。为便于理解组合优先级的设置,以具体实例进行说明。假设共有n个指标,按权重由高到低排序,则第1名对应权重最高的指标,第n名对应权重最低的指标,第n/2(n为偶数时)或(n+1)/2(n为奇数时)名对应权重中等的指标,前n/4(n为偶数时)或(n+1)/4(n为奇数时)名对应较高的指标。一般而言,优先级的级数设置的越多越好,但是为了保证效率,原则上,优先级最高设置到第4优先级即可。图3为本说明书实施例提供的游戏需求度计算模型的示意图,以方便进一步理解游戏需求度计算模型。采用本方法获得的游戏需求度模型,能够根据优先级向用户推荐游戏,实现较为精准的推荐游戏。
根据步骤S103中的指标,与游戏需求度计算模型的指标组合进行匹配,根据组合优先级,选取优先级最高的指标组合;根据优先级最高的指标组合,获得用户对应的老游戏或新游戏需求度。在具体实施过程中,对于老游戏推荐,基于游戏第一需求度模型的用户属性、游戏属性及游戏行为指标,与游戏需求度计算模型的指标组合进行匹配,根据组合优先级进行游戏推荐;对于新游戏推荐,基于游戏第二需求度模型的用户属性及游戏行为指标,与游戏需求度计算模型的指标组合进行匹配,根据组合优先级进行游戏推荐。根据游戏需求度计算模型,确定是需要继续推荐老游戏,还是需要推荐新游戏,并推荐相应的游戏。
步骤S107:基于所述用户对游戏的需求度,生成对应的游戏推荐横幅,并在应用程序的用户界面中显示所述游戏推荐横幅。
采用本说明书实施例提供的游戏推荐方法,能够深入挖掘用户对游戏的需求规律,实现用户集中度较高、游戏款数较少的情形下的个性化推荐,达到较为精准的游戏推荐,从而提升用户体验。
本说明书实施例提供的方法,在具体实施过程中,可以采用Hive SQL实现,简单快捷的实现本说明书实施例提供的方法。
图4为本说明书的一个具体实施例,该游戏推荐方法实际应用到横幅资源位的游戏推荐,能够显著提升资源位的点击率,明显改善用户游戏行为指标,如用户玩游戏的局数、时长等,提高用户的参与度。
上述内容详细说明了一种游戏推荐方法,与之对应的,本申请还提供了一种游戏推荐装置,如图5所示,具体包括:
收集模块501,用于获取用户的行为数据,其中,所述行为数据是用户进行游戏操作相关的数据,包括用户属性、游戏属性及游戏行为属性;
分析模块503,基于所述用户的行为数据,根据游戏需求度模型,获取指标权重,其中,所述游戏需求度模型包括游戏第一需求度模型和游戏第二需求度模型,所述指标权重为所述用户的行为数据的权重;
个性化推荐模块505,基于所述指标权重,根据游戏需求度计算模型,获得所述用户对游戏的需求度,其中,所述游戏需求度计算模型是计算所述用户对游戏需求度的模型;
基于所述用户对游戏的需求度,生成对应的游戏推荐横幅,并在应用程序的用户界面中显示所述游戏推荐横幅。
基于同样的思路,本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取用户的行为数据,其中,所述行为数据是所述用户进行游戏操作相关的数据;
基于所述用户的行为数据,根据游戏需求度模型,获取指标权重,其中,所述指标权重为所述用户的行为数据的权重;
基于所述指标权重,根据游戏需求度计算模型,获得所述用户对游戏的需求度,其中,所述游戏需求度计算模型是计算所述用户对游戏需求度的模型;
基于所述用户对游戏的需求度,生成对应的游戏推荐横幅,并在应用程序的用户界面中显示所述游戏推荐横幅。
本说明书实施例还提供一种计算机可读存储介质,用于存储程序,其特征在于,所述程序被执行时,能够实现:
获取用户的行为数据,其中,所述行为数据是所述用户进行游戏操作相关的数据;
基于所述用户的行为数据,根据游戏需求度模型,获取指标权重,其中,所述指标权重为所述用户的行为数据的权重;
基于所述指标权重,根据游戏需求度计算模型,获得所述用户对游戏的需求度,其中,所述游戏需求度计算模型是计算所述用户对游戏需求度的模型;
基于所述用户对游戏的需求度,生成对应的游戏推荐横幅,并在应用程序的用户界面中显示所述游戏推荐横幅。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例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,本说明书实施例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。
本说明书是参照根据本说明书实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种游戏推荐方法,其特征在于,所述方法包括:
获取用户的行为数据,其中,所述行为数据是所述用户进行游戏操作相关的数据;
基于所述用户的行为数据,根据游戏需求度模型,获取指标权重,其中,所述指标权重为所述用户的行为数据的权重;
基于所述指标权重,根据游戏需求度计算模型,获得所述用户对游戏的需求度,其中,所述游戏需求度计算模型是计算所述用户对游戏需求度的模型;
基于所述用户对游戏的需求度,生成对应的游戏推荐横幅,并在应用程序的用户界面中显示所述游戏推荐横幅。
2.如权利要求1所述的方法,其特征在于,所述行为数据包括:用户属性、游戏属性及游戏行为属性;
其中,
所述用户属性包括用户注册时间、用户性别、用户年龄中的任何一种或多种;
所述游戏属性包括游戏玩法类型、游戏日活跃用户级别中的任何一种或多种;
所述游戏行为属性包括用户玩游戏的累计局数、用户玩游戏的最后一日与游戏推荐日的间隔天数及最后一日玩游戏的局数,其中,所述最后一日为用户最后玩游戏所在的日期,所述游戏推荐日为向用户推荐该游戏的日期。
3.如权利要求1所述的方法,其特征在于,所述游戏需求度模型是基于机器学习预先获得的需求度模型,其中,所述游戏需求度模型包括:游戏第一需求度模型和游戏第二需求度模型。
4.如权利要求3所的方法,其特征在于,所述游戏第一需求度模型是根据预设天数,获取多个用户的老游戏行为数据,以所述老游戏行为数据包括的用户属性、游戏属性及游戏行为属性指标为特征向量,以所述老游戏行为数据采集日的次日玩所述老游戏的人数占比为预设目标,建立的游戏第一需求度模型;
所述游戏第二需求度模型是根据预设天数,获取多个用户的老游戏行为数据,以所述老游戏行为数据包括的用户属性及游戏属性指标为特征向量,以所述老游戏行为数据采集日的次日玩新游戏的人数占比为预设目标,建立的游戏第二需求度模型。
5.如权利要求1-3任一项所述的方法,其特征在于,所述基于所述用户的行为数据,根据游戏需求度模型,获取指标权重,具体包括:
根据预设天数,获取所述行为数据中的用户属性、游戏属性及游戏行为属性指标,其中,所述预设天数是所述用户行为数据的统计天数;
以所述用户属性、游戏属性及游戏行为属性指标为特征向量,以所述用户在行为数据采集日的次日玩老游戏的人数占比为预设目标,根据游戏第一需求度模型,从而获得老游戏的用户属性、游戏属性及游戏行为属性指标的权重;
和/或以所述用户属性及游戏行为属性指标为特征向量,以所述用户在行为数据采集日的次日玩新游戏的人数占比为预设目标,根据游戏第二需求度模型,从而获得新游戏的用户属性及游戏行为属性指标的权重。
6.如权利要求1所述的方法,其特征在于,所述基于所述指标权重,根据游戏需求度计算模型,获得所述用户对游戏的需求度,具体包括:
基于游戏需求度计算模型,将所述指标权重按照由高到低的顺序进行排序;
根据所述指标权重的排序,对所述指标进行组合,并设置指标组合的组合优先级,所述组合优先级为计算游戏需求度的先后顺序;
将所述游戏需求度模型中的指标,与所述指标组合进行匹配,根据组合优先级,选取优先级最高的指标组合;
根据所述优先级最高的指标组合,获得所述用户对应的老游戏或新游戏需求度。
7.如权利要求1所述的方法,其特征在于,所述游戏需求度计算模型是根据所述游戏需求度模型获得的指标权重进行组合,获得指标组合,将所述指标组合中各指标的权重设置组合优先级,建立的游戏需求度计算模型。
8.一种游戏推荐装置,其特征在于,所述装置包括:
收集模块,用于获取用户的行为数据,其中,所述行为数据是所述用户进行游戏操作相关的数据;
分析模块,基于所述用户的行为数据,根据游戏需求度模型,获取指标权重,其中,所述指标权重为所述用户的行为数据的权重;
个性化推荐模块,基于所述指标权重,根据游戏需求度计算模型,获得所述用户对游戏的需求度,其中,所述游戏需求度计算模型是计算所述用户对游戏需求度的模型;
基于所述用户对游戏的需求度,生成对应的游戏推荐横幅,并在应用程序中的用户界面中显示所述游戏推荐横幅。
9.一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取用户的行为数据,其中,所述行为数据是所述用户进行游戏操作相关的数据;
基于所述用户的行为数据,根据游戏需求度模型,获取指标权重,其中,所述指标权重为所述用户的行为数据的权重;
基于所述指标权重,根据游戏需求度计算模型,获得所述用户对游戏的需求度,其中,所述游戏需求度计算模型是计算所述用户对游戏需求度的模型;
基于所述用户对游戏的需求度,生成对应的游戏推荐横幅,并在应用程序的用户界面中显示所述游戏推荐横幅。
10.一种计算机可读存储介质,用于存储程序,其特征在于,所述程序被执行时,实现权利要求1至7任一项所述的游戏推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910147604.1A CN109908590B (zh) | 2019-02-27 | 2019-02-27 | 一种游戏推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910147604.1A CN109908590B (zh) | 2019-02-27 | 2019-02-27 | 一种游戏推荐方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109908590A true CN109908590A (zh) | 2019-06-21 |
CN109908590B CN109908590B (zh) | 2022-06-21 |
Family
ID=66962644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910147604.1A Active CN109908590B (zh) | 2019-02-27 | 2019-02-27 | 一种游戏推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109908590B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111182380A (zh) * | 2019-09-12 | 2020-05-19 | 广东小天才科技有限公司 | 一种基于音箱的游戏推送方法及音箱 |
CN112232515A (zh) * | 2019-07-15 | 2021-01-15 | 索尼互动娱乐有限责任公司 | 用于转换后的数据的自修复机器学习系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551825A (zh) * | 2009-05-15 | 2009-10-07 | 中国科学技术大学 | 基于属性描述的个性化影片推荐系统及方法 |
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 |
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 |
CN105868298A (zh) * | 2016-03-23 | 2016-08-17 | 华南理工大学 | 一种基于二叉决策树的手机游戏推荐方法 |
GB201803697D0 (en) * | 2018-03-08 | 2018-04-25 | Sony Interactive Entertainment Inc | A videogame search and method and apparatus |
CN108304440A (zh) * | 2017-11-01 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 游戏推送的方法、装置、计算机设备及存储介质 |
KR20180098111A (ko) * | 2017-02-24 | 2018-09-03 | 고려대학교 산학협력단 | 딥러닝에 기반한 컬링 경기 전략 추천 장치 및 그 방법 |
CN108764950A (zh) * | 2018-03-14 | 2018-11-06 | 北京奇虎科技有限公司 | 游戏推荐方法、装置和计算机可读存储介质 |
-
2019
- 2019-02-27 CN CN201910147604.1A patent/CN109908590B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551825A (zh) * | 2009-05-15 | 2009-10-07 | 中国科学技术大学 | 基于属性描述的个性化影片推荐系统及方法 |
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 |
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 |
CN105868298A (zh) * | 2016-03-23 | 2016-08-17 | 华南理工大学 | 一种基于二叉决策树的手机游戏推荐方法 |
KR20180098111A (ko) * | 2017-02-24 | 2018-09-03 | 고려대학교 산학협력단 | 딥러닝에 기반한 컬링 경기 전략 추천 장치 및 그 방법 |
CN108304440A (zh) * | 2017-11-01 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 游戏推送的方法、装置、计算机设备及存储介质 |
GB201803697D0 (en) * | 2018-03-08 | 2018-04-25 | Sony Interactive Entertainment Inc | A videogame search and method and apparatus |
CN108764950A (zh) * | 2018-03-14 | 2018-11-06 | 北京奇虎科技有限公司 | 游戏推荐方法、装置和计算机可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232515A (zh) * | 2019-07-15 | 2021-01-15 | 索尼互动娱乐有限责任公司 | 用于转换后的数据的自修复机器学习系统 |
CN111182380A (zh) * | 2019-09-12 | 2020-05-19 | 广东小天才科技有限公司 | 一种基于音箱的游戏推送方法及音箱 |
CN111182380B (zh) * | 2019-09-12 | 2022-04-29 | 广东小天才科技有限公司 | 一种基于音箱的游戏推送方法及音箱 |
Also Published As
Publication number | Publication date |
---|---|
CN109908590B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734479A (zh) | 保险欺诈识别的数据处理方法、装置、设备及服务器 | |
CN108734460A (zh) | 一种支付方式推荐方法、装置及设备 | |
CN108334647A (zh) | 保险欺诈识别的数据处理方法、装置、设备及服务器 | |
CN110033156A (zh) | 一种业务活动效果的确定方法及装置 | |
CN109408665A (zh) | 一种信息推荐方法及装置、存储介质 | |
CN109086961A (zh) | 一种信息风险监测方法及装置 | |
TWI743428B (zh) | 目標用戶群體的確定方法和裝置 | |
CN110532479A (zh) | 一种信息推荐方法、装置及设备 | |
CN105446988B (zh) | 预测类别的方法和装置 | |
CN107689008A (zh) | 一种用户投保行为预测的方法及装置 | |
CN108681667A (zh) | 一种设备型号识别方法、装置及处理设备 | |
Avrachenkov et al. | Network partitioning algorithms as cooperative games | |
CN109948680A (zh) | 病历数据的分类方法及系统 | |
CN106530010A (zh) | 融合时间因素的协同过滤方法和装置 | |
CN109887272A (zh) | 一种交通人流量的预测方法及装置 | |
CN108596410A (zh) | 一种风控事件自动处理方法及装置 | |
CN108304493A (zh) | 一种基于知识图谱的上位词挖掘方法及装置 | |
CN110489641A (zh) | 一种信息推荐数据处理方法及装置 | |
CN110472802A (zh) | 一种数据特征评估方法、装置及设备 | |
CN109767269A (zh) | 一种游戏数据的处理方法和装置 | |
CN109711424A (zh) | 一种基于决策树的行为规则获取方法、装置及设备 | |
CN109908590A (zh) | 一种游戏推荐方法、装置、设备及介质 | |
CN110378400A (zh) | 一种用于图像识别的模型训练方法及装置 | |
CN110322281A (zh) | 相似用户的挖掘方法及装置 | |
CN109978074A (zh) | 基于深度多任务学习的图像美感和情感联合分类方法及系统 |
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 |