CN109947438B - 基于机器学习的游戏安装方法及电子设备、可读存储介质 - Google Patents

Abstract

本发明公开了基于机器学习的游戏安装方法，包括启动资源分布，将游戏资源分成多个独立的资源包进行打包；通过机器学习后台获取游戏数据；通过客户端上报的用户行为日志获取用户数据；将游戏资源分为随安装包资源和可下载资源，通过机器学习对可下载资源进行排序；根据用户数据下载和/或推荐游戏资源。本发明能够解决手机游戏安装时间过长、游戏资源信息冗余且占用空间大、游戏资源关联性不大、易产生多余的广告投放成本的问题。

Description

基于机器学习的游戏安装方法及电子设备、可读存储介质

技术领域

本发明涉及游戏技术领域，尤其涉及基于机器学习的游戏安装方法及电子设备、可读存储介质。

背景技术

随着智能手机的发展，手机的硬件条件逐步提高，手机游戏越来越成为人们日常生活中的重要娱乐方式。但是，目前的手机游戏缺乏一种能够针对不同玩家提供对应安装包的游戏安装方法，很容易导致玩家接收的无用信息过多、安装包冗余、安装时间过长、占用手机内存，同时游戏运营方也会增加多余的广告投放成本。

基于此，提供一种能够根据用户信息提供对应的资源安装包的游戏安装方法，以解决手机游戏安装时间过长、游戏资源信息冗余且占用空间大、游戏资源关联性不大、易产生多余的广告投放成本的问题，成了目前亟待解决的技术问题。

发明内容

为了克服现有技术的不足，本发明的目的之一在于提供基于机器学习的游戏安装方法，其能解决手机游戏安装时间过长、游戏资源信息冗余且占用空间大、游戏资源关联性不大、易产生多余的广告投放成本的问题。

为了达到上述目的，本发明所采用的技术方案如下：

基于机器学习的游戏安装方法，包括以下步骤，

步骤S1、启动资源分布，将游戏资源分成多个独立的资源包进行打包；

步骤S2、通过机器学习后台获取游戏数据；

步骤S3、通过客户端上报的用户行为日志获取用户数据；

步骤S4、将游戏资源分为随安装包资源和可下载资源，通过机器学习对可下载资源进行排序；

步骤S5、根据用户数据下载和/或推荐游戏资源；

其中，用户数据包括用户注册信息和在线时长、玩家级数、ABTest玩家信息、玩家关卡进度。

优选的，步骤S5具体包括以下步骤：

步骤S51、基于机器学习的游戏安装方法通过第一预设值和用户数据判断玩家是否为老玩家，若是，执行步骤S52；

步骤S52、玩家直接下载游戏资源，启动游戏。

优选的，步骤S5具体包括以下步骤：

步骤S51、基于机器学习的游戏安装方法通过第一预设值和用户数据判断玩家是否为老玩家，若不是，执行步骤S53；

步骤S53、判断玩家是否为ABTest玩家，若玩家为ABTest玩家，执行步骤S54；若玩家不是ABTest玩家，执行步骤S55；

步骤S54、通过机器学习获取游戏数据，并将游戏数据记录到机器学习后台；

步骤S55、采集玩家的玩家数据，将玩家数据与游戏数据进行匹配，通过第二预设值按照游戏资源使用顺序、游戏资源使用频率下载和/或推荐对应的可下载资源，启动游戏。

优选的，步骤S2具体包括以下步骤：

步骤S21、基于机器学习的游戏安装方法通过第一预设值和用户数据判断玩家是否为老玩家，若玩家不是老玩家且玩家不是ABTest玩家，执行步骤S56；

步骤S56、根据玩家自定义的游戏数据下载对应的游戏资源，启动游戏；

步骤S57、通过机器学习获取步骤S56玩家自定义的游戏数据，并将玩家自定义的游戏数据记录到机器学习后台。

优选的，还包括以下步骤，依次为，

步骤S6、玩家根据游戏进程及游戏需要下载游戏资源；

步骤S7、基于机器学习的游戏安装方法通过机器学习获取玩家的操作流程，生成游戏数据，并将游戏数据记录到机器学习后台。

优选的，还包括以下步骤，

基于机器学习的游戏安装方法根据游戏数据获取玩家的操作流程，模拟新手玩家操作，生成新手玩家操作教学。

优选的，

基于机器学习的游戏安装方法根据用户数据按照第一候选值和第二候选值获取随安装包资源，用于将游戏资源分为随安装包资源和可下载资源，第一候选值为按照第三预设值筛选的游戏开启后的前30分钟用户下载的游戏资源，第二候选值为按照第四预设值筛选的用户进入游戏主界面后下载的游戏资源。

优选的，游戏数据包括玩家下载的游戏资源、游戏资源使用顺序、游戏资源使用频率。

为了克服现有技术的不足，本发明的目的之二在于提供一种电子设备，其能解决手机游戏安装时间过长、游戏资源信息冗余且占用空间大、游戏资源关联性不大、易产生多余的广告投放成本的问题。

为了达到上述目的，本发明所采用的技术方案如下：

包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明目的之一的基于机器学习的游戏安装方法。

为了克服现有技术的不足，本发明的目的之三在于提供一种可读存储介质，其能解决手机游戏安装时间过长、游戏资源信息冗余且占用空间大、游戏资源关联性不大、易产生多余的广告投放成本的问题。

为了达到上述目的，本发明所采用的技术方案如下：

其上存储有计算机程序，计算机程序被处理器执行时实现如本发明目的之一的基于机器学习的游戏安装方法。

相比现有技术，本发明的有益效果在于：

将游戏资源分为随安装包资源和可下载资源，通过机器学习对可下载资源进行排序，根据不同的用户数据下载和/或推荐与该用户匹配的游戏资源，避免了游戏资源信息冗余且占用空间大、游戏资源关联性不大的问题，减少了游戏下载时间，使用户可以快速体验游戏，同时，根据用户数据针对性地推荐下载相关的游戏资源，增加相应的游戏资源广告转化率，通过减少游戏资源安装包的大小减少广告投放成本。

附图说明

图1为本发明较佳实施例的基于机器学习的游戏安装方法的流程示意图；

图2为本发明较佳实施例的游戏资源安装及启动的流程示意图；

图3为本发明较佳实施例的游戏资源分布的流程示意图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述：

如图1-3所示，本发明较佳实施例所示的基于机器学习的游戏安装方法包括游戏资源分布阶段，游戏资源安装及启动阶段。

需要说明的是，本发明所示的游戏资源包括但不限于游戏用到的图片、声音、模型等文件。

用户数据包括但不限于用户注册信息和在线时长、玩家级数、ABTest玩家信息、玩家关卡进度等用户信息和用户游戏信息。

其中，游戏资源分布阶段包括以下步骤：

步骤S1、启动资源分布，将游戏资源分成多个独立的资源包进行打包。此处，对游戏资源按其内容(图片、声音、模型等)进行分类，按其内容将游戏资源分成多个独立的资源包分别进行打包。

步骤S2、通过机器学习后台获取游戏数据；此处所指的机器学习后台除了包括有从用户行为日志读取的玩家操作记录并进行机器学习获取的游戏记录，也有根据用户的游戏进程进行机器学习进一步获取的游戏数据。

步骤S3、通过客户端上报的用户行为日志获取用户数据，将用户数据与游戏数据进行匹配进一步获取用户特征。需要说明的是，用户数据从客户端上报的用户行为日志获取过程中包括的读取、解析等步骤在现有技术中已有公开，在此不再赘述。本发明所示的基于机器学习的游戏安装方法通过机器学习获取游戏数据，并将获取的游戏数据上传至机器学习后台，根据用户数据从机器学习后台读取相关的游戏数据，并进行信息匹配，获取用户特征。

步骤S4、将游戏资源分为随安装包资源(例如APK和IPA包此类zip文件等资源文件)和可下载资源，通过机器学习对可下载资源进行排序。

此处机器学习通过算法根据游戏的运行及该游戏安装包的重要性等进行排序，其中，随安装包资源是根据游戏进程及游戏数据等对游戏资源包的重要性进行自定义的资源，在下载游戏时会自动下载该随安装包资源。根据算法，对可下载资源进行排序并根据游戏数据的更新进行实时更新。可下载资源会根据用户数据以及该游戏资源与用户的匹配度进行自行下载或作为推荐游戏资源供用户选择下载。此处的匹配度通过预设的阈值进行选择，在阈值范围内为匹配度高，游戏资源自行下载，超过阈值范围的会将游戏资源作为推荐资源由用户选择下载。

需要说明的是，通过机器学习获取的游戏数据，会将游戏资源下载量作为该游戏资源的评定参考，从而对用户下载的该下载资源进行排序，本发明较佳实施例通过使用经过改进的TF-IDF算法确定该游戏资源的优先顺序，入库后下发给其他玩家使用，使得玩家的游戏体验更加流畅。新玩家能够直接根据该可下载资源排序直接选择最普遍使用或最有用的游戏资源，本发明的基于机器学习的游戏安装方法能够给新玩家最直接的游戏指引，同时给其他玩家一定的游戏参考，例如，资源包的下载更新会通过资源包更新提示的方式提醒老玩家，而对于新玩家则会默认下载更新过的随安装资源以及经更新排序后的可下载资源，避免了游戏资源信息冗余且占用空间大、游戏推荐关联性不大的问题，同时，减少了冗余游戏资源的下载，减少了游戏下载时间，使用户可以快速体验游戏。对于未下载的资源，游戏内不显示相关的资源，等到下载完毕再显示，这样不会影响玩家迅速体验游戏。

此处经过改进的TF-IDF算法是指在传统的TF-IDF算法排序的基础上会进行再次排序，例如，在游戏资源包的排序出现并列的时候，可通过该算法进行再次排序。

本发明所示的基于机器学习的游戏安装方法，安装包按其内容分成独立包，基于资源内容的优化考虑，对游戏可下载资源的排序在并列时会优先考虑较大的安装包排列在前，用以给玩家最佳的用户体验。

较佳地，根据用户数据按照第一候选值和第二候选值获取随安装包资源，用于将游戏资源分为随安装包资源和可下载资源，第一候选值为按照第三预设值筛选的游戏开启后的前30分钟用户下载的游戏资源，第二候选值为按照第四预设值筛选的用户进入游戏主界面后下载的资源。

其中，第一候选值和第二候选值分别为按照第三预设值筛选的游戏开启后的前30分钟用户下载的游戏资源、按照第四预设值筛选的用户进入游戏主界面后下载的资源。该第三预设值为系统预设的参照阈值，按照下载顺序对属在开启游戏后的前30分钟下载的游戏资源进行排序，若该游戏资源的下载顺序在系统预设的第三预设值的参照阈值内时，则该游戏资源作为第一候选值优先推荐给新玩家或是需要下载新的游戏资源的玩家。该第四预设值为系统预设的参照阈值，按照下载用户数量对属玩家进入主界面后下载的游戏资源进行排序，其顺序在系统预设的第四预设值的参照阈值内时，则该游戏资源作为第二候选值会优先推荐给新玩家或是需要下载新的游戏资源的玩家。这样针对资源进行细分之后，可以减少游戏初始安装包资源的大小，减少玩家安装游戏需要的时间。

在实际操作中，该第三预设值、第四预设值根据游戏的难度、参与人数以及游戏时长等的不同而不同。

游戏资源安装及启动阶段包括以下步骤：

实施例一：

基于机器学习的游戏安装方法通过第一预设值和用户数据判断玩家为老玩家，系统通过客户端上报的用户行为日志或机器学习后台可直接获取该名老玩家的游戏操作记录，根据老玩家的游戏操作直接下载游戏资源中老玩家习惯使用或默认使用的游戏资源，启动游戏。根据用户数据下载与其匹配的游戏资源，避免了游戏资源信息冗余且占用空间大、游戏推荐关联性不大的问题，能够针对性地使老玩家下载与其关联的游戏资源，减少了冗余游戏资源的下载，减少游戏下载时间，并通过减少游戏资源安装包的大小减少广告投放成本。

本发明所示第一预设值是系统预先设置的一个参考阈值，当获取的用户数据，其包括的玩家等级、游戏在线时长等达到该参考阈值的时候则认定该用户/玩家为老玩家，在实际操作中，该参考阈值根据游戏的难度、参与人数以及游戏时长等的不同而不同。

需要说明的是，老玩家下载的游戏资源根据算法排序可能并不属于机器学习后进行排序的优先可下载资源，此时会直接读取用户行为日志下载与该老玩家对应的游戏资源，在后续对资源包进行更新的时候会以游戏提醒的方式下载新的资源包，且不会干扰到玩家游戏进程。

实施例二：

基于机器学习的游戏安装方法通过第一预设值和用户数据判断得知玩家不是老玩家，系统进一步通过预设信息判断玩家是否为ABTest玩家。

若用户为ABTest玩家，通过机器学习获取该玩家的游戏数据，并将游戏数据记录到机器学习后台；游戏数据包括玩家下载的游戏资源、游戏资源使用顺序、游戏资源使用频率；

若用户不是ABTest玩家，则采集玩家的玩家数据，将玩家数据与游戏数据进行匹配，通过第二预设值按照游戏资源使用顺序、游戏资源使用频率选择下载和/或推荐对应的可下载资源，启动游戏。

基于机器学习的游戏安装方法是以玩家开启游戏后选择的游戏资源的使用顺序及使用频率对游戏资源进行排序，该第二预设值是指系统预设的阈值范围，在游戏资源的排序在该阈值范围内时，将该游戏资源推荐给用户，在实际操作中，该阈值范围根据游戏的难度、参与人数以及游戏时长等的不同而不同。玩家直接下载更新的随安装包资源，并根据用户数据直接下载或通过游戏推荐等选择方式下载可下载资源。新玩家能够直接根据该可下载资源的排序直接选择最普遍使用或最有用的游戏资源，给新玩家最直接的游戏指引，同时给其他玩家一定的游戏参考(通过游戏资源更新或是推荐的方式下载经机器学习排序优先的可下载资源)，避免了游戏资源信息冗余且占用空间大、游戏推荐关联性不大的问题，增加相应的游戏资源广告转化率，通过减少游戏资源安装包的大小减少广告投放成本。

需要说明的是，ABTest玩家是指受邀参与游戏体验的游戏VIP玩家，该游戏VIP玩家指具备一定游戏体验经验的玩家。ABTest玩家的玩家信息会作为预设信息预设在系统中用以判断玩家是否为ABTest玩家。采样ABTest玩家作为样本，用来收集相关资源使用信息，并且上传到机器学习的后台服务器，且不影响大部分正式玩家游戏的正常体验。

实施例三：

基于机器学习的游戏安装方法通过第一预设值和用户数据判断玩家不是老玩家且不是ABTest玩家，根据玩家自定义的下载的游戏资源、游戏资源下载顺序、下载次数等下载对应的游戏资源，启动游戏；通过机器学习获取玩家自定义的游戏数据，并将玩家自定义的游戏数据记录到机器学习后台。

需要说明的是，本发明所示的基于机器学习的游戏安装方法，采集用户游戏数据进行及其学习，采集的用户包括受邀参与游戏体验的ABTest玩家以及通过信息筛选的方式选择的部分老玩家、部分新玩家。

本发明所示例的基于机器学习的游戏安装方法属边玩边下载的游戏安装方法，同时，该机器学习也是随着用户游戏进行实时机器学习并上传至机器学习后台。通过机器学习不断上传的资源顺序，始终对资源做出最优下载排序，让玩家优先下载使用次数最多、最重要的游戏资源，让游戏体验更流畅。在用户游戏过程中，除了会根据用户特征、使用顺序等向用户推荐相关的以及使用率高的游戏资源，同时，玩家也可以自定义选择下载需要的游戏资源，玩家的操作会记录在用户行为日志，而系统会根据用户自定义下载的游戏资源、用户数据等进行机器学习，获取相关的游戏数据及用户特征。

实施例四：

本发明的较佳实施例为以上实施例的结合，所述实施例一、实施例二、实施例三于本发明的较佳实施示例中，其实施是并行的，通过实施例一、二、三的并行实施可减少资源下载时间，使用户可以尽快体验游戏：

步骤S51、基于机器学习的游戏安装方法通过第一预设值和用户数据判断玩家是否为老玩家；

若是，执行步骤S52；若不是，执行步骤S53；

步骤S52、直接下载随安装包资源，启动游戏。

步骤S53、判断玩家是否为ABTest玩家，若用户不是老玩家但为ABTest玩家，执行步骤S54；若玩家不是老玩家且用户不是ABTest玩家，执行步骤S55或步骤S56及步骤S57。

步骤S54、通过机器学习获取游戏数据，并将游戏数据记录到机器学习后台。

步骤S55、采集玩家的玩家数据，将玩家数据与游戏数据进行匹配，通过第二预设值按照游戏资源使用顺序、游戏资源使用频率下载和/或推荐对应的可下载资源，启动游戏。

步骤S56、根据玩家自定义的游戏数据下载对应的游戏资源，启动游戏；

步骤S57、通过机器学习获取步骤S56玩家自定义的游戏数据，并将玩家自定义的游戏数据记录到机器学习后台。

较佳地，本发明所示例的基于机器学习的游戏安装方法属边玩边下载的游戏安装方法，玩家根据游戏进程及游戏需要下载游戏资源；系统通过机器学习获取玩家的操作流程，生成游戏数据，并将游戏数据记录到机器学习后台。

较佳地，基于机器学习的游戏安装方法根据游戏数据获取玩家的操作流程，模拟新手玩家操作，生成新手玩家操作教学。

本发明还提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明前述的基于机器学习的游戏安装方法。

本发明还提供一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本发前述的基于机器学习的游戏安装方法。

对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (10)

1.基于机器学习的游戏安装方法，其特征在于，包括以下步骤，

步骤S1、启动资源分布，将游戏资源分成多个独立的资源包进行打包；

步骤S2、通过机器学习后台获取游戏数据；

步骤S3、通过客户端上报的用户行为日志获取用户数据；

步骤S4、将所述游戏资源分为随安装包资源和可下载资源，通过机器学习对所述可下载资源进行排序；

步骤S5、可下载资源会根据所述用户数据以及所述游戏资源与用户的匹配度进行自行下载或作为推荐游戏资源供用户选择下载；

其中，所述用户数据包括用户注册信息和在线时长、玩家级数、ABTest玩家信息、玩家关卡进度。

2.根据权利要求1所述的基于机器学习的游戏安装方法，其特征在于，所述步骤S5具体包括以下步骤：

步骤S51、所述基于机器学习的游戏安装方法通过第一预设值和所述用户数据判断玩家是否为老玩家，若是，执行步骤S52；

步骤S52、玩家直接下载所述游戏资源，启动游戏。

3.根据权利要求1所述的基于机器学习的游戏安装方法，其特征在于，所述步骤S5具体包括以下步骤：

步骤S51、所述基于机器学习的游戏安装方法通过第一预设值和所述用户数据判断玩家是否为老玩家，若不是，执行步骤S53；

步骤S53、判断所述玩家是否为ABTest玩家，若所述玩家为ABTest玩家，执行步骤S54；若所述玩家不是ABTest玩家，执行步骤S55；

步骤S54、通过机器学习获取游戏数据，并将所述游戏数据记录到所述机器学习后台；

步骤S55、采集所述玩家的玩家数据，将所述玩家数据与所述游戏数据进行匹配，通过第二预设值按照游戏资源使用顺序、游戏资源使用频率下载和/或推荐对应的可下载资源，启动游戏。

4.根据权利要求1所述的基于机器学习的游戏安装方法，其特征在于，所述步骤S2具体包括以下步骤：

步骤S21、所述基于机器学习的游戏安装方法通过第一预设值和所述用户数据判断玩家是否为老玩家，若所述玩家不是老玩家且所述玩家不是ABTest玩家，执行步骤S56；

步骤S56、根据所述玩家自定义的游戏数据下载对应的游戏资源，启动游戏；

步骤S57、通过机器学习获取步骤S56所述玩家自定义的游戏数据，并将所述玩家自定义的游戏数据记录到所述机器学习后台。

5.根据权利要求2-4中任意一项所述的基于机器学习的游戏安装方法，其特征在于，还包括以下步骤，依次为，

步骤S6、所述玩家根据游戏进程及游戏需要下载所述游戏资源；

步骤S7、所述基于机器学习的游戏安装方法通过机器学习获取玩家的操作流程，生成游戏数据，并将所述游戏数据记录到所述机器学习后台。

6.根据权利要求1-4中任意一项所述的基于机器学习的游戏安装方法，其特征在于，还包括以下步骤，

所述基于机器学习的游戏安装方法根据所述游戏数据获取玩家的操作流程，模拟新手玩家操作，生成新手玩家操作教学。

7.根据权利要求1-4中任意一项所述的基于机器学习的游戏安装方法，其特征在于，

所述基于机器学习的游戏安装方法根据所述用户数据按照第一候选值和第二候选值获取所述随安装包资源，用于将所述游戏资源分为随安装包资源和可下载资源，所述第一候选值为按照第三预设值筛选的游戏开启后的前30分钟用户下载的游戏资源，所述第二候选值为按照第四预设值筛选的用户进入游戏主界面后下载的游戏资源。

8.根据权利要求1-4中任意一项所述的基于机器学习的游戏安装方法，其特征在于，所述游戏数据包括玩家下载的游戏资源、游戏资源使用顺序、游戏资源使用频率。

9.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述程序时实现如权利要求1-8任意一项所述的基于机器学习的游戏安装方法。

10.一种可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-8任意一项所述的基于机器学习的游戏安装方法。

Images