CN110503468A - 一种基于用户行为的资源推荐方法及装置 - Google Patents

Abstract

本申请实施例提供了一种基于用户行为的资源推荐方法及装置，涉及游戏技术领域，其中方法包括：提取当前用户在目标游戏中对应的用户行为；根据所述用户行为对应的特征向量对所述当前用户进行分析，得到所述当前用户所属的特征类别；根据所述特征类别在既定的应用市场中进行匹配，确定对应的目标应用；提取所述目标应用对应的信息资源，并将所述信息资源在所述目标游戏的对应关卡节点中进行加载。通过本申请深入挖掘用户在游戏内的行为数据，提取出相关的消费特征，并与应用市场中各应用对应的用户定位进行匹配，为各消费特征的人群分别匹配对应的目标应用，从而实现目标应用对应广告资源的精确定位，提高了广告推荐的准确性和信息的利用效率。

Description

一种基于用户行为的资源推荐方法及装置

技术领域

本申请涉及游戏技术领域，尤其涉及一种基于用户行为的资源推荐方法及装置。

背景技术

随着手机游戏的发展，越来越多的用户在手游中进行消费，而越来越多的广告商选择在游戏中加入广告。目前的手机游戏广告，还大多使用用户竞价的关键词来为网络或手机游戏推荐关键词，还会通过用户点击数据来预测什么样的关键词会得到多少单位时间的点击量，这些方法都是基于用户信息形成的方法。其基本流程为，收集用于定向投放和个性化匹配的用户信息(如地域、手机型号、手机上安装的应用)、广告信息(类别、受众)，以及用户触发广告的行为信息，训练用于对匹配结果进行精准排序的点击率预估模型，以选出最合适的广告展示给用户，广告主根据用户的点击或转化行为向广告商进行付费。

然而，目前被利用的用户信息对用户人群属性和兴趣偏好的区分能力有限，不能很好地满足广告主定向投放的需求，推荐的广告与用户相关性往往较低，准确性不足，从而降低了信息的利用效率。

发明内容

本申请实施例的目的是提供一种基于用户行为的资源推荐方法及装置，针对目标游戏中用户的行为特征进行针对性的分析，并推荐目标应用对应的广告资源，使广告资源推荐更加准确，提高了信息的利用效率。

第一方面，本申请实施例提供了一种基于用户行为的资源推荐方法，包括：

提取当前用户在目标游戏中对应的用户行为；

根据所述用户行为对应的特征向量对所述当前用户进行分析，得到所述当前用户所属的特征类别；所述特征向量包括对应当前用户对应的消费特征；

根据所述特征类别在既定的应用市场中进行匹配，确定对应的目标应用；所述目标应用根据所述全网用户对应的特征类别进行划分，分别为各特征类别所对应的目标用户提供信息资源；

提取所述目标应用对应的信息资源，并将所述信息资源在所述目标游戏的对应关卡节点中进行加载。

进一步，所述根据所述用户行为对应的特征向量对所述当前用户进行分析时，

对全网用户对应用户行为中的价值属性进行提取，得到所述价值属性中对应的消费特征；

将所述全网用户对应的消费特征分别上传后进行统计，按各区间对所述消费特征进行聚类，分别得到各区间对应的特征用户；

将所述用户行为分别与各区间的特征用户对应的消费特征进行匹配，确定当前用户所属的特征类别。

进一步，所述对全网用户对应用户行为中的价值属性进行提取时，

统计全网用户在目标游戏中既定时段内的消费行为；所述消费行为包括：充值记录、在线时长、道具购买记录、晋级记录；

对所述消费行为进行解析，提取解析后所得的价值属性；

将所述价值属性对应的特征进行归一化，得到所述价值属性中对应的消费特征。

进一步，所述方法还包括：

提取所述应用市场中各候选应用各自对应的资源语料，根据所述资源语料中确定所述候选应用分别对应的文本信息，

根据所述文本信息进行语义分析，确定各候选应用分别对应的特征类别；

根据所述特征类别分别对所述各候选应用进行整合，确定每个特征类别下对应的目标应用。

进一步，所述根据所述特征类别在既定的应用市场中进行匹配时，

根据所述特征类别分别与各类别的特征类别进行匹配，得到所述特征类别分别与各特征类别对应的匹配度；

将匹配度大于既定阈值的特征类别作为目标特征；

提取所述目标特征下对应的候选应用作为所述特征类别对应的目标应用。

进一步，所述特征类别包括但不限于用户对应的消费特征和兴趣特征，则根据所述特征类别在既定的应用市场中进行匹配时，

根据所述兴趣特征对所述应用市场中既定的应用类别进行匹配，确定所述兴趣特征对应的目标应用类别；

根据所述消费特征在所述目标应用类别中进行分析，确定所述目标应用类别下每个候选应用对应的特征类别各自与所述消费特征的匹配度；

将匹配度大于既定阈值的候选应用作为所述特征类别对应的目标应用。

进一步，所述信息资源包括但不限于广告资源，则所述提取所述目标应用对应的广告资源时，

提取所述目标应用对应的类别标签，在服务器端的广告池中进行匹配，选取所述目标应用对应的广告资源；

将所述广告资源下发至所述当前用户的对应终端进行缓存，形成所述目标广告；

提取所述用户行为所在时段对应的关卡节点，根据所述关卡节点对所述目标广告进行加载。

第二方面，本申请实施例提供了一种基于用户行为的资源推荐装置，其特征在于，包括：

提取模块，用于提取当前用户在目标游戏中对应的用户行为；

分析模块，用于根据所述用户行为对应的特征向量对所述当前用户进行分析，得到所述当前用户所属的特征类别；所述特征向量包括对应当前用户对应的消费特征；

匹配模块，用于根据所述特征类别在既定的应用市场中进行匹配，确定对应的目标应用；所述目标应用根据所述全网用户对应的特征类别进行划分，分别为各特征类别所对应的目标用户提供信息资源；

资源加载模块，用于提取所述目标应用对应的信息资源，并将所述信息资源在所述目标游戏的对应关卡节点中进行加载。

进一步，所述分析模块中，具体包括：

特征单元，用于对全网用户对应用户行为中的价值属性进行提取，得到所述价值属性中对应的消费特征；

统计单元，用于将所述全网用户对应的消费特征分别上传后进行统计，按各区间对所述消费特征进行聚类，分别得到各区间对应的特征用户；

匹配单元，用于将所述用户行为分别与各区间的特征用户对应的消费特征进行匹配，确定当前用户所属的特征类别。

进一步，所述特征单元中，具体包括：

行为统计子单元，用于统计全网用户在目标游戏中既定时段内的消费行为；所述消费行为包括：充值记录、在线时长、道具购买记录、晋级记录；

解析子单元，用于对所述消费行为进行解析，提取解析后所得的价值属性；

归一化子单元，用于将所述价值属性对应的特征进行归一化，得到所述价值属性中对应的消费特征。

进一步，所述装置还包括，聚类模块，具体包括：

语料单元，用于提取所述应用市场中各候选应用各自对应的资源语料，根据所述资源语料中确定所述候选应用分别对应的文本信息，

语义单元，用于根据所述文本信息进行语义分析，确定各候选应用分别对应的特征类别；

整合单元，用于根据所述特征类别分别对所述各候选应用进行整合，确定每个特征类别下对应的目标应用。

进一步，所述匹配模块中，具体包括：

特征匹配单元，用于根据所述特征类别分别与各类别的特征类别进行匹配，得到所述特征类别分别与各特征类别对应的匹配度；

特征确定单元，用于将匹配度大于既定阈值的特征类别作为目标特征；

第一确定单元，用于提取所述目标特征下对应的候选应用作为所述特征类别对应的目标应用。

进一步，所述特征类别包括但不限于用户对应的消费特征和兴趣特征，则所述匹配模块具体包括：

兴趣分析单元，用于根据所述兴趣特征对所述应用市场中既定的应用类别进行匹配，确定所述兴趣特征对应的目标应用类别；

消费分析单元，根据所述消费特征在所述目标应用类别中进行分析，确定所述目标应用类别下每个候选应用对应的特征类别各自与所述消费特征的匹配度；

第二确定单元，根据将匹配度大于既定阈值的候选应用作为所述特征类别对应的目标应用。

进一步，所述信息资源包括但不限于广告资源，则所述资源加载模块中，具体包括：

广告单元，用于提取所述目标应用对应的类别标签，在服务器端的广告池中进行匹配，选取所述目标应用对应的广告资源；

下发单元，用于将所述广告资源下发至所述当前用户的对应终端进行缓存，形成所述目标广告；

加载单元，用于提取所述用户行为所在时段对应的关卡节点，根据所述关卡节点对所述目标广告进行加载。

本申请实施例中的基于用户行为的资源推荐方法及装置，当前用户玩游戏时，提取当前用户在目标游戏中对应的用户行为；根据所述用户行为对应的特征向量对所述当前用户进行分析，得到所述当前用户所属的特征类别；根据所述特征类别在既定的应用市场中进行匹配，确定对应的目标应用；提取所述目标应用对应的信息资源，并将所述信息资源在所述目标游戏的对应关卡节点中进行加载。通过本申请实施例，深入挖掘用户在游戏内的行为数据，提取出相关的消费特征，并与应用市场中各应用对应的用户定位进行匹配，为各消费特征的人群分别匹配对应的目标应用，从而实现目标应用对应广告资源的精确定位，提高了广告推荐的准确性和信息的利用效率。

附图说明

为了更清楚地说明本申请一个或多个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申请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为本申请实施例提供的一种基于用户行为的资源推荐系统的场景示意图；

图2为本申请实施例提供的一种基于用户行为的资源推荐方法的流程示意图；图3为本申请实施例提供的一种基于用户行为的资源推荐装置的模块组成示意图；

图4为本申请实施例提供的一种基于用户行为的资源推荐设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请实施例中的技术方案，下面将结合本申请实施例中的附图，对本申请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的一部分实施例，而不是全部的实施例。基于本申请实施例，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，都应当属于本申请的保护范围。

本申请实施例提供了一种基于用户行为的资源推荐方法及装置，目前的推荐，往往根据单纯根据竞价在游戏中进行广告推荐，即当前用户在移动终端中玩游戏时，推荐的可能不符合对应特征类别的广告，如盲目推荐一些奢侈品的广告资源给三四线城市的游戏玩家，或者推荐一些二手交易的广告资源给一线城市的白领玩家，造成了广告推荐的准确度较低。本申请在当前用户玩游戏时，提取当前用户在目标游戏中对应的用户行为；根据所述用户行为对应的特征向量对所述当前用户进行分析，得到所述当前用户所属的特征类别；根据所述特征类别在既定的应用市场中进行匹配，确定对应的目标应用；提取所述目标应用对应的广告资源，并将所述广告资源在所述目标游戏的对应关卡节点中进行加载。本申请多维度地利用了用户行为，将用户消费行为，道具使用行为，关卡通过行为，用户偏好行为，社交行为等进行分层划分；同时对应用市场内的各候选应用进行语义分析后，按各候选应用对应的受众人群进行划分，并将两者进行匹配，选取目标应用的广告资源推送给对应的特征用户，这样使得用户定位更加明确，达到高质量精准推荐契合玩家特征的应用广告资源给游戏玩家的目的。

图1为本申请实施例提供的一种基于用户行为的资源推荐方法的应用场景示意图，如图1所示，该方法的应用场景包括：客户端、第一服务器，第二服务器、第三方服务器和广告服务器，客户端运行目标游戏时，提取对应当前用户在目标游戏中对应的用户行为，并将用户行为输出至第一服务器；第一服务器分析用户行为对应特征向量，得到当前用户所属的特征类别，并输出至第二服务器进行匹配；同时，第三方服务器对既定的应用市场中的所有候选应用进行用户分析，分析每个候选应用各自对应的特征类别，并对各候选应用分别按特征类别进行整合，将每个特征类别下对应的目标应用发送至第二服务器进行缓存；第二服务器将第一服务器发送的当前用户所属的特征类别与缓存的每个特征类别对应的目标应用进行匹配，得到当前用户对应的目标应用；将目标应用的对应标签发送至广告服务器，广告服务器筛选得到目标应用对应的广告资源并下发至客户端的目标游戏中进行加载，从而向当前用户精准推荐目标应用的对应广告资源。

上述的基于用户行为的资源推荐方法，用户行为对应的特征向量中，除了当前用户对应的用户位置、用户年龄等常用特征外，还包括了当前用户对应的消费特征，如当前用户对应的充值记录、在线时长、道具购买记录、晋级记录等；通过对消费特征进行分析，可以准确定位当前用户所属价值人群的特征类别，进而向推荐该用户特性下目标应用对应的广告资源，提高了广告推荐的准确性和信息的利用效率。

图2为本申请实施例提供的一种基于用户行为的资源推荐方法的第一种流程示意图，图2中的方法能够由图1中的基于用户行为的资源推荐装置执行，如图2所示，该方法包括以下步骤：

步骤201，提取当前用户在目标游戏中对应的用户行为；

提取目标游戏中当前用户对应的用户行为，包括：消费行为以及与所述消费行为关联的使用行为。如，道具购买行为，提取当前用户在目标游戏中的道具购买事件，以及所购道具的价格、是否应用，并在既定时长内监控所购道具的使用频率，磨损速度等相关属性；再如，充值行为，提取当前用户在目标游戏中的充值事件，以及进行充值的金额、余额，并在既定时长内监控金额的消耗速度、所购道具的对应价格等相关属性。

本实施例中，用户行为还包括当前用户在目标游戏中的其他特征类别，如用户所处的地理位置、用户年龄、上线时长、上线频率、与其他玩家的互动频率等其他相关信息。

分别提取各类型用户行为中对应的特征属性，并将特征属性进行向量化，得到所述用户行为对应的特征向量。

步骤202：根据所述用户行为对应的特征向量对所述当前用户进行分析，得到所述当前用户所属的特征类别；所述特征向量包括对应当前用户对应的消费特征；

本实施例中，需要先行对当前用户对应的特征向量进行分析，在全网用户聚类形成的各特征类别中，确定当前用户对应的所述特征类别。即，预先对全网用户对应的用户行为进行聚类，在根据聚类形成的各特征类别对当前用户对应的特征向量进行分析。

所述根据所述用户行为对应的特征向量对所述当前用户进行分析时：

步骤a：对全网用户对应用户行为中的价值属性进行提取，得到所述价值属性中对应的消费特征；

提取全网用户对应用户行为中的价值属性，所述价值属性为全网用户对应用户行为中具有消费特征的特征向量。全网用户在目标游戏中进行消费行为时，如充值、购买道具等，则一方面对目标游戏中对应的充值事件、购买事件进行解析，将解析得到的充值金额、所购道具的价格等属性信息进行提取，作为价值属性进行提取，同时监控充值事件、购买事件在既定时间段对应的消耗速度、道具的使用频率等，将消耗速度、使用频率等作为既定时段内采集的价值属性进行解析，从而得到全网用户的消费特征。

步骤b：将所述全网用户对应的消费特征分别上传后进行统计，按各区间对所述消费特征进行聚类，分别得到各区间对应的特征用户；

将全网用户在目标游戏中既定时段内对应的消费特征上传至服务器后进行统计，本实施例中，分别设定各类型的消费特征对应的权重，并统一进行权重转换，形成消费系数，按转换后形成的消费系数进行类别划分，从而进行聚类，分别得到聚类形成各类别区间对应的特征用户。

将所述用户行为分别与各类别区间的特征用户对应的消费特征进行匹配，确定当前用户所属的特征类别。

本实施例中，所述消费行为包括：充值记录、在线时长、道具购买记录、晋级记录；对所述消费行为进行解析，提取解析后所得的价值属性。

具体地，价值属性包括：充值金额、充值次数、最近一次的道具购买价格、道具总价值、道具购买次数、当前级别、一周内的金额消费速度、一周内的上线时长；分别将各价值属性进行归一化，得到对应的消费特征，将消费特征按对应权重进行加权，得到消费特征对应的消费系数。

全网用户对应的消费系数被统一采集、上传后，按既定的类别区间进行统计，并按类别区间对消费系数进行聚类，分别得到各类别区间内每类特征用户各自对应的消费系数。本实施例中，以<区间ID、消费系数、特征用户ID>的形式将各类别区间对应的特征用户缓存至服务器中，从而得到每个类别区间下对应的特征用户。

步骤c：将所述用户行为分别与各区间的特征用户对应的消费特征进行匹配，确定当前用户所属的特征类别。

将当前用户的用户行为对应的特征向量进行预处理，提取特征向量中的价值属性，并将当前用户对应的价值属性进行归一化后，按对应权重进行加权，得到当前用户的特征向量对应的消费系数。

将当前用户对应的消费系数分别与各区间的特征用户的消费特征对应的消费系数进行匹配，即根据消费系数的值在服务器中缓存的各候选区间中进行匹配，确定当前用户所属的目标区间对应的区间ID，将所述目标区间作为当前用户所属的特征类别，所述特征类别表示了当前用户在目标游戏中对应的消费能力。

步骤203：根据所述特征类别在既定的应用市场中进行匹配，确定对应的目标应用；所述目标应用根据所述全网用户对应的特征类别进行划分，分别为各特征类别的目标用户提供信息资源；

本实施例中，首先对应用市场中的各候选应用进行分析，确定各候选应用分别对应的特征类别。

步骤A：提取应用市场中各候选应用各自对应的候选资料，根据所述资源语料中确定所述候选应用分别对应的文本信息；

所述各候选应用各自对应的资源语料包括：所述候选应用的安装包中对应的页面文本；所述候选应用的描述页中对应的应用简介；所述候选应用的评论页中对应的用户评论。

第三方服务器提取应用市场中各候选应用各自对应的资源语料，解析各候选应用的安装包，提取安装包中的页面文本；抓取候选应用的描述页中对应的应用描述信息，同时提取评论页中用户的评论信息，下载该目标应用对应的用户信息(包括IP地址、年龄信息等)。将这些资源语料进行筛选，去除垃圾信息，滤除噪声后，得到候选应用对应的文本信息。

步骤B：根据所述文本信息进行语义分析，确定各候选应用分别对应的特征类别；

本实施例中，对候选应用对应的文本信息进行语义分析，统计文本信息中各关键词对应的位置和频率，在既定的词性模型中进行分析，进而根据各关键词对应的词性类别确定候选应用对应的目标人群。如关键词中“高端”、“轻奢”、“极致”等词频较高，则词性模型在高价值的分值较高，即所述候选应用对应的特征类别为高价值类别，对应的目标人群为高价值用户；如关键词中“团购”、“拼单”、“实惠”、“红包”等词频较高，则词性模型在低价值的分值较高，即所述候选应用对应的特征类别为低价值类别，对应的目标人群为低价值用户。

步骤C：根据所述特征类别分别对所述各候选应用进行整合，确定每个特征类别下对应的目标应用。

本实施例中，以特征类别为维度对各候选应用进行整合，确定每个特征类别下对应的候选应用，并将特征类别和候选应用的对应关系缓存至第三方服务器上供后续步骤进行匹配。

根据所述特征类别在既定的应用市场中进行匹配时，根据当前用户的特征向量对应的消费系数分别与第三方服务器上缓存的特征类别进行匹配，则消费系数的数值处于高区间的当前用户匹配特征类别为高价值类别的候选应用，并将该高价值类别的候选应用作为当前用户对应的目标应用；同理，消费系数的数值处于低区间的当前用户匹配特征类别为低价值类别的候选应用，并将该低价值类别的候选应用作为当前用户对应的目标应用。

步骤204：提取所述目标应用对应的信息资源，并将所述信息资源在所述目标游戏的对应关卡节点中进行加载。

所述信息资源包括但不限于广告资源，则所述提取所述目标应用对应的广告资源时，

将目标应用的对应标签发送至广告服务器，在广告服务器中查找目标应用对应的广告资源，并返回至目标游戏中进行展示。

本实施例中，目标游戏对应的广告资源在游戏的关卡节点处进行展示，以避免广告资源进行展示时覆盖屏幕，影响用户的游戏进程。

在其他实施例中，如果目标应用为一个以上，即同一价值类别的多个候选应用作为当前用户的目标应用时，

提取所述目标应用对应的类别标签，结合当前用户的用户行为所属的特征向量进一步进行分析筛选，提取特征向量中当前用户的兴趣属性，如近期浏览的新闻、社交时的话题属性等，在服务器端的广告池中分别进行多维度匹配，在目标应用的类别标签中筛选出与当前用户对应的兴趣属性契合的类别标签，并选取该类别标签下目标应用所对应的广告资源。

当广告资源大于一个时，在广告资源的预估模型中，分别计算出用户点击各广告资源ai对应的概率pi，本实施例中，广告资源的类型为CPC(按点击付费)广告，故每个广告资源ai对应的期望收益为ri＝pi*ai，其中，ci为广告资源ai每次点击对应的价格。分别计算各广告资源对应的期望收益，并选出其中期望收益最大的广告资源进行下发，展示给用户。

将所述广告资源下发至所述当前用户的对应终端进行缓存，形成所述目标广告；

提取所述用户行为所在时段对应的关卡节点，根据所述关卡节点对所述目标广告进行加载。

本申请实施例中的基于用户行为的资源推荐方法，当前用户玩游戏时，提取当前用户在目标游戏中对应的用户行为；根据所述用户行为对应的特征向量对所述当前用户进行分析，得到所述当前用户所属的特征类别；根据所述特征类别在既定的应用市场中进行匹配，确定对应的目标应用；提取所述目标应用对应的信息资源，并将所述信息资源在所述目标游戏的对应关卡节点中进行加载。通过本申请实施例，深入挖掘用户在游戏内的行为数据，提取出相关的消费特征，并与应用市场中各应用对应的用户定位进行匹配，为各消费特征的人群分别匹配对应的目标应用，从而实现目标应用对应广告资源的精确定位，提高了广告推荐的准确性和信息的利用效率。

在本申请的其他实施例中，所述特征类别包括但不限于用户对应的消费特征和兴趣特征，所述消费特征为所述消费行为对应的特征属性，包括：充值金额、充值次数、最近一次的道具购买价格、道具总价值、道具购买次数、当前级别、一周内的金额消费速度等；兴趣特征为所述用户的习惯性行为对应的特征属性，经对用户行为进行解析后得到，包括用户所处的地理位置、用户年龄、上线时长、经常访问的页面类别、经常关注的消息标签等其他相关信息。本实施例中，根据兴趣特征进行分析，如通过号段计算用户的所处的城市级别，对兴趣特征中的特征属性分别进行加权计算，确定每个用户各自对应的兴趣标签，并以兴趣标签标记对应用户的兴趣特征。

根据所述特征类别在既定的应用市场中进行匹配时，选取兴趣特征在应用市场中的既定类别进行匹配，确定所述兴趣特征对应的目标应用类别，从而即在符合用户兴趣的对应类别中进行目标应用的选取。

具体地，监测当前用户对应的用户行为进行分析，并将用户行为进行解析后划分为消费特征和兴趣特征，如：消费高且充值及时，游戏时长不定的用户定位于更加匹配旅游、投资理财、吃喝玩乐、O2O等应用；对消费低且不及时充值，但游戏时长很长的用户定位于更加匹配社交拼团、折扣返利、短视频，社交，网贷等应用；对偏爱邀请好友、分享游戏等多互动的用户定位更加匹配社交电商等应用；对工作日中午、晚上活跃的用户定位于上班族，更加匹配新闻资讯、培训求职、投资理财、婚恋交友等应用；对周末、寒暑假活跃的用户定位于学生更加匹配教育考试、00后年轻社交、游戏等应用类型。

通常情况下，在符合用户兴趣的对应类别中，也有不同消费类型的候选应用，如购物类别的应用中，有针对高端消费消费者的聚美优品、奢易拍等，有针对低端消费者的闲鱼、拼多多等，在上一实施例中，通过对各候选应用各自对应的资源语料进行确定，提取资源语料中的文本信息后进行语义分析，确定候选应用各自对应的特征类别。本实施例中，根据特征类别中的消费特征在所述目标应用类别中进行分析时，确定所述目标应用类别下每个候选应用对应的特征类别各自与所述消费特征的匹配度，在目标应用类别下选取匹配度大于既定阈值的候选应用作为目标应用，即选取应用市场中在与用户兴趣类别最匹配的类别中，二次筛选出符合当前用户对应的消费特征最匹配的候选应用作为目标应用，使得到的目标应用不但符合当前用户对应的消费特征，也符合当前用户对应的兴趣特征。

对应上述图2描述的基于用户行为的资源推荐方法，基于相同的技术构思，本申请实施例还提供一种基于用户行为的资源推荐装置。图3为本申请实施例提供的基于用户行为的资源推荐装置的模块组成示意图，该装置用于执行图2描述的基于用户行为的资源推荐方法，如图3所示，该装置包括：

提取模块301，用于提取当前用户在目标游戏中对应的用户行为；

分析模块302，用于根据所述用户行为对应的特征向量对所述当前用户进行分析，得到所述当前用户所属的特征类别；所述特征向量包括对应当前用户对应的消费特征；

匹配模块303，用于根据所述特征类别在既定的应用市场中进行匹配，确定对应的目标应用；所述目标应用根据所述全网用户对应的特征类别进行划分，分别为各特征类别所对应的目标用户提供信息资源；

资源加载模块304，用于提取所述目标应用对应的信息资源，并将所述信息资源在所述目标游戏的对应关卡节点中进行加载。

可选地，所述分析模块302中，具体包括：

特征单元，用于对全网用户对应用户行为中的价值属性进行提取，得到所述价值属性中对应的消费特征；

统计单元，用于将所述全网用户对应的消费特征分别上传后进行统计，按各区间对所述消费特征进行聚类，分别得到各区间对应的特征用户；

匹配单元，用于将所述用户行为分别与各区间的特征用户对应的消费特征进行匹配，确定当前用户所属的特征类别。

可选地，所述特征单元中，具体包括：

行为统计子单元，用于统计全网用户在目标游戏中既定时段内的消费行为；所述消费行为包括：充值记录、在线时长、道具购买记录、晋级记录；

解析子单元，用于对所述消费行为进行解析，提取解析后所得的价值属性；

归一化子单元，用于将所述价值属性对应的特征进行归一化，得到所述价值属性中对应的消费特征。

可选地，所述装置还包括，聚类模块，具体包括：

语料单元，用于提取所述应用市场中各候选应用各自对应的资源语料，根据所述资源语料中确定所述候选应用分别对应的文本信息，

语义单元，用于根据所述文本信息进行语义分析，确定各候选应用分别对应的特征类别；

整合单元，用于根据所述特征类别分别对所述各候选应用进行整合，确定每个特征类别下对应的目标应用。

可选地，所述匹配模块303中，具体包括：

特征匹配单元，用于根据所述特征类别分别与各类别的特征类别进行匹配，得到所述特征类别分别与各特征类别对应的匹配度；

特征确定单元，用于将匹配度大于既定阈值的特征类别作为目标特征；

第一确定单元，用于提取所述目标特征下对应的候选应用作为所述特征类别对应的目标应用。

可选地，所述特征类别包括但不限于用户对应的消费特征和兴趣特征，则所述匹配模块303具体包括：

兴趣分析单元，用于根据所述兴趣特征对所述应用市场中既定的应用类别进行匹配，确定所述兴趣特征对应的目标应用类别；

消费分析单元，根据所述消费特征在所述目标应用类别中进行分析，确定所述目标应用类别下每个候选应用对应的特征类别各自与所述消费特征的匹配度；

第二确定单元，根据将匹配度大于既定阈值的候选应用作为所述特征类别对应的目标应用。

可选地，所述信息资源包括但不限于广告资源，则所述资源加载模块304中，具体包括：

广告单元，用于提取所述目标应用对应的类别标签，在服务器端的广告池中进行匹配，选取所述目标应用对应的广告资源；

下发单元，用于将所述广告资源下发至所述当前用户的对应终端进行缓存，形成所述目标广告；

加载单元，用于提取所述用户行为所在时段对应的关卡节点，根据所述关卡节点对所述目标广告进行加载。

本申请实施例所提供的基于用户行为的资源推荐装置，当前用户玩游戏时，提取当前用户在目标游戏中对应的用户行为；根据所述用户行为对应的特征向量对所述当前用户进行分析，得到所述当前用户所属的特征类别；根据所述特征类别在既定的应用市场中进行匹配，确定对应的目标应用；提取所述目标应用对应的广告资源，并将所述广告资源在所述目标游戏的对应关卡节点中进行加载。通过本申请实施例，深入挖掘用户在游戏内的行为数据，提取出相关的消费特征，并与应用市场中各应用对应的用户定位进行匹配，为各消费特征的人群分别匹配对应的目标应用，从而实现目标应用对应广告资源的精确定位，提高了广告推荐的准确性和信息的利用效率。

需要说明的是，本申请中关于基于用户行为的资源推荐装置的实施例与本申请中关于基于用户行为的资源推荐方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应的基于用户行为的资源推荐方法的实施，重复之处不再赘述。

进一步地，对应上述图2所示的方法，基于相同的技术构思，本申请实施例还提供一种基于用户行为的资源推荐设备，该设备用于执行上述的基于用户行为的资源推荐方法，图4为本申请实施例提供的基于用户行为的资源推荐设备的结构示意图。

如图4所示，基于用户行为的资源推荐设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器401和存储器402，存储器402中可以存储有一个或一个以上存储应用程序或数据。其中，存储器402可以是短暂存储或持久存储。存储在存储器402的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括基于用户行为的资源推荐设备中的一系列计算机可执行指令。更进一步地，处理器401可以设置为与存储器402通信，在基于用户行为的资源推荐设备上执行存储器402中的一系列计算机可执行指令。基于用户行为的资源推荐设备还可以包括一个或一个以上电源403，一个或一个以上有线或无线网络接口404，一个或一个以上输入输出接口405，一个或一个以上键盘406等。

在一个具体的实施例中，基于用户行为的资源推荐设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对基于用户行为的资源推荐设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

提取当前用户在目标游戏中对应的用户行为；

根据所述用户行为对应的特征向量对所述当前用户进行分析，得到所述当前用户所属的特征类别；所述特征向量包括对应当前用户对应的消费特征；

根据所述特征类别在既定的应用市场中进行匹配，确定对应的目标应用；所述目标应用根据所述全网用户对应的特征类别进行划分，分别为各特征类别的目标用户提供信息资源；

提取所述目标应用对应的信息资源，并将所述信息资源在所述目标游戏的对应关卡节点中进行加载。

本申请一个或多个实施例中，在目标游戏中，深入挖掘用户在游戏内的行为数据，提取出相关的消费特征，并与应用市场中各应用对应的用户定位进行匹配，为各消费特征的人群分别匹配对应的目标应用，从而实现目标应用对应广告资源的精确定位，提高了广告推荐的准确性和信息的利用效率。

进一步，所述根据所述用户行为对应的特征向量对所述当前用户进行分析时，

对全网用户对应用户行为中的价值属性进行提取，得到所述价值属性中对应的消费特征；

将所述全网用户对应的消费特征分别上传后进行统计，按各区间对所述消费特征进行聚类，分别得到各区间对应的特征用户；

将所述用户行为分别与各区间的特征用户对应的消费特征进行匹配，确定当前用户所属的特征类别。

进一步，所述对全网用户对应用户行为中的价值属性进行提取时，

统计全网用户在目标游戏中既定时段内的消费行为；所述消费行为包括：充值记录、在线时长、道具购买记录、晋级记录；

对所述消费行为进行解析，提取解析后所得的价值属性；

将所述价值属性对应的特征进行归一化，得到所述价值属性中对应的消费特征。

进一步，所述方法还包括：

提取所述应用市场中各候选应用各自对应的资源语料，根据所述资源语料中确定所述候选应用分别对应的文本信息，

根据所述文本信息进行语义分析，确定各候选应用分别对应的特征类别；

根据所述特征类别分别对所述各候选应用进行整合，确定每个特征类别下对应的目标应用。

进一步，所述根据所述特征类别在既定的应用市场中进行匹配时，

根据所述特征类别分别与各类别的特征类别进行匹配，得到所述特征类别分别与各特征类别对应的匹配度；

将匹配度大于既定阈值的特征类别作为目标特征；

提取所述目标特征下对应的候选应用作为所述特征类别对应的目标应用。

进一步，所述特征类别包括但不限于用户对应的消费特征和兴趣特征，则根据所述特征类别在既定的应用市场中进行匹配时，

根据所述兴趣特征对所述应用市场中既定的应用类别进行匹配，确定所述兴趣特征对应的目标应用类别；

根据所述消费特征在所述目标应用类别中进行分析，确定所述目标应用类别下每个候选应用对应的特征类别各自与所述消费特征的匹配度；

将匹配度大于既定阈值的候选应用作为所述特征类别对应的目标应用。

进一步，所述信心资源包括但不限于广告资源，则所述提取所述目标应用对应的广告资源时，

提取所述目标应用对应的类别标签，在服务器端的广告池中进行匹配，选取所述目标应用对应的广告资源；

将所述广告资源下发至所述当前用户的对应终端进行缓存，形成所述目标广告；

提取所述用户行为所在时段对应的关卡节点，根据所述关卡节点对所述目标广告进行加载。

需要说明的是，本申请中关于存储介质的实施例与本申请中关于基于用户行为的资源推荐方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应的基于用户行为的资源推荐方法的实施，重复之处不再赘述。

本申请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。

以上所述仅为本申请的实施例而已，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 (14)

1.一种基于用户行为的资源推荐方法，其特征在于，包括：

提取当前用户在目标游戏中对应的用户行为；

根据所述用户行为对应的特征向量对所述当前用户进行分析，得到所述当前用户所属的特征类别；所述特征向量包括对应当前用户对应的消费特征；

根据所述特征类别在既定的应用市场中进行匹配，确定对应的目标应用；所述目标应用根据所述全网用户对应的特征类别进行划分，分别为各特征类别所对应的目标用户提供信息资源；

提取所述目标应用对应的信息资源，并将所述信息资源在所述目标游戏的对应关卡节点中进行加载。

2.根据权利要求1所述的方法，其特征在于，所述根据所述用户行为对应的特征向量对所述当前用户进行分析时，

对全网用户对应用户行为中的价值属性进行提取，得到所述价值属性中对应的消费特征；

将所述全网用户对应的消费特征分别上传后进行统计，按各区间对所述消费特征进行聚类，分别得到各区间对应的特征用户；

将所述用户行为分别与各区间的特征用户对应的消费特征进行匹配，确定当前用户所属的特征类别。

3.根据权利要求2所述的方法，其特征在于，所述对全网用户对应用户行为中的价值属性进行提取时，

统计全网用户在目标游戏中既定时段内的消费行为；所述消费行为包括：充值记录、在线时长、道具购买记录、晋级记录；

对所述消费行为进行解析，提取解析后所得的价值属性；

将所述价值属性对应的特征进行归一化，得到所述价值属性对应的消费特征。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

提取所述应用市场中各候选应用各自对应的资源语料，根据所述资源语料确定所述候选应用分别对应的文本信息；

根据所述文本信息进行语义分析，确定各候选应用分别对应的特征类别；

根据所述特征类别分别对所述各候选应用进行整合，确定每个特征类别下对应的目标应用。

5.根据权利要求1或4所述的方法，其特征在于，所述根据所述特征类别在既定的应用市场中进行匹配时，

根据所述特征类别分别与各类别的特征类别进行匹配，得到所述特征类别分别与各特征类别对应的匹配度；

将匹配度大于既定阈值的特征类别作为目标特征；

提取所述目标特征下对应的候选应用作为所述特征类别对应的目标应用。

6.根据权利要求5所述的方法，其特征在于，所述特征类别包括但不限于用户对应的消费特征和兴趣特征，则根据所述特征类别在既定的应用市场中进行匹配时，

根据所述兴趣特征对所述应用市场中既定的应用类别进行匹配，确定所述兴趣特征对应的目标应用类别；

根据所述消费特征在所述目标应用类别中进行分析，确定所述目标应用类别下每个候选应用对应的特征类别各自与所述消费特征的匹配度；

将匹配度大于既定阈值的候选应用作为所述特征类别对应的目标应用。

7.根据权利要求1所述的方法，其特征在于，所述信息资源包括但不限于广告资源，则所述提取所述目标应用对应的广告资源时，

提取所述目标应用对应的类别标签，在服务器端的广告池中进行匹配，选取所述目标应用对应的广告资源；

将所述广告资源下发至所述当前用户的对应终端进行缓存，形成所述目标广告；

提取所述用户行为所在时段对应的关卡节点，根据所述关卡节点对所述目标广告进行加载。

8.一种基于用户行为的资源推荐装置，其特征在于，包括：

提取模块，用于提取当前用户在目标游戏中对应的用户行为；

分析模块，用于根据所述用户行为对应的特征向量对所述当前用户进行分析，得到所述当前用户所属的特征类别；所述特征向量包括对应当前用户对应的消费特征；

匹配模块，用于根据所述特征类别在既定的应用市场中进行匹配，确定对应的目标应用；所述目标应用根据所述全网用户对应的特征类别进行划分，分别为各特征类别所对应的目标用户提供信息资源；

资源加载模块，用于提取所述目标应用对应的信息资源，并将所述信息资源在所述目标游戏的对应关卡节点中进行加载。

9.根据权利要求8所述的装置，其特征在于，所述分析模块中，具体包括：

特征单元，用于对全网用户对应用户行为中的价值属性进行提取，得到所述价值属性中对应的消费特征；

统计单元，用于将所述全网用户对应的消费特征分别上传后进行统计，按各区间对所述消费特征进行聚类，分别得到各区间对应的特征用户；

匹配单元，用于将所述用户行为分别与各区间的特征用户对应的消费特征进行匹配，确定当前用户所属的特征类别。

10.根据权利要求9所述的方法，其特征在于，所述特征单元中，具体包括：

行为统计子单元，用于统计全网用户在目标游戏中既定时段内的消费行为；所述消费行为包括：充值记录、在线时长、道具购买记录、晋级记录；

解析子单元，用于对所述消费行为进行解析，提取解析后所得的价值属性；

归一化子单元，用于将所述价值属性对应的特征进行归一化，得到所述价值属性中对应的消费特征。

11.根据权利要求8所述的方法，其特征在于，所述装置还包括，聚类模块，具体包括：

语料单元，用于提取所述应用市场中各候选应用各自对应的资源语料，根据所述资源语料中确定所述候选应用分别对应的文本信息，

语义单元，用于根据所述文本信息进行语义分析，确定各候选应用分别对应的特征类别；

整合单元，用于根据所述特征类别分别对所述各候选应用进行整合，确定每个特征类别下对应的目标应用。

12.根据权利要求8或11所述的方法，其特征在于，所述匹配模块中，具体包括：

特征匹配单元，用于根据所述特征类别分别与各类别的特征类别进行匹配，得到所述特征类别分别与各特征类别对应的匹配度；

特征确定单元，用于将匹配度大于既定阈值的特征类别作为目标特征；

第一确定单元，用于提取所述目标特征下对应的候选应用作为所述特征类别对应的目标应用。

13.根据权利要求12所述的方法，其特征在于，所述特征类别包括但不限于用户对应的消费特征和兴趣特征，则所述匹配模块具体包括：

兴趣分析单元，用于根据所述兴趣特征对所述应用市场中既定的应用类别进行匹配，确定所述兴趣特征对应的目标应用类别；

消费分析单元，根据所述消费特征在所述目标应用类别中进行分析，确定所述目标应用类别下每个候选应用对应的特征类别各自与所述消费特征的匹配度；

第二确定单元，根据将匹配度大于既定阈值的候选应用作为所述特征类别对应的目标应用。

14.根据权利要求8所述的方法，其特征在于，所述信息资源包括但不限于广告资源，则所述资源加载模块中，具体包括：

广告单元，用于提取所述目标应用对应的类别标签，在服务器端的广告池中进行匹配，选取所述目标应用对应的广告资源；

下发单元，用于将所述广告资源下发至所述当前用户的对应终端进行缓存，形成所述目标广告；

加载单元，用于提取所述用户行为所在时段对应的关卡节点，根据所述关卡节点对所述目标广告进行加载。