CN110674416A - 游戏推荐方法及装置 - Google Patents
游戏推荐方法及装置 Download PDFInfo
- Publication number
- CN110674416A CN110674416A CN201910894452.1A CN201910894452A CN110674416A CN 110674416 A CN110674416 A CN 110674416A CN 201910894452 A CN201910894452 A CN 201910894452A CN 110674416 A CN110674416 A CN 110674416A
- Authority
- CN
- China
- Prior art keywords
- game
- game user
- user group
- recommendation
- games
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001914 filtration Methods 0.000 claims description 22
- 230000006399 behavior Effects 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 8
- 238000001994 activation Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/70—Game security or game management aspects
- A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Strategic Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开是关于一种游戏推荐方法及装置，所述方法包括：获取游戏用户分组信息；根据所述游戏用户分组信息，通过第一推荐算法针对每个游戏用户组分别召回游戏；根据针对每个游戏用户组分别召回的游戏，利用第二推荐算法获得针对所述每个游戏用户组中的每个游戏用户的游戏推荐列表。该方法能够提高游戏的推荐效率和推荐精准度，进而提高从游戏曝光到下载的转化率，从而为游戏运营商带来更好的收入。
Description
技术领域
本公开涉及人工智能领域，尤其涉及一种游戏推荐方法及装置。
背景技术
随着游戏在人们的生活娱乐中越来越普及，游戏用户对游戏的个性化推荐的要求越来越高。相关技术中，向游戏用户提供的游戏推荐列表基本是人工运营配置的，其推荐效率低并且推荐精准度低。
发明内容
为克服相关技术中存在的问题，本公开提供一种游戏推荐方法及装置。
根据本公开实施例的第一方面，提供一种游戏推荐方法，所述方法包括：获取游戏用户分组信息；根据所述游戏用户分组信息，通过第一推荐算法针对每个游戏用户组分别召回游戏；根据针对每个游戏用户组分别召回的游戏，利用第二推荐算法获得针对所述每个游戏用户组中的每个游戏用户的游戏推荐列表。
可选的，所述获取游戏用户分组信息包括：根据游戏用户的游戏付费信息、游戏用户的游戏下载次数以及游戏用户使用的所述终端的型号，对游戏用户进行分组并生成所述游戏用户分组信息。
可选的，所述根据所述游戏用户分组信息，通过第一推荐算法针对每个游戏用户组分别召回游戏包括：根据所述游戏用户分组信息，通过协同过滤算法针对每个游戏用户组分别召回游戏。
可选的，所述根据所述游戏用户分组信息，通过协同过滤算法针对每个游戏用户组分别召回游戏包括：根据每个游戏用户组的游戏行为特征，通过协同过滤算法针对每个游戏用户组分别召回游戏。
可选的，所述游戏行为特征包括游戏点击次数、游戏下载次数、游戏安装次数、游戏激活次数和游戏付费信息。
可选的，所述根据针对每个游戏用户组分别召回的游戏，利用第二推荐算法获得针对所述每个游戏用户组中的每个游戏用户的游戏推荐列表包括：根据针对每个游戏用户组召回的游戏，通过DeepFM算法针对所述每个游戏用户组中的每个游戏用户对所述游戏进行评分，根据所述评分对所述游戏进行排序并生成针对所述每个游戏用户的游戏推荐列表。
可选的，所述根据针对每个游戏用户组召回的游戏，通过DeepFM算法针对所述每个游戏用户组中的每个游戏用户对所述游戏进行评分包括：根据针对每个游戏用户组召回的游戏中的每个游戏的游戏特征数据和所述每个游戏用户组中的所述每个游戏用户的游戏用户特征数据，通过DeepFM算法对所述游戏进行评分。
根据本公开实施例的第二方面，提供一种游戏推荐装置。所述装置包括：获取单元，被配置为获取游戏用户分组信息；召回单元，被配置为根据所述游戏用户分组信息，通过第一推荐算法针对每个游戏用户组分别召回游戏；推荐单元，被配置为根据针对每个游戏用户组分别召回的游戏，利用第二推荐算法获得针对所述每个游戏用户组中的每个游戏用户的游戏推荐列表。
可选的，所述获取单元被配置为采用如下方式获取游戏用户分组信息：根据游戏用户的游戏付费信息、游戏用户的游戏下载次数以及游戏用户使用的所述终端的型号，对游戏用户进行分组并生成所述游戏用户分组信息。
可选的，所述召回单元被配置为采用如下方式根据所述游戏用户分组信息，通过第一推荐算法针对每个游戏用户组分别召回游戏：根据所述游戏用户分组信息，通过协同过滤算法针对每个游戏用户组分别召回游戏。
可选的，所述召回单元被配置为采用如下方式根据所述游戏用户分组信息，通过协同过滤算法针对每个游戏用户组分别召回游戏：根据每个游戏用户组的游戏行为特征，通过协同过滤算法针对每个游戏用户组分别召回游戏。
可选的，所述游戏行为特征包括游戏点击次数、游戏下载次数、游戏安装次数、游戏激活次数和游戏付费信息。
可选的，所述推荐单元被配置为采用如下方式根据针对每个游戏用户组分别召回的游戏，利用第二推荐算法获得针对所述每个游戏用户组中的每个游戏用户的游戏推荐列表：根据针对每个游戏用户组召回的游戏，通过DeepFM算法针对所述每个游戏用户组中的每个游戏用户对所述游戏进行评分，根据所述评分对所述游戏进行排序并生成针对所述每个游戏用户的游戏推荐列表。
可选的，所述推荐单元被配置为采用如下方式根据针对每个游戏用户组召回的游戏，通过DeepFM算法针对所述每个游戏用户组中的每个游戏用户对所述游戏进行评分：根据针对每个游戏用户组召回的游戏中的每个游戏的游戏特征数据和所述每个游戏用户组中的所述每个游戏用户的游戏用户特征数据，通过DeepFM算法对所述游戏进行评分。
根据本公开实施例的第三方面，提供一种游戏推荐装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述第一方面或者第一方面中任一方面涉及的游戏推荐方法。
根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行上述第一方面或者第一方面中任一方面涉及的游戏推荐方法。
本公开的实施例提供的技术方案可以包括以下有益效果：该方法利用个性化推荐算法，能够提高游戏的推荐效率和推荐精准度，进而提高从游戏曝光到下载的转化率，从而为游戏运营商带来更好的收入。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种游戏推荐方法的流程图。
图2是根据一示例性实施例示出的一种游戏推荐装置的框图。
图3是根据一示例性实施例示出的另一种游戏推荐装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
本公开提供一种游戏推荐方法。参见图1，图1是根据一示例性实施例示出的一种游戏推荐方法的流程图。如图1所示，所述游戏推荐方法包括以下步骤S101-S103。另外，所述游戏推荐方法以用于手机游戏用户为例，但不限于此。
在步骤S101中，获取游戏用户分组信息。根据本公开的实施例，获取手机游戏用户的分组信息，该分组信息包括诸如游戏用户组的数量等涉及游戏用户组的信息以及游戏用户组中的游戏用户信息。
在步骤S102中，根据所述游戏用户分组信息，通过第一推荐算法针对每个游戏用户组分别召回游戏。根据本公开的实施例，根据手机游戏用户的分组信息，通过一种推荐算法分别获取每个游戏用户组可能喜欢的游戏的信息。
在步骤S103中，根据针对每个游戏用户组分别召回的游戏，利用第二推荐算法获得针对所述每个游戏用户组中的每个游戏用户的游戏推荐列表。根据本公开的实施例，根据获取到的一个游戏用户组的所有用户可能喜欢的游戏的信息，利用一种推荐算法获得针对该一个游戏用户组中的每个游戏用户的游戏推荐列表，并且针对每个游戏用户组都如此操作。因此，该游戏推荐列表是个性化的游戏推荐列表。
根据本公开的实施例，所述获取游戏用户分组信息包括：根据游戏用户的游戏付费信息、游戏用户的游戏下载次数以及游戏用户使用的所述终端的信息，对游戏用户进行分组并生成所述游戏用户分组信息。在该实施例中，将手机游戏用户分为多个游戏用户组，并生成游戏用户分组信息，该分组信息包括诸如游戏用户组的数量等涉及游戏用户组的信息以及游戏用户组中的游戏用户信息。另外，游戏用户分组信息可以预先准备好，由此可直接使用该游戏用户分组信息。进一步地，在该实施例中，可以根据游戏用户的游戏付费信息、游戏用户的游戏下载次数以及游戏用户使用的手机的品牌、型号等，通过人工的方法或已知的归类方法将手机游戏用户分为多个游戏用户组，并生成上述游戏用户分组信息。其中，该游戏用户分组信息例如可包括用户组的消费等级信息，不同的用户组的消费等级可能不同。
根据本公开的实施例，所述根据所述游戏用户分组信息，通过第一推荐算法针对每个游戏用户组分别召回游戏包括：根据所述游戏用户分组信息，通过协同过滤算法针对每个游戏用户组分别召回游戏。在该实施例中，根据手机游戏用户的分组信息，通过协同过滤算法分别获取每个游戏用户组可能喜欢的游戏的信息。
进一步地，根据本公开的实施例，所述根据所述游戏用户分组信息，通过协同过滤算法针对每个游戏用户组分别召回游戏包括：根据每个游戏用户组的游戏行为特征，通过协同过滤算法针对每个游戏用户组分别召回游戏。在该实施例中，根据每个游戏用户组的游戏行为特征，通过协同过滤算法分别获取每个游戏用户组可能喜欢的游戏的信息。此外，也可以采用已知的其它算法来召回游戏。
更进一步地，根据本公开的实施例，所述游戏行为特征包括游戏点击次数、游戏下载次数、游戏安装次数、游戏激活次数和游戏付费信息。在该实施例中，上述这些具体游戏行为特征可根据游戏用户分组信息通过大数据处理系统spark预先提取或通过大数据处理系统streaming实时提取，并且作为协同过滤算法的输入，由此，通过协同过滤算法计算得出每个游戏用户组可能喜欢的游戏，以便推荐给该用户组的用户。
根据本公开的实施例，所述根据针对每个游戏用户组分别召回的游戏，利用第二推荐算法获得针对所述每个游戏用户组中的每个游戏用户的游戏推荐列表包括：根据针对每个游戏用户组召回的游戏，通过DeepFM算法针对所述每个游戏用户组中的每个游戏用户对所述游戏进行评分，根据所述评分对所述游戏进行排序并生成针对所述每个游戏用户的游戏推荐列表。在该实施例中，根据获取到的一个游戏用户组可能喜欢的游戏，针对该一个游戏用户组中的每个游戏用户，通过DeepFM算法对这些游戏进行评分，然后根据评分将这些游戏排序，由此可以为该游戏用户组中的每个游戏用户提供个性化的游戏推荐列表，并且针对每个游戏用户组都如此操作。此外，也可以采用已知的其它算法来对游戏进行评分。
进一步地，根据本公开的实施例，所述根据针对每个游戏用户组召回的游戏，通过DeepFM算法针对所述每个游戏用户组中的每个游戏用户对所述游戏进行评分包括：根据针对每个游戏用户组召回的游戏中的每个游戏的游戏特征数据和所述每个游戏用户组中的所述每个游戏用户的游戏用户特征数据，通过DeepFM算法对所述游戏进行评分。在该实施例中，游戏特征数据和游戏用户特征数据可根据所召回的游戏和游戏用户分组信息通过大数据处理系统spark预先提取或通过大数据处理系统streaming实时提取，并作为DeepFM算法的输入，由此通过DeepFM算法计算得出每个游戏用户喜欢该游戏的概率，概率越大，评分越高。并且根据此评分对单个游戏用户组中的每个游戏用户生成游戏推荐列表。
具体地，所述游戏用户特征数据包括：游戏用户的性别、年龄、居住地址和工作地址，这些特征优先提取用户自己填写的数据，如果用户未填写或填写的数据明显不符合正常情况，则根据用户手机上的综合数据预测这些特征的数据；游戏用户所使用的手机品牌、手机型号、手机操作系统、系统语言和运营App的版本；游戏用户的周曝光次数、周点击次数、月下载次数、月安装次数、月激活次数、月登录次数、月付费次数和月付费金额；游戏用户三天点击的游戏标签、游戏用户三天下载的游戏标签、游戏用户三天搜索的游戏标签、游戏用户三天付费的游戏标签；游戏用户的实时网络类型(2G、3G、4G或WIFI)、游戏用户最新点击的游戏标签、游戏用户最新下载的游戏标签和游戏用户最新搜索的游戏标签等。
此外，所述游戏特征数据包括：游戏包大小、游戏是否需要网络、游戏发布时间、用户对游戏的评分、游戏点击量、游戏下载量、游戏安装量、游戏激活量、游戏登录量、游戏消费次数和游戏消费金额等。
进一步地，关于DeepFM的模型，其包括因子分解机部分(FM)和神经网络部分(DNN)，这两个部分共享同样的输入，即可以将上述游戏用户特征数据和游戏特征数据作为这两个部分的共同输入。DeepFM算法的公式如下：
其中，
是CTR预估并且其值介于0和1之间，yFM是因子分解机的输出，yDNN是神经网络的输出。将因子分解机的输出与神经网络的输出结合起来，通过SIGMOD函数得到0到1之间的结果，即CTR预估，从而根据输入的上述特征计算预测出用户对某个游戏的喜好程度，该结果越接近于1则表示用户越喜好该游戏，越接近于0则表示用户不喜欢该游戏。
更进一步地，因子分解机部分的公式如下：
其中，如上所述，游戏用户特征数据例如包括25个特征，游戏特征数据例如包括11个特征，则这些特征合并后为36维，x为通过oneHot对上述特征进行进行0-1编码扩展后得到的d维向量特征，在等式后面的第一项(一阶项)中，w为在一阶项中的d维向量特征的权重，将x与w进行拟合，在等式后面的第二项(二阶项)中，wi，j为在二阶项中的d维向量特征的权重，将该权重与d维向量特征中的两个不同的特征xi，xj的组合进行拟合。
并且神经网络部分的公式如下：
ydnn＝σ(W(L)a(L-1)+b(L))
a(0)＝<w，x>
a(l)＝σ(Wωa(l-1)+b(l))
其中，如上所述，游戏用户特征数据例如包括25个特征，游戏特征数据例如包括11个特征，则这些特征合并后为36维，x为通过oneHot对上述特征进行进行0-1编码扩展后得到的d维向量特征，w为d维向量特征的权重，a(0)为将x与w进行拟合得到的稠密输入，该稠密输入用于后续的神经网络的输入，a(l)为神经网络当前层的输出，a(l-1)为a(0)或神经网络上一层的输出，W(l)为当前层的权重矩阵，b(l)为当前层对应的偏置，而L为神经网络的层数，例如L＝3，l为1至L的自然数，σ为神经网络中的激活函数，例如relu激活函数。由此可知，利用上述特征作为原始输入特征，获得稠密输入a(0)，将a(0)作为神经网络的输入，根据神经网络的层数，从第一层一直计算到最后一层，其中，前一层的输出是后一层的输入，而当l＝L时，获得的神经网络的输出，即最后一层的输出即为ydnn。
本公开实施例还提供一种游戏推荐装置。
可以理解的是，本公开实施例提供的游戏推荐装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。结合本公开实施例中所公开的各示例的单元及算法步骤，本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本公开实施例的技术方案的范围。
本实施例公开一种游戏推荐装置。该装置用于执行上述方法实施例中的步骤。
参照图2，图2是根据一示例性实施例示出的一种游戏推荐装置的框图。如图2所示，所述游戏推荐装置100包括获取单元101、召回单元102和推荐单元103。获取单元101被配置为获取游戏用户分组信息。召回单元102被配置为根据所述游戏用户分组信息，通过第一推荐算法针对每个游戏用户组分别召回游戏。推荐单元103被配置为根据针对每个游戏用户组分别召回的游戏，利用第二推荐算法获得针对所述每个游戏用户组中的每个游戏用户的游戏推荐列表。
另一方面，所述获取单元被配置为采用如下方式获取游戏用户分组信息：根据游戏用户的游戏付费信息、游戏用户的游戏下载次数以及游戏用户使用的所述终端的信息，对游戏用户进行分组并生成所述游戏用户分组信息。
又一方面，所述召回单元被配置为采用如下方式根据所述游戏用户分组信息，通过第一推荐算法针对每个游戏用户组分别召回游戏：根据所述游戏用户分组信息，通过协同过滤算法针对每个游戏用户组分别召回游戏。
又一方面，所述召回单元被配置为采用如下方式根据所述游戏用户分组信息，通过协同过滤算法针对每个游戏用户组分别召回游戏：根据每个游戏用户组的游戏行为特征，通过协同过滤算法针对每个游戏用户组分别召回游戏。
又一方面，所述游戏行为特征包括游戏点击次数、游戏下载次数、游戏安装次数、游戏激活次数和游戏付费信息。
又一方面，述推荐单元被配置为采用如下方式根据针对每个游戏用户组分别召回的游戏，利用第二推荐算法获得针对所述每个游戏用户组中的每个游戏用户的游戏推荐列表：根据针对每个游戏用户组召回的游戏，通过DeepFM算法针对所述每个游戏用户组中的每个游戏用户对所述游戏进行评分，根据所述评分对所述游戏进行排序并生成针对所述每个游戏用户的游戏推荐列表。
又一方面，所述推荐单元被配置为采用如下方式根据针对每个游戏用户组召回的游戏，通过DeepFM算法针对所述每个游戏用户组中的每个游戏用户对所述游戏进行评分：根据针对每个游戏用户组召回的游戏中的每个游戏的游戏特征数据和所述每个游戏用户组中的所述每个游戏用户的游戏用户特征数据，通过DeepFM算法对所述游戏进行评分。
可以理解的是，关于上述实施例中的装置，其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开实施例还提供一种游戏推荐装置，图3是根据一示例性实施例示出的另一种游戏推荐装置的框图。例如，装置300可以是移动电话，计算机，平板设备，个人数字助理等。
参照图3，装置300可以包括以下一个或多个组件：处理组件302，存储器304，电源组件306，多媒体组件308，音频组件310，输入/输出(I/O)接口312，传感器组件314，以及通信组件316。
处理组件302通常控制装置300的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件302可以包括一个或多个处理器320来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件302可以包括一个或多个模块，便于处理组件302和其他组件之间的交互。例如，处理组件302可以包括多媒体模块，以方便多媒体组件308和处理组件302之间的交互。
存储器304被配置为存储各种类型的数据以支持装置300的操作。这些数据的示例包括用于在装置300上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件306为装置300的各种组件提供电力。电源组件306可以包括电源管理系统，一个或多个电源，及其他与为装置300生成、管理和分配电力相关联的组件。
多媒体组件308包括在所述装置300和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件308包括一个前置摄像头和/或后置摄像头。当设备300处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件310被配置为输出和/或输入音频信号。例如，音频组件310包括一个麦克风(MIC)，当装置300处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器304或经由通信组件316发送。在一些实施例中，音频组件310还包括一个扬声器，用于输出音频信号。
I/O接口312为处理组件302和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件314包括一个或多个传感器，用于为装置300提供各个方面的状态评估。例如，传感器组件314可以检测到装置300的打开/关闭状态，组件的相对定位，例如所述组件为装置300的显示器和小键盘，传感器组件314还可以检测装置300或装置300的一个组件的位置改变，用户与装置300接触的存在或不存在，装置300方位或加速/减速和装置300的温度变化。传感器组件314可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件314还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件314还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件316被配置为便于装置300和其他设备之间有线或无线方式的通信。装置300可以接入基于通信标准的无线网络，如WiFi，3G或4G，或它们的组合。在一个示例性实施例中，通信组件316经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件316还包括近场通信(NFC)模块，以促进短程通信。例如，NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器304，上述指令可由装置300的处理器320执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本公开实施例还提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行上述实施例涉及的游戏推荐方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (14)
1.一种游戏推荐方法，其特征在于，所述方法包括：
获取游戏用户分组信息；
根据所述游戏用户分组信息，通过第一推荐算法针对每个游戏用户组分别召回游戏；
根据针对每个游戏用户组分别召回的游戏，利用第二推荐算法获得针对所述每个游戏用户组中的每个游戏用户的游戏推荐列表。
2.根据权利要求1所述的游戏推荐方法，其特征在于，所述获取游戏用户分组信息包括：根据游戏用户的游戏付费信息、游戏用户的游戏下载次数以及游戏用户使用的所述终端的信息，对游戏用户进行分组并生成所述游戏用户分组信息。
3.根据权利要求1所述的游戏推荐方法，其特征在于，所述根据所述游戏用户分组信息，通过第一推荐算法针对每个游戏用户组分别召回游戏包括：根据所述游戏用户分组信息，通过协同过滤算法针对每个游戏用户组分别召回游戏。
4.根据权利要求3所述的游戏推荐方法，其特征在于，所述根据所述游戏用户分组信息，通过协同过滤算法针对每个游戏用户组分别召回游戏包括：根据每个游戏用户组的游戏行为特征，通过协同过滤算法针对每个游戏用户组分别召回游戏。
5.根据权利要求1所述的游戏推荐方法，其特征在于，所述根据针对每个游戏用户组分别召回的游戏，利用第二推荐算法获得针对所述每个游戏用户组中的每个游戏用户的游戏推荐列表包括：根据针对每个游戏用户组召回的游戏，通过DeepFM算法针对所述每个游戏用户组中的每个游戏用户对所述游戏进行评分，根据所述评分对所述游戏进行排序并生成针对所述每个游戏用户的游戏推荐列表。
6.根据权利要求5所述的游戏推荐方法，其特征在于，所述根据针对每个游戏用户组召回的游戏，通过DeepFM算法针对所述每个游戏用户组中的每个游戏用户对所述游戏进行评分包括：根据针对每个游戏用户组召回的游戏中的每个游戏的游戏特征数据和所述每个游戏用户组中的所述每个游戏用户的游戏用户特征数据，通过DeepFM算法对所述游戏进行评分。
7.一种游戏推荐装置，其特征在于，所述装置包括：
获取单元，被配置为获取游戏用户分组信息；
召回单元，被配置为根据所述游戏用户分组信息，通过第一推荐算法针对每个游戏用户组分别召回游戏；
推荐单元，被配置为根据针对每个游戏用户组分别召回的游戏，利用第二推荐算法获得针对所述每个游戏用户组中的每个游戏用户的游戏推荐列表。
8.根据权利要求7所述的游戏推荐装置，其特征在于，所述获取单元被配置为采用如下方式获取游戏用户分组信息：根据游戏用户的游戏付费信息、游戏用户的游戏下载次数以及游戏用户使用的所述终端的信息，对游戏用户进行分组并生成所述游戏用户分组信息。
9.根据权利要求7所述的游戏推荐装置，其特征在于，所述召回单元被配置为采用如下方式根据所述游戏用户分组信息，通过第一推荐算法针对每个游戏用户组分别召回游戏：根据所述游戏用户分组信息，通过协同过滤算法针对每个游戏用户组分别召回游戏。
10.根据权利要求9所述的游戏推荐装置，其特征在于，所述召回单元被配置为采用如下方式根据所述游戏用户分组信息，通过协同过滤算法针对每个游戏用户组分别召回游戏：根据每个游戏用户组的游戏行为特征，通过协同过滤算法针对每个游戏用户组分别召回游戏。
11.根据权利要求7所述的游戏推荐装置，其特征在于，所述推荐单元被配置为采用如下方式根据针对每个游戏用户组分别召回的游戏，利用第二推荐算法获得针对所述每个游戏用户组中的每个游戏用户的游戏推荐列表：根据针对每个游戏用户组召回的游戏，通过DeepFM算法针对所述每个游戏用户组中的每个游戏用户对所述游戏进行评分，根据所述评分对所述游戏进行排序并生成针对所述每个游戏用户的游戏推荐列表。
12.根据权利要求11所述的游戏推荐装置，其特征在于，所述推荐单元被配置为采用如下方式根据针对每个游戏用户组召回的游戏，通过DeepFM算法针对所述每个游戏用户组中的每个游戏用户对所述游戏进行评分：根据针对每个游戏用户组召回的游戏中的每个游戏的游戏特征数据和所述每个游戏用户组中的所述每个游戏用户的游戏用户特征数据，通过DeepFM算法对所述游戏进行评分。
13.一种游戏推荐装置，其特征在于，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至6中任一项所述的游戏推荐方法。
14.一种非临时性计算机可读存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行权利要求1至6中任一项所述的游戏推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910894452.1A CN110674416A (zh) | 2019-09-20 | 2019-09-20 | 游戏推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910894452.1A CN110674416A (zh) | 2019-09-20 | 2019-09-20 | 游戏推荐方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110674416A true CN110674416A (zh) | 2020-01-10 |
Family
ID=69078522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910894452.1A Pending CN110674416A (zh) | 2019-09-20 | 2019-09-20 | 游戏推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110674416A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111324813A (zh) * | 2020-02-20 | 2020-06-23 | 深圳前海微众银行股份有限公司 | 推荐方法、装置、设备及计算机可读存储介质 |
| CN113849735A (zh) * | 2021-09-24 | 2021-12-28 | 上海幻电信息科技有限公司 | 一种基于混合模型的游戏推荐方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110302240A1 (en) * | 2010-06-03 | 2011-12-08 | Katsu Saito | Content recommendation system, content recommendation device, and content recommendation method |
| CN108989397A (zh) * | 2018-06-26 | 2018-12-11 | 腾讯音乐娱乐科技（深圳）有限公司 | 数据推荐方法、装置及存储介质 |
| CN109146627A (zh) * | 2018-08-15 | 2019-01-04 | 宏诚盛世(天津)网络科技有限公司 | 一种游戏推荐方法 |
| CN110110233A (zh) * | 2019-05-09 | 2019-08-09 | 网易传媒科技（北京）有限公司 | 信息处理方法、装置、介质和计算设备 |
-
2019
- 2019-09-20 CN CN201910894452.1A patent/CN110674416A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110302240A1 (en) * | 2010-06-03 | 2011-12-08 | Katsu Saito | Content recommendation system, content recommendation device, and content recommendation method |
| CN108989397A (zh) * | 2018-06-26 | 2018-12-11 | 腾讯音乐娱乐科技（深圳）有限公司 | 数据推荐方法、装置及存储介质 |
| CN109146627A (zh) * | 2018-08-15 | 2019-01-04 | 宏诚盛世(天津)网络科技有限公司 | 一种游戏推荐方法 |
| CN110110233A (zh) * | 2019-05-09 | 2019-08-09 | 网易传媒科技（北京）有限公司 | 信息处理方法、装置、介质和计算设备 |
Non-Patent Citations (3)
| Title |
|---|
| MANTCHS: "推荐系统--完整的架构设计和算法（协同过滤、隐语义）", 《CSDN》 * |
| 曹步清等: "融合SOM功能聚类与DeepFM质量预测的API服务推荐方法", 《计算机学报》 * |
| 连德富等: "推荐系统中物品召回技术的研究进展", 《南京信息工程大学学报（自然科学版）》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111324813A (zh) * | 2020-02-20 | 2020-06-23 | 深圳前海微众银行股份有限公司 | 推荐方法、装置、设备及计算机可读存储介质 |
| WO2021164376A1 (zh) * | 2020-02-20 | 2021-08-26 | 深圳前海微众银行股份有限公司 | 推荐方法、装置、设备及计算机可读存储介质 |
| CN113849735A (zh) * | 2021-09-24 | 2021-12-28 | 上海幻电信息科技有限公司 | 一种基于混合模型的游戏推荐方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109543066B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
| CN109670077B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
| CN107341509B (zh) | 卷积神经网络的训练方法、装置及可读存储介质 | |
| CN110751659B (zh) | 图像分割方法及装置、终端、存储介质 | |
| CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
| CN112508612B (zh) | 训练广告创意生成模型、生成广告创意的方法及相关装置 | |
| CN111898018B (zh) | 一种虚拟资源的发送方法、装置、电子设备及存储介质 | |
| CN109543069B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
| CN111128148B (zh) | 语音点餐的方法、装置、系统、计算机可读存储介质 | |
| CN110674416A (zh) | 游戏推荐方法及装置 | |
| CN113553509B (zh) | 一种内容推荐方法、装置、电子设备及存储介质 | |
| CN112948704A (zh) | 用于信息推荐的模型训练方法、装置、电子设备以及介质 | |
| CN110648657B (zh) | 一种语言模型训练方法、构建方法和装置 | |
| CN112685641B9 (zh) | 一种信息处理方法及装置 | |
| CN112767053A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
| CN112784151B (zh) | 一种确定推荐信息的方法及相关装置 | |
| CN112308588A (zh) | 广告的投放方法、装置及存储介质 | |
| CN108012258B (zh) | 虚拟sim卡的数据流量管理方法、装置、终端及服务器 | |
| CN113190725B (zh) | 对象的推荐及模型训练方法和装置、设备、介质和产品 | |
| CN111984864B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
| CN111898019B (zh) | 信息推送方法及装置 | |
| CN110929055B (zh) | 多媒体质量检测方法、装置、电子设备及存储介质 | |
| CN114416505A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| CN111754251B (zh) | 广告投放方法、装置、服务器及存储介质 | |
| CN112434714A (zh) | 多媒体识别的方法、装置、存储介质及电子设备 |
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 |