CN110721475B - 一种游戏角色的推荐方法及终端 - Google Patents

Abstract

本发明公开一种游戏角色的推荐方法及终端，通过对符合角色推荐的玩家喜欢使用的英雄的特征数据与游戏中所有其他玩家使用的英雄的特征数据的比对，找出与玩家喜欢使用的英雄最相似的前几个英雄，作为候选英雄列表，并对候选英雄列表进行过滤，通过对玩家大量游戏数据的分析，挖掘出不同游戏中不同英雄的玩法，根据玩家的玩法习惯，为玩家推荐类似操作风格的新英雄供玩家选择，能够充分挖掘出游戏中隐藏的玩家会感兴趣的角色，并且能够让玩家更多的接触相似风格的非同类型的英雄角色，从而让玩家在玩游戏的过程中更多元化，提升玩家的游戏娱乐性。

Description

一种游戏角色的推荐方法及终端

技术领域

本发明涉及游戏推荐领域，尤其涉及一种游戏角色的推荐方法及终端。

背景技术

目前PVP游戏中的英雄、出装顺序、玩法都由游戏设计者在游戏前期进行设计引导玩家进行选择，这种方式引导玩家进行选择的往往是玩家自己玩过的，能够让玩家选择的英雄或玩法过于单一，并无法充分挖掘游戏中隐藏的其它可能令玩家感兴趣的英雄或玩法，导致玩家游戏体验不够良好。

发明内容

本发明所要解决的技术问题是：提供一种游戏角色的推荐方法及终端，能够充分挖掘出游戏中隐藏的玩家会感兴趣的角色，提高用户体验。

为了解决上述技术问题，本发明采用的一种技术方案为：

一种游戏角色的推荐方法，包括步骤：

S1、确定符合角色推荐的玩家；

S2、提取所述符合角色推荐的玩家喜欢使用的第一英雄列表；

S3、根据所述第一英雄列表确定对应的第一英雄特征数据，提取游戏中所有其他玩家的第二英雄特征数据；

S4、根据所述第一英雄特征数据和第二英雄特征数据确定第二英雄特征数据中与所述玩家喜欢使用的英雄最相似的前预设个数的英雄，生成候选英雄推荐列表；

S5、从所述候选英雄推荐列表中过滤所述玩家喜欢使用的英雄以及与玩家喜欢使用的英雄不同类型的英雄，生成英雄推荐列表。

为了解决上述技术问题，本发明采用的另一种技术方案为：

一种游戏角色的推荐终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

S1、确定符合角色推荐的玩家；

S2、提取所述符合角色推荐的玩家喜欢使用的第一英雄列表；

S3、根据所述第一英雄列表确定对应的第一英雄特征数据，提取游戏中所有其他玩家的第二英雄特征数据；

S4、根据所述第一英雄特征数据和第二英雄特征数据确定第二英雄特征数据中与所述玩家喜欢使用的英雄最相似的前预设个数的英雄，生成候选英雄推荐列表；

S5、从所述候选英雄推荐列表中过滤所述玩家喜欢使用的英雄以及与玩家喜欢使用的英雄不同类型的英雄，生成英雄推荐列表。

本发明的有益效果在于：通过对符合角色推荐的玩家喜欢使用的英雄的特征数据与游戏中所有其他玩家使用的英雄的特征数据的比对，找出与玩家喜欢使用的英雄最相似的前几个英雄，作为候选英雄列表，并对候选英雄列表进行过滤，通过对玩家大量游戏数据的分析，挖掘出不同游戏中不同英雄的玩法，根据玩家的玩法习惯，为玩家推荐类似操作风格的新英雄供玩家选择，能够充分挖掘出游戏中隐藏的玩家会感兴趣的角色，并且能够让玩家更多的接触相似风格的非同类型的英雄角色，从而让玩家在玩游戏的过程中更多元化，提升玩家的游戏娱乐性。

附图说明

图1为本发明实施例的一种游戏角色的推荐方法的步骤流程图；

图2为本发明实施例的一种游戏角色的推荐终端的结构示意图；

标号说明：

1、一种游戏角色的推荐终端；2、存储器；3、处理器。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

请参照图1，一种游戏角色的推荐方法，包括步骤：

S1、确定符合角色推荐的玩家；

S2、提取所述符合角色推荐的玩家喜欢使用的第一英雄列表；

S3、根据所述第一英雄列表确定对应的第一英雄特征数据，提取游戏中所有其他玩家的第二英雄特征数据；

S4、根据所述第一英雄特征数据和第二英雄特征数据确定第二英雄特征数据中与所述玩家喜欢使用的英雄最相似的前预设个数的英雄，生成候选英雄推荐列表；

S5、从所述候选英雄推荐列表中过滤所述玩家喜欢使用的英雄以及与玩家喜欢使用的英雄不同类型的英雄，生成英雄推荐列表。

从上述描述可知，本发明的有益效果在于：通过对符合角色推荐的玩家喜欢使用的英雄的特征数据与游戏中所有其他玩家使用的英雄的特征数据的比对，找出与玩家喜欢使用的英雄最相似的前几个英雄，作为候选英雄列表，并对候选英雄列表进行过滤，通过对玩家大量游戏数据的分析，挖掘出不同游戏中不同英雄的玩法，根据玩家的玩法习惯，为玩家推荐类似操作风格的新英雄供玩家选择，能够充分挖掘出游戏中隐藏的玩家会感兴趣的角色，并且能够让玩家更多的接触相似风格的非同类型的英雄角色，从而让玩家在玩游戏的过程中更多元化，提升玩家的游戏娱乐性。

进一步的，所述步骤S1包括：

将玩家数据库中预设时间段内日均玩游戏次数超过预设次数以及每次玩游戏时长超过预设时长的玩家确定为符合角色推荐的玩家。

进一步的，所述步骤S2包括：

对于每个符合角色推荐的玩家，提取其在预设时间段内满足以下条件之一的英雄作为玩家喜欢使用的英雄，生成第一英雄列表：

胜率超过预设胜率的英雄；

玩家使用次数超过预设次数的英雄；

玩家使用次数占比超过预设占比的英雄。

由上述描述可知，将满足预设条件的玩家确定为符合角色推荐的玩家，并且将玩家使用的英雄中满足一定条件的英雄设置为玩家喜欢使用的英雄，生成英雄列表，保证了进行数据分析的数量来源的可靠性和有效性，避免进行无谓的分析，浪费资源，提高角色推荐的有效性和可靠性。

进一步的，所述第一英雄特征数据和第二英雄特征数据均包括相同的代表玩家操作习惯和操作水平的多个游戏特征；

每一个游戏特征包括每一个玩家使用每一个英雄在每一场比赛中生成的所有的游戏特征数据值的平均数和中位数。

由上述描述可知，英雄特征数据包括代表玩家操作习惯和操作水平的多个游戏特征，并且每个游戏特征包括针对每一个玩家使用的每一个英雄在游戏过程中生成的游戏数据的平均数和中位数，通过对平均数和中位数的提取保证了进行对比分析的合理性，提高了角色推荐的精确度。

进一步的，所述步骤S3还包括：

对所述第一英雄特征数据和第二英雄特征数据组成的所有英雄特征数据中每一个游戏特征的最大值进行预设量的放大，并根据每一个游戏特征中的最小值和放大后的最大值对每一个游戏特征中的所有游戏特征数据值进行归一化。

由上述描述可知，通过对每一个游戏特征的最大值进行适度放大，并基于每一个游戏特征中的最小值和放大后的最大值对每一个游戏特征中的所有游戏特征数据值进行归一化，保证了进行数据分析时各个数据的统一性，进一步提高了通过数据分析得到的推荐角色的准确性。

请参照图2，一种游戏角色的推荐终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

S1、确定符合角色推荐的玩家；

S2、提取所述符合角色推荐的玩家喜欢使用的第一英雄列表；

S3、根据所述第一英雄列表确定对应的第一英雄特征数据，提取游戏中所有其他玩家的第二英雄特征数据；

S4、根据所述第一英雄特征数据和第二英雄特征数据确定第二英雄特征数据中与所述玩家喜欢使用的英雄最相似的前预设个数的英雄，生成候选英雄推荐列表；

S5、从所述候选英雄推荐列表中过滤所述玩家喜欢使用的英雄以及与玩家喜欢使用的英雄不同类型的英雄，生成英雄推荐列表。

从上述描述可知，本发明的有益效果在于：通过对符合角色推荐的玩家喜欢使用的英雄的特征数据与游戏中所有其他玩家使用的英雄的特征数据的比对，找出与玩家喜欢使用的英雄最相似的前几个英雄，作为候选英雄列表，并对候选英雄列表进行过滤，通过对玩家大量游戏数据的分析，挖掘出不同游戏中不同英雄的玩法，根据玩家的玩法习惯，为玩家推荐类似操作风格的新英雄供玩家选择，能够充分挖掘出游戏中隐藏的玩家会感兴趣的角色，并且能够让玩家更多的接触相似风格的非同类型的英雄角色，从而让玩家在玩游戏的过程中更多元化，提升玩家的游戏娱乐性。

进一步的，所述步骤S1包括：

将玩家数据库中预设时间段内日均玩游戏次数超过预设次数以及每次玩游戏时长超过预设时长的玩家确定为符合角色推荐的玩家。

进一步的，所述步骤S2包括：

对于每个符合角色推荐的玩家，提取其在预设时间段内满足以下条件之一的英雄作为玩家喜欢使用的英雄，生成第一英雄列表：

胜率超过预设胜率的英雄；

玩家使用次数超过预设次数的英雄；

玩家使用次数占比超过预设占比的英雄。

由上述描述可知，将满足预设条件的玩家确定为符合角色推荐的玩家，并且将玩家使用的英雄中满足一定条件的英雄设置为玩家喜欢使用的英雄，生成英雄列表，保证了进行数据分析的数量来源的可靠性和有效性，避免进行无谓的分析，浪费资源，提高角色推荐的有效性和可靠性。

进一步的，所述第一英雄特征数据和第二英雄特征数据均包括相同的代表玩家操作习惯和操作水平的多个游戏特征；

每一个游戏特征包括每一个玩家使用每一个英雄在每一场比赛中生成的所有的游戏特征数据值的平均数和中位数。

由上述描述可知，英雄特征数据包括代表玩家操作习惯和操作水平的多个游戏特征，并且每个游戏特征包括针对每一个玩家使用的每一个英雄在游戏过程中生成的游戏数据的平均数和中位数，通过对平均数和中位数的提取保证了进行对比分析的合理性，提高了角色推荐的精确度。

进一步的，所述步骤S3还包括：

对所述第一英雄特征数据和第二英雄特征数据组成的所有英雄特征数据中每一个游戏特征的最大值进行预设量的放大，并根据每一个游戏特征中的最小值和放大后的最大值对每一个游戏特征中的所有游戏特征数据值进行归一化。

由上述描述可知，通过对每一个游戏特征的最大值进行适度放大，并基于每一个游戏特征中的最小值和放大后的最大值对每一个游戏特征中的所有游戏特征数据值进行归一化，保证了进行数据分析时各个数据的统一性，进一步提高了通过数据分析得到的推荐角色的准确性。

实施例一

请参照图1，一种游戏角色的推荐方法，包括步骤：

S1、确定符合角色推荐的玩家；

具体的，将玩家数据库中预设时间段内日均玩游戏次数超过预设次数以及每次玩游戏时长超过预设时长的玩家确定为符合角色推荐的玩家；

比如，在游戏数据库中提取玩家的数据库，提取时间为近2个月，并计算各个玩家的日均玩游戏次数以及每次玩游戏的时长，将日均玩游戏次数超过5次并且每次玩游戏时长超过15分钟的玩家确定为符合角色推荐的玩家；

S2、提取所述符合角色推荐的玩家喜欢使用的第一英雄列表；

具体的，对于每个符合角色推荐的玩家，提取其在预设时间段内满足以下条件之一的英雄作为玩家喜欢使用的英雄，生成第一英雄列表：

胜率超过预设胜率的英雄；

玩家使用次数超过预设次数的英雄；

玩家使用次数占比超过预设占比的英雄；

比如，提取近2个月符合角色推荐的玩家的对战行为日志，根据玩家的对战行为日志，确定玩家使用的各个英雄的胜率、使用次数以及使用次数占比，将胜率超过50％或者使用次数超过100次或者使用次数占比超过1/10的英雄确定为玩家喜欢使用的英雄，生成第一英雄列表；如果玩家使用的英雄都不满足上述条件，则表明玩家对游戏玩法或对此英雄不感兴趣；

S3、根据所述第一英雄列表确定对应的第一英雄特征数据，提取游戏中所有其他玩家的第二英雄特征数据；

所述第一英雄特征数据和第二英雄特征数据均包括相同的代表玩家操作习惯和操作水平的多个游戏特征；

每一个游戏特征包括每一个玩家使用每一个英雄在每一场比赛中生成的所有的游戏特征数据值的平均数和中位数；

在得到各个游戏特征后，还包括：

对所述第一英雄特征数据和第二英雄特征数据组成的所有英雄特征数据中每一个游戏特征的最大值进行预设量的放大，并根据每一个游戏特征中的最小值和放大后的最大值对每一个游戏特征中的所有游戏特征数据值进行归一化；

其中，英雄的特征数据包括代表玩家操作习惯和操作水平的多个游戏特征，比如：

1.击杀伤害输出：根据玩家使用的英雄每次在击杀对方英雄时的承受伤害值injured及相应的时间time，计算每次的it＝injured/time值，生成列表，列表中包含了相应的玩家使用相应的英雄在每一场游戏中得到的it值，最后计算出该英雄的it值的平均数、中位数，作为击杀伤害输出这个游戏特征的游戏特征值；

2.释放技能距离：指的是玩家使用的英雄的每个技能在释放时与被攻击对象的距离，生成列表，列表中包含了相应的玩家使用相应的英雄在每一张游戏中使用每一个技能得到的释放技能距离，最后计算该列表的平均数、中位数；

3.释放技能频次：根据玩家使用的英雄在每场对局的技能释放总次数attacks，每场对局总时长times，计算出单位时间的技能释放次数attacks/times，生成包含每场游戏对应的英雄的释放技能频次的列表，最后根据该列表计算出该英雄的技能释放次的平均数、中位数；

4.提取英雄每次在击杀对方英雄时的伤害输出damage及相应的时间time，计算每次的dt＝damage/time值，生成包含对应的玩家使用对应的英雄在每一场游戏中的dt值的列表，最后计算出该英雄的dt值的评均数、中位数；

5.提取英雄的KDA列表，KDA列表包含了相应的玩家使用对应的英雄在每一场游戏中的KDA值，计算列表的平均数、中位数，其中KDA的计算公式为(若死亡数为0则默认为1)：

KDA＝(击杀数+助攻数)/死亡数；

6.提取英雄的每场比赛的击杀数kills、助攻数supports及比赛总时长times，计算kt＝kills/times、st＝supports/times，生成列表，最后计算每个列表的kt、st的平均数、中位数；

7.提取英雄的每场比赛金币获取量golds及相应的比赛总时长times，计算gt＝golds/times，生成列表，最后计算列表的平均数、中位数；

根据上述特征提取方法提取数据库中每个玩家每个英雄的游戏特征，生成表格型的特征数据，格式如表1所示：

表1

对表1中的每一列特征数据(除第一列、第二列外)，进行如下操作：

1)归一化，从表格中数据可以看出，列与列、行与行之间的数据量纲差异明显，尤其是列与列的差距。如果不归一化，会导致后续利用k近邻算法时出现不好的效果。由于k近邻算法中是计算推送玩家的每个英雄与数据集中英雄的距离，所以不归一化，会导致距离计算的结果异常；

2)计算每一列数据的最大值，并对最大值按一定系数进行放大，放大取决于放大系数(可选值为1.0～1.25)；并对每一列归一化，归一化公式为：

其中，x为每一列中每个输入值，min为每一列的最小值，max为每一列最大值的一定量放大；表格中的每一列的每个值在经过上述公式计算后会被缩放到0到1之间的数，但是对于以后新输入的一个一个玩家的某个英雄的特征数据时，可能存在一个情况是该英雄的某个特征值大于表格中该列计算出的最大值，导致归一化的结果大于1，这样对于后续用于k近邻算法计算距离时，导致不良的结果，所以表格中每列的max值会进行一定量的放大；经过测试后发现，放大系数优选为1.13，各列放大系数相同归一化后的表格数据如表2所示：

表2

S4、根据所述第一英雄特征数据和第二英雄特征数据确定第二英雄特征数据中与所述玩家喜欢使用的英雄最相似的前预设个数的英雄，生成候选英雄推荐列表；

由于经过步骤S3后，待推送玩家(即符合角色推荐的玩家)与所有玩家的英雄特征数据已经生成，对推送玩家的每条数据，计算该玩家与数据集中每一条数据的距离，并对距离进行排序，根据距离最近的n条数据的英雄生成候选英雄推荐列表，距离计算公式如下：

式中，x是待推送玩家的英雄特征，y是数据中某个玩家英雄特征，d为两个英雄特征的距离，即相似度；

S5、从所述候选英雄推荐列表中过滤所述玩家喜欢使用的英雄以及与玩家喜欢使用的英雄不同类型的英雄，生成英雄推荐列表；

比如如果同样是远程类英雄角色，可以推荐不同职业进行选择，目的在于尽量让玩家使用更多元化英雄角色，提高英雄的选择率和使用率。

实施例二

请参照图2，一种游戏角色的推荐终端1，包括存储器2、处理器3及存储在存储器2上并可在所述处理器3上运行的计算机程序，所述处理器3执行所述计算机程序时实现实施例一的各个步骤。

综上所述，本发明提供的一种游戏角色的推荐方法及终端，通过对符合角色推荐的玩家喜欢使用的英雄的特征数据与游戏中所有其他玩家使用的英雄的特征数据的比对，其中英雄特征数据包括代表玩家操作习惯和操作水平的多个游戏特征，能够充分考虑玩家操作偏好以及操作水平以找出与玩家喜欢使用的英雄最相似的前几个英雄，作为候选英雄列表，并对候选英雄列表进行过滤，通过对玩家大量游戏数据的分析，挖掘出不同游戏中不同英雄的玩法，根据玩家的玩法习惯，为玩家推荐类似操作风格的新英雄供玩家选择，能够充分挖掘出游戏中隐藏的玩家会感兴趣的角色，并且能够让玩家更多的接触相似风格的非同类型的英雄角色，从而让玩家在玩游戏的过程中更多元化，提升玩家的游戏娱乐性。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种游戏角色的推荐方法，其特征在于，包括步骤：

S1、确定符合角色推荐的玩家；

S2、提取所述符合角色推荐的玩家喜欢使用的第一英雄列表；

S3、根据所述第一英雄列表确定对应的第一英雄特征数据，提取游戏中所有其他玩家的第二英雄特征数据；

S4、根据所述第一英雄特征数据和第二英雄特征数据确定第二英雄特征数据中与所述玩家喜欢使用的英雄最相似的前预设个数的英雄，生成候选英雄推荐列表；

S5、从所述候选英雄推荐列表中过滤所述玩家喜欢使用的英雄以及与玩家喜欢使用的英雄不同类型的英雄，生成英雄推荐列表；

所述第一英雄特征数据和第二英雄特征数据均包括相同的代表玩家操作习惯和操作水平的多个游戏特征；

每一个游戏特征包括每一个玩家使用每一个英雄在每一场比赛中生成的所有的游戏特征数据值的平均数和中位数；

经过步骤S3后，所述符合角色推荐的玩家与所有玩家的英雄特征数据已经生成，对所述符合角色推荐的玩家的每条数据，计算该玩家与数据集中每一条数据的距离，并对距离进行排序，根据距离最近的n条数据的英雄生成候选英雄推荐列表，n为预设条数，取正整数，距离计算公式如下：

式中，x是符合角色推荐的玩家的英雄特征，y是数据中某个玩家英雄特征，d为两个英雄特征的距离，即相似度。

2.根据权利要求1所述的一种游戏角色的推荐方法，其特征在于，所述步骤S1包括：

将玩家数据库中预设时间段内日均玩游戏次数超过预设次数以及每次玩游戏时长超过预设时长的玩家确定为符合角色推荐的玩家。

3.根据权利要求1所述的一种游戏角色的推荐方法，其特征在于，所述步骤S2包括：

对于每个符合角色推荐的玩家，提取其在预设时间段内满足以下条件之一的英雄作为玩家喜欢使用的英雄，生成第一英雄列表：

胜率超过预设胜率的英雄；

玩家使用次数超过预设次数的英雄；

玩家使用次数占比超过预设占比的英雄。

4.根据权利要求1所述的一种游戏角色的推荐方法，其特征在于，所述步骤S3还包括：

对所述第一英雄特征数据和第二英雄特征数据组成的所有英雄特征数据中每一个游戏特征的最大值进行预设量的放大，并根据每一个游戏特征中的最小值和放大后的最大值对每一个游戏特征中的所有游戏特征数据值进行归一化。

5.一种游戏角色的推荐终端，包括存储器、处理器及存储在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，所述处理器执行所述计算机程序时实现以下步骤：

S1、确定符合角色推荐的玩家；

S2、提取所述符合角色推荐的玩家喜欢使用的第一英雄列表；

S3、根据所述第一英雄列表确定对应的第一英雄特征数据，提取游戏中所有其他玩家的第二英雄特征数据；

S4、根据所述第一英雄特征数据和第二英雄特征数据确定第二英雄特征数据中与所述玩家喜欢使用的英雄最相似的前预设个数的英雄，生成候选英雄推荐列表；

S5、从所述候选英雄推荐列表中过滤所述玩家喜欢使用的英雄以及与玩家喜欢使用的英雄不同类型的英雄，生成英雄推荐列表；

所述第一英雄特征数据和第二英雄特征数据均包括相同的代表玩家操作习惯和操作水平的多个游戏特征；

每一个游戏特征包括每一个玩家使用每一个英雄在每一场比赛中生成的所有的游戏特征数据值的平均数和中位数；

经过步骤S3后，所述符合角色推荐的玩家与所有玩家的英雄特征数据已经生成，对所述符合角色推荐的玩家的每条数据，计算该玩家与数据集中每一条数据的距离，并对距离进行排序，根据距离最近的n条数据的英雄生成候选英雄推荐列表，n为预设条数，取正整数，距离计算公式如下：

式中，x是符合角色推荐的玩家的英雄特征，y是数据中某个玩家英雄特征，d为两个英雄特征的距离，即相似度。

6.根据权利要求5所述的一种游戏角色的推荐终端，其特征在于，所述步骤S1包括：

将玩家数据库中预设时间段内日均玩游戏次数超过预设次数以及每次玩游戏时长超过预设时长的玩家确定为符合角色推荐的玩家。

7.根据权利要求5所述的一种游戏角色的推荐终端，其特征在于，所述步骤S2包括：

对于每个符合角色推荐的玩家，提取其在预设时间段内满足以下条件之一的英雄作为玩家喜欢使用的英雄，生成第一英雄列表：

胜率超过预设胜率的英雄；

玩家使用次数超过预设次数的英雄；

玩家使用次数占比超过预设占比的英雄。

8.根据权利要求5所述的一种游戏角色的推荐终端，其特征在于，所述步骤S3还包括：

对所述第一英雄特征数据和第二英雄特征数据组成的所有英雄特征数据中每一个游戏特征的最大值进行预设量的放大，并根据每一个游戏特征中的最小值和放大后的最大值对每一个游戏特征中的所有游戏特征数据值进行归一化。

Images