CN111408143A - 游戏付费预测方法、模型训练方法及装置 - Google Patents

游戏付费预测方法、模型训练方法及装置 Download PDF

Info

Publication number
CN111408143A
CN111408143A CN202010180136.0A CN202010180136A CN111408143A CN 111408143 A CN111408143 A CN 111408143A CN 202010180136 A CN202010180136 A CN 202010180136A CN 111408143 A CN111408143 A CN 111408143A
Authority
CN
China
Prior art keywords
payment
feature
prediction
characteristic
predicted
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
Application number
CN202010180136.0A
Other languages
English (en)
Inventor
张建
鲁�硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Netease Hangzhou Network Co Ltd
Original Assignee
Netease Hangzhou Network Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Netease Hangzhou Network Co Ltd filed Critical Netease Hangzhou Network Co Ltd
Priority to CN202010180136.0A priority Critical patent/CN111408143A/zh
Publication of CN111408143A publication Critical patent/CN111408143A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A63F13/792—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories for payment purposes, e.g. monthly subscriptions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种游戏付费预测方法、模型训练方法及装置，涉及数据预测技术领域。该方法包括：根据目标游戏的付费特征集合，采用第一决策树模型，得到目标游戏的第一预测付费特征；根据付费特征集合和第一预测付费特征，采用循环神经网络模型，得到目标游戏的第二预测付费特征；其中，预设循环神经网络模型用于确定付费特征集合和第一预测付费特征中，各类特征的局部特征注意力权重，并根据付费特征集合、第一预测付费特征和各类特征的局部特征注意力权重、得到第二预测付费特征；对第一预测付费特征和第二预测付费特征进行加权计算，得到目标游戏的付费预测结果。相对于现有技术，避免了模型构建的比较简单，导致预测不准确的问题。

Description

游戏付费预测方法、模型训练方法及装置
技术领域
本申请涉及数据预测技术领域，具体而言，涉及一种游戏付费预测方法、模型训练方法及装置。
背景技术
机器学习在日常生产生活中有很多应用，其中之一就是预测时间序列。比如特定日期的促销活动，商家如何提前预测销量以安排采购仓储，促销定价，优化配送方案。城市路网中如何预测特定时刻的车流量来合理规划交通等。这些实际场景中都需要使用人工智能的方法依据历史时间的数据去预测未来的数据变化。
现有技术中可通过预设模型对未来一段时间每天的游戏付费情况进行预测，并将预测结果提供给决策层，以此为游戏的后期运营提供帮助。
但是现有技术中，进行游戏付费预测的模型构建的比较简单，各历史特征之间没有差别，所以导致游戏付费预测的结果不准确的问题。
发明内容
本申请的目的在于，针对上述现有技术中的不足，提供一种游戏付费预测方法、模型训练方法及装置，以解决现有技术中模型构建的比较简单，导致预测不准确的问题。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请一实施例提供了一种游戏付费预测方法，应用于付费预测模型，所述付费预测模型包括：第一决策树模型和循环神经网络模型；所述方法包括：
根据目标游戏的付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第一预测付费特征；
根据所述付费特征集合和所述第一预测付费特征，采用所述循环神经网络模型，得到所述目标游戏的第二预测付费特征；其中，所述预设循环神经网络模型用于确定所述付费特征集合和所述第一预测付费特征中，各类特征的局部特征注意力权重，并根据所述付费特征集合、所述第一预测付费特征和所述各类特征的局部特征注意力权重、得到所述第二预测付费特征；
对所述第一预测付费特征和所述第二预测付费特征进行加权计算，得到所述目标游戏的付费预测结果。
可选地，所述付费特征集合包括：至少一种类型的付费特征。
所述各类特征的局部特征注意力权重包括：所述至少一种类型的付费特征的局部特征注意力权重，以及，所述第一预测付费特征的局部特征注意力权重。
可选地，所述付费特征集合中包括下述至少一种特征：历史付费特征、未来时间内的预期付费特征、预设预测时间步长对应的趋势特征。
可选地，所述根据目标游戏的付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第一预测付费特征之前，所述方法还包括：
将所述付费特征集合中的各付费特征，按照时间进行排序，得到多个时间信息对应的特征序列，每个时间信息对应的特征序列包括：至少一个付费特征，每个付费特征对应一种特征类型；
所述付费特征集合包括：所述多个时间信息对应的特征序列。
可选地，所述方法还包括：
所述循环神经网络模型用于根据所述付费特征集合、所述第一预测付费特征、所述各类特征的局部特征注意力权重以及所述每个时间信息对应的特征序列的全局时间注意力权重，得到所述第二预测付费特征。
可选地，所述付费预测模型包括：第二决策树模型，所述根据所述付费特征集合和所述第一预测付费特征，采用所述循环神经网络模型，包括：
根据所述付费特征集合和所述第一预测付费特征，采用所述第二决策树模型，得到所述目标游戏的第三预测付费特征；
根据所述付费特征集合和所述第三预测付费特征，采用所述循环神经网络模型，得到所述第二预测付费特征；
所述对所述第一预测付费特征和所述第二预测付费特征进行加权计算，得到所述目标游戏的付费预测结果，包括：
对所述第一预测付费特征、所述第二预测付费特征和所述第三预测付费特征进行加权计算，得到所述目标游戏的付费预测结果。
可选地，所述第二预测付费特征包括：至少一个预测时间步长对应的预测付费特征；
所述对所述第一预测付费特征和所述第二预测付费特征进行加权计算，得到所述目标游戏的付费预测结果，包括：
对所述第一预测付费特征和每个预测时间步长对应的预测付费特征进行加权计算，得到所述每个预测时间步长对应的付费预测结果。
第二方面，本申请另一实施例提供了一种付费预测模型的训练方法，所述付费预测模型包括：第一决策树模型和循环神经网络模型，所述模型训练方法包括：
根据目标游戏的训练付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第四预测付费特征；
根据所述目标游戏的验证付费特征集合和所述第四预测付费特征，对所述第一决策树的参数进行优化；
根据优化后的所述第一决策树输出的预测付费特征，和所述训练付费特征集合，采用所述循环神经网络模型，得到所述目标游戏的第五预测付费特征；
根据所述验证付费特征集合和所述第五预测付费特征，对所述循环神经网络模型的参数进行优化；
对优化后的第一决策树输出的预测付费特征和优化后的循环神经网络模型输出的预测付费特征进行加权计算。
可选地，所述训练付费特征集合包括：至少一种类型的训练付费特征。
所述各类特征的局部特征注意力权重包括：所述至少一种类型的训练付费特征的局部特征注意力权重，以及，所述第四预测付费特征的局部特征注意力权重。
可选地，所述根据目标游戏的训练付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第四预测付费特征之前，所述方法还包括：
将所述训练付费特征集合中的各训练付费特征，按照时间进行排序，得到多个时间信息对应的训练特征序列，每个时间信息对应的训练特征序列包括：至少一个训练付费特征，每个训练付费特征对应一种特征类型；
所述训练付费特征集合包括：所述多个时间信息对应的训练特征序列。
可选地，所述方法还包括：
所述循环神经网络模型用于根据所述训练付费特征集合、所述第四预测付费特征、各类特征的局部特征注意力权重以及所述每个时间信息对应的特征序列的全局时间注意力权重，得到所述第五预测付费特征；
所述循环神经网络模型的参数还包括：所述全局时间注意力权重。
可选地，所述付费预测模型包括：第二决策树模型；所述根据优化后的所述第一决策树输出的预测付费特征，和所述训练付费特征集合，采用所述循环神经网络模型，得到所述目标游戏的第五预测付费特征，包括：
根据优化后的所述第一决策树输出的预测付费特征，和所述训练付费特征集合，采用所述第二决策树模型，得到所述目标游戏的第六预测付费特征；
根据所述验证付费特征集合和所述第六预测付费特征，对所述第二决策树模型的参数进行优化；
根据优化后的所述第二决策树输出的预测付费特征和所述训练付费特征集合，采用所述循环神经网络模型，得到所述第五预测付费特征。
可选地，所述根据目标游戏的训练付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第四预测付费特征之前，所述方法还包括：
获取所述目标游戏的样本付费特征集合；
根据预设划分规则，将所述样本付费特征集合划分为多个特征集合，所述多个特征集合包括：所述训练付费特征集合和所述验证付费特征集合。
可选地，根据预设划分规则，将所述本付费特征集合划分为多个特征集合，包括：
根据所述样本付费特征集合中付费特征的时间信息，以及预设的划分比例，将所述样本付费特征信息集合划分为所述多个特征集合。
可选地，所述多个特征集合还包括：测试付费特征集合；
根据所述测试付费特征集合，采用优化后的所述第一决策树，得到所述第一决策树的预测特征；
根据所述第一决策树的预测特征和所述测试付费特征集合，采用优化后的所述循环神经网络模型，得到所述循环神经网络的预测特征；
根据所述第一决策树的预测特征、所述循环神经网络的预测特征进行加权计算，得到所述目标游戏在测试过程中的付费预测结果，所述测试过程中的付费预测结果包括：所述加权计算后的预测特征。
第三方面，本申请另一实施例提供了一种游戏付费预测装置，应用于付费预测模型，所述付费预测模型包括：第一决策树模型和循环神经网络模型；所述装置包括：预测模块和计算模块，其中：
所述预测模块，用于根据目标游戏的付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第一预测付费特征；
所述预测模块，用于根据所述付费特征集合和所述第一预测付费特征，采用所述循环神经网络模型，得到所述目标游戏的第二预测付费特征；其中，所述预设循环神经网络模型用于确定所述付费特征集合和所述第一预测付费特征中，各类特征的局部特征注意力权重，并根据所述付费特征集合、所述第一预测付费特征和所述各类特征的局部特征注意力权重、得到所述第二预测付费特征；
所述计算模块，用于对所述第一预测付费特征和所述第二预测付费特征进行加权计算，得到所述目标游戏的付费预测结果。
可选地，所述装置还包括：排序模块，用于将所述付费特征集合中的各付费特征，按照时间进行排序，得到多个时间信息对应的特征序列，每个时间信息对应的特征序列包括：至少一个付费特征，每个付费特征对应一种特征类型；
所述付费特征集合包括：所述多个时间信息对应的特征序列。
可选地，所述预测模块，还用于根据所述付费特征集合、所述第一预测付费特征、所述各类特征的局部特征注意力权重以及所述每个时间信息对应的特征序列的全局时间注意力权重，得到所述第二预测付费特征。
可选地，所述预测模块，还用于根据所述付费特征集合和所述第一预测付费特征，采用所述第二决策树模型，得到所述目标游戏的第三预测付费特征；
所述预测模块，还用于根据所述付费特征集合和所述第三预测付费特征，采用所述循环神经网络模型，得到所述第二预测付费特征；
所述计算模块，还用于对所述第一预测付费特征、所述第二预测付费特征和所述第三预测付费特征进行加权计算，得到所述目标游戏的付费预测结果。
可选地，所述第二预测付费特征包括：至少一个预测时间步长对应的预测付费特征；
所述计算模块，还用于对所述第一预测付费特征和每个预测时间步长对应的预测付费特征进行加权计算，得到所述每个预测时间步长对应的付费预测结果。
第四方面，本申请另一实施例还提供了一种付费预测模型的训练装置，所述付费预测模型包括：第一决策树模型和循环神经网络模型，所述装置包括：预测模块、优化模块和计算模块，其中：
所述预测模块，用于根据目标游戏的训练付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第四预测付费特征；
所述优化模块，用于根据所述目标游戏的验证付费特征集合和所述第四预测付费特征，对所述第一决策树的参数进行优化；
所述预测模块，还用于根据优化后的所述第一决策树输出的预测付费特征，和所述训练付费特征集合，采用所述循环神经网络模型，得到所述目标游戏的第五预测付费特征；
所述优化模块，还用于根据所述验证付费特征集合和所述第五预测付费特征，对所述循环神经网络模型的参数进行优化；
所述计算模块，用于对优化后的第一决策树输出的预测付费特征和优化后的循环神经网络模型输出的预测付费特征进行加权计算。
可选地，所述装置还包括排序模块，用于将所述训练付费特征集合中的各训练付费特征，按照时间进行排序，得到多个时间信息对应的训练特征序列，每个时间信息对应的训练特征序列包括：至少一个训练付费特征，每个训练付费特征对应一种特征类型；
所述训练付费特征集合包括：所述多个时间信息对应的训练特征序列。
可选地，所述预测模块，还用于根据所述训练付费特征集合、所述第四预测付费特征、所述各类特征的局部特征注意力权重以及所述每个时间信息对应的特征序列的全局时间注意力权重，得到所述第五预测付费特征；
所述循环神经网络模型的参数还包括：所述全局时间注意力权重。
可选地，所述付费预测模型包括：第二决策树模型；
所述预测模块，还用于根据优化后的所述第一决策树输出的预测付费特征，和所述训练付费特征集合，采用所述第二决策树模型，得到所述目标游戏的第六预测付费特征；
所述优化模块，还用于根据所述验证付费特征集合和所述第六预测付费特征，对所述第二决策树模型的参数进行优化；
所述预测模块，还用于根据优化后的所述第二决策树输出的预测付费特征和所述训练付费特征集合，采用所述循环神经网络模型，得到所述第五预测付费特征。
可选地，所述装置还包括：获取模块和划分模块，其中：
所述获取模块，用于获取所述目标游戏的样本付费特征集合；
所述划分模块，用于根据预设划分规则，将所述样本付费特征集合划分为多个特征集合，所述多个特征集合包括：所述训练付费特征集合和所述验证付费特征集合。
可选地，所述划分模块，还用于根据所述样本付费特征集合中付费特征的时间信息，以及预设的划分比例，将所述样本付费特征信息集合划分为所述多个特征集合。
可选地，所述多个特征集合还包括：测试付费特征集合；
所述预测模块，还用于根据所述测试付费特征集合，采用优化后的所述第一决策树，得到所述第一决策树的预测特征；
所述预测模块，还用于根据所述第一决策树的预测特征和所述测试付费特征集合，采用优化后的所述循环神经网络模型，得到所述循环神经网络的预测特征；
所述计算模块，还用于根据所述第一决策树的预测特征、所述循环神经网络的预测特征进行加权计算，得到所述目标游戏在测试过程中的付费预测结果，所述测试过程中的付费预测结果包括：所述加权计算后的预测特征。
第五方面，本申请另一实施例提供了一种游戏付费预测设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如上述第一方面或第二方面任一所述方法的步骤。
第六方面，本申请另一实施例提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述第一方面或第二方面任一所述方法的步骤。
本申请的有益效果是：采用本申请提供的游戏付费预测方法，通过第一决策树模型对目标游戏的付费特征集合进行付费预测，并将得到的第一预测付费特征和付费特征集合一同输入至循环神经网络模型，得到第二预测付费特征，随后根据第一预测付费特征和第二预测付费特征进行加权计算，得到目标游戏的付费预测结果。由于本申请采用了两个模型进行预测，并对其结果进行加权计算，得到最终的预测结果，并且循环神经网络改模型中是根据付费特征集合、第一预测付费特征和各类特征的局部特征注意力权重、得到第二预测付费特征，使得模型更加关注对输出变量影响较大的特征，所以相对于传统技术，预测模型的结果更加准确。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请一实施例提供的游戏付费预测方法的流程示意图；
图2为本申请另一实施例提供的游戏付费预测方法的流程示意图；
图3为本申请另一实施例提供的游戏付费预测方法的流程示意图；
图4为本申请另一实施例提供的游戏付费预测方法的流程示意图；
图5为本申请另一实施例提供的游戏付费预测方法的流程示意图；
图6为本申请一实施例提供的一种付费预测模型的训练方法的流程示意图；
图7为本申请另一实施例提供的一种付费预测模型的训练方法的流程示意图；
图8为本申请另一实施例提供的一种付费预测模型的训练方法的流程示意图；
图9为本申请另一实施例提供的一种付费预测模型的训练方法的流程示意图；
图10为本申请一实施例提供的游戏付费预测装置的结构示意图；
图11为本申请另一实施例提供的游戏付费预测装置的结构示意图；
图12为本申请一实施例提供的付费预测模型的训练装置的结构示意图；
图13为本申请另一实施例提供的付费预测模型的训练装置的结构示意图；
图14为本申请另一实施例提供的付费预测模型的训练装置的结构示意图；
图15为本申请一实施例提供的游戏付费预测设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。
图1为本申请一实施例提供的一种游戏付费预测方法的流程示意图，应用于付费预测模型，该付费预测模型包括：第一决策树模型和循环神经网络模型。该游戏付费预测方法可由具有该付费预测模型的游戏付费预测设备实现，该游戏付费预测设备可以为付费预测终端或付费预测服务器。
如图1所示，该方法可包括：
S101：根据目标游戏的付费特征集合，采用第一决策树模型，得到目标游戏的第一预测付费特征。
可选地，该目标游戏可以为该付费预测模型对应的游戏。在本申请的一个实施例中，第一决策树模型可以为Lightgbm或Xgboost，具体第一决策树模型的选择可以根据用户需要确定，本申请在此不做任何限制。
可选地，在本申请的一个实施例中，在采用第一决策树模型进行预测之前，还需要对目标游戏的付费特征集合进行数据转换操作，依次包括：取对数(log)操作，归一化操作以及将时间序列转化为有监督问题的预处理操作。
其中，对于特征集合中数值大小程度相差较大的数据会对模型的影响较大，为了消除数据波动太大对模型产生的影响，对这些数值大小程度相差较大的数据进行取log对数，并且取log对数后不会改变这些数据之间的相关关系，同时还能使特征集合中的数值更加平稳，减小不同差异程度的异常敏感；但是对于一些相差程度较小的数据(例如：流失率等，其中，流失率为0－1之间的数值)，并不需要进行取log对数处理。归一化操作在于提高模型精度和加快模型的收敛。预处理的最后通过python中的数据处理库pandas的shift函数操作(对数据进行移动的操作)将对应的每天的付费数据向上平移一个时间单位，将时间序列转化为有监督的机器学习训练问题(即将每天的付费数据对应于第二天的付费数据)。
S102：根据付费特征集合和第一预测付费特征，采用循环神经网络模型，得到目标游戏的第二预测付费特征。
其中，预设循环神经网络模型用于确定付费特征集合和第一预测付费特征中，各类特征的局部特征注意力权重，并根据付费特征集合、第一预测付费特征和各类特征的局部特征注意力权重、得到第二预测付费特征。
可选地，在本申请的一个实施例中，循环神经网络模型例如可以为：长短时记忆神经网络(Long Short－Term Memory，LSTM)模型，下述实施例中也均以循环神经网络模型为LSTM模型为例进行说明，但具体循环神经网络模型的选择可以根据用户需要设计，并不以上述实施例给出的模型为限，本申请在此不做任何限制。
其中，局部特征注意力权重即为引导循环神经网络模型多关注对输出变量影响较大的特征，即对输出变量影响较大的特征在预测过程中应该占比较高的比重，不同类特征的权重可能相同，也可能不同，如此设置会使得得到的第二预测付费特征更加准确。
S103：对第一预测付费特征和第二预测付费特征进行加权计算，得到目标游戏的付费预测结果。
其中，付费预测结果包括：加权计算得到的预测付费特征。
可选地，在本申请的一个实施例中，预测付费特征是按照每天的付费值给出的。
需要说明的是，第一决策树模型预测权重和循环神经网络模型预测权重之和为1，举例说明：假设第一决策树模型预测权重α为0.4，预测付费收入P1为1000000，循环神经网络模型预测权重γ为0.6，付费收入P2为1080000，最终模型得到的预测结果为P。
P＝α＊P1+γ＊P2＝0.4＊1000000+0.6＊1080000＝1048000
采用本申请提供的游戏付费预测方法，通过第一决策树模型对目标游戏的付费特征集合进行付费预测，并将得到的第一预测付费特征和付费特征集合一同输入至循环神经网络模型，得到第二预测付费特征，随后根据第一预测付费特征和第二预测付费特征进行加权计算，得到目标游戏的付费预测结果。由于本申请采用了两个模型进行预测，并对其结果进行加权计算，得到最终的预测结果，并且循环神经网络改进模型中是根据付费特征集合、第一预测付费特征和各类特征的局部特征注意力权重、得到第二预测付费特征，使得模型更加关注对输出变量影响较大的特征，所以相对于传统技术，预测模型的结果更加准确。
可选地，付费特征集合包括：至少一种类型的付费特征；至少一种类型的付费特征包括下述至少一种特征：历史付费特征、未来时间内的预期付费特征、预设预测时间步长对应的趋势特征。
其中，历史付费特征例如可包括：目标游戏历史每一天的基本运营指标、付费结构、供需和社交影响。例如，可包括：活跃人数DAU、付费人数、日新增人数(Day New User，DNU)、在线时长、付费玩家平均贡献收入(average revenue per user，ARPU)等。在本申请的一个实施例中，将付费结构中所有玩家按照历史付费的金额以及运营指标分为多个等级，其中，对于每个等级的历史付费特征可包括：每个贵宾(very important person，vip)等级的登录人数和占比，历史充值和占比，统计期充值和占比，预设时间段内未登陆人数和占比，历史人数和流失率等至少一种特征。供需影响中主要考虑付费触发的条件为“元宝”、“银两”、“金币”或“银票”等游戏中虚拟货币数据不足时，如果用户前期的消费过多可能会促进后续的付费，因此用户使用不同类型虚拟货币的消费情况以及消费情况的分布情况也会加入历史付费特征。最后分析社交对游戏付费的影响，尤其是在大型多人在线(MassiveMultiplayer Online，MMO)手游中，经济系统也有物以类聚人以群分的现象，以帮会为例，尤其是大R玩家(游戏充值金额很大，并且稳定充值的重点用户)聚集程度较高的“帮会”，每天帮会活跃人数和参与帮会活动人数也是付费的特征。
未来时间内的预期付费特征可包括：根据游戏的周期性特征，添加对付费影响巨大且可预见的未来时间内的预期付费特征，例如：开新服，新活动，新版本，新副本以及节假日等预期游戏事件对应的付费特征。未来时间内的预期付费特征为的离散型的付费特征，对于付费的影响巨大，往往会带来一段时间的游戏付费数据大幅拉高的现象。
其中，离散型特征是相对于连续型特征而言的，连续型特征是在一定区间中可以任意取值的，离散型只能是整数，举例说明：若当天开新服了，则当天开新服对应的离散特征就是1；若当天没开新服，则当天开新服对应的离散特征就是0，用0和1代表当天是否开新服这类特征。
预设预测时间步长对应的趋势特征根据滑动时间窗口天，周，月，多步长提取具有时间趋势的历史对未来影响的平移时序，累计时序等统计特征。比如：时间窗口大小为[7，14，30]，对象为每日活跃人数(Daily Active User，DAU)，则可以提取最近一周，最近半个月，最近一个月的DAU的最大值，最小值，平均值，中位数，标准差等。
各类特征的局部特征注意力权重包括：至少一种类型的付费特征的局部特征注意力权重，以及，第一预测付费特征的局部特征注意力权重。
即在每一个时间步长中的第一预测付费特征，历史付费特征、未来时间内的预期付费特征和预设预测时间步长对应的趋势特征中，加入局部特征级别注意力机制，从而构建完整的混合注意力机制的循环神经网络模型；其中，离散型特征的加入使得模型不仅提取了长期的游戏运营状态对付费的影响，也加入了短期活动，例如：开新服等拉高因素，使得模型可以同时捕获游戏付费的趋势变化情况。
在上述方法的基础上，本申请实施例还提供一种游戏付费预测方法的实现示例，该实施例可通过对游戏付费预测方法中获取付费特征集合的实现示例进行解释说明。图2为本申请另一实施例提供的一种游戏付费预测方法的流程示意图，如图2所示，S101之前，该方法还可包括：
S104：将付费特征集合中的各付费特征，按照时间进行排序，得到多个时间信息对应的特征序列。
每个时间信息对应的特征序列包括：至少一个付费特征，每个付费特征对应一种特征类型。
S105：循环神经网络模型用于根据付费特征集合、第一预测付费特征、各类特征的局部特征注意力权重以及每个时间信息对应的特征序列的全局时间注意力权重，得到第二预测付费特征。
采用上述实施例提供的方法进行付费预测，由于循环神经网络模型中的数据包括付费特征集合和第一预测付费特征，其中，第一预测付费特征为第一决策树模型预测得到的，并且循环神经网络模型中还包括各类特征的局部特征注意力权重，以及全局时间注意力权重，所以得到的第二预测付费特征为根据不同权重计算得到的，在循环神经网络模型对各数据进行分析处理计算时，会将注意力放在对结果影响较大的数据上，从而使得预测的结果更加精确。付费特征集合包括：多个时间信息对应的特征序列。
图3为本申请另一实施例提供的一种游戏付费预测方法的流程示意图，在本申请的另一实施例中，付费预测模型还可包括：第二决策树模型，则如图3所示，S102可包括：
S106：根据付费特征集合和第一预测付费特征，采用第二决策树模型，得到目标游戏的第三预测付费特征。
可选地，第一决策树模型和第二决策树模型可以为同一类型的决策树模型，也可以为不同类型的决策树模型，具体决策树模型的选择配合可以根据用户需要确定，本申请在此不做任何限制。
其中，由于第二决策树的付费特征不仅有原始的付费特征集合，也有第一树模型预测的第一预测付费特征，这也是一种提升方法(Boosting)集成的思路，可以用来减小监督式学习中的学习偏差。
在本申请的一个实施例中，第一决策树模型和第二决策树模型为不同类型的决策树模型，其中，第一决策树模型为Lightgbm，第二决策树模型为Xgboost。
S107：根据付费特征集合和第三预测付费特征，采用循环神经网络模型，得到第二预测付费特征。
在本申请的一个实施例中，由于前两个模型均为树模型，预测结果相差不大，所以不需要同时输入至循环神经网络模型，即循环神经网络模型中包含了第二决策树模型预测的第三预测付费特征，所以不需要重复加入第一决策树模型预测的第一预测付费特征，且第二决策树模型已经学习了第一决策树模型的结果，所以无需重复加入，但是具体应用形式可以根据用户需要设计，并不以上述实施例给出的为限。
对应地，S103可包括：
S108：对第一预测付费特征、第二预测付费特征和第三预测付费特征进行加权计算，得到目标游戏的付费预测结果。
此时，由于在付费预测结果的计算过程中，又加入了第二决策树模型预测的第三预测付费特征，并按照预设权重对各预测付费特征进行加权计算，所以得到的付费预测结果会更加准确。需要说明的是，第一决策树模型预测权重、第二决策树模型预测权重和循环神经网络模型预测权重之和为1。
图4为本申请另一实施例提供的一种游戏付费预测方法的流程示意图，对游戏付费预测的流程如图4所示，首先分别将付费特征集合中的历史付费特征、未来时间内的预期付费特征和预设预测时间步长对应的趋势特征输入至第一决策树模型，随后将第一决策树模型预测得到的第一预测付费特征和原始付费特征集合一同输入第二决策树模型中，再将第二决策树模型预测得到的第三预测付费特征和原始付费特征一同输入至时循环神经网络模型，得到第二预测付费特征；最后将第一预测付费特征、第二预测付费特征和第三预测付费特征进行加权计算，得到最终的目标游戏的付费预测结果。
图5为本申请另一实施例提供的一种游戏付费预测方法的流程示意图，第二预测付费特征包括：至少一个预测时间步长对应的预测付费特征；如图5所示，S103可包括：
S109：对第一预测付费特征和每个预测时间步长对应的预测付费特征进行加权计算，得到每个预测时间步长对应的付费预测结果。
在本申请的一个实施例中，第二预测付费特征包括至少一个预测时间步长对应的预测付费特征时，循环神经网络模型模型将近期n周的序列作为一个整体，构建多时间步长的循环神经网络模型；其中，每一个时间序列样本对应每一天的特征序列。
此时循环神经网络的输入为(batch，timestamps，features＿dims)，其中：batch为每次训练的时间序列样本大小，timestamps为每个时间序列样本中的步长大小，features＿dims为每个步长包含的特征维度大小。
此时，由于循环神经网络模型使用了序列至序列的实现方式，对应的输入多步长需要经过编码器关注不同类型特征。举例说明：在本申请的一个实施例中，对于每一个时间步长的输入特征F＝(f1，f2，…，fT)，将其分为4个部分包括历史付费特征F1＝(Fa1，Fa2，…，FaT)，未来时间内的预期付费特征F2＝(Fb1，Fb2，…，FbT)，预设预测时间步长对应的趋势特征F3＝(Fc1，Fc2，…，FcT)和预测付费特征F4＝(Fd1，Fd2，…，FdT)。
编码器部分分析对于不同的预测日期F1，F2，F3和F4对于付费的影响显著不同，比如明天会开新服，则未来时间内的预期付费特征的权重应该显著高于其他特征。即局部特征注意力为每类特征赋予了不同的注意力权重，从而使得预测结果更加准确。
采用本申请提供的付费预测方法，包括第一树模型和第二树模型，由于第二决策树的付费特征不仅有原始的付费特征集合，也有第一树模型预测的第一预测付费特征，所以减小了监督式学习中的学习偏差；此时循环神经网络模型在付费预测结果的计算过程中，又加入了第二决策树模型预测的第三预测付费特征，并按照预设权重对各预测付费特征进行加权计算，所以得到的付费预测结果会更加准确，使得预测模型更加具有泛化性能。弥补了树模型对时间趋势不敏感，长时储存信息减弱的缺点，同时在循环神经网络模型引入了全局时间注意力和局部特征注意力的混合注意力机制，加强了循环神经网络模型对与付费强相关因素的捕获。全局时间注意力机制可以引导模型更加关注对输出序列影响较大的序列，在每个时间序列中添加了局部特征注意力机制可以引导模型更加关注对输出变量影响较大的特征，这样能使预测模型的结果会更加准确。并且循环神经网络模型中还包括各类特征的局部特征注意力权重，以及全局时间注意力权重，所以得到的第二预测付费特征为根据不同权重计算得到的，加强了循环神经网络模型对与付费强相关因素的捕获。其中，在每个时间序列中添加了全局时间注意力机制会使得模型更加关注对输出序列影响较大的序列，在每个时间序列中添加了局部特征注意力机制，会使得模型更加关注对输出变量影响较大的特征，这样能使预测模型的结果会更加准确。
为实现上述图1－图5中任一所述的游戏付费预测方法，本申请实施例还提供一种付费预测模型的训练方法，以训练得到可执行上述游戏付费预测方法的付费预测模型。如下通过一个示例进行解释说明。
图6为本申请一实施例提供的一种付费预测模型的训练方法的流程示意图，其中，付费预测模型包括：第一决策树模型和循环神经网络模型。该付费预测模型的训练方法可由具有该付费预测模型的游戏付费预测训练设备实现，该游戏付费预测训练设备可以为付费预测训练终端或付费预测服务器，如图6所示，该模型训练方法包括：
S201：根据目标游戏的训练付费特征集合，采用第一决策树模型，得到目标游戏的第四预测付费特征。
在本申请的一个实施例中，训练付费特征集合中的数据为经过数据转换操作的数据，具体数据转换操作的方式与上述图1－图4给出的方式相同，在此不再赘述。
S202：根据目标游戏的验证付费特征集合和第四预测付费特征，对第一决策树的参数进行优化。
其中，使用对第一决策树的参数进行优化的过程，是采用GridSearch方式进行参数的调整，得到性能最佳的第一决策树，并根据优化后的第一决策树再次对训练付费特征集合进行预测，得到输出的预测付费特征。
S203：根据优化后的第一决策树输出的预测付费特征，和训练付费特征集合，采用循环神经网络模型，得到目标游戏的第五预测付费特征。
S204：根据验证付费特征集合和第五预测付费特征，对循环神经网络模型的参数进行优化。
预设循环神经网络模型的参数包括：input＿size输入特征的维度，lstm堆叠的层数，隐藏层的维度等，本申请在此不做任何限制。
S205：对优化后的第一决策树输出的预测付费特征和优化后的循环神经网络模型输出的预测付费特征进行加权计算。
其中，加权计算的结果即为最终得到的付费预测结果。
采用本申请提供的付费预测模型的训练方法，由于第一决策树模型是根据目标游戏的验证付费特征集合和训练付费特征集合不断优化得到的，并且将优化后的第一决策树模型输出的预测付费特征加入循环神经网络模型，并且根据验证付费特征集合和第五预测付费特征，对循环神经网络模型的参数进行优化，得到优化后的循环神经网络模型，随后，对优化后的第一决策树输出的预测付费特征和优化后的循环神经网络模型输出的预测付费特征进行加权计算，得到最终的付费预测结果，这样的训练方式会使得第一决策树模型和循环神经网络模型可以自动进行参数的优化，使得最终得到的模型均为优化后的模型，方便后续预测时的使用。
可选地，训练付费特征集合包括：至少一种类型的训练付费特征；各类特征的局部特征注意力权重包括：至少一种类型的训练付费特征的局部特征注意力权重，以及，第四预测付费特征的局部特征注意力权重。
图7为本申请另一实施例提供的一种付费预测模型的训练方法的流程示意图，如图7所示，S201之前，该方法还包括：
S206：将训练付费特征集合中的各训练付费特征，按照时间进行排序，得到多个时间信息对应的训练特征序列。
其中，每个时间信息对应的训练特征序列包括：至少一个训练付费特征，每个训练付费特征对应一种特征类型。训练付费特征集合包括：多个时间信息对应的训练特征序列。
对应地，S203可包括：
S207：循环神经网络模型根据训练付费特征集合、第四预测付费特征、各类特征的局部特征注意力权重以及每个时间信息对应的特征序列的全局时间注意力权重，得到第五预测付费特征。
循环神经网络模型的参数还包括：全局时间注意力权重。
其中，全局时间注意力权重可以引导模型更关注对结果影响较大的数据，举例说明：比如当前需要预测今年的双十一的付费值，此时去年双十一当天的付费值对结果的影响效果相对其他数据来说更大，而距离当前预测日期最近的两天数据反而不具有什么参考性，所以需要对不同的时间对应的数据设置不同的注意力权重。
图8为本申请另一实施例提供的一种付费预测模型的训练方法的流程示意图，付费预测模型包括：第二决策树模型；如图8所示，S203包括：
S208：根据优化后的第一决策树输出的预测付费特征，和训练付费特征集合，采用第二决策树模型，得到目标游戏的第六预测付费特征。
S209：根据验证付费特征集合和第六预测付费特征，对第二决策树模型的参数进行优化。
S210：根据优化后的第二决策树输出的预测付费特征和训练付费特征集合，采用循环神经网络模型，得到第五预测付费特征。
可选地，举例说明：假设第一决策树模型预测权重α为0.2，预测付费收入P1为1000000，第二决策树模型预测权重β为0.2，预测付费收入P2为1100000，循环神经网络模型预测权重γ为0.6，预测付费收入P3为1080000，最终模型预测结果为P。
P＝α＊P＿1+β＊P＿2+γ＊P＿3＝0.2＊1000000+0.2＊1100000+0.6＊1080000＝1068000
但是具体各模型的预测结果的权重设置可以根据用户需要设计，并不以上述实施例给出的为限。
图9为本申请另一实施例提供的一种付费预测模型的训练方法的流程示意图，如图9所示，S201之前，该方法还包括：
S211：获取目标游戏的样本付费特征集合。
S212：根据预设划分规则，将样本付费特征集合划分为多个特征集合。
其中，多个特征集合包括：训练付费特征集合和验证付费特征集合。
可选地，在本申请的一个实施例中，可以根据样本付费特征集合中付费特征的时间信息，以及预设的划分比例，将样本付费特征信息集合划分为多个特征集合。
可选地，在本申请的一个实施例中，目标游戏的待训练样本集中包括：训练付费特征集合和验证付费特征集合；在获取到目标游戏的待训练样本集后，需要对待训练样本集根据上述图1提供的方法，进行数据转换操作。随后对数据转换后的待训练样本集按照时间顺序进行排序，并且根据预设比例，将数据转换后的待训练样本集分为训练付费特征集合和验证付费特征集合；其中，预设比例可以根据用户需要调整，在本申请的一个实施例中，预设比例为7：3，即经过数据转换且排序后的待训练样本集按照时间从前到后的顺序，将前70％划分为训练付费特征集合，后30％划分为验证付费特征集合；训练付费特征集合和验证付费特征集合主要用于计算损失函数值，从而对第一决策树的参数进行优化拟合，直至基于优化拟合参数后的第一决策树，所得到的损失函数值收敛。
其中，在本申请的一个实施例中，预测付费特征为优化后的第一决策树模型对训练付费特征集合进行处理后得到的，也可为优化后的第一决策树模型对目标游戏的待训练样本集进行处理后得到的，具体可以根据用户需要设计，并不以上述两个实施例为限。
可选地，在本申请的一个实施例中，多个特征集合还包括：测试付费特征集合。
在获取到目标游戏的待训练样本集后，需要对待训练样本集根据上述图1提供的方法，进行数据转换操作。随后对数据转换后的待训练样本集按照时间顺序进行排序，并且根据预设比例，将数据转换后的待训练样本集分为训练付费特征集合、验证付费特征集合和测试付费特征集合；其中，预设比例可以根据用户需要调整，在本申请的一个实施例中，预设比例为6：2：2，即经过数据转换且排序后的待训练样本集按照时间从前到后的顺序，将前60％划分为训练付费特征集合，中间20％划分为验证付费特征集合，最后20％划分为测试付费特征集合。
训练过程中，先通过训练付费特征集合和验证付费特征集合主要用于计算损失函数值，从而对第一决策树的参数进行优化拟合，直至基于优化拟合参数后的第一决策树，所得到的损失函数值收敛，再根据测试付费特征集合，采用优化后的第一决策树，得到第一决策树的预测特征。随后根据第一决策树的预测特征和测试付费特征集合，采用优化后的循环神经网络模型，得到循环神经网络的预测特征。最后根据第一决策树的预测特征、循环神经网络的预测特征进行加权计算，得到目标游戏在测试过程中的付费预测结果，测试过程中的付费预测结果包括：加权计算后的预测特征。
采用本申请提供的付费预测模型的训练方法，由于各模型都是经过自身优化后得到的，并且优化后的模型输出的预测数据会作为新的样本数据，和原始样本付费特征集合一同输入至下一个模型中，所以使得预测模型更加具有泛化性能。弥补了树模型对时间趋势不敏感，长时储存信息减弱的缺点，同时在循环神经网络模型引入了全局时间注意力和局部特征注意力的混合注意力机制，加强了循环神经网络模型对与付费强相关因素的捕获。全局时间注意力机制可以引导模型更加关注对输出序列影响较大的序列，在每个时间序列中添加了局部特征注意力机制可以引导模型更加关注对输出变量影响较大的特征，这样能使预测模型的结果会更加准确。
图10为本申请一实施例提供的一种游戏付费预测装置的结构示意图，应用于付费预测模型，如图10所示，付费预测模型包括：第一决策树模型和循环神经网络模型；装置包括：预测模块301和计算模块302，其中：
预测模块301，用于根据目标游戏的付费特征集合，采用第一决策树模型，得到目标游戏的第一预测付费特征。
预测模块301，用于根据付费特征集合和第一预测付费特征，采用循环神经网络模型，得到目标游戏的第二预测付费特征；其中，预设循环神经网络模型用于确定付费特征集合和第一预测付费特征中，各类特征的局部特征注意力权重，并根据付费特征集合、第一预测付费特征和各类特征的局部特征注意力权重、得到第二预测付费特征。
计算模块302，用于对第一预测付费特征和第二预测付费特征进行加权计算，得到目标游戏的付费预测结果；其中，付费预测结果包括：加权计算得到的预测付费特征。
图11为本申请另一实施例提供的一种游戏付费预测装置的结构示意图，应用于付费预测模型，如图11所示，装置还包括：排序模块303，用于将付费特征集合中的各付费特征，按照时间进行排序，得到多个时间信息对应的特征序列，每个时间信息对应的特征序列包括：至少一个付费特征，每个付费特征对应一种特征类型。
付费特征集合包括：多个时间信息对应的特征序列。
可选地，预测模块301，还用于根据付费特征集合、第一预测付费特征、各类特征的局部特征注意力权重以及每个时间信息对应的特征序列的全局时间注意力权重，得到第二预测付费特征。
可选地，预测模块301，还用于根据付费特征集合和第一预测付费特征，采用第二决策树模型，得到目标游戏的第三预测付费特征；
预测模块301，还用于根据付费特征集合和第三预测付费特征，采用循环神经网络模型，得到第二预测付费特征；
计算模块302，还用于对第一预测付费特征、第二预测付费特征和第三预测付费特征进行加权计算，得到目标游戏的付费预测结果。
可选地，第二预测付费特征包括：至少一个预测时间步长对应的预测付费特征；计算模块302，还用于对第一预测付费特征和每个预测时间步长对应的预测付费特征进行加权计算，得到每个预测时间步长对应的付费预测结果。
上述装置用于执行前述图1－图4实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
图12为本申请一实施例提供的一种付费预测模型的训练装置的结构示意图，如图12所示，付费预测模型包括：第一决策树模型和循环神经网络模型，装置包括：预测模块401、优化模块402和计算模块403，其中：
预测模块401，用于根据目标游戏的训练付费特征集合，采用第一决策树模型，得到目标游戏的第四预测付费特征。
优化模块402，用于根据目标游戏的验证付费特征集合和第四预测付费特征，对第一决策树的参数进行优化。
预测模块401，还用于根据优化后的第一决策树输出的预测付费特征，和训练付费特征集合，采用循环神经网络模型，得到目标游戏的第五预测付费特征。
优化模块402，还用于根据验证付费特征集合和第五预测付费特征，对循环神经网络模型的参数进行优化。
计算模块403，用于对优化后的第一决策树输出的预测付费特征和优化后的循环神经网络模型输出的预测付费特征进行加权计算。
图13为本申请另一实施例提供的一种付费预测模型的训练装置的结构示意图，如图13所示，装置还包括排序模块404，用于将训练付费特征集合中的各训练付费特征，按照时间进行排序，得到多个时间信息对应的训练特征序列，每个时间信息对应的训练特征序列包括：至少一个训练付费特征，每个训练付费特征对应一种特征类型。
训练付费特征集合包括：多个时间信息对应的训练特征序列。
可选地，预测模块401，还用于根据训练付费特征集合、第一预测付费特征、各类特征的局部特征注意力权重以及每个时间信息对应的特征序列的全局时间注意力权重，得到第五预测付费特征。
循环神经网络模型的参数还包括：全局时间注意力权重。
可选地，付费预测模型包括：第二决策树模型；预测模块401，还用于根据优化后的第一决策树输出的预测付费特征，和训练付费特征集合，采用第二决策树模型，得到目标游戏的第六预测付费特征。
优化模块402，还用于根据验证付费特征集合和第六预测付费特征，对第二决策树模型的参数进行优化。
预测模块401，还用于根据训练付费特征集合和第六预测付费特征，采用循环神经网络模型，得到第五预测付费特征。
图14为本申请另一实施例提供的一种付费预测模型的训练装置的结构示意图，如图14所示，装置还包括：获取模块405和划分模块406，其中：
获取模块405，用于获取目标游戏的样本付费特征集合。
划分模块406，用于根据预设划分规则，将样本付费特征集合划分为多个特征集合，多个特征集合包括：训练付费特征集合和验证付费特征集合。
可选地，划分模块406，还用于根据样本付费特征集合中付费特征的时间信息，以及预设的划分比例，将样本付费特征信息集合划分为多个特征集合。
可选地，多个特征集合还包括：测试付费特征集合。
预测模块401，还用于根据测试付费特征集合，采用优化后的第一决策树，得到第一决策树的预测特征。
预测模块401，还用于根据第一决策树的预测特征和测试付费特征集合，采用优化后的循环神经网络模型，得到循环神经网络的预测特征。
计算模块403，还用于根据第一决策树的预测特征、循环神经网络的预测特征进行加权计算，得到目标游戏在测试过程中的付费预测结果，测试过程中的付费预测结果包括：加权计算后的预测特征。
上述装置用于执行前述图5－图8实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system－on－a－chip，简称SOC)的形式实现。
图15为本申请一实施例提供的一种游戏付费预测设备的结构示意图，该游戏付费预测设备可以集成于游戏付费预测终端、或者游戏付费预测终端的芯片、游戏付费预测服务器或者游戏付费预测服务器的芯片。
该游戏付费预测设备包括：处理器501、存储介质502和总线503。
存储介质502存储有处理器501可执行的机器可读指令，处理器501与存储介质502之间通过总线503通信，处理器501执行机器可读指令，以执行上述图1－图9中任一所示方法的实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本申请还提供一种程序产品，例如存储介质，该存储介质上存储有计算机程序，包括程序，该程序在被处理器运行时执行上述图1－图9任一所示方法对应的实施例。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read－Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (19)

1.一种游戏付费预测方法，其特征在于，应用于付费预测模型，所述付费预测模型包括：第一决策树模型和预设循环神经网络模型；所述方法包括：
根据目标游戏的付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第一预测付费特征；
根据所述付费特征集合和所述第一预测付费特征，采用所述循环神经网络模型，得到所述目标游戏的第二预测付费特征；其中，所述预设循环神经网络模型用于确定所述付费特征集合和所述第一预测付费特征中，各类特征的局部特征注意力权重，并根据所述付费特征集合、所述第一预测付费特征和所述各类特征的局部特征注意力权重，得到所述第二预测付费特征；
对所述第一预测付费特征和所述第二预测付费特征进行加权计算，得到所述目标游戏的付费预测结果。
2.如权利要求1所述的方法，其特征在于，所述付费特征集合包括：至少一种类型的付费特征；
所述各类特征的局部特征注意力权重包括：所述至少一种类型的付费特征的局部特征注意力权重，以及，所述第一预测付费特征的局部特征注意力权重。
3.如权利要求1所述的方法，其特征在于，所述付费特征集合中包括下述至少一种特征：历史付费特征、未来时间内的预期付费特征、趋势特征。
4.如权利要求1所述的方法，其特征在于，所述根据目标游戏的付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第一预测付费特征之前，所述方法还包括：
将所述付费特征集合中的各付费特征，按照时间进行排序，得到多个时间信息对应的特征序列，每个时间信息对应的特征序列包括：至少一个付费特征，每个付费特征对应一种特征类型；
所述付费特征集合包括：所述多个时间信息对应的特征序列。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
所述循环神经网络模型用于根据所述付费特征集合、所述第一预测付费特征、所述各类特征的局部特征注意力权重以及所述每个时间信息对应的特征序列的全局时间注意力权重，得到所述第二预测付费特征。
6.如权利要求1所述的方法，其特征在于，所述付费预测模型包括：第二决策树模型，所述根据所述付费特征集合和所述第一预测付费特征，采用所述循环神经网络模型，包括：
根据所述付费特征集合和所述第一预测付费特征，采用所述第二决策树模型，得到所述目标游戏的第三预测付费特征；
根据所述付费特征集合和所述第三预测付费特征，采用所述循环神经网络模型，得到所述第二预测付费特征；
所述对所述第一预测付费特征和所述第二预测付费特征进行加权计算，得到所述目标游戏的付费预测结果，包括：
对所述第一预测付费特征、所述第二预测付费特征和所述第三预测付费特征进行加权计算，得到所述目标游戏的付费预测结果。
7.如权利要求1所述的方法，其特征在于，所述第二预测付费特征包括：至少一个预测时间步长对应的预测付费特征；
所述对所述第一预测付费特征和所述第二预测付费特征进行加权计算，得到所述目标游戏的付费预测结果，包括：
对所述第一预测付费特征和每个预测时间步长对应的预测付费特征进行加权计算，得到所述每个预测时间步长对应的付费预测结果。
8.一种付费预测模型的训练方法，其特征在于，所述付费预测模型包括：第一决策树模型和预设循环神经网络模型，所述模型的训练方法包括：
根据目标游戏的训练付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第四预测付费特征；
根据所述目标游戏的验证付费特征集合和所述第四预测付费特征，对所述第一决策树的参数进行优化；
根据优化后的所述第一决策树输出的预测付费特征，和所述训练付费特征集合，采用所述循环神经网络模型，得到所述目标游戏的第五预测付费特征；
根据所述验证付费特征集合和所述第五预测付费特征，对所述循环神经网络模型的参数进行优化；
对优化后的第一决策树输出的预测付费特征和优化后的循环神经网络模型输出的预测付费特征进行加权计算。
9.如权利要求8所述的方法，其特征在于，所述训练付费特征集合包括：至少一种类型的训练付费特征；
各类特征的局部特征注意力权重包括：所述至少一种类型的训练付费特征的局部特征注意力权重，以及，所述第四预测付费特征的局部特征注意力权重。
10.如权利要求8所述的方法，其特征在于，所述根据目标游戏的训练付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第四预测付费特征之前，所述方法还包括：
将所述训练付费特征集合中的各训练付费特征，按照时间进行排序，得到多个时间信息对应的训练特征序列，每个时间信息对应的训练特征序列包括：至少一个训练付费特征，每个训练付费特征对应一种特征类型；
所述训练付费特征集合包括：所述多个时间信息对应的训练特征序列。
11.如权利要求10所述的方法，其特征在于，所述方法还包括：
所述循环神经网络模型用于根据所述训练付费特征集合、所述第四预测付费特征、各类特征的局部特征注意力权重以及所述每个时间信息对应的特征序列的全局时间注意力权重，得到所述第五预测付费特征；
所述循环神经网络模型的参数还包括：所述全局时间注意力权重。
12.如权利要求8所述的方法，其特征在于，所述付费预测模型包括：第二决策树模型；所述根据优化后的所述第一决策树输出的预测付费特征，和所述训练付费特征集合，采用所述循环神经网络模型，得到所述目标游戏的第五预测付费特征，包括：
根据优化后的所述第一决策树输出的预测付费特征，和所述训练付费特征集合，采用所述第二决策树模型，得到所述目标游戏的第六预测付费特征；
根据所述验证付费特征集合和所述第六预测付费特征，对所述第二决策树模型的参数进行优化；
根据优化后的所述第二决策树输出的预测付费特征和所述训练付费特征集合，采用所述循环神经网络模型，得到所述第五预测付费特征。
13.根据权利要求8－12中任一所述的方法，其特征在于，所述根据目标游戏的训练付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第四预测付费特征之前，所述方法还包括：
获取所述目标游戏的样本付费特征集合；
根据预设划分规则，将所述样本付费特征集合划分为多个特征集合，所述多个特征集合包括：所述训练付费特征集合和所述验证付费特征集合。
14.根据权利要求13所述的方法，其特征在于，根据预设划分规则，将所述本付费特征集合划分为多个特征集合，包括：
根据所述样本付费特征集合中付费特征的时间信息，以及预设的划分比例，将所述样本付费特征信息集合划分为所述多个特征集合。
15.根据权利要求13所述的方法，其特征在于，所述多个特征集合还包括：测试付费特征集合；
根据所述测试付费特征集合，采用优化后的所述第一决策树，得到所述第一决策树的预测特征；
根据所述第一决策树的预测特征和所述测试付费特征集合，采用优化后的所述循环神经网络模型，得到所述循环神经网络的预测特征；
根据所述第一决策树的预测特征、所述循环神经网络的预测特征进行加权计算，得到所述目标游戏在测试过程中的付费预测结果，所述测试过程中的付费预测结果包括：所述加权计算后的预测特征。
16.一种游戏付费预测装置，应用于付费预测模型，其特征在于，所述付费预测模型包括：第一决策树模型和预设循环神经网络模型；所述装置包括：预测模块和计算模块，其中：
所述预测模块，用于根据目标游戏的付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第一预测付费特征；
所述预测模块，用于根据所述付费特征集合和所述第一预测付费特征，采用所述循环神经网络模型，得到所述目标游戏的第二预测付费特征；其中，所述预设循环神经网络模型用于确定所述付费特征集合和所述第一预测付费特征中，各类特征的局部特征注意力权重，并根据所述付费特征集合、所述第一预测付费特征和所述各类特征的局部特征注意力权重、得到所述第二预测付费特征；
所述计算模块，用于对所述第一预测付费特征和所述第二预测付费特征进行加权计算，得到所述目标游戏的付费预测结果。
17.一种付费预测模型的训练装置，其特征在于，所述付费预测模型包括：第一决策树模型和预设循环神经网络模型，所述装置包括：预测模块、优化模块和计算模块，其中：
所述预测模块，用于根据目标游戏的训练付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第四预测付费特征；
所述优化模块，用于根据所述目标游戏的验证付费特征集合和所述第四预测付费特征，对所述第一决策树的参数进行优化；
所述预测模块，还用于根据优化后的所述第一决策树输出的预测付费特征，和所述训练付费特征集合，采用所述循环神经网络模型，得到所述目标游戏的第五预测付费特征；
所述优化模块，还用于根据所述验证付费特征集合和所述第五预测付费特征，对所述循环神经网络模型的参数进行优化；
所述计算模块，用于对优化后的第一决策树输出的预测付费特征和优化后的循环神经网络模型输出的预测付费特征进行加权计算。
18.一种游戏付费预测设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行上述权利要求1－15任一项所述的方法。
19.一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述权利要求1－15任一项所述的方法。
CN202010180136.0A 2020-03-13 2020-03-13 游戏付费预测方法、模型训练方法及装置 Pending CN111408143A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010180136.0A CN111408143A (zh) 2020-03-13 2020-03-13 游戏付费预测方法、模型训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010180136.0A CN111408143A (zh) 2020-03-13 2020-03-13 游戏付费预测方法、模型训练方法及装置

Publications (1)

Publication Number Publication Date
CN111408143A true CN111408143A (zh) 2020-07-14

Family

ID=71486216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010180136.0A Pending CN111408143A (zh) 2020-03-13 2020-03-13 游戏付费预测方法、模型训练方法及装置

Country Status (1)

Country Link
CN (1) CN111408143A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111803957A (zh) * 2020-07-17 2020-10-23 网易（杭州）网络有限公司 一种网络游戏的玩家预测方法、装置、计算机设备和介质
CN112330368A (zh) * 2020-11-16 2021-02-05 腾讯科技（深圳）有限公司 一种数据处理方法、系统及存储介质和终端设备
CN112446763A (zh) * 2020-11-27 2021-03-05 广州三七互娱科技有限公司 服务推荐方法、装置及电子设备
CN112446764A (zh) * 2020-11-30 2021-03-05 广州三七互娱科技有限公司 游戏商品推荐方法、装置及电子设备

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111803957A (zh) * 2020-07-17 2020-10-23 网易（杭州）网络有限公司 一种网络游戏的玩家预测方法、装置、计算机设备和介质
CN111803957B (zh) * 2020-07-17 2024-02-09 网易（杭州）网络有限公司 一种网络游戏的玩家预测方法、装置、计算机设备和介质
CN112330368A (zh) * 2020-11-16 2021-02-05 腾讯科技（深圳）有限公司 一种数据处理方法、系统及存储介质和终端设备
CN112330368B (zh) * 2020-11-16 2024-04-09 腾讯科技（深圳）有限公司 一种数据处理方法、系统及存储介质和终端设备
CN112446763A (zh) * 2020-11-27 2021-03-05 广州三七互娱科技有限公司 服务推荐方法、装置及电子设备
CN112446764A (zh) * 2020-11-30 2021-03-05 广州三七互娱科技有限公司 游戏商品推荐方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN111408143A (zh) 游戏付费预测方法、模型训练方法及装置
US7328218B2 (en) Constrained tree structure method and system
Conrad et al. How do analyst recommendations respond to major news?
Cheng et al. Towards better forecasting by fusing near and distant future visions
CN109325640A (zh) 用户价值预测方法、装置、存储介质及设备
CN109815631A (zh) 一种游戏数据的处理方法和装置
Hopp Economic nowcasting with long short-term memory artificial neural networks (LSTM)
CN102930155A (zh) 获取电力需求的预警参数的方法及装置
CN110827143A (zh) 训练信用评分模型的方法、装置及设备
CN111737646A (zh) 广告推广的效果评估数据处理方法、系统和存储介质
CN112418485A (zh) 基于负荷特性和用电行为模式的家庭负荷预测方法及系统
Feldkircher et al. Approximate Bayesian inference and forecasting in huge‐dimensional multicountry VARs
CN110910036A (zh) 引导用户行为的资源份额发放方法和装置
CN113450158A (zh) 银行活动信息推送方法及装置
Mahalingam et al. Predicting financial savings decisions using sigmoid function and information gain ratio
Ozcan et al. The resource curse phenomenon in the case of precious metals: A panel evidence from top 19 exporting countries
Neels et al. Economic cycles and entry into parenthood: is the association changing and does it affect macro-level trends? Micro-level hazard and simulation models of Belgian fertility trends, 1960–2010
Li et al. Investor Sentiment, Behavioral Heterogeneity and Stock Market Dynamics
CN113420789A (zh) 一种预测风险账号的方法、装置、存储介质和计算机设备
KR20210125773A (ko) Lstm 신경망과 텍스트 마이너를 이용한 주가 실시간 예측 시스템
Gregoir et al. The Negative and Persistent Impact of Social Housing on Employment
Lloyd et al. Emergent Outcomes of the veToken Model
Marty et al. 8 Survey on the Timing of Cyclical Turning Points
Li et al. Behavioral heterogeneity and financial crisis: The role of sentiment
En IS STOCK PRICES REFLECTED IN MARKET RATIOS?

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