CN111803957B - 一种网络游戏的玩家预测方法、装置、计算机设备和介质 - Google Patents
一种网络游戏的玩家预测方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN111803957B CN111803957B CN202010694180.3A CN202010694180A CN111803957B CN 111803957 B CN111803957 B CN 111803957B CN 202010694180 A CN202010694180 A CN 202010694180A CN 111803957 B CN111803957 B CN 111803957B
- Authority
- CN
- China
- Prior art keywords
- data
- game
- target
- probability
- player
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 94
- 238000011156 evaluation Methods 0.000 claims description 41
- 238000013210 evaluation model Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006872 improvement Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 4
- 230000002354 daily effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本申请提供了一种网络游戏的玩家预测方法、装置、计算机设备和介质，所述方法包括：获取目标游戏中的第一通用属性数据和所述目标玩家的通用游戏消费数据；将所述第一通用属性数据和所述通用游戏消费数据输入至训练好的预测模型，得到所述目标游戏中所述目标玩家的流失概率和付费概率。本申请实施例通过上述第一通用属性数据和通用游戏消费数据这两种通用数据，实现了对不同的网络游戏的玩家预测。通过将上述第一通用属性数据和通用游戏消费数据这两种通用数据，同时输入到一个训练好的预测模型，实现了同时计算得到对目标玩家的流失概率和付费概率进行预测，实现了同时预测目标玩家的流失概率和付费概率，提高了对目标玩家的预测效率。
Description
技术领域
本申请涉及游戏预测领域，具体而言，涉及一种网络游戏的玩家预测方法、装置、计算机设备和介质。
背景技术
在当今社会，科学技术的不断更替，能够适用于智能终端设备中的网络游戏也在飞速的发展，网络游戏走入人们的生活，玩家在网络游戏中可以与天各一方的伙伴一起玩耍、交流，缩短了人与人之间的距离，给玩家提供了更便捷的交友方式。
就网络游戏的游戏开发商而言，如何留住网络游戏的玩家是他们所需要考虑的问题。因此，游戏开发商会根据网络游戏运行之后的数据，来对玩家进行预测，根据预测结果来减少玩家的流失。
发明内容
本案申请人在长期的研发过程中发现，相关技术中的方案至少存在以下不足：一方面，仅能单一地预测玩家流失概率或付费概率；一方面，可拓展性能差，不能很好的适配不同的游戏。有鉴于此，本申请的目的在于提供一种网络游戏的玩家预测方法、装置、计算机设备和介质，用于解决现有技术中不能对一个游戏同时预测流失概率和付费概率，以及不能很好的适配不同的游戏的问题。
第一方面，本申请实施例提供了一种网络游戏的玩家预测方法，包括：
获取目标游戏中目标玩家的第一通用属性数据和所述目标玩家的通用游戏消费数据；
将所述第一通用属性数据和所述通用游戏消费数据输入至训练好的预测模型，得到所述目标游戏中所述目标玩家的流失概率和付费概率。
可选的，所述第一通用属性数据包括以下数据中的任意一种或多种：
所述目标玩家的职业、性别、玩家等级、VIP等级、在线时长、角色创建时间、角色所在服务器、角色经验、当日充值金额、累计充值金额、当日消费金额、累计消费金额和游戏角色ID号。
可选的，所述通用游戏消费数据包括以下数据中的任意一种或多种：
购买道具的道具名称数据、购买道具的金额数据、购买道具的时间数据和购买道具的时间间隔数据。
可选的，将所述第一通用属性数据和所述通用游戏消费数据输入至训练好的预测模型，得到所述目标游戏中所述目标玩家的流失概率和付费概率，包括：
将所述第一通用属性数据中的职业、性别、在线时长和游戏角色ID号均输入至第一特征评价模型中，得到关于所述第一通用属性数据的第一评价结果；
将所述通用游戏消费数据中的购买道具的道具名称数据、购买道具的金额数据、购买道具的时间数据和购买道具的时间间隔数据分别输入至不同的评价模型中，得到每个数据对应的评价结果；
根据所述购买道具的道具名称数据、所述购买道具的金额数据、所述购买道具的时间数据和购买道具的时间间隔数据分别对应的评价结果，和所述第一通用属性数据对应的所述第一评价结果，计算得到所述目标游戏中所述目标玩家的流失概率和付费概率。
可选的，将所述第一通用属性数据和所述通用游戏消费数据输入至训练好的预测模型，得到所述目标游戏中所述目标玩家的流失概率和付费概率，包括：
将所述第一通用属性数据、游戏角色的第二通用属性数据和所述通用游戏消费数据输入至训练好的预测模型，得到所述目标游戏中所述目标玩家的流失概率和付费概率。
可选的，所述第二通用属性数据包括以下数据中的任意一种或多种：
游戏角色的名称数据、游戏角色的装备数据和游戏角色的技能数据。
可选的，所述预测模型是通过如下步骤训练得到的：
获取训练样本集合；所述样本集合中包括至少一个训练样本，每个训练样本中包括第一训练数据和第二训练数据；所述第一训练数据包括玩家的第一通用属性数据和玩家的通用游戏消费数据；所述第二训练数据包括该玩家的流失标签和付费标签；
针对每一个训练样本，将该训练样本中所述第一训练数据和所述第二训练数据同时输入至待训练的预测模型，对所述待训练的预测模型进行训练。
可选的，针对每一个训练样本，将该训练样本中所述第一训练数据和所述第二训练数据同时输入至待训练的预测模型，对所述待训练的预测模型进行训练，包括：
针对每一个训练样本，根据所述第一训练数据的计算结果与所述第二训练数据之间的比较结果，调整所述待训练的预测模型中每个特征的权重值，以对待训练的预测模型进行训练，直至正样本的计算结果与负样本之间的比较结果达到预设精度。
可选的，所述方法还包括：
根据所述流失概率和所述付费概率，确定向所述目标玩家推送关于所述目标游戏的消息。
可选的，所述关于所述目标游戏的消息包括以下消息中的任意一种或多种：
关于所述目标游戏的优惠策略和关于所述目标游戏的改进策略。
可选的，所述优惠策略包括以下策略中的任意一种或多种：
提供抽奖活动、提供游戏特权、加大道具折扣。
可选的，所述改进策略包括以下策略中的任意一种或多种：
优化游戏页面、增加游戏关卡和提高游戏流畅速度。
可选的，根据所述流失概率和所述付费概率，确定向所述目标玩家推送关于所述目标游戏的消息，包括：
若所述目标玩家的所述流失概率小于第一流失概率预设值，以及所述付费概率小于第一付费概率预设值，则确定向所述目标玩家推送一种优惠策略；
若所述目标玩家的所述流失概率大于第一流失概率预设值并小于第二流失概率预设值，以及所述付费概率小于第一付费概率预设值并小于第二付费概率预设值，则确定向所述目标玩家同时推送两种优惠策略；
若所述目标玩家的所述流失概率大于第二流失概率预设值，以及所述付费概率大于第二付费概率预设值，则确定向所述目标玩家同时推送三种优惠策略。
可选的，根据所述流失概率和所述付费概率，确定向所述目标玩家推送关于所述目标游戏的消息，包括：
若所述目标玩家的所述流失概率大于第三流失概率预设值，以及所述付费概率大于第三付费概率预设值，则确定向所述目标玩家推送关于所述目标游戏的优惠策略和关于所述目标游戏的改进策略。
可选的，获取目标游戏中目标玩家的第一通用属性数据和所述目标玩家的通用游戏消费数据，包括：
从所述目标游戏的数据库中获取所述目标玩家所对应的日志数据；
从所述日志数据中筛选出所述目标玩家所对应的待处理的第一通用属性数据和待处理的通用游戏消费数据，按照标准格式将所述待处理的第一通用属性数据和所述待处理的通用游戏消费数据，调整为标准格式的所述第一通用属性数据和标准格式的所述通用游戏消费数据。
第二方面，本申请实施例提供了一种消息推动的装置，包括：
获取模块，用于获取目标游戏中目标玩家的第一通用属性数据和所述目标玩家的通用游戏消费数据；
计算模块，用于将所述第一通用属性数据和所述通用游戏消费数据输入至训练好的预测模型，得到所述目标游戏中所述目标玩家的流失概率和付费概率。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述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上述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读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方法的步骤。
本申请实施例提出的一种网络游戏的玩家预测方法，首先，获取目标游戏中目标玩家的第一通用属性数据和所述目标玩家的通用游戏消费数据；然后，将所述第一通用属性数据和所述通用游戏消费数据输入至训练好的预测模型，得到所述目标游戏中所述目标玩家的流失概率和付费概率。
在某种实施方式下，本申请所提供的方法，通过目标玩家的第一通用属性数据和通用游戏消费数据，获取到了多种影响流失概率和付费概率的通用数据，通过上述第一通用属性数据和通用游戏消费数据这两种通用数据，实现了对不同的网络游戏的玩家预测。通过将上述第一通用属性数据和通用游戏消费数据这两种通用数据，同时输入到一个训练好的预测模型，实现了同时计算得到对目标玩家的流失概率和付费概率进行预测，实现了同时预测目标玩家的流失概率和付费概率，提高了对目标玩家的预测效率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
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为本申请实施例提供的一种网络游戏的玩家预测方法的流程示意图；
图2为本申请实施例提供的一种计算流失概率和付费概率的方法的流程示意图；
图3为本申请实施例提供的一种网络游戏的玩家预测装置的结构示意图；
图4为本申请实施例提供的一种计算机设备的结构示意图。
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一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在现有技术中，游戏开发商为了留住网络游戏的玩家，会为根据网络游戏的运行数据对玩家进行预测，预测出玩家可能流失的一部分用户，进而对游戏进行适应性的调整。但是，现在对玩家进行预测时，所用到的预测数据基本上都是经过专家进行分析过后，得到的被预测玩家所玩的网络游戏独有的数据，用网络游戏所独有的数据进行预测，预测结果可能会比较接近该网络游戏的情况，对其他网络游戏并不能很好的适配。并且，现有的方案中技能对游戏玩家的流失概率或付费概率进行单一预测，预测效率较低。
本申请实施例提供了一种网络游戏的玩家预测方法，如图1所示，包括以下步骤：
步骤S101，获取目标游戏中目标玩家的第一通用属性数据和目标玩家的通用游戏消费数据；
步骤S102，将第一通用属性数据和通用游戏消费数据输入至训练好的预测模型，得到目标游戏中目标玩家的流失概率和付费概率。
在本申请实施例中，目标游戏可以是任何一款可以对玩家进行预测的游戏。目标玩家可以是使用过目标游戏的玩家，目标玩家是根据预设规则所确定出来的，一般游戏开发商所需要预测的是比较活跃的玩家的流失概率和付费概率，因此，在确定需要被预测的目标玩家时可能会根据活跃状态标识来筛选目标玩家，活跃状态标识可以是在过去的一段时间内登录游戏的时长(如，在过去一周内登录时间为3天)。目标玩家的第一通用属性数据可以是与目标玩家相关的基本信息，第一通用属性数据可以包括以下数据中的任意一种或多种：目标玩家的职业、性别、玩家等级、VIP等级、在线时长、角色创建时间、角色所在服务器、角色经验、当日充值金额，累计充值金额、当日消费金额、累计消费金额和游戏角色ID号。其中，目标玩家的职业指的是目标玩家在现实生活中的职业，如，医生。目标玩家的性别指的是目标玩家在现实生活中的性别，如，男。目标玩家的在线时长是目标玩家在一天内登录目标游戏的时长，如，10小时。目标玩家的游戏角色ID号是目标玩家在游戏中所控制的目标游戏角色的唯一标识，如，妲己_1213。角色创建时间是目标玩家获取到游戏角色最开始的时刻值，如，目标玩家在2019年10月31日获得了鲁班的游戏角色，则鲁班的创建时间就是2019年10月31日。角色所在服务器是游戏角色在游戏过程中控制该游戏角色的服务器。角色经验值表征的是在游戏角色过程中所获得的经验，角色经验值达到一定程度后会提升游戏角色的等级。当日充值金额指的是目标玩家当日向目标游戏进行充值的金额。累计充值金额指的是目标玩家自首次登陆目标游戏起，截止到当前时刻所向目标游戏进行充值的金额。当日消费金额指的是目标玩家当日在目标游戏中所消费的金额。累计消费金额指的是目标玩家自首次登陆目标游戏起，截止到当前时刻在目标游戏中所消费的金额。玩家等级是根据目标玩家在目标游戏中累计的经验值确定的等级。VIP等级是根据目标玩家向目标游戏中进行充值的充值金额确定的等级。由上述内容可知，第一通用属性数据是大多数网络游戏中普遍存在的数据，是很容易就能够被获取到的。
通用游戏消费数据可以是玩家在游戏中用现金购买道具的数据，或者是玩家控制虚拟角色与其他虚拟角色之间进行等价交换的数据，通用游戏消费数据可以包括以下数据中的任意一种或多种：购买道具的道具名称数据、购买道具的金额数据、购买道具的时间数据和购买道具的时间间隔数据。其中，购买道具的道具名称数据指的是目标玩家在游戏商城中购买的道具的道具名称，如，屠龙刀；或者，是目标玩家控制目标游戏角色与其他游戏角色交换得到的道具的道具名称，如，屠龙刀。购买道具的金额数据指的是购买道具所花费的现金金额，如，10元；或者，目标游戏角色与其他游戏角色进行等价交换所花费的虚拟金额，如，100金币。购买道具的时间数据指的是购买道具的时刻，如，10月02号15点整；或者，目标游戏角色与其他游戏角色进行等价交换的时刻，如，10月02号15点整。购买道具的时间间隔数据指的是目标玩家两次购买道具的时间的时间间隔，如，第一次购买的时刻是10月02号15点整，第二次购买的时刻是10月02号17点整，则时间间隔为2小时。目标游戏角色是目标玩家所控制的游戏角色，其他虚拟角色是其他玩家所控制的虚拟角色。由上述内容可知，通用游戏消费数据是大多数网络游戏中普遍存在的数据，是很容易就能够被获取到的。
第一通用属性数据和通用游戏消费数据每天都会生成新的数据，如果将目标游戏中与目标玩家相关的第一通用属性数据和通用游戏消费数据都获取到，数据量会太多，且比较久远的历史数据可能并不会对预测效果产生很大的作用，因此，获取第一通用属性数据和通用游戏消费数据时，可以通过有效数据时间来确定需要获取的第一通用属性数据和通用游戏消费数据。有效数据时间用来限制获取第一通用属性数据和通用游戏消费数据的范围，有效数据时间可以是过去的一周、10天等。
第一通用属性数据和通用游戏消费数据是从多种数据中抽取出来的关于玩家的通用特征数据，第一通用属性数据和通用游戏消费数据包含的数据的数据结构是不同的，因此，第一通用属性数据和通用游戏消费数据构成了多源异构数据。第一通用属性数据和通用游戏消费数据均是可以存储在HIVE分布式引擎中的，HIVE分布式引擎可以对数据进行处理，能够将数据结构不同的第一通用属性数据和通用游戏消费数据进行格式调整，以得到格式标准的数据。
在上述步骤S101中，在接受到预测请求后(预测请求中携带有活跃状态标识和有效数据时间)，根据活跃状态标识从目标游戏的玩家中确定出目标玩家，然后，在目标玩家相关的数据中获取有效数据时间内的第一通用属性数据和通用游戏消费数据。第一通用属性数据是目标玩家最基本的信息，通用游戏消费数据是目标玩家在目标游戏中进行消费的数据，以上这两种数据是大多数游戏中均具备的数据，很容易获取到。
在上述步骤S102中，预测模型用来对目标玩家的流失概率和付费概率进行计算。流失概率可以是目标玩家可能停止使用目标游戏的概率，付费概率可以是目标玩家可能在目标游戏中进行交易的概率。流失概率越高则该目标玩家越有可能停止使用该目标游戏，流失概率越低则该目标玩家越有可能继续使用该目标游戏。付费概率越高则该目标玩家越有可能在该目标游戏中进行交易，付费概率越低则该目标玩家越有可能不在该目标游戏中进行交易。且付费概率与流失概率成反比，付费概率越小说明目标玩家越不愿意为目标游戏进行投入，进而，目标玩家的流失概率越大；付费概率越大说明目标玩家越愿意为目标游戏进行投入，进而，目标玩家的流失概率越小。
具体实施时，将第一通用属性数据和通用游戏消费数据输入至一个训练好的预测模型中，可以计算得到关于目标玩家的流失概率和付费概率两个值。用一个训练好的预测模型计算得到两个不同的值，则这个训练好的预测模型是一个多任务学习模型。用一个预测模型同时得到两个预测结果，而不是一个预测结果一个预测结果的分开计算，节省了计算时间，提高了对目标玩家的预测效率。
本申请实施例中，上述两个步骤通过获取目标玩家的第一通用属性数据和通用游戏消费数据，获取到了多种能够影响流失概率和付费概率的普通数据，是大多数游戏均具备的数据，然后，根据第一通用属性数据和通用游戏消费数据对目标玩家的流失概率和付费概率进行预测，普通的数据不需要专业的技术人员对其进行分析，通过这种预测方法，可以更好的用于对多种不同的网络游戏的玩家预测，对普通数据的利用提高了本方法的可拓展性。本方案中，将第一通用属性数据和通用游戏消费数据输入到一个训练好的预测模型中，可以同时得到流失概率和消费概率两个值，而不是一个值一个值的进行计算，提高了计算效率。
本申请中，第一通用属性数据和通用游戏消费数据是在有效数据时间内所产生的数据，这些数据的数据量比较大，所能提取出来的特征多种多样，为了使得提取出的特征更准确，如图2所示，步骤S102，包括：
S1021，将第一通用属性数据中的职业、性别、在线时长和游戏角色ID号均输入至第一特征评价模型中，得到关于第一通用属性数据的第一评价结果；
S1022，将通用游戏消费数据中的购买道具的道具名称数据、购买道具的金额数据、购买道具的时间数据和购买道具的时间间隔数据分别输入至不同的评价模型中，得到每个数据对应的评价结果；
S1023，根据购买道具的道具名称数据、购买道具的金额数据、购买道具的时间数据和购买道具的时间间隔数据分别对应的评价结果，和第一通用属性数据对应的第一评价结果，计算得到目标游戏中目标玩家的流失概率和付费概率。
在上述步骤S1021中，第一特征评价模型用于对第一通用属性数据的特征评价，第一特征评价模型可以是一个卷积模型(例如，一维卷积模型)。第一通用属性数据中职业、性别和游戏角色ID号，基本上是不会随着时间的改变而改变的，只有第一通用属性数据中的在线时长可能会随着时间的改变而改变，因此，第一通用属性数据的数据量是较小的，将第一通用属性数据中的数据均输入至第一特征评价模型，就可以计算出关于第一通用属性数据的第一评价结果。
具体的，将第一通用属性数据中的职业、性别、在线时长和游戏角色ID号均输入至第一特征评价模型后，第一特征评价模型会将职业、性别、在线时长和游戏角色ID号这些数据进行特征提取，得到特征矩阵，该特征矩阵就是第一特征评价模型的第一评价结果。
在上述步骤S1022中，由于通用游戏消费数据中的每个数据都会随着时间的改变而改变，在一段时间内，会产生大量的数据，如果将大量且杂乱的数据都放在一个特征提取模型中进行特征提取，提取出来的特征可能会比较单一，也可能准确率较低。为了提高提取特征的准确度，将通用游戏消费数据中的购买道具的道具名称数据、购买道具的金额数据、购买道具的时间数据和购买道具的时间间隔数据分别输入至不同的特征评价模型中，提取出每个数据所对应的特征，这样，提取的特征会比较准确，进而得到每个数据对应的评价结果也是比较准确的。
具体的，针对通用游戏消费数据中的购买道具的道具名称数据、购买道具的金额数据、购买道具的时间数据和购买道具的时间间隔数据的每个数据，可以分别利用对应的LSTM(Long Short-Term Memory，长短期记忆网络)模型，进行特征提取，以得到对应的评价结果。即购买道具的道具名称数据利用第一LSTM模型，得到第二评价结果；购买道具的金额数据利用第二LSTM模型，得到第三评价结果；购买道具的时间数据利用第三LSTM模型，得到第四评价结果；购买道具的时间间隔数据利用第四LSTM模型，得到第五评价结果。
在上述步骤S1023中，根据每种数据的评价结果就可以计算出目标玩家的流失概率和付费概率了。
具体的，将第一评价结果、第二评价结果、第三评价结果、第四评价结果和第五评价结果进行拼接，得到拼接评价结果，然后，利用预测模型中的Attention机制进行重要特征提取，预测模型通过提取后的重要特征计算流失概率和付费概率。
在目标游戏所对应的数据中，还包括了目标玩家所对应的第二通用属性数据，第二通用属性数据可以是用来描述目标玩家所的控制的游戏角色的相关数据，第二通用属性数据也是比较普通的数据，在大多数网络游戏中均具备的数据，第二通用属性数据可以包括以下数据中的任意一种或多种：游戏角色的名称数据、游戏角色的装备数据和游戏角色的技能数据。其中，游戏角色的名称数据指的是目标游戏角色在目标游戏中所对应的角色，如，妲己。游戏角色的装备数据可以是目标玩家所控制的目标游戏角色在目标游戏中当前所拥有的装备的个数、装备的等级等，如，目标角色共有2个屠龙刀，且其中一个屠龙刀的等级是11级，另一个屠龙刀的等级是8级。游戏角色的技能数据可以是目标玩家所控制的目标游戏角色在目标游戏中所能释放出的技能的技能名称、等级等，如，技能为遮天蔽日，等级为8级。利用增加的第二通用属性数据来预测目标玩家的流失概率和付费概率，还包括：
步骤103，获取目标游戏中目标玩家的第二通用属性数据；
步骤S102，包括：
步骤1027，将第一通用属性数据、第二通用属性数据和通用游戏消费数据输入至训练好的预测模型，得到目标游戏中目标玩家的流失概率和付费概率。
在上述步骤103中，在本方案中除了需要获取目标玩家的第一通用属性数据和通用游戏消费数据的同时，还需要获取第二通用属性数据。第二通用属性数据可以是目标玩家所操控的游戏角色的基础数据，是大多数游戏中均具备的数据。第二通用属性数据也是可以存储在HIVE分布式引擎中的，第二通用属性数据的数据格式也可能与第一通用属性数据和通用游戏消费数据的数据格式不同，因此，第二通用属性数据也是需要HIVE分布式引擎进行数据处理，以使第二通用属性数据调整为标准格式的数据。
在上述步骤1027中，为了提高对目标玩家的流失概率和付费概率预测的准确性，可以将第一通用属性数据、第二通用属性数据和通用游戏消费数据同时输入至训练好的预测模型中，以计算目标玩家的流失概率和付费概率。增加关于第二通用属性数据，也就是增加了预测目标玩家的流失概率和付费概率所使用数据的种类，提高了流失概率和付费概率预测的准确性。
为了提高提取特征的准确性，可以采用如下步骤分别提取不同数据的特征：
步骤10271，将第一通用属性数据中的职业、性别、在线时长和游戏角色ID号，以及第二通用属性数据中的游戏角色的名称数据、游戏角色的装备数据和游戏角色的技能数据，均输入至第一特征评价模型中，得到关于第一通用属性数据的第一评价结果；
步骤10272，将通用游戏消费数据中的购买道具的道具名称数据、购买道具的金额数据、购买道具的时间数据和购买道具的时间间隔数据分别输入至不同的评价模型中，得到每个数据对应的评价结果；
步骤10273，根据购买道具的道具名称数据、购买道具的金额数据、购买道具的时间数据和购买道具的时间间隔数据分别对应的评价结果，和第一通用属性数据对应的第一评价结果，计算得到目标游戏中目标玩家的流失概率和付费概率。
在上述步骤10271中，第二通用属性数据中的游戏角色的名称数据、游戏角色的装备数据和游戏角色的技能数据，都是数据量较小的数据，因此，可以与第一通用属性数据中的职业、性别、在线时长和游戏角色ID号输入至第一特征评价模型，共同计算第一评价结果。
步骤10272-10273的详细论述可以参考上文中步骤1022-1023的论述内容。
训练好的模型是经过训练得到的，为了得到准确的流失概率和付费概率，需要利用大量的数据对待训练的模型进行训练，训练好的预测模型是通过如下步骤训练得到的：
步骤104，获取训练样本集合；样本集合中包括至少一个训练样本，每个训练样本中包括第一训练数据和第二训练数据；第一训练数据包括玩家的第一通用属性数据和玩家的通用游戏消费数据；第二训练数据包括该玩家的流失标签和付费标签；
步骤105，针对每一个训练样本，将该训练样本中第一训练数据和第二训练数据同时输入至待训练的预测模型，对待训练的预测模型进行训练。
在上述步骤104中，为了提高模型的准确性，会在样本集合中设置大量的训练样本，每一个训练样本是一个玩家所对应的第一通用属性数据和通用游戏消费数据，当然，还有该玩家是否流失的流失标签，流失标签可以用预设字符表示，如，数字、字母等，本申请中表示该玩家已经流失的流失标签为1，未流失的流失标签为0。以及该玩家是否付费的付费标签，付费标签可以用预设字符表示，如，数字、字母等，本申请中表示该玩家已经付费的付费标签为1，未付费的付费标签为0。
在上述步骤105中，针对每一个训练样本，待训练的预测模型都会进行一次计算，将第一通用属性数据和通用游戏消费数据，以及玩家的流失标签和付费标签同时输入至待训练的预测模型，在训练过程中对待训练的预测模型进行调整。
对待训练的预测模型进行调整的过程包括：
步骤1051，针对每一个训练样本，根据第一训练数据的计算结果与第二训练数据之间的比较结果，调整待训练的预测模型中每个特征的权重值，以对待训练的预测模型进行训练，直至正样本的计算结果与负样本之间的比较结果达到预设精度。
在上述步骤1051中，将玩家的第一通用属性数据和通用游戏消费数据输入至待训练的预测模型后，待训练的预测模型会输出流失概率和付费概率的计算结果，将流失概率的计算结果与第二训练数据中的流失标签进行对比，以及将付费概率的计算结果与第二训练数据中的付费标签进行对比，根据对比结果调整待训练的预测模型中每个特征的权重值。一般采用随机梯度下降法对每个特征的权重值进行调整。在对每个特征值的权重值的调整过程中实现对待训练的预测模型的训练，直至待训练的预测模型对正样本的计算结果与负样本之间的比较结果达到预设精度，就会停止训练。预设精度是人为设置的。
在本方案中，得到了流失概率和付费概率之后，游戏开发商可以根据这两个值，做出相应的措施，来减少游戏玩家的流失，因此，本方案还包括：
步骤106，根据所述流失概率和所述付费概率，确定向所述目标玩家推送关于所述目标游戏的消息。
在上述步骤106中，关于目标游戏的消息可以是用于提高目标玩家对目标游戏的兴趣程度，关于目标游戏的消息可以包括以下消息中的任意一种或多种：关于目标游戏的优惠策略和关于目标游戏的改进策略。关于目标游戏的优惠策略可以是针对游戏中商品、活动等的优惠策略，是与目标游戏的消费情况相关的策略，优惠策略可以包括以下策略中的任意一种或多种：提供抽奖活动、提供游戏特权、加大道具折扣。其中，提供抽奖活动可以是一种招揽玩家的手段，会让玩家用较少的付出会的更多的利益，比如，不花费金钱获得道具。提供游戏特权可以是让为达到等级的用户解锁较高等级的游戏场景，比如，22级的用户在33等级的场景中试玩半小时。加大道具折扣可以是降低目标游戏中道具的售价，比如，原价为55的手枪，现价为20。关于目标游戏的改进策略可以是这对目标游戏本身的改进，具体的，关于目标游戏的改进策略可以包括以下策略中的任意一种或多种：优化游戏页面、增加游戏关卡和提高游戏流畅速度。其中，优化游戏页面指的是调整游戏界面中的图形、色彩等，如，在游戏界面中加入背景图片。增加游戏关卡可以是设置针对目标人群的游戏关卡，比如，设置成人模式关卡、儿童模式关卡等。提高游戏流畅速度可以是提高游戏的运行效率，比如，减少游戏的缓存等。
具体实施中，在确定出目标玩家的流失概率和付费概率后，就可以预测出目标玩家是否是想要停止使用目标游戏，针对想要停止使用目标游戏的目标玩家，可以向目标玩家推送关于目标游戏的相关信息，来吸引目标玩家，减少了目标玩家的流失，提高了使用目标游戏的玩家数量。
本申请的实施例中，提供了一种更具体的确定向目标玩家推动消息的方法，步骤106，包括：
步骤1061，若目标玩家的流失概率小于第一流失概率预设值，以及付费概率小于第一付费概率预设值，则确定向目标玩家推送一种优惠策略；
步骤1062，若目标玩家的流失概率大于第一流失概率预设值并小于第二流失概率预设值，以及付费概率小于第一付费概率预设值并小于第二付费概率预设值，则确定向目标玩家同时推送两种优惠策略；
步骤1063，若目标玩家的流失概率大于第二流失概率预设值，以及付费概率大于第二付费概率预设值，则确定向目标玩家同时推送三种优惠策略。
在上述步骤1061中，第一流失概率预设值和第一付费概率预设值均是人为规定的，第一流失概率预设值和第一付费概率预设值可以是相等的，也可以是不相等的。
具体实施时，若目标玩家的流失概率小于第一流失概率预设值，以及付费概率小于第一付费概率预设值，这说明目标玩家流失的可能性较小，且消费的可能性也较小，因此，这部分的目标玩家可能是稳定性较高的玩家，可以用一种或多种优惠政策来安抚这些目标玩家，使得这部分的目标玩家更加的稳定。
在上述步骤1062中，第二流失概率预设值和第二付费概率预设值均是人为规定的，第二流失概率预设值和第二付费概率预设值可以是相等的，也可以是不相等的。第二流失概率预设值大于第一流失概率预设值，第二付费概率预设值大于第一付费概率预设值。
具体实施时，若目标玩家的流失概率大于第一流失概率预设值并小于第二流失概率预设值，以及付费概率小于第一付费概率预设值并小于第二付费概率预设值，这说明目标玩家流失的可能性较高，且消费的可能性也比较高，这部分用户可以为目标游戏带来较高的收益，因此，可以用两个或更多的优惠政策来挽留这部分目标玩家，提高这部分玩家对目标游戏的兴趣，减少目标玩家的流失。
在上述步骤1063中，若目标玩家的流失概率大于第二流失概率预设值，以及付费概率大于第二付费概率预设值，这说明目标玩家流失的可能性很高，且消费的可能性也很高，这部分用户可以为目标游戏带来更高的收益，因此，可以用三个或更多的优惠政策来挽留这部分目标玩家，提高这部分玩家对目标游戏的兴趣，减少目标玩家的流失。
除了给目标玩家提供优惠之外，还可以改变游戏给目标玩家带来的视觉效果和使用效果等，从多方面去提高玩家的兴趣，减少玩家的流失，步骤106，包括：
步骤1064，若目标玩家的流失概率大于第三流失概率预设值，以及付费概率大于第三付费概率预设值，则确定向目标玩家推送关于目标游戏的优惠策略和关于目标游戏的改进策略。
在上述步骤1064中，第三流失概率预设值和第三付费概率预设值均是人为规定的，第三流失概率预设值和第三付费概率预设值可以是相等的，也可以是不相等的。
具体实施时，若目标玩家的流失概率大于第三流失概率预设值，以及付费概率大于第三付费概率预设值，这说明目标玩家流失的可能性很高，且消费的可能性也很高，为了提高目标玩家对目标游戏的兴趣，可以在为目标玩家提供优惠策略的同时，对目标游戏的本身进行改进，改进目标游戏的视觉效果、提高目标游戏的试玩范围和提高目标游戏的性能。从多方面对目标游戏进行改进，以及从多方面来吸引目标玩家，可减少目标玩家的流失。
目标玩家所对应的数据均是从目标游戏的数据库中获取到的，步骤S101，包括：
步骤1011，从目标游戏的数据库中获取目标玩家所对应的日志数据；
步骤1012，从日志数据中筛选出目标玩家所对应的待处理的第一通用属性数据和待处理的通用游戏消费数据，按照标准格式将待处理的第一通用属性数据和待处理的通用游戏消费数据，调整为标准格式的第一通用属性数据和标准格式的通用游戏消费数据。
在上述步骤1011中，目标游戏的数据库用于存储目标游戏运行过程中所生成的日志数据，一般数据库中存储的数据是以天为单位进行存储的。日志数据中可以包括第一通用属性数据和通用游戏消费数据，以及更多的数据，日志中的数据是按照预设规则排列好的。
在上述步骤1012中，标准格式指的是将第一通用属性数据中的每个数据进行一维卷积，以及将通用游戏消费数据中的每个数据进行哈希化处理。
具体实施时，日志数据中的数据包括多种，因此，需要根据预设规则从日志数据中筛选出第一通用属性数据和通用游戏消费数据，但是直接从日志数据中筛选出来的数据是不符合输入待训练的预测模型的输入标准的，因此，为了能够准确的预测出流失概率和付费概率，需要将从日志数据中筛选出来的待处理的第一通用属性数据和待处理的通用游戏消费数据按照标准格式进行调整，得到标准格式的第一通用属性数据和通用游戏消费数据。利用标准格式的第一通用属性数据和通用游戏消费数据可以准确的预测出流失概率和付费概率。
如图3所示，本申请实施例提供了一种网络游戏的玩家预测装置，包括：
获取模块301，用于获取目标游戏中目标玩家的第一通用属性数据和目标玩家的通用游戏消费数据；
计算模块302，用于将第一通用属性数据和通用游戏消费数据输入至训练好的预测模型，得到目标游戏中目标玩家的流失概率和付费概率。
可选的，第一通用属性数据包括以下数据中的任意一种或多种：
目标玩家的职业、性别、玩家等级、VIP等级、在线时长、角色创建时间、角色所在服务器、角色经验值、当日充值金额、累计充值金额、当日消费金额、累计消费金额和游戏角色ID号。
可选的，通用游戏消费数据包括以下数据中的任意一种或多种：
购买道具的道具名称数据、购买道具的金额数据、购买道具的时间数据和购买道具的时间间隔数据。
可选的，计算模块302，包括：
第一计算单元，用于将第一通用属性数据中的职业、性别、在线时长和游戏角色ID号均输入至第一特征评价模型中，得到关于第一通用属性数据的第一评价结果；
第二计算单元，用于将通用游戏消费数据中的购买道具的道具名称数据、购买道具的金额数据、购买道具的时间数据和购买道具的时间间隔数据分别输入至不同的评价模型中，得到每个数据对应的评价结果；
第三计算单元，用于根据购买道具的道具名称数据、购买道具的金额数据、购买道具的时间数据和购买道具的时间间隔数据分别对应的评价结果，和第一通用属性数据对应的第一评价结果，计算得到目标游戏中目标玩家的流失概率和付费概率。
可选的，计算模块302，包括：
第四计算单元，用于将第一通用属性数据、第二通用属性数据和通用游戏消费数据输入至训练好的预测模型，得到目标游戏中目标玩家的流失概率和付费概率。
可选的，第二通用属性数据包括以下数据中的任意一种或多种：
游戏角色的名称数据、游戏角色的装备数据和游戏角色的技能数据。
可选的，装置还包括：
样本获取模块，用于获取训练样本集合；样本集合中包括至少一个训练样本，每个训练样本中包括第一训练数据和第二训练数据；第一训练数据包括玩家的第一通用属性数据和玩家的通用游戏消费数据；第二训练数据包括该玩家的流失标签和付费标签；
训练模块，用于针对每一个训练样本，将该训练样本中第一训练数据和第二训练数据同时输入至待训练的预测模型，对待训练的预测模型进行训练。
可选的，训练模块，包括：
针对每一个训练样本，根据第一训练数据的计算结果与第二训练数据之间的比较结果，调整待训练的预测模型中每个特征的权重值，以对待训练的预测模型进行训练，直至正样本的计算结果与负样本之间的比较结果达到预设精度。
可选的，装置还包括：
推送模块，用于根据所述流失概率和所述付费概率，确定向所述目标玩家推送关于所述目标游戏的消息。
可选的，关于目标游戏的消息包括以下消息中的任意一种或多种：
关于目标游戏的优惠策略和关于目标游戏的改进策略。
可选的，优惠策略包括以下策略中的任意一种或多种：
提供抽奖活动、提供游戏特权、加大道具折扣。
可选的，改进策略包括以下策略中的任意一种或多种：
优化游戏页面、增加游戏关卡和提高游戏流畅速度。
可选的，推送模块，包括：
第一推送单元，若目标玩家的流失概率小于第一流失概率预设值，以及付费概率小于第一付费概率预设值，则用于确定向目标玩家推送一种优惠策略；
第二推送单元，若目标玩家的流失概率大于第一流失概率预设值并小于第二流失概率预设值，以及付费概率小于第一付费概率预设值并小于第二付费概率预设值，则用于确定向目标玩家同时推送两种优惠策略；
第三推送单元，若目标玩家的流失概率大于第二流失概率预设值，以及付费概率大于第二付费概率预设值，则用于确定向目标玩家同时推送三种优惠策略。
可选的，推送模块，包括：
第四推送单元，若目标玩家的流失概率大于第三流失概率预设值，以及付费概率大于第三付费概率预设值，则用于确定向目标玩家推送关于目标游戏的优惠策略和关于目标游戏的改进策略。
可选的，获取模块101，包括：
获取单元，用于从目标游戏的数据库中获取目标玩家所对应的日志数据；
调整单元，用于从日志数据中筛选出目标玩家所对应的待处理的第一通用属性数据和待处理的通用游戏消费数据，按照标准格式将待处理的第一通用属性数据和待处理的通用游戏消费数据，调整为标准格式的第一通用属性数据和标准格式的通用游戏消费数据。
对应于图1中的网络游戏的玩家预测方法，本申请实施例还提供了一种计算机设备400，如图4所示，该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，上述处理器402执行上述计算机程序时实现上述网络游戏的玩家预测方法。
具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述网络游戏的玩家预测方法，解决了现有技术中不能对一个游戏同时预测流失概率和付费概率，以及不能很好的适配不同的游戏的问题。
对应于图1中的网络游戏的玩家预测方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述网络游戏的玩家预测方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述网络游戏的玩家预测方法，解决了现有技术中不能对一个游戏同时预测流失概率和付费概率，以及不能很好的适配不同的游戏的问题，本申请通过获取目标玩家的第一通用属性数据和通用游戏消费数据，获取到了多种能够影响流失概率和付费概率的普通数据，是大多数游戏均具备的数据，然后，根据第一通用属性数据和通用游戏消费数据对目标玩家的流失概率和付费概率进行预测，普通的数据不需要专业的技术人员对其进行分析，通过这种预测方法，可以更好的用于对多种不同的网络游戏的玩家预测，对普通数据的利用提高了本方法的可拓展性。本方案中，将第一通用属性数据和通用游戏消费数据输入到一个训练好的预测模型中，可以同时得到流失概率和消费概率两个值，而不是一个值一个值的进行计算，提高了计算效率。
在本申请所提供的实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。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，又例如，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通信接口，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，在本申请提供的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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (15)
1.一种网络游戏的玩家预测方法，其特征在于，包括：
获取目标游戏中目标玩家的第一通用属性数据和所述目标玩家的通用游戏消费数据；
将所述第一通用属性数据和所述通用游戏消费数据输入至训练好的预测模型，得到所述目标游戏中所述目标玩家的流失概率和付费概率；
其中，将所述第一通用属性数据和所述通用游戏消费数据输入至训练好的预测模型，得到所述目标游戏中所述目标玩家的流失概率和付费概率，包括：
将所述第一通用属性数据中的职业、性别、在线时长和游戏角色ID号均输入至第一特征评价模型中，得到关于所述第一通用属性数据的第一评价结果；
将所述通用游戏消费数据中的购买道具的道具名称数据、购买道具的金额数据、购买道具的时间数据和购买道具的时间间隔数据分别输入至不同的评价模型中，得到每个数据对应的评价结果；
根据所述购买道具的道具名称数据、所述购买道具的金额数据、所述购买道具的时间数据和购买道具的时间间隔数据分别对应的评价结果，和所述第一通用属性数据对应的所述第一评价结果，计算得到所述目标游戏中所述目标玩家的流失概率和付费概率；
所述预测模型是通过如下步骤训练得到的：
获取训练样本集合；所述样本集合中包括至少一个训练样本，每个训练样本中包括第一训练数据和第二训练数据；所述第一训练数据包括玩家的第一通用属性数据和玩家的通用游戏消费数据；所述第二训练数据包括该玩家的流失标签和付费标签；
针对每一个训练样本，将该训练样本中所述第一训练数据和所述第二训练数据同时输入至待训练的预测模型，对所述待训练的预测模型进行训练。
2.根据权利要求1所述的方法，其特征在于，所述第一通用属性数据包括以下数据中的任意一种或多种：
所述目标玩家的职业、性别、玩家等级、VIP等级、在线时长、角色创建时间、角色所在服务器、角色经验值、当日充值金额、累计充值金额、当日消费金额、累计消费金额和游戏角色ID号。
3.根据权利要求1所述的方法，其特征在于，将所述第一通用属性数据和所述通用游戏消费数据输入至训练好的预测模型，得到所述目标游戏中所述目标玩家的流失概率和付费概率，包括：
将所述第一通用属性数据、游戏角色的第二通用属性数据和所述通用游戏消费数据输入至训练好的预测模型，得到所述目标游戏中所述目标玩家的流失概率和付费概率。
4.根据权利要求3所述的方法，其特征在于，所述第二通用属性数据包括以下数据中的任意一种或多种：
游戏角色的名称数据、游戏角色的装备数据和游戏角色的技能数据。
5.根据权利要求1所述的方法，其特征在于，针对每一个训练样本，将该训练样本中所述第一训练数据和所述第二训练数据同时输入至待训练的预测模型，对所述待训练的预测模型进行训练，包括：
针对每一个训练样本，根据所述第一训练数据的计算结果与所述第二训练数据之间的比较结果，调整所述待训练的预测模型中每个特征的权重值，以对待训练的预测模型进行训练，直至正样本的计算结果与负样本之间的比较结果达到预设精度。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述流失概率和所述付费概率，确定向所述目标玩家推送关于所述目标游戏的消息。
7.根据权利要求6所述的方法，其特征在于，所述关于所述目标游戏的消息包括以下消息中的任意一种或多种：
关于所述目标游戏的优惠策略和关于所述目标游戏的改进策略。
8.根据权利要求7所述的方法，其特征在于，所述优惠策略包括以下策略中的任意一种或多种：
提供抽奖活动、提供游戏特权、加大道具折扣。
9.根据权利要求7所述的方法，其特征在于，所述改进策略包括以下策略中的任意一种或多种：
优化游戏页面、增加游戏关卡和提高游戏流畅速度。
10.根据权利要求8所述的方法，其特征在于，根据所述流失概率和所述付费概率，确定向所述目标玩家推送关于所述目标游戏的消息，包括：
若所述目标玩家的所述流失概率小于第一流失概率预设值，以及所述付费概率小于第一付费概率预设值，则确定向所述目标玩家推送一种优惠策略；
若所述目标玩家的所述流失概率大于第一流失概率预设值并小于第二流失概率预设值，以及所述付费概率小于第一付费概率预设值并小于第二付费概率预设值，则确定向所述目标玩家同时推送两种优惠策略；
若所述目标玩家的所述流失概率大于第二流失概率预设值，以及所述付费概率大于第二付费概率预设值，则确定向所述目标玩家同时推送三种优惠策略。
11.根据权利要求7所述的方法，其特征在于，根据所述流失概率和所述付费概率，确定向所述目标玩家推送关于所述目标游戏的消息，包括：
若所述目标玩家的所述流失概率大于第三流失概率预设值，以及所述付费概率大于第三付费概率预设值，则确定向所述目标玩家推送关于所述目标游戏的优惠策略和关于所述目标游戏的改进策略。
12.根据权利要求1所述的方法，其特征在于，获取目标游戏中目标玩家的第一通用属性数据和所述目标玩家的通用游戏消费数据，包括：
从所述目标游戏的数据库中获取所述目标玩家所对应的日志数据；
从所述日志数据中筛选出所述目标玩家所对应的待处理的第一通用属性数据和待处理的通用游戏消费数据，按照标准格式将所述待处理的第一通用属性数据和所述待处理的通用游戏消费数据，调整为标准格式的所述第一通用属性数据和标准格式的所述通用游戏消费数据。
13.一种网络游戏的玩家预测装置，其特征在于，包括：
获取模块，用于获取目标游戏中目标玩家的第一通用属性数据和所述目标玩家的通用游戏消费数据；
计算模块，用于将所述第一通用属性数据和所述通用游戏消费数据输入至训练好的预测模型，得到所述目标游戏中所述目标玩家的流失概率和付费概率；
其中，所述计算模块，包括：
第一计算单元，用于将第一通用属性数据中的职业、性别、在线时长和游戏角色ID号均输入至第一特征评价模型中，得到关于第一通用属性数据的第一评价结果；
第二计算单元，用于将通用游戏消费数据中的购买道具的道具名称数据、购买道具的金额数据、购买道具的时间数据和购买道具的时间间隔数据分别输入至不同的评价模型中，得到每个数据对应的评价结果；
第三计算单元，用于根据购买道具的道具名称数据、购买道具的金额数据、购买道具的时间数据和购买道具的时间间隔数据分别对应的评价结果，和第一通用属性数据对应的第一评价结果，计算得到目标游戏中目标玩家的流失概率和付费概率；
装置还包括：
样本获取模块，用于获取训练样本集合；样本集合中包括至少一个训练样本，每个训练样本中包括第一训练数据和第二训练数据；第一训练数据包括玩家的第一通用属性数据和玩家的通用游戏消费数据；第二训练数据包括该玩家的流失标签和付费标签；
训练模块，用于针对每一个训练样本，将该训练样本中第一训练数据和第二训练数据同时输入至待训练的预测模型，对待训练的预测模型进行训练。
14.一种计算机设备，包括存储器、处理器及存储在所述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上述权利要求1-12中任一项所述的方法的步骤。
15.一种计算机可读存储介质，所述计算机可读存储介质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运行时执行上述权利要求1-12中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010694180.3A CN111803957B (zh) | 2020-07-17 | 2020-07-17 | 一种网络游戏的玩家预测方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010694180.3A CN111803957B (zh) | 2020-07-17 | 2020-07-17 | 一种网络游戏的玩家预测方法、装置、计算机设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111803957A CN111803957A (zh) | 2020-10-23 |
| CN111803957B true CN111803957B (zh) | 2024-02-09 |
Family
ID=72865893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010694180.3A Active CN111803957B (zh) | 2020-07-17 | 2020-07-17 | 一种网络游戏的玩家预测方法、装置、计算机设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111803957B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112619129B (zh) * | 2020-12-18 | 2023-09-19 | 咪咕互动娱乐有限公司 | 云游戏运行方法、服务器及存储介质 |
| CN113318448B (zh) * | 2021-06-11 | 2023-01-10 | 北京完美赤金科技有限公司 | 游戏资源展示方法及装置、设备、模型训练方法 |
| CN113633993A (zh) * | 2021-08-10 | 2021-11-12 | 网易（杭州）网络有限公司 | 一种游戏资源处理方法、装置、设备及存储介质 |
| CN113827979A (zh) * | 2021-08-17 | 2021-12-24 | 杭州电魂网络科技股份有限公司 | 基于LightGBM的游戏流失用户预测方法和系统 |
| CN115054925B (zh) * | 2022-06-29 | 2023-06-09 | 上海益世界信息技术集团有限公司 | 确定流失用户的方法、装置、服务器及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204106A (zh) * | 2016-06-28 | 2016-12-07 | 武汉斗鱼网络科技有限公司 | 一种特定用户识别方法及系统 |
| CN107784511A (zh) * | 2016-08-24 | 2018-03-09 | 中国移动通信集团湖南有限公司 | 一种用户流失预测方法及装置 |
| CN107832581A (zh) * | 2017-12-15 | 2018-03-23 | 百度在线网络技术（北京）有限公司 | 状态预测方法和装置 |
| CN107970612A (zh) * | 2016-10-21 | 2018-05-01 | 电子技术公司 | 多玩家视频游戏匹配系统和方法 |
| CN108038711A (zh) * | 2017-11-09 | 2018-05-15 | 广州虎牙信息科技有限公司 | 用户流失预测方法、装置以及计算机设备 |
| CN109543843A (zh) * | 2018-11-07 | 2019-03-29 | 成都夏飞科技有限公司 | 一种基于机器学习的游戏用户选择方法 |
| CN109767269A (zh) * | 2019-01-15 | 2019-05-17 | 网易（杭州）网络有限公司 | 一种游戏数据的处理方法和装置 |
| CN109785002A (zh) * | 2019-01-17 | 2019-05-21 | 东华大学 | 一种用户游戏内付费预测方法 |
| CN109903100A (zh) * | 2018-12-25 | 2019-06-18 | 深圳市梦域科技有限公司 | 一种用户流失预测方法、装置及可读存储介质 |
| CN111191860A (zh) * | 2020-04-14 | 2020-05-22 | 北京热云科技有限公司 | 基于集成学习的预测方法、预测系统和可读存储介质 |
| CN111408143A (zh) * | 2020-03-13 | 2020-07-14 | 网易（杭州）网络有限公司 | 游戏付费预测方法、模型训练方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8790168B1 (en) * | 2012-01-19 | 2014-07-29 | Zynga Inc. | Method to detect and score churn in online social games |
-
2020
- 2020-07-17 CN CN202010694180.3A patent/CN111803957B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204106A (zh) * | 2016-06-28 | 2016-12-07 | 武汉斗鱼网络科技有限公司 | 一种特定用户识别方法及系统 |
| CN107784511A (zh) * | 2016-08-24 | 2018-03-09 | 中国移动通信集团湖南有限公司 | 一种用户流失预测方法及装置 |
| CN107970612A (zh) * | 2016-10-21 | 2018-05-01 | 电子技术公司 | 多玩家视频游戏匹配系统和方法 |
| CN108038711A (zh) * | 2017-11-09 | 2018-05-15 | 广州虎牙信息科技有限公司 | 用户流失预测方法、装置以及计算机设备 |
| CN107832581A (zh) * | 2017-12-15 | 2018-03-23 | 百度在线网络技术（北京）有限公司 | 状态预测方法和装置 |
| CN109543843A (zh) * | 2018-11-07 | 2019-03-29 | 成都夏飞科技有限公司 | 一种基于机器学习的游戏用户选择方法 |
| CN109903100A (zh) * | 2018-12-25 | 2019-06-18 | 深圳市梦域科技有限公司 | 一种用户流失预测方法、装置及可读存储介质 |
| CN109767269A (zh) * | 2019-01-15 | 2019-05-17 | 网易（杭州）网络有限公司 | 一种游戏数据的处理方法和装置 |
| CN109785002A (zh) * | 2019-01-17 | 2019-05-21 | 东华大学 | 一种用户游戏内付费预测方法 |
| CN111408143A (zh) * | 2020-03-13 | 2020-07-14 | 网易（杭州）网络有限公司 | 游戏付费预测方法、模型训练方法及装置 |
| CN111191860A (zh) * | 2020-04-14 | 2020-05-22 | 北京热云科技有限公司 | 基于集成学习的预测方法、预测系统和可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111803957A (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111803957B (zh) | 一种网络游戏的玩家预测方法、装置、计算机设备和介质 | |
| Markle et al. | Goals as reference points in marathon running: A novel test of reference dependence | |
| US11798023B2 (en) | Systems and methods to determine tax classification of benefits offered to subscribers of a membership platform | |
| CN106487715B (zh) | 一种用于为用户分配资源的方法和装置 | |
| US11164199B2 (en) | Updating projections using listing data | |
| CN109285075A (zh) | 一种理赔风险评估方法、装置及服务器 | |
| CN107944593A (zh) | 一种资源分配方法及装置，电子设备 | |
| CN108334575A (zh) | 一种推荐结果排序修正方法及装置，电子设备 | |
| WO2018157808A1 (zh) | 互联网征信评估方法和系统 | |
| CN109800363A (zh) | 构建资信关系网络的方法、装置、设备及存储介质 | |
| Liu et al. | Addictive incentive mechanism in crowdsensing from the perspective of behavioral economics | |
| CN108460611A (zh) | 一种信息处理方法、及其应用方法和相关设备 | |
| CN111488407B (zh) | 数据处理方法、系统及装置 | |
| CN111062774B (zh) | 活动投放方法、装置、电子设备和计算机可读介质 | |
| CN110796379B (zh) | 业务渠道的风险评估方法、装置、设备及存储介质 | |
| CN111382909A (zh) | 基于生存分析模型扩展坏样本的拒绝推断方法及相关设备 | |
| CN109857492A (zh) | 贷款业务处理方法、装置、计算机设备及可读存储介质 | |
| US20230005006A1 (en) | Gaming offer generation via rules-based engine | |
| CN112348356A (zh) | 一种作品质量确定方法、装置、计算机设备及可读存储介质 | |
| CN113222720A (zh) | 一种基于信誉的隐私保护激励机制方法、装置及存储介质 | |
| CN113434560A (zh) | 排序方法、电子设备及相关产品 | |
| CN110807667A (zh) | 一种激活沉睡客户的方法和装置 | |
| KR20210024755A (ko) | 복권 구매 지원 장치 및 그 방법 | |
| CN110728583A (zh) | 一种骗赔行为识别方法和系统 | |
| Chaudhari et al. | Impact of free app promotion on future sales: A case study on Amazon Appstore |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |