CN111821694B - 游戏新用户的防流失方法及装置、电子设备及存储介质 - Google Patents
游戏新用户的防流失方法及装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111821694B CN111821694B CN202010722862.0A CN202010722862A CN111821694B CN 111821694 B CN111821694 B CN 111821694B CN 202010722862 A CN202010722862 A CN 202010722862A CN 111821694 B CN111821694 B CN 111821694B
- Authority
- CN
- China
- Prior art keywords
- user
- new
- game
- new game
- compensation
- 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 82
- 230000002265 prevention Effects 0.000 title claims description 28
- 230000000386 athletic effect Effects 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 30
- 230000002860 competitive effect Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 8
- 238000002360 preparation method Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 description 10
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 9
- 239000010931 gold Substances 0.000 description 9
- 229910052737 gold Inorganic materials 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000014759 maintenance of location Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development 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
- 230000003068 static effect 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/50—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers
- A63F2300/55—Details of game data or player data management
- A63F2300/5546—Details of game data or player data management using player registration data, e.g. identification, account, preferences, game history
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开关于一种游戏新用户的防流失方法及装置、电子设备及存储介质，该方法包括：获取待预测日志数据，待预测日志数据包含游戏新用户在竞技模式下所产生的竞技结果信息；竞技模式的类型包括标准竞技模式以及补偿竞技模式；对待预测日志数据进行特征提取，得到目标特征数据，目标特征数据包含各个特征维度的基础特征数据；将目标特征数据输入至集成学习算法模型中，得到用户流失预测结果；基于用户流失预测结果判断游戏新用户是否满足补偿条件；若满足，则使得游戏新用户处于补偿竞技模式，应用本公开的方法，依据用户流失预测结果使游戏新用户处于对应类型的竞技模式，可以提升游戏新用户的体验，能够防止游戏新用户流失。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及游戏新用户的防流失方法及装置、电子设备及存储介质。
背景技术
随着计算机科学技术的发展，网络游戏也得到长足发展，网络游戏通常具有一定的娱乐性以及竞技性，广受人们的欢迎，参与网络游戏也成为了人们日常生活中一种重要的娱乐活动。
然而，随着游戏数量的增长，用户面临的游戏选择也越来越多，在此情况下，用户容易切换不同的游戏，进而导致用户在某一游戏的留存率低，造成该游戏的新用户易流失。
发明内容
本公开提供一种游戏新用户的防流失方法及装置、电子设备及存储介质，以至少解决游戏新用户流失的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种游戏新用户的防流失方法，包括：
获取游戏新用户的待预测日志数据，所述待预测日志数据包含所述游戏新用户在竞技模式下所产生的竞技结果信息；所述竞技模式的类型包括标准竞技模式以及补偿竞技模式；
对所述待预测日志数据进行特征提取，得到所述游戏新用户的目标特征数据，所述目标特征数据包含各个预先设置的特征维度的基础特征数据；
将所述目标特征数据输入至预先训练完成的集成学习算法模型中，得到所述游戏新用户对应的用户流失预测结果；
基于所述用户流失预测结果判断所述游戏新用户是否满足预先设置的补偿条件；
若所述游戏新用户满足所述补偿条件，则使得所述游戏新用户处于补偿竞技模式。
可选的，所述对所述待预测日志数据进行特征提取，得到所述游戏新用户的目标特征数据的过程，包括：
在所述待预测日志数据中提取出每个预先设置的特征维度的特征数据；
对每个所述特征维度的特征数据进行预处理，得到每个所述特征维度的基础特征数据；
基于每个所述特征维度的特征数据组成所述游戏新用户的目标特征数据。
可选的，所述集成学习算法模型的训练过程，包括：
获取训练样本集合，所述训练样本集合包含每个历史用户的训练样本；每个所述历史用户的训练样本依据该历史用户的历史日志数据得到；
应用所述训练样本集合中的训练样本对预先构建的初始集成学习算法模型进行训练，得到集成学习算法模型，所述初始集成学习算法模型包括多个按预先设置的组合规则进行组合的初始分类器，每个所述初始分类器与每个所述特征维度相对应。
可选的，所述基于所述用户流失预测结果判断所述游戏新用户是否满足预先设置的补偿条件的过程，包括：
确定所述用户流失预测结果表征的状态类型；
若所述状态类型为预备流失状态，则判定所述游戏新用户满足预先设置的补偿条件；
若所述状态类型不为预备流失状态，则判定所述游戏新用户不满足预先设置的补偿条件。
可选的，所述获取处于标准竞技模式的游戏新用户的待预测日志数据的过程，包括：
当检测到所述游戏新用户进入竞技预备状态时，获取所述游戏新用户的前N个竞技结果信息，N为正整数；
基于所述游戏新用户的前N个竞技结果信息组成所述游戏新用户的待预测日志数据。
可选的，所述将所述目标特征数据输入至预先训练完成的集成学习算法模型中，得到所述游戏新用户对应的用户流失预测结果的过程，包括：
将所述目标特征数据输入至所述集成学习算法模型，使得所述集成学习算法模型中的每个分类器对所述目标特征数据中的与该分类器相对应的特征维度的基础特征数据进行识别，得到每个所述分类器的识别结果；
对各个所述分类器的识别结果进行处理，得到所述游戏新用户的用户流失预测结果。
可选的，所述游戏新用户的防流失方法，还包括：
若所述游戏新用户不满足所述补偿条件，则使得所述游戏新用户处于标准竞技模式。
根据本公开实施例的第二方面，提供一种游戏新用户的防流失装置装置，包括：
获取单元，被配置为执行获取游戏新用户的待预测日志数据，所述待预测日志数据包含所述游戏新用户在竞技模式下所产生的竞技结果信息；所述竞技模式的类型包括标准竞技模式以及补偿竞技模式；
特征提取单元，被配置为执行对所述待预测日志数据进行特征提取，得到所述游戏新用户的目标特征数据，所述目标特征数据包含各个预先设置的特征维度的基础特征数据；
预测单元，被配置为执行将所述目标特征数据输入至预先训练完成的集成学习算法模型中，得到所述游戏新用户对应的用户流失预测结果；
判断单元，被配置为执行基于所述用户流失预测结果判断所述游戏新用户是否满足预先设置的补偿条件；
补偿执行单元，被配置为执行若所述游戏新用户满足所述补偿条件，则使得所述游戏新用户处于补偿竞技模式。
可选的，所述特征提取单元，包括：
提取子单元，被配置为执行在所述待预测日志数据中提取出每个预先设置的特征维度的特征数据；
预处理子单元，被配置为执行对每个所述特征维度的特征数据进行预处理，得到每个所述特征维度的基础特征数据；
第一生成子单元，被配置为执行基于每个所述特征维度的特征数据组成所述游戏新用户的目标特征数据。
可选的，所述游戏新用户的防流失装置还包括模型训练单元，所述模型训练单元，被配置为执行：
获取训练样本集合，所述训练样本集合包含每个历史用户的训练样本；每个所述历史用户的训练样本依据该历史用户的历史日志数据得到；
应用所述训练样本集合中的训练样本对预先构建的初始集成学习算法模型进行训练，得到集成学习算法模型，所述初始集成学习算法模型包括多个按预先设置的组合规则进行组合的初始分类器，每个所述初始分类器与每个所述特征维度相对应。
可选的，所述判断单元，包括：
确定子单元，被配置为执行确定所述用户流失预测结果表征的状态类型；
第一判定子单元，被配置为执行若所述状态类型为预备流失状态，则判定所述游戏新用户满足预先设置的补偿条件；
第二判定子单元，被配置为执行若所述状态类型不为预备流失状态，则判定所述游戏新用户不满足预先设置的补偿条件。
可选的，所述获取单元，包括：
获取子单元，被配置为执行当检测到所述游戏新用户进入竞技预备状态时，获取所述游戏新用户的前N个竞技结果信息，N为正整数；
第二生成子单元，被配置为执行基于所述游戏新用户的前N个竞技结果信息组成所述游戏新用户的待预测日志数据。
可选的，所述预测单元，包括：
输入子单元，用于将所述目标特征数据输入至所述集成学习算法模型，使得所述集成学习算法模型中的每个分类器对所述目标特征数据中的与该分类器相对应的特征维度的基础特征数据进行识别，得到每个所述分类器的识别结果；
处理子单元，用于对各个所述分类器的识别结果进行处理，得到所述游戏新用户的用户流失预测结果。
可选的，所述游戏新用户的防流失装置还包括竞技模式处理单元，所述竞技模式处理单元被配置为执行：
若所述游戏新用户不满足所述补偿条件，则使得所述游戏新用户处于标准竞技模式。
根据本公开实施例的第三方面，提供一种游戏新用户的防流失电子设备，包括：处理器，用于存储所述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所述指令，以实现如第一方面所述的游戏新用户的防流失方法。
根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由游戏新用户的防流失电子设备的处理器执行时，使得游戏新用户的防流失电子设备能够执行如第一方面所述的游戏新用户的防流失方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，当所述计算机程序产品中的指令由游戏新用户的防流失电子设备的处理器执行时，使得游戏新用户的防流失电子设备能够执行如第一方面所述的游戏新用户的防流失方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
本公开实施例提供的技术方案，能够对游戏新用户的待预测日志数据，进行特征提取，得到所述游戏新用户的目标特征数据，并通过集成学习算法模型对该目标特征数据进行识别，得到所述游戏新用户对应的用户流失预测结果；从而可以在游戏新用户在满足补偿条件的情况下对其进行补偿，使得该游戏新用户能够获得更优的竞技资源，以增加该游戏新用户胜利的概率，进而能够提高该游戏新用户的游戏体验，能够有效的防止该游戏新用户的流失。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种游戏新用户的防流失方法的流程图；
图2是根据一示例性实施例示出的集成学习算法模型的训练过程的流程图；
图3是根据一示例性实施例示出的初始集成学习算法模型的构建流程示意图；
图4是根据一示例性实施例示出的一种游戏新用户的防流失方法的流程示意图；
图5是根据一示例性实施例示出的一种游戏新用户的防流失装置框图；
图6是根据一示例性实施例示出的一种用于电子设备的框图；
图7是根据一示例性实施例示出的另一种电子设备的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开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、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种游戏新用户的防流失方法的流程图，如图1所示，游戏新用户的防流失方法用于电子设备中，包括以下步骤。
在步骤S11中，获取游戏新用户的待预测日志数据，待预测日志数据包含游戏新用户在竞技模式下所产生的竞技结果信息；竞技模式的类型包括标准竞技模式以及补偿竞技模式。
其中，该游戏新用户可以为游戏对局的次数少于预设次数的游戏用户；也可以为在预设时段内不具有游戏对局记录的用户，例如，在过去一年不存在游戏对局记录的用户。
可选的，该待预测日志数据还可以包括游戏新用户的年龄信息以及性别信息等用户基础信息；待预测日志数据中包含的竞技结果信息可以包括游戏新用户在该竞技模型下参与的每个竞技对局所产生的状态信息，具体可以包括：该游戏新用户的段位、金币持有量、对局胜负信息、竞技角色、以及金币的收益等等。该待预测日志数据还可以包括该游戏新用户的年龄信息以及性别信息等。
可选的，补偿竞技模式所提供的竞技资源优于标准竞技模式所提供的竞技资源，其中，竞技资源可以为该游戏新用户参与竞技对局过程中利于该游戏新用户提高竞技胜利的概率的资源，例如，在牌类游戏中，该竞技资源可以为利于该游戏新用户提高竞技胜利的概率的牌组合，换言之，在该游戏新用户处于补偿竞技模式的情况下，游戏新用户获得游戏对局的胜利的可能性相比于其处于标准竞技模式获得胜利的可能性更高。
在步骤S12中，对待预测日志数据进行特征提取，得到游戏新用户的目标特征数据，该目标特征数据包含各个预先设置的特征维度的基础特征数据。
其中，该目标特征数据可以包括：段位特征维度的基础特征数据、金币持有量特征维度的基础特征数据、连续对局失败次数特征维度的基础特征数据、竞技角色特征维度的基础特征数据、用户年龄特征维度的基础特征数据、用户性别特征维度的基础特征数据以及金币收益状况特征维度的基础特征数据等等以上一种或多种特征维度的基础特征数据。
在步骤S13中，将目标特征数据输入至预先训练完成的集成学习算法模型中，得到该游戏新用户对应的用户流失预测结果。
其中，所述集成学习算法模型中包含与每个所述特征维度相对应的分类器，每个所述分类器用于对与其相对应的特征维度的基础特征数据进行识别，得到每个分类器对应的识别结果，该用户流失预测结果可以基于各个识别结果得到。
具体的，该用户流失预测结果可以为表征游戏新用户的状态类型或流失概率值，即该用户流失预测结果可以表征该游戏新用户是否处于预备流失状态，或表征该用户当前流失的概率的大小。
在步骤S14中，基于所述用户流失预测结果判断所述游戏新用户是否满足预先设置的补偿条件；若是，则执行步骤S15，若否，则执行步骤S16。
其中，该补偿条件可以为该游戏新用户处于预备流失状态或流失概率值大于预先设置的概率阈值。
具体的，该概率阈值可以基于实际需求进行设定，例如，可以为60％、70％或80％等等。
在步骤S15中，使得游戏新用户处于补偿竞技模式，以防止所述游戏新用户流失。
具体的，在该游戏新用户满足补偿条件的情况下，若该游戏新用户在前一竞技对局处于标准竞技模式，则为该游戏新用户切换竞技模式，使得该游戏新用户处于补偿竞技模式，若该游戏新用户之前处于补偿竞技模式，则保持该游戏新用户处于该补偿竞技模式。
其中，在该补偿竞技模式下，可以为该游戏新用户提供能够让该游戏新用户提高胜利概率的游戏资源，能够增加该游戏新用户的胜利概率，从而能够提高该游戏新用户的游戏体验，以防止该游戏新用户流失。
在步骤S16中，使得游戏新用户处于标准竞技模式。
其中，在该游戏新用户不满足补偿条件的情况下，若该游戏新用户在前一竞技对局处于标准竞技模式，则保持该游戏新用户处于该补偿竞技模式，若该游戏新用户在前一竞技对局处于补偿竞技模式，则可以切换该游戏新用户的竞技模式，使得该游戏新用户处于标准竞技模式。
应用本公开实施例提供的方法，可以在游戏新用户在满足补偿条件的情况下对其进行补偿，使得该游戏新用户能够获得更优的竞技资源，以增加该游戏新用户胜利的概率，进而能够提高该游戏新用户的游戏体验，能够有效的防止该游戏新用户的流失。
本公开实施例提供的方法中，基于上述的实施过程，具体的，所述对待预测日志数据进行特征提取，得到所述游戏新用户的目标特征数据的过程，可以包括：
在待预测日志数据中提取出每个预先设置的特征维度的特征数据；
对每个特征维度的特征数据进行预处理，得到每个特征维度的基础特征数据；
基于每个特征维度的特征数据组成游戏新用户的目标特征数据。
本公开实施例提供的方法中，在该待预测日志数据的预设字段中提取出每个特征维度的特征数据，具体可以提取出段位特征维度的段位特征数据、金币持有量特征维度的金币量特征数据、连续对局失败次数特征维度的连续失败次数特征数据、竞技角色特征维度的角色特征数据、用户年龄特征维度的年龄特征数据、用户性别特征维度的性别特征数据以及金币收益状况特征维度的收益状况特征数据等等以上一种或多种特征维度的特征数据。
其中，对每个特征维度的特征数据进行预处理的一种可行方式为：对每个特征维度的特征数据进行数据清洗，即确定每个特征维度的特征数据中是否存在缺失值以及重复值等异常值，若存在，则可以对缺失值进行插补，还可以去除异常的重复值，对各个特征维度的特征数据进行数据清洗后，对各个特征维度的特征数据进行特征编码，得到各个特征维度的基础特征数据。
具体的，按预先设置的组合规则对每个特征维度的特征数据进行组合，得到目标基础特征数据，该目标基础特征数据可以为矩阵的形式。
应用本公开实施例提供的方法，基于待预测日志数据获得多个预设的特征维度的基础特征值，能够全面的考虑影响新用户流失的因素，进而能够保障用户流失预测结果的准确性。
本公开实施例提供的方法中，基于上述的实施过程，具体的，集成学习算法模型的训练过程，如图2所示，可以包括：
在步骤S21中，获取训练样本集合，所述训练样本集合包含每个历史用户的训练样本；每个所述历史用户的训练样本依据该历史用户的历史日志数据得到。
其中，历史用户可以为除该游戏新用户以外的其余游戏新用户，对于每个历史用户，该历史用户的日志数据可以由该历史用户过去的多个对局结果信息组成，。
可选的，该历史用户的历史日志数据可以由该历史用户的前50个内的对局结果信息组成；在该历史用户的对局次数不到50局的情况，可以获取该历史用户的所有对局结果信息组成该历史用户的历史日志数据，若该历史用户的过去的对局次数超过50局，则可以获取该历史用户的前50局的对局结果信息组成该历史用户的历史日志数据。
具体的，获取到各个历史用户的历史日志数据后，对每个历史日志数据进行特征提取，得到每个历史用户的目标特征数据，该历史用户的目标特征数据包含各个预先设置的特征维度的基础特征数据，将每个历史用户的目标特征数据确定为该历史用户的训练样本。
在步骤S22中，应用所述训练样本集合中的训练样本对预先构建的初始集成学习算法模型进行训练，得到集成学习算法模型，所述初始集成学习算法模型包括多个按预先设置的组合规则进行组合的初始分类器，每个所述初始分类器与每个所述特征维度相对应。
其中，可以通过训练样本集合中的各个训练样本依次对初始集成学习算法模型的模型参数进行训练调节，当该初始集成学习算法模型的模型参数满足预设的条件或对该初始集成学习算法模型的训练次数满足一定的训练次数时，将该初始集成学习算法模型确定为集成学习算法模型，其中，该初始集成学习算法模型训练完成后，将该初始学习算法模型中的初始分类器确定为分类器。
本公开实施例提供的方法中，该初始集成学习算法模型由多个初始分类器组成，参见图3，为本公开实施例提供的一种初始集成学习算法模型的构建示例图，将m个初始分类器按预先设置的策略进行结合，得到该初始集成学习算法模型，m为正整数。
其中，各个初始分类器可以为预先训练过的弱分类器，也可以为未经训练过的弱分类器，每个初始分类器均具有其对应的特征维度的基础特征数据的识别能力。
应用本公开实施例提供的方法，通过多个初始分类器构建集成学习算法模型，使得输入的目标特征数据的某一特征维度的基础特征数据异常时，仍然可以保持预测的准确率，对异常特征数据具有鲁棒性，预测准确率高，进而能够防止游戏新用户的流失，提高用户留存率，参见表1，为本公开实施例提供的用户留存率日增长表。
表1
其中，表1示出了应用该集成学习算法模型后的留存率增长状况，由表可知，应用本公开实施例提供的方法，能够有效的提高游戏新用户的留存率。
本公开实施例提供的方法中，基于上述的实施过程，具体的，若该流失预测结果用于表征游戏新用户的状态类型，则所述基于所述用户流失预测结果判断所述游戏新用户是否满足预先设置的补偿条件的过程，可以包括：
确定所述用户流失预测结果表征的状态类型；
若所述状态类型为预备流失状态，则判定所述游戏新用户满足预先设置的补偿条件；
若所述状态类型不为预备流失状态，则判定所述游戏新用户不满足预先设置的补偿条件。
其中，基于该集成学习算法模型得到的流失预测结果可以表征各种状态类型，例如，可以为该流失预测结果可以为“0”或“1”，可以应用“0”表征预备流失状态，应用“1”表征正常状态，则当该流失预测结果为“0”时，可以判定该游戏新用户满足预先设置的补偿条件。
应用本公开实施例提供的方法，通过确定该用户流失预测结果的表征，能够得到该游戏新用户当前的状态类型，若游戏新用户处于预备流失的状态下，则能够为该游戏新用户提供补偿竞技模式，进而能够防止游戏新用户的流失。
本公开实施例提供的方法中，基于上述的实施过程，具体的，若该流失预测结果用于表征游戏新用户的流失概率值，则所述基于所述用户流失预测结果判断所述游戏新用户是否满足预先设置的补偿条件的过程，可以包括：
确定用户流失预测结果表征的流失概率值；
判断流失概率值是否大于预先设置的概率阈值；
若该流失概率值大于该流失概率阈值，则判定该游戏新用户满足预先设置的补偿条件；
若流失概率值未大于流失概率阈值，则判定该游戏新用户不满足预先设置的补偿条件。
其中，通过将该流失概率值与预先设置的概率阈值进行比较，即可判断出该流失概率值是否大于该概率阈值。
应用本公开实施例提供的方法，通过确定该用户流失预测结果的表征，能够得到该游戏新用户的流失概率值，在该游戏新用户的流失概率值大于概率阈值的情况下，说明该游戏新用户的流失风险较高，因此，为具有较高的流失风险的游戏新用户提供补充竞技模式，能够有效的防止游戏新用户的流失。
本公开实施例提供的方法中，基于上述的实施过程，具体的，所述获取处于标准竞技模式的游戏新用户的待预测日志数据的过程，可以包括：
当检测到游戏新用户进入竞技预备状态时，获取游戏新用户的前N个竞技结果信息，N为正整数；
基于游戏新用户的前N个竞技结果信息组成游戏新用户的待预测日志数据。
本公开实施例提供的方法中，可以预先设置好选取阈值K，若该游戏新用户中的竞技结果信息的数量Q大于等于该选取阈值K，则可以使得N＝K，若该游戏新用户中的竞技结果信息的数量Q小于该选取阈值K，则可以使得N＝Q；其中，Q，K均为正整数。
其中，可以提取出该竞技结果信息中的各个预设字段，对各个预设字段中的可合并项字段进行合并处理，得到可排列项，对该可排列项以及各个预设字段中的可排列字段进行排列处理，得到待预测日志数据。
具体的，该竞技预备状态可以指代该游戏新用户请求匹配新的竞技对象或请求开始游戏。
应用本公开实施例提供的方法，能够在检测游戏新用户进入竞技预备状态时，获取游戏新用户的历史对局得到的竞技结果信息以组成游戏新用户的待预测日志数据，因此，能够及时的基于待预测日志数据确定出该游戏新用户是否需要补偿。
本公开实施例提供的方法中，基于上述的实施过程，具体的，所述将所述目标特征数据输入至预先训练完成的集成学习算法模型中，得到所述游戏新用户对应的用户流失预测结果，包括：
将所述目标特征数据输入至所述集成学习算法模型，使得所述集成学习算法模型中的每个分类器对所述目标特征数据中的与该分类器相对应的特征维度的基础特征数据进行识别，得到每个所述分类器的识别结果；
对各个所述分类器的识别结果进行处理，得到所述游戏新用户的用户流失预测结果。
本公开实施例提供的方法中，每个分类器的识别结果均可以用户表征该游戏新用户的状态类型或流失概率值。
其中，对各个分类器的识别结果进行处理的一种可行的方式可以为：确定各个分类器各自对应的模型权重参数，基于各个分类器的识别结果以及各个权重参数进行计算，得到该游戏新用户的流失预测值。对各个分类器的识别结果进行处理的另一种可行的方式可以为：对各个识别结果进行计算，得到平均识别结果，将该平均识别结果作为该游戏新用户的用户流失预测结果。
应用本公开实施例提供的方法，集成学习算法模型的各个分类器对目标特征数据中的各个特征维度的基础特征数据进行识别，对异常特征数据具有鲁棒性，能够有效的提升预测的准确率。
本公开实施例提供的游戏新用户的防流失方法可以应用在各种游戏之中，例如，可以应用于牌类竞技游戏，参见图4，为本公开实施例提供的游戏新用户的防流失方法的流程示意图，可以获取各个游戏新用户的在参与该牌类竞技游戏所产生的线上日志数据，对每已获取的线上日志数据进行提取，得到该线上日志数据对应的段位、金币持有量、连败次数、年龄、当地主次数、最后一局输赢金币等各个特征维度的特征数据，对每个线上日志数据对应的各个特征维度的特征数据进行预处理，得到该线上日志数据对应的训练样本，利用已获得的各个训练样本对预先构建的初始集成学习算法模型进行训练，得到已训练完成的集成学习算法模型，将该集成学习算法模型进行上线。
对于每个游戏新用户，在每局游戏开始时，获取该游戏新用户的目标特征数据，将该目标特征数据输入至该集成学习算法模型中，得到用户流失预测结果，若该流失预测结果表征该游戏新用户处于正常状态，则为该游戏新用户正常发牌；若该流失预测结果表征该游戏新用户处于预备流失状态，则为该游戏新用户发好牌，并将该游戏新用户的竞技对手设置为机器人。
图5是根据一示例性实施例示出的一种游戏新用户的防流失装置框图。参照图5，该装置包括获取单元501，特征提取单元502、预测单元503、判断单元504、以及补偿执行单元505。
该获取单元501，被配置为执行获取游戏新用户的待预测日志数据，所述待预测日志数据包含所述游戏新用户在竞技模式下所产生的竞技结果信息；所述竞技模式的类型包括标准竞技模式以及补偿竞技模式；
该特征提取单元502，被配置为执行对所述待预测日志数据进行特征提取，得到所述游戏新用户的目标特征数据，所述目标特征数据包含各个预先设置的特征维度的基础特征数据；
该预测单元503，被配置为执行将所述目标特征数据输入至预先训练完成的集成学习算法模型中，得到所述游戏新用户对应的用户流失预测结果；
该判断单元504，被配置为执行基于所述用户流失预测结果判断所述游戏新用户是否满足预先设置的补偿条件；
该补偿执行单元505，被配置为执行若所述游戏新用户满足所述补偿条件，则使得所述游戏新用户处于补偿竞技模式。
在本公开提供的一实施例中，基于上述的方案，可选的，该特征提取单元，所述特征提取单元502，包括：
提取子单元，被配置为执行在所述待预测日志数据中提取出每个预先设置的特征维度的特征数据；
预处理子单元，被配置为执行对每个所述特征维度的特征数据进行预处理，得到每个所述特征维度的基础特征数据；
第一生成子单元，被配置为执行基于每个所述特征维度的特征数据组成所述游戏新用户的目标特征数据。
在本公开提供的又一实施例中，基于上述的方案，可选的，所述游戏新用户的防流失装置还包括模型训练单元，所述模型训练单元，被配置为执行：
获取训练样本集合，所述训练样本集合包含每个历史用户的训练样本；每个所述历史用户的训练样本依据该历史用户的历史日志数据得到；
应用所述训练样本集合中的训练样本对预先构建的初始集成学习算法模型进行训练，得到集成学习算法模型，所述初始集成学习算法模型包括多个按预先设置的组合规则进行组合的初始分类器，每个所述初始分类器与每个所述特征维度相对应。
在本公开提供的又一实施例中，基于上述的方案，可选的，所述判断单元504，包括：
确定子单元，被配置为执行确定所述用户流失预测结果表征的状态类型；
第一判定子单元，被配置为执行若所述状态类型为预备流失状态，则判定所述游戏新用户满足预先设置的补偿条件；
第二判定子单元，被配置为执行若所述状态类型不为预备流失状态，则判定所述游戏新用户不满足预先设置的补偿条件。
在本公开提供的又一实施例中，基于上述的方案，可选的，所述获取单元501，包括：
获取子单元，被配置为执行当检测到所述游戏新用户进入竞技预备状态时，获取所述游戏新用户的前N个竞技结果信息，N为正整数；
第二生成子单元，被配置为执行基于所述游戏新用户的前N个竞技结果信息组成所述游戏新用户的待预测日志数据。
在本公开提供的又一实施例中，基于上述的方案，可选的，所述预测单元503，包括：
输入子单元，用于将所述目标特征数据输入至所述集成学习算法模型，使得所述集成学习算法模型中的每个分类器对所述目标特征数据中的与该分类器相对应的特征维度的基础特征数据进行识别，得到每个所述分类器的识别结果；
处理子单元，用于对各个所述分类器的识别结果进行处理，得到所述游戏新用户的用户流失预测结果。
在本公开提供的又一实施例中，基于上述的方案，可选的，所述游戏新用户的防流失装置还包括竞技模式处理单元，所述竞技模式处理单元被配置为执行：
若所述游戏新用户不满足所述补偿条件，则使得所述游戏新用户处于标准竞技模式。
关于上述实施例中的装置，其中各个模块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。
图6是根据一示例性实施例示出的一种用于电子设备600的框图。例如，电子设备600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图6，电子设备600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出(I/O)的接口612，传感器组件614，以及通信组件616。
处理组件602通常控制电子设备600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602可以包括一个或多个处理器620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602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在设备600的操作。这些数据的示例包括用于在电子设备600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604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606为电子设备600的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为电子设备600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述电子设备600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608包括一个前置摄像头和/或后置摄像头。当设备600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610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当电子设备600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604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。
I/O接口612为处理组件602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614包括一个或多个传感器，用于为电子设备600提供各个方面的状态评估。例如，传感器组件614可以检测到设备600的开放/关闭状态，组件的相对定位，例如所述组件为电子设备600的显示器和小键盘，传感器组件614还可以检测电子设备600或电子设备600一个组件的位置改变，用户与电子设备600接触的存在或不存在，电子设备600方位或加速/减速和电子设备600的温度变化。传感器组件614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614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614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616被配置为便于电子设备600和其他设备之间有线或无线方式的通信。电子设备600可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件616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616还包括近场通信(NFC)模块，以促进短程通信。例如，在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，电子设备600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，用于执行上述游戏新用户的防流失方法。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器604，上述指令可由电子设备600的处理器620执行以完成上述游戏新用户的防流失方法。可选地，存储介质可以是非临时性计算机可读存储介质，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。
在示例性实施例中，还提供了一种计算机程序产品，该计算机程序产品包括可读性程序代码，该可读性程序代码可由电子设备600的处理器620执行以完成任一实施例所述的游戏新用户的防流失方法。可选地，该程序代码可以存储在电子设备600的存储介质中，该存储介质可以是非临时性计算机可读存储介质，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。
另外，电子设备600包括一些未示出的功能模块，在此不再赘述。
图7是本公开的一个实施例提供的另一电子设备的结构示意图。请参考图7，在硬件层面，该电子设备包括处理器，如中央处理器(Central Processing Unit，CPU)。可选地，该电子设备还包括内部总线704、网络接口702、存储器705、I/O控制器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)和只读存储器(Read-OnlyMemory，ROM)，也可能还包括大容量存储设备706，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponentInterconnect，外设部件互连标准)总线或EISA(Extended IndustryStandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
存储器，用于存储处理器可执行指令。其中，处理器被配置为执行存储器存储的指令，在逻辑上形成游戏新用户的防流失装置，以实现本公开的任一实施例提供的游戏新用户的防流失方法，并取得相同的技术效果。
上述如本公开图1所示实施例揭示的游戏新用户的防流失方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开一个或多个实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
当然，除了软件实现方式之外，本公开的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本公开实施例还提出了一种计算机可读存储介质，当所述存储介质中的指令由游戏新用户的防流失电子设备的处理器执行时，使得游戏新用户的防流失电子设备能够执行本公开任一实施例提供的游戏新用户的防流失方法，并取得相同的技术效果。
本公开实施例还提出了一种计算机程序产品，包括一条或多条指令，该一条或多条指令能够由服务器的处理器执行，以完成本公开所提供的游戏新用户的防流失方法的步骤，并取得相同的技术效果。
上述对本公开特定实施例进行了描述，其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、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公开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，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种游戏新用户的防流失方法，其特征在于，包括：
获取游戏新用户的待预测日志数据，所述待预测日志数据包含所述游戏新用户在竞技模式下所产生的竞技结果信息，所述竞技结果信息包括所述游戏新用户在所述竞技模式下参与每次竞技对局产生的状态信息，所述状态信息包括对局胜负信息；所述竞技模式的类型包括标准竞技模式以及补偿竞技模式；
对所述待预测日志数据进行特征提取，得到所述游戏新用户的目标特征数据，所述目标特征数据包含各个预先设置的特征维度的基础特征数据；
将所述目标特征数据输入至集成学习算法模型，使得所述集成学习算法模型中的每个分类器对所述目标特征数据中的与该分类器相对应的特征维度的基础特征数据进行识别，得到每个所述分类器的识别结果；
对各个所述分类器的识别结果进行处理，得到所述游戏新用户的用户流失预测结果；
基于所述用户流失预测结果判断所述游戏新用户是否满足预先设置的补偿条件；所述补偿条件为所述游戏新用户处于预备流失状态；
在所述游戏新用户满足所述补偿条件的情况下，若所述游戏新用户在前一竞技对局中处于标准竞技模式，则自动切换竞技模式，使所述游戏新用户处于补偿竞技模式，若所述游戏新用户在前一竞技对局中处于补偿竞技模式，则保持所述游戏新用户处于所述补偿竞技模式；所述补偿竞技模式下的游戏胜率比所述标准竞技模式下的游戏胜率高；
所述集成学习算法模型的训练过程，包括：
获取训练样本集合，所述训练样本集合包含每个历史用户的训练样本；每个所述历史用户的训练样本依据该历史用户的历史日志数据得到；
应用所述训练样本集合中的训练样本对预先构建的初始集成学习算法模型进行训练，得到集成学习算法模型，所述初始集成学习算法模型包括多个按预先设置的组合规则进行组合的初始分类器，每个所述初始分类器与每个所述特征维度相对应。
2.根据权利要求1所述的方法，其特征在于，所述对所述待预测日志数据进行特征提取，得到所述游戏新用户的目标特征数据，包括：
在所述待预测日志数据中提取出每个预先设置的特征维度的特征数据；
对每个所述特征维度的特征数据进行预处理，得到每个所述特征维度的基础特征数据；
基于每个所述特征维度的特征数据组成所述游戏新用户的目标特征数据。
3.根据权利要求1所述的方法，其特征在于，所述基于所述用户流失预测结果判断所述游戏新用户是否满足预先设置的补偿条件，包括：
确定所述用户流失预测结果表征的状态类型；
若所述状态类型为预备流失状态，则判定所述游戏新用户满足预先设置的补偿条件；
若所述状态类型不为预备流失状态，则判定所述游戏新用户不满足预先设置的补偿条件。
4.根据权利要求1所述的方法，其特征在于，所述获取处于标准竞技模式的游戏新用户的待预测日志数据，包括：
当检测到所述游戏新用户进入竞技预备状态时，获取所述游戏新用户的前N个竞技结果信息，N为正整数；
基于所述游戏新用户的前N个竞技结果信息组成所述游戏新用户的待预测日志数据。
5.根据权利要求1所述的方法，其特征在于，还包括：
若所述游戏新用户不满足所述补偿条件，则使得所述游戏新用户处于标准竞技模式。
6.一种游戏新用户的防流失装置，其特征在于，包括：
获取单元，被配置为执行获取游戏新用户的待预测日志数据，所述待预测日志数据包含所述游戏新用户在竞技模式下所产生的竞技结果信息，所述竞技结果信息包括所述游戏新用户在所述竞技模式下参与每次竞技对局产生的状态信息，所述状态信息包括对局胜负信息，所述竞技模式的类型包括标准竞技模式以及补偿竞技模式；
特征提取单元，被配置为执行对所述待预测日志数据进行特征提取，得到所述游戏新用户的目标特征数据，所述目标特征数据包含各个预先设置的特征维度的基础特征数据；
预测单元，被配置为执行将所述目标特征数据输入至预先训练完成的集成学习算法模型中，得到所述游戏新用户对应的用户流失预测结果；
判断单元，被配置为执行基于所述用户流失预测结果判断所述游戏新用户是否满足预先设置的补偿条件；所述补偿条件为所述游戏新用户处于预备流失状态；
补偿执行单元，被配置为执行在所述游戏新用户满足所述补偿条件的情况下，若所述游戏新用户在前一竞技对局中处于标准竞技模式，则自动切换竞技模式，使所述游戏新用户处于补偿竞技模式，若所述游戏新用户在前一竞技对局中处于补偿竞技模式，则保持所述游戏新用户处于所述补偿竞技模式；所述补偿竞技模式下的游戏胜率比所述标准竞技模式下的游戏胜率高；
模型训练单元，被配置为执行：
获取训练样本集合，所述训练样本集合包含每个历史用户的训练样本；每个所述历史用户的训练样本依据该历史用户的历史日志数据得到；
应用所述训练样本集合中的训练样本对预先构建的初始集成学习算法模型进行训练，得到集成学习算法模型，所述初始集成学习算法模型包括多个按预先设置的组合规则进行组合的初始分类器，每个所述初始分类器与每个所述特征维度相对应；
所述预测单元，包括：
输入子单元，用于将所述目标特征数据输入至所述集成学习算法模型，使得所述集成学习算法模型中的每个分类器对所述目标特征数据中的与该分类器相对应的特征维度的基础特征数据进行识别，得到每个所述分类器的识别结果；
处理子单元，用于对各个所述分类器的识别结果进行处理，得到所述游戏新用户的用户流失预测结果。
7.根据权利要求6所述的装置，其特征在于，所述特征提取单元，包括：
提取子单元，被配置为执行在所述待预测日志数据中提取出每个预先设置的特征维度的特征数据；
预处理子单元，被配置为执行对每个所述特征维度的特征数据进行预处理，得到每个
所述特征维度的基础特征数据；
第一生成子单元，被配置为执行基于每个所述特征维度的特征数据组成所述游戏新用户的目标特征数据。
8.根据权利要求6所述的装置，其特征在于，所述判断单元，包括：
确定子单元，被配置为执行确定所述用户流失预测结果表征的状态类型；
第一判定子单元，被配置为执行若所述状态类型为预备流失状态，则判定所述游戏新用户满足预先设置的补偿条件；
第二判定子单元，被配置为执行若所述状态类型不为预备流失状态，则判定所述游戏新用户不满足预先设置的补偿条件。
9.根据权利要求6所述的装置，其特征在于，所述获取单元，包括：
获取子单元，被配置为执行当检测到所述游戏新用户进入竞技预备状态时，获取所述游戏新用户的前N个竞技结果信息，N为正整数；
第二生成子单元，被配置为执行基于所述游戏新用户的前N个竞技结果信息组成所述游戏新用户的待预测日志数据。
10.根据权利要求6所述的装置，其特征在于，所述游戏新用户的防流失装置还包括竞技模式处理单元，所述竞技模式处理单元被配置为执行：
若所述游戏新用户不满足所述补偿条件，则使得所述游戏新用户处于标准竞技模式。
11.一种电子设备，其特征在于，包括：
处理器；
用于存储所述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所述指令，以实现如权利要求1至5中任一项所述的游戏新用户的防流失方法。
12.一种存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1至5中任一项所述的游戏新用户的防流失方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010722862.0A CN111821694B (zh) | 2020-07-24 | 2020-07-24 | 游戏新用户的防流失方法及装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010722862.0A CN111821694B (zh) | 2020-07-24 | 2020-07-24 | 游戏新用户的防流失方法及装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111821694A CN111821694A (zh) | 2020-10-27 |
| CN111821694B true CN111821694B (zh) | 2024-05-21 |
Family
ID=72924858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010722862.0A Active CN111821694B (zh) | 2020-07-24 | 2020-07-24 | 游戏新用户的防流失方法及装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111821694B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117618918B (zh) * | 2024-01-25 | 2024-04-19 | 腾讯科技（深圳）有限公司 | 虚拟场景处理方法、装置、电子设备及存储介质 |
Citations (9)
| 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 |
| CN106102847A (zh) * | 2014-02-27 | 2016-11-09 | 交互数字技术公司 | 用于留存网络游戏和服务的消费者的方法和装置 |
| CN106529727A (zh) * | 2016-11-18 | 2017-03-22 | 腾讯科技（深圳）有限公司 | 一种用户流失预测模型生成方法及相关装置 |
| CN107609708A (zh) * | 2017-09-25 | 2018-01-19 | 广州赫炎大数据科技有限公司 | 一种基于手机游戏商店的用户流失预测方法及系统 |
| CN107944915A (zh) * | 2017-11-21 | 2018-04-20 | 北京深极智能科技有限公司 | 一种游戏用户行为分析方法及计算机可读存储介质 |
| CN109447361A (zh) * | 2018-11-07 | 2019-03-08 | 成都夏飞科技有限公司 | 基于bp神经网络的游戏用户流失预测方法 |
| CN109815631A (zh) * | 2019-02-26 | 2019-05-28 | 网易（杭州）网络有限公司 | 一种游戏数据的处理方法和装置 |
| CN110585726A (zh) * | 2019-09-16 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 用户召回方法、装置、服务器及计算机可读存储介质 |
| CN110837931A (zh) * | 2019-11-08 | 2020-02-25 | 中国农业银行股份有限公司 | 客户流失预测方法、装置及存储介质 |
-
2020
- 2020-07-24 CN CN202010722862.0A patent/CN111821694B/zh active Active
Patent Citations (9)
| 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 |
| CN106102847A (zh) * | 2014-02-27 | 2016-11-09 | 交互数字技术公司 | 用于留存网络游戏和服务的消费者的方法和装置 |
| CN106529727A (zh) * | 2016-11-18 | 2017-03-22 | 腾讯科技（深圳）有限公司 | 一种用户流失预测模型生成方法及相关装置 |
| CN107609708A (zh) * | 2017-09-25 | 2018-01-19 | 广州赫炎大数据科技有限公司 | 一种基于手机游戏商店的用户流失预测方法及系统 |
| CN107944915A (zh) * | 2017-11-21 | 2018-04-20 | 北京深极智能科技有限公司 | 一种游戏用户行为分析方法及计算机可读存储介质 |
| CN109447361A (zh) * | 2018-11-07 | 2019-03-08 | 成都夏飞科技有限公司 | 基于bp神经网络的游戏用户流失预测方法 |
| CN109815631A (zh) * | 2019-02-26 | 2019-05-28 | 网易（杭州）网络有限公司 | 一种游戏数据的处理方法和装置 |
| CN110585726A (zh) * | 2019-09-16 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 用户召回方法、装置、服务器及计算机可读存储介质 |
| CN110837931A (zh) * | 2019-11-08 | 2020-02-25 | 中国农业银行股份有限公司 | 客户流失预测方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111821694A (zh) | 2020-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106528389B (zh) | 系统流畅性的性能评测方法、装置及终端 | |
| US10643054B2 (en) | Method and device for identity verification | |
| CN112426724B (zh) | 游戏用户的匹配方法、装置、电子设备及存储介质 | |
| CN109951476B (zh) | 基于时序的攻击预测方法、装置及存储介质 | |
| CN111821694B (zh) | 游戏新用户的防流失方法及装置、电子设备及存储介质 | |
| CN111428032B (zh) | 内容质量评价方法及装置、电子设备、存储介质 | |
| CN107025421B (zh) | 指纹识别方法和装置 | |
| CN110633470A (zh) | 命名实体识别方法、装置及存储介质 | |
| CN111242188A (zh) | 入侵检测方法、装置及存储介质 | |
| CN112148923B (zh) | 搜索结果的排序方法、排序模型的生成方法、装置及设备 | |
| CN112150457A (zh) | 视频检测方法、装置及计算机可读存储介质 | |
| KR20160150635A (ko) | 클라우드 카드를 추천하기 위한 방법 및 장치 | |
| CN110941727B (zh) | 一种资源推荐方法、装置、电子设备及存储介质 | |
| CN111539617B (zh) | 数据处理方法和装置、电子设备、交互系统和存储介质 | |
| CN114189719B (zh) | 视频信息提取方法、装置、电子设备及存储介质 | |
| CN113487711B (zh) | 虚拟形象的眨眼控制方法、装置、电子设备及存储介质 | |
| CN112256892B (zh) | 视频推荐方法、装置、电子设备及存储介质 | |
| CN114676308A (zh) | 搜索词推荐方法、装置、电子设备、存储介质及产品 | |
| CN110929055B (zh) | 多媒体质量检测方法、装置、电子设备及存储介质 | |
| CN116136855A (zh) | 一种账户分组的确定方法、装置、电子设备及存储介质 | |
| CN111898019B (zh) | 信息推送方法及装置 | |
| CN110020117B (zh) | 一种兴趣信息获取方法、装置及电子设备 | |
| CN116193209B (zh) | 交互数据预测模型训练方法、装置、电子设备及存储介质 | |
| CN111985305A (zh) | 防窥屏方法、装置及终端设备 | |
| CN111753266A (zh) | 用户认证方法、多媒体内容的推送方法及装置 |
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 |