CN111888769A - 一种群组推荐方法、装置、电子设备及存储介质 - Google Patents
一种群组推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111888769A CN111888769A CN202010803817.8A CN202010803817A CN111888769A CN 111888769 A CN111888769 A CN 111888769A CN 202010803817 A CN202010803817 A CN 202010803817A CN 111888769 A CN111888769 A CN 111888769A
- Authority
- CN
- China
- Prior art keywords
- player
- group
- vector
- information
- game
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 441
- 230000006399 behavior Effects 0.000 claims description 163
- 239000011159 matrix material Substances 0.000 claims description 135
- 238000013507 mapping Methods 0.000 claims description 65
- 238000012549 training Methods 0.000 claims description 34
- 230000006978 adaptation Effects 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 25
- 238000012545 processing Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 10
- 230000015654 memory Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005304 joining Methods 0.000 description 5
- 238000010276 construction Methods 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
- 238000011156 evaluation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- A63F13/795—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories for finding other players; for building a team; for providing a buddy list
-
- 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
- A63F13/85—Providing additional services to players
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种群组推荐方法、装置、电子设备及存储介质,涉及信息推荐领域,所述方法包括:获取目标游戏中的游戏数据,该游戏数据包括:玩家的游戏行为信息、玩家与玩家之间的第一关系信息和玩家与群组之间的第二关系信息;根据玩家的游戏行为信息和所述第二关系信息,确定玩家与群组之间的游戏行为匹配度;根据玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,确定玩家与群组之间的模型匹配度;根据所述游戏行为匹配度和所述模型匹配度,从所述群组中选取与所述玩家对应的目标群组,并将所述目标群组推荐给所述玩家。本申请提高了推荐给玩家的目标群组与该玩家的匹配度,减少了玩家的流失率,提高了人机交互效率。
Description
技术领域
本申请涉及信息推荐技术领域,具体而言,涉及一种群组推荐方法、装置、电子设备及存储介质。
背景技术
群组是游戏中的一种社交团体,在同一个群组的玩家可以一起参与游戏,还可以一起进行游戏中的某些玩法。
其中,在游戏中,游戏流失玩家中无帮玩家占比较高,为了解决该问题,通过群组推荐服务,实现向玩家推荐群组,以提高提高玩家的积极性。但是,目前的群组推荐方法,推荐给玩家的群组并不符合玩家的需求,无法提高玩家的积极性,进而无法抑制玩家的流失率,导致人机交互效率低。
发明内容
有鉴于此,本申请的目的在于提供一种群组推荐方法、装置、电子设备及存储介质,通过游戏行为匹配度以及考虑到玩家的游戏行为和社交关系的模型匹配度,共同选取匹配玩家的目标群组并向玩家进行推荐,这样,提高了目标群组与玩家的匹配度,减少了玩家的流失率,提高了人机交互效率。
第一方面,本申请实施例提供了一种群组推荐方法,所述方法包括:
获取目标游戏中的游戏数据;其中,所述游戏数据包括:玩家的游戏行为信息、玩家与玩家之间的第一关系信息和玩家与群组之间的第二关系信息;
根据所述玩家的游戏行为信息和所述第二关系信息,确定所述玩家与所述群组之间的游戏行为匹配度;
根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,确定所述玩家与所述群组之间的模型匹配度;
根据所述游戏行为匹配度和所述模型匹配度,从所述群组中选取与所述玩家对应的目标群组,并将所述目标群组推荐给所述玩家。
在一种可能的实施方式中,所述根据所述玩家的游戏行为信息和所述第二关系信息,确定所述玩家与所述群组之间的游戏行为匹配度,包括:
根据所述玩家的游戏行为信息,生成所述玩家对应的第一游戏行为向量;
根据所述玩家对应的第一游戏行为向量和所述第二关系信息,生成所述群组对应的第二游戏行为向量;
根据所述第一游戏行为向量和所述第二游戏行为向量,计算所述玩家与所述群组之间的游戏行为匹配度。
在一种可能的实施方式中,所述根据所述玩家对应的第一游戏行为向量和所述第二关系信息,生成所述群组对应的第二游戏行为向量,包括:
根据所述玩家与群组之间的第二关系信息,确定所述群组中的目标玩家;
根据所述群组中的目标玩家以及所述玩家对应的第一游戏行为向量,确定所述群组对应的多个第一游戏行为向量和玩家数量;
根据所述群组对应的多个第一游戏行为向量和所述玩家数量,生成所述群组对应的第二游戏行为向量。
在一种可能的实施方式中,所述游戏行为信息包括以下至少之一:
游戏在线信息、游戏玩法信息、游戏战力信息。
在一种可能的实施方式中,所述根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,确定所述玩家与所述群组之间的模型匹配度,包括:
根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,建立所述玩家的玩家标识与第一最终嵌入向量的第一映射关系和所述群组的群组标识与第二最终嵌入向量的第二映射关系;
根据所述玩家的玩家标识和所述第一映射关系,获取所述玩家对应的第一最终嵌入向量;以及,根据所述群组的群组标识和所述第二映射关系,获取所述群组对应的第二最终嵌入向量;
根据所述第一最终嵌入向量以及所述第二最终嵌入向量,确定所述玩家与所述群组之间的模型匹配度。
在一种可能的实施方式中,所述根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,建立所述玩家的玩家标识与第一最终嵌入向量的第一映射关系和所述群组的群组标识与第二最终嵌入向量的第二映射关系,包括:
根据所述玩家的游戏行为信息以及所述第一关系信息,构建玩家与玩家之间的第一关系图;其中,所述第一关系图中包括玩家节点和表征所述第一关系信息的第一邻接矩阵;所述玩家节点包括第一游戏行为向量和玩家自适应向量;
根据所述玩家的游戏行为信息以及所述第二关系信息,构建玩家与群组之间的第二关系图;其中,所述第二关系图中包括玩家节点、群组节点和表征所述第二关系信息的第二邻接矩阵;所述群组节点包括第二游戏行为向量和群组自适应向量;
将所述第一关系图中的玩家节点和第一邻接矩阵以及所述第二关系图中的玩家节点、群组节点和第二邻接矩阵分别输入到所述群组推荐模型中,建立所述玩家标识与第一最终嵌入向量的第一映射关系,以及所述群组标识与第二最终嵌入向量的第二映射关系。
在一种可能的实施方式中,所述群组推荐模型包括嵌入网络和图卷积网络;所述将所述第一关系图中的玩家节点和第一邻接矩阵以及所述第二关系图中的玩家节点、群组节点和第二邻接矩阵分别输入到所述群组推荐模型中,建立所述玩家标识与第一最终嵌入向量的第一映射关系,以及所述群组标识与第二最终嵌入向量的第二映射关系,包括:
将所述第一关系图中的玩家节点以及所述第二关系图中的群组节点分别输入到嵌入网络中,得到所述玩家节点对应的第一初始嵌入向量以及所述群组节点对应的第二初始嵌入向量;
将所述第一初始嵌入向量和第一邻接矩阵以及所述第一初始嵌入向量、所述第二初始嵌入向量和第二邻接矩阵分别输入到所述图卷积网络中,得到所述玩家节点对应的第一中间嵌入向量和第二中间嵌入向量,以及所述群组节点对应的第三中间嵌入向量;
根据所述玩家节点对应的第一初始嵌入向量、所述第一中间嵌入向量和所述第二中间嵌入向量,建立所述玩家标识与所述第一最终嵌入向量的第一映射关系;以及,根据所述群组节点对应的第二初始嵌入向量和所述第三中间嵌入向量,建立所述群组标识与所述第二最终嵌入向量的第二映射关系。
在一种可能的实施方式中,所述嵌入网络包括:所述第一关系图对应的第一嵌入网络和所述第二关系图对应的第二嵌入网络;所述图卷积网络包括:所述第一关系图对应的第一图卷积网络和所述第二关系图对应的第二图卷积网络;
所述第一图卷积网络和所述第二图卷积网络分别包括三层图卷积网络;其中,所述第一中间嵌入向量为所述第一图卷积网络包括的三层图卷积网络各自输出结果的拼接向量;所述第二中间嵌入向量为所述第二图卷积网络包括的三层图卷积网络各自输出结果的第一拼接向量;所述第二中间嵌入向量为所述第二图卷积网络包括的三层图卷积网络各自输出结果的第二拼接向量;所述第一拼接向量对应的输入为所述第一初始嵌入向量和所述第二邻接矩阵;所述第二拼接向量对应的输入为所述第二初始嵌入向量和所述第二邻接矩阵。
在一种可能的实施方式中,确定所述第一邻接矩阵和所述第二邻接矩阵,包括:
根据所述玩家与玩家之间的第一关系信息,构建第一候选邻接矩阵;对所述第一候选邻接矩阵进行优化处理,得到第一拉普拉斯矩阵,将所述第一拉普拉斯矩阵作为所述第一邻接矩阵;
以及,
根据所述玩家与群组之间的第二关系信息,构建第二候选邻接矩阵;对所述第二候选邻接矩阵进行优化处理,得到第二拉普拉斯矩阵,将所述第二拉普拉斯矩阵作为所述第二邻接矩阵。
在一种可能的实施方式中,所述群组推荐模型还包括链路预测网络;所述根据所述第一最终嵌入向量以及所述第二最终嵌入向量,确定所述玩家与所述群组之间的模型匹配度,包括:
将所述第一最终嵌入向量以及所述第二最终嵌入向量进行拼接,并输入到所述链路预测网络中,得到所述玩家与所述群组之间的模型匹配度。
在一种可能的实施方式中,所述根据所述游戏行为匹配度和所述模型匹配度,从所述群组中选取与所述玩家对应的目标群组,包括:
根据所述游戏行为匹配度和所述模型匹配度,计算每一个玩家与每一个群组对应的综合匹配度;
根据每一个玩家与每一个群组对应的综合匹配度,从所述群组中选取该玩家对应的目标群组。
在一种可能的实施方式中,所述将所述目标群组推荐给所述玩家,包括:
接收所述玩家对应的用户端发送的推荐请求;
基于所述推荐请求,获取与所述玩家对应的目标群组,并将所述目标群组推荐给所述玩家对应的用户端。
在一种可能的实施方式中,在从所述群组中选取与所述玩家对应的目标群组之后,所述方法还包括:
根据预设的游戏条件,生成所述目标群组对应的推荐理由;
所述将所述目标群组推荐给所述玩家,包括:
将所述目标群组和所述目标群组对应的推荐理由推荐给所述玩家。
在一种可能的实施方式中,通过如下方法训练所述群组推荐模型:
构建训练数据样本,所述训练数据样本中包括二元组信息和所述二元组信息对应的匹配度;其中,所述二元组信息包括玩家标识和群组标识;
根据所述二元组信息、所述第一映射关系以及所述第二映射关系,获取所述玩家对应的第一最终嵌入向量以及所述群组对应的第二最终嵌入向量;
将所述第一最终嵌入向量和所述第二最终嵌入向量输入到所述群组推荐模型中,根据所述群组推荐模型的输出结果以及所述二元组信息对应的匹配度,调整所述群组推荐模型的模型参数,直至所述群组推荐模型基于所述第一最终嵌入向量和所述第二最终嵌入向量的输出结果和所述匹配度相一致,得到包括训练好的群组推荐模型。
在一种可能的实施方式中,所述二元组信息对应的匹配度,包括:
玩家是否在群组中的匹配结果、玩家在群组中对应的第一权重值以及玩家不在群组中对应的第二权重值;
玩家申请或者拒绝推荐群组的匹配结果、玩家申请群组对应的第三权重值以及玩家拒绝推荐群组对应的第四权重值;
以及,群组同意或者拒绝玩家的匹配结果、群组同意玩家对应的第五权重值以及群组拒绝玩家对应的第六权重值。
在一种可能的实施方式中,训练好的群组推荐模型的模型参数包括:
所述玩家自适应向量、所述群组自适应向量、所述嵌入网络的网络参数、所述图卷积网络的网络参数、所述链路预测网络的网络参数。
第二方面,本申请实施例还提供了一种群组推荐装置,所述推荐装置包括:
获取模块,用于获取目标游戏中的游戏数据;其中,所述游戏数据包括:玩家的游戏行为信息、玩家与玩家之间的第一关系信息和玩家与群组之间的第二关系信息;
第一确定模块,用于根据所述玩家的游戏行为信息和所述第二关系信息,确定所述玩家与所述群组之间的游戏行为匹配度;
第二确定模块,用于根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,确定所述玩家与所述群组之间的模型匹配度;
选取模块,用于根据所述游戏行为匹配度和所述模型匹配度,从所述群组中选取与所述玩家对应的目标群组;
推荐模块,用于将所述目标群组推荐给所述玩家。
第三方面,本申请实施例还提供了一种电子设备,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,当电子设备运行时,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,以执行如第一方面任一项所述的群组推荐方法的步骤。
第四方面,本申请实施例还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如第一方面任一项所述的群组推荐方法的步骤。
本申请实施例提供的一种群组推荐方法、装置、电子设备及存储介质,获取目标游戏中的游戏数据,该游戏数据包括:玩家的游戏行为信息、玩家与玩家之间的第一关系信息和玩家与群组之间的第二关系信息;根据玩家的游戏行为信息和第二关系信息,确定玩家与群组之间的游戏行为匹配度;根据玩家的游戏行为信息、第一关系信息以及第二关系信息,确定玩家与群组之间的模型匹配度;根据游戏行为匹配度和模型匹配度,从群组中选取与玩家对应的目标群组,并将目标群组推荐给玩家。本申请中,通过游戏行为匹配度以及考虑到玩家的游戏行为和社交关系的模型匹配度,共同选取匹配玩家的目标群组并向玩家进行推荐,这样,提高了目标群组与玩家的匹配度,减少了玩家的流失率,提高了人机交互效率。
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示出了本申请实施例提供的一种群组推荐方法流程图;
图2示出了本申请实施例提供的另一种群组推荐方法的流程图;
图3a示出了本申请实施例提供的另一种群组推荐方法的流程图;
图3b示出了本申请实施例提供的一种群组推荐模型(包括嵌入网络、图卷积网络和链路预测网络)的示意图;
图3c示出了群组推荐模型中图卷积网络的示意图;
图3d示出了群组推荐模型中链路预测网络的示意图;
图4示出了本申请实施例提供的另一种群组推荐方法的流程图;
图5示出了本申请实施例提供的另一种群组推荐方法的流程图;
图6示出了本申请实施例提供的一种群组推荐方法的整体流程图;
图7示出了本申请实施例提供的一种群组推荐装置的结构示意图;
图8示出了本申请实施例提供的一种电子设备的结构示意图。
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,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,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。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。另外,本申请实施例中术语“用户”和“玩家”可以互换,用于指进行游戏的个人或者主体。
目前,向玩家推荐群组的方式,推荐给玩家的群组并不符合玩家的需求,无法提高玩家的积极性,进而无法抑制玩家的流失率,导致人机交互效率低。
基于此,本申请实施例提供了一种群组推荐方法、装置、电子设备及存储介质,通过游戏行为匹配度以及考虑到玩家的游戏行为和社交关系的模型匹配度,共同选取匹配玩家的目标群组并向玩家进行推荐,这样,提高了目标群组与玩家的匹配度,减少了玩家的流失率,提高了人机交互效率。
为便于对本实施例进行理解,下面对本申请实施例提供的一种群组推荐方法进行详细介绍。本申请实施例中的上述群组推荐方法可以应用于终端设备,也可以应用于服务器,下面以应用于服务器为例进行说明。
如图1所示,为本申请实施例提供的一种群组推荐方法,可以应用于服务器,所述方法包括:
S101、获取目标游戏中的游戏数据;其中,所述游戏数据包括:玩家的游戏行为信息、玩家与玩家之间的第一关系信息和玩家与群组之间的第二关系信息。
S102、根据所述玩家的游戏行为信息和所述第二关系信息,确定所述玩家与所述群组之间的游戏行为匹配度。
S103、根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,确定所述玩家与所述群组之间的模型匹配度。
S104、根据所述游戏行为匹配度和所述模型匹配度,从所述群组中选取与所述玩家对应的目标群组,并将所述目标群组推荐给所述玩家。
本申请实施例提供的一种群组推荐方法,获取目标游戏中的游戏数据,该游戏数据包括:玩家的游戏行为信息、玩家与玩家之间的第一关系信息和玩家与群组之间的第二关系信息;根据玩家的游戏行为信息和第二关系信息,确定玩家与群组之间的游戏行为匹配度;根据玩家的游戏行为信息、第一关系信息以及第二关系信息,确定玩家与群组之间的模型匹配度;根据游戏行为匹配度和模型匹配度,从群组中选取与玩家对应的目标群组,并将目标群组推荐给玩家。本申请中,通过游戏行为匹配度以及考虑到玩家的游戏行为和社交关系的模型匹配度,共同选取匹配玩家的目标群组并向玩家进行推荐,这样,提高了目标群组与玩家的匹配度,减少了玩家的流失率,提高了人机交互效率。
下面分别对本申请实施例的上述示例性的各步骤分别进行说明:
S101、获取目标游戏中的游戏数据;其中,所述游戏数据包括:玩家的游戏行为信息、玩家与玩家之间的第一关系信息和玩家与群组之间的第二关系信息。
本申请实施例中,游戏数据中包括玩家的玩家标识和群组标识;其中,玩家标识,即玩家的身份标识号(Identity Document,ID);群组的群组标识,即群组ID,比如为,游戏中的帮会ID。通过玩家标识能够区分不同的玩家;通过群组标识能够区分不同群组。另外,玩家的游戏行为信息包括玩家在游戏中的在线信息、玩法信息和战力信息;玩家与玩家之间的第一关系信息包括:玩家的社交信息;玩家与群组之间的第二关系信息包括:玩家是否在群组以及在哪个群组。
具体实施方式中,服务器包括三个部分,数据模块、离线推荐模块、在线服务模块。其中,数据模块用于进行离线数据的收集;这里,数据模块从目标游戏的日志数据库中获取上述游戏数据,该游戏数据包括:
1、玩家ID、群组ID;2、玩家的在线信息,包括玩家的上线时间、玩家的下线时间;3、玩家的玩法信息,包括玩家参加玩家对战玩家(Player versus player,PVP)玩法的次数、玩家参加玩家对战环境(Player VS Environment,PVE)玩法的次数、玩家在野外击杀的人次、玩家在野外被击杀的次数;4、玩家的战力信息,包括玩家的总评分数、玩家的装备评分、玩家的技能评分;5、玩家的社交信息,包括玩家的好友列表;6、玩家是否在帮会,以及玩家在哪个帮会;7、玩家申请或者拒绝申请推荐帮会的记录;8、帮会管理员同意/拒绝玩家申请的记录。
其中,上述游戏数据2、游戏数据3、游戏数据4用于计算游戏行为匹配度;具体的,游戏数据2用于计算时间匹配度,游戏数据3用于计算玩法匹配度,游戏数据4用于计算战力匹配度。游戏数据5用于构建玩家与玩家之间的第一关系图(也即玩家-玩家关系图);游戏数据6用于构建玩家与群组之间的第二关系图(也即玩家-帮会关系图)。
S102、根据所述玩家的游戏行为信息和所述第二关系信息,确定所述玩家与所述群组之间的游戏行为匹配度。
本申请实施例中,根据所述玩家的游戏行为信息,生成所述玩家对应的第一游戏行为向量;根据所述玩家对应的第一游戏行为向量和所述第二关系信息,生成所述群组对应的第二游戏行为向量;根据所述第一游戏行为向量和所述第二游戏行为向量,计算所述玩家与所述群组之间的游戏行为匹配度。其中,上述游戏行为匹配度包括:时间匹配度、玩法匹配度和战力匹配度。
其中,如图2所示,所述根据所述玩家对应的第一游戏行为向量和所述第二关系信息,生成所述群组对应的第二游戏行为向量,包括:
S201、根据所述玩家与群组之间的第二关系信息,确定所述群组中的目标玩家。
S202、根据所述群组中的目标玩家以及所述玩家对应的第一游戏行为向量,确定所述群组对应的多个第一游戏行为向量和玩家数量。
S203、根据所述群组对应的多个第一游戏行为向量和所述玩家数量,生成所述群组对应的第二游戏行为向量。
本申请实施例中,数据模块需要对获取的游戏行为信息进行处理,得到第一游戏行为向量,以便通过处理后的数据(即上述第一游戏行为向量)计算玩家与群组之间的游戏行为匹配度,具体处理过程如下:
第一、玩家的在线信息包括玩家的上线时间和玩家的下线时间;其中,对玩家上线时间和下线时间做离散化处理。比如,在一天中,以每半小时为单位构建一个大小为48的全零向量T,具体构建方法如下:
如果玩家在0:00~0:30时间段在线超过5分钟,T[0]=1;
如果玩家在0:30~1:00时间段在线超过5分钟,T[1]=1;
如果玩家在1:00~1:30时间段在线超过5分钟,T[2]=1;
以此类推,由此得到玩家的时间向量。
第二、玩家的玩法信息,对玩家的玩法信息做归一化处理,以将玩家的不同的玩法映射到同一映射空间。
比如,对于玩家参加PVP玩法的次数,记为A;计算所有玩家A的平均值,mean(A);计算所有玩家A的方差,std(A);计算(A-mean(A))/std(A),作为归一化的‘玩家参加PVP玩法的次数’;其他的玩法信息,比如玩家参加PVE玩法的次数、玩家在野外击杀的人次、玩家在野外被击杀的次数,也做相同的处理;最后获得一个大小为4的玩法向量,分别代表归一化的‘玩家参加PVP玩法的次数’、‘玩家参加PVE玩法的次数’、‘玩家在野外击杀的人次’、‘玩家在野外被击杀的次数’。
第三、玩家的战力信息,这部分数据的处理同玩家的玩法信息,也即,对玩家的战力信息进行归一化处理,获得一个大小为3的战力向量,分别代表归一化的‘玩家的总评分数’、‘玩家的装备评分’、‘玩家的技能评分’。
下面分别说明上述时间匹配度、玩法匹配度和战力匹配度的计算方法:
a)计算时间匹配度:
1、获取玩家的时间向量;2、根据玩家的时间向量和玩家与群组之间的第二关系信息,计算群组的时间向量;其中,群组的时间向量即为群组内所有玩家的时间向量的平均值;3、计算玩家-群组的时间匹配度,即计算玩家的时间向量与群组的时间向量之间的余弦相似度:其中,cos(A,B)表示玩家的时间向量与群组的时间向量之间的余弦相似度,A表示玩家的时间向量,B表示群组的时间向量。
b)计算玩法匹配度:1、获取玩家的玩法向量;2、根据玩家的玩法向量和玩家与群组之间的第二关系信息,计算群组的玩法向量;其中,群组的玩法向量即为群组内所有玩家的玩法向量的平均值;3、计算玩家-群组玩法匹配度,即计算玩家的玩法向量与群组的玩法向量之间的余弦相似度。
c)计算战力匹配度:1、获取玩家的战力向量;2、根据玩家的战力向量和玩家与群组之间的第二关系信息,计算群组的战力向量;其中,群组的战力向量即为群组内所有玩家的战力向量的平均值;3、计算玩家-群组的战力匹配度,即计算玩家的战力向量与群组的战力向量之间的余弦相似度。
S103、根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,确定所述玩家与所述群组之间的模型匹配度。
本申请实施例中,根据玩家的游戏行为信息和第一关系信息,构建玩家与玩家之间的第一关系图(即玩家-玩家原始关系图),并基于该第一关系图和群组推荐模型,确定玩家对应的第一最终嵌入向量。
根据玩家的游戏行为信息和第二关系信息,构建玩家与群组之间的第二关系图(即玩家-群组原始关系图),并基于该第二关系图和群组推荐模型,确定群组对应的第二最终嵌入向量。
之后,根据玩家对应的第一最终嵌入向量和群组对应的第二最终嵌入向量,确定所述玩家与所述群组之间的模型匹配度。
S104、根据所述游戏行为匹配度和所述模型匹配度,从所述群组中选取与所述玩家对应的目标群组,并将所述目标群组推荐给所述玩家。
本申请实施例中,根据玩家与群组之间的游戏行为匹配度和玩家与群组之间的模型匹配度,计算每一个玩家与每一个群组对应的综合匹配度;根据每一个玩家与每一个群组对应的综合匹配度,从多个群组中选取与每个玩家相匹配的目标群组。
这里,计算每个玩家与每个群组之间的综合匹配度的方式如下:综合匹配度=时间匹配度+玩法匹配度+战力匹配度+模型匹配度。针对每个玩家,选取与该玩家的综合匹配度大于预设阈值的目标群组;或者,根据该玩家与每个群组的综合匹配度的排序顺序,从多个群组中选取排在前面的预设个数的目标群组。
本申请实施例中,在从所述群组中选取与所述玩家对应的目标群组之后,根据预设的游戏条件,生成所述目标群组对应的推荐理由,之后,将将所述目标群组和所述目标群组对应的推荐理由推荐给所述玩家。
推荐理由如表1所示:
标签 | 含义 |
需求大 | 剩余帮众人数大于A人 |
氛围好 | 群组内日均发言次数超过B次 |
人气高 | 帮众平均在线时长超过C小时 |
好友多 | 超过D个友好度高的好友在这个群组 |
表1
本申请实施例提供的一种群组推荐方法,通过游戏行为匹配度以及考虑到玩家的游戏行为和社交关系的模型匹配度,共同选取匹配玩家的目标群组并向玩家进行推荐,这样,提高了目标群组与玩家的匹配度,提高了玩家的游戏体验以及玩家的积极性,减少了玩家的流失率,提高了人机交互效率。
进一步的,如图3a所示,本申请实施例提供的群组推荐方法中,所述根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,确定所述玩家与所述群组之间的模型匹配度,包括:
S301、根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,建立所述玩家的玩家标识与第一最终嵌入向量的第一映射关系和所述群组的群组标识与第二最终嵌入向量的第二映射关系。
其中,建立该第一映射关系和第二映射关系的方式包括以下三个步骤:
第一步,根据所述玩家的游戏行为信息以及所述第一关系信息,构建玩家与玩家之间的第一关系图;其中,所述第一关系图中包括玩家节点和表征所述第一关系信息的第一邻接矩阵;所述玩家节点包括第一游戏行为向量和玩家自适应向量。
具体的,每个玩家对应有玩家关系列表,该玩家关系列表中包括玩家与其他玩家的:好友关系、组队关系、交易关系等;基于该玩家的游戏行为信息和玩家关系列表,构建玩家-玩家关系图(即上述第一关系图)。其中,玩家-玩家关系图(即上述第一关系图)由2个元素组成,分别是玩家节点集合U和第一邻接矩阵E1。其中,玩家节点集合U中包括多个玩家节点,第一邻接矩阵E1表征玩家与玩家之间的第一关系信息。
(1)构建玩家节点;玩家节点包括玩家ID、玩家时间向量、玩家玩法向量、玩家战力向量和玩家自适应向量;其中,这里的,初始的玩家自适应向量不是从真实的数据中获取的,而是随机初始化的向量,这里的玩家自适应向量是在群组推荐模型的训练中被训成符合玩家个性化的向量。
(2)玩家节点与玩家节点之间的连边则用第一邻接矩阵表示,构建第一候选邻接矩阵。第一候选邻接矩阵是一个二维的矩阵,两个维度都代表节点,矩阵中的值代表对应的两个节点之间是否有边。如E[1][2]=1,代表节点1和节点2之间有边连接;E[1][3]=0,代表节点1和节点3之间没有边。
第一候选邻接矩阵中的值由玩家的关系进行填充:
1)如果玩家i和玩家j之间满足关系,那么E1[i][j]=1,且E[j][i]=1。
2)如果玩家i和玩家j之间不满足关系,那么E1[i][j]=0,且E[j][i]=0。
通过第一候选邻接矩阵,可以获得每个节点的邻居节点,从而使得节点可以聚合邻居节点的信息。但是上述第一候选邻接矩阵有两个缺点:1是会使得邻居多的节点获得过多的信息,而邻居少的节点逐渐散失信息;2是节点仅聚合了邻居节点的信息,但是丢失了自身的信息。
因此,本申请实施例中,对第一候选邻接矩阵进行优化处理,得到第一拉普拉斯矩阵,将该第一拉普拉斯矩阵作为第一邻接矩阵。具体优化处理方法包括:
所有节点顶点添加与自身节点相连的边,E1表示第一候选邻接矩阵;表示每个节点增加了该节点自身的连边得到的结果;I表示单位矩阵,单位矩阵是个方阵,从左上角到右下角的对角线(称为主对角线)上的元素均为1,除此以外全都为0;
通过上述操作获得的拉普拉斯矩阵作为新的邻接矩阵(即第一邻接矩阵),用来衡量节点之间的相邻情况。
至此,获得了玩家-玩家关系图,具体包含玩家节点和第一邻接矩阵。其中,玩家节点包含玩家ID、玩家时间向量、玩家玩法向量、玩家战力向量、玩家社交向量和玩家自适应向量;第一邻接矩阵是一个归一化的邻接矩阵。
第二步、根据所述玩家的游戏行为信息以及所述第二关系信息,构建玩家与群组之间的第二关系图;其中,所述第二关系图中包括玩家节点、群组节点和表征所述第二关系信息的第二邻接矩阵;所述群组节点包括第二游戏行为向量和群组自适应向量。
根据玩家的游戏行为信息,以及,玩家与群组之间的第二关系信息,构建玩家-群组关系图(即第二关系图)。根据数据⑥(玩家是否在群组,以及在哪个群组),构建玩家-群组关系图。其中,玩家-群组关系图由3个元素组成,分别是玩家节点集合U(就是玩家-玩家关系图中的玩家节点)、群组节点集合V和第二邻接矩阵E2。
其中,玩家节点集合U中包括多个玩家节点;群组节点集合V中包括多个群组节点。玩家节点包括玩家ID、玩家时间向量、玩家玩法向量、玩家战力向量、玩家社交向量和玩家自适应向量。群组节点包括群组ID、群组时间向量、群组玩法向量、群组战力向量、群组社交向量和群组自适应向量。其中,初始的群组自适应向量不是从真实的数据中获取的,而是随机初始化的向量,这里的群组自适应向量是在群组推荐模型的训练中被训成符合群组个性化的向量。
这里,玩家节点与群组节点之间的连边则用第二邻接矩阵表示,构建第二候选邻接矩阵。第二候选邻接矩阵是一个二维的矩阵,两个维度都代表节点,矩阵中的值代表对应的两个节点之间是否有边。如E[1][1]=1,且E[1][1]=1代表玩家节点1和群组节点1之间有边连接,E[1][2]=0,且E[2][1]=0,代表玩家节点1和群组节点2之间没有边。
其中,第二候选邻接矩阵中的值由玩家与群组的关系进行填充:
1)如果玩家i在群组(比如,帮会)j中,那么E1[i][j]=1,且E[j][i]=1
2)如果玩家i不在群组(比如,帮会)j中,那么E1[i][j]=0,且E[j][i]=0。
本申请实施例中,对所述第二候选邻接矩阵进行优化处理,得到第二拉普拉斯矩阵,将该第二拉普拉斯矩阵作为第二邻接矩阵。其中,对第二候选邻接矩阵进行优化的方法与对第一候选邻接矩阵的优化方法相同。
通过上述方法,获得了玩家-群组关系图(即第二关系图),该第二关系图中包含玩家节点、群组节点和第二邻接矩阵。
第三步、将所述第一关系图中的玩家节点和第一邻接矩阵以及所述第二关系图中的玩家节点、群组节点和第二邻接矩阵分别输入到所述群组推荐模型中,建立所述玩家标识与第一最终嵌入向量的第一映射关系,以及所述群组标识与第二最终嵌入向量的第二映射关系。
本申请实施例中,首先构建基于图网络的群组推荐模型,如图3b所示,该群组推荐模型包括:嵌入网络(即第一个组成部分)、图卷积网络(即第二个组成部分)和链路预测网络(即第三个组成部分)。
其中,建立第一映射关系和第二映射关系的方式如下:(a)将第一关系图中的玩家节点经过嵌入网络进行处理,获取玩家节点对应的第一初始嵌入向量;将第二关系图中群组节点分别经过嵌入网络进行处理,获取群组节点对应的第二初始嵌入向量(这里,第二关系图中的玩家节点的初始向量和第一关系图中的相同,也为第一初始嵌入向量);(b)使用图卷积网络在玩家-玩家关系图上(即对第一初始嵌入向量)进行多次的卷积处理,提取玩家与玩家之间的多个高阶特征,并获取玩家的最终嵌入向量Ui;(c)使用图卷积网络在玩家-群组关系图(也即玩家帮会关系图)上进行多次的卷积处理,提取玩家与群组之间的多个高阶特征,并获得所有玩家的最终嵌入向量Ui’和所有群组的最终嵌入向量Vi;将最终嵌入向量Ui和最终嵌入向量Ui’确定为第一最终嵌入向量,并建立玩家标识与第一最终嵌入向量的第一映射关系;将最终嵌入向量Vi确定为第二最终嵌入向量,并建立群组标识与第二最终嵌入向量的第二映射关系。
其中,嵌入网络包括所述第一关系图对应的第一嵌入网络(即图3b中左侧的玩家嵌入网络)和所述第二关系图对应的第二嵌入网络(即图3b中右侧的帮会嵌入网络);所述图卷积网络包括:所述第一关系图对应的第一图卷积网络(即图3b中左侧的玩家-玩家图卷积网络)和所述第二关系图对应的第二图卷积网络(即图3b中右侧的玩家-帮会图卷积网络)。
具体过程包括下述a~c三个步骤:
a、将所述第一关系图中的玩家节点以及所述第二关系图中的群组节点分别输入到嵌入网络中,得到所述玩家节点对应的第一初始嵌入向量以及所述群组节点对应的第二初始嵌入向量。
具体的,将玩家-玩家关系图和玩家-群组关系图中的玩家节点、群组节点通过嵌入网络转换为嵌入向量,包括;
1)将玩家-玩家关系图(即第一关系图)中的玩家节点输入到群组推荐模型的第一嵌入网络中,得到玩家第零层节点嵌入向量。具体的,第一嵌入网络的计算过程如下:
hu=σ(Wuxu+bu);其中,xu是玩家画像特征(包括玩家时间向量、玩家玩法向量和玩家战力向量,即这三个向量的拼接向量),Wu是玩家权重矩阵(即训练好的模型参数),bu是玩家偏置向量(即训练好的模型参数)。hu是玩家画像嵌入,具有相似玩家画像特征xu的节点有相似的玩家画像嵌入。这部分嵌入特征可以提升模型的泛化能力;eu是玩家自适应向量,这部分嵌入特征默认值是随机的,但是随着模型训练,会被训练成玩家节点特有的嵌入特征。这部分嵌入特征可以提升模型的精度;是玩家第零层节点嵌入向量,兼顾了模型的精度和泛化能力。
2)基于与玩家第零层节点嵌入向量的相同计算方式,将玩家-群组关系图(即第二关系图)中的群组节点输入到群组推荐模型的第二嵌入网络中,得到群组第零层节点嵌入向量。其中,群组节点中包括群组自适应向量,这部分嵌入特征也是默认值是随机的,但是随着模型训练,会被训练成群组节点特有的嵌入特征。
这里,因为第二关系图中的玩家节点与第一关系图中的玩家节点相同,所以,第二关系图中玩家节点对应上述玩家第零层节点嵌入向量。
其中,第一关系图和第二关系图(也即原始关系图)中的节点通过Embedding网络处理后,得到第零层关系图。此时,原始关系图中的节点都有对应的第零层节点嵌入向量,第零层节点嵌入向量代表了节点的固有特征。
b、将所述第一初始嵌入向量和第一邻接矩阵以及所述第一初始嵌入向量、所述第二初始嵌入向量和第二邻接矩阵分别输入到所述图卷积网络中,得到所述玩家节点对应的第一中间嵌入向量和第二中间嵌入向量,以及所述群组节点对应的第三中间嵌入向量。
其中,群组推荐模型的第二个组成部分是图卷积网络。图卷积网络包括所述第一关系图对应的第一图卷积网络和所述第二关系图对应的第二图卷积网络。图卷积网络通过第一邻接矩阵、第二邻接矩阵对玩家-玩家关系图、玩家-群组关系图中的节点进行消息聚合,从而提取玩家-玩家、玩家-群组之间的相关特征。
具体的,将第一初始嵌入向量和第一邻接矩阵输入到第一图卷积网络(即玩家-玩家图卷积网络)中,得到玩家节点对应的第一中间嵌入向量。将所述第一初始嵌入向量、第二初始嵌入向量和第二邻接矩阵输入到第二图卷积网络(即玩家-玩家图卷积网络)中,得到玩家节点对应的第二中间嵌入向量和群组节点对应的第三中间嵌入向量。
具体的,图卷积网络的计算过程如下:
其中,l表示图卷积网络的层数,H为一个矩阵,包括多个hu,即包括多个玩家的嵌入向量。比如,当l=0时,相应的,H1是第一层图卷积网络的输出结果,H0为多个玩家对应的第零层节点嵌入向量。表示邻接矩阵(即优化后的邻接矩阵;其中,在处理玩家-玩家关系图时,为第一邻接矩阵;在处理玩家-群组关系图时为第二邻接矩阵);W1表示第一层图卷积网络的玩家权重矩阵(即该图卷积网络的网络参数)。
上述公式实现过程如下,可以通过将邻接矩阵与节点嵌入矩阵相乘,这样节点就可以从邻居节点中获得相应的信息,同时为了从邻接节点的信息中提取有效的特征,增加一个可学习的参数Wl;并且,为了增加模型的非线性能力,添加一个非线性变化σ(如Relu,Sigmoid,Tanh)。
如图3c所示,图卷积网络包括三层图卷积网络,分别为第一层图卷积网络、第二层图卷积网络、第三层图卷积网络;
第零层关系图经过第一层图卷积网络处理后的关系图,称为第一层关系图。此时,第一层关系图中的节点都有对应的第一层节点嵌入向量。
第一层关系图经过图卷积网络处理后的关系图,称为第二层关系图。此时,第二层关系图中的节点都有对应的第二层节点嵌入向量。
第二层关系图经过图卷积网络处理后的关系图,称为第三层关系图。此时,第三关系图中的节点都有对应的第三层节点嵌入向量。
理论上,可以在第三层关系图的基础上再用图卷积网络处理,获取更加高维、复杂的特征,在实践中这些更高维的特征并没有给模型带来性能提升,反而增加了模型的计算复杂度。所以,本申请实施例采用的方案是在第零层关系图的基础上,用三个图卷积网络依次处理,得到第一层关系图,第二层关系图和第三层关系图,以及对应的第一层节点嵌入向量、第二层节点嵌入向量和第三层节点嵌入向量。
相应的,将玩家节点经过第一图卷积网络得到的第一层节点嵌入向量、第二层节点嵌入向量和第三层节点嵌入向量进行拼接,得到玩家节点对应的第一中间嵌入向量;将玩家节点经过第二图卷积网络得到的第一层节点嵌入向量、第二层节点嵌入向量和第三层节点嵌入向量进行拼接,得到玩家节点对应的第二中间嵌入向量;将群组节点经过第二图卷积网络得到的第一层节点嵌入向量、第二层节点嵌入向量和第三层节点嵌入向量进行拼接,得到群组节点对应的第三中间嵌入向量。
需要注意的是,玩家-玩家图卷积网络和玩家-群组图卷积网络的玩家第零层嵌入向量是一样的,由玩家节点通过玩家嵌入网络获得。由于玩家-玩家关系图和玩家-群组关系图中的邻接矩阵不同,因此,玩家-玩家图卷积网络和玩家-群组图卷积网络,后续的第一层输出、第二层输出等玩家嵌入向量在两个网络中是不一样的,也即,玩家节点经过第一图卷积网络得到的第一层节点嵌入向量、第二层节点嵌入向量和第三层节点嵌入向量,与玩家节点经过第二图卷积网络得到的第一层节点嵌入向量、第二层节点嵌入向量和第三层节点嵌入向量是不同的。
对于一个特定的玩家节点,将所有关系图中该节点的嵌入向量(包括第零层节点嵌入向量、第一层节点嵌入向量、第二层节点嵌入向量和第三层节点嵌入向量)进行拼接,就可以得到该节点的最终嵌入向量。其中,每一层关系图中节点的嵌入向量分别代表了节点的不同特征,综合多层关系图的嵌入向量,就可以获得节点的多阶特征。
c、根据所述玩家节点对应的第一初始嵌入向量、所述第一中间嵌入向量和所述第二中间嵌入向量,建立所述玩家标识与所述第一最终嵌入向量的第一映射关系;以及,根据所述群组节点对应的第二初始嵌入向量和所述第三中间嵌入向量,建立所述群组标识与所述第二最终嵌入向量的第二映射关系。
本申请实施例中,所述第一图卷积网络和所述第二图卷积网络分别包括三层图卷积网络;其中,所述第一中间嵌入向量为所述第一图卷积网络包括的三层图卷积网络各自输出结果的拼接向量;所述第二中间嵌入向量为所述第二图卷积网络包括的三层图卷积网络各自输出结果的第一拼接向量;所述第二中间嵌入向量为所述第二图卷积网络包括的三层图卷积网络各自输出结果的第二拼接向量;所述第一拼接向量对应的输入为所述第一初始嵌入向量和所述第二邻接矩阵;所述第二拼接向量对应的输入为所述第二初始嵌入向量和所述第二邻接矩阵。
具体实施方式中,在玩家-玩家图卷积网络中,通过对玩家-玩家关系图进行图卷积操作,可以得到玩家最终嵌入向量1,其中,hu1表示玩家最终嵌入向量1,表示玩家第零层节点嵌入向量;表示玩家第一层节点嵌入向量;表示玩家第二层节点嵌入向量;表示玩家第三层节点嵌入向量;||表示拼接。
在玩家-群组图卷积网络(也即图3b中的玩家-帮会图卷积网络)中,通过对玩家-群组关系图进行图卷积操作,我们可以得到玩家最终嵌入向量2,和群组最终嵌入向量同理,hu2表示玩家最终嵌入向量2;hv表示群组最终嵌入向量3。
最终,得到了玩家节点对应的最终嵌入向量1(通过玩家-玩家关系图得到的)和最终嵌入向量2(通过玩家-群组关系图得到的),将上述最终嵌入向量1和最终嵌入向量2确定为玩家对应的第一最终嵌入向量;最终,还得到了群组节点对应的最终嵌入向量3(通过玩家-群组关系图得到的),将该最终嵌入向量3确定为第二最终嵌入向量。基于每个玩家的玩家标识以及每个玩家对应的第一最终嵌入向量,建立玩家标识与第一最终嵌入向量的第一映射关系;基于每个群组的群组标识以及每个群组对应的第二最终嵌入向量,建立所述群组标识与所述第二最终嵌入向量的第二映射关系。
S302、根据所述玩家的玩家标识和所述第一映射关系,获取所述玩家对应的第一最终嵌入向量;以及,根据所述群组的群组标识和所述第二映射关系,获取所述群组对应的第二最终嵌入向量。
如图3d所示,获取输入数据中的玩家标识和群组标识(即玩家ID-群组ID二元组),根据玩家ID和第一映射关系(即图3c中的所有玩家最终嵌入向量1和图3c中的所有玩家最终嵌入向量2),获取玩家对应的第一最终嵌入向量(即图3c中的玩家最终嵌入向量1和图3c中的玩家最终嵌入向量2);根据群组ID和第二映射关系,获取群组对应的第二最终嵌入向量。
S303、根据所述第一最终嵌入向量以及所述第二最终嵌入向量,确定所述玩家与所述群组之间的模型匹配度。
如图3b和3d所示,群组推荐模型中还包括链路预测网络(即群组推荐模型的第三个组成部分为链路预测网络),将所述第一最终嵌入向量以及所述第二最终嵌入向量进行拼接,将得到的拼接向量输入到所述链路预测网络中,得到所述玩家与所述群组之间的模型匹配度,也即得到‘玩家-群组的模型匹配度’。
其中,链路预测网络包括两层全连接网络和激活函数Sigmoid网络,将第一最终嵌入向量和第二最终嵌入向量的拼接向量经过两层全连接网络处理和两个Sigmoid网络处理,得到‘玩家-群组的模型匹配度’。具体的,将第一最终嵌入向量和第二最终嵌入向量的拼接向量输入到第一层全连接网络,得到第一输出结果,并将第一输出结果经过第一Sigmoid网络处理,得到第一处理结果;将第一处理结果输入到第二层全连接网络,得到第二输出结果,并将第二输出结果经过第二Sigmoid网络处理,得到‘玩家-群组的模型匹配度’。具体计算过程参见如下公式:
其中,表示链路预测网络输出的玩家-群组的模型匹配度,W1和W2表示训练好的两层全连接网络中玩家权重矩阵(也即权重模型参数);b1和b2表示训练好的两层全连接网络的玩家偏置向量(也即偏置模型参数);hu表示玩家对应的第一最终嵌入向量;hv表示群组对应的第二最终嵌入向量;σ1和σ2表示两个Sigmoid网络对应的非线性激活函数。
进一步的,如图4所示,服务器中包括在线服务模块,该在线服务模块在游戏内实现礼包推荐的功能。相应的,所述将所述目标群组推荐给所述玩家,包括:
S401、接收所述玩家对应的用户端发送的推荐请求。
S402、基于所述推荐请求,获取与所述玩家对应的目标群组,并将所述目标群组推荐给所述玩家对应的用户端。
结合步骤401至步骤402,用户端检测玩家进入推荐场景,向服务器发送群组推荐请求,该群组推荐请求中携带有玩家ID,服务器根据玩家ID获取推荐的目标群组;服务器根据玩家ID获取目标群组的推荐理由;服务器向玩家的返回推荐的群组列表和推荐理由;用户端接收群组列表,并展示在游戏界面;若玩家申请加入群组,用户端向服务器上传玩家申请群组的记录;若玩家不申请加入群组,结束;群组管理员向服务器查询群组申请列表;群组管理员的第二用户端向服务器查询申请列表,并在接收到服务器返回的申请列表后,展示在游戏界面;群组管理员同意玩家加入群组,或拒绝玩家加入群组;第二用户端向服务器上传群组管理员的操作。
进一步的,如图5所示,本申请实施例提供的群组推荐方法,通过如下方法训练所述群组推荐模型:
S501、构建训练数据样本,所述训练数据样本中包括二元组信息和所述二元组信息对应的匹配度;其中,所述二元组信息包括玩家标识和群组标识。
本申请实施例中,二元组信息对应的匹配度包括:
1、玩家是否在群组中的匹配结果、玩家在群组中对应的第一权重值以及玩家不在群组中对应的第二权重值;
2、玩家申请或者拒绝推荐群组的匹配结果、玩家申请群组对应的第三权重值以及玩家拒绝推荐群组对应的第四权重值;
3、群组同意或者拒绝玩家的匹配结果、群组同意玩家对应的第五权重值以及群组拒绝玩家对应的第六权重值。
其中,基于数据模块从目标游戏的日志数据库中获取的目标游戏的游戏数据6(玩家是否在帮会,以及玩家在哪个帮会)、游戏数据7(玩家申请或者拒绝申请推荐帮会的记录)和游戏数据8(帮会管理员同意/拒绝玩家申请的记录)。
其中,基于游戏数据6、游戏数据7和游戏数据8构建训练数据集(即训练数据样本),用于训练群组推荐模型。本申请实施例中,定义(u,v,y,w),分别代表玩家ID、帮会ID、标签(1代表玩家与帮会之间匹配,0则相反)、训练数据样本对应的预设数据权重;这里,每一条类型的条件对应一预设数据权重,比如,玩家在帮会,设置权重为2;玩家不再帮会,设置权重为1。相应的,构建的训练数据集(即训练数据样本)包括:
1、根据游戏数据6,如果玩家u在帮会v,则生成数据(u,v,1,2)。
2、根据游戏数据6,如果玩家不在帮会,随机选取10个帮会,生成10条数据(u,v,0,1)。
3、根据游戏数据7,如果玩家申请帮会,则生成数据(u,v,1,1)。
4、根据游戏数据7,如果玩家拒绝申请帮会,则生成数据(u,v,0,1)。
5、根据游戏数据8,如果帮会管理员拒绝玩家u加入帮会,生成(u,v,0,2)。
6、根据游戏数据8,如果帮会管理员同意玩家u加入帮会,生成(u,v,0,2)。
S502、根据所述二元组信息、所述第一映射关系以及所述第二映射关系,获取所述玩家对应的第一最终嵌入向量以及所述群组对应的第二最终嵌入向量。
本申请实施例中,根据二元组信息和第一映射关系,获取玩家对应的第一最终嵌入向量;根据二元组信息和第二映射关系,获取群组对应的第二最终嵌入向量。
S503、将所述第一最终嵌入向量和所述第二最终嵌入向量输入到所述群组推荐模型中,根据所述群组推荐模型的输出结果以及所述二元组信息对应的匹配度,调整所述群组推荐模型的模型参数,直至所述群组推荐模型基于所述第一最终嵌入向量和所述第二最终嵌入向量的输出结果和所述匹配度相一致,得到包括训练好的群组推荐模型。
本申请实施例中,随机从训练数据样本中获取数据样本,将数据样本中的玩家ID、群组ID输入群组推荐模型,获取第一最终嵌入向量和所述第二最终嵌入向量,将第一最终嵌入向量和所述第二最终嵌入向量输入到链路预测网络中,得到‘玩家-群组的模型匹配度’,计算模型优化目标, 其中,w表示训练数据样本的权重(即上述训练数据样本对应的预设数据权重);y表示样本中的玩家-群组的模型匹配度,表示群组推荐模型在训练过程中,基于样本中的二元组信息对应的最终嵌入向量,输出的玩家-群组的模型匹配度,利用反向传播和梯度下降技术优化目标,即可对群组推荐模型中可学习的参数进行训练;重复上述过程,直到群组推荐模型收敛,这里,训练截止条件为:所有数据样本对应的平均优化目标小于预设阈值。
其中,训练好的群组推荐模型的模型参数包括:所述玩家自适应向量、所述群组自适应向量、所述嵌入网络的网络参数、所述图卷积网络的网络参数、所述链路预测网络的网络参数。
本申请实施例提供的群组推荐方法,1.该方案能够为玩家推荐与他们自身情况(在线时间、玩法、实力等)相匹配的群组,并通过玩家-玩家好友关系图考虑了玩家对社交的需求,使得玩家加入群组后更快融入群组;2.该方案在推荐群组时,同时给出了推荐理由,使得玩家能够根据推荐理由进一步选择是否申请群组,避免加入一个自己不喜欢的群组。3.该方案的模型匹配度这个模块直接考虑了玩家是否被群组接收这个因素,因此增加了玩家被群组接收的概率。
如图6所示,为本申请实施例提供的一种群组推荐方法(具体为帮会推荐方法)是整体流程图,本申请实施例中的方法由三部分组成:数据模块、离线推荐模块、在线服务模块。
1、数据模块:获取必要数据。
a)离线数据收集,从日志数据库中获取以下数据:
1)玩家ID、帮会ID;
2)玩家的在线信息,包括玩家的上线时间、玩家的下线时间;
3)玩家的玩法信息,包括玩家参加PVP玩法的次数、玩家参加PVE玩法的次数、玩家在野外击杀的人次、玩家在野外被击杀的次数;
4)玩家的战力信息,包括玩家的总评分数、玩家的装备评分、玩家的技能评分;
5)玩家的社交信息,包括玩家的好友列表;
6)玩家是否在帮会,以及在哪个帮会;
7)玩家申请/拒绝申请推荐帮会的记录;
8)帮会管理员同意/拒绝玩家申请的记录。
其中,2)、3)、4)分别用于计算时间匹配度、玩法匹配度、战力匹配度;5)用于构建玩家-玩家关系图;6)用于构建玩家-帮会关系图;6)、7)、8)用于构建训练数据集,用于训练帮会推荐模型。
b)数据预处理:将数据处理成人工智能(Artificial Intelligence,AI)算法模型可以理解的数据。
c)构建训练数据集(训练数据集将作为模型训练模块的输入)。
根据6)、7)、8)生成训练数据集,用于训练帮会推荐模型;
2、模型训练模块:
a)计算时间匹配度:玩家的在线时间和帮会成员的平均在线时间之间的相似度;
b)计算玩法匹配度:玩家的玩法偏好和帮会成员的平均玩法偏好的相似度;
c)计算战力匹配度:玩家的战力和帮会成员平均战力的契合度;
d)计算模型匹配度:
1、构建玩家-玩家原始关系图。根据玩家关系列表(如好友关系、组队关系、交易关系)构建玩家-玩家关系图。玩家-玩家关系图由2个元素组成,分别是玩家节点集合U和邻接矩阵E1。
2、构建玩家-帮会原始关系图。根据数据⑥(玩家是否在帮会,以及在哪个帮会),构建玩家-帮会关系图。玩家-帮会关系图由3个元素组成,分别是玩家节点集合U(就是玩家-玩家关系图中的玩家节点)、帮会节点集合V和邻接矩阵E2。
3、构建基于图网络的帮会推荐模型;
a)玩家节点、帮会节点分别经过嵌入网络进行处理,获取玩家、帮会的初始嵌入向量;
b)使用图卷积网络在玩家-玩家关系图上进行多次的卷积处理,提取玩家与玩家之间的多个高阶特征。并获取玩家的最终嵌入向量Ui;
c)使用图卷积网络在玩家-帮会关系图上进行多次的卷积处理,提取玩家与帮会之间的多个高阶特征。并获得所有玩家的最终嵌入向量Ui’,所有帮会的最终嵌入向量Vi;
d)输入(玩家,帮会)二元组,从所有玩家最终嵌入向量Ui、所有玩家最终嵌入向量Ui’、所有帮会最终嵌入向量Vi,获取对应玩家的最终嵌入向量ui、ui’和对应帮会的最终嵌入向量vi,将ui、ui’、vi输入链路预测网络,计算玩家与帮会的匹配程度。
4、使用数据模块产生的训练数据集训练帮会推荐模型;
a)训练模型预测玩家与帮会的匹配程度。
5、根据训练好的帮会推荐模型计算模型匹配度;
e)根据时间匹配度、玩法匹配度、战力匹配度和模型匹配度计算玩家-帮会匹配度,并记录每个玩家最匹配的K个帮会。
f)计算每个玩家对应的K个帮会的推荐理由;
3、在线服务模块:在游戏内实现礼包推荐的功能。
a)客户端检测玩家进入推荐场景,向服务器发送‘帮会推荐’请求;
b)服务器根据玩家ID获取推荐的帮会;
c)服务器根据玩家ID获取推荐理由;
d)服务器返回推荐的帮会列表;
e)客户端接收帮会列表,并展示在游戏界面;
f)若玩家申请加入帮会,下一步;若玩家不申请加入帮会,结束;
g)客户端上传玩家申请帮会的记录;
h)帮会管理员查询申请列表;
i)客户端向服务器查询申请列表,并展示在游戏界面;
j)帮会管理员同意玩家加入帮会,或拒绝玩家加入帮会;
k)客户端向服务器上传帮会管理员的操作。
4、流程:
a)使用数据模块获取玩家和帮会管理员的历史数据,构建数据集;
b)使用模型训练模块离线训练帮会推荐模型,并生成推荐结果和推荐理由;
c)使用在线服务模块响应玩家的请求,并获取玩家反馈(是否申请)和帮会管理员反馈(是否同意申请);
d)返回a)。
本申请实施例提供的一种群组推荐方法,通过游戏行为匹配度以及考虑到玩家的游戏行为和社交关系的模型匹配度,共同选取匹配玩家的目标群组并向玩家进行推荐,这样,提高了目标群组与玩家的匹配度,减少了玩家的流失率,提高了人机交互效率。
基于同一发明构思,本申请实施例中还提供了与群组推荐方法对应的群组推荐装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述群组推荐方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参照图7所示,为本申请实施例提供的一种群组推荐装置的示意图,所述装置包括:
第一获取模块701,用于获取目标游戏中的游戏数据;其中,所述游戏数据包括:玩家的游戏行为信息、玩家与玩家之间的第一关系信息和玩家与群组之间的第二关系信息;
第一确定模块702,用于根据所述玩家的游戏行为信息和所述第二关系信息,确定所述玩家与所述群组之间的游戏行为匹配度;
第二确定模块703,用于根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,确定所述玩家与所述群组之间的模型匹配度;
选取模块704,用于根据所述游戏行为匹配度和所述模型匹配度,从所述群组中选取与所述玩家对应的目标群组;
推送模块705,用于将所述目标群组推荐给所述玩家。
在一种可能的实施方式中,所述第一确定模块702根据所述玩家的游戏行为信息和所述第二关系信息,确定所述玩家与所述群组之间的游戏行为匹配度,包括:
根据所述玩家的游戏行为信息,生成所述玩家对应的第一游戏行为向量;
根据所述玩家对应的第一游戏行为向量和所述第二关系信息,生成所述群组对应的第二游戏行为向量;
根据所述第一游戏行为向量和所述第二游戏行为向量,计算所述玩家与所述群组之间的游戏行为匹配度。
在一种可能的实施方式中,所述第一确定模块702根据所述玩家对应的第一游戏行为向量和所述第二关系信息,生成所述群组对应的第二游戏行为向量,包括:
根据所述玩家与群组之间的第二关系信息,确定所述群组中的目标玩家;
根据所述群组中的目标玩家以及所述玩家对应的第一游戏行为向量,确定所述群组对应的多个第一游戏行为向量和玩家数量;
根据所述群组对应的多个第一游戏行为向量和所述玩家数量,生成所述群组对应的第二游戏行为向量。
在一种可能的实施方式中,所述游戏行为信息包括以下至少之一:
游戏在线信息、游戏玩法信息、游戏战力信息。
在一种可能的实施方式中,所述第二确定模块703根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,确定所述玩家与所述群组之间的模型匹配度,包括:
根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,建立所述玩家的玩家标识与第一最终嵌入向量的第一映射关系和所述群组的群组标识与第二最终嵌入向量的第二映射关系;
根据所述玩家的玩家标识和所述第一映射关系,获取所述玩家对应的第一最终嵌入向量;以及,根据所述群组的群组标识和所述第二映射关系,获取所述群组对应的第二最终嵌入向量;
根据所述第一最终嵌入向量以及所述第二最终嵌入向量,确定所述玩家与所述群组之间的模型匹配度。
在一种可能的实施方式中,所述第二确定模块703根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,建立所述玩家的玩家标识与第一最终嵌入向量的第一映射关系和所述群组的群组标识与第二最终嵌入向量的第二映射关系,包括:
根据所述玩家的游戏行为信息以及所述第一关系信息,构建玩家与玩家之间的第一关系图;其中,所述第一关系图中包括玩家节点和表征所述第一关系信息的第一邻接矩阵;所述玩家节点包括第一游戏行为向量和玩家自适应向量;
根据所述玩家的游戏行为信息以及所述第二关系信息,构建玩家与群组之间的第二关系图;其中,所述第二关系图中包括玩家节点、群组节点和表征所述第二关系信息的第二邻接矩阵;所述群组节点包括第二游戏行为向量和群组自适应向量;
将所述第一关系图中的玩家节点和第一邻接矩阵以及所述第二关系图中的玩家节点、群组节点和第二邻接矩阵分别输入到所述群组推荐模型中,建立所述玩家标识与第一最终嵌入向量的第一映射关系,以及所述群组标识与第二最终嵌入向量的第二映射关系。
在一种可能的实施方式中,所述群组推荐模型包括嵌入网络和图卷积网络;所述第二确定模块703将所述第一关系图中的玩家节点和第一邻接矩阵以及所述第二关系图中的玩家节点、群组节点和第二邻接矩阵分别输入到所述群组推荐模型中,建立所述玩家标识与第一最终嵌入向量的第一映射关系,以及所述群组标识与第二最终嵌入向量的第二映射关系,包括:
将所述第一关系图中的玩家节点以及所述第二关系图中的群组节点分别输入到嵌入网络中,得到所述玩家节点对应的第一初始嵌入向量以及所述群组节点对应的第二初始嵌入向量;
将所述第一初始嵌入向量和第一邻接矩阵以及所述第一初始嵌入向量、所述第二初始嵌入向量和第二邻接矩阵分别输入到所述图卷积网络中,得到所述玩家节点对应的第一中间嵌入向量和第二中间嵌入向量,以及所述群组节点对应的第三中间嵌入向量;
根据所述玩家节点对应的第一初始嵌入向量、所述第一中间嵌入向量和所述第二中间嵌入向量,建立所述玩家标识与所述第一最终嵌入向量的第一映射关系;以及,根据所述群组节点对应的第二初始嵌入向量和所述第三中间嵌入向量,建立所述群组标识与所述第二最终嵌入向量的第二映射关系。
在一种可能的实施方式中,所述嵌入网络包括:所述第一关系图对应的第一嵌入网络和所述第二关系图对应的第二嵌入网络;所述图卷积网络包括:所述第一关系图对应的第一图卷积网络和所述第二关系图对应的第二图卷积网络;
所述第一图卷积网络和所述第二图卷积网络分别包括三层图卷积网络;其中,所述第一中间嵌入向量为所述第一图卷积网络包括的三层图卷积网络各自输出结果的拼接向量;所述第二中间嵌入向量为所述第二图卷积网络包括的三层图卷积网络各自输出结果的第一拼接向量;所述第二中间嵌入向量为所述第二图卷积网络包括的三层图卷积网络各自输出结果的第二拼接向量;所述第一拼接向量对应的输入为所述第一初始嵌入向量和所述第二邻接矩阵;所述第二拼接向量对应的输入为所述第二初始嵌入向量和所述第二邻接矩阵。
在一种可能的实施方式中,所述装置还包括:
第一构建模块,用于根据所述玩家与玩家之间的第一关系信息,构建第一候选邻接矩阵;对所述第一候选邻接矩阵进行优化处理,得到第一拉普拉斯矩阵,将所述第一拉普拉斯矩阵作为所述第一邻接矩阵;
第二构建模块,用于根据所述玩家与群组之间的第二关系信息,构建第二候选邻接矩阵;对所述第二候选邻接矩阵进行优化处理,得到第二拉普拉斯矩阵,将所述第二拉普拉斯矩阵作为所述第二邻接矩阵。
在一种可能的实施方式中,所述群组推荐模型还包括链路预测网络;所述第二确定模块703根据所述第一最终嵌入向量以及所述第二最终嵌入向量,确定所述玩家与所述群组之间的模型匹配度,包括:
将所述第一最终嵌入向量以及所述第二最终嵌入向量进行拼接,并输入到所述链路预测网络中,得到所述玩家与所述群组之间的模型匹配度。
在一种可能的实施方式中,所述选取模块根据所述游戏行为匹配度和所述模型匹配度,从所述群组中选取与所述玩家对应的目标群组,包括:
根据所述游戏行为匹配度和所述模型匹配度,计算每一个玩家与每一个群组对应的综合匹配度;
根据每一个玩家与每一个群组对应的综合匹配度,从所述群组中选取该玩家对应的目标群组。
在一种可能的实施方式中,所述推送模块将所述目标群组推荐给所述玩家,包括:
接收所述玩家对应的用户端发送的推荐请求;
基于所述推荐请求,获取与所述玩家对应的目标群组,并将所述目标群组推荐给所述玩家对应的用户端。
在一种可能的实施方式中,所述装置还包括:
生成模块,用于在从所述群组中选取与所述玩家对应的目标群组之后,根据预设的游戏条件,生成所述目标群组对应的推荐理由;
所述推送模块将所述目标群组推荐给所述玩家,还包括:
将所述目标群组和所述目标群组对应的推荐理由推荐给所述玩家。
在一种可能的实施方式中,所述装置还包括:
第三构建模块,用于构建训练数据样本,所述训练数据样本中包括二元组信息和所述二元组信息对应的匹配度;其中,所述二元组信息包括玩家标识和群组标识;
第二获取模块,用于根据所述二元组信息、所述第一映射关系以及所述第二映射关系,获取所述玩家对应的第一最终嵌入向量以及所述群组对应的第二最终嵌入向量;
处理模块,用于将所述第一最终嵌入向量和所述第二最终嵌入向量输入到所述群组推荐模型中,根据所述群组推荐模型的输出结果以及所述二元组信息对应的匹配度,调整所述群组推荐模型的模型参数,直至所述群组推荐模型基于所述第一最终嵌入向量和所述第二最终嵌入向量的输出结果和所述匹配度相一致,得到包括训练好的群组推荐模型。
在一种可能的实施方式中,所述二元组信息对应的匹配度,包括:
玩家是否在群组中的匹配结果、玩家在群组中对应的第一权重值以及玩家不在群组中对应的第二权重值;
玩家申请或者拒绝推荐群组的匹配结果、玩家申请群组对应的第三权重值以及玩家拒绝推荐群组对应的第四权重值;
以及,群组同意或者拒绝玩家的匹配结果、群组同意玩家对应的第五权重值以及群组拒绝玩家对应的第六权重值。
在一种可能的实施方式中,训练好的群组推荐模型的模型参数包括:
所述玩家自适应向量、所述群组自适应向量、所述嵌入网络的网络参数、所述图卷积网络的网络参数、所述链路预测网络的网络参数。
本申请实施例提供的一种群组推荐装置,通过游戏行为匹配度以及考虑到玩家的游戏行为和社交关系的模型匹配度,共同选取匹配玩家的目标群组并向玩家进行推荐,这样,提高了目标群组与玩家的匹配度,减少了玩家的流失率,提高了人机交互效率。
如图8所示,本申请实施例提供的一种电子设备800,包括:处理器801、存储器802和总线,所述存储器802存储有所述处理器801可执行的机器可读指令,当电子设备运行时,所述处理器801与所述存储器802之间通过总线通信,所述处理器801执行所述机器可读指令,以执行如上述群组推荐方法的步骤。
具体地,上述存储器802和处理器801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801运行存储器802存储的计算机程序时,能够执行上述群组推荐方法。
对应于上述群组推荐方法,本申请实施例还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群组推荐方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,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,所述模块的划分,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,多个模块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,装置或模块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模块可以是或者也可以不是物理上分开的,作为模块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。
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,可以存储在一个处理器可执行的非易失的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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,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,可轻易想到变化或替换,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以权利要求的保护范围为准。
Claims (19)
1.一种群组推荐方法,其特征在于,所述方法包括:
获取目标游戏中的游戏数据;其中,所述游戏数据包括:玩家的游戏行为信息、玩家与玩家之间的第一关系信息和玩家与群组之间的第二关系信息;
根据所述玩家的游戏行为信息和所述第二关系信息,确定所述玩家与所述群组之间的游戏行为匹配度;
根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,确定所述玩家与所述群组之间的模型匹配度;
根据所述游戏行为匹配度和所述模型匹配度,从所述群组中选取与所述玩家对应的目标群组,并将所述目标群组推荐给所述玩家。
2.根据权利要求1所述的群组推荐方法,其特征在于,所述根据所述玩家的游戏行为信息和所述第二关系信息,确定所述玩家与所述群组之间的游戏行为匹配度,包括:
根据所述玩家的游戏行为信息,生成所述玩家对应的第一游戏行为向量;
根据所述玩家对应的第一游戏行为向量和所述第二关系信息,生成所述群组对应的第二游戏行为向量;
根据所述第一游戏行为向量和所述第二游戏行为向量,计算所述玩家与所述群组之间的游戏行为匹配度。
3.根据权利要求2所述的群组推荐方法,其特征在于,所述根据所述玩家对应的第一游戏行为向量和所述第二关系信息,生成所述群组对应的第二游戏行为向量,包括:
根据所述玩家与群组之间的第二关系信息,确定所述群组中的目标玩家;
根据所述群组中的目标玩家以及所述玩家对应的第一游戏行为向量,确定所述群组对应的多个第一游戏行为向量和玩家数量;
根据所述群组对应的多个第一游戏行为向量和所述玩家数量,生成所述群组对应的第二游戏行为向量。
4.根据权利要求2所述的群组推荐方法,其特征在于,所述游戏行为信息包括以下至少之一:
游戏在线信息、游戏玩法信息、游戏战力信息。
5.根据权利要求2所述的群组推荐方法,其特征在于,所述根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,确定所述玩家与所述群组之间的模型匹配度,包括:
根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,建立所述玩家的玩家标识与第一最终嵌入向量的第一映射关系和所述群组的群组标识与第二最终嵌入向量的第二映射关系;
根据所述玩家的玩家标识和所述第一映射关系,获取所述玩家对应的第一最终嵌入向量;以及,根据所述群组的群组标识和所述第二映射关系,获取所述群组对应的第二最终嵌入向量;
根据所述第一最终嵌入向量以及所述第二最终嵌入向量,确定所述玩家与所述群组之间的模型匹配度。
6.根据权利要求5所述的群组推荐方法,其特征在于,所述根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,建立所述玩家的玩家标识与第一最终嵌入向量的第一映射关系和所述群组的群组标识与第二最终嵌入向量的第二映射关系,包括:
根据所述玩家的游戏行为信息以及所述第一关系信息,构建玩家与玩家之间的第一关系图;其中,所述第一关系图中包括玩家节点和表征所述第一关系信息的第一邻接矩阵;所述玩家节点包括第一游戏行为向量和玩家自适应向量;
根据所述玩家的游戏行为信息以及所述第二关系信息,构建玩家与群组之间的第二关系图;其中,所述第二关系图中包括玩家节点、群组节点和表征所述第二关系信息的第二邻接矩阵;所述群组节点包括第二游戏行为向量和群组自适应向量;
将所述第一关系图中的玩家节点和第一邻接矩阵以及所述第二关系图中的玩家节点、群组节点和第二邻接矩阵分别输入到所述群组推荐模型中,建立所述玩家标识与第一最终嵌入向量的第一映射关系,以及所述群组标识与第二最终嵌入向量的第二映射关系。
7.根据权利要求6所述的群组推荐方法,其特征在于,所述群组推荐模型包括嵌入网络和图卷积网络;所述将所述第一关系图中的玩家节点和第一邻接矩阵以及所述第二关系图中的玩家节点、群组节点和第二邻接矩阵分别输入到所述群组推荐模型中,建立所述玩家标识与第一最终嵌入向量的第一映射关系,以及所述群组标识与第二最终嵌入向量的第二映射关系,包括:
将所述第一关系图中的玩家节点以及所述第二关系图中的群组节点分别输入到嵌入网络中,得到所述玩家节点对应的第一初始嵌入向量以及所述群组节点对应的第二初始嵌入向量;
将所述第一初始嵌入向量和第一邻接矩阵以及所述第一初始嵌入向量、所述第二初始嵌入向量和第二邻接矩阵分别输入到所述图卷积网络中,得到所述玩家节点对应的第一中间嵌入向量和第二中间嵌入向量,以及所述群组节点对应的第三中间嵌入向量;
根据所述玩家节点对应的第一初始嵌入向量、所述第一中间嵌入向量和所述第二中间嵌入向量,建立所述玩家标识与所述第一最终嵌入向量的第一映射关系;以及,根据所述群组节点对应的第二初始嵌入向量和所述第三中间嵌入向量,建立所述群组标识与所述第二最终嵌入向量的第二映射关系。
8.根据权利要求7所述的群组推荐方法,其特征在于,所述嵌入网络包括:所述第一关系图对应的第一嵌入网络和所述第二关系图对应的第二嵌入网络;所述图卷积网络包括:所述第一关系图对应的第一图卷积网络和所述第二关系图对应的第二图卷积网络;
所述第一图卷积网络和所述第二图卷积网络分别包括三层图卷积网络;其中,所述第一中间嵌入向量为所述第一图卷积网络包括的三层图卷积网络各自输出结果的拼接向量;所述第二中间嵌入向量为所述第二图卷积网络包括的三层图卷积网络各自输出结果的第一拼接向量;所述第二中间嵌入向量为所述第二图卷积网络包括的三层图卷积网络各自输出结果的第二拼接向量;所述第一拼接向量对应的输入为所述第一初始嵌入向量和所述第二邻接矩阵;所述第二拼接向量对应的输入为所述第二初始嵌入向量和所述第二邻接矩阵。
9.根据权利要求7所述的群组推荐方法,其特征在于,确定所述第一邻接矩阵和所述第二邻接矩阵,包括:
根据所述玩家与玩家之间的第一关系信息,构建第一候选邻接矩阵;对所述第一候选邻接矩阵进行优化处理,得到第一拉普拉斯矩阵,将所述第一拉普拉斯矩阵作为所述第一邻接矩阵;
以及,
根据所述玩家与群组之间的第二关系信息,构建第二候选邻接矩阵;对所述第二候选邻接矩阵进行优化处理,得到第二拉普拉斯矩阵,将所述第二拉普拉斯矩阵作为所述第二邻接矩阵。
10.根据权利要求7所述的群组推荐方法,其特征在于,所述群组推荐模型还包括链路预测网络;所述根据所述第一最终嵌入向量以及所述第二最终嵌入向量,确定所述玩家与所述群组之间的模型匹配度,包括:
将所述第一最终嵌入向量以及所述第二最终嵌入向量进行拼接,并输入到所述链路预测网络中,得到所述玩家与所述群组之间的模型匹配度。
11.根据权利要求1所述的群组推荐方法,其特征在于,所述根据所述游戏行为匹配度和所述模型匹配度,从所述群组中选取与所述玩家对应的目标群组,包括:
根据所述游戏行为匹配度和所述模型匹配度,计算每一个玩家与每一个群组对应的综合匹配度;
根据每一个玩家与每一个群组对应的综合匹配度,从所述群组中选取该玩家对应的目标群组。
12.根据权利要求1所述的群组推荐方法,其特征在于,所述将所述目标群组推荐给所述玩家,包括:
接收所述玩家对应的用户端发送的推荐请求;
基于所述推荐请求,获取与所述玩家对应的目标群组,并将所述目标群组推荐给所述玩家对应的用户端。
13.根据权利要求1所述的群组推荐方法,其特征在于,在从所述群组中选取与所述玩家对应的目标群组之后,所述方法还包括:
根据预设的游戏条件,生成所述目标群组对应的推荐理由;
所述将所述目标群组推荐给所述玩家,包括:
将所述目标群组和所述目标群组对应的推荐理由推荐给所述玩家。
14.根据权利要求10所述的群组推荐方法,其特征在于,通过如下方法训练所述群组推荐模型:
构建训练数据样本,所述训练数据样本中包括二元组信息和所述二元组信息对应的匹配度;其中,所述二元组信息包括玩家标识和群组标识;
根据所述二元组信息、所述第一映射关系以及所述第二映射关系,获取所述玩家对应的第一最终嵌入向量以及所述群组对应的第二最终嵌入向量;
将所述第一最终嵌入向量和所述第二最终嵌入向量输入到所述群组推荐模型中,根据所述群组推荐模型的输出结果以及所述二元组信息对应的匹配度,调整所述群组推荐模型的模型参数,直至所述群组推荐模型基于所述第一最终嵌入向量和所述第二最终嵌入向量的输出结果和所述匹配度相一致,得到包括训练好的群组推荐模型。
15.根据权利要求14所述的群组推荐方法,其特征在于,所述二元组信息对应的匹配度,包括:
玩家是否在群组中的匹配结果、玩家在群组中对应的第一权重值以及玩家不在群组中对应的第二权重值;
玩家申请或者拒绝推荐群组的匹配结果、玩家申请群组对应的第三权重值以及玩家拒绝推荐群组对应的第四权重值;
以及,群组同意或者拒绝玩家的匹配结果、群组同意玩家对应的第五权重值以及群组拒绝玩家对应的第六权重值。
16.根据权利要求14所述的群组推荐方法,其特征在于,训练好的群组推荐模型的模型参数包括:
所述玩家自适应向量、所述群组自适应向量、所述嵌入网络的网络参数、所述图卷积网络的网络参数、所述链路预测网络的网络参数。
17.一种群组推荐装置,其特征在于,所述推荐装置包括:
获取模块,用于获取目标游戏中的游戏数据;其中,所述游戏数据包括:玩家的游戏行为信息、玩家与玩家之间的第一关系信息和玩家与群组之间的第二关系信息;
第一确定模块,用于根据所述玩家的游戏行为信息和所述第二关系信息,确定所述玩家与所述群组之间的游戏行为匹配度;
第二确定模块,用于根据所述玩家的游戏行为信息、所述第一关系信息以及所述第二关系信息,确定所述玩家与所述群组之间的模型匹配度;
选取模块,用于根据所述游戏行为匹配度和所述模型匹配度,从所述群组中选取与所述玩家对应的目标群组;
推荐模块,用于将所述目标群组推荐给所述玩家。
18.一种电子设备,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,当电子设备运行时,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,以执行如权利要求1至16任一项所述的群组推荐方法的步骤。
19.一种计算机可读存储介质,其特征在于,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如权利要求1至16任一项所述的群组推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010803817.8A CN111888769B (zh) | 2020-08-11 | 2020-08-11 | 一种群组推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010803817.8A CN111888769B (zh) | 2020-08-11 | 2020-08-11 | 一种群组推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111888769A true CN111888769A (zh) | 2020-11-06 |
CN111888769B CN111888769B (zh) | 2024-02-09 |
Family
ID=73229629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010803817.8A Active CN111888769B (zh) | 2020-08-11 | 2020-08-11 | 一种群组推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111888769B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112494953A (zh) * | 2020-12-01 | 2021-03-16 | 咪咕互动娱乐有限公司 | 游戏匹配方法、电子设备和计算机可读存储介质 |
CN113254833A (zh) * | 2021-06-07 | 2021-08-13 | 深圳市中元产教融合科技有限公司 | 一种基于产教融合的信息推送的方法及服务系统 |
CN113730921A (zh) * | 2021-09-17 | 2021-12-03 | 腾讯科技(深圳)有限公司 | 虚拟组织的推荐方法和装置、存储介质及电子设备 |
WO2023098689A1 (zh) * | 2021-12-02 | 2023-06-08 | 腾讯科技(深圳)有限公司 | 用户匹配方法、装置、电子设备和存储介质 |
CN117112911A (zh) * | 2023-10-22 | 2023-11-24 | 成都亚度克升科技有限公司 | 基于大数据分析和人工智能的软件推荐方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120094762A1 (en) * | 2010-10-13 | 2012-04-19 | Sony Computer Entertainment America Inc. | Online process for recommending friends based on game playing habits |
CN107920122A (zh) * | 2017-11-23 | 2018-04-17 | 杭州电魂网络科技股份有限公司 | 游戏玩家匹配方法、装置、匹配服务器及可读存储介质 |
CN107977411A (zh) * | 2017-11-21 | 2018-05-01 | 腾讯科技(成都)有限公司 | 群组推荐方法、装置、存储介质以及服务器 |
CN109603159A (zh) * | 2018-12-18 | 2019-04-12 | 网易(杭州)网络有限公司 | 匹配游戏玩家的方法、装置及系统 |
CN111400609A (zh) * | 2018-12-27 | 2020-07-10 | 广州市百果园网络科技有限公司 | 用户推荐方法、装置、存储介质及服务器 |
-
2020
- 2020-08-11 CN CN202010803817.8A patent/CN111888769B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120094762A1 (en) * | 2010-10-13 | 2012-04-19 | Sony Computer Entertainment America Inc. | Online process for recommending friends based on game playing habits |
CN107977411A (zh) * | 2017-11-21 | 2018-05-01 | 腾讯科技(成都)有限公司 | 群组推荐方法、装置、存储介质以及服务器 |
CN107920122A (zh) * | 2017-11-23 | 2018-04-17 | 杭州电魂网络科技股份有限公司 | 游戏玩家匹配方法、装置、匹配服务器及可读存储介质 |
CN109603159A (zh) * | 2018-12-18 | 2019-04-12 | 网易(杭州)网络有限公司 | 匹配游戏玩家的方法、装置及系统 |
CN111400609A (zh) * | 2018-12-27 | 2020-07-10 | 广州市百果园网络科技有限公司 | 用户推荐方法、装置、存储介质及服务器 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112494953A (zh) * | 2020-12-01 | 2021-03-16 | 咪咕互动娱乐有限公司 | 游戏匹配方法、电子设备和计算机可读存储介质 |
CN112494953B (zh) * | 2020-12-01 | 2023-08-01 | 咪咕互动娱乐有限公司 | 游戏匹配方法、电子设备和计算机可读存储介质 |
CN113254833A (zh) * | 2021-06-07 | 2021-08-13 | 深圳市中元产教融合科技有限公司 | 一种基于产教融合的信息推送的方法及服务系统 |
CN113730921A (zh) * | 2021-09-17 | 2021-12-03 | 腾讯科技(深圳)有限公司 | 虚拟组织的推荐方法和装置、存储介质及电子设备 |
CN113730921B (zh) * | 2021-09-17 | 2023-08-25 | 腾讯科技(深圳)有限公司 | 虚拟组织的推荐方法和装置、存储介质及电子设备 |
WO2023098689A1 (zh) * | 2021-12-02 | 2023-06-08 | 腾讯科技(深圳)有限公司 | 用户匹配方法、装置、电子设备和存储介质 |
CN117112911A (zh) * | 2023-10-22 | 2023-11-24 | 成都亚度克升科技有限公司 | 基于大数据分析和人工智能的软件推荐方法和系统 |
CN117112911B (zh) * | 2023-10-22 | 2024-03-22 | 成都亚度克升科技有限公司 | 基于大数据分析和人工智能的软件推荐方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111888769B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111888769B (zh) | 一种群组推荐方法、装置、电子设备及存储介质 | |
CN104778173B (zh) | 目标用户确定方法、装置及设备 | |
CN110175299B (zh) | 一种推荐信息确定的方法及服务器 | |
CN111737755B (zh) | 业务模型的联合训练方法及装置 | |
CN112214499B (zh) | 图数据处理方法、装置、计算机设备和存储介质 | |
US20210387093A1 (en) | Systems and methods for adjusting previously-made modifications of game assets based on changes in the ownership of tradeable items | |
CN107767055A (zh) | 一种基于串谋检测的众包结果汇聚方法及装置 | |
Jia et al. | Collaborative restricted Boltzmann machine for social event recommendation | |
CN113377797A (zh) | 联合更新模型的方法、装置及系统 | |
CN112101577A (zh) | 基于XGBoost的跨样本联邦学习、测试方法、系统、设备和介质 | |
CN110502701B (zh) | 引入注意力机制的好友推荐方法、系统和存储介质 | |
CN113230650B (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
CN112837078B (zh) | 一种基于集群的用户异常行为检测方法 | |
CN111652673B (zh) | 智能推荐方法、装置、服务器和存储介质 | |
Xuan et al. | Node matching between complex networks | |
Hu et al. | An association rule-based bilateral multi-issue negotiation model | |
CN109660582B (zh) | 帐号信号的推送方法、装置、存储介质和电子设备 | |
CN112732470B (zh) | 电能量数据的联邦学习可靠性评估方法和装置 | |
CN112044082B (zh) | 一种信息检测方法、装置及计算机可读存储介质 | |
CN114870403A (zh) | 一种游戏中的对战匹配方法、装置、设备及存储介质 | |
CN114757285A (zh) | 基于可信任激励的可信联邦梯度提升决策树训练方法 | |
CN113781117A (zh) | 营销方案的生成方法、装置、电子设备及计算机存储介质 | |
WO2022205801A1 (zh) | 基于密接的游戏好友推荐方法、系统、服务器及存储介质 | |
CN109146700B (zh) | 一种针对社交网络领袖的影响力特征提取方法 | |
CN113244629A (zh) | 流失帐号的召回方法和装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |