CN111973996A - 一种游戏资源投放方法和装置 - Google Patents
一种游戏资源投放方法和装置 Download PDFInfo
- Publication number
- CN111973996A CN111973996A CN202010843066.2A CN202010843066A CN111973996A CN 111973996 A CN111973996 A CN 111973996A CN 202010843066 A CN202010843066 A CN 202010843066A CN 111973996 A CN111973996 A CN 111973996A
- Authority
- CN
- China
- Prior art keywords
- user
- sample
- seed
- similarity
- potential
- 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 104
- 238000013145 classification model Methods 0.000 claims description 135
- 238000012549 training Methods 0.000 claims description 94
- 238000012795 verification Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 22
- 230000003578 releasing effect Effects 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000013459 approach Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 235000013405 beer Nutrition 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 235000020803 food preference Nutrition 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013526 transfer learning 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种游戏资源投放方法和装置;本申请实施例获取目标游戏的种子用户群和潜在用户群;对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息;根据各个种子用户的特征信息,确定所述种子用户群的参考用户;基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度;基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户;向所述目标扩展用户投放所述目标游戏对应的游戏资源。本申请可以更为快速、精准地寻找到游戏资源的目标投放对象,提高了游戏资源投放的准确性。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种游戏资源投放方法和装置。
背景技术
在游戏的运营过程中,需要对游戏进行宣传推广,从而给游戏持续性引入新用户。一般来说,应该尽量选择可能对该游戏感兴趣的用户,来作为游戏资源的投放对象,以提高推广效益。
在目前的相关技术中,有些是在全平台投放游戏资源,来对游戏进行推广,这浪费了大量的资源,且由于没有准确地定位推广信息的投放对象,推广信息投放的准确率并不高,投放对象转化为游戏新用户的比例较低;还有一些是通过运营人员的经验选择特定的人群来投放游戏资源,该特定人群对游戏感兴趣的程度,与运营人员的个人兴趣和经验强相关,这容易导致投放对象定位失误,游戏资源投放的准确率较低。
发明内容
本申请实施例提供一种游戏资源投放方法和装置,可以更为快速、精准地寻找到游戏资源的目标投放对象,提高了游戏资源投放的准确性。
本申请实施例提供一种游戏资源投放方法,包括:
获取目标游戏的种子用户群和潜在用户群;
对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息;
根据各个种子用户的特征信息,确定所述种子用户群的参考用户;
基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度;
基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户;
向所述目标扩展用户投放所述目标游戏对应的游戏资源。
相应的,本申请实施例提供一种游戏资源投放装置,包括:
获取单元,用于获取目标游戏的种子用户群和潜在用户群;
提取单元,用于对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息;
确定单元,用于根据各个种子用户的特征信息,确定所述种子用户群的参考用户;
计算单元,用于基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度;
选取单元,用于基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户;
投放单元,用于向所述目标扩展用户投放所述目标游戏对应的游戏资源。
可选的,在本申请的一些实施例中,所述确定单元可以包括第一生成子单元和第一确定子单元,如下:
所述第一生成子单元,用于根据各个种子用户的特征信息,在特征空间生成各个特征信息对应的种子用户特征点;
第一确定子单元,用于基于所述种子用户特征点的分布信息确定用于计算相似度的参考用户特征点,从而确定所述种子用户群的参考用户。
可选的,在本申请的一些实施例中,所述计算单元可以包括提取子单元、第二生成子单元和计算子单元,如下:
所述提取子单元,用于对所述潜在用户群中各个潜在用户进行特征提取,得到各个潜在用户的特征信息;
第二生成子单元,用于根据各个潜在用户的特征信息,在特征空间生成各个特征信息对应的潜在用户特征点;
计算子单元,用于基于所述参考用户特征点与各个潜在用户特征点之间的距离,计算所述参考用户与各个潜在用户的相似度。
可选的,在本申请的一些实施例中,所述投放单元可以包括第一获取子单元、第二确定子单元和投放子单元,如下:
所述第一获取子单元,用于获取各个目标扩展用户对投放渠道的偏好信息;
第二确定子单元,用于基于所述偏好信息,确定各个目标扩展用户对应的目标投放渠道;
投放子单元,用于通过各个目标扩展用户对应的目标投放渠道,向各个目标扩展用户投放所述目标游戏对应的游戏资源。
可选的,在本申请的一些实施例中,所述计算单元具体可以用于通过第一分类模型,基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度。
可选的,在本申请的一些实施例中,所述选取单元具体可以用于通过所述第一分类模型,基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户。
可选的,在本申请的一些实施例中,所述游戏资源投放装置还可以包括训练单元,所述训练单元用于对第一分类模型进行训练。所述训练单元可以包括第二获取子单元、划分子单元、训练子单元、验证子单元和评估子单元,如下:
所述第二获取子单元,用于获取训练数据,所述训练数据包括样本用户、以及所述样本用户与参考种子用户的期望相似度;
划分子单元,用于将所述样本用户划分为训练集、验证集和测试集;
训练子单元,用于基于所述训练集,对预设第一分类模型进行训练,以使所述训练集中样本用户的预测相似度与其对应的期望相似度之间的损失值满足预设第一条件,所述预测相似度为预测到的所述样本用户与所述参考种子用户的相似度;
验证子单元,用于利用所述验证集,对预设第一分类模型的训练结果进行验证;
评估子单元,用于在验证通过后,通过所述测试集对预设第一分类模型的训练效果进行评估,得到第一分类模型。
可选的,在本申请的一些实施例中,所述样本用户包括期望相似度大于预设第一相似度的样本种子用户和期望相似度小于预设第二相似度的样本非扩展用户,所述样本非扩展用户是通过第二分类模型从样本无标注用户集中确定出的;
所述训练子单元具体可以用于通过预设第一分类模型,基于所述训练集中样本用户的特征信息以及所述参考种子用户的特征信息,计算所述训练集中样本用户与所述参考种子用户的预测相似度;基于所述样本用户中样本种子用户对应的期望相似度和预测相似度,以及所述样本用户中样本非扩展用户对应的期望相似度和预测相似度,调整预设第一分类模型的参数。
可选的,在本申请的一些实施例中,所述样本非扩展用户为真负样本;所述游戏资源投放装置还可以包括真负样本确定单元,所述真负样本确定单元用于从样本无标注用户集中确定真负样本。所述真负样本确定单元可以包括第三获取子单元、第三确定子单元和返回子单元,如下:
所述第三获取子单元,用于获取样本种子用户和样本无标注用户集,将所述样本种子用户作为真正样本;
第三确定子单元,用于通过第二分类模型,基于所述真正样本从所述样本无标注用户集中确定出真负样本;
返回子单元,用于将去除真负样本的样本无标注用户集作为新的样本无标注用户集,返回执行所述通过第二分类模型,基于所述真正样本从所述样本无标注用户集中确定出真负样本的步骤,直到真负样本的数量满足预设第二条件。
可选的,在本申请的一些实施例中,所述第三确定子单元具体可以用于从所述真正样本中选取目标样本种子用户,并将去除所述目标样本种子用户的真正样本作为正样本;将所述目标样本种子用户与所述样本无标注用户集进行合并,得到负样本集合;基于所述正样本和所述负样本集合,对第二分类模型进行训练;通过训练后的第二分类模型,对所述负样本集合中的负样本进行分类处理,得到所述负样本集合中各个负样本属于正样本类别的概率;基于所述概率,从所述负样本集合中确定出真负样本。
本申请实施例提供的一种电子设备,包括处理器和存储器,所述存储器存储有多条指令,所述处理器加载所述指令,以执行本申请实施例提供的游戏资源投放方法中的步骤。
此外,本申请实施例还提供一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现本申请实施例提供的游戏资源投放方法中的步骤。
本申请实施例提供了一种游戏资源投放方法和装置,可以获取目标游戏的种子用户群和潜在用户群;对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息;根据各个种子用户的特征信息,确定所述种子用户群的参考用户;基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度;基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户;向所述目标扩展用户投放所述目标游戏对应的游戏资源。本申请可以更为快速、精准地寻找到游戏资源的目标投放对象,提高了游戏资源投放的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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的附图。
图1a是本申请实施例提供的游戏资源投放方法的场景示意图;
图1b是本申请实施例提供的游戏资源投放方法的流程图;
图1c是本申请实施例提供的游戏资源投放方法的说明示意图;
图2a是本申请实施例提供的游戏资源投放方法的另一流程图;
图2b是本申请实施例提供的游戏资源投放方法的另一流程图;
图2c是本申请实施例提供的游戏资源投放方法的另一流程图;
图2d是现有的确定游戏资源投放对象的说明图;
图2e是现有游戏拉新方法的说明图;
图3a是本申请实施例提供的游戏资源投放装置的结构示意图;
图3b是本申请实施例提供的游戏资源投放装置的另一结构示意图;
图3c是本申请实施例提供的游戏资源投放装置的另一结构示意图;
图3d是本申请实施例提供的游戏资源投放装置的另一结构示意图;
图3e是本申请实施例提供的游戏资源投放装置的另一结构示意图;
图3f是本申请实施例提供的游戏资源投放装置的另一结构示意图;
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动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。
本申请实施例提供一种游戏资源投放方法和装置。该游戏资源投放装置具体可以集成在电子设备中,该电子设备可以是终端或服务器等设备。
可以理解的是,本实施例的游戏资源投放方法可以是在终端上执行的,也可以是在服务器上执行,还可以由终端和服务器共同执行的。以上举例不应理解为对本申请的限制。
如图1a所示,以终端和服务器共同执行游戏资源投放方法为例。本申请实施例提供的游戏资源投放系统包括终端10和服务器11等;终端10与服务器11之间通过网络连接,比如,通过有线或无线网络连接等,其中,游戏资源投放装置可以集成在服务器中。
其中,服务器11,可以用于:获取目标游戏的种子用户群和潜在用户群;对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息;根据各个种子用户的特征信息,确定所述种子用户群的参考用户;基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度;基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户;向终端10中的目标扩展用户投放所述目标游戏对应的游戏资源。其中,服务器11可以是单台服务器,也可以是由多个服务器组成的服务器集群或云服务器。
其中,终端10中的目标扩展用户可以基于服务器11投放的目标游戏对应的游戏资源,对所述游戏资源进行浏览。其中,终端10可以包括手机、智能电视、平板电脑、笔记本电脑、或个人计算机(PC,Personal Computer)等。终端10上还可以设置客户端,该客户端可以是应用程序客户端或者浏览器客户端等等。
上述服务器11游戏资源投放的步骤,也可以由终端10执行。
本申请实施例提供的游戏资源投放方法涉及人工智能领域中的机器学习。本申请实施例可以更为快速、精准地寻找到游戏资源的目标投放对象,提高了游戏资源投放的准确性。
其中,人工智能(AI,Artificial Intelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。其中,人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等方向。
其中,机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
以下分别进行详细说明。需说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。
本实施例将从游戏资源投放装置的角度进行描述,该游戏资源投放装置具体可以集成在电子设备中,该电子设备可以是服务器或终端等设备。
本申请实施例的游戏资源投放方法可以应用的场景很多,比如可以应用于游戏上线运营初期中寻找游戏新用户,还可以用于游戏广告宣传等场景。
如图1b所示,该游戏资源投放方法的具体流程可以如下:
101、获取目标游戏的种子用户群和潜在用户群。
其中,目标游戏为需要投放游戏资源的游戏,具体地,它可以是需要拉取新用户的游戏,其游戏种类不限。本申请可以先确定投放对象(即目标扩展对象),再对投放对象进行游戏资源的投放,以达到宣传游戏、拉取新用户的目的。
其中,潜在用户群包括至少一个潜在用户,潜在用户群中存在可能对目标游戏感兴趣的用户,也存在可能对目标游戏完全不感兴趣的用户。潜在用户群可以是除去种子用户的全量用户群体,也可以是从全量用户群体中筛选出来的一个子集,比如,可以根据用户画像,筛选掉明显不符合预期的用户,即去掉明显对目标游戏不感兴趣的用户,将筛选后的全量用户群体作为潜在用户群,以减少后面的计算量。本申请可以基于目标游戏的种子用户群,从潜在用户群中确定出对目标游戏喜好程度较高的目标扩展用户。潜在用户群也可以视为无标注用户群体。
其中,种子用户群包括至少一个种子用户,种子用户可以理解为对当前游戏(也即目标游戏)表现明显喜欢意愿的用户。
本实施例中,获取目标游戏的种子用户群的途径有多种。
例如,可以将参与目标游戏预约活动的用户作为种子用户。用户参与游戏预约可以表示用户对该目标游戏的兴趣较大,可以作为种子用户,得到目标游戏的种子用户群。预约活动可以在多渠道投放,比如可以通过官网、手机官网以及多游戏分发渠道等来投放预约活动。
又例如,还可以将参与游戏测试的用户作为种子用户,以得到目标游戏的种子用户群。在游戏上线前期,一般会邀请许多用户进行游戏测试,其中参与测试的用户可视为种子用户。
可以理解的是,种子用户群的获取途径并不仅限于以上举例。其他可以确定用户与游戏强关联的活动获得的用户群,均可作为种子用户群。
102、对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息。
其中,用户的特征空间包括很多内容(用户特征),可以根据当前的任务,尽可能的收集一些有相关性的用户特征,并建立由各个用户组成的特征空间。
比如,本申请是要寻找游戏资源的投放对象,则特征空间包含的维度可以有用户在游戏的活跃数据、用户在游戏的充值数据、用户对游戏的喜好数据、用户对游戏品类的喜好数据、用户对游戏渠道的喜好数据、用户的基础属性等,其中,该游戏指的是各种游戏,并不仅仅指代目标游戏;其中,用户在游戏的活跃数据可以包括游戏活跃时长、活跃款数、活跃天数以及单游戏的明细活跃数据等,用户在游戏的充值数据可以包括游戏充值次数、游戏充值金额以及单游戏的明细充值数据等,用户对游戏的喜好数据具体可以是用户对游戏的喜欢程度,用户的基础属性具体可以包括用户的身份、年龄、性别和学历等等。需要说明的是,以上举例不应理解为对本实施例的限制。
可选的,在一些实施例中,可以对各个种子用户进行多个维度的特征提取,得到各个种子用户多维度的特征信息,比如,可以得到各个种子用户在游戏的活跃数据、充值数据、喜好数据以及基础属性等特征信息。
其中,用户特征信息包含的维度越多,用户特征空间构建得越完整,算法的精确度越高,也就是能够更为精准地找到游戏资源的投放对象,提升游戏的推广效益。
具体地,在一些实施例中,步骤“对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息”,具体可以包括对各个种子用户群中的各个种子用户多维度的信息进行卷积运算和池化运算,得到各个种子用户多维度的特征信息;其中,种子用户多维度的信息可以包括种子用户在游戏的活跃数据、充值数据、喜好数据以及用户的基础属性等多个维度的信息,特征信息具体可以是特征向量。
其中,可以通过卷积神经网络(CNN,Convolutional Neural Networks)、残差网络(ResNet,Residual Network)和密集连接卷积网络(DenseNet,Dense ConvolutionalNetwork)等来对种子用户进行特征提取,应当理解的是,本实施例的神经网络并不仅限于上述列举的几种类型。
103、根据各个种子用户的特征信息,确定所述种子用户群的参考用户。
其中,参考用户可以理解为种子用户群中种子用户的代表,它可以是各个种子用户在特征空间的中心点,具体地,参考用户可以是种子用户群中的某个种子用户,也可以不存在种子用户群中,只是作为计算过程中种子用户群的群体特征的表征。
其中,通过各个种子用户的特征信息,可以获取目标游戏的喜好群体特征,种子用户的特征信息具体可以是种子用户的特征向量,具体地,若种子用户的特征信息是种子用户的各维度信息融合后的特征信息,可以对各个种子用户的特征向量进行加权平均处理,得到对应的均值向量,并将该均值向量作为种子用户群的参考用户的特征信息;该均值向量也可以视作种子用户群在特征空间中的簇中心。
在一些具体实施例中,种子用户的特征信息为种子用户各维度的特征信息,可以针对每个维度的特征信息,对各个种子用户对应相同维度下的特征信息进行平均处理,从而得到各维度的均值向量,再对各维度的均值向量进行融合,得到种子用户群的参考用户的特征信息。
可选的,在一些实施例中,步骤“根据各个种子用户的特征信息,确定所述种子用户群的参考用户”,可以包括:
根据各个种子用户的特征信息,在特征空间生成各个特征信息对应的种子用户特征点;
基于所述种子用户特征点的分布信息确定用于计算相似度的参考用户特征点,从而确定所述种子用户群的参考用户。
其中,可以对多个维度的特征信息进行融合操作,该融合操作具体可以是对各个维度的特征信息进行加权运算,得到种子用户的特征信息在特征空间对应的种子用户特征点。
其中,可以将种子用户特征点的分布中心点作为参考用户特征点,该分布中心点具体可以是各个种子用户点的均值,如加权平均数、算术平均数等。
在一些实施例中,还可以对各个种子用户的特征信息进行卷积运算,在特征空间生成各个特征信息对应的种子用户特征点,该种子用户特征点可以是向量的形式。
104、基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度。
可选的,在一些实施例中,步骤“基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度”,可以包括:
对所述潜在用户群中各个潜在用户进行特征提取,得到各个潜在用户的特征信息;
根据各个潜在用户的特征信息,在特征空间生成各个特征信息对应的潜在用户特征点;
基于所述参考用户特征点与各个潜在用户特征点之间的距离,计算所述参考用户与各个潜在用户的相似度。
其中,可以获取潜在用户与种子用户相应维度下的信息,如种子用户提取的是用户在游戏的活跃数据、充值数据以及用户的基础属性这些维度的特征信息,潜在用户可以相应地提取用户在游戏的活跃数据、充值数据以及用户的基础属性这些维度的特征信息。
在一些实施例中,可以对各个潜在用户多维度信息进行特征提取,该特征提取操作具体可以是卷积运算和池化运算,得到各个潜在用户多维度的特征信息;再对各个潜在用户多维度的特征信息进行融合操作,该融合操作具体可以是针对每个潜在用户,对各个维度的特征信息进行加权运算,得到各个潜在用户在特征空间对应的潜在用户特征点。
其中,参考用户特征点与各个潜在用户特征点之间的距离,具体可以指二者间的向量距离,向量距离可以度量两个用户特征点之间的相似度,向量距离越大,相似度越小,也即对游戏的喜好程度越小,反之,向量距离越小,相似度越高,表示对游戏喜好程度越高,越容易被转化成目标游戏的新用户。该向量距离可以包括余弦距离、欧式距离或者汉明距离等。
可选的,在一些实施例中,步骤“基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度”,可以包括:
通过第一分类模型,基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度。
其中,该第一分类模型可以实现相似(Lookalike)算法,它可以是一个逻辑回归(LR,(logistics regression))模型,用于计算参考用户与各个潜在用户的相似度。第一分类模型具体也可以是卷积神经网络、残差网络和密集连接卷积网络等,应当理解的是,本实施例的第一分类模型并不仅限于上述列举的几种类型。
其中,Lookalike算法:原本是计算广告中的术语,它不是单指某一种算法,而是一类方法的统称。其目的就是为了实现人群包的扩充。它可以基于种子用户,通过一定的算法评估模型,找到更多拥有潜在关联性的相似人群。
105、基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户。
其中,目标扩展用户即目标游戏对应的游戏资源的投放对象。
其中,可以将相似度大于预设相似度的潜在用户作为所述种子用户群的目标扩展用户。该预设相似度可以根据实际情况进行设置,本实施例对此不作限制。例如,可以根据实际需要投放的人数来设置,如果实际需要投放的人数较多,预设相似度可以设置得相对小一些;反之,预设相似度应设置得大一些;比如实际上只有100万份投资资源,则需要限制投放对象的数量,进而根据投放对象的数量设置预设相似度。
可选的,在一些实施例中,步骤“基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户”,可以包括:
通过所述第一分类模型,基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户。
106、向所述目标扩展用户投放所述目标游戏对应的游戏资源。
其中,游戏资源具体可以是游戏广告之类的。本实施例中具体可以通过多个渠道来投放目标游戏的游戏资源;投放渠道可以包括游戏官网、多游戏分发平台等。
在一些实施例中,可以将目标扩展用户和种子用户群进行合并,一并作为游戏资源的投放对象,以减少优质用户的流失。
可选的,在一些实施例中,步骤“向所述目标扩展用户投放所述目标游戏对应的游戏资源”之前,还可以包括:
获取各个目标扩展用户对投放渠道的偏好信息;
基于所述偏好信息,确定各个目标扩展用户对应的目标投放渠道;
所述向所述目标扩展用户投放所述目标游戏对应的游戏资源,包括:
通过各个目标扩展用户对应的目标投放渠道,向各个目标扩展用户投放所述目标游戏对应的游戏资源。
其中,当有用户对渠道的偏好信息时,可以根据目标扩展用户对渠道的偏好信息,确定其最喜好的渠道,并将其作为该目标扩展用户的目标投放渠道,然后针对各个目标扩展用户,通过该目标扩展用户最喜好的目标投放渠道,向其投放游戏资源即可。
在一具体实施例中,可以根据各个目标扩展用户对应的目标投放渠道,将目标扩展用户划分为多个用户包,每个用户包对应一个投放渠道,且每个用户包对应的投放渠道是其中(即该用户包中)各目标扩展用户的目标投放渠道;再将各个用户包投放到对应的渠道中,通过目标投放渠道,对该目标投放渠道对应的用户包中的目标扩展用户投放游戏资源。
可选的,在另一些实施例中,也可以将目标扩展用户作为所有投放渠道的共用用户包,即对目标扩展用户进行通投,需要对每个投放渠道中的目标扩展用户进行投放游戏资源,例如总共有三个投放渠道,对于每个目标扩展用户,三个投放渠道都需要投放游戏资源。本实施例方法操作较为简便,但损失了投放的精度。
在一实施例中,如果没有用户对渠道的偏好信息,可以将各个渠道进行单独训练,来寻找各个渠道最佳的用户人群。具体地,可以获取各渠道对应的种子用户群,针对各个渠道,基于所述渠道对应的种子用户群,获取目标游戏在所述渠道的目标扩展用户,并通过所述渠道,对该渠道对应的目标扩展用户投放游戏资源。在训练过程中,每个渠道分开独立训练。比如有a、b和c三个渠道,对于a渠道的训练过程,要基于a渠道对应的样本种子用户和样本非扩展用户,对模型进行训练。
可选的,本实施例中,在对目标扩展用户进行游戏资源的投放之后,还可以对投放效果进行评估。比如,可以基于各个投放渠道拉取的新用户数量,评估各个投放渠道的投放效果。此外,若发现一些渠道的投放效果比较好,可以对游戏资源倾斜,向这些渠道输出更多的用户包,投放更多的游戏资源,即更多地向这些渠道的目标扩展用户投放游戏资源。若在投放后发现另外一些用户特征与目标游戏的喜好程度有明显的相关性,可以将这些用户特征加入到特征空间,迭代更新第一分类模型的参数,并在之后的目标扩展用户的获取过程中,将这些用户特征用于参考用户与潜在用户的相似度计算,以不断提高新用户的转化精度,提升目标游戏的推广效益。
本实施例中,该第一分类模型可以由其他设备进行训练后,提供给游戏资源投放装置,或者,也可以通过该游戏资源投放装置自行进行训练。
若该第一分类模型是由游戏资源投放装置训练的,步骤“通过第一分类模型,基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度”之前,还可以包括:
获取训练数据,所述训练数据包括样本用户、以及所述样本用户与参考种子用户的期望相似度;
将所述样本用户划分为训练集、验证集和测试集;
基于所述训练集,对预设第一分类模型进行训练,以使所述训练集中样本用户的预测相似度与其对应的期望相似度之间的损失值满足预设第一条件,所述预测相似度为预测到的所述样本用户与所述参考种子用户的相似度;
利用所述验证集,对预设第一分类模型的训练结果进行验证;
在验证通过后,通过所述测试集对预设第一分类模型的训练效果进行评估,得到第一分类模型。
其中,可以将样本用户根据一定的比例划分为训练集、验证集和测试集,该划分比例可以是6:2:2,也可以根据其他比例划分,本实施例对此不作限制。需要说明的是,训练集、验证集和测试集中正负样本比例应该尽量一致。
在一些实施例中,可以使用训练集训练预设第一分类模型,得到多个预训练后的预设第一分类模型,再利用验证集对各个预训练后的预设第一分类模型的训练结果进行验证,并对各模型的参数进行调整,根据验证误差,从各模型中选出目标预设第一分类模型;最后再通过测试集对目标预设第一分类模型进行评估,以得到第一分类模型。
其中,预设第一条件具体可以是训练集中样本用户的预测相似度与其对应的期望相似度之间的损失值小于第一损失值,该第一损失值可以根据实际情况进行设置,本实施例对此不作限制。
可选的,在一些实施例中,所述样本用户包括期望相似度大于预设第一相似度的样本种子用户和期望相似度小于预设第二相似度的样本非扩展用户,所述样本非扩展用户是通过第二分类模型从样本无标注用户集中确定出的;步骤“基于所述训练集,对预设第一分类模型进行训练”,可以包括:
通过预设第一分类模型,基于所述训练集中样本用户的特征信息以及所述参考种子用户的特征信息,计算所述训练集中样本用户与所述参考种子用户的预测相似度;
基于所述样本用户中样本种子用户对应的期望相似度和预测相似度,以及所述样本用户中样本非扩展用户对应的期望相似度和预测相似度,调整预设第一分类模型的参数。
其中,对预设第一分类模型参数的调整可以包括对该预设第一分类模型中神经元数量的调整,和各层神经元之间连接权重以及偏置的调整等等。
其中,预设第一相似度和预设第二相似度可以根据实际情况进行设置,本实施例对此不作限制。例如,可以为了提高第一分类模型的精度,将预设第一相似度设置得大一些,将预设第二相似度设置得小一些。
其中,样本种子用户为该预设第一分类模型的正样本,样本非扩展用户为该预设第一分类模型的负样本;具体地,样本种子用户为对目标游戏感兴趣的用户,样本非扩展用户为对目标游戏不感兴趣的用户。正样本、负样本以及参考种子用户构成三元组,通过三元组对预设第一分类模型进行训练。该训练过程是计算出参考种子用户与正样本的预测相似度,以及参考种子用户与负样本的预测相似度,然后,使用反向传播算法对预设第一分类模型的参数进行调整,基于所述样本用户中正样本对应的期望相似度和预测相似度,以及样本用户中负样本对应的期望相似度和预测相似度,优化预设第一分类模型的参数,使正样本的预测相似度趋近于正样本的期望相似度,负样本的预测相似度趋近于负样本的期望相似度。
可选的,在一些实施例中,步骤“对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息”,可以包括:
通过第一分类模型,对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息。
可选的,在一些实施例中,步骤“根据各个种子用户的特征信息,确定所述种子用户群的参考用户”,可以包括:
通过第一分类模型,根据各个种子用户的特征信息,确定所述种子用户群的参考用户。
其中,第一分类模型可以包括特征信息提取模块,在第一分类模型的训练过程中可以增加“对样本用户和参考种子用户提取特征信息”的步骤,并对特征信息提取模块进行相应的训练。
可选的,本实施例中,所述样本非扩展用户为真负样本;步骤“获取训练数据”之前,还可以包括:
获取样本种子用户和样本无标注用户集,将所述样本种子用户作为真正样本;
通过第二分类模型,基于所述真正样本从所述样本无标注用户集中确定出真负样本;
将去除真负样本的样本无标注用户集作为新的样本无标注用户集,返回执行所述通过第二分类模型,基于所述真正样本从所述样本无标注用户集中确定出真负样本的步骤,直到真负样本的数量满足预设第二条件。
其中,当获取的样本种子用户比较少时,可以使用过采样(oversampling),随机的从样本种子用户中有放回的抽取用户,复制抽取出来的样本种子用户,以增加样本种子用户的数量,通过过采样的方法,尽可能的将有限的种子用户信息发挥出来。
其中,样本无标注用户集可以是除去样本种子用户的所有用户,但是为了减少计算量,可以根据用户画像对样本精选,去掉一些明显不符合预期的用户,比如去掉明显对目标游戏不感兴趣的用户,因为这类用户做负样本的价值不大,在第一分类模型的实际应用过程中,会从大量潜在用户群中识别出目标游戏的目标扩展用户,其中,一般可以先对潜在用户群进行筛选,去掉明显对目标游戏不感兴趣的用户,再对潜在用户群进行识别,即实际第一分类模型的应用过程不会对这些明显不感兴趣的用户进行分类,因此在第一分类模型的训练过程中,也无需将明显对目标游戏不感兴趣的用户当做训练样本。如果精选后的样本无标注用户集中用户数量仍然比较多,可以使用下采样(undersampling)的方法,无放回的随机从精选后的样本无标注用户集中选取一部分的用户,并将这部分用户作为新的样本无标注用户集。
其中,预设第二条件可以根据实际样本种子用户的数量来确定,本实施例对此不作限制,比如,该预设第二条件可以是真负样本的数量与样本种子用户的数量差值小于某个阈值。
在一些实施例中,可以通过过采样和下采样,让样本种子用户和样本无标注用户集中用户的数量差不多。
其中,本实施例中第二分类模型可以是半监督(Semi-supervised Learning)的二元分类模型,具体地,可以为一个基于逻辑回归算法(LR,Logistic Regression)分类器。第二分类模型可以通过正样本-无标记样本的学习(PU Learning,Positive and UnlabledExample Learning)方法,基于已标注的正样本P(即前面实施例中的样本种子用户),对无标注的样本U(即前面实施例的样本无标注用户集)打上正负样本标签。
PU Learning是样本学习的一种方法,样本学习指的是根据少量的标注样本,将其他的样本标注的过程,比如手机相册中,将一张图片中的某个照片里的人标记为A,在其他照片中将会自动识别出A,这就是个典型的样本学习例子。一般来说,PU Learning最终会转换成一个有限制的最优化问题(Constrained Optimization Problem),即算法试图在使得正例数据中的错误率低于预设值的情况下,最小化无标注数据U中正样本的个数,反之最大化无标注数据U中负样本的个数,最终较为合理的将数据从PU划分成PN,P表示正样本,U表示无标注数据,N表示负样本。PU Learning有两种常见的处理方法,一种是直接方法(Direct Approach),将种子用户作为正样本,所有的未标注用户作为负样本,直接训练第二分类模型;一种是两步方法(Two-step Approach),寻找一个可靠的负样本集合(Reliable Negative Examples,RN),进而通过正负样本迭代训练一个二分类器(即第二分类模型)。
在一些实施例中,如图1c所示,可以通过PU Learning中的两步法,来寻找样本无标注用户集中的真负样本,本方法也可以称为装袋算法(bagging)。具体如下所述:
S1:获取原始数据集合P和U,其中,P为真正样本,U为无标注样本(即样本无标注用户集);
S2:在U中寻找到一部分真负样本RN,从U中减掉RN获得新未标注集合Q;
S3:将Q作为新U,继续迭代,直到有足够多的RN(可以根据实际中P的量级、需要目标扩展用户的量级自主控制)。
其中,步骤S2中可以通过第二分类模型来在U中寻找真负样本RN。
可选的,在一些实施例中,步骤“通过第二分类模型,基于所述真正样本从所述样本无标注用户集中确定出真负样本”,可以包括:
从所述真正样本中选取目标样本种子用户,并将去除所述目标样本种子用户的真正样本作为正样本;
将所述目标样本种子用户与所述样本无标注用户集进行合并,得到负样本集合;
基于所述正样本和所述负样本集合,对第二分类模型进行训练;
通过训练后的第二分类模型,对所述负样本集合中的负样本进行分类处理,得到所述负样本集合中各个负样本属于正样本类别的概率;
基于所述概率,从所述负样本集合中确定出真负样本。
其中,步骤S2在样本无标注用户集中寻找真负样本可以使用间谍法(spy),具体步骤如下:
1、随机地从P(即前面实施例所述的真正样本)中选取一个正样本用户集合S(即前面实施例中的目标样本种子用户),并把S加入到U中,得到Us;
2、通过把P-S(去除S的真正样本)当成是正样本集合(也即前面实施例中的正样本),Us当成是负样本集合,基于正样本集合和负样本集合,对第二分类模型进行训练,得到训练后的第二分类模型,通过训练后的第二分类模型给Us中的每个用户进行分类,即为每个用户赋予一个正样本类别的概率;
3、利用间谍用户的概率标识来决定哪些用户最有可能是负样本。可以选取L个用户(L常为S用户数的20%-40%)来确定最小正样本阈值t,Us中那些正样本类别概率小于t的用户被认为是最有可能的负样本,这些用户用RN(真负样本)表示。
本申请基于Lookalike算法的方法可以使用于游戏的宣发期游戏拉新阶段,但也不仅局限于宣发阶段,只要有游戏拉新的需求均可以使用;同理,也不局限于游戏的拉新,其本质还是用户种子包的扩散,只有是有从小群里扩展到大群里的场景,均可以发挥作用,比如广告种子用户扩散、游戏种子用户扩散等等场景。其中,游戏拉新指的是在新游宣发或者游戏上线运营初期,给游戏持续引入新进用户的行为。
由上可知,本实施例电子设备可以获取目标游戏的种子用户群和潜在用户群;对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息;根据各个种子用户的特征信息,确定所述种子用户群的参考用户;基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度;基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户;向所述目标扩展用户投放所述目标游戏对应的游戏资源。本申请可以更为快速、精准地寻找到游戏资源的目标投放对象,提高了游戏资源投放的准确性。
根据前面实施例所描述的方法,以下将以该游戏资源投放装置具体集成在服务器举例作进一步详细说明。
本申请实施例提供一种游戏资源投放方法,如图2a所示,具体通过如下实施例进行说明:
本实施例可以通过第一分类模型来获取对目标游戏的目标扩展用户,在获取目标扩展用户之前,还需要对第一分类模型进行训练,以使第一分类模型能够准确地从潜在用户群中识别目标扩展用户。
(一)第一分类模型的训练,具体如下:
如图2b所示,首先需要获取第一分类模型用于训练的正样本集和负样本集,再将其划分训练集、验证集和测试集,对第一分类模型进行训练,再通过训练好的第一分类模型,基于种子用户,寻找目标扩展用户,详细过程如下所述。
(1)正样本集和负样本集的获取;
其中,正样本集为样本种子用户(即真正样本)构成的集合,负样本集为样本非扩展用户(即真负样本)构成的集合。
本实施例中,真正样本具体为种子用户,也即样本种子用户,它是整个算法模型依赖的先验知识。种子用户的获取途径可以参照前面的实施例。当种子用户太少时,可以使用过采样,随机的从种子用户中有放回的抽取用户,以获取数量足够多的正样本。
本实施例中,可以通过第二分类模型从样本无标注用户集中识别出真负样本,该真负样本为样本非扩展用户,可以作为第一分类模型的负样本(集)。
其中,样本无标注用户集可以是去除种子用户的所有用户,但是为了减少计算量,可以根据用户画像对样本精选,去掉一些明显不符合预期的用户。如果精选后的样本无标注用户集中用户数量仍然比较多,可以使用下采样的方法,无放回的随机从精选后的样本无标注用户集中选取一部分的用户作为新的样本无标注用户集。
可选的,本实施例中,可以通过以下步骤从样本无标注用户集中识别出真负样本;过程具体可以包括:
获取样本种子用户和样本无标注用户集,将所述样本种子用户作为真正样本;
通过第二分类模型,基于所述真正样本从所述样本无标注用户集中确定出真负样本;
将去除真负样本的样本无标注用户集作为新的样本无标注用户集,返回执行所述通过第二分类模型,基于所述真正样本从所述样本无标注用户集中确定出真负样本的步骤,直到真负样本的数量满足预设第二条件。
其中,步骤“通过第二分类模型,基于所述真正样本从所述样本无标注用户集中确定出真负样本”,可以包括:
从所述真正样本中选取目标样本种子用户,并将去除所述目标样本种子用户的真正样本作为正样本;
将所述目标样本种子用户与所述样本无标注用户集进行合并,得到负样本集合;
基于所述正样本和所述负样本集合,对第二分类模型进行训练;
通过训练后的第二分类模型,对所述负样本集合中的负样本进行分类处理,得到所述负样本集合中各个负样本属于正样本类别的概率;
基于所述概率,从所述负样本集合中确定出真负样本。
(2)基于正样本集和负样本集对第一分类模型进行训练;
本实施例中,第一分类模型的训练过程具体可以包括:
获取训练数据,所述训练数据包括样本用户、以及所述样本用户与参考种子用户的期望相似度;
将所述样本用户划分为训练集、验证集和测试集;
基于所述训练集,对预设第一分类模型进行训练,以使所述训练集中样本用户的预测相似度与其对应的期望相似度之间的损失值满足预设第一条件,所述预测相似度为预测到的所述样本用户与所述参考种子用户的相似度;
利用所述验证集,对预设第一分类模型的训练结果进行验证;
在验证通过后,通过所述测试集对预设第一分类模型的训练效果进行评估,得到第一分类模型。
可选的,在一些实施例中,所述样本用户包括期望相似度大于预设第一相似度的样本种子用户和期望相似度小于预设第二相似度的样本非扩展用户,所述样本非扩展用户是通过第二分类模型从样本无标注用户集中确定出的;步骤“基于所述训练集,对预设第一分类模型进行训练”,可以包括:
通过预设第一分类模型,基于所述训练集中样本用户的特征信息以及所述参考种子用户的特征信息,计算所述训练集中样本用户与所述参考种子用户的预测相似度;
基于所述样本用户中样本种子用户对应的期望相似度和预测相似度,以及所述样本用户中样本非扩展用户对应的期望相似度和预测相似度,调整预设第一分类模型的参数。
在一具体实施例中,如图2b所示,可以对种子用户进行过采样,以获取数量足够多的正样本;对除种子用户以外的全量用户进行样本精选,再对精选后的样本进行下采样,得到无标注样本;基于正样本和无标注样本的用户特征,从无标注样本中确定真负样本,从而得到正样本集和负样本集;将正样本集和负样本集划分为训练集、验证集和测试集,其中,训练集、验证集和测试集中正负样本的比例大致相同。然后,基于训练集、验证集和测试集对第一分类模型进行训练,得到训练好的第一分类模型,通过训练好的第一分类模型,基于种子用户,从潜在用户群中确定目标扩展用户。
其中,步骤“基于正样本和无标注样本的用户特征,从无标注样本中确定真负样本”中,用户特征可以包括用户的基础数据、喜好数据以及渠道数据等等。其具体过程可以参考上面实施例,可以从正样本P中去除一部分正样本S,将去除S的正样本P记为P-S,并把这部分正样本S加入到无标注样本U中,得到Us,通过第二分类模型,提取P-S和Us的用户特征的特征信息,对第二分类模型进行训练,通过训练好的第二分类模型,基于Us中各用户的用户特征的特征信息,预测Us中各用户属于正样本类别的概率,基于该概率,从Us中确定出真负样本。
(二)训练后的第一分类模型,便可用于目标扩展用户的获取。
如图2a所示,一种游戏资源投放方法,具体流程如下:
201、服务器获取目标游戏的种子用户群和潜在用户群。
202、服务器通过第一分类模型,根据所述种子用户群中各个种子用户的特征信息,确定所述种子用户群的参考用户。
本实施例中,步骤“服务器通过第一分类模型,根据所述种子用户群中各个种子用户的特征信息,确定所述种子用户群的参考用户”,可以包括:
服务器通过第一分类模型,对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息;
根据各个种子用户的特征信息,在特征空间生成各个特征信息对应的种子用户特征点;
基于所述种子用户特征点的分布信息确定用于计算相似度的参考用户特征点,从而确定所述种子用户群的参考用户。
203、服务器基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度。
本实施例中,步骤“服务器基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度”,可以包括:
对所述潜在用户群中各个潜在用户进行特征提取,得到各个潜在用户的特征信息;
根据各个潜在用户的特征信息,在特征空间生成各个特征信息对应的潜在用户特征点;
基于所述参考用户特征点与各个潜在用户特征点之间的距离,计算所述参考用户与各个潜在用户的相似度。
204、服务器将所述相似度大于预设相似度的潜在用户作为所述种子用户群的目标扩展用户。
可选的,本实施例中,可以将种子用户群和潜在用户群的用户特征信息作为第一分类模型的输入,通过第一分类模型的计算,输出潜在用户群中各个用户的分数(score)值,该分数值也即潜在用户与参考用户的相似度,可以基于score值,对各个潜在用户进行降序排列,根据实际情况所需要的目标扩展用户的数量,来调整score的选择阈值,将score值大于预设阈值的潜在用户作为目标扩展用户。
205、服务器通过多个投放渠道,向终端中的所述目标扩展用户投放所述目标游戏对应的游戏资源。
在一具体实施例中,如图2c所示,可以将预约游戏活动和参与游戏活动,以及参与游戏删档测试和游戏不删档测试的用户作为种子用户,再基于种子用户的特征信息,构建用户特征空间;对全量用户进行特征提取,得到全量用户的特征信息,通过第一分类模型的相似算法(Lookalike),基于种子用户的特征信息和全量用户的特征信息之间的相似度,从全量用户中选取目标扩展用户,再通过多个渠道,向目标扩展用户投放游戏资源,最后对各个渠道的投放效果进行评估和反馈。
如图2d所示,目前的相关技术中,寻找目标游戏的投放对象主要分为两大类,第一类是显示定位法,这种方式,最为简单,高效;直接通过用户画像标签,筛选性别,年龄,品类偏好等属性,快速筛选出用户人群包;第二类是隐式定位,通过机器学习的方法,对种子用户进行建模,建模就需要正负样本,正样本为种子包用户,负样本随机从大盘所有用户中随机选取。
其中,显示定位法,其简单快速,缺点也很明显,具有一定的局限性,常提到的一个经典关联规则案例——啤酒与尿布搭配销售中,直接给已婚男性推荐啤酒尿布组合,但未必男性就不关心女性用品,也未必食品偏好的人群,就不关心护肤用品。标签的产出,本身基于用户行为,但单纯基于标签筛选,并不能把潜在相关用户提取出来,更像是一刀切的效果。第二种隐示定位比显示定位要准确一些,使用了机器建模,但负样本的选择过于不确定性,时常会选中正样本误以为负样本,准确度不够。
如图2e所示,目前相关技术,游戏拉新的方法主要有三类,一类是全平台投放广告,活动触达到所有的用户;第二类是根据操作人员的经验选择特定的人群投放广告、活动,来触达用户;第三类是随机的抽样投放广告、活动,来触达用户。现有的新游拉新技术在寻找新用户的时候比较粗糙,要么是一刀切,要么是随机切,对资源的把握和投入产出不能加以控制。明显的缺点有,一是资源浪费明显,尤其是全平台投放策略,当平台体量非常大的时候超浪费资源;二是有人为参与干涉,与个人的兴趣、经验强相关,遇到新的游戏宣发时均由人为判断;三是泛化能力差,不能推广。
本申请的方法属于隐示定位法,游戏资源投放整个过程都是自动化和智能化的,几乎不需要人为干预。可以快速、精准、高效的寻找到一批对游戏喜好程度高的优质新用户,提高游戏发行能力,帮助游戏精准的增加用户人群,提高游戏活跃和游戏付费流水。
由上可知,本实施例可以通过服务器获取目标游戏的种子用户群和潜在用户群;通过第一分类模型,根据所述种子用户群中各个种子用户的特征信息,确定所述种子用户群的参考用户;基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度;将所述相似度大于预设相似度的潜在用户作为所述种子用户群的目标扩展用户;服务器通过多个投放渠道,向终端中的所述目标扩展用户投放所述目标游戏对应的游戏资源。本申请可以更为快速、精准地寻找到游戏资源的目标投放对象,提高了游戏资源投放的准确性。
为了更好地实施以上方法,本申请实施例还提供一种游戏资源投放装置,如图3a所示,该游戏资源投放装置可以包括获取单元301、提取单元302、确定单元303、计算单元304、选取单元305和投放单元306,如下:
(1)获取单元301;
获取单元301,用于获取目标游戏的种子用户群和潜在用户群。
(2)提取单元302;
提取单元302,用于对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息。
(3)确定单元303;
确定单元303,用于根据各个种子用户的特征信息,确定所述种子用户群的参考用户。
可选的,在本申请的一些实施例中,所述确定单元303可以包括第一生成子单元3031和第一确定子单元3032,参见图3b,如下:
所述第一生成子单元3031,用于根据各个种子用户的特征信息,在特征空间生成各个特征信息对应的种子用户特征点;
第一确定子单元3032,用于基于所述种子用户特征点的分布信息确定用于计算相似度的参考用户特征点,从而确定所述种子用户群的参考用户。
(4)计算单元304;
计算单元304,用于基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度。
可选的,在本申请的一些实施例中,所述计算单元304可以包括提取子单元3041、第二生成子单元3042和计算子单元3043,参见图3c,如下:
所述提取子单元3041,用于对所述潜在用户群中各个潜在用户进行特征提取,得到各个潜在用户的特征信息;
第二生成子单元3042,用于根据各个潜在用户的特征信息,在特征空间生成各个特征信息对应的潜在用户特征点;
计算子单元3043,用于基于所述参考用户特征点与各个潜在用户特征点之间的距离,计算所述参考用户与各个潜在用户的相似度。
可选的,在本申请的一些实施例中,所述计算单元304具体可以用于通过第一分类模型,基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度。
(5)选取单元305;
选取单元305,用于基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户。
可选的,在本申请的一些实施例中,所述选取单元305具体可以用于通过所述第一分类模型,基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户。
(6)投放单元306;
投放单元306,用于向所述目标扩展用户投放所述目标游戏对应的游戏资源。
可选的,在本申请的一些实施例中,所述投放单元306可以包括第一获取子单元3061、第二确定子单元3062和投放子单元3063,参见图3d,如下:
所述第一获取子单元3061,用于获取各个目标扩展用户对投放渠道的偏好信息;
第二确定子单元3062,用于基于所述偏好信息,确定各个目标扩展用户对应的目标投放渠道;
投放子单元3063,用于通过各个目标扩展用户对应的目标投放渠道,向各个目标扩展用户投放所述目标游戏对应的游戏资源。
可选的,在本申请的一些实施例中,所述游戏资源投放装置还可以包括训练单元307,所述训练单元307用于对第一分类模型进行训练。所述训练单元307可以包括第二获取子单元3071、划分子单元3072、训练子单元3073、验证子单元3074和评估子单元3075,参见图3e,如下:
所述第二获取子单元3071,用于获取训练数据,所述训练数据包括样本用户、以及所述样本用户与参考种子用户的期望相似度;
划分子单元3072,用于将所述样本用户划分为训练集、验证集和测试集;
训练子单元3073,用于基于所述训练集,对预设第一分类模型进行训练,以使所述训练集中样本用户的预测相似度与其对应的期望相似度之间的损失值满足预设第一条件,所述预测相似度为预测到的所述样本用户与所述参考种子用户的相似度;
验证子单元3074,用于利用所述验证集,对预设第一分类模型的训练结果进行验证;
评估子单元3075,用于在验证通过后,通过所述测试集对预设第一分类模型的训练效果进行评估,得到第一分类模型。
可选的,在本申请的一些实施例中,所述样本用户包括期望相似度大于预设第一相似度的样本种子用户和期望相似度小于预设第二相似度的样本非扩展用户,所述样本非扩展用户是通过第二分类模型从样本无标注用户集中确定出的;
所述训练子单元3073具体可以用于通过预设第一分类模型,基于所述训练集中样本用户的特征信息以及所述参考种子用户的特征信息,计算所述训练集中样本用户与所述参考种子用户的预测相似度;基于所述样本用户中样本种子用户对应的期望相似度和预测相似度,以及所述样本用户中样本非扩展用户对应的期望相似度和预测相似度,调整预设第一分类模型的参数。
可选的,在本申请的一些实施例中,所述样本非扩展用户为真负样本;所述游戏资源投放装置还可以包括真负样本确定单元308,所述真负样本确定单元308用于从样本无标注用户集中确定真负样本。所述真负样本确定单元308可以包括第三获取子单元3081、第三确定子单元3082和返回子单元3083,参见图3f,如下:
所述第三获取子单元3081,用于获取样本种子用户和样本无标注用户集,将所述样本种子用户作为真正样本;
第三确定子单元3082,用于通过第二分类模型,基于所述真正样本从所述样本无标注用户集中确定出真负样本;
返回子单元3083,用于将去除真负样本的样本无标注用户集作为新的样本无标注用户集,返回执行所述通过第二分类模型,基于所述真正样本从所述样本无标注用户集中确定出真负样本的步骤,直到真负样本的数量满足预设第二条件。
可选的,在本申请的一些实施例中,所述第三确定子单元3082具体可以用于从所述真正样本中选取目标样本种子用户,并将去除所述目标样本种子用户的真正样本作为正样本;将所述目标样本种子用户与所述样本无标注用户集进行合并,得到负样本集合;基于所述正样本和所述负样本集合,对第二分类模型进行训练;通过训练后的第二分类模型,对所述负样本集合中的负样本进行分类处理,得到所述负样本集合中各个负样本属于正样本类别的概率;基于所述概率,从所述负样本集合中确定出真负样本。
由上可知,本实施例由获取单元301获取目标游戏的种子用户群和潜在用户群;由提取单元302对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息;通过确定单元303根据各个种子用户的特征信息,确定所述种子用户群的参考用户;由计算单元304基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度;由选取单元305基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户;通过投放单元306向所述目标扩展用户投放所述目标游戏对应的游戏资源。本申请可以更为快速、精准地寻找到游戏资源的目标投放对象,提高了游戏资源投放的准确性。
本申请实施例还提供一种电子设备,如图4所示,其示出了本申请实施例所涉及的电子设备的结构示意图,该电子设备可以是终端或者服务器等,具体来讲:
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图4中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,若该电子设备为终端,其还可以包括显示单元等,在此不再赘述。具体在本实施例中,电子设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取目标游戏的种子用户群和潜在用户群;对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息;根据各个种子用户的特征信息,确定所述种子用户群的参考用户;基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度;基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户;向所述目标扩展用户投放所述目标游戏对应的游戏资源。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,本实施例可以获取目标游戏的种子用户群和潜在用户群;对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息;根据各个种子用户的特征信息,确定所述种子用户群的参考用户;基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度;基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户;向所述目标扩展用户投放所述目标游戏对应的游戏资源。本申请可以更为快速、精准地寻找到游戏资源的目标投放对象,提高了游戏资源投放的准确性。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种游戏资源投放方法中的步骤。例如,该指令可以执行如下步骤:
获取目标游戏的种子用户群和潜在用户群;对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息;根据各个种子用户的特征信息,确定所述种子用户群的参考用户;基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度;基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户;向所述目标扩展用户投放所述目标游戏对应的游戏资源。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本申请实施例所提供的任一种游戏资源投放方法中的步骤,因此,可以实现本申请实施例所提供的任一种游戏资源投放方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述游戏资源投放方面的各种可选实现方式中提供的方法。
以上对本申请实施例所提供的一种游戏资源投放方法和装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种游戏资源投放方法,其特征在于,包括:
获取目标游戏的种子用户群和潜在用户群;
对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息;
根据各个种子用户的特征信息,确定所述种子用户群的参考用户;
基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度;
基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户;
向所述目标扩展用户投放所述目标游戏对应的游戏资源。
2.根据权利要求1所述的方法,其特征在于,所述根据各个种子用户的特征信息,确定所述种子用户群的参考用户,包括:
根据各个种子用户的特征信息,在特征空间生成各个特征信息对应的种子用户特征点;
基于所述种子用户特征点的分布信息确定用于计算相似度的参考用户特征点,从而确定所述种子用户群的参考用户。
3.根据权利要求2所述的方法,其特征在于,所述基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度,包括:
对所述潜在用户群中各个潜在用户进行特征提取,得到各个潜在用户的特征信息;
根据各个潜在用户的特征信息,在特征空间生成各个特征信息对应的潜在用户特征点;
基于所述参考用户特征点与各个潜在用户特征点之间的距离,计算所述参考用户与各个潜在用户的相似度。
4.根据权利要求1所述的方法,其特征在于,所述向所述目标扩展用户投放所述目标游戏对应的游戏资源之前,还包括:
获取各个目标扩展用户对投放渠道的偏好信息;
基于所述偏好信息,确定各个目标扩展用户对应的目标投放渠道;
所述向所述目标扩展用户投放所述目标游戏对应的游戏资源,包括:
通过各个目标扩展用户对应的目标投放渠道,向各个目标扩展用户投放所述目标游戏对应的游戏资源。
5.根据权利要求1所述的方法,其特征在于,所述基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度,包括:
通过第一分类模型,基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度;
所述基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户,包括:
通过所述第一分类模型,基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户。
6.根据权利要求5所述的方法,其特征在于,所述通过第一分类模型,基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度之前,还包括:
获取训练数据,所述训练数据包括样本用户、以及所述样本用户与参考种子用户的期望相似度;
将所述样本用户划分为训练集、验证集和测试集;
基于所述训练集,对预设第一分类模型进行训练,以使所述训练集中样本用户的预测相似度与其对应的期望相似度之间的损失值满足预设第一条件,所述预测相似度为预测到的所述样本用户与所述参考种子用户的相似度;
利用所述验证集,对预设第一分类模型的训练结果进行验证;
在验证通过后,通过所述测试集对预设第一分类模型的训练效果进行评估,得到第一分类模型。
7.根据权利要求6所述的方法,其特征在于,所述样本用户包括期望相似度大于预设第一相似度的样本种子用户和期望相似度小于预设第二相似度的样本非扩展用户,所述样本非扩展用户是通过第二分类模型从样本无标注用户集中确定出的;
所述基于所述训练集,对预设第一分类模型进行训练,包括:
通过预设第一分类模型,基于所述训练集中样本用户的特征信息以及所述参考种子用户的特征信息,计算所述训练集中样本用户与所述参考种子用户的预测相似度;
基于所述样本用户中样本种子用户对应的期望相似度和预测相似度,以及所述样本用户中样本非扩展用户对应的期望相似度和预测相似度,调整预设第一分类模型的参数。
8.根据权利要求7所述的方法,其特征在于,所述样本非扩展用户为真负样本;所述获取训练数据之前,还包括:
获取样本种子用户和样本无标注用户集,将所述样本种子用户作为真正样本;
通过第二分类模型,基于所述真正样本从所述样本无标注用户集中确定出真负样本;
将去除真负样本的样本无标注用户集作为新的样本无标注用户集,返回执行所述通过第二分类模型,基于所述真正样本从所述样本无标注用户集中确定出真负样本的步骤,直到真负样本的数量满足预设第二条件。
9.根据权利要求8所述的方法,其特征在于,所述通过第二分类模型,基于所述真正样本从所述样本无标注用户集中确定出真负样本,包括:
从所述真正样本中选取目标样本种子用户,并将去除所述目标样本种子用户的真正样本作为正样本;
将所述目标样本种子用户与所述样本无标注用户集进行合并,得到负样本集合;
基于所述正样本和所述负样本集合,对第二分类模型进行训练;
通过训练后的第二分类模型,对所述负样本集合中的负样本进行分类处理,得到所述负样本集合中各个负样本属于正样本类别的概率;
基于所述概率,从所述负样本集合中确定出真负样本。
10.一种游戏资源投放装置,其特征在于,包括:
获取单元,用于获取目标游戏的种子用户群和潜在用户群;
提取单元,用于对所述种子用户群中各个种子用户进行特征提取,得到各个种子用户的特征信息;
确定单元,用于根据各个种子用户的特征信息,确定所述种子用户群的参考用户;
计算单元,用于基于所述参考用户的特征信息与所述潜在用户群中各个潜在用户的特征信息,计算所述参考用户与各个潜在用户的相似度;
选取单元,用于基于所述相似度,从所述潜在用户群中选取所述种子用户群的目标扩展用户;
投放单元,用于向所述目标扩展用户投放所述目标游戏对应的游戏资源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010843066.2A CN111973996B (zh) | 2020-08-20 | 2020-08-20 | 一种游戏资源投放方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010843066.2A CN111973996B (zh) | 2020-08-20 | 2020-08-20 | 一种游戏资源投放方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111973996A true CN111973996A (zh) | 2020-11-24 |
CN111973996B CN111973996B (zh) | 2024-03-12 |
Family
ID=73443387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010843066.2A Active CN111973996B (zh) | 2020-08-20 | 2020-08-20 | 一种游戏资源投放方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111973996B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417132A (zh) * | 2020-12-17 | 2021-02-26 | 南京大学 | 一种利用谓宾信息筛选负样本的新意图识别方法 |
CN112619165A (zh) * | 2020-12-18 | 2021-04-09 | 咪咕互动娱乐有限公司 | 游戏用户选择方法、系统、服务器和存储介质 |
CN112818241A (zh) * | 2021-02-20 | 2021-05-18 | 腾讯科技(深圳)有限公司 | 一种内容推广方法、装置、计算机设备和存储介质 |
CN113256339A (zh) * | 2021-06-04 | 2021-08-13 | 脸萌有限公司 | 资源投放的方法、装置、存储介质及电子设备 |
CN113569919A (zh) * | 2021-07-06 | 2021-10-29 | 上海淇玥信息技术有限公司 | 一种用户标签处理方法、装置和电子设备 |
CN114756758A (zh) * | 2022-04-29 | 2022-07-15 | 杭州核新软件技术有限公司 | 一种混合推荐方法和系统 |
CN115859106A (zh) * | 2022-12-05 | 2023-03-28 | 中国地质大学(北京) | 一种基于半监督学习的矿产勘探方法、装置和存储介质 |
CN116881483A (zh) * | 2023-09-06 | 2023-10-13 | 腾讯科技(深圳)有限公司 | 多媒体资源推荐方法、装置及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140150016A1 (en) * | 2012-11-29 | 2014-05-29 | At&T Intellectual Property I, Lp | Method and apparatus for managing advertisements using social media data |
CN105678582A (zh) * | 2016-01-07 | 2016-06-15 | 北京乐动卓越科技有限公司 | 游戏广告定向投放的方法及系统 |
CN106355449A (zh) * | 2016-08-31 | 2017-01-25 | 腾讯科技(深圳)有限公司 | 用户选取方法和装置 |
CN108122123A (zh) * | 2016-11-29 | 2018-06-05 | 华为技术有限公司 | 一种扩展潜在用户的方法及装置 |
CN108334887A (zh) * | 2017-01-19 | 2018-07-27 | 腾讯科技(深圳)有限公司 | 一种用户选取方法和装置 |
CN109325796A (zh) * | 2018-08-13 | 2019-02-12 | 中国平安人寿保险股份有限公司 | 潜在用户筛选方法、装置、计算机设备及存储介质 |
CN109801091A (zh) * | 2017-11-16 | 2019-05-24 | 腾讯科技(深圳)有限公司 | 目标用户群体定位方法、装置、计算机设备和存储介质 |
CN109903086A (zh) * | 2019-02-14 | 2019-06-18 | 北京奇艺世纪科技有限公司 | 一种相似人群扩展方法、装置及电子设备 |
CN110135893A (zh) * | 2019-04-16 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 潜在用户的确定方法、装置、计算机设备及存储介质 |
CN110162703A (zh) * | 2019-05-13 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推荐方法、训练方法、装置、设备及存储介质 |
US20190364123A1 (en) * | 2017-04-13 | 2019-11-28 | Tencent Technology (Shenzhen) Company Limited | Resource push method and apparatus |
CN111507768A (zh) * | 2020-04-17 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 一种潜在用户的确定方法、模型训练的方法及相关装置 |
-
2020
- 2020-08-20 CN CN202010843066.2A patent/CN111973996B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140150016A1 (en) * | 2012-11-29 | 2014-05-29 | At&T Intellectual Property I, Lp | Method and apparatus for managing advertisements using social media data |
CN105678582A (zh) * | 2016-01-07 | 2016-06-15 | 北京乐动卓越科技有限公司 | 游戏广告定向投放的方法及系统 |
CN106355449A (zh) * | 2016-08-31 | 2017-01-25 | 腾讯科技(深圳)有限公司 | 用户选取方法和装置 |
CN108122123A (zh) * | 2016-11-29 | 2018-06-05 | 华为技术有限公司 | 一种扩展潜在用户的方法及装置 |
CN108334887A (zh) * | 2017-01-19 | 2018-07-27 | 腾讯科技(深圳)有限公司 | 一种用户选取方法和装置 |
US20190364123A1 (en) * | 2017-04-13 | 2019-11-28 | Tencent Technology (Shenzhen) Company Limited | Resource push method and apparatus |
CN109801091A (zh) * | 2017-11-16 | 2019-05-24 | 腾讯科技(深圳)有限公司 | 目标用户群体定位方法、装置、计算机设备和存储介质 |
CN109325796A (zh) * | 2018-08-13 | 2019-02-12 | 中国平安人寿保险股份有限公司 | 潜在用户筛选方法、装置、计算机设备及存储介质 |
CN109903086A (zh) * | 2019-02-14 | 2019-06-18 | 北京奇艺世纪科技有限公司 | 一种相似人群扩展方法、装置及电子设备 |
CN110135893A (zh) * | 2019-04-16 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 潜在用户的确定方法、装置、计算机设备及存储介质 |
CN110162703A (zh) * | 2019-05-13 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推荐方法、训练方法、装置、设备及存储介质 |
CN111507768A (zh) * | 2020-04-17 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 一种潜在用户的确定方法、模型训练的方法及相关装置 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417132A (zh) * | 2020-12-17 | 2021-02-26 | 南京大学 | 一种利用谓宾信息筛选负样本的新意图识别方法 |
CN112417132B (zh) * | 2020-12-17 | 2023-11-17 | 南京大学 | 一种利用谓宾信息筛选负样本的新意图识别方法 |
CN112619165A (zh) * | 2020-12-18 | 2021-04-09 | 咪咕互动娱乐有限公司 | 游戏用户选择方法、系统、服务器和存储介质 |
CN112818241B (zh) * | 2021-02-20 | 2023-09-26 | 腾讯科技(深圳)有限公司 | 一种内容推广方法、装置、计算机设备和存储介质 |
CN112818241A (zh) * | 2021-02-20 | 2021-05-18 | 腾讯科技(深圳)有限公司 | 一种内容推广方法、装置、计算机设备和存储介质 |
CN113256339A (zh) * | 2021-06-04 | 2021-08-13 | 脸萌有限公司 | 资源投放的方法、装置、存储介质及电子设备 |
CN113256339B (zh) * | 2021-06-04 | 2023-08-29 | 脸萌有限公司 | 资源投放的方法、装置、存储介质及电子设备 |
CN113569919A (zh) * | 2021-07-06 | 2021-10-29 | 上海淇玥信息技术有限公司 | 一种用户标签处理方法、装置和电子设备 |
CN114756758B (zh) * | 2022-04-29 | 2023-04-07 | 杭州核新软件技术有限公司 | 一种混合推荐方法和系统 |
CN114756758A (zh) * | 2022-04-29 | 2022-07-15 | 杭州核新软件技术有限公司 | 一种混合推荐方法和系统 |
CN115859106A (zh) * | 2022-12-05 | 2023-03-28 | 中国地质大学(北京) | 一种基于半监督学习的矿产勘探方法、装置和存储介质 |
CN116881483A (zh) * | 2023-09-06 | 2023-10-13 | 腾讯科技(深圳)有限公司 | 多媒体资源推荐方法、装置及存储介质 |
CN116881483B (zh) * | 2023-09-06 | 2023-12-01 | 腾讯科技(深圳)有限公司 | 多媒体资源推荐方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111973996B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111973996A (zh) | 一种游戏资源投放方法和装置 | |
CN110400169A (zh) | 一种信息推送方法、装置及设备 | |
CN111767403B (zh) | 一种文本分类方法和装置 | |
CN110297848A (zh) | 基于联邦学习的推荐模型训练方法、终端及存储介质 | |
WO2022057658A1 (zh) | 推荐模型训练方法、装置、计算机设备及存储介质 | |
CN107463698B (zh) | 基于人工智能推送信息的方法和装置 | |
CN111460221B (zh) | 评论信息处理方法、装置及电子设备 | |
CN112380453B (zh) | 物品推荐方法、装置、存储介质及设备 | |
CN110737783A (zh) | 一种推荐多媒体内容的方法、装置及计算设备 | |
CN110796232A (zh) | 属性预测模型训练方法、属性预测方法及电子设备 | |
CN112307351A (zh) | 用户行为的模型训练、推荐方法、装置和设备 | |
US20220172260A1 (en) | Method, apparatus, storage medium, and device for generating user profile | |
CN109992781B (zh) | 文本特征的处理方法、装置和存储介质 | |
CN111768239A (zh) | 道具推荐方法、装置、系统、服务器和存储介质 | |
CN111444357A (zh) | 内容信息确定方法、装置、计算机设备及存储介质 | |
CN113761359B (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
CN105930532B (zh) | 一种向用户推荐多媒体资源的方法和装置 | |
US11314970B1 (en) | Reinforcement learning techniques for automated video summarization | |
Olabenjo | Applying naive bayes classification to google play apps categorization | |
US20230069999A1 (en) | Method and apparatus for updating recommendation model, computer device and storage medium | |
Liu et al. | Building effective short video recommendation | |
US20190205702A1 (en) | System and method for recommending features for content presentations | |
CN112053184B (zh) | 推广信息投放方法、装置、电子设备以及存储介质 | |
Gravino et al. | Crossing the horizon: exploring the adjacent possible in a cultural system | |
CN113139079A (zh) | 一种音乐推荐方法及系统 |
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 |