CN112245934A - 虚拟场景应用中虚拟资源的数据分析方法、装置及设备 - Google Patents

Abstract

本申请提供了一种虚拟场景应用中虚拟资源的数据分析方法、装置、计算机设备及计算机可读存储介质；方法包括：获取目标用户在虚拟场景应用中的至少两个用户特征，以及目标用户在虚拟场景应用中的活跃度；分别确定各用户特征对活跃度的影响程度；根据各用户特征对活跃度的影响程度，从至少两个用户特征中选取影响程度满足影响程度条件的目标用户特征；根据目标用户特征进行虚拟资源数据分析，得到与目标用户相适配的虚拟资源。通过本申请，能够分析得到与目标用户相适配的虚拟资源，提升虚拟场景应用的用户粘合度。

Description

虚拟场景应用中虚拟资源的数据分析方法、装置及设备

技术领域

本申请涉及人工智能技术领域，尤其涉及一种虚拟场景应用中虚拟资源的数据分析方法、装置、计算机设备及计算机可读存储介质。

背景技术

人工智能(Artificial Intelligence,AI)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。

机器学习(Machine Learning,ML)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。

在虚拟场景应用中，为提升用户粘合度，通常会为用户推送虚拟资源，但相关技术中，通常是给虚拟场景中不同用户推送相同的虚拟资源，其无法满足用户的实际需求，导致提升用户粘合度的效果差。

发明内容

本申请实施例提供一种虚拟场景应用中虚拟资源的数据分析方法、装置、计算机设备及计算机可读存储介质，能够分析得到与目标用户相适配的虚拟资源，提升虚拟场景应用的用户粘合度。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种虚拟场景应用中虚拟资源的数据分析方法，包括：

获取目标用户在虚拟场景应用中的至少两个用户特征，以及所述目标用户在所述虚拟场景应用中的活跃度；

分别确定各所述用户特征对所述活跃度的影响程度；

根据各所述用户特征对所述活跃度的影响程度，从所述至少两个用户特征中选取影响程度满足影响程度条件的目标用户特征；

根据所述目标用户特征进行虚拟资源数据分析，得到与目标用户相适配的虚拟资源。

本申请实施例提供一种虚拟场景应用中虚拟资源的数据分析装置，包括：

获取模块，用于获取目标用户在虚拟场景应用中的至少两个用户特征，以及所述目标用户在所述虚拟场景应用中的活跃度；

确定模块，用于分别确定各所述用户特征对所述活跃度的影响程度；

选取模块，用于根据各所述用户特征对所述活跃度的影响程度，从所述至少两个用户特征中选取影响程度满足影响程度条件的目标用户特征；

分析模块，用于根据与所述目标用户特征进行虚拟资源数据分析，得到与目标用户相适配的虚拟资源。

上述方案中，所述获取模块，还用于获取目标用户在虚拟场景应用中的以下信息至少之一：用户画像信息、所述虚拟场景应用中的社交信息、所述虚拟场景应用中的操作行为信息、及所述虚拟场景应用中的付费信息；

基于获取的所述信息，进行用户特征提取，得到至少两个用户特征。

上述方案中，所述确定模块，还用于获取目标时间段内各所述用户特征的变化趋势、及所述活跃度的变化趋势；

根据各所述用户特征的变化趋势、及所述活跃度的变化趋势，确定各所述用户特征与所述活跃度之间的相关性系数；

将所述用户特征与所述活跃度之间的相关性系数，作为相应用户特征对所述活跃度的影响程度。

上述方案中，所述确定模块，还用于将各所述用户特征对所述活跃度的影响程度与影响程度阈值进行比较，得到比较结果；

基于所述比较结果从所述至少两个用户特征中，选取影响程度满足影响程度阈值的用户特征作为目标用户特征。

上述方案中，所述选取模块，还用于按照影响程度高低对所述至少两个用户特征进行排序，得到用户特征序列；

从所述用户特征序列中第一个用户特征开始，选取目标数量的用户特征作为目标用户特征。

上述方案中，所述确定模块，还用于将所述至少两个用户特征输入神经网络模型；

通过所述神经网络包括的影响程度确定层，确定各所述用户特征对所述活跃度的影响程度；

所述选取模块，还用于通过所述神经网络包括的排序层分类模型，按照影响程度高低，对所述至少两个用户特征进行排序，并输出用户特征序列。

上述方案中，所述选取模块，还用于获取虚拟应用场景中用户的次日活跃率，所述次日活跃率为当日与前一日均在虚拟场景应用中活跃的用户数量、与前一日在虚拟场景应用中活跃的用户数量的比值；

当所述次日活跃率未满足活跃率条件时，对所述神经网络模型进行迭代训练。

上述方案中，所述确定模块，还用于将所述至少两个用户特征作为模型输入，分别输入至至少两个分类模型；

分别通过各所述分类模型，预测所述至少两个用户特征对所述活跃度的影响程度，得到各所述分类模型输出的影响程度预测结果；

所述选取模块，还用于基于至少两个所述分类模型输出的影响程度预测结果，对所述至少两个用户特征进行排序，得到用户特征序列；

从所述用户特征序列中第一个用户特征开始，选取目标数量的用户特征作为目标用户特征。

上述方案中，所述确定模块，还用于获取样本数据集，所述样本数据集中的用户样本包括至少两个用户特征，所述用户样本标注有各所述用户特征对相应用户在所述虚拟场景应用中活跃度的影响程度；

基于所述样本数据集，依次对所述至少两个分类模型进行训练。

上述方案中，所述确定模块，还用于依据所述至少两个分类模型的训练顺序，训练第一个分类模型，并从第二个分类模型开始，针对每个分类模型执行以下操作：

获取前一分类模型对所述用户样本进行预测，得到的至少两个用户特征对所述活跃度的影响程度；

确定所述前一分类模型预测得到的影响程度与标注的影响程度之间的差异；

基于所述差异，对所述用户样本进行加权处理；

基于加权后的用户样本，对所述分类模型进行训练。

获取样本数据集、及所述分类模型的数量；

上述方案中，所述确定模块，还用于根据所述分类模型的数量，对所述样本数据集进行随机采样，得到对应所述数量的子样本数据集；

分别通过各子样本数据集，对相应的分类模型进行训练。

上述方案中，所述分析模块，还用于确定与所述目标用户特征对应的分配时间；

当所述分配时间到达时，为所述目标用户分配所述虚拟资源。

本申请实施例提供一种计算机设备，包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的虚拟场景应用中虚拟资源的数据分析方法。

本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现本申请实施例提供的虚拟场景应用中虚拟资源的数据分析方法。

本申请实施例具有以下有益效果：

应用本申请上述实施例，通过获取分别确定各所述用户特征对所述活跃度的影响程度；根据各所述用户特征对所述活跃度的影响程度，从所述至少两个用户特征中选取影响程度满足影响程度条件的目标用户特征；根据所述目标用户特征进行虚拟资源数据分析，得到与目标用户相适配的虚拟资源；如此，能够分析得到虚拟场景应用中与用户特征相适配的虚拟资源，进而避免用户的流失，提升虚拟场景应用的用户粘合度。

附图说明

图1是本申请实施例提供的虚拟场景应用中虚拟资源的数据分析方法的一个可选的实施场景示意图；

图2是本申请实施例提供的计算机设备500的结构示意图；

图3是本申请实施例提供的虚拟场景应用中虚拟资源的数据分析方法的流程示意图；

图4是本申请实施例提供的神经网络模型的结构示意图；

图5是本申请实施例提供的效果测试的流程示意图；

图6是本申请实施例提供的神经网络模型示意图；

图7是本申请实施例提供的至少两个分类模型的训练过程示意图；

图8是本申请实施例提供的虚拟资源呈现的界面示意图；

图9是本申请实施例提供的虚拟场景应用中虚拟资源的数据分析方法的流程示意图；

图10是本申请实施例提供的游戏应用中用户生命周期的示意图；

图11是本申请实施例提供的游戏应用中次日活跃率的示意图；

图12是本申请实施例提供的虚拟场景应用中虚拟资源的数据分析方法的流程示意图；

图13是本申请实施例提供的梯度下降树的原理示意图；

图14是本申请实施例提供的验证集验证效果示意图；

图15是本申请实施例提供的登录天数与存留率的关系示意图；

图16是本申请实施例提供的实验组比对照组的对比示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。

1)客户端，终端中运行的用于提供各种服务的应用程序，例如视频播放客户端、游戏客户端等。

2)响应于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。

3)虚拟场景，是应用程序在终端上运行时显示(或提供)的虚拟场景。该虚拟场景可以是对真实世界的仿真环境，也可以是半仿真半虚构的虚拟环境，还可以是纯虚构的虚拟环境。虚拟场景可以是二维虚拟场景、2.5维虚拟场景或者三维虚拟场景中的任意一种，本申请实施例对虚拟场景的维度不加以限定。例如，虚拟场景可以包括天空、陆地、海洋等，该陆地可以包括沙漠、城市等环境元素，用户可以控制虚拟对象在该虚拟场景中进行移动。

4)决策树：决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。

5)学习器：训练数据的基础模型，常用的有决策树、支持向量机、神经网络等。

6)GBDT算法：中文名称叫梯度提升决策树，属于集成模型(多棵决策树混合)中的一种。其基本思想是后面一颗决策树不断学习前面决策树的残差(预测值和实际值的差值)，直到收敛。

7)XGBOOST算法：该算法是在GBDT算法基础上做了改进，主要对正则项和模型精度进行了改良。相比GBDT，XGBOOST改进后的效果精度更高，模型的鲁棒性(对不同数据集的预测准确性)更强。

8)随机数种子：算法进行多轮迭代时，需要指定迭代的起始点，这个起始点就是随机数种子。

9)纯度：表示一个随机选中的样本在模型中被分正确的可能性，常见的纯度表示方法有基尼系数、熵。

10)基尼系数：表征在二分类问题中，正负两种标签的分配合理程度。

11)最大树深度：决策树深度表示叶子节点与根节点的距离，最大树深度是停止决策树迭代的临界点，当决策树深度满足最大树深度时，决策树会停止分裂。

12)特征装箱数：将连续性特征转化为离散型特征的过程。

13)验证集比例：构造模型时，会将数据集切分成训练集、验证集。训练集数据用来构造模型，验证集数据用来检验模型的准确率。

14)ROC曲线：全称为受试者工作特征曲线(Receiver Operating Characteristic Curve)，它是根据一系列不同的二分类方式，以真阳性率(敏感性)为纵坐标，假阳性率(1-特异性)为横坐标绘制的曲线。

参见图1，图1是本申请实施例提供的虚拟场景应用中虚拟资源的数据分析方法的一个可选的实施场景示意图，为实现支撑一个示例性应用，终端(示例性示出了终端400-1和终端400-2)通过网络300连接服务器200，网络300可以是广域网或者局域网，又或者是二者的组合。

在实际实施时，终端安装和运行有支持虚拟场景应用程序。该应用程序可以是第一人称射击游戏(FPS，First-Person Shooting game)、第三人称射击游戏、多人在线战术竞技游戏(MOBA，Multiplayer Online Battle Arena games)、虚拟现实应用程序、三维地图程序、军事仿真程序或者多人枪战类生存游戏中的任意一种。用户使用终端通过虚拟按键操作位于虚拟场景中的虚拟对象进行活动，该活动包括但不限于：调整身体姿态、爬行、步行、奔跑、骑行、跳跃、驾驶、拾取、射击、攻击、投掷中的至少一种。示意性的，该虚拟对象是虚拟人物，比如仿真人物角色或动漫人物角色。

在一个示例性的场景中，目标用户可以通过终端400-1启动虚拟场景应用的客户端，并执行相应的操作，如登录操作、奖励领取操作、游戏开启操作等；

服务器200获取目标用户在虚拟场景应用中的至少两个用户特征，以及所述目标用户在所述虚拟场景应用中的活跃度；分别确定各所述用户特征对所述活跃度的影响程度；根据各所述用户特征对所述活跃度的影响程度，从所述至少两个用户特征中选取影响程度满足影响程度条件的目标用户特征；根据所述目标用户特征进行虚拟资源数据分析，得到与目标用户相适配的虚拟资源；为所述目标用户分配所述虚拟资源；

终端400-1在接收到分配的虚拟资源后，呈现虚拟资源；用户可以通过终端400-1领取该虚拟资源；

这里，用户在领取到虚拟资源后，会提升其在虚拟场景应用中的活跃度。

在一些实施例中，服务器200可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN，ContentDelivery Network)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例中不做限制。

参见图2，图2是本申请实施例提供的计算机设备500的结构示意图，在实际应用中，计算机设备500可以为图1中的终端(如400-1)或服务器200，以计算机设备为图1所示的服务器200为例，对实施本申请实施例的虚拟场景应用中虚拟资源的数据分析方法的计算机设备进行说明。图2所示的计算机设备500包括：至少一个处理器510、存储器550、至少一个网络接口520和用户接口530。计算机设备500中的各个组件通过总线系统540耦合在一起。可理解，总线系统540用于实现这些组件之间的连接通信。总线系统540除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统540。

处理器510可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。

用户接口530包括使得能够呈现媒体内容的一个或多个输出装置531，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口530还包括一个或多个输入装置532，包括有助于用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。

存储器550可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器550可选地包括在物理位置上远离处理器510的一个或多个存储设备。

存储器550包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM，Read Only Me mory)，易失性存储器可以是随机存取存储器(RAM，Random Access Memor y)。本申请实施例描述的存储器550旨在包括任意适合类型的存储器。

在一些实施例中，存储器550能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。

操作系统551，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；

网络通信模块552，用于经由一个或多个(有线或无线)网络接口520到达其他计算设备，示例性的网络接口520包括：蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB，Universal Serial Bus)等；

呈现模块553，用于经由一个或多个与用户接口530相关联的输出装置531(例如，显示屏、扬声器等)使得能够呈现信息(例如，用于操作外围设备和显示内容和信息的用户接口)；

输入处理模块554，用于对一个或多个来自一个或多个输入装置532之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。

在一些实施例中，本申请实施例提供的虚拟场景应用中虚拟资源的数据分析装置可以采用软件方式实现，图2示出了存储在存储器550中的虚拟场景应用中虚拟资源的数据分析装置555，其可以是程序和插件等形式的软件，包括以下软件模块：获取模块5551、确定模块5552、选取模块5553和分析模块5554，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。

将在下文中说明各个模块的功能。

在另一些实施例中，本申请实施例提供的虚拟场景应用中虚拟资源的数据分析装置可以采用硬件方式实现，作为示例，本申请实施例提供的虚拟场景应用中的虚拟资源的数据分析装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本申请实施例提供的虚拟场景应用中虚拟资源的数据分析方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(A SIC，Application Specific IntegratedCircuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Progra mmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable GateArray)或其他电子元件。

将结合本申请实施例提供的服务器的示例性应用和实施，说明本申请实施例提供的虚拟场景应用中虚拟资源的数据分析方法。

参见图3，图3是本申请实施例提供的虚拟场景应用中虚拟资源的数据分析方法的流程示意图，将结合图3示出的步骤进行说明。

步骤301：服务器获取目标用户在虚拟场景应用中的至少两个用户特征，以及目标用户在虚拟场景应用中的活跃度。

在实际应用中，虚拟场景应用可以是第一人称射击游戏、第三人称射击游戏、多人在线战术竞技游戏、虚拟现实应用程序、三维地图程序、军事仿真程序或者多人枪战类生存游戏中的任意一种；用户特征用于对目标用户进行描述，如年龄、性别等；活跃度为目标用户在虚拟场景应用的在线时长和/或登录频次。

这里活跃度越高，说明目标用户对虚拟场景应用越满意，目标用户流失的可能性较低；相应的，活跃度越低，目标用户流失的可能性越大。在实际实施时，服务器通过对用户特征进行分析，来确定目标用户的真实需求，以避免用户流失，提高虚拟场景应用的用户粘合度。

这里，用户特征可以是对应多个维度的用户特征，如行为特征可以包括用户登录天数、用户登录次数、用户在线时长三个维度的特征。

在一些实施例中，可以通过以下方式获取目标用户在虚拟场景应用中的至少两个用户特征：获取目标用户在虚拟场景应用中的以下信息至少之一：用户画像信息、虚拟场景应用中的社交信息、虚拟场景应用中的操作行为信息、及虚拟场景应用中的付费信息；基于获取的信息，进行用户特征提取，得到至少两个用户特征。

在实际实施时，服务器可以获取用户画像信息、虚拟场景应用中的社交信息、虚拟场景应用中的操作行为信息、及虚拟场景应用中的付费信息中的一个或者多个；其中，每个类别的信息可以包括多个信息，如用户画像信息可以包括：年龄、性别、地区、天赋点、战力值、活跃度等。在实际应用中，服务器可以从各类别的信息所包括的多个信息，提取至少两个信息作为用户特征，这里提取的每个信息都可以作为一个用户特征。

这里，用户画像信息、虚拟场景应用中的社交信息、虚拟场景应用中的操作行为信息、及虚拟场景应用中的付费信息可以通过用户的输入信息、用户在虚拟场景中的应用获取。例如，用户画像信息可以通过读取用户资料，这里的用户资料可以是用户输入的，如在注册账号时输入。

这里用户画像信息可以包括：年龄、性别、地区、天赋点、战力值、活跃度等；虚拟场景应用中的社交信息可以包括：目标用户在虚拟场景中的好友人数、近一个月好友活跃天数及趋势、近一个月好友付费天数及趋势、活跃比例及变化趋势、付费比例及变化趋势、聊天人数、聊天次数、聊天人数及次数变化趋势、近一个月新增好友数及变化趋势等；虚拟场景应用中的操作行为信息可以包括：用户登录天数及变化趋势(近一个月连续登录)、用户登录次数及变化趋势、用户在线时长及变化取数、好友登录天数及变化趋势、好友登录次数及变化趋势、好友在线时长及变化取数、用户升级变化、用户装备变化、用户通关次数变化、用户决斗次数变化、用户1V1段位赛次数变化、高中低难度副本通过次数等；虚拟场景中的付费信息：充值频次、金额、日期，消耗频次、金额、日期，账户余额等。

作为示例，服务器可以获取用户画像信息、虚拟场景应用中的社交信息、虚拟场景应用中的操作行为信息、及虚拟场景应用中的付费信息中的一个信息；例如，服务器可以获取用户画像信息，然后从用户画像信息中提取目标用户的年龄、性别、地区、天赋点、战力值，然后将提取到的年龄、性别、地区、天赋点、战力值分别作为一个用户特征，得到6个用户特征。

作为示例，服务器可以获取用户画像信息、虚拟场景应用中的社交信息、虚拟场景应用中的操作行为信息、及虚拟场景应用中的付费信息中的多个信息；例如，服务器可以获取用户画像信息、虚拟场景应用中的社交信息、虚拟场景应用中的操作行为信息、及虚拟场景应用中的付费信息，然后分别从各类别的信息中提取至少一个信息，如从用户画像信息中提取目标用户的天赋点、战力值、活跃度，从虚拟场景应用中的社交信息中提取好友人数、好友活跃度，从虚拟场景应用中的操作行为信息中提取用户登录天数及变化趋势、用户登录次数及变化趋势，从虚拟场景中的付费信息中提取充值频次、金额；然后将提取到的每个信息都作为一个用户特征，得到多个用户特征。

本申请实施例可以结合用户画像信息、虚拟场景应用中的社交信息、虚拟场景应用中的操作行为信息、及虚拟场景应用中的付费信息，来提取用户特征，如此，由于考虑了不同类别信息中的用户特征，能够使用户特征选择更加全面，最终获取到的目标用户特征更加能够准确的体现用户的需求。

步骤302：分别确定各用户特征对活跃度的影响程度。

这里，影响程度指的是用户特征与活跃度之间的关联程度，也即当用户特征变化时，活跃度随之变化的程度；例如，用户特征“登录天数”增加，活跃度随之降低，那么说明该“登录天数”能够影响活跃度的变化，这里可以获取影响活跃度随“登录天数”变化的程度作为“登录天数”对活跃度的影响程度。

在一些实施例中，可以通过相关性系数来表征影响程度，也即可以通过以下方式确定各用户特征对活跃度的影响程度：获取目标时间段内各用户特征的变化趋势、及活跃度的变化趋势；根据各用户特征的变化趋势、及活跃度的变化趋势，确定各用户特征与活跃度之间的相关性系数；将用户特征与活跃度之间的相关性系数，作为相应用户特征对活跃度的影响程度。

在实际实施时，变化趋势表示参数在一段时间内的变化，这里可以通过变化曲线、序列等方式来表示变化趋势。如，当用户特征为战力值时，可以获取战力值在一周内的每一天的数值，得到战力值序列，通过战力值序列来描述战力值的变化趋势，也即在这一周内战力值是上升或是下降、以及在何时上升或下降。

这里的相关性系数是用来研究变量之间相关程度的量，可以为皮尔森相关性系数、斯皮尔曼相关性系数、肯德尔相关性系数等，这里不对相关性系数的确定方法进行限定。

作为示例，以用户特征为战力值、活跃度为用户在线时长为例，假设一周内战力值的变化趋势为(2100，2300，2800，2500，2600，2700，2900)，活跃度的变化趋势为(120，135，190，100，120，100，105)，那么，可以通过皮尔森相关系数的计算方法，确定战力值对活跃度的影响程度为11.2％。

在一些实施例中，可以通过以下方式从至少两个用户特征中选取影响程度满足影响程度条件的目标用户特征：将各用户特征对活跃度的影响程度与影响程度阈值进行比较，得到比较结果；基于比较结果从至少两个用户特征中，选取影响程度满足影响程度阈值的用户特征作为目标用户特征。

在实际实施时，可以预先设置影响程度阈值，分别将各用户特征对活跃度的影响程度与影响程度阈值进行比较，当影响程度满足影响程度阈值时，表征相应的用户特征是导致用户流失与否的重要特征，那么将该特征作为目标用户特征；当影响程度未满足影响程度阈值时，表征相应的用户特征与用户流失与否的相关性较低，那么在进行虚拟资源选择的时候，不需要考虑该用户特征。

例如，将影响程度阈值设置为10％，用户特征包括登录天数、天赋点、战力值、通关次数、好友数量，其中，登录天数对活跃度的影响程度为19％，天赋点对活跃度的影响程度为15％，战力值对活跃度的影响程度为13％，通关次数对活跃度的影响程度为11％，好友数量对活跃度的影响程度为9％，那么，选取的目标用户特征为登录天数、天赋点、战力值和通关次数。

步骤303：根据各用户特征对活跃度的影响程度，从至少两个用户特征中选取影响程度满足影响程度条件的目标用户特征。

这里，选取的目标用户特征的数量可以为一个或多个。这里，影响程度条件可以为对活跃度的影响程度满足影响程度阈值；或者，影响程度条件可以为活跃度最高的目标数量的用户特征。

在一些实施例中，可以通过以下方式从至少两个用户特征中选取影响程度满足影响程度条件的目标用户特征：按照影响程度高低对至少两个用户特征进行排序，得到用户特征序列；从用户特征序列中第一个用户特征开始，选取目标数量的用户特征作为目标用户特征。

在实际实施时，按照影响程度从高至低，对至少两个用户特征进行排序，得到用户特征序列进行排序，以从用户特征序列中选取对应的影响程度最高的目标数量的用户特征。例如，目标数量可以设置为5，那么从至少两个用户特征中获取对应的影响程度最高的5个用户特征。

在一些实施例中，也可以按照影响程度从低至高进行排序，那么在选取目标用户特征时，从用户特征序列的最后一个用户特征开始，从后至前进行选择，以选择目标数量的用户特征作为目标用户特征。

在一些实施例中，可以结合影响程度高低和影响程度阈值来选取目标用户特征，也即，按照影响程度高低对至少两个用户特征进行排序，得到用户特征序列；从用户特征序列中第一个用户特征开始，选取目标数量的用户特征作为目标用户特征；然后对选取的目标用户特征进行判断，判断每个目标用户特征对应的影响程度是否满足影响程度阈值，若存在未满足影响程度阈值的目标用户特征，则剔除该目标用户特征。

在一些实施例中，服务器可以通过以下方式确定各用户特征对活跃度的影响程度：将至少两个用户特征输入神经网络模型；通过神经网络模型包括的影响程度确定层，确定各用户特征对活跃度的影响程度；相应的，服务器可以通过以下方式按照影响程度高低对至少两个用户特征进行排序：通过神经网络模型包括的用户特征排序层，按照影响程度高低，对至少两个用户特征进行排序，并输出用户特征序列。

在实际实施时，服务器可以构建神经网络模型，如卷积神经网络模型，然后对神经网络模型进行训练，以通过训练得到的神经网络模型来实现用户特征的排序。这里，神经网络模型的输入为至少两个用户特征，输出为用户特征序列。

图4是本申请实施例提供的神经网络模型的结构示意图，参见图4，本申请实施例提供的神经网络模型包括影响程度确定层401和用户特征排序层402，将至少两个用户特征输入影响程度确定层，通过影响程度确定层确定各用户特征对活跃度的影响程度，然后将得到的各用户特征对活跃度的影响程度输入用户特征排序层，通过用户特征排序层对影响程度高低，对至少两个用户特征进行排序，并输出用户特征序列。

这里对神经网络模型的训练方法进行说明。在实际应用中，首先获取样本数据集，这里的样本数据集中的用户样本包括至少两个用户特征，用户样本标注有用户特征序列，这里的用户特征序列为根据用户特征对相应用户的活跃度的影响程度进行排序得到的；然后将样本数据集输入神经网络模型，以通过神经网络模型对样本数据集中的用户样本进行分类预测，这里将每一种特征序列作为一个类别；然后将预测得到的用户特征序列与标注的用户特征序列进行比较，以基于预测得到的用户特征序列与标注的用户特征序列之间的差异，确定神经网络模型的损失函数的值，将损失函数的值反向传中至图像分类模型的各个层，通过随机梯度下降法(SGD，Stochastic Gradient Descent)更新各个层的模型参数，以实现神经网络模型的训练。

在一些实施例中，服务器还可以为目标用户分配虚拟资源；获取虚拟应用场景中用户的次日活跃率，次日活跃率为当日与前一日均在虚拟场景应用中活跃的用户数量、与前一日在虚拟场景应用中活跃的用户数量的比值；当次日活跃率未满足活跃率条件时，对神经网络模型进行迭代训练。

在实际实施时，服务器获取虚拟资源分配的效果，这里用次日活跃率来衡量虚拟资源分配的效果，若次日活跃率未满足活跃率条件，说明选取的目标用户特征不够准确，那么需要重新对神经网络模型进行训练，以提高神经网络模型的预测效果，进而提高虚拟资源分配的效果。

这里，活跃率条件可以是次日活跃率满足活跃率阈值，如预先设置活跃率阈值，判断活跃率是否满足活跃率阈值，若是，则表示所采用的虚拟资源分配方法满足预期的效果，否则，说明未满足预期效果；活跃率条件可以活跃率的提升比例满足比例阈值，如获取一段时间内的活跃率，判断活跃率的提升比例是否满足比例阈值，若是，则表示所采用的虚拟资源分配方法满足预期的效果，否则，说明未满足预期效果。

在一些实施例中，服务器可以对用户进行划分，将用户划分为两个用户群组，对于第一用户群组的用户，采用本申请提供的虚拟场景应用中虚拟资源的数据分析方法，对于第二用户群组的用户，采用相关技术中提供的虚拟资源的推送方法，如对所有用户推送相同的虚拟资源；然后，获取两个用户群组的活跃率，以比较两个群组所采用的虚拟资源的推送方法的效果；当第一群组的次日活跃率相对于第二群组的次日活跃率的提升比例未满足预设阈值时，重新对神经网络模型进行训练。

作为示例，图5是本申请实施例提供的效果测试的流程示意图，参见图5，获取近7天的新用户；然后对获取到的新用户进行随机分流，划分为对照组和实验组，对于对照组中的用户推送统一的虚拟资源；对于实验组中的用户采用本申请实施例提供的虚拟场景应用中虚拟资源的数据分析方法，也即，对于实验组中的每个用户，获取该用户在虚拟场景中的至少两个用户特征，通过训练得到神经网络模型获取该用户的用户特征序列，然后基于用户特征序列获取目标用户特征，进而获取与目标用户特征相适配的虚拟资源，并推送虚拟资源该用户对应虚拟场景应用的客户端；接着，分别获取对照组和实验组的次日活跃率和人均活跃天数；最后，基于得到的次日活跃率和人均活跃天数，比较对照组和实验组所采用的虚拟资源的推送方法的效果。

在一些实施例中，服务器也可以采用其它参数来衡量虚拟资源推送的效果，这里不对衡量虚拟资源推送的效果的参数进行限定。例如，还可以通过人均活跃天数来衡量虚拟资源推送的效果，也即，获取虚拟应用场景中用户人均活跃天数，当人均活跃天数未满足活跃天数条件时，对神经网络模型进行迭代训练。

在一些实施例中，服务器还可以通过以下方式确定各用户特征对活跃度的影响程度：将至少两个用户特征作为模型输入，分别输入至至少两个分类模型；分别通过各分类模型，预测至少两个用户特征对活跃度的影响程度，得到各分类模型输出的影响程度预测结果；相应的，可以通过以下方式从至少两个用户特征中选取影响程度满足影响程度条件的目标用户特征：基于至少两个分类模型输出的影响程度预测结果，对至少两个用户特征进行排序，得到用户特征序列；从用户特征序列中第一个用户特征开始，选取目标数量的用户特征作为目标用户特征。

在实际实施例中，可以采用多个分类模型，分别通过每个分类模型对至少两个用户特征对活跃度的影响程度进行预测，在得到每个分类模型的预测结果之后，可以结合至少两个分类模型所预测的结果，来得到最终的影响程度预测结果，如可以通过求平均值的方式来获取最终的影响程度预测结果，对于每个用户特征，获取至少两个分类模型所预测的影响程度，然后取这些影响程度的平均值作为最终的影响程度预测结果，在得到至少两个用户特征的最终的影响程度预测结果后，基于最终的影响程度预测结果对至少两个用户特征进行排序，得到用户特征序列；或者，可以分别基于各分类模型输出的影响程度预测结果，对至少两个用户特征进行排序，得到候选用户特征序列，然后基于各候选用户特征序列的得票，将得票最多的候选用户特征序列作为用户特征序列，如共有五个分类模型，基于各分类模型得到候选用户特征序列分别为候选用户特征序列1、候选用户特征序列1、候选用户特征序列2、候选用户特征序列1、候选用户特征序列3，那么将候选用户特征序列3作为用户特征序列。

本申请通过结合多个分类模型的输出结果来对至少两个用户特征进行排序，得到用户特征序列，使得用户特征的排序结果更加准确，进而使得最终选取的虚拟资源更加准确，更符合目标用户的需求。

在一些实施例中，基于至少两个分类模型输出的影响程度预测结果，对至少两个用户特征进行排序的过程，也可以通过神经网络模型来完成。也即，可以构建一个神经网络模型，包括至少两个分类模型和一个强分类模型，在，通过强分类模型，基于至少两个分类模型输出的影响程度预测结果，对至少两个用户特征进行排序。

作为示例，图6是本申请实施例提供的神经网络模型示意图，参见图6，神经网络模型包括3个分类模型和一个强分类模型，即分类模型1、分类模型2、分类模型3和强分类模型，将至少两个用户特征作为模型输入，分别输入至分类模型1、分类模型2、分类模型3，分别通过分类模型1、分类模型2、分类模型3对至少两个用户特征对活跃度的影响程度进行预测，得到各用户特征对活跃度的影响程度，在得到影响程度后，通过强分类模型，基于至少两个分类模型输出的影响程度预测结果，对至少两个用户特征进行排序，得到排序结果。

在一些实施例中，服务器可以通过以下方式对至少两个分类模型进行训练：获取样本数据集，样本数据集中的用户样本包括至少两个用户特征，用户样本标注有各用户特征对用户在虚拟场景应用中的活跃度的影响程度；基于样本数据集，依次对至少两个分类模型进行训练。

在实际实施时，样本数据集中包括多个用户样本，每个用户样本对应一个用户，每个用户样本包括至少两个用户特征，这里每个分类模型的输入为至少两个用户特征，输出为各用户特征对用户在虚拟场景应用中的活跃度的影响程度；对于每个分类模型，将样本数据集输入分类模型，以通过神经网络模型对样本数据集中的用户样本进行分类预测；然后将预测得到的至少两个用户特征对活跃度的影响程度、与标注的至少两个用户特征对活跃度的影响程度进行比较，以基于预测得到的至少两个用户特征对活跃度的影响程度、与标注的至少两个用户特征对活跃度的影响程度之间的差异，并基于该差异更新分类模型的参数。

在一些实施例中，服务器可以通过以下方式依次对至少两个分类模型进行训练：依据至少两个分类模型的训练顺序，训练第一个分类模型，并从第二个分类模型开始，针对每个分类模型执行以下操作：获取前一分类模型对用户样本进行预测，得到的至少两个用户特征对活跃度的影响程度；确定前一分类模型预测得到的影响程度与标注的影响程度之间的差异；基于差异，对用户样本进行加权处理；基于加权后的用户样本，对分类模型进行训练。

在实际实施时，首先基于样本数据集，对第一个分类模型进行训练；然后，获取第一个分类模型的预测得到的影响程度，将其与标注的影响程度进行比较，并确定第一个分类模型预测得到的影响程度与标注的影响程度之间的差异，根据确定的差异大小，对各用户样本进行加权，这里权重与差异大小可以呈正比，也即差异越大，相应的权重越大，或者，可以将差异大小与差异阈值进行比较，若大于差异阈值，则增大权重，否则，降低权重；接着，基于加权后的用户样本对第二个分类模型进行训练，以使第二个分类模型重点对第一个分类模型预测不准确的用户样本进行训练。对于第三个分类模型，则是根据第二个分类模型预测得到的影响程度与标注的影响程度之间的差异，根据确定的差异大小，对各用户样本进行加权，然后基于加权后的用户样本对第三个分类模型进行训练，以此类推，直至所有的分类模型都训练完成。

在一些实施例中，服务器可以通过以下方式对至少两个分类模型进行训练：获取样本数据集、及分类模型的数量；根据分类模型的数量，对样本数据集进行随机采样，得到对应数量的子样本数据集；分别通过各子样本数据集，对相应的分类模型进行训练。

在实际实施时，可以分别对各分类模型进行训练，也即每个分类模型是单独训练的，与其它分类模型的训练结果无关。这里，对于每个分类模型，从样本数据集中随机采样得到对应该分类模型的子样本数据集，然后基于随机采样得到的子样本数据集，对相应的分类模型进行训练。其中，随机采用的方式可以为有放回的随机采样，也可以为无放回的随机采样。

作为示例，图7是本申请实施例提供的至少两个分类模型的训练过程示意图，参见图7，该神经网络模型包括i个分类模型，通过随机采样得到i个子样本数据集，然后基于i个子样本数据集，分别对各分类模型进行训练。

步骤304：根据目标用户特征进行虚拟资源数据分析，得到与目标用户相适配的虚拟资源。

这里的虚拟资源是指在能够在网络中传输的任意形式的资源，例如，虚拟资源可以是直播场景中的礼物(如鲜花)；可以是游戏场景中的游戏礼包(如金币、道具)等。

在实际实施时，可以预先设置虚拟资源与用户特征之间的对应关系，对虚拟资源数据进行分析，以得到与目标用户特征相匹配的虚拟资源，例如，当目标用户特征为天赋点时，可以获取与该天赋点对应的虚拟资源，如双倍升级卡，如此用户能够通过使用该双倍升级卡，快速提升天赋点。

图8是本申请实施例提供的虚拟资源呈现的界面示意图，参见图8，首先呈现游戏的登录界面，用户通过触发登录按键801，进入游戏界面；当服务器向终端推送虚拟资源时，在游戏界面中呈现包含虚拟资源的弹框802，用户可以通过相应的触发操作，领取该虚拟资源。

在一些实施例中，服务器在得到与目标用户相适配的虚拟资源之后，还可以所述目标用户分配所述虚拟资源。

这里，在为目标用户分配虚拟资源后，目标用户可以获取到该虚拟资源，然后基于获取到的虚拟资源，来改变其在虚拟场景应用中的活跃度。例如，在游戏应用中，用户因为天赋点长时间没有提升，而导致不想使用该游戏应用时，通过分配与该天赋点对应的虚拟资源，如双倍升级卡，使目标用户能够快速提升天赋点，进而提升在游戏中的活跃度。

在一些实施例中，服务器还可以确定与目标用户特征对应的分配时间；当分配时间到达时，为目标用户分配虚拟资源。

在实际实施时，分配时间可以是预先设置的，也即预先设置各用户特征与分配时间的对应关系，然后根据用户特征与分配时间的对应关系，确定与目标用户特征对应的分配时间；也可以是基于目标用户特征进一步分析得到的，例如，在确定目标用户特征为登录天数时，进一步确定在第几天，用户的次日活跃率未有提升，若用户登录8天时，次日活跃率未有提升，可在目标用户登录第7天时，为目标用户分配虚拟资源分配。

在一些实施例中，服务器还获取分配虚拟资源后目标用户在虚拟场景应用中的活跃度，根据该活跃度，确定为目标用户分配的虚拟资源的有效性并根据有效性调整为目标用户分配的虚拟资源。

这里，可以通过判断分配虚拟资源后目标用户在虚拟场景应用中的活跃度是否满足活跃度阈值，来判断为目标用户分配的虚拟资源是否有效，若有效，则表示分配的虚拟资源与目标用户不使用虚拟场景应用的原因相匹配，能够有效留住目标用户，避免目标用户流失；若无效，则表示分配的虚拟资源与目标用户不使用虚拟场景应用的原因不匹配，无法有效留住目标用户，需要进一步对为目标用户分配的虚拟资源进行调整。或者，还可以通过比较分配虚拟资源前目标用户在虚拟场景应用中的活跃度和分配虚拟资源后目标用户在虚拟场景应用中的活跃度，来判断为目标用户分配的虚拟资源是否有效。

在一些实施例中，可以通过调整影响程度条件，来调整确定的目标用户特征，进而调整为目标用户分配的虚拟资源；例如，当影响程度条件为对活跃度的影响程度满足影响程度阈值时，可以提高影响程度阈值，来对用户特征进行进一步筛选，得到目标用户特征，进而基于新得到的目标用户特征，来调整为所述目标用户分配的虚拟资源；当影响程度条件为活跃度最高的目标数量的用户特征时，可以通过降低目标数量来调整为目标用户分配的虚拟资源，如将选取活跃度最高的3个用户特征调整为选取活跃度最高的2个用户特征。

在一些实施例中，还可以通过以下方式根据所述有效性调整为所述目标用户分配的虚拟资源：当所述有效性为无效时，对所述神经网络模型进行迭代训练，并根据训练得到的神经网络模型，调整为所述目标用户分配的虚拟资源。

这里，当通过神经网络模型得到各用户特征对活跃度的影响程度时，可以通过对已训练完成的神经网络模型进行重新训练，然后通过重新训练得到的神经网络模型来预测各用户特征对活跃度的影响程度，从而调整确定的目标用户特征，以实现调整为目标用户分配的虚拟资源。

应用本申请上述实施例，通过获取分别确定各用户特征对活跃度的影响程度；根据各用户特征对活跃度的影响程度，从至少两个用户特征中选取影响程度满足影响程度条件的目标用户特征；根据所述目标用户特征进行虚拟资源数据分析，得到与目标用户相适配的虚拟资源；如此，能够使获取的虚拟资源更符合用户的需求，进而提升虚拟场景应用的用户粘合度。

下面以虚拟场景为游戏场景为例，继续说明本申请的实施例提供的虚拟场景应用中的虚拟资源的数据分析方法，该虚拟场景应用中虚拟资源的数据分析方法由终端和服务器协同实施，图9是本申请实施例提供的虚拟场景应用中虚拟资源的数据分析方法的流程示意图，参见图9，本申请实施例提供的虚拟场景应用中虚拟资源的数据分析方法包括：

步骤901：服务器获取用户在游戏应用中的基本信息、社交信息、操作行为信息、及付费信息。

这里，在游戏应用中，基本信息可以为用户的年龄、性别、地区、天赋点、战力值等；社交信息可以为游戏好友人数、共同游戏的好友人数等；操作行为信息可以为在游戏中通关的次数、游戏副本通过次数等；付费信息可以为付费频次、金额、日期等。

步骤902：基于获取的信息，进行用户特征提取，得到至少两个用户特征。

例如，将用户的天赋点、战力值、游戏好友人数、共同游戏的好友人数、在游戏中通关的次数、游戏副本通过次数、付费频次作为提取到的用户特征。

步骤903：将至少两个用户特征作为模型输入，分别输入至至少两个分类模型。

步骤904：分别通过各分类模型，预测至少两个用户特征对活跃度的影响程度，得到各分类模型输出的影响程度预测结果。

这里的活跃度可以为用户游戏时长。

步骤905：获取多个分类模型输出的影响程度预测结果的平均值。

步骤906：基于获取的平均值，对至少两个用户特征进行排序，得到用户特征序列。

这里，对于每个用户特征，获取至少两个分类模型所预测的影响程度，然后取这些影响程度的平均值作为最终的影响程度预测结果，在得到至少两个用户特征的最终的影响程度预测结果后，基于最终的影响程度预测结果对至少两个用户特征进行排序，得到用户特征序列。

步骤907：从用户特征序列中第一个用户特征开始，选取目标数量的用户特征作为目标用户特征。

例如，这里可以选取影响程度最高的三个用户特征作为目标用户特征，如登录天数、天赋点和战力值。

步骤908：根据目标用户特征进行虚拟资源数据分析，得到与目标用户特征相适配的虚拟资源及分配时间。

这里，在得到目标用户特征后，需要进一步对目标用户特征进行分析，以确定与其相适配的虚拟资源及推送时间，例如，目标用户特征为登录天数、天赋点和战力值，可以根据用户登录天数的变化，来确定在哪一天进行虚拟资源的分配，并根据天赋点和战力值，来确定虚拟资源，如用于提升天赋点和战力值的游戏道具。

步骤909：当分配时间到达时，为目标用户分配虚拟资源。

步骤910：响应于针对游戏应用的启动操作，呈现游戏界面，并在游戏界面中呈现虚拟资源的推送信息。

步骤911：响应于针对虚拟资源的领取操作，将虚拟资源添加至游戏账户中。

步骤912：获取分配虚拟资源后目标用户在虚拟场景应用中的活跃度。

步骤913：根据活跃度，确定为目标用户分配的所述虚拟资源的有效性并根据有效性调整为所述目标用户分配的虚拟资源。

应用本申请上述实施例，通过获取分别确定各用户特征对活跃度的影响程度；根据各用户特征对活跃度的影响程度，从至少两个用户特征中选取影响程度满足影响程度条件的目标用户特征；获取与目标用户特征相适配的虚拟资源，并为目标用户分配虚拟资源；如此，能够实现虚拟场景应用中与用户特征相适配的虚拟资源的分配，提升虚拟场景应用的用户粘合度。

下面，将说明本申请实施例在一个实际的应用场景中的示例性应用。这里以虚拟场景应用为游戏应用为例进行说明。

图10是本申请实施例提供的游戏应用中用户生命周期的示意图，参见图10，用户生命周期包括拉新、活跃、存留、沉默、流失，为避免用户流失，在游戏应用中，通常会采用虚拟资源推送的方式，来对用户进行主动关怀。这里，对玩家流失原因进行挖掘，并通过主动关怀来留住用户属于生命周期活跃、留存阶段的工作。

图11是本申请实施例提供的游戏应用中次日活跃率的示意图，参见图11，在该游戏中，新玩家的次日活跃率与老玩家的次日活跃率相比差距较大，基于此，提出本申请的虚拟场景应用中虚拟资源的数据分析方法，以提升用户粘合度，减少用户流失。

本申请实施例通过结合用户画像、游戏行为、社交关系等信息，利用XGB OOST进行建模，优化模型训练参数，找到影响玩家流失的目标用户特征，基于目标用户特征进行虚拟资源推送，以提升用户次日活跃率。

这里，XGBOOST的输入为至少两个用户特征，输出为输入的至少两个用户特征的排序结果，该排序结果是基于用户特征对用户活跃度的影响程度进行排序得到的。

图12是本申请实施例提供的虚拟场景应用中虚拟资源的数据分析方法的流程示意图，参见图12，本申请实施例提供的虚拟场景应用中虚拟资源的数据分析方法包括：

步骤1201a：获取用户在游戏内的用户特征。

这里，用户特征涵盖用户在游戏内的行为，主要包括以下四个方面：基础属性(用户画像信息)、社交关系信息、行为信息、付费信息。其中，基础属性包括年龄、性别、地区、天赋点、战力值、活跃度等；社交关系包括好友人数、近一个月好友活跃天数及趋势、近一个月好友付费天数及趋势、活跃比例及变化趋势、付费比例及变化趋势、聊天人数、聊天次数、聊天人数及次数变化趋势、近一个月新增好友数及变化趋势等；行为特征包括用户登录天数及变化趋势(近一个月连续登录)、用户登录次数及变化趋势、用户在线时长及变化取数、好友登录天数及变化趋势、好友登录次数及变化趋势、好友在线时长及变化取数、用户升级变化、用户装备变化、用户通关次数变化、用户决斗次数变化、用户1V1段位赛次数变化、高中低难度副本通过次数等；付费特征包括充值频次、金额、日期，消耗频次、金额、日期，账户余额等。

步骤1201b：构建XGBOOST模型。

这里，选择集成模型中的XGBOOST。XGBOOST是梯度下降树(GBDT，Gradient BoostDecision Tree))的改良版本，二者同属集成模型。相比GBDT，XGBOOST主要做了如下改良：显示地加入正则项，来控制模型复杂度，以此提高模型的鲁棒性；在训练时，使用了损失函数(衡量预测值和实际值差值的函数)二阶导数信息，使得模型的精度更高。

图13是本申请实施例提供的梯度下降树的原理示意图，参见图13，梯度下降树包括多个学习器，在实际实施时，先对学习器1进行训练，将训练样本输入学习器1，预测结果1，预测结果1和实际结果进行比较，会有一个偏差，接着学习器2会根据这个偏差大小进行调整，偏差大，学习器2就会重点对分类错误的样本进行训练，否则就不重点针对，依次类推，直到n个学习器都产生一个预测结果。然后将所有训练器的结果传入损失函数(衡量误差的函数，一般是取对数计算误差)进行汇总，得到最终结果。

步骤1202：对模型进行训练及优化。

在实际实施时，对模型进行训练及优化的过程包括：

1)将用户特征离散化，这里采用等频离散化，并将训练样本按7：3的比例随机划分训练集、验证集。

2)利用训练集进行训练，得到预测结果，然后计算预测结果和真实结果之间的差值，得到残差。

这里的预测结果为至少两个用户特征的用户特征序列。

3)若得到的残差高于设定的阈值，就提高样本权重。

这里通过提高权证使更多决策树针对上一轮划分错误的样本进行训练，使得原来划分错误的样本数据趋向于划分正确，利用新生成的树重新进行训练。

4)循环执行步骤2)-3)，直到残差低于阈值。

5)计算最终模型的ROC曲线下与坐标轴围成的面积(AUC，Area UnderCurve)值和准确率，并对结果进行打分。

这里，AUC值可以通过“AUC值＝预测发生且真实发生的样本数/所有真实发生的样本数”得到；准确率可以通过“准确率＝预测正确的样本数/所有样本数”得到。

在实际应用中，得到的模型优化后的重要参数包括：随机数种子为10、决策树个数为50、纯度为基尼系数、最大树深度为8、特征最大装箱数为32、验证集比例为30％。

参见图14，图14是本申请实施例提供的验证集验证效果示意图，代入上述优化后的参数，AUC值1401为0.86069992299，准确率1402为0.582089552238806，查全率1403为0.6290322580645161。

步骤1203：确定各用户的目标用户特征。

这里，将至少两个用户特征输入训练得到的模型中，输出至少两个用户特征的排序结果(特征序列)，然后基于该特征序列，确定导致用户流失的重要用户特征(目标用户特征)，如登录天数、天赋点、等级、战力值、通关次数、好友数量等。

步骤1204：基于目标用户特征，确定与目标用户特征相匹配的虚拟资源并进行推送。

例如，当目标用户特征为登录天数，获取登录天数与存留率之间的关联关系，图15是本申请实施例提供的登录天数与存留率的关系示意图，参见图15，用户登录8天时，存留率未有提升，那么可在玩家登录第7天时推送虚拟资源。

步骤1205：进行上线测试、效果验证。

参见图5，获取近7天的新用户；然后对获取到的新用户进行随机分流，划分为对照组和实验组，对于对照组中的用户推送统一的虚拟资源；对于实验组中的用户采用本申请实施例提供的虚拟场景应用中虚拟资源的数据分析方法，也即，对于实验组中的每个用户，获取该用户在虚拟场景中的至少两个用户特征，通过训练得到神经网络模型获取该用户的用户特征序列，然后基于用户特征序列获取目标用户特征，进而获取与目标用户特征相适配的虚拟资源，并推送虚拟资源该用户对应虚拟场景应用的客户端；接着，分别获取对照组和实验组的次日活跃率和人均活跃天数；最后，基于得到的次日活跃率和人均活跃天数，比较对照组和实验组所采用的虚拟资源的推送方法的效果。

这里，实验组比对照组次日活跃率提升3.0％，人均活跃天数提升4.1％。

图16是本申请实施例提供的实验组比对照组的对比示意图，参见图16，实验组的用户次日活跃率明显高于对照组。

在实际实施时，当上线测试得到的结果未满足预期时，如次日活跃率提升的比例未满足预设阈值，对XGBOOST模型进行迭代训练。

本申请通过上述实施例，能够提高游戏应用中的用户次日活跃率提升及人均活跃天数。

下面继续说明本申请实施例提供的虚拟场景应用中虚拟资源的数据分析装置555的实施为软件模块的示例性结构，在一些实施例中，如图2所示，存储在存储器550的虚拟场景应用中的虚拟资源的数据分析装置555中的软件模块可以包括：

获取模块5551，用于获取目标用户在虚拟场景应用中的至少两个用户特征，以及所述目标用户在所述虚拟场景应用中的活跃度；

确定模块5552，用于分别确定各所述用户特征对所述活跃度的影响程度；

选取模块5553，用于根据各所述用户特征对所述活跃度的影响程度，从所述至少两个用户特征中选取影响程度满足影响程度条件的目标用户特征；

分析模块5554，用于根据与所述目标用户特征进行虚拟资源数据分析，得到与目标用户相适配的虚拟资源。

在一些实施例中，所述获取模块5551，还用于获取目标用户在虚拟场景应用中的以下信息至少之一：用户画像信息、所述虚拟场景应用中的社交信息、所述虚拟场景应用中的操作行为信息、及所述虚拟场景应用中的付费信息；

基于获取的所述信息，进行用户特征提取，得到至少两个用户特征。

在一些实施例中，所述确定模块5552，还用于获取目标时间段内各所述用户特征的变化趋势、及所述活跃度的变化趋势；

根据各所述用户特征的变化趋势、及所述活跃度的变化趋势，确定各所述用户特征与所述活跃度之间的相关性系数；

将所述用户特征与所述活跃度之间的相关性系数，作为相应用户特征对所述活跃度的影响程度。

在一些实施例中，所述确定模块5552，还用于将各所述用户特征对所述活跃度的影响程度与影响程度阈值进行比较，得到比较结果；

基于所述比较结果从所述至少两个用户特征中，选取影响程度满足影响程度阈值的用户特征作为目标用户特征。

在一些实施例中，所述选取模块5553，还用于按照影响程度高低对所述至少两个用户特征进行排序，得到用户特征序列；

从所述用户特征序列中第一个用户特征开始，选取目标数量的用户特征作为目标用户特征。

在一些实施例中，所述确定模块5552，还用于将所述至少两个用户特征输入神经网络模型；

通过所述神经网络包括的影响程度确定层，确定各所述用户特征对所述活跃度的影响程度；

所述选取模块5553，还用于通过所述神经网络包括的排序层分类模型，按照影响程度高低，对所述至少两个用户特征进行排序，并输出用户特征序列。

在一些实施例中，所述选取模块5553，还用于获取虚拟应用场景中用户的次日活跃率，所述次日活跃率为当日与前一日均在虚拟场景应用中活跃的用户数量、与前一日在虚拟场景应用中活跃的用户数量的比值；

当所述次日活跃率未满足活跃率条件时，对所述神经网络模型进行迭代训练。

在一些实施例中，所述确定模块5552，还用于将所述至少两个用户特征作为模型输入，分别输入至至少两个分类模型；

分别通过各所述分类模型，预测所述至少两个用户特征对所述活跃度的影响程度，得到各所述分类模型输出的影响程度预测结果；

所述选取模块5553，还用于基于至少两个所述分类模型输出的影响程度预测结果，对所述至少两个用户特征进行排序，得到用户特征序列；

从所述用户特征序列中第一个用户特征开始，选取目标数量的用户特征作为目标用户特征。

在一些实施例中，所述确定模块5552，还用于获取样本数据集，所述样本数据集中的用户样本包括至少两个用户特征，所述用户样本标注有各所述用户特征对相应用户在所述虚拟场景应用中活跃度的影响程度；

基于所述样本数据集，依次对所述至少两个分类模型进行训练。

在一些实施例中，所述确定模块5552，还用于依据所述至少两个分类模型的训练顺序，训练第一个分类模型，并从第二个分类模型开始，针对每个分类模型执行以下操作：

获取前一分类模型对所述用户样本进行预测，得到的至少两个用户特征对所述活跃度的影响程度；

确定所述前一分类模型预测得到的影响程度与标注的影响程度之间的差异；

基于所述差异，对所述用户样本进行加权处理；

基于加权后的用户样本，对所述分类模型进行训练。

获取样本数据集、及所述分类模型的数量；

在一些实施例中，所述确定模块5552，还用于根据所述分类模型的数量，对所述样本数据集进行随机采样，得到对应所述数量的子样本数据集；

分别通过各子样本数据集，对相应的分类模型进行训练。

在一些实施例中，所述分析模块5554，还用于确定与所述目标用户特征对应的分配时间；

当所述分配时间到达时，为所述目标用户分配所述虚拟资源。

本申请实施例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本申请实施例上述的虚拟场景应用中的虚拟资源的数据分析方法。

本申请实施例提供一种存储有可执行指令的计算机可读存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的方法，例如，如图3示出的方法。

在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EP ROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。

在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。

作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(H TML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。

作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

以上所述，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。

Claims (15)

1.一种虚拟场景应用中虚拟资源的数据分析方法，其特征在于，所述方法包括：

获取目标用户在虚拟场景应用中的至少两个用户特征，以及所述目标用户在所述虚拟场景应用中的活跃度；

分别确定各所述用户特征对所述活跃度的影响程度；

根据各所述用户特征对所述活跃度的影响程度，从所述至少两个用户特征中选取影响程度满足影响程度条件的目标用户特征；

根据所述目标用户特征进行虚拟资源数据分析，得到与目标用户相适配的虚拟资源。

2.如权利要求1所述的方法，其特征在于，所述获取目标用户在虚拟场景应用中的至少两个用户特征，包括：

获取目标用户在虚拟场景应用中的以下信息至少之一：用户画像信息、所述虚拟场景应用中的社交信息、所述虚拟场景应用中的操作行为信息、及所述虚拟场景应用中的付费信息；

基于获取的所述信息，进行用户特征提取，得到至少两个用户特征。

3.如权利要求1所述的方法，其特征在于，所述分别确定各所述用户特征对所述活跃度的影响程度，包括：

获取目标时间段内各所述用户特征的变化趋势、及所述活跃度的变化趋势；

根据各所述用户特征的变化趋势、及所述活跃度的变化趋势，确定各所述用户特征与所述活跃度之间的相关性系数；

将所述用户特征与所述活跃度之间的相关性系数，作为相应用户特征对所述活跃度的影响程度。

4.如权利要求1所述的方法，其特征在于，所述从所述至少两个用户特征中选取影响程度满足影响程度条件的目标用户特征，包括：

将各所述用户特征对所述活跃度的影响程度与影响程度阈值进行比较，得到比较结果；

基于所述比较结果从所述至少两个用户特征中，选取影响程度满足影响程度阈值的用户特征作为目标用户特征。

5.如权利要求1所述的方法，其特征在于，所述从所述至少两个用户特征中选取影响程度满足影响程度条件的目标用户特征，包括：

按照影响程度高低对所述至少两个用户特征进行排序，得到用户特征序列；

从所述用户特征序列中第一个用户特征开始，选取目标数量的用户特征作为目标用户特征。

6.如权利要求5所述的方法，其特征在于，所述分别确定各所述用户特征对所述活跃度的影响程度，包括：

将所述至少两个用户特征输入神经网络模型；

通过所述神经网络模型包括的影响程度确定层，确定各所述用户特征对所述活跃度的影响程度；

所述按照影响程度高低对所述至少两个用户特征进行排序，得到用户特征序列，包括：

通过所述神经网络模型包括的用户特征排序层，按照影响程度高低，对所述至少两个用户特征进行排序，并输出用户特征序列。

7.如权利要求6所述的方法，其特征在于，所述方法还包括：

获取虚拟应用场景中用户的次日活跃率，所述次日活跃率为当日与前一日均在虚拟场景应用中活跃的用户数量、与前一日在虚拟场景应用中活跃的用户数量的比值；

当所述次日活跃率未满足活跃率条件时，对所述神经网络模型进行迭代训练。

8.如权利要求1所述的方法，其特征在于，所述分别确定各所述用户特征对所述活跃度的影响程度，包括：

将所述至少两个用户特征作为模型输入，分别输入至至少两个分类模型；

分别通过各所述分类模型，预测所述至少两个用户特征对所述活跃度的影响程度，得到各所述分类模型输出的影响程度预测结果；

所述从所述至少两个用户特征中选取影响程度满足影响程度条件的目标用户特征，包括：

基于至少两个所述分类模型输出的影响程度预测结果，对所述至少两个用户特征进行排序，得到用户特征序列；

从所述用户特征序列中第一个用户特征开始，选取目标数量的用户特征作为目标用户特征。

9.如权利要求8所述的方法，其特征在于，所述方法还包括：

获取样本数据集，所述样本数据集中的用户样本包括至少两个用户特征，所述用户样本标注有各所述用户特征对相应用户在所述虚拟场景应用中活跃度的影响程度；

基于所述样本数据集，依次对所述至少两个分类模型进行训练。

10.如权利要求9所述的方法，其特征在于，所述依次对所述至少两个分类模型进行训练，包括：

依据所述至少两个分类模型的训练顺序，训练第一个分类模型，并从第二个分类模型开始，针对每个分类模型执行以下操作：

获取前一分类模型对所述用户样本进行预测，得到的至少两个用户特征对所述活跃度的影响程度；

确定所述前一分类模型预测得到的影响程度与标注的影响程度之间的差异；

基于所述差异，对所述用户样本进行加权处理；

基于加权后的用户样本，对所述分类模型进行训练。

11.如权利要求8所述的方法，其特征在于，所述方法还包括：

获取样本数据集、及所述分类模型的数量；

根据所述分类模型的数量，对所述样本数据集进行随机采样，得到对应所述数量的子样本数据集；

分别通过各子样本数据集，对相应的分类模型进行训练。

12.如权利要求1所述的方法，其特征在于，所述方法还包括：

确定与所述目标用户特征对应的分配时间；

当所述分配时间到达时，为所述目标用户分配所述虚拟资源。

13.一种虚拟场景应用中虚拟资源的数据分析装置，其特征在于，包括：

获取模块，用于获取目标用户在虚拟场景应用中的至少两个用户特征，以及所述目标用户在所述虚拟场景应用中的活跃度；

确定模块，用于分别确定各所述用户特征对所述活跃度的影响程度；

选取模块，用于根据各所述用户特征对所述活跃度的影响程度，从所述至少两个用户特征中选取影响程度满足影响程度条件的目标用户特征；

分析模块，用于根据与所述目标用户特征进行虚拟资源数据分析，得到与目标用户相适配的虚拟资源。

14.一种计算机设备，其特征在于，包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至12任一项所述的虚拟场景应用中虚拟资源的数据分析方法。

15.一种计算机可读存储介质，其特征在于，存储有可执行指令，用于被处理器执行时，实现权利要求1至12任一项所述的虚拟场景应用中虚拟资源的数据分析方法。

Images