CN117815674A - 游戏信息的推荐方法、装置、计算机可读介质及电子设备 - Google Patents

Abstract

本申请公开了一种游戏信息的推荐方法、装置、计算机可读介质及电子设备，所述方法包括：获取用户游戏行为特征数据和待处理游戏数据，用户游戏行为特征数据包括用户在游戏外针对游戏信息所形成的行为特征数据和用户在游戏内所形成的行为特征数据；通过信息推荐模型的第一模型模块中以第一推荐指标为目标的第一模块分支得到第一指标特征；通过信息推荐模型的第一模型模块中以第二推荐指标为目标的第二模块分支得到第二指标特征；融合第一指标特征和第二指标特征，得到待推荐游戏信息的目标推荐分数。本申请技术方案可以分析用户在游戏内外对游戏信息的喜好程度，使所推荐的信息更加贴合用户实际喜好，有利于提高信息推荐的准确性。

Description

游戏信息的推荐方法、装置、计算机可读介质及电子设备

技术领域

本申请属于游戏技术领域，具体涉及一种游戏信息的推荐方法、装置、计算机可读介质及电子设备。

背景技术

在互联网时代，人们接触的信息越来越多，为了提高人们对信息的利用率，对推荐给用户的信息，往往需要经过一定的策略来处理和选择。目前，常用的信息推荐方法一般是向用户推送其感兴趣的内容，而判断用户对某个信息是否感兴趣，往往需要采集信息的点击率、阅读完成率等数据进行分析，因此，这种信息推荐方法往往应用于社交平台或者专门的信息推送平台中，难以在游戏中应用。

发明内容

本申请的目的在于提供一种游戏信息的推荐方法、装置、计算机可读介质及电子设备，以实现游戏中信息的准确推送。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请实施例的一个方面，提供一种游戏信息的推荐方法，包括：

获取用户游戏行为特征数据和待处理游戏数据，所述用户游戏行为特征数据包括用户在游戏外针对游戏信息所形成的行为特征数据和所述用户在游戏内所形成的行为特征数据，所述待处理游戏数据包括待推荐游戏信息；

通过信息推荐模型的第一模型模块中以第一推荐指标为目标的第一模块分支对所述用户游戏行为特征数据和所述待处理游戏数据进行特征提取，得到第一指标特征；

通过所述信息推荐模型的第一模型模块中以第二推荐指标为目标的第二模块分支对所述用户游戏行为特征数据和所述待处理游戏数据进行特征提取，得到第二指标特征；

融合所述第一指标特征和所述第二指标特征，得到所述待推荐游戏信息的目标推荐分数；

根据所述待推荐游戏信息的目标推荐分数在游戏内向所述用户推荐所述待推荐游戏信息。

根据本申请实施例的一个方面，提供一种游戏信息的推荐装置，包括：

数据获取模块，用于获取用户游戏行为特征数据和待处理游戏数据，所述用户游戏行为特征数据包括用户在游戏外针对游戏信息所形成的行为特征数据和所述用户在游戏内所形成的行为特征数据，所述待处理游戏数据包括待推荐游戏信息；

第一特征获取模块，用于通过信息推荐模型的第一模型模块中以第一推荐指标为目标的第一模块分支对所述用户游戏行为特征数据和所述待处理游戏数据进行特征提取，得到第一指标特征；

第二特征获取模块，用于通过所述信息推荐模型的第一模型模块中以第二推荐指标为目标的第二模块分支对所述用户游戏行为特征数据和所述待处理游戏数据进行特征提取，得到第二指标特征；

特征融合模块，用于融合所述第一指标特征和所述第二指标特征，得到所述待推荐游戏信息的目标推荐分数；

信息推荐模块，用于根据所述待推荐游戏信息的目标推荐分数在游戏内向所述用户推荐所述待推荐游戏信息。

在本申请的一个实施例中，特征融合模块包括：

融合特征获取单元，用于通过所述信息推荐模型的第二模型模块对所述用户游戏行为特征数据进行特征提取，得到指标融合特征；

融合单元，用于根据所述指标融合特征融合所述第一指标特征和所述第二指标特征，得到所述待推荐游戏信息的目标推荐分数。

在本申请的一个实施例中，所述融合单元具体用于：

基于所述指标融合特征与所述第一推荐指标的相关性，生成第一融合权重；

基于所述指标融合特征与所述第二推荐指标的相关性，生成第二融合权重；

根据所述指标融合特征、所述第一融合权重、所述第二融合权重融合所述第一指标特征和所述第二指标特征，得到所述待推荐游戏信息的目标推荐分数。

在本申请的一个实施例中，所述融合单元具体用于：

获取所述第一模块分支对应的第一指标系数和所述第二模块分支对应的第二指标系数；

将所述第一指标特征、所述第一指标系数、所述第一融合权重和所述指标融合特征的乘积作为第一推荐分数；

将所述第二指标特征、所述第二指标系数、所述第二融合权重和所述指标融合特征的乘积作为第二推荐分数；

将所述第一推荐分数和所述第二推荐分数之和作为所述待推荐游戏信息的目标推荐分数。

在本申请的一个实施例中，所述装置还包括：

第一样本特征提取模块，用于通过待训练模型的第一模型模块中以第一推荐指标为目标的第一模块分支对样本特征数据进行特征提取，得到第一样本指标特征；

第二样本特征提取模块，用于通过所述待训练模型的第一模型模块中以第二推荐指标为目标的第二模块分支对所述样本特征数据进行特征提取，得到第二样本指标特征；

样本融合特征生成模块，用于通过待训练模型的第二模型模块对所述样本特征数据进行特征提取，得到样本融合特征；

样本融合模块，用于根据所述样本融合特征融合所述第一样本指标特征和所述第二样本指标特征，得到样本推荐分数；

参数更新模块，用于根据所述第一样本指标特征及其对应的第一样本标签、所述第二样本指标特征及其对应的第二样本标签、以及所述样本推荐分数及其对应的样本分数标签计算模型损失，并根据所述模型损失更新所述待训练模型的模型参数，以对所述待训练模型进行训练，得到所述信息推荐模型。

在本申请的一个实施例中，所述参数更新模块具体用于：

将所述第一样本指标特征和所述第一样本标签之间的交叉熵损失作为第一损失；

将所述第二样本指标特征和所述第二样本标签之间的均方差损失作为第二损失；

将所述样本推荐分数和所述样本分数标签之间的均方差损失作为第三损失；

根据所述第一模块分支对应的第一指标系数和所述第二模块分支对应的第二指标系数融合所述第一损失、所述第二损失和所述第三损失，得到所述模型损失。

在本申请的一个实施例中，所述装置还包括：

样本分数标签计算模块，用于从所述样本特征数据中提取第一评估参数数据，并对所述第一评估参数数据进行归一化处理，得到第一归一化分数；从所述样本特征数据中提取第二评估参数数据，并对所述第二评估参数数据进行归一化处理，得到第二归一化分数；对所述第一归一化分数和所述第二归一化分数进行加权求和，得到所述样本分数标签。

根据本申请实施例的一个方面，提供一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如以上技术方案中的游戏信息的推荐方法。

根据本申请实施例的一个方面，提供一种电子设备，该电子设备包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器执行所述可执行指令使得所述电子设备执行如以上技术方案中的游戏信息的推荐方法。

根据本申请实施例的一个方面，提供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如以上技术方案中的游戏信息的推荐方法。

在本申请实施例提供的技术方案中，获取的用户游戏行为特征数据包括用户在游戏外针对游戏信息所形成的行为特征数据和用户在游戏内所形成的行为特征数据，进而使得后续的数据处理过程既可以分析用户在游戏外对游戏信息的喜好程度，又可以分析用户在游戏内对游戏信息的喜好程度，结合这两个方面对用户进行游戏信息的推荐，可以使所推荐的信息更加贴合用户实际喜好，有利于提高信息推荐的准确性；在用户数据的处理过程中，通过信息推荐模型的第一模型模块中以第一推荐指标为目标的第一模块分支计算得到第一指标特征，通过信息推荐模型的第一模型模块中以第二推荐指标为目标的第二模块分支计算得到第二指标特征，继而融合第一指标特征和第二指标特征，得到待推荐游戏信息的目标推荐分数，以根据待推荐游戏信息的目标推荐分数在游戏内向用户推荐待推荐游戏信息，通过第一模块分支和第二模块分支同时考虑了多个推荐指标对信息推荐的影响，使得目标推荐分数的计算更为准确，进而提高游戏信息推荐的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。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的附图。

图1示意性地示出了应用本申请技术方案的信息推荐模型的结构框图。

图2示意性地示出了应用本申请技术方案的示例性系统架构框图。

图3示意性地示出了本申请一个实施例提供的游戏信息的推荐方法的流程图。

图4示意性地示出了本申请一个实施例提供的游戏信息的推荐方法的流程图。

图5示意性地示出了本申请一个实施例提供的游戏信息的推荐方法的流程图。

图6示意性地示出了本申请实施例提供的游戏信息的推荐装置的结构框图。

图7示意性示出了适于用来实现本申请实施例的电子设备的计算机系统结构框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

本申请实施例中，术语“模块”或“单元”是指有预定功能的计算机程序或计算机程序的一部分，并与其他相关部分一起工作以实现预定目标，并且可以通过使用软件、硬件（如处理电路或存储器）或其组合来全部或部分实现。同样的，一个处理器（或多个处理器或存储器）可以用来实现一个或多个模块或单元。此外，每个模块或单元都可以是包含该模块或单元功能的整体模块或单元的一部分。

可以理解的是，在本申请的具体实施方式中，涉及到客户信息（例如交易信息、对账数据）等相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得客户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

图1示意性地示出了应用本申请技术方案的示例性系统架构框图。

如图1所示，系统架构100可以包括终端设备110、网络120和服务器130。终端设备110可以包括智能手机、平板电脑、笔记本电脑、智能语音交互设备、智能家电、车载终端等等。服务器130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，还可以是提供云计算服务的云服务器。网络120可以是能够在终端设备110和服务器130之间提供通信链路的各种连接类型的通信介质，例如可以是有线通信链路或者无线通信链路。

根据实现需要，本申请实施例中的系统架构可以具有任意数目的终端设备、网络和服务器。例如，服务器130可以是由多个服务器设备组成的服务器群组。另外，本申请实施例提供的技术方案可以应用于终端设备110，也可以应用于服务器130，或者可以由终端设备110和服务器130共同实施，本申请对此不做特殊限定。

图2示意性地示出了应用本申请技术方案的信息推荐模型的结构框图。

如图2所示，该信息推荐模型包括输入模块210、第一模型模块220、第二模型模块230、加权融合模块240和输出模块250。输入模块210用于将用户游戏行为特征数据和待处理游戏数据输入至信息推荐模型，其中，信息推荐模型的第一模型模块220的输入数据包括用户游戏行为特征数据和待处理游戏数据，信息推荐模型的第二模型模块230的输入数据为用户游戏行为特征数据，用户游戏行为特征数据包括用户在游戏外针对游戏信息所形成的行为特征数据和用户在游戏内所形成的行为特征数据，这两种数据可以统称为游戏内外用户行为实时统计特征；待处理游戏数据包括待推荐游戏信息。第一模型模块220包括神经网络221、第一目标单元222和第二目标单元223，神经网络221和第一目标单元222构成第一模型模块220中的第一模块分支，神经网络221和第二目标单元223构成第一模型模块220中的第二模块分支，第一模块分支是以第一推荐指标为目标进行训练得到的，如图2所示，本实施例中第一推荐指标为“点击进入游戏”，第二模块分支是以第二推荐指标为目标进行训练得到的，如图2所示，本实施例中第二推荐指标为“游戏时长”。神经网络221对输入模块210提供的用户游戏行为特征数据和待处理游戏数据进行处理后，输出的特征数据分别经过这两个模块分支的处理，得到第一指标特征和第二指标特征，这两个特征输至加权融合模块240。第二模型模块230包括全连接层231、第一控制门232和第二控制门233，第二模型模块230的输入数据为游戏内外用户行为实时统计特征，全连接层231对游戏内外用户行为实时统计特征进行处理后，输出的数据分别经过第一控制门232和第二控制门233的处理，得到第一融合权重和第二融合权重，这两个特征输至加权融合模块240。加权融合模块240接收到数据后，根据第一融合权重和第二融合权重融合第一指标特征和第二指标特征，得到待推荐游戏信息的目标推荐分数，输出模块250输出目标推荐分数。可选的，输出模块250可以根据目标推荐分数对待推荐游戏信息进行排序，然后根据排序结果输出目标推荐信息或者待推荐信息列表，比如，目标推荐分数越高，表示待推荐游戏信息的推荐优先级越高，输出模块250可以将优先级最高的待推荐游戏信息作为目标推荐信息，也可以根据优先级靠前的多个待推荐游戏信息生成待推荐信息列表。

下面结合具体实施方式对本申请提供的游戏信息的推荐方法做出详细说明。

图3示意性地示出了本申请一个实施例提供的游戏信息的推荐方法的流程图，该方法可以由终端设备或服务器实施。如图3所示，本实施例提供的游戏信息的推荐方法包括步骤310至步骤350，具体如下：

步骤310、获取用户游戏行为特征数据和待处理游戏数据，用户游戏行为特征数据包括用户在游戏外针对游戏信息所形成的行为特征数据和用户在游戏内所形成的行为特征数据，待处理游戏数据包括待推荐游戏信息。

具体地，用户游戏行为特征数据是指用户针对游戏信息所形成的行为特征数据，包括用户在游戏内的行为特征数据和用户在游戏外的行为特征数据。用户在游戏外的行为特征数据，比如用户对游戏详情页的点击、点赞、评论、分享等数据，用户在游戏外的行为特征数据可以反映出用户对该游戏在游戏外的喜欢程度。用户在游戏内的行为特征数据，是指用户在游戏内的行为，比如聊天数量、道具使用数量、移动距离、键盘鼠标使用次数、触发器使用数量、与NPC（Non-Player Character，非玩家角色）互动数量、游戏时长等，用户在游戏内的行为特征数据可以反映出用户对该游戏在游戏内的喜欢程度。用户游戏行为特征数据在一定时间段内对用户游戏内外的行为特征进行实时统计得到的数据，比如该游戏的当天的截止到该条数据用户玩的行为的那一刻的累计点赞次数，该游戏的当天的截止到该条数据用户玩的行为的那一刻的游戏内累计聊天次数等。用户游戏行为特征数据对应的统计时间段通常是距离游戏信息推送时间较近的数据，以便于准确反映用户近期对游戏的喜好程度，用户游戏行为特征数据可以通过Flink实时统计，例如是当天的实时累计值。

待处理游戏数据是进行游戏信息推荐所需要的通常特征数据，包括待推荐游戏信息，还可以包括用户基本信息等，例如，待推荐游戏信息是游戏地图，那么待处理游戏数据可以包括地图标识、地图类型、地图属性、用户标识、用户属性等。通过添加用户基本信息可以将游戏信息推荐与用户关联起来，使得游戏信息推荐对于每个用户实现个性化推荐。

步骤320、通过信息推荐模型的第一模型模块中以第一推荐指标为目标的第一模块分支对用户游戏行为特征数据和待处理游戏数据进行特征提取，得到第一指标特征。

步骤330、通过信息推荐模型的第一模型模块中以第二推荐指标为目标的第二模块分支对用户游戏行为特征数据和待处理游戏数据进行特征提取，得到第二指标特征。

具体地，信息推荐模型的第一模型模块包括两个分支：第一模块分支和第二模块分支，信息推荐模型是通过样本特征数据进行模型训练得到。在进行模型训练时，第一模块分支和第二模块分支分别采用不同的训练目标，第一模块分支以第一推荐指标作为训练目标，第二模块分支以第二推荐指标作为训练目标。第一推荐指标和第二推荐指标可以用于评价用户对游戏的喜好程度，例如用户是否进入游戏、用户的游戏时长、用户在游戏中的活跃度等。通过这两个模块分支分别对所获取的数据进行特征提取，得到第一指标特征和第二指标特征。示例性的，如图2所示，信息推荐模型的第一模型模块220包括神经网络221、第一目标单元222和第二目标单元223，神经网络221和第一目标单元222构成信息推荐模型的第一模型模块220中的第一模块分支，神经网络221和第二目标单元223构成信息推荐模型的第一模型模块220中的第二模块分支，用户游戏行为特征数据和待处理游戏数据经过神经网络221处理后在经过第一目标单元222处理，输出第一指标特征；用户游戏行为特征数据和待处理游戏数据经过神经网络221处理后在经过第二目标单元223处理，输出第二指标特征。

步骤340、融合第一指标特征和第二指标特征，得到待推荐游戏信息的目标推荐分数。

具体地，融合第一指标特征和第二指标特征，可以是将第一指标特征和第二指标特征进行加权求和，得到推荐游戏信息的目标推荐分数。例如，第一模块分支对应于第一指标系数，第二模块分支对应于第二指标系数，将第一指标系数和第一指标特征相乘，得到第一值，将第二指标系数和第二指标特征相乘，得到第二值，然后将第一值和第二值相加，得到目标推荐分数。在一些情况下，第一指标特征和第二指标特征为多维特征，可以向量的形式表示，对应的第一指标系数和第二指标系数也可以多维特征的向量形式表示，在进行加权求和时，第一指标系数和第一指标特征相乘是指两个向量的点乘结果，同理，第二指标系数和第二指标特征相乘也是指两个向量的点乘结果。

步骤350、根据待推荐游戏信息的目标推荐分数在游戏内向用户推荐待推荐游戏信息。

具体地，目标推荐分数可以反映待推荐游戏信息与用户的匹配程度，也就是用户对待推荐游戏信息的喜好程度。例如，目标推荐分数越高，表示待推荐游戏信息与用户的匹配度越高，那么用户对待推荐游戏信息的喜好程度越高。在进行信息推荐时，优先向用户推荐目标推荐分数高的待推荐游戏信息。例如，当目标推荐分数大于（或等于）预设分数阈值时，在游戏内向用户推荐该待推荐游戏信息；当目标推荐分数小于（或等于）预设分数阈值时，在游戏内不向用户推荐该待推荐游戏信息。可选的，也可以基于目标推荐分数生成待推荐信息列表，然后在游戏内向用户依次推荐待推荐信息列表中的信息。示例性的，待推荐游戏信息是游戏地图，游戏中包括10种类型的地图，根据各个游戏地图对应的目标推荐分数对10种类型的地图进行排序，然后根据排序结果向用户推荐游戏地图，比如，将目标推荐分数高的排列在前，目标推荐分数低的排列在后。

在本申请实施例提供的技术方案中，获取的用户游戏行为特征数据包括用户在游戏外针对游戏信息所形成的行为特征数据和用户在游戏内所形成的行为特征数据，进而使得后续的数据处理过程既可以分析用户在游戏外对游戏信息的喜好程度，又可以分析用户在游戏内对游戏信息的喜好程度，结合这两个方面对用户进行游戏信息的推荐，可以使所推荐的信息更加贴合用户实际喜好，有利于提高信息推荐的准确性；在用户数据的处理过程中，通过信息推荐模型的第一模型模块中以第一推荐指标为目标的第一模块分支计算得到第一指标特征，通过信息推荐模型的第一模型模块中以第二推荐指标为目标的第二模块分支计算得到第二指标特征，继而融合第一指标特征和第二指标特征，得到待推荐游戏信息的目标推荐分数，以根据待推荐游戏信息的目标推荐分数在游戏内向用户推荐待推荐游戏信息，通过第一模块分支和第二模块分支同时考虑了多个推荐指标对信息推荐的影响，使得目标推荐分数的计算更为准确，进而提高游戏信息推荐的准确性。

图4示意性地示出了本申请一个实施例提供的游戏信息的推荐方法的流程图，本实施例是对上述实施例的进一步优化。如图4所示，本申请实施例提供的游戏信息的推荐方法包括以下步骤：

步骤410、获取用户游戏行为特征数据和待处理游戏数据，用户游戏行为特征数据包括用户在游戏外针对游戏信息所形成的行为特征数据和用户在游戏内所形成的行为特征数据，待处理游戏数据包括待推荐游戏信息；

步骤420、通过信息推荐模型的第一模型模块中以第一推荐指标为目标的第一模块分支对用户游戏行为特征数据和待处理游戏数据进行特征提取，得到第一指标特征。

步骤430、通过信息推荐模型的第一模型模块中以第二推荐指标为目标的第二模块分支对用户游戏行为特征数据和待处理游戏数据进行特征提取，得到第二指标特征。

步骤410-步骤430与前述实施例中的步骤310-步骤330相同，在此不再赘述。

步骤440、通过信息推荐模型的第二模型模块对用户游戏行为特征数据进行特征提取，得到指标融合特征。

具体地，信息推荐模型的第二模型模块是与信息推荐模型的第一模型模块一同训练得到的，用于输出指标融合特征。信息推荐模型的第二模型模块的输入数据为用户游戏行为特征数据，不包括待处理游戏数据。示例性的，如图2所示，信息推荐模型的第二模型模块由全连接层和控制门构成，用户游戏行为特征数据首先经过全连接层的处理，然后全连接层的输出数据经过控制门处理，得到指标融合特征。全连接层用于对用户游戏行为特征数据进行特征提取，控制门用于控制指标融合特征的输出占比。

步骤450、根据指标融合特征融合第一指标特征和第二指标特征，得到待推荐游戏信息的目标推荐分数。

具体地，指标融合特征用于融合第一指标特征和第二指标特征，例如，指标融合特征表现为与第一指标特征和第二指标特征相同维度的向量特征，将指标融合特征、第一指标特征和第二指标特征做点乘处理，得到待推荐游戏信息的目标推荐分数。

在本申请的一个实施例中，指标特征的融合过程具体包括：基于指标融合特征与第一推荐指标的相关性，生成第一融合权重；基于指标融合特征与第二推荐指标的相关性，生成第二融合权重；根据指标融合特征、第一融合权重、第二融合权重融合第一指标特征和第二指标特征，得到待推荐游戏信息的目标推荐分数。具体地，第一融合权重体现指标融合特征与第一推荐指标的相关性；第二融合权重体现指标融合特征与第二推荐指标的相关性。示例性的，如图2所示的系统架构，指标融合特征与第一推荐指标的相关性可以由第一控制门232进行控制，故而第一融合权重由第一控制门232输出；指标融合特征与第二推荐指标的相关性可以由第二控制门233进行控制，故而第二融合权重由第二控制门233输出。在得到两个融合权重后，可以将指标融合特征和第一融合权重的乘积作为第一指标特征在目标推荐分数中的占比，将指标融合特征和第二融合权重的乘积作为第二指标特征在目标推荐分数中的占比，以此融合两个指标特征。例如，将指标融合特征、第一融合权重与第一指标特征进行点乘，将指标融合特征、第二融合权重与第二指标特征进行点乘，然后将两个点乘结果相加，得到待推荐游戏信息的目标推荐分数。

在本申请的一个实施例中，在计算推荐游戏信息的目标推荐分数的过程中，还可以考虑两个推荐指标对游戏信息推荐的影响，也就是考虑两个指标特征在目标推荐分数中的占比，那么目标推荐分数的计算过程可以包括：获取第一模块分支对应的第一指标系数和第二模块分支对应的第二指标系数；将第一指标特征、第一指标系数、第一融合权重和指标融合特征的乘积作为第一推荐分数；将第二指标特征、第二指标系数、第二融合权重和指标融合特征的乘积作为第二推荐分数；将第一推荐分数和第二推荐分数之和作为待推荐游戏信息的目标推荐分数。

具体地，两个指标特征在目标推荐分数中的占比可以通过对应模块分支的融合权重来确定，第一模块分支对应的第一指标系数指示第一指标特征的占比，第二模块分支对应的第二指标系数指示第二指标特征的占比。最后，可以按照下式计算目标推荐分数：

其中，表示第一指标特征，/>表示第二指标特征，/>表示第一指标系数，/>表示第二指标系数，/>表示指标融合特征，/>表示第一融合权重，/>表示第二融合权重。在上述计算公式中，+号的前半部分即为第一推荐分数，后半部分即为第二推荐分数。第一指标系数和第二指标系数可以分别是第一模块分支和第二模块分支对应模型参数，通过模型训练得到，示例性的，如图2所示的系统架构，第一指标系数可以是第一目标单元222的模型参数，第二指标系数可以是第二目标单元223的模型参数。

步骤460、根据待推荐游戏信息的目标推荐分数在游戏内向用户推荐待推荐游戏信息。

步骤460与前述实施例中的步骤350相同，在此不再赘述。

在本申请实施例提供的技术方案中，通过信息推荐模型的第二模型模块对用户游戏行为特征数据进行特征提取，得到指标融合特征，然后使用指标融合特征融合第一指标特征和第二指标特征，得到待推荐游戏信息的目标推荐分数，使得目标推荐分数的计算过程充分考虑用户游戏行为特征数据的影响，计算得到的目标推荐分数可以更加准确地体现用户近期对游戏信息的喜好程度，提高了目标推荐分数计算的准确性，进而提高游戏信息推荐的准确性。

图5示意性地示出了本申请一个实施例提供的游戏信息的推荐方法的流程图，本实施例是对上述实施例的进一步优化。如图5所示，本申请实施例提供的游戏信息的推荐方法包括以下步骤：

步骤501、通过待训练模型的第一模型模块中以第一推荐指标为目标的第一模块分支对样本特征数据进行特征提取，得到第一样本指标特征。

步骤502、通过待训练模型的第一模型模块中以第二推荐指标为目标的第二模块分支对样本特征数据进行特征提取，得到第二样本指标特征。

步骤503、通过待训练模型的第二模型模块对样本特征数据进行特征提取，得到样本融合特征。

步骤504、根据样本融合特征融合第一样本指标特征和第二样本指标特征，得到样本推荐分数。

步骤505、根据第一样本指标特征及其对应的第一样本标签、第二样本指标特征及其对应的第二样本标签、以及样本推荐分数及其对应的样本分数标签计算模型损失，并根据模型损失更新待训练模型的模型参数，以对待训练模型进行训练，得到信息推荐模型。

具体地，样本特征数据包括用户历史游戏行为特征数据和待推荐游戏数据，待推荐游戏数据与待处理游戏数据大致相同，包括需要推荐的游戏信息的数据和用户基本信息。用户历史游戏行为特征数据是采集的用户在游戏内外的历史行为数据，用户历史游戏行为特征数据包括正样本数据和负样本数据，正样本数据是指用户玩了游戏，负样本数据是指平台给用户曝光了游戏，但是用户没有玩该游戏。在进行模型训练时，将用户历史游戏行为特征数据分为多个批次，针对每个批次的数据进行模型训练。每个批次的数据均包括用户在游戏内的历史行为特征数据和用户在游戏外的历史行为特征数据。

在模型训练过程中，模型对样本特征数据的处理过程与前述实施例中对用户游戏行为特征数据和待处理游戏数据的处理过程相同，待训练模型是指未训练好的信息推荐模型，其模型结构与信息推荐模型的模型结构相同，包括第一模型模块和第二模型模块，第一模型模块包括第一模块分支和第二模块分支。那么模型训练阶段的数据处理过程：待训练模型的第一模型模块中的第一模块分支对样本特征数据进行特征提取，得到第一样本指标特征，待训练模型的第一模型模块中的第二模块分支对样本特征数据进行特征提取，得到第二样本指标特征，待训练模型的第二模型模块中的全连接层对样本特征数据中的用户历史游戏行为特征数据进行特征提取，得到样本融合特征，以及待训练模型的第二模型模块中的两个控制门输出第一样本融合权重和第二样本融合权重。最后，将第一样本指标特征、第一模块分支对应的第一样本指标系数、第一样本融合权重和样本融合特征的乘积作为第一样本推荐分数；将第二样本指标特征、第二模块分支对应的第二样本指标系数、第二样本融合权重和样本融合特征的乘积作为第二样本推荐分数，并将第一推荐分数和第二推荐分数之和作为样本推荐分数，示例性的，样本推荐分数的计算方式可以前述目标推荐分数的计算公式，即：

本实施例中的模型结构可以参考图2所示的模型结构，即信息推荐模型的第一模型模块220包括神经网络221、第一目标单元222和第二目标单元223，神经网络221和第一目标单元222构成信息推荐模型的第一模型模块220中的第一模块分支，神经网络221和第二目标单元223构成信息推荐模型的第一模型模块220中的第二模块分支；信息推荐模型的第二模型模块230包括全连接层231、第一控制门232和第二控制门233。在模型的批次训练过程中，可以表示第一目标单元222输出的特征，其维度为（N，M），其中N为批次大小，M为输出特征维度。/>含义与/>类似，为第二目标单元223输出的特征。假设全连接层231输入数据的维度即为（N，K），经过全连接层231处理后，输出数据/>维度为（N，M），对应的控制门G维度为(N, M)。

在得到样本推荐分数后，需计算模型损失，以便于根据模型损失更新模型参数，可以理解，更新的模型参数包括信息推荐模型的第一模型模块的模型参数和信息推荐模型的第二模型模块的模型参数，例如图2中神经网络221、第一目标单元222、第二目标单元223、全连接层231、第一控制门232和第二控制门233的参数，第一样本指标系数（对应于训练好的第一指标系数）和第二样本指标系数（对应于训练好的第二指标系数）属于需要更新的模型参数。

在本申请的一个实施例中，模型损失包括三个部分：根据第一样本指标特征及其对应的第一样本标签计算得到的第一损失、根据第二样本指标特征及其对应的第二样本标签计算得到的第二损失和根据样本推荐分数及其对应的样本分数标签计算得到的第三损失。在计算得到这三种损失后，可以根据第一模块分支对应的第一指标系数和第二模块分支对应的第二指标系数融合第一损失、第二损失和第三损失，得到模型损失。

在本申请的一个实施例中，第一损失可以是第一样本指标特征及其对应的第一样本标签之间的交叉熵损失。第二损失可以是第二样本指标特征及其对应的第二样本标签之间的均方差损失。第三损失可以是样本推荐分数及其对应的样本分数标签之间的均方差损失。可以理解，标签是指描述对应指标或分数的确定性数据，比如，第一推荐指标是指用户是否点击进入游戏，第一样本标签可以表示用户点击进入游戏，或者用户未点击进入游戏；第二推荐指标是用户的游戏时长，第二样本标签可以是具体的游戏时长数值，比如15分钟、1小时等；样本分数标签是预先计算得到的需要推荐的游戏信息的分数标签，比如0.8分、0.6分等。

在本申请的一个实施例中，样本分数标签的获取过程包括：从样本特征数据中提取第一评估参数数据，并对第一评估参数数据进行归一化处理，得到第一归一化分数；从样本特征数据中提取第二评估参数数据，并对第二评估参数数据进行归一化处理，得到第二归一化分数；对第一归一化分数和第二归一化分数进行加权求和，得到样本分数标签。具体地，第一评估参数数据和第二评估参数数据均属于对游戏信息的推荐情况进行评估的数据，比如游戏时长、游戏资源的获取情况等，分别对这两个参数进行归一化处理，得到对应的归一化分数，然后对两个归一化分数加权求和，得到样本分数标签。示例性的，样本分数标签可以通过下式进行计算：

其中，Norm表示把数据归一化到[0,1]区间，t表示第一评估参数数据，比如游戏时长，r表示第二评估参数数据，比如游戏内购收入。

在本申请的一个实施例中，模型损失Loss可以参考下式进行计算：

其中，表示第一样本指标特征/>及其对应的第一样本标签/>之间的交叉熵损失，/>表示第二样本指标特征及其对应的第二样本标签/>之间的均方差损失，/>表示样本推荐分数/>及其对应的样本分数标签/>之间的均方差损失。/>表示第一样本指标系数（对应于训练好的第一指标系数），/>表示第二样本指标系数（对应于训练好的第二指标系数）。

步骤506、获取用户游戏行为特征数据和待处理游戏数据，用户游戏行为特征数据包括用户在游戏外针对游戏信息所形成的行为特征数据和用户在游戏内所形成的行为特征数据，待处理游戏数据包括待推荐游戏信息。

步骤507、通过信息推荐模型的第一模型模块中以第一推荐指标为目标的第一模块分支对用户游戏行为特征数据和待处理游戏数据进行特征提取，得到第一指标特征。

步骤508、通过信息推荐模型的第一模型模块中以第二推荐指标为目标的第二模块分支对用户游戏行为特征数据和待处理游戏数据进行特征提取，得到第二指标特征。

步骤509、融合第一指标特征和第二指标特征，得到待推荐游戏信息的目标推荐分数。

步骤510、根据待推荐游戏信息的目标推荐分数在游戏内向用户推荐待推荐游戏信息。

步骤506-步骤510与可以参考前述实施例中步骤310-步骤350或者步骤410-步骤460中的相关描述，在此不再赘述。

在本申请实施例提供的技术方案中，通过样本特征数据进行模型训练，模型训练过程中的模型损失包括根据第一样本指标特征及其对应的第一样本标签计算得到的第一损失、根据第二样本指标特征及其对应的第二样本标签计算得到的第二损失和根据样本推荐分数及其对应的样本分数标签计算得到的第三损失这三个部分，模型损失计算的精确性提高，有利于提高训练后模型对数据处理的精确性。

应当注意，尽管在附图中以特定顺序描述了本申请中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的游戏信息的推荐方法。图6示意性地示出了本申请实施例提供的游戏信息的推荐装置的结构框图。如图6所示，本申请实施例提供的游戏信息的推荐装置包括：

数据获取模块，用于获取用户游戏行为特征数据和待处理游戏数据，所述用户游戏行为特征数据包括用户在游戏外针对游戏信息所形成的行为特征数据和所述用户在游戏内所形成的行为特征数据，所述待处理游戏数据包括待推荐游戏信息；

第一特征获取模块，用于通过信息推荐模型的第一模型模块中以第一推荐指标为目标的第一模块分支对所述用户游戏行为特征数据和所述待处理游戏数据进行特征提取，得到第一指标特征；

第二特征获取模块，用于通过所述信息推荐模型的第一模型模块中以第二推荐指标为目标的第二模块分支对所述用户游戏行为特征数据和所述待处理游戏数据进行特征提取，得到第二指标特征；

特征融合模块，用于融合所述第一指标特征和所述第二指标特征，得到所述待推荐游戏信息的目标推荐分数；

信息推荐模块，用于根据所述待推荐游戏信息的目标推荐分数在游戏内向所述用户推荐所述待推荐游戏信息。

在本申请的一个实施例中，特征融合模块包括：

融合特征获取单元，用于通过所述信息推荐模型的第二模型模块对所述用户游戏行为特征数据进行特征提取，得到指标融合特征；

融合单元，用于根据所述指标融合特征融合所述第一指标特征和所述第二指标特征，得到所述待推荐游戏信息的目标推荐分数。

在本申请的一个实施例中，所述融合单元具体用于：

基于所述指标融合特征与所述第一推荐指标的相关性，生成第一融合权重；

基于所述指标融合特征与所述第二推荐指标的相关性，生成第二融合权重；

根据所述指标融合特征、所述第一融合权重、所述第二融合权重融合所述第一指标特征和所述第二指标特征，得到所述待推荐游戏信息的目标推荐分数。

在本申请的一个实施例中，所述融合单元具体用于：

获取所述第一模块分支对应的第一指标系数和所述第二模块分支对应的第二指标系数；

将所述第一指标特征、所述第一指标系数、所述第一融合权重和所述指标融合特征的乘积作为第一推荐分数；

将所述第二指标特征、所述第二指标系数、所述第二融合权重和所述指标融合特征的乘积作为第二推荐分数；

将所述第一推荐分数和所述第二推荐分数之和作为所述待推荐游戏信息的目标推荐分数。

在本申请的一个实施例中，所述装置还包括：

第一样本特征提取模块，用于通过待训练模型的第一模型模块中以第一推荐指标为目标的第一模块分支对样本特征数据进行特征提取，得到第一样本指标特征；

第二样本特征提取模块，用于通过所述待训练模型的第一模型模块中以第二推荐指标为目标的第二模块分支对所述样本特征数据进行特征提取，得到第二样本指标特征；

样本融合特征生成模块，用于通过所述待训练模型的第二模型模块对所述样本特征数据进行特征提取，得到样本融合特征；

样本融合模块，用于根据所述样本融合特征融合所述第一样本指标特征和所述第二样本指标特征，得到样本推荐分数；

参数更新模块，用于根据所述第一样本指标特征及其对应的第一样本标签、所述第二样本指标特征及其对应的第二样本标签、以及所述样本推荐分数及其对应的样本分数标签计算模型损失，并根据所述模型损失更新所述待训练模型的模型参数，以对所述待训练模型进行训练，得到所述信息推荐模型。

在本申请的一个实施例中，所述参数更新模块具体用于：

将所述第一样本指标特征和所述第一样本标签之间的交叉熵损失作为第一损失；

将所述第二样本指标特征和所述第二样本标签之间的均方差损失作为第二损失；

将所述样本推荐分数和所述样本分数标签之间的均方差损失作为第三损失；

根据所述第一模块分支对应的第一指标系数和所述第二模块分支对应的第二指标系数融合所述第一损失、所述第二损失和所述第三损失，得到所述模型损失。

在本申请的一个实施例中，所述装置还包括：

样本分数标签计算模块，用于从所述样本特征数据中提取第一评估参数数据，并对所述第一评估参数数据进行归一化处理，得到第一归一化分数；从所述样本特征数据中提取第二评估参数数据，并对所述第二评估参数数据进行归一化处理，得到第二归一化分数；对所述第一归一化分数和所述第二归一化分数进行加权求和，得到所述样本分数标签。

本申请各实施例中提供的游戏信息的推荐装置的具体细节已经在对应的方法实施例中进行了详细的描述，此处不再赘述。

图7示意性地示出了用于实现本申请实施例的电子设备的计算机系统结构框图。

需要说明的是，图7示出的电子设备的计算机系统700仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理器701（Central Processing Unit，CPU），其可以根据存储在只读存储器702（Read-Only Memory，ROM）中的程序或者从存储部分708加载到随机访问存储器703（Random Access Memory，RAM）中的程序而执行各种适当的动作和处理。在随机访问存储器703中，还存储有系统操作所需的各种程序和数据。中央处理器701、在只读存储器702以及随机访问存储器703通过总线704彼此相连。输入/输出接口705（Input /Output接口，即I/O接口）也连接至总线704。

以下部件连接至输入/输出接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管（Cathode Ray Tube，CRT）、液晶显示器（Liquid Crystal Display，LCD）等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至输入/输出接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本申请的实施例，各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理器701执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（Erasable Programmable Read Only Memory，EPROM）、闪存、光纤、便携式紧凑磁盘只读存储器（Compact Disc Read-Only Memory，CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、触控终端、或者网络设备等）执行根据本申请实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种游戏信息的推荐方法，其特征在于，包括：

获取用户游戏行为特征数据和待处理游戏数据，所述用户游戏行为特征数据包括用户在游戏外针对游戏信息所形成的行为特征数据和所述用户在游戏内所形成的行为特征数据，所述待处理游戏数据包括待推荐游戏信息；

通过信息推荐模型的第一模型模块中以第一推荐指标为目标的第一模块分支对所述用户游戏行为特征数据和所述待处理游戏数据进行特征提取，得到第一指标特征；

通过所述信息推荐模型的第一模型模块中以第二推荐指标为目标的第二模块分支对所述用户游戏行为特征数据和所述待处理游戏数据进行特征提取，得到第二指标特征；

融合所述第一指标特征和所述第二指标特征，得到所述待推荐游戏信息的目标推荐分数；

根据所述待推荐游戏信息的目标推荐分数在游戏内向所述用户推荐所述待推荐游戏信息。

2.根据权利要求1所述的游戏信息的推荐方法，其特征在于，融合所述第一指标特征和所述第二指标特征，得到所述待推荐游戏信息的目标推荐分数，包括：

通过所述信息推荐模型的第二模型模块对所述用户游戏行为特征数据进行特征提取，得到指标融合特征；

根据所述指标融合特征融合所述第一指标特征和所述第二指标特征，得到所述待推荐游戏信息的目标推荐分数。

3.根据权利要求2所述的游戏信息的推荐方法，其特征在于，根据所述指标融合特征融合所述第一指标特征和所述第二指标特征，得到所述待推荐游戏信息的目标推荐分数，包括：

基于所述指标融合特征与所述第一推荐指标的相关性，生成第一融合权重；

基于所述指标融合特征与所述第二推荐指标的相关性，生成第二融合权重；

根据所述指标融合特征、所述第一融合权重、所述第二融合权重融合所述第一指标特征和所述第二指标特征，得到所述待推荐游戏信息的目标推荐分数。

4.根据权利要求3所述的游戏信息的推荐方法，其特征在于，根据所述指标融合特征、所述第一融合权重和所述第二融合权重融合所述第一指标特征和所述第二指标特征，得到所述待推荐游戏信息的目标推荐分数，包括：

获取所述第一模块分支对应的第一指标系数和所述第二模块分支对应的第二指标系数；

将所述第一指标特征、所述第一指标系数、所述第一融合权重和所述指标融合特征的乘积作为第一推荐分数；

将所述第二指标特征、所述第二指标系数、所述第二融合权重和所述指标融合特征的乘积作为第二推荐分数；

将所述第一推荐分数和所述第二推荐分数之和作为所述待推荐游戏信息的目标推荐分数。

5.根据权利要求1所述的游戏信息的推荐方法，其特征在于，在通过信息推荐模型的第一模型模块中以第一推荐指标为目标的第一模块分支对所述用户游戏行为特征数据和所述待处理游戏数据进行特征提取之前，所述方法还包括：

通过待训练模型的第一模型模块中以第一推荐指标为目标的第一模块分支对样本特征数据进行特征提取，得到第一样本指标特征；

通过所述待训练模型的第一模型模块中以第二推荐指标为目标的第二模块分支对所述样本特征数据进行特征提取，得到第二样本指标特征；

通过所述待训练模型的第二模型模块对所述样本特征数据进行特征提取，得到样本融合特征；

根据所述样本融合特征融合所述第一样本指标特征和所述第二样本指标特征，得到样本推荐分数；

根据所述第一样本指标特征及其对应的第一样本标签、所述第二样本指标特征及其对应的第二样本标签、以及所述样本推荐分数及其对应的样本分数标签计算模型损失，并根据所述模型损失更新所述待训练模型的模型参数，以对所述待训练模型进行训练，得到所述信息推荐模型。

6.根据权利要求5所述的游戏信息的推荐方法，其特征在于，根据所述第一样本指标特征及其对应的第一样本标签、所述第二样本指标特征及其对应的第二样本标签、以及所述样本推荐分数及其对应的样本分数标签计算模型损失，包括：

将所述第一样本指标特征和所述第一样本标签之间的交叉熵损失作为第一损失；

将所述第二样本指标特征和所述第二样本标签之间的均方差损失作为第二损失；

将所述样本推荐分数和所述样本分数标签之间的均方差损失作为第三损失；

根据所述第一模块分支对应的第一指标系数和所述第二模块分支对应的第二指标系数融合所述第一损失、所述第二损失和所述第三损失，得到所述模型损失。

7.根据权利要求6所述的游戏信息的推荐方法，其特征在于，在将所述样本推荐分数和所述样本分数标签之间的均方差损失作为第三损失之前，所述方法还包括：

从所述样本特征数据中提取第一评估参数数据，并对所述第一评估参数数据进行归一化处理，得到第一归一化分数；

从所述样本特征数据中提取第二评估参数数据，并对所述第二评估参数数据进行归一化处理，得到第二归一化分数；

对所述第一归一化分数和所述第二归一化分数进行加权求和，得到所述样本分数标签。

8.一种游戏信息的推荐装置，其特征在于，包括：

数据获取模块，用于获取用户游戏行为特征数据和待处理游戏数据，所述用户游戏行为特征数据包括用户在游戏外针对游戏信息所形成的行为特征数据和所述用户在游戏内所形成的行为特征数据，所述待处理游戏数据包括待推荐游戏信息；

第一特征获取模块，用于通过信息推荐模型的第一模型模块中以第一推荐指标为目标的第一模块分支对所述用户游戏行为特征数据和所述待处理游戏数据进行特征提取，得到第一指标特征；

第二特征获取模块，用于通过所述信息推荐模型的第一模型模块中以第二推荐指标为目标的第二模块分支对所述用户游戏行为特征数据和所述待处理游戏数据进行特征提取，得到第二指标特征；

特征融合模块，用于融合所述第一指标特征和所述第二指标特征，得到所述待推荐游戏信息的目标推荐分数；

信息推荐模块，用于根据所述待推荐游戏信息的目标推荐分数在游戏内向所述用户推荐所述待推荐游戏信息。

9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任意一项所述的游戏信息的推荐方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为执行所述可执行指令以实现如权利要求1至7中任意一项所述的游戏信息的推荐方法。