CN105447126A - 一种游戏道具个性化推荐方法 - Google Patents
一种游戏道具个性化推荐方法 Download PDFInfo
- Publication number
- CN105447126A CN105447126A CN201510793393.0A CN201510793393A CN105447126A CN 105447126 A CN105447126 A CN 105447126A CN 201510793393 A CN201510793393 A CN 201510793393A CN 105447126 A CN105447126 A CN 105447126A
- Authority
- CN
- China
- Prior art keywords
- data
- player
- stage property
- recommendation method
- personalized recommendation
- 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.)
- Pending
Links
Classifications
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种游戏道具个性化推荐方法,包括:对数据进行提取、清洗、加工;将数据从输入空间映射到低维空间;对数据进行分类,将玩家划分成不同类别;为每个玩家推荐他最可能购买的道具。本发明的游戏道具个性化推荐方法,大幅减小推荐算法的计算量,显著提高道具推荐的准确度,并提升了网络游戏的用户体验效果。
Description
技术领域
本发明涉及网络游戏领域,特别涉及一种游戏道具个性化推荐方法。
背景技术
在现有网络游戏中,存在众多的游戏道具。通常采用以下三种技术实现游戏道具个性化推荐:(1)数据降维技术;(2)分类算法;(3)推荐算法。每一种算法技术在游戏道具推荐算法中都起到至为关键的作用,三种算法共同组合成一个算法***,缺一不可。
其中,数据降维技术要解决的是游戏数据错综复杂的问题。由于游戏数据本身具有一些非传统特点,比如:游戏数据来源复杂、数据类型多种多样、数据维度高(几百或上千)、数据海量。因此,在使用推荐算法之前,既需要简化数据,又要尽可能保证数据中所包含的信息不能丢失,这就需要数据降维技术。数据降维技术目前比较成熟,可改进的空间不大,此处使用因子分析法进行数据降维。
分类算法使用降维后的数据对游戏用户分类。如果在使用推荐算法之前不对玩家进行分类,一方面会使计算量成倍增长;另一方面,由于不同类型的玩家的喜好矩阵差异巨大,在不对玩家进行事先分类的情况下,会模糊不同类型玩家之间的差异,从而影响推荐的准确性。分类算法也是比较成熟的技术,可改进的空间不大,由于游戏数据海量,此处使用的是K-Means聚类算法。
推荐算法的作用是将合适的游戏道具推荐给合适的玩家。推荐算法又包括关联分析、协同过滤、矩阵分解等多种技术,推荐算法目前仍在不断发展完善中。目前较为流行的是基于项目的协同过滤算法(ItemCF)。ItemCF算法是从Amazon的论文和专利发表之后(2001年左右)流行起来的。但是由于网络游戏的道具都是虚拟物品,使得网络游戏的数据特点又和电商的数据有很大的不同,将电商的推荐算法硬搬到网络游戏数据上必然引起不适。目前公开的ItemCF算法都是基于用户已经购买过的物品(Item),首先计算物品与物品之间的距离矩阵,然后向每个用户推荐新的物品(Item),把这种计算方法直接应用到网络游戏数据上存在以下弊端:(1)大型网络游戏的道具种类极多,构造的物品与物品之间的距离矩阵也必然庞大,这会极大地增加以后的计算量。(2)游戏中有很多道具的功能完全相同且可以相互替代,购买这类道具的玩家本来应该是极其相似的,给他们推荐的道具也应该相似,但是按照目前公开的方法进行计算,反而会使得这些功能相同的道具之间的距离非常大,从而给购买这种道具的玩家所推荐的道具差异极大。因此,需要对现有的ItemCF算法进行改良,以解决上述弊端。
发明内容
本发明的目的在于解决将ItemCF算法直接应用到网络游戏数据所产生的上述两种弊端,为网游游戏的道具推荐提供一种合适的推荐方法。
为了实现上述目的,本发明的游戏道具个性化推荐方法,包括以下步骤:
(1)对数据进行提取、清洗、加工;
(2)将数据从输入空间映射到低维空间;
(3)对数据进行分类,将玩家划分成不同类别;
(4)为每个玩家推荐他最可能购买的道具。
其中,所述步骤(1)中对数据进行提取是从数据仓库中提取玩家的属性数据、登录数据、玩法数据、交易数据、充值数据、消费数据。
其中,所述步骤(1)中对数据进行清洗是对提取的数据进行描述统计,找出数据的重复记录、缺失值、异常值,并进行相应的替换或删除操作。
其中,步骤(1)中对数据进行加工是对数据进行转换。
其中,对数据进行转换包括将数据正态标准化、将数据求对数。
其中,所述步骤(2)进一步包括使用因子分析法对加工后的玩家的属性数据、登录数据、玩法数据、交易数据、充值数据及消费数据进行降维。
其中,所述步骤(3)进一步包括:
1)使用K-Means算法,对因子分析降维后的数据进行分类,将玩家划分成若干个类别;
2)使用K-Means算法,对加工后的消费数据进行分类,从中提取若干种主要的购买模式;
3)将上述两种K-Means算法的分类结果进行交叉,可以将全部用户分成若干个群体,每一个群体内部的玩家的属性、游戏行为、购买模式都比较相似。
其中,所述步骤(4)进一步包括:
1)每次按顺序从若干个群体中抽取一个用户群体,对该群体内的玩家进行以下几步操作;
2)计算玩家的道具类和道具明细之间的距离矩阵,该距离可以用Jaccard相似度来测量;
3)用每个玩家在每个道具类上的已知取值,乘以距离矩阵,得到每个玩家对每个明细道具的偏爱程度;
4)确定推荐的道具,对每个玩家按照对每个明细道具的喜好程度进行排序,向该玩家推荐排名靠前的道具。
采用本发明的游戏道具个性化推荐方法,可以明确网络游戏道具推荐算法的整个计算过程;与现有的ItemCF算法相比,大幅减小推荐算法的计算量;针对网络游戏这一特定行业,与现有的ItemCF算法相比,能显著提高道具推荐的准确度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,并与本发明的实施例一起,用于解释本发明,并不构成对本发明的限制。在附图中:
图1为根据本发明的游戏道具个性化推荐方法流程图;
图2为根据本发明的游戏道具个性化推荐方法实施例1工作流程图。
具体实施方式
以下结合附图对本发明的实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1为根据本发明的游戏道具个性化推荐方法流程图。下面将参考图1,对本发明的游戏道具个性化推荐方法进行详细描述。
步骤101,对数据进行提取、清洗、加工,将数据整理成适合分析的格式。其中,对数据的提取是从数据仓库中提取所需要的数据,包括玩家的属性数据、登录数据、玩法数据、交易数据、充值数据、消费数据;对数据的清洗是对提取的数据进行描述统计,找出数据的重复记录、缺失值、异常值,并进行相应的替换或删除操作;对数据的加工是对数据的转换,比如,将数据正态标准化、将数据求对数,具体采用那种数据加工方式由所采用的算法决定。
步骤102,将数据从输入空间通过线性或非线性变换映射到一个低维空间,从而获得一个关于原数据集紧致的低维表示。使用因子分析法,对加工后的玩家属性数据、登录数据、玩法数据、交易数据、充值数据进行降维,将高维度的数据变量综合成少数几个因子,这少数几个因子包含了原始数据的绝大部分信息。
步骤103,将相似的玩家划分到同一类里面,使得同一群体内的玩家尽可能相似,不同群体间的玩家差异尽可能显著。包括以下三步:
(1)使用K-Means算法,对因子分析降维后的数据进行分类,将玩家划分成若干个类别,为了便于以后的说明,此处假设分成M类;
(2)使用K-Means算法,对加工后的消费数据进行分类,从中提取若干种主要的购买模式,为了便于以后的说明,此处假设分成N类;
(3)将上述两种K-Means算法的分类结果进行交叉,可以将全部用户分成M*N个群体,每一个群体内部的玩家的属性、游戏行为、购买模式都比较相似。
步骤104,利用改良后的ItemCF算法,给每个玩家推荐他最可能购买的道具。
其中,对ItemCF算法的改良主要体现在对距离矩阵的改良上,改良后的ItemCF算法的实施具体包括以下步骤:
(1)每次按顺序从M*N个群体中抽取一个用户群体,对该群体内的玩家进行以下几步操作。
(2)计算玩家的道具类和道具明细之间的距离矩阵,该距离可以用Jaccard相似度来测量,矩阵的形式如下:
表1:道具类和道具明细之间的距离矩阵
道具1 | 道具2 | 道具3 | 道具4 | 道具5 | 道具6 | …… | |
道具类1 | d11 | d12 | d13 | d14 | d15 | d16 | …… |
道具类2 | d21 | d22 | d23 | d24 | d25 | d26 | …… |
道具类3 | d31 | d32 | d33 | d34 | d35 | d36 | …… |
道具类4 | d41 | d42 | d43 | d44 | d45 | d46 | …… |
…… | …… | …… | …… | …… | …… | …… | …… |
该矩阵与常规的ItemCF算法的距离矩阵的差别在于:常规的ItemCF算法的距离矩阵是明细道具与明细道具之间的距离矩阵,假设有5000种道具,那么常规的ItemCF算法便要求一个5000*5000的矩阵;而此处,假设将游戏中大量的功能相同的道具合并成30类,那么,只需计算一个30*5000的矩阵。这在后面计算每个玩家对每个明细道具的中喜好程度时,会大量降低计算量,并能显著提高推荐的准确度。
(3)用每个玩家在每个道具类上的已知取值,乘以上面的距离矩阵,得到每个玩家对每个明细道具的偏爱程度。
(4)确定推荐的道具,对每个玩家按照对每个明细道具的喜好程度进行排序,向该玩家推荐排名靠前的道具。
实施例1
下面将结合实施例1对本发明的游戏道具个性化推荐方法进行详细描述:
步骤201,对数据进行提取,
(1)充值数据:玩家最近6个月的充值金额。
(2)登录数据:玩家最近3个月的登录天数、在线总时长。
(3)等级数据:玩家当前的角色等级、生活职业等级
(4)玩法数据:玩家最近3个月参与每种玩法的次数
(5)交易数据:最近3个月,游戏内玩家之间的交易次数和交易官银
(6)消费数据:玩家最近3个月购买每种道具的数量和金额
步骤202,对数据进行清洗(仅针对充值、登录、等级、玩法、交易数据),
(1)去掉N_EXT_ID=-1的记录。
(2)去掉N_USER_ID=0的记录。
(3)去掉3个月内登录不到5天的玩家。
(4)去掉等级低于6的玩家。
(5)一个区有多个角色的,保留等级最高的角色,其余的清掉。
(6)缺失值用0代替。
步骤203,对消费数据进行清洗(仅针对消费数据),
(1)去掉重复记录
(2)去掉基本人人都买的道具
(3)去掉基本没人买的道具
步骤204,使数据标准化,
(1)对充值、登录、玩法、交易数据求对数。等级和消费数据保持不变。
(2)将上述数据转化成标准正态分布。
步骤205,对玩家特征因子进行提取,
用因子分析法,对上面处理过的充值、登录、等级、玩法、交易数据进行因子分析,得到6个玩家特征因子。
步骤206,对玩家游戏行为特征分类,
用上面的6个因子做K-Means算法对玩家分类,将玩家聚成8类,相当于将玩家分成8种行为模式。在原来的数据后面添加一列,保存每个玩家所属的玩法类别,并输出类中心。
步骤207,对消费行为分类,
用K-Means算法,使用消费数据将玩家聚成50类,相当于将玩家的消费行为分成50种消费模式,将消费行为相似的玩家分在同一类。在原来的数据后面添加一列,保存每个玩家所属的消费类别,并输出类中心。
步骤208,对用户分类,
将上述的玩家游戏行为特征分类和消费行为分类进行交叉,共得到8*50=400种组合,相当于将玩家分成400个群体。同一群体内的玩家的游戏行为特征和消费行为特征都很相似。
步骤209,道具推荐,
(1)分别读取第1个、第2个,……,第400个用户群组,对每个群组的玩家分别进行以下计算,以第1个群组的玩家为例。
(2)取出该群组里的玩家购买的道具记录,该记录中既有明细的道具,也有对道具的归类。
(3)计算道具类与道具明细之间的Jaccard相似度矩阵。(矩阵形式见表1)
(4)用每个玩家在每个道具类上的已知取值,乘以上面的Jaccard相似度矩阵,得到每个玩家对每个明细道具的偏爱程度。
(5)对每个玩家按照他对每个明细道具的喜好程度进行排序,向该玩家推荐排名靠前的10种道具。
本发明的游戏道具个性化推荐方法,通过对协同过滤算法的改良,使其更适用于网络游戏的道具推荐,改良后的算法,不仅能大幅减小计算量,还能显著提高网络游戏道具推荐的准确度,对于提高网络游戏用户的体验有显著效果。
本领域普通技术人员可以理解:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种游戏道具个性化推荐方法,其特征在于,包括以下步骤:
(1)对数据进行提取、清洗、加工;
(2)将数据从输入空间映射到低维空间;
(3)对数据进行分类,将玩家划分成不同类别;
(4)为每个玩家推荐他最可能购买的道具。
2.根据权利要求1所述的游戏道具个性化推荐方法,其特征在于,所述步骤(1)中对数据进行提取是从数据仓库中提取玩家的属性数据、登录数据、玩法数据、交易数据、充值数据、消费数据。
3.根据权利要求1所述的游戏道具个性化推荐方法,其特征在于,所述步骤(1)中对数据进行清洗是对提取的数据进行描述统计,找出数据的重复记录、缺失值、异常值,并进行相应的替换或删除操作。
4.根据权利要求1所述的游戏道具个性化推荐方法,其特征在于,步骤(1)中对数据进行加工是对数据进行转换。
5.根据权利要求4所述的游戏道具个性化推荐方法,其特征在于,对数据进行转换包括将数据正态标准化、将数据求对数。
6.根据权利要求1所述的游戏道具个性化推荐方法,其特征在于,所述步骤(2)进一步包括使用因子分析法对加工后的玩家的属性数据、登录数据、玩法数据、交易数据、充值数据及消费数据进行降维。
7.根据权利要求1所述的游戏道具个性化推荐方法,其特征在于,所述步骤(3)进一步包括:
1)使用K-Means算法,对因子分析降维后的数据进行分类,将玩家划分成若干个类别;
2)使用K-Means算法,对加工后的消费数据进行分类,从中提取若干种主要的购买模式;
3)将上述两种K-Means算法的分类结果进行交叉,可以将全部用户分成若干个群体,每一个群体内部的玩家的属性、游戏行为、购买模式都比较相似。
8.根据权利要求1所述的游戏道具个性化推荐方法,其特征在于,所述步骤(4)进一步包括:
1)每次按顺序从若干个群体中抽取一个用户群体,对该群体内的玩家进行以下几步操作;
2)计算玩家的道具类和道具明细之间的距离矩阵,该距离可以用Jaccard相似度来测量;
3)用每个玩家在每个道具类上的已知取值,乘以距离矩阵,得到每个玩家对每个明细道具的偏爱程度;
4)确定推荐的道具,对每个玩家按照对每个明细道具的喜好程度进行排序,向该玩家推荐排名靠前的道具。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510793393.0A CN105447126A (zh) | 2015-11-17 | 2015-11-17 | 一种游戏道具个性化推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510793393.0A CN105447126A (zh) | 2015-11-17 | 2015-11-17 | 一种游戏道具个性化推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105447126A true CN105447126A (zh) | 2016-03-30 |
Family
ID=55557303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510793393.0A Pending CN105447126A (zh) | 2015-11-17 | 2015-11-17 | 一种游戏道具个性化推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447126A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894350A (zh) * | 2016-03-29 | 2016-08-24 | 南京大学 | 一种基于多示例多标记学习的***道具推荐方法 |
CN105939360A (zh) * | 2016-06-24 | 2016-09-14 | 北京奇虎科技有限公司 | 游戏装备的配备方法及装置 |
CN106411846A (zh) * | 2016-08-30 | 2017-02-15 | 江苏名通信息科技有限公司 | 一种网络游戏和电子商务的对接***及方法 |
CN106512405A (zh) * | 2016-12-06 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 一种虚拟对象的外挂资源获取的方法及装置 |
CN106779933A (zh) * | 2016-12-06 | 2017-05-31 | 腾讯科技(深圳)有限公司 | 一种虚拟道具推荐方法及客户端 |
CN106730846A (zh) * | 2016-11-10 | 2017-05-31 | 北京像素软件科技股份有限公司 | 一种属性道具的数据处理方法及装置 |
CN107154930A (zh) * | 2017-03-31 | 2017-09-12 | 武汉斗鱼网络科技有限公司 | 一种测试漏洞的方法和*** |
CN108090800A (zh) * | 2017-11-27 | 2018-05-29 | 珠海金山网络游戏科技有限公司 | 一种基于玩家消费潜力的游戏道具推送方法和装置 |
WO2018103516A1 (zh) * | 2016-12-06 | 2018-06-14 | 腾讯科技(深圳)有限公司 | 一种虚拟对象的虚拟资源获取的方法及客户端 |
WO2018126885A1 (zh) * | 2017-01-04 | 2018-07-12 | 腾讯科技(深圳)有限公司 | 一种游戏数据处理的方法 |
CN110052033A (zh) * | 2019-04-26 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 一种游戏装备请求方法、装置、服务器及存储介质 |
CN110465086A (zh) * | 2018-05-11 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 一种游戏物品展示方法、装置及存储介质 |
CN110559664A (zh) * | 2019-09-19 | 2019-12-13 | 湘潭大学 | 一种基于多目标优化的游戏英雄出装推荐方法及*** |
CN110807150A (zh) * | 2019-10-14 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 信息处理方法及装置、电子设备和计算机可读存储介质 |
CN111061949A (zh) * | 2019-12-03 | 2020-04-24 | 深圳市其乐游戏科技有限公司 | 道具的推荐方法、推荐装置及计算机可读存储介质 |
CN111111210A (zh) * | 2019-12-23 | 2020-05-08 | 北京像素软件科技股份有限公司 | 一种网络游戏的物品整理方法和装置 |
CN111672122A (zh) * | 2020-05-29 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 界面显示方法、装置、终端及存储介质 |
CN111695941A (zh) * | 2020-06-15 | 2020-09-22 | 广州探途网络技术有限公司 | 商品交易网站数据分析方法、装置和电子设备 |
CN111729301A (zh) * | 2020-06-15 | 2020-10-02 | 北京智明星通科技股份有限公司 | 一种闯关类游戏中道具的推荐方法、装置及游戏终端 |
CN113450181A (zh) * | 2021-05-27 | 2021-09-28 | 广州三七极耀网络科技有限公司 | 虚拟商品推荐方法、装置、设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183378A (zh) * | 2006-11-14 | 2008-05-21 | 国际商业机器公司 | 用于在查询时间清洗基于序列的数据的方法和*** |
CN101487892A (zh) * | 2009-02-23 | 2009-07-22 | 北京航空航天大学 | 一种基于因子分析模型的高光谱数据降维方法 |
US20090271417A1 (en) * | 2008-04-25 | 2009-10-29 | John Toebes | Identifying User Relationships from Situational Analysis of User Comments Made on Media Content |
CN102226905A (zh) * | 2011-05-26 | 2011-10-26 | 北京交通大学 | 铁路应急管理体***计分析与评估模型 |
CN102236783A (zh) * | 2010-04-29 | 2011-11-09 | 索尼公司 | 检测异常行为的方法和设备及生成检测器的方法和设备 |
CN102609523A (zh) * | 2012-02-10 | 2012-07-25 | 上海视畅信息科技有限公司 | 基于物品分类和用户分类的协同过滤推荐算法 |
CN103279552A (zh) * | 2013-06-06 | 2013-09-04 | 浙江大学 | 一种基于用户兴趣分组的协同过滤推荐方法 |
CN103473375A (zh) * | 2013-09-29 | 2013-12-25 | 方正国际软件有限公司 | 数据清洗***和数据清洗方法 |
CN104408150A (zh) * | 2014-12-03 | 2015-03-11 | 天津南大通用数据技术股份有限公司 | 一种适应多种数据库数据格式的数据导入导出方法及装置 |
-
2015
- 2015-11-17 CN CN201510793393.0A patent/CN105447126A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183378A (zh) * | 2006-11-14 | 2008-05-21 | 国际商业机器公司 | 用于在查询时间清洗基于序列的数据的方法和*** |
US20090271417A1 (en) * | 2008-04-25 | 2009-10-29 | John Toebes | Identifying User Relationships from Situational Analysis of User Comments Made on Media Content |
CN101487892A (zh) * | 2009-02-23 | 2009-07-22 | 北京航空航天大学 | 一种基于因子分析模型的高光谱数据降维方法 |
CN102236783A (zh) * | 2010-04-29 | 2011-11-09 | 索尼公司 | 检测异常行为的方法和设备及生成检测器的方法和设备 |
CN102226905A (zh) * | 2011-05-26 | 2011-10-26 | 北京交通大学 | 铁路应急管理体***计分析与评估模型 |
CN102609523A (zh) * | 2012-02-10 | 2012-07-25 | 上海视畅信息科技有限公司 | 基于物品分类和用户分类的协同过滤推荐算法 |
CN103279552A (zh) * | 2013-06-06 | 2013-09-04 | 浙江大学 | 一种基于用户兴趣分组的协同过滤推荐方法 |
CN103473375A (zh) * | 2013-09-29 | 2013-12-25 | 方正国际软件有限公司 | 数据清洗***和数据清洗方法 |
CN104408150A (zh) * | 2014-12-03 | 2015-03-11 | 天津南大通用数据技术股份有限公司 | 一种适应多种数据库数据格式的数据导入导出方法及装置 |
Non-Patent Citations (3)
Title |
---|
(美)里奇: "《推荐***技术、评估及高效算法》", 31 July 2015 * |
孙慧峰: "基于协同过滤的个性化Web推荐", 《中国博士学位论文全文数据库 信息科技辑》 * |
毛基业: "《管理信息***基础、应用于方法》", 28 February 2011 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894350A (zh) * | 2016-03-29 | 2016-08-24 | 南京大学 | 一种基于多示例多标记学习的***道具推荐方法 |
CN105939360B (zh) * | 2016-06-24 | 2019-07-09 | 北京奇虎科技有限公司 | 游戏装备的配备方法及装置 |
CN105939360A (zh) * | 2016-06-24 | 2016-09-14 | 北京奇虎科技有限公司 | 游戏装备的配备方法及装置 |
CN106411846A (zh) * | 2016-08-30 | 2017-02-15 | 江苏名通信息科技有限公司 | 一种网络游戏和电子商务的对接***及方法 |
CN106730846A (zh) * | 2016-11-10 | 2017-05-31 | 北京像素软件科技股份有限公司 | 一种属性道具的数据处理方法及装置 |
CN106512405A (zh) * | 2016-12-06 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 一种虚拟对象的外挂资源获取的方法及装置 |
CN106779933A (zh) * | 2016-12-06 | 2017-05-31 | 腾讯科技(深圳)有限公司 | 一种虚拟道具推荐方法及客户端 |
US11020664B2 (en) | 2016-12-06 | 2021-06-01 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for obtaining virtual resource of virtual object |
WO2018103516A1 (zh) * | 2016-12-06 | 2018-06-14 | 腾讯科技(深圳)有限公司 | 一种虚拟对象的虚拟资源获取的方法及客户端 |
CN106512405B (zh) * | 2016-12-06 | 2019-02-19 | 腾讯科技(深圳)有限公司 | 一种虚拟对象的外挂资源获取的方法及装置 |
TWI658854B (zh) * | 2016-12-06 | 2019-05-11 | 大陸商騰訊科技(深圳)有限公司 | 虛擬對象的虛擬資源獲取的方法及客戶端 |
WO2018126885A1 (zh) * | 2017-01-04 | 2018-07-12 | 腾讯科技(深圳)有限公司 | 一种游戏数据处理的方法 |
CN107154930A (zh) * | 2017-03-31 | 2017-09-12 | 武汉斗鱼网络科技有限公司 | 一种测试漏洞的方法和*** |
CN108090800A (zh) * | 2017-11-27 | 2018-05-29 | 珠海金山网络游戏科技有限公司 | 一种基于玩家消费潜力的游戏道具推送方法和装置 |
CN110465086A (zh) * | 2018-05-11 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 一种游戏物品展示方法、装置及存储介质 |
CN110052033A (zh) * | 2019-04-26 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 一种游戏装备请求方法、装置、服务器及存储介质 |
CN110052033B (zh) * | 2019-04-26 | 2022-03-25 | 腾讯科技(深圳)有限公司 | 一种游戏装备请求方法、装置、服务器及存储介质 |
CN110559664A (zh) * | 2019-09-19 | 2019-12-13 | 湘潭大学 | 一种基于多目标优化的游戏英雄出装推荐方法及*** |
CN110807150A (zh) * | 2019-10-14 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 信息处理方法及装置、电子设备和计算机可读存储介质 |
CN110807150B (zh) * | 2019-10-14 | 2024-07-02 | 腾讯科技(深圳)有限公司 | 信息处理方法及装置、电子设备和计算机可读存储介质 |
CN111061949A (zh) * | 2019-12-03 | 2020-04-24 | 深圳市其乐游戏科技有限公司 | 道具的推荐方法、推荐装置及计算机可读存储介质 |
CN111111210A (zh) * | 2019-12-23 | 2020-05-08 | 北京像素软件科技股份有限公司 | 一种网络游戏的物品整理方法和装置 |
CN111111210B (zh) * | 2019-12-23 | 2023-06-27 | 北京像素软件科技股份有限公司 | 一种网络游戏的物品整理方法和装置 |
CN111672122A (zh) * | 2020-05-29 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 界面显示方法、装置、终端及存储介质 |
CN111695941A (zh) * | 2020-06-15 | 2020-09-22 | 广州探途网络技术有限公司 | 商品交易网站数据分析方法、装置和电子设备 |
CN111729301A (zh) * | 2020-06-15 | 2020-10-02 | 北京智明星通科技股份有限公司 | 一种闯关类游戏中道具的推荐方法、装置及游戏终端 |
CN113450181A (zh) * | 2021-05-27 | 2021-09-28 | 广州三七极耀网络科技有限公司 | 虚拟商品推荐方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105447126A (zh) | 一种游戏道具个性化推荐方法 | |
CN108090800B (zh) | 一种基于玩家消费潜力的游戏道具推送方法和装置 | |
US6507851B1 (en) | Customer information retrieving method, a customer information retrieving apparatus, a data preparation method, and a database | |
Jiang et al. | Improving personalization solutions through optimal segmentation of customer bases | |
Tavakoli et al. | Customer segmentation and strategy development based on user behavior analysis, RFM model and data mining techniques: a case study | |
CN102193936B (zh) | 一种数据分类的方法及装置 | |
CN102841946B (zh) | 商品数据检索排序及商品推荐方法和*** | |
Wu et al. | Deep censored learning of the winning price in the real time bidding | |
CN106529968A (zh) | 一种基于交易数据的客户分类方法及其*** | |
CN109583651A (zh) | 一种保险电商平台用户流失预测的方法和装置 | |
CN108304853B (zh) | 游戏相关度的获取方法、装置、存储介质和电子装置 | |
CN112232930A (zh) | 一种基于加权rfm模型的电商平台客户细分方法 | |
CN104866474A (zh) | 个性化数据搜索方法及装置 | |
CN104424339A (zh) | 数据分析的方法、装置及*** | |
Ahn et al. | What makes the difference between popular games and unpopular games? analysis of online game reviews from steam platform using word2vec and bass model | |
CN104050298B (zh) | 一种基于lda主题模型算法的用户细分方法 | |
CN114840766A (zh) | 一种用户画像构建方法、***、设备及存储介质 | |
CN111275459A (zh) | 一种基于消费者建模的卷烟品牌推荐算法 | |
CN111275294B (zh) | 一种商品信息批量处理分析方法、装置和设备 | |
CN107886132B (zh) | 一种求解音乐流量预测的时间序列分解方法及*** | |
Tüfekci | Prediction of football match results in turkish super league games | |
CN110020918B (zh) | 一种推荐信息生成方法和*** | |
Kooreman et al. | A discrete choice model with social interactions: an analysis of high school teen behavior | |
Cho et al. | Effective purchase pattern mining with weight based on FRAT analysis for recommender in e-commerce | |
Hanner et al. | Counting Customers in Mobile Business–The Case of Free to Play |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160330 |
|
RJ01 | Rejection of invention patent application after publication |