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 PDF

Info

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
Application number
CN201510793393.0A
Other languages
English (en)
Inventor
黄付杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Snail Digital Technology Co Ltd
Original Assignee
Suzhou Snail Digital Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Snail Digital Technology Co Ltd filed Critical Suzhou Snail Digital Technology Co Ltd
Priority to CN201510793393.0A priority Critical patent/CN105447126A/zh
Publication of CN105447126A publication Critical patent/CN105447126A/zh
Pending legal-status Critical Current

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

一种游戏道具个性化推荐方法
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。
CN201510793393.0A 2015-11-17 2015-11-17 一种游戏道具个性化推荐方法 Pending CN105447126A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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