CN105653833B - 一种游戏社区推荐的方法及装置 - Google Patents

Abstract

本发明提供了一种游戏社区推荐的方法及装置，在给所述待推荐用户推荐游戏社区时，综合考虑所述待推荐用户的用户属性以及每个游戏社区的社区属性，所述用户属性和社区属性中都包含多种类型的属性，并且利用根据大量的样本采用统计学算法预先设置的游戏社区推荐规则计算待推荐用户成功加入每个游戏社区的概率，综合考虑待推荐用户与游戏社区的多种属性，可以解决考虑单一属性给用户推荐游戏社区导致用户加入游戏社区成功率低的问题，提高所述待推荐用户成功加入所推荐的游戏社区的成功率。

Description

一种游戏社区推荐的方法及装置

技术领域

本发明涉及通信技术领域，特别是涉及一种游戏社区推荐的方法及装置。

背景技术

随着网络技术的发展，网络游戏已经成为人们主要休闲娱乐的方式之一。网络游戏(Online Game)是以互联网为传输媒介，以游戏运营商服务器和用户计算机为处理终端，以游戏客户端软件为信息交互窗口在线游戏。为了提升游戏用户的活跃度，增加游戏用户在网络游戏中的社交乐趣，游戏运营商还给游戏用户提供了游戏社区，例如：游戏CF战队，QQ飞车车队以及猴岛游戏论坛等。

一般情况下，同一个网络游戏有很多游戏社区，游戏用户可以选择加入任意一个或多个游戏社区，与游戏社区中其他的游戏用户进行沟通交流。游戏软件会给登录的游戏用户推荐此网络游戏中的游戏社区，以提高游戏用户加入游戏社区的概率。现有技术中，游戏软件给游戏用户推荐游戏社区主要有如下两种方式：第一种推荐方式，游戏软件按照社区活跃度、社区规模或者社区荣誉等级等社区属性进行排序，将排序靠前的几个游戏社区推荐给游戏用户；第二种推荐方式，游戏软件根据游戏用户与游戏社区中某个成员之间的关系给游戏用户推荐游戏社区，例如：推荐游戏社区的管理员与游戏用户互为好友的游戏社区，或者推荐游戏社区的管理员层与游戏用户一起玩过网络游戏的游戏社区。

本领域技术人员采用上述两种方式给游戏用户推荐游戏社区时有如下缺点：

采用第一种推荐方式，给不同游戏用户推荐的排序靠前的游戏社区都相同，导致很多游戏用户都想加入这几个游戏社区，导致游戏社区的管理员为了减少加入游戏社区中游戏用户的数量，提高加入游戏社区的门槛，导致大部分游戏用户加入游戏社区的请求失败，降低游戏用户成功加入游戏社区的成功率。采用第二种推荐方式，给游戏用户推荐游戏社区时，参考的因素单一，导致给大部分游戏用户推荐的游戏社区并不合适，比如，虽然游戏社区的管理员与游戏用户为好友，但是两个人的等级差别较大，该游戏社区对于游戏用户来说等级较高，游戏社区的管理员拒绝游戏用户加入此游戏社区的请求，或者，即使游戏用户加入此游戏社区，也无法与此游戏社区中的社区成员进行良好的沟通交流，此游戏社区并不适合该游戏用户。如何给游戏用户提供合适的游戏社区，并提高游戏用户加入游戏软件所推荐的游戏社区的成功率成为亟待解决的问题。

发明内容

本发明解决的技术问题在于提供一种游戏社区推荐的方法及装置，从而能够综合考虑待推荐用户与游戏社区的多种属性，根据大量的样本采用统计学算法预先设置的游戏社区推荐规则计算待推荐用户成功加入游戏社区的概率，解决了仅考虑单一属性导致待推荐用户加入游戏社区成功率低的问题。

为此，本发明解决技术问题的技术方案是：

一种游戏社区推荐的方法，预先设置游戏社区推荐规则，所述方法包括：

获取待推荐用户的用户属性以及所述待推荐用户所登录的网络游戏中每个游戏社区的社区属性；

根据所述待推荐用户的用户属性以及每个游戏社区的社区属性利用所述游戏社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率；

根据所述待推荐用户成功加入每个游戏社区的概率选取预设个数的游戏社区推荐给所述待推荐用户。

可选的，所述预先设置游戏社区推荐规则包括：

获取多个正样本以及多个负样本；

提取每个正样本中的游戏用户的用户属性作为成功用户属性，提取每个正样本中的游戏社区的社区属性作为成功社区属性，提取每个负样本中的游戏用户的用户属性作为失败用户属性，提取每个负样本中的游戏社区的社区属性作为失败社区属性；

根据每个正样本中的成功用户属性以及成功社区属性，每个负样本中的失败用户属性以及失败社区属性设置游戏社区推荐规则。

可选的，所述预先设置游戏社区推荐规则包括：

获取多个正样本以及多个负样本；

提取每个正样本中的游戏用户的用户属性作为成功用户属性，提取每个正样本中的游戏社区的社区属性作为成功社区属性，提取每个负样本中的游戏用户的用户属性作为失败用户属性，提取每个负样本中的游戏社区的社区属性作为失败社区属性；

分析所述每个正样本的成功用户属性以及成功社区属性获得每个正样本的成功分析属性，分析所述每个负样本的失败用户属性以及失败社区属性获得每个负样本的失败分析属性；

根据每个正样本中的成功用户属性、成功社区属性以及成功分析属性，每个负样本中的失败用户属性、失败社区属性以及失败分析属性设置游戏社区推荐规则。

可选的，所述根据所述用户属性以及每个游戏社区的社区属性利用所述游戏社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率包括：

分析所述用户属性以及每个游戏社区的社区属性获得所述待推荐用户与每个游戏社区的推荐分析属性，所述推荐分析属性与所述成功分析属性中所包含的属性种类相同；

根据所述用户属性、每个游戏社区的社区属性以及所述推荐分析属性利用所述社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率。

可选的，

所述成功分析属性包括用户与社区成员的关系属性、社区的成员统计属性以及用户与社区成员的交叉属性中的任意一种或多种，所述失败分析属性与所述成功分析属性中所包含的属性种类相同。

可选的，所述设置游戏社区推荐规则包括：

采用逻辑回归算法、决策树算法或神经网络算法设置游戏社区规则。

一种游戏社区推荐的装置，所述装置包括：

规则设置单元，用于预先设置游戏社区推荐规则；

属性获取单元，用于获取待推荐用户的用户属性以及所述待推荐用户所登录的网络游戏中每个游戏社区的社区属性；

概率获得单元，用于根据所述待推荐用户的用户属性以及每个游戏社区的社区属性利用所述游戏社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率；

社区选取单元，用于根据所述待推荐用户成功加入每个游戏社区的概率选取预设个数的游戏社区推荐给所述待推荐用户。

可选的，所述规则设置单元包括：

第一样本获取子单元，用于获取多个正样本以及多个负样本；

第一属性提取子单元，用于提取每个正样本中的游戏用户的用户属性作为成功用户属性，提取每个正样本中的游戏社区的社区属性作为成功社区属性，提取每个负样本中的游戏用户的用户属性作为失败用户属性，提取每个负样本中的游戏社区的社区属性作为失败社区属性；

第一规则设置子单元，用于根据每个正样本中的成功用户属性以及成功社区属性，每个负样本中的失败用户属性以及失败社区属性设置游戏社区推荐规则。

可选的，所述规则设置单元包括：

第二样本获取子单元，用于获取多个正样本以及多个负样本；

第二属性提取子单元，用于提取每个正样本中的游戏用户的用户属性作为成功用户属性，提取每个正样本中的游戏社区的社区属性作为成功社区属性，提取每个负样本中的游戏用户的用户属性作为失败用户属性，提取每个负样本中的游戏社区的社区属性作为失败社区属性；

第一属性分析子单元，用于分析所述每个正样本的成功用户属性以及成功社区属性获得每个正样本的成功分析属性，分析所述每个负样本的失败用户属性以及失败社区属性获得每个负样本的失败分析属性；

第二规则设置子单元，用于根据每个正样本中的成功用户属性、成功社区属性以及成功分析属性，每个负样本中的失败用户属性、失败社区属性以及失败分析属性设置游戏社区推荐规则。

可选的，所述概率获得单元包括：

第二属性分析子单元，用于分析所述用户属性以及每个游戏社区的社区属性获得所述待推荐用户与每个游戏社区的推荐分析属性，所述推荐分析属性与所述成功分析属性中所包含的属性种类相同；

概率获得子单元，用于根据所述用户属性、每个游戏社区的社区属性以及所述推荐分析属性利用所述社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率。通过上述技术方案可知，本发明有如下有益效果：

本发明提供了一种游戏社区推荐的方法及装置，预先设置游戏社区推荐规则，获取待推荐用户的用户属性以及所述待推荐用户所登录的网络游戏中每个游戏社区的社区属性，根据所述用户属性以及每个游戏社区的社区属性利用所述游戏社区推荐规则计算所述待推荐用户成功加入每个游戏社区的概率，根据所述待推荐用户成功加入每个游戏社区的概率选取预设个数的游戏社区推荐给所述待推荐用户。在给所述待推荐用户推荐游戏社区时，综合考虑所述待推荐用户的用户属性以及每个游戏社区的社区属性，所述用户属性和社区属性中都包含多种类型的属性，并且利用根据大量的样本采用统计学算法预先设置的游戏社区推荐规则计算待推荐用户成功加入每个游戏社区的概率，综合考虑待推荐用户与游戏社区的多种属性，可以解决考虑单一属性给用户推荐游戏社区导致用户加入游戏社区成功率低的问题，提高所述待推荐用户成功加入所推荐的游戏社区的成功率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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为本发明一种游戏社区推荐的方法实施例一流程图；

图2为本发明一种游戏社区推荐的方法实施例二流程图；

图3为本发明一种游戏社区推荐的方法实施例三流程图；

图4为本发明一种游戏社区推荐的装置实施例四结构示意图；

图5为本发明一种游戏社区推荐的装置实施例五结构示意图；

图6为本发明一种游戏社区推荐的装置实施例六结构示意图；

图7为本发明一种服务器实施例七结构示意图。

具体实施方式

本发明公开了一种游戏社区推荐的方法及装置，综合考虑待推荐用户的多种用户属性以及每个游戏社区的多种社区属性获得所述待推荐用户成功加入游戏社区的概率，提高待推荐用户成功加入所推荐的游戏社区的成功率。

下面结合附图对本发明实施例进行详细说明。

实施例一

图1为本发明一种游戏社区推荐的方法实施例一流程图，所述方法包括：

步骤101：预先设置游戏社区推荐规则。

游戏用户在登录游戏软件后，为了能够与注册了所述游戏软件的其他游戏用户更好的进行沟通交流，游戏用户会申请加入所述游戏软件的游戏社区。游戏用户请求加入一个游戏社区时，游戏社区的管理员接受所述游戏用户的请求，则所述游戏用户成功加入该游戏社区；游戏社区的管理员拒绝所述游戏用户的请求，则所述游戏用户未成功加入该游戏社区。

在设置游戏社区推荐规则时，先获取大量的训练样本，训练样本中包括大量的游戏用户以及游戏社区，可以将游戏用户成功加入训练样本中一个游戏社区的事件作为一个正样本，将此游戏用户未加入其他游戏社区的事件作为多个负样本。

这里需要说明的是，在所建立的训练样本中，也许负样本中的游戏用户根本没有看到此负样本中的游戏社区，或者负样本中的游戏用户没有向此负样本中的游戏社区发送加入此游戏社区的请求。也就是说，在设置游戏社区推荐规则时，负样本为游戏用户未成功加入游戏社区的事件，不仅仅指的是游戏用户请求加入游戏社区失败的事件，还包括游戏用户没有请求加入游戏社区所导致的未加入游戏社区的事件。

当然，负样本也可以仅仅采用用户发送加入游戏社区的请求但是加入此游戏社区失败的事件作为负样本，可以根据实际情况设定训练样本中负样本的设置方式，这里不再进行赘述。

所述游戏社区推荐规则是对大量的正样本和负样本进行统计得到的，对大量的正样本和负样本采用二元分类方法进行统计，根据从正样本和负样本中所提取的多种用户属性以及多种社区属性，建立多种属性与游戏用户成功加入游戏社区概率的函数关系模型，可以在已知一个游戏用户的多种用户属性和一个游戏社区的多种社区属性的前提下，获得此游戏用户加入该游戏社区的概率。将所建立的函数关系模型作为游戏社区推荐规则，所述游戏社区推荐规则可以很好的描述多种属性对游戏用户成功加入游戏社区概率的影响，本领域技术人员可以理解的是，游戏用户的用户属性以及游戏社区的社区属性不同，会导致游戏用户成功加入游戏社区的概率不同。

在实际应用中，统计大量的正样本和负样本设置游戏社区推荐规则所采用二元分类方法包括逻辑回归算法、决策树算法或神经网络算法等，可以选择任意一种算法，建立多种属性与游戏用户成功加入游戏社区概率的函数关系模型作为游戏社区推荐规则。本发明在后续的论述中，主要以逻辑回归算法为例说明预先设置二元分类规则的方法，还可以采用其他的算法，这里不再赘述。

步骤102：获取待推荐用户的用户属性以及所述待推荐用户所登录的网络游戏中每个游戏社区的社区属性。

对于一个游戏软件来说，一般情况下，划分为多个游戏区域。其中，游戏区域可以按照地域进行划分，也可以按照等级高低进行划分，还可以按照运营商不同进行划分等。游戏软件的每个游戏区域都有多个游戏社区，当游戏用户登录游戏软件的某一个游戏区域时，游戏软件给用户推荐此游戏区域中的游戏社区。

当游戏软件给登录此游戏软件的待推荐用户推荐游戏社区时，获取待推荐用户的多种用户属性，并获取游戏用户登录的游戏区域中的每一个游戏社区的多种社区属性。每个游戏社区的社区属性包括基本属性以及各个社区成员的成员属性，其中，各个成员属性包括管理员属性、副管理员属性以及各个普通成员属性。

待推荐用户的多种用户属性包括但不仅限于用户性别、用户年龄、用户地区、用户注册时间、用户等级以及登录时长等，当然还可以包括其他的用户属性，这里不再一一赘述。

游戏社区的基本属性包括但不仅限于社区规模、社区等级、社区创建日期、社区在第一预设时间段内的人数变化、社区在第二预设时间段内的新加入人数等，当然还可以包括其他的社区属性，这里不再一一赘述。

游戏社区中的每个社区成员的成员属性与待推荐用户的用户属性的种类相同，也包括：用户性别、用户年龄、用户地区、用户注册时间、用户等级以及登录时长等，当然还可以包括其他的用户属性，这里不再一一赘述。当然，社区成员的成员属性与待推荐用户的用户属性的属性种类相同，但属性的赋值不同，并且不同社区成员之间的成员属性的种类相同，但成员属性的赋值并不相同。

在预先设置游戏社区推荐规则时，对大量训练样本进行统计，提取每个训练样本中的游戏用户的多种用户属性以及游戏社区的多种社区属性，建立多种属性与游戏用户成功加入游戏社区的概率的函数关系作为游戏社区的推荐规则。这里可以理解的是，在利用上述游戏社区的推荐规则获得一个待推荐用户加入一个游戏社区的概率时，所获取的待推荐用户的多种用户属性与所提取的训练样本中的游戏用户的多种用户属性的属性种类相同；并且所获取的游戏社区的多种社区属性与训练样本中所提取的游戏社区的多种社区属性的属性种类也相同。这样，相当于得到所述游戏社区推荐规则中的已知条件，即可获得所述待推荐用户成功加入所述游戏社区的概率。

步骤103：根据所述用户属性以及每个游戏社区的社区属性利用所述游戏社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率。

将待推荐用户的多个用户属性与一个游戏社区的多个社区属性作为已知条件，可以利用预先设置的游戏社区的推荐规则，获得所述待推荐用户成功加入该游戏社区的概率。

一般情况下，待推荐用户登录游戏软件一个游戏区域有多个游戏社区，游戏软件在给所述待推荐用户推荐游戏社区时，分别计算所述待推荐用户成功加入此游戏区域中每个游戏社区的概率。

现有技术中，给待推荐用户推荐游戏社区时，仅参考一个影响因素，如游戏社区的级别，用户与游戏社区的管理员是否是好友等。待推荐用户请求加入所推荐的游戏社区时，有可能出现用户级别与游戏社区的成员平均级别相差较大，用户年龄与游戏社区的成员平均年龄差别较大等多种原因导致加入所推荐的游戏社区失败。

举例说明，例1：游戏软件在推荐游戏社区时，仅仅将级别或影响力排序在Top N的N个游戏社区推荐给所述待推荐用户，但也许待推荐用户刚注册游戏软件不久，与级别较高的游戏用户无法进行良好的沟通，当待推荐用户申请加入都是级别较高的成员所组成的游戏社区时，会被管理员拒绝，导致加入游戏社区失败。例2，游戏软件在给所述待推荐用户推荐游戏社区时，仅考虑待推荐用户与游戏社区的管理员是否为好友，但也许待推荐用户与游戏社区成员的平均年龄差异较大，沟通交流时会有代沟，待推荐用户申请加入游戏社区时，也有可能被管理员拒绝。

本发明实施例中，综合考虑多种用户属性和多种社区属性，建立多种属性与游戏用户成功加入游戏社区的函数关系作为游戏社区推荐规则，根据待推荐用户的多种用户属性以及游戏社区的多种社区属性，利用游戏社区推荐规则获得所述待推荐用户成功加入所述游戏社区的概率，所得到的概率具有很高的参考价值。

步骤104：根据所述待推荐用户成功加入每个游戏社区的概率选取预设个数的游戏社区推荐给所述待推荐用户。

获得所述待推荐用户成功加入每个游戏社区的概率后，选取预设个数的游戏社区推荐给待推荐用户。其中，预设个数可以根据实际情况进行具体设定，这里不进行具体限定。

在选取游戏社区进行推荐时，可以根据实际情况进行选择。一般情况下，按照待推荐用户成功加入游戏社区的概率的高低给游戏社区排序，将待推荐用户成功加入概率高的游戏社区排在前面，选取预设个数的排序在前面的游戏社区推荐给所述待推荐用户。

游戏软件给每个待推荐用户所推荐的游戏社区，排在第一位的游戏社区是所述待推荐用户成功加入概率最高的游戏社区，待推荐用户在申请加入此游戏社区时，最有可能成功加入。待推荐用户成功加入一个游戏社区的成功概率高，表示此游戏社区适合所述待推荐用户，待推荐用户可以与此游戏社区的成员进行更好的沟通交流，此游戏社区的管理员看到待推荐用户的用户资料后，很大可能性通过待推荐用户申请加入游戏社区的请求。游戏软件对待推荐用户以及各个游戏社区的多种属性进行综合分析，将待推荐用户成功加入概率高的多个游戏社区推荐给所述待推荐用户。提高待推荐用户加入游戏社区的成功率。

由上述内容可知，本发明有如下有益效果：

预先设置游戏社区推荐规则，获取待推荐用户的用户属性以及所述待推荐用户所登录的网络游戏中每个游戏社区的社区属性，根据所述用户属性以及每个游戏社区的社区属性利用所述游戏社区推荐规则计算所述待推荐用户成功加入每个游戏社区的概率，根据所述待推荐用户成功加入每个游戏社区的概率选取预设个数的游戏社区推荐给所述待推荐用户。在给所述待推荐用户推荐游戏社区时，综合考虑所述待推荐用户的用户属性以及每个游戏社区的社区属性，所述用户属性和社区属性中都包含多种类型的属性，并且利用根据大量的样本采用统计学算法预先设置的游戏社区推荐规则计算待推荐用户成功加入每个游戏社区的概率，综合考虑待推荐用户与游戏社区的多种属性，可以解决考虑单一属性给用户推荐游戏社区导致用户加入游戏社区成功率低的问题，提高所述待推荐用户成功加入所推荐的游戏社区的成功率。

实施例二

图2为本发明一种游戏社区推荐的方法实施例二流程图，实施例二与实施例一相比，具体采用用户属性以及社区属性预先设置游戏社区推荐规则，所述方法包括：

步骤201：获取多个正样本以及多个负样本。

如实施例一中所述，建立大量的训练样本，训练样本中包括大量的游戏用户以及游戏社区，将游戏用户成功加入训练样本中一个游戏社区的事件看作一个正样本，将游戏用户未加入游戏社区的事件看作一个负样本。

步骤202：提取每个正样本中的游戏用户的用户属性作为成功用户属性，提取每个正样本中的游戏社区的社区属性作为成功社区属性，提取每个负样本中的游戏用户的用户属性作为失败用户属性，提取每个负样本中的游戏社区的社区属性作为失败社区属性。

一个游戏用户的用户属性包括但不仅限于用户性别、用户年龄、用户地区、用户注册时间、用户等级以及登录时长，当然还可以包括其他的用户属性，这里不再一一赘述。从正样本的游戏用户中所提取的用户属性为成功用户属性，从负样本的游戏用户中所提取的用户属性为失败用户属性，所述成功用户属性与失败用户属性所包括的属性种类相同，只是属性的赋值不同。所述成功用户属性与失败用户属性都包括但不仅限于用户性别、用户年龄、用户地区、用户注册时间、用户等级以及登录时长。

举例说明，表1为实际应用中游戏用户的用户属性种类的一个具体实例。

表1、游戏用户的用户属性的种类

游戏社区的社区属性包括两部分，一部分是社区基本属性，另一部分是社区成员的成员属性。所述社区基本属性包括但不仅限于社区规模、社区等级、社区创建日期、社区在第一预设时间段内的人数变化、社区在第二预设时间段内的新加入人数。所述社区成员的成员属性与用户属性的种类相同，也包括但不仅限于：用户性别、用户年龄、用户地区、用户注册时间、用户等级以及登录时长。不同社区成员的成员属性种类相同，但成员属性的赋值并不相同。从正样本的游戏社区所提取的社区属性作为成功社区属性，从负样本的游戏社区所提取的社区属性作为失败社区属性，所述成功社区属性与失败社区属性所包含的属性种类相同，只是属性的赋值不同。所述成功社区属性与所述失败社区属性所包含的属性种类包括但不仅限于上述社区基本属性以及社区成员的成员属性。

举例说明，表2和表3为实际应用中游戏社区的社区属性种类的一个具体实例。

表2、游戏社区的社区基本属性的种类

表3、游戏社区的成员属性的种类

步骤203：根据每个正样本中的成功用户属性以及成功社区属性，每个负样本中的失败用户属性以及失败社区属性设置游戏社区推荐规则。

实施例二中，利用多种用户属性以及多种社区属性建立游戏社区推荐规则，用户属性包括正样本中的成功用户属性以及负样本中的失败用户属性；社区属性包括正样本中的成功社区属性以及负样本中的失败社区属性。采用二元分类方法设置游戏社区推荐规则，所述二元分类方法包括逻辑回归算法、决策树算法或神经网络算法，本发明实施例中以逻辑回归算法为例进行说明，其他算法与之类似，这里不再进行赘述。

按照逻辑回归算法建立一个逻辑回归函数，所述逻辑回归函数可以描述多种属性与游戏用户成功加入游戏社区的概率之间的函数关系，其中每个训练样本中所提取的属性包括用户属性以及社区属性。例如，正样本中所提取的属性包括成功用户属性以及成功社区属性，负样本中所提取的属性包括失败用户属性以及失败社区属性，每个训练样本中所提取的属性的种类和个数都相同。

假设游戏用户成功加入游戏社区的影响参数的个数为p，所述影响参数包括用户属性以及社区属性，则创建一个包含p个变量(x₁,x₂,…,x_p)的逻辑回归函数：

其中，P(Y＝1|x)表示在p个变量(x₁,x₂,…,x_p)下某件事件发生的概率，在本发明中指的是，在用户属性和社区属性一定时，游戏用户成功加入游戏社区的概率。Y＝1表示游戏用户成功加入游戏社区，Y＝0表示游戏用户加入游戏社区失败。

其中，g(x)＝β₀+β₁x₁+β₂x₂+…+β_px_p(2)，β₀,β₁,β₂,…,β_p为逻辑函数中p+1个未知参数，对β₀,β₁,β₂,…,β_p求解，则得到一个包含p个变量(x₁,x₂,…,x_p)的逻辑回归函数作为游戏社区推荐规则。

这里需要说明的是，若g(x)＝β₀+β₁x₁+β₂x₂+…+β_px_p有名义变量，则将名义变量改为虚拟变量。例如，假设第β_jx_j为一个具有k个取值的名义变量，可以将β_jx_j变为k-1个虚拟变量，则将名义变量改为虚拟变量后，g(x)为：

上述步骤定义了在p个变量(x₁,x₂,…,x_p)下某件事件发生的概率，在本发明中表示在用户属性和社区属性一定时，游戏用户成功加入游戏社区的概率：

则在p个变量(x₁,x₂,…,x_p)下某件事件不发生的概率，在本发明中表示在用户属性和社区属性一定时，游戏用户未成功加入游戏社区的概率：

则游戏用户成功加入游戏社区的发生比函数为：

上述游戏用户成功加入游戏社区的概率与游戏用户未成功加入游戏社区的概率的比称为发生比(the odds of experiencing an event)函数。

对上述发生比函数求对数得到一个关于p+1个未知参数的线性函数：

建立正样本和负样本的似然函数，对所述似然函数求对数得对数似然函数，对所述对数似然函数求导获得似然方程组。

假设获取的正样本和负样本的个数为n，每个样本的观测值分别为y₁,y₂,…,y_p。这里需要说明的是，观测值指的是正样本和负样本的执行结果，即正样本的执行结果为1，表示游戏用户成功加入游戏社区；负样本的执行结果为0，表示游戏用户未成功加入游戏社区。

假设P_i＝P(y_i＝1|x_i)为样本i中用户属性以及社区属性一定的条件下，得到游戏用户成功加入游戏社区y_i＝1的概率；则在用户属性以及社区属性同样的条件下，得到游戏用户未成功加入游戏社区y_i＝0的概率为1-P_i。

则得到一个观测值y_i的概率用公式(7)表示：

由于每个观测样本相互独立，因此样本的联合分布可以表示为每个样本的边际分布的乘积：

公式(8)为表示样本i得到观测值y_i的概率的似然函数，x_i为样本i的p个变量(x₁,x₂,…,x_p)。为了能够找到最能体现用户属性以及社区属性与用户成功加入应用社区的概率二元分类规则，则需要求出S(β)最大时参数β₀,β₁,β₂,…,β_p。

对所述似然函数求对数得对数似然函数：

对所述对数似然函数求导，得到包含p+1个似然方程的似然方程组：

其中，j＝0；

其中，j＝1,2,3,…p，p为独立向量的个数，上述两个方程表示包含p+1个似然方程的似然方程组。

利用牛顿-拉斐森算法迭代求解所述线性函数中的所有未知参数。

对L(β)求二阶偏导数得：

将公式(11)写成矩阵形式，以H表示黑森矩阵(Hessian Matrix)，则

H＝X^TVX (12)，

其中，

X^T为X的转置。

令

采用牛顿迭代算法

W_new＝W_old-H^-1U (13)，

迭代求解β₀,β₁,β₂,…,β_p。

其中，中，x₁₁,x₁₂,…,x_1p为第一个样本中p个属性(用户属性、社区属性、关系属性、员统计属性以及交叉属性)的赋值，x₂₁,x₂₂,…,x_2p为第二个样本中p个属性的赋值，以此类推，x_n1,x_n2,…,x_np为第n个样本中p个属性的赋值。

根据从每个正样本的成功用户属性以及成功社区属性，每个负样本的失败用户属性以及失败社区属性利用牛顿迭代法迭代得到S(β)最大时参数β₀,β₁,β₂,…,β_p的值。

矩阵H为对称正定矩阵，求解H^-1U即为求解线性方程HX＝U中的矩阵X。对矩阵H进行cholesky分解，最大似然估计的渐近方差(asymptotic variance)和协方差(covariance)可以由信息矩阵(information matrix)的逆矩阵估计出来。而信息矩阵实际上是函数L(β)二阶导数的负值，表示为估计值的方差和协方差表示为var(β)＝I^-1,也就是说，估计值β_j的方差为矩阵I的逆矩阵的对角线上的值，而估计值β_j和β_l的协方差为除了对角线以外的值。一般情况下，使用估计值β_j的标准方差，表示为

将所计算出来的未知参数β₀,β₁,β₂,…,β_p代入逻辑函数，得到可以根据用户属性和社区属性获得游戏社区推荐规则。

步骤204：根据所述待推荐用户的用户属性以及每个游戏社区的社区属性利用所述游戏社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率。

提取所述待推荐用户的用户属性以及每个游戏社区的社区属性，仅根据所述待推荐用户的用户属性以及一个游戏社区的社区属性，即可获得所述待推荐用户成功加入该游戏社区的概率。

步骤205：根据所述待推荐用户成功加入每个游戏社区的概率选取预设个数的游戏社区推荐给所述待推荐用户。

所述实施例二还包括如下有益效果：

预先获取包括正样本和负样本的训练样本，根据从每个正样本的成功用户属性以及成功社区属性，每个负样本的失败用户属性以及失败社区属性，采用逻辑回归算法预先设置游戏社区推荐规则，所得的游戏社区推荐规则可以反映用户属性以及社区属性与游戏用户成功加入游戏社区概率的函数关系，用游戏社区推荐规则获得待推荐用户加入每个游戏社区的概率，选取加入概率高的游戏社区推荐给用户，提高待推荐用户成功加入游戏社区的成功率。

实施例三

图3为本发明一种一种游戏社区推荐的方法实施例三流程图，实施例三与实施例一相比，具体采用用户属性、社区属性以及分析属性预先设置游戏社区推荐规则，所述方法包括：

步骤301：获取多个正样本以及多个负样本。

步骤302：提取每个正样本中的游戏用户的用户属性作为成功用户属性，提取每个正样本中的游戏社区的社区属性作为成功社区属性，提取每个负样本中的游戏用户的用户属性作为失败用户属性，提取每个负样本中的游戏社区的社区属性作为失败社区属性。

步骤301与实施例二中步骤201类似，步骤302与实施例二中步骤202类似，参考实施例二的描述，这里不再赘述。

步骤303：分析所述每个正样本的成功用户属性以及成功社区属性获得每个正样本的成功分析属性，分析所述每个负样本的失败用户属性以及失败社区属性获得每个负样本的失败分析属性。

所述成功分析属性包括用户与社区成员的关系属性、社区的成员统计属性以及用户与社区成员的交叉属性中的任意一种或多种，所述失败分析属性与所述成功分析属性中所包含的属性种类相同。

分别分析每个正样本以及每个负样本，根据每个正样本的成功用户属性以及成功社区属性获得每个正样本中，游戏用户与所述游戏用户成功加入的游戏社区成员的成功关系属性、成功社区成员统计属性以及游戏用户与社区成员的成功交叉属性，将上述三种属性作为成功分析属性。

根据每个负样本的失败用户属性以及失败社区属性获得每个负样本中，游戏用户与所述游戏用户加入失败的游戏社区成员的失败关系属性、失败社区成员统计属性以及游戏用户与社区成员的失败交叉属性，将上述三种属性作为失败分析属性。所述失败分析属性与所述成功分析属性所包含的属性的个数和种类相同，只是属性的赋值不同。

成功用户属性以及失败用户属性与实施例一中所描述的用户属性的个数和种类相同，仅仅是每种用户属性的赋值不同。成功社区属性以及失败社区属性与实施例一中所描述的社区属性的个数和种类相同，仅仅是每种社区属性的赋值不同。

其中，与实施例二相比，在设置游戏社区推荐规则时，除了考虑游戏用户的多个用户属性以及游戏社区的多个社区属性以外，还考虑上述多个分析属性。本领域技术人员可以理解的是，在设置游戏社区推荐规则时，所考虑的属性的种类越多，所得到的游戏社区推荐规则就越能更好的描述所考虑的属性与游戏用户成功加入游戏社区的概率之间的关系。

所述分析属性包括：

第一、关系属性

游戏用户与游戏社区的关系属性包括但不仅限于待推荐用户与管理员是否是好友、待推荐用户与管理员是否被好友(待推荐用户是管理员的好友，但是管理员不是待推荐用户的好友)、待推荐用户与副管理员是否是好友、待推荐用户与副管理员是否是被好友、待推荐用户与管理员有多少共同好友、待推荐用户与管理员有多少共同被好友、待推荐用户与多少应用社区成员是好友、待推荐用户与多少应用社区成员是被好友、待推荐用户与管理员多少次在同一时间共同玩游戏以及待推荐用户与副管理员多少次在同一时间共同玩游戏。当然，还可以包括其他的关系属性，这里不再一一赘述。

第二、统计属性

社区成员的统计属性为所有社区成员的成员属性的统计值，包括但不仅限于成员女性数量，成员平均年龄、成员平均注册时长、成员平均等级、管理员等级以及成员平均登录时长等。当然，还可以包括其他的社区成员统计属性，这里不再一一赘述。

第三、交叉属性

游戏用户与社区成员的失败交叉属性，指的是游戏用户的用户属性与游戏社区的社区属性之间的交叉得到的新的属性，包括但不仅限于用户等级所属的第一等级区间交叉应用社区的成员平均等级所属的第二等级区间，用户年龄所属的第一年龄区间交叉应用社区的成员平均年龄所属的第二年龄区间等。当然，还可以包括其他的交叉属性，这里不再一一赘述。

为了方便理解，以用户年龄所属的第一年龄区间交叉游戏社区的成员平均年龄所属的第二年龄区间为例对所述交叉属性进行说明。将年龄分成10个区间：(0，12】，(12，14】，(14，16】，(16，18】，(18，20】，(20，22】，(22，24】，(24，26】，(26，28】以及(28，100】，假设用户年龄为15，则用户年龄所属的第一年龄区间为(14，16】，假设游戏社区的成员平均年龄为16，则游戏社区的成员平均年龄所属的第二年龄区间也为(14，16】。则用户与此游戏社区的交叉属性：用户年龄所属的第一年龄区间交叉游戏社区的成员平均年龄所属的第二年龄区间标注为(14，16】-(14，16】。

这里需要说明的是，并不仅限于上述对年龄划分区间的方式，还可以采用其他的方式划分年龄区间。(14，16】-(14，16】是一个整体，用以标注第一年龄区间与第二年龄区间交叉所表示的交叉属性的值。其他交叉属性的标注方式与上述方法类似，这里不再赘述。

所述成功分析属性与上述分析属性的种类和个数都相同，所述失败分析属性与上述分析属性的种类和个数也都相同。

举例说明，表4为实际应用中游戏用户与游戏社区成员的关系属性种类的一个具体实例。

表4、游戏用户与游戏社区成员的关系属性种类

举例说明，表5为实际应用中游戏社区的成员统计属性种类的一个具体实例。

表5、游戏社区的成员统计属性种类

举例说明，表6为实际应用中游戏用户与每个游戏社区的交叉属性种类的一个具体实例。

表6、游戏用户与每个游戏社区的交叉属性种类

步骤304：根据每个正样本中的成功用户属性、成功社区属性以及成功分析属性，每个负样本中的失败用户属性、失败社区属性以及失败分析属性设置游戏社区推荐规则。

实施例三中，在设置游戏社区推荐规则时，不仅考虑游戏用户的用户属性以及游戏社区的社区属性，还考虑了根据所述用户属性和社区属性得到的分析属性。设置游戏社区推荐规则的具体实现方式，参考实施例二中的描述，这里不再赘述。

步骤305：分析所述用户属性以及每个游戏社区的社区属性获得所述待推荐用户与每个游戏社区的推荐分析属性，所述推荐分析属性与所述成功分析属性中所包含的属性种类相同。

步骤306：根据所述用户属性、每个游戏社区的社区属性以及所述推荐分析属性利用所述社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率。

实施例三中，获得所述待推荐用户成功加入每个游戏社区的概率过程中，不仅获得待推荐用户的用户属性以及游戏社区的社区属性，还要获得所述待推荐用户与每个游戏社区的推荐分析属性，所述推荐分析属性与步骤303中所述的分析属性所包含的属性的种类和个数都相同。

可以理解的是，参考用户属性、社区属性以及分析属性所建立的社区推荐规则中，建立的是上述三类属性与游戏用户成功加入游戏社区的概率之间的函数关系，所述用户属性、社区属性以及分析属性为未知数。在利用所述社区推荐规则获得待推荐用户成功加入游戏社区的概率时，也需要得到所述待推荐用户的用户属性、游戏社区的社区属性以及待推荐分析属性作为已知条件，才能获得待推荐用户成功加入游戏社区的概率。

可以理解的是，已知条件中待推荐用户的用户属性与设置所述社区推荐规则时从样本中提取的游戏用户的用户属性个数和种类相同，游戏社区的社区属性与设置所述社区推荐规则时从样本中提取的游戏社区的社区属性的个数和种类相同，待推荐分析属性与设置所述社区推荐规则时从样本获得的分析属性的个数和种类相同。当已知条件的个数和种类相同时，才能获得概率。

步骤307：根据所述待推荐用户成功加入每个游戏社区的概率选取预设个数的游戏社区推荐给所述待推荐用户。

由上述内容可知，实施例三还有如下有益效果：

在设置所述社区推荐规则时，还考虑了根据用户属性和社区属性分析得到的分析属性，进一步提高待推荐用户成功加入所推荐的游戏社区的成功的概率。

实施例四

图4为本发明一种游戏社区推荐的装置实施例四结构示意图，实施例四是与实施例一所述的方法所对应的装置，包括：

规则设置单元401，用于预先设置游戏社区推荐规则。

属性获取单元402，用于获取待推荐用户的用户属性以及所述待推荐用户所登录的网络游戏中每个游戏社区的社区属性。

概率获得单元403，用于根据所述待推荐用户的用户属性以及每个游戏社区的社区属性利用所述游戏社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率。

社区选取单元404，用于根据所述待推荐用户成功加入每个游戏社区的概率选取预设个数的游戏社区推荐给所述待推荐用户。

实施例四是与实施例一所述的方法所对应的装置，参考实施例一的描述，这里不再赘述。

实施例五

图5为本发明一种游戏社区推荐的装置实施例五结构示意图，实施例五是与实施例二所述的方法所对应的装置，包括：

第一样本获取子单元501，用于获取多个正样本以及多个负样本。

第一属性提取子单元502，用于提取每个正样本中的游戏用户的用户属性作为成功用户属性，提取每个正样本中的游戏社区的社区属性作为成功社区属性，提取每个负样本中的游戏用户的用户属性作为失败用户属性，提取每个负样本中的游戏社区的社区属性作为失败社区属性。

第一规则设置子单元503，用于根据每个正样本中的成功用户属性以及成功社区属性，每个负样本中的失败用户属性以及失败社区属性设置游戏社区推荐规则。

属性获取单元402，用于获取待推荐用户的用户属性以及所述待推荐用户所登录的网络游戏中每个游戏社区的社区属性。

概率获得单元403，用于根据所述待推荐用户的用户属性以及每个游戏社区的社区属性利用所述游戏社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率。

社区选取单元404，用于根据所述待推荐用户成功加入每个游戏社区的概率选取预设个数的游戏社区推荐给所述待推荐用户。

实施例五是与实施例二所述的方法所对应的装置，参考实施例二的描述，这里不再赘述。

实施例六

图6为本发明一种游戏社区推荐的装置实施例六结构示意图，实施例五是与实施例三所述的方法所对应的装置，包括：

第二样本获取子单元601，用于获取多个正样本以及多个负样本。

第二属性提取子单元602，用于提取每个正样本中的游戏用户的用户属性作为成功用户属性，提取每个正样本中的游戏社区的社区属性作为成功社区属性，提取每个负样本中的游戏用户的用户属性作为失败用户属性，提取每个负样本中的游戏社区的社区属性作为失败社区属性。

第一属性分析子单元603，用于分析所述每个正样本的成功用户属性以及成功社区属性获得每个正样本的成功分析属性，分析所述每个负样本的失败用户属性以及失败社区属性获得每个负样本的失败分析属性。

第二规则设置子单元604，用于根据每个正样本中的成功用户属性、成功社区属性以及成功分析属性，每个负样本中的失败用户属性、失败社区属性以及失败分析属性设置游戏社区推荐规则。

第二属性分析子单元605，用于分析所述用户属性以及每个游戏社区的社区属性获得所述待推荐用户与每个游戏社区的推荐分析属性，所述推荐分析属性与所述成功分析属性中所包含的属性种类相同。

概率获得子单元606，用于根据所述用户属性、每个游戏社区的社区属性以及所述推荐分析属性利用所述社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率。

社区选取单元404，用于根据所述待推荐用户成功加入每个游戏社区的概率选取预设个数的游戏社区推荐给所述待推荐用户。

实施例六是与实施例三所述的方法所对应的装置，参考实施例三的描述，这里不再赘述。

实施例七

本发明实施例还提供一种服务器，参见图7所示，可以包括：

处理器701、存储器702、输入装置703和输出装置704。浏览器服务器中的处理器701的数量可以一个或多个，图7中以一个处理器为例。在本发明的一些实施例中，处理器701、存储器702、输入装置703和输出装置704可通过总线或其它方式连接，其中，图7中以通过总线连接为例。

存储器702可用于存储软件程序以及模块，处理器701通过运行存储在存储器702的软件程序以及模块，从而执行浏览器服务器的各种功能应用以及数据处理。存储器702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***、至少一个功能所需的应用程序等。此外，存储器702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。输入装置703可用于接收输入的数字或字符信息，以及产生与浏览器服务器的用户设置以及功能控制有关的键信号输入。

具体在本实施例中，处理器701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702中，并由处理器701来运行存储在存储器702中的应用程序，从而实现各种功能：

获取待推荐用户的用户属性以及所述待推荐用户所登录的网络游戏中每个游戏社区的社区属性；

根据所述待推荐用户的用户属性以及每个游戏社区的社区属性利用所述游戏社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率；

根据所述待推荐用户成功加入每个游戏社区的概率选取预设个数的游戏社区推荐给所述待推荐用户。

可选的，所述预先设置游戏社区推荐规则包括：

获取多个正样本以及多个负样本；

提取每个正样本中的游戏用户的用户属性作为成功用户属性，提取每个正样本中的游戏社区的社区属性作为成功社区属性，提取每个负样本中的游戏用户的用户属性作为失败用户属性，提取每个负样本中的游戏社区的社区属性作为失败社区属性；

根据每个正样本中的成功用户属性以及成功社区属性，每个负样本中的失败用户属性以及失败社区属性设置游戏社区推荐规则。

可选的，所述预先设置游戏社区推荐规则包括：

获取多个正样本以及多个负样本；

提取每个正样本中的游戏用户的用户属性作为成功用户属性，提取每个正样本中的游戏社区的社区属性作为成功社区属性，提取每个负样本中的游戏用户的用户属性作为失败用户属性，提取每个负样本中的游戏社区的社区属性作为失败社区属性；

分析所述每个正样本的成功用户属性以及成功社区属性获得每个正样本的成功分析属性，分析所述每个负样本的失败用户属性以及失败社区属性获得每个负样本的失败分析属性；

根据每个正样本中的成功用户属性、成功社区属性以及成功分析属性，每个负样本中的失败用户属性、失败社区属性以及失败分析属性设置游戏社区推荐规则。

可选的，所述根据所述用户属性以及每个游戏社区的社区属性利用所述游戏社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率包括：

分析所述用户属性以及每个游戏社区的社区属性获得所述待推荐用户与每个游戏社区的推荐分析属性，所述推荐分析属性与所述成功分析属性中所包含的属性种类相同；

根据所述用户属性、每个游戏社区的社区属性以及所述推荐分析属性利用所述社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率。

可选的，

所述成功分析属性包括用户与社区成员的关系属性、社区的成员统计属性以及用户与社区成员的交叉属性中的任意一种或多种，所述失败分析属性与所述成功分析属性中所包含的属性种类相同。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种游戏社区推荐的方法，其特征在于，根据训练样本中的用户属性和游戏社区的社区属性，预先设置游戏社区推荐规则，所述游戏社区推荐规则用于描述多种属性与游戏用户成功加入游戏社区的概率之间的函数关系，所述方法包括：

获取待推荐用户的用户属性以及所述待推荐用户所登录的网络游戏中每个游戏社区的社区属性；

根据所述待推荐用户的用户属性以及每个游戏社区的社区属性利用所述游戏社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率；

根据所述待推荐用户成功加入每个游戏社区的概率选取预设个数的游戏社区推荐给所述待推荐用户。

2.根据权利要求1所述的方法，其特征在于，所述预先设置游戏社区推荐规则包括：

获取多个正样本以及多个负样本；

提取每个正样本中的游戏用户的用户属性作为成功用户属性，提取每个正样本中的游戏社区的社区属性作为成功社区属性，提取每个负样本中的游戏用户的用户属性作为失败用户属性，提取每个负样本中的游戏社区的社区属性作为失败社区属性；

根据每个正样本中的成功用户属性以及成功社区属性，每个负样本中的失败用户属性以及失败社区属性设置游戏社区推荐规则。

3.根据权利要求1所述的方法，其特征在于，所述预先设置游戏社区推荐规则包括：

获取多个正样本以及多个负样本；

提取每个正样本中的游戏用户的用户属性作为成功用户属性，提取每个正样本中的游戏社区的社区属性作为成功社区属性，提取每个负样本中的游戏用户的用户属性作为失败用户属性，提取每个负样本中的游戏社区的社区属性作为失败社区属性；

分析所述每个正样本的成功用户属性以及成功社区属性获得每个正样本的成功分析属性，分析所述每个负样本的失败用户属性以及失败社区属性获得每个负样本的失败分析属性；

根据每个正样本中的成功用户属性、成功社区属性以及成功分析属性，每个负样本中的失败用户属性、失败社区属性以及失败分析属性设置游戏社区推荐规则。

4.根据权利要求3所述的方法，其特征在于，所述根据所述用户属性以及每个游戏社区的社区属性利用所述游戏社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率包括：

分析所述用户属性以及每个游戏社区的社区属性获得所述待推荐用户与每个游戏社区的推荐分析属性，所述推荐分析属性与所述成功分析属性中所包含的属性种类相同；

根据所述用户属性、每个游戏社区的社区属性以及所述推荐分析属性利用所述社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率。

5.根据权利要求3所述的方法，其特征在于，

所述成功分析属性包括用户与社区成员的关系属性、社区的成员统计属性以及用户与社区成员的交叉属性中的任意一种或多种，所述失败分析属性与所述成功分析属性中所包含的属性种类相同。

6.根据权利要求1-4任意一项所述的方法，其特征在于，所述设置游戏社区推荐规则包括：

采用逻辑回归算法、决策树算法或神经网络算法设置游戏社区规则。

7.一种游戏社区推荐的装置，其特征在于，所述装置包括：

规则设置单元，用于根据训练样本中的用户属性和游戏社区的社区属性，预先设置游戏社区推荐规则，所述游戏社区推荐规则用于描述多种属性与游戏用户成功加入游戏社区的概率之间的函数关系；

属性获取单元，用于获取待推荐用户的用户属性以及所述待推荐用户所登录的网络游戏中每个游戏社区的社区属性；

概率获得单元，用于根据所述待推荐用户的用户属性以及每个游戏社区的社区属性利用所述游戏社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率；

社区选取单元，用于根据所述待推荐用户成功加入每个游戏社区的概率选取预设个数的游戏社区推荐给所述待推荐用户。

8.根据权利要求7所述的装置，其特征在于，所述规则设置单元包括：

第一样本获取子单元，用于获取多个正样本以及多个负样本；

第一属性提取子单元，用于提取每个正样本中的游戏用户的用户属性作为成功用户属性，提取每个正样本中的游戏社区的社区属性作为成功社区属性，提取每个负样本中的游戏用户的用户属性作为失败用户属性，提取每个负样本中的游戏社区的社区属性作为失败社区属性；

第一规则设置子单元，用于根据每个正样本中的成功用户属性以及成功社区属性，每个负样本中的失败用户属性以及失败社区属性设置游戏社区推荐规则。

9.根据权利要求7所述的装置，其特征在于，所述规则设置单元包括：

第二样本获取子单元，用于获取多个正样本以及多个负样本；

第二属性提取子单元，用于提取每个正样本中的游戏用户的用户属性作为成功用户属性，提取每个正样本中的游戏社区的社区属性作为成功社区属性，提取每个负样本中的游戏用户的用户属性作为失败用户属性，提取每个负样本中的游戏社区的社区属性作为失败社区属性；

第一属性分析子单元，用于分析所述每个正样本的成功用户属性以及成功社区属性获得每个正样本的成功分析属性，分析所述每个负样本的失败用户属性以及失败社区属性获得每个负样本的失败分析属性；

第二规则设置子单元，用于根据每个正样本中的成功用户属性、成功社区属性以及成功分析属性，每个负样本中的失败用户属性、失败社区属性以及失败分析属性设置游戏社区推荐规则。

10.根据权利要求9所述的装置，其特征在于，所述概率获得单元包括：

第二属性分析子单元，用于分析所述用户属性以及每个游戏社区的社区属性获得所述待推荐用户与每个游戏社区的推荐分析属性，所述推荐分析属性与所述成功分析属性中所包含的属性种类相同；

概率获得子单元，用于根据所述用户属性、每个游戏社区的社区属性以及所述推荐分析属性利用所述社区推荐规则获得所述待推荐用户成功加入每个游戏社区的概率。