CN110941769A - 目标帐号的确定方法和装置、电子装置 - Google Patents

目标帐号的确定方法和装置、电子装置 Download PDF

Info

Publication number
CN110941769A
CN110941769A CN201911137246.2A CN201911137246A CN110941769A CN 110941769 A CN110941769 A CN 110941769A CN 201911137246 A CN201911137246 A CN 201911137246A CN 110941769 A CN110941769 A CN 110941769A
Authority
CN
China
Prior art keywords
account
game
vector
interest
target
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.)
Granted
Application number
CN201911137246.2A
Other languages
English (en)
Other versions
CN110941769B (zh
Inventor
蔡红云
林文清
程序
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201911137246.2A priority Critical patent/CN110941769B/zh
Publication of CN110941769A publication Critical patent/CN110941769A/zh
Application granted granted Critical
Publication of CN110941769B publication Critical patent/CN110941769B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种目标帐号的确定方法和装置、电子装置。其中，该方法包括：获取用于表征目标游戏v的游戏向量hv；获取并根据游戏知识图谱、每个帐号的历史游戏记录和每个帐号的游戏社交网络，获取帐号集合U中每个帐号u的帐号向量hu，每个帐号u的帐号向量hu是根据每个帐号u的游戏兴趣表征向量
Figure DDA0002279900920000011
和社交兴趣表征向量
Figure DDA0002279900920000012
确定得到的向量，游戏兴趣表征向量
Figure DDA0002279900920000013
与历史游戏记录和游戏知识图谱相关，社交兴趣表征向量
Figure DDA0002279900920000014
与游戏兴趣表征向量
Figure DDA0002279900920000015
和游戏社交网络相关；将帐号集合中兴趣参数
Figure DDA0002279900920000016
满足预定条件的帐号确定为目标帐号，进而解决了现有技术中，无法精准的将目标游戏推送给目标账号的技术问题。

Description

目标帐号的确定方法和装置、电子装置
技术领域
本发明涉及游戏领域，具体而言，涉及一种目标帐号的确定方法和装置、电子装置。
背景技术
随着生活的丰富化，越来越多的用户选择玩游戏度过休闲时间，促使游戏开发商开发越来越多的新款的游戏，而新开发的游戏没有多少用户，为了让新款的游戏让更对的用户参与，通常的情况下，是根据用户当前玩过的游戏向该玩家推送类似的游戏。例如，获取到玩家A喜欢玩某款射击类的游戏，则可以将新款的射击类游戏B推送给玩家A。
现有技术中，通常基于知识图谱表学习用户偏好学习算法(RippleNet)，进而确定玩家偏好的游戏，该RippleNet通过知识图谱表征学习将用户的偏好和物品都表示成一个向量，最终通过对比用户的偏好向量和物品的向量的相似度来预测一个用户对于一个物品的喜好程度。而RippleNet主要存在两大缺陷：
1、在综合用户历史记录作为用户的偏好时，没有考虑用户对于其点击过的物品的偏好也存在差异。以游戏场景举例，玩家对其玩过的每一款游戏的喜好程度是不一样的。比如某一玩家可能95％的时间在玩王者荣耀，其余5％的时间在玩其它几款游戏。在知识图谱上做偏好扩散学习的时候，应该将王者荣耀作为该玩家的主要兴趣，但是RippleNet会将王者荣耀跟其它游戏作为种子节点无差别对待，这样学习出来的高阶偏好就失去了这一部分玩家游戏偏好差异信息。
2、RippleNet只考虑了知识图谱网络而忽略了用户之间的社交网络。仍以游戏场景为例，通过知识图谱扩散学习出来的玩家兴趣偏好只能通过品类，玩法，工作室等与游戏相关属性推断出类似的游戏。但是玩家之间在不同游戏里有很多类型的交互，比如送礼物，送金币，组对局等。这些交互反映了玩家之间的亲疏关系。比较亲密的玩家之间会更趋向于玩同一款游戏。而RippleNet忽略了社交网络这一部分。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种目标帐号的确定方法和装置、电子装置，以至少解决现有技术中，无法精准的将目标游戏推送给目标账号的技术问题。
根据本发明实施例的一个方面，提供了一种目标帐号的确定方法，包括：获取用于表征目标游戏v的游戏向量hv；获取游戏知识图谱、预定的帐号集合U中每个帐号u的历史游戏记录、和所述帐号集合U中每个帐号u的游戏社交网络；根据所述游戏知识图谱、所述每个帐号u的历史游戏记录和所述每个帐号u的游戏社交网络，获取所述帐号集合U中每个帐号u的帐号向量hu，其中，所述每个帐号u的帐号向量hu是根据所述每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000021
和社交兴趣表征向量
Figure BDA0002279900900000022
确定得到的向量，所述游戏兴趣表征向量
Figure BDA0002279900900000023
与所述历史游戏记录和所述游戏知识图谱相关，所述社交兴趣表征向量
Figure BDA0002279900900000024
与所述游戏兴趣表征向量
Figure BDA0002279900900000025
和所述游戏社交网络相关，所述游戏向量hv的向量维度与所述帐号向量hu的向量维度相同；根据所述游戏向量hv和所述帐号集合U中每个帐号u的帐号向量hu，获取所述帐号集合U中每个帐号u对所述目标游戏v的兴趣参数
Figure BDA0002279900900000026
将所述帐号集合中所述兴趣参数
Figure BDA0002279900900000027
满足预定条件的帐号确定为目标帐号。
根据本发明实施例的另一方面，还提供了一种目标帐号的确定装置，包括：第一获取单元，用于获取用于表征目标游戏v的游戏向量hv；第二获取单元，用于获取游戏知识图谱、预定的帐号集合U中每个帐号u的历史游戏记录、和所述帐号集合U中每个帐号u的游戏社交网络；第三获取单元，用于根据所述游戏知识图谱、所述每个帐号的历史游戏记录和所述每个帐号的游戏社交网络，获取所述帐号集合U中每个帐号u的帐号向量hu，其中，所述每个帐号u的帐号向量hu是根据所述每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000031
和社交兴趣表征向量
Figure BDA0002279900900000032
确定得到的向量，所述游戏兴趣表征向量
Figure BDA0002279900900000037
与所述历史游戏记录和所述游戏知识图谱相关，所述社交兴趣表征向量
Figure BDA0002279900900000036
与所述游戏兴趣表征向量
Figure BDA0002279900900000033
和所述游戏社交网络相关，所述游戏向量hv的向量维度与所述帐号向量hu的向量维度相同；第四获取单元，用于根据所述游戏向量hv和所述帐号集合U中每个帐号u的帐号向量hu，获取所述帐号集合U中每个帐号u对所述目标游戏v的兴趣参数
Figure BDA0002279900900000034
确定单元，用于将所述帐号集合中所述兴趣参数
Figure BDA0002279900900000035
满足预定条件的帐号确定为目标帐号。
根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述目标帐号的确定方法。
根据本发明实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述的目标帐号的确定方法。
在本发明实施例中，通过获取用于表征目标游戏v的游戏向量hv；获取游戏知识图谱、预定的帐号集合U中每个帐号u的历史游戏记录、和帐号集合U中每个帐号u的游戏社交网络；根据游戏知识图谱、每个帐号u的历史游戏记录和每个帐号u的游戏社交网络，获取帐号集合U中每个帐号u的帐号向量hu，其中，每个帐号u的帐号向量hu是根据每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000038
和社交兴趣表征向量
Figure BDA0002279900900000039
确定得到的向量，游戏兴趣表征向量
Figure BDA00022799009000000311
与历史游戏记录和游戏知识图谱相关，社交兴趣表征向量
Figure BDA00022799009000000310
与游戏兴趣表征向量
Figure BDA00022799009000000312
和游戏社交网络相关，游戏向量hv的向量维度与帐号向量hu的向量维度相同；根据游戏向量hv和帐号集合U中每个帐号u的帐号向量hu，获取帐号集合U中每个帐号u对目标游戏v的兴趣参数
Figure BDA00022799009000000313
将帐号集合中兴趣参数
Figure BDA0002279900900000041
满足预定条件的帐号确定为目标帐号，达到了根据获取的游戏v向量、根据游戏知识图谱、帐号的历史游戏记录和帐号的游戏社交网络，获取的帐号向量、以及帐号u对游戏v的兴趣参数确定该游戏V是否是账号u喜欢的游戏目的，从而实现了根据账号的对游戏的喜欢程度向账号推送游戏技术效果，进而解决了现有技术中，无法精准的将目标游戏推送给目标账号的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的目标帐号的确定方法的应用环境的示意图；
图2是根据本发明实施例的一种可选的目标帐号的确定方法的流程图；
图3是根据本发明优选实施例的一种可选的基于知识图谱和社交网络的异构网络表征学习算法在游戏拉新中应用的方法的流程图；
图4是根据本发明优选实施例的一种可选的异构网络的示意图；
图5是根据本发明优选实施例的一种可选的模型框架示意图；
图6是根据本发明实施例的一种可选的目标帐号的确定装置的结构示意图；
图7是根据本发明实施例的一种可选的目标帐号的确定方法的电子装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了更好得理解本发明，先说明内容如下：
知识图谱KG是一组三元组<h，r，t>的集合，其中h和r是实体，r表达了h和r的关系。比如<中国，首都，北京>表达了北京是中国的首都。
社交网络SG＝(U，E，W)：其中U是节点集合，E是边集合，W是边的权重矩阵。如果节点u到节点u’有边，则边eu，u’＝(u，u’)在E中，Wu,u’是u到u’的边的权重。在游戏社交网络中，节点U代表了玩家的集合，E代表了玩家之间的关系，比如好友关系，互动关系等。W代表了玩家之间的亲密程度，可以有玩家互动算出。
异构网络结构图G＝(V，E，W，T)：其中V是节点集合，E是边集合，W是边的权重矩阵，T是边或点到类型的映射函数。如果节点v到节点v’有边，则边ev,v’＝(v，v’)在E中，Wv,v’是v到v’的边的权重。T(v)返回点v的类型，T(ev，v’)返回边ev，v’的类型。由知识图谱KG和社交网络SG可以共同组成一个很大的异构网络，其中点的类型包括了玩家，和知识图谱中的实体的种类。边的类型包括了玩家间的互动和知识图谱中关系的种类。
异构网络表征学习(heterogeneous graph embedding)：异构网络表征学习将异构网络中的每个节点映射为一个长度固定的向量，称为节点向量。节点向量的长度通常远小于网络中的节点数量，并且一般是一个输入参数。同构网络(即网络中点的种类只有一种，边的种类只有一种)的表征学习，目标是学习出来的节点向量能尽可能保留网络中的结构信息，使得在网络中连接更紧密的点的表征向量在映射空间里距离更近。而异构网络的表征学习，还需要考虑边和节点的种类的不同，在优化目标中区别对待。
根据本发明实施例的一个方面，提供了一种目标帐号的确定方法，可选地，作为一种可选的实施方式，上述目标帐号的确定方法可以但不限于应用于如图1所示的环境中。
可选地，在本实施例中，上述目标帐号的确定方法可以但不限于应用于服务器104中，用于获取用于表征目标游戏v的游戏向量hv；获取游戏知识图谱、预定的帐号集合U中每个帐号u的历史游戏记录、和帐号集合U中每个帐号u的游戏社交网络；根据游戏知识图谱、每个帐号u的历史游戏记录和每个帐号u的游戏社交网络，获取帐号集合U中每个帐号u的帐号向量hu，其中，每个帐号u的帐号向量hu是根据每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000061
和社交兴趣表征向量
Figure BDA0002279900900000062
确定得到的向量，游戏兴趣表征向量
Figure BDA0002279900900000063
与历史游戏记录和游戏知识图谱相关，社交兴趣表征向量
Figure BDA0002279900900000066
与游戏兴趣表征向量
Figure BDA0002279900900000064
和游戏社交网络相关，游戏向量hv的向量维度与帐号向量hu的向量维度相同；根据游戏向量hv和帐号集合U中每个帐号u的帐号向量hu，获取帐号集合U中每个帐号u对目标游戏v的兴趣参数
Figure BDA0002279900900000067
将帐号集合中兴趣参数
Figure BDA0002279900900000065
满足预定条件的帐号确定为目标帐号。在确定目标账号之后，将目标游戏推送给目标账号，目标账号运行在应用客户端，其中，上述应用客户端可以但不限于运行在用户设备102中，该用户设备102可以但不限于为手机、平板电脑、笔记本电脑、PC机等支持运行应用客户端的终端设备。上述服务器104和用户设备102可以但不限于通过网络实现数据交互，上述网络可以包括但不限于无线网络或有线网络。其中，该无线网络包括：蓝牙、WIFI及其他实现无线通信的网络。上述有线网络可以包括但不限于：广域网、城域网、局域网。上述仅是一种示例，本实施例中对此不作任何限定。
可选地，作为一种可选的实施方式，如图2所示，上述目标帐号的确定方法包括：
步骤S202，获取用于表征目标游戏v的游戏向量hv。
步骤S204，获取游戏知识图谱、预定的帐号集合U中每个帐号u的历史游戏记录、和帐号集合U中每个帐号u的游戏社交网络。
步骤S206，根据游戏知识图谱、每个帐号u的历史游戏记录和每个帐号u的游戏社交网络，获取帐号集合U中每个帐号u的帐号向量hu，其中，每个帐号u的帐号向量hu是根据每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000075
和社交兴趣表征向量
Figure BDA0002279900900000077
确定得到的向量，游戏兴趣表征向量
Figure BDA0002279900900000076
与历史游戏记录和游戏知识图谱相关，社交兴趣表征向量
Figure BDA0002279900900000074
与游戏兴趣表征向量
Figure BDA0002279900900000073
和游戏社交网络相关，游戏向量hv的向量维度与帐号向量hu的向量维度相同。
步骤S208，根据游戏向量hv和帐号集合U中每个帐号u的帐号向量hu，获取帐号集合U中每个帐号u对目标游戏v的兴趣参数
Figure BDA0002279900900000072
步骤S210，将帐号集合中兴趣参数
Figure BDA0002279900900000071
满足预定条件的帐号确定为目标帐号。
可选的，本实施例中，上述目标账号的确定方法可以但不限于应用于如远程射击类游戏应用、竞速类游戏应用等。其中，上述游戏应用可以为多人在线战术竞技游戏(Multiplayer Online Battle Arena简称为MOBA)或者为单人游戏(Single-Player Game简称为SPG)。需要说明的是，上述游戏应用的类型可以包括但不限于以下至少之一：二维(Two Dimension，简称2D)游戏应用、三维(Three Dimension，简称3D)游戏应用、虚拟现实(Virtual Reality，简称VR)游戏应用、增强现实(Augmented Reality，简称AR)游戏应用、混合现实(Mixed Reality，简称MR)游戏应用。以上只是一种示例，本实施例对此不作任何限定。
可选的，本实施例中，表征目标游戏v的游戏向量hv可以是一个d维的向量hv，例如，游戏的品类、游戏的属性、游戏的部门可以组成一个3为的向量hv，其中，游戏的属性用于表示该游戏是射击类游戏还是竞技类游戏还是智力类游戏等等，游戏的部门表示创作游戏的工作室，例如，王者荣耀和和平精英都是出自天美工作室。
游戏知识图谱，将游戏行业各种相关的实体(比如游戏，部门，发行商)通过多种多样的关系关联起来，可以是一组三元组<h，r，t>的集合，其中h和r是实体，r表达了h和r的关系。比如<和平精英，射击类，天美工作室>表达了和平精英是天美工作室开发的射击类游戏。其中，每个实体作为一个节点可以向外扩散，比如，实体是账号A，与该账号A与账号B是游戏好友，账号A历史玩过游戏C，游戏C是D工作室出品的，其中D工作室作为节点可以关联到游戏E，即D工作室出品了游戏E，账号B玩过游戏E，即进而根据账号之间的关系以及账号历史游戏记录，构成一个异构网络结构图。在该异构网络结构图中包括，账号A与账号B之间的交流可以看作是账号的游戏社交，游戏C与D工作室的关系看作是游戏知识图谱，以及账号的历史游戏记录。
可选的，在本实施例中，知识图谱KG是一组三元组<h，r，t>的集合，其中h和r是实体，r表达了h和r的关系。
社交网络SG＝(U，E，W)：其中，U是节点集合，E是边集合，W是边的权重矩阵。如果节点u到节点u’有边，则边eu,u’＝(u,u’)在E中，Wu,u’是u到u’的边的权重。在游戏社交网络中，节点U代表了玩家的集合，E代表了玩家之间的关系，比如好友关系，互动关系等。W代表了玩家之间的亲密程度，可以有玩家互动算出。
异构网络结构图G＝(V，E，W，)：其中，V是节点集合，E是边集合，W是边的权重矩阵，T是边或点到类型的映射函数。如果节点v到节点v’有边，则边ev,v’＝(v,v’)在E中，Wv,v’是v到v’的边的权重。T(v)返回点v的类型，T(ev,v’)返回边ev,v’的类型。由知识图谱KG和社交网络SG可以共同组成一个很大的异构网络，其中，点的类型包括了玩家，和知识图谱中的实体的种类。边的类型包括了玩家间的互动和知识图谱中关系的种类。
可选的，在本实施例中，根据游戏知识图谱、每个帐号u的历史游戏记录和每个帐号u的游戏社交网络，获取帐号集合U中每个帐号u的帐号向量hu，包括：
S1，根据游戏知识图谱和每个帐号u的历史游戏记录确定每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000091
其中，每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000092
与游戏知识图谱中的目标三元组相关，目标三元组包括历史游戏记录中记录的每个帐号u玩过的游戏在游戏知识图谱中进行多阶扩散得到的三元组；
S2，根据每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000093
和每个帐号u的游戏社交网络确定每个帐号u的社交兴趣表征向量
Figure BDA0002279900900000094
S3，根据每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000095
和每个帐号u的社交兴趣表征向量
Figure BDA0002279900900000097
确定每个帐号u的帐号向量hu。
其中，根据游戏知识图谱和每个帐号u的历史游戏记录确定每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000096
包括：
S11，对每个帐号u玩过的游戏在游戏知识图谱中分别进行1阶到H阶扩散，得到各阶扩散的三元组，其中，H≥1；
S12，根据各阶扩散的三元组确定第1阶到第H阶的游戏偏好参数
Figure BDA0002279900900000098
S13，将每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000099
确定为
Figure BDA00022799009000000910
例如，对账号A玩过的游戏B在游戏知识中分别进行1阶到H阶的扩散。账号A玩过游戏B和游戏C，则此时，账号A分别到游戏B与游戏C是1阶扩散，而游戏B到射击类D，且B到D的关系是标签，射击类D与游戏E向关联，游戏C到休闲类F。则由游戏B到射击类D属于二阶，游戏C到休闲类F也属于二阶，依次依照节点D与节点F方向发散的是三阶，可以直到H阶。其中，每阶都是可以是3维的向量。计算每一阶的账号的游戏偏好参数
Figure BDA0002279900900000106
对每阶账号的游戏偏好求和确定出账号的游戏兴趣表征向量
Figure BDA0002279900900000107
其中，根据各阶扩散的三元组确定第1阶到第H阶的游戏偏好参数
Figure BDA0002279900900000109
包括：通过以下步骤确定第k阶的游戏偏好参数
Figure BDA0002279900900000108
其中，1≤k≤H：
Figure BDA0002279900900000101
其中,
Figure BDA00022799009000001010
为k阶扩散的三元组，
Figure BDA0002279900900000102
表示通过游戏知识图谱的三元组
Figure BDA00022799009000001011
扩散得到的物品ti在关系链ri下与用户的历史记录v的相关程度。
还需要说明的是，对每个帐号u玩过的游戏在游戏知识图谱中分别进行1阶到H阶扩散，得到各阶扩散的三元组，包括：在确定出k阶的三元组为
Figure BDA00022799009000001012
的情况下，通过以下步骤获取k阶的三元组
Figure BDA00022799009000001013
Figure BDA0002279900900000103
其中，1≤k≤H，
Figure BDA0002279900900000104
KG表示游戏知识图谱中的所有三元组，Vu表示每个帐号u的历史游戏记录中记录的每个帐号u玩过的游戏。
可选的，在本实施例中，根据每个帐号u的游戏兴趣表征向量
Figure BDA00022799009000001015
和每个帐号u的游戏社交网络确定每个帐号u的社交兴趣表征向量
Figure BDA00022799009000001014
包括：
S21，在游戏社交网络中获取每个帐号u的一阶好友列表F(u)；通过以下步骤确定每个帐号u的社交兴趣表征向量
Figure BDA00022799009000001016
Figure BDA0002279900900000105
其中，α′u′为用于表示好友关系的权重。
其中，通过以下步骤获取α′u′：
Figure BDA0002279900900000111
Figure BDA0002279900900000112
其中，β′u′表示学习好友u′的权重而产生的中间权重变量，β′j表示中间权重变量，η′表示学习好友权重的模型参数，
Figure BDA0002279900900000116
表示好友u′的游戏兴趣表征向量，b′表示学习好友权重的模型参数。
可选的，本实施例中，根据每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000118
和每个帐号u的社交兴趣表征向量
Figure BDA0002279900900000117
确定每个帐号u的帐号向量hu，包括：
S31，将每个帐号u的帐号向量hu确定为
Figure BDA0002279900900000113
需要说明的是，根据游戏向量hv和帐号集合U中每个帐号u的帐号向量hu，获取帐号集合U中每个帐号u对目标游戏v的兴趣参数
Figure BDA00022799009000001110
包括：
通过以下步骤获取
Figure BDA0002279900900000119
Figure BDA0002279900900000114
其中，hv为游戏v的表征向量，hu为帐号集合U中账号u的表征向量，σ(·)为sigmoid函数
Figure BDA0002279900900000115
表示将账号u和游戏v的表征向量相似度映射。
其中，Sigmoid函数用来将账号u和游戏v的表征向量相似度映射到0-1的区间，作为账号u对游戏v的兴趣参数。
还需要说明的是，将帐号集合中兴趣参数
Figure BDA00022799009000001111
满足预定条件的帐号确定为目标帐号，包括：将帐号集合中按兴趣参数
Figure BDA00022799009000001112
的取值从大到小排列的前N个帐号确定为目标帐号，其中，N为自然数；或将帐号集合中兴趣参数
Figure BDA00022799009000001113
大于预定阈值的帐号确定为目标帐号。
例如，计算出每个账号对游戏A的兴趣参数，按照兴趣参数从大到小排列为，账号3，……账号100，兴趣参数前3的可以作为目标账号，即将游戏A的相关信息推送给账号1，账号2，账号4。
其中，确定目标账号的方式还可以为，计算出账号集合中的100个账号对游戏的兴趣参数，其中，账号1的兴趣参数是90，账号2的兴趣参数是80，账号3的兴趣参数是85，账号4的兴趣参数是80，……账号100的兴趣参数是50，即可以将兴趣参数大于80的作为目标账号，进而将游戏A的相关信息推送给账号1，账号2，账号3，账号4。游戏A的相关信息可以包括但不限于游戏的属性信息、游戏的玩法说明等等。
还需要说明的是，将帐号集合中兴趣参数
Figure BDA0002279900900000126
满足预定条件的帐号确定为目标帐号，包括：将帐号集合中兴趣参数
Figure BDA0002279900900000125
满足预定条件、且不是目标游戏v的注册帐号的帐号确定为目标帐号。进而将游戏A的信息推送给更多没有注册过该游戏A的账号，从而可以增加游戏A的曝光度，实现了对游戏A的进一步的推广。
可选的，将帐号集合中兴趣参数
Figure BDA0002279900900000121
满足预定条件、且不是目标游戏v的注册帐号的帐号确定为目标帐号，可以包括如下方式：
方式一：将第一帐号集合中按兴趣参数
Figure BDA0002279900900000122
的取值从大到小排列的前N个帐号确定为目标帐号，其中，N为自然数，第一帐号集合包括帐号集合中除已是目标游戏v的注册帐号之外的帐号；或
方式二：将第二帐号集合中兴趣参数
Figure BDA0002279900900000123
大于预定阈值的帐号确定为目标帐号，其中，第二帐号集合包括帐号集合中除已是目标游戏v的注册帐号之外的帐号。
其中，在将帐号集合中兴趣参数
Figure BDA0002279900900000124
满足预定条件、且不是目标游戏v的注册帐号的帐号确定为目标帐号之后，向目标帐号发送推荐信息，其中，推荐信息用于向目标帐号推荐目标游戏v。
通过本实施例，获取用于表征目标游戏v的游戏向量hv；根据游戏知识图谱、每个帐号的历史游戏记录和每个帐号的游戏社交网络，获取帐号集合U中每个帐号u的帐号向量hu，其中，每个帐号u的帐号向量hu是根据每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000131
和社交兴趣表征向量
Figure BDA0002279900900000132
确定得到的向量，游戏兴趣表征向量
Figure BDA0002279900900000134
与历史游戏记录和游戏知识图谱相关，社交兴趣表征向量
Figure BDA0002279900900000135
与游戏兴趣表征向量
Figure BDA0002279900900000133
和游戏社交网络相关，游戏向量hv的向量维度与帐号向量hu的向量维度相同；根据游戏向量hv和帐号集合U中每个帐号u的帐号向量hu，获取帐号集合U中每个帐号u对目标游戏v的兴趣参数
Figure BDA0002279900900000136
将帐号集合中兴趣参数
Figure BDA0002279900900000137
满足预定条件的帐号确定为目标帐号，达到了根据获取的游戏v向量、根据游戏知识图谱、帐号的历史游戏记录和帐号的游戏社交网络，获取的帐号向量、以及帐号u对游戏v的兴趣参数确定该游戏V是否是账号u喜欢的游戏目的，从而实现了根据账号的对游戏的喜欢程度向账号推送游戏技术效果，进而解决了现有技术中，无法精准的将目标游戏推送给目标账号的技术问题。
可选的，在本实施例中，将游戏知识图谱和玩家的社交网络通过玩家玩游戏的历史记录关联成一个大的异构网络。对于每个用户(账号)节点，将与其相连的游戏作为种子节点在游戏知识图谱上做多跳扩散，每一跳扩散到的节点表征会被综合起来作为该用户的游戏兴趣表征(hu p∈Rd,即用户u的游戏兴趣表征表示为一个维度为d的向量hu p)。同时每个用户节点与周围有互动的邻居用户节点根据其互动的强弱学出该用户的游戏社交表征(hu s∈Rd，即用户u的社交表征表示为一个维度为d的向量hu s)。最终，每个玩家的游戏兴趣表征和游戏社交表征被结合起来形成该玩家在游戏异构网络里的最终表征(hu＝hu p+hu s)。玩家对游戏的喜好程度的预测可以通过对比玩家的表征向量和游戏的表征向量的相似度。
本实施例中的方案结合了游戏知识图谱和游戏中玩家的游戏社交网络的信息，与传统的基于游戏特征的分类算法(包括LR，xgboost)和仅基于社交网络做游戏推荐的算法比，准确度均有明显提高。并且，本实施例不需要每一个玩家都必须有提取好的特征相连或者社交关系链，能覆盖更多的玩家做预测。
结合上述实施例，本发明还提供一种优选的实施例，一种基于知识图谱和社交网络的异构网络表征学习算法在游戏拉新中应用的方法。
结合上述的模型以及异构网络，应用于本优选实施中的具体的流程图如图3所示。
本优选实施例中的输入有三部分：玩家的历史记录{Vu|u∈U}，知识图谱KG＝{<h，r，t>}，以及玩家的社交网络SG＝(U，E，W)。最终输出任一玩家u对任一游戏v的喜好程度
Figure BDA0002279900900000141
该优选实施例中的算法流程主要有四个步骤，步骤内容如下：
步骤1，异构网络构建：由{Vu|u∈U}，KG＝{<h，r，t>}和SG＝(U，E，W)构建一个游戏异构网络G；
步骤2，模型训练：将异构网络G作为输入训练我们设计的深度模型，最终将每个用户和知识图谱中的每个实体都表示成一个向量；
步骤3，模型预测：通过用户和游戏的表征向量的相似度，预测用户对游戏的喜好程度；
步骤4，拉新目标用户筛选：针对特定游戏，将用户按照他们对该游戏的喜好预测值从大到小排序，选取排名靠前的作为游戏的拉新目标用户。
本优选实施例中的方法需要构建一个异构网络，该异构网络包括：玩家的历史游戏记录、游戏的知识图谱、以及玩家的社交网络，通过玩家的历史游戏记录将游戏的知识图谱与玩家的社交网络关联成大的异构网络。
在步骤1中，根据玩家的历史记录{Vu|u∈U}，知识图谱KG＝{<h，r，t>}，以及玩家的社交网络SG＝(V，E，W)构建一个异构网络G＝(V，E，W，T)，如图4所示，异构网络的示意图。
在构建该异构网络之后，将该异构网络作为模型的输入。其中玩家与游戏(即知识图谱里的实体)通过玩家历史记录相连，知识图谱里的实体通过不同的关系相连，玩家与玩家通过交互行为相连。所以在异构网络G中，点的种类包括玩家，游戏和知识图谱中的其他实体(比如部门，品类等)。边的种类包括玩家间的交互，玩家与游戏间的“玩过”关系和知识图谱中的|R|种关系。
如图4所示，存在4账号，每个账号对应一个用户，即用户1、用户2，用3，用户4，其中，用户1玩过游戏1，与游戏2，用户1与用户2之间进行过射击，即用户1与用户2之间相互送过金币，用户1与用户3之间进行组队，即用户1与用户3之间一起组队玩过游戏2，且在游戏中互相送过礼物。用户2玩过游戏2。用户3玩过游戏2与游戏3，用户4玩过游戏3和游戏4，其中，用户4与用户3一起组队玩过游戏3。
在游戏知识图谱的结构中，游戏是节点，游戏的属性是节点。在游戏知识图谱中可知，游戏1的风格属于休闲类的游戏，游戏1的品类属于收集类游戏，其中游戏5的风格也是休闲类的游戏，游戏5的品格属于收集类的游戏；游戏2的子类别属于多人在线战术竞技游戏，游戏2的标签是多人竞技；游戏3的品类是射击类的游戏，其游戏3的标签也属于多人竞技；游戏4的品类属于射击类游戏，其中属于射击类的游戏还包括游戏6，游戏6的子类别也属于多人在线战术竞技游戏。
在如图4中可知，通过玩家历史游戏记录将游戏社交网络与游戏知识图谱相关联，构成玩家-游戏的异构网络。
在本优选实施例中，通过如图5所示的模型框架来学习图4所示的异构网络的表征。其核心思路是：在将玩家和游戏映射到同一个d维的空间里后，我们可以通过比较它们在同一空间的距离来预测玩家对游戏的喜好。因此，每一个游戏v都被表征成一个d维的向量hv。同时，每一个玩家u∈U都被表征成一个d维的向量hu＝hu p+hu s，分为两个部分：玩家u的游戏兴趣表征(hu p)和游戏社交兴趣表征(hu s)。
如图5所示，知识图谱扩散，根据玩家的游戏历史记录作为种子节点，向高阶进行扩散，得到一阶知识图谱邻居
Figure BDA0002279900900000151
在一阶邻居为基础，在向高阶扩散，得到二阶知识图谱邻居
Figure BDA0002279900900000163
即二阶邻居，依次依照前一阶的邻居得到H阶知识图谱邻居
Figure BDA0002279900900000164
获取表征玩家玩过的该游戏的游戏向量hv，根据游戏向量hv与在知识图谱中扩散的每一阶的知识图谱邻居
Figure BDA0002279900900000165
确定每一阶的游戏偏好参数
Figure BDA00022799009000001612
最后确定玩家的游戏兴趣表征向量
Figure BDA0002279900900000166
确定为
Figure BDA00022799009000001611
通过玩家玩过游戏的游戏社交网络，确定社交兴趣表征向量
Figure BDA0002279900900000167
即在游戏社交网络中获取玩家的一阶好友列表F(u)；根据
Figure BDA0002279900900000168
Figure BDA00022799009000001610
确定社交兴趣表征向量
Figure BDA0002279900900000169
在实际应用中，玩家的游戏兴趣表征hu p由玩家的历史记录在知识图谱上扩散后综合学习。通过在知识图谱上依次向种子节点(玩家玩过的游戏)的高阶邻居扩散，可以得到玩家的高阶兴趣，并且由于知识图谱<h，r，t>三元组的特性，每一个邻居与原始节点的关系(r)也被记录下来。与RippleNet类似，将第k步扩散到的邻居表达为Su k＝{<h，r，t>|<h，r，t>∈KG and h∈{t in Su k-1}}，而{t in Su0}＝Vu。这里的Su k记录了从用户u的历史记录在知识图谱里向外扩散第k步遇到的知识图谱三元组，如图5所示，第一行阴影部分标出的一阶邻居，二阶邻居等，它们对应的在第k步被提取成图5第二行阴影标出的<h，r，t>三元组。根据Su k，可以计算出玩家u的第k阶游戏偏好：
Figure BDA0002279900900000161
其中
Figure BDA0002279900900000162
表示了通过知识图谱三元组<hi，ri，ti>扩散得到的物品ti在关系链ri下与用户的历史记录v的相关程度。但是，pi仅考虑了k阶邻居ti与用户所玩游戏v的相似度作为权重指标，并没有考虑用户对于其所玩的不同游戏(v)也有喜好差异。而αv通过注意力机制自动学习权重来弥补这一缺陷。αv通过一层转换网络自动学习用户u对其玩过的不同游戏v之间的权重，具体定义如下：
Figure BDA0002279900900000171
βv＝η.tanh(Qhv+b)，其中，η，Q和b都是参数。
与RippleNet所采用的等式相比，该优选实施例中学习出来的玩家u的第k阶游戏偏好Ou k全面的考虑了玩家历史记录中游戏的偏好差异以及根据知识图谱向外扩散时关系链的属性差异，以此能学出更准确的游戏偏好表征。最终，玩家的游戏偏好表征hu p通过综合所有H阶游戏偏好表征而得：
Figure BDA0002279900900000172
玩家的游戏社交兴趣表征通过跟玩家好友的互动学习。玩家之间在游戏里存在着不同的互动行为，比如王者荣耀里的送金币，送英雄，组队；欢乐斗地主里的送礼物，送欢乐豆等。这些互动反映了玩家之间的亲密程度。亲密度越高的玩家在未来还会玩同一款游戏的可能性就越高。因此，可以将与玩家u亲密度较高的好友们所玩的游戏特征提取出来给u做游戏推荐。玩家的社交兴趣表征就是根据上述思想设计的。给定一个玩家u，我们获取其一阶好友列表F(u)＝{u’|Euu’∈E}。玩家的游戏社交兴趣表征由综合其好友的游戏偏好兴趣表征计算而得：
Figure BDA0002279900900000173
其中α’是注意力机制学习的区分u的好友亲密度关系的权重，定义如下：
Figure BDA0002279900900000174
η′，Q′和b′都是学习好友权重的模型参数。
玩家的最终表征由其游戏偏好表征和社交兴趣表征综合而得：
Figure BDA0002279900900000181
给定一个玩家游戏对(u,v)，玩家对游戏的喜好程度计算为：
Figure BDA0002279900900000182
其中hu为玩家u的表征，hv为游戏v的表征，σ(·)为sigmoid函数
Figure BDA0002279900900000183
最终，本优选实施例的模型损失函数为：
Figure BDA0002279900900000184
其中yuv为训练数据集的label，label＝1代表了玩家u玩过游戏v，反之label＝0代表玩家u没有玩过游戏v。hu为玩家表征，hv为游戏表征，是模型参数。Θ模型参数，包括游戏的表征，知识图谱里实体与关系的表征和注意力机制里的参数。上述损失函数等式的第一部分衡量了预测的玩家对游戏的喜好与实际的玩家历史记录的差异，第二部分衡量了通过学习出来的知识图谱实体表征重构出来的知识图谱与实际知识图谱的差异，第三部分是对模型参数正则化避免模型过拟合。
使用(Stochastic Gradient Descent)SGD来优化上述损失函数学习最终的玩家和游戏的表征。
模型训练完成后，每个玩家u∈U都被表征成一个d维的向量hu，每一款游戏v都被表征成一个d维的向量hv。最终，我们通过公式12将玩家u对游戏v的喜好程度映射成(0，1)范围内的值。
分析游戏的喜好程度计算等式可以看出，在玩家和游戏被映射的d维的空间里，游戏和玩家的表征向量越相似，内积hu Thv就会越大，游戏的喜好程度计算等式的值就会越大，从而预测出来的玩家u对游戏v的喜好分值越大。
通过上述模型的训练以及模型的输入，可以针对一个特定的游戏v输出一个大小为K(比如100万)的用户包作为该游戏的潜在活跃用户，之后游戏业务侧可以定向向用户包中的用户发送与游戏有关的消息，其中，游戏的相关的信息可以包括：游戏简介、游戏的上线的时间等等。从上一步模型预测中得到了每一个玩家u∈U对该游戏的喜好程度
Figure BDA0002279900900000192
将还没有注册该款游戏的用户u按照
Figure BDA0002279900900000191
的值从大到小排序，最终取排在前K名用户的集合作为拉新的用户包输出给业务。
需要说明的是，该优选实施例可以用于与游戏P的拉新中。首先，将大盘玩家玩过的游戏数据，玩家在各游戏中的交互，以及游戏知识图谱输入到异构网络表征学习算法中，得到每个玩家的表征向量和每个游戏的表征向量。然后，针对游戏P，游戏的喜好程度计算公式预测每个玩家对该游戏的喜好程度，从大到小依次排序，将排名在前面的玩家作为该游戏的潜在活跃玩家，可以给他们推送该款新游的相关消息。本优选实施例，结合了知识图谱和社交网络，在选择潜在活跃玩家时，既考虑了玩家自己的历史所玩游戏的品类玩法等属性，又考虑了与该玩家密切交互的好友所玩的游戏信息，因此显著提高了算法性能，增强业务能力。
在本优选实施例中，建了一个端对端的框架，根据给定的游戏异构网络，可以直接预测任一玩家对其没有玩过的游戏的喜好程度。首先，将知识图谱和社交网络通过玩家玩游戏的历史记录关联成一个大的异构网络。然后对于每个用户节点，将与其相连的游戏作为种子节点在知识图谱上做多跳扩散，每一跳扩散到的节点表征会被综合起来作为该用户的游戏兴趣表征(hu p∈Rd，即用户u的游戏兴趣表征表示为一个维度为d的向量hu p)。同时每个用户节点与周围有互动的邻居用户节点根据其互动的强弱学出该用户的游戏社交表征(hu s∈Rd，即用户u的社交表征表示为一个维度为d的向量hu s)。最终，每个玩家的游戏兴趣表征和游戏社交表征被结合起来形成该玩家在游戏异构网络里的最终表征(hu＝hu p+hu s)。玩家对游戏的喜好程度的预测可以通过对比玩家的表征向量和游戏的表征向量的相似度。
本优选实施例结合了知识图谱和社交网络的信息，与传统的基于游戏特征的分类算法(包括LR，xgboost)和仅基于社交网络做游戏推荐的算法比，准确度均有明显提高。并且，本优选实施不需要每一个玩家都必须有提取好的特征相连或者社交关系链，能覆盖更多的玩家做预测。
为了验证上述优选实施例中涉及的算法的性能，进行了如下的离线实验。
数据集，从某大盘游戏数据中提取了玩家游戏历史记录，玩家游戏社交网络和游戏知识图谱作为离线实验测试数据。其中玩家游戏历史记录：从腾讯大盘游戏日志中随机采样了2577551个玩家的一共19271539条游戏历史记录，该记录包括8720863条正样本和10550676条负样本。
游戏社交网络：涵盖了玩家在玩的九款游戏中的互动数据(包括组队，送礼物，送金币等)，其中，九款游戏包括：CFM，CF，刺激战场，王者荣耀，LOL，欢乐斗地主，欢乐麻将，自由幻想和QQ飞车。
游戏知识图谱：由某IEG数据挖掘应用中心知识图谱组构建的游戏知识图谱“游谱”。
在上述离线数据集上对本方案(命名为KGSN-HGE:Knowledge Graph and SocialNetwork based Heterogeneous Graph Embedding)与另外四个对比方案进行了对比实验。对比方案包括：
1、根据游戏社交中的玩家间的亲密度直接推荐亲密好友在玩的游戏(亲密度扩散)；
2、由知识图谱提取出来的游戏特征输入到分类模型中预测玩家对游戏的喜好，这里采用了两种分类模型：1)高效率且经典的Logistic Regression(LR)；2)准确度很高的XGBoost。
3、仅考虑知识图谱的深度学习框架(RippleNet)
从上述离线数据集中随机采样20％的玩家历史记录作为测试样本，每一个样本是一个三元组(u，v，y)，代表了玩家u是否喜欢玩游戏v。其中y＝1表示喜欢，y＝0表示不喜欢。给定一个测试样本，每个方案会根据(u，v)预测y。使用AUC(Area Under the receiveroperating characteristic Curve)作为评价指标来衡量每个方案的效果。AUC衡量了在随机抽取一个正样本(y＝1)和负样本(y＝0)的情况下，分类器正确判断正样本的值大约负样本的值的几率。所以AUC值越大的分类器，正确率越高。
实验结果：对比实验的结果如表1所示，玩家对游戏的偏好预测效果。可以发现，上述优选实施例中的方案KGSN-HE的预测准确度AUC是最高的。更具体的说，KGSN-HE相比亲密度传播方案AUC相对提升82.9％。与表现较好的分类模型XGBoost相比，KGSN-HE获得了4％的AUC相对提升。RippleNet由于仅考虑了知识图谱，忽略了社交网络以及没有区别玩家对其玩过的游戏的喜好差异，AUC相对比KGSN-HE低2％。
表1
算法方案 AUC
亲密度传播 0.4716
LR 0.7978
XGBoost 0.8299
RippleNet 0.8461
KGSN-HE 0.8627
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面，还提供了一种用于实施上述目标帐号的确定方法的目标帐号的确定装置。如图6所示，该装置包括：第一获取单元61、第二获取单元63、第三获取单元65、第四获取单元67以及确定单元69。
第一获取单元61，用于获取用于表征目标游戏v的游戏向量hv；
第二获取单元63，用于获取游戏知识图谱、预定的帐号集合U中每个帐号u的历史游戏记录、和帐号集合U中每个帐号u的游戏社交网络；
第三获取单元65，用于根据游戏知识图谱、每个帐号u的历史游戏记录和每个帐号u的游戏社交网络，获取帐号集合U中每个帐号u的帐号向量hu，其中，每个帐号u的帐号向量hu是根据每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000221
和社交兴趣表征向量
Figure BDA0002279900900000222
确定得到的向量，游戏兴趣表征向量
Figure BDA0002279900900000223
与历史游戏记录和游戏知识图谱相关，社交兴趣表征向量
Figure BDA0002279900900000224
与游戏兴趣表征向量
Figure BDA0002279900900000225
和游戏社交网络相关，游戏向量hv的向量维度与帐号向量hu的向量维度相同；
第四获取单元67，用于根据游戏向量hv和帐号集合U中每个帐号u的帐号向量hu，获取帐号集合U中每个帐号u对目标游戏v的兴趣参数
Figure BDA0002279900900000226
确定单元69，用于将帐号集合中兴趣参数
Figure BDA0002279900900000227
满足预定条件的帐号确定为目标帐号。
通过本实施例，第一获取单元61获取用于表征目标游戏v的游戏向量hv；第二获取单元63获取游戏知识图谱、预定的帐号集合U中每个帐号u的历史游戏记录、和帐号集合U中每个帐号u的游戏社交网络；第三获取单元65根据游戏知识图谱、每个帐号u的历史游戏记录和每个帐号u的游戏社交网络，获取帐号集合U中每个帐号u的帐号向量hu，其中，每个帐号u的帐号向量hu是根据每个帐号u的游戏兴趣表征向量
Figure BDA00022799009000002210
和社交兴趣表征向量
Figure BDA0002279900900000228
确定得到的向量，游戏兴趣表征向量
Figure BDA0002279900900000229
与历史游戏记录和游戏知识图谱相关，社交兴趣表征向量
Figure BDA0002279900900000231
与游戏兴趣表征向量
Figure BDA0002279900900000232
和游戏社交网络相关，游戏向量hv的向量维度与帐号向量hu的向量维度相同；第四获取单元67根据游戏向量hv和帐号集合U中每个帐号u的帐号向量hu，获取帐号集合U中每个帐号u对目标游戏v的兴趣参数
Figure BDA0002279900900000233
确定单元69将帐号集合中兴趣参数
Figure BDA0002279900900000234
满足预定条件的帐号确定为目标帐号。达到了根据获取的游戏v向量、根据游戏知识图谱、帐号的历史游戏记录和帐号的游戏社交网络，获取的帐号向量、以及帐号u对游戏v的兴趣参数确定该游戏V是否是账号u喜欢的游戏目的，从而实现了根据账号的对游戏的喜欢程度向账号推送游戏技术效果，进而解决了现有技术中，无法精准的将目标游戏推送给目标账号的技术问题。
可选的，上述第三获取单元65，包括：
第一确定模块，用于根据游戏知识图谱和每个帐号u的历史游戏记录确定每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000235
其中，每个帐号u的游戏兴趣表征向量
Figure BDA00022799009000002310
与游戏知识图谱中的目标三元组相关，目标三元组包括历史游戏记录中记录的每个帐号u玩过的游戏在游戏知识图谱中进行多阶扩散得到的三元组；
第二确定模块，用于根据每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000236
和每个帐号u的游戏社交网络确定每个帐号u的社交兴趣表征向量
Figure BDA0002279900900000237
第三确定模块，用于根据每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000238
和每个帐号u的社交兴趣表征向量
Figure BDA0002279900900000239
确定每个帐号u的帐号向量hu。
可选的，上述第一确定模块，包括：
计算子模块，用于对每个帐号u玩过的游戏在游戏知识图谱中分别进行1阶到H阶扩散，得到各阶扩散的三元组，其中，H≥1；
第一确定子模块，用于根据各阶扩散的三元组确定第1阶到第H阶的游戏偏好参数
Figure BDA00022799009000002311
第二确定子模块，用于将每个帐号u的游戏兴趣表征向量
Figure BDA00022799009000002312
确定为
Figure BDA0002279900900000241
可选的，上述计算子模块用于执行如下操作：
通过以下步骤确定第k阶的游戏偏好参数
Figure BDA0002279900900000248
其中，1≤k≤H：
Figure BDA0002279900900000242
其中,
Figure BDA0002279900900000247
为k阶扩散的三元组，
Figure BDA0002279900900000243
表示通过游戏知识图谱的三元组
Figure BDA0002279900900000249
扩散得到的物品ti在关系链ri下与用户的历史记录v的相关程度。
可选的，上述计算子模块还用于执行如下操作：
在确定出k阶的三元组为
Figure BDA00022799009000002410
的情况下，通过以下步骤获取k阶的三元组
Figure BDA00022799009000002411
Figure BDA0002279900900000244
其中，1≤k≤H，
Figure BDA0002279900900000245
KG表示游戏知识图谱中的所有三元组，Vu表示每个帐号u的历史游戏记录中记录的每个帐号u玩过的游戏。
可选的，上述第二确定模块，包括：
第一获取子模块，用于在游戏社交网络中获取每个帐号u的一阶好友列表F(u)；
第三确定子模块，用于通过以下步骤确定每个帐号u的社交兴趣表征向量
Figure BDA00022799009000002412
Figure BDA0002279900900000246
其中，α′u′为用于表示好友关系的权重。
可选的，上述第三确定子模块还用于执行如下操作：
通过以下步骤获取α′u′：
Figure BDA0002279900900000251
Figure BDA0002279900900000252
其中，β′u′表示学习好友u′的权重而产生的中间权重变量，β′j表示中间权重变量，η′表示学习好友权重的模型参数，
Figure BDA0002279900900000255
表示好友u′的游戏兴趣表征向量，b′表示学习好友权重的模型参数。
可选的，上述第三确定模块，包括：第四确定子模块，用于将每个帐号u的帐号向量hu确定为
Figure BDA0002279900900000256
可选的，上述第四获取单元67，可以包括：获取模块，用于通过以下步骤获取
Figure BDA0002279900900000257
Figure BDA0002279900900000253
其中，hv为游戏v的表征向量，hu为帐号集合U中账号u的表征向量，σ(·)为sigmoid函数
Figure BDA0002279900900000254
表示将账号u和游戏v的表征向量相似度映射。
其中，Sigmoid函数用来将账号u和游戏v的表征向量相似度映射到0-1的区间，作为账号u对游戏v的兴趣参数。
可选的，上述确定单元69，包括：
第四确定模块，用于将帐号集合中按兴趣参数
Figure BDA0002279900900000258
的取值从大到小排列的前N个帐号确定为目标帐号，其中，N为自然数；或
第五确定模块，用于将帐号集合中兴趣参数
Figure BDA0002279900900000259
大于预定阈值的帐号确定为目标帐号。
可选的，上述确定单元69，包括：第六确定模块，用于将帐号集合中兴趣参数
Figure BDA0002279900900000261
满足预定条件、且不是目标游戏v的注册帐号的帐号确定为目标帐号。
可选的，上述第六确定模块，包括：
第五确定子模块，用于将第一帐号集合中按兴趣参数
Figure BDA0002279900900000262
的取值从大到小排列的前N个帐号确定为目标帐号，其中，N为自然数，第一帐号集合包括帐号集合中除已是目标游戏v的注册帐号之外的帐号；或
第六确定子模块，用于将第二帐号集合中兴趣参数
Figure BDA0002279900900000263
大于预定阈值的帐号确定为目标帐号，其中，第二帐号集合包括帐号集合中除已是目标游戏v的注册帐号之外的帐号。
作为一种可选的实施例，上述装置还可以包括：发送单元，用于在将帐号集合中兴趣参数
Figure BDA0002279900900000264
满足预定条件、且不是目标游戏v的注册帐号的帐号确定为目标帐号之后，向目标帐号发送推荐信息，其中，推荐信息用于向目标帐号推荐目标游戏v。
根据本发明实施例的又一个方面，还提供了一种用于实施上述目标账号的确定方法的电子装置，如图7所示，该电子装置包括存储器702和处理器704，该存储器702中存储有计算机程序，该处理器704被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取用于表征目标游戏v的游戏向量hv；
S2，获取游戏知识图谱、预定的帐号集合U中每个帐号u的历史游戏记录、和帐号集合U中每个帐号u的游戏社交网络；
S3，根据游戏知识图谱、每个帐号u的历史游戏记录和每个帐号u的游戏社交网络，获取帐号集合U中每个帐号u的帐号向量hu，其中，每个帐号u的帐号向量hu是根据每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000271
和社交兴趣表征向量
Figure BDA0002279900900000277
确定得到的向量，游戏兴趣表征向量
Figure BDA0002279900900000276
与历史游戏记录和游戏知识图谱相关，社交兴趣表征向量
Figure BDA0002279900900000275
与游戏兴趣表征向量
Figure BDA0002279900900000272
和游戏社交网络相关，游戏向量hv的向量维度与帐号向量hu的向量维度相同；
S4，根据游戏向量hv和帐号集合U中每个帐号u的帐号向量hu，获取帐号集合U中每个帐号u对目标游戏v的兴趣参数
Figure BDA0002279900900000273
S5，将帐号集合中兴趣参数
Figure BDA0002279900900000274
满足预定条件的帐号确定为目标帐号。
可选地，本领域普通技术人员可以理解，图7所示的结构仅为示意，电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图7其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图7中所示更多或者更少的组件(如网络接口等)，或者具有与图7所示不同的配置。
其中，存储器702可用于存储软件程序以及模块，如本发明实施例中的目标账号的确定方法和装置对应的程序指令/模块，处理器704通过运行存储在存储器702内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的目标账号的确定方法。存储器702可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器702可进一步包括相对于处理器704远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器702具体可以但不限于用于存储目标账号的属性信息、游戏的属性信息等信息。作为一种示例，如图7所示，上述存储器702中可以但不限于包括上述目标账号的确定装置中的第一获取单元61、第二获取单元63、第三获取单元65、第四获取单元67以及确定单元69。此外，还可以包括但不限于上述目标账号的确定装置中的其他模块单元，本示例中不再赘述。
可选地，上述的传输装置706用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置706包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置706为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
根据本发明的实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取用于表征目标游戏v的游戏向量hv；
S2，获取游戏知识图谱、预定的帐号集合U中每个帐号u的历史游戏记录、和帐号集合U中每个帐号u的游戏社交网络；
S3，根据游戏知识图谱、每个帐号u的历史游戏记录和每个帐号u的游戏社交网络，获取帐号集合U中每个帐号u的帐号向量hu，其中，每个帐号u的帐号向量hu是根据每个帐号u的游戏兴趣表征向量
Figure BDA0002279900900000281
和社交兴趣表征向量
Figure BDA0002279900900000282
确定得到的向量，游戏兴趣表征向量
Figure BDA0002279900900000283
与历史游戏记录和游戏知识图谱相关，社交兴趣表征向量
Figure BDA0002279900900000284
与游戏兴趣表征向量
Figure BDA0002279900900000285
和游戏社交网络相关，游戏向量hv的向量维度与帐号向量hu的向量维度相同；
S4，根据游戏向量hv和帐号集合U中每个帐号u的帐号向量hu，获取帐号集合U中每个帐号u对目标游戏v的兴趣参数
Figure BDA0002279900900000286
S5，将帐号集合中兴趣参数
Figure BDA0002279900900000287
满足预定条件的帐号确定为目标帐号。
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (15)

1.一种目标帐号的确定方法，其特征在于，包括：
获取用于表征目标游戏v的游戏向量hv；
获取游戏知识图谱、预定的帐号集合U中每个帐号u的历史游戏记录、和所述帐号集合U中每个帐号u的游戏社交网络；
根据所述游戏知识图谱、所述每个帐号u的历史游戏记录和所述每个帐号u的游戏社交网络，获取所述帐号集合U中每个帐号u的帐号向量hu，其中，所述每个帐号u的帐号向量hu是根据所述每个帐号u的游戏兴趣表征向量
Figure FDA0002279900890000011
和社交兴趣表征向量
Figure FDA0002279900890000012
确定得到的向量，所述游戏兴趣表征向量
Figure FDA0002279900890000013
与所述历史游戏记录和所述游戏知识图谱相关，所述社交兴趣表征向量
Figure FDA0002279900890000014
与所述游戏兴趣表征向量
Figure FDA0002279900890000015
和所述游戏社交网络相关，所述游戏向量hv的向量维度与所述帐号向量hu的向量维度相同；
根据所述游戏向量hv和所述帐号集合U中每个帐号u的帐号向量hu，获取所述帐号集合U中每个帐号u对所述目标游戏v的兴趣参数
Figure FDA0002279900890000016
将所述帐号集合中所述兴趣参数
Figure FDA0002279900890000017
满足预定条件的帐号确定为目标帐号。
2.根据权利要求1所述的方法，其特征在于，所述根据所述游戏知识图谱、所述每个帐号u的历史游戏记录和所述每个帐号u的游戏社交网络，获取所述帐号集合U中每个帐号u的帐号向量hu，包括：
根据所述游戏知识图谱和所述每个帐号u的历史游戏记录确定所述每个帐号u的游戏兴趣表征向量
Figure FDA0002279900890000018
其中，所述每个帐号u的游戏兴趣表征向量
Figure FDA0002279900890000019
与所述游戏知识图谱中的目标三元组相关，所述目标三元组包括所述历史游戏记录中记录的所述每个帐号u玩过的游戏在所述游戏知识图谱中进行多阶扩散得到的三元组；
根据所述每个帐号u的所述游戏兴趣表征向量
Figure FDA0002279900890000021
和所述每个帐号u的所述游戏社交网络确定所述每个帐号u的所述社交兴趣表征向量
Figure FDA0002279900890000022
根据所述每个帐号u的游戏兴趣表征向量
Figure FDA0002279900890000023
和所述每个帐号u的所述社交兴趣表征向量
Figure FDA0002279900890000024
确定所述每个帐号u的帐号向量hu。
3.根据权利要求2所述的方法，其特征在于，所述根据所述游戏知识图谱和所述每个帐号u的历史游戏记录确定所述每个帐号u的游戏兴趣表征向量
Figure FDA0002279900890000025
包括：
对所述每个帐号u玩过的游戏在所述游戏知识图谱中分别进行1阶到H阶扩散，得到各阶扩散的三元组，其中，H≥1；
根据各阶扩散的三元组确定第1阶到第H阶的游戏偏好参数
Figure FDA0002279900890000026
将所述每个帐号u的游戏兴趣表征向量
Figure FDA0002279900890000027
确定为
Figure FDA0002279900890000028
Figure FDA0002279900890000029
4.根据权利要求3所述的方法，其特征在于，所述根据各阶扩散的三元组确定第1阶到第H阶的游戏偏好参数
Figure FDA00022799008900000210
包括：
通过以下步骤确定第k阶的游戏偏好参数
Figure FDA00022799008900000211
其中，1≤k≤H：
Figure FDA00022799008900000212
其中,
Figure FDA00022799008900000213
为k阶扩散的三元组，
Figure FDA00022799008900000214
表示通过游戏知识图谱的三元组
Figure FDA00022799008900000215
扩散得到的物品ti在关系链ri下与用户的历史记录v的相关程度。
5.根据权利要求3所述的方法，其特征在于，所述对所述每个帐号u玩过的游戏在所述游戏知识图谱中分别进行1阶到H阶扩散，得到各阶扩散的三元组，包括：
在确定出k阶的三元组为
Figure FDA0002279900890000031
的情况下，通过以下步骤获取k阶的三元组
Figure FDA0002279900890000032
Figure FDA0002279900890000033
其中，1≤k≤H，
Figure FDA0002279900890000034
KG表示所述游戏知识图谱中的所有三元组，Vu表示所述每个帐号u的历史游戏记录中记录的所述每个帐号u玩过的游戏。
6.根据权利要求2所述的方法，其特征在于，根据所述每个帐号u的所述游戏兴趣表征向量
Figure FDA0002279900890000035
和所述每个帐号u的所述游戏社交网络确定所述每个帐号u的所述社交兴趣表征向量
Figure FDA0002279900890000036
包括：
在所述游戏社交网络中获取每个帐号u的一阶好友列表F(u)；
通过以下步骤确定所述每个帐号u的所述社交兴趣表征向量
Figure FDA0002279900890000037
Figure FDA0002279900890000038
其中，α′u′为用于表示好友关系的权重。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
通过以下步骤获取α′u′：
Figure FDA0002279900890000039
Figure FDA00022799008900000310
其中，β′u′表示学习好友u′的权重而产生的中间权重变量，β′j表示中间权重变量，η′表示学习好友权重的模型参数，
Figure FDA00022799008900000311
表示好友u′的游戏兴趣表征向量，b′表示学习好友权重的模型参数。
8.根据权利要求2所述的方法，其特征在于，所述根据所述每个帐号u的游戏兴趣表征向量
Figure FDA00022799008900000312
和所述每个帐号u的所述社交兴趣表征向量
Figure FDA00022799008900000313
确定所述每个帐号u的帐号向量hu，包括：
将所述每个帐号u的帐号向量hu确定为
Figure FDA0002279900890000041
9.根据权利要求1至8中任一项所述的方法，其特征在于，所述根据所述游戏向量hv和所述帐号集合U中每个帐号u的帐号向量hu，获取所述帐号集合U中每个帐号u对所述目标游戏v的兴趣参数
Figure FDA0002279900890000042
包括：
通过以下步骤获取
Figure FDA0002279900890000043
Figure FDA0002279900890000044
其中，hv为游戏v的表征向量，hu为帐号集合U中账号u的表征向量，σ(·)为sigmoid函数
Figure FDA0002279900890000045
表示将账号u和游戏v的表征向量相似度映射。
10.根据权利要求1至8中任一项所述的方法，其特征在于，所述将所述帐号集合中所述兴趣参数
Figure FDA0002279900890000046
满足预定条件的帐号确定为目标帐号，包括：
将所述帐号集合中按所述兴趣参数
Figure FDA0002279900890000047
的取值从大到小排列的前N个帐号确定为所述目标帐号，其中，N为自然数；或
将所述帐号集合中所述兴趣参数
Figure FDA0002279900890000048
大于预定阈值的帐号确定为所述目标帐号。
11.根据权利要求1至8中任一项所述的方法，其特征在于，所述将所述帐号集合中所述兴趣参数
Figure FDA0002279900890000049
满足预定条件的帐号确定为目标帐号，包括：
将所述帐号集合中所述兴趣参数
Figure FDA00022799008900000410
满足所述预定条件、且不是所述目标游戏v的注册帐号的帐号确定为所述目标帐号。
12.根据权利要求11所述的方法，其特征在于，所述将所述帐号集合中所述兴趣参数
Figure FDA00022799008900000411
满足所述预定条件、且不是所述目标游戏v的注册帐号的帐号确定为所述目标帐号，包括：
将第一帐号集合中按所述兴趣参数
Figure FDA0002279900890000051
的取值从大到小排列的前N个帐号确定为所述目标帐号，其中，N为自然数，所述第一帐号集合包括所述帐号集合中除已是所述目标游戏v的注册帐号之外的帐号；或
将第二帐号集合中所述兴趣参数
Figure FDA0002279900890000052
大于预定阈值的帐号确定为所述目标帐号，其中，所述第二帐号集合包括所述帐号集合中除已是所述目标游戏v的注册帐号之外的帐号。
13.根据权利要求11所述的方法，其特征在于，在将所述帐号集合中所述兴趣参数
Figure FDA0002279900890000053
满足所述预定条件、且不是所述目标游戏v的注册帐号的帐号确定为所述目标帐号之后，所述方法还包括：
向所述目标帐号发送推荐信息，其中，所述推荐信息用于向所述目标帐号推荐所述目标游戏v。
14.一种目标帐号的确定装置，其特征在于，包括：
第一获取单元，用于获取用于表征目标游戏v的游戏向量hv；
第二获取单元，用于获取游戏知识图谱、预定的帐号集合U中每个帐号u的历史游戏记录、和所述帐号集合U中每个帐号u的游戏社交网络；
第三获取单元，用于根据所述游戏知识图谱、所述每个帐号的历史游戏记录和所述每个帐号的游戏社交网络，获取所述帐号集合U中每个帐号u的帐号向量hu，其中，所述每个帐号u的帐号向量hu是根据所述每个帐号u的游戏兴趣表征向量
Figure FDA0002279900890000054
和社交兴趣表征向量
Figure FDA0002279900890000055
确定得到的向量，所述游戏兴趣表征向量
Figure FDA0002279900890000056
与所述历史游戏记录和所述游戏知识图谱相关，所述社交兴趣表征向量
Figure FDA0002279900890000057
与所述游戏兴趣表征向量
Figure FDA0002279900890000058
和所述游戏社交网络相关，所述游戏向量hv的向量维度与所述帐号向量hu的向量维度相同；
第四获取单元，用于根据所述游戏向量hv和所述帐号集合U中每个帐号u的帐号向量hu，获取所述帐号集合U中每个帐号u对所述目标游戏v的兴趣参数
Figure FDA0002279900890000061
确定单元，用于将所述帐号集合中所述兴趣参数
Figure FDA0002279900890000062
满足预定条件的帐号确定为目标帐号。
15.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至13任一项中所述的方法。
CN201911137246.2A 2019-11-19 2019-11-19 目标帐号的确定方法和装置、电子装置 Active CN110941769B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911137246.2A CN110941769B (zh) 2019-11-19 2019-11-19 目标帐号的确定方法和装置、电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911137246.2A CN110941769B (zh) 2019-11-19 2019-11-19 目标帐号的确定方法和装置、电子装置

Publications (2)

Publication Number Publication Date
CN110941769A true CN110941769A (zh) 2020-03-31
CN110941769B CN110941769B (zh) 2023-03-28

Family

ID=69906809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911137246.2A Active CN110941769B (zh) 2019-11-19 2019-11-19 目标帐号的确定方法和装置、电子装置

Country Status (1)

Country Link
CN (1) CN110941769B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111935259A (zh) * 2020-07-30 2020-11-13 腾讯科技（深圳）有限公司 目标帐号集合的确定方法和装置、存储介质及电子设备
CN113486989A (zh) * 2021-08-04 2021-10-08 北京字节跳动网络技术有限公司 基于知识图谱的对象识别方法、装置、可读介质和设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120094762A1 (en) * 2010-10-13 2012-04-19 Sony Computer Entertainment America Inc. Online process for recommending friends based on game playing habits
WO2013152042A1 (en) * 2012-04-02 2013-10-10 38 Studios, Llc Videogame management system
CN108322317A (zh) * 2017-01-16 2018-07-24 腾讯科技（深圳）有限公司 一种账号识别关联方法及服务器
CN109544396A (zh) * 2019-01-10 2019-03-29 腾讯科技（深圳）有限公司 账号推荐方法、装置、服务器、终端及存储介质
CN109783724A (zh) * 2018-12-14 2019-05-21 深圳壹账通智能科技有限公司 社交网络信息的管理方法、终端设备及介质
CN109995929A (zh) * 2017-12-29 2019-07-09 中兴通讯股份有限公司 操作的处理方法、账号信息的处理方法、装置及存储介质
CN110152304A (zh) * 2018-05-07 2019-08-23 腾讯科技（深圳）有限公司 获胜值的确定方法及装置、存储介质及电子装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120094762A1 (en) * 2010-10-13 2012-04-19 Sony Computer Entertainment America Inc. Online process for recommending friends based on game playing habits
WO2013152042A1 (en) * 2012-04-02 2013-10-10 38 Studios, Llc Videogame management system
CN108322317A (zh) * 2017-01-16 2018-07-24 腾讯科技（深圳）有限公司 一种账号识别关联方法及服务器
CN109995929A (zh) * 2017-12-29 2019-07-09 中兴通讯股份有限公司 操作的处理方法、账号信息的处理方法、装置及存储介质
CN110152304A (zh) * 2018-05-07 2019-08-23 腾讯科技（深圳）有限公司 获胜值的确定方法及装置、存储介质及电子装置
CN109783724A (zh) * 2018-12-14 2019-05-21 深圳壹账通智能科技有限公司 社交网络信息的管理方法、终端设备及介质
CN109544396A (zh) * 2019-01-10 2019-03-29 腾讯科技（深圳）有限公司 账号推荐方法、装置、服务器、终端及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHEN HONG-MING 等: ""Accounting Confirmation of Executive Stock Option"", 《HTTPS://IEEEXPLORE.IEEE.ORG/STAMP/STAMP.JSP?TP=&ARNUMBER=5593087》 *
NARA SOBREIRA 等: ""GeneMatcher: a matching tool for connecting investigators with an interest in the same gene"", 《HTTPS://ONLINELIBRARY.WILEY.COM/DOI/EPDF/10.1002/HUMU.22844》 *
王丰: ""基于云计算的账户管理***及移动应用的研究与实现 "", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王淑琪等: "基于支持向量机的微博水军账号识别", 《现代计算机(专业版)》 *
皮梦珊: ""多账户情况下搜索广告关键词选择 "", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111935259A (zh) * 2020-07-30 2020-11-13 腾讯科技（深圳）有限公司 目标帐号集合的确定方法和装置、存储介质及电子设备
CN111935259B (zh) * 2020-07-30 2021-11-23 腾讯科技（深圳）有限公司 目标帐号集合的确定方法和装置、存储介质及电子设备
CN113486989A (zh) * 2021-08-04 2021-10-08 北京字节跳动网络技术有限公司 基于知识图谱的对象识别方法、装置、可读介质和设备
CN113486989B (zh) * 2021-08-04 2024-04-09 北京字节跳动网络技术有限公司 基于知识图谱的对象识别方法、装置、可读介质和设备

Also Published As

Publication number Publication date
CN110941769B (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
CN107970608B (zh) 关卡游戏的设置方法和装置、存储介质、电子装置
Gudmundsson et al. Human-like playtesting with deep learning
CN109513215B (zh) 一种对象匹配方法、模型训练方法以及服务器
CN109814955B (zh) 阵容确定的方法、装置及电子设备
US9101834B2 (en) Methods and systems for generating tailored game challenges
Blackburn et al. Branded with a scarlet" C" cheaters in a gaming social network
CN108553903B (zh) 控制机器人玩家方法及装置
Chen et al. Eomm: An engagement optimized matchmaking framework
Rothmeier et al. Prediction of player churn and disengagement based on user activity data of a freemium online strategy game
CN108304853B (zh) 游戏相关度的获取方法、装置、存储介质和电子装置
Shaker et al. Feature analysis for modeling game content quality
Ramirez-Cano et al. Player classification using a meta-clustering approach
Stephenson et al. Procedural generation of complex stable structures for angry birds levels
CN110941769B (zh) 目标帐号的确定方法和装置、电子装置
CN110008999A (zh) 目标帐号的确定方法、装置、存储介质及电子装置
CN109011580A (zh) 残局牌面获取方法、装置、计算机设备及存储介质
Gaina et al. Rolling horizon evolutionary algorithms for general video game playing
CN111701240B (zh) 虚拟物品的提示方法、装置、存储介质和电子装置
CN114392560A (zh) 虚拟场景的运行数据处理方法、装置、设备及存储介质
Loria et al. Comparing the structures and characteristics of different game social networks-the steam case
Sifa et al. Archetypal analysis based anomaly detection for improved storytelling in multiplayer online battle arena games
CN113893547A (zh) 一种基于适应度函数的数据处理方法、***及存储介质
Guitart et al. From non-paying to premium: predicting user conversion in video games with ensemble learning
Francillette et al. A players clustering method to enhance the players' experience in multi-player games
Norton et al. Monsters of Darwin: A strategic game based on artificial intelligence and genetic algorithms

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40018312

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant