CN116955808A - 一种游戏推荐方法、装置、电子设备及介质 - Google Patents
一种游戏推荐方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN116955808A CN116955808A CN202310855650.3A CN202310855650A CN116955808A CN 116955808 A CN116955808 A CN 116955808A CN 202310855650 A CN202310855650 A CN 202310855650A CN 116955808 A CN116955808 A CN 116955808A
- Authority
- CN
- China
- Prior art keywords
- game
- target user
- term
- information
- candidate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000007774 longterm Effects 0.000 claims abstract description 132
- 230000003993 interaction Effects 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 35
- 230000007246 mechanism Effects 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims description 39
- 230000004927 fusion Effects 0.000 claims description 22
- 230000002452 interceptive effect Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 description 23
- 239000013598 vector Substances 0.000 description 18
- 238000004590 computer program Methods 0.000 description 17
- 238000000605 extraction Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 230000006399 behavior Effects 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000000306 recurrent effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000010365 information processing Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000003672 processing method Methods 0.000 description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 230000002688 persistence Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/70—Game security or game management aspects
- A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/50—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers
- A63F2300/55—Details of game data or player data management
- A63F2300/5546—Details of game data or player data management using player registration data, e.g. identification, account, preferences, game history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Security & Cryptography (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供一种游戏推荐方法、装置、电子设备及介质,涉及网络游戏技术领域。所述方法包括:基于注意力机制对目标用户的长期游戏信息、目标用户的短期游戏信息、目标用户信息和多个候选游戏信息进行处理,获得对应所述候选游戏的互动指标;若所述候选游戏的互动指标满足游戏推荐条件,确定满足游戏推荐条件的候选游戏为推荐游戏。本公开提供的游戏推荐方法用于推荐游戏。
Description
技术领域
本发明涉及网络游戏推荐技术领域,尤其涉及一种游戏推荐方法、装置、电子设备及介质。
背景技术
为了提高平台用户的留存率,需要基于用户兴趣向用户推荐感兴趣的游戏。但是,目前的游戏推荐方法在仅单纯提取用户游戏数据,并未对提取到的用户行为数据进行筛选,也并未考虑游戏数据的特性,使得基于用户行为数据得到的用户兴趣的分析结果不够准确,导致推荐的游戏并非用户感兴趣的游戏,从而使得游戏平台难以留住用户。
发明内容
根据本公开的一方面,提供了一种游戏推荐方法,所述方法包括:
基于注意力机制对目标用户的长期游戏信息、目标用户的短期游戏信息、目标用户信息和多个候选游戏信息进行处理,获得对应所述候选游戏的互动指标;
若所述候选游戏的互动指标满足游戏推荐条件,确定满足所述游戏推荐条件的所述候选游戏为推荐游戏。
根据本公开的另一方面,提供了一种游戏推荐装置,所述装置包括:
获得模块,用于基于注意力机制对目标用户的长期游戏信息、目标用户的短期游戏信息、目标用户信息和多个候选游戏信息进行处理,获得对应所述候选游戏的互动指标;
确定模块,若所述推荐游戏的互动指标满足游戏推荐条件,所述确定模块用于确定满足所述游戏推荐条件的所述候选游戏为推荐游戏。
根据本公开的另一方面,提供了一种电子设备,包括:
处理器;以及,
存储程序的存储器;
其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据示例性实施例提供的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述非瞬时计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行根据本公开示例性实施例提供的方法。
本公开实施例中提供的一个或多个技术方案中,通过注意力机制对目标用户的长期游戏信息、目标用户的短期游戏信息、目标用户信息和多个候选游戏信息进行处理,获得对应所述候选游戏的互动指标,建立了用户的长期游戏信息,短期游戏信息和目标用户信息以及多个候选游戏信息之间的关联,使得在获得对应候选游戏的互动指标时,可以将关注重点放在与目标用户信息和多个候选游戏信息相关的特征上,更加关注目标用户信息和多个候选游戏信息对目标用户的游戏兴趣的影响,从而提高了获得的对应候选游戏的互动指标的精准度。基于此,若候选游戏的互动指标满足游戏推荐条件,确定满足游戏推荐条件的候选游戏为推荐游戏时,推荐的推荐游戏可以更精准的表征目标用户多方面、高度个性化的兴趣特征。当将该推荐游戏推荐给目标用户时,该推荐游戏符合目标用户的游戏兴趣,可以吸引目标用户继续在游戏平台游玩,提高了游戏平台的留存率。
附图说明
在下面结合附图对于示例性实施例的描述中,本公开的更多细节、特征和优点被公开,在附图中:
图1示出了根据本公开示例性实施例的神经网络模型的示意性结构图;
图2示出了根据本公开示例性实施例的一种游戏推荐方法的示意性流程图;
图3示出了根据本公开示例性实施例的长短期游戏信息处理单元的处理方法的示意性流程图;
图4示出了根据本公开示例性实施例的目标用户长期游戏信息的去重方法的示意性流程图;
图5示出了根据本公开示例性实施例的神经网络模型包括的游戏推荐网络的示意性结构图;
图6示出了根据本公开示例性实施例的对应候选游戏的互动指标的获取方法的示意性流程图;
图7示出了根据本公开示例性实施例的目标用户的短期游戏兴趣特征的获取方法的示意性流程图;
图8示出了根据本公开示例性实施例的对应候选游戏的互动指标的获取方法的示意性流程图;
图9示出了根据本公开示例性实施例的游戏推荐装置的功能模块示意性框图;
图10示出了根据本公开示例性实施例的芯片的示意性框图;
图11示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
在介绍本公开实施例之前首先对本公开实施例中涉及到的相关名词作如下释义:
ResNet也称为残差网络。ResNet是由残差块(Residual Building Block)构建的。残差块由多个级联的卷积层和一个shortcut connections组成,将二者的输出值累加后,通过ReLU激活层得到残差块的输出。多个残差块可以串联起来,从而实现更深的网络。
循环神经网络(Recurrent Neural Network,RNN)是一类以序列(sequence)数据为输入,在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。循环神经网络具有记忆性、参数共享并且图灵完备(Turing completeness),因此在对序列的非线性特征进行学习时具有一定优势。
注意力机制是一种深度学习技术,可以帮助模型在处理序列数据时更加有效地关注重要信息。它通过为每个时间步的输入数据赋予一个权重,表示该输入数据在当前任务中的重要程度。这种权重是通过计算输入数据与模型当前状态之间的相似度得到的,相似度越高,权重越大。这种机制可以提高模型的性能和精度,常见的注意力机制包括单向、双向和多头注意力等。
如何提高用户留存率,是当前游戏平台需要解决的一大问题。目前,通常基于用户长短期兴趣对用户进行个性化游戏推荐,该基于用户长短期兴趣对用户进行个性化游戏推荐的方法通常包含4个模块,即用户长短期行为处理及提取模块、用户长短期兴趣提取网络、长短期兴趣融合及物品推荐模块。其中,用户长短期行为处理及提取模块目前主要针对用户行为,如用户购买行为、用户试听行为等,将用户行为按照时间顺序排列后采用一定的方法进行长短期行为序列划分。用户长短期兴趣网络多采用RNN和多头自注意力机制来提取用户的长期兴趣特征,利用全连接神经网络或注意力机制等方式来提取用户的短期兴趣特征。长短期兴趣融合及物品推荐模块多采用门结构、加权平均或者加权求和等方式对用户的长短期兴趣进行融合。
由于目前长短期兴趣网络主要针对用户购物、新闻浏览等即时行为,此类数据中用户的重复行为较少,且用户的兴趣转移频率高、持续周期较短。而游戏数据与上述数据具有非常大的差异,不仅用户行为中存在大量重复数据,且用户的游戏兴趣在较短的时间内不会多次发生转移,同时具有用户兴趣表现出的行为不一定完全连续的特点。当用户玩游戏时,经常出现一段时间内喜欢玩某一款或某几款游戏,但并不会每一天都有对应游戏的玩耍行为或者中途对某几款游戏失去兴趣但对其他游戏又发生了兴趣的现象。例如,用户在一个星期的首尾都玩了游戏,星期二至星期五都没玩这款游戏,并不能说明用户在这段时间内的兴趣发生了转移。这使得上述基于用户长短期兴趣对用户进行个性化游戏推荐的方法得到的用户兴趣分析结果不够准确。
为了克服上述问题,本公开示例性实施例提供了一种游戏推荐方法,该方法综合考虑了目标用户游戏兴趣的持续性和时间不敏感性,设计目标用户的长短期游戏信息,并基于注意力机制对目标用户的长期游戏信息、目标用户的短期游戏信息、目标用户信息和多个候选游戏信息进行处理,使得在确定多个候选游戏的互动指标时,能将重心放在与多个候选游戏信息和目标用户信息相关的特征上,从而使得推荐的推荐游戏可以表征目标用户多方面、高度个性化的兴趣特征。应理解,本公开示例性实施例所涉及的游戏从游戏分类上来说,可以是塔防类游戏,可以是益智类游戏,可以是战争类游戏,还可以是经营类游戏等,并不限于此。从游戏的状态上来说,该游戏可以为即将下架的游戏,也可以是未来可能要下架的游戏等,并不限于此。
本公开示例性实施例的游戏推荐方法应用于神经网络模型中,该神经网络模型可以从目标用户的长期游戏信息中提取目标用户的游戏兴趣发展和长期游戏兴趣特征,从目标用户的短期游戏信息中提取目标用户的短期游戏兴趣特征,并利用候选游戏特征和目标用户特征进行注意力,使神经网络模型可以将重心放在与目标用户和候选游戏相关的特征上,提高了该神经网络模型的预测精度,从而使得推荐的推荐游戏更符合目标用户的游戏兴趣。
图1示出了根据本公开示例性实施例的神经网络模型的示意性结构图。如图1所示,上述神经网络模型可以包括长短期游戏信息处理单元、输入层、长短期游戏兴趣提取网络、长短期游戏兴趣融合单元及游戏推荐网络五个部分。首先,利用长短期游戏信息处理单元对目标用户的历史游戏信息进行处理,划分出目标用户的长期游戏信息和目标用户的短期游戏信息。然后,将目标用户的长期游戏信息、目标用户的短期游戏信息、目标用户信息和多个候选游戏信息一起输入到长短期兴趣提取网络中获得目标用户的长短期游戏特征向量,最后,利用提取出的特征向量与多个候选游戏信息进行交互获得目标用户点击对应候选游戏的概率,并根据所有候选游戏的点击概率进行游戏推荐。
图2示出了根据本公开示例性实施例的一种游戏推荐方法的示意性流程图。如图2所示,本公开示例性实施例的游戏推荐方法包括:
步骤201:基于注意力机制对目标用户的长期游戏信息、目标用户的短期游戏信息、目标用户信息和多个候选游戏信息进行处理,获得对应候选游戏的互动指标。通过目标用户信息和多个候选游戏信息对目标用户的长期游戏信息、目标用户的短期游戏信息进行注意力,使得在获得对应候选游戏的互动指标时,可以将关注重点放在与目标用户信息和多个候选游戏信息相关的特征上,更加关注目标用户信息和多个候选游戏信息对目标用户的游戏兴趣的影响,从而提高了获得的对应候选游戏的互动指标的精准度。
在实际应用中,可以通过将目标用户的长期游戏信息、目标用户的短期游戏信息、目标用户信息和多个候选游戏信息作为上述神经网络模型的样本,输入相应的神经网络模型中,需要说明的是,该神经网络模型可以包括注意力机制网络,通过注意力机制网络对目标用户的长期游戏信息、目标用户的短期游戏信息、目标用户信息和多个候选游戏信息进行处理,以使得目标用户的长期游戏信息和目标用户的短期游戏信息可以基于目标用户信息和多个候选游戏信息赋予不同的权重,基于该赋予不同权重的目标用户的长期游戏信息和目标用户的短期游戏信息可以获得对应候选游戏的互动指标,使得该对应的候选游戏的互动指标可以更加精准的表达用户的游戏兴趣。应理解,此处的对应是指基于多个候选游戏中的一个候选游戏信息和目标用户信息对目标用户的长期游戏信息和目标用户的短期游戏信息进行注意力时,确定的该候选游戏的互动指标。
步骤202:若候选游戏的互动指标满足游戏推荐条件,确定满足游戏推荐条件的候选游戏为推荐游戏。以使得推荐的游戏可以更精准的表征目标用户多方面、高度个性化的兴趣特征。当将该推荐游戏推荐给目标用户时,该推荐游戏符合目标用户的游戏兴趣,可以吸引目标用户继续在游戏平台游玩,提高了游戏平台的留存率。应理解,这里的推荐游戏可以是一个游戏,也可以是多个游戏,在此不做限定。
考虑到目标用户游戏兴趣的持续性和时间不敏感性,本公开示例性实施例提出了一种按时期融合用户兴趣的方法。基于此,目标用户的长期游戏信息包括多个时期的用户游戏信息,每个时期的用户游戏信息不同,以使得同一游戏信息在目标用户的长期游戏信息中只体现一次,能够有效避免目标用户的长期游戏信息中的大量冗余信息,从而降低模型消耗。应理解,这里的同一游戏信息可以是指用户在不同时期内游玩的游戏信息完全相同。
示例性的,可以按照天为单位划分目标用户的长期游戏信息,将长期游戏信息中目标用户每一天游玩的游戏按照游玩时间的先后顺序排序后,获得目标用户的长期游戏信息。目标用户第一天游玩的游戏a1=[g11,g12],第二天游玩的游戏a2=[g21,g22]时,认为目标用户第一天游玩的游戏和第二天游玩的游戏为同一游戏信息,可以删除目标用户第一天游玩的游戏或第二天游玩的游戏,以去除目标用户的长期游戏信息中的大量冗余信息,降低模型消耗,此时,目标用户的长期游戏信息中包括的第一时期S1的游戏信息可以为a1=[g11,g12]或者a2=[g21,g22],可以表示为S1=a1=[g11,g12]或者S1=a2=[g21,g22]。
图3示出了根据本公开示例性实施例的长短期游戏信息处理单元的处理方法的示意性流程图。如图3所示,上述长短期游戏信息处理单元的处理方法可以包括:
步骤301:基于目标用户的历史游戏信息,获取目标用户在多个历史时期的游戏列表。应理解,这里的目标用户的历史游戏信息可以为目标用户在当前统计时间之前的游玩游戏信息,也可以是目标用户在游玩候选游戏之前的游玩游戏信息。可以基于目标用户游戏兴趣的持续性,将该目标用户的历史游戏信息划分为目标用户的长期游戏信息、目标用户的短期游戏信息。
上述目标用户的历史游戏信息可以包括游戏基本信息和游戏行为日期。游戏基本信息可以包括游戏编号、游戏ID、游戏类型、厂商等游戏信息。当上述用户的历史游戏信息作为样本输入神经网络模型中时,目标用户的历史游戏信息可以包括游戏的编号和游戏游玩日期,由神经网络模型基于游戏的标号获取游戏的游戏ID、游戏类型、厂商等游戏信息。
在实际应用中,可以按照天为单位对目标用户的历史游戏信息进行划分,获取目标用户在多个历史时期的游戏列表A=[a1,a2,a3,…,an],其中,an=[gn1,gn2,...,gnj],式中,an表示目标用户的历史第n天的游玩游戏列表,gnj表示目标用户的历史第n天游玩的第j个游戏。考虑到选取的目标用户的历史游戏信息的时间过长会增加神经网络模型的训练周期,因此,选取的目标用户的历史游戏信息可以为目标用户在游玩候选游戏前30天的游玩游戏信息,此时,n=30。当然,该目标用户的历史游戏信息的时间也可以设置为其他值,在此不做限定。
步骤302:基于长期游戏信息采样参数从目标用户在多个历史时期的游戏列表中获取目标用户的长期游戏信息。应理解,这里的长期游戏信息采样参数包括长期游戏信息的采样时长,长期游戏信息的采样时长大于用户兴趣周期的时长。
在实际应用中,长期游戏信息的采样时长可以等于目标用户的历史游戏信息的采样时长,以减少神经网络模型的训练周期,提高神经网络模型的训练效率。例如,当目标用户的历史游戏信息的采样时长为目标用户在游玩候选游戏前30天时,该长期游戏信息的采样时长也可以为目标用户在游玩候选游戏前30天,此时,目标用户的长期游戏信息A1=A。
考虑到目标用户对游戏的兴趣转移频率高,持续周期较短,本公开示例性实施例的方法通过设定用户兴趣周期T1来表征用户游玩游戏兴趣的持续性,对于游戏a1,若目标用户在游玩游戏a1的时间后的一个兴趣周期T1内均未再游玩游戏a1,则认为目标用户对游戏a1失去了兴趣。
在实际应用中,上述兴趣周期T1可以基于大量用户历史游玩游戏数据进行设置。例如,可以基于大量用户历史游玩游戏数据的统计结果设置兴趣周期初始值T0,以该大量用户历史游玩游戏数据为样本,以兴趣周期初始值T0为标签,将样本输入模型中进行验证,并根据损失值对兴趣周期初始值T0进行调整,以确定兴趣周期T1。
上述大量用户历史游玩游戏数据的统计结果可以使用大量观察法、统计分组法、综合指标法或者时间数列分析法对大量用户历史游玩游戏数据进行处理获得。需要说明的是,长期游戏信息的采样时长可以为兴趣周期T1的时长的整数倍,以便于对长期游戏信息包括的每个时期的目标用户游玩的目标游戏进行判断。
步骤303:基于短期游戏信息采样参数从目标用户在多个历史时期的游戏列表中获取目标用户的短期游戏信息。应理解,这里的短期游戏信息采样参数包括短期游戏信息的采样时长,短期游戏信息的采样时长小于长期游戏信息的采样时长。例如,当上述长期游戏信息的采样时长为目标用户在游玩候选游戏前30天时,短期游戏信息的采样时长可以为小于长期游戏信息的采样时长,此时,短期游戏信息的采样时长可以为目标用户在游玩候选游戏前1天或者前3天等,并不限于此。
示例性的,设上述短期游戏信息的采样时长为T2,则短期游戏信息可以为A2=[an-T2+1,…,an-1,an]。当短期游戏信息的采样时长为目标用户在游玩候选游戏前1天时,T2=1,此时,短期游戏信息可以为A2=[an],当短期游戏信息的采样时长为目标用户在游玩候选游戏前3天时,T2=3,此时,短期游戏信息可以为A2=[an-2,an-1,an]。
为了减少冗余数据,提高神经网络模型的训练效率,可以对上述目标用户的短期游戏信息进行去重,可以使用for循环去重、indexOf去重、filter去重或者数组并集去重等方法。
考虑到短期游戏信息多为一维数组,且数据处理量比较小,因此,可以使用数据并集去重的方法对短期游戏信息进行去重。具体的,可以先对目标用户的短期游戏信息进行合并,使用扩展运算付对目标用户的短期游戏信息进行拆解,再基于Set数组对目标用户的短期游戏信息进行去重,最后,将返回的Set数组的类型进行转换即可。
为了去除长期游戏信息采样参数中的冗余数据,提高神经网络模型的训练效率,可以通过for循环对目标用户的长期游戏信息进行去重处理。图4示出了根据本公开示例性实施例的目标用户长期游戏信息的去重方法的示意性流程图。如图4所示,基于长期游戏信息采样参数从目标用户在多个历史时期的游戏列表中获取目标用户的长期游戏信息,可以包括:
步骤401:若目标用户在第一目标时期的游戏列表包括的目标游戏不在第一临时列表中,在第一临时列表内添加目标游戏。
示例性的,可以建立目标用户的第一临时列表,由于目标用户的长期游戏信息为二维数组,可以通过两次循环对该二维数组进行处理。第一次循环可以确定目标用户的长期游戏信息的第一目标时期,第二次循环可以对目标用户的长期游戏信息的第一目标时期的游戏列表包括的目标游戏是否在第一临时列表中进行判断,将不在第一临时列表中的第一目标时期的游戏列表包括的目标游戏加入第一临时列表中,将在第一临时列表中的第一目标时期的游戏列表包括的目标游戏忽略,以使得最终确定的第一临时游戏列表内包括的游戏信息与目标用户在第一目标时期的游戏列表包括的游戏信息不同。
步骤402:若第一临时列表与第二临时列表不同,基于第一临时列表增量更新目标用户的长期游戏信息。应理解,设第一目标时期为t,这里的第一临时列表可以为St,第二目标时期可以为t-1,第二临时列表可以为St-1,即表示在第一目标时期之前的一个时期的游戏列表。通过判断第一临时列表与第二临时列表之间的相似性,基于与第二临时列表不同的第一临时列表增量更新长期游戏信息,以去除与第二临时列表完全相同的第一临时列表,避免了目标用户的长期游戏信息中出现大量冗余数据,在完整表达用户游戏兴趣的同时还可以降低神经网络模型的消耗,提升神经网络模型的性能。
示例性的,当t=1时,第一临时列表可以为S1,第二临时列表可以为S0,若S1与S0不同,则将S1中包括的游戏赋值给目标用户的长期游戏信息,获得更新后的目标用户的产期游戏信息。再通过确定S1中包括的游戏是否在S2至S1+T1中包括的游戏列表中出现,将出现的游戏保留,没有出现的游戏移除,获得更新后的第二临时列表。当t=2时,第一临时列表可以为S2,第二临时列表可以为更新后的S1,若S2与更新后的S1不同,则将S2中包括的游戏赋值给目标用户的长期游戏信息,获得更新后的目标用户的长期游戏信息,应理解,此时的更新后的目标用户的长期游戏信息包括游戏列表S1和游戏列表S2。再通过确定S2中包括的游戏是否在S3至S2+T1中包括的游戏列表中出现,将出现的游戏保留,没有出现的游戏移除,获得更新后的第二临时列表。以此类推,直至目标用户再多个历史时期的游戏列表更新完后,获得目标用户的长期游戏信息。
步骤403:若第一临时列表包括的目标游戏不在目标用户在第二目标时期的游戏列表中,从第一临时列表移除目标游戏,基于第一临时列表更新第二临时列表,第二目标时期晚于第一目标时期。应理解,这里的第二目标时期可以是基于前文提及的兴趣周期进行确定的。若在第一临时列表对应的第一目标时期之后的一个兴趣周期内的游戏列表中均没有出现目标游戏,则认为目标用户对该目标游戏失去兴趣,因此,可以从第一临时列表中移出目标游戏,以提高神经网络模型的训练精度。
上述第二目标时期的时长大于第一目标时期的时长,第二目标时期的时长等于用户兴趣周期的时长。此时,可以设第一临时列表S1=[g11,g12,g13],第一临时列表对应的第一目标时期为t,目标游戏为g13,则第二目标时期可以为t+1~t+T1,若在t+1~t+T1的时长内对应的游戏列表中均未出现目标游戏g13,则认为目标用户对目标游戏g13失去兴趣,因此,第一临时列表S1=[g11,g12],更新后的第二临时列表S2=[g11,g12]。
在实际应用中,可以先设定目标用户的长期游戏信息为Q=[S1,S2,S3,…,Sm],m≤n。按天为单位划分目标用户在多个历史时期的游戏列表,获得长期游戏序列A1=[a1,a2,a3,…,an]其中,an=[gn1,gn2,...,gnj]和短期游戏序列A2=[an-T2+1,…,an-1,an]。此时,可以创建目标用户的临时兴趣序列S=[],循环长期游戏序列A1包括的游戏时期的第一天,创建临时存放序列St=S,此时,t=1。然后循环长期游戏序列A1中的第一天的游戏列表中的每一个游戏,确定对应的游戏是否在临时存放序列St中,如果对应的游戏不在临时存放序列St中,将对应的游戏加入临时存放序列St中,再判断临时存放序列St包括的游戏列表与临时兴趣序列S包括的游戏列表是否完全一致,若不一致,将临时存放序列St加入目标用户的长期游戏信息Q中。然后再判断在t+1~t+T1周期包括的游戏列表中是否含有临时存放序列St中包括的每一个游戏,若是,则保留,若否,则剔除,最后将处理后的St更新为目标用户的临时兴趣序列S,即目标用户的临时兴趣序列S=[St]。
例如,设a1=[g11,g12],则S1=[g11,g12],若游戏g11在2~1+T1周期包括的游戏列表中没有在出现过,则S=[g12];a2=[g22,g23],则S2=[g22,g23],若游戏g22在3~2+T1周期包括的游戏列表中没有在出现过,则S=[g23];a3=[g22,g23],则S3=[g22,g23],由于S3=S2,去除S3;得到的目标用户的长期游戏信息为Q=[S1,S2]=[[g11,g12],[g22,g23]]。
图5示出了根据本公开示例性实施例的神经网络模型包括的游戏推荐网络的示意性结构图。如图5所示,该游戏推荐网络包括输入层、嵌入层、长短期游戏兴趣提取网络、长短期游戏兴趣融合单元及游戏推荐网络五个部分,用于向目标用户推荐游戏。通过前文所述的神经网络模型包括的长短期游戏信息处理单元对目标用户的历史游戏信息进行处理,划分出目标用户的长期游戏信息和目标用户的短期游戏信息后,可以将目标用户的长期游戏信息和目标用户的短期游戏信息输入游戏推荐网络中向目标用户推荐游戏。
如图5所示,上述长短期游戏兴趣提取网络用于对目标用户的长期游戏信息和目标用户的短期游戏信息分别进行建模,获得目标用户的长期兴趣特征和短期兴趣特征,并据此进行游戏推荐。
作为一种可能的实现方式,图6示出了根据本公开示例性实施例的对应候选游戏的互动指标的获取方法的示意性流程图。如图6所示,上述基于注意力机制对目标用户的长期游戏信息、目标用户的短期游戏信息、目标用户信息和多个候选游戏信息进行处理,获得对应候选游戏的互动指标,可以包括:
步骤601:基于目标用户的长期游戏信息确定目标游戏的长期序列特征。
示例性的,可以将目标用户的长期游戏信息输入游戏推荐网络包括的嵌入层中,目标用户的长期游戏信息是一个由目标用户每个时期的游戏列表组成的列表Q=[[gn1,gn2,...,gnj],...,[gm1,gm2,...,gmj]]。通过将该目标用户的长期游戏信息输入嵌入层后,获取每个游戏对应的目标用户的长期游戏向量,然后将每个游戏对应的目标用户的长期游戏向量输入平均池化单元中,按时间顺序对每个游戏对应的的目标用户的长期游戏向量求平均,获得目标用户的每个时期的游戏向量,再通过对每个游戏对应的的目标用户的长期游戏向量求平均,以将目标用户的长期游戏向量进行降维,使得该目标用户的长期游戏向量可以与目标用户的短期游戏信息匹配。最后,将目标用户的每个时期的游戏向量输入长短期游戏兴趣提取网络包括的时序特征提取网络后,获得目标游戏的长期序列特征。应理解,这里的时序特征提取网络可以为RNN循环神经网络、GRU循环神经网络、LSTM循环神经网络、RNN循环神经网络或者Transformer网络等。
步骤602:基于注意力机制处理目标用户的短期游戏信息和多个候选游戏,获得目标用户的短期游戏兴趣特征。应理解,这里的输入的多个候选游戏包括候选游戏的ID信息、游戏标签、游戏发行时间等特征。
示例性的,在短期游戏兴趣提取网络中,可以基于物品注意力网络对目标用户的短期游戏信息中的每一个游戏分别与目标游戏的游戏特征进行注意力打分,获取与目标游戏相关的特征权重,然后将与目标游戏相关的特征权重即特征输入池化层中进行融合获得当前时期的目标用户的短期游戏兴趣特征。
在上述长期游戏兴趣提取网络中,每一个目标游戏的游戏向量表示目标用户在某个时期内的游戏兴趣特征,相邻的两个目标游戏的游戏向量间的差异和变化体现了目标用户对游戏的兴趣的变化情况,而整个目标游戏的长期序列特征能体现出用户的兴趣发展,利用时序特征提取网络可以挖掘用户兴趣的变化趋势,时序对用户兴趣的影响。基于时序特征提取网络对目标用户的长期游戏兴趣发展和游戏特征进行建模,最后一个时间步的输出代表了目标用户当前游戏兴趣的发展方向。但是,时序特征提取网络虽然能提取出目标用户长期序列特征中的时序特征,但缺乏对目标用户信息的建模,短期游戏兴趣提取网络与长期兴趣提取网络相同,同样缺乏对目标用户信息进行个性化建模,使得该游戏推荐模型的推荐效果不好。
为了克服上述问题,本公开示例性实施例的游戏推荐模型在时序特征提取网络后接入了用户注意力网络,利用目标用户特征对目标游戏的长期序列特征和目标用户的短期游戏兴趣特征进行进一步个性化特征筛选,获得目标用户的长期游戏兴趣特征向量和目标用户的短期游戏兴趣特征向量,以提高该游戏推荐模型的推荐效果。
步骤603:基于注意力机制对目标用户的短期游戏兴趣特征、目标游戏的长期序列特征、目标用户信息和多个候选游戏信息进行处理,获得对应候选游戏的互动指标。应理解,这里输入的目标用户信息包括目标用户ID信息、目标用户年龄信息、目标用户性别信息等。
示例性的,可以将目标用户的短期游戏兴趣特征、目标游戏的长期序列特征、目标用户信息输入长短期游戏兴趣提取网络包括的用户注意力网络中,利用目标用户特征对目标游戏的长期序列特征和目标用户的短期游戏兴趣特征进行进一步个性化特征筛选,获得对应候选游戏的互动指标。
作为一种可能的实现方式,图7示出了根据本公开示例性实施例的目标用户的短期游戏兴趣特征的获取方法的示意性流程图。如图7所示,上述基于注意力机制处理目标用户的短期游戏信息和多个候选游戏,获得目标用户的短期游戏兴趣特征,包括:
步骤701:基于目标用户的短期游戏信息和多个候选游戏信息,确定对应候选游戏对目标用户的短期游戏信息的注意力评价信息。应理解,这里的对应候选游戏是指基于目标用户的短期游戏信息和多个候选游戏信息中的一个候选游戏信息,确定该候选游戏对目标用户的短期游戏信息的注意力评价信息。以此类推,可以获得多个目标用户的短期游戏信息的注意力评价信息,以使得上述游戏推荐模型在对目标用户的短期游戏信息处理时,可以基于每个候选游戏信息对该短期游戏信息进行个性化筛选。
步骤702:对多个候选游戏对目标用户的短期游戏信息的注意力评价信息进行融合,获得目标用户的短期游戏兴趣特征。
在实际应用中,通过在物品注意力网络后接入池化层对多个候选游戏对目标用户的短期游戏信息的注意力评价信息进行融合,以获得目标用户的短期游戏兴趣特征。
在一些可选方式中,图8示出了根据本公开示例性实施例的对应候选游戏的互动指标的获取方法的示意性流程图。如图8所示,上述基于注意力机制对目标用户的短期游戏兴趣特征、目标游戏的长期序列特征、目标用户信息和多个候选游戏信息进行处理,获得对应候选游戏的互动指标,可以包括:
步骤801:基于目标用户的短期游戏兴趣特征、目标游戏的长期序列特征、目标用户信息和多个候选游戏信息,获得自注意力融合信息。
在实际应用中,在获得目标用户的短期游戏兴趣特征和目标游戏的长期序列特征后,可以将该目标用户的短期游戏兴趣特征、目标游戏的长期序列特征、目标用户信息和多个候选游戏信息输入长短期游戏兴趣融合单元包括的Concat函数中进行融合,获得Concat融合信息。然后,将Concat融合信息输入长短期游戏兴趣融合单元包括的多头自注意力网络中进行深层融合,获得子注意力融合信息。
为了更好的表达用户特征,同时提高游戏推荐模型的预测结果的准确性,该长短期游戏兴趣融合单元可以包括多头自注意力网络和残差网络的结合。因此,步骤802:可以基于自注意力融合信息、目标用户的短期游戏兴趣特征、目标游戏的长期序列特征、目标用户信息和多个候选游戏信息,获得残差信息。
在实际应用中,上述在获得自注意力融合信息后,可以将该自注意力融合信息、目标用户的短期游戏兴趣特征、目标游戏的长期序列特征、目标用户信息和多个候选游戏信息作为残差网络的输入向量,输入长短期游戏兴趣融合单元包括的残差网络中进行深层融合,获得残差信息。
由于高阶特征融合需要多层多头自注意力网络,因此,可以将每层多头自注意力网络与残差网络结合使用,将每层多头注意力网络的输出以及该层多头注意力网络的输入作为残差网络的输入,则残差网络输出可以为yl=MultiHeadSelfAttention(y(l-1))+y(l-1),式中,yl表示第l层残差网络的输出向量,MultiHeadSelfAttention(y(l-1))表示上一层多头自注意力网络的输出向量,y(l-1)表示上一层多头自注意力网络的输入向量,最后一层残差网络的输出为残差信息。本公开示例性实施例的游戏推荐模型通过使用多头自注意力网络和残差网络结合对高阶特征和低阶特征特征进行融合,使得高低阶特征融合更充分,同时,在得到高阶特征的同时也能保留低阶特征,使得该游戏推荐模型可以更好的表达用户特征,从而提升预测效果。且该游戏推荐模型能够在原始特征基础上进行特征交互,防止特征交互前的转换操作可能带来的特征损失。同时,特征的交互利用多头自注意力机制进行实现,较门结构和其他注意力方法来说,多个特征向量通过concat函数的操作进行组合,不需要限制特征维度的一致性。
步骤803:基于残差信息确定对应候选游戏的互动指标。在获得残差信息后,可以将该残差信息输入游戏推荐网络包括的DNN神经网络中进行进一步的特征融合并进行点击率预测,由DNN神经网络输出目标用户对当前目标游戏的点击概率,根据点击概率向目标用户推荐游戏。
作为一种可能的实现方式,上述游戏推荐条件可以包括:候选游戏的互动指标大于或等于预设互动指标。
上述候选游戏的互动指标可以为范围值,也可以为点值。例如:假设预设互动指标为0.97,第一个候选游戏的互动指标为0.99,第二个候选游戏的互动指标为0.95,可见,第一个候选游戏的互动指标大于预设互动指标,第二个候选游戏的互动指标小于预设互动指标,由此确定第一个候选游戏为推荐游戏。
作为一种可能的实现方式,本公开示例性实施例的游戏推荐方法还包括:按照多个候选游戏的互动指标由大到小的顺序,对多个候选游戏进行排序,则游戏推荐条件包括:推荐游戏的互动指标在排序中的次序小于或等于M,M表示小于候选游戏总数的整数。
示例性的,可以通过对候选游戏的互动指标由大到小的顺序,对多个候选游戏进行排序,推荐游戏的互动指标在排序中的次序小于或等于M,此处实质限定了推荐游戏为排序在前M个的候选游戏。例如:将多个候选游戏的互动指标从大到小的顺序进行排序,设排在第一位的第一个候选游戏的互动指标为1,排在第M位的第M个候选游戏的互动指标为0.95,取前M个候选游戏的互动指标大于等于0.95的候选游戏作为推荐游戏推荐给目标用户。
上述主要从服务器的角度对本公开实施例提供的方案进行了介绍。可以理解的是,服务器为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本公开能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
本公开实施例可以根据上述方法示例对服务器进行功能单元的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本公开实施例中对模块的划分是示意性的,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。
在采用对应各个功能划分各个功能模块的情况下,本公开示例性实施例提供一种游戏推荐装置,该游戏推荐装置可以为服务器或应用于服务器的芯片。图9示出了根据本公开示例性实施例的游戏推荐装置的功能模块示意性框图。如图9所示,该游戏推荐装置900包括:
获得模块901,用于基于注意力机制对目标用户的长期游戏信息、目标用户的短期游戏信息、目标用户信息和多个候选游戏信息进行处理,获得对应所述候选游戏的互动指标;
确定模块902,若推荐游戏的互动指标满足游戏推荐条件,确定模块902用于确定满足游戏推荐条件的候选游戏为推荐游戏。
作为一种可能的实现方式,上述目标用户的长期游戏信息包括多个时期的用户游戏信息,每个时期的用户游戏信息不同。
作为一种可能的实现方式,上述游戏推荐装置900还包括获取模块903,用于基于目标用户的历史游戏信息,获取目标用户在多个历史时期的游戏列表;基于长期游戏信息采样参数从目标用户在多个历史时期的游戏列表中获取目标用户的长期游戏信息;基于短期游戏信息采样参数从目标用户在多个历史时期的游戏列表中获取目标用户的短期游戏信息。
在一些可选方式中,上述长期游戏信息采样参数包括长期游戏信息的采样时长,长期游戏信息的采样时长大于用户兴趣周期的时长。
短期游戏信息采样参数包括短期游戏信息的采样时长,短期游戏信息的采样时长小于长期游戏信息的采样时长。
在一些可选方式中,上述游戏推荐装置900还包括添加模块904,若目标用户在第一目标时期的游戏列表包括的目标游戏不在第一临时列表中,添加模块904用于在第一临时列表内添加目标游戏。
上述游戏推荐装置900还包括更新模块905,若第一临时列表与第二临时列表不同,更新模块905用于基于第一临时列表增量更新目标用户的长期游戏信息。
上述游戏推荐装置900还包括移除模块906,若第一临时列表包括的目标游戏不在目标用户在第二目标时期的游戏列表中,移除模块906用于从第一临时列表移除目标游戏,
所述更新模块905还用于基于第一临时列表更新第二临时列表,第二目标时期晚于第一目标时期。
在一些可选方式中,上述第二目标时期的时长大于第一目标时期的时长,第二目标时期的时长等于用户兴趣周期的时长。
作为一种可能的实现方式,上述确定模块902还用于基于目标用户的长期游戏信息确定目标游戏的长期序列特征。
获得模块901还用于基于注意力机制处理目标用户的短期游戏信息和多个候选游戏,获得目标用户的短期游戏兴趣特征,基于注意力机制对目标用户的短期游戏兴趣特征、目标游戏的长期序列特征、目标用户信息和多个候选游戏信息进行处理,获得对应候选游戏的互动指标。
在一些可选方式中,上述确定模块902还用于基于目标用户的短期游戏信息和多个候选游戏信息,确定对应候选游戏对目标用户的短期游戏信息的注意力评价信息。
获得模块901还用于对多个候选游戏对目标用户的短期游戏信息的注意力评价信息进行融合,获得目标用户的短期游戏兴趣特征。
在一些可选方式中,上述获得模块901还用于基于目标用户的短期游戏兴趣特征、目标游戏的长期序列特征、目标用户信息和多个候选游戏信息,获得自注意力融合信息;基于自注意力融合信息、目标用户的短期游戏兴趣特征、目标游戏的长期序列特征、目标用户信息和多个候选游戏信息,获得残差信息;
上述确定模块902还用于基于残差信息确定对应候选游戏的互动指标。
作为一种可能的实现方式,上述游戏推荐条件包括:候选游戏的互动指标大于或等于预设互动指标。
作为一种可能的实现方式,上述游戏推荐装置900还包括排序模块907,用于按照多个候选游戏的互动指标由大到小的顺序,对上述多个候选游戏进行排序,游戏推荐条件包括:推荐游戏的互动指标在排序中的次序小于或等于M,M表示小于候选游戏总数的整数。
图10示出了根据本公开示例性实施例的芯片的示意性框图。如图10所示,该芯片1000包括一个或两个以上(包括两个)处理器1001和通信接口1002。通信接口1002可以支持服务器执行上述图像处理方法中的数据收发步骤,处理器1001可以支持服务器执行上述图像处理方法中的数据处理步骤。
可选的,如图10所示,该芯片1000还包括存储器1003,存储器1003可以包括只读存储器和随机存取存储器,并向处理器提供操作指令和数据。存储器的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory,NVRAM)。
在一些实施方式中,如图10所示,处理器1001通过调用存储器存储的操作指令(该操作指令可存储在操作***中),执行相应的操作。处理器1001控制终端设备中任一个的处理操作,处理器还可以称为中央处理单元(central processing unit,CPU)。存储器1003可以包括只读存储器和随机存取存储器,并向处理器1001提供指令和数据。存储器1003的一部分还可以包括NVRAM。例如应用中存储器、通信接口以及存储器通过总线***耦合在一起,其中总线***除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图10中将各种总线都标为总线***1004。
上述本公开实施例揭示的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digital signal processing,DSP)、ASIC、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
本公开示例性实施例还提供一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序,所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本公开实施例的方法。
本公开示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
本公开示例性实施例还提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
参考图11,现将描述可以作为本公开的服务器或客户端的电子设备1100的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图11所示,电子设备1100包括计算单元1101,其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序,来执行各种适当的动作和处理。在RAM 1103中,还可存储电子设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
电子设备1100中的多个部件连接至I/O接口1105,包括:输入单元1106、输出单元1107、存储单元1108以及通信单元1109。输入单元1106可以是能向电子设备1100输入信息的任何类型的设备,输入单元1106可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元1107可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1108可以包括但不限于磁盘、光盘。通信单元1109允许电子设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理。例如,在一些实施例中,本公开示例性实施例的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1108。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到电子设备1100上。在一些实施例中,计算单元1101可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开示例性实施例的方法。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
如本公开使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时,全部或部分地执行本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,例如,软盘、硬盘、磁带;也可以是光介质,例如,数字视频光盘(digital video disc,DVD);还可以是半导体介质,例如,固态硬盘(solid state drive,SSD)。
尽管结合具体特征及其实施例对本公开进行了描述,显而易见的,在不脱离本公开的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本公开的示例性说明,且视为已覆盖本公开范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样,倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内,则本公开也意图包括这些改动和变型在内。
Claims (10)
1.一种游戏推荐方法,其特征在于,所述方法包括:
基于注意力机制对目标用户的长期游戏信息、目标用户的短期游戏信息、目标用户信息和多个候选游戏信息进行处理,获得对应所述候选游戏的互动指标;
若所述候选游戏的互动指标满足游戏推荐条件,确定满足所述游戏推荐条件的所述候选游戏为推荐游戏。
2.根据权利要求1所述的游戏推荐方法,其特征在于,所述方法还包括:
基于目标用户的历史游戏信息,获取所述目标用户在多个历史时期的游戏列表;
基于长期游戏信息采样参数从所述目标用户在多个历史时期的游戏列表中获取目标用户的长期游戏信息;
基于短期游戏信息采样参数从所述目标用户在多个历史时期的游戏列表中获取目标用户的短期游戏信息。
3.根据权利要求2所述的游戏推荐方法,其特征在于,所述长期游戏信息采样参数包括所述长期游戏信息的采样时长,所述长期游戏信息的采样时长大于用户兴趣周期的时长;
所述短期游戏信息采样参数包括所述短期游戏信息的采样时长,所述短期游戏信息的采样时长小于所述长期游戏信息的采样时长。
4.根据权利要求2所述的游戏推荐方法,其特征在于,所述基于长期游戏信息采样参数从所述目标用户在多个历史时期的游戏列表中获取目标用户的长期游戏信息,包括:
若所述目标用户在第一目标时期的游戏列表包括的目标游戏不在第一临时列表中,在所述第一临时列表内添加所述目标游戏;
若所述第一临时列表与第二临时列表不同,基于所述第一临时列表增量更新所述目标用户的长期游戏信息;
若所述第一临时列表包括的目标游戏不在所述目标用户在第二目标时期的游戏列表中,从所述第一临时列表移除所述目标游戏,基于所述第一临时列表更新所述第二临时列表,所述第二目标时期晚于所述第一目标时期。
5.根据权利要求1所述的游戏推荐方法,其特征在于,所述基于注意力机制对目标用户的长期游戏信息、目标用户的短期游戏信息、目标用户信息和多个候选游戏信息进行处理,获得对应所述候选游戏的互动指标,包括:
基于所述目标用户的长期游戏信息确定所述目标游戏的长期序列特征;
基于注意力机制处理所述目标用户的短期游戏信息和多个所述候选游戏,获得所述目标用户的短期游戏兴趣特征;
基于注意力机制对所述目标用户的短期游戏兴趣特征、所述目标游戏的长期序列特征、所述目标用户信息和多个所述候选游戏信息进行处理,获得对应所述候选游戏的互动指标。
6.根据权利要求5所述的游戏推荐方法,其特征在于,所述基于注意力机制处理所述目标用户的短期游戏信息和多个所述候选游戏,获得所述目标用户的短期游戏兴趣特征,包括:
基于所述目标用户的短期游戏信息和多个所述候选游戏信息,确定各个所述候选游戏对所述目标用户的短期游戏信息的注意力评价信息;
对多个所述候选游戏对所述目标用户的短期游戏信息的注意力评价信息进行融合,获得所述目标用户的短期游戏兴趣特征。
7.根据权利要求5所述的游戏推荐方法,其特征在于,所述基于注意力机制对所述目标用户的短期游戏兴趣特征、所述目标游戏的长期序列特征、所述目标用户信息和多个所述候选游戏信息进行处理,获得对应所述候选游戏的互动指标,包括:
基于所述目标用户的短期游戏兴趣特征、所述目标游戏的长期序列特征、所述目标用户信息和多个所述候选游戏信息,获得自注意力融合信息;
基于所述自注意力融合信息、所述目标用户的短期游戏兴趣特征、所述目标游戏的长期序列特征、所述目标用户信息和多个所述候选游戏信息,获得残差信息;
基于所述残差信息确定对应所述候选游戏的互动指标。
8.一种游戏推荐装置,其特征在于,所述装置包括:
获得模块,用于基于注意力机制对目标用户的长期游戏信息、目标用户的短期游戏信息、目标用户信息和多个候选游戏信息进行处理,获得对应所述候选游戏的互动指标;
确定模块,若所述候选游戏的互动指标满足游戏推荐条件,所述确定模块用于确定满足所述游戏推荐条件的所述候选游戏为推荐游戏。
9.一种电子设备,其特征在于,包括:
处理器;以及,
存储程序的存储器;
其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述非瞬时计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310855650.3A CN116955808A (zh) | 2023-07-12 | 2023-07-12 | 一种游戏推荐方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310855650.3A CN116955808A (zh) | 2023-07-12 | 2023-07-12 | 一种游戏推荐方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116955808A true CN116955808A (zh) | 2023-10-27 |
Family
ID=88454101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310855650.3A Pending CN116955808A (zh) | 2023-07-12 | 2023-07-12 | 一种游戏推荐方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116955808A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117815674A (zh) * | 2024-03-06 | 2024-04-05 | 深圳市迷你玩科技有限公司 | 游戏信息的推荐方法、装置、计算机可读介质及电子设备 |
-
2023
- 2023-07-12 CN CN202310855650.3A patent/CN116955808A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117815674A (zh) * | 2024-03-06 | 2024-04-05 | 深圳市迷你玩科技有限公司 | 游戏信息的推荐方法、装置、计算机可读介质及电子设备 |
CN117815674B (zh) * | 2024-03-06 | 2024-05-24 | 深圳市迷你玩科技有限公司 | 游戏信息的推荐方法、装置、计算机可读介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110366734B (zh) | 优化神经网络架构 | |
CN109902706B (zh) | 推荐方法及装置 | |
CN112085172B (zh) | 图神经网络的训练方法及装置 | |
US11775411B2 (en) | Detection of computing resource leakage in cloud computing architectures | |
CN108021983A (zh) | 神经架构搜索 | |
CN108520470B (zh) | 用于生成用户属性信息的方法和装置 | |
TW201923675A (zh) | 資訊推薦方法及裝置、設備 | |
CN111406264A (zh) | 神经架构搜索 | |
WO2012103290A1 (en) | Dynamic predictive modeling platform | |
CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
CN110442788A (zh) | 一种信息推荐方法及装置 | |
US20220245424A1 (en) | Microgenre-based hyper-personalization with multi-modal machine learning | |
JP2023515556A (ja) | 機械学習技術を用いた通信ワークフローのための強化された処理 | |
CN112085615A (zh) | 图神经网络的训练方法及装置 | |
WO2021037840A1 (en) | Transfer learning based on cross-domain homophily influences | |
US20230075812A1 (en) | Computer system, a computer device and a computer implemented method | |
CN116955808A (zh) | 一种游戏推荐方法、装置、电子设备及介质 | |
JP2022106287A (ja) | 親和性予測方法及びモデルのトレーニング方法、装置、機器及び媒体 | |
JP2024508502A (ja) | 情報をプッシュする方法および装置 | |
CN116847132B (zh) | 基于时间分片的视频更新方法、装置、电子设备及存储介质 | |
US20200026247A1 (en) | Continuous control of attention for a deep learning network | |
CN110288444B (zh) | 实现用户相关推荐的方法和*** | |
CN113449176A (zh) | 基于知识图谱的推荐方法及装置 | |
CN115936802A (zh) | 基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质 | |
CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 |
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 |