一种在游戏个性化推荐领域中提取用户兴趣的方法与流程

本发明属于信息处理，具体涉及一种在游戏个性化推荐领域中提取用户兴趣的方法。

背景技术：

1、在游戏个性化推荐领域中，深度神经网络模型被广泛用于对用户的历史行为数据进行分析，从而确定用户的游戏喜好；根据用户的游戏喜好，确定用户的游戏推荐列表。

2、传统方法主要为：1)将用户历史行为序列中的每个游戏分别映射为一个固定长度的游戏向量，得到游戏向量列表。2)计算游戏向量列表中所有游戏向量的均值向量，该均值向量即为用户的兴趣向量；进而根据用户的兴趣向量，确定用户的游戏推荐列表。

3、传统方法具有以下不足：由于最终获得的用户兴趣向量是历史行为序列对应的所有游戏向量的均值向量，导致每个历史行为对于计算用户游戏喜好程度起到的作用性是一致的，没有考虑历史行为序列中各个行为的区别作用，从而降低了用户兴趣向量的准确性，使用户兴趣向量难以准确反应用户的游戏兴趣，从而降低了游戏推荐结果的准确性。

技术实现思路

1、针对现有技术存在的缺陷，本发明提供一种在游戏个性化推荐领域中提取用户兴趣的方法，可有效解决上述问题。

2、本发明采用的技术方案如下：

3、本发明提供一种在游戏个性化推荐领域中提取用户兴趣的方法，包括以下步骤：

4、步骤s1，收集游戏推荐平台中所有游戏的游戏id；对于每个游戏id，生成统一长度的唯一对应的游戏向量，由此得到所有游戏的游戏向量形成的游戏向量集合；

5、步骤s2，对于当前待分析的用户，获得用户历史游戏行为序列；所述用户历史游戏行为序列，为n个按时间顺序排列的用户历史游戏行为，每个用户历史游戏行为为该用户对某个游戏id的游戏的访问或下载行为；因此，对n个用户历史游戏行为进行提取，得到n个按时间顺序排列的历史游戏id；

6、根据步骤s1的游戏向量集合，将每个历史游戏id映射为对应的历史游戏向量，由此生成历史游戏向量列表，表示为：其中，分别代表第1个历史游戏向量,第2个历史游戏向量,…,第n个历史游戏向量；

7、步骤s3，对于当前待预测游戏，得到待预测游戏的游戏id；根据步骤s1的游戏向量集合，将待预测游戏的游戏id映射为对应的游戏向量，得到待预测游戏向量

8、步骤s4，对于历史游戏向量列表中的每个历史游戏向量i＝1,2,...,n，均进行向量拼接处理，得到游戏拼接向量方法为：

9、综合历史游戏向量和待预测游戏向量得到游戏拼接向量其中，concat函数代表向量拼接操作；

10、步骤s5，对于每个游戏拼接向量通过多层感知机处理后，得到表征历史游戏向量对待预测游戏向量关联程度的重要度权重ai；

11、步骤s6，因此，对于历史游戏向量列表中的每个历史游戏向量均得到对应的重要度权重ai，由此得到重要度权重列表[a1,a2,…,an]；

12、步骤s7，对重要度权重列表[a1,a2,…,an]中的各个重要度权重进行归一化处理，得到归一化后的重要度权重列表，表示为[a1',a'2,…,a'n]；其中，a1'+a'2+…+a'n＝1；

13、步骤s8，采用下式，将历史游戏向量列表和归一化后的重要度权重列表[a1',a'2,…,a'n]进行加权求和：

14、

15、由此得到该用户对于当前待预测游戏的用户兴趣向量

16、优选的，步骤s1中，每个游戏id，通过随机化生成方式，生成对应的游戏向量。

17、优选的，步骤s5具体为：

18、步骤s5.1，多层感知机具有k层感知机，每层感知机均具有权重矩阵和偏置向量；因此，k层感知机的权重矩阵依次为w1,w2,…,wk；k层感知机的偏置向量依次为

19、其中：

20、对于权重矩阵wj，j∈[1,k]，其高度和宽度分别为mj和nj，且满足以下条件：m1＝4d，nk＝1，nj＝mj+1；其中，d为步骤s1中每个游戏向量的长度；

21、对于偏置向量j∈[1,k]，其长度为nj；

22、步骤s5.2，多层感知机采用激活函数σ；将步骤s4得到的游戏拼接向量表示为：

23、则对于第j层感知机，j∈[1,k]，输入游戏拼接向量采用公式：输出游戏拼接向量

24、步骤s5.3，因此，经过k层感知机处理后，输出游戏拼接向量游戏拼接向量是长度为1的向量，该向量中所包含的值即为历史游戏向量的重要度权重ai。

25、优选的，还包括：

26、步骤s9，建立另一个多层感知机，称为用户兴趣分数预测多层感知机；将用户兴趣向量和待预测游戏向量进行拼接，方式为：得到拼接向量拼接向量的长度为2d；

27、步骤s10，将拼接向量输入到用户兴趣分数预测多层感知机，用户兴趣分数预测多层感知机输出表征用户兴趣向量对待预测游戏向量的兴趣程度的分数，该分数越高，表征当前用户对待预测游戏向量的兴趣程度越高。

28、本发明提供的一种在游戏个性化推荐领域中提取用户兴趣的方法具有以下优点：

29、1)本发明将用户历史游戏行为和待预测游戏均向量化，转化为数值形式，从而得到向量形式的游戏id，进而可用于多层感知机等模型的输入；

30、2)本发明在获取用户兴趣向量时，考虑用户历史游戏行为与待预估游戏之间的关联性，有利于动态捕捉用户兴趣变化。

31、3)本发明考虑用户历史游戏行为中各个行为重要性的差异性，并可以自动计算出各个行为的重要性权重，使每个历史游戏行为准确起到对用户兴趣程度的作用，提高用户兴趣向量的准确性，有利于形成准确的用户游戏推荐列表。

技术特征：

1.一种在游戏个性化推荐领域中提取用户兴趣的方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种在游戏个性化推荐领域中提取用户兴趣的方法，其特征在于，步骤s1中，每个游戏id，通过随机化生成方式，生成对应的游戏向量。

3.根据权利要求1所述的一种在游戏个性化推荐领域中提取用户兴趣的方法，其特征在于，步骤s5具体为：

4.根据权利要求1所述的一种在游戏个性化推荐领域中提取用户兴趣的方法，其特征在于，还包括：

技术总结
本发明提供一种在游戏个性化推荐领域中提取用户兴趣的方法，包括：获得用户历史游戏行为序列，生成历史游戏向量列表；确定待预测游戏向量；向量拼接处理，通过多层感知机处理，得到表征历史游戏向量对待预测游戏向量关联程度的重要度权重并归一化；将历史游戏向量列表和归一化后的重要度权重列表进行加权求和，得到用户兴趣向量。本发明在获取用户兴趣向量时，考虑用户历史游戏行为与待预估游戏之间的关联性，有利于动态捕捉用户兴趣变化。本发明考虑用户历史游戏行为中各个行为重要性的差异性，并计算出各个行为的重要性权重，使每个历史游戏行为准确起到对用户兴趣程度的作用，提高用户兴趣向量的准确性，有利于形成准确的用户游戏推荐列表。

技术研发人员：李兴平,郑振宇,赖晓航,何敏堂
受保护的技术使用者：四三九九网络股份有限公司
技术研发日：
技术公布日：2024/12/17