一种个性化游戏推荐的系统、方法及游戏平台

暂无

一种个性化游戏推荐的系统、方法及游戏平台\n技术领域\n[0001] 本发明涉及互联网技术领域，尤其涉及一种个性化推荐游戏的系统、方法及一种游戏平台。\n背景技术\n[0002] 随着互联网技术的发展，网络游戏成为越来越多互联网用户关注的一项网络服务。现有的游戏平台一般都是按照游戏(如牌类游戏、竞技类游戏等)分类等显示方式列举游戏服务商提供的游戏，这种统一推荐的方式存在如下缺点：推荐的内容千篇一律，不能真实触摸和预测用户的游戏喜好；所采用的推荐算法不具有机器学习能力，用户无法对推荐结果进行反馈，推荐结果不能进化，推荐精度不高。因此，有必要提供一种为用户提供个性化游戏推荐、满足用户的个性化需求的系统或方法。\n发明内容\n[0003] 本发明要解决的主要技术问题是，提供一种个性化推荐游戏的系统，能根据用户玩游戏的历史中表现出来的行为和兴趣，自适应地向用户推荐其可能感兴趣的游戏。\n[0004] 根据本发明的一个方面，提供一种个性化游戏推荐系统，根据用户标识符进行推荐，包括：行为分析模块，用于收集对应该用户标识符的用户的历史兴趣数据及该用户所玩过的各游戏的游戏历史数据，根据该用户的历史兴趣数据以及该用户所玩过的各游戏的游戏历史数据，获取该用户对各游戏的基础喜欢值，得到该用户对各游戏的游戏喜爱程度排行列表；相关探测模块，用于根据相关度算法对所述游戏喜爱程度排行列表中的各游戏进行相关度计算并进行排序，得到游戏可能喜爱程度排行列表；推荐模块，用于将游戏可能喜爱程度排行列表推荐给该用户。\n[0005] 根据本发明的另一个方面，提供一种游戏平台，该游戏平台使用如上所述的个性化游戏推荐系统。\n[0006] 根据本发明的又一个方面，提供一种个性化游戏推荐方法，根据用户标识符进行推荐，包括：行为分析步骤，收集对应该用户标识符的用户的历史兴趣数据及该用户所玩过的各游戏的游戏历史数据，根据该用户的历史兴趣数据以及该用户所玩过的各游戏的游戏历史数据，获取该用户对各游戏的基础喜欢值，得到该用户对各游戏的游戏喜爱程度排行列表；相关探测步骤，根据相关度算法对所述游戏喜爱程度排行列表中的各游戏进行相关度计算并进行排序，得到游戏可能喜爱程度排行列表；推荐步骤，将游戏可能喜爱程度排行列表推荐给该用户。\n[0007] 本发明的有益效果是：推荐系统收集用户的历史兴趣数据，并对这些数据进行分析，探索用户对游戏的喜好，从而可以对不同个性的用户进行针对性的推荐。一种实施例中，系统不仅收集用户的历史兴趣数据，还收集用户的好友的历史兴趣数据，并对这些数据进行分析，探索用户及其好友对游戏的喜好，从而对用户推荐除了用户个人喜好的游戏外，还推荐用户的好友喜欢的游戏给用户，为用户拓宽游戏范围。又一种实施例中，用户可以与系统进行交互，反馈推荐内容是否合适自己，不仅帮助推荐系统进行学习，提高推荐精度，使得推荐结果可以不断进化。\n附图说明\n[0008] 图1是本发明个性化游戏推荐系统一种实施例的结构示意图；\n[0009] 图2是本发明个性化游戏推荐方法实施例一的流程示意图；\n[0010] 图3是本发明个性化游戏推荐方法实施例二的流程示意图；\n[0011] 图4是本发明个性化游戏推荐方法实施例三的流程示意图。\n具体实施方式\n[0012] 下面通过具体实施方式结合附图对本发明作进一步详细说明。\n[0013] 本发明实施例的设计思想是：根据用户标识符进行推荐，首先收集用户的历史兴趣数据以及游戏的游戏历史数据，对收集到的兴趣数据进行分析，划分出用户喜欢的游戏和不喜欢的游戏；针对用户喜欢的游戏和不喜欢的游戏利用相关度算法推测出用户可能喜欢的游戏与可能不喜欢的游戏；从用户可能喜欢的游戏中排除用户可能不喜欢的游戏，将排除后的得到的用户可能喜欢的游戏作为推荐的游戏推荐给用户。基于此，本发明实施例还给出了另一种设计思想，即，收集用户的好友的历史兴趣数据，得到好友喜欢的游戏，从好友喜欢的游戏中过滤掉用户可能喜欢的游戏及用户可能不喜欢的游戏，则排除后的好友喜欢的游戏作为推荐的游戏推荐给用户，此时推荐的游戏是根据用户的好友的喜好得到的游戏，目的是放大用户的游戏圈。本发明实施例所指的用户标识符包括用户登录游戏平台的ID或硬件ID，硬件ID包括游戏平台所在机器的MAC地址或网络IP地址。\n[0014] 如图1所示，为本发明一种实施例提供的个性化游戏推荐系统，根据用户标识符进行推荐，包括行为分析模块100、相关探测模块300和推荐模块500，各模块的功能描述如下：\n[0015] 行为分析模块100用于收集所有用户的历史兴趣数据及所有游戏的游戏历史数据，按用户标识符对所有用户的历史兴趣数据进行分类得到每个用户的历史兴趣数据，按游戏标识符对所有游戏的游戏历史数据进行分类得到每个游戏的游戏历史数据，针对与指定的用户标识符相对应的用户，根据该用户的历史兴趣数据以及该用户所玩过的各游戏的游戏历史数据，获取该用户对各游戏的基础喜欢值，得到该用户对各游戏的游戏喜爱程度排行列表。某一个用户历史兴趣数据包括但不限于用户对各游戏的评分、玩各游戏的游戏时长、玩各游戏的游戏次数；某一个游戏的游戏历史数据包括用户对该游戏的评分、该游戏被玩的时长、该游戏被玩的次数。行为分析模块100包括维度计算子模块110和基础排序子模块130。其中，维度计算子模块110用于对与指定的游戏标识符相对应的游戏的各维度进行计算得到该游戏各维度的行为值，然后累加各维度的行为值获得用户对该游戏的基础喜欢值。维度计算子模块110包括：用于计算游戏的时长维度的行为值的时长单元111、用于计算游戏的玩次维度的行为值的玩次单元112、用于计算游戏的评分维度的行为值的评分单元113。时长维度的行为值等于用户玩该游戏的总时长与时长阈值的比值，其中，时长阈值等于该游戏的所有用户玩该游戏的总时长与玩该游戏的所有用户的个数的比值；玩次维度的行为值等于用户玩该游戏的总玩次与玩次阈值的比值，其中，玩次阈值等于该游戏的所有用户玩该游戏的总玩次与玩该游戏的所有用户的个数的比值；评分维度的行为值等于用户对该游戏的评分与评分阈值的比值，评分阈值等于该游戏的所有用户对该游戏的总评分与玩该游戏的所有用户的个数的比值。基础排序子模块130用于将所有游戏的基础喜欢值进行排序得到用户对各游戏的游戏喜爱程度排行列表，该列表包括用户“喜欢的游戏列表”或者包括用户“喜欢的游戏列表”和“不喜欢的游戏列表”。\n[0016] 相关探测模块300用于根据相关度算法对所述游戏喜爱程度排行列表中的各游戏进行相关度计算并进行排序，得到游戏可能喜爱程度排行列表。相关探测模块300包括相关度计算子模块310和喜欢值排序子模块330。相关度计算子模块310用于对游戏喜爱程度排行列表中的每个游戏，根据相关度算法计算该游戏与列表中的其它游戏之间的相关度；喜欢值排序子模块330用于将所述游戏喜爱程度排行列表中的所有游戏按喜欢值大小进行排序，其中喜欢值等于游戏的相关度与该游戏对应的基础喜欢值的乘积之和，即喜欢值＝sum(基础喜欢值*相关值)，然后将排序后的游戏喜爱程度排行列表作为游戏可能喜爱程度排行列表，该列表包括用户“可能喜欢的游戏列表”和“可能不喜欢的游戏列表”。\n[0017] 推荐模块500用于将游戏可能喜爱程度排行列表推荐给用户。如果得到的游戏可能喜爱程度排行列表中同时存在“可能喜欢的游戏列表”和“可能不喜欢的游戏列表”，则在“可能喜欢的游戏列表”中排除掉“可能不喜欢的游戏列表”中的游戏，然后将排除后得到的最终“可能喜欢的游戏列表”推荐给客户。一种实例中，推荐模块500包括第一推荐子模块，该第一推荐子模块用于根据所记录的用户经常游戏的时间段，在该时间段内以弹窗的形式将游戏可能喜爱程度排行列表推荐给用户。另一种实例中，推荐模块500包括第二推荐子模块，该第二推荐子模块用于响应推荐系统所在游戏平台的界面中设置的游戏推荐功能键，若用户触发该游戏推荐功能键，则将游戏可能喜爱程度排行列表推荐给用户。又一种实例中，推荐模块500同时包括第一推荐子模块和第二推荐子模块。\n[0018] 另一种实施例中，仍如图1所示，对于已登录游戏平台的用户，个性化游戏推荐系统还包括：好友分析模块200和综合推荐模块500′。好友分析模块200用于收集用户的好友的历史兴趣数据以及好友们玩过的所有游戏的游戏历史数据，根据收集到的数据获取用户的好友们对各游戏的基础喜欢值，得到用户的好友们对各游戏的好友游戏喜爱程度排行列表，该列表即是“好友们喜欢的游戏列表”；综合推荐模块500′用于在“好友们喜欢的游戏列表”中排除用户自己“可能喜欢的游戏列表”以及“可能不喜欢的游戏列表”中的游戏，将排除后得到的好友们喜欢的游戏列表以及用户自己“可能喜欢的游戏列表”推荐给用户。同样地，在该实施例中，综合推荐模块500′可以包括如前述的第一推荐子模块和/或第二推荐子模块。\n[0019] 又一种实施例中，仍如图1所示，个性化游戏推荐系统还包括反馈模块700，用于根据用户对所推荐的游戏的反馈进行判断，若用户对所推荐的游戏反馈不喜欢，则下一次推荐游戏时不再推荐该游戏，即在游戏可能喜爱程度排行列表中去除该游戏。\n[0020] 基于上述个性化推荐系统实施例，本发明还提供了一种游戏平台，在该游戏平台上采用该推荐系统为用户推荐游戏。游戏平台可采用多种方式向用户推荐游戏，例如，记录用户经常游戏的时间段，在该时间段内以弹窗的形式向用户推荐游戏，又如，在游戏平台的界面中设置游戏推荐功能键，用户点击该功能键后进行游戏推荐。\n[0021] 基于上述个性化推荐系统实施例，本发明还提供了对应的个性化推荐方法。以下通过几个实施例对该个性化推荐方法予以说明。\n[0022] 实施例一：\n[0023] 若用户已通过用户登录游戏平台的ID登录平台，即本实施例针对有游戏平台使用历史的用户，如图2所示，推荐方法包括如下步骤：\n[0024] 步骤S201，收集用户的历史兴趣数据，根据历史兴趣数据进行分析得到用户对游戏的喜爱程度排行列表，该列表包括“喜欢的游戏列表”；\n[0025] 推荐系统中收集的是所有用户的历史兴趣数据及所有游戏的游戏历史数据，然后按用户标识符对所有用户的历史兴趣数据进行分类得到每个用户的历史兴趣数据，按游戏标识符对所有游戏的游戏历史数据进行分类得到每个游戏的游戏历史数据，针对与指定的用户标识符相对应的用户，也就是本实施例中与用户登录游戏平台的ID相对应的用户，根据该用户的历史兴趣数据以及该用户所玩过的所有游戏的游戏历史数据进行分析，得到该用户对游戏的喜爱程度排行列表。\n[0026] 用户的历史兴趣数据包括但不限于对各游戏的评分、玩游戏时长、次数等。而游戏的游戏历史数据包括所有用户对该游戏的评分、该游戏被玩的时长、该游戏被玩的次数。根据收集到的数据进行分析，如将用户评分高、玩的时间长、次数多的游戏归为用户自己喜欢的游戏。\n[0027] 本步骤中，首先对与指定的游戏标识符相对应的游戏的各维度进行计算得到各维度的行为值，然后累加各维度的行为值以获得用户对该游戏的基础喜欢值，将所有游戏的基础喜欢值进行排序，从而得到用户对游戏喜爱程度的排行列表，即“喜欢的游戏列表”。\n[0028] 这里所说维度，包括时长维度、玩次维度、评分维度等，各维度具体含义如下：\n[0029] (1)时长维度，与玩游戏时长的数据相关，是指用户玩游戏P的总时长与时长阈值的比值，即公式为：时长维度＝用户玩游戏P的总时长/时长阈值。其中，时长阈值，又称平均时长，是指游戏P的所有用户玩游戏P的总时长与玩游戏P的所有用户的个数的比值，公式为：时长阈值＝游戏P的所有用户玩游戏P的总时长/玩游戏P的所有用户的个数。\n[0030] (2)玩次维度，与玩游戏的次数相关，是指用户玩游戏P的总玩次与玩次阈值的比值，即公式为：玩次维度＝用户玩游戏P的总时长/时长阈值。其中，玩次阈值，又称平均玩次，是指游戏P的所有用户玩游戏P的总玩次与玩游戏P的所有用户的个数的比值，公式为：\n玩次阈值＝游戏P的所有用户玩游戏P的总玩次/玩游戏P的所有用户的个数。\n[0031] (3)评分维度，与用户对游戏的评分相关，是指用户对游戏P的评分与评分阈值的比值，即公式为：评分维度＝用户对游戏P的评分/评分阈值。其中，评分阈值，又称平均评分，是指所有用户对游戏P的评分的总和与玩游戏P的所有用户的个数的比值，公式为：评分阈值＝所有用户对游戏P的评分总和/玩游戏P的所有用户的个数。\n[0032] 举例：已知某用户U玩了游戏A共8次，累计时长80分钟，玩了游戏B共6次，累计时长\n50分钟，并对游戏B评了7分；然而，游戏A的平均玩次(即玩次阈值)为10次，平均时长(即时长阈值)为100分钟，游戏B的平均玩次为10次，平均时长为100分钟，平均评分为5分。那么，对游戏A的各维度进行计算得到各维度的行为值，本例中，时长维度＝80/100＝0.8，玩次维度＝8/10＝0.8，评分维度＝0/10＝0，因此累加各维度的行为值即可得到用户U对游戏A的基础喜欢值，即，用户U对于游戏A的基础喜欢值＝0.8+0.8+0＝1.6；同理得到用户U对于游戏B的基础喜欢值为50/100+6/10+7/5＝2.5。\n[0033] 应理解，此处的维度不限于以上三种，其他实施例中还可以有更多的维度，如评分次数维度，其含义与计算公式与前述三种类似。\n[0034] 步骤S203，对于“喜欢的游戏列表”进行相关度计算处理，得到“可能喜欢的游戏列表”。具体而言，对于“喜欢的游戏列表”中的每个游戏，利用相关度算法计算该游戏与“喜欢的游戏列表”中的其它游戏之间的相关度，将“喜欢的游戏列表”中的所有游戏按喜欢值的大小进行排序，得“可能喜欢的游戏列表”；这里，喜欢值为游戏的相关度与对应的基础喜欢值的乘积之和。\n[0035] 本实施例采用Pearson算法计算游戏的相关度，其它实施例中还可以采用其他相关度算法，如专家算法等。Pearson算法的计算公式为：\n[0036]\n[0037] 举例：已知游戏A的基础喜欢值为1.5，游戏B的基础喜欢值为1.7，采用相关度算法计算后得到游戏A的相关游戏及其相关值为：AA(游戏A与游戏A)的相关值为1，AB(游戏A与游戏B)的相关值为0.9；游戏B的相关游戏及其相关值为：BB(游戏B与游戏B)的相关值为1，BA(游戏B与游戏A)的相关值为0.8。那么，游戏A和游戏B及其各自的相关游戏的喜欢值分别为：AA的喜欢值＝1.5*1＝1.5，AB的喜欢值＝1.5*0.9+1.7*0.8＝2.71，BB的喜欢值＝1.7*1＝1.7，按喜欢值大小进行排序为AB、BB、AA；该游戏有序列表即是用户“可能喜欢的游戏列表”。\n[0038] 步骤S205，将“可能喜欢的游戏列表”推荐给用户。\n[0039] 本实施例的推荐方法是基于分析用户自身的游戏行为习惯得到的数据进行推荐，即根据用户个人对游戏表现出的喜好特征向用户推荐游戏，推荐的游戏风格较为集中，精确度高，往往比较贴合用户的心意。\n[0040] 实施例二：\n[0041] 若用户已通过用户登录游戏平台的ID登录平台，即本实施例针对有游戏平台使用历史的用户，如图3所示，推荐方法包括如下步骤：\n[0042] 步骤S301，收集用户的历史兴趣数据，根据历史兴趣数据进行分析，得到用户对游戏的喜爱程度排行列表，该列表包括“喜欢的游戏列表”和“不喜欢的游戏列表”；\n[0043] 对于“喜欢的游戏列表”，其获得过程与实施例一的步骤S201中获得“喜欢的游戏列表”的过程相同；\n[0044] 对于“不喜欢的游戏列表”，其获得过程类似于实施例一的步骤S201中获得“喜欢的游戏列表”的过程。这里，将评分低的游戏作为用户不喜欢的游戏。类似地，对用户不喜欢的游戏也进行各维度计算得到各维度的行为值，然后累计各维度的行为值得到用户对该游戏的基础喜欢值，将所有游戏的基础喜欢值按从大到小进行排序，从而得到用户对游戏不喜欢程度的排行列表，即“不喜欢的游戏列表”。\n[0045] 步骤S303，对于“喜欢的游戏列表”和“不喜欢的游戏列表”分别进行相关度计算处理，得到“可能喜欢的游戏列表”和“可能不喜欢的游戏列表”；\n[0046] “喜欢的游戏列表”的相关度计算处理过程与实施例一的步骤S203的过程相同，即对于该列表中的每个游戏，利用相关度算法计算该游戏与“喜欢的游戏列表”中的其它游戏之间的相关度，将“喜欢的游戏列表”中的所有游戏按喜欢值的大小进行排序，得“可能喜欢的游戏列表”；\n[0047] 对于“不喜欢的游戏列表”，其相关度计算处理过程类似于实施例一的步骤S203的过程，即对于该列表中的每个游戏，利用相关度算法计算该游戏与“不喜欢的游戏列表”中的其它游戏之间的相关度，将“不喜欢的游戏列表”中的所有游戏按喜欢值的大小进行排序，得“可能不喜欢的游戏列表”；这里，喜欢值为游戏的相关度与对应的基础喜欢值的乘积之和。一般地，“可能不喜欢的游戏列表”中的喜欢值为负数或比较小的正数，而“可能喜欢的游戏列表”中的值为较大的正数。\n[0048] 步骤S305，过滤“可能喜欢的游戏列表”，即在“可能喜欢的游戏列表”中去除“可能不喜欢的游戏列表”中的游戏，然后将过滤后的“可能喜欢的游戏列表”推荐给用户。\n[0049] 本实施例的推荐方法是在可能喜欢的游戏的基础上去除可能不喜欢的游戏，精益求精地向用户推荐游戏，推荐的游戏风格相比实施例一更为集中，精确度更高，也更为贴合用户的心意。实施例一和实施例二均是根据用户过往玩游戏的喜好为其推荐游戏，随着平台中游戏的不断更新，采用实施例一和实施例二的推荐算法，可以使用户有更多机会玩到更多适合他/她的游戏，而不再被动局限在少数游戏上，同时也藉此提高了用户使用游戏平台的稳定性。\n[0050] 实施例三：\n[0051] 若用户已通过用户登录游戏平台的ID登录平台，即本实施例针对有游戏平台使用历史的用户，如图4所示，推荐方法包括如下步骤：\n[0052] 步骤S401，收集用户及其好友们的历史兴趣数据，根据用户自己的历史兴趣数据进行分析得到用户自己对游戏的喜爱程度排行列表，该列表包括“喜欢的游戏列表”和“不喜欢的游戏列表”；根据好友们的历史兴趣数据进行分析，得到好友们对游戏的喜爱程度排行列表，该列表包括“好友们喜欢的游戏列表”。这里所说的好友们，是用户在游戏平台上的好友或是在游戏平台上关注的人。\n[0053] 对于“喜欢的游戏列表”和“不喜欢的游戏列表”，其获得过程与实施例二的步骤S301相同；\n[0054] 对于“好友们喜欢的游戏列表”，其获得过程类似于实施例一的步骤S201中获得“喜欢的游戏列表”的过程，即对每个好友喜欢的游戏进行各维度计算得到各维度的行为值，然后累计各维度的行为值得到好友对该游戏的基础喜欢值，将所有游戏的基础喜欢值按从大到小进行排序，从而得到每个好友对游戏喜爱程度的排行列表，将所有好友对游戏喜爱程度的排行列表综合在一起即得到“好友们喜欢的游戏列表”。\n[0055] 步骤S403，对于“喜欢的游戏列表”和“不喜欢的游戏列表”分别进行相关度计算处理，得到“可能喜欢的游戏列表”和“可能不喜欢的游戏列表”；本步骤的处理过程与实施例二的步骤S303相同，在此不再重述。\n[0056] 步骤S405，推荐用户自己可能喜欢的游戏以及好友喜欢的游戏；具体而言，对于用户自己可能喜欢的游戏，其获取方式是：过滤“可能喜欢的游戏列表”，即在“可能喜欢的游戏列表”中去除“可能不喜欢的游戏列表”中的游戏，然后将过滤后的“可能喜欢的游戏列表”推荐给用户；而对于好友喜欢的游戏，其获取方式是：在“好友喜欢的游戏列表”中滤除“可能喜欢的游戏列表”和“可能不喜欢的游戏列表”，将过滤后的“好友喜欢的游戏列表”推荐给用户。\n[0057] 本实施例的推荐方法不仅基于用户自身的游戏行为习惯进行推荐，还基于用户各好友的游戏喜好尝试推荐好友喜欢的游戏给用户，目的在于除了精益求精地向用户推荐较为贴合用户心意的游戏外，还在于扩大用户的游戏范围，发掘用户个人未曾表现出的喜好特征，推荐与其以往风格不同的游戏。\n[0058] 实施例四：针对未登录游戏平台的用户\n[0059] 若用户未登录游戏平台，本实施例将根据硬件ID进行游戏推荐，具体推荐方法同实施例一或实施例二，只是此时的用户的历史兴趣数据为该硬件ID所对应的用户的历史兴趣数据。\n[0060] 从上述实施例可以看出，本发明各实施例中，推荐系统收集用户进行一系列的游戏行为的数据，并对这些数据进行分析，从中找出用户游戏行为的习惯和偏好，从而可以对不同个性的用户进行针对性的推荐，推荐算法具有探索用户游戏喜好的功能，具有机器学习的能力。此外，用户还可以与推荐系统进行交互，即被推荐游戏后的用户再对推荐结果进行反馈，反馈推荐的内容是否合适自己，如用户对推荐的游戏直接表明喜欢或不喜欢，帮助推荐系统进行学习，如此往覆，逐次求精，使得推荐系统在下次更新推荐游戏时将根据用户的反馈直接滤除用户不喜欢的游戏，从而使得推荐系统可持续学习，提高推荐精度，也使得推荐结果可以不断进化。\n[0061] 此外，推荐步骤可采用多种方式向用户推荐游戏，例如，推荐系统中记录用户经常游戏的时间段，在该时间段内以弹窗的形式向用户推荐游戏，又如，在游戏平台的界面中设置游戏推荐功能键，用户点击该功能键后进行游戏推荐。\n[0062] 上述实施例只是本发明的举例，尽管为说明目的公开了本发明的最佳实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于最佳实施例和附图所公开的内容。