[發明專利]一種基于機器學習的游戲用戶選擇方法

在審

• 申請號: 201811317876.3
• 申請日: 2018-11-07
• 公開（公告）號: CN109543843A
• 公開（公告）日: 2019-03-29
• 發明（設計）人: 蔣存東;王銀龍
• 申請（專利權）人: 成都夏飛科技有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;A63F13/79
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于機器學習的游戲用戶選擇方法，解決了現有的游戲用戶選擇方法不靈活，不能根據游戲用戶的日常行為特征進行模型化并使用機器學習的方法提高游戲用戶選擇的準確率和效率問題。本發明包括采集近五年的不同區域不同游戲平臺的游戲注冊用戶數據；游戲注冊用戶數據進行預處理；游戲注冊用戶數據進行特征提取，提取7維特征包括用戶性別特征、用戶年齡特征、用戶地域特征、用戶興趣愛好特征、用戶付費情況特征、用戶歷史記錄特征和用戶社交關系特征；構建線性回歸模型進行模型訓練；使用訓練好的游戲用戶選擇模型分析用戶的點擊概率；本發明機器學習訓練速度快，為游戲選擇用戶的準確率高。

技術領域

本發明涉及游戲技術領域，具體涉及一種基于機器學習的游戲用戶選擇方法。

背景技術

現如今，網絡游戲是網絡娛樂中越來越受到大家的青睞，并且游戲用戶規模處于不斷增大的趨勢，然而隨著時間的推移，近幾年網絡用戶出現明顯的增長趨勢緩慢問題，尤其在最近五年增幅最低。由此，游戲類型的細分和產品品質提升成為游戲行業關注的重點。

在這樣的游戲環境大背景下，我們如何根據游戲用戶的行為特性，為游戲選擇游戲用戶或者為游戲用戶匹配更適合的游戲成為一種重要研究的問題，吸引用戶參與網絡游戲，以及挖掘新的游戲用戶，用機器學習的算法進行游戲用戶選擇，給游戲運行商尋求適合長遠發展的核心競爭力。

發明內容

本發明所要解決的技術問題是：現有的游戲用戶選擇方法不靈活，不能根據游戲用戶的日常行為特征進行模型化并使用機器學習的方法提高游戲用戶選擇的準確率和效率，本發明提供了解決上述問題的一種基于機器學習的游戲用戶選擇方法。

本發明通過下述技術方案實現：

一種基于機器學習的游戲用戶選擇方法，該方法包括如下步驟：

S1：采集近五年的不同區域不同游戲平臺的游戲注冊用戶數據；

S2：對步驟S1中所述游戲注冊用戶數據進行預處理和去噪處理；

S3：對步驟S2中預處理和去噪處理后的游戲注冊用戶數據進行特征提取和特征處理，提取7維特征包括用戶性別特征、用戶年齡特征、用戶地域特征、用戶興趣愛好特征、用戶付費情況特征、用戶歷史記錄特征和用戶社交關系特征；

S4：對步驟S3提取的7維特征使用構建的線性回歸模型進行模型訓練，訓練基于線性回歸模型的游戲用戶選擇模型；

S5：使用步驟S4中訓練好的游戲用戶選擇模型分析用戶的點擊概率。

本發明上述方案的原理是：現有的游戲用戶選擇方法不靈活，不能根據游戲用戶的日常行為特征進行模型化并使用機器學習的方法提高游戲用戶選擇的準確率和效率，本發明通過反應游戲用戶日常的行為特征(用戶性別特征、用戶年齡特征、用戶地域特征、用戶興趣愛好特征、用戶付費情況特征、用戶歷史記錄特征和用戶社交關系特征)，根據這7維特征構建線性回歸模型進行模型訓練游戲用戶選擇模型，并用訓練好的游戲用戶選擇模型計算用戶針待測定游戲的點擊概率，進而完成游戲用戶的選擇；本發明利用機器學習算法中的線性回歸模型針對采集的大量游戲用戶數據進行機器學習，學習訓練速度快，效率高，并且節省了大量的人力成本，且為游戲選擇用戶的準確率高。

進一步地，對步驟S4設定各個自變量與因變量之間的關系是線性的，從而建立多元線性回歸模型，線性回歸模型為：y＝a1x1+a2x2+a3x3+...+a7x7，其中，y為用戶的點擊概率，a1,a2,a3...a7為對應的游戲注冊用戶數據特征屬性值，x1,x2,x3...x7為游戲注冊用戶數據的特征參數。

進一步地，步驟S3中特征提取的方法有基于頻率的方法、信息增益的方法、互信息方法、統計量方法。