[發明專利]一種游戲用戶行為數據挖掘方法及系統

在審

• 申請號: 202110156674.0
• 申請日: 2021-02-04
• 公開（公告）號: CN112801706A
• 公開（公告）日: 2021-05-14
• 發明（設計）人: 魏浩浩;陳振標;杜曉祥
• 申請（專利權）人: 北京云上曲率科技有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06N3/04;G06N3/08;A63F13/79;A63F13/792;A63F13/61
• 代理公司: 北京知呱呱知識產權代理有限公司 11577
• 代理人: 丁彥峰

1.一種游戲用戶行為數據挖掘方法，其特征在于，所述方法包括：

獲取游戲用戶行為數據；

將所述用戶行為數據拆分為用戶游戲時的動作子序列和用戶登錄時間子序列；

將兩個子序列進行嵌入操作，得到預設維度的用戶行為序列和相應的行為類型；所述用戶行為序列包括游戲動作序列和登錄時間序列；

對所述用戶行為序列進行訓練，得到游戲動作embedding后的特征向量和登錄時間特征矩陣；

對游戲動作特征向量和登錄時間特征矩陣進行訓練，得到游戲動作序列編碼向量和登錄時間序列編碼向量；

將所述游戲動作序列編碼向量和登錄時間序列編碼向量進行特征拼接，并輸入深度神經網絡DNN中進行學習；

利用學習的深度神經網絡DNN中進行游戲用戶行為的預測。

2.如權利要求1所述的方法，其特征在于，所述對所述用戶行為序列進行訓練，得到游戲動作embedding后的特征向量和登錄時間特征矩陣，包括：

對用戶游戲的動作子序列進行編碼，通過embedding層得到把動作子序列向量化的到長度為n的特征向量；

對用戶的歷史登錄數據按照時間窗口拆分為若干個等長度的子序列，并構建形成預定的登錄時間特征矩陣。

3.如權利要求1所述的方法，其特征在于，所述對游戲動作特征向量和登錄時間特征矩陣進行訓練，得到游戲動作序列編碼向量和登錄時間序列編碼向量，包括：

將游戲動作特征向量輸入Bi-LSTM網絡，得到游戲動作序列編碼向量；

將登錄時間特征矩陣輸入LSTM網絡，得到登錄時間序列編碼向量。

4.如權利要求1所述的方法，其特征在于，所述將所述游戲動作序列編碼向量和登錄時間序列編碼向量進行特征拼接，并輸入深度神經網絡DNN中進行學習，包括：

將所述游戲動作序列編碼向量和登錄時間序列編碼向量進行特征拼接，輸入深度神經網絡DNN中進行學習，經過多層網絡最后經過softmax分類器，以計算用戶類型分類的概率。

5.一種游戲用戶行為數據挖掘系統，其特征在于，所述系統包括：

游戲數據預處理模塊，用于獲取游戲用戶行為數據；還用于將所述用戶行為數據拆分為用戶游戲時的動作子序列和用戶登錄時間子序列；還用于將兩個子序列進行嵌入操作，得到預設維度的用戶行為序列和相應的行為類型；所述用戶行為序列包括游戲動作序列和登錄時間序列；

第一訓練模塊，用于對所述用戶行為序列進行訓練，得到游戲動作embedding后的特征向量和登錄時間特征矩陣；

第二訓練模塊，用于對游戲動作特征向量和登錄時間特征矩陣進行訓練，得到游戲動作序列編碼向量和登錄時間序列編碼向量；

深度學習模塊，用于將所述游戲動作序列編碼向量和登錄時間序列編碼向量進行特征拼接，并輸入深度神經網絡DNN中進行學習；

預測模塊，用于利用學習的深度神經網絡DNN中進行游戲用戶行為的預測。

6.如權利要求5所述的系統，其特征在于，所述第一訓練模塊，具體用于：

對用戶游戲的動作子序列進行編碼，通過embedding層得到把動作子序列向量化的到長度為n的特征向量；

對用戶的歷史登錄數據按照時間窗口拆分為若干個等長度的子序列，并構建形成預定的登錄時間特征矩陣。

7.如權利要求5所述的系統，其特征在于，所述第二訓練模塊，具體用于：

將游戲動作特征向量輸入Bi-LSTM網絡，得到游戲動作序列編碼向量；

將登錄時間特征矩陣輸入LSTM網絡，得到登錄時間序列編碼向量。

8.如權利要求5所述的系統，其特征在于，所述深度學習模塊，具體用于：

將所述游戲動作序列編碼向量和登錄時間序列編碼向量進行特征拼接，輸入深度神經網絡DNN中進行學習，經過多層網絡最后經過softmax分類器，以計算用戶類型分類的概率。