一种个性化游戏推荐的系统、方法及游戏平台.pdf

本发明公开了一种个性化推荐游戏的系统、方法及一种游戏平台。该推荐系统根据用户标识符进行推荐，包括：行为分析模块，用于收集用户的历史兴趣数据及用户所玩过的各游戏的历史数据，根据收集到的数据获取用户对各游戏的基础喜欢值，得到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用户。推荐系统通过收集用户的历史兴趣数据及各游戏的历史数据，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。

权利要求书一种个性化游戏推荐系统，其特征在于，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。
如权利要求1所述的个性化游戏推荐系统，其特征在于，所述行为分析模块包括：
维度计算子模块，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，所述维度包括时长维度、玩次维度、评分维度，累加各维度的行为值获得用户对该游戏的基础喜欢值；
基础排序子模块，用于将用户所玩过的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。
如权利要求2所述的个性化游戏推荐系统，其特征在于，所述维度计算子模块包括：
时长单元，用于计算游戏的时长维度的行为值，所述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，所述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；
玩次单元，用于计算游戏的玩次维度的行为值，所述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，所述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；
评分单元，用于计算游戏的评分维度的行为值，所述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，所述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。
如权利要求1‑3任一项所述的个性化游戏推荐系统，其特征在于，所述相关探测模块包括：
相关度计算子模块，用于对所述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，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，所述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，排序后的游戏喜爱程度排行列表为游戏可能喜爱程度排行列表。
如权利要求4所述的个性化游戏推荐系统，其特征在于，对于已登录游戏平台的用户，还包括：
好友分析模块，用于收集用户的好友们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；
综合推荐模块，用于在所述好友游戏喜爱程度排行列表中排除所述游戏可能喜爱程度排行列表中的游戏，将所述游戏可能喜爱程度排行列表和/或排除后的好友游戏喜爱程度排行列表推荐给用户。
如权利要求5所述的个性化游戏推荐系统，其特征在于，还包括：反馈模块，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在所述游戏可能喜爱程度排行列表中去除该游戏。
如权利要求6所述的个性化游戏推荐系统，其特征在于，所述推荐模块包括第一推荐子模块和/或第二推荐子模块；所述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；所述第二推荐子模块用于响应所述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，则将所述游戏可能喜爱程度排行列表推荐给用户。
如权利要求7所述的个性化游戏推荐系统，其特征在于，所述用户标识符包括用户登录游戏平台的ID或游戏平台所在机器的硬件ID，所述硬件ID包括MAC地址或网络IP地址；用户的历史兴趣数据包括对各游戏的评分、玩各游戏的游戏时长、玩各游戏的游戏次数；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。
一种游戏平台，其特征在于，使用如权利要求1‑8中任一项所述的个性化游戏推荐系统。
一种个性化游戏推荐方法，其特征在于，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。
如权利要求10所述的个性化游戏推荐方法，其特征在于，所述行为分析步骤包括：
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，所述维度包括时长维度、玩次维度、评分维度，累加各维度的行为值获得用户对该游戏的基础喜欢值；
将用户所玩过的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。
如权利要求11所述的个性化游戏推荐方法，其特征在于，该游戏各维度的行为值包括时长维度的行为值、玩次维度的行为值、评分维度的行为值，其中：
该游戏的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，所述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；
该游戏的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，所述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；
该游戏的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，所述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。
如权利要求10‑12任一项所述的个性化游戏推荐方法，其特征在于，所述相关探测步骤包括：
对于所述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；
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，所述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，排序后的游戏喜爱程度排行列表为游戏可能喜爱程度排行列表。
如权利要求13所述的个性化游戏推荐方法，其特征在于，对于已登录游戏平台的用户，还包括：
好友分析步骤，收集用户的好友们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；
综合推荐步骤，在所述好友游戏喜爱程度排行列表中排除所述游戏可能喜爱程度排行列表中的游戏，将所述游戏可能喜爱程度排行列表和/或排除后的好友游戏喜爱程度排行列表推荐给用户。
如权利要求14所述的个性化游戏推荐方法，其特征在于，还包括：反馈步骤，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在所述游戏可能喜爱程度排行列表中去除该游戏。
如权利要求15所述的个性化游戏推荐方法，其特征在于，所述推荐步骤包括：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；和/或响应所述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，则将所述游戏可能喜爱程度排行列表推荐给用户。
如权利要求16所述的个性化游戏推荐方法，其特征在于，所述用户标识符包括用户登录游戏平台的ID或游戏平台所在机器的硬件ID，所述硬件ID包括MAC地址或网络IP地址；用户的历史兴趣数据包括对各游戏的评分、玩各游戏的游戏时长、玩各游戏的游戏次数；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。

说明书一种个性化游戏推荐的系统、方法及游戏平台
技术领域
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。
背景技术
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。
发明内容
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。
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。
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。
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。
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。
附图说明
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；
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；
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；
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。
具体实施方式
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。
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。
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：
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”。
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”。
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。
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。
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。
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。
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。
实施例一：
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：
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”；
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。
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。
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”。
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：
(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。
(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：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。
(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。
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50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。
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。
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。
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：