一种基于机器学习的游戏用户选择方法与流程

本发明涉及游戏技术领域，具体涉及一种基于机器学习的游戏用户选择方法。

背景技术：

现如今，网络游戏是网络娱乐中越来越受到大家的青睐，并且游戏用户规模处于不断增大的趋势，然而随着时间的推移，近几年网络用户出现明显的增长趋势缓慢问题，尤其在最近五年增幅最低。由此，游戏类型的细分和产品品质提升成为游戏行业关注的重点。

在这样的游戏环境大背景下，我们如何根据游戏用户的行为特性，为游戏选择游戏用户或者为游戏用户匹配更适合的游戏成为一种重要研究的问题，吸引用户参与网络游戏，以及挖掘新的游戏用户，用机器学习的算法进行游戏用户选择，给游戏运行商寻求适合长远发展的核心竞争力。

技术实现要素：

本发明所要解决的技术问题是：现有的游戏用户选择方法不灵活，不能根据游戏用户的日常行为特征进行模型化并使用机器学习的方法提高游戏用户选择的准确率和效率，本发明提供了解决上述问题的一种基于机器学习的游戏用户选择方法。

本发明通过下述技术方案实现：

一种基于机器学习的游戏用户选择方法，该方法包括如下步骤：

s1：采集近五年的不同区域不同游戏平台的游戏注册用户数据；

s2：对步骤s1中所述游戏注册用户数据进行预处理和去噪处理；

s3：对步骤s2中预处理和去噪处理后的游戏注册用户数据进行特征提取和特征处理，提取7维特征包括用户性别特征、用户年龄特征、用户地域特征、用户兴趣爱好特征、用户付费情况特征、用户历史记录特征和用户社交关系特征；

s4：对步骤s3提取的7维特征使用构建的线性回归模型进行模型训练，训练基于线性回归模型的游戏用户选择模型；

s5：使用步骤s4中训练好的游戏用户选择模型分析用户的点击概率。

本发明上述方案的原理是：现有的游戏用户选择方法不灵活，不能根据游戏用户的日常行为特征进行模型化并使用机器学习的方法提高游戏用户选择的准确率和效率，本发明通过反应游戏用户日常的行为特征(用户性别特征、用户年龄特征、用户地域特征、用户兴趣爱好特征、用户付费情况特征、用户历史记录特征和用户社交关系特征)，根据这7维特征构建线性回归模型进行模型训练游戏用户选择模型，并用训练好的游戏用户选择模型计算用户针待测定游戏的点击概率，进而完成游戏用户的选择；本发明利用机器学习算法中的线性回归模型针对采集的大量游戏用户数据进行机器学习，学习训练速度快，效率高，并且节省了大量的人力成本，且为游戏选择用户的准确率高。

进一步地，对步骤s4设定各个自变量与因变量之间的关系是线性的，从而建立多元线性回归模型，线性回归模型为：y＝a1x1+a2x2+a3x3+...+a7x7，其中，y为用户的点击概率，a1,a2,a3...a7为对应的游戏注册用户数据特征属性值，x1,x2,x3...x7为游戏注册用户数据的特征参数。

进一步地，步骤s3中特征提取的方法有基于频率的方法、信息增益的方法、互信息方法、统计量方法。

进一步地，步骤s3中的用户社交关系特征是用于表征游戏用户与好友用户或者非好友用户之间的网络社交关系特征，好友用户之间玩同一类型游戏的几率大，同样的条件下好友用户之间比非好友用户之间玩同一类型的几率要大。

进一步地，步骤s5中使用游戏用户选择模型分析用户的点击概率，对超过设定阈值的用户点击概率进行匹配该用户类型的适用款游戏并进行任务的下发。

本发明具有如下的优点和有益效果：

1、本发明通过反应游戏用户日常的行为特征(用户性别特征、用户年龄特征、用户地域特征、用户兴趣爱好特征、用户付费情况特征、用户历史记录特征和用户社交关系特征)，根据这7维特征构建线性回归模型进行模型训练游戏用户选择模型，并用训练好的游戏用户选择模型计算用户针待测定游戏的点击概率，进而完成游戏用户的选择；

2、本发明使用游戏用户日常的行为特征数据进行线性回归模型的训练，通过多元行为特征(7维特征)，并进行回归分析可以准确地计量各个因素之间的相关程度与回归拟合程度的高低，提高了预测游戏用户选择的效果；

3、本发明利用机器学习算法中的线性回归模型针对采集的大量游戏用户数据进行机器学习，学习训练速度快，效率高，并且节省了大量的人力成本，且为游戏选择用户的准确率高。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明的游戏用户选择方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例

如图1所示，一种基于机器学习的游戏用户选择方法，该方法包括如下步骤：

s1：采集近五年的不同区域不同游戏平台的游戏注册用户数据；

s2：对步骤s1中所述游戏注册用户数据进行预处理和去噪处理；

s3：对步骤s2中预处理和去噪处理后的游戏注册用户数据进行特征提取和特征处理，提取7维特征包括用户性别特征、用户年龄特征、用户地域特征、用户兴趣爱好特征、用户付费情况特征、用户历史记录特征和用户社交关系特征；

s4：对步骤s3提取的7维特征使用构建的线性回归模型进行模型训练，训练基于线性回归模型的游戏用户选择模型；

s5：使用步骤s4中训练好的游戏用户选择模型分析用户的点击概率。

对步骤s4设定各个自变量与因变量之间的关系是线性的，从而建立多元线性回归模型，线性回归模型为：y＝a1x1+a2x2+a3x3+...+a7x7，其中，y为用户的点击概率，a1,a2,a3...a7为对应的游戏注册用户数据特征属性值，x1,x2,x3...x7为游戏注册用户数据的特征参数。

步骤s3中特征提取的方法有基于频率的方法、信息增益的方法、互信息方法、统计量方法。

步骤s3中的用户社交关系特征是用于表征游戏用户与好友用户或者非好友用户之间的网络社交关系特征，好友用户之间玩同一类型游戏的几率大，同样的条件下好友用户之间比非好友用户之间玩同一类型的几率大。

步骤s5中使用游戏用户选择模型分析用户的点击概率，对超过设定阈值的用户点击概率进行匹配该用户类型的适用款游戏并进行任务的下发。

本发明的工作原理是：本发明通过反应游戏用户日常的行为特征(用户性别特征、用户年龄特征、用户地域特征、用户兴趣爱好特征、用户付费情况特征、用户历史记录特征和用户社交关系特征)，根据这7维特征构建线性回归模型进行模型训练游戏用户选择模型，并用训练好的游戏用户选择模型计算用户针待测定游戏的点击概率，进而完成游戏用户的选择；使用游戏用户日常的行为特征数据进行线性回归模型的训练，通过多元行为特征(7维特征)，并进行回归分析可以准确地计量各个因素之间的相关程度与回归拟合程度的高低，提高了预测游戏用户选择的效果，并且机器学习算法，学习训练速度快，效率高，并且节省了大量的人力成本，且为游戏选择用户的准确率高。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。