沉迷游戏风险识别方法、装置、计算机设备和存储介质与流程

本申请涉及计算机技术领域，特别是涉及一种沉迷游戏风险识别方法、装置、计算机设备和存储介质。

背景技术：

大多数游戏玩家会因沉迷游戏而影响正常生活和工作，为了防止用户沉迷游戏，游戏平台一般都会设置防沉迷系统进行限制。在传统的方式中，都是通过玩家累计的游戏时间识别玩家是否沉迷于游戏。

然而，传统游戏平台的防沉迷限制都是发生在事后，只有当游戏时间累计到达上限，在玩家已经沉迷游戏之后才能识别用户是否已经沉迷游戏，具有滞后性。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提前识别风险的沉迷游戏风险识别方法、装置、计算机设备和存储介质。

一种沉迷游戏风险识别方法，所述方法包括：

定期运行风险预测任务；

根据所述风险预测任务获取用户历史数据，所述用户历史数据中包括用户标识和指标数据；

调用画像模型，基于所述指标数据进行预测运算，得到与所述用户标识对应的风险数据；所述风险数据中包括风险评分；

当所述风险评分超过阈值时，为所述用户标识添加风险标签。

在其中一个实施例中，所述方法还包括：

接收终端发送的预设操作请求，所述预设操作请求中携带了用户标识；

查询所述用户标识是否被添加相应的风险标签；

若是，则对所述预设操作请求对应的权限进行调整。

在其中一个实施例中，所述调用画像模型，基于所述指标数据进行预测运算，得到与所述用户标识对应的风险数据包括：

计算所述指标数据的证据权重，根据所述证据权重进行分箱处理；

将所述分箱处理后的指标数据进行主成分分析，得到主成分系数矩阵；

通过逻辑回归计算所述主成分系数矩阵确定主成分得分系数；

根据所述主成分得分系数确定风险数据。

在其中一个实施例中，所述将所述分箱处理后的指标数据进行主成分分析，得到主成分系数矩阵包括：

将所述指标数据进行标准化处理得到标准化数据，根据所述标准化数据建立相关系数矩阵；

计算所述相关系数矩阵的特征根和贡献率，根据所述特征根和所述贡献量确定主成分；

计算所述主成分载荷得到主成分系数矩阵。

在其中一个实施例中，所述用户标识包括身份信息和场景标识；所述查询所述用户标识是否被添加相应的风险标签包括：

根据所述场景标识匹配多个风险标签；

根据所述身份信息从所述多个风险标签中查询是否有与身份信息相应的风险标签。

一种沉迷游戏识别装置，所述装置包括：

运行模块，用于定期运行风险预测任务；

数据获取模块，用于根据所述风险预测任务获取用户历史数据，所述用户历史数据中包括用户标识和指标数据；；

风险预测模块，用于调用画像模型，基于所述指标数据进行预测运算，得到与所述用户标识对应的风险数据；所述风险数据中包括风险评分；

标签添加模块，用于当所述风险评分超过阈值时，为所述用户标识添加风险标签。

在其中一个实施例中，所述装置还包括权限调整模块，用于接收终端发送的预设操作请求，所述预设操作请求中携带了用户标识；查询所述用户标识是否被添加相应的风险标签；若是，则对所述预设操作请求对应的权限进行调整。

在其中一个实施例中，所述风险预测模块还用于计算所述指标数据的证据权重，根据所述证据权重进行分箱处理；将所述分箱处理后的指标数据进行主成分分析，得到主成分系数矩阵；通过逻辑回归计算所述主成分系数矩阵确定主成分得分系数；根据所述主成分得分系数确定风险数据。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述的沉迷游戏风险识别方法。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的沉迷游戏风险识别。

上述沉迷游戏风险识别方法、装置、计算机设备和存储介质，通过服务器定期运行风险预测任务，根据风险预测任务的需求从数据库中获用户历史数据，历史数据包括用户标识和指标数据。再通过调用画像模型，基于指标数据进行预测运算，得到与用户标识相应的风险数据，风险数据中包括风险评分。当风险评分超过阈值时，为用户标识添加风险标签。通过调用历史数据利用画像模型实现了提前预测识别用户是否有沉迷游戏的风险。

附图说明

图1为一个实施例中沉迷游戏风险识别方法的应用环境图；

图2为一个实施例中沉迷游戏风险识别方法的流程示意图；

图3为一个实施例中用户权限调整的步骤流程示意图；

图4为一个实施例中调用画像模型的步骤流程示意图；

图5为一个实施例中查询用户标识是否被添加相应的风险标签的步骤流程示意图；

图6为一个实施例中用户权限调整的时序图；

图7为一个实施例中沉迷游戏风险识别装置的结构框图；

图8为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的沉迷游戏风险识别方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器104定期运行风险预测任务。服务器104根据风险预测任务的需求从数据库中获取用户历史数据，历史数据包括用户标识和指标数据。服务器104调用画像模型，基于指标数据进行预测运算，得到与用户标识对应的风险数据，风险数据中包括风险评分。当服务器104判断风险评分超过设定阈值时，则为用户标识添加风险标签。当服务器104接收到终端102发送的携带了用户标识的预设操作请求时，根据请求查询该用户标识是否有被添加风险标签。若是，服务器104则对预设操作请求对应的权限进行调整。

在一个实施例中，如图2所示，提供了一种沉迷游戏风险识别方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

s202，定期运行风险预测任务。

s204，根据风险预测任务获取用户历史数据，用户历史数据中包括用户标识和指标数据。

风险预测任务可以在任务平台根据实际需求自行部署。服务器定期运行已经部署的风险预测任务，周期可以为一周一次或者一月一次，根据实际风险预测任务进行设定。服务器根据风险预测任务的需求从数据库中获取用户历史数据，用户历史数据包括用户标识和指标数据。其中，若用户数据来源于本地数据库时，服务器实时从数据库中获取所需要的用户数据。若用户数据来源于其他数据平台，服务器则以t+1模式异步从数据平台获取用户数据。其中，t+1模式是指当日获取次日到达，也就是当服务器今日向数据平台发起获取用户历史数据请求时，服务器要次日才能接收到数据平台发送过来的数据。用户标识包括用户的个人身份信息等，每一个用户都有唯一的用户标识，服务器根据用户标识可以获取用户的身份信息，指标数据为用户在游戏平台的历史游戏数据以及个人资产数据。

在任务平台部署风险预测任务时，可以根据需求自行设定开始时间以及执行频率。开始时间是指任务开始运行的时间，到达开始时间后即可执行风险预测任务，执行频率可以按照天、月、月末进行设定。例如当风险预测任务设置的开始时间为2018年6月27日八点时，若执行频率为天，则风险预测任务将在2018年6月27日的八点首次运行，随后每天八点将运行一次。若执行频率为月，则随后每月的27日的八点将运行一次。若执行频率为月末，则将会在2018年6月30日的八点首次运行，随后每月的最后一天的八点将会运行一次。其中，当执行频率设定为0时，代表风险预测任务只在设定的开始时间运行一次，随后不会运行。若设定的开始时间为30日，执行频率为月时，随后每月的30日都会运行一次，但是由于2月份没有30日，因此2月份的风险预测任务将不会被触发运行。

s206，调用画像模型，基于指标数据进行预测运算，得到与用户标识对应的风险数据；风险数据中包括风险评分。

s208，当风险评分超过阈值时，为用户标识添加风险标签。

画像模型为沉迷游戏人员画像模型，画像模型对应多个入模指标，指标数据即为画像模型需要的入模指标。通过指标数据可以体现用户沉迷游戏的情况以及资产情况。根据用户的指标数据进行预测得到每个用户的风险数据，风险数据中包括风险评分，通过风险评分可以直接反应出用户沉迷游戏的概率。当用户的风险评分超过设定的阈值时，表明该用户有沉迷游戏的风险或者已经沉迷游戏，则为用户所对应的用户标识添加风险标签。其中，以棋牌游戏为例，指标数据可以包括：用户近一个月的下注总额、近三个月的下注增长率、近一年的充值中位数、近半年的充值中位数、近一年优惠券充值总金额、近一个月24点后对局总次数、近一个月上班时间对局总次数、上班时间的游戏趋势、近一年的兑换总次数、近三月的贷款变异系数、近一个月的资产增长率、近半年的资产权值、近半年的贷款均值等。

其中，定期运行风险预测任务得到的风险数据增量存储在服务器。也就是说，当运行周期为一周一次时，用户第一周的风险数据预测运算出来进行存储后，等到第二周再次获得该用户的风险数据时同样进行存储，且第一周的风险数据不删除。也就是说，截止本周为止该用户标识下有两条对应的风险数据。并且，当用户第一周的风险评分超过阈值，为对应的用户标识添加了风险标签。但是第二周预测运算出来的风险评分没有超过阈值，则将该用户的风险标签取消，风险标签的添加和取消由风险评分决定。

在本实施例中，通过服务器定期运行风险预测任务，根据风险预测任务的需求从数据库中获用户历史数据，历史数据包括用户标识和指标数据。再通过调用画像模型，基于指标数据进行预测运算，得到与用户标识相应的风险数据，风险数据中包括风险评分。当风险评分超过阈值时，为用户标识添加风险标签。通过调用历史数据利用画像模型实现了提前预测识别用户是否有沉迷游戏的风险。

在一个实施例中，如图3所示，该方法还包括用户权限调整的步骤，包括：

s302，接收终端发送的预设操作请求，预设操作请求中携带了用户标识。

s304，查询用户标识是否被添加相应的风险标签。若是，则执行步骤s306；否则，返回步骤s302。

s306，对预设操作请求对应的权限进行调整。

通过终端发送的携带了用户标识的预设操作请求同步调用服务器查询该用户标识是否有被添加风险标识。如该用户标识用户被添加了风险标签，则表明该用户有沉迷游戏的风险或者已经沉迷游戏，则对该用户的预设操作进行权限的调整。例如，以预设操作为充值或下注为例，当用户在游戏终端界面点击充值或下注按钮时，游戏终端同步发送操作请求给服务器，且操作请求中携带了用户对应的用户标识。若服务器查询到该用户标识有相对应的风险标签，则对用户的充值或下注额度进行调整，可以限制该用户每天或者每次的充值或下注的金额额度上限。用户权限进行调整后，通过消息推送告知用户其充值或下注已经限额以及限额额度，并且提醒用户适度游戏。其中，当服务器查询到该用户有对应的风险标签后，服务器获取该用户的风险评分，根据风险评分决定用户的额度上限值。若根据评分判定用户只是轻微沉迷游戏，则可以通过适当的限额调整监督防止用户进一步沉迷游戏。若用户为已经沉迷游戏用户，则可以直接关闭用户权限，限制用户进行充值或下注。在本实施例中，通过风险标签和风险评分，可以针对不同用户的不同情况进行不同的调整，防止用户毫无节制的沉迷游戏。

在一个实施例中，当服务器接收到游戏终端发送的预设操作请求时，预设操作请求中携带了用户标识。服务器根据用户标识获取到该用户相对应的风险数据，并通过与游戏终端预先约定好的接口将风险数据返回给游戏终端。游戏终端根据风险数据对用户进行风险决策，获取风险决策数据。根据风险决策数据对用户进行权限调整并将风险决策数据返回给服务器进行存储。其中，风险决策数据包括用户标识、风险数据、是否调整权限以及调整后的权限。在本实施例中，将风险数据发送给游戏终端，游戏终端可以自主的根据用户的风险数据进行决策而不需要依靠服务器的决策。服务器接收到游戏终端返回的风险决策数据时，同步将风险决策数据发送给风险监测管理系统进行监控管理。

在一个实施例中，如图4所示，调用画像模型，基于指标数据进行预测运算，得到与用户标识对应的风险数据之前还包括建立画像模型包括以下步骤：

s402，计算指标数据的证据权重，根据证据权重进行分箱处理。

s404，将分箱处理后的指标数据进行主成分分析，得到主成分系数矩阵。

s406，通过逻辑回归计算主成分系数矩阵确定主成分得分系数。

s408，根据主成分得分系数确定风险数据。

该指标数据是指最终选取的入模指标。服务器首先计算指标数据的证据权重，根据证据权重对指标数据再次进行分箱处理。将经过分箱处理的指标数据进行主成分分析，得到主成分系数矩阵。然后利用逻辑回归算法计算主成分系数矩阵确定主成分的得分系数，根据主成分得分系数确定用户的风险数据。其中，主成分分析首先将指标数据进行标准化处理得到标准化数据，根据标准化数据建立相关系数矩阵。计算相关系数矩阵的特征根和贡献率，选取特征根大于1且贡献率大于85％的指标数据为主成分，分别计算每个主成分的载荷值得到主成分系数矩阵。并且，在确定使用逻辑回归算法之前还使用分析过神经网络算法和梯度提升决策树算法，比对不同算法下的模型效果。由于神经网络算法的auc(areaunderthecurveofroc，感受性曲线下方面积)值不高，并且使用神经网络算法的画像模型的召回率最低。而梯度提升决策树算法的召回率虽然比神经网络算法有所提高，但是auc值仍然不高，并且准确率还下降了。因此，最终选用auc值和召回率最高的逻辑回归算法作为建模算法。

计算指标数据的证据权重，根据证据权重进行分箱处理之前还包括指标数据的选取。服务器根据用户类型将画像模型的训练样本分为好样本和坏样本，好样本是以分层随机抽取的方式从注册过游戏账号，且在观察期内没有沉迷游戏的用户中进行抽取，坏样本为在观察期内已经沉迷游戏人员。观察期为观察点的前一年、好样本的观察点可以根据实际情况自行设定。坏样本的观察点通过该用户沉迷游戏的历史情况决定，可以根据用户沉迷游戏的时间点建立观察点。样本确定好之后，服务器从数据库中将不同样本的所有指标数据提取出来，分析指标数据的可用性，选择可用性高的指标数据。分析可用性高的指标数据的缺失值，删除缺失值大的指标数据得到指标长名单。其次，对长名单中的所有指标做相关性矩阵分析，选取相关性小的指标。对相关性小的指标数据进行最优分箱，计算每个进行分箱后的指标数据的信息价值。结合各指标数据之间的相关性和信息价值选取最终的指标数据，也就是入模指标。

在本实施例中，对指标数据进行分析筛选，选取合适的指标数据为入模指标。从而在通过该画像模型对用户进行沉迷游戏预测运算时，能够有效提高预测的准确性。

在一个实施例中，如图5所示，查询用户标识是否被添加相应的风险标签包括以下步骤：

s502，根据场景标识匹配多个风险标签。

s504，根据身份信息从多个风险标签中查询是否有与身份信息相应的风险标签。

终端发送的用户标识不仅包括用户的身份信息，还包括了场景标识。当服务器接收到终端发送的携带用户标识的预设操作请求时，根据请求查询该用户标识是否被添加了相应的风险标签来判断用户是否对用户的预设操作请求进行权限的调整。游戏终端通常分为很多不同的游戏场景，服务器根据不同的游戏场景存储用户的风险数据和风险标签。每个游戏场景都有唯一的场景id号，也就是场景标识。因此，当终端发送预设操作请求时，服务器首先根据请求携带的场景标识判断该用户当前的游戏场景，查找出该游戏场景下所有被添加了风险标签的用户，再根据用户的身份信息从中查询是否有与该用户身份信息相对应的风险标签。其中，身份信息可以但不限于用户的游戏账号、手机号以及姓名等。在本实施例中，根据场景标识和用户身份信息实现快速查询用户是否有被添加风险标签。

在一个实施例中，如图6所示，当画像模型构建完成后，将其封装成插件应用于插件平台中。提供一种当用户预设操作为充值或下注时，用户权限调整方法的时序图，包括以下步骤：终端用户通过手机号码登陆游戏平台，当用户在游戏平台进行充值或下注时，充值或下注模块同步调用插件，插件平台调用画像模型获取用户的模型结果。画像模型将用户的模型结果返回给插件，插件平台根据模型获取用户的沉迷游戏风险评分，并将用户的沉迷游戏风险评分返回给游戏平台。游戏平台根据用户的风险评分调整用户充值或下注的限额。充值或下注限额调整后游戏平台通过发送弹窗提醒用户已调整充值或下注限额。

在一个实施例中，插件平台还与任务平台、风险监测管理系统进行连接。当游戏平台同步调用插件时，插件平台实时生成风险预测任务发送给任务平台，并接受游戏平台实时传送过来的部分数据。任务平台根据任务需求从数据库中获取所需要的历史数据，将历史数据返回给插件平台。插件平台调用画像模型，将游戏平台实时发送的数据和任务平台获取的历史数据输入至画像模型进行预测运算获取风险数据，也就是模型结果，将模型结果存储至模型结果库中。并且，通过模型结果确定用户沉迷游戏的风险评分返回给游戏平台。其中，任务平台不清除接收到的风险预测任务，并且通过预设规则设置定时运行风险预测任务。任务平台定时运行风险预测任务时，以异步t+1的模式从数据库和游戏平台获取所需数据，并将数据输入至画像模型进行预测运算，将模型结果保存至模型结果库中。当游戏平台下一次同步调用插件获取该用户的模型结果时，即可根据用户标识直接从模型结果库中获取该用户的模型结果，确定用户的沉迷游戏风险评分。

由于插件平台可以添加多个插件，当画像模型封装成插件应用于插件平台时，插件平台自动为画像模型生成对应的插件id号、插件名称等标识信息。插件id号是用来识别画像模型的唯一标识，不可修改，插件名称可以根据实际需求进行修改。当游戏平台发送同步调用插件平台请求时，调用请求中携带画像模型对应插件的插件id号，插件平台通过匹配id号调用画像模型。插件平台还提供模型结果查询功能，通过插件标识信息可以查询模型预测运行的模型结果数据。

应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种沉迷游戏风险识别装置，包括：运行模块702、数据获取模块704、风险预测模块706和标签添加模块708，其中：

运行模块702，用于定期运行风险预测任务。

数据获取模块704，用于根据风险预测任务获取用户历史数据，用户历史数据中包括用户标识和指标数据。

风险预测模块706，用于调用画像模型，基于指标数据进行预测运算，得到与用户标识对应的风险数据；风险数据中包括风险评分。

标签添加模块708，用于当风险评分超过阈值时，为用户标识添加风险标签。

在一个实施例中，沉迷游戏风险识别装置还包括权限调整模块，用于接收终端发送的预设操作请求，预设操作请求中携带了用户标识；查询用户标识是否被添加相应的风险标签；若是，则对预设操作请求对应的权限进行调整。

在一个实施例中，风险预测模块706还用于计算指标数据的证据权重，根据证据权重进行分箱处理；将分箱处理后的指标数据进行主成分分析，得到主成分系数矩阵；通过逻辑回归计算主成分系数矩阵确定主成分得分系数；根据主成分得分系数确定风险数据。

在一个实施例中，风险预测模块706还用于将指标数据进行标准化处理得到标准化数据，根据标准化数据建立相关系数矩阵；计算相关系数矩阵的特征根和贡献率，根据特征根和所述贡献量确定主成分；计算主成分载荷得到主成分系数矩阵。

在一个实施例中，权限调整模块还用于根据场景标识匹配多个风险标签；根据身份信息从多个风险标签中查询是否有与身份信息相应的风险标签。

关于沉迷游戏风险识别装置的具体限定可以参见上文中对于沉迷游戏风险识别方法的限定，在此不再赘述。上述沉迷游戏风险识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储风险数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种沉迷游戏风险识别方法。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各个方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。