一种游戏道具个性化推荐方法
【技术领域】
[0001] 本发明设及网络游戏领域，特别设及一种游戏道具个性化推荐方法。
【背景技术】
[0002] 在现有网络游戏中，存在众多的游戏道具。通常采用W下Ξ种技术实现游戏道具 个性化推荐：（1)数据降维技术；（2)分类算法；（3)推荐算法。每一种算法技术在游戏道具推 荐算法中都起到至为关键的作用，Ξ种算法共同组合成一个算法系统，缺一不可。
[0003] 其中，数据降维技术要解决的是游戏数据错综复杂的问题。由于游戏数据本身具 有一些非传统特点，比如：游戏数据来源复杂、数据类型多种多样、数据维度高（几百或上 千）、数据海量。因此，在使用推荐算法之前，既需要简化数据，又要尽可能保证数据中所包 含的信息不能丢失，运就需要数据降维技术。数据降维技术目前比较成熟，可改进的空间不 大，此处使用因子分析法进行数据降维。
[0004] 分类算法使用降维后的数据对游戏用户分类。如果在使用推荐算法之前不对玩家 进行分类，一方面会使计算量成倍增长;另一方面，由于不同类型的玩家的喜好矩阵差异巨 大，在不对玩家进行事先分类的情况下，会模糊不同类型玩家之间的差异，从而影响推荐的 准确性。分类算法也是比较成熟的技术，可改进的空间不大，由于游戏数据海量，此处使用 的是K-Means聚类算法。
[0005] 推荐算法的作用是将合适的游戏道具推荐给合适的玩家。推荐算法又包括关联分 析、协同过滤、矩阵分解等多种技术，推荐算法目前仍在不断发展完善中。目前较为流行的 是基于项目的协同过滤算法（ItemCF) JtemCF算法是从Amazon的论文和专利发表之后 (2001年左右)流行起来的。但是由于网络游戏的道具都是虚拟物品，使得网络游戏的数据 特点又和电商的数据有很大的不同，将电商的推荐算法硬搬到网络游戏数据上必然引起不 适。目前公开的ItemCF算法都是基于用户已经购买过的物品（Item),首先计算物品与物品 之间的距离矩阵，然后向每个用户推荐新的物品（Item),把运种计算方法直接应用到网络 游戏数据上存在W下弊端：（1)大型网络游戏的道具种类极多，构造的物品与物品之间的距 离矩阵也必然庞大，运会极大地增加 W后的计算量。（2)游戏中有很多道具的功能完全相同 且可W相互替代，购买运类道具的玩家本来应该是极其相似的，给他们推荐的道具也应该 相似，但是按照目前公开的方法进行计算，反而会使得运些功能相同的道具之间的距离非 常大，从而给购买运种道具的玩家所推荐的道具差异极大。因此，需要对现有的ItemCF算法 进行改良，W解决上述弊端。
【发明内容】
[0006] 本发明的目的在于解决将ItemCF算法直接应用到网络游戏数据所产生的上述两 种弊端，为网游游戏的道具推荐提供一种合适的推荐方法。
[0007] 为了实现上述目的，本发明的游戏道具个性化推荐方法，包括W下步骤：
[0008] (1)对数据进行提取、清洗、加工；
[0009] (2)将数据从输入空间映射到低维空间；
[0010] (3)对数据进行分类，将玩家划分成不同类别；
[0011] (4)为每个玩家推荐他最可能购买的道具。
[0012] 其中，所述步骤（1)中对数据进行提取是从数据仓库中提取玩家的属性数据、登录 数据、玩法数据、交易数据、充值数据、消费数据。
[0013] 其中，所述步骤（1)中对数据进行清洗是对提取的数据进行描述统计，找出数据的 重复记录、缺失值、异常值，并进行相应的替换或删除操作。
[0014] 其中，步骤(1)中对数据进行加工是对数据进行转换。
[0015] 其中，对数据进行转换包括将数据正态标准化、将数据求对数。
[0016] 其中，所述步骤(2)进一步包括使用因子分析法对加工后的玩家的属性数据、登录 数据、玩法数据、交易数据、充值数据及消费数据进行降维。
[0017] 其中，所述步骤(3)进一步包括：
[0018] 1)使用K-Means算法，对因子分析降维后的数据进行分类，将玩家划分成若干个类 别；
[0019] 2)使用K-Means算法，对加工后的消费数据进行分类，从中提取若干种主要的购买 模式；
[0020] 3)将上述两种K-Means算法的分类结果进行交叉，可W将全部用户分成若干个群 体，每一个群体内部的玩家的属性、游戏行为、购买模式都比较相似。
[0021 ]其中，所述步骤(4)进一步包括：
[0022] 1)每次按顺序从若干个群体中抽取一个用户群体，对该群体内的玩家进行W下几 步操作；
[0023] 2)计算玩家的道具类和道具明细之间的距离矩阵，该距离可W用化ccard相似度 来测量；
[0024] 3)用每个玩家在每个道具类上的已知取值，乘W距离矩阵，得到每个玩家对每个 明细道具的偏爱程度；
[0025] 4)确定推荐的道具，对每个玩家按照对每个明细道具的喜好程度进行排序，向该 玩家推荐排名靠前的道具。
[0026] 采用本发明的游戏道具个性化推荐方法，可W明确网络游戏道具推荐算法的整个 计算过程;与现有的ItemCF算法相比，大幅减小推荐算法的计算量;针对网络游戏运一特定 行业，与现有的ItemCF算法相比，能显著提高道具推荐的准确度。
[0027] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变 得显而易见，或者通过实施本发明而了解。
【附图说明】
[0028] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，并与本发明的 实施例一起，用于解释本发明，并不构成对本发明的限制。在附图中：
[0029] 图1为根据本发明的游戏道具个性化推荐方法流程图；
[0030] 图2为根据本发明的游戏道具个性化推荐方法实施例1工作流程图。
【具体实施方式】
[0031] W下结合附图对本发明的实施例进行说明，应当理解，此处所描述的优选实施例 仅用于说明和解释本发明，并不用于限定本发明。
[0032] 图1为根据本发明的游戏道具个性化推荐方法流程图。下面将参考图1，对本发明 的游戏道具个性化推荐方法进行详细描述。
[0033] 步骤101，对数据进行提取、清洗、加工，将数据整理成适合分析的格式。其中，对数 据的提取是从数据仓库中提取所需要的数据，包括玩家的属性数据、登录数据、玩法数据、 交易数据、充值数据、消费数据;对数据的清洗是对提取的数据进行描述统计，找出数据的 重复记录、缺失值、异常值，并进行相应的替换或删除操作;对数据的加工是对数据的转换， 比如，将数据正态标准化、将数据求对数，具体采用那种数据加工方式由所采用的算法决 定。
[0034] 步骤102,将数据从输入空间通过线性或非线性变换映射到一个低维空间，从而获 得一个关于原数据集紧致的低维表示。使用因子分析法，对加工后的玩家属性数据、登录数 据、玩法数据、交易数据、充值数据进行降维，将高维度的数据变量综合成少数几个因子，运 少数几个因子包含了原始数据的绝大部分信息。
[0035] 步骤103,将相似的玩家划分到同一类里面，使得同一群体内的玩家尽可能相似， 不同群体间的玩家差异尽可能显著。包括W下Ξ步：
[0036] (1)使用K-Means算法，对因子分析降维后的数据进行分类，将玩家划分成若干个 类别，为了便于W后的说明，此处假设分成Μ类；
[0037] (2)使用K-Means算法，对加工后的消费数据进行分类，从中提取若干种主要的购 买模式，为了便于W后的说明，此处假设分成N类；
[0038] (3)将上述两种K-Means算法的分类结果进行交叉，可W将全部用户分成M*N个群 体，每一个群体内部的玩家的属性、游戏行为、购买模式都比较相似。
[0039] 步骤104,利用改良后的ItemCF算法，给每个玩家推荐他最可能购买的道具。
[0040] 其中，对ItemCF算法的改良主要体现在对距离矩阵的改良上，改良后的ItemCF算 法的实施具体包括W下步骤：
[0041] (1)每次按顺序从M*N个群体中抽取一个用户群体，对该群体内的玩家进行W下几 步操作。
[0042] (2)计算玩家的道具类和道具明细之间的距