离矩阵，该距离可W用化ccard相似度 来测量，矩阵的形式如下：
[0043] 表1:道具类和道具明细之间的距离矩阵
[0044]
[0045] 该矩阵与常规的ItemCF算法的距离矩阵的差别在于:常规的ItemCF算法的距离矩 阵是明细道具与明细道具之间的距离矩阵，假设有5000种道具，那么常规的ItemCF算法便 要求一个5000巧000的矩阵;而此处，假设将游戏中大量的功能相同的道具合并成30类，那 么，只需计算一个30巧000的矩阵。运在后面计算每个玩家对每个明细道具的中喜好程度 时，会大量降低计算量，并能显著提高推荐的准确度。
[0046] (3)用每个玩家在每个道具类上的已知取值，乘W上面的距离矩阵，得到每个玩家 对每个明细道具的偏爱程度。
[0047] (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。
[004引实施例1
[0049] 下面将结合实施例1对本发明的游戏道具个性化推荐方法进行详细描述：
[0050] 步骤201，对数据进行提取，
[0051 ] (1)充值数据:玩家最近6个月的充值金额。
[0052] (2)登录数据:玩家最近3个月的登录天数、在线总时长。
[0053] (3)等级数据:玩家当前的角色等级、生活职业等级
[0054] (4)玩法数据:玩家最近3个月参与每种玩法的次数
[0055] (5)交易数据:最近3个月，游戏内玩家之间的交易次数和交易官银
[0056] (6)消费数据:玩家最近3个月购买每种道具的数量和金额
[0057] 步骤202,对数据进行清洗(仅针对充值、登录、等级、玩法、交易数据），
[0化引 （1)去掉N_EXT_ID = -1的记录。
[0化9] (2)去掉N_WER_ID = 0的记录。
[0060] (3)去掉3个月内登录不到5天的玩家。
[0061] (4)去掉等级低于6的玩家。
[0062] (5)-个区有多个角色的，保留等级最高的角色，其余的清掉。
[0063] (6)缺失值用0代替。
[0064] 步骤203,对消费数据进行清洗(仅针对消费数据），
[00化](1)去掉重复记录
[0066] (2)去掉基本人人都买的道具
[0067] (3)去掉基本没人买的道具
[0068] 步骤204，使数据标准化，
[0069] (1)对充值、登录、玩法、交易数据求对数。等级和消费数据保持不变。
[0070] (2)将上述数据转化成标准正态分布。
[0071 ] 步骤205，对玩家特征因子进行提取，
[0072] 用因子分析法，对上面处理过的充值、登录、等级、玩法、交易数据进行因子分析， 得到6个玩家特征因子。
[0073] 步骤206,对玩家游戏行为特征分类，
[0074] 用上面的6个因子做K-Means算法对玩家分类，将玩家聚成8类，相当于将玩家分成 8种行为模式。在原来的数据后面添加一列，保存每个玩家所属的玩法类别，并输出类中屯、。
[0075] 步骤207,对消费行为分类，
[0076] 用K-Means算法，使用消费数据将玩家聚成50类，相当于将玩家的消费行为分成50 种消费模式，将消费行为相似的玩家分在同一类。在原来的数据后面添加一列，保存每个玩 家所属的消费类别，并输出类中屯、。
[0077] 步骤208,对用户分类，
[0078] 将上述的玩家游戏行为特征分类和消费行为分类进行交叉，共得到8*50 = 400种 组合，相当于将玩家分成400个群体。同一群体内的玩家的游戏行为特征和消费行为特征都 很相似。
[00巧]步骤209,道具推荐，
[0080] (1)分别读取第1个、第2个，……，第400个用户群组，对每个群组的玩家分别进行 W下计算，W第1个群组的玩家为例。
[0081] (2)取出该群组里的玩家购买的道具记录，该记录中既有明细的道具，也有对道具 的归类。
[0082] (3)计算道具类与道具明细之间的化ccard相似度矩阵。（矩阵形式见表1)
[0083] (4)用每个玩家在每个道具类上的已知取值，乘W上面的化ccard相似度矩阵，得 到每个玩家对每个明细道具的偏爱程度。
[0084] (5)对每个玩家按照他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10种道具。
[0085] 本发明的游戏道具个性化推荐方法，通过对协同过滤算法的改良，使其更适用于 网络游戏的道具推荐，改良后的算法，不仅能大幅减小计算量，还能显著提高网络游戏道具 推荐的准确度，对于提高网络游戏用户的体验有显著效果。
[0086] 本领域普通技术人员可W理解：W上所述仅为本发明的优选实施例而已，并不用 于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员 来说，其依然可W对前述各实施例记载的技术方案进行修改，或者对其中部分技术特征进 行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含 在本发明的保护范围之内。
【主权项】
1. 一种游戏道具个性化推荐方法，其特征在于，包括以下步骤： (1) 对数据进行提取、清洗、加工； (2) 将数据从输入空间映射到低维空间； (3) 对数据进行分类，将玩家划分成不同类别； (4) 为每个玩家推荐他最可能购买的道具。2. 根据权利要求1所述的游戏道具个性化推荐方法，其特征在于，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。3. 根据权利要求1所述的游戏道具个性化推荐方法，其特征在于，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。4. 根据权利要求1所述的游戏道具个性化推荐方法，其特征在于，步骤（1)中对数据进 行加工是对数据进行转换。5. 根据权利要求4所述的游戏道具个性化推荐方法，其特征在于，对数据进行转换包括 将数据正态标准化、将数据求对数。6. 根据权利要求1所述的游戏道具个性化推荐方法，其特征在于，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。7. 根据权利要求1所述的游戏道具个性化推荐方法，其特征在于，所述步骤(3)进一步 包括： 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； 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； 3) 将上述两种K-Means算法的分类结果进行交叉，可以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。8. 根据权利要求1所述的游戏道具个性化推荐方法，其特征在于，所述步骤(4)进一步 包括： 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以下几步操 作； 2) 计算玩家的道具类和道具明细之间的距离矩阵，该距离可以用Jaccard相似度来测 量； 3) 用每个玩家在每个道具类上的已知取值，乘以距离矩阵，得到每个玩家对每个明细 道具的偏爱程度； 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。
【专利摘要】一种游戏道具个性化推荐方法，包括：对数据进行提取、清洗、加工；将数据从输入空间映射到低维空间；对数据进行分类，将玩家划分成不同类别；为每个玩家推荐他最可能购买的道具。本发明的游戏道具个性化推荐方法，大幅减小推荐算法的计算量，显著提高道具推荐的准确度，并提升了网络游戏的用户体验效果。
【IPC分类】G06F17/30, G06K9/62
【公开号】CN105447126
【申请号】CN201510793393
【发明人】黄付杰
【申请人】苏州蜗牛数字科技股份有限公司
【公开日】2016年3月30日
【申请日】2015年11月17日