一种基于渠道资源位的游戏导量数据排期方法及装置与流程

本发明涉及数据处理技术领域，尤其涉及一种基于渠道资源位的游戏导量数据排期方法及装置。

背景技术：

网络游戏发展迅猛，大量的游戏从厂商中不断地开发出来。这些游戏通过游戏平台的各个渠道推广到对应的目标玩家中。在这个过程中，游戏平台对不同类型的游戏做玩家的导量，让各款游戏达到运作所需的玩家阀值，建立游戏生态。另一方面，游戏的质量参差不齐，低价值的游戏消耗大量的推广资源，导致游戏导量利用率低，影响游戏平台的营收，游戏导量是就是通过某个渠道的推广,进入游戏玩的用户的数量。

因此如何对游戏排期，并最大化导量利用率是一个业务难题。传统一般依靠人工经验确定游戏排期，譬如推广营收top-20的游戏。但游戏存在生命周期，给到的游戏营收会衰退，营收最好的游戏不一定是潜力最大的游戏。

目前营收最好的游戏的存在有偏导量会扩大马太效应，不但影响对新游的推广力度，而且最终降低平台的长远营收，特别地，人工方法较主观，经验难以沉淀，且工量大，准确和覆盖度难管控，人工的方法主观，工作量大，且调节方式难以固化沉淀；在缺乏对导量的统筹和配置下，人工方法很难平衡多类推广因素生成合适的排期，从而导致了游戏导量的资源分析不够精确的技术问题。

技术实现要素：

本发明实施例提供的一种基于渠道资源位的游戏导量数据排期方法及装置，解决了目前的人工方法较主观，经验难以沉淀，且工量大，准确和覆盖度难管控，人工的方法主观，工作量大，且调节方式难以固化沉淀；在缺乏对导量的统筹和配置下，人工方法很难平衡多类推广因素生成合适的排期，而导致的游戏导量的资源分析不够精确的技术问题。

本发明实施例提供的一种基于渠道资源位的游戏导量数据排期方法，包括：

采集渠道属性数据和候选游戏运营数据；

根据所述渠道属性数据和所述候选游戏运营数据对每个所述渠道计算对应的渠道营收数据，并根据所述渠道营收数据和按照预置计算方式计算获得的运营因素数据建立排期优化模型函数；

根据所述排期优化模型函数通过迭代求近似解算法确定排期序列。

优选地，所述渠道属性数据为与各渠道对应的资源广告位的导量数据；

所述候选游戏运营数据包括开服数据、充值数据、登录数据、新玩家注册量、新玩家注册转化率、区服玩家容载量。

优选地，根据所述渠道属性数据和所述候选游戏运营数据对每个所述渠道计算对应的渠道营收数据，并根据所述渠道营收数据建立排期优化模型函数具体包括：

根据所述开服数据、所述区服玩家容载量、所述充值数据中的每个玩家平均充值量按照第一预置公式计算出所述渠道的每个资源广告位营收数据，所述开服数据通过所述导量数据、所述新玩家注册转化率和所述区服玩家容载量的单个区服平均容载量按照第二预置公式进行计算获取；

对计算获取的所有所述资源广告位营收数据进行求和确定所述渠道营收数据；

根据所述渠道营收数据和按照预置计算方式计算获得的运营因素数据建立排期优化模型函数，所述运营因素数据为预置的渠道中的所述资源广告位的资源排序；

其中，所述第一预置公式为所述资源广告位营收数据＝所述开服数据×所述区服玩家容载量×每个所述玩家平均充值量；

所述第二预置公式为所述开服数据＝INT(所述导量数据×所述新玩家注册转化率/所述单个区服平均容载量)。

优选地，根据所述渠道营收数据和按照预置计算方式计算获得的运营因素数据建立排期优化模型函数具体包括：

通过游戏间相似度按照第三预置公式计算所述资源广告位排期的排期多样性，所述游戏间相似度通过两两游戏对应的游戏特征向量按照第四预置公式计算获取；

通过对所述资源广告位排期的新鲜度函数求和计算获取排期新鲜度，所述新鲜度函数通过游戏对应的上线时间、当前时间和权重因子按照第五预置公式计算获取；

根据所述渠道营收数据、所述排期多样性和所述排期新鲜度建立排期优化模型函数；

其中，所述第三预置公式为所述排期多样性＝1-(∑{所述游戏间相似度}/(0.5×所述资源排序×(所述资源排序-1)))；

所述第四预置公式为所述游戏间相似度＝∑1/sqrt(一所述游戏特征向量×另一所述游戏特征向量)；

所述第五预置公式为所述新鲜度函数＝1/(1+所述权重因子(所述当前时间-所述上线时间))。

优选地，根据所述排期优化模型函数通过迭代求近似解算法确定排期序列具体包括：

S1：对所述排期序列的所述排期优化模型函数通过拉格朗日转换确定评估可行解的打分函数，所述可行解为随机可行的排期；

S2：根据所述打分函数记录当前最优解；

S3：从所述可行解中按规则选出至少2个候选可行解，并对所述候选可行解进行复制交叉操作获取对应的至少2个新可行解结果；

S4：对所述新可行解结果进行变异操作，生成若干个候选方案，并判断所述候选方案的数量是否达到预置候选数量，若否，则重复步骤S3，直到所述候选方案的数量达到预置候选数量，则执行步骤S5；

S5：将预置候选数量个所述候选方案作为新可行解的集合，并替代原可行解集合，重复执行步骤S2至S5进行过程迭代计算，直到迭代次数达到预置迭代预置次数，确定最优排期序列。

本发明实施例提供的一种基于渠道资源位的游戏导量数据排期装置，包括：

数据接入单元，用于采集渠道属性数据和候选游戏运营数据；

排期建模单元，用于根据所述渠道属性数据和所述候选游戏运营数据对每个所述渠道计算对应的渠道营收数据，并根据所述渠道营收数据和按照预置计算方式计算获得的运营因素数据建立排期优化模型函数；

排期生成单元，用于根据所述排期优化模型函数通过迭代求近似解算法确定排期序列。

优选地，数据接入单元具体包括：

属性信息采集子单元，用于采集与各渠道对应的资源广告位的导量数据；

运营数据采集子单元，用于采集与候选游戏对应的开服数据、充值数据、登录数据、新玩家注册量、新玩家注册转化率、区服玩家容载量。

优选地，所述排期建模单元具体包括：

渠道营收数据计算子单元，用于根据所述开服数据、所述区服玩家容载量、所述充值数据中的每个玩家平均充值量按照第一预置公式计算出所述渠道的每个资源广告位营收数据，所述开服数据通过所述导量数据、所述新玩家注册转化率和所述区服玩家容载量的单个区服平均容载量按照第二预置公式进行计算获取；

营收数据求和子单元，用于对计算获取的所有所述资源广告位营收数据进行求和确定所述渠道营收数据；

排期建模子单元，用于根据所述渠道营收数据和按照预置计算方式计算获得的运营因素数据建立排期优化模型函数，所述运营因素数据为预置的渠道中的所述资源广告位的资源排序；

其中，所述第一预置公式为所述资源广告位营收数据＝所述开服数据×所述区服玩家容载量×每个所述玩家平均充值量；

所述第二预置公式为所述开服数据＝INT(所述导量数据×所述新玩家注册转化率/所述单个区服平均容载量)。

优选地，排期建模子单元具体包括：

排期多样性计算模块，用于通过游戏间相似度按照第三预置公式计算所述资源广告位排期的排期多样性，所述游戏间相似度通过两两游戏对应的游戏特征向量按照第四预置公式计算获取；

排期新鲜度计算模块，用于通过对所述资源广告位排期的新鲜度函数求和计算获取排期新鲜度，所述新鲜度函数通过游戏对应的上线时间、当前时间和权重因子按照第五预置公式计算获取；

排期建模模块，用于根据所述渠道营收数据、所述排期多样性和所述排期新鲜度建立排期优化模型函数；

其中，所述第三预置公式为所述排期多样性＝1-(∑{所述游戏间相似度}/(0.5×所述资源排序×(所述资源排序-1)))；

所述第四预置公式为所述游戏间相似度＝∑1/sqrt(一所述游戏特征向量×另一所述游戏特征向量)；

所述第五预置公式为所述新鲜度函数＝1/(1+所述权重因子(所述当前时间-所述上线时间))。

优选地，所述排期生成单元具体包括：

转换子单元，用于对所述排期序列的所述排期优化模型函数通过拉格朗日转换确定评估可行解的打分函数，所述可行解为随机可行的排期；

记录子单元，用于根据所述打分函数记录当前最优解；

复制交叉子单元，用于从所述可行解中按规则选出至少2个候选可行解，并对所述候选可行解进行复制交叉操作获取对应的至少2个新可行解结果；

变异操作子单元，用于对所述新可行解结果进行变异操作，生成若干个候选方案，并判断所述候选方案的数量是否达到预置候选数量，若否，则再次触发所述复制交叉子单元，直到所述候选方案的数量达到预置候选数量，则触发集合替代子单元；

所述集合替代子单元，用于将预置候选数量个所述候选方案作为新可行解的集合，并替代原可行解集合，重复依次触发所述记录子单元、所述复制交叉子单元、所述变异操作子单元和所述集合替代子单元进行过程迭代计算，直到迭代次数达到预置迭代预置次数，确定最优排期序列。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例提供的一种基于渠道资源位的游戏导量数据排期方法及装置，其中，基于渠道资源位的游戏导量数据排期方法包括：采集渠道属性数据和候选游戏运营数据；根据渠道属性数据和候选游戏运营数据对每个渠道计算对应的渠道营收数据，并根据渠道营收数据和按照预置计算方式计算获得的运营因素数据建立排期优化模型函数；根据排期优化模型函数通过迭代求近似解算法确定排期序列。本实施例中，通过采集渠道属性数据和候选游戏运营数据，然后根据渠道属性数据和候选游戏运营数据对每个渠道计算对应的渠道营收数据，并根据渠道营收数据和按照预置计算方式计算获得的运营因素数据建立排期优化模型函数，最后根据排期优化模型函数通过迭代求近似解算法确定排期序列，实现了无需人工对游戏进行排期，解决了目前的人工方法较主观，经验难以沉淀，且工量大，准确和覆盖度难管控，人工的方法主观，工作量大，且调节方式难以固化沉淀；在缺乏对导量的统筹和配置下，人工方法很难平衡多类推广因素生成合适的排期，而导致的游戏导量的资源分析不够精确的技术问题，以及于各个渠道的属性数据和候选游戏的运营数据(运营数据充值，登录和开服等信息)构建排期模型，在构建排期模型时，除了考虑到了游戏的生命周期和成熟游戏的衰退状况外，还考虑到了培养潜力新游戏并给其更好的导量、渠道和资源位在导量规模和用户特征的差异和变化、充分利用资源位的导量以最大化总营收、让结果多样化以最大满足玩家各类需求这些因素。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种基于渠道资源位的游戏导量数据排期方法的一个实施例的流程示意图；

图2为本发明实施例提供的一种基于渠道资源位的游戏导量数据排期方法的另一个实施例的流程示意图；

图3为本发明实施例提供的一种基于渠道资源位的游戏导量数据排期装置的一个实施例的结构示意图；

图4为本发明实施例提供的一种基于渠道资源位的游戏导量数据排期装置的另一个实施例的结构示意图；

图5(a)至图5(c)为图2应用例的框架示意图。

具体实施方式

本发明实施例提供的一种基于渠道资源位的游戏导量数据排期方法及装置，解决了目前的人工方法较主观，经验难以沉淀，且工量大，准确和覆盖度难管控，人工的方法主观，工作量大，且调节方式难以固化沉淀；在缺乏对导量的统筹和配置下，人工方法很难平衡多类推广因素生成合适的排期，而导致的游戏导量的资源分析不够精确的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例提供的一种基于渠道资源位的游戏导量数据排期方法的一个实施例包括：

101、采集渠道属性数据和候选游戏运营数据；

本实施例中，当需要通过游戏导量对游戏进行排期时，首先需要采集渠道属性数据和候选游戏运营数据。

102、根据渠道属性数据和候选游戏运营数据对每个渠道计算对应的渠道营收数据，并根据渠道营收数据和按照预置计算方式计算获得的运营因素数据建立排期优化模型函数；

当采集渠道属性数据和候选游戏运营数据之后，需要根据渠道属性数据和候选游戏运营数据对每个渠道计算对应的渠道营收数据，并根据渠道营收数据和按照预置计算方式计算获得的运营因素数据建立排期优化模型函数。

103、根据排期优化模型函数通过迭代求近似解算法确定排期序列。

当根据渠道属性数据和候选游戏运营数据对每个渠道计算对应的渠道营收数据，并根据渠道营收数据和按照预置计算方式计算获得的运营因素数据建立排期优化模型函数之后，需要根据排期优化模型函数通过迭代求近似解算法确定排期序列。

本实施例中，通过采集渠道属性数据和候选游戏运营数据，然后根据渠道属性数据和候选游戏运营数据对每个渠道计算对应的渠道营收数据，并根据渠道营收数据和按照预置计算方式计算获得的运营因素数据建立排期优化模型函数，最后根据排期优化模型函数通过迭代求近似解算法确定排期序列，实现了无需人工对游戏进行排期，解决了目前的人工方法较主观，经验难以沉淀，且工量大，准确和覆盖度难管控，人工的方法主观，工作量大，且调节方式难以固化沉淀；在缺乏对导量的统筹和配置下，人工方法很难平衡多类推广因素生成合适的排期，而导致的游戏导量的资源分析不够精确的技术问题。

上面是对基于渠道资源位的游戏导量数据排期方法的过程进行详细的描述，下面将对具体过程进行详细的描述，请参阅图2，本发明实施例提供的一种基于渠道资源位的游戏导量数据排期方法的另一个实施例包括：

201、采集渠道属性数据和候选游戏运营数据；

本实施例中，当需要通过游戏导量对游戏进行排期时，首先需要采集渠道属性数据和候选游戏运营数据，渠道属性数据为与各渠道对应的资源广告位的导量数据，候选游戏运营数据包括开服数据、充值数据、登录数据、新玩家注册量、新玩家注册转化率、区服玩家容载量。

202、根据开服数据、区服玩家容载量、充值数据中的每个玩家平均充值量按照第一预置公式计算出渠道的每个资源广告位营收数据；

当采集渠道属性数据和候选游戏运营数据之后，需要根据开服数据、区服玩家容载量、充值数据中的每个玩家平均充值量按照第一预置公式计算出渠道的每个资源广告位营收数据，开服数据通过导量数据、新玩家注册转化率和区服玩家容载量的单个区服平均容载量按照第二预置公式进行计算获取。

第一预置公式为资源广告位营收数据＝开服数据×区服玩家容载量×每个玩家平均充值量；

第二预置公式为开服数据＝INT(导量数据×新玩家注册转化率/单个区服平均容载量)。

203、对计算获取的所有资源广告位营收数据进行求和确定渠道营收数据；

当根据开服数据、区服玩家容载量、充值数据中的每个玩家平均充值量按照第一预置公式计算出渠道的每个资源广告位营收数据之后，需要对计算获取的所有资源广告位营收数据进行求和确定渠道营收数据。

204、通过游戏间相似度按照第三预置公式计算资源广告位排期的排期多样性，游戏间相似度通过两两游戏对应的游戏特征向量按照第四预置公式计算获取；

当对计算获取的所有资源广告位营收数据进行求和确定渠道营收数据之后，需要通过游戏间相似度按照第三预置公式计算资源广告位排期的排期多样性，游戏间相似度通过两两游戏对应的游戏特征向量按照第四预置公式计算获取。

第三预置公式为排期多样性＝1-(∑{游戏间相似度}/(0.5×资源排序×(资源排序-1)))。

第四预置公式为游戏间相似度＝∑1/sqrt(一游戏特征向量×另一游戏特征向量)。

205、通过对资源广告位排期的新鲜度函数求和计算获取排期新鲜度，新鲜度函数通过游戏对应的上线时间、当前时间和权重因子按照第五预置公式计算获取；

当通过游戏间相似度按照第三预置公式计算资源广告位排期的排期多样性，游戏间相似度通过两两游戏对应的游戏特征向量按照第四预置公式计算获取之后，需要通过对资源广告位排期的新鲜度函数求和计算获取排期新鲜度，新鲜度函数通过游戏对应的上线时间、当前时间和权重因子按照第五预置公式计算获取。

第五预置公式为新鲜度函数＝1/(1+权重因子(当前时间-上线时间))。

206、根据渠道营收数据、排期多样性和排期新鲜度建立排期优化模型函数；

步骤202至205之后，需要根据渠道营收数据、排期多样性和排期新鲜度建立排期优化模型函数。

207、对排期序列的排期优化模型函数通过拉格朗日转换确定评估可行解的打分函数，可行解为随机可行的排期；

当根据渠道营收数据、排期多样性和排期新鲜度建立排期优化模型函数之后，需要对排期序列的排期优化模型函数通过拉格朗日转换确定评估可行解的打分函数，可行解为随机可行的排期。

208、根据打分函数记录当前最优解；

当对排期序列的排期优化模型函数通过拉格朗日转换确定评估可行解的打分函数，可行解为随机可行的排期之后，需要根据打分函数记录当前最优解。

209、从可行解中按规则选出至少2个候选可行解，并对候选可行解进行复制交叉操作获取对应的至少2个新可行解结果；

当根据打分函数记录当前最优解之后，需要从可行解中按规则选出至少2个候选可行解，并对候选可行解进行复制交叉操作获取对应的至少2个新可行解结果。

210、对新可行解结果进行变异操作，生成若干个候选方案，并判断候选方案的数量是否达到预置候选数量，若否，则重复步骤209，直到候选方案的数量达到预置候选数量，则执行步骤211；

当从可行解中按规则选出至少2个候选可行解，并对候选可行解进行复制交叉操作获取对应的至少2个新可行解结果之后，需要对新可行解结果进行变异操作，生成若干个候选方案，并判断候选方案的数量是否达到预置候选数量，若否，则重复步骤209，直到候选方案的数量达到预置候选数量，则执行步骤211。

211、将预置候选数量个候选方案作为新可行解的集合，并替代原可行解集合，重复执行步骤208至211进行过程迭代计算，直到迭代次数达到预置迭代预置次数，确定最优排期序列。

当候选方案的数量达到预置候选数量，则将预置候选数量个候选方案作为新可行解的集合，并替代原可行解集合，重复执行步骤208至211进行过程迭代计算，直到迭代次数达到预置迭代预置次数，确定最优排期序列。

下面以一具体应用场景进行描述，如图5(a)至(c)所示，应用例包括：

通过渠道的导量状况，和游戏的运营特征，构建模型准确地预测最佳的排期，让导量的利用率最大。该系统已融入并支撑YY游戏大厅排期系统，助力业务数据化运营，产生巨大效益。

需要说明的是，如图5(a)所示，基于渠道资源位的游戏导量数据排期方法可以是结合图3和图4实施例的装置进行描述，装置分别是数据接入单元501，排期建模单元502，和排期生成单元503；生成的排期结果对接到业务系统中。

数据接入单元501负责接入两类数据，包括各个渠道的属性数据，和推广游戏候选的运营数据，如图5(b)所示，渠道的属性数据通过游戏平台获取，负责收集渠道的各个推广资源广告位的导量数量。游戏平台有多个渠道，譬如游戏大厅渠道，市场渠道，内部导量渠道等；每个渠道有多个广告位，譬如在游戏大厅渠道，有焦点图广告位，潜力游广告位等，处理单元504代表属性信息采集器。候选游戏的运营数据包括充值，登录和开服等信息。

处理单元505代表充值行为收集器，单元506代表登录行为收集器，和单元507代表开服状况收集器。具体地，数据包括在统计日起前7天给定游戏的有效新玩家注册量，7天的新玩家的注册转化率；统计日起前7天新玩家在给定游戏中的充值量和充值人数；统计日起前7天游戏新区服平均容载玩家下限量(即每个区服最少容载的玩家量，若低于该下限值，玩家太少导致区服投产比很低,无法运转)；

这些数据是游戏排期的基础以及信息源。

基于接入的渠道属性数据和候选游戏运营数据，本模块负责构建排期模型。最佳的排期需要考虑下面的运营需求：

充分利用资源位的导量，最大化总营收；

让结果多样化，最大满足玩家各类需求，譬如偏好MOBA，ORPG游戏；

考虑游戏的生命周期，和成熟游戏的衰退状况，培养潜力新游并给其更好的导量；

考虑渠道和资源位在导量规模和用户特征的差异和变化；

基于以上的运营需求，本模块把该排期问题转换成一个排列组合问题；对于给定渠道的资源位，从n个候选游戏中，按序抽取m个放入资源位；让排序结果能最大化目标函数，并按照结果推广的资源位。考虑到每个渠道的领域特性差异，本模块对渠道分别建模，即每个渠道建立一个模型；排期结果让渠道内提高多样性，渠道间收益最大。

排期目标函数是最大化总收益；在给定的时间区间内，渠道的营收等于各个资源位的营收总和。

渠道R的营收＝∑_r∈R{Revenue(r)}，其中r指代资源位；----公式1

资源位的营收为通过该资源位导量的玩家在游戏中的充值总和。具体地，资源位通过给指定的游戏导送用户，这些用户按一定的比例转换成游戏的注册玩家；这些玩家被安排都游戏的各个区服中；玩家在游戏区服中做电技活动(如练级)，产生充值消费；该消费的收益用于衡量资源位的导量价值。概括地，可以写成下面的公式：

Revenue(r)＝#Server(r)×Server_size(g)×ARPS(g)----公式2

其中#Server(r)代表资源位导量对应的游戏的开服数，Server_size(g)代表游戏区服的玩家容载量；ARPS(g)代表单个区服每个玩家的平均充值量。譬如资源位r给游戏g导送玩家量，这些量足够开4个区服，每个区服容载3000人，人均充值1.2元，那么资源位r导量价值为4*3000*1.2元。

另一方面，每个区服存在开服的最低人数下限要求；若导量低于该下限值，该导量无法形成一个区服，即该导量可能被浪费，或者被导到一些价值偏低的老区服中。开服数和导量数量间存在一种阶段式的关系；

#Server(r)＝INT(Users(r)×％P(g)/Server_size(g))----公式3

其中Users(r)代表资源位r给游戏的导量数量，％P(g)代表游戏g的注册转化率，Server_size(g)代表单个区服的平均容载人数；INT(.)譬代表取整函数；譬如资源位r给游戏g导送10万用户量，这些用户有20％会转换成注册玩家，即2w的玩家量；每个区服开服下限为3000人；那么这些导量可以开6个新区服；剩下的2000个玩家可能被导到一些价值较低的老区服中；考虑到新区服的游戏远高于老区服，这2000的零散导量无法形成一个区服的导量，所产生的价值较小且可以忽略；

综合公式1，公式2，公式3，我们可以获得排期要优化的目标函数。另一方面，游戏排期需要考虑以下两个运营因素，渠道中各个资源位推广的游戏类型要满足用户的多样性需求和玩家对新颖游戏的追求。下面我们对这两个运营因素建模；

记在渠道中各个资源位的游戏排序为π，资源位排期的多样性可以由公式4来衡量：

Diversity(π)＝1-(∑_{i,j∈π,i≠j}{Similarity(i,j)}/(0.5×|π|×(|π|-1)))----公式4

其中Similarity(.,.)指代游戏间的相似度；

具体地，使用多个特征来刻画游戏i，两款游戏间的相似度可以用对应的特征间的相似度来衡量，即

Similarity(i,j)＝∑_{u∈N(i)∩N(j)}1/sqrt(|N(i)|×|N(j)|)----公式5

其中N(i)代表游戏i的特征向量；

譬如对于游戏i，可以用特征(如名称，主题，类型等)来衡量其特性，对应的特征向量如[1,2,3]；类似地，对于游戏j，如同属于主题2，可以表示成特征向量[3,2,1]；那么这两款游戏的相似度为1/(3×3)；

从公式可以看出，两款游戏对应的相似特征越多，Similarity(i,j)值越大；

另一方面，排期的新鲜度定义为各款游戏新鲜度之和；即

Novelty(π)＝∑_g∈πDamping(g)----公式6

其中，g为排期中要推广的游戏，Damping(.)为新鲜度函数；

考虑游戏存在生命周期，上线时间越长，游戏的新鲜度越低；定义新鲜度函数如下；

Damping(g)＝1/(1+α(T(g)-t(g)))----公式7

其中t(g)代表游戏的上线时间，T(g)代表目前时间，α为权重因子；

综合公式1-7，游戏排期的优化函数如下：

max{Revenue(π)}

s.t.max{Diversity(π)}

max{Novelty(π)}；π～(0,1)----公式8

其中π为需要求的排期序列；

如图5(c)所示，排期序列生成的过程如下：

该模块负责求解排期优化模型，生成对应的排期结果。考虑到排期的优化函数(i.e.公式8)是不可微，不可导，非凸的函数,没有数学表达式的显式解；而且非显式解的求解在计算复杂度上也是NP-hard的。

为了解决这个问题，本模块提出一种迭代求近似解的方案，迭代计算过程会渐近收敛，且一定程度避免局部最优陷阱。具体地，迭代思路如下，具体的操作流程。

基于约束条件，利用启发性规则生成初始可行解；

利用序列模式操作生成新可行解，并依据风险函数判定是否接受该解；

以目标函数导向，迭代地寻找最优解；

具体地，根据拉格朗日转换，目标函数如下：

f(Π)＝Revenue_T(Π)+θ₁·Diversity(Π)+θ₂·Novelty(Π)

----公式9

评估可行解的打分函数为：

其中η为预定的风险阀值；

以上的迭代流程会收敛，收敛梯度如下：

其中π表示排期序列；m(π,t)表示在t个迭代中存在的序列π中串的个数；^f(π)表示在t个迭代群体中序列π串的平均适应度；λ表示串的长度；p_c表示串之间发生模式交换操作的概率；p_m指代一个串发生模式突变操作的概率；δ(π)表示序列π的定义长；o(π)表示序列π的阶。可由公式11证明此迭代过程收敛，且最大概率逼近全局最优值。

通过迭代算法求解，可获得最优的排期序列；生成的序列结果对接到业务系统中，指导运营的游戏排期。

根据渠道的导量属性和游戏的运营特征，自动生成游戏的最佳导量排期序列。该排期结果综合考虑多类运营因素，包括排期游戏的多样性和新颖性；能最大化资源位的导量利用率。

采用AB测试评测系统多个月的性能，其中A组为模型的排期策略，B组为人工规则(根据游戏最近7天营收)的排期策略，两组排期的游戏策略数量一致，同一时期做推广。譬如给定某个渠道，有两个推广资源位，其中第一个资源位的排期策略采用模型A组，第二个资源位的排期策略采用人工B组；这两组资源位有不同的更新频率和策略；通过统计通过该渠道资源位对应的收益，用于衡量两种策略的优劣。评测指标为15天内的各资源位新注册用户的人均花费；其中在2015年10月份人均花费由78元上升到89元，11月份由91元上升到105元；该项目已经融入YY排期系统中，产生巨大的价值。

本实施例中，通过采集渠道属性数据和候选游戏运营数据，然后根据渠道属性数据和候选游戏运营数据对每个渠道计算对应的渠道营收数据，并根据渠道营收数据和按照预置计算方式计算获得的运营因素数据建立排期优化模型函数，最后根据排期优化模型函数通过迭代求近似解算法确定排期序列，实现了无需人工对游戏进行排期，解决了目前的人工方法较主观，经验难以沉淀，且工量大，准确和覆盖度难管控，人工的方法主观，工作量大，且调节方式难以固化沉淀；在缺乏对导量的统筹和配置下，人工方法很难平衡多类推广因素生成合适的排期，而导致的游戏导量的资源分析不够精确的技术问题，以及于各个渠道的属性数据和候选游戏的运营数据(运营数据充值，登录和开服等信息)构建排期模型，在构建排期模型时，除了考虑到了游戏的生命周期和成熟游戏的衰退状况外，还考虑到了培养潜力新游戏并给其更好的导量、渠道和资源位在导量规模和用户特征的差异和变化、充分利用资源位的导量以最大化总营收、让结果多样化以最大满足玩家各类需求这些因素。

请参阅图3，本发明实施例中提供的一种基于渠道资源位的游戏导量数据排期装置的一个实施例包括：

数据接入单元301，用于采集渠道属性数据和候选游戏运营数据；

排期建模单元302，用于根据渠道属性数据和候选游戏运营数据对每个渠道计算对应的渠道营收数据，并根据渠道营收数据和按照预置计算方式计算获得的运营因素数据建立排期优化模型函数；

排期生成单元303，用于根据排期优化模型函数通过迭代求近似解算法确定排期序列。

本实施例中，通过数据接入单元301采集渠道属性数据和候选游戏运营数据，然后排期建模单元302根据渠道属性数据和候选游戏运营数据对每个渠道计算对应的渠道营收数据，并根据渠道营收数据和按照预置计算方式计算获得的运营因素数据建立排期优化模型函数，最后排期生成单元303根据排期优化模型函数通过迭代求近似解算法确定排期序列，实现了无需人工对游戏进行排期，解决了目前的人工方法较主观，经验难以沉淀，且工量大，准确和覆盖度难管控，人工的方法主观，工作量大，且调节方式难以固化沉淀；在缺乏对导量的统筹和配置下，人工方法很难平衡多类推广因素生成合适的排期，而导致的游戏导量的资源分析不够精确的技术问题。

上面是对基于渠道资源位的游戏导量数据排期装置的各单元进行详细的描述，下面将对子单元进行详细的描述，请参阅图4，本发明实施例中提供的一种基于渠道资源位的游戏导量数据排期装置的另一个实施例包括：

数据接入单元401，用于采集渠道属性数据和候选游戏运营数据；

数据接入单元401具体包括：

属性信息采集子单元4011，用于采集与各渠道对应的资源广告位的导量数据；

运营数据采集子单元4012，用于采集与候选游戏对应的开服数据、充值数据、登录数据、新玩家注册量、新玩家注册转化率、区服玩家容载量。

排期建模单元402，用于根据渠道属性数据和候选游戏运营数据对每个渠道计算对应的渠道营收数据，并根据渠道营收数据和按照预置计算方式计算获得的运营因素数据建立排期优化模型函数；

排期建模单元402具体包括：

渠道营收数据计算子单元4021，用于根据开服数据、区服玩家容载量、充值数据中的每个玩家平均充值量按照第一预置公式计算出渠道的每个资源广告位营收数据，开服数据通过导量数据、新玩家注册转化率和区服玩家容载量的单个区服平均容载量按照第二预置公式进行计算获取；

营收数据求和子单元4022，用于对计算获取的所有资源广告位营收数据进行求和确定渠道营收数据；

排期建模子单元4023，用于根据渠道营收数据和按照预置计算方式计算获得的运营因素数据建立排期优化模型函数，运营因素数据为预置的渠道中的资源广告位的资源排序；

其中，第一预置公式为资源广告位营收数据＝开服数据×区服玩家容载量×每个玩家平均充值量；

第二预置公式为开服数据＝INT(导量数据×新玩家注册转化率/单个区服平均容载量)。

排期建模子单元4023具体包括：

排期多样性计算模块4023a，用于通过游戏间相似度按照第三预置公式计算资源广告位排期的排期多样性，游戏间相似度通过两两游戏对应的游戏特征向量按照第四预置公式计算获取；

排期新鲜度计算模块4023b，用于通过对资源广告位排期的新鲜度函数求和计算获取排期新鲜度，新鲜度函数通过游戏对应的上线时间、当前时间和权重因子按照第五预置公式计算获取；

排期建模模块4023c，用于根据渠道营收数据、排期多样性和排期新鲜度建立排期优化模型函数；

其中，第三预置公式为排期多样性＝1-(∑{游戏间相似度}/(0.5×资源排序×(资源排序-1)))；

第四预置公式为游戏间相似度＝∑1/sqrt(一游戏特征向量×另一游戏特征向量)；

第五预置公式为新鲜度函数＝1/(1+权重因子(当前时间-上线时间))。

排期生成单元403，用于根据排期优化模型函数通过迭代求近似解算法确定排期序列。

排期生成单元403具体包括：

转换子单元4031，用于对排期序列的排期优化模型函数通过拉格朗日转换确定评估可行解的打分函数，可行解为随机可行的排期；

记录子单元4032，用于根据打分函数记录当前最优解；

复制交叉子单元4033，用于从可行解中按规则选出至少2个候选可行解，并对候选可行解进行复制交叉操作获取对应的至少2个新可行解结果；

变异操作子单元4034，用于对新可行解结果进行变异操作，生成若干个候选方案，并判断候选方案的数量是否达到预置候选数量，若否，则再次触发复制交叉子单元4033，直到候选方案的数量达到预置候选数量，则触发集合替代子单元4035；

集合替代子单元4035，用于将预置候选数量个候选方案作为新可行解的集合，并替代原可行解集合，重复依次触发记录子单元4032、复制交叉子单元4033、变异操作子单元4034和集合替代子单元4035进行过程迭代计算，直到迭代次数达到预置迭代预置次数，确定最优排期序列。

本实施例中，通过数据接入单元401采集渠道属性数据和候选游戏运营数据，然后排期建模单元402根据渠道属性数据和候选游戏运营数据对每个渠道计算对应的渠道营收数据，并根据渠道营收数据和按照预置计算方式计算获得的运营因素数据建立排期优化模型函数，最后排期生成单元403根据排期优化模型函数通过迭代求近似解算法确定排期序列，实现了无需人工对游戏进行排期，解决了目前的人工方法较主观，经验难以沉淀，且工量大，准确和覆盖度难管控，人工的方法主观，工作量大，且调节方式难以固化沉淀；在缺乏对导量的统筹和配置下，人工方法很难平衡多类推广因素生成合适的排期，而导致的游戏导量的资源分析不够精确的技术问题，以及于各个渠道的属性数据和候选游戏的运营数据(运营数据充值，登录和开服等信息)构建排期模型，在构建排期模型时，除了考虑到了游戏的生命周期和成熟游戏的衰退状况外，还考虑到了培养潜力新游戏并给其更好的导量、渠道和资源位在导量规模和用户特征的差异和变化、充分利用资源位的导量以最大化总营收、让结果多样化以最大满足玩家各类需求这些因素。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。