【技术实现步骤摘要】
虚拟物品的推荐方法、模型的训练方法、装置及存储介质
本专利技术涉及人工智能
,尤其涉及虚拟物品的推荐方法、模型的训练方法、装置及存储介质。
技术介绍
在游戏互动过程中,存在一些场景需要向用户推荐虚拟物品,以便用户选择或者购买。例如用户进入虚拟物品购买界面后,在购买界面中向用户推荐虚拟物品。又例如,在一些游戏场景中,当本场游戏结束后,有一定的几率可以让用户购买指定的折扣商品,这样能够提高用户的游戏体验。然而,由于游戏场景中的虚拟物品种类较多,在向用户推荐虚拟物品时无法将所有种类的虚拟物品向用户展示,通常的做法是固定或随机向用户展示供选择或购买的虚拟物品,然而上述的固定推荐方式只是依赖游戏设计者或者维护人员的主观经验进行预测和设置的,预测结果并不理想。为了提高虚拟物品预测的准确性,从而向用户推荐更加感兴趣的虚拟物品,可以通过机器学习的方式对用户的喜好进行预测,例如通过构建机器学习模型,收集用户特征数据和过往的购买行为对机器学习模型进行训练,通过训练好的学习模型预测目标用户对虚拟物品的喜好和购买可能性。例如通过GDBT梯度提升树模型或者RandomForest随机森林模型实现虚拟物品的推荐。然而,上述单一算法模型方案的预测结果并不理想。
技术实现思路
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。本申请提供了一种虚拟物品的推荐方法、模型的训练方法、装置及存储介质,能够方便地建立并使用集成学习模型,提高虚拟物品推荐的准确性。根据本申请的第一方面,提 ...
【技术保护点】
1.一种虚拟物品的推荐方法,其特征在于,包括:/n获取目标用户的特征数据;/n将所述特征数据分别输入集成学习模型中的多个预设模型,对所述目标用户的特征数据进行虚拟物品推荐预测,得到每个所述预设模型的预测值,所述预设模型为所述集成学习模型预先注册的机器学习模型且已配置好超参数;/n对多个所述预测值进行统计处理得到所述预测值的分布特征,根据所述分布特征得到所述目标用户的虚拟物品推荐结果;或者,将多个所述预测值输入经过训练的次级学习模型进行计算,得到所述目标用户的虚拟物品推荐结果;/n其中,所述集成学习模型中包括多种学习算法类型的预设模型,所述预设模型的超参数根据配置信息生成。/n
【技术特征摘要】
1.一种虚拟物品的推荐方法,其特征在于,包括:
获取目标用户的特征数据;
将所述特征数据分别输入集成学习模型中的多个预设模型,对所述目标用户的特征数据进行虚拟物品推荐预测,得到每个所述预设模型的预测值,所述预设模型为所述集成学习模型预先注册的机器学习模型且已配置好超参数;
对多个所述预测值进行统计处理得到所述预测值的分布特征,根据所述分布特征得到所述目标用户的虚拟物品推荐结果;或者,将多个所述预测值输入经过训练的次级学习模型进行计算,得到所述目标用户的虚拟物品推荐结果;
其中,所述集成学习模型中包括多种学习算法类型的预设模型,所述预设模型的超参数根据配置信息生成。
2.根据权利要求1所述的方法,其特征在于,所述将多个所述预测值输入经过训练的次级学习模型进行计算,得到所述目标用户的虚拟物品推荐结果,具体包括:
对多个所述预测值进行统计运算,得到混合特征;
将所述混合特征输入经过训练的所述次级学习模型,得到所述目标用户的虚拟物品推荐结果。
3.根据权利要求1所述的方法,其特征在于,所述集成学习模型中的多个所述预设模型通过在所述集成学习模型预先注册的预设模型集合中随机选择得到。
4.根据权利要求1所述的方法,其特征在于,所述配置信息包括超参数的取值范围,所述预设模型的超参数在所述取值范围内随机生成或通过网格搜索生成。
5.一种集成学习模型的训练方法,其特征在于,包括:
在预先注册的预设模型集合中选择至少两个预设模型,所述预设模型集合包含至少两种学习算法类型的预设模型;
获取各个所述预设模型的配置信息;
根据各个所述预设模型的配置信息配置各个所述预设模型的超参数;
获取训练数据,根据所述训练数据对各个配置好超参数的所述预设模型进行训练,所述训练数据包括用户的特征样本数据和所述用户的虚拟物品选择结果;
将各个被训练的所述预设模型进行集成,完成集成学习模型的训练。
6.根据权利要求5所述的方法,其特征在于,所述在预先注册的预设模型集合中选择至少两个预设模型,具体包括:
在所述预设模型集合中随机选择至少两个预设模型。
7.根据权利要求5所述的方法,其特征在于,所述配置信息包括所述超参数的取值范围;所述根据各个所述预设模型的配置信息配置各个所述预设模型的超参数,包括:
根据各个所述预设模型的配置信息,在所述超参数的取值范围内随机生...
【专利技术属性】
技术研发人员:林文清,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。