虚拟物品的推荐方法、模型的训练方法、装置及存储介质制造方法及图纸

本申请公开了虚拟物品的推荐方法、模型的训练方法、装置及存储介质，通过集成学习模型对目标用户所需的虚拟物品进行推荐，其中集成学习模型包括预先注册的多个预设模型，由于预设模型及其对应的配置信息被预先设置好，只需要在预设模型集合中选择预设模型，并根据对应的配置信息对预设模型的超参数进行配置，即可方便生成集成学习模型。由于通过本申请提供的训练方法训练的集成学习模型包括多个不同类型的预设模型，因此能够充分地突出每种学习算法类型的优点，并且通过其他类型的预设模型弥补该预设模型的缺点，通过集成学习模型能够向目标用户准确地推荐所需的虚拟物品。

【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，提供了一种虚拟物品的推荐方法，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。根据本申请的第二方面，提供了一种集成学习模型的训练方法，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。根据本申请的第三方面，提供了一种虚拟物品的推荐装置，包括：数据获取装置，获取目标用户的特征数据；预测装置，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；集成装置，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，对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。根据本申请的第四方面，提供了一种集成学习模型的生成装置，包括：选择装置，在预先注册的预设模型集合中选择至少两个预设模型；配置信息获取装置，获取各个所述预设模型的配置信息；超参数配置装置，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；训练装置，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；集成装置，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。根据本申请的第五方面，提供了一种计算机设备，包括：至少一个存储器；至少一个处理器；至少一个程序；所述程序被存储在所述存储器中，所述处理器执行所述至少一个所述程序以实现本申请第一方面所述的虚拟物品的推荐方法，或者，以实现本申请第二方面所述的集成学习模型的训练方法。根据本申请的第六方面，提供了一种计算机可读存储介质，所述计算机可执行指令用于执行本申请第一方面所述的虚拟物品的推荐方法，或者，以实现本申请第二方面所述的集成学习模型的训练方法。本申请所提供的技术方案，通过集成学习模型对目标用户所需的虚拟物品进行推荐，其中集成学习模型包括预先注册的多个预设模型，预设模型的超参数根据配置信息生成，由于预设模型及其对应的配置信息被预先设置好，因此只需要一次注册好预设模型集合，即可用于生成不同预设模型组合的集成学习模型，用户在构建集成学习模型时无需对集成学习模型的算法的集成进行深入研究及逐一进行配置集成，即可方便生成并训练集成学习模型。另外，即使集成学习模型的训练和预测结果不理想，也可以十分方便地重新生成集成学习模型，大大节省了构建集成学习模型的时间。由于通过本申请实施例提供的集成学习模型包括多个不同类型的预设模型，因此能够充分地突出每种学习算法类型的优点，并且通过其他类型的预设模型弥补该预设模型的缺点，使得通过集成学习模型能够向目标用户准确地推荐所需的虚拟物品。附图说明附图用来提供对本申请技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。图1是本申请一个示例性的实施例提供的集成学习模型的训练方法的流程图；图2是图1中步骤130的具体方法流程图；图3是图1中步骤140的具体方法流程图；图4是图3中步骤320的具体方法流程图；图5是图1中步骤150的具体方法流程图；图6是图5中步骤520的具体方法流程图；图7是本申请一个示例性的实施例提供的预设模型集合的注册方法流程图；图8是本申请一个示例性的实施例提供的集成学习模型的模块框架图；图9是本申请一个示例性的实施例提供的虚拟物品的推荐方法的流程图；图10是本申请一个示例性的实施例提供的集成学习模型的模块框架图；图11是本申请虚拟物品的推荐方法的一个应用场景的示意图；图12是本申请一个示例性的实施例提供的虚拟物品的推荐装置的结构示图；图13是本申请一个示例性的实施例提供的集成学习模型的生成装置的结构示图；图14是本申请一个示例性的实施例提供的集成学习模型的计算机设备的结构示图；图15是本申请一个示例性的实施例提供的服务器的结构示图。具体实施本文档来自技高网...

【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