一种道具推荐方法、装置、电子设备及存储介质制造方法及图纸

本申请提供了一种道具推荐方法、装置、电子设备及存储介质，根据待推荐道具的道具属性特征以及训练完成的道具预测模型，从待推荐道具中预测出初始推荐道具；道具预测模型的召回率不小于预设召回率阈值；根据初始推荐道具的第一目标道具属性特征以及训练完成的道具推荐模型，确定最终推荐道具；第一目标道具属性特征包括道具属性特征中权重不大于预设权重阈值的道具属性特征，权重表征道具预测模型在预测初始推荐道具时，道具属性特征对预测的影响程度。本申请能够优先考虑召回率并在不同阶段应用道具的不同道具属性特征，不仅能节省计算机资源，还能使得通过两阶段模型得出的推荐结果客观准确，从而实现为用户合理推荐道具的目的。目的。目的。

【技术实现步骤摘要】
一种道具推荐方法、装置、电子设备及存储介质


[0001]本申请涉及机器学习
，具体而言，涉及一种道具推荐方法、装置、电子设备及存储介质。

技术介绍

[0002]在道具推荐场景下，要求尽可能的推荐用户会购买的道具。现有技术中，常采用二阶段建模方式来推荐道具，如Voting模型在第一阶段建立若干个二分类(输出0或者1)模型，在第二阶段用第一阶段所有模型给出的结果进行投票，看看是0的个数多还是1的个数多，投票多的就是最终预测的推荐道具；或Stacking模型在第一阶段建立n个二分类模型，n个二分类模型输出n个结果，在第二阶段用这n个结果作为输入特征输入至第二阶段的模型中，以第二阶段的输出(0或者1)作为最终预测的推荐道具。
[0003]但是目前的二阶段建模方式中，两个阶段都采用了全量道具的道具属性特征(全量道具是指允许购买的道具，比如虚拟角色的等级达到10级，允许购买305种道具，虚拟角色的等级达到20级，允许购买360种道具)，这样不仅浪费计算机资源，还容易导致模型的评估结果不够客观准确，从而导致为用户推荐的道具不够合理。

技术实现思路

[0004]有鉴于此，本申请提供一种道具推荐方法、装置、电子设备及存储介质，能够在道具推荐场景下优先考虑召回率并在不同阶段主要应用道具的不同道具属性特征，不仅能够节省计算机资源，还能够使得通过两阶段模型得出的推荐结果客观准确，从而实现为用户合理推荐道具的目的。
[0005]第一方面，本申请实施例提供了一种虚拟道具推荐方法，所述方法包括：
[0006]获取待推荐道具的道具属性特征；
[0007]根据获取到的待推荐道具的道具属性特征以及训练完成的道具预测模型，从所述待推荐道具中预测出初始推荐道具；其中，所述道具预测模型的召回率不小于预设召回率阈值；
[0008]根据所述初始推荐道具的第一目标道具属性特征以及训练完成的道具推荐模型，确定最终推荐道具；其中，所述第一目标道具属性特征包括所述道具属性特征中权重不大于预设权重阈值的道具属性特征，所述权重表征所述道具预测模型在预测初始推荐道具时，道具属性特征对预测的影响程度。
[0009]第二方面，本申请实施例还提供了一种道具推荐装置，所述装置包括：
[0010]特征获取模块，用于获取待推荐道具的道具属性特征；
[0011]初始推荐模块，用于根据获取到的待推荐道具的道具属性特征以及训练完成的道具预测模型，从所述待推荐道具中预测出初始推荐道具；其中，所述道具预测模型的召回率不小于预设召回率阈值；
[0012]最终推荐模块，用于根据所述初始推荐道具的第一目标道具属性特征以及训练完
成的道具推荐模型，确定最终推荐道具；其中，所述第一目标道具属性特征包括所述道具属性特征中权重不大于预设权重阈值的道具属性特征，所述权重表征所述道具预测模型在预测初始推荐道具时，道具属性特征对预测的影响程度。
[0013]第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令时执行如上述的道具推荐方法。
[0014]第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的道具推荐方法。
[0015]本申请提供的技术方案具有如下有益效果：
[0016]与现有的二阶段建模方式中两个阶段都采用了全量道具的道具属性特征并且没有一个阶段是明确的调整准确率或者明确的调整召回率相比，本申请实施例在使用道具预测模型时，主要对待推荐道具的道具属性特征进行处理，这里，道具预测模型实际上是对道具属性特征中对推荐道具预测的影响程度较大的道具属性特征进行处理，在使用道具推荐模型时，主要使用对推荐道具预测有一定影响程度但不同于道具预测模型中使用的道具属性特征，这样，两个阶段的模型主要应用的道具属性特征不同，可以避免相同道具属性特征的重复使用，从而减少计算机资源的浪费，提高计算机性能；并且本申请实施例还能够在第一阶段对应的道具预测模型中优先考虑召回率，使得通过两阶段模型得出的推荐结果客观准确，从而实现为用户合理推荐道具的目的。
[0017]为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0018]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0019]图1为本申请实施例所提供的一种道具推荐方法的流程图；
[0020]图2为本申请实施例所提供的一种道具推荐装置的结构示意图；
[0021]图3为本申请实施例所提供的另一种道具推荐装置的结构示意图；
[0022]图4为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
[0023]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每
个其他实施例，都属于本申请保护的范围。
[0024]首先，对本申请可适用的应用场景进行介绍。本申请可应用于道具推荐场景中，在道具推荐场景下，要求尽可能的推荐用户会购买的道具。现有技术中，常采用二阶段建模方式来推荐道具，如Voting模型在第一阶段建立若干个二分类(输出0或者1)模型，在第二阶段用第一阶段所有模型给出的结果进行投票，看看是0的个数多还是1的个数多，投票多的就是最终预测的推荐道具；或Stacking模型在第一阶段建立n个二分类模型，n个二分类模型输出n个结果，在第二阶段用这n个结果作为输入特征输入至第二阶段的模型中，以第二阶段的输出(0或者1)作为最终预测的推荐道具。
[0025]但是目前的二阶段建模方式中，两个阶段都采用了全量道具的道具属性特征(全量道具是指允许购买的道具，比如虚拟角色的等级达到10级，允许购买305种道具，虚拟角色的等级达到20级，允许购买360种道具)；同时，准确率和召回率的调优过程在两个阶段无主次之分，即没有一个阶段是明确的调整准确率或者明确的调整召回率的，这样不仅浪费计算机资源，还容易导致模型的评估结果不够客观准确，从而导致为用户推荐的道具不够合理。
[0026]基于此，本申请实施例提供了一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种道具推荐方法，其特征在于，所述方法包括：获取待推荐道具的道具属性特征；根据获取到的待推荐道具的道具属性特征以及训练完成的道具预测模型，从所述待推荐道具中预测出初始推荐道具；其中，所述道具预测模型的召回率不小于预设召回率阈值；根据所述初始推荐道具的第一目标道具属性特征以及训练完成的道具推荐模型，确定最终推荐道具；其中，所述第一目标道具属性特征包括所述道具属性特征中权重不大于预设权重阈值的道具属性特征，所述权重表征所述道具预测模型在预测初始推荐道具时，道具属性特征对预测的影响程度。2.根据权利要求1所述的方法，其特征在于，根据获取到的待推荐道具的道具属性特征以及训练完成的道具预测模型，从所述待推荐道具中预测出初始推荐道具的步骤，包括：将获取到的待推荐道具的道具属性特征输入至训练完成的道具预测模型，得到每个待推荐道具的推荐概率；将推荐概率不小于第一推荐概率阈值的待推荐道具确定为初始推荐道具，其中，所述第一推荐概率阈值是根据所述道具预测模型的召回率确定的。3.根据权利要求1所述的方法，其特征在于，根据所述初始推荐道具的第一目标道具属性特征以及训练完成的道具推荐模型，确定最终推荐道具的步骤，包括：将所述初始推荐道具的第一目标道具属性特征输入至训练完成的道具推荐模型，得到每个初始推荐道具的推荐概率；根据每个初始推荐道具的推荐概率，确定最优推荐的最终推荐道具，其中，所述最终推荐道具的数量不大于第一预设推荐数量。4.根据权利要求3所述的方法，其特征在于，根据每个初始推荐道具的推荐概率，确定最优推荐的最终推荐道具的步骤，包括：将推荐概率不小于第二推荐概率阈值的初始推荐道具确定为最终推荐道具，以使最终推荐道具的数量不大于第一预设推荐数量；其中，所述第二推荐概率阈值是根据所述第一预设推荐数量确定的；或，根据每个初始推荐道具的推荐概率，确定多个初始推荐道具的推荐次序；从最大推荐概率对应的初始推荐道具开始，按照所述推荐次序依次选取初始推荐道具，直至选取的多个初始推荐道具的数量达到第一预设推荐数量，得到最终推荐道具。5.根据权利要求3所述的方法，其特征在于，所述方法还包括：根据每个初始推荐道具的推荐概率，从剩余推荐道具中确定次优推荐的继续推荐道具；其中，所述剩余推荐道具为所述初始推荐道具中除了所述最终推荐道具之外的道具，所述继续推荐道具的数量不大于第二预设推荐数量。6.根据权利要求2所述的方法，其特征在于，通过以下步骤训练道具预测模型：获取推荐道具样本中每个推荐道具的道具属性特征和推荐概率，以及未推荐道具样本中每个未推荐道具的道具属性特征；基于获取到的每个推荐道具的道具属性特征和推荐概率，以及每个未推荐道具的道具属性特征，对预先构...

【专利技术属性】
技术研发人员：徐帅，刘勇成，胡志鹏，袁思思，程龙，
申请(专利权)人：网易杭州网络有限公司，
类型：发明
国别省市：