[发明专利]一种基于玩家消费潜力的游戏道具推送方法和装置

说明书

本发明提供了一种基于玩家消费潜力的游戏道具推送方法，包括以下步骤：在数据库中提取玩家的消费数据；将玩家进行分群并预测群内每个玩家的消费能力；选择与玩家消费能力相匹配的道具，生成道具候选列表；对候选道具进行排序并推送给相应的玩家。并综合多类因素排序输出游戏道具的推送列表，给玩家推送与其消费预期匹配的游戏道具，从推送到交易的有效转化率获得显著提升，有效地解决了行业性的难题。

技术领域

本发明涉及信息分析领域，尤其涉及一种基于玩家消费潜力的游戏道具推送方法和装置。

背景技术

在网络游戏商城的运营中，道具推送是关键点。在游戏中存在不同消费档次的玩家，这些玩家的消费能力和消费意愿不同。当给低消费潜力的玩家推送高价格的游戏道具，玩家很可能会感觉超出其消费期望，导致无法达成交易，该道具推送无效，无法达到企业的商业目标。不同消费阶层的玩家有不同的消费能力，道具推荐的业务目标是给不同阶层的玩家定制化地推荐不同价位档次的道具。据所知文献，业界提出了很多类型的推荐方法，这些方法一般只考虑用户或者物品的相似度；却忽略了用户的消费能力以及从推送到交易的有效转化状况。该类方法很可能给用户推荐一些价格高的物品，但用户却没有发生购买行为，导致购买的有效转化率较低，难以满足业务应用需求。

解决该问题的关键之一是对玩家进行分类，在本领域中，通常是采用k-means聚类算法对玩家进行聚类和分群，如发明专利申请CN105447126A提出了一种游戏道具个性化推荐方法，所采用的分类方法k-means算法。该方法存在较大的缺点，因为k-means适合对多类型维度的聚类和分群，而且对分群后各组的业务解析能力不强。换句话说，k-means划分的群可能偏多，各个群没有明确的业务可解析逻辑，在业务实际运营的操作较难。譬如当划分出二十多个群体，运营要对每个群定制化分析和构建对应的运营策略，工作量太大，难以运营。本发明采用RFM模型对玩家分群，其中R(Recency)表示玩家最近一次购买道具的时间有多远，F(Frequency)表示玩家在最近一段时间内购买的次数，M(Monetary)表示玩家在最近一段时间内购买道具的金额。

目前业界在物品推荐方面有五类主要的方法，包括基于商品相似度的方法，基于关联规则的方法，基于物品协同的方法,基于用户协同的方法，基于矩阵分解的方法。这五类的传统方法均没有考虑用户的消费能力。由于不同物品价值不一样，当给用户推送相关或相似的物品，但该物品价格超过用户的消费承受能力，用户很难达成交易。这导致推荐有效转化率较低，难以实现企业商业效益最大化的业务目标。因此，需要一种推荐方法能够准确地根据玩家潜在需求做出推荐道具。

发明内容

本发明的目的是解决现有技术的不足，提供一种基于玩家消费潜力的游戏道具推送方法和装置，能够推送与其消费预期匹配的游戏道具，显著提升了推动的转化率。

为了实现上述目的，本发明采用以下的技术方案：

首先，本发明提供了一种基于玩家消费潜力的游戏道具推送方法，包括以下步骤：在数据库中提取玩家的消费数据；采用RFM模型对玩家进行分群并预测群内每个玩家的消费能力；根据玩家消费能力筛选出相匹配的道具，生成道具候选列表；基于item2vec算法计算玩家与候选道具的推送相关性，根据推送相关性对候选道具进行排序并推送给相应的玩家。

在本发明的一个方法实施例中，所获取的玩家消费数据包括消费金额、消费的道具ID、消费频次和消费时间。

进一步地，在本发明的上述方法实施例中，预测群内每个玩家的消费能力包括以下步骤：获取整体消费能力基准值；获取群内玩家个体消费差异值；设置伸缩系数，玩家的消费能力由两个因素构成，包括整体消费能力基准值，和个体消费差异值，伸缩系数是起数值调和作用。将玩家个体消费差异值归一化后乘以伸缩系数与整体消费能力基准值累加，获得每个玩家的消费能力值。

在本发明的一个方法实施例中,获取整体消费能力基准值是基于统计群内每个玩家最近两周的累计消费金额中的众数获取。