[发明专利]基于深度神经网络与图网络的核心用户挖掘方法及系统

说明书

本公开提出了基于深度神经网络与图网络的核心用户挖掘方法，包括：构建用户‑游戏历史信息数据库；进行数据预处理；根据数据预处理后的游戏用户游戏历史序列观测数据，建立以游戏名称为节点，时间顺序为边的有向图，并输入到图网络嵌入方法中，以预测下一时间感兴趣的游戏；针对每个游戏用户均进行上述有向图的建立，得到的每个游戏的表达，与对应用户的个人信息进行特征拼接，融合输入到深度神经网络中，以预测该用户是否为该款游戏的核心玩家。本公开基于图网络嵌入与深度神经网络的融合方法来解决序列预测问题，将时序信息以图网络的形式充分地学习，并融合深度学习方法学习更高层次地交互表达，以此提高模型预测地准确度。

技术领域

本公开涉及人工智能与数据挖掘和推荐系统技术领域，特别是涉及基于深度神经网络与图网络的核心用户挖掘方法及系统。

背景技术

随着互联网与智能手机的飞速发展与普及，每天会有海量的用户使用日志数据被记录下来。

针对手机游戏领域，一次的登录游戏界面的行为，往往存在着与该用户关联的许多背景信息，如用户个人信息，设备信息，游戏行为信息等，这些多领域的信息的复杂交互作用往往会对用户的对游戏的行为产生巨大的影响。还有，对于序列上的游戏行为，即在某一预定的时间段内按照时间先后顺序排列的用户游戏行为的集合，包含着丰富的序列信息，如用户之前的一次游戏行为导致了当前的对某款游戏的行为，这一序列间的行为的相互影响与相互作用会对用户未来的行为预估有很大的帮助。

当前一些序列行为预测模型使用多领域的拼接特征作为模型输入，使用传统的逻辑斯特回归或因子分解机等方法对行为进行预估。但该种方法仅将动态的序列特征进行简单罗列，并不能很好地获取动态的隐含表达，同时，该种方法仅实现了低阶的特征间交互，对于更为复杂的高阶交互特征的学习并不擅长。

另外，近年来也有使用循环神经网络的方法来进行动态的序列预测，但该种方法忽略了用户在特定时间段内所玩历史游戏的游戏间的复杂转换关系，并不能很好地学习出用户对于这些游戏的偏好。

发明内容

为了解决现有技术的不足，本公开实施例子提供了基于深度神经网络与图网络的核心用户挖掘方法，能够用来挖掘某款游戏未来的核心用户。

基于深度神经网络与图网络的核心用户挖掘方法，包括：

根据游戏用户个人信息数据和游戏用户对应的游戏历史序列观测数据，构建用户-游戏历史信息数据库；

对用户-游戏历史信息数据库中的信息进行数据预处理，使之满足长序列建模标准；

根据数据预处理后的游戏用户游戏历史序列观测数据，建立以游戏名称为节点，时间顺序为边的有向图，并输入到图网络嵌入方法中，以预测下一时间感兴趣的游戏；

针对每个游戏用户均进行上述有向图的建立，得到的每个游戏的表达，与对应用户的个人信息进行特征拼接，融合输入到深度神经网络中，以预测该用户是否为该款游戏的核心玩家。

作为本公开进一步的技术方案，对用户-游戏历史信息数据库中的信息进行数据预处理步骤，包括数据清洗，具体为根据长序列建模标准，剔除掉历史序列较少的用户。

作为本公开进一步的技术方案，历史序列较少的用户包括将每天登陆时长大于第一设定时间以及小于第二设定时间的数据均剔除。

作为本公开进一步的技术方案，对用户-游戏历史信息数据库中的信息进行数据预处理时，还将登录时长或付费金额占所有时长和充值金额前设定百分比的游戏作为给用户的核心游戏，亦即，该用户为该款游戏的核心用户。

作为本公开进一步的技术方案，数据清洗步骤之后，进行特征选取，至少包括用户性别、年龄、历史所玩游戏的付费次数、付费金额、登录时长与登录次数。