预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共30页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111563802A(43)申请公布日2020.08.21(21)申请号202010388740.2(22)申请日2020.05.09(71)申请人腾讯科技(深圳)有限公司地址518000广东省深圳市南山区高新区科技中一路腾讯大厦35层(72)发明人钱宇秋陈思(74)专利代理机构北京派特恩知识产权代理有限公司11270代理人赵翠萍张颖玲(51)Int.Cl.G06Q30/06(2012.01)A63F13/85(2014.01)权利要求书3页说明书18页附图8页(54)发明名称虚拟物品推荐方法、装置、电子设备及存储介质(57)摘要本发明提供了一种虚拟物品推荐方法包括:基于目标用户的虚拟物品购买行为参数信息,确定与目标用户的虚拟物品购买行为相匹配的伪道具任务;确定目标用户的真实购买序列和伪道具序列对应的序列子图;确定相对应的序列片段特征向量;对序列片段特征向量进行共享处理,形成新的序列片段特征向量;确定目标用户所要购买的虚拟物品,以实现向所述目标用户推荐虚拟物品。本发明还提供了虚拟物品推荐装置、电子设备及存储介质。本发明能够实现利用虚拟物品推荐模型向用户准确地推荐虚拟物品,减少了用户查找虚拟物品的时间,提升了用户的使用体验。CN111563802ACN111563802A权利要求书1/3页1.一种虚拟物品推荐方法,其特征在于,所述方法包括:取获取目标用户的虚拟物品购买行为参数信息;基于所述目标用户的虚拟物品购买行为参数信息,确定与所述目标用户的虚拟物品购买行为相匹配的伪道具任务;基于所述伪道具任务和所述目标用户的真实购买序列,确定相对应的序列片段特征向量;对所述序列片段特征向量进行共享处理,形成新的序列片段特征向量;基于所述新的序列片段特征向量和所述目标用户的用户特征向量,确定所述目标用户所要购买的虚拟物品,以实现向所述目标用户推荐虚拟物品。2.根据权利要求1所述的方法,其特征在于,所述基于所述伪道具任务和所述目标用户的真实购买序列,确定相对应的序列片段特征向量,包括:基于所述目标用户的虚拟物品购买行为参数信息,确定与所述目标用户相匹配的真实购买序列;基于所述伪道具任务和所述目标用户的真实购买序列,确定所述目标用户的真实购买序列和伪道具序列对应的序列子图;通过所述序列子图,确定与所述目标用户相对应的序列片段特征向量。3.根据权利要求2所述的方法,其特征在于,所述基于所述伪道具任务和所述目标用户的真实购买序列,确定所述目标用户的真实购买序列和伪道具序列对应的序列子图,包括:基于所述目标用户的虚拟物品购买行为参数信息,确定真实购买序列和伪道具序列;通过确定目标虚拟物品在所述真实购买序列中的节点和伪道具序列中的节点,确定所述序列子图的节点;基于所述目标虚拟物品在所述真实购买序列中的时间顺序,确定所述序列子图的第一类型边线;基于所述目标虚拟物品在所述伪道具序列中的时间顺序,确定所述序列子图的第二类型边线;基于所述真实购买序列和伪道具序列的关联关系,确定所述序列子图的第三类型边线;根据所述序列子图的节点、所述第一类型边线、所述第二类型边线和所述第三类型边线,确定与所述目标用户的虚拟物品购买行为相匹配的序列子图。4.根据权利要求1所述的方法,其特征在于,所述基于所述伪道具任务和所述目标用户的真实购买序列,确定相对应的序列片段特征向量,包括:对序列子图的全部特征节点进行线性加权,确定第一序列片段特征向量,其中,所述第一序列片段特征向量用于表征所述目标用户的购买行为偏好;提取所述目标用户的最后一次拟物品的购买参数,确定第二序列片段特征向量;将所述第一序列片段特征向量和所述第二序列片段特征向量进行拼接处理,确定相应的序列片段特征向量。5.根据权利要求1所述的方法,其特征在于,所述对所述序列片段特征向量进行共享处理,形成新的序列片段特征向量,包括:对所述目标用户的虚拟物品购买行为相匹配的序列子图中的不同序列共享的目标用2CN111563802A权利要求书2/3页户向量进行初始化处理;通过虚拟物品推荐模型中的第一用户神经网络模型对所述目标用户向量进行处理,确定与真实购买序列相匹配的第一用户单序列特征;通过所述虚拟物品推荐模型中的第二用户神经网络模型对所述目标用户向量进行处理,确定与伪道具序列相匹配的第二用户单序列特征;对所述第一用户单序列特征和所述第二用户单序列特征进行拼接处理,形成所述目标用户的用户特征向量。6.根据权利要求5所述的方法,其特征在于,所述方法还包括:确定与所述虚拟物品推荐模型相匹配的多任务损失函数;基于所述序列片段特征向量、所述目标用户的用户特征向量以及所述多任务损失函数,调整所述虚拟物品推荐模型的网络参数;直至所述虚拟物品推荐模型对应的不同维度的损失函数