一种女性向游戏的用户画像构建方法、系统及装置与流程

摘要: 本技术涉及游戏,尤其涉及一种女性向游戏的用户画像构建方法、系统及装置。背景技术:1、随着女性向游戏用户规模的持续扩大与用户需求的日趋多元,根据用户的行为数据构建...
一种女性向游戏的用户画像构建方法、系统及装置与流程

本技术涉及游戏,尤其涉及一种女性向游戏的用户画像构建方法、系统及装置。

背景技术:

1、随着女性向游戏用户规模的持续扩大与用户需求的日趋多元,根据用户的行为数据构建精准的角色偏好画像,已成为提升运营效率、优化用户体验的重要环节。女性向游戏通常以角色剧情、角色养成与装扮收集为主要玩法,用户对不同角色的偏好程度直接决定了消费意愿与付费行为,因此用户画像的准确度,直接影响着卡池投放、活动设计、周边衍生等一系列运营动作的效果。

2、在现有技术中,通常会先采集用户在游戏内的全量消费记录,按角色维度统计用户在对应角色卡池抽取、角色皮肤购买、角色专属礼包等项目上的消费金额与消费频次,直接将消费数值的高低与用户对该角色的偏好程度进行正向绑定,消费金额越高、频次越多则判定用户对该角色的偏好越强,再基于各角色的消费权重生成用户角色偏好画像,用于支撑后续的个性化推荐与运营活动触达。

3、然而,在女性向游戏的实际运营场景中,用户的消费行为并非全部由角色偏好驱动,限时活动奖励、福利任务诱导、社交绑定需求、版本强制任务等外部因素都会促使用户产生被动消费,这类消费行为与用户对角色的主动喜好并无关联,现有技术将所有消费行为均归因为角色偏好,会大幅高估被动消费占比较高的角色的用户喜爱度,导致生成的用户画像与真实偏好出现偏差,基于失真画像开展的个性化推送与运营活动不仅难以达到预期转化效果,还会因推送内容不符合用户喜好而降低用户体验。

技术实现思路

1、为了解决上述技术问题,本技术提供了一种女性向游戏的用户画像构建方法、系统及装置。

2、下面对本技术中提供的技术方案进行描述:

3、本技术第一方面提供了一种女性向游戏的用户画像构建方法,所述方法包括:

4、获取目标用户在目标女性向游戏中的用户交互数据和实际消费数据,并从所述用户交互数据中提取混淆因子集,所述混淆因子集为影响用户消费行为的非偏好类干扰因子;

5、利用预设倾向匹配模型基于所述混淆因子集构建所述目标用户的反事实对照样本组,并基于所述反事实对照样本组对所述实际消费数据进行因果解耦计算,得到所述目标用户的角色偏好消费指数;

6、从所述用户交互数据中提取所述目标用户针对所述目标女性向游戏中每个虚拟角色的多维交互特征,并基于所述多维交互特征将所述目标用户对每个所述虚拟角色的投入程度进行量化,以构建多层级角色投入链;

7、通过预设画像编码引擎对所述角色偏好消费指数和所述多层级角色投入链进行向量编码,得到偏好表征向量,并将所述偏好表征向量映射至预设画像维度空间,得到所述目标用户的用户画像。

8、可选的,所述多维交互特征包括互动行为维度特征、偏好语义维度特征、付费行为维度特征以及主动传播维度特征;

9、所述基于所述多维交互特征将所述目标用户对每个所述虚拟角色的投入程度进行量化,以构建多层级角色投入链,包括:

10、基于预设融合权重对所述互动行为维度特征、所述偏好语义维度特征、所述付费行为维度特征以及所述主动传播维度特征进行加权融合计算,得到所述目标用户对每个虚拟角色的投入度分值,所述投入度分值表示所述目标用户对所述虚拟角色的投入程度;

11、将所述投入度分值大于或等于第一预设层级阈值的所述虚拟角色确定为一级主投入角色,将所述投入度分值小于所述第一预设层级阈值且大于或等于第二预设层级阈值的所述虚拟角色确定为二级次投入角色,将所述投入度分值小于所述第二预设层级阈值的所述虚拟角色确定为三级潜在投入角色;

12、按照所述一级主投入角色、所述二级次投入角色以及所述三级潜在投入角色由高到低的层级顺序串联,以构建多层级角色投入链。

13、可选的,在所述构建多层级角色投入链之后,所述用户画像构建方法还包括:

14、分析所述目标用户对所述一级主投入角色的投入类型;

15、根据所述投入类型对所述一级主投入角色的所述互动行为维度特征、所述偏好语义维度特征、所述付费行为维度特征以及所述主动传播维度特征的当前权重进行动态调整。

16、可选的,所述投入类型包括付费交互型、互动参与型、传播分享型以及内容沉浸型;

17、所述根据所述投入类型对所述一级主投入角色的所述互动行为维度特征、所述偏好语义维度特征、所述付费行为维度特征以及所述主动传播维度特征的当前权重进行动态调整,包括:

18、当所述投入类型为所述付费交互型时,提高所述付费行为维度特征和所述互动行为维度特征的当前权重,并降低所述主动传播维度特征的当前权重,所述偏好语义维度特征的当前权重不变;

19、当所述投入类型为所述互动参与型时,提高所述互动行为维度特征和所述偏好语义维度特征的当前权重,并降低所述付费行为维度特征的当前权重,所述主动传播维度特征的当前权重不变;

20、当所述投入类型为所述传播分享型时,提高所述主动传播维度特征和所述偏好语义维度特征的当前权重,并降低所述互动行为维度特征的当前权重,所述付费行为维度特征的当前权重不变;

21、当所述投入类型为所述内容沉浸型时,提高所述偏好语义维度特征的当前权重,并降低所述付费行为维度特征和所述主动传播维度特征的当前权重,所述互动行为维度特征的当前权重不变。

22、可选的,所述混淆因子集包括活动福利因子、外部环境因子以及用户惯性因子;

23、所述利用预设倾向匹配模型基于所述混淆因子集构建所述目标用户的反事实对照样本组,包括:

24、将所述目标用户的所述活动福利因子、所述外部环境因子以及所述用户惯性因子输入所述预设倾向匹配模型;

25、通过所述预设倾向匹配模型对所述活动福利因子、所述外部环境因子以及所述用户惯性因子进行加权融合计算,得到所述目标用户的目标倾向得分;

26、获取预设候选用户池中每个候选用户对应的候选倾向得分,并计算所述目标倾向得分和每个所述候选倾向得分之间的差异值;

27、从所述预设候选用户池中筛选出所述差异值小于或等于预设差异阈值的所述候选用户作为对照样本,并基于所有所述对照样本构建所述目标用户的反事实对照样本组。

28、可选的,所述基于所述反事实对照样本组对所述实际消费数据进行因果解耦计算,得到所述目标用户的角色偏好消费指数,包括:

29、获取所述反事实对照样本组内所有所述对照样本的样本消费数据;

30、计算所述样本消费数据的平均消费值,并将所述平均消费值作为非偏好驱动的基准消费水平;

31、判断所述实际消费数据与所述基准消费水平之间的差值是否大于预设偏好驱动阈值;

32、若是,则将所述差值确定为偏好驱动消费值,并将所述偏好驱动消费值占所述实际消费数据的比值作为所述目标用户的角色偏好消费指数。

33、可选的,在所述得到所述目标用户的用户画像之后,所述用户画像构建方法还包括:

34、获取所述目标用户在预设监测周期内的所述角色偏好消费指数和所述多层级角色投入链的变化数据;

35、根据所述变化数据确定所述目标用户对每个所述虚拟角色的投入程度变化趋势,以及所述目标用户的偏好消费变化趋势;

36、基于所述投入程度变化趋势和所述偏好消费变化趋势预测所述目标用户的角色偏好生命周期状态。

37、可选的,所述角色偏好生命周期状态包括偏好形成期、偏好强化期、偏好稳定期、偏好衰减期以及偏好消退期;

38、所述基于所述投入程度变化趋势和所述偏好消费变化趋势预测所述目标用户的角色偏好生命周期状态,包括:

39、当所述投入程度变化趋势和/或所述偏好消费变化趋势由低到高持续上行时,所述目标用户的角色偏好生命周期状态预测为所述偏好形成期;

40、当所述投入程度变化趋势和/或所述偏好消费变化趋势在第一预设时间窗口期内保持高位时,所述目标用户的角色偏好生命周期状态预测为所述偏好强化期;

41、当所述投入程度变化趋势和/或所述偏好消费变化趋势在第二预设时间窗口期内窄幅震荡或在无显著单向涨跌的稳定状态时,所述目标用户的角色偏好生命周期状态预测为所述偏好稳定期;

42、当所述投入程度变化趋势和/或所述偏好消费变化趋势由高到低持续下行时,所述目标用户的角色偏好生命周期状态预测为所述偏好衰减期;

43、当所述投入程度变化趋势和/或所述偏好消费变化趋势持续在第一预设时间窗口期内保持低位时,所述目标用户的角色偏好生命周期状态预测为所述偏好消退期。

44、本技术第二方面提供了一种女性向游戏的用户画像构建系统,所述系统包括:

45、提取单元,用于获取目标用户在目标女性向游戏中的用户交互数据和实际消费数据,并从所述用户交互数据中提取混淆因子集,所述混淆因子集为影响用户消费行为的非偏好类干扰因子;

46、计算单元,用于利用预设倾向匹配模型基于所述混淆因子集构建所述目标用户的反事实对照样本组,并基于所述反事实对照样本组对所述实际消费数据进行因果解耦计算,得到所述目标用户的角色偏好消费指数;

47、构建单元,用于从所述用户交互数据中提取所述目标用户针对所述目标女性向游戏中每个虚拟角色的多维交互特征,并基于所述多维交互特征将所述目标用户对每个所述虚拟角色的投入程度进行量化,以构建多层级角色投入链;

48、映射单元,用于通过预设画像编码引擎对所述角色偏好消费指数和所述多层级角色投入链进行向量编码,得到偏好表征向量,并将所述偏好表征向量映射至预设画像维度空间,得到所述目标用户的用户画像。

49、可选的,所述多维交互特征包括互动行为维度特征、偏好语义维度特征、付费行为维度特征以及主动传播维度特征;

50、所述基于所述多维交互特征将所述目标用户对每个所述虚拟角色的投入程度进行量化,以构建多层级角色投入链,包括:

51、基于预设融合权重对所述互动行为维度特征、所述偏好语义维度特征、所述付费行为维度特征以及所述主动传播维度特征进行加权融合计算,得到所述目标用户对每个虚拟角色的投入度分值,所述投入度分值表示所述目标用户对所述虚拟角色的投入程度;

52、将所述投入度分值大于或等于第一预设层级阈值的所述虚拟角色确定为一级主投入角色,将所述投入度分值小于所述第一预设层级阈值且大于或等于第二预设层级阈值的所述虚拟角色确定为二级次投入角色,将所述投入度分值小于所述第二预设层级阈值的所述虚拟角色确定为三级潜在投入角色;

53、按照所述一级主投入角色、所述二级次投入角色以及所述三级潜在投入角色由高到低的层级顺序串联,以构建多层级角色投入链。

54、可选的,还包括调整单元,具体用于:

55、分析所述目标用户对所述一级主投入角色的投入类型;

56、根据所述投入类型对所述一级主投入角色的所述互动行为维度特征、所述偏好语义维度特征、所述付费行为维度特征以及所述主动传播维度特征的当前权重进行动态调整。

57、可选的,所述投入类型包括付费交互型、互动参与型、传播分享型以及内容沉浸型;

58、所述根据所述投入类型对所述一级主投入角色的所述互动行为维度特征、所述偏好语义维度特征、所述付费行为维度特征以及所述主动传播维度特征的当前权重进行动态调整,包括:

59、当所述投入类型为所述付费交互型时,提高所述付费行为维度特征和所述互动行为维度特征的当前权重,并降低所述主动传播维度特征的当前权重,所述偏好语义维度特征的当前权重不变;

60、当所述投入类型为所述互动参与型时,提高所述互动行为维度特征和所述偏好语义维度特征的当前权重,并降低所述付费行为维度特征的当前权重,所述主动传播维度特征的当前权重不变;

61、当所述投入类型为所述传播分享型时,提高所述主动传播维度特征和所述偏好语义维度特征的当前权重,并降低所述互动行为维度特征的当前权重,所述付费行为维度特征的当前权重不变;

62、当所述投入类型为所述内容沉浸型时,提高所述偏好语义维度特征的当前权重,并降低所述付费行为维度特征和所述主动传播维度特征的当前权重,所述互动行为维度特征的当前权重不变。

63、可选的,所述混淆因子集包括活动福利因子、外部环境因子以及用户惯性因子;

64、所述利用预设倾向匹配模型基于所述混淆因子集构建所述目标用户的反事实对照样本组,包括:

65、将所述目标用户的所述活动福利因子、所述外部环境因子以及所述用户惯性因子输入所述预设倾向匹配模型;

66、通过所述预设倾向匹配模型对所述活动福利因子、所述外部环境因子以及所述用户惯性因子进行加权融合计算,得到所述目标用户的目标倾向得分;

67、获取预设候选用户池中每个候选用户对应的候选倾向得分,并计算所述目标倾向得分和每个所述候选倾向得分之间的差异值;

68、从所述预设候选用户池中筛选出所述差异值小于或等于预设差异阈值的所述候选用户作为对照样本,并基于所有所述对照样本构建所述目标用户的反事实对照样本组。

69、可选的,所述计算单元具体用于:

70、获取所述反事实对照样本组内所有所述对照样本的样本消费数据;

71、计算所述样本消费数据的平均消费值,并将所述平均消费值作为非偏好驱动的基准消费水平;

72、判断所述实际消费数据与所述基准消费水平之间的差值是否大于预设偏好驱动阈值;

73、若是,则将所述差值确定为偏好驱动消费值,并将所述偏好驱动消费值占所述实际消费数据的比值作为所述目标用户的角色偏好消费指数。

74、可选的,还包括预测单元,具体用于:

75、获取所述目标用户在预设监测周期内的所述角色偏好消费指数和所述多层级角色投入链的变化数据;

76、根据所述变化数据确定所述目标用户对每个所述虚拟角色的投入程度变化趋势,以及所述目标用户的偏好消费变化趋势;

77、基于所述投入程度变化趋势和所述偏好消费变化趋势预测所述目标用户的角色偏好生命周期状态。

78、可选的,所述角色偏好生命周期状态包括偏好形成期、偏好强化期、偏好稳定期、偏好衰减期以及偏好消退期;

79、所述基于所述投入程度变化趋势和所述偏好消费变化趋势预测所述目标用户的角色偏好生命周期状态,包括:

80、当所述投入程度变化趋势和/或所述偏好消费变化趋势由低到高持续上行时,所述目标用户的角色偏好生命周期状态预测为所述偏好形成期;

81、当所述投入程度变化趋势和/或所述偏好消费变化趋势在第一预设时间窗口期内保持高位时,所述目标用户的角色偏好生命周期状态预测为所述偏好强化期;

82、当所述投入程度变化趋势和/或所述偏好消费变化趋势在第二预设时间窗口期内窄幅震荡或在无显著单向涨跌的稳定状态时,所述目标用户的角色偏好生命周期状态预测为所述偏好稳定期;

83、当所述投入程度变化趋势和/或所述偏好消费变化趋势由高到低持续下行时,所述目标用户的角色偏好生命周期状态预测为所述偏好衰减期;

84、当所述投入程度变化趋势和/或所述偏好消费变化趋势持续在第一预设时间窗口期内保持低位时,所述目标用户的角色偏好生命周期状态预测为所述偏好消退期。

85、本技术第三方面提供了一种女性向游戏的用户画像构建装置,所述装置包括:

86、处理器、存储器、输入输出单元以及总线;

87、所述处理器与所述存储器、所述输入输出单元以及所述总线相连;

88、所述存储器保存有程序,所述处理器调用所述程序以执行第一方面以及第一方面中任一项可选的用户画像构建方法。

89、本技术第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质上保存有程序,所述程序在计算机上执行时执行第一方面以及第一方面中任一项可选的用户画像构建方法。

90、从以上技术方案可以看出,本技术具有以下优点:

91、本技术通过获取目标用户的女性向游戏内交互数据与实际消费数据,从用户交互数据中提取影响消费行为的非偏好类混淆因子集,明确区分偏好驱动与外部驱动的消费诱因,区别于现有技术直接对全量消费数据进行偏好处理的方式;随后,利用预设倾向匹配模型,基于混淆因子集构建目标用户的反事实对照样本组,对实际消费数据进行因果解耦计算,得到剔除干扰后的角色偏好消费指数,这种因果推断的方法剥离了混淆因子带来的被动消费占比,从总消费数据中还原出纯粹由角色偏好驱动的真实消费贡献,解决了被动消费导致的偏好高估问题,让消费维度的偏好判定更贴合用户真实喜好;之后,从用户交互数据中提取针对每个虚拟角色的多维交互特征,量化用户对各角色的投入程度并构建多层级角色投入链,突破了现有技术仅依赖消费单一维度的局限,从多维度的主动交互行为中,挖掘用户对角色的真实投入度,与角色偏好消费指数形成双维度交叉验证,进一步弥补单一消费数据的片面性;最后,通过预设画像编码引擎对角色偏好消费指数与多层级角色投入链进行向量编码,生成标准化的偏好表征向量,并映射至预设画像维度空间得到既剔除外部干扰、又覆盖消费与行为双维度的用户画像。