一种信息推荐方法、装置、计算机设备及存储介质与流程

1.本技术涉及计算机技术领域，具体涉及一种信息推荐方法、装置、计算机设备及存储介质。


背景技术：

2.随着计算机技术的发展，网络游戏越来越受到用户欢迎。现有的大型网络游戏内往往设计了较多的游戏系统，而一部分游戏系统玩法复杂，对于一些新手玩家来说存在一定操作难度。因此，游戏开发者会设计一些游戏玩法介绍以及游戏攻略等，供玩家参考。
3.但是，现有的游戏设计中，需要依赖玩家对游戏玩法介绍以及游戏攻略进行主动检索，操作繁琐，影响玩家游戏体验。


技术实现要素：

4.本技术实施例提供一种信息推荐方法、装置、计算机设备及存储介质，可以提高信息推荐的准确性。
5.本技术实施例提供了一种信息推荐方法，包括：
6.获取当前游戏玩家在指定游戏中的互动信息；
7.对所述互动信息进行分类处理，得到所述互动信息的目标分类标签；
8.从多个候选引导信息中，确定所述目标分类标签对应的目标引导信息；
9.基于所述目标引导信息对所述当前游戏玩家进行信息推荐。
10.相应的，本技术实施例还提供了一种信息推荐装置，包括：
11.第一获取单元，用于获取当前游戏玩家在指定游戏中的互动信息；
12.处理单元，用于对所述互动信息进行分类处理，得到所述互动信息的目标分类标签；
13.确定单元，用于从多个候选引导信息中确定所述目标分类标签对应的目标引导信息；
14.推荐单元，用于基于所述目标引导信息对所述当前游戏玩家进行信息推荐。
15.在一些实施例中，处理单元包括：
16.识别子单元，用于识别所述互动信息，得到所述互动信息中的文本信息；
17.提取子单元，用于对所述文本信息进行特征提取，得到所述文本信息的文本特征数据；
18.第一确定子单元，用于基于所述文本特征数据确定所述文本信息对应的文本标签，得到所述互动信息对应的目标分类标签。
19.在一些实施例中，提取子单元，具体用于：
20.对所述文本信息进行预处理，得到所述文本信息对应的单词序列，所述单词序列中包括多个单词；
21.提取每一单词的单词特征，并基于所述单词特征计算每一单词的词向量表达；
22.基于所述单词序列以及每一单词的词向量构建词向量序列，得到所述文本特征数据。
23.在一些实施例中，第一确定子单元，具体用于：
24.将所述文本特征数据输入训练后模型，并基于所述训练后模型对所述文本特征数据进行分类处理，得到所述文本信息归类于不同分类标签的概率；
25.根据所述文本信息归类于不同分类标签的概率，确定所述互动信息对应的目标分类标签。
26.在一些实施例中，第一确定子单元，具体还用于：
27.计算所述词向量序列中词向量之间的相关度；基于所述相关度生成目标词向量序列；计算所述目标词向量序列归类于不同分类标签的概率，得到所述文本信息归类于不同分类标签的概率；
28.根据所述文本信息归类于不同分类标签的概率，确定所述互动信息对应的目标分类标签。
29.在一些实施例中，第一确定子单元，具体还用于：
30.确定每一词向量在所述词向量序列中的排列位置；基于所述排列位置与指定距离参数，确定所述词向量序列中与所述词向量关联的候选词向量；计算所述词向量与所述候选词向量的相关度；基于所述相关度生成目标词向量序列；计算所述目标词向量序列归类于不同分类标签的概率，得到所述文本信息归类于不同分类标签的概率；
31.根据所述文本信息归类于不同分类标签的概率，确定所述互动信息对应的目标分类标签。
32.在一些实施例中，确定单元包括：
33.分类子单元，用于对所述多个候选引导信息进行分类处理，得到多个信息子集合；
34.第二确定子单元，用于从所述多个信息子集合中，确定所述目标分类标签对应的目标信息子集合；
35.排序子单元，用于根据候选引导信息的热度参数，对所述目标信息子集合中的候选引导信息进行排序，得到排序后信息子集合；
36.选取子单元，用于从所述排序后信息子集合中选取指定数量的候选引导信息，得到目标引导信息。
37.在一些实施例中，该装置还包括：
38.第二获取单元，用于获取所述当前游戏玩家在指定历史时间段内阅读的已读引导信息；
39.筛选单元，用于基于所述已读引导信息对所述目标引导信息进行筛选，得到筛选后目标引导信息。
40.在一些实施例中，推荐单元包括：
41.第一推荐子单元，用于基于所述筛选后目标引导信息，对所述当前游戏玩家进行信息推荐。
42.在一些实施例中，推荐单元包括：
43.第一获取子单元，用于获取所述当前游戏玩家在所述指定游戏中的当前对战信息；
44.匹配子单元，用于将所述对战信息与所述目标引导信息进行匹配；
45.第二推荐子单元，用于若所述当前对战信息与所述目标引导信息匹配成功，则向所述当前游戏玩家的游戏账户发送所述目标引导信息。
46.在一些实施例中，推荐单元包括：
47.第二获取子单元，用于获取所述当前游戏玩家不同时间段内在所述指定游戏中的活跃信息；
48.第三确定子单元，用于基于所述活跃信息从所述不同时间段中确定目标时间段；
49.发送子单元，用于在所述目标时间段内，向所述当前游戏玩家的游戏账户发送所述目标引导信息。
50.在一些实施例中，第一获取单元包括：
51.第三获取子单元，用于获取所述当前游戏玩家在所述指定游戏中与其他游戏玩家之间的聊天信息，得到所述互动信息。
52.在一些实施例中，第一获取单元包括：
53.第四获取子单元，用于获取所述当前游戏玩家在所述指定游戏中与其他游戏玩家之间的虚拟商品转移信息，得到所述互动信息，其中，所述虚拟商品转移信息包括所述当前游戏玩家的游戏账户与所述其他游戏玩家游戏账户之间转移的虚拟商品。
54.相应的，本技术实施例还提供了一种计算机设备，包括存储器，处理器及存储在储存器上并可在处理器上运行的计算机程序，其中，处理器执行本技术实施例任一提供的信息推荐方法。
55.相应的，本技术实施例还提供了一种存储介质，存储介质存储有多条指令，指令适于处理器进行加载，以执行如上的信息推荐方法。
56.本技术实施例通过获取游戏玩家与其他游戏玩家在指定游戏中的互动信息，提取互动信息中的文本信息，对文本信息进行分类处理，得到文本信息对应的攻略标签，基于攻略标签从指定游戏中的攻略文章中选取合适的目标攻略文章，进一步地，为用户推荐该目标游戏攻略文章，从而可以提高信息推荐的准确性。
附图说明
57.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，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的附图。
58.图1为本技术实施例提供的一种信息推荐方法的流程示意图。
59.图2为本技术实施例提供的一种信息推荐方法的网络模型结构示意图。
60.图3为本技术实施例提供的另一种信息推荐方法的网络模型结构示意图。
61.图4为本技术实施例提供的另一种信息推荐方法的流程示意图。
62.图5为本技术实施例提供的一种信息推荐装置的结构框图。
63.图6为本技术实施例提供的计算机设备的结构示意图。
具体实施方式
64.下面将结合本技术实施例中的附图，对本技术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技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
65.本技术实施例提供一种信息推荐方法、装置、存储介质及计算机设备。具体地，本技术实施例的信息推荐方法可以由计算机设备执行，其中，该计算机设备可以为终端或者服务器等设备。该终端可以为智能手机、平板电脑、笔记本电脑、触控屏幕、个人计算机(pc，personal computer)、个人数字助理(personal digital assistant，pda)等终端设备。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。
66.例如，该计算机设备可以是服务器，该服务器可以获取当前游戏玩家在指定游戏中的互动信息；对互动信息进行分类处理，得到互动信息的目标分类标签；从多个候选引导信息中，确定目标分类标签对应的目标引导信息；基于目标引导信息对当前游戏玩家进行信息推荐。
67.基于上述问题，本技术实施例提供第一种信息推荐方法、装置、计算机设备及存储介质，可以提高信息推荐的准确性。
68.以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
69.本技术实施例提供一种信息推荐方法，该方法可以由终端或服务器执行，本技术实施例以信息推荐方法由服务器执行为例来进行说明。
70.请参阅图1，图1为本技术实施例提供的一种信息推荐方法的流程示意图。该信息推荐方法的具体流程可以如下：
71.101、获取当前游戏玩家在指定游戏中的互动信息。
72.在本技术实施例中，指定游戏包括多种游戏类型，不同类型的指定游戏中可以包括不同的游戏玩法，比如，指定游戏可以包括：大型多人在线角色扮演游戏(mmorpg，massive multiplayer online role
‑
playing game)，是网络游戏的一种。在角色扮演游戏中，每一游戏玩家可以拥有一个虚拟角色，玩家可以控制该虚拟角色在指定游戏中进行活动。
73.其中，互动信息指的是当前游戏玩家与其他游戏玩家在指定游戏中进行互动的信息，可以包括多种。在一些实施例中，为了提高信息推荐的准确性，步骤“获取当前游戏玩家在指定游戏中的互动信息”，可以包括以下操作：
74.获取当前游戏玩家在指定游戏中与其他游戏玩家之间的聊天信息，得到互动信息。
75.具体的，指定游戏的游戏服务器中包括消息系统，该消息系统记录有游戏玩家在指定游戏中的聊天消息，则可以从消息系统中实时获取游戏玩家的聊天记录信息，得到互动信息。以便后续根据游戏玩家的聊天信息对游戏玩家进行信息推荐。
76.在一些实施例中，为了提高信息推荐的准确性，步骤“获取当前游戏玩家在指定游
戏中的互动信息”，可以包括以下操作：
77.获取当前游戏玩家在指定游戏中与其他游戏玩家之间的虚拟商品转移信息，得到互动信息。
78.其中，虚拟商品转移信息包括当前游戏玩家的游戏账户与其他游戏玩家游戏账户之间转移的虚拟商品，该虚拟商品通过指定游戏的虚拟商城进行出售，虚拟物品可以为游戏玩家控制的虚拟角色提升战力、等级等。指定游戏中的游戏玩家之间可以互相赠送虚拟物品。通过游戏玩家之间的虚拟商品转移信息，根据虚拟商品的属性信息也可以分析出游戏玩家需要的游戏攻略信息，可以保证信息推荐的全面性。
79.102、对互动信息进行分类处理，得到互动信息的目标分类标签。
80.其中，分类标签指的是指定游戏中不同类型游戏攻略对应的攻略标签，游戏攻略指的是游戏设计方或者游戏用户方发布的，可以为游戏玩家提供一些游戏经验与心得的文字或视频类的教材。游戏攻略可以引导游戏玩家，尤其是新手游戏玩家，熟悉并能尽快的对相关游戏的更多深入了解的文章。
81.进一步的，对于指定游戏中不同的游戏玩法，其攻略文章可以不相同，可以根据不同游戏玩法对游戏攻略进行分类，以得到每一游戏攻略对于的分类标签。
82.比如，指定游戏中的游戏玩法类型包括：第一类型玩法、第二类型玩法，以及第三类型玩法，则可以对指定游戏中的所有游戏攻略设定标签，将对应于第一类型玩法的游戏攻略设定为第一类型标签；将对应于第二类型玩法的游戏攻略设定为第二类型标签；将对应于第三类型玩法的游戏攻略设定为第三类型标签，可以更加方便为游戏玩家快速进行攻略推荐。
83.在一些实施例中，为了提高对互动信息的处理效率，步骤“对互动信息进行分类处理，得到互动信息的目标分类标签”，可以包括以下操作：
84.识别互动信息，得到互动信息中的文本信息；
85.对文本信息进行特征提取，得到文本信息的文本特征数据；
86.基于文本特征数据确定文本信息对应的文本标签，得到互动信息对应的目标分类标签。
87.其中，文本信息指的是互动信息中的文本内容，识别文本信息也即提取互动信息中的文本内容。互动信息可以包括：聊天信息、虚拟物品转移信息等，其中，聊天信息的类型可以包括文字、语音或者图像等。
88.在一些实施例中，当互动信息为文字类型的聊天信息时，可以直接得到文本信息，如，聊天信息为：我的战力怎么这么低啊，则可以确定文本信息为：我的战力怎么这么低啊；当互动信息为语音类型的聊天信息时，则可以通过语音识别技术(语音识别技术指的是让机器通过识别和理解过程把语音信号转变为相应的文本或命令)对语音进行识别处理，从而得到语音对应的文本，也即得到文本信息；当互动信息为图像类型的聊天信息时，则可以通过图像识别技术对图像进行文字识别处理，获取到图像中的文本，也即得到文本信息。
89.又或者，当互动信息为虚拟物品转移信息时，首先确定虚拟物品转移信息中的虚拟物品，获取该虚拟物品的属性信息，属性信息也即该虚拟物品在指定游戏中的作用。
90.比如，指定游戏中可以包括：第一类型玩法、第二类型玩法、第三类型玩法等，虚拟物品可以包括：第一虚拟物品，第二虚拟物品，以及第三虚拟物品，其中，第一虚拟物品用于
第一类型玩法中，第二虚拟物品用于第二类型玩法中，第三虚拟物品用于第三类型玩法中，也即虚拟物品的属性信息可以为在指定游戏中应用的游戏玩法类型。
91.在一些实施例中，为了提高文本信息处理效率，步骤“对文本信息进行特征提取，得到文本信息的文本特征数据”，可以包括以下操作：
92.对文本信息进行预处理，得到文本信息对应的单词序列，单词序列中包括多个单词；
93.提取每一单词的单词特征，并基于单词特征计算每一单词的词向量表达；
94.基于单词序列以及每一单词的词向量构建词向量序列，得到文本特征数据。
95.其中，对文本信息进行预处理首先可以对文本信息进行分词处理，分词处理也即将连续的字序列按照一定的规范重新组合成词序列的过程。分词处理技术可以包括多种，比如，jieba分词。
96.具体的，jieba提供了三种分词模式：精确模式，试图将句子最精确地切开，适合文本分析；全模式，把句子中所有的可以成词的词语都扫描出来，速度非常快，但是不能解决歧义；搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。针对不同的分词方式，其分词结果可能存在不同。
97.例如，待分词文本信息为：用刀尖入水，用显微镜看雪，就算反复如此，还是忍不住问一问，你数过天上的星星吗？它们和小鸟一样，总在我胸口跳伞。全模式的分词结果可以为：用/刀尖/入水///用/显微/显微镜/看/雪///就算/反复/如此///还是/忍不住/不住/问一问///你/数/过天/天上/的/星星/吗///它们/和/小鸟/一样///总/在/我/胸口/跳伞//；精确模式的分词结果可以为：用/刀尖/入/水/，/用/显微镜/看雪/，/就算/反复/如此/，/还是/忍不住/问一问/，/你/数过/天上/的/星星/吗/？/它们/和/小鸟/一样/，/总在/我/胸口/跳伞/；默认精确模式的分词结果可以为：用/刀尖/入/水/，/用/显微镜/看雪/，/就算/反复/如此/，/还是/忍不住/问一问/，/你/数过/天上/的/星星/吗/？/它们/和/小鸟/一样/，/总在/我/胸口/跳伞/；搜索引擎模式的分词结果可以为：用/刀尖/入/水/，/用/显微/显微镜/看雪/，/就算/反复/如此/，/还是/不住/忍不住/问一问/，/你/数过/天上/的/星星/吗/？/它们/和/小鸟/一样/，/总在/我/胸口/跳伞/。
98.在一些实施例中，为了提高分词结果的准确性，在分词处理过程中可以使用去停用词方法和提取高频词方法，高频词一般是指文档中出现频率较高且非无用的词语，其一定程度上代表了文档的焦点所在，可以作为一种关键词来看。其中，停用词指的是无效词，比如，“的”等。本方案可以根据实际文本信息采取不同分词处理方式进行分词处理。
99.其中，单词序列指的是对文本信息进行分词处理之后，得到的多个单词。
100.例如，文本信息可以为：我的战力怎么这么低，通过进行分词处理，得到的单词序列包括：“我”、“的”、“战力”、“怎么”、“这么”、“低”、“啊”。
101.其中，词向量是用来表示词的向量，也可被认为是词的特征向量或表征。把词映射为实数域向量的技术也叫词嵌入。
102.在本技术实施例中，可以采用word2vec技术和embedding技术来提取单词特征生成词向量。
103.其中，word2vec是从大量文本语料中以无监督的方式学习语义知识的一种模型，它被大量地用在自然语言处理中。word2vec其实就是通过学习文本来用词向量的方式表征
词的语义信息，即通过一个嵌入空间使得语义上相似的单词在该空间内距离很近。embedding其实就是一个映射，将单词从原先所属的空间映射到新的多维空间中，也就是把原先词所在空间嵌入到一个新的空间中去。
104.在word2vec模型中，主要有skip
‑
gram和cbow两种模型，skip
‑
gram是给定input word(输入单词)来预测上下文。而cbow是给定上下文，来预测input word。本方案可以采用skip
‑
gram模型。
105.例如，请参阅图2，图2为本技术实施例提供的一种信息推荐方法的网络模型结构示意图。在图2所示的模型中，模型的输入如果为一个10000维的向量，那么输出也是一个10000维度(词汇表的大小)的向量，它包含了10000个概率，每一个概率代表着当前词是输入样本中output word(输出单词)的概率大小。隐层没有使用激活函数，但是输出层使用了sotfmax。
106.在对模型训练时，可以基于成对的单词来对神经网络进行训练，训练样本是(input word，output word)这样的单词对，input word和output word都是one
‑
hot编码的向量。最终模型的输出是一个概率分布。若用300个特征来表示一个单词(即每个词可以被表示为300维的向量)，那么隐层的权重矩阵应该为10000行，300列(隐层有300个结点)。经过神经网络隐层的计算，“ants”这个词会从一1x10000的向量变成1x300的向量，再被输入到输出层。输出层是一个sotfmax回归分类器，它的每个结点将会输出一个0
‑
1之间的值(概率)，这些所有输出层神经元结点的概率之和为1。
107.其中，one
‑
hot是比较常用的文本特征提取的方法。one
‑
hot编码，又称“独热编码”。其利用n位状态寄存器编码n个状态，每个状态都有独立的寄存器位，且这些寄存器位中只有一位有效。one
‑
hot在特征提取上属于词袋模型(bag of words)。
108.例如，语料库中包含有以下句子：我爱中国。爸爸妈妈爱我。爸爸妈妈爱中国。首先，将语料库中的每句话分成单词，并编号：1：我；2：爱；3：爸爸；4：妈妈；5：中国。然后，用one
‑
hot对每句话提取特征向量，最终得到的每句话的特征向量就是：我爱中国
‑
>1，1，0，0，1；爸爸妈妈爱我
‑
>1，1，1，1，0；爸爸妈妈爱中国
‑
>0，1，1，1，1。
109.具体的，通过上述方式对单词序列中的每一单词进行处理，得到每一单词的词向量，基于单词序列中所有单词的词向量得到文本特征数据。
110.例如，单词序列可以为：[“我”，的”，“战力”，“这么”，“低”]，则通过对每一单词进行编码，得到每一单词的词向量为：我：[1，0，0，0，0]；的：[0，1，0，0，0]，战力：[0，0，1，0，0]，这么：[0，0，0，1，0]，低：[0，0，0，0，1]。
[0111]
在一些实施例中，为了提高文本分类模型的处理效率。步骤“基于文本特征数据确定文本信息对应的文本标签，得到互动信息对应的目标分类标签”，可以包括以下操作：
[0112]
将文本特征数据输入训练后模型，并基于训练后模型对文本特征数据进行分类处理，得到文本信息归类于不同分类标签的概率；
[0113]
根据文本信息归类于不同分类标签的概率，确定互动信息对应的目标分类标签。
[0114]
在本方案中，使用的网络模型可以为transformer模型，其中，transformer可以由编码器encoder和解码器decoder两个部分组成，encoder和decoder分别可以包含6个block(块)。具体的，编码器将字符表示的输入序列(x1，
…
，xn)映射到连续表示序列z＝(z1，
…
，zn)。在给定z的条件下，解码器一次一个元素地生成字符的输出序列(y1，
…
，ym)。在每个步
骤中，模型都是自动回归的，在生成下一个字符时，将上一时刻生成的字符作为附加输入。
[0115]
具体的，编码器由n＝6个相同层的堆栈组成。每层有两个子层。第一个子层是multi
‑
head self
‑
attention，第二个子层是简单的、各位置独立的全连接层。我们在两个子层中的每一个周围使用残差连接(residual connection)，然后进行层归一化(layernormalization)。每个子层的输出是layernorm(x sublayer(x))。
[0116]
其中，sublayer(x)是当前子层的输出。为了提高这些残差连接，模型中的所有子层以及嵌入层产生维度dmodel＝512的输出。解码器：解码器同样由n＝6个相同层的堆栈组成。除了每个编码器层中的两个子层之外，解码器还插入第三子层，其对编码器堆栈的输出执行multi
‑
head attention。与编码器类似，我们在每个子层周围使用残差连接，然后进行层归一化。我们还修改解码器堆栈中的self
‑
attention子层以防止引入当前时刻的后续时刻输入。这种屏蔽与输出嵌入偏移一个位置的事实相结合，确保了位置i的预测仅依赖于小于i的位置处的已知输出。
[0117]
其中，transformer的工作流程大体如下：第一步：获取输入句子的每一个单词的表示向量x，x由单词的embedding和单词位置的embedding相加得到。第二步：将得到的单词表示向量矩阵传入encoder中，经过6个encoder block后可以得到句子所有单词的编码信息矩阵c。每一个encoder block输出的矩阵维度与输入完全一致。第三步：将encoder输出的编码信息矩阵c传递到decoder中，decoder依次会根据当前翻译过的单词1～i翻译下一个单词i 1。在使用的过程中，翻译到单词i 1的时候需要通过mask(掩盖)操作遮盖住i 1之后的单词。
[0118]
其中，从编码器输入的句子首先会经过一个self
‑
attention(自注意力)层，self
‑
attention层帮助编码器在对每个单词编码时关注输入句子的其他单词。自注意力层的输出会传递到前馈(feed
‑
forward)神经网络中。每个位置的单词对应的前馈神经网络都完全一样(一层窗口为一个单词的一维卷积神经网络)。解码器中也有编码器的self
‑
attention(自注意力)层和前馈(feed
‑
forward)层。除此之外，这两个层之间还有一个注意力层，用来关注输入句子的相关部分。
[0119]
请参阅图3，图3为本技术实施例提供的另一种信息推荐方法的网络模型结构示意图。在图3所示的网络模型中，包括两层归一化(layernormalization)，一层全连接，并加入了优化后的自注意力层，也即self
‑
attention层。
[0120]
在一些实施例中，网络模型可以包括以下组成：第一部分是无监督的预训练，利用优化后的self
‑
attention机制，输入大量的文本信息，使用transformer网络模型来学习特征。第二部分是有监督学习，输入当前获取的文本信息，经过上述预训练的模型，最后通过一层线性 sotfmax学习标签类别，也即文本信息归类于不同分类标签的概率，在确定文本信息对应的分类标签后，也确定了互动信息的分类标签。
[0121]
其中，attention函数可以被描述为将query和一组key
‑
value对映射到输出，其中query、key、value和输出都是向量。输出被计算为value的加权求和，其中分配给每个value的权重由query与对应key的兼容性函数计算。输入由维度为dk的query和key以及维度为dv的value组成。我们用所有key计算query的点积，然后将每个点积结果除以根号dk，并应用sotfmax函数来获得value的权重。
[0122]
其中，attention函数的本质可以被描述为一个查询(query)到一系列(键key
‑
值
value)对的映射。计算attention时主要分为三步，第一步是将query和每个key进行相似度计算得到权重，常用的相似度函数有点积，拼接，感知机等；然后第二步一般是使用一个sotfmax函数对这些权重进行归一化；最后将权重和相应的键值value进行加权求和得到最后的attention。
[0123]
例如，在一组query上计算attention函数，将一组query形成矩阵q。key和value也一起构成矩阵k和v。我们计算输出矩阵为：
[0124][0125]
在一些实施例中，为了减小模计算复杂度，步骤“基于训练后模型对文本特征数据进行分类处理，得到文本信息归类于不同分类标签的概率”，可以包括以下操作：
[0126]
计算词向量序列中词向量之间的相关度；
[0127]
基于相关度生成目标词向量序列；
[0128]
计算目标词向量序列归类于不同分类标签的概率，得到文本信息归类于不同分类标签的概率。
[0129]
其中，计算词向量之间的相关度指的是：对于输入的一个句子，将该句子中的每个词与该句子中的其他词进行上述attention计算。目的是学习句子内部的词依赖关系，捕获句子的内部结构。进一步的，基于词向量序列中各个词向量之间的相关度，对该词向量序列进行重新排序，即可以得到排序后的词向量序列，也即目标词向量序列。
[0130]
具体的，基于相关度对词向量进行排序，可以根据词向量与其他词向量之间的相关度大小进行排列。比如，词向量序列中包括：词向量a、词向量b、词向量c、词向量d。对于词向量a，计算词向量a与词向量b之间的相关度可以为：a，计算词向量a与词向量c之间的相关度可以为：b，计算词向量a与词向量d之间的相关度可以为：c，其中，a>b，b>c，则可以确定目标词向量序列为：词向量a、词向量b、词向量c、词向量d。然后，基于训练后模型计算目标词向量序列在不同分类标签的概率。
[0131]
在一些实施例中，为了减小模计算复杂度，步骤“计算词向量序列中词向量之间的相关度”，可以包括以下操作：
[0132]
确定每一词向量在词向量序列中的排列位置；
[0133]
基于排列位置与指定距离参数，确定词向量序列中与词向量关联的候选词向量；
[0134]
计算词向量与候选词向量的相关度。
[0135]
其中，排列位置指的是词向量在词向量序列中的位置。指定距离参数用于获取词向量序列中位于词向量排列位置附近的其他词向量。
[0136]
例如，词向量序列包括：词向量a、词向量b、词向量c、词向量d等，其中，词向量a在词向量序列中的排列位置为第一，词向量b在词向量序列中的排列位置为第二，词向量c在词向量序列中的排列位置为第三，词向量d在词向量序列中的排列位置为第四。指定距离参数可以为：1，则对于词向量b，从词向量序列中获取得到与词向量b关联的候选词向量为词向量a和词向量c，进一步的，分别计算词向量b和词向量a，以及词向量b和词向量c，无需将此向量序列中每一词向量与所有词向量进行计算，从而可以减小计算量，提升模型计算效率。
[0137]
103、从多个候选引导信息中，确定目标分类标签对应的目标引导信息。
[0138]
在一些实施例中，为了提高信息推荐准确性，步骤“从多个候选引导信息中确定目标分类标签对应的目标引导信息”，可以包括以下操作：
[0139]
对多个候选引导信息进行分类处理，得到多个信息子集合；
[0140]
从多个信息子集合中，确定目标分类标签对应的目标信息子集合；
[0141]
根据候选引导信息的热度参数，对目标信息子集合中的候选引导信息进行排序，得到排序后信息子集合；
[0142]
从排序后信息子集合中选取指定数量的候选引导信息，得到目标引导信息。
[0143]
其中，候选引导信息可以用于引导游戏玩家如何提升在指定游戏中的游戏能力。候选引导信息可以包括多种类型，比如，候选引导信息可以包括：文本类型，图片类型，以及视频类型等。
[0144]
其中，不同的信息子集合对应不同的分类标签。比如，分类标签可以包括：战力标签、装备标签、公会标签、家园标签、组队标签等。信息子集合可以包括：第一信息子集合、第二信息子集合、第三信息子集合、第四信息子集合以及第五信息子集合。其中，战力标签可以对应第一信息子集合，装备标签可以对应第二信息子集合，公会标签可以对应第三信息子集合，家园标签可以对应，组队标签可以对应第五信息子集合。
[0145]
具体的，在对多个候选引导信息进行分类处理时，可以包括多种处理方法，比如，人工分类，机器分类等。人工分类指的是人工为每一候选引导信息贴上标签，人工分类的处理方法适用于候选引导信息数量较少，可以提高分类准确性。机器分类指的是通过机器学习模型自动为每一候选引导信息贴上标签，机器分类的处理方法适用于候选引导信息数量较多，可以提高分类效率。
[0146]
进一步的，根据互动信息对应的目标分类标签，从多个信息子集合中筛选得到该目标分类标签对应信息子集合，得到目标信息子集合。
[0147]
例如，互动信息对应的目标分类标签可以为：战力标签，战力标签对应的信息子集合可以为：第一信息子集合，则得到目标信息子集合可以为第一信息子集合。
[0148]
其中，热度参数指的是候选引导信息被用户阅读的次数，也即阅读量。由于信息子集合中的候选引导信息的数量可以为多个，在对游戏玩家进行信息推荐时，为了避免推荐信息数量太多，影响用户游戏体验，可以从信息子集合中筛选部分候选引导信息对游戏玩家进行推荐。具体的，可以根据目标信息集合中每一候选引导信息的热度参数的大小对候选引导信息进行排序，比如，可以按照候选引导信息热度参数由大到小或者由小到大进行排序，得到排序后信息子集合。
[0149]
例如，目标信息子集合中包括：第一候选引导信息、第二候选引导信息、第三候选引导信息等，其中，第一候选引导信息的热度参数可以为：d，第二候选引导信息的热度参数可以为：e，第三候选引导信息的热度参数可以为：f。其中，d<e，e<f。则根据热度参数由大到小对候选引导信息进行排序，得到排序后信息子集合为：第三候选引导信息、第二候选引导信息、第一候选引导信息。若指定数量为1，则可以选取第三引导信息为目标引导信息；若指定数量为2，则可以选取第三引导信息和第二引导信息为目标引导信息。
[0150]
104、基于目标引导信息对当前游戏玩家进行信息推荐。
[0151]
在一些实施例中，为了避免为游戏玩家重复推荐相同信息，在步骤“基于目标引导
信息对当前游戏玩家进行信息推荐”之前，还可以包括以下操作：
[0152]
获取当前游戏玩家在指定历史时间段内阅读的已读引导信息；
[0153]
基于已读引导信息对目标引导信息进行筛选，得到筛选后目标引导信息；
[0154]
则步骤“基于目标引导信息对当前游戏玩家进行信息推荐”，可以包括以下操作：
[0155]
基于筛选后目标引导信息，对当前游戏玩家进行信息推荐。
[0156]
其中，指定历史时间段可以设定为距离当前时间较近的历史时间段，比如，过去一天等，由于距离当前时间较接近，用户再次阅读该已读引导信息的概率较小，因此可以将距离当前时间较接近的已读引导信息过滤掉，保留其他有效引导信息。
[0157]
例如，目标引导信息集合中包括：第一引导信息，第二引导信息以及第三引导信息。获取过去一天内当前游戏玩家在指定游戏中阅读的已读引导信息可以包括：第一引导信息和第二引导信息，则可以从目标引导信息集合中筛选掉第一引导信息和第二引导信息，得到筛选后目标引导信息为：第三引导信息。然后，向当前游戏玩家推荐该第三引导信息。
[0158]
在一些实施例中，为了提高游戏玩家的游戏体验，步骤“基于目标引导信息对当前游戏玩家进行信息推荐”，可以包括以下操作：
[0159]
获取当前游戏玩家在指定游戏中的当前对战信息；
[0160]
将对战信息与目标引导信息进行匹配；
[0161]
若当前对战信息与目标引导信息匹配成功，则向当前游戏玩家的游戏账户发送目标引导信息。
[0162]
其中，当前对战信息指的是当前时刻当前游戏玩家在指定游戏中进行对战游戏玩法时的信息，进行对战游戏玩法可以包括多种，比如，单个游戏玩家之间的对战，多个游戏玩家之间的对战等。
[0163]
具体的，对战信息中包括：当前游戏玩家与进行对战的其他游戏玩家在游戏对局中的不同游戏数据的差异。比如，游戏数据包括，游戏战斗力、游戏装备、游戏对战经验、游戏对战等级等。
[0164]
进一步的，将对战信息与目标引导信息进行匹配，也即将对战信息对应的分类标签与目标引导信息对应的分类标签进行匹配。
[0165]
例如，对战信息中包括：游戏战斗力、游戏装备、游戏对战经验、游戏对战等级等游戏数据。识别每一游戏数据内容，得到每一游戏数据对应的分类标签，游戏战斗力可以为战斗力标签，游戏装备可以为装备标签，游戏对战经验可以为对战经验标签，游戏对战等级可以为对战等级标签。
[0166]
具体的，每一游戏数据中包括的是当前游戏玩家与对战游戏玩家的游戏数据，可以将当前游戏玩家与对战游戏玩家同一类型游戏数据进行比较，确定出当前游戏玩家较弱的游戏数据。
[0167]
比如，在游戏战斗力游戏数据中，当前游戏玩家的游戏战斗力低于对战游戏玩家，则可以确定当前游戏玩家较弱的游戏数据为：游戏战斗力，进一步的，根据游戏战斗力对应的分类标签：战斗力标签，从目标引导信息中确定战斗力标签对应的目标引导信息，可以为游戏玩家实时推荐当前所需的游戏攻略，提高游戏玩家的游戏体验。
[0168]
在一些实施例中，为了提高游戏玩家的游戏体验，步骤“基于目标引导信息对当前
游戏玩家进行信息推荐”，可以包括以下操作：
[0169]
获取当前游戏玩家不同时间段内在指定游戏中的活跃信息；
[0170]
基于活跃信息从不同时间段中确定目标时间段；
[0171]
在目标时间段内，向当前游戏玩家的游戏账户发送目标引导信息。
[0172]
其中，活跃信息指的是当前游戏玩家不同时间段在指定游戏中的操作时长。
[0173]
例如，不同时间段可以指的是一天的不同时间段，可以将一天划分为四个时间段，包括：第一时间段、第二时间段、第三时间段和第四时间段。然后，获取当前游戏玩家不同时间段在指定游戏中的操作时长，可以为：第一时间段在指定游戏中的操作时长为4小时，第二时间段在指定游戏中的操作时长为1小时，第三时间段在指定游戏中的操作时长为0小时，第四时间段在第四能力方向的操作时长为2小时。
[0174]
其中，根据活跃信息从不同时间段中确定目标时间段，也即从多个时间段中确定在指定游戏中操作时长最长的时间段，得到目标时间段。如，第一时间段在指定游戏中的操作时长为4小时，第二时间段在指定游戏中的操作时长为1小时，第三时间段在指定游戏中的操作时长为0小时，第四时间段在第四能力方向的操作时长为2小时，则可以确定目标时间段为第一时间段，则可以在目标时间段内，向当前游戏玩家的游戏账户发送目标引导信息。通过确定出游戏玩家在指定游戏中的活跃时间段，在该活跃时间段向游戏玩家进行信息推荐，可以突出提示游戏玩家查收引导信息，从而可以使得游戏玩家及时阅读引导信息。
[0175]
本技术实施例公开了一种信息推荐方法，该方法包括：获取当前游戏玩家在指定游戏中的互动信息；对互动信息进行分类处理，得到互动信息的目标分类标签；从多个候选引导信息中，确定目标分类标签对应的目标引导信息；基于目标引导信息对当前游戏玩家进行信息推荐。本实施例通过获取游戏玩家与其他游戏玩家在指定游戏中的互动信息，提取互动信息中的文本信息，对文本信息进行分类处理，得到文本信息对应的攻略标签，基于攻略标签从指定游戏中的攻略文章中选取合适的目标攻略文章，进一步地，为用户推荐该目标游戏攻略文章，从而可以提高信息推荐的准确性。
[0176]
根据上述介绍的内容，下面将举例来进一步说明本技术的信息推荐方法。请参阅图4，图4为本技术实施例提供的另一种信息推荐方法的流程示意图，以该信息推荐方法应用于服务器为例，具体流程可以如下：
[0177]
201、服务器获取指定游戏中当前游戏玩家与其他游戏玩家的聊天信息。
[0178]
在本技术实施例中，游戏数据流的传输是从游戏服务器开始，通过游戏服务器将游戏数据流实时推送到消息系统中(如apache kafka，apache kafka是一个开源消息系统项目，由scala写成。该项目的目标是为处理实时数据提供一个统一、高通量、低等待的平台)，服务器可以从该消息系统中获取游戏数据，从而可以得到游戏玩家聊天记录内容，也即聊天信息。
[0179]
其中，指定游戏中可以包括多个游戏攻略。其中，游戏攻略指官方或非官方发布的，可以为游戏玩家提供一些游戏经验与心得的文字或视频类的教材。引导游戏玩家特别是新手游戏玩家熟悉并能尽快的对相关游戏的更多深入了解的文章，或者也可以是一些有经验的游戏玩家对于指定游戏的游戏心得。
[0180]
在一些实施例中，为了方便为游戏玩家快速推荐合适游戏攻略，可以为游戏攻略预先贴上攻略标签。具体的，攻略标签可以依赖人工的定义，当游戏攻略的数量较少时，人
工定义的标签比通过算法学习到的要精准的多。而且，一篇游戏攻略可以对应一个或者多个游戏标签，如一篇主要讲述战力提升的游戏攻略中，还可以提及到装备强化的办法，那么这篇游戏攻略拥有2个攻略标签，即{“战力”，“装备”}。
[0181]
202、服务器对聊天信息进行分词处理，得到聊天信息对应的单词集合。
[0182]
在获取到聊天信息之后，首先提取聊天信息中的文本，然后对文本做预处理，如分词处理，以提高后续模型计算效率。在本技术方案中，可以使用jieba中文分词技术对文本做分词处理，得到聊天信息对应的多个单词，也即单词集合。具体的，分词处理方式可以参见上述实施例，在此不多做赘述。
[0183]
203、服务器对单词集合中的单词进行处理，生成每一单词的词向量，得到词向量集合。
[0184]
其中，对单词进行处理指的是提取单词的特征数据，基于单词特征数据生成该单词对应的词向量。
[0185]
具体的，词向量生成也叫生成embedding，本方案中可以使用word2vec中的skip
‑
gram技术来生成embedding。在通过skip
‑
gram技术将单词生成embedding之前，可以使用one
‑
hot的字符编码技术对单词进行编码。
[0186]
例如，聊天信息中的文本序列可以为：[“我”，“的”，“战力”，“这么”，“低”]，使用one
‑
hot的字符编码技术对单词进行编码，得到如下编码：我：[1，0，0，0，0]，的：[0，1，0，0，0]，战力：[0，0，1，0，0]，这么：[0，0，0，1，0]，低：[0，0，0，0，1]。
[0187]
其中，skip
‑
gram技术的核心思路就是利用神经网络(神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则根据网络的连接方式，权重值和激励函数的不同而不同)学习一个词在人类语言中，最可能的相邻词是哪些，输入向量(input vector)就是神经网络的输入层，输出层(output layer)是相邻词出现的概率，中间的隐含层(hidden layer)就是最终生成的词向量。
[0188]
例如，对于单词：“我”，生成的词向量可以为：[0.23，1.27，4.89]。
[0189]
204、服务器基于训练后网络模型对词向量集合进行处理，确定聊天信息对应的目标游戏攻略标签，以及在目标游戏攻略标签上的评价方向。
[0190]
具体的，将词向量集合中的词向量作为训练后网络模型的输入，通训练后网络模型对词向量进行一系列计算处理，输出得到该词向量集合对应的攻略标签和评价方向，从而得到聊天信息对应的目标攻略标签，以及在该目标攻略标签上的评价方向。
[0191]
其中，评价方向指示在攻略标签上的评价类型，比如，评价类型包括正向、负向和中性等，正向和中性表示游戏玩家在游戏标签对应的游戏玩法具有经验，可以不用对游戏玩家推荐该游戏标签对应的游戏攻略。负向表示游戏玩家在游戏标签对应的游戏玩法缺乏经验，需要对游戏玩家推荐该游戏标签对应的游戏攻略。对于不同类型的评价方向可以设置不同的评价参数，如，1代表正向，0代表中性，
‑
1代表负向，
‑
2代表未提及等。
[0192]
例如，聊天信息的文本可以为：“我的战力怎么这么低”。通过训练后模型对文本进行处理，输出结果可以为：{“战力”：
‑
1，“装备”：
‑
2，“公会”：
‑
2，“家园”：
‑
2，“组队”：
‑
2}。
[0193]
205、服务器基于目标游戏攻略标签以及在目标游戏攻略标签上的评价方向，从多
个游戏攻略信息中确定目标游戏攻略信息，并向当前游戏玩家的游戏账户推荐目标游戏攻略信息。
[0194]
当确定聊天信息对应的目标攻略标签后，可以从游戏攻略集合中筛选出与目标攻略标签相关的游戏攻略，得到目标游戏攻略。
[0195]
在一些实施例中，当目标游戏攻略标签对应的游戏攻略数量较多时，为了精简推荐信息，可以对游戏攻略进行排序。比如，可以根据游戏攻略的攻略质量对游戏攻略集合中的游戏攻略进行排序。然后，从排序后的游戏攻略集合中获取目标攻略标签对应的排序靠前的游戏攻略，得到目标游戏攻略。最后，将目标游戏攻略推送给当前游戏玩家。
[0196]
其中，将目标游戏攻略推送给当前游戏玩家可以使用邮件推送的模式，也即发送至游戏玩家的游戏账户中。
[0197]
在一些实施例中，为了避免给游戏玩家重复推送相同的游戏攻略，可以获取游戏玩家阅读过的已读游戏攻略，然后从目标游戏攻略中过滤掉已读游戏攻略。
[0198]
本技术实施例公开了一种信息推荐方法，该方法包括：服务器获取指定游戏中当前游戏玩家与其他游戏玩家的聊天信息，对聊天信息进行分词处理，得到聊天信息对应的单词集合，对单词集合中的单词进行处理，生成每一单词的词向量，得到词向量集合，基于训练后网络模型对词向量集合进行处理，确定聊天信息对应的目标游戏攻略标签，以及在目标游戏攻略标签上的评价方向，基于目标游戏攻略标签以及在目标游戏攻略标签上的评价方向，从多个游戏攻略信息中确定目标游戏攻略信息，并向当前游戏玩家的游戏账户推荐目标游戏攻略信息。以此，可以提高游戏中信息推荐效率。
[0199]
为便于更好的实施本技术实施例提供的信息推荐方法，本技术实施例还提供一种基于上述信息推荐方法的信息推荐装置。其中名词的含义与上述信息推荐方法中相同，具体实现细节可以参考方法实施例中的说明。
[0200]
请参阅图5，图5为本技术实施例提供的一种信息推荐装置的结构框图，该装置包括：
[0201]
第一获取单元301，用于获取当前游戏玩家在指定游戏中的互动信息；
[0202]
处理单元302，用于对所述互动信息进行分类处理，得到所述互动信息的目标分类标签；
[0203]
确定单元303，用于从多个候选引导信息中确定所述目标分类标签对应的目标引导信息；
[0204]
推荐单元304，用于基于所述目标引导信息对所述当前游戏玩家进行信息推荐。
[0205]
在一些实施例中，处理单元302可以包括：
[0206]
识别子单元，用于识别所述互动信息，得到所述互动信息中的文本信息；
[0207]
提取子单元，用于对所述文本信息进行特征提取，得到所述文本信息的文本特征数据；
[0208]
第一确定子单元，用于基于所述文本特征数据确定所述文本信息对应的文本标签，得到所述互动信息对应的目标分类标签。
[0209]
在一些实施例中，提取子单元，具体可以用于：
[0210]
对所述文本信息进行预处理，得到所述文本信息对应的单词序列，所述单词序列中包括多个单词；
[0211]
提取每一单词的单词特征，并基于所述单词特征计算每一单词的词向量表达；
[0212]
基于所述单词序列以及每一单词的词向量构建词向量序列，得到所述文本特征数据。
[0213]
在一些实施例中，第一确定子单元，具体可以用于：
[0214]
将所述文本特征数据输入训练后模型，并基于所述训练后模型对所述文本特征数据进行分类处理，得到所述文本信息归类于不同分类标签的概率；
[0215]
根据所述文本信息归类于不同分类标签的概率，确定所述互动信息对应的目标分类标签。
[0216]
在一些实施例中，第一确定子单元，具体还可以用于：
[0217]
计算所述词向量序列中词向量之间的相关度；基于所述相关度生成目标词向量序列；计算所述目标词向量序列归类于不同分类标签的概率，得到所述文本信息归类于不同分类标签的概率；
[0218]
根据所述文本信息归类于不同分类标签的概率，确定所述互动信息对应的目标分类标签。
[0219]
在一些实施例中，第一确定子单元，具体还可以用于：
[0220]
确定每一词向量在所述词向量序列中的排列位置；基于所述排列位置与指定距离参数，确定所述词向量序列中与所述词向量关联的候选词向量；计算所述词向量与所述候选词向量的相关度；基于所述相关度生成目标词向量序列；计算所述目标词向量序列归类于不同分类标签的概率，得到所述文本信息归类于不同分类标签的概率；
[0221]
根据所述文本信息归类于不同分类标签的概率，确定所述互动信息对应的目标分类标签。
[0222]
在一些实施例中，确定单元303可以包括：
[0223]
分类子单元，用于对所述多个候选引导信息进行分类处理，得到多个信息子集合；
[0224]
第二确定子单元，用于从所述多个信息子集合中，确定所述目标分类标签对应的目标信息子集合；
[0225]
排序子单元，用于根据候选引导信息的热度参数，对所述目标信息子集合中的候选引导信息进行排序，得到排序后信息子集合；
[0226]
选取子单元，用于从所述排序后信息子集合中选取指定数量的候选引导信息，得到目标引导信息。
[0227]
在一些实施例中，该装置还可以包括：
[0228]
第二获取单元，用于获取所述当前游戏玩家在指定历史时间段内阅读的已读引导信息；
[0229]
筛选单元，用于基于所述已读引导信息对所述目标引导信息进行筛选，得到筛选后目标引导信息。
[0230]
在一些实施例中，推荐单元包括：
[0231]
第一推荐子单元，用于基于所述筛选后目标引导信息，对所述当前游戏玩家进行信息推荐。
[0232]
在一些实施例中，推荐单元304可以包括：
[0233]
第一获取子单元，用于获取所述当前游戏玩家在所述指定游戏中的当前对战信
息；
[0234]
匹配子单元，用于将所述对战信息与所述目标引导信息进行匹配；
[0235]
第二推荐子单元，用于若所述当前对战信息与所述目标引导信息匹配成功，则向所述当前游戏玩家的游戏账户发送所述目标引导信息。
[0236]
在一些实施例中，推荐单元304可以包括：
[0237]
第二获取子单元，用于获取所述当前游戏玩家不同时间段内在所述指定游戏中的活跃信息；
[0238]
第三确定子单元，用于基于所述活跃信息从所述不同时间段中确定目标时间段；
[0239]
发送子单元，用于在所述目标时间段内，向所述当前游戏玩家的游戏账户发送所述目标引导信息。
[0240]
在一些实施例中，第一获取单元301可以包括：
[0241]
第三获取子单元，用于获取所述当前游戏玩家在所述指定游戏中与其他游戏玩家之间的聊天信息，得到所述互动信息。
[0242]
在一些实施例中，第一获取单元301可以包括：
[0243]
第四获取子单元，用于获取所述当前游戏玩家在所述指定游戏中与其他游戏玩家之间的虚拟商品转移信息，得到所述互动信息，其中，所述虚拟商品转移信息包括所述当前游戏玩家的游戏账户与所述其他游戏玩家游戏账户之间转移的虚拟商品。
[0244]
本技术实施例公开了一种信息推荐装置，通过第一获取单元301获取当前游戏玩家在指定游戏中的互动信息，处理单元302，用于对所述互动信息进行分类处理，得到所述互动信息的目标分类标签，确定单元303从多个候选引导信息中确定所述目标分类标签对应的目标引导信息，推荐单元304基于所述目标引导信息对所述当前游戏玩家进行信息推荐。以此，可以提高信息推荐的准确性。
[0245]
相应的，本技术实施例还提供一种计算机设备，该计算机设备可以为服务器。如图6所示，图6为本技术实施例提供的计算机设备的结构示意图。该计算机设备500包括有一个或者一个以上处理核心的处理器501、有一个或一个以上计算机可读存储介质的存储器502及存储在存储器502上并可在处理器上运行的计算机程序。其中，处理器501与存储器502电性连接。本领域技术人员可以理解，图中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0246]
处理器501是计算机设备500的控制中心，利用各种接口和线路连接整个计算机设备500的各个部分，通过运行或加载存储在存储器502内的软件程序和/或模块，以及调用存储在存储器502内的数据，执行计算机设备500的各种功能和处理数据，从而对计算机设备500进行整体监控。
[0247]
在本技术实施例中，计算机设备500中的处理器501会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现各种功能：
[0248]
获取当前游戏玩家在指定游戏中的互动信息；对所述互动信息进行分类处理，得到所述互动信息的目标分类标签；从多个候选引导信息中，确定所述目标分类标签对应的目标引导信息；基于所述目标引导信息对所述当前游戏玩家进行信息推荐。
[0249]
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
[0250]
可选的，如图6所示，计算机设备500还包括：触控显示屏503、射频电路504、音频电路505、输入单元506以及电源507。其中，处理器501分别与触控显示屏503、射频电路504、音频电路505、输入单元506以及电源507电性连接。本领域技术人员可以理解，图6中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0251]
触控显示屏503可用于显示图形用户界面以及接收用户作用于图形用户界面产生的操作指令。触控显示屏503可以包括显示面板和触控面板。其中，显示面板可用于显示由用户输入的信息或提供给用户的信息以及计算机设备的各种图形用户接口，这些图形用户接口可以由图形、引导信息、图标、视频和其任意组合来构成。可选的，可以采用液晶显示器(lcd，liquid crystal display)、有机发光二极管(oled，organic light
‑
emitting diode)等形式来配置显示面板。触控面板可用于收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并生成相应的操作指令，且操作指令执行对应程序。可选的，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器501，并能接收处理器501发来的命令并加以执行。触控面板可覆盖显示面板，当触控面板检测到在其上或附近的触摸操作后，传送给处理器501以确定触摸事件的类型，随后处理器501根据触摸事件的类型在显示面板上提供相应的视觉输出。在本技术实施例中，可以将触控面板与显示面板集成到触控显示屏503而实现输入和输出功能。但是在某些实施例中，触控面板与触控面板可以作为两个独立的部件来实现输入和输出功能。即触控显示屏503也可以作为输入单元506的一部分实现输入功能。
[0252]
射频电路504可用于收发射频信号，以通过无线通信与网络设备或其他计算机设备建立无线通讯，与网络设备或其他计算机设备之间收发信号。
[0253]
音频电路505可以用于通过扬声器、传声器提供用户与计算机设备之间的音频接口。音频电路505可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路505接收后转换为音频数据，再将音频数据输出处理器501处理后，经射频电路504以发送给比如另一计算机设备，或者将音频数据输出至存储器502以便进一步处理。音频电路505还可能包括耳塞插孔，以提供外设耳机与计算机设备的通信。
[0254]
输入单元506可用于接收输入的数字、字符信息或用户特征信息(例如指纹、虹膜、面部信息等)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
[0255]
电源507用于给计算机设备500的各个部件供电。可选的，电源507可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源507还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
[0256]
尽管图6中未示出，计算机设备500还可以包括摄像头、传感器、无线保真模块、蓝牙模块等，在此不再赘述。
[0257]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部
分，可以参见其他实施例的相关描述。
[0258]
由上可知，本实施例提供的计算机设备，获取当前游戏玩家在指定游戏中的互动信息；对所述互动信息进行分类处理，得到所述互动信息的目标分类标签；从多个候选引导信息中，确定所述目标分类标签对应的目标引导信息；基于所述目标引导信息对所述当前游戏玩家进行信息推荐。
[0259]
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
[0260]
为此，本技术实施例提供一种计算机可读存储介质，其中存储有多条计算机程序，该计算机程序能够被处理器进行加载，以执行本技术实施例所提供的任一种信息推荐方法中的步骤。例如，该计算机程序可以执行如下步骤：
[0261]
获取当前游戏玩家在指定游戏中的互动信息；
[0262]
对所述互动信息进行分类处理，得到所述互动信息的目标分类标签；
[0263]
从多个候选引导信息中，确定所述目标分类标签对应的目标引导信息；
[0264]
基于所述目标引导信息对所述当前游戏玩家进行信息推荐。
[0265]
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
[0266]
其中，该存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、磁盘或光盘等。
[0267]
由于该存储介质中所存储的计算机程序，可以执行本技术实施例所提供的任一种信息推荐方法中的步骤，因此，可以实现本技术实施例所提供的任一种信息推荐方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
[0268]
以上对本技术实施例所提供的一种信息推荐方法、装置、存储介质及计算机设备进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。