道具推荐方法、装置、设备及介质与流程

1.本技术涉及机器学习领域，特别涉及一种道具推荐方法、装置、设备及介质。


背景技术：

2.向用户提供推荐道具，可以让用户能够方便、快捷地购买心仪的道具，节约时间成本，提升用户的体验。
3.相关技术会先获取用户的历史购买记录，根据历史购买记录中各个历史购买道具的相似道具确定出候选推荐集。计算候选推荐集中候选推荐道具与各个历史购买道具的相似度，进而得到候选推荐道具的推荐度。取推荐度最大的几个候选推荐道具向用户推荐。
4.但是用户的兴趣是会动态变化的，而相关技术无法捕捉到用户的兴趣变化。


技术实现要素：

5.本技术实施例提供了一种道具推荐方法、装置、设备及介质，该方法将用户近期购买的道具和用户的喜好纳入考虑范围，以提高推荐道具的准确率，所述技术方案如下：
6.根据本技术的一个方面，提供了一种道具推荐方法，该方法包括：
7.统计用户帐号的历史购买记录中各个历史购买道具的相似道具，得到候选推荐集；
8.根据道具购买时间和道具相似度，计算所述各个历史购买道具的推荐权重，所述道具购买时间用于衡量所述历史购买道具的购买时间对所述推荐道具的影响程度，所述道具相似度用于衡量所述相似道具对所述推荐道具的影响程度；
9.根据所述各个历史购买道具的推荐权重和所述候选推荐集中的各个候选推荐道具，确定所述各个候选推荐道具的加权推荐度；
10.根据所述各个候选推荐道具的加权推荐度的排序，确定向所述用户帐号推荐的推荐道具。
11.根据本技术的一个方面，提供了一种道具推荐装置，该装置包括：
12.统计模块，用于统计用户帐号的历史购买记录中各个历史购买道具的相似道具，得到候选推荐集；
13.计算模块，用于根据道具购买时间和道具相似度，计算所述各个历史购买道具的推荐权重，所述道具购买时间用于衡量所述历史购买道具的购买时间对所述推荐道具的影响程度，所述道具相似度用于衡量所述相似道具对所述推荐道具的影响程度；
14.所述计算模块，还用于根据所述各个历史购买道具的推荐权重和所述候选推荐集中的各个候选推荐道具，确定所述各个候选推荐道具的加权推荐度；
15.所述计算模块，还用于根据所述各个候选推荐道具的加权推荐度的排序，确定向所述用户帐号推荐的推荐道具。
16.根据本技术的另一方面，提供了一种计算机设备，该计算机设备包括：处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少
一段程序、代码集或指令集由处理器加载并执行以实现如上方面所述的道具推荐方法。
17.根据本技术的另一方面，提供了一种计算机存储介质，计算机可读存储介质中存储有至少一条程序代码，程序代码由处理器加载并执行以实现如上方面所述的道具推荐方法。
18.根据本技术的另一方面，提供了一种计算机程序产品或计算机程序，上述计算机程序产品或计算机程序包括计算机指令，上述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从上述计算机可读存储介质读取上述计算机指令，上述处理器执行上述计算机指令，使得上述计算机设备执行如上方面所述的道具推荐方法。
19.本技术实施例提供的技术方案带来的有益效果至少包括：
20.由于历史购买道具的购买时间能够体现出用户近期购买道具对推荐道具的影响，而相似道具则能够体现出用户的兴趣对推荐道具的影响，该方法将上述历史购买道具的购买时间和相似道具对推荐道具的影响纳入了考虑范围，能够向用户精准推荐道具，推荐的准确率较高。
附图说明
21.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，对于本领域普通技术人员来讲，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。
22.图1是本技术一个示例性实施例提供的计算机系统的结构示意图；
23.图2是本技术一个示例性实施例提供的道具推荐方法的流程示意图；
24.图3是本技术一个示例性实施例提供的道具推荐方法的流程示意图；
25.图4是本技术一个示例性实施例提供的确定时间权重的流程示意图；
26.图5是本技术一个示例性实施例提供的确定相似权重的结构示意图；
27.图6是本技术一个示例性实施例提供的游戏道具推荐的流程示意图；
28.图7是本技术一个示例性实施例提供的游戏道具推荐方法的界面示意图；
29.图8是本技术一个示例性实施例提供的游戏道具推荐方法的示意图；
30.图9是本技术一个示例性实施例提供的游戏道具推荐方法的界面示意图；
31.图10是本技术一个示例性实施例提供的道具推荐装置的结构示意图；
32.图11是本技术一个示例性实施例提供的计算机设备的结构示意图。
具体实施方式
33.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
34.首先，对本技术实施例中涉及的名词进行介绍：
35.人工智能(artificial intelligence，ai)：是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能
也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
36.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
37.机器学习(machine learning，ml)：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
38.协同过滤：是一种通过分析用户或者道具之间的相似性，来预测用户可能感兴趣的内容并将此道具推荐给用户的算法。
39.随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
40.图1示出了本技术一个示例性实施例提供的计算机系统的结构示意图。计算机系统100包括：终端120和服务器140。
41.终端120上安装有与道具推荐相关的应用程序。该应用程序可以是app(application，应用程序)中的小程序，也可以是专门的应用程序，也可以是网页客户端。终端120是智能手机、平板电脑、电子书阅读器、mp3播放器、mp4播放器、膝上型便携计算机和台式计算机中的至少一种。
42.终端120通过无线网络或有线网络与服务器140相连。
43.服务器140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(content delivery network，内容分发网络)、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。服务器140用于提供后台服务，并将结果发送到终端120上。可选地，服务器140承担主要计算工作，终端120承担次要计算工作；或者，服务器140承担次要计算工作，终端120承担主要计算工作；或者，服务器140和终端120两者采用分布式计算架构进行协同计算。
44.图2示出了本技术实施例提供一种道具推荐方法的流程示意图。该方法可由图1所示的终端120或服务器140执行，该方法包括以下步骤：
45.步骤202：统计用户帐号的历史购买记录中各个历史购买道具的相似道具，得到候选推荐集。
46.在本技术实施例中，道具指商品、服务、游戏中的虚拟道具中的至少一种。
47.可选地，在符合法律法规且获取用户授权的情况下，获取用户帐号的历史购买记录。
48.相似道具指与历史购买道具的相似度小于相似度阈值的道具。示例性的，以一个
历史购买道具a为例，计算候选道具与历史购买道具a之间的余弦相似度，将余弦相似度小于相似度阈值的道具确定为历史购买道具a的相似道具。
49.可选地，调用道具近邻模型，对各个历史购买道具进行数据处理，得到各个历史购买道具的相似道具。
50.候选推荐集是包括候选推荐道具的集合。可选地，候选推荐集中的候选推荐道具是从各个历史购买道具的相似道具中挑选的，例如，从各个历史购买道具的相似道具中随机挑选出候选推荐道具得到候选推荐集，又或者，根据各个历史购买道具的相似道具的购买次数，将购买次数最大的至少两个相似道具确定位候选推荐集中的候选推荐道具。
51.可选地，确定历史购买记录中各个历史购买道具的相似道具。由于不同的历史购买道具可能会存在相同的相似道具，比如，历史购买道具a的相似道具是道具x和道具y，历史购买道具b的相似道具是道具x和道具z，其中，道具x是相同的道具。此时，前述相同的相似道具是多余的。故删除各个历史购买道具的相似道具中的重复道具，得到候选推荐集，重复道具指各个历史购买道具的相似道具中道具数量大于1的道具。
52.步骤204：根据道具购买时间和道具相似度，计算各个历史购买道具的推荐权重，道具购买时间用于衡量历史购买道具的购买时间对推荐道具的影响程度，道具相似度用于衡量相似道具对推荐道具的影响程度。
53.可选地，推荐权重包括时间权重和相似权重。时间权重是与道具购买时间相关的权重，相似权重是与道具相似度相关的权重。
54.申请人发现用户的兴趣是会随时间推移不断变化的，而在较短的一段时间内用户的兴趣是相对稳定的，因此一个用户感兴趣的道具最可能和该用户近期购买过的道具相似。可选地，根据道具购买时间，计算各个历史购买道具的时间权重，时间权重和历史购买道具的购买时间与当前时间之间的差值呈负相关，即历史购买道具的购买时间离当前时间越近，时间权重越大。
55.另一方面，申请人发现现实中不同用户兴趣变化速度和规律不同，此外用户的兴趣经常存在反复，所以用户早期购买的道具对于确定推荐道具也很重要，单纯地只使用时间权重，可能对推荐效果产生负面影响。因此，引入基于道具相似度的相似权重来优化推荐权重。可选地，根据道具相似度，计算各个历史购买道具的相似权重。
56.步骤206：根据各个历史购买道具的推荐权重和候选推荐集中的各个候选推荐道具，确定各个候选推荐道具的加权推荐度。
57.在本技术的一种实现方式中，计算第p个历史购买道具和第q个候选推荐道具的相似度，p和q为正整数，p和q的初始值为1；计算第p个历史购买道具的推荐权重与相似度的乘积，得到第p个历史购买道具的加权相似度；将p更新为p 1，重复上述两个步骤k次，直至得到第q个候选推荐道具的k个加权相似度，k表示历史购买道具的数量；计算第q个候选推荐道具的k个加权相似度的和，得到第q个候选推荐道具的加权推荐度；将q更新为q 1，初始化p，重复上述四个步骤，直至得到各个候选推荐道具的加权推荐度。
58.在本技术实施例中，还可以采用道具推荐模型来确定加权推荐度，示例性的，调用道具推荐模型，对历史购买记录和候选推荐集进行数据处理，输出各个候选推荐道具的加权推荐度。其中，道具推荐模型包括时间权重计算网络和相似权重计算网络，时间权重计算网络用于计算各个历史购买道具的时间权重，相似权重计算网络用于计算各个历史购买道
具的相似权重。可选地，时间权重计算网络和相似权重计算网络均为全连接前馈网络。
59.在本技术实施例中，不同的用户帐号对应不同的道具推荐模型，比如，用户帐号a对应道具推荐模型1，用户帐号b对应道具推荐模型2。即，每一个道具推荐模型都是专门用于某一个确定的用户帐号。
60.可选地，上述的道具推荐模型会实时更新，比如，当用户帐号的相似帐号对推荐道具做出选择后，会对道具推荐模型进行二次训练。可选地，确定用户帐号的相似用户帐号；根据相似用户帐号的推荐道具购买情况，对道具推荐模型进行二次训练。示例性的，用户帐号a的相似用户帐号是用户帐号b，用户帐号b获得推荐道具后，选择购买了推荐道具1和推荐道具2，没有购买推荐道具3，此时，记录下用户帐号b的推荐道具购买情况。根据用户帐号b的推荐道具购买情况对属于用户帐号a的道具推荐模型进行二次训练。可选地，将与用户帐号之间的相似度小于相似度阈值的用户帐号确定为相似帐号。
61.步骤208：根据各个候选推荐道具的加权推荐度的排序，确定向用户帐号推荐的推荐道具。
62.可选地，将各个候选推荐道具按照加权推荐度进行降序排序，将最前的n个候选推荐道具确定为推荐道具，n为正整数，n可由技术人员自行设置。
63.可选地，将最大加权推荐度对应的候选推荐道具确定为用户帐号的推荐道具。
64.综上所述，本实施例由于历史购买道具的购买时间能够体现出用户近期购买道具对推荐道具的影响，而相似道具则能够体现出用户的兴趣对推荐道具的影响，该方法将上述历史购买道具的购买时间和相似道具对推荐道具的影响纳入了考虑范围，能够向用户精准推荐道具，推荐的准确率较高。
65.图3示出了本技术实施例提供一种道具推荐方法的流程示意图。该方法可由图1所示的终端120或服务器140执行，该方法包括以下步骤：
66.步骤301：统计用户帐号的历史购买记录中各个历史购买道具的相似道具，得到候选推荐集。
67.在本技术实施例中，道具指商品、服务、游戏中的虚拟道具中的至少一种。
68.可选地，在符合法律法规且获取用户授权的情况下，获取用户帐号的历史购买记录。
69.候选推荐集是包括候选推荐道具的集合。可选地，候选推荐集中的候选推荐道具是从各个历史购买道具的相似道具中挑选的，例如，从各个历史购买道具的相似道具中随机挑选出候选推荐道具得到候选推荐集，又或者，根据各个历史购买道具的相似道具的购买次数，将购买次数最大的至少两个相似道具确定位候选推荐集中的候选推荐道具。
70.相似道具指与历史购买道具的相似度小于相似度阈值的道具。比如，历史购买道具a的相似道具是道具x和道具y，历史购买道具b的相似道具是道具x和道具z，其中，道具x是相同的道具。
71.步骤302：根据道具购买时间，计算历史购买记录中第i个历史购买道具的时间权重。
72.其中，i为正整数，i的初始值为1。第i个历史购买道具是历史购买记录中的任意一个道具。
73.可选地，本步骤包括以下子步骤：
74.步骤41：确定第i个历史购买道具的购买时间与首次购买道具的购买时间之间的时间间隔。
75.首次购买道具指用户帐号的历史购买记录中最早的购买道具。示例性的，历史购买记录会记录下用户帐号在历史时段内购买的道具。比如，历史购买记录会记录下用户帐号在过去10天内购买的道具，则将历史购买记录中最早的购买道具确定为首次购买道具。
76.示例性的，将用户在注册用户帐号后购买的第一个道具确定为首次购买道具。
77.示例性的，将时间间隔记为d
ui
，其中，u代表用户帐号。
78.步骤42：确定当前时间到上一次获取推荐道具的时间的时间跨度。
79.本技术实施例提供的道具推荐方法是可以重复使用的。示例性的，在游戏场景中，只要用户登录游戏，游戏系统就会向用户推荐道具，用户在1月2日登录游戏时，游戏系统检测到该用户上一次登录游戏是1月1日，则将1月2日到1月1日的这段时间作为时间跨度。
80.示例性的，在网购场景中，响应于商品推荐操作，网购系统向用户帐号提供商品推荐服务商品，其中，网购系统通过本技术实施例提供的方式来确定推荐的商品。用户在1月20日使用网购系统的商品推荐服务时，网购系统检测到该用户上一次使用商品推荐服务是1月10日，则将1月20日到1月10日的这段时间作为时间跨度。
81.示例性的，将时间跨度记为lu，其中，u代表用户帐号。
82.步骤43：根据时间间隔和时间跨度的比值，得到第i个历史购买道具的时间权重。
83.示例性的，第i个历史购买道具的时间权重：
[0084][0085]
其中，α是正的系数，α的值可由技术人员根据实际需求自行设置，d
ui
表示时间间隔，lu表示时间跨度。
[0086]
因此，wt(u，i)是关于d
ui
的非递减函数，即对于d
ui
》d
uj
有wt(u，i)》＝wt(u，j)。
[0087]
步骤303：根据道具相似度，计算第i个历史购买道具的相似权重。
[0088]
可选地，本步骤包括以下子步骤：
[0089]
步骤51：根据时间窗口，从历史购买记录提取出历史购买记录子集。
[0090]
时间窗口的长度可由技术人员自行设置，比如，时间窗口的长度是7天、10天、20天、30天等。本技术实施例对时间窗口的长度不做限定。
[0091]
可选地，以当前时间为时间窗口的右端点设置时间窗口。比如，当前时间是1月30日，时间窗口的长度是7天，则设置时间窗口后，时间窗口内的时间是1月24日到1月30日。
[0092]
可选地，将位于时间窗口内的历史购买记录确定历史购买记录子集。比如，历史购买记录包括1月1日到1月30日的购买记录，时间窗口内的时间是1月20日到1月30日，则历史购买子集指的是1月20日到1月30日的购买记录。
[0093]
示例性的，将历史购买子集记为i
ut
，其中，u表示用户帐号，t表示时间窗口。
[0094]
步骤52：计算第i个历史购买道具与历史购买记录子集的整体相似度。
[0095]
可选地，先计算第i个历史购买道具与历史购买记录子集中各个历史购买道具的相似度。再计算相似度的平均值，得到整体相似度。示例性的，整体相似度为其中，j表示历史购买记录子集中的第j个历史购买道具，sim(i，j)表示第i个历史购买道具和第j个历史购买道具的相似度。
[0096]
步骤53：根据整体相似度与历史购买记录子集的道具数量之间的比值，得到第i个历史购买道具的相似权重。
[0097]
示例性的，相似权重：
[0098][0099]
其中，size(i
ut
)表示历史购买记录子集i
ut
的道具数量。
[0100]
需要说明的是，步骤302和步骤303的顺序可以调换，可以先执行步骤302，后执行步骤303。也可以执行步骤303，后执行步骤302。本技术实施例对此不作限定。
[0101]
步骤304：加权计算第i个历史购买道具的时间权重和第i个历史购买道具的相似权重，得到第i个历史购买道具的推荐权重。
[0102]
时间权重可以体现出近期购买道具的重要性，从而能够及时捕捉到用户的当前兴趣，适合处理用户兴趣变化频繁的情况。相似权重可以体现出用户历史购买过的道具与当前兴趣的相关度，避免了有价值的早期购买数据被忽略，适合处理用户兴趣存在反复的情况。因此，考虑将两个权重策略用一定的比例因子β融合起来，定义推荐权重为：
[0103]
wts(u，i)＝β
×
wt(u，i) (1-β)
×
ws(u，i)；
[0104]
其中，比例因子β∈[0，1]，β和1-β分别表示两种权重所占的比例。β的数值可由技术人员根据实际需求自行设置。
[0105]
步骤305：将i更新为i 1，重复上述三个步骤，直至得到各个历史购买道具的推荐权重。
[0106]
在步骤302至步骤304的过程中，只得到第i个历史购买道具，因此需要重复步骤302至步骤304，以得到各个历史购买道具的推荐权重。
[0107]
步骤306：计算第p个历史购买道具和第q个候选推荐道具的相似度。
[0108]
其中，p和q为正整数，p和q的初始值为1。
[0109]
可选地，计算第p个历史购买道具和第q个候选推荐道具的余弦相似度。示例性的，余弦相似度：
[0110][0111]
其中，p表示的是第p个历史购买道具，q表示的是第q个候选推荐道具，‖p‖表示的是第p个历史购买道具对应向量的大小，‖q‖表示的是第q个候选推荐道具对应向量的大小。
[0112]
步骤307：计算第p个历史购买道具的推荐权重与相似度的乘积，得到第p个历史购买道具的加权相似度。
[0113]
示例性的，第p个历史购买道具的加权相似度为wts(u，p)
×
sim(p，q)，其中，wts(u，p)表示第p个历史购买道具的推荐权重，u表示用户帐号，sim(p，q)表示相似度。
[0114]
步骤308：将p更新为p 1，重复上述两个步骤k次，直至得到第q个候选推荐道具的k个加权相似度。
[0115]
k表示历史购买道具的数量。
[0116]
在本技术实施例中，需要计算第q个候选推荐道具与各个历史购买道具之间的加权相似度，通过加权相似度确定第q个候选推荐道具的加权推荐度。
[0117]
步骤309：计算第q个候选推荐道具的k个加权相似度的和，得到第q个候选推荐道
具的加权推荐度。
[0118]
示例性的，第q个候选推荐道具的加权推荐度：
[0119][0120]
其中，u表示用户帐号，iu表示历史购买记录，wts(u，p)表示第q个候选推荐道具的推荐权重，sim(p，q)表示第q个候选推荐道具与第p个历史购买道具的相似度。
[0121]
步骤310：将q更新为q 1，初始化p，重复上述四个步骤，直至得到各个候选推荐道具的加权推荐度。
[0122]
由于步骤306至步骤309得到的是第q个候选推荐道具的加权推荐度，而候选推荐集还包括其它候选推荐道具，故需要重复步骤306至步骤309，以得到候选推荐集中所有候选推荐道具的加权推荐度。
[0123]
步骤311：根据各个候选推荐道具的加权推荐度的排序，确定向用户帐号推荐的推荐道具。
[0124]
可选地，将各个候选推荐道具按照加权推荐度进行降序排序，将最前的n个候选推荐道具确定为推荐道具，n为正整数，n可由技术人员自行设置。
[0125]
可选地，将最大加权推荐度对应的候选推荐道具确定为用户帐号的推荐道具。
[0126]
综上所述，本实施例由于历史购买道具的购买时间能够体现出用户近期购买道具对推荐道具的影响，而相似道具则能够体现出用户的兴趣对推荐道具的影响，该方法将上述历史购买道具的购买时间和相似道具对推荐道具的影响纳入了考虑范围，能够向用户精准推荐道具，推荐的准确率较高。而且，计算加权推荐度的方法较为简单，计算量较小，可以快速算出用户帐号的推荐道具，实时性较好。
[0127]
在接下来的实施例中，以道具推荐方法应用在游戏中为例进行说明，如下所示：
[0128]
图6示出了本技术实施例提供一种道具推荐方法的流程示意图。该方法可由图1所示的计算机系统100执行，该方法包括以下步骤：
[0129]
步骤601：客户端显示游戏界面。
[0130]
示例性的，如图7所示，在游戏界面上显示有游戏道具推荐控件701。
[0131]
可选地，游戏界面上还显示有虚拟资源、虚拟对象、对战控件、任务控件、购买控件、活动控件中的至少一种。其中，对战控件用于开启游戏对战，比如，在图7所示的游戏界面中，“周赛”和“经典模式”即为对战控件。任务控件用于查看游戏任务，比如，在图7所示的游戏界面中，“任务”即为任务控件。购买控件用于显示游戏商城或购买游戏道具。活动控件用于展示游戏活动。
[0132]
步骤602：响应于客户端上的游戏道具推荐操作，客户端向服务器发送道具推荐请求。
[0133]
可选地，响应于游戏道具推荐控件上的触发操作，客户端向服务器发送推荐道具请求。示例性的，如图7所示，用户点击游戏道具推荐控件701以完成游戏道具推荐操作。
[0134]
示例性的，如图8所示，客户端向服务器的线上推荐服务发送道具推荐请求。
[0135]
步骤603：服务器统计用户帐号的历史购买记录中各个历史购买游戏道具的相似道具，得到候选推荐集。
[0136]
历史购买记录包括用户帐号信息、购买时间、游戏道具类型中的至少一种。
[0137]
示例性的，如图8所示，服务器存储有不同用户帐号的历史购买记录，服务器确定出当前用户帐号的历史购买记录。
[0138]
步骤604：服务器根据道具购买时间和道具相似度，计算各个历史购买游戏道具的推荐权重。
[0139]
可选地，推荐权重包括时间权重和相似权重。时间权重是与游戏道具购买时间相关的权重，相似权重是与道具相似度相关的权重。
[0140]
示例性的，根据道具购买时间，计算各个历史购买游戏道具的时间权重，时间权重和历史购买游戏道具的购买时间与当前时间之间的差值呈负相关，即历史购买游戏道具的购买时间离当前时间越近，时间权重越大。
[0141]
可选地，根据道具相似度，计算各个历史游戏购买道具的相似权重。
[0142]
步骤605：服务器根据各个历史购买游戏道具的推荐权重和候选推荐集中的各个候选推荐游戏道具，确定各个候选推荐游戏道具的加权推荐度。
[0143]
在本技术的一种实现方式中，计算第p个历史购买游戏道具和第q个候选推荐游戏道具的相似度，p和q为正整数，p和q的初始值为1；计算第p个历史购买游戏道具的推荐权重与相似度的乘积，得到第p个历史购买游戏道具的加权相似度；将p更新为p 1，重复上述两个步骤k次，直至得到第q个候选推荐游戏道具的k个加权相似度，k表示历史购买游戏道具的数量；计算第q个候选推荐游戏道具的k个加权相似度的和，得到第q个候选推荐游戏道具的加权推荐度；将q更新为q 1，初始化p，重复上述四个步骤，直至得到各个候选推荐游戏道具的加权推荐度。
[0144]
示例性的，如图8所示，服务器通过合并后的时间权重和相似权重，以及历史购买记录得到各个候选推荐游戏道具的加权推荐度。
[0145]
步骤606：服务器根据各个候选推荐游戏道具的加权推荐度的排序，确定向用户帐号推荐的推荐游戏道具。
[0146]
可选地，服务器将各个候选推荐游戏道具按照加权推荐度进行降序排序，将最前的n个候选推荐游戏道具确定为推荐游戏道具，n为正整数，n可由技术人员自行设置。
[0147]
步骤607：服务器向客户端返回推荐游戏道具。
[0148]
可选地，如图8所示，服务器将用户帐号的推荐游戏道具存储到远程字典服务(remote dictionary server，redis)中，通过远程字典服务将推荐游戏道具提供给客户端。
[0149]
步骤608：客户端在游戏界面上显示推荐游戏道具。
[0150]
可选地，如图8所示，客户端通过远程字典服务获取推荐游戏道具。
[0151]
示例性的，如图9所示，在游戏界面上显示推荐游戏道具901，其中，推荐游戏道具901可以包括多个不同类型的游戏道具。
[0152]
可选地，推荐游戏道具需要使用不同虚拟资源购买，比如，推荐游戏道具1需要花费200枚金币，推荐游戏道具2需要花费20个钻石。
[0153]
综上所述，本实施例能够向用户精准推荐游戏道具，且推荐的准确率较高。对用户而言，可以更加方便、快捷地购买心仪的游戏道具，节约先搜索再购买道具的时间成本，提升用户的游戏体验。对游戏商家而言，更具针对性的个性化道具推荐会刺激用户的购买欲望，从而提升游戏的商业价值。
[0154]
请参考图10，其示出了本技术一个实施例提供的道具推荐装置的框图。上述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置1000包括：
[0155]
统计模块1001，用于统计用户帐号的历史购买记录中各个历史购买道具的相似道具，得到候选推荐集；
[0156]
计算模块1002，用于根据道具购买时间和道具相似度，计算所述各个历史购买道具的推荐权重，所述道具购买时间用于衡量所述历史购买道具的购买时间对所述推荐道具的影响程度，所述道具相似度用于衡量所述相似道具对所述推荐道具的影响程度；
[0157]
所述计算模块1002，还用于根据所述各个历史购买道具的推荐权重和所述候选推荐集中的各个候选推荐道具，确定所述各个候选推荐道具的加权推荐度；
[0158]
所述计算模块1002，还用于根据所述各个候选推荐道具的加权推荐度的排序，确定向所述用户帐号推荐的推荐道具。
[0159]
在本技术的一个可选设计中，所述计算模块1002，还用于根据所述道具购买时间，计算所述历史购买记录中第i个历史购买道具的时间权重，所述时间权重和所述第i个历史购买道具的购买时间与当前时间之间的差值呈负相关，所述i为正整数，i的初始值为1；根据所述道具相似度，计算所述第i个历史购买道具的相似权重，所述相似权重用于表示所述第i个历史购买道具与所述用户帐号的用户画像的相关程度；加权计算所述第i个历史购买道具的时间权重和所述第i个历史购买道具的相似权重，得到所述第i个历史购买道具的推荐权重；将所述i更新为i 1，重复上述三个步骤，直至得到所述各个历史购买道具的推荐权重。
[0160]
在本技术的一个可选设计中，所述计算模块1002，还用于确定所述第i个历史购买道具的购买时间与首次购买道具的购买时间之间的时间间隔，所述首次购买道具指所述用户帐号的所述历史购买记录中最早的购买道具；确定当前时间到上一次获取所述推荐道具的时间的时间跨度；根据所述时间间隔和所述时间跨度的比值，得到所述第i个历史购买道具的时间权重。
[0161]
在本技术的一个可选设计中，所述计算模块1002，还用于根据时间窗口，从所述历史购买记录提取出历史购买记录子集；计算所述第i个历史购买道具与所述历史购买记录子集的整体相似度；根据所述整体相似度与历史购买记录子集的道具数量之间的比值，得到所述第i个历史购买道具的相似权重。
[0162]
在本技术的一个可选设计中，所述计算模块1002，还用于计算所述第i个历史购买道具与所述历史购买记录子集中各个历史购买道具的相似度；计算所述相似度的和，得到所述整体相似度。
[0163]
在本技术的一个可选设计中，所述计算模块1002，还用于计算第p个历史购买道具和第q个候选推荐道具的相似度；计算所述第p个历史购买道具的推荐权重与所述相似度的乘积，得到所述第p个历史购买道具的加权相似度；将p更新为p 1，重复上述两个步骤k次，直至得到所述第q个候选推荐道具的k个加权相似度，k表示所述历史购买道具的数量；计算所述第q个候选推荐道具的k个加权相似度的和，得到所述第q个候选推荐道具的加权推荐度；将q更新为q 1，初始化p，重复上述四个步骤，直至得到所述各个候选推荐道具的加权推荐度。
[0164]
在本技术的一个可选设计中，所述计算模块1002，还用于计算所述第p个历史购买
道具和所述第q个候选推荐道具的余弦相似度。
[0165]
在本技术的一个可选设计中，所述统计模块1001，还用于确定所述历史购买记录中所述各个历史购买道具的相似道具；删除所述各个历史购买道具的相似道具中的重复道具，得到所述候选推荐集，所述重复道具指所述各个历史购买道具的相似道具中道具数量大于1的道具。
[0166]
在本技术的一个可选设计中，所述计算模块1002，还用于将所述各个候选推荐道具按照所述加权推荐度进行降序排序；将最前的n个候选推荐道具确定为所述推荐道具，所述n为正整数。
[0167]
在本技术的一个可选设计中，所述计算模块1002，还用于调用道具推荐模型，对所述历史购买记录和所述候选推荐集进行数据处理，输出所述各个候选推荐道具的加权推荐度，所述道具推荐模型包括时间权重计算网络和相似权重计算网络，所述时间权重计算网络用于计算所述各个历史购买道具的时间权重，所述相似权重计算网络用于计算所述各个历史购买道具的相似权重。
[0168]
在本技术的一个可选设计中，所述计算模块1002，还用于确定所述用户帐号的相似用户帐号；根据所述相似用户帐号的推荐道具购买情况，对所述道具推荐模型进行二次训练。
[0169]
综上所述，本实施例由于历史购买道具的购买时间能够体现出用户近期购买道具对推荐道具的影响，而相似道具则能够体现出用户的兴趣对推荐道具的影响，该方法将上述历史购买道具的购买时间和相似道具对推荐道具的影响纳入了考虑范围，能够向用户精准推荐道具，推荐的准确率较高。
[0170]
图11是根据一示例性实施例示出的一种计算机设备的结构示意图。所述计算机设备1100包括中央处理单元(central processing unit，cpu)1101、包括随机存取存储器(random access memory，ram)1102和只读存储器(read-only memory，rom)1103的系统存储器1104，以及连接系统存储器1104和中央处理单元1101的系统总线1105。所述计算机设备1100还包括帮助计算机设备内的各个器件之间传输信息的基本输入/输出系统(input/output，i/o系统)1106，和用于存储操作系统1113、应用程序1114和其他程序模块1115的大容量存储设备1107。
[0171]
所述基本输入/输出系统1106包括有用于显示信息的显示器1108和用于用户输入信息的诸如鼠标、键盘之类的输入设备1109。其中所述显示器1108和输入设备1109都通过连接到系统总线1105的输入输出控制器1110连接到中央处理单元1101。所述基本输入/输出系统1106还可以包括输入输出控制器1110以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1110还提供输出到显示屏、打印机或其他类型的输出设备。
[0172]
所述大容量存储设备1107通过连接到系统总线1105的大容量存储控制器(未示出)连接到中央处理单元1101。所述大容量存储设备1107及其相关联的计算机设备可读介质为计算机设备1100提供非易失性存储。也就是说，所述大容量存储设备1107可以包括诸如硬盘或者只读光盘(compact disc read-only memory，cd-rom)驱动器之类的计算机设备可读介质(未示出)。
[0173]
不失一般性，所述计算机设备可读介质可以包括计算机设备存储介质和通信介
质。计算机设备存储介质包括以用于存储诸如计算机设备可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机设备存储介质包括ram、rom、可擦除可编程只读存储器(erasable programmable read only memory，eprom)、带电可擦可编程只读存储器(electrically erasable programmable read-only memory，eeprom)，cd-rom、数字视频光盘(digital video disc，dvd)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机设备存储介质不局限于上述几种。上述的系统存储器1104和大容量存储设备1107可以统称为存储器。
[0174]
根据本公开的各种实施例，所述计算机设备1100还可以通过诸如因特网等网络连接到网络上的远程计算机设备运行。也即计算机设备1100可以通过连接在所述系统总线1105上的网络接口单元1112连接到网络1111，或者说，也可以使用网络接口单元1112来连接到其他类型的网络或远程计算机设备系统(未示出)。
[0175]
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，中央处理器1101通过执行该一个或一个以上程序来实现上述道具推荐方法的全部或者部分步骤。
[0176]
在示例性实施例中，还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中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述各个方法实施例提供的道具推荐方法。
[0177]
本技术还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述方法实施例提供的道具推荐方法。
[0178]
本技术还提供一种计算机程序产品或计算机程序，上述计算机程序产品或计算机程序包括计算机指令，上述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从上述计算机可读存储介质读取上述计算机指令，上述处理器执行上述计算机指令，使得上述计算机设备执行如上方面实施例提供的道具推荐方法。
[0179]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0180]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0181]
以上所述仅为本技术的可选实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。