[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

权利要求书

1.基于深度神经网络与图网络的核心用户挖掘方法，其特征是，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；

建立有向图的具体过程为，根据所有训练序列建立有向图，在每个用户按照时间顺序使用游戏的时间序列中，对于同一用户名，当从一个游戏跳转到下一个游戏中时，两个游戏在图中建立一条边，或权重增加1，最后再进行权重的归一化；

最后通过networkx导出图的每条边和权重，用于Graph embedding模型的训练。

2.如权利要求1所述的基于深度神经网络与图网络的核心用户挖掘方法，其特征是，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。

3.如权利要求2所述的基于深度神经网络与图网络的核心用户挖掘方法，其特征是，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。

4.如权利要求1所述的基于深度神经网络与图网络的核心用户挖掘方法，其特征是，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。

5.如权利要求2所述的基于深度神经网络与图网络的核心用户挖掘方法，其特征是，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。

6.如权利要求5所述的基于深度神经网络与图网络的核心用户挖掘方法，其特征是，将清洗后的数据做一定的按时间序列的切割处理，根据登录数据和付费数据，生成模型所需序列和目标；

按照所有用户设定比例进行分割，大部分的用户作为训练，其余的部分的用户作为测试集；同时，针对序列进行滑动切割，设定滑动窗口，切割过程中，生成的测试集序列中的游戏，保证都在训练集序列中出现过，且训练集和测试集的目标都是当月的核心游戏且不在历史序列，负样本为历史序列中的样本。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现按照权利要求1-6任一所述的基于深度神经网络与图网络的核心用户挖掘方法的步骤。

8.基于深度神经网络与图网络的核心用户挖掘系统，其特征是，包括：

信息数据库建立单元，被配置为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；

数据预处理单元，被配置为对用户-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；

感兴趣的游戏预测单元，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；

核心玩家预测单元，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；

建立有向图的具体过程为，根据所有训练序列建立有向图，在每个用户按照时间顺序使用游戏的时间序列中，对于同一用户名，当从一个游戏跳转到下一个游戏中时，两个游戏在图中建立一条边，或权重增加1，最后再进行权重的归一化；

最后通过networkx导出图的每条边和权重，用于Graph embedding模型的训练。

9.基于深度神经网络与图网络的核心用户挖掘系统，其特征是，包括：

采集单元，采集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并传输至服务器；

所述服务器被配置为：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；

显示单元，从服务器中提取某款游戏的核心玩家，并将核心玩家的基本信息进行显示；

建立有向图的具体过程为，根据所有训练序列建立有向图，在每个用户按照时间顺序使用游戏的时间序列中，对于同一用户名，当从一个游戏跳转到下一个游戏中时，两个游戏在图中建立一条边，或权重增加1，最后再进行权重的归一化；

最后通过networkx导出图的每条边和权重，用于Graph embedding模型的训练。