[发明专利]一种游戏用户行为数据挖掘方法及系统

权利要求书

1.一种游戏用户行为数据挖掘方法，其特征在于，所述方法包括：

获取游戏用户行为数据；

将所述用户行为数据拆分为用户游戏时的动作子序列和用户登录时间子序列；

将两个子序列进行嵌入操作，得到预设维度的用户行为序列和相应的行为类型；所述用户行为序列包括游戏动作序列和登录时间序列；

对所述用户行为序列进行训练，得到游戏动作embedding后的特征向量和登录时间特征矩阵；

对游戏动作特征向量和登录时间特征矩阵进行训练，得到游戏动作序列编码向量和登录时间序列编码向量；

将所述游戏动作序列编码向量和登录时间序列编码向量进行特征拼接，并输入深度神经网络DNN中进行学习；

利用学习的深度神经网络DNN中进行游戏用户行为的预测。

2.如权利要求1所述的方法，其特征在于，所述对所述用户行为序列进行训练，得到游戏动作embedding后的特征向量和登录时间特征矩阵，包括：

对用户游戏的动作子序列进行编码，通过embedding层得到把动作子序列向量化的到长度为n的特征向量；

对用户的历史登录数据按照时间窗口拆分为若干个等长度的子序列，并构建形成预定的登录时间特征矩阵。

3.如权利要求1所述的方法，其特征在于，所述对游戏动作特征向量和登录时间特征矩阵进行训练，得到游戏动作序列编码向量和登录时间序列编码向量，包括：

将游戏动作特征向量输入Bi-LSTM网络，得到游戏动作序列编码向量；

将登录时间特征矩阵输入LSTM网络，得到登录时间序列编码向量。

4.如权利要求1所述的方法，其特征在于，所述将所述游戏动作序列编码向量和登录时间序列编码向量进行特征拼接，并输入深度神经网络DNN中进行学习，包括：

将所述游戏动作序列编码向量和登录时间序列编码向量进行特征拼接，输入深度神经网络DNN中进行学习，经过多层网络最后经过softmax分类器，以计算用户类型分类的概率。

5.一种游戏用户行为数据挖掘系统，其特征在于，所述系统包括：

游戏数据预处理模块，用于获取游戏用户行为数据；还用于将所述用户行为数据拆分为用户游戏时的动作子序列和用户登录时间子序列；还用于将两个子序列进行嵌入操作，得到预设维度的用户行为序列和相应的行为类型；所述用户行为序列包括游戏动作序列和登录时间序列；

第一训练模块，用于对所述用户行为序列进行训练，得到游戏动作embedding后的特征向量和登录时间特征矩阵；

第二训练模块，用于对游戏动作特征向量和登录时间特征矩阵进行训练，得到游戏动作序列编码向量和登录时间序列编码向量；

深度学习模块，用于将所述游戏动作序列编码向量和登录时间序列编码向量进行特征拼接，并输入深度神经网络DNN中进行学习；

预测模块，用于利用学习的深度神经网络DNN中进行游戏用户行为的预测。

6.如权利要求5所述的系统，其特征在于，所述第一训练模块，具体用于：

对用户游戏的动作子序列进行编码，通过embedding层得到把动作子序列向量化的到长度为n的特征向量；

对用户的历史登录数据按照时间窗口拆分为若干个等长度的子序列，并构建形成预定的登录时间特征矩阵。

7.如权利要求5所述的系统，其特征在于，所述第二训练模块，具体用于：

将游戏动作特征向量输入Bi-LSTM网络，得到游戏动作序列编码向量；

将登录时间特征矩阵输入LSTM网络，得到登录时间序列编码向量。

8.如权利要求5所述的系统，其特征在于，所述深度学习模块，具体用于：

将所述游戏动作序列编码向量和登录时间序列编码向量进行特征拼接，输入深度神经网络DNN中进行学习，经过多层网络最后经过softmax分类器，以计算用户类型分类的概率。