游戏付费预测方法、模型训练方法及装置制造方法及图纸

本申请提供一种游戏付费预测方法、模型训练方法及装置，涉及数据预测技术领域。该方法包括：根据目标游戏的付费特征集合，采用第一决策树模型，得到目标游戏的第一预测付费特征；根据付费特征集合和第一预测付费特征，采用循环神经网络模型，得到目标游戏的第二预测付费特征；其中，预设循环神经网络模型用于确定付费特征集合和第一预测付费特征中，各类特征的局部特征注意力权重，并根据付费特征集合、第一预测付费特征和各类特征的局部特征注意力权重、得到第二预测付费特征；对第一预测付费特征和第二预测付费特征进行加权计算，得到目标游戏的付费预测结果。相对于现有技术，避免了模型构建的比较简单，导致预测不准确的问题。

【技术实现步骤摘要】
游戏付费预测方法、模型训练方法及装置
本申请涉及数据预测
，具体而言，涉及一种游戏付费预测方法、模型训练方法及装置。
技术介绍
机器学习在日常生产生活中有很多应用，其中之一就是预测时间序列。比如特定日期的促销活动，商家如何提前预测销量以安排采购仓储，促销定价，优化配送方案。城市路网中如何预测特定时刻的车流量来合理规划交通等。这些实际场景中都需要使用人工智能的方法依据历史时间的数据去预测未来的数据变化。现有技术中可通过预设模型对未来一段时间每天的游戏付费情况进行预测，并将预测结果提供给决策层，以此为游戏的后期运营提供帮助。但是现有技术中，进行游戏付费预测的模型构建的比较简单，各历史特征之间没有差别，所以导致游戏付费预测的结果不准确的问题。
技术实现思路
本申请的目的在于，针对上述现有技术中的不足，提供一种游戏付费预测方法、模型训练方法及装置，以解决现有技术中模型构建的比较简单，导致预测不准确的问题。为实现上述目的，本申请实施例采用的技术方案如下：第一方面，本申请一实施例提供了一种游本文档来自技高网...

【技术保护点】
1.一种游戏付费预测方法，其特征在于，应用于付费预测模型，所述付费预测模型包括：第一决策树模型和预设循环神经网络模型；所述方法包括：/n根据目标游戏的付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第一预测付费特征；/n根据所述付费特征集合和所述第一预测付费特征，采用所述循环神经网络模型，得到所述目标游戏的第二预测付费特征；其中，所述预设循环神经网络模型用于确定所述付费特征集合和所述第一预测付费特征中，各类特征的局部特征注意力权重，并根据所述付费特征集合、所述第一预测付费特征和所述各类特征的局部特征注意力权重，得到所述第二预测付费特征；/n对所述第一预测付费特征和所述第二预测付费特征进...

【技术特征摘要】
1.一种游戏付费预测方法，其特征在于，应用于付费预测模型，所述付费预测模型包括：第一决策树模型和预设循环神经网络模型；所述方法包括：
根据目标游戏的付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第一预测付费特征；
根据所述付费特征集合和所述第一预测付费特征，采用所述循环神经网络模型，得到所述目标游戏的第二预测付费特征；其中，所述预设循环神经网络模型用于确定所述付费特征集合和所述第一预测付费特征中，各类特征的局部特征注意力权重，并根据所述付费特征集合、所述第一预测付费特征和所述各类特征的局部特征注意力权重，得到所述第二预测付费特征；
对所述第一预测付费特征和所述第二预测付费特征进行加权计算，得到所述目标游戏的付费预测结果。


2.如权利要求1所述的方法，其特征在于，所述付费特征集合包括：至少一种类型的付费特征；
所述各类特征的局部特征注意力权重包括：所述至少一种类型的付费特征的局部特征注意力权重，以及，所述第一预测付费特征的局部特征注意力权重。


3.如权利要求1所述的方法，其特征在于，所述付费特征集合中包括下述至少一种特征：历史付费特征、未来时间内的预期付费特征、趋势特征。


4.如权利要求1所述的方法，其特征在于，所述根据目标游戏的付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第一预测付费特征之前，所述方法还包括：
将所述付费特征集合中的各付费特征，按照时间进行排序，得到多个时间信息对应的特征序列，每个时间信息对应的特征序列包括：至少一个付费特征，每个付费特征对应一种特征类型；
所述付费特征集合包括：所述多个时间信息对应的特征序列。


5.如权利要求4所述的方法，其特征在于，所述方法还包括：
所述循环神经网络模型用于根据所述付费特征集合、所述第一预测付费特征、所述各类特征的局部特征注意力权重以及所述每个时间信息对应的特征序列的全局时间注意力权重，得到所述第二预测付费特征。


6.如权利要求1所述的方法，其特征在于，所述付费预测模型包括：第二决策树模型，所述根据所述付费特征集合和所述第一预测付费特征，采用所述循环神经网络模型，包括：
根据所述付费特征集合和所述第一预测付费特征，采用所述第二决策树模型，得到所述目标游戏的第三预测付费特征；
根据所述付费特征集合和所述第三预测付费特征，采用所述循环神经网络模型，得到所述第二预测付费特征；
所述对所述第一预测付费特征和所述第二预测付费特征进行加权计算，得到所述目标游戏的付费预测结果，包括：
对所述第一预测付费特征、所述第二预测付费特征和所述第三预测付费特征进行加权计算，得到所述目标游戏的付费预测结果。


7.如权利要求1所述的方法，其特征在于，所述第二预测付费特征包括：至少一个预测时间步长对应的预测付费特征；
所述对所述第一预测付费特征和所述第二预测付费特征进行加权计算，得到所述目标游戏的付费预测结果，包括：
对所述第一预测付费特征和每个预测时间步长对应的预测付费特征进行加权计算，得到所述每个预测时间步长对应的付费预测结果。


8.一种付费预测模型的训练方法，其特征在于，所述付费预测模型包括：第一决策树模型和预设循环神经网络模型，所述模型的训练方法包括：
根据目标游戏的训练付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第四预测付费特征；
根据所述目标游戏的验证付费特征集合和所述第四预测付费特征，对所述第一决策树的参数进行优化；
根据优化后的所述第一决策树输出的预测付费特征，和所述训练付费特征集合，采用所述循环神经网络模型，得到所述目标游戏的第五预测付费特征；
根据所述验证付费特征集合和所述第五预测付费特征，对所述循环神经网络模型的参数进行优化；
对优化后的第一决策树输出的预测付费特征和优化后的循环神经网络模型输出的预测付费特征进行加权计算。


9.如权利要求8所述的方法，其特征在于，所述训练付费特征集合包括：至少一种类型的训练付费特征；
各类特征的局部特征注意力权重包括：所述至少一种类型的训练付费特征的局部特征注意力权重，以及，所述第四预测付费特征的局部特征注意力权重。


10.如权利要求8所述的方法，其特征在于，所述根据目标游戏的训练付费特征集合，采用所述第一决策树模型，得到所述目标游戏的第四预测付费特征之前，所述方法还包括：
将所述训练付费特征集合中的各训练付费特征，按照时间进行排序，得到多个时间信息对应的训练特征序列，每个时间信息对应的训练特征序列包括：至少一个训练付费特征，每个训练付费特征对应一种特征类型；
所述训练付费特征集合包括：所述多...

【专利技术属性】
技术研发人员：张建，鲁硕，
申请(专利权)人：网易杭州网络有限公司，
类型：发明
国别省市：浙江;33