游戏战队推荐模型的训练方法和相关装置制造方法及图纸

本申请公开一种游戏战队推荐模型的训练方法和相关装置，获取样本游戏关系图、样本对象和样本游戏战队的特征数据。根据上述三种数据进行对比学习，在对比学习过程中，根据样本游戏关系图对特征数据进行数据增广得到特征数据的第一增广特征和第二增广特征。对同一特征数据的第一增广特征和第二增广特征进行特征处理，得到样本对象的第一特征向量或样本游戏战队的第二特征向量。根据样本对象的第一特征向量和样本游戏战队的第二特征向量进行向量检索得到预测游戏战队推荐结果，进而根据预测游戏战队推荐结果和历史曝光游戏战队之间的差距，以及对比学习过程，对初始网络模型进行训练得到游戏推荐模型。提高了游戏战队推荐模型的模型性能。模型的模型性能。模型的模型性能。

【技术实现步骤摘要】
游戏战队推荐模型的训练方法和相关装置


[0001]本申请涉及互联网
，特别是涉及一种游戏战队推荐模型的训练方法和相关装置。

技术介绍

[0002]网络游戏作为一种基于网络平台的多人联网互动游戏，成为了时下人们在娱乐闲暇时间的一大消遣。其中，时下大部分网络游戏均支持用户（又称之为玩家）进行组队，即一定数量的玩家可组成一个游戏战队。对于一个游戏战队内的各个玩家来说可一起组队做任务、互送礼物或相互聊天等，从而使得这些玩家不仅能够获得游戏道具或积分，体验游戏乐趣，而且还能够增长竞技能力。
[0003]为了便于玩家选择加入自己感兴趣的游戏战队，可以向玩家推荐游戏战队。目前，可以通过基于图神经网络（Graph Neural Network，GNN）的对比学习进行游戏战队推荐，对于目前基于图神经网络的对比学习推荐系统而言，数据增广是图对比学习的重要步骤，目前GNN采用剪切边、增加边、抽取中心网络（ego）子图等方法在全局图上实现数据增广。
[0004]然而在真实的业务场景中，图中的节点数目十分庞大，采用这种数据增广方式十分耗时，并不适用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种游戏战队推荐模型的训练方法，其特征在于，所述方法包括：获取样本游戏关系图，所述样本游戏关系图用于描述样本对象之间的游戏关系，以及用于描述样本对象与样本游戏战队之间的所属关系；获取所述样本对象的特征数据和所述样本游戏战队的特征数据；根据所述样本游戏关系图、所述样本对象的特征数据和所述样本游戏战队的特征数据进行对比学习，在对比学习过程中针对每个特征数据，根据所述样本游戏关系图对所述特征数据进行数据增广，通过初始网络模型的嵌入层得到所述特征数据的第一增广特征和第二增广特征；对所述样本对象的特征数据的第一增广特征和第二增广特征进行特征处理，得到所述样本对象的第一特征向量，以及根据所述样本游戏战队的特征数据的第一增广特征和第二增广特征进行特征处理，得到所述样本游戏战队的第二特征向量；针对每个样本对象，根据所述样本对象的第一特征向量和所述样本游戏战队的第二特征向量，通过所述初始网络模型的召回层进行向量检索得到预测游戏战队推荐结果；根据所述样本对象的预测游戏战队推荐结果和历史曝光游戏战队之间的差距，以及所述对比学习过程，对所述初始网络模型进行训练得到游戏战队推荐模型。2.根据权利要求1所述的方法，其特征在于，所述初始网络模型的嵌入层包括图神经网络，所述根据所述样本游戏关系图对所述特征数据进行数据增广，通过初始网络模型的嵌入层得到所述特征数据的第一增广特征和第二增广特征，包括：根据所述样本游戏关系图，利用所述图神经网络对所述特征数据进行数据增广，得到所述特征数据的第一增广特征和第二增广特征，所述第一增广特征和所述第二增广特征不相同。3.根据权利要求2所述的方法，其特征在于，所述样本游戏关系图包括节点和边，节点用于表示样本对象和样本游戏战队，边用于表示样本对象之间的游戏关系，以及用于表示样本对象与样本游戏战队之间的所属关系，所述根据所述样本游戏关系图，利用所述图神经网络对所述特征数据进行数据增广，得到所述特征数据的第一增广特征和第二增广特征，包括：确定所述特征数据所属的样本对象在所述样本游戏关系图中对应的第一节点；根据所述第一节点所连接的边，在所述样本游戏关系图中查找所述第一节点的邻域节点；利用所述图神经网络，将所述第一节点所表示的样本对象的特征数据与所述邻域节点所表示的样本对象的特征数据进行聚合，得到对应的第一增广特征和第二增广特征。4.根据权利要求1所述的方法，其特征在于，所述根据所述样本对象的预测游戏战队推荐结果和历史曝光游戏战队之间的差距，以及所述对比学习过程，对所述初始网络模型进行训练得到游戏战队推荐模型，包括：根据所述样本对象的预测游戏战队推荐结果和历史曝光游戏战队之间的差距构建主任务损失函数；根据所述特征数据的第一增广特征和第二增广特征构建对比学习损失函数；根据所述主任务损失函数和所述对比学习损失函数构建目标损失函数；根据所述目标损失函数对所述初始网络模型的模型参数进行优化，得到所述游戏战队
推荐模型。5.根据权利要求4所述的方法，其特征在于，所述根据所述样本对象的预测游戏战队推荐结果和历史曝光游戏战队之间的差距构建主任务损失函数，包括：确定所述样本对象的历史曝光游戏战队所属的曝光类型；根据所述曝光类型确定历史曝光游戏战队的损失权值；根据所述样本对象的预测游戏战队推荐结果和历史曝光游戏战队之间的差距，以及对应的历史曝光游戏战队的损失权值，构建所述主任务损失函数。6.根据权利要求1
‑
5任一项所述的方法，其特征在于，所述样本对象的特征数据包括所述样本对象的对象画像特征或所述样本对象的多模态特征，所述样本对象的多模态特征包括所述样本对象的对象画像特征、所述样本对象的文本特征、所述样本对象的图像特征中至少两种；所述样本游戏战队的特征数据包括所述样本游戏战队的游戏战队画像特征或所述样本游戏战队的多模态特征，所述样本游戏战队的多模态特征包括所述样本游戏战队的游戏战队画像特征、所述样本游戏战队的文本特征、所述样本游戏战队的图像特征中至少两种。7.根据权利要求1
‑
5任一项所述的方法，其特征在于，所述样本游戏关系图为对局关系图或社交网络图。8.根据权利要求1
‑
5任一项所述的方法，其特征在于，所述方法还包括：获取第i天得到的训练样本数据，以及获取第i
‑
1天训练得到的游戏战队推荐模型，i为大于1的正整数；利用所述第i天得到的训练样本数据对所述i
‑
1天训练得到的游戏战队推荐模型进行训练，得到更新后的游戏战队推荐模型。9.根据权利要求1
‑
5任一项所述的方法，其特征在于，所述方法还包括：获取待处理游戏关系图，所述待处理游戏关系图用于描述待处理对象之间的游戏关系，以及用于描述待处理对象与待推荐游戏战队之间的所属关系；获取所述待处理对象的特征数据和所述待推荐游戏战队的特征数据；根据所述待处理游戏关系图、所述待处理对象的特征数据和所述待推荐游戏战队的特征数据，通过所述游戏战队推荐模型输出所述待处理对象对应的候选游戏战队；对所述待处理对象对应的候选游戏战队进行排序得到所述待处理对象的游戏战队推荐结果。10.一种游戏战队推荐模型的训练方法，其特征在于，所述方法包括：获取样本对象的多模态特征和样本游戏战队的多模态特征，所述多模态特征为不同...

【专利技术属性】
技术研发人员：徐树良，林文清，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：