一种游戏商品推荐方法、装置、电子设备及存储介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种游戏商品推荐方法、装置、电子设备及存储介质。


背景技术：

2.电子游戏是一直以来深受年轻人喜爱的娱乐项目。随着计算机技术的不断发展，近年来电子游戏的设计和制作也取得了长足进步，诸多新技术在其中得以应用。一些电子游戏能够通过内容营造一个虚拟世界，其中不仅包括虚拟的游戏角色，还包括各种各样的游戏商品。玩家可以为游戏角色选购各类商品，此过程与现实世界中的购物类似。
3.也就是说，根据游戏角色的不同特性，乃至玩家本人的不同喜好，可以选购不同类型的游戏商品。而在一些较大型的游戏当中，游戏商品种类繁多，游戏商品的特性也非常复杂；因此针对游戏角色选购恰当的游戏商品，往往是十分困难的，通常需要玩家投入大量的精力研究游戏机制和相关知识；这导致新玩家或轻度玩家难以充分的体验游戏乐趣。


技术实现要素：

4.有鉴于此，本技术实施例提供了一种游戏商品推荐方法、装置、电子设备及存储介质，基于人工智能技术实现对于游戏商品的推荐；以避免现有技术中无法准确为玩家推荐游戏商品的问题。
5.本技术实施例的第一方面，提供了一种游戏商品推荐方法，方法应用于计算机，方法包括：
6.确定当前角色信息；
7.根据当前角色信息确定购买意向信息；
8.将当前角色信息和购买意向信息输入预先建立的推荐模型，以使推荐模型输出推荐商品信息。
9.本技术实施例的第二方面，提供了一种游戏商品推荐装置，装置置于计算机，装置包括：
10.信息确定模块，用于确定当前角色信息；根据当前角色信息确定购买意向信息；
11.预测推荐模块，用于将当前角色信息和购买意向信息输入预先建立的推荐模型，以使推荐模型输出推荐商品信息。
12.本技术实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
13.本技术实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
14.本技术实施例与现有技术相比存在的有益效果是：确定当前角色信息和购买意向信息，并利用基于人工智能技术的推荐模型实现游戏商品的推荐；推荐模型基于人工智能
算法，可以充分的分析在游戏环境下当前角色与各种游戏商品的适配关系，从而实现针对不同特性、不同需求的游戏角色，在多优化的游戏商品和复杂的游戏机制当中完成游戏商品推荐。
附图说明
15.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术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它的附图。
16.图1是本技术实施例提供的一种游戏商品推荐方法的流程示意图；
17.图2是本技术实施例提供的一种游戏商品推荐方法中建立推荐模型的流程示意图；
18.图3是本技术实施例提供的一种游戏商品推荐装置的结构示意图；
19.图4是本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
20.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
21.一些类型的电子游戏，如角色扮演类电子游戏(role-playing game，简称rpg游戏)，能够通过游戏内容营造一个虚拟世界。该虚拟世界中不仅包括虚拟的游戏角色，还包括各种各样的游戏商品。玩家可以为游戏角色选购各类商品，此过程与现实世界中的购物类似。
22.其中，所谓的游戏角色往往会具有不同的特性，并具有各种属性以及属性参数。所谓属性例如，等级、职业、身份、攻击力、防御力、技能等等。换言之，游戏角色也类似于现实世界中的人物，各有不同特性特点，亦具有不同的喜好和需求。
23.而游戏商品，则是游戏中可交易的各类物品道具；例如武器装备、食品药品、外观皮肤、坐骑宠物等等。在较大型的电子游戏中，游戏商品同样种类繁多，作用和特性也非常复杂。
24.也就是说，根据游戏角色的不同特性，乃至玩家本人的不同喜好，可以选购不同类型的游戏商品。在游戏机制的作用下，不同游戏角色搭配不同游戏商品，可以产生不同的效果和作用，由此进一步的向玩家提供丰富且趣味性的游戏体验。
25.在一些情况下，游戏角色和游戏商品的搭配组合纷繁复杂。也因此，玩家针对游戏角色选购恰当的游戏商品，往往是十分困难的。通常需要玩家投入大量的精力研究游戏机制和相关知识，方可实现合理的选购。这导致新玩家或轻度玩家难以充分的体验游戏乐趣。在另一些情况下，电子游戏随着版本迭代往往会推出大量新的游戏商品。这导致即便资深玩家也需要重新进行研究和试验，难以在第一时间获得优质的游戏体验。
26.在现有技术中，向玩家推荐游戏商品的解决方案，往往是基于某些简单且固定的
逻辑，从而实现最基本的推荐功能。即此类推荐功能的分析维度单一，其作用相当于“新手教学”。随着玩家一定程度熟悉游戏内容，该推荐功能便会很快失去参考价值。
27.也就是说，现有技术中缺少一种更加智能化的游戏商品推荐方法，能够针对不同玩家、不同游戏角色充分分析需求，并做出更具针对性的进行推荐，辅助玩家更为深入的挖掘游戏机制，从而获得更好的游戏体验。
28.鉴于以上现有技术中的问题，本技术实施例提供一种游戏商品推荐方法。该方法利用基于人工智能技术的推荐模型实现游戏商品的推荐；结合人工智能技术，可以更为充分的、多维度的分析游戏角色的特点和需求，从而实现更加智能化的游戏商品推荐；由此通过游戏商品的选购，为游戏角色带来更大程度的增益和加强。
29.下面将结合附图详细说明根据本技术实施例的一种游戏商品推荐方法。
30.在本技术涉及的应用场景当中，该游戏商品推荐方法将应用于计算机。该计算机可以指实际运载电子游戏的终端计算机，如个人计算机(pc)或play station、xbox等电子游戏机；亦可以是提供线上游戏服务的网络服务器。本技术中对此不做限定。
31.在该方法应用于终端计算机的情况下，可以认为该方法能够在终端计算机本地独立实施。也就是说，该方法中相关的人工智能计算模型(推荐模型)可以预先装载到终端计算机当中，利用终端计算机本身提供算力来完成运算，从而时限游戏商品的推荐。在一些情况下，该方法将在游戏环境下实施；例如该方法可以在游戏运行环境中通过外部程序实现；或者可以将该方法集成为游戏程序本身的一部分，即依靠游戏程序实施。在另一些情况下，该方法也可在游戏运行环境之外独立实施，即将该方法封装成为一个用于辅助游戏的独立程序。
32.在该方法应用于网络服务器的情况下(例如在一些线上网络游戏的场景下)，则意味着人工智能计算模型(推荐模型)将装载到网络服务器上，相关运算亦通过网络服务器完成。实际运载电子游戏的终端计算机可通过网络与网络服务器进行通信，将运算涉及的各类相关信息上传至网络服务器，并接收网络服务器的运算结果。
33.该网络服务器可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本技术实施例对此不作限制。
34.终端计算机和网络服务器之间进行通信的网络可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，本技术实施例对此不作限制。
35.需要说明的是，终端计算机、网络服务器以及网络的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本技术实施例对此不作限制。
36.图1是本技术实施例提供的一种游戏商品推荐方法的流程示意图。图1所示的游戏商品推荐方法可以由计算机执行，即可终端计算机或网络服务器执行。如图1所示，该游戏商品推荐方法包括：
37.步骤s101、确定当前角色信息。
38.步骤s102、根据当前角色信息确定购买意向信息。
39.步骤s103、将当前角色信息和购买意向信息输入预先建立的推荐模型，以使推荐模型输出推荐商品信息。
40.在本实施例中，希望在游戏中进行游戏商品交易的游戏角色称为当前角色。在游
戏中，当前角色相关的各类信息可统称为当前角色信息。例如，当前角色信息可以包括当前角色的等级、职业、攻击力、防御力、移动速度、技能等各种信息。
41.相对的，游戏中的游戏商品主要也可分为两类。一类可称为属性商品；属性商品可以改变游戏角色的属性和能力；例如游戏中的武器装备、食品药品等。另一类可称为装饰商品；装饰商品并不改变游戏角色的属性和能力，而仅仅会改变游戏角色的外观；例如皮肤、饰品等等。从游戏机制的角度来说，选购属性商品更加注重游戏角色和商品的适配程度，从而尽可能提升游戏角色；而选购装饰商品主要取决于玩家的主观审美。
42.游戏中的各类游戏商品可能会对于角色设定相关限制条件。例如，某些武器装备需要游戏角色达到特定等级才可以使用；或者，某些武器装备只有特定职业的游戏角色才可以使用。另一些情况下，特定的游戏角色应当搭配特定的武器装备或道具，方可达到特定的游戏效果；若搭配不当也可能没有作用，甚至适得其反。可见为游戏角色选购商品，涉及到诸多因素。一定程度上，这一游戏角色和游戏商品的适配过程也属于游戏玩法机制的一部分。
43.因此，在进行游戏商品推荐过程中，应当根据当前角色信息确定购买意向信息。该购买意向信息可以指明当前角色(或者说控制当前角色的游戏玩家)对于游戏商品的需求。该“需求”可以相对宽泛指出其所需为属性商品或装饰商品；该“需求”亦可进一步具体的指出所需的具体类型，如武器、装备、消耗道具、皮肤、宠物坐骑等等。在另一些情况下，还可以通过购买意向信息指出购买商品的目的；如目的为提高攻击力、提高防御力、提高移动速度诸如此类。购买意向信息将作为后续推荐游戏商品的参考方向。本实施例中，将结合当前角色信息和购买意向信息，基于人工智能技术实现对于游戏商品的推荐；使得推荐的游戏商品即符合当前角色的客观条件，又能够满足当前角色的需求。
44.具体的，本实施例中将通过基于人工智能技术建立的推荐模型实现游戏商品的推荐。该推荐模型可以基于游戏中大量游戏角色的购买游戏商品的购买记录进行训练。因此该推荐模型可以通过人工智能技术学习得到其他游戏玩家(尤其是专业游戏玩家)对于游戏商品的选购经验，以及其他游戏玩家对于游戏角色和游戏商品适配方面的理解。在推荐过程中，可以将当前角色信息和购买意向信息输入该推荐模型，以使该推荐模型基于内置的人工智能算法进行运算，从而输出推荐商品信息。
45.还需要说明的是，在当前的某些电子游戏当中具有“装备推荐功能”。例如在游戏“王者荣耀”中便存在类似功能。但是本实施例中方法仍然与之存在明显的区别。“王者荣耀”中的类似功能并非利用基于人工智能技术的推荐模型运算得到，而是通过相对简单且固定逻辑机制得到；所以针对相似或相同的游戏角色，其推荐结果往往是趋同的。这也是因为“王者荣耀”等moba类型游戏(multiplayer online battle arena，即多人在线战术竞技游戏)，在装备选择上本身就具有趋同的特点。例如“王者荣耀”中的一个“辅助类”角色，通常只会选择一些具有“辅助功能”的装备，而很少会选择价格相对昂贵的“攻击类”装备。也因此，此类游戏在推荐装备时会较少考虑到游戏角色的“购买意向”，因为其“购买意向”一般也是趋同的。
46.但是在另一些规模更庞大的rpg游戏当中，类似角色对于游戏商品(即装备)的选择往往也并不趋同。并且，游戏角色基于游戏商品的选择，可以展现出截然不同的特性，并衍生出迥异的玩法。例如游戏“魔兽世界”、“艾尔登法环”、“怪物猎人”等游戏便具有类似的
特点。此类游戏中即便是类似的游戏角色，往往会根据自己的习惯和喜好而产生截然不同的“购买意向”。那么显然需要一种分析维度更丰富的推荐方法，方可满足此类游戏中的需求。本实施例中涉及的推荐模型，便是基于人工智能技术充分分析游戏中的各方面数据，并结合游戏角色自身独特的购买意向信息来完成推荐。
47.通过以上技术方案可知，本实施例中方法存在的有益效果是：确定当前角色信息和购买意向信息，并利用基于人工智能技术的推荐模型实现游戏商品的推荐；推荐模型基于人工智能算法，可以充分的分析在游戏环境下当前角色与各种游戏商品的适配关系，从而实现针对不同特性、不同需求的游戏角色，在多优化的游戏商品和复杂的游戏机制当中完成游戏商品推荐。
48.在一些实施例中，购买意向信息包括：意向商品的商品类型；商品类型包括，属性商品或装饰商品。
49.具体的，购买意向信息可以指明当前角色对于游戏商品的需求。如前述可知，商品类型可以包括属性商品或装饰商品。属性商品可以改变游戏角色的属性和能力；例如游戏中的武器装备、食品药品等。装饰商品并不改变游戏角色的属性和能力，而仅仅会改变游戏角色的外观；例如皮肤、饰品等等。而在后续的推荐过程中，针对属性商品或装饰商品的分析运算逻辑也有所不同。
50.由于属性商品改变游戏角色的属性和能力，所以购买属性商品需要基于属性商品本身的属性和当前角色适配性，从而使得属性商品能够对当前角色起到最大化的增益。例如某些rpg游戏中存在“战士”、“法师”等游戏职业，不同职业对于属性商品的需求并不相同；例如“刀”、“剑”、“铠甲”等类型的属性商品往往适配“战士”职业的游戏角色；而例如“法杖”、“法袍”等类型的属性商品则适配“法师”职业的游戏角色。此外，基于当前角色的其他各类属性，同类属性商品中的不同个体，对于当前角色的适配程度和增益程度还可以进一步的有所区分；具体情况取决于游戏机制，在此不赘述。总之，对于属性商品的推荐，重点在于针对适配程度和增益程度等维度进行分析，从而为当前角色进行推荐。
51.反之，装饰商品并不改变游戏角色的属性和能力，所以不存在所谓增益。选购装饰商品，本质上是取决于当前角色(玩家)的主观审美。因此在推荐装饰商品的时候，无需再考虑适配和增益等问题；而是需要根据当前角色的外貌特征、性别、身材等因素，或者根据当前角色过往选购装饰商品的记录，来分析其审美取向，从而准确的实现对于装饰商品的推荐。
52.在一些实施例中，还将涉及到上述推荐模型的建立及训练过程。如图2所示，建立推荐模型的过程具体可包括以下步骤：
53.步骤s201、建立样本集合。
54.步骤s202、建立初始模型，并利用样本集合对初始模型进行模型训练，以确定推荐模型。
55.在进行人工智能训练之前，首先需确定样本集合。样本集合中包括多个选购样本信息。选购样本信息将作为训练过程中的训练样本。本实施例中涉及的人工智能训练，优选的采用监督学习训练。在监督学习训练当中，各选购样本信息应当具有对应的标注信息。
56.在训练之前，还需要建立初始模型，即确定人工智能模型的模型结构，或者说确定其内置的具体人工智能算法。确定初始模型后，方可利用样本集合对初始模型进行训练。通
过训练可以进一步的确定初始模型中的各种模型参数，从而使得人工智能模型的预测能力进一步准确，性能达到要求。完成训练之后的初始模型即为该推荐模型。
57.在一些实施例中，选购样本信息包括：历史角色信息，和历史角色信息对应的历史意向；则选购样本信息对应的标注信息包括，历史意向对应的购买记录和商品属性信息。
58.具体的，应该认为一条选购样本信息，代表了在游戏中先前的一次游戏商品购买行为。此购买行为中涉及的游戏角色称为历史角色。历史角色信息，则是历史角色的相关信息。历史角色信息的具体内容可以和当前角色信息类似或一致。历史意向同样类似上述的购买意向信息，代表了此购买行为当中历史角色的需求。需要说明的是，历史意向可以在购买行为发生之前或发生时，由历史角色(的游戏玩家)进行设定；而在彼时未进行设定的情况下，亦可以在购买行为发生后，根据其实际选购的商品进行推定；例如，如果历史角色购买了某个武器，则可推定其历史意向是选购属性商品，或推定其历史意向为提升角色攻击力。
59.而标注信息，则代表了此购买行为的最终结果。标注信息可以包括购买记录和商品属性信息。购买记录体现了实际购买的游戏商品的名称。商品属性信息则是该实际购买的游戏商品的具体属性。通过对商品属性信息进行分析，可以在人工智能训练过程中使推荐模型学习到商品属性与角色属性之间的适配关系。另外在一些情况下，标注信息中还可携带历史角色对于此次购买行为的评价；即确定此次购买的游戏商品的适配程度，或者评价此次购买行为是否“正确”。对于属性商品而言，商品属性与角色属性之间的适配程度越高，则说明该购买行为越“正确”，即历史角色成功的选购得到了与其相匹配的商品。反之亦然。对于装饰商品而言，购买行为的评价则可视为对于装饰商品的外观效果的评价，也就是对于装饰商品“颜值”的评价。
60.在一些实施例中，利用样本集合对初始模型进行模型训练，以确定推荐模型包括：将历史角色信息和历史意向输入初始模型，以使初始模型输出预测推荐信息；根据预测推荐信息和标注信息，确定初始模型的预测成功率；当预测成功率不满足预设条件，调整初始模型的模型参数；当预测成功率满足预设条件，将调整模型参数后的初始模型作为推荐模型。
61.具体的，对于初始模型的训练过程为监督学习训练。基于初始模型仅确定了模型结构和内置的算法。但是人工智能模型中往往包括大量的模型参数，而初始模型中的模型参数未经过训练，因此初始模型上无法准确的实现预测功能。结合训练过程，可以确定各个模型参数的数值。
62.在一轮训练的过程中，可以将样本集合中大量的选购样本信息输入初始模型，以使初始模型做出推荐，即得到预测推荐信息。但是在训练尚未完成时，这一推荐可能是不准确的。对此可以将预测推荐信息与标注信息进行对照。即分析初始模型推荐的游戏商品是否与实际的购买行为相符合。如果相符合，则说明预测推荐信息正确，反之则说明预测推荐信息不正确。针对一轮训练，可以计算得到初始模型做出推荐的预测成功率。若预测成功率低于设定的标准值，即不满足预设条件，说明初始模型的推荐功能尚不满足要求，因此可以调整初始模型的模型参数。然后如此循环，重复进行多轮训练。直到预测成功率高于标准值，即满足预设条件，说明初始模型的推荐功能满足要求，训练完成。此时已经确定了模型参数的初始模型，即为推荐模型。
63.在一些实施例中，建立初始模型包括：基于预设的人工智能算法确定初始模型；人工智能算法包括，逻辑回归算法、决策树算法、支持向量机算法、随机森林算法或神经网络算法。
64.在当前的人工智能领域中，诸多算法均可实现基于过往的历史行为对未来进行预测。即符合本实施例中初始模型/推荐模型对于人工智能算法的要求。实际上，任何能够实现相同或类似效果的人工智能算法，均可结合在本技术整体技术方案中。在一些情况下，可以选择例如逻辑回归算法、决策树算法、支持向量机算法、随机森林算法或神经网络算法。在建立初始模型时，需预先确定具体算法，并基于算法确定具体的模型结构，从而完成初始模型的建立。
65.在一些实施例中，还包括：当存在新增商品，根据新增商品的商品属性信息对推荐模型进行更新。
66.随着游戏的版本更新，同上还会推出新的游戏商品，也就是新增商品。新增商品有着不同的商品属性。不过对于新增商品来说，推荐模型对其进行推荐的底层逻辑并不会改变。在存在新增商品的情况下，可以根据新增商品的商品属性信息对推荐模型进行更新，即将新增商品代入到推荐模型中，并进行进一步的人工智能训练。具体的训练方法可以如上述描述，亦可采用其他相关的训练方法，此处不做限定。在针对新增商品的训练完成之后，推荐模型则可针对新增商品进行推荐，使得推荐结果可以同步于游戏版本的更新。
67.如此一来，当游戏版本更新之后，玩家便可以在一定程度上避免对新增商品重新进行研究和试验，减少了试错成本，能够让玩家在第一时间获得优质的游戏体验。
68.上述所有可选技术方案，可以采用任意结合形成本技术的可选实施例，在此不再一一赘述。
69.下述为本技术装置实施例，可以用于执行本技术方法实施例。对于本技术装置实施例中未披露的细节，请参照本技术方法实施例。
70.图3是本技术实施例提供的一种导诊装置的示意图。如图3所示，该游戏商品推荐装置包括：
71.信息确定模块301，用于确定当前角色信息；根据当前角色信息确定购买意向信息。
72.预测推荐模块302，用于将当前角色信息和购买意向信息输入预先建立的推荐模型，以使推荐模型输出推荐商品信息。
73.在一些实施例中，还包括：
74.推荐模型确定模块，用于确定推荐模型。
75.推荐模型确定模块包括：
76.样本确定单元，用于建立样本集合；样本集合中包括多个选购样本信息，和各选购样本信息对应的标注信息；
77.模型训练单元，用于建立初始模型，并利用样本集合对初始模型进行模型训练，以确定推荐模型。
78.其中，选购样本信息包括：历史角色信息，和历史角色信息对应的历史意向；则选购样本信息对应的标注信息包括，历史意向对应的购买记录和商品属性信息。
79.模型训练单元包括：
80.成功率确定子单元，用于将历史角色信息和历史意向输入初始模型，以使初始模型输出预测推荐信息；根据预测推荐信息和标注信息，确定初始模型的预测成功率；
81.参数调整子单元，用于在预测成功率不满足预设条件时，调整初始模型的模型参数；或在预测成功率满足预设条件时，将调整模型参数后的初始模型作为推荐模型。
82.更新训练子单元，用于在存在新增商品时，根据新增商品的商品属性信息对推荐模型进行更新。
83.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
84.图4是本技术实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
85.电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者不同的部件。
86.处理器401可以是中央处理单元(central processing unit，cpu)，也可以是其它通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
87.存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。
88.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
89.集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机
程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
90.以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。

技术特征：
1.一种游戏商品推荐方法，其特征在于，所述方法应用于计算机，所述方法包括：确定当前角色信息；根据所述当前角色信息确定购买意向信息；将所述当前角色信息和所述购买意向信息输入预先建立的推荐模型，以使所述推荐模型输出推荐商品信息。2.根据权利要求1所述方法，其特征在于，还包括：建立样本集合；所述样本集合中包括多个选购样本信息，和各所述选购样本信息对应的标注信息；建立初始模型，并利用所述样本集合对所述初始模型进行模型训练，以确定所述推荐模型。3.根据权利要求2所述方法，其特征在于，所述选购样本信息包括：历史角色信息，和所述历史角色信息对应的历史意向；则所述选购样本信息对应的标注信息包括，所述历史意向对应的购买记录和商品属性信息。4.根据权利要求3所述方法，其特征在于，所述利用所述样本集合对所述初始模型进行模型训练，以确定所述推荐模型包括：将所述历史角色信息和所述历史意向输入所述初始模型，以使所述初始模型输出预测推荐信息；根据所述预测推荐信息和所述标注信息，确定所述初始模型的预测成功率；当所述预测成功率不满足预设条件，调整所述初始模型的模型参数；当所述预测成功率满足预设条件，将调整模型参数后的所述初始模型作为所述推荐模型。5.根据权利要求2～4任意一项所述方法，其特征在于，所述建立初始模型包括：基于预设的人工智能算法确定所述初始模型；所述人工智能算法包括，逻辑回归算法、决策树算法、支持向量机算法、随机森林算法或神经网络算法。6.根据权利要求2～4任意一项所述方法，其特征在于，还包括：当存在新增商品，根据所述新增商品的商品属性信息对所述推荐模型进行更新。7.根据权利要求1～4任意一项所述方法，其特征在于，所述购买意向信息包括：意向商品的商品类型；所述商品类型包括，属性商品或装饰商品。8.一种游戏商品推荐装置，其特征在于，所述装置置于计算机，所述装置包括：信息确定模块，用于确定当前角色信息；根据所述当前角色信息确定购买意向信息；预测推荐模块，用于将所述当前角色信息和所述购买意向信息输入预先建立的推荐模型，以使所述推荐模型输出推荐商品信息。9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。

技术总结
本申请提供了一种游戏商品推荐方法、装置、电子设备及存储介质，该方法包括：确定当前角色信息；根据当前角色信息确定购买意向信息；将当前角色信息和购买意向信息输入预先建立的推荐模型，以使推荐模型输出推荐商品信息；该方法确定当前角色信息和购买意向信息，并利用基于人工智能技术的推荐模型实现游戏商品的推荐；推荐模型基于人工智能算法，可以充分的分析在游戏环境下当前角色与各种游戏商品的适配关系，从而实现针对不同特性、不同需求的游戏角色，在多优化的游戏商品和复杂的游戏机制当中完成游戏商品推荐。游戏机制当中完成游戏商品推荐。游戏机制当中完成游戏商品推荐。


技术研发人员：李鹤 黄志松 周义 姚茜
受保护的技术使用者：清枫（北京）科技有限公司
技术研发日：2023.07.21
技术公布日：2023/10/7