礼包推荐方法、装置、存储介质及电子设备与流

本公开总体上涉及计算机，更具体地涉及一种礼包推荐方法、装置、计算机程序产品、非暂时性计算机可读存储介质及电子设备。背景技术：1、本部分旨在介绍本领域的一些方面，其可以与下面描述的和/或要求保护的本公开的各个方面相关。相信本部分有助于提供背景信息以便于更好地理解本公开的各个方面。因此，应该理解的是这些陈述应该从这个角度来理解，而不是作为对现有技术的承认。2、在游戏运营中，通常会利用多种游戏道具形成游戏礼包并且推荐给玩家，以充分满足玩家对游戏道具的购买需求。已知的礼包推荐方式包括基于热度的礼包推荐、基于规则的礼包推荐和基于机器学习模型的礼包推荐等方法。3、基于热度的礼包推荐是指根据礼包的流行程度和用户偏好，推荐热门礼包给用户。常见的方法包括基于用户点击率、购买率等指标进行排名推荐。基于规则的礼包推荐是指游戏运营人员根据一定的规则和经验，手动配置礼包推荐策略。常见的方法例如是运营人员根据游戏特点和玩家偏好，设计各种类型的礼包活动，如节日礼包、新手礼包等。基于机器学习模型的礼包推荐是指利用机器学习模型对用户的行为数据和道具属性进行建模，以预测用户是否购买特定礼包。常见的分类模型包括逻辑回归、支持向量机、随机森林等。4、上述已知的礼包推荐方法均存在一定的不足。基于热度的礼包推荐存在缺乏个性化(仅仅推荐热门礼包可能无法满足所有用户的个性化需求，对于一部分用户来说，推荐的热门礼包可能并不符合其兴趣)、推荐结果缺乏多样性(过于依赖热门程度的推荐策略可能导致推荐结果缺乏多样性，用户体验不佳)和动态性差(热门礼包的定义可能是静态的，无法灵活地适应用户的兴趣变化和游戏环境的变化)等不足。基于规则的礼包推荐存在主观性强(运营人员的推荐决策往往基于主观经验和个人喜好，缺乏客观的数据支撑，可能导致推荐结果不准确)、效率低下(手动配置礼包推荐规则需要耗费大量的人力和时间成本，且可能存在配置错误或不完善的情况)和个性化程度低(基于规则的推荐方法通常无法充分考虑到用户的个性化需求，推荐结果缺乏针对性)等不足。基于机器学习模型的礼包推荐存在数据稀疏性和不平衡性(由于用户购买行为的稀疏和不平衡性，模型训练困难，可能导致预测结果不准确)和模型泛化能力差(模型在面对新的游戏场景或用户群体时，泛化能力有限，可能无法有效预测用户的购买行为)等不足。5、因此，有必要提出一种新的技术方案，以减轻或者解决上述至少一个技术问题。技术实现思路1、本公开的目的在于提供一种礼包推荐方法、装置、计算机程序产品、非暂时性计算机可读存储介质及电子设备，以克服数据稀疏性和不平衡性、提高模型的泛化能力，从而实现更加精准和个性化的礼包推荐。2、根据本公开的第一方面，提供了一种礼包推荐方法，包括：获取目标用户的用户描述数据；将所述目标用户的用户描述数据输入预先训练的机器学习模型，得到相应的输出向量，其中，所述输出向量具有至少两个维度，每个所述维度对应于一种道具，每个所述维度的数值大小代表相应道具的购买概率大小；根据所述输出向量，确定用于推荐给所述目标用户的目标礼包，其中，所述目标礼包具有至少两种道具。3、根据本公开的第二方面，提供了一种礼包推荐装置，包括：描述数据获取模块，用于获取目标用户的用户描述数据；购买概率预测模块，用于将所述目标用户的用户描述数据输入预先训练的机器学习模型，得到相应的输出向量，其中，所述输出向量具有至少两个维度，每个所述维度对应于一种道具，每个所述维度的数值大小代表相应道具的购买概率大小；礼包推荐模块，用于根据所述输出向量，确定用于推荐给所述目标用户的目标礼包，其中，所述目标礼包具有至少两种道具。4、根据本公开的第三方面，提供了一种计算机程序产品，包括程序代码指令，当所述程序产品由计算机执行时，所述程序代码指令使所述计算机执行根据本公开的第一方面所述的方法。5、根据本公开的第四方面，提供了一种存储有计算机指令的非暂时性计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据本公开的第一方面所述的方法。6、根据本公开的第五方面，提供了一种电子设备，包括：处理器，与所述处理器进行电子通信的存储器；以及指令，所述指令存储在所述存储器中并且可由所述处理器执行以使所述电子设备执行根据本公开的第一方面所述的方法。7、在本公开的实施例中，基于多标签分类方法，将礼包中的每个道具作为预测标签，能够更好地捕捉礼包中道具之间的关联性和多样性，提高了模型的泛化能力。由于礼包一般由道具排列组合形成，道具的总数通常小于排列组成形成的礼包总数，从道具的角度出发构建多标签分类模型，可以有效缓解数据的稀疏性和不平衡性。因此，本公开提供的方法能够实现更加精准和个性化的礼包推荐。8、应当理解，本部分所描述的内容并不旨在标识所要求保护的技术实现要素：的关键或必要特征，也不旨在单独地用于确定所要求保护的发明内容的范围。技术特征：1.一种礼包推荐方法，包括：2.根据权利要求1所述的方法，其中，所述机器学习模型为多标签分类模型。3.根据权利要求1所述的方法，其中，所述根据所述输出向量，确定用于推荐给所述目标用户的目标礼包，包括：4.根据权利要求1所述的方法，其中，所述根据所述输出向量，确定用于推荐给所述目标用户的目标礼包，包括：5.根据权利要求1所述的方法，其中，所述用户描述数据包括终端事件数据和特征标签数据中的至少一种。6.根据权利要求1-5中任一项所述的方法，其中，所述机器学习模型通过以下方式训练：7.根据权利要求6所述的方法，其中，所述样本用户描述数据为样本终端事件序列，所述样本终端事件序列包括按照时间顺序排列的至少两个事件；以及8.一种礼包推荐装置，包括：9.一种计算机程序产品，包括程序代码指令，当所述程序产品由计算机执行时，所述程序代码指令使所述计算机执行权利要求1-8中的至少一项所述的方法。10.一种存储有计算机指令的非暂时性计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中的至少一项所述的方法。11.一种电子设备，包括：技术总结本公开提供了一种礼包推荐方法、装置、计算机程序产品、非暂时性计算机可读存储介质及电子设备。该方法包括：获取目标用户的用户描述数据；将目标用户的用户描述数据输入预先训练的机器学习模型，得到相应的输出向量，其中，输出向量具有至少两个维度，每个维度对应于一种道具，每个维度的数值大小代表相应道具的购买概率大小；根据输出向量，确定用于推荐给目标用户的目标礼包，其中，目标礼包具有至少两种道具。本公开的实施例能够自动能够实现更加精准和个性化的礼包推荐。技术研发人员：洪升平受保护的技术使用者：上海幻电信息科技有限公司技术研发日：技术公布日：2024/7/9