(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 20221049746 5.7 (22)申请日 2022.05.09 (65)同一申请的已公布的文献号 申请公布号 CN 114588633 A (43)申请公布日 2022.06.07 (73)专利权人 深圳尚米网络技 术有限公司 地址 518100 广东省深圳市宝安区新 安街 道兴东社区69区洪浪北二路26号信义 领御研发中心8栋190 5 (72)发明人 黄新通　 (74)专利代理 机构 北京智丞瀚方知识产权代理 有限公司 1 1810 专利代理师 白月霞 (51)Int.Cl. A63F 13/60(2014.01) A63F 13/79(2014.01)G06F 16/9535(2019.01) G06V 10/20(2022.01) G06V 10/46(2022.01) G06V 10/50(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (56)对比文件 CN 111143697 A,2020.0 5.12 CN 111209490 A,2020.0 5.29 WO 2020157 777 A2,2020.08.0 6 CN 114241264 A,202 2.03.25 审查员 饶梦莎 (54)发明名称 一种内容推荐方法 (57)摘要 一种内容推荐 方法， 用于根据 游戏画面进行 游戏内容推荐以提升内容推荐准确率， 通过对用 户在游戏内的操作画面获取用户偏好数据进行 游戏应用推荐， 并将根据游戏画面偏好的推荐结 果与基于相似用户的推荐结合， 弥补了单一推荐 方法带来的偏差， 提升 了内容推荐的准确性。 权利要求书3页 说明书6页 附图1页 CN 114588633 B 2022.10.04 CN 114588633 B 1.一种内容推荐方法， 其特 征在于， 所述方法包括以下步骤： 步骤1、 对服务器收集到的目标用户的游戏画面数据进行图像预处理， 对预处理后的图 像进行特征值提取， 并将提取到的画面特 征值数据存 储至用户数据库中； 步骤2、 从用户数据库中提取 预设时间范围内的画面特 征值数据， 得到画面特 征集合； 步骤3、 将所述画面特征集合输入预先训练的聚类模型中得到画面分类结果及聚类指 标， 并组合得到目标用户画面偏好特 征； 步骤4、 根据目标用户画面偏好特征从游戏数据库中筛选具有相似特征的游戏id作为 第一内容推荐结果； 步骤5、 根据目标用户画像数据在用户数据库中匹配相似用户群， 获取相似用户群的历 史游戏id， 剔除目标用户的历史游戏id后作为第二内容推荐结果； 步骤6、 根据第 一内容推荐结果与第 二内容推荐结果获得第 三内容推荐结果， 作为最终 的内容推荐结果； 其中， 第三内容推荐结果 通过以下 方式得到： （1） 计算第一内容推荐结果与第二内容推荐结果中所有元 素的内容推荐指数； 所述内容推荐指数的计算方法为： Rk=RI*I1k+N*RP*I2k， 其中， Rk为元素k的内容推荐指数， RI、 RP分别为第一推荐系数和第二推荐系数， N为元素 k在第二内容推荐结果中出现的次数， Ink（n=1,2） 为元 素k的推荐权值； 当元素k在第一内容推荐结果中时I1k取1， 否则 I1k取0； 当元素k在第二内容推荐结果中 时I2k取1， 否则I2k取0； （2） 提取第 一内容推荐结果与第 二内容推荐结果中内容推荐指数大于预设推荐指数阈 值的元素作为第三内容推荐结果。 2.根据权利要求1所述的方法， 其特 征在于， 所述用户数据库包括用户基本信息列表、 用户游戏记录表、 用户游戏画面记录表、 用户 画像列表； 所述用户基本信息列表用于存储用户基本信息， 包括用户id、 用户名、 年龄、 地区； 所述 用户游戏记录表用于存储用户所注册游戏应用的相关操作数据， 包括用户id、 游戏id、 游戏 时长、 游戏消费记录； 所述用户游戏画面记录表用于存储用户的游戏画面数据， 包括用户 id、 游戏id、 画面id、 画面特征值； 所述用户画像列表用于存储用户画像数据， 包括用户id、 年龄、 地域、 职业、 游戏类型偏好标签、 时间偏好标签、 消费偏好标签； 所述游戏数据库包括游戏基本信息列表、 游戏画面特 征列表； 所述游戏基本信息列表用于存储游戏基本信息， 包括游戏id、 名称、 发行商、 上市日期、 类型标签； 所述游戏画面特征列表用于存储游戏画面特征数据， 包括游戏id、 画面类型id、 画面特征值； 所述游戏用户列表用于存 储游戏的所有用户信息 。 3.根 据权利要求1所述的方法， 其特 征在于， 所述画面分类结果包括类别数量、 各类别包 含的元素数量、 各类别的图像元 素； 所述目标用户画面偏好特征包括画面分类结果、 各分类对应的聚类指标数值、 各分类 对应的图像元 素的画面特 征值；权　利　要　求　书 1/3 页 2 CN 114588633 B 2所述聚类指标采用轮廓系数、 Calinski ‑Harabasz指数、 Davies ‑Bouldin指数、 邓恩指 数、 簇内误差平方和中的一种或多种的组合。 4.根据权利要求1所述的方法， 其特 征在于， 所述聚类模型通过以下 方式得到： 从所述用户数据库中  提取原始游戏画面图像集并拆分为 聚类模型训练集和聚类模型 测试集； 采用机器学习算法依靠聚类模型训练集训练聚类模型， 并利用聚类模型测试集对 聚类模型进行评估； 进行参数优化， 直到召回率和准确率满足预设阈值， 并输出聚类模型； 所述机器学习算法包括K ‑means算法、 K ‑means++算法、 Bi ‑Kmeans算法、 DBSCAN算法、 OPTICS算法、 层次聚类算法中的一种或多种的组合。 5.根据权利要求1所述的方法， 其特 征在于， 步骤4包括： 步骤41、 提取 所述目标用户画面偏好特 征中各类别的图像元 素作为参考数据集 I； 其中I=[P1,P2,……,Pn]， Pi(i=1,2,……,n)为第i个分类下的所有图像元素的画面特 征值所组成的集 合； 步骤42、 从游戏数据库中提取各游戏的游戏画面特征数据， 按照游戏id分别计算各游 戏画面特 征值与参 考数据集中各子集的相似度， 得到对应游戏的相似度数组L； 其中L=[l1,l2,……,ln]， lj(j=1,2,……,n)为游戏画面特征值与参考数据集中第j个子 集的相似度； 步骤43、 根据所述相似度数组计算各游戏的画面相似度， 若画面相似度大于预设相似 度阈值， 则该游戏id放入第一内容推荐结果； 所述相似度采用包括欧氏距离、 汉明距离、 余弦相似度、 皮尔逊相关系数中的任一种方 法计算得到； 所述画面相似度取相似度数组L中的最大值。 6.根据权利要求1所述的方法， 其特 征在于， 步骤5包括： 步骤51、 根据目标用户id在用户画像列表中查询目标用户的画像数据； 步骤52、 计算目标用户的画像数据与其 他用户的画像数据之间的画像相似度； 步骤53、 选取画像相似度大于预设画像相似度阈值的用户作为相似用户群； 步骤54、 以相似用户群中的用户id为关键字， 在用户游戏记录表中查询游戏时长大于 预设游戏时长阈值的游戏id， 得到相似用户群 推荐集合； 步骤55、 剔除所述相似用户群推荐集合中与目标用户的历史游戏id重合的游戏id， 得 到第二内容推荐结果。 7.根据权利要求1所述的方法， 其特 征在于， 所述图像预处 理包括图像裁 剪、 图像滤波、 图像增强； 所述特征值提取采用包括方向梯度直方 图特征算法、 SIFT特征算法、 CSIFT特征算法、 SURF算法、 ORB算法、 LBP算法中的一种或多种算法的组合。 8.根据权利要求1所述的方法， 其特 征在于， 所述第一推荐系数通过对聚类指标 数值进行 数值归一 化处理得到； 所述第二推荐系数由所述第一推荐系数计算得到， 方法为：权　利　要　求　书 2/3 页 3 CN 114588633 B 3