CN114470791A - 游戏道具推荐方法、装置、计算机设备、存储介质及产品 - Google Patents

Abstract

本申请提供一种游戏道具推荐方法、装置、计算机设备、存储介质及产品，涉及计算机网络、游戏等技术领域。通过基于目标对象的游戏技能信息，确定该目标对象的目标层级，从而将对象划分为游戏技能不同的多个层级；并基于该目标层级和目标对象的对象特征，确定第一对象集合，从而结合对象的层级、对象特征等，确定出层级比目标对象高且与该目标对象相似的第一对象集合；后续进一步确定包括该第一对象集合在对象所使用的游戏道具的推荐集合，以向该目标对象推荐该推荐集合中的游戏道具；使得低层级对象可以学习到与他相似且游戏技能比他厉害的对象的道具使用习惯。且无需深入分析游戏逻辑和复杂的特征工程，提高了游戏道具推荐的实用性。

Description

游戏道具推荐方法、装置、计算机设备、存储介质及产品

技术领域

本申请涉及计算机网络、游戏等技术领域，本申请涉及一种游戏道具推荐方法、装置、计算机设备、存储介质及产品。

背景技术

伴随着游戏行业的快速发展，现如今各种类型的游戏层出不穷，游戏行业的竞争也越来越激烈。其中许多游戏为代表用户形象的虚拟的对象提供有游戏道具，游戏道具是在游戏时使用的虚拟物品。为了提高用户对游戏道具的购买率，很多游戏平台会主动推荐游戏道具。

相关技术中，游戏道具推荐可以包括：一种是通过人工配置固定的道具列表，向每个对象推荐相同的道具列表。一种是基于用户的兴趣特点和购买行为数据，通常是利用模型进行构建复杂的特征工程，经过大量数据挖掘与计算，匹配出用户感兴趣的游戏道具，以推荐感兴趣的游戏道具。

采用上述方案进行道具推荐，要么是所有用户的道具列表均相同，用户购买欲望较低，也即是实际推荐效率低；要么需要复杂的特征工程、运算量大，且需要算法工程师深入了解游戏的各个道具的优势劣势，需花费大量人力成本进行分析，导致推荐成本较高。因此，相关技术中游戏道具推荐方法的实用性较差。

发明内容

本申请提供了一种游戏道具推荐方法、装置、计算机设备、存储介质及产品，可以解决相关技术中游戏道具推荐方法的实用性较差的问题。所述技术方案如下：

一方面，提供了一种游戏道具推荐方法，所述方法包括：

基于目标对象的游戏技能信息，确定所述目标对象的目标层级；

基于所述目标层级和目标对象的对象特征，确定第一对象集合，所述第一对象集合中对象的层级高于所述目标层级，所述第一对象集合中对象与所述目标对象之间的特征相似度符合目标条件；

基于所述第一对象集合的道具使用信息，确定所述目标对象的推荐集合，并向所述目标对象推荐所述推荐集合中的游戏道具。

另一方面，提供了一种游戏道具推荐装置，所述装置包括：

层级确定模块，用于基于目标对象的游戏技能信息，确定所述目标对象的目标层级；

对象集合确定模块，用于基于所述目标层级和目标对象的对象特征，确定第一对象集合，所述第一对象集合中对象的层级高于所述目标层级，所述第一对象集合中对象与所述目标对象之间的特征相似度符合目标条件；

推荐模块，用于基于所述第一对象集合的道具使用信息，确定所述目标对象的推荐集合，并向所述目标对象推荐所述推荐集合中的游戏道具。

另一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现上述的游戏道具推荐方法。

另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的游戏道具推荐方法。

另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的游戏道具推荐方法。

本申请实施例提供的技术方案带来的有益效果是：

本申请实施例提供的游戏道具推荐方法，通过基于目标对象的游戏技能信息，确定该目标对象的目标层级，从而将对象划分为游戏技能不同的多个层级；并基于该目标层级和目标对象的对象特征，确定第一对象集合，从而结合对象的层级、对象特征等，确定出层级比目标对象高且与该目标对象相似的第一对象集合；后续进一步确定包括该第一对象集合所使用的游戏道具的推荐集合，以向该目标对象推荐该推荐集合中的游戏道具；使得低层级对象向高层级对象学习道具使用习惯，由于高层级对象比低层级对象的游戏技能更熟练，因此提高了所推荐道具转换为有效道具的可能性，进而提高了实际推荐效率。并且，无需深入分析游戏逻辑和各个道具的优势劣势，可通过基于层级和特征相似度，自适应的推荐更高层级的特征相似对象的常选道具，也无需复杂的特征工程和对游戏逻辑的深刻理解，大大节省了人工成本。通过将不同游戏的游戏逻辑、游戏道具与游戏道具推荐过程进行隔离，且无需个性化的机器学习模型等，使得本申请的方法可以复用至任何游戏进行道具推荐，有着较强的复用性、通用性、可迁移性，即使是最新的游戏道具，也能通过低层级向高层级学习使用道具的推荐方式，提高了新道具被推荐、被购买的可能性，很好的解决道具冷启动问题，进而提高了游戏道具推荐的实用性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。

图1为本申请实施例提供的一种游戏道具推荐方法的实施环境示意图；

图2为本申请实施例提供的一种游戏道具推荐方法的流程示意图；

图3为本申请实施例提供的一种对象分层的示意图；

图4为本申请实施例提供的一种游戏道具推荐流程的示意图；

图5为本申请实施例提供的一种游戏道具推荐装置的结构示意图；

图6为本申请实施例提供的一种计算机设备的结构示意图。

具体实施方式

下面结合本申请中的附图描述本申请的实施例。应理解，下面结合附图所阐述的实施方式，是用于解释本申请实施例的技术方案的示例性描述，对本申请实施例的技术方案不构成限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件，但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解，当我们称一个元件被“连接”或“耦接”到另一元件时，该一个元件可以直接连接或耦接到另一元件，也可以指该一个元件和另一元件通过中间元件建立连接关系。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个，例如“A和/或B”可以实现为“A”，或者实现为“B”，或者实现为“A和B”。

可以理解的是，在本申请的具体实施方式中，涉及到游戏等级、交易道具的资源数值、交易记录、对象在线时长、对象注册时间、活动场参数次数等任何与用户相关的数据，当本申请以下实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

本申请实施例提供的游戏道具推荐方法，涉及以下的人工智能技术、计算机视觉技术、大数据、云游戏等。示例性的，可利用人工智能技术中的云计算技术，以基于游戏中的各个对象的游戏技能信息对各个对象进行分级；当然，也可以利用大数据技术中的分布式数据库、分布式文件系统等技术，对游戏中各个对象的层级、特征、游戏技能信息、道具使用信息等多项数据进行存储。示例性的，还可以利用计算机视觉技术，在游戏页面中对所推荐的游戏道具进行展示。示例性的，各个对象可以利用云游戏技术，在网页中进行在线游戏，也可以利用提供有多款游戏入口的游戏平台或者独立的游戏应用进行游戏，本申请实施例对此不做限定。

人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。

计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别和测量等，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实等技术。

大数据(Big data)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着云时代的来临，大数据也吸引了越来越多的关注，大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。

云游戏(Cloud gaming)又可称为游戏点播(gaming on demand)，是一种以云计算技术为基础的在线游戏技术。云游戏技术使图形处理与数据运算能力相对有限的轻端设备(thin client)能运行高品质游戏。在云游戏场景下，游戏并不在玩家游戏终端，而是在云端服务器中运行，并由云端服务器将游戏场景渲染为视频音频流，通过网络传输给玩家游戏终端。玩家游戏终端无需拥有强大的图形运算与数据处理能力，仅需拥有基本的流媒体播放能力与获取玩家输入指令并发送给云端服务器的能力即可。

图1为本申请提供的一种游戏道具推荐方法的实施环境示意图。如图1所示，该实施环境包括：计算机设备101和终端102，该计算机设备101可以为游戏应用的后台服务器或者支持有游戏场景的云端服务器等。该终端102可以为目标对象的终端。该计算机设备101可以与该终端102之间进行数据交互，以向该终端102发送为该目标对象所推荐的游戏道具。

在一个可能场景示例中，该终端102可以安装有游戏应用，计算机设备101基于该游戏应用向该终端102发送所推荐的游戏道具，该终端102可以在游戏应用的页面中显示所推荐的游戏道具的图标、名称等道具信息。

在另一场景示例中，该计算机设备101与该终端杆102可以基于云游戏技术进行数据交互。例如，该终端102可以显示云游戏的在线游戏页面，该计算机设备101可以向终端102发送包括待推荐道具的游戏画面渲染数据。当然，本申请仅以上述两个示例来举例说明，本申请实施例对场景并不做限制。例如，该计算机设备101还可以基于游戏直播应用向终端102发送待推荐道具，终端102在游戏直播应用的页面中弹出包括待推荐道具的推荐页面、或者显示推荐页面所对应的网址链接等。

该目标对象用于表示用户在游戏中的虚拟形象，例如，该目标对象可以是游戏中的游戏角色。用户可以在一款游戏中设置至少一个虚拟形象。该游戏道具可以是与游戏中对象进行互动、对游戏中对象的属性有影响力的虚拟物品。用户可以通过交易资源来购买游戏道具，该交易资源可以是度量游戏道具的虚拟价值的工具、购买游戏道具的媒介，例如，交易资源可以是游戏中可用于交易道具的虚拟媒介，例如，游戏币、虚拟金币、虚拟钻石等。

该游戏应用包括但不限于：射击游戏、多人在线战术竞技游戏、多人枪战类生存游戏、角色扮演游戏、即时战略游戏、竞速游戏、音乐游戏、棋牌类游戏等。游戏道具包括但不限于：攻击类道具、防御类道具、穿戴类道具、虚拟器具、虚拟药品、虚拟弹药、虚拟钥匙、虚拟卡片、碎片等。

服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器或服务器集群。上述网络可以包括但不限于：有线网络，无线网络，其中，该有线网络包括：局域网、城域网和广域网，该无线网络包括：蓝牙、Wi-Fi及其他实现无线通信的网络。终端可以是智能手机(如Android手机、iOS手机等)、智能语音交互设备、智能家电、车载终端、平板电脑、笔记本电脑、数字广播接收器、MID(Mobile Internet Devices，移动互联网设备)、PDA(个人数字助理)、台式计算机、车载终端(例如车载导航终端、车载电脑等)、智能音箱、智能手表等，终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，但并不局限于此。具体也可基于实际应用场景需求确定，在此不作限定。

图2为本申请实施例提供的一种游戏道具推荐方法的流程示意图。该方法的执行主体可以为计算机设备。如图2所示，该方法包括以下步骤。

步骤201、计算机设备基于目标对象的游戏技能信息，确定该目标对象的目标层级。

该游戏技能信息用于指示目标对象的游戏技能的熟练程度。该计算机设备可以获取该目标对象的游戏技能信息，并根据该游戏技能信息所指示的目标对象的游戏技能的熟练程度，确定该游戏技能信息所对应的目标层级。该目标对象的游戏技能的熟练程度越高，该目标层级越高。示例性的，该计算机设备可以基于各个对象的游戏技能信息，按照层级划分规则，对各个对象进行层级划分。层级划分规则包括：对象在游戏中的游戏技能越熟练，对象所对应的层级越高。对象的层级可以采用数值表示，层级高低可以对应数值的大小变化而变化。例如，第一层级高于第二层级，第二层级高于第三层级，以此类推；例如，第一层级为最高层级，第一层级的对象的游戏技能最熟练；第二层级为次高层级，第二层级的对象的游戏技能次之，以此类推。

在一种可能实施方式中，该游戏技能信息是表示对游戏逻辑的掌握并运用的熟练程度的信息；该目标对象对游戏逻辑掌握并运用的熟练程度越高，该目标对象的目标层级越高；该游戏技能信息包括游戏等级、交易道具的资源数值、对象在线时长、对象注册时间以及活动参与次数中的至少一项；相应的，本步骤中，计算机设备基于目标对象的游戏技能信息，确定该目标对象的目标层级的过程，可以通过以下对应至少一种方式实现。

第一种方式、该游戏技能信息包括游戏等级。计算机设备响应于该目标对象的游戏等级位于目标等级区间时，确定该目标对象的对象层级为该目标等级区间对应的目标层级。

该游戏等级可以是目标对象在游戏中的等级，等级越高说明目标对象的游戏技能越熟练，对游戏中的游戏逻辑掌握越好。该计算机设备可以从该目标对象的对象数据中提取该目标对象的游戏等级。

该计算机设备可以预先存储有等级区间与对象的层级之间的关联关系，该计算机设备可以确定该目标对象的游戏等级所在的目标等级区间，并根据该目标等级区间，从等级区间和对象的层级之间的关联关系中，获取该目标等级区间所对应的层级，并将所获取的层级作为该目标对象的目标层级。

在一个可能示例中，该计算机设备可以基于游戏等级来划分游戏中各个对象的层级。示例性的，该计算机设备可以基于等级区间，将属于同一等级区间的对象划分为相同层级。需要说明的是，游戏等级越高，说明目标对象的游戏技能越熟练，则所对应的目标层级也越高，对象越核心。例如，第一层级为最高层级，第二层级为次高层级，第一层级对应的等级区间中的各个游戏等级大于第二层级对应的等级区间中游戏等级，以此类推。

在一个可能示例中，该计算机设备可以采用等级分布曲线中拐点位置，确定各个层级对应的等级区间。示例性的，该计算机设备确定该等级区间与对象的层级之间的关联关系的过程包括：该计算机设备可以基于游戏中各个对象的游戏等级，确定游戏对应的等级分布曲线，该等级分布曲线包括游戏等级及其对应的对象数量之间的变化关系；该计算机设备基于该等级分布曲线的拐点位置，确定多个等级区间，并基于该多个等级区间所包括等级的高低，将该多个等级区间分别对应关联多个层级；其中，等级区间中等级越高，该等级区间所对应的层级越高。例如，该拐点可以为曲线的极值点、最大值点或最小值点等。例如，该等级分布曲线可以为以游戏等级为横轴、以对象数量为纵轴的二维坐标系中的曲线。则该计算机设备可以将该等级分布曲线中拐点位置对应的横坐标作为待划分的等级区间的端点，依次得到多个等级区间。

第二种方式、该游戏技能信息包括交易道具的资源数值。计算机设备响应于该目标对象的交易道具的资源数值位于目标资源区间时，确定该目标对象的对象层级为该目标资源区间对应的目标层级。

该交易道具的资源数值可以是目标对象在游戏中交易道具时所消耗的交易资源的数量。交易道具的资源数值越大说明交易道具越多越高级，目标对象的道具交易程度越高、对应有较大的交易潜力，所对应的游戏技能也可越熟练。该计算机设备可以提取该目标对象的交易记录，并统计该目标对象的交易道具的资源数值。需要说明的是，该交易记录、交易道具的资源数值等数据，均是经过用户同意后获得的。

该计算机设备可以预先存储有资源区间与对象的层级之间的关联关系，该计算机设备可以确定该目标对象的交易道具的资源数值所在的目标资源区间，并根据该目标资源区间，从资源区间和对象的层级之间的关联关系中，获取该目标资源区间所对应的层级，并将所获取的层级作为该目标对象的目标层级。

在一个可能示例中，该计算机设备可以基于交易道具的资源数值来划分游戏中各个对象的层级。需要说明的是，交易道具的资源数值越大，说明目标对象游戏时使用的游戏道具越多或越高级，相应的游戏技能也越熟练，所对应的目标层级也越高，对象越核心。例如，第一层级为最高层级，第二层级为次高层级，第一层级对应的资源区间中的各个资源数值大于第二层级对应的资源区间中的资源数值，以此类推。

在一个可能示例中，该计算机设备可以采用交易道具的资源分布曲线中拐点位置，确定各个层级对应的资源区间。示例性的，该计算机设备确定该资源区间与对象的层级之间的关联关系的过程包括：该计算机设备可以基于游戏中各个对象的交易道具的资源数值，确定游戏对应的资源分布曲线，该资源分布曲线包括交易道具的资源数值及其对应的对象数量之间的变化关系；该计算机设备基于该资源分布曲线的拐点位置，确定多个资源区间，并基于该多个资源区间所包括资源数值的大小，将该多个资源区间分别对应关联多个层级；其中，在多个资源区间中，资源区间中资源数值越大，该资源区间所对应的层级越高。其中，该计算机设备利用该资源分布曲线得到资源区间与层级之间的关联关系的过程，与上述第一种方式在利用等级分布曲线得到等级区间与层间之间的关联关系的方式同理，此处不再一一赘述。

第三种方式、该游戏技能信息包括对象在线时长。计算机设备响应于该目标对象的在线时长位于目标时长区间时，确定该目标对象的对象层级为该目标时长区间对应的目标层级。

对象在线时长可以是目标对象在指定时期内至少一次上线的累积时长。该指定时期可以是近一个月、近一周等。该对象在线时长的数值大说明目标对象游戏的时间越长，目标对象在游戏中的活跃程度越高，对应的游戏技能越熟练；例如，近一个月内在线时长2小时的对象A和近一个月内在线时长50小时的对象B，显然，对象B游戏的时间更多，对象B的游戏技能更熟练。该计算机设备可以提取该目标对象在指定时期内的上线记录，并统计在指定时期内至少一次上线的累积时长。需要说明的是，该上线记录、对象在线时长等数据，均是经过用户同意后获得的。

该计算机设备可以预先存储有时长区间与对象的层级之间的关联关系，该计算机设备可以确定该目标对象的对象在线时长所在的目标时长区间，并根据该目标时长区间，从时长区间和对象的层级之间的关联关系中，获取该目标时长区间所对应的层级，并将所获取的层级作为该目标对象的目标层级。

在一个可能示例中，该计算机设备可以基于对象在线时长来划分游戏中各个对象的层级。需要说明的是，对象在线时长越大，说明目标对象游戏时间越多，在越多的游戏时间内所掌握的游戏技能也越熟练，目标层级也越高，对象越核心。例如，第一层级对应的时长区间中的各个在线时长的数值大于第二层级对应的时长区间中的在线时长的数值，以此类推。在一个可能示例中，该计算机设备可以采用在线时长分布曲线中拐点位置，确定各个层级对应的时长区间。该过程与上述第一种方式、第二种方式中基于曲线中拐点位置确定对应区间的过程同理，此处不再一一赘述。

第四种方式、该游戏技能信息包括对象注册时间。计算机设备响应于该目标对象的对象注册时间位于目标时间区间时，确定该目标对象的对象层级为该目标时间区间对应的目标层级。

对象注册时间可以是用户在游戏中注册游戏账号的时间，也可以是首次启动该游戏的时间，也可以是用户在游戏中配置该目标对象的时间等。对象注册时间越早，说明该目标对象或该目标对象所代表的用户接触该游戏的时间越长，目标对象积累的游戏经验越丰富，对应的游戏技能越熟练。需要说明的是，该对象注册时间是经过用户同意后获得的。

该计算机设备可以预先存储有时间区间与对象的层级之间的关联关系，该计算机设备可以确定该目标对象的对象注册时间所在的目标时间区间，并根据该目标时间区间，从时间区间和对象的层级之间的关联关系中，获取该目标时间区间所对应的层级，并将所获取的层级作为该目标对象的目标层级。

对象注册时间越早，说明目标对象游戏时间越长，相应的游戏技能也越熟练，所对应的目标层级也越高，对象越核心。例如，第一层级为最高层级，第二层级为次高层级，第一层级对应的时间区间中的各个时间早于第二层级对应的时间区间中的时间，以此类推。在一个可能示例中，该计算机设备可以采用注册时间分布曲线中拐点位置，确定各个层级对应的时间区间。该过程与上述第一种方式、第二种方式中基于曲线中拐点位置确定对应区间的过程同理，此处不再一一赘述。

第五种方式、该游戏技能信息包括活动参与次数。计算机设备响应于该目标对象的活动参与次数位于目标次数区间时，确定该目标对象的对象层级为该目标次数区间对应的目标层级。

该活动参与次数可以是用户在指定时期内所参与的游戏相关的活动。例如，近一个月内、近一周内的活动参数次数。示例性的，该游戏可以是某个指定游戏。该游戏相关的活动不限于线上活动和线下活动；例如，可以是线上的做任务得奖励的活动、免费得点卡活动、打折道具优惠活动等等；也可以是线下的现场游戏展台所提供的现场活动。示例性的，活动参与次数越多，说明该目标对象或该目标对象所代表的用户在该游戏的活跃程度越高，对该游戏的兴趣程度也越高，对应的游戏技能越熟练。需要说明的是，该活动参与次数是经过用户同意后获得的。

该计算机设备可以预先存储有次数区间与对象的层级之间的关联关系，该计算机设备可以确定该目标对象的活动参与次数所在的目标次数区间，并根据该目标次数区间，从次数区间和对象的层级之间的关联关系中，获取该目标次数区间所对应的层级，并将所获取的层级作为该目标对象的目标层级。

活动参与次数越多，说明目标对象对游戏的兴趣程度越高，相应的游戏技能也越熟练，所对应的目标层级也越高，对象越核心。例如，第一层级为最高层级，第二层级为次高层级，第一层级对应的次数区间中的各个活动参与次数的数值大于第二层级对应的次数区间中的活动参与次数的数值，以此类推。在一个可能示例中，该计算机设备可以采用活动参与次数分布曲线中拐点位置，确定各个层级对应的次数区间。该过程与上述第一种方式、第二种方式中基于曲线中拐点位置确定对应区间的过程同理，此处不再一一赘述。

需要说明的是，上述五种方式分别为基于一种信息确定目标层级的方式。该计算机设备也可以结合上述五种方式中的任意两种或更多种方式以确定该目标层级。在一个示例中，以结合上述第一种方式和第二种方式进行举例说明。该计算机设备可以配置有各个层级所对应的等级区间和资源区间，该计算机设备可以基于该目标对象的游戏等级和交易道具的资源数值，确定该游戏等级所在的目标等级区间以及交易道具的资源数值所在的目标资源区间，根据该目标等级区间和该目标资源区间，确定该目标等级区间和目标资源区间所对应的目标层级。

在又一示例中，以结合上述第一种方式和第二种方式进行举例说明。该计算机设备还可以计算各个信息所对应的得分，基于至少两种信息对应的得分确定目标层级。该计算机设备配置有多个层级与多个得分区间之间的关联关系。该计算机设备还可以基于游戏等级的权重以及目标对象的游戏等级对应的等级得分，计算得到目标对象的第一得分；并基于交易道具的资源的权重以及目标对象的交易道具的资源数值对应的得分，计算得到目标对象的第二得分；将第一得分与第二得分的和值，作为该目标对象的总得分；并将该总得分所在的目标得分区间所对应的层级作为该目标对象的目标层级。需要说明的是，对于第一种方式和第二种方式结合时的实现过程，仅以上述两种示例来举例说明，但对上述第一种方式和第二种方式结合的实际方式不做限定。需要说明的是，上述仅以第一种方式和第二种方式的结合进行举例。当然，对于上述五种方式中任意的其它结合方式，其对应的实现过程，与上述举例的第一种方式和第二种方式的结合的实现过程同理，此处不再一一赘述。

图3为本申请实施例提供的一种对象分层示意图。如图3所示，计算机设备可以对游戏中对象进行分层，划分出高等级、高活跃的用户。示例性的，例如，可以按照游戏等级、交易道具的资源数值、对象在线时长、对象注册时间以及活动参与次数等分层，或者，也可以按照交易道具的频率进行分层，将多个对象划分至多种不同程度的核心玩家层级下。不同层级的用户核心程度不一样，层数越小越是核心用户。例如，最高层级也即是第一层级为最核心玩家，其次是第二层级为核心玩家、第三层级为次核心玩家、第四层级为次次核心玩家、第五层级为活跃玩家等，此外还可以将付费、游戏等级、在线时长低于第五层级的不活跃(例如，登录次数低于3次、付费为0等)划分为其他玩家。其中，低层级的B群体可以学习高层级的A群体的道具使用习惯。

通过基于游戏技能信息来确定目标对象的目标层级，实现基于游戏技能对游戏中各个对象进行层级划分，基于后续步骤实现针对不同层级的道具推荐，以及低层级群体向高层级群体进行游戏道具使用的学习，无需复杂的特征工程、也无需对游戏逻辑的深刻理解，使得本申请的道具推荐过程有较强的复用性。进一步的，该游戏技能信息包括游戏等级、交易道具的资源数值、对象在线时长、对象注册时间以及活动参与次数中的至少一项；利用游戏技能信息所包括的一项或多项信息准确定位各个对象所在的层级，使得对象的层级能够精确的衡量对象的技能熟练程度，进一步提高了道具推荐的准确性。

步骤202、计算机设备基于该目标层级和目标对象的对象特征，确定第一对象集合。

该第一对象集合中对象的层级高于该目标层级，该第一对象集合中对象与该目标对象之间的特征相似度符合目标条件。该计算机设备基于该目标层级，确定第二对象集合，该第二对象集合中对象的层级高于该目标层级；该计算机设备基于该目标对象的特征，从该第二对象集合中筛选出与该目标对象之间的特征相似度符合目标条件的第一对象集合。其中，该目标条件可以包括特征相似度不低于目标相似度阈值。其中，该计算机设备可以基于该目标对象和该第二对象集合中对象的特征，确定该目标对象分别与该第二对象集合中每个对象之间的特征相似度；该计算机设备基于该目标对象分别与该第二对象集合中每个对象之间的特征相似度，从该第二对象集合中筛选出该第一对象集合。示例性的，该计算机设备可以基于该目标对象的对象数据，获取该目标对象的特征向量。例如，该计算机设备可以使用已训练好的特征提取网络，将该目标对象的对象数据输入至该特征提取网络中，得到该特征提取网络所输出的特征向量。该特征向量可以表征该目标对象在多个维度的特征。该对象数据包括但不限于：目标对象的游戏技能信息、每局游戏的输赢、游戏时的组队信息等等，需要说明的是，该对象数据是经过用户授权并同意后获得的。

在一种可能实现方式中，在基于该目标层级和目标对象的对象特征确定第一对象集合之前，该计算机设备还可以先确定游戏应用中各个对象的特征，以便步骤202中基于对象的特征来确定特征相似的对象集合。示例性的，该确定各个对象的特征的过程可以包括：该计算机设备基于游戏应用中至少两个对象的组队信息，确定每个对象的特征。示例性的，该每个对象的组队信息可以包括该对象的队友对象，该队友对象可以是该对象所在游戏团队中作为该对象的队友的对象。该计算机设备可以基于至少两个对象的组队信息，学习该每个对象的组队特征，以得到每个对象的特征。

在一个可能示例中，该计算机设备可以采用图表的方式进行机器学习，以得到每个对象的特征。示例性的，该基于游戏应用中至少两个对象的组队信息，确定每个对象的特征的过程可以通过以下步骤S1至步骤S3实现。

步骤S1、该计算机设备基于该至少两个对象的组队信息，构建无向图。

其中，该无向图包括至少两个对象对应的至少两个节点，该至少两个对象中相互组队的两个对象所对应的两个节点之间存在一条边。示例性的，根据游戏应用中至少两个对象的组队信息，以至少两个对象作为节点构建无向图，其中，对象之间是否组队作为对应节点之间是否有变的根据，例如，当两个对象在近一个月内曾经相互组队过，则该两个对象对应的两个节点之间存在一条边。由此可以得到一张庞大的无向图，该无向图可以不包括权重。

例如，可以利用某个游戏应用中所有对象在仅一个月内的组队信息，构建无向图G＝(V，E)；其中，V表示无向图中的节点，节点表示对应的对象；E表示无向图中的边，

步骤S2、该计算机设备采用随机游走的方式，从该无向图中获取至少两个序列。

每个序列包括游走过程中按游走顺序排列的对象。构建图G后，以任意一个节点为起始节点，每次游走时从与上一节点之间存在边的多个节点中随机选择一个节点，直到达到最大步长t，也即是游走次数达到t次，得到长度为t的序列。此外，这种截断的随机游走方式提供了两方面的优点：一方面，局部探索游走很容易并行化进行，几个不同walker(游走器)可以同时游走多条不同的线路。另一方面，从截断随机游走中获取信息，当图结构发生小的变化时，不需要重复重新的去学习。

随机游走可以是长度固定的随机游走。随机游走是为了进行采样工作以收集训练数据。随机游走的原理主要包括：对无向图中的每个节点作为root(根节点)随机的找下一个节点进行游走，游走长度为固定好的t。每个节点可以有多个walker并行游走，这些都是可以基于需要进行配置的超参数。经过随机游走后，会得到多个序列样本。这些序列样本可用来做训练样本。

步骤S3、该计算机设备将该至少两个序列输入至目标模型，并对该目标模型进行无监督训练，得到该每个对象的特征。

该计算机设备将该至少两个序列输入至目标模型中，通过无监督训练的方式对目标模型进行训练，得到每个对象的特征。每个序列包括按照游走顺序排列的多个对象。在一个可能示例中，该采用随机游走的方式，从该无向图中获取至少两个序列的步骤可以包括：对于该无向图中每个节点，该计算机设备基于目标游走次数和游走步长，以该每个节点为起点进行随机游走，得到该至少两个序列。相应的，该计算机设备将该至少两个序列输入至目标模型，并对目标模型进行无监督训练，得到该每个对象的特征的步骤可以包括：该计算机设备获取该至少两个对象的初始化表征矩阵；对于每次游走得到的每个序列，该计算机设备基于目标窗口尺寸，以该每个序列中每个节点为中心点，遍历该每个序列所包括的至少两个子序列，每个子序列包括中心点以及位于该中心点的目标窗口尺寸范围内的相邻节点；对于该每个序列，执行以下步骤：对于该每个序列的每个子序列，该计算机设备基于该每个子序列以及该每个子序列的中心点，计算目标损失函数的数值，并基于该目标损失函数的数值对该初始化表征矩阵进行优化，直至该损失函数的数值达到目标优化条件时停止优化，得到至少两个对象的表征矩阵。该目标优化条件可以包括损失函数的数值不超过目标优化阈值、位于目标优化阈值区间等。该表征矩阵可以为节点表征矩阵Φ，Φ为|V|*d的矩阵，每个节点都有一个d维的向量，也即是对应每个对象对应有一个d维的Embedding(嵌入)向量。其中，该目标损失函数可以为表征条件概率的函数；该目标损失函数用于表征该每个子序列的中心点出现的条件下该每个子序列出现的条件概率。则该计算机设备基于该每个子序列以及该每个子序列的中心点，计算目标损失函数的数值的过程可以包括：该计算机设备基于该每个子序列以及该每个子序列的中心点，计算该在该中心点出现的条件下该子序列出现的条件概率，该计算机设备基于该条件概率，得到该目标损失函数的数值。

每个对象的特征可以为对象的Embedding(嵌入)向量。其中，该计算机设备确定该目标对象分别与该第二对象集合中每个对象之间的特征相似度的过程可以包括：该计算机设备基于目标对象的Embedding向量以及该第二对象集合中每个对象的Embedding向量，计算目标对象分别与第二对象集合中每个对象之间的余弦相似度，并将该余弦相似度作为该特征相似度。从而实现针对每层中每个对象的Embedding向量，与其上层的比其层级高的每个对象的Embedding向量计算余弦相似度，得到每对象在比其层级高的对象集合中的相似对象。或者，还可以计算两个Embedding向量之间的欧氏距离，并将该欧式距离作为该特征相似度。相应的，该目标条件可以包括但不限于：欧氏距离不高于目标距离阈值、余弦相似度不低于目标相似度阈值等。

随机游走主要是对无向图中的每个节点作为root随机的找下一个节点进行游走，游走长度为固定好的t。每个节点可以有好几个walker(游走器)并行游走，这些都是可以基于需要进行配置的超参数。经过随机游走后，会得到多个序列样本。这些序列样本可用来做训练样本。基于随机游走获取序列并利用模型生成Embedding向量的具体流程如下：

Algorithm 1 DeepWalk(G，w，d，γ，t)

Input：graph G(V，E)

windowsizew

Embeddingsized

walkspervertexγ

walklengtht

Output：matrixofvertexrepresentationsΦ∈R^∣V∣×d

1：Initialization：SampleФfrom U^∣V∣×d

2:Build a binary Tree Tfrom V

3：for i＝0toγdo

4：O＝Shuffle(V)

5：for eachv_i∈O do

6：Wv_i＝Random Walk(G，v_i，t)

7：SkipGram(Ф，Wv_i，w)

8：endfor

9：endfor

其中，“Algorithm1DeepWalk(G，w，d，γ，t)”表示可采用DeepWalk(深度游走)算法实现，其中，G为有向图,V表示有向图中节点集合，E表示图中的边。“Input：graph G(V，E)；windowsize w；Embeddingsize d；walkspervertexγ；walklength t；”表示，算法的输入为图G(V，E)，窗口尺寸为w，Embedding向量的维度为d，以每个节点随机游走的次数为γ，随机游走的步长为t。“Output：matrixofvertexrepresentationsΦ∈R^∣V∣×d”表示输出的节点表征矩阵Φ为|V|*d的矩阵，每个节点都有一个d维的向量，对应每个对象的Embedding向量。其中，第1步，初始化每个节点的向量空间，可以初始化得到一个U^∣V∣×d的初始表征矩阵。第2步，建立Huffman(哈夫曼)树，可以根据随机游走节点出现的次数构建哈夫曼树。第3步，表示循环游走从0至γ次。第4步，将节点集合V打乱顺序得到O。第5步，遍历O中的每一个节点，do表示进入循环。第6步，得到从v_i节点开始的步长为t的随机游走序列。第7步，使用SkipGram算法进行训练，以优化参数，这里可以包括对节点表征矩阵Φ的优化。第8步，退出里层循环。第9步，退出外层循环。

上述算法流程中涉及到的SkipGram算法，是自然语言处理领域中word2vec一种训练方式，在DeepWalk算法中，随机游走生成了大量的训练样本，再用SkipGram进行无监督训练，得到每个节点的Embedding向量。SkipGram算法具体流程如下：

Algorithm 2 SkipGram(Ф，Wv_i，w)

1：for eachv_j∈Wv_ido

2：for eachu_k∈Wv_i[j-w:j+w]do

3：J(Ф)＝-logPr(u_k|Ф(v_j))

4：

5：endfor

6：endfor

其中，“Algorithm 2 SkipGram(Ф，Wv_i，w)”表示算法2SkipGram算法中，Φ表示输出的节点表征矩阵，Wv_i表示随机游走生成的序列，w表示窗口尺寸。其中，第1步，外层循环，对序列Wv_i中每个节点进行循环：遍历Wv_i序列中的每一个节点v_i，进入循环。第2步，内层循环，对每个节点的窗口大小为w的序列进行操作：u_k∈Wvi[j-w:j+w]，遍历v_i节点前后间距w的每一个节点，得到子序列u_k，并进入循环。第3步，对于每个子序列u_k，计算每次循环时对应的目标损失函数J(Ф)的数值，其中，Pr(u_k|Ф(v_j))表示在Ф(v_j)出现的条件下出现u_k的概率，也即是，u_k的在v_j上下文出现的概率；这里优化的目标是朝着u_k在v_j出现的条件下出现的概率越大，也即是Pr(u_k|Ф(v_j))越大，也即是J(Ф)越来越接近0。第4步，表示采用梯度下降的方法进行迭代训练，其中，α表示学习率。第5步，退出里层循环。第6步，退出外层循环。

需要说明的是，上述举例中使用了DeepWalk算法来计算获得对象的Embedding向量，此外，还可以尝试其他的图表示算法，例如LINE(Large-scale Information NetworkEmbedding，大规模网络信息嵌入)算法、Node2Vec(Scalable Feature Learning forNetworks，可扩展的网络特征学习)算法、Struc2Vec(Learning Node Representationsfrom Structural Identity，从结构标识中学习节点表示)算法等，进行对比实验分析，选择效果最好的一种算法。

通过基于目标层级筛选出高于目标对象的层级的第一对象集合，实现后续基于高层级对象的道具使用习惯进行道具推荐，越在上层的玩家，对游戏逻辑掌握越精通，其选择的道具搭配越合理。对于每层的玩家，能够学习与其相似的更高层级玩家的道具选择习惯、道具搭配等习惯等，进而学习到更高层级玩家的游戏技能，进一步提高了道具推荐的实用性。

步骤203、计算机设备基于该第一对象集合的道具使用信息，确定该目标对象的推荐集合。

该计算机设备可以基于该道具使用信息，确定符合道具筛选条件的推荐集合。示例性的，该道具使用信息可以包括对象的道具使用记录。该道具筛选条件至少包括：属于第一对象集合中各个对象使用的道具。对象使用的道具可以包括但不限于：当前使用的道具、历史使用道具等。

在一种可能实现方式中，该计算机设备可以基于该目标对象已有的道具、该目标对象的道具交易水平等，对第一对象集合中对象的道具进一步筛选，得到推荐集合。示例性的，道具筛选条件还可以包括：不超过该目标对象的道具交易水平、不包括目标对象的已有道具等。相应的，步骤203可以通过以下步骤2031-2033实现。

步骤2031、计算机设备基于该第一对象集合中每个对象的道具使用信息，确定第一推荐集合。

该计算机设备可以基于该道具使用信息，获取第一对象集合中各个对象的道具，并确定该第一推荐集合，该第一推荐集合包括该第一对象集合中各个对象的道具。示例性的，可以基于道具的使用次数，进一步筛选出第一对象集合中对象常用的道具作为该第一推荐集合。该道具筛选条件还可以包括：被第一对象集合中各个对象使用的使用次数超过目标次数阈值。则该计算机设备可以基于该道具使用信息，确定该第一对象集合中各个对象的道具；并统计该第一对象集合的各个对象的道具的使用次数，从第一对象集合的各个对象的道具中筛选出使用次数超过目标次数阈值的第一推荐集合。示例性的，该计算机设备可以基于道具使用信息，确定第一对象集合中各个对象在目标时期内使用的道具；例如，在近一个月或者近一周内曾经使用或正在使用的道具。其中，该计算机设备可以统计在目标时期内每个道具被第一对象集合中至少一个对象的使用次数，例如，对于第一对象集合中对象A曾使用的某一道具a，可以统计道具a在近一个月内被对象A以及第一对象集合中其他对象的使用次数的累加值；进一步得到第一对象集合的常用道具。

在一个可能示例中，该道具筛选条件还可以包括：第一对象集合中对象在游戏结果为赢的每局游戏中使用的游戏道具。则该计算机设备还可以结合对象的在每局游戏的游戏结果，确定第一推荐集合。示例性的，该计算机设备还可以基于第一对象集合中每个对象的道具使用信息和每个对象在每局游戏的游戏结果，确定该第一推荐集合，该第一推荐集合包括第一对象集合中对象在游戏结果为赢的游戏中使用的道具。当然，也可以进一步筛选出在游戏结果为赢的各局游戏中使用次数超过目标次数阈值的第一推荐集合；或者，筛选出在目标时期内赢的各局游戏中使用次数超过目标次数阈值的第一推荐集合等等，此处不再一一赘述。

步骤2032、计算机设备基于该目标对象的交易道具的资源数值，确定该目标对象的道具交易水平。

该道具交易水平是指目标对象对游戏道具的交易能力；例如，目标对象购买游戏道具所支出的资源数值。在一个可能示例中，该计算机设备可以基于目标对象在至少两次交易道具时的资源数值，评估该目标对象的消费水平。例如，将目标对象在近一个月内多次购买游戏道具所花费的游戏虚拟资源的平均值、最大值或者中位数等，作为该目标对象的道具交易水平。

在一个可能示例中，该计算机设备还可以基于目标对象在过去时间的历史交易记录，预测该目标对象的交易潜力，从而进一步评估消费水平。则该计算机设备可以统计该目标对象在指定时间内交易道具的资源数值，并基于指定时间内交易道具的资源数值，确定该目标对象的交易潜力值；该计算机设备将该交易潜力值与该指定时间内交易道具的资源数值，确定该目标对象的道具交易水平。该交易潜力值用于表示该目标对象交易道具的潜在能力，例如，购买道具的潜力。例如，可以统计出玩家A在过去的连续3个月中每个月购买花费的游戏金币为1800、2000、2200，最大值为2200，交易潜力值也即是潜在增长的购买能力200，最大值则目标对象在第4个月的消费水平可以为2400。

步骤2033、计算机设备基于该目标对象的已有道具以及该道具交易水平，从该第一推荐集合中筛选出第二推荐集合。

该第二推荐集合不包括该已有道具且该第二推荐集合中道具的资源数值不超过该道具交易水平。该计算机设备基于该已有道具，从第一推荐集合中筛选出不包括已有道具的候选集合，并基于候选集合中各个道具的资源数值，将该候选集合中不超过道具交易水平的道具确定为第二推荐集合。在一个可能示例中，该计算机设备还可以关联存储该第二推荐集合与该目标对象之间的关联关系，以便后续向目标对象推荐该第二推荐集合中的游戏道具。其中，该已有道具是指该目标对象当前已拥有、可直接使用的道具；例如，当前已购买、好友赠送或者已存在于目标对象的道具库中的道具等。

通过基于第一对象集合中对象的道具使用信息，确定包括第一对象集合使用的道具的推荐集合，从而找出比目标对象层级高的玩家所用道具，以便后续推荐。进一步的，还可以结合一定的道具筛选条件，进一步筛选出更符合目标对象需求的道具，如筛选出不超过目标对象的消费水平的道具、过滤掉目标对象已有的道具等，使得最终得到的第二推荐集合能够更加符合目标对象的道具需求，进而提高道具推荐的个性化和准确性。

步骤204、计算机设备向该目标对象推荐该推荐集合中的游戏道具。

计算机设备可以对该推荐集合中道具进行排序，按照一定的顺序进行推荐。或者，该计算机设备可以按照预配置的推荐数量，向目标对象推荐该推荐集合中一定数量个游戏道具。在一种可能实现方式中，该计算机设备可以利用道具的热度值的高低进行推荐。则步骤204可以包括：该计算机设备统计该推荐集合中至少两个道具在该第一对象集合中的热度值；该计算机设备基于该至少两个道具的热度值，对该推荐集合中至少两个道具进行降序排列；该计算机设备按照降序排列的顺序，向该目标对象推荐该推荐集合中的游戏道具。例如，计算机设备按照降序排列的顺序，向目标对象推荐该推荐集合中推荐数量个游戏道具。示例性的，道具的热度值用于指示道具在第一对象集合中的受欢迎程度。例如，热度值可以包括道具在第一对象集合中对应的使用对象数。该推荐集合可以为第二推荐集合，则该计算机设备可以统计第二推荐集合中每个道具的使用对象数，基于该使用对象数对该第二推荐集合中各个道具进行降序排列。其中，使用对象数可以是第一对象集合中使用该道具的对象的数量；例如，道具a近一个月内曾经被10个玩家使用，则使用对象数为10。

在另一种可能实现方式中，计算机设备可以按照该推荐集合中游戏道具的属性值，对该推荐集合中道具进行降序排列，按照降序排列的顺序依次进行推荐。示例性的，该属性值用于指示游戏道具在游戏中被使用时所发挥的能力值；例如，游戏中虚拟枪的射程、虚拟剑的攻击力度、虚拟盾的防御力度等等。

在一种可能实现方式中，该计算机设备在推荐道具时，可以结合玩家正在玩的游戏关卡进行推荐；或者，还可以结合游戏道具的配置信息进行推荐。示例一中，该计算机设备可以确定该目标对象当前进行的游戏关卡，从该推荐集合中筛选出该游戏关卡对应的目标道具，向该目标对象推荐该目标道具。例如，计算机设备可以在检测到目标对象正在进行该游戏关卡时，向该目标对象所在终端发送该目标道具，以使该终端在该游戏关卡对应的游戏画面中显示该目标道具。例如，显示该目标道具的图标、所花费的游戏金币数、属性值、攻击力、使用规则等等。例如，该游戏关卡对应的目标道具可以包括：该游戏关卡特有的游戏道具、该游戏关卡的对象使用道具的对象使用数超过目标数值等。例如，第一对象集合中有超过100个对象在通过游戏关卡E时使用了道具b，则道具b可以为该游戏关卡对应的目标道具。示例二中，该计算机设备可以确定该第一对象集合中的对象对该推荐集合中游戏道具的配置信息，向该目标对象推荐该推荐集合中的游戏道具及其对应的配置信息。例如，计算机设备可以向目标对象所在终端发送该推荐集合中游戏道具以及配置信息，该终端可以显示该游戏道具及其配置信息。游戏道具的配置信息可以包括但不限于：对该游戏道具本身的属性参数的配置、该游戏道具所需的配件的配置。例如，攻击类虚拟器具的攻击值、虚拟车辆的行驶速度等。例如，第一对象集合中对象使用虚拟霰弹枪时配置的瞄具为四倍镜，则可以在推荐该虚拟霰弹枪时也推荐其对应配置信息包括瞄具为四倍镜。

需要说明的是，该计算机设备可以对应存储目标对象与该推荐集合(或者第二推荐集合)之间的关联关系，每次推荐时，可以基于上述实现方式或示例中示出的方式，推荐该推荐集合中的一个或多个游戏道具。上述仅通过几种实现方式及示例对推荐过程进行举例说明，本申请实施例对每次所推荐的道具数量以及推荐过程并不不做具体限定。

在一种可能实现方式中，对于层级最高的对象，该计算机设备可以不再基于上述步骤202-203确定第一对象集合和推荐集合，而是有针对性的进行定向推荐。在一个示例中，若该目标层级为游戏应用中的最高层级，该计算机设备可以向该目标对象推荐该游戏应用中道具属性值最高的道具。也即是，若目标层级为最高层级，步骤202-203可以替换为：计算机设备获取游戏应用中道具属性值最高的道具，得到该推荐集合，并基于步骤204，向该目标对象推荐该推荐集合中的游戏道具。当然，也可以基于该目标对象的已有道具进行过滤，例如，计算机设备获取道具属性值最高的至少两个游戏道具，并过滤掉该至少两个游戏道具中目标对象的已有道具，得到该推荐集合。例如，推荐攻击力最强的攻击类虚拟器具、最新推出的配置最高的虚拟霰弹枪等等。在另一个示例中，若该目标层级不是游戏应用中的最高层级，则该计算机设备执行上述步骤202-203的过程，先确定该第一对象集合，并基于该第一对象集合中对象的道具使用信息得到该推荐集合，进而通过步骤204进行道具推荐。

在一种可能实现方式中，当基于上述步骤2031-2033来确定推荐集合时，如果基于步骤2033，根据不超过该目标对象的道具交易水平且不包括目标对象的已有道具的道具筛选条件，对第一推荐集合进行筛选后，得到的第二推荐集合为空，也即是，可基于道具筛选条件将第一推荐集合中道具过滤后，没有符合条件的游戏道具。则步骤204可以替换为：计算机设备向目标对象推荐道具兑换礼包，该道具兑换礼包可以是通用的可以兑换其他的道具礼包。当然，当该推荐集合为空(或者第二推荐集合为空)时，该计算机设备还可以根据该目标对象的目标层级，获取该目标等级对应的道具兑换礼包，并向该目标对象推荐该道具兑换礼包。例如，次核心玩家对应高手礼包、普通玩家对应进阶礼包等。

目前相关技术中对于游戏道具推荐，一种是游戏策划的人工配置，一种是通过机器学习算法的个性化推荐。

其中通过游戏策划的人工配置的推荐，有如下一些技术缺陷：第一、游戏道具的推荐内容单一，即所有用户看到的内容是相同的，甚至有些用户已经购买的道具仍然被重复推荐，长期以来形成推广资源浪费。第二、由于道具列表固定，多数情况下，用户并不能很快的从道具列表第一页中找到自己喜好的游戏道具，通常要翻页很多次，用户体验极差。第三、由于所需道具很难被找到，导致用户的购买欲望大大降低，在很大程度上减少了游戏营收。第四、游戏列表的更新不及时，通常游戏的发布需要跟随版本进行，最新、最好的游戏道具并不能很快的被用户看到。

通过机器学习算法的个性化推荐，最初应用于电子商务领域，它基于用户的兴趣特点和购买行为数据，利用模型构建复杂特征工程，经过数据挖掘计算，向用户推荐用户感兴趣的信息和商品。将其系统化，形成一种高级智能化推荐系统，称之为个性化推荐系统，它以在用户购物过程为其提供完全个性化的决策支持和信息服务，从而带来更好的商品购买体验，在无形中，也提升了商品销售数量和营收。同样，游戏道具作为一种虚拟的商品，也属于个性化推荐的范畴。目前业界常用的推荐算法，包括基于树模型、基于深度网络(DeepFM(Deep Factorization Machine，深度因子分解机)网络、DIN(Deep InterestNetwork，深度兴趣网络)等)，基于协同过滤等算法。虽然现有的常用个性化推荐算法已经比较成熟，但是应用在游戏领域内可能存在如下缺点：第一、需要较为复杂的特征工程。第二、算法工程师需要对游戏逻辑，以及各个道具优势劣势有着深刻理解，需要花费大量的人力成本去分析，并且其推荐方案与具体业务深度耦合，设计的方案难以在不同业务上复用、迁移。第三、游戏内会经常产生大量新道具来进行售卖，目前常用的推荐方案都无法很好的解决道具冷启动问题。

针对传统的游戏策划手动配置推荐的缺点，例如推荐内容单一、道具列表固定，推荐结果不能及时更新等问题，本申请所提供的游戏道具推荐方法，能定时自适应的对游戏中对象进行分层，再进行推荐，推荐结果能自动例行更新，针对目前常用的推荐算法中存在的问题，例如需要复杂的特征工程，需要算法工程师对游戏逻辑有着深刻理解、难以很好解决道具冷启动等问题，本申请所提供的游戏道具推荐方法，可以在不需要深入分析游戏逻辑和各个道具的优势劣势情况下，自适应的向目标对象推荐与他相似且比他厉害的对象最近常选择的道具，无需复杂的特征工程，也无需对游戏逻辑有着深刻理解，大大节省了成本。本方法有着较强的复用性、通用性、可迁移性，尤其针对道具冷启动的问题，通过直接基于第一对象集合的使用信息来确定推荐集合，而最高层级的对象则直接推荐最新道具、最强道具，因此，通过低层级向高层级对象学习道具使用习惯，即使是最新的道具，也能够有较大几率进行有效推荐，能很好的解决道具冷启动问题。

为了更好的说明对本申请的游戏道具推荐过程，下面以图4所示的游戏道具推荐流程，对本申请的游戏道具推荐方法进一步举例介绍。针对现有技术方案的缺点，本申请的游戏道具推荐方法将充分利用对象在游戏内日志数据，运用机器学习/深度学习等技术，让推荐系统学习到对象Embedding向量，在不需要深入分析游戏逻辑和各个道具的优势劣势情况下，自适应的向对象推荐与他相似且比他厉害的对象最近常选择的道具。本申请的游戏道具推荐方法无需复杂的特征工程，也无需对游戏逻辑有着深刻理解，有着较强的复用性、通用性、可迁移性，同时能解决道具冷启动问题。如图4所示，本申请的游戏道具推荐流程可以包括以下步骤(1)至步骤(7)。

步骤(1)，对象分层：根据对象的游戏等级、付费特征、在线时长等特征，将各个对象分到若干层，层级越高(层数越小)的对象越核心，游戏技能越高。分层的目的是希望给对象推荐和他相似的且比他厉害的人经常使用的道具。

步骤(2)，计算对象Embedding向量：根据对象在游戏内组队特征，以对象作为节点构图，利用DeepWalk算法进行随机游走，学习得到每个节点的Embedding向量。

步骤(3)，对象相似度计算：针对每层中每个对象Embedding向量以及其上层的比其游戏等级高的每个对象的Embedding向量，计算余弦相似度，除了层级最高的第一层的对象，其他层每个对象都会得到topN(这里N可以根据实际情况取值)个最相似的对象。

步骤(4)，确定推荐道具候选集：在步骤(3)中，除了第一层对象，其他层每个对象都能匹配到最相似topN(前N个，N为正整数)个最相似对象，统计这topN中每个相似对象最近最常用的游戏道具。由此除第一层的每个对象都会得到topN个推荐道具候选集。

步骤(5)，规则过滤：根据各个对象最近半年单次购买道具的最大金额数作为对象的付费能力，在步骤(4)中，得到除第一层每个对象推荐道具候选集，根据道具价格和对象的付费能力，从候选集中过滤掉不符合对象付费能力的道具，同时过滤掉对象已有的道具，由此除了第一层对象，其它层每个对象都能得到推荐道具候选集S。

示例性的，对象u在第i层(i>1，在3.2.1部分用户分层得到)，其Embedding向量记为eⁱ，游戏等级为pⁱ。在第1层至第i-1层的对象中找到游戏等级大于pⁱ(实际业务中还可以根据其他信息过滤)的对象集合，假设该集合有n个对象，该集合每个对象都有对应的Embedding向量，这些Embedding向量集合记为Es＝{e¹，e²，e³，...，e^j，...eⁿ}按照余弦相似度计算用户u的Embedding向量eⁱ与Es中每个Embedding向量的相似度。按照相似度倒排序得到最相似的topk(k<n)个上层对象。统计这k个对象中，每个对象最近(根据实际业务情况，可以是最近一周，或最近一月等)最常用的道具，可以得到k个道具作为对象u的推荐候选集。

由以上逻辑，除了第一层对象，其他层的每个用户都能得到k个道具的推荐候选集S。

步骤(6)，使用度排序：在步骤(5)中，除了第一层对象，其他层每个对象都能得到推荐道具候选集S，再次统计S中每个道具在其上层中有多少个不同的对象使用过，按照每个道具的使用人数，对S中的道具进行倒序排序，得到最终推荐道具候选集S'。

经过步骤(5)，除了第一层对象，剩下的每个对象都能得到k个道具推荐候选集S，但是存在推荐候选集中的道具价格高于对象的付费能力或对象已有的道具，如果将这样的道具推荐给对象，会因为对象不会购买而推荐无效，浪费运营资源且可能造成对象不好的游戏体验。因此可以先通过付费能力、已有道具进行过滤，得到更新后的道具候选集S'。

针对要被推荐的对象，可以统计该对象最近半年，单次付费的最大金额值作为该对象的付费能力，过滤掉其推荐候选集中价格高于付费能力的道具，且检查对象已有的道具，过滤掉推荐候选集中对象已有的道具，得到更新后的道具候选集S'。

除了第一层对象，剩下的每个对象都能得到道具候选集S'，但是线上推荐时，每个对象可以被推荐m(根据业务需求确定，例如，m可以为1、2、5等等)个道具，则可以不一次性将S'所有道具进行推荐，因此需要对S'中道具进行排序，例如在第i(i>1)层的对象u，其推荐候选集记为S”，统计S”中每个道具在第1层至第i-1层使用人数，可以认为使用人数越多，该推荐结果越合理，被推荐的可信度越高。按照使用人数对S”中的道具进行倒排序。经过上述处理，除了第一层对象，剩下的每个对象都能得到排序后的推荐候选集S”。

步骤(7)，为第一层对象推荐道具：因为第一层对象是游戏中最核心、最有价值、等级最高的那部分对象，对于这部分对象可以默认为无需做个性化推荐，直接推荐游戏内最强、最新的道具。

总而言之，分层的目的是希望能根据对象对游戏技能掌握程度和活跃程度对其进行区分，可以认为越在上层的对象，对游戏逻辑掌握越精通，其选择的道具搭配越合理。对于每层的对象，希望能学习与其相似的上层对象的道具选择习惯，而对于最上层的最核心玩家群体，该群体对游戏逻辑掌握程度最高，他们能自行准确的选择对他们收益最大的道具，推荐系统只需向该群体推荐最新最强的道具即可。

本申请实施例提供的游戏道具推荐方法，通过基于目标对象的游戏技能信息，确定该目标对象的目标层级，从而将对象划分为游戏技能不同的多个层级；并基于该目标层级和目标对象的对象特征，确定第一对象集合，从而结合对象的层级、对象特征等，确定出层级比目标对象高且与该目标对象相似的第一对象集合；后续进一步确定包括该第一对象集合所使用的游戏道具的推荐集合，以向该目标对象推荐该推荐集合中的游戏道具；使得低层级对象向高层级对象学习道具使用习惯，由于高层级对象比低层级对象的游戏技能更熟练，因此提高了所推荐道具转换为有效道具的可能性，进而提高了实际推荐效率。并且，无需深入分析游戏逻辑和各个道具的优势劣势，可通过基于层级和特征相似度，自适应的推荐更高层级的特征相似对象的常选道具，也无需复杂的特征工程和对游戏逻辑的深刻理解，大大节省了人工成本。通过将不同游戏的游戏逻辑、游戏道具与游戏道具推荐过程进行隔离，且无需个性化的机器学习模型等，使得本申请的方法可以复用至任何游戏进行道具推荐，有着较强的复用性、通用性、可迁移性，即使是最新的游戏道具，也能通过低层级向高层级学习使用道具的推荐方式，提高了新道具被推荐、被购买的可能性，很好的解决道具冷启动问题，进而提高了游戏道具推荐的实用性。

图5为本申请实施例提供的一种游戏道具推荐装置的结构示意图，如图5所示，游戏道具推荐装置可以包括：

层级确定模块501，用于基于目标对象的游戏技能信息，确定该目标对象的目标层级；

对象集合确定模块502，用于基于该目标层级和目标对象的对象特征，确定第一对象集合，该第一对象集合中对象的层级高于该目标层级，该第一对象集合中对象与该目标对象之间的特征相似度符合目标条件；

推荐模块503，用于基于该第一对象集合的道具使用信息，确定该目标对象的推荐集合，并向该目标对象推荐该推荐集合中的游戏道具。

在一种可能实现方式中，该装置还包括：

特征确定模块，用于基于游戏应用中至少两个对象的组队信息，确定每个对象的特征；

该对象集合确定模块502，用于基于该目标层级，确定第二对象集合，该第二对象集合中对象的层级高于该目标层级；基于该目标对象和该第二对象集合中对象的特征，确定该目标对象分别与该第二对象集合中每个对象之间的特征相似度；基于该目标对象分别与该第二对象集合中每个对象之间的特征相似度，从该第二对象集合中筛选出该第一对象集合。

在一种可能实现方式中，该特征确定模块，包括：

构建单元，用于基于该至少两个对象的组队信息，构建无向图，其中，该无向图包括至少两个对象对应的至少两个节点，该至少两个对象中相互组队的两个对象所对应的两个节点之间存在一条边；

序列获取单元，用于采用随机游走的方式，从该无向图中获取至少两个序列，每个序列包括游走过程中按游走顺序排列的节点；

特征获取单元，用于将该至少两个序列输入至目标模型，并对目标模型进行无监督训练，得到该每个对象的特征。

在一种可能实现方式中，序列获取单元，用于对于该无向图中每个节点，基于目标游走次数和游走步长，以该每个节点为起点进行随机游走，得到该至少两个序列；

相应的，该特征获取单元，用于获取该至少两个对象的初始化表征矩阵；对于每次游走得到的每个序列，基于目标窗口尺寸，以该每个序列中每个节点为中心点，遍历该每个序列所包括的至少两个子序列，每个子序列包括中心点以及位于该中心点的目标窗口尺寸范围内的相邻节点；对于该每个序列，执行以下步骤：对于该每个序列的每个子序列，基于该每个子序列以及该每个子序列的中心点，计算目标损失函数的数值，并基于该目标损失函数的数值对该初始化表征矩阵进行优化，直至该目标损失函数的数值达到目标优化条件时停止优化，得到至少两个对象的表征矩阵。

在一种可能实现方式中，该游戏技能信息是表示对游戏逻辑的掌握并运用的熟练程度的信息；该目标对象对游戏逻辑掌握并运用的熟练程度越高，该目标对象的目标层级越高；

该游戏技能信息包括游戏等级、交易道具的资源数值、对象在线时长、对象注册时间以及活动参与次数中的至少一项；

相应的，该层级确定模块501，用于以下至少一项：

响应于该目标对象的游戏等级位于目标等级区间时，确定该目标对象的对象层级为该目标等级区间对应的目标层级，该游戏技能信息包括游戏等级；

响应于该目标对象的交易道具的资源数值位于目标资源区间时，确定该目标对象的对象层级为该目标资源区间对应的目标层级；

响应于该目标对象的对象在线时长位于目标时长区间时，确定该目标对象的对象层级为该目标时长区间对应的目标层级；

响应于该目标对象的对象注册时间位于目标时间区间时，确定该目标对象的对象层级为该目标时间区间对应的目标层级；

响应于该目标对象的活动参与次数位于目标次数区间时，确定该目标对象的对象层级为该目标次数区间对应的目标层级。

在一种可能实现方式中，该推荐模块503，用于基于该第一对象集合中每个对象的道具使用信息，确定第一推荐集合；基于该目标对象的交易道具的资源数值，确定该目标对象的道具交易水平；基于该目标对象的已有道具以及该道具交易水平，从该第一推荐集合中筛选出第二推荐集合，该第二推荐集合不包括该已有道具且该第二推荐集合中道具的资源数值不超过该道具交易水平。

在一种可能实现方式中，该推荐模块503，用于统计该推荐集合中至少两个道具在该第一对象集合中的热度值；基于该至少两个道具的热度值，对该推荐集合中至少两个道具进行降序排列；按照降序排列的顺序，向该目标对象推荐该推荐集合中的游戏道具。

在一种可能实现方式中，该推荐模块503，包括以下至少一项：

确定该目标对象当前进行的游戏关卡，从该推荐集合中筛选出该游戏关卡对应的目标道具，向该目标对象推荐该目标道具；

确定该第一对象集合中的对象对该推荐集合中游戏道具的配置信息，向该目标对象推荐该推荐集合中的游戏道具及其对应的配置信息。

在一种可能实现方式中，该推荐模块503，还用于若该目标层级为游戏应用中的最高层级，向该目标对象推荐该游戏应用中道具属性值最高的道具。

本申请实施例提供的游戏道具推荐装置，通过基于目标对象的游戏技能信息，确定该目标对象的目标层级，从而将对象划分为游戏技能不同的多个层级；并基于该目标层级和目标对象的对象特征，确定第一对象集合，从而结合对象的层级、对象特征等，确定出层级比目标对象高且与该目标对象相似的第一对象集合；后续进一步确定包括该第一对象集合所使用的游戏道具的推荐集合，以向该目标对象推荐该推荐集合中的游戏道具；使得低层级对象向高层级对象学习道具使用习惯，由于高层级对象比低层级对象的游戏技能更熟练，因此提高了所推荐道具转换为有效道具的可能性，进而提高了实际推荐效率。并且，无需深入分析游戏逻辑和各个道具的优势劣势，可通过基于层级和特征相似度，自适应的推荐更高层级的特征相似对象的常选道具，也无需复杂的特征工程和对游戏逻辑的深刻理解，大大节省了人工成本。通过将不同游戏的游戏逻辑、游戏道具与游戏道具推荐过程进行隔离，且无需个性化的机器学习模型等，使得本申请的方法可以复用至任何游戏进行道具推荐，有着较强的复用性、通用性、可迁移性，即使是最新的游戏道具，也能通过低层级向高层级学习使用道具的推荐方式，提高了新道具被推荐、被购买的可能性，很好的解决道具冷启动问题，进而提高了游戏道具推荐的实用性。

本实施例的游戏道具推荐装置可执行本申请上述实施例所示的游戏道具推荐方法，其实现原理相类似，此处不再赘述。

图6是本申请实施例中提供了一种计算机设备的结构示意图。如图6所示，该计算机设备包括：存储器、处理器及存储在存储器上的计算机程序，该处理器执行上述计算机程序以实现游戏道具推荐方法的步骤，与相关技术相比可实现：

通过基于目标对象的游戏技能信息，确定该目标对象的目标层级，从而将对象划分为游戏技能不同的多个层级；并基于该目标层级和目标对象的对象特征，确定第一对象集合，从而结合对象的层级、对象特征等，确定出层级比目标对象高且与该目标对象相似的第一对象集合；后续进一步确定包括该第一对象集合所使用的游戏道具的推荐集合，以向该目标对象推荐该推荐集合中的游戏道具；使得低层级对象向高层级对象学习道具使用习惯，由于高层级对象比低层级对象的游戏技能更熟练，因此提高了所推荐道具转换为有效道具的可能性，进而提高了实际推荐效率。并且，无需深入分析游戏逻辑和各个道具的优势劣势，可通过基于层级和特征相似度，自适应的推荐更高层级的特征相似对象的常选道具，也无需复杂的特征工程和对游戏逻辑的深刻理解，大大节省了人工成本。通过将不同游戏的游戏逻辑、游戏道具与游戏道具推荐过程进行隔离，且无需个性化的机器学习模型等，使得本申请的方法可以复用至任何游戏进行道具推荐，有着较强的复用性、通用性、可迁移性，即使是最新的游戏道具，也能通过低层级向高层级学习使用道具的推荐方式，提高了新道具被推荐、被购买的可能性，很好的解决道具冷启动问题，进而提高了游戏道具推荐的实用性。在一个可选实施例中提供了一种计算机设备，如图6所示，图6所示的计算机设备600包括：处理器601和存储器603。其中，处理器601和存储器603相连，如通过总线602相连。可选地，计算机设备600还可以包括收发器604，收发器604可以用于该计算机设备与其他计算机设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器604不限于一个，该计算机设备600的结构并不构成对本申请实施例的限定。

处理器601可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器601也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线602可包括一通路，在上述组件之间传送信息。总线602可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线602可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器603可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscReadOnly Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质\其他磁存储设备、或者能够用于携带或存储计算机程序并能够由计算机读取的任何其他介质，在此不做限定。

存储器603用于存储执行本申请实施例的计算机程序，并由处理器601来控制执行。处理器601用于执行存储器603中存储的计算机程序，以实现前述方法实施例所示的步骤。

其中，计算机设备包括但不限于：服务器、服务集群、云计算中心等等。

本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。

本申请实施例还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”、“1”、“2”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除图示或文字描述以外的顺序实施。

应该理解的是，虽然本申请实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本申请实施例的一些实施场景中，各流程图中的实施步骤可以按照需求以其他的顺序执行。此外，各流程图中的部分或全部步骤基于实际的实施场景，可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以根据需求灵活配置，本申请实施例对此不限制。

以上所述仅是本申请部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请的方案技术构思的前提下，采用基于本申请技术思想的其他类似实施手段，同样属于本申请实施例的保护范畴。

Claims (13)

1.一种游戏道具推荐方法，其特征在于，所述方法包括：

基于目标对象的游戏技能信息，确定所述目标对象的目标层级；

基于所述目标层级和目标对象的对象特征，确定第一对象集合，所述第一对象集合中对象的层级高于所述目标层级，所述第一对象集合中对象与所述目标对象之间的特征相似度符合目标条件；

基于所述第一对象集合的道具使用信息，确定所述目标对象的推荐集合，并向所述目标对象推荐所述推荐集合中的游戏道具。

2.根据权利要求1所述的方法，其特征在于，所述基于所述目标层级和目标对象的对象特征，确定第一对象集合之前，所述方法还包括：

基于游戏应用中至少两个对象的组队信息，确定每个对象的特征；

所述基于所述目标层级和目标对象的对象特征，确定第一对象集合，包括：

基于所述目标层级，确定第二对象集合，所述第二对象集合中对象的层级高于所述目标层级；

基于所述目标对象和所述第二对象集合中对象的特征，确定所述目标对象分别与所述第二对象集合中每个对象之间的特征相似度；

基于所述目标对象分别与所述第二对象集合中每个对象之间的特征相似度，从所述第二对象集合中筛选出所述第一对象集合。

3.根据权利要求2所述的方法，其特征在于，所述基于游戏应用中至少两个对象的组队信息，确定每个对象的特征，包括：

基于所述至少两个对象的组队信息，构建无向图，其中，所述无向图包括至少两个对象对应的至少两个节点，所述至少两个对象中相互组队的两个对象所对应的两个节点之间存在一条边；

采用随机游走的方式，从所述无向图中获取至少两个序列，每个序列包括游走过程中按游走顺序排列的节点；

将所述至少两个序列输入至目标模型，并对目标模型进行无监督训练，得到所述每个对象的特征。

4.根据权利要求3所述的方法，其特征在于，所述采用随机游走的方式，从所述无向图中获取至少两个序列包括：

对于所述无向图中每个节点，基于目标游走次数和游走步长，以所述每个节点为起点进行随机游走，得到所述至少两个序列；

相应的，所述将所述至少两个序列输入至目标模型，并对目标模型进行无监督训练，得到所述每个对象的特征，包括：

获取所述至少两个对象的初始化表征矩阵；

对于每次游走得到的每个序列，基于目标窗口尺寸，以所述每个序列中每个节点为中心点，遍历所述每个序列所包括的至少两个子序列，每个子序列包括中心点以及位于所述中心点的目标窗口尺寸范围内的相邻节点；

对于所述每个序列，执行以下步骤：

对于所述每个序列的每个子序列，基于所述每个子序列以及所述每个子序列的中心点，计算目标损失函数的数值，并基于所述目标损失函数的数值对所述初始化表征矩阵进行优化，直至所述目标损失函数的数值达到目标优化条件时停止优化，得到至少两个对象的表征矩阵。

5.根据权利要求1所述的方法，其特征在于，所述游戏技能信息是表示对游戏逻辑的掌握并运用的熟练程度的信息；所述目标对象对游戏逻辑掌握并运用的熟练程度越高，所述目标对象的目标层级越高；

所述游戏技能信息包括游戏等级、交易道具的资源数值、对象在线时长、对象注册时间以及活动参与次数中的至少一项；

相应的，所述基于目标对象的游戏技能信息，确定所述目标对象的目标层级，包括以下至少一项：

响应于所述目标对象的游戏等级位于目标等级区间时，确定所述目标对象的对象层级为所述目标等级区间对应的目标层级，所述游戏技能信息包括游戏等级；

响应于所述目标对象的交易道具的资源数值位于目标资源区间时，确定所述目标对象的对象层级为所述目标资源区间对应的目标层级；

响应于所述目标对象的对象在线时长位于目标时长区间时，确定所述目标对象的对象层级为所述目标时长区间对应的目标层级；

响应于所述目标对象的对象注册时间位于目标时间区间时，确定所述目标对象的对象层级为所述目标时间区间对应的目标层级；

响应于所述目标对象的活动参与次数位于目标次数区间时，确定所述目标对象的对象层级为所述目标次数区间对应的目标层级。

6.根据权利要求1所述的方法，其特征在于，所述基于所述第一对象集合的道具使用信息，确定所述目标对象的推荐集合，包括：

基于所述第一对象集合中每个对象的道具使用信息，确定第一推荐集合；

基于所述目标对象的交易道具的资源数值，确定所述目标对象的道具交易水平；

基于所述目标对象的已有道具以及所述道具交易水平，从所述第一推荐集合中筛选出第二推荐集合，所述第二推荐集合不包括所述已有道具且所述第二推荐集合中道具的资源数值不超过所述道具交易水平。

7.根据权利要求1所述的方法，其特征在于，所述向所述目标对象推荐所述推荐集合中的游戏道具，包括：

统计所述推荐集合中至少两个道具在所述第一对象集合中的热度值；

基于所述至少两个道具的热度值，对所述推荐集合中至少两个道具进行降序排列；

按照降序排列的顺序，向所述目标对象推荐所述推荐集合中的游戏道具。

8.根据权利要求1所述的方法，其特征在于，所述向所述目标对象推荐所述推荐集合中的游戏道具，包括以下至少一项：

确定所述目标对象当前进行的游戏关卡，从所述推荐集合中筛选出所述游戏关卡对应的目标道具，向所述目标对象推荐所述目标道具；

确定所述第一对象集合中的对象对所述推荐集合中游戏道具的配置信息，向所述目标对象推荐所述推荐集合中的游戏道具及其对应的配置信息。

9.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若所述目标层级为游戏应用中的最高层级，向所述目标对象推荐所述游戏应用中道具属性值最高的道具。

10.一种游戏道具推荐装置，其特征在于，所述装置包括：

层级确定模块，用于基于目标对象的游戏技能信息，确定所述目标对象的目标层级；

对象集合确定模块，用于基于所述目标层级和目标对象的对象特征，确定第一对象集合，所述第一对象集合中对象的层级高于所述目标层级，所述第一对象集合中对象与所述目标对象之间的特征相似度符合目标条件；

推荐模块，用于基于所述第一对象集合的道具使用信息，确定所述目标对象的推荐集合，并向所述目标对象推荐所述推荐集合中的游戏道具。

11.一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1至9任一项所述的游戏道具推荐方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的游戏道具推荐方法。

13.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的游戏道具推荐方法。

Images