智能推荐方法、装置、服务器和存储介质
技术领域
本发明涉及计算机领域，具体涉及一种智能推荐方法、装置、服务器和存储介质。
背景技术
购买推荐是通过研究用户进行网络购买行为心理，来预测符合用户需求的商品，从而对用户进行商品推荐，为网络商城增加销售额、提高利润率的作用。
比如，在电子游戏领域，玩家可以在游戏中购买虚拟的游戏物品、游戏道具等对象，预测并推荐玩家下一次可能会购买的游戏物品、游戏道具等对象，可以有效提高游戏的商业价值。
然而，目前的智能推荐方法在预测用户想要购买的对象时，预测结果往往与用户实际想要购买的对象不符，因此，目前智能推荐方法的准确度低下。
发明内容
本发明实施例提供一种智能推荐方法、装置、服务器和存储介质，可以提升智能推荐方法的准确率。
本发明实施例提供一种智能推荐方法，包括：
获取虚拟角色的历史社交事件和历史购买事件，所述历史社交事件包括社交对象和社交时间，所述历史购买事件包括购买对象和购买时间；
根据所述社交时间和购买时间，构建所述社交对象和所述购买对象之间的时序关系；
基于所述社交对象、购买对象和时序关系进行特征提取，得到所述虚拟角色的预测社交特征和预测购买特征；
基于所述预测社交特征和预测购买特征预测所述虚拟角色的待购买对象；
对所述待购买对象进行购买推荐处理。
本发明实施例还提供一种智能推荐装置，包括：
获取单元，用于获取虚拟角色的历史社交事件和历史购买事件，所述历史社交事件包括社交对象和社交时间，所述历史购买事件包括购买对象和购买时间；
构建单元，用于根据所述社交时间和购买时间，构建所述社交对象和所述购买对象之间的时序关系；
提取单元，用于基于所述社交对象、购买对象和时序关系进行特征提取，得到所述虚拟角色的预测社交特征和预测购买特征；
预测单元，用于基于所述预测社交特征和预测购买特征预测所述虚拟角色的待购买对象；
推荐单元，用于对所述待购买对象进行购买推荐处理。
在一些实施例中，所述提取单元，包括：
社交子单元，用于基于所述社交对象和时序关系进行特征提取，得到所述虚拟角色的预测社交特征；
购买子单元，用于基于所述购买对象和时序关系进行特征提取，得到所述虚拟角色的预测购买特征。
在一些实施例中，所述社交子单元，包括：
局部社交子模块，用于根据所述时序关系对所述社交对象进行特征提取，得到所述社交对象的局部社交特征；
整体社交子模块，用于基于所述社交对象的局部社交特征确定整体社交特征；
近期社交子模块，用于根据所述社交时间在所述社交对象中确定近期社交对象，并确定所述近期社交对象对应的局部社交特征；
预测社交子模块，用于根据所述整体社交特征和所述近期社交对象对应的局部社交特征确定所述虚拟角色的预测社交特征。
在一些实施例中，所述时序关系包括时序关系图，所述时序关系图中包括多个节点，以及连接两个节点之间的边，所述边包括边的指向方向和影响力权重，所述节点包括社交对象节点和购买对象节点，所述局部社交子模块，用于：
在所述时序关系图中确定所述社交对象对应的社交对象节点；
根据所述指向方向在所述时序关系图的多个节点中确定所述社交对象节点的社交影响对象节点、购买影响对象节点；
根据连接所述社交对象节点和所述社交影响对象节点之间的边的影响力权重计算所述社交影响对象节点对所述社交对象所产生的第一局部社交影响；
根据连接所述社交对象节点和所述购买影响对象节点之间的边的影响力权重计算所述购买影响对象节点对所述社交对象所产生的第二局部社交影响；
根据所述第一局部社交影响和第二局部社交影响确定所述社交对象的局部社交特征。
在一些实施例中，所述预测社交子模块，用于：
对所述整体社交特征和所述近期社交对象对应的局部社交特征进行特征拼接处理，得到拼接特征；
对所述拼接特征进行线性变换处理，得到所述虚拟角色的预测社交特征。
在一些实施例中，所述购买子单元，包括：
局部购买子模块，用于根据所述时序关系对所述购买对象进行特征提取，得到所述购买对象的局部购买特征；
整体购买子模块，用于基于所述购买对象的局部购买特征确定整体购买特征；
近期购买子模块，用于根据所述购买时间在所述购买对象中确定近期购买对象，并确定所述近期购买对象对应的局部购买特征；
预测购买子模块，用于根据所述整体购买特征和所述近期购买对象对应的局部购买特征确定所述虚拟角色的预测购买特征。
在一些实施例中，所述时序关系包括时序关系图，所述时序关系图中包括多个节点，以及连接两个节点之间的边，所述边包括边的指向方向和影响力权重，所述节点包括购买对象节点和购买对象节点，所述局部购买子模块，用于：
在所述时序关系图中确定所述购买对象对应的购买对象节点；
根据所述指向方向在所述时序关系图的多个节点中确定所述购买对象节点的社交影响对象节点、购买影响对象节点；
根据连接所述购买对象节点和所述购买影响对象节点之间的边的影响力权重计算所述购买影响对象节点对所述购买对象所产生的第一局部购买影响；
根据连接所述购买对象节点和所述购买影响对象节点之间的边的影响力权重计算所述购买影响对象节点对所述购买对象所产生的第二局部购买影响；
根据所述第一局部购买影响和第二局部购买影响确定所述购买对象的局部购买特征。
在一些实施例中，所述预测购买子模块，用于：
对所述整体购买特征和所述近期购买对象对应的局部购买特征进行特征拼接处理，得到拼接特征；
对所述拼接特征进行线性变换处理，得到所述虚拟角色的预测购买特征。
在一些实施例中，所述时序关系包括时序关系图，所述时序关系图中包括多个节点，以及连接两个节点之间的边，所述构建单元，包括：
节点子单元，用于将所述社交对象和所述购买对象作为所述时序关系图中的节点；
边子单元，用于根据所述社交时间和购买时间建立所述时序关系图中节点之间的边。
在一些实施例中，所述节点包括社交对象节点和购买对象节点，所述边子单元，用于：
根据所述社交时间对所述社交对象进行时间顺序排序，得到社交排序结果；
根据所述社交排序结果对所述时序关系图中的社交对象节点进行两两连接；
根据所述购买时间对所述购买对象进行时间顺序排序，得到购买排序结果；
根据所述购买排序结果对所述时序关系图中的购买对象节点进行两两连接；
根据所述社交时间和所述购买时间对所述时序关系图中的节点进行时间顺序排序，得到全局排序结果；
根据所述全局排序结果对所述时序关系图中的节点进行两两连接。
在一些实施例中，所述边子单元，还用于：
确定所述时序关系图中节点之间的边的指向方向；
根据所述指向方向对所述时序关系图中节点之间的边进行权重赋值处理，得到所述边的影响力权重。
在一些实施例中，所述预测单元，包括：
用户特征子单元，用于对所述虚拟角色进行用户特征提取，得到所述虚拟角色的用户特征；
融合子单元，用于对所述虚拟角色的用户特征、预测社交特征和预测购买特征进行特征融合，得到融合特征；
预测子单元，用于根据所述融合特征预测所述虚拟角色的待购买对象。
在一些实施例中，所述融合子单元，还包括：
社交预测子模块，用于根据所述融合特征预测所述虚拟角色的待社交对象；
好友推荐子模块，用于对所述待社交对象进行好友推荐处理。
在一些实施例中，所述好友推荐子模块，用于：
显示好友推荐页面；
在所述好友推荐页面显示所述社交对象。
在一些实施例中，所述虚拟角色为用户在虚拟游戏中控制的游戏角色，所述待购买对象为虚拟游戏中的虚拟游戏道具，所述预测单元，用于
基于所述预测社交特征和预测购买特征计算所述虚拟游戏道具对于所述虚拟角色的推荐度；
基于所述推荐度在所述虚拟游戏道具中确定待购买对象；
在一些实施例中，所述推荐单元，用于：
显示虚拟游戏道具页面；
根据所述推荐度在所述虚拟游戏道具页面显示所述待购买对象。
本发明实施例还提供一种服务器，包括存储器存储有多条指令；所述处理器从所述存储器中加载指令，以执行本发明实施例所提供的任一种智能推荐方法中的步骤。
本发明实施例还提供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多条指令，所述指令适于处理器进行加载，以执行本发明实施例所提供的任一种智能推荐方法中的步骤。
本发明实施例可以获取虚拟角色的历史社交事件和历史购买事件，历史社交事件包括社交对象和社交时间，历史购买事件包括购买对象和购买时间；根据社交时间和购买时间，构建社交对象和购买对象之间的时序关系；基于社交对象、购买对象和时序关系进行特征提取，得到虚拟角色的预测社交特征和预测购买特征；基于预测社交特征和预测购买特征预测虚拟角色的待购买对象；对待购买对象进行购买推荐处理。
本发明通过考虑用户历史购买事件和历史社交事件的时间顺序，以及购买事件和社交事件之间的相互影响关系，可以对满足用户需求的待购买对象进行准确的预测。由此，提升了智能推荐方法的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域技术人员来讲，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他的附图。
图1a是本发明实施例提供的智能推荐方法的场景示意图；
图1b是本发明实施例提供的智能推荐方法的流程示意图；
图1c是本发明实施例提供的智能推荐方法的时序关系示意图；
图1d是本发明实施例提供的智能推荐方法的特征提取示意图；
图1e是本发明实施例提供的智能推荐方法的游戏商城页面示意图；
图1f是本发明实施例提供的智能推荐方法的游戏活动页面示意图；
图1g是本发明实施例提供的智能推荐方法的好友列表页面示意图；
图2是本发明实施例提供的智能推荐方法的另一种流程示意图；
图3是本发明实施例提供的智能推荐装置的结构示意图；
图4是本发明实施例提供的服务器的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种智能推荐方法、装置、服务器和存储介质。
其中，该智能推荐装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer，PC)等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
在一些实施例中，该智能推荐装置还可以集成在多个电子设备中，比如，智能推荐装置可以集成在多个服务器中，由多个服务器来实现本发明的智能推荐方法。
在一些实施例中，服务器也可以以终端的形式来实现。
例如，参考图1a，该电子设备可以是服务器，该服务器可以从数据库中获取虚拟角色的多个历史社交事件和多个历史购买事件，每个历史社交事件都包括一个社交对象和一个社交时间，每个历史购买事件都包括一个购买对象和一个购买时间；服务器可以根据社交时间和购买时间来构建社交对象和购买对象之间的时序关系图；并基于社交对象、购买对象和时序关系图进行特征提取，得到虚拟角色的预测社交特征和预测购买特征；最后基于预测社交特征和预测购买特征预测虚拟角色的待购买对象；再将待购买对象的相关信息发送给客户端，以便该客户端对待购买对象进行购买推荐处理，从而实现对使用该客户端的用户进行推荐。
以下分别进行详细说明。需说明的是，以下实施例的序号不作为对实施例优选顺序的限定。
人工智能(Artificial Intelligence，AI)是一种利用数字计算机来模拟人类感知环境、获取知识并使用知识的技术，该技术可以使机器具有类似于人类的感知、推理与决策的功能。人工智能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等几大方向。
其中，机器学习(Machine learning，ML)是利用计算机代替人脑对目标进行理解、学习并进一步进行处理，从而使得计算机实现智能的技术。机器学习技术通常包括深度学习、增强学习、迁移学习、示教学习、归纳学习、转导推理、类比学习、演绎学习与博弈论等技术，比如，深度学习技术又可以包括人工神经网络、注意学习、知识表征等技术领域。
在本实施例中，提供了一种基于机器学习的智能推荐方法，如图1b所示，该智能推荐方法的具体流程可以如下：
101、获取虚拟角色的历史社交事件和历史购买事件，历史社交事件包括社交对象和社交时间，历史购买事件包括购买对象和购买时间。
虚拟角色是用户在计算机模拟的虚拟场景中所操控的角色；比如，在电子游戏领域，玩家可以操控虚拟的游戏角色与游戏场景进行交互；再比如，在模拟仿真领域，用户可以操控虚拟的角色对象来在虚拟环境中进行仿真。
历史社交事件是指在历史时刻虚拟角色在虚拟场景中发生的社交事件，该社交事件可以指该虚拟角色在虚拟场景中所发生的社会交往行为。
其中，历史社交事件包括社交对象和社交时间，社交时间是指此次历史社交事件发生的时间，社交对象是指此次历史社交事件中虚拟角色所交往的对象，该社交对象可以是个体交往、群体交往，也可以是真实人类、虚拟对象，等等。
比如，电子游戏领域的社交对象可以包括玩家向非玩家角色(Non-PlayerCharacter，NPC)、玩家角色、玩家阵营等。
比如，电子游戏领域的社交行为可以包括玩家向另一位玩家发送好友申请、玩家向另一位玩家赠送游戏道具、玩家向另一位玩家发送消息，等等。
历史购买事件指在历史时刻虚拟角色在虚拟场景中发生的购买事件，该购买事件可以指该虚拟角色在虚拟场景中的购买行为。
其中，历史购买事件包括购买对象和购买时间，该购买时间是指此次历史购买事件所发生的时间，该购买对象是指虚拟角色在虚拟场景中所购买的对象，该购买对象可以是虚拟物品、虚拟道具、虚拟货币、虚拟游戏属性，等等。
比如，电子游戏领域的购买行为可以包括玩家在游戏虚拟商城内购买游戏外观、玩家从NPC处购买游戏武器，等等。
获取虚拟角色的历史社交事件和历史购买事件的方法具有多种，比如，可以通过网络从数据库中获取，也可以在本地内存中读取，还可以由技术人员输入得到，等等。
在一些实施例中，还可以通过区块链(Block Chain)技术从用户的客户端中获取虚拟角色的历史社交事件和历史购买事件。
102、根据社交时间和购买时间，构建社交对象和购买对象之间的时序关系。
其中，社交对象和购买对象之间的时序关系是指社交对象和购买对象在其对应的历史社交事件、历史购买事件所发生的时间的先后顺序关系。
该时序关系可以以序列、链表、图等方式表现，比如，该时序关系可以是无向图、有向图，等等。
比如，在一些实施例中，时序关系可以包括时序关系图，时序关系图中可以包括多个节点，以及连接两个节点之间的边，步骤102可以包括如下步骤：
A.将社交对象和购买对象作为时序关系图中的节点；
B.根据社交时间和购买时间建立时序关系图中节点之间的边。
比如，参考图1a，可以在步骤101获取虚拟角色的历史社交事件A、B、C，以及历史购买事件D、E；其中，历史购买事件A包括购买对象a和购买时间at，历史购买事件B包括购买对象b和购买时间bt，历史购买事件C包括购买对象c和购买时间ct，历史社交事件D包括社交对象d和社交时间dt，历史社交事件E包括社交对象e和社交时间et。
在本实施例中，可以将购买对象a、b、c，以及社交对象d、e作为时序关系图中的节点，并根据这些节点所对应的社交时间和购买时间的时间先后顺序构建时序关系图中节点之间的边。
在一些实施例中，节点可以包括社交对象节点和购买对象节点，为了理解社交行为和购买行为之间在时间上的关联关系，步骤“B.根据社交时间和购买时间建立时序关系图中节点之间的边”可以包括如下步骤：
根据社交时间对社交对象进行时间顺序排序，得到社交排序结果；
根据社交排序结果对时序关系图中的社交对象节点进行两两连接；
根据购买时间对购买对象进行时间顺序排序，得到购买排序结果；
根据购买排序结果对时序关系图中的购买对象节点进行两两连接；
根据社交时间和购买时间对时序关系图中的节点进行时间顺序排序，得到全局排序结果；
根据全局排序结果对时序关系图中的节点进行两两连接。
其中，社交排序结果中可以包含社交行为之间在时间上的关联关系信息；购买排序结果中可以包含购买行为之间在时间上的关联关系信息；而全局排序结果中可以包含购买行为和社交行为之间在时间上的关联关系信息。
由此，根据社交排序结果、购买排序结果、全局排序结果构建的时序关系图可以体现的社交行为和购买行为在时间上相互的关联和影响，故通过该时序关系图进行预测的预测结果更加准确。
比如，参考图1c，图1c中的浅色节点是购买对象节点，对应图1a中的购买对象a、b、c，深色节点是社交对象节点，对应图1a中的社交对象d、e。
假设这些节点所对应的社交时间、购买时间的先后顺序为at<dt<bt<ct<et，如图1c中的时间轴所示，则可以先根据社交时间对社交对象节点排序，得到社交排序结果a→b→c，按照a→b→c的顺序连接社交对象节点，得到从a指向b的边ab、从b指向c的边bc。
再根据购买时间对购买对象节点排序，得到社交排序结果d→e，根据d→e的顺序连接购买对象节点，得到从d指向e的边de。
最后，根据社交时间和购买时间对时序关系图中的节点进行时间顺序排序，得到全局排序结果a→d→b→c→e，根据a→d→b→c→e的顺序连接节点，得到从a指向d的边ad、从d指向b的边db、从b指向c的边bc，以及从c指向e的边ce。
在一些实施例中，为了进一步地考虑到节点之间的相互影响，即社交与购买之间的相互影响作用，步骤“B.根据社交时间和购买时间建立时序关系图中节点之间的边”之后，还可以包括如下步骤：
确定时序关系图中节点之间的边的指向方向；
根据指向方向对时序关系图中节点之间的边进行权重赋值处理，得到边的影响力权重。
其中，边的指向方向即为上述节点之间根据其对应时间的排序结果确定的时间先后顺序。
在一些实施例中，可以对边进行随机的权重赋值处理，得到边的影响力权重。
在一些实施例中，可以根据该指向方向来对边进行随机的权重赋值处理，得到边的影响力权重。
比如，在一些实施例中，为了降低计算量、提高赋值效率，可以生成随机数来对边的权重进行赋值。
在一些实施例中，为了在降低计算量、提高赋值效率的同时，并且尽量考虑到节点之间的相互影响，可以生成随机数，并根据指向方向来确定将要被赋值的边，将该边的权重赋值为随机数。
例如，将指向方向均为从社交对象节点指向社交对象节点的边赋值为随机数，等等。
其中，指向方向可以包括指入方向和指出方向，指入方向是指从其它节点指向该节点的方向，指出方向是指从该节点指向其它节点的方向。
比如，参考图1c可知，图1c的节点b具有两个指入方向的边，即边ab和db，同时，节点b还具有一个指出方向的边，即边bc。
在一些实施例中，可以根据指入方向的边的数量来确定这些指入的边的赋值。
例如，参考图1c，边ab和db均指入节点b，则节点b受到的影响一半来自节点a，一半来自节点d，故边ab可赋值为1/2，边d可赋值为1/2。
103、基于社交对象、购买对象和时序关系进行特征提取，得到虚拟角色的预测社交特征和预测购买特征。
其中，在一些实施例中，步骤103可以包括如下步骤：
A.基于社交对象和时序关系进行特征提取，得到虚拟角色的预测社交特征；
B.基于购买对象和时序关系进行特征提取，得到虚拟角色的预测购买特征。
其中，在一些实施例中，步骤“A.基于社交对象和时序关系进行特征提取，得到虚拟角色的预测社交特征”可以包括如下步骤：
a1.根据时序关系对社交对象进行特征提取，得到社交对象的局部社交特征；
a2.基于社交对象的局部社交特征确定整体社交特征；
a3.根据社交时间在社交对象中确定近期社交对象，并确定近期社交对象对应的局部社交特征；
a4.根据整体社交特征和近期社交对象对应的局部社交特征确定虚拟角色的预测社交特征。
其中，近期社交对象是指虚拟角色在最近一次发生的历史社交事件中的社交对象，比如，假设在步骤101获取了虚拟角色的3个历史社交事件，分别是昨天12：00发生的历史社交事件X、昨天的15：00发生的历史社交事件Y，以及昨天19：00发生历史社交事件Z，则昨天19：00发生历史社交事件Z是该虚拟角色最近一次发生的历史社交事件，故历史社交事件Z中的社交对象即为近期社交对象。
在一些实施例中，近期社交对象也可以是虚拟角色在最近一段时间内发生的所有的历史社交事件中的社交对象。
在一些实施例中，近期社交对象也可以是虚拟角色在最近N次发生的所有的历史社交事件中的社交对象，该N为预设阈值，可以由技术人员设置。
比如，参考图1d，时序关系是以时序关系图来表现的，根据时序关系图可以对社交对象d进行特征提取，得到社交对象d的局部社交特征Ed；对社交对象e进行特征提取，得到社交对象e的局部社交特征Ee。
然后，基于局部社交特征Ed、Ee，可以确定整体社交特征S’；根据社交时间在社交对象d、e中确定近期社交对象是社交对象e，确定近期社交对象对应的局部社交特征Fe。
最后，根据整体社交特征S’和近期社交对象对应的局部社交特征Fe确定虚拟角色的预测社交特征S。
其中，社交对象对应的局部社交特征是包含了该社交对象个体的表征信息，该局部社交特征可以是该社交对象编号、名称、身份标识等的特征。
其中，整体社交特征是包括了所有社交对象的整体的表征信息。
在一些实施例中，时序关系可以包括时序关系图，时序关系图中可以包括多个节点，以及连接两个节点之间的边，边可以包括边的指向方向和影响力权重，节点可以包括社交对象节点和购买对象节点，步骤“a1.根据时序关系对社交对象进行特征提取，得到社交对象的局部社交特征”时可以包括如下步骤：
在时序关系图中确定社交对象对应的社交对象节点；
根据指向方向在时序关系图的多个节点中确定社交对象节点的社交影响对象节点、购买影响对象节点；
根据连接社交对象节点和社交影响对象节点之间的边的影响力权重计算社交影响对象节点对社交对象所产生的第一局部社交影响；
根据连接社交对象节点和购买影响对象节点之间的边的影响力权重计算购买影响对象节点对社交对象所产生的第二局部社交影响；
根据第一局部社交影响和第二局部社交影响确定社交对象的局部社交特征。
其中，边的指向方向是指该边是由哪一节点指向目标节点的，即，边的指向方向可以表现哪一节点对目标节点具有影响效果，故根据边的指向方向可以确定影响了社交对象节点的社交影响对象节点、购买影响对象节点。
其中，社交影响对象节点是指对该节点具有影响效果的社交对象节点，购买影响对象节点指对该节点具有影响效果的购买对象节点。
例如，参考图1d，对于与节点b相连的三条边中，边ab是由节点a指向节点b，边bc是由节点b指向节点c，边db是由节点d指向节点b，故根据这三条边的指向方向可知，对影响了节点b的节点有节点a和节点d，其中，节点a是购买对象节点，节点d是社交对象节点，故将节点a确定为购买影响对象节点，将节点d确定为社交影响对象节点。
类似地，当社交对象节点为节点e时，节点e的社交影响对象节点为节点d，节点e的购物影响对象节点为节点c，根据边de的影响力权重Wde可以计算社交影响对象节点d对社交对象e所产生的第一局部社交影响，根据边ce的影响力权重Wce可以计算购买影响对象节点c对社交对象e所产生的第二局部社交影响。
比如，可以根据影响社交对象的节点的数量来计算第一局部社交影响和第二局部社交影响。
例如，影响节点e的节点分别为节点c和节点d，故节点c对节点e造成一半影响，节点d对节点e造成另一半影响，此时，第一局部社交影响为1/2*Wde，第二局部社交影响为1/2*Wce；最终，节点e的的局部社交特征可以由第一局部社交影响和第二局部社交影响相加求得，即节点e的的局部社交特征为1/2*Wde+1/2*Wce。
需要注意的是，除了上述方法以外，步骤“a1.根据时序关系对社交对象进行特征提取，得到社交对象的局部社交特征”的特征提取方法具有多种，比如，还可以采用人工神经网络的方法来提取社交对象的局部社交特征。
比如，在一些实施例中，采用图神经网络(Graph Neural Network，GNN)提取社交对象的局部社交特征的步骤如下：
获取训练后的图神经网络；
采用训练后的图神经网络根据时序关系图对社交对象进行特征提取，得到社交对象的局部社交特征。
例如，参考图1d，时序关系图中包括社交对象节点d、e，购买对象节点a、b、c；训练后的图神经网络中包括第一加权系数Wss、第二加权系数Wso、第三加权系数Woo以及第四加权系数Wos。
其中，第一加权系数Wss可以表现社交对象节点对社交对象节点的相互影响力，第二加权系数Wso可以表现社交对象节点对购买对象节点的相互影响力，第三加权系数Woo可以表现购买对象节点对购买对象节点的相互影响力，第四加权系数Wos可以表现购买对象节点对社交对象节点的相互影响力。
训练后的图神经网络可以根据这些加权系数来对时序关系图中的节点与边进行加权求和，从而得到该节点对应的社交对象的局部社交特征。
比如，在一些实施例中，步骤“采用训练后的图神经网络根据时序关系图对社交对象进行特征提取，得到社交对象的局部社交特征”的步骤如下：
在社交对象中确定上一社交对象，以及在购买对象中确定上一购买对象；
根据时序关系图确定上一社交对象对社交对象的影响力，以及确定上一购买对象对社交对象的影响力；
根据第一加权系数、上一社交对象对社交对象的影响力、上一社交对象的局部社交特征进行加权处理，得到社交自影响向量；
根据第四加权系数、上一购买对象对社交对象的影响力、上一购买对象的局部购买特征进行加权处理，得到购买影响向量；
根据社交自影响向量和购买影响向量进行求和处理，得到社交对象的局部社交特征。
其中，上一购买对象是指发生在社交对象对应的社交时间之前最近一次历史购买事件所对应的购买对象，上一社交对象是指发生在社交对象对应的社交时间之前最近一次历史社交事件所对应的社交对象。
比如，参考图1c，对于社交对象e来说，社交对象e的上一社交对象为社交对象d，社交对象e的上一购买对象为购买对象c。
例如，参考图1d，对于社交对象e的局部社交特征Fe的计算示例如下：
Fe＝Wss*Ade*Fd+Wos*Ace*Fc
其中，Wss为训练后的图神经网络中的第一加权系数，Ade为上一社交对象d对社交对象e的影响力，Fd为上一社交对象d的局部社交特征；Wos为训练后的图神经网络中的第四加权系数，Ace为上一购买对象c对社交对象e的影响力，Fc为上一购买对象c的局部社交特征。
其中，上一社交对象d对社交对象e的影响力Ade，以及上一购买对象c对社交对象e的影响力Ace均可以由时序关系图中所有指向节点e的边来计算：
Ade＝Ace＝1/(指向节点e的边的数量)
在图1d中，指向节点e的边有两条，分别为边de和边ce，故可求得Ade＝Ace＝1/2。
在一些实施例中，步骤“a2.基于社交对象的局部社交特征确定整体社交特征”可以通过线性加权的方式实施，例如，参考图1d，整体社交特征S’可以由社交对象d的局部社交特征Fd和社交对象e的局部社交特征Fe进行线性加权求得，公式如下：
S’＝αd*Fd+αe*Fe
其中，αd和αe为训练后的图神经网络中的加权参数。
在一些实施例中，步骤“a4.根据整体社交特征和近期社交对象对应的局部社交特征确定虚拟角色的预测社交特征”可以采用特征拼接的方法进行，故步骤“a4.根据整体社交特征和近期社交对象对应的局部社交特征确定虚拟角色的预测社交特征”可以包括如下步骤：
对整体社交特征和近期社交对象对应的局部社交特征进行特征拼接处理，得到拼接特征；
对拼接特征进行线性变换处理，得到虚拟角色的预测社交特征。
比如，参考图1d，可以将整体社交特征S’和近期社交对象e对应的局部社交特征Fe拼接在一起，并通过训练后的图神经网络进行线性变换，得到虚拟角色的预测社交特征S。
在一些实施例中，步骤“B.基于购买对象和时序关系进行特征提取，得到虚拟角色的预测购买特征”可以包括如下步骤：
b1.根据时序关系对购买对象进行特征提取，得到购买对象的局部购买特征；
b2.基于购买对象的局部购买特征确定整体购买特征；
b3.根据购买时间在购买对象中确定近期购买对象，并确定近期购买对象对应的局部购买特征；
b4.根据整体购买特征和近期购买对象对应的局部购买特征确定虚拟角色的预测购买特征。
类似于步骤“A.基于社交对象和时序关系进行特征提取，得到虚拟角色的预测社交特征”，参考图1d，当时序关系为时序关系图时，可以提取购买对象a、b、c(即购买对象节点a、购买对象节点b、购买对象节点c)的局部购买特征Fa、Fb、Fc。
基于购买对象的局部购买特征Fa、Fb、Fc可以确定整体购买特征O’。
其中，近期购买对象是指虚拟角色在最近一次发生的历史购买事件中的购买对象。在一些实施例中，近期购买对象也可以是虚拟角色在最近一段时间内发生的所有的历史购买事件中的购买对象。
在一些实施例中，近期购买对象也可以是虚拟角色在最近N次发生的所有的历史购买事件中的购买对象，该N为预设阈值，可以由技术人员设置。
比如，在图1d中，近期购买对象是节点c。
根据整体购买特征O’和近期购买对象c对应的局部购买特征Fc即可确定虚拟角色的预测购买特征O。
其中，购买对象对应的局部购买特征是包含了该购买对象个体的表征信息，该局部购买特征可以是表征了该购买对象编号、名称、属性等信息的特征。
其中，整体购买特征包括了所有购买对象的整体的表征信息，即整体购买特征包括了所有局部购买特征所表征的信息。
在一些实施例中，时序关系可以包括时序关系图，时序关系图中可以包括多个节点，以及连接两个节点之间的边，边可以包括边的指向方向和影响力权重，节点可以包括购买对象节点和购买对象节点，步骤“b1.根据时序关系对购买对象进行特征提取，得到购买对象的局部购买特征”可以包括如下步骤：
在时序关系图中确定购买对象对应的购买对象节点；
根据指向方向在时序关系图的多个节点中确定购买对象节点的社交影响对象节点、购买影响对象节点；
根据连接购买对象节点和购买影响对象节点之间的边的影响力权重计算购买影响对象节点对购买对象所产生的第一局部购买影响；
根据连接购买对象节点和购买影响对象节点之间的边的影响力权重计算购买影响对象节点对购买对象所产生的第二局部购买影响；
根据第一局部购买影响和第二局部购买影响确定购买对象的局部购买特征。
由于上述步骤类似于步骤“a1.根据时序关系对社交对象进行特征提取，得到社交对象的局部社交特征”，故在此不做赘述。
在一些实施例中，步骤“b4.根据整体购买特征和近期购买对象对应的局部购买特征确定虚拟角色的预测购买特征”可以包括如下步骤：
对整体购买特征和近期购买对象对应的局部购买特征进行特征拼接处理，得到拼接特征；
对拼接特征进行线性变换处理，得到虚拟角色的预测购买特征。
由于上述步骤类似于步骤“a4.根据整体社交特征和近期社交对象对应的局部社交特征确定虚拟角色的预测社交特征”，故在此不做赘述。
需要注意的是，类似于步骤“a1.根据时序关系对社交对象进行特征提取，得到社交对象的局部社交特征”，步骤“b1.根据时序关系对购买对象进行特征提取，得到购买对象的局部购买特征”的特征提取方法也具有多种，比如，还可以采用人工神经网络的方法来提取购买对象的局部购买特征。
比如，在一些实施例中，采用图神经网络提取购买对象的局部购买特征的步骤如下：
获取训练后的图神经网络；
采用训练后的图神经网络根据时序关系图对购买对象进行特征提取，得到购买对象的局部购买特征。
例如，参考图1d，时序关系图中包括社交对象节点d、e，购买对象节点a、b、c；训练后的图神经网络中包括第一加权系数Wss、第二加权系数Wso、第三加权系数Woo以及第四加权系数Wos。
训练后的图神经网络可以根据这些加权系数来对时序关系图中的节点与边进行加权求和，从而得到该节点对应的购买对象的局部购买特征。
比如，在一些实施例中，步骤“采用训练后的图神经网络根据时序关系图对购买对象进行特征提取，得到购买对象的局部购买特征”的步骤如下：
在社交对象中确定上一社交对象，以及在购买对象中确定上一购买对象；
根据时序关系图确定上一社交对象对购买对象的影响力，以及确定上一购买对象对购买对象的影响力；
根据第二加权系数、上一社交对象对购买对象的影响力、上一社交对象的局部社交特征进行加权处理，得到社交影响向量；
根据第三加权系数、上一购买对象对购买对象的影响力、上一购买对象的局部购买特征进行加权处理，得到购买自影响向量；
根据购买自影响向量和社交影响向量进行求和处理，得到购买对象的局部购买特征。
其中，上一购买对象是指发生在购买对象对应的购买时间之前最近一次历史购买事件所对应的购买对象，上一社交对象是指发生在购买对象对应的购买时间之前最近一次历史社交事件所对应的社交对象。
比如，参考图1c，对于购买对象b来说，购买对象b的上一社交对象为社交对象d，购买对象e的上一购买对象为购买对象a。
例如，参考图1d，对于购买对象b的局部购买特征Fb的计算示例如下：
Fb＝Wso*Adb*Fd+Woo*Aab*Fa
其中，Wso为训练后的图神经网络中的第二加权系数，Adb为上一社交对象d对购买对象b的影响力，Fd为上一社交对象d的局部社交特征；Woo为训练后的图神经网络中的第三加权系数，Aab为上一购买对象a对购买对象b的影响力，Fa为上一购买对象c的局部购买特征。
其中，上一社交对象d对购买对象b的影响力Adb，以及上一购买对象a对购买对象b的影响力Aab均可以由时序关系图中所有指向节点b的边来计算：
Adb＝Aab＝1/(指向节点b的边的数量)
在图1d中，指向节点b的边有两条，分别为边ab和边db，故可求得Adb＝Aab＝1/2。
在一些实施例中，类似于步骤“a2.基于社交对象的局部社交特征确定整体社交特征”，步骤“b2.基于购买对象的局部购买特征确定整体购买特征”也可以通过线性加权的方式实施，例如，参考图1d，整体购买特征O’可以由局部购买特征Fa、Fb、Fc进行线性加权求得，公式如下：
S’＝αa*Fa+αb*Fb+αc*Fc
其中，αa、αb、αc均为训练后的图神经网络中的加权参数。
在一些实施例中，类似于步骤“a4.根据整体社交特征和近期社交对象对应的局部社交特征确定虚拟角色的预测社交特征”，步骤“b4.根据整体购买特征和近期购买对象对应的局部购买特征确定虚拟角色的预测购买特征”也可以采用特征拼接的方法进行，故步骤“b4.根据整体购买特征和近期购买对象对应的局部购买特征确定虚拟角色的预测购买特征”可以包括如下步骤：
对整体购买特征和近期购买对象对应的局部购买特征进行特征拼接处理，得到拼接特征；
对拼接特征进行线性变换处理，得到虚拟角色的预测购买特征。
比如，参考图1d，可以将整体购买特征O’和近期购买对象c对应的局部购买特征Fc拼接在一起，并通过训练后的图神经网络进行线性变换，得到虚拟角色的预测购买特征O。
104、基于预测社交特征和预测购买特征预测虚拟角色的待购买对象。
可以采用多种方法进行步骤1014，比如，在一些实施例中，可以采用人工神经网络来基于预测社交特征和预测购买特征预测虚拟角色的待购买对象。
比如，采用感支持向量机、逻辑斯特回归模型、朴素贝叶等进行分类预测。
在一些实施例中，步骤104可以包括如下步骤：
A.对虚拟角色进行用户特征提取，得到虚拟角色的用户特征；
B.对虚拟角色的用户特征、预测社交特征和预测购买特征进行特征融合，得到融合特征；
C.根据融合特征预测虚拟角色的待购买对象。
在一些实施例中，可以采用向量拼接的方式进行特征融合。
在一些实施例中，还可以采用本发明预测符合用户社交需求的好友，故在步骤“B.对虚拟角色的用户特征、预测社交特征和预测购买特征进行特征融合，得到融合特征”之后，还可以根据融合特征预测虚拟角色的待社交对象。
105、对待购买对象进行购买推荐处理。
对待购买对象进行购买推荐处理的方法具有多种。
比如，在一些实施例中，可以直接从数据库中查询该待购买对象的信息，并显示这些信息，从而实现购物推荐。
在一些实施例中，还可以从数据库中查询该待购买对象的信息之后，将这些信息发送给客户端，以便该客户端显示这些信息，从而实现购物推荐。
在一些实施例中，虚拟角色可以为用户在虚拟游戏中控制的游戏角色，待购买对象可以为虚拟游戏中的虚拟游戏道具，故步骤104可以包括如下步骤：
基于预测社交特征和预测购买特征计算虚拟游戏道具对于虚拟角色的推荐度；
基于推荐度在虚拟游戏道具中确定待购买对象。
此时，步骤105可以包括如下步骤：
显示虚拟游戏道具页面；
根据推荐度在虚拟游戏道具页面显示待购买对象。
参考图1e，该虚拟游戏道具页面可以是游戏商城页面，玩家可以在游戏画面中触发游戏商城控件，从而显示游戏商城页面，该游戏商城页面中包括多个按照推荐度从高到低排序的待购买对象的名称、价格、折扣信息以及道具预览图。
参考图1f，该虚拟游戏道具页面可以是游戏活动页面，当玩家进入游戏时，可以向玩家显示游戏活动页面，该游戏活动页面中包括高亮显示的待购买对象的信息，以及其它游戏道具的信息。
在一些实施例中，在步骤104中可以预测虚拟角色的待社交对象，故还可以在步骤105执行如下步骤：
显示好友推荐页面；
在好友推荐页面显示待社交对象。
比如，参考图1g，当玩家在游戏画面中触发好友列表控件时，可以显示好友列表页面，在好友列表页面中可以高亮显示待社交对象的信息。
由上可知，本发明实施例可以获取虚拟角色的历史社交事件和历史购买事件，历史社交事件包括社交对象和社交时间，历史购买事件包括购买对象和购买时间；根据社交时间和购买时间，构建社交对象和购买对象之间的时序关系基于社交对象、购买对象和时序关系进行特征提取，得到虚拟角色的预测社交特征和预测购买特征；基于预测社交特征和预测购买特征预测虚拟角色的待购买对象；对待购买对象进行购买推荐处理。
由此，本方案可以通过用户在历史时刻的购买事件来自动、智能地预测用户下一次购买事件，在预测的同时，还会考虑到用户以前的社交行为对其购买行为的影响，使得预测的待购买对象更符合用户的社交习惯和购物习惯，从而提升智能推荐方法的准确度。
根据上述实施例所描述的方法，以下将作进一步详细说明。
在本实施例中，将以智能推荐方法应用于电子游戏的游戏道具推荐中为例，对本发明实施例的方法进行详细说明。
如图2所示，一种智能推荐方法具体流程如下：
201、获取预设模型和训练数据，并采用训练数据对预设模型进行训练，得到推荐模型。
在一些实施例中，预设模型可以包括GNN。
在一些实施例中，可以通过网络获取预设模型，也可以由技术人员输入，等等。
在一些实施例中，训练数据可以从用户日志数据库中获取，也可以由技术人员在网络上搜集获取，等等。
其中，训练数据记录了玩家在历史时刻的社交事件和购买事件，该训练数据标注了玩家在历史时刻进行了一系列购买和社交行为之后的真实购买标注(即玩家真实购买的游戏道具)，以及真实社交标注(即玩家真实添加的好友)，该标注可以由技术人员进行标注，也可以由计算机自动根据用户日志数据库中的数据生成。
在步骤201中，可以采用步骤102的方法根据训练数据构建时序关系训练图，该时序关系训练图可以继承训练数据的真实购买标注和真实社交标注。
将时序关系训练图输入预设模型进行训练时，预设模型可以提取得到时序关系训练图中玩家的预测社交特征和预测购买特征，并基于预测社交特征和预测购买特征预测玩家的待购买对象预测值，以及待社交对象预测值。
然后，根据待购买对象预测值、待社交对象预测值、真实购买标注和真实社交标注来对预测模型进行收敛，最终得推荐模型。
在一些实施例中，可以只根据待购买对象预测值和真实购买标注来对预测模型进行收敛，最终得推荐模型。
在一些实施例中，可以只根据待社交对象预测值和真实社交标注来对预测模型进行收敛，最终得推荐模型。
在一些实施例中，可以根据待购买对象预测值和真实购买标注来对预测模型进行收敛的同时，也根据待社交对象预测值和真实社交标注来对预测模型进行收敛，最终得推荐模型。
例如，根据待购买对象预测值和真实购买标注来对预测模型进行收敛，以及根据待社交对象预测值和真实社交标注来对预测模型进行收敛，均为简单的分类任务，故可以对待购买对象预测值、待社交对象预测值进行线性加权处理，从而得到整体多任务的损失(loss)，对该loss进行梯度下降(Gradient Descent)联合学习(Joint learning)，并对预设模型进行反向梯度传播(Backpropagation Algorithm)处理，从而更新预设模型中的参数，直至预设模型收敛。
其中，在一些实施例中，线性加权过程如下：
采用softmax函数计算购买对象预测值和真实购买标注之间的交叉熵，作为购买损失；
采用softmax函数计算社交对象预测值和真实社交标注之间的交叉熵，作为社交损失；
根据购买损失和社交损失确定模型损失。
例如，对于购买损失loss_O和社交损失loss_S，可根据如下公式计算模型损失loss：
loss＝J*loss_O+K*loss_S
其中，J和K均为权重参数。
其中，在一些实施例中，联合学习过程如下：
对模型损失进行梯度求解处理，得到模型参数梯度；
对模型参数梯度进行反向梯度传播，直至预设模型收敛。
202、从用户数据库中获取玩家的历史社交事件和历史购买事件，历史社交事件可以包括好友名称和社交时间，历史购买事件可以包括道具名称和购买时间。
参考步骤101，在此不做赘述。
203、根据社交时间和购买时间，构建时序关系图，该时序关系图包括好友节点和道具节点。
参考步骤102，在此不做赘述。
204、采用推荐模型基于好友名称、道具名称和时序关系进行特征提取，得到玩家的预测社交特征和预测购买特征。
在一些实施例中，推荐模型包括第一加权系数Woo、第二加权系数Wpp、第三加权系数Wop和第四加权系数Wpo。
步骤204可以包括如下步骤：
采用推荐模型的第一加权系数和第四加权系数，根据时序关系图提取玩家的预测社交特征P；
采用推荐模型的第二加权系数和第三加权系数，根据时序关系图提取玩家的预测购买特征O。
如下：
O＝∑i＝1,2,3,4αi*Foi+Foi-1
P＝∑j＝1,2,3,4αj*Fpj+Fpj-1
其中，oi为按照时间排序第i个游戏道具，pj为为按照时间排序第j个好友，o′i为用户在购买oi之前前一个购买的游戏道具，p′j为用户在添加好友pj之前前一个添加的好友，Foi为游戏道具oi的局部道具特征，Fpj为好友pj的局部好友特征，#o′i为o′i的数量，#p′i为p′i的数量，#p′j为p′j的数量，#o′j为o′j的数量。
具体步骤可以参考步骤103，在此不做赘述。
205、基于预测社交特征和预测购买特征预测玩家的推荐道具。
参考步骤104，在此不做赘述。
206、在道具数据库中查询推荐道具的道具信息，并将道具信息发送给玩家的客户端，以便客户端向玩家推荐该推荐道具。
参考步骤105，在此不做赘述。
发明人发现，在本发明提供的推荐方法，在游戏应用的游戏道具推荐中具有良好的推荐效果，相比于现有的推荐方法，采用本发明的推荐方法的游戏道具，在推荐指数MRR(Mean reciprocal rank)指数和Hit ration指数中有明显的提升，其中，Hit ration指数如表1所示，MRR指数如表2所示。
表1
表2
由上可知，本发明实施例可以获取预设模型和训练数据，并采用训练数据对预设模型进行训练，得到推荐模型；从用户数据库中获取玩家的历史社交事件和历史购买事件，历史社交事件可以包括好友名称和社交时间，历史购买事件可以包括道具名称和购买时间；根据社交时间和购买时间，构建时序关系图，该时序关系图包括好友节点和道具节点；采用推荐模型基于好友名称、道具名称和时序关系进行特征提取，得到玩家的预测社交特征和预测购买特征；基于预测社交特征和预测购买特征预测玩家的推荐道具；在道具数据库中查询推荐道具的道具信息，并将道具信息发送给玩家的客户端，以便客户端向玩家推荐该推荐道具。
由此，本方案可以从时间顺序的角度上理解用户的交友行为和购买道具行为之间的关联关系，利用采用多任务联合学习和时序学习的方式来进行预测，相比于现有技术中游戏道具推荐方法仅仅对玩家的购买数据进行分析，并构建单一的推荐模型，本方案考虑到了玩家购买中的时间序列关系，以及玩家之间的社交行为，从而预测出更符合玩家需求的游戏道具，使得推荐指标具有明显的提升，故本方案能够提升智能推荐方法的准确度。
为了更好地实施以上方法，本发明实施例还提供一种智能推荐装置，该智能推荐装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
比如，在本实施例中，将以智能推荐装置具体集成在服务器中为例，对本发明实施例的方法进行详细说明。
例如，如图3所示，该智能推荐装置可以包括获取单元301、构建单元302、提取单元303、预测单元304以及推荐单元305，如下：
(一)获取单元301：
获取单元301可以用于获取虚拟角色的历史社交事件和历史购买事件，历史社交事件包括社交对象和社交时间，历史购买事件包括购买对象和购买时间。
(二)构建单元302：
构建单元302可以用于根据社交时间和购买时间，构建社交对象和购买对象之间的时序关系。
在一些实施例中，时序关系可以包括时序关系图，时序关系图中可以包括多个节点，以及连接两个节点之间的边，构建单元302可以包括节点子单元和边子单元，如下：
(1)节点子单元：
节点子单元可以用于将社交对象和购买对象作为时序关系图中的节点；
(2)边子单元：
边子单元可以用于根据社交时间和购买时间建立时序关系图中节点之间的边。
在一些实施例中，节点可以包括社交对象节点和购买对象节点，边子单元可以用于：
根据社交时间对社交对象进行时间顺序排序，得到社交排序结果；
根据社交排序结果对时序关系图中的社交对象节点进行两两连接；
根据购买时间对购买对象进行时间顺序排序，得到购买排序结果；
根据购买排序结果对时序关系图中的购买对象节点进行两两连接；
根据社交时间和购买时间对时序关系图中的节点进行时间顺序排序，得到全局排序结果；
根据全局排序结果对时序关系图中的节点进行两两连接。
在一些实施例中，边子单元，还可以用于：
确定时序关系图中节点之间的边的指向方向；
根据指向方向对时序关系图中节点之间的边进行权重赋值处理，得到边的影响力权重。
(三)提取单元303：
提取单元303以用于基于社交对象、购买对象和时序关系进行特征提取，得到虚拟角色的预测社交特征和预测购买特征。
在一些实施例中，提取单元303可以包括社交子单元和购买子单元，如下：
(1)社交子单元：
社交子单元可以用于基于社交对象和时序关系进行特征提取，得到虚拟角色的预测社交特征。
在一些实施例中，社交子单元可以包括局部社交子模块、整体社交子模块、近期社交子模块和预测社交子模块，如下：
A.局部社交子模块：
局部社交子模块可以用于根据时序关系对社交对象进行特征提取，得到社交对象的局部社交特征。
在一些实施例中，时序关系可以包括时序关系图，时序关系图中可以包括多个节点以及连接两个节点之间的边，边可以包括边的指向方向和影响力权重，节点可以包括社交对象节点和购买对象节点，局部社交子模块可以用于：
在时序关系图中确定社交对象对应的社交对象节点；
根据指向方向在时序关系图的多个节点中确定社交对象节点的社交影响对象节点、购买影响对象节点；
根据连接社交对象节点和社交影响对象节点之间的边的影响力权重计算社交影响对象节点对社交对象所产生的第一局部社交影响；
根据连接社交对象节点和购买影响对象节点之间的边的影响力权重计算购买影响对象节点对社交对象所产生的第二局部社交影响；
根据第一局部社交影响和第二局部社交影响确定社交对象的局部社交特征。
B.整体社交子模块：
整体社交子模块可以用于基于社交对象的局部社交特征确定整体社交特征。
C.近期社交子模块：
近期社交子模块可以用于根据社交时间在社交对象中确定近期社交对象，并确定近期社交对象对应的局部社交特征。
D.预测社交子模块：
预测社交子模块可以用于根据整体社交特征和近期社交对象对应的局部社交特征确定虚拟角色的预测社交特征。
在一些实施例中，预测社交子模块可以用于：
对整体社交特征和近期社交对象对应的局部社交特征进行特征拼接处理，得到拼接特征；
对拼接特征进行线性变换处理，得到虚拟角色的预测社交特征。
(2)购买子单元：
购买子单元可以用于基于购买对象和时序关系进行特征提取，得到虚拟角色的预测购买特征。
在一些实施例中，购买子单元可以包括局部购买子模块、整体购买子模块、近期购买子模块和预测购买子模块，如下：
A.局部购买子模块：
局部购买子模块可以用于根据时序关系对购买对象进行特征提取，得到购买对象的局部购买特征。
在一些实施例中，时序关系可以包括时序关系图，时序关系图中可以包括多个节点以及连接两个节点之间的边，边可以包括边的指向方向和影响力权重，节点可以包括购买对象节点和购买对象节点，局部购买子模块可以用于：
在时序关系图中确定购买对象对应的购买对象节点；
根据指向方向在时序关系图的多个节点中确定购买对象节点的社交影响对象节点、购买影响对象节点；
根据连接购买对象节点和购买影响对象节点之间的边的影响力权重计算购买影响对象节点对购买对象所产生的第一局部购买影响；
根据连接购买对象节点和购买影响对象节点之间的边的影响力权重计算购买影响对象节点对购买对象所产生的第二局部购买影响；
根据第一局部购买影响和第二局部购买影响确定购买对象的局部购买特征。
B.整体购买子模块：
整体购买子模块可以用于基于购买对象的局部购买特征确定整体购买特征。
C.近期购买子模块：
近期购买子模块可以用于根据购买时间在购买对象中确定近期购买对象，并确定近期购买对象对应的局部购买特征。
D.预测购买子模块：
预测购买子模块可以用于根据整体购买特征和近期购买对象对应的局部购买特征确定虚拟角色的预测购买特征。
在一些实施例中，预测购买子模块可以用于：
对整体购买特征和近期购买对象对应的局部购买特征进行特征拼接处理，得到拼接特征；
对拼接特征进行线性变换处理，得到虚拟角色的预测购买特征。
(四)预测单元304：
预测单元304可以用于基于预测社交特征和预测购买特征预测虚拟角色的待购买对象。
在一些实施例中，预测单元304可以包括用户特征子单元、融合子单元和预测子单元，如下：
(1)用户特征子单元：
用户特征子单元可以用于对虚拟角色进行用户特征提取，得到虚拟角色的用户特征。
(2)融合子单元：
融合子单元可以用于对虚拟角色的用户特征、预测社交特征和预测购买特征进行特征融合，得到融合特征。
(3)预测子单元：
预测子单元可以用于根据融合特征预测虚拟角色的待购买对象。
在一些实施例中，融合子单元，还可以包括社交预测子模块和好友推荐子模块，如下：
A.社交预测子模块：
社交预测子模块可以用于根据融合特征预测虚拟角色的待社交对象。
B.好友推荐子模块：
好友推荐子模块可以用于对待社交对象进行好友推荐处理。
在一些实施例中，好友推荐子模块可以用于：
显示好友推荐页面；
在好友推荐页面显示社交对象。
(五)推荐单元305：
推荐单元305可以用于对待购买对象进行购买推荐处理。
在一些实施例中，虚拟角色为用户在虚拟游戏中控制的游戏角色，待购买对象为虚拟游戏中的虚拟游戏道具，预测单元304可以用于：
基于预测社交特征和预测购买特征计算虚拟游戏道具对于虚拟角色的推荐度；
基于推荐度在虚拟游戏道具中确定待购买对象；
此时，在一些实施例中，推荐单元305可以用于：
显示虚拟游戏道具页面；
根据推荐度在虚拟游戏道具页面显示待购买对象。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
由上可知，本实施例的智能推荐装置由获取单元获取虚拟角色的历史社交事件和历史购买事件，历史社交事件包括社交对象和社交时间，历史购买事件包括购买对象和购买时间；由构建单元根据社交时间和购买时间，构建社交对象和购买对象之间的时序关系；由提取单元基于社交对象、购买对象和时序关系进行特征提取，得到虚拟角色的预测社交特征和预测购买特征；由预测单元基于预测社交特征和预测购买特征预测虚拟角色的待购买对象；由推荐单元对待购买对象进行购买推荐处理。
由此，本发明实施例可以提升智能推荐方法的准确度。
本发明实施例还提供一种电子设备，该电子设备可以为服务器。其中，服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，等等。
在一些实施例中，该智能推荐装置还可以集成在多个服务器中，由多个服务器来实现本发明的智能推荐方法。
在本实施例中，将以本实施例的电子设备是服务器为例进行详细描述，比如，如图4所示，其示出了本发明实施例所涉及的服务器的结构示意图，具体来讲：
该服务器可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403、输入模块404以及通信模块405等部件。本领域技术人员可以理解，图4中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。在一些实施例中，处理器401可包括一个或多个处理核心；在一些实施例中，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
服务器还包括给各个部件供电的电源403，在一些实施例中，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该服务器还可包括输入模块404，该输入模块404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
该服务器还可包括通信模块405，在一些实施例中通信模块405可以包括无线模块，服务器可以通过该通信模块405的无线模块进行短距离无线传输，从而为用户提供了无线的宽带互联网访问。比如，该通信模块405可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。
尽管未示出，服务器还可以包括显示单元等，在此不再赘述。具体在本实施例中，服务器中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取虚拟角色的历史社交事件和历史购买事件，历史社交事件包括社交对象和社交时间，历史购买事件包括购买对象和购买时间；
根据社交时间和购买时间，构建社交对象和购买对象之间的时序关系；
基于社交对象、购买对象和时序关系进行特征提取，得到虚拟角色的预测社交特征和预测购买特征；
基于预测社交特征和预测购买特征预测虚拟角色的待购买对象；
对待购买对象进行购买推荐处理。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
由上可知，本发明实施例提升了智能推荐方法的准确度。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本发明实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种智能推荐方法中的步骤。例如，该指令可以执行如下步骤：
获取虚拟角色的历史社交事件和历史购买事件，历史社交事件包括社交对象和社交时间，历史购买事件包括购买对象和购买时间；
根据社交时间和购买时间，构建社交对象和购买对象之间的时序关系；
基于社交对象、购买对象和时序关系进行特征提取，得到虚拟角色的预测社交特征和预测购买特征；
基于预测社交特征和预测购买特征预测虚拟角色的待购买对象；
对待购买对象进行购买推荐处理。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种智能推荐方法中的步骤，因此，可以实现本发明实施例所提供的任一种智能推荐方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本发明实施例所提供的一种智能推荐方法、装置、服务器和计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
