1.基于时间信息和序列上下文的下一个游戏推荐方法，其特征在于包括如下步骤：步骤(1)构建模型的输入；

处理用户序列数据，分别从用户序列信息数据中抽取出用户游戏文件、用户间隔时间文件和用户持续时间文件；

步骤(2)使用词嵌入工具处理用户游戏文件，生成游戏的低维稠密向量表示；

步骤(3)构建间隔时间门和持续时间门；

其中 表示所有用户的第k个游戏低维稠密向量构成的矩阵；Δtk：表示所有用户的第k个游戏到第k+1个游戏之间的间隔时间构成的向量；dk：表示所有用户的第k个游戏的持续时间构成的向量；Ik和Dk：分别表示第k个游戏所对应的间隔时间门和第k个游戏所对应的持续时间门； 和 分别表示xk在间隔时间门和持续时间门中的权重矩阵； 和分别表示Δtk和dk的权重矩阵； 和 分别表示间隔时间门和持续时间门偏置； 和表示sigmoid函数； 和 表示双曲正切函数；

步骤(4)构建主要模型；

其中ck：表示传统的LSTM的cell，里面存储着之前的序列信息； 和 分别表示在ck结合了间隔时间和持续时间信息的新cell；hk：模型在第k个神经单元的输出；ik和ok：分别表示模型中的输入门和输出门；Wi,Wc和Wo：表示模型的输入门，cell单元，输出门的中x的权重矩阵；Ui,c和Uo：表示模型的输入门，cell单元，输出门中hk的权重矩阵；Pi和Po：表示模型的输入门，输出门中ck的权重矩阵；bi,bc和bo：表示模型的输入门，cell单元和输出门的偏置；

σi和σo：表示sigmoid函数；σc和σh：表示双曲正切函数；操作°：表示向量的元素逐位相乘；

步骤(5)设置模型参数，进行训练，并保存模型；

步骤(6)使用保存的模型对新用户的用户序列数据生成推荐。

2.根据权利要求1所述的基于时间信息和序列上下文的下一个游戏推荐方法，其特征在于：步骤(5)中的模型具体训练步骤如下：将预先训练好的embedding向量读入到模型的embedding层中，执行以下步骤：

7‑1.将用户游戏信息文件，用户间隔时间信息文件和用户持续时间信息文件同时读入，如果有序列的长度超出了预设的最大长度Mlen，将其截断；

7‑2.验证模型的每一个游戏是否和间隔时间，持续时间相对应；

7‑3.将数据按照事先定义好的batch_size大小，分批输入到模型中；

7‑4.在模型开始训练时，将c0和h0初始化为零矩阵；所有的权重向量按照正态分布进行随机初始化；

7‑5.用户的游戏数据在输入的时候，将其转化为one‑hot向量xk；

7‑6.用户游戏数据在经过embedding层时，被转化成低维稠密向量

7‑7.用户的间隔时间数据和持续时间数据分别按照batch_size的大小输入到间隔时间门Ik和持续时间门Dk；

7‑8.开始计算每一个模型输出的值；并通过和游戏序列中真实的下一个游戏进行比较，计算损失函数，按照随机梯度下降法对模型的权重参数进行学习和调整。