【技术实现步骤摘要】
结合数字化和云游戏的数据分析方法及云游戏平台系统
[0001]本申请涉及数字化和云游戏
,更具体地,涉及一种结合数字化和云游戏的数据分析方法及云游戏平台系统。
技术介绍
[0002]电子游戏(Video Games),是指借助于电子设备平台而运行的交互游戏。一般而言,根据运行媒介的不同,电子游戏可以分为以下几类:主机游戏、掌机游戏、街机游戏、电脑游戏及手机游戏。
[0003]随着科技的发展,数字化和云计算技术的应用越来越广泛,这也使得游戏模式逐渐向云端转型以形成云游戏这一新的游戏模式。由于云游戏的终端的性能要求低,近年来发展迅猛。在实际应用过程中,游戏的升级优化必不可少,为了提高升级优化效率,通常需要进行游戏用户分析。然而专利技术人经研究发现,相关的游戏用户分析技术难以针对不同游戏事件进行差异化分析,进而难以保障游戏用户分析依据的精度和针对性。
技术实现思路
[0004]本申请的一个目的是提供一种用于进行游戏用户分析的新技术方案。
[0005]第一方面,本申请提供了一种结合数字化和云游戏的数据分析方法,应用于云游戏平台系统,所述方法至少包括:获得存在兴趣分析需求的游戏互动资源;利用所述存在兴趣分析需求的游戏互动资源,确定视觉型互动资源描述和若干注意力表达分布;所述视觉型互动资源描述用于表示所述存在兴趣分析需求的游戏互动资源中各个热点服务事件之间的辐射型关联情况;每个所述注意力表达分布中涵盖所述存在兴趣分析需求的游戏互动资源的一种类型的注意力表达,不同类型的注意力表达对应所述热点服 ...
【技术保护点】
【技术特征摘要】
1.一种结合数字化和云游戏的数据分析方法,其特征在于,应用于云游戏平台系统,所述方法至少包括:获得存在兴趣分析需求的游戏互动资源;利用所述存在兴趣分析需求的游戏互动资源,确定视觉型互动资源描述和若干注意力表达分布;所述视觉型互动资源描述用于表示所述存在兴趣分析需求的游戏互动资源中各个热点服务事件之间的辐射型关联情况;每个所述注意力表达分布中涵盖所述存在兴趣分析需求的游戏互动资源的一种类型的注意力表达,不同类型的注意力表达对应所述热点服务事件的不同游戏互动状态;利用所述视觉型互动资源描述和若干所述注意力表达分布,确定原始注意力表达关系网络;所述原始注意力表达关系网络中涵盖所述存在兴趣分析需求的游戏互动资源中不同类型的注意力表达的数据以及传递指示的数据,每个传递指示为两个不同类型的注意力表达之间的可视化关系;对所述原始注意力表达关系网络进行多于一次所述传递指示的优化处理,直至将完成优化处理的注意力表达关系网络中的若干注意力表达划分为若干共性描述集,得到分别对应于各个热点服务事件的注意力表达结果。2.如权利要求1所述的方法,其特征在于,在得到所述存在兴趣分析需求的游戏互动资源中的每个热点服务事件的注意力表达结果之后,还包括:结合每个热点服务事件对应的所述注意力表达结果,确定该热点服务事件的意图标签。3.如权利要求1所述的方法,其特征在于,在得到所述存在兴趣分析需求的游戏互动资源中的每个热点服务事件的注意力表达结果之后,还包括:结合每个热点服务事件对应的所述注意力表达结果,确定该热点服务事件的不少于一个目标游戏互动状态的空间关联数据,并根据所述不少于一个目标游戏互动状态的空间关联数据,确定对于所述不少于一个目标游戏互动状态的可视化关注内容。4.如权利要求1所述的方法,其特征在于,所述每个热点服务事件的注意力表达结果通过事先完成训练的目标机器学习模型确定;其中,所述目标机器学习模型是由包括特征单元分类层的初始化机器学习模型训练所得的,所述特征单元分类层用于检测每个区域性特征单元中包括的若干注意力表达是否属于同一热点服务事件;其中,采用以下方式对所述初始化机器学习模型进行训练,得到事先完成训练的目标机器学习模型:获得参考游戏互动资源;利用所述参考游戏互动资源,对包括所述特征单元分类层的初始化机器学习模型进行训练,得到事先完成训练的目标机器学习模型;其中,利用所述参考游戏互动资源,对包括所述特征单元分类层的初始化机器学习模型进行训练,得到事先完成训练的目标机器学习模型,包括:利用所述参考游戏互动资源,对所述初始化机器学习模型进行训练,得到测试情况,所述测试情况包括所述特征单元分类层的分类情况、每个注意力表达的测试类型、以及每个注意力表达的测试空间关联数据;利用所述特征单元分类层的分类情况,确定第一模型质量评价;以及利用所述每个注意力表达的测试类型、所述每个注意力表达的测试空间关联数据,和所述参考游戏互动资源中配置的判定结果,确定第二模型质量评价;
其中,所述判定结果包括每个注意力表达属于对应热点服务事件的判定类型,以及每个注意力表达的判定空间关联数据;利用所述第一模型质量评价和所述第二模型质量评价,对所述初始化机器学习模型进行训练,得到事先完成训练的目标机器学习模型。5.如权利要求1所述的方法,其特征在于,所述注意力表达的数据包括空间关联数据、类型数据、以及关键互动主题数据;通过如下内容确定所述原始注意力表达关系网络中各个注意力表达的数据:利用所述注意力表达分布,确定各个注意力表达的空间关联数据;结合每个所述注意力表达的空间关联数据,从所述视觉型互动资源描述中挖掘所述注意力表达的关键互动主题数据,并利用所述注意力表达所属注意力表达分布的类型关键词,确定所述注意力表达对应的类型数据。6.如权利要求1所述的方法,其特征在于,所述方法还包括:对于所述原始注意力表达关系网络中的每个所述注意力表达,利用所述注意力表达的数据和所述注意力表达关系网络中与所述注意力表达之间存在传递指示的其他注意力表达的数据,确定所述注意力表达的拼接描述;所述对所述原始注意力表达关系网络进行多于一次所述传递指示的优化处理,包括:利用所述原始注意力表达关系网络中涵盖的每个所述注意力表达的拼接描述,对所述原始注意力表达关系网络进行多于一次所述传递指示的优化处理。7.如权利要求1所述的方法,其特征在于,所述对所述原始注意力表达关系网...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。