结合数字化和云游戏的数据分析方法及云游戏平台系统与流程

1.本技术涉及数字化和云游戏技术领域，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。


背景技术：

2.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。
3.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。然而发明人经研究发现，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。


技术实现要素：

4.本技术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。
5.第一方面，本技术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。
6.如此设计，可以基于确定的视觉型互动资源描述和若干注意力表达分布，确定存在兴趣分析需求的游戏互动资源对应的原始注意力表达关系网络，由于原始注意力表达关系网络中包括视觉型互动资源描述和注意力表达分布中的数据，而视觉型互动资源描述可以表示出存在兴趣分析需求的游戏互动资源中不同热点服务事件之间的辐射型关联情况，从而可以对原始注意力表达关系网络进行所对应传递指示的优化处理，得到各个热点服务事件的注意力表达结果，尽可能精准地对不同热点服务事件的注意力表达进行差异化分析，以提高注意力表达划分的准确性和可靠性，这样可以将各个热点服务事件的注意力表达结果作为兴趣分析需求的依据，以保障游戏用户兴趣需求挖掘分析的精度和针对性。
7.对于一些可独立实施的设计思路而言，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。
8.对于一些可独立实施的设计思路而言，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。
9.如此设计，通过针对每个注意力表达，基于该注意力表达的数据和与该注意力表达之间存在传递指示的其他注意力表达的数据，确定该注意力表达对应的拼接描述，这样，该注意力表达的拼接描述不仅可以表示该注意力表达的显著性描述信息，还可以表示该注意力表达与其他注意力表达之间的相关性情况，使得基于各个注意力表达分别对应的拼接描述，可以尽可能准确地对原始注意力表达关系网络进行多次传递指示的优化处理，进而准确可靠地确定每个热点服务事件对应的注意力表达结果。
10.对于一些可独立实施的设计思路而言，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，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，包括：针对当前注意力表达关系网络启用第一目标操作：利用所述当前注意力表达关系网络中的每组传递指示对应的两个注意力表达的拼接描述，对所述当前注意力表达关系网络包括的若干注意力表达中存在上下游联系的注意力表达进行同一热点服务事件的注意力表达划分，得到不少于一个区域性特征单元；其中，所述区域性特征单元中包括划分后的若干存在上下游联系的注意力表达；并结合每个所述区域性特征单元中包括的注意力表达的拼接描述，确定所述区域性特征单元的拼接描述；利用得到的不少于一个所述区域性特征单元和所述当前注意力表达关系网络，对所述当前注意力表达关系网络进行当前轮所述传递指示的优化处理，并得到当前轮优化处理后的注意力表达关系网络；在完成当前轮的所述第一目标操作之后，将当前轮优化处理后的注意力表达关系网络作为当前注意力表达关系网络，将当前轮确定的所述区域性特征单元以及所述区域性特征单元的拼接描述作为所述当前注意力表达关系网络中的注意力表达以及注意力表达的拼接描述，并再次启用所述第一目标操作，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。
11.如此设计，在每一轮第一目标操作中，对存在上下游联系的注意力表达进行一次划分，得到不少于一个区域性特征单元，每个区域性特征单元中包括的若干注意力表达为同一热点服务事件的注意力表达，通过对原始注意力表达关系网络进行多次第一目标操作，直到完成操作的注意力表达关系网络中的若干注意力表达被划分为若干共性描述集，得到了每个热点服务事件的注意力表达结果，以保障每个热点服务事件对应的注意力表达结果的完整性和准确性。
12.对于一些可独立实施的设计思路而言，所述利用所述当前注意力表达关系网络中的每组传递指示对应的两个注意力表达的拼接描述，对所述当前注意力表达关系网络包括的若干注意力表达中存在上下游联系的注意力表达进行同一热点服务事件的注意力表达划分，得到不少于一个区域性特征单元，包括：利用所述传递指示对应的两个注意力表达的拼接描述，确定所述传递指示的分类指数，所述分类指数表示所述传递指示对应的两个注意力表达属于同一热点服务事件的可能性；利用所述当前注意力表达关系网络中包括的每组传递指示的分类指数，对所述当前注意力表达关系网络包括的若干注意力表达中存在上下游联系的注意力表达进行同一热点服务事件的注意力表达划分，得到不少于一个区域性特征单元。
13.如此设计，通过确定每组传递指示的分类指数，该分类指数表示传递指示对应的两个注意力表达属于同一热点服务事件的可能性，再可以基于每组传递指示的分类指数，对当前注意力表达关系网络包括的若干注意力表达中存在上下游联系的注意力表达进行同一热点服务事件的注意力表达划分，得到不少于一个区域性特征单元，比如将对应分类指数较大的两个注意力表达划分为一组，得到一个区域性特征单元，保障区域性特征单元的准确性和完整性。
14.对于一些可独立实施的设计思路而言，所述利用得到的不少于一个所述区域性特征单元和所述当前注意力表达关系网络，对所述当前注意力表达关系网络进行当前轮所述传递指示的优化处理，并得到当前轮优化处理后的注意力表达关系网络，包括：利用得到的不少于一个所述区域性特征单元和所述当前注意力表达关系网络，确定待丢弃传递指示，并从所述当前注意力表达关系网络中将所述待丢弃传递指示过滤；将不少于一个所述区域性特征单元、和所述当前注意力表达关系网络中除所述区域性特征单元中包括的注意力表达之外的其他注意力表达作为优化处理后的注意力表达，将过滤后保留的传递指示作为优化处理后的传递指示，得到当前轮优化处理后的注意力表达关系网络。
15.对于一些可独立实施的设计思路而言，所述利用得到的不少于一个区域性特征单元和所述当前注意力表达关系网络，确定待丢弃传递指示，包括：基于不少于一个区域性特征单元中包括的每个注意力表达的类型数据、以及所述当前注意力表达关系网络中除不少于一个区域性特征单元中包括的注意力表达之外的其他注意力表达的类型数据，确定所述待丢弃传递指示。
16.对于一些可独立实施的设计思路而言，基于不少于一个区域性特征单元中包括的每个注意力表达的类型数据、以及所述当前注意力表达关系网络中除不少于一个区域性特征单元中包括的注意力表达之外的其他注意力表达的类型数据，确定所述待丢弃传递指示，包括：对于所述当前注意力表达关系网络中的任一传递指示，如果该任一传递指示对应的两个注意力表达为不同区域性特征单元中的注意力表达，且该任一传递指示对应的两个区域性特征单元中存在类型数据相同的注意力表达时，则确定该任一传递指示为所述待丢弃传递指示；如果该任一传递指示对应的两个注意力表达为同一区域性特征单元中的注意力表达时，则确定该任一传递指示为所述待丢弃传递指示；如果该任一传递指示对应的两个注意力表达中一个注意力表达为区域性特征单元中的注意力表达、另一个注意力表达不是区域性特征单元中的注意力表达，且该任一传递指示对应的所述区域性特征单元中存在与另一个注意力表达的类型数据相同的注意力表达时，则确定该任一传递指示为所述待丢
弃传递指示。
17.如此设计，考虑到每个热点服务事件的注意力表达结果中同类型的注意力表达仅包括一个，即每个热点服务事件的注意力表达结果中包括一个操作习惯注意力表达、一个游戏界面注意力表达、一个玩家对话注意力表达等，本技术实施例可以基于传递指示对应的两个注意力表达的类型，确定待丢弃传递指示，并确定优化后的注意力表达关系网络，进而可以进行下一轮第一目标操作，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。
18.对于一些可独立实施的设计思路而言，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。
19.如此设计，通过对涵盖特征单元分类层的初始化机器学习模型进行训练，得到目标机器学习模型，其中，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，可以使得训练所得的目标机器学习模型具有较高的模型性能。
20.对于一些可独立实施的设计思路而言，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。
21.对于一些可独立实施的设计思路而言，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。
22.对于一些可独立实施的设计思路而言，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。
23.对于一些可独立实施的设计思路而言，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。
24.第二方面，提供一种云游戏平台系统，包括：存储器，用于存储可执行的指令；处理器，用于根据所述可执行的指令的控制，运行所述云游戏平台系统执行上述的方法。
25.通过以下参照附图对本技术的示例性实施例的详细描述，本技术的其它特征及其优点将会变得清楚。
附图说明
26.被结合在说明书中并构成说明书的一部分的附图示出了本技术的实施例，并且连同其说明一起用于解释本技术的原理。
27.图1是示出可以实现本技术的实施例的云游戏平台系统的一种硬件配置的框图。
28.图2是示出可以实现本技术的实施例的云游戏平台系统的另一种硬件配置的框图。
29.图3是示出可以实现本技术的实施例的结合数字化和云游戏的数据分析方法的流程图。
30.图4是示出可以实现本技术的实施例的结合数字化和云游戏的数据分析方法的应用环境的架构示意图。
具体实施方式
31.现在将参照附图来详细描述本技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本技术的范围。
32.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本技术及其应用或使用的任何限制。
33.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
34.在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
35.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
36.《硬件配置》图1是示出可以实现本技术的实施例的云游戏平台系统100的一种硬件配置的框图，云游戏平台系统100可以包括处理器110和存储器120，存储器120用于存储可执行的指令，处理器110用于根据可执行的指令的控制，运行云游戏平台系统100执行本技术中的结合数字化和云游戏的数据分析方法。
37.图2是示出可以实现本技术的实施例的云游戏平台系统100的另一种硬件配置的框图，云游戏平台系统100可以包括处理器110、存储器120和结合数字化和云游戏的数据分析装置400，结合数字化和云游戏的数据分析装置400包括至少一个可以软件或固件（firmware）的形式储存于所述存储器120中的软件功能模块，所述处理器110通过运行存储在存储器120内的软件程序以及模块，例如本技术实施例中的结合数字化和云游戏的数据分析装置400，从而执行各种功能应用以及数据处理，即实现本技术实施例中的结合数字化和云游戏的数据分析方法。
38.《方法实施例》
图3是示出可以实现本技术的实施例的结合数字化和云游戏的数据分析方法的流程图，结合数字化和云游戏的数据分析方法可以通过图1或图2所示的云游戏平台系统100实现，进一步可以包括以下步骤所描述的技术方案。
39.步骤step101，获得存在兴趣分析需求的游戏互动资源。
40.步骤step102，基于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。
41.在本技术实施例中，视觉型互动资源描述用于表示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；每个注意力表达分布中涵盖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热点服务事件的不同游戏互动状态。
42.步骤step103，基于视觉型互动资源描述和若干注意力表达分布，确定原始注意力表达关系网络。
43.在本技术实施例中，原始注意力表达关系网络中涵盖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。
44.步骤step104，对原始注意力表达关系网络进行多次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。
45.通过实施上述步骤step101-步骤step104，可以基于确定的视觉型互动资源描述和若干注意力表达分布，确定存在兴趣分析需求的游戏互动资源对应的原始注意力表达关系网络，由于原始注意力表达关系网络中包括视觉型互动资源描述和注意力表达分布中的数据，而视觉型互动资源描述可以表示出存在兴趣分析需求的游戏互动资源中不同热点服务事件之间的辐射型关联情况，从而可以对原始注意力表达关系网络进行所对应传递指示的优化处理，得到各个热点服务事件的注意力表达结果，尽可能精准地对不同热点服务事件的注意力表达进行差异化分析，以提高注意力表达划分的准确性和可靠性，这样可以将各个热点服务事件的注意力表达结果作为兴趣分析需求的依据，以保障游戏用户兴趣需求挖掘分析的精度和针对性。
46.在一些可能的实施例中，对于步骤step101以及步骤step102而言，存在兴趣分析需求的游戏互动资源可以为任意的包括若干热点服务事件的游戏互动资源。进一步地，游戏互动资源可以是用户/玩家在进行游戏过程中的一系列日志信息或者互动会话记录。热点服务事件可以为不同的游戏服务事件，即对存在兴趣分析需求的对象中包括的若干游戏环节事件的注意力表达进行挖掘分析，从而以注意力表达作为需求分析的依据进行玩家需求的识别，以对云游戏的一些服务功能的优化和升级提供决策依据。
47.在实际实施过程中，可以将获得的存在兴趣分析需求的游戏互动资源传入到训练后的注意力表达识别模型中，确定视觉型互动资源描述和若干注意力表达分布；并基于视觉型互动资源描述、若干注意力表达分布、以及训练后的注意力表达识别模型，确定每个热点服务事件的各个注意力表达。
48.在本技术实施例中，每个注意力表达分布中涵盖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热点服务事件的不同游戏互动状
态。比如，注意力表达的类型可以为打怪状态、对战状态、装备合成状态等，进而注意力表达分布（关键信息记录或者关键信息集）可以为涵盖操作习惯注意力表达的游戏互动资源，或者，注意力表达分布可以为涵盖游戏界面注意力表达的游戏互动资源等；或者，注意力表达的类型可以为配置的第一类型、第二类型等，其中，第一类型注意力表达可以为pvp状态下的注意力表达，第二类型注意力表达可以为moba状态下的注意力表达等，进而注意力表达分布可以为涵盖第一类型注意力表达的游戏互动资源，或者，注意力表达分布可以为涵盖第二类型注意力表达的游戏互动资源等。其中，注意力表达的类型和类型的数目可以根据不同应用需求进行调整。以及，每个热点服务事件对应的注意力表达的数目可以根据不同应用需求进行调整。
49.可以理解的是，注意力表达分布的数目与配置的注意力表达类型的数目一致，比如，如果配置的注意力表达的类型数目为5个，则基于存在兴趣分析需求的游戏互动资源确定的注意力表达分布的数目也为5个。其中，每种类型的注意力表达的数目可以为一个。
50.可以理解的是，视觉型互动资源描述的数目可以为一个，也可以为若干。其中，在视觉型互动资源描述的数目为一个时，则该视觉型互动资源描述可以表示存在兴趣分析需求的游戏互动资源中各个热点服务事件的、各种类型的注意力表达对应的游戏互动状态之间的辐射型关联情况。在视觉型互动资源描述的数目为若干时，视觉型互动资源描述的数目与注意力表达分布的数目可以相同，即每张视觉型互动资源描述可以表示存在兴趣分析需求的游戏互动资源中各个热点服务事件的一种类型的注意力表达对应的游戏互动状态之间的辐射型关联情况。其中，视觉型互动资源描述的维度与注意力表达分布的维度一致。
51.在实际实施过程中，可以通过在注意力表达识别模型中配置不同的代价函数，得到视觉型互动资源描述和若干注意力表达分布。
52.在一些可能的实施例中，对于步骤step103而言，可以从若干注意力表达分布和视觉型互动资源描述中挖掘得到每个注意力表达的数据，将涵盖信息的每个注意力表达作为视觉单元、以不同类型的注意力表达之间的可视化关系作为传递指示，形成原始注意力表达关系网络（比如可以理解为注意力表达拓扑或者关键特征拓扑）。其中，传递指示的数据可以为对应两个注意力表达之间存在联系的数据，比如，传递指示re12的数据可以为：传递指示re12对应的注意力表达characteristics_1和注意力表达characteristics_2存在联系。
53.对于一种可独立实施的实施例而言，注意力表达的数据包括空间关联数据（比如不同注意力表达的相对位置特征）、类型数据（比如不同注意力表达的类别特征）、以及关键互动主题数据（比如不同注意力表达的显著性特征）。对于一些可独立实施的技术方案而言，可以通过如下内容确定原始注意力表达关系网络中各个注意力表达的数据：基于注意力表达分布，确定各个注意力表达的空间关联数据；结合每个注意力表达的空间关联数据，从视觉型互动资源描述中挖掘注意力表达的关键互动主题数据，并基于注意力表达所属注意力表达分布的类型关键词，确定注意力表达对应的类型数据。
54.在实际实施过程中，可以基于注意力表达分布中每个注意力特征的特征描述值，确定各个注意力表达的空间关联数据。比如，针对每个注意力表达分布，可以挑选特征描述值为最大值的注意力特征，确定为一注意力表达，并将挑选的该注意力特征的空间关联数据确定为注意力表达的空间关联数据。其中，如果注意力表达分布中某一注意力特征的特
征描述值大于存在关联的注意力特征的特征描述值，则认为该注意力特征的特征描述值为最大值，该注意力特征为注意力表达。进一步地，在得到了每个注意力特征的空间关联数据之后，可以从视觉型互动资源描述中挖掘与该空间关联数据对应的注意力特征的特征描述值，将挖掘的特征描述值确定为注意力表达的关键互动主题数据。
55.此外，还可以根据每个注意力表达所属注意力表达分布的类型关键词，确定注意力表达对应的类型数据。比如，如果注意力表达分布distribution_a的类型关键词为打怪状态时，则注意力表达分布distribution_a中包括的各个注意力表达的类型数据为操作习惯注意力表达；如果注意力表达分布distribution_b的类型关键词为对战状态时，则注意力表达分布distribution_b中包括的各个注意力表达的类型数据为游戏界面注意力表达。
56.对于一些可能的实施例而言，针对步骤step104，在对原始注意力表达进行多次优化处理之前，还可以包括：针对原始注意力表达关系网络中的每个注意力表达，基于注意力表达的数据和注意力表达关系网络中与注意力表达之间存在传递指示的其他注意力表达的数据，确定注意力表达的拼接描述。进而，对原始注意力表达关系网络进行多次传递指示的优化处理，可以包括：基于原始注意力表达关系网络中涵盖的每个注意力表达的拼接描述，对原始注意力表达关系网络进行多次传递指示的优化处理。
57.在本技术实施例中，可以先为原始注意力表达关系网络中的每个注意力表达确定对应的拼接描述，再结合每个注意力表达的拼接描述，对原始注意力表达关系网络进行多次传递指示的优化处理。
58.在实际实施过程中，可以针对每个注意力表达，确定原始注意力表达关系网络中与该注意力表达之间存在传递指示的其他注意力表达，基于该注意力表达的数据和其他注意力表达的数据，确定该注意力表达的拼接描述。
59.在本技术实施例中，传递指示的优化处理可以理解为对传递指示进行精简，从而提高整个注意力表达关系网络的特征识别度，降低注意力表达关系网络的冗余噪声。例如，可以通过机器学习模型，确定原始注意力表达关系网络中，每个注意力表达的拼接描述（必须可以理解为全局特征），并基于原始注意力表达关系网络中涵盖的每个注意力表达的拼接描述，对原始注意力表达关系网络进行多次传递指示的优化处理。
60.如此设计，通过针对每个注意力表达，基于该注意力表达的数据和与该注意力表达之间存在传递指示的其他注意力表达的数据，确定该注意力表达对应的拼接描述，这样，该注意力表达的拼接描述不仅可以表示该注意力表达的显著性描述信息，还可以表示该注意力表达与其他注意力表达之间的相关性情况，使得基于各个注意力表达分别对应的拼接描述，可以尽可能准确地对原始注意力表达关系网络进行多次传递指示的优化处理，进而准确可靠地确定每个热点服务事件对应的注意力表达结果。
61.对于一种可独立实施的实施例而言，对原始注意力表达关系网络进行多次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，包括：针对当前注意力表达关系网络启用第一目标操作：基于当前注意力表达关系网络中的每组传递指示对应的两个注意力表达的拼接描述，对当前注意力表达关系网络包括的若干注意力表达中存在上下游联系的注意力表达进行同一热点服务事件的注意力表达划分，得到不少于一个区域性特征单元；其中，区域性特征单元中包括划分后的若干存在上下游联系的注意力表达；并结合每个区域性特征单元中包括的注意力表达的拼接
描述，确定区域性特征单元的拼接描述；利用得到的不少于一个区域性特征单元和当前注意力表达关系网络，对当前注意力表达关系网络进行当前轮传递指示的优化处理，并得到当前轮优化处理后的注意力表达关系网络；在完成当前轮的第一目标操作之后，将当前轮优化处理后的注意力表达关系网络作为当前注意力表达关系网络，将当前轮确定的区域性特征单元以及区域性特征单元的拼接描述作为当前注意力表达关系网络中的注意力表达以及注意力表达的拼接描述，并再次启用第一目标操作，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。
62.在本技术实施例中，，可以将原始注意力表达关系网络作为当前注意力表达关系网络，启用第一轮第一目标操作，得到优化处理后的注意力表达关系网络；并将第一轮优化处理后的注意力表达关系网络作为当前注意力表达关系网络，将第一轮优化处理后得到的每个区域性特征单元（比如可以包括多个注意力表达）和每个区域性特征单元对应的拼接描述，作为当前注意力表达关系网络中的注意力表达以及注意力表达的拼接描述，启用第二轮第一目标操作，直到完成操作的注意力表达关系网络中的若干注意力表达被划分为若干共性描述集，划分得到的共性描述集的数目与存在兴趣分析需求的游戏互动资源中包括的热点服务事件的数目相同，每个共性描述集中包括一个热点服务事件对应的全部注意力表达，即得到了存在兴趣分析需求的游戏互动资源中每个热点服务事件的各个注意力表达。
63.基于上述内容，在每一轮第一目标操作中，对存在上下游联系的注意力表达进行一次划分，得到不少于一个区域性特征单元，每个区域性特征单元中包括的若干注意力表达为同一热点服务事件的注意力表达，通过对原始注意力表达关系网络进行多次第一目标操作，直到完成操作的注意力表达关系网络中的若干注意力表达被划分为若干共性描述集，得到了每个热点服务事件的注意力表达结果，以保障每个热点服务事件对应的注意力表达结果的完整性和准确性。
64.在一些可能的实施例中，第一目标操作的相关实现方式如下。
65.对于一种可独立实施的技术方案而言，基于当前注意力表达关系网络中的每组传递指示对应的两个注意力表达的拼接描述，对当前注意力表达关系网络包括的若干注意力表达中存在上下游联系的注意力表达进行同一热点服务事件的注意力表达划分，得到不少于一个区域性特征单元，可以包括以下内容：基于传递指示对应的两个注意力表达的拼接描述，确定传递指示的分类指数，分类指数表示传递指示对应的两个注意力表达属于同一热点服务事件的可能性；基于当前注意力表达关系网络中包括的每组传递指示的分类指数，对当前注意力表达关系网络包括的若干注意力表达中存在上下游联系的注意力表达进行同一热点服务事件的注意力表达划分，得到不少于一个区域性特征单元。
66.在本技术实施例中，可以确定每组传递指示对应的分类指数，该分类指数表示传递指示所关联的两个注意力表达属于同一热点服务事件的可能性。对于一些可能的示例而言，可以通过训练的分类器，针对每组传递指示对应的两个注意力表达的拼接描述，确定每组传递指示的分类指数。
67.在上述内容的基础上，可以基于当前注意力表达关系网络中包括的每组传递指示的分类指数，对当前注意力表达关系网络中包括的若干注意力表达中存在上下游联系的注意力表达进行注意力表达划分，得到不少于一个区域性特征单元，其中，每个区域性特征单
元中包括的若干注意力表达为属于同一热点服务事件的注意力表达。比如可以将分类指数较大的传递指示对应的两个注意力表达划分为一组，得到一个区域性特征单元。每个区域性特征单元中包括当前注意力表达关系网络中的两个注意力表达，并使得划分后得到的不少于一个区域性特征单元中包括的传递指示的分类指数和较大。比如，如果对当前注意力表达关系网络进行本次注意力表达划分后，得到两个区域性特征单元，则可以使得划分后得到的该两个区域性特征单元中包括的传递指示的分类指数和较大。
68.可以理解的是，在得到了区域性特征单元之后，进行下一轮第一目标操作之前，可以确定每个区域性特征单元的拼接描述。即可以将区域性特征单元中包括的每个注意力表达的拼接描述进行全局处理，得到区域性特征单元对应的拼接描述。在实际实施过程中，可以将区域性特征单元中包括的每个注意力表达的拼接描述进行特征精简处理，得到该区域性特征单元的拼接描述。
69.在本技术实施例中，通过确定每组传递指示的分类指数，该分类指数表示传递指示对应的两个注意力表达属于同一热点服务事件的可能性，再可以基于每组传递指示的分类指数，对当前注意力表达关系网络包括的若干注意力表达中存在上下游联系的注意力表达进行同一热点服务事件的注意力表达划分，得到不少于一个区域性特征单元，比如将对应分类指数较大的两个注意力表达划分为一组，得到一个区域性特征单元，保障区域性特征单元的准确性和完整性。
70.在一些可独立实施的技术方案中，利用得到的不少于一个区域性特征单元和当前注意力表达关系网络，对当前注意力表达关系网络进行当前轮传递指示的优化处理，并得到当前轮优化处理后的注意力表达关系网络，可以包括以下内容：利用得到的不少于一个区域性特征单元和当前注意力表达关系网络，确定待丢弃传递指示，并从当前注意力表达关系网络中将待丢弃传递指示过滤；将不少于一个区域性特征单元、和当前注意力表达关系网络中除区域性特征单元中包括的注意力表达之外的其他注意力表达作为优化处理后的注意力表达，将过滤后保留的传递指示作为优化处理后的传递指示，得到当前轮优化处理后的注意力表达关系网络。
71.在上述内容中，可以先根据得到的不少于一个区域性特征单元和当前注意力表达关系网络，确定当前轮优化处理中待丢弃传递指示，并将该待丢弃传递指示从当前注意力表达关系网络中过滤。
72.对于一可独立实施的实施例而言，利用得到的不少于一个区域性特征单元和当前注意力表达关系网络，确定待丢弃传递指示，可以包括以下内容：基于不少于一个区域性特征单元中包括的每个注意力表达的类型数据、以及当前注意力表达关系网络中除不少于一个区域性特征单元中包括的注意力表达之外的其他注意力表达的类型数据，确定待丢弃传递指示。
73.在本技术实施例中，考虑到每个热点服务事件中仅可以包括一个相同类型的注意力表达，比如，每个热点服务事件中仅可以包括一个打怪状态类型的注意力表达、一个对战状态类型的注意力表达、一个交易状态类型的注意力表达，因此，可以基于不少于一个区域性特征单元中包括的每个注意力表达的类型数据、以及当前注意力表达关系网络中除不少于一个区域性特征单元中包括的注意力表达之外的其他注意力表达的类型数据，确定待丢弃传递指示。
74.对于一可独立实施的实施例而言，基于不少于一个区域性特征单元中包括的每个注意力表达的类型数据、以及当前注意力表达关系网络中除不少于一个区域性特征单元中包括的注意力表达之外的其他注意力表达的类型数据，确定待丢弃传递指示，可以包括以下内容。
75.对于当前注意力表达关系网络中的任一传递指示而言，如果该任一传递指示对应的两个注意力表达为不同区域性特征单元中的注意力表达，且该任一传递指示对应的两个区域性特征单元中存在类型数据相同的注意力表达时，则确定该任一传递指示为待丢弃传递指示；如果该任一传递指示对应的两个注意力表达为同一区域性特征单元中的注意力表达时，则确定该任一传递指示为待丢弃传递指示；如果该任一传递指示对应的两个注意力表达中一个注意力表达为区域性特征单元中的注意力表达、另一个注意力表达不是区域性特征单元中的注意力表达，且该任一传递指示对应的区域性特征单元中存在与另一个注意力表达的类型数据相同的注意力表达时，则确定该任一传递指示为待丢弃传递指示。
76.在本技术实施例中，针对当前注意力表达关系网络中的任一传递指示，在该传递指示满足上述判定情况中的任一种判定情况时，则认为该传递指示为待丢弃传递指示，否则，该传递指示不属于待丢弃传递指示。
77.在第一种判定情况中，在传递指示对应的两个注意力表达为不同区域性特征单元中的注意力表达时，可以判断该传递指示对应的两个区域性特征单元中是否存在类型数据相同的注意力表达，如果存在，则该传递指示为待丢弃传递指示；如果不存在，则该传递指示不属于待丢弃传递指示。
78.在第二种判定情况中，如果传递指示对应的两个注意力表达为同一区域性特征单元中的注意力表达时，则该传递指示为待丢弃传递指示。
79.在第三种判定情况中，在该传递指示对应的注意力表达中一个注意力表达是区域性特征单元中包括的注意力表达，另一个注意力表达不是区域性特征单元中的注意力表达，即另一个注意力表达是当前注意力表达关系网络中除区域性特征单元包括的注意力表达之外的其他注意力表达时，可以判断该传递指示对应的区域性特征单元中是否存在与另一注意力表达的类型数据相同的注意力表达时，如果存在，则该传递指示为待丢弃传递指示；如果不存在，则该传递指示不属于待丢弃传递指示。
80.基于上述内容，考虑到每个热点服务事件的注意力表达结果中同类型的注意力表达仅包括一个，即每个热点服务事件的注意力表达结果中包括一个操作习惯注意力表达、一个游戏界面注意力表达、一个玩家对话注意力表达等，因此，这里可以基于传递指示对应的两个注意力表达的类型，确定待丢弃传递指示，并确定优化后的注意力表达关系网络，进而可以进行下一轮第一目标操作，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。
81.可以理解的是，在将待丢弃传递指示过滤之后，可以将不少于一个区域性特征单元、和当前注意力表达关系网络中除区域性特征单元中包括的注意力表达之外的其他注意力表达作为优化处理后的注意力表达，将过滤后保留的传递指示作为优化处理后的传递指示，得到当前轮优化处理后的注意力表达关系网络。即当前轮优化处理后的注意力表达关系网络中，如果注意力表达为区域性特征单元时，则该注意力表达的拼接描述为该区域性特征单元对应的拼接描述。
82.在上述内容的基础上，在完成当前轮的第一目标操作之后，可以将当前轮优化处理后的注意力表达关系网络作为下一轮优化处理时对应的当前注意力表达关系网络，将当前轮确定的区域性特征单元以及区域性特征单元的拼接描述作为当前注意力表达关系网络中的注意力表达以及注意力表达的拼接描述，并再次启用第一目标操作，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，也即直到完成操作的注意力表达关系网络中不存在任一条传递指示时为止，进而得到了存在兴趣分析需求的游戏互动资源中包括的每个热点服务事件的各个注意力表达。
83.对于本技术实施例中的优化处理的进一步实施方案而言，可以基于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description_22和若干注意力表达分布distribution_21，再基于视觉型互动资源描述description_22和若干注意力表达分布distribution_21，确定原始注意力表达关系网络topology。
84.可以理解的是，原始注意力表达关系网络topology中的可视化节点为注意力表达，节点连边为不同类型的注意力表达之间的传递指示。进一步地，可以为每个注意力表达确定对应的拼接描述，并通过训练的分类器classifier确定每一组传递指示的分类指数，并基于原始注意力表达关系网络topology中包括的每组传递指示的分类指数，对原始注意力表达关系网络包括的若干注意力表达中存在上下游联系的注意力表达进行同一热点服务事件的注意力表达划分，得到不少于一个区域性特征单元feature_unit。
85.在上述内容的基础上，可以利用得到的不少于一个区域性特征单元feature_unit和原始注意力表达关系网络topology，确定待丢弃传递指示，并从原始注意力表达关系网络中将待丢弃传递指示过滤，再将不少于一个区域性特征单元、和原始注意力表达关系网络中除区域性特征单元中包括的注意力表达之外的其他注意力表达作为优化处理后的注意力表达，将过滤后保留的传递指示作为优化处理后的传递指示，得到当前轮优化处理后的注意力表达关系网络topology’，将当前轮优化处理后的注意力表达关系网络topology’作为当前注意力表达关系网络再次进行第一目标操作，直到完成操作的注意力表达关系网络中的若干注意力表达被划分为若干共性描述集。
86.在本技术实施例中，在初始化机器学习模型进行训练时，还可以通过特征单元分类层classification对确定的每个区域性特征单元进行检测，即判断每个区域性特征单元中包括的注意力表达是否属于同一个热点服务事件，并基于特征单元分类层classification的分类情况对初始化机器学习模型进行训练，得到训练好的目标机器学习模型。
87.对于一种可独立实施的实施例中，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，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，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。
88.对于一些可能的示例而言，可以将存在兴趣分析需求的游戏互动资源传入到事先完成训练的目标机器学习模型中，得到存在兴趣分析需求的游戏互动资源中包括的每个热点服务事件的注意力表达结果。其中，每个热点服务事件对应的各个注意力表达的类型和注意力表达的数目，可以根据不同应用需求进行调整。
89.在实际实施过程中，该事先完成训练的目标机器学习模型中可以不包括特征单元
分类层。即该特征单元分类层可以在初始化机器学习模型的训练过程中，判断得到的每个区域性特征单元中的若干注意力表达是否属于同一热点服务事件。
90.基于上述内容，通过对涵盖特征单元分类层的初始化机器学习模型进行训练，得到目标机器学习模型，其中，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，可以使得训练所得的目标机器学习模型具有较高的模型性能。
91.对于一可独立实施的实施例，采用以下方式对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；并基于参考游戏互动资源，对包括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。
92.在一些可独立实施的技术方案中，在基于参考游戏互动资源，对包括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时，可以包括以下内容：基于参考游戏互动资源，对初始化机器学习模型进行训练，得到测试情况，测试情况包括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；基于特征单元分类层的分类情况，确定第一模型质量评价；以及结合每个注意力表达的测试类型、每个注意力表达的测试空间关联数据，和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，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；基于第一模型质量评价和第二模型质量评价，对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。
93.对于上述内容而言，参考游戏互动资源中标注有判定结果，该判定结果中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。将参考游戏互动资源传入到初始化机器学习模型中，得到测试情况，其中，测试情况中包括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。
94.进一步地，可以基于测试情况和判定结果，对初始化机器学习模型进行训练，得到训练好的目标机器学习模型。例如，可以基于特征单元分类层的分类情况，确定第一模型质量评价（比如损失函数值），并结合每个注意力表达的测试类型、每个注意力表达的测试空间关联数据，和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；通过第一模型质量评价与第二模型质量评价的加权结果，对初始化机器学习模型进行训练，得到目标机器学习模型。
95.对于一种可独立实施的实施例而言，在得到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注意力表达结果，确定该热点服务事件的意图标签。
96.在本技术实施例中，在得到每个热点服务事件的各个注意力表达的数据之后，可以将每个热点服务事件的各个注意力表达的数据传入到意图标签分析模型中，确定该热点服务事件的意图标签，比如，该意图标签可以为积极型意图、消极型意图、中立意图等。
97.对于一种可独立实施的实施例而言，在得到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，并根据不少于一个目标游戏互动状态的空间关联数据，确定针对不少于一个目标游戏互动状态的可视化关注内容（可用于输出相关的关注内容）。
98.在本技术实施例中，可以针对每个热点服务事件的各个注意力表达的数据，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，基于预设的目标游戏互动状态对应的可视化关注内容，在目标游戏互动状态的状态描述中确定对应的可视化关注内容。其中，目标游戏互动状态可以为玩家对战状态、打怪状态、装备合成状态等。比如，可以针对热点服务事件的各个注意力表达的数据，确定热点服务事件的玩家对战状态描述，并基于预设的玩家对战状态的可视化关注内容，在热点服务事件的玩家对战状态描述中，确定玩家对战状态对应的可视化关注内容。
99.对于一些可独立实施的技术方案而言，在得到分别对应于各个热点服务事件的注意力表达结果之后，该方法还可以包括：根据各个热点服务事件的注意力表达结果进行兴趣需求挖掘，得到各个热点服务事件对应的兴趣需求挖掘结果；依据所述兴趣需求挖掘结果进行云游戏服务更新。
100.在本技术实施例中，兴趣需求挖掘结果可以反映游戏用户针对各项游戏服务的兴趣偏好或者业务需求，包括但不限于游戏功能的优化需求等。如此，可以根据兴趣需求挖掘结果进行针对性的云游戏服务更新，以减少不必要的更新带来的资源浪费。
101.对于一些可独立实施的技术方案而言，根据各个热点服务事件的注意力表达结果进行兴趣需求挖掘，得到各个热点服务事件对应的兴趣需求挖掘结果，可以包括以下内容：根据各个热点服务事件的注意力表达结果进获取携带挖掘标签的目标局部聚焦特征；对所述目标局部聚焦特征中的多个局部聚焦特征片段分别进行第一互动描述解析和第二互动描述解析，得到第一互动描述解析结果集和第二互动描述解析结果集；利用第一目标核验策略，对所述第一互动描述解析结果集进行第一解析校正操作，得到包括有第一互动描述的第一局部聚焦特征集；利用第二目标核验策略，对所述第二互动描述解析结果集进行第二解析校正操作，得到包括有第二互动描述的第二局部聚焦特征集；基于所述第一局部聚焦特征集和所述第二局部聚焦特征集进行冗余调整处理，得到所述目标局部聚焦特征中与目标描述相绑定的目标局部聚焦特征集；所述目标描述包括第一互动描述和第二互动描述中的至少一种，所述目标局部聚焦特征集用于对所述目标局部聚焦特征进行兴趣需求挖掘；根据所述目标局部聚焦特征集对所述目标局部聚焦特征进行兴趣需求挖掘，得到各个热点服务事件对应的兴趣需求挖掘结果。
102.在本技术实施例中，第一互动描述和第二互动描述分别对应pvp和pvg互动，如此一来，结合不同的目标校验策略，能够准确得到目标局部聚焦特征集，这样能够实现对目标局部聚焦特征的精细化和针对性兴趣需求挖掘。
103.对于一些可独立实施的技术方案而言，所述对所述目标局部聚焦特征中的多个局部聚焦特征片段分别进行第一互动描述解析和第二互动描述解析，得到第一互动描述解析结果集和第二互动描述解析结果集，包括：对所述目标局部聚焦特征中的多个局部聚焦特征片段分别进行第一互动描述解析，得到各个局部聚焦特征片段中的第一互动描述解析内容、以及各第一互动描述解析内容所对应的初始注意力描述类别；基于各局部聚焦特征片段中的第一互动描述解析内容和相应的初始注意力描述类别，确定第一互动描述解析结果
集；对所述目标局部聚焦特征中的多个局部聚焦特征片段分别进行第二互动描述解析，得到第二互动描述解析结果集。如此，可以确保第一互动描述解析结果集和第二互动描述解析结果集的完整性。
104.对于一些可独立实施的技术方案而言，所述对所述目标局部聚焦特征中的多个局部聚焦特征片段分别进行第二互动描述解析，得到第二互动描述解析结果集，包括：对所述目标局部聚焦特征片段中的多个局部聚焦特征片段分别进行非交互型行为解析，得到各局部聚焦特征片段分别对应的非交互型行为解析结果；对所述目标局部聚焦特征片段中的多个局部聚焦特征片段分别进行交互型行为解析，得到各局部聚焦特征片段分别对应的交互型行为解析结果；将对应于相同玩家标签的非交互型行为解析结果和交互型行为解析结果进行融合；基于所述目标局部聚焦特征片段中与目标非交互型行为解析结果相融合的交互型行为解析结果进行第二互动描述解析处理，得到第二互动描述解析结果集。如此设计，可以准确确定出第二互动描述解析结果集。
105.对于一些可独立实施的技术方案而言，所述利用第一目标核验策略，对所述第一互动描述解析结果集进行第一解析校正操作，得到包括有第一互动描述的第一局部聚焦特征集，包括：对所述第一互动描述解析结果集中的每个局部聚焦特征片段分别进行描述类别区分，得到每个局部聚焦特征片段一一对应的独立描述类别；基于每个局部聚焦特征片段中与相应独立描述类别对应的第一互动描述解析内容的信息量，分别进行解析内容清洗处理，得到精简后的第一互动描述解析结果集；对所述精简后的第一互动描述解析结果集进行设定清洗处理，得到多个包括有第一互动描述的第一待定局部聚焦特征集；根据各所述第一待定局部聚焦特征集分别所属的第一互动型，对属于相同第一互动型的第一待定局部聚焦特征集进行特征集整理，得到包括有第一互动描述的第一局部聚焦特征集。如此，可以保障第一局部聚焦特征集的准确性和可靠性。
106.《系统实施例》在上述的方法实施例的基础上，本技术实施例还提出了一种系统实施例，也即结合数字化和云游戏的数据分析方法的应用环境，请结合参阅图4，结合数字化和云游戏的数据分析方法的应用环境30可以包括互相通信的云游戏平台系统100和游戏业务端200。进一步地，结合数字化和云游戏的数据分析方法的应用环境30在运行时实现或者部分实现上述的方法实施例所描述的技术方案。
107.本领域技术人员公知的是，随着诸如大规模集成电路技术的电子信息技术的发展和软件硬件化的趋势，要明确划分计算机系统软、硬件界限已经显得比较困难了。因为，任何操作可以软件来实现，也可以由硬件来实现。任何指令的执行可以由硬件完成，同样也可以由软件来完成。对于某一机器功能采用硬件实现方案还是软件实现方案，取决于价格、速度、可靠性、存储容量、变更周期等非技术性因素。因此，对于电子信息技术领域的普通技术人员来说，更为直接和清楚地描述一个技术方案的方式是描述该方案中的各个操作。在知道所要执行的操作的情况下，本领域技术人员可以基于对所述非技术性因素的考虑直接设计出期望的产品。
108.本技术可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本技术的各个方面的计算机可读程序指令。
109.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形
设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、静态随机存取存储器（sram）、便携式压缩盘只读存储器（cd-rom）、数字多功能盘（dvd）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
110.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
111.用于执行本技术操作的计算机程序指令可以是汇编指令、指令集架构（isa）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网（lan）或广域网（wan）—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（fpga）或可编程逻辑阵列（pla），该电子电路可以执行计算机可读程序指令，从而实现本技术的各个方面。
112.这里参照根据本技术实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本技术的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
113.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
114.也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产
生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
115.附图中的流程图和框图显示了根据本技术的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
116.以上已经描述了本技术的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本技术的范围由所附权利要求来限定。