虚拟场景处理方法、装置、电子设备及存储介质与流程

本技术涉及互联网，尤其涉及一种虚拟场景处理方法、装置、电子设备及存储介质。

背景技术：

1、目前大多数游戏在发行时，都在面临着一个现实问题：获客成本太高。为了让高成本获得的用户能够更久留在游戏中，除了游戏本身足够耐玩外，在运营体系下，建立用户防流失体系也是重中之重。用户防流失体系主要是通过游戏中已有的数据，来预测用户未来流失的可能性，对有流失倾向的用户给予一定的对局内干预手段，降低用户的流失倾向。

2、但是，对于流失倾向较高且不会因为干预而不流失的用户，如果干预的代价较大，或者需要干预的用户较多，将造成一定数量的不公平的竞技，影响正常用户的游戏体验。

技术实现思路

1、本技术实施例提供一种虚拟场景处理方法、装置、电子设备及存储介质，能够根据精准的模型预测概率，有效预防目标对象在虚拟场景下的流失。

2、本技术实施例的技术方案是这样实现的：

3、本技术实施例提供一种虚拟场景处理方法，所述方法包括：对当前虚拟场景下目标对象在预设历史时间段内的日志数据进行数据预处理，得到目标特征向量；所述目标特征向量包括基础特征向量和历史对局特征矩阵；通过预训练的数据处理模型的特征交叉模块和特征回归模块，分别对所述基础特征向量进行基础特征提取，对应得到基础交叉特征和基础回归特征，并通过所述预训练的数据处理模型的特征映射模块，对所述目标特征向量进行特征映射，得到目标映射特征；通过所述预训练的数据处理模型的门控循环模块，对所述历史对局特征矩阵进行历史特征提取，得到用于表征所述目标对象在所述预设历史时间段内的综合对局表现的历史对局特征；通过所述预训练的数据处理模型的特征融合模块，对所述基础交叉特征、所述基础回归特征、所述目标映射特征和所述历史对局特征进行特征融合处理，得到用于表征所述目标对象在当前时刻之后的下一时刻针对所述当前虚拟场景的活跃程度的模型预测概率；基于所述模型预测概率，确定在所述当前虚拟场景下针对所述目标对象的防流失处理策略。

4、本技术实施例提供一种虚拟场景处理装置，包括：数据预处理模块，用于对当前虚拟场景下目标对象在预设历史时间段内的日志数据进行数据预处理，得到目标特征向量；所述目标特征向量包括基础特征向量和历史对局特征矩阵；特征处理模块，用于通过预训练的数据处理模型的特征交叉模块和特征回归模块，分别对所述基础特征向量进行基础特征提取，对应得到基础交叉特征和基础回归特征，并通过所述预训练的数据处理模型的特征映射模块，对所述目标特征向量进行特征映射，得到目标映射特征；历史特征提取模块，用于通过所述预训练的数据处理模型的门控循环模块，对所述历史对局特征矩阵进行历史特征提取，得到用于表征所述目标对象在所述预设历史时间段内的综合对局表现的历史对局特征；特征融合处理模块，用于通过所述预训练的数据处理模型的特征融合模块，对所述基础交叉特征、所述基础回归特征、所述目标映射特征和所述历史对局特征进行特征融合处理，得到用于表征所述目标对象在当前时刻之后的下一时刻针对所述当前虚拟场景的活跃程度的模型预测概率；确定模块，用于基于所述模型预测概率，确定在所述当前虚拟场景下针对所述目标对象的防流失处理策略。

5、在一些实施例中，所述日志数据包括所述目标对象的基础信息和所述目标对象在所述预设历史时间段内的多次历史对局的对局数据；所述历史对局特征矩阵用于表征所述日志数据的时序关系；所述数据预处理模块还用于：对所述预设历史时间段内的日志数据进行日志筛选，得到所述基础信息和所述对局数据；对所述基础信息进行特征提取，得到所述基础特征向量；对多个对局数据中的每一对局数据进行特征提取，对应得到每一次历史对局的目标日志特征；按照所述多次历史对局的对局时间的先后顺序，对多次历史对局对应的目标日志特征进行拼接，得到所述历史对局特征矩阵。

6、在一些实施例中，所述数据预处理模块还用于：对所述基础信息进行特征提取，得到初始特征向量；对所述初始特征向量进行特征划分，得到多个不同特征维度下的基础特征向量。

7、在一些实施例中，所述数据预处理模块还用于：在检测到所述目标对象在所述当前虚拟场景下处于登录状态或者预备对局状态的情况下，获取所述当前虚拟场景下目标对象在预设历史时间段内的基础日志数据与历史对局日志数据；从所述基础日志数据中提取所述目标对象的基础信息；从所述历史对局日志数据中提取所述目标对象的多个对局数据以及每一对局数据的所述对局时间。

8、在一些实施例中，所述特征处理模块还用于：通过所述预训练的数据处理模型的特征映射模块，对所述历史对局特征矩阵中的每一列取平均，得到每一列对应的均值；基于每一列对应的均值构建均值嵌入特征向量；通过所述特征映射模块的至少一个全连接层，对所述基础特征向量和所述均值嵌入特征向量进行拼接处理，得到所述目标映射特征。

9、在一些实施例中，所述历史对局特征矩阵的每一行用于表征同一对局时间下的一次历史对局的对局数据；所述历史特征提取模块还用于：确定对所述历史对局特征矩阵的每一行进行更新后得到的隐藏状态；其中，针对所述历史对局特征矩阵的第t行特征，获取通过所述门控循环模块对所述历史对局特征矩阵的第t-1行特征进行更新后得到的t-1隐藏状态；基于所述第t行特征和所述t-1隐藏状态，确定所述门控循环模块的更新门在所述历史对局特征矩阵的第t行的更新门控输出；基于所述第t行特征和所述t-1隐藏状态，确定所述门控循环模块的重置门在所述历史对局特征矩阵的第t行的重置门控输出；基于所述第t行的更新门控输出、所述第t行的重置门控输出和所述t-1隐藏状态，确定对所述历史对局特征矩阵的第t行进行更新后得到的隐藏状态；t为大于1的整数，且t的最大取值等于所述历史对局特征矩阵的总行数；基于预设的激活函数，对所述历史对局特征矩阵的最后一行进行更新后得到的隐藏状态进行激活处理，得到所述历史对局特征。

10、在一些实施例中，所述确定模块还用于：基于所述模型预测概率，确定在所述当前虚拟场景下针对所述目标对象的预测结果；当所述预测结果为所述目标对象在所述下一时刻处于流失状态时，在所述当前虚拟场景下针对所述目标对象开启防流失模式；当所述预测结果为所述目标对象在所述下一时刻处于非流失状态时，在所述当前虚拟场景下针对所述目标对象保持正常对局模式。

11、在一些实施例中，所述确定模块还用于：在所述模型预测概率大于或等于预设流失概率阈值的情况下，确定所述预测结果为所述目标对象在所述下一时刻处于所述流失状态；在所述模型预测概率小于所述预设流失概率阈值的情况下，确定所述预测结果为所述目标对象在所述下一时刻处于所述非流失状态。

12、在一些实施例中，所述装置还包括模型训练模块，所述模型训练模块用于获取样本数据；所述样本数据包括样本日志数据和所述样本日志数据的预测标签，所述样本日志数据为针对至少一个样本目标对象的相关日志数据；对所述样本日志数据进行样本预处理，得到样本目标特征向量，并将所述样本目标特征向量输入至待训练的数据处理模型中；所述样本目标特征向量包括样本基础特征向量和样本历史对局特征矩阵；通过所述数据处理模型的特征交叉模块和特征回归模块，分别对所述样本基础特征向量进行基础特征提取，对应得到样本基础交叉特征和样本基础回归特征，并通过所述数据处理模型的特征映射模块，对所述样本目标特征向量进行特征映射，得到样本目标映射特征；通过所述数据处理模型的门控循环模块，对所述样本历史对局特征矩阵进行历史特征提取，得到用于表征所述样本目标对象在预设样本历史时间段内的样本综合对局表现的样本历史对局特征；通过所述数据处理模型的特征融合模块，对所述样本基础交叉特征、所述样本基础回归特征、所述样本目标映射特征和所述样本历史对局特征进行特征融合处理，得到样本预测概率；基于所述样本预测概率和所述预测标签，确定损失结果；基于所述损失结果对所述数据处理模型中的模型参数进行更新，得到所述预训练的数据处理模型。

13、在一些实施例中，所述样本日志数据包括所述样本目标对象的样本基础信息和所述样本目标对象在所述预设样本历史时间段内的多次样本历史对局的样本对局数据；所述样本历史对局特征矩阵用于表征所述样本日志数据的时序关系；所述模型训练模块还用于：针对每一所述样本目标对象，对所述样本日志数据进行日志筛选，得到所述样本基础信息和所述样本对局数据；对所述样本基础信息进行特征提取，得到所述样本基础特征向量；对多个样本对局数据中的每一样本对局数据进行特征提取，对应得到每一次样本历史对局的样本目标日志特征；按照所述多次样本历史对局的对局时间的先后顺序，对多次样本历史对局对应的样本目标日志特征进行拼接，得到所述样本历史对局特征矩阵。

14、本技术实施例提供一种电子设备，包括：存储器，用于存储计算机可执行指令；处理器，用于执行所述存储器中存储的计算机可执行指令时，实现本技术实施例提供的虚拟场景处理方法。

15、本技术实施例提供一种计算机可读存储介质，存储有计算机可执行指令，用于被处理器执行时实现本技术实施例提供的虚拟场景处理方法。

16、本技术实施例提供一种计算机程序产品，该计算机程序产品包括计算机可执行指令，计算机可执行指令存储在计算机可读存储介质中；其中，电子设备的处理器从计算机可读存储介质中读取计算机可执行指令，并执行计算机可执行指令时，实现本技术实施例提供的虚拟场景处理方法。

17、本技术实施例具有以下有益效果：

18、首先，通过对当前虚拟场景下目标对象在预设历史时间段内的日志数据进行数据预处理，并将数据预处理后得到的目标特征向量中的基础特征向量和历史对局特征矩阵，作为预训练的数据处理模型的模型输入；然后，通过预训练的数据处理模型的特征交叉模块和特征回归模块，分别对基础特征向量进行基础特征提取，对应得到基础交叉特征和基础回归特征，并通过预训练的数据处理模型的特征映射模块，对目标特征向量进行特征映射，得到目标映射特征；通过预训练的数据处理模型的门控循环模块，对历史对局特征矩阵进行历史特征提取，得到用于表征目标对象在预设历史时间段内的综合对局表现的历史对局特征；通过预训练的数据处理模型的特征融合模块，对基础交叉特征、基础回归特征、目标映射特征和历史对局特征进行特征融合处理，得到用于表征目标对象在当前时刻之后的下一时刻针对当前虚拟场景的活跃程度的模型预测概率；最后，基于模型预测概率，确定在当前虚拟场景下针对目标对象的防流失处理策略。如此，通过预训练的数据处理模型对当前虚拟场景下目标对象在预设历史时间段内的目标特征向量进行模型预测，并利用该数据处理模型的门控循环模块提取历史对局特征矩阵中的历史对局记忆，再将特征交叉模块、特征回归模块、特征映射模块和门控循环模块的输出特征进行特征融合，得到更加精准的模型预测概率，从而判断目标对象在下一时刻的活跃程度，进而根据该活跃程度准确制定防流失处理策略，避免过差的对局体验导致目标对象的流失。