一种信息处理方法、装置、计算机设备及存储介质与流程

1.本申请涉及计算机技术领域，具体涉及一种信息处理方法、装置、计算机设备及存储介质。


背景技术：

2.游戏外观作为拉动游戏营收的一项重要支柱，是游戏运营商关注的重点内容。在游戏外观设计完成后，游戏运营商会提前对游戏外观进行宣传，以吸引更多玩家购买。但是，在提前对游戏外观进行宣传时，若花费较少的宣传成本，则无法达到较好的宣传效果；若花费较多的宣传成本，则会影响游戏外观的收益。


技术实现要素：

3.本申请实施例提供一种信息处理方法、装置、计算机设备及存储介质，可以实现游戏外观收益最大化。
4.本申请实施例提供了一种信息处理方法，包括：
5.获取目标游戏中目标虚拟物品在不同视角下的外观图像，其中，所述目标虚拟物品为所述目标游戏的虚拟商城中待出售的虚拟物品；
6.对所述外观图像进行特征提取，得到所述外观图像的图像特征信息；
7.确定所述图像特征信息归类于不同收益范围的概率信息；
8.基于所述概率信息与所述不同收益范围，确定所述目标虚拟物品对应的目标收益信息，所述目标收益信息为预测得到的所述目标虚拟物品在所述虚拟商城中进行出售的收益信息。
9.相应的，本申请实施例还提供了一种信息处理装置，包括：
10.获取单元，用于获取目标游戏中目标虚拟物品在不同视角下的外观图像，其中，所述目标虚拟物品为所述目标游戏的虚拟商城中待出售的虚拟物品；
11.提取单元，用于对所述外观图像进行特征提取，得到所述外观图像的图像特征信息；
12.第一确定单元，用于确定所述图像特征信息归类于不同收益范围的概率信息；
13.第二确定单元，用于基于所述概率信息与所述不同收益范围，确定所述目标虚拟物品对应的目标收益信息，所述目标收益信息为预测得到的所述目标虚拟物品在所述虚拟商城中进行出售的收益信息。
14.在一些实施例中，第一确定单元包括：
15.输入子单元，用于将所述图像特征信息输入训练后网络模型中；
16.计算子单元，用于基于所述训练后网络模型计算所述图像特征信息归类于每一样本收益范围的概率值，得到所述概率信息。
17.在一些实施例中，第一确定单元还包括：
18.采集子单元，用于采集所述目标游戏中样本虚拟物品在不同视角下的样本外观图
像，其中，所述样本虚拟物品包括：指定历史时间段内在所述虚拟商城中进行出售的虚拟物品；
19.第一获取子单元，用于获取所述样本外观图像在所述指定历史时间段内进行出售的实际收益信息；
20.构建子单元，用于基于所述样本外观图像与所述实际收益信息，构建所述训练后网络模型。
21.在一些实施例中，构建子单元具体用于：
22.对所述样本外观图像进行图像锐化处理，得到处理后样本外观图像；
23.提取所述处理后样本外观图像的样本图像特征信息；
24.基于所述样本图像特征信息与所述实际收益信息对预设网络模型进行训练，得到所述训练后网络模型。
25.在一些实施例中，构建子单元具体用于：
26.对所述样本外观图像进行图像锐化处理，得到处理后样本外观图像；
27.提取所述处理后样本外观图像的样本图像特征信息；
28.根据所述样本图像特征信息与所述实际收益信息生成训练样本对；基于所述训练样本对对所述预设网络模型进行训练，得到所述训练样本对中所述样本图像特征信息归类于每一收益范围的预测概率值；确定所述训练样本对中所述样本图像特征信息归类于每一收益范围的实际概率值；通过预测概率值与所述实际概率值对所述预设网络模型的模型参数模型进行调整，直至所述预设网络模型收敛，得到所述训练后网络模型。
29.在一些实施例中，构建子单元具体用于：
30.对所述样本外观图像进行图像锐化处理，得到处理后样本外观图像；
31.提取所述处理后样本外观图像的样本图像特征信息；
32.基于所述样本图像特征信息与所述实际收益信息对每一预设子网络模型进行训练，得到训练后子网络模型；获取验证样本对，并通过所述验证样本对对所述训练后子网络模型进行验证，得到所述训练后子网络模型的验证结果；基于所述验证结果从多个训练后子网络模型中确定目标训练后子网络模型，得到所述训练后网络模型。
33.在一些实施例中，第一确定单元还包括：
34.识别子单元，用于识别所述目标虚拟物品，得到所述目标虚拟物品的物品类型；
35.第一确定子单元，用于从多个训练后网络模型中，确定所述物品类型对应的目标训练后网络模型，其中，不同物品类型对应不同训练后网络模型。
36.在一些实施例中，输入子单元具体用于：
37.将所述图像特征信息输入所述目标训练后网络模型中。
38.在一些实施例中，获取单元包括：
39.投影子单元，用于对所述目标虚拟物品在不同视角下进行投影，得到所述目标虚拟物品在所述不同视角下的投影图像；
40.第二确定子单元，用于确定所述目标虚拟物品的物品类型对应的图像尺寸参数；
41.调整子单元，用于基于所述图像尺寸参数对所述投影图像的尺寸进行调整，得到所述外观图像。
42.在一些实施例中，第二确定单元包括：
43.第二获取子单元，用于从所述概率信息中获取最大概率值；
44.第三确定子单元，确定概率值为所述最大概率值时所述图像特征信息对应的目标收益范围；
45.第四确定子单元，用于基于所述目标收益范围得到所述目标虚拟物品的目标收益信息。
46.相应的，本申请实施例还提供了一种计算机设备，包括存储器，处理器及存储在储存器上并可在处理器上运行的计算机程序，其中，处理器执行本申请实施例任一提供的信息处理方法。
47.相应的，本申请实施例还提供了一种存储介质，存储介质存储有多条指令，指令适于处理器进行加载，以执行如上的信息处理方法。
48.本申请实施例通过根据历史时间段内出售的游戏外观的外观图像和收益信息构建外观收益预测模型，获取待出售游戏外观的外观图像，根据外观收益预测模型对待出售游戏外观的外观图像进行处理，预测得到该待出售游戏外观的收益信息，以使游戏策划方根据预测的收益信息合理控制待出售游戏外观的宣传成本，从而可以实现游戏外观收益最大化。
附图说明
49.为了更清楚地说明本申请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申请的一些实施例，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。
50.图1为本申请实施例提供的一种信息处理方法的流程示意图。
51.图2为本申请实施例提供的一种信息处理方法的坐标轴方向展示示意图。
52.图3为本申请实施例提供的一种神经网络模型结构示意图。
53.图4为本申请实施例提供的另一种神经网络模型结构示意图。
54.图5为本申请实施例提供的另一种神经网络模型结构示意图。
55.图6为本申请实施例提供的另一种神经网络模型结构示意图。
56.图7为本申请实施例提供的另一种信息处理方法的流程示意图。
57.图8为本申请实施例提供的一种信息处理装置的结构框图。
58.图9为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
59.下面将结合本申请实施例中的附图，对本申请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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
60.本申请实施例提供一种信息推荐方法、装置、存储介质及计算机设备。具体地，本申请实施例的信息推荐方法可以由计算机设备执行，其中，该计算机设备可以为终端或者服务器等设备。该终端可以为智能手机、平板电脑、笔记本电脑、触控屏幕、个人计算机(pc，
personal computer)、个人数字助理(personal digital assistant，pda)等终端设备。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。
61.例如，该计算机设备可以是服务器，该服务器可以获取目标游戏中目标虚拟物品在不同视角下的外观图像，其中，目标虚拟物品为目标游戏的虚拟商城中待出售的虚拟物品；对外观图像进行特征提取，得到外观图像的图像特征信息；确定图像特征信息归类于不同收益范围的概率信息；基于概率信息与不同收益范围，确定目标虚拟物品对应的目标收益信息，目标收益信息为预测得到的目标虚拟物品在虚拟商城中进行出售的收益信息。
62.基于上述问题，本申请实施例提供第一种信息处理方法、装置、计算机设备及存储介质，可以实现游戏外观收益最大化。
63.以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
64.本申请实施例提供一种信息处理方法，该方法可以由终端或服务器执行，本申请实施例以信息处理方法由服务器执行为例来进行说明。
65.请参阅图1，图1为本申请实施例提供的一种信息处理方法的流程示意图。该信息处理方法的具体流程可以如下：
66.101、获取目标游戏中目标虚拟物品在至少一视角下对应的至少一外观图像。
67.其中，目标虚拟物品为目标游戏的虚拟商城中待出售的虚拟物品也即还未进行出售的虚拟物品。
68.其中，至少一视角可以从多个不同视角中选取，其中，不同视角包括：三维空间中各坐标轴对应的坐标轴方向，其中，各坐标轴方向之间互相为垂直关系。
69.例如，请参阅图2，图2为本申请实施例提供的一种信息处理方法的坐标轴方向展示示意图。在图2所示的三维空间坐标轴中，包括：坐标轴x、坐标轴y和坐标轴z，坐标轴方向包括：x轴正方向、x轴反方向、y轴正方向、y轴反方向、z轴正方向、z轴反方向。则获取目标虚拟物品在不同视角下的外观图像，包括：在x轴正方向的第一外观图像、在x轴反方向的第二外观图像、在y轴正方向的第三外观图像、在y轴反方向的第四外观图像、在z轴正方向的第五外观图像，以及在z轴反方向的第六外观图像。
70.其中，各个坐标轴方向之间为垂直关系。每一坐标轴方向对应一个视角，本申请实施例中通过三维空间的坐标轴方向确定不同视角来采集图像，可以保证获取到更为全面的目标虚拟物品外观图像。
71.在一些实施例中，目标游戏的虚拟商城中可以出售多个虚拟物品，可以根据虚拟物品的物品种类将虚拟物品进行分类，为了保证相同物品种类虚拟物品的外观图像的尺寸相同，步骤“获取目标游戏中目标虚拟物品在不同视角下的外观图像”，可以包括以下操作：
72.对目标虚拟物品在不同视角下进行投影，得到目标虚拟物品在不同视角下的投影图像；
73.确定目标虚拟物品的物品类型对应的图像尺寸参数；
74.基于图像尺寸参数对投影图像的尺寸进行调整，得到外观图像。
75.在本申请实施例中，虚拟物品是具有三维尺寸的物体，也即虚拟物品为三维图像。
76.其中，投影指的是把具有三维尺寸的物体投射到二维平面上，转化为二维尺寸的图像。比如，通过对目标虚拟物品在不同视角下进行投影，得到目标虚拟物品在不同视角下的二维图像，也即投影图像。
77.具体的，不同物品类型的虚拟物品对应不同的图像尺寸参数。
78.例如，目标游戏中的物品类型可以包括：第一物品类型、第二物品类型、第三物品类型、第四物品类型等。其中，第一物品类型可以对应第一尺寸参数、第二物品类型可以对应第二尺寸参数、第三物品类型可以对应第三尺寸参数、第四物品类型可以对应第四尺寸参数。获取目标虚拟物品的物品类型可以为：第一物品类型，则可以确定目标虚拟物品对应的图像尺寸参数为：第一尺寸参数。
79.进一步的，根据目标虚拟物品对应的图像尺寸参数对目标虚拟物品的各个投影图像的尺寸进行调整，得到各个视角的外观图像，以使目标虚拟物品的各个外观图像的图像大小一致，有利于后续对图像处理。
80.102、对外观图像进行特征提取，得到外观图像的图像特征信息。
81.在本申请实施例中，当获取到目标虚拟物品的外观图像后，可以对外观图像进行图像预处理。
82.具体的，图像预处理可以包括多种处理方式，比如，图像预处理可以对图像进行锐化处理。
83.首先，可以对外观图像进行图像二值化处理，图像二值化就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。
84.具体的，将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，首先，图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。其次，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像。
85.例如，外观图像可以包括：第一外观图像、第二外观图像、第三外观图像、第四外观图像、第五外观图像以及第六外观图像。对每一外观图像分别进行图像二值化处理，得到每一外观图像对应的二值化图像，可以为黑白图像。
86.进一步的，将二值化处理之后的外观图像进行拉普拉斯算子图像锐化。以突出原图像中明显的轮廓曲线，隐去相对不明显的图像边界。拉普拉斯是一种二阶微分算子，因此其强调的是图像中灰度的突变，并不强调图像的缓慢变换区域。这样一些渐变的浅灰色边线就会变成图像轮廓的背景色。
87.具体的，拉普拉斯锐化图像是根据图像中某个像素的周围像素到此像素的突变程度有关，也即拉普拉斯锐化图像的依据是图像像素的变化程度。一个函数的一阶微分描述了函数图像是朝哪里变化的，即增长或者降低；而二阶微分描述的则是图像变化的速度，急剧增长下降还是平缓的增长下降。那么据此可以猜测出依据二阶微分能够找到图像的色素的过渡程度，例如白色到黑色的过渡就是比较急剧的。或者说：当邻域中心像素灰度低于它所在的领域内其它像素的平均灰度时，此中心像素的灰度应被进一步降低，当邻域中心像素灰度高于它所在的邻域内其它像素的平均灰度时，此中心像素的灰度应被进一步提高，以此实现图像的锐化处理。通过对外观图像进行图像预处理，可有效实现图像边缘处理，提
高图片表达性。
88.进一步的，对锐化处理后的外观图像进行特征提取，可以提取图像尺寸信息、图像颜色信息、投影视角、外观图像以及图像轮廓信息等，得到图像特征信息。
89.103、确定图像特征信息归类于不同收益范围的概率信息。
90.其中，收益范围指的是虚拟物品的收益金额范围，收益范围可以划分为多个，比如，收益范围可以划分为：第一收益范围、第二收益范围、第三收益范围、第四收益范围等，每一收益范围对应的收益金额不相同。本申请实施例中，不对收益范围的划分做限定，可以根据具体虚拟物品的收益情况进行收益划分。
91.在一些实施例中，为了保证概率信息的准确性，步骤“确定图像特征信息归类于不同收益范围的概率信息”，可以包括以下操作：
92.将图像特征信息输入训练后网络模型中；
93.基于训练后网络模型计算图像特征信息归类于每一样本收益范围的概率值，得到概率信息。
94.其中，训练后网络模型可以用于预测目标虚拟物品的收益信息。具体的，将目标虚拟物品的外观图像的图像特征信息输入该训练后网络模型，通过该训练后网络模型对图像特征信息进行处理，也即计算图像特征信息归类于每一收益范围的概率值，根据概率值得到概率信息。
95.例如，收益范围可以包括：第一收益范围、第二收益范围、第三收益范围和第四收益范围。通过训练后网络模型计算图像特征信息归类于第一收益范围的概率可以为：0.3，归类于第二收益范围的概率可以为：0.6，归类于第三收益范围的概率可以为：0.2，归类于第四收益范围的概率可以为：0.8等，基于图像特征信息归类于每一收益范围的概率值，即可以得到概率信息。
96.在一些实施例中，为了实现对目标虚拟物品的收益预测，在步骤“将图像特征信息输入训练后网络模型”之前，还可以包括以下步骤：
97.采集目标游戏中样本虚拟物品在不同视角下的样本外观图像；
98.获取样本外观图像在指定历史时间段内进行出售的实际收益信息；
99.基于样本外观图像与实际收益信息，构建训练后网络模型。
100.其中，样本虚拟物品包括：指定历史时间段内在虚拟商城中进行出售的虚拟物品。指定历史时间段可以包括多种，比如，指定时间段可以为样本虚拟物品在虚拟商城中进行出售的第一个月，或者指定历史时间段可以为样本虚拟物品从开始出售的时间至当前时间等。
101.在一些实施例中，目标游戏中出售的虚拟物品的首月收益金额可以准确表示该虚拟物品的收益趋势，随着出售时间越长，影响收益金额的因素可能更多。优选地，可以选择指定历史时间段为首月出售时间。
102.其中，样本外观图像可以通过对样本虚拟物品在不同视角进行投影得到。
103.比如，不同视角可以包括：三维空间中各坐标轴对应的坐标轴方向，也即x轴正方向、x轴反方向、y轴正方向、y轴反方向、z轴正方向、z轴反方向。则采集到的样本外观图像包括：在x轴正方向的第一样本外观图像、在x轴反方向的第二样本外观图像、在y轴正方向的第三样本外观图像、在y轴反方向的第四样本外观图像、在z轴正方向的第五样本外观图像，
以及在z轴反方向的第六样本外观图像。为了提高模型训练的准确率，样本虚拟物品的数量可以包括多个，那么，对于每一样本虚拟物品，可以按照上述步骤采集每一样本虚拟物品的样本外观图像。
104.其中，实际收益信息指的是实际收益金额，比如，实际收益金额可以为：1000元，等。
105.进一步的，可以根据样本外观图像与实际收益信息来构建训练后模型，用于预测目标虚拟物品的收益信息。
106.在一些实施例中，为了提高网络模型的训练效率，步骤“基于样本外观图像与实际收益信息，构建训练后网络模型”，可以包括以下操作：
107.对样本外观图像进行图像锐化处理，得到处理后样本外观图像；
108.提取处理后样本外观图像的样本图像特征信息；
109.基于样本图像特征信息与实际收益信息对预设网络模型进行训练，得到训练后网络模型。
110.具体的，对样本外观图像进行图像锐化处理可以首先对样本外观图像进行图像二值化处理，得到样本外观图像的二值化图像。
111.进一步的，对二值化图像进行拉普拉斯算子图像锐化，得到锐化后图像，也即处理后样本外观图像。通过对样本外观图像进行图像预处理，可以高效实现样本外观图像的数值化，实现样本外观图像的可训练性和可评估性。
112.其中，对处理后样本外观图像进行特征提取，可以提取图像尺寸信息、图像颜色信息、投影视角、外观图像以及图像轮廓信息等，得到样本图像特征信息。
113.本申请实施例中，主要是对图像特征信息进行处理，预设网络模型可以为卷积神经网络模型。
114.在机器学习中，卷积神经网络(convolutional neural network，cnn)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括：卷积层(convolutional layer)和池化层(pooling layer)。
115.一般地，cnn的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数(阈值函数，将变量映射到0,1之间)作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
116.在本申请实施例中，预设网络模型可以包括多个，比如：alexnet、vggnet、googlnet以及resnet。
117.其中，请参阅图3，图3为本申请实施例提供的一种神经网络模型结构示意图。在图3中，展示了alexnet网络模型的网络结构。具体包括如下：
118.(1)conv1(卷积1)阶段：输入数据：227
×
227
×
3，卷积核：11
×
11
×
3；步长：4；数量(也就是输出个数)：96。卷积后数据：55
×
55
×
96(原图n
×
n，卷积核大小n
×
n，卷积步长大
于1为k，输出维度是(n
‑
n)/k+1)。relu1(激活1)后的数据：55
×
55
×
96，max pool1(最大池化1)的核：3
×
3，步长：2，max pool1后的数据：27
×
27
×
96。norm1(标准化1)：local_size＝5(lrn也即local response normalization，局部响应归一化)。最后的输出：27
×
27
×
96。alexnet采用了relu激活函数，relu(x)＝max(x,0)，以及lrn局部响应归一化，借鉴侧抑制的思想实现局部抑制，使得响应比较大的值相对更大，提高了模型的泛化能力。lrn只对数据相邻区域做归一化处理，不改变数据的大小和维度。
119.alexnet还应用了overlapping(重叠池化)，重叠池化就是池化操作在部分像素上有重合。池化核大小是n
×
n，步长是k，如果k＝n，则是正常池化，如果k<n,则是重叠池化。官方文档中说明，重叠池化的运用减少了top
‑
5和top
‑
1错误率的0.4％和0.3％。重叠池化有避免过拟合的作用。
120.(2)conv2(卷积2)阶段：输入数据：27
×
27
×
96，卷积核：5
×
5；步长：1；数量(也就是输出个数)：256。卷积后数据：27
×
27
×
256(做了same padding(相同补白)，使得卷积后图像大小不变)。relu2(激活2)后的数据：27
×
27
×
256。max pool2(最大池化2)的核：3
×
3，步长：2，max pool2后的数据：13
×
13
×
256((27
‑
3)/2+1＝13)。norm2(标准化2)：local_size＝5，最后的输出：13
×
13
×
256。
121.在alexnet的conv2中使用了same padding，保持了卷积后图像的宽高不缩小。
122.(3)conv3(卷积3)阶段：输入数据：13
×
13
×
256，卷积核：3
×
3；步长：1；数量(也就是输出个数)：384。卷积后数据：13
×
13
×
384(做了same padding(相同补白)，使得卷积后图像大小不变)。relu3(激活3)后的数据：13
×
13
×
384；最后的输出：13
×
13
×
384。
123.(4)conv4(卷积4)阶段：输入数据：13
×
13
×
384，卷积核：3
×
3；步长：1；数量(也就是输出个数)：384。卷积后数据：13
×
13
×
384(做了same padding(相同补白)，使得卷积后图像大小不变)；relu4(激活4)后的数据：13
×
13
×
384；最后的输出：13
×
13
×
384。
124.(5)conv5(卷积5)阶段：输入数据：13
×
13
×
384，卷积核：3
×
3；步长：1；数量(也就是输出个数)：256。卷积后数据：13
×
13
×
256(做了same padding(相同补白)，使得卷积后图像大小不变)；relu5(激活5)后的数据：13
×
13
×
256；max pool5(最大池化5)的核：3
×
3，步长：2；max pool5(最大池化5)后的数据：6
×6×
256((13
‑
3)/2+1＝6)，最后的输出：6
×6×
256。
125.(6)fc6(全连接6)阶段：输入数据：6
×6×
256，全连接输出：4096
×
1；relu6(激活6)后的数据：4096
×
1，drop out6后数据：4096
×
1；最后的输出：4096
×
1。
126.alexnet在fc6全连接层引入了drop out的功能。dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率(一般是50％，这种情况下随机生成的网络结构最多)将其暂时从网络中丢弃(保留其权值)，不再对前向和反向传输的数据响应。drop out可以有效防止模型过拟合，让网络泛化能力更强，同时由于减少了网络复杂度，加快了运算速度。
127.(7)fc7(全连接7)阶段：输入数据：4096
×
1，全连接输出：4096
×
1；relu7(激活7)后的数据：4096
×
1；drop out7后数据：4096
×
1；最后的输出：4096
×
1。
128.(8)fc8(全连接8)阶段：输入数据：4096
×
1，全连接输出：1000，也即fc8输出的是一千种分类的概率。
129.其中，vgg结构由5层卷积层、3层全连接层、softmax
×
输出层构成，层与层之间使
用max pooling(最大池化)分开，所有隐层的激活单元都采用relu函数。请参阅图4，图4为本申请实施例提供的另一种神经网络模型结构示意图。在图4中，展示了vggnet网络模型的网络结构。具体包括如下：
130.(1)输入224
×
224
×
3的图片，经64个3
×
3的卷积核作两次卷积+relu，卷积后的尺寸变为224
×
224
×
64。
131.(2)作max pooling(最大化池化)，池化单元尺寸为2
×
2(效果为图像尺寸减半)，池化后的尺寸变为112
×
112
×
64。
132.(3)经128个3
×
3的卷积核作两次卷积+relu，尺寸变为112
×
112
×
128。
133.(4)作2
×
2的max pooling池化，尺寸变为56
×
56
×
128。
134.(5)经256个3
×
3的卷积核作三次卷积+relu，尺寸变为56
×
56
×
256。
135.(6)作2
×
2的max pooling池化，尺寸变为28
×
28
×
256。
136.(7)经512个3
×
3的卷积核作三次卷积+relu，尺寸变为28
×
28
×
512。
137.(8)作2
×
2的max pooling池化，尺寸变为14
×
14
×
512。
138.(9)经512个3
×
3的卷积核作三次卷积+relu，尺寸变为14
×
14
×
512。
139.(10)作2
×
2的max pooling池化，尺寸变为7
×7×
512。
140.(11)与两层1
×1×
4096，一层1
×1×
1000进行全连接+relu(共三层)。
141.(12)通过softmax
×
输出1000个预测结果。
142.其中，请参阅图5，图5为本申请实施例提供的另一种神经网络模型结构示意图。在图5中，展示了googlnet网络模型的网络结构。具体包括如下：输入，原始输入图像为224
×
224
×
3，且都进行了零均值化的预处理操作(图像每个像素减去均值)。第一层(卷积层)，使用7
×
7的卷积核(滑动步长2，padding为3)，64通道，输出为112
×
112
×
64，卷积后进行relu操作，经过3
×
3的max pooling(步长为2)，输出为((112
‑
3+1)/2)+1＝56，即56
×
56
×
64，再进行relu操作。第二层(卷积层)：使用3
×
3的卷积核(滑动步长为1，padding为1)，192通道，输出为56
×
56
×
192，卷积后进行relu操作。经过3
×
3的max pooling(步长为2)，输出为((56
‑
3+1)/2)+1＝28，即28
×
28
×
192，再进行relu操作。第三层(inception 3a层)：分为四个分支，采用不同尺度的卷积核来进行处理：
143.(1)64个1
×
1的卷积核，然后rulu，输出28
×
28
×
64。
144.(2)96个1
×
1的卷积核，作为3
×
3卷积核之前的降维，变成28
×
28
×
96，然后进行relu计算，再进行128个3
×
3的卷积(padding为1)，输出28
×
28
×
128。
145.(3)16个1
×
1的卷积核，作为5
×
5卷积核之前的降维，变成28
×
28
×
16，进行relu计算后，再进行32个5
×
5的卷积(padding为2)，输出28
×
28
×
32。
146.(4)pool层，使用3
×
3的核(padding为1)，输出28
×
28
×
192，然后进行32个1
×
1的卷积，输出28
×
28
×
32。
147.将四个结果进行连接，对这四部分输出结果的第三维并联，即64+128+32+32＝256，最终输出28
×
28
×
256。
148.第三层(inception 3b层)：
149.(1)128个1
×
1的卷积核，然后rulu，输出28
×
28
×
128。
150.(2)128个1
×
1的卷积核，作为3
×
3卷积核之前的降维，变成28
×
28
×
128，进行relu，再进行192个3
×
3的卷积(padding为1)，输出28
×
28
×
192。
151.(3)32个1
×
1的卷积核，作为5
×
5卷积核之前的降维，变成28
×
28
×
32，进行relu计算后，再进行96个5
×
5的卷积(padding为2)，输出28
×
28
×
96。
152.(4)pool层，使用3
×
3的核(padding为1)，输出28
×
28
×
256，然后进行64个1
×
1的卷积，输出28
×
28
×
64。
153.将四个结果进行连接，对这四部分输出结果的第三维并联，即128+192+96+64＝480，最终输出为28
×
28
×
480
154.第四层(4a，4b，4c，4d，4e)、第五层(5a，5b)
……
，与3a、3b类似，在此就不再重复。
155.googlenet采用了模块化的结构(inception结构)，方便增添和修改；网络最后采用了average pooling(平均池化)来代替全连接层，可以将准确率提高0.6％。实际在最后还是加了一个全连接层，主要是为了方便对输出进行灵活调整。
156.其中，请参阅图6，图6为本申请实施例提供的另一种神经网络模型结构示意图。在图6中，展示了resnet网络模型的网络构。resnet的主要思想是在网络中增加了直连通道具体包括如下：在resnet网络结构中会用到两种残差模块，一种是以两个3
×
3的卷积网络串接在一起作为一个残差模块，另外一种是1
×
1、3
×
3、1
×
1的3个卷积网络串接在一起作为一个残差块。resnet有不同的网络层数，比较常用的是50
‑
layer，101
‑
layer，152
‑
layer。他们都是由上述的残差模块堆叠在一起实现的。通过直接将输入信息绕道传到输出，保护信息的完整性，整个网络只需要学习输入、输出差别的那一部分，简化学习目标和难度。
157.在一些实施例中，为了提高训练后网络模型的预测精准度，步骤“基于样本图像特征信息与实际收益信息对预设网络模型进行训练，得到训练后网络模型”，可以包括以下操作：
158.根据样本图像特征信息与实际收益信息生成训练样本对；
159.基于训练样本对对预设网络模型进行训练，得到训练样本对中样本图像特征信息归类于每一收益范围的预测概率值；
160.确定训练样本对中样本图像特征信息归类于每一收益范围的实际概率值；
161.通过预测概率值与实际概率值对预设网络模型的模型参数模型进行调整，直至预设网络模型收敛，得到训练后网络模型。
162.首先，获取样本图像特征信息的图像特征数据，以及实际收益信息的收益数据，根据图像特征数据与收益数据得到训练样本数据对，得到训练样本对。
163.具体的，将训练样本对分别输入至不同模型参数配置下的预设网络模型中，也即上述提及的几种卷积神经网络模型。对预设网络模型进行训练的训练目标为多分类结果，也即计算样本图像特征归类于每一收益阶段的预测概率值。
164.进一步的，根据训练样本对中，样本图像特征信息对应的实际收益信息，确定该样本图像特征信息归类于每一收益范围的实际概率值。
165.根据预设损失函数、预测概率值以及实际概率值对预设网络模型进行迭代训练，对预设网络模型的模型参数进行调整，直至预设网络模型收敛，得到训练后模型。
166.在一些实施例中，为了提高训练后网络模型的预测精准度，可以选取多个预设子网络模型，如：alexnet、vggnet、googlnet以及resnet等网络模型，步骤“基于样本图像特征信息与实际收益信息对预设网络模型进行训练，得到训练后网络模型”，可以包括以下操作：
167.基于样本图像特征信息与实际收益信息对每一预设子网络模型进行训练，得到训练后子网络模型；
168.获取验证样本对，并通过验证样本对对训练后子网络模型进行验证，得到训练后子网络模型的验证结果；
169.基于验证结果从多个训练后子网络模型中确定目标训练后子网络模型，得到训练后网络模型。
170.具体的，对每一预设子网络模型的训练过程可以参见上述步骤，得到每一预设子网络模型的训练后子网络模型。
171.进一步的，从训练样本对中选取验证样本对，通过验证样本对对训练后子网络模型进行验证。比如，将验证样本对中的样本图像特征信息输入训练后子网络模型中，通过训练后子网络模型计算该样本图像特征信息归类于每一收益范围的预测概率值，然后根据验证样本对中样本图像特征信息对应的实际收益信息得到该样本图像特征归类于每一收益范围的实际概率值，根据预测概率值与实际概率值得到验证结果。
172.然后，通过模型评价指标对验证结果进行评价。在本申请实施例中，模型评价指标可以使用macro
‑
f1
‑
score。
173.其中，f1分数(f1 score)，是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确率和召回率。f1分数可以看作是模型精确率和召回率的一种加权平均，它的最大值是1，最小值是0，是计算出每一个类的precison(精确率)和recall(召回率)后计算f1，最后将f1平均。
174.通过模型评价指标macro
‑
f1
‑
score对每一训练后子模型网络的验证结果进行评价，得到评价结果，然后根据评价结果从多个训练后子网络模型中挑选出精确率最高的目标训练后子网络模型，得到训练后网络模型。
175.在一些实施例中，为了保证对目标虚拟物品的收益进行预测的准确性，在步骤“将图像特征信息输入训练后网络模型”之前，还可以包括以下步骤：
176.识别目标虚拟物品，得到目标虚拟物品的物品类型；
177.从多个训练后网络模型中，确定物品类型对应的目标训练后网络模型；
178.则步骤“将图像特征信息输入训练后网络模型中”，可以包括以下操作：
179.将图像特征信息输入目标训练后网络模型中。
180.本申请实施例可以根据不同物品类型的虚拟物品分别构件不同的训练后网络模型，比如，物品类型可以包括：第一物品类型、第二物品类型、第三物品类型和第四物品类型。则可以分别获取每一物品类型的样本虚拟物品的外观图像以及实际收益信息，通过外观图像与实际收益信息对预设网络模型进行训练，得到每一物品类型对应的训练后网络模型，可以包括第一训练后网络模型、第二训练后网络模型、第三训练后网络模型以及第四训练后网络模型。
181.其中，第一物品类型可以对应第一训练后网络模型，第二物品类型可以对应第二训练后网络模型，第三物品类型可以对应第三训练后网络模型，第四物品类型可以对应第四训练后网络模型。
182.例如，获取到目标虚拟物品的物品类型可以为第一物品类型，则可以确定目标虚拟物品的物品类型对应的目标训练后网络模型为：第一训练后网络模型，然后可以将目标
虚拟物品的图像特征信息输入该第一训练后网络模型中，通过该第一训练后网络模型对目标虚拟物品的收益进行预测，使得预测结果更加准确。
183.104、基于概率信息与不同收益范围，确定目标虚拟物品对应的目标收益信息。
184.其中，概率信息包括：图像特征信息归类于每一收益范围的概率值，目标收益信息为预测得到的目标虚拟物品在虚拟商城中进行出售的收益信息。
185.在一些实施例中，为了预测虚拟物品的收益信息，步骤“基于概率信息与不同收益范围，确定目标虚拟物品对应的目标收益信息”，可以包括以下操作：
186.从概率信息中获取最大概率值；
187.确定概率值为最大概率值时图像特征信息对应的目标收益范围；
188.基于目标收益范围得到目标虚拟物品的目标收益信息。
189.例如，收益范围包括：第一收益范围、第二收益范围、第三收益范围和第四收益范围。通过训练后网络模型计算图像特征信息归类于第一收益范围的概率可以为：0.1；归类于第二收益范围的概率可以为：0.3；归类于第三收益范围的概率可以为：0.22；归类于第四收益范围的概率可以为：0.6。可以确定最大概率值为：0.6，进一步的，确定目标收益范围为第四收益范围，获取第四收益范围的收益金额，即可以得到目标虚拟物品的目标收益信息。
190.本申请实施例公开了一种信息处理方法，该方法包括：获取目标游戏中目标虚拟物品在不同视角下的外观图像，其中，目标虚拟物品为目标游戏的虚拟商城中待出售的虚拟物品；对外观图像进行特征提取，得到外观图像的图像特征信息；确定图像特征信息归类于不同收益范围的概率信息；基于概率信息与不同收益范围，确定目标虚拟物品对应的目标收益信息，目标收益信息为预测得到的目标虚拟物品在虚拟商城中进行出售的收益信息。以此，可以使得游戏策划方根据预测的收益信息合理控制待出售游戏外观的宣传成本，从而可以实现游戏外观收益最大化。
191.根据上述介绍的内容，下面将举例来进一步说明本申请的信息处理方法。请参阅图7，图7为本申请实施例提供的另一种信息处理方法的流程示意图，以该信息处理方法应用于服务器，具体流程可以如下：
192.201、获取出售中游戏外观的外观图像和实际收益信息。
193.在本申请实施例中，游戏外观用于对指定游戏中的虚拟角色进行装饰，游戏外观可以包括多种，比如，游戏外观可以包括：男性服装、女性服装、坐骑以及挂饰等。
194.其中，出售中游戏外观指的是已在指定游戏的虚拟商城中进行出售，且在虚拟商城中进行出售的出售时间段满足预设时间段的游戏外观。
195.在本申请实施例中，优选地，预设时间段可以为一个月。则出售中游戏外观包括：在指定游戏的游戏商城中出售时间段大于或者等于一个月的游戏外观。
196.其中，外观图像包括出售中游戏外观在不同视角下的图像，比如，不同视角可以包括：正视、俯视、仰视、后视、左视以及右视等。
197.具体的，可以通过不同视角对出售中游戏外观进行投影，得到该出售中游戏外观在不同视角的外观图像包括：正视图、俯视图、仰视图、后视图、左视图以及右视图。
198.其中，由于不同类别的游戏外观的尺寸大小不相同，因此，对于不同类别的游戏外观的投影图像尺寸设置也不相同。
199.比如，对于男性服装和女性服装类别的游戏外观，投影图像尺寸可以为：600x800
(宽x高)；对于坐骑类别的游戏外观，投影图像尺寸可以为：1000x600，对于挂饰类别的游戏外观，投影尺寸可以为：600x600。
200.例如，出售中游戏外观为：游戏外观a，该游戏外观a的类别可以为男性服装，根据男性服装的投影图像尺寸：600x800，对该游戏外观a进行不同视角下的投影，得到游戏外观a的外观图像包括：游戏外观a的正视图、游戏外观a的俯视图、游戏外观a的仰视图、游戏外观a的后视图、游戏外观a的左视图以及游戏外观a的右视图，且每一图像的图像尺寸为：600x800。
201.其中，实际收益信息指的是出售中游戏外观在预设时间段内进行出售所带来的收益信息，也即实际货币收益金额。在本申请实施例中，游戏玩家在指定游戏中可以使用实际货币来购买游戏外观。
202.在本申请实施例中，为了保证游戏外观的收益信息的准确定，所有游戏玩家可以通过实际货币购买出售中游戏外观。
203.例如，出售中游戏外观可以为游戏外观a，获取该游戏外观a在第一个月进行出售期间的实际货币收益金额可以为：5万元，得到该游戏外观a的实际收益信息为：5万元。
204.在一些实施例中，为了方便后续模型训练，可以对游戏外观的收益进行值域分段，比如，设置收益取值可以为：0、1、2、3、4、5，其中，取值为0可以表示：收益金额<10万元；取值为1可以表示：10万元<＝收益金额<50万元；取值为2可以表示：50万元<＝收益金额<100万元；取值为3可以表示：100万元<＝收益金额<500万元；取值为4可以表示：收益金额>＝500万元。
205.202、对外观图像进行预处理，得到处理后外观图像。
206.其中，对外观图像进行预处理可以是图像二值化处理。
207.例如，外观图像可以包括：正视图、俯视图、仰视图、后视图、左视图以及右视图，对每一视图进行图像二值化处理，得到每一视图对应的二值化图像，也即黑白图像，可以用于描绘游戏外观的轮廓。
208.进一步的，将二值化图像进行拉普拉斯算子图像锐化，以突出原图像中明显的轮廓曲线，隐去相对不明显的图像边界。
209.在将二值化外观图像进行锐化处理后，还可以对每一外观图像进行图像填充，得到处理后外观图像。
210.比如，可以在每一外观图像的四周填充黑色边框。图像填充目的在于后续模型训练时有足够外沿可进行模型各层的迭代训练过程，例如，padding(填充)层的数据计算。黑色边框的填充方式可以为：原图像宽/高的5％，那么，对于一张男性服装类别的投影图像，初始大小为：600x800，填充后图像大小为：660x880。
211.203、根据处理后外观图像与实际收益信息生成训练数据。
212.具体的，获取处理后图像的图像信息，可以包括：图像宽度、图像高度、图像颜色、投影方向(也即投影视角)、该投影方向下的外观图像以及该投影方向下的二值化外观图像。
213.进一步的，根据收益取值对应的收益金额确定实际收益信息对应的目标收益取值。然后，获取图像宽度、图像高度、图像颜色、投影方向(也即投影视角)、该投影方向下的外观图像以及该投影方向下的二值化外观图像，目标收益取值的数据，得到训练数据。
214.204、将训练数据输入预设神经网络模型中进行训练，得到训练后模型。
215.在本申请实施例中，对于每个外观类别，可以独立训练收益评估模型。具体的对于每个外观类别，将该外观类别的训练数据输入至不同参数配置下的卷积神经网络模型(也即预设神经网络模型)中。其训练目标为多分类结果，即外观销售收益分段：0～4。
216.例如，具体参数配置网络分别有alexnet、vggnet、googlnet以及resnet，且可以有不同网络层数配置，配置分别为8层网络、16层网络、32层网络、64层网络4种，总共可以有16种网络配置组合。
217.进一步的，可以将训练数据分为k份，共进行k次模型训练。对于其中任一次训练，可以将其中k
‑
1份数据打包为训练数据，剩下一份数据作为测试数据。将训练数据放入16种参数网络进行训练，输出结果为多元分类结果，各种模型会输出对各类样本在0～4个收益类别下的概率，将该预测结果进行收集，并作为训练数据再次输入到多元逻辑回归模型中进行再次训练，最后输出模型预测结果。该预测结果为多元逻辑回归再次训练后对0
‑
4个类别的最大预测值。
218.其中，多元逻辑回归模型的输出是一个概率分布，用于表示每个类别的概率；此外，多元逻辑回归模型采用了softmax函数将特征的加权求和结果映射到概率分布中。
219.例如，预设网络模型最终对某一样本预测其在0～4个收益类别下的概率分别可以为：0.1、0.3、0.22、0.6、0.67，则模型预测结果为：4(收益类别)。
220.在一些实施例中，为了保证得到最优收益预估模型，可以将训练好的网络模型对1份测试数据进行预测，最终基于评价指标macro
‑
f1
‑
score进行评价模型预测结果，并选出在测试集预测效果最好的模型作为最优训练后网络模型。
221.205、基于训练后模型对待出售游戏外观的外观图像进行处理，得到待出售游戏外观的预测收益信息。
222.通过上述步骤，可以得到训练后网络模型，也即收益评估模型。针对某个待出售游戏外观，首先确认该待出售游戏外观的外观类型，然后调用改外观类型对应的收益评估模型。投影该待出售游戏外观的6方位投影，得到待出售游戏外观在每一方位的投影图，包括正视图、俯视图、仰视图、后视图、左视图以及右视图，并对每个投影图进行二值化并进行图像锐化处理，最后将处理好的图像数据输入收益评估模型，通过收益评估模型对图像数据进行处理，得到该待出售游戏外观的预测收益信息，以使游戏运营方和相关利益方得到待出售游戏外观，可以根据预测收益信息合理控制该待出售游戏外观的宣传成本。
223.本申请实施例公开了一种表情包处理方法，该方法包括：获取出售中游戏外观的外观图像和实际收益信息，对外观图像进行预处理，得到处理后外观图像，根据处理后外观图像与实际收益信息生成训练数据，将训练数据输入预设神经网络模型中进行训练，得到训练后模型，基于训练后模型对待出售游戏外观的外观图像进行处理，得到待出售游戏外观的预测收益信息。以此，可以合理估计待出售游戏外观的潜在收益，有助于游戏策划方更好控制游戏外观的宣传成本，从而实现外观收益最大化。
224.为便于更好的实施本申请实施例提供的信息处理方法，本申请实施例还提供一种基于上述信息处理方法的信息处理装置。其中名词的含义与上述信息处理方法中相同，具体实现细节可以参考方法实施例中的说明。
225.请参阅图8，图8为本申请实施例提供的一种信息处理装置的结构框图，该装置包
括：
226.获取单元301，用于获取目标游戏中目标虚拟物品在至少一视角下对应的至少一外观图像，其中，所述目标虚拟物品为所述目标游戏的虚拟商城中待出售的虚拟物品；
227.提取单元302，用于对所述外观图像进行特征提取，得到所述外观图像的图像特征信息；
228.第一确定单元303，用于确定所述图像特征信息归类于不同收益范围的概率信息；
229.第二确定单元304，用于基于所述概率信息与所述不同收益范围，确定所述目标虚拟物品对应的目标收益信息，所述目标收益信息为预测得到的所述目标虚拟物品在所述虚拟商城中进行出售的收益信息。
230.在一些实施例中，第一确定单元303可以包括：
231.输入子单元，用于将所述图像特征信息输入训练后网络模型中；
232.计算子单元，用于基于所述训练后网络模型计算所述图像特征信息归类于每一样本收益范围的概率值，得到所述概率信息。
233.在一些实施例中，第一确定单元303还可以包括：
234.采集子单元，用于采集所述目标游戏中样本虚拟物品在不同视角下的样本外观图像，其中，所述样本虚拟物品包括：指定历史时间段内在所述虚拟商城中进行出售的虚拟物品；
235.第一获取子单元，用于获取所述样本外观图像在所述指定历史时间段内进行出售的实际收益信息；
236.构建子单元，用于基于所述样本外观图像与所述实际收益信息，构建所述训练后网络模型。
237.在一些实施例中，构建子单元具体可以用于：
238.对所述样本外观图像进行图像锐化处理，得到处理后样本外观图像；
239.提取所述处理后样本外观图像的样本图像特征信息；
240.基于所述样本图像特征信息与所述实际收益信息对预设网络模型进行训练，得到所述训练后网络模型。
241.在一些实施例中，构建子单元具体可以用于：
242.对所述样本外观图像进行图像锐化处理，得到处理后样本外观图像；
243.提取所述处理后样本外观图像的样本图像特征信息；
244.根据所述样本图像特征信息与所述实际收益信息生成训练样本对；基于所述训练样本对对所述预设网络模型进行训练，得到所述训练样本对中所述样本图像特征信息归类于每一收益范围的预测概率值；确定所述训练样本对中所述样本图像特征信息归类于每一收益范围的实际概率值；通过预测概率值与所述实际概率值对所述预设网络模型的模型参数模型进行调整，直至所述预设网络模型收敛，得到所述训练后网络模型。
245.在一些实施例中，构建子单元具体可以用于：
246.对所述样本外观图像进行图像锐化处理，得到处理后样本外观图像；
247.提取所述处理后样本外观图像的样本图像特征信息；
248.基于所述样本图像特征信息与所述实际收益信息对每一预设子网络模型进行训练，得到训练后子网络模型；获取验证样本对，并通过所述验证样本对对所述训练后子网络
模型进行验证，得到所述训练后子网络模型的验证结果；基于所述验证结果从多个训练后子网络模型中确定目标训练后子网络模型，得到所述训练后网络模型。
249.在一些实施例中，第一确定单元303还可以包括：
250.识别子单元，用于识别所述目标虚拟物品，得到所述目标虚拟物品的物品类型；
251.第一确定子单元，用于从多个训练后网络模型中，确定所述物品类型对应的目标训练后网络模型，其中，不同物品类型对应不同训练后网络模型。
252.在一些实施例中，输入子单元具体可以用于：
253.将所述图像特征信息输入所述目标训练后网络模型中。
254.在一些实施例中，获取单元301可以包括：
255.投影子单元，用于对所述目标虚拟物品在不同视角下进行投影，得到所述目标虚拟物品在所述不同视角下的投影图像；
256.第二确定子单元，用于确定所述目标虚拟物品的物品类型对应的图像尺寸参数；
257.调整子单元，用于基于所述图像尺寸参数对所述投影图像的尺寸进行调整，得到所述外观图像。
258.在一些实施例中，第二确定单元304可以包括：
259.第二获取子单元，用于从所述概率信息中获取最大概率值；
260.第三确定子单元，确定概率值为所述最大概率值时所述图像特征信息对应的目标收益范围；
261.第四确定子单元，用于基于所述目标收益范围得到所述目标虚拟物品的目标收益信息。
262.本申请实施例公开了一种信息处理装置，通过获取单元301获取目标游戏中目标虚拟物品在至少一视角下对应的至少一外观图像，其中，所述目标虚拟物品为所述目标游戏的虚拟商城中待出售的虚拟物品；提取单元302对外观图像进行特征提取，得到外观图像的图像特征信息；第一确定单元303确定图像特征信息归类于不同收益范围的概率信息；第二确定单元304基于概率信息与不同收益范围，确定目标虚拟物品对应的目标收益信息，目标收益信息为预测得到的目标虚拟物品在虚拟商城中进行出售的收益信息。
263.相应的，本申请实施例还提供一种计算机设备，该计算机设备可以为服务器。如图9所示，图9为本申请实施例提供的计算机设备的结构示意图。该计算机设备500包括有一个或者一个以上处理核心的处理器501、有一个或一个以上计算机可读存储介质的存储器502及存储在存储器502上并可在处理器上运行的计算机程序。其中，处理器501与存储器502电性连接。本领域技术人员可以理解，图中示出的计算机设备结构并不构成对计算机设备的限定，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。
264.处理器501是计算机设备500的控制中心，利用各种接口和线路连接整个计算机设备500的各个部分，通过运行或加载存储在存储器502内的软件程序和/或模块，以及调用存储在存储器502内的数据，执行计算机设备500的各种功能和处理数据，从而对计算机设备500进行整体监控。
265.在本申请实施例中，计算机设备500中的处理器501会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现各种功能：
266.获取目标游戏中目标虚拟物品在至少一视角下对应的至少一外观图像，其中，目标虚拟物品为目标游戏的虚拟商城中待出售的虚拟物品；对外观图像进行特征提取，得到外观图像的图像特征信息；确定图像特征信息归类于不同收益范围的概率信息；基于概率信息与不同收益范围，确定目标虚拟物品对应的目标收益信息，目标收益信息为预测得到的目标虚拟物品在虚拟商城中进行出售的收益信息。
267.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。
268.可选的，如图9所示，计算机设备500还包括：触控显示屏503、射频电路504、音频电路505、输入单元506以及电源507。其中，处理器501分别与触控显示屏503、射频电路504、音频电路505、输入单元506以及电源507电性连接。本领域技术人员可以理解，图9中示出的计算机设备结构并不构成对计算机设备的限定，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。
269.触控显示屏503可用于显示图形用户界面以及接收用户作用于图形用户界面产生的操作指令。触控显示屏503可以包括显示面板和触控面板。其中，显示面板可用于显示由用户输入的信息或提供给用户的信息以及计算机设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。可选的，可以采用液晶显示器(lcd，liquid crystal display)、有机发光二极管(oled，organic light
‑
emitting diode)等形式来配置显示面板。触控面板可用于收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并生成相应的操作指令，且操作指令执行对应程序。可选的，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器501，并能接收处理器501发来的命令并加以执行。触控面板可覆盖显示面板，当触控面板检测到在其上或附近的触摸操作后，传送给处理器501以确定触摸事件的类型，随后处理器501根据触摸事件的类型在显示面板上提供相应的视觉输出。在本申请实施例中，可以将触控面板与显示面板集成到触控显示屏503而实现输入和输出功能。但是在某些实施例中，触控面板与触控面板可以作为两个独立的部件来实现输入和输出功能。即触控显示屏503也可以作为输入单元506的一部分实现输入功能。
270.射频电路504可用于收发射频信号，以通过无线通信与网络设备或其他计算机设备建立无线通讯，与网络设备或其他计算机设备之间收发信号。
271.音频电路505可以用于通过扬声器、传声器提供用户与计算机设备之间的音频接口。音频电路505可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路505接收后转换为音频数据，再将音频数据输出处理器501处理后，经射频电路504以发送给比如另一计算机设备，或者将音频数据输出至存储器502以便进一步处理。音频电路505还可能包括耳塞插孔，以提供外设耳机与计算机设备的通信。
272.输入单元506可用于接收输入的数字、字符信息或用户特征信息(例如指纹、虹膜、面部信息等)，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。
273.电源507用于给计算机设备500的各个部件供电。可选的，电源507可以通过电源管
理系统与处理器501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507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。
274.尽管图9中未示出，计算机设备500还可以包括摄像头、传感器、无线保真模块、蓝牙模块等，在此不再赘述。
275.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
276.由上可知，本实施例提供的计算机设备，获取目标游戏中目标虚拟物品在不同视角下的外观图像，其中，目标虚拟物品为目标游戏的虚拟商城中待出售的虚拟物品；对外观图像进行特征提取，得到外观图像的图像特征信息；确定图像特征信息归类于不同收益范围的概率信息；基于概率信息与不同收益范围，确定目标虚拟物品对应的目标收益信息，目标收益信息为预测得到的目标虚拟物品在虚拟商城中进行出售的收益信息。
277.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。
278.为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条计算机程序，该计算机程序能够被处理器进行加载，以执行本申请实施例所提供的任一种信息处理方法中的步骤。例如，该计算机程序可以执行如下步骤：
279.获取目标游戏中目标虚拟物品在至少一视角下对应的至少一外观图像，其中，目标虚拟物品为目标游戏的虚拟商城中待出售的虚拟物品；
280.对外观图像进行特征提取，得到外观图像的图像特征信息；
281.确定图像特征信息归类于不同收益范围的概率信息；
282.基于概率信息与不同收益范围，确定目标虚拟物品对应的目标收益信息，目标收益信息为预测得到的目标虚拟物品在虚拟商城中进行出售的收益信息。
283.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。
284.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。
285.由于该存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种信息处理方法中的步骤，因此，可以实现本申请实施例所提供的任一种信息处理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。
286.以上对本申请实施例所提供的一种信息处理方法、装置、存储介质及计算机设备进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，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申请的限制。