基于人工智能的云游戏数据处理方法及系统与流程

1.本技术涉及人工智能技术领域，尤其涉及一种基于人工智能的云游戏数据处理方法及系统。


背景技术：

2.从游戏发展的角度来看，不管是端游、页游，还是现在发展迅猛的手游，其生命周期与盈利情况都与数据分析能力息息相关。同时，为了能够实现对游戏玩家的兴趣偏好进行精准定位，相应地，也可以通过对云游戏交互数据进行深度挖掘，然而，经发明人研究发现，相关云游戏交互数据挖掘技术难以保障玩家兴趣挖掘的精度和可靠性。


技术实现要素：

3.本技术的一个目的是提供一种基于人工智能的云游戏数据处理方法及系统。
4.本技术的技术方案是通过如下至少部分实施例实现的。
5.一种基于人工智能的云游戏数据处理方法，，应用于云游戏数据系统，所述方法包括：依据兴趣挖掘请求获取符合兴趣挖掘要求的云游戏交互数据；将所述符合兴趣挖掘要求的云游戏交互数据加载到玩家兴趣挖掘算法，获得玩家兴趣信息；所述玩家兴趣信息反映从所述符合兴趣挖掘要求的云游戏交互数据中挖掘到的游戏服务需求或者游戏活动偏好。
6.在一些可独立实施的实施例中，所述玩家兴趣挖掘算法是从第一待定人工智能算法中确定出来的质量评分均值到达指定要求的目标朴素贝叶斯算法；所述第一待定人工智能算法包含若干个第一朴素贝叶斯算法，相异的第一朴素贝叶斯算法所输出的玩家活动知识关系网的特征识别度存在差异，和/或，相异的第一朴素贝叶斯算法对用于进行玩家兴趣挖掘的不同特征识别度的玩家活动知识关系网的部署思路存在差异；其中，相异的第一朴素贝叶斯算法对用于进行玩家兴趣挖掘的不同特征识别度的玩家活动知识关系网的部署思路存在差异，表征在相异的第一朴素贝叶斯算法中挖掘单元与不同特征识别度的玩家活动知识关系网之间的匹配描述存在差异。
7.在一些可独立实施的实施例中，在所述将所述符合兴趣挖掘要求的云游戏交互数据加载到玩家兴趣挖掘算法，获得玩家兴趣信息之前，所述方法包括：通过算法结构变量，构造所述第一待定人工智能算法；从所述第一待定人工智能算法中抽取获得目标朴素贝叶斯算法，所述目标朴素贝叶斯算法为质量评分均值达到指定要求的第一朴素贝叶斯算法，并将所述目标朴素贝叶斯算法确定为所述玩家兴趣挖掘算法。
8.在一些可独立实施的实施例中，所述第一待定人工智能算法包括：若干个第一朴素贝叶斯算法，各个第一朴素贝叶斯算法包括u个特征滤波窗口和与所述u个特征滤波窗口相连的v个挖掘单元，且所述u个特征滤波窗口中的一个特征滤波窗口与所述v个挖掘单元
中的不少于一个挖掘单元相连；所述算法结构变量包括：联动层的数目u、各个联动层包含若干个间隔周期相异的特征滤波窗口、挖掘单元的数目v、各个特征滤波窗口的参考算法变量，以及，各个挖掘单元对应的若干个特征滤波窗口的指定间隔周期；其中，一个特征滤波窗口的指定间隔周期为：加载至所述特征滤波窗口的云游戏交互数据的特征维度与所述特征滤波窗口所输出的玩家活动知识关系网的特征维度之间的比例；一个挖掘单元对应若干个特征滤波窗口的指定间隔周期，表征所述挖掘单元在相异的第一朴素贝叶斯算法中和与所述若干个指定间隔周期对应的不同特征滤波窗口相连；v和u为正整数；其中，所述从所述第一待定人工智能算法中抽取获得目标朴素贝叶斯算法，包括：从所述第一待定人工智能算法中抽取过渡朴素贝叶斯算法；所述过渡朴素贝叶斯算法为特征滤波窗口的指定间隔周期到达指定要求的第一朴素贝叶斯算法；所述指定要求为在先配置的算法选择指标；采用从关联游戏运行日志中获得的已认证云游戏交互数据，对各个过渡朴素贝叶斯算法进行第一调试，获得第二待定人工智能算法；从所述第二待定人工智能算法中抽取获得所述目标朴素贝叶斯算法。
9.在一些可独立实施的实施例中，所述第二待定人工智能算法包含若干个第二朴素贝叶斯算法，所述从所述第二待定人工智能算法中抽取获得所述目标朴素贝叶斯算法，包括：通过对所述若干个第二朴素贝叶斯算法进行抽取，以及进行调整和叠加中的至少一项，获得第三待定人工智能算法；所述第三待定人工智能算法包含若干个第三朴素贝叶斯算法；将从所述关联游戏运行日志中获得的示例型云游戏交互数据，加载至各个第三朴素贝叶斯算法，获得各个第三朴素贝叶斯算法的生成信息；通过各个第三朴素贝叶斯算法的生成信息，确定各个第三朴素贝叶斯算法的质量评分均值；择取质量评分均值最大的第三朴素贝叶斯算法作为所述目标朴素贝叶斯算法。
10.在一些可独立实施的实施例中，所述将从所述关联游戏运行日志中获得的示例型云游戏交互数据，加载至各个第三朴素贝叶斯算法，获得各个第三朴素贝叶斯算法的生成信息，包括：从所述第三待定人工智能算法中随机抽选一个第三朴素贝叶斯算法作为当前朴素贝叶斯算法；获取所述当前朴素贝叶斯算法的一算法变量集；将所述当前朴素贝叶斯算法的一算法变量集作为预调试算法变量，对所述当前朴素贝叶斯算法进行第二调试，获得所述当前朴素贝叶斯算法的一修正算法变量集；所述第二调试中的目标超参数小于所述第一调试中的目标超参数；将所述当前朴素贝叶斯算法的算法变量优化为所述一修正算法变量集；将从所述关联游戏运行日志中获得的示例型云游戏交互数据，输入算法变量优化后的所述当前朴素贝叶斯算法中，获得生成信息；从所述第三待定人工智能算法中抽选后一个第三朴素贝叶斯算法作为所述当前
朴素贝叶斯算法，跳转至“获取所述当前朴素贝叶斯算法的一算法变量集”的步骤，直到所述第三待定人工智能算法中的各个第三朴素贝叶斯算法都完成抽选，获得各个第三朴素贝叶斯算法的生成信息；其中，在所述采用从关联游戏运行日志中获得的已认证云游戏交互数据对各个过渡朴素贝叶斯算法进行第一调试，获得第二待定人工智能算法之后，所述方法还包括：获得各个第二朴素贝叶斯算法的算法变量；通过各个所述第二朴素贝叶斯算法的算法变量，获得所述u个联动层中各个联动层所涵盖的各个特征滤波窗口的隐含算法变量；所述获取所述当前朴素贝叶斯算法的一算法变量集，包括：通过所述当前朴素贝叶斯算法中的各个特征滤波窗口，从获得的隐含算法变量中，选择相应的隐含算法变量，获得u个隐含算法变量，并将选择的所述u个隐含算法变量作为所述当前朴素贝叶斯算法的一算法变量集。
11.在一些可独立实施的实施例中，所述通过对所述若干个第二朴素贝叶斯算法进行抽取，以及进行调整和叠加中的至少一项，获得第三待定人工智能算法，包括：从所述若干个第二朴素贝叶斯算法中随机挑选指定数目的第二朴素贝叶斯算法作为团簇化算法；对所述团簇化算法进行调整处理和叠加处理中的至少一项，获得扩展算法；所述扩展算法包含若干个扩展朴素贝叶斯算法；从所述若干个扩展朴素贝叶斯算法中，抽取出特征滤波窗口的指定间隔周期满足所述指定要求的扩展朴素贝叶斯算法作为达标朴素贝叶斯算法，或者，抽取出特征滤波窗口的指定间隔周期满足所述指定要求，且算力指标值满足设定判定值的扩展朴素贝叶斯算法作为达标朴素贝叶斯算法；将所述达标朴素贝叶斯算法和所述团簇化算法所形成的朴素贝叶斯算法池作为二轮备选人工智能算法，确定所述二轮备选人工智能算法中的各个待处理朴素贝叶斯算法的质量评分均值；从所述二轮备选人工智能算法中，择取质量评分均值最大的指定数目的待处理朴素贝叶斯算法；采用所述选择的质量评分均值最大的指定数目的待处理朴素贝叶斯算法，对所述团簇化算法进行优化；基于指定次数对上述步骤进行循环，并将最后一轮获得的二轮备选人工智能算法作为所述第三待定人工智能算法；其中，所述调整处理包括如下至少一项：从所述团簇化算法中选取若干个聚类式朴素贝叶斯算法，将选择的各个聚类式朴素贝叶斯算法中随机一个或若干个特征滤波窗口，配置为与所述一个或若干个特征滤波窗口对应的联动层所涵盖的剩余任意特征滤波窗口；从所述团簇化算法中选取若干个聚类式朴素贝叶斯算法，将选择的各个聚类式朴素贝叶斯算法中随机一个或若干个挖掘单元所对应的特征滤波窗口的指定间隔周期，配置为所述若干个特征滤波窗口的指定间隔周期中的剩余任意特征滤波窗口的指定间隔周期；其中，将一个挖掘单元对应的第一指定间隔周期配置为第二指定间隔周期，表征所述挖掘单元与特征滤波窗口的关联特征，从所述挖掘单元与所述第一指定间隔周期对应的第一特征滤波窗口相连，更改为所述挖掘单元与所述第二指定间隔周期对应的第二特征滤波窗口相
连；所述叠加处理包括如下至少一项：从所述团簇化算法中选取若干个聚类式朴素贝叶斯算法，将选择的随机两个聚类式朴素贝叶斯算法中的一个或若干个特征滤波窗口进行对调；从所述团簇化算法中选取若干个聚类式朴素贝叶斯算法，将选择的随机两个聚类式朴素贝叶斯算法中的一个或若干个挖掘单元所对应的指定间隔周期进行对调。
12.在一些可独立实施的实施例中，所述指定要求包括如下其中一项：各个特征滤波窗口的指定间隔周期不小于第一设定判定值，且不大于第二设定判定值；所述v个挖掘单元中，前一个挖掘单元所相连的特征滤波窗口的指定间隔周期不小于后一个挖掘单元所相连的特征滤波窗口的指定间隔周期；所述v个挖掘单元所相连的特征滤波窗口的指定间隔周期中，最大的指定间隔周期不小于第三设定判定值；所述v个挖掘单元所相连的特征滤波窗口的指定间隔周期中，最小的指定间隔周期不大于所述第三设定判定值；所述v个挖掘单元所相连的特征滤波窗口的指定间隔周期中，最大的指定间隔周期与最小的指定间隔周期存在差异；所述第一设定判定值小于所述第三设定判定值，所述第三设定判定值小于所述第二设定判定值；所述v个挖掘单元所相连的若干个特征滤波窗口中，各个特征滤波窗口输出的玩家活动知识关系网存在差异。
13.在一些可独立实施的实施例中，各个第一朴素贝叶斯算法包括u个特征滤波窗口，第p个特征滤波窗口所输出的玩家活动知识关系网是通过第一玩家活动知识关系网和第二玩家活动知识关系网获得，其中，所述第一玩家活动知识关系网是所述第p个特征滤波窗口对第p-1个特征滤波窗口所输出的玩家活动知识关系网进行滑动平均处理获得，所述第二玩家活动知识关系网是通过特征水平滤波窗口对第q个特征滤波窗口所输出的玩家活动知识关系网进行滑动平均处理获得；其中，所述第q个特征滤波窗口与所述第p个特征滤波窗口所输出的玩家活动知识关系网的特征识别度相同，所述第q个特征滤波窗口的间隔周期值为指定间隔周期值，且所述第q个特征滤波窗口的间隔周期值与第q+1个特征滤波窗口的间隔周期值之间满足指定间隔周期条件；u、p和q为正整数，q《p，且p≤u-1。。
14.一种云游戏数据系统，包括：用于存储可执行计算机程序的存储器，用于执行所述存储器中存储的可执行计算机程序时实现上述方法的处理器。
15.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时执行上述方法。
16.本技术实施例提供的基于人工智能的云游戏数据处理方法及系统，依据兴趣挖掘请求获取符合兴趣挖掘要求的云游戏交互数据，将符合兴趣挖掘要求的云游戏交互数据加载到玩家兴趣挖掘算法，获得玩家兴趣信息，玩家兴趣信息反映从符合兴趣挖掘要求的云游戏交互数据中挖掘到的游戏服务需求或者游戏活动偏好。
17.如此设计，可以基于玩家兴趣挖掘算法实现准确高效的兴趣挖掘，从而得到精准可靠的游戏服务需求或者游戏活动偏好，这样能够为后续的云游戏服务功能优化升级提供决策依据和数据基础。
18.进一步地，玩家兴趣挖掘算法是从第一待定人工智能算法中确定出来的质量评分均值到达指定要求的目标朴素贝叶斯算法；第一待定人工智能算法包含若干个第一朴素贝叶斯算法，相异的第一朴素贝叶斯算法所输出的玩家活动知识关系网的特征识别度存在差
异，和/或，相异的第一朴素贝叶斯算法对用于进行玩家兴趣挖掘的不同特征识别度的玩家活动知识关系网的部署思路存在差异；其中，相异的第一朴素贝叶斯算法对用于进行玩家兴趣挖掘的不同特征识别度的玩家活动知识关系网的部署思路存在差异，表征在相异的第一朴素贝叶斯算法中挖掘单元与不同特征识别度的玩家活动知识关系网之间的匹配描述存在差异。
19.如此设计，鉴于进行玩家兴趣挖掘的挖掘算法是从包含了全面多样的算法架构的挖掘算法集中确定出来的质量评分均值到达指定要求的算法，与传统的、具有生硬架构的挖掘算法相比，玩家兴趣挖掘算法可以与云游戏交互数据高度匹配，且能够侧重于不同类型的用户兴趣的挖掘分析，这样能够避免兴趣挖掘过程中受到算法结构的限制干扰，不仅可以准确完整地得到不同的游戏服务需求或者游戏活动偏好，还可以提高兴趣挖掘的效率。
附图说明
20.图1是示出可以实现本技术的实施例的云游戏数据系统的一种通信配置的示意图。
21.图2是示出可以实现本技术的实施例的基于人工智能的云游戏数据处理方法的流程示意图。
22.图3是示出可以实现本技术的实施例的基于人工智能的云游戏数据处理方法的应用环境的架构示意图。
具体实施方式
23.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。为了使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术作进一步地详细描述，所描述的实施例不应视为对本技术的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
24.图1是示出可以实现本技术的实施例的云游戏数据系统100的一种通信配置的框图，云游戏数据系统100包括用于存储可执行计算机程序的存储器101，用于执行所述存储器101中存储的可执行计算机程序时实现本技术实施例中基于人工智能的云游戏数据处理方法的处理器102。
25.图2是示出可以实现本技术的实施例的基于人工智能的云游戏数据处理方法的流程示意图，基于人工智能的云游戏数据处理方法可以通过图1所示的云游戏数据系统100实现，进一步可以包括以下相关步骤所描述的技术方案。
26.步骤101、依据兴趣挖掘请求获取符合兴趣挖掘要求的云游戏交互数据。
27.对于本技术实施例而言，在进行兴趣挖掘之前，云游戏数据系统可以先从云端数
据库等数据服务器或其他服务器处获得符合兴趣挖掘要求的云游戏交互数据。符合兴趣挖掘要求的云游戏交互数据可以是所需要挖掘的目标游戏的云游戏交互数据，比如，rpg云游戏交互数据、moba云游戏交互数据，以及pc云游戏交互数据等。此外，兴趣挖掘要求可以根据游戏交互时段、游戏交互场景、游戏交互对象等维度确定，在此不作限定。一般而言，兴趣挖掘要求与兴趣挖掘请求相匹配。
28.步骤102、将符合兴趣挖掘要求的云游戏交互数据加载到玩家兴趣挖掘算法，获得玩家兴趣信息。
29.对于本技术实施例而言，玩家兴趣信息反映从符合兴趣挖掘要求的云游戏交互数据中挖掘到的游戏服务需求或者游戏活动偏好；其中，玩家兴趣挖掘算法是从第一待定人工智能算法中确定出来的质量评分均值到达指定要求的目标朴素贝叶斯算法；第一待定人工智能算法包含若干个第一朴素贝叶斯算法，相异的第一朴素贝叶斯算法所输出的玩家活动知识关系网的特征识别度存在差异，和/或，相异的第一朴素贝叶斯算法对用于进行玩家兴趣挖掘的不同特征识别度的玩家活动知识关系网的部署思路存在差异；其中，相异的第一朴素贝叶斯算法对用于进行玩家兴趣挖掘的不同特征识别度的玩家活动知识关系网的部署思路存在差异，表征在相异的第一朴素贝叶斯算法中挖掘单元与不同特征识别度的玩家活动知识关系网之间的匹配描述存在差异。
30.举例而言，玩家活动知识关系网可以是玩家操作行为向量对应的特征分布或者特征图，特征识别度用于表征玩家活动知识关系网的识别精度。进一步地，质量评分均值可以理解为平均的模型精度值。朴素贝叶斯算法可以作朴素贝叶斯模型/朴素贝叶斯分类器理解。
31.对于本技术实施例而言，云游戏数据系统可以采用遍历思路（可以依据时序顺序执行）从包括了若干个第一朴素贝叶斯算法的第一待定人工智能算法中抽取获得质量评分均值到达指定要求的目标朴素贝叶斯算法，并采用抽取获得的目标朴素贝叶斯算法对符合兴趣挖掘要求的云游戏交互数据进行挖掘，获得可以反映从符合兴趣挖掘要求的云游戏交互数据中挖掘到的玩家兴趣向量的分布（在符合兴趣挖掘要求的云游戏交互数据中的分布）和玩家兴趣事件的种类等的游戏服务需求或游戏活动偏好。符合兴趣挖掘要求的云游戏交互数据中的玩家兴趣可以是“对战操作优化”、“gui引导升级”，还可以是“玩家个人信息防护”、“显示界面自适应眼疲劳调节”等。
32.对于本技术实施例而言，第一待定人工智能算法是由若干个第一朴素贝叶斯算法形成的算法池，其中，在这若干个第一朴素贝叶斯算法中，各个第一朴素贝叶斯算法可对挖掘云游戏交互数据进行目标挖掘，相异的第一朴素贝叶斯算法的架构相异，从而使得相异的第一朴素贝叶斯算法所输出的玩家活动知识关系网的特征识别度（比如玩家活动知识关系网的维度）不同，或者，相异的第一朴素贝叶斯算法对用于进行玩家兴趣挖掘的不同特征识别度的玩家活动知识关系网的部署思路存在差异。比如，第一朴素贝叶斯算法algorithm_a与第一朴素贝叶斯算法algorithm_b为两个架构相异的第一朴素贝叶斯算法，且第一朴素贝叶斯算法algorithm_a和第一朴素贝叶斯算法algorithm_b对于同一个符合兴趣挖掘要求的云游戏交互数据，均可生成三种特征识别度存在差异的玩家活动知识关系网，则第一朴素贝叶斯算法algorithm_a和第一朴素贝叶斯算法algorithm_b所输出的三种特征识别度存在差异的玩家活动知识关系网中，至少有一种特征识别度存在差异的玩家活
动知识关系网，或三种特征识别度存在差异的玩家活动知识关系网的输出先后相异。或第一朴素贝叶斯算法algorithm_a和第一朴素贝叶斯算法algorithm_b在采用得到的三种特征识别度存在差异的玩家活动知识关系网进行兴趣挖掘时，每种特征识别度的玩家活动知识关系网与从该种特征识别度的玩家活动知识关系网中要挖掘的兴趣事件的特征维度之间的匹配描述存在差异，比如，对于同一种特征识别度的玩家活动知识关系网，第一朴素贝叶斯算法algorithm_a采用该种特征识别度的玩家活动知识关系网，挖掘特征维度较小的兴趣事件case_a，而第一朴素贝叶斯算法algorithm_b采用该种特征识别度的玩家活动知识关系网，挖掘特征维度大于兴趣事件case_a的兴趣事件case_b，或者，第一朴素贝叶斯算法algorithm_a采用该种特征识别度的玩家活动知识关系网，挖掘特征维度较小的兴趣事件case_a，而第一朴素贝叶斯算法algorithm_b采用该种特征识别度的玩家活动知识关系网，同时挖掘兴趣事件case_a和特征维度大于兴趣事件case_a的兴趣事件case_b。
33.鉴于进行玩家兴趣挖掘的挖掘算法是从包含了全面多样的算法架构的挖掘算法集中确定出来的质量评分均值到达指定要求的算法，与传统的、具有生硬架构的挖掘算法相比，玩家兴趣挖掘算法可以与云游戏交互数据高度匹配，且能够侧重于不同类型的用户兴趣的挖掘分析，这样能够避免兴趣挖掘过程中受到算法结构的限制干扰，不仅可以准确完整地得到不同的游戏服务需求或者游戏活动偏好，还可以提高兴趣挖掘的效率。
34.在一种可独立实施的技术方案下，在实施步骤101之前，该方法还可以包括如下步骤201和步骤202。
35.步骤201、通过算法结构变量，构造第一待定人工智能算法。
36.对于本技术实施例而言，云游戏数据系统可以通过特征滤波窗口（可理解为卷积模块）的间隔周期值（比如步长），以及相异的特征滤波窗口所输出的玩家活动知识关系网与相异的挖掘单元之间的匹配描述等算法结构变量，生成若干个第一朴素贝叶斯算法，以组成第一待定人工智能算法，从而之后可以基于第一待定人工智能算法进行目标朴素贝叶斯算法的选定。
37.步骤202、从第一待定人工智能算法中抽取获得目标朴素贝叶斯算法，目标朴素贝叶斯算法为质量评分均值达到指定要求的第一朴素贝叶斯算法，并将目标朴素贝叶斯算法确定为玩家兴趣挖掘算法。
38.对于本技术实施例而言，构造第一待定人工智能算法后，云游戏数据系统可以通过运算第一朴素贝叶斯算法的质量评分均值，并通过第一朴素贝叶斯算法的质量评分均值，抽取获得质量评分均值到达指定要求的第一朴素贝叶斯算法作为玩家兴趣挖掘算法，以对符合兴趣挖掘要求的云游戏交互数据进行挖掘。
39.对于本技术实施例而言，用于进行玩家兴趣挖掘的挖掘算法可以由若干个特征滤波窗口和与若干个特征滤波窗口相连的若干个挖掘单元构成。算法结构变量可以包括：联动层的数目u、各个联动层包含若干个间隔周期相异的特征滤波窗口、挖掘单元的数目v、各个特征滤波窗口的参考算法变量，以及，各个挖掘单元对应的若干个特征滤波窗口的指定间隔周期。其中，一个特征滤波窗口的指定间隔周期为输入该特征滤波窗口的云游戏交互数据（符合兴趣挖掘要求的云游戏交互数据或玩家活动知识关系网）的特征维度与该特征滤波窗口所输出的玩家活动知识关系网的特征维度之间的比例（比如该特征滤波窗口的指定间隔周期）。一个挖掘单元对应若干个特征滤波窗口的指定间隔周期，表征所述挖掘单元
在相异的第一朴素贝叶斯算法中和与所述若干个指定间隔周期对应的不同特征滤波窗口相连，v和u为正整数。
40.进一步地，一个特征滤波窗口可以包含若干特征滤波及其他操作，该特征滤波窗口所涵盖的描述内容与已有特征滤波窗口包括的内容一致。各个挖掘单元对应的若干个特征滤波窗口的指定间隔周期，可以包括u个特征滤波窗口中各个特征滤波窗口的指定间隔周期，表示该挖掘单元可以和u个特征滤波窗口中的随机一个特征滤波窗口相连，从而可以通过随机一个特征滤波窗口输出的玩家活动知识关系网，进行目标挖掘。
41.对于本技术实施例而言，各个联动层可以由若干个间隔周期相异的特征滤波窗口构成。比如，各个联动层可以包括三个间隔周期相异的特征滤波窗口，包括：间隔周期值为0.5的特征滤波窗口、间隔周期值为1的特征滤波窗口和间隔周期值为2的特征滤波窗口，对应地，可以使各个特征滤波窗口生成的玩家活动知识关系网的特征维度是传入的玩家活动知识关系网的1/2，与传入的玩家活动知识关系网的特征维度相同，或为传入的玩家活动知识关系网的特征维度的2倍。
42.对于本技术实施例而言，u个联动层中各个特征滤波窗口对应有一个参考算法变量，其中，一个特征滤波窗口的算法变量为该特征滤波窗口的重要程度。其中，v和u的取值，u个联动层中各个特征滤波窗口的参考算法变量，以及v个挖掘单元中各个挖掘所挖掘的兴趣事件的特征维度，可以为指定值，该些指定值可通过相关的挖掘算法获取，在此不作限定。
43.对于本技术实施例而言，u个联动层中各个联动层中的各个特征滤波窗口的参考算法变量，可以为各个特征滤波窗口的初始重要程度（基础权重值）；各个特征滤波窗口的参考算法变量可以是采用正态分布对该特征滤波窗口的参考算法变量进行默认化处理获得，本技术实施例对默认化处理的操作流程不作过多描述（比如随机的初始化处理）。
44.通过上述算法结构变量生成的第一待定人工智能算法中，各个第一朴素贝叶斯算法包括u个特征滤波窗口和与该u个特征滤波窗口相连的v个挖掘单元，且该u个特征滤波窗口中的一个特征滤波窗口与v个挖掘单元中的不少于一个挖掘单元相连。换言之，对于各个第一朴素贝叶斯算法，从u个联动层中各个对应的联动层所涵盖的若干个间隔周期相异的特征滤波窗口中，选择一个特征滤波窗口作为一个分支，获得了构成该第一朴素贝叶斯算法的特征处理层的u个分支的u个对应的特征滤波窗口。
45.在一些示例中，第一朴素贝叶斯算法由特征处理层和挖掘算法构成，特征处理层由十二个特征滤波窗口组成，挖掘单元层由三个相异的挖掘单元eu_a、eu_b和eu_c组成，其中，挖掘单元eu_a和挖掘单元eu_b都与特征滤波窗口w_a连接，挖掘单元eu_c与特征滤波窗口w_b连接，从而，挖掘单元eu_a可以通过特征滤波窗口w_a输出的玩家活动知识关系网network_a进行相应兴趣事件的挖掘，挖掘单元eu_b可以通过特征滤波窗口w_a输出的与玩家活动知识关系网network_a的特征识别度相同的玩家活动知识关系网network_b进行相应兴趣事件的挖掘，以及，挖掘单元eu_c可以通过从特征滤波窗口w_b输出的玩家活动知识关系网network_c进行相应兴趣事件的挖掘。可以理解的是，第一朴素贝叶斯算法的算法架构不限于上述示例。
46.在本技术实施例中，通过使各个联动层包含若干个间隔周期相异的特征滤波窗口，可以获得多种不同特征滤波窗口的间隔周期变化情况，获得多种架构相异的特征处理
层；以及，使各个挖掘单元与若干个特征滤波窗口的指定间隔周期对应，可以获得同一挖掘单元与不同特征识别度的玩家活动知识关系网的对应情况，获得多种特征处理层与挖掘单元层的连接方法，进而获得多种架构相异的第一朴素贝叶斯算法，形成架构多样化的第一待定人工智能算法，以便从第一待定人工智能算法中抽取获得用于进行玩家兴趣挖掘的目标朴素贝叶斯算法。换言之，选定了构成分类器模型的信息过渡型处理层的间隔周期的改变和分类器模型中若干个挖掘单元对生成向量的挑选情况，鉴于构成分类器模型的信息过渡型处理层的间隔周期的改变，干扰第一模型中玩家活动知识关系网的规模，进而干扰算法架构的处理效率以及干扰特征向量的评价值，进而干扰算法的准确性；分类器模型中的若干个挖掘单元对生成向量的不同选择，会使得按维度分组的兴趣事件关联到玩家活动知识关系网的部署思路调整，会干扰算法的准确性；因此，通过本技术实施例可以确定出更完整的构成分类器模型（比如可以是特征金字塔模型）中的信息过渡型处理层的间隔周期更新情况和更完整的分类器模型中的若干个挖掘单元对向量的挑选思路，从而可以达到在相同处理量下挖掘算法的更高的挖掘质量（质量评分均值）。
47.在本技术实施例中的其中一个实施例下，各个第一朴素贝叶斯算法包括u个特征滤波窗口，第p个特征滤波窗口所输出的玩家活动知识关系网是通过第一玩家活动知识关系网和第二玩家活动知识关系网获得，其中，所述第一玩家活动知识关系网是所述第p个特征滤波窗口对第p-1个特征滤波窗口所输出的玩家活动知识关系网进行滑动平均处理获得，所述第二玩家活动知识关系网是通过特征水平滤波窗口对第q个特征滤波窗口所输出的玩家活动知识关系网进行滑动平均处理获得；其中，所述第q个特征滤波窗口与所述第p个特征滤波窗口所输出的玩家活动知识关系网的特征识别度相同，所述第q个特征滤波窗口的间隔周期值为指定间隔周期值，且所述第q个特征滤波窗口的间隔周期值与第q+1个特征滤波窗口的间隔周期值之间满足指定间隔周期条件；u、p和q为正整数，q《p，且p≤u-1。
48.进一步地，指定间隔周期值可以为1，且，第j个特征滤波窗口的间隔周期值与第j+1个特征滤波窗口的间隔周期值之间满足指定间隔周期条件可以为：第j个特征滤波窗口的间隔周期值为1，第j+1个特征滤波窗口的间隔周期值为2。
49.在一种可独立实施的技术方案下，上述步骤202可以通过步骤2021-步骤2023实现。
50.步骤2021、从第一待定人工智能算法中抽取过渡朴素贝叶斯算法；过渡朴素贝叶斯算法为特征滤波窗口的指定间隔周期到达指定要求的第一朴素贝叶斯算法；指定要求为在先配置的算法选择指标。
51.对于本技术实施例而言，云游戏数据系统可以通过在先配置的算法选择指标，从第一待定人工智能算法中抽取特征滤波窗口的指定间隔周期满足要求的第一朴素贝叶斯算法，以降低选定的要求，从而提高选定目标朴素贝叶斯算法的效率。
52.对于本技术实施例而言，指定要求至少包括以下六个要求中的其中一个。
53.1）、各个特征滤波窗口的指定间隔周期不小于第一设定判定值，且各个特征滤波窗口的指定间隔周期不大于第二设定判定值。
54.2）、v个挖掘单元中，前一个挖掘单元所相连的特征滤波窗口的指定间隔周期，不大于后一个挖掘单元所相连的特征滤波窗口的指定间隔周期。
55.3）、v个挖掘单元所相连的特征滤波窗口的指定间隔周期中，最大的指定间隔周期
不小于第三设定判定值。
56.4）、v个挖掘单元所相连的特征滤波窗口的指定间隔周期中，最小的指定间隔周期不大于所述第三设定判定值。
57.5）、v个挖掘单元所相连的特征滤波窗口的指定间隔周期中，最大的指定间隔周期与最小的指定间隔周期存在差异；第一设定判定值小于第三设定判定值，第三设定判定值小于第二设定判定值。
58.6）、所述v个挖掘单元所相连的若干个特征滤波窗口中，各个特征滤波窗口输出的玩家活动知识关系网存在差异。
59.在本技术实施例中的其中一个实施例下，，第一指定值为4，第二指定值为64；且第三指定值为8，因此上述3）~5）表征v个挖掘单元所相连的特征滤波窗口生成的玩家活动知识关系网的大小，小于等于传入的玩家活动知识关系网的1/8，其中，最大的玩家活动知识关系网不能低于传入的1/8。
60.对于本技术实施例而言，符合以上六个要求中的不少于一个要求的第一朴素贝叶斯算法则为一个过渡朴素贝叶斯算法。
61.步骤2022、采用从关联游戏运行日志中获得的已认证云游戏交互数据，对各个过渡朴素贝叶斯算法进行第一调试，获得第二待定人工智能算法。
62.对于本技术实施例而言，云游戏数据系统可以从关联游戏运行日志（可以理解为预设的游戏运行信息集）中获取包括了若干个实现部署的窗口化挖掘结果的已认证云游戏交互数据作为调试集，通过调试集对各个过渡朴素贝叶斯算法进行调试。
63.在对各个过渡朴素贝叶斯算法进行第一调试时，云游戏数据系统先通过u个联动层中各个联动层中的各个特征滤波窗口的参考算法变量，以及各个过渡朴素贝叶斯算法中的u个特征滤波窗口，获得各个过渡朴素贝叶斯算法中u个特征滤波窗口分别对应的参考算法变量，从而，各个过渡朴素贝叶斯算法对应存在u个参考算法变量，该u个参考算法变量即为一个过渡朴素贝叶斯算法的一组参考算法变量。在获得各个过渡朴素贝叶斯算法对应的一组参考算法变量后，对于各个过渡朴素贝叶斯算法，云游戏数据系统可以将对应的一组原始算法变量作为该过渡朴素贝叶斯算法的设定调试变量，并将从关联示例中获得的已认证云游戏交互数据加载至该过渡朴素贝叶斯算法中，通过生成信息和优化算法（比如：梯度下降算法）确定出一个代价值，通过获得的代价值优化该过渡朴素贝叶斯算法的参考算法变量，再将已认证云游戏交互数据加载至参考算法变量完成优化的该过渡朴素贝叶斯算法中，获得生成信息，通过生成信息和优化算法再次计算代价值，直到确定出的代价值符合指定代价值时，终止调试，获得完成调试的过渡朴素贝叶斯算法（比如一个第二朴素贝叶斯算法），且该第二朴素贝叶斯算法对应一算法变量集。指定代价值可以通过实际需要可以灵活设置。
64.对于本技术实施例而言，云游戏数据系统在对各个过渡朴素贝叶斯算法调试终止后，可以获得与该过渡朴素贝叶斯算法对应的第二朴素贝叶斯算法中的各个特征滤波窗口的算法变量，并将获得的算法变量，作为另一个包含了相同的特征滤波窗口的过渡朴素贝叶斯算法进行预调试时的相应算法变量，如此，最后可以获得v个联动层中各个联动层中的各个特征滤波窗口的算法变量。
65.在本技术实施例中的其中一个实施例下，云游戏数据系统在对第一朴素贝叶斯算
法进行第一调试时，初始目标超参数（比如学习率）可以配置为value1，在调试指定轮数后，将目标超参数扩展到value2，对于本技术实施例而言，指定轮数可以为g轮。在另一些示例下，云游戏数据系统在第g1轮和第g2轮的调试中，可以将目标超参数调整为value3，将衰减系数配置为value4。
66.在本技术实施例中的其中一个实施例下，，在所述采用从关联游戏运行日志中获得的已认证云游戏交互数据对各个过渡朴素贝叶斯算法进行第一调试，获得第二待定人工智能算法之后获得各个第二朴素贝叶斯算法的算法变量之后，还可以包括步骤1-步骤2所记录的内容。
67.步骤1、获得各个第二朴素贝叶斯算法的算法变量。
68.对于本技术实施例而言，算法变量为重要程度，云游戏数据系统可以获得各个第二朴素贝叶斯算法中各个特征滤波窗口对应的重要程度。比如，当一个第二朴素贝叶斯算法包括特征滤波窗口q1、特征滤波窗口q2和特征滤波窗口q3三个相异的特征滤波窗口时，云游戏数据系统可以获取特征滤波窗口q1对应的一个重要程度，特征滤波窗口q2对应的一个重要程度，以及，特征滤波窗口q3对应的一个重要程度，这三个重要程度即为该第二朴素贝叶斯算法的重要程度。
69.步骤2、通过各个第二朴素贝叶斯算法的算法变量，获得u个联动层中各个联动层所涵盖的各个特征滤波窗口的隐含算法变量。
70.对于本技术实施例而言，云游戏数据系统可以通过获取的各个第二朴素贝叶斯算法中各个特征滤波窗口对应的重要程度，获得u个联动层中各个联动层所涵盖的各个特征滤波窗口的重要程度，获得u个联动层中各个联动层所涵盖的各个特征滤波窗口的中间重要程度，隐含算法变量可以理解为中间算法变量。
71.步骤2023、从第二待定人工智能算法中抽取获得目标朴素贝叶斯算法。
72.对于本技术实施例而言，云游戏数据系统可以采用相关的遍历思路，从包括了若干个第二朴素贝叶斯算法的第二待定人工智能算法中抽取获得目标朴素贝叶斯算法。
73.在本技术实施例中，通过对第一待定人工智能算法进行过渡朴素贝叶斯算法的抽取，并对抽取出的过渡朴素贝叶斯算法进行第一调试，可以提高选定目标朴素贝叶斯算法时的效率，同时，提高抽取获得的目标朴素贝叶斯算法的挖掘准确性。
74.在一种可独立实施的技术方案下，第二待定人工智能算法包含若干个第二朴素贝叶斯算法，上述步骤2023可以通过步骤301-步骤304实现。
75.步骤301、通过对若干个第二朴素贝叶斯算法进行抽取，以及进行调整和叠加中的至少一项，获得第三待定人工智能算法；第三待定人工智能算法包含若干个第三朴素贝叶斯算法。
76.对于本技术实施例而言，在云游戏数据系统获得包括了若干个第二朴素贝叶斯算法的第二待定人工智能算法后，可以对若干个第二朴素贝叶斯算法进行抽取和调整，获得包含若干个第三朴素贝叶斯算法的第三待定人工智能算法；或者，可以对若干个第二朴素贝叶斯算法进行抽取（筛选处理）和叠加（交叉处理），获得包含若干个第三朴素贝叶斯算法的第三待定人工智能算法；或者，可以对若干个第二朴素贝叶斯算法进行抽取、调整和叠加，获得包含若干个第三朴素贝叶斯算法的第三待定人工智能算法。
77.在一种可独立实施的技术方案下，步骤301可以通过步骤11-步骤17实现。
78.步骤11、从若干个第二朴素贝叶斯算法中随机挑选指定数目的第二朴素贝叶斯算法作为团簇化算法。
79.对于本技术实施例而言，云游戏数据系统可以从若干个第二朴素贝叶斯算法中任意挑选指定数目的第二朴素贝叶斯算法作为团簇化算法（比如集群算法）。指定数目的取值可以通过实际需要灵活设置，比如可以为20。
80.步骤12、对团簇化算法进行调整处理和叠加处理中的至少一项，获得扩展算法；扩展算法包含若干个扩展朴素贝叶斯算法。
81.对于本技术实施例而言，云游戏数据系统在获得指定数目的第二朴素贝叶斯算法（团簇化算法）后，可以对所有指定数目的第二朴素贝叶斯算法进行调整操作或叠加操作，或者，可以对所有指定数目的第二朴素贝叶斯算法既进行调整操作，也进行叠加操作；也可以对指定数目的第二朴素贝叶斯算法中的部分第二朴素贝叶斯算法进行调整操作或叠加操作，或者，可以对指定数目的第二朴素贝叶斯算法中的部分第二朴素贝叶斯算法既进行调整操作，也进行叠加操作。
82.在本技术实施例中的其中一个实施例下，调整处理可以包括如下两种操作方法中的至少一种操作方法。
83.操作方法一、从团簇化算法中选取若干个聚类式朴素贝叶斯算法，将选择的各个聚类式朴素贝叶斯算法中随机一个或若干个特征滤波窗口，配置为与所述一个或若干个特征滤波窗口对应的联动层所涵盖的剩余任意特征滤波窗口。
84.可以理解的是，可以对团簇化算法中的各个聚类式朴素贝叶斯算法进行特征滤波窗口的改变，也可以对团簇化算法中的部分聚类式朴素贝叶斯算法进行特征滤波窗口的改变。对于选择的每一个聚类式朴素贝叶斯算法，云游戏数据系统可以任意挑选一个或若干个特征滤波窗口，并将挑选的一个或若干个特征滤波窗口配置为所述一个或若干个特征滤波窗口对应的联动层所涵盖的剩余任意特征滤波窗口。比如，在各个联动层包括：间隔周期值为0.5的特征滤波窗口、间隔周期值为1的特征滤波窗口和间隔周期值为2的特征滤波窗口，这三个间隔周期相异的特征滤波窗口，且要进行调整操作的一个聚类式朴素贝叶斯算法的第k个特征滤波窗口为间隔周期为1的特征滤波窗口的情况下，云游戏数据系统可以挑选将该聚类式朴素贝叶斯算法的第k个特征滤波窗口，配置为间隔周期为0.5的特征滤波窗口或间隔周期为2的特征滤波窗口，以改变该聚类式朴素贝叶斯算法的算法架构，其中，k为0到u中的随机一个值。
85.操作方法二、从团簇化算法中挑选若干个聚类式朴素贝叶斯算法，将选择的各个聚类式朴素贝叶斯算法中随机一个或若干个挖掘单元所对应的特征滤波窗口的指定间隔周期，配置为若干个特征滤波窗口的指定间隔周期中的剩余任意特征滤波窗口的指定间隔周期；其中，将一个挖掘单元对应的第一指定间隔周期配置为第二指定间隔周期，表征所述挖掘单元与特征滤波窗口的关联特征，从所述挖掘单元与所述第一指定间隔周期对应的第一特征滤波窗口相连，调整为所述挖掘单元与所述第二指定间隔周期对应的第二特征滤波窗口相连；进一步地，可以对团簇化算法中的各个聚类式朴素贝叶斯算法进行挖掘单元所对应的特征滤波窗口的指定间隔周期的变化，也可以对团簇化算法中的部分聚类式朴素贝叶斯算法进行挖掘单元所对应的特征滤波窗口的指定间隔周期的变化。对于选择的每一个聚
类式朴素贝叶斯算法（集群子网），云游戏数据系统可以任意选择一个或若干个挖掘单元，并将选择的一个或若干个挖掘单元所对应的指定间隔周期，配置为算法变量中的若干个特征滤波窗口的指定间隔周期中的剩余任意特征滤波窗口的指定间隔周期。比如，在若干个特征滤波窗口的指定间隔周期包括：t4、t8、t16、t32和t64，且要进行调整操作的一个聚类式朴素贝叶斯算法的第g个挖掘单元所对应的特征滤波窗口的指定间隔周期为t8的情况下，云游戏数据系统可以将第g个挖掘单元所对应的特征滤波窗口的指定间隔周期，由t8配置为t4、t16、t32或t64，从而，将第g个挖掘单元与特征滤波窗口之间的关联特征，由从第g个挖掘单元与指定间隔周期为t8的特征滤波窗口相连，更改为该第g个挖掘单元与指定间隔周期为t4、t16、t32或t64的特征滤波窗口相连，其中，g为0到u中的随机一个值。
86.在本技术实施例中的其中一个实施例下，叠加处理可以包括如下两种操作方法中的至少一种操作方法。
87.第一种方法、从团簇化算法中选取若干个聚类式朴素贝叶斯算法，将选择的随机两个聚类式朴素贝叶斯算法中的一个或若干个特征滤波窗口进行对调。
88.可以理解，云游戏数据系统可以在团簇化算法中每两个聚类式朴素贝叶斯算法之间进行特征滤波窗口的对调，也可以在团簇化算法中的部分聚类式朴素贝叶斯算法中，进行每两个聚类式朴素贝叶斯算法之间的特征滤波窗口的对调。云游戏数据系统可以选择从随机一个特征滤波窗口开始进行特征滤波窗口的对调，比如，对于随机两个聚类式朴素贝叶斯算法，云游戏数据系统可以指定从第k个特征滤波窗口开始，进行特征滤波窗口的对调。
89.第二种方法、从团簇化算法中选取若干个聚类式朴素贝叶斯算法，将选择的随机两个聚类式朴素贝叶斯算法中的一个或若干个挖掘单元所对应的指定间隔周期进行对调。
90.可以理解的是，云游戏数据系统可以在团簇化算法中每两个聚类式朴素贝叶斯算法之间进行挖掘单元所对应的特征滤波窗口的指定间隔周期的对调，也可以在团簇化算法中的部分聚类式朴素贝叶斯算法中，进行每两个聚类式朴素贝叶斯算法之间的挖掘单元所对应的特征滤波窗口的指定间隔周期的对调。云游戏数据系统可以选择从随机一个挖掘单元开始，进行挖掘单元所对应的特征滤波窗口的指定间隔周期的对调，比如，对于随机两个聚类式朴素贝叶斯算法，云游戏数据系统可以指定从第g个挖掘单元开始，进行所对应的特征滤波窗口的指定间隔周期的对调。
91.步骤13、从若干个扩展朴素贝叶斯算法中，抽取出特征滤波窗口的指定间隔周期到达指定要求的扩展朴素贝叶斯算法作为达标朴素贝叶斯算法，或者，抽取出特征滤波窗口的指定间隔周期到达指定要求，且单位算力指标值符合设定判定值的扩展朴素贝叶斯算法作为达标朴素贝叶斯算法。
92.对于本技术实施例而言，在结合以上思路获得若干个扩展朴素贝叶斯算法后，云游戏数据系统可以通过各个扩展朴素贝叶斯算法中的特征滤波窗口的指定间隔周期，抽取出到达指定要求的扩展朴素贝叶斯算法作为达标朴素贝叶斯算法（可以理解为有效算法），其中，指定要求可以是上述实施例中的至少一种条件。或者，云游戏数据系统在抽取出到达指定要求的扩展朴素贝叶斯算法之后，还可以确定各个符合指定要求的扩展朴素贝叶斯算法的算力指标值（比如浮点计算数），抽取出算力指标值满足设定判定值的扩展朴素贝叶斯算法作为达标朴素贝叶斯算法。设定判定值可以通过真实需求灵活配置。结合算力指标值
进行达标朴素贝叶斯算法的抽取，可以保障之后抽取获得的目标朴素贝叶斯算法的挖掘效率，获得挖掘准确性（质量评分均值）和挖掘效率都相对较高的目标朴素贝叶斯算法，以实现对符合兴趣挖掘要求的云游戏交互数据中的用户兴趣的快速且精确挖掘。
93.对于本技术实施例而言，对于各个符合指定要求的扩展朴素贝叶斯算法可以确定各个特征滤波窗口中包括的各个特征滤波的评分，再将所有特征滤波窗口中包括的所有特征滤波的评分作为该符合指定要求的扩展朴素贝叶斯算法的算力指标值。对于本技术实施例而言，各个特征滤波窗口包括三个特征滤波。
94.步骤14、将达标朴素贝叶斯算法和团簇化算法所形成的朴素贝叶斯算法池作为二轮备选人工智能算法，计算二轮备选人工智能算法中的各个待处理朴素贝叶斯算法的质量评分均值。
95.对于本技术实施例而言，云游戏数据系统在获得达标朴素贝叶斯算法后，可以将达标朴素贝叶斯算法和选出的团簇化算法所形成的朴素贝叶斯算法池作为二轮备选人工智能算法。在另一些示例下，云游戏数据系统在获得达标朴素贝叶斯算法后，还可以从第二待定人工智能算法中再次任意挑选若干个第二朴素贝叶斯算法，并将达标朴素贝叶斯算法、选出的若干个第二朴素贝叶斯算法，以及团簇化算法所形成的朴素贝叶斯算法池作为二轮备选人工智能算法，从而在一定程度上解决可能存在的因团簇化算法中的聚类式朴素贝叶斯算法的数目缺失不足，而干扰最后的选定结果的缺陷。比如，可以从第二待定人工智能算法中再任意挑选十个第二朴素贝叶斯算法，并将达标朴素贝叶斯算法、挑选的这十个第二朴素贝叶斯算法，以及团簇化算法所形成的朴素贝叶斯算法池作为二轮备选人工智能算法。
96.云游戏数据系统在获得二轮备选人工智能算法后，可以计算二轮备选人工智能算法中的各个待处理朴素贝叶斯算法的质量评分均值。在对各个待处理朴素贝叶斯算法进行质量评分均值计算时，云游戏数据系统可以将从关联游戏运行日志中获得的示例型云游戏交互数据，加载至各个待处理朴素贝叶斯算法，获得各个待处理朴素贝叶斯算法的生成信息，通过各个待处理朴素贝叶斯算法的生成信息和对应的示例型云游戏交互数据中的注释信息，确定各个待处理朴素贝叶斯算法的质量评分均值，在本技术实施例中，对质量评分均值的确定流程不做过多描述。
97.步骤15、从二轮备选人工智能算法中，择取质量评分均值最大的指定数目的待处理朴素贝叶斯算法。
98.对于本技术实施例而言，在确定获得各个待处理朴素贝叶斯算法的质量评分均值后，云游戏数据系统可以对获得的质量评分均值通过降序的方式进行排序，通过整理结果，选择质量评分均值最大的指定数目的待处理朴素贝叶斯算法。对于本技术实施例而言，指定数目的取值可以通过真实需求灵活配置，比如，可以为20或50等。
99.步骤16、采用选择的质量评分均值最大的指定数目的待处理朴素贝叶斯算法，对所述团簇化算法进行优化。
100.对于本技术实施例而言，在云游戏数据系统抽取出指定数目的待处理朴素贝叶斯算法后，可以采用抽取出的指定数目的待处理朴素贝叶斯算法将团簇化算法中的所有聚类式朴素贝叶斯算法更换，获得由新的聚类式朴素贝叶斯算法所组成的团簇化算法。
101.步骤17、循环实施以上步骤11-步骤16指定次数，并将最后一轮获得的二轮备选人
工智能算法作为第三待定人工智能算法。
102.步骤302、将从关联游戏运行日志中获得的示例型云游戏交互数据，加载至各个第三朴素贝叶斯算法，获得各个第三朴素贝叶斯算法的生成信息。
103.对于本技术实施例而言，同理，云游戏数据系统可以将从关联游戏运行日志中获得的示例型云游戏交互数据，加载至各个第三朴素贝叶斯算法，获得各个第三朴素贝叶斯算法针对导入的示例型云游戏交互数据的生成信息。
104.在一种可独立实施的技术方案下，以上步骤302可以通过步骤21-步骤27实现。
105.步骤21、从第三待定人工智能算法中随机抽选一个第三朴素贝叶斯算法作为当前朴素贝叶斯算法。
106.对于本技术实施例而言，云游戏数据系统可以从第三待定人工智能算法所涵盖的若干个第三朴素贝叶斯算法中，随机抽选一个第三朴素贝叶斯算法作为当前需要调试的朴素贝叶斯算法。
107.步骤22、获取当前朴素贝叶斯算法的一算法变量集。
108.对于本技术实施例而言，云游戏数据系统可以通过当前朴素贝叶斯算法中各个特征滤波窗口，从以上步骤2获得的u个联动层中各个联动层所涵盖的各个特征滤波窗口的隐含算法变量（可以理解为中间网络参数）中，选取当前朴素贝叶斯算法中各个特征滤波窗口对应的隐含算法变量，获得u个隐含算法变量；云游戏数据系统可以将获得的u个隐含算法变量作为当前朴素贝叶斯算法的一算法变量集。
109.步骤23、将当前朴素贝叶斯算法的一算法变量集作为预调试算法变量，对当前朴素贝叶斯算法进行第二调试，获得当前朴素贝叶斯算法的一修正算法变量集；第二调试中的目标超参数小于第一调试中的目标超参数。
110.对于本技术实施例而言，云游戏数据系统可以将上述获得的一算法变量集作为当前朴素贝叶斯算法的预调试算法变量，并将从关联游戏运行日志中获得的已认证云游戏交互数据加载至当前朴素贝叶斯算法中，通过生成信息和优化算法计算出一个代价值，通过获得的代价值更新当前朴素贝叶斯算法的算法变量，再将已认证云游戏交互数据加载至算法变量完成优化的该当前朴素贝叶斯算法中，获得生成信息，并通过生成信息和优化算法再次计算代价值，直到满足指定的循环处理轮数（比如，g轮）时终止调试，获得完成调试的当前朴素贝叶斯算法（比如一个第二朴素贝叶斯算法），且该当前朴素贝叶斯算法对应一修正算法变量集。
111.对于本技术实施例而言，在对当前朴素贝叶斯算法进行调试时的目标超参数可以配置为value3。
112.对于本技术实施例而言，鉴于在第一调试终止后获得的各个特征滤波窗口对应的隐含算法变量是若干个第二朴素贝叶斯算法选举获得，通过在各个具有不同架构的朴素贝叶斯算法中可能无法获得完整的挖掘效果，因此，将选择的第二朴素贝叶斯算法对应的算法变量作为进行第二调试时的设定调试变量，再次对选择的第二朴素贝叶斯算法进行第二调试，可以获得更加匹配该选择的第二朴素贝叶斯算法的算法架构的算法变量，从而可以提高采用该选择的第二朴素贝叶斯算法进行兴趣挖掘时的挖掘效果。
113.步骤24、将当前朴素贝叶斯算法的算法变量优化为一修正算法变量集。
114.对于本技术实施例而言，云游戏数据系统在将当前朴素贝叶斯算法调试完成后，
可以将调试后获得的一修正算法变量集作为当前朴素贝叶斯算法的算法变量。
115.步骤25、将从关联游戏运行日志中获得的示例型云游戏交互数据，输入算法变量优化后的当前朴素贝叶斯算法中，获得生成信息（比如输出结果）。
116.对于本技术实施例而言，云游戏数据系统可以将从关联游戏运行日志中获取的示例型云游戏交互数据，加载至算法变量优化后的当前朴素贝叶斯算法中，获得针对该示例型云游戏交互数据的生成信息。
117.步骤26、从第三待定人工智能算法中抽选后一个第三朴素贝叶斯算法作为当前朴素贝叶斯算法。
118.步骤27、再次重复实施以上步骤21-步骤25，直到第三待定人工智能算法中的各个第三朴素贝叶斯算法都完成抽选，获得各个第三朴素贝叶斯算法的生成信息。
119.对于本技术实施例而言，云游戏数据系统在获得一个第三朴素贝叶斯算法的生成信息之后，可以从第三待定人工智能算法所涵盖的若干个第三朴素贝叶斯算法中，再再次选取一个第三朴素贝叶斯算法作为当前朴素贝叶斯算法，并反复实施以上的步骤21-步骤25，直到第三待定人工智能算法中的各个第三朴素贝叶斯算法都完成抽选，获得各个第三朴素贝叶斯算法的生成信息。
120.步骤303、通过各个第三朴素贝叶斯算法的生成信息，确定各个第三朴素贝叶斯算法的质量评分均值。
121.对于本技术实施例而言，云游戏数据系统在获得各个第三朴素贝叶斯算法的生成信息后，同理，可以通过各个第三朴素贝叶斯算法的生成信息和对应的示例型云游戏交互数据中的注释信息，确定各个第三朴素贝叶斯算法的质量评分均值。
122.步骤304、择取质量评分均值最大的第三朴素贝叶斯算法作为目标朴素贝叶斯算法。
123.对于本技术实施例而言，云游戏数据系统在获得所有第三朴素贝叶斯算法的质量评分均值后，可以对所有第三朴素贝叶斯算法的质量评分均值通过降序的方式进行整理，获得整理结果，并通过整理结果择取质量评分均值最大的第三朴素贝叶斯算法作为目标朴素贝叶斯算法。
124.对于本技术实施例而言，择取质量评分均值最大的挖掘算法作为目标朴素贝叶斯算法，可以保障抽取获得的目标朴素贝叶斯算法对符合兴趣挖掘要求的云游戏交互数据的挖掘效果。
125.在本技术实施例中的其中一个实施例下，在抽取获得目标朴素贝叶斯算法之后，云游戏数据系统还可以通过从关联游戏运行日志中获得的示例型云游戏交互数据，再次对目标朴素贝叶斯算法调试指定时序，以进一步优化抽取获得的目标朴素贝叶斯算法的算法变量；并在调试终止后，将从关联游戏运行日志中获得的示例型云游戏交互数据，输入完成调试的目标朴素贝叶斯算法中，获得生成信息，通过生成信息和示例型云游戏交互数据中的注释信息，确定完成调试的目标朴素贝叶斯算法的质量评分均值，获得完成调试的目标朴素贝叶斯算法的质量评分均值，既可以进一步提高对符合兴趣挖掘要求的云游戏交互数据的挖掘效果，还可获知完成调试的目标朴素贝叶斯算法的准确性。
126.在一些可独立的设计思路下，在获得玩家兴趣信息之后，该方法还可以包括如下内容：基于所述玩家兴趣信息对应的游戏服务需求进行游戏系统升级处理。
127.在一些可独立的设计思路下，基于所述玩家兴趣信息对应游戏服务需求进行游戏系统升级处理，可以通过如下方式实现：对游戏服务需求以及当前游戏系统对应的服务表现特征进行匹配，得到匹配结果；通过该匹配结果确定出游戏服务需求中没有与服务表现特征匹配的目标游戏服务需求；基于所述目标游戏服务需求确定期望表现特征；利用所述期望表现特征进行当前游戏系统的升级处理。
128.如此设计，可以通过需求
‑‑
表现匹配的思路精准定位和筛选出目标游戏服务需求，从而提高当前游戏系统的升级处理效率。
129.在一些可独立的设计思路下，基于所述目标游戏服务需求确定期望表现特征，可以包括如下内容：获取所述目标游戏服务需求对应的目标需求文本集；对所述目标需求文本集中的多个需求文本段落分别进行pvg服务需求解析和pvp服务需求解析，得到pvg服务需求解析信息集和pvp服务需求解析信息集；基于第一预设筛选规则，对所述pvg服务需求解析信息集进行第一筛选处理，得到包括有pvg服务需求的第一需求文本队列；基于第二预设筛选规则，对所述pvp服务需求解析信息集进行第二筛选处理，得到包括有pvp服务需求的第二需求文本队列；基于所述第一需求文本队列和所述第二需求文本队列进行融合处理，得到所述目标需求文本集中与目标服务需求相匹配的目标需求文本队列；所述目标服务需求包括pvg服务需求和pvp服务需求中的至少一种；基于所述目标需求文本队列，从预设数据库中确定出对应的期望表现特征。如此设计，能够对人机交互需求和玩家交互需求进行综合分析，从而得到完整准确的期望表现特征。
130.图3是示出可以实现本技术的实施例的基于人工智能的云游戏数据处理方法的应用环境的架构示意图，基于人工智能的云游戏数据处理方法的应用环境中可以包括互相通信的云游戏数据系统100和云游戏终端200。基于此，云游戏数据系统100和云游戏终端200在运行时实现或者部分实现本技术实施例的基于人工智能的云游戏数据处理方法。
131.以上所述，仅为本技术的较佳实施例而已，并非用于限定本技术的保护范围。