基于知识图谱的跨游戏平台数据处理方法与流程

1.本发明涉及游戏开发技术领域，具体涉及一种基于知识图谱的跨游戏平台数据处理方法。


背景技术：

2.中国的“游戏”产业在千亿级的市场规模仍保持着高速增长，并且已经超越美国成为全球“第一量级”市场。然而，在数据的背后，腾讯、网易、完美世界等头部公司占据了大半壁的市场。中小游戏企业在行业激烈的竞争下，面临着一轮又一轮的被洗牌，在生存与淘汰中奋力挣扎。
3.对于企业而言，“数据”是金矿，是战斗时的眼睛和耳朵，“数据驱动”的价值越来越被行业看重。然而“数据驱动”并非大公司的专利，恰巧是小公司的核动力。小公司在发展初期，各种资源紧缺，没有数据驱动，所有的决策往往只是依赖
ꢀ“
专业人才”靠经验、依直觉做决策，势必导致本就有限的资源被浪费。还有一种现象：团队在发展初期往往不重视数据，认为最重要的就是推广、再推广，一时间公司所有人都成了推广专员。可是获取到的用户，哪些渠道有效？哪些用户活跃？为什么活跃？流失的用户都有什么特点？是什么阻碍了他们成为活跃用户？凭经验分析，流失的用户往往会被归结为不是潜在用户。
4.对于企业而言，如果不能充分挖掘储藏在公司服务器里的数据金矿的价值，缺乏数据意识、数据基础、以及对数据分析工具的使用，则很难在成本、产品、市场竞争中形成优化机制，参与长线竞争。
5.在游戏企业存在另一种普遍现象，即早期的数据分析状态呈现典型的数据孤岛模式，不同的游戏部门、不同平台的数据分析都有一套自己的数据流水线。因为几乎无法将这些跨游戏平台的数据、跨不同游戏的数据以及跨部门的数据整合在一起来分析，存在以下痛点：“重复性工作”与“资源浪费”：不同游戏开发团队对数据与系统的重复开发，使得开发出一款新游戏时间周期过长。
[0006]“数据孤岛”造成业务沟通壁垒：业务部门想要获取一份全局的信息基本要延迟至几天，玩家快速变化的需求无法及时响应，游戏玩家体验差，最终导致用户逐渐流失。
[0007]“数据分析”难以形成有效闭环，无法利用数据作出有价值的分析结果与全面的反馈，造成的问题除了不能及时的反映该游戏的经营状况，对市场营销策划也不能有效预判调整优化机制。


技术实现要素：

[0008]
为解决现有技术中的不足，本发明提供一种基于知识图谱的跨游戏平台数据处理方法，解决了现有技术中游戏开发周期长、用户体验差的技术问题。
[0009]
为了实现上述目标，本发明采用如下技术方案：基于知识图谱的跨游戏平台数据处理方法：包含以下步骤：
通过采集多方数据构建知识图谱，所述多方数据包括云端数据和终端数据；对知识图谱进行语义结构设计、数据标注；采用知识图谱的表示模型对知识图谱进行表示学习；对知识图谱数据库进行注意力验证；采用迁移学习模型，对跨游戏、跨平台的游戏数据进行处理和分析。
[0010]
优选，前述的基于知识图谱的跨游戏平台数据处理方法：所述云端数据采用向量化的数据表示，通过采用word2vec或deepwalk的机制实现数据关联性的结果，然后采用lstm或transformer的结构对数据的上下文信息进行深度学习建模。
[0011]
优选，前述的基于知识图谱的跨游戏平台数据处理方法：所述终端数据采用轻量级的深度学习模型对时序用户行为序列进行建模，然后在客户端直接生成训练好的模型，从而实现对用户个人行为的预测。
[0012]
优选，前述的基于知识图谱的跨游戏平台数据处理方法：在对用户个人行为的预测完成之后，客户端的模型还通过加密或差分隐私保护机制同服务器端的模型进行交互。
[0013]
优选，前述的基于知识图谱的跨游戏平台数据处理方法：模型交互采用在不同的用户模型上构建知识蒸馏或多导师gan模型实现。
[0014]
优选，前述的基于知识图谱的跨游戏平台数据处理方法：对知识图谱进行语义结构设计、数据标注之后，还需要对云端、客户端的时序、网络、交易、网页介绍数据进行记录、索引，并提供实时查询功能，然后对文本数据，xml半结构化数据和网络数据进行信息抽取和知识整合。
[0015]
优选，前述的基于知识图谱的跨游戏平台数据处理方法：通过transe，图神经网络、transformer中的一种结构对知识图谱进行表示学习；在得到表示学习后，再通过文本分析里的rnn或推荐系统里的gnn模型对知识图谱的数据进行注意力机制的搜索。
[0016]
优选，前述的基于知识图谱的跨游戏平台数据处理方法：所述终端数据包括用户、文本、网页、关键词、充值、竞技、活动。
[0017]
本发明所达到的有益效果：相对于现有技术，本发明打破了数据孤岛，实现对多源异构数据的用户画像建模，在游戏数据中抽取和构建知识图谱，并将知识图谱应用于游戏数据分析。
[0018]
在用户数据方面，分为云端和终端深度学习两个模块。云端模块处理服务器端采集的用户数据；终端模块处理用户与游戏交互浏览游戏的行为数据；最终云端和终端进行有效地交互。
[0019]
本发明对异构信息网络的建模不仅方便了用户分析，同时还对提升产品的竞技、活动、充值等推荐问题有所帮助。
具体实施方式
[0020]
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0021]
知识图谱作为人工智能应用链条的第一步，是人工智能的底层技术。其在高效数据处理和知识加工推理方面的能力，可以推动人工智能既有产品的升级或提供更有效的解
决方案，同时也可以转化为新的商业产品形式。
[0022]
本实施例公开了基于知识图谱的跨游戏平台数据处理方法：包含以下步骤：通过采集多方数据构建知识图谱，多方数据包括云端数据和终端数据；终端数据包括用户、文本、网页、关键词、充值、竞技、活动。
[0023]
云端模块处理服务器端采集用户数据；采用向量化的数据表示。在服务器端，由于具有高精度的日志数据，我们使用向量化的数据表示，通过类似word2vec或deepwalk的机制实现数据关联性的结果，然后可用lstm或transformer的结构对数据的上下文信息进行深度学习建模。由于用户的日志具有多尺度，异构性的特点，我们再通过对时间信息进行建模，实现多尺度的注意力模型机制，从而实现不同数据在不同维度、不同时间尺度上的可计算、可比较的性能。
[0024]
在客户端，由于每个手机或个人电脑的计算资源不同，我们将使用轻量级的深度学习模型，例如使用知识蒸馏、模型压缩等方式对时序用户行为序列进行建模，然后在客户端直接生成训练好的模型，从而实现对用户个人行为的预测。之后，将客户端的模型通过加密或差分隐私等隐私保护机制同服务器端的模型进行交互：例如在不同的用户模型上构建知识蒸馏或多导师gan模型，从而将服务器端的深度学习模块训练的更加精确和完善。
[0025]
我们对云端、客户端的时序、网络、交易、网页介绍等数据进行记录、索引，提供实时查询功能。然后对文本数据，xml半结构化数据和网络数据进行信息抽取和知识整合。这一步可形成一个跨游戏、跨平台的统一的知识结构，即知识图谱。通常来说，知识图谱可以是复杂且语义丰富的。在游戏领域，需要大量的领域知识。因此，我们会找游戏设计和运营专家帮助进行语义结构的设计、数据标注等，从而提高知识图谱在游戏领域的可适用性及准确性。
[0026]
然后对知识图谱数据库进行注意力验证。在得到知识图谱以后，我们使用知识图谱的表示模型，例如transe，图神经网络、transformer等结构对知识图谱进行表示学习。在得到表示学习后，可以通过其他深度学习网络例如文本分析里的rnn或推荐系统里的gnn等模型对知识图谱的数据进行注意力机制的搜索，进而帮助下游任务实现更好的预测。在知识图谱得到的模型上，我们将会更加容易的使用迁移学习模型，对跨游戏、跨平台的游戏数据进行处理和分析。
[0027]
在对用户个人行为的预测完成之后，客户端的模型还通过加密或差分隐私保护机制同服务器端的模型进行交互。
[0028]
在对知识图谱进行语义结构设计、数据标注之后，还需要对云端、客户端的时序、网络、交易、网页介绍数据进行记录、索引，并提供实时查询功能，然后对文本数据，xml半结构化数据和网络数据进行信息抽取和知识整合。
[0029]
相对于现有技术，本实施例打破了数据孤岛，实现对多源异构数据的用户画像建模，在游戏数据中抽取和构建知识图谱，并将知识图谱应用于游戏数据分析。
[0030]
在用户数据方面，分为云端和终端深度学习两个模块。云端模块处理服务器端采集的用户数据；终端模块处理用户与游戏交互浏览游戏的行为数据；最终云端和终端进行有效地交互。本发明对异构信息网络的建模不仅方便了用户分析，同时还对提升产品的竞技、活动、充值等推荐问题有所帮助。
[0031]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人
员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。