基于知识图谱的跨游戏平台数据处理方法与流程

技术特征：
1.基于知识图谱的跨游戏平台数据处理方法，其特征在于：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。2.根据权利要求1所述的基于知识图谱的跨游戏平台数据处理方法，其特征在于：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。3.根据权利要求1或2所述的基于知识图谱的跨游戏平台数据处理方法，其特征在于：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。4.根据权利要求3所述的基于知识图谱的跨游戏平台数据处理方法，其特征在于：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。5.根据权利要求4所述的基于知识图谱的跨游戏平台数据处理方法，其特征在于：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。6.根据权利要求1所述的基于知识图谱的跨游戏平台数据处理方法，其特征在于：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。7.根据权利要求1所述的基于知识图谱的跨游戏平台数据处理方法，其特征在于：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。8.根据权利要求1所述的基于知识图谱的跨游戏平台数据处理方法，其特征在于：所述终端数据包括用户、文本、网页、关键词、充值、竞技、活动。

技术总结
本发明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，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。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。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。互。


技术研发人员：秦谦 魏鑫 李菁澄
受保护的技术使用者：镇江多游网络科技有限公司
技术研发日：2021.12.21
技术公布日：2022/3/18