CN115282606A - 基于智能可视化的云游戏大数据挖掘方法及系统 - Google Patents

Abstract

本申请实施例公开了基于智能可视化的云游戏大数据挖掘方法及系统，通过获得目标云游戏交互大数据的第一原始行为偏好知识向量，基于所述第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一个性化兴趣关系网，基于所述第一个性化兴趣关系网，对所述第一原始行为偏好知识向量进行优化，确定出完成优化的第一原始行为偏好知识向量，并基于所述完成优化的第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一多元回归分析关系网，这样基于对个性化兴趣数据的强化和关注，可以提升对所述目标云游戏交互大数据进行行为数据区分归纳的精度和可信度。

Description

基于智能可视化的云游戏大数据挖掘方法及系统

技术领域

本申请涉及大数据技术领域，尤其涉及一种基于智能可视化的云游戏大数据挖掘方法及系统。

背景技术

当前，针对不同大数据业务的数据挖掘处理热度持续不减，在数字支付、在线办公、智慧政企、元宇宙、云游戏等领域，数据挖掘和分析是作为业务指导和升级更新的重要因素。然而，传统的数据挖掘技术以难以满足越来越高的数据处理要求，以云游戏为例，在进行玩家行为分析时，通常需要进行数据的区分和归纳，但是上述技术在实施过程中，其准确性和可靠性仍然有待提高。

发明内容

本申请的一个目的是提供一种基于智能可视化的云游戏大数据挖掘方法及系统。

本申请的技术方案是通过如下至少部分实施例实现的。

一种基于智能可视化的云游戏大数据挖掘方法，应用于智能大数据系统，所述方法包括：获得目标云游戏交互大数据的第一原始行为偏好知识向量；基于所述第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一个性化兴趣关系网；基于所述第一个性化兴趣关系网，对所述第一原始行为偏好知识向量进行优化，确定出完成优化的第一原始行为偏好知识向量；基于所述完成优化的第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一多元回归分析关系网。

如此设计，通过获得目标云游戏交互大数据的第一原始行为偏好知识向量，基于所述第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一个性化兴趣关系网，基于所述第一个性化兴趣关系网，对所述第一原始行为偏好知识向量进行优化，确定出完成优化的第一原始行为偏好知识向量，并基于所述完成优化的第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一多元回归分析关系网，这样基于对个性化兴趣数据的强化和关注，可以提升对所述目标云游戏交互大数据进行行为数据区分归纳的精度和可信度。

在一些可独立的实施例中，所述基于所述第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一个性化兴趣关系网，包括：获得所述目标云游戏交互大数据的第一用户体验反馈字段；基于所述第一原始行为偏好知识向量，以及所述目标云游戏交互大数据的第一用户体验反馈字段，确定出所述目标云游戏交互大数据的第一个性化兴趣关系网。

如此设计，通过整合所述目标云游戏交互大数据的第一原始行为偏好知识向量和所述目标云游戏交互大数据的第一用户体验反馈字段，对所述目标云游戏交互大数据进行个性化兴趣识别，这样可以结合所述目标云游戏交互大数据的第一用户体验反馈字段中的尽可能多样的个性化兴趣数据（个性化兴趣数据可以用于反映不同用户的兴趣偏好的差异性，因而也可以理解为差异化兴趣特征等），确定出更准确的所述目标云游戏交互大数据的第一个性化兴趣关系网。

在一些可独立的实施例中，所述基于所述第一个性化兴趣关系网，对所述第一原始行为偏好知识向量进行优化，确定出完成优化的第一原始行为偏好知识向量，包括：基于所述第一个性化兴趣关系网，确定U个第一活跃互动事件，其中，U为大于1的整数；对所述第一原始行为偏好知识向量中，所述U个第一活跃互动事件的基础知识向量进行优化，确定出完成优化的第一原始行为偏好知识向量。

如此设计，通过基于所述第一个性化兴趣关系网，确定U个第一活跃互动事件，并对所述第一原始行为偏好知识向量中，所述U个第一活跃互动事件的基础知识向量进行优化，因而获得的完成优化的第一原始行为偏好知识向量可以精准可信地反映整体的个性化兴趣数据，从而便于提升对所述目标云游戏交互大数据进行行为数据区分归纳的精度和可信度。

在一些可独立的实施例中，所述基于所述第一个性化兴趣关系网，确定U个第一活跃互动事件，包括：将所述第一个性化兴趣关系网中匹配于个性化兴趣的可能性值最高的U个关系网成员，确定为U个第一活跃互动事件。

如此设计，通过将所述第一个性化兴趣关系网中匹配于个性化兴趣的可能性值最高的U个关系网成员，确定为U个第一活跃互动事件，基于此确定出的U个第一活跃互动事件可以尽可能精准地反映所述目标云游戏交互大数据的不同的个性化兴趣数据。

在一些可独立的实施例中，所述对所述第一原始行为偏好知识向量中，所述U个第一活跃互动事件的基础知识向量进行优化，确定出完成优化的第一原始行为偏好知识向量，包括：基于所述第一原始行为偏好知识向量，确定出所述U个第一活跃互动事件的基础知识向量；对所述U个第一活跃互动事件的基础知识向量进行滑动滤波处理，确定出所述U个第一活跃互动事件的已优化知识向量；基于所述U个第一活跃互动事件的已优化知识向量，优化所述第一原始行为偏好知识向量中所述U个第一活跃互动事件的基础知识向量，确定出完成优化的第一原始行为偏好知识向量。

如此设计，通过基于所述第一原始行为偏好知识向量，确定出所述U个第一活跃互动事件的基础知识向量，对所述U个第一活跃互动事件的基础知识向量进行滑动滤波处理，确定出所述U个第一活跃互动事件的已优化知识向量，并基于所述U个第一活跃互动事件的已优化知识向量，优化所述第一原始行为偏好知识向量中所述U个第一活跃互动事件的基础知识向量，确定出完成优化的第一原始行为偏好知识向量，这样可以在所述U个第一活跃互动事件对应的第一知识图谱上进行分析进而获得整体的关联信息，从而得到的完成优化的第一原始行为偏好知识向量可以精准可信地反映整体的个性化兴趣数据。

在一些可独立的实施例中，所述基于智能可视化的云游戏大数据挖掘方法通过AI计算机模型进行处理，所述AI计算机模型包括X层回归分析子模型，其中，X为不小于1的整数；所述X层回归分析子模型中的任意一层回归分析子模型包括第一模型算法单元；所述基于所述第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一个性化兴趣关系网，包括：对于所述X层回归分析子模型中的任意一层回归分析子模型，将所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量和所述目标云游戏交互大数据的第一用户体验反馈字段传入该层回归分析子模型的第一模型算法单元，借助该层回归分析子模型的第一模型算法单元生成所述目标云游戏交互大数据对应于该层回归分析子模型的第一个性化兴趣关系网。

如此设计，通过调用AI计算机模型进行行为数据区分归纳，便于提高对所述目标云游戏交互大数据进行行为数据区分归纳的精度、可信度及时效性。对于所述X层回归分析子模型中的任意一层回归分析子模型，通过该层回归分析子模型的第一模型算法单元对所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量和所述目标云游戏交互大数据的第一用户体验反馈字段进行处理，这样可以高效地得到所述目标云游戏交互大数据对应于该层回归分析子模型的个性化兴趣的原始回归分析结果。

在一些可独立的实施例中，在所述对于所述X层回归分析子模型中的任意一层回归分析子模型，将所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量和所述目标云游戏交互大数据的第一用户体验反馈字段传入该层回归分析子模型的第一模型算法单元之前，所述方法还包括：获得云游戏交互大数据样本的兴趣关系网正例样本和所述云游戏交互大数据样本的兴趣关系网负例样本；通过该层回归分析子模型的第一模型算法单元，对所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量和所述云游戏交互大数据样本的第二用户体验反馈字段进行处理，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网和所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网；基于所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网、所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网、所述云游戏交互大数据样本的兴趣关系网正例样本和所述云游戏交互大数据样本的兴趣关系网负例样本，调试所述AI计算机模型。

如此设计，通过结合所述云游戏交互大数据样本的非个性化兴趣关系网、所述云游戏交互大数据样本的兴趣关系网负例样本，与所述云游戏交互大数据样本的第二个性化兴趣关系网、所述云游戏交互大数据样本的兴趣关系网正例样本一起，调试所述AI计算机模型，因此不仅对所述云游戏交互大数据样本中的个性化兴趣部分进行跟踪分析，还对所述云游戏交互大数据样本中的非个性化兴趣部分进行跟踪分析，因此便于第一模型算法单元推导出精确地进行个性化兴趣生成的性能，从而能够通过第一模型算法单元产生更加准确的个性化兴趣输出。

在一些可独立的实施例中，所述通过该层回归分析子模型的第一模型算法单元，对所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量和所述云游戏交互大数据样本的第二用户体验反馈字段进行处理，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网和所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网，包括：通过该层回归分析子模型的第一模型算法单元，对所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量和所述云游戏交互大数据样本的第二用户体验反馈字段进行处理，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的个性化兴趣向量；基于所述云游戏交互大数据样本对应于该层回归分析子模型的个性化兴趣向量，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网；基于所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量和所述云游戏交互大数据样本对应于该层回归分析子模型的个性化兴趣向量，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣向量；基于所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣向量，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网。

如此设计，通过利用所述云游戏交互大数据样本的个性化兴趣向量得到所述云游戏交互大数据样本的非个性化兴趣向量，以此进行非个性化兴趣部分的回归分析，从而能够提高第一模型算法单元进行个性化兴趣识别的精度。

在一些可独立的实施例中，所述基于所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣向量，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网，包括：获得所述云游戏交互大数据样本对应于该层回归分析子模型的隐含兴趣知识向量；基于所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣向量，以及所述云游戏交互大数据样本对应于该层回归分析子模型的隐含兴趣知识向量，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网。

如此设计，通过结合所述云游戏交互大数据样本对应于该层回归分析子模型的隐含兴趣知识向量，这样可以进行细节特征的补全处理，从而能够提高所述AI计算机模型进行非个性化兴趣识别的精度和可信度。

在一些可独立的实施例中，所述X层回归分析子模型中的任意一层回归分析子模型包括第二模型算法单元；所述基于所述第一个性化兴趣关系网，对所述第一原始行为偏好知识向量进行优化，确定出完成优化的第一原始行为偏好知识向量，包括：对于所述X层回归分析子模型中的任意一层回归分析子模型，将所述目标云游戏交互大数据对应于该层回归分析子模型的第一个性化兴趣关系网和所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量传入该层回归分析子模型的第二模型算法单元，借助该层回归分析子模型的第二模型算法单元生成所述目标云游戏交互大数据对应于该层回归分析子模型的完成优化的第一原始行为偏好知识向量。

如此设计，对于所述X层回归分析子模型中的任意一层回归分析子模型，通过该层回归分析子模型的第二模型算法单元对所述目标云游戏交互大数据对应于该层回归分析子模型的第一个性化兴趣关系网和所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量进行处理，这样可以高效地得到所述目标云游戏交互大数据对应于该层回归分析子模型的完成优化的第一原始行为偏好知识向量。

在一些可独立的实施例中，所述X层回归分析子模型中的任意一层回归分析子模型还包括第三模型算法单元；在所述对于所述X层回归分析子模型中的任意一层回归分析子模型，将所述目标云游戏交互大数据对应于该层回归分析子模型的第一个性化兴趣关系网和所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量传入该层回归分析子模型的第二模型算法单元之前，所述方法还包括：通过该层回归分析子模型的第二模型算法单元，对云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网和所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量进行处理，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的完成优化的第二原始行为偏好知识向量；通过该层回归分析子模型的第三模型算法单元，对所述云游戏交互大数据样本对应于该层回归分析子模型的完成优化的第二原始行为偏好知识向量进行处理，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的第二多元回归分析关系网；基于所述云游戏交互大数据样本的多元回归分析正例样本和所述云游戏交互大数据样本对应于该层回归分析子模型的第二多元回归分析关系网，调试所述AI计算机模型。

如此设计，第二模型算法单元能够准确高效地挖掘整体的个性化兴趣数据，这样可以提高第三模型算法单元进行多元回归分析的精度和可信度。

在一些可独立的实施例中，X大于1，所述AI计算机模型还包括专家知识挖掘子模型；所述获得目标云游戏交互大数据的第一原始行为偏好知识向量，包括：对于所述X层回归分析子模型中的任意一层回归分析子模型，响应于该层回归分析子模型为所述X层回归分析子模型的第一层回归分析子模型，通过所述专家知识挖掘子模型提取所述目标云游戏交互大数据的高阶知识向量，确定出所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量；和/或，对于所述X层回归分析子模型中的任意一层回归分析子模型，响应于该层回归分析子模型不是所述第一层回归分析子模型，基于所述目标云游戏交互大数据对应于该层回归分析子模型的前一层回归分析子模型的完成优化的第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量。

如此设计，通过调用串联的两层以上回归分析子模型，便于进一步提高多元回归分析的质量。

在一些可独立的实施例中，所述基于所述完成优化的第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一多元回归分析关系网，包括：通过所述X层回归分析子模型中的尾层回归分析子模型，对所述目标云游戏交互大数据对应于所述尾层回归分析子模型的完成优化的第一原始行为偏好知识向量进行处理，确定出所述目标云游戏交互大数据的第一多元回归分析关系网。

如此设计，通过将串联的两层以上回归分析子模型中、尾层回归分析子模型的输出信息作为所述目标云游戏交互大数据的第一多元回归分析关系网，这样可以提高所述第一多元回归分析关系网的精度和可信度。

在一些可独立的实施例中，所述AI计算机模型基于所述X层回归分析子模型对应的模型质量指标的设定运算结果进行调试。

如此设计，通过对所述X层回归分析子模型进行协作调试（联合训练），因此便于提高所述AI计算机模型在全局层面的多元回归分析质量。

一种智能大数据系统，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。

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。

附图说明

图1是示出可以实现本申请的实施例的智能大数据系统的一种通信配置的示意图。

图2是示出可以实现本申请的实施例的基于智能可视化的云游戏大数据挖掘方法的流程示意图。

图3是示出可以实现本申请的实施例的基于智能可视化的云游戏大数据挖掘方法的应用环境的架构示意图。

具体实施方式

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。为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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，都属于本申请保护的范围。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申请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申请实施例的目的，不是旨在限制本申请。

图1是示出可以实现本申请的实施例的智能大数据系统100的一种通信配置的框图，智能大数据系统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申请实施例中基于智能可视化的云游戏大数据挖掘方法的处理器102。

图2是示出可以实现本申请的实施例的基于智能可视化的云游戏大数据挖掘方法的流程示意图，基于智能可视化的云游戏大数据挖掘方法可以通过图1所示的智能大数据系统100实现，进一步可以包括以下Step11-Step14所描述的技术方案。

Step11、获得目标云游戏交互大数据的第一原始行为偏好知识向量。

Step12、基于所述第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一个性化兴趣关系网。

Step13、基于所述第一个性化兴趣关系网，对所述第一原始行为偏好知识向量进行优化，确定出完成优化的第一原始行为偏好知识向量。

Step14、基于所述完成优化的第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一多元回归分析关系网。

在本申请实施例中，目标云游戏交互大数据可以表征需进行行为数据区分归纳的游戏用户行为大数据。在本申请实施例中，需要从游戏用户行为大数据中抽取出来的分类数据集可以是不同用户行为事件对应的分类数据集，这样能够在用户行为事件层面实现对目标云游戏交互大数据的分类抽取和汇总，从而实现多元回归处理（也即分类抽处理、拆分处理等）。

在本申请实施例中，所述第一原始行为偏好知识向量可以表征所述目标云游戏交互大数据的用于进行个性化兴趣识别的用户行为特征向量（比如针对不同游戏的操作行为特征、言语行为特征等）。所述第一个性化兴趣关系网表征所述目标云游戏交互大数据的个性化兴趣关系网（比如不同个性化兴趣的预测结果，也即实现不同用户的个性化兴趣分类预测，从而得到一系列的个性化兴趣数据，然后将这些个性化兴趣数据以知识图谱或者特征矩阵的形式进行记录），比如，所述第一个性化兴趣关系网可以表征所述目标云游戏交互大数据的个性化兴趣的原始回归分析结果（原始回归分析结果可以理解为初始的兴趣预测分布图）。在所述第一个性化兴趣关系网中，任一关系网成员的特征描述值可以表征所述目标云游戏交互大数据中对应的关系网成员匹配于个性化兴趣的可能性值（概率值）。通过基于所述第一个性化兴趣关系网对所述第一原始行为偏好知识向量进行优化，因此基于所述目标云游戏交互大数据的个性化兴趣的初步回归分析结果所获得的完成优化的第一原始行为偏好知识向量可以尽可能精准地反映所述目标云游戏交互大数据。基于所述完成优化的第一原始行为偏好知识向量进行多元回归分析，确定出所述目标云游戏交互大数据的第一多元回归分析关系网，可以提升对所述目标云游戏交互大数据进行行为数据区分归纳的精度和可信度。其中，多元回归分析可以表征回归分析所述目标云游戏交互大数据中的分类数据集所对应的数据区域。在所述第一多元回归分析关系网中，任一关系网成员的特征描述值可以表征该关系网成员是否属于分类数据集，或者，任一关系网成员（比如组成关系网的单位数据或者单位信息）的特征描述值可以表征该关系网成员属于分类数据集的可能性值。

在一些可独立的实施例中，所述基于所述第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一个性化兴趣关系网，包括：获得所述目标云游戏交互大数据的第一用户体验反馈字段；基于所述第一原始行为偏好知识向量，以及所述目标云游戏交互大数据的第一用户体验反馈字段（比如可以理解为用户在进行云游交互过程中反映出的低阶特征或者浅层特征），确定出所述目标云游戏交互大数据的第一个性化兴趣关系网。在相关实施例中，所述目标云游戏交互大数据的第一用户体验反馈字段相异于所述第一原始行为偏好知识向量。所述目标云游戏交互大数据的第一用户体验反馈字段为所述目标云游戏交互大数据的用户体验反馈字段，换言之，所述目标云游戏交互大数据的第一用户体验反馈字段可以表征专家知识挖掘子模型的低阶模块生成的所述目标云游戏交互大数据的用户行为特征向量。其中，专家知识挖掘子模型的低阶模块可以指专家知识挖掘子模型的前S层中的随机一层，其中，S为正整数，且专家知识挖掘子模型的低阶模块不包括专家知识挖掘子模型的尾层。比如，所述目标云游戏交互大数据的第一用户体验反馈字段可以是专家知识挖掘子模型的第一层生成的所述目标云游戏交互大数据的用户行为特征向量。可以理解的是，所述目标云游戏交互大数据的第一用户体验反馈字段还可以是专家知识挖掘子模型的其他低阶模块生成的所述目标云游戏交互大数据的用户行为特征向量，本领域技术人员可以根据实际情况进行选择。

其中，专家知识挖掘子模型可以是卷积神经网络或者残差神经网络等。比如，专家知识挖掘子模型可以是特征金字塔形式的特征提取器，换言之，专家知识挖掘子模型可以包括特征金字塔形式的特征提取器的第一层（unit1）、第二层（unit2）、第三层（unit3）、第四层（unit4）和膨胀处理（空洞池化）层，本领域技术人员可以根据实际需求选择对应的机器学习模型进行处理。其中，所述目标云游戏交互大数据的第一用户体验反馈字段包含所述目标云游戏交互大数据中的尽可能多样的细节特征（包括个性化兴趣数据），因此便于对所述目标云游戏交互大数据进行更准确的个性化兴趣识别。在相关实施例中，通过整合所述目标云游戏交互大数据的第一原始行为偏好知识向量和所述目标云游戏交互大数据的第一用户体验反馈字段，对所述目标云游戏交互大数据进行个性化兴趣识别，这样可以结合所述目标云游戏交互大数据的第一用户体验反馈字段中的尽可能多样的个性化兴趣数据，确定出更准确的所述目标云游戏交互大数据的第一个性化兴趣关系网。

在一些可独立的实施例中，所述第一原始行为偏好知识向量可以包括所述目标云游戏交互大数据的高阶知识向量，和/或，可以包括所述目标云游戏交互大数据的经过优化的高阶知识向量。比如，所述目标云游戏交互大数据的高阶知识向量可以表征专家知识挖掘子模型的高阶模块生成的所述目标云游戏交互大数据的用户行为特征向量。比如，所述第一原始行为偏好知识向量可以包括专家知识挖掘子模型的尾层（比如膨胀处理层）生成的所述目标云游戏交互大数据的用户行为特征向量。其中，专家知识挖掘子模型的高阶模块（深层模块）可以指专家知识挖掘子模型中层数大于S的层。其中，在另一些可能的实施例中，所述第一原始行为偏好知识向量也可以不是所述目标云游戏交互大数据的高阶知识向量（深层特征），比如，还可以为与所述目标云游戏交互大数据的第一用户体验反馈字段不同的用户体验反馈字段。

在一些可独立的实施例中，所述基于所述第一个性化兴趣关系网，对所述第一原始行为偏好知识向量进行优化，确定出完成优化的第一原始行为偏好知识向量，包括：基于所述第一个性化兴趣关系网，确定U个第一活跃互动事件，其中，U为大于1的整数；对所述第一原始行为偏好知识向量中，所述U个第一活跃互动事件的基础知识向量进行优化，确定出完成优化的第一原始行为偏好知识向量。在相关实施例中，所述U个第一活跃互动事件不包括所述目标云游戏交互大数据中的所有关系网成员，换言之，并非将所述目标云游戏交互大数据的所有关系网成员均作为第一活跃互动事件。在相关实施例中，可以基于所述第一个性化兴趣关系网中的关系网成员匹配于个性化兴趣的可能性值，确定第一活跃互动事件。比如，可以将所述第一个性化兴趣关系网中回归分析为匹配于个性化兴趣的部分或所有关系网成员作为第一活跃互动事件。比如，针对U，本领域技术人员可以根据实际情况进行选择。在相关实施例中，通过基于所述第一个性化兴趣关系网，确定U个第一活跃互动事件，并对所述第一原始行为偏好知识向量中，所述U个第一活跃互动事件的基础知识向量进行优化，因而获得的完成优化的第一原始行为偏好知识向量可以精准可信地反映整体的个性化兴趣数据，从而便于提升对所述目标云游戏交互大数据进行行为数据区分归纳的精度和可信度。

在另一些可独立的实施例中，所述基于所述第一个性化兴趣关系网，确定U个第一活跃互动事件，包括：将所述第一个性化兴趣关系网中匹配于个性化兴趣的可能性值最高的U个关系网成员，确定为U个第一活跃互动事件。举例而言，通过将所述第一个性化兴趣关系网中匹配于个性化兴趣的可能性值最高的U个关系网成员，确定为U个第一活跃互动事件，基于此确定出的U个第一活跃互动事件可以尽可能精准地反映所述目标云游戏交互大数据的不同的个性化兴趣数据。

在另一些可独立的实施例中，若在所述第一个性化兴趣关系网中，匹配于个性化兴趣的可能性值不小于第二设定值的关系网成员的数目不小于U，则可以将所述第一个性化兴趣关系网中匹配于个性化兴趣的可能性值最高的U个关系网成员确定为U个第一活跃互动事件。若在所述第一个性化兴趣关系网中，匹配于个性化兴趣的可能性值不小于第二设定值的关系网成员的数目小于U，比如，匹配于个性化兴趣的可能性值不小于第二设定值的关系网成员的数目为U0。在另一些可独立的实施例中，所述对所述第一原始行为偏好知识向量中，所述U个第一活跃互动事件的基础知识向量进行优化，确定出完成优化的第一原始行为偏好知识向量，包括：基于所述第一原始行为偏好知识向量，确定出所述U个第一活跃互动事件的基础知识向量；对所述U个第一活跃互动事件的基础知识向量（初始事件特征）进行滑动滤波处理（卷积处理），确定出所述U个第一活跃互动事件的已优化知识向量（调整后的事件特征）；基于所述U个第一活跃互动事件的已优化知识向量，优化所述第一原始行为偏好知识向量中所述U个第一活跃互动事件的基础知识向量，确定出完成优化的第一原始行为偏好知识向量。举例而言，基于所述第一个性化兴趣关系网，可以确定所述U个第一活跃互动事件的分布变量（比如在数据空间中的坐标信息）。基于所述U个第一活跃互动事件的分布变量，可以从所述第一原始行为偏好知识向量中，获得所述U个第一活跃互动事件的基础知识向量。其中，所述U个第一活跃互动事件的基础知识向量可以表征所述第一原始行为偏好知识向量中所述U个第一活跃互动事件的用户行为特征向量。在得到所述U个第一活跃互动事件的已优化知识向量之后，基于所述U个第一活跃互动事件的分布变量，可以将所述第一原始行为偏好知识向量中所述U个第一活跃互动事件的基础知识向量变更为所述U个第一活跃互动事件的已优化知识向量，确定出完成优化的第一原始行为偏好知识向量。或者，所述完成优化的第一原始行为偏好知识向量中，任一第一活跃互动事件的用户行为特征向量，可以为该第一活跃互动事件的基础知识向量和已优化知识向量的设定运算结果。举例而言，通过基于所述第一原始行为偏好知识向量，确定出所述U个第一活跃互动事件的基础知识向量，对所述U个第一活跃互动事件的基础知识向量进行滑动滤波处理，确定出所述U个第一活跃互动事件的已优化知识向量，并基于所述U个第一活跃互动事件的已优化知识向量，优化所述第一原始行为偏好知识向量中所述U个第一活跃互动事件的基础知识向量，确定出完成优化的第一原始行为偏好知识向量，这样可以在所述U个第一活跃互动事件对应的第一知识图谱上进行分析进而获得整体的关联信息，从而得到的完成优化的第一原始行为偏好知识向量可以精准可信地反映整体的个性化兴趣数据。

在一些示例下，可以生成所述U个第一活跃互动事件对应的第一知识图谱，其中，可以将所述U个第一活跃互动事件分别作为所述第一知识图谱中的图谱单元，并可以在每两个第一活跃互动事件之间都进行连线部署。所述U个第一活跃互动事件中的任意两个第一活跃互动事件之间的连线的权重的默认值可以为“1”，本领域技术人员可以根据实际情况进行选择。可以通过滑动滤波，对所述U个第一活跃互动事件对应的第一知识图谱进行分析，从而获得所述目标云游戏交互大数据的整体的关联信息。

在一些可独立的实施例中，所述基于智能可视化的云游戏大数据挖掘方法通过AI计算机模型进行处理，所述AI计算机模型包括专家知识挖掘子模型和X层回归分析子模型，其中，X为不小于1的整数。其中，专家知识挖掘子模型可以用于进行特征提取，X层回归分析子模型可以用于进行个性化兴趣识别和/或多元回归分析。在相关实施例中，回归分析子模型（分类预测模型，比如分类器、支持向量机、朴素贝叶斯算法等）的层数可以是一层或两层以上。在相关实施例中，通过调用AI计算机模型进行行为数据区分归纳，便于提高对所述目标云游戏交互大数据进行行为数据区分归纳的精度、可信度及时效性。

在一些可独立的实施例中，所述基于智能可视化的云游戏大数据挖掘方法通过AI计算机模型进行处理，所述AI计算机模型包括X层回归分析子模型，其中，X为不小于1的整数；所述X层回归分析子模型中的任意一层回归分析子模型包括第一模型算法单元；所述基于所述第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一个性化兴趣关系网，包括：对于所述X层回归分析子模型中的任意一层回归分析子模型，将所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量和所述目标云游戏交互大数据的第一用户体验反馈字段传入该层回归分析子模型的第一模型算法单元，借助该层回归分析子模型的第一模型算法单元生成所述目标云游戏交互大数据对应于该层回归分析子模型的第一个性化兴趣关系网。其中，所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量，可以表征用于传入该层回归分析子模型的所述目标云游戏交互大数据的第一原始行为偏好知识向量。所述目标云游戏交互大数据对应于该层回归分析子模型的第一个性化兴趣关系网，可以表征该层回归分析子模型生成的所述目标云游戏交互大数据的第一个性化兴趣关系网。比如，对于所述X层回归分析子模型中的任意一层回归分析子模型，可以对所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量和所述目标云游戏交互大数据的第一用户体验反馈字段进行拼接（concatenate），确定出所述目标云游戏交互大数据对应于该层回归分析子模型的第一拼接结果。可以通过3*3滑动平均层（卷积层）对所述目标云游戏交互大数据对应于该层回归分析子模型的第一拼接结果进行卷积，确定出所述目标云游戏交互大数据对应于该层回归分析子模型的个性化兴趣向量。通过3*3滑动平均层对所述目标云游戏交互大数据对应于该层回归分析子模型的个性化兴趣向量进行卷积，可以得到所述目标云游戏交互大数据对应于该层回归分析子模型的第一个性化兴趣关系网。本领域技术人员可以根据实际需求进行调整，也可以灵活选择滤波核的规模，本领域技术人员可以根据实际情况进行选择。如此，对于所述X层回归分析子模型中的任意一层回归分析子模型，通过该层回归分析子模型的第一模型算法单元对所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量和所述目标云游戏交互大数据的第一用户体验反馈字段进行处理，这样可以高效地得到所述目标云游戏交互大数据对应于该层回归分析子模型的个性化兴趣的原始回归分析结果。

在一些可能的情况下，在X大于1时所述目标云游戏交互大数据对应于不同层回归分析子模型的第一原始行为偏好知识向量可以不同。在另一些可能的情况下，在X大于1时，所述目标云游戏交互大数据对应于不同层回归分析子模型的第一原始行为偏好知识向量可以相同。

举例而言，在所述对于所述X层回归分析子模型中的任意一层回归分析子模型，将所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量和所述目标云游戏交互大数据的第一用户体验反馈字段传入该层回归分析子模型的第一模型算法单元之前，所述方法还包括：获得云游戏交互大数据样本（训练样本）的兴趣关系网正例样本和所述云游戏交互大数据样本的兴趣关系网负例样本；通过该层回归分析子模型的第一模型算法单元，对所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量和所述云游戏交互大数据样本的第二用户体验反馈字段进行处理，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网和所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网；基于所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网、所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网、所述云游戏交互大数据样本的个性化兴趣interest和所述云游戏交互大数据样本的兴趣关系网负例样本，调试所述AI计算机模型。

举例而言，所述云游戏交互大数据样本可以表征用于调试所述AI计算机模型的游戏用户行为大数据。所述云游戏交互大数据样本的数目可以为多个。所述云游戏交互大数据样本的兴趣关系网正例样本可以用于表征所述云游戏交互大数据样本中分类数据集的个性化兴趣所对应的分布变量的真值。比如，所述云游戏交互大数据样本的兴趣关系网正例样本的规模可以与所述云游戏交互大数据样本相同。

如果在所述云游戏交互大数据样本中，任一关系网成员属于分类数据集的个性化兴趣，则在所述云游戏交互大数据样本的兴趣关系网正例样本中，该关系网成员的值可以为“1”；若在所述云游戏交互大数据样本中，任一关系网成员不属于分类数据集的个性化兴趣，则在所述云游戏交互大数据样本的兴趣关系网正例样本中，该关系网成员的值可以为“0”。所述云游戏交互大数据样本的兴趣关系网负例样本可以用于表征所述云游戏交互大数据样本中分类数据集的非个性化兴趣所对应的分布变量的真值。比如，所述云游戏交互大数据样本的兴趣关系网负例样本的规模可以与所述云游戏交互大数据样本相同。

如果在所述云游戏交互大数据样本中，任一关系网成员属于分类数据集的非个性化兴趣区域，则在所述云游戏交互大数据样本的兴趣关系网负例样本中，该关系网成员的值可以为“1”；若在所述云游戏交互大数据样本中，任一关系网成员不属于分类数据集的非个性化兴趣区域，则在所述云游戏交互大数据样本的兴趣关系网负例样本中，该关系网成员的值可以为“0”。所述第二原始行为偏好知识向量表征所述云游戏交互大数据样本的用于进行个性化兴趣识别的用户行为特征向量。所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量，可以表征用于传入该层回归分析子模型的所述云游戏交互大数据样本的第二原始行为偏好知识向量。所述第二个性化兴趣关系网可以表征所述云游戏交互大数据样本的个性化兴趣的原始回归分析结果。所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网，可以表征该层回归分析子模型生成的所述云游戏交互大数据样本的第二个性化兴趣关系网。所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网，可以表征该层回归分析子模型生成的所述云游戏交互大数据样本的非个性化兴趣关系网。在所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网中，任一关系网成员的特征描述值可以表征该层回归分析子模型回归分析的所述云游戏交互大数据样本中对应的关系网成员匹配于个性化兴趣的可能性值。在所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网中，任一关系网成员的特征描述值可以表征该层回归分析子模型回归分析的所述云游戏交互大数据样本中对应的关系网成员属于非个性化兴趣的可能性值。

举例而言，所述云游戏交互大数据样本的第二用户体验反馈字段相异于所述云游戏交互大数据样本对应于任意一层回归分析子模型的第二原始行为偏好知识向量。所述云游戏交互大数据样本的第二用户体验反馈字段为所述云游戏交互大数据样本的用户体验反馈字段，比如，所述云游戏交互大数据样本的第二用户体验反馈字段可以表征专家知识挖掘子模型的低阶模块生成的所述云游戏交互大数据样本的用户行为特征向量。比如，所述云游戏交互大数据样本的第二用户体验反馈字段可以是专家知识挖掘子模型的第一层生成的所述云游戏交互大数据样本的用户行为特征向量。可以理解的是，所述云游戏交互大数据样本的第二用户体验反馈字段还可以是专家知识挖掘子模型的其他低阶模块生成的所述云游戏交互大数据样本的用户行为特征向量，本领域技术人员可以根据实际情况进行选择。

在一些示例下，所述第二原始行为偏好知识向量可以包括所述云游戏交互大数据样本的高阶知识向量，和/或，可以包括所述云游戏交互大数据样本的经过优化的高阶知识向量。其中，所述云游戏交互大数据样本的高阶知识向量可以表征专家知识挖掘子模型的高阶模块生成的所述云游戏交互大数据样本的用户行为特征向量。比如，所述第二原始行为偏好知识向量可以包括专家知识挖掘子模型的尾层生成的所述云游戏交互大数据样本的用户行为特征向量。可以理解的是，在其他例子中，所述第二原始行为偏好知识向量也可以不是所述云游戏交互大数据样本的高阶知识向量，比如，还可以为与所述云游戏交互大数据样本的第二用户体验反馈字段不同的用户体验反馈字段。

在一些示例下，在X大于1时，所述云游戏交互大数据样本对应于不同层回归分析子模型的第二原始行为偏好知识向量可以不一致。对于另一些示例而言，在X大于1时，所述云游戏交互大数据样本对应于不同层回归分析子模型的第二原始行为偏好知识向量可以相同。

举例而言，通过结合所述云游戏交互大数据样本的非个性化兴趣关系网、所述云游戏交互大数据样本的兴趣关系网负例样本，与所述云游戏交互大数据样本的第二个性化兴趣关系网、所述云游戏交互大数据样本的兴趣关系网正例样本一起，调试所述AI计算机模型，因此不仅对所述云游戏交互大数据样本中的个性化兴趣部分进行跟踪分析，还对所述云游戏交互大数据样本中的非个性化兴趣部分进行跟踪分析，因此便于第一模型算法单元推导出精确地进行个性化兴趣生成的性能，从而能够通过第一模型算法单元产生更加准确的个性化兴趣输出。

在一些示例下，所述通过该层回归分析子模型的第一模型算法单元，对所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量和所述云游戏交互大数据样本的第二用户体验反馈字段进行处理，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网和所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网，包括：通过该层回归分析子模型的第一模型算法单元，对所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量和所述云游戏交互大数据样本的第二用户体验反馈字段进行处理，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的个性化兴趣向量；基于所述云游戏交互大数据样本对应于该层回归分析子模型的个性化兴趣向量，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网；基于所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量和所述云游戏交互大数据样本对应于该层回归分析子模型的个性化兴趣向量，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣向量；基于所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣向量，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网。

如此设计，利用所述云游戏交互大数据样本的个性化兴趣向量得到所述云游戏交互大数据样本的非个性化兴趣向量，以此进行非个性化兴趣部分的回归分析，从而能够提高第一模型算法单元进行个性化兴趣识别的精度和可信度。

比如，在所述云游戏交互大数据样本的第二用户体验反馈字段与所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量的维度不同时，可以对所述云游戏交互大数据样本的第二用户体验反馈字段进行插值处理，以使插值处理后的第二用户体验反馈字段与所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量的维度相同。在对所述云游戏交互大数据样本的第二用户体验反馈字段进行插值处理之后，可以对所述云游戏交互大数据样本的第二用户体验反馈字段和所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量进行拼接，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的第二拼接结果。可以通过3*3滑动平均层对所述云游戏交互大数据样本对应于该层回归分析子模型的第二拼接结果进行卷积，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的个性化兴趣向量。通过3*3滑动平均层对所述云游戏交互大数据样本对应于该层回归分析子模型的个性化兴趣向量进行卷积，可以得到所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网。可以理解的是，本领域技术人员可以根据实际需求进行拼接或者加权，也可以灵活选择滤波核的大小，本领域技术人员可以根据实际情况进行选择。

比如，可以将所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量与所述云游戏交互大数据样本对应于该层回归分析子模型的个性化兴趣向量作差，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣向量。

比如，所述基于所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣向量，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网，包括：获得所述云游戏交互大数据样本对应于该层回归分析子模型的隐含兴趣知识向量；基于所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣向量，以及所述云游戏交互大数据样本对应于该层回归分析子模型的隐含兴趣知识向量，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网。

基于此，所述云游戏交互大数据样本对应于任意一层回归分析子模型的隐含兴趣知识向量，相异于所述云游戏交互大数据样本的第二用户体验反馈字段，也相异于所述云游戏交互大数据样本对应于任意一层回归分析子模型的第二原始行为偏好知识向量。所述云游戏交互大数据样本对应于任意一层回归分析子模型的隐含兴趣知识向量可以是所述云游戏交互大数据样本的用户体验反馈字段，也可以是所述云游戏交互大数据样本的高阶知识向量。所述云游戏交互大数据样本对应于不同层回归分析子模型的隐含兴趣知识向量可以不同，也可以相同。如此设计，通过结合所述云游戏交互大数据样本对应于该层回归分析子模型的隐含兴趣知识向量，这样可以进行细节特征的补全处理，从而能够提高所述AI计算机模型进行非个性化兴趣识别的精度和可信度。

比如，可以通过如下算法确定出所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网network_R：network_R=C（Concat（vec2，vec1））。

其中，vec1表征所述云游戏交互大数据样本对应于该层回归分析子模型的隐含兴趣知识向量，Concat（vec2，vec1）表征对vec2和vec1进行拼接，C（Concat（vec2，vec1））表征对Concat（vec2，vec1）进行卷积。

以下为本申请实施例提供的第一模型算法单元的介绍。在所述AI计算机模型的调试阶段，任意一层回归分析子模型的第一模型算法单元可以对云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量Fvec1和所述云游戏交互大数据样本的第二用户体验反馈字段Fvec2进行拼接，并在拼接后通过3*3滑动平均层进行卷积，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的个性化兴趣向量individualvec。通过3*3滑动平均层对所述云游戏交互大数据样本对应于该层回归分析子模型的个性化兴趣向量individual vec进行卷积，可以得到所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网networks_indiv。基于所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网networks_indiv和所述云游戏交互大数据样本的兴趣关系网正例样本，可以得到所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网对应的模型质量指标loss1。将所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量Fvec1与所述云游戏交互大数据样本对应于该层回归分析子模型的个性化兴趣向量individual vec作差，可以得到所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣向量vec2。将所述云游戏交互大数据样本对应于该层回归分析子模型的隐含兴趣知识向量vec1与所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣向量vec2合并后进行两次3*3卷积，可以得到所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网network_R。基于所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网network_R以及所述云游戏交互大数据样本的兴趣关系网负例样本，可以得到所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网对应的模型质量指标loss2。将所述云游戏交互大数据样本对应于该层回归分析子模型的个性化兴趣向量individual vec与所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣向量vec2作和，可以在此得到所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量Fvec1，以作为该层回归分析子模型的第二模型算法单元的传入。通过上述的第一模型算法单元得到个性化兴趣关系网，便于提高行为数据区分归纳的效率和精度。

可以理解的是，经过对非个性化兴趣部分的分析处理，可以得到更准确的个性化兴趣关系网，且所回归分析得到的个性化兴趣关系网的精度能够得到保障。

在另一些可独立的实施例中，所述X层回归分析子模型中的任意一层回归分析子模型包括第二模型算法单元；所述基于所述第一个性化兴趣关系网，对所述第一原始行为偏好知识向量进行优化，确定出完成优化的第一原始行为偏好知识向量，包括：对于所述X层回归分析子模型中的任意一层回归分析子模型，将所述目标云游戏交互大数据对应于该层回归分析子模型的第一个性化兴趣关系网和所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量传入该层回归分析子模型的第二模型算法单元，借助该层回归分析子模型的第二模型算法单元生成所述目标云游戏交互大数据对应于该层回归分析子模型的完成优化的第一原始行为偏好知识向量。其中，所述目标云游戏交互大数据对应于该层回归分析子模型的完成优化的第一原始行为偏好知识向量，可以表征该层回归分析子模型生成的所述目标云游戏交互大数据的完成优化的第一原始行为偏好知识向量。该示例对于所述X层回归分析子模型中的任意一层回归分析子模型，通过该层回归分析子模型的第二模型算法单元对所述目标云游戏交互大数据对应于该层回归分析子模型的第一个性化兴趣关系网和所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量进行处理，这样可以高效地得到所述目标云游戏交互大数据对应于该层回归分析子模型的完成优化的第一原始行为偏好知识向量。

在一些示例下，所述X层回归分析子模型中的任意一层回归分析子模型还包括第三模型算法单元；在所述对于所述X层回归分析子模型中的任意一层回归分析子模型，将所述目标云游戏交互大数据对应于该层回归分析子模型的第一个性化兴趣关系网和所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量传入该层回归分析子模型的第二模型算法单元之前，所述方法还包括：通过该层回归分析子模型的第二模型算法单元，对云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网和所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量进行处理，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的完成优化的第二原始行为偏好知识向量；通过该层回归分析子模型的第三模型算法单元，对所述云游戏交互大数据样本对应于该层回归分析子模型的完成优化的第二原始行为偏好知识向量进行处理，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的第二多元回归分析关系网；基于所述云游戏交互大数据样本的多元回归分析正例样本和所述云游戏交互大数据样本对应于该层回归分析子模型的第二多元回归分析关系网，调试所述AI计算机模型。其中，可以通过该层回归分析子模型的第一模型算法单元对所述云游戏交互大数据样本对应于该层回归分析子模型的个性化兴趣向量和所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣向量相加，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量，并将因而获得的所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量传入该层回归分析子模型的第二模型算法单元。

亦或者，还可以将所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量直接传入第二模型算法单元。

如此设计，所述云游戏交互大数据样本对应于该层回归分析子模型的第二多元回归分析关系网，可以表征该层回归分析子模型生成的所述云游戏交互大数据样本的第二多元回归分析关系网。在所述云游戏交互大数据样本对应于该层回归分析子模型的第二多元回归分析关系网中，任一关系网成员的特征描述值可以表征该层回归分析子模型回归分析的所述云游戏交互大数据样本中对应的关系网成员属于分类数据集的可能性值。如此设计，第二模型算法单元能够准确高效地挖掘整体的个性化兴趣数据，这样可以提高第三模型算法单元进行多元回归分析的精度和可信度。

以下相关内容为本申请实施例提供的第二模型算法单元的介绍。比如，所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网networks_indiv的维度可以为A*B*1。可以将所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网networks_indiv中匹配于个性化兴趣的可能性值最高的U个关系网成员，确定为U个第二活跃互动事件。基于所述U个第二活跃互动事件的分布变量，可以从所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量Fvec1中，获得所述U个第二活跃互动事件的基础知识向量。其中，所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量Fvec1的大小可以为A*B*Y。所述U个第二活跃互动事件的基础知识向量可以表征所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量Fvec1中所述U个第二活跃互动事件的用户行为特征向量。

在一些示例下，可以生成所述U个第二活跃互动事件对应的第二知识图谱，其中，可以将所述U个第二活跃互动事件分别作为所述第二知识图谱中的图谱单元，并可以在每两个第二活跃互动事件之间都进行连线部署。所述U个第二活跃互动事件中的任意两个第二活跃互动事件之间的连线的权重的默认值可以为“1”，本领域技术人员可以根据实际情况进行选择。通过滑动滤波层对所述U个第二活跃互动事件的基础知识向量进行滑动滤波处理，可以得到所述U个第二活跃互动事件的已优化知识向量。在得到所述U个第二活跃互动事件的已优化知识向量之后，可以基于所述U个第二活跃互动事件的分布变量，将所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量Fvec1中所述U个第二活跃互动事件的基础知识向量变更为所述U个第二活跃互动事件的已优化知识向量，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的完成优化的第二原始行为偏好知识向量Fvec10。通过上述的第二模型算法单元，能够快速得到完成优化的原始行为偏好知识向量，从而便于提高行为数据区分归纳的效率。通过采用第三模型算法单元对第二原始行为偏好知识向量进行优化，可以得到更准确、完整且低噪的多元回归分析关系网。

在另一些可独立的实施例中，X大于1，所述AI计算机模型还包括专家知识挖掘子模型；所述获得目标云游戏交互大数据的第一原始行为偏好知识向量，包括：对于所述X层回归分析子模型中的任意一层回归分析子模型，响应于该层回归分析子模型为所述X层回归分析子模型的第一层回归分析子模型，通过所述专家知识挖掘子模型提取所述目标云游戏交互大数据的高阶知识向量，确定出所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量；和/或，对于所述X层回归分析子模型中的任意一层回归分析子模型，响应于该层回归分析子模型不是所述第一层回归分析子模型，基于所述目标云游戏交互大数据对应于该层回归分析子模型的前一层回归分析子模型的完成优化的第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量。

比如，可以将专家知识挖掘子模型最终生成的所述目标云游戏交互大数据的用户行为特征向量，作为所述目标云游戏交互大数据对应于所述第一层回归分析子模型的第一原始行为偏好知识向量。比如，可以将所述目标云游戏交互大数据传入专家知识挖掘子模型，并将专家知识挖掘子模型的尾层（比如膨胀处理层）的输出信息作为所述目标云游戏交互大数据对应于所述第一层回归分析子模型的第一原始行为偏好知识向量。举例而言，通过调用串联的两层以上回归分析子模型，便于进一步提高多元回归分析的质量。

在一些示例下，所述基于所述完成优化的第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一多元回归分析关系网，包括：通过所述X层回归分析子模型中的尾层回归分析子模型，对所述目标云游戏交互大数据对应于所述尾层回归分析子模型的完成优化的第一原始行为偏好知识向量进行处理，确定出所述目标云游戏交互大数据的第一多元回归分析关系网。

基于此，通过将串联的两层以上回归分析子模型中、尾层回归分析子模型的输出信息作为所述目标云游戏交互大数据的第一多元回归分析关系网，这样可以提高所述第一多元回归分析关系网的精度和可信度。

在一些示例下，所述AI计算机模型基于所述X层回归分析子模型对应的模型质量指标（模型损失函数或者模型代价函数）的设定运算结果（比如可以是加权和）进行调试。

基于此，通过对所述X层回归分析子模型进行协作调试，因此便于提高所述AI计算机模型在全局层面的多元回归分析质量。

以下相关内容为本申请实施例提供的AI计算机模型的介绍。所述AI计算机模型可以是串联的结构，所述AI计算机模型可以包括专家知识挖掘子模型和三层回归分析子模型。其中，专家知识挖掘子模型可以通过特征金字塔形式的特征提取器。专家知识挖掘子模型可以包括特征金字塔形式的特征提取器的第一层（unit1）、第二层（unit2）、第三层（unit3）、第四层（unit4）和膨胀处理层。每层回归分析子模型可以包括第一模型算法单元、第二模型算法单元和第三模型算法单元。可以理解的是，本领域技术人员可以灵活选择不同的模型算法单元的类型和架构，并适应性调整滤波核的规模，也可以选择其他的激活函数进行处理，在此不限。

在另一些可能的实施例中，可以事先配置用于行为数据区分归纳的算法，并通过事先配置的算法对所述目标云游戏交互大数据进行行为数据区分归纳，本领域技术人员可以根据实际情况进行选择。

以下通过实际示例进行相关说明。

其中，所述基于智能可视化的云游戏大数据挖掘方法可以通过AI计算机模型进行处理，比如，所述AI计算机模型可以包括专家知识挖掘子模型和三层回归分析子模型。三层回归分析子模型可以分别记为第一层回归分析子模型、第二层回归分析子模型和第三层回归分析子模型。

在模型的调试阶段：可以将任一云游戏交互大数据样本传入专家知识挖掘子模型，借助专家知识挖掘子模型的第一层生成所述云游戏交互大数据样本的第二用户体验反馈字段（Fvec2）。借助专家知识挖掘子模型的第二层、第三层和第四层，可以分别生成所述云游戏交互大数据样本的隐含兴趣知识向量，比如，所述云游戏交互大数据样本的隐含兴趣知识向量可以记为vec1。比如，专家知识挖掘子模型的第二层生成的所述云游戏交互大数据样本的隐含兴趣知识向量可以记为vec12，专家知识挖掘子模型的第三层生成的所述云游戏交互大数据样本的隐含兴趣知识向量可以记为vec13，专家知识挖掘子模型的第四层生成的所述云游戏交互大数据样本的隐含兴趣知识向量可以记为vec14。借助专家知识挖掘子模型的膨胀处理，可以生成所述云游戏交互大数据样本对应于第一层回归分析子模型的第二原始行为偏好知识向量，比如，所述云游戏交互大数据样本对应于第一层回归分析子模型的第二原始行为偏好知识向量可以记为Fvec11。

第一层回归分析子模型的第一模型算法单元的传入可以包括所述云游戏交互大数据样本对应于第一层回归分析子模型的第二原始行为偏好知识向量Fvec11（比如膨胀处理生成的用户行为特征向量）、所述云游戏交互大数据样本的第二用户体验反馈字段Fvec2和专家知识挖掘子模型的第四层生成的所述云游戏交互大数据样本的隐含兴趣知识向量vec14；第一层回归分析子模型的第一模型算法单元的输出信息可以包括所述云游戏交互大数据样本对应于第一层回归分析子模型的第二原始行为偏好知识向量Fvec11、所述云游戏交互大数据样本对应于第一层回归分析子模型的第二个性化兴趣关系网networks_indiv1和所述云游戏交互大数据样本对应于第一层回归分析子模型的非个性化兴趣关系网network_R1；第一层回归分析子模型的第二模型算法单元的传入可以包括所述云游戏交互大数据样本对应于第一层回归分析子模型的第二原始行为偏好知识向量Fvec11和所述云游戏交互大数据样本对应于第一层回归分析子模型的第二个性化兴趣关系网networks_indiv1；第一层回归分析子模型的第二模型算法单元的输出信息可以包括所述云游戏交互大数据样本对应于第一层回归分析子模型的完成优化的第二原始行为偏好知识向量Fvec12；第一层回归分析子模型的第三模型算法单元的传入可以包括所述云游戏交互大数据样本对应于第一层回归分析子模型的完成优化的第二原始行为偏好知识向量Fvec12；第一层回归分析子模型的第三模型算法单元的输出信息可以包括所述云游戏交互大数据样本对应于第一层回归分析子模型的第二多元回归分析关系网regressive networks R1。

进一步地，第二层回归分析子模型的第一模型算法单元的传入可以包括所述云游戏交互大数据样本对应于第二层回归分析子模型的第二原始行为偏好知识向量Fvec12（比如所述云游戏交互大数据样本对应于第一层回归分析子模型的完成优化的第二原始行为偏好知识向量）、所述云游戏交互大数据样本的第二用户体验反馈字段Fvec2和专家知识挖掘子模型的第三层生成的所述云游戏交互大数据样本的隐含兴趣知识向量vec13；第二层回归分析子模型的第一模型算法单元的输出信息可以包括所述云游戏交互大数据样本对应于第二层回归分析子模型的第二原始行为偏好知识向量Fvec12、所述云游戏交互大数据样本对应于第二层回归分析子模型的第二个性化兴趣关系网networks_indiv2和所述云游戏交互大数据样本对应于第二层回归分析子模型的非个性化兴趣关系网network_R2；第二层回归分析子模型的第二模型算法单元的传入可以包括所述云游戏交互大数据样本对应于第二层回归分析子模型的第二原始行为偏好知识向量Fvec12和所述云游戏交互大数据样本对应于第二层回归分析子模型的第二个性化兴趣关系网networks_indiv2；第二层回归分析子模型的第二模型算法单元的输出信息可以包括所述云游戏交互大数据样本对应于第二层回归分析子模型的完成优化的第二原始行为偏好知识向量Fvec13；第二层回归分析子模型的第三模型算法单元的传入可以包括所述云游戏交互大数据样本对应于第二层回归分析子模型的完成优化的第二原始行为偏好知识向量Fvec13；第二层回归分析子模型的第三模型算法单元的输出信息可以包括所述云游戏交互大数据样本对应于第二层回归分析子模型的第二多元回归分析关系网regressive networks R2。

第三层回归分析子模型的第一模型算法单元的传入可以包括所述云游戏交互大数据样本对应于第三层回归分析子模型的第二原始行为偏好知识向量Fvec13（比如所述云游戏交互大数据样本对应于第二层回归分析子模型的完成优化的第二原始行为偏好知识向量）、所述云游戏交互大数据样本的第二用户体验反馈字段Fvec2和专家知识挖掘子模型的第二层生成的所述云游戏交互大数据样本的隐含兴趣知识向量vec12；第三层回归分析子模型的第一模型算法单元的输出信息可以包括所述云游戏交互大数据样本对应于第三层回归分析子模型的第二原始行为偏好知识向量Fvec13、所述云游戏交互大数据样本对应于第三层回归分析子模型的第二个性化兴趣关系网networks_indiv3和所述云游戏交互大数据样本对应于第三层回归分析子模型的非个性化兴趣关系网network_R3；第三层回归分析子模型的第二模型算法单元的传入可以包括所述云游戏交互大数据样本对应于第三层回归分析子模型的第二原始行为偏好知识向量Fvec13和所述云游戏交互大数据样本对应于第三层回归分析子模型的第二个性化兴趣关系网networks_indiv3；第三层回归分析子模型的第二模型算法单元的输出信息可以包括所述云游戏交互大数据样本对应于第三层回归分析子模型的完成优化的第二原始行为偏好知识向量Fvec14；第三层回归分析子模型的第三模型算法单元的传入可以包括所述云游戏交互大数据样本对应于第三层回归分析子模型的完成优化的第二原始行为偏好知识向量Fvec14；第三层回归分析子模型的第三模型算法单元的输出信息可以包括所述云游戏交互大数据样本对应于第三层回归分析子模型的第二多元回归分析关系网regressive networks R3。

所述AI计算机模型的模型质量指标可以通过损失函数的加权处理得到，其中，第一层回归分析子模型对应的模型质量指标，第二层回归分析子模型对应的模型质量指标，第三层回归分析子模型对应的模型质量指标各自对应的权重可以根据实际情况选择。

比如，在所述云游戏交互大数据样本的兴趣关系网负例样本negative E中，属于分类数据集的非个性化兴趣区域的关系网成员的值可以为“1”，不属于分类数据集的非个性化兴趣区域的关系网成员的值可以为“0”；在所述云游戏交互大数据样本的兴趣关系网正例样本positive E中，属于分类数据集的个性化兴趣的关系网成员的值可以为“1”，不属于分类数据集的个性化兴趣的关系网成员的值可以为“0”；在所述云游戏交互大数据样本的多元回归分析正例样本RE positive 中，属于分类数据集的关系网成员的值可以为“1”，不属于分类数据集的关系网成员的值可以为“0”。其中，所述云游戏交互大数据样本的兴趣关系网负例样本negative E中特征值为0的关系网成员，可以包括所述云游戏交互大数据样本的多元回归分析正例样本RE positive 中特征值为0的关系网成员，以及所述云游戏交互大数据样本的兴趣关系网正例样本positive E中特征值为0的关系网成员。换言之，所述云游戏交互大数据样本的兴趣关系网负例样本negative E中特征值为1的关系网成员集，可以是所述云游戏交互大数据样本的多元回归分析正例样本RE positive 中特征值为1的关系网成员集与所述云游戏交互大数据样本的兴趣关系网正例样本positive E中特征值为1的关系网成员集的差。换言之，所述云游戏交互大数据样本的兴趣关系网正例样本positive E中特征值为1的关系网成员集与所述云游戏交互大数据样本的兴趣关系网负例样本negative E中特征值为1的关系网成员集的并集可以为所述云游戏交互大数据样本的多元回归分析正例样本RE positive 中特征值为1的关系网成员集，且所述云游戏交互大数据样本的兴趣关系网正例样本positive E中特征值为1的关系网成员集与所述云游戏交互大数据样本的兴趣关系网负例样本negative E中特征值为1的关系网成员集的交集为空。

loss2（network_R1，negative E）表征所述云游戏交互大数据样本对应于第一层回归分析子模型的非个性化兴趣关系网network_R1对应的模型质量指标，Q11表征loss2（network_R1，negative E）对应的权重；loss1（networks_indiv1，positive E）表征所述云游戏交互大数据样本对应于第一层回归分析子模型的第二个性化兴趣关系网networks_indiv1对应的模型质量指标，Q12表征loss1（networks_indiv1，positive E）对应的权重；ZX（regressive networks R1，RE positive ）表征所述云游戏交互大数据样本对应于第一层回归分析子模型的第二多元回归分析关系网regressive networks R1对应的模型质量指标，Q13表征ZX（regressive networks R1，RE positive ）对应的权重；其中，Q11、Q12和Q13为超参，比如，Q11=Q12=Q13=1，可以理解的是，本领域技术人员可以根据实际情况进行选择。

loss2（network_R2，negative E）表征所述云游戏交互大数据样本对应于第二层回归分析子模型的非个性化兴趣关系网network_R2对应的模型质量指标，Q21表征loss2（network_R2，negative E）对应的权重；loss1（networks_indiv2，positive E）表征所述云游戏交互大数据样本对应于第二层回归分析子模型的第二个性化兴趣关系网networks_indiv2对应的模型质量指标，Q22表征loss1（networks_indiv2，positive E）对应的权重；ZX（regressive networks R2，RE positive ）表征所述云游戏交互大数据样本对应于第二层回归分析子模型的第二多元回归分析关系网regressive networks R2对应的模型质量指标，Q23表征ZX（regressive networks R2，RE positive ）对应的权重；其中，Q21、Q22和Q23为超参，比如，Q21=Q22=Q23=1，可以理解的是，本领域技术人员可以根据实际情况进行选择。

loss2（network_R3，negative E）表征所述云游戏交互大数据样本对应于第三层回归分析子模型的非个性化兴趣关系网network_R3对应的模型质量指标，Q31表征loss2（network_R3，negative E）对应的权重；loss1（networks_indiv3，positive E）表征所述云游戏交互大数据样本对应于第三层回归分析子模型的第二个性化兴趣关系网networks_indiv3对应的模型质量指标，Q32表征loss1（networks_indiv3，positive E）对应的权重；ZX（regressive networks R3，RE positive ）表征所述云游戏交互大数据样本对应于第三层回归分析子模型的第二多元回归分析关系网regressive networks R3对应的模型质量指标，Q33表征ZX（regressive networks R3，RE positive ）对应的权重；其中，Q31、Q32和Q33为超参，比如，Q31=Q32=Q33=1，本领域技术人员可以根据实际情况进行选择。

其中，所述云游戏交互大数据样本对应于任意一层回归分析子模型的非个性化兴趣关系网对应的模型质量指标和所述云游戏交互大数据样本对应于任意一层回归分析子模型的第二多元回归分析关系网对应的模型质量指标可以通过Cross Entropy模型质量指标，所述云游戏交互大数据样本对应于任意一层回归分析子模型的第二个性化兴趣关系网对应的模型质量指标可以通过铰链模型质量指标。可以理解的是，本领域技术人员可以根据实际情况进行选择模型质量指标的类别。

在上述模型的应用阶段，可以将目标云游戏交互大数据传入专家知识挖掘子模型，借助专家知识挖掘子模型的第一层生成所述目标云游戏交互大数据的第一用户体验反馈字段。借助专家知识挖掘子模型的膨胀处理层，可以生成所述目标云游戏交互大数据对应于第一层回归分析子模型的第一原始行为偏好知识向量。

第一层回归分析子模型的第一模型算法单元的传入可以包括所述目标云游戏交互大数据对应于第一层回归分析子模型的第一原始行为偏好知识向量（比如膨胀处理生成的用户行为特征向量）和所述目标云游戏交互大数据的第一用户体验反馈字段；第一层回归分析子模型的第一模型算法单元的输出信息可以包括所述目标云游戏交互大数据对应于第一层回归分析子模型的第一原始行为偏好知识向量和所述目标云游戏交互大数据对应于第一层回归分析子模型的第一个性化兴趣关系网；第一层回归分析子模型的第二模型算法单元的传入可以包括所述目标云游戏交互大数据对应于第一层回归分析子模型的第一原始行为偏好知识向量和所述目标云游戏交互大数据对应于第一层回归分析子模型的第一个性化兴趣关系网；第一层回归分析子模型的第二模型算法单元的输出信息可以包括所述目标云游戏交互大数据对应于第一层回归分析子模型的完成优化的第一原始行为偏好知识向量。

第二层回归分析子模型的第一模型算法单元的传入可以包括所述目标云游戏交互大数据对应于第二层回归分析子模型的第一原始行为偏好知识向量（比如所述目标云游戏交互大数据对应于第一层回归分析子模型的完成优化的第一原始行为偏好知识向量）和所述目标云游戏交互大数据的第一用户体验反馈字段；第二层回归分析子模型的第一模型算法单元的输出信息可以包括所述目标云游戏交互大数据对应于第二层回归分析子模型的第一原始行为偏好知识向量和所述目标云游戏交互大数据对应于第二层回归分析子模型的第一个性化兴趣关系网；第二层回归分析子模型的第二模型算法单元的传入可以包括所述目标云游戏交互大数据对应于第二层回归分析子模型的第一原始行为偏好知识向量和所述目标云游戏交互大数据对应于第二层回归分析子模型的第一个性化兴趣关系网；第二层回归分析子模型的第二模型算法单元的输出信息可以包括所述目标云游戏交互大数据对应于第二层回归分析子模型的完成优化的第一原始行为偏好知识向量。

第三层回归分析子模型的第一模型算法单元的传入可以包括所述目标云游戏交互大数据对应于第三层回归分析子模型的第一原始行为偏好知识向量（比如所述目标云游戏交互大数据对应于第二层回归分析子模型的完成优化的第一原始行为偏好知识向量）和所述目标云游戏交互大数据的第一用户体验反馈字段；第三层回归分析子模型的第一模型算法单元的输出信息可以包括所述目标云游戏交互大数据对应于第三层回归分析子模型的第一原始行为偏好知识向量和所述目标云游戏交互大数据对应于第三层回归分析子模型的第一个性化兴趣关系网；第三层回归分析子模型的第二模型算法单元的传入可以包括所述目标云游戏交互大数据对应于第三层回归分析子模型的第一原始行为偏好知识向量和所述目标云游戏交互大数据对应于第三层回归分析子模型的第一个性化兴趣关系网；第三层回归分析子模型的第二模型算法单元的输出信息可以包括所述目标云游戏交互大数据对应于第三层回归分析子模型的完成优化的第一原始行为偏好知识向量；第三层回归分析子模型的第三模型算法单元的传入可以包括所述目标云游戏交互大数据对应于第三层回归分析子模型的完成优化的第一原始行为偏好知识向量；第三层回归分析子模型的第三模型算法单元的输出信息可以包括所述目标云游戏交互大数据对应于第三层回归分析子模型的第一多元回归分析关系网。

在一些独立性的设计思路中，在基于所述完成优化的第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一多元回归分析关系网之后，该方法还可以包括如下内容：基于所述第一多元回归分析关系网对所述目标云游戏交互大数据进行数据归纳处理，得到所述目标云游戏交互大数据对应的多个玩家行为互动会话中的各玩家行为互动会话对应的目标数据集；响应于信息安全检测指令，对待处理玩家行为互动会话的待处理目标数据集进行风险行为识别，得到风险行为识别结果；基于所述风险行为识别结果进行信息防护处理。

其中，数据归纳处理可以理解为数据拆解、数据拆分，所得到的玩家行为互动会话对应的目标数据集为目标云游戏交互大数据中的部分数据，玩家行为互动会话可以理解为玩家行为互动事件。基于此，可以进行针对性的数据风险检测，从而根据风险行为识别结果进行高效精准的信息防护处理。

在一些独立性的设计思路中，对待处理玩家行为互动会话的待处理目标数据集进行风险行为识别，得到风险行为识别结果可以包括如下内容：基于风险要素处理模型对待处理目标数据集进行风险要素挖掘，得到风险要素向量；基于所述风险要素向量中的部分或者所有要素特征，确定目标风险要素向量，包括通过第一设定要素特征值对所述部分或者所有要素特征中对应的要素特征值进行增加，使所述待处理目标数据集中扩增一个或多个风险要素标签，以确定所述目标风险要素向量；或，通过第二设定要素特征值对所述部分或者所有要素特征中对应的要素特征值进行减少，以删除所述待处理目标数据集中一个或多个风险要素标签，并确定所述目标风险要素向量；基于所述风险要素处理模型对所述目标风险要素向量进行风险行为识别，得到风险行为识别结果。

其中，风险要素向量可以理解为存在异常行为的行为特征，包括疑似信息窃取行为、欺诈行为等。基于此，通过对目标风险要素向量进行确定，能够根据实际需求进行特征维度调整，从而提高风险行为识别结果的确定精度。

图3是示出可以实现本申请的实施例的基于智能可视化的云游戏大数据挖掘方法的应用环境的架构示意图，基于智能可视化的云游戏大数据挖掘方法的应用环境中可以包括互相通信的智能大数据系统100和云游戏客户端200。基于此，智能大数据系统100和云游戏客户端200在运行时实现或者部分实现本申请实施例的基于智能可视化的云游戏大数据挖掘方法。

以上所述，仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。

Claims (10)

1.一种基于智能可视化的云游戏大数据挖掘方法，其特征在于，应用于智能大数据系统，所述方法包括：

获得目标云游戏交互大数据的第一原始行为偏好知识向量；基于所述第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一个性化兴趣关系网；

基于所述第一个性化兴趣关系网，对所述第一原始行为偏好知识向量进行优化，确定出完成优化的第一原始行为偏好知识向量；基于所述完成优化的第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一多元回归分析关系网。

2.根据权利要求1所述的方法，其特征在于，所述基于所述第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一个性化兴趣关系网，包括：

获得所述目标云游戏交互大数据的第一用户体验反馈字段；

基于所述第一原始行为偏好知识向量，以及所述目标云游戏交互大数据的第一用户体验反馈字段，确定出所述目标云游戏交互大数据的第一个性化兴趣关系网。

3.根据权利要求1所述的方法，其特征在于，所述基于所述第一个性化兴趣关系网，对所述第一原始行为偏好知识向量进行优化，确定出完成优化的第一原始行为偏好知识向量，包括：基于所述第一个性化兴趣关系网，确定U个第一活跃互动事件，其中，U为大于1的整数；对所述第一原始行为偏好知识向量中，所述U个第一活跃互动事件的基础知识向量进行优化，确定出完成优化的第一原始行为偏好知识向量；

其中，所述基于所述第一个性化兴趣关系网，确定U个第一活跃互动事件，包括：将所述第一个性化兴趣关系网中匹配于个性化兴趣的可能性值最高的U个关系网成员，确定为U个第一活跃互动事件；

其中，所述对所述第一原始行为偏好知识向量中，所述U个第一活跃互动事件的基础知识向量进行优化，确定出完成优化的第一原始行为偏好知识向量，包括：基于所述第一原始行为偏好知识向量，确定出所述U个第一活跃互动事件的基础知识向量；对所述U个第一活跃互动事件的基础知识向量进行滑动滤波处理，确定出所述U个第一活跃互动事件的已优化知识向量；基于所述U个第一活跃互动事件的已优化知识向量，优化所述第一原始行为偏好知识向量中所述U个第一活跃互动事件的基础知识向量，确定出完成优化的第一原始行为偏好知识向量。

4.根据权利要求1所述的方法，其特征在于，所述基于智能可视化的云游戏大数据挖掘方法通过AI计算机模型进行处理，所述AI计算机模型包括X层回归分析子模型，其中，X为不小于1的整数；所述X层回归分析子模型中的任意一层回归分析子模型包括第一模型算法单元；

所述基于所述第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一个性化兴趣关系网，包括：对于所述X层回归分析子模型中的任意一层回归分析子模型，将所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量和所述目标云游戏交互大数据的第一用户体验反馈字段传入该层回归分析子模型的第一模型算法单元，借助该层回归分析子模型的第一模型算法单元生成所述目标云游戏交互大数据对应于该层回归分析子模型的第一个性化兴趣关系网。

5.根据权利要求4所述的方法，其特征在于，在所述对于所述X层回归分析子模型中的任意一层回归分析子模型，将所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量和所述目标云游戏交互大数据的第一用户体验反馈字段传入该层回归分析子模型的第一模型算法单元之前，所述方法还包括：

获得云游戏交互大数据样本的兴趣关系网正例样本和所述云游戏交互大数据样本的兴趣关系网负例样本；

通过该层回归分析子模型的第一模型算法单元，对所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量和所述云游戏交互大数据样本的第二用户体验反馈字段进行处理，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网和所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网；

基于所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网、所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网、所述云游戏交互大数据样本的兴趣关系网正例样本和所述云游戏交互大数据样本的兴趣关系网负例样本，调试所述AI计算机模型。

6.根据权利要求5所述的方法，其特征在于，所述通过该层回归分析子模型的第一模型算法单元，对所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量和所述云游戏交互大数据样本的第二用户体验反馈字段进行处理，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网和所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网，包括：

通过该层回归分析子模型的第一模型算法单元，对所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量和所述云游戏交互大数据样本的第二用户体验反馈字段进行处理，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的个性化兴趣向量；

基于所述云游戏交互大数据样本对应于该层回归分析子模型的个性化兴趣向量，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网；

基于所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量和所述云游戏交互大数据样本对应于该层回归分析子模型的个性化兴趣向量，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣向量；

基于所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣向量，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网。

7.根据权利要求6所述的方法，其特征在于，所述基于所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣向量，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网，包括：

获得所述云游戏交互大数据样本对应于该层回归分析子模型的隐含兴趣知识向量；

基于所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣向量，以及所述云游戏交互大数据样本对应于该层回归分析子模型的隐含兴趣知识向量，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的非个性化兴趣关系网。

8.根据权利要求7所述的方法，其特征在于，所述X层回归分析子模型中的任意一层回归分析子模型包括第二模型算法单元；

所述基于所述第一个性化兴趣关系网，对所述第一原始行为偏好知识向量进行优化，确定出完成优化的第一原始行为偏好知识向量，包括：对于所述X层回归分析子模型中的任意一层回归分析子模型，将所述目标云游戏交互大数据对应于该层回归分析子模型的第一个性化兴趣关系网和所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量传入该层回归分析子模型的第二模型算法单元，借助该层回归分析子模型的第二模型算法单元生成所述目标云游戏交互大数据对应于该层回归分析子模型的完成优化的第一原始行为偏好知识向量。

9.根据权利要求8所述的方法，其特征在于，所述X层回归分析子模型中的任意一层回归分析子模型还包括第三模型算法单元；

在所述对于所述X层回归分析子模型中的任意一层回归分析子模型，将所述目标云游戏交互大数据对应于该层回归分析子模型的第一个性化兴趣关系网和所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量传入该层回归分析子模型的第二模型算法单元之前，所述方法还包括：

通过该层回归分析子模型的第二模型算法单元，对云游戏交互大数据样本对应于该层回归分析子模型的第二个性化兴趣关系网和所述云游戏交互大数据样本对应于该层回归分析子模型的第二原始行为偏好知识向量进行处理，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的完成优化的第二原始行为偏好知识向量；

通过该层回归分析子模型的第三模型算法单元，对所述云游戏交互大数据样本对应于该层回归分析子模型的完成优化的第二原始行为偏好知识向量进行处理，确定出所述云游戏交互大数据样本对应于该层回归分析子模型的第二多元回归分析关系网；

基于所述云游戏交互大数据样本的多元回归分析正例样本和所述云游戏交互大数据样本对应于该层回归分析子模型的第二多元回归分析关系网，调试所述AI计算机模型；

其中，X大于1，所述AI计算机模型还包括专家知识挖掘子模型；所述获得目标云游戏交互大数据的第一原始行为偏好知识向量，包括以下至少一项：对于所述X层回归分析子模型中的任意一层回归分析子模型，响应于该层回归分析子模型为所述X层回归分析子模型的第一层回归分析子模型，通过所述专家知识挖掘子模型提取所述目标云游戏交互大数据的高阶知识向量，确定出所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量；对于所述X层回归分析子模型中的任意一层回归分析子模型，响应于该层回归分析子模型不是所述第一层回归分析子模型，基于所述目标云游戏交互大数据对应于该层回归分析子模型的前一层回归分析子模型的完成优化的第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据对应于该层回归分析子模型的第一原始行为偏好知识向量；

其中，所述基于所述完成优化的第一原始行为偏好知识向量，确定出所述目标云游戏交互大数据的第一多元回归分析关系网，包括：通过所述X层回归分析子模型中的尾层回归分析子模型，对所述目标云游戏交互大数据对应于所述尾层回归分析子模型的完成优化的第一原始行为偏好知识向量进行处理，确定出所述目标云游戏交互大数据的第一多元回归分析关系网；

其中，所述AI计算机模型基于所述X层回归分析子模型对应的模型质量指标的设定运算结果进行调试。

10.一种智能大数据系统，其特征在于，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权利要求1-9任一项所述的方法的处理器。

Images