CN116510306A - 一种游戏信息的处理方法、装置、计算机设备及存储介质 - Google Patents
一种游戏信息的处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116510306A CN116510306A CN202310546416.2A CN202310546416A CN116510306A CN 116510306 A CN116510306 A CN 116510306A CN 202310546416 A CN202310546416 A CN 202310546416A CN 116510306 A CN116510306 A CN 116510306A
- Authority
- CN
- China
- Prior art keywords
- information
- text
- processed
- game
- coding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 29
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000003672 processing method Methods 0.000 title abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 219
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000013145 classification model Methods 0.000 claims description 98
- 239000013598 vector Substances 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 54
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 208000030560 Abnormality of the skin Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/60—Methods for processing data by generating or executing the game program
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种游戏信息的处理方法、装置、计算机设备及存储介质。本方案通过获取指定游戏的待处理游戏问题信息中的待处理文本与待处理图像,对待处理文本和待处理图像分别进行编码处理,得到文本编码信息和图像编码信息,进一步的,基于文本编码信息与图像编码信息确定待处理游戏问题信息对应的目标编码信息;确定目标编码信息归类于不同处理人员的目标概率信息,以根据目标概率信息从多个处理人员中确定需要对游戏问题信息文本进行处理的目标处理人员,准确定位出游戏问题信息文本对应的处理人员,可以提高对游戏问题信息的处理效率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种游戏信息的处理方法、装置、计算机设备及存储介质。
背景技术
随着互联网的不断普及和网络游戏的发展,游戏玩家群体不断扩大。为了保证游戏质量以及满足玩家的游戏需求,游戏开发团队的人数不断增加。游戏开发团队可以通过多人协作软件来配合完成游戏的制作,协作软件可以记录管理游戏项目的需求以及bug单,团队成员可以直观清晰的查询到自己需要跟进制作的需求或者bug单。
游戏测试属于游戏开发过程中较为重要的一个环节,当测试人员检测出游戏中的bug后,测试人员需要将bug提交给游戏开发团队中的相关负责人员。
相关技术中,测试人员通过与当前bug内容相似的历史bug单号,或者当前bug内容与历史bug单的内容相似,进而从多人协作软件的历史bug库中搜索相关内容的bug单,然后进一步确定当前bug对应的负责人员。但是,上述通过历史bug单的单号查找以及通过当前bug内容查找的方式,需要测试人员输入准确的历史bug单号以及当前bug的内容,对测试人员的输入要求较高,导致测试人员需要花费较多时间提交bug单,从而影响游戏bug的处理效率。
发明内容
本申请实施例提供一种游戏信息的处理方法、装置、计算机设备及存储介质,可以提高对游戏问题信息的处理效率。
本申请实施例提供了一种游戏信息的处理方法,包括:
获取指定游戏的待处理游戏问题信息,所述待处理游戏问题信息包括待处理文本与待处理图像;
对所述待处理文本进行编码处理,得到所述待处理文本对应的文本编码信息;
对所述待处理图像进行编码处理,得到所述待处理图像对应的图像编码信息;
基于所述文本编码信息与所述图像编码信息确定所述待处理游戏问题信息对应的目标编码信息;
确定所述目标编码信息归类于不同处理人员的目标概率信息,其中,所述处理人员用于对所述指定游戏的游戏问题信息进行处理;
基于所述目标概率信息从所述不同处理人员中确定所述待处理游戏问题信息对应的目标处理人员。
相应的,本申请实施例还提供了一种游戏信息的处理装置,包括:
第一获取单元,用于获取指定游戏的待处理游戏问题信息,所述待处理游戏问题信息包括待处理文本与待处理图像;
第一处理单元,用于对所述待处理文本进行编码处理,得到所述待处理文本对应的文本编码信息;
第二处理单元,用于对所述待处理图像进行编码处理,得到所述待处理图像对应的图像编码信息;
第一确定单元,用于基于所述文本编码信息与所述图像编码信息确定所述待处理游戏问题信息对应的目标编码信息;
第二确定单元,用于确定所述目标编码信息归类于不同处理人员的目标概率信息,其中,所述处理人员用于对所述指定游戏的游戏问题信息进行处理;
第三确定单元,用于基于所述目标概率信息从所述不同处理人员中确定所述待处理游戏问题信息对应的目标处理人员。
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游戏信息的处理方法。
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,以执行如上的游戏信息的处理方法。
本申请实施例通过获取指定游戏的待处理游戏问题信息中的待处理文本与待处理图像,对待处理文本和待处理图像分别进行编码处理,得到文本编码信息和图像编码信息,进一步的,基于文本编码信息与图像编码信息确定待处理游戏问题信息对应的目标编码信息;确定目标编码信息归类于不同处理人员的目标概率信息,根据目标概率信息从多个处理人员中确定需要对游戏问题信息文本进行处理的目标处理人员,准确定位出游戏问题信息文本对应的处理人员,可以提高对游戏问题信息的处理效率。
附图说明
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。
图1为本申请实施例提供的一种游戏信息的处理方法的流程示意图。
图2为本申请实施例提供的另一种游戏信息的处理方法的流程示意图。
图3为本申请实施例提供的一种游戏信息的处理装置的结构框图。
图4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
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。
本申请实施例提供一种游戏信息的处理方法、装置、存储介质及计算机设备。具体地,本申请实施例的游戏信息的处理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。
例如,该计算机设备可以是服务器,该服务器可以从获取指定游戏的待处理游戏问题信息,待处理游戏问题信息包括待处理文本与待处理图像;对待处理文本进行编码处理,得到待处理文本对应的文本编码信息;对待处理图像进行编码处理,得到待处理图像对应的图像编码信息;基于文本编码信息与图像编码信息确定待处理游戏问题信息对应的目标编码信息;确定目标编码信息归类于不同处理人员的目标概率信息,其中,处理人员用于对指定游戏的游戏问题信息进行处理;基于目标概率信息从不同处理人员中确定待处理游戏问题信息对应的目标处理人员。
基于上述问题,本申请实施例提供第一种游戏信息的处理方法、装置、计算机设备及存储介质,可以提高对游戏问题信息的处理效率。
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。
本申请实施例提供一种游戏信息的处理方法,该方法可以由终端或服务器执行,本申请实施例以游戏信息的处理方法由服务器执行为例来进行说明。
请参阅图1,图1为本申请实施例提供的一种游戏信息的处理方法的流程示意图。该游戏信息的处理方法的具体流程可以如下:
101、获取指定游戏的待处理游戏问题信息。
在本申请实施例中,游戏问题信息指的是游戏bug信息,游戏bug信息可以为通过游戏测试人员对指定游戏进行测试,检测出的游戏bug。游戏问题信息至少可以包括游戏bug内容、trace信息,图像信息等。其中,trace信息指的是游戏测试的报错信息,包括报错的游戏代码以及报错的问题;图像信息指的是游戏测试中的游戏bug画面。
具体的,待处理游戏问题信息指的是需要处理的指定游戏的游戏问题信息,待处理游戏问题信息可以包括待处理文本与待处理图像。待处理文本与待处理图像可以用于查询待处理游戏问题信息对应的处理人员,使得处理人员可以根据游戏问题信息对游戏bug进行修改。
其中,待处理文本指的是待处理游戏问题信息的文本内容,比如,待处理文本为待处理游戏问题信息中的游戏bug内容,trace信息等;待处理图像指的是待处理游戏问题信息的图像内容,比如,待处理图像可以为待处理游戏问题信息中的游戏bug画面。
在一些实施例中,待处理文本与待处理图像可以为用户(如测试人员等)输入。具体的,用户可以通过查询客户端输入待处理文本与待处理图像,查询客户端可以根据待处理文本与待处理图像向服务器发送处理人员查询请求,使得服务器在接收到该查询请求后可以基于待处理文本与待处理图像从指定游戏的所有处理人员中查询到待处理游戏问题信息对应的处理人员。
例如,游戏测试人员在对指定游戏进行测试过程中,检测出游戏bug1,则游戏测试人员可以通过查询客户端输入游戏bug1的内容(如bug标题等)和trace信息,作为待处理文本,以及输入游戏bug画面,作为待处理图像,从而触发查询游戏bug1对应的处理人员。
在一些实施例中,为了准确查询出待处理游戏问题信息对应的处理人员,步骤“获取指定游戏的待处理游戏问题信息”,可以包括以下操作:
获取用户输入的待处理的游戏问题内容以及游戏问题画面;
从模块负责人信息中检索出与游戏问题内容对应的候选处理人员;
基于游戏问题内容、游戏问题画面以及候选处理人员,得到待处理游戏问题信息。
其中,待处理的游戏问题内容也即通过游戏测试人员对指定游戏进行测试,检测出的游戏bug内容以及trace信息;待处理的游戏问题画面也即该检测出的游戏bug内容对应的游戏bug画面。
在本申请实施例中,对于游戏内容较多的指定游戏,可以将指定游戏划分为多个模块,为每一模块对应分配项目组中的至少一个处理人员负责。其中,模块负责人信息包括指定游戏的各个游戏模块分别对应的处理人员。
例如,指定游戏可以包括游戏模块1,游戏模块2,游戏模块3等。指定游戏的项目组中的处理人员可以包括:人员A,人员B,人员C,人员D等,可以为游戏模块1分配给人员A进行负责,可以将游戏模块2分配给人员B和人员C进行负责,以及将游戏模块3分配给人员D进行负责。
具体的,根据游戏问题内容确定候选处理人员可以根据游戏bug内容以及trace信息确定对应的目标游戏模块,然后根据该目标游戏模块对应的处理人员,作为游戏问题内容对应的候选处理人员;或者可以根据游戏bug内容以及trace信息进行关键词搜索的方式,从模块负责人信息中检索到对应的处理人员,作为游戏问题内容对应的候选处理人员。
进而根据游戏问题内容、游戏问题画面以及候选处理人员,得到待处理游戏问题信息,也即将候选处理人员添加至待处理游戏问题信息中。则待处理文本可以包括游戏bug内容、trace信息以及候选处理人员。
102、对待处理文本进行编码处理,得到待处理文本对应的文本编码信息。
具体的,对待处理文本进行编码处理指的是对待处理文本进行特征提取,得到待处理文本的文本特征,作为待处理文本的数字化表达,得到待处理文本对应的文本编码信息。
由于待处理文本中包括多种文本,为了提高编码效率,本方案通过多种编码方式分别对待处理文本中不同的文本进行编码处理,可以得到待处理文本中不同的文本在不同编码方式下得到的编码信息,从而得到待处理文本对应的文本编码信息。
在一些实施例中,待处理游戏问题信息至少可以包括游戏问题内容,则待处理文本包括游戏问题内容对应的第一待处理文本。比如,游戏问题内容可以为游戏bug内容和trace信息,那么,第一待处理文本可以为游戏bug内容和trace信息对应的文本,则步骤“对待处理文本进行编码处理,得到待处理文本对应的文本编码信息”,可以包括以下操作:
将第一待处理文本输入训练后文本编码模型;
基于训练后文本编码模型对第一待处理文本中的关键词进行词向量编码,得到各关键词对应的编码后词向量;
对编码后词向量进行加权处理,确定第一待处理文本对应的句向量,得到文本编码信息。
其中,训练后文本编码模型可以用于对游戏问题内容对应的第一待处理文本进行编码处理,得到游戏问题内容对应的第一文本编码信息。具体的,将第一待处理文本输入训练后文本编码模型,通过该训练后文本编码模型对第一待处理文本中的文本关键词进行词向量编码处理,得到各关键词对应的编码后词向量,进而根据各编码后词向量的加权处理结果,得到第一待处理文本对应的句向量,可以作为第一待处理文本对应的第一文本编码信息。
在本申请实施例中,训练后文本编码模型可以为word2vec模型,word2vec是从大量文本语料中以无监督的方式学习语义知识的一种模型,具体通过学习文本来用词向量的方式表征词的语义信息,即通过一个嵌入空间使得语义上相似的单词在该空间内距离很近。
具体的,word2vec模型可以包括多种方式,比如,skip-gram或者cbow的方式,cbow和skip-gram都是在word2vec中用于将文本进行向量表示的实现方法。其中,cbow是用周围词预测中心词,训练过程中其实是在从output的loss学习周围词的信息也就是embedding,但是在中间层是average的,一共预测V次;skip-gram是用中心词预测周围词,对每一个中心词都有K个词作为output,对一个词的预测有K次,所以能够更有效的从上下文中学习信息,共预测K*V次。则在本申请实施例中,可以采用skip-gram或者cbow作为文本编码模型对第一待处理文本进行编码处理。
在一些实施例中,在将第一待处理文本输入训练后文本编码模型前,可以先从第一待处理文本中提取关键词,得到第一待处理文本中与指定游戏相关的词汇,作为需要进行编码的关键词,然后将第一待处理文本中的关键词进行编码处理,以保证编码的准确性。
具体的,从第一待处理文本中提取关键词可以包括以下操作:
对第一待处理文本进行分词处理,确定第一待处理文本的词汇集合;
从词汇集合中筛选出与指定游戏相关的词汇,得到文本关键词。
其中,对第一待处理文本进行分词处理可以基于词典进行分词,词典中包括多个词汇。
在本申请实施例中,由于是对于指定游戏有关的文本进行分词处理,且指定游戏中存在较多的游戏专用词汇,为了提高文本分词准确性,可以根据指定游戏中的词汇扩充词典,使得扩充后的词典可以包括与指定游戏的内容相关的词汇。
具体的,可以采用分词算法基于词典对第一待处理文本进行分词处理。分词算法可以包括多种,比如,分词算法可以为jieba分词算法。
其中,jieba分词是一款中文开源分词包,jieba分词算法本质是对词典里的词进行基于统计的分词,对于词典中不存在的词,使用预先训练好的起始状态、转移概率和观测概率的隐马尔科夫模型判定是否为一个词。jieba分词算法包括新词识别能力,以及jieba分词算法允许开发者自行添加新词可以保证更高的分词准确率。
具体的,通过jieba分词算法对第一待处理文本进行分词处理可以包括:根据词典将第一待处理文本划分为多个词汇,得到第一待处理文本对应的词汇集合,然后可以从词汇集合中选取出与指定游戏相关的词汇,从而得到文本关键词。
例如,对第一待处理文本进行分词处理,得到第一待处理文本的关键词可以包括:关键词1,关键词2,关键词3,关键词4,关键词5。进一步的,通过训练后文本编码模型对各个关键词进行词向量编码,得到各个关键词对应的编码后词向量,其中,各个关键词对应的编码后词向量的长度相同,然后对第一待处理文本中各个关键词的编码后词向量进行加权处理,得到第一待处理文本的句向量,作为第一文本编码信息。
在一些实施例中,为了进一步提高对第一待处理文本进行编码的准确性,在步骤“将第一待处理文本输入训练后文本编码模型”之前,还可以包括以下步骤:
采集指定游戏的历史游戏问题信息中历史游戏问题内容对应的文本;
根据历史游戏问题内容中各文本类型的文本,分别对各文本类型对应的预设文本编码模型进行训练,得到各文本类型对应的训练后文本编码模型。
其中,历史游戏问题信息指的是历史时间段内对指定游戏进行测试,检测出的游戏bug信息,历史游戏问题信息包括历史游戏问题内容,也即历史游戏bug内容和历史trace信息。具体的,历史游戏问题内容对应的文本也即历史游戏bug内容和历史trace信息对应的文本。
在本申请实施例中,历史游戏问题信息可以包括多个,通过多个历史游戏问题信息中的历史游戏问题内容作为训练样本,对预设文本编码模型进行训练,即可以得到训练后文本编码模型。
其中,由于第一待处理文本可以为游戏bug内容和trace信息对应的文本,游戏bug内容和trace信息分别属于不同类型,则第一待处理文本包括多个文本类型的文本。
例如,游戏bug内容大多为中文,可以为“园丁幽灵公主皮肤手持物透明异常”,属于中文类型;trace信息大多为英文,可以为“'set'object has no attribute'items'”,属于英文类型。也即第一待处理文本至少可以包括中文类型和英文类型的文本。
在本申请实施例中,考虑到不同文本类型的文本,可以针对不同文本类型的文本分别训练对应的文本编码模型。
具体的,根据历史游戏问题内容中各文本类型的文本,分别对各文本类型对应的预设文本编码模型进行训练,得到各文本类型对应的训练后文本编码模型可以包括:
根据历史游戏问题内容中的历史游戏bug内容,对预设word2vec模型进行训练,得到中文类型对应的训练后文本编码模型,可以用于对第一待处理文本中的中文文本进行编码处理;以及根据历史游戏问题内容中的历史trace信息,对预设word2vec模型进行训练,得到英文类型对应的训练后文本编码模型,可以用于对第一待处理文本中的英文文本进行编码处理。
在一些实施例中,则步骤“将第一待处理文本输入训练后文本编码模型”,可以包括以下操作:
将第一待处理文本中各文本类型的文本分别输入各文本类型对应的训练后文本模型。
例如,第一待处理文本中的中文文本(如bug标题)可以为“园丁幽灵公主皮肤手持物透明异常”,对中文文本进行分词处理,得到的中文关键词包括:‘园丁’,‘幽灵公主’,‘皮肤’,‘手持物’,‘透明’,‘异常’,然后通过中文类型对应的训练后文本编码模型,对各个中文关键词进行词向量编码,得到各个中文关键词对应的编码后词向量,比如,‘园丁’对应的编码后词向量可以为:[0.96,0.25,0.41,1.02,0.11,-0.73,0.05],然后对各编码后词向量进行加权处理,得到中文文本对应的句向量,作为中文文本的编码信息。
例如,第一待处理文本中的英文文本(如报错代码)可以为“AttributeError:'set'object has no attribute'items'”,对英文文本进行分词处理,得到英文关键词包括:'AttributeError','set','object','has','no','attribute','items',然后通过英文类型对应的训练后文本编码模型,对各个英文关键词进行词向量编码,得到各个英文关键词对应的编码后词向量,比如,'AttributeError'对应的编码后词向量可以为:[0.13,0.15,0.17,-1.02,0.11,-0.73,0.07],然后对各编码后词向量进行加权处理,得到英文文本对应的句向量,作为英文文本的编码信息。
在一些实施例中,待处理游戏问题信息至少可以包括候选处理人员,则待处理文本包括候选处理人员对应的第二待处理文本。则步骤“对待处理文本进行编码处理,得到待处理文本对应的文本编码信息”,可以包括以下操作:
对第二待处理文本进行一位有效编码,确定第二待处理文本对应的编码信息。
其中,一位有效编码也即one-hot编码,主要是采用N位状态寄存器来对N个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候只有一位有效。one-hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后,每个整数值被表示为二进制向量,除了整数的索引之外,它都是零值,它被标记为1。
例如,处理人员列表包括:人员A,人员B,人员C,人员D,人员E。候选处理人员可以为:人员C,则对人员C进行one-hot编码,得到第二待处理文本对应的编码信息可以为:[0,0,0,0,0,0,1]。
在一些实施例中,候选处理人员的数量可能为多个,此时,可以对每一候选处理人员的one-hot编码进行加权处理,得到第二待处理文本对应的编码信息,则步骤“对待处理文本进行编码处理,得到待处理文本对应的文本编码信息”,可以包括以下操作:
对第二候选文本中的每一候选处理人员分别进行一位有效编码,得到各候选处理人员对应的编码信息;
对各候选处理人员对应的编码信息进行加权处理,得到文本编码信息。
例如,处理人员列表包括:人员A,人员B,人员C,人员D,人员E。候选处理人员可以为:人员A和人员B,则对人员A进行one-hot编码,得到人员A对应的编码信息可以为:[0,1,0,0,0,0,0],对人员B进行one-hot编码,得到人员B对应的编码信息可以为:[1,0,0,0,0,0,0],然后对编码[0,1,0,0,0,0,0]和编码[1,0,0,0,0,0,1]进行加权处理,得到加权编码为:[0.5,0.5,0,0,0,0,0],作为第二待处理文本对应的文本编码信息。
103、对待处理图像进行编码处理,得到待处理图像对应的图像编码信息。
具体的,对待处理图像进行编码处理指的是对待处理图像进行特征提取,得到待处理图像的图像特征,作为待处理图像的数字化表达,得到待处理图像对应的图像编码信息。
在一些实施例中,步骤“对待处理图像进行编码处理,得到待处理图像对应的图像编码信息”,可以包括以下操作:
通过第一神经网络模型对待处理图像进行特征提取,得到待处理图像的多维图像特征;
对多维图像特征进行展平处理,得到图像编码信息。
其中,第一神经网络模型可以为CNN(Convolutional Neural Networks,卷积神经网络)模型,可以用于对图像进行特征提取。具体的,将待处理图像输入CNN模型,通过CNN模型提取待处理图像在多个维度的特征,得到待处理图像的多维图像特征。
进一步的,对于多维图像特征进行展平处理,比如,通过网络模型的flatten层将多维图像特征压缩成一维图像特征,可以将展平处理后的图像特征作为图像编码信息。
104、基于文本编码信息与图像编码信息确定待处理游戏问题信息对应的目标编码信息。
其中,目标编码信息指的是对待处理游戏问题信息中的文本与图像分别进行编码处理后,得到的编码信息。
在一些实施例中,步骤“基于文本编码信息与图像编码信息确定待处理游戏问题信息对应的目标编码信息”,可以包括以下操作:
将文本编码信息输入第二神经网络进行处理,得到处理后文本编码信息;
将处理后文本编码信息与图像编码信息进行拼接,得到目标编码信息。
其中第二神经网络模型可以为ANN(Artificial Neural Networks,人工神经网络)模型,可以用于对文本编码信息进行文本特征优化处理。具体的,将文本编码信息输入ANN模型,通过ANN模型对文本编码信息中的文本特征进行优化处理,得到处理后文本编码信息。
进一步的,将处理后文本编码信息与图像编码信息进行拼接,比如,可以通过网络模型的concat层进行拼接处理,从而得到待处理游戏问题信息的目标编码信息。
105、确定目标编码信息归类于不同处理人员的目标概率信息。
其中,处理人员用于对指定游戏的游戏问题信息进行处理。处理人员也即参与指定游戏制作的项目组成员。在指定游戏的制作过程汇总,需要多个处理人员共同协作,不同处理人员可以负责制作指定游戏的不同模块,当处理人员完成对指定游戏的制作后,需要游戏测试人员对指定游戏进行测试,检验指定游戏是否出错,若检测出bug,则需要从处理人员中查询出该bug部分对应的处理人员,以将bug指派给对应的处理人员进行修改。
具体的,确定后目标编码信息归类于不同处理人员的目标概率信息,可以通过分类模型计算目标编码信息归类于不同处理人员的概率值,得到目标概率信息。
在本申请实施例中,为了准确预测待处理游戏问题信息对应的处理人员,设计多个阶段的分类模型,则步骤“确定目标编码信息归类于不同处理人员的目标概率信息”,可以包括以下操作:
将目标编码信息输入训练后一阶分类模型;
基于训练后一阶分类模型计算目标编码信息归类于每一人员类型的概率值,得到第一概率信息;
将第一概率信息与目标编码信息输入训练后二阶分类模型;
基于训练后二阶分类模型以及第一概率信息计算目标编码信息归类于每一处理人员的概率值,得到目标概率信息。
在本申请实施例中,指定游戏可以包括多个游戏模块,不同游戏模块对应有处理人员,为了方便查询不同游戏模块的处理人员,可以根据游戏模块的功能对处理人员进行职业分类,确定各处理人员所属的人员类型。则本方案中不同处理人员包括不同职业类型的处理人员。
例如,指定游戏包括:游戏美术模块、游戏策划模块和游戏程序模块等。游戏美术模块对应的处理人员可以为人员A,游戏策划模块对应的处理人员可以为人员B,游戏程序模块对应的处理人员可以为人员C。进而基于不同游戏模块的功能对处理人员进行职业分类,可以将人员A的职业分类设定为美术类,将人员B的职业分类设定为策划类,将人员C的职业分类设定为程序类。
其中,训练后一阶分类模型可以用于计算目标编码型归类于不同人员类型的概率值,得到第一概率信息。
例如,参与制作指定游戏的处理人员所属的人员类型可以包括:美术类、策划类以及程序类等。通过训练后一阶分类模型计算目标编码信息归类于美术类的概率可以为:0.2,归类于策划类的概率可以为:0.7,归类于程序类的概率可以为:0.1,从而得到第一概率信息。
其中,训练后二阶分类模型可以用于计算目标编码信息归类于每一处理人员的概率值。具体的,将目标编码信息以及第一概率信息输入训练后二阶分类模型,通过训练后二阶分类模型根据第一概率信息计算目标编码信息归类于每一处理人员的概率值,得到目标概率信息。
例如,参与制作指定游戏的处理人员可以包括:人员A,人员B,人员C,人员D等。将第一概率信息与目标编码信息输入训练后二阶分类模型,计算目标编码信息归类于人员A的概率可以为:0.3,归类于人员B的概率可以为:0.2,归类于人员C的概率可以为:0.11,归类于人员D的概率可以为:0.39,从而得到目标概率信息。
在一些实施例中,为了提高训练后一阶分类模型的计算准确性,在步骤“将目标编码信息输入训练后一阶分类模型”之前,还可以包括以下步骤:
获取指定游戏的历史游戏问题信息对应的历史编码信息;
获取各历史游戏问题信息对应的实际处理人员对应的实际人员类型;
基于历史编码信息与实际人员类型对预设一阶分类模型进行训练,得到训练后一阶分类模型。
其中,历史编码信息可以为通过对历史游戏问题信息中的文本与图像分别进行编码得到。
其中,实际人员类型指的是历史游戏问题信息实际对应的处理人员所属的职业类别。
具体的,通过历史游戏问题信息对应的历史编码信息和实际人员类型对预设一阶分类模型进行训练,得到训练后一阶分类模型,以使得训练后一阶分类模型可以基于输入的游戏问题信息的编码信息,输出该编码信息在各人员类型下的概率值。
在一些实施例中,步骤“基于历史编码信息与实际人员类型对预设一阶分类模型进行训练,得到训练后一阶分类模型”,可以包括以下操作:
根据历史编码信息与实际人员类型生成第一训练样本对;
基于第一训练样本对对预设一阶分类模型进行训练,得到第一训练样本对中历史编码信息归类于每一人员类型的第一预测概率值;
获取第一训练样本对中历史编码信息归类于每一处理人员的第一实际概率值;
通过第一预测概率值与第一实际概率值对预设一阶分类模型的模型参数进行调整,直至预设一阶分类模型收敛,得到训练后一阶分类模型。
在一些实施例中,为了提高训练后二阶分类模型的计算准确性,在步骤“将第一概率信息与目标编码信息输入训练后二阶分类模型”之前,还可以包括以下步骤:
基于历史编码信息、实际处理人员以及实际人员类型对预设二阶分类模型进行训练,得到训练后二阶分类模型。
具体的,通过历史问题信息对应的历史编码信息、实际人员类型以及实际处理人员对预设二阶分类模型进行训练,得到训练后二阶分类模型,以使得训练后二阶分类模型可以基于输入的游戏问题信息的编码信息和第一概率信息,输出该编码信息在各处理人员下的概率值。
在一些实施例中,步骤“基于历史编码信息、实际处理人员以及实际人员类型对预设二阶分类模型进行训练,得到训练后二阶分类模型”,可以包括以下操作:
根据历史编码信息、实际人员类型以及实际处理人员生成第二训练样本对;
基于第二训练样本对对预设二阶分类模型进行训练,得到第二训练样本对中历史编码信息归类于每一处理人员的第二预测概率值;
获取第二训练样本对中历史编码信息归类于每一处理人员的第二实际概率值;
通过第二预测概率值与第二实际概率值对预设二阶分类模型的模型参数进行调整,直至预设二阶分类模型收敛,得到训练后二阶分类模型。
106、基于目标概率信息从不同处理人员中确定待处理游戏问题信息对应的目标处理人员。
其中,目标概率信息包括目标编码信息归类于每一处理人员的概率值。目标处理人员也即预测得到的用于对待处理游戏问题信息进行处理的人员。
在一些实施例中,步骤“基于目标概率信息从不同处理人员中确定待处理游戏问题信息对应的目标处理人员”,可以包括以下操作:
从目标概率信息中确定最高概率值;
基于最高概率值对应的处理人员,确定目标处理人员。
例如,目标概率信息包括:目标编码信息归类于人员A的概率可以为:0.3,归类于人员B的概率可以为:0.2,归类于人员C的概率可以为:0.11,归类于人员D的概率可以为:0.39。选取最高概率值为:0.39,从而可以将人员D作为目标处理人员。
进一步的,将目标处理人员作为查询结果提供给用户,使得用户将待处理游戏问题信息指派给该目标处理人员。
本申请实施例公开了一种游戏信息的处理方法,该方法包括:获取指定游戏的待处理游戏问题信息,待处理游戏问题信息包括待处理文本与待处理图像;对待处理文本进行编码处理,得到待处理文本对应的文本编码信息;对待处理图像进行编码处理,得到待处理图像对应的图像编码信息;基于文本编码信息与图像编码信息确定待处理游戏问题信息对应的目标编码信息;确定目标编码信息归类于不同处理人员的目标概率信息,其中,处理人员用于对指定游戏的游戏问题信息进行处理;基于目标概率信息从不同处理人员中确定待处理游戏问题信息对应的目标处理人员,从而可以提高对游戏问题信息的处理效率。
根据上述介绍的内容,下面将举例来进一步说明本申请的游戏信息的处理方法。请参阅图2,图2为本申请实施例提供的另一种游戏信息的处理方法的流程示意图,以该游戏信息的处理方法应用于终端为例,具体流程可以如下:
201、终端获取用户输入的游戏问题信息。
在本申请实施例中,游戏问题信息指的是测试人员对指定游戏进行测试,检测出的游戏bug相关的内容。游戏问题信息可以包括:bug标题、trace信息以及游戏bug图像。
202、终端根据游戏问题信息进行检索,得到候选处理人员信息。
首先,获取指定游戏的人员分工表,人员分工表中记录有各处理人员对应负责的游戏模块,比如,人员分工表可以包括:“祭司-人员A”、“机械师-人员B”、“园丁-人员C”等,则表示指定游戏中的“祭司”模块由人员A负责,“机械师”模块由人员B负责,“园丁”模块由人员C负责。
具体的,根据游戏问题信息进行检索,可以采用关键词搜索方式,也即搜索“祭司”,“机械师”,“园丁”这些与游戏模块对应的关键词是否出现在游戏问题信息中。
例如,游戏问题信息中的bug标题为:“园丁幽灵公主皮肤手持物透明异常”,存在关键词“园丁”,然后从人员分工表中检索“园丁”对应的负责人员为:人员C,作为候选处理人员。
203、终端对游戏问题信息中的文本内容以及候选处理人员信息进行文本编码,得到文本编码信息。
其中,游戏问题信息中的文本内容包括bug标题和trace信息。
在本申请实施例中,对于游戏问题信息中的文本内容可以通过训练好的word2vec模型进行词向量编码,对于候选处理人员信息可以进行one-hot编码。
其中,为了避免不同游戏问题信息的bug标题长度不同,在word2vec模型中可以设置输出的词向量长度,以保证通过训练好的word2vec模型进行词向量编码,可以保证编码信息的长度一致。
例如,bug标题可以为“园丁幽灵公主皮肤手持物透明异常”,对“园丁幽灵公主皮肤手持物透明异常”进行分词处理,得到多个关键词包括:‘园丁’,‘幽灵公主’,‘皮肤’,‘手持物’,‘透明’,‘异常’,然后通过中文文本训练好的word2vec模型进行词向量编码,得到各个关键词的编码后词向量,通过词向量加权生成句向量,得到bug标题对应的编码信息。
例如,trace信息可以为“AttributeError("'set'object has no attribute'items'")”,对“AttributeError("'set'object has no attribute'items'")”进行分词处理,得到多个关键词包括:'AttributeError','set','object','has','no','attribute','items',然后通过英文文本训练好的word2vec模型进行词向量编码,得到各个关键词的编码后词向量,通过词向量加权生成句向量,得到trace信息对应的编码信息。
例如,候选人员信息可以包括一个候选人员,如,员工C,根据处理人员列表对员工C进行one-hot编码,得到候选人员信息对应的编码信息;或者,候选人员信息可以包括多个候选人员,如,员工A和员工B,根据处理人员列表对员工A和员工B分别进行one-hot编码,得的员工A的编码和员工B编码,然后对员工A的编码和员工B编码进行加权处理,得到候选人员信息对应的编码信息。
具体的,将bug标题对应的编码信息、trace信息对应的编码信息以及候选人员信息对应的编码信息,作为文本编码信息。
204、终端对游戏问题信息中的图像内容进行图像编码,得到图像编码信息。
其中,游戏问题信息中的图像内容包括游戏bug图像。
在本申请实施例中,对于游戏bug图像可以通过CNN模型进行编码处理。具体的,将游戏bug图像输入CNN模型,通过CNN模型提取图像特征,作为游戏bug图像的数字化表达,即可得到图像编码信息。
205、终端将文本编码信息与图像编码信息进行拼接,得到目标编码信息。
具体的,将文本编码信息与图像编码信息进行拼接,比如,可以通过网络模型的concat层进行拼接处理,作为游戏问题信息的目标编码信息。
206、终端将目标编码信息输入训练后一阶分类模型中,计算目标编码信息归类于不同人员类型的第一概率信息。
在本申请实施例中,通过训练后一阶分类模型计算目标编码信息在不同人员类型下的概率值。由于在上述词向量编码模式中设置了词向量长度,因此一阶分类模型的输入为固定长度。一阶分类模型的输出为softmax三分类模式,三个类别分别为预设的人员类型,包括:程序、策划、美术。
具体的,将目标编码信息输入训练后一阶分类模型,通过训练后一阶分类模型计算目标编码信息在不同人员类型下的概率值,分别输出程序、策划、美术三者的概率,得到第一概率信息。
在对一阶分类模型进行训练时,可根据标签处理人员所在的人员类型(也即职业分类)为一阶分类模型设置标签,以历史游戏问题信息为例,历史游戏问题信息对应有实际的处理人员,根据实际处理人员所在的职业分类。若该历史游戏问题信息对应的实际处理人员为员工C,且员工C的职业分类属于策划,则一阶段分类模型的标签可以为:0,1,0,该标签也即策划的onehot的编码。在实际场景推理时,根据训练后一阶分类模型的输入,直接输出三种职业分类的概率。
207、终端将目标编码信息与第一概率信息输入训练后二阶分类模型中,计算目标编码信息归类于不同处理人员的第二概率信息。
在本申请实施例中,通过训练后二阶分类模型计算目标编码信息在不同处理人员下的概率值。训练后二阶分类模型的输入包括上述训练后一阶分类模型的输出结果以及目标编码信息,输出为softmax多分类模式,多个类别分别为各个处理人员。
具体的,将目标编码信息以及第一概率信息输入训练后二阶分类模型,通过训练后二阶分类模型计算目标编码信息在不同处理人员下的概率值,得到第二概率信息。
在对二阶分类模型进行训练时,可根据标签处理人员为二阶分类模型设置标签,以历史游戏问题信息为例,历史游戏问题信息对应有实际的处理人员。若该历史游戏问题信息对应的实际处理人员为员工C,则二阶段分类模型的标签可以为:[0,0,0,0,…,1],该标签也即员工C的onehot的编码。在实际场景推理时,根据训练后二阶分类模型的输入,直接输出各个处理人员的概率。
208、终端基于第二概率信息从多个处理人员中确定需要对游戏问题信息进行处理的目标处理人员。
具体的,从第二概率信息中确定最高概率,将最高概率对应的处理人员,作为需要对游戏问题信息进行处理的目标处理人员。
本申请实施例公开了一种游戏信息的处理方法,该方法包括:终端获取用户输入游戏问题信息,根据游戏问题信息进行检索,得到候选处理人员信息,对游戏问题信息中的文本内容以及候选处理人员信息进行文本编码,得到文本编码信息,对游戏问题信息中的图像内容进行图像编码,得到图像编码信息,将文本编码信息与图像编码信息进行拼接,得到目标编码信息,将目标编码信息输入训练后一阶分类模型中,计算目标编码信息归类于不同人员类型的第一概率信息,将目标编码信息与第一概率信息输入训练后二阶分类模型中,计算目标编码信息归类于不同处理人员的第二概率信息,基于第二概率信息从多个处理人员中确定需要对游戏问题信息进行处理的目标处理人员。以此,可以提高对游戏问题信息的处理效率。
为便于更好的实施本申请实施例提供的游戏信息的处理方法,本申请实施例还提供一种基于上述游戏信息的处理方法的游戏信息的处理装置。其中名词的含义与上述游戏信息的处理方法中相同,具体实现细节可以参考方法实施例中的说明。
请参阅图3,图3为本申请实施例提供的一种游戏信息的处理装置的结构框图,该装置包括:
第一获取单元301,用于获取指定游戏的待处理游戏问题信息,所述待处理游戏问题信息包括待处理文本与待处理图像;
第一处理单元302,用于对所述待处理文本进行编码处理,得到所述待处理文本对应的文本编码信息;
第二处理单元303,用于对所述待处理图像进行编码处理,得到所述待处理图像对应的图像编码信息;
第一确定单元304,用于基于所述文本编码信息与所述图像编码信息确定所述待处理游戏问题信息对应的目标编码信息;
第二确定单元305,用于确定所述目标编码信息归类于不同处理人员的目标概率信息,其中,所述处理人员用于对所述指定游戏的游戏问题信息进行处理;
第三确定单元306,用于基于所述目标概率信息从所述不同处理人员中确定所述待处理游戏问题信息对应的目标处理人员。
在一些实施例中,第一处理单元302可以包括:
第一输入子单元,用于将所述第一待处理文本输入训练后文本编码模型;
第一编码子单元,用于基于所述训练后文本编码模型对所述第一待处理文本中的关键词进行词向量编码,得到各关键词对应的编码后词向量;
第一处理子单元,用于对所述编码后词向量进行加权处理,确定所述第一待处理文本对应的句向量,得到所述文本编码信息。
在一些实施例中,该装置还可以包括:
采集单元,用于采集所述指定游戏的历史游戏问题信息中历史游戏问题内容对应的文本;
第一训练单元,用于根据所述历史游戏问题内容中各文本类型的文本,分别对各文本类型对应的预设文本编码模型进行训练,得到各文本类型对应的训练后文本编码模型。
在一些实施例中,第一输入子单元具体可以用于:
将所述第一待处理文本中各文本类型的文本分别输入各文本类型对应的训练后文本模型。
在一些实施例中,第一处理单元302可以包括:
第二编码子单元,用于对所述第二待处理文本进行一位有效编码,确定所述第二待处理文本对应的编码信息。
在一些实施例中,第一处理单元302可以包括:
第三编码子单元,用于对第二候选文本中的每一候选处理人员分别进行一位有效编码,得到各候选处理人员对应的编码信息;
第二处理子单元,用于对各候选处理人员对应的编码信息进行加权处理,得到所述文本编码信息。
在一些实施例中,第二处理单元303可以包括:
提取子单元,用于通过第一神经网络模型对所述待处理图像进行特征提取,得到所述待处理图像的多维图像特征;
展平子单元,用于对所述多维图像特征进行展平处理,得到所述图像编码信息。
在一些实施例中,第一确定单元304可以包括:
第二输入子单元,用于将所述文本编码信息输入第二神经网络进行处理,得到处理后文本编码信息;
拼接子单元,用于将所述处理后文本编码信息与所述图像编码信息进行拼接,得到所述目标编码信息。
在一些实施例中,第二确定单元305可以包括:
第三输入子单元,用于将所述目标编码信息输入训练后一阶分类模型;
第一计算子单元,用于基于所述训练后一阶分类模型计算所述目标编码信息归类于每一人员类型的概率值,得到第一概率信息,所述不同处理人员包括不同人员类型的处理人员;
第四输入子单元,用于将所述第一概率信息与所述目标编码信息输入训练后二阶分类模型;
第二计算子单元,用于基于所述训练后二阶分类模型以及所述第一概率信息计算所述目标编码信息归类于每一处理人员的概率值,得到所述目标概率信息。
在一些实施例中,该装置还可以包括:
第二获取单元,用于获取所述指定游戏的历史游戏问题信息对应的历史编码信息;
第三获取单元,用于获取各历史游戏问题信息对应的实际处理人员对应的实际人员类型;
第二训练单元,用于基于所述历史编码信息与所述实际人员类型对预设一阶分类模型进行训练,得到所述训练后一阶分类模型。
在一些实施例中,该装置还可以包括:
第三训练单元,用于基于所述历史编码信息、所述实际处理人员以及所述实际人员类型对预设二阶分类模型进行训练,得到所述训练后二阶分类模型。
在一些实施例中,第三确定单元306可以包括:
第一确定子单元,用于从所述目标概率信息中确定最高概率值;
第二确定子单元,用于基于所述最高概率值对应的处理人员,确定目标处理人员。
在一些实施例中,第一获取单元301可以包括:
第一获取子单元,用于获取用户输入的待处理的游戏问题内容以及游戏问题画面;
第三确定子单元,用于从模块负责人信息中检索出与所述游戏问题内容对应的候选处理人员,所述模块负责人信息包括所述指定游戏的各个游戏模块分别对应的处理人员;
第四确定子单元,用于基于所述游戏问题内容、所述游戏问题画面以及所述候选处理人员,得到所述待处理游戏问题信息。
本申请实施例公开了一种游戏信息的处理装置,通过第一获取单元301获取指定游戏的待处理游戏问题信息,所述待处理游戏问题信息包括待处理文本与待处理图像;第一处理单元302对所述待处理文本进行编码处理,得到所述待处理文本对应的文本编码信息;第二处理单元303对所述待处理图像进行编码处理,得到所述待处理图像对应的图像编码信息;第一确定单元304基于所述文本编码信息与所述图像编码信息确定所述待处理游戏问题信息对应的目标编码信息;第二确定单元305确定所述目标编码信息归类于不同处理人员的目标概率信息,其中,所述处理人员用于对所述指定游戏的游戏问题信息进行处理;第三确定单元306基于所述目标概率信息从所述不同处理人员中确定所述待处理游戏问题信息对应的目标处理人员。以此,可以提高对游戏问题信息的处理效率。
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终端。如图4所示,图4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。
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。
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:
获取指定游戏的待处理游戏问题信息,待处理游戏问题信息包括待处理文本与待处理图像;
对待处理文本进行编码处理,得到待处理文本对应的文本编码信息;
对待处理图像进行编码处理,得到待处理图像对应的图像编码信息;
基于文本编码信息与图像编码信息确定待处理游戏问题信息对应的目标编码信息;
确定目标编码信息归类于不同处理人员的目标概率信息,其中,处理人员用于对指定游戏的游戏问题信息进行处理;
基于目标概率信息从不同处理人员中确定待处理游戏问题信息对应的目标处理人员。
在一些实施例中,待处理游戏问题信息至少包括游戏问题内容,待处理文本包括游戏问题内容对应的第一待处理文本;
对待处理文本进行编码处理,得到待处理文本对应的文本编码信息,包括:
将第一待处理文本输入训练后文本编码模型;
基于训练后文本编码模型对第一待处理文本中的关键词进行词向量编码,得到各关键词对应的编码后词向量;
对编码后词向量进行加权处理,确定第一待处理文本对应的句向量,得到文本编码信息。
在一些实施例中,第一待处理文本包括多个文本类型的文本;
在将第一待处理文本输入训练后文本编码模型之前,还包括:
采集指定游戏的历史游戏问题信息中历史游戏问题内容对应的文本;
根据历史游戏问题内容中各文本类型的文本,分别对各文本类型对应的预设文本编码模型进行训练,得到各文本类型对应的训练后文本编码模型;
将第一待处理文本输入训练后文本编码模型,包括:
将第一待处理文本中各文本类型的文本分别输入各文本类型对应的训练后文本模型。
在一些实施例中,待处理游戏问题信息至少包括候选处理人员,待处理文本包括候选处理人员对应的第二待处理文本;
对待处理文本进行编码处理,得到待处理文本对应的文本编码信息,包括:
对第二待处理文本进行一位有效编码,确定第二待处理文本对应的编码信息。
在一些实施例中,候选处理人员的数量为多个;
对待处理文本进行编码处理,得到待处理文本对应的文本编码信息,包括
对第二候选文本中的每一候选处理人员分别进行一位有效编码,得到各候选处理人员对应的编码信息;
对各候选处理人员对应的编码信息进行加权处理,得到文本编码信息。
在一些实施例中,对待处理图像进行编码处理,得到待处理图像对应的图像编码信息,包括:
通过第一神经网络模型对待处理图像进行特征提取,得到待处理图像的多维图像特征;
对多维图像特征进行展平处理,得到图像编码信息。
在一些实施例中,基于文本编码信息与图像编码信息确定待处理游戏问题信息对应的目标编码信息,包括:
将文本编码信息输入第二神经网络进行处理,得到处理后文本编码信息;
将处理后文本编码信息与图像编码信息进行拼接,得到目标编码信息。
在一些实施例中,确定目标编码信息归类于不同处理人员的目标概率信息,包括:
将目标编码信息输入训练后一阶分类模型;
基于训练后一阶分类模型计算目标编码信息归类于每一人员类型的概率值,得到第一概率信息,不同处理人员包括不同人员类型的处理人员;
将第一概率信息与目标编码信息输入训练后二阶分类模型;
基于训练后二阶分类模型以及第一概率信息计算目标编码信息归类于每一处理人员的概率值,得到目标概率信息。
在一些实施例中,在将目标编码信息输入训练后一阶分类模型之前,还包括:
获取指定游戏的历史游戏问题信息对应的历史编码信息;
获取各历史游戏问题信息对应的实际处理人员对应的实际人员类型;
基于历史编码信息与实际人员类型对预设一阶分类模型进行训练,得到训练后一阶分类模型。
在一些实施例中,在将第一概率信息与目标编码信息输入训练后二阶分类模型之前,还包括:
基于历史编码信息、实际处理人员以及实际人员类型对预设二阶分类模型进行训练,得到训练后二阶分类模型。
在一些实施例中,目标概率信息包括目标编码信息归类于每一处理人员的概率值;
基于目标概率信息从不同处理人员中确定待处理游戏问题信息对应的目标处理人员,包括:
从目标概率信息中确定最高概率值;
基于最高概率值对应的处理人员,确定目标处理人员。
在一些实施例中,获取指定游戏的待处理游戏问题信息,包括:
获取用户输入的待处理的游戏问题内容以及游戏问题画面;
从模块负责人信息中检索出与游戏问题内容对应的候选处理人员,模块负责人信息包括指定游戏的各个游戏模块分别对应的处理人员;
基于游戏问题内容、游戏问题画面以及候选处理人员,得到待处理游戏问题信息。
本申请实施例通过获取指定游戏的待处理游戏问题信息中的待处理文本与待处理图像,对待处理文本和待处理图像分别进行编码处理,得到文本编码信息和图像编码信息,进一步的,基于文本编码信息与图像编码信息确定待处理游戏问题信息对应的目标编码信息;确定目标编码信息归类于不同处理人员的目标概率信息,以根据目标概率信息从多个处理人员中确定需要对游戏问题信息文本进行处理的目标处理人员,准确定位出游戏问题信息文本对应的处理人员,可以提高对游戏问题信息的处理效率。
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。
可选的,如图4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4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。
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、引导信息、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-EmittingDiode)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以确定触摸事件的游戏信息类型,随后处理器501根据触摸事件的游戏信息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。
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。
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。
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。
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。
尽管图4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。
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。
由上可知,本实施例提供的计算机设备,可以获取指定游戏的待处理游戏问题信息,待处理游戏问题信息包括待处理文本与待处理图像;对待处理文本进行编码处理,得到待处理文本对应的文本编码信息;对待处理图像进行编码处理,得到待处理图像对应的图像编码信息;基于文本编码信息与图像编码信息确定待处理游戏问题信息对应的目标编码信息;确定目标编码信息归类于不同处理人员的目标概率信息,其中,处理人员用于对指定游戏的游戏问题信息进行处理;基于目标概率信息从不同处理人员中确定待处理游戏问题信息对应的目标处理人员。
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。
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游戏信息的处理方法中的步骤。例如,该计算机程序可以执行如下步骤:
获取指定游戏的待处理游戏问题信息,待处理游戏问题信息包括待处理文本与待处理图像;
对待处理文本进行编码处理,得到待处理文本对应的文本编码信息;
对待处理图像进行编码处理,得到待处理图像对应的图像编码信息;
基于文本编码信息与图像编码信息确定待处理游戏问题信息对应的目标编码信息;
确定目标编码信息归类于不同处理人员的目标概率信息,其中,处理人员用于对指定游戏的游戏问题信息进行处理;
基于目标概率信息从不同处理人员中确定待处理游戏问题信息对应的目标处理人员。
在一些实施例中,待处理游戏问题信息至少包括游戏问题内容,待处理文本包括游戏问题内容对应的第一待处理文本;
对待处理文本进行编码处理,得到待处理文本对应的文本编码信息,包括:
将第一待处理文本输入训练后文本编码模型;
基于训练后文本编码模型对第一待处理文本中的关键词进行词向量编码,得到各关键词对应的编码后词向量;
对编码后词向量进行加权处理,确定第一待处理文本对应的句向量,得到文本编码信息。
在一些实施例中,第一待处理文本包括多个文本类型的文本;
在将第一待处理文本输入训练后文本编码模型之前,还包括:
采集指定游戏的历史游戏问题信息中历史游戏问题内容对应的文本;
根据历史游戏问题内容中各文本类型的文本,分别对各文本类型对应的预设文本编码模型进行训练,得到各文本类型对应的训练后文本编码模型;
将第一待处理文本输入训练后文本编码模型,包括:
将第一待处理文本中各文本类型的文本分别输入各文本类型对应的训练后文本模型。
在一些实施例中,待处理游戏问题信息至少包括候选处理人员,待处理文本包括候选处理人员对应的第二待处理文本;
对待处理文本进行编码处理,得到待处理文本对应的文本编码信息,包括:
对第二待处理文本进行一位有效编码,确定第二待处理文本对应的编码信息。
在一些实施例中,候选处理人员的数量为多个;
对待处理文本进行编码处理,得到待处理文本对应的文本编码信息,包括
对第二候选文本中的每一候选处理人员分别进行一位有效编码,得到各候选处理人员对应的编码信息;
对各候选处理人员对应的编码信息进行加权处理,得到文本编码信息。
在一些实施例中,对待处理图像进行编码处理,得到待处理图像对应的图像编码信息,包括:
通过第一神经网络模型对待处理图像进行特征提取,得到待处理图像的多维图像特征;
对多维图像特征进行展平处理,得到图像编码信息。
在一些实施例中,基于文本编码信息与图像编码信息确定待处理游戏问题信息对应的目标编码信息,包括:
将文本编码信息输入第二神经网络进行处理,得到处理后文本编码信息;
将处理后文本编码信息与图像编码信息进行拼接,得到目标编码信息。
在一些实施例中,确定目标编码信息归类于不同处理人员的目标概率信息,包括:
将目标编码信息输入训练后一阶分类模型;
基于训练后一阶分类模型计算目标编码信息归类于每一人员类型的概率值,得到第一概率信息,不同处理人员包括不同人员类型的处理人员;
将第一概率信息与目标编码信息输入训练后二阶分类模型;
基于训练后二阶分类模型以及第一概率信息计算目标编码信息归类于每一处理人员的概率值,得到目标概率信息。
在一些实施例中,在将目标编码信息输入训练后一阶分类模型之前,还包括:
获取指定游戏的历史游戏问题信息对应的历史编码信息;
获取各历史游戏问题信息对应的实际处理人员对应的实际人员类型;
基于历史编码信息与实际人员类型对预设一阶分类模型进行训练,得到训练后一阶分类模型。
在一些实施例中,在将第一概率信息与目标编码信息输入训练后二阶分类模型之前,还包括:
基于历史编码信息、实际处理人员以及实际人员类型对预设二阶分类模型进行训练,得到训练后二阶分类模型。
在一些实施例中,目标概率信息包括目标编码信息归类于每一处理人员的概率值;
基于目标概率信息从不同处理人员中确定待处理游戏问题信息对应的目标处理人员,包括:
从目标概率信息中确定最高概率值;
基于最高概率值对应的处理人员,确定目标处理人员。
在一些实施例中,获取指定游戏的待处理游戏问题信息,包括:
获取用户输入的待处理的游戏问题内容以及游戏问题画面;
从模块负责人信息中检索出与游戏问题内容对应的候选处理人员,模块负责人信息包括指定游戏的各个游戏模块分别对应的处理人员;
基于游戏问题内容、游戏问题画面以及候选处理人员,得到待处理游戏问题信息。
本申请实施例通过获取指定游戏的待处理游戏问题信息中的待处理文本与待处理图像,对待处理文本和待处理图像分别进行编码处理,得到文本编码信息和图像编码信息,进一步的,基于文本编码信息与图像编码信息确定待处理游戏问题信息对应的目标编码信息;确定目标编码信息归类于不同处理人员的目标概率信息,以根据目标概率信息从多个处理人员中确定需要对游戏问题信息文本进行处理的目标处理人员,准确定位出游戏问题信息文本对应的处理人员,可以提高对游戏问题信息的处理效率。
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。
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。
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游戏信息的处理方法中的步骤,因此,可以实现本申请实施例所提供的任一种游戏信息的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。
以上对本申请实施例所提供的一种游戏信息的处理方法、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。
Claims (15)
1.一种游戏信息的处理方法,其特征在于,所述方法包括:
获取指定游戏的待处理游戏问题信息,所述待处理游戏问题信息包括待处理文本与待处理图像;
对所述待处理文本进行编码处理,得到所述待处理文本对应的文本编码信息;
对所述待处理图像进行编码处理,得到所述待处理图像对应的图像编码信息;
基于所述文本编码信息与所述图像编码信息确定所述待处理游戏问题信息对应的目标编码信息;
确定所述目标编码信息归类于不同处理人员的目标概率信息,其中,所述处理人员用于对所述指定游戏的游戏问题信息进行处理;
基于所述目标概率信息从所述不同处理人员中确定所述待处理游戏问题信息对应的目标处理人员。
2.根据权利要求1所述的方法,其特征在于,所述待处理游戏问题信息至少包括游戏问题内容,所述待处理文本包括所述游戏问题内容对应的第一待处理文本;
所述对所述待处理文本进行编码处理,得到所述待处理文本对应的文本编码信息,包括:
将所述第一待处理文本输入训练后文本编码模型;
基于所述训练后文本编码模型对所述第一待处理文本中的关键词进行词向量编码,得到各关键词对应的编码后词向量;
对所述编码后词向量进行加权处理,确定所述第一待处理文本对应的句向量,得到所述文本编码信息。
3.根据权利要求2所述的方法,其特征在于,所述第一待处理文本包括多个文本类型的文本;
在所述将所述第一待处理文本输入训练后文本编码模型之前,还包括:
采集所述指定游戏的历史游戏问题信息中历史游戏问题内容对应的文本;
根据所述历史游戏问题内容中各文本类型的文本,分别对各文本类型对应的预设文本编码模型进行训练,得到各文本类型对应的训练后文本编码模型;
所述将所述第一待处理文本输入训练后文本编码模型,包括:
将所述第一待处理文本中各文本类型的文本分别输入各文本类型对应的训练后文本模型。
4.根据权利要求1所述的方法,其特征在于,所述待处理游戏问题信息至少包括候选处理人员,所述待处理文本包括所述候选处理人员对应的第二待处理文本;
所述对所述待处理文本进行编码处理,得到所述待处理文本对应的文本编码信息,包括:
对所述第二待处理文本进行一位有效编码,确定所述第二待处理文本对应的编码信息。
5.根据权利要求4所述的方法,其特征在于,所述候选处理人员的数量为多个;
所述对所述待处理文本进行编码处理,得到所述待处理文本对应的文本编码信息,包括:
对第二候选文本中的每一候选处理人员分别进行一位有效编码,得到各候选处理人员对应的编码信息;
对各候选处理人员对应的编码信息进行加权处理,得到所述文本编码信息。
6.根据权利要求1所述的方法,其特征在于,所述对所述待处理图像进行编码处理,得到所述待处理图像对应的图像编码信息,包括:
通过第一神经网络模型对所述待处理图像进行特征提取,得到所述待处理图像的多维图像特征;
对所述多维图像特征进行展平处理,得到所述图像编码信息。
7.根据权利要求1所述的方法,其特征在于,所述基于所述文本编码信息与所述图像编码信息确定所述待处理游戏问题信息对应的目标编码信息,包括:
将所述文本编码信息输入第二神经网络进行处理,得到处理后文本编码信息;
将所述处理后文本编码信息与所述图像编码信息进行拼接,得到所述目标编码信息。
8.根据权利要求1所述的方法,其特征在于,所述确定所述目标编码信息归类于不同处理人员的目标概率信息,包括:
将所述目标编码信息输入训练后一阶分类模型;
基于所述训练后一阶分类模型计算所述目标编码信息归类于每一人员类型的概率值,得到第一概率信息,所述不同处理人员包括不同人员类型的处理人员;
将所述第一概率信息与所述目标编码信息输入训练后二阶分类模型;
基于所述训练后二阶分类模型以及所述第一概率信息计算所述目标编码信息归类于每一处理人员的概率值,得到所述目标概率信息。
9.根据权利要求8所述的方法,其特征在于,在所述将所述目标编码信息输入训练后一阶分类模型之前,还包括:
获取所述指定游戏的历史游戏问题信息对应的历史编码信息;
获取各历史游戏问题信息对应的实际处理人员对应的实际人员类型;
基于所述历史编码信息与所述实际人员类型对预设一阶分类模型进行训练,得到所述训练后一阶分类模型。
10.根据权利要求9所述的方法,其特征在于,在所述将所述第一概率信息与所述目标编码信息输入训练后二阶分类模型之前,还包括:
基于所述历史编码信息、所述实际处理人员以及所述实际人员类型对预设二阶分类模型进行训练,得到所述训练后二阶分类模型。
11.根据权利要求1所述的方法,其特征在于,所述目标概率信息包括所述目标编码信息归类于每一处理人员的概率值;
所述基于所述目标概率信息从所述不同处理人员中确定所述待处理游戏问题信息对应的目标处理人员,包括:
从所述目标概率信息中确定最高概率值;
基于所述最高概率值对应的处理人员,确定目标处理人员。
12.根据权利要求1所述的方法,其特征在于,所述获取指定游戏的待处理游戏问题信息,包括:
获取用户输入的待处理的游戏问题内容以及游戏问题画面;
从模块负责人信息中检索出与所述游戏问题内容对应的候选处理人员,所述模块负责人信息包括所述指定游戏的各个游戏模块分别对应的处理人员;
基于所述游戏问题内容、所述游戏问题画面以及所述候选处理人员,得到所述待处理游戏问题信息。
13.一种游戏信息的处理装置,其特征在于,所述装置包括:
第一获取单元,用于获取指定游戏的待处理游戏问题信息,所述待处理游戏问题信息包括待处理文本与待处理图像;
第一处理单元,用于对所述待处理文本进行编码处理,得到所述待处理文本对应的文本编码信息;
第二处理单元,用于对所述待处理图像进行编码处理,得到所述待处理图像对应的图像编码信息;
第一确定单元,用于基于所述文本编码信息与所述图像编码信息确定所述待处理游戏问题信息对应的目标编码信息;
第二确定单元,用于确定所述目标编码信息归类于不同处理人员的目标概率信息,其中,所述处理人员用于对所述指定游戏的游戏问题信息进行处理;
第三确定单元,用于基于所述目标概率信息从所述不同处理人员中确定所述待处理游戏问题信息对应的目标处理人员。
14.一种计算机设备,包括存储器,处理器及存储在存储器上并在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现如权利要求1至12任一项所述的游戏信息的处理方法。
15.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至12任一项所述的游戏信息的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546416.2A CN116510306A (zh) | 2023-05-12 | 2023-05-12 | 一种游戏信息的处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546416.2A CN116510306A (zh) | 2023-05-12 | 2023-05-12 | 一种游戏信息的处理方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116510306A true CN116510306A (zh) | 2023-08-01 |
Family
ID=87392025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310546416.2A Pending CN116510306A (zh) | 2023-05-12 | 2023-05-12 | 一种游戏信息的处理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116510306A (zh) |
-
2023
- 2023-05-12 CN CN202310546416.2A patent/CN116510306A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102288249B1 (ko) | 정보 처리 방법, 단말기, 및 컴퓨터 저장 매체 | |
CN110442718B (zh) | 语句处理方法、装置及服务器和存储介质 | |
CN111553162A (zh) | 一种意图识别的方法以及相关装置 | |
CN111597804B (zh) | 一种实体识别模型训练的方法以及相关装置 | |
TWI741877B (zh) | 網路模型量化方法、裝置及電子設備 | |
CN111931501A (zh) | 一种基于人工智能的文本挖掘方法、相关装置及设备 | |
CN111026840B (zh) | 文本处理方法、装置、服务器和存储介质 | |
WO2021034941A1 (en) | A method for multi-modal retrieval and clustering using deep cca and active pairwise queries | |
CN111858898A (zh) | 基于人工智能的文本处理方法、装置及电子设备 | |
CN116955730A (zh) | 一种特征提取模型的训练方法、内容推荐的方法及装置 | |
CN113407738B (zh) | 一种相似文本检索方法、装置、电子设备和存储介质 | |
CN110991183A (zh) | 问题的谓词确定方法、装置、设备及存储介质 | |
CN114328800A (zh) | 文本处理方法、装置、电子设备和计算机可读存储介质 | |
CN115878750A (zh) | 信息处理方法、装置、设备及计算机可读存储介质 | |
WO2023173554A1 (zh) | 坐席违规话术识别方法、装置、电子设备、存储介质 | |
CN116510306A (zh) | 一种游戏信息的处理方法、装置、计算机设备及存储介质 | |
CN116415624A (zh) | 模型训练方法及装置、内容推荐方法及装置 | |
CN114970562A (zh) | 语义理解方法、装置、介质及设备 | |
CN113413607A (zh) | 一种信息推荐方法、装置、计算机设备及存储介质 | |
CN114357152A (zh) | 信息处理方法、装置、计算机可读存储介质和计算机设备 | |
CN114840499A (zh) | 一种表描述信息的生成方法、相关装置、设备及存储介质 | |
CN114840563A (zh) | 一种字段描述信息的生成方法、装置、设备及存储介质 | |
CN112052320A (zh) | 一种信息处理方法、装置及计算机可读存储介质 | |
CN113569043A (zh) | 一种文本类别确定方法和相关装置 | |
CN116992031B (zh) | 数据处理方法、装置、电子设备、存储介质及程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |