一种游戏信息的处理方法、装置、计算机设备及存储介质与流程

1.本技术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：

2.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。
3.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。
4.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。


技术实现要素：

5.本技术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，提高对游戏问题信息的处理效率。
6.本技术实施例提供了一种游戏信息的处理方法，包括：
7.从获取的游戏信息文本中提取出与指定游戏相关的文本关键词；
8.对所述文本关键词进行编码处理，得到所述游戏信息文本对应的文本编码信息；
9.确定所述文本编码信息归类于不同处理人员的概率信息，其中，所述处理人员用于对所述指定游戏的游戏信息进行处理；
10.基于所述概率信息从所述不同处理人员中确定所述游戏信息文本所属游戏信息对应的目标处理人员。
11.相应的，本技术实施例还提供了一种游戏信息的处理装置，包括：
12.第一提取单元，用于从获取的游戏信息文本中提取出与指定游戏相关的文本关键词；
13.处理单元，用于对所述文本关键词进行编码处理，得到所述游戏信息文本对应的文本编码信息；
14.第一确定单元，用于确定所述文本编码信息归类于不同处理人员的概率信息，其中，所述处理人员用于对所述指定游戏的游戏信息进行处理；
15.第二确定单元，用于基于所述概率信息从所述不同处理人员中确定所述游戏信息
文本所属游戏信息对应的目标处理人员。
16.相应的，本技术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，处理器执行本技术实施例任一提供的游戏信息的处理方法。
17.相应的，本技术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。
18.本技术实施例通过获取用户输入的游戏问题信息文本，从该游戏问题信息文本中确定与指定游戏内容相关的文本关键词，然后通过训练后的多个编码模型分别对文本关键词进行编码处理，从而得到游戏问题信息文本对应的多个文本编码信息，进一步的，通过多个训练后的分类模型分别预测各文本编码信息归类于不同处理人员的概率信息，以根据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
19.为了更清楚地说明本技术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技术的一些实施例，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。
20.图1为本技术实施例提供的一种游戏信息的处理方法的流程示意图。
21.图2为本技术实施例提供的另一种游戏信息的处理方法的流程示意图。
22.图3为本技术实施例提供的一种游戏信息的处理装置的结构框图。
23.图4为本技术实施例提供的计算机设备的结构示意图。
具体实施方式
24.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，显然，所描述的实施例仅仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
25.本技术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，本技术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。
26.例如，该计算机设备可以是服务器，该服务器可以从获取的游戏信息文本中提取出与指定游戏相关的文本关键词；对文本关键词进行编码处理，得到游戏信息文本对应的文本编码信息；确定文本编码信息归类于不同处理人员的概率信息，其中，处理人员用于对
指定游戏的游戏信息进行处理；基于概率信息从不同处理人员中确定游戏信息文本所属游戏信息对应的目标处理人员。
27.基于上述问题，本技术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，可以提高游戏信息的处理的准确性。
28.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。
29.本技术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，本技术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。
30.请参阅图1，图1为本技术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：
31.101、从获取的游戏信息文本中提取出与指定游戏相关的文本关键词。
32.在本技术实施例中，游戏信息指的是游戏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问题。
33.具体的，游戏信息文本指的是游戏bug信息的文本内容，游戏信息文本可以用于查询游戏bug信息对应的处理人员，处理人员可以根据游戏bug信息对游戏bug进行修改。
34.其中，游戏信息文本可以为用户(如游戏测试人员)输入，具体的，用户可以通过查询客户端输入游戏信息文本，查询客户端可以基于游戏信息文本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根据游戏信息文本从指定游戏的所有处理人员中查询游戏信息文本对应的处理人员。
35.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，作为游戏信息文本，触发查询游戏bug1对应的处理人员。
36.在本技术实施例中，对于用户输入的游戏信息文本，可以为与游戏bug内容相关的文本。
37.其中，文本关键词指的是游戏信息文本中与指定游戏的游戏内容相关的词汇，比如，文本关键词可以为与游戏角色、游戏场景、游戏事件等相关的词汇。
38.在一些实施例中，为了提高查询准确性，步骤“从获取的游戏信息文本中提取出与指定游戏相关的文本关键词”，可以包括以下操作：
39.对游戏信息文本进行分词处理，确定游戏信息文本的词汇集合；
40.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。
41.具体的，对游戏信息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。
42.在本技术实施例中，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。
43.例如，在指定游戏中存在大量的游戏专用词汇，包括：先知、役鸟、祭司等，则可以将这些游戏专用词汇添加至用于分词的词典中。
44.具体的，可以采用分词算法基于词典对游戏信息文本进行分词处理。分词算法可以包括多种，比如，分词算法可以为jieba分词算法。
45.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。
46.具体的，jieba分词算法可以支持三种分词模式：精确模式、全模式以及搜索引擎式模式。其中，精确模式可以将句子最精确的切开，适合文本分析；全模式可以把句子中所有可以成词的词语都扫描出来，速度非常快；搜索引擎模式可以在精确模式基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。在本技术实施例中，可以采用jieba分词中的选择搜索引擎分词方法对游戏信息文本进行分词处理。
47.具体的，通过jieba分词算法对游戏信息文本进行分词处理可以包括：根据词典将游戏信息文本划分为多个词汇，得到游戏信息文本对应的词汇集合。
48.例如，游戏信息文本可以为“先知-新春预言的皮肤图标缺少了役鸟”，通过jieba分词对该游戏信息文本进行分词处理，得到分词结果可以为：
‘
先知’，
‘
新春预言’，
‘
的’，
‘
皮肤’，
‘
图标’，
‘
缺少’，
‘
了’，
‘
役鸟’。
49.进一步的，在基于分词结果得到游戏信息文本的词汇集合后，可以从词汇集合的多个词汇中选取出与指定游戏相关的词汇，从而得到文本关键词。
50.比如，词汇集合可以包括：
‘
先知’，
‘
新春预言’，
‘
的’，
‘
皮肤’，
‘
图标’，
‘
缺少’，
‘
了’，
‘
役鸟’。从词汇集合中提取与指定游戏相关的词汇可以是基于指定游戏的设定词汇从词汇集合中选取与设定词汇匹配的词汇，得到文本关键词可以包括：
‘
先知’，
‘
新春预言’，
‘
皮肤’，
‘
图标’，
‘
缺少’，
‘
役鸟’。
51.102、对文本关键词进行编码处理，得到游戏信息文本对应的文本编码信息。
52.具体的，对文本关键词进行编码处理指的是对文本关键词进行特征提取，得到文本关键词的文本特征向量，作为文本关键词的数字化表达，进而通过各文本关键词对应的文本特征向量构成游戏信息文本的文本编码信息。本方案通过多种编码方式分别对文本关键词进行编码处理，从而可以得到游戏信息文本在不同编码方式下得到的编码信息。
53.在一些实施例中，为了提高对游戏信息文本进行编码的处理效率，步骤“对文本关键词进行编码处理，得到游戏信息文本对应的文本编码信息”，可以包括以下操作：
54.将文本关键词输入训练后第一编码模型；
55.基于训练后第一编码模型对文本关键词进行向量映射，得到各文本关键词对应的向量；
56.根据各文本关键词对应的向量构成游戏信息文本对应的句向量，得到游戏信息文本对应的第一文本编码信息。
57.其中，第一编码模型可以用于对游戏信息文本的文本关键词进行编码处理，得到游戏信息文本的一种编码信息。具体的，将游戏信息文本的所有文本关键词输入该第一编码模型，通过该第一编码模型对各文本关键词进行文本特征向量的映射，得到各文本关键词对应的文本特征向量，进而根据各文本关键词的文本特征向量得到游戏信息文本的一种编码信息。
58.其中，第一编码模型可以为词袋模型，词袋模型是一种表征文本数据的方法，可以从文本数据中提取出特征并用向量表示。词袋模型主要包括：构建词汇表，以及确定度量单
词出现的方法。词袋模型不考虑单词在文本中出现的顺序，只考虑单词是否出现在文本中。
59.具体的，基于训练后第一编码模型对文本关键词进行向量映射，得到各文本关键词对应的向量，可以通过词袋模型中的词汇表中各词汇与文本关键词的对应关系确定各文本关键词综合对应的句向量。
60.例如，词袋模型的词汇表可以包括：先知，新春预言，皮肤，图标，缺少，役鸟，不屈的信仰，错误，独行者，挂件，上传。游戏信息文本的文本关键词可以包括：
‘
先知’，
‘
新春预言’，
‘
皮肤’，
‘
图标’，
‘
缺少’，
‘
役鸟’。则通过词袋模型对文本关键词进行向量映射，文本关键词均在词汇表中出现，则可以确定各文本关键词对应的向量为：1，其中，词汇表中未在文本关键词中出现的词汇对应的向量可以为：0。从而得到游戏信息文本对应的句向量可以为：[1，1，1，1，1，1，0，0，0，0，0]，可以作为游戏信息文本对应的第一文本编码信息。
[0061]
其中，句向量[1，1，1，1，1，1，0，0，0，0，0]中各向量依次对应词汇表中各词汇，每一位数字表示该词汇在游戏信息文本中的出现次数。
[0062]
在一些实施例中，为了进一步提高对游戏信息文本进行编码的处理效率，在步骤“将文本关键词输入训练后第一编码模型”之前，还可以包括以下操作：
[0063]
采集指定游戏的历史游戏信息文本；
[0064]
从历史游戏信息文本中提取与指定游戏相关的样本文本关键词；
[0065]
基于样本文本关键词对预设第一编码模型进行训练，得到训练后第一编码模型。
[0066]
其中，历史游戏信息文本指的是历史时间段内用户输入的游戏bug内容的文本，也即当前时刻之前，用户通过查询客户端输入的游戏bug内容的文本，历史游戏信息文本可以为多个。
[0067]
具体的，对于获取的多个历史游戏信息文本，通过jieba分词以及包含指定游戏相关词汇的词典对各历史游戏信息文本进行分词处理，得到分词结果，也即各历史游戏信息文本中与指定游戏相关的样本文本关键词。
[0068]
例如，历史游戏信息文本可以包括：“先知-新春预言皮肤图标缺少役鸟”、“先知-不屈的信仰图标错误”以及“先知-独行者挂件上传”。通过对各历史游戏信息文本进行jieba分词，得到各历史游戏信息文本对应的分词结果分别为“先知/新春预言/皮肤图标/缺少/役鸟/”，“先知/不屈的信仰/图标/错误/”，“先知/独行者/挂件/上传/”。
[0069]
其中，预设第一编码模型也即预设词袋模型，具体的，基于样本文本关键词对预设第一编码模型进行训练可以通过所有样本文本关键词构建预设词袋模型的词汇表，得到词汇表可以为：[先知，新春预言，皮肤，图标，缺少，役鸟，不屈的信仰，错误，独行者，挂件，上传]，得到训练后词袋模型，作为训练后第一编码模型。从而可以通过训练后第一编码模型的词汇表对游戏信息文本中的文本关键词进行向量映射。
[0070]
例如，游戏信息文本可以为：“先知-新春预言皮肤图标缺少役鸟”、“先知-不屈的信仰图标错误”以及“先知-独行者挂件上传”，首先通过jieba分词处理，得到各游戏信息文本对应的文本关键词可以为：“先知/新春预言/皮肤图标/缺少/役鸟/”，“先知/不屈的信仰/图标/错误/”，“先知/独行者/挂件/上传/”，将文本关键词输入训练后词袋模型，进行向量映射，得到游戏信息文本“先知-新春预言皮肤图标缺少役鸟”对应的句向量编码为：[1，1，1，1，1，1，0，0，0，0，0]；游戏信息文本“先知-不屈的信仰图标错误”对应的句向量编码为：[1，0，0，1，0，0，1，1，0，0，0]；以及“先知-独行者挂件上传”对应的句向量编码为：[1，0，0，0，
0，0，0，0，1，1，1]。通过词袋模型对游戏信息文本进行编码，得到的编码结果会偏向于直接根据历史游戏信息文本内容与负责人员的联系。
[0071]
在一些实施例中，为了提高对游戏信息文本进行编码的准确率，步骤“对文本关键词进行编码处理，得到游戏信息文本对应的文本编码信息”，可以包括以下操作：
[0072]
将文本关键词输入训练后第二编码模型；
[0073]
基于训练后第二编码模型对文本关键词进行编码处理，得到各文本关键词对应的词向量；
[0074]
对词向量进行加权处理，得到游戏信息文本对应的句向量，作为游戏信息文本对应的第二文本编码信息。
[0075]
其中，第二编码模型可以用于对游戏信息文本的文本关键词进行编码处理，得到游戏信息文本的另一种编码信息。具体的，将游戏信息文本的所有文本关键词输入该第二编码模型，通过该第二编码模型对各文本关键词进行文本特征向量的映射，得到各文本关键词对应的文本特征向量，进而根据各文本关键词的文本特征向量得到游戏信息文本的另一种编码信息。
[0076]
在本技术实施例中，第二编码模型可以为跳字模型，跳字模型也即word2vec方法中的skip-gram模型。其中，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。skip-gram模型的作用是在对当前词汇进行编码的过程中，结合当前词汇在文本中的上下文信息进行编码，使得对当前词汇进行编码得到的向量包括上下文语义信息。
[0077]
具体的，基于训练后第二编码模型对文本关键词进行编码处理，可以为通过skip-gram模型对文本关键词对应的one-hot编码进行编码处理，从而得到文本关键词对应的词向量编码。
[0078]
其中，one-hot编码，又称为一位有效编码，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。
[0079]
例如，游戏信息文本的文本关键词可以包括：第一文本关键词、第二文本关键词、第三文本关键词、第四文本关键词、第五文本关键词以及第六文本关键词。获取各文本关键词的one-hot编码，将one-hot编码输入skip-gram模型，输出各文本关键词对应的词向量编码分别可以为：e1，e2，e3，e4，e5，e6。
[0080]
其中，对词向量进行加权处理可以为对游戏信息文本中的各文本关键词对应的词向量进行加权平均处理，得到游戏信息文本对应的句向量。加权计算公式可以如下：
[0081]
其中，ei表示文本关键词对应的词向量，计算所有文本关键词对应的词向量的平均值，得到游戏信息文本对应的句向量。
[0082]
在一些实施例中，为了进一步提高对游戏信息文本进行编码的准确率，在步骤“将
文本关键词输入训练后第二编码模型”之前，还可以包括以下操作：
[0083]
采集指定游戏的历史游戏信息文本；
[0084]
从历史游戏信息文本中提取与指定游戏相关的样本文本关键词；
[0085]
根据样本文本关键词对应的编码信息对预设第二编码模型进行训练，得到训练后第二编码模型。
[0086]
其中，历史游戏信息文本指的是历史时间段内用户输入的游戏bug内容的文本，也即当前时刻之前，用户通过查询客户端输入的游戏bug内容的文本，历史游戏信息文本可以为多个。
[0087]
具体的，对于获取的多个历史游戏信息文本，通过jieba分词以及包含指定游戏相关词汇的词典对各历史游戏信息文本进行分词处理，得到分词结果，也即各历史游戏信息文本中与指定游戏相关的样本文本关键词。
[0088]
例如，历史游戏信息文本可以包括：“先知-新春预言皮肤图标缺少役鸟”、“先知-不屈的信仰图标错误”以及“先知-独行者挂件上传”。通过对各历史游戏信息文本进行jieba分词，得到各历史游戏信息文本对应的分词结果分别为“先知/新春预言/皮肤图标/缺少/役鸟/”，“先知/不屈的信仰/图标/错误/”，“先知/独行者/挂件/上传/”。
[0089]
其中，预设第二编码模型也即预设skip-gram模型，样本文本关键词对应的编码信息也即样本文本关键词的one-hot编码。通过样本本文本关键词的one-hot编码输入预设skip-gram模型进行模型训练。除此之外，在对预设skip-gram模型进行训练时，还需要输入标签，标签可以为样本文本关键词在历史游戏信息文本中的上下文词汇对应的one-hot编码。
[0090]
在本技术实施例中，可以通过参数windown_size设置标签个数，比如，设置windown_size＝2，表示预设skip-gram模型的输入数据为样本文本关键词的one-hot编码以及历史游戏信息文本中处于样本文本关键词左侧的两个词汇的one-hot编码以及右侧的两个词汇的one-hot编码。
[0091]
例如，历史游戏信息文本可以为：“先知-新春预言皮肤图标缺少役鸟”。首先通过jieba分词对游戏信息文本进行分词处理，得到分词结果为：“先知/新春预言/皮肤/图标/缺少/役鸟/”。获取各样本文本关键词对应的one-hot编码。
[0092]
具体的，在对预设skip-gram模型进行训练时，设置windown_size＝2，则可以输入
‘
先知’的one-hot编码，以及历史游戏信息文本中位于
‘
先知’左侧的两个词汇以及右侧的两个词汇为：
‘
新春预言’，
‘
皮肤’的one-hot编码，对预设skip-gram模型进行训练；然后输入
‘
新春预言’的one-hot编码，以及历史游戏信息文本中位于
‘
新春预言’左侧的两个词汇以及右侧的两个词汇为：
‘
先知’，
‘
皮肤’，
‘
图标’的one-hot编码，对预设skip-gram模型进行训练，依此类推，直至将历史游戏信息文本中所有样本文本关键词作为数据输入对预设skip-gram模型进行训练，从而得到的训练后skip-gram模型可以认为是理解了游戏信息文本上下文的信息。
[0093]
在本技术实施例中，在对预设skip-gram模型进行训练时可以设置词向量长度，也即通过skip-gram模型对文本关键词进行编码处理，得到的文本关键词对应的词向量的长度，也可以理解为词向量维度。
[0094]
例如，设置词向量长度可以为：5，获取用户输入的游戏信息文本可以为“祭司烟花
皮肤显示缺少挂件”。首先，通过jieba分词对游戏信息文本进行分词处理，得到游戏信息文本中的文本关键词包括：
‘
祭司’，
‘
烟花’，
‘
皮肤’，
‘
显示’，
‘
缺少’，
‘
挂件’。
[0095]
进一步的，分别将各文本关键词输入训练后skip-gram模型，通过训练后skip-gram模型对各个文本关键词进行编码处理，得到
‘
祭司’对应的词向量编码可以为：[1.03，2.22，3.75，0.07，1.21]，
‘
烟花’对应的词向量编码可以为：[-1.23，2.12，3.75，0.09，1.21]，
‘
皮肤’对应的词向量编码可以为：[0.03，0.22，1.65，0.11，1.21]，
‘
显示’对应的词向量编码可以为：[0.13，0.22，3.75，0.35，1.21]，
‘
缺少’对应的词向量编码可以为：[-0.75，0.76，3.75，0.21，1.21]，
‘
挂件’对应的词向量编码可以为：[1.03，0.76，3.75，0.4，0.21]。最后对各个词向量进行加权平均处理，可以得到游戏信息文本的第二文本编码信息。
[0096]
具体的，通过skip-gram模型对游戏信息文本的文本关键词进行编码处理得到的编码信息，更偏向于建立历史游戏信息文本的语义层面的内容与负责人员建立联系。
[0097]
103、确定文本编码信息归类于不同处理人员的概率信息。
[0098]
其中，处理人员用于对指定游戏的游戏信息进行处理，处理人员可以为参与指定游戏制作的人员。在指定游戏的制作过程中，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，检验指定游戏的制作是否出错，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。
[0099]
具体的，确定文本编码信息归类于不同处理人员的概率信息，可以通过分类模型计算文本编码信息归类于不同处理人员的概率值，得到概率信息。
[0100]
在一些实施例中，为了提高概率计算的准确性，步骤“确定文本编码信息归类于不同处理人员的概率信息”，可以包括以下操作：
[0101]
将文本编码信息输入训练后分类模型；
[0102]
基于训练后分类模型计算文本编码信息归类于每一处理人员的概率值，得到概率信息。
[0103]
其中，训练后分类模型可以用于计算文本编码信息归类于不同处理人员的概率值。具体的，将文本编码信息输入训练后分类模型，通过该训练后分类模型对文本编码信息进行处理，也即计算文本编码信息归类于每一处理人员的概率值，从而得到概率信息。
[0104]
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。通过训练后分类模型计算文本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，基于文本编码信息归类于每一处理人员的概率值，即可以得到概率信息。
[0105]
在一些实施例中，为了进一步提高概率计算的准确性，在步骤“将文本编码信息输入训练后分类模型”之前，还可以包括以下步骤：
[0106]
获取指定游戏的历史游戏信息文本对应的历史文本编码信息；
[0107]
获取各历史游戏信息文本所属游戏信息对应的实际处理人员；
[0108]
基于历史文本编码信息与实际处理人员对预设分类模型进行训练，得到训练后分类模型。
[0109]
其中，历史文本编码信息可以为通过对历史游戏信息文本采用本方案提供的词袋
模型或者skip-gram模型进行编码得到。
[0110]
其中，历史游戏信息文本所属游戏信息对应的实际处理人员，指的是历史游戏信息文本对应的游戏bug信息实际对应的处理人员。
[0111]
具体的，通过历史游戏信息文本对应的历史文本编码信息和实际处理人员对预设分类模型进行训练，得到预设训练后分类模型，从而使得训练后分类模型可以基于输入的文本编码信息，输出该文本编码信息在各处理人员下的概率值。
[0112]
在本技术实施例中，分类模型可以为朴素贝叶斯模型。朴素贝叶斯模型是一个分类器，对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。朴素贝叶斯模型要做的事就是在先验概率的基础上将数据集归为n个标签中后验概率最大的标签(基于最小错误率贝叶斯决策原则)，其中，先验概率是指根据以往经验和分析得到的概率。
[0113]
在一些实施例中，步骤“基于历史文本编码信息与实际处理人员对预设分类模型进行训练，得到训练后分类模型”，可以包括以下流程：
[0114]
根据历史文本编码信息与实际处理人员生成训练样本对；
[0115]
基于训练样本对对预设分类模型进行训练，得到训练样本对中历史文本编码信息归类于每一处理人员的预测概率值；
[0116]
获取训练样本对中历史样本编码信息归类于每一处理人员的实际概率值；
[0117]
通过预测概率值与实际概率值对预设分类模型的模型参数进行调整，直至预设分类模型收敛，得到训练后分类模型。
[0118]
在本技术实施例中，由于对游戏信息文本通过多种方式进行编码，比如，通过第一编码模型或第二编码模型进行编码等。从而得到游戏信息文本不同的编码信息，则为了准确预测游戏信息文本对应的处理人员，可以基于不同的编码信息对预设分类模型进行训练，从而得到不同的训练后分类模型。
[0119]
在一些实施例中，文本编码信息可以为通过第一编码模型进行编码得到，则步骤“确定文本编码信息归类于不同处理人员的概率信息”，可以包括以下操作：
[0120]
确定第一文本编码信息归类于不同处理人员的概率值，得到第一概率信息。
[0121]
具体的，通过第一文本编码信息对预设分类模型进行训练，得到第一训练后分类模型，该第一训练后分类模型可以用于对通过第一编码模型编码得到的编码信息计算在不同处理人员下的概率信息。
[0122]
进一步的，将第一文本编码信息输入第一训练后分类模型，通过第一训练后分类模型计算第一文本编码信息归类于每一处理人员的概率值，从而得到第一概率信息。
[0123]
例如，处理人员可以包括：人员a，人员b，人员c，人员d。将第一文本编码信息输入第一训练后分类模型，通过第一训练后分类模型计算第一文本编码信息归类于人员a的概率可以为：0.4，归类于人员b的概率可以为：0.1，归类于人员c的概率可以为：0.12，归类于人员d的概率可以为：0.38，基于第一文本编码信息归类于每一处理人员的概率值，既可以得到第一概率信息。
[0124]
在一些实施例中，文本编码信息可以为通过第二编码模型进行编码得到，则步骤“确定文本编码信息归类于不同处理人员的概率信息”，可以包括以下操作：
[0125]
确定第二文本编码信息归类于不同处理人员的概率值，得到第二概率信息。
[0126]
具体的，通过第二文本编码信息对预设分类模型进行训练，得到第二训练后分类模型，该第二训练后分类模型可以用于对通过第二编码模型编码得到的编码信息计算在不同处理人员下的概率信息。
[0127]
进一步的，将第二文本编码信息输入第二训练后分类模型，通过第二训练后分类模型计算第二文本编码信息归类于每一处理人员的概率值，从而得到第二概率信息。
[0128]
例如，处理人员可以包括：人员a，人员b，人员c，人员d。将第二文本编码信息输入第二训练后分类模型，通过第二训练后分类模型计算第二文本编码信息归类于人员a的概率可以为：0.35，归类于人员a的概率可以为：0.2，归类于人员c的概率可以为：0.25，归类于人员a的概率可以为：0.2，基于第二文本编码信息归类于每一处理人员的概率值，既可以得到第二概率信息。
[0129]
104、基于概率信息从不同处理人员中确定游戏信息文本所属游戏信息对应的目标处理人员。
[0130]
其中，目标处理人员也即查询得到的用于对游戏信息文本所属的游戏bug信息进行处理的人员。
[0131]
在一些实施例中，概率信息包括游戏信息文本的文本编码信息归类于每一处理人员的概率值，可以从概率信息中的多个概率值中选取最大的n个概率值，将该n个概率值分别对应的处理人员作为查询结果提供给用户，使得用户可以从该n个处理人员中选择最合适的处理人员，来对游戏bug信息进行处理。
[0132]
在一些实施例中，概率信息包括游戏信息文本对应的第一文本编码信息归类于不同处理人员的第一概率信息，以及游戏信息文本对应的第二文本编码信息归类于不同处理人员的第二概率信息；则步骤“基于概率信息从不同处理人员中确定游戏信息文本所属游戏信息对应的目标处理人员”，可以包括以下操作：
[0133]
从第一概率信息中确定大于预设概率值的第一目标概率值；
[0134]
基于第一目标概率值对应的处理人员，确定目标处理人员。
[0135]
具体的，将第一概率信息中的各个概率值按照由大到小的顺序进行排列，得到第一概率值序列，进而将第一概率值序列中的各个概率值依次与预设概率值进行比较，从第一概率值序列中选取大于预设概率值的概率值，作为第一目标概率值。
[0136]
例如，第一概率信息包括：第一文本编码信息归类于人员a的概率值：0.6，归类于人员a的概率值：0.1，归类于人员c的概率值：0.02，归类于人员a的概率值：0.28。通过将第一概率信息中的概率值进行排序，得到第一概率值序列可以为：0.02、0.1、0.28、0.6。其中，预设概率值可以为：0.5。通过将第一概率值序列中的各个概率值依次与预设概率值进行比较，可以确定大于预设概率值的第一目标概率值可以为：0.6，将概率值为0.6时对应的处理人员作为目标处理人员，也即确定目标处理人员可以为：人员a。
[0137]
在一些实施例中，当第一概率信息中大于预设概率值的概率值的数量为多个时，可以根据这多个大于预设概率值对应的处理人员，从中筛选出目标处理人员。
[0138]
在一些实施例中，当第一概率信息中不存在大于预设概率值的概率值时，为了预测游戏信息文本对应的目标处理人员，还可以包括以下步骤：
[0139]
若第一概率信息中不存在大于预设概率值的概率值，则从第二概率信息中确定大于预设概率值的第二目标概率值；
[0140]
基于第二目标概率值对应的处理人员，确定目标处理人员。
[0141]
例如，第一概率信息包括：第一文本编码信息归类于人员a的概率值：0.3，归类于人员a的概率值：0.4，归类于人员c的概率值：0.02，归类于人员a的概率值：0.28。通过将第一概率信息中的概率值进行排序，得到第一概率值序列可以为：0.02、0.28、0.3、0.4。其中，预设概率值可以为：0.5。通过将第一概率值序列中的各个概率值依次与预设概率值进行比较，可以确定第一概率值序列中不存在大于预设概率值的概率值。
[0142]
进一步的，将第二概率信息中的各个概率值按照由大到小的顺序进行排列，得到第二概率值序列，进而将第二概率值序列中的各个概率值依次与预设概率值进行比较，从第二概率值序列中选取大于预设概率值的概率值，作为第二目标概率值。
[0143]
例如，第二概率信息包括：第二文本编码信息归类于人员a的概率可以为：0.55，归类于人员a的概率可以为：0.2，归类于人员c的概率可以为：0.15，归类于人员a的概率可以为：0.1。通过将第二概率信息中的概率值进行排序，得到第二概率值序列可以为：0.1、0.15、0.2、0.55。其中，预设概率值可以为：0.5。通过将第二概率值序列中的各个概率值依次与预设概率值进行比较，可以确定大于预设概率值的第一目标概率值可以为：0.55，将概率值为0.55时对应的处理人员作为目标处理人员，也即确定目标处理人员可以为：人员a。
[0144]
在一些实施例中，当第二概率信息中大于预设概率值的概率值的数量为多个时，可以根据这多个大于预设概率值对应的处理人员，从中筛选出目标处理人员。
[0145]
在一些实施例中，由于数据存在长尾分布，比如，80％的处理人员负责了20％的游戏bug信息，而20％的处理人员处理了80％的游戏bug信息，为了准确预测对应的处理人员，可以对通过分类模型计算的概率值进行二次调整，则在步骤“基于概率信息从不同处理人员中确定游戏信息文本所属游戏信息对应的目标处理人员”之前，还可以包括以下步骤：
[0146]
获取每一处理人员已处理的游戏信息的数量占比；
[0147]
根据数量占比调整文本编码信息归类于每一处理人员的概率值，得到调整后概率信息。
[0148]
其中，每一处理人员已处理的游戏信息的数量占比指的是该处理人员处理的游戏信息的数量与游戏信息的总数量的比值。
[0149]
例如，游戏信息的总数量可以为：s，处理人员可以包括：人员a，人员b，人员c以及人员d。其中，人员a处理的游戏信息的数量可以为：a，人员b处理的游戏信息的数量可以为：b，人员c处理的游戏信息的数量可以为：c，及人员d处理的游戏信息的数量可以为：d。其中，s＝a+b+c+d。
[0150]
具体的，人员a已处理的游戏信息的数量占比为：a/s，人员b已处理的游戏信息的数量占比为：b/s，人员c已处理的游戏信息的数量占比为：c/s，人员d已处理的游戏信息的数量占比为：d/s。
[0151]
其中，根据数量占比调整文本编码信息归类于每一处理人员的概率值，可以为将每一处理人员对应的概率值与数量占比相乘，将乘值作为调整后概率值。
[0152]
例如，文本编码信息归类于人员a的概率可以为：0.55，归类于人员a的概率可以为：0.2，归类于人员c的概率可以为：0.15，归类于人员a的概率可以为：0.1。人员a已处理的游戏信息的数量占比为：a/s，人员b已处理的游戏信息的数量占比为：b/s，人员c已处理的游戏信息的数量占比为：c/s，人员d已处理的游戏信息的数量占比为：d/s。将每一处理人员
对应的概率值与数量占比相乘，得到人员a对应的调整后概率值为：0.55*a/s，人员b对应的调整后概率值为：0.2*b/s，人员c对应的调整后概率值为：0.15*c/s，人员d对应的调整后概率值为：0.1*d/s。
[0153]
则步骤“基于概率信息从不同处理人员中确定游戏信息文本所属游戏信息对应的目标处理人员”，可以包括以下操作：
[0154]
基于调整后概率信息从不同处理人员中确定游戏信息文本所属游戏信息对应的目标处理人员。
[0155]
具体的，从调整后概率值中选取由大到小排序后，排列前3的概率值对应的处理人员作为当前对游戏信息文本预测得到对应处理人员的结果。
[0156]
本技术实施例公开了一种游戏信息的处理方法，该方法包括：从获取的游戏信息文本中提取出与指定游戏相关的文本关键词；对文本关键词进行编码处理，得到游戏信息文本对应的文本编码信息；确定文本编码信息归类于不同处理人员的概率信息，其中，处理人员用于对指定游戏的游戏信息进行处理；基于概率信息从不同处理人员中确定游戏信息文本所属游戏信息对应的目标处理人员，从而可以提高游戏信息的处理的准确性。
[0157]
根据上述介绍的内容，下面将举例来进一步说明本技术的游戏信息的处理方法。请参阅图2，图2为本技术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：
[0158]
201、终端获取用户输入的指定游戏的游戏问题文本，并从游戏问题文本中提取出与指定游戏相关的目标关键词。
[0159]
在本技术实施例中，游戏问题文本指的是用户对指定游戏进行测试，检测出的游戏bug相关的文本内容，比如，用户输入的游戏问题文本可以为“先知-新春预言皮肤图标缺少役鸟”。
[0160]
具体的，从游戏问题文本中提取出与指定游戏相关的目标关键词可以通过jieba分词算法对游戏问题文本进行分词处理，得到游戏问题文本中与指定游戏关联的词汇，作为目标关键词。
[0161]
例如，游戏问题文本可以为“先知-新春预言皮肤图标缺少役鸟”，通过jieba分词算法对该游戏问题文本进行分词处理，分词结果可以为：
‘
先知’，
‘
新春预言’，
‘
皮肤’，
‘
图标’，
‘
缺少’，
‘
役鸟’，作为游戏问题文本中的目标关键词。
[0162]
202、终端通过编码模型对目标关键词进行编码处理，得到游戏问题文本对应的文本编码信息。
[0163]
在本技术实施例中，采用双模式方法对游戏问题文本的目标关键词进行编码处理。比如，可以采用词袋模型和skip-gram模型分别对游戏问题文本的目标关键词进行编码处理，得到游戏问题文本对应的不同编码信息。第一种模式采用词袋模型会更加偏向于直接根据历史bug内容与处理人的联系，第二种模式采用skip-gram模型会更偏向于建立历史bug内容语义层面的内容与处理人建立联系。
[0164]
其中，通过词袋模型对目标关键词进行编码处理之前，可以采集指定游戏的历史bug内容，对历史bug内容通过jieba分词算法进行分词处理，得到分词结果，基于分词结果训练词袋模型，得到词袋模型中的词典，可以包括历史bug内容中与指定游戏相关的词汇。具体训练方式可以参见上述实施例，在此不多做赘述。
[0165]
具体的，将目标关键词输入训练后的词袋模型中，通过训练后词袋模型基于词典对目标关键词进行向量映射，得到向量编码信息，作为游戏问题文本对应的第一文本编码信息。
[0166]
其中，通过skip-gram模型对目标关键词进行编码处理之前，可以采集指定游戏的历史bug内容，对历史bug内容通过jieba分词算法进行分词处理，得到分词结果，基于分词结果训练skip-gram模型，得到训练后的skip-gram模型。训练时，输入数据是任一目标关键词对应的one-hot编码，标签是游戏问题文本中位于该目标关键词附近的词汇的one-hot编码(可以通过设置windown_size来控制在目标关键词左右取几个词汇作为标签)，具体训练方式可以参见上述实施例，在此不多做赘述。
[0167]
具体的，将目标关键词输入训练后的skip-gram模型中，可以得到每个目标关键词对应的词向量编码，通过对每个目标关键词的词向量做加权平均处理，既可以得到游戏问题文本对应的句向量编码信息，也即第二文本编码信息。
[0168]
203、终端通过分类模型计算文本编码信息归类于各个处理人员的概率值，得到概率信息。
[0169]
在本技术实施例中，根据不同模式的编码方法设计不同的分类模型，分类模型可以采用朴素贝叶斯模型。
[0170]
在通过分类模型计算各个处理人员的概率值之前，可以根据采用词袋模型和skip-gram模型分别对游戏问题文本的目标关键词进行编码处理，得到游戏问题文本对应的不同编码信息分别训练朴素贝叶斯模型，得到第一种模式对应的第一分类模型，以及第二种模式对应的第二分类模型。
[0171]
具体的，采集历史bug内容，对历史bug内容通过词袋模型进行编码处理，得到第一历史文本编码信息，通过第一历史文本编码信息对朴素贝叶斯模型进行训练，从而得到第一种模式对应的第一分类模型，可以通过第一分类模型计算第一文本编码信息归类于不同处理人员的概率值，得到第一概率信息。
[0172]
具体的，采集历史bug内容，对历史bug内容通过skip-gram模型进行编码处理，得到第二历史文本编码信息，通过第二历史文本编码信息对朴素贝叶斯模型进行训练，从而得到第二种模式对应的第二分类模型，可以通过第二分类模型计算第二文本编码信息归类于不同处理人员的概率值，得到第二概率信息。
[0173]
例如，处理人员可以包括：成员a，成员b，成员c以及成员d。通过将第一文本编码信息输入第一分类模型，输出第一文本编码信息归类于成员a的概率可以为0.3，归类于成员b的概率可以为0.17，归类于成员c的概率可以为0.05，归类于成员d的概率可以为0.03，得到第一概率信息。
[0174]
204、终端根据概率信息从多个处理人员中确定需要对游戏问题文本进行处理的目标处理人员。
[0175]
具体的，在通过第一分类模型输出各处理人员的概率后，为了提高预测效率，可以将第一概率信息中的最大概率值与预设概率值进行比较，若第一概率信息中的最大概率值大于预设概率值，则可以基于第一分类模型的预测结果，从第一概率信息中选取概率值最大的至少一个概率值对应的处理人员，作为输出的目标处理人员。
[0176]
或者，若第一概率信息中的最大概率值不大于预设概率值，则进一步采用第二分
类模型计算第二文本编码信息归类于不同处理人员的概率值，得到第二概率信息。
[0177]
例如，处理人员可以包括：成员a，成员b，成员c以及成员d。通过将第二文本编码信息输入第二分类模型，输出第二文本编码信息归类于成员a的概率可以为0.55，归类于成员b的概率可以为0.27，归类于成员c的概率可以为0.05，归类于成员d的概率可以为0.03，得到第二概率信息。
[0178]
进一步的，由于数据存在长尾分布，即80％的处理人员做了20％的bug内容，而20％的处理人员做了80％的bug内容，为了使得整体方法准确率更高，对朴素贝叶斯的模型输出做二次调整。计算各个处理人员做的bug内容占bug内容总和的百分比，假设bug内容总和为s，各个处理人员做的bug内容分别为si，则可以得到每个处理人员占bug内容总和的百分比为：成员a为sa/s，成员b为sb/s，成员c为sc/s，成员d为sd/s。
[0179]
进一步的，将第二分类模型输出各个处理人员对应的概率乘以各个处理人员做的bug内容占bug内容总和的百分比。可以得到最后分类模型预测出所有处理人员的概率包括：成员a为：0.55*sa/s，成员b为：0.27*sb/s，成员c为：0.05*sc/s，成员d为：0.03*sd/s。
[0180]
最后，对于调整后的概率按照由大到小进行排序，选取概率值排列前3的处理人员作为对用户输入的游戏问题文本的处理人预测结果。从而方便用户准确选择最终一位目标处理人员，将游戏问题文本对应的bug内容提交给该目标处理人员进行处理，可以加快游戏bug处理效率。
[0181]
本技术实施例公开了一种游戏信息的处理方法，该方法包括：终端获取用户输入的指定游戏的游戏问题文本，并从游戏问题文本中提取出与指定游戏相关的目标关键词，通过编码模型对目标关键词进行编码处理，得到游戏问题文本对应的文本编码信息，通过分类模型计算文本编码信息归类于各个处理人员的概率值，得到概率信息，根据概率信息从多个处理人员中确定需要对游戏问题文本进行处理的目标处理人员。以此，提高对游戏问题信息的处理效率。
[0182]
为便于更好的实施本技术实施例提供的游戏信息的处理方法，本技术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。
[0183]
请参阅图3，图3为本技术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：
[0184]
第一提取单元301，用于从获取的游戏信息文本中提取出与指定游戏相关的文本关键词；
[0185]
处理单元302，用于对所述文本关键词进行编码处理，得到所述游戏信息文本对应的文本编码信息；
[0186]
第一确定单元303，用于确定所述文本编码信息归类于不同处理人员的概率信息，其中，所述处理人员用于对所述指定游戏的游戏信息进行处理；
[0187]
第二确定单元304，用于基于所述概率信息从所述不同处理人员中确定所述游戏信息文本所属游戏信息对应的目标处理人员。
[0188]
在一些实施例中，第一确定单元303可以包括：
[0189]
第一输入子单元，用于将所述文本编码信息输入训练后分类模型；
[0190]
计算子单元，用于基于所述训练后分类模型计算所述文本编码信息归类于每一处
理人员的概率值，得到所述概率信息。
[0191]
在一些实施例中，该装置还可以包括：
[0192]
第一获取单元，用于获取所述指定游戏的历史游戏信息文本对应的历史文本编码信息；
[0193]
第二获取单元，用于获取各历史游戏信息文本所属游戏信息对应的实际处理人员；
[0194]
第一训练单元，用于基于所述历史文本编码信息与所述实际处理人员对预设分类模型进行训练，得到所述训练后分类模型。
[0195]
在一些实施例中，处理单元302可以包括：
[0196]
第一输入子单元，用于将所述文本关键词输入训练后第一编码模型；
[0197]
第一处理子单元，用于基于所述训练后第一编码模型对所述文本关键词进行向量映射，得到各文本关键词对应的向量；
[0198]
第一确定子单元，用于根据各文本关键词对应的向量构成所述游戏信息文本对应的句向量，得到所述游戏信息文本对应的第一文本编码信息。
[0199]
在一些实施例中，该装置还可以包括：
[0200]
第一采集单元，用于采集所述指定游戏的历史游戏信息文本；
[0201]
第二提取单元，用于从所述历史游戏信息文本中提取与所述指定游戏相关的样本文本关键词；
[0202]
第二训练单元，用于基于所述样本文本关键词对预设第一编码模型进行训练，得到所述训练后第一编码模型。
[0203]
在一些实施例中，第一确定单元303可以包括：
[0204]
第二确定子单元，用于确定所述第一文本编码信息归类于不同处理人员的概率值，得到第一概率信息。
[0205]
在一些实施例中，第一确定单元303可以包括：
[0206]
第二输入子单元，用于将所述文本关键词输入训练后第二编码模型；
[0207]
第二处理子单元，用于基于所述训练后第二编码模型对所述文本关键词进行编码处理，得到各文本关键词对应的词向量；
[0208]
第三处理子单元，用于对所述词向量进行加权处理，得到所述游戏信息文本对应的句向量，作为所述游戏信息文本对应的第二文本编码信息。
[0209]
在一些实施例中，该装置还可以包括：
[0210]
第二采集单元，用于采集所述指定游戏的历史游戏信息文本；
[0211]
第二提取单元，用于从所述历史游戏信息文本中提取与所述指定游戏相关的样本文本关键词；
[0212]
第三训练单元，用于根据所述样本文本关键词对应的编码信息对预设第二编码模型进行训练，得到所述训练后第二编码模型。
[0213]
在一些实施例中，第一确定单元303可以包括：
[0214]
第三确定子单元，用于确定所述第二文本编码信息归类于不同处理人员的概率值，得到第二概率信息。
[0215]
在一些实施例中，第二确定单元304可以包括：
[0216]
第三确定子单元，用于从所述第一概率信息中确定大于预设概率值的第一目标概率值；
[0217]
第四确定子单元，用于基于所述第一目标概率值对应的处理人员，确定所述目标处理人员。
[0218]
在一些实施例中，该装置还可以包括：
[0219]
第三确定单元，用于若所述第一概率信息中不存在大于所述预设概率值的概率值，则从所述第二概率信息中确定大于所述预设概率值的第二目标概率值；
[0220]
第四确定单元，用于基于所述第二目标概率值对应的处理人员，确定所述目标处理人员。
[0221]
在一些实施例中，该装置还可以包括：
[0222]
第三获取单元，用于获取每一处理人员已处理的游戏信息的数量占比；
[0223]
第五确定单元，用于根据所述数量占比调整所述文本编码信息归类于每一处理人员的概率值，得到调整后概率信息。
[0224]
在一些实施例中，第二确定单元304可以包括：
[0225]
第五确定子单元，用于基于所述调整后概率信息从不同处理人员中确定所述游戏信息文本所属游戏信息对应的目标处理人员。
[0226]
在一些实施例中，第一提取单元301可以包括：
[0227]
第四处理子单元，用于对所述游戏信息文本进行分词处理，确定所述游戏信息文本的词汇集合；
[0228]
筛选子单元，用于从所述词汇集合中筛选出与所述指定游戏相关的词汇，得到所述文本关键词。
[0229]
本技术实施例公开了一种游戏信息的处理装置，通过处理单元302对所述文本关键词进行编码处理，得到所述游戏信息文本对应的文本编码信息；第一确定单元303确定所述文本编码信息归类于不同处理人员的概率信息，其中，所述处理人员用于对所述指定游戏的游戏信息进行处理；第二确定单元304基于所述概率信息从所述不同处理人员中确定所述游戏信息文本所属游戏信息对应的目标处理人员。以此，可以提高游戏信息的处理的准确性。
[0230]
相应的，本技术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为本技术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。
[0231]
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。
[0232]
在本技术实施例中，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：
[0233]
从获取的游戏信息文本中提取出与指定游戏相关的文本关键词；
[0234]
对文本关键词进行编码处理，得到游戏信息文本对应的文本编码信息；
[0235]
确定文本编码信息归类于不同处理人员的概率信息，其中，处理人员用于对指定游戏的游戏信息进行处理；
[0236]
基于概率信息从不同处理人员中确定游戏信息文本所属游戏信息对应的目标处理人员。
[0237]
在一些实施例中，确定文本编码信息归类于不同处理人员的概率信息，包括：
[0238]
将文本编码信息输入训练后分类模型；
[0239]
基于训练后分类模型计算文本编码信息归类于每一处理人员的概率值，得到概率信息。
[0240]
在一些实施例中，在将文本编码信息输入训练后分类模型之前，还包括：
[0241]
获取指定游戏的历史游戏信息文本对应的历史文本编码信息；
[0242]
获取各历史游戏信息文本所属游戏信息对应的实际处理人员；
[0243]
基于历史文本编码信息与实际处理人员对预设分类模型进行训练，得到训练后分类模型。
[0244]
在一些实施例中，对文本关键词进行编码处理，得到游戏信息文本对应的文本编码信息，包括：
[0245]
将文本关键词输入训练后第一编码模型；
[0246]
基于训练后第一编码模型对文本关键词进行向量映射，得到各文本关键词对应的向量；
[0247]
根据各文本关键词对应的向量构成游戏信息文本对应的句向量，得到游戏信息文本对应的第一文本编码信息。
[0248]
在一些实施例中，在将文本关键词输入训练后第一编码模型之前，还包括：
[0249]
采集指定游戏的历史游戏信息文本；
[0250]
从历史游戏信息文本中提取与指定游戏相关的样本文本关键词；
[0251]
基于样本文本关键词对预设第一编码模型进行训练，得到训练后第一编码模型。
[0252]
在一些实施例中，确定文本编码信息归类于不同处理人员的概率信息，包括：
[0253]
确定第一文本编码信息归类于不同处理人员的概率值，得到第一概率信息。
[0254]
在一些实施例中，对文本关键词进行编码处理，得到游戏信息文本对应的文本编码信息，包括：
[0255]
将文本关键词输入训练后第二编码模型；
[0256]
基于训练后第二编码模型对文本关键词进行编码处理，得到各文本关键词对应的词向量；
[0257]
对词向量进行加权处理，得到游戏信息文本对应的句向量，作为游戏信息文本对应的第二文本编码信息。
[0258]
在一些实施例中，在将文本关键词输入训练后第二编码模型之前，还包括：
[0259]
采集指定游戏的历史游戏信息文本；
[0260]
从历史游戏信息文本中提取与指定游戏相关的样本文本关键词；
[0261]
根据样本文本关键词对应的编码信息对预设第二编码模型进行训练，得到训练后第二编码模型。
[0262]
在一些实施例中，确定文本编码信息归类于不同处理人员的概率信息，包括：
[0263]
确定第二文本编码信息归类于不同处理人员的概率值，得到第二概率信息。
[0264]
在一些实施例中，基于概率信息从不同处理人员中确定游戏信息文本所属游戏信息对应的目标处理人员，包括：
[0265]
从第一概率信息中确定大于预设概率值的第一目标概率值；
[0266]
基于第一目标概率值对应的处理人员，确定目标处理人员。
[0267]
在一些实施例中，还包括：
[0268]
若第一概率信息中不存在大于预设概率值的概率值，则从第二概率信息中确定大于预设概率值的第二目标概率值；
[0269]
基于第二目标概率值对应的处理人员，确定目标处理人员。
[0270]
在一些实施例中，概率信息包括文本编码信息归类于每一处理人员的概率值；
[0271]
在基于概率信息从不同处理人员中确定游戏信息文本所属游戏信息对应的目标处理人员之前，还包括：
[0272]
获取每一处理人员已处理的游戏信息的数量占比；
[0273]
根据数量占比调整文本编码信息归类于每一处理人员的概率值，得到调整后概率信息；
[0274]
基于概率信息从不同处理人员中确定游戏信息文本所属游戏信息对应的目标处理人员，包括：
[0275]
基于调整后概率信息从不同处理人员中确定游戏信息文本所属游戏信息对应的目标处理人员。
[0276]
在一些实施例中，从获取的游戏信息文本中提取出与指定游戏相关的文本关键词，包括：
[0277]
对游戏信息文本进行分词处理，确定游戏信息文本的词汇集合；
[0278]
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。
[0279]
本方案通过获取用户输入的游戏问题信息文本，从该游戏问题信息文本中确定与指定游戏内容相关的文本关键词，然后通过训练后的多个编码模型分别对文本关键词进行编码处理，从而得到游戏问题信息文本对应的多个文本编码信息，进一步的，通过多个训练后的分类模型分别预测各文本编码信息归类于不同处理人员的概率信息，根据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，以此，提高对游戏问题信息的处理效率。
[0280]
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。
[0281]
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。
[0282]
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-emitting diode)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。在本技术实施例中，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。
[0283]
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。
[0284]
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。
[0285]
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。
[0286]
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。
[0287]
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。
[0288]
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。
[0289]
由上可知，本实施例提供的计算机设备，可以从获取的游戏信息文本中提取出与指定游戏相关的文本关键词；对文本关键词进行编码处理，得到游戏信息文本对应的文本编码信息；确定文本编码信息归类于不同处理人员的概率信息，其中，处理人员用于对指定游戏的游戏信息进行处理；基于概率信息从不同处理人员中确定游戏信息文本所属游戏信
息对应的目标处理人员。
[0290]
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。
[0291]
为此，本技术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，以执行本技术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：
[0292]
从获取的游戏信息文本中提取出与指定游戏相关的文本关键词；
[0293]
对文本关键词进行编码处理，得到游戏信息文本对应的文本编码信息；
[0294]
确定文本编码信息归类于不同处理人员的概率信息，其中，处理人员用于对指定游戏的游戏信息进行处理；
[0295]
基于概率信息从不同处理人员中确定游戏信息文本所属游戏信息对应的目标处理人员。
[0296]
在一些实施例中，确定文本编码信息归类于不同处理人员的概率信息，包括：
[0297]
将文本编码信息输入训练后分类模型；
[0298]
基于训练后分类模型计算文本编码信息归类于每一处理人员的概率值，得到概率信息。
[0299]
在一些实施例中，在将文本编码信息输入训练后分类模型之前，还包括：
[0300]
获取指定游戏的历史游戏信息文本对应的历史文本编码信息；
[0301]
获取各历史游戏信息文本所属游戏信息对应的实际处理人员；
[0302]
基于历史文本编码信息与实际处理人员对预设分类模型进行训练，得到训练后分类模型。
[0303]
在一些实施例中，对文本关键词进行编码处理，得到游戏信息文本对应的文本编码信息，包括：
[0304]
将文本关键词输入训练后第一编码模型；
[0305]
基于训练后第一编码模型对文本关键词进行向量映射，得到各文本关键词对应的向量；
[0306]
根据各文本关键词对应的向量构成游戏信息文本对应的句向量，得到游戏信息文本对应的第一文本编码信息。
[0307]
在一些实施例中，在将文本关键词输入训练后第一编码模型之前，还包括：
[0308]
采集指定游戏的历史游戏信息文本；
[0309]
从历史游戏信息文本中提取与指定游戏相关的样本文本关键词；
[0310]
基于样本文本关键词对预设第一编码模型进行训练，得到训练后第一编码模型。
[0311]
在一些实施例中，确定文本编码信息归类于不同处理人员的概率信息，包括：
[0312]
确定第一文本编码信息归类于不同处理人员的概率值，得到第一概率信息。
[0313]
在一些实施例中，对文本关键词进行编码处理，得到游戏信息文本对应的文本编码信息，包括：
[0314]
将文本关键词输入训练后第二编码模型；
[0315]
基于训练后第二编码模型对文本关键词进行编码处理，得到各文本关键词对应的
词向量；
[0316]
对词向量进行加权处理，得到游戏信息文本对应的句向量，作为游戏信息文本对应的第二文本编码信息。
[0317]
在一些实施例中，在将文本关键词输入训练后第二编码模型之前，还包括：
[0318]
采集指定游戏的历史游戏信息文本；
[0319]
从历史游戏信息文本中提取与指定游戏相关的样本文本关键词；
[0320]
根据样本文本关键词对应的编码信息对预设第二编码模型进行训练，得到训练后第二编码模型。
[0321]
在一些实施例中，确定文本编码信息归类于不同处理人员的概率信息，包括：
[0322]
确定第二文本编码信息归类于不同处理人员的概率值，得到第二概率信息。
[0323]
在一些实施例中，基于概率信息从不同处理人员中确定游戏信息文本所属游戏信息对应的目标处理人员，包括：
[0324]
从第一概率信息中确定大于预设概率值的第一目标概率值；
[0325]
基于第一目标概率值对应的处理人员，确定目标处理人员。
[0326]
在一些实施例中，还包括：
[0327]
若第一概率信息中不存在大于预设概率值的概率值，则从第二概率信息中确定大于预设概率值的第二目标概率值；
[0328]
基于第二目标概率值对应的处理人员，确定目标处理人员。
[0329]
在一些实施例中，概率信息包括文本编码信息归类于每一处理人员的概率值；
[0330]
在基于概率信息从不同处理人员中确定游戏信息文本所属游戏信息对应的目标处理人员之前，还包括：
[0331]
获取每一处理人员已处理的游戏信息的数量占比；
[0332]
根据数量占比调整文本编码信息归类于每一处理人员的概率值，得到调整后概率信息；
[0333]
基于概率信息从不同处理人员中确定游戏信息文本所属游戏信息对应的目标处理人员，包括：
[0334]
基于调整后概率信息从不同处理人员中确定游戏信息文本所属游戏信息对应的目标处理人员。
[0335]
在一些实施例中，从获取的游戏信息文本中提取出与指定游戏相关的文本关键词，包括：
[0336]
对游戏信息文本进行分词处理，确定游戏信息文本的词汇集合；
[0337]
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。
[0338]
本方案通过获取用户输入的游戏问题信息文本，从该游戏问题信息文本中确定与指定游戏内容相关的文本关键词，然后通过训练后的多个编码模型分别对文本关键词进行编码处理，从而得到游戏问题信息文本对应的多个文本编码信息，进一步的，通过多个训练后的分类模型分别预测各文本编码信息归类于不同处理人员的概率信息，以根据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，以此，提高对游戏问题信息的处理效率。
[0339]
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。
[0340]
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。
[0341]
由于该存储介质中所存储的计算机程序，可以执行本技术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，可以实现本技术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。
[0342]
以上对本技术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技术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技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，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技术的限制。

技术特征：
1.一种游戏信息的处理方法，其特征在于，所述方法包括：从获取的游戏信息文本中提取出与指定游戏相关的文本关键词；对所述文本关键词进行编码处理，得到所述游戏信息文本对应的文本编码信息；确定所述文本编码信息归类于不同处理人员的概率信息，其中，所述处理人员用于对所述指定游戏的游戏信息进行处理；基于所述概率信息从所述不同处理人员中确定所述游戏信息文本所属游戏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，所述确定所述文本编码信息归类于不同处理人员的概率信息，包括：将所述文本编码信息输入训练后分类模型；基于所述训练后分类模型计算所述文本编码信息归类于每一处理人员的概率值，得到所述概率信息。3.根据权利要求2所述的方法，其特征在于，在所述将所述文本编码信息输入训练后分类模型之前，还包括：获取所述指定游戏的历史游戏信息文本对应的历史文本编码信息；获取各历史游戏信息文本所属游戏信息对应的实际处理人员；基于所述历史文本编码信息与所述实际处理人员对预设分类模型进行训练，得到所述训练后分类模型。4.根据权利要求1所述的方法，其特征在于，对所述文本关键词进行编码处理，得到所述游戏信息文本对应的文本编码信息，包括：将所述文本关键词输入训练后第一编码模型；基于所述训练后第一编码模型对所述文本关键词进行向量映射，得到各文本关键词对应的向量；根据各文本关键词对应的向量构成所述游戏信息文本对应的句向量，得到所述游戏信息文本对应的第一文本编码信息。5.根据权利要求4所述的方法，其特征在于，在所述将所述文本关键词输入训练后第一编码模型之前，还包括：采集所述指定游戏的历史游戏信息文本；从所述历史游戏信息文本中提取与所述指定游戏相关的样本文本关键词；基于所述样本文本关键词对预设第一编码模型进行训练，得到所述训练后第一编码模型。6.根据权利要求4所述的方法，其特征在于，所述确定所述文本编码信息归类于不同处理人员的概率信息，包括：确定所述第一文本编码信息归类于不同处理人员的概率值，得到第一概率信息。7.根据权利要求1所述的方法，其特征在于，所述对所述文本关键词进行编码处理，得到所述游戏信息文本对应的文本编码信息，包括：将所述文本关键词输入训练后第二编码模型；基于所述训练后第二编码模型对所述文本关键词进行编码处理，得到各文本关键词对应的词向量；
对所述词向量进行加权处理，得到所述游戏信息文本对应的句向量，作为所述游戏信息文本对应的第二文本编码信息。8.根据权利要求7所述的方法，其特征在于，在所述将所述文本关键词输入训练后第二编码模型之前，还包括：采集所述指定游戏的历史游戏信息文本；从所述历史游戏信息文本中提取与所述指定游戏相关的样本文本关键词；根据所述样本文本关键词对应的编码信息对预设第二编码模型进行训练，得到所述训练后第二编码模型。9.根据权利要求7所述的方法，其特征在于，所述确定所述文本编码信息归类于不同处理人员的概率信息，包括：确定所述第二文本编码信息归类于不同处理人员的概率值，得到第二概率信息。10.根据权利要求1-9任一项所述的方法，其特征在于，所述概率信息包括所述游戏信息文本对应的第一文本编码信息归类于不同处理人员的第一概率信息，以及所述游戏信息文本对应的第二文本编码信息归类于不同处理人员的第二概率信息；所述基于所述概率信息从所述不同处理人员中确定所述游戏信息文本所属游戏信息对应的目标处理人员，包括：从所述第一概率信息中确定大于预设概率值的第一目标概率值；基于所述第一目标概率值对应的处理人员，确定所述目标处理人员。11.根据权利要求10所述的方法，其特征在于，还包括：若所述第一概率信息中不存在大于所述预设概率值的概率值，则从所述第二概率信息中确定大于所述预设概率值的第二目标概率值；基于所述第二目标概率值对应的处理人员，确定所述目标处理人员。12.根据权利要求1所述的方法，其特征在于，所述概率信息包括所述文本编码信息归类于每一处理人员的概率值；在所述基于所述概率信息从所述不同处理人员中确定所述游戏信息文本所属游戏信息对应的目标处理人员之前，还包括：获取每一处理人员已处理的游戏信息的数量占比；根据所述数量占比调整所述文本编码信息归类于每一处理人员的概率值，得到调整后概率信息；所述基于所述概率信息从所述不同处理人员中确定所述游戏信息文本所属游戏信息对应的目标处理人员，包括：基于所述调整后概率信息从不同处理人员中确定所述游戏信息文本所属游戏信息对应的目标处理人员。13.根据权利要求1所述的方法，其特征在于，所述从获取的游戏信息文本中提取出与指定游戏相关的文本关键词，包括：对所述游戏信息文本进行分词处理，确定所述游戏信息文本的词汇集合；从所述词汇集合中筛选出与所述指定游戏相关的词汇，得到所述文本关键词。14.一种游戏信息的处理装置，其特征在于，所述装置包括：第一提取单元，用于从获取的游戏信息文本中提取出与指定游戏相关的文本关键词；
处理单元，用于对所述文本关键词进行编码处理，得到所述游戏信息文本对应的文本编码信息；第一确定单元，用于确定所述文本编码信息归类于不同处理人员的概率信息，其中，所述处理人员用于对所述指定游戏的游戏信息进行处理；第二确定单元，用于基于所述概率信息从所述不同处理人员中确定所述游戏信息文本所属游戏信息对应的目标处理人员。15.一种计算机设备，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13任一项所述的游戏信息的处理方法。16.一种存储介质，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13任一项所述的游戏信息的处理方法。

技术总结
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。本方案通过获取用户输入的游戏问题信息文本，从该游戏问题信息文本中确定与指定游戏内容相关的文本关键词，然后通过训练后的多个编码模型分别对文本关键词进行编码处理，从而得到游戏问题信息文本对应的多个文本编码信息，进一步的，通过多个训练后的分类模型分别预测各文本编码信息归类于不同处理人员的概率信息，以根据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。游戏问题信息的处理效率。游戏问题信息的处理效率。


技术研发人员：徐侃 李宫
受保护的技术使用者：网易（杭州）网络有限公司
技术研发日：2023.05.12
技术公布日：2023/8/6