CN112817563A - 目标属性配置信息确定方法、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种目标属性配置信息确定方法、装置、计算机设备和存储介质，所述方法包括：接收终端上传的参数信息；基于所述参数信息对所述终端进行档位分类，获得档位分类结果；根据预设属性配置规则和所述档位分类结果确定所述目标终端对应的目标属性配置信息；将所述目标属性配置信息发送至所述终端。上述目标属性配置信息确定方法，根据获取终端上传的参数数据，对终端进行档位分类，获得档位分类结果，并根据预设属性配置规则和档位分类结果确定目标属性配置信息，并将目标属性配置信息反馈给终端。上述方法根据终端上传的参数信息对终端进行档位分类，由档位分类结果确定终端的属性配置信息，更加符合终端的真实性能。

Description

目标属性配置信息确定方法、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种目标属性配置信息确定方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的发展，越来越多的应用程序被开发出来以供用户使用；针对每一个应用程序通常可以根据用户的自身喜好设置相关的属性配置信息，属性配置信息设置的不同，对应在该应用程序的显示等方面有较大的差别；一个应用程序对于属性配置信息通常会有默认的一套设置方案，在用户刚开始使用该应用程序时，可以按照默认的设置方案设置属性配置信息。

目前关于默认的属性配置信息，通常是根据人工经验制定，然而由于终端的性能不相同，如此获得的默认属性配置信息很有可能与终端的实际性能不匹配。

发明内容

基于此，有必要针对上述技术问题，提供一种能够与终端的实际性能更匹配的目标属性配置信息确定方法、装置、计算机设备和存储介质。

一种目标属性配置信息确定方法，所述方法包括：

接收终端上传的参数信息；

基于所述参数信息对所述终端进行档位分类，获得档位分类结果；

根据预设属性配置规则和所述档位分类结果确定所述目标终端对应的目标属性配置信息；

将所述目标属性配置信息发送至所述终端。

一种目标属性配置信息确定方法，所述方法包括：

响应于属性配置信息设置请求，读取所在终端的参数信息；

将所述参数信息上传至预设服务器；

接收所述预设服务器基于所述参数信息反馈的目标属性配置信息，所述目标属性配置信息由所述预设服务器根据所述参数信息对所在终端进行分类，并根据分类获得的结果确定。

一种目标属性配置信息确定装置，所述装置包括：

接收模块，用于接收终端上传的参数信息；

档位分类模块，用于基于所述参数信息对所述终端进行档位分类，获得档位分类结果；

属性配置信息确定模块，用于根据预设属性配置规则和所述档位分类结果确定所述目标终端对应的目标属性配置信息；

反馈模块，用于将所述目标属性配置信息发送至所述终端。

一种目标属性配置信息确定装置，所述装置包括：

参数信息读取模块，用于响应于属性配置信息设置请求，读取所在终端的参数信息；

信息上传模块，用于将所述参数信息上传至预设服务器；

接收模块，用于接收所述预设服务器基于所述参数信息反馈的目标属性配置信息，所述目标属性配置信息由所述预设服务器根据所述参数信息对所在终端进行分类，并根据分类获得的结果确定。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法中的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法中的步骤。

上述目标属性配置信息确定方法、装置、计算机设备和存储介质，根据获取终端上传的参数数据，对终端进行档位分类，获得档位分类结果，并根据预设属性配置规则和档位分类结果确定目标属性配置信息，并将目标属性配置信息反馈给终端。上述方法根据终端上传的参数信息对终端进行档位分类，由档位分类结果确定终端的属性配置信息，更加符合终端的真实性能。

附图说明

图1为一个实施例中目标属性配置信息确定方法的应用环境图；

图2为一个实施例中目标属性配置信息确定方法的流程示意图；

图3为一个实施例中预设分类决策树的确定方法的流程示意图；

图4为一个实施例中根据各组参数样本数据构建初始分类决策树的流程示意图；

图5为一个具体实施例中获取的参数样本数据示意图；

图6为一个实施例中初始分类决策树的示意图；

图7为一个实施例中根据各组参数样本数据对初始分类决策树进行训练，获得预设分类决策树的流程示意图；

图8为另一个实施例中目标属性配置信息确定方法流程示意图；

图9(1)为一个实施例中DNF游戏在某机型下的客户端的地下城场景下初始化游戏设置界面示意图；

图9(2)为一个实施例中DNF游戏在某机型下的客户端的城镇场景下初始化游戏设置界面示意图；

图10为一个具体实施例中目标属性配置信息确定方法的实现框架示意图；

图11为一个具体实施例中构建并训练获得分类决策树模型的流程示意图；

图12为一个具体实施例中目标属性配置信息确定方法的时序图；

图13为一个实施例中目标属性配置信息确定装置的结构框图；

图14为另一个实施例中目标属性配置信息确定装置的结构框图；

图15为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的目标属性配置信息确定方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。响应于属性配置信息设置请求，终端102将向服务器上传参数信息，服务器104根据终端102上传的参数数据，对终端102进行档位分类，获得档位分类结果，并根据预设属性配置规则和档位分类结果确定目标属性配置信息，并将目标属性配置信息反馈给终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种目标属性配置信息确定方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤S210至步骤S240。

步骤S210，接收终端上传的参数信息。

在一个实施例中，终端上传的参数信息包括终端的硬件参数信息，终端的硬件参数通常包括终端机型、终端CPU(central processing unit，中央处理器)型号、CPU核数、终端CPU频率、终端GPU(Graphics Processing Unit，图形处理器)型号、终端总内存、终端内存使用率、终端分辨率、终端CPU使用率、终端电池温度等。

进一步地，在一个实施例中，终端接收到属性配置设置请求时获取相关的参数信息并上传至服务器，即接收终端上传的参数信息包括：接收终端根据属性配置设置请求上传的参数信息。用户在首次使用某个应用程序时，对于应用程序的相关属性配置参数的设置可能还不太了解，对于个性化设置并不了解，此时可以由服务器为终端推送一套默认的属性配置参数，进一步地，由于各个终端硬件参数的不同，可以对应推送不同的属性配置参数，以使各终端尽可能的为用户提供更好的显示效果，为用户带来更好的体验，此时用户可以在应用程序中点击设置默认属性配置参数的控件，或者应用程序检测到用户首次使用应用程序时，即可判定为终端接收到属性配置设置请求；在另一个实施例中，用户在非首次使用应用程序时希望将属性配置参数恢复为默认的属性配置参数，也可通过点击恢复默认属性配置参数的控件，此时同样判定为终端接收到属性配置设置请求。

步骤S220，基于参数信息对终端进行档位分类，获得档位分类结果。

其中，对终端进行档位分类是确定终端所处的档位，终端的档位可以从一定程度上体现终端的性能好坏、配置高低以及应用程序安装在终端时，应用程序设置不同属性配置属性终端的显示效果等，如某一游戏应用程序设置为不同属性配置信息时终端的画面显示效果。通过对终端上传的参数进行分析对该终端进行档位的划分，确定终端所属的档位，在本实施例中记为档位分类结果；可以根据不同终端档位对应设置不同的属性配置，尽可能使用户在使用应用程序的过程中得到更好的体验。

在一个实施例中，基于参数信息对终端进行档位分类可以是通过任意一种方式实现，例如利用历史数据训练神经网络模型以实现对终端进行档位分类；或者也可以利用历史数据结合经验制定预设规则，根据预设规则对终端进行档位分类；在一个实施例中，基于参数信息对终端进行档位分类，获得档位分类结果，包括：将参数信息输入预设分类决策树；获取预设分类决策树输出的终端的档位分类结果。

决策树(Decision Tree)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法；由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系；决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别；决策树也可以用于分类。机器学习(MachineLearning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，机器学习专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

在本实施例中，预设分类决策树是预先经过训练确定的分类决策树模型，可以用于根据终端的参数信息对终端进行档位分类，将终端上传的参数信息输入预设分类决策树，获取预设分类决策树输出的终端的档位分类结果。决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。决策树主要优点是模型具有可读性，分类速度快；学习时，利用训练数据，根据损失函数最小化的原则建立决策树模型；预测时，对新的数据，利用决策树模型进行分类。

步骤S230，根据预设属性配置规则和档位分类结果确定目标终端对应的目标属性配置信息。

其中，预设属性配置规则是预先设置的终端档位与属性配置信息的对应关系，其中规定了终端档位与属性配置信息的对应关系；在确定终端的档位分类结果后，结合预设属性配置规则可以获得与终端档位对应的属性配置信息，其中，属性配置信息包括应用程序中的相关配置参数。在一个具体实施例中，应用程序为某款游戏软件，对应的属性配置信息可以包括纹理画质、粒子效果、特效透明度、角色显示数量、简化模式、界面详细显示、性能优先模式、重叠时角色显示、比例调整以及不同场景下的高帧率模式等。

根据终端的档位分类结果和预设属性配置规则为终端确定对应的属性配置信息在本实施例中记为目标属性配置信息。

步骤S240，将目标属性配置信息发送至终端。

在根据终端的参数信息确定与该终端对应的目标属性配置信息之后，将目标属性配置信息反馈给终端，以使终端根据目标属性配置信息来调整对应的属性配置选项；在一个实施例中，将目标属性配置信息反馈给终端后，终端可以向用户发送提示信息，以确定用户是否需要按照目标属性配置信息设置相应的属性配置选项，在接收到用户的确认信息时再根据目标属性配置信息调整对应的属性配置选项。

上述目标属性配置信息确定方法，根据获取终端上传的参数数据，对终端进行档位分类，获得档位分类结果，并根据预设属性配置规则和档位分类结果确定目标属性配置信息，并将目标属性配置信息反馈给终端。上述方法根据终端上传的参数信息对终端进行档位分类，由档位分类结果确定终端的属性配置信息，更加符合终端的真实性能。

在一个实施例中，如图3所示，预设分类决策树的确定方法包括步骤S310至步骤S330。

步骤S310，获取多组参数样本数据，一组参数样本数据对应来自同一样本终端。

其中，参数样本数据用于构建并训练预设分类决策树，参数样本数据来自样本终端，在一个实施例中，参数样本数据包括终端的硬件参数数据和在终端中运行的特定应用程序的相关运行数据；在本实施例中，一组参数样本数据对应同一样本终端。其中，特定应用程序与待训练的预设分类决策树所应用的目标应用程序属于相同类型，在目标应用程序未投放使用时，通过与目标应用程序相同类型的特定应用程序的历史运行数据训练得到预设分类决策树；在一个具体实施例中，特定应用程序的相关运行数据包括该特定应用程序的属性配置(如纹理画质、粒子效果、特效透明度、角色显示数量、简化模式、界面详细显示、性能优先模式、重叠时角色显示、比例调整、不同场景下的高帧率模式等)，以及上述属性配置在被设置为不同性能档位时终端的相关运行参数(如FPS，帧率)等。在一个实施例中参数样本数据可以由参数采集模块从样本终端中采集获得，包括对应不同样本终端的多组参数样本，其中同一样本终端的参数样本可以包括多组参数样本。

步骤S320，根据各组参数样本数据构建初始分类决策树。

决策树学习的算法通常是一个递归地选择最优特征，并根据该特征对训练数据进行分割，使得各个子数据集有一个最好的分类的过程；这一过程对应着对特征空间的划分，也对应着决策树的构建；其中，如何选择特征有不同的量化评估方法，从而衍生出不同的决策树，例如ID3(通过信息增益选择特征)、C4.5(通过信息增益比选择特征)、CART(通过Gini指数选择特征)等，在模型构建时可随时调整参数从而选择不同的方式去选择特征。

在一个实施例中，如图4所示，根据各组参数样本数据构建初始分类决策树，包括步骤S410至步骤S450。

步骤S410，分别确定各组参数样本数据对应的最优属性配置档位。

一组参数样本数据对应来自同一样本终端，在一个实施例中，参数样本数据包括终端的硬件参数数据和在终端中运行的特定应用程序的相关运行数据。其中，特定应用程序与待训练的预设分类决策树所应用的目标应用程序属于相同类型，在目标应用程序未投放使用时，通过与目标应用程序相同类型的特定应用程序的历史运行数据训练得到预设分类决策树；在一个具体实施例中，特定应用程序的相关运行数据包括该特定应用程序的属性配置(如纹理画质、粒子效果、特效透明度、角色显示数量、简化模式、界面详细显示、性能优先模式、重叠时角色显示、比例调整、不同场景下的高帧率模式等)，以及上述属性配置在被设置为不同性能档位时终端的相关运行参数(如FPS，帧率)等。进一步地，根据参数样本数据中不同性能档位的属性配置对应的相关运行参数确定最优属性配置档位，以相关运行参数为帧率为例，分别检测应用程序的属性配置信息设置为高性能档位、中性能档位或者低性能档位时分别对应的帧率，将平均帧率最高且帧率方差最小的一组数据对应的性能档位确定为终端的最优属性配置档位。

在一个实施例中，分别确定各组参数样本数据对应的最优属性配置档位，包括：对各组参数样本数据进行预处理，获得预处理数据；读取预处理数据中的特定应用程序的相关运行参数中各性能档位对应的帧率，根据各档位对应的帧率确定各组参数样本数据对应的最优属性配置档位。进一步地，在一个实施例中，对参数样本数据进行预处理包括去除空值、无效值，并根据预设条件对参数样本数据进行一定的筛选，过滤掉无效数据获得有效的数据作为预处理数据。其中，预设条件可以根据实际情况进行设置，在一个具体实施例中，预设条件为平均帧率大于阈值(avg_fps>10)，如图5所示为一个具体实施例中获取的参数样本数据示意图。

步骤S420，获取与档位信息相关的终端的预设参数特征。

其中，预设参数特征可以根据实际情况进行设定，是与终端的档位相关的参数特征；在一个实施例中，终端的参数特征包括终端CPU型号、CPU核数、CPU频率、GPU型号、总内存、内存使用率、分辨率、CPU使用率和电池温度等，结合历史经验从这些终端的参数中挑选出与终端的档位相关性较高的特征即为终端的预设参数特征。

步骤S430，对参数样本数据进行特征工程运算获得数值参数样本。

其中，特征工程的目的是最大限度地从原始数据中提取特征以供算法和模型使用，在一个实施例中，对参数样本数据进行特征工程运算是将参数样本数据转化为数值。进一步地，在一个实施例中，对参数样本数据进行特征工程运输包括：对参数样本数据进行编码，然后对编码得到的数字进行归一化处理，获得数值参数样本；其中，归一化也叫离差标准化，是对原始数据x的线性变换，使归一化的结果y落到[0,1]区间，在一个具体实施例中，归一化的转换函数如下：y＝(x-min)/(max-min)；其中，max为参数样本数据中的最大值，min为参数样本数据中的最小值。在一个具体实施例中，对参数样本数据进行编码可以通过任意一种方式实现，例如将假设有一百款CPU型号，则将每款CPU型号对应1-100从而转化成数字，以此类推。

步骤S440，将数值参数样本作为初始分类决策树的根节点，每次选取一项预设参数特征对参数样本数据进行档位分类，获得两个或者两个以上子集，每一子集中的参数样本数据对应同一档位。

将所有训练数据都放在根节点，选择一个最优特征，按着这一特征将训练数据集分割成子集，使得各个子集有一个在当前条件下最好的分类。在一个具体实施例中，以参数样本数据中包括以下预设参数特征对应的数据为例：终端的GPU型号、CPU频率和内存大小，以ID3算法为例，假设通过计算所有参数样本数据的信息增益值发现GPU型号这一特征的信息增益值最高，则第一步选取GPU型号在根节点进行分类，然后再计算剩余特征中确定CPU频率的信息增益值最高，第二步以CPU频率进行分类，以此类推，直至所有的参数样本数据全部被正确分类，或者剩余的特征中没有合适的特征为止，得到两个或者两个以上子集，且每一子集中的参数样本数据均对应同一属性配置档位；其中，参数样本数据的分类结果与最优属性配置档位相同时表示该参数样本数据被正确分类。

步骤S450，将各子集分别作为初始分类决策树的叶节点，得到初始分类决策树。

步骤S440中将所有参数样本数据作为初始分类决策树的根节点，然后每次选取一个预设参数特征将参数样本数据分类为多个子集后，将获得的多个子集分别作为初始决策树的各叶节点，具体按照选取预设参数特征进行分类的顺序，依次将各子集作为初始决策树的各叶节点；如图6所示，为一个具体实施例中初始分类决策树的示意图，其中，方框表示选取进行分类的预设参数特征，椭圆表示分类得到一个子集对应的属性配置档位结果。

在一个实施例中，构建初始分类决策树包括构建根节点和构建叶节点；其中，构建根节点包括：将所有训练数据放在根节点，选择一个最优特征，以该最优特征将训练数据分割为子集，使得各个子集有一个在当前条件下最好的分类。在一个具体实施例中，假设训练数据包括GPU、CPU和内存数据，以ID3算法为例，假设通过计算所有特征的信息增益值发现GPU型号的信息增益值最高，则选取GPU型号作为根节点进行分类，然后再计算剩余特征中发现CPU频率的信息增益值最高，因此继续以CPU频率进行分割，以此类推。进一步地，在子集已经能够被基本正确分类(分类结果与对应的最优属性配置档位相同)时，构建叶节点，并将这些子集分到所对应的叶节点去；如果还有子集不能够被正确的分类，那么就对这些子集选择新的最优特征，继续对其进行分割，构建相应的节点，如果递归进行，直至所有训练数据子集被基本正确的分类，或者没有合适的特征为止；每个子集都被分到叶节点上，即都有了明确的类，这样就生成了初始分类决策树。其中，选择最优特征可以采用ID3、C4.5或者CART等算法实现。

在一个具体实施例中，采用spark(一种开源集群计算环境)自带的机器学习包中的决策树模型(DecisionTreeClassifier)进行构建初始分类决策树模型。

步骤S330，根据各组参数样本数据对初始分类决策树进行训练，获得预设分类决策树。

利用参数样本数据对初始分类决策树进行训练，在训练达到终止条件时停止训练，即可获得预设分类决策树；其中，终止条件可以根据实际情况进行设置，例如对训练得到的分类决策树的分类准确率进行检测，当分类准确率达到准确率阈值时，停止训练，获得预设分类决策树。

进一步地，在一个实施例中，如图7所示，根据各组参数样本数据对初始分类决策树进行训练，获得预设分类决策树，包括步骤S710至步骤S750。

步骤S710，分别确定各组参数样本数据对应的最优属性配置档位，并将各组参数样本数据划分为训练数据集和测试数据集。

一组参数样本数据对应来自同一终端，包括终端的参数数据以及特定应用程序的属性配置信息，其中，属性配置信息可能存在多种设置为不同的属性时对应的参数，在一个实施例中，将应用程序的属性配置划分为高性能档位、中性能档位和低性能档位；进一步地，参数样本信息中包括特定应用程序的相关运行参数，在一个具体实施例中应用程序的相关参数为特定应用程序在设置为不同性能档位的属性配置时对应的相关运行参数，例如帧率(FPS)，进一步地，根据其中不同性能档位的属性配置信息对应的相关运行参数确定最优属性配置档位，以相关运行参数为帧率为例，分别检测应用程序的属性配置信息设置为高性能档位、中性能档位或者低性能档位时分别对应的帧率，将平均帧率最高、帧率方差最小的一组数据对应的性能档位确定为终端的最优属性配置档位。

其中，训练数据集用于对初始分类决策树进行训练，而测试数据集用于对训练获得的分类决策树的分类准确率进行检测；将参数样本数据划分为训练数据集和测试数据集是将参数样本数据划分为两部分，选取其中一部分作为训练数据集，另一部分作为测试数据集；在一个具体实施例中，选择50％的参数样本数据作为训练数据集，另外50％参数样本数据作为测试数据集。

步骤S720，利用训练数据集对初始分类决策树进行训练，获得中间分类决策树。

步骤S730，依次将测试数据集中的参数样本数据输入中间分类决策树，根据中间分类决策树的输出结果以及测试数据集中各组参数样本数据对应的最优属性配置档位确定中间分类决策树的准确率。

将训练数据和标签数据加载到模型中进行训练，从而训练出决策树树模型，在本实施例中记为中间分类决策树；利用测试数据集对中间分类决策树进行验证，以确定该中间分类决策树的准确率；进一步地，利用测试数据集确定中间分类决策树的准确率具体包括：对测试数据集中各参数样本数据输入中间分类决策树进行分类获得输出的分类结果，然后将各输出结果与该参数样本数据对应的最优配置属性档位进行比较，统计各参数样本数据对应的输出结果与最优配置属性档位相同的数量，在所有测试数据集中的占比即为准确率。

步骤S740，当准确率低于预设阈值时，将测试数据集作为新的训练数据集，训练数据集作为新的测试数据集，返回利用训练数据集对初始分类决策树进行训练的步骤。

若根据测试数据集对中间分类决策树进行准确率验证的结果未达到预设阈值，则任务该中间分类决策树的准确率不达标，需继续训练；在本实施例中，将上一轮选取的测试数据集和训练数据集进行对换，即，上一轮测试数据集作为训练数据集进行训练，然后将上一轮中的训练数据集作为测试数据集对本轮训练得到的中间决策树模型的准确率进行验证；其中，预设阈值可以根据实际情况进行设置，例如可以设置为95％。在一个实施例中，上述方法也称为交叉验证，交叉验证的基本思想是把在某种意义下将原始数据(dataset)进行分组,一部分做为训练集(train set),另一部分做为验证集(validation set or testset),首先用训练集对分类器进行训练,再利用验证集来测试训练得到的模型(model),以此来做为评价分类器的性能指标。

步骤S750，当准确率达到预设阈值时，将获得的中间分类决策树作为预设分类决策树。

在一个具体实施例中，训练获得预设分类决策树的算法思想如下：

其中，训练集为参数样本数据中的部分数据；属性集表示各参数样本数据中终端对应的最优属性配置档位。

上述实施例中的通过交叉验证方式训练获得预设分类决策树模型，经过多次循环，并不断调整模型参数，直到交叉验证确定模型的准确率达到95％为止，可以获得准确率更高的决策树模型。

在另一个实施例中，本申请还提供一种目标属性配置信息确定方法，如图8所示，该方法包括步骤S810至步骤S830。

步骤S810，响应于属性配置信息设置请求，读取所在终端的参数信息。

其中，属性配置信息设置请求可以由用户主动发起(如在界面点击“设置默认属性配置”的控件)，或者在检测到符合初始化条件时自动判定为检测到属性配置信息设置请求。用户在首次使用某个应用程序时，对于应用程序的相关属性配置参数的设置可能还不太了解，对于个性化设置并不了解，此时可以由服务器为终端推送一套默认的属性配置参数，进一步地，由于各个终端硬件参数的不同，可以对应推送不同的属性配置参数，以使各终端尽可能的为用户提供更好的显示效果，为用户带来更好的体验，此时用户可以在应用程序中点击设置默认属性配置参数的控件，或者应用程序检测到用户首次使用应用程序时，即可判定为终端接收到属性配置设置请求；在另一个实施例中，用户在非首次使用应用程序时希望将属性配置参数恢复为默认的属性配置参数，也可通过点击恢复默认属性配置参数的控件，此时同样判定为终端接收到属性配置设置请求。读取所在终端的参数信息包括终端的硬件参数信息。

在一个实施例中，终端上传的参数信息包括终端的硬件参数信息，终端的硬件参数通常包括终端机型、终端CPU(central processing unit，中央处理器)型号、CPU核数、终端CPU频率、终端GPU(Graphics Processing Unit，图形处理器)型号、终端总内存、终端内存使用率、终端分辨率、终端CPU使用率、终端电池温度等。

步骤S820，将参数信息上传至预设服务器。

预设服务器为待设置属性配置信息的应用程序对应的服务器，该预设服务器根据终端上传的参数信息确定终端的目标属性配置信息。具体地，预设服务器可以根据终端的参数信息进行档位分类，并根据档位分类结果确定目标属性配置信息；在一个具体实施例中，预设服务器为SDK后台服务器。

步骤S830，接收预设服务器基于参数信息反馈的目标属性配置信息，目标属性配置信息由预设服务器根据参数信息对所在终端进行分类，并根据分类获得的结果确定。

进一步地，在一个实施例中，预设服务器在根据终端的参数信息对终端进行档位分类，获得档位分类结果，并根据档位分类和预设属性配置规则确定目标属性配置信息，然后将目标属性配置信息反馈给终端。更进一步地，预设服务器将参数信息输入预设分类决策树，由预设分类决策树输出最大的档位分类结果；其中，预设分类决策树是由预设服务器根据大量参数样本数据构建并训练得到的，用于对终端的档位进行分类。

上述实施例中的目标属性配置信息确定方法中，在需要对某应用程序的属性配置进行设置时，由终端获取参数信息上传给预设服务器，预设服务器在根据终端的参数信息对终端进行档位分类后，根据终端的档位分类结果为终端确定较为合适的属性配置信息反馈给终端，可以使属性配置信息更为符合终端的实际性能。

进一步地，在一个实施例中，在接收预设服务器基于参数信息反馈的目标属性配置信息之后，还包括：按照目标属性配置信息对应调整所在终端的属性配置选项。

终端在接收到预设服务器反馈的目标属性配置信息后，可以将该目标属性配置信息中的各属性配置一一对应用程序的属性配置选项进行调整；在一个具体实施例中，目标属性配置信息包括应用程序的纹理画质放大：开启、粒子效果：高，队友特效透明度：100％，角色显示数量：20，…，高帧率模式：开启，等等。

在一个实施例中，终端在按照目标属性配置信息对应调整所在终端的属性配置选项之前，还包括：根据目标属性配置信息生成默认属性配置信息调整确认信息，显示默认属性配置信息调整确认信息，在获取到默认属性配置信息调整确认信息的反馈消息为确认调整时，进入按照目标属性配置信息对应调整所在终端的属性配置选项的步骤。本实施例中，终端获取到预设服务器生成的目标属性配置信息之后，生成确认信息展示给用户，有用户确认是否按照该目标属性配置信息的方案调整属性配置选项，若确认终端按照目标属性配置信息对应调整所在终端的属性配置选项；进一步地，用户还可以在目标属性配置信息的基础上进行自定义调整。

本申请还提供一种应用场景，该应用场景应用上述目标属性配置信息确定方法。具体地，该目标属性配置信息确定方法在该应用场景的应用如下：

以手机终端中的DNF(地下城与勇士，其他实施例中也可以是其它应用程序)为例，属性配置信息是指游戏中的设置信息，在本实施例中，上述目标属性配置信息确定方法应用于为DNF推荐初始化游戏设置的过程为例；在DNF游戏还未正式上线前获取另一款同类型游戏王者荣耀(其他实施例中也可以是其它应用程序)的用户大数据，作为参数样本数据，对top500机型进行分类，根据不同档位的机型，对应的设置DNF不同档位的游戏设置。

例如：DNF在地下城场景下的游戏的设置包含：(1)纹理画质放大：开启/关闭(2)粒子效果：高/中/低(3)队员特效透明度：0％-100％(4)高帧率模式(地下城)：开启/关闭(5)高帧率模式(城镇)：开启/关闭；在一个具体实施例中，DNF游戏在某机型下的客户端的地下城场景下初始化游戏设置界面如图9(1)所示；DNF在城镇场景下的游戏的设置包含：(1)纹理画质放大：开启/关闭(2)粒子效果：高/中/低(3)队员特效透明度：0％-100％(4)城镇角色显示数量：0/10/20/30(5)城镇角色简化模式：开启/关闭(6)界面详细显示：高/中/低(7)性能优先模式：开启/关闭(8)重叠时角色显示：开启/关闭(9)比例调整：城镇近距离/远距离；地下城近距离/远距离(10)高帧率模式(地下城)：开启/关闭(11)高帧率模式(城镇)：开启/关闭；在一个具体实施例中，DNF游戏在某机型下的客户端的城镇场景下初始化游戏设置界面如图9(2)所示。

如图10所示为一个具体实施例中目标属性配置信息确定方法的实现框架示意图；在本实施例中，采用蓝鲸数据平台进行终端上传的参数信息采集，TDM(数据上报渠道)负责数据上传，蓝鲸数据平台：数据存储、计算、分析平台，负责将客户端上报的数据进行清洗(即清洗脏数据)，并存储hdfs(数据仓库)。SPARK平台：主要用于根据用户游戏客户端数据例如游戏fps和场景数据计算出每款机型对局内的终端性能，然后在周期性的从蓝鲸数据平台的hdfs(数据仓库)中提取出每款机型终端硬件数据以及相对应的之前计算的终端性能数据进行训练初始化离线决策树模型。其中，手机客户端中的SDK进行数据采集，并将采集的用户数据(参数信息)通过数据上报渠道上报给离线大数据平台中的蓝鲸数据平台，SPARK离线计算手机档位的模块从蓝鲸数据平台获取历史用户数据(手机上传的参数数据)，利用该历史用户数据构建初始决策树模型，并由用于训练模型的模块对初始分类决策树进行训练确定分类决策树模型，当需要为某手机中的某应用程序推荐属性配置信息时，如DNF，离线大数据平台获取手机的参数信息，由训练得到的分类决策树模型对手机进行档位分类，并基于预设属性配置规则和档位分类结果确定目标属性配置信息作为DNF的初始化配置推送给手机。

如图11所示为一个具体实施例中构建并训练获得分类决策树模型的流程示意图，在获取到历史用户数据作为参数样本数据后，首先对参数样本数据进行预处理，然后进行特征工程运算，利用筛选出的数据构建初始分类决策树模型；再利用参数样本数据对初始分类决策树模型进行训练和评估，若训练得到的模型准确率未达到预设阈值(如95％)时，返回继续训练模型进行参数调优，直至训练得到的模型准确率达到预设阈值，停止训练，获得预设分类决策树模型。

如图12所示为一个具体实施例中目标属性配置信息确定方法的时序图；在本实施例中，SDK优化策略模块将终端的参数信息上传给SDK后台之后，从SDK后台获取根据终端的参数信息确定的目标属性配置信息，推送给客户端API接口，API接口检查该目标属性配置信息后推送给客户端调整优化测试模块，由客户端调整优化测试模块按照目标属性配置信息为终端对应调整属性配置选项，并将调整结果返回给API接口转发给SDK后台。SDK优化策略模块定期更新目标属性配置信息进行推送。

进一步地，在一个具体实施例中，预设属性配置规则包括：纹理画质放大：开启(高档)、关闭(中低端)；粒子效果：高(高档)、中(中档)、低(低档)；队员特效透明度：0％-100％(高档：100％，中档：80％，低档：60％)；城镇角色显示数量：0(低档)、10(中低档)、20(高档)、30(高档)；城镇角色简化模式：开启(中低端)、关闭(高档)；界面详细显示：高(高档)、中(中档)、低(低档)；性能优先模式：开启(高档)、关闭(中低端)；重叠时角色显示：开启(高档)、关闭(中低端)；比例调整：城镇近距离(高档)、远距离(中低端)；地下城近距离(高档)、远距离(中低端)；高帧率模式(地下城)：开启(高档)、关闭(中低端)；高帧率模式(城镇)：开启(高档)、关闭(中低端)。

上述方法依托大数据平台从游戏实际用户数据中挖掘出更贴切用户实际需要的游戏初始化设置并推荐给项目组，大大减少了人力成本，同时考虑了在对局中的游戏场景下可用的终端资源，使初始化配置更符合终端的实际性能，可以有效的提升用户游戏体验。

应该理解的是，虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图13所示，提供了一种目标属性配置信息确定装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：接收模块1310、档位分类模块1320、属性配置信息确定模块1330和反馈模块1340，其中：

接收模块1310，用于接收终端上传的参数信息；

档位分类模块1320，用于基于所述参数信息对所述终端进行档位分类，获得档位分类结果；

属性配置信息确定模块1330，用于根据预设属性配置规则和所述档位分类结果确定所述目标终端对应的目标属性配置信息；

反馈模块1340，用于将所述目标属性配置信息发送至所述终端。

上述目标属性配置信息确定装置，根据获取终端上传的参数数据，对终端进行档位分类，获得档位分类结果，并根据预设属性配置规则和档位分类结果确定目标属性配置信息，并将目标属性配置信息反馈给终端。上述装置根据终端上传的参数信息对终端进行档位分类

，由档位分类结果确定终端的属性配置信息，更加符合终端的真实性能。

在一个实施例中，上述目标属性配置信息确定装置中的档位分类模块1320还用于将参数信息输入预设分类决策树；获取预设分类决策树输出的终端的档位分类结果。

在一个实施例中，上述目标属性配置信息确定装置还包括决策树确定模块，该模块包括：样本获取模块，用于获取多组参数样本数据，一组参数样本数据对应来自同一样本终端；决策树构建模块，用于根据各组参数样本数据构建初始分类决策树；以及训练模块，用于根据各组参数样本数据对初始分类决策树进行训练，获得预设分类决策树。

在一个实施例中，上述决策树构建模块包括：最优属性配置档位确定模块，用于分别确定各组参数样本数据对应的最优属性配置档位；预设参数特征获取模块，用于获取与档位信息相关的终端的预设参数特征；特征工程模块，用于对参数样本数据进行特征工程运算获得数值参数样本；子集分割模块，用于将数值参数样本作为初始分类决策树的根节点，每次选取一项预设参数特征对参数样本数据进行档位分类，获得两个或者两个以上子集，每一子集中的参数样本数据对应同一档位；初始决策树输出模块，用于将各子集分别作为初始分类决策树的叶节点，得到初始分类决策树。

在一个实施例中，上述最优属性配置档位确定模块包括预处理模块，用于对各组参数样本数据进行预处理，获得预处理数据；帧率读取模块，用于读取预处理数据中各预设档位对应的帧率，根据各预设档位对应的帧率确定各组参数样本数据对应的最优属性配置档位。

在一个实施例中，上述训练模块包括数据集划分模块，用于分别确定各组参数样本数据对应的最优属性配置档位，并将各组参数样本数据划分为训练数据集和测试数据集；训练模块还用于利用训练数据集对初始分类决策树进行训练，获得中间分类决策树；检验模块，用于依次将测试数据集中的参数样本数据输入中间分类决策树，根据中间分类决策树的输出结果以及测试数据集中各组参数样本数据对应的最优属性配置档位确定中间分类决策树的准确率；循环模块，用于当准确率低于预设阈值时，将测试数据集作为新的训练数据集，训练数据集作为新的测试数据集，返回利用训练数据集对初始分类决策树进行训练的步骤；输出模块，用于当准确率达到预设阈值时，将获得的中间分类决策树作为预设分类决策树。

在另一个实施例中，本申请还提供一种目标属性配置信息确定装置，如图14所示，该装置包括：参数信息读取模块1410、信息上传模块1420和接收模块1430。其中：

参数信息读取模块1410，用于响应于属性配置信息设置请求，读取所在终端的参数信息；

信息上传模块1420，用于将参数信息上传至预设服务器；

接收模块1430，用于接收预设服务器基于参数信息反馈的目标属性配置信息，目标属性配置信息由预设服务器根据参数信息对所在终端进行分类，并根据分类获得的结果确定。

在一个实施例中，上述目标属性配置信息确定装置还包括：属性配置调整模块，用于按照目标属性配置信息对应调整所在终端的属性配置选项。

关于目标属性配置信息确定装置的具体限定可以参见上文中对于目标属性配置信息确定方法的限定，在此不再赘述。上述目标属性配置信息确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图15所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设属性配置规则等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标属性配置信息确定方法。

本领域技术人员可以理解，图15中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种目标属性配置信息确定方法，所述方法包括：

接收终端上传的参数信息；

基于所述参数信息对所述终端进行档位分类，获得档位分类结果；

根据预设属性配置规则和所述档位分类结果确定所述目标终端对应的目标属性配置信息；

将所述目标属性配置信息发送至所述终端。

2.根据权利要求1所述的目标属性配置信息确定方法，其特征在于，所述基于所述参数信息对所述终端进行档位分类，获得档位分类结果，包括：

将所述参数信息输入预设分类决策树；

获取所述预设分类决策树输出的所述终端的档位分类结果。

3.根据权利要求2所述的目标属性配置信息确定方法，其特征在于，所述预设分类决策树的确定方法包括：

获取多组参数样本数据，一组所述参数样本数据对应来自同一样本终端；

根据各组所述参数样本数据构建初始分类决策树；

根据各组所述参数样本数据对所述初始分类决策树进行训练，获得所述预设分类决策树。

4.根据权利要求3所述的目标属性配置信息确定方法，其特征在于，所述根据各组所述参数样本数据构建初始分类决策树，包括：

分别确定各组所述参数样本数据对应的最优属性配置档位；

获取与档位信息相关的终端的预设参数特征；

对所述参数样本数据进行特征工程运算获得数值参数样本；

将所述数值参数样本作为初始分类决策树的根节点，每次选取一项所述预设参数特征对所述参数样本数据进行档位分类，获得两个或者两个以上子集，每一所述子集中的参数样本数据对应同一档位；

将各所述子集分别作为所述初始分类决策树的叶节点，得到所述初始分类决策树。

5.根据权利要求4所述的目标属性配置信息确定方法，其特征在于，所述分别确定各组所述参数样本数据对应的最优属性配置档位，包括：

对各组所述参数样本数据进行预处理，获得预处理数据；

读取所述预处理数据中各预设档位对应的帧率，根据各所述预设档位对应的帧率确定各组所述参数样本数据对应的最优属性配置档位。

6.根据权利要求3所述的目标属性配置信息确定方法，其特征在于，所述根据各组所述参数样本数据对所述初始分类决策树进行训练，获得所述预设分类决策树，包括：

分别确定各组所述参数样本数据对应的最优属性配置档位，并将各组所述参数样本数据划分为训练数据集和测试数据集；

利用所述训练数据集对所述初始分类决策树进行训练，获得中间分类决策树；

依次将所述测试数据集中的参数样本数据输入所述中间分类决策树，根据所述中间分类决策树的输出结果以及所述测试数据集中各组参数样本数据对应的最优属性配置档位确定所述中间分类决策树的准确率；

当所述准确率低于预设阈值时，将所述测试数据集作为新的训练数据集，所述训练数据集作为新的测试数据集，返回所述利用所述训练数据集对所述初始分类决策树进行训练的步骤；

当所述准确率达到所述预设阈值时，将获得的所述中间分类决策树作为所述预设分类决策树。

7.一种目标属性配置信息确定方法，所述方法包括：

响应于属性配置信息设置请求，读取所在终端的参数信息；

将所述参数信息上传至预设服务器；

接收所述预设服务器基于所述参数信息反馈的目标属性配置信息，所述目标属性配置信息由所述预设服务器根据所述参数信息对所在终端进行分类，并根据分类获得的结果确定。

8.根据权利要求7所述的目标属性配置信息确定方法，其特征在于，在所述接收所述预设服务器基于所述参数信息反馈的目标属性配置信息之后，还包括：

按照所述目标属性配置信息对应调整所在终端的属性配置选项。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。

10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。

Images