CN103106340B - 基于数据挖掘和数据融合的游戏关卡自动生成系统及方法 - Google Patents
基于数据挖掘和数据融合的游戏关卡自动生成系统及方法 Download PDFInfo
- Publication number
- CN103106340B CN103106340B CN201310022017.2A CN201310022017A CN103106340B CN 103106340 B CN103106340 B CN 103106340B CN 201310022017 A CN201310022017 A CN 201310022017A CN 103106340 B CN103106340 B CN 103106340B
- Authority
- CN
- China
- Prior art keywords
- data
- attribute
- game
- game level
- outpost
- 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.)
- Expired - Fee Related
Links
Abstract
本发明公开了一种基于数据挖掘和数据融合的游戏关卡自动生成系统及方法,该系统包括数据收集模块、数据挖掘模块、数据融合模块和关卡信息生成模块,该方法包括:收集预先定义的游戏玩法数据包括游戏关卡属性以及目标属性;对游戏玩法数据中属性数据进行约减以及建立决策树;对收集到的多个游戏关卡属性数据进行融合处理,得出一条全面代表玩家行为的数据;利用数据融合的游戏关卡属性数据结果作为决策树的测试数据,利用测试数据进行关卡信息的最终设置完成游戏关卡自动生成。本发明依据游戏玩法数据的引入自动生成游戏关卡,不仅降低了游戏设计成本,而且利用数据挖掘技术和数据融合技术挖掘游戏玩法数据中的规则知识提高了游戏的自动化和智能化程度。
Description
技术领域
本发明属于数据融合和数据挖掘领域,特别是涉及游戏关卡中的数据融合和数据挖掘的应用。
背景技术
随着计算机和智能手机的发展和普及,游戏已经成为一种非常受欢迎的娱乐方式并呈现出爆炸式的增长态势。游戏开发也成为一个快速发展的行业,游戏开发的过程中,游戏关卡的设计是游戏开发的重点,但是如果所有关卡都由设计师逐一设计将花费大量的时间和资金。所以,关卡自动生成技术被应用于游戏关卡的开发中,大大降低了游戏的开发成本。
目前,国内外的游戏关卡设计模型主要考虑的是艺术学、工程学和设计学。但是在这些以玩家为最终对象的关卡设计模型中却缺少对玩家在玩游戏时的适应程度的分析。出现该现象主要是由于在模型中没有充分考虑游戏用户玩游戏时得到的游戏玩法数据。
随着游戏产业的快速发展,游戏数据的记录和存储已成为游戏开发的流行趋势,如今玩家们可跟踪游戏进度、分析以往的游戏行为,并和玩友分享这些数据。高分榜、可重复体验、历史匹配、团队排名、玩家操作、成就、动机以及奖杯蕴藏着供游戏玩家享用的宝贵数据。并且游戏数据持续有效地被构建和融合,形成了一种完整的数据状态。一个玩家的游戏玩法数据,这个定义是针对真正玩游戏这个过程而言的,可以通过一些软件来收集玩家的行为以及相关游戏活动。Galloway认为玩家的行为可分解为叙事性和非叙事性行为。叙事性行为是指那些与“游戏的整体故事叙述”相关联部分,如奔跑、与游戏中的人物对话、在游戏世界里征服一个迷宫等等都是叙事性行为的例子。非叙事性行为是“指孕育在游戏人物角色和游戏世界里的,伴随外界环境共同发展的元素”比如按下开始按钮或者在游戏里运用预警系统。叙事性行为和非叙事性行为都是发生在游戏玩法里,并且可被一些软件存储下来的。
以游戏玩家的动机为例,当玩家有强烈的好奇心和探索欲时,这个动机会推动玩家去玩耍,此动机也会得到系统数据的多次论证。例如:当玩家被激励着去掌控一个游戏时,它的用户名会因为出现在排行榜而得到验证;而当玩家热衷探险时,他们的手机游戏征途上通常会出现游戏地图;社交型玩家倾向于社会交往,努力与他人构建人际关系并乐于团队合作。举例来说,如果一个玩家因为获得了一个奖杯后就停止了游戏,这说明他的外在动机已经被侵蚀或者逐渐下降。反之,如果他们继续玩这款游戏,会被认为这个玩家持续不断地期望得到奖励并且永远受外在动机所驱使。然而,由于过分突出玩家所取得的成就并将玩家所取得的目标与奖励联系在一起,因此很多游戏公司已经因为过多注重对动机型玩家的奖励而被人们诟病。
由此可看出,玩家的游戏玩法数据对游戏用户有着重要的意义,但是,如果我们不能正确的处理这些数据,也会带来不良的效果。因此,如何正确有效的利用这些数据成为研究的热点。处理游戏玩法数据时遇到了不少困难,专家和学者进行了大量的研究也提出了不少的解决方法,例如,数据挖掘技术、数据融合技术等。
数据挖掘与数据融合同为数据处理方法,在手段、功能上各有侧重。数据挖掘方法是运用归纳的思想从已有的数据中发现知识;而数据融合方法则是以演绎的思想实现对知识的应用,并获取新的数据。比如,在天气预报领域,数据挖掘可以根据已有的气象数据发现多种气象类型和规律;数据融合则根据发现的气象类型和规律以及已有的数据,得到新的数据为预报员提供有效的天气趋势分析的参考。两者之间可以互为前提,也可以互为补充,形成一种闭环系统。
数据挖掘是从数据库中提取人们感兴趣的知识,这些知识是隐含的、事先未知的、潜在有用的信息,提取的知识可表示为概念、规则、规律、模式等形式。广义地讲,数据挖掘是在一些事实或观察的集合中寻找模式的决策支持过程。也就是说,数据挖掘的对象不仅是数据库,也可以是文件系统,或其他任何数据集合。
数据挖掘技术是从数据中提取知识。这些知识按功能分为两大类:预测型和描述型。预测型可以根据数据项的值精确确定某种结果。描述型是对数据中存在的规则作一种描述,或者根据数据的相似性把数据分组。数据挖掘是一个完整的、反复的人机交互处理过程,该过程需要经历多个相互联系的步骤,而且因为应用领域的分析目标需求不同,以及数据来源和含义的不同,其中的步骤也不会完全一样。一般来说,数据挖掘的过程主要包含五个阶段:数据准备;数据选择;数据预处理;④数据挖掘;⑤转换模型及模式评价。由于数据挖掘面对的数据结构是复杂的、数 据类型是多样化的、数据规模是巨大的,所解决的问题以及结果形式也是多种多样的。因此,为了满足数据、问题、结果形式的要求,针对不同的挖掘目的,必须运用不同的数据挖掘技术。常用的数据挖掘技术主要分为两个方面:寻找数据规律和针对实际问题的数据处理。寻找数据规律包括:统计分析方法是利用统计学、概率论的原理对关系中各属性进行统计分析,从而找出它们之间的关系和规律;粗糙集方法是一种从不精确的、模糊的、不确定的数据中发现知识的方法,广泛应用于不精确、不确定、不完全的信息的分类和知识获取;决策树方法就是利用训练集生成一个测试函数,根据不同取值建立树的分支,在每个分支子集中重复建立下层结点和分支,这样便生成一棵决策树,然后对决策树进行剪枝处理,最后把决策树转化为规则,利用这些规则可以对新事例进行分类;④神经网络方法是一种具有对非线性数据快速拟合的能力,可用于分类、聚类、特征挖掘等多种数据挖掘任务的方法。针对实际问题的数据处理包括:遗传算法是一种优化技术,它利用生物进化的一系列概念进行问题的搜索,最终达到优化的目的;模糊理论方法就是一种利用模糊集合理论,对实际问题进行模糊判断、模糊决策、模糊模式识别、模糊簇聚分析的方法。
数据融合就是利用计算机对各种信息源进行处理、控制和决策的一体化过程。它是计算机、通信和微电子等技术迅速发展的结果。数据融合分为像素级融合、特征级融合、决策级融合三种。像素级融合:即以像素为单位将各传感器的原始数据或经最小程度处理的数据进行融合,一般使用于中央级融合结构中,如果要融合的数据分别来自不同的传感器,则在处理时需要面临数据配准的问题;特征级融合:即对每个传感器的观测数据进行特征抽取得到一个特征向量,然后把这些特征向量融合起来并根据融合得的特征向量进行身份判定,特征级融合既可以用于中央级数据融合结构,也可以用于传感器级数据融合结构;决策级融合:在决策级融合中每个传感器独立处理自己获得的数据,对目标进行检测和分类,然后将来自每个传感器的结果进行融合决策。如果各传感器接收的信号不独立,那么决策级融合的分类性能对于特征级融合的分类性能来说是次优的。另外,数据融合常用的融合算法包括基于权系数的融合方法、基于参数估计的信息融合方法、基于D-S证据理论的融合方法、基于Kalman滤波的融合方法、基于模糊神经网络的融合方法、基于粗糙集理论的融合方法等。
发明内容
基于上述现有技术及其缺陷,本发明提出一种基于数据挖掘和数据融合的游戏关卡自动生成系统,在游戏关卡设计中引入游戏玩法数据,对系统收集的游戏玩法数据利用数据挖掘技术从游戏玩法数据获得决策树,然后利用数据融合技术融合对玩家游戏玩法数据进行预处理,有效的利用两种技术,自动生成游戏关卡,降低游戏开发成本并提高游戏的可玩性。
本发明提出了一种基于数据挖掘和数据融合的游戏关卡自动生成系统,该系统包括数据收集模块、数据挖掘模块、数据融合模块和关卡信息生成模块,其中:
所述数据收集模块,用于收集预先定义的游戏玩法数据包括游戏关卡属性以及目标属性;目标属性是由玩家在关卡结束时主观定义得到,其余属性则由程序自动生成,即利用游戏程序中已有的相关变量得到所需要的属性数据;对所述游戏玩法数据进行预处理,即分析并统计收集到的各个属性的数据得到数据规律后,再转换成在所述数据挖掘模块的决策树中使用的值;
所述数据挖掘模块,用于对上述的游戏玩法数据中属性数据进行约减以及建立决策树;将所述游戏玩法数据作为训练数据;约减算法采用FCBF算法,去除与目标属性无关或冗余的属性;选择ID3算法构建出反映游戏难易度的决策树:检测收集到的所有属性数据,选择信息增益值最大的属性产生决策树节点,由该属性的不同取值建立分支,再对各分支的子集递归调用该方法建立决策树节点的分支,直到所有子集仅包含同一个类别的数据为止,最后得到决策树;
所述数据融合模块,用于对收集到的多个游戏关卡属性数据进行融合处理,选择D-S证据理论作为数据融合的算法:首先,定义关卡数据为D[n],数据挖掘得到的各属性的信息增益为Gain[n],各属性的最大值为Max[n],处理后的关卡数据为Data[n],处理规则为:
Data[n]=D[n]*Gain[n]/Max[n]其中,n为属性的个数;
然后,利用D-S证据理论算法对数据处理进行融合后得到的一条新的更能代表玩家行为的数据;最后,把该条数据转换成一条与游戏关卡属性数据格式相同的数据,用于关卡信息生成模块并且把该条数据再放入训练数据中以完善训练数据集,得出一条全面代表玩家行为的数据;
所述关卡信息生成模块,用于利用数据融合的游戏关卡属性数据结果作为决策树的 测试数据,以及利用测试数据进行关卡信息的最终设置,完成游戏关卡的自动生成,具体为:利用数据融合模块生成的新的游戏关卡属性数据作为决策树的测试数据,从而得到游戏难易度,然后根据难易度来设置关卡信息,设置规则为:如果难易度结果为容易,则提高关卡的难度;如果难易度结果为中等,则保持关卡的难度,但是要改变游戏关卡中影响难易度的数据信息;最后,根据关卡信息自动生成新的、更适合玩家的游戏关卡。
本发明还提出了一种基于数据挖掘和数据融合的游戏关卡自动生成系统,该方法包括以下步骤:
步骤一、收集预先定义的游戏玩法数据包括游戏关卡属性以及目标属性;目标属性是由玩家在关卡结束时主观定义得到,其余属性则由程序自动生成,即利用游戏程序中已有的相关变量得到所需要的属性数据;对所述游戏玩法数据进行预处理,即分析并统计收集到的各个属性的数据得到数据规律后,再转换成决策树中使用的值;
步骤二、对上述的游戏玩法数据中属性数据进行约减以及建立决策树;将所述游戏玩法数据作为训练数据;约减算法采用FCBF算法,去除与目标属性无关或冗余的属性;选择ID3算法构建出反映游戏难易度的决策树:检测收集到的所有属性数据,选择信息增益值最大的属性产生决策树节点,由该属性的不同取值建立分支,再对各分支的子集递归调用该方法建立决策树节点的分支,直到所有子集仅包含同一个类别的数据为止,最后得到决策树;
步骤三、对收集到的多个游戏关卡属性数据进行融合处理,选择D-S证据理论作为数据融合的算法:首先,定义关卡数据为D[n],数据挖掘得到的各属性的信息增益为Gain[n],各属性的最大值为Max[n],处理后的关卡数据为Data[n],处理规则为:
Data[n]=D[n]*Gain[n]/Max[n]其中,n为属性的个数;
然后,利用D-S证据理论算法对数据处理进行融合后得到的一条新的更能代表玩家行为的数据;最后,把该条数据转换成一条与游戏关卡属性数据格式相同的数据,用于关卡信息生成模块并且把该条数据再放入训练数据中以完善训练数据集,得出一条全面代表玩家行为的数据;
步骤四、利用数据融合的游戏关卡属性数据结果作为决策树的测试数据,以及利用测试数据进行关卡信息的最终设置,完成游戏关卡的自动生成,具体为:利用数据融合模块生成的新的游戏关卡属性数据作为决策树的测试数据,从而得到游戏难易度,然后根据难易度来设置关卡信息,设置规则为:如果难易度结果为容易,则提高关卡的难度; 如果难易度结果为中等,则保持关卡的难度,但是要改变游戏关卡中影响难易度的数据信息;最后,根据关卡信息自动生成新的、更适合玩家的游戏关卡。
与现有技术相比,本发明依据游戏玩法数据的引入实现游戏关卡自动生成,不仅降低了游戏设计成本,而且更加丰富了游戏关卡的设计,利用数据挖掘技术和数据融合技术挖掘游戏玩法数据中的规则知识提高了游戏的自动化和智能化程度。
附图说明
图1是本发明的基于数据挖掘和数据融合的游戏关卡自动生成系统的系统结构示意图;
图2是本发明的基于数据挖掘和数据融合的游戏关卡自动生成方法的数据处理流程图。
具体实施方式
下面将结合附图对本发明的具体实施方式进行详细描述,这些实施方式若存在示例性的内容,不应解释成对本发明的限制。
针对现有的手机游戏的寿命比较短以及缺乏平衡性等特点,在游戏玩家数据的基础上,结合数据挖掘和数据融合技术设计出的一种游戏关卡的自动生成方法。
玩家的游戏玩法数据(即用户玩游戏时产生的相关数据)对玩家和开发者都有着重要的意义,在这些数据中隐藏着游戏设计中可用的规则知识。研究如何发现和挖掘游戏玩法数据中的规则知识将会提高游戏的自动化和智能化程度。针对游戏玩法数据的特点。
如图1所示,本发明的游戏关卡自动生成系统主要由四部分组成:数据收集模块、基于属性约减的数据挖掘模块、数据融合模块和关卡信息生成模块。该系统中各模块对应的数据处理流程示意图,如图2所示。
数据收集模块,用于进行预先设定的游戏玩法数据进行收集。首先要定义需要收集数据的游戏关卡属性以及目标属性(以经典的推箱子游戏为例,经过分析后设定需要收集的数据属性为:游戏是否完成、关卡使用的步数、关卡中箱子的个数、关卡中地图的大小、关卡中障碍物的个数、关卡中箱子的分散度、目标属性为:关卡对于玩家的难易程度)。其次,获取数据,目标属性是由玩家在关卡结束时主观定义得到,其余属性则 由程序自动生成,即利用程序中已有的相关变量得到所需要的属性数据。最后,由于通过游戏产生的玩法数据是一些数值型的数据不利于分类,因此要对获得的数据进行预处理,即分析并统计收集到的各个属性的数据得到一定的规律后,把数据转换成可以在数据挖掘模块的决策树中使用的值(以推箱子游戏中的箱子个数属性为例:根据得到的相关属性数据,我们对其进行统计分析得到,箱子数在5个以内属于little、6~10个属于center、10个以上属于much,据此对箱子个数属性进行数据转换)。
数据挖掘模块,用于所收集到的游戏玩法数据中的属性数据的约减以及决策树的建立。数据收集模块得到的游戏玩法数据作为数据挖掘模块中的训练数据;在数据挖掘模块中,由于所获得的游戏属性中可能存在与目标属性无关或冗余的属性,因此首先要对训练数据进行属性约减,然后选择ID3算法构建出反映游戏难易度的决策树。其中,属性约减利用已有的FCBF算法。ID3分类算法由Quinlan于1986年提出,使用信息增益作为属性选择标准,采用一种自顶向下、贪婪的搜索方法。决策树的构建包括:首先检测收集到的所有属性,选择信息增益值最大的属性产生决策树节点,由该属性的不同取值建立分支,再对各分支的子集递归调用该方法建立决策树节点的分支,直到所有子集仅包含同一个类别的数据为止,最后得到一棵决策树,用来对新的测试数据进行分类,即用于关卡信息生成模块。
数据融合模块,用于收集到的多个游戏关卡数据的融合处理。在数据融合模块中,主要的目的就是融合玩家在多个游戏关卡中的数据,得出一条新的、可以更有效的代表玩家行为的数据。根据关卡所得到的数据的特点,我们选择D-S证据理论作为数据融合的算法。由于每一个关卡得到的数据不能直接利用数据融合算法进行融合。首先,需要对数据进行处理,信息增益代表了属性特征对系统的重要性,因此,系统利用信息增益对关卡数据进行处理:定义关卡数据为D[n],数据挖掘得到的各属性的信息增益为Gain[n],各属性的最大值为Max[n],处理后的关卡数据为Data[n],那么处理规则为:
Data[n]=D[n]*Gain[n]/Max[n]其中,n为属性的个数;
然后,利用D-S证据理论算法对数据处理进行融合后得到的一条新的更能代表玩家行为的数据。最后,把该条数据转换成一条与关卡数据格式相同的数据,用于关卡信息生成模块并且把该条数据再放入训练数据中以完善训练数据集。
关卡信息生成模块,用于利用数据融合的关卡数据结果作为决策树的测试数据,以及利用测试数据进行关卡信息的最终设置,完成游戏关卡的自动生成。在关卡信息生成 模块中,利用数据融合模块生成的新的关卡数据作为决策树的测试数据,从而得到游戏对于玩家的难易度,然后根据难易度来设置关卡信息。设置的规则为:如果难易度结果为容易,则提高关卡的难度,(以推箱子游戏为例:关卡中箱子的个数和障碍物的个数都加1);如果难易度结果为中等,则保持关卡的难度,但是要改变关卡的一些数据信息,(以推箱子游戏为例,改变箱子和目的地的位置以及地图的形状);如果难易度结果为困难,则降低关卡的难度,(以推箱子游戏为例,关卡中箱子的个数和障碍物的个数都减1)。最后,根据关卡信息自动生成新的、更适合玩家的关卡。(以推箱子游戏为例,自动生成关卡的原则为:游戏程序中提供没有箱子、障碍和目的地的关卡形状模板库,首先根据得到的难易度选择模板,然后根据关卡信息向关卡模板中放置箱子、障碍物和目的地,最终得到一个新的关卡)。
附录
主要参考文献
[1]王川.2011年中国网络游戏黏着度及寿命调查报告.http://zdc.zol.com.cn/246/2468679.html
[2]Andy Clayton.Introduction to level design for PC games.http://www.loc.gov/catdir/toc/ecip041/2003006916.html.2007-06-24
[3]杨育彬,李宁,张瑶.基于社会网络可视化分析的数据挖掘[J].软件学报,2008(19):1980-1994
[4]叶苏南,彭宏,覃姜维.基于MVC架构的数据挖掘平台的设计与实现[J].计算机工程与设计,2010(5):1013-1016
[5]张晓明,王航宇,黄达.基于D-S证据理论的多平台协同数据融合[J].计算机工程,2007(33):242-246
[6]陈超,李俊,孔德光.基于数据融合的源代码静态分析[J].计算机工程,2008(34):66-68
[7]王睿,高社生,赵霞.数据挖掘与数据融合的系统模型[J].计算机工程与应用,2006(18):181-183
[8]何剑斌,郑启伦,彭宏.数据融合与数据挖掘的集成研究[J].计算机工程与应用,2002(18):204-206。
Claims (2)
1.一种基于数据挖掘和数据融合的游戏关卡自动生成系统,该系统包括数据收集模块、数据挖掘模块、数据融合模块和关卡信息生成模块,其特征在于:
所述数据收集模块,用于收集预先定义的游戏玩法数据包括游戏关卡属性以及目标属性;所述游戏关卡属性包括游戏是否完成和游戏关卡中的行为属性;目标属性为游戏关卡对于玩家的难易程度;目标属性是由玩家在关卡结束时主观定义得到,其余属性则由程序自动生成,即利用游戏程序中已有的相关变量得到所需要的属性数据;对所述游戏玩法数据进行预处理,即分析并统计收集到的各个属性的数据得到数据规律后,再转换成在所述数据挖掘模块的决策树中使用的值;
所述数据挖掘模块,用于对上述的游戏玩法数据中属性数据进行约减以及建立决策树;将所述游戏玩法数据作为训练数据;约减算法采用FCBF算法,去除与目标属性无关或冗余的属性;选择ID3算法构建出反映游戏难易度的决策树:检测收集到的所有属性数据,选择信息增益值最大的属性产生决策树节点,由该属性的不同取值建立分支,再对各分支的子集递归调用该ID3算法建立决策树节点的分支,直到所有子集仅包含同一个类别的数据为止,最后得到决策树;
所述数据融合模块,用于对收集到的多个游戏关卡属性数据进行融合处理,选择D-S证据理论作为数据融合的算法:首先,定义关卡数据为D[n],数据挖掘得到的各属性的信息增益为Gain[n],各属性的最大值为Max[n],处理后的关卡数据为Data[n],处理规则为:
Data[n]=D[n]*Gain[n]/Max[n]其中,n为属性的个数;
然后,利用D-S证据理论算法对数据处理进行融合后得到的一条新的更能代表玩家行为的数据;最后,把该条数据转换成一条与游戏关卡属性数据格式相同的数据,用于关卡信息生成模块并且把该条数据再放入训练数据中以完善训练数据集,得出一条全面代表玩家行为的数据;
所述关卡信息生成模块,用于利用数据融合的游戏关卡属性数据结果作为决策树的测试数据,以及利用测试数据进行关卡信息的最终设置,完成游戏关卡的自动生成,具体为:利用数据融合模块生成的新的游戏关卡属性数据作为决策树的测试数据,从而得到游戏难易度,然后根据难易度来设置关卡信息,设置规则为:如果难易度结果为容易,则提高关卡的难度;如果难易度结果为中等,则保持关卡的难度,但是要改变游戏关卡中影响难易度的数据信息;最后,根据关卡信息自动生成新的、更适合玩家的游戏关卡。
2.一种基于数据挖掘和数据融合的游戏关卡自动生成方法,其特征在于,该方法包括以下步骤:
步骤一、收集预先定义的游戏玩法数据包括游戏关卡属性以及目标属性;所述游戏关卡属性包括游戏是否完成和游戏关卡中的行为属性;目标属性为游戏关卡对于玩家的难易程度;目标属性是由玩家在关卡结束时主观定义得到,其余属性则由程序自动生成,即利用游戏程序中已有的相关变量得到所需要的属性数据;对所述游戏玩法数据进行预处理,即分析并统计收集到的各个属性的数据得到数据规律后,再转换成决策树中使用的值;
步骤二、对上述的游戏玩法数据中属性数据进行约减以及建立决策树;将所述游戏玩法数据作为训练数据;约减算法采用FCBF算法,去除与目标属性无关或冗余的属性;选择ID3算法构建出反映游戏难易度的决策树:检测收集到的所有属性数据,选择信息增益值最大的属性产生决策树节点,由该属性的不同取值建立分支,再对各分支的子集递归调用该ID3算法建立决策树节点的分支,直到所有子集仅包含同一个类别的数据为止,最后得到决策树;
步骤三、对收集到的多个游戏关卡属性数据进行融合处理,选择D-S证据理论作为数据融合的算法:首先,定义关卡数据为D[n],数据挖掘得到的各属性的信息增益为Gain[n],各属性的最大值为Max[n],处理后的关卡数据为Data[n],处理规则为:
Data[n]=D[n]*Gain[n]/Max[n]其中,n为属性的个数;
然后,利用D-S证据理论算法对数据处理进行融合后得到的一条新的更能代表玩家行为的数据;最后,把该条数据转换成一条与游戏关卡属性数据格式相同的数据,用于关卡信息生成模块并且把该条数据再放入训练数据中以完善训练数据集,得出一条全面代表玩家行为的数据;
步骤四、利用数据融合的游戏关卡属性数据结果作为决策树的测试数据,以及利用测试数据进行关卡信息的最终设置,完成游戏关卡的自动生成,具体为:利用数据融合模块生成的新的游戏关卡属性数据作为决策树的测试数据,从而得到游戏难易度,然后根据难易度来设置关卡信息,设置规则为:如果难易度结果为容易,则提高关卡的难度;如果难易度结果为中等,则保持关卡的难度,但是要改变游戏关卡中影响难易度的数据信息;最后,根据关卡信息自动生成新的、更适合玩家的游戏关卡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310022017.2A CN103106340B (zh) | 2013-01-21 | 2013-01-21 | 基于数据挖掘和数据融合的游戏关卡自动生成系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310022017.2A CN103106340B (zh) | 2013-01-21 | 2013-01-21 | 基于数据挖掘和数据融合的游戏关卡自动生成系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103106340A CN103106340A (zh) | 2013-05-15 |
CN103106340B true CN103106340B (zh) | 2015-09-30 |
Family
ID=48314194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310022017.2A Expired - Fee Related CN103106340B (zh) | 2013-01-21 | 2013-01-21 | 基于数据挖掘和数据融合的游戏关卡自动生成系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103106340B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268406B (zh) * | 2013-05-09 | 2018-02-09 | 湖南大学 | 一种基于煤矿安全培训游戏的数据挖掘系统及方法 |
CN104484409A (zh) * | 2014-12-16 | 2015-04-01 | 芜湖乐锐思信息咨询有限公司 | 用于大数据处理的数据挖掘方法 |
CN104537010A (zh) * | 2014-12-17 | 2015-04-22 | 温州大学 | 基于决策树的网构软件中的构件分类方法 |
CN104537240B (zh) * | 2014-12-26 | 2019-01-01 | 北京像素软件科技股份有限公司 | 一种确定游戏中属性的方法和装置 |
KR101642956B1 (ko) * | 2015-10-16 | 2016-07-26 | 주식회사 인퍼니 | 사격 시뮬레이션 게임 시스템 |
CN105289001B (zh) * | 2015-10-23 | 2019-03-29 | 网易(杭州)网络有限公司 | 一种游戏关卡配置方法、装置及终端 |
CN105597320B (zh) * | 2015-12-15 | 2019-05-14 | 网易(杭州)网络有限公司 | 一种游戏关卡配置方法、装置及终端 |
CN105771233B (zh) * | 2016-03-03 | 2019-10-01 | 哈尔滨若朋机器人有限责任公司 | 智能娱乐可调关卡组件 |
CN105871640B (zh) * | 2016-06-07 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 关卡配置数据配置方法、游戏服务器及系统 |
CN106422326B (zh) * | 2016-08-31 | 2020-08-04 | 北京像素软件科技股份有限公司 | 基于游戏关卡难度调整关卡副本的方法 |
CN106503787B (zh) * | 2016-10-26 | 2019-02-05 | 腾讯科技(深圳)有限公司 | 一种获取游戏数据的方法及电子设备 |
CN106582025A (zh) * | 2016-11-24 | 2017-04-26 | 北京暴风魔镜科技有限公司 | 游戏作品制作系统和方法 |
CN107817799B (zh) * | 2017-11-03 | 2021-06-15 | 北京光年无限科技有限公司 | 结合虚拟迷宫进行智能交互的方法及系统 |
CN107982920A (zh) * | 2017-11-28 | 2018-05-04 | 上海波克城市网络科技股份有限公司 | 基于关卡类游戏精细化难度调整方法 |
CN111408139B (zh) * | 2020-02-28 | 2023-05-02 | 网易(杭州)网络有限公司 | 游戏关卡的生成方法、装置、电子设备和计算机可读介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1799665A (zh) * | 2004-11-30 | 2006-07-12 | 阿鲁策株式会社 | 游戏机 |
CN101706996A (zh) * | 2009-11-12 | 2010-05-12 | 北京交通大学 | 一种基于信息融合的高速公路交通状态识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080301211A1 (en) * | 2007-06-01 | 2008-12-04 | United States of America as represented by the Administrator of the National Aeronautics and | Systems, methods and apparatus for d-dimensional formulation and implementation of recursive hierarchical segmentation |
-
2013
- 2013-01-21 CN CN201310022017.2A patent/CN103106340B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1799665A (zh) * | 2004-11-30 | 2006-07-12 | 阿鲁策株式会社 | 游戏机 |
CN101706996A (zh) * | 2009-11-12 | 2010-05-12 | 北京交通大学 | 一种基于信息融合的高速公路交通状态识别方法 |
Non-Patent Citations (3)
Title |
---|
"Toward Intelligent Assistance for a Data Mining Process: An Ontology-Based Approach for Cost-Sensitive Classification";Abraham Bernstein等;《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》;20050430;第17卷(第4期);第503-518页 * |
"数据挖掘与数据融合集成系统模型";王璿等;《计算机工程与应用》;20020630;第2006年卷(第18期);第181-183页 * |
"数据融合与数据挖掘的集成研究";何剑斌等;《计算机工程与应用》;20020930;第2002年卷(第18期);第204-206页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103106340A (zh) | 2013-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103106340B (zh) | 基于数据挖掘和数据融合的游戏关卡自动生成系统及方法 | |
Savage et al. | Property Bureaucracy & Culture | |
CN106779087A (zh) | 一种通用机器学习数据分析平台 | |
CN109893857A (zh) | 一种操作信息预测的方法、模型训练的方法及相关装置 | |
CN103886030B (zh) | 基于代价敏感决策树的信息物理融合系统数据分类方法 | |
CN109949174A (zh) | 一种异构社交网络用户实体锚链接识别方法 | |
CN105912773A (zh) | 一种新的基于数据挖掘技术的智能冲压工艺设计方法 | |
CN115438199A (zh) | 一种基于智慧城市场景数据中台技术的知识平台系统 | |
Wang et al. | Design of the Sports Training Decision Support System Based on the Improved Association Rule, the Apriori Algorithm. | |
CN110033191B (zh) | 一种商业人工智能的分析方法及系统 | |
Sudhamathy et al. | PREDICTION ON IPL DATA USING MACHINE LEARNING TECHNIQUES IN R PACKAGE. | |
CN105183624B (zh) | 一种基于数据匹配的仿真回放方法 | |
Shamas et al. | K-Means clustering using fuzzy C-Means based image segmentation for Lung Cancer | |
CN104637371A (zh) | 一种将知识本体嵌入到游戏模型中的方法 | |
Mukherjee | Classification in social research | |
Qi | Knowledge Discovery from Area‐Class Resource Maps: Data Preprocessing for Noise Reduction | |
Duan et al. | MOBA game item recommendation via relation-aware graph attention network | |
CN106203469A (zh) | 一种基于有序模式的图分类方法 | |
CN114840680A (zh) | 一种实体关系联合抽取方法、装置、存储介质及终端 | |
Hassan et al. | Injecting data into simulation: Can agent-based modelling learn from microsimulation | |
Gao | Design and Implementation of 3D Animation Data Processing Development Platform Based on Artificial Intelligence | |
Fu | Evaluation model of employment and entrepreneurship of university students based on classification algorithm | |
Cao | Design and optimization of a decision support system for sports training based on data mining technology | |
Gupta et al. | Horse Race Results Prediction Using Machine Learning Algorithms With Feature Selection | |
CN105760406B (zh) | 用于在数据挖掘技术中提取特征数据的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150930 Termination date: 20210121 |