CN105260171B - 一种虚拟道具的生成方法及装置 - Google Patents

Abstract

本发明实施例公开了一种虚拟道具的生成方法，包括：获取终端上传的历史样本数据，所述历史样本数据包括道具使用情况参数和与所述使用情况参数对应的原始生成参数；根据所述历史样本数据计算所述虚拟道具的评价参考值，所述评价参考值与所述原始生成参数匹配；判断所述评价参考值是否满足预设值，若否，则根据所述历史样本数据和所述评价参考值，通过预设的机器学习算法，计算获得目标生成参数；发送所述目标生成参数给所述终端，以使所述终端根据所述目标生成参数，生成与所述目标生成参数对应的目标虚拟道具。另外，还相应地提出了一种虚拟道具的生成装置。采用本发明，可以提高道具生成的科学性和有效性。

Description

一种虚拟道具的生成方法及装置

技术领域

本发明涉及互联网技术领域，尤其涉及一种虚拟道具的生成方法及装置。

背景技术

随着互联网技术的发展，网络游戏成为越来越多的互联网用户关注的一项网络服务。在现有的游戏软件中，游戏道具是游戏设计人员在游戏设计的过程中，根据自身经验进行设计的，根据设计好的游戏道具参数生成相应的游戏道具，然后由服务器将相关数据同步到游戏软件的客户端使得用户可以在客户端使用这些道具。

现有技术中的这种统一的固定的道具生成方法，不能有效的考虑用户真实的对道具的喜好程度和使用情况，具体来讲，该道具的价格对用户来讲是否合适，对道具的使用效果是否满意，以及其他用户对道具的具体使用情况都没有考虑在该道具的生成过程中。也就是说，用户在实际的道具使用过程中，不能根据自身的使用体验对道具的使用情况和效果进行一个有效的反馈，并且，道具一经生成，就不再改变或者进化，即不能在用户对道具的相关情况进行反馈过后，对道具进行相应的合理的调整。综合来讲就是，现有的道具生成方法存在科学性不足的问题。

发明内容

基于此，为解决上述提到的现有技术中的虚拟道具生成方法存在科学性不足的技术问题，提供了一种虚拟道具的生成方法。

一种虚拟道具的生成方法，包括：

获取终端上传的历史样本数据，所述历史样本数据包括道具使用情况参数和与所述使用情况参数对应的原始生成参数；

根据所述历史样本数据计算所述虚拟道具的评价参考值，所述评价参考值与所述原始生成参数匹配；

判断所述评价参考值是否满足预设值，若否，则根据所述历史样本数据和所述评价参考值，通过预设的机器学习算法，计算获得目标生成参数；

发送所述目标生成参数给所述终端，以使所述终端根据所述目标生成参数，生成与所述目标生成参数对应的目标虚拟道具。

可选的，所述判断所述评价参考值是否满足预设值的步骤之后还包括：若判断结果为是，则获取与所述评价参考值匹配的原始生成参数，并赋值给所述目标生成参数。

可选的，所述根据所述历史样本数据和所述评价参考值，通过预设的机器学习算法，计算获得目标生成参数的步骤还包括：

通过所述预设的机器学习算法计算得到所述原始生成参数与所述道具使用情况参数之间的映射关系，以及所述原始生成参数、所述道具使用情况参数与所述评价参考值之间的映射关系；

根据所述映射关系，计算满足所述预设值的所述评价参考值所对应的所述目标生成参数。

可选的，所述判断所述评价参考值是否满足预设值的步骤之后，所述获取与所述评价参考值匹配的原始生成参数，并赋值给所述目标生成参数的步骤之前还包括：

获取所述满足所述预设值的所述评价参考值的数量；

在所述满足预设值的所述评价参考值的数量大于1时，在所述满足预设值的所述评价参考值中，查找最优评价参考值，获取与所述最优评价参考值对应的原始生成参数，并赋值给所述目标生成参数；

在所述满足预设值的所述评价参考值的数量不大于1时，执行所述获取与所述评价参考值匹配的原始生成参数，并赋值给所述目标生成参数的步骤。

可选的，所述根据所述历史样本数据计算所述虚拟道具的评价参考值的步骤之前还包括：对所述历史样本数据进行预处理，所述预处理方式包括与噪声处理、抽样处理和/或数据变换处理。

此外，为解决上述提到的现有技术中的虚拟道具生成方法存在科学性不足的技术问题，提供了一种虚拟道具的生成装置。

一种虚拟道具的生成装置，包括：

历史样本数据获取模块，用于获取终端上传的历史样本数据，所述历史样本数据包括道具使用情况参数和与所述使用情况参数对应的原始生成参数；

评价参考值计算模块，用于根据所述历史样本数据计算所述虚拟道具的评价参考值，所述评价参考值与所述原始生成参数匹配；

判断模块，用于判断所述评价参考值是否满足预设值，若否，则根据所述历史样本数据和所述评价参考值，通过预设的机器学习算法，计算获得目标生成参数；

目标虚拟道具生成模块，用于发送所述目标生成参数给所述终端，以使所述终端根据所述目标生成参数，生成与所述目标生成参数对应的目标虚拟道具。

可选的，所述判断模块还用于：在所述评价参考值满足预设值时，获取与所述评价参考值匹配的原始生成参数，并赋值给所述目标生成参数。

可选的，所述判断模块还用于：

通过所述预设的机器学习算法计算得到所述原始生成参数与所述道具使用情况参数之间的映射关系，以及所述原始生成参数、所述道具使用情况参数与所述评价参考值之间的映射关系；

根据所述映射关系，计算满足所述预设值的所述评价参考值所对应的所述目标生成参数。

可选的，所述判断模块还用于：

获取所述满足所述预设值的所述评价参考值的数量；

在所述满足预设值的所述评价参考值的数量大于1时，在所述满足预设值的所述评价参考值中，查找最优评价参考值，获取与所述最优评价参考值对应的原始生成参数，并赋值给所述目标生成参数；

在所述满足预设值的所述评价参考值的数量不大于1时，执行所述获取与所述评价参考值匹配的原始生成参数，并赋值给所述目标生成参数的步骤。

可选的，所述评价参考值计算模块还用于：

对所述历史样本数据进行预处理，所述预处理方式包括与噪声处理、抽样处理和/或数据变换处理。

实施本发明实施例，将具有如下有益效果：

采用了上述虚拟道具的生成方法及装置之后，在用户使用道具的过程中，会统计用户使用道具的过程中产生的相关数据，并根据用户这些历史数据，通过机器学习算法对该虚拟道具的具体使用情况进行分析和评价，即考虑了用户在使用道具时的实际情况，相当于用户可以通过在实际使用中的相关参数对道具进行反馈。若道具的相关评价达不到预期，则说明该道具的实际使用情况不符合用户的需求，因此需要进行及时的修正。然后通过预设的机器学习算法，通过对历史数据的分析，从而计算得到能使道具的评价达到更优情况的生成参数，相当于对道具进行了改进或升级，使得道具更符合用户的需求，更加合理和科学，提升了用户体验。进一步地，根据在道具的评价和改进过程中使用的历史数据的不同，例如，若使用的数据为所有用户的历史数据时，道具的改进针对的就是所有的用户，生成的就是更具有普适性的道具；若使用的为某个特定的用户在使用道具的过程中产生的相关数据，则上述改进针对的就是该用户个人，生成的道具是更符合该用户的使用情况的个人道具，进一步地增加了道具生成的科学性，并进一步地提升了用户体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，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。

其中：

图1为一个实施例中一种虚拟道具的生成方法的流程图；

图2为一个实施例中一种虚拟道具的生成装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。

为解决上述提到的现有技术中的虚拟道具生成方法存在科学性不足的技术问题，在一个实施例中，特提出了一种虚拟道具的生成方法，该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的计算机系统上，并且承载上述虚拟道具的生成方法的计算机程序，可以是运行于服务器的虚拟道具生成程序，还可以是运行于终端的虚拟道具的生成程序。

具体的，如图1所示，该方法包括如下步骤：

步骤S102：获取上传的历史样本数据，所述历史样本数据包括道具使用情况参数和与所述使用情况参数对应的原始生成参数。

用户在使用虚拟道具的过程中，会在终端产生一系列的使用数据，如道具的使用次数、使用场景、得分等数据，这些数据都为与虚拟道具的相关的历史数据，并且，可以通过网络将相关的历史数据发送给服务器或者存储在终端的存储器中。

在本实施例中，服务器获取终端上传的历史样本数据，所谓历史样本数据即为游戏用户的终端在运行过程中产生的数据，也就是指，在终端使用的道具在生成过程中需要的原始生成参数，以及在该原始生成参数下的道具的使用情况参数，例如，道具的使用次数、使用场景、用户的得分、道具的重复使用次数、目标物流失率等。还可以是，终端获取用户在使用过程中产生的并存储在终端存储器中的相关数据。也就是说，该方法的执行主体可以为服务器，也可以为终端。即，该虚拟道具的生成过程可以是服务器完成的，也可以是终端完成的。在道具的生成过程是终端完成的情况下，可以充分利用终端资源进行计算和分析，从而提高资源的利用率。

需要说明的是，服务器获取的可以是所有终端上传的全部历史样本数据，也可以是部分终端上传的历史样本数据，还可以是某个终端上传的历史样本数据，并且，根据所述获取的历史样本数据的来源不同，该虚拟道具的生成方法生成的道具也会不一样。例如，获取的某个终端上传的历史数据，则生成的道具是针对该终端下的用户所特定的虚拟道具，再例如，若服务器获取的是所有终端上传的历史数据，则基于本虚拟道具的生成方法生成的虚拟道具是针对所有用户的较优的虚拟道具。若为终端获取终端上传到存储器中的历史样本数据，则该历史样本数据仅为该终端下的历史数据，也就是说，本虚拟道具的生成方法为该终端下或者该用户下的虚拟道具。

需要说明的是，在道具使用过程中产生的使用情况参数的所有历史数据均为可获取的数据，但是可以根据后续的步骤中的实际需求不一样，获取的只是某几个部分的参数，具体获取的参数，可以根据具体的应用场景来决定，并且，使用的参数不同时，后续步骤中产生的道具的改进效果或者改进方向也不一样，具体可以根据用户偏好或者游戏的需要来决定。

例如，在一个切水果游戏的应用场景中，对于运行于终端的切水果游戏的客户端来讲，用户在玩这个游戏的过程中会使用不同的道具从而使得游戏得分更高或更容易通关。道具的生成需要原始生成参数，在本实施例中，所述原始生成参数可以包括但不限于如下参数：道具显示的场景、道具的价格、道具的作用等。道具的使用情况参数包括但不限于如下参数：用户单局切水果所获得的分数、用户切水果的分数排名、水果流失率、用户的专注度、单局重玩的次数、道具的使用次数、道具使用后产生的效果等。

再例如在一个消消乐游戏的应用场景中，对于运行于终端的消消乐游戏客户端来讲，用户在玩这个游戏的时候，会使用例如“刷新”的虚拟游戏道具，该道具的作用为将游戏界面上需要消除的目标物的位置进行重新排列，即刷新所有的目标物的位置。道具的生成需要原始生成参数，在本实施例中，所述原始生成参数可以包括但不限于如下参数：道具显示的场景、道具的价格、道具的作用等。道具的使用情况参数包括但不限于如下参数：用户单局所获得的分数、用户使用道具的场景、单局重玩的次数、使用道具的次数、道具使用后产生的效果等。

步骤S104：根据历史样本数据计算所述虚拟道具的评价参考值，评价参考值与原始生成参数匹配。

虚拟道具的评价参考值，是一个可以用来评价该虚拟道具的某一和指标或者整体使用情况的一个量化值，并且，不同道具的评价参考值之间可以进行比较，从而在某个维度上对虚拟道具进行比较。例如，用户对道具的喜好值、道具的购买率、道具的使用对分数的影响值或其他可以用来对该道具的某个指标进行量化评价的具体值，都可以作为一种虚拟道具的评价参考值。进一步地，该评价参考值可以通过历史样本数据中包含的具体数据得到或计算得到，每一组原始生成参数下的道具均对应一组历史样本数据，并且，可以获得对应的虚拟道具评价参考值。

在本实施例中，在计算评价参考值时针对的历史样本数据，可以在进行计算之前，先对样本数据进行预处理。例如对历史样本数据进行去噪声的处理，可以清楚数据中的噪声和不一致，提高数据质量，使得后续针对样本数据的进一步处理或分析更加准确和一致，提高数据的可信性。再例如，对历史样本数据的预处理还可以包括抽样处理，如随机抽样、分层抽样、簇抽样等等，用少量的数据去代替原始的大量的数据去进行分析，可以减少处理的数据量以及计算量，尤其是在样本数据的容量庞大的时候，在本实施例中，服务器处理的是所有的用户终端上传的历史样本数据的时候，先对样本数据进行抽样处理就是很必要的。进一步地，对历史样本数据的预处理还可以包括其他的数据处理方式，如数据变换，即将数值比较大的数据或者数值跨度范围大的数据，压缩到较小的区间上方便处理和计算。并且，具体进行的样本数据处理，可以根据历史样本数据的具体情况以及后续的计算步骤的直接或者间接目的来决定是否采用数据预处理，以及采用何种数据预处理方式。

需要说明的是，在计算评价参考值时所使用的历史样本数据中包含的道具使用情况参数和原始生成参数均为被量化后的参数值。例如，在一个切水果游戏的应用场景中，参数“道具显示的场景”为该游戏应用中的所有场景编号的编号，参数“用户切水果的分数排名”为用户在所有用户中的得分排名与所有用户数量的比值，参数“道具使用后产生的效果”为用户在使用道具后一定时间阈值内的单位时间得分与整个游戏过程中的单位时间得分的比值。并且具体的量化方式以及量化值的区间大小可以根据实际需要来设定。

下面用具体实施例来说明虚拟道具的评价参考值的计算方式：

例如，在一个切水果游戏的应用场景中，在获取到的历史样本数据中，原始生成参数包括：道具显示的场景、道具的价格、道具的作用；道具的使用情况参数包括：用户单局切水果所获得的分数、用户切水果的分数排名、水果流失率、用户的专注度、单局重玩的次数、道具的使用次数、道具使用后产生的效果。在服务器获取到上述参数后，按照预设的标准将上述参数进行量化，以便于接下来的评价参考值的计算。

令x₁,x₂,x₃分别表示参数“道具显示的场景”、“道具的价格”以及“道具的作用”的量化值，y₁,y₂,…,y₇分别表示参数“用户单局切水果所获得的分数”、“用户切水果的分数排名”、“水果流失率”、“用户的专注度”、“单局重玩的次数”、“道具的使用次数”以及“道具使用后产生的效果”的量化值。

记且t＝X+Y，则可以根据公式

计算道具购买率f(t)，即该虚拟道具的评价参考值，其中，a₁,a₂,a₃和b₁,b₂,…,b₇均为加权系数，且∑a_i＝1,a_i∈[0,1]，∑b_i＝1,b_i∈[0,1]。

需要说明的是，对于相同的历史样本数据，既可以有不同的样本数据处理，也可以有不同的评价参考值，还可以是，相同的评价参考值有不同的计算公式或计算用的参数。

步骤S106：判断所述评价参考值是否满足预设值，若判断结果为是，则获取与所述评价参考值匹配的原始生成参数，并赋值给所述目标生成参数；若否，则根据所述历史样本数据和所述评价参考值，通过预设的机器学习算法，计算目标生成参数。

对于评价参考值来讲，其在一定程度上表示了相应的虚拟道具优劣，或者说在一定程度上表示了用户对该道具的喜好程度，并且，评价参考值存在相应的最优值或者最大期望值，当所述评价参考值达到最优值或最大期望值时，则表示该道具的相关参数满足了用户的需求或者受到了用户的喜欢或者得到了用户的普遍使用。若所述评价参考值没有达到最优值或最大期望值，也就是表示该道具的相关参数没有满足用户的需求或者并未受到用户的喜欢，需要进一步地进行改进或升级。

一般来讲，预设值为事先根据需要设定的一个数值或者一个区间，评价参考值是否满足预设值的判断规则是根据实际情况设定的。例如预设值为一个区间，不妨设为[M,+∞]，则评价参考值是否满足预设值的判断规则可以为判断计算出来的评价参考值大于或等于M，即判断所述评价参考值满足预设值，也就是说，判断规则为评价参考值是否属于预设的区间。再例如，预设值为一个具体的数值N，则判断规则可以为判断评价参考值是否等于该数值N，或者，是否大于该数值N。当然，评价参考值是否满足预设值的判断规则还可以为其他规则。

若步骤：判断所述评价参考值是否满足预设值的判断结果为是，则表示该评价参考值对应的道具的相关参数是满足预先设定的条件的，不需要进行升级或者改进，可以继续使用该道具。因此，可以直接获取满足预设值的评价参考值对应的历史样本数据，获取对应的原始生成参数的值直接赋值给目标生成参数。

需要说明的是，若在上述判断步骤中，若出现多个评价参考值均满足预设值，则应该从中选取最优的评价参考值，并获取该最优的评价参考值对应的历史样本数据，获取其对应的原始生成参数的值直接赋值给目标生成参数。

在另一个实施例中，针对可能出现多个评价参考值均满足预设值的问题，在判断所述评价参考值是否满足预设值的步骤之后，且在上述判断结果为是的情况下，根据判断结果获取满足预设值的所有评价参考值，并获取其数量。在该数量等于1的时候，直接获取满足预设值的评价参考值对应的历史样本数据，获取对应的原始生成参数的值直接赋值给目标生成参数。

相应的，在该数量大于1的时候，即满足预设值的评价参考值不止一个，则需要从多个满足预设值的评价参考值中挑选出最优的评价参考值，然后获取与所述最优评价参考值对应的原始生成参数，并赋值给所述目标生成参数。并且，上述从多个满足预设值的评价参考值中挑选出最优的评价参考值的过程，即为根据预设的规则从多个数值中查找最优值的过程。

例如，在评价参考值的预设值是一个范围比较大的区间时，在样本数据中计算得到的评价参考值中满足预设值的可能性一般会比较大，在道具设计合理的情况下，满足预设值的评价参考值的数目可能会大于1。

需要说明的是，评价所述评价参考值的优劣的标准是根据具体应用场景的不同而不同的。例如，在评价参考值代表道具的购买率时，评价参考值越大，购买率越高，即评价参考值越大越好，因此，在查找最优值的过程即为一个查找最大值的过程。在例如，若评价参考值为道具的流失率，则流失率越大，道具的使用情况越差，此时评价参考值越小越好，因此，查找最优值的过程为一个查找最小值的过程。

若判断所述评价参考值是否满足预设值的判断结果为否，则表明现有的道具的评价均达不到预设的标准，对应的原始生成参数所对应的道具达不到用户的要求，需要进行改进或优化。对于道具的优化或改进，可以对历史样本数据进行分析，分析道具使用情况参数和原始生成参数对评价参考值的影响，以及参数之间的相互影响，从而计算得到能达到预设值的评价参考值的目标参数。

具体的，上过分析和计算的过程可以通过机器学习算法来完成，并且，包括了环境模块、学习模块和执行模块。环境模块将系统获取到的历史样本数据提供给学习模块进行学习处理，学习模块利用环境模块提供的历史样本数据建立和修改知识库，所述知识库即为执行模块对数据进行处理的一般原则，或者也可以是作用在样本数据的作用函数，执行模块根据知识库完成计算和分析，并且将相关的信息反馈给学习模块，学习模块根据反馈的信息不断的修改和完善知识库，以得到最优的知识库，即样本数据与评价参考值之间的关系，从而可以根据该关系去得到评价参考值满足预设值时各个参数的取值情况。

需要说明的，目标生成参数的计算方法不限于机器学习算法，只要能够分析参数对评价参考值的影响从而计算使得评价参考值能够达到预设值的目标生成参数的方法，均可以用于本实施例中目标参数的计算。

在一个实施例中，目标生成参数的计算是利用BP神经网络算法为例，根据历史样本数据和计算得到的评价参考值所得到的，其具体的计算过程如下：

因为使用情况参数是在原始生成参数对应的虚拟道具下的使用参数，也就是说，使用情况参数是根据原始生成参数的改变而改变的，是由原始生成参数决定的，但是，其中原始生成参数是如何去影响使用情况参数的具体过程是不清楚的。以原始生成参数为输入层、使用情况参数为输出层，用历史样本数据对神经网络进行训练，直至输出误差小于预设的最大误差阈值。根据已经得到的BP神经网络模型，可以直接输入原始生成参数，就可以得到与之对应的使用情况参数。

当然，上述参数的计算还可以通过其他的算法得到，只要能够计算参数之间的相互关系的算法都可以使用，并不限于在此处举出的BP算法的例子。

需要说明的是，可以用同样的方法，以使用情况参数为输入层、原始生成参数为输出层去建立BP神经网络模型，从而可以根据使用情况参数得到与之对应的原始生成参数。

从而，可以根据上述方法可以得到输出层与输入层参数之间的映射关系，可以该映射关系，在某部分参数确定的情况下，去得到另外一部分参数的具体取值。

进一步地，为了得到各个参数与评价参考值之间的映射关系，建立以原始生成参数和使用情况参数为输入层、以评价参考值为输出层的BP神经网络模型。用历史样本数据中包含的参数以及在前述步骤中计算得到的评价参考值，对BP神经网络进行训练，从而可以得到输入层参数与输出层评价参考值之间的映射关系或者相互影响。

在所述评价参考值不能满足所述预设值的情况下，根据上述的基于BP神经网络模型的参数之间的映射关系，确定评价参考值要满足预设值的情况下需要的各个参数的取值，即虚拟道具的生成所需要的目标生成参数。

步骤S108：发送所述目标生成参数给所述终端，以使所述终端根据所述目标生成参数，生成与所述目标生成参数对应的目标虚拟道具。

在目标生成参数生成之后，就可以根据该目标生成参数的相关参数值确定目标虚拟道具的具体设置，也就是说，与目标生成参数对应的目标虚拟道具确定下来了。并且，目标虚拟道具的生成是终端根据目标生成参数完成的。

在本实施例中，可以是服务器生成目标生成参数，然后将该目标生成参数发送给终端，然后终端根据该目标生成参数生成对应的目标虚拟道具；也可以是终端生成目标生成参数，然后将目标生成参数发送给虚拟道具的生成模块，该虚拟道具模块根据该目标生成参数生成对应的目标虚拟道具。

需要说明的是，目标虚拟道具的生成还可以是服务器根据目标生成参数完成的，然后将该虚拟道具发送给终端，以供用户在终端使用的。

如图2所示，为解决上述提到的现有技术中的虚拟道具生成方法存在科学性不足的技术问题，在一个实施例中，特提出了一种虚拟道具的生成装置，包括历史样本数据获取模块102、评价参考值计算模块104、判断模块106、目标虚拟道具生成模块108，具体的，

历史样本数据获取模块102用于获取终端上传的历史样本数据，所述历史样本数据包括道具使用情况参数和与所述使用情况参数对应的原始生成参数；

评价参考值计算模块104用于根据所述历史样本数据计算所述虚拟道具的评价参考值，所述评价参考值与所述原始生成参数匹配；

判断模块106用于判断所述评价参考值是否满足预设值，若否，则根据所述历史样本数据和所述评价参考值，通过预设的机器学习算法，计算目标生成参数；

目标虚拟道具生成模块108用于发送所述目标生成参数给所述终端，以使所述终端根据所述目标生成参数，生成与所述目标生成参数对应的目标虚拟道具。

可选的，判断模块106还用于在所述评价参考值满足预设值时，获取与所述评价参考值匹配的原始生成参数，并赋值给所述目标生成参数。

可选的，判断模块106还用于通过所述预设的机器学习算法计算得到所述原始生成参数与所述道具使用情况参数之间的映射关系，以及所述原始生成参数、所述道具使用情况参数与所述评价参考值之间的映射关系；根据所述映射关系，计算满足所述预设值的所述评价参考值所对应的所述目标生成参数。

可选的，所述判断模块106还用于：获取所述满足所述预设值的所述评价参考值的数量；

在所述满足预设值的所述评价参考值的数量大于1时，在所述满足预设值的所述评价参考值中，查找最优评价参考值，获取与所述最优评价参考值对应的原始生成参数，并赋值给所述目标生成参数；

在所述满足预设值的所述评价参考值的数量不大于1时，执行所述获取与所述评价参考值匹配的原始生成参数，并赋值给所述目标生成参数的步骤。

可选的，所述评价参考值计算模块104还用于：对所述历史样本数据进行预处理，所述预处理方式包括与噪声处理、抽样处理和/或数据变换处理。

实施本发明实施例，将具有如下有益效果：

采用了上述虚拟道具的生成方法及装置之后，在用户使用道具的过程中，会统计用户使用道具的过程中产生的相关数据，并根据用户这些历史数据，通过机器学习算法对该虚拟道具的具体使用情况进行分析和评价，即考虑了用户在使用道具时的实际情况，相当于用户可以通过在实际使用中的相关参数对道具进行反馈。若道具的相关评价达不到预期，则说明该道具的实际使用情况不符合用户的需求，因此需要进行及时的修正。然后通过预设的机器学习算法，通过对历史数据的分析，从而计算得到能使道具的评价达到更优情况的生成参数，相当于对道具进行了改进或升级，使得道具更符合用户的需求，更加合理和科学，提升了用户体验。进一步地，根据在道具的评价和改进过程中使用的历史数据的不同，例如，若使用的数据为所有用户的历史数据时，道具的改进针对的就是所有的用户，生成的就是更具有普适性的道具；若使用的为某个特定的用户在使用道具的过程中产生的相关数据，则上述改进针对的就是该用户个人，生成的道具是更符合该用户的使用情况的个人道具，进一步地增加了道具生成的科学性，并进一步地提升了用户体验。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定是必须针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

本领域的技术人员可以将本说明书中描述的不同实施例以及不同实施例的特征进行结合和组合。

本发明所有实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减；本发明所有实施例装置中的模块或单元可以根据实际需要进行合并、划分和删减。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

以上所揭露的仅为本发明的较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (10)

1.一种虚拟道具的生成方法，其特征在于，包括：

获取终端上传的历史样本数据，所述历史样本数据包括道具使用情况参数和与所述使用情况参数对应的原始生成参数；

根据所述历史样本数据计算所述虚拟道具的评价参考值，所述评价参考值与所述原始生成参数匹配；

判断所述评价参考值是否满足预设值，若否，则根据所述历史样本数据和所述评价参考值，通过预设的机器学习算法，计算获得目标生成参数；

发送所述目标生成参数给所述终端，以使所述终端根据所述目标生成参数，生成与所述目标生成参数对应的目标虚拟道具。

2.根据权利要求1所述的虚拟道具的生成方法，其特征在于，

所述判断所述评价参考值是否满足预设值的步骤之后还包括：

若判断结果为是，则获取与所述评价参考值匹配的原始生成参数，并赋值给所述目标生成参数。

3.根据权利要求1所述的虚拟道具的生成方法，其特征在于，

所述根据所述历史样本数据和所述评价参考值，通过预设的机器学习算法，计算获得目标生成参数的步骤还包括：

通过所述预设的机器学习算法计算得到所述原始生成参数与所述道具使用情况参数之间的映射关系，以及所述原始生成参数、所述道具使用情况参数与所述评价参考值之间的映射关系；

根据所述原始生成参数与所述道具使用情况参数之间的映射关系，以及所述原始生成参数、所述道具使用情况参数与所述评价参考值之间的映射关系，计算满足所述预设值的所述评价参考值所对应的所述目标生成参数。

4.根据权利要求2所述的虚拟道具的生成方法，其特征在于，

所述判断所述评价参考值是否满足预设值的步骤之后，所述获取与所述评价参考值匹配的原始生成参数，并赋值给所述目标生成参数的步骤之前还包括：

获取所述满足所述预设值的所述评价参考值的数量；

在所述满足预设值的所述评价参考值的数量大于1时，在所述满足预设值的所述评价参考值中，查找最优评价参考值，获取与所述最优评价参考值对应的原始生成参数，并赋值给所述目标生成参数；

在所述满足预设值的所述评价参考值的数量不大于1时，执行所述获取与所述评价参考值匹配的原始生成参数，并赋值给所述目标生成参数的步骤。

5.根据权利要求1所述的虚拟道具的生成方法，其特征在于，

所述根据所述历史样本数据计算所述虚拟道具的评价参考值的步骤之前还包括：

对所述历史样本数据进行预处理，所述预处理方式包括与噪声处理、抽样处理和/或数据变换处理。

6.一种虚拟道具的生成装置，其特征在于，包括：

历史样本数据获取模块，用于获取终端上传的历史样本数据，所述历史样本数据包括道具使用情况参数和与所述使用情况参数对应的原始生成参数；

评价参考值计算模块，用于根据所述历史样本数据计算所述虚拟道具的评价参考值，所述评价参考值与所述原始生成参数匹配；

判断模块，用于判断所述评价参考值是否满足预设值，若否，则根据所述历史样本数据和所述评价参考值，通过预设的机器学习算法，计算获得目标生成参数；

目标虚拟道具生成模块，用于发送所述目标生成参数给所述终端，以使所述终端根据所述目标生成参数，生成与所述目标生成参数对应的目标虚拟道具。

7.根据权利要求6所述的虚拟道具的生成装置，其特征在于，所述判断模块还用于：

在所述评价参考值满足预设值时，获取与所述评价参考值匹配的原始生成参数，并赋值给所述目标生成参数。

8.根据权利要求6所述的虚拟道具的生成装置，其特征在于，所述判断模块还用于：

通过所述预设的机器学习算法计算得到所述原始生成参数与所述道具使用情况参数之间的映射关系，以及所述原始生成参数、所述道具使用情况参数与所述评价参考值之间的映射关系；

根据所述原始生成参数与所述道具使用情况参数之间的映射关系，以及所述原始生成参数、所述道具使用情况参数与所述评价参考值之间的映射关系，计算满足所述预设值的所述评价参考值所对应的所述目标生成参数。

9.根据权利要求7所述的虚拟道具的生成装置，其特征在于，所述判断模块还用于：

获取所述满足所述预设值的所述评价参考值的数量；

在所述满足预设值的所述评价参考值的数量大于1时，在所述满足预设值的所述评价参考值中，查找最优评价参考值，获取与所述最优评价参考值对应的原始生成参数，并赋值给所述目标生成参数；

在所述满足预设值的所述评价参考值的数量不大于1时，执行所述获取与所述评价参考值匹配的原始生成参数，并赋值给所述目标生成参数的步骤。

10.根据权利要求6所述的虚拟道具的生成装置，其特征在于，所述评价参考值计算模块还用于：

对所述历史样本数据进行预处理，所述预处理方式包括与噪声处理、抽样处理和/或数据变换处理。