CN105536251A - 一种基于用户体验质量波动模型的游戏任务自动构造方法 - Google Patents

Abstract

一种基于用户体验质量值(Quality？ofExperience，QoE)波动模型的游戏任务自动构造方法，其特征在于：系统为玩家提供了一个统一的登录界面，用户登录后，系统根据用户的社会标签(如阅读习惯、个人喜好等)分析用户的个性和兴趣，并根据用户的个性和兴趣生成一个初步游戏任务。在用户玩游戏的过程中，系统监控用户在游戏期间的表现和用户体验质量值(Quality？ofExperience，QoE)波动。通过动态调整游戏任务内容让玩家的QoE值保持在一个较高的水平。当QoE值下降时，采用曾经让与该用户社会属性相似的用户获得最大体验质量值的游戏配置方案来配置当前的游戏，使得用户QoE值回升。当QoE值大幅下降低于某一阈值时，改变游戏的类型来刺激QoE值快速反弹。

Description

一种基于用户体验质量波动模型的游戏任务自动构造方法

技术领域

本发明提出了一种基于用户体验质量值(QualityofExperience，QoE)波动模型的游戏任务自动构造方法，该方法涉及到互联网数据监控、数据存储等领域。

背景技术

游戏制造商往往会陷入游戏开发的困境，当游戏刚推出时，因为用户觉得新鲜和刺激，它会吸引大量的用户，但经过一段时间后，用户会觉得无聊，开始找新的游戏，游戏制造商不得不再次投资大量的人力和物力来开发新游戏。如何确保用户喜欢并接受游戏，并且如何保持一定数量的用户是绝大多数游戏开发商头痛的问题。

另一方面，当人们在生活中感到疲倦和无聊的时候，人们通常想通过玩游戏来放松神经和大脑。然而，他们找不到合适的游戏放松，他们必须搜索并决定哪种类型的游戏有趣，这个过程使他们的心情变得更糟。因为如果用户发现他喜欢的游戏，在游戏的开始前，他必须手动设置游戏的配置，其中包括难度水平，对手数量，场景，人工智能的智力水平等，这些都可能导致人们放弃游戏。

发明内容

本发明的目的是提供一种基于用户体验质量值(QoE)波动模型的游戏任务自动构造方法，用户登录后，系统会根据用户的个性和兴趣生成一个最初的游戏任务，系统监控用户完成该游戏任务期间的表现和波动模型的用户体验质量值(QoE)，并调整游戏任务内容，根据体验质量(QoE)波动模型保持玩家体验质量(QoE)在一个较高的水平，避免了体验质量(QoE)下降到低于某一阈值，以确保用户享受游戏，感到放松，并且可以降低游戏开发成本。

为实现上述目的，本发明的技术方案是：

一种基于用户体验质量值(QualityofExperience，QoE)波动模型的游戏任务自动构造方法，本发明特征在于：系统为玩家提供了一个统一的登录界面，用户登录后，系统根据用户的社会标签(如阅读习惯、个人喜好等)分析用户的个性和兴趣，并根据用户的个性和兴趣生成一个初步游戏任务。在用户玩游戏的过程中，系统监控用户在游戏期间的表现和用户体验质量值(QualityofExperience，QoE)波动。通过动态调整游戏任务内容让玩家的QoE值保持在一个较高的水平。当QoE值下降时，采用曾经让与该用户社会属性相似的用户获得最大体验质量值的游戏配置方案来配置当前的游戏，使得用户QoE值回升。当QoE值大幅下降低于某一阈值时，改变游戏的类型来刺激QoE值快速反弹。

本发明初始化游戏的步骤为：

如果用户要玩游戏，只需要加载登录界面，输入自己的用户名和密码，如图2所示，当用户登录后，该系统将根据该用户的社会标签定义用户的属性，收集游戏任务素材，通过游戏任务集成模型建立和初始化游戏任务；在本发明中，通过普适计算使用移动设备或其他相应的设备获得用户的社会标签，从而定义用户的社会属性，其中包括阅读习惯、业余爱好、职业等。这些信息存储到相应的数据库中；用户指导系统设定游戏，例如，喜欢读历史小说的人更喜欢玩与历史相关的游戏；

本发明个性化的游戏任务生成的步骤为：

在游戏中，系统监控用户的QoE值，并动态地调整相应的游戏配置；例如，如果用户是一个历史的业余爱好者，并且他喜欢冒险游戏，系统会初始化一个基于古代场景的冒险任务。当这个任务完成后，如果QoE高，系统会继续提供这种类型的任务，同时，如果体验质量下降低于某一阈值，系统会根据用户特点产生一个新的简短任务(如与古代交通工具比赛)；如果体验质量的反弹非常低则改变游戏的类型；个性化的游戏任务生成模型的总体框架是如图3所示；

(1)游戏任务的产生

一个任务的配置是由多种因素合成的，包括任务类型、场景、难度水平、任务持续时间、图像质量、背景音乐、敌人数量等。假设需要配置的因素的数量是N，则定义一个任务的因素向量为F_t＝{f₁，f₂，f₃…f_N}，其中f_i是因素向量特征，N为特征数量；考虑到通过调整不同特性对用户的感知影响是具有显著差异的，在这里，本发明定义一个参数“跨度”，用来说明任务要素调整的影响程度，特征之间的跨度将被量化为不同的权重:值越大意味着跨度越大，对玩家的影响也就越大。

在这个模型中，本发明根据体验质量(QoE)波动模型调整任务配置，该模型基于一个常识：当人们开始玩一个新类型的游戏任务时会充满了新鲜感和兴奋感，新鲜感和兴奋感随着时间的推移逐渐下降，这导致体验质量逐步下降。如果调整游戏任务设置，体验质量(QoE)值可以回升，但不会迅速达到最大峰值。如果换一个新类型的游戏，又会重复上述的过程。这种波动过程如下图4所示；

为了尽可能的充分利用已经开发的游戏和降低游戏开发成本，当任务完成后，系统检查体验质量(QoE)值是否低于某一阈值；如果是，系统优先调整特征。如果体验质量的回升幅度低于某一阈值，则改变游戏任务类型来刺激体验质量(QoE)。每次任务完成，都要更新当前体验质量(QoE)值。

本发明从目标用户的历史数据中得到游戏记录R_t。不同的游戏任务有着不同的游戏配置和相应的体验质量(QoE)，分别用T_c＝{t_c1，t_c2，……}和Q_c＝{q_c1，q_c2，……}表示。所以采用(T_c，Q_c)构造任务记录，存储在数据库中；

R_t＝(T_c，Q_c)

其中，R_t＝{R_t1，R_t2，……}，对于第个任务，记录表示为R_ti＝(t_ci，q_ci)。任务结束的时候，目标用户的游戏任务体验质量(QoE)值通过计算存储在知识数据库中；

当一个任务完成后，根据其频率更新当前所有记录的体验质量值，然后排序所有的体验质量(QoE)值和选择符合度最大的一个配置作为下一个任务的配置；

C_s＝arg(Max(Q_c))

Q_c＝OQ(t，t_c)

其中，C_s是选择的配置，Q_c是体验质量(QoE)记录，OQ(t，t_c)是整体的体验质量(QoE)值，由子步骤1更新；

子步骤1.更新数据库体验质量(QoE)记录项

用户体验质量(QoE)值与用户对体验的新鲜感相关，其自我更新机制就像人类记忆机制的反过程，如果一个体验反复出现，则其体验质量(QoE)必定会迅速下降，如果一个体验间隔很久才出现，其体验质量(QoE)将会持续增加；某一时刻游戏任务的体验质量的所有权重值就是各种体验的组合；

1)刺激衰减

给定一个记录在一段时间后t>1，系统要计算这个配置的体验质量减少值，直到时间t：aq(t，f_ci)；

首先，体验质量在时间t内的减少程度可以通过频率来反映：f_ci，所以可以得到第i个配置t_ci验的体验质量程度值，如下所示:

$q(t,t_{ci})=\frac{\mathrm{\α}}{f_{ci}};i\∈\{1,2,3,...\}$

其中，α是一个持续时间转换成配置权重的参数。注意，f_ci是标准化的，如果f_ci＝0，时间t的对应值是1。然后累积值就是全部体验质量(QoE)相加，最后再加上q(t，t_ci)；

其中，OQ(t-1，t_ci)是到t-1时的全部体验质量(QoE)值，且OQ(0，t_ci)＝0；

2)新鲜感的回升

考虑到新鲜的或令人兴奋的游戏任务,体验质量的影响权值可以被描述为一个指数曲线；因此，我们得到影响体验质量权重的反弹函数如下:

$rq(t,t_{ci})=\mathrm{\β}\×rq{(t_0,t_{ci})}^{\mathrm{\λ}\×d_t},i\∈\{1,2,3,...\}$

其中，d_t是来自最后一次刺激的延迟时间，β和λ是模型的参数；这个函数表示每单位时间，体验质量失去剩下的一小部分。这个过程让人联想到的放射性衰变，通常用来类比描述遗忘；

3)全部权重值

最后，t时的全部权重值是累积值的组合加上衰减值；

OQ(t，t_ci)＝aq(t，t_ci)+rq(t，t_ci)；i∈{1，2，3，...}

这个函数表示权重值衰减直到一个新的刺激出现。然后加上新情况中的计算值，并再次开始衰变过程；这个过程是迭代重复的；通常，可以记录的更新过程如图5所示；

子步骤2.更新记录集合的体验质量(QoE)

当前体验质量值计算后,更新体验质量记录。完成一个任务后，如果用户的体验质量下降到某一阈值Th_q，那就意味着这个任务的配置已经不再适合建立一个新任务，为了避免选择很类似的配置构建新任务，我们更新任务的配置记录，同时根据一定的配置相似性阀值更新邻域记录；

$Q_{RSi}=\frac{OQ(t,t_{ci})}{Sim(F_{ci},F_{cj})};j\∈\{1,2,3,\mathrm{...}\}$

Sim(F_ci，F_cj)＝1-Dis(F_ci，F_ci)

Dis(F_ci，F_cj)＝||aF_ci-aF_cj||

其中，Sim(F_ci，F_csi)是第i个记录和其他记录的相似性，||·||代表向量距离，是其他的配置记录；

(2)构建游戏数据库

游戏数据库包含游戏的基本元素(如服装和场景的不同时期和类型的游戏)和游戏玩家的历史记录以及社会团体方面的记录；它可以提供用户与个性相关的游戏元素。这些游戏元素涉及各种各样的游戏，如动作、冒险、赛车、角色扮演、模拟、运动、策略，等等；

(3)构建用户记录数据库

系统储存目标用户任务结束时的体验质量记录作为参考，并存储类似的用户记录在数据库中。因为根据用户的社会标签可以将用户归类为不同组的成员，用户的游戏兴趣应该与团体模式相似。然后可以根据个人的社会标签选择不同的游戏元素；例如，如果用户的标签都是男性，喜欢读历史小说，听古典音乐，等等，系统将构建一个具有经典背景音乐的古代冒险游戏。

例如,性别可能与游戏的难度有关：女性玩家可能喜欢简单的游戏模式来放松，而男人乐于挑战，可能喜欢艰难模式；年龄可能与游戏的类型有关：少年喜欢漫画风格的，然而成人喜欢更加现实的。因此，相似性是非常重要的，因为相似的人有相似的品味；

(4)计算体验质量

游戏期间，本发明提出的方法将持续监测胺多酚的数量，以显示快乐程度，因为在兴奋、恋爱、性高潮等的时候胺多酚会产生一种幸福的感觉，以及一些生理信号，代表用户的紧张。

适用于本发明的生理信号可能包括血压、心跳、脑电波，因为它们反映了用户的强度。在使用软件时，假设目前平均胺多酚量e和当前平均生理信号向量{bp，h，bw}，都在标准化的形式下(在0和1之间)，可以计算的幸福程度通过比较它与在使用软件之前的初始值；

$ev=\frac{e-e_i}{e_i}$

$iv=\frac{(bp-{\mathrm{bp}}_i)+(h-h_i)+(bw-{\mathrm{bw}}_i)}{{\mathrm{bp}}_i+h_i+{\mathrm{bw}}_i}$

其中，e_i，bp_i，h_i和bw_j分别表示胺多酚初始值、血压、心跳、脑电波；

体验质量分数的计算使用ev和iv得到：qoe＝ev×iv

需要注意的是，体验质量的计算可以根据面部表情、讲话、身体姿态、声音信息和生理信号等信息，本发明计算体验质量(QoE)的方法并不仅仅限于上述方法，所有的计算方法都可以应用到本发明推荐系统框架中。

本发明的效果及优势在于：

第一，容易使用：依靠用户的个性信息游戏系统设置所有配置，这整个过程都在没有人为干预的情况下自动完成的，用户只需要登录到系统，并享受他们喜爱的游戏，简化用户游戏步骤，方便用户全身心投入游戏中；

第二，高水平的体验质量：游戏系统可以让玩家的体验质量保持在一个相对高的水平，因为用户体验质量的实时监控和社会群体方面的信息，用户可以享受定制和个性化的游戏，避免感到无聊；

第三，经济适用：本发明为每个用户生成合适的游戏，然后通过充分利用游戏和更新模型后给老游戏的反弹过程注入新生命来改变游戏类型，这样成本将减少到最小；

第四，避免玩家流失：游戏制造商可以维持一个稳定的用户群规模。

附图说明

图1为本方法的总体框架；

图2为用户登录界面；

图3为个性化的游戏任务生成模型；

图4为游戏任务期间体验质量波动过程示意图；

图5为总体的QoE权值随游戏任务的变化而波动示意图。

具体实施方式

下面结合具体的实施例对本发明进一步地说明。

一种基于用户体验质量波动模型的游戏任务自动构造方法，本发明特征在于：系统为玩家提供一个统一的登录界面，用户登录后，系统根据用户的社会标签(如阅读习惯、个人喜好等)分析用户的个性和兴趣，并根据用户的个性和兴趣生成一个初始化游戏任务；在用户玩游戏的过程中，系统监控用户在游戏期间的表现和用户体验质量值(QualityofExperience，QoE)波动；通过动态调整游戏任务内容让玩家的QoE值保持在一个较高的水平，当QoE值大幅下降低于某一阈值时，改变游戏的类型来刺激QoE值快速反弹。

本发明初始化游戏的步骤为：

如果用户要玩游戏，只需要加载登录界面，输入自己的用户名和密码，如图2所示，当用户登录后，该系统将根据该用户的社会标签定义用户的属性，收集游戏任务素材，通过游戏任务集成模型建立和初始化游戏任务；在本发明中，通过普适计算使用移动设备或其他相应的设备获得用户的社会标签，从而定义用户的社会属性，其中包括阅读习惯、业余爱好、职业等；这些信息存储到相应的数据库中。用户指导系统设定游戏，例如，喜欢读历史小说的人更喜欢玩与历史相关的游戏；

本发明个性化的游戏任务生成的步骤为：

个性化的游戏任务生成的步骤为：

在游戏中，系统监控用户的QoE值，并动态地调整相应的游戏配置；例如，如果用户是一个历史的业余爱好者，并且他喜欢冒险游戏，系统会初始化一个基于古代场景的冒险任务；当这个任务完成后，如果QoE高，系统会继续提供这种类型的任务，同时，如果体验质量下降低于某一阈值，系统会根据用户特点产生一个新的简短任务(如与古代交通工具比赛)；如果体验质量的反弹非常低则改变游戏的类型；

(1)游戏任务的产生

一个任务的配置是由多种因素合成的，包括任务类型、场景、难度水平、任务持续时间、图像质量、背景音乐、敌人数量等。假设需要配置的因素的数量是N，则定义一个任务的因素向量为F_t＝{f₁，f₂，f₃…f_N}，其中f_i是因素向量特征，N为特征数量；考虑到通过调整不同特性对用户的感知影响是具有显著差异的，在这里，本发明定义一个参数“跨度”，用来说明任务要素调整的影响程度，特征之间的跨度将被量化为不同的权重:值越大意味着跨度越大，对玩家的影响也就越大。

在这个模型中，本发明根据体验质量(QoE)波动模型调整任务配置，该模型基于一个常识：当人们开始玩一个新类型的游戏任务时会充满了新鲜感和兴奋感，新鲜感和兴奋感随着时间的推移逐渐下降，这导致体验质量逐步下降；如果调整游戏任务设置，体验质量(QoE)值可以回升，但不会迅速达到最大峰值；如果换一个新类型的游戏，又会重复上述的过程。这种波动过程如下图4所示；

为了尽可能的充分利用已经开发的游戏和降低游戏开发成本，当任务完成后，系统检查体验质量(QoE)值是否低于某一阈值；如果是，系统优先调整特征。如果体验质量的回升幅度低于某一阈值，则改变游戏任务类型来刺激体验质量(QoE)。每次任务完成，都要更新当前体验质量(QoE)值。

本发明从目标用户的历史数据中得到游戏记录R_t；不同的游戏任务有着不同的游戏配置和相应的体验质量(QoE)，分别用T_c＝{t_c1，t_c2，……}和Q_c＝{q_c1，q_c2，……}表示。所以采用(T_c，Q_c)构造任务记录，存储在数据库中；

R_t＝(T_c，Q_c)

其中，R_t＝{R_t1，R_t2，……}，对于第个任务，记录表示为R_ti＝(t_ci，q_ci)。任务结束的时候，目标用户的游戏任务体验质量(QoE)值通过计算存储在知识数据库中；

当一个任务完成后，根据其频率更新当前所有记录的体验质量值，然后排序所有的体质量(QoE)值和选择符合度最大的一个配置作为下一个任务的配置；

C_s＝arg(Max(Q_c))

Q_c＝OQ(t，t_c)

其中，C_s是选择的配置，Q_c是体验质量(QoE)记录，OQ(t，t_c)是整体的体验质量(QoE)值，由子步骤1更新；

子步骤1.更新数据库体验质量(QoE)记录项

用户体验质量(QoE)值与用户对体验的新鲜感相关，其自我更新机制就像人类记忆机制的反过程，如果一个体验反复出现，则其体验质量(QoE)必定会迅速下降，如果一个体验间隔很久才出现，其体验质量(QoE)将会持续增加；某一时刻游戏任务的体验质量的所有权重值就是各种体验的组合；

1)刺激衰减

给定一个记录在一段时间后t>1，系统要计算这个配置的体验质量减少值，直到时间t：aq(t，f_ci)。

首先，体验质量在时间t内的减少程度可以通过频率来反映：f_ci，所以可以得到第i个配置t_ci验的体验质量程度值，如下所示:

$q(t,t_{ci})=\frac{\mathrm{\α}}{f_{ci}};i\∈\{1,2,3,...\}$

其中，α是一个持续时间转换成配置权重的参数。注意，f_ci是标准化的，如果f_ci＝0，时间t的对应值是1。然后累积值就是全部体验质量(QoE)相加，最后再加上q(t，t_ci)。

其中，OQ(t-1，t_ci)是到t-1时的全部体验质量(QoE)值，且OQ(0，t_ci)＝0；

2)新鲜感的回升

考虑到新鲜的或令人兴奋的游戏任务,体验质量的影响权值可以被描述为一个指数曲线。因此，我们得到影响体验质量权重的反弹函数如下:

$rq(t,t_{ci})=\mathrm{\β}\×rq{(t_0,t_{ci})}^{\mathrm{\λ}\×d_t},i\∈\{1,2,3,...\}$

其中，d_t是来自最后一次刺激的延迟时间，β和λ是模型的参数；这个函数表示每单位时间，体验质量失去剩下的一小部分；这个过程让人联想到的放射性衰变，通常用来类比描述遗忘；

3)全部权重值

最后，t时的全部权重值是累积值的组合加上衰减值。

OQ(t，t_ci)＝aq(t，t_ci)+rq(t，t_ci)；i∈{1，2，3，…}

这个函数表示权重值衰减直到一个新的刺激出现。然后加上新情况中的计算值，并再次开始衰变过程；这个过程是迭代重复的；通常，可以记录的更新过程如图5所示。

子步骤2.更新记录集合的体验质量(QoE)

当前体验质量值计算后,更新体验质量记录；完成一个任务后，如果用户的体验质量下降到某一阈值Th_q，那就意味着这个任务的配置已经不再适合建立一个新任务，为了避免选择很类似的配置构建新任务，我们更新任务的配置记录，同时根据一定的配置相似性阀值更新邻域记录；

$Q_{RSi}=\frac{OQ(t,t_{ci})}{Sim(F_{ci},F_{cj})};j\∈\{1,2,3,\mathrm{...}\}$

Sim(F_ci，F_ci)＝1-Dis(F_ci，F_cj)

Dis(F_ci，F_cj)＝||aF_ci-aF_cj||

其中，Sim(F_ci，F_csi)是第i个记录和其他记录的相似性，||·||代表向量距离，是其他的配置记录；

(2)构建游戏数据库

游戏数据库包含游戏的基本元素(如服装和场景的不同时期和类型的游戏)和游戏玩家的历史记录以及社会团体方面的记录；它可以提供用户与个性相关的游戏元素；这些游戏元素涉及各种各样的游戏，如动作、冒险、赛车、角色扮演、模拟、运动、策略，等等。

(3)构建用户记录数据库

系统储存目标用户任务结束时的体验质量记录作为参考，并存储类似的用户记录在数据库中。因为根据用户的社会标签可以将用户归类为不同组的成员，用户的游戏兴趣应该与团体模式相似；然后可以根据个人的社会标签选择不同的游戏元素；例如，如果用户的标签都是男性，喜欢读历史小说，听古典音乐，等等，系统将构建一个具有经典背景音乐的古代冒险游戏；

例如,性别可能与游戏的难度有关：女性玩家可能喜欢简单的游戏模式来放松，而男人乐于挑战，可能喜欢艰难模式；年龄可能与游戏的类型有关：少年喜欢漫画风格的，然而成人喜欢更加现实的。因此，相似性是非常重要的，因为相似的人有相似的品味；

(4)计算体验质量

游戏期间，本发明提出的方法将持续监测胺多酚的数量，以显示快乐程度，因为在兴奋、恋爱、性高潮等的时候胺多酚会产生一种幸福的感觉，以及一些生理信号，代表用户的紧张；

适用于本发明的生理信号可能包括血压、心跳、脑电波，因为它们反映了用户的强度；在使用软件时，假设目前平均胺多酚量e和当前平均生理信号向量{bp，h，bw}，都在标准化的形式下(在0和1之间)，可以计算的幸福程度通过比较它与在使用软件之前的初始值；

$ev=\frac{e-e_i}{e_i}$

$iv=\frac{(bp-{\mathrm{bp}}_i)+(h-h_i)+(bw-{\mathrm{bw}}_i)}{{\mathrm{bp}}_i+h_i+{\mathrm{bw}}_i}$

其中，e_i，bp_i，h_i和bw_j分别表示胺多酚初始值、血压、心跳、脑电波；

体验质量分数的计算使用ev和iv得到：qoe＝ev×iv

需要注意的是，体验质量的计算可以根据面部表情、讲话、身体姿态、声音信息和生理信号等信息，本发明计算体验质量(QoE)的方法并不仅仅限于上述方法，所有的计算方法都可以应用到本发明推荐系统框架中。

Claims (3)

1.一种基于用户体验质量波动模型的游戏任务自动构造方法，其特征在于：系统为玩家提供一个统一的登录界面，用户登录后，系统根据用户的社会标签分析用户的个性和兴趣，并根据用户的个性和兴趣生成一个初始化游戏任务；在用户玩游戏的过程中，系统监控用户在游戏期间的表现和用户体验质量值波动；通过动态调整游戏任务内容让玩家的QoE值保持在一个较高的水平，当QoE值大幅下降低于某一阈值时，改变游戏的类型来刺激QoE值快速反弹。

2.根据权利要求1所述的一种基于用户体验质量波动模型的游戏任务自动构造方法，其特征在于：初始化游戏任务的步骤为：

当用户要玩游戏，只需要加载登录界面，输入自己的用户名和密码，当用户登录后，该系统将根据该用户的社会标签定义用户的属性，收集游戏任务素材，通过游戏任务集成模型建立和初始化游戏任务；通过普适计算使用移动设备或其他相应的设备获得用户的社会标签，从而定义用户的社会属性和个性化游戏任务，其中包括阅读习惯、业余爱好、职业；将这些信息存储到相应的数据库中，用户指导系统设定游戏。

3.根据权利要求2所述的一种基于用户体验质量波动模型的游戏任务自动构造方法，其特征在于：个性化游戏任务生成的步骤为：

在游戏中，系统监控用户的QoE值，并动态地调整相应的游戏任务配置；当这个任务完成后，如果QoE高，系统会继续提供这种类型的任务，同时，如果体验质量下降低于某一阈值，系统会根据用户特点产生一个新的简短任务；如果体验质量的反弹非常低则改变游戏的类型；其中：

(1)游戏任务配置

游戏任务配置包括任务类型、场景、难度水平、任务持续时间、图像质量、背景音乐、敌人数量；假设需要配置的因素的数量是N，则定义一个任务的因素向量为F_t＝{f₁，f₂，f₃...f_N}，其中f_i是因素向量特征，N为特征数量；考虑到通过调整不同特性对用户的感知影响是具有显著差异的，在这里，本发明定义一个参数“跨度”，用来说明任务要素调整的影响程度，特征之间的跨度将被量化为不同的权重:值越大意味着跨度越大，对玩家的影响也就越大；

在这个模型中，根据体验质量(QoE)波动模型调整任务配置，该模型基于一个常识：当人们开始玩一个新类型的游戏任务时会充满了新鲜感和兴奋感，新鲜感和兴奋感随着时间的推移逐渐下降，这导致体验质量逐步下降；如果调整游戏任务设置，体验质量(QoE)值可以回升，但不会迅速达到最大峰值；如果换一个新类型的游戏，又会重复上述的过程；

为了尽可能的充分利用已经开发的游戏和降低游戏开发成本，当任务完成后，系统检查体验质量(QoE)值是否低于某一阈值；如果是，系统优先调整特征；如果体验质量的回升幅度低于某一阈值，则改变游戏任务类型来刺激体验质量(QoE)；每次任务完成，都要更新当前体验质量(QoE)值；

本发明从目标用户的历史数据中得到游戏记录R_t；不同的游戏任务有着不同的游戏配置和相应的体验质量(QoE)，分别用T_c＝{t_c1，t_c2，......}和Q_c＝{q_c1，q_c2，......}表示，所以采用(T_c，Q_c)构造任务记录，存储在数据库中；

R_t＝(T_c，Q_c)

其中，R_t＝{R_t1，R_t2，......}，对于第个任务，记录表示为R_ti＝(t_ci，q_ci)；任务结束的时候，目标用户的游戏任务体验质量(QoE)值通过计算存储在知识数据库中；

当一个任务完成后，根据其频率更新当前所有记录的体验质量值，然后排序所有的体验质量(QoE)值和选择符合度最大的一个配置作为下一个任务的配置；

C_s＝arg(Max(Q_c))

Q_c＝OQ(t，t_c)

其中，C_s是选择的配置，Q_c是体验质量(QoE)记录，OQ(t，t_c)是整体的体验质量(QoE)值，由子步骤1更新；

子步骤1.更新数据库体验质量(QoE)记录项

用户体验质量(QoE)值与用户对体验的新鲜感相关，其自我更新机制就像人类记忆机制的反过程，如果一个体验反复出现，则其体验质量(QoE)必定会迅速下降，如果一个体验间隔很久才出现，其体验质量(QoE)将会持续增加；某一时刻游戏任务的体验质量的所有权重值就是各种体验的组合；

1)刺激衰减

给定一个记录在一段时间后t>1，系统要计算这个配置的体验质量减少值，直到时间t：aq(t，f_ci)；

首先，体验质量在时间t内的减少程度可以通过频率来反映：f_ci，所以可以得到第i个配置t_ci验的体验质量程度值，如下式所示:

其中，α是一个持续时间转换成配置权重的参数；注意，f_ci是标准化的，如果f_ci＝0，时间t的对应值是1；然后累积值就是全部体验质量(QoE)相加，最后再加上q(t，t_ci)；

其中，OQ(t-1，t_ci)是到t-1时的全部体验质量(QoE)值，且OQ(0，t_ci)＝0；

2)新鲜感的回升

考虑到新鲜的或令人兴奋的游戏任务对QoE的影响，体验质量的影响权值变化可以被描述为一个指数曲线；因此，得到影响体验质量权重的反弹函数如下:

其中，d_t是来自最后一次刺激的延迟时间，β和λ是模型的参数；这个函数表示每单位时间，体验质量失去剩下的一小部分；

3)总的权重值

最后，t时刻的总权重值是累积值的组合加上衰减值；

OQ(t，t_ci)＝aq(t，t_ci)+rq(t，t_ci)；i∈{1，2，3，...}

这个函数表示权重值衰减直到一个新的刺激出现；然后加上新情况中的计算值，并再次开始衰变过程；这个过程是迭代重复的；

子步骤2.更新体验质量记录集合

当前体验质量值计算后,更新体验质量记录；完成一个任务后，如果用户的体验质量下降到某一阈值Th_q，那就意味着这个任务的配置已经不再适合建立一个新任务，为了避免选择很类似的配置构建新任务，我们更新任务的配置记录，同时根据一定的配置相似性阀值更新邻域记录；

Sim(F_ci，F_cj)＝1-Dis(F_ci，F_cj)

Dis(F_ci，F_cj)＝||aF_ci-aF_cj||

其中，Sim(F_ci，F_csi)是第i个记录和其他记录的相似性，||·||代表向量距离，是其他的配置记录；

(2)构建游戏数据库

游戏数据库包含游戏的基本元素和游戏玩家的历史记录以及社会团体方面的记录；它能够提供用户与个性相关的游戏元素；这些游戏元素涉及各种各样的游戏，如动作、冒险、赛车、角色扮演、模拟、运动、策略；

(3)构建用户记录数据库

系统储存目标用户任务结束时的体验质量记录作为参考，并存储类似的用户记录在数据库中，因为根据用户的社会标签可以将用户归类为不同组的成员，用户的游戏兴趣应该与团体模式相似；然后可以根据个人的社会标签选择不同的游戏元素；

(4)计算体验质量

游戏期间，本发明提出的方法将持续监测胺多酚的数量，以显示快乐程度，因为在兴奋、恋爱、性高潮的时候胺多酚会产生一种幸福的感觉，以及一些生理信号，代表用户的紧张；

适用于本发明的生理信号可能包括血压、心跳、脑电波，因为它们反映了用户的强度；在使用软件时，假设目前平均胺多酚量e和当前平均生理信号向量{bp，h，bw}，都在标准化的形式下，在0和1之间，能够计算的幸福程度通过比较它与在使用软件之前的初始值；

其中，e_i，bp_i，h_i和bw_j分别表示胺多酚初始值、血压、心跳、脑电波；

体验质量分数的计算使用ev和iv得到：qoe＝ev×iv

体验质量的计算是根据面部表情、讲话、身体姿态、声音信息和生理信号信息。