CN108804663A - 一种结果估计方法、模型训练方法和相关装置 - Google Patents
一种结果估计方法、模型训练方法和相关装置 Download PDFInfo
- Publication number
- CN108804663A CN108804663A CN201810588051.9A CN201810588051A CN108804663A CN 108804663 A CN108804663 A CN 108804663A CN 201810588051 A CN201810588051 A CN 201810588051A CN 108804663 A CN108804663 A CN 108804663A
- Authority
- CN
- China
- Prior art keywords
- match
- parameter
- party
- result
- finished
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种结果估计方法,在需要估计一个未结束比赛的比赛结果时,可以获取该未结束比赛的参与方:第一方和第二方对应的能力参数,其中第一能力参数为第一方所包括对象的能力参数,第二能力参数为第二方所包括对象的能力参数。基于根据历史比赛参数和历史比赛参与方的能力参数训练得到的估计模型,可以根据第一能力参数和第二能力参数确定出在第一方和第二方的参与下,该未结束比赛可能的估计结果,避免了传统方式中人为经验带来的影响。该估计结果可以提供给关注该未结束比赛的关注者,以便提高关注者的关注比赛的用户体验和参与度。本申请实施例还公开了一种用于结果估计的模型训练方法及相关装置。
Description
技术领域
本申请涉及数据处理领域,特别是涉及一种结果估计方法、模型训练方法和相关装置。
背景技术
比赛属于一种常见的活动。在体育等领域中,基于特定的规则,让参赛者的在体能、技术、技能等方面进行分别的或综合的较量,最终依照规则评定出比赛的结果。
关注比赛的关注者一般会对比赛结果具有兴趣,希望能够预先估计出比赛结果,这样关注者在了解比赛的进程的过程中,可以通过评估实际的比赛结果与估计的比赛结果之间的吻合程度增强关注比赛的用户体验和参与度。
然而目前关注者主要是依据自身对比赛参赛者的了解,自行对比赛的结果进行估计,过于依靠人为经验,使得一些新关注比赛的关注者难以通过估计比赛结果提高用户体验。
发明内容
为了解决上述技术问题,本申请提供了一种结果估计方法、模型训练方法和相关装置,该结果估计方法避免了传统方式中人为经验带来的影响。该估计结果可以提供给关注该未结束比赛的关注者,以便提高关注者的关注比赛的用户体验和参与度。
本申请实施例公开了如下技术方案:
第一方面,本申请实施例提供了一种结果估计方法,所述方法包括:
获取第一方所包括对象的第一能力参数,以及获取第二方所包括对象的第二能力参数,所述第一方和所述第二方为未结束比赛的两个参与方;
根据所述第一能力参数、所述第二能力参数以及估计模型得到针对所述未结束比赛的估计结果;所述估计模型为根据历史比赛参数和历史比赛参与方的能力参数训练得到的。
可选的,所述第一能力参数为根据所述第一方所包括对象的技能数据、素质数据和位置数据中任意一项或多项的组合确定得到;
所述第二能力参数为根据所述第二方所包括对象的技能数据、素质数据和位置数据中任意一项或多项的组合确定得到。
可选的,所述第一能力参数为所述第一方中可参加对象集合对应的能力参数,所述第一方中可参加对象集合包括了所述第一方可参加所述未结束比赛的对象;
所述第二能力参数为所述第二方中可参加对象集合对应的能力参数,所述第二方中可参加对象集合包括了所述第二方可参加所述未结束比赛的对象。
可选的,所述方法还包括:
确定出第一方中实际参加对象集合;以及确定出第二方中实际参加对象集合;所述第一方中实际参加对象集合包括了所述第一方实际参加所述未结束比赛的对象;所述第二方中实际参加对象集合包括了所述第二方实际参加所述未结束比赛的对象;
将所述第一方中实际参加对象集合对应的能力参数作为所述第一能力参数,将所述第二方中实际参加对象集合对应的能力参数作为所述第二能力参数,并根据所述第一能力参数和所述第二能力参数通过所述估计模型对所述估计结果进行修正。
可选的,所述确定出第一方中实际参加对象集合;以及确定出第二方中实际参加对象集合,包括:
按照预设方式从预定网络位置爬取针对所述未结束比赛的数据;
根据所爬取的数据从所述第一方中可参加对象集合确定出所述第一方中实际参加对象集合;以及从所述第二方中可参加对象集合确定出所述第二方中实际参加对象集合。
可选的,所述方法还包括:
根据所述估计模型得到所述未结束比赛所在系列赛程中其他未结束比赛的估计结果;
根据所述系列赛程中全部未结束比赛的估计结果确定所述系列赛程的最终估计结果。
可选的,所述根据所述系列赛程中全部未结束比赛的估计结果确定所述系列赛程的最终估计结果,包括:
根据所述系列赛程中全部未结束比赛的估计结果以及已结束比赛的实际结果确定所述系列赛程的最终估计结果。
第二方面,本申请实施例提供了一种结果估计装置,所述装置包括获取单元和第一确定单元:
所述获取单元,用于获取第一方所包括对象的第一能力参数,以及获取第二方所包括对象的第二能力参数,所述第一方和所述第二方为未结束比赛的两个参与方;
所述第一确定单元,用于根据所述第一能力参数、所述第二能力参数以及估计模型得到针对所述未结束比赛的估计结果;所述估计模型为根据历史比赛参数和历史比赛参与方的能力参数训练得到的。
可选的,所述第一能力参数为根据所述第一方所包括对象的技能数据、素质数据和位置数据中任意一项或多项的组合确定得到;
所述第二能力参数为根据所述第二方所包括对象的技能数据、素质数据和位置数据中任意一项或多项的组合确定得到。
可选的,所述第一能力参数为所述第一方中可参加对象集合对应的能力参数,所述第一方中可参加对象集合包括了所述第一方可参加所述未结束比赛的对象;
所述第二能力参数为所述第二方中可参加对象集合对应的能力参数,所述第二方中可参加对象集合包括了所述第二方可参加所述未结束比赛的对象。
可选的,所述装置还包括第二确定单元和修正单元:
所述第二确定单元,用于确定出第一方中实际参加对象集合;以及确定出第二方中实际参加对象集合;所述第一方中实际参加对象集合包括了所述第一方实际参加所述未结束比赛的对象;所述第二方中实际参加对象集合包括了所述第二方实际参加所述未结束比赛的对象;
所述修正单元,用于将所述第一方中实际参加对象集合对应的能力参数作为所述第一能力参数,将所述第二方中实际参加对象集合对应的能力参数作为所述第二能力参数,并根据所述第一能力参数和所述第二能力参数通过所述估计模型对所述估计结果进行修正。
可选的,所述第二确定单元,用于按照预设方式从预定网络位置爬取针对所述未结束比赛的数据;根据所爬取的数据从所述第一方中可参加对象集合确定出所述第一方中实际参加对象集合;以及从所述第二方中可参加对象集合确定出所述第二方中实际参加对象集合。
可选的,所述装置还包括第三确定单元和第四确定单元:
所述第三确定单元,用于根据所述估计模型得到所述未结束比赛所在系列赛程中其他未结束比赛的估计结果;
所述第四确定单元,用于根据所述系列赛程中全部未结束比赛的估计结果确定所述系列赛程的最终估计结果。
可选的,所述第四确定单元,用于根据所述系列赛程中全部未结束比赛的估计结果以及已结束比赛的实际结果确定所述系列赛程的最终估计结果。
第三方面,本申请实施例提供了一种用于结果估计的设备,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
获取第一方所包括对象的第一能力参数,以及获取第二方所包括对象的第二能力参数,所述第一方和所述第二方为未结束比赛的两个参与方;
根据所述第一能力参数、所述第二能力参数以及估计模型得到针对所述未结束比赛的估计结果;所述估计模型为根据历史比赛参数和历史比赛参与方的能力参数训练得到的。
第四方面,本申请实施例提供了一种用于结果估计的模型训练方法,所述方法包括:
获取多个历史比赛的历史比赛参数,以及所述多个历史比赛中参与方所包括对象的能力参数;
根据所述历史比赛参数和所述能力参数训练得到估计模型;其中,在训练过程中,将目标比赛结果作为通过目标比赛参数和目标能力参数训练估计模型的训练依据,所述目标比赛参数为所述多个历史比赛中任一个历史比赛的比赛参数,所述目标能力参数包括所述目标比赛参数所对应历史比赛中多个参与方所包括对象的能力参数,所述目标比赛结果为所述目标比赛参数所对应历史比赛的比赛结果。
可选的,所述目标能力参数包括在所述目标比赛参数所对应历史比赛的时间期间,所述目标比赛参数所对应历史比赛多个参与方所包括对象的历史能力参数;或者,
所述目标能力参数包括所述目标比赛参数所对应历史比赛中多个参与方所包括对象的当前能力参数。
第五方面,本申请实施例提供了一种用于结果估计的模型训练装置,所述装置包括获取单元和确定单元:
所述获取单元,用于获取多个历史比赛的历史比赛参数,以及所述多个历史比赛中参与方所包括对象的能力参数;
所述确定单元,用于根据所述历史比赛参数和所述能力参数训练得到估计模型;其中,在训练过程中,将目标比赛结果作为通过目标比赛参数和目标能力参数训练估计模型的训练依据,所述目标比赛参数为所述多个历史比赛中任一个历史比赛的比赛参数,所述目标能力参数包括所述目标比赛参数所对应历史比赛中多个参与方所包括对象的能力参数,所述目标比赛结果为所述目标比赛参数所对应历史比赛的比赛结果。
可选的,所述目标能力参数包括在所述目标比赛参数所对应历史比赛的时间期间,所述目标比赛参数所对应历史比赛多个参与方所包括对象的历史能力参数;或者,
所述目标能力参数包括所述目标比赛参数所对应历史比赛中多个参与方所包括对象的当前能力参数。
第六方面,本申请实施例提供了一种用于结果估计的模型训练设备,其特征在于,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
获取多个历史比赛的历史比赛参数,以及所述多个历史比赛中参与方所包括对象的能力参数;
根据所述历史比赛参数和所述能力参数训练得到估计模型;其中,在训练过程中,将目标比赛结果作为通过目标比赛参数和目标能力参数训练估计模型的训练依据,所述目标比赛参数为所述多个历史比赛中任一个历史比赛的比赛参数,所述目标能力参数包括所述目标比赛参数所对应历史比赛中多个参与方所包括对象的能力参数,所述目标比赛结果为所述目标比赛参数所对应历史比赛的比赛结果。
第七方面,本申请实施例提供了一种机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得装置执行第一方面中一个或多个所述的结果估计方法,或执行第四方面中一个或多个所述的结果估计的模型训练方法。
由上述技术方案可以看出,在需要估计一个未结束比赛的比赛结果时,可以获取该未结束比赛的参与方:第一方和第二方对应的能力参数,其中第一能力参数为第一方所包括对象的能力参数,第二能力参数为第二方所包括对象的能力参数。由于第一方、第二方所包括对象需要参与到该未结束比赛中,故通过第一能力参数可以体现出第一方参与到该未结束比赛中的竞争能力,第二能力参数可以体现出第二方参与到该未结束比赛中的竞争能力。基于根据历史比赛参数和历史比赛参与方的能力参数训练得到的估计模型,可以根据第一能力参数和第二能力参数确定出在第一方和第二方的参与下,该未结束比赛可能的估计结果,避免了传统方式中人为经验带来的影响。该估计结果可以提供给关注该未结束比赛的关注者,以便提高关注者的关注比赛的用户体验和参与度。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种结果估计方法的应用场景示例图;
图2为本申请实施例提供的终端设备的展示界面示例图;
图3为本申请实施例提供的一种六边形能力图;
图4为本申请实施例提供的一种结果估计方法的流程图;
图5为本申请实施例提供的一种用于结果估计的模型训练方法流程图;
图6为本申请实施例提供的一种结果估计装置的结构图;
图7为本申请实施例提供的一种结果估计装置的结构图;
图8为本申请实施例提供的一种用于结果估计、模型训练方法的装置结构图;
图9为本申请实施例提供的一种服务器的结构图。
具体实施方式
下面结合附图,对本申请的实施例进行描述。
传统方式中,关注者通常需要依据自身对参与比赛的各个参赛者实力的了解,自行对比赛结果进行估计。
例如,某场比赛的参赛双方分别为巴西和埃及,如果关注者非常了解各个参赛者的实力,若根据关注者的了解巴西这一方实力非常强,而埃及这一方实力比较弱,那么,关注者将会预测在这场比赛中巴西将会胜出,甚至可以预测出巴西和埃及在这场比赛结果中的比分。
由于这种预测方式根据的是人为经验,一旦关注者经验不足甚至毫无经验,例如,新关注比赛的关注者,那么,由于新关注比赛的关注者并不了解参赛双方的实力强弱,因此,难以估计比赛结果或者难以估计出合理的比赛结果,从而难以通过估计比赛结果提高用户体验。
为此,本申请实施例提供一种结果估计方法,该方法根据历史比赛参数和历史比赛参与方的能力参数训练得到的估计模型,可以根据第一能力参数和第二能力参数确定出在第一方和第二方的参与下,该未结束比赛可能的估计结果,避免了传统方式中人为经验带来的影响。该估计结果可以提供给关注该未结束比赛的关注者,以便提高关注者的关注比赛的用户体验和参与度。
本申请实施例提供的一种结果估计方法可以应用于图1所示的场景中,该场景可以包括终端设备101和服务器102,其中,终端设备101例如可以是智能终端、计算机、个人数字助理(Personal Digital Assistant,简称PDA)、平板电脑等。
在需要估计一个未结束比赛的比赛结果时,终端设备101可以获取关注者需要估计比赛结果的未结束比赛的参与方,其中,终端设备101获取该未结束比赛的参与方的方式可以是:关注者在终端设备101中相应的位置输入比赛参与方,或者,终端设备101提供包括所有比赛的参与方列表,关注者可以从该列表中选择该未结束比赛的参与方。
终端设备101在获取到该未结束比赛的参与方后,服务器102可以从终端设备101获取该未结束比赛的参与方,从而根据该未结束比赛的参与方的能力参数和估计模型,确定出该未结束比赛可能的估计结果。以该未结束比赛的参与方分别为第一方和第二方为例,服务器102获取到第一方和第二方后,可以获取第一方对应的第一能力参数和第二方对应的第二能力参数,其中第一能力参数为第一方所包括对象的能力参数,第二能力参数为第二方所包括对象的能力参数。然后,服务器102根据第一能力参数、第二能力参数和估计模型,可以确定出在第一方和第二方的参与下,该未结束比赛可能的估计结果,其中,估计模型是根据历史比赛参数和历史比赛参与方的能力参数训练得到的。
服务器102在得到估计结果后,可以将该估计结果发送到终端设备101,以便通过终端设备101向关注者展示该估计结果。
其中,利用该结果估计方法对未结束比赛的比赛结果进行估计时,终端设备101的展示界面可以如图2所示。
本申请实施例所提到的能力参数是用来反映参与方所具备竞争能力强弱的参数。由于每个参与方包括多个对象,能力参数一般是对参与方所包括的各个对象的竞争能力进行综合得到的,例如对参与方所包括的各个对象的竞争能力进行加权平均得到的。能力参数可以包括至少一个能力维度,例如能力参数可以包括两个能力维度,在一些情况下中,这两个能力维度可以是攻击和防守;再如,能力参数可以包括六个能力维度,这六个能力维度可以利用六边形能力图表示,在一些情况下中,这六个能力维度可以是速度、射门、传球、盘带、防守和力量。
需要说明的是,在六边形能力图中,最外层的六边形表示的是每个能力维度对应的能力值达到最大时所能够形成的六边形,参与方每个能力维度对应的能力值越大,该参与方对应的六边形越接近于最外层的六边形。参见图3,图3示出了一种六边形能力图,其中,图中灰色线所形成的六边形为参与方对应的六边形。
参与方所包括的对象可以是指参与方中需要参与到比赛中的人员。例如,足球比赛中,参与方所包括的对象可以是指需要参与到比赛中的球员。
下面将结合附图,对本申请实施例提供的一种结果估计方法进行详细介绍。
参见图4,图4示出了一种结果估计方法的流程图,所述方法包括:
S401、获取第一方所包括对象的第一能力参数,以及获取第二方所包括对象的第二能力参数。
其中,第一方和第二方为未结束比赛的两个参与方,未结束比赛可以是还未进行的比赛或正在进行的比赛。
例如,在世界杯比赛中,将要进行比赛的两个参与方分别是葡萄牙和西班牙,其中,葡萄牙可以作为第一方,西班牙可以作为第二方。若关注者需要对该比赛的比赛结果进行估计,那么,关注者可以在图1所示的终端设备101中输入葡萄牙和西班牙,这样,服务器102在知晓需要进行结果估计的两个参与方分别为葡萄牙和西班牙后,服务器102可以获取葡萄牙所包括对象的第一能力参数和西班牙所包括对象的第二能力参数。
S402、根据第一能力参数、第二能力参数以及估计模型得到针对未结束比赛的估计结果。
其中,估计模型为根据历史比赛参数和历史比赛参与方的能力参数训练得到的。
历史比赛参数可以包括一定时间内(例如最近N年)历史比赛中参与方参加比赛的比赛参数,该比赛参数例如可以包括主客场、赛事级别(友谊赛、对抗赛、国际赛事等)、以及比赛结果(胜负平)等。
在得到第一能力参数和第二能力参数后,S402的一种实现方式可以是将第一能力参数和第二能力参数输入该估计模型,该估计模型可以根据第一能力参数和第二能力参数得到针对该未结束比赛的估计结果。其中,所述估计结果可以包括该未结束比赛的比赛结果,或者包括该未结束比赛的比赛结果和该比赛结果的概率,其中,比赛结果可以是平局或该未结束比赛的参与方中的一方胜或该未结束比赛的参与方之间的比分。
在一些情况下,该未结束比赛可能处于系列赛程中,即该未结束比赛可能只是系列赛程中的一场比赛,该系列赛程中还包括其他未结束比赛,对该未结束比赛的估计结果并不是最终估计结果,因此,为了得到系列赛程的最终估计结果,还可以根据估计模型得到该未结束比赛所在系列赛程中其他未结束比赛的估计结果,从而得到该系列赛程中全部未结束比赛的估计结果,然后,根据该系列赛程中全部未结束比赛的估计结果确定该系列赛程的最终估计结果。
例如,关注者想要预测世界杯比赛的冠军,世界杯比赛为系列赛程,若世界杯比赛中包括了3场未结束比赛A、B、C,利用S401-S402得到了未结束比赛A的估计结果,那么,为了得到针对世界杯比赛的最终估计结果,即预测世界杯比赛的冠军,还需要利用S401-S402得到其他两场未结束比赛B和C的估计结果,这样,便得到了世界杯比赛中全部未结束比赛的估计结果,从而根据世界杯比赛中全部未结束比赛的估计结果确定世界杯比赛的最终估计结果。
在一些情况下,关注者需要确定该系列赛程的最终估计结果的时机可以不同,那么,该系列赛程所包括比赛的进展可能不同。
若关注者需要确定该系列赛程的最终估计结果的时机是在系列赛程开始之前,此时,系列赛程所包括比赛可能都是未结束比赛,那么,可以只根据系列赛程中全部未结束比赛的估计结果确定该系列赛程的最终估计结果。
若关注者需要确定该系列赛程的最终估计结果的时机是在系列赛程开始之后,此时,系列赛程所包括比赛中可能存在已结束比赛,那么,根据系列赛程中全部未结束比赛的估计结果确定该系列赛程的最终估计结果的一种实现方式可以是:根据该系列赛程中全部未结束比赛的估计结果以及已结束比赛的实际结果确定该系列赛程的最终估计结果。
由上述技术方案可以看出,在需要估计一个未结束比赛的比赛结果时,可以获取该未结束比赛的参与方:第一方和第二方对应的能力参数,其中第一能力参数为第一方所包括对象的能力参数,第二能力参数为第二方所包括对象的能力参数。由于第一方、第二方所包括对象需要参与到该未结束比赛中,故通过第一能力参数可以体现出第一方参与到该未结束比赛中的竞争能力,第二能力参数可以体现出第二方参与到该未结束比赛中的竞争能力。基于根据历史比赛参数和历史比赛参与方的能力参数训练得到的估计模型,可以根据第一能力参数和第二能力参数确定出在第一方和第二方的参与下,该未结束比赛可能的估计结果,避免了传统方式中人为经验带来的影响。该估计结果可以提供给关注该未结束比赛的关注者,以便提高关注者的关注比赛的用户体验和参与度。
接下来,将对确定第一能力参数和第二能力参数的依据信息进行介绍。需要说明的是,能力参数可能受到参与方所包括对象的各种因素的影响,这些因素例如可以包括参与方所包括对象的技能、各方面素质以及所扮演的角色在该未结束比赛中的定位。因此,可以将影响能力参数的各种因素作为确定能力参数的依据信息。
需要说明的是,并不是在任何比赛中,参与方所包括对象都需要扮演不同的角色,从而有相应的定位,因此,所扮演的角色在该未结束比赛中的定位并不是在任何比赛中都可以作为确定能力参数的依据信息。例如,在网球单打比赛中,无需考虑参与方所包括对象所扮演角色在比赛中的定位,即在网球单打比赛中,所扮演的角色在该未结束比赛中的定位并不是确定能力参数的依据信息。
以参与方所包括对象的各方面素质为例,其中,参与方所包括对象的各方面素质可以包括心理素质,若参与方所包括的对象在小型比赛上心理素质很好,从而使得该参与方所包括的对象的竞争能力强,但是该参与方所包括的对象在大型比赛上心理素质比较差,经常出现失误,从而使得该参与方所包括的对象的竞争能力弱。可见,心理素质可以影响参与方所包括的对象的竞争能力强弱,即影响能力参数。因此,能力参数可以根据参与方所包括对象的心理素质得到。
相应的,获取的能力参数还可以根据参与方所包括对象的技能或参与方所包括对象在该未结束比赛中的位置得到,此处不再一一举例。因此,在本申请实施例的一种实现方式中,第一能力参数可以是根据所述第一方所包括对象的技能数据、素质数据和位置数据中任意一项或多项的组合确定得到;第二能力参数可以是根据所述第二方所包括对象的技能数据、素质数据和位置数据中任意一项或多项的组合确定得到。
其中,技能数据、素质数据和位置数据可以是从网页上爬取得到的,例如,相关官网数据、相关比赛评测文章、参与方所包括对象分析文章等。可以将得到的技能数据、素质数据和位置数据与参与方所包括对象建立对应关系,保存在数据库中,以便之后进行结果估计时,可以从数据库获取相应的数据。另外,可以定期从网上爬取参与方所包括对象的技能数据、素质数据和位置数据,以实时更新数据库。
下面以足球类比赛为例,分别对技能数据、素质数据和位置数据进行介绍。
技能数据可以是反映参与方所包括对象所具备技能类型及技能值的数据。技能类型可以包括进攻、技巧、防守、守门等;其中,进球可以包括:传中、射术、头球精度、短传、凌空等;技巧可以包括:盘带、弧线、任意球精度、长传、控球等;防守可以包括:盯人、抢断、铲球等;守门可以包括:鱼跃、手形、开球、站位、反应等。
素质数据可以是反映参与方所包括对象所具备素质类型及素质值的数据。素质类型可以包括:心理、移动、力量等;其中,心理可以包括:侵略性、拦截意识、跑位、视野、点球、沉着等;移动可以包括:加速、速度、敏捷、反应、平衡等;力量可以包括:射门力量、弹跳、体能、强壮、远射等。
位置数据可以是反映参与方所包括对象的所处位置的数据。位置数据可以包括门将、后卫、中场、前锋等。
接下来,将对第一能力参数和第一能力参数的可能形式进行介绍。可以理解的是,参与方所包括对象可以是指参与方中需要参与到该未结束比赛的对象,一般情况下,这些对象可以参加该未结束比赛,但是可能有的对象仅是替补对象,不一定会实际参加该未结束比赛。而关注者在对未结束比赛的比赛结果进行估计时,能够获取到的可以是可参加该未结束比赛的对象,也可以是实际参加该未结束比赛的对象,根据获取到的对象的不同,获取到的能力参数的形式可能不同。
在一些情况下,未结束比赛可以是还未进行的比赛,关注者对该未结束比赛的比赛结果进行估计时,可能难以获取实际参加该未结束比赛的对象,而能够获取到可参加该未结束比赛的对象,在这种情况下,第一能力参数可以是第一方中可参加对象集合对应的能力参数,第二能力参数可以是第二方中可参加对象集合对应的能力参数,其中,第一方中可参加对象集合包括了第一方可参加该未结束比赛的对象,第二方中可参加对象集合包括了第二方可参加该未结束比赛的对象。
在一些情况下,未结束比赛可以是正在进行的比赛,或者,未结束比赛可以是还未进行且能够确定出实际参加该未结束比赛对象的比赛,关注者对该未结束比赛的比赛结果进行估计时,已经知晓了实际参加该未结束比赛的对象,在这种情况下,第一能力参数可以是第一方中实际参加对象集合对应的能力参数,第二能力参数可以是第二方中实际参加对象集合对应的能力参数,其中,第一方中实际参加对象集合包括了第一方实际参加该未结束比赛的对象,第二方中实际参加对象集合包括了第二方实际参加该未结束比赛的对象。
由于实际参加对象集合包括了参与方实际参加该未结束比赛的对象,实际参加对象集合对应的能力参数更能准确地体现出参与方的竞争能力,这样,根据实际参加对象集合对应的能力参数得到的估计结果更加准确,更加符合实际比赛结果。
需要说明的是,当对还未进行的比赛进行结果估计得到估计结果后,由于可参加该未结束比赛的对象与实际参加该未结束比赛的对象可能有所不同,可参加对象集合对应的能力参数与实际参加对象集合对应的能力参数也会有所不同,可能导致根据可参加对象集合对应的能力参数确定出的估计结果相对于实际比赛结果的偏差较大。
例如,在世界杯中,首先可以获取的是参与方提供的一个包括23名球员的名单,该名单中所包括的球员都可以作为可参加对象集合中包括的对象,而在将要进行比赛时,还可以获取该参与方提供的首发球员阵容,该首发球员阵容一般包括11名球员,该11名球员实际参加比赛,该首发球员阵容中所包括的球员可以作为实际参加对象集合中包括的对象。根据可参加对象集合对应的能力参数确定的估计结果,由于可参加该未结束比赛的对象与实际参加该未结束比赛的对象有所不同,而实际参加对象集合对应的能力参数直接影响实际比赛结果,因此,根据可参加对象集合对应的能力参数确定出的估计结果相对于实际比赛结果的偏差较大。
在这种情况下,为了保证估计结果的准确性,提高关注者关注该未结束比赛的用户体验,在根据第一方中可参加对象集合对应的能力参数、第二方中可参加对象集合对应的能力参数和估计模型确定估计结果后,还可以进一步确定出第一方中实际参加对象集合,以及第二方中实际参加对象集合;其中,第一方中实际参加对象集合包括了所述第一方实际参加所述未结束比赛的对象;第二方中实际参加对象集合包括了所述第二方实际参加所述未结束比赛的对象。然后,将第一方中实际参加对象集合对应的能力参数作为第一能力参数,将第二方中实际参加对象集合对应的能力参数作为第二能力参数,并根据该第一能力参数和该第二能力参数通过估计模型对之前得到的估计结果进行修正。
例如,根据第一方中可参加对象集合对应的能力参数、第二方中可参加对象集合对应的能力参数和估计模型确定估计结果:第一方VS第二方3:1,即向关注者展示估计结果:第一方VS第二方3:1。在得到该估计结果后,可以对该未结束比赛的进展进行监控,若监控到该未结束比赛已经开始,便可以知晓第一方在该未结束比赛中上场比赛的对象,以及第二方在该未结束比赛中上场比赛的对象,即可以获取到第一方中实际参加对象集合和第二方中实际参加对象集合。这样,便可以将第一方中实际参加对象集合对应的能力参数作为第一能力参数,将第二方中实际参加对象集合对应的能力参数作为第二能力参数,若根据该第一能力参数和该第二能力参数通过估计模型得到的估计结果:第一方VS第二方3:2,那么,便可以自动将之前得到的估计结果:第一方VS第二方3:1替换为第一方VS第二方3:2,并向用户展示,从而实现估计结果的修正。
由于第一方中实际参加对象集合对应的能力参数能够体现出第一方在比赛中的实际竞争能力,第二方中实际参加对象集合对应的能力参数能够体现出第二方在比赛中的实际竞争能力,这样,根据第一方中实际参加对象集合对应的能力参数、第二方中实际参加对象集合对应的能力参数和估计模型重新确定出的估计结果,相对于之前得到的估计结果更加准去,利用重新确定的估计结果可以对之前得到的估计结果进行修正,从而提高估计结果的准确性。
需要说明的是,确定出第一方中实际参加对象集合以及第二方中实际参加对象集合的方式可以有很多,本实施例主要对两种确定第一方中实际参加对象集合以及第二方中实际参加对象集合的方式进行介绍。
在第一种确定方式中,在根据第一方中可参加对象集合对应的能力参数、第二方中可参加对象集合对应的能力参数和估计模型确定估计结果后,可以对该未结束比赛的进展进行监控,当监控到该未结束比赛公布实际参加该未结束比赛对象或者该未结束比赛已经开始时,此时,已经知晓了该未结束比赛中第一方中实际参加对象集合和第二方中实际参加对象集合。在这种情况下,确定第一方中实际参加对象集合以及第二方中实际参加对象集合的方式可以是:按照预设方式从预定网络位置爬取针对该未结束比赛的数据;根据所爬取的数据从第一方中可参加对象集合确定出第一方中实际参加对象集合;以及从第二方中可参加对象集合确定出第二方中实际参加对象集合。
其中,预设方式可以是实时或者一定周期,故可以在该预设方式下从预定网络位置例如该未结束比赛对应的官方页面或相关论坛等爬取针对该未结束比赛的数据。针对该未结束比赛的数据可以是公布的实际参加该未结束比赛对象的名单,或者是正在该未结束比赛中上场比赛的对象。当爬取到针对该未结束比赛的数据后,便可以知晓实际参加该未结束比赛的对象,进而从第一方中可参加对象集合确定出第一方中实际参加对象集合,以及从第二方中可参加对象集合确定出第二方中实际参加对象集合。
在第二种确定方式中,虽然该未结束比赛还未开始,甚至该未结束比赛还未公布实际参加该未结束比赛对象,但是,却可以获取到第一方和第二方之前在其它历史比赛中实际参加比赛的对象情况,或者,可以从某些渠道获取到第一方和第二方实际参加该未结束比赛的对象的推测,在这种情况,可以根据历史比赛数据和/或推测数据,从第一方中可参加对象集合模拟出第一方中实际参加对象集合,以及从第二方中可参加对象集合模拟出第二方中实际参加对象集合。
前述实施例介绍了如何利用估计模型对未结束比赛进行结果估计,估计模型的准确性将会影响到估计结果的准确性,可见,估计模型是结果估计的关键。
下面将对估计模型是如何得到的进行介绍,参见图5,图5示出了一种用于结果估计的模型训练方法流程图,所述方法包括:
S501、获取多个历史比赛的历史比赛参数,以及所述多个历史比赛中参与方所包括对象的能力参数。
S502、根据所述历史比赛参数和所述能力参数训练得到估计模型。
在得到历史比赛参数和能力参数后,可以利用深度学习、神经网络等算法,根据历史比赛参数和所述能力参数训练得到估计模型。
其中,在训练过程中,可以将目标比赛结果作为通过目标比赛参数和目标能力参数训练估计模型的训练依据,所述目标比赛参数为所述多个历史比赛中任一个历史比赛的比赛参数,所述目标能力参数包括所述目标比赛参数所对应历史比赛中多个参与方所包括对象的能力参数,所述目标比赛结果为所述目标比赛参数所对应历史比赛的比赛结果。
也就是说,在训练过程中,当根据目标比赛参数和目标能力参数训练得到一个估计模型后,将目标能力参数输入到该估计模型中,可以确定出一个比赛结果,若该比赛结果与目标比赛结果一致,则说明根据该估计模型确定出的估计结果是准确的,否则,说明根据该估计模型确定出的估计结果是不准确的,还需要对该估计模型继续进行训练,以得到一个能够准确确定估计结果的估计模型。
下面将介绍目标能力参数的可能形式。需要说明的是,由于估计模型是通过目标比赛参数和目标能力参数训练得到的,而目标能力参数可能随着时间而发生变化,因此,为了保证训练得到的估计模型的准确性,目标能力参数可以为在目标比赛参数所对应历史比赛的时间期间,目标比赛参数所对应历史比赛多个参与方所包括对象的历史能力参数。这样,可以保证所使用的目标能力参数反映的是目标比赛参数所对应历史比赛的时间期间,目标比赛参数所对应历史比赛多个参与方的真实竞争能力,从而训练得到准确的估计模型。
在一些情况下,由于不断的对技能数据、素质数据、位置数据更新等原因,使得确定出来的能力参数可能并不是参与方所包括对象参加该历史比赛时的历史能力参数,难以获取到历史能力参数,此时,为了方便获取目标能力参数,目标能力参数可以是目标比赛参数所对应历史比赛中多个参与方所包括对象的当前能力参数。这样,可以提高获取目标能力参数的效率。
由上述技术方案可以看出,为了实现估计一个未结束比赛的比赛结果,可以根据历史比赛参数和历史比赛中参与方所包括对象的能力参数训练得到估计模型,由于在训练过程中,可以将目标比赛结果作为通过目标比赛参数和目标能力参数训练估计模型的训练依据,以便可以训练得到准确的估计模型,这样,利用该估计模型可以对一个未结束比赛进行准确地结果估计。
接下来,本申请实施例提供了一种结果估计装置,参见图6,所述装置包括获取单元601和第一确定单元602:
所述获取单元601,用于获取第一方所包括对象的第一能力参数,以及获取第二方所包括对象的第二能力参数,所述第一方和所述第二方为未结束比赛的两个参与方;
所述第一确定单元602,用于根据所述第一能力参数、所述第二能力参数以及估计模型得到针对所述未结束比赛的估计结果;所述估计模型为根据历史比赛参数和历史比赛参与方的能力参数训练得到的。
可选的,所述第一能力参数为根据所述第一方所包括对象的技能数据、素质数据和位置数据中任意一项或多项的组合确定得到;
所述第二能力参数为根据所述第二方所包括对象的技能数据、素质数据和位置数据中任意一项或多项的组合确定得到。
可选的,所述第一能力参数为所述第一方中可参加对象集合对应的能力参数,所述第一方中可参加对象集合包括了所述第一方可参加所述未结束比赛的对象;
所述第二能力参数为所述第二方中可参加对象集合对应的能力参数,所述第二方中可参加对象集合包括了所述第二方可参加所述未结束比赛的对象。
可选的,所述装置还包括第二确定单元和修正单元:
所述第二确定单元,用于确定出第一方中实际参加对象集合;以及确定出第二方中实际参加对象集合;所述第一方中实际参加对象集合包括了所述第一方实际参加所述未结束比赛的对象;所述第二方中实际参加对象集合包括了所述第二方实际参加所述未结束比赛的对象;
所述修正单元,用于将所述第一方中实际参加对象集合对应的能力参数作为所述第一能力参数,将所述第二方中实际参加对象集合对应的能力参数作为所述第二能力参数,并根据所述第一能力参数和所述第二能力参数通过所述估计模型对所述估计结果进行修正。
可选的,所述第二确定单元,用于按照预设方式从预定网络位置爬取针对所述未结束比赛的数据;根据所爬取的数据从所述第一方中可参加对象集合确定出所述第一方中实际参加对象集合;以及从所述第二方中可参加对象集合确定出所述第二方中实际参加对象集合。
可选的,所述装置还包括第三确定单元和第四确定单元:
所述第三确定单元,用于根据所述估计模型得到所述未结束比赛所在系列赛程中其他未结束比赛的估计结果;
所述第四确定单元,用于根据所述系列赛程中全部未结束比赛的估计结果确定所述系列赛程的最终估计结果。
可选的,所述第四确定单元,用于根据所述系列赛程中全部未结束比赛的估计结果以及已结束比赛的实际结果确定所述系列赛程的最终估计结果。
本申请实施例还提供了一种用于结果估计的设备,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
获取第一方所包括对象的第一能力参数,以及获取第二方所包括对象的第二能力参数,所述第一方和所述第二方为未结束比赛的两个参与方;
根据所述第一能力参数、所述第二能力参数以及估计模型得到针对所述未结束比赛的估计结果;所述估计模型为根据历史比赛参数和历史比赛参与方的能力参数训练得到的。
接下来,本申请实施例提供了一种用于结果估计的模型训练装置,参见图7,所述装置包括获取单元701和确定单元702:
所述获取单元701,用于获取多个历史比赛的历史比赛参数,以及所述多个历史比赛中参与方所包括对象的能力参数;
所述确定单元702,用于根据所述历史比赛参数和所述能力参数训练得到估计模型;其中,在训练过程中,将目标比赛结果作为通过目标比赛参数和目标能力参数训练估计模型的训练依据,所述目标比赛参数为所述多个历史比赛中任一个历史比赛的比赛参数,所述目标能力参数包括所述目标比赛参数所对应历史比赛中多个参与方所包括对象的能力参数,所述目标比赛结果为所述目标比赛参数所对应历史比赛的比赛结果。
可选的,所述目标能力参数包括在所述目标比赛参数所对应历史比赛的时间期间,所述目标比赛参数所对应历史比赛多个参与方所包括对象的历史能力参数;或者,
所述目标能力参数包括所述目标比赛参数所对应历史比赛中多个参与方所包括对象的当前能力参数。
本申请实施例提供了一种用于结果估计的模型训练设备,其特征在于,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
获取多个历史比赛的历史比赛参数,以及所述多个历史比赛中参与方所包括对象的能力参数;
根据所述历史比赛参数和所述能力参数训练得到估计模型;其中,在训练过程中,将目标比赛结果作为通过目标比赛参数和目标能力参数训练估计模型的训练依据,所述目标比赛参数为所述多个历史比赛中任一个历史比赛的比赛参数,所述目标能力参数包括所述目标比赛参数所对应历史比赛中多个参与方所包括对象的能力参数,所述目标比赛结果为所述目标比赛参数所对应历史比赛的比赛结果。
本申请实施例提供了一种机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得装置执行前述实施例中一个或多个所述的结果估计方法,或执行前述实施例中一个或多个所述的结果估计的模型训练方法。
图8是根据一示例性实施例示出的一种用于结果估计方法、模型训练方法的装置800的框图。例如,装置800可以是机器人,移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图8,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理元件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理部件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或8G,或它们的组合。在一个示例性实施例中,通信部件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信部件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由装置800的处理器820执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图9是本发明实施例中服务器的结构示意图。该服务器900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processing units,CPU)922(例如,一个或一个以上处理器)和存储器932,一个或一个以上存储应用程序942或数据944的存储介质930(例如一个或一个以上海量存储设备)。其中,存储器932和存储介质930可以是短暂存储或持久存储。存储在存储介质930的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器922可以设置为与存储介质930通信,在服务器900上执行存储介质930中的一系列指令操作。
服务器900还可以包括一个或一个以上电源924,一个或一个以上有线或无线网络接口950,一个或一个以上输入输出接口958,一个或一个以上键盘954,和/或,一个或一个以上操作系统941,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质可以是下述介质中的至少一种:只读存储器(英文:read-only memory,缩写:ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备及系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (13)
1.一种结果估计方法,其特征在于,所述方法包括:
获取第一方所包括对象的第一能力参数,以及获取第二方所包括对象的第二能力参数,所述第一方和所述第二方为未结束比赛的两个参与方;
根据所述第一能力参数、所述第二能力参数以及估计模型得到针对所述未结束比赛的估计结果;所述估计模型为根据历史比赛参数和历史比赛参与方的能力参数训练得到的。
2.根据权利要求1所述的方法,其特征在于,
所述第一能力参数为根据所述第一方所包括对象的技能数据、素质数据和位置数据中任意一项或多项的组合确定得到;
所述第二能力参数为根据所述第二方所包括对象的技能数据、素质数据和位置数据中任意一项或多项的组合确定得到。
3.根据权利要求1或2所述的方法,其特征在于,所述第一能力参数为所述第一方中可参加对象集合对应的能力参数,所述第一方中可参加对象集合包括了所述第一方可参加所述未结束比赛的对象;
所述第二能力参数为所述第二方中可参加对象集合对应的能力参数,所述第二方中可参加对象集合包括了所述第二方可参加所述未结束比赛的对象。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
确定出第一方中实际参加对象集合;以及确定出第二方中实际参加对象集合;所述第一方中实际参加对象集合包括了所述第一方实际参加所述未结束比赛的对象;所述第二方中实际参加对象集合包括了所述第二方实际参加所述未结束比赛的对象;
将所述第一方中实际参加对象集合对应的能力参数作为所述第一能力参数,将所述第二方中实际参加对象集合对应的能力参数作为所述第二能力参数,并根据所述第一能力参数和所述第二能力参数通过所述估计模型对所述估计结果进行修正。
5.根据权利要求4所述的方法,其特征在于,所述确定出第一方中实际参加对象集合;以及确定出第二方中实际参加对象集合,包括:
按照预设方式从预定网络位置爬取针对所述未结束比赛的数据;
根据所爬取的数据从所述第一方中可参加对象集合确定出所述第一方中实际参加对象集合;以及从所述第二方中可参加对象集合确定出所述第二方中实际参加对象集合。
6.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
根据所述估计模型得到所述未结束比赛所在系列赛程中其他未结束比赛的估计结果;
根据所述系列赛程中全部未结束比赛的估计结果确定所述系列赛程的最终估计结果。
7.根据权利要求4所述的方法,其特征在于,所述根据所述系列赛程中全部未结束比赛的估计结果确定所述系列赛程的最终估计结果,包括:
根据所述系列赛程中全部未结束比赛的估计结果以及已结束比赛的实际结果确定所述系列赛程的最终估计结果。
8.一种结果估计装置,其特征在于,所述装置包括获取单元和第一确定单元:
所述获取单元,用于获取第一方所包括对象的第一能力参数,以及获取第二方所包括对象的第二能力参数,所述第一方和所述第二方为未结束比赛的两个参与方;
所述第一确定单元,用于根据所述第一能力参数、所述第二能力参数以及估计模型得到针对所述未结束比赛的估计结果;所述估计模型为根据历史比赛参数和历史比赛参与方的能力参数训练得到的。
9.一种用于结果估计的设备,其特征在于,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
获取第一方所包括对象的第一能力参数,以及获取第二方所包括对象的第二能力参数,所述第一方和所述第二方为未结束比赛的两个参与方;
根据所述第一能力参数、所述第二能力参数以及估计模型得到针对所述未结束比赛的估计结果;所述估计模型为根据历史比赛参数和历史比赛参与方的能力参数训练得到的。
10.一种用于结果估计的模型训练方法,其特征在于,所述方法包括:
获取多个历史比赛的历史比赛参数,以及所述多个历史比赛中参与方所包括对象的能力参数;
根据所述历史比赛参数和所述能力参数训练得到估计模型;其中,在训练过程中,将目标比赛结果作为通过目标比赛参数和目标能力参数训练估计模型的训练依据,所述目标比赛参数为所述多个历史比赛中任一个历史比赛的比赛参数,所述目标能力参数包括所述目标比赛参数所对应历史比赛中多个参与方所包括对象的能力参数,所述目标比赛结果为所述目标比赛参数所对应历史比赛的比赛结果。
11.一种用于结果估计的模型训练装置,其特征在于,所述装置包括获取单元和确定单元:
所述获取单元,用于获取多个历史比赛的历史比赛参数,以及所述多个历史比赛中参与方所包括对象的能力参数;
所述确定单元,用于根据所述历史比赛参数和所述能力参数训练得到估计模型;其中,在训练过程中,将目标比赛结果作为通过目标比赛参数和目标能力参数训练估计模型的训练依据,所述目标比赛参数为所述多个历史比赛中任一个历史比赛的比赛参数,所述目标能力参数包括所述目标比赛参数所对应历史比赛中多个参与方所包括对象的能力参数,所述目标比赛结果为所述目标比赛参数所对应历史比赛的比赛结果。
12.一种用于结果估计的模型训练设备,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
获取多个历史比赛的历史比赛参数,以及所述多个历史比赛中参与方所包括对象的能力参数;
根据所述历史比赛参数和所述能力参数训练得到估计模型;其中,在训练过程中,将目标比赛结果作为通过目标比赛参数和目标能力参数训练估计模型的训练依据,所述目标比赛参数为所述多个历史比赛中任一个历史比赛的比赛参数,所述目标能力参数包括所述目标比赛参数所对应历史比赛中多个参与方所包括对象的能力参数,所述目标比赛结果为所述目标比赛参数所对应历史比赛的比赛结果。
13.一种机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得装置执行如权利要求1至7中一个或多个所述的结果估计方法,或执行如权利要求10中所述的用于结果估计的模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810588051.9A CN108804663A (zh) | 2018-06-08 | 2018-06-08 | 一种结果估计方法、模型训练方法和相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810588051.9A CN108804663A (zh) | 2018-06-08 | 2018-06-08 | 一种结果估计方法、模型训练方法和相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108804663A true CN108804663A (zh) | 2018-11-13 |
Family
ID=64088052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810588051.9A Pending CN108804663A (zh) | 2018-06-08 | 2018-06-08 | 一种结果估计方法、模型训练方法和相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108804663A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539530A (zh) * | 2020-04-24 | 2020-08-14 | 杭州威佩网络科技有限公司 | 一种事件结果的预测方法及一种事件预测结果的获取方法 |
CN114288631A (zh) * | 2021-12-30 | 2022-04-08 | 上海庆科信息技术有限公司 | 数据处理方法、装置、存储介质、处理器及电子装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145596A (zh) * | 2017-05-31 | 2017-09-08 | 南京理工大学 | 基于深度神经网络的电子竞技比赛胜负预测方法 |
CN107998661A (zh) * | 2017-12-26 | 2018-05-08 | 苏州大学 | 一种在线对战游戏的辅助决策方法、装置及存储介质 |
-
2018
- 2018-06-08 CN CN201810588051.9A patent/CN108804663A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145596A (zh) * | 2017-05-31 | 2017-09-08 | 南京理工大学 | 基于深度神经网络的电子竞技比赛胜负预测方法 |
CN107998661A (zh) * | 2017-12-26 | 2018-05-08 | 苏州大学 | 一种在线对战游戏的辅助决策方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
牛兆捷: "基于贝叶斯网络的NBA比分预测和球员能力评估模型", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539530A (zh) * | 2020-04-24 | 2020-08-14 | 杭州威佩网络科技有限公司 | 一种事件结果的预测方法及一种事件预测结果的获取方法 |
CN114288631A (zh) * | 2021-12-30 | 2022-04-08 | 上海庆科信息技术有限公司 | 数据处理方法、装置、存储介质、处理器及电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11581081B2 (en) | Sessions and groups | |
US11322043B2 (en) | Remote multiplayer interactive physical gaming with mobile computing devices | |
JP6366128B2 (ja) | プログラム | |
EP3758816A1 (en) | Online tournament integration | |
US20070239479A1 (en) | System and method for gaming | |
US20170294136A1 (en) | Graphical user interface for interactive cognitive recognition sports training system | |
WO2014152601A1 (en) | Athletic attribute determinations from image data | |
CN106489259A (zh) | 目标达成在线快速问答游戏提供方法及系统 | |
CN110841295B (zh) | 一种基于人工智能的数据处理方法和相关装置 | |
JP2011182895A (ja) | ゲームシステム、ゲーム制御装置、ゲームシステムの制御方法、ゲーム制御装置の制御方法、及びプログラム | |
CN108905095B (zh) | 运动员比赛状态评估方法和设备 | |
CN112774194B (zh) | 一种虚拟对象的交互方法以及相关装置 | |
CN108804663A (zh) | 一种结果估计方法、模型训练方法和相关装置 | |
WO2017040167A1 (en) | Context and proficiency aware player encouragement | |
CN108635847B (zh) | 运动中互动的方法与装置 | |
US20200188754A1 (en) | System for training lacrosse mechanics using sensors | |
CN111840997A (zh) | 用于游戏的处理系统、方法、装置、电子设备及存储介质 | |
CN109908584A (zh) | 一种游戏信息的获取方法、装置及电子设备 | |
CN115054898B (zh) | 组合体育训练监控系统及方法 | |
Wells | Applied performance analysis in canoe slalom | |
Kuehn et al. | Location and situation based services for pervasive adventure games | |
CN115944921B (zh) | 游戏数据处理方法、装置、设备及介质 | |
US20150209669A1 (en) | Live skill voting system | |
US20240087072A1 (en) | Live event information display method, system, and apparatus | |
CN113946713A (zh) | 资源库生成方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181113 |
|
RJ01 | Rejection of invention patent application after publication |