CN109453524B - 一种对象匹配的方法、模型训练的方法及服务器 - Google Patents
一种对象匹配的方法、模型训练的方法及服务器 Download PDFInfo
- Publication number
- CN109453524B CN109453524B CN201811354207.3A CN201811354207A CN109453524B CN 109453524 B CN109453524 B CN 109453524B CN 201811354207 A CN201811354207 A CN 201811354207A CN 109453524 B CN109453524 B CN 109453524B
- Authority
- CN
- China
- Prior art keywords
- prediction
- information
- training
- attribute
- probability
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/70—Game security or game management aspects
- A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
- A63F13/795—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories for finding other players; for building a team; for providing a buddy list
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/50—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers
- A63F2300/55—Details of game data or player data management
- A63F2300/5546—Details of game data or player data management using player registration data, e.g. identification, account, preferences, game history
- A63F2300/5566—Details of game data or player data management using player registration data, e.g. identification, account, preferences, game history by matching opponents or finding partners to build a team, e.g. by skill level, geographical area, background, play style
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种对象匹配的方法,包括:获取第一待匹配对象信息集合以及第二待匹配对象信息集合;根据第一待匹配对象信息集合以及第二待匹配对象信息集合,提取每个第一对象的特征信息以及每个第二对象的特征信息,特征信息包括实时特征信息和离线特征信息;根据第一待匹配对象信息集合以及第二待匹配对象信息集合,生成M种预测组合;通过匹配预测模型获取每种预测组合所对应的匹配概率信息;根据每种预测组合所对应的匹配概率信息确定目标匹配结果。本发明实施例公开了一种模型训练的方法以及服务器。本发明实施例采用更多的特征信息来预测玩家实力,能够提升预测的准确度,从而有利于实现队伍匹配的合理性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种对象匹配的方法、模型训练的方法及服务器。
背景技术
网络游戏产业是一个新兴的朝阳产业,经过近几年的快速发展,现在网络游戏产业快速走向成熟期的阶段。其中,多人在线战斗竞技场(multiplayer online battlearena,Moba)类游戏是网络游戏的重要组成部分。
在Moba游戏中,需要采用匹配机制为玩家匹配队友和对手。目前,常用的匹配机制为埃洛排名系统(Elo rating system,ELO)分算法,假设待分配的玩家共有10位,每位玩家均采用一个ELO分来表示,可以根据ELO分从高到低排列后,选择实力相近的玩家组成两支队伍进行对战。
然而,由于ELO分对玩家能力的评判维度较为单一,认为一个分数就代表了一个玩家当前实力,因此,并不能够反映出玩家真实实力,从而不利于匹配的合理性。
发明内容
本发明实施例提供了一种对象匹配的方法、模型训练的方法及服务器,采用更多的特征信息来预测玩家实力,能够提升预测的准确度,从而有利于实现队伍匹配的合理性。
有鉴于此,本发明的第一方面提供了一种对象匹配的方法,包括:
获取第一待匹配对象信息集合以及第二待匹配对象信息集合,其中,所述第一待匹配对象信息集合包括至少一个第一对象信息,所述第二待匹配对象信息集合包括至少一个第二对象信息;
从所述第一待匹配对象信息集合以及第二待匹配对象信息集合中,提取每个第一对象的特征信息以及每个第二对象的特征信息,其中,所述特征信息包括与待匹配对象关联的实时特征信息和离线特征信息;
根据所述第一待匹配对象信息集合以及所述第二待匹配对象信息集合,生成M种预测组合,其中,所述M为大于或等于1的整数,每个预测组合对应于至少两个待预测小组;
通过匹配预测模型获取每种预测组合所对应的匹配概率信息,其中,所述匹配预测模型为根据训练对象的特征信息训练得到的,所述训练对象的特征信息包括与所述训练对象关联的离线特征信息以及结算特征数据;
根据所述每种预测组合所对应的匹配概率信息确定目标匹配结果。
本发明的第二方面提供了一种模型训练的方法,包括:
获取待训练对象信息集合,其中,所述待训练对象信息集合包括至少一个训练对象信息;
从所述待训练对象信息集合中提取每个训练对象的特征信息,其中,所述训练对象的特征信息包括与所述训练对象关联的离线特征信息以及结算特征信息;
根据所述待训练对象信息集合生成Q种训练样本组合,其中,所述Q为大于或等于1的整数,每种训练样本组合对应于至少两个训练小组;
对所述每种训练样本组合所对应的训练对象的特征信息进行训练,得到匹配预测模型。
本发明的第三方面提供了一种服务器,包括:
获取模块,用于获取第一待匹配对象信息集合以及第二待匹配对象信息集合,其中,所述第一待匹配对象信息集合包括至少一个第一对象信息,所述第二待匹配对象信息集合包括至少一个第二对象信息;
提取模块,用于根据所述获取模块获取的所述第一待匹配对象信息集合以及第二待匹配对象信息集合,提取每个第一对象的特征信息以及每个第二对象的特征信息,其中,所述特征信息包括实时特征信息和离线特征信息;
生成模块,用于根据所述获取模块获取的所述第一待匹配对象信息集合以及所述第二待匹配对象信息集合,生成M种预测组合,其中,所述M为大于或等于1的整数,每个预测组合对应于至少两个待预测小组;
所述获取模块,还用于通过匹配预测模型获取所述生成模块生成的每种预测组合所对应的匹配概率信息,其中,所述匹配预测模型为根据训练对象的特征信息训练得到的,所述训练对象的特征信息包括与所述训练对象关联的离线特征信息以及结算特征数据;
确定模块,用于根据所述获取模块获取的所述每种预测组合所对应的匹配概率信息确定目标匹配结果。
本发明的第四方面提供了一种服务器,包括:
获取模块,用于获取待训练对象信息集合,其中,所述待训练对象信息集合包括至少一个训练对象信息;
提取模块,用于从所述获取模块获取的所述待训练对象信息集合中提取每个训练对象的特征信息,其中,所述训练对象的特征信息包括与所述训练对象关联的离线特征信息以及结算特征信息;
生成模块,用于根据所述获取模块获取的所述待训练对象信息集合生成Q种训练样本组合,其中,所述Q为大于或等于1的整数,每种训练样本组合对应于至少两个训练小组;
训练模块,用于对所述生成模块生成的所述每种训练样本组合所对应的训练对象的特征信息进行训练,得到匹配预测模型。
本发明的第五方面提供了一种服务器,所述服务器包括:存储器、收发器、处理器以及总线系统;
其中,所述存储器用于存储程序;
所述处理器用于执行所述存储器中的程序,包括如下步骤:
获取第一待匹配对象信息集合以及第二待匹配对象信息集合,其中,所述第一待匹配对象信息集合包括至少一个第一对象信息,所述第二待匹配对象信息集合包括至少一个第二对象信息;
根据所述第一待匹配对象信息集合以及第二待匹配对象信息集合,提取每个第一对象的特征信息以及每个第二对象的特征信息,其中,所述特征信息包括实时特征信息和离线特征信息;
根据所述第一待匹配对象信息集合以及所述第二待匹配对象信息集合,生成M种预测组合,其中,所述M为大于或等于1的整数,每个预测组合对应于至少两个待预测小组;
通过匹配预测模型获取每种预测组合所对应的匹配概率信息,其中,所述匹配预测模型为根据训练对象的特征信息训练得到的,所述训练对象的特征信息包括与所述训练对象关联的离线特征信息以及结算特征数据;
根据所述每种预测组合所对应的匹配概率信息确定目标匹配结果;
所述总线系统用于连接所述存储器以及所述处理器,以使所述存储器以及所述处理器进行通信。
本发明的第六方面提供了一种服务器,所述服务器包括:存储器、收发器、处理器以及总线系统;
其中,所述存储器用于存储程序;
所述处理器用于执行所述存储器中的程序,包括如下步骤:
获取待训练对象信息集合,其中,所述待训练对象信息集合包括至少一个训练对象信息;
从所述待训练对象信息集合中提取每个训练对象的特征信息,其中,所述训练对象的特征信息包括与所述训练对象关联的离线特征信息以及结算特征信息;
根据所述待训练对象信息集合生成Q种训练样本组合,其中,所述Q为大于或等于1的整数,每种训练样本组合对应于至少两个训练小组;
对所述每种训练样本组合所对应的训练对象的特征信息进行训练,得到匹配预测模型;
所述总线系统用于连接所述存储器以及所述处理器,以使所述存储器以及所述处理器进行通信。
本发明的第七方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例中,提供了一种对象匹配的方法,服务器首先获取第一待匹配对象信息集合以及第二待匹配对象信息集合,然后从第一待匹配对象信息集合以及第二待匹配对象信息集合中,提取每个第一对象的特征信息以及每个第二对象的特征信息,特征信息包括与待匹配对象关联的实时特征信息和离线特征信息,服务器根据第一待匹配对象信息集合以及第二待匹配对象信息集合,生成M种预测组合,服务器在通过匹配预测模型获取每种预测组合所对应的匹配概率信息,最后,服务器可以根据每种预测组合所对应的匹配概率信息确定目标匹配结果。通过上述方式,结合实时特征信息和离线特征信息对待匹配的每位玩家实力进行预测,避免了单一化的评判标准,采用更多的特征信息来预测玩家实力,能够提升预测的准确度,从而有利于实现队伍匹配的合理性。
附图说明
图1为本发明实施例中匹配结果系统的一个交互结构示意图;
图2为本发明实施例中匹配结果系统的一个架构示意图;
图3为本发明实施例中第一种组合所对应的小组划分方式示意图;
图4为本发明实施例中第二种组合所对应的小组划分方式示意图;
图5为本发明实施例中第三种组合所对应的小组划分方式示意图;
图6为本发明实施例中第四种组合所对应的小组划分方式示意图;
图7为本发明实施例中匹配流程的一个实施例示意图;
图8为本发明实施例中对象匹配的方法一个实施例示意图;
图9为本发明实施例中M种预测组合的一个实施例示意图;
图10为本发明实施例中模型训练的方法一个实施例示意图;
图11为本发明实施例中胜率预测模型的一个结构示意图;
图12为本发明实施例中属性预测模型的一个结构示意图;
图13为本发明实施例中服务器的一个实施例示意图;
图14为本发明实施例中服务器的另一个实施例示意图;
图15为本发明实施例中服务器的另一个实施例示意图;
图16为本发明实施例中服务器的一个结构示意图。
具体实施方式
本发明实施例提供了一种对象匹配的方法、模型训练的方法及服务器,采用更多的特征信息来预测玩家实力,能够提升预测的准确度,从而有利于实现队伍匹配的合理性。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应理解,本发明所提供的匹配结果确定方法以及模型训练方法均可以应用于交互式应用程序,如MOBA游戏,游戏中的玩法以竞技对战为主,玩家之间进行1对1、3对3以及5对5等多种方式的玩家对战玩家(player versus player,PVP)对战。请参阅图1,图1为本发明实施例中匹配结果系统的一个交互结构示意图,如图所示,本发明所提供的匹配结果确定方法以及模型训练方法均可以应用于服务器,首先,采用模型训练的方法训练得到匹配预测模型,然后将该匹配预测模型存储于服务器,当客户端向服务器发送待预测的玩家实时数据时,服务器可采用匹配预测模型对这些玩家实时数据进行预测,从而得到最终的玩家匹配结果。客户端部署于终端设备上,需要说明的是,终端设备包含但不仅限于笔记本电脑、平板电脑、掌上电脑、手机以及个人电脑(personal computer,PC)。
为了便于介绍,请参阅图2,图2为本发明实施例中匹配结果系统的一个架构示意图,整个系统可以分为离线训练和在线应用两个阶段,下面将分别对这两个阶段的训练进行介绍。对于离线训练阶段而言,主要包括数据处理、特征提取、神经网络训练以及生成模型几个部分。在数据处理的部分中,服务器需要收集与玩家相关的离线数据和与比赛相关的结算数据,离线数据包括玩家个人信息,比如玩家基本信息、实力情况、最近竞技状况以及使用的英雄等。然后在特征提取部分对离线数据和结算数据进行特征提取。利用提取到的特征信息进行神经网络训练,从而训练生成能够预测比赛胜负的胜率预测模型,以及生成能够预测玩家下一场使用的英雄及其概率的属性预测模型。
对于在线应用阶段而言,首先,客户端向服务器发送2*N个玩家的实时信息,并且通过离线数据库查询这2*N个玩家的离线数据,服务器采用与离线训练阶段相同的特征提取手段生成各个玩家的特征信息,然后进入保护组合分边的过程,即将X个需要被保护的玩家当成一个整体,将剩余的(2*N-X)个玩家进行C(2*N,N-X)种组合。将每一种组合的特征信息输入至训练好的胜率预测模型,预测分组之后比赛胜负及其胜负概率。再将每一种组合的特征信息输入至训练好的属性预测模型,预测每个玩家可能使用的英雄及其概率。最后进行分组结果过滤,将被保护玩家队伍的胜率控制在要求达到的区间,并将阵容合理的分组结果返回至客户端。
应理解,本发明实施例所介绍的分组方式包含但不仅限于1对1、3对3、5对5以及2对2,为了便于介绍,下面将结合几种交互式应用的场景进行说明。请参阅图3,图3为本发明实施例中第一种组合所对应的小组划分方式示意图,如图所示,玩家A根据匹配预测模型输出的匹配概率信息,生成相应的目标匹配结果,即与玩家B进行对战,胜利目标可以是以摧毁对方的基地。
请参阅图4,图4为本发明实施例中第二种组合所对应的小组划分方式示意图,如图所示,3对3组队通过系统匹配一方3个玩家与另一方3个玩家进行战斗,当一方摧毁对方的基地后即可获得胜利,服务器通过匹配预测模型输出的匹配概率信息,生成相应的目标匹配结果,根据目标匹配结果将玩家A、玩家B和玩家C组成一支队伍,将玩家D、玩家E和玩家F组成另一组队伍。
请参阅图5,图5为本发明实施例中第三种组合所对应的小组划分方式示意图,如图所示,5对5组队通过系统匹配一方5个玩家与另一方5个玩家进行战斗,这也是MOBA类游戏较常采用的一种匹配模式,当一方摧毁对方的基地后即可获得胜利,服务器通过匹配预测模型输出的匹配概率信息,生成相应的目标匹配结果,根据目标匹配结果将玩家A、玩家B、玩家C、玩家D和玩家E组成一支队伍,将玩家F、玩家G、玩家H、玩家I和玩家J组成另一组队伍。
请参阅图6,图6为本发明实施例中第四种组合所对应的小组划分方式示意图,如图所示,该模式可以分为5个队伍,每个队伍2个玩家,5个队伍之间进行攻击,攻击成功的得到相应的分值奖励,在规定时间内以得分多的一支队伍为胜,服务器通过匹配预测模型输出的匹配概率信息,生成相应的目标匹配结果,根据目标匹配结果将玩家A和玩家B组成一支队伍,将玩家C和玩家D组成一支队伍,将玩家E和玩家F组成一支队伍,将玩家G和玩家H组成一支队伍,将玩家I和玩家J组成一支队伍,
基于上述介绍的应用场景,下面将结合图7对匹配对战的流程进行说明,请参阅图7,图7为本发明实施例中匹配流程的一个实施例示意图,假设在2*N个玩家(即分为两组,每组5个玩家)的场景中需要保护X(0<X<N)个玩家,具体地:
步骤S1中,玩家A进入排位赛,玩家通过体验排位竞技模式,可以获得排位数值、排位段位以及对应使用英雄的熟练度,并且玩家将会根据获得的排位段位情况被分到一个排位战区、并由玩家在不同战区的成绩可获得倔强青铜、秩序白银、荣耀黄金、尊贵铂金、永恒钻石、至尊星耀以及最强王者的称号。
步骤S2中,根据玩家A的实力情况寻找包括玩家A在内的2*N个实力相近的玩家。其中,实力情况可以通过段位分值来体现,比如,倔强青铜、秩序白银、荣耀黄金、尊贵铂金、永恒钻石、至尊星耀以及最强王者的分值依次为1、2、3、4、5、6和7,在每个段位下还分成若干个小的段位,比如永恒钻石一、永恒钻石二、永恒钻石三、永恒钻石四和永恒钻石五,则可以分为5.1、5.2、5.3、5.4和5.5,更具体地,每个小段位还分有不同的等级,比如,永恒钻石三分为5个等级,可表示为5.3.1、5.3.2、5.3.3、5.3.4以及5.3.5。
步骤S3中,将被保护的玩家分在同一个组内,同时使被保护玩家符合胜率区间要求,分组阵容合理;
步骤S4中,按照分组保护的结果对2*N个玩家进行分组,并且进行两组之间的对战;
步骤S5中,对战结束,分出胜负。
下面将对本发明中对象匹配的方法进行介绍,请参阅图8,本发明实施例中对象匹配的方法一个实施例包括:
101、获取第一待匹配对象信息集合以及第二待匹配对象信息集合,其中,第一待匹配对象信息集合包括至少一个第一对象信息,第二待匹配对象信息集合包括至少一个第二对象信息;
本实施例中,以应用于交互式应用为具体场景进行介绍,待匹配对象即为该交互式应用中的玩家。服务器首先根据该玩家A的实力情况获取V*N个玩家,其中,V*N个玩家中也包括了玩家A,V表示划分的小组个数,比如,可以分为两个组进行对战,也可以分为五个组进行混战等。而N表示每个小组中的玩家个数,比如,每组由两个玩家组成,或者每组由五个玩家组成等。
实力情况可以通过段位分值来体现,根据玩家A的实力情况获取V*N个玩家的具体过程可以是,假设玩家A的实力情况表现为5.3.5(即永恒钻石三的第五个级别),那么服务器优先匹配与玩家A实力情况接近的玩家,比如5.3.5或者5.3.4等,尽可能使得玩家之间的实力更相近。
服务器在按照待匹配对象的实力情况匹配得到V*N个玩家之后,即可将这V*N个玩家划分为两个部分,其中,一部分是由需要被保护的玩家所组成的,即包括至少一个第一对象,另一部分是由不需要被保护的玩家所组成的,即包括至少一个第二对象。被保护的玩家通常为连续在对战中失败的玩家,比如四连败、五连败、六连败甚至更高的连败纪录。服务器需要获取这V*N个玩家中每个玩家的信息,即获取第一待匹配对象信息集合以及第二待匹配对象信息集合。
102、根据第一待匹配对象信息集合以及第二待匹配对象信息集合,提取每个第一对象的特征信息以及每个第二对象的特征信息,其中,特征信息包括实时特征信息和离线特征信息;
本实施例中,第一待匹配对象信息集合包括至少一个需要被保护玩家的相关信息,即第一待匹配对象信息集合包括至少一个第一对象相关的信息,第二待匹配对象信息集合包括至少一个第二对象相关的信息。其中,至少一个第一对象仅包括需要被保护玩家,至少一个第二对象仅包括不需要被保护的玩家。而与玩家相关的信息包括离线数据以及实时数据,离线数据包括玩家个人信息,比如玩家基本信息、实力情况、最近竞技状况以及使用的英雄等,实时数据包括匹配到一个对局中的V*N个玩家数据。
服务器根据第一待匹配对象信息集合以及第二待匹配对象信息集合,获取每个被保护玩家所对应的特征信息,以及每个不需要被保护玩家的特征信息,其中,特征信息中包括与该玩家对应的实时特征信息以及离线特征信息。
在提取特征信息的过程中,首先对第一待匹配对象信息集合以及第二待匹配对象信息集合进行数据预处理,数据预处理的过程可以包括:1、对于某些定量特征,其包含的有效信息为区间划分,采用二值化可以解决这一问题。2、一些机器学习算法和模型只能接受定量特征的输入,那么需要将定性特征转换为定量特征。通常使用哑编码的方式将定性特征转换为定量特征,假设有α种定性值,则将这一个特征扩展为α种特征,当原始特征值为第i种定性值时,第i个扩展特征赋值为1,其他扩展特征赋值为0。哑编码的方式相比直接指定的方式,不用增加调参的工作,对于线性模型来说,使用哑编码后的特征可达到非线性的效果。3、不同的机器学习算法和模型对数据中信息的利用是不同的,之前提到在线性模型中,使用对定性特征哑编码可以达到非线性的效果。类似地,对定量变量多项式化,或者进行其他的转换,都能达到非线性的效果。
103、根据第一待匹配对象信息集合以及第二待匹配对象信息集合,生成M种预测组合,其中,M为大于或等于1的整数,每个预测组合对应于至少两个待预测小组;
本实施例中,服务器根据第一待匹配对象信息集合以及第二待匹配对象信息集合,可以确定需要被保护的玩家以及不需要被保护的玩家,将需要被保护的玩家作为一个整体,即第一待匹配对象作为一个整体,其他玩家可以任意组合,最后形成M种预测组合,其中,M为大于或等于1的整数,而每个预测组合包括至少两个待预测小组,需要说明的是,每个预测组合是由V*N个玩家组成的,V具体表示为待预测小组的个数,N具体表示为每个待预测小组内的玩家个数。比如2*5个玩家表示为两组队伍,且每组队伍有5名玩家进行对战。
104、通过匹配预测模型获取每种预测组合所对应的匹配概率信息,其中,匹配预测模型为根据训练对象的特征信息训练得到的,训练对象的特征信息包括与训练对象关联的离线特征信息以及结算特征数据;
本实施例中,服务器将M种预测组合中的每种预测组合都输入至匹配预测模型,通过该匹配预测模型输出每个预测组合所对应的匹配概率信息。其中,匹配预测模型是通过大量的训练对象的特性信息训练得到的,而这些特征信息包括与这些训练对象所对应的离线特征信息以及结算特征数据。
需要说明的是,训练对象的离线特征信息是通过训练玩家的玩家个人信息提取到的,而结算特征数据是通过训练玩家的对战结果提取的特征。
105、根据每种预测组合所对应的匹配概率信息确定目标匹配结果。
本实施例中,服务器在得到每种预测组合所对应的匹配概率信息之后,根据实际情况选择最优的目标匹配概率信息,并将该目标匹配概率信息所对应的预测组合作为目标匹配结果。
本发明实施例中,提供了一种对象匹配的方法,服务器首先获取第一待匹配对象信息集合以及第二待匹配对象信息集合,然后从第一待匹配对象信息集合以及第二待匹配对象信息集合中,提取每个第一对象的特征信息以及每个第二对象的特征信息,特征信息包括与待匹配对象关联的实时特征信息和离线特征信息,服务器根据第一待匹配对象信息集合以及第二待匹配对象信息集合,生成M种预测组合,服务器在通过匹配预测模型获取每种预测组合所对应的匹配概率信息,最后,服务器可以根据每种预测组合所对应的匹配概率信息确定目标匹配结果。通过上述方式,结合实时特征信息和离线特征信息对待匹配的每位玩家实力进行预测,避免了单一化的评判标准,采用更多的特征信息来预测玩家实力,能够提升预测的准确度,从而有利于实现队伍匹配的合理性。
可选地,在上述图8对应的实施例的基础上,本发明实施例提供的对象匹配的方法第一个可选实施例中,根据第一待匹配对象信息集合以及第二待匹配对象信息集合,生成M种预测组合,可以包括:
根据第一待匹配对象信息集合获取第一对象的总个数;
获取每个待预测小组所包含的对象个数;
根据第一对象的总个数以及每个待预测小组所包含的对象个数生成M种预测组合;
其中,M采用如下方式进行计算:
M=C(V*N-X,N-X);
M表示预测组合的总种数,C()表示组合数的计算形式,V表示待预测小组的个数,N表示每个待预测小组所包含的对象个数,X表示第一待匹配对象集合中第一对象的总个数。
本实施例中,将具体介绍如何得到M中预测组合。首先,服务器获取第一待匹配对象信息集合以及第二待匹配对象信息集合,由于第一待匹配对象信息集合包至少一个第一对象信息,第二待匹配对象信息集合包括至少一个第二对象信息,因此,服务器根据第一待匹配对象信息集合可以确定第一对象的总个数(即需要被保护玩家的总个数),并且根据第二待匹配对象信息集合可以确定第二对象的总个数(即不需要被保护玩家的总个数)。此外,服务器根据玩家所选择的对战类型,确定每个待预测小组所包含的对象个数。比如,在3对3的对战模式中,每个待预测小组包含3个玩家,且共分为两个队伍。又比如,在5对5的对战模式中,每个待预测小组包含5个玩家,且共分为两个队伍。
服务器根据第一对象的总个数以及每个待预测小组所包含的对象个数生成M种预测组合,其中,M的计算方式如下:
M=C(V*N-X,N-X);
M表示预测组合的总种数,C()表示组合数的计算形式,V表示待预测小组的个数,N表示每个待预测小组所包含的对象个数,X表示需要被保护玩家的总个数。
为了便于理解,请参阅图9,图9为本发明实施例中M种预测组合的一个实施例示意图,如图所示,假设玩家A、玩家B、玩家C和玩家D均属于被保护玩家,那么需要被保护玩家的总个数X为4,以2*5的对战模式为例,那么待预测小组V为2,每个待预测小组所包含的对象个数N为5,如果玩家A、玩家B、玩家C和玩家D作为一个整体,那么空缺位置(即图9中的方块补位)可能为玩家E、玩家F、玩家G、玩家H、玩家I或者玩家J,也就是有6种组合方式,采用公式M=C(V*N-X,N-X)=C(6,1)=6。
其次,本发明实施例中,提供了一种确定M种预测组合的方式,即服务器先根据第一待匹配对象信息集合获取第一对象的总个数,并且获取每个待预测小组所包含的对象个数,然后根据第一对象的总个数以及每个待预测小组所包含的对象个数生成M种预测组合。通过上述方式,可以获取到所有可能的预测组合类型,一方面为后续的预测提供了全面的支持,从而提升预测的可靠性。另一方面,通过具体的公式计算能够准确地计算出预测组合的总种数,从而提升方案的可行性和可操作性。
可选地,在上述图8以及图8对应的第一个实施例的基础上,本发明实施例提供的对象匹配的方法第二个可选实施例中,通过匹配预测模型获取每种预测组合所对应的匹配概率信息,可以包括:
通过匹配预测模型中的胜率预测模型,获取每种预测组合所对应的第一概率信息,其中,胜率预测模型用于输出与预测组合对应的胜负概率;
通过匹配预测模型中的属性预测模型,获取每种预测组合所对应的第二概率信息,其中,属性预测模型用于输出预测组合中每个对象的属性以及属性的出现概率;
根据每种预测组合所对应的匹配概率信息确定目标匹配结果,可以包括:
按照预设胜率条件以及每种预测组合所对应的第一概率信息,从M种预测组合中选择N种预测组合,其中,N为大于或等于1,且小于或等于M的整数;
按照预设属性条件以及每种预测组合所对应的第二概率信息,从N种预测组合中选择P种预测组合,其中,P为大于或等于1,且小于或等于N的整数;
从P种预测组合中获取目标匹配结果。
本实施例中,将介绍如何得到目标匹配结果。匹配预测模型具有两个模型结构,包括胜率预测模型以及属性预测模型,胜率预测模型输出胜负概率,而属性预测模型输出使用的英雄以及该英雄可能出现的概率。具体地,服务器将M种预测组合中的每种预测组合输入至胜率预测模型,并通过胜率预测模型输出每种预测组合的胜负概率(第一概率信息),即被保护玩家所在队伍的获胜概率。此外,服务器将M种预测组合中的每种预测组合输入至属性预测模型,从而预测出预测组合中每个玩家在下一局对战中可能选择的英雄以及使用该英雄的概率(第二概率信息)。
服务器结合预设胜率条件以及每种预测组合所对应的第一概率信息,从M种预测组合中选择N种预测组合,也就是说,假设针对被保护的玩家希望将胜率控制在60%左右,那么预设胜率条件即为胜率为60%左右。于是服务器根据预设胜率条件从M种预测组合中选择出N种预测组合。服务器结合预设属性条件以及每种预测组合所对应的第二概率信息,从N种预测组合中选择P种预测组合,也就是说,针对预测组合中每个玩家的常用英雄以及这些英雄的使用概率,可以从中选择出合适的阵容搭配。比如,每个合理阵容都应该具有物理输出类英雄、法术输出类英雄以及辅助类英雄,那么预设属性条件即为合理阵容所需的英雄类型,对于不满足合理阵容的预测组合即可排除,对于同时满足预设胜率条件以及预设属性条件的P种预测组合,服务器会选择最贴近需求的目标匹配结果,并按照该目标匹配结果进行匹配。
在实际应用中,针对被保护玩家,给其匹配分边队友和对手,需要保证其在指定胜率区间下胜利。对于不同连败状态下玩家,给与不同胜率的保护,不同的保护体验。如3连败玩家给予55%左右胜率保护,4连败玩家给予60%左右胜率保护,5连败玩家给予65%左右胜率保护等,随着连败次数的增加,逐次提高保护胜率。在较低保护胜率情况下,玩家需要认真积极参赛才有可能赢得比赛。较高保护胜率情况下,被保护玩家处于高连败状态,被保护玩家也急需一场比赛胜利来减少由于高连败带来的负面体验。同时该方法由机器自动学习而成,不具有明显规律性,保护策略隐秘性很强,玩家无法察觉,能够使得各玩家玩到自己想玩的英雄,总体阵容合理。
再次,本发明实施例中,介绍了一种如何得到目标匹配结果的方法,服务器通过匹配预测模型中的胜率预测模型,获取每种预测组合所对应的第一概率信息,并通过匹配预测模型中的属性预测模型,获取每种预测组合所对应的第二概率信息,服务器按照预设胜率条件以及每种预测组合所对应的第一概率信息,从M种预测组合中选择N种预测组合,再按照预设属性条件以及每种预测组合所对应的第二概率信息,从N种预测组合中选择P种预测组合,最后,服务器从P种预测组合中获取目标匹配结果。通过上述方式,服务器基于神经网络对玩家实力进行建模,能够较好地动态评估玩家实力,从而分出被保护指定胜率区间下分组结果。降低高连败占比,同时减少匹配系统的负面影响。同时该算法不具有明显规则,玩家无法找到其规则而恶意利用。从而能够较好地预测玩家下场使用英雄,避免阵容不合理的分组产生。
下面将从服务器的角度,对本发明中模型训练的方法进行介绍,请参阅图10,本发明实施例中模型训练的方法一个实施例包括:
201、获取待训练对象信息集合,其中,待训练对象信息集合包括至少一个训练对象信息;
本实施例中,服务器在训练模型之前需要先获取训练对象集合,该待训练对象集合包括至少一个待训练对象,每个待训练对象的信息构成待训练对象信息集合。其中,待训练对象具体可以为交互式应用中的玩家,交互式应用具体可以指游戏。
202、从待训练对象信息集合中提取每个训练对象的特征信息,其中,训练对象的特征信息包括与训练对象关联的离线特征信息以及结算特征信息;
本实施例中,服务器根据待训练对象信息集合,获取每个待训练玩家所对应的特征信息,其中,特征信息中包括与玩家对应的结算特征信息以及离线特征信息。
提取特征信息的过程可以参阅上述实施例中步骤102所描述的内容。可选地,还可以对提取的特征信息进行选择,选择的方式包含但不仅限于下面三种方式:
1、过滤(Filter)法,即按照发散性或者相关性对各个特征进行评分,设定阈值或者待选择阈值的个数,选择特征;
2、包装(Wrappe r)法,根据目标函数(通常是预测效果评分),每次选择若干特征,或者排除若干特征。
3、嵌入(Embedded)法,先使用某些机器学习的算法和模型进行训练,得到各个特征的权值系数,根据系数从大到小选择特征。类似于Filter法,但是是通过训练来确定特征的优劣。
203、根据待训练对象信息集合生成Q种训练样本组合,其中,Q为大于或等于1的整数,每种训练样本组合对应于至少两个训练小组;
本实施例中,服务器根据待训练对象信息集合生成Q种训练样本组合,比如,待训练对象信息集合包括100个待训练玩家所对应的信息,这100个待训练玩家均参与过实际的组队对战,从而根据对战情况生成Q种训练样本组合。每种训练样本组合均包括V*N个玩家,V具体表示为训练小组的个数,N具体表示为每个训练小组内的玩家个数。比如2*5个玩家表示为两组队伍,且每组队伍有5名玩家进行对战。
204、对每种训练样本组合所对应的训练对象的特征信息进行训练,得到匹配预测模型。
本实施例中,在对每种训练样本组合所对应的训练对象的特征信息提取完成之后,可以开始对这些特征信息进行训练,并得到匹配预测模型。
具体地,在实际应用中,可能由于特征信息的矩阵过大,导致计算量大,训练时间长,因此需要降低特征矩阵维度。常见的降维方法除了基于L1惩罚项的模型以外,另外还有主成分分析法(principal component analysis,PCA)和线性判别分析(lineardiscriminant analysis,LDA),LDA本身也是一个分类模型。PCA和LDA有很多的相似点,其本质是要将原始的样本映射到维度更低的样本空间中,但是PCA和LDA的映射目标不一样。PCA是为了让映射后的样本具有最大的发散性;而LDA是为了让映射后的样本有最好的分类性能。所以说PCA是一种无监督的降维方法,而LDA是一种有监督的降维方法。
本发明实施例中,介绍了一种模型训练的方法,首先服务器获取待训练对象信息集合,其中,待训练对象信息集合包括至少一个训练对象信息,然后从待训练对象信息集合中提取每个训练对象的特征信息,其中,训练对象的特征信息包括与训练对象关联的离线特征信息以及结算特征信息,服务器根据待训练对象信息集合生成Q种训练样本组合,最后,服务器对每种训练样本组合所对应的训练对象的特征信息进行训练,得到匹配预测模型。通过上述方式,同时利用训练对象的离线特征信息以及结算特征信息训练模型,避免了单一化特征信息的训练方式,从而提升了模型预测的可信度,同时,也提升了系统匹配的隐蔽性,有利于提升交互式应用匹配的公平性和可靠性。
可选地,在上述图10对应的实施例的基础上,本发明实施例提供的模型训练的方法第一个可选实施例中,对每种训练样本组合所对应的训练对象的特征信息进行训练,得到匹配预测模型,可以包括:
对每种训练样本组合中每个训练对象的离线特征信息以及结算特征信息进行训练,得到胜率预测模型,其中,离线特征信息包括对象的相关信息,结算特征信息包括训练样本组合对应的结算数据;
对每个训练对象的离线特征信息进行训练,得到属性预测模型;
根据胜率预测模型和属性预测模型生成匹配预测模型。
本实施例中,服务器对Q种训练样本组合中的每种训练样本组合所对应的特征信息进行训练。而服务器需要分别训练两个模型,即胜率预测模型以及属性预测模型。
具体地,服务器对每种训练样本组合中每个训练对象的离线特征信息以及结算特征信息进行训练,其中,服务器根据离线数据可以提取到离线特征信息,离线数据包括玩家个人信息,比如玩家基本信息(例如玩家上线总时长、玩家被点赞次数以及玩家组队次数等)、实力情况、最近竞技状况(比如近100场对战的系统评分)以及使用的英雄等。而服务器根据结算数据可以提取到结算特征信息,结算数据包括每种训练样本组合所对应的胜负结果。
服务器对每种训练样本组合中每个训练对象的离线特征信息以及结算特征信息进行训练,得到胜率预测模型,该胜率预测模型主要用于预测分组对战中某一方的胜率。服务器对每个训练对象的离线特征信息进行训练,得到属性预测模型。该属性预测模型主要用于预测玩家在本次对战中可能使用的英雄,以及每个可能使用的英雄出现的概率。
其次,本发明实施例中,服务器对每种训练样本组合中每个训练对象的离线特征信息以及结算特征信息进行训练,得到胜率预测模型,并且对每个训练对象的离线特征信息进行训练,得到属性预测模型,最后,服务器根据胜率预测模型和属性预测模型生成匹配预测模型。通过上述方式,服务器可以分别利用不同的特征信息分别训练得到两种模型,即胜率预测模型和属性预测模型,两个模型结合生成匹配预测模型,由此可以同时预测胜率以及属性情况,有效地提升了方案的实用性和可靠性。
可选地,在上述图10或图10对应的第一个实施例的基础上,本发明实施例提供的模型训练的方法第二个可选实施例中,从待训练对象信息集合中提取每个训练对象的特征信息,可以包括:
根据待训练对象信息集合获取每个训练对象所对应的属性、每个训练对象所对应的状态信息以及每个训练对象所对应的等级信息;
根据每个训练对象所对应的属性、状态信息以及等级信息确定离线特征信息;
根据待训练对象信息集合获取每个训练对象的胜负率;
根据每个训练对象的胜负率确定结算特征信息。
本实施例中,将介绍服务器从待训练对象信息集合中提取每个训练对象的特征信息的过程,具体地,服务器可以根据待训练对象信息集合获取训练对象的属性、每个训练对象所对应的状态信息以及每个训练对象所对应的等级信息。其中,属性表示玩家使用的英雄,比如物理输出类英雄、法术输出类英雄、坦克类英雄或者辅助类英雄等。状态信息表示玩家的基本信息以及最近对战情况,比如玩家上线总时长、玩家被点赞次数、玩家组队次数以及近期对战的系统评分等。等级信息表示玩家的实力,比如具体的段位信息。
服务器针对每个训练对象所对应的属性、状态信息以及等级信息进行特征提取,并生成离线特征信息。此外,服务器还需要根据待训练对象信息集合获取每个训练对象的胜负率,服务器针对每个训练对象的胜负率进行特征提取,并生成结算特征信息。
再次,本发明实施例中,服务器根据待训练对象信息集合获取每个训练对象所对应的属性、每个训练对象所对应的状态信息以及每个训练对象所对应的等级信息,并根据每个训练对象所对应的属性、状态信息以及等级信息确定离线特征信息。此外,服务器根据待训练对象信息集合获取每个训练对象的胜负率,并根据每个训练对象的胜负率确定结算特征信息。通过上述方式,说明了结算特征信息和离线特征信息的来源,包括了较多维度的信息,由此训练得到更为全面且可靠的匹配预测模型,从而提升了方案的实用性和可行性。
可选地,在上述图图10对应的第二个实施例的基础上,本发明实施例提供的模型训练的方法第三个可选实施例中,对每种训练样本组合中每个训练对象的离线特征信息以及结算特征信息进行训练,得到胜率预测模型,包括:
对每种训练样本组合进行排列组合,得到S种待训练分组,其中,S为大于或等于1的整数;
分别对每个待训练分组中每个训练对象的离线特征信息以及结算特征信息进行训练,得到胜率预测模型。
本实施例中,服务器在训练胜率预测模型的过程中,对每种训练样本组合进行排列组合,得到S种待训练分组,这里的分组方式与预测时的分组方式并不相同,由于没有需要保护的玩家,因此,在同一个训练样本组合中的各个玩家进行任意组合,以一个训练样本组合包括10个玩家,将这10个玩家划分为2个队伍,每个队伍有5个玩家为例,一共有C(10,5)种组合方式,即S为252,也就意味这需要对252种待训练分组中,每个待训练分组中每个训练对象的离线特征信息以及结算特征信息进行训练,得到胜率预测模型。
具体地,请参阅图11,图11为本发明实施例中胜率预测模型的一个结构示意图,如图所示,通过双方队伍各玩家信息及比赛结果学习一个能够表示玩家个人实力,队伍实力及双方队伍实力差距的胜率预测模型,从而能够预测比赛胜负。胜率预测模型根据实力和玩家职业将2*N名玩家对齐后,首先基于全连接网络,通过个人实力,近期竞技状态以及近期使用英雄等因子进行深度神经网络建模,然后再基于全连接网络对分边后两支队伍实力分别进行表示和深度建模。接着基于全连接网络对整场比赛进行表示和深度建模。最后通过softmax层输出胜负概率,如果该结果y表示A队的胜率,则B队的胜率则是1-y。
需要说明的是,本实施例中神经网络结构使用到了深度神经网络(deep neuralnetworks,DNN)和长短期记忆网络(long short-term memory,LSTM),在实际应用中,不具体限定神经网络的模型和拓扑结构,可以替换为各种其他模型结构,例如卷积神经网络(convolutional neural network,CNN)及变种,或者替换为其他网络结构。
进一步地,本发明实施例中,服务器可以对每种训练样本组合进行排列组合,得到S种待训练分组,然后分别对每个待训练分组中每个训练对象的离线特征信息以及结算特征信息进行训练,得到胜率预测模型。通过上述方式,基于神经网络对玩家实力进行建模,能够较好地动态评估玩家实力,从而分出被保护指定胜率区间下分边结果。实际上线后交互式应用的高连败占比降低。同时该模型不具有明显规则,玩家无法找到其规则而恶意利用。
可选地,在上述图10对应的实施例的基础上,本发明实施例提供的模型训练的方法第四个可选实施例中,从待训练对象信息集合中提取每个训练对象的特征信息,可以包括:
根据待训练对象信息集合获取每个训练对象在T局中所对应的属性,其中,T为大于或等于1的整数;
根据每个训练对象在T局中所对应的属性确定离线特征信息。
本实施例中,将介绍服务器从待训练对象信息集合中提取每个训练对象的特征信息的过程,具体地,服务器首先根据待训练对象信息集合获取每个训练对象在T局中所对应的属性,即根据待训练对象信息集合获取每个待训练玩家在T局中所使用的英雄,根据每个训练对象在T局中所对应的属性确定离线特征信息。为了便于理解,下面将以一个待训练玩家在10局中所使用的英雄为例进行介绍,请参阅表1,表1为玩家A在10局对战中所使用的英雄一个示意。
表1
局数 | 英雄 | 英雄类型 |
第一局 | “白起” | 坦克类 |
第二局 | “东皇太一” | 坦克类 |
第三局 | “白起” | 坦克类 |
第四局 | “鲁班” | 物理输出类 |
第五局 | “鲁班” | 物理输出类 |
第六局 | “小乔” | 法术输出类 |
第七局 | “白起” | 坦克类 |
第八局 | “李元芳” | 物理输出类 |
第九局 | “白起” | 坦克类 |
第十局 | “白起” | 坦克类 |
基于上述玩家A的十局对战情况可以预测出,在玩家A的第十一局对战中可能选择坦克类英雄——“白起”的概率最高,其次,可能选择物理输出类英雄——“鲁班”的概率为第二。
再次,本发明实施例中,服务器根据待训练对象信息集合获取每个训练对象在T局中所对应的属性,然后该服务器根据每个训练对象在T局中所对应的属性确定离线特征信息。通过上述方式,利用过去T局对战中玩家使用的英雄以及该英雄的使用概率可以得到离线特征信息,再根据离线特征信息可以预测下一场对战中,玩家可能会使用的英雄及其概率,由此训练得到更为全面且可靠的匹配预测模型,从而提升了方案的实用性和可行性。
可选地,在上述图10对应的第四个实施例的基础上,本发明实施例提供的模型训练的方法第五个可选实施例中,对每个训练对象的离线特征信息进行训练,得到属性预测模型之后,还可以包括:
获取待预测对象在T局中所对应的属性;
根据待预测对象在T局中所对应的属性确定目标离线特征信息;
通过属性预测模型获取目标离线特征信息所对应的预测结果,其中,预测结果用于表示待预测对象在T+1局中的属性以及属性的出现概率。
本实施例中,服务器在训练得到属性预测模型之后,即可预测玩家后续可能使用的英雄以及使用该英雄的概率。为了便于介绍,请参阅图12,图12为本发明实施例中属性预测模型的一个结构示意图,如图所示,服务器接收来自同一个玩家在T局内所选择的英雄,T局包括图中所示的t1局,t2局……,tk局,对每个玩家的离线特征数据均进行训练,得到属性预测模型。
具体地,假设待预测对象为玩家B,这个时候需要从离线数据库中获取玩家B在前T局中的属性,然后对前T局中的属性进行特征提取,从而得到目标离线特征信息,最后将目标离线特征信息输入至属性预测模型,并通过属性预测模型输出预测结果,其中,预测结果用于表示待预测对象在T+1局中的属性以及属性的出现概率。
基于神经网络对玩家使用英雄序列进行建模,能够较好地预测玩家下场使用英雄,从而避免阵容不合理的分边产生,减少玩家由于玩不到自己想要的英雄,或者因为阵容不合理而消极比赛。
进一步地,本发明实施例中,在得到属性预测模型之后,服务器可以获取待预测对象在T局中所对应的属性,然后根据待预测对象在T局中所对应的属性确定目标离线特征信息,最后通过属性预测模型获取目标离线特征信息所对应的预测结果,其中,预测结果用于表示预测对象在T+1局中的属性以及属性的出现概率,通过上述方式,采用属性预测模型预测出每个玩家可能玩的至少一个英雄及其概率,过滤掉对于一方英雄类型较多重复或者缺少某种属性预测模型的分组,从而提升系统分组的合理性。
下面对本发明中的服务器进行详细描述,请参阅图13,图13为本发明实施例中服务器一个实施例示意图,服务器30包括:
获取模块301,用于获取第一待匹配对象信息集合以及第二待匹配对象信息集合,其中,所述第一待匹配对象信息集合包括至少一个第一对象信息,所述第二待匹配对象信息集合包括至少一个第二对象信息;
提取模块302,用于根据所述获取模块301获取的所述第一待匹配对象信息集合以及第二待匹配对象信息集合,提取每个第一对象的特征信息以及每个第二对象的特征信息,其中,所述特征信息包括实时特征信息和离线特征信息;
生成模块303,用于根据所述获取模块301获取的所述第一待匹配对象信息集合以及所述第二待匹配对象信息集合,生成M种预测组合,其中,所述M为大于或等于1的整数,每个预测组合对应于至少两个待预测小组;
所述获取模块301,还用于通过匹配预测模型获取所述生成模块303生成的每种预测组合所对应的匹配概率信息,其中,所述匹配预测模型为根据训练对象的特征信息训练得到的,所述训练对象的特征信息包括与所述训练对象关联的离线特征信息以及结算特征数据;
确定模块304,用于根据所述获取模块301获取的所述每种预测组合所对应的匹配概率信息确定目标匹配结果。
本实施例中,获取模块301获取第一待匹配对象信息集合以及第二待匹配对象信息集合,其中,所述第一待匹配对象信息集合包括至少一个第一对象信息,所述第二待匹配对象信息集合包括至少一个第二对象信息,提取模块302根据所述获取模块301获取的所述第一待匹配对象信息集合以及第二待匹配对象信息集合,提取每个第一对象的特征信息以及每个第二对象的特征信息,其中,所述特征信息包括实时特征信息和离线特征信息,生成模块303根据所述获取模块301获取的所述第一待匹配对象信息集合以及所述第二待匹配对象信息集合,生成M种预测组合,其中,所述M为大于或等于1的整数,每个预测组合对应于至少两个待预测小组,所述获取模块301通过匹配预测模型获取所述生成模块303生成的每种预测组合所对应的匹配概率信息,其中,所述匹配预测模型为根据训练对象的特征信息训练得到的,所述训练对象的特征信息包括与所述训练对象关联的离线特征信息以及结算特征数据,确定模块304根据所述获取模块301获取的所述每种预测组合所对应的匹配概率信息确定目标匹配结果。
本发明实施例中,提供了一种服务器,服务器首先获取第一待匹配对象信息集合以及第二待匹配对象信息集合,然后从第一待匹配对象信息集合以及第二待匹配对象信息集合中,提取每个第一对象的特征信息以及每个第二对象的特征信息,特征信息包括与待匹配对象关联的实时特征信息和离线特征信息,服务器根据第一待匹配对象信息集合以及第二待匹配对象信息集合,生成M种预测组合,服务器在通过匹配预测模型获取每种预测组合所对应的匹配概率信息,最后,服务器可以根据每种预测组合所对应的匹配概率信息确定目标匹配结果。通过上述方式,结合实时特征信息和离线特征信息对待匹配的每位玩家实力进行预测,避免了单一化的评判标准,采用更多的特征信息来预测玩家实力,能够提升预测的准确度,从而有利于实现队伍匹配的合理性。
可选地,在上述图13所对应的实施例的基础上,本发明实施例提供的服务器30的另一实施例中,
所述生成模块303,具体用于根据所述第一待匹配对象信息集合获取所述第一对象的总个数;
获取每个待预测小组所包含的对象个数;
根据所述第一对象的总个数以及所述每个待预测小组所包含的对象个数生成所述M种预测组合;
其中,所述M采用如下方式进行计算:
M=C(V*N-X,N-X);
所述M表示所述预测组合的总种数,所述C()表示组合数的计算形式,所述V表示所述待预测小组的个数,所述N表示所述每个待预测小组所包含的对象个数,所述X表示所述第一待匹配对象集合中所述第一对象的总个数。
其次,本发明实施例中,服务器先根据第一待匹配对象信息集合获取第一对象的总个数,并且获取每个待预测小组所包含的对象个数,然后根据第一对象的总个数以及每个待预测小组所包含的对象个数生成M种预测组合。通过上述方式,可以获取到所有可能的预测组合类型,一方面为后续的预测提供了全面的支持,从而提升预测的可靠性。另一方面,通过具体的公式计算能够准确地计算出预测组合的总种数,从而提升方案的可行性和可操作性。
可选地,在上述图13所对应的实施例的基础上,本发明实施例提供的服务器30的另一实施例中,
所述获取模块301,具体用于通过匹配预测模型中的胜率预测模型,获取所述每种预测组合所对应的第一概率信息,其中,胜率预测模型用于输出与预测组合对应的胜负概率;
通过匹配预测模型中的属性预测模型,获取所述每种预测组合所对应的第二概率信息,其中,所述属性预测模型用于输出预测组合中每个对象的属性以及所述属性的出现概率;
根据所述每种预测组合所对应的匹配概率信息确定目标匹配结果,包括:
按照预设胜率条件以及所述每种预测组合所对应的第一概率信息,从所述M种预测组合中选择N种预测组合,其中,所述N为大于或等于1,且小于或等于所述M的整数;
按照预设属性条件以及所述每种预测组合所对应的第二概率信息,从所述N种预测组合中选择P种预测组合,其中,所述P为大于或等于1,且小于或等于所述N的整数;
从所述P种预测组合中获取所述目标匹配结果。
再次,本发明实施例中,服务器通过匹配预测模型中的胜率预测模型,获取每种预测组合所对应的第一概率信息,并通过匹配预测模型中的属性预测模型,获取每种预测组合所对应的第二概率信息,服务器按照预设胜率条件以及每种预测组合所对应的第一概率信息,从M种预测组合中选择N种预测组合,再按照预设属性条件以及每种预测组合所对应的第二概率信息,从N种预测组合中选择P种预测组合,最后,服务器从P种预测组合中获取目标匹配结果。通过上述方式,服务器基于神经网络对玩家实力进行建模,能够较好地动态评估玩家实力,从而分出被保护指定胜率区间下分组结果。降低高连败占比,同时减少匹配系统的负面影响。同时该算法不具有明显规则,玩家无法找到其规则而恶意利用。从而能够较好地预测玩家下场使用英雄,避免阵容不合理的分组产生。
下面对本发明中的服务器进行详细描述,请参阅图14,图14为本发明实施例中服务器一个实施例示意图,服务器40包括:
获取模块401,用于获取待训练对象信息集合,其中,所述待训练对象信息集合包括至少一个训练对象信息;
提取模块402,用于从所述获取模块401获取的所述待训练对象信息集合中提取每个训练对象的特征信息,其中,所述训练对象的特征信息包括与所述训练对象关联的离线特征信息以及结算特征信息;
生成模块403,用于根据所述获取模块401获取的所述待训练对象信息集合生成Q种训练样本组合,其中,所述Q为大于或等于1的整数,每种训练样本组合对应于至少两个训练小组;
训练模块404,用于对所述生成模块403生成的所述每种训练样本组合所对应的训练对象的特征信息进行训练,得到匹配预测模型。
本实施例中,获取模块401获取待训练对象信息集合,其中,所述待训练对象信息集合包括至少一个训练对象信息,提取模块402从所述获取模块401获取的所述待训练对象信息集合中提取每个训练对象的特征信息,其中,所述训练对象的特征信息包括与所述训练对象关联的离线特征信息以及结算特征信息,生成模块403根据所述获取模块401获取的所述待训练对象信息集合生成Q种训练样本组合,其中,所述Q为大于或等于1的整数,每种训练样本组合对应于至少两个训练小组,训练模块404,用于对所述生成模块403生成的所述每种训练样本组合所对应的训练对象的特征信息进行训练,得到匹配预测模型。
本发明实施例中,介绍了一种用于模型训练的服务器,首先服务器获取待训练对象信息集合,其中,待训练对象信息集合包括至少一个训练对象信息,然后从待训练对象信息集合中提取每个训练对象的特征信息,其中,训练对象的特征信息包括与训练对象关联的离线特征信息以及结算特征信息,服务器根据待训练对象信息集合生成Q种训练样本组合,最后,服务器对每种训练样本组合所对应的训练对象的特征信息进行训练,得到匹配预测模型。通过上述方式,同时利用训练对象的离线特征信息以及结算特征信息训练模型,避免了单一化特征信息的训练方式,从而提升了模型预测的可信度,同时,也提升了系统匹配的隐蔽性,有利于提升交互式应用匹配的公平性和可靠性。
可选地,在上述图14所对应的实施例的基础上,本发明实施例提供的服务器40的另一实施例中,
所述训练模块404,具体用于对所述每种训练样本组合中所述每个训练对象的所述离线特征信息以及所述结算特征信息进行训练,得到胜率预测模型,其中,所述离线特征信息包括对象的相关信息,所述结算特征信息包括训练样本组合对应的结算数据;
对所述每个训练对象的离线特征信息进行训练,得到属性预测模型;
根据所述胜率预测模型和所述属性预测模型生成所述匹配预测模型。
其次,本发明实施例中,服务器对每种训练样本组合中每个训练对象的离线特征信息以及结算特征信息进行训练,得到胜率预测模型,并且对每个训练对象的离线特征信息进行训练,得到属性预测模型,最后,服务器根据胜率预测模型和属性预测模型生成匹配预测模型。通过上述方式,服务器可以分别利用不同的特征信息分别训练得到两种模型,即胜率预测模型和属性预测模型,两个模型结合生成匹配预测模型,由此可以同时预测胜率以及属性情况,有效地提升了方案的实用性和可靠性。
可选地,在上述图14所对应的实施例的基础上,本发明实施例提供的服务器40的另一实施例中,
所述提取模块402,具体用于根据所述待训练对象信息集合获取所述每个训练对象所对应的属性、所述每个训练对象所对应的状态信息以及所述每个训练对象所对应的等级信息;
根据所述每个训练对象所对应的所述属性、所述状态信息以及所述等级信息确定所述离线特征信息;
根据所述待训练对象信息集合获取所述每个训练对象的胜负率;
根据所述每个训练对象的胜负率确定所述结算特征信息。
再次,本发明实施例中,服务器根据待训练对象信息集合获取每个训练对象所对应的属性、每个训练对象所对应的状态信息以及每个训练对象所对应的等级信息;,并根据每个训练对象所对应的属性、状态信息以及等级信息确定离线特征信息。此外,服务器根据待训练对象信息集合获取每个训练对象的胜负率,并根据每个训练对象的胜负率确定结算特征信息。通过上述方式,说明了结算特征信息和离线特征信息的来源,包括了较多维度的信息,由此训练得到更为全面且可靠的匹配预测模型,从而提升了方案的实用性和可行性。
可选地,在上述图14所对应的实施例的基础上,本发明实施例提供的服务器40的另一实施例中,
所述训练模块404,具体用于对所述每种训练样本组合进行排列组合,得到S种待训练分组,其中,所述S为大于或等于1的整数;
分别对每个待训练分组中所述每个训练对象的所述离线特征信息以及所述结算特征信息进行训练,得到所述胜率预测模型。
进一步地,本发明实施例中,服务器可以对每种训练样本组合进行排列组合,得到S种待训练分组,然后分别对每个待训练分组中每个训练对象的离线特征信息以及结算特征信息进行训练,得到胜率预测模型。通过上述方式,基于神经网络对玩家实力进行建模,能够较好地动态评估玩家实力,从而分出被保护指定胜率区间下分边结果。实际上线后交互式应用的高连败占比降低。同时该模型不具有明显规则,玩家无法找到其规则而恶意利用。
可选地,在上述图14所对应的实施例的基础上,本发明实施例提供的服务器40的另一实施例中,
所述提取模块402,具体用于根据所述待训练对象信息集合获取所述每个训练对象在T局中所对应的属性,其中,所述T为大于或等于1的整数;
根据所述每个训练对象在T局中所对应的属性确定所述离线特征信息。
再次,本发明实施例中,服务器根据待训练对象信息集合获取每个训练对象在T局中所对应的属性,然后该服务器根据每个训练对象在T局中所对应的属性确定离线特征信息。通过上述方式,利用过去T局对战中玩家使用的英雄以及该英雄的使用概率可以得到离线特征信息,再根据离线特征信息可以预测下一场对战中,玩家可能会使用的英雄及其概率,由此训练得到更为全面且可靠的匹配预测模型,从而提升了方案的实用性和可行性。
可选地,在上述图14所对应的实施例的基础上,请参阅图15,本发明实施例提供的服务器40的另一实施例中,所述服务器还包括确定模块405;
所述获取模块401,还用于所述训练模块404对所述每个训练对象的离线特征信息进行训练,得到属性预测模型之后,获取待预测对象在所述T局中所对应的属性;
所述确定模块405,用于根据所述待预测对象在所述T局中所对应的属性确定目标离线特征信息;
所述获取模块401,还用于通过所述属性预测模型获取所述确定模块405确定的所述目标离线特征信息所对应的预测结果,其中,所述预测结果用于表示所述待预测对象在T+1局中的属性以及所述属性的出现概率。
进一步地,本发明实施例中,在得到属性预测模型之后,服务器可以获取待预测对象在T局中所对应的属性,然后根据待预测对象在T局中所对应的属性确定目标离线特征信息,最后通过属性预测模型获取目标离线特征信息所对应的预测结果,其中,预测结果用于表示预测对象在T+1局中的属性以及属性的出现概率,通过上述方式,采用属性预测模型预测出每个玩家可能玩的至少一个英雄及其概率,过滤掉对于一方英雄类型较多重复或者缺少某种属性预测模型的分组,从而提升系统分组的合理性。
图16是本发明实施例提供的一种服务器结构示意图,该服务器500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 processingunits,CPU)522(例如,一个或一个以上处理器)和存储器532,一个或一个以上存储应用程序542或数据544的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器532和存储介质530可以是短暂存储或持久存储。存储在存储介质530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522可以设置为与存储介质530通信,在服务器500上执行存储介质530中的一系列指令操作。
服务器500还可以包括一个或一个以上电源526,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口558,和/或,一个或一个以上操作系统541,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图16所示的服务器结构。
本实施例中,CPU 522用于执行如下步骤:
获取第一待匹配对象信息集合以及第二待匹配对象信息集合,其中,所述第一待匹配对象信息集合包括至少一个第一对象信息,所述第二待匹配对象信息集合包括至少一个第二对象信息;
根据所述第一待匹配对象信息集合以及第二待匹配对象信息集合,提取每个第一对象的特征信息以及每个第二对象的特征信息,其中,所述特征信息包括实时特征信息和离线特征信息;
根据所述第一待匹配对象信息集合以及所述第二待匹配对象信息集合,生成M种预测组合,其中,所述M为大于或等于1的整数,每个预测组合对应于至少两个待预测小组;
通过匹配预测模型获取每种预测组合所对应的匹配概率信息,其中,所述匹配预测模型为根据训练对象的特征信息训练得到的,所述训练对象的特征信息包括与所述训练对象关联的离线特征信息以及结算特征数据;
根据所述每种预测组合所对应的匹配概率信息确定目标匹配结果。
可选地,CPU 522具体用于执行如下步骤:
根据所述第一待匹配对象信息集合获取所述第一对象的总个数;
获取每个待预测小组所包含的对象个数;
根据所述第一对象的总个数以及所述每个待预测小组所包含的对象个数生成所述M种预测组合;
其中,所述M采用如下方式进行计算:
M=C(V*N-X,N-X);
所述M表示所述预测组合的总种数,所述C()表示组合数的计算形式,所述V表示所述待预测小组的个数,所述N表示所述每个待预测小组所包含的对象个数,所述X表示所述第一待匹配对象集合中所述第一对象的总个数。
可选地,CPU 522具体用于执行如下步骤:
通过匹配预测模型中的胜率预测模型,获取所述每种预测组合所对应的第一概率信息,其中,胜率预测模型用于输出与预测组合对应的胜负概率;
通过匹配预测模型中的属性预测模型,获取所述每种预测组合所对应的第二概率信息,其中,所述属性预测模型用于输出预测组合中每个对象的属性以及所述属性的出现概率;
根据所述每种预测组合所对应的匹配概率信息确定目标匹配结果,包括:
按照预设胜率条件以及所述每种预测组合所对应的第一概率信息,从所述M种预测组合中选择N种预测组合,其中,所述N为大于或等于1,且小于或等于所述M的整数;
按照预设属性条件以及所述每种预测组合所对应的第二概率信息,从所述N种预测组合中选择P种预测组合,其中,所述P为大于或等于1,且小于或等于所述N的整数;
从所述P种预测组合中获取所述目标匹配结果。
本实施例中,CPU 522用于执行如下步骤:
获取待训练对象信息集合,其中,所述待训练对象信息集合包括至少一个训练对象信息;
从所述待训练对象信息集合中提取每个训练对象的特征信息,其中,所述训练对象的特征信息包括与所述训练对象关联的离线特征信息以及结算特征信息;
根据所述待训练对象信息集合生成Q种训练样本组合,其中,所述Q为大于或等于1的整数,每种训练样本组合对应于至少两个训练小组;
对所述每种训练样本组合所对应的训练对象的特征信息进行训练,得到匹配预测模型。
可选地,CPU 522具体用于执行如下步骤:
对所述每种训练样本组合中所述每个训练对象的所述离线特征信息以及所述结算特征信息进行训练,得到胜率预测模型,其中,所述离线特征信息包括对象的相关信息,所述结算特征信息包括训练样本组合对应的结算数据;
对所述每个训练对象的离线特征信息进行训练,得到属性预测模型;
根据所述胜率预测模型和所述属性预测模型生成所述匹配预测模型。
可选地,CPU 522具体用于执行如下步骤:
根据所述待训练对象信息集合获取所述每个训练对象所对应的属性、所述每个训练对象所对应的状态信息以及所述每个训练对象所对应的等级信息;
根据所述每个训练对象所对应的所述属性、所述状态信息以及所述等级信息确定所述离线特征信息;
根据所述待训练对象信息集合获取所述每个训练对象的胜负率;
根据所述每个训练对象的胜负率确定所述结算特征信息。
可选地,CPU 522具体用于执行如下步骤:
对所述每种训练样本组合进行排列组合,得到S种待训练分组,其中,所述S为大于或等于1的整数;
分别对每个待训练分组中所述每个训练对象的所述离线特征信息以及所述结算特征信息进行训练,得到所述胜率预测模型。
可选地,CPU 522具体用于执行如下步骤:
根据所述待训练对象信息集合获取所述每个训练对象在T局中所对应的属性,其中,所述T为大于或等于1的整数;
根据所述每个训练对象在T局中所对应的属性确定所述离线特征信息。
可选地,CPU 522还用于执行如下步骤:
获取待预测对象在所述T局中所对应的属性;
根据所述待预测对象在所述T局中所对应的属性确定目标离线特征信息;
通过所述属性预测模型获取所述目标离线特征信息所对应的预测结果,其中,所述预测结果用于表示所述待预测对象在T+1局中的属性以及所述属性的出现概率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述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单元来实现本实施例方案的目的。
另外,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单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (13)
1.一种对象匹配的方法,其特征在于,包括:
获取第一待匹配对象信息集合以及第二待匹配对象信息集合,其中,所述第一待匹配对象信息集合包括至少一个第一对象信息,所述第二待匹配对象信息集合包括至少一个第二对象信息;
根据所述第一待匹配对象信息集合以及第二待匹配对象信息集合,提取每个第一对象的特征信息以及每个第二对象的特征信息,其中,所述第一对象为被保护对象,所述第二对象为不被保护对象;所述特征信息包括实时特征信息和离线特征信息;所述离线特征信息包括:近期竞技状态;
根据所述第一待匹配对象信息集合以及所述第二待匹配对象信息集合,生成M种预测组合,其中,所述M为大于或等于1的整数,每个预测组合对应于至少两个待预测小组;
通过匹配预测模型中的胜率预测模型,获取所述每种预测组合所对应的第一概率信息,其中,胜率预测模型用于输出与预测组合对应的胜负概率;
通过匹配预测模型中的属性预测模型,获取所述每种预测组合所对应的第二概率信息,其中,所述属性预测模型用于输出预测组合中每个对象的属性以及所述属性的出现概率;
按照预设胜率条件以及所述每种预测组合所对应的第一概率信息,从所述M种预测组合中选择N种预测组合,其中,针对不同连败状态下的被保护对象,确定不同的胜率区间,所述N为大于或等于1,且小于或等于所述M的整数;
按照预设属性条件以及所述每种预测组合所对应的第二概率信息,从所述N种预测组合中选择P种预测组合,所述P为大于或等于1,且小于或等于所述N的整数;
从所述P种预测组合中获取所述目标匹配结果,以根据不同的胜率区间与预测组合中每个对象的属性以及所述属性的出现概率确定不同的目标匹配结果,以保证不同连败状态下的被保护对象能够在不同的指定胜率区间下取得胜利,并使保护策略具有隐蔽性。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一待匹配对象信息集合以及所述第二待匹配对象信息集合,生成M种预测组合,包括:
根据所述第一待匹配对象信息集合获取所述第一对象的总个数;
获取每个待预测小组所包含的对象个数;
根据所述第一对象的总个数以及所述每个待预测小组所包含的对象个数生成所述M种预测组合;
其中,所述M采用如下方式进行计算:
M=C(V*N-X,N-X);
所述M表示所述预测组合的总种数,所述C()表示组合数的计算形式,所述V表示所述待预测小组的个数,所述N表示所述每个待预测小组所包含的对象个数,所述X表示所述第一待匹配对象集合中所述第一对象的总个数。
3.一种模型训练的方法,其特征在于,包括:
获取待训练对象信息集合,其中,所述待训练对象信息集合包括至少一个训练对象信息;
从所述待训练对象信息集合中提取每个训练对象的特征信息,其中,所述训练对象的特征信息包括与所述训练对象关联的离线特征信息以及结算特征信息;所述离线特征信息包括:近期竞技状态;
根据所述待训练对象信息集合生成Q种训练样本组合,其中,所述Q为大于或等于1的整数,每种训练样本组合对应于至少两个训练小组;
对所述每种训练样本组合中所述每个训练对象的所述离线特征信息以及所述结算特征信息进行训练,得到胜率预测模型,其中,所述离线特征信息包括对象的相关信息,所述结算特征信息包括训练样本组合对应的结算数据;
对所述每个训练对象的离线特征信息进行训练,得到属性预测模型;
根据所述胜率预测模型和所述属性预测模型生成匹配预测模型;
所述胜率预测模型,用于输出所述每种预测组合所对应的第一概率信息,具体用于输出与预测组合对应的胜负概率;所述第一概率信息用于结合预设胜率条件,从所述M种预测组合中选择N种预测组合,其中,针对不同连败状态下的被保护对象,确定不同的胜率区间,所述N为大于或等于1,且小于或等于所述M的整数;所述预测组合为根据被保护对象信息集合与不被保护对象信息集合生成的;
所述属性预测模型,用于输出所述每种预测组合所对应的第二概率信息,具体用于输出预测组合中每个对象的属性以及所述属性的出现概率;所述第二概率信息用于结合预设属性条件,从所述N种预测组合中选择P种预测组合,所述P为大于或等于1,且小于或等于所述N的整数;所述P种预测组合提供目标匹配结果以根据不同的胜率区间与预测组合中每个对象的属性以及所述属性的出现概率确定不同的目标匹配结果,以保证不同连败状态下的被保护对象能够在不同的指定胜率区间下取得胜利,并使保护策略具有隐蔽性。
4.根据权利要求3所述的方法,其特征在于,所述从所述待训练对象信息集合中提取每个训练对象的特征信息,包括:
根据所述待训练对象信息集合获取所述每个训练对象所对应的属性、所述每个训练对象所对应的状态信息以及所述每个训练对象所对应的等级信息;
根据所述每个训练对象所对应的所述属性、所述状态信息以及所述等级信息确定所述离线特征信息;
根据所述待训练对象信息集合获取所述每个训练对象的胜负率;
根据所述每个训练对象的胜负率确定所述结算特征信息。
5.根据权利要求4所述的方法,其特征在于,所述对所述每种训练样本组合中所述每个训练对象的所述离线特征信息以及所述结算特征信息进行训练,得到胜率预测模型,包括:
对所述每种训练样本组合进行排列组合,得到S种待训练分组,其中,所述S为大于或等于1的整数;
分别对每个待训练分组中所述每个训练对象的所述离线特征信息以及所述结算特征信息进行训练,得到所述胜率预测模型。
6.根据权利要求3所述的方法,其特征在于,所述从所述待训练对象信息集合中提取每个训练对象的特征信息,包括:
根据所述待训练对象信息集合获取所述每个训练对象在T局中所对应的属性,其中,所述T为大于或等于1的整数;
根据所述每个训练对象在T局中所对应的属性确定所述离线特征信息。
7.根据权利要求6所述的方法,其特征在于,所述对所述每个训练对象的离线特征信息进行训练,得到属性预测模型之后,所述方法还包括:
获取待预测对象在所述T局中所对应的属性;
根据所述待预测对象在所述T局中所对应的属性确定目标离线特征信息;
通过所述属性预测模型获取所述目标离线特征信息所对应的预测结果,其中,所述预测结果用于表示所述待预测对象在T+1局中的属性以及所述属性的出现概率。
8.一种服务器,其特征在于,包括:
获取模块,用于获取第一待匹配对象信息集合以及第二待匹配对象信息集合,其中,所述第一待匹配对象信息集合包括至少一个第一对象信息,所述第二待匹配对象信息集合包括至少一个第二对象信息;
提取模块,用于根据所述获取模块获取的所述第一待匹配对象信息集合以及第二待匹配对象信息集合,提取每个第一对象的特征信息以及每个第二对象的特征信息,其中,所述第一对象为被保护对象,所述第二对象为不被保护对象;所述特征信息包括实时特征信息和离线特征信息;所述离线特征信息包括:近期竞技状态;
生成模块,用于根据所述获取模块获取的所述第一待匹配对象信息集合以及所述第二待匹配对象信息集合,生成M种预测组合,其中,所述M为大于或等于1的整数,每个预测组合对应于至少两个待预测小组;
所述获取模块,还用于通过匹配预测模型中的胜率预测模型,获取所述每种预测组合所对应的第一概率信息,其中,胜率预测模型用于输出与预测组合对应的胜负概率;通过匹配预测模型中的属性预测模型,获取所述每种预测组合所对应的第二概率信息,其中,所述属性预测模型用于输出预测组合中每个对象的属性以及所述属性的出现概率,其中,所述匹配预测模型为根据训练对象的特征信息训练得到的,所述训练对象的特征信息包括与所述训练对象关联的离线特征信息以及结算特征数据;
确定模块,用于按照预设胜率条件以及所述每种预测组合所对应的第一概率信息,从所述M种预测组合中选择N种预测组合,其中,针对不同连败状态下的被保护对象,确定不同的胜率区间,所述N为大于或等于1,且小于或等于所述M的整数;按照预设属性条件以及所述每种预测组合所对应的第二概率信息,从所述N种预测组合中选择P种预测组合,所述P为大于或等于1,且小于或等于所述N的整数;从所述P种预测组合中获取所述目标匹配结果,以根据不同的胜率区间确定不同的目标匹配结果与预测组合中每个对象的属性以及所述属性的出现概率,以保证不同连败状态下的被保护对象能够在不同的指定胜率区间下取得胜利,并使保护策略具有隐蔽性。
9.根据权利要求8所述的服务器,其特征在于,
所述生成模块,具体用于根据所述第一待匹配对象信息集合获取所述第一对象的总个数;
获取每个待预测小组所包含的对象个数;
根据所述第一对象的总个数以及所述每个待预测小组所包含的对象个数生成所述M种预测组合;
其中,所述M采用如下方式进行计算:
M=C(V*N-X,N-X);
所述M表示所述预测组合的总种数,所述C()表示组合数的计算形式,所述V表示所述待预测小组的个数,所述N表示所述每个待预测小组所包含的对象个数,所述X表示所述第一待匹配对象集合中所述第一对象的总个数。
10.一种服务器,其特征在于,包括:
获取模块,用于获取待训练对象信息集合,其中,所述待训练对象信息集合包括至少一个训练对象信息;
提取模块,用于从所述获取模块获取的所述待训练对象信息集合中提取每个训练对象的特征信息,其中,所述训练对象的特征信息包括与所述训练对象关联的离线特征信息以及结算特征信息;所述离线特征信息包括:近期竞技状态;
生成模块,用于根据所述获取模块获取的所述待训练对象信息集合生成Q种训练样本组合,其中,所述Q为大于或等于1的整数,每种训练样本组合对应于至少两个训练小组;
训练模块,用于对所述每种训练样本组合中所述每个训练对象的所述离线特征信息以及所述结算特征信息进行训练,得到胜率预测模型,其中,所述离线特征信息包括对象的相关信息,所述结算特征信息包括训练样本组合对应的结算数据;对所述每个训练对象的离线特征信息进行训练,得到属性预测模型;根据所述胜率预测模型和所述属性预测模型生成匹配预测模型;
所述胜率预测模型,用于输出所述每种预测组合所对应的第一概率信息,具体用于输出与预测组合对应的胜负概率;所述第一概率信息用于结合预设胜率条件,从所述M种预测组合中选择N种预测组合,其中,针对不同连败状态下的被保护对象,确定不同的胜率区间,所述N为大于或等于1,且小于或等于所述M的整数;所述预测组合为根据被保护对象信息集合与不被保护对象信息集合生成的;
所述属性预测模型,用于输出所述每种预测组合所对应的第二概率信息,具体用于输出预测组合中每个对象的属性以及所述属性的出现概率;所述第二概率信息用于结合预设属性条件,从所述N种预测组合中选择P种预测组合,所述P为大于或等于1,且小于或等于所述N的整数;所述P种预测组合提供目标匹配结果以根据不同的胜率区间与预测组合中每个对象的属性以及所述属性的出现概率确定不同的目标匹配结果,以保证不同连败状态下的被保护对象能够在不同的指定胜率区间下取得胜利,并使保护策略具有隐蔽性。
11.一种服务器,其特征在于,所述服务器包括:存储器、收发器、处理器以及总线系统;
其中,所述存储器用于存储程序;
所述处理器用于执行所述存储器中的程序,包括如下步骤:
获取第一待匹配对象信息集合以及第二待匹配对象信息集合,其中,所述第一待匹配对象信息集合包括至少一个第一对象信息,所述第二待匹配对象信息集合包括至少一个第二对象信息;
根据所述第一待匹配对象信息集合以及第二待匹配对象信息集合,提取每个第一对象的特征信息以及每个第二对象的特征信息,其中,所述第一对象为被保护对象,所述第二对象为不被保护对象;所述特征信息包括实时特征信息和离线特征信息;所述离线特征信息包括:近期竞技状态;
根据所述第一待匹配对象信息集合以及所述第二待匹配对象信息集合,生成M种预测组合,其中,所述M为大于或等于1的整数,每个预测组合对应于至少两个待预测小组;
通过匹配预测模型中的胜率预测模型,获取所述每种预测组合所对应的第一概率信息,其中,胜率预测模型用于输出与预测组合对应的胜负概率;
通过匹配预测模型中的属性预测模型,获取所述每种预测组合所对应的第二概率信息,其中,所述属性预测模型用于输出预测组合中每个对象的属性以及所述属性的出现概率,其中,所述匹配预测模型为根据训练对象的特征信息训练得到的,所述训练对象的特征信息包括与所述训练对象关联的离线特征信息以及结算特征数据;
按照预设胜率条件以及所述每种预测组合所对应的第一概率信息,从所述M种预测组合中选择N种预测组合,其中,针对不同连败状态下的被保护对象,确定不同的胜率区间,所述N为大于或等于1,且小于或等于所述M的整数;
按照预设属性条件以及所述每种预测组合所对应的第二概率信息,从所述N种预测组合中选择P种预测组合,所述P为大于或等于1,且小于或等于所述N的整数;
从所述P种预测组合中获取所述目标匹配结果,以根据不同的胜率区间确定不同的目标匹配结果与预测组合中每个对象的属性以及所述属性的出现概率,以保证不同连败状态下的被保护对象能够在不同的指定胜率区间下取得胜利,并使保护策略具有隐蔽性;
所述总线系统用于连接所述存储器以及所述处理器,以使所述存储器以及所述处理器进行通信。
12.一种服务器,其特征在于,所述服务器包括:存储器、收发器、处理器以及总线系统;
其中,所述存储器用于存储程序;
所述处理器用于执行所述存储器中的程序,包括如下步骤:
获取待训练对象信息集合,其中,所述待训练对象信息集合包括至少一个训练对象信息;
从所述待训练对象信息集合中提取每个训练对象的特征信息,其中,所述训练对象的特征信息包括与所述训练对象关联的离线特征信息以及结算特征信息;所述离线特征信息包括:近期竞技状态;
根据所述待训练对象信息集合生成Q种训练样本组合,其中,所述Q为大于或等于1的整数,每种训练样本组合对应于至少两个训练小组;
对所述每种训练样本组合中所述每个训练对象的所述离线特征信息以及所述结算特征信息进行训练,得到胜率预测模型,其中,所述离线特征信息包括对象的相关信息,所述结算特征信息包括训练样本组合对应的结算数据;
对所述每个训练对象的离线特征信息进行训练,得到属性预测模型;
根据所述胜率预测模型和所述属性预测模型生成匹配预测模型;
所述胜率预测模型,用于输出所述每种预测组合所对应的第一概率信息,具体用于输出与预测组合对应的胜负概率;所述第一概率信息用于结合预设胜率条件,从所述M种预测组合中选择N种预测组合,其中,针对不同连败状态下的被保护对象,确定不同的胜率区间,所述N为大于或等于1,且小于或等于所述M的整数;所述预测组合为根据被保护对象信息集合与不被保护对象信息集合生成的;
所述属性预测模型,用于输出所述每种预测组合所对应的第二概率信息,具体用于输出预测组合中每个对象的属性以及所述属性的出现概率;所述第二概率信息用于结合预设属性条件,从所述N种预测组合中选择P种预测组合,所述P为大于或等于1,且小于或等于所述N的整数;所述P种预测组合提供目标匹配结果以根据不同的胜率区间与预测组合中每个对象的属性以及所述属性的出现概率确定不同的目标匹配结果,以保证不同连败状态下的被保护对象能够在不同的指定胜率区间下取得胜利,并使保护策略具有隐蔽性;
所述总线系统用于连接所述存储器以及所述处理器,以使所述存储器以及所述处理器进行通信。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有程序,所述程序用于使计算机设备执行如权利要求1-2任一项所述的对象匹配的方法,或执行如权利要求3-7任一项所述的模型训练的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811354207.3A CN109453524B (zh) | 2018-11-14 | 2018-11-14 | 一种对象匹配的方法、模型训练的方法及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811354207.3A CN109453524B (zh) | 2018-11-14 | 2018-11-14 | 一种对象匹配的方法、模型训练的方法及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109453524A CN109453524A (zh) | 2019-03-12 |
CN109453524B true CN109453524B (zh) | 2022-05-10 |
Family
ID=65610413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811354207.3A Active CN109453524B (zh) | 2018-11-14 | 2018-11-14 | 一种对象匹配的方法、模型训练的方法及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109453524B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110772797B (zh) * | 2019-10-29 | 2021-09-28 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、服务器及可存储介质 |
CN111185015B (zh) * | 2019-12-17 | 2022-07-08 | 同济大学 | 用于优化十人在线竞技游戏匹配机制的方法 |
CN113457128B (zh) * | 2020-03-15 | 2023-12-08 | 腾讯科技(深圳)有限公司 | 游戏角色对战胜率预测方法、装置 |
CN112245936B (zh) * | 2020-10-30 | 2024-04-16 | 北京达佳互联信息技术有限公司 | 账号匹配方法、装置及服务器 |
CN113413587B (zh) * | 2021-07-02 | 2022-11-15 | 腾讯科技(深圳)有限公司 | 牌类竞技的信息确定方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033487A (zh) * | 2015-03-09 | 2016-10-19 | 腾讯科技(深圳)有限公司 | 用户匹配方法及装置 |
CN107158708A (zh) * | 2016-03-08 | 2017-09-15 | 电子技术公司 | 多玩家视频游戏匹配优化 |
WO2018004812A1 (en) * | 2016-06-30 | 2018-01-04 | Sony Interactive Entertainment Inc. | Automated artificial intelligence (ai) personal assistant |
CN108392828A (zh) * | 2018-03-16 | 2018-08-14 | 深圳冰川网络股份有限公司 | 一种针对moba类游戏的玩家在线匹配方法和系统 |
-
2018
- 2018-11-14 CN CN201811354207.3A patent/CN109453524B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033487A (zh) * | 2015-03-09 | 2016-10-19 | 腾讯科技(深圳)有限公司 | 用户匹配方法及装置 |
CN107158708A (zh) * | 2016-03-08 | 2017-09-15 | 电子技术公司 | 多玩家视频游戏匹配优化 |
WO2018004812A1 (en) * | 2016-06-30 | 2018-01-04 | Sony Interactive Entertainment Inc. | Automated artificial intelligence (ai) personal assistant |
CN108392828A (zh) * | 2018-03-16 | 2018-08-14 | 深圳冰川网络股份有限公司 | 一种针对moba类游戏的玩家在线匹配方法和系统 |
Non-Patent Citations (1)
Title |
---|
面向游戏体验的玩家匹配综述;林昉,高波;《现代计算机》;20130925;正文第3.2节、第4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109453524A (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109453524B (zh) | 一种对象匹配的方法、模型训练的方法及服务器 | |
Drachen et al. | Skill-based differences in spatio-temporal team behaviour in defence of the ancients 2 (dota 2) | |
CN107970608B (zh) | 关卡游戏的设置方法和装置、存储介质、电子装置 | |
Braun et al. | Game data mining: clustering and visualization of online game data in cyber-physical worlds | |
CN109513215B (zh) | 一种对象匹配方法、模型训练方法以及服务器 | |
CN111954564A (zh) | 在球队运动中进行交互的、可说明的且改进的比赛和球员表现预测的方法和系统 | |
Synnaeve et al. | A dataset for StarCraft AI and an example of armies clustering | |
CN107158708A (zh) | 多玩家视频游戏匹配优化 | |
CN111738294B (zh) | Ai模型的训练方法、使用方法、计算机设备及存储介质 | |
CN111841018A (zh) | 模型训练方法、模型使用方法、计算机设备及存储介质 | |
CN111701240B (zh) | 虚拟物品的提示方法、装置、存储介质和电子装置 | |
Perl et al. | Key performance indicators | |
KR101962269B1 (ko) | 게임 평가 장치 및 방법 | |
Viggiato et al. | Trouncing in dota 2: An investigation of blowout matches | |
Smit | A machine learning approach for recommending items in League of Legends | |
Hervert-Escobar et al. | Prediction learning model for soccer matches outcomes | |
Francillette et al. | A players clustering method to enhance the players' experience in multi-player games | |
WO2020157777A2 (en) | A method and system for performing image based analysis of state information of graphical elements of a graphical user interface | |
CN111598234A (zh) | Ai模型的训练方法、使用方法、计算机设备及存储介质 | |
Liu et al. | Player identification from RTS game replays | |
Ghazali et al. | Esports Analytics on PlayerUnknown's Battlegrounds Player Placement Prediction using Machine Learning | |
Tan et al. | Winning rate prediction model based on Monte Carlo tree search for computer Dou Dizhu | |
Oh et al. | Imitation learning for combat system in RTS games with application to starcraft | |
Franco et al. | Towards an interpretable metric for dota 2 players: An unsupervised learning approach | |
Zafar et al. | Identifying catastrophic failures in offline level generation for mario |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |