CN109603159A - 匹配游戏玩家的方法、装置及系统 - Google Patents
匹配游戏玩家的方法、装置及系统 Download PDFInfo
- Publication number
- CN109603159A CN109603159A CN201811549260.9A CN201811549260A CN109603159A CN 109603159 A CN109603159 A CN 109603159A CN 201811549260 A CN201811549260 A CN 201811549260A CN 109603159 A CN109603159 A CN 109603159A
- Authority
- CN
- China
- Prior art keywords
- player
- mentioned
- match
- result
- prediction model
- 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
-
- 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
本发明公开了一种匹配游戏玩家的方法、装置及系统。其中，该方法包括：获取待匹配玩家的画像特征向量；依据上述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，其中，上述匹配范围区间内包括多种上述玩家组合，上述玩家组合包括至少两个上述待匹配玩家；将基于上述预测比赛结果确定的目标玩家组合作为匹配结果，其中，上述目标玩家组合为将上述游戏玩家分成平衡的对抗双方的组合。本发明解决了现有的游戏战斗匹配方案无法兼顾游戏玩家的个体差异和双方队伍的能力平衡的技术问题。
Description
技术领域
本发明涉及游戏技术领域，具体而言，涉及一种匹配游戏玩家的方法、装置及系统。
背景技术
游戏战斗匹配指游戏系统将待比赛玩家群体组队在一起进行比赛的过程，目前游戏战斗匹配主要有以下两种方案：方案一，对特定游戏具备知识和经验的游戏设计人员制定匹配规则，为双方队伍设定限制，然后根据限制条件将待匹配玩家依次分配到两个队伍中去；方案二，利用ELO等级分制度，系统基于玩家的历史战绩为每一个玩家计算一个ELO匹配分，然后基于该团队的所有玩家，得到一个团队的ELO值，通过双方团队的ELO值计算双方的期望胜率，以期望胜率最接近50％的团队组合方案作为匹配结果。
传统的匹配方案在游戏战斗匹配中都取得了一定的成果，但仍存在许多限制：方案一，规则方案很难兼顾玩家的个体差异和双方队伍的能力平衡，也不太可能发现新的优秀阵容。基于规则的方案主观性、设计复杂度很高，对规则设计人员的要求也很高，而且匹配方案难以迁移；方案二，ELO方案由于采取单一分值评估玩家能力的方式，忽略了个体的差异和偏好、队伍内的分工与协同、队伍间不同阵容的对抗等因素对胜利的影响，对胜利的预测会存在一定的偏差。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种匹配游戏玩家的方法、装置及系统，以至少解决现有的游戏战斗匹配方案无法兼顾游戏玩家的个体差异和双方队伍的能力平衡的技术问题。
根据本发明实施例的一个方面，提供了一种匹配游戏玩家的方法，包括：获取待匹配玩家的画像特征向量；依据上述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，其中，上述匹配范围区间内包括多种上述玩家组合，上述玩家组合包括至少两个上述待匹配玩家；将基于上述预测比赛结果确定的目标玩家组合作为匹配结果，其中，上述目标玩家组合为将上述游戏玩家分成平衡的对抗双方的组合。
进一步地，在获取待匹配玩家的画像特征向量之前，上述方法还包括：获取各个比赛场次中游戏玩家的比赛行为和比赛结果，其中，上述游戏玩家至少包括：上述待匹配玩家；依据上述比赛行为和上述比赛结果，确定上述待匹配玩家的画像特征向量；存储上述画像特征向量至目标数据库。
进一步地，获取各个比赛场次中游戏玩家的比赛行为和比赛结果，包括：获取上述各个比赛场次的场终结算日志；基于上述比赛场次的场次编号和上述游戏玩家的用户编号，从上述场终结算日志中获取对应的上述比赛行为和上述比赛结果。
进一步地，获取待匹配玩家的画像特征向量，包括：在接收到游戏服务器发送的待匹配玩家队列的情况下，确定上述待匹配玩家队列中的上述待匹配玩家；从上述目标数据库中获取上述待匹配玩家的画像特征向量。
进一步地，在依据上述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果之前，上述方法还包括：获取训练样本数据，其中，上述训练样本数据至少包括：上述游戏玩家在当前比赛之前的画像特征向量，以及上述游戏玩家在上述当前比赛中的比赛结果；基于上述训练样本数据对基础模型进行训练，得到目标预测模型，其中，上述基础模型至少包括：多层感知器的深度神经网络模型，上述目标预测模型用于基于上述画像特征向量预测上述每种玩家组合的比赛结果。
进一步地，依据上述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，包括：基于队伍平衡策略确定用于匹配游戏玩家的上述匹配范围区间，其中，上述队伍平衡策略的目标为将上述游戏玩家分成平衡的对抗双方；采用上述目标预测模型依据上述画像特征向量，对上述匹配范围区间内的每种玩家组合的比赛结果进行预测，得到上述预测比赛结果。
进一步地，上述游戏玩家包括：第一类玩家和第二类玩家，上述训练样本数据包括：基于上述第一类玩家确定的第一训练样本数据，基于上述第二类玩家确定的第二训练样本数据。
进一步地，基于上述训练样本数据对基础模型进行训练，得到目标预测模型，包括：采用上述多层感知器的深度神经网络模型作为上述基础模型，其中，上述深度神经网络模型中至少设置有两层隐层；通过将上述第一训练样本数据和上述第二训练样本数据顺序输入至上述深度神经网络模型的输入层，对上述深度神经网络模型进行训练得到上述目标预测模型。
进一步地，上述目标预测模型包括以下至少之一：胜负预测模型、分差预测模型、胶着程度预测模型；其中，上述胜负预测模型用于预测比赛双方中的一方相对于另一方的胜率，上述胶着程度预测模型用于预测比赛双方的实力差值是否落在合理范围内，上述分差预测模型用于预测上述比赛双方中的一方的得分与另一方的得分之间的分差。
进一步地，在上述目标预测模型为上述胜负预测模型的情况下，在对上述深度神经网络模型进行训练得到上述目标预测模型之后，上述方法还包括：获取模型训练集中的扩增数据集，其中，上述扩增数据集中至少包括：上述胜负预测模型未正确预测的比赛场次的数据；基于上述扩增数据集对上述胜负预测模型进行重新训练；依据重新训练后的上述胜负预测模型迭代当前上线服务的胜负预测模型。
进一步地，在上述目标预测模型为上述胶着程度预测模型或上述分差预测模型的情况下，在对上述深度神经网络模型进行训练得到上述目标预测模型之后，上述方法还包括：获取模型训练集中的新增数据集，其中，上述新增数据集中至少包括：上述胶着程度预测模型或上述分差预测模型预测的全部比赛场次的数据；基于上述新增数据集对上述胶着程度预测模型进行重新训练，或基于上述新增数据集对上述分差预测模型进行重新训练；依据重新训练后的上述胶着程度预测模型迭代当前上线服务的胶着程度预测模型，或依据重新训练后的上述分差预测模型迭代当前上线服务的分差预测模型。
根据本发明实施例的另一方面，还提供了一种匹配游戏玩家的系统，包括：数据处理模块，用于获取各个比赛场次中游戏玩家的比赛行为和比赛结果，其中，上述游戏玩家至少包括：待匹配玩家；并依据上述比赛行为和上述比赛结果，确定上述待匹配玩家的画像特征向量；匹配模块，用于获取上述画像特征向量，依据上述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，将基于上述预测比赛结果确定的目标玩家组合作为匹配结果，其中，上述匹配范围区间内包括多种上述玩家组合，上述玩家组合包括至少两个上述待匹配玩家；上述目标玩家组合为将上述游戏玩家分成平衡的对抗双方的组合。
进一步地，上述系统还包括：预测模型训练模块，与上述数据处理模块连接，用于获取训练样本数据，其中，上述训练样本数据至少包括：上述游戏玩家在当前比赛之前的画像特征向量，以及上述游戏玩家在上述当前比赛中的比赛结果；基于上述训练样本数据对基础模型进行训练，得到目标预测模型，其中，上述基础模型至少包括：多层感知器的深度神经网络模型，上述目标预测模型用于基于上述画像特征向量预测上述每种玩家组合的比赛结果。
进一步地，上述匹配模块还用于基于队伍平衡策略确定用于匹配游戏玩家的上述匹配范围区间，其中，上述队伍平衡策略的目标为将上述游戏玩家分成平衡的对抗双方；采用上述目标预测模型依据上述画像特征向量，对上述匹配范围区间内的每种玩家组合的比赛结果进行预测。
进一步地，上述系统还包括：分析模块，与上述匹配模块连接，用于依据游戏日志中记录的场次结算信息，分析匹配游戏玩家的系统的运行状态。
根据本发明实施例的另一方面，还提供了一种匹配游戏玩家的装置，包括：获取单元，用于获取待匹配玩家的画像特征向量；预测单元，用于依据上述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，其中，上述匹配范围区间内包括多种上述玩家组合，上述玩家组合包括至少两个上述待匹配玩家；确定单元，用于将基于上述预测比赛结果确定的目标玩家组合作为匹配结果，其中，上述目标玩家组合为将上述游戏玩家分成平衡的对抗双方的组合。
根据本发明实施例的另一方面，还提供了一种存储介质，上述存储介质包括存储的程序，其中，在上述程序运行时控制上述存储介质所在设备执行任意一项上述的匹配游戏玩家的方法。
根据本发明实施例的另一方面，还提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行任意一项上述的匹配游戏玩家的方法。
在本发明实施例中，通过获取待匹配玩家的画像特征向量；依据上述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，其中，上述匹配范围区间内包括多种上述玩家组合，上述玩家组合包括至少两个上述待匹配玩家；将基于上述预测比赛结果确定的目标玩家组合作为匹配结果，其中，上述目标玩家组合为将上述游戏玩家分成平衡的对抗双方的组合，达到了兼顾游戏玩家的个体差异和双方队伍的能力平衡的目的，从而实现了更准确高效地将一定数量的游戏玩家分成人数相等、实力相当的两支队伍的技术效果，进而解决了现有的游戏战斗匹配方案无法兼顾游戏玩家的个体差异和双方队伍的能力平衡的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种匹配游戏玩家的方法的流程图；
图2是根据本发明实施例的一种可选的匹配游戏玩家的方法的流程图；
图3是根据本发明实施例的一种可选的胜负预测模型的示意图；
图4是根据本发明实施例的另一种可选的胜负预测模型的示意图；
图5是根据本发明实施例的一种匹配游戏玩家的系统的结构示意图；
图6是根据本发明实施例的一种匹配游戏玩家的系统的结构示意图；以及
图7是根据本发明实施例的一种匹配游戏玩家的装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，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”等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。
在体育竞技游戏(SPG)、多人联机在线竞技游戏(MOBA)、大型多人在线角色扮演游戏(MMORPG)中均存在大量的玩家对战玩家PVP的场景，在这些PVP场景中，系统需要对战斗双方的玩家进行匹配，分别组成一定人数的队伍，并让玩家队伍之间进行比赛。其中，最常见的PVP战斗匹配模式是将一定数量的玩家分成人数相等的两支队伍，让两支队伍相互战斗，战斗匹配决定了玩家的队友和对手队伍组成，直接影响两支队伍在对战中的表现和玩家在PVP战斗中的游戏体验。
根据本发明实施例，提供了一种匹配游戏玩家的方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种匹配游戏玩家的方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取待匹配玩家的画像特征向量；
步骤S102，依据上述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，其中，上述匹配范围区间内包括多种上述玩家组合，上述玩家组合包括至少两个上述待匹配玩家；
步骤S102，将基于上述预测比赛结果确定的目标玩家组合作为匹配结果，其中，上述目标玩家组合为将上述游戏玩家分成平衡的对抗双方的组合。
可选的，上述画像特征向量可以但不限于包括：长期画像特征向量和短期画像特征向量，需要说明的是，上述长期画像特征向量与短期画像特征向量相对而言，具体期限可以根据实际情况进行设置。
需要说明的是，在本申请实施例中，通过获取待匹配玩家的画像特征向量，该画像特征向量是针对用户的画像信息(即每个用户不同),而不是针对游戏中设计的角色的画像信息，可以充分考虑不同待匹配玩家之间的差异，进而依据上述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，根据预测结果挑选双方实力最平衡的目标玩家组合作为战斗匹配的匹配结果。
在本申请实施例中，可以在接收到游戏服务器发送的待匹配玩家队列的情况下，确定上述待匹配玩家队列中的上述待匹配玩家，从上述目标数据库中获取上述待匹配玩家的画像特征向量；并基于队伍平衡策略确定用于匹配游戏玩家的上述匹配范围区间，其中，上述队伍平衡策略的目标为将上述游戏玩家分成平衡的对抗双方；采用上述目标预测模型依据上述画像特征向量，对上述匹配范围区间内的每种玩家组合的比赛结果进行预测，得到上述预测比赛结果；将基于上述预测比赛结果确定的目标玩家组合作为匹配结果，其中，上述目标玩家组合为将上述游戏玩家分成平衡的对抗双方的组合。
在上述实施例中，首先可以基于游戏玩家的基本角色信息，例如，角色职业、角色选取偏好等等，通过专家设置的队伍平衡策略，将待匹配玩家分成一些合理的玩家组合，这些合理的玩家组合匹配范围区间内，然后利用深度神经网络对上述玩家组合进行比赛结果的预测，根据预测结果挑选双方实力最平衡的目标玩家组合作为战斗匹配的匹配结果。
需要说明的是，本申请上述实施例中的匹配游戏玩家的方法，可以在玩家对战玩家PVP的场景下实现，以解决游戏中游戏玩家匹配双方实力均衡的问题，具体为一种基于玩家长短期行为画像以及深度神经网络的游戏战斗匹配方案，本申请实施例可以通过海量的游戏日志数据和AI技术，建立基于队伍中各玩家历史行为画像信息的队伍比赛结果预测模型，在满足队伍平衡条件以及在尽量少的人为规则下，通过预测模型选取更加平衡的团队组合方式(目标玩家组合)作为匹配结果，本申请方案在实现的过程中包含了游戏玩家多个维度的属性，可以更好地考虑各个游戏玩家的操作偏好、操作能力、长期表现、近期表现以及队友之间的配合因素、不同队伍之间的对抗因素，同时也具有很好的扩展性和应用能力。
在本发明实施例中，通过获取待匹配玩家的画像特征向量；依据上述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，其中，上述匹配范围区间内包括多种上述玩家组合，上述玩家组合包括至少两个上述待匹配玩家；将基于上述预测比赛结果确定的目标玩家组合作为匹配结果，其中，上述目标玩家组合为将上述游戏玩家分成平衡的对抗双方的组合，达到了兼顾游戏玩家的个体差异和双方队伍的能力平衡的目的，从而实现了更准确高效地将一定数量的游戏玩家分成人数相等、实力相当的两支队伍的技术效果，进而解决了现有的游戏战斗匹配方案无法兼顾游戏玩家的个体差异和双方队伍的能力平衡的技术问题。
在一种可选的实施例中，图2是根据本发明实施例的一种可选的匹配游戏玩家的方法的流程图，如图2所示，在获取待匹配玩家的画像特征向量之前，上述方法还包括：
步骤S202，获取各个比赛场次中游戏玩家的比赛行为和比赛结果，其中，上述游戏玩家至少包括：上述待匹配玩家；
步骤S204，依据上述比赛行为和上述比赛结果，确定上述待匹配玩家的画像特征向量；
步骤S206，存储上述画像特征向量至目标数据库。
在上述可选的实施例中，在数据采集和用户画像维护过程中，可以游戏日志中提取各个比赛场次中每个游戏玩家的比赛行为和比赛结果，依据上述比赛行为和上述比赛结果，确定待匹配玩家的画像特征向量，例如：长期画像特征向量和短期画像特征向量，并存储上述画像特征向量至目标数据库。
在一种可选的实施例中，获取各个比赛场次中游戏玩家的比赛行为和比赛结果，包括：
步骤S302，获取上述各个比赛场次的场终结算日志；
步骤S304，基于上述比赛场次的场次编号和上述游戏玩家的用户编号，从上述场终结算日志中获取对应的上述比赛行为和上述比赛结果。
在本申请实施例中，通过设置触发条件(例如，游戏比赛结束)，实时捕捉游戏中各个比赛场次的场终结算日志，然后基于游戏中比赛场次的场次编号和游戏玩家的用户编号，获取每个游戏玩家在当场比赛的比赛结果和比赛过程中的比赛行为。
当游戏日志中接收到新的比赛场次的场终结算日志时，可以自动收集与该场比赛相关的玩家结算日志和游戏玩家在游戏内的行为日志，并触发游戏玩家的实时画像计算服务，上述游戏玩家的画像内容包括：角色基本信息、基础操作画像、操作偏好画像、战斗倾向画像、配合意愿画像、消极比赛画像等等，并根据游戏玩家在不同职业/队伍分工角色上的表现，对的画像特征向量进行更细粒度的刻画。
在本申请实施例中，匹配游戏玩家的系统可以从以下角度对游戏玩家进行画像，作为后续为游戏玩家进行匹配的依据：
角色基本信息：包括了游戏玩家的等级、拥有的装备和额外属性加成的物品；
对当前PVP玩法的偏好画像：包括了游戏玩家在该PVP玩法中的参与次数；在可自由选择职业/角色的PVP玩法中还包括了游戏玩家在每个职业/角色上的参与场次数；
战绩画像：包括了该游戏玩家的胜利场次数、失败场次数，各个技能/操作的场均使用次数、平均数值以及平均成功率；在可自由选择职业/角色的PVP玩法中针对游戏玩家在每个职业/角色分别记录前述战绩信息；
行为画像：记录了游戏玩家在每场比赛中的比赛行为序列，包括位置的移动、技能的使用顺序和时间等完整的行为记录，然后通过神经网络等模型方法对玩家的比赛行为序列进行提取，行为画像通常反映了游戏玩家的操作偏好，如技能组合、套路、对特定情况的反应和处理，和操作能力和操作意识，如走位，以及游戏玩家的战斗倾向，如保守型、攻击型等。此外，上述行为画像还可以反映游戏玩家对队友的配合意愿，也可以反映游戏玩家是否故意消极比赛。
需要说明的是，在本申请实施例中，可以根据游戏玩家在不同的职业/队伍分工进行更详细的计算。以本申请实施例中的游戏比赛为SPG游戏潮人篮球为例，游戏玩家的画像特征向量可以包括每个玩家分别在C、SF、SG、PF、PG五个位置上的画像特征向量，以及玩家在所有位置上的综合画像特征向量。而对于不能自由选择游戏角色的玩法，如MMORPG类游戏中的多数PVP玩法，我们会根据玩家的固定职业计算画像，并同时对游戏玩家的职业进行标记。
在本申请实施例中，当比赛结算触发了日志收集时，这场比赛对应的玩家比赛前画像信息也会从比赛的匹配日志中提取出来。结合日志中提取的玩家组队信息，可以由单个游戏玩家的画像信息，计算每场游戏开始前的两支队伍各自的综合画像信息。
需要注意的是，由于本申请实施例中的匹配游戏玩家的系统是通过待匹配玩家的画像特征向量来预测可能的比赛结果，因此，在历史的比赛场次中也是提取待匹配玩家的当场赛前画像，结合当场比赛的结果来进行模型训练的，而与待匹配玩家在当场比赛中的选择与操作无关。
在一种可选的实施例中，获取待匹配玩家的画像特征向量，包括：
步骤S402，在接收到游戏服务器发送的待匹配玩家队列的情况下，确定上述待匹配玩家队列中的上述待匹配玩家；
步骤S404，从上述目标数据库中获取上述待匹配玩家的画像特征向量。
由于，目标数据库中存储有上述待匹配玩家的画像特征向量，在上述可选的实施例中，可以从游戏服务器实时接收待匹配玩家队列，在接收到游戏服务器发送的待匹配玩家队列的情况下，确定上述待匹配玩家队列中的上述待匹配玩家，可以从上述目标数据库中获取上述待匹配玩家的画像特征向量。
在一种可选的实施例中，在依据上述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果之前，上述方法还包括：
步骤S502，获取训练样本数据，其中，上述训练样本数据至少包括：上述游戏玩家在当前比赛之前的画像特征向量，以及上述游戏玩家在上述当前比赛中的比赛结果；
步骤S504，基于上述训练样本数据对基础模型进行训练，得到目标预测模型，其中，上述基础模型至少包括：多层感知器的深度神经网络模型，上述目标预测模型用于基于上述画像特征向量预测上述每种玩家组合的比赛结果。
在上述可选的实施例中，上述训练样本数据至少包括：上述游戏玩家在当前比赛之前的画像特征向量，以及上述游戏玩家在上述当前比赛中的比赛结果。
在采集完成训练数据集之后，可以基于上述训练样本数据对由画像特征向量来预测比赛结果的基础模型进行离线训练，得到目标预测模型。
在一种可选的实施例中，上述目标预测模型包括以下至少之一：胜负预测模型、分差预测模型、胶着程度预测模型；其中，上述胜负预测模型用于预测比赛双方中的一方相对于另一方的胜率，上述胶着程度预测模型用于预测比赛双方的实力差值是否落在合理范围内，上述分差预测模型用于预测上述比赛双方中的一方的得分与另一方的得分之间的分差。
在经过线下训练模块训练完成目标预测模型之后，可以将其部署到线上，以进行线上的实时匹配计算，在一种可选的实施例中，当游戏服务器的玩家匹配池推送一批将进行同场竞技的玩家ID到匹配服务器时，即触发匹配计算，目标为尽可能将这批玩家分成平衡的对抗双方。并且，在接收到玩家ID后，匹配服务器可以从目标数据库提取玩家的战绩画像和行为画像相关数据，提供后续的计算。在获取待匹配玩家的信息后，匹配服务器可以根据事先设定的队伍平衡策略，例如，篮球游戏会要求保证每支队伍中都至少存在一个内线偏好玩家和一个外线偏好玩家，MMORPG类游戏会要求保证一些特殊职业的玩家在双方队伍中先进行平衡，再考虑其它职业的玩家等等，获取在平衡策略限制下的所有可行玩家组合。
以上述比赛为篮球比赛为例，则在平衡策略限制下的所有可行玩家组合可以如下表1所示：
基于上述所有的可行玩家组合，将待匹配玩家信息输入目标预测模型，对各个组合的比赛结果进行预测。在线上使用时，匹配服务器可以根据设定的方案调用比例，随机调用其中一种预测模型，对所有的组合方案进行预测。通过比较不同方案的预测结果，挑选最优组合，例如，如果调用的是胜负预测模型，则胜率最接近0.5的玩家组合为最优组合；如果调用的是胶着程度预测模型，则“胶着”程度最大的玩家组合为最优组合；如果调用的是分差预测模型，则预测分差绝对值最小的玩家组合为最优组合。
在一种可选的实施例中，依据上述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，包括：
步骤S602，基于队伍平衡策略确定用于匹配游戏玩家的上述匹配范围区间，其中，上述队伍平衡策略的目标为将上述游戏玩家分成平衡的对抗双方；
步骤S604，采用上述目标预测模型依据上述画像特征向量，对上述匹配范围区间内的每种玩家组合的比赛结果进行预测，得到上述预测比赛结果。
在上述可选的实施例中，上述队伍平衡策略的目标为将上述游戏玩家分成平衡的对抗双方：例如，篮球游戏会要求保证每支队伍中都至少存在一个内线偏好玩家和一个外线偏好玩家，MMORPG类游戏会要求保证一些特殊职业的玩家在双方队伍中先进行平衡，再考虑其它职业的玩家等等，获取在队伍平衡策略限制下的所有可行玩家组合。
在一种可选的实施例中，上述游戏玩家包括：第一类玩家和第二类玩家，上述训练样本数据包括：基于上述第一类玩家确定的第一训练样本数据，基于上述第二类玩家确定的第二训练样本数据。
可选的，上述第一类玩家可以为比赛中赢的一方，上述第二类玩家可以为比赛中输的一方。
在本申请实施例中，对游戏中的每一场比赛，可以将胜负双方队伍的画像特征向量和比赛结果进行匹配。从每一场比赛中，可以获取两个训练样本数据，针对第一类玩家以及第二类玩家，可以根据不同的输入顺序分别构建一条训练样本数据，即：基于上述第一类玩家确定的第一训练样本数据，基于上述第二类玩家确定的第二训练样本数据。
在一种可选的实施例中，基于上述训练样本数据对基础模型进行训练，得到目标预测模型，包括：
步骤S702，采用上述多层感知器的深度神经网络模型作为上述基础模型，其中，上述深度神经网络模型中至少设置有两层隐层；
步骤S704，通过将上述第一训练样本数据和上述第二训练样本数据顺序输入至上述深度神经网络模型的输入层，对上述深度神经网络模型进行训练得到上述目标预测模型。
作为一种可选的实施例，以上述目标预测模型为胜负预测模型为例，可以采用多层感知器(Multi-layer perceptron)的深度神经网络模型作为队伍胜利预测的基本模型，在基本模型中可以使用了两层隐层，上述两层隐层中包括的神经元的数量可以相同或不同，可选的，在本申请实施例中，上述两层隐层神经元的数量可以但不限于分别为64、32，每个神经元的非线性激活函数采用Relu函数。
在上述可选的实施例中，通过将上述第一训练样本数据和上述第二训练样本数据顺序输入至上述深度神经网络模型的输入层的神经元，对上述深度神经网络模型进行训练得到上述目标预测模型。
图3是根据本发明实施例的一种可选的胜负预测模型的示意图，如图3所示，以队伍1的长期画像特征向量和短期画像特征向量为第一训练样本数据，以队伍2的长期画像特征向量和短期画像特征向量为第二训练样本数据为例，可以将两支队伍(队伍1和队伍2)的长期画像特征向量和短期画像特征向量按顺序连结作为深度神经网络模型的输入，对队伍1的胜负情况进行预测。其中，在训练过程中，每个批处理的大小可以设定为128个，迭代次数的大小可以为100。
对胜负预测模型(例如，可以为一种二分类模型)而言，在本申请实施例中，可以但不限于记胜利为1，失败为0，该模型的输出可以为一个介于0到1之间的值，这个数值就是队伍1在面对队伍2时的期望胜率。
需要说明的是，除了引入玩家长、短期画像特征向量之外，本申请实施例还可以引入玩家长短期基本的行为画像，构建了图4所示的深度神经网络模型：
以图4所示中的玩家A为例进行玩家表征学习，通过对玩家A的表征综合考量其倒数第1至n场比赛(历史最近n场次)的比赛结果(战绩画像)以及行为序列(行为画像)，并且，本申请实施例引入了处理序列数据的神经网络RNN来进行序列建模，同时对每场行为序列(行为表征)以及每场比赛结果(战绩表征)进行拼接，并按照场次输入到另一个RNN中；其他玩家的表征学习的计算方式与玩家A的计算方式相同或相似。最后可以参考基础模型结构构建一个基于MLP的拓展深度神经网络来对本场比赛的胜负进行预测。
在一种可选的实施例中，在上述目标预测模型为上述胜负预测模型的情况下，在对上述深度神经网络模型进行训练得到上述目标预测模型之后，上述方法还包括：
步骤S802，获取模型训练集中的扩增数据集，其中，上述扩增数据集中至少包括：上述胜负预测模型未正确预测的比赛场次的数据；
步骤S804，基于上述扩增数据集对上述胜负预测模型进行重新训练；
步骤S806，依据重新训练后的上述胜负预测模型迭代当前上线服务的胜负预测模型。
需要说明的是，在目标预测模型训练完成并上线服务后，还可以定期对目标预测模块进行迭代更新。
作为一种可选的实施方式，可以首先采集前一天的数据，找出前一天的比赛中双方比分差值大于X的所有场次，即出现了战斗情况一边倒的场次，则认为这些场次是当前的模型没能正确预测的场次，这些场次所构成的数据集即是需要加入模型训练集中对模型进行迭代的扩增数据集。上述阈值X可以由专家根据经验与实际观察进行设定，本申请实施例并不限定。在本申请实施例中，在获取上述扩增数据集后，重新训练并迭代当前上线服务的胜负预测模型。
此外，对于那些双方比分差值小于X的场次，则认为是当前模型正确预测的，而这些场次由于双方比赛比较胶着，实际的胜负结果具有很强的随机性，因此不用于扩增数据集。
在实际线上服务中，随着匹配方案的迭代更新，双方分差落在X分内的场次会变多，数据集的扩增会趋缓，考虑到胜负预测模型在迭代过程中存在的这一限制，本申请实施例还提出了另外两种目标预测提模型，即分差预测模型、胶着程度预测模型。
在一种可选的实施例中，在上述目标预测模型为上述胶着程度预测模型或上述分差预测模型的情况下，在对上述深度神经网络模型进行训练得到上述目标预测模型之后，上述方法还包括：
步骤S902，获取模型训练集中的新增数据集，其中，上述新增数据集中至少包括：上述胶着程度预测模型或上述分差预测模型预测的全部比赛场次的数据；
步骤S904，基于上述新增数据集对上述胶着程度预测模型进行重新训练，或基于上述新增数据集对上述分差预测模型进行重新训练；
步骤S906，依据重新训练后的上述胶着程度预测模型迭代当前上线服务的胶着程度预测模型，或依据重新训练后的上述分差预测模型迭代当前上线服务的分差预测模型。
由于胜负预测模型在扩增数据集时存在限制，并且，考虑到本申请实施例的匹配方案以划分同一场次内玩家，使双方队伍的实力平衡为目标，因此可以不对双方的实力进行准确的刻画和结果预测，而以双方实力差是否落在合理范围内进行预测。根据前述专家经验，本申请实施例以双方分差绝对值落在X范围内的场次为合理的“胶着”场次，为比赛双方分配合理的场次。
对“胶着”与否的二分类模型而言，记分差小于X的场次为1，否则为0，该模型的输出会是一个介于0到1之间的值，这个数值就是队伍1与队伍2时进行比赛时的期望“胶着”程度。
需要说明的是，在模型结构设计上，胶着预测模型的基础模型以及加入玩家行为序列画像的模型均可以与胜负预测模型结构相同。并且，胶着预测模型没有扩增数据集的数据限制，可以快速获取新的数据集，完成模型迭代更新。
此外，本申请实施例中，还存在一种针对比赛分差预测的回归模型，即：分差预测模型。分差预测模型的基础模型结构与胜负预测模型相同，但最后的输出层拟合的不是胜负结果1/0，而是队伍1获得的得分减去队伍2获得的得分，加入玩家行为序列画像的模型结构同理。并且，与胶着预测模型一样，分差预测模型没有扩增数据集的数据限制，而且不需要专家设定阈值X，同样可以快速获取新的数据集，完成模型迭代更新。
在本申请实施例中，通过玩家历史表现和偏好来预测不同的玩家分组情况下双方的能力对比，可以更准确高效地将一定数量的玩家分成人数相等、实力相当的两支队伍。该方法相比传统的专家规则方案，可以减少大量人工的参与，也减少了规则对双方匹配阵容的限制；相比ELO方案加入了更多玩家属性维度的考虑，同时加入了玩家长期实力和短期状态的考虑，模型能够更好地刻画和利用玩家综合状态，更高效地完成玩家分队的任务。
根据本发明实施例，还提供了一种用于实施上述匹配游戏玩家的系统的实施例，图5是根据本发明实施例的一种匹配游戏玩家的系统的结构示意图，如图5所示，上述匹配游戏玩家的系统，包括：数据处理模块50和匹配模块52，其中：
数据处理模块50，用于获取各个比赛场次中游戏玩家的比赛行为和比赛结果，其中，上述游戏玩家至少包括：待匹配玩家；并依据上述比赛行为和上述比赛结果，确定上述待匹配玩家的画像特征向量；匹配模块52，用于获取上述画像特征向量，依据上述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，将基于上述预测比赛结果确定的目标玩家组合作为匹配结果，其中，上述匹配范围区间内包括多种上述玩家组合，上述玩家组合包括至少两个上述待匹配玩家；上述目标玩家组合为将上述游戏玩家分成平衡的对抗双方的组合。
在一种可选的实施例中，图6是根据本发明实施例的一种可选的匹配游戏玩家的系统的结构示意图，如图6所示，上述系统还包括：预测模型训练模块54，与上述数据处理模块50连接，用于获取训练样本数据，其中，上述训练样本数据至少包括：上述游戏玩家在当前比赛之前的画像特征向量，以及上述游戏玩家在上述当前比赛中的比赛结果；基于上述训练样本数据对基础模型进行训练，得到目标预测模型，其中，上述基础模型至少包括：多层感知器的深度神经网络模型，上述目标预测模型用于基于上述画像特征向量预测上述每种玩家组合的比赛结果。
在一种可选的实施例中，上述匹配模块52还用于基于队伍平衡策略确定用于匹配游戏玩家的上述匹配范围区间，其中，上述队伍平衡策略的目标为将上述游戏玩家分成平衡的对抗双方；采用上述目标预测模型依据上述画像特征向量，对上述匹配范围区间内的每种玩家组合的比赛结果进行预测。
在一种可选的实施例中，仍如图6所示，上述系统还包括：分析模块56，与上述匹配模块52连接，用于依据游戏日志中记录的场次结算信息，分析匹配游戏玩家的系统的运行状态。
可选的，上述分析模块56可以依据游戏日志中记录的场次结算信息，获取使用匹配游戏玩家的系统进行匹配游戏玩家的场次的第一比赛数据，以及未使用匹配游戏玩家的系统进行匹配游戏玩家的场次的第二比赛数据，其中，上述第一比赛数据和第二比赛数据均可以但不限于包括：比赛分差均值、比赛分差方差、调用率、游戏内专有指标等。
通过在前端展示上述第一比赛数据和第二比赛数据，以及上述第一比赛数据和第二比赛数据之间的比较结果，并依据上述第一比赛数据和第二比赛数据，以及上述比较结果，可视化分析匹配游戏玩家的系统的运行状态。
需要说明的是，本申请中的图5至图6中所示匹配游戏玩家的系统的具体结构仅是示意，在具体应用时，本申请中的匹配游戏玩家的系统可以比图5至图6所示的匹配游戏玩家的系统具有多或少的结构。
需要说明的是，上述实施例1中的任意一种可选的或优选的匹配游戏玩家的方法，均可以在本实施例所提供的匹配游戏玩家的系统中执行或实现。
此外，仍需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
根据本发明实施例，还提供了一种用于实施上述匹配游戏玩家的方法的装置实施例，图7是根据本发明实施例的一种匹配游戏玩家的装置的结构示意图，如图7所示，上述匹配游戏玩家的装置，包括：获取单元70、预测单元72和确定单元74，其中：
获取单元70，用于获取待匹配玩家的画像特征向量；预测单元72，用于依据上述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，其中，上述匹配范围区间内包括多种上述玩家组合，上述玩家组合包括至少两个上述待匹配玩家；确定单元74，用于将基于上述预测比赛结果确定的目标玩家组合作为匹配结果，其中，上述目标玩家组合为将上述游戏玩家分成平衡的对抗双方的组合。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是，上述获取单元70、预测单元72和确定单元74对应于实施例1中的步骤S102至步骤S106，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。
需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
上述的匹配游戏玩家的装置还可以包括处理器和存储器，上述获取单元70、预测单元72和确定单元74等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元，上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
根据本申请实施例，还提供了一种存储介质实施例。可选地，在本实施例中，上述存储介质包括存储的程序，其中，在上述程序运行时控制上述存储介质所在设备执行上述任意一种匹配游戏玩家的方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中，上述存储介质包括存储的程序。
可选地，在程序运行时控制存储介质所在设备执行以下功能：获取待匹配玩家的画像特征向量；依据上述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，其中，上述匹配范围区间内包括多种上述玩家组合，上述玩家组合包括至少两个上述待匹配玩家；将基于上述预测比赛结果确定的目标玩家组合作为匹配结果，其中，上述目标玩家组合为将上述游戏玩家分成平衡的对抗双方的组合。
可选地，在程序运行时控制存储介质所在设备执行以下功能：获取各个比赛场次中游戏玩家的比赛行为和比赛结果，其中，上述游戏玩家至少包括：上述待匹配玩家；依据上述比赛行为和上述比赛结果，确定上述待匹配玩家的画像特征向量；存储上述画像特征向量至目标数据库。
可选地，在程序运行时控制存储介质所在设备执行以下功能：获取上述各个比赛场次的场终结算日志；基于上述比赛场次的场次编号和上述游戏玩家的用户编号，从上述场终结算日志中获取对应的上述比赛行为和上述比赛结果。
可选地，在程序运行时控制存储介质所在设备执行以下功能：在接收到游戏服务器发送的待匹配玩家队列的情况下，确定上述待匹配玩家队列中的上述待匹配玩家；从上述目标数据库中获取上述待匹配玩家的画像特征向量。
可选地，在程序运行时控制存储介质所在设备执行以下功能：获取训练样本数据，其中，上述训练样本数据至少包括：上述游戏玩家在当前比赛之前的画像特征向量，以及上述游戏玩家在上述当前比赛中的比赛结果；基于上述训练样本数据对基础模型进行训练，得到目标预测模型，其中，上述基础模型至少包括：多层感知器的深度神经网络模型，上述目标预测模型用于基于上述画像特征向量预测上述每种玩家组合的比赛结果。
可选地，在程序运行时控制存储介质所在设备执行以下功能：基于队伍平衡策略确定用于匹配游戏玩家的上述匹配范围区间，其中，上述队伍平衡策略的目标为将上述游戏玩家分成平衡的对抗双方；采用上述目标预测模型依据上述画像特征向量，对上述匹配范围区间内的每种玩家组合的比赛结果进行预测，得到上述预测比赛结果。
可选地，在程序运行时控制存储介质所在设备执行以下功能：采用上述多层感知器的深度神经网络模型作为上述基础模型，其中，上述深度神经网络模型中至少设置有两层隐层；通过将上述第一训练样本数据和上述第二训练样本数据顺序输入至上述深度神经网络模型的输入层，对上述深度神经网络模型进行训练得到上述目标预测模型。
可选地，在程序运行时控制存储介质所在设备执行以下功能：获取模型训练集中的扩增数据集，其中，上述扩增数据集中至少包括：上述胜负预测模型未正确预测的比赛场次的数据；基于上述扩增数据集对上述胜负预测模型进行重新训练；依据重新训练后的上述胜负预测模型迭代当前上线服务的胜负预测模型。
可选地，在程序运行时控制存储介质所在设备执行以下功能：获取模型训练集中的新增数据集，其中，上述新增数据集中至少包括：上述胶着程度预测模型或上述分差预测模型预测的全部比赛场次的数据；基于上述新增数据集对上述胶着程度预测模型进行重新训练，或基于上述新增数据集对上述分差预测模型进行重新训练；依据重新训练后的上述胶着程度预测模型迭代当前上线服务的胶着程度预测模型，或依据重新训练后的上述分差预测模型迭代当前上线服务的分差预测模型。
根据本申请实施例，还提供了一种处理器实施例。可选地，在本实施例中，上述处理器用于运行程序，其中，上述程序运行时执行上述任意一种匹配游戏玩家的方法。
本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取待匹配玩家的画像特征向量；依据上述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，其中，上述匹配范围区间内包括多种上述玩家组合，上述玩家组合包括至少两个上述待匹配玩家；将基于上述预测比赛结果确定的目标玩家组合作为匹配结果，其中，上述目标玩家组合为将上述游戏玩家分成平衡的对抗双方的组合。
可选地，上述处理器执行程序时，还可以获取各个比赛场次中游戏玩家的比赛行为和比赛结果，其中，上述游戏玩家至少包括：上述待匹配玩家；依据上述比赛行为和上述比赛结果，确定上述待匹配玩家的画像特征向量；存储上述画像特征向量至目标数据库。
可选地，上述处理器执行程序时，还可以获取上述各个比赛场次的场终结算日志；基于上述比赛场次的场次编号和上述游戏玩家的用户编号，从上述场终结算日志中获取对应的上述比赛行为和上述比赛结果。
可选地，上述处理器执行程序时，还可以在接收到游戏服务器发送的待匹配玩家队列的情况下，确定上述待匹配玩家队列中的上述待匹配玩家；从上述目标数据库中获取上述待匹配玩家的画像特征向量。
可选地，上述处理器执行程序时，还可以获取训练样本数据，其中，上述训练样本数据至少包括：上述游戏玩家在当前比赛之前的画像特征向量，以及上述游戏玩家在上述当前比赛中的比赛结果；基于上述训练样本数据对基础模型进行训练，得到目标预测模型，其中，上述基础模型至少包括：多层感知器的深度神经网络模型，上述目标预测模型用于基于上述画像特征向量预测上述每种玩家组合的比赛结果。
可选地，上述处理器执行程序时，还可以基于队伍平衡策略确定用于匹配游戏玩家的上述匹配范围区间，其中，上述队伍平衡策略的目标为将上述游戏玩家分成平衡的对抗双方；采用上述目标预测模型依据上述画像特征向量，对上述匹配范围区间内的每种玩家组合的比赛结果进行预测，得到上述预测比赛结果。
可选地，上述处理器执行程序时，还可以采用上述多层感知器的深度神经网络模型作为上述基础模型，其中，上述深度神经网络模型中至少设置有两层隐层；通过将上述第一训练样本数据和上述第二训练样本数据顺序输入至上述深度神经网络模型的输入层，对上述深度神经网络模型进行训练得到上述目标预测模型。
可选地，上述处理器执行程序时，还可以获取模型训练集中的扩增数据集，其中，上述扩增数据集中至少包括：上述胜负预测模型未正确预测的比赛场次的数据；基于上述扩增数据集对上述胜负预测模型进行重新训练；依据重新训练后的上述胜负预测模型迭代当前上线服务的胜负预测模型。
可选地，上述处理器执行程序时，还可以获取模型训练集中的新增数据集，其中，上述新增数据集中至少包括：上述胶着程度预测模型或上述分差预测模型预测的全部比赛场次的数据；基于上述新增数据集对上述胶着程度预测模型进行重新训练，或基于上述新增数据集对上述分差预测模型进行重新训练；依据重新训练后的上述胶着程度预测模型迭代当前上线服务的胶着程度预测模型，或依据重新训练后的上述分差预测模型迭代当前上线服务的分差预测模型。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取待匹配玩家的画像特征向量；依据上述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，其中，上述匹配范围区间内包括多种上述玩家组合，上述玩家组合包括至少两个上述待匹配玩家；将基于上述预测比赛结果确定的目标玩家组合作为匹配结果，其中，上述目标玩家组合为将上述游戏玩家分成平衡的对抗双方的组合。
可选地，上述计算机程序产品执行程序时，还可以获取各个比赛场次中游戏玩家的比赛行为和比赛结果，其中，上述游戏玩家至少包括：上述待匹配玩家；依据上述比赛行为和上述比赛结果，确定上述待匹配玩家的画像特征向量；存储上述画像特征向量至目标数据库。
可选地，上述计算机程序产品执行程序时，还可以获取上述各个比赛场次的场终结算日志；基于上述比赛场次的场次编号和上述游戏玩家的用户编号，从上述场终结算日志中获取对应的上述比赛行为和上述比赛结果。
可选地，上述计算机程序产品执行程序时，还可以在接收到游戏服务器发送的待匹配玩家队列的情况下，确定上述待匹配玩家队列中的上述待匹配玩家；从上述目标数据库中获取上述待匹配玩家的画像特征向量。
可选地，上述计算机程序产品执行程序时，还可以获取训练样本数据，其中，上述训练样本数据至少包括：上述游戏玩家在当前比赛之前的画像特征向量，以及上述游戏玩家在上述当前比赛中的比赛结果；基于上述训练样本数据对基础模型进行训练，得到目标预测模型，其中，上述基础模型至少包括：多层感知器的深度神经网络模型，上述目标预测模型用于基于上述画像特征向量预测上述每种玩家组合的比赛结果。
可选地，上述计算机程序产品执行程序时，还可以基于队伍平衡策略确定用于匹配游戏玩家的上述匹配范围区间，其中，上述队伍平衡策略的目标为将上述游戏玩家分成平衡的对抗双方；采用上述目标预测模型依据上述画像特征向量，对上述匹配范围区间内的每种玩家组合的比赛结果进行预测，得到上述预测比赛结果。
可选地，上述计算机程序产品执行程序时，还可以采用上述多层感知器的深度神经网络模型作为上述基础模型，其中，上述深度神经网络模型中至少设置有两层隐层，；通过将上述第一训练样本数据和上述第二训练样本数据顺序输入至上述深度神经网络模型的输入层，对上述深度神经网络模型进行训练得到上述目标预测模型。
可选地，上述计算机程序产品执行程序时，还可以获取模型训练集中的扩增数据集，其中，上述扩增数据集中至少包括：上述胜负预测模型未正确预测的比赛场次的数据；基于上述扩增数据集对上述胜负预测模型进行重新训练；依据重新训练后的上述胜负预测模型迭代当前上线服务的胜负预测模型。
可选地，上述计算机程序产品执行程序时，还可以获取模型训练集中的新增数据集，其中，上述新增数据集中至少包括：上述胶着程度预测模型或上述分差预测模型预测的全部比赛场次的数据；基于上述新增数据集对上述胶着程度预测模型进行重新训练，或基于上述新增数据集对上述分差预测模型进行重新训练；依据重新训练后的上述胶着程度预测模型迭代当前上线服务的胶着程度预测模型，或依据重新训练后的上述分差预测模型迭代当前上线服务的分差预测模型。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (18)
1.一种匹配游戏玩家的方法，其特征在于，包括：
获取待匹配玩家的画像特征向量；
依据所述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，其中，所述匹配范围区间内包括多种所述玩家组合，所述玩家组合包括至少两个所述待匹配玩家；
将基于所述预测比赛结果确定的目标玩家组合作为匹配结果，其中，所述目标玩家组合为将所述游戏玩家分成平衡的对抗双方的组合。
2.根据权利要求1所述的方法，其特征在于，在获取待匹配玩家的画像特征向量之前，所述方法还包括：
获取各个比赛场次中游戏玩家的比赛行为和比赛结果，看其中，所述游戏玩家至少包括：所述待匹配玩家；
依据所述比赛行为和所述比赛结果，确定所述待匹配玩家的画像特征向量；
存储所述画像特征向量至目标数据库。
3.根据权利要求2所述的方法，其特征在于，获取各个比赛场次中游戏玩家的比赛行为和比赛结果，包括：
获取所述各个比赛场次的场终结算日志；
基于所述比赛场次的场次编号和所述游戏玩家的用户编号，从所述场终结算日志中获取对应的所述比赛行为和所述比赛结果。
4.根据权利要求2所述的方法，其特征在于，获取待匹配玩家的画像特征向量，包括：
在接收到游戏服务器发送的待匹配玩家队列的情况下，确定所述待匹配玩家队列中的所述待匹配玩家；
从所述目标数据库中获取所述待匹配玩家的画像特征向量。
5.根据权利要求1所述的方法，其特征在于，在依据所述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果之前，所述方法还包括：
获取训练样本数据，其中，所述训练样本数据至少包括：所述游戏玩家在当前比赛之前的画像特征向量，以及所述游戏玩家在所述当前比赛中的比赛结果；
基于所述训练样本数据对基础模型进行训练，得到目标预测模型，其中，所述基础模型至少包括：多层感知器的深度神经网络模型，所述目标预测模型用于基于所述画像特征向量预测所述每种玩家组合的比赛结果。
6.根据权利要求5所述的方法，其特征在于，依据所述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，包括：
基于队伍平衡策略确定用于匹配游戏玩家的所述匹配范围区间，其中，所述队伍平衡策略的目标为将所述游戏玩家分成平衡的对抗双方；
采用所述目标预测模型依据所述画像特征向量，对所述匹配范围区间内的每种玩家组合的比赛结果进行预测，得到所述预测比赛结果。
7.根据权利要求5所述的方法，其特征在于，所述游戏玩家包括：第一类玩家和第二类玩家，所述训练样本数据包括：基于所述第一类玩家确定的第一训练样本数据，基于所述第二类玩家确定的第二训练样本数据。
8.根据权利要求7所述的方法，其特征在于，基于所述训练样本数据对基础模型进行训练，得到目标预测模型，包括：
采用所述多层感知器的深度神经网络模型作为所述基础模型，其中，所述深度神经网络模型中至少设置有两层隐层；
通过将所述第一训练样本数据和所述第二训练样本数据顺序输入至所述深度神经网络模型的输入层，对所述深度神经网络模型进行训练得到所述目标预测模型。
9.根据权利要求8所述的方法，其特征在于，所述目标预测模型包括以下至少之一：胜负预测模型、分差预测模型、胶着程度预测模型；其中，所述胜负预测模型用于预测比赛双方中的一方相对于另一方的胜率，所述胶着程度预测模型用于预测比赛双方的实力差值是否落在合理范围内，所述分差预测模型用于预测所述比赛双方中的一方的得分与另一方的得分之间的分差。
10.根据权利要求9所述的方法，其特征在于，在所述目标预测模型为所述胜负预测模型的情况下，在对所述深度神经网络模型进行训练得到所述目标预测模型之后，所述方法还包括：
获取模型训练集中的扩增数据集，其中，所述扩增数据集中至少包括：所述胜负预测模型未正确预测的比赛场次的数据；
基于所述扩增数据集对所述胜负预测模型进行重新训练；
依据重新训练后的所述胜负预测模型迭代当前上线服务的胜负预测模型。
11.根据权利要求9所述的方法，其特征在于，在所述目标预测模型为所述胶着程度预测模型或所述分差预测模型的情况下，在对所述深度神经网络模型进行训练得到所述目标预测模型之后，所述方法还包括：
获取模型训练集中的新增数据集，其中，所述新增数据集中至少包括：所述胶着程度预测模型或所述分差预测模型预测的全部比赛场次的数据；
基于所述新增数据集对所述胶着程度预测模型进行重新训练，或基于所述新增数据集对所述分差预测模型进行重新训练；
依据重新训练后的所述胶着程度预测模型迭代当前上线服务的胶着程度预测模型，或依据重新训练后的所述分差预测模型迭代当前上线服务的分差预测模型。
12.一种匹配游戏玩家的系统，其特征在于，包括：
数据处理模块，用于获取各个比赛场次中游戏玩家的比赛行为和比赛结果，其中，所述游戏玩家至少包括：待匹配玩家；并依据所述比赛行为和所述比赛结果，确定所述待匹配玩家的画像特征向量；
匹配模块，用于获取所述画像特征向量，依据所述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，将基于所述预测比赛结果确定的目标玩家组合作为匹配结果，其中，所述匹配范围区间内包括多种所述玩家组合，所述玩家组合包括至少两个所述待匹配玩家；所述目标玩家组合为将所述游戏玩家分成平衡的对抗双方的组合。
13.根据权利要求12所述的系统，其特征在于，所述系统还包括：
预测模型训练模块，与所述数据处理模块连接，用于获取训练样本数据，其中，所述训练样本数据至少包括：所述游戏玩家在当前比赛之前的画像特征向量，以及所述游戏玩家在所述当前比赛中的比赛结果；基于所述训练样本数据对基础模型进行训练，得到目标预测模型，其中，所述基础模型至少包括：多层感知器的深度神经网络模型，所述目标预测模型用于基于所述画像特征向量预测所述每种玩家组合的比赛结果。
14.根据权利要求13所述的系统，其特征在于，所述匹配模块还用于基于队伍平衡策略确定用于匹配游戏玩家的所述匹配范围区间，其中，所述队伍平衡策略的目标为将所述游戏玩家分成平衡的对抗双方；采用所述目标预测模型依据所述画像特征向量，对所述匹配范围区间内的每种玩家组合的比赛结果进行预测。
15.根据权利要求12所述的系统，其特征在于，所述系统还包括：
分析模块，与所述匹配模块连接，用于依据游戏日志中记录的场次结算信息，分析匹配游戏玩家的系统的运行状态。
16.一种匹配游戏玩家的装置，其特征在于，包括：
获取单元，用于获取待匹配玩家的画像特征向量；
预测单元，用于依据所述画像特征向量预测匹配范围区间内的每种玩家组合的比赛结果，得到预测比赛结果，其中，所述匹配范围区间内包括多种所述玩家组合，所述玩家组合包括至少两个所述待匹配玩家；
确定单元，用于将基于所述预测比赛结果确定的目标玩家组合作为匹配结果，其中，所述目标玩家组合为将所述游戏玩家分成平衡的对抗双方的组合。
17.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至11中任意一项所述的匹配游戏玩家的方法。
18.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至11中任意一项所述的匹配游戏玩家的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811549260.9A CN109603159A (zh) | 2018-12-18 | 2018-12-18 | 匹配游戏玩家的方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811549260.9A CN109603159A (zh) | 2018-12-18 | 2018-12-18 | 匹配游戏玩家的方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109603159A true CN109603159A (zh) | 2019-04-12 |
Family
ID=66009766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811549260.9A Pending CN109603159A (zh) | 2018-12-18 | 2018-12-18 | 匹配游戏玩家的方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109603159A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110503459A (zh) * | 2019-07-19 | 2019-11-26 | 平安科技（深圳）有限公司 | 基于大数据的用户信用度评估方法、装置及存储介质 |
| CN110772797A (zh) * | 2019-10-29 | 2020-02-11 | 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 |
| CN111318025A (zh) * | 2020-02-07 | 2020-06-23 | 网易（杭州）网络有限公司 | 游戏对象的匹配方法、装置、电子设备及计算机可读介质 |
| CN111494961A (zh) * | 2020-04-10 | 2020-08-07 | 网易（杭州）网络有限公司 | 网络游戏的检测方法、装置及电子设备 |
| CN111888769A (zh) * | 2020-08-11 | 2020-11-06 | 网易（杭州）网络有限公司 | 一种群组推荐方法、装置、电子设备及存储介质 |
| CN111905377A (zh) * | 2020-08-20 | 2020-11-10 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、设备及存储介质 |
| CN112044080A (zh) * | 2020-10-13 | 2020-12-08 | 腾讯科技（深圳）有限公司 | 一种虚拟对象的管理方法以及相关装置 |
| CN112245936A (zh) * | 2020-10-30 | 2021-01-22 | 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 |
| CN112402986A (zh) * | 2020-11-19 | 2021-02-26 | 腾讯科技（深圳）有限公司 | 一种对战游戏中强化学习模型的训练方法及装置 |
| CN112402982A (zh) * | 2020-02-13 | 2021-02-26 | 上海哔哩哔哩科技有限公司 | 基于机器学习的用户作弊行为检测方法和系统 |
| CN112642160A (zh) * | 2021-01-22 | 2021-04-13 | 江苏比夫电竞数字科技有限公司 | 一种基于大数据分析的电子竞技服务管理系统 |
| CN113058253A (zh) * | 2021-03-25 | 2021-07-02 | 中国科学技术大学 | 一种建模合作竞争效应的比赛预测方法及装置 |
| CN113111225A (zh) * | 2021-03-28 | 2021-07-13 | 根尖体育科技（北京）有限公司 | 用于篮球赛事的自动匹配组队方法 |
| CN113750540A (zh) * | 2021-09-17 | 2021-12-07 | 腾讯科技(成都)有限公司 | 游戏匹配方法、装置、存储介质及计算机程序产品 |
| CN115212576A (zh) * | 2022-09-20 | 2022-10-21 | 腾讯科技（深圳）有限公司 | 游戏数据处理方法、装置、设备以及存储介质 |
| CN117180730A (zh) * | 2023-09-08 | 2023-12-08 | 广州火石传娱科技有限公司 | 一种应用于图像定位的玩具枪系统处理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170053498A1 (en) * | 2006-01-10 | 2017-02-23 | Winview, Inc. | Method of and system for conducting multiple contests of skill with a single perfomance |
| 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 |
| CN107837532A (zh) * | 2017-11-16 | 2018-03-27 | 腾讯科技（上海）有限公司 | 用户匹配方法、装置、服务器以及存储介质 |
| CN108066990A (zh) * | 2016-11-18 | 2018-05-25 | 腾讯科技（深圳）有限公司 | 一种从候选用户列表中选择用户的方法、装置及服务器 |
| 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 |
| CN108970124A (zh) * | 2018-07-05 | 2018-12-11 | 腾讯科技（深圳）有限公司 | 组队匹配方法、装置、系统及可读介质 |
-
2018
- 2018-12-18 CN CN201811549260.9A patent/CN109603159A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170053498A1 (en) * | 2006-01-10 | 2017-02-23 | Winview, Inc. | Method of and system for conducting multiple contests of skill with a single perfomance |
| 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 |
| CN108066990A (zh) * | 2016-11-18 | 2018-05-25 | 腾讯科技（深圳）有限公司 | 一种从候选用户列表中选择用户的方法、装置及服务器 |
| CN107837532A (zh) * | 2017-11-16 | 2018-03-27 | 腾讯科技（上海）有限公司 | 用户匹配方法、装置、服务器以及存储介质 |
| 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 |
| CN108970124A (zh) * | 2018-07-05 | 2018-12-11 | 腾讯科技（深圳）有限公司 | 组队匹配方法、装置、系统及可读介质 |
Non-Patent Citations (1)
| Title |
|---|
| 林昉、高波: ""面向游戏体验的玩家匹配综述"", 《现代计算机》 * |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110503459B (zh) * | 2019-07-19 | 2023-09-15 | 平安科技（深圳）有限公司 | 基于大数据的用户信用度评估方法、装置及存储介质 |
| CN110503459A (zh) * | 2019-07-19 | 2019-11-26 | 平安科技（深圳）有限公司 | 基于大数据的用户信用度评估方法、装置及存储介质 |
| CN110772797A (zh) * | 2019-10-29 | 2020-02-11 | 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 |
| 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 |
| CN111318025A (zh) * | 2020-02-07 | 2020-06-23 | 网易（杭州）网络有限公司 | 游戏对象的匹配方法、装置、电子设备及计算机可读介质 |
| CN111318025B (zh) * | 2020-02-07 | 2023-04-14 | 网易（杭州）网络有限公司 | 游戏对象的匹配方法、装置、电子设备及计算机可读介质 |
| CN112402982A (zh) * | 2020-02-13 | 2021-02-26 | 上海哔哩哔哩科技有限公司 | 基于机器学习的用户作弊行为检测方法和系统 |
| CN112402982B (zh) * | 2020-02-13 | 2022-12-23 | 上海哔哩哔哩科技有限公司 | 基于机器学习的用户作弊行为检测方法和系统 |
| CN111494961A (zh) * | 2020-04-10 | 2020-08-07 | 网易（杭州）网络有限公司 | 网络游戏的检测方法、装置及电子设备 |
| CN111494961B (zh) * | 2020-04-10 | 2023-04-07 | 网易（杭州）网络有限公司 | 网络游戏的检测方法、装置及电子设备 |
| CN111888769B (zh) * | 2020-08-11 | 2024-02-09 | 网易（杭州）网络有限公司 | 一种群组推荐方法、装置、电子设备及存储介质 |
| CN111888769A (zh) * | 2020-08-11 | 2020-11-06 | 网易（杭州）网络有限公司 | 一种群组推荐方法、装置、电子设备及存储介质 |
| CN111905377A (zh) * | 2020-08-20 | 2020-11-10 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、设备及存储介质 |
| CN111905377B (zh) * | 2020-08-20 | 2021-12-10 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、设备及存储介质 |
| CN112044080A (zh) * | 2020-10-13 | 2020-12-08 | 腾讯科技（深圳）有限公司 | 一种虚拟对象的管理方法以及相关装置 |
| CN112245936A (zh) * | 2020-10-30 | 2021-01-22 | 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 |
| 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 |
| CN112402986A (zh) * | 2020-11-19 | 2021-02-26 | 腾讯科技（深圳）有限公司 | 一种对战游戏中强化学习模型的训练方法及装置 |
| CN112642160A (zh) * | 2021-01-22 | 2021-04-13 | 江苏比夫电竞数字科技有限公司 | 一种基于大数据分析的电子竞技服务管理系统 |
| CN113058253B (zh) * | 2021-03-25 | 2022-03-01 | 中国科学技术大学 | 一种建模合作竞争效应的比赛预测方法及装置 |
| CN113058253A (zh) * | 2021-03-25 | 2021-07-02 | 中国科学技术大学 | 一种建模合作竞争效应的比赛预测方法及装置 |
| CN113111225A (zh) * | 2021-03-28 | 2021-07-13 | 根尖体育科技（北京）有限公司 | 用于篮球赛事的自动匹配组队方法 |
| CN113750540A (zh) * | 2021-09-17 | 2021-12-07 | 腾讯科技(成都)有限公司 | 游戏匹配方法、装置、存储介质及计算机程序产品 |
| CN113750540B (zh) * | 2021-09-17 | 2023-08-18 | 腾讯科技(成都)有限公司 | 游戏匹配方法、装置、存储介质及计算机程序产品 |
| CN115212576A (zh) * | 2022-09-20 | 2022-10-21 | 腾讯科技（深圳）有限公司 | 游戏数据处理方法、装置、设备以及存储介质 |
| CN115212576B (zh) * | 2022-09-20 | 2022-12-02 | 腾讯科技（深圳）有限公司 | 游戏数据处理方法、装置、设备以及存储介质 |
| CN117180730A (zh) * | 2023-09-08 | 2023-12-08 | 广州火石传娱科技有限公司 | 一种应用于图像定位的玩具枪系统处理方法及系统 |
| CN117180730B (zh) * | 2023-09-08 | 2024-03-19 | 广州火石传娱科技有限公司 | 一种应用于图像定位的玩具枪系统处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109603159A (zh) | 匹配游戏玩家的方法、装置及系统 | |
| Vinyals et al. | Starcraft ii: A new challenge for reinforcement learning | |
| CN109513215B (zh) | 一种对象匹配方法、模型训练方法以及服务器 | |
| CN107970608B (zh) | 关卡游戏的设置方法和装置、存储介质、电子装置 | |
| CN109499068B (zh) | 对象的控制方法和装置、存储介质、电子装置 | |
| Gray et al. | Human-level performance in no-press diplomacy via equilibrium search | |
| KR20210028728A (ko) | 가상 환경에서 가상 객체를 스케줄링하기 위한 방법, 장치 및 디바이스 | |
| Chen et al. | Eomm: An engagement optimized matchmaking framework | |
| CN109806588A (zh) | 属性值的恢复方法和装置、存储介质、电子装置 | |
| Van Hoorn et al. | Hierarchical controller learning in a first-person shooter | |
| CN110152304A (zh) | 获胜值的确定方法及装置、存储介质及电子装置 | |
| CN112891942B (zh) | 获取虚拟道具的方法、装置、设备及介质 | |
| CN109718558A (zh) | 游戏信息的确定方法和装置、存储介质、电子装置 | |
| CN109821244A (zh) | 游戏数据处理方法、装置、存储介质和电子装置 | |
| CN109453524A (zh) | 一种对象匹配的方法、模型训练的方法及服务器 | |
| CN116956007A (zh) | 人工智能模型的预训练方法、装置、设备及存储介质 | |
| Hajibagheri et al. | Conflict and communication in massively-multiplayer online games | |
| CN113509726A (zh) | 交互模型训练方法、装置、计算机设备和存储介质 | |
| Perez-Liebana et al. | Introducing real world physics and macro-actions to general video game AI | |
| Dehpanah et al. | Evaluating team skill aggregation in online competitive games | |
| Ruela et al. | Procedural generation of non-player characters in massively multiplayer online strategy games | |
| CN108939542A (zh) | 竞技分数调整方法、装置、服务器及存储介质 | |
| CN115944921A (zh) | 游戏数据处理方法、装置、设备及介质 | |
| CN108926844A (zh) | 信息的展示方法和装置、存储介质、电子装置 | |
| Green et al. | Predicting personas using mechanic frequencies and game state traces |
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 |