CN109814955B

CN109814955B - 阵容确定的方法、装置及电子设备

Info

Publication number: CN109814955B
Application number: CN201910049327.0A
Authority: CN
Inventors: 范奇; 张力柯; 潘晖; 荆彦青
Original assignee: Tencent Technology Shenzhen Co Ltd
Current assignee: Tencent Technology Shenzhen Co Ltd
Priority date: 2019-01-18
Filing date: 2019-01-18
Publication date: 2021-10-08
Anticipated expiration: 2039-01-18
Also published as: CN109814955A

Abstract

本申请实施例提供了一种阵容确定的方法、装置及电子设备。应用于游戏技术领域，该方法包括：获取游戏玩家角色列表中各个角色分别对应的角色信息，然后基于各个角色分别对应的角色信息，并通过角色阵容选择模型，确定为游戏玩家推荐的出场阵容，角色阵容选择模型为基于模拟对战生成的数据和/或线上玩家真实对战数据进行训练得到的。本申请实施例提供的阵容确定的方法、装置及电子设备实现了基于训练的模型确定为游戏玩家推荐的出场阵容，提高了为游戏玩家推荐出场阵容的准确度，提升了用户体验。

Description

阵容确定的方法、装置及电子设备

技术领域

本申请涉及游戏技术领域，具体而言，本申请涉及一种阵容确定的方法、装置及电子设备。

背景技术

随着信息技术的发展，网络游戏以及手机游戏随之发展，在游戏中比较常见也是比较考验玩家技术的问题即确定出场阵容，目前的一些游戏中可以为游戏玩家推荐出场阵容。

现有技术中，为游戏玩家推荐出场阵容的方式主要包括：基于策划经验确定几组默认出场阵容，并为游戏玩家推荐；或者对线上玩家的出场阵容进行统计，确定出线上玩家使用较多的几种出场阵容，并为游戏玩家推荐出场阵容。

然而，当通过经验为游戏玩家推荐出场阵容，或者通过对线上玩家的数据统计，为游戏玩家推荐出场阵容时，由于不同的游戏玩家拥有的游戏数据均不同，例如，拥有的角色种类以及角色数量，仅是根据经验或者游戏玩家的总体表现，为游戏玩家推荐出场阵容，从而导致为游戏玩家推荐出场阵容的准确度较低，进而导致游戏玩家的体验较差。

发明内容

本申请提供了一种阵容确定的方法、装置、电子设备及计算机可读存储介质，可以解决为游戏玩家推荐出场阵容的准确度较低以及游戏玩家的体验较差的问题。技术方案如下：

第一方面，提供了一种阵容确定的方法，该方法包括：

获取游戏玩家角色列表中各个角色分别对应的角色信息；

基于各个角色分别对应的角色信息，并通过角色阵容选择模型，确定为游戏玩家推荐的出场阵容，角色阵容选择模型为基于模拟对战生成的数据和/或线上玩家真实对战数据进行训练得到的。

在一种可能的实现方式中，角色阵容选择模型包括以下任一项：

角色强弱判断模型和阵容强弱判定模型；

阵容强弱判定模型；

基于各个角色分别对应的角色信息，并通过角色阵容选择模型，确定为游戏玩家推荐的出场阵容，包括以下任一项：

基于各个角色分别对应的角色信息，并通过角色强弱判断模型以及阵容强弱判定模型，确定为游戏玩家推荐的出场阵容；

基于各个角色分别对应的角色信息，并通过阵容强弱判定模型，确定为游戏玩家推荐的出场阵容。

在一种可能的实现方式中，基于各个角色分别对应的角色信息，并通过角色强弱判断模型以及阵容强弱判定模型，确定为游戏玩家推荐的出场阵容，包括：

基于各个角色分别对应的角色信息，并通过角色强弱判断模型，从各个角色中确定第一预设数量的角色；

基于第一预设数量的角色对应的角色信息，并通过阵容强弱判定模型，确定为游戏玩家推荐的出场阵容。

在一种可能的实现方式中，基于各个角色分别对应的角色信息，并通过角色强弱判断模型，从各个角色中确定第一预设数量的角色，包括以下任一项：

基于各个角色分别对应的角色信息，并通过角色强弱判断模型，确定按照角色强度由强到弱排名前第一预设数量的角色；

将各个角色分别对应的角色信息，按照角色类型进行划分，针对任一角色类型，将属于该角色类型的各个角色对应的角色信息输入角色强弱判断模型，得到各个角色类型分别对应的第二预设数量的角色，任一角色类型对应的第二预设数量的角色为该角色类型中按照角色强度由强到弱排名前第二预设数量的角色。

在一种可能的实现方式中，基于第一预设数量的角色对应的角色信息，并通过阵容强弱判定模型，确定为游戏玩家推荐的出场阵容，之前还包括：

基于第一预设数量的角色对应的角色信息，确定第三预设数量的候选阵容，任一候选阵容中包括：多个角色分别对应的角色信息；

基于第一预设数量的角色对应的角色信息，并通过阵容强弱判定模型，确定为游戏玩家推荐的出场阵容，包括：

基于第三预设数量的候选阵容，并通过阵容强弱判定模型确定为游戏玩家推荐的出场阵容。

在一种可能的实现方式中，基于各个角色分别对应的角色信息，并通过阵容强弱判定模型，确定为游戏玩家推荐的出场阵容，包括：

基于各个角色分别对应的角色信息，确定第四预设数量的候选阵容，任一候选阵容包括：多个角色分别对应的角色信息；

基于第四预设数量的候选阵容，并通过阵容强弱判定模型确定为游戏玩家推荐的出场阵容。

在一种可能的实现方式中，角色信息包括以下至少一项：

属性信息；主动技能信息；被动技能信息。

在一种可能的实现方式中，基于各个角色分别对应的角色信息，并通过角色阵容选择模型，确定出场阵容，之前还包括：

获取基于模拟对战生成的数据和/或线上玩家真实对战数据作为样本数据；

基于样本数据，训练角色阵容选择模型。

在一种可能的实现方式中，基于样本数据，训练模型，包括以下至少一项：

基于多个第一样本数据，训练角色强弱判断模型，任一第一样本数据包括：任一角色对应的角色信息以及对战中任一角色对应的胜率；

基于多个第二样本数据，训练阵容强弱判定模型，任一第二样本数据包括：阵容信息以及对战中该阵容信息对应的胜率，阵容信息包括多个角色分别对应角色信息。

在一种可能的实现方式中，基于多个第一样本数据，训练角色强弱判断模型，包括：

从各个角色分别对应的属性信息中分别提取角色属性特征，并从各个角色分别对应的主动技能信息以及被动技能信息中提取技能特征信息；

基于各个角色分别对应的角色属性特征、各个角色分别对应的技能特征信息以及各个角色分别对应的胜率，训练角色强弱判断模型。

在一种可能的实现方式中，阵容强弱判定模型包括：第一子模型以及第二子模型；

基于多个第二样本数据，训练阵容强弱判定模型，包括：

将多个第二样本数据通过第一子模型进行角色特征提取，得到多个阵容分别对应的特征信息，任一阵容对应的特征向量中包括该阵容中各个角色分别对应的角色属性特征以及技能特征信息；

基于提取到的多个阵容分别对应的特征信息，训练第二子模型；

第一子模型与角色强弱判断模型的结构相同。

在一种可能的实现方式中，该方法还包括：当检测到预设触发条件时，更新角色阵容选择模型对应的权重信息；

预设触发条件包括以下至少一项：

达到预设间隔时间；达到预设时间点；获取到预设数量的样本数据；线上玩家修改为游戏玩家推荐的出场阵容的次数达到预设阈值。

在一种可能的实现方式中，更新角色阵容选择模型对应的权重信息，包括以下任一项：

基于玩家历史对战数据以及样本数据，更新角色阵容选择模型对应的权重信息；

基于玩家历史对战数据，更新角色阵容选择模型对应的权重信息。

第二方面，提供了一种阵容确定的装置，该装置包括：

第一获取模块，用于获取游戏玩家角色列表中各个角色分别对应的角色信息；

第一确定模块，用于基于第一获取模块获取到的各个角色分别对应的角色信息，并通过角色阵容选择模型，确定为游戏玩家推荐的出场阵容，角色阵容选择模型为基于模拟对战生成的数据和/或线上玩家真实对战数据进行训练得到的。

角色强弱判断模型和阵容强弱判定模型；

阵容强弱判定模型；

第一确定模块，具体用于基于各个角色分别对应的角色信息，并通过角色强弱判断模型以及阵容强弱判定模型，确定为游戏玩家推荐的出场阵容，或者，基于各个角色分别对应的角色信息，并通过阵容强弱判定模型，确定为游戏玩家推荐的出场阵容。

在一种可能的实现方式中，第一确定模块，具体用于基于各个角色分别对应的角色信息，并通过角色强弱判断模型，从各个角色中确定第一预设数量的角色；

第一确定模块，具体还用于基于第一预设数量的角色对应的角色信息，并通过阵容强弱判定模型，确定为游戏玩家推荐的出场阵容。

在一种可能的实现方式中，第一确定模块，具体还用于基于各个角色分别对应的角色信息，并通过角色强弱判断模型，确定按照角色强度由强到弱排名前第一预设数量的角色，或者将各个角色分别对应的角色信息，按照角色类型进行划分，针对任一角色类型，将属于该角色类型的各个角色对应的角色信息输入角色强弱判断模型，得到各个角色类型分别对应的第二预设数量的角色，任一角色类型对应的第二预设数量的角色为该角色类型中按照角色强度由强到弱排名前第二预设数量的角色。

在一种可能的实现方式中，该装置还包括：第二确定模块；

第二确定模块，用于基于第一预设数量的角色对应的角色信息，确定第三预设数量的候选阵容，任一候选阵容中包括：多个角色分别对应的角色信息；

第一确定模块，具体用于基于第二确定模块确定的第三预设数量的候选阵容，并通过阵容强弱判定模型确定为游戏玩家推荐的出场阵容。

在一种可能的实现方式中，第一确定模块，具体用于基于各个角色分别对应的角色信息，确定第四预设数量的候选阵容，任一候选阵容包括：多个角色分别对应的角色信息；

第一确定模块，具体还用于基于第四预设数量的候选阵容，并通过阵容强弱判定模型确定为游戏玩家推荐的出场阵容。

在一种可能的实现方式中，角色信息包括以下至少一项：

属性信息；主动技能信息；被动技能信息。

在一种可能的实现方式中，该装置还包括：第二获取模块、训练模块；

第二获取模块，用于获取基于模拟对战生成的数据和/或线上玩家真实对战数据作为样本数据；

训练模块，用于基于第二获取模块获取到的样本数据，训练角色阵容选择模型。

在一种可能的实现方式中，训练模块包括：第一训练单元和/或第二训练单元；

第一训练单元，用于基于多个第一样本数据，训练角色强弱判断模型，任一第一样本数据包括：任一角色对应的角色信息以及对战中任一角色对应的胜率；

第二训练单元，用于基于多个第二样本数据，训练阵容强弱判定模型，任一第二样本数据包括：阵容信息以及对战中该阵容信息对应的胜率，阵容信息包括多个角色分别对应角色信息。

在一种可能的实现方式中，第一训练单元包括：第一提取子单元、第一训练子单元；

第一提取子单元，用于从各个角色分别对应的属性信息中分别提取角色属性特征，并从各个角色分别对应的主动技能信息以及被动技能信息中提取技能特征信息；

第一训练子单元，用于基于各个角色分别对应的角色属性特征、各个角色分别对应的技能特征信息以及各个角色分别对应的胜率，训练角色强弱判断模型。

第二训练单元，包括：第二提取子单元、第二训练子单元；

第二提取子单元，用于将多个第二样本数据通过第一子模型进行角色特征提取，得到多个阵容分别对应的特征信息，任一阵容对应的特征向量中包括该阵容中各个角色分别对应的角色属性特征以及技能特征信息；

第二训练子单元，用于基于提取到的多个阵容分别对应的特征信息，训练第二子模型；

第一子模型与角色强弱判断模型的结构相同。

在一种可能的实现方式中，该装置还包括：更新模块；

更新模块，用于当检测到预设触发条件时，更新角色阵容选择模型对应的权重信息；

预设触发条件包括以下至少一项：

在一种可能的实现方式中，更新模块，具体用于基于玩家历史对战数据以及样本数据，更新角色阵容选择模型对应的权重信息，或者，基于玩家历史对战数据，更新角色阵容选择模型对应的权重信息。

第三方面，提供了一种电子设备，该电子设备包括：一个或多个处理器；

存储器；

一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行根据第一方面或者第一方面任一可能的实现方式所示的阵容确定的方法。

第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面或者第一方面任一可能的实现方式所示的阵容确定的方法。

本申请提供的技术方案带来的有益效果是：

本申请提供了一种阵容确定的方法、装置、电子设备及计算机可读存储介质，与现有技术相比，本申请为游戏玩家推荐的出场阵容时，是基于游戏玩家当前角色列表中实际的角色信息确定的，并且确定为用户推荐出场阵容的确定模型也是基于模拟对战生成的数据和/或线上玩家真实对战数据进行训练得到的，即为游戏玩家推荐出场阵容是基于游戏玩家的当前的真实游戏数据进行推荐的，而不是仅仅基于经验或者是基于对线上玩家的出场阵容进行统计确定的，从而可以提高为游戏玩家推荐出场阵容的准确度，进而可以提升游戏玩家的体验。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。

图1为本申请实施例提供的一种阵容确定的方法流程示意图；

图2为本申请实施例提供的一种阵容确定的装置结构示意图；

图3为本申请实施例提供的一种阵容确定的电子设备的结构示意图；

图4为本申请实施例提供的游戏玩家请求给出推荐阵容的示例图；

图5为本申请实施例提供的阵容确定的方法的场景结构图；

图6为本申请实施例中一种基于角色阵容选择模型确定为游戏玩家推荐的出场阵容的示意图；

图7为本申请实施例提供的训练角色阵容选择模型的方法的场景结构图；

图8为本申请实施例中训练角色阵容选择模型的方法流程示意图；

图9为本申请实施例中根据阵容类型组合生成角色阵容的示意图；

图10为本申请实施例中基于模拟对战生成样本数据的示意图；

图11为本申请实施例中对角色的技能特征进行稀疏向量化的示意图；

图12为本申请实施例中角色强弱判断模型的结构示意图；

图13a为本申请实施例中阵容强弱判定模型的一种结构示意图；

图13b为本申请实施例中阵容强弱判定模型的另一种结构示意图；

图14为本申请实施例训练角色阵容选择模型的方法以及阵容确定的方法的应用场景示意图；

图15为利用本申请实施例所提模型得到的角色阵容(本申请推荐阵容)、业务侧默认阵容、线上玩家阵容、随机阵容与1000个验证阵容PK的胜率情况示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

首先对本申请涉及的几个名词进行介绍和解释：

出场阵容：指游戏玩家在游戏对战前所选择参与对战的角色和占位。

阵容类型组合：指不同类型(如治疗、群攻、控制、辅助、防御、输出)角色的出场组合(以角色类型为最小单位)。

角色组合：指不同角色的出场组合(以角色为最小单位)。

阵容选择：指根据玩家所拥有的角色，选择出最强的一组阵容(即具有最高胜率的阵容)。

角色强弱：指某一角色在游戏对战中的胜率；

阵容强弱：指某一阵容在游戏对战中的胜率。

随着游戏产业的发展，各种手游以及各种端游层出不穷。其中，出场阵容的选择是游戏中比较常见也是比较考验玩家技术的问题。因此为了更好地满足游戏玩家的需求，可以为游戏玩家推荐出场阵容。例如，如图4所示，在游戏中的角色出场选择界面中，游戏玩家可以通过点击“自动布阵”以请求推荐出场阵容。因此如何确定为游戏玩家推荐的出场阵容成为一个关键问题。

在发明人对该问题进行研究的过程中发现，存在两种确定为游戏玩家推荐出场阵容的方法：1)基于策划的经验给出默认几组阵容，并为游戏玩家推荐；2)基于线上玩家阵容的统计分析，给出线上使用频率较高的阵容，并为游戏玩家推荐；

上述两种确定为游戏玩家推荐出场阵容的方法均存在各自的技术问题，其中，方法1)过于依赖策划的经验，且无法动态适应线上玩家的具体游戏行为，只能通过大版本更新的方式进行手动调整，很容易导致默认出场阵容失效；方法2)仅采用线上玩家的总体表现，忽视了玩家个性化数据(如玩家当前所拥有的角色种类和数量、玩家重点培养的角色等等)，会使所给出的阵容无法适应具体玩家(当然方法1同样存在这个问题)。

为了解决上述问题，本申请实施例提供了一种通过机器学习算法来定量分析游戏玩家阵容的强弱，从而在游戏中为游戏玩家推荐合理的出场阵容，降低玩家的入门成本，提高小白游戏玩家的游戏体验。

具体地，本申请实施例通过模拟对战的方式和/或线上玩家真实对战的方式生成大量训练数据；然后，通过设计角色强弱判断模型来量化角色强度，构造候选阵容集；之后，通过阵容强弱判定模型来度量候选阵容的强度；然后，确定并推荐当前玩家所拥有的角色中的最强阵容组合。当然也可以如图4所示，在游戏中的角色出场选择界面中，游戏玩家可以通过点击“自动布阵”来调用本申请以请求推荐出场阵容。

本申请实施例的优势在于：1)不依赖线上玩家的实时数据，可以实现离线分析；2)采用模拟对战来生成训练数据，实现对不同阵容的覆盖，有助于发掘和分析潜在阵容；3)能客观量化阵容强弱，不依赖策划经验；4)能适用不同游戏。

例如，实时对战结果表明，采用本申请实施例给出的阵容平均胜率为80.3％，而采用业务侧给出的默认阵容胜率为63.9％，采用线上玩家最常用阵容胜率为61.7％，采用随机阵容胜率为48.6％。

为了便于理解本申请的技术方案，下面将结合应用场景先对本申请实施例提供的阵容确定的方法进行说明。需要说明，本实施例是从终端设备的角度，对阵容确定的方法进行介绍，并不构成对本申请技术方案的限定。

图5为本申请实施例提供的阵容确定的方法的场景结构图，如图5所示，该场景中包括终端设备，终端设备中安装有游戏客户端，游戏客户端内置有角色阵容选择模型，终端设备在获取游戏玩家当前角色列表中各个角色分别对应的角色信息，然后基于各个角色分别对应的角色信息，并通过角色阵容选择模型，确定为游戏玩家推荐的出场阵容。

为了便于理解，下面将结合附图，从终端设备的角度对本申请实施例提供的阵容确定的方法进行介绍。其中，阵容确定的方法仅为本申请的一个具体示例，在本申请实施例其它的可能的实现方式中，也可以由服务器执行，或者由终端设备执行，或者由终端设备和服务器协同执行。

图1为本申请实施例中的一种阵容确定的方法流程示意图，该方法包括：

步骤S101、获取游戏玩家角色列表中各个角色分别对应的角色信息。

对于本申请实施例，角色信息包括：属性信息、主动技能信息以及被动技能信息中至少一项。

对于本申请实施例，在游戏中，游戏玩家可以根据游戏内的金币或者道具来购买角色，并且在游戏中可以培养所拥有的角色(即通过对角色的技能和属性进行升级)来提升角色的强度，因此不同的游戏玩家角色列表中的角色可能不相同，或者，相同的角色对应的角色信息也不相同。

步骤S102、基于各个角色分别对应的角色信息，并通过角色阵容选择模型，确定为游戏玩家推荐的出场阵容。

其中，角色阵容选择模型为基于模拟对战生成的数据和/或线上玩家真实对战数据进行训练得到的。

本申请实施例提供了一种阵容确定的方法，与现有技术相比，本申请实施例为游戏玩家推荐的出场阵容时，是基于游戏玩家当前角色列表中实际的角色信息确定的，并且确定为用户推荐出场阵容的确定模型也是基于模拟对战生成的数据和/或线上玩家真实对战数据进行训练得到的，即为游戏玩家推荐出场阵容是基于游戏玩家的当前的真实游戏数据进行推荐的，而不是仅仅基于经验或者是基于对线上玩家的出场阵容进行统计确定的，从而可以提高为游戏玩家推荐出场阵容的准确度，进而可以提升游戏玩家的体验。

本申请实施例的一种可能的实现方式，角色阵容选择模型包括以下任一项：

角色强弱判断模型和阵容强弱判定模型；

阵容强弱判定模型。

对于本申请实施例，角色强弱判断模型用于判定角色的强弱(即角色的胜率)；阵容强弱判定模型用于从多个候选阵容中确定最强阵容，即为游戏玩家推荐的阵容。

本申请实施例在确定为游戏玩家推荐的出场阵容时，可以通过阵容强弱判定模型以及阵容强弱判定模型协同确定，还可以仅通过阵容强弱判定模型确定。在本申请实施例中不做限定。

具体地，步骤S102可以包括步骤S1021(图中未示出)或者步骤S1022(图中未示出)，其中，

步骤S1021、基于各个角色分别对应的角色信息，并通过角色强弱判断模型以及阵容强弱判定模型，确定为游戏玩家推荐的出场阵容。

对于本申请实施例，基于各个角色分别对应的角色信息，并通过角色强弱判断模型，从各个游戏中筛选中第一预设数量相对较强的角色，然后基于角色强弱判断模型筛选出的角色确定多个候选阵容，然后基于确定出的多个候选阵容，并通过阵容强弱判定模型，从候选阵容中确定出最强阵容，作为为游戏玩家推荐的出场阵容。在本申请实施例，通过角色强弱判断模型以及阵容强弱判定模型，为游戏玩家推荐出场阵容的方式具体详见步骤S10211(图中未示出)以及步骤S10212(图中未示出)，在此不再赘述。

具体地，步骤S1021包括：步骤S10211(图中未示出)以及步骤S10212(图中未示出)，其中，

步骤S10211、基于各个角色分别对应的角色信息，并通过角色强弱判断模型，从各个角色中确定第一预设数量的角色。

对于本申请实施例，基于各个角色分别对应的角色信息，并通过角色强弱判断模型，确定各个角色分别对应的强度(胜率)，并基于各个角色分别对应的强度，按照强度强到弱筛选出第一预设数量的角色。在本申请实施例中，基于各个角色分别对应的强度，按照强度从强到弱筛选出第一预设数量的角色的步骤可以通过角色强弱判断模型进行筛选，也可以通过其他模块进行筛选。在本申请实施例中不做限定。

对于本申请实施例，在通过角色强弱判断模型，从各个角色中确定第一预设数量的角色时，可以将角色按照角色类型进行分类，然后针对每一类角色类型，从该类角色中确定第二预设数量的角色，其中角色类型数目与第二预设数量的乘积为第一预设数量，具体详见步骤S10211b(图中未示出)；还可以不对角色进行分类，直接通过角色强弱判断模型，从各个角色中确定第一预设数量的角色，具体详见步骤S10211a(图中未示出)。

具体地，步骤S10211包括步骤S10211a(图中未示出)或者步骤S10211b(图中未示出)，其中，

步骤S10211a、基于各个角色分别对应的角色信息，并通过角色强弱判断模型，确定按照角色强度由强到弱排名前第一预设数量的角色。

例如，游戏玩家游戏列表中当前包含6个角色，分别为角色1、角色2、角色3、角色4、角色5以及角色6，第一预设数量可以为3，通过角色强弱判断模型，确定角色1对应的强度为0.2、角色2对应的强度为0.1、角色3对应的强度为0.5、角色4对应的强度为0.6、角色5对应的强度为0.3、角色6对应的强度为0.4，则确定按照角色强度由强到弱排名前3名依次为角色4、角色3以及角色6。

步骤S10211b、将各个角色分别对应的角色信息，按照角色类型进行划分，针对任一角色类型，将属于该角色类型的各个角色对应的角色信息输入角色强弱判断模型，得到各个角色类型分别对应的第二预设数量的角色。

其中，任一角色类型对应的第二预设数量的角色为该角色类型中按照角色强度由强到弱排名前第二预设数量的角色。

如图6所示，将玩家角色列表中角色按照角色类型划分为6类，得到类型1的角色、类型2的角色，类型3的角色、类型4的角色、类型5的角色以及类型6的角色，然后按照角色类型，将各个角色类型的角色通过角色强弱判断模型，得到类型1中角色强度由强到弱排名前第二预设数量的角色、类型2中角色强度由强到弱排名前第二预设数量的角色、类型3中角色强度由强到弱排名前第二预设数量的角色、类型4中角色强度由强到弱排名前第二预设数量的角色、类型5中角色强度由强到弱排名前第二预设数量的角色、类型6中角色强度由强到弱排名前第二预设数量的角色，其中第二预设数量与类型数目的乘积为第一预设数量。

步骤S10212、基于第一预设数量的角色对应的角色信息，并通过阵容强弱判定模型，确定为游戏玩家推荐的出场阵容。

本申请实施例的另一种可能的实现方式，步骤S10212之前还可以包括：步骤Sa(图中未示出)，其中，

步骤Sa、基于第一预设数量的角色对应的角色信息，确定第三预设数量的候选阵容。

其中，任一候选阵容中包括：多个角色分别对应的角色信息。

具体地，步骤S10212具体可以包括：步骤S10212a(图中未示出)，其中，

步骤S10212a、基于第三预设数量的候选阵容，并通过阵容强弱判定模型确定为游戏玩家推荐的出场阵容。

对于本申请实施例，可以将步骤S10211a得到的第一预设数量的角色，通过候选阵容生成模型，得到多个候选阵容，然后基于多个候选阵容分别对应的阵容信息，并通过阵容强弱判定模型，从多个候选阵容中确定出最强阵容作为为游戏玩家推荐的出场阵容；也可以将角色1中角色强度由强到弱排名前第二预设数量的角色、角色2中角色强度由强到弱排名前第二预设数量的角色、角色3中角色强度由强到弱排名前第二预设数量的角色、角色4中角色强度由强到弱排名前第二预设数量的角色、角色5中角色强度由强到弱排名前第二预设数量的角色、角色6中角色强度由强到弱排名前第二预设数量的角色，通过候选阵容生成模型，得到多个候选阵容，并基于该多个候选阵容分别对应的阵容信息，并通过阵容强弱判定模型，从该多个候选阵容中确定出最强阵容作为为游戏玩家推荐的出场阵容，如图6所示。

对于本申请实施例，采用角色强弱判断模型来忽视掉哪些相对较弱的角色，从而对可选角色进行过滤，减少了候选阵容的数量，缩小搜索空间，降低了模型的计算时间。

步骤S1022、基于各个角色分别对应的角色信息，并通过阵容强弱判定模型，确定为游戏玩家推荐的出场阵容。

对于本申请实施例，在确定最强出场阵容(为游戏玩家推荐的出场阵容)时，可以不通过角色强弱判断模型，仅通过阵容强弱判定模型。具体仅通过阵容强弱判定模型，确定为游戏玩家推荐的出场阵容的方式详见步骤S10221(图中未示出)以及步骤S10222(图中未示出)，在此不再赘述。

具体地，步骤S1022具体可以包括：步骤S10221(图中未示出)以及步骤S10222(图中未示出)，其中，

步骤S10221、基于各个角色分别对应的角色信息，确定第四预设数量的候选阵容。

其中，任一候选阵容包括：多个角色分别对应的角色信息。

对于本申请实施例，第三预设数量与第四预设数量可以相同，也可以不同。在本申请实施例中不做限定。

步骤S10222、基于第四预设数量的候选阵容，并通过阵容强弱判定模型确定为游戏玩家推荐的出场阵容。

对于本申请实施例，通过游戏玩家当前角色列表中各个角色分别对应的角色信息，通过候选阵容生成模型，生成第四预设数量的候选阵容，然后将生成的候选阵容，通过阵容强弱判定模型，确定出最强阵容作为为游戏玩家推荐的出场阵容。

上述实施例中主要介绍了通过训练后的角色阵容选择模型确定为游戏玩家推荐的出场阵容的具体实现方式，下面具体介绍对角色阵容选择模型进行训练的具体实现方式，包括：对角色强弱判断模型以及阵容强弱判定模型进行训练的方式，或者仅对阵容强弱判定模型进行训练的方式，具体如下所示：

为了便于理解本申请实施例对角色阵容选择模型的训练方式，下面将结合应用场景先对本申请实施例提供的训练角色阵容选择模型的方式进行说明。需要说明，本实施例是从服务器的角度，对训练角色阵容选择模型的方法进行介绍，并不构成对本申请技术方案的限定。

图7为本申请实施例提供的训练角色阵容选择模型的方法的场景结构图。如图7所示，该应用场景中包括服务器70和样本数据库71，服务器70可以从样本数据库中获取样本数据，利用该样本数据，结合机器学习算法，对部署于服务器之上的初始神经网络模型进行训练，获得满足训练结束条件的神经网络模型，作为角色阵容选择模型。接下来，将对其具体实现过程进行详细介绍。

在该应用场景中，样本数据库71存储有大量的样本数据，每个样本数据包括角色的属性信息、主动技能信息、被动技能信息以及对应的胜率(强度)；例如，角色的属性信息包括：攻、防、血、敏等。

服务器70从样本数据库71中获取样本数据，然后将样本数据输入初始神经网络模型，根据机器学习算法对初始神经网络模型进行训练，获得满足训练结束条件的神经网络模型，作为角色阵容选择模型。其中，训练结束条件可以是模型的目标函数处于收敛状态。具体地，服务器可以将样本数据分别输入角色强弱判断模型对应的初始神经网络模型和/或阵容强弱判定模型对应的初始神经网络模型，并依此更新优化各个模型参数，从而实现对各个初始神经网络模型的训练。当各个模型的分别对应目标函数处于收敛状态，停止训练神经网络模型，将更新参数后的神经网络模型作为角色阵容选择模型(包括：训练后的角色强弱判断模型以及阵容强弱判定模型)。

其中，在该应用场景中，对角色强弱判断模型进行训练时以各个角色分别对应的角色信息作为输入，以对应的角色强度作为输出；在对阵容强弱判定模型进行训练时，以各个阵容信息作为输入，以该阵容对应的强度作为输出。

需要说明的是，本申请实施例提供的训练角色阵容选择模型的方法也可以由终端设备独立完成，具体地，终端设备中内置初始神经网络模型，在终端设备获取样本数据后，利用该样本数据，结合机器学习算法，对初始神经网络模型进行训练，当满足训练结束条件时停止训练，将训练得到的神经网络模型作为角色阵容选择模型。

为了便于理解，下面将结合附图，从服务器的角度对本申请实施例提供的训练角色选择模型的方法进行介绍。其中，服务器执行训练角色阵容选择模型的方法仅为本申请的一个具体示例，在本申请实施例其他可能的实现方式中，也可以由终端设备执行，或者由终端设备和服务器协同执行。

图8介绍了一种训练角色阵容选择模型的方法，如图8所示，其中，

步骤Sb、获取基于模拟对战生成的数据和/或线上玩家真实对战数据作为样本数据。

步骤Sc、基于样本数据，训练角色阵容选择模型。

对于本申请实施例，步骤Sb以及步骤Sc可以在步骤S102之前执行，也可以不依赖于上述方法步骤执行。在本申请实施例中不做限定。

对于本申请实施例，首先介绍基于获取线上玩家真实对战数据作为样本数据，并基于该样本数据，训练角色阵容选择模型的方式，然后介绍基于获取的基于模拟对战生成的数据，训练角色阵容选择模型。当然，也可以同时获取线上玩家真实对战数据以及模拟对战数据作为训练样本，训练角色阵容选择模型，其中，基于获取线上玩家真实对战数据以及模拟对战数据作为训练样本，训练角色阵容选择模型，与上述两种训练的训练方式相似，仅是训练样本不同，在本申请实施例中不再赘述介绍基于获取线上玩家真实对战数据以及模拟对战数据作为训练样本，训练角色阵容选择模型的具体实现方式，具体如下所示：

下述先介绍基于获取线上玩家真实对战数据作为样本数据，并基于该样本数据，训练角色阵容选择模型的方式：

获取多个游戏玩家在进行目标游戏时选用的出场阵容以及选用该出场阵容时对应的胜率(强度)作为样本数据，并基于样本数据，训练角色阵容选择模型，其中具体的训练过程详见下述实施例，在此不再赘述。

下面详细介绍获取基于模拟对战生成的数据的方式：

假设游戏中角色一共分为6种类型，分别为治疗、群攻、控制、辅助、防御以及输出，具体如表1所示。

表1

游戏中一组阵容包含5个角色，玩家可以在自己拥有的角色中随意组合(比如1-1-2-2-3)。为了评价阵容强弱，通过分析线上数据，得到了最常用的20种不同的角色类型组合(如1-2-4-5-6、1-2-2-4-5、1-2-4-6-6等)，然后根据线上玩家数据，对每组阵容组合生成50组不同角色的阵容，从而构成1000组不同角色的阵容组合作为验证阵容。

下面以角色类型组合1-2-4-5-6为例来构造对应阵容的方式，如图9所示：

1)根据角色类型将所有角色分成对应的6个组；

2)根据给定的阵容类型组合，随机选择该类型的角色，构造一组特定阵容；

3)采用角色属性配比分析来为每个角色分配相应属性；

4)重复2)和3)步骤，直到产生50组阵容；

至此，生成了1000组不同角色的验证阵容。这里验证阵容是用来衡量给定阵容的强度。在本申请实施例中用给定阵容在与这1000组验证阵容PK的总体胜率来表示该给定阵容的强度，具体如图10所示，从图10中可知：随机生成角色类型组合(如阵容组合1-1-2-2-3)；然后再根据类型随机选择对应角色；之后采用角色属性配比分析为角色分配属性，从而构造具有一定战力的角色阵容；最后将构造的角色阵容与1000组验证阵容进行PK，得到该阵容的胜率(即强度)；然后阵容的强度由该阵容PK验证阵容的胜率确定。

对于本申请实施例，采用角色属性配比分析为角色分配属性的方式具体可以包括：获取角色的战力值，然后将角色的战力值输入属性战力占比模型，获取属性战力占比模型输出的该角色的属性战力占比，然后根据该角色的属性战力占比和角色的战力值，得到角色的属性值，然后根据角色的属性值，为角色配置属性。

其中，角色的战力值用于表征角色的战斗力水平(在设计阶段，可以为每个角色赋予初始战斗力值，但是在实际参与对战之后，角色的战斗力值可以发生变化)，属性战力占比模型是通过机器学习算法训练得到。属性占力占比模型的训练方式在本申请实施例中不再赘述。

对于本申请实施例，一个角色一般具有多个属性，而针对每个属性都对应有一个属性战力占比，以表征为该属性分配的战力占该角色的战力的比例；不同属性对应的属性战力占比可以相同，也可以不同。在本申请实施例中不做限定。

通过上述方法生成了10W种随机阵容，并将这些随机阵容与验证阵容PK，得到10W条训练数据；然后通过这些数据作为样本数据，训练角色阵容选择模型。

其中，阵容组合数据格式如表2所示。其中每个角色数据包含三部分：属性、主动技能和被动技能。任一角色最多拥有N个主动技能和M个被动技能。

表2

上述主要介绍了对角色阵容选择模型进行训练的训练样本的生成过程以及训练过程，由于角色阵容选择模型中可以包括：角色强弱判断模型以及阵容强弱判定模型，或者仅包括阵容强弱判定模型，因此下面详见介绍角色强弱判断模型以及阵容强弱判定模型的具体训练方式。

具体地，步骤Sc具体可以包括：Sc1(图中未示出)以及步骤Sc2(图中未示出)中的至少一项，其中，执行步骤Sc1以及步骤Sc2，以训练角色强弱判断模型；仅执行步骤Sc2，以训练角色强弱判断模型，其中，

步骤Sc1、基于多个第一样本数据，训练角色强弱判断模型。

其中，任一第一样本数据包括：任一角色对应的角色信息以及对战中任一角色对应的胜率。

对于本申请实施例，生成多个第一样本数据的方式为：根据表2中的角色数据，从10W条阵容数据中提取50W条(假设一个阵容中包括5个角色)，作为多个第一样本数据。其中提取的角色数据格式如表3所示，其中，

表3

通过表3中所示的角色数据可知，角色属性信息属于结构化数据，而主动技能信息和被动技能信息为非结构化数据(不同角色拥有不同的技能，不同技能又拥有不同技能属性)。因此，需要对角色的主动技能信息和被动技能信息进行特征处理，并基于特征处理后的数据训练角色强弱判断模型。具体的特征处理方式以及基于特征处理以后的数据训练角色强弱判断模型的方式详见步骤Sc11以及步骤Sc12，其中，

步骤Sc11、从各个角色分别对应的属性信息中分别提取角色属性特征，并从各个角色分别对应的主动技能信息以及被动技能信息中提取技能特征信息。

对于本申请实施例，从主动技能信息以及被动技能信息中提取技能特征信息的方式可以包括：对技能信息进行稀疏向量化、特征嵌入(英文全文：Feature Embedding)方式、自动编码器(英文全称：AutoEncoder)以及手动对技能信息提取特征等。

下面详见介绍基于稀疏向量化对技能信息提取特征：

假设游戏中一共有S个不同的技能，技能稀疏向量化是将角色的所有技能按照技能身份标识(Identification，ID)填入技能稀疏向量(英文全称：Skill Sparse Vector)中的对应Bin中，如图11所示，每个Bin中包含该技能对应的属性信息(包括：技能ID、目标类型、伤害、射程等)。

例如，角色主动技能为

被动技能为

技能的系数向量为x^skill，这里用skill_sparse(x_s，x_ps)表示技能数据稀疏向量化，则：x^skill＝skill_sparse(x_s，x_ps)。

步骤Sc12、基于各个角色分别对应的角色属性特征、各个角色分别对应的技能特征信息以及各个角色分别对应的胜率，训练角色强弱判断模型。

对于本申请实施例，在从技能信息中提取技能特征之后，基于各个角色分别对应的角色属性特征、技能特征信息以及各个角色分别对应的胜率，训练角色强弱判断模型。

下面还是以稀疏技能特征以及角色属性特征为例介绍对角色强弱判断模型进行训练的过程：

在将角色技能数据向量化之后，根据技能稀疏特征和角色属性特征作为输入，角色的强度作为目标来训练角色强弱判断模型。其中角色强弱判断模型的模型结构如图12所示，图12中示出的角色强弱判断模型为双输入通道的网络结构，当然角色强弱判断模型并不限于图12所示的结构；其中，角色信息中的属性特征通过64层网络结构(Dense 64)、64层网络结构、64层网络结构，得到64维的属性特征；技能稀疏特征通过256层的网络结构(Dense 256)、128层的网络结构(Dense128)、64层的网络结构(Dense 64)，得到64维的技能稀疏特征，并将得到的两个64维的特征通过Dense128，进行输出，然后基于输出结果以及该角色信息对应的胜率(目标胜率，图12中用target表示)，并基于最小均方误差(mean-square error，MSE)的目标函数来优化模型。

为了方便表示，图12中没有画出BatchNormalization、Dropout、Activation等层，最终模型采用深度学习开发框架构建阵容判定模型，并在50W条数据中训练网络模型。

例如，角色强弱判断模型的训练数据为

其中

和

表示该角色的胜率。模型输出y^r可以表示为：

其中，为了优化网络模型，我们采用最小化均方误差作为目标函数，并采用自适应矩估计(Adaptive moment estimation，Adam)优化方法来更新网络权值。模型的目标函数如下式所示：

，其中，θ^r表示模型参数。

上面主要介绍对角色强弱判断模型进行训练的方式，由于角色阵容选择模型还包括：阵容强弱判定模型，或者角色阵容选择模型仅包括：阵容强弱判定模型，下面详细介绍阵容强弱判定模型的训练方式：

步骤Sc2、基于多个第二样本数据，训练阵容强弱判定模型。

其中，任一第二样本数据包括：阵容信息以及对战中该阵容信息对应的胜率，阵容信息包括多个角色分别对应角色信息。

对于本申请实施例，假设任一角色阵容均由5个角色组成的，因此任一角色阵容中5个角色分别对应的角色信息，任一角色对应的角色信息包括：属性信息、主动技能信息以及被动技能信息。在本申请实施例中，从主动技能信息以及被动技能信息中提取技能特征信息的方式，仍然可以通过对技能信息进行稀疏向量化、特征嵌入(英文全文：FeatureEmbedding)方式、自动编码器(英文全称：AutoEncoder)以及手动技能特征提取方式中任一提取方式对技能信息提取特征等，详见上述实施例，在此不再赘述。

具体地，阵容强弱判定模型也可以仅包括第二子模型，具体的训练过程：通过多个第二样本数据，训练第二子模型，其中，第二样本数据为阵容信息，任一阵容信息中包括多个角色分别对应的角色信息。

例如，如图13a所示，以一个阵容中包括5个角色为例来说明，一个阵容中包括5个角色，分别为角色1、角色2、角色3、角色4以及角色5，其中该阵容的阵容信息包括：角色1对应的属性特征以及稀疏技能特征(在此以稀疏技能特征为例介绍)，角色2对应的属性特征以及稀疏技能特征(在此以稀疏技能特征为例介绍)，角色3对应的属性特征以及稀疏技能特征(在此以稀疏技能特征为例介绍)，角色4对应的属性特征以及稀疏技能特征(在此以稀疏技能特征为例介绍)，角色5对应的属性特征以及稀疏技能特征(在此以稀疏技能特征为例介绍)，则基于多个类似上述阵容对应的阵容信息对第二子模型进行训练；具体地，将上述阵容信息，依次通过特征向量层(Feature Vector)、Dense256以及Dense128，进行输出，然后基于输出结果以及该阵容对应的胜率(目标胜率，图13a中用target表示)，并通过最小MSE的目标函数来优化模型。

进一步地，为了方便训练，加快训练的收敛速度，阵容强弱判定模型中可以包括：第一子模型以及第二子模型，其中，第一子模型的网络结构与角色强弱判断模型的网络结构相同，并且为预先训练好的，其中针对第一子模型的训练过程详见针对角色强弱判断模型的训练过程，在此不再赘述。针对该阵容强弱判定模型的网络结构的训练方式，详见步骤Sc21(图中未示出)以及步骤Sc22(图中未示出)；

步骤Sc21、将多个第二样本数据通过第一子模型进行角色特征提取，得到多个阵容分别对应的特征信息。

其中，任一阵容对应的特征信息中包括该阵容中各个角色分别对应的角色属性特征以及技能特征信息。

步骤Sc22、基于提取到的多个阵容分别对应的特征信息，训练第二子模型。

对于本申请实施例，第一子模型作为角色特征提取模型，即模型的倒数第二层的输出作为角色的特征向量。

例如，任一阵容中包括五个角色，通过将5个角色的特征向量拼接在一起构成一个640维(128*5)的阵容特征向量(阵容信息)，然后再采用神经网络模型来训练阵容强弱判定模型。模型结构如图13b所示，其中，中间虚线框中的角色特征提取模型是角色强弱判断模型预训练好的，第二子模型阵容强弱判定模型中除第一子模型之外的网络结构，如图13b所示，将除中间虚线框中的角色特征提取模型之外的网络结构作为第二子模型(当然还包括未画出的网络结构)，具体地，如图13b所示，将构成一个640维(128*5)的阵容特征向量(阵容信息)通过角色特征提取模型进行角色特征提取，将提取到的特征依次通过特征向量层(Feature Vector)、Dense256以及Dense128，进行输出，然后基于输出结果以及该阵容对应的胜率(目标胜率，图13b中用target表示)，并通过最小MSE的目标函数来优化模型。

类似地，阵容强弱判定模型采用深度学习开发框架构建阵容判定模型，并在10W条数据中训练该模型。

对于本申请实施例，角色特征提取模型为角色强弱判断模型的倒数第二层输出向量，可以表示为

因此阵容特征x^camp可以表示为：

其中，

表示第i组阵容中第j个角色的角色属性特征，

表示第i组阵容中第j个角色的技能系数特征。因此阵容强弱判定模型的训练数据为

模型的目标函数如下式所示：

，其中，Θ^c表示模型参数。

进一步地，为了进一步地提升为游戏玩家推荐出场阵容的准确度，提升用户体验，在检测到预设出发条件时，可以对已训练好的角色阵容选择模型进行在线更新，具体地，在线更新方式详见步骤Sd(图中未示出)，其中，

步骤Sd、当检测到预设触发条件时，更新角色阵容选择模型对应的权重信息。

其中，预设触发条件包括以下至少一项：

达到预设间隔时间；达到预设时间点；获取到预设数量的训练数据；线上玩家修改为游戏玩家推荐的出场阵容的次数达到预设阈值。

对于本申请实施例，步骤Sd可以在步骤Sc之后执行，也可以独立实现。在本申请实施例中不做限定。

对于本申请实施例，预设间隔时间、预设时间点以及预设数量的样本数据，均可以由游戏玩家进行设置，也可以由游戏开发商进行预设设置。在本申请实施例中并不做限定。

例如，每隔3个月，获取训练数据，更新角色阵容选择模型对应的权重信息；每到月末，更新角色阵容选择模型对应的权重信息；当检测到已获取5w个训练数据，更新角色阵容选择模型对应的权重信息；当检测到线上玩家对为其推荐的出场阵容的修改次数达到预设阈值时，更新角色阵容选择模型。具体的更新过程可以详见上述对角色阵容选择模型的进行线下训练的过程，在此不再赘述。

具体地，对角色阵容选择模型进行线上更新的所利用的训练样本可以为历史对战数据，也可以为历史对战数据以及样本数据(线下训练所利用的训练样本)，其中历史对战数据可以包括以下至少一项：预设时间段内游戏玩家对为其推荐的出场阵容进行修改后的出场阵容信息以及对应的胜率；各个游戏玩家预设时间段内所利用的出场阵容以及分别对应的胜率。具体进行在线更新的方式如下所示：

步骤Sd中更新角色阵容选择模型对应的权重信息，包括：基于玩家历史对战数据以及样本数据，更新角色阵容选择模型对应的权重信息；或者，基于玩家历史对战数据，更新角色阵容选择模型对应的权重信息。

以上为本申请实施例提供的阵容确定的方法以及训练角色选择模型的方法的具体实现方式，为了便于理解，本申请还结合具体应用场景，对训练角色选择模型的方法以及阵容确定的方法进行详细说明。

图14为本申请实施例提供的训练角色阵容选择模型的方法以及阵容确定的方法的应用场景示意图，参见图14，该应用场景中包括服务器140、终端设备141、样本数据库142。在模型训练阶段，服务器140从样本数据库142中获取样本数据，根据样本数据对初始神经网络模型进行训练，当训练的神经网络模型满足训练结束条件时，将该模型作为角色阵容选择。然后，在模型应用阶段，终端设备141利用服务器140训练的角色阵容选择模型确定最强出场阵容作为为游戏玩家推荐的出场阵容。下面结合附图，对训练角色阵容选择模型的方法以及阵容确定的方法进行介绍。

在该应用场景中，样本数据库142中存储有样本数据，该样本数据可以由服务器140预先生成。其生成过程具体为，服务器100可以获取模拟对战生成的样本数据和/或在线玩家真实对战生成的样本数据，其中针对角色强弱判断模型的样本数据可以包括：多个角色信息以及各个角色信息分别对应的胜率(强度)；针对阵容强弱判定模型的样本数据可以包括：多个阵容信息以及各个阵容信息分别对应的胜率(强度)；并可以将上述生成的样本数据存储到样本数据库142中。

在模型训练阶段，服务器140从样本数据库142中获取样本数据，根据样本数据对预置在服务器140内的初始神经网络模型进行训练，当训练后的模型满足训练结束条件，例如模型的目标函数最小时，停止训练，并将训练后的模型作为角色阵容选择模型，该模型在实际应用中能够输出较为准确的最强出场阵容(为游戏玩家推荐的出场阵容)，基于该最强出场阵容，在对战时具有较高的胜率。

在模型应用阶段，终端设备141从服务器140获取模型参数，得到角色阵容选择模型。然后，终端设备141根据部署于其上的角色阵容选择模型实现确定出为游戏玩家推荐的最强出场阵容。

其计算过程具体为，终端设备141获取游戏玩家当前列表中的角色信息，然后终端设备141将获取到的角色信息输入角色阵容选择模型，获取最强出场阵容。

以上为本申请实施例提供的训练角色阵容选择模型的方法以及阵容确定的方法的一些具体实现方式，基于此，本申请实施例还提供了一种阵容确定的装置。接下来，将结合附图，从功能模块化的角度对本申请实施例提供的阵容确定的装置进行介绍。

本申请实施例提供的一种阵容确定的装置，如图2所示，本申请实施例的阵容确定的装置20可以包括：第一获取模块201、第一确定模块202，其中，

第一获取模块201，用于获取游戏玩家角色列表中各个角色分别对应的角色信息。

第一确定模块202，用于基于第一获取模块201获取到的各个角色分别对应的角色信息，并通过角色阵容选择模型，确定为游戏玩家推荐的出场阵容。

本申请实施例的一种可能的实现方式，角色阵容选择模型包括：角色强弱判断模型和阵容强弱判定模型，或者，阵容强弱判定模型，其中，

第一确定模块202，具体用于基于各个角色分别对应的角色信息，并通过角色强弱判断模型以及阵容强弱判定模型，确定为游戏玩家推荐的出场阵容，或者，基于各个角色分别对应的角色信息，并通过阵容强弱判定模型，确定为游戏玩家推荐的出场阵容。

本申请实施例的另一种可能的实现方式，第一确定模块202，具体用于基于各个角色分别对应的角色信息，并通过角色强弱判断模型，从各个角色中确定第一预设数量的角色。

第一确定模块202，具体还用于基于第一预设数量的角色对应的角色信息，并通过阵容强弱判定模型，确定为游戏玩家推荐的出场阵容。

本申请实施例的另一种可能的实现方式，第一确定模块202，具体还用于基于各个角色分别对应的角色信息，并通过角色强弱判断模型，确定按照角色强度由强到弱排名前第一预设数量的角色，或者将各个角色分别对应的角色信息，按照角色类型进行划分，针对任一角色类型，将属于该角色类型的各个角色对应的角色信息输入角色强弱判断模型，得到各个角色类型分别对应的第二预设数量的角色。

本申请实施例的另一种可能的实现方式，该装置20还包括：第二确定模块，其中，

第二确定模块，用于基于第一预设数量的角色对应的角色信息，确定第三预设数量的候选阵容。

第一确定模块202，具体用于基于第二确定模块确定的第三预设数量的候选阵容，并通过阵容强弱判定模型确定为游戏玩家推荐的出场阵容。

本申请实施例的另一种可能的实现方式，第一确定模块202，具体用于基于各个角色分别对应的角色信息，确定第四预设数量的候选阵容。

其中，任一候选阵容包括：多个角色分别对应的角色信息。

第一确定模块202，具体还用于基于第四预设数量的候选阵容，并通过阵容强弱判定模型确定为游戏玩家推荐的出场阵容。

本申请实施例的另一种可能的实现方式，角色信息包括以下至少一项：

属性信息；主动技能信息；被动技能信息。

本申请实施例的另一种可能的实现方式，该装置20还包括：第二获取模块、训练模块，其中，

第二获取模块，用于获取基于模拟对战生成的数据和/或线上玩家真实对战数据作为样本数据。

本申请实施例的另一种可能的实现方式，训练模块包括：第一训练单元和/或第二训练单元，其中，

第一训练单元，用于基于多个第一样本数据，训练角色强弱判断模型。

第二训练单元，用于基于多个第二样本数据，训练阵容强弱判定模型。

本申请实施例的另一种可能的实现方式，第一训练单元包括：第一提取子单元、第一训练子单元，其中，

第一提取子单元，用于从各个角色分别对应的属性信息中分别提取角色属性特征，并从各个角色分别对应的主动技能信息以及被动技能信息中提取技能特征信息。

本申请实施例的另一种可能的实现方式，阵容强弱判定模型包括：第一子模型以及第二子模型，其中，

第二训练单元，包括：第二提取子单元、第二训练子单元，其中，

第二提取子单元，用于将多个第二样本数据通过第一子模型进行角色特征提取，得到多个阵容分别对应的特征信息。

其中，任一阵容对应的特征向量中包括该阵容中各个角色分别对应的角色属性特征以及技能特征信息。

第二训练子单元，用于基于提取到的多个阵容分别对应的特征信息，训练第二子模型。

其中，第一子模型与角色强弱判断模型的结构相同。

本申请实施例的另一种可能的实现方式，该装置20还包括：更新模块，其中，

更新模块，用于当检测到预设触发条件时，更新角色阵容选择模型对应的权重信息。

其中，预设触发条件包括以下至少一项：

本申请实施例的另一种可能的实现方式，更新模块，具体用于基于玩家历史对战数据以及样本数据，更新角色阵容选择模型对应的权重信息，或者，基于玩家历史对战数据，更新角色阵容选择模型对应的权重信息。

本申请实施例提供了一种阵容确定的装置，与现有技术相比，本申请实施例为游戏玩家推荐的出场阵容时，是基于游戏玩家当前角色列表中实际的角色信息确定的，并且确定为用户推荐出场阵容的确定模型也是基于模拟对战生成的数据和/或线上玩家真实对战数据进行训练得到的，即为游戏玩家推荐出场阵容是基于游戏玩家的当前的真实游戏数据进行推荐的，而不是仅仅基于经验或者是基于对线上玩家的出场阵容进行统计确定的，从而可以提高为游戏玩家推荐出场阵容的准确度，进而可以提升游戏玩家的体验。

本实施例的阵容确定的装置可执行上述方法实施例提供的一种阵容确定的方法，其实现原理相类似，此处不再赘述。

本申请实施例提供了一种电子设备，如图3所示，图3所示的电子设备3000包括：处理器3001和存储器3003。其中，处理器3001和存储器3003相连，如通过总线3002相连。可选地，电子设备3000还可以包括收发器3004。需要说明的是，实际应用中收发器3004不限于一个，该电子设备3000的结构并不构成对本申请实施例的限定。

处理器3001可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器3001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线3002可包括一通路，在上述组件之间传送信息。总线3002可以是PCI总线或EISA总线等。总线3002可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器3003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器3003用于存储执行本申请方案的应用程序代码，并由处理器3001来控制执行。处理器3001用于执行存储器3003中存储的应用程序代码，以实现前述任一方法实施例所示的内容。

对于本申请实施例，该电子设备可以为服务器，也可以为终端设备。在本申请实施例中不做限定。

其中，终端设备可以包括但不限于：手机、平板电脑、个人数字助理(英文全称：PersonalDigital Assistant，英文缩写：PDA)、销售终端(英文全称：Point of Sales，英文缩写：POS)、车载电脑等任意终端设备。

本申请实施例提供了一种电子设备，与现有技术相比，本申请实施例为游戏玩家推荐的出场阵容时，是基于游戏玩家当前角色列表中实际的角色信息确定的，并且确定为用户推荐出场阵容的确定模型也是基于模拟对战生成的数据和/或线上玩家真实对战数据进行训练得到的，即为游戏玩家推荐出场阵容是基于游戏玩家的当前的真实游戏数据进行推荐的，而不是仅仅基于经验或者是基于对线上玩家的出场阵容进行统计确定的，从而可以提高为游戏玩家推荐出场阵容的准确度，进而可以提升游戏玩家的体验。

本申请实施例提供了一种电子设备适用于上述方法任一实施例。在此不再赘述。

本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述方法实施例所示的阵容确定的方法。

本申请实施例提供了一种计算机可读存储介质，与现有技术相比，本申请实施例为游戏玩家推荐的出场阵容时，是基于游戏玩家当前角色列表中实际的角色信息确定的，并且确定为用户推荐出场阵容的确定模型也是基于模拟对战生成的数据和/或线上玩家真实对战数据进行训练得到的，即为游戏玩家推荐出场阵容是基于游戏玩家的当前的真实游戏数据进行推荐的，而不是仅仅基于经验或者是基于对线上玩家的出场阵容进行统计确定的，从而可以提高为游戏玩家推荐出场阵容的准确度，进而可以提升游戏玩家的体验。

本申请实施例提供了一种计算机可读存储介质适用于上述方法任一实施例。在此不再赘述。

至此，上文中介绍了角色阵容选择模型的训练过程，以及应用角色阵容选择模型确定最强的角色阵容作为为游戏玩家推荐的出场阵容的方法、虚拟装置的结构、实体装置以及计算机可读存储介质。

为了验证本申请实施例中角色阵容选择模型的有效性，我们随机从线上玩家选择20个玩家来进行比实验。分别采用本申请实施例通过角色阵容选择模型的方式确定出的角色阵容、基于业务侧的默认阵容、以及随机阵容来与1000组验证阵容进行PK来验证所选阵容的有效性。实验结果如图15所示，利用本申请实施例所提模型得到的角色阵容、业务侧默认阵容、线上玩家阵容、随机阵容与1000个验证阵容PK的胜率的情况。

从图15中可知：1)利用本申请实施例所提的角色阵容选择模型得到的阵容进行对战的平均胜率(英文全称：Average)为80.3％，利用业务侧阵容进行对战的平均胜率为63.9％，利用线上玩家阵容进行对战的平均胜率为61.7％，利用随机阵容进行对战的平均胜率为48.6％，因此利用本申请实施例所提的角色阵容选择模型得到的阵容进行对战的平均胜率显著优于业务侧阵容(胜率高于业务侧阵容胜率16.4％)和线上玩家阵容(胜率高于线上玩家阵容18.6％)；2)业务侧阵容要略优于与线上玩家总体阵容，但优势并不明显，两者平均胜率差距不超过3％；3)采用随机阵容仅有48.6％的胜率，实战效果较差。

因此，采用本申请实施例所提的角色阵容选择模型能有效提升玩家阵容的胜率，帮助玩家快速选择合适的阵容，降低玩家入门成本，从而提升玩家游戏体验。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上所述仅是本发明的部分实施方式，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

1.一种阵容确定的方法，其特征在于，包括：

获取游戏玩家的角色列表中各个角色分别对应的角色信息；

基于所述各个角色分别对应的角色信息，并通过角色阵容选择模型，确定为所述游戏玩家推荐的出场阵容，所述角色阵容选择模型为基于模拟对战生成的数据和/或线上玩家真实对战数据进行训练得到的；所述角色阵容选择模型的训练数据包括各阵容信息，以及对战中各阵容信息对应的胜率，每个所述阵容信息包括多个角色分别对应角色信息，所述训练数据包括基于模拟对战生成的数据和/或线上玩家真实对战数据；

所述基于所述各个角色分别对应的角色信息，并通过角色阵容选择模型，确定为所述游戏玩家推荐的出场阵容，包括：

基于所述各个角色分别对应的角色信息，从所述各个角色中确定第一预设数量的角色；

基于所述第一预设数量的角色对应的角色信息，通过候选阵容生成模型确定设定数量的候选阵容，任一候选阵容中包括多个角色分别对应的角色信息；

基于各候选阵容对应的阵容信息，通过所述角色阵容选择模型，从所述设定数量的候选阵容中确定为所述游戏玩家推荐的出场阵容；

所述基于所述各个角色分别对应的角色信息，从所述各个角色中确定第一预设数量的角色，包括以下任一项：

基于所述各个角色分别对应的角色信息，确定按照角色强度由强到弱排名前第一预设数量的角色；

将所述各个角色分别对应的角色信息，按照角色类型进行划分，基于各个角色类型的各个角色对应的角色信息，确定各个所述角色类型分别对应的第二预设数量的角色，任一角色类型对应的第二预设数量的角色为该角色类型中按照角色强度由强到弱排名前第二预设数量的角色，所述第二预设数量与类型数目的乘积为所述第一预设数量。

2.根据权利要求1所述的方法，其特征在于，所述角色阵容选择模型包括以下任一项：

角色强弱判断模型和阵容强弱判定模型；

阵容强弱判定模型；

所述基于所述各个角色分别对应的角色信息，并通过角色阵容选择模型，确定为所述游戏玩家推荐的出场阵容，包括以下任一项：

基于所述各个角色分别对应的角色信息，并通过所述角色强弱判断模型以及所述阵容强弱判定模型，确定为所述游戏玩家推荐的出场阵容；

基于所述各个角色分别对应的角色信息，并通过所述阵容强弱判定模型，确定为所述游戏玩家推荐的出场阵容。

3.根据权利要求2所述的方法，其特征在于，所述基于所述各个角色分别对应的角色信息，并通过所述角色强弱判断模型以及所述阵容强弱判定模型，确定为所述游戏玩家推荐的出场阵容，包括：

基于所述各个角色分别对应的角色信息，并通过所述角色强弱判断模型，从所述各个角色中确定第一预设数量的角色；

基于所述第一预设数量的角色对应的角色信息，并通过所述阵容强弱判定模型，确定为所述游戏玩家推荐的出场阵容。

4.根据权利要求3所述的方法，其特征在于，所述基于所述各个角色分别对应的角色信息，并通过所述角色强弱判断模型，从所述各个角色中确定第一预设数量的角色，包括以下任一项：

基于所述各个角色分别对应的角色信息，并通过所述角色强弱判断模型，确定按照角色强度由强到弱排名前第一预设数量的角色；

将所述各个角色分别对应的角色信息，按照角色类型进行划分，针对任一角色类型，将属于该角色类型的各个角色对应的角色信息输入所述角色强弱判断模型，得到各个角色类型分别对应的第二预设数量的角色，任一角色类型对应的第二预设数量的角色为该角色类型中按照角色强度由强到弱排名前第二预设数量的角色。

5.根据权利要求3所述的方法，其特征在于，所述基于所述第一预设数量的角色对应的角色信息，并通过所述阵容强弱判定模型，确定为所述游戏玩家推荐的出场阵容，之前还包括：

基于所述第一预设数量的角色对应的角色信息，确定第三预设数量的候选阵容，所述设定数量为所述第三预设数量；

所述基于所述第一预设数量的角色对应的角色信息，并通过所述阵容强弱判定模型，确定为所述游戏玩家推荐的出场阵容，包括：

基于所述第三预设数量的候选阵容，并通过所述阵容强弱判定模型确定为所述游戏玩家推荐的出场阵容。

6.根据权利要求2所述的方法，其特征在于，所述基于所述各个角色分别对应的角色信息，并通过所述阵容强弱判定模型，确定为所述游戏玩家推荐的出场阵容，包括：

基于所述各个角色分别对应的角色信息，确定第四预设数量的候选阵容，所述设定数量为所述第四预设数量；

基于所述第四预设数量的候选阵容，并通过所述阵容强弱判定模型确定为所述游戏玩家推荐的出场阵容。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述角色信息包括以下至少一项：

属性信息；主动技能信息；被动技能信息。

8.根据权利要求2 -6任一项所述的方法，其特征在于，所述基于所述各个角色分别对应的角色信息，并通过角色阵容选择模型，确定为所述游戏玩家推荐的出场阵容，之前还包括：

基于所述样本数据，训练所述角色阵容选择模型。

9.根据权利要求8所述的方法，其特征在于，

所述基于所述样本数据，训练所述角色阵容选择模型，包括以下至少一项：

基于多个第一样本数据，训练所述角色强弱判断模型，任一第一样本数据包括：任一角色对应的角色信息以及对战中所述任一角色对应的胜率；

基于多个第二样本数据，训练所述阵容强弱判定模型，任一第二样本数据包括：阵容信息以及对战中该阵容信息对应的胜率，所述阵容信息包括多个角色分别对应角色信息。

10.根据权利要求9所述的方法，其特征在于，所述基于多个第一样本数据，训练所述角色强弱判断模型，包括：

基于各个角色分别对应的角色属性特征、各个角色分别对应的技能特征信息以及各个角色分别对应的胜率，训练所述角色强弱判断模型。

11.根据权利要求9所述的方法，其特征在于，所述阵容强弱判定模型包括：第一子模型以及第二子模型；

所述基于多个第二样本数据，训练所述阵容强弱判定模型，包括：

将多个第二样本数据通过所述第一子模型进行角色特征提取，得到多个阵容分别对应的特征信息，任一阵容对应的特征信息中包括该阵容中各个角色分别对应的角色属性特征以及技能特征信息；

基于提取到的多个阵容分别对应的特征信息，训练所述第二子模型；

所述第一子模型与所述角色强弱判断模型的结构相同。

12.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：

当检测到预设触发条件时，更新所述角色阵容选择模型对应的权重信息；

所述预设触发条件包括以下至少一项：

达到预设间隔时间；达到预设时间点；获取到预设数量的样本数据；线上玩家修改为所述游戏玩家推荐的出场阵容的次数达到预设阈值。

13.根据权利要求12所述的方法，其特征在于，所述更新所述角色阵容选择模型对应的权重信息，包括以下任一项：

基于玩家历史对战数据以及所述样本数据，更新所述角色阵容选择模型对应的权重信息；

基于所述玩家历史对战数据，更新所述角色阵容选择模型对应的权重信息。

14.一种阵容确定的装置，其特征在于，包括：

第一获取模块，用于获取游戏玩家的角色列表中各个角色分别对应的角色信息；

第一确定模块，用于基于所述第一获取模块获取到的各个角色分别对应的角色信息，并通过角色阵容选择模型，确定为所述游戏玩家推荐的出场阵容，所述角色阵容选择模型为基于模拟对战生成的数据和/或线上玩家真实对战数据进行训练得到的，所述角色阵容选择模型的训练数据包括各阵容信息，以及对战中各阵容信息对应的胜率，每个所述阵容信息包括多个角色分别对应角色信息，所述训练数据包括基于模拟对战生成的数据和/或线上玩家真实对战数据；

所述第一确定模块在基于所述各个角色分别对应的角色信息，并通过角色阵容选择模型，确定为所述游戏玩家推荐的出场阵容时，具体用于：

所述第一确定模块在基于所述各个角色分别对应的角色信息，从所述各个角色中确定第一预设数量的角色时，包括以下任一项：

15.一种电子设备，其特征在于，其包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于：执行根据权利要求1~13任一项所述的阵容确定的方法。