CN110152304B - 获胜值的确定方法及装置、存储介质及电子装置 - Google Patents

获胜值的确定方法及装置、存储介质及电子装置 Download PDF

Info

Publication number
CN110152304B
CN110152304B CN201810428565.8A CN201810428565A CN110152304B CN 110152304 B CN110152304 B CN 110152304B CN 201810428565 A CN201810428565 A CN 201810428565A CN 110152304 B CN110152304 B CN 110152304B
Authority
CN
China
Prior art keywords
vector
game
account set
information
accounts
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
Application number
CN201810428565.8A
Other languages
English (en)
Other versions
CN110152304A (zh
Inventor
王晓曦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201810428565.8A priority Critical patent/CN110152304B/zh
Publication of CN110152304A publication Critical patent/CN110152304A/zh
Application granted granted Critical
Publication of CN110152304B publication Critical patent/CN110152304B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • A63F13/798—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories for assessing skills or for ranking players, e.g. for generating a hall of fame
    • 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
    • A63F2300/558—Details of game data or player data management using player registration data, e.g. identification, account, preferences, game history by assessing the players' skills or ranking

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种获胜值的确定方法及装置、存储介质及电子装置。其中，该方法包括：获取参与一局游戏中的第一帐号集合的第一目标信息，其中，第一目标信息包括第一帐号集合中的帐号在历史游戏中的第一统计信息和第一帐号集合中的帐号在一局游戏中所确定的游戏角色的第一属性信息；获取参与一局游戏中的第二帐号集合的第二目标信息，其中，第二目标信息包括第二帐号集合中的帐号在历史游戏中的第二统计信息和第二帐号集合中的帐号在一局游戏中所确定的游戏角色的第二属性信息；使用目标函数对第一统计信息、第一属性信息、第二统计信息和第二属性信息进行处理，确定第一帐号集合或第二帐号集合在一局游戏中的获胜值，其中，目标函数为非线性函数。本发明解决了相关技术中所获取的获胜值的准确性较低的技术问题。

Description

获胜值的确定方法及装置、存储介质及电子装置
技术领域
本发明涉及计算机领域，具体而言，涉及一种获胜值的确定方法及装置、存储介质及电子装置。
背景技术
目前，预测游戏中玩家获胜值的方式，通常是统计玩家过往的对战信息(玩家历史胜率、玩家游戏段位等)，从而实现根据历史对战信息，来预测玩家在当前所参与的游戏中的获胜值。但是，这种方式所得到的获胜值只考虑了玩家在以往游戏中所产生的历史对战信息，从而导致所获取的获胜值的准确性较低。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供一种获胜值的确定方法及装置、存储介质及电子装置，以至少解决相关技术中所获取的获胜值的准确性较低的技术问题。
根据本发明实施例的一个方面，提供了一种获胜值的确定方法，包括：获取参与所述一局游戏中的第一帐号集合的第一目标信息，其中，所述第一目标信息包括所述第一帐号集合中的帐号在历史游戏中的第一统计信息和所述第一帐号集合中的帐号在所述一局游戏中所确定的游戏角色的第一属性信息；获取参与所述一局游戏中的第二帐号集合的第二目标信息，其中，所述第二目标信息包括所述第二帐号集合中的帐号在历史游戏中的第二统计信息和所述第二帐号集合中的帐号在所述一局游戏中所确定的游戏角色的第二属性信息；使用目标函数对所述第一统计信息、所述第一属性信息、所述第二统计信息和所述第二属性信息进行处理，确定所述第一帐号集合或所述第二帐号集合在所述一局游戏中的获胜值，其中，所述目标函数为非线性函数。
根据本发明实施例的另一方面，还提供了一种获胜值的确定装置，包括：第一获取单元，用于获取参与所述一局游戏中的第一帐号集合的第一目标信息，其中，所述第一目标信息包括所述第一帐号集合中的帐号在历史游戏中的第一统计信息和所述第一帐号集合中的帐号在所述一局游戏中所确定的游戏角色的第一属性信息；第二获取单元，获取参与所述一局游戏中的第二帐号集合的第二目标信息，其中，所述第二目标信息包括所述第二帐号集合中的帐号在历史游戏中的第二统计信息和所述第二帐号集合中的帐号在所述一局游戏中所确定的游戏角色的第二属性信息；确定单元，用于使用目标函数对所述第一统计信息、所述第一属性信息、所述第二统计信息和所述第二属性信息进行处理，确定所述第一帐号集合或所述第二帐号集合在所述一局游戏中的获胜值，其中，所述目标函数为非线性函数。
根据本发明实施例的又一方面，还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述方法。
根据本发明实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述的方法。
在本发明实施例中，确定的获胜值是根据一局游戏中两个帐号集合中的帐号的在历史游戏中的统计信息和两个帐号集合中的帐号在一局游戏中所确定的游戏角色的属性信息来确定的，使得在确定获胜值的过程中，不仅考虑了第一帐号集合和第二帐号集合中账号在以往游戏中的信息(在历史游戏中的统计信息)，还结合了第一帐号集合和第二帐号集合中账号在当前一局游戏中的信息(在一局游戏中所确定的游戏角色的属性信息)，提高了获取的获胜值的准确性，从而克服了相关技术中仅考虑玩家在以往游戏中所产生的历史对战信息，从而导致所获取的获胜值的准确性较低，进而解决了相关技术中所获取的获胜值的准确性较低的问题。
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可选的获胜值的确定方法的应用环境的示意图；
图2是根据本发明实施例的一种可选的获胜值的确定方法的流程示意图；
图3是根据本发明实施例的一种可选的游戏适配方法的示意图；
图4是根据本发明实施例的另一种可选的获胜值的确定方法的示意图；
图5是根据本发明实施例的又一种可选的获胜值的确定方法的示意图；
图6是根据本发明实施例的一种可选的获胜值的确定装置的结构示意图；
图7是根据本发明实施例的一种可选的电子装置的结构示意图。
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。
根据本发明实施例的一个方面，提供了一种获胜值的确定方法。可选地，上述获胜值的确定方法可以但不限于应用于如图1所示的应用环境中。需要说明的是，A队相当于第一帐号集合，且A队中可以包含多个队员，图1为了简化附图，仅体现了一个队员；B队相当于第二帐号集合，且B队中可以包含多个队员，图1为了简化附图，仅体现了一个队员。如图1所示，作为一种可选的实施方式，终端102通过网络104从服务器106获取一局游戏的开始请求后，响应该开始请求，终端102获取参与一局游戏中的A队的第一目标信息，其中，第一目标信息包括A队中的帐号在历史游戏中的第一统计信息和A队中的帐号在一局游戏中所确定的游戏角色的第一属性信息；以及参与一局游戏中的B队的第二目标信息，其中，第二目标信息包括B队中的帐号在历史游戏中的第二统计信息和B队中的帐号在一局游戏中所确定的游戏角色的第二属性信息；然后，终端102使用目标函数对第一统计信息、第一属性信息、第二统计信息和第二属性信息进行处理，确定A队或B队在一局游戏中的获胜值，其中，所述目标函数为非线性函数。
在本发明实施例中，终端获取了两个帐号集合中的帐号在历史游戏中的统计信息和两个帐号集合中的帐号在一局游戏中所确定的游戏角色的属性信息，来确定第一帐号集合或第二帐号集合在一局游戏中的获胜值，使得在确定获胜值的过程中，不仅考虑了第一帐号集合和第二帐号集合中账号在以往游戏中的信息(在历史游戏中的统计信息)，还结合了第一帐号集合和第二帐号集合中账号在当前一局游戏中的信息(在一局游戏中所确定的游戏角色的属性信息)，提高了获取的获胜值的准确性，从而克服了相关技术中仅考虑玩家在以往游戏中所产生的历史对战信息，从而导致所获取的获胜值的准确性较低，进而解决了相关技术中所获取的获胜值的准确性较低的问题。
需要说明的是，在本实施例中，上述终端可以包括但不限于以下至少之一：手机、平板电脑等。上述网络可以包括但不限于无线网络，其中，该无线网络包括：蓝牙、WIFI及其他实现无线通信的网络。上述服务器可以包括但不限于以下至少之一：PC机及其他用于计算服务的设备。上述只是一种示例，本实施例对此不做任何限定。
根据本发明实施例的一个方面，提供了一种可选的获胜值的确定方法，如图2所示，上述获胜值的确定方法可以包括：
S202，获取参与一局游戏中的第一帐号集合的第一目标信息，其中，第一目标信息包括第一帐号集合中的帐号在历史游戏中的第一统计信息和第一帐号集合中的帐号在一局游戏中所确定的游戏角色的第一属性信息；
S204，获取参与一局游戏中的第二帐号集合的第二目标信息，其中，第二目标信息包括第二帐号集合中的帐号在历史游戏中的第二统计信息和第二帐号集合中的帐号在一局游戏中所确定的游戏角色的第二属性信息；
S206，使用目标函数对第一统计信息、第一属性信息、第二统计信息和第二属性信息进行处理，确定第一帐号集合或第二帐号集合在一局游戏中的获胜值，其中，目标函数为非线性函数。
需要说明的是，上述获胜值的确定方法可以但不限于应用于不同的游戏应用中。例如多人在线战术竞技游戏(Multiplayer Online Battle Arena，简称为MOBA)MOBA游戏，棋牌类游戏，角色扮演游戏(Role-Playing Game，简称为RPG)游戏中的PvP玩法，在此不做具体限定。需要说明的是，上述游戏应用可以包括但不限于以下至少之一：二维(TwoDimension，简称2D)游戏应用、三维(Three Dimension，简称3D)游戏应用、虚拟现实(Virtual Reality，简称VR)游戏应用、增强现实(Augmented Reality，简称AR)游戏应用、混合现实(Mixed Reality，简称MR)游戏应用。以上只是一种示例，本实施例对此不作任何限定。
进一步来说，获胜值的确定方法可以应用于以下至少一种场景中：游戏匹配场景，游戏竞猜场景等。比如，在游戏匹配场景中，游戏开始前需要匹配不同账号集合来完成一局游戏，通过本申请提供的实施例可以但不限于根据获取到的获胜值确定上述参与同一局游戏的不同的账号集合，从而使参与到同一局游戏的不同的账号集合具备相当的对战实力，保证游戏的公平性；又如，在游戏竞猜场景中，在游戏开始，需要为游戏中的不同选手匹配对应的赔率，通过本申请提供的实施例可以但不限于根据获取到的游戏选手的获胜值，从而为选手匹配合适的赔率。
可选地，在本实施例中，上述统计信息可以包括但不限于：帐号的历史胜率、帐号的段位级别、帐号在历史游戏中对预定游戏角色的控制数据。上述控制数据可以包括但不限于历史游戏中的平均输出伤害值，助攻次数，杀死人数、死亡次数等。上述所确定的游戏角色的属性信息可以包括但不限于：实际选择的游戏角色的属性信息、根据帐号的历史信息所预测选择的游戏角色的属性信息。其中，上述预测选择的游戏角色可以是历史信息中使用频率最高的游戏角色，也可以是历史信息中获胜频率最高的游戏角色，还可以是历史信息中上一局游戏中使用的游戏角色本实施例对此不作任何限定。上述属性信息可以包括但不限于：游戏角色的技能、游戏角色的职业、游戏角色对应的游戏战略。以上只是一种示例，本实施例对此不作任何限定。
而传统的预测胜率方法，如基于统计学与概率论的胜负预测算法(Elo算法和TrueSkill算法)，都是通过统计玩家过往对战数据，给玩家打分，得到玩家能力值，并根据每次比赛胜负对玩家的能力值进行调整，待能力值收敛后，通过比较能力值来预测胜率。如，Elo算法仅仅是用一个值来表示玩家能力，比较玩家能力也仅仅是比较该值的大小。而TrueSkill算法则是使用一个概率分布来描述玩家的能力，即该玩家在实际游戏中表现水平的概率分布。在比较玩家能力时，通过比较双方能力概率分布，来估算出其中一方获胜的概率。由于能力水平概率分布不仅能够描述一名玩家的水平高低，还可以描述其发挥是否稳定，以及发挥出的水平范围大小。因此TrueSkill比Elo要更准确也更全面。但是，Elo和TrueSkill两种算法都只是考虑了玩家的能力值或者能力值分布，即只考了玩家的历史信息，并无法考虑到游戏中玩家策略的相互克制，即无法考虑当前游戏的玩家信息。
相比于相关技术，本发明实施例确定的获胜值是根据一局游戏中两个帐号集合中的帐号在历史游戏中的统计信息和两个帐号集合中的帐号在一局游戏中所确定的游戏角色的属性信息来确定的，使得在确定获胜值的过程中，不仅考虑了第一帐号集合和第二帐号集合中账号在以往游戏中的信息(在历史游戏中的统计信息)，还结合了第一帐号集合和第二帐号集合中账号在当前一局游戏中的信息(在一局游戏中所确定的游戏角色的属性信息)，提高了获取的获胜值的准确性，从而克服了相关技术中仅考虑玩家在以往游戏中所产生的历史对战信息，从而导致所获取的获胜值的准确性较低，进而解决了相关技术中所获取的获胜值的准确性较低的问题。
需要说明的是，确定第一帐号集合或第二帐号集合在所述一局游戏中的获胜值过程中，可以将上述统计信息(包括第一统计信息和第二统计信息)和属性信息(包括第一属性信息和第二属性信息)表示为向量，进而在使用非线性函数对上述向量进行处理，确定第一帐号集合或第二帐号集合在一局游戏中的获胜值。可选地，上述非线性函数可以采用S型函数。
需要说明的是，在将上述统计信息和属性信息表示为向量的过程中，可以采用但不限于以下方式：以第一目标信息为例，可以使用经过机器学习获取的目标模型先将第一帐号集合中的帐号的第一属性信息表示为向量，例如，表示为bi和ci，其中，bi可以用于表示属性信息中游戏角色的优势信息，如，游戏角色擅长进攻，则优势信息可以是进攻指数，又如，游戏角色擅长防守，则优势信息可以包括防守指数，又如，游戏角色段位等级较高，则优势信息可以包括等级指数，需要说明的是，优势信息也可以同时包括上述指数信息中多个，ci可以用于表示属性信息中的游戏角色弱势信息，如，游戏角色不擅长进攻，则优势信息可以是进攻指数，又如，游戏角色不擅长防守，则优势信息可以包括防守指数，又如，游戏角色段位等级较低，则优势信息可以包括等级指数，需要说明的是，优势信息也可以同时包括上述指数信息中多个，然后再将该bi和ci结合第一统计信息集合获取第一向量和第二向量。
需要说明的是，上述结合第一统计信息集合获取第一向量和第二向量，可以通过但不限于如下方式：将第一统计信息表示为向量pi，通过函数将pi分别和bi和ci拼接为新向量，即第一向量和第二向量。
需要说明的是，对于第二目标信息处理方式与上述第一目标信息处理方式实施例第一目标信息处理方式相同，此处不再赘述。
需要说明的是，在根据第一向量、第二向量、第三向量和第四向量，确定第一帐号集合或第二帐号集合在一局游戏中的获胜值的过程中，可以使用但不限于基于深度学习标识策略相克模型对第一向量、第二向量、第三向量和第四向量进行处理，确定第一帐号集合或第二帐号集合在一局游戏中的获胜值。
需要说明的是，为了增加上述实施例的模型可训练的参数量和模型深度，让结果拟合的更好，得到的帐号集合向量(第一向量、第二向量、第三向量和第四向量)可以进一步输入深度神经网络算法(Deep Neural Network，简称为DNN)模型，增加一定数量的神经网络隐藏层。
作为一种可选的方案，在获取到第一帐号集合或第二帐号集合在当前一局游戏中的获胜值之后，还可以包括但不限于：根据第一帐号集合和第二帐号集合在当前一局游戏中的获胜值的差值，确定是否匹配第一帐号集合和第二帐号集合；如果确定不匹配第一帐号集合和第二帐号集合，则获取第三账号集合在当前一局游戏中的获胜值，根据第一帐号集合和第三帐号集合在当前一局游戏中的获胜值的差值，确定是否匹配第一帐号集合和第三帐号集合，以此类推，直至为第一帐号集合匹配到合适的另一帐号集合。
例如，以应用于游戏适配为例，如图3所示，终端402在获取到A队和B队在当前一局游戏中的获胜值后，确定A队和B队在当前一局游戏中的获胜值的差值是否小于预设的预定值(如，预定值可以设置为0.1)，如果小于预定值，则直接匹配A队和B队在当前一局游戏中作为对手开始游戏；如果大于等于预设值，则继续获取参当前一局游戏中的C队(相当于上述素第三帐号集合)的第三目标信息，获取C队在当前一局游戏中的获胜值，继而确定C队和A队在当前一局游戏中的获胜值的差值是否小于预设的预定值(如0.1)，如果小于预定值，则匹配A队和C队在当前一局游戏中作为对手开始游戏；如果大于等于预定值，则继续获取其他帐号集合的目标信息，与第一帐号集合进行匹配。
作为一种可选的方案，使用目标函数对第一统计信息、第一属性信息、第二统计信息和第二属性信息进行处理包括但不限于以下方法：
S1，根据第一统计信息、第一属性信息，生成第一帐号集合的第一向量和第二向量，其中，第一向量包括第一帐号集合的属性等级大于等于第一预定值的信息，第二向量包括第一帐号集合的属性等级小于第二预定值的信息，第一预定值大于第二预定值；
S2，根据第二统计信息、第二属性信息，生成第二帐号集合的第三向量和第四向量，其中，第三向量包括第二帐号集合的属性等级大于等于第一预定值的信息，第四向量包括第二帐号集合的属性等级小于第二预定值的信息；
S3，使用目标函数对第一向量、第二向量、第三向量和第四向量进行处理。
具体结合以下示例进行说明，如图4所示，玩家1使用终端502，以队伍A(相当于上述第一帐号集合)的队员的身份和队伍B(相当于上述第二帐号集合)即将进行对抗比赛，终端502可以根据队伍A的玩家1(相当于上述帐号集合中的帐号)的第一统计信息(玩家历史胜率，玩家游戏段位级别等)，以及玩家1在该局游戏中所确定的游戏角色的第一属性信息(如游戏角色的技能、职业以及对应的战术战略)，可以使用但不限于使用由机器学习获取的目标模型将上述信息转化为向量，得到玩家1的用于表示玩家优点的blade向量(相当于属性等级大于等于第一预定值的信息，如包括进攻指数，玩家级别指数等)和用于表示玩家弱点的chest向量(相当于属性等级小于第二预定值的信息，如包括防守指数)，以此类推得到玩家m的用于表示玩家优点的blade向量和用于表示玩家弱点的chest向量，根据玩家1到m的blade向量和chest向量，得到队伍A的blade向量和chest向量，也即上述第一向量和上述第二向量。
根据上述方式，队伍B的blade向量和chest向量，也即上述第三向量和上述第四向量。然后，根据队伍A的blade向量和chest向量和队伍B的blade向量和chest向量，得到队伍A或队伍B的获胜值。
通过上述实施例，基于由机器学习获取的目标模型，将第一目标信息和第二目标信息表示为用于表示帐号集合优点的blade向量和用于表示帐号集合弱点的chest向量，进而根据帐号集合的blade向量和chest向量确定帐号集合在一局游戏中的获胜值，使得对通用属性信息进行量化的方案，很好的利用了向量的泛化能力，使得可以通过比较向量来得到两个队伍的优劣。
作为一种可选的方案，根据第一统计信息、第一属性信息，生成第一帐号集合的第一向量和第二向量包括但不限于以下方法：
S1，使用目标模型对第一属性信息进行处理，获取第一帐号集合中的帐号的第五向量和第六向量，其中，目标模型为使用多组样本属性信息通过机器学习对初始模型进行训练出得到的模型，第五向量包括第一帐号集合中的帐号的属性等级大于等于第三预定值的信息，第六向量包括第一帐号集合中的帐号的属性等级小于第四预定值的信息，第三预定值大于第四预定值；
S2，根据第五向量、第六向量以及第一统计信息，获取第一帐号集合中的帐号的第一向量i和第二向量i；
S3，将第一帐号集合中的所有帐号的第一向量i和第二向量i求和，生成第一帐号集合的第一向量和第二向量。
具体结合以下示例进行说明，如图4所示，玩家1使用终端502，以队伍A的队员的身份和队伍B即将进行对抗比赛，终端502在得到队伍A的玩家1(相当于上述帐号集合中的帐号)的用于表示玩家优点的blade向量(相当于属性等级大于等于第一预定值的信息)和用于表示玩家弱点的chest向量(相当于属性等级小于第二预定值的信息)时，可以先获取属性信息对应的第一blade向量和第一chest向量，然后再根据该第一blade向量和第一chest向量结合队伍A的玩家1的历史信息(玩家历史胜率，玩家游戏段位级别等)，来获取玩家1上述用于表示玩家优点的blade向量和上述用于表示玩家弱点的chest向量。以此类推得到玩家m的用于表示玩家优点的blade向量和用于表示玩家弱点的chest向量，将m个玩家求和，获取队伍A的blade向量和chest向量。
作为一种可选的方案，可以通过如下方式获取第一帐号集合中的帐号的第一向量i和第二向量i包括：
Bi＝concat(σ(Wb·pi+bb)，bi) (1)
Ci＝concat(σ(Wc·pi+bc)，ci) (2)
其中，Bi为第一向量i，Ci为第二向量i，pi为第一统计信息，bi为第五向量，ci为第六向量，Wb，bb，Wc，bc为神经网络模型中的模型参数，σ为非线性变换函数，concat()表示将括号内两向量拼接得到一个新的向量。
需要说明的是，上述实施例中的获取第一帐号集合中帐号的第一向量和第二向量的方式并不限于上述所列方式，其仅仅是一种可选的方案。
作为一种可选的方案，根据第二统计信息、第二属性信息，生成第二帐号集合的第三向量和第四向量包括但不限于：
S1，使用目标模型对第二属性信息进行处理，获取第二帐号集合中的帐号的第七向量和第八向量，其中，目标模型为使用多组样本属性信息通过机器学习对初始模型进行训练出得到的模型，第七向量包括第二帐号集合中的帐号的属性等级大于等于第三预定值的信息，第八向量包括第二帐号集合中的帐号的属性等级小于第四预定值的信息，第三预定值大于第四预定值；
S2，根据第七向量、第八向量以及第二统计信息，获取第二帐号集合中的帐号的第三向量j和第四向量j；
S3，将所述第二帐号集合中的所有帐号的第三向量j和第四向量j求和，生成所述第二帐号集合的第三向量和第四向量。
具体结合以下示例进行说明，如图4所示，玩家1使用终端502，以队伍A(相当于上述第一帐号集合)的队员的身份和队伍B(相当于上述第二帐号集合)即将进行对抗比赛，终端502在得到队伍B的玩家1(相当于上述帐号集合中的帐号)的用于表示玩家优点的blade向量(相当于属性等级大于等于第三预定值的信息)和用于表示玩家弱点的chest向量(相当于属性等级小于第四预定值的信息)时，可以先获取属性信息对应的第二blade向量和第二chest向量，然后再根据该第二blade向量和第二chest向量结合队伍B的玩家1的历史信息(玩家历史胜率，玩家游戏段位级别等)，来获取玩家1上述用于表示玩家优点的blade向量和上述用于表示玩家弱点的chest向量。以此类推得到玩家m的用于表示玩家优点的blade向量和用于表示玩家弱点的chest向量，将m个玩家求和，获取队伍B的blade向量和chest向量。
作为一种可选的方案，通过如下方式获取第二帐号集合中帐号的第三向量j和第四向量j：
Bj＝concat(σ(Wb·pj+bb)，bj) (3)
Cj＝concat(σ(Wc·pj+bc)，cj) (4)
其中，Bj为第三向量j，Cj为第四向量j，pj为第二统计信息，bj为第七向量，cj为第八向量，Wb，bb，Wc，bc为神经网络模型中的模型参数，σ为非线性变换函数，concat()表示将括号内两向量拼接得到一个新的向量。
需要说明的是，上述实施例中的获取第二帐号集合中帐号的第三向量和第四向量的方式并不限于上述所列方式，其仅仅是一种可选的方案。
作为一种可选的方案，上述目标函数可以包括但不限于：S型函数(如sigmoid函数)。
例如，如图4所示的，在得到玩家1至玩家m的用于表示玩家优点的blade向量和用于表示玩家弱点的chest向量后，将玩家1至玩家m的用于表示玩家优点的blade向量进行求和，将玩家1至玩家m的用于表示玩家弱点的chest向量进行求和，如可以通过如下方式分别对blade向量和chest向量进行求和池化(pooling)所得，即：
TBj＝∑Bi (5)
TCj＝∑Ci (6)
然后，根据上述TBj和TCj确定队伍A或者队伍B在一局游戏中的获胜值。例如，可以使用blade-chest模型中的向量比较的方法，即：
PA＝Prob(Team A wins)＝Sigmoid(TBA·TCB-TBB·TCA) (7)
作为一种可选的方案，在确定第一帐号集合或第二帐号集合在一局游戏中的获胜值之前，还包括：将第一向量、第二向量、第三向量和第四向量输入深度神经网络算法DNN模型，增加预定数量的隐藏层。通过上述实施例可以增加模型可训练的参数量和模型深度，让结果拟合的更好。
例如，将得到的队伍blade-chest向量(即TBj和TCj)进一步输入DNN模型进行传导，增加一定数量的神经网络隐藏层，可以增加模型可训练的参数量和模型深度。
为了方便理解上述实施例，本实施例以由一个神经网络模型组成的系统为了进行说明，系统框架如图5所示，该系统采用了基于深度学习标识策略相克模型blade-chest模型来确定获胜值，其中，系统的输入部分包括玩家的个人信息(相当于上述历史信息)和玩家的策略信息(相当于上述属性信息)，均因不同游戏而异。其中，个人信息主要包括玩家游戏历史的统计数据，例如玩家历史胜率，玩家游戏段位级别，以及玩家控制的游戏角色在游戏中的统计数据，其中，玩家控制的游戏角色在游戏中的统计数据可以包括：MOBA游戏中的平均输出伤害值、杀死/死亡/助攻均值、操作频率等。玩家的策略信息则是游戏中预设或者是玩家总结出的一些通用的策略，这里可以是玩家选择的战略战术，也可以是指玩家选择的游戏角色，如MOBA游戏中的英雄，或者RPG游戏角色的职业、技能等，这里统称为策略信息。与个人信息不同，玩家的策略信息一定是可以抽象出来，对于所有玩家理论上都可以通用的，而不是针对某一玩家的个人数据信息。
在玩家策略信息中，不同策略分别抽象为一个代号ID表示。系统预先初始化两个可训练的策略表矩阵，分布为blade表和chest表。策略ID输入系统后，通过查表的方法，在blade表和chest表中取出对应的策略blade向量和策略chest向量，再加上玩家的个人信息，一共三个向量共同输入系统中。
对于每个玩家i，将他的策略blade向量、策略chest向量和个人数据向量分别记作bi，ci和pi，再使用神经网络的DNN模型，按下面公式将这三个输入向量综合得到玩家blade向量Bi和玩家chest向量Ci：
Bi＝concat(σ(Wb·pi+bb)，bi) (8)
Ci＝concat(σ(Wc·pi+bc)，ci) (9)
其中，Wb，bb，Wc，bc为神经网络模型中的模型参数，σ为非线性变换函数，如sigmoid函数等，conca()表示将括号内两向量拼接得到一个新的向量。至此为止，我们能够得到游戏中每名玩家的blade向量Bi和chest向量Ci。这样一来得到的新的blade-chest向量，就既包含玩家的策略信息，又包含了玩家的个人游戏信息。这种方法的到的blade-chest向量要比原有的方法包含的信息更全面。
双方队伍的blade向量TBj和chest向量TCj可以由对应队伍中所有玩家的blade向量Bi和chest向量Ci分别进行求和池化(pooling)所得，即：
TBj＝∑Bi (10)
TCj＝∑Ci (11)
得到的队伍blade-chest向量可以进一步输入DNN模型进行传导，增加一定数量的神经网络隐藏层可以增加模型可训练的参数量和模型深度，让结果拟合的更好。最后，使用blade-chest模型中的向量比较的方法，即：
PA＝Prob(Team A wins)＝Sigmoid(TBA·TCB-TBB·TCA) (12)
比较两队的优势和劣势，最终计算出A队伍获胜值PA，B队获胜值即为1-PA。
本发明实施例提出了一种结合深度学习模型来预测游戏比赛获胜值的系统。在很多双方对抗的游戏中，游戏的胜负既跟玩家的实力有关，又跟玩家使用的游戏角色特性，和战略战术有关。使用本发明实施中的预测系统可以在考虑了玩家实力的基础上，再根据玩家角色和选择策略之间的相生相克，来进一步提升获胜值预测的准确度，可见，该系统提出了一个更加完备的预测获胜值的框架和方法，在考虑玩家能力的基础上，更进一步将玩家的策略偏好加以考虑，从而较现有的其它预测获胜值的方法效果更好。
需要说明的是，本发明实施例中，没有对每名玩家再训练一组blade-chest向量作为玩家自身的向量表示，这样做主要是为了减少模型训练和数据处理工作量，但实际中仍然可以这样做，特别是在今后随着科技发展，计算成本逐渐减小，针对每名玩家来做个性化的量化也是可行的。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
根据本发明实施例的另一个方面，还提供了一种用于实施上述获胜值的确定方法的获胜值的确定装置，如图6所示，该装置包括：
(1)第一获取单元602，用于获取参与一局游戏中的第一帐号集合的第一目标信息，其中，第一目标信息包括第一帐号集合中的帐号在历史游戏中的第一统计信息和第一帐号集合中的帐号在一局游戏中所确定的游戏角色的第一属性信息；
(2)第二获取单元604，用于获取参与一局游戏中的第二帐号集合的第二目标信息，其中，第二目标信息包括第二帐号集合中的帐号在历史游戏中的第二统计信息和第二帐号集合中的帐号在一局游戏中所确定的游戏角色的第二属性信息；
(3)确定单元606，用于使用目标函数对第一统计信息、第一属性信息、第二统计信息和第二属性信息进行处理，确定第一帐号集合或第二帐号集合在一局游戏中的获胜值，其中，目标函数为非线性函数。
需要说明的是，上述获胜值的确定方法可以但不限于应用于不同的游戏应用中。例如多人在线战术竞技游戏(Multiplayer Online Battle Arena，简称为MOBA)MOBA游戏，棋牌类游戏，角色扮演游戏(Role-Playing Game，简称为RPG)游戏中的PvP玩法，在此不做具体限定。需要说明的是，上述游戏应用可以包括但不限于以下至少之一：二维(TwoDimension，简称2D)游戏应用、三维(Three Dimension，简称3D)游戏应用、虚拟现实(Virtual Reality，简称VR)游戏应用、增强现实(Augmented Reality，简称AR)游戏应用、混合现实(Mixed Reality，简称MR)游戏应用。以上只是一种示例，本实施例对此不作任何限定。
进一步来说，获胜值的确定方法可以应用于以下至少一种场景中：游戏匹配场景，游戏竞猜场景等。比如，在游戏匹配场景中，游戏开始前需要匹配不同账号集合来完成一局游戏，通过本申请提供的实施例可以但不限于根据获取到的获胜值确定上述参与同一局游戏的不同的账号集合，从而使参与到同一局游戏的不同的账号集合具备相当的对战实力，保证游戏的公平性；又如，在游戏竞猜场景中，在游戏开始，需要为游戏中的不同选手匹配对应的赔率，通过本申请提供的实施例可以但不限于根据获取到的游戏选手的获胜值，从而为选手匹配合适的赔率。
可选地，在本实施例中，上述统计信息可以包括但不限于：帐号的历史胜率、帐号的段位级别、帐号在历史游戏中对预定游戏角色的控制数据。上述控制数据可以包括但不限于历史游戏中的平均输出伤害值，助攻次数，杀死人数、死亡次数等。上述所确定的游戏角色的属性信息可以包括但不限于：实际选择的游戏角色的属性信息、根据帐号的历史信息所预测选择的游戏角色的属性信息。其中，上述预测选择的游戏角色可以是历史信息中使用频率最高的游戏角色，也可以是历史信息中获胜频率最高的游戏角色，还可以是历史信息中上一局游戏中使用的游戏角色本实施例对此不作任何限定。上述属性信息可以包括但不限于：游戏角色的技能、游戏角色的职业、游戏角色对应的游戏战略。以上只是一种示例，本实施例对此不作任何限定。
而传统的预测胜率方法，如基于统计学与概率论的胜负预测算法(Elo算法和TrueSkill算法)，都是通过统计玩家过往对战数据，给玩家打分，得到玩家能力值，并根据每次比赛胜负对玩家的能力值进行调整，待能力值收敛后，通过比较能力值来预测胜率。如，Elo算法仅仅是用一个值来表示玩家能力，比较玩家能力也仅仅是比较该值的大小。而TrueSkill算法则是使用一个概率分布来描述玩家的能力，即该玩家在实际游戏中表现水平的概率分布。在比较玩家能力时，通过比较双方能力概率分布，来估算出其中一方获胜的概率。由于能力水平概率分布不仅能够描述一名玩家的水平高低，还可以描述其发挥是否稳定，以及发挥出的水平范围大小。因此TrueSkill比Elo要更准确也更全面。但是，Elo和TrueSkill两种算法都只是考虑了玩家的能力值或者能力值分布，即只考了玩家的历史信息，并无法考虑到游戏中玩家策略的相互克制，即无法考虑当前游戏的玩家信息。
相比于相关技术，本发明实施例确定的获胜值是根据一局游戏中两个帐号集合中的帐号在历史游戏中的统计信息和两个帐号集合中的帐号在一局游戏中所确定的游戏角色的属性信息来确定的，使得在确定获胜值的过程中，不仅考虑了第一帐号集合和第二帐号集合中账号在以往游戏中的信息(在历史游戏中的统计信息)，还结合了第一帐号集合和第二帐号集合中账号在当前一局游戏中的信息(在一局游戏中所确定的游戏角色的属性信息)，提高了获取的获胜值的准确性，从而克服了相关技术中仅考虑玩家在以往游戏中所产生的历史对战信息，从而导致所获取的获胜值的准确性较低，进而解决了相关技术中所获取的获胜值的准确性较低的问题。
作为一种可选的方案，在本实施例中，确定单元606包括：
第一生成模块，用于根据第一统计信息、第一属性信息，生成第一帐号集合的第一向量和第二向量，其中，第一向量包括第一帐号集合的属性等级大于等于第一预定值的信息，第二向量包括第一帐号集合的属性小于第二预定值的信息，第一预定值大于第二预定值；
第二生成模块，用于根据第二统计信息、第二属性信息，生成第二帐号集合的第三向量和第四向量，其中，第三向量包括第二帐号集合的属性等级大于等于第一预定值的信息，第四向量包括第二帐号集合的属性等级小于第二预定值的信息；
确定模块，用于使用目标函数对第一向量、第二向量、第三向量和第四向量进行处理。
具体结合以下示例进行说明，如图4所示，玩家1使用终端502，以队伍A(相当于上述第一帐号集合)的队员的身份和队伍B(相当于上述第二帐号集合)即将进行对抗比赛，终端502可以根据队伍A的玩家1(相当于上述帐号集合中的帐号)的第一统计信息(玩家历史胜率，玩家游戏段位级别等)，以及玩家1在该局游戏中所确定的游戏角色的第一属性信息(如游戏角色的技能、职业以及对应的战术战略)，可以使用但不限于使用由机器学习获取的目标模型将上述信息转化为向量，得到玩家1的用于表示玩家优点的blade向量(相当于属性等级大于等于第一预定值的信息，如包括进攻指数，玩家级别指数等)和用于表示玩家弱点的chest向量(相当于属性等级小于第二预定值的信息，如包括防守指数)，以此类推得到玩家m的用于表示玩家优点的blade向量和用于表示玩家弱点的chest向量，根据玩家1到m的blade向量和chest向量，得到队伍A的blade向量和chest向量，也即上述第一向量和上述第二向量。
根据上述方式，队伍B的blade向量和chest向量，也即上述第三向量和上述第四向量。然后，根据队伍A的blade向量和chest向量和队伍B的blade向量和chest向量，得到队伍A或队伍B的获胜值。
通过上述实施例，基于由机器学习获取的目标模型，将第一目标信息和第二目标信息表示为用于表示帐号集合优点的blade向量和用于表示帐号集合弱点的chest向量，进而根据帐号集合的blade向量和chest向量确定帐号集合在一局游戏中的获胜值，使得对通用属性信息进行量化的方案，很好的利用了向量的泛化能力，因此可以通过比较向量来得到两个队伍的优劣。
作为一种可选的方案，在本实施例中，第一获取模块包括：
第一获取子模块，用于使用目标模型对第一属性信息进行处理，获取第一帐号集合中的帐号的第五向量和第六向量，其中，目标模型为使用多组样本属性信息通过机器学习对初始模型进行训练出得到的模型，第五向量包括第一帐号集合中的帐号的属性等级大于等于第三预定值的信息，第六向量包括第一帐号集合中的帐号的属性等级小于第四预定值的信息，第三预定值大于第四预定值；
第二获取子模块，用于根据第五向量、第六向量以及第一统计信息，获取第一帐号集合中的帐号的第一向量i和第二向量i，其中，i为正整数；
第一生成子模块，用于将第一帐号集合中的所有帐号的第一向量i和第二向量i求和，生成所述第一帐号集合的第一向量和第二向量。
具体结合以下示例进行说明，如图4所示，玩家1使用终端502，以队伍A的队员的身份和队伍B即将进行对抗比赛，终端502在得到队伍A的玩家1(相当于上述帐号集合中的帐号)的用于表示玩家优点的blade向量(相当于属性等级大于等于第一预定值的信息)和用于表示玩家弱点的chest向量(相当于属性等级小于第二预定值的信息)时，可以先获取属性信息对应的第一blade向量和第一chest向量，然后再根据该第一blade向量和第一chest向量结合队伍A的玩家1的历史信息(玩家历史胜率，玩家游戏段位级别等)，来获取玩家1上述用于表示玩家优点的blade向量和上述用于表示玩家弱点的chest向量。以此类推得到玩家m的用于表示玩家优点的blade向量和用于表示玩家弱点的chest向量，将m个玩家求和，获取队伍A的blade向量和chest向量。
作为一种可选的方案，在本实施例中，第二获取子模块通过如下方式获取第一帐号集合中帐号的第一向量i和第二向量i包括：
Bi＝concat(σ(Wb·pi+bb)，bi) (13)
Ci＝concat(σ(Wc·pi+bc)，ci) (14)
其中，Bi为第一向量i，Ci为第二向量i，pi为第一统计信息，bi为第五向量，ci为第六向量，Wb，bb，Wc，bc为神经网络模型中的模型参数，σ为非线性变换函数，concat()表示将括号内两向量拼接得到一个新的向量。
作为一种可选的方案，在本实施例中，第二获取模块包括：
第三获取子模块，用于使用目标模型对第二属性信息进行处理，获取第二帐号集合中的帐号的第七向量和第八向量，其中，目标模型为使用多组样本属性信息通过机器学习对初始模型进行训练出得到的模型，第七向量包括第二帐号集合中的帐号的属性等级大于等于第三预定值的信息，第八向量包括第二帐号集合中的帐号的属性等级小于第四预定值的信息，第三预定值大于第四预定值；
第四获取子模块，用于根据第七向量、第八向量以及第二统计信息，获取第二帐号集合中的帐号的第三向量j和第四向量j，其中，i为正整数；
第二生成子模块，用于将第二帐号集合中的所有帐号的第三向量j和第四向量j求和，生成第二帐号集合的第三向量和第四向量。
具体结合以下示例进行说明，如图4所示，玩家1使用终端502，以队伍A(相当于上述第一帐号集合)的队员的身份和队伍B(相当于上述第二帐号集合)即将进行对抗比赛，终端502在得到队伍B的玩家1(相当于上述帐号集合中的帐号)的用于表示玩家优点的blade向量(相当于属性等级大于等于第三预定值的信息)和用于表示玩家弱点的chest向量(相当于属性等级小于第四预定值的信息)时，可以先获取属性信息对应的第二blade向量和第二chest向量，然后再根据该第二blade向量和第二chest向量结合队伍B的玩家1的历史信息(玩家历史胜率，玩家游戏段位级别等)，来获取玩家1上述用于表示玩家优点的blade向量和上述用于表示玩家弱点的chest向量。以此类推得到玩家m的用于表示玩家优点的blade向量和用于表示玩家弱点的chest向量，将m个玩家求和，获取队伍B的blade向量和chest向量。
作为一种可选的方案，在本实施例中，第四获取子模块通过如下方式获取第二帐号集合中帐号的第三向量j和第四向量j：
Bj＝concat(σ(Wb·pj+bb)，bj) (15)
Cj＝concat(σ(Wc·pj+bc)，cj) (16)
其中，Bj为第三向量j，Cj为第四向量j，pj为第二统计信息，bj为第七向量，cj为第八向量，Wb，bb，Wc，bc为神经网络模型中的模型参数，σ为非线性变换函数，concat()表示将括号内两向量拼接得到一个新的向量。
作为一种可选的方案，上述目标函数可以包括但不限于：S型函数(如sigmoid函数)。
例如，如图4所示的，在得到玩家1至玩家m的用于表示玩家优点的blade向量和用于表示玩家弱点的chest向量后，将玩家1至玩家m的用于表示玩家优点的blade向量进行求和，将将玩家1至玩家m的用于表示玩家弱点的chest向量进行求和，如可以通过如下方式分别对blade向量和chest向量进行求和池化(pooling)所得，即：
TBj＝∑Bi (17)
TCj＝∑Ci (18)
然后，根据上述TBj和TCj确定队伍A或者队伍B在一局游戏中的获胜值。例如，可以使用blade-chest模型中的向量比较的方法，即：
PA＝Prob(Team A wins)＝Sigmoid(TBA·TCB-TBB·TCA) (19)
作为一种可选的方案，在本实施例中，上述装置还包括：增加模块，用于将第一向量、第二向量、第三向量和第四向量输入深度神经网络算法DNN模型，增加预定数量的隐藏层。
例如，将得到的队伍blade-chest向量(即TBj和TCj)进一步输入DNN模型进行传导，增加一定数量的神经网络隐藏层，可以增加模型可训练的参数量和模型深度。
根据本发明的实施例的又一方面，还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取参与一局游戏中的第一帐号集合的第一目标信息，其中，第一目标信息包括第一帐号集合中的帐号在历史游戏中的第一统计信息和第一帐号集合中的帐号在一局游戏中所确定的游戏角色的第一属性信息；
S2，获取参与一局游戏中的第二帐号集合的第二目标信息，其中，第二目标信息包括第二帐号集合中的帐号在历史游戏中的第二统计信息和第二帐号集合中的帐号在一局游戏中所确定的游戏角色的第二属性信息；
S3，使用目标函数对第一统计信息、第一属性信息、第二统计信息和第二属性信息进行处理，确定第一帐号集合或第二帐号集合在一局游戏中的获胜值，其中，目标函数为非线性函数。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：使用目标函数对第一统计信息、第一属性信息、第二统计信息和第二属性信息进行处理包括：
S1，根据第一统计信息、第一属性信息，生成第一帐号集合的第一向量和第二向量，其中，第一向量包括第一帐号集合中属性等级大于等于第一预定值的信息，第二向量包括第一帐号集合中属性等级小于第二预定值的信息，第一预定值大于第二预定值；
S2，根据第二统计信息、第二属性信息，生成第二帐号集合的第三向量和第四向量，其中，第三向量包括第二帐号集合中属性等级大于等于第一预定值的信息，第四向量包括第二帐号集合中属性等级小于第二预定值的信息；
S3，使用目标函数对第一向量、第二向量、第三向量和第四向量进行处理。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：根据第一统计信息、第一属性信息，生成第一帐号集合的第一向量和第二向量包括：
S1，使用目标模型对第一属性信息进行处理，获取第一帐号集合中的帐号的第五向量和第六向量，其中，目标模型为使用多组样本属性信息通过机器学习对初始模型进行训练出得到的模型，第五向量包括第一帐号集合中的帐号的属性等级大于等于第三预定值的信息，第六向量包括第一帐号集合中的帐号的属性等级小于第四预定值的信息，第三预定值大于第四预定值；
S2，根据第五向量、第六向量以及第一统计信息，获取第一帐号集合中的帐号的第一向量i和第二向量i，其中，i为正整数；
S3，将所述第一帐号集合中的所有帐号的第一向量i和第二向量i求和，生成第一帐号集合的第一向量和第二向量。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，通过如下方式获取第一帐号集合中帐号的第一向量i和第二向量包括i：
Bi＝concat(σ(Wb·pi+bb)，bi) (20)
Ci＝concat(σ(Wc·pi+bc)，ci) (21)
其中，Bi为第一向量i，Ci为第二向量i，pi为第一统计信息，bi为第五向量，ci为第六向量，Wb，bb，Wc，bc为神经网络模型中的模型参数，σ为非线性变换函数，concat()表示将括号内两向量拼接得到一个新的向量。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：根据第二统计信息、第二属性信息，生成第二帐号集合的第三向量和第四向量包括：
S1，使用目标模型对第二属性信息进行处理，获取第二帐号集合中的帐号的第七向量和第八向量，其中，目标模型为使用多组样本属性信息通过机器学习对初始模型进行训练出得到的模型，第七向量包括第二帐号集合中的帐号的属性等级大于等于第三预定值的信息，第八向量包括第二帐号集合中的帐号的属性等级小于第四预定值的信息，第三预定值大于第四预定值；
S2，根据第七向量、第八向量以及第二统计信息，获取第二帐号集合中的帐号的第三向量j和第四向量j，其中，j为正整数；
S3，将第二帐号集合中的所有帐号的第三向量j和第四向量j求和，生成第二帐号集合的第三向量和第四向量。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，通过如下方式获取第二帐号集合中帐号的第三向量j和第四向量j：
Bj＝concat(σ(Wb·pj+bb)，bj) (22)
Cj＝concat(σ(Wc·pj+bc)，cj) (23)
其中，Bj为第三向量j，Cj为第四向量j，pj为第二统计信息，bj为第七向量，cj为第八向量，Wb，bb，Wc，bc为神经网络模型中的模型参数，σ为非线性变换函数，concat()表示将括号内两向量拼接得到一个新的向量。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，目标函数包括S型函数。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：在确定第一帐号集合或第二帐号集合在一局游戏中的获胜值之前，还包括：
S1，将第一向量、第二向量、第三向量和第四向量输入深度神经网络算法DNN模型，增加预定数量的隐藏层。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，第一帐号集合中的帐号在一局游戏中所确定的游戏角色的第一属性信息包括以下至少之一：第一帐号集合中的帐号在一局游戏中实际选择的游戏角色的第一属性信息，第一帐号集合中的帐号在一局游戏中根据帐号的历史信息预测选择的游戏角色的第一属性信息；
S2，第二帐号集合中的帐号在二局游戏中所确定的游戏角色的第二属性信息包括以下至少之一：第二帐号集合中的帐号在一局游戏中实际选择的游戏角色的第一属性信息，第二帐号集合中的帐号在一局游戏中根据帐号的历史信息预测选择的游戏角色的第二属性信息；
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，第一属性信息包括以下至少之一：游戏角色的技能，游戏角色的职业，游戏角色对应的游戏战略；
S2，第二属性信息包括以下至少之一：游戏角色的技能，游戏角色的职业，游戏角色对应的游戏战略。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，第一统计信息包括以下至少之一：第一帐号集合中帐号的历史胜率，第一帐号集合中帐号的段位级别，第一帐号集合中帐号在历史游戏中对预定游戏角色的控制数据；
S2，第二统计信息包括以下至少之一：第二帐号集合中帐号的历史胜率，第二帐号集合中帐号的段位级别，第二帐号集合中帐号在历史游戏中对预定游戏角色的控制数据。
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。
根据本发明实施例的又一个方面，还提供了一种用于获胜值的确定方法的电子装置，如图7所示，该电子装置包括：处理器702、存储器704，可选地，上述装置还包括：显示器706、用户接口708、传输装置710、传感器712等。该存储器中存储有计算机程序，该处理器被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取参与一局游戏中的第一帐号集合的第一目标信息，其中，第一目标信息包括第一帐号集合中的帐号在历史游戏中的第一统计信息和第一帐号集合中的帐号在一局游戏中所确定的游戏角色的第一属性信息；
S2，获取参与一局游戏中的第二帐号集合的第二目标信息，其中，第二目标信息包括第二帐号集合中的帐号在历史游戏中的第二统计信息和第二帐号集合中的帐号在一局游戏中所确定的游戏角色的第二属性信息；
S3，使用目标函数对第一统计信息、第一属性信息、第二统计信息和第二属性信息进行处理，确定第一帐号集合或第二帐号集合在一局游戏中的获胜值，其中，目标函数为非线性函数。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：使用目标函数对第一统计信息、第一属性信息、第二统计信息和第二属性信息进行处理包括：
S1，根据第一统计信息、第一属性信息，生成第一帐号集合的第一向量和第二向量，其中，第一向量包括第一帐号集合中属性等级大于等于第一预定值的信息，第二向量包括第一帐号集合中属性等级小于第二预定值的信息，第一预定值大于第二预定值；
S2，根据第二统计信息、第二属性信息，生成第二帐号集合的第三向量和第四向量，其中，第三向量包括第二帐号集合中属性等级大于等于第一预定值的信息，第四向量包括第二帐号集合中属性等级小于第二预定值的信息；
S3，使用目标函数对第一向量、第二向量、第三向量和第四向量进行处理。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：根据第一统计信息、第一属性信息，生成第一帐号集合的第一向量和第二向量包括：
S1，使用目标模型对第一属性信息进行处理，获取第一帐号集合中的帐号的第五向量和第六向量，其中，目标模型为使用多组样本属性信息通过机器学习对初始模型进行训练出得到的模型，第五向量包括第一帐号集合中的帐号的属性等级大于等于第三预定值的信息，第六向量包括第一帐号集合中的帐号的属性等级小于第四预定值的信息，第三预定值大于第四预定值；
S2，根据第五向量、第六向量以及第一统计信息，获取第一帐号集合中的帐号的第一向量i和第二向量i，其中，i为正整数；
S3，将所述第一帐号集合中的所有帐号的第一向量i和第二向量i求和，生成第一帐号集合的第一向量和第二向量。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，通过如下方式获取第一帐号集合中帐号的第一向量i和第二向量包括i：
Bi＝concat(σ(Wb·pi+bb)，bi) (24)
Ci＝concat(σ(Wc·pi+bc)，ci) (25)
其中，Bi为第一向量i，Ci为第二向量i，pi为第一统计信息，bi为第五向量，ci为第六向量，Wb，bb，Wc，bc为神经网络模型中的模型参数，σ为非线性变换函数，concat()表示将括号内两向量拼接得到一个新的向量。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：根据第二统计信息、第二属性信息，生成第二帐号集合的第三向量和第四向量包括：
S1，使用目标模型对第二属性信息进行处理，获取第二帐号集合中的帐号的第七向量和第八向量，其中，目标模型为使用多组样本属性信息通过机器学习对初始模型进行训练出得到的模型，第七向量包括第二帐号集合中的帐号的属性等级大于等于第三预定值的信息，第八向量包括第二帐号集合中的帐号的属性等级小于第四预定值的信息，第三预定值大于第四预定值；
S2，根据第七向量、第八向量以及第二统计信息，获取第二帐号集合中的帐号的第三向量j和第四向量j，其中，j为正整数；
S3，将第二帐号集合中的所有帐号的第三向量j和第四向量j求和，生成第二帐号集合的第三向量和第四向量。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，通过如下方式获取第二帐号集合中帐号的第三向量j和第四向量j：
Bj＝concat(σ(Wb·pj+bb)，bj) (26)
Cj＝concat(σ(Wc·pj+bc)，cj) (27)
其中，Bj为第三向量j，Cj为第四向量j，pj为第二统计信息，bj为第七向量，cj为第八向量，Wb，bb，Wc，bc为神经网络模型中的模型参数，σ为非线性变换函数，concat()表示将括号内两向量拼接得到一个新的向量。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，目标函数包括S型函数。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：在确定第一帐号集合或第二帐号集合在一局游戏中的获胜值之前，还包括：
S1，将第一向量、第二向量、第三向量和第四向量输入深度神经网络算法DNN模型，增加预定数量的隐藏层。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，第一帐号集合中的帐号在一局游戏中所确定的游戏角色的第一属性信息包括以下至少之一：第一帐号集合中的帐号在一局游戏中实际选择的游戏角色的第一属性信息，第一帐号集合中的帐号在一局游戏中根据帐号的历史信息预测选择的游戏角色的第一属性信息；
S2，第二帐号集合中的帐号在二局游戏中所确定的游戏角色的第二属性信息包括以下至少之一：第二帐号集合中的帐号在一局游戏中实际选择的游戏角色的第一属性信息，第二帐号集合中的帐号在一局游戏中根据帐号的历史信息预测选择的游戏角色的第二属性信息；
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，第一属性信息包括以下至少之一：游戏角色的技能，游戏角色的职业，游戏角色对应的游戏战略；
S2，第二属性信息包括以下至少之一：游戏角色的技能，游戏角色的职业，游戏角色对应的游戏战略。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，第一统计信息包括以下至少之一：第一帐号集合中帐号的历史胜率，第一帐号集合中帐号的段位级别，第一帐号集合中帐号在历史游戏中对预定游戏角色的控制数据；
S2，第二统计信息包括以下至少之一：第二帐号集合中帐号的历史胜率，第二帐号集合中帐号的段位级别，第二帐号集合中帐号在历史游戏中对预定游戏角色的控制数据。
可选地，本领域普通技术人员可以理解，图7所示的结构仅为示意，电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图7其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图7中所示更多或者更少的组件(如网络接口等)，或者具有与图7所示不同的配置。
其中，存储器704可用于存储软件程序以及模块，如本发明实施例中的获胜值获取方法和装置对应的程序指令/模块，处理器702通过运行存储在存储器704内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述获胜值获取方法。存储器704可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器704可进一步包括相对于处理器702远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置710用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置710包括一个网络适配器(NetworkInterface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置710为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
上述用户接口708，用于获取输入的操作指令，其中，例如用于请求一局游戏的开始请求等。
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。
上述实施例中的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，可以存储在上述计算机可读取的存储介质中。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存储介质中，包括若干指令用以使得一台或多台计算机设备(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。
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，所揭露的客户端，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，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，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。
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 (14)

1.一种获胜值的确定方法，其特征在于，包括：
获取参与一局游戏中的第一帐号集合的第一目标信息，其中，所述第一目标信息包括所述第一帐号集合中的帐号在历史游戏中的第一统计信息和所述第一帐号集合中的帐号在所述一局游戏中所确定的游戏角色的第一属性信息；
获取参与所述一局游戏中的第二帐号集合的第二目标信息，其中，所述第二目标信息包括所述第二帐号集合中的帐号在历史游戏中的第二统计信息和所述第二帐号集合中的帐号在所述一局游戏中所确定的游戏角色的第二属性信息；
使用目标模型对所述第一属性信息进行处理，获取所述第一帐号集合中的帐号的第五向量和第六向量，其中，所述目标模型为使用多组样本属性信息通过机器学习对初始模型进行训练出得到的模型，所述第五向量包括所述第一帐号集合中的帐号的属性等级大于等于第三预定值的信息，所述第六向量包括所述第一帐号集合中的帐号的属性等级小于第四预定值的信息，所述第三预定值大于所述第四预定值；
根据所述第五向量、所述第六向量以及所述第一统计信息，生成所述第一帐号集合的第一向量和第二向量；
使用目标函数对所述第一向量、所述第二向量、所述第二统计信息和所述第二属性信息进行处理，确定所述第一帐号集合或所述第二帐号集合在所述一局游戏中的获胜值，其中，所述目标函数为非线性函数。
2.根据权利要求1所述的方法，其特征在于，所述使用目标函数对所述第一向量、所述第二向量、所述第二统计信息和所述第二属性信息进行处理包括：
根据所述第二统计信息、所述第二属性信息，生成所述第二帐号集合的第三向量和第四向量，其中，所述第一向量包括所述第一帐号集合中属性等级大于等于第一预定值的信息，所述第二向量包括所述第一帐号集合中属性等级小于第二预定值的信息，所述第一预定值大于所述第二预定值，所述第三向量包括所述第二帐号集合中属性等级大于等于所述第一预定值的信息，所述第四向量包括所述第二帐号集合中属性等级小于所述第二预定值的信息；
使用所述目标函数对所述第一向量、所述第二向量、所述第三向量和所述第四向量进行处理。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第五向量、所述第六向量以及所述第一统计信息，生成所述第一帐号集合的第一向量和第二向量包括：
根据所述第五向量、所述第六向量以及所述第一统计信息，获取所述第一帐号集合中的帐号的第一向量i和第二向量i，其中，i为正整数；
将所述第一帐号集合中的所有帐号的所述第一向量i和所述第二向量i求和，生成所述第一帐号集合的所述第一向量和所述第二向量。
4.根据权利要求3所述的方法，其特征在于，通过如下方式获取所述第一帐号集合中的帐号的第一向量i和第二向量i包括：
Bi＝concat(σ(Wb·pi+bb)，bi)
Ci＝concat(σ(We·pi+bc)，ci)
其中，Bi为所述第一向量i，Ci为所述第二向量i，pi为所述第一统计信息，bi为所述第五向量，ci为所述第六向量，Wb，bb，Wc，bc为神经网络模型中的模型参数，σ为非线性变换函数，concat()表示将括号内两向量拼接得到一个新的向量。
5.根据权利要求2所述的方法，其特征在于，所述根据所述第二统计信息、所述第二属性信息，生成所述第二帐号集合的第三向量和第四向量包括：
使用目标模型对所述第二属性信息进行处理，获取所述第二帐号集合中的帐号的第七向量和第八向量，其中，所述第七向量包括所述第二帐号集合中的帐号的属性等级大于等于所述第三预定值的信息，所述第八向量包括所述第二帐号集合中的帐号的属性等级小于所述第四预定值的信息，所述第三预定值大于所述第四预定值；
根据所述第七向量、所述第八向量以及所述第二统计信息，获取所述第二帐号集合中的帐号的第三向量j和第四向量j，其中，j为正整数；
将所述第二帐号集合中的所有帐号的所述第三向量j和所述第四向量j求和，生成所述第二帐号集合的所述第三向量和所述第四向量。
6.根据权利要求5所述的方法，其特征在于，通过如下方式获取所述第二帐号集合中的帐号的第三向量j和第四向量j：
Bj＝concat(σ(Wb·pj+bb)，bj)
Cj＝concat(σ(Wc·pj+bc)，cj)
其中，Bj为所述第三向量j，Cj为所述第四向量j，pj为所述第二统计信息，bj为所述第七向量，cj为所述第八向量，Wb，bb，Wc，bc为神经网络模型中的模型参数，σ为非线性变换函数，concat()表示将括号内两向量拼接得到一个新的向量。
7.根据权利要求2所述的方法，其特征在于，所述目标函数包括S型函数。
8.根据权利要求2所述的方法，其特征在于，在确定所述第一帐号集合或所述第二帐号集合在所述一局游戏中的获胜值之前，还包括：
将所述第一向量、所述第二向量、所述第三向量和所述第四向量输入深度神经网络算法模型，增加预定数量的隐藏层。
9.根据权利要求1至8中任一项所述的方法，其特征在于，
所述第一帐号集合中的帐号在所述一局游戏中所确定的游戏角色的第一属性信息包括以下至少之一：所述第一帐号集合中的帐号在所述一局游戏中实际选择的游戏角色的第一属性信息，所述第一帐号集合中的帐号在所述一局游戏中根据所述帐号的历史信息预测选择的游戏角色的第一属性信息；
所述第二帐号集合中的帐号在所述一局游戏中所确定的游戏角色的第二属性信息包括以下至少之一：所述第二帐号集合中的帐号在所述一局游戏中实际选择的游戏角色的第一属性信息，所述第二帐号集合中的帐号在所述一局游戏中根据所述帐号的历史信息预测选择的游戏角色的第二属性信息。
10.根据权利要求9所述的方法，其特征在于，
所述第一属性信息包括以下至少之一：游戏角色的技能，游戏角色的职业，游戏角色对应的游戏战略；
所述第二属性信息包括以下至少之一：游戏角色的技能，游戏角色的职业，游戏角色对应的游戏战略。
11.根据权利要求1至8中任一项所述的方法，其特征在于，
所述第一统计信息包括以下至少之一：所述第一帐号集合中帐号的历史胜率，所述第一帐号集合中帐号的段位级别，所述第一帐号集合中帐号在历史游戏中对预定游戏角色的控制数据；
所述第二统计信息包括以下至少之一：所述第二帐号集合中帐号的历史胜率，所述第二帐号集合中帐号的段位级别，所述第二帐号集合中帐号在历史游戏中对预定游戏角色的控制数据。
12.一种获胜值的确定装置，其特征在于，包括：
第一获取单元，用于获取参与一局游戏中的第一帐号集合的第一目标信息，其中，所述第一目标信息包括所述第一帐号集合中的帐号在历史游戏中的第一统计信息和所述第一帐号集合中的帐号在所述一局游戏中所确定的游戏角色的第一属性信息；
第二获取单元，用于获取参与所述一局游戏中的第二帐号集合的第二目标信息，其中，所述第二目标信息包括所述第二帐号集合中的帐号在历史游戏中的第二统计信息和所述第二帐号集合中的帐号在所述一局游戏中所确定的游戏角色的第二属性信息；
确定单元，用于使用目标模型对所述第一属性信息进行处理，获取所述第一帐号集合中的帐号的第五向量和第六向量，其中，所述目标模型为使用多组样本属性信息通过机器学习对初始模型进行训练出得到的模型，所述第五向量包括所述第一帐号集合中的帐号的属性等级大于等于第三预定值的信息，所述第六向量包括所述第一帐号集合中的帐号的属性等级小于第四预定值的信息，所述第三预定值大于所述第四预定值；
根据所述第五向量、所述第六向量以及所述第一统计信息，生成所述第一帐号集合的第一向量和第二向量；
使用目标函数对所述第一向量、所述第二向量、所述第二统计信息和所述第二属性信息进行处理，确定所述第一帐号集合或所述第二帐号集合在所述一局游戏中的获胜值，其中，所述目标函数为非线性函数。
13.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至11任一项中所述的方法。
14.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至11任一项中所述的方法。
CN201810428565.8A 2018-05-07 2018-05-07 获胜值的确定方法及装置、存储介质及电子装置 Active CN110152304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810428565.8A CN110152304B (zh) 2018-05-07 2018-05-07 获胜值的确定方法及装置、存储介质及电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810428565.8A CN110152304B (zh) 2018-05-07 2018-05-07 获胜值的确定方法及装置、存储介质及电子装置

Publications (2)

Publication Number Publication Date
CN110152304A CN110152304A (zh) 2019-08-23
CN110152304B true CN110152304B (zh) 2022-04-26

Family

ID=67644929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810428565.8A Active CN110152304B (zh) 2018-05-07 2018-05-07 获胜值的确定方法及装置、存储介质及电子装置

Country Status (1)

Country Link
CN (1) CN110152304B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
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
CN110941769B (zh) * 2019-11-19 2023-03-28 腾讯科技（深圳）有限公司 目标帐号的确定方法和装置、电子装置
CN111589116B (zh) * 2020-05-07 2023-06-23 腾讯科技(成都)有限公司 显示功能选项的方法、装置、终端及存储介质
CN111679879B (zh) * 2020-06-05 2021-09-14 腾讯科技（深圳）有限公司 帐号段位信息的显示方法、装置、终端及可读存储介质
CN112337081B (zh) * 2020-10-27 2022-10-14 四川长虹电器股份有限公司 用于实现语音竞猜游戏的交互方法
CN113426111B (zh) * 2021-06-24 2023-08-15 咪咕互动娱乐有限公司 针对色弱的游戏处理方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102883785A (zh) * 2009-06-26 2013-01-16 安德米罗株式会社 比赛中途投注装置及存储有计算机程序源的记录介质
CN106540449A (zh) * 2016-10-19 2017-03-29 天脉聚源（北京）科技有限公司 一种游戏赢率计算方法及装置
CN106919790A (zh) * 2017-02-16 2017-07-04 网易（杭州）网络有限公司 游戏的角色推荐、阵容组建方法和装置、游戏方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102883785A (zh) * 2009-06-26 2013-01-16 安德米罗株式会社 比赛中途投注装置及存储有计算机程序源的记录介质
CN106540449A (zh) * 2016-10-19 2017-03-29 天脉聚源（北京）科技有限公司 一种游戏赢率计算方法及装置
CN106919790A (zh) * 2017-02-16 2017-07-04 网易（杭州）网络有限公司 游戏的角色推荐、阵容组建方法和装置、游戏方法和装置

Also Published As

Publication number Publication date
CN110152304A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
CN110152304B (zh) 获胜值的确定方法及装置、存储介质及电子装置
US10080972B1 (en) Mystery boxes that adjust due to past spending behavior
CN109499068B (zh) 对象的控制方法和装置、存储介质、电子装置
CN107970608B (zh) 关卡游戏的设置方法和装置、存储介质、电子装置
US10252150B1 (en) Method and system for temporarily incentivizing user participation in a game space
CN109513215B (zh) 一种对象匹配方法、模型训练方法以及服务器
US20170361228A1 (en) Collaborative electronic game play employing player classification and aggregation
CN108553903B (zh) 控制机器人玩家方法及装置
KR20140103142A (ko) 다수의 가상 공간들에 걸친 사용자 가맹들
JP2009504348A5 (zh)
CN112870721B (zh) 一种游戏互动方法、装置、设备及存储介质
CN107911374B (zh) 数据同步方法和装置、存储介质及电子装置
US20190126146A1 (en) Control apparatus, control method, computer-readable recording medium, and game system
US11364440B2 (en) Computer video game application performance result
CN109529358B (zh) 特征整合方法和装置及电子装置
CN110598853B (zh) 一种模型训练的方法、信息处理的方法以及相关装置
US9764233B1 (en) System and method for offline asynchronous user activity in a player versus player online game
CN112121441B (zh) 虚拟对象的配对方法和装置及存储介质
US8998726B1 (en) System and method for associating a user to a shard based on third party latency
US20160107090A1 (en) Server Device
CN116943204A (zh) 虚拟对象的控制方法、装置和存储介质及电子设备
CN117065361A (zh) 游戏中的匹配方法、装置、设备及存储介质
CN118718414A (zh) 帐号匹配方法和装置、存储介质及电子设备
JP2024538773A (ja) 仮想アイテムを取得するための方法、装置、機器、及びプログラム
CN118341077A (zh) 对局结果的预测方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant