CN110659023A - 一种程序化内容生成的方法以及相关装置 - Google Patents
一种程序化内容生成的方法以及相关装置 Download PDFInfo
- Publication number
- CN110659023A CN110659023A CN201910859304.6A CN201910859304A CN110659023A CN 110659023 A CN110659023 A CN 110659023A CN 201910859304 A CN201910859304 A CN 201910859304A CN 110659023 A CN110659023 A CN 110659023A
- Authority
- CN
- China
- Prior art keywords
- supervised learning
- learning model
- contents
- rule
- target
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/33—Intelligent editors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- User Interface Of Digital Computer (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请公开了一种程序化内容生成的方法以及相关装置,通过第一监督学习模型和基于随机规则进行输出第二监督学习模型的构建,实现了大量内容的模拟,并根据标签信息得到训练数据;根据训练数据对深度卷积生成对抗网络模型进行训练,使得在需要大量目标程序化内容时,输入目标标签至深度卷积生成对抗网络模型进行计算,即可生成多个目标程序化内容,实现了程序化内容的自动生成过程,提高了程序化内容的生成效率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种程序化内容生成的方法以及相关装置。
背景技术
随着人工智能(artificial intelligence,AI)技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
程序化内容生成(procedural content generation,PCG)一直是人工智能的难点,当前通过手动编辑策略生成内容。比如在牌类游戏关卡制作过程中,往往通过人工游戏策划的设定对关卡进行编辑、评估的方式进行生产。
但是,在一些场景中需要大量的内容支撑,例如在牌类游戏中需要设定大量的关卡,以实现牌类游戏无尽关卡模式;依靠人工编辑效率低,评估不准确,且带有一定的主观性。
发明内容
有鉴于此,本申请第一方面提供一种程序化内容生成的方法,可应用于静态数据库的系统或程序过程中,具体包括:获取多个初始程序化内容,以构建第一监督学习模型和第二监督学习模型,所述第一监督学习模型基于固定规则进行输出,所述第二监督学习模型基于随机规则进行输出,所述固定规则用于指示多次计算过程采用的规则相同,所述随机规则用于指示多次计算过程采用的规则不同;
根据预设规则对所述第一监督学习模型和所述第二监督学习模型进行多次模拟计算,以得到模拟结果;
提取所述模拟结果中的标签信息,并将所述标签信息与对应的所述初始程序化内容进行关联,以得到训练数据,所述标签信息基于所述预设规则中指示的特征参数设定;
将所述训练数据输入第一深度卷积生成对抗网络模型进行训练,以得到与所述预设规则相关的第二深度卷积生成对抗网络模型;
输入目标标签至所述第二深度卷积生成对抗网络模型进行计算,以生成多个目标程序化内容,所述目标程序化内容与所述预设规则相关。
优选的,在本申请一些可能的实现方式中,所述输入目标标签至所述第二深度卷积生成对抗网络模型进行计算,以生成多个目标程序化内容,包括:
确定所述目标标签,并输入至所述第二深度卷积生成对抗网络模型进行计算,以得到多个输出程序化内容;
根据预设条件对所述多个输出程序化内容进行筛选,以生成多个所述目标程序化内容,所述预设条件基于所述输出程序化内容中特征参数与预设阈值的大小关系设定。
优选的,在本申请一些可能的实现方式中,所述根据预设条件对所述多个输出程序化内容进行筛选,以得到多个所述目标程序化内容,包括:
确定所述多个输出程序化内容中的特征参数,所述特征参数包括特征元素的数量、所述特征元素的极值或所述特征元素出现的概率;
对比所述特征参数与所述预设阈值的大小,以得到满足预设条件的多个所述目标程序化内容。
优选的,在本申请一些可能的实现方式中,所述获取多个初始程序化内容,以构建第一监督学习模型和第二监督学习模型之前,所述方法还包括:
收集多个用户使用所述初始程序化内容过程中的过程参数;
根据所述过程参数确定所述多个用户的用户画像表;
提取所述用户画像表的特征信息,以得到所述规则集合。
优选的,在本申请一些可能的实现方式中,其特征在于,所述获取多个初始程序化内容,以构建第一监督学习模型和第二监督学习模型,包括:
确定多个所述初始程序化内容;
提取所述初始程序化内容中的特征序列,所述特征序列基于所述预设规则设定;
将所述特征序列转换为二值化图像作为输入,以构建第一监督学习模型和第二监督学习模型。
优选的,在本申请一些可能的实现方式中,所述提取所述初始程序化内容中的特征序列之后,所述方法还包括:
确定所述特征序列的维度信息,所述维度信息用于指示所述二值化图像的大小;
所述将所述特征序列转换为二值化图像作为输入,以构建第一监督学习模型和第二监督学习模型,包括:
根据多个维度下的所述维度信息分别将所述特征序列转换为所述二值化图像作为输入,以构建第一监督学习模型和第二监督学习模型。
优选的,在本申请一些可能的实现方式中,所述程序化内容生成的方法应用于服务器,所述服务器为区块链节点中的区块节点设备。
本申请第二方面提供一种程序化内容生成的装置,包括:获取单元,用于获取多个初始程序化内容,以构建第一监督学习模型和第二监督学习模型,所述第一监督学习模型基于固定规则进行输出,所述第二监督学习模型基于随机规则进行输出,所述固定规则用于指示多次计算过程采用的规则相同,所述随机规则用于指示多次计算过程采用的规则不同;
模拟单元,用于根据预设规则对所述第一监督学习模型和所述第二监督学习模型进行多次模拟计算,以得到模拟结果;
提取单元,用于提取所述模拟结果中的标签信息,并将所述标签信息与对应的所述初始程序化内容进行关联,以得到训练数据,所述标签信息基于所述预设规则中指示的特征参数设定;
训练单元,用于将所述训练数据输入第一深度卷积生成对抗网络模型进行训练,以得到与所述预设规则相关的第二深度卷积生成对抗网络模型;
生成单元,用于输入目标标签至所述第二深度卷积生成对抗网络模型进行计算,以生成多个目标程序化内容,所述目标程序化内容与所述预设规则相关。
优选的,在本申请一些可能的实现方式中,所述生成单元,具体用于确定所述目标标签,并输入至所述第二深度卷积生成对抗网络模型进行计算,以得到多个输出程序化内容;
所述生成单元,具体用于根据预设条件对所述多个输出程序化内容进行筛选,以生成多个所述目标程序化内容,所述预设条件基于所述输出程序化内容中特征参数与预设阈值的大小关系设定。
优选的,在本申请一些可能的实现方式中,所述生成单元,具体用于确定所述多个输出程序化内容中的特征参数,所述特征参数包括特征元素的数量、所述特征元素的极值或所述特征元素出现的概率;
所述生成单元,具体用于对比所述特征参数与所述预设阈值的大小,以得到满足预设条件的多个所述目标程序化内容。
优选的,在本申请一些可能的实现方式中,所述获取单元,还用于收集多个用户使用所述初始程序化内容过程中的过程参数;
所述获取单元,还用于根据所述过程参数确定所述多个用户的用户画像表;
所述获取单元,还用于提取所述用户画像表的特征信息,以得到所述规则集合。
优选的,在本申请一些可能的实现方式中,其特征在于,所述获取单元,具体用于确定多个所述初始程序化内容;
所述获取单元,具体用于提取所述初始程序化内容中的特征序列,所述特征序列基于所述预设规则设定;
所述获取单元,具体用于将所述特征序列转换为二值化图像作为输入,以构建第一监督学习模型和第二监督学习模型。
优选的,在本申请一些可能的实现方式中,所述提取单元,还用于确定所述特征序列的维度信息,所述维度信息用于指示所述二值化图像的大小;
所述提取单元,具体用于根据多个维度下的所述维度信息分别将所述特征序列转换为所述二值化图像作为输入,以构建第一监督学习模型和第二监督学习模型。
优选的,在本申请一些可能的实现方式中,所述程序化内容生成的装置应用于服务器,所述服务器为区块链节点中的区块节点设备。
本申请第三方面提供一种深度卷积生成对抗网络模型的训练方法,具体包括:
确定预设生成对抗网络模型,并输入预设维度的噪声样本和特征样本,以得到预设模型,所述特征样本用于指示满足预设规则中特征内容的样本;
将所述预设模型输入生成器,以得到初始模型,所述生成器包括一个全连接层、第一反卷积层和第二反卷积层,所述第一反卷积层的激活函数为relu 函数,所述第二反卷积层的激活函数为sigmoid函数;
将初始程序化内容输入所述初始模型,以得到二值化矩阵;
根据预设条件筛选所述二值化矩阵,并输入判别器进行训练,以得到第一深度卷积生成对抗网络模型,所述判别器包括多个卷积层、多个标准化层和多个全连接层,所述第一深度卷积生成对抗网络模型用于根据目标标签得到目标程序化内容。
本申请第四方面提供一种深度卷积生成对抗网络模型的训练装置,其特征在于,包括:
确定单元,用于确定预设生成对抗网络模型,并输入预设维度的噪声样本和特征样本,以得到预设模型,所述特征样本用于指示满足预设规则中特征内容的样本;
输入单元,用于将所述预设模型输入生成器,以得到初始模型,所述生成器包括一个全连接层、第一反卷积层和第二反卷积层,所述第一反卷积层的激活函数为relu函数,所述第二反卷积层的激活函数为sigmoid函数;
初始化单元,用于将初始程序化内容输入所述初始模型,以得到二值化矩阵;
训练单元,用于构建根据预设条件筛选所述二值化矩阵,并输入判别器进行训练,以构建得到第一深度卷积生成对抗网络模型,所述判别器包括多个卷积层、多个标准化层和多个全连接层,所述第一深度卷积生成对抗网络模型用于根据目标标签得到目标程序化内容。
本申请第五方面提供一种计算机设备,包括:存储器、处理器以及总线系统;所述存储器用于存储程序代码;所述处理器用于根据所述程序代码中的指令执行上述第一方面或第一方面任一项所述的程序化内容生成的的方法。
本申请第六方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述第一方面或第一方面任一项所述的程序化内容生成的的方法。
本申请第七方面提供一种计算机设备,包括:存储器、处理器以及总线系统;所述存储器用于存储程序代码;所述处理器用于根据所述程序代码中的指令执行上述第三方面或第三方面任一项所述的深度卷积生成对抗网络模型的训练方法。
本申请第八方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述第一方面或第四方面任四项所述的深度卷积生成对抗网络模型的训练方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
通过多个初始程序化内容的获取,可以构建基于固定规则进行输出第一监督学习模型和基于随机规则进行输出第二监督学习模型,实现了数据统计结果的自动产生;然后根据预设规则对所述第一监督学习模型和所述第二监督学习模型进行多次模拟计算,以得到模拟结果;接下来提取所述模拟结果中的标签信息,并将所述标签信息与对应的所述初始程序化内容进行关联,以得到训练数据;并将所述训练数据输入第一深度卷积生成对抗网络模型进行训练,以得到与所述预设规则相关的第二深度卷积生成对抗网络模型,该网络模型与预设规则相关;在需要大量程序化内容时,输入目标标签至所述第二深度卷积生成对抗网络模型进行计算,即可生成多个目标程序化内容,实现了程序化内容的自动生成过程,提高了程序化内容的生成效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为程序化内容生成系统运行的网络架构图;
图2为一种程序化内容生成的系统架构图;
图3为本申请实施例提供的一种应用场景示意图;
图4为本申请实施例提供的一种程序化内容生成的方法的流程图;
图5为本申请实施例提供的一种模拟对战方法示意图;
图6为本申请实施例提供的一种程序化内容的二值化表达方式;
图7为本申请实施例提供的另一种程序化内容的二值化表达方式;
图8为本申请实施例提供的一种深度卷积生成对抗网络模型的训练方法的流程图;
图9为本申请实施例提供的线上牌局通过率与难度的关系图;
图10为本申请实施例提供的一种程序化内容生成的界面显示示意图;
图11为本申请实施例提供的程序化内容生成装置的结构示意图;
图12为本申请实施例提供的训练装置的结构示意图;
图13是本申请实施例提供的另一种程序化内容生成装置的结构示意图;
图14A为本申请实施例提供的一种数据共享系统示意图;
图14B为本申请实施例提供的数据共享系统中的区块组成示意图;
图14C为本申请实施例提供的区块链节点的数据传输响应示意图。
具体实施方式
本申请实施例提供了一种程序化内容生成的方法以及相关装置,可以应用于内容生成系统或其他需要大量内容的应用的运行过程中,例如牌类游戏,具体通过多个初始程序化内容的获取,可以构建基于固定规则进行输出第一监督学习模型和基于随机规则进行输出第二监督学习模型,实现了数据统计结果的自动产生;然后根据预设规则对所述第一监督学习模型和所述第二监督学习模型进行多次模拟计算,以得到模拟结果;接下来提取所述模拟结果中的标签信息,并将所述标签信息与对应的所述初始程序化内容进行关联,以得到训练数据;并将所述训练数据输入第一深度卷积生成对抗网络模型进行训练,以得到与所述预设规则相关的第二深度卷积生成对抗网络模型,该网络模型与预设规则相关;在需要大量程序化内容时,输入目标标签至所述第二深度卷积生成对抗网络模型进行计算,即可生成多个目标程序化内容,实现了程序化内容的自动生成过程,提高了程序化内容的生成效率。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“对应于”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应理解,本申请提供的程序化内容生成方法可以应用于可应用于程序化内容生成系统的运行过程中,具体的,程序化内容生成系统可以运行于如图 1所示的网络架构中,如图1所示,是程序化内容生成系统运行的网络架构图,如图可知,程序化内容生成系统可以提供与多个终端的程序化内容生成,通过获取需求内容相关的标签信息输入服务器中的深度卷积生成对抗网络(deep convolutional generative adversarial networ,DCGAN),服务器即可产生相应的多个目标程序化内容并通过网络传输至终端供用户使用,可以理解的是,图1中示出了五种与用户进行交互的终端,在实际场景中可以有更多或更少的终端参与到程序化内容生成的过程中,具体数量和种类因实际场景而定,此处不做限定;另外,图1中示出了一个服务器,但在实际场景中,也可以有多个服务器的参与,特别是在多应用数据交互的场景中,具体服务器数量因实际场景而定。
可以理解的是,上述程序化内容生成系统可以运行于个人移动终端,也可以运行于服务器,还可以作为运行于第三方设备以提供程序化内容生成,以得到目标程序化内容,例如:在实际场景中,程序化内容生成系统运行于牌类游戏应用中,当用户进行人机对战时,可以通过本申请的程序化内容生成方法生成不同难度的关卡;具体的程序化内容生成系统可以是以一种程序的形式在上述设备中运行,也可以作为上述设备中的系统部件进行运行,还可以作为云端服务程序的一种,具体运作模式因实际场景而定,此处不做限定。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
程序化内容生成一直是人工智能的难点,当前通过手动编辑策略生成内容。比如在牌类游戏关卡制作过程中,往往通过人工游戏策划的设定对关卡进行编辑、评估的方式进行生产。
但是,在一些场景中需要大量的内容支撑,例如在牌类游戏中需要设定大量的关卡,以实现牌类游戏无尽关卡模式;依靠人工编辑效率低,评估不准确,且带有一定的主观性。
为了解决上述问题,本申请提出了一种程序化内容生成的方法,在牌类游戏的应用场景中,该方法应用于图2所示的程序化内容生成的系统框架中,如图2所示,是一种程序化内容生成的系统架构图,图中包括牌局输入、牌局量化评估以及生成模型DCGAN;其中,第一步首先通过随机生成牌局,构建两个监督学习AI,固定策略的非玩家角色(non-playercharacter, NPC)AI,以及根据监督学习输出进行概率分布随机的模拟AI,利用这两个 AI对随机牌局模拟对战多次,例如2000次,然后对模拟的牌局结果进行统计表示,经过统计分析结果得到牌局评估结果;第二步利用随机牌局及其评估结果作为标签信息,训练DCGAN模型;第三步利用DCGAN模型,给定指定的条件来生成想要的牌局,其中,条件可以是标签信息;第四步对 DCGAN生成牌局进行评估,例如:规定番型分布、牌局难度、番数统计或手牌特征等,进而选取符合要求的牌局关卡。
可以理解的是,此处规定番型分布、牌局难度、番数统计或手牌特征为例进行说明,具体的也可以是基于其他牌局规则设定,具体的标签信息形式因实际场景而定,此处不做限定。
作为示例,本申请提供的程序化内容生成的方法可以应用于如图3所示的应用场景中,图3为本申请实施例提供的一种应用场景示意图,图中包括基于麻将规则的特征参数,例如:碰、杠、吃等;标签信息可以包括特征参数的数量或种类,还可以包括听牌等用于指示特定内容序列的牌型,并根据需求达到的目标牌型来输出目标程序化内容,即牌局。对于本申请实施例可提供与欢乐麻将二人无尽闯关模式新玩法,二人麻将闯关采用的大众麻将的规则(除了门风刻、圈风刻),其中一方为玩家,另一方为NPC AI,该AI 是利用玩家数据采用监督学习方式训练而成,玩法为二人闯关模式,玩家从第一关开始玩,直到玩到最后一关,每一局的牌局都不相同,任务也不相同,例如第一关为胡大碰对,第二关要求为番数不低于10等等,如果挑战失败,则重新开始,重新开始之后的牌局和之前玩家玩过的牌局不重复。
可以理解的是,本申请所提供的方法可以为一种程序的写入,以作为硬件系统中的一种处理逻辑,也可以作为一种程序化内容生成装置,采用集成或外接的方式实现上述处理逻辑。作为一种实现方式,该程序化内容生成装置通过多个初始程序化内容的获取,可以构建基于固定规则进行输出第一监督学习模型和基于随机规则进行输出第二监督学习模型,实现了数据统计结果的自动产生;然后根据预设规则对所述第一监督学习模型和所述第二监督学习模型进行多次模拟计算,以得到模拟结果;接下来提取所述模拟结果中的标签信息,并将所述标签信息与对应的所述初始程序化内容进行关联,以得到训练数据;并将所述训练数据输入第一深度卷积生成对抗网络模型进行训练,以得到与所述预设规则相关的第二深度卷积生成对抗网络模型,该网络模型与预设规则相关;在需要大量程序化内容时,输入目标标签至所述第二深度卷积生成对抗网络模型进行计算,即可生成多个目标程序化内容,实现了程序化内容的自动生成过程,提高了程序化内容的生成效率。
结合上述系统架构,下面将对本申请中程序化内容生成的方法进行介绍,请参阅图4,图4为本申请实施例提供的一种程序化内容生成的方法的流程图,本申请实施例至少包括以下步骤:
401、获取多个初始程序化内容,以构建第一监督学习模型和第二监督学习模型。
本实施例中,第一监督学习模型基于固定规则进行输出,所述第二监督学习模型基于随机规则进行输出,所述固定规则用于指示多次计算过程采用的规则相同,所述随机规则用于指示多次计算过程采用的规则不同。
可以理解的是,对于第一监督学习模型和第二监督学习模型的设定相当于模拟玩家与机器的对战过程,具体的可参照如图5所示的决策树,图5为本申请实施例提供的一种模拟对战方法示意图,该过程可以通过牌局量化评估模块实现,即牌局量化评估模块可以用来生成DCGAN的标签信息,又可以用来评估对应牌局是否符合标准,牌局评估构建通过两个监督学习AI对战,对整个牌局进行模拟,其中NPC采用监督学习AI的固定策略,玩家采用监督学习AI的随机策略,可以设定整个牌局模拟次数为2000次;对于采用固定策略A1的NPCAI可以与多个规则的玩家AI进行模拟对战,而每个玩家 AI又可以根据决策树遍历其他的固定策略AI进行对战,如此可以达到大规模数据统计的目的。
可选的,对于玩家AI规则集合的设定过程可以基于多个用户的画像设定,即根据真实玩家的出牌习惯设定玩家AI的规则集合,具体的,首先收集多个用户使用所述初始程序化内容过程中的过程参数,例如:出牌优先级、番数的计算、拆牌的阈值等;然后根据所述过程参数确定所述多个用户的用户画像表,即对于上述过程参数进行统计学分布,分别计算不同场景下出牌的概率;接下来提取所述用户画像表的特征信息,以得到所述规则集合,即对于用户画像表中特征的概率信息进行提取,推导出一般的出牌策略,以作为规则集合。
可选的,在牌类游戏的场景中,由于每张牌的独立性以及多张牌结合的关联性,需要对牌局进行合适的数学表达,且特征表达是机器学习中非常关键的一环,故本申请通过将牌局抽象成一个二值化的图像来作为模型的输入,使得后续DCGAN模型能够学习到图像的局部特征,同样麻将的手牌也同样具备局部相关性,如图6所示,为本申请实施例提供的一种程序化内容的二值化表达方式,即每副手牌都将其二值化表达成成一个4x34的矩阵,行代表麻将牌型,列代表该牌型麻将的个数,该构造可见各类牌型/番型均能够通过该构造来表征出来其局部相关性,而整个牌局的构造如图7所示,图7为本申请实施例提供的另一种程序化内容的二值化表达方式,其维度为36x36的矩阵,其包括如下三个部分:玩家手牌,4x34维矩阵;NPC手牌,4x34维矩阵;牌墙,16x 34维度矩阵表达,麻将一共有136张牌,但这里做了简化,只考虑4x13张牌,考虑到游戏体验,基本不会让玩家打牌过程中超过52个牌的牌墙深度,因为牌墙中每张牌都是有顺序的,因此将52张牌墙拆成四组,用4个4x34维矩阵来表达整个牌墙,每个4x34表达13张牌墙,这13张牌不考虑顺序,在应用过程中会对这13张牌进行随机化处理,但分成4组的13 张牌,考虑牌墙深度,越往下的组其牌墙深度越深;所有牌局所占矩阵维度为20x34,其余的部分采用padding处理,该类二值化的方式表达使得整个牌局可以很好地适用于DCGAN模型或其他模型中。
对于一般的内容场景中,可以采用如下步骤实现上述二值化表达过程,首先确定多个所述初始程序化内容;然后提取所述初始程序化内容中的特征序列,所述特征序列基于所述预设规则设定;接下来将所述特征序列转换为二值化图像作为输入,以构建第一监督学习模型和第二监督学习模型。由于一些场景中存在内容的差异性,还可以确定所述特征序列的维度信息,所述维度信息用于指示所述二值化图像的大小;然后根据多个维度下的所述维度信息分别将所述特征序列转换为所述二值化图像作为输入,以构建第一监督学习模型和第二监督学习模型。
402、根据预设规则对所述第一监督学习模型和所述第二监督学习模型进行多次模拟计算,以得到模拟结果。
本实施例中,预设规则可以是麻将中的对战规则,也可以是其他程序化内容中的运算规则;基于这些规则对第一监督学习模型和所述第二监督学习模型进行多次模拟计算,即大规模的对战过程,节约了大量数据的收集过程,可以高效的获取大量的对战数据,进而得到模拟结果。
可以理解的是,模拟结果不仅包括获胜方信息,还包括对战过程中具体的出牌顺序、番数统计或其他特征参数的统计过程,具体的统计内容因实际场景而定,此处不做限定。
403、提取所述模拟结果中的标签信息,并将所述标签信息与对应的所述初始程序化内容进行关联,以得到训练数据。
本实施例中,所述标签信息基于所述预设规则中指示的特征参数设定,例如:标签信息可以是规定的特征序列,即胡牌的组成清一色、对对胡等;也可以是特定的特征参数,即规定至少包括1组碰或杠;还可以是基于其他特定规则的标签信息,即不同地区的胡牌规则。
可以理解的是,对于训练数据的获取过程即对于大规模对战的统计过程,例如:标签信息为清一色,对应的初始程序化内容即为该牌局对应的对战过程或出牌逻辑。
404、将所述训练数据输入第一深度卷积生成对抗网络模型进行训练,以得到与所述预设规则相关的第二深度卷积生成对抗网络模型。
本实施例中,为提高第一深度卷积生成对抗网络模型与上述模拟对战过程中采用预设规则的相关度,可以将上述训练数据输入第一深度卷积生成对抗网络模型进行训练,以得到与所述预设规则相关的第二深度卷积生成对抗网络模型;对于第二深度卷积生成对抗网络模型即基于训练数据进行参数优化后的模型。
405、输入目标标签至所述第二深度卷积生成对抗网络模型进行计算,以生成多个目标程序化内容。
本实施例中,所述目标程序化内容与所述预设规则相关,即属于同一麻将规则下的牌局组合。
可以理解的是,目标标签可以是规定的牌型、规定的特征参数阈值等,目标标签可以是人为的输入,也可以是根据不同标签的赋值按照一定顺序输入并获取相应的程序化内容,例如不同难度关卡的设定。
可选的,对于目标程序化内容的生成过程,还可以进行进一步的筛选,首先确定所述目标标签,并输入至所述第二深度卷积生成对抗网络模型进行计算,以得到多个输出程序化内容;然后根据预设条件对所述多个输出程序化内容进行筛选,以生成多个所述目标程序化内容,所述预设条件基于所述输出程序化内容中特征参数与预设阈值的大小关系设定,例如筛选出杠牌大于2组的牌局。
可选的,对对于筛选的过程还可以确定所述多个输出程序化内容中的特征参数,所述特征参数包括特征元素的数量、所述特征元素的极值或所述特征元素出现的概率;然后对比所述特征参数与所述预设阈值的大小,以得到满足预设条件的多个所述目标程序化内容。例如可以规定阈值的统计量包括:手牌特征:对数目、杠数目、顺数目;过程特征:吃数目、杠数目、碰数目、打牌轮次等;结果特征:胡牌难度、番数期望、番数方差、最大番数、最小番数、胡牌番型分布等。
结合上述实施例可知,通过多个初始程序化内容的获取,可以构建基于固定规则进行输出第一监督学习模型和基于随机规则进行输出第二监督学习模型,实现了数据统计结果的自动产生;然后根据预设规则对所述第一监督学习模型和所述第二监督学习模型进行多次模拟计算,以得到模拟结果;接下来提取所述模拟结果中的标签信息,并将所述标签信息与对应的所述初始程序化内容进行关联,以得到训练数据;并将所述训练数据输入第一深度卷积生成对抗网络模型进行训练,以得到与所述预设规则相关的第二深度卷积生成对抗网络模型,该网络模型与预设规则相关;在需要大量程序化内容时,输入目标标签至所述第二深度卷积生成对抗网络模型进行计算,即可生成多个目标程序化内容,实现了程序化内容的自动生成过程,提高了程序化内容的生成效率。
上述实施例介绍了目标程序化内容生成的过程,上述实施例中指出第一深度卷积生成对抗网络模型的训练过程,下面对该过程进行说明,如图8所示,图8为本申请实施例提供的一种深度卷积生成对抗网络模型的训练方法的流程图,下面对由预设模型训练为深度卷积生成对抗网络模型的转化步骤进行说明:
首先预设一个基于深度卷积的生成对抗网络(generative adversarialnetwork,GAN),并输入为一个32维的噪声(noise),和一个特定条件下的标签(label),其中,该label用来表达麻将中具体的某一种番型,例如:碰碰胡,清一色等,将noise和label输入第一全连接层801,然后根据牌局的特定维度802输出128维的牌局编码表示,并输入生成器;具体的,生成器(generator)包括一个全联接层801;两个4x4的反卷积层803、804,作为初始化层(batch normalization,BN),其函数为ReLU;最后一层为4x4 的卷积层805,激活函数为sigmoid函数,然后输出一个36x36的二值化矩阵 806。
接下来将二值化矩阵输入判别器(discriminator),具体的, discriminator输入为36x36的二值化矩阵以及标签条件(condition),经过两层4x4的卷积层807、808作为BN层,其激活函数为Leaky ReLU,最后经过两个全连接809和810以得到训练后的DCGAN模型。
通过上述实施例提供的方法应用于实际线上对战中,如图9所示,是本申请实施例提供的线上牌局通过率与难度的关系图,可见,随着难度的提升,通过率呈现下降的趋势,由此推断本申请实施例提供的程序化内容生成方法的可行性,另外该牌局评估方案亦能够准确评估牌局结果。
在一种可能的显示方式中,可以采用如图10所述的显示方式,图10为本申请实施例提供的一种程序化内容生成的界面显示示意图。该界面可以包括多个关卡对于不同用户的对战过程,相关人员可以点击详情知晓基于本申请提供的程序化内容生成方法生成的关卡的相关参数,例如:需求番数、碰数目或杠数目。
可以理解的是,上述实施例中设计的参数或步骤均可在该界面中进行显示,此处不做限定。
为了更好的实施本申请实施例的上述方案,下面还提供用于实施上述方案的相关装置。请参阅图11,图11为本申请实施例提供的程序化内容生成装置的结构示意图,程序化内容生成装置1100包括:
获取单元1101,用于获取多个初始程序化内容,以构建第一监督学习模型和第二监督学习模型,所述第一监督学习模型基于固定规则进行输出,所述第二监督学习模型基于随机规则进行输出,所述固定规则用于指示多次计算过程采用的规则相同,所述随机规则用于指示多次计算过程采用的规则不同;
模拟单元1102,用于根据预设规则对所述第一监督学习模型和所述第二监督学习模型进行多次模拟计算,以得到模拟结果;
提取单元1103,用于提取所述模拟结果中的标签信息,并将所述标签信息与对应的所述初始程序化内容进行关联,以得到训练数据,所述标签信息基于所述预设规则中指示的特征参数设定;
训练单元1104,用于将所述训练数据输入第一深度卷积生成对抗网络模型进行训练,以得到与所述预设规则相关的第二深度卷积生成对抗网络模型;
生成单元1105,用于输入目标标签至所述第二深度卷积生成对抗网络模型进行计算,以生成多个目标程序化内容,所述目标程序化内容与所述预设规则相关。
优选的,在本申请一些可能的实现方式中,所述生成单元1105,具体用于确定所述目标标签,并输入至所述第二深度卷积生成对抗网络模型进行计算,以得到多个输出程序化内容;
所述生成单元1105,具体用于根据预设条件对所述多个输出程序化内容进行筛选,以生成多个所述目标程序化内容,所述预设条件基于所述输出程序化内容中特征参数与预设阈值的大小关系设定。
优选的,在本申请一些可能的实现方式中,所述生成单元1105,具体用于确定所述多个输出程序化内容中的特征参数,所述特征参数包括特征元素的数量、所述特征元素的极值或所述特征元素出现的概率;
所述生成单元1105,具体用于对比所述特征参数与所述预设阈值的大小,以得到满足预设条件的多个所述目标程序化内容。
优选的,在本申请一些可能的实现方式中,所述获取单元1101,还用于收集多个用户使用所述初始程序化内容过程中的过程参数;
所述获取单元1101,还用于根据所述过程参数确定所述多个用户的用户画像表;
所述获取单元1101,还用于提取所述用户画像表的特征信息,以得到所述规则集合。
优选的,在本申请一些可能的实现方式中,其特征在于,所述获取单元 1101,具体用于确定多个所述初始程序化内容;
所述获取单元1101,具体用于提取所述初始程序化内容中的特征序列,所述特征序列基于所述预设规则设定;
所述获取单元1101,具体用于将所述特征序列转换为二值化图像作为输入,以构建第一监督学习模型和第二监督学习模型。
优选的,在本申请一些可能的实现方式中,所述提取单元1103,还用于确定所述特征序列的维度信息,所述维度信息用于指示所述二值化图像的大小;
所述提取单元1103,具体用于根据多个维度下的所述维度信息分别将所述特征序列转换为所述二值化图像作为输入,以构建第一监督学习模型和第二监督学习模型。
优选的,在本申请一些可能的实现方式中,所述程序化内容生成的装置应用于服务器,所述服务器为区块链节点中的区块节点设备。
通过多个初始程序化内容的获取,可以构建基于固定规则进行输出第一监督学习模型和基于随机规则进行输出第二监督学习模型,实现了数据统计结果的自动产生;然后根据预设规则对所述第一监督学习模型和所述第二监督学习模型进行多次模拟计算,以得到模拟结果;接下来提取所述模拟结果中的标签信息,并将所述标签信息与对应的所述初始程序化内容进行关联,以得到训练数据;并将所述训练数据输入第一深度卷积生成对抗网络模型进行训练,以得到与所述预设规则相关的第二深度卷积生成对抗网络模型,该网络模型与预设规则相关;在需要大量程序化内容时,输入目标标签至所述第二深度卷积生成对抗网络模型进行计算,即可生成多个目标程序化内容,实现了程序化内容的自动生成过程,提高了程序化内容的生成效率。
本申请实施例还提供了一种训练装置,图12为本申请实施例提供的训练装置的结构示意图,训练装置1200包括:
确定单元1201,用于确定预设生成对抗网络模型,并输入预设维度的噪声样本和特征样本,以得到预设模型,所述特征样本用于指示满足预设规则中特征内容的样本;
输入单元1202,用于将所述预设模型输入生成器,以得到初始模型,所述生成器包括一个全连接层、第一反卷积层和第二反卷积层,所述第一反卷积层的激活函数为relu函数,所述第二反卷积层的激活函数为sigmoid函数;
初始化单元1203,用于将初始程序化内容输入所述初始模型,以得到二值化矩阵;
训练单元1204,用于构建根据预设条件筛选所述二值化矩阵,并输入判别器进行训练,以构建得到第一深度卷积生成对抗网络模型,所述判别器包括多个卷积层、多个标准化层和多个全连接层,所述第一深度卷积生成对抗网络模型用于根据目标标签得到目标程序化内容。
本申请实施例还提供了一种程序化内容生成装置,请参阅图13,图13是本申请实施例提供的另一种程序化内容生成装置的结构示意图,该程序化内容生成装置1300可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)1322(例如,一个或一个以上处理器)和存储器1332,一个或一个以上存储应用程序1342或数据 1344的存储介质1330(例如一个或一个以上海量存储设备)。其中,存储器 1332和存储介质1330可以是短暂存储或持久存储。存储在存储介质1330的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对程序化内容生成装置中的一系列指令操作。更进一步地,中央处理器1322可以设置为与存储介质1330通信,在程序化内容生成装置1300上执行存储介质 1330中的一系列指令操作。
程序化内容生成装置1300还可以包括一个或一个以上电源1326,一个或一个以上有线或无线网络接口1350,一个或一个以上输入输出接口1358,和 /或,一个或一个以上操作系统1341,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由程序化内容生成装置所执行的步骤可以基于该图13所示的程序化内容生成装置结构。
本申请实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有程序化内容生成指令,当其在计算机上运行时,使得计算机执行如前述图2至图10所示实施例描述的方法中程序化内容生成装置所执行的步骤。
本申请实施例中还提供一种包括程序化内容生成指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如前述图2至图10所示实施例描述的方法中程序化内容生成装置所执行的步骤。
本申请实施例还提供了一种程序化内容生成系统,所述程序化内容生成系统可以包含图11或图13所描述实施例中的程序化内容生成装置,或者图 12所描述的训练装置。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,程序化内容生成装置,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器 (read-only memory,ROM)、随机存取存储器(random access memory, RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
另外,上述程序化内容生成的方法和装置还可以应用于数据共享系统中,参见图14A所示的数据共享系统,数据共享系统1400是指用于进行节点与节点之间数据共享的系统,该数据共享系统中可以包括多个节点1401,多个节点1401可以是指数据共享系统中各个客户端,其中,每个客户端运行于基于本申请方法对应的终端设备上。每个节点1401在进行正常工作可以接收到输入信息,并基于接收到的输入信息维护该数据共享系统内的共享数据。为了保证数据共享系统内的信息互通,数据共享系统中的每个节点之间可以存在信息连接,节点之间可以通过上述信息连接进行信息传输。例如,当数据共享系统中的任意节点接收到输入信息时,数据共享系统中的其他节点便根据共识算法获取该输入信息,将该输入信息作为共享数据中的数据进行存储,使得数据共享系统中全部节点上存储的数据均一致。
对于数据共享系统中的每个节点,均具有与其对应的节点标识,而且数据共享系统中的每个节点均可以存储有数据共享系统中其他节点的节点标识,以便后续根据其他节点的节点标识,将生成的区块广播至数据共享系统中的其他节点。每个节点中可维护一个如下表所示的节点标识列表,将节点名称和节点标识对应存储至该节点标识列表中。其中,节点标识可为IP (Internet Protocol,网络之间互联的协议)地址以及其他任一种能够用于标识该节点的信息,表1中仅以IP地址为例进行说明。
表1节点与节点标识对应关系
节点名称 | 节点标识 |
节点1 | 117.114.151.174 |
节点2 | 117.116.189.145 |
… | … |
节点N | 119.123.789.258 |
数据共享系统中的每个节点均存储一条相同的区块链。区块链由多个区块组成,参见图14B,区块链由多个区块组成,创始块中包括区块头和区块主体,区块头中存储有输入信息特征值、版本号、时间戳和难度值,区块主体中存储有输入信息;创始块的下一区块以创始块为父区块,下一区块中同样包括区块头和区块主体,区块头中存储有当前区块的输入信息特征值、父区块的区块头特征值、版本号、时间戳和难度值,并以此类推,使得区块链中每个区块中存储的区块数据均与父区块中存储的区块数据存在关联,保证了区块中输入信息的安全性。
在生成区块链中的各个区块时,参见图14C,区块链所在的节点在接收到输入信息时,对输入信息进行校验,完成校验后,将输入信息存储至内存池中,并更新其用于记录输入信息的哈希树;之后,将更新时间戳更新为接收到输入信息的时间,并尝试不同的随机数,多次进行特征值计算,使得计算得到的特征值可以满足下述公式:
SHA256(SHA256(version+prev_hash+merkle_root+ntime+nbits+x))<TARGET
其中,SHA256为计算特征值所用的特征值算法;version(版本号)为区块链中相关区块协议的版本信息;prev_hash为当前区块的父区块的区块头特征值;merkle_root为输入信息的特征值;ntime为更新时间戳的更新时间; nbits为当前难度,在一段时间内为定值,并在超出固定时间段后再次进行确定;x为随机数;TARGET为特征值阈值,该特征值阈值可以根据nbits确定得到。
这样,当计算得到满足上述公式的随机数时,便可将信息对应存储,生成区块头和区块主体,得到当前区块。随后,区块链所在节点根据数据共享系统中其他节点的节点标识,将新生成的区块分别发送给其所在的数据共享系统中的其他节点,由其他节点对新生成的区块进行校验,并在完成校验后将新生成的区块添加至其存储的区块链中。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种程序化内容生成的方法,其特征在于,包括:
获取多个初始程序化内容,以构建第一监督学习模型和第二监督学习模型,所述第一监督学习模型基于固定规则进行输出,所述第二监督学习模型基于随机规则进行输出,所述固定规则用于指示多次计算过程采用的规则相同,所述随机规则用于指示多次计算过程采用的规则不同;
根据预设规则对所述第一监督学习模型和所述第二监督学习模型进行多次模拟计算,以得到模拟结果;
提取所述模拟结果中的标签信息,并将所述标签信息与对应的所述初始程序化内容进行关联,以得到训练数据,所述标签信息基于所述预设规则中指示的特征参数设定;
将所述训练数据输入第一深度卷积生成对抗网络模型进行训练,以得到与所述预设规则相关的第二深度卷积生成对抗网络模型;
输入目标标签至所述第二深度卷积生成对抗网络模型进行计算,以生成多个目标程序化内容,所述目标程序化内容与所述预设规则相关。
2.根据权利要求1所述的方法,其特征在于,所述输入目标标签至所述第二深度卷积生成对抗网络模型进行计算,以生成多个目标程序化内容,包括:
确定所述目标标签,并输入至所述第二深度卷积生成对抗网络模型进行计算,以得到多个输出程序化内容;
根据预设条件对所述多个输出程序化内容进行筛选,以生成多个所述目标程序化内容,所述预设条件基于所述输出程序化内容中特征参数与预设阈值的大小关系设定。
3.根据权利要求2所述的方法,其特征在于,所述根据预设条件对所述多个输出程序化内容进行筛选,以得到多个所述目标程序化内容,包括:
确定所述多个输出程序化内容中的特征参数,所述特征参数包括特征元素的数量、所述特征元素的极值或所述特征元素出现的概率;
对比所述特征参数与所述预设阈值的大小,以得到满足预设条件的多个所述目标程序化内容。
4.根据权利要求1所述的方法,其特征在于,所述获取多个初始程序化内容,以构建第一监督学习模型和第二监督学习模型之前,所述方法还包括:
收集多个用户使用所述初始程序化内容过程中的过程参数;
根据所述过程参数确定所述多个用户的用户画像表;
提取所述用户画像表的特征信息,以得到所述规则集合。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述获取多个初始程序化内容,以构建第一监督学习模型和第二监督学习模型,包括:
确定多个所述初始程序化内容;
提取所述初始程序化内容中的特征序列,所述特征序列基于所述预设规则设定;
将所述特征序列转换为二值化图像作为输入,以构建第一监督学习模型和第二监督学习模型。
6.根据权利要求5所述的方法,其特征在于,所述提取所述初始程序化内容中的特征序列之后,所述方法还包括:
确定所述特征序列的维度信息,所述维度信息用于指示所述二值化图像的大小;
所述将所述特征序列转换为二值化图像作为输入,以构建第一监督学习模型和第二监督学习模型,包括:
根据多个维度下的所述维度信息分别将所述特征序列转换为所述二值化图像作为输入,以构建第一监督学习模型和第二监督学习模型。
7.根据权利要求1-4所述的方法,其特征在于,所述程序化内容生成的方法应用于服务器,所述服务器为区块链节点中的区块节点设备。
8.一种程序化内容生成的装置,其特征在于,包括:
获取单元,用于获取多个初始程序化内容,以构建第一监督学习模型和第二监督学习模型,所述第一监督学习模型基于固定规则进行输出,所述第二监督学习模型基于随机规则进行输出,所述固定规则用于指示多次计算过程采用的规则相同,所述随机规则用于指示多次计算过程采用的规则不同;
模拟单元,用于根据预设规则对所述第一监督学习模型和所述第二监督学习模型进行多次模拟计算,以得到模拟结果;
提取单元,用于提取所述模拟结果中的标签信息,并将所述标签信息与对应的所述初始程序化内容进行关联,以得到训练数据,所述标签信息基于所述预设规则中指示的特征参数设定;
训练单元,用于将所述训练数据输入第一深度卷积生成对抗网络模型进行训练,以得到与所述预设规则相关的第二深度卷积生成对抗网络模型;
生成单元,用于输入目标标签至所述第二深度卷积生成对抗网络模型进行计算,以生成多个目标程序化内容,所述目标程序化内容与所述预设规则相关。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器以及存储器:
所述存储器用于存储程序代码;所述处理器用于根据所述程序代码中的指令执行权利要求1至7任一项所述的程序化内容生成的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述权利要求1至7所述的程序化内容生成的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910859304.6A CN110659023B (zh) | 2019-09-11 | 2019-09-11 | 一种程序化内容生成的方法以及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910859304.6A CN110659023B (zh) | 2019-09-11 | 2019-09-11 | 一种程序化内容生成的方法以及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110659023A true CN110659023A (zh) | 2020-01-07 |
CN110659023B CN110659023B (zh) | 2020-10-23 |
Family
ID=69037261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910859304.6A Active CN110659023B (zh) | 2019-09-11 | 2019-09-11 | 一种程序化内容生成的方法以及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659023B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112827176A (zh) * | 2021-01-07 | 2021-05-25 | 浙江大学 | 一种游戏关卡生成方法、装置、电子设备及存储介质 |
CN113134238A (zh) * | 2021-03-26 | 2021-07-20 | 超参数科技(深圳)有限公司 | 关卡设置方法、装置、计算机设备和存储介质 |
CN116931911A (zh) * | 2023-06-15 | 2023-10-24 | 明物数智科技研究院(南京)有限公司 | 一种基于aigc的智能低代码应用开发平台及开发方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107694094A (zh) * | 2017-10-10 | 2018-02-16 | 电子科技大学 | 一种桥牌牌局样本生成方法 |
US20180314716A1 (en) * | 2017-04-27 | 2018-11-01 | Sk Telecom Co., Ltd. | Method for learning cross-domain relations based on generative adversarial networks |
CN108724182A (zh) * | 2018-05-23 | 2018-11-02 | 苏州大学 | 基于多类别模仿学习的端到端游戏机器人生成方法及系统 |
CN108764250A (zh) * | 2018-05-02 | 2018-11-06 | 西北工业大学 | 一种运用卷积神经网络提取本质图像的方法 |
CN109091868A (zh) * | 2018-08-14 | 2018-12-28 | 腾讯科技(深圳)有限公司 | 对战行为确定的方法、装置、计算机设备及存储介质 |
CN109107161A (zh) * | 2018-08-17 | 2019-01-01 | 深圳市腾讯网络信息技术有限公司 | 一种游戏对象的控制方法、装置、介质以及设备 |
CN109621431A (zh) * | 2018-11-30 | 2019-04-16 | 网易(杭州)网络有限公司 | 一种游戏动作的处理方法和装置 |
CN109718558A (zh) * | 2017-10-31 | 2019-05-07 | 腾讯科技(成都)有限公司 | 游戏信息的确定方法和装置、存储介质、电子装置 |
US20190139641A1 (en) * | 2017-11-03 | 2019-05-09 | Siemens Healthcare Gmbh | Artificial intelligence for physiological quantification in medical imaging |
CN109871898A (zh) * | 2019-02-27 | 2019-06-11 | 南京中设航空科技发展有限公司 | 一种利用生成对抗网络生成堆积物训练样本的方法 |
CN110052031A (zh) * | 2019-04-11 | 2019-07-26 | 网易(杭州)网络有限公司 | 玩家的模仿方法、装置及可读存储介质 |
CN110222140A (zh) * | 2019-04-22 | 2019-09-10 | 中国科学院信息工程研究所 | 一种基于对抗学习和非对称哈希的跨模态检索方法 |
-
2019
- 2019-09-11 CN CN201910859304.6A patent/CN110659023B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180314716A1 (en) * | 2017-04-27 | 2018-11-01 | Sk Telecom Co., Ltd. | Method for learning cross-domain relations based on generative adversarial networks |
CN107694094A (zh) * | 2017-10-10 | 2018-02-16 | 电子科技大学 | 一种桥牌牌局样本生成方法 |
CN109718558A (zh) * | 2017-10-31 | 2019-05-07 | 腾讯科技(成都)有限公司 | 游戏信息的确定方法和装置、存储介质、电子装置 |
US20190139641A1 (en) * | 2017-11-03 | 2019-05-09 | Siemens Healthcare Gmbh | Artificial intelligence for physiological quantification in medical imaging |
CN108764250A (zh) * | 2018-05-02 | 2018-11-06 | 西北工业大学 | 一种运用卷积神经网络提取本质图像的方法 |
CN108724182A (zh) * | 2018-05-23 | 2018-11-02 | 苏州大学 | 基于多类别模仿学习的端到端游戏机器人生成方法及系统 |
CN109091868A (zh) * | 2018-08-14 | 2018-12-28 | 腾讯科技(深圳)有限公司 | 对战行为确定的方法、装置、计算机设备及存储介质 |
CN109107161A (zh) * | 2018-08-17 | 2019-01-01 | 深圳市腾讯网络信息技术有限公司 | 一种游戏对象的控制方法、装置、介质以及设备 |
CN109621431A (zh) * | 2018-11-30 | 2019-04-16 | 网易(杭州)网络有限公司 | 一种游戏动作的处理方法和装置 |
CN109871898A (zh) * | 2019-02-27 | 2019-06-11 | 南京中设航空科技发展有限公司 | 一种利用生成对抗网络生成堆积物训练样本的方法 |
CN110052031A (zh) * | 2019-04-11 | 2019-07-26 | 网易(杭州)网络有限公司 | 玩家的模仿方法、装置及可读存储介质 |
CN110222140A (zh) * | 2019-04-22 | 2019-09-10 | 中国科学院信息工程研究所 | 一种基于对抗学习和非对称哈希的跨模态检索方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112827176A (zh) * | 2021-01-07 | 2021-05-25 | 浙江大学 | 一种游戏关卡生成方法、装置、电子设备及存储介质 |
CN113134238A (zh) * | 2021-03-26 | 2021-07-20 | 超参数科技(深圳)有限公司 | 关卡设置方法、装置、计算机设备和存储介质 |
CN116931911A (zh) * | 2023-06-15 | 2023-10-24 | 明物数智科技研究院(南京)有限公司 | 一种基于aigc的智能低代码应用开发平台及开发方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110659023B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659023B (zh) | 一种程序化内容生成的方法以及相关装置 | |
US11135514B2 (en) | Data processing method and apparatus, and storage medium for concurrently executing event characters on a game client | |
CN109814955B (zh) | 阵容确定的方法、装置及电子设备 | |
CN109513215B (zh) | 一种对象匹配方法、模型训练方法以及服务器 | |
CN107970608A (zh) | 关卡游戏的设置方法和装置、存储介质、电子装置 | |
CN110339569B (zh) | 控制游戏场景中虚拟角色的方法及装置 | |
van de Bovenkamp et al. | Analyzing implicit social networks in multiplayer online games | |
CN110489340B (zh) | 一种游戏地图平衡性测试方法、装置、设备及存储介质 | |
CN111738294B (zh) | Ai模型的训练方法、使用方法、计算机设备及存储介质 | |
CN110251942B (zh) | 控制游戏场景中虚拟角色的方法及装置 | |
CN111282267A (zh) | 信息处理方法、装置、介质及电子设备 | |
CN108579095A (zh) | 游戏中的社交关系推荐方法、装置和计算机可读存储介质 | |
CN111957047A (zh) | 关卡配置数据调整方法、计算机设备及存储介质 | |
CN114344912A (zh) | 动作指令生成方法、动作决策模型的训练方法及装置 | |
CN110325965B (zh) | 虚拟场景中的对象处理方法、设备及存储介质 | |
CN110598853B (zh) | 一种模型训练的方法、信息处理的方法以及相关装置 | |
CN110458295B (zh) | 基于人工智能的棋牌关卡生成方法、训练方法及装置 | |
CN110555529B (zh) | 一种数据处理的方法以及相关装置 | |
CN113343089A (zh) | 用户召回方法及装置、设备 | |
CN115577795A (zh) | 策略模型优化方法、装置及存储介质 | |
CN109529358B (zh) | 特征整合方法和装置及电子装置 | |
CN110569900A (zh) | 游戏ai决策方法及装置 | |
CN114490618A (zh) | 基于蚁狮算法的数据填补方法、装置、设备及存储介质 | |
CN111701240B (zh) | 虚拟物品的提示方法、装置、存储介质和电子装置 | |
Togelius et al. | Active player modelling |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40018635 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |